KR102417702B1 - System and method for optimal processing data calculation of PBCs removal based on explainable AI - Google Patents

System and method for optimal processing data calculation of PBCs removal based on explainable AI Download PDF

Info

Publication number
KR102417702B1
KR102417702B1 KR1020210001397A KR20210001397A KR102417702B1 KR 102417702 B1 KR102417702 B1 KR 102417702B1 KR 1020210001397 A KR1020210001397 A KR 1020210001397A KR 20210001397 A KR20210001397 A KR 20210001397A KR 102417702 B1 KR102417702 B1 KR 102417702B1
Authority
KR
South Korea
Prior art keywords
data
learning
unit
artificial intelligence
processing
Prior art date
Application number
KR1020210001397A
Other languages
Korean (ko)
Inventor
남기효
정문권
Original Assignee
(주)유엠로직스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)유엠로직스 filed Critical (주)유엠로직스
Priority to KR1020210001397A priority Critical patent/KR102417702B1/en
Application granted granted Critical
Publication of KR102417702B1 publication Critical patent/KR102417702B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Feedback Control In General (AREA)

Abstract

The present invention relates to an optimal process data calculating system for processing a hazardous substance by using an explainable artificial intelligence technique and a method thereof and, more specifically, to an optimal process data calculating system for processing a hazardous substance by using an explainable artificial intelligence technique and a method thereof which collect real-time process data by using intelligent IoT sensors and apply an explainable AI algorithm to the collected process data so as to calculate optimal process data that can achieve maximum processing productivity at the minimum costs.

Description

설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 {System and method for optimal processing data calculation of PBCs removal based on explainable AI}{System and method for optimal processing data calculation of PBCs removal based on explainable AI}

본 발명은 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 유해물질 처리 공정에 따른 데이터를 수집하여 학습을 통해서, 최소의 비용으로 최대의 처리 생산성을 얻을 수 있는 최적 공정 데이터를 산출할 수 있는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것이다.The present invention relates to a system and method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique. It relates to a system and method for calculating the optimal process data for the treatment of hazardous substances using an explainable artificial intelligence technique that can calculate the optimal process data for obtaining productivity.

과거 전기설비, 발전장비 및 변압기 등에 사용되는 절연유(insulating oil)에는 PCBs(Polychlorinated Biphenyl)라는 유해물질이 포함되어 왔다.Insulating oil used in electrical equipment, power generation equipment, and transformers in the past contains harmful substances called polychlorinated biphenyls (PCBs).

상기 PCBs는 긴 수명을 보유하며 열과 화학적 변형에 저항력이 큰 성질을 가지고 있는 우수한 전기절연 물질로서, 과거 변압기 및 콘덴서의 절연유, 윤활유, 가소제 등의 졀연 효과를 기대하는 장비 및 소재에 널리 이용되어 왔다.The PCBs are excellent electrical insulating materials that have a long lifespan and are resistant to heat and chemical transformation. .

그렇지만, 상기 PCBs가 환경에서의 잔류성과 생물 내에서의 농축성, 발암성 등이 연구되고 이에 따른 인명 피해가 분석됨으로써, 유해물질로 지정되었으며, 더 이상의 사용을 불가하며, 기존에 이용되었던 PCBs를 안전하게 제거하는 작업이 요구되고 있다.However, the persistence of the PCBs in the environment, their concentration in living things, carcinogenicity, etc. were studied and the resulting damage to human life was analyzed, so that they were designated as hazardous substances, can no longer be used, and the previously used PCBs Safe removal is required.

현재 이러한 PCBs 처리 공정은, 근무자의 지식이나 경험에 의지하여 반응기로의 PCBs와 공기의 투입량을 결정하고 있으며, 투입량에 따른 다양한 공정 제어(반응기의 온도 제어, 반응을 위한 촉매량 등) 역시도 근무자의 지식이나 경험에만 의지하고 있어, 비용 뿐 아니라 자원의 소모가 심각한 수준이다.Currently, these PCBs treatment processes depend on the knowledge and experience of workers to determine the input amount of PCBs and air, and various process control (temperature control of the reactor, catalyst amount for reaction, etc.) according to the input amount is also the knowledge of the workers. However, it is only dependent on experience and cost, and the consumption of resources as well as cost is serious.

이와 관련해서, 국내등록특허 제10-0927799호("유입용 전력기기에 잔류한 PCBs와 전기 절연유의 동시 제거방법")에서는 가열온도를 낮게 하고 제거시간을 단축하기 위한 감압가열하여 PCBs를 증발 분리한 후 냉각 응축시켜 동시 제거하는 방법을 개시하고 있다.In this regard, in Korean Patent Registration No. 10-0927799 ("Method for simultaneously removing PCBs and electrical insulating oil remaining in inflow power equipment"), the PCBs are evaporated and separated by heating under reduced pressure to lower the heating temperature and shorten the removal time. After cooling and condensing, a method for simultaneous removal is disclosed.

국내등록특허 제10-0927799호(등록일자 2009.11.12.)Domestic Registered Patent No. 10-0927799 (Registration Date: 2009.11.12.)

본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 지능형 IoT 센서들을 이용하여 실시간 공정 데이터를 수집하고, 수집된 공정 데이터에 대한 설명 가능한 AI 알고리즘을 적용하여 최소의 비용으로 최대의 처리 생산성을 얻을 수 있는 최적 공정 데이터를 산출할 수 있는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법을 제공하는 것이다.The present invention has been devised to solve the problems of the prior art as described above, and an object of the present invention is to collect real-time process data using intelligent IoT sensors, and apply an explanatory AI algorithm to the collected process data. It is to provide a system and method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique that can calculate the optimal process data that can obtain the maximum processing productivity at the minimum cost.

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템은, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집부(100), 상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성부(200), 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 제외한 결핍 학습 데이터를 생성하는 결핍 데이터 생성부(300), 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습부(400), 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습부(500), 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에서, 각각의 예측 데이터를 출력하는 학습 처리부(600) 및 상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석부(700)를 포함하는 것이 바람직하다.The system for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention includes a data collection unit 100 that collects data in a hazardous substance processing process through equipped collection means, the A learning data generation unit 200 that analyzes preset characteristics of the collected data collected by the data collection unit 100 and generates as learning data for artificial intelligence learning, the learning data generation unit 200 generates the Using the learning data, the deficit data generation unit 300 for generating the deficit learning data excluding some preset items among the characteristics constituting the learning data, using at least one artificial intelligence technique, the learning data generation unit Reference learning unit 400 for performing learning on the learning data generated in 200, using two or more explainable artificial intelligence techniques, The AI learning model and the deficiency learning unit according to the learning result of the reference learning unit 400 using the deficit learning unit 500 performing each learning, and at least one characteristic data in the input hazardous substance processing process, and the deficit learning unit In the two or more XAI learning models according to the learning result of 500, the prediction data by the AI learning model by the learning processing unit 600 and the learning processing unit 600 for outputting respective prediction data and the two or more XAI learning models It is preferable to include an analysis unit 700 for calculating a control value of process data for hazardous substance treatment by comparing and analyzing the predicted data.

더 나아가, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것이 바람직하다.Furthermore, the depletion data generating unit 300 uses the learning data generated by the learning data generating unit 200 to differently exclude some preset items from among the characteristics constituting the learning data, It is preferable to generate two or more of the deficit learning data.

더 나아가, 상기 학습 데이터 생성부(200)는 기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하다.Furthermore, the learning data generating unit 200 is preferably configured to include hazardous substance input data, air input data, temperature control data of the reaction means, power supply data of the reaction means, and catalyst input amount data as preset characteristics. do.

더 나아가, 상기 학습 처리부(600)는 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 따라, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것이 바람직하다.Furthermore, it is preferable that the learning processing unit 600 predicts and outputs the remaining characteristic data excluding the input characteristic data according to at least one characteristic data in the inputted hazardous substance processing process.

더 나아가, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하다.Furthermore, it is preferable that the analysis unit 700 extracts the prediction data having the maximum error value through the similarity comparison analysis of two or more prediction data by the XAI learning model based on the prediction data by the AI learning model. do.

더 나아가, 상기 분석부(700)는 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.Furthermore, the analysis unit 700 specifies the XAI learning model from which the prediction data having the maximum error value is extracted, and analyzes the items excluded from the deficient learning data learned by the corresponding XAI learning model, and the control value for the item It is preferable to calculate

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법은, 데이터 수집부에서, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집단계(S100), 학습 데이터 생성부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S200), 결핍 데이터 생성부에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 둘 이상의 결핍 학습 데이터들을 생성하는 결핍 데이터 생성단계(S300), 기준 학습부에서, 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습단계(S400), 결핍 학습부에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습단계(S500), 학습 처리부에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 학습 처리단계(S600) 및 분석부에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석단계(S700)를 포함하는 것이 바람직하다.The method for calculating the optimal process data for the processing of hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention is a data collection step of collecting data in the hazardous substance processing process through the collection means provided in the data collection unit. (S100), in the learning data generating unit, analyzing the preset characteristics of the collected data collected by the data collecting step (S100), and generating the learning data as learning data for artificial intelligence learning (S200); In the deprivation data generating unit, two or more deprivation learning data is used while excluding some preset items from among the characteristics constituting the learning data by using the learning data generated by the learning data generating step (S200). In the depletion data generation step (S300) of generating the (S400), in the deficit learning unit, using two or more explainable artificial intelligence techniques, a deficit learning step (S500) of performing each learning on the deficit learning data generated by the deficit data generation step (S300) , in the learning processing unit, receiving at least one characteristic data in the hazardous substance processing process, the AI learning model according to the learning result of the reference learning step (S400), and two or more according to the learning result of the deficient learning step (S500) In the learning processing step (S600) and the analysis unit to output each prediction data by applying to the XAI learning model, based on the prediction data by the AI learning model by the learning processing step (S600), two or more XAI learning models It is preferable to include an analysis step (S700) of extracting the prediction data having the maximum error value through the similarity comparison analysis of each of the prediction data, and calculating the control value of the process data for the treatment of hazardous substances.

더 나아가, 상기 학습 데이터 생성단계(S200)는 기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하다.Furthermore, the learning data generating step (S200) is preferably configured to include harmful substance input amount data, air input amount data, temperature control data of the reaction means, supply power data of the reaction means and catalyst input amount data as preset characteristics. do.

더 나아가, 상기 학습 처리단계(S600)는 각각의 예측 데이터로 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 의한 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것이 바람직하다.Furthermore, in the learning processing step ( S600 ), it is preferable to predict and output the remaining characteristic data except for the characteristic data by at least one characteristic data in the hazardous substance processing process input as each prediction data.

더 나아가, 상기 분석단계(700)는 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.Furthermore, the analysis step 700 specifies the XAI learning model from which the prediction data having the maximum error value is extracted, and analyzes the items excluded from the deficient learning data learned by the corresponding XAI learning model, and the control value for the item It is preferable to calculate

상기와 같은 구성에 의한 본 발명의 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은 유해물질의 제거 처리를 수행하는 과정에서의 공정 데이터들을 수집하고 수집한 공정 데이터들에 대한 AI 알고리즘을 적용하여, 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있는 장점이 있다.The system and method for calculating the optimal process data for hazardous substances processing using the explainable artificial intelligence technique of the present invention according to the configuration as described above collect process data in the process of performing the removal treatment of hazardous substances and add the process data to the collected process data. There is an advantage of being able to determine the control value of the optimal input amount to obtain the maximum amount of removal at the minimum cost to remove the input PCBs by applying the AI algorithm for

특히, 기계학습 기법에 사용되는 학습 데이터(입력 데이터)에 의도적인 결핍을 발생시킨 후, 이를 학습한 결핍 모델과, 결핍이 존재하지 않는 전체 학습 데이터를 학습한 기준 모델을 동시에 운영하여, 입력 데이터에 대한 결과가 각 모델이 상이함을 이용하여, 의도적으로 결핍시킨 데이터를 통해 기준 모델에서 출력된 결과의 원인을 유추하여, 각 공정 데이터값을 최적화하여 조절 제어할 수 있는 장점이 있다.In particular, after intentionally generating a deficiency in the training data (input data) used in the machine learning technique, the deficiency model that learned this and the reference model that learned the entire training data in which the deficiency does not exist are simultaneously operated, and the input data There is an advantage of optimizing and controlling each process data value by inferring the cause of the result output from the reference model through the data that is intentionally lacking by using the difference in the results for each model.

뿐만 아니라, 학습 데이터에 의도적인 결핍을 발생시킨 결핍 학습 데이터를 다중으로 생성하고, 다중의 기계학습 모델들을 이용하여 각각 학습시킴으로써, 보다 정확하게 각 공정 데이터값을 최적화하여 조절 제어값을 유추할 수 있는 장점이 있다.In addition, it is possible to infer control control values by optimizing each process data value more accurately by generating multiple deficit learning data that caused an intentional deficiency in the training data, and learning each using multiple machine learning models. There are advantages.

즉, 문제(불필요한 자원의 소모 등)가 발생한 원인을 비교적 정확하게 특정하여 분석할 수 있어, 이를 통해 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있는 장점이 있다.That is, the cause of the problem (consumption of unnecessary resources, etc.) can be specified and analyzed relatively accurately, and through this, it is possible to determine the control value of the optimal input amount to obtain the maximum amount of removal at the minimum cost to remove the input PCBs. There are advantages.

도 1은 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 나타낸 순서 예시도이다.1 is an exemplary configuration diagram illustrating a system for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention.
2 is a flowchart illustrating a method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention.

이하 첨부한 도면들을 참조하여 본 발명의 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.Hereinafter, with reference to the accompanying drawings, a system and method for calculating the optimal process data for processing hazardous substances using the explainable artificial intelligence technique of the present invention will be described in detail. The drawings introduced below are provided as examples so that the spirit of the present invention can be sufficiently conveyed to those skilled in the art. Accordingly, the present invention is not limited to the drawings presented below and may be embodied in other forms. Also, like reference numerals refer to like elements throughout.

이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.At this time, if there is no other definition in the technical terms and scientific terms used, it has the meaning commonly understood by those of ordinary skill in the art to which this invention belongs, and in the following description and accompanying drawings, the subject matter of the present invention Descriptions of known functions and configurations that may unnecessarily obscure will be omitted.

더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.In addition, the system refers to a set of components including devices, instruments, and means that are organized and regularly interact to perform necessary functions.

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 유해물질 처리 공정이 이루어지는 처리 모듈에 IoT 센서들을 설치 결합하여, 공정이 진행됨에 따라 발생되는 데이터들을 수집하고, 수집 데이터들을 설명 가능한 인공지능 기법을 이용하여 학습 처리함으로써, 유해물질 처리 공정이 진행되는 과정의 최적 데이터 제어값을 예측 및 도출할 수 있는 시스템 및 그 방법에 관한 것이다.Hazardous substance processing optimal process data calculation system and method using explainable artificial intelligence technique according to an embodiment of the present invention is generated as the process progresses by installing and combining IoT sensors in the processing module where the hazardous substance processing process is performed It relates to a system and method capable of predicting and deriving an optimal data control value of a process of a hazardous substance treatment process by collecting data to be collected and learning and processing the collected data using an explanatory artificial intelligence technique.

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 원활한 설명을 위해 유해물질로 PCBs를 한정하였으나, 이는 본 발명의 일 실시예에 불과하며, 다양한 유해물질 처리 공정에 적용될 수 있음이 당연하다.The system and method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention limit PCBs to hazardous substances for a smooth description, but this is only an embodiment of the present invention, Of course, it can be applied to various hazardous substance treatment processes.

PCBs를 제거하는 공정에서 수집 가능한 데이터의 종류로는 제거하고자 하는 PCBs 투입량, 반응에 필요한 공기의 투입량, 제거 공정이 수행되는 반응기의 온도값, 반응기의 온도 제어를 위한 공급 전력량, 반응에 필요한 촉매제 투입량 등을 수집할 수 있으며, 각각의 데이터들은 상술한 바와 같이, 유해물질 처리 공정이 이루어지는 처리 모듈에 설치 결합되어 있는 지능형 IoT 센서들을 통해서 수집되는 것이 바람직하다.The types of data that can be collected in the process of removing PCBs include the amount of PCBs to be removed, the amount of air required for the reaction, the temperature value of the reactor where the removal process is performed, the amount of power supplied for temperature control of the reactor, and the amount of catalyst input required for the reaction. etc. can be collected, and each data is preferably collected through intelligent IoT sensors installed and coupled to the processing module where the hazardous substance processing process is performed, as described above.

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 상술한 공정 데이터들을 수집하고 수집한 공정 데이터들에 대한 AI 알고리즘을 적용하여, 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정하는 것이 바람직하다.A system and method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention collects the process data described above and applies an AI algorithm to the collected process data to collect the input PCBs It is desirable to determine the control value of the optimal input amount to obtain the maximum removal amount at the minimum cost for removing

즉, 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 서로 연계되어 있는 제거하고자 하는 PCBs 투입량, 반응에 필요한 공기의 투입량, 제거 공정이 수행되는 반응기의 온도값, 반응기의 온도 제어를 위한 공급 전력량, 반응에 필요한 촉매제 투입량 등이 종래에는 작업자의 지식이나 경험에 의지하여 투입량 제어가 이루어졌으나, 이 경우 지나치게 많은 촉매제가 투입되는 등, 불필요한 자원의 소모가 발생할 수 있기 때문에, 이를 해소하기 위함이다.That is, the system and method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention, the PCBs input amount to be removed, the amount of air required for the reaction, and the removal process are interconnected. The temperature value of the reactor to be performed, the amount of power supplied for temperature control of the reactor, and the amount of catalyst input required for the reaction were conventionally controlled based on the knowledge or experience of the operator, but in this case, too much catalyst is input, etc. Since resource consumption may occur, this is to solve this problem.

이 때, 수집되는 데이터가 상술한 바와 같이, 작업자의 지식이나 경험에 의지하여 제어되는 데이터들이기 때문에, 수집되는 데이터가 최상의 데이터라고 확신할 수가 없게 된다. 그렇기 때문에, 수집된 데이터를 그대로 학습한 인공지능 기법에 의한 학습 모델과, 전략적으로 의도적인 결핍을 발생시켜 학습한 설명 가능한 인공지능 기법에 의한 학습 모델을 동시에 운영하여, 입력 데이터에 대한 결과가 각 모델이 상이함을 이용하여, 의도적으로 결핍시킨 데이터를 통해 기준 모델에서 출력된 결과의 원인을 유추할 수 있다.At this time, since the collected data is data controlled based on the knowledge or experience of the operator as described above, it is impossible to be sure that the collected data is the best data. Therefore, the learning model based on the artificial intelligence technique that learned the collected data as it is and the learning model based on the explainable artificial intelligence technique that was learned by strategically generating the intentional deficiency are operated at the same time, and the results of the input data are Using the model difference, the cause of the result output from the reference model can be inferred from the data that was intentionally omitted.

특히, 학습 데이터에 의도적인 결핍을 발생시킨 결핍 학습 데이터를 다중으로 생성하고, 다중의 기계학습 모델들을 이용하여 각각 학습시킴으로써, 보다 정확하게 탐지의 원인을 유추할 수 있다.In particular, the cause of detection can be inferred more accurately by generating multiple deficit learning data that intentionally caused a deficiency in the training data, and learning each using multiple machine learning models.

이를 통해서, 문제(불필요한 자원의 소모 등)가 발생한 원인을 비교적 정확하게 특정하여 분석할 수 있어, 이를 통해 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있다.Through this, the cause of the problem (consumption of unnecessary resources, etc.) can be specified and analyzed relatively accurately, and through this, it is possible to determine the control value of the optimal input amount to obtain the maximum amount of removal at the minimum cost to remove the input PCBs. have.

도 1은 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 나타낸 구성도이며, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 상세히 설명한다.1 is a block diagram showing a system for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention, and artificial intelligence that can be explained according to an embodiment of the present invention with reference to FIG. 1 The system for calculating the optimal process data for the treatment of hazardous substances using the technique will be described in detail.

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템은 도 1에 도시된 바와 같이, 데이터 수집부(100), 학습 데이터 생성부(200), 결핍 데이터 생성부(300), 기준 학습부(400), 결핍 학습부(500), 학습 처리부(600) 및 분석부(700)를 포함하여 구성되는 것이 바람직하다. 또한, 각 구성들에서 발생하는 데이터들을 전송받아, 이를 데이터베이스화하여 저장 및 관리하는 데이터베이스부(미도시)를 더 포함하여 구성되는 것이 바람직하며, 각 구성들은 하나의 연산처리수단 또는 각각의 연산처리수단에 구성되어 동작을 수행하게 된다.As shown in FIG. 1 , the data collection unit 100, the learning data generation unit 200, and the deficiency data generation system is a data collection unit 100, a learning data generation unit 200, as shown in FIG. It is preferable to include the unit 300 , the reference learning unit 400 , the deficit learning unit 500 , the learning processing unit 600 , and the analysis unit 700 . In addition, it is preferable to further include a database unit (not shown) for receiving data generated in each configuration, storing and managing the data into a database, and each configuration is one arithmetic processing means or each arithmetic processing It is configured in the means to perform the operation.

각 구성에 대해서 자세히 알아보자면,To learn more about each configuration,

상기 데이터 수집부(100)는 미리 구비된 수집수단들, 다시 말하자면, 상기 지능형 IoT 센서들을 통해서, 유해물질 처리 공정에서의 생성 데이터들을 수집하는 것이 바람직하다.It is preferable that the data collection unit 100 collects data generated in the hazardous substance processing process through pre-equipped collection means, that is, the intelligent IoT sensors.

이 때, 상기 데이터 수집부(100)를 통해서는 유해물질 처리 공정에서의 다양한 생성 데이터들이 수집되게 된다. 그렇기 때문에, 상기 학습 데이터 생성부(200)를 통해서, 필요한 특성들만을 분석하는 것이 바람직하다.At this time, various data generated in the hazardous substance treatment process are collected through the data collection unit 100 . Therefore, it is preferable to analyze only the necessary characteristics through the learning data generating unit 200 .

즉, 상기 학습 데이터 생성부(200)는 상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 미리 설정된 특성들을 분석하는 것이 바람직하다.That is, it is preferable that the learning data generating unit 200 analyzes preset characteristics of the collected data collected by the data collecting unit 100 .

상세하게는, 상기 학습 데이터 생성부(200)를 통해서 분석하고자 하는 특성들로는 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하며, 더 나아가, 반응수단의 스펙 정보를 포함하여 온도 제어에 따른 필요 공급전원, 이 때 발생하는 비용 등, 최소의 비용으로 최대의 생산성을 얻기 위한 다양한 투입 비용을 포함하여 분석하는 것이 바람직하다.In detail, the characteristics to be analyzed through the learning data generating unit 200 include hazardous substance input data, air input data, temperature control data of the reaction means, power supply data of the reaction means, and catalyst input data. It is preferable, and furthermore, it is desirable to analyze including various input costs to obtain the maximum productivity with the minimum cost, such as the required supply power according to the temperature control, including the specification information of the reaction means, the cost incurred at this time, etc. do.

상기 학습 데이터 생성부(200)는 상기 수집 데이터들의 특성들을 분석한 후, 분석한 특성(feature set)을 이용하여 인공지능 학습을 위한 학습 데이터로 생성하는 것이 바람직하다. 즉, 분석한 특성들을 정형화하여 학습 데이터로 생성하는 것이 바람직하다. 정형화란, 데이터 분석을 수행하기 위해, 문자, 문자열, 정수형 등의 다양한 데이터를 수치화하는 것을 의미한다.After analyzing the characteristics of the collected data, the learning data generating unit 200 may generate learning data for artificial intelligence learning by using the analyzed feature set. In other words, it is desirable to formalize the analyzed characteristics and generate them as learning data. Standardization refers to digitizing various types of data, such as characters, character strings, and integers, in order to perform data analysis.

이 때, 상기 학습 데이터 생성부(200)를 통해서 생성되는 학습 데이터는 모든 특성들을 포함하여 구성되는 것이 바람직하다.At this time, it is preferable that the learning data generated through the learning data generating unit 200 include all characteristics.

상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 임의로 제외한(결핍시켜) 결핍 학습 데이터를 생성하는 것이 바람직하다. 다시 말하자면, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 정형화된 학습 데이터를 토대로 일부 항목의 데이터들을 임의로 결핍시켜 다수의 결핍 학습 데이터들을 생성할 수 있다.The deprivation data generating unit 300 receives the learning data generated by the learning data generating unit 200, and arbitrarily excludes (depletes) some preset items among the characteristics constituting the learning data. It is preferable to create In other words, the deprivation data generating unit 300 receives the learning data generated by the learning data generating unit 200, and arbitrarily depletes some items of data based on the standardized learning data to generate a plurality of deficient learning data. can create

일 예를 들자면, 제1 결핍 학습 데이터는 '공기 투입량 데이터'가 결핍된 채 생성될 수 있다.For example, the first deficiency learning data may be generated while 'air input amount data' is absent.

이 때, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것이 바람직하다. 즉, 통상적으로 학습 데이터에 포함되는 특성들이 단일 특성이 아니기 때문에, 어느 하나의 특성만을 결핍시키거나, 하나의 특성에 연관되어 있는 소특성들을 결핍시킨 채로 상기 결핍 학습 데이터를 생성해야만, 추후에 학습을 통해서 학습 모델에 의한 결과 분석이 상이하게 나온 이유를 정확히 판단할 수 있어, 말 그대로 설명 가능한 인공지능 기법의 활용할 수 있다.At this time, the depletion data generating unit 300 receives the learning data generated by the learning data generating unit 200, and while excluding some preset items from among the characteristics constituting the learning data differently, It is preferable to generate two or more of the deficit learning data. That is, since the characteristics included in the training data are not a single characteristic, it is necessary to generate the deficient training data while lacking only one characteristic or lacking small characteristics related to one characteristic, and then learn later. Through this, it is possible to accurately determine the reason why the result analysis by the learning model is different, so that it is possible to use artificial intelligence techniques that can be explained literally.

상기 기준 학습부(400)는 적어도 하나의 인공지능 기법을 이용하여 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하며, 상기 결핍 학습부(500)는 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 것이 바람직하다.It is preferable that the reference learning unit 400 performs learning on the learning data generated by the learning data generating unit 200 using at least one artificial intelligence technique, and the deficient learning unit 500 has two It is preferable to perform each learning on the deficiency learning data generated by the deficiency data generation unit 300 using the above explainable artificial intelligence technique.

즉, 상기 결핍 학습부(500)는 다수 개의 기계학습 기법을 이용하여 각각 상이한 상기 결핍 학습 데이터에 대한 학습을 수행함으로써, 다중 기계학습 기법을 활용하는 것이 바람직하다.That is, the deprivation learning unit 500 uses a plurality of machine learning methods to perform learning on the different deprivation learning data, respectively, so that it is preferable to utilize multiple machine learning methods.

상기 학습 처리부(600)는 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 의한 각각의 예측 데이터를 출력하는 것이 바람직하다.The learning processing unit 600 uses at least one characteristic data in the input harmful substance processing process, and the AI learning model according to the learning result of the reference learning unit 400 and the learning result of the deficiency learning unit 500 . It is preferable to output each prediction data by two or more XAI learning models according to

상세하게는, 상기 학습 처리부(600)는 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 실시간으로 수집되어 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 분석하여, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력되는 것이 바람직하다.In detail, the learning processing unit 600 uses an AI learning model and two or more XAI learning models to analyze at least one characteristic data in the hazardous substance processing process that is collected and input in real time, and the input characteristic data It is preferable to predict and output the remaining characteristic data except for it.

즉, 상기 학습 처리부(600)는 상기 기준 학습부(400)와 결핍 학습부(500)에 의해 학습이 완료되면, 그 이후 시점에서부터 수집되는 유해물질 처리 공정 데이터로부터 특성 데이터를 추출하고, 추출한 특성 데이터를 각각의 학습 결과 모델(AI 학습 모델과 둘 이상의 XAI 학습 모델)에 적용함으로써, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측할 수 있다.That is, when the learning by the reference learning unit 400 and the deficiency learning unit 500 is completed, the learning processing unit 600 extracts characteristic data from the hazardous substance processing process data collected from thereafter, and the extracted characteristics By applying the data to each learning result model (AI learning model and two or more XAI learning models), it is possible to predict the remaining feature data except for the input feature data.

상기 분석부(700)는 상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 것이 바람직하다.The analysis unit 700 compares and analyzes the prediction data by the AI learning model by the learning processing unit 600 and the prediction data by two or more XAI learning models to calculate a control value of the process data for the treatment of hazardous substances it is preferable

각각의 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들은 최적의 예측 데이터를 분석한 결과이지만, 학습 데이터가 상이한 만큼, 다시 말하자면, AI 학습 모델은 온전한 학습 데이터를 학습하였고, 둘 이상의 XAI 학습 모델은 온전한 학습 데이터를 기준으로 특정 항목들이 결합된 학습 데이터를 학습한 만큼, 각각의 최적 예측 데이터가 상이하게 나타나는 것은 당연하다.The prediction data by each AI learning model and the prediction data by two or more XAI learning models are the results of analyzing the optimal prediction data, but as the training data is different, in other words, the AI learning model learned the complete training data, Since two or more XAI learning models have learned the training data in which specific items are combined based on the intact training data, it is natural that each optimal prediction data appears differently.

이를 이용하여, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하며, 이 후, 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.Using this, the analysis unit 700 extracts the prediction data having the maximum error value through each similarity comparison analysis of the prediction data by two or more XAI learning models based on the prediction data by the AI learning model. Preferably, thereafter, specifying the XAI learning model from which the prediction data with the maximum error value is extracted, and analyzing the items excluded from the deficient learning data learned by the corresponding XAI learning model, to calculate the control value for the item desirable.

다시 말하자면, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여, 최대 오차 범위를 갖는 예측 데이터를 추출하고, 추출한 예측 데이터에 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터의 특성 구성 변경(학습 데이터 기준으로)을 분석하여, 최대 오차 범위를 발생시킨 특성 데이터를 특정할 수 있다.In other words, the analysis unit 700 performs a similarity comparison analysis on each of the prediction data by two or more XAI learning models based on the prediction data by the AI learning model, and extracts the prediction data having the maximum error range, By analyzing the characteristic configuration change (based on the training data) of the deficient learning data learned by the XAI learning model corresponding to the extracted prediction data, the characteristic data generating the maximum error range can be specified.

특정한 최대 오차 범위를 발생시킨 특성 데이터를 조정하여, 다시 한번 상기 학습 처리부(600)를 통해 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 분석을 수행하고, 상기 분석부(700)를 통한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석을 수행함으로써, 유사도 오차가 최소화될 수 있는 가장 최적의 공정 데이터, 그리고 그 공정 데이터로의 추종을 위한 제어값을 산출할 수 있다.By adjusting the characteristic data that generated a specific maximum error range, the analysis is performed using the AI learning model and two or more XAI learning models through the learning processing unit 600 once again, and AI through the analysis unit 700 By performing comparative analysis of the prediction data by the learning model and the prediction data by two or more XAI learning models, it is possible to calculate the most optimal process data in which the similarity error can be minimized, and a control value for following the process data. can

도 2는 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 나타낸 순서도이며, 도 2를 참조로 하여 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 상세히 설명한다.2 is a flowchart illustrating a method for calculating the optimal process data for processing hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention, and an artificial intelligence technique that can be explained according to an embodiment of the present invention with reference to FIG. 2 The method of calculating the optimal process data for the treatment of hazardous substances using

본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법은 도 2에 도시된 바와 같이, 데이터 수집단계(S100), 학습 데이터 생성단계(S200), 결핍 데이터 생성단계(S300), 기준 학습단계(S400), 결핍 학습단계(S500), 학습 처리단계(S600) 및 분석단계(S700);를 포함하여 구성되는 것이 바람직하다.As shown in FIG. 2 , the method for calculating the optimal process data for the treatment of hazardous substances using an explainable artificial intelligence technique according to an embodiment of the present invention is a data collection step (S100), a learning data generation step (S200), and a deficiency data generation Step (S300), the reference learning step (S400), the deficient learning step (S500), the learning processing step (S600) and the analysis step (S700); is preferably configured to include.

각 단계에 대해서 자세히 알아보자면,To learn more about each step,

상기 데이터 수집단계(S100)는 상기 데이터 수집부(100)에서, 미리 구비된 수집수단들, 다시 말하자면, 상기 지능형 IoT 센서들을 통해서, 유해물질 처리 공정에서의 생성 데이터들을 수집하는 것이 바람직하다.In the data collection step (S100), it is preferable that the data collection unit 100 collects data generated in the hazardous substance processing process through pre-equipped collection means, that is, the intelligent IoT sensors.

상기 학습 데이터 생성단계(S200)는 상기 학습 데이터 생성부(200)에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 미리 설정된 특성들을 분석하는 것이 바람직하다.In the learning data generating step (S200), it is preferable that the learning data generating unit 200 analyzes preset characteristics of the collected data collected by the data collecting step (S100).

상세하게는, 상기 학습 데이터 생성단계(S200)를 통해서 분석하고자 하는 특성들로는 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하며, 더 나아가, 반응수단의 스펙 정보를 포함하여 온도 제어에 따른 필요 공급전원, 이 때 발생하는 비용 등, 최소의 비용으로 최대의 생산성을 얻기 위한 다양한 투입 비용을 포함하여 분석하는 것이 바람직하다.In detail, the characteristics to be analyzed through the learning data generation step (S200) include hazardous substance input data, air input data, temperature control data of the reaction means, power supply data of the reaction means, and catalyst input amount data. It is preferable, and furthermore, it is desirable to analyze including various input costs to obtain the maximum productivity with the minimum cost, such as the required supply power according to the temperature control, including the specification information of the reaction means, the cost incurred at this time, etc. do.

상기 학습 데이터 생성단계(S200)는 상기 수집 데이터들의 특성들을 분석한 후, 분석한 특성(feature set)을 이용하여 인공지능 학습을 위한 학습 데이터로 생성하는 것이 바람직하다. 즉, 분석한 특성들을 정형화하여 학습 데이터로 생성하는 것이 바람직하다. 정형화란, 데이터 분석을 수행하기 위해, 문자, 문자열, 정수형 등의 다양한 데이터를 수치화하는 것을 의미한다.In the learning data generation step (S200), after analyzing the characteristics of the collected data, it is preferable to generate as learning data for artificial intelligence learning by using the analyzed feature set. In other words, it is desirable to formalize the analyzed characteristics and generate them as learning data. Standardization refers to digitizing various types of data, such as characters, character strings, and integers, in order to perform data analysis.

이 때, 상기 학습 데이터 생성단계(S200)를 통해서 생성되는 학습 데이터(기준 학습 데이터)는 모든 특성들을 포함하여 구성되는 것이 바람직하다.At this time, it is preferable that the learning data (reference learning data) generated through the learning data generating step ( S200 ) is configured to include all characteristics.

상기 결핍 데이터 생성단계(S300)는 상기 결핍 데이터 생성부(300)에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 임의로 제외한(결핍시켜) 결핍 학습 데이터를 생성하는 것이 바람직하다.In the deprivation data generating step (S300), the depletion data generating unit 300 receives the learning data generated by the learning data generating step (S200), and preset some of the characteristics constituting the learning data. It is desirable to generate deficit learning data by arbitrarily excluding (depriving) items.

다시 말하자면, 상기 결핍 데이터 생성단계(S300)는 상기 학습 데이터 생성단계(S200)에 의해 정형화된 학습 데이터를 토대로 일부 항목의 데이터들을 임의로 결핍시켜 다수의 결핍 학습 데이터들을 생성할 수 있다.In other words, the deprivation data generating step ( S300 ) may generate a plurality of deficient learning data by arbitrarily depleting some items of data based on the training data standardized by the learning data generating step ( S200 ).

이 때, 상기 결핍 데이터 생성단계(S300)는 둘 이상의 상기 결핍 학습 데이터를 생성하는 것이 바람직하다. 즉, 통상적으로 학습 데이터에 포함되는 특성들이 단일 특성이 아니기 때문에, 어느 하나의 특성만을 결핍시키거나, 하나의 특성에 연관되어 있는 소특성들을 결핍시킨 채로 상기 결핍 학습 데이터를 생성해야만, 추후에 학습을 통해서 학습 모델에 의한 결과 분석이 상이하게 나온 이유를 정확히 판단할 수 있어, 말 그대로 설명 가능한 인공지능 기법의 활용할 수 있다.At this time, it is preferable that the deprivation data generating step S300 generates two or more of the deprivation learning data. That is, since the characteristics included in the training data are not a single characteristic, it is necessary to generate the deficient training data while lacking only one characteristic or lacking small characteristics related to one characteristic, and then learn later. Through this, it is possible to accurately determine the reason why the result analysis by the learning model is different, so that it is possible to use artificial intelligence techniques that can be explained literally.

상기 기준 학습단계(S400)는 상기 기준 학습부(400)에서, 적어도 하나의 인공지능 기법을 이용하여 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하며, 상기 결핍 학습단계(S500)는 상기 결핍 학습부(500)에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 것이 바람직하다.In the reference learning step (S400), it is preferable to perform learning on the learning data generated by the learning data generation step (S200) by using at least one artificial intelligence technique in the reference learning unit 400, , the deficit learning step (S500) is, in the deficit learning unit 500, using two or more explainable artificial intelligence techniques, each learning for the deficit learning data generated by the deficit data generation step (S300) It is preferable to perform

즉, 상기 결핍 학습단계(S500)는 다수 개의 기계학습 기법을 이용하여 각각 상이한 상기 결핍 학습 데이터에 대한 학습을 수행함으로써, 다중 기계학습 기법을 활용하는 것이 바람직하다.That is, in the deprivation learning step ( S500 ), it is preferable to use multiple machine learning techniques by performing learning on the different deprivation learning data using a plurality of machine learning techniques.

상기 학습 처리단계(S600)는 상기 학습 처리부(600)에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 것이 바람직하다.In the learning processing step (S600), the learning processing unit 600 receives at least one characteristic data in the hazardous substance processing process, and the AI learning model according to the learning result of the reference learning step (S400) and the deficiency learning It is preferable to output each prediction data by applying to two or more XAI learning models according to the learning result of step S500.

상세하게는, 상기 학습 처리단계(S600)는 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 실시간으로 수집되어 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 분석하여, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력되는 것이 바람직하다.In detail, the learning processing step (S600) uses an AI learning model and two or more XAI learning models to analyze at least one characteristic data in the hazardous substance processing process that is collected and input in real time, and input characteristic data It is preferable to predict and output the remaining characteristic data except for .

즉, 상기 학습 처리단계(S600)는 상기 기준 학습단계(S400)에 의한 학습과 상기 결핍 학습단계(S500)에 의한 학습이 완료되면, 그 이후 시점에서부터 수집되는 유해물질 처리 공정 데이터로부터 특성 데이터를 추출하고, 추출한 특성 데이터를 각각의 학습 결과 모델(AI 학습 모델과 둘 이상의 XAI 학습 모델)에 적용함으로써, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측할 수 있다.That is, in the learning processing step (S600), when the learning by the reference learning step (S400) and the learning by the deficiency learning step (S500) are completed, characteristic data from the hazardous substance processing process data collected from that point onwards By extracting and applying the extracted feature data to each learning result model (AI learning model and two or more XAI learning models), it is possible to predict the remaining feature data except for the input feature data.

상기 분석단계(S700)는 상기 분석부(700)에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 것이 바람직하다.In the analysis step (S700), the analysis unit 700 compares and analyzes the prediction data by two or more XAI learning models based on the prediction data by the AI learning model by the learning processing step (S600), respectively. Through this, it is preferable to extract the prediction data having the maximum error value, and to calculate the control value of the process data for the treatment of hazardous substances.

각각의 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들은 최적의 예측 데이터를 분석한 결과이지만, 학습 데이터가 상이한 만큼, 다시 말하자면, AI 학습 모델은 온전한 학습 데이터를 학습하였고, 둘 이상의 XAI 학습 모델은 온전한 학습 데이터를 기준으로 특정 항목들이 결합된 학습 데이터를 학습한 만큼, 각각의 최적 예측 데이터가 상이하게 나타나는 것은 당연하다.The prediction data by each AI learning model and the prediction data by two or more XAI learning models are the results of analyzing the optimal prediction data, but as the training data is different, in other words, the AI learning model learned the complete training data, Since two or more XAI learning models have learned the training data in which specific items are combined based on the intact training data, it is natural that each optimal prediction data appears differently.

이를 이용하여, 상기 분석단계(S700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하며, 이 후, 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.Using this, in the analysis step (S700), the prediction data having the maximum error value is extracted through the similarity comparison analysis of two or more prediction data by the XAI learning model based on the prediction data by the AI learning model. Preferably, thereafter, specifying the XAI learning model from which the prediction data with the maximum error value is extracted, and analyzing the items excluded from the deficient learning data learned by the corresponding XAI learning model, to calculate the control value for the item desirable.

이를 통해서, 상기 분석단계(S700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여, 최대 오차 범위를 갖는 예측 데이터를 추출하고, 추출한 예측 데이터에 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터의 특성 구성 변경(학습 데이터 기준으로)을 분석하여, 최대 오차 범위를 발생시킨 특성 데이터를 특정할 수 있다.Through this, the analysis step (S700) performs a similarity comparison analysis on each of the prediction data by two or more XAI learning models based on the prediction data by the AI learning model, and extracts the prediction data having the maximum error range, By analyzing the characteristic configuration change (based on the training data) of the deficient learning data learned by the XAI learning model corresponding to the extracted prediction data, the characteristic data generating the maximum error range can be specified.

특정한 최대 오차 범위를 발생시킨 특성 데이터를 조정하여, 다시 한번 상기 학습 처리단계(S600)를 수행하여 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여 예측 데이터를 출력하고, 상기 분석단계(S700)를 수행하여 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석을 수행함으로써, 유사도 오차가 최소화될 수 있는 가장 최적의 공정 데이터, 그리고 그 공정 데이터로의 추종을 위한 제어값을 산출할 수 있다.By adjusting the characteristic data that generated a specific maximum error range, the learning processing step (S600) is performed once again to output the prediction data using the AI learning model and two or more XAI learning models, and the analysis step (S700) By performing comparative analysis of the prediction data by the AI learning model and the prediction data by two or more XAI learning models, the most optimal process data in which the similarity error can be minimized, and the control value for following the process data can be calculated.

이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, in the present invention, specific matters such as specific components and the like and limited embodiment drawings have been described, but these are only provided to help a more general understanding of the present invention, and the present invention is not limited to the above one embodiment. No, various modifications and variations are possible from these descriptions by those of ordinary skill in the art to which the present invention pertains.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the described embodiments, and not only the claims to be described later, but also all those with equivalent or equivalent modifications to the claims will be said to belong to the scope of the spirit of the present invention. .

100 : 데이터 수집부
200 : 학습 데이터 생성부
300 : 결핍 데이터 생성부
400 : 기준 학습부
500 : 결핍 학습부
600 : 학습 처리부
700 : 분석부100: data collection unit
200: learning data generation unit
300: deficiency data generation unit
400: standard learning unit
500: Deficit Learning Department
600: learning processing unit
700: analysis unit

Claims (10)

기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집부(100);
상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성부(200);
상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 제외한 결핍 학습 데이터를 생성하는 결핍 데이터 생성부(300);
적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습부(400);
둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습부(500);
입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에서, 각각의 예측 데이터를 출력하는 학습 처리부(600); 및
상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석부(700);
를 포함하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
A data collection unit 100 for collecting data in the hazardous substance processing process through the equipped collection means;
a learning data generating unit 200 for analyzing preset characteristics of the collected data collected by the data collecting unit 100 and generating as learning data for artificial intelligence learning;
a deficiency data generator 300 for generating deficiency learning data excluding some preset items among characteristics constituting the learning data by using the learning data generated by the learning data generator 200;
a reference learning unit 400 for learning the learning data generated by the learning data generating unit 200 using at least one artificial intelligence technique;
a deficit learning unit 500 for performing respective learning on the deficit learning data generated by the deficit data generation unit 300 using two or more explainable artificial intelligence techniques;
Using at least one characteristic data in the input hazardous substance processing process, an AI learning model according to the learning result of the reference learning unit 400 and two or more XAI learning models according to the learning result of the deficiency learning unit 500 In the learning processing unit 600 for outputting each prediction data; and
Based on the prediction data by the AI learning model by the learning processing unit 600, each similarity comparison analysis is performed on the prediction data by two or more XAI learning models to extract the prediction data having the maximum error value, and to process harmful substances an analysis unit 700 for calculating a control value of process data for ;
An optimal process data calculation system for processing hazardous substances using an explainable artificial intelligence technique, characterized in that it comprises a.
 제 1항에 있어서,
상기 결핍 데이터 생성부(300)는
상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
The method of claim 1,
The deficient data generating unit 300 is
Using the learning data generated by the learning data generation unit 200, while excluding some preset items from among the characteristics constituting the learning data differently, generating two or more of the deficient learning data An optimal process data calculation system for the treatment of hazardous substances using an explainable artificial intelligence technique.
 제 1항에 있어서,
상기 학습 데이터 생성부(200)는
기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
The method of claim 1,
The learning data generation unit 200
Hazardous substance processing using an explanatory artificial intelligence technique, characterized in that it comprises hazardous substance input data, air input data, temperature control data of the reaction means, power supply data of the reaction means, and catalyst input data as preset characteristics Optimal process data calculation system.
 제 3항에 있어서,
상기 학습 처리부(600)는
입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 따라, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
4. The method of claim 3,
The learning processing unit 600 is
An optimal process data calculation system for processing hazardous substances using an explanatory artificial intelligence technique, characterized in that, according to at least one characteristic data in the input hazardous substance processing process, the remaining characteristic data except for the input characteristic data are predicted and output.
 삭제delete 제 4항에 있어서,
상기 분석부(700)는
최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
5. The method of claim 4,
The analysis unit 700 is
An explanationable artificial, characterized in that the XAI learning model from which the prediction data having the maximum error value is extracted is specified, and the items excluded from the deficient learning data learned by the corresponding XAI learning model are analyzed, and a control value for the corresponding item is calculated. An optimal process data calculation system for the treatment of hazardous substances using intelligent techniques.
 데이터 수집부에서, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집단계(S100);
학습 데이터 생성부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S200);
결핍 데이터 생성부에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 둘 이상의 결핍 학습 데이터들을 생성하는 결핍 데이터 생성단계(S300);
기준 학습부에서, 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습단계(S400);
결핍 학습부에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습단계(S500);
학습 처리부에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 학습 처리단계(S600); 및
분석부에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석단계(S700);
를 포함하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
In the data collection unit, a data collection step (S100) of collecting data in the hazardous substance processing process through the equipped collection means;
A learning data generation step (S200) of analyzing, in the learning data generation unit, preset characteristics of the collected data collected by the data collection step (S100), and generating as learning data for artificial intelligence learning (S200);
In the deprivation data generation unit, using the learning data generated by the learning data generating step (S200), while excluding some preset items from among the characteristics constituting the learning data differently, two or more deficient learning data a depletion data generation step (S300) of generating them;
a reference learning step (S400) of performing, in the reference learning unit, learning on the learning data generated by the learning data generating step (S200) by using at least one artificial intelligence technique;
A deficiency learning step (S500) of performing each learning on the deficiency learning data generated by the deficiency data generation step (S300) by using two or more explainable artificial intelligence techniques in the deficiency learning unit (S500);
In the learning processing unit, receiving at least one characteristic data in the hazardous substance processing process, an AI learning model according to the learning result of the reference learning step (S400) and two or more XAIs according to the learning result of the deficiency learning step (S500) A learning processing step of outputting each prediction data by applying to the learning model (S600); and
In the analysis unit, based on the prediction data by the AI learning model by the learning processing step (S600), the prediction data having the maximum error value is extracted through the similarity comparison analysis of the prediction data by two or more XAI learning models. Thus, an analysis step of calculating a control value of the process data for the treatment of hazardous substances (S700);
Hazardous substance treatment optimal process data calculation method using an explainable artificial intelligence technique, characterized in that it comprises a.
 제 7항에 있어서,
상기 학습 데이터 생성단계(S200)는
기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
8. The method of claim 7,
The learning data generation step (S200) is
Hazardous substance processing using an explanatory artificial intelligence technique, characterized in that it comprises hazardous substance input data, air input data, temperature control data of the reaction means, power supply data of the reaction means, and catalyst input data as preset characteristics How to calculate optimal process data.
 제 7항에 있어서,
상기 학습 처리단계(S600)는
각각의 예측 데이터로 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 의한 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
8. The method of claim 7,
The learning processing step (S600) is
Calculation of optimal process data for processing hazardous substances using an explanatory artificial intelligence technique that predicts and outputs the remaining characteristic data except for characteristic data based on at least one characteristic data in the hazardous substance processing process input as each prediction data Way.
 제 7항에 있어서,
상기 분석단계(700)는
최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.8. The method of claim 7,
The analysis step 700 is
An explanationable artificial, characterized in that the XAI learning model from which the prediction data having the maximum error value is extracted is specified, and the items excluded from the deficient learning data learned by the corresponding XAI learning model are analyzed, and a control value for the corresponding item is calculated. A method of calculating the optimal process data for the treatment of hazardous substances using intelligent techniques.
KR1020210001397A 2021-01-06 2021-01-06 System and method for optimal processing data calculation of PBCs removal based on explainable AI KR102417702B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210001397A KR102417702B1 (en) 2021-01-06 2021-01-06 System and method for optimal processing data calculation of PBCs removal based on explainable AI

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210001397A KR102417702B1 (en) 2021-01-06 2021-01-06 System and method for optimal processing data calculation of PBCs removal based on explainable AI

Publications (1)

Publication Number Publication Date
KR102417702B1 true KR102417702B1 (en) 2022-07-07

Family

ID=82399016

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210001397A KR102417702B1 (en) 2021-01-06 2021-01-06 System and method for optimal processing data calculation of PBCs removal based on explainable AI

Country Status (1)

Country Link
KR (1) KR102417702B1 (en)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100927799B1 (en) 2009-03-04 2009-11-20 주식회사엠제이 A simultaneously removal method of residual pcbs and electrical insulation oil immersed transformer
US20150019214A1 (en) * 2013-07-10 2015-01-15 Tencent Technology (Shenzhen) Company Limited Method and device for parallel processing in model training
KR101828503B1 (en) * 2017-08-23 2018-03-29 주식회사 에이젠글로벌 Apparatus and method for generating ensemble model
KR20190032908A (en) * 2017-09-20 2019-03-28 주식회사 에이치엔에스휴먼시스템 Method for managing steel quality and system
KR101988350B1 (en) * 2018-03-30 2019-09-30 (주)대우건설 Automated site-process management system through ai analysis of work display and process inspection using virtual process module
KR20190118332A (en) * 2018-04-10 2019-10-18 삼성전자주식회사 Electronic apparatus and control method thereof
KR20200071876A (en) * 2018-12-06 2020-06-22 주식회사 씨에스앤씨 System for predicting product failure in process and a method for generating learning model for failure prediction
KR102139358B1 (en) * 2020-04-22 2020-07-29 한국생산기술연구원 Process control method using machine learning-based platform, computer program medium for performing same, and process control appratus
KR102183335B1 (en) * 2019-10-24 2020-11-27 주식회사 딥핑소스 Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same
KR20200135171A (en) * 2019-05-24 2020-12-02 주식회사 루닛 Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100927799B1 (en) 2009-03-04 2009-11-20 주식회사엠제이 A simultaneously removal method of residual pcbs and electrical insulation oil immersed transformer
US20150019214A1 (en) * 2013-07-10 2015-01-15 Tencent Technology (Shenzhen) Company Limited Method and device for parallel processing in model training
KR101828503B1 (en) * 2017-08-23 2018-03-29 주식회사 에이젠글로벌 Apparatus and method for generating ensemble model
KR20190032908A (en) * 2017-09-20 2019-03-28 주식회사 에이치엔에스휴먼시스템 Method for managing steel quality and system
KR101988350B1 (en) * 2018-03-30 2019-09-30 (주)대우건설 Automated site-process management system through ai analysis of work display and process inspection using virtual process module
KR20190118332A (en) * 2018-04-10 2019-10-18 삼성전자주식회사 Electronic apparatus and control method thereof
KR20200071876A (en) * 2018-12-06 2020-06-22 주식회사 씨에스앤씨 System for predicting product failure in process and a method for generating learning model for failure prediction
KR20200135171A (en) * 2019-05-24 2020-12-02 주식회사 루닛 Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods
KR102183335B1 (en) * 2019-10-24 2020-11-27 주식회사 딥핑소스 Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same
KR102139358B1 (en) * 2020-04-22 2020-07-29 한국생산기술연구원 Process control method using machine learning-based platform, computer program medium for performing same, and process control appratus

Similar Documents

Publication Publication Date Title
CN112926642B (en) Multi-source domain self-adaptive intelligent mechanical fault diagnosis method and system
Linda et al. Computational intelligence based anomaly detection for building energy management systems
CN117495210A (en) Highway concrete construction quality management system
Gaska et al. A high-performance computing (HPC) based integrated multithreaded model predictive control (MPC) for water supply networks
KR102417702B1 (en) System and method for optimal processing data calculation of PBCs removal based on explainable AI
CN117151649A (en) Construction method management and control system and method based on big data analysis
CN117494292A (en) Engineering progress management method and system based on BIM and AI large model
Zhao et al. Incorporation TACOM and SPAR-H into the operating procedure of nuclear power plants
KR20210075358A (en) Smart factory operation analysis system and method
CN115878498A (en) Key byte extraction method for predicting program behavior based on machine learning
Appel et al. Comprehensive Analysis Competence and Innovative Approaches for Sustainable Chemical Production
CN115239153A (en) Emergency command decision-making method, system and medium for chemical industry park accidents
JP2019139319A (en) Distribution management apparatus, distribution management method and program
CN110533159B (en) Method for improving deep learning data set quality and model interpretability based on mesology guidance
Shokry et al. Mixed-integer multiparametric approach based on machine learning techniques
KR20220101262A (en) 4D Simulation apparatus of nuclear power plant
EP3916496A1 (en) An industrial process model generation system
CN115080968B (en) Artificial intelligence server with intelligent safety protection
Allison et al. Digital Twin-Enhanced Methodology for Training Edge-Based Models for Cyber Security Applications
Schaich et al. Qualitative modelling and simulation of chemical reaction systems
Juuso et al. Intelligent dynamic simulation of batch cooking
Chang et al. An integrated approach for operational knowledge acquisition of refuse incinerators
Farcasiu et al. Data collection assessment for the human performance analysis in nuclear installations
Feng et al. A Real-Time Platform for Assessment of Chiller-Side Demand Response Strategies
Vlasov et al. Models and algorithms for fuzzy control system of atmospheric block in atmospheric-and-vacuum distillation unit: design and analysis

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant