KR102528505B1 - 제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 - Google Patents
제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 Download PDFInfo
- Publication number
- KR102528505B1 KR102528505B1 KR1020200172557A KR20200172557A KR102528505B1 KR 102528505 B1 KR102528505 B1 KR 102528505B1 KR 1020200172557 A KR1020200172557 A KR 1020200172557A KR 20200172557 A KR20200172557 A KR 20200172557A KR 102528505 B1 KR102528505 B1 KR 102528505B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- machine learning
- analysis
- server
- learning algorithm
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 17
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
본 발명은 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼에 관한 것이다. 본 발명은, 제조현장에 적용될 수 있는 인공지능 모델들을 작업자가 쉽게 사용할 수 있도록 하는 제조 인공지능 분석 서비스 플랫폼으로서, 정형데이터뿐만 아니라 비정형데이터, 이미지데이터 등에도 적용이 가능하며, 인공지능에 대한 사전지식이 없어도 쉽게 사용 가능한 모델을 제공하고자 한다. 본 발명은, 이러한 모델들을 활용하여 생산(초기 셋팅 분석 모델, 양품/불량 분석), 품질(양품/불량 검출 분석) 및 설비(초기 셋팅 분석 모델, 정상/이상 분석) 등 다양한 제조 현장에 적용하고자 한다.
Description
본 발명은 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼에 관한 것이다.
인공지능에 대한 연구 및 적용 사례는 증가하는 추세이나 제조업에 대한 적용 사례는 현저히 적다.
이에 대한 가장 큰 이유로는 비정형데이터(Unstructured data) 전처리의 어려움 및 현장 적용의 어려움 등이 있다.
또한, 학습용 데이터셋(Train dataset)이 정교해야 하는 인공지능의 특성상 제조현장에서 양질의 학습 데이터셋을 구하기에는 많은 어려움들이 있다.
따라서 이러한 문제점들을 해결한 누구나 쉽게, 어떠한 유형의 데이터로도 학습 및 적용이 가능한 제조 맞춤형 인공지능으로써 급변하는 제조환경에 적용 가능한 시스템 및 플랫폼에 대한 니즈가 높아지고 있는 실정이다.
본 발명은 종래기술의 문제점을 해소하기 위해, 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼을 제안하고자 한다.
본 발명은, 제조현장에 적용될 수 있는 인공지능 모델들을 작업자가 쉽게 사용할 수 있도록 하는 제조 인공지능 분석 서비스 플랫폼으로서, 정형데이터뿐만 아니라 비정형데이터, 이미지데이터 등에도 적용이 가능하며, 인공지능에 대한 사전지식이 없어도 쉽게 사용 가능한 모델을 제공하고자 한다.
본 발명은, 이러한 모델들을 활용하여 생산(초기 셋팅 분석 모델, 양품/불량 분석), 품질(양품/불량 검출 분석) 및 설비(초기 셋팅 분석 모델, 정상/이상 분석) 등 다양한 제조 현장에 적용하고자 한다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼 제어방법은, 서버가 제조 공정상에서 발생되는 복수의 데이터를 수집하는 제 0 단계; 상기 복수의 데이터 중 사용자가 분석을 원하는 적어도 하나의 공정 데이터를 지정하는 제 1 단계; 상기 서버가 상기 공정 데이터를 전처리 하는 제 2 단계; 상기 서버가 상기 전처리 된 공정 데이터 중 적어도 일부를 학습용 데이터로 구분하는 제 3 단계; 상기 서버가 분석 목적에 따라 적용 가능한 복수의 머신러닝 알고리즘을 라이브러리화 하여 축적하는 제 4 단계; 상기 서버가 상기 구분된 학습용 데이터를 기초로, 상기 복수의 머신러닝 알고리즘 중 적어도 하나를 적용하여 분석 작업을 진행하는 제 5 단계; 상기 서버가 상기 분석 작업을 진행한 적어도 하나의 머신러닝 알고리즘 중 상기 사용자가 원하는 분석에 매칭되는 제 1 머신러닝 알고리즘을 자동으로 추천하는 제 6 단계; 상기 서버가 상기 전처리 된 공정 데이터 중 상기 학습용 데이터를 제외한 데이터를 테스트 데이터로 지정하는 제 7 단계; 상기 서버가 상기 제 1 머신러닝 알고리즘을 상기 테스트 데이터에 적용하여 상기 분석 작업을 재 수행함으로써, 상기 제 1 머신러닝 알고리즘의 정확도를 검증하는 제 8 단계; 상기 제 8 단계의 상기 제 1 머신러닝 알고리즘의 정확도가 미리 지정된 수치 이하인 경우, 상기 제 1 단계부터 다시 수행되는 제 9 단계; 상기 서버가 상기 제 9 단계를 통과한 제 1 머신러닝 알고리즘을 상기 사용자에 알리는 제 10 단계; 상기 제 1 머신러닝 알고리즘을 상기 사용자가 분석을 원하는 시스템에 탑재하여 적용하는 제 11 단계; 상기 제 5 단계 및 상기 제 8 단계 중 적어도 하나의 분석 결과와 상기 제 11 단계의 적용 결과가 일치하는 경우, 상기 서버가 제 1 로그를 저장하는 제 12 단계; 상기 제 5 단계 및 상기 제 8 단계 중 적어도 하나의 분석 결과와 상기 제 11 단계의 적용 결과가 일치하지 않는 경우, 상기 서버가 제 2 로그를 저장하는 제 13 단계; 및 상기 서버가 미리 지정한 주기에 따라 새롭게 생성된 데이터를 추가하여 상기 제 1 머신러닝 알고리즘의 AI 모델을 재학습하는 제 14 단계;를 포함할 수 있다.
또한, 상기 제 0 단계의 상기 복수의 데이터는, 제품을 구성하는 소재, 설계, 형상, 검사기준 등 데이터, 생산 조건, 작업기준, 작업자, 작업정보, 단위생산실적 데이터, 제품 생산에 투입되는 설비, 장비의 가동, 비가동, 유지보수 데이터, 생산된 제품의 검사 판정 데이터, MES, ERP, PLM, SCM, QMS를 통해 수집된 데이터 및 PLC, PAC, 센서를 통해 수집된 데이터를 포함할 수 있다.
또한, 상기 제 1 단계에서, 상기 사용자는, 연결 데이터 항목 설정 및 표준 데이터셋 기준 설정이 가능하고, 생산성 분석 모델, 품질 분석 모델 및 설비 분석 모델 중 적어도 하나의 지정이 가능할 수 있다.
또한, 상기 제 2 단계에서, AI 모델 적용이 가능하도록 상기 공정 데이터를 전처리 하고, 미리 지정된 기준을 만족하지 못하는 데이터는, 상기 사용자의 확인 정보를 트리거로 활용하여, 삭제 또는 보정 처리될 수 있다.
또한, 상기 제 13 단계에서, 상기 제 2 로그는, 상기 제 1 머신러닝 알고리즘을 상기 사용자가 분석을 원하는 시스템에 탑재한 이후, 미리 지정된 이벤트 이외에 발생된 이벤트와 관련된 로그 및 상기 제 1 머신러닝 알고리즘 적용에 있어 발생된 에러 로그를 포함할 수 있다.
또한, 상기 제 14 단계에서, 상기 제 1 머신러닝 알고리즘의 정확도가 기존 평가된 정확도와 일치하는 경우에는, 상기 제 1 머신러닝 알고리즘의 AI 모델을 재학습할 수 있다.
또한, 상기 제 14 단계에서, 상기 제 1 머신러닝 알고리즘의 정확도가 기존 평가된 정확도보다 떨어지는 경우, 상기 제 1 단계 내지 상기 제 13 단계를 다시 수행할 수 있다.
본 플랫폼은 기존의 AI 모델이 특정 목적에 부합하는 하나의 모델을 생성하여 현장 적용 후 모델 변경, 추가 등 관리가 어려운 기존의 단점을 보완할 수 있다.
또한, 본 발명에 따른 플랫폼은 현장의 다양한 데이터에 대한 수집관리, 품질관리를 포함하고 있어 데이터의 품질신뢰도를 확보할 수 있다.
또한, 본 발명에 따른 Teachable AI를 활용하여 생산 (초기 셋팅 분석 모델, 양품/불량 분석), 품질 (양품/불량 검출 분석) 및 설비 (초기 셋팅 분석 모델, 정상/이상 분석) 등 다양한 제조 현장에 적용가능한 AI 알고리즘을 탑재하고 있어 최적의 모델을 자동으로 찾을 수 있다.
또한, 본 발명에 따르면, 생성 적용된 AI 모델은 현장의 적용 데이터를 지속 수집하여 스스로 신뢰도, 정확도를 판단하며, 재학습이 필요한 경우 현장의 작업자에게 알려줄 수 있고, 쉽게 모델 재학습을 실행할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 발명에 따른 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼 동작 순서를 설명하는 도면이다.
도 2는, 본 발명이 적용된 샘플 데이터의 일례를 도시한 것이다.
도 3은, 본 발명과 관련된 자율 인공지능 서비스 개발 컨셉의 일례를 도시한 것이다.
도 2는, 본 발명이 적용된 샘플 데이터의 일례를 도시한 것이다.
도 3은, 본 발명과 관련된 자율 인공지능 서비스 개발 컨셉의 일례를 도시한 것이다.
이하, 도면을 참조하여 본 발명의 바람직한 일 실시례에 대해서 설명한다. 또한, 이하에 설명하는 실시례는 특허청구범위에 기재된 본 발명의 내용을 부당하게 한정하지 않으며, 본 실시 형태에서 설명되는 구성 전체가 본 발명의 해결 수단으로서 필수적이라고는 할 수 없다.
종래기술의 문제점
인공지능에 대한 연구 및 적용 사례는 증가하는 추세이나 제조업에 대한 적용 사례는 현저히 적다.
이에 대한 가장 큰 이유로는 비정형데이터(Unstructured data) 전처리의 어려움 및 현장 적용의 어려움 등이 있다.
또한, 학습용 데이터셋(Train dataset)이 정교해야 하는 인공지능의 특성상 제조현장에서 양질의 학습 데이터셋을 구하기에는 많은 어려움들이 있다.
따라서 이러한 문제점들을 해결한 누구나 쉽게, 어떠한 유형의 데이터로도 학습 및 적용이 가능한 제조 맞춤형 인공지능으로써 급변하는 제조환경에 적용 가능한 시스템 및 플랫폼에 대한 니즈가 높아지고 있는 실정이다.
제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼
본 발명은 종래기술의 문제점을 해소하기 위해, 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼을 제안하고자 한다.
본 발명은, 제조현장에 적용될 수 있는 인공지능 모델들을 작업자가 쉽게 사용할 수 있도록 하는 제조 인공지능 분석 서비스 플랫폼으로서, 정형데이터뿐만 아니라 비정형데이터, 이미지데이터 등에도 적용이 가능하며, 인공지능에 대한 사전지식이 없어도 쉽게 사용 가능한 모델을 제공하고자 한다.
본 발명은, 이러한 모델들을 활용하여 생산(초기 셋팅 분석 모델, 양품/불량 분석), 품질(양품/불량 검출 분석) 및 설비(초기 셋팅 분석 모델, 정상/이상 분석) 등 다양한 제조 현장에 적용하고자 한다.
도 1은, 본 발명에 따른 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼 동작 순서를 설명하는 도면이다.
도 1을 참조하면, 본 발명의 방법은, “0. 제조 공정상에서 발생하는 각종 데이터, 1. 공정 데이터 Input/Output, 2. 데이터 전처리, 3. 학습용 데이터, 4. AI Library, 5. AI Library로 분석, 6. 최적의 자율 인공지능 모델 추출, 7. 테스트 데이터, 8. AI 모델 테스트, 9. AI모델 검증, 10. AI 모델 등록, 11. AI 모델 적용, 12. 실행 로그 관리, 13. 이벤트&에러 로그 관리 및 14. AI 모델 재학습” 의 순서로 진행된다.
이하, 14단계 각각의 구체적 내용에 대해 서술한다.
0. 제조 공정상에서 발생하는 각종 데이터
- Product Data: 제품을 구성하는 소재, 설계, 형상, 검사기준 등 데이터
- Production Data: 생산 조건, 작업기준, 작업자, 작업정보, 단위생산실적 등 데이터
- Equipment Data: 제품 생산에 투입되는 설비, 장비의 가동, 비가동, 유지보수 등 데이터
- Inspection Data: 생산된 제품의 검사 판정 데이터
- 기타: 기존의 시스템(MES, ERP, PLM, SCM, QMS 등 SW를 통해 수집된 데이터) 및 기타 장치로부터 수집되는 정보(PLC, PAC, 각종 센서 및 IoT 장치)
1. 공정 데이터 Input/Output
- Data Acquisition Service를 이용하여 사용자가 AI 분석을 원하는 공정 데이터 지정
- 수집할 데이터 항목 연결을 관리(연결 데이터 항목 설정, 표준 데이터셋 기준 설정)
- 데이터 수집 포인트(설비,공정,센서 등) 추가시 사용자가 수기로 공정 데이터 추가 지정이 가능
- 생산성 분석 모델, 품질 분석 모델, 설비 분석 모델 등을 지정 가능
2. 데이터 전처리
- Acquisition Data Quality 시스템을 통해 데이터 수집상태 및 데이터 품질 분석
- AI 모델 적용이 가능하도록 Input 데이터를 전처리 (이상치 제거 등) 시행
- 이상치로 제거되는 데이터는 사용자 확인을 통해 최종 삭제 또는 보정 처리
3. 학습용 데이터
- 전처리 된 데이터 중 일부를 학습용 데이터로 구분 (랜덤하게 구분)
4. AI Library
- 분석 목적에 적용가능성이 확보된 머신러닝 알고리즘을 라이브러리화 하여 축적
- 공정별, 산업별, 제품별 범용적으로 사용 가능한 다양한 AI Library를 활용하여 빠른 학습 및 적용 가능
5. AI Library로 분석
- 학습용 데이터를 활용하여 자동으로 인공지능 library 에 탑재된 수 십 개의 AI 알고리즘으로 분석
6. 최적의 자율 인공지능 모델 추출
- 분석한 AI 모델들 중 최적의 AI를 추천
- AI성능을 높이기 위한 추가적인 튜닝 가능
7. 테스트 데이터
- 전처리 된 데이터 중 일부를 테스트 데이터로 구분 (랜덤하게 구분)
- 학습용 데이터를 활용하여 개발된 AI 모델을 테스트 데이터로 모델 정확성 및 신뢰도 검증
8. AI 모델 테스트
- 최적의 AI를 테스트 데이터로 다시 한 번 테스트 하여 모델의 정확성 및 신뢰도 검증
9. AI모델 검증
- 모델 테스트의 정확성 및 신뢰도 판단
- 결과가 일정 수준 (95%) 미만인 경우에는 다시 1번 단계로 돌아가서 모델 학습
10. AI 모델 등록
- 추출된 최적의 인공지능 모델을 유저에게 알려주고 AI 등록
11. AI 모델 적용
- AI 모델을 분석 목적에 부합하는 시스템에 탑재, 적용
12. 실행 로그 관리
- AI 모델의 판단과 현장의 결과가 일치하는 경우 로그를 저장
13. 이벤트&에러 로그 관리
- AI 모델의 판단과 현장의 결과가 불일치하는 경우 로그를 저장
- 실제 현업에 적용하면서 생기는 다양한 이벤트 및 AI 모델 에러 로그를 저장
14. AI 모델 재학습
- 사용자가 지정한 기간마다, 새롭게 생성된 데이터를 추가하여 AI 모델 재학습
- 재학습된 모델의 정확도가 변화 없을시에는 기존 모델 업데이트
- 재학습된 모델의 정확도가 일정 수준 미만인 경우에는 다시 1번 단계로 돌아가서 모델 학습
전술한 본 발명의 내용이 적용되는 경우, 1) 생산 데이터 학습 및 모델 만들기 2) 검사 데이터 학습 및 모델 만들기 3) 설비 데이터 학습 및 모델 만들기가 가능하다.
먼저, 1) 생산 데이터 학습 및 모델 만들기의 경우, 초기 셋팅 분석 모델(현상, 원인, 예측, 최적화)가 가능하다. 또한, 양품/불량 분석 모델(현상, 원인, 예측, 최적화)가 가능하다.
다음으로, 2) 검사 데이터 학습 및 모델 만들기의 경우, 양품/불량 검출 분석 모델(현상, 원인)이 가능하다.
또한, 3) 설비 데이터 학습 및 모델 만들기의 경우, 초기 셋팅 분석 모델(현상, 원인, 예측, 최적화) 및 정상/이상 분석 모델(현상, 원인, 예측, 최적화)이 가능하다.
도 2는, 본 발명이 적용된 샘플 데이터의 일례를 도시한 것이다.
또한, 도 3은, 본 발명과 관련된 자율 인공지능 서비스 개발 컨셉의 일례를 도시한 것이다.
본 발명에 따른 효과
본 플랫폼은 기존의 AI 모델이 특정 목적에 부합하는 하나의 모델을 생성하여 현장 적용 후 모델 변경, 추가 등 관리가 어려운 기존의 단점을 보완할 수 있다.
또한, 본 발명에 따른 플랫폼은 현장의 다양한 데이터에 대한 수집관리, 품질관리를 포함하고 있어 데이터의 품질신뢰도를 확보할 수 있다.
또한, 본 발명에 따른 Teachable AI를 활용하여 생산 (초기 셋팅 분석 모델, 양품/불량 분석), 품질 (양품/불량 검출 분석) 및 설비 (초기 셋팅 분석 모델, 정상/이상 분석) 등 다양한 제조 현장에 적용가능한 AI 알고리즘을 탑재하고 있어 최적의 모델을 자동으로 찾을 수 있다.
또한, 본 발명에 따르면, 생성 적용된 AI 모델은 현장의 적용 데이터를 지속 수집하여 스스로 신뢰도, 정확도를 판단하며, 재학습이 필요한 경우 현장의 작업자에게 알려줄 수 있고, 쉽게 모델 재학습을 실행할 수 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다.
상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다.
따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다.
따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다.
본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (7)
- 서버가 제조 공정상에서 발생되는 복수의 데이터를 수집하는 제 0 단계;
상기 복수의 데이터 중 사용자가 분석을 원하는 적어도 하나의 공정 데이터를 지정하는 제 1 단계;
상기 서버가 상기 공정 데이터를 전처리 하는 제 2 단계;
상기 서버가 상기 전처리 된 공정 데이터 중 적어도 일부를 학습용 데이터로 구분하는 제 3 단계;
상기 서버가 분석 목적에 따라 적용 가능한 복수의 머신러닝 알고리즘을 라이브러리화 하여 축적하는 제 4 단계;
상기 서버가 상기 구분된 학습용 데이터를 기초로, 상기 복수의 머신러닝 알고리즘 중 적어도 하나를 적용하여 분석 작업을 진행하는 제 5 단계;
상기 서버가 상기 분석 작업을 진행한 적어도 하나의 머신러닝 알고리즘 중 상기 사용자가 원하는 분석에 매칭되는 제 1 머신러닝 알고리즘을 자동으로 추천하는 제 6 단계;
상기 서버가 상기 전처리 된 공정 데이터 중 상기 학습용 데이터를 제외한 데이터를 테스트 데이터로 지정하는 제 7 단계;
상기 서버가 상기 제 1 머신러닝 알고리즘을 상기 테스트 데이터에 적용하여 상기 분석 작업을 재 수행함으로써, 상기 제 1 머신러닝 알고리즘의 정확도를 검증하는 제 8 단계;
상기 제 8 단계의 상기 제 1 머신러닝 알고리즘의 정확도가 미리 지정된 수치 이하인 경우, 상기 제 1 단계부터 다시 수행되는 제 9 단계;
상기 서버가 상기 제 9 단계를 통과한 제 1 머신러닝 알고리즘을 상기 사용자에 알리는 제 10 단계;
상기 제 1 머신러닝 알고리즘을 상기 사용자가 분석을 원하는 시스템에 탑재하여 적용하는 제 11 단계;
상기 제 5 단계 및 상기 제 8 단계 중 적어도 하나의 분석 결과와 상기 제 11 단계의 적용 결과가 일치하는 경우, 상기 서버가 제 1 로그를 저장하는 제 12 단계;
상기 제 5 단계 및 상기 제 8 단계 중 적어도 하나의 분석 결과와 상기 제 11 단계의 적용 결과가 일치하지 않는 경우, 상기 서버가 제 2 로그를 저장하는 제 13 단계; 및
상기 서버가 미리 지정한 주기에 따라 새롭게 생성된 데이터를 추가하여 상기 제 1 머신러닝 알고리즘의 AI 모델을 재학습하는 제 14 단계;를 포함하고,
상기 제 0 단계의 상기 복수의 데이터는,
제품을 구성하는 소재, 설계, 형상, 검사기준 등 데이터, 생산 조건, 작업기준, 작업자, 작업정보, 단위생산실적 데이터, 제품 생산에 투입되는 설비, 장비의 가동, 비가동, 유지보수 데이터, 생산된 제품의 검사 판정 데이터, MES, ERP, PLM, SCM, QMS를 통해 수집된 데이터 및 PLC, PAC, 센서를 통해 수집된 데이터를 포함하며,
상기 제 1 단계에서, 상기 사용자는,
연결 데이터 항목 설정 및 표준 데이터셋 기준 설정이 가능하고,
생산성 분석 모델, 품질 분석 모델 및 설비 분석 모델 중 적어도 하나의 지정이 가능하며,
상기 제 2 단계에서,
AI 모델 적용이 가능하도록 상기 공정 데이터를 전처리 하고,
미리 지정된 기준을 만족하지 못하는 데이터는, 상기 사용자의 확인 정보를 트리거로 활용하여, 삭제 또는 보정 처리되며,
상기 제 13 단계에서,
상기 제 2 로그는,
상기 제 1 머신러닝 알고리즘을 상기 사용자가 분석을 원하는 시스템에 탑재한 이후, 미리 지정된 이벤트 이외에 발생된 이벤트와 관련된 로그 및 상기 제 1 머신러닝 알고리즘 적용에 있어 발생된 에러 로그를 포함하고,
상기 제 14 단계에서,
상기 제 1 머신러닝 알고리즘의 정확도가 기존 평가된 정확도와 일치하는 경우에는, 상기 제 1 머신러닝 알고리즘의 AI 모델을 재학습하며,
상기 제 1 머신러닝 알고리즘의 정확도가 기존 평가된 정확도보다 떨어지는 경우, 상기 제 1 단계 내지 상기 제 13 단계를 다시 수행하는 것을 특징으로 하는 제조 공정 데이터를 이용한 사용자 맞춤형 자율 인공지능 플랫폼 제어방법. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200172557A KR102528505B1 (ko) | 2020-12-10 | 2020-12-10 | 제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200172557A KR102528505B1 (ko) | 2020-12-10 | 2020-12-10 | 제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220082554A KR20220082554A (ko) | 2022-06-17 |
| KR102528505B1 true KR102528505B1 (ko) | 2023-05-08 |
Family
ID=82268885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200172557A KR102528505B1 (ko) | 2020-12-10 | 2020-12-10 | 제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102528505B1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7877291B2 (en) | 1996-05-02 | 2011-01-25 | Technology Licensing Corporation | Diagnostic data interchange |
| KR20190078334A (ko) * | 2017-12-26 | 2019-07-04 | 주식회사 포스코 | 연속 압연 패스 스케쥴 설정 장치 |
| KR20200013143A (ko) * | 2018-07-17 | 2020-02-06 | 현대제철 주식회사 | 고로의 용선온도 예측 장치 및 방법 |
| KR102142205B1 (ko) * | 2019-01-04 | 2020-08-06 | 에스케이 주식회사 | 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법 |
-
2020
- 2020-12-10 KR KR1020200172557A patent/KR102528505B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220082554A (ko) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11722642B2 (en) | Machine-vision system and method for remote quality inspection of a product | |
| CN110221975B (zh) | 创建接口用例自动化测试脚本的方法及装置 | |
| CN107085415A (zh) | 过程控制网络中的规则构建器 | |
| US10776706B2 (en) | Cost-driven system and method for predictive equipment failure detection | |
| CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
| CN115526641A (zh) | 柔板产品生产质量追溯方法、系统、装置和存储介质 | |
| KR20220155190A (ko) | 프로세스 관리 계획서 디지털 트윈을 이용하는 제품의 개발 | |
| KR102528505B1 (ko) | 제조공정 데이터를 이용한 자가학습형 인공지능 플랫폼 | |
| US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
| GB2590414A (en) | Anomaly detection for code management | |
| KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
| US20220206773A1 (en) | Systems and methods for building and deploying machine learning applications | |
| CN112246681B (zh) | 一种检测数据处理方法、装置及产品检测设备 | |
| CN114139853A (zh) | 一种基于大数据的钢结构产品清单处理方法和装置 | |
| US20210110284A1 (en) | Method and system for automatic error diagnosis in a test environment | |
| Arunachalam et al. | End-to-end industrial IoT: software optimization and acceleration | |
| Saddem et al. | Data based approach for online diagnosis of Discrete Event System | |
| KR102046571B1 (ko) | 데이터 처리 룰 생성 방법 | |
| Koay et al. | A new information system for prioritisation of product quality improvement | |
| JP2020042673A (ja) | 検証装置 | |
| US20240160198A1 (en) | Industrial data source writeback | |
| US20240160811A1 (en) | Industrial data extraction | |
| US20240160164A1 (en) | Industrial automation data quality and analysis | |
| US20240160193A1 (en) | Industrial automation data staging and transformation | |
| Yadav et al. | Hybrid model for software fault prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |