KR102523701B1 - 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 - Google Patents
인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102523701B1 KR102523701B1 KR1020230008127A KR20230008127A KR102523701B1 KR 102523701 B1 KR102523701 B1 KR 102523701B1 KR 1020230008127 A KR1020230008127 A KR 1020230008127A KR 20230008127 A KR20230008127 A KR 20230008127A KR 102523701 B1 KR102523701 B1 KR 102523701B1
- Authority
- KR
- South Korea
- Prior art keywords
- quality
- data
- facility
- solar module
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 54
- 238000013480 data collection Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims description 53
- 238000004519 manufacturing process Methods 0.000 claims description 46
- 238000003475 lamination Methods 0.000 claims description 35
- 238000010801 machine learning Methods 0.000 claims description 32
- 239000000463 material Substances 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000002950 deficient Effects 0.000 description 6
- 238000004132 cross linking Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000098 polyolefin Polymers 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명은 인공지능을 이용한 태양광 모듈의 품질 예측 장치에 관한 것으로서, 보다 구체적으로는 인공지능을 이용한 태양광 모듈의 품질 예측 장치로서, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 제1 데이터 수집부; 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션(Lamination) 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 제2 데이터 수집부; 상기 제1 데이터 수집부에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 제2 데이터 수집부에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 모델 생성부; 및 상기 모델 생성부에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 품질 예측부를 포함하는 것을 그 구성상의 특징으로 한다.
또한, 본 발명은 인공지능을 이용한 태양광 모듈의 품질 예측 방법에 관한 것으로서, 보다 구체적으로는 컴퓨터에 의해 각 단계가 수행되는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법으로서, (1) 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계; (2) 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 단계; (3) 상기 단계 (1)에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 단계 (2)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계; 및 (4) 상기 단계 (3)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법에 따르면, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터와 품질 데이터를 이용해 기계학습을 수행하여 인공지능 모델을 생성하고, 생성한 인공지능 모델을 이용해 예측 데이터를 출력함으로써, 태양광 모듈의 제조 공정에서 사용되는 각종 설비에서 수집된 데이터로부터 태양광 모듈의 품질을 예측할 수 있고, 이를 통해 태양광 모듈의 품질관리 효율성을 높일 수 있다.
또한, 본 발명은 인공지능을 이용한 태양광 모듈의 품질 예측 방법에 관한 것으로서, 보다 구체적으로는 컴퓨터에 의해 각 단계가 수행되는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법으로서, (1) 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계; (2) 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 단계; (3) 상기 단계 (1)에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 단계 (2)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계; 및 (4) 상기 단계 (3)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법에 따르면, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터와 품질 데이터를 이용해 기계학습을 수행하여 인공지능 모델을 생성하고, 생성한 인공지능 모델을 이용해 예측 데이터를 출력함으로써, 태양광 모듈의 제조 공정에서 사용되는 각종 설비에서 수집된 데이터로부터 태양광 모듈의 품질을 예측할 수 있고, 이를 통해 태양광 모듈의 품질관리 효율성을 높일 수 있다.
Description
본 발명은 품질 예측 장치 및 방법에 관한 것으로서, 보다 구체적으로는 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 일실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
태양광 모듈(Solar Module)은 태양전지를 종 및 횡으로 연결하여 결합한 형태로, 개별 태양전지에서 생산된 전기가 모듈에 동시에 모이게 된다. 태양전지를 많이 붙일수록 태양광 모듈의 발전 용량은 커지게 되는데, 점차 대형화 추세에 있다.
태양광 모듈의 제조 공정은 여러 개의 태양전지를 배열해 라미네이션(Lamination)을 통해 모듈을 제조하는 과정으로 이루어진다. 태양광 모듈은 여러 단계로 구성된 연속적인 과정을 통해 제조되므로, 앞 공정의 불량이 뒤 공정의 불량과 직결되므로, 최종 생산된 태양광 모듈의 품질을 관리하는 것뿐만 아니라 중간 단계에서의 품질관리도 매우 중요하다. 이와 같이 제조업에서의 품질은 기업의 경쟁력 및 생산성을 유지하기 위한 중요 요소일 뿐만 아니라 기업의 이익에도 영향을 미치므로, 제조 공정에서의 각종 데이터 수집 및 분석은 중요하다.
최근 사물인터넷 기술의 발달과 함께, 태양광 모듈의 제조 현장에도 다양한 센서가 적용되어 각종 제조 설비로부터 데이터를 수집해 관리할 수 있게 되었다. 이러한 데이터는 각 설비의 유지관리와 보수 등을 위해 사용될 수 있는데, 수집된 데이터를 품질 예측에도 활용할 수 있다면 태양광 모듈의 품질관리에 도움이 될 것이다.
한편, 본 발명과 관련된 선행기술로, 등록특허 제10-1567550호(발명의 명칭: 제조업에서의 데이터 수집 및 제공 방법, 등록일자: 2015년 11월 03일) 등이 개시된 바 있다.
전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지 기술이라 할 수는 없다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터와 품질 데이터를 이용해 기계학습을 수행하여 인공지능 모델을 생성하고, 생성한 인공지능 모델을 이용해 예측 데이터를 출력함으로써, 태양광 모듈의 제조 공정에서 사용되는 각종 설비에서 수집된 데이터로부터 태양광 모듈의 품질을 예측할 수 있고, 이를 통해 태양광 모듈의 품질관리 효율성을 높일 수 있는, 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법을 제공하는 것을 그 목적으로 한다.
다만, 본 발명이 이루고자 하는 기술적 과제는 상기한 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있고, 명시적으로 언급하지 않더라도 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 이에 포함됨은 물론이다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치는,
인공지능을 이용한 태양광 모듈의 품질 예측 장치로서,
태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 제1 데이터 수집부;
생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션(Lamination) 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 제2 데이터 수집부;
상기 제1 데이터 수집부에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 제2 데이터 수집부에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 모델 생성부; 및
상기 모델 생성부에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 품질 예측부를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 설비별 데이터는,
설비별로 설정된 데이터 수집 포인트에서 측정된 온도, 압력, 서보 좌표, 전륫값 및 자재 투입량을 포함하는 군에서 선택된 적어도 하나의 시계열 데이터를 포함하여 구성될 수 있다.
바람직하게는, 상기 제1 데이터 수집부는,
상기 설비별 데이터를 산업 표준 프로토콜로 표준화하여 저장할 수 있다.
바람직하게는, 상기 모델 생성부는,
상기 설비별 데이터를 입력 변수, 태양광 모듈의 최종 품질 판정 정보인 상기 생산관리 시스템을 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제1 모델;
상기 설비별 데이터 중에서 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 설비별 데이터를 입력 변수, 머신 비전을 통해 산출된 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제2 모델;
상기 설비별 데이터 중에서 라미네이션 공정에서 수집되는 설비별 데이터를 입력 변수, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제3 모델; 및
상기 설비별 데이터를 입력 변수, 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 출력 변수로 하는 기계학습을 통해 생성된 제4 모델을 생성할 수 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 방법은,
컴퓨터에 의해 각 단계가 수행되는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법으로서,
(1) 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계;
(2) 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 단계;
(3) 상기 단계 (1)에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 단계 (2)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계; 및
(4) 상기 단계 (3)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 설비별 데이터는,
설비별로 설정된 데이터 수집 포인트에서 측정된 온도, 압력, 서보 좌표, 전륫값 및 자재 투입량을 포함하는 군에서 선택된 적어도 하나의 시계열 데이터를 포함하여 구성될 수 있다.
바람직하게는, 상기 단계 (1)에서는,
상기 설비별 데이터를 산업 표준 프로토콜로 표준화하여 저장할 수 있다.
바람직하게는, 상기 단계 (3)에서는,
상기 설비별 데이터를 입력 변수, 태양광 모듈의 최종 품질 판정 정보인 상기 생산관리 시스템을 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제1 모델;
상기 설비별 데이터 중에서 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 설비별 데이터를 입력 변수, 머신 비전을 통해 산출된 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제2 모델;
상기 설비별 데이터 중에서 라미네이션 공정에서 수집되는 설비별 데이터를 입력 변수, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제3 모델; 및
상기 설비별 데이터를 입력 변수, 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 출력 변수로 하는 기계학습을 통해 생성된 제4 모델을 생성할 수 있다.
본 발명에서 제안하고 있는 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법에 따르면, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터와 품질 데이터를 이용해 기계학습을 수행하여 인공지능 모델을 생성하고, 생성한 인공지능 모델을 이용해 예측 데이터를 출력함으로써, 태양광 모듈의 제조 공정에서 사용되는 각종 설비에서 수집된 데이터로부터 태양광 모듈의 품질을 예측할 수 있고, 이를 통해 태양광 모듈의 품질관리 효율성을 높일 수 있다.
더불어, 본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시 형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 태양광 모듈 제조 공정의 흐름을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 제1 데이터 수집부가 태빙 공정 설비에서 수집하는 온도 정보를 예를 들어 나타낸 도면.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 제1 데이터 수집부가 라미네이션 공정 설비에서 수집하는 데이터를 예를 들어 나타낸 도면.
도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 모델 생성부가 모델 성능평가를 위해 사용하는 오차 행렬을 나타낸 도면.
도 6은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 방법의 흐름을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 제1 데이터 수집부가 태빙 공정 설비에서 수집하는 온도 정보를 예를 들어 나타낸 도면.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 제1 데이터 수집부가 라미네이션 공정 설비에서 수집하는 데이터를 예를 들어 나타낸 도면.
도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치의 모델 생성부가 모델 성능평가를 위해 사용하는 오차 행렬을 나타낸 도면.
도 6은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 방법의 흐름을 도시한 도면.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 태양광 모듈 제조 공정의 흐름을 도시한 도면이다. 도 1에 도시된 바와 같이, 태양광 모듈 제조 공정은, 태빙(Tabbing), Lay-up, Auto bussing, Front EL(Electroluminescence), Lamination, Trimming, Visual inspection, Frame, Auto soldering, potting, Solar Simulator, Final EL로 구성될 수 있다.
여기서, 태빙 공정은 여러 개의 태양전지를 연결하는 공정으로, 태버(Tabber) 설비를 사용해 처리될 수 있다. Lay-up은 태빙 공정을 거친 태양전지를 모듈로 만들기 위한 모듈 배열 공정이다. 라미네이션 공정에 들어가기 전에 태양전지의 간격과 배열을 일정하게 유지하며, EL 테스터를 이용해 크랙 유무 등을 확인할 수 있다(Auto bussing, Front EL). 라미네이션(Lamination) 공정에서는, 적층된 모듈 소재를 라미네이터를 이용해 고온 고압으로 경화해 모듈로 제작할 수 있다. Trimming 공정에서는, 라미네이션 공정에서 제작된 모듈을 정해진 크기로 절단하게 된다. 프레임(Frame) 공정에서는 절단된 모듈에 프레임을 조립할 수 있다. 솔라 시뮬레이터 공정에서는, 모듈이 정상 작동하는지 인공 광원을 이용해 모듈의 품질을 검사하고, 불량 모듈을 선별할 수 있다. Final EL에서는 EL 테스터를 사용해 최종 검사를 수행할 수 있다.
본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100) 및 방법은, 전술한 바와 같은 태양광 모듈 제조 공정의 설비에서 수집되는 데이터를 이용해 태양광 모듈의 품질을 예측할 수 있다.
도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)는, 제1 데이터 수집부(110), 제2 데이터 수집부(120), 모델 생성부(130) 및 품질 예측부(140)를 포함하여 구성될 수 있다.
제1 데이터 수집부(110)는, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집할 수 있다. 즉, 제1 데이터 수집부(110)는, 도 1에 도시된 바와 같은 태양광 모듈 제조 공정에서, 각 공정의 설비에 설치된 여러 종류의 센서에서 측정되는 설비별 데이터를 수집하고, 설비별, 데이터 종류별로 TSDB (Time Series Database, 시계열 데이터베이스)에 저장할 수 있다.
여기서, 설비별 데이터는, 설비별로 정해진 데이터 수집 포인트에서 측정된 온도, 압력, 서보 좌표, 전륫값 및 자재 투입량을 포함하는 군에서 선택된 적어도 하나 이상의 시계열 데이터를 포함하여 구성될 수 있다.
도 1에 도시된 바와 같은 태양광 모듈 제조 공정에서는, 각 공정별 설비별로 데이터가 수집되는데, 한 공정에서도 여러 개의 데이터 수집 포인트가 존재하며, 태양광 모듈 제조 공정 전체에서는 20개 이상의 데이터 수집 포인트가 있을 수 있다. 예를 들어, 라미네이션 공정에서, 라미네이션 설비(라미네이터)가 여러 대가 있을 수 있고, 각각의 라미네이션 설비마다 데이터 수집 포인트가 복수 있을 수 있다.
도 3은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)의 제1 데이터 수집부(110)가 태빙 공정 설비에서 수집하는 온도 정보를 예를 들어 나타낸 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)의 제1 데이터 수집부(110)는, 하나의 태버 설비에서도 센서가 설치된 방향에 따라 Side A, Side B와 같이 나뉠 수 있고, 같은 방향에서도 센서 설치 위치에 따라 PreHeat Temperature, Solder Temperature, Cooling Temperature 등 여러 종류의 온도를 측정해 수집할 수 있다.
도 4는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)의 제1 데이터 수집부(110)가 라미네이션 공정 설비에서 수집하는 데이터를 예를 들어 나타낸 도면이다. 도 4는 라미네이션 공정 설비 중 하나의 데이터 수집 포인트에서 수집된 데이터 목록을 나타낸 것으로, 제1 데이터 수집부(110)는, Table Temperature, Lower Pressure, Upper Pressure, Heatertank Temperature, Lower Vacuum, 복수의 Present value of heater Temperature 등 하나의 데이터 수집 포인트별로 수십 개에서 수백 개의 서로 종류가 다른 시계열 데이터를 수집할 수 있다.
한편, 제1 데이터 수집부(110)는, 설비별 데이터를 산업 표준 프로토콜로 표준화하여 저장할 수 있다. 즉, 제1 데이터 수집부(110)는, 태양광 모듈 제조 공정의 다양한 산업 설비 및 자동화 장비 프로토콜의 데이터를 수집하고, 산업용 표준 프로토콜로 전환하여 통합 관리할 수 있다. 보다 구체적으로, 제1 데이터 수집부(110)는, 5G IOT 센서 네트워크와 IEC 61850, IOT 메시징 프로토콜(MQTT/COAP/DDS 등) 등의 데이터 스트림으로부터 수집 에이전트와 인터페이스 할 수 있도록 통신 드라이버를 제공하여 통신이 가능한 어떤 장비에서든 다양한 형식의 데이터를 수집할 수 있다. 또한, 제1 데이터 수집부(110)는, 각 데이터 발생원의 종류(4M1E), 데이터 표기 방식(디지털/아날로그), 데이터 값의 형태(수치/이미지/소리/신호/바코드 등) 등에 적합한 데이터 수집 기술 활용할 수 있다.
제1 데이터 수집부(110)는, 데이터 수집, 표준화 및 기록 프로세스를 처리하기 위해, Broker 역할을 하는 OPC-UA Server와 클라이언트 역할을 하는 Publish 및 Subscribe 등 3개의 모듈로 구성될 수 있다. Publish 모듈은 설비의 데이터를 읽어(READ) OPC-UA 브로커 모듈(OPC-UA Server)에 MESSAGE 형태로 발행(Publish)하고, Subscribe 모듈은 OPC-UA 브로커(OPC-UA Server)가 표준화한 데이터를 구독(Subscribe)하여 시계열 데이터베이스(TSDB)로 전송할 수 있다.
제2 데이터 수집부(120)는, 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션(Lamination) 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집할 수 있다.
여기서, 생산관리 시스템을 통한 품질 정보는, 최종적으로 생산된 태양광 모듈의 정상(양품)/불량 판정 데이터로, 관리자가 생산관리 시스템에 입력한 최종 품질 판정 정보일 수 있다. 제2 데이터 수집부(120)는, 레거시 시스템에 수집 중인 데이터 중 품질 예측을 위한 최종 품질 판정 정보를 관계형 데이터베이스 관리 시스템(Relational DataBase Management System, RDBMS)에 수집할 수 있다.
머신 비전을 통해 산출된 품질 정보는, 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 정보로서, 태빙, Front EL, 라미네이션, 프레임 공정 설비에 구비된 카메라에서 태양광 모듈을 촬영한 이미지를 이용해 기계학습/인공지능 모델로 태양광 모듈 또는 태양광 셀의 정상/불량 및 불량 종류(셀 미분리, 미솔더링, 이물질, 와이어 이탈, 셀투셀, 크랙 등)를 분류한 공정별 품질 판정 정보일 수 있다. 제2 데이터 수집부(120)는, 기계학습/AI 머신 비전 분석을 통한 양품/불량 판정 결과 데이터를 관계형 데이터베이스(Relational DataBase, RDB)에 수집할 수 있다.
라미네이션 공정에서 사용하는 가교 측정기는 비파괴 방식의 측정 장비로 Encapsulating sheet(EVA, Polyolefin)의 분자 간 가교 정보를 측정하는 장비인데, 가교 측정기에서 측정한 가교 정보를 품질 정보로 수집할 수 있다. 제2 데이터 수집부(120)는, 라미네이션 공정의 EVA 가교율 품질 데이터를 RDB/TSDB에 수집할 수 있다.
솔라 시뮬레이터는 태양광 모듈의 전력 출력량을 시뮬레이션하고, 이를 출력할 수 있다. 제2 데이터 수집부(120)는, 솔라 시뮬레이터를 통한 출력률 데이터를 RDB에 수집할 수 있다.
모델 생성부(130)는, 제1 데이터 수집부(110)에서 수집한 설비별 데이터를 입력 변수로 하고, 제2 데이터 수집부(120)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성할 수 있다. 보다 구체적으로, 모델 생성부(130)는, 설비별 데이터를 입력 변수, 태양광 모듈의 최종 품질 판정 정보인 생산관리 시스템을 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제1 모델; 설비별 데이터 중에서 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 설비별 데이터를 입력 변수, 머신 비전을 통해 산출된 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제2 모델; 설비별 데이터 중에서 라미네이션 공정에서 수집되는 설비별 데이터를 입력 변수, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제3 모델; 및 설비별 데이터를 입력 변수, 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 출력 변수로 하는 기계학습을 통해 생성된 제4 모델을 생성할 수 있다. 여기서, 제2 모델은, 머신 비전이 적용되는 설비별로 설비별 데이터와 머신 비전에 의한 품질 정보를 각각 이용해, 태빙, Front EL, 라미네이션 및 프레임 공정 각각에서 품질을 예측하는 4개의 제2 서브 모델을 포함하여 구성될 수 있다. 모델 생성부(130)는, 손실함수를 이용해 학습을 수행하여, 모델의 예측 정확도를 향상시킬 수 있다.
실시예에 따라서, 제1 모델 및 제4 모델을 생성할 때는, 입력 변수를 설비별 데이터 전체로 할 수도 있으나, 컨베이어벨트의 이동 설비 정보 등 일부 정보는 중요도가 낮으므로, 전체 설비별 데이터 중에서 최종 품질 또는 태양광 모듈 출력률과 상관관계가 높은 변수를 선별하여 학습을 수행할 수 있다.
한편, 모델 생성부(130)는, 생성한 제1 모델 내지 제4 모델의 성능을 평가하여 검증을 수행하는데, 이때 오차 행렬을 이용할 수 있다. 도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)의 모델 생성부(130)가 모델 성능평가를 위해 사용하는 오차 행렬을 나타낸 도면이다. 도 5에 도시된 바와 같이, 오차 행렬은 이진 분류에서 성능을 측정하기 위해 사용하는 지표로, 학습된 분류 모델이 예측을 수행하면서 얼마나 잘 예측하는지와 틀리는지도 함께 보여주는 지표이다. 또한, 모델 생성부(130)는, 제1 모델 내지 제4 모델에 대해 정확도, 정밀도, 재현율, F1 점수, AUC 등을 측정해 검증을 수행할 수 있다.
또한, 모델 생성부(130)는, 제1 모델 내지 제4 모델의 예측 정확도를 평가하기 위하여, RMSE(Root Mean Squared Error)와 MAE(Mean Absolute Error)를, 예측 추세 정확도는 DA를 사용하며 이를 종합한 손실 값으로 모델의 성능을 평가할 수도 있다.
품질 예측부(140)는, 모델 생성부(130)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력할 수 있다. 즉, 품질 예측부(140)는, 모델 생성부(130)에서 생성한 제1 모델 내지 제4 모델을 제1 데이터 수집부(110)가 수집하는 설비별 데이터로부터 품질 데이터를 실시간으로 예측하는 구성으로, 출력된 예측 데이터를 이용해 태양광 모듈의 품질관리에 이용할 수 있다.
도 6은 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 방법의 흐름을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 방법은, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계(S110), 품질 데이터를 수집하는 단계(S120), 설비별 데이터를 입력 변수로 하고 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계(S130) 및 인공지능 모델을 이용해 태양광 모듈 품질을 예측한 예측 데이터를 출력하는 단계(S140)를 포함하여 구현될 수 있다.
각각의 단계들과 관련된 상세한 내용들은, 앞서 본 발명의 일실시예에 따른 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)와 관련하여 충분히 설명되었으므로, 상세한 설명은 생략하기로 한다.
전술한 바와 같이, 본 발명에서 제안하고 있는 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100) 및 방법에 따르면, 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터와 품질 데이터를 이용해 기계학습을 수행하여 인공지능 모델을 생성하고, 생성한 인공지능 모델을 이용해 예측 데이터를 출력함으로써, 태양광 모듈의 제조 공정에서 사용되는 각종 설비에서 수집된 데이터로부터 태양광 모듈의 품질을 예측할 수 있고, 이를 통해 태양광 모듈의 품질관리 효율성을 높일 수 있다.
한편, 본 발명은 다양한 통신 단말기로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터에서 판독 가능한 매체를 포함할 수 있다. 예를 들어, 컴퓨터에서 판독 가능한 매체는, 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 장치를 포함할 수 있다.
이와 같은 컴퓨터에서 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이때, 컴퓨터에서 판독 가능한 매체에 기록되는 프로그램 명령은 본 발명을 구현하기 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예를 들어, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명된 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명된 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 품질 예측 장치
110: 제1 데이터 수집부
120: 제2 데이터 수집부
130: 모델 생성부
140: 품질 예측부
S110: 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계
S120: 품질 데이터를 수집하는 단계
S130: 설비별 데이터를 입력 변수로 하고 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계
S140: 인공지능 모델을 이용해 태양광 모듈 품질을 예측한 예측 데이터를 출력하는 단계
110: 제1 데이터 수집부
120: 제2 데이터 수집부
130: 모델 생성부
140: 품질 예측부
S110: 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계
S120: 품질 데이터를 수집하는 단계
S130: 설비별 데이터를 입력 변수로 하고 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계
S140: 인공지능 모델을 이용해 태양광 모듈 품질을 예측한 예측 데이터를 출력하는 단계
Claims (8)
- 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100)로서,
태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 제1 데이터 수집부(110);
생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션(Lamination) 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 제2 데이터 수집부(120);
상기 제1 데이터 수집부(110)에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 제2 데이터 수집부(120)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 모델 생성부(130); 및
상기 모델 생성부(130)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 품질 예측부(140)를 포함하며,
상기 모델 생성부(130)는,
상기 설비별 데이터를 입력 변수, 태양광 모듈의 최종 품질 판정 정보인 상기 생산관리 시스템을 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제1 모델;
상기 설비별 데이터 중에서 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 설비별 데이터를 입력 변수, 머신 비전을 통해 산출된 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제2 모델;
상기 설비별 데이터 중에서 라미네이션 공정에서 수집되는 설비별 데이터를 입력 변수, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제3 모델; 및
상기 설비별 데이터를 입력 변수, 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 출력 변수로 하는 기계학습을 통해 생성된 제4 모델을 생성하는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100).
- 제1항에 있어서, 상기 설비별 데이터는,
설비별로 설정된 데이터 수집 포인트에서 측정된 온도, 압력, 서보 좌표, 전륫값 및 자재 투입량을 포함하는 군에서 선택된 적어도 하나의 시계열 데이터를 포함하여 구성되는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100).
- 제1항에 있어서, 상기 제1 데이터 수집부(110)는,
상기 설비별 데이터를 산업 표준 프로토콜로 표준화하여 저장하는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 장치(100).
- 삭제
- 컴퓨터에 의해 각 단계가 수행되는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법으로서,
(1) 태양광 모듈 제조 공정의 설비에서 수집되는 설비별 데이터를 수집하는 단계;
(2) 생산관리 시스템을 통한 품질 정보, 머신 비전을 통해 산출된 품질 정보, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보 및 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 포함하는 품질 데이터를 수집하는 단계;
(3) 상기 단계 (1)에서 수집한 설비별 데이터를 입력 변수로 하고, 상기 단계 (2)에서 수집한 품질 데이터를 출력 변수로 하는 기계학습을 수행하여 인공지능 모델을 생성하는 단계; 및
(4) 상기 단계 (3)에서 생성한 인공지능 모델을 이용해 태양광 모듈의 품질을 예측한 예측 데이터를 출력하는 단계를 포함하며,
상기 단계 (3)에서는,
상기 설비별 데이터를 입력 변수, 태양광 모듈의 최종 품질 판정 정보인 상기 생산관리 시스템을 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제1 모델;
상기 설비별 데이터 중에서 태양광 모듈 제조 공정 중 머신 비전을 통한 품질 판정이 적용되는 태빙, Front EL, 라미네이션 및 프레임(Frame) 공정에서 수집되는 설비별 데이터를 입력 변수, 머신 비전을 통해 산출된 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제2 모델;
상기 설비별 데이터 중에서 라미네이션 공정에서 수집되는 설비별 데이터를 입력 변수, 라미네이션 공정에서 사용하는 가교 측정기를 통한 품질 정보를 출력 변수로 하는 기계학습을 통해 생성된 제3 모델; 및
상기 설비별 데이터를 입력 변수, 솔라 시뮬레이터를 통한 태양광 모듈 출력률 정보를 출력 변수로 하는 기계학습을 통해 생성된 제4 모델을 생성하는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법.
- 제5항에 있어서, 상기 설비별 데이터는,
설비별로 설정된 데이터 수집 포인트에서 측정된 온도, 압력, 서보 좌표, 전륫값 및 자재 투입량을 포함하는 군에서 선택된 적어도 하나의 시계열 데이터를 포함하여 구성되는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법.
- 제5항에 있어서, 상기 단계 (1)에서는,
상기 설비별 데이터를 산업 표준 프로토콜로 표준화하여 저장하는 것을 특징으로 하는, 인공지능을 이용한 태양광 모듈의 품질 예측 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230008127A KR102523701B1 (ko) | 2023-01-19 | 2023-01-19 | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230008127A KR102523701B1 (ko) | 2023-01-19 | 2023-01-19 | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102523701B1 true KR102523701B1 (ko) | 2023-04-21 |
Family
ID=86098941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230008127A KR102523701B1 (ko) | 2023-01-19 | 2023-01-19 | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102523701B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102608721B1 (ko) * | 2023-06-23 | 2023-12-01 | (주)임픽스 | 태양광 모듈 제조 공정을 위한 시각화 모니터링 시스템 |
| CN117954515A (zh) * | 2024-03-25 | 2024-04-30 | 中成空间（深圳）智能技术有限公司 | 柔性光伏电池封装工艺及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140004826A (ko) * | 2012-06-29 | 2014-01-14 | 주식회사 우리에스텍 | Ｕｖ 경화형 봉지재를 이용한 태양광 모듈, 그리고 이의 제조 공정 |
| KR20170012822A (ko) * | 2015-07-24 | 2017-02-03 | 주식회사 에스에너지 | 태양광모듈과 이를 이용한 태양광발전시스템 및 이의 운영방법 |
| KR20180123951A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 알스피릿 | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 |
| KR20220071417A (ko) * | 2020-11-24 | 2022-05-31 | 한화솔루션 주식회사 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
-
2023
- 2023-01-19 KR KR1020230008127A patent/KR102523701B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140004826A (ko) * | 2012-06-29 | 2014-01-14 | 주식회사 우리에스텍 | Ｕｖ 경화형 봉지재를 이용한 태양광 모듈, 그리고 이의 제조 공정 |
| KR20170012822A (ko) * | 2015-07-24 | 2017-02-03 | 주식회사 에스에너지 | 태양광모듈과 이를 이용한 태양광발전시스템 및 이의 운영방법 |
| KR20180123951A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 알스피릿 | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 |
| KR20220071417A (ko) * | 2020-11-24 | 2022-05-31 | 한화솔루션 주식회사 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102608721B1 (ko) * | 2023-06-23 | 2023-12-01 | (주)임픽스 | 태양광 모듈 제조 공정을 위한 시각화 모니터링 시스템 |
| CN117954515A (zh) * | 2024-03-25 | 2024-04-30 | 中成空间（深圳）智能技术有限公司 | 柔性光伏电池封装工艺及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102523701B1 (ko) | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 | |
| US10962999B2 (en) | Microgrid model based automated real time simulation for market based electric power system optimization | |
| CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN111985558A (zh) | 一种电能表异常诊断方法及其系统 | |
| CN111639921A (zh) | 一种基于专家系统的设备故障智判与辅助处置方法 | |
| CN108732494A (zh) | 一种风力发电机异常诊断处理系统 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
| CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
| Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
| CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
| CN113902222B (zh) | 一种新能源智慧运维系统 | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| Yan et al. | YOLOV4-Based Wind Turbine Blade Crack Defect Detection | |
| CN112115640A (zh) | 一种基于迁移学习的控制阀粘滞检测方法 | |
| CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
| KR102608721B1 (ko) | 태양광 모듈 제조 공정을 위한 시각화 모니터링 시스템 | |
| LU505192B1 (en) | Method and Device for Controlling Wind Turbine Generator Operation and Maintenance Based on Image Recognition, and Equipment Executing the Method Thereof | |
| CN115102237B (zh) | 一种基于风电光伏系统的运行调度方法 | |
| CN112765034B (zh) | 基于神经网络的软件缺陷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |