KR102469229B1 - Fishbone diagram management system based on artifical intelligence and method thereof - Google Patents

Fishbone diagram management system based on artifical intelligence and method thereof Download PDF

Info

Publication number
KR102469229B1
KR102469229B1 KR1020200181435A KR20200181435A KR102469229B1 KR 102469229 B1 KR102469229 B1 KR 102469229B1 KR 1020200181435 A KR1020200181435 A KR 1020200181435A KR 20200181435 A KR20200181435 A KR 20200181435A KR 102469229 B1 KR102469229 B1 KR 102469229B1
Authority
KR
South Korea
Prior art keywords
data
visualization
fishbone
machine learning
unit
Prior art date
Application number
KR1020200181435A
Other languages
Korean (ko)
Other versions
KR20220090681A (en
Inventor
반기동
강용태
최수영
유민상
이상훈
Original Assignee
한솔코에버 주식회사
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 한솔코에버 주식회사 filed Critical 한솔코에버 주식회사
Priority to KR1020200181435A priority Critical patent/KR102469229B1/en
Publication of KR20220090681A publication Critical patent/KR20220090681A/en
Application granted granted Critical
Publication of KR102469229B1 publication Critical patent/KR102469229B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06Q10/0633—Workflow analysis
    • 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

Abstract

본 발명은 피쉬본 다이어그램 관리 시스템 및 그 방법에 관한 것이다. 본 발명에 따른 방법은, 제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 관리하는 방법으로, 제조 현장과 관련된 로데이터(raw data)를 입력받는 과정, 로데이터를 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하는 과정, 머신러닝을 통해 학습된 결과에 따라, 로데이터에서 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하는 과정, 제1 그룹의 데이터와, 전문가에 의해 작성된 제2 그룹의 데이터에 기초하여, 업데이트할 최종 데이터를 선택하는 과정, 및 최종 데이터 를 사용하여 피쉬본 다이어그램을 업데이트 하는 과정을 포함한다. 본 발명에 따르면, 머신러닝을 기반으로 공정 관리를 위한 피쉬본 다이어그램을 효율적으로 관리할 수 있다.The present invention relates to a fishbone diagram management system and method. The method according to the present invention is a method of managing a fishbone diagram for process management at a manufacturing site, a process of receiving raw data related to the manufacturing site, and using normalized raw data as learning data The process of performing machine learning, the process of extracting the data of the first group to update the fishbone diagram from the raw data according to the result learned through machine learning, the data of the first group, and the second group created by experts The process of selecting final data to be updated based on the data of , and the process of updating the fishbone diagram using the final data. According to the present invention, it is possible to efficiently manage fishbone diagrams for process management based on machine learning.

Description

인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법{Fishbone diagram management system based on artifical intelligence and method thereof}Fishbone diagram management system based on artificial intelligence and method thereof}

본 발명은 피시본 다이어그램 관리 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 머신러닝을 기반으로 관리할 수 있는 피시본 다이어그램 관리 시스템 및 그 방법에 관한 것이다.The present invention relates to a fishbone diagram management system and method, and more particularly, to a fishbone diagram management system and method capable of managing a fishbone diagram for process management at a manufacturing site based on machine learning. .

제조 현장의 공정 관리는 원재료부터 최종 제품에 이르기까지 원재료나 부분품의 가공 및 조립의 흐름을 순서있고 능률적인 방법으로 계획하고 순서를 정하고 예정을 세워 작업을 할달하고 독촉하는 절차하고 할 수 있다.Process management at the manufacturing site can be the process of assigning and prompting work by planning, sequencing and scheduling the flow of processing and assembly of raw materials or parts from raw materials to final products in an orderly and efficient manner.

그런데, 공정 관리 중에 제품에 불량이 발생하면 특정 전문가를 제외하고는 불량의 원인을 분석할 수 있는 능력이 없기 때문에 제조 현장에서 그 원인을 파악하여 적절한 조치를 취하는 것이 매우 어렵다. However, when a defect occurs in a product during process management, it is very difficult to determine the cause at the manufacturing site and take appropriate measures because there is no ability to analyze the cause of the defect except for a specific expert.

이러한 점을 해결하기 위해, 전문가와 협의를 통해 작성된 데이터를 사용하여 작성된 피쉬본 다이어그램(fishbone diagram)을 이용하여, 공정 중 발생한 불량의 원인과 영향, 해결 방안 등을 제시할 수 있는 동적 모니터링 시스템이 개발되고 있다.In order to solve this problem, a dynamic monitoring system that can present the causes and effects of defects occurring during the process and solutions using fishbone diagrams prepared using data prepared through consultation with experts is developed. are being developed

그러나, 이러한 동적 모니터링 시스템의 경우에도, 피쉬본 다이어그램의 데이터를 업데이트하고 효율적으로 관리하기 위해서는, 전문가의 지원이 지속적으로 필요하므로, 신속하게 관련 데이터를 업데이트하는 것이 어렵고, 제조 현장의 환경 변화 등을 반영한 데이터를 신속하게 사용하지 못함에 따라 정확한 결과 도출에 어려움이 있을 수 있다.However, even in the case of such a dynamic monitoring system, since expert support is constantly required to update and efficiently manage fishbone diagram data, it is difficult to quickly update relevant data, and it is difficult to change the environment at the manufacturing site. As the reflected data cannot be used promptly, it may be difficult to derive accurate results.

따라서, 제조 현장의 관리를 위한 피쉬본 다이어그램을 머신러닝 기반으로 관리할 수 있도록 하여, 이를 기반으로 효율적인 공정 관리를 지원할 수 있도록 하는 방안을 고려해 볼 필요가 있다.Therefore, it is necessary to consider a method of supporting efficient process management based on machine learning-based management of fishbone diagrams for management of manufacturing sites.

대한민국 공개특허공보 제10-2019-0081691호, 공개일자 2019년 7월 9일.Republic of Korea Patent Publication No. 10-2019-0081691, published on July 9, 2019. 대한민국 등록특허공보 제10-2073085호, 공고일자 2020년 1월 29일.Republic of Korea Patent Registration No. 10-2073085, date of publication January 29, 2020. 대한민국 공개특허공보 제10-2016-0034023호, 공개일자 2016년 3월 29일.Republic of Korea Patent Publication No. 10-2016-0034023, published on March 29, 2016.

따라서, 본 발명의 목적은, 제조 현장의 공정 관리를 위한 피쉬본 다이어그램의 데이터를 머신러닝을 기반으로 업데이트할 수 있으며, 업데이트된 중요한 데이터를 다양한 방식으로 시각화하여 표시할 수 있는 피쉬본 다이어그램 관리 시스템 및 그 방법을 제공함에 있다. Accordingly, an object of the present invention is a fishbone diagram management system capable of updating fishbone diagram data for process management at a manufacturing site based on machine learning and visualizing and displaying updated important data in various ways. And to provide the method.

상기 목적을 달성하기 위한 본 발명에 따른 방법은, 제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 관리하며, 상기 제조 현장과 관련된 로데이터(raw data)를 입력받는 단계, 상기 로데이터를 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하는 단계, 상기 머신러닝을 통해 학습된 결과에 따라, 상기 로데이터에서 상기 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하는 단계, 상기 제1 그룹의 데이터와, 전문가에 의해 작성된 제2 그룹의 데이터에 기초하여, 업데이트할 최종 데이터를 선택하는 단계, 및 상기 최종 데이터를 사용하여 상기 피쉬본 다이어그램을 업데이트 하는 단계를 포함한다.In order to achieve the above object, the method according to the present invention manages a fishbone diagram for process management at a manufacturing site, receives raw data related to the manufacturing site, and normalizes the raw data Performing machine learning using as learning data, extracting a first group of data to update the fishbone diagram from the raw data according to a result learned through the machine learning, Selecting final data to be updated based on the data and a second group of data prepared by an expert, and updating the fishbone diagram using the final data.

상기 업데이트된 피쉬본 다이어그램에서 선택된 N개의 데이터를 시각화하여 표시하는 단계를 더 포함할 수 있으며, 상기 시각화하여 표시하는 단계는, 슬라이딩 원도우 코릴레이션을 이용한 시각화, 슬라이딩 원도우 상호정보량를 이용한 시각화, ARIMA 모델을 이용한 시각화, 데이터 간의 관계를 점수화하여 표시하는 시각화 중 어느 하나를 사용할 수 있다. The method may further include visualizing and displaying N pieces of data selected from the updated fishbone diagram, wherein the visualizing and displaying may include visualization using sliding window correlation, visualization using sliding window mutual information, and an ARIMA model. Any one of the visualization used and the visualization that scores and displays the relationship between data can be used.

또한, 상기 목적을 달성하기 위한 본 발명에 따른 시스템은, 제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 관리하며, 상기 제조 현장과 관련된 로데이터(raw data)를 입력받는 데이터 입력부, 상기 로데이터를 정규화한 데이터를 출력하는 데이터 정규화부, 상기 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하고, 상기 머신러닝을 통해 학습된 결과에 따라, 상기 로데이터에서 상기 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하는 머신러닝부, 상기 제1 그룹의 데이터와, 전문가에 의해 작성된 제2 그룹의 데이터에 기초하여, 업데이트할 최종 데이터를 선택하는 데이터 추출부, 및 상기 최종 데이터를 사용하여 상기 피쉬본 다이어그램을 업데이트 하는 피쉬본 관리부를 포함한다.In addition, the system according to the present invention for achieving the above object manages the fishbone diagram for process management of the manufacturing site, and a data input unit for receiving raw data related to the manufacturing site, the raw data A data normalizer that outputs normalized data, performs machine learning using the normalized data as training data, and updates the fishbone diagram in the raw data according to a result learned through the machine learning. A machine learning unit extracting group data, a data extraction unit selecting final data to be updated based on the first group data and the second group data created by an expert, and using the final data It includes a fishbone management unit that updates the fishbone diagram.

그리고, 상기 목적을 달성하기 위하여 본 발명에서는, 상기 방법을 프로세서에서 실행시키기 위한 프로그램을 기록한 프로세서가 읽을 수 있는 기록매체를 제공할 수 있다. And, in order to achieve the above object, in the present invention, it is possible to provide a processor-readable recording medium on which a program for executing the method in a processor is recorded.

본 발명에 따르면, 제조 현장의 공정 관리를 위한 피쉬본 다이어그램의 데이터를 머신러닝을 기반으로 업데이트할 수 있으며, 업데이트된 중요한 데이터를 다양한 방식으로 시각화하여 표시할 수 있다. 이에 의해, 제조 현장의 상황 변화 등에 따라 관련 데이터를 신속하게 업데이트할 수 있으며, 데이터 시각화를 통해 업데이트된 데이터를 용이하게 파악할 수 있어, 효율적인 공정 관리가 가능하다. 또한, 피쉬본 다이어그램 데이터와 머신러닝을 이용하여 제조 현장의 생산 운영 등에 필요한 분석 및 예측을 제공할 수 있으며, 사전 진단 기능도 제공할 수 있다. 또한, 이러한 분석 및 예측과 사전 진단 기능 등을 통해 비효율적인 장비에 대한 분석 및 기존 장비에 대한 개선도 가능하다. According to the present invention, fishbone diagram data for process management at a manufacturing site can be updated based on machine learning, and important updated data can be visualized and displayed in various ways. Accordingly, related data can be quickly updated according to changes in circumstances at the manufacturing site, and updated data can be easily grasped through data visualization, enabling efficient process management. In addition, by using fishbone diagram data and machine learning, it is possible to provide analysis and prediction necessary for production operation at the manufacturing site, as well as a pre-diagnosis function. In addition, it is possible to analyze inefficient equipment and improve existing equipment through such analysis, prediction, and pre-diagnosis functions.

도 1은 본 발명에 따른 피쉬본 다이어그램 관리 방법이 적용되는 시스템의 일 예를 나타낸 도면,
도 2는 도 1에서 통합 관리부의 블럭 구성도,
도 3은 피쉬본 다이어그램의 일 예를 나타낸 도면,
도 4는 본 발명의 일실시예에 따른 피쉬본 다이어그램 관리 방법에 대한 설명에 제공되는 흐름도,
도 5는 랜덤 포레스트의 설명에 참조되는 도면,
도 6은 DNN의 설명에 참조되는 도면, 그리고
도 7 및 도 8은 본 발명의 일실시예에 따른 피쉬본 다이어그램 관리 방법에 대한 설명에 참조되는 도면이다.1 is a diagram showing an example of a system to which a fishbone diagram management method according to the present invention is applied;
2 is a block configuration diagram of an integrated management unit in FIG. 1;
3 is a diagram showing an example of a fishbone diagram;
4 is a flowchart provided to explain a fishbone diagram management method according to an embodiment of the present invention;
5 is a diagram referenced for description of a random forest;
6 is a diagram referenced in the description of the DNN, and
7 and 8 are diagrams referenced for description of a fishbone diagram management method according to an embodiment of the present invention.

본 명세서에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 그 다른 구성요소에 직접적으로 연결되어 있거나 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에" 또는 "~에 이웃하는" 등과, 어떤 구성요소가 다른 구성요소로 신호를 "전송한다" 와 같은 표현도 마찬가지로 해석되어야 한다.In this specification, when a component is referred to as being “connected” or “connected” to another component, it may be directly connected or connected to the other component, but there may be other components in the middle. It should be understood that it may be Other expressions describing the relationship between components, such as "between" or "adjacent to", and expressions such as "transmitting" a signal from one component to another, should be interpreted similarly.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.

도 1은 본 발명에 따른 피쉬본 다이어그램 관리 방법이 적용되는 시스템의 일 예를 나타낸 것이다.1 shows an example of a system to which a fishbone diagram management method according to the present invention is applied.

도 1을 참조하면, 본 시스템(100)은, 스마트 센서부(150), 제1 내지 제n 스마트 게이트웨이(Smart Gateway)(200a ~ 200n), 및 통합 관리부(300)를 포함할 수 있다. Referring to FIG. 1 , the system 100 may include a smart sensor unit 150, first to n-th smart gateways 200a to 200n, and an integrated management unit 300.

스마트 센서부(150)는 센서 어댑터(110a ~ 110n) 및 스마트 센서(130a ~ 130n) 등을 포함할 수 있으며, 제조 현장에 설치되어, 제조 현황과 관련된 각종 데이터를 수집하여, 제1 내지 제n 스마트 게이트웨이(200a ~ 200n)로 전송할 수 있다. 예컨대, 스마트 센서부(150)는 공정 관련 데이터, 기기 관련 데이터, 환경 정보 데이터 등을 수집할 수 있다. The smart sensor unit 150 may include sensor adapters 110a to 110n and smart sensors 130a to 130n, and is installed at a manufacturing site to collect various data related to the manufacturing status, and to collect first through nth data. It can be transmitted to the smart gateways 200a to 200n. For example, the smart sensor unit 150 may collect process-related data, device-related data, environment information data, and the like.

센서 어댑터(110a ~ 110n)는 기존에 제조 현장에 설치되어 있는 센서로부터 유무선을 통해 모니터링 데이터를 수신하여, 제1 내지 제n 스마트 게이트웨이(200a ~ 200n)로 전송할 수 있다. The sensor adapters 110a to 110n may receive monitoring data from sensors previously installed in manufacturing sites through wired/wireless transmission and transmit the monitoring data to the first to nth smart gateways 200a to 200n.

스마트 센서(130a ~ 130n)는 지능화된 센서로 측정 대상물의 물리, 화학적 정보를 감지하는 일반 센서기술에 나노기술 또는 MEMS 기술을 접목하여 데이터 처리, 자동보정, 자가진단, 의사결정, 통신 등의 신호처리 기능을 내장할 수 있다. The smart sensor (130a ~ 130n) is an intelligent sensor that combines nanotechnology or MEMS technology with general sensor technology that detects physical and chemical information of a measurement object, and provides signals such as data processing, automatic correction, self-diagnosis, decision-making, and communication. Processing functions can be built in.

제1 내지 제n 스마트 게이트웨이(200a ~ 200n)는 스마트 센서부(150)로부터 전달되는 제조 현황과 관련된 데이터를 실시간으로 측정 및 분석할 수 있다.The first to nth smart gateways 200a to 200n may measure and analyze data related to manufacturing status transmitted from the smart sensor unit 150 in real time.

통합 관리부(300)는 제1 내지 제n 스마트 게이트웨이(200a ~ 200n)와 유선이나 무선 네트워크를 통해 통신 가능하게 연결된다. 통합 관리부(300)는 제조 현장의 공정 관리 등을 위한 피쉬본 다이어그램(fishbone diagram)을 관리하며, 사용자가 선택에 따라, 다양한 방식으로 피쉬본 다이어그램을 표시할 수 있다.The integrated management unit 300 is communicatively connected to the first to n-th smart gateways 200a to 200n through a wired or wireless network. The integrated management unit 300 manages a fishbone diagram for process management at a manufacturing site, and may display the fishbone diagram in various ways according to a user's selection.

또한, 통합 관리부(300)는, 제1 내지 제n 스마트 게이트웨이(200a ~ 200n)를 통해 측정 및 분석된 데이터와, 머신러닝을 통한 모델링과 시뮬레이션 기법을 활용하여, 공장 운영이나 공장 스마트화에 필요한 각종 정보, 단위 설비 분석, 공정 에너지 효율 분석, 생산성 분석 등에 필요한 정보를 제공할 수 있다. 예컨대, 통합 관리부(300)는 실적 데이터를 기반으로 새로운 주문에 대한 세팅 레시피를 도출하고, 불량 발생의 실시간 예측 및 알림 기능을 제공할 수 있다. In addition, the integrated management unit 300 utilizes the data measured and analyzed through the first to nth smart gateways 200a to 200n, and modeling and simulation techniques through machine learning, necessary for factory operation or factory smartization. It can provide necessary information such as various types of information, unit facility analysis, process energy efficiency analysis, and productivity analysis. For example, the integrated management unit 300 may derive a setting recipe for a new order based on performance data and provide a real-time prediction and notification function of occurrence of defects.

통합 관리부(300)는 특정한 상황 변화에 따른 즉각적인 대처가 가능하도록 관련 정보를 제공하며, 전문가를 포함한 사용자 중심의 UI 환경을 제공할 수 있으며, 축적된 정보를 원하는 공정 처리 순서로 데이터를 조회할 수 있도록 한다. 또한, 통합 관리부(300)는 품질 불량 예측 정보, 설비 이상발생 예측 정보, 설비수명 예측 정보, 현장 이상발생 예측 정보 등도 제공할 수 있으며, 최적의 작업 조건도 제시할 수도 있다.The integrated management unit 300 provides relevant information to enable immediate response to a specific situation change, can provide a user-centered UI environment including experts, and can search data in a desired process processing order for accumulated information. let it be In addition, the integrated management unit 300 may provide quality defect prediction information, facility failure prediction information, facility life prediction information, field failure prediction information, and the like, and may also suggest optimal working conditions.

도 2는 도 1에서 통합 관리부의 블럭 구성도이다.FIG. 2 is a block configuration diagram of an integrated management unit in FIG. 1 .

도 2를 참조하면, 통합 관리부(300)는 데이터 입력부(310), 데이터 정규화부(320), 머신러닝부(330), 데이터 추출부(340), 피쉬본 관리부(350), 데이터 시각화부(360), 및 동적 모니터링부(370)를 포함할 수 있다. Referring to FIG. 2 , the integrated management unit 300 includes a data input unit 310, a data normalization unit 320, a machine learning unit 330, a data extraction unit 340, a fishbone management unit 350, a data visualization unit ( 360), and a dynamic monitoring unit 370.

이와 같은 구성요소들은 실제 응용에서 구현될 때 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다.When these components are implemented in actual applications, two or more components may be combined into one component, or one component may be subdivided into two or more components as needed.

데이터 입력부(310)는 제조 현장과 관련된 로데이터(raw data)를 입력받는다. 로데이터는 스마트 센서부(150)를 통해 수집할 수 있으며, 이외에도 통합 관리부(300)와 연결된 클라우드 시스템 등을 통해 제공될 수도 있다.The data input unit 310 receives raw data related to the manufacturing site. Raw data may be collected through the smart sensor unit 150, and may also be provided through a cloud system connected to the integrated management unit 300 or the like.

데이터 정규화부(320)는 로데이터를 정규화한 데이터를 출력한다.The data normalization unit 320 outputs raw data normalized data.

머신러닝부(330)은 데이터 정규화부(320)에서 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하고, 머신러닝을 통해 학습된 결과에 따라, 로데이터에서 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출한다. 머신러닝(machine learning) 또는 기계 학습은 인공 지능의 한 분야로, 컴퓨터에 미리 준비된 학습데이터를 훈련시켜, 훈련된 지식을 기반으로 새로운 입력에 대하여 적절한 답을 찾고자 하는 일련의 과정이라 할 수 있다. 이때, 컴퓨터를 훈련시키는 학습데이터가 질문(training input)과 정답(training output)이 모두 주어진 경우, 레이블링(labeling) 되어 있다고 한다.The machine learning unit 330 performs machine learning using the data normalized by the data normalization unit 320 as training data, and according to the result learned through machine learning, a first step to update the fishbone diagram in the raw data Extract group data. Machine learning or machine learning is a field of artificial intelligence, and can be said to be a series of processes in which a computer is trained with pre-prepared learning data to find an appropriate answer for a new input based on the trained knowledge. At this time, when the training data for training the computer is given both a question (training input) and a correct answer (training output), it is said to be labeled.

머신러닝부(330)는 제1 그룹의 데이터 추출시, 특정 공정에서 어떤 결과의 발생에 가장 큰 영향이나 원인을 제공하는 데이터들을 그 중요도 순서에 따라 순위를 매겨 추출할 수 있다. When extracting the first group of data, the machine learning unit 330 may rank and extract data having the greatest influence or cause for the occurrence of a certain result in a specific process in order of importance.

데이터 추출부(340)는 제1 그룹의 데이터와, 제1 그룹의 데이터에 대응하는 특정 공정에 대해 전문가에 의해 작성된 중요한 데이터 그룹인 제2 그룹의 데이터를 비교하여, 업데이트할 최종 데이터를 선택한다.The data extraction unit 340 compares the data of the first group with the data of the second group, which is an important data group prepared by an expert for a specific process corresponding to the data of the first group, and selects the final data to be updated. .

피쉬본 관리부(350)는 최종 데이터를 사용하여 피쉬본 다이어그램을 업데이트 한다. The fishbone management unit 350 updates the fishbone diagram using the final data.

데이터 시각화부(360)는 업데이트된 피쉬본 다이어그램에서 선택된 N개의 데이터를 그래프 등의 형태로 시각화하거나, 데이터의 군집이나 추세 등을 시각화하여 표시할 수 있다. The data visualization unit 360 may visualize the N pieces of data selected from the updated fishbone diagram in the form of a graph or the like, or may visualize and display data clusters or trends.

동적 모니터링부(370)는 스마트 센서부(150)를 통해 수집된 데이터와 머신러닝을 통해 파악된 패턴에 따라 동적 모니터링 서비스를 제공할 수 있다. 동적 모니터링부(370)는 수집된 데이터의 오류 검출 및 수정, 제거 방안을 수립할 수 있으여, 다양한 비정형 데이터 가공 및 융합을 통한 통합 관리 모델을 도출할 수 있으며, 로데이터 수집을 통해 데이터 특성 분석과 구조 단일화 방안 등을 수립할 수 도 있다. The dynamic monitoring unit 370 may provide a dynamic monitoring service according to patterns identified through data collected through the smart sensor unit 150 and machine learning. The dynamic monitoring unit 370 can establish a method for detecting, correcting, and removing errors in the collected data, thereby deriving an integrated management model through processing and convergence of various unstructured data, and analyzing data characteristics through raw data collection It is also possible to establish a plan to unify the structure and structure.

도 3은 피쉬본 다이어그램(fishbone diagram)의 일 예를 나타낸 도면이다.3 is a diagram illustrating an example of a fishbone diagram.

도 3에 도시한 바와 같이, 피쉬본 다이어그램은 자료분석 도구로서, 생긴모양이 생선뼈처럼 생겼다하여 붙여진 이름으로, 문제가 커다란 가시를 이루고, 해결 또는 원인, 영향 등이 가시에 살처럼 붙어있는 형상이다. As shown in FIG. 3, fishbone diagram is a data analysis tool. It is named because it looks like a fish bone. A problem forms a large thorn, and a solution, cause, or effect is attached like flesh to the thorn. to be.

피쉬본 다이어그램은 원인과 결과를 확인하기 위한 용도, 프로세스 초기 단계에 있는 문제점들을 파악하기 위해서 사용하기도 하며, 예상과 결과치를 분석하기 위해서도 사용한다. 대부분 자료분석툴로 사용하지만 최근 스타트업에서도 시장성 및 수익성 파악을 위한 도구로서 사용하기도 한다.Fishbone diagrams are used to identify cause and effect, to identify problems in the early stages of a process, and to analyze expectations and results. It is mostly used as a data analysis tool, but recently startups are also using it as a tool for identifying marketability and profitability.

도 4는 본 발명의 일실시예에 따른 피쉬본 다이어그램 관리 방법에 대한 설명에 제공되는 흐름도이다.4 is a flowchart provided to explain a fishbone diagram management method according to an embodiment of the present invention.

도 4를 참조하면, 데이터 입력부(310)는 제조 현장과 관련된 로데이터(raw data)를 입력받는다(S400). 이러한 로데이터에는 스마트 센서부(150) 등에서 수집할 수 있으며, 공정 관련 데이터, 기기 관련 데이터, 환경 관련 데이터 등이 포함될 수 있다.Referring to FIG. 4 , the data input unit 310 receives raw data related to the manufacturing site (S400). Such raw data may be collected from the smart sensor unit 150 and the like, and may include process-related data, device-related data, environment-related data, and the like.

데이터 정규화부(320)는 입력받은 로데이터에 대한 데이터 정규화 과정을 수행한다(S405). 데이터 정규화 과정은 모든 데이터 포인트가 동일한 정도의 스케일(중요도)로 반영되도록 하는 것으로, 데이터 정규화 과정에 의해 머신러닝의 학습 능률을 높일 수 있다. 데이터 정규화 방법으로는, 최소-최대 정규화(Min-Max Normalization) 방법, Z-점수 정규화(Z-Score Normalization) 방법 등을 사용할 수 있다.The data normalization unit 320 performs a data normalization process on the received raw data (S405). The data normalization process is to ensure that all data points are reflected on the same scale (importance), and the learning efficiency of machine learning can be increased by the data normalization process. As a data normalization method, a min-max normalization method, a Z-score normalization method, or the like may be used.

다음으로, 머신러닝부(330)는 정규화된 데이터를 학습데이터로 사용하여, 랜덤 포레스트(random forest)나 DNN(Deep Neural Network) 등 머신 러닝 기법으로 학습을 수행한다(S410).Next, the machine learning unit 330 uses the normalized data as training data and performs learning using a machine learning technique such as a random forest or deep neural network (DNN) (S410).

랜덤 포레스트는, 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 도 5에 나타낸 바와 같이, 학습 과정에서 구성한 다수의 결정 트리로부터 분류 결과를 취합하여 결론을 내리는 구조를 사용한다.Random Forest is a type of ensemble learning method used for classification, regression analysis, etc. As shown in FIG.

DNN은, 도 6에 나타낸 바와 같이, 은닉층(hidden layer)을 2개 이상 지닌 학습 방법을 의미하며, 컴퓨터 스스로가 분류 레이블을 만들어 내고, 공간을 왜곡하여 데이터를 구분짓는 과정을 반복하여 최적의 구분선을 도출할 수 있다. DNN, as shown in FIG. 6, means a learning method with two or more hidden layers, and the computer itself generates classification labels and repeats the process of distorting space to classify data to obtain an optimal dividing line can be derived.

이와 같은 과정은 머신 러닝 과정은, 머신러닝부(330)에서 직접 수행할 수도 있고, 머신러닝부(330)의 제어에 따라 별도의 서버 시스템에서 수행하도록 구성할 수도 있다. Such a machine learning process may be directly performed by the machine learning unit 330 or may be configured to be performed in a separate server system under the control of the machine learning unit 330 .

머신러닝부(330)는 머신러닝을 통해 학습된 결과에 따라, 로데이터에서 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하고, 데이터 추출부(340)는 제1 그룹의 데이터와 전문가에 의해 작성된 중요 데이터 그룹인 제2 그룹의 데이터를 이용하여, 업데이트할 최종 데이터를 선택한다(S415).The machine learning unit 330 extracts the first group of data to update the fishbone diagram from raw data according to the result learned through machine learning, and the data extraction unit 340 extracts the first group of data from the experts. The final data to be updated is selected using the data of the second group, which is an important data group created by S415.

최종 데이터의 선택은 머신러닝을 통해 획득한 제1 그룹의 데이터를 중요도에 따라 순위를 매기고, 공장 전문가 등에 의해 작성된 제2 그룹의 데이터의 순위와 서로 비교하여 최종 데이터 그룹을 선택할 수 있다. The final data group may be selected by ranking the data of the first group obtained through machine learning in order of importance and comparing with the ranking of the data of the second group created by a factory expert or the like.

제1 그룹의 데이터 순위는, 학습된 머신러닝 알고리즘이 특정 공정에서 정상이나 불량 등을 판단할 때 사용하는 데이터를 그 가중치에 따라 순위를 정하거나, 특정 결과에 대한 원인을 제공하는 데이터를 그 중요도에 따라 순위를 정하는 방식 등으로 정할 수 있다.The data ranking of the first group ranks the data used when the learned machine learning algorithm determines normal or defective in a specific process according to its weight, or ranks data that provides a cause for a specific result by its importance. It can be determined in a way that determines the ranking according to.

피쉬본 관리부(350)는 최종 데이터 그룹을 사용하여 피쉬본 다이어그램을 업데이트한다(S420).The fishbone management unit 350 updates the fishbone diagram using the final data group (S420).

만일, 사용자로부터 데이터 시각화 요청이 있는 경우(S425), 데이터 시각화부(360)는 선택된 방식으로 N개의 데이터를 시각화하여 표시한다(S430).If there is a data visualization request from the user (S425), the data visualization unit 360 visualizes and displays N pieces of data in a selected manner (S430).

시각화 방식으로는, 슬라이딩 원도우 코릴레이션(sliding window correlation) 방식을 통해 데이터를 시각화하거나, 슬라이딩 원도우 상호정보량(sliding window mutual information) 방식을 통해 데이터 시각화할 수 있다. 이 경우, 제1 순위의 데이터 R1과 제n 순위의 데이터 Rn의 관계를 그래프 형태로 표시할 수 있다.As a visualization method, data may be visualized through a sliding window correlation method or data may be visualized through a sliding window mutual information method. In this case, the relationship between data R1 of the first rank and data Rn of the nth rank may be displayed in a graph form.

또한, 시각화 방식으로, ARIMA(Auto-regressive Integrated Moving Average) 모델을 통해 데이터의 추세를 파악하여 미래값을 예측하여 표시할 수도 있다. ARIMA 모델은 시계열 분석 기법의 한 종류로, 과거의 관측값과 오차를 사용해서 현재의 시계열 값을 설명하는 ARMA 모델을 일반화한 것으로, 이 경우, Rn이 특정 시간일 경우 데이터를 예측하여 그래프 형태로 표시할 수 있다.In addition, as a visualization method, a future value may be predicted and displayed by grasping a data trend through an ARIMA (Auto-regressive Integrated Moving Average) model. The ARIMA model is a type of time series analysis technique. It is a generalization of the ARMA model that explains the current time series values using past observation values and errors. In this case, when Rn is a specific time, data is predicted and graphed. can be displayed

데이터 간의 관계를 점수화 하여 표시할 수도 있다. 예컨대, 0에서 100점 사이의 점수로 표시하여, R1과 Rn의 관계가 0점이면 관련성이 없는 것이도, 100점이면 관련성이 많다는 것을 나타낼 수 있다.The relationship between data can be scored and displayed. For example, it is expressed as a score between 0 and 100 points, and a score of 0 indicates no relevance, while a score of 100 indicates a high degree of relevance.

이외에도 다양한 방식으로 데이터를 시각화하여 표시함으로써, 업데이트된 데이터나 기타 중요 데이터를 시각적으로 빠르게 파악할 수 있어, 공정 관리를 효율적으로 수행할 수 있다.In addition, by visualizing and displaying data in various ways, updated data or other important data can be grasped visually and quickly, so that process management can be efficiently performed.

이와 같은 과정에 의해, 머신러닝 학습 결과를 반영하여, 제조 현장의 다양한 특성별로 분류 축적된 데이터로 피쉬본 다이어그램의 데이터를 갱신할 수 있으며, 산업용 IoT 등을 위한 빅데이터 등으로 활용할 수도 있다.Through this process, the data of the fishbone diagram can be updated with the data classified and accumulated according to various characteristics of the manufacturing site by reflecting the machine learning learning results, and can also be used as big data for industrial IoT and the like.

도 7 및 도 8은 본 발명의 일실시예에 따른 피쉬본 다이어그램 관리 방법에 대한 설명에 참조되는 도면이다.7 and 8 are diagrams referenced for description of a fishbone diagram management method according to an embodiment of the present invention.

도 7은 업데이트할 최종 데이터를 선택하는 과정의 일 예에 대한 설명에 참조되는 도면이다.7 is a diagram referenced for description of an example of a process of selecting final data to be updated.

도 7에 도시한 바와 같이, 전문가에 의해 작성된 데이터 순위와, 머신러닝을 통해 작성된 데이터 순위를 비교하여, 피쉬본 다이어그램을 업데이트할 최종 데이터를 선택할 수 있다. 예컨대, 데이터 순위가 높을 수록 큰 순위 점수를 부여한 후, 전문가에 의해 작성된 데이터 순위 점수와 머신러닝을 통해 작성된 데이터 순위 점수를 합산하여, 그 순위 점수가 높은 순서로 최종 데이터를 선택할 수 있다. As shown in FIG. 7 , final data to be updated in the fishbone diagram may be selected by comparing data rankings created by an expert with data rankings created through machine learning. For example, after giving a higher ranking score as the data ranking is higher, the data ranking score created by an expert and the data ranking score created through machine learning are added to select final data in the order of higher ranking scores.

선택된 최종 데이터를 이용하여 피쉬본 다이어그램을 업데이트할 수 있으므로, 머신러닝을 통한 자기학습 모델 결과를 반영하여 피쉬본 다이어그램을 신속하게 업데이트할 수 있다. Since the fishbone diagram can be updated using the selected final data, the fishbone diagram can be quickly updated by reflecting the result of the self-learning model through machine learning.

도 8은 데이터 시각화의 일 예를 나타낸 것이다.8 shows an example of data visualization.

도 8에 도시한 바와 같이, 데이터 순위를 반영하여 다양한 방식으로 데이터를 시각화하여 표시할 수 있다. 이와 같은 데이터 시각화를 통해, 생산 공정 중에 불량이 발생한 경우, 비전문가의 경우에도 신속하게 추론된 원인을 조회하여, 적절한 조치를 취할 수 있으며, 이상 상황 발생 예측에 따른 경보도 받을 수 있다. 또한, 머신러닝을 통한 학습을 통해 데이터를 업데이트하여, 제조 현장의 환경 변화 등을 반영한 데이터를 신속하게 반영하여 정확한 결과를 도출할 수 있다.As shown in FIG. 8 , data may be visualized and displayed in various ways by reflecting data ranking. Through such data visualization, when a defect occurs during the production process, even a non-expert can quickly search for the deduced cause, take appropriate action, and receive an alert based on the prediction of an abnormal situation. In addition, by updating data through learning through machine learning, accurate results can be derived by quickly reflecting data reflecting environmental changes at the manufacturing site.

그리고, 다양한 분야의 전문가들도 피쉬본 다이어그램 작성에 참여할 수 있도록 Drag & Drop UI 툴 기반 메뉴를 제공할 수도 있다. In addition, a Drag & Drop UI tool-based menu can be provided so that experts in various fields can participate in fishbone diagram creation.

이외에도, 피쉬본 다이어그램을 통해, 품질/설비 이상 예측을 위한 머신러닝 결과의 가시화, 품질 데이터와 작업조건환경조건 데이터를 기반으로 해석용 데이터 의 생성, 결과에 대한 원인 항목을 중요도 중심으로 Ranking 正反合 모델 제시, 갱신된 결과를 기반으로 One Touch 동적 조회 기능 제공할 수 있다.In addition, visualization of machine learning results for prediction of quality/facility abnormalities through fishbone diagrams, generation of analysis data based on quality data and working conditions and environmental conditions data, and ranking positives of cause items for results based on importance One-touch dynamic inquiry function can be provided based on combined model presentation and updated results.

한편, 본 발명에 따른 피쉬본 다이어그램 관리 시스템 및 그 방법은 상기한 바와 같이 설명된 실시예들의 구성에 한정되게 적용될 수 있는 것이 아니라, 상기한 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.On the other hand, the fishbone diagram management system and method according to the present invention can not be applied limitedly to the configuration of the above-described embodiments, but the above-described embodiments are all of the embodiments so that various modifications can be made. Alternatively, some of them may be selectively combined.

또한, 본 발명은 프로그램 가능한 컴퓨터상에서 컴퓨터 프로그램으로 구현 가능하다. 이러한 컴퓨터는 프로세서, 저장장치, 입력장치, 출력 장치를 포함할 수 있다. 본 발명에서 설명한 내용을 구현하기 위해 프로그램 코드는 마우스 또는 키보드 입력장치로 입력될 수 있다. 이러한 프로그램들은 고차원적인 언어나, 객체지향적인 언어로 구현될 수 있다. 또한 어셈블리나 기계어 코드로 구현된 컴퓨터 시스템으로도 구현될 수 있다. In addition, the present invention can be implemented as a computer program on a programmable computer. Such computers may include processors, storage devices, input devices, and output devices. In order to implement the contents described in the present invention, the program code may be input with a mouse or keyboard input device. These programs can be implemented in high-level languages or object-oriented languages. It can also be implemented as a computer system implemented in assembly or machine code.

또한, 본 발명의 내용은 하드웨어나 소프트웨어 사용에만 국한되지는 않으며, 다른 어떤 컴퓨팅 또는 처리 환경에 대해서도 적용 가능하다. 본 발명에서 설명하는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 본 발명은 회로를 사용하여 구현될 수 있다. 즉, 한 개 이상의 프로그램 가능한 논리회로, 즉 ASIC(application specific integrated circuit) 또는 논리회로(AND, OR NAND gates) 또는 프로세싱 장치(예컨대, 마이크로 프로세서, 콘트롤러)로 구현가능하다. Further, the subject matter of the present invention is not limited to hardware or software use, but is applicable to any other computing or processing environment. It may be implemented by hardware, software, or a combination of hardware and software described in the present invention. The invention may be implemented using circuitry. That is, it can be implemented with one or more programmable logic circuits, that is, application specific integrated circuits (ASICs) or logic circuits (AND, OR NAND gates) or processing devices (eg, microprocessors, controllers).

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.In addition, although the preferred embodiments of the present invention have been shown and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention claimed in the claims. Of course, various modifications are possible by those skilled in the art, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.

310 : 데이터 입력부 320 : 데이터 정규화부
330 : 머신러닝부 340 : 데이터 추출부
350 : 피쉬본 관리부 360 : 데이터 시각화부
370 : 동적 모니터링부310: data input unit 320: data normalization unit
330: machine learning unit 340: data extraction unit
350: fishbone management unit 360: data visualization unit
370: dynamic monitoring unit

Claims (10)

제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 관리하는 방법에 있어서,
상기 제조 현장과 관련된 로데이터(raw data)를 입력받는 단계;
상기 로데이터를 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하는 단계;
상기 머신러닝을 통해 학습된 결과에 따라, 상기 로데이터에서 상기 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하는 단계;
상기 제1 그룹의 데이터를 중요도에 따라 정한 순위와, 전문가에 의해 작성된 제2 그룹의 데이터를 중요도에 따라 정한 순위를 비교하여, 업데이트할 최종 데이터를 선택하는 단계;
상기 최종 데이터를 사용하여 상기 피쉬본 다이어그램을 업데이트 하는 단계; 및
사용자로부터의 데이터 시각화 요청에 따라, 슬라이딩 원도우 코릴레이션을 이용한 시각화, 슬라이딩 원도우 상호정보량를 이용한 시각화, ARIMA 모델을 이용한 시각화, 데이터 간의 관계를 점수화하여 표시하는 시각화 중 어느 하나의 시각화 방식을 사용하여, 상기 업데이트된 피쉬본 다이어그램에서 선택된 N개의 데이터를 시각화하여 표시하는 단계를 포함하는 방법. A method for managing a fishbone diagram for process management at a manufacturing site,
Receiving raw data related to the manufacturing site;
Performing machine learning using data obtained by normalizing the raw data as training data;
extracting first group data to update the fishbone diagram from the raw data according to a result learned through the machine learning;
selecting final data to be updated by comparing the ranking of the data of the first group according to the importance with the ranking of the data of the second group created by an expert according to the importance;
updating the fishbone diagram using the final data; and
According to the data visualization request from the user, using one of the visualization methods of visualization using sliding window correlation, visualization using sliding window mutual information, visualization using ARIMA model, and visualization that scores and displays the relationship between data, A method comprising visualizing and displaying selected N pieces of data in the updated fishbone diagram. 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 피쉬본 다이어그램을 통해 제공되는 정보를 이용하여 상기 제조 현장의 생산운영에 필요한 분석 및 예측 정보를 제공하는 단계를 더 포함하는 방법.According to claim 1,
The method further comprising providing analysis and prediction information necessary for production operation of the manufacturing site using information provided through the fishbone diagram. 제1항 또는 제5항의 방법을 프로세서에서 실행시키기 위한 프로그램을 기록한 프로세서가 읽을 수 있는 기록매체. A processor-readable recording medium on which a program for executing the method of claim 1 or 5 in a processor is recorded. 제조 현장의 공정 관리를 위한 피쉬본 다이어그램을 관리하는 시스템에 있어서,
상기 제조 현장과 관련된 로데이터(raw data)를 입력받는 데이터 입력부;
상기 로데이터를 정규화한 데이터를 출력하는 데이터 정규화부;
상기 정규화한 데이터를 학습데이터로 사용하여 머신러닝을 수행하고, 상기 머신러닝을 통해 학습된 결과에 따라, 상기 로데이터에서 상기 피쉬본 다이어그램을 업데이트할 제1 그룹의 데이터를 추출하는 머신러닝부;
상기 제1 그룹의 데이터를 중요도에 따라 정한 순위와, 전문가에 의해 작성된 제2 그룹의 데이터를 중요도에 따라 정한 순위를 비교하여, 업데이트할 최종 데이터를 선택하는 데이터 추출부;
상기 최종 데이터를 사용하여 상기 피쉬본 다이어그램을 업데이트 하는 피쉬본 관리부; 및
사용자로부터의 데이터 시각화 요청에 따라, 슬라이딩 원도우 코릴레이션을 이용한 시각화, 슬라이딩 원도우 상호정보량를 이용한 시각화, ARIMA 모델을 이용한 시각화, 데이터 간의 관계를 점수화하여 표시하는 시각화 중 어느 하나의 시각화 방식을 사용하여, 상기 업데이트된 피쉬본 다이어그램에서 선택된 N개의 데이터를 시각화하여 표시하는 데이터 시각화부를 포함하는 시스템. In the system for managing the fishbone diagram for process management at the manufacturing site,
a data input unit that receives raw data related to the manufacturing site;
a data normalization unit outputting normalized data of the raw data;
a machine learning unit that performs machine learning using the normalized data as training data, and extracts a first group of data to update the fishbone diagram from the raw data according to a result learned through the machine learning;
a data extraction unit for selecting final data to be updated by comparing the rankings of the data of the first group according to importance with the rankings of the data of the second group created by experts according to importance;
a fishbone management unit to update the fishbone diagram using the final data; and
According to the data visualization request from the user, using one of the visualization methods of visualization using sliding window correlation, visualization using sliding window mutual information, visualization using ARIMA model, and visualization that scores and displays the relationship between data, A system including a data visualization unit that visualizes and displays N pieces of data selected from the updated fishbone diagram. 삭제delete 제7항에 있어서,
스마트 센서 기반으로 상기 제조 현장에서 상기 로데이터를 수집하는 스마트 센서부;
상기 스마트 센서부로부터 전달되는 데이터를 실시간으로 측정 및 분석하는 제1 내지 제n 스마트 게이트웨이; 및
상기 제1 내지 제n 스마트 게이트웨이와 통신 가능하게 연결되며, 상기 제1 내지 제n 스마트 게이트웨이를 통해 측정 및 분석된 데이터와, 상기 피쉬본 다이어그램이 제공하는 정보를 이용하여 상기 제조 현장의 생산운영에 필요한 분석 및 예측 정보를 제공하는 동적 모니터링부를 더 포함하는 시스템.According to claim 7,
a smart sensor unit that collects the raw data at the manufacturing site based on the smart sensor;
First to n-th smart gateways measuring and analyzing data transmitted from the smart sensor unit in real time; and
It is communicatively connected to the first to n-th smart gateways, and uses the data measured and analyzed through the first to n-th smart gateways and the information provided by the fishbone diagram to control the production operation of the manufacturing site. A system further comprising a dynamic monitoring unit that provides necessary analysis and predictive information. 제9항에 있어서,
상기 분석 및 예측 정보는, 품질 불량 예측 정보, 설비 이상발생 예측 정보, 설비수명 예측 정보, 현장 이상발생 예측 정보를 포함하는 것을 특징으로 하는 시스템.According to claim 9,
The system characterized in that the analysis and prediction information includes quality defect prediction information, equipment failure prediction information, equipment life prediction information, and field failure prediction information.
KR1020200181435A 2020-12-22 2020-12-22 Fishbone diagram management system based on artifical intelligence and method thereof KR102469229B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200181435A KR102469229B1 (en) 2020-12-22 2020-12-22 Fishbone diagram management system based on artifical intelligence and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200181435A KR102469229B1 (en) 2020-12-22 2020-12-22 Fishbone diagram management system based on artifical intelligence and method thereof

Publications (2)

Publication Number Publication Date
KR20220090681A KR20220090681A (en) 2022-06-30
KR102469229B1 true KR102469229B1 (en) 2022-11-24

Family

ID=82215139

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200181435A KR102469229B1 (en) 2020-12-22 2020-12-22 Fishbone diagram management system based on artifical intelligence and method thereof

Country Status (1)

Country Link
KR (1) KR102469229B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6600120B1 (en) * 2019-02-06 2019-10-30 オーウエル株式会社 Management system, machine learning apparatus and management method therefor

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11250135A (en) * 1998-03-02 1999-09-17 Hitachi Ltd Information system
KR20160034023A (en) 2014-09-19 2016-03-29 주식회사 티이에스 Integrated web monitoring system based on Internet
KR20190081691A (en) 2017-12-29 2019-07-09 비컴솔루션 주식회사 System and Method for Abnormality Monitoring by Using Machine Learning Algorithm
KR102073085B1 (en) * 2018-01-02 2020-03-03 (주)코에버정보기술 Dynamic monitoring system based on FBD machine learning and method thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6600120B1 (en) * 2019-02-06 2019-10-30 オーウエル株式会社 Management system, machine learning apparatus and management method therefor

Also Published As

Publication number Publication date
KR20220090681A (en) 2022-06-30

Similar Documents

Publication Publication Date Title
Ge Review on data-driven modeling and monitoring for plant-wide industrial processes
Kang et al. Machine learning applications in production lines: A systematic literature review
JP7162442B2 (en) Methods and systems for data-driven optimization of performance indicators in process and manufacturing industries
Lade et al. Manufacturing analytics and industrial internet of things
US10809704B2 (en) Process performance issues and alarm notification using data analytics
Lee et al. Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications
Ouadah et al. Selecting an appropriate supervised machine learning algorithm for predictive maintenance
CN110757510B (en) Method and system for predicting remaining life of robot
Du et al. An integrated system for on-line intelligent monitoring and identifying process variability and its application
Corallo et al. Model-based Big Data Analytics-as-a-Service framework in smart manufacturing: A case study
Yu et al. LRProb control chart based on logistic regression for monitoring mean shifts of auto-correlated manufacturing processes
Velmurugan et al. SME 4.0: Machine learning framework for real-time machine health monitoring system
Becherer et al. Intelligent choice of machine learning methods for predictive maintenance of intelligent machines
Packianather et al. Development of soft computing tools and IoT for improving the performance assessment of analysers in a clinical laboratory
zu Wickern Challenges and reliability of predictive maintenance
KR102469229B1 (en) Fishbone diagram management system based on artifical intelligence and method thereof
CN116705272A (en) Comprehensive evaluation method for equipment health state based on multidimensional diagnosis
Karagiorgou et al. Unveiling trends and predictions in digital factories
Jovic et al. Quality control engineering in automated ceramic tile production using a signal information content approach
Vicêncio et al. An intelligent predictive maintenance approach based on end-of-line test logfiles in the automotive industry
CN117670378B (en) Food safety monitoring method and system based on big data
Ulhe et al. Flexibility management and decision making in cyber-physical systems utilizing digital lean principles with Brain-inspired computing pattern recognition in Industry 4.0
CN117786373B (en) Equipment operation diagnosis system based on big data corrugated paper processing
Dastgerdi et al. Faulty Process Detection Using Machine Learning Techniques
US20240004355A1 (en) System and Method for Building and Deploying Prescriptive Analytics to Predict and Control End Product Quality in Batch Production Monitoring and Optimization

Legal Events

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