KR102474332B1 - 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 - Google Patents
스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 Download PDFInfo
- Publication number
- KR102474332B1 KR102474332B1 KR1020210059958A KR20210059958A KR102474332B1 KR 102474332 B1 KR102474332 B1 KR 102474332B1 KR 1020210059958 A KR1020210059958 A KR 1020210059958A KR 20210059958 A KR20210059958 A KR 20210059958A KR 102474332 B1 KR102474332 B1 KR 102474332B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- machine
- present
- alarm
- health stability
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000036541 health Effects 0.000 title claims abstract description 71
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 62
- 238000003070 Statistical process control Methods 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003326 Quality management system Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 41
- 238000002474 experimental method Methods 0.000 description 32
- 238000007637 random forest analysis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 스마트 공장 시스템에서 설비 건강 안정도 예측 방법에 관한 것으로서, 스마트 공장 시스템에서 기계 자체 데이터와, 기계에서 생산된 제품 데이터를 포함하는 로(raw) 데이터를 수집하는 데이터 수집 단계, 상기 로 데이터에서 특징(feature) 데이터를 추출하는 특징 추출 단계, 상기 특징 데이터를 이용하여 각 설비 데이터에 레이블(label)을 지정하고, 등급을 분류하여 설비 건강 안정도를 산출하는 설비 건강 안정도 산출 단계 및 지정된 레이블 데이터를 입력으로 하는 인공지능 기술을 이용하여 미리 정해진 시간 동안 설비 건강 안정도를 예측하는 설비 건강 안정도 예측 단계를 포함한다.
본 발명에 의하면, 설비의 수명 주기에 대한 신뢰성을 향상시키고, 기계 고장을 예방하고, 유지 보수 비용을 절감할 수 있는 효과가 있다.
본 발명에 의하면, 설비의 수명 주기에 대한 신뢰성을 향상시키고, 기계 고장을 예방하고, 유지 보수 비용을 절감할 수 있는 효과가 있다.
Description
본 발명은 스마트 공장 시스템에 관한 것으로서, 더욱 상세하게는 스마트 공장 시스템에서 기계 상태와 제품 상태의 안정도를 측정하고 예측하는 설비 건강 안정도 예측 기술에 관한 것이다.
스마트 제조는 상호 연결된 기계와 도구를 활용하여 제조 성능을 향상시키고, 빅 데이터 처리 인공 지능과 첨단 로봇 기술 및 이들의 상호 연결성 구현에 필요한 에너지 및 인력을 최적화하는 기술이다.
스마트 팩토리(Smart factory)는 제품을 조립, 포장하고 기계를 점검하는 전 과정이 자동으로 이뤄지는 공장으로 정보통신기술(ICT)의 융합으로 이뤄지는 차세대 산업혁명인 4차 산업혁명의 핵심으로 꼽힌다. 스마트 팩토리는 모든 설비와 장치가 무선통신으로 연결되어 있기 때문에 실시간으로 전 공정을 모니터링하고 분석할 수 있다. 스마트 팩토리에서는 공장 곳곳에 사물인터넷(IoT) 센서와 카메라를 부착시켜 데이터를 수집하고 플랫폼에 저장해 분석하는데, 이렇게 분석된 데이터를 기반으로 어디서 불량품이 발생하였는지, 이상 징후가 보이는 설비는 어떤 것인지 등을 인공지능이 파악하여 전체적인 공정을 제어한다.
스마트 팩토리에서는 실시간으로 재구성 할 수 있는 유닛(unit), 프로덕션 셀(production cells), 프로덕션 라인(production line) 등의 환경이 필수이며, 지능적이고 효율적인 데이터 획득을 위해서 클라우드 서비스와 IIoT(Industrial Internet of Thins) 기술을 사용한다. 또한 스마트 팩토리 환경에서는 여러 무선 센서 노드와 모바일 장치들이 실시간으로 데이터를 주고 받으며 제품을 생산하고 작업을 처리한다.
4차 산업 혁명(Industry 4.0)은 현재 제조 산업의 자동화 및 데이터 교환 추세를 나타내고, 제조 관리에서 개발 공정 및 생산 체인을 의미한다. 최근에는 제조 공정이 점점 더 복잡해지고 있다. 제조 공정이 복잡해 지고 지속적으로 증가하는 데이터 양으로 인해 생산 공정 모니터링 및 데이터 분석과 관련하여 제조업체에 과도한 요구가 발생한다. 그리고, 제조 공정에서 품질 관리는 항상 필수 요소이다.
사물 인터넷(IoT)을 사용하면 네트워크 센서 및 지능형 장치를 사용하여 제조 공정의 모든 지점에서 데이터를 수집하고, 이러한 기술을 제조 현장에서 직접 사용할 수 있으며, 인공 지능(artificial intelligence, AI) 및 예측 분석을 유도하기 위해 데이터를 수집 할 수 있다.
스마트 공장 시스템에서 예측 및 건강 관리(Prognostics and Health Management, PHM)는 시스템의 실제 수명주기 조건에서 시스템의 신뢰성을 평가할 수 있도록 한다. 여기서 예측(prognostics)은 제품의 상태를 모니터링하고 제품의 남은 유효 수명을 예측하는 과정으로서, 예상 사용 조건에서 예상 건강 상태의 편차 또는 저하 정도를 평가한다. 그리고, 건강 관리는 예측 정보를 활용하여 안전, 상태 기반 유지보수, 적절한 재고 확보 및 제품 수명 연장 등과 관련된 결정을 한다.
이처럼, 데이터 양이 크게 증가하면서 제품 품질 관리 및 예측 유지 보수 (predictive maintenance, PdM)에 새로운 패러다임이 만들어졌다. PdM은 Industry 4.0의 핵심 이점 중 하나인데, 잠재적인 문제를 분석, 탐지 및 예측하기 위해 각 시스템에서 가져온 특정 정보에 의존하며, 생산성을 높이고 제품 품질을 향상 시키며 제조업체에 신뢰성을 제공한다. PdM은 모든 장비의 고장 시간에 대한 예측을 기반으로 유지 보수를 예약하는 방법으로서, 정기적인 유지 보수의 경우처럼 불필요한 유지 보수 작업을 수행할 필요가 없으므로 많은 시간과 에너지를 절약할 수 있다.
예측 가능한 유지 보수, 생산 모니터링 및 품질 관리는 서로 밀접하게 연결되어 있다. 생산 모니터링 및 품질 관리는 모든 제조 유형에 있어 중요한 비즈니스 전략이 되었다. 최근 수십 년 동안 품질을 제어하고 제조 공정을 가속화하기 위한 많은 방법이 개발되었다. 품질 관리는 개념에서부터 최종 제품의 납품에 이르기까지 제조 공정의 모든 부분에 필수적이다. 이와 유사하게, PdM에서 장애를 예측하기 위해 패턴을 정의하는 것을 목표로, 특정 딥 러닝 알고리즘으로부터 이익을 얻을 수 있는 공정인 제품 생산 상태를 모니터링하기 위해, 시간이 지남에 따라 데이터가 수집된다.
요즘 PdM은 스마트 제조 분야에서 중요한 연구 분야가 되고 있다. 많은 PdM 시스템이 제조 산업에 적용되도록 제안되고 개발되었다. 대부분의 이전 연구는 머신(machine)에서 수집한 이력 오류 데이터를 사용하여 머신의 상태에 중점을 두었다.
이처럼, 제조 산업에서 생산 공정 관리는 제조 공정 성능의 품질을 지속적으로 모니터링하여 고품질 제품을 생산하는 동안 생산 공정 안정성을 보장하는 데 매우 중요하다. 실제로, 모든 제조 산업에서 만족스러운 수익을 창출하려면 고품질 생산이 필요하다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 스마트 공장 시스템에서 기계의 상태, 경보, 고장 생산 등 다양한 기계 정보를 반영하여 기계 상태의 공식 사양을 정의하기 위하여, 기계 및 제품의 모든 데이터를 반영한 설비 건강 안정도를 산출하고 예측하는 스마트 공장 시스템에서 설비 건강 안정도 예측 시스템을 제공하는데 그 목적이 있다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명은 스마트 공장 시스템에서 설비 건강 안정도 예측 방법에 관한 것으로서, 스마트 공장 시스템에서 기계 자체 데이터와, 기계에서 생산된 제품 데이터를 포함하는 로(raw) 데이터를 수집하는 데이터 수집 단계, 상기 로 데이터에서 특징(feature) 데이터를 추출하는 특징 추출 단계, 상기 특징 데이터를 이용하여 각 설비 데이터에 레이블(label)을 지정하고, 등급을 분류하여 설비 건강 안정도를 산출하는 설비 건강 안정도 산출 단계 및 지정된 레이블 데이터를 입력으로 하는 인공지능 기술을 이용하여 미리 정해진 시간 동안 설비 건강 안정도를 예측하는 설비 건강 안정도 예측 단계를 포함한다.
상기 특징 추출 단계에서, 기계의 활성 상태 또는 비활성 상태를 포함하는 기계 상태, 알람 비율, 알람 빈도, 알람 종류를 포함하는 기계 알람(machine alarm)을 포함하는 기계 자체 데이터와, 결함 제품, 불량(Not Good) 제품, 제조 주기 시간(Manufacturing Cycle Time, MCT), PCA(Process Capability Analysis) 및 SPC(Statistical Process Control)를 포함하는 기계 생산 결과 데이터와, 고장과 고장 간의 시간, 고장 기간을 포함하는 과거 기계 고장 데이터를 포함하는 특징 데이터를 추출할 수 있다.
본 발명의 일 실시예에서 상기 설비 건강 안정도 예측 단계에서, 머신 러닝을 이용하여 설비 건강 안정도를 예측할 수 있다. 이때, SVM(Support Vector Machine), 릿지(Ridge), 랜덤 포레스트(Random Forest), K-NN(K-Nearest Neighbor) 모델 중 어느 하나를 이용하여 설비 건강 안정도를 예측할 수 있다.
본 발명의 다른 실시예에서 상기 설비 건강 안정도 예측 단계에서, 딥 러닝을 이용하여 설비 건강 안정도를 예측할 수 있다.
본 발명에 의하면, 스마트 공장 시스템에서 기계 자체 데이터와 기계가 생산한 제품 데이터를 모두 고려한 설비 건강 안정도를 정의하고 예측함으로써, 설비의 수명 주기에 대한 신뢰성을 향상시키고, 기계 고장을 예방하고, 유지 보수 비용을 절감할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 보여주는 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도를 산출하는 절차를 개념적으로 도시한 것이다.
도 3은 본 발명에서 30분 청크(chunks)로 실시간 데이터를 분할한 것을 예시한 것이다.
도 4는 본 발명에서 기계 상태 데이터를 처리하는 과정을 예시하기 위한 도면이다.
도 5는 본 발명에서 기계 고장 데이터 처리에서 최대 우도 추정이 가능한 확률 밀도 함수를 도시한 그래프이다.
도 6은 본 발명에서 주기 시간 분석을 설명하기 위한 예시도이다.
도 7은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티(Cp) 기준을 예시한 도표이다.
도 8은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티 인덱스(Cpk) 기준을 예시한 도표이다.
도 9는 본 발명에서 SPC(Statistical Process Control)에서 I-MR 차트의 관리도 상수를 예시한 도표이다.
도 10은 본 발명에서 SPC(Statistical Process Control)에서 정규 분포 프로세스의 I-MR 관리도를 예시한 그래프이다.
도 11은 본 발명의 실험에서 전처리된 데이터를 요약한 도표이다.
도 12는 본 발명의 실험에서 SVM 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 13은 본 발명의 실험에서 rbf 커널을 사용한 SVM 회귀 결과를 도시한 그래프이다.
도 14는 본 발명의 실험에서 릿지 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 15는 본 발명의 실험에서 릿지 회귀 결과를 도시한 그래프이다.
도 16은 본 발명의 실험에서 랜덤 포레스트 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 17은 본 발명의 실험에서 랜덤 포레스트 회귀 결과를 도시한 그래프이다.
도 18은 본 발명의 실험에서 k-NN 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 19는 본 발명의 실험에서 k-NN 회귀 결과를 도시한 그래프이다.
도 20은 본 발명의 실험에서 각 머신러닝 방법의 점수를 나타낸 도표이다.
도 21은 본 발명의 실험에서 각 머신러닝 모델을 비교한 도표이다.
도 2는 본 발명의 일 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도를 산출하는 절차를 개념적으로 도시한 것이다.
도 3은 본 발명에서 30분 청크(chunks)로 실시간 데이터를 분할한 것을 예시한 것이다.
도 4는 본 발명에서 기계 상태 데이터를 처리하는 과정을 예시하기 위한 도면이다.
도 5는 본 발명에서 기계 고장 데이터 처리에서 최대 우도 추정이 가능한 확률 밀도 함수를 도시한 그래프이다.
도 6은 본 발명에서 주기 시간 분석을 설명하기 위한 예시도이다.
도 7은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티(Cp) 기준을 예시한 도표이다.
도 8은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티 인덱스(Cpk) 기준을 예시한 도표이다.
도 9는 본 발명에서 SPC(Statistical Process Control)에서 I-MR 차트의 관리도 상수를 예시한 도표이다.
도 10은 본 발명에서 SPC(Statistical Process Control)에서 정규 분포 프로세스의 I-MR 관리도를 예시한 그래프이다.
도 11은 본 발명의 실험에서 전처리된 데이터를 요약한 도표이다.
도 12는 본 발명의 실험에서 SVM 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 13은 본 발명의 실험에서 rbf 커널을 사용한 SVM 회귀 결과를 도시한 그래프이다.
도 14는 본 발명의 실험에서 릿지 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 15는 본 발명의 실험에서 릿지 회귀 결과를 도시한 그래프이다.
도 16은 본 발명의 실험에서 랜덤 포레스트 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 17은 본 발명의 실험에서 랜덤 포레스트 회귀 결과를 도시한 그래프이다.
도 18은 본 발명의 실험에서 k-NN 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이다.
도 19는 본 발명의 실험에서 k-NN 회귀 결과를 도시한 그래프이다.
도 20은 본 발명의 실험에서 각 머신러닝 방법의 점수를 나타낸 도표이다.
도 21은 본 발명의 실험에서 각 머신러닝 모델을 비교한 도표이다.
본 명세서에서 개시된 실시 예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 개시에서 제안하고자 하는 실시 예는 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 당해 기술분야에서 통상의 지식을 가진 자에게 실시 예들의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시 예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 개시된 실시 예들의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 명세서의 상세한 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명은 스마트 공장 시스템에서 설비 건강 안정도 예측 방법에 관한 것이다.
본 발명의 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 수행하는 주체는 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 수행하는 제반 컴퓨터 장치 또는 서버 시스템이라고 할 수 있으며, 또는 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 수행하는 시스템 또는 장치를 전반적으로 제어하는 제어부나 프로세서(processor)일 수 있다. 즉, 본 발명의 스마트 공장 시스템에서 설비 건강 안정도 예측 방법은 일종의 소프트웨어인 알고리즘으로 구성될 수 있으며, 소프트웨어는 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 수행하는 서버 시스템, 장치의 제어부 또는 프로세서(processor)에서 실행될 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도 예측 방법을 보여주는 흐름도이고, 도 2는 본 발명의 일 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도를 산출하는 절차를 개념적으로 도시한 것이다.
도 1 및 도 2를 참조하면, 본 발명에서 스마트 공장 시스템에서 설비 건강 안정도 예측 방법은 데이터 수집 단계(S110), 특징 추출 단계(S120), 설비 건강 안정도 산출 단계(S130), 설비 건강 안정도 예측 단계(S140)를 포함한다.
데이터 수집 단계(S110)는 스마트 공장 시스템에서 기계 자체 데이터와, 기계에서 생산된 제품 데이터를 포함하는 로(raw) 데이터를 수집하는 단계이다.
특징 추출 단계(S120)는 로 데이터에서 특징(feature) 데이터를 추출하는 단계이다.
설비 건강 안정도 산출 단계(S130)는 특징 데이터를 이용하여 각 설비 데이터에 레이블(label)을 지정하고, 등급을 분류하여 설비 건강 안정도를 산출하는 단계이다.
설비 건강 안정도 예측 단계(S140)는 인공지능 기술을 이용하여 미리 정해진 시간 동안 설비 건강 안정도를 예측하는 단계이다. S140 단계에서 머신 러닝(machine learning) 또는 딥 러닝(deep learning)을 이용하여 설비 건강 안정도를 예측할 수 있다. 본 발명의 일 실시예에서 레이블 데이터를 입력으로 하는 머신 러닝을 이용하여 설비 건강 안정도를 예측할 수 있다.
본 발명에서 기계 상태(활성 또는 비활성), 기계 알람(machine alarm)을 포함하는 기계 자체 데이터와, 결함 제품, 불량(Not Good) 제품, 제조 주기 시간(Manufacturing Cycle Time), PCA(Process Capability Analysis) 및 SPC(Statistical Process Control)를 포함하는 기계 생산 결과 데이터와, 고장과 고장 간의 시간, 고장 기간을 포함하는 과거 기계 고장 데이터를 수집하여 설비 건강 안정도를 산출한다.
먼저, 본 발명에서 설비 건강 안정도를 산출하기 위한 로(raw) 데이터를 수집한다.
도 3은 본 발명에서 30분 청크(chunks)로 실시간 데이터를 분할한 것을 예시한 것이다.
도 3의 실시예에서 스마트 공장에서 모든 기계가 매일 오전 8시부터 다음날 오전 8 시까지 24 시간 연속으로 작동한다고 가정한다. 기계의 프로그램 논리 제어 (Programmatic logic control, PLC)는 기계에서 실시간으로 데이터를 수집하는 데 사용되고, 수집된 데이터는 Kafka 전송 프로그램을 통해 스마트 제조 시스템으로 전송된다. 도 3에서 수집 된 데이터는 기계의 상태 및 알람(alarm)과 기계 자체에서 생산된 생산 결과를 포함한 기계 및 생산 정보를 나타낸다.
본 발명에서 수집된 데이터로 설비 건강 안정도를 예측하려면 실시간 데이터를 청크(chunks)로 분할해야 한다. 도 3의 실시예에서 각 청크에 30 분의 데이터가 할당되며, 각 기계에서 하루에 48 개의 청크가 생성된다.
도 3에서 빨간색 부분은 기계가 비활성 작업으로 계획된 경우로서 기계 안정성이 좋지 않음을 의미하지는 않지만, 더 정확한 기계 상태를 얻기 위하여 해당 데이터를 무시한다. 그리고, 공휴일이나 주말과 같이, 시스템이 비활성 상태 인 경우에도 해당 데이터를 무시한다.
기계는 연속 작동해야 하고, 작업 계획에서 비활성 상태가 아니어야 한다. 기계 상태가 변경되면 PLC가 기계 상태를 시스템에 전송한다.
도 4는 본 발명에서 기계 상태 데이터를 처리하는 과정을 예시하기 위한 도면이다.
도 4를 참조하면, 기계 상태는 실행, 대기, 중지, 오프라인(offline), 수동(manual)의 다섯 가지 종류가 있고, 여기서 중지, 오프라인, 수동은 비활성(non-active) 상태이고, 이는 기계 학습에서 중요한 요소이다. 여기서, 기계 상태에서 비활성 비율과 비활성 주파수가 추출된다.
비활성 주파수는 시간 간격 동안 발생한 비활성 상태의 수로 정의된다.
비활성 비율은 다음 수학식으로 정의된다.
여기서 interval은 청크로 데이터를 나눈 것으로서, 본 발명에서는 30분인 1800초를 나타낸다. 그리고, 
는 각 알람 지속 기간(seconds)을 나타낸다. 따라서, 
는 0과 1 사이의 값을 갖는다.
PLC는 기계에 문제가 있을 때 알람 데이터를 시스템에 전송한다. 알람에는 여러 종류가 있으며, 알람의 주요 속성은 알람 이름, 알람 시작 시간, 알람 종료 시간 및 알람 기간이다. 본 발명에서는 알람 데이터에서 알람 빈도(alarm frequency), 알람 종류(alarm variety), 알람 비율(alarm rate)의 3 가지 특징을 추출한다.
알람 빈도는 시간 간격 동안 발생한 알람 수이다.
알람 종류는 시간 간격 동안 발생한 알람의 유형이다.
알람 비율은 다음 수학식으로 정의된다.
여기서, interval은 청크로 데이터를 나눈 것으로서, 본 발명에서는 30분인 1800초를 나타낸다. 그리고, 
은 알람 종류이고, 
는 각 알람 지속 기간(seconds)을 나타낸다. 따라서, 출력은 0과 1 사이의 값을 갖는다.
본 발명의 일 실시예에서 기계 고장 데이터 처리에 있어서, Weibull 분포를 활용한다. Weibull 분포는 시간 경과에 따른 고장 가능성을 설명하는 도구이다.
도 5는 본 발명에서 기계 고장 데이터 처리에서 최대 우도 추정이 가능한 확률 밀도 함수를 도시한 그래프이다.
본 발명에서 품질 경영 시스템에 명시된 조건 변수 값이 범위를 벗어난 경우, NG(not good) 제품으로 정의한다.
NG 제품의 비율은 다음 수학식으로 정의될 수 있다.
여기서, N은 NG 제품의 수이고, NT는 시간 간격 동안 총 제품의 수이다.
기계 상태가 좋지 않으면 좋은 제품을 만드는 기계 성능이 저하된다. 즉, 결함이 있는 제품을 생산한다는 것은 기계에 문제가 있음을 의미한다. 기계에서 결함이 있는 제품이 생산되면 공장 근로자가 웹 애플리케이션에 기록한다. 불량 제품 데이터에서 불량 제품 비율은 다음 수학식에 의해 산출된다.
여기서 
은 공장 근로자가 매일 입력하는 작업 계획에서 입력된 목표 제품 수량이고, 
는 데이터베이스에 기록된 결함 제품의 수량을 나타낸다.
주기 시간(Cycle Time)은 제조 산업에서 중요한 성능 측정요소 중 하나이다. 일반적으로 제조 주기 시간(manufacturing cycle time, MCT)은 제조 산업에서 중요한 성능 측정 수단으로 널리 알려져 있다. MCT는 관련된 생산 공정 단계 수 때문에 복잡해졌으며, 각 부품의 지속 시간을 파악하기 위해 제품 주기 시간을 공작물로 세분화함으로써 시스템 개선이 가능해졌다. 이는 작동 중인 공작물이 제품 주기 시간을 개선하고, 각 제품의 생산 기간에 대한 이해를 높일 수 있다는 것을 의미한다. 이를 통해 우수 및 결함 제품 생산에 있어 지속시간 패턴을 분석할 수 있는 제조 주기 시간 분석이 제안된다.
도 6은 본 발명에서 주기 시간 분석을 설명하기 위한 예시도이다.
도 6을 참조하면, 본 발명에서 제조 주기 시간(Manufacturing cycle time, MCT)은 각 청크의 기간이며, 본 발명의 실시예에서 MCT는 1800 초(30 분)이다.
주기 시간은 일반적으로 기계에서 한 제품의 시작부터 끝까지 측정되는 모든 제품의 지속 시간이며 생산 프로세스의 여러 단계를 포함한다. 본 발명에서 양품과 불량품을 생산하는 기간 패턴을 분석하기 위해 공작물 주기 시간(Workpiece cycle time, WCT), 프로세스 주기 시간(Process cycle time, PrCT), 프로세스 간격 주기 시간(Process interval cycle time, PICT) 및 생산 주기 시간(Production cycle time, PCT)의 네 가지 유형의 주기 시간을 학습한다.
공정 능력 분석(Process Capability Analysis, PCA)은 특정 공정이 일련의 사양 한계를 얼마나 잘 충족하는지 확인하는 데 사용되는 툴(tool)로서, 프로세스가 얼마나 잘 수행되는지 측정한다. 공정 능력 지수는 일반적으로 공정 능력을 설명하는 데 사용된다. 공정 능력 지수에는 여러 가지가 있으며 데이터에 따라 선택되고, 공정 능력 지수를 계산하려면 공정이 안정적이어야 한다
공정 능력(Process capability, Cp) 및 공정 능력 지수(Process capability index), Cpk)는 제품 품질을 개선하고 공정을 사양 한계 내로 제어하는 공정 능력을 알아 내기 위해 제조 업계에서 가장 많이 사용되는 기술이며, 제품 설계 사양 한계를 통해 생산 품질을 개선하기 위해 제조 산업에서 주로 사용된다. 이때, 사양 한계는 각 공정에 대해 전문가가 정의한다.
제조업체는 생산 공정의 동작과 기계의 성능을 관찰하기 위해 사양 제한을 설정한다. 이러한 한계는 생산 공정이 제품을 생산하는 능력을 보여주며 공정이 사양 요구 사항 내에서 작동하는지 여부를 결정할 수 있다.
규격 하한(Lower specification limit, LSL)과 규격 상한(Upper specification limit, USL)의 사양 제한은 제조업체의 기능에 따라 각 기계마다 설계된다.
본 발명에서 Cp는 다음 수학식과 같이 정의된다.
여기서, σ는 공정 조건 값의 표준 편차이다.
식 (5)를 통해 공정의 평균값이 규격 한계를 가진 경우, 계산된 결과를 통해 공정이 실현 가능한지 여부를 확인할 수 있다.
본 발명에서 Cpk는 다음 수학식과 같이 정의된다.
여기서, μ는 공정 조건의 중앙값이다.
Cp는 규격 한계 및 표준 편차를 사용하여 계산되는 반면, Cpk는 규격 한계, 표준 편차 및 공정 평균을 사용하여 계산된다.
Cpk의 계산 결과는 공정의 평균값이 규격 한계의 중앙값에서 벗어날 때 공정이 실현 가능한지 여부를 결정하는 데 사용된다. Cpk는 공정 평균이 사양 한계 사이에 있지 않을 때를 고려한다.
Cp 및 Cpk의 계산 결과가 1보다 작 으면, 공정을 실행할 수 없고 설계 사양을 충족하지 않는다. 반대로, Cp 및 Cpk의 계산 결과가 1보다 크거나 같으면, 공정이 실현 가능하고 설계 사양을 충족시킨다. 그리고, Cpk는 Cp보다 클 수 없으며, 실제 공정 평균이 설계 사양의 중간에 해당하는 경우 동일한 값을 가질 수 있다. 즉, 시스템의 중심을 정의하기 위해 Cp를 Cpk와 비교하고, 프로세스가 대상의 중심에 있으면 두 값이 동일하고, Cpk와 Cp의 차이가 클수록 중심에서 벗어난 프로세스가 많아진다.
도 7은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티(Cp) 기준을 예시한 도표이고, 도 8은 본 발명에서 PCA(Process Capability Analysis)에서 프로세스 캐파빌러티 인덱스(Cpk) 기준을 예시한 도표이다.
통계적 공정 제어(Statistical Process Control, SPC)는 제조 산업에서 공정 품질을 제어하고 측정하는 잘 알려진 품질 제어 기술이며, 제조 생산 라인에서 공정 품질을 측정하고 제어하는 통계 기법으로서, 기계가 제품을 만드는 동안 공정을 유지하기 위해 제조 산업에서 광범위하게 사용된다.
관리도(control chart)는 SPC에서 가장 중요한 도구 중 하나이며, 생산 공정의 품질을 관리하고 모니터링하는 데 사용된다. 관리도는 샘플 공정의 평균 및 분산과 같은 샘플 통계를 플로팅(plotting)하여 품질 특성을 제공한다. 공정이 통제 불능 상태인 경우, 조기에 감지할 수 있으므로 제조업체는 공정 또는 기계 상태를 확인하여 시스템을 수정하기 위한 조치를 취할 수 있다. 이를 통해 최종 제품의 결함이 줄어들고 품질이 향상된다.
본 발명에서는 X 및 R 관리도를 사용하여 공정을 모니터링한다. 두 차트 모두 SPC에서 일반적으로 사용되며, 생산 공정 품질을 측정하기 위해 별도로 사용된다. 공정 품질을 제어하기 위해서는 제어 상한(upper control limit, UCL), 중심선(center line, CL) 및 제어 하한(lower control limit, LCL)의 3 가지 직선을 계산해야 한다. X 차트는 공정이 대상을 중심으로 하는 경우, 공정의 평균값 또는 범위 값을 나타낸다. 공정 산포가 올바른 범위 내에 있는 경우, R 관리도는 생산 공정의 표준 편차를 나타낸다.
본 발명의 일 실시예에서 PLC는 연속 데이터를 시스템에 전송하고, 연속 데이터에 의한 I-MR 차트, 
차트 및 
차트를 사용한다.
I-MR 차트는 개별-이동 범위 관리도를 의미하며, 첫 번째는 개별 데이터 포인트(개별 차트 또는 I 차트)이고 두 번째는 연속 개별 포인트(이동 범위 차트 또는 MR 차트)간에 파생 된 범위 값이다. I-MR 관리도를 작성하려면 먼저 MR 및 
가 다음 수학식에 의해 계산된다.
여기서 xi는 데이터 포인트이고 k는 입력 배열의 크기이다.
두 개의 관리도가 있으므로, 각 관리도에 대해 중앙선, 관리 하한 및 상한이 별도로 계산된다. 개별 차트의 경우 중심선은 
와 같고, 관리 하한(LCL) 및 관리 상한(UCL)의 수학식은 다음과 같다.
여기서 E2는 관리도 상수이다.
이동 범위 차트의 경우, 중심선은 
이고 관리 하한 및 관리 상한의 수학식은 다음과 같다.
여기서 D3 및 D4는 관리도 상수이다.
도 9는 본 발명에서 SPC(Statistical Process Control)에서 I-MR 차트의 관리도 상수를 예시한 도표이다.
본 발명의 실시예에서는 현재 지점을 이전 지점과 비교하므로 n = 2이다.
전술한 수학식에 의해 필요한 값이 계산되면 I-MR 관리도가 작도된다.
도 10은 본 발명에서 SPC(Statistical Process Control)에서 정규 분포 프로세스의 I-MR 관리도를 예시한 그래프이다.
이러한 차트는 I- 차트와 MR- 차트에서 얼마나 많은 포인트가 관리를 벗어났는지 확인하는 데 도움이 되며, 이는 다음 수학식에 의해 계산되고, 이러한 값은 기계 상태를 정의하는 데 적합하다.
여기서 m은 관리 이탈한(out-of-control) 점(point)의 수이고, k는 점의 크기이다.
본 발명의 스마트 공장 시스템에서의 설비 건강 안정도의 레이블링(labeling) 프로세스는 다음과 같다.
지도 학습(supervised learning)에서 모델은 레이블(label)이 지정된 데이터로 학습된다. 본 발명의 경우 레이블은 설비 건강 안정도이다. 본 발명에서는 설비 건강 안정도를 정의하기 위해 추출된 특징을 기반으로 다음과 같은 가중치 방정식을 제안한다.
여기서, 
은 기계 알람 후의 고장 가능성이고, 
는 비활성 상태 후의 고장 가능성이고, 
는 결함 제품 생산 후의 고장 가능성이고, 
는 NG 제품 생산 후의 고장 가능성이고, 
는 Weibull 분포를 갖는 기계 고장 가능성을 나타낸다.
[표 1]
표 1을 참조하면, 식 (14)에서 
는 각각 0.1, 0.2, 0.2, 0.2, 0.3이다.
본 발명의 일 실시예에서 식 (14)에 의해 설비 건강 안정도가 계산되면, 계산된 값에 대응하는 품질 테이블을 다음과 같이 제안한다.
[표 2]
본 발명에서 인공지능 기술을 이용하여 미리 정해진 시간 동안 설비 건강 안정도를 예측할 수 있다. 본 발명의 일 실시예에서 머신 러닝(machine learning) 또는 딥 러닝(deep learning)을 이용하여 설비 건강 안정도를 예측할 수 있다. 이하에서는 머신 러닝을 이용하여 설비 건강 안정도를 예측한 실험예를 기술하고자 한다.
본 발명에서는 SVM(Support Vector Machine), 릿지(Ridge), 랜덤 포레스트(Random Forest), K-NN(K-Nearest Neighbor)의 네 가지 머신 러닝을 이용한 설비 건강 안정도 예측 실험을 실시하였고, 그 결과는 다음과 같다.
도 11은 본 발명의 실험에서 전처리된 데이터를 요약한 도표이다.
도 11에서 본 발명의 실험에 사용된 데이터는 한국에 있는 자동차 부품 제조를 위한 한 회사에서 가져온 것으로서, 2019 년 9 월부터 2020 년 12 월까지 의 데이터이다. 도 11에 전처리 된 데이터가 요약되어 있다. 전처리 후 총 데이터 행은 27,653이고, 전처리된 데이터는 70/30 비율로 훈련/테스트의 두 부분으로 구분된다. 데이터를 분할하기 위해 scikit-learn 라이브러리의 train_test_split() 헬퍼 함수(helper function)를 사용했으며, 첫 번째 부분은 훈련을 위한 것이고 두 번째 부분은 훈련된 기계 학습 모델을 테스트하기 위한 것이다.
본 발명의 실험에서 네 가지 머신 러닝 방법을 적용하여 설비 건강 안정도를 예측하였다. 이 실험에서 파이썬(python) 언어로 scikit-learn 라이브러리를 사용하는 SVM, 릿지, 랜덤 포레스트 및 k-NN 모델을 적용한 설비 건강 안정도 예측 실험을 진행하였고, 각각의 결과를 시각화하기 위해 파이썬 라이브러리를 사용하였다.
도 12는 본 발명의 실험에서 SVM 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이고, 도 13은 본 발명의 실험에서 rbf 커널을 사용한 SVM 회귀 결과를 도시한 그래프이다.
도 12 및 도 13은 SVM을 이용한 설비 건강 안정도 예측 실험 결과를 나타낸 것이다.
도 12를 참조하면, SVM 모델을 구축하는데 사용된 파라미터와, MAE(Mean absolute error), MSE(Mean squared error), RMSE(Root mean squared error), 주어진 훈련 데이터 및 테스트 데이터의 정확도(accuracy) 점수가 표시되어 있다.
도 12에서 C=10 및 epsilon=0.01일 때 RBF 커널에서 최상의 결과가 관찰되는 것을 확인할 수 있으며, 이 결과가 도 13의 그래프에 도시되어 있다.
도 14는 본 발명의 실험에서 릿지 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이고, 도 15는 본 발명의 실험에서 릿지 회귀 결과를 도시한 그래프이다.
도 14 및 도 15는 릿지(ridge)를 이용한 설비 건강 안정도 예측 실험 결과를 나타낸 것이다.
본 발명에서 릿지 접근 방식을 적용함에 있어서, 알파(alpha) 값이 다른 기본값을 사용하였으며, 알파 값은 정규화 강도를 정의한다. 정규화는 문제의 조건을 개선하고 추정값의 분산을 감소시키며, 그 값이 클수록 더 강력한 정규화를 지정한다.
도 14를 참조하면, 릿지 모델을 구축하기 위해 사용된 알파 파라미터와, 주어진 훈련 및 테스트 데이터에 의한 MAE, RMSE, MSE 및 정확도 점수가 표시되어 있다. 도 14에서 alpha = 1.0일 때 최상의 결과를 나타내며, 이 때의 결과가 도 15의 그래프에 도시되어 있다.
도 16은 본 발명의 실험에서 랜덤 포레스트 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이고, 도 17은 본 발명의 실험에서 랜덤 포레스트 회귀 결과를 도시한 그래프이다.
도 16 및 도 17은 랜덤 포레스트 모델을 이용한 설비 건강 안정도 예측 실험 결과를 나타낸 것이다.
본 발명의 랜덤 포레스트 모델에서 중요한 파라미터는 max_depth 및 random_state이므로 다른 매개 변수에는 기본값을 사용하였다.
도 16에는 랜덤 포레스트 모델을 구축하는 데 사용한 max_depth 및 random_state 파라미터와 훈련 및 테스트 데이터로 MAE, RMSE, MSE 및 정확도 점수가 표시되어 있다. 도 16에서 max_depth가 10이고 random_state가 3 일 때 최상의 결과가 나타나는 것을 확인할 수 있으며, 이 결과는 도 17의 그래프에 도시되어 있다.
그리고, 도 17에서 학습된 모델을 구축하는 데 사용되는 5 가지 중요한 특징인 cpk, non_active_rate, cp, alarm_rate, failure_probability가 도시되어 있다.
도 18은 본 발명의 실험에서 k-NN 모델의 파라미터, 오류 메트릭 및 정확도를 예시한 도표이고, 도 19는 본 발명의 실험에서 k-NN 회귀 결과를 도시한 그래프이다.
도 18 및 도 19는 k-NN 모델을 이용한 설비 건강 안정도 예측 실험 결과를 나타낸 것이다.
본 발명의 실험에서 k-NN 모델에서 n_neighbors 파라미터를 제외한 나머지 파라미터는 기본값을 사용했다.
도 18에서 k-NN 모델을 구축하는 데 사용한 n_neighbors 매개 변수와 학습 및 테스트 데이터가 포함된 MAE, RMSE, MSE 및 정확도 점수가 제공됩니다. 도 18에서 n_neighbors 값이 3 일 때 최상의 결과가 나타나는 것을 확인할 수 있으며, 이 결과가 도 19의 그래프에 도시되어 있다.
이러한 네 가지 방법의 성능을 비교하기 위해 scikit-learn 라이브러리의 cross_val_score 헬퍼 함수를 사용하였다. 또한, 과적합을 방지하기 위해 cross_val_score 헬퍼 함수를 사용하여 교차 검증을 통해 점수를 평가하였다. 검증 테스트에서 cv = 5를 사용하고 cross_val_score 함수는 5 개의 배열을 생성했으며, 이는 각 기계 학습 모델에서 점수를 얻는데 사용되었다.
도 20은 본 발명의 실험에서 각 머신러닝 방법의 점수를 나타낸 도표이고, 도 21은 본 발명의 실험에서 각 머신러닝 모델을 비교한 도표이다.
도 20 및 도 21을 참조하면, SVM 모델이 다른 모델보다 비교적 더 적합하고 안정적임을 보여주고 있다.
이처럼 본 발명에서는 머신 러닝 회귀 방법을 사용하여 설비 건강 안정도를 정의하고, 다음 시퀀스의 설비 건강 안정도를 추정하는 데 기여한다. 본 발명에서는 기계 상태, 기계 알람 등 기계 자체 데이터와, 불량품(NG) 등 기계 생산 결과에서 인위적으로 특징을 추출한다. 본 발명의 설비 건강 안정도 예측 방법에 의하면 갑작스런 기계 정지를 방지하고 생산 성능을 향상시킬 수 있다.
한편, 본 발명의 실시예에 따른 스마트 공장 시스템에서 설비 건강 안정도 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
예컨대, 컴퓨터가 읽을 수 있는 기록매체로는 롬(ROM), 램(RAM), 시디-롬(CD-ROM), 자기 테이프, 하드디스크, 플로피디스크, 이동식 저장장치, 비휘발성 메모리(Flash Memory), 광 데이터 저장장치 등이 포함된다.
또한, 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상 본 발명을 몇 가지 바람직한 실시 예를 사용하여 설명하였으나, 이들 실시 예는 예시적인 것이며 한정적인 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
Claims (5)
- 스마트 공장 시스템에서 기계 자체 데이터와, 기계에서 생산된 제품 데이터를 포함하는 로(raw) 데이터를 수집하는 데이터 수집 단계;
상기 로 데이터에서 특징(feature) 데이터를 추출하는 특징 추출 단계;
상기 특징 데이터를 이용하여 각 설비 데이터에 레이블(label)을 지정하고, 등급을 분류하여 설비 건강 안정도를 산출하는 설비 건강 안정도 산출 단계; 및
인공지능 기술을 이용하여 미리 정해진 시간 동안 설비 건강 안정도를 예측하는 설비 건강 안정도 예측 단계를 포함하고,
상기 특징 추출 단계에서,
기계의 활성 상태 또는 비활성 상태를 포함하는 기계 상태, 알람 비율, 알람 빈도, 알람 종류를 포함하는 기계 알람(machine alarm)을 포함하는 기계 자체 데이터와,
결함 제품, 불량(Not Good) 제품, 제조 주기 시간(Manufacturing Cycle Time, MCT), PCA(Process Capability Analysis) 및 SPC(Statistical Process Control)를 포함하는 기계 생산 결과 데이터와,
고장과 고장 간의 시간, 고장 기간을 포함하는 과거 기계 고장 데이터를 포함하는 특징 데이터를 추출하고,
상기 설비 건강 안정도 예측 단계에서, 머신 러닝을 이용하여 설비 건강 안정도를 예측하되, SVM(Support Vector Machine) 모델을 이용하여 설비 건강 안정도를 예측하며,
interval은 미리 정해진 청크로 데이터를 나눈 것이고,는 각 알람 지속 기간(seconds)이라고 할 때, 기계 상태에서 비활성 비율을,
(1)
로 나타낼 수 있고,
PLC(Programmatic logic control)에서 기계에 문제가 있을 때 시스템에 전송하는 알람 데이터에서 알람 빈도(alarm frequency), 알람 종류(alarm variety), 알람 비율(alarm rate)의 3 가지 특징을 추출하며,
은 알람 종류이고,
는 각 알람 지속 기간(seconds)이라고 할 때, 상기 알람 비율을,
(2)
로 나타낼 수 있고,
Weibull 분포를 이용하여 기계 고장 데이터를 처리하고,
품질 경영 시스템에 명시된 조건 변수 값이 범위를 벗어난 경우, NG(not good) 제품으로 정의하고, N은 NG 제품의 수이고, NT는 시간 간격 동안 총 제품의 수일 때, NG 제품의 비율을,
(3)
으로 나타낼 수 있고,
은 공장 근로자가 매일 입력하는 작업 계획에서 입력된 목표 제품 수량이고,
는 데이터베이스에 기록된 결함 제품의 수량을 나타낸다고 할 때, 불량 제품 데이터에서 불량 제품 비율을,
(4)
로 나타낼 수 있는 것을 특징으로 하는 설비 건강 안정도 예측 방법.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210059958A KR102474332B1 (ko) | 2021-05-10 | 2021-05-10 | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210059958A KR102474332B1 (ko) | 2021-05-10 | 2021-05-10 | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220152709A KR20220152709A (ko) | 2022-11-17 |
| KR102474332B1 true KR102474332B1 (ko) | 2022-12-05 |
Family
ID=84233102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210059958A KR102474332B1 (ko) | 2021-05-10 | 2021-05-10 | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102474332B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023090842A1 (ko) | 2021-11-16 | 2023-05-25 | 주식회사 엘지에너지솔루션 | 전극조립체, 그의 제조장치 및 제조방법 |
| CN117216844B (zh) * | 2023-09-12 | 2024-03-26 | 汕头大学 | 一种桥梁结构损伤检测方法、系统和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101057614B1 (ko) * | 2010-02-25 | 2011-08-19 | (주)에이시에스 | 생산설비 이동시 자원구성 자동화 시스템 및 그 방법 |
| JP2015152943A (ja) * | 2014-02-10 | 2015-08-24 | オムロン株式会社 | 品質管理装置及びその制御方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102501882B1 (ko) * | 2018-07-06 | 2023-02-21 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 탐지 시스템 및 방법 |
| KR102196287B1 (ko) | 2019-04-08 | 2020-12-29 | 재단법인 경북아이티융합 산업기술원 | 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법 |
-
2021
- 2021-05-10 KR KR1020210059958A patent/KR102474332B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101057614B1 (ko) * | 2010-02-25 | 2011-08-19 | (주)에이시에스 | 생산설비 이동시 자원구성 자동화 시스템 및 그 방법 |
| JP2015152943A (ja) * | 2014-02-10 | 2015-08-24 | オムロン株式会社 | 品質管理装置及びその制御方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220152709A (ko) | 2022-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Event-driven tool condition monitoring methodology considering tool life prediction based on industrial internet | |
| KR102334965B1 (ko) | 공장 자동화 설비의 효율적 관리와 생산성 향상을 위한 예지 보전 시스템 | |
| KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
| CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
| CN111695780B (zh) | 一种工艺流程质量多故障自主检测方法及系统 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
| Wang et al. | Innovative smart scheduling and predictive maintenance techniques | |
| CN115946132B (zh) | 一种智能密集库与物流机器人系统及其故障监测方法 | |
| KR102360362B1 (ko) | 통계적 분석과 딥러닝을 이용한 제조 공정 품질 분석 및 예측 방법 및 이를 기록한 기록매체 | |
| CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
| CN111461551A (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
| CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
| Kobbacy et al. | New technologies for maintenance | |
| CN115146798A (zh) | 基于本体数据的装配机器人全流程监测与辅助方法及系统 | |
| CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| zu Wickern | Challenges and reliability of predictive maintenance | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
| CN116483042A (zh) | 一种精益生产管控平台数字化精益诊断方法 | |
| Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
| KR20230003819A (ko) | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |