KR102443618B1 - Delay prediction model generation method using production management system and logistics delay prediction method using the same - Google Patents

Delay prediction model generation method using production management system and logistics delay prediction method using the same Download PDF

Info

Publication number
KR102443618B1
KR102443618B1 KR1020200151096A KR20200151096A KR102443618B1 KR 102443618 B1 KR102443618 B1 KR 102443618B1 KR 1020200151096 A KR1020200151096 A KR 1020200151096A KR 20200151096 A KR20200151096 A KR 20200151096A KR 102443618 B1 KR102443618 B1 KR 102443618B1
Authority
KR
South Korea
Prior art keywords
tray
unit
facility
facilities
prediction model
Prior art date
Application number
KR1020200151096A
Other languages
Korean (ko)
Other versions
KR20220064707A (en
Inventor
구정인
남은석
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200151096A priority Critical patent/KR102443618B1/en
Publication of KR20220064707A publication Critical patent/KR20220064707A/en
Application granted granted Critical
Publication of KR102443618B1 publication Critical patent/KR102443618B1/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
    • G06Q10/0637—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
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명은 다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서, 트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고, (a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계; (b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; 및 (c) 모델링부(130)는 상기 트레이의 경로와 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하는, 방법을 제공한다.The present invention is a method of generating a delay prediction model by using a tray including a plurality of facilities and manufactured according to a path that is an order of passing through any one or more facilities among a plurality of facilities, wherein the path of the tray includes each facility. It means the sequence through which (a) tray data collected in advance including information on the identifier of the tray, the path of the tray, the number of trays, and the passage time of each facility of the tray is input to the tray data collection unit 110 step; (b) calculating, in the tray data processing unit 120, the elapsed time of movement between each facility and the residence time in each facility from the tray data collected by the tray data collecting unit 110; and (c) the modeling unit 130 receives the path of the tray and the number of trays as inputs, and outputs the elapsed time of movement between the respective facilities and the residence time for each facility, and learns and generates a delay prediction model to do; It provides a method comprising:

Description

생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법{Delay prediction model generation method using production management system and logistics delay prediction method using the same}Delay prediction model generation method using production management system and logistics delay prediction method using the same {Delay prediction model generation method using production management system and logistics delay prediction method using the same}

본 발명은 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법에 관한 것이다.The present invention relates to a delay prediction model generation method using a production management system and a logistics delay prediction method using the same.

2차 전지 트레이와 같은 제조품들에 대한 설비의 효율적인 관리는 제조 공정의 다양한 요소가 모니터링될 것을 필요로 한다. 이 중 가장 중요한 결정들 중 하나는 임의의 소정의 시간에 각 설비를 이동할 때, 어느 경로가 선택되어야 하는지 이고, 어느 경로가 선택되는 지에 따라, 물류의 지연여부가 달라진다.Efficient management of equipment for manufactured products such as secondary battery trays requires that various elements of the manufacturing process be monitored. Among these, one of the most important decisions is which route should be selected when moving each facility at any given time, and depending on which route is selected, delay in logistics varies.

물류의 지연은 설비를 운영하는데 있어, 결정적인 영향을 주기에 매우 중요한 요소로, 어느 경로를 선택하였을 때 물류의 지연이 발생하는지 확인하는 것은 중요하며, 다수의 제품이 설비를 이동 시 어느 경로를 선택하였을 때 시스템의 효율적인 운영을 위해 시스템의 운영이 최적화되는지 판단하는 것은 필수적이다.Logistics delay is a very important factor to have a decisive influence on the operation of facilities, and it is important to check which route is selected for delay in logistics, and which route is selected when a large number of products move the facility. It is essential to determine whether the operation of the system is optimized for the efficient operation of the system.

특히, 이러한 물류 시스템은 동적인 시스템으로서, 운송되는 물품의 개수의 변동과 경로의 변동에 따라 예측되었던 시간과 실제로 확인되는 도착시간 사이에 차이가 발생하는 바, 어느 설비에서 물류의 지연이 발생하는지 예측하기는 어려웠다.In particular, as such a logistics system is a dynamic system, there is a difference between the predicted time and the actually confirmed arrival time depending on the change in the number of transported goods and the change of the route. It was difficult to predict.

종래에는, MES(Manufacturing Execution System)와 AMHS(automated material handling system)과 같은 시스템을 사용하였으나. 두 시스템에 의존하여 생산 시스템을 관리할 경우, 동적인 물류에 의한 판단의 결여로 설비를 효율적으로 이용하지 못하게 되고, 제조에 악영향을 미치게 되는 문제가 있었다.Conventionally, systems such as a Manufacturing Execution System (MES) and an automated material handling system (AMHS) have been used. In the case of managing the production system depending on the two systems, there is a problem that the equipment cannot be used efficiently due to the lack of judgment by dynamic logistics, and there is a problem that the manufacturing is adversely affected.

(특허문헌 1) 한국공개특허공보 제10-2010-0052634호(Patent Document 1) Korean Patent Application Laid-Open No. 10-2010-0052634

(특허문헌 2) 한국등록특허공보 제10-0976871호(Patent Document 2) Korean Patent Publication No. 10-0976871

(특허문헌 3) 일본등록특허공보 제3843816호(Patent Document 3) Japanese Patent Publication No. 3843816

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been devised to solve the above problems.

구체적으로, 본 발명은 생산 관리 시스템을 이용하여 물류의 경로 및 이동되는 설비 순서에 따른 지연 예측 모델을 생성하기 위함이다.Specifically, the present invention is to generate a delay prediction model according to a logistics route and a moving facility sequence using a production management system.

또한, 본 발명은 지연 예측 모델을 생성하여, 해당 경로 및 이동되는 설비 순서로 이동할 때의 물류의 지연 여부를 판단하고, 지연이 최소로 발생하도록 각 물류의 이동 경로를 결정하기 위함이다.In addition, the present invention is to generate a delay prediction model, determine whether the logistics are delayed when moving in the order of the corresponding route and the moving equipment, and determine the movement route of each logistics so that the delay occurs to a minimum.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서, 트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고, (a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계; (b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; (c) 모델링부(130)는 상기 트레이의 식별자, 상기 트레이의 경로및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하는, 방법을 제공한다.An embodiment of the present invention for solving the above problems, including a plurality of facilities, using a tray manufactured according to a path that is in the order of passing through any one or more of the plurality of facilities, a delay prediction model As a method of generating, the path of the tray means the order through each facility, and (a) the tray identifier, the path of the tray, the number of trays and the time of passing each facility of the tray to the tray data collection unit 110 Step of inputting pre-collected tray data including information about the; (b) calculating, in the tray data processing unit 120, the elapsed time of movement between each facility and the residence time in each facility from the tray data collected by the tray data collecting unit 110; (c) the modeling unit 130 receives the identifier of the tray, the path of the tray, and the number of trays as inputs, and outputs the elapsed time of movement between each facility and the residence time for each facility as an output, and a delay prediction model generating by learning; It provides a method comprising:

일 실시예는, 상기 (c)단계 이후, (d) 입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력되는 단계; (e) 시뮬레이션부(220)는 상기 지연 예측 모델에 따라 동작되며, 상기 시뮬레이션부(220)는 상기 입력데이터를 전송받고, 출력부(230)가 상기 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력하는 단계; 및 (f) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 어느 하나의 설비에서의 트레이의 지연 여부를 판단하는 단계; 를 포함할 수 있다.In one embodiment, after step (c), (d) inputting input data including information on the path of the tray and the number of trays to the input unit 210; (e) the simulation unit 220 operates according to the delay prediction model, the simulation unit 220 receives the input data, and the output unit 230 determines the total elapsed time of each tray for the input data and outputting the residence time in each facility; and (f) determining, by the simulation unit 220, whether the tray is delayed in any one facility based on the outputted time of residence in each facility of each tray and the elapsed time of movement between each facility; may include

일 실시예는, 상기 (f)단계는, (f1) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 상기 어느 하나의 설비에서 트레이가 운송지연인 것으로 판단하는 단계; 및 (f2) 상기 시뮬레이션부(220)는 상기 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 상기 어느 하나의 설비에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함할 수 있다.In one embodiment, in the step (f), (f1) the simulation unit 220 determines that if the residence time in any one of the outputted trays is greater than or equal to the preset residence time, the one of the facilities determining that the tray is delayed in transport; and (f2) the simulation unit 220 determines that if the residence time in any one of the facilities of each tray output from the output unit 230 is less than the preset residence time, the tray in the one facility is transported normally. Determining that; may include.

일 실시예는, 상기 (f)단계는, (f3) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 상기 어느 두 설비 사이에서 트레이가 운송지연인 것으로 판단하는 단계; 및 (f4) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 상기 어느 두 설비 사이에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함할 수 있다.In one embodiment, in the step (f), (f3) the simulation unit 220 determines that if the elapsed time of movement between any two of each facility of each tray outputted is greater than or equal to the preset movement elapsed time, any of the above determining that the tray is delayed in transport between the two facilities; And (f4) the simulation unit 220, if the elapsed time of movement between each facility of each of the output trays is less than a preset elapsed time of movement, determining that the tray is normal in transport between the two facilities; may include

일 실시예는, 상기 (f)단계 이후, (g) 상기 시뮬레이션부(220)는 상기 (f)단계에서 판단한 데이터를 기초로 하여, MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 및 (h) 상기 MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되는 단계; 를 포함할 수 있다.In one embodiment, after the step (f), (g) the simulation unit 220 based on the data determined in the step (f), the MES unit 240 and the AMHS unit 250 are equipped with equipment and trays. instructing to control the movement path of , and further training the delay prediction model; and (h) collecting new tray data from the MES unit 240 and the AMHS unit 250 ; may include.

일 실시예는, 상기 (g)단계는, (g1) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 상기 설비 중 어느 하나로 이동되는 트레이를 상기 운송정상인 다른 설비로 트레이의 경로를 변경하도록 상기 MES부(240) 및 상기 AMHS부(250)에 지시하거나 또는 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및 (g2) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 포함할 수 있다.In one embodiment, in the step (g), (g1) the simulation unit 220 moves to any one of the facilities when it is determined that the tray is the transport delay in any one of the facilities in the step (f) Instructs the MES unit 240 and the AMHS unit 250 to change the path of the tray to be transported to another facility that is normally transported, or controls to reduce the number of newly introduced trays, and the simulation unit 220 ) further learning the delay prediction model with the changed tray path or the number of trays and the re-determined residence time in each facility at that time; and (g2) when the simulation unit 220 determines that the tray is normal in transport in any one of the facilities in step (f), the simulation unit 220 performs the MES unit 240 and the AMHS unit 250. instructing to control the facility with the input data, and further training the delay prediction model; may include.

일 실시예는, 상기 (g)단계는, (g3) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및 (g4) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 더 포함할 수 있다.In one embodiment, in the step (g), (g3) the simulation unit 220 determines that the tray is the transport delay in any one of the facilities in the step (f), the newly introduced tray controlling the number to be reduced, and the simulation unit 220 further learning the delay prediction model with the changed path of the tray or the number of trays and the elapsed time of movement between each re-determined facility at that time; and (g4) when the simulation unit 220 determines that the tray is normal in transport in any one of the facilities in step (f), the simulation unit 220 performs the MES unit 240 and the AMHS unit 250. instructing to control the facility with the input data, and further training the delay prediction model; may further include.

일 실시예는, 상기 (c)단계는, 상기 모델링부(130)가 상기 트레이 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이의 이동 경과 시간과 상기 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성하는 단계;를 포함할 수 있다.In one embodiment, in the step (c), the modeling unit 130 inputs the tray identifier, the path of the tray, and the number of trays, and the elapsed time of movement between each facility and each facility generating a supervised-learning delayed prediction model using the residence time output;

본 발명의 다른 실시예는, 상기 방법이 수행되는, 시스템을 제공한다.Another embodiment of the present invention provides a system in which the method is performed.

본 발명의 다른 실시예는, 상기 방법이 수행되도록 저장매체에 기록되는 프로그램을 제공한다.Another embodiment of the present invention provides a program recorded in a storage medium to perform the method.

본 발명에 따라, 다음과 같은 효과가 달성된다. According to the present invention, the following effects are achieved.

본 발명은 생산 관리 시스템을 이용하여 물류의 경로 및 이동되는 설비 순서에 따른 지연 예측 모델을 생성할 수 있다.The present invention can generate a delay prediction model according to the route of logistics and the order of the equipment to be moved by using the production management system.

또한, 본 발명은 지연 예측 모델을 생성하여, 해당 경로 및 이동되는 설비 순서로 이동할 때의 물류의 지연 여부를 판단하고, 지연이 최소로 발생하도록 각 물류의 이동 경로를 결정할 수 있는 바, 최적화된 물류 이동이 가능하다.In addition, the present invention generates a delay prediction model, determines whether the logistics are delayed when moving in the order of the corresponding route and the moving equipment, and can determine the movement route of each logistics so that the delay occurs to a minimum, the optimized Logistics movement is possible.

도 1은 본 발명에 따른 트레이가 이동되는 경로를 설명하기 위한 개략도이다.
도 2는 본 발명에 따른 지연 예측 모델 생성 방법을 설명하기 위한 모식도이다.
도 3은 본 발명에 따라 이동되는 설비의 순서에 따라, 각 물류를 분류하고, 모델링부가 도착시간을 연산하는 것을 설명하기 위한 도면이다.
도 4는 본 발명에 따라 공장에서 이동되는 트레이를 예시적으로 설명하기 위한 도면이다.1 is a schematic diagram for explaining a path through which a tray according to the present invention is moved.
2 is a schematic diagram for explaining a method for generating a delay prediction model according to the present invention.
FIG. 3 is a diagram for explaining that each logistics is classified according to the order of the moving equipment according to the present invention, and the modeling unit calculates the arrival time.
4 is a view for explaining an exemplary tray to be moved in the factory according to the present invention.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some cases, well-known structures and devices may be omitted or shown in block diagram form focusing on core functions of each structure and device in order to avoid obscuring the concept of the present invention.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, in describing the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

본 발명에 따른 방법은, 학습모듈(100) 및 시뮬레이션 모듈(200)을 포함한다.The method according to the present invention includes a learning module 100 and a simulation module 200 .

도 1 내지 도 4를 참조하여, 본 발명에 따라 지연 예측 모델 생성 방법에 대하여 설명한다.A method of generating a delay prediction model according to the present invention will be described with reference to FIGS. 1 to 4 .

학습 모듈(100)은 미리 수집된 트레이 데이터를 바탕으로, 지연 예측 모델을 생성한다. 또한, 학습 모듈(100)은 이후 새로운 트레이 데이터를 입력받아 지연 예측 모델을 더 학습시킬 수 있다.The learning module 100 generates a delay prediction model based on pre-collected tray data. In addition, the learning module 100 may further train the delay prediction model by receiving new tray data thereafter.

학습 모듈(100)은 트레이 데이터 수집부(110), 트레이 데이터 가공부(120) 및 모델링부(130)를 포함한다. 이에 대한 자세한 설명은 후술한다.The learning module 100 includes a tray data collection unit 110 , a tray data processing unit 120 , and a modeling unit 130 . A detailed description thereof will be given later.

시뮬레이션 모듈(200)은 생성된 지연 예측 모델을 이용하여 입력 데이터의 지연 여부를 판단하고, 공장을 제어하기 위한 모듈이다.The simulation module 200 is a module for determining whether input data is delayed by using the generated delay prediction model and controlling the factory.

시뮬레이션 모듈(200)은 입력부(210), 시뮬레이션부(220), 출력부(230), MES부(240) 및 AMHS부(250)를 포함한다. 이에 대한 자세한 설명은 후술한다.The simulation module 200 includes an input unit 210 , a simulation unit 220 , an output unit 230 , an MES unit 240 , and an AMHS unit 250 . A detailed description thereof will be given later.

트레이 데이터 수집부(110)에 미리 수집된 트레이 데이터가 입력된다.Tray data collected in advance is input to the tray data collection unit 110 .

트레이 데이터는 트레이 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함한다.The tray data includes information on a tray identifier, a path of a tray, the number of trays, and a time when the tray passes through each facility.

트레이 식별자는 각 트레이를 구분할 수 있도록, 각 트레이 마다 미리 설정되는 식별요소를 의미하며, 본 발명에서 각 트레이는 각각 식별될 수 있고, 이후 시뮬레이션부(220)에서 각각 식별되어 학습될 수 있다.The tray identifier means an identification element preset for each tray so as to distinguish each tray, and in the present invention, each tray can be individually identified, and thereafter, can be individually identified and learned by the simulation unit 220 .

트레이의 경로는 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서를 의미한다. 도 1을 참조하면, 트레이의 경로는 A, B, C, D, E이다.The path of the tray refers to an order of passing through any one or more facilities among a plurality of facilities. Referring to FIG. 1 , the tray paths are A, B, C, D, and E.

이하, 설비의 종류는 다수 개이고, 같은 종류의 설비는 다수이며, 같은 종류의 설비로 진입하는 컨베이어 벨트는 단일한 것으로 서술하나, 이에 제한되는 것은 아니다.Hereinafter, there are a plurality of types of equipment, there are a plurality of equipments of the same type, and the conveyor belt entering the equipment of the same type is described as a single one, but is not limited thereto.

이 때, 하나의 트레이에는 다수의 제품을 놓이며, 하나의 트레이가 다수의 제품을 운송한다. At this time, a plurality of products are placed on one tray, and one tray transports a plurality of products.

이 때, 각각의 트레이는 동일한 제품의 개수를 포함하는 것으로 가정하여 설명하나, 이에 제한되는 것은 아니다. 예를 들어, 트레이 마다 놓인 제품의 개수는 다를 수 있고, 이 경우에는 후술하는 모델링부(130)가 각 트레이 마다 포함하는 제품의 개수를 입력으로 하여 지연 예측 모델을 생성할 수 있다.At this time, each tray is described assuming that it includes the same number of products, but is not limited thereto. For example, the number of products placed on each tray may be different, and in this case, the modeling unit 130 to be described later may generate a delay prediction model by inputting the number of products included in each tray as an input.

이 때, 트레이 데이터는 산업현장에서 다수의 트레이가 다양한 경로로 동시다발적으로 운송되면서 미리 수집된 데이터를 의미할 수 있다.In this case, the tray data may refer to data collected in advance while a plurality of trays are simultaneously transported in various routes in an industrial field.

트레이 데이터 가공부(120)는 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산한다.The tray data processing unit 120 calculates the elapsed movement time between each facility and the residence time in each facility from the tray data collected by the tray data collection unit 110 .

즉, 트레이 데이터 가공부(120)는 트레이 데이터가 각 설비 통과 시각에 대한 정보를 포함하는 바, 각 설비에 어느 시점에 도달하였는지 알 수 있고, 각 설비 사이를 이동하는 이동 경과 시간과 각 설비에서의 체류 시간을 연산할 수 있다.That is, the tray data processing unit 120 includes information on the time the tray data passes through each facility, so it can know at what point the tray data has reached each facility, and the elapsed time of movement between each facility and each facility. can calculate the residence time of

모델링부(130)는 트레이 식별자, 트레이의 경로 및 트레이의 개수를 입력으로 하고, 각 설비 사이의 이동 경과 시간과 각 설비 별 체류 시간을 출력으로 하여, 학습한 지연 예측 모델을 생성한다.The modeling unit 130 receives the tray identifier, the path of the tray, and the number of trays as inputs, and outputs the elapsed movement time between each facility and the residence time for each facility to generate a learned delay prediction model.

이 때, 모델링부(130)는 트레이 식별자, 트레이의 경로 및 트레이의 개수를 입력으로 하고, 상기 각 설비 사이의 이동 경과 시간과 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성할 수 있으나, 학습 방법은 이에 제한되는 것은 아니다.At this time, the modeling unit 130 receives the tray identifier, the path of the tray, and the number of trays as inputs, and the supervised learning delay prediction is output as the elapsed time of movement between the respective facilities and the residence time for each facility. A model may be created, but the learning method is not limited thereto.

입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력된다.Input data including information on the path of the tray and the number of trays is input to the input unit 210 .

시뮬레이션부(220)는 지연 예측 모델에 따라 동작되며, 시뮬레이션부(220)는 입력데이터를 전송받고, 출력부(230)가 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력한다.The simulation unit 220 operates according to the delay prediction model, the simulation unit 220 receives input data, and the output unit 230 determines the total elapsed time of each tray for the input data and the residence time in each facility. print out

시뮬레이션부(220)는 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 트레이의 지연 여부를 판단한다.The simulation unit 220 determines whether the tray is delayed based on the output time of each tray in each facility and the elapsed time of movement between each facility.

또한, 시뮬레이션부(220)는 지연예측모델에 판단된 트레이의 지연여부를 더 학습시킬 수도 있다.In addition, the simulation unit 220 may further learn whether the tray is delayed determined by the delay prediction model.

시뮬레이션부(220)는 각 트레이의 각 설비에서의 체류 시간을 기초로 트레이의 지연 여부를 판단할 수 있다.The simulation unit 220 may determine whether the tray is delayed based on the residence time of each tray in each facility.

즉, 각 트레이는 각 설비로 이송되는 트레이의 개수가 다량으로 운송지연이 발생할 수 있다. 또한, 트레이는 각 설비의 동작 불량 또는 해당 설비의 종류의 개수 자체의 부족 등으로도 운송지연이 발생할 수 있다. 이에 따라, 각 트레이는 각 설비에서의 체류 시간이 증가될 수 있으며, 시뮬레이션부(220)는 이를 기초로 하여 각 설비마다 트레이의 지연 여부를 판단할 수 있다. That is, each tray may cause a transport delay due to a large number of trays being transported to each facility. In addition, the tray may be delayed in transportation due to a malfunction of each facility or a lack of the number of types of the corresponding equipment. Accordingly, each tray may increase the residence time in each facility, and the simulation unit 220 may determine whether the tray is delayed for each facility based on this.

시뮬레이션부(220)는 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 각 설비 중 어느 하나에서 트레이가 운송지연인 것으로 판단한다.The simulation unit 220 determines that the tray is delayed in transport in any one of the facilities when the residence time in any one of the outputted trays is greater than or equal to the preset residence time.

시뮬레이션부(220)는 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단한다.The simulation unit 220 determines that if the residence time in any one of the facilities of each tray output from the output unit 230 is less than the preset residence time, the tray in any one of the facilities is transported normally.

기설정된 체류 시간은 미리 수집된 트레이 데이터에서 각 설비에서 트레이가 체류하는 시간을 모두 합산하여 평균한 시간을 의미할 수 있으나, 이에 제한되는 것은 아니고, 사용자에 따라 조절되는 값일 수 있다.The preset residence time may mean a time averaged by adding up all the time the trays stay in each facility in the tray data collected in advance, but is not limited thereto, and may be a value adjusted according to the user.

또한, 시뮬레이션부(220)는 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간을 기초로 상기 어느 두 설비 사이에서 트레이의 지연 여부를 판단할 수 있다.Also, the simulation unit 220 may determine whether the tray is delayed between any two facilities based on the elapsed time of movement between any two of the facilities of each tray.

이 때, 트레이가 각 설비 사이를 이동한다는 것은 설비의 종류가 다른 설비 사이를 컨베이어 벨트와 같은 운송수단으로 이동하는 것을 의미한다.At this time, the tray moving between each facility means moving between facilities having different types of facilities by means of transport such as a conveyor belt.

즉, 각 트레이는 각 설비로 이송되는 트레이의 개수가 다량으로 설비로 진입하지 못하여 운송지연이 발생할 수 있다. 또한, 트레이는 각 설비 사이에서 동작 불량 또는 속도 감소 등으로 운송지연이 발생할 수 있다. 이에 따라, 각 트레이는 설비 사이에서의 이동 경과 시간이 증가될 수 있으며, 시뮬레이션부(220)는 이를 기초로 하여 각 설비마다 트레이의 지연 여부를 판단할 수 있다. That is, each tray cannot enter into the facility because the number of trays transferred to each facility is large, so a transportation delay may occur. In addition, the tray may be delayed in transportation between each facility due to a malfunction or a decrease in speed. Accordingly, the elapsed time for each tray to move between facilities may be increased, and the simulation unit 220 may determine whether the tray is delayed for each facility based on this.

시뮬레이션부(220)는 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 각 설비 사이에서 트레이가 운송지연인 것으로 판단한다.The simulation unit 220 determines that the tray is delayed in transport between the respective facilities if the output elapsed time of movement between each facility of each tray is equal to or greater than a preset elapsed time of movement.

시뮬레이션부(220)는 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 각 설비 사이에서의 트레이가 운송정상인 것으로 판단한다.The simulation unit 220 determines that if the elapsed time of movement between the respective equipments of the output trays is less than the preset elapsed time of movement, the tray between the respective equipments is normally transported.

기설정된 이동 경과 시간은 미리 수집된 트레이 데이터에서 각 설비 사이를 이동하는 시간을 모두 합산하여 평균한 시간을 의미할 수 있으나, 이에 제한되는 것은 아니고, 사용자에 따라 조절되는 값일 수 있다.The preset moving elapsed time may mean an average time by summing all moving times between each facility in the tray data collected in advance, but is not limited thereto, and may be a value adjusted according to the user.

예를 들어, 도 3을 참조하면, pr#1에서 pr#2로 이동하는 이동 경과 시간을 평균한 값이 100s인 것을 나타내며, 이 때의 표준 편차는 10s인 것을 나타낸다.For example, referring to FIG. 3 , it indicates that the average value of the elapsed time moving from pr#1 to pr#2 is 100s, and the standard deviation at this time is 10s.

또한 예를 들어, 도 4를 참조하면, 트레이 데이터의 실례를 도시되며, 이 때, LIB 3기 IR/OCV설비에서 LIB 3기 상온 Aging설비로 이송되는데 평균 총 경과 시간이 240s인 것을 나타내며, 이 때의 분산은 12.2s인 것을 나타낸다. Also, for example, referring to FIG. 4 , an example of tray data is shown, and at this time, it is transferred from the LIB 3 IR / OCV facility to the LIB 3 room temperature aging facility, indicating that the average total elapsed time is 240 s, It shows that the variance at the time is 12.2s.

시뮬레이션부(220)는 판단한 데이터를 기초로 하여 MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.The simulation unit 220 instructs the MES unit 240 and the AMHS unit 250 to control the movement paths of equipment and trays based on the determined data, and further trains the delay prediction model.

시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송지연인 것으로 판단되면, 설비 중 어느 하나로 이동되는 트레이를 운송정상인 다른 설비로 트레이의 경로를 변경하도록 MES부(240) 및 AMHS부(250)에 지시한다. If the simulation unit 220 determines that the tray is delayed in transportation in any one of the facilities, the MES unit 240 and the AMHS unit 250 change the path of the tray to another facility that is normal in transportation. ) is directed to

또는, 시뮬레이션부(220)는 운송지연인 설비로 새롭게 유입되는 트레이의 개수를 감소시키도록 제어한다.Alternatively, the simulation unit 220 controls so as to reduce the number of trays newly introduced into the equipment that is delayed in transportation.

이후, 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 지연 예측 모델을 더 학습시킨다.Thereafter, the simulation unit 220 further trains the delay prediction model with the changed tray path or the number of trays and the re-determined residence time in each facility at that time.

이 때, 시뮬레이션부(220)는 경로가 변경되는 트레이의 트레이 식별자와 트레이의 개수가 조절되는 트레이 식별자 등을 함께 학습시켜 각 트레이가 식별되도록 학습시킬 수 있다.At this time, the simulation unit 220 may learn to identify each tray by learning the tray identifier of the tray whose path is changed and the tray identifier of the number of trays adjusted together.

시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 시뮬레이션부(220)는 MES부(240)와 AMHS부(250)가 입력 데이터로 설비를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.When the simulation unit 220 determines that the tray is normal in transport in any one of the facilities, the simulation unit 220 instructs the MES unit 240 and the AMHS unit 250 to control the facility with input data, and predicts the delay. train the model further.

또한, 시뮬레이션부(220)는 각 설비 중 어느 둘 사이에서 트레이가 운송지연인 것으로 판단되면, 각 설비 중 어느 하나로 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 지연 예측 모델을 더 학습시킨다.In addition, the simulation unit 220 controls to reduce the number of trays newly introduced into any one of the facilities when it is determined that the tray is delayed in transport between any two of the facilities, and the simulation unit 220 controls the changed trays The delay prediction model is further trained with the path or number of trays of

이 때, 시뮬레이션부(220)는 경로가 변경되는 트레이의 트레이 식별자와 트레이의 개수가 조절되는 트레이 식별자 등을 함께 학습시켜 각 트레이가 식별되도록 학습시킬 수 있다.At this time, the simulation unit 220 may learn to identify each tray by learning the tray identifier of the tray whose path is changed and the tray identifier of the number of trays adjusted together.

이 때, 각 설비 중 어느 하나는 각 설비 중 어느 둘 중의 어느 하나의 설비를 의미하는 것이고, 각 설비 중 어느 둘 중의 설비 중 트레이가 이미 통과한 설비를 의미한다. In this case, any one of the respective facilities means any one of the two of the respective facilities, and it means the facility through which the tray has already passed among the two facilities among the respective facilities.

시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 시뮬레이션부(220)는 MES부(240)와 AMHS부(250)가 입력 데이터로 설비를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.When the simulation unit 220 determines that the tray is normal in transport in any one of the facilities, the simulation unit 220 instructs the MES unit 240 and the AMHS unit 250 to control the facility with input data, and predicts the delay. train the model further.

또한, 시뮬레이션부(220)는 각 트레이마다 총 경과시간을 모두 더한 값을 연산하고, 상기 값이 최소가 되는 각 트레이의 경로를 판단하여, 트레이 식별자, 변경된 경로, 총 경과 시간으로 지연 예측 모델을 더 학습시킬 수 있다.In addition, the simulation unit 220 calculates a value by adding all the total elapsed time for each tray, determines the path of each tray where the value is the minimum, and creates a delay prediction model with the tray identifier, the changed path, and the total elapsed time. can learn more.

이후, MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되어, 지연 예측 모델을 더 학습시킬 수 있다.Thereafter, new tray data is collected from the MES unit 240 and the AMHS unit 250 to further train the delay prediction model.

학습된 지연 예측 모델에 따라, 각 트레이 마다 어느 특정 경로를 따라 이동할 때 각 설비에서의 체류 시간, 설비 중 어느 둘 사이를 이동하는 이동 경과 시간을 판단할 수 있고 설비에 도달하는 시간을 판단하여, 지연 여부를 판단할 수 있다. According to the learned delay prediction model, when moving along a specific path for each tray, it is possible to determine the residence time at each facility, the elapsed time of movement between any two of the facilities, and determine the time to arrive at the facility, delay can be determined.

또한, 판단된 지연 여부를 토대로 트레이의 경로 또는 트레이의 개수를 조절하여 지연이 발생하는 것을 방지할 수 있고, 동시 다발적이며 가변되는 상황에서 지연이 발생하는 것을 최소화할 수 있다.In addition, it is possible to prevent the delay from occurring by adjusting the path of the tray or the number of trays based on the determined delay, and it is possible to minimize the occurrence of the delay in a simultaneous and variable situation.

위 설명한 본 발명의 일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. The method according to an embodiment of the present invention described above may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.

상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination.

상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software.

컴퓨터 판독 가능 기록 매체의 예에는 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 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.

프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

상기된 하드웨어 장치는 본 발명을 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The hardware devices described above may be configured to operate as one or more software modules to carry out the operations of the present invention, and vice versa.

또한, 위 설명한 본 발명의 일 실시예에 따른 방법은 상기 방법이 수행되는 시스템에 의해 수행될 수 있다.In addition, the method according to an embodiment of the present invention described above may be performed by a system in which the method is performed.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art may make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

100: 학습 모듈
110: 트레이 데이터 수집부
120: 트레이 데이터 가공부
130: 모델링부
200: 시뮬레이션 모듈
210: 입력부
220: 시뮬레이션부
230: 출력부
240: MES부
250: AMHS부100: learning module
110: tray data collection unit
120: tray data processing unit
130: modeling unit
200: simulation module
210: input unit
220: simulation unit
230: output unit
240: MES unit
250: AMHS unit

Claims (10)

다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서,
트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고,
(a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계;
(b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; 및
(c) 모델링부(130)는 상기 트레이의 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하고,
상기 (c)단계 이후,
(d) 입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력되는 단계;
(e) 시뮬레이션부(220)는 상기 지연 예측 모델에 따라 동작되며, 상기 시뮬레이션부(220)는 상기 입력데이터를 전송받고, 출력부(230)가 상기 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력하는 단계; 및
(f) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 어느 하나의 설비에서의 트레이의 지연 여부를 판단하는 단계;를 포함하고,
상기 (f)단계는,
(f1) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 상기 어느 하나의 설비에서 트레이가 운송지연인 것으로 판단하는 단계;
(f2) 상기 시뮬레이션부(220)는 상기 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 상기 어느 하나의 설비에서 트레이가 운송정상인 것으로 판단하는 단계;
(f3) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 두 설비 사이 에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 상기 어느 두 설비 사이에서 트레이가 운송지연인 것으로 판단하는 단계; 및
(f4) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 상기 어느 두 설비 사이에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함하고,
상기 (f)단계 이후,
(g) 상기 시뮬레이션부(220)는 상기 (f)단계에서 판단한 데이터를 기초로 하여, MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 및
(h) 상기 MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되는 단계; 를 포함하고,
상기 (g)단계는,
(g1) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 상기 설비 중 어느 하나로 이동되는 트레이를 상기 운송정상인 다른 설비로 트레이의 경로를 변경하도록 상기 MES부(240) 및 상기 AMHS부(250)에 지시하거나 또는 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 상기 지연 예측 모델을 더 학습시키는 단계;
(g2) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계;
(g3) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및
(g4) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 포함하는,
지연 예측 모델 생성 방법.
A method of generating a delay prediction model using a tray including a plurality of facilities and manufactured according to a path that is an order of passing through any one or more facilities of the plurality of facilities,
The path of the tray means the order through each facility,
(a) inputting pre-collected tray data including information on the identifier of the tray, the path of the tray, the number of trays, and the time of passage through each facility of the tray to the tray data collection unit 110 ;
(b) calculating, in the tray data processing unit 120, the elapsed time of movement between each facility and the residence time in each facility from the tray data collected by the tray data collecting unit 110; and
(c) the modeling unit 130 receives the identifier of the tray, the path of the tray, and the number of trays as inputs, and outputs the elapsed time of movement between the respective facilities and the residence time for each of the facilities as outputs, a delay prediction model generating by learning; including,
After step (c),
(d) inputting input data including information on a path of a tray and the number of trays to the input unit 210;
(e) the simulation unit 220 operates according to the delay prediction model, the simulation unit 220 receives the input data, and the output unit 230 determines the total elapsed time of each tray for the input data and outputting the residence time in each facility; and
(f) determining, by the simulation unit 220, whether the tray is delayed in any one facility based on the output time spent in each facility of each tray and the elapsed time of movement between each facility; do,
The step (f) is,
(f1) determining, by the simulation unit 220, that if the residence time in any one of the outputted trays is greater than or equal to the preset residence time, determining that the tray is delayed in transport in any one of the facilities;
(f2) The simulation unit 220 determines that the tray is normal in transport in any one facility if the residence time in any one of the facilities of each tray output from the output unit 230 is less than the preset residence time judging;
(f3) the simulation unit 220 determines that the tray is delayed in transport between any two facilities, if the elapsed time of movement between any two facilities of each facility of each tray is greater than or equal to the preset elapsed time of movement to do; and
(f4) step of the simulation unit 220, if the elapsed time of movement between any two of each facility of each tray outputted is less than a preset elapsed time of movement, determining that the tray is normal in transport between the two facilities including;
After step (f),
(g) the simulation unit 220 instructs the MES unit 240 and the AMHS unit 250 to control the movement paths of equipment and trays based on the data determined in step (f), and predicts the delay further training the model; and
(h) collecting new tray data from the MES unit 240 and the AMHS unit 250; including,
The step (g) is,
(g1) If the simulation unit 220 determines that the tray is delayed in transportation in any one of the facilities in step (f), the tray moved to any one of the facilities is the path of the tray to the other facility that is normal in transportation Instructs the MES unit 240 and the AMHS unit 250 to change or controls to reduce the number of newly introduced trays, and the simulation unit 220 includes the changed tray path or number of trays and further learning the delay prediction model with the re-determined residence time in each facility at that time;
(g2) When the simulation unit 220 determines that the tray is normal in transport in any one of the facilities in step (f), the simulation unit 220 determines whether the MES unit 240 and the AMHS unit 250 are instructing the equipment to be controlled with the input data, and further training the delay prediction model;
(g3) the simulation unit 220 controls to reduce the number of newly introduced trays when it is determined that the tray is delayed in any one of the facilities between each facility in step (f), and the simulation unit ( 220) further learning the delay prediction model with the changed tray path or the number of trays and the elapsed time of movement between each facility re-determined at that time; and
(g4) If the simulation unit 220 determines that the tray is transported normally in any one of the facilities between each facility in the step (f), the simulation unit 220 performs the MES unit 240 and the AMHS unit 250 instructing to control the facility with the input data, and further training the delay prediction model; containing,
How to create a delayed prediction model.
 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 (c)단계는,
상기 모델링부(130)가 상기 트레이 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성하는 단계;를 포함하는,
지연 예측 모델 생성 방법.
According to claim 1,
Step (c) is,
Supervised learning delay in which the modeling unit 130 inputs the tray identifier, the path of the tray, and the number of trays as inputs, and outputs the elapsed time of movement between each facility and the residence time for each facility Including; generating a predictive model;
How to create a delayed prediction model.
 제1항 또는 제8항에 따른 방법이 수행되는, 지연 예측 모델 생성 시스템.
A system for generating a delayed prediction model, in which the method according to claim 1 or 8 is performed.
 제1항 또는 제8항에 따른 방법이 수행되도록 저장매체에 기록되는 지연 예측 모델 생성 프로그램.
A delay prediction model generation program recorded in a storage medium so that the method according to claim 1 or 8 is performed.
KR1020200151096A 2020-11-12 2020-11-12 Delay prediction model generation method using production management system and logistics delay prediction method using the same KR102443618B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200151096A KR102443618B1 (en) 2020-11-12 2020-11-12 Delay prediction model generation method using production management system and logistics delay prediction method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200151096A KR102443618B1 (en) 2020-11-12 2020-11-12 Delay prediction model generation method using production management system and logistics delay prediction method using the same

Publications (2)

Publication Number Publication Date
KR20220064707A KR20220064707A (en) 2022-05-19
KR102443618B1 true KR102443618B1 (en) 2022-09-16

Family

ID=81805015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200151096A KR102443618B1 (en) 2020-11-12 2020-11-12 Delay prediction model generation method using production management system and logistics delay prediction method using the same

Country Status (1)

Country Link
KR (1) KR102443618B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344015A (en) * 2022-08-16 2022-11-15 厦门烟草工业有限责任公司 Cigarette production system generation method and device and storage medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013049500A (en) * 2011-08-30 2013-03-14 Murata Machinery Ltd Simulation system and simulation method for guided vehicle system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101841753B1 (en) * 2006-08-18 2018-03-23 브룩스 오토메이션 인코퍼레이티드 Reduced capacity carrier, transport, load port, buffer system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013049500A (en) * 2011-08-30 2013-03-14 Murata Machinery Ltd Simulation system and simulation method for guided vehicle system

Also Published As

Publication number Publication date
KR20220064707A (en) 2022-05-19

Similar Documents

Publication Publication Date Title
Luis et al. Online trajectory generation with distributed model predictive control for multi-robot motion planning
Kianfar et al. A control matching model predictive control approach to string stable vehicle platooning
Jonker et al. Coordinated optimization of equipment operations in a container terminal
Nishi et al. Petri net decomposition approach for dispatching and conflict-free routing of bidirectional automated guided vehicle systems
Bartlett et al. Congestion-aware dynamic routing in automated material handling systems
Tarau et al. Model-based control for route choice in automated baggage handling systems
KR102443618B1 (en) Delay prediction model generation method using production management system and logistics delay prediction method using the same
Kersbergen et al. Towards railway traffic management using switching Max-plus-linear systems: Structure analysis and rescheduling
KR101993476B1 (en) Ship block logistics simulation modeling method using logistics token and process-centric modeling method
US7962235B2 (en) Operation instructing system, method for instructing operation, and operation instructing apparatus
PH12016500966B1 (en) Semiconductor device handler throughput optimization
Nabi et al. Performance evaluation of a carousel configured multiple products flexible manufacturing system using Petri net
CN112001111A (en) Optimization apparatus, optimization method, and recording medium
Karunakaran et al. Dynamic job shop scheduling under uncertainty using genetic programming
Pehrsson et al. Aggregated line modeling for simulation and optimization of manufacturing systems
Nishida et al. Dynamic optimization of conflict-free routing of automated guided vehicles for just-in-time delivery
Sirmatel et al. Dynamical modeling and predictive control of bus transport systems: A hybrid systems approach
Karkula Selected aspects of simulation modelling of internal transport processes performed at logistics facilities
Liu et al. Modeling and efficient passenger-oriented control for urban rail transit networks
Nishida et al. Just-in-time routing and scheduling for multiple automated guided vehicles
Zaidi et al. Optimisation and simulation of transportation tasks in flexible job shop with muti-robot systems
Boel et al. • Approaches to Modelling, Analysis and Control of Hybrid Systems
Soroush et al. Efficiency analysis and optimisation of a multi-product assembly line using simulation
Fazlollahtabar et al. A Monte Carlo simulation to estimate TAGV production time in a stochastic flexible automated manufacturing system: a case study
Jaiem et al. Toward performance guarantee for autonomous mobile robotic mission: An approach for hardware and software resources management

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)