KR102407886B1 - 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 - Google Patents
각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 Download PDFInfo
- Publication number
- KR102407886B1 KR102407886B1 KR1020210165826A KR20210165826A KR102407886B1 KR 102407886 B1 KR102407886 B1 KR 102407886B1 KR 1020210165826 A KR1020210165826 A KR 1020210165826A KR 20210165826 A KR20210165826 A KR 20210165826A KR 102407886 B1 KR102407886 B1 KR 102407886B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- data
- offline
- manufacturing process
- deep learning
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 238000004989 laser desorption mass spectroscopy Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 229960000074 biopharmaceutical Drugs 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000012970 cakes Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000020660 omega-3 fatty acid Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000013550 pizza Nutrition 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000013547 stew Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Toxicology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Factory Administration (AREA)
Abstract
각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템이 개시된다. 상기 시스템은 온라인 센서, 인라인 센서 또는 오프라인 센서; 머신러닝/딥러닝 모듈; 및 상기 온라인 센서가 센서 네트워크, 이더넷, Wi-Fi를 통해 취합된 온라인 센서 데이터를 수집하여 저장하고, 상기 인라인 센서가 구비된 IoT 디바이스 또는 상기 오프라인 센서로부터 분석장비(전용 분석기)를 통해 측정된 오프라인 센서 데이터를 수집하여 저장하며, 상기 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하여 적용하는 소프트센서 서버를 포함한다.
제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 인라인 센서(IoT 디바이스) 오프라인 센서(분석 장비, 전용 분석기- 농도 측정) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)에 따라 모델링 결과를 출력하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템을 제공한다.
제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 인라인 센서(IoT 디바이스) 오프라인 센서(분석 장비, 전용 분석기- 농도 측정) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)에 따라 모델링 결과를 출력하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템을 제공한다.
Description
본 발명은 소프트센서 분석측정 시스템에 관한 것으로, 보다 상세하게는 제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 오프라인 센서(분석 장비, 전용 분석기- 농도 측정) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)에 따라 머신러닝/딥러닝 모델링 결과를 출력하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템에 관한 것이다.
최근, 센서 네트워크 시스템은 센서들 간의 네트워크를 통하여, 각종 센서에서 획득한 센서 데이터를 무선으로 수집한다. 센서 네트워크 시스템은 싱크 노드(100), 대표 노드(200), 및 센서 노드(300)로 구성될 수 있으며, 센서 네트워크 시스템에서 센서 노드들은 획득한 센서 데이터를 주기적으로 싱크 노드로 전송하여 서버로 전송된다.
이와 관련된 선행기술1로써, 특허 등록번호 10-2191427에서는 (등록일자 2020년 12월 09일), "센서 네트워크 시스템 및 센서 데이터를 처리하는 방법"이 등록되어 있다.
센서 네트워크 시스템은,
센서 노드에서 수행되는 예측 알고리즘과 동일한 예측 알고리즘을 수행하여 예측값을 획득하고, 상기 센서 노드로부터 센싱값이 수신되면, 상기 예측값을 상기 센싱값으로 업데이트하고, 상기 센싱값을 센서 데이터로 수집하고, 그렇지 않으면, 상기 센서 노드가 대표 노드인지 여부를 판단하고, 상기 센서 노드가 대표 노드이면, 상기 예측값을 센서 데이터로 수집하고, 상기 센서 노드가 대표 노드가 아니면, 상기 센서 노드가 속하는 클러스터의 대표 노드의 센싱값에 기초하여 상기 예측값을 보정하고, 보정된 예측값을 센서 데이터로 수집하는 싱크 노드;
센싱을 통해 대표 노드의 센싱값을 획득하고, 상기 예측 알고리즘을 수행하여 상기 대표 노드의 예측값을 획득하고, 상기 예측 알고리즘에 따라 상기 대표 노드의 센싱값 변화량이 임계값 이상인지의 여부 및 상기 대표 노드의 예측값과 센싱값의 차이가 임계값 이상인지의 여부 중 적어도 하나를 비교하고, 비교 결과에 따라 상기 대표 노드의 센싱값을 상기 싱크 노드로 전송하고, 상기 싱크 노드로 상기 대표 노드의 센싱값을 전송하면, 상기 대표 노드의 센싱값을 상기 대표 노드가 속하는 클러스터 내의 센서 노드들에 전송하는 대표 노드; 및
센싱을 통해 센서 노드의 센싱값을 획득하고, 상기 예측 알고리즘을 수행하여 상기 센서 노드의 예측값을 획득하고, 상기 대표 노드의 센싱값을 수신하면, 상기 대표 노드의 센싱값에 기초하여 상기 센서 노드의 예측값을 보정하고, 상기 예측 알고리즘에 따라 상기 센서 노드의 센싱값 변화량이 임계값 이상인지의 여부 및 상기 센서 노드의 보정된 예측값과 센서 노드의 센싱값의 차이가 임계값 이상인지의 여부 중 적어도 하나를 비교하고, 비교 결과에 따라 상기 센서 노드의 센싱값을 상기 싱크 노드로 전송하는 센서 노드를 포함한다.
그러나, 바이오 제약 공정, 스마트 팩토리 제조 공정, 식품 공정, 철강 제조 공정 상에서 온라인 센서(온도 센서, 습도 센서, 압력 센서)/오프라인 센서들(분석 장비, 전용 분석기)의 측정값을 취합하여 서버에 저장하고 신규 공정변수(iuput)에 따라 모델링 결과값을 예측하는 시스템을 제공하지 않았다.
상기 문제점을 해결하기 위한 본 발명의 목적은 제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 오프라인 센서(분석 장비, 전용 분석기- 농도 측정) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)에 따라 모델링 결과를 출력하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수(iuput)에 따라 결과를 도출하는 소프트센서 분석측정 시스템을 제공하는 것이다.
본 발명의 목적을 달성하기 위해, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템은 온라인 센서, 인라인 센서 또는 오프라인 센서; 머신러닝/딥러닝 모듈; 및 상기 온라인 센서가 센서 네트워크, 이더넷, Wi-Fi를 통해 취합된 온라인 센서 데이터를 수집하여 저장하고, 상기 인라인 센서가 구비된 IoT 디바이스 또는 상기 오프라인 센서로부터 분석장비(전용 분석기)를 통해 측정된 오프라인 센서 데이터를 수집하여 저장하며, 상기 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하여 적용하는 소프트센서 서버를 포함하고,
상기 인라인 센서는 제조 공정상에 사용되는 IoT 디바이스에 부착된 센서를 포함하며, 상기 오프라인 센서는 분석장비, 전용 분석기를 포함한다.
상기 인라인 센서는 제조 공정상에 사용되는 IoT 디바이스에 부착된 센서를 포함하며, 상기 오프라인 센서는 분석장비, 전용 분석기를 포함한다.
본 발명에 따른 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템은 제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 오프라인 센서(분석 장비, 전용 분석기) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)에 따라 머신러닝/딥러닝 모델링 결과를 출력하는 효과가 있다.
바이오 제약 공정, 스마트 팩토리 제조 공정, 식품 공정, 철강 제조 공정 상에서 온라인 센서(온도 센서, 습도 센서, 압력 센서)/오프라인 센서들(분석 장비, 전용 분석기)의 측정값을 취합하여 서버에 저장하고 신규 공정변수(iuput)에 따라 머신 러닝/딥러닝 모델링 결과값을 예측하는 시스템을 제공하게 되었다.
도 1은 종래의 센서 네트워크 시스템을 도시한 블록도이다.
도 2는 본 발명에 따른 온라인 센서/인라인 센서/오프라인 센서와 머신러닝/딥러닝 모델을 사용하는 소프트센서 AI 솔류션 개념도이다.
도 3은 본 발명에 따른 온라인 센서 데이터/오프라인 센서 데이터를 취합하는 소프트센서 서버의 구성도이다.
도 4는 본 발명에 따른 소프트센서 분석측정 시스템 구성도이다.
도 2는 본 발명에 따른 온라인 센서/인라인 센서/오프라인 센서와 머신러닝/딥러닝 모델을 사용하는 소프트센서 AI 솔류션 개념도이다.
도 3은 본 발명에 따른 온라인 센서 데이터/오프라인 센서 데이터를 취합하는 소프트센서 서버의 구성도이다.
도 4는 본 발명에 따른 소프트센서 분석측정 시스템 구성도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 발명의 구성 및 동작을 상세하게 설명한다. 본 발명의 설명에 있어서 관련된 공지의 기술 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 자세한 설명을 생략한다. 또한, 첨부된 도면 번호는 동일한 구성을 표기할 때에 다른 도면에서 동일한 도면번호를 부여한다.
본 발명은 제조 공정 상에 온라인 센서(온도, 습도, 압력 센서 등), 인라인 센서(제조 공정상에 사용되는 IoT 디바이스에 부착된 센서), 오프라인 센서(분석 장비, 전용 분석기- 농도 측정) 등의 각종 센서에서 수집한 데이터를 소프트센서 서버로 취합하여 샘플을 기반으로 제조 공정의 신규 공정변수(iuput)에 따라 모델링 결과를 출력하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수(input)에 따라 결과를 출력하는 소프트센서 분석측정 시스템을 제공한다.
도 2는 본 발명에 따른 온라인 센서/인라인 센서/오프라인 센서와 머신러닝(ML)/딥러닝 모델을 사용하는 소프트센서 AI 솔류션 개념도이다.
온라인 센서(110)/인라인 센서(120)/오프라인 센서(130)와 머신러닝/딥러닝 모델(170)을 적용한 개념을 "소프트센서"라고 한다.
소프트 센서는 쉽게 측정 가능한 센서 정보를 분석하여, 필요하지만 측정하기 어려운 정보를 예측하는 가상 센서 역할을 한다.
제조 공정에서 각종 센서에서 취득한 값을 입력변수로 사용하여 머신러닝(ML)/딥러닝 모델을 통해 제조 공정의 신규 공정변수(input)를 도출하여 머신러닝/딥러닝 모델링 결과를 출력하고, 제조 공정에 피드백하여 적용한다.
온라인 센서(110)/인라인 센서(120)/오프라인 센서(130)와 머신러닝/딥러닝 모델(170)을 사용하여 소프트센서 AI 솔류션에 신규 공정변수(input)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하여 제조 공정에 피드백하여 전송하며, 정상 패턴의 데이터와 비정상 패턴의 데이터를 분류한다.
학습 알고리즘은 필요에 따라 딥러닝(CNN) 또는 여러 종류의 머신러닝 알고리즘(ML)을 선택하여 사용되며, 비지도-가시화-탐지(CNN), 비지도-선행제어-탐지 (AutoEncoder), 비지도-메모리-탐지(LSTM), 심층메모리-탐지(Deep LSTM), 비지도-양방향-메모리-탐지(Bidirectional LSTM), 비지도-가시화-메모리-탐지(Convolution LSTM), 비지도-양방향-순환-탐지(Bidirectional GRU), 및 비지도-양방향-중첩순환-탐지(Stacked Bidirectional GRU) 알고리즘 중 어느 하나의 알고리즘을 사용한다.
딥러닝(Deep Learning)은 AI 분야 기계 학습(Machine Learning, ML)의 한 종류로서, 입력과 출력 사이에 여러 층의 인공신경망(ANN, Artificial Neural Network)이 구성되며, 합성곱 신경망(CNN, Convolutional Neural Network) 또는 순환 신경망(RNN, Recurrent Neural Network) 등을 사용할 수 있다.
심층 학습은 분류(classification), 회기(regression), 위치 인식(localization), 검출(detection), 분할(segmentation) 등 다양한 문제를 해결하기 위해 사용된다. 특히, 동적, 정적 장애물의 위치와 종류를 판별할 수 있는 의미론적 분할(Semantic Segmentation)과 객체 검출(Object Detection)이 중요하게 사용된다. 의미론적 분할은 영상 내 객체를 찾기 위해 픽셀 단위의 분류 예측을 수행하여 의미가 같은 픽셀 단위로 분할하는 것을 의미하며, 이를 통해 이미지 내에 어떤 객체가 있는지 동일 객체를 갖는 픽셀의 위치까지 정확하게 파악할 수 있다.
카메라 영상의 객체 검출은 이미지 내 객체의 종류를 분류 및 예측하고, 경계 상자(Bounding Box)를 회귀 예측하여 객체의 위치정보를 찾는 것을 의미하며, 이를 통해 단순 분류와 다르게 영상 또는 이미지에 있는 객체의 종류가 무엇인지 뿐만 아니라 그 객체의 위치정보까지 파악할 수 있다.
카메라 영상의 객체 검출은 센서와 컴퓨터 비전 연구 분야에서 가장 많이 사용되는 분야로써, CCTV 카메라 모니터링, 스마트 팩토리 제조 공정 등의 여러 분야에 적용되고 있다.
도 3은 본 발명에 따른 온라인 센서 데이터/오프라인 센서 데이터를 취합하는 소프트센서 서버의 구성도이다.
본 발명의 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템은
온라인 센서(110), 인라인 센서(120) 또는 오프라인 센서(130);
온라인 센서 데이터, 인라인 센서 데이터, 오프라인 센서 데이터와 연동되는 머신러닝/딥러닝 모듈(170); 상기 온라인 센서(110)가 센서 네트워크, 이더넷, Wi-Fi를 통해 취합된 온라인 센서 데이터를 수집하여 저장하고, 상기 인라인 센서(120)가 구비된 IoT 디바이스 또는 상기 오프라인 센서(130)로부터 분석장비(전용 분석기)를 통해 측정된 오프라인 센서 데이터를 수집하여 저장하며, 상기 머신러닝/딥러닝 모듈(170)을 사용하여 제조 공정의 신규 공정변수(iuput)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하는, 소프트센서 서버(190)를 포함하고, 상기 인라인 센서는 제조 공정상에 사용되는 IoT 디바이스에 부착된 센서를 포함하며, 상기 오프라인 센서는 분석장비(계측기), 전용 분석기를 포함한다. 이를 통해, 통계적으로 제조 공정 상의 정상 패턴의 데이터와 비정상 패턴의 데이터를 분류한다.
상기 소프트센서 서버는 온라인 센서 데이터, 인라인 센서 데이터, 및 오프라인 센서 데이터를 수집하며, 상기 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 다시 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하며, 빅 데이터를 분석하여 통계 데이터를 제공하고, 데이터 시각화하여 출력하며, 상기 소프트센서 서버는 LIMS/ERP/Legacy 시스템과 연동된다.
예를 들면, 온라인 센서 데이터를 이더넷 또는 Wi-Fi를 통해 저장하는 시험원 PC로부터 데이터 통신을 통해 소프트센서 서버(190)로 수집하고, 인라인 센서의 측정기, 오프라인 센서의 별도의 분석 장비(전용 분석기)(130)와 데이터 매니저(Data Manager)(137)를 통해 측정된 오프라인 센서 데이터를 데이터 통신을 통해 소프트센서 서버(190)로 수집하며, 머신러닝/딥러닝 모듈(170)을 사용하여 제조 공정의 신규 공정변수(iuput)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하며, 빅 데이터를 분석하여 통계 데이터를 제공하고, 이를 데이터 시각화하여 출력하며,
소프트센서 서버(190)는 LIMS/ERP/Legacy 시스템과 연동된다.
도 4는 본 발명에 따른 소프트센서 분석측정 시스템 구성도이다.
Python 개발 툴 상에서, 머신러닝 모델링 알고리즘 라이브러리(Scikit-learn), 머신러닝 가중치를 적용하는 의사결정 트리에 적용되는 앙상블 모델(ensemble model), 수학적인 plot, 그래프로 표시하는 매쓰플로트(Mathplot)를 사용한다.
예를들면, 실시예에서는, 1주일 동안 개인 음식물 섭취 과정을 학습시켜, 개인의 입력(밥, 라면, 칼국수, 떡국, 식빵, 케이크, 피자, 된장찌게,쇠고기불고기, 콩나물국,잡채... 막걸리), 다수의 머신러닝 모델(Model 1, Model 2, Model 3)이 개인별 가중치가 적용되는 앙상블 모델에 식이 성분(철분, 오메가-3, 비타민A,.. )을 누적하여 1주일 동안 개인 음식물 섭취 과정의 식이 성분 비율을 출력한다.
소프트센서 서버(190)는 해당 학습 데이터와 탐지 데이터(온라인 센서 데이터, 인라인 센서의 계측기의 계측 데이터, 전용분석기의 데이터 또는 오프라인 센서의 계측 데이터)를 수집하고, 이를 데이터 시각화하여 출력하는 학습 데이터/탐지 데이터 출력, 개인별 데이터의 Z-score, 평균(mean), 표준 편차(standard deviation)를 통계 정보를 제공하고, 정규분포화 한 후 일별/주별/월별 통계 정보를 제공할 수 있으며, 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 다시 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하여 적용한다.
통계적으로, 모집단(population)에서 크기가 n인 임의의 표본(sample)을 추출시에, 모집단의 분포가 평균 m, 표준편차가 σ인 정규분포 N(m, )를 따를때, 크기가 n인 임의 표본의 표본 평균이 X, 표준편차 σ일때,
모집단의 평균 m의 신뢰도(95% 신뢰도)에서,
Z score와, 평균과 표준 편차가 계산된다.
실시예에 한정하지 않고, 바이오 제약 공정, 스마트 팩토리 제조 공정, 식품 공정, 철강 제조 공정 상에서 온라인 센서(온도 센서, 습도 센서, 압력 센서)/오프라인 센서들(분석 장비, 전용 분석기)의 측정값을 취합하여 서버에 저장하고, 제조 공정의 신규 공정변수(iuput)에 따라 머신 러닝/딥러닝 모델링 결과값을 예측하는 시스템을 제공하게 되었다.
본 발명에 따른 실시예들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되고 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조를 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 기록 매체는 스토리지, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, 스토리지 등과 같은 저장 매체에 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예는 컴파일러에 의해 만들어지는 것과, 기계어 코드 뿐만아니라 인터프리터를 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로써 작동하도록 구성될 수 있다.
이상에서 설명한 바와 같이, 본 발명의 방법은 프로그램으로 구현되어 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 형태로 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 저장될 수 있다.
본 발명의 구체적인 실시예를 참조하여 설명하였지만, 본 발명은 상기와 같이 기술적 사상을 예시하기 위해 구체적인 실시 예와 동일한 구성 및 작용에만 한정되지 않고, 본 발명의 기술적 사상과 범위를 벗어나지 않는 한도 내에서 다양하게 변형하여 실시될 수 있다. 따라서, 그와 같은 변형도 본 발명의 범위에 속하는 것으로 간주해야 하며, 본 발명의 범위는 후술하는 특허청구범위에 의해 결정되어야 한다.
110: 온라인 센서 120: 인라인 센서
130: 오프라인 센서 170: 머신러닝/딥 러닝 모델
190: 소프트센서 서버 230: LIMS/ERP/Legacy 시스템
130: 오프라인 센서 170: 머신러닝/딥 러닝 모델
190: 소프트센서 서버 230: LIMS/ERP/Legacy 시스템
Claims (5)
- 온라인 센서, 인라인 센서 또는 오프라인 센서;
머신러닝/딥러닝 모듈; 및
상기 온라인 센서가 센서 네트워크, 이더넷, Wi-Fi를 통해 취합된 온라인 센서 데이터를 수집하여 저장하고, 상기 인라인 센서가 구비된 IoT 디바이스 또는 상기 오프라인 센서로부터 분석장비(전용 분석기)를 통해 측정된 오프라인 센서 데이터를 수집하여 저장하며, 상기 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하여 적용하는 소프트센서 서버를 포함하고,
상기 인라인 센서는 제조 공정상에 사용되는 IoT 디바이스에 부착된 센서를 포함하며, 상기 오프라인 센서는 분석장비, 전용 분석기를 포함하는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템. - 제1항에 있어서,
상기 온라인 센서는 온도 센서, 습도 센서, 또는 압력 센서를 포함하는 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템. - 삭제
- 삭제
- 제1항에 있어서,
상기 소프트센서 서버는 온라인 센서 데이터, 인라인 센서 데이터, 및 오프라인 센서 데이터를 수집하며, 상기 머신러닝/딥러닝 모듈을 사용하여 제조 공정의 신규 공정변수(iuput)를 다시 적용하여 머신러닝/딥러닝 모델링 결과를 출력하며, 이를 다시 제조 공정으로 피드백하며, 빅 데이터를 분석하여 통계 데이터를 제공하고, 이를 데이터 시각화하여 출력하며, 상기 소프트센서 서버는 LIMS/ERP/Legacy 시스템과 연동되는, 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210165826A KR102407886B1 (ko) | 2021-11-26 | 2021-11-26 | 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 |
US17/975,197 US20230171849A1 (en) | 2021-11-26 | 2022-10-27 | Softsensor analysis and measurement system to provide the output by new progress variables based on collected data from a sort of sensors |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210165826A KR102407886B1 (ko) | 2021-11-26 | 2021-11-26 | 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102407886B1 true KR102407886B1 (ko) | 2022-06-10 |
Family
ID=81986306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210165826A KR102407886B1 (ko) | 2021-11-26 | 2021-11-26 | 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230171849A1 (ko) |
KR (1) | KR102407886B1 (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190106368A (ko) * | 2018-03-09 | 2019-09-18 | 타이아(주) | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 |
KR102191427B1 (ko) | 2014-01-23 | 2020-12-15 | 한국전자통신연구원 | 센서 네트워크 시스템 및 센서 데이터를 처리하는 방법 |
-
2021
- 2021-11-26 KR KR1020210165826A patent/KR102407886B1/ko active IP Right Grant
-
2022
- 2022-10-27 US US17/975,197 patent/US20230171849A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102191427B1 (ko) | 2014-01-23 | 2020-12-15 | 한국전자통신연구원 | 센서 네트워크 시스템 및 센서 데이터를 처리하는 방법 |
KR20190106368A (ko) * | 2018-03-09 | 2019-09-18 | 타이아(주) | 공장 자동화를 위한 분산 데이터 수집 및 분산 제어 명령 시스템, 그리고 이를 위한 분산 데이터 수집 및 분산 제어 방법 |
Also Published As
Publication number | Publication date |
---|---|
US20230171849A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
WO2018121690A1 (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
Bhatt et al. | Automatic apple grading model development based on back propagation neural network and machine vision, and its performance evaluation | |
Mohareb et al. | Ensemble-based support vector machine classifiers as an efficient tool for quality assessment of beef fillets from electronic nose data | |
Olaniyi et al. | Automatic system for grading banana using GLCM texture feature extraction and neural network arbitrations | |
CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
Kalantar et al. | A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
US11308348B2 (en) | Methods and systems for processing image data | |
Bhatt et al. | An analysis of the performance of Artificial Neural Network technique for apple classification | |
US20150278711A1 (en) | System state classifier | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
CN110927217A (zh) | 基于电子鼻系统的食物新鲜度的识别方法及电子鼻系统 | |
Anurekha et al. | Efficient classification and grading of MANGOES with GANFIS for improved performance | |
AgaAzizi et al. | Identification of impurity in wheat mass based on video processing using artificial neural network and PSO algorithm | |
Bautista et al. | Automated sorter and grading of tomatoes using image analysis and deep learning techniques | |
Vignesh et al. | EnC-SVMWEL: Ensemble Approach using CNN and SVM Weighted Average Ensemble Learning for Sugarcane Leaf Disease Detection | |
KR102407886B1 (ko) | 각종 센서에서 수집한 데이터를 기반으로 신규 공정변수에 따라 결과를 도출하는 소프트센서 분석측정 시스템 | |
Saifullah et al. | Palm Oil Maturity Classification Using K-Nearest Neighbors Based on RGB and L* a* b Color Extraction | |
Chmaj et al. | Automated agronomy: Evaluation of fruits ripeness using machine learning approach | |
Zhu et al. | Rapid freshness prediction of crab based on a portable electronic nose system | |
CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
Moso et al. | Abnormal Behavior Detection in Farming Stream Data | |
Sarveswaran et al. | MilkSafe: A Hardware-Enabled Milk Quality Prediction using Machine Learning | |
Tulli et al. | Application of Machine Learning for Analysis of Fruit Defect: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |