KR102481788B1 - AI-based manual pattern and power source micro-pattern analysis system and method - Google Patents
AI-based manual pattern and power source micro-pattern analysis system and method Download PDFInfo
- Publication number
- KR102481788B1 KR102481788B1 KR1020220056519A KR20220056519A KR102481788B1 KR 102481788 B1 KR102481788 B1 KR 102481788B1 KR 1020220056519 A KR1020220056519 A KR 1020220056519A KR 20220056519 A KR20220056519 A KR 20220056519A KR 102481788 B1 KR102481788 B1 KR 102481788B1
- Authority
- KR
- South Korea
- Prior art keywords
- pattern
- edge
- analysis
- manual
- unit
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000013480 data collection Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 208000024891 symptom Diseases 0.000 claims description 38
- 239000000463 material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 45
- 238000010586 diagram Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 239000011265 semifinished product Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000011179 visual inspection 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
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
Abstract
Description
본 발명은 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법에 관한 것으로서, 더 상세하게는 수작업 기반의 제조 현장에서 4M 1E의 변경점이 발생할 경우의 숙련자의 수작업 패턴 및 동력원 미세 패턴을 정형화하고, 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝으로 분석 및 최적의 패턴을 확보하여, 불량 발생 원인을 실시간으로 피드백할 수 있는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법에 관한 것이다.The present invention relates to an AI-based manual pattern and power source fine pattern analysis system and method, and more particularly, when a change in 4M 1E occurs in a manual-based manufacturing site, standardizes and assists manual patterns and power source fine patterns of skilled workers. It relates to an AI-based manual work pattern and power source fine pattern analysis system and method that can provide real-time feedback on the cause of defects by analyzing changes in fine patterns of power sources of work tools and securing optimal patterns through AI machine learning.
수작업 제조는 작업자 간 지그(Jig) 및 반자동 설비를 다루는 숙련도에 따라 생산성 및 품질 차이가 커 단위 공정별 투입되는 공수, 수작업 동선, 반제품에 대한 실시간 품질관리가 요구된다. 하지만 수작업 제조 현장의 품질관리는 초도품, 샘플링, 완성품 검사 방식으로 진행하기 때문에 다음과 같은 두 가지 문제점이 발생하게 된다.Manual manufacturing requires real-time quality control for man-hours, manual labor, and semi-finished products for each unit process due to large differences in productivity and quality depending on the proficiency in handling jigs and semi-automatic equipment among workers. However, since the quality control at the manual manufacturing site proceeds in the form of first article, sampling, and finished product inspection, the following two problems arise.
첫째, 작업자 변경, 원부자재의 롯트(lot) 교체, 누적산포 등의 다양한 4M(Man, Machine, Material, Method) 1E(Environment) 변경점에 기인한 불량 발생 시, 현 단계에서 실시간 전수 검사방식으로 모니터링할 수 있는 시스템의 부재로 후속공정 또는 완성품 검사단계에서 뒤늦게 피드백된다는 점이다.First, in the case of defects due to various 4M (Man, Machine, Material, Method) 1E (Environment) changes such as worker change, lot replacement of raw and subsidiary materials, cumulative distribution, monitoring at the current stage with real-time total inspection The lack of a system that can do this is that feedback is belatedly provided in the follow-up process or finished product inspection stage.
둘째, 일부 반자동화된 라인의 경우 비젼 기반 조립품의 외관 검사 시스템이 도입되어 있으나, 수작업 동선, 지그 및 반자동 설비의 사용정보(동력원) 등과 같은 주요 변경점과 연동되어 분석되지 않아 발생 원인에 대한 실시간 추적이 불가능하다는 점이다.Second, in the case of some semi-automated lines, a visual inspection system for vision-based assemblies has been introduced, but it is not analyzed in conjunction with major changes such as manual movement, jig, and semi-automatic facility usage information (power source), so real-time tracking of the cause of occurrence that this is impossible.
기존의 제조 현장에서는 도 1의 (a)와 같이 관리자가 작업자가 SOP(Standard Operating Procedure, 표준 운영 절차)를 준수하고 있는지 수동으로 모니터링했는데, 이러한 방식으로는 모든 작업자의 수작업 단계를 추적 및 관리하는 것에 한계가 있어, 이에 대한 대응책으로 도 1의 (b), (c)와 같이 AI 스마트 카메라의 딥러닝 기술을 활용하여 자동으로 모니터링 및 수작업을 분석하는 방식을 취하고 있다. 이와 같은 자동 모니터링 방식에 의해 99%의 판단 정확도 수준을 제시하고 있다.In the existing manufacturing site, as shown in (a) of FIG. 1, a manager manually monitored whether workers were complying with SOP (Standard Operating Procedure). There is a limit to this, and as a countermeasure against this, as shown in (b) and (c) of FIG. 1, a method of automatically monitoring and analyzing manual work is taken using the deep learning technology of the AI smart camera. This automatic monitoring method suggests a level of 99% judgment accuracy.
이상과 같은 AI 비젼 자동 모니터링 방식에서 4M 1E의 변경점이 발생할 경우, 숙련자는 경험치를 반영하여 작업 방법을 일시적으로 변경하여 불량 발생을 억제하게 된다. 숙련자가 수작업 패턴과 공정시간을 변경할 경우에는 AI 카메라가 이를 인지하여 이상 신호를 발생할 수 있지만, 인가되는 강도, 세기를 미세하게 변경(예를 들면, 작업자가 전동 드라이버의 토크 또는 누르는 세기를 미세하게 변경하거나, 용접기의 전류 세기를 미세하게 변경)할 경우에는 수작업의 패턴이 변경되는 것이 아니므로 이를 인지할 수 없다.In the case of changes in 4M 1E in the AI vision automatic monitoring method as described above, the skilled person suppresses the occurrence of defects by temporarily changing the work method by reflecting the experience value. If a skilled person changes the manual work pattern and process time, the AI camera can recognize this and generate an abnormal signal, but finely change the applied strength and strength (for example, the operator can finely change the torque or pressing strength of an electric screwdriver) or if the current intensity of the welder is finely changed), it cannot be recognized because the pattern of manual work is not changed.
따라서, 4M 1E의 산포에 의한 불량 발생을 억제하기 위해서는 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화할 필요가 있다.Therefore, in order to suppress the occurrence of defects due to the dispersion of 4M 1E, it is necessary to standardize what type of manual work patterns and power source fine patterns are applied to manufactured products by skilled workers.
한편, 한국 등록특허공보 제10-2285374호(특허문헌 1)에는 "인공지능 기반 작업 전력패턴 자동 인식 방법과 이를 위한 시스템"이 개시되어 있는 바, 이에 따른 인공지능 기반 작업 전력패턴 자동 인식 방법은, 컴퓨터 장치에서, 전동장치가 소정 작업을 소정 기간 동안에 걸쳐 반복 수행하는 과정에서 모니터링된 소비전력 데이터를 수집하여 데이터 저장소에 저장하는 단계; 연산처리장치가 상기 데이터 저장소로부터 소정 기간 동안 수집 저장된 상기 전동장치의 소비전력 데이터를 읽어 들이는 단계; 읽어 들인 상기 소비전력 데이터를 소정 시간 간격마다 소정 크기의 작업시간 창 단위로 분할하는 단계; 작업시간 창 단위로 분할된 소비전력 데이터들 전체에 대하여, 인접하는 작업시간 창들의 소비전력 데이터들 간의 유사도를 비교하여 유사도가 가장 낮은 지점을 상기 전동장치의 작업 시작지점을 나타내는 '작업 전력패턴의 시작점'으로 추출하는 단계; 추출된 각 '작업 전력패턴의 시작점'에서부터 상기 작업시간 창의 사이즈에 해당하는 구간의 소비전력 데이터를 상기 전동장치가 소정 작업을 1회 수행하는 데 소비한 전력 데이터인 작업 전력패턴으로 추출하는 단계; 및 추출된 작업 전력패턴에 작업 레이블을 추가하여 인공지능 기반 학습 데이터를 자동으로 생성하는 단계를 포함하고, 상기 인접하는 작업시간 창들의 소비전력 데이터 간의 유사도를 구할 때, 미리 설정된 소비전력 피크 지점의 최소 개수를 초과하는 소비전력 피크 지점은 작업 전력패턴의 종료구간에서의 유사도 차이 피크 지점으로 간주하여 무시하는 것을 특징으로 한다.On the other hand, Korean Patent Registration No. 10-2285374 (Patent Document 1) discloses "Artificial intelligence-based automatic work power pattern recognition method and system therefor", and the artificial intelligence-based work power pattern automatic recognition method according to this , In a computer device, collecting and storing power consumption data monitored in a process in which a powertrain repeatedly performs a predetermined task over a predetermined period of time and storing it in a data storage; reading, by the processing unit, power consumption data of the powertrain collected and stored for a predetermined period from the data storage; dividing the read power consumption data into working time window units of a predetermined size at predetermined time intervals; For all the power consumption data divided by working time window, the similarity between the power consumption data of adjacent working time windows is compared, and the point with the lowest similarity is the 'work power pattern' representing the work start point of the powertrain. Extracting as a 'starting point'; Extracting power consumption data of a section corresponding to the size of the working time window from each extracted 'start point of the working power pattern' as a working power pattern, which is power data consumed by the electric motor to perform a predetermined job once; and automatically generating artificial intelligence-based training data by adding a task label to the extracted work power pattern, wherein when a similarity between power consumption data of adjacent work time windows is obtained, a preset power consumption peak point A power consumption peak point exceeding the minimum number is regarded as a similarity difference peak point in the end section of the working power pattern and is ignored.
이상과 같은 특허문헌 1의 경우, 추출된 작업별 소비 전력패턴을 활용하여 작업자 개인별 및 생산라인 별 작업 현황, 개별 작업자의 준 실시간 작업 수량 및 단위 생산시간 등을 모니터링 할 수 있는 장점이 있기는 하나, 수작업 기반의 제조 현장에서 4M 1E의 변경점이 발생할 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지에 대해서는, 그리고 사용하는 보조 작업도구의 동력원의 미세 패턴 변화에 대해서는 고려하고 있지 않아 불량 발생 원인을 실시간으로 분석해 내기 어려운 문제점을 내포하고 있다.In the case of
본 발명은 이상과 같은 사항을 종합적으로 감안하여 창출된 것으로서, 수작업 기반의 제조 현장에서 4M 1E의 변경점이 발생할 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화하고, 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 감지하여 AI 머신 러닝으로 분석 및 최적의 패턴을 확보하여, 이를 기반으로 불량 발생 원인의 분석 결과를 실시간으로 피드백할 수 있는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법을 제공함에 그 목적이 있다.The present invention was created in consideration of the above matters comprehensively, and when a change in 4M 1E occurs at a manual-based manufacturing site, it standardizes what type of manual work pattern and power source fine pattern are applied to production products by skilled workers, , AI-based manual pattern and power source that can detect the fine pattern change of the power source of the auxiliary work tool in use, analyze it with AI machine learning, and secure the optimal pattern, based on which, the analysis result of the cause of failure can be fed back in real time Its purpose is to provide a micro pattern analysis system and method.
상기의 목적을 달성하기 위하여 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템은,In order to achieve the above object, the AI-based manual pattern and power source fine pattern analysis system according to the present invention,
수작업 제조 현장에서 4M(Man, Machine, Material, Method) 1E(Environment)의 변경점 중 적어도 하나의 변경점이 발생했는지를 판별하는 변경점 발생 판별부와;a change point determination unit for determining whether at least one change point among the change points of 4M (man, machine, material, method) and 1E (environment) has occurred at the manual manufacturing site;
상기 변경점 발생 판별부에 의한 판별에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했으면, 해당 변경점의 데이터를 수집하는 데이터 수집부와;a data collection unit for collecting data of the corresponding change point if at least one of the change points of 4M 1E has occurred in the determination by the change point generation determination unit;
상기 데이터 수집부에 의해 수집된 데이터에 대해 에지(edge) 및 미들(middle) 에지 분석을 수행하는 에지/미들 에지 분석부와;an edge/middle edge analyzer for performing edge and middle edge analysis on the data collected by the data collection unit;
상기 에지/미들 에지 분석부에 의해 수행된 에지 및 미들 에지 분석 결과를 바탕으로 제품 불량 및 이상징후 발생의 원인을 분석하는 제품 불량/이상징후 분석부와;a product defect/abnormal symptom analyzer for analyzing causes of product defects and abnormal symptoms based on the edge and middle edge analysis results performed by the edge/middle edge analyzer;
상기 제품 불량/이상징후 분석부에 의해 분석된 제품 불량 및 이상징후 발생원인 분석 결과를 수작업 제조 현장에 실시간으로 피드백하는 실시간 피드백부; 및a real-time feedback unit that feeds back, in real time, the product defect/abnormal symptom analysis unit to the manual manufacturing site; and
상기 변경점 발생 판별부, 데이터 수집부, 에지/미들 에지 분석부, 제품 불량/이상징후 분석부 및 실시간 피드백부의 상태 체크 및 동작을 제어하고, 상기 4M 1E의 변경점 중 적어도 하나의 변경점이 발생한 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화를 위한 연산을 수행하며, 작업자가 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝 모델을 통해 분석하여 최적의 수작업 패턴 및 동력원 패턴을 선정하여 시스템 제어에 반영하는 제어부를 포함하는 점에 그 특징이 있다.Controls the status check and operation of the change point occurrence determination unit, data collection unit, edge/middle edge analysis unit, product defect/abnormal symptom analysis unit, and real-time feedback unit, and at least one change among the change points of the 4M 1E occurs, Calculations are performed to standardize what type of manual work patterns and power source fine patterns have been applied by skilled workers to production products, and the changes in fine patterns of power sources of auxiliary work tools used by workers are analyzed through AI machine learning models to optimize Its feature is that it includes a control unit that selects a manual work pattern and a power source pattern and reflects them to system control.
여기서, 상기 에지/미들 에지 분석부의 에지 및 미들 에지 분석 결과와 상기 제품 불량/이상징후 분석부의 제품 불량 및 이상징후 발생 원인 분석 결과를 각각 화면에 표시하는 디스플레이부를 더 포함할 수 있다.Here, it may further include a display unit for displaying edge and middle edge analysis results of the edge/middle edge analyzer and product defect/abnormal symptom analysis results of the product defect/abnormal symptom analyzer on a screen, respectively.
또한, 상기 데이터 수집부에 의해 수집되는 상기 해당 변경점의 데이터는 TOF(Time of Flight) 카메라에 의해 촬영된 작업자의 수작업 동선 이미지 데이터와 공압 또는 전력 동력원의 미세 패턴 변화 데이터를 포함할 수 있다.In addition, the data of the corresponding change point collected by the data collection unit may include manual movement image data of a worker captured by a Time of Flight (TOF) camera and fine pattern change data of a pneumatic or electric power source.
또한, 상기 에지/미들 에지 분석부에 의해 수행되는 상기 수집된 데이터에 대한 에지(edge) 및 미들(middle) 에지 분석은 AI 기반의 머신 러닝 모델을 이용하여 수행될 수 있다.In addition, edge and middle edge analysis of the collected data performed by the edge/middle edge analyzer may be performed using an AI-based machine learning model.
또한, 상기 제품 불량/이상징후 분석부에 의해 수행되는 상기 에지 및 미들 에지 분석 결과를 바탕으로 한 제품 불량 및 이상징후 발생 원인 분석은 AI 기반의 수율 예측 모델을 이용하여 수행될 수 있다.In addition, the product defect/abnormal symptom analysis unit based on the results of the edge and middle edge analysis performed by the product defect and abnormal symptom occurrence cause analysis may be performed using an AI-based yield prediction model.
또한, 상기의 목적을 달성하기 위하여 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 방법은,In addition, in order to achieve the above object, the AI-based manual pattern and power source fine pattern analysis method according to the present invention,
a) 변경점 발생 판별부가 수작업 제조 현장에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했는지를 판별하는 단계와;a) determining whether at least one change point among the change points of the 4M 1E has occurred at the manual manufacturing site by a change point generation determination unit;
b) 상기 판별에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했으면, 데이터 수집부가 해당 변경점의 데이터를 수집하는 단계와;b) if at least one of the 4M 1E change points has occurred in the determination, collecting data of the corresponding change point by a data collection unit;
c) 에지/미들 에지 분석부가 상기 수집된 데이터에 대해 에지(edge) 및 미들(middle) 에지 분석을 수행하는 단계와;c) performing, by an edge/middle edge analysis unit, edge and middle edge analysis on the collected data;
d) 제품 불량/이상징후 분석부가 상기 에지 및 미들 에지 분석 결과를 바탕으로 제품 불량 및 이상징후 발생의 원인을 분석하는 단계와;d) analyzing the causes of product defects and abnormal symptoms based on the edge and middle edge analysis results by a product defect/abnormal symptom analyzer;
e) 실시간 피드백부가 상기 제품 불량 및 이상징후 발생의 원인에 대한 분석 결과를 수작업 제조 현장에 실시간으로 피드백하는 단계를 포함하는 점에 그 특징이 있다.e) It is characterized in that the real-time feedback unit includes a step of providing real-time feedback to the manual manufacturing site of the analysis result for the cause of the defective product and the occurrence of the abnormal symptom.
여기서, 상기 4M 1E의 변경점 중 적어도 하나의 변경점이 발생한 경우, 제어부가 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화를 위한 연산을 수행하고, 작업자가 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝 모델을 통해 분석하여 최적의 수작업 패턴 및 동력원 패턴을 선정하여 시스템 제어에 반영하는 단계를 더 포함할 수 있다.Here, when at least one of the changes in the 4M 1E occurs, the control unit performs a calculation for standardization of what type of manual pattern and power source fine pattern the skilled person applied to the product, and the auxiliary work used by the operator The method may further include analyzing minute pattern changes of the power source of the tool through an AI machine learning model, selecting an optimal manual work pattern and a power source pattern, and reflecting the result in system control.
또한, 상기 단계 c)에서의 에지 및 미들 에지 분석 결과와 상기 단계 d)에서의 제품 불량 및 이상징후 발생 원인 분석 결과를 각각 화면에 표시하는 단계를 더 포함할 수 있다.The method may further include displaying the result of edge and middle edge analysis in step c) and the analysis result of product defects and abnormal symptoms in step d) on the screen, respectively.
또한, 상기 단계 b)에서 상기 해당 변경점의 데이터는 TOF(Time of Flight) 카메라에 의해 촬영된 작업자의 수작업 동선 이미지 데이터와 공압 또는 전력 동력원의 미세 패턴 변화 데이터를 포함할 수 있다.In addition, in the step b), the data of the corresponding change point may include manual movement image data of a worker captured by a Time of Flight (TOF) camera and fine pattern change data of a pneumatic or electric power source.
또한, 상기 단계 c)에서 상기 수집된 데이터에 대한 에지(edge) 및 미들(middle) 에지 분석은 AI 기반의 머신 러닝 모델에 의해 수행될 수 있다.In addition, edge and middle edge analysis of the collected data in step c) may be performed by an AI-based machine learning model.
또한, 상기 단계 d)에서 상기 에지 및 미들 에지 분석 결과를 바탕으로 한 제품 불량 및 이상징후 발생 원인 분석은 AI 기반의 수율 예측 모델에 의해 수행될 수 있다.In addition, in step d), the analysis of the causes of product defects and abnormalities based on the edge and middle edge analysis results may be performed by an AI-based yield prediction model.
이와 같은 본 발명에 의하면, 수작업 기반의 제조 현장에서 4M 1E의 변경점이 발생할 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화하고, 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 감지하여 AI 머신 러닝으로 분석 및 최적의 패턴을 확보하여, 이를 기반으로 불량 발생 원인의 분석 결과를 실시간으로 피드백함으로써 제품의 불량 발생률을 현저하게 낮출 수 있는 효과가 있다.According to the present invention, when a change of 4M 1E occurs at a manual-based manufacturing site, it is possible to standardize what type of manual work pattern and power source fine pattern are applied to the product by the skilled person, and to determine the power source of the auxiliary work tool used. By detecting minute pattern changes, analysis and optimal patterns are secured through AI machine learning, and based on this, the analysis results of the causes of defects are fed back in real time, which has the effect of significantly lowering the rate of product defects.
도 1은 종래 생산관리자 수동 모니터링 방식 및 AI 비전 자동 모니터링 방식의 개요를 나타낸 도면이다.
도 2는 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템의 구성을 개략적으로 나타낸 도면이다.
도 3은 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 방법의 실행 과정을 나타낸 흐름도이다.
도 4는 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법과 관련된 실시간 수작업 패턴 추적 및 관리 개요를 나타낸 도면이다.
도 5는 본 발명의 분석 시스뎀 및 방법에 채용되는 작업자 학습 플랫폼의 재학습 가상 시뮬레이션 개요를 나타낸 도면이다.
도 6은 본 발명의 분석 시스뎀 및 방법에 채용되는 작업자 학습 플랫폼의 대쉬보드 구성을 나타낸 도면이다.
도 7은 기존의 FEMS 및 공압 레귤레이터를 나타낸 도면이다.
도 8은 에어 실린더의 속도 조절 원리를 나타낸 도면이다.
도 9는 압착기(융착기)의 동작에 따른 순시 패턴의 변화가 발생하는 개요를 나타낸 도면이다.
도 10은 에어 실린더의 동작에 간섭 유발 시 미세 패턴 변화가 발생하는 것을 나타낸 도면이다.
도 11은 부하 변동 해석을 위한 MRAC 모델링을 나타낸 도면이다.
도 12는 턴테이블 에어 실린더의 가상 센싱화 개요를 나타낸 도면이다.1 is a diagram showing the outline of a conventional production manager manual monitoring method and AI vision automatic monitoring method.
2 is a diagram schematically showing the configuration of an AI-based manual pattern and power source fine pattern analysis system according to the present invention.
3 is a flowchart illustrating an execution process of an AI-based manual pattern and power source fine pattern analysis method according to the present invention.
4 is a diagram showing an overview of real-time manual pattern tracking and management related to the AI-based manual pattern and power source fine pattern analysis system and method according to the present invention.
5 is a diagram showing an outline of a relearning virtual simulation of a worker learning platform employed in the analysis system and method of the present invention.
6 is a diagram showing a dashboard configuration of a worker learning platform employed in the analysis system and method of the present invention.
7 is a diagram showing a conventional FEMS and a pneumatic regulator.
8 is a view showing the principle of adjusting the speed of the air cylinder.
9 is a diagram showing an overview of the occurrence of a change in an instantaneous pattern according to the operation of a compactor (splicer).
10 is a view showing that a fine pattern change occurs when interference is induced in the operation of an air cylinder.
11 is a diagram illustrating MRAC modeling for load variation analysis.
12 is a diagram showing an overview of virtual sensing of a turntable air cylinder.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정되어 해석되지 말아야 하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.The terms or words used in this specification and claims should not be construed as being limited to their usual or dictionary meanings, and the inventors can properly define the concept of terms in order to best explain their invention. Based on the principle, it should be interpreted as meaning and concept consistent with the technical idea of the present invention.
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 있다는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated. In addition, terms such as "...unit", "...unit", "module", and "device" described in the specification mean a unit that processes at least one function or operation, which is hardware or software, or a combination of hardware and software. can be implemented as
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 2는 본 발명의 실시예에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템의 구성을 개략적으로 나타낸 도면이고, 도 4는 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법과 관련된 실시간 수작업 패턴 추적 및 관리 개요를 나타낸 도면이다.2 is a diagram schematically showing the configuration of an AI-based manual pattern and power source fine pattern analysis system according to an embodiment of the present invention, and FIG. 4 is related to the AI-based manual pattern and power source fine pattern analysis system and method according to the present invention. This diagram shows an overview of real-time manual pattern tracking and management.
도 2 및 도 4를 참조하면, 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템(200)은 변경점 발생 판별부(210), 데이터 수집부(220), 에지/미들 에지 분석부(230), 제품 불량/이상징후 분석부(240), 실시간 피드백부(250), 제어부(260)를 포함하여 구성된다.2 and 4, the AI-based manual pattern and power source fine
변경점 발생 판별부(210)는 수작업 제조 현장에서 4M(Man, Machine, Material, Method) 1E(Environment)의 변경점 중 적어도 하나의 변경점이 발생했는지를 판별한다. 이와 같은 변경점 발생 판별부(210)는 마이크로프로세서, PLC 등으로 구성될 수 있다.The change point
데이터 수집부(220)는 상기 변경점 발생 판별부(210)에 의한 판별에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했으면, 해당 변경점의 데이터를 수집한다. 여기서, 이와 같은 데이터 수집부(220)에 의해 수집되는 상기 해당 변경점의 데이터는 TOF(Time of Flight) 카메라에 의해 촬영된 작업자의 수작업 동선 이미지 (즉, 수작업 패턴) 데이터와 공압 또는 전력 동력원의 미세 패턴 변화 데이터를 포함할 수 있다. 이와 같은 데이터 수집부(220)도 마이크로프로세서나 PLC 등으로 구성될 수 있다.The
에지/미들 에지 분석부(230)는 상기 데이터 수집부(220)에 의해 수집된 데이터에 대해 에지(edge) 및 미들(middle) 에지 분석을 수행한다. 이와 같은 에지/미들 에지 분석부(230)에 의해 수행되는 상기 수집된 데이터에 대한 에지(edge) 및 미들(middle) 에지 분석은 AI 기반의 머신 러닝 모델(260m)을 이용하여 수행될 수 있다. 여기서, 이러한 머신 러닝 모델(260m)은 도 2의 그림상으로는 제어부(260)에 도시되어 있으나, 제어부(260)에 의해서만 사용되는 것으로 한정되는 것은 아니며, 네트워크를 통해 에지/미들 에지 분석부(230)와 공동으로 사용될 수 있도록 구성된다. 또한, 이상과 같은 에지/미들 에지 분석부(230)는 마이크로프로세서, 마이크로컨트롤러 등으로 구성될 수 있다.The edge/middle
제품 불량/이상징후 분석부(240)는 상기 에지/미들 에지 분석부(230)에 의해 수행된 에지 및 미들 에지 분석 결과를 바탕으로 제품 불량 및 이상징후 발생의 원인을 분석한다. 이와 같은 제품 불량/이상징후 분석부(240)에 의해 수행되는 상기 에지 및 미들 에지 분석 결과를 바탕으로 한 제품 불량 및 이상징후 발생 원인 분석은 AI 기반의 수율 예측 모델(260p)을 이용하여 수행될 수 있다. 여기서도 마찬가지로, 상기 수율 예측 모델(260p)은 도 2의 그림상으로는 제어부(260)에 도시되어 있으나, 제어부(260)에 의해서만 사용되는 것으로 한정되는 것은 아니며, 네트워크를 통해 제품 불량/이상징후 분석부(240)와 공동으로 사용될 수 있도록 구성된다. 또한, 이상과 같은 제품 불량/이상징후 분석부(240)도 마이크로프로세서, 마이크로컨트롤러 등으로 구성될 수 있다.The product defect/abnormal
실시간 피드백부(250)는 상기 제품 불량/이상징후 분석부(240)에 의해 분석된 제품 불량 및 이상징후 발생원인 분석 결과를 수작업 제조 현장에 실시간으로 피드백한다. 이와 같은 실시간 피드백부(250)는 마이크로프로세서, PLC 등으로 구성될 수 있다.The real-
제어부(260)는 상기 변경점 발생 판별부, 데이터 수집부, 에지/미들 에지 분석부, 제품 불량/이상징후 분석부 및 실시간 피드백부의 상태 체크 및 동작을 제어하고, 상기 4M 1E의 변경점 중 적어도 하나의 변경점이 발생한 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화를 위한 연산을 수행하며, 작업자가 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝 모델을 통해 분석하여 최적의 수작업 패턴 및 동력원 패턴을 선정하여 시스템 제어에 반영한다. 이와 같은 제어부(260)는 마이크로프로세서나 마이크로컨트롤러 등으로 구성될 수 있다.The
이상과 같은 구성을 가지는 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템(200)은 바람직하게는 상기 에지/미들 에지 분석부(230)의 에지 및 미들 에지 분석 결과와 상기 제품 불량/이상징후 분석부(240)의 제품 불량 및 이상징후 발생 원인 분석 결과를 각각 화면에 표시하는 디스플레이부(270)를 더 포함할 수 있다.The AI-based manual pattern and power source fine
여기서, 또한 이상과 같은 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템(200)은 전술한 바와 같이 다수의 별개의 구성 요소들(즉, 변경점 발생 판별부(210), 데이터 수집부(220), 에지/미들 에지 분석부(230), 제품 불량/이상징후 분석부(240), 실시간 피드백부(250), 제어부(260), 디스플레이부 (270))로 구성될 수도 있고, 다수의 구성 요소들이 하나로 통합된 시스템, 예를 들면, 컴퓨터 시스템으로 구성될 수도 있다.Here, the AI-based manual pattern and power source fine
그러면, 이하에서는 이상과 같은 구성을 가지는 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템을 바탕으로 한 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 방법에 대해 설명해 보기로 한다.Hereinafter, an AI-based manual pattern and power source fine pattern analysis method based on the AI-based manual pattern and power source fine pattern analysis system according to the present invention having the above configuration will be described.
도 3은 본 발명의 실시예에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 방법의 실행 과정을 나타낸 흐름도이다.3 is a flowchart illustrating an execution process of an AI-based manual pattern and power source fine pattern analysis method according to an embodiment of the present invention.
도 3 및 도 4를 참조하면, 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 방법은, 먼저 변경점 발생 판별부(210)가 수작업 제조 현장에서 4M(Man, Machine, Material, Method) 1E(Environment)의 변경점 중 적어도 하나의 변경점이 발생했는지를 판별한다(단계 S301).3 and 4, in the AI-based manual pattern and power source fine pattern analysis method according to the present invention, first, the change point
상기 판별에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했으면, 데이터 수집부(220)가 해당 변경점의 데이터를 수집한다(단계 S302). 여기서, 상기 해당 변경점의 데이터는 TOF(Time of Flight) 카메라에 의해 촬영된 작업자의 수작업 동선 이미지(즉, 수작업 패턴)와 공압 또는 전력 동력원의 미세 패턴 변화 데이터를 포함할 수 있다.If at least one change point among the change points of 4M 1E has occurred in the determination, the
이렇게 하여 해당 변경점의 데이터가 수집되면, 에지/미들 에지 분석부(230)는 상기 수집된 데이터에 대해 에지(edge) 및 미들(middle) 에지 분석을 수행한다(단계 S303). 여기서, 상기 수집된 데이터에 대한 에지(edge) 및 미들(middle) 에지 분석은 AI 기반의 머신 러닝 모델(260m)에 의해 수행될 수 있다.In this way, when the data of the change point is collected, the edge/middle
이상에 의해 에지(edge) 및 미들(middle) 에지 분석이 완료되면, 제품 불량/이상징후 분석부(240)는 상기 에지 및 미들 에지 분석 결과를 바탕으로 제품 불량 및 이상징후 발생의 원인을 분석한다(단계 S304). 여기서, 상기 에지 및 미들 에지 분석 결과를 바탕으로 한 제품 불량 및 이상징후 발생 원인 분석은 AI 기반의 수율 예측 모델(260p)에 의해 수행될 수 있다. When the edge and middle edge analysis is completed as described above, the product defect/
제품 불량 및 이상징후 발생의 원인 분석이 완료되면, 실시간 피드백부(250)는 상기 제품 불량 및 이상징후 발생의 원인에 대한 분석 결과를 수작업 제조 현장에 실시간으로 피드백한다(단계 S305).When the analysis of the causes of product defects and abnormal symptoms is completed, the real-
이상과 같은 일련의 과정에 있어서, 상기 4M 1E의 변경점 중 적어도 하나의 변경점이 발생한 경우, 제어부(260)가 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화를 위한 연산을 수행하고, 작업자가 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝 모델(260m)을 통해 분석하여 최적의 수작업 패턴 및 동력원 패턴을 선정하여 시스템 제어에 반영하는 단계를 더 포함할 수 있다.In the series of processes as described above, when at least one change point among the change points of the 4M 1E occurs, the
또한, 상기 단계 S303에서의 에지 및 미들 에지 분석 결과와 상기 단계 S304에서의 제품 불량 및 이상징후 발생 원인 분석 결과를 디스플레이부(270)에 의해 각각 화면에 표시하는 단계를 더 포함할 수 있다.In addition, the
이하에서는 이상의 설명과 같은 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법과 관련하여 조금 더 설명을 부가해 보기로 한다.Hereinafter, a little more explanation will be added in relation to the AI-based manual pattern and power source fine pattern analysis system and method according to the present invention as described above.
도 5는 본 발명의 분석 시스뎀 및 방법에 채용되는 작업자 학습 플랫폼의 재학습 가상 시뮬레이션 개요를 나타낸 도면이고, 도 6은 작업자 학습 플랫폼의 대쉬보드 구성을 나타낸 도면이다.5 is a diagram showing an outline of a relearning virtual simulation of a worker learning platform employed in the analysis system and method of the present invention, and FIG. 6 is a diagram showing a dashboard configuration of the worker learning platform.
도 5 및 도 6을 참조하면, 전기전자 부품을 수작업 기반으로 생산하는 100인 미만의 중소기업에서는 작업지도서, SOP, QC 공정 흐름도 등의 페이퍼 중심의 방식으로 제조 정보가 공유되고 있다. 따라서 회사 업력이 오래되지 않는 이상, 숙련자의 경험치와 4M 1E의 변경점에 대한 실시간 대처 방안을 횡전개하는 것에는 한계가 있다.Referring to FIGS. 5 and 6 , manufacturing information is shared in a paper-centered manner such as work instructions, SOPs, and QC process flow charts in small and medium-sized enterprises (SMEs) with less than 100 people who produce electrical and electronic components on a manual basis. Therefore, unless the company's business history is old, there is a limit to horizontally deploying real-time countermeasures for the experience points of experts and changes in 4M 1E.
본 발명에서는 다품종 소량 생산이 많고 라인에서 수시로 발생할 수 있는 작업자 변경, 설비 이상징후 등을 고려하여, 변경점에 대한 능동적 대처가 가능하도록 수율 예측 모델을 재학습이 가능한 가상 시뮬레이션 형태로 구성한다.In the present invention, a yield prediction model is configured in the form of a virtual simulation capable of re-learning to enable active coping with changes in consideration of worker changes and equipment anomalies that may occur from time to time in the line with a large number of small-lot production of various types.
또한, 수작업 기반 제조 현장은 고도화된 디지털 트윈 수준의 플랫폼이 필요하지 않기 때문에, 수율 예측 모델은 숙련자의 3D 모델링 데이터와 교차 비교하여 작업 패턴의 차이를 시각화하고, 이를 횡전개하는 수준으로 구성된다. 이에 의해 사용자의 접근성과 실효성을 확보할 수 있다.In addition, since manual-based manufacturing sites do not require a platform at the level of an advanced digital twin, the yield prediction model cross-compares with the 3D modeling data of skilled workers to visualize differences in work patterns and unfolds them laterally. As a result, user accessibility and effectiveness can be secured.
또한, 골든 샘플 확보와 관련해서는 영상 데이터를 JavaScript 3D Library인 Threejs를 활용하여 Skeleton 및 Skining 처리로 3D 모델링하고, 업종별 환경을 반영한 UX/UI 구성, 다양한 Cross Platform(PC-Web, Mobile, Pad)이 마련된다. 이에 따라 사용자의 편의성과 접근성을 증대시킬 수 있다.In addition, regarding the securing of golden samples, 3D modeling of video data with Skeleton and Skining processing using Threejs, a JavaScript 3D library, UX/UI configuration reflecting the environment of each industry, and various cross platforms (PC-Web, Mobile, Pad) provided Accordingly, user convenience and accessibility may be increased.
도 7은 기존의 FEMS 및 공압 레귤레이터를 나타낸 도면이다.7 is a diagram showing a conventional FEMS and a pneumatic regulator.
도 7을 참조하면, 공압은 전기전자 부품을 제조하는 대부분의 수작업 기반 제조현장에서 사용되고 있는데, 설비에 설치되어 있는 (b)와 같은 아날로그 타입의 감압용 공압 레귤레이터의 상, 하한치만 눈높이 관리(SPEC)하고 있으며, 전기의 경우 에너지 절감이 필요한 일부 업종에서 (a)와 같이 FEMS(Factory Energy Management System)와 같은 에너지 관리 시스템으로 Feeder부를 모니터링하고 있는 수준이다.Referring to FIG. 7, pneumatic pressure is used in most manual-based manufacturing sites that manufacture electrical and electronic components, and only the upper and lower limits of the analog type pressure-reducing pneumatic regulator as shown in (b) installed in the facility are managed at eye level (SPEC ), and in the case of electricity, the feeder part is being monitored with an energy management system such as FEMS (Factory Energy Management System) as shown in (a) in some industries that require energy saving.
수작업자가 작업 보조수단으로 사용하는 공구, 반자동 설비에는 동력원으로 전기 및 공압이 사용되는데, 동력의 소모 과정에서 발생하는 데이터를 수 ms 단위로 빅데이터화하여 순시패턴(Instant Pattern)을 분석하면, 수작업 동선, 노하우, 숙련도 정형화에 의한 작업성 차이점의 분석이 가능해 진다.Electricity and pneumatics are used as power sources for tools and semi-automatic equipment used by manual workers as work aids. If the data generated in the process of consuming power is converted into big data in units of several ms and the instant pattern is analyzed, the manual movement line , it becomes possible to analyze differences in workability by standardizing know-how and proficiency.
예를 들면, 전기사용 공구로서 작업자가 전동 드라이버, 임펙, 그라인더, 용접기의 버튼을 누르는 시간과 강도를 조절하면 반제품에 인가하는 토크, 마모량, 전력량 등이 변하게 되며, 숙련자의 경험치가 반영될수록 작업성과 품질을 향상시킬 수 있다.For example, as an electric tool, if a worker adjusts the time and intensity of pressing the button of an electric screwdriver, impactor, grinder, or welder, the torque applied to the semi-finished product, the amount of wear, and the amount of power change. quality can be improved.
또한, 공압사용 공구에서 공압 소모 시 수 ms 수준의 순시 패턴(Instant Pattern)이 발생하게 되며, 속도, 가속도 및 변곡점을 분석하면 진동 및 변위센서의 추가없이 동작유닛의 내구성 저하, 이상징후, 작업불량을 모니터링할 수 있다.In addition, when air pressure is consumed in a pneumatic tool, an instant pattern of several milliseconds is generated. If the speed, acceleration and inflection point are analyzed, the durability of the operation unit is reduced, abnormal symptoms, and work defects are detected without the addition of vibration and displacement sensors. can be monitored.
이상과 같은 공압사용 공구와 관련하여 공압 레귤레이터의 사용 목적은 일정한 압력으로 공기를 출력해서 액츄에이터를 안정적으로 구동하기 위한 것이며, 하단의 핸들을 돌려 목표값을 설정하는데, 시계방향으로 돌리면 높은 공압을, 반시계방향으로 돌리면 낮은 압력값으로 출력이 가능하다.In relation to the above pneumatic tools, the purpose of using the pneumatic regulator is to output air at a constant pressure to stably drive the actuator, and set the target value by turning the handle at the bottom. If you turn it counterclockwise, you can output at a lower pressure value.
도 8은 에어 실린더의 속도 조절 원리를 나타낸 도면이다.8 is a view showing the principle of adjusting the speed of the air cylinder.
도 8을 참조하면, 에어 실린더의 동작으로 토출구에서 공압이 소모되면 메인 밸브와 다이아프램 조압스프링이 유기적으로 동작하여 다시 설정 공압값으로 복원시키게 되는데, 피스톤 이송 속도 조절용 스로틀 밸브 및 감속 속도 조절용 쿠션 조절나사의 설정으로 피스톤 2차(부하측) 공압은 순시 패턴의 형태를 보이면서 공압 소모와 충압을 반복하게 된다.Referring to FIG. 8, when the air pressure is consumed at the outlet by the operation of the air cylinder, the main valve and the diaphragm pressure control spring operate organically to restore the set air pressure value again. The throttle valve for adjusting the piston transfer speed and the cushion for adjusting the deceleration speed By setting the screw, the secondary (load side) air pressure of the piston repeats the consumption and replenishment of the air pressure while showing the form of an instantaneous pattern.
도 9는 압착기(융착기)의 동작에 따른 순시 패턴의 변화가 발생하는 개요를 나타낸 도면이다.9 is a diagram showing an overview of the occurrence of a change in an instantaneous pattern according to the operation of a compactor (splicer).
도 9를 참조하면, 상·하 베이스를 수작업으로 조립 후 에어 실린더를 동력원으로 하는 압착기를 사용하여 밀착시키는 작업을 하는 경우, 작업실수로 상·하 베이스가 제대로 안착이 되지 않으면 피스톤의 최저 또는 최고점에서 추력에 저항하는 압력이 생기게 되고, 이는 크랙 등의 불량을 유발시킬 수도 있다. 이와 같이 정상적인 피스톤의 상하 운동을 저해하는 4M 1E 요소가 발생할 경우(즉, 간섭 유발 시), 감압 레귤레이터의 구조와 동작 원리 상, 도 10에 도시된 바와 같이, 공압의 미세 패턴의 변화가 발생하게 된다. 이때, 이와 같은 미세 패턴의 변화, 즉 부하 변동의 해석을 위해 도 11에 도시된 바와 같은 MRAC(Model Reference Adaptive Control) 모델링이 사용될 수 있다.Referring to FIG. 9, when the upper and lower bases are manually assembled and then pressed using an air cylinder as a power source, when the upper and lower bases are not seated properly due to an operation error, the lowest or highest point of the piston A pressure resisting the thrust is generated, which may cause defects such as cracks. In this way, when a 4M 1E element that hinders the normal up and down movement of the piston occurs (ie, when interference is caused), as shown in FIG. do. At this time, MRAC (Model Reference Adaptive Control) modeling as shown in FIG. 11 may be used to analyze the change of the fine pattern, that is, the load change.
한편, 도 12는 턴테이블 에어 실린더의 가상 센싱화 개요를 나타낸 도면이다.Meanwhile, FIG. 12 is a diagram showing an overview of virtual sensing of a turntable air cylinder.
도 12를 참조하면, 자동화 설비의 경우 다수의 액츄에이터인 에어 실린더, 에어척 등으로 동작 유닛을 구성하여 반제품의 이송, 가공을 진행하게 되는데, 보통 PLC 제어방식에 의해 순차적으로 동작하게 된다. 따라서 설비의 인입단에 설치되어 있는 감압 레귤레이터의 2차측 피더부에서는 모든 공압 소모 액츄에이터의 공압 소모패턴이 반영되므로, 이를 분석하면 변위센서, 위치센서 등으로 감지가 불가능한 노후화에 기인한 이상동작, 진행성 불량 발생 정도를 모니터링할 수 있다.Referring to FIG. 12, in the case of an automated facility, an operation unit is configured with a plurality of actuators such as air cylinders and air chucks to transport and process semi-finished products, which are usually sequentially operated by PLC control. Therefore, since the pneumatic consumption pattern of all pneumatic consuming actuators is reflected in the feeder part of the secondary side of the pressure-reducing regulator installed at the inlet of the facility, if this is analyzed, abnormal operation and progress due to deterioration that cannot be detected by displacement sensors, position sensors, etc. The degree of occurrence of defects can be monitored.
본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법은 이의 구현을 위한 일환으로 공압 레귤레이터 2차측에 공압의 미세 패턴 측정용 공압센서를 설치하고, 그를 바탕으로 빅데이터를 수집하는 방식을 도입한다. 이렇게 하면, 공압 jig 3개(공압 jig 1∼3)의 정상동작 정보와 반제품의 안착 여부, 품질정보를 모두 수집할 수 있는 가상 센싱 역할이 가능하다.AI-based manual pattern and power source fine pattern analysis system and method according to the present invention, as part of its implementation, installs a pneumatic sensor for measuring fine patterns of pneumatic pressure on the secondary side of a pneumatic regulator, and collects big data based on it. introduce In this way, it is possible to play a virtual sensing role that can collect all the normal operation information of three pneumatic jigs (
대부분의 100인 미만의 수작업 기반 중소기업에서는 인력 + 보조 작업기구 (jig 또는 반자동설비)의 조합으로 생산하고 있는데, 본 발명은 실증사에 국한되지 않고 모든 형태의 수작업 기반 업종에 적용할 수 있다.Most hand-based small and medium-sized businesses with less than 100 people produce with a combination of manpower + auxiliary work tools (jig or semi-automatic equipment), but the present invention is not limited to demonstrators and can be applied to all types of manual-based industries.
이상의 설명과 같이, 본 발명에 따른 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템 및 방법은 수작업 기반의 제조 현장에서 4M 1E의 변경점이 발생할 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화하고, 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 감지하여 AI 머신 러닝으로 분석 및 최적의 패턴을 확보하여, 이를 기반으로 불량 발생 원인의 분석 결과를 실시간으로 피드백함으로써 제품의 불량 발생률을 현저하게 낮출 수 있는 효과가 있다.As described above, the AI-based manual pattern and power source micro-pattern analysis system and method according to the present invention, when a change in 4M 1E occurs at a manual-based manufacturing site, a skilled person produces any form of manual pattern and power source micro-pattern. It is standardized whether or not it is applied to the product, detects changes in fine patterns of the power source of auxiliary work tools used, analyzes them with AI machine learning, and secures the optimal pattern. It has the effect of significantly reducing the occurrence rate of defects.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양하게 변경, 응용될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다. 따라서, 본 발명의 진정한 보호 범위는 다음의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.Although the present invention has been described in detail through preferred embodiments, the present invention is not limited thereto, and various changes and applications can be made without departing from the technical spirit of the present invention. self-explanatory for technicians Therefore, the true scope of protection of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.
200: (본 발명) AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템
210: 변경점 발생 판별부 220: 데이터 수집부
230: 에지/미들 에지 분석부 240: 제품 불량/이상징후 분석부
250: 실시간 피드백부 260: 제어부
270: 디스플레이부200: (Invention) AI-based manual pattern and power source fine pattern analysis system
210: change occurrence determination unit 220: data collection unit
230: edge/middle edge analysis unit 240: product defect/abnormal symptom analysis unit
250: real-time feedback unit 260: control unit
270: display unit
Claims (11)
상기 변경점 발생 판별부에 의한 판별에서 4M 1E의 변경점 중 적어도 하나의 변경점이 발생했으면, 해당 변경점의 데이터를 수집하는 데이터 수집부와;
상기 데이터 수집부에 의해 수집된 데이터에 대해 에지(edge) 및 미들(middle) 에지 분석을 수행하는 에지/미들 에지 분석부와;
상기 에지/미들 에지 분석부에 의해 수행된 에지 및 미들 에지 분석 결과를 바탕으로 제품 불량 및 이상징후 발생의 원인을 분석하는 제품 불량/이상징후 분석부와;
상기 제품 불량/이상징후 분석부에 의해 분석된 제품 불량 및 이상징후 발생원인 분석 결과를 수작업 제조 현장에 실시간으로 피드백하는 실시간 피드백부; 및
상기 변경점 발생 판별부, 데이터 수집부, 에지/미들 에지 분석부, 제품 불량/이상징후 분석부 및 실시간 피드백부의 상태 체크 및 동작을 제어하고, 상기 4M 1E의 변경점 중 적어도 하나의 변경점이 발생한 경우, 숙련자가 어떠한 형태의 수작업 패턴 및 동력원 미세 패턴을 생산 제품에 적용시켰는지 정형화를 위한 연산을 수행하며, 작업자가 사용하는 보조 작업도구의 동력원의 미세 패턴 변화를 AI 머신 러닝 모델을 통해 분석하여 최적의 수작업 패턴 및 동력원 패턴을 선정하여 시스템 제어에 반영하는 제어부를 포함하고,
상기 제품 불량/이상징후 분석부에 의해 수행되는 상기 에지 및 미들 에지 분석 결과를 바탕으로 한 제품 불량 및 이상징후 발생 원인 분석은 AI 기반의 수율 예측 모델을 이용하여 수행되며,
상기 수율 예측 모델은 작업자의 작업 패턴을 숙련자의 3D 모델링 데이터와 교차 비교하여 작업 패턴의 차이를 시각화하고, 이를 횡전개하는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템.
a change point determination unit for determining whether at least one change point among the change points of 4M (man, machine, material, method) and 1E (environment) has occurred at the manual manufacturing site;
a data collection unit for collecting data of the corresponding change point if at least one of the change points of 4M 1E has occurred in the determination by the change point occurrence determination unit;
an edge/middle edge analyzer for performing edge and middle edge analysis on the data collected by the data collection unit;
a product defect/abnormal symptom analyzer for analyzing causes of product defects and abnormal symptoms based on the edge and middle edge analysis results performed by the edge/middle edge analyzer;
a real-time feedback unit that feeds back, in real time, the product defect/abnormal symptom analysis unit to the manual manufacturing site; and
Controls the state check and operation of the change point occurrence determination unit, data collection unit, edge/middle edge analysis unit, product defect/abnormal symptom analysis unit, and real-time feedback unit, and at least one change among the change points of the 4M 1E occurs, Calculations are performed to standardize what type of manual work patterns and power source fine patterns have been applied by skilled workers to production products, and the changes in fine patterns of power sources of auxiliary work tools used by workers are analyzed through AI machine learning models to optimize Including a control unit that selects a manual pattern and a power source pattern and reflects it to system control,
Analysis of causes of product defects and anomalies based on the edge and middle edge analysis results performed by the product defect/abnormal symptom analyzer is performed using an AI-based yield prediction model,
The yield prediction model is an AI-based manual pattern and power source fine pattern analysis system that cross-compares the worker's work pattern with the skilled person's 3D modeling data to visualize the difference in the work pattern and unfolds it laterally.
상기 에지/미들 에지 분석부의 에지 및 미들 에지 분석 결과와 상기 제품 불량/이상징후 분석부의 제품 불량 및 이상징후 발생 원인 분석 결과를 각각 화면에 표시하는 디스플레이부를 더 포함하는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템.
According to claim 1,
AI-based manual pattern and power source fine pattern further comprising a display unit for displaying the edge and middle edge analysis results of the edge/middle edge analysis unit and the product defect and abnormal symptom cause analysis results of the product defect/abnormal symptom analyzer on the screen, respectively analysis system.
상기 데이터 수집부에 의해 수집되는 상기 해당 변경점의 데이터는 TOF(Time of Flight) 카메라에 의해 촬영된 작업자의 수작업 동선 이미지 데이터와 공압 또는 전력 동력원의 미세 패턴 변화 데이터를 포함하는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템.
According to claim 1,
The data of the corresponding change point collected by the data collection unit includes AI-based manual pattern and power source including fine pattern change data of a worker's manual movement image data and a pneumatic or electric power source captured by a Time of Flight (TOF) camera. Micro pattern analysis system.
상기 에지/미들 에지 분석부에 의해 수행되는 상기 수집된 데이터에 대한 에지(edge) 및 미들(middle) 에지 분석은 AI 기반의 머신 러닝 모델을 이용하여 수행되는 AI 기반 수작업 패턴 및 동력원 미세 패턴 분석 시스템.
According to claim 1,
AI-based manual pattern and power source fine pattern analysis system in which edge and middle edge analysis of the collected data performed by the edge/middle edge analysis unit is performed using an AI-based machine learning model .
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220022541 | 2022-02-21 | ||
| KR20220022541 | 2022-02-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102481788B1 true KR102481788B1 (en) | 2022-12-27 |
| KR102481788B9 KR102481788B9 (en) | 2023-02-23 |
Family
ID=84568052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220056519A KR102481788B1 (en) | 2022-02-21 | 2022-05-09 | AI-based manual pattern and power source micro-pattern analysis system and method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102481788B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170115596A (en) * | 2015-02-11 | 2017-10-17 | 예후다 프라이드랜더 | Systems for analysis of electricity consumption |
| KR101995275B1 (en) * | 2019-01-29 | 2019-07-03 | 호전실업 주식회사 | Method and system for optimizing production of clothes and operation of apparel production factory |
| KR102285374B1 (en) | 2020-07-16 | 2021-08-04 | 호전실업 주식회사 | Method of automatically recognizing power pattern consumed for work based on artificial intelligence and system for the same |
| KR20210115917A (en) * | 2020-03-17 | 2021-09-27 | (주) 디지털팩토리 | Smart Factory FOMs Package and Method for Smart Manufacturing Innovation |
-
2022
- 2022-05-09 KR KR1020220056519A patent/KR102481788B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170115596A (en) * | 2015-02-11 | 2017-10-17 | 예후다 프라이드랜더 | Systems for analysis of electricity consumption |
| KR101995275B1 (en) * | 2019-01-29 | 2019-07-03 | 호전실업 주식회사 | Method and system for optimizing production of clothes and operation of apparel production factory |
| KR20210115917A (en) * | 2020-03-17 | 2021-09-27 | (주) 디지털팩토리 | Smart Factory FOMs Package and Method for Smart Manufacturing Innovation |
| KR102285374B1 (en) | 2020-07-16 | 2021-08-04 | 호전실업 주식회사 | Method of automatically recognizing power pattern consumed for work based on artificial intelligence and system for the same |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102481788B9 (en) | 2023-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108500736B (en) | Tool state estimation device and machine tool | |
| KR101754721B1 (en) | A System and Apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute Automatic Technical Superintending Operations to improve manufacturing system performance and the method/s therefor | |
| CN108363836B (en) | Multi-working-condition self-adaptive industrial robot health degree assessment method and system | |
| Li et al. | An integrated feature-based dynamic control system for on-line machining, inspection and monitoring | |
| EP1450285A1 (en) | A computer-implemented system and method for improving manufacturing productivity | |
| EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
| CN111340250A (en) | Equipment maintenance device, method and computer readable storage medium | |
| CN110310134B (en) | Customized furniture management tracing method based on coding information association | |
| CN111626234A (en) | Implementation method of intelligent manufacturing system platform | |
| CN114418144B (en) | Dehumidifier fault analysis method and system | |
| Denkena et al. | Towards an autonomous maintenance, repair and overhaul process: Exemplary holistic data management approach for the regeneration of aero-engine blades | |
| Adhiutama et al. | Total productive maintenance on the airbus part manufacturing | |
| Brecher et al. | 3 Data Science in Production | |
| KR102481788B1 (en) | AI-based manual pattern and power source micro-pattern analysis system and method | |
| Schmidt et al. | Framework of a modular tool box for the design of process chains in automotive component manufacturing | |
| CN109828545B (en) | AI intelligent process anomaly identification closed-loop control method, host and equipment system | |
| JP7384000B2 (en) | Collaborative work system, analysis collection device and analysis program | |
| KR102207730B1 (en) | Vefification and Management System for Tool machine of Mold Manufacture | |
| JP2022015795A (en) | Cause analysis system and method | |
| CN106493610A (en) | A kind of online test method of contactless blade abrasion | |
| KR20200072069A (en) | Robot state information providing system based on motor information | |
| CN116141058B (en) | Self-adaptive matching and control method, system and equipment for numerical control machine tool | |
| KR102656853B1 (en) | System for artificial intelligence-based cutting tool wear management and method thereof | |
| CN117961646B (en) | Method and system for predicting residual service life of numerical control blade for heavy load machining | |
| CN118192476B (en) | Automobile body connection process monitoring device, equipment and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |