KR102475813B1 - 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법 - Google Patents

인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법 Download PDF

Info

Publication number
KR102475813B1
KR102475813B1 KR1020220111204A KR20220111204A KR102475813B1 KR 102475813 B1 KR102475813 B1 KR 102475813B1 KR 1020220111204 A KR1020220111204 A KR 1020220111204A KR 20220111204 A KR20220111204 A KR 20220111204A KR 102475813 B1 KR102475813 B1 KR 102475813B1
Authority
KR
South Korea
Prior art keywords
product
floor plan
production facilities
factory
facilities
Prior art date
Application number
KR1020220111204A
Other languages
English (en)
Inventor
송요섭
Original Assignee
주식회사 토브
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 주식회사 토브 filed Critical 주식회사 토브
Priority to KR1020220111204A priority Critical patent/KR102475813B1/ko
Application granted granted Critical
Publication of KR102475813B1 publication Critical patent/KR102475813B1/ko

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
    • 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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법에 있어서, 사용자 단말로부터 제1 공장의 평면도인 제1 평면도를 수신하는 단계; 상기 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 상기 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인하는 단계; 상기 제1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성하는 단계; 상기 제1 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하는 단계; 상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1 평면도를 갱신하는 단계; 상기 갱신된 제1 평면도를 상기 사용자 단말로 제공하는 단계; 상기 사용자 단말로부터 상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동 시뮬레이션 요청을 수신하는 단계; 상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동을 시뮬레이션 하여, 상기 제1 공장의 구동을 통해 생산될 것으로 예측되는 상기 제1 제품의 생산 실적을 생성하는 단계; 및 상기 제1 제품의 생산 실적을 상기 사용자 단말로 제공하는 단계를 포함하는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법이 제공된다.

Description

인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법{METHOD FOR DRIVING SIMULATION OF SMART FACTORY BASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능을 기반으로 스마트 팩토리 구동 시뮬레이션을 제공하기 위한 기술에 관한 것이다.
최근 4차 산업혁명과 연계되어, 산업현장에서는 스마트 팩토리(Smart Factory)의 적용이 최대의 화두로 떠오르고 있다.
여기서, 스마트 팩토리는 전통 제조 산업에 ICT를 결합하여 공장의 설비와 공정이 지능화되어 서로 연결되고, 모든 생산 정보의 지식이 실시간으로 공유, 활용되어 최적화된 생산 운영이 가능한 고장인 동시에 이러한 개념의 확장을 통해 상하위 공장들과 연결되어 협업적 운영이 지속될 수 있는 생산체계를 갖춘 공장을 의미할 수 있다.
이에 따라, 스마트 팩토리를 기반으로 공장에서 처리되는 많은 데이터양을 이용하여, 가상의 공장 모델을 생성하는 시뮬레이션에 대한 기술이 제안되고 있다.
이러한 시뮬레이션을 진행하기 위해 많은 데이터양을 처리해야 하는데, 최적의 공장 구동을 파악하기 위해 여러 번의 시뮬레이션이 필요한 문제가 있다.
따라서, 공장 내에서 생산 설비들이 최적의 위치에 배치되도록 설정하여, 최적의 공장 구동에 대한 시뮬레이션 결과를 용이하게 획득하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.
한국공개특허 제10-2020-0073409호 한국공개특허 제10-2021-0091525호 한국공개특허 제10-2020-0109729호 한국공개특허 제10-2022-0094604호
일실시예에 따르면, 사용자 단말로부터 제1 공장의 평면도인 제1 평면도를 수신하고, 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인하고, 제1 평면도 및 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성하고, 제1 매칭 결과를 인공 신경망에 적용하여, 인공 신경망의 출력을 기초로, 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 기초로, 제1 평면도에 제1 제품의 생산 설비들을 표시하여, 제1 평면도를 갱신하고, 갱신된 제1 평면도를 사용자 단말로 제공하고, 사용자 단말로부터 제1 평면도를 통해 설계된 제1 공장의 구동 시뮬레이션 요청을 수신하고, 제1 평면도를 통해 설계된 제1 공장의 구동을 시뮬레이션 하여, 제1 공장의 구동을 통해 생산될 것으로 예측되는 제1 제품의 생산 실적을 생성하고, 제1 제품의 생산 실적을 사용자 단말로 제공하는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법에 있어서, 사용자 단말로부터 제1 공장의 평면도인 제1 평면도를 수신하는 단계; 상기 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 상기 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인하는 단계; 상기 제1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성하는 단계; 상기 제1 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하는 단계; 상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1 평면도를 갱신하는 단계; 상기 갱신된 제1 평면도를 상기 사용자 단말로 제공하는 단계; 상기 사용자 단말로부터 상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동 시뮬레이션 요청을 수신하는 단계; 상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동을 시뮬레이션 하여, 상기 제1 공장의 구동을 통해 생산될 것으로 예측되는 상기 제1 제품의 생산 실적을 생성하는 단계; 및 상기 제1 제품의 생산 실적을 상기 사용자 단말로 제공하는 단계를 포함하는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법이 제공된다.
상기 인공 신경망은, 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화될수록 제1 보상을 많이 수여하고, 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치할수록 제2 보상을 많이 수여하고, 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치할수록 제3 보상을 많이 수여하고, 생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치할수록 제4 보상을 많이 수여하는, 강화 학습에 따라 학습된 인공 신경망인 것을 특징으로 할 수 있다.
상기 제1 평면도를 갱신하는 단계는, 상기 제1 공장이 상기 제1 제품과 제2 제품을 동시에 생산하기 위한 공장으로 설정되어 있는 경우, 상기 제2 제품을 생산하기 위해 필요한 생산 설비들을 확인하는 단계; 상기 제1 공장이 제1 구역 및 제2 구역으로 구분되어 있는 경우, 상기 제1 평면도에서 상기 제1 구역의 평면도인 제1-1 평면도와 상기 제2 구역의 평면도인 제1-2 평면도를 추출하는 단계; 상기 제1-1 평면도를 기초로, 상기 제1 구역에 배치될 상기 제1 제품의 생산 설비들을 확인하여, 상기 제1 구역에 배치될 생산 설비들의 수를 제1 구역 설비 수로 산출하고, 상기 제1-2 평면도를 기초로, 상기 제2 구역에 배치될 상기 제1 제품의 생산 설비들을 확인하여, 상기 제2 구역에 배치될 생산 설비들의 수를 제2 구역 설비 수로 산출하는 단계; 상기 제1 구역 설비 수가 상기 제2 구역 설비 수 보다 큰 것으로 확인되면, 상기 제1-1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제2 매칭 결과를 생성하고, 상기 제1-2 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 제3 매칭 결과를 생성하는 단계; 상기 제2 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 상기 제3 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제2 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 선정하는 단계; 상기 제1 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-1 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1-1 평면도를 갱신하고, 상기 제2 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-2 평면도에 상기 제2 제품의 생산 설비들을 표시하여, 상기 제1-2 평면도를 갱신하는 단계; 상기 제2 구역 설비 수가 상기 제1 구역 설비 수 보다 큰 것으로 확인되면, 상기 제1-2 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제4 매칭 결과를 생성하고, 상기 제1-1 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 제5 매칭 결과를 생성하는 단계; 상기 제4 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제2 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 상기 제5 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 선정하는 단계; 상기 제2 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-2 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1-2 평면도를 갱신하고, 상기 제1 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-1 평면도에 상기 제2 제품의 생산 설비들을 표시하여, 상기 제1-1 평면도를 갱신하는 단계; 및 상기 갱신된 제1-1 평면도 및 상기 갱신된 제1-2 평면도를 결합하여, 상기 갱신된 제1 평면도를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 사용자 단말로부터 제1 공장의 평면도인 제1 평면도를 수신하고, 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인하고, 제1 평면도 및 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성하고, 제1 매칭 결과를 인공 신경망에 적용하여, 인공 신경망의 출력을 기초로, 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 기초로, 제1 평면도에 제1 제품의 생산 설비들을 표시하여, 제1 평면도를 갱신하고, 갱신된 제1 평면도를 사용자 단말로 제공하고, 사용자 단말로부터 제1 평면도를 통해 설계된 제1 공장의 구동 시뮬레이션 요청을 수신하고, 제1 평면도를 통해 설계된 제1 공장의 구동을 시뮬레이션 하여, 제1 공장의 구동을 통해 생산될 것으로 예측되는 제1 제품의 생산 실적을 생성하고, 제1 제품의 생산 실적을 사용자 단말로 제공함으로써, 최적의 공장 구동에 대한 시뮬레이션 결과를 용이하게 획득할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능을 기반으로 스마트 팩토리 구동 시뮬레이션을 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 구역 별로 배치되어 있는 생산 설비들의 수를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 복수의 제품 각각의 생산 설비들을 표시한 평면도를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 다른 실시예에 따른 복수의 제품 각각의 생산 설비들을 표시한 평면도를 생성하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 구역의 크기를 조정하기 위해 비율을 산출하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제품과 공급업체의 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제품을 공급할 공급업체를 선정하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 사용자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 사용자 단말(100)과 장치(200)는 통신망을 통해 연결될 수 있으며, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성되어, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
사용자 단말(100)은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.
사용자 단말(100)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자 단말(100)은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다.
장치(200)는 사용자 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 사용자 단말(100)의 동작을 제어하고, 사용자 단말(100)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 사용자 단말(100) 만을 도시하였으나, 단말의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(200)는 스마트 팩토리 구동 시뮬레이션을 위해, 인공지능을 기반으로 공장에서 제품의 생산 설비들이 배치될 위치를 선정할 수 있다. 이를 위해, 장치(200)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 일실시예에 따른 인공지능을 기반으로 스마트 팩토리 구동 시뮬레이션을 제공하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 사용자 단말(100)로부터 제1 공장의 평면도인 제1 평면도를 수신할 수 있다. 이때, 제1 평면도에는 제1 공장의 부지 형태, 입구, 출구 등이 표시되어 있다.
S202 단계에서, 장치(200)는 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 것을 확인할 수 있다.
구체적으로, 제1 평면도가 수신되기 전에, 사용자의 요청으로 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정될 수 있고, 장치(200)는 제1 평면도가 수신되면, 제1 공장이 어느 제품을 생산하기 위한 공장인지 확인하여, 제1 공장이 제1 제품을 생산하기 위한 공장인 것을 확인할 수 있다.
S203 단계에서, 장치(200)는 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인할 수 있다.
구체적으로, 장치(200)의 데이터베이스에는 제품을 생산하기 위해 필요한 생산 설비들의 리스트가 제품 별로 구분되어 저장되어 있으며, 장치(200)는 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 데이터베이스를 조회하여 제1 제품을 생산하기 위해 필요한 생산 설비들의 리스트를 획득하고, 획득된 리스트를 통해 제1 제품의 생산 설비들을 확인할 수 있다. 이때, 제1 제품을 생산하기 위해 필요한 생산 설비들의 리스트는 생산 공정의 순서에 따라 정렬되어 있어, 제1 제품의 생산 설비들은 생산 공정의 순서에 따라 정렬되어 있는 상태이다.
S204 단계에서, 장치(200)는 제1 평면도 및 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성할 수 있다.
즉, 장치(200)는 제1 공장의 평면도와 제1 제품을 생산하기 위해 필요한 생산 설비들의 리스트를 매칭하여, 제1 매칭 결과를 생성할 수 있다.
S205 단계에서, 장치(200)는 제1 매칭 결과를 인공 신경망에 적용할 수 있다.
일실시예에 따르면, 인공 신경망은 공장의 평면도와 제품의 생산 설비들을 매칭한 매칭 결과 입력 받은 후, 공장의 평면도에서 제품의 생산 설비들이 배치될 최적의 배치 위치를 출력하는 알고리즘일 수 있다. 인공 신경망은 도 3을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S206 단계에서, 장치(200)는 인공 신경망의 출력을 기초로, 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 선정할 수 있다.
일실시예에 따르면, 인공 신경망은 제1 제품의 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화되도록 제1 제품의 생산 설비들의 배치 위치를 선정하여, 제1 공장의 평면도 상에서 제1 제품의 생산 설비들이 배치될 위치에 대한 좌표 정보를 출력할 수 있다. 이를 위해, 인공 신경망은 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화되도록 생산 설비들의 배치 위치를 선정하여, 선정된 배치 위치를 출력하도록 학습될 수 있다.
또한, 인공 신경망은 제1 제품의 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치하도록 제1 제품의 생산 설비들의 배치 위치를 선정하여, 제1 공장의 평면도 상에서 제1 제품의 생산 설비들이 배치될 위치에 대한 좌표 정보를 출력할 수 있다. 이를 위해, 인공 신경망은 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치하도록 생산 설비들의 배치 위치를 선정하여, 선정된 배치 위치를 출력하도록 학습될 수 있다.
또한, 인공 신경망은 제1 제품의 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치하도록 제1 제품의 생산 설비들의 배치 위치를 선정하여, 제1 공장의 평면도 상에서 제1 제품의 생산 설비들이 배치될 위치에 대한 좌표 정보를 출력할 수 있다. 이를 위해, 인공 신경망은 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치하도록 생산 설비들의 배치 위치를 선정하여, 선정된 배치 위치를 출력하도록 학습될 수 있다.
또한, 인공 신경망은 제1 제품의 생산 설비들이 생산 라인 상에서 일정한 주기로 위치하도록 제1 제품의 생산 설비들의 배치 위치를 선정하여, 제1 공장의 평면도 상에서 제1 제품의 생산 설비들이 배치될 위치에 대한 좌표 정보를 출력할 수 있다. 이를 위해, 인공 신경망은 생산 설비들이 생산 라인 상에서 일정한 주기로 위치하도록 생산 설비들의 배치 위치를 선정하여, 선정된 배치 위치를 출력하도록 학습될 수 있다.
S207 단계에서, 장치(200)는 제1 공장에서 제1 제품의 생산 설비들이 배치될 위치를 기초로, 제1 평면도에 제1 제품의 생산 설비들을 표시하여, 제1 평면도를 갱신할 수 있다.
예를 들어, 제1 제품의 생산 설비로 제1 생산 설비, 제2 생산 설비 및 제3 생산 설비가 포함되어 있고, 생산 공정의 순서가 제1 생산 설비, 제2 생산 설비 및 제3 생산 설비 순인 경우, 인공 신경망은 생산 라인, 생산 공정의 순서 등을 고려하여, 제1 생산 설비, 제2 생산 설비 및 제3 생산 설비 각각이 배치될 위치에 대한 좌표 정보를 출력할 수 있고, 장치(200)는 제1 생산 설비, 제2 생산 설비 및 제3 생산 설비 각각에 대한 좌표 정보를 기반으로, 제1 평면도에 제1 생산 설비, 제2 생산 설비 및 제3 생산 설비 각각을 표시하여, 제1 평면도를 갱신할 수 있다.
S208 단계에서, 장치(200)는 갱신된 제1 평면도를 사용자 단말(100)로 제공할 수 있다.
S209 단계에서, 장치(200)는 사용자 단말(100)로부터 제1 평면도를 통해 설계된 제1 공장의 구동 시뮬레이션 요청을 수신할 수 있다.
장치(200)는 제1 평면도를 통해 설계된 제1 공장의 구동 시뮬레이션 요청이 수신되면, 제1 평면도를 기반으로, 제1 공장의 실제 공간과 대응되는 가상 공간에 제1 제품의 생산 설비들을 배치하여, 제1 공장에 대한 가상 공장을 생성할 수 있고, 가상 공장이 구동되어 제1 제품이 생산되도록 시뮬레이션을 진행할 수 있다.
제1 공장의 구동 시뮬레이션 요청 시, 인력 정보, 설비 정보, 재료 정보 등과 같은 생산 관련 조건이 사용자 단말(100)을 통해 추가로 입력될 수 있으며, 장치(200)는 인력 정보를 이용하여 공장에서 근무하는 사람들의 근무 상태를 설정하고, 설비 정보를 이용하여 생산 설비들의 작동 상태를 설정하고, 재료 정보를 이용하여 생산에 투입되는 재료들의 투입 상태를 설정할 수 있으며, 근무 상태, 작동 상태 및 투입 상태가 각각 설정되면, 이를 기반으로, 제1 공장이 구동되어 제1 제품이 생산되도록 시뮬레이션을 진행할 수 있다.
S210 단계에서, 장치(200)는 제1 평면도를 통해 설계된 제1 공장의 구동을 시뮬레이션 하여, 제1 공장의 구동을 통해 생산될 것으로 예측되는 제1 제품의 생산 실적을 생성할 수 있다.
구체적으로, 장치(200)는 일정 기간 동안 제1 공장의 구동을 시뮬레이션 하여, 해당 기간 동안 제1 공장의 구동을 통해 생산될 것으로 예측되는 제1 제품의 생산량을 산출할 수 있고, 기간 별로 제1 제품의 생산량이 산출되면, 기간별 생산량을 취합하여 제1 제품의 생산 실적을 생성할 수 있다.
즉, 장치(200)는 가상 공장의 설계 후 사용자가 입력한 각 생산 관련 조건에 따라 가상 공장의 구동을 시뮬레이션 한 후, 공장 구동을 통해 생성된 생산 실적 및 결과치에 대해 기록 및 수집하고, 이를 통계화하여 리포트를 형성할 수 있다.
S211 단계에서, 장치(200)는 제1 제품의 생산 실적을 사용자 단말(100)로 제공할 수 있다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 인공 신경망은 공장의 평면도와 제품의 생산 설비들을 매칭한 매칭 결과 입력 받은 후, 공장의 평면도에서 제품의 생산 설비들이 배치될 최적의 배치 위치를 출력하는 알고리즘일 수 있다. 인공 신경망의 학습이 이루어지는 학습 장치는 장치(200)와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.
먼저, S301 단계에서, 장치(200)는 공장의 평면도와 제품의 생산 설비들을 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(200)는 평면도 데이터의 확장자 형식을 통일하고, 축적을 일치시키고, 해상도를 통일하고, 색상 정보에서 필요한 최소의 색상만을 남기는 등의 전처리를 수행할 수 있고, 제품의 생산 설비들을 생산 공정의 순서에 따라 정렬하는 등의 전처리를 수행할 수 있다.
전처리가 수행된 매칭 결과를 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S302 단계에서, 장치(200)는 인공 신경망에 입력을 적용할 수 있다. 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화될수록 높아질 수 있으며, 제2 보상은 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치할수록 높아질 수 있으며, 제3 보상은 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치할수록 높아질 수 있으며, 제4 보상은 생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치할수록 높아질 수 있다.
S303 단계에서, 장치(200)는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은, 공장의 평면도 상에서 제품의 생산 설비들이 배치될 위치에 대한 좌표 정보일 수 있다. 이때, 인공 신경망은 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화되면서, 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치하고, 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치하고, 생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치하도록 하여, 최적화된 생산 설비들의 배치 위치를 선정하고, 선정된 배치 위치를 출력할 수 있다.
S304 단계에서, 장치(200)는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 출력의 평가는 제 1 보상, 제2 보상, 제3 보상 및 제4 보상으로 나뉠 수 있다.
장치(200)는 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화될수록 제1 보상을 많이 수여할 수 있다.
또한, 장치(200)는 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치할수록 제2 보상을 많이 수여할 수 있다.
또한, 장치(200)는 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치할수록 제3 보상을 많이 수여할 수 있다.
또한, 장치(200)는 생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치할수록 제4 보상을 많이 수여할 수 있다.
S305 단계에서, 장치(200)는 평가를 기초로 인공 신경망을 갱신할 수 있다. 구체적으로, 장치(200)는 인공 신경망이 생산 설비들의 배치 위치를 선정하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(200)는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 제품의 생산 설비들의 배치 위치를 선정하는데 있어, 생산 설비들의 배치 위치를 최적화하여 정하는 목적에 부합하게, 공장에서 생산 설비들의 배치 위치를 출력하는 인공 신경망을 학습시킬 수 있다.
구체적으로, 제1 보상, 제2 보상, 제3 보상 및 제4 보상 순으로 보상값이 큰 경우, 인공 신경망은 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 더 많이 얻을 수 있는 보상이 높아지도록 갱신될 수 있다.
즉, 인공 신경망은 우선적으로, 생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화되도록 생산 설비들의 배치 위치를 선정하면서, 차순위로, 생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치하고, 생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치하고, 생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치하도록 생산 설비들의 배치 위치를 선정하여, 선정된 생산 설비들의 배치 위치를 출력할 수 있다.
도 4는 일실시예에 따른 구역 별로 배치되어 있는 생산 설비들의 수를 산출하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 공장이 복수의 제품을 동시에 생산하기 위한 공장으로 설정되어 있는지 여부를 확인할 수 있다.
구체적으로, 장치(200)는 제1 공장이 어느 제품을 생산하기 위한 공장인지 확인하여, 제1 공장이 제1 제품을 생산하기 위한 공장인 것으로 확인되면, 제1 공장이 하나의 제품을 생산하기 위한 공장으로 설정되어 있는 것을 확인할 수 있고, 제1 공장이 제1 제품 및 제2 제품을 생산하기 위한 공장인 것으로 확인되면, 제1 공장이 복수의 제품을 동시에 생산하기 위한 공장으로 설정되어 있는 것을 확인할 수 있다.
S401 단계에서 제1 공장이 복수의 제품을 동시에 생산하기 위한 공장으로 설정되어 있는 것이 확인되면, S402 단계에서, 장치(200)는 제1 공장이 제1 제품과 제2 제품을 동시에 생산하기 위한 공장으로 설정되어 있는 것을 확인할 수 있다.
S403 단계에서, 장치(200)는 제2 제품을 생산하기 위해 필요한 생산 설비들을 확인할 수 있다.
S404 단계에서, 장치(200)는 제1 공장이 제1 구역 및 제2 구역으로 구분되어 있는 것을 확인할 수 있다. 이때, 제1 공장의 일측면이 제1 구역으로 설정되어 있고, 제1 공장의 다른 측면이 제2 구역으로 설정되어 있다. 제1 구역 및 제2 구역의 크기는 상이하게 설정될 수 있으며, 이와 관련된 자세한 설명은 도 7을 참조하여 후술하기로 한다.
S405 단계에서, 장치(200)는 제1 평면도에서 제1 구역의 평면도인 제1-1 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장에서 제1 구역이 차지하고 있는 부분을 제1-1 평면도로 추출할 수 있다. 이때, 제1 평면도에는 제1 공장에 배치될 제1 제품의 생산 설비들이 표시되어 있는 상태로, 제1-1 평면도에는 제1 구역에 배치될 제1 제품의 생산 설비들이 표시될 수 있다.
S406 단계에서, 장치(200)는 제1 평면도에서 제2 구역의 평면도인 제1-2 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장에서 제2 구역이 차지하고 있는 부분을 제1-2 평면도로 추출할 수 있다. 이때, 제1 평면도에는 제1 공장에 배치될 제1 제품의 생산 설비들이 표시되어 있는 상태로, 제1-2 평면도에는 제2 구역에 배치될 제1 제품의 생산 설비들이 표시될 수 있다.
S407 단계에서, 장치(200)는 제1-1 평면도를 기초로, 제1 구역에 배치될 제1 제품의 생산 설비들을 확인하여, 제1 구역에 배치될 생산 설비들의 수를 제1 구역 설비 수로 산출할 수 있다.
S408 단계에서, 장치(200)는 제1-2 평면도를 기초로, 제2 구역에 배치될 제1 제품의 생산 설비들을 확인하여, 제2 구역에 배치될 생산 설비들의 수를 제2 구역 설비 수로 산출할 수 있다.
S409 단계에서, 장치(200)는 제1 구역 설비 수가 제2 구역 설비 수 보다 큰지 여부를 확인할 수 있다.
S409 단계에서 제1 구역 설비 수가 제2 구역 설비 수 보다 큰 것으로 확인되면, S501 단계 및 S502 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 5를 참조하여 후술하기로 한다.
S409 단계에서 제1 구역 설비 수가 제2 구역 설비 수 보다 큰 것이 아니라, 제2 구역 설비 수가 제1 구역 설비 수 보다 큰 것으로 확인되면, S601 단계 및 S602 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 6을 참조하여 후술하기로 한다.
도 5는 일실시예에 따른 복수의 제품 각각의 생산 설비들을 표시한 평면도를 생성하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, S501 단계에서, 장치(200)는 제1-1 평면도 및 제1 제품의 생산 설비들을 매칭하여 제2 매칭 결과를 생성할 수 있다.
S502 단계에서, 장치(200)는 제1-2 평면도 및 제2 제품의 생산 설비들을 매칭하여 제3 매칭 결과를 생성할 수 있다.
S503 단계에서, 장치(200)는 제2 매칭 결과를 인공 신경망에 적용할 수 있다.
S504 단계에서, 장치(200)는 제3 매칭 결과를 인공 신경망에 적용할 수 있다.
S505 단계에서, 장치(200)는 제2 매칭 결과를 인공 신경망에 적용한 결과, 인공 신경망의 출력을 기초로, 제1 구역에서 제1 제품의 생산 설비들이 배치될 위치를 선정할 수 있다.
S506 단계에서, 장치(200)는 제3 매칭 결과를 인공 신경망에 적용한 결과, 인공 신경망의 출력을 기초로, 제2 구역에서 제2 제품의 생산 설비들이 배치될 위치를 선정할 수 있다.
S507 단계에서, 장치(200)는 제1 구역에서 제1 제품의 생산 설비들이 배치될 위치가 선정되면, 제1 구역에서 제1 제품의 생산 설비들이 배치될 위치를 기초로, 제1-1 평면도에 제1 제품의 생산 설비들을 표시하여, 제1-1 평면도를 갱신할 수 있다.
S508 단계에서, 장치(200)는 제2 구역에서 제2 제품의 생산 설비들이 배치될 위치가 선정되면, 제2 구역에서 제2 제품의 생산 설비들이 배치될 위치를 기초로, 제1-2 평면도에 제2 제품의 생산 설비들을 표시하여, 제1-2 평면도를 갱신할 수 있다.
S509 단계에서, 장치(200)는 갱신된 제1-1 평면도 및 갱신된 제1-2 평면도를 결합하여, 갱신된 제1 평면도를 생성할 수 있다.
즉, 장치(200)는 제1 구역 설비 수가 제2 구역 설비 수 보다 큰 것으로 확인되면, 제1 구역에 제1 제품의 생산 설비들을 배치하여 제1-1 평면도를 갱신하고, 제2 구역에 제2 제품의 생산 설비들을 배치하여 제1-2 평면도를 갱신한 후, 갱신된 제1-1 평면도 및 갱신된 제1-2 평면도를 결합하여, 갱신된 제1 평면도를 생성할 수 있다. 이때, 갱신된 제1 평면도에서 제1 구역에는 제1 공장에 배치될 제1 제품의 생산 설비들이 표시되어 있고, 제2 구역에는 제1 공장에 배치될 제2 제품의 생산 설비들이 표시되어 있다.
도 6은 다른 실시예에 따른 복수의 제품 각각의 생산 설비들을 표시한 평면도를 생성하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, S601 단계에서, 장치(200)는 제1-2 평면도 및 제1 제품의 생산 설비들을 매칭하여 제4 매칭 결과를 생성할 수 있다.
S602 단계에서, 장치(200)는 제1-1 평면도 및 제2 제품의 생산 설비들을 매칭하여 제5 매칭 결과를 생성할 수 있다.
S603 단계에서, 장치(200)는 제4 매칭 결과를 인공 신경망에 적용할 수 있다.
S604 단계에서, 장치(200)는 제5 매칭 결과를 인공 신경망에 적용할 수 있다.
S605 단계에서, 장치(200)는 제4 매칭 결과를 인공 신경망에 적용한 결과, 인공 신경망의 출력을 기초로, 제2 구역에서 제1 제품의 생산 설비들이 배치될 위치를 선정할 수 있다.
S606 단계에서, 장치(200)는 제5 매칭 결과를 인공 신경망에 적용한 결과, 인공 신경망의 출력을 기초로, 제1 구역에서 제2 제품의 생산 설비들이 배치될 위치를 선정할 수 있다.
S607 단계에서, 장치(200)는 제2 구역에서 제1 제품의 생산 설비들이 배치될 위치가 선정되면, 제2 구역에서 제1 제품의 생산 설비들이 배치될 위치를 기초로, 제1-2 평면도에 제1 제품의 생산 설비들을 표시하여, 제1-2 평면도를 갱신할 수 있다.
S608 단계에서, 장치(200)는 제1 구역에서 제2 제품의 생산 설비들이 배치될 위치가 선정되면, 제1 구역에서 제2 제품의 생산 설비들이 배치될 위치를 기초로, 제1-1 평면도에 제2 제품의 생산 설비들을 표시하여, 제1-1 평면도를 갱신할 수 있다.
S609 단계에서, 장치(200)는 갱신된 제1-1 평면도 및 갱신된 제1-2 평면도를 결합하여, 갱신된 제1 평면도를 생성할 수 있다.
즉, 장치(200)는 제2 구역 설비 수가 제1 구역 설비 수 보다 큰 것으로 확인되면, 제2 구역에 제1 제품의 생산 설비들을 배치하여 제1-2 평면도를 갱신하고, 제1 구역에 제2 제품의 생산 설비들을 배치하여 제1-1 평면도를 갱신한 후, 갱신된 제1-1 평면도 및 갱신된 제1-2 평면도를 결합하여, 갱신된 제1 평면도를 생성할 수 있다. 이때, 갱신된 제1 평면도에서 제2 구역에는 제1 공장에 배치될 제1 제품의 생산 설비들이 표시되어 있고, 제1 구역에는 제1 공장에 배치될 제2 제품의 생산 설비들이 표시되어 있다.
도 7은 일실시예에 따른 구역의 크기를 조정하기 위해 비율을 산출하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 제품의 생산 설비들의 수를 제1 제품 설비 수로 확인할 수 있다.
구체적으로, 장치(200)는 데이터베이스를 조회하여 제1 제품을 생산하기 위해 필요한 생산 설비들의 리스트를 획득하고, 획득된 리스트에 포함되어 있는 생산 설비들의 수를 제1 제품 설비 수로 확인할 수 있다.
S702 단계에서, 장치(200)는 제2 제품의 생산 설비들의 수를 제2 제품 설비 수로 확인할 수 있다.
구체적으로, 장치(200)는 데이터베이스를 조회하여 제2 제품을 생산하기 위해 필요한 생산 설비들의 리스트를 획득하고, 획득된 리스트에 포함되어 있는 생산 설비들의 수를 제2 제품 설비 수로 확인할 수 있다.
S703 단계에서, 장치(200)는 제1 제품 설비 수 및 제2 제품 설비 수를 합한 값으로, 총합 설비 수를 산출할 수 있다.
S704 단계에서, 장치(200)는 제1 제품 설비 수를 총합 설비 수로 나눈 값으로, 제1 비율을 산출할 수 있다.
S705 단계에서, 장치(200)는 제2 제품 설비 수를 총합 설비 수로 나눈 값으로, 제2 비율을 산출할 수 있다.
일실시예에 따르면, 장치(200)는 제2 매칭 결과 및 제3 매칭 결과를 생성할 때, 제1 비율 및 제2 비율이 각각 산출되면, 제1 비율로 제1 구역의 크기를 설정하고, 제2 비율로 제2 구역의 크기를 설정하여, 제1 구역 및 제2 구역의 크기를 조정할 수 있다.
장치(200)는 제1 비율로 설정된 제1 구역의 크기를 기반으로, 제1 평면도에서 제1-1 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장의 전체 면적에서 제1 비율의 면적을 제1 구역으로 설정하여, 제1 평면도에서 제1 구역으로 설정된 부분을 제1-1 평면도로 추출할 수 있다. 이후, 장치(200)는 추출된 제1-1 평면도 및 제1 제품의 생산 설비들을 매칭하여 제2 매칭 결과를 생성할 수 있다.
또한, 장치(200)는 제2 비율로 설정된 제2 구역의 크기를 기반으로, 제1 평면도에서 제1-2 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장의 전체 면적에서 제2 비율의 면적을 제2 구역으로 설정하여, 제1 평면도에서 제2 구역으로 설정된 부분을 제1-2 평면도로 추출할 수 있다. 이후, 장치(200)는 추출된 제1-2 평면도 및 제2 제품의 생산 설비들을 매칭하여 제3 매칭 결과를 생성할 수 있다.
일실시예에 따르면, 장치(200)는 제4 매칭 결과 및 제5 매칭 결과를 생성할 때, 제1 비율 및 제2 비율이 각각 산출되면, 제1 비율로 제2 구역의 크기를 설정하고, 제2 비율로 제1 구역의 크기를 설정하여, 제1 구역 및 제2 구역의 크기를 조정할 수 있다.
장치(200)는 제1 비율로 설정된 제2 구역의 크기를 기반으로, 제1 평면도에서 제1-2 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장의 전체 면적에서 제1 비율의 면적을 제2 구역으로 설정하여, 제1 평면도에서 제2 구역으로 설정된 부분을 제1-2 평면도로 추출할 수 있다. 이후, 장치(200)는 추출된 제1-2 평면도 및 제1 제품의 생산 설비들을 매칭하여 제4 매칭 결과를 생성할 수 있다.
또한, 장치(200)는 제2 비율로 설정된 제1 구역의 크기를 기반으로, 제1 평면도에서 제1-1 평면도를 추출할 수 있다. 즉, 장치(200)는 제1 공장의 전체 면적에서 제2 비율의 면적을 제1 구역으로 설정하여, 제1 평면도에서 제1 구역으로 설정된 부분을 제1-1 평면도로 추출할 수 있다. 이후, 장치(200)는 추출된 제1-1 평면도 및 제2 제품의 생산 설비들을 매칭하여 제5 매칭 결과를 생성할 수 있다.
도 8은 일실시예에 따른 제품과 공급업체의 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저 S801 단계에서, 장치(200)는 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 것을 확인할 수 있다. 이때, 장치(200)는 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 제1 제품의 정보를 획득할 수 있다. 여기서, 제1 제품의 정보는 데이터베이스 또는 외부 서버를 통해 획득될 수 있으며, 제1 제품의 명칭, 제1 제품의 기능, 제1 제품의 브랜드 등을 포함하는 제1 제품에 관한 정보이다.
S802 단계에서, 장치(200)는 복수의 공급업체들의 창고들에 보관되어 있는 제1 제품의 재고량을 획득할 수 있다.
구체적으로, 장치(200)는 공급업체들의 창고에 부착되어 있는 카메라를 통해 제1 제품의 재고량을 확인할 수 있고, 공급업체들의 재고 데이터베이스를 통해 제1 제품의 재고량을 확인할 수도 있다.
S803 단계에서, 장치(200)는 제1 제품을 구비하고 있는 공급업체가 존재하는지 여부를 판단할 수 있다.
S803 단계에서 제1 제품을 구비하고 있는 공급업체가 존재하는지 여부를 판단한 결과 제1 제품을 구비하고 있는 공급업체가 제1 공급업체로 판단되면, S804 단계에서, 장치(200)는 제1 제품을 공급할 공급업체를 제1 공급업체로 선정할 수 있다.
S803 단계에서 제1 제품을 구비하고 있는 공급업체가 존재하는지 여부를 판단한 결과 제1 제품을 구비하고 있는 공급업체가 없는 것으로 판단되면, S805 단계에서, 장치(200)는 제1 제품을 공급한 경험이 있는 공급업체가 존재하는지 여부를 판단할 수 있다.
S805 단계에서 제1 제품을 공급한 경험이 있는 공급업체가 존재하는지 여부를 판단한 결과 제1 제품을 공급한 경험이 있는 공급업체가 제2 공급업체로 판단되면, S806 단계에서, 장치(200)는 제1 제품을 공급할 공급업체를 제2 공급업체로 선정할 수 있다.
S805 단계에서 제1 제품을 공급한 경험이 있는 공급업체가 존재하는지 여부를 판단한 결과 제1 제품을 공급한 경험이 있는 공급업체가 없는 것으로 판단되면, S807 단계에서, 장치(200)는 제1 제품의 브랜드인 제1 브랜드 정보를 획득할 수 있다. 여기서, 제1 브랜드 정보는 데이터베이스 또는 외부 서버를 통해 획득될 수 있다.
S808 단계에서, 장치(200)는 제1 브랜드 정보를 기초로, 제1 브랜드에 포함된 제품을 공급한 경험이 있는 공급업체를 분석할 수 있다.
구체적으로, 장치(200)는 제1 브랜드 정보를 기초로, 제1 브랜드에 포함된 제품을 공급한 경험이 있는 공급업체 중 어느 공급업체가 제1 브랜드와 친밀한지 등을 분석할 수 있다.
S809 단계에서, 장치(200)는 분석 결과를 기초로, 제1 제품을 공급할 공급업체를 선정할 수 있다.
구체적으로, 장치(200)는 제1 브랜드에 포함된 제품을 공급한 경험이 있는 공급업체 중 공급 소요 기간일 짧은 공급업체를 제1 브랜드와 친밀하다고 판단하여 해당 공급업체를 제1 제품을 공급할 공급업체로 선정할 수 있고, 제1 브랜드에 포함된 제품을 많이 공급한 공급업체를 제1 브랜드와 친밀하다고 판단하여 해당 공급업체를 제1 제품을 공급할 공급업체로 선정할 수 있다.
S810 단계에서, 장치(200)는 제1 제품을 공급할 공급업체가 선정되면, 제1 제품의 정보 및 제1 제품을 공급할 공급업체로 선정된 공급업체의 정보를 사용자 단말(100)로 전송할 수 있다.
도 9는 일실시예에 따른 제품을 공급할 공급업체를 선정하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저, S901 단계에서 장치(200)는 공급업체들 중 제1 브랜드에 포함된 제품을 공급한 경험이 있는 공급업체를 제1 업체 그룹으로 분류할 수 있다.
구체적으로, 장치(200)는 제1 제품의 브랜드인 제1 브랜드 정보를 획득할 수 있고, 제1 브랜드 정보를 기초로, 제1 브랜드로 판매되는 제품들을 확인하여 제1 브랜드에 포함된 제품을 추출할 수 있다. 장치(200)는 제1 브랜드에 포함된 제품을 공급한 경험이 있는 공급업체를 추출하여 제1 업체 그룹으로 분류할 수 있다.
S902 단계에서, 장치(200)는 제1 업체 그룹으로 분류된 공급업체들의 제1 브랜드에 대응하는 공급 경험 데이터를 획득할 수 있다.
즉, 장치(200)는 제1 업체 그룹으로 분류된 공급업체들의 공급 경험 데이터를 획득할 수 있고, 획득된 데이터를 기초로 제1 브랜드에 대응하는 공급 경험 데이터를 추출할 수 있다. 여기서, 제1 브랜드에 대응하는 공급 경험 데이터는 제1 브랜드로 판매되는 제품을 얼마나 많이 공급하였는지, 제1 브랜드로 판매되는 제품의 주문을 획득한 시점부터 공급 완료 시점까지 얼마나 소요되었는지, 제1 브랜드로 판매되는 제품을 공급받은 사용자의 만족도 등의 제1 브랜드로 판매되는 제품과 관련된 공급 경험 데이터이다.
S903 단계에서, 장치(200)는 제1 브랜드에 대응하는 공급 경험 데이터들에서 주문 시작 시점부터 공급 완료 시점 까지의 공급 소요 기간들을 생성할 수 있다.
즉, 장치(200)는 제1 브랜드에 대응하는 공급 경험 데이터들에서 사용자로부터 제1 브랜드로 판매되는 제품의 공급을 요청받은 주문 시작 시점부터 사용자가 제1 브랜드로 판매되는 제품을 수령한 공급 완료 시점까지의 공급 소요 기간을 생성할 수 있다.
예를 들어, 제1 업체 그룹으로 분류된 공급업체인 제1 공급업체의 공급 경험 데이터를 확인한 결과, 제1 사용자로부터 제1 브랜드로 판매되는 제품에 대한 공급 요청을 4월 1일에 수신하고 제1 사용자가 해당 제품을 수령한 날짜가 4월 15일인 경우, 장치(200)는 공급 소요 기간을 14일로 생성할 수 있다.
S904 단계에서, 장치(200)는 공급 소요 기간들을 기초로, 제1 업체 그룹으로 분류된 공급업체들 각각에 대응하는 평균 공급 소요 기간들을 생성할 수 있다.
구체적으로, 장치(200)는 제1 업체 그룹으로 분류된 공급업체들의 제1 브랜드로 판매되는 제품의 공급 소요 기간들을 추출할 수 있고, 각 공급업체마다 공급 소요 기간들의 평균을 산출하여 평균 공급 소요 기간을 생성할 수 있다.
예를 들어, 제1 업체 그룹으로 분류된 공급업체인 제1 공급업체의 공급 소요 기간들을 확인한 결과 각각 14일, 6일, 10일인 경우, 장치(200)는 제1 공급업체의 평균 공급 소요 기간을 10일로 생성할 수 있다.
S905 단계에서, 장치(200)는 평균 공급 소요 기간이 미리 정의된 임계 기간보다 짧은 경우, 공급업체를 선정하기 위한 기준 내 가중치들 중에서 소요 기간에 대한 가중치를 평균 공급 소요 기간에 반비례하여 높일 수 있다.
구체적으로, 장치(200)는 제1 업체 그룹으로 분류된 공급업체들의 평균 공급 소요 기간을 생성하고, 생성된 평균 공급 소요 기간이 미리 정의된 임계 기간보다 짧은 공급업체들을 추출하고, 해당 공급업체들의 공급업체를 선정하기 위한 기준 내 가중치들 중에서 소요 기간에 대한 가중치를 평균 공급 소요 기간에 반비례하여 높일 수 있다.
예를 들어, 제1 업체 그룹으로 분류된 공급업체인 제1 공급업체의 평균 공급 소요 기간이 10일이고, 제2 공급업체의 평균 공급 소요 기간이 6일이고, 제3 공급업체의 평균 공급 소요 기간이 12일이고, 제4 공급업체의 평균 공급 소요 기간이 17일이고, 미리 정의된 임계 기간이 14일인 경우, 장치(200)는 제4 공급업체의 경우 평균 공급 소요 기간인 17일이 임계 기간인 14일 보다 길기 때문에 소요 기간에 대한 가중치를 부여하지 않고, 제2 공급업체에게 소요 기간에 대한 가중치를 10점 부여하고, 제1 공급업체에게 소요 기간에 대한 가중치를 6점 부여하고, 제3 공급업체에게 소요 기간에 대한 가중치를 5점 부여할 수 있다.
S906 단계에서, 장치(200)는 가중치를 적용하여, 제1 제품을 공급할 공급업체를 선정할 수 있다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는, 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법에 있어서,
    사용자 단말로부터 제1 공장의 평면도인 제1 평면도를 수신하는 단계;
    상기 제1 공장이 제1 제품을 생산하기 위한 공장으로 설정되어 있는 경우, 상기 제1 제품을 생산하기 위해 필요한 생산 설비들을 확인하는 단계;
    상기 제1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제1 매칭 결과를 생성하는 단계;
    상기 제1 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하는 단계;
    상기 제1 공장에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1 평면도를 갱신하는 단계;
    상기 갱신된 제1 평면도를 상기 사용자 단말로 제공하는 단계;
    상기 사용자 단말로부터 상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동 시뮬레이션 요청을 수신하는 단계;
    상기 제1 평면도를 통해 설계된 상기 제1 공장의 구동을 시뮬레이션 하여, 상기 제1 공장의 구동을 통해 생산될 것으로 예측되는 상기 제1 제품의 생산 실적을 생성하는 단계; 및
    상기 제1 제품의 생산 실적을 상기 사용자 단말로 제공하는 단계를 포함하고,
    상기 제1 평면도를 갱신하는 단계는,
    상기 제1 공장이 상기 제1 제품과 제2 제품을 동시에 생산하기 위한 공장으로 설정되어 있는 경우, 상기 제2 제품을 생산하기 위해 필요한 생산 설비들을 확인하는 단계;
    상기 제1 공장이 제1 구역 및 제2 구역으로 구분되어 있는 경우, 상기 제1 평면도에서 상기 제1 구역의 평면도인 제1-1 평면도와 상기 제2 구역의 평면도인 제1-2 평면도를 추출하는 단계;
    상기 제1-1 평면도를 기초로, 상기 제1 구역에 배치될 상기 제1 제품의 생산 설비들을 확인하여, 상기 제1 구역에 배치될 생산 설비들의 수를 제1 구역 설비 수로 산출하고, 상기 제1-2 평면도를 기초로, 상기 제2 구역에 배치될 상기 제1 제품의 생산 설비들을 확인하여, 상기 제2 구역에 배치될 생산 설비들의 수를 제2 구역 설비 수로 산출하는 단계;
    상기 제1 구역 설비 수가 상기 제2 구역 설비 수 보다 큰 것으로 확인되면, 상기 제1-1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제2 매칭 결과를 생성하고, 상기 제1-2 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 제3 매칭 결과를 생성하는 단계;
    상기 제2 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 상기 제3 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제2 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 선정하는 단계;
    상기 제1 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-1 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1-1 평면도를 갱신하고, 상기 제2 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-2 평면도에 상기 제2 제품의 생산 설비들을 표시하여, 상기 제1-2 평면도를 갱신하는 단계;
    상기 제2 구역 설비 수가 상기 제1 구역 설비 수 보다 큰 것으로 확인되면, 상기 제1-2 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 제4 매칭 결과를 생성하고, 상기 제1-1 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 제5 매칭 결과를 생성하는 단계;
    상기 제4 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제2 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 선정하고, 상기 제5 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 선정하는 단계;
    상기 제2 구역에서 상기 제1 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-2 평면도에 상기 제1 제품의 생산 설비들을 표시하여, 상기 제1-2 평면도를 갱신하고, 상기 제1 구역에서 상기 제2 제품의 생산 설비들이 배치될 위치를 기초로, 상기 제1-1 평면도에 상기 제2 제품의 생산 설비들을 표시하여, 상기 제1-1 평면도를 갱신하는 단계;
    상기 갱신된 제1-1 평면도 및 상기 갱신된 제1-2 평면도를 결합하여, 상기 갱신된 제1 평면도를 생성하는 단계;
    상기 제1 제품의 생산 설비들의 수를 제1 제품 설비 수로 확인하고, 상기 제2 제품의 생산 설비들의 수를 제2 제품 설비 수로 확인하는 단계;
    상기 제1 제품 설비 수 및 상기 제2 제품 설비 수를 합한 값으로, 총합 설비 수를 산출하는 단계; 및
    상기 제1 제품 설비 수를 상기 총합 설비 수로 나눈 값으로, 제1 비율을 산출하고, 상기 제2 제품 설비 수를 상기 총합 설비 수로 나눈 값으로, 제2 비율을 산출하는 단계를 포함하고,
    상기 제2 매칭 결과 및 상기 제3 매칭 결과를 생성하는 단계는,
    상기 제1 비율 및 상기 제2 비율이 각각 산출되면, 상기 제1 비율로 상기 제1 구역의 크기를 설정하고, 상기 제2 비율로 상기 제2 구역의 크기를 설정하는 단계; 및
    상기 제1 비율로 설정된 상기 제1 구역의 크기를 기반으로, 상기 제1 평면도에서 상기 제1-1 평면도를 추출하고, 상기 추출된 제1-1 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 상기 제2 매칭 결과를 생성하고, 상기 제2 비율로 설정된 상기 제2 구역의 크기를 기반으로, 상기 제1 평면도에서 상기 제1-2 평면도를 추출하고, 상기 추출된 제1-2 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 상기 제3 매칭 결과를 생성하는 단계를 포함하고,
    상기 제4 매칭 결과 및 상기 제5 매칭 결과를 생성하는 단계는,
    상기 제1 비율 및 상기 제2 비율이 각각 산출되면, 상기 제1 비율로 상기 제2 구역의 크기를 설정하고, 상기 제2 비율로 상기 제1 구역의 크기를 설정하는 단계; 및
    상기 제1 비율로 설정된 상기 제2 구역의 크기를 기반으로, 상기 제1 평면도에서 상기 제1-2 평면도를 추출하고, 상기 추출된 제1-2 평면도 및 상기 제1 제품의 생산 설비들을 매칭하여 상기 제4 매칭 결과를 생성하고, 상기 제2 비율로 설정된 상기 제1 구역의 크기를 기반으로, 상기 제1 평면도에서 상기 제1-1 평면도를 추출하고, 상기 추출된 제1-1 평면도 및 상기 제2 제품의 생산 설비들을 매칭하여 상기 제5 매칭 결과를 생성하는 단계를 포함하고,
    상기 인공 신경망은,
    생산 설비들을 생산 공정의 순서에 따라 연결한 생산 라인의 길이가 최소화될수록 제1 보상을 많이 수여하고,
    생산 설비들 중 생산 공정의 순서가 처음인 생산 설비가 공장의 입구에 가깝게 위치할수록 제2 보상을 많이 수여하고,
    생산 설비들 중 생산 공정의 순서가 마지막인 생산 설비가 공장의 출구에 가깝게 위치할수록 제3 보상을 많이 수여하고,
    생산 설비들이 상기 생산 라인 상에서 일정한 주기로 위치할수록 제4 보상을 많이 수여하는,
    강화 학습에 따라 학습된 인공 신경망인 것을 특징으로 하는,
    인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법.
  2. 삭제
  3. 삭제
KR1020220111204A 2022-09-02 2022-09-02 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법 KR102475813B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220111204A KR102475813B1 (ko) 2022-09-02 2022-09-02 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220111204A KR102475813B1 (ko) 2022-09-02 2022-09-02 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법

Publications (1)

Publication Number Publication Date
KR102475813B1 true KR102475813B1 (ko) 2022-12-08

Family

ID=84437051

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220111204A KR102475813B1 (ko) 2022-09-02 2022-09-02 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법

Country Status (1)

Country Link
KR (1) KR102475813B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087734A (ko) * 2018-01-17 2019-07-25 이삭엔지니어링(주) 제조공정 설계 장치 및 그 방법
KR20200073409A (ko) 2018-12-14 2020-06-24 삼미정보시스템 주식회사 스마트 팩토리 시스템
KR20200109729A (ko) 2019-03-14 2020-09-23 박성호 스마트 팩토리
KR20210091525A (ko) 2020-01-14 2021-07-22 주식회사 인사이트온 룰 기반 스마트 팩토리 설비통신 자동화 방법 및 시스템
KR102340834B1 (ko) * 2021-07-15 2021-12-20 주식회사 빛가람시스템 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템
KR20220094604A (ko) 2020-12-29 2022-07-06 농업회사법인 허니엣비 주식회사 밀원 및 양봉 통합관리 운영시스템 및 이를 이용한 운영방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087734A (ko) * 2018-01-17 2019-07-25 이삭엔지니어링(주) 제조공정 설계 장치 및 그 방법
KR20200073409A (ko) 2018-12-14 2020-06-24 삼미정보시스템 주식회사 스마트 팩토리 시스템
KR20200109729A (ko) 2019-03-14 2020-09-23 박성호 스마트 팩토리
KR20210091525A (ko) 2020-01-14 2021-07-22 주식회사 인사이트온 룰 기반 스마트 팩토리 설비통신 자동화 방법 및 시스템
KR20220094604A (ko) 2020-12-29 2022-07-06 농업회사법인 허니엣비 주식회사 밀원 및 양봉 통합관리 운영시스템 및 이를 이용한 운영방법
KR102340834B1 (ko) * 2021-07-15 2021-12-20 주식회사 빛가람시스템 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102404511B1 (ko) 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102531879B1 (ko) 인공지능 기반 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 방법, 장치 및 시스템
KR102551997B1 (ko) 콘텐츠 시청 성향 분석 기반 광고 콘텐츠 기획 자동화 및 커머스 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102533442B1 (ko) 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
KR102508232B1 (ko) 인공지능 기반 마트 운영을 위한 재고의 유통관리 방법, 장치 및 시스템
KR102554580B1 (ko) 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템
KR102499234B1 (ko) 인공지능 기반 배달기사 배차 방법, 장치 및 시스템
KR102601446B1 (ko) 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102612058B1 (ko) 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법, 장치 및 시스템
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR102533258B1 (ko) 인공 신경망을 활용한 냉동식품의 효율적인 물류 서비스 제공 방법, 장치 및 시스템
KR102508648B1 (ko) 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황 모니터링 방법, 장치 및 시스템
KR102474974B1 (ko) 인공지능 기반 브랜드 분석 방법, 장치 및 시스템
KR102463875B1 (ko) 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템
KR102536063B1 (ko) 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
KR102530527B1 (ko) 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템
KR102551298B1 (ko) 건물 관리를 위한 인력 배정 자동화 및 평가 방법, 장치 및 시스템
KR102426803B1 (ko) 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템
KR102475813B1 (ko) 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법
CN115423016A (zh) 多任务预测模型的训练方法、多任务预测方法及装置
KR102669470B1 (ko) 식자재 유통 처리를 위한 재고 관리 및 수요 예측 방법, 장치 및 시스템
KR102682770B1 (ko) 인공지능 기반 캠핑용 난로의 설계 변경 방법, 장치 및 시스템

Legal Events

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