KR102470836B1

KR102470836B1 - 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법

Info

Publication number: KR102470836B1
Application number: KR1020200149054A
Authority: KR
Inventors: 전지혜; 장태우; 문준영
Original assignee: 경기대학교 산학협력단
Priority date: 2020-11-10
Filing date: 2020-11-10
Publication date: 2022-11-25
Also published as: KR20220063341A

Abstract

본 발명의 인공 지능 기반 연속 공정 제조 장치는, 적어도 하나의 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 시스템을 이용한 인공 지능 기반 연속 공정 제조 장치에 있어서, 원료를 공급받아 제품을 연속적으로 생산하여 배출하는 연속 배출부와, 연속 배출부의 복수 개의 위치에 설치되어 연속 공정 데이터를 출력하는 복수개의 공정 센서와, 상기 연속 공정 데이터들로부터 연속 생산되는 제품의 특정 시점에서의 생산 단위의 양불의 품질을 예측하는 품질 예측 제어기와, 연속 배출부에서 배출되는 제품을 단위 길이로 절단하여 배출하되, 상기 품질 예측 제어기의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 배출하는 품질 단위 구분기를 포함한다.

Description

인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법{ARTIFICIAL INTELLIGENCE BASED CONTINUOUS PROCESS CONTROL DEVICE, METHOD OF PREDICTING QUALITY AND IMPROVING YIELD USING THE SAME}

본 발명은 연속 공정에서 제조 장치 제어 기술에 관한 것이다.

제조업에서의 품질은 기업의 경쟁력 및 생산성을 유지하기 위한 중요 요소일 뿐만 아니라, 기업의 이익에 영향을 미친다. 산업에서 품질 관리의 중요성은 일찍부터 대두되어 왔다. 특히, 연속 공정의 경우 앞 공정의 불량이 뒤 공정 모두에서의 불량과 직접적으로 연관되기 때문에 품질 관리 및 유지보수, 불량률 개선은 무엇보다 중요하다 할 수 있다.

오늘날, 제조기업의 기계화, 자동화된 현장에서 정보통신기술을 통해 수집된 데이터는 실제 문제와 결함을 내포하고 있는 자료로 활용될 수 있기에 매우 중요하다. 이러한 중요성으로 인해 최근 들어 데이터 베이스로부터 숨겨져 있는 데이터 간의 관계와 규칙, 패턴, 정보를 통해 추출한 지식을 모형화하여 의사 결정에 도움을 주는 데이터 마이닝 분야에 관한 연구가 폭넓게 진행되고 있다. 이에 따라, 제조 기업들은 현장 라인으로부터 데이터를 수집하고 있고, 데이터베이스를 구축하고 관리하고 있다. 또한, 빅데이터 분석과 인공 지능 기술, 머신 러닝 및 딥러닝 등을 통해 더 유용성 있고 정확성 있는 품질 관리가 가능하도록 하고 있다.

품질 관리에 데이터 분석을 적용하기 위해서는 설비 데이터와 품질 데이터를 수집하여 레이블링된 데이터를 활용한 지도 학습 방법을 사용할 수 있다. 하지만 품질 관리를 위한 레이블링된 데이터를 수집하는 것은 많은 시간과 비용이 소요되어 얻기 힘들며, 레이블링 되지 않은 데이터를 레이블링하기 위해서는 숙련된 전문가가 필요하다. 이러한 이유로 중소기업들은 데이터 분석 기술을 활용한 품질 관리가 어렵다.

오늘날, 연속 공정을 통해 생성되는 제품의 품질 관리를 위해 공정 내에서 계측 데이터를 수집하는 플랫폼이 수립되고 있다. 이는 주요 공정의 데이터를 수집하여 품질 예측에 활용하고자 하는 것이다. 하지만, 연속 공정은 원료 물질 주입부터 실제 제품 생산까지의 공정을 끊지 않고 연속적으로 진행해야 하며, 조립 공정과 비교하여 제품의 품질을 관리하기 어렵기 때문에 실제 데이터 분석보다는 수집 또는 플랫폼 구축이 우선적으로 진행되고 있는 상황이다.

연속 공정의 효과적인 품질 관리를 위해 파악한 기존 공정의 문제점은 다음과 같다.

첫 번째, 제품 품질 측정 센서가 구비되어 있지 않은 경우 제품의 양쪽 끝을 통해 품질을 측정하기 때문에 중간 부분에 대한 품질이 보증되지 않는다. 예를 들어, 원통을 생산하는 압출 공정에서는 제품 특성상 제품의 양쪽 끝에서 품질을 측정하기 때문에 중간 부분에 대한 품질이 보증되지 않으며 이는 곧 품질 관리를 위해 필요한 데이터의 부재로 이어진다.

두 번째, 품질 예측이 진행되지 않으면 생산 능력이 비효율적으로 운영된다. 연속 공정에서 일정 길이로 단위 제품을 생산할 경우 품질 예측이 진행되지 않으면, 단위 제품 생산시 불량이 발생하는 시점을 예측할 수 없으므로 일련적으로 동일한 단위 시간동안 동일한 단위 길이의 제품을 생산하게 되므로, 단위 제품의 어느 한 부분이 연속적으로 불량이 발생하면 생산된 단위 제품을 전부 파기하게 되어 수율이 낮은 생산 과정을 운영하게 된다.

제안된 발명은 품질 값 수집과 예측이 어려운 연속 공정에서 소량의 품질 값과 다수의 요인 값을 통해 품질 결측치를 대체하고, 예측하여 수율을 향상시키는 인공 지능 기반의 연속 공정 제어 장치를 제공하는 것을 목적으로 한다.

제안된 발명의 일 양상에 따르면, 인공 지능 기반 연속 공정 제조 장치는, 적어도 하나의 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 시스템을 이용한 인공 지능 기반 연속 공정 제조 장치에 있어서, 원료를 공급받아 제품을 연속적으로 생산하여 배출하는 연속 배출부와, 연속 배출부의 복수 개의 위치에 설치되어 연속 공정 데이터를 출력하는 복수개의 공정 센서와, 연속 공정 데이터들로부터 연속 생산되는 제품의 특정 시점에서의 생산 단위의 양불의 품질을 예측하는 품질 예측 제어기와, 연속 배출부에서 배출되는 제품을 생산 단위의 길이로 절단하여 배출하되, 상기 품질 예측 제어기의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 배출하는 품질 단위 구분기를 포함할 수 있다.

연속 배출부는 원료가 투입되면 소정의 속도로 이송하여 압출 성형하고 냉각 가공하여 제품을 생산하는 플라스틱 ABS 코아 압출 공정 설비를 포함할 수 있다.

복수개의 공정 센서는 원료가 금형에서 밀어 나올 때의 온도인 압출 온도를 측정하는 압출 온도 센서, 금형의 온도를 측정하는 금형 온도 센서, 금형에서 제품을 밀어내는 나선형 기구인 스크류의 속도를 측정하는 스크류 속도 센서, 원료가 금형에서 밀어져 나오는 속도를 측정하는 압출 속도 센서, 내부에 피스톤을 통해 왕복 운동할 수 있는 속이 빈 원통 모양 기구인 실린더의 온도를 측정하는 실린더 온도 센서를 포함하며 컨트롤러에 의해 직접 제어되는 제어 변수 데이터를 생성하는 제어 변수 센서부와, 설비가 설치된 공정 내부의 온도를 측정하는 외부 온도 센서, 설비가 설치된 공정 내부의 습도를 측정하는 외부 습도 센서, 성형된 제품의 형태를 굳히기 위해 분사되는 물의 온도를 측정하는 물 온도 센서를 포함하며 측정 변수 데이터를 생성하는 측정 변수 센서부를 포함할 수 있다.

상기 제조 장치는 레이블링된 연속 공정 데이터로 학습시킨 품질 예측 제어기를 이용하여 레이블링되지 않은 연속 공정 데이터를 레이블링하여 그를 이용하여 품질 예측 제어기를 학습시키는 품질 예측기 학습부를 더 포함할 수 있다.

상기 제조 장치는 상기 품질 예측 제어기와 동일한 구조를 가지는 학습용 품질 예측기와, 레이블링된 연속 공정 데이터로 학습용 품질 예측기를 학습시키는 1차 학습기와, 1차 학습기로 학습된 학습용 품질 예측기로 레이블링되지 않은 연속 공정 데이터를 레이블링하여 조작된 연속 공정 데이터를 생성하는 데이터 레이블링 처리부와, 레이블링된 연속 공정 데이터 및 조작된 연속 공정 데이터를 포함하는 연속 공정 데이터들을 이용하여 품질 예측 제어기를 학습시키는 제어기 학습 처리부를 더 포함할 수 있다.

제어기 학습 처리부가 레이블링된 연속 공정 데이터와 조작된 연속 공정 데이터를 이용하여 추가적인 연속 공정 데이터를 생성하는 공정 데이터 확장부를 더 포함할 수 있다.

공정 데이터 확장부는 순환 신경망(Recurrent neural network, RNN) 딥러닝 엔진을 포함할 수 있다.

상기 제조 장치는 연속 공정 데이터들을 훈련 데이터셋(train data set)과 평가 데이터셋(Validation data set)으로 나누어 학습된 분류 모델을 검증하는 분류 모델 학습부를 더 포함할 수 있다.

제안된 발명의 다른 일 양상에 따르면, 단위 시간 동안 단위 길이로 제품을 생산하는 연속 공정에서 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법에 있어서, 연속 공정에서 연속 배출부가 원료를 공급받아 제품을 연속적으로 생산하여 배출하는 연속 배출 단계, 연속 배출부의 복수 개의 위치에 설치된 공정 센서가 연속 공정 데이터를 생성하는 연속 공정 데이터 생성 단계, 품질 예측 제어기가 공정 센서로부터 입력된 연속 공정 데이터들로부터 연속 생산되는 제품의 특정 시점 생산 단위의 양불의 품질을 예측하는 품질 예측 단계, 품질 단위 구분기가 연속 배출부에서 배출되는 제품을 단위 길이로 절단하여 배출하되, 품질 예측 제어기의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 가공하는 품질 단위 구분 단계를 포함할 수 있다.

품질 예측 단계는, 1차 학습기가 레이블링된 연속 공정 데이터로 학습용 품질 예측기를 학습시키는 단계와, 데이터 레이블링 처리부가 1차 학습기로 학습된 학습용 품질 예측기로 레이블링되지 않은 연속 공정 데이터를 레이블링하여 조작된 연속 공정 데이터를 생성하는 단계와, 제어기 학습 처리부가 연속 공정 데이터들을 이용하여 품질 예측 제어기를 학습시키는 단계와, 공정 데이터 확장부가 연속 공정 데이터들을 이용하여 예측된 연속 공정 데이터를 생성하는 단계를 더 포함할 수 있다.

제안된 발명의 또 다른 일 양상에 따르면, 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법을 구현하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램일 수 있다.

제안된 발명의 또 다른 일 양상에 따르면, 데이터 분석 기반의 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트 구조가 저장된 기록 매체일 수 있다.

제안된 발명에 따라, 연속 공정에서 소량의 레이블링된 데이터를 효과적으로 활용하여 기업의 품질 관리와 수율 향상을 위한 생산 프로세스의 인공 지능 기반의 연속 공정 제어 장치를 제시할 수 있다.

또한, 연속 공정의 센싱 데이터를 활용하여 데이터 분석을 진행함으로써 분석 결과로 품질을 예측할 수 있는 인공 지능 기반의 연속 공정 제어 장치를 제시할 수 있다.

또한, 품질 예측 결과를 생산 과정에 반영하여 제품 생산 방안을 개선함으로써 수율 향상이 가능한 인공 지능 기반의 연속 공정 제어 장치를 제시할 수 있다.

도 1은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 구성도이다.
도 2는 제안된 발명의 다른 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 학습용 품질 예측기(5000)를 포함한 구성도이다.
도 3은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법의 전체 과정을 도식적으로 설명하는 흐름도이다.
도 4는 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 각 단계에 따라 변화되는 데이터의 상태를 설명하는 흐름도이다.
도 5는 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법을 설명하는 것에 대한 흐름도이다.
도 6은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 프로세스를 도시한 모식도이다.
도 7은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 데이터 변환과정을 도시한 모식도이다.
도 8은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 품질 예측을 하지 않은 공정의 제품(Case 1)과 품질 예측을 한 공정의 제품(Case 2)을 도시한 모식도이다.
도 9는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 압출 온도, 외부 온도, 외부 습도, 물 온도 그래프이다.
도 10은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 연속형 데이터 상자 그림이다.
도 11은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 특성 간 상관계수 도식화한 모식도이다.
도 12는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 스탠더드 스케일러(Standard Scaler)와 로부스트 스케일러(Robust Scaler)의 그래프이다.
도 13은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 의사 결정 나무(Decision Tree) 모델 변수 중요도의 그래프다.
도 14는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 수율 향상도 그래프이다.

전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시예들을 통해 구체화된다. 각 실시예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시예 내에서 또는 타 실시예의 구성 요소들과 다양한 조합이 가능한 것으로 이해된다. 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 명세서 및 청구범위에 사용된 용어는 기재 내용 혹은 제안된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.

본 명세서에서 '설비 데이터'란 연속 공정에서 생성된 제어 변수 데이터와 측정 변수 데이터의 정보이고, '품질 데이터' 란 연속 공정에서 배출되는 단위 길이의 제품에 대해 품질을 평가한 정보이다. 예를 들어 품질 데이터는 제품의 양품 혹은 불량품을 표현하는 이진수일 수 있다.

도 1은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 구성도이다. 도 1을 참조하면, 본 발명의 인공 지능 기반 연속 공정 제조 장치(100)는, 적어도 하나의 네트워크(50)를 통하여 연결된 서버 컴퓨터(10)를 구비한 시스템과 연결될 수 있다.

도 1에 도시된 바와 같이, 일 실시예에 따른 인공 지능 기반 연속 공정 제조 장치(100)는 연속 배출부(1000)와, 복수의 공정 센서(2000)와, 품질 예측 제어기(3000)와, 품질 단위 구분기(4000)를 포함한다.

연속 배출부(1000)는 원료를 공급받아 제품을 연속적으로 생산하여 배출한다. 연속 배출부(1000)는 재료 혹은 원료(2)를 가공하여 연속적으로 배출하여 제품(5)를 생산하는 설비로, 예를 들면, 재료 혹은 원료(2)가 투입되면 소정의 속도로 이송하여 압출 성형하고 냉각 가공하여 제품(5)을 생산하는 플라스틱 ABS 코아 압출 공정 설비일 수 있다. 또 다른 예로, 연속 배출부(1000)는 주물을 연속 배출하여 강재를 생산하는 제철소의 강재 생산 설비일 수 있다.

복수개의 공정 센서(2000)는 연속 배출부(1000)의 복수 개의 위치에 설치되어 연속 공정 데이터를 출력한다. 복수개의 공정 센서(2000)는 제어 변수 센서들과 측정 변수 센서들로 그룹핑할 수 있다. 제어 변수 센서들은 제어기가 직접 제어 가능한 혹은 제어기가 제어하는 액츄에이터의 동작과 상태를 검출하는 센서들이다. 측정 변수 센서들은 제어 대상물의 동작과 상태를 검출하는 센서들이다. 일 실시예에서, 제어 변수 센서들은 원료가 금형에서 밀어 나올 때의 온도인 압출 온도를 측정하는 압출 온도 센서, 실린더에서 제품(5)이 압출되어 나오는 공간의 금형인 다이스의 온도를 측정하는 다이스 온도 센서, 금형에서 제품을 밀어내는 나선형 기구인 스크류의 속도를 측정하는 스크류 속도 센서, 원료(2)가 금형에서 밀어져 나오는 속도를 측정하는 압출 속도 센서, 내부에 피스톤을 통해 왕복 운동할 수 있는 속이 빈 원통 모양 기구인 실린더의 온도를 측정하는 실린더 온도 센서 등을 포함할 수 있다. 일 실시예에서, 측정 변수 센서들은 설비가 설치된 공정 내부의 온도를 측정하는 외부 온도 센서, 설비가 설치된 공정 내부의 습도를 측정하는 외부 습도 센서, 성형된 제품(5)의 형태를 굳히기 위해 분사되는 물의 온도를 측정하는 물 온도 센서를 포함할 수 있다.

품질 예측 제어기(3000)는 연속 공정 데이터들로부터 연속 생산되는 제품(5)의 특정 시점에서의 생산 단위의 양불의 품질을 예측한다. 품질 예측 제어기(3000)는 예를 들면 디지털 논리 회로를 포함하는 전용 하드웨어로 설계될 수 있다. 또 다른 예로, 품질 예측 제어기(3000)는 컴퓨터 혹은 마이크로프로세서를 포함하는, 메모리에 저장된 프로그램을 실행하여 제어하는 컴퓨팅 요소일 수 있다.

품질 단위 구분기(4000)는 연속 배출부(1000)에서 배출되는 제품을 생산 단위의 길이로 절단하여 배출하되, 품질 예측 제어기(3000)의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 배출한다. 품질 단위 구분기(4000)는 연속 배출부(1000)를 구성하는 공정 설비의 일부일 수 있다. 상이한 길이는 일반적으로는 '생산 단위'보다 짧은 길이이나, 불량인 구간이 '생산 단위'보다 긴 경우도 가능하다. 일 실시예에서, 플라스틱 ABS 코아 압출 공정 설비에서 품질 단위 구분기(4000)는 냉각된 플라스틱 사출물을 단위 길이로 절단하는 절단기일 수 있다.

도 2는 제안된 발명의 다른 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 학습용 품질 예측기(5000)를 포함한 구성도이다.

본 발명의 일 양태에서, 인공 지능 기반 연속 공정 제조 장치(100)의 공정 센서(2000)는 제어 변수 센서부(2100)와 측정 변수 센서부(2200)을 포함할 수 있고, 제어 변수 센서부(2100)가 생성한 제어 변수 데이터와 측정 변수 센서부(2200)가 생성한 측정 변수 데이터 중에서 레이블링된 데이터는 레이블 데이터 수집부(2500)에 저장되고, 레이블링되지 않은 데이터는 언레이블 데이터 수집부(2600)에 각각 저장될 수 있다.

본 발명의 일 양태에서, 인공 지능 기반 연속 공정 제조 장치(100)는 학습용 품질 예측기(5000), 1차 학습기(5100), 데이터 레이블링 처리부(5200), 제어기 학습 처리부(5300), 분류 모델 학습부(5400)를 포함할 수 있다. 학습용 품질 예측기(5000)의 학습 과정에서 데이터의 변환 프로세스를 도 7을 참조하여 설명하면 다음과 같다.

학습용 품질 예측기(5000)는 품질 예측 제어기(3000)와 동일한 구조를 가질 수 있다. 즉, 학습용 품질 예측기(5000)는 품질 예측 제어기(3000)와 마찬가지로 디지털 논리 회로를 포함하는 전용 하드웨어로 설계될 수 있으며, 컴퓨터 혹은 마이크로프로세서를 포함하는 메모리에 저장된 프로그램을 실행하여 제어하는 컴퓨팅 요소일 수 있다. 학습용 품질 예측기(5000)는 연속 공정에서의 제어 변수 데이터와 측정 변수 데이터로 구성된 설비 데이터(X)는 모두 수집되고, 제품의 양품 데이터(0) 또는 불량품 데이터(1)의 이진수로 구성된 품질 데이터(Y)는 일부의 레이블 품질 데이터(Y_L)만 수집되면, 품질 데이터(Y)값이 없는 언레이블 품질 데이터(Y_U)를 레이블링하여 예상 레이블 품질 데이터(Y_P)를 생성하고, 설비 데이터(X)를 딥러닝 모델에 적용하여 품질 예측에 활용되는 예측 설비 데이터(X`)를 생성하고, 생성된 예측 설비 데이터(X`)를 활용하여 최종 예측 품질 데이터(Y`)를 예측하기 위한 분류 모델에 훈련시키는 과정을 학습하여, 품질 예측 제어기(3000)가 연속 공정 데이터들로부터 연속 생산되는 제품(5)의 특정 시점에서의 생산 단위의 양불의 품질을 예측할 수 있게 학습할 수 있다.

1차 학습기(5100)는 레이블링된 연속 공정 데이터로 학습용 품질 예측기(5000)를 학습시킨다. 1차 학습기(5100)는 준 지도 학습을 활용하여 설비 데이터(X)의 특성을 고려하여 언레이블 품질 데이터(Y_U)에 대응되는 설비 데이터(X)로부터 예상 레이블 품질 데이터(Y_P)를 예측한다.

데이터 레이블링 처리부(5200)는 1차 학습기(5100)로 학습된 학습용 품질 예측기(5000)로 레이블링되지 않은 연속 공정 데이터를 레이블링하여 조작된 연속 공정 데이터를 생성한다. 데이터 레이블링 처리부(5200)에서 예상 레이블 품질 데이터(Y_P)의 레이블링을 진행한다.

제어기 학습 처리부(5300)는 연속 공정 데이터들을 이용하여 품질 예측 제어기(3000)를 학습시킨다. 제어기 학습 처리부(5300)는 설비 데이터(X) 값들을 순환 신경망(Recurrent neural network, RNN) 딥러닝 모델에 적용하여 공정 데이터 확장부(5310)에서 예측 설비 데이터(X`)를 생성한다.

분류 모델 학습부(5400)는 1차 학습기(5100)에서 생성되어 데이터 레이블링 처리부(5200)에서 연속 공정 데이터들을 활용하여, 훈련(Train) 데이터셋과 평가(Validation) 데이터셋으로 나누어 케이-겹 교차 검증(K-fold Cross Validation)을 진행하여 학습된 분류 모델을 검증한다. 분류 모델 학습부(5400)는 1차 학습기(5100)에서 생성되어 데이터 레이블링 처리부(5200)에서 레이블링된 예상 레이블 품질 데이터(Y_P)와 연속 공정에서 초기에 레이블링된 레이블 품질 데이터(Y_L)로 구성된 품질 데이터(Y)와, 제어기 학습 처리부(5300)의 공정 데이터 확장부(5310)에서 생성된 예측 설비 데이터(X`)와 설비 데이터(X)를 활용하여, 훈련(Train) 데이터셋과 평가(Validation) 데이터셋으로 나누어 케이-겹 교차 검증(K-fold Cross Validation)을 진행하여 학습된 분류 모델을 검증한다.

일 실시예에서, 인공 지능 기반 연속 공정 제조 장치(100)의 학습용 품질 예측기(5000), 1차 학습기(5100), 데이터 레이블링 처리부(5200), 제어기 학습 처리부(5300), 분류 모델 학습부(5400)는, 품질 데이터(Y)값이 없는 언레이블 품질 데이터(Y_U)를 레이블링하여 예상 레이블 품질 데이터(Y_P)를 생성하는 과정에서는 준지도학습이 사용되고, 설비 데이터(X)를 품질 예측에 활용되는 예측 설비 데이터(X`)를 생성하는 과정에서는 비지도학습이 사용되지만 이에 한정되는 것은 아니며, 데이터의 특성에 따라 지도학습, 비지도학습, 강화학습 등의 여러가지 머신 러닝 기법이 활용될 수 있다.

학습용 품질 예측기(5000)의 학습 과정 이후, 품질 예측 제어기(3000)의 품질 예측부(3100)는 학습용 품질 예측기(5000)의 분류 모델 학습부(5400)에서 훈련된 분류 모델에 제어기 학습 처리부(5300)에서 시계열 예측되어 공정 데이터 확장부(5310)에서 생성된 예측 설비 데이터(X`)를 입력하여 최종 예측 품질 데이터(Y`)를 생성하고, 품질 단위 구분기(4000)는 품질 예측 제어기(3000)에서 불량품이 나올 것이라고 예측된 제품 생산 단위의 공정 시점 이전에, 미리 최종 예측 품질 데이터(Y`)에 따라 불량품이 생산될 것으로 예측되는 부분을 제외하도록 제품 생산 단위의 간격을 설정하여, 제품 생산 단위를 최종 예측 품질 데이터(Y`)에 따른 제품 생산 단위의 간격으로 절단한다.

도 3은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법의 전체 과정을 도식적으로 설명하는 흐름도이다.

본 발명의 인공 지능 기반의 연속 공정 제조 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법은, 단위 시간 동안 단위 길이의 제품을 생산하는 연속 공정에서 인공 지능 기반 연속 공정 제조 장치(100)를 이용하여 다음의 단계들을 거쳐 실행된다.

1100 단계는 연속 공정에서 연속 배출부(1000)가 원료(2)를 공급받아 제품(5)을 연속적으로 생산하여 배출한다(S1100). 1100 단계에서 연속 배출부(1000)가 재료 혹은 원료(2)가 투입되면 소정의 속도로 이송하여 압출 성형하고 냉각 가공하여 제품(5)을 생산하는 플라스틱 ABS 코아 압출 공정일 수 있다.

1200 단계는 연속 배출부(1000)의 복수 개의 위치에 설치된 공정 센서(2000)가 연속 공정 데이터를 생성한다(S1200). 1200단계에서 복수개의 공정 센서(2000)가 제어 변수 센서들과 측정 변수 센서들로 그룹핑할 수 있다. 일 실시예에서, 압출 온도 센서가 원료가 금형에서 밀어 나올 때의 온도인 압출 온도를 측정하고, 다이스 온도 센서가 실린더에서 제품(5)이 압출되어 나오는 공간의 금형인 다이스의 온도를 측정하고, 스크류 속도 센서가 금형에서 제품을 밀어내는 나선형 기구인 스크류의 속도를 측정하고, 압출 속도 센서가 원료(2)가 금형에서 밀어져 나오는 속도를 측정하고, 실린더 온도 센서가 내부에 피스톤을 통해 왕복 운동할 수 있는 속이 빈 원통 모양 기구인 실린더의 온도를 측정할 수 있다. 일 실시예에서, 외부 온도 센서가 설비가 설치된 공정 내부의 온도를 측정하고, 외부 습도 센서가 설비가 설치된 공정 내부의 습도를 측정하고, 물 온도 센서가 성형된 제품(5)의 형태를 굳히기 위해 분사되는 물의 온도를 측정할 수 있다.

1300 단계는 품질 예측 제어기(3000)가 공정 센서(2000)로부터 입력된 연속 공정 데이터들로부터 연속 생산되는 제품의 특정 시점 생산 단위의 양불의 품질을 예측한다(S1300). 품질 예측 단계(S1300)는, 1차 학습기(5100)가 레이블링된 연속 공정 데이터로 학습용 품질 예측기를 학습시키는 단계(S1310)와, 데이터 레이블링 처리부(5200)가 1차 학습기(5100)로 학습된 학습용 품질 예측기(5000)로 레이블링되지 않은 연속 공정 데이터를 레이블링하여 조작된 연속 공정 데이터를 생성하는 단계(S1320)와, 제어기 학습 처리부(5300)가 연속 공정 데이터들을 이용하여 품질 예측 제어기(3000)를 학습시키는 단계(S1330)와, 공정 데이터 생성부(5310)가 연속 공정 데이터들을 이용하여 예측된 연속 공정 데이터를 생성하는 단계(S1340)를 포함하고, 분류 모델 학습부(5400)가 제어기 학습 처리부(5300)에서 시계열 예측하여 공정 데이터 확장부(5310)에서 생성된 예측 설비 데이터(X`)를 활용하여 최종 예측 품질 데이터(Y`)를 예측하기 위한 분류 모델을 훈련시키는 단계(S1350)를 더 포함할 수 있다.

일 실시예에서, 1300 단계는 학습용 품질 예측기(5000)가 연속 공정에서의 제어 변수 데이터와 측정 변수 데이터로 구성된 설비 데이터(X)는 모두 수집되고, 제품의 양품 데이터(0) 또는 불량품 데이터(1)의 이진수로 구성된 품질 데이터(Y)는 일부의 레이블 품질 데이터(Y_L)만 수집되면, 품질 데이터(Y)값이 없는 언레이블 품질 데이터(Y_U)를 레이블링하여 예상 레이블 품질 데이터(Y_P)를 생성하고, 설비 데이터(X)를 딥러닝 모델에 적용하여 품질 예측에 활용되는 예측 설비 데이터(X`)를 생성하고, 생성된 예측 설비 데이터(X`)를 활용하여 최종 예측 품질 데이터(Y`)를 예측하기 위한 분류 모델에 훈련시키는 과정을 학습하여, 품질 예측 제어기(3000)가 연속 공정 데이터들로부터 연속 생산되는 제품(5)의 특정 시점에서의 생산 단위의 양불의 품질을 예측할 수 있게 학습할 수 있다.

1400 단계는 품질 단위 구분기(4000)가 연속 배출부(1000)에서 배출되는 제품을 단위 길이로 절단하여 배출하되, 품질 예측 제어기(3000)의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 가공한다(S1400). 일 실시예서, 1400 단계는 1300 단계 이후, 품질 예측 제어기(3000)는 분류 모델 학습부(5400)에서 훈련된 분류 모델에 제어기 학습 처리부(5300)에서 시계열 예측되어 공정 데이터 확장부(5310)에서 생성된 예측 설비 데이터(X`)를 입력해서 최종 예측 품질 데이터(Y`)를 생성하여 학습용 품질 예측기(5000)가 생성한 예측값을 기반으로 품질 단위 구분기(4000)를 제어한다. 품질 단위 구분기(4000)는 품질 예측 제어기(3000)에서 불량품이 나올 것이라고 예측된 제품 생산 단위의 공정 시점 이전에, 미리 최종 예측 품질 데이터(Y`)에 따라 불량품이 생산될 것으로 예측되는 부분을 제외하도록 제품 생산 단위의 간격을 설정하여, 제품 생산 단위를 최종 예측 품질 데이터(Y`)에 따른 제품 생산 단위의 간격으로 절단한다.

본 발명의 일 양태에서, 인공 지능 기반의 연속 공정 제조 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법은 인공 지능 기반 연속 공정 제조 장치(100)를 이용한 연속 공정 품질 예측 및 수율 개선 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램의 소프트 웨어 프로그램으로 작성되어 서버 컴퓨터(10)에 탑재될 수 있고, 인공 지능 기반의 연속 공정 제조 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트 구조는 기록 매체에 저장될 수 있다.

인공 지능 기반의 연속 공정 제조 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트 생성 방법은 인공 지능 기반의 연속 공정 제조 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트 생성 장치의 서버 컴퓨터(10)에 탑재된 연속 공정 설비 데이터 생성 프로그램(100a), 연속 공정 품질 데이터 생성 프로그램(200a), 레이블링 모듈 기반 품질 데이터 학습 프로그램(300a), 자동 모델 갱신 학습 품질 예측 프로그램(400a), 품질 단위 구분 프로그램(500a)에 의해 실행될 수 있다.

연속 공정 설비 데이터 생성 프로그램(100a)은 서버 컴퓨터(10)가 연속 공정에서의 제어 변수 데이터와 측정 변수 데이터로 구성된 설비 데이터(X)를 모두 수집하게 하고, 공정 센서(2000)의 제어 변수 센서부(2100) 및 측정 변수 센서부(2200)를 연동시킨다.

연속 공정 품질 데이터 생성 프로그램(200a)은 서버 컴퓨터(10)가 제품의 양품 데이터(0) 또는 불량품 데이터(1)의 이진수로 구성된 품질 데이터(Y)를 일부의 레이블 품질 데이터(Y_L)가 수집되면, 준 지도 학습을 통해 품질 데이터(Y)값이 없는 언레이블 품질 데이터(Y_U)를 레이블링하여 예상 레이블 품질 데이터(Y_P)를 생성하게 하고, 1차 학습기(5100) 및 데이터 레이블링 처리부(5200)를 연동시킨다.

레이블링 모듈 기반 품질 데이터 학습 프로그램(300a)은 서버 컴퓨터(10)가 설비 데이터(X)를 비지도학습인 딥러닝 모델에 적용하여 품질 예측에 활용되는 예측 설비 데이터(X`)를 생성하게 하고, 제어기 학습 처리부(5300)의 공정 데이터 확장부(5310)를 연동시킨다.

자동 모델 갱신 학습 품질 예측 프로그램(400a)은 서버 컴퓨터(10)가 생성된 예측 설비 데이터(X`)를 활용하여 최종 예측 품질 데이터(Y`)를 예측하기 위한 분류 모델을 훈련하게 하고, 분류 모델 학습부(5400)를 연동시킨다.

품질 단위 구분 프로그램(500a)은 서버 컴퓨터(10)가 최종 품질 예측 데이터(Y`)에 따라 제품을 단위별로 길이를 산출하게 하고, 품질 단위 구분기(4000)를 연동시킨다.

본 발명의 일 양태에서, 인공 지능 기반의 연속 공정 제어 장치의 최종 수율 향상을 판단하는 기준 설정 방법은 S100 내지 S600의 단계들로 실행된다.

100 단계는 연속 공정에 해당하는 압출 공정 데이터를 수집하는 단계이다(S100). 100 단계에서, 연속 공정에 해당하는 압출 공정 데이터를 수집하는 단계는, 연속 공정인 플라스틱 ABS 코아 압출 공정에서 공정 센서(2000)를 통해 각 기기를 통해 1초 간격으로 데이터를 수집하고, 데이터는 최대 소수점 8번째 자리까지 존재하며, 피쳐(Feature) 데이터는 제어변수 또는 측정변수인 압출 온도, 다이스 온도, 외부 온도, 외부 습도, 물 온도, 스크류 속도, 압출 속도, 실린더 온도에 대하여 연속형 데이터 또는 이산형 데이터가 혼합되어 있다. 연속형 데이터에 해당하는 피쳐(feature)의 그래프와 연속형 데이터 상자 그림의 그래프는 하기의 도 9 및 도 10을 참조하고, 제어 변수 데이터와 측정 변수 데이터의 상관계수를 도식화한 그래프는 하기의 도 11을 참조한다.

200 단계는 단위 제품의 허용 오차를 넘어가는 값은 불량으로 판단하는 단계이다(S200). S200 단계에서, 단위 제품의 허용 오차를 넘어가는 값은 불량으로 판단하는 단계는, 타겟(Target) 값은 데이터의 품질을 의미하며 원래 데이터는 내경 6인치, 두께 8cm 제품에서 허용 오차를 넘어가는 값은 불량으로 판단한다. 이때, 공정의 허용오차는 두께 ±0.2mm, 내경 ±0.5mm이고, 분류기를 활용하기 위해 허용 오차를 넘어가는 값들은 불량품(품질 값 1), 그렇지 않은 값들은 양품(품질 값 0)으로 레이블링(labeling) 한다.

300 단계는 데이터의 특성 파악을 위한 그래프와 상자 그림, 통계적 분석을 진행하는 단계이다(S300). S300 단계에서, 각 데이터의 특성을 파악하기 위해 그래프와 상자 그림, 통계적 분석을 진행하는 단계는, 연속형 데이터에 해당하는 피쳐(Feature)들을 박스 플롯(Box Plot)을 활용해 이상치의 유무를 확인한다. 압출 온도(TIEXT1~3)와 물 온도(Water_1~4)는 센서별로 비슷한 추세를 따르고 있지만, 센서가 설치된 위치에 따라 온도의 변화를 받아 전체적으로 상승하거나 감소하고, 외부 온도(Out_temp)와 외부 습도(Out_wet)는 제어 받지 않는 피쳐(Feature)이기 때문에 값의 변동이 크다. 연속형 데이터 상자 그림은 하기의 도 10을 참조한다.

400 단계는 이상치를 발견하는 단계이다(S400). S400 단계에서, 이상치를 발견하는 단계는, 연속형 데이터는 외부 온도(Out_temp), 외부 습도(Out_wet)에서는 이상치가 발견되지 않으며, 압출 온도(TIEXT2~3), 물 온도(Water_1~4)에서 다량의 이상치가 발생하지만, 해당 이상치 값들이 특정 구간에 집중된 점을 고려하고, 이상치 포인트를 데이터 오류로 인한 이상치로 고려하지 않았기 때문에 별도의 처리를 통해 이상치를 제거하거나 조정하지 않으며, 이산형 데이터는 다이스 온도와 실린더 온도는 센서들의 위치가 달라 데이터의 값과 구간이 상이하고, 스크류 속도(RPM1_SCREW)와 압출 속도(RPM2_EXT)는 소수의 데이터 세트를 가지고 있다.

500 단계는 특성별 평균, 표준편차, 최소, 최댓값을 확인하는 단계이다(S500). S500 단계에서, 특성별 평균, 표준편차, 최소, 최댓값을 확인하는 단계는, 일 실시예에서 전체 특성의 데이터에서 결측치는 존재하지 않으며, 같은 특성이라 해도 평균에 차이가 있으며, 편차는 외부 습도에서 최대로 발생한다.

600 단계는 피쳐(Feature) 간의 상관 관계와 피쳐(Feature)와 레이블(label) 간 상관관계를 확인하는 단계이다(S600). S600 단계에서, 피쳐(Feature) 간의 상관관계와 피쳐(Feature)와 레이블(label) 간 상관관계를 확인하는 단계는, 상관관계 분석은 피어슨(Pearson) 상관계수를 활용하고, 상관계수는 -1부터 +1 사이의 값을 가지며 ±1로 가까이 갈수록 관련성이 높은 것으로 하고, 상관계수에 따라 색온도로 표현하며, 상관계수가 클수록 색이 진한 그래프로 표현된다. 일 실시예에서, 압출 온도(TIEXT1~3), 다이스 온도(TI_DIES2~3)는 동일 설비에 부착되어 센서의 상관계수가 높으며, 압출 온도(TIEXT), 다이스 온도(TI_DIES4), 외부 습도(Out_wet), 외부 온도(Out_temp1) 간의 상관관계가 높다. 피쳐(Feature)와 레이블(label) 간 상관관계 분석 결과는 절댓값을 취한 후 내림차순으로 표에 정리하고, 레이블(label)은 제품 품질의 양품은 0, 불량품은 1로 정하고, 전체 레이블(label)과 피쳐(Feature) 간의 상관계수는 거의 없거나 아주 약한 상관관계를 띄고 있어 특정 피쳐(Feature)와 레이블(label)한 품질을 결정하지 않는다.

도 4는 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 각 단계에 따라 변화되는 데이터의 상태를 설명하는 흐름도이다. 본 발명의 일 양태에서, 인공 지능 기반의 연속 공정 제어 장치의 머신 러닝을 활용한 공정 품질 예측 방법은 S2100 내지 S2700 단계들로 실행된다.

2100 단계는 매개변수를 조정하는 단계이다(S2100). 공정 품질예측은 로지스틱 회귀(Logistic Regression), 의사 결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 선형 판별 분석(Linear Discriminant Analysis, LDA), 최근접 이웃 알고리즘(K Neighbor Nearest, KNN) 분류기를 사용하여 매개 변수를 조정한다. 2200 단계는 데이터 전처리 단계이다(S2100). 분석 전에 사용되는 데이터가 각 클래스의 비율이 다른 불균형 데이터인 것을 고려하여 분류 모델을 구성하기 전에 학습 데이터 세트에 전처리를 진행한다(S2200). 2300 단계는 피쳐 스케일링(Feature scaling)을 진행하여 피쳐(Feature)들의 범위를 통일시키는 단계이다(S2300). 리샘플링(Resampling) 결과 양품과 불량품 개수가 모두 9,131개로 동일한 데이터 세트가 생성되면, 피쳐(Feature) 값의 범위가 다양하고 각 데이터의 스케일이 관련이 없으므로 피쳐 스케일링(Feature scaling)을 진행하여 피쳐(Feature)들의 범위를 통일시킨다. 이상치를 포함한 데이터에 대해 스탠더드 스케일러(Standard Scaler)와 로부스트 스케일러(Rubust Scaler)를 적용한 후의 데이터의 양상의 그래프는 도 12를 참조한다. 2400 단계는 사전 처리를 진행하는 단계이다(S2400). 이상치가 포함된 피쳐(Feature)가 있을 경우에 이를 고려한 사전 처리를 진행한다. 2500 단계는 교차 검증(cross-validation)을 적용하는 단계이다(S2500). 공정 데이터에 적합한 모델을 선정하기 위해 교차 검증(cross-validation)을 적용한다. 2600 단계는 로그 로스(Log loss)와 ROC 커브(curve)를 확인하는 단계이다(S2600). 분류 모델의 성능을 평가하기 위해 교차 검증에서 확인한 성능 이외에 로그 로스(Log loss)와 ROC 커브(curve)를 확인한다. 2700 단계는 피쳐 중요도(Feature Importance)를 확인하는 단계이다(S2700). 의사 결정 나무(Decision Tree)에서 데이터 분류 시 어떤 피쳐(Features)를 중요한 인자로서 고려했는지 확인하기 위해 피쳐 중요도(Feature Importance)를 확인한다.

2100 단계에서, 공정 품질예측은 로지스틱 회귀(Logistic Regression), 의사 결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 선형 판별 분석(Linear Discriminant Analysis, LDA), 최근접 이웃 알고리즘(K Neighbor Nearest, KNN) 분류기를 사용하여 매개변수를 조정하는 단계는, 머신 러닝 분류 모델들을 사용하여 제품의 품질을 예측하고, 모든 분석은 파이썬(python) 3.6.10 버전을 사용하며, 사용한 라이브러리는 컴퓨팅 계산을 위한 기본 패키지인 넘피(Numpy) 1.18.1, 데이터 분석 및 조작 도구를 위한 패키지인 판다스(Pandas) 1.0.1, 딥러닝을 위한 API인 케라스(Keras) 2.3.1, 예측 데이터 분석 도구인 scikit-leam 0.22.1를 사용하고, 로지스틱 회귀(Logistic Regression) 함수는 매개변수 중 max_iter에 대해서 1500으로 지정하고, max_iter는 솔버(solver)가 수렴하는 데 걸린 최대 반복 횟수를 의미하며, 솔버(solver)는 최적화 문제에 사용할 알고리즘으로 기본값 lbfgs를 사용하며, 의사 결정 나무(Decision Tree) 함수는 매개변수로 분할의 품질을 측정하는 기준(criterion)에 대해 지니(Gini)계수와 엔트로피(entropy) 중 속도가 더 빠른 지니(Gini)계수를 사용하고, 랜덤 포레스트(Random Forest) 함수는 매개변수로 기준(criterion)에 대해 의사 결정 나무(Decision Tree)와 마찬가지로 지니(Gini)계수를 사용하고, 선형 판별 분석(Linear Discriminant Analysis, LDA) 함수는 매개변수 중 최적화 문제에 사용하는 알고리즘인 솔버(solver)를 svd로 사용하고, svd는 공분산 행렬을 계산하지 않으므로 많은 피쳐(Feature)를 가진 데이터에 사용되며, 최근접 이웃 알고리즘(K Neighbor Nearest, KNN) 함수는 매개변수 중 이웃의 수를 지정하는 n_neighbors는 5, 가중치에 해당되는 가중치(weights)는 각 이웃의 모든 포인트에 대해 동일하게 가중치를 부여하는 ‘균일(uniform)'으로 설정한다.

2200 단계에서, 분석 전에 사용되는 데이터가 각 클래스의 비율이 다른 불균형 데이터인 것을 고려하여 분류 모델을 구성하기 전에 학습 데이터 세트에 전처리를 진행하는 데이터 전처리 단계는, 전처리는 리샘플링(Resampling)과 피쳐 스케일링(Feature scaling)을 사용하고, 불균형 데이터 조정을 위한 리샘플링(Resampling) 방법으로 데이터 세트에서 과반수 클래스의 일부 요소를 무작위로 제거하여 불균형 비율을 줄이는 언더 샘플링(Undersampling), 또는 언더 샘플링(Undersampling)과 반대의 접근법을 취한다. 과반수 클래스를 줄이는 대신 소수 클래스를 복제 또는 교란된 변형으로 교육세트에 추가하는 오버 샘플링(Oversampling), 데이터 밸런싱 접근 방식에서 언더 샘플링(Undersampling)과 오버 샘플링(Oversampling)을 결합하는 하이브리드 방법(Hybrid methods)를 사용한다. 제1 실험의 훈련 데이터와 테스트 데이터의 비율은 5 : 5로 지정하고, 제2 실험은 총 3 스텝(Step)으로 이루어지며, 스텝(Step) 1은 전체 데이터에서 나누어진 50%의 훈련 데이터를 4 : 6으로 나누어 독립적으로 훈련 데이터와 테스트 데이터로써 사용하고, 스텝(Step) 2와 3에서는 첫 번째 실험과 같이 훈련 데이터와 테스트 데이터의 비율을 5 : 5로 지정한다. 제1 실험의 결과는 두 번째 실험과 비교하기 위해 데이터를 5 : 5로 나누어 진행하고, 제2 실험의 결과는 데이터가 총 3가지로 나뉘기 때문에 최종 수율 향상도 평가를 위해 기본 데이터 분할을 5 : 5로 진행하고, 이때 5 : 5로 나누어진 훈련 데이터 세트(총10,401)중 양품은 88%(9,131개), 불량품은 12%(1,270개)이며, 과반수 클래스와 소수 클래스의 차이가 매우 많이 나는 데이터임을 고려하여 오버샘플링(Oversampling)을 적용하여 클래스의 비율을 맞춘다.

2300 단계에서, 피쳐 스케일링(Feature scaling)을 진행하여 피쳐(Feature)들의 범위를 통일시키는 단계는, 리샘플링(Resampling) 결과 양품과 불량품 개수가 모두 9,131개로 동일한 데이터 세트가 생성되면, 피쳐(Feature) 값의 범위가 다양하고 각 데이터의 스케일이 관련이 없으므로 피쳐 스케일링(Feature scaling)을 진행하여 피쳐(Feature)들의 범위를 통일시킨다. 피쳐 스케일링(Feature scaling)은 다차원의 값들을 비교 분석하기 쉽게 만들어주며, 최적화 과정에서의 안정성 및 수렴 속도를 향상하고, 스탠더드 스케일러(Standard Scaler) 방법은 각 피처의 평균을 0, 분산을 1로 조정하고, 로부스터 스케일러(Robust Scaler) 방법은 각 피처의 중앙값을 0, 사분위수를 1로 조정하고, 최소 최대 스케일러(MinMax Scaler) 방법은 각 피처의 최솟값을 0, 최댓값을 1로 조정하고, 노말라이저(Normalizer) 방법은 각 피처를 개별적으로 정규화한다.

2400 단계에서, 이상치가 포함된 피쳐(Feature)가 있을 경우에 이를 고려한 사전 처리를 진행하는 단계는, 스케일링(Scaling) 방법 중 파이썬(python) scikit-leam 라이브러리의 로부스트 스케일러(Robust Scaler)를 사용하고, 로부스트 스케일러(Robust Scaler)는 중앙값을 제거하고, IQR(Inter quartile range)의 범위에 따라 데이터를 스케일링하기 때문에 스탠더드 스케일러(Standard Scaler)와 비교했을 때 표준화 후 동일한 값을 더 넓게 분포시킬 수 있어 이상치의 영향을 최소화할 수 있다.

2500 단계에서, 공정 데이터에 적합한 모델을 선정하기 위해 교차 검증(cross-validation)을 적용하는 단계는, 교차 검증(cross-validation) 기법은 과대 적합과 데이터 샘플링 편향을 방지하고 데이터 레코드 수가 적은 경우 활용할 수 있으며 모델의 일반성을 확인할 수 있고, 케이 겹(k-fold) 교차 검증(cross-validation) 기법은 총 데이터 세트를 k 세트로 분할하여 각 세트를 한 번씩 테스트 세트로 선택하여 총 k번 진행하며, 테스트 세트로 선택된 데이터를 제외한 나머지 k-1개의 세트는 훈련 세트(training set)로 사용되고, 적용된 분류기 중 ANN은 2개의 은닉층을 가지는 모델로 설계하고, 각 은닉층은 100개, 80개의 뉴런으로 구성되어 있으며, 활성화 함수로는 Relu와 지그모이드(sigmoid), 옵티마이저(optimizer)는 Adam을 사용하고, Relu는 최종 분류 결과가 양품(0) 또는 불량품(1)의 이진수로 하기 위한 지그모이드(Sigmoid)를 출력층에 적용하며, 반복수 1000, 뱃치 사이즈(batch size) 10으로 지정하고, 모델을 학습할 때, 평가 데이터(Validation data)를 30% 지정한 후 조기 종료(Early stopping)를 적용하고, 조기 종료(early stopping)은 과소적합과 과대적합을 방지할 수 있으며 반복 수를 다 진행하지 않더라도 더 성능이 향상하지 않는 반복 수가 특정 횟수가 넘는다면 반복수를 다 채우지 않아도 학습이 종료하게 되며, 교차 검증 횟수를 5번으로 지정한다.

2600 단계에서, 분류 모델의 성능을 평가하기 위해 교차 검증에서 확인한 성능 이외에 로그 로스(Log loss)와 ROC 커브(curve)를 확인하는 단계는, 두 성능지표는 모델에 데이터가 피팅(fitting)된 이후에 확인할 수 있어 교차 검증(cross-validation)에서는 사용하지 않고, 최종 분류 성능 결과 밸런스 어큐러시(balanced accuracy)와 로그 로스(log loss)에서 가장 우수한 모델은 의사 결정 나무(Decision Tree)이고, ROC 커브(curve)에서 가장 우수한 모델은 랜덤 포레스트(Random Forest)이며, 의사 결정 나무(Decision Tree)와 랜덤 포레스트(Random Forest)의 컨퓨젼 매트릭스(Confusion Matrix)를 비교한다.

2700 단계에서 의사 결정 나무(Decision Tree)에서 데이터 분류 시 어떤 피쳐(Features)를 중요한 인자로서 고려했는지 확인하기 위해 피쳐 임포턴스(Feature Importance)를 확인하는 단계는, 일 실시예에서 전체 피쳐 임포턴스(Feature importance) 상위 5개는 실린더 온도(TI_CYL5), 다이스 온도(TI_DIES1), 압출 온도(TIEXT1~3)이고, 25개의 피쳐(Feature) 중 상위 5개의 요인이 69%의 영향력을 차지한다. DT(Decision Tree) 모델 변수 중요도 그래프는 하기의 도 13을 참조한다.

도 5는 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법을 설명하는 것에 대한 흐름도이다.

본 발명의 일 실시예에서, 본 발명의 데이터 분석 기반의 연속 공정 품질 예측 및 수율 개선 방법의 일 실시예에서, 소량의 레이블링된 데이터만 있다는 가정하에 연속 공정의 품질을 예측한다. 제품 제조 공정에서 레이블링 되지 않은 데이터(data)와 레이블링된 데이터(data)가 공존하는 데이터를 준 지도학습(SSL)과 시계열 예측을 활용하여 연속 공정 품질을 예측하기 위한 인공 지능 기반의 연속 공정 제어 장치의 소량 데이터를 활용한 수율 개선 방법(S3000)은 S3100 내지 S3300의 단계들로 실행된다.

S3100 단계는 준 지도학습(SSL)을 통해 레이블링 되지 않은 데이터를 레이블링(labeling) 하는 단계이다(Step 1). 스텝(Step) 1 단계(S3100)는 랜덤 포레스트(Random Forest)를 활용한 수도 레이블링(Pseudo Labeling) 준 지도학습(SSL)으로 레이블링된 데이터를 활용해 레이블링 되지 않은 데이터를 레이블링(Labeling) 하여, 소량의 레이블링된 데이터를 활용하여 전체 품질을 예측한다. 이는 추가적인 데이터 수집을 위한 비용과 노력이 요구되지 않는다.

S3200 단계는 피쳐 데이터(Feature data)를 시계열 예측을 통해 미래 값을 생성하는 단계이다(Step 2). 스텝(Step) 2 단계(S200)는 딥러닝 방법 중 순환 신경망(Recurrent neural network, RNN)을 활용한 시계열 예측을 통해 피쳐(Feature) 값을 생성한다.

S3300 단계는 S3100 단계(Step 1)을 통해 생성된 레이블링(labeling) 된 데이터와 S3200 단계(Step 2)에서 시계열 예측을 통해 생성된 데이터를 통해 품질을 예측하여 분류하는 단계이다(Step 3). 스텝(Step) 3 단계(S300)는 의사 결정 나무(Decision Tree)를 통해 최종 품질 예측을 진행한다.

도 6은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 프로세스를 도시한 모식도이다.

3100 단계에서, 준 지도학습(SSL)을 통해 레이블링 되지 않은 데이터를 레이블링(labeling) 하는 단계(Step 1)는, 소량의 데이터를 리셈플링(Resampling) 하거나 스케일링(Scaling) 하게 될 경우 치우침 현상이 발생할 수 있으므로 데이터 전처리를 하지 않고 분석하고, 훈련 데이터와 테스트 데이터의 비율은 5 : 5로 지정하며, 그 중 일부(10,300개)의 훈련 데이터 만을 활용하여 준 지도학습(SSL)을 진행하고, 훈련 데이터 중 60%(6,281개)의 데이터를 임의로 삭제시킨 후 나머지 40%의 데이터(4,119개)를 활용하여 삭제시킨 데이터의 레이블링(Labeling)을 진행한다. 준 지도학습(SSL) 방법은 수도 레이블링(Pseudo Labeling)과 그래프 기반 분류기를 적용하고, 수도 레이블링(Pseudo Labeling)은 분류기 중 인공신경망(Artificial Neural Network, ANN)을 제외한 7개 분류기를 적용하였고, 그래프 기반의 준 지도학습(SSL) 분류기인 레이블 스프레딩(Label Spreading)과 레이블 프로파게이션(Label Propagation)은 방사 기저 함수(Radial Basis Function, RBF)와 최근접 이웃 알고리즘(K-Nearest Neighbor, KNN) 두 가지 커널을 각각 적용하여, 총 11가지 경우에 대해 준 지도학습(SSL)을 적용하였고, 교차 검증(k=5)을 시행한 결과로 의사 결정 나무(Decision Tree)와 랜덤 포레스트(Random Forest)를 선택한다.

3100 단계에서, 준 지도학습(SSL)을 통해 레이블링 되지 않은 데이터를 레이블링(labeling) 하는 단계(Step 1)는, 모델의 성능을 비교하기 위해 밸런스 어큐러시(Balanced accuracy), 로그 로스(log loss), ROC 커브(curve)를 사용하여, 의사결정 나무(Decision Tree)와 랜덤 포레스트(Random Forest)를 선택하고, 최종 모델 선정을 위해 컨퓨전 메트릭스(Confusion matrix) 확인하여, 랜덤 포레스트(Random Forest)를 활용한 수도 레이블러(Pseudo Labeler) 통해 레이블링된 데이터를 Step 3의 최종 분류 과정에 학습시켜 품질을 예측한다.

S3200 단계에서, 피쳐 데이터(Feature data)를 시계열 예측을 통해 미래 값을 생성하는 단계(Step 2)는, 피쳐(Feature)들의 훈련 데이터 세트를 활용하여 테스트 데이터 세트를 예측하는 시계열 예측 단계이고, 시계열 예측을 위해 순환 신경망(Recurrent Neural network, RNN) 모델을 사용하였으며, 2개의 은닉층을 가지는 모델을 설계하고, 각 은닉층은 500개, 1,000개의 뉴런으로 구성되어 있으며 활성화 함수로는 Relu, 옵티마이저(optimizer)는 Adam을 사용하고, 각 피쳐(Feature)에 따라 개별 학습을 진행하였으며 반복수 1000, 뱃치 사이즈(batch size) 100으로 지정한다. 3200 단계에서, 피쳐 데이터(Feature data)를 시계열 예측을 통해 미래 값을 생성하는 단계(Step 2)는, 모델을 학습할 때, 평가 데이터(Validation Data)를 30% 지정한 후 조기 종료(Early stopping)를 적용하고 조기 종료(early stopping)는 과소적합과 과대적합을 방지할 수 있으며 반복 수를 다 진행하지 않더라도 더 성능이 향상하지 않는 반복 수가 특정 횟수가 넘는다면 반복 수를 다 채우지 않아도 학습은 종료한다. 3200 단계에서, 피쳐 데이터(Feature data)를 시계열 예측을 통해 미래 값을 생성하는 단계(Step 2)는, 예측된 값과 실제 값을 비교하여 MAPE로 성능을 평가하는 단계를 더 포함한다.

3300 단계에서, S3100 단계(Step 1)을 통해 생성된 레이블링(labeling)된 데이터와 S3200 단계(Step 2)에서 시계열 예측을 통해 생성된 데이터를 통해 품질을 예측하여 분류하는 단계(Step 3)는, S3100 단계(Step 1)에서는 랜덤 포레스트(Random Forest)를 적용한 수도 레이블러(Pseudo Labeler)로 손실된 데이터를 생성하고, S3100 단계(Step 2)에서는 순환 신경망(Recurrent neural network, RNN)을 통해 피쳐(Feature) 데이터를 예측하고, S3100 단계(Step1), S3200 단계(Step 2)에서 생성된 데이터를 기반으로 분류를 진행하여 최종적으로 미래의 품질 값을 예측한다. 분류기는 모든 성능지표에서 의사 결정 나무(Decision Tree)와 랜덤 포레스트(Random Forest)가 우수한 성능을 보이고, S3300 단계(Step 3)을 통해 예측된 품질 값을 활용하여 기존의 공정 방식보다 얼마나 수율을 향상할 수 있을지 계산하여 품질 예측을 통한 수율을 향상할 수 있다. 최종 수율 향상도 결과를 나타내는 그래프는 도 14를 참조한다.

도 7은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 데이터 변환과정을 도시한 모식도이다.

본 발명의 인공 지능 기반 연속 공정 제조 장치(100)의 데이터들은 연속 공정에서 학습용 품질 예측기(5000)의 학습에 의하여 로우(Raw) 데이터(①), 레이블링 데이터(②), 시계열 예측 데이터(③), 품질 예측 데이터(④)로 변환될 수 있다. 본 발명의 인공 지능 기반 연속 공정 제조 장치(100)의 데이터들은 연속 공정에서의 제어 변수 데이터와 측정 변수 데이터로 구성된 설비 데이터(X)는 모두 수집되고, 제품의 양품 데이터(0) 또는 불량품 데이터(1)의 이진수로 구성된 품질 데이터(Y)는 일부의 레이블 품질 데이터(Y_L)만 수집되면(①), 품질 데이터(Y)값이 없는 언레이블 품질 데이터(Y_U)를 레이블링하여 예상 레이블 품질 데이터(Y_P)를 생성하고(②), 설비 데이터(X)를 딥러닝 모델에 적용하여 품질 예측에 활용되는 예측 설비 데이터(X`)를 생성하고(③), 생성된 예측 설비 데이터(X`)를 활용하여 최종 예측 품질 데이터(Y`)를 예측하기 위한 분류 모델에 훈련시키는 과정을 거치게 된다(④).

도 8은 제안된 발명의 일 실시예에 따른 인공 지능 기반의 연속 공정 제어 장치(100)의 품질 예측을 하지 않은 공정(Case1)과 품질 예측을 한 공정(Case2)의 제품을 도시한 모식도이다. 도 8을 참조하면, 인공 지능 기반의 연속 공정 제어 장치(100)의 연속 공정 품질 예측 및 수율 개선 방법은 소량의 데이터만을 활용하여 품질 예측을 통해, 불량품(짙은색 부분)이 발생하는 시점을 예측한 제품을 품질 단위 구분기(4000)로 컷팅하게 되므로, 품질 예측을 하지 않은 공정(Case1)의 제품에 비하여 품질 예측을 한 공정(Case2)의 제품 생산 방식이 연속 공정에서 단위 시간동안 양품이 생산될 수율을 향상할 수 있다. 예를 들어, 연속 공정에서 일정 길이로 단위 제품을 생산할 경우 총 5개의 제품 중 2개의 제품이 불량이여서 총 3개의 단위 제품을 생산할 수 있으므로, 수율은 60%라고 할 수 있다. 그러나 케이스(case) 2와 같이 불량이 발생하기 전 예측하여 제품을 생산할 수 있다면 같은 양의 원자재를 투입하게 되더라도 총 4개의 단위 제품을 생산할 수 있으므로, 케이스(case) 1과 비교했을 때 80%의 수율로 더 효율적으로 생산 과정을 운영할 수 있다.

도 9 내지 도 14에는 인공 지능 기반 연속 공정 제어 장치(100)를 이용한 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트에 사용된 데이터가 그래프로 도시되며, 본 발명의 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램과 학습 데이터 세트 구조의 기록 매체에 저장되어 인공 지능 기반의 연속 공정 제어 장치(100)의 머신 러닝에 사용될 수 있다.

도 9는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 압출 온도, 외부 온도, 외부 습도, 물 온도 그래프이다.

도 9는 전체 데이터 중 연속형 데이터에 해당하는 피쳐(Features)에 대한 그래프를 나타낸다. X축은 시간을 의미하며, Y축은 각각 온도와 습도를 의미한다. 압출 온도(TIEXT1~3)와 물 온도(Water_1~4)는 센서별로 비슷한 추세를 따르고 있지만, 센서가 설치된 위치에 따라 온도의 변화를 받아 전체적으로 상승하거나 감소한 것을 확인할 수 있다. 외부 온도(Out_temp)와 외부 습도(Out_wet)는 제어 받지 않는 피쳐(Feature)이기 때문에 값의 변동이 큰 것을 확인할 수 있다.

도 10은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 연속형 데이터 상자 그래프이다.

도 10은 연속형 데이터의 상자 그림을 표현한 것으로, 이상치를 나타내는 점은 진할수록 해당 범위에 많은 이상치가 분포한다. 분석 결과 외부 온도(Out_temp), 외부 습도(Out_wet)에서는 이상치가 발견되지 않았으며, 압출 온도(TIEXT2~3), 물 온도(Water_1~4)에서 이상치가 각각 329, 5, 315, 237, 3174, 60개가 탐지되었다. 다량의 이상치가 발생하였지만, 해당 이상치 값들이 특정 구간에 집중된 점을 고려하여 이상치 포인트를 데이터 오류로 인한 이상치로 고려하지 않을 수 있으므로 일 실시예에서는 별도의 처리를 통해 이상치를 제거하거나 조정하지 않을 수 있다.

도 11은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 특성 간 상관계수 도식화한 그래프이다.

도 11의 상관관계 분석은 피어슨(Pearson) 상관계수를 활용하여 진행될 수 있다. 피쳐(Feature) 간의 상관관계와 피쳐(Feature)와 레이블(label) 간 상관관계를 확인하며, 피쳐(Feature) 간의 상관관계 분석 결과는 도 11과 같다. 상관계수는 -1부터 +1 사이의 값을 가지며 ±1로 가까이 갈수록 관련성이 높다고 할 수 있다. 상관계수에 따라 색온도로 표현하며, 상관계수가 클수록 색이 진하다. 일 실시예에서, 분석 결과 압출 온도(TIEXT1~3), 다이스 온도(TI_DIES2~3) 등 동일 설비에 부착된 센서의 상관계수가 대부분 높으며, 이외에는 압출 온도(TIEXT), 다이스 온도(TI_DIES4), 외부 습도(Out_wet), 외부 온도(Out_temp1) 간의 상관관계가 높다.

도 12는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 스탠더드 스케일러(Standard Scaler)와 로부스트 스케일러(Robust Scaler) 의 그래프이다.

도 12는 이상치를 포함한 데이터에 대해 스탠다드 스케일러(Standard Scaler)와 로부스트 스케일러(Robust Scaler)를 적용한 후의 데이터 양상이다. 일 실시예에서, 데이터는 이상치가 포함된 피쳐(Feature)가 있었으므로, 이를 고려한 사전 처리를 진행한다. 따라서, 스케일링(Scaling) 방법 중 파이썬(python) scikit-leam 라이브러리의 로부스트 스케일러(Robust Scaler)를 사용하여, 로부스트 스케일러(Robust Scaler)는 중앙값을 제거하고, IQR(Inter quartile range)의 범위에 따라 데이터를 스케일링하기 때문에 스탠다드 스케일러(Standard Scaler)와 비교했을 때 표준화 후 동일한 값을 더 넓게 분포시킬 수 있어 이상치의 영향을 최소화 할 수 있다.

도 13은 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 DT(Decision Tree) 모델 변수 중요도를 도시한 그래프이다.

도 13은 의사 결정 나무(Decision Tree)에서 데이터 분류 시 어떤 피쳐(Features)를 중요한 인자로서 고려했는지 확인하기 위해 피쳐 중요도(Feature Importance)를 나타낸 그래프로, 일 실시예에서 전체 피쳐 중요도(Feature importance) 상위 5개는 실린더 온도(TI_CYL5), 다이스 온도(TI_DIES1), 압출 온도(TIEXT1~3)이며, 각 점수는 0.1896, 0.1757, 0.1101, 0.1085, 0.1046이다. 25개의 Feature 중 상위 5개의 요인이 약 69%의 영향력을 차지하는 것을 알 수 있다.

도 14는 제안된 발명의 일실시예에 따른 인공 지능 기반의 연속 공정 제어 장치의 수율 향상도 그래프이다.

도 14는 일반 분류 결과와 비교하기 위해 별도의 기법을 적용하지 않고 의사 결정 나무(Decision Tree)를 통한 품질 예측을 진행하여 제안된 방식을 적용한 결과를 확인한 결과의 그래프이다. 기존의 연속 공정 제품 생산은 일정 간격으로 제품을 절단하는 방식인 등간격 생산이다. 이때, 절단된 하나의 제품에서 일부분이라도 불량이 있는 경우 해당 제품은 불량품이 된다. 이에 본 발명은 품질 예측을 통해 불량으로 예측되는 부분을 고려하여 제품을 자르는 방식이 적용된다. 본 발명의 일 실시예에서 적용된 방식은 단위 시간 동안 생산하는 길이에서 예상된 품질이 모두 양품일 경우 제품을 생산하며, 생산된 양품 개수를 활용하여 기존 생산방식과의 수율을 비교한다. 수율은 총생산량(A) 중 양품 개수(a)로 계산된다. 일 실시예에서, 소량의 데이터만을 활용하여 품질예측을 진행한 결과, 훈련 데이터 세트(10,401개)의 60%를 임의로 삭제시킨 후 40%(4,120개)의 데이터만을 사용하여 성능이 가장 좋은 의사 결정 나무(Decision Tree)를 학습하면, 기존 생산방식(a)보다 대부분 수율이 하락한 것을 확인할 수 있다(b). 랜덤 포레스트(Random Forest)를 활용하여 제안된 생산방식을 적용할 경우 수율이 향상됨을 확인할 수 있으며(d), 최종 모델로 선정된 의사 결정 나무(Decision Tree)를 활용하여 본 발명의 일 실시예의 생산방식을 적용할 경우 단위 생산시간 6초 이후 모든 수율이 향상되며 최대 약 8.7%까지 향상됨을 확인할 수 있다(c).

이상에서 본 발명을 첨부된 도면을 참조하는 실시예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형예들을 포괄하도록 의도되었다.

2 : 원료
5 : 제품
10 : 서버 컴퓨터
50 : 네트워크
100 : 인공 지능 기반 연속 공정 제조 장치
1000 : 연속 배출부
2000 : 공정 센서
2500 : 레이블 데이터 수집부
2600 : 언레이블 데이터 수집부
3000 : 품질 예측 제어기
3100 : 품질 예측부
4000 : 품질 단위 구분기
5000 : 학습용 품질 예측기
5100 : 1차 학습기
5200 : 데이터 레이블링 처리부
5300 : 제어기 학습 처리부
5310 : 공정 데이터 확장부
5400 : 분류 모델 학습부

Claims

적어도 하나의 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 시스템을 이용한 인공 지능 기반 연속 공정 제조 장치에 있어서,
원료를 공급받아 제품을 연속적으로 생산하여 배출하는 연속 배출부와;
연속 배출부의 복수 개의 위치에 설치되어 연속 공정 데이터를 출력하는 복수개의 공정 센서와;
연속공정 데이터들로부터 연속 생산되는 제품의 특정 시점에서의 생산 단위의 양불의 품질을 예측하는 품질 예측 제어기와;
레이블링된 연속공정 데이터로 학습시킨 품질 예측 제어기를 이용하여 레이블링되지 않은 연속공정 데이터를 레이블링하여 그를 이용하여 품질 예측 제어기를 학습시키는 품질 예측기 학습부와;
연속 배출부에서 배출되는 제품을 생산 단위의 길이로 절단하여 배출하되, 품질 예측 제어기의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 배출하는 품질 단위 구분기를;
포함하되,
연속공정 데이터는 설비 데이터와, 품질 데이터를 포함하여 구성되고,
품질 예측 제어기는 수집된 설비 데이터로부터 예측된 예측 설비 데이터로부터 최종 예측 품질 데이터를 생성하여 연속 생산되는 제품의 특정 시점에서의 생산 단위의 양불의 품질을 예측하는 인공 지능 기반 연속공정 제조 장치.
청구항 1에 있어서, 연속 배출부는 :
원료가 투입되면 소정의 속도로 이송하여 압출 성형하고 냉각 가공하여 제품을 생산하는 플라스틱 ABS 코아 압출 공정 설비를;
포함하는 인공 지능 기반 연속 공정 제조 장치.
청구항 1에 있어서, 복수개의 공정 센서는 :
원료가 금형에서 밀어 나올 때의 온도인 압출 온도를 측정하는 압출 온도 센서, 금형의 온도를 측정하는 금형 온도 센서, 금형에서 제품을 밀어내는 나선형 기구인 스크류의 속도를 측정하는 스크류 속도 센서, 원료가 금형에서 밀어져 나오는 속도를 측정하는 압출 속도 센서, 내부에 피스톤을 통해 왕복 운동할 수 있는 속이 빈 원통 모양 기구인 실린더의 온도를 측정하는 실린더 온도 센서를 포함하며 컨트롤러에 의해 직접 제어되는 제어 변수 데이터를 생성하는 제어 변수 센서부와;
설비가 설치된 공정 내부의 온도를 측정하는 외부 온도 센서, 설비가 설치된 공정 내부의 습도를 측정하는 외부 습도 센서, 성형된 제품의 형태를 굳히기 위해 분사되는 물의 온도를 측정하는 물 온도 센서를 포함하며 측정 변수 데이터를 생성하는 측정 변수 센서부를;
포함하는 인공 지능 기반 연속 공정 제조 장치.
삭제
청구항 1에 있어서, 상기 제조 장치는 :
품질 예측 제어기와 동일한 구조를 가지는 학습용 품질 예측기와;
레이블링된 연속 공정 데이터로 학습용 품질 예측기를 학습시키는 1차 학습기와;
1차 학습기로 학습된 학습용 품질 예측기로 레이블링되지 않은 연속 공정 데이터를 레이블링하여 조작된 연속 공정 데이터를 생성하는 데이터 레이블링 처리부와;
레이블링된 연속 공정 데이터 및 조작된 연속 공정 데이터를 포함하는 연속 공정 데이터들을 이용하여 품질 예측 제어기를 학습시키는 제어기 학습 처리부를;
더 포함하는 인공 지능 기반 연속 공정 제조 장치.
청구항 5에 있어서, 제어기 학습 처리부가 :
레이블링된 연속 공정 데이터와 조작된 연속 공정 데이터를 이용하여 추가적인 연속 공정 데이터를 생성하는 공정 데이터 확장부를;
더 포함하는 인공 지능 기반 연속 공정 제조 장치.
청구항 6에 있어서, 공정 데이터 확장부는 :
순환 신경망(Recurrent neural network, RNN) 딥러닝 엔진을;
포함하는 인공 지능 기반 연속 공정 제조 장치.
청구항 1에 있어서, 상기 제조 장치는 :
연속 공정 데이터들을 훈련 데이터셋(train data set)과 평가 데이터셋(Validation data set)으로 나누어 학습된 분류 모델을 검증하는 분류 모델 학습부를;
더 포함하는 인공 지능 기반 연속 공정 제조 장치.
단위 시간 동안 제품 생산 단위 길이로 제품을 생산하는 연속 공정에서 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법에 있어서,
연속 공정에서 연속 배출부가 원료를 공급받아 제품을 연속적으로 생산하여 배출하는 연속 배출 단계와;
연속 배출부의 복수 개의 위치에 설치된 공정 센서가 연속 공정 데이터를 생성하는 연속 공정 데이터 생성 단계와;
품질 예측 제어기가 공정 센서로부터 입력된 연속 공정 데이터들로부터 연속 생산되는 제품의 특정 시점 생산 단위의 양불의 품질을 예측하는 품질 예측 단계와;
품질 단위 구분기가 연속 배출부에서 배출되는 제품을 단위 길이로 절단하여 배출하되, 품질 예측 제어기의 출력에 따라 불량으로 예측된 부분은 불량인 구간을 포함하는 상이한 길이로 구분하여 가공하는 품질 단위 구분 단계를;
포함하되,
품질 예측 단계는,
1차 학습기가 레이블링된 연속공정 데이터로 학습용 품질 예측기를 학습시키는 단계와;
데이터 레이블링 처리부가 1차 학습기로 학습된 학습용 품질 예측기로 레이블링되지 않은 연속공정 데이터를 레이블링하여 조작된 연속공정 데이터를 생성하는 단계와;
제어기 학습 처리부가 연속공정 데이터들을 이용하여 품질 예측 제어기를 학습시키는 단계와;
공정 데이터 확장부가 연속공정 데이터들을 이용하여 예측된 연속공정 데이터를 생성하는 단계를;
더 포함하고,
품질 예측 단계는 예측된 연속공정 데이터로부터 연속 생산되는 제품의 특정 시점에서의 생산 단위의 양불의 품질을 예측하는 인공 지능 기반 연속공정 제조 장치를 이용한 연속공정 품질 예측 및 수율 개선 방법.
삭제
청구항 9 의 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법을 구현하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
청구항 9 의 인공 지능 기반 연속 공정 제조 장치를 이용한 연속 공정 품질 예측 및 수율 개선 방법의 학습 데이터 세트 구조가 저장된 기록 매체.