KR102537407B1

KR102537407B1 - 진공펌프용 스마트 인공지능 모듈

Info

Publication number: KR102537407B1
Application number: KR1020210072047A
Authority: KR
Inventors: 서인석
Original assignee: (주)더블유에스에이
Priority date: 2021-06-03
Filing date: 2021-06-03
Publication date: 2023-05-26
Also published as: KR20220163642A

Abstract

본 발명은 인공지능 기계학습을 이용하여 진공펌프의 작동을 제어하거나 고장을 예측하는 스마트 인공지능 모듈(Smart AI Module)에 관한 것으로서, 구동력을 제공하는 모터(100), 상기 모터(100)의 구동력에 의하여 작동하는 진공펌프(200), 및 진공챔버와 장치조작부가 구비된 시스템(300)에 설치된 센서로부터 감지된 데이터를 수신하고, 제어신호나 경고신호를 송신하는 입출력부(410); 상기 입출력부(410)를 통하여 수신된 데이터를 저장하는 공간을 제공하는 메모리부(420); 및, 상기 입출력부(410)를 통하여 수신된 데이터를 상기 메모리부(420)에 저장하고, 상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서에서 감지된 데이터를 이용한 인공지능 기계학습으로 모델링된 알고리즘이 탑재되고, 알고리즘의 실행에 따른 제어신호나 경고신호를 생성하여 상기 입출력부(410)를 통하여 출력하는 마이크로프로세서부(430);를 포함하여 구성되는 것을 특징으로 한다.

Description

진공펌프용 스마트 인공지능 모듈{Vacuum Pump Smart AI Module}

본 발명은 진공펌프용 스마트 인공지능 모듈에 관한 것으로서 인공지능(AI) 기계학습(Machine Learning)을 통하여 모델링된 알고리즘에 따라 실시간으로 감지되는 데이터의 조합이 이상작동이나 고장이 발생되는 경우로 판단될 경우 이에 대응하는 제어신호나 경고신호를 생성하여 출력함으로써 심각한 고장이나 손상, 또는 공정이 멈추는 사태를 미연에 방지하며, 진공펌프를 공정에 최적화된 조건으로 운용하는 것을 특징으로 한다.

현대의 생산공정에는 다양하게 많은 유틸리티들이 사용되고 있으며, 펌프는 이러한 유틸리티를 공급하는데 중요한 역할을 하고 있다.

대표적인 유틸리티로는 컴프레서를 이용한 공압, 유체펌프를 이용한 유압 등이 있으며, 최근 생산공정에서 진공의 역할이 커지면서 진공펌프로 만들어지는 진공 역시 하나의 유틸리티로 취급받고 있다.

대부분의 유틸리티 펌프들은 상압(760Torr)에서 원하는 압력으로 올라가는 동안 점점 더 많은 부하를 받게 되며, 더 많은 일을 하게 된다.

이에 반하여, 진공펌프는 반대로 상압에 가까운 압력에서 가장 많은 부하를 받으며 압력이 내려가면 갈수록 더 적은 부하를 받게 되는데, 원하는 진공도(목표 진공도)에 도달하면 아주 적은 일만으로도 원하는 진공도(목표 진공도)를 유지할 수 있으며, 이때 진공도에 영향을 끼쳐 진공펌프를 동작시키는 원인은 아래와 같다.

1) 아웃개싱(Outgassing) : 고진공에서 금속 및 내부 표면에서 올라오는 입자

2) 누설(Leakage) : 미세한 틈을 통해 들어오는 입자(공기)

3) 공정상 의도적으로 유입시키는 유체

한편, 대부분의 공정에서는 택타임(Takt time)을 기준으로 진공펌프를 선택하게 되는데, 목표 진공도에 도달하면(ex. 5X10-2 Torr) 대부분의 진공시스템에서 진공펌프는 필요한 일에 비해 더 많은 일을 하면서 불필요하게 많은 전력을 소비하고 소음을 유발하는 문제점이 있다.

또한, 진공상태에서 상당수의 용매(Solvent)들은 상온에서 기화하여 기체상태로 진공펌프 내로 유입되고, 다양한 이물질들이 진공펌프 내부로 유입될 가능성이 상존하여 진공펌프의 수명을 단축시키고, 최악의 경우 펌프가 고장으로 멈춰버리는 경우가 발생하는데, 유틸리티로서 진공펌프가 멈추게 되면 공정에 큰 악영향을 미치게 되므로 진공펌프의 관리는 매우 중요하다.

그러나 대부분의 진공펌프의 관리는 정기적인 오버홀(Overhaul)처럼 경험에 의존하여 미리 시간을 정해 관리하고 있으며, 이는 종종 진공펌프에 치명적인 손상를 입혀, 과도한 수리비가 나오거나 최악의 경우 공정 자체가 멈추는 경우도 발생한다.

[선행기술문헌]

등록특허 제10-1514721호

등록특허 제10-1545335호

등록특허 제10-1758211호

상기한 문제점을 해결하기 위하여 창작된 본 발명의 목적은 컴팩트하게 모듈화되어 모터나 진공펌프 일측에 쉽게 설치가 가능하고, 인공지능(AI) 기계학습(Machine Learning)을 통하여 모델링된 알고리즘에 따라 실시간으로 감지되는 데이터의 조합이 이상작동이나 고장이 발생되는 경우로 판단될 경우 이에 대응하는 제어신호나 경고신호를 생성하여 출력함으로써 심각한 고장이나 손상, 또는 공정이 멈추는 사태를 미연에 방지하고, 공정모드에 적합한 조건으로 진공펌프의 작동을 제어할 수 있는 새로운 개념의 진공펌프용 스마트 인공지능 모듈을 제공함을 그 목적으로 한다.

상기한 목적을 달성하기 위하여 창작된 본 발명의 기술적 구성은 다음과 같다.

본 발명의 구성에 따른 기술적 효과는 다음과 같다.

첫째, 컴팩트하게 모듈화되어 모터나 진공펌프 일측에 쉽게 설치가 가능하여 활용성을 극대화시킬 수 있다.

다시 말하면, 이미 상용화되어 있는 기존 모터나 진공펌프에도 쉽게 장착이 가능하며, 이를 통하여 인공지능의 기계학습에 따른 스마트 제어가 가능하게 된다.

둘째, 모터, 진공펌프 및 시스템으로부터 감지되는 데이터를 축적하고, 이러한 데이터의 조합을 활용한 인공지능(AI) 기계학습(Machine Learning)을 통하여 모델링된 알고리즘에 따라 실시간으로 감지되어 전송되는 데이터의 조합이 이상작동이나 고장이 발생되는 경우로 판단될 경우 이에 대응하는 제어신호나 경고신호를 생성하여 출력함으로써 심각한 고장이나 손상, 또는 공정이 멈추는 사태를 미연에 방지할 수 있다.

셋째, 공정모드에 적합한 조건으로 진공펌프의 작동을 제어할 수 있다.

다시 말하면, 시스템의 작동모드에 따라 모터, 진공펌프 및 시스템에 설치된 센서를 통하여 주기적으로 감지되는 데이터를 축적하고, 축적된 데이터의 조합 가운데 시스템의 작동모드에 적합한 경우를 기계학습(Machine Learning)하여 모델링된 알고리즘에 따라 시스템을 통하여 지정된 작동모드별로 최적화된 루트를 따라 진공펌프를 작동시키는 제어신호를 생성하여 출력할 수 있다.

도1은 본 발명인 진공펌프용 스마트 인공지능 모듈의 주요 구성을 도시하는 블록도이다.
도2는 본 발명인 진공펌프용 스마트 인공지능 모듈을 중심으로 데이터와 명령어(제어신호 또는 경고신호)의 흐름을 도시한다.
도3은 기계학습의 순서도(Flow chart)를 도시한다.

이하에서는 본 발명의 구체적 실시예를 첨부도면을 참조하여 보다 상세히 설명한다.

본 발명은 인공지능 기계학습을 이용하여 진공펌프의 작동을 제어하거나 고장을 예측하는 진공펌프용 스마트 인공지능 모듈(Smart AI Module)에 관한 것이다.

본 발명인 진공펌프용 스마트 인공지능 모듈은 도1에 도시된 것처럼 입출력부(410), 메모리부(420), 마이크로프로세서부(430), 및 IoT통신모듈부(440)가 결합되어 컴팩트한 사이즈의 모듈로 제작되어 모터(100)나 진공펌프(200)와 같은 장치의 일측에 쉽게 장착하여 사용할 수 있다.

도2에는 본 발명인 진공펌프용 스마트 인공지능 모듈과 모터(100), 진공펌프(200), 시스템(300), DB서버(500) 사이의 데이터와 명령어의 흐름을 예시적으로 도시하고 있는데, 구체적인 내용을 살펴보면 다음과 같다.

입출력부(410)는 구동력을 제공하는 모터(100), 모터(100)의 구동력에 의하여 작동하는 진공펌프(200), 및 진공챔버와 장치조작부가 구비된 시스템(300)에 설치된 센서로부터 감지된 데이터를 수신하고, 제어신호나 경고신호를 송신하는 역할을 한다. 즉, 입출력부(410)는 일반적인 입출력포트(IO port)와 같거나 극히 유사한 구조와 기능을 구비하는 것으로 볼 수 있는 바, 세부적인 규격이나 종류 등에 대한 별도 언급은 생략한다.

모터(100)와 진공펌프(200)는 특별한 종류나 규격으로 한정되는 것은 아니며 시스템(300)이 요구하는 작업조건(목표 진공도나 펌핑속도와 같은 조건)을 충족할 수 있다면 현재 상용화되어 있는 다양한 제품 가운데 적절히 선택될 수 있다.

메모리부(420)는 입출력부(410)를 통하여 수신된 데이터를 저장하는 공간을 제공한다. 즉, 일반적으로 마이크로프로세서에서 명령어나 데이터를 저장하는 장치와 같거나 극히 유사한 기능을 수행하는 것으로 볼 수 있는 바, 세부적인 규격이나 종류 등에 대한 설명은 생략한다.

마이크로프로세서부(430)는 입출력부(410)를 통하여 수신된 데이터를 메모리부(420)에 저장하며, 이렇게 저장된 데이터는 DB서버(500)로 다운로드되어 기계학습(Machine Learning)의 데이터로 활용된다.

아울러, 마이크로프로세서부(430)에는 모터(100), 진공펌프(200) 및 시스템(300)에 설치된 센서에서 감지된 데이터를 이용하여 인공지능 기계학습(Machine Learning)으로 모델링된 알고리즘이 탑재되고, 이러한 알고리즘의 실행에 따른 제어신호나 경고신호를 생성하고 입출력부(410)를 통하여 출력하는 기능을 수행한다.

마이크로프로세서부(430)에 탑재되는 알고리즘은 모터(100), 진공펌프(200) 또는 시스템(300)으로부터 전달받아 축적된 데이터의 조합 가운데 비정상적인 이상작동이나 고장으로 이어지는 경우를 기계학습하여 모델링된 것이다.

다시 말하면, 모터(100), 진공펌프(200) 또는 시스템(300)이 비정상적인 이상작동을 하거나 고장이 발생되기 전까지 모터(100), 진공펌프(200) 또는 시스템(300) 각각에 설치된 센서를 통하여 주기적으로 감지되는 데이터들이 메모리부(420)에 축적되는데, 축적된 데이터 조합 가운데 이상작동이나 고장으로 이어지는 경우(해당 데이터의 조합이 감지된 이후 미리 설정된 시간이나 작업횟수 이내에 이상작동이나 고장으로 이어지는 경우)를 기계학습하여 모델링된 알고리즘이 탑재되는 것으로, 알고리즘의 초기 모델링이나 추후 주기적인 업데이트는 마이크로프로세서부(430) 자체에서 이루어질 수도 있고, 외부의 DB서버(500)에서 이루어질 수도 있다.

즉, 외부의 DB서버(500)를 통하지 않고 데이터를 로컬에서 직접 분류하고 기계학습하는 엣지컴퓨팅 기능이 마이크로프로세서부(430)에 구비되어 보안이 필요하거나 빠른 반응이 필요한 생산 현장의 요청에 보다 빨리 대응할 수 있다.

외부의 DB서버(500)에서 모델링이나 업데이트가 이루어질 경우 IoT통신모듈부(440)를 통하여 데이터의 전송이 이루어지거나, 업데이트된 알고리즘을 외부의 DB서버(500)로부터 다운받을 수 있다.

미리 설정된 오버홀 주기에 따라 진공펌프용 스마트 인공지능 모듈이 포함된 모터(100)와 진공펌프(200)가 정비공장에 입고되면 데이터의 덤프(dump)를 통하여 DB서버(500)에 저장하게 되며, DB서버(500)에 업데이트된 인공지능 기계학습(Machine Learning) 알고리즘이 존재한다면 진공펌프용 스마트 인공지능 모듈의 마이크로프로세서부(430)에 탑재된다.

여기서 IoT통신모듈부(440)에는 WiFi 또는 Lora와 같은 무선통신 모듈로 구성될 수 있으며, 외부의 DB서버(500)로 데이터를 전송하게 되는데, 무선통신만으로 제한되는 것은 아니며 경우에 따라 유선을 통하여 데이터가 전송될 수도 있다.

마이크로프로세서부(430)는 탑재된 알고리즘에 따라 모터(100), 진공펌프(200) 및 시스템(300)에 설치된 센서를 통하여 실시간으로 감지되는 데이터의 조합이 이상작동이나 고장으로 이어지는 경우로 판단될 경우 이에 대응하는 제어신호나 경고신호를 생성하여 출력함으로써 심각한 고장이나 손상, 또는 공정이 멈추는 사태를 미연에 방지할 수 있다.

마이크로프로세서부(430)에 탑재되는 알고리즘은 시스템(300)이나 진공펌프(200) 등의 이상작동이나 고장만 미리 경고하는 것이 아니라 시스템(300)의 작동모드에 적합한 루트를 따라 진공펌프(200)를 작동시키는 제어신호를 생성하여 출력할 수도 있다.

즉, 시스템(300)의 작동모드에 따라 모터(100), 진공펌프(200) 및 시스템(300)에 설치된 센서를 통하여 주기적으로 감지되는 데이터를 축적하고, 반복된 작업에서 축적된 데이터의 조합 가운데 시스템(300)의 작동모드에 가장 최적화된 경우를 기계학습하여 모델링된 알고리즘이 마이크로프로세서부(430)에 탑재되고, 시스템(300)을 통하여 작동모드를 지정할 경우 작동모드별로 최적화된 루트를 따라 진공펌프(200)를 작동시키는 제어신호를 생성하여 출력할 수 있는데, 반복된 생산작업에서 가장 최적화된 방식을 지속적으로 학습하여 마이크로프로세서부(430)가 스스로 모델링된 알고리즘을 업데이트할 수 있다.

예를 들어, 진공도유지 모드, 동결건조 모드, 콜드트랩 모드 등의 모드를 시스템(300)을 통하여 직접 지정할 수 있는데, 진공도유지(예를 들어, 5×10-1 Torr) 모드를 지정한 경우 지정된 진공도에 최대 속도로 도달 후 펌핑속도(pumping speed)를 조절하여 저전력 및 저소음으로 최적의 진공도가 유지되도록 제어될 수 있고, 콜드트랩 모드를 지정한 경우 초기 5 Torr까지는 트랩 내의 유지시간을 최대화하기 위하여 적절한 펌핑속도를 사용하면서 제거된 수분량을 체크하고, 이에 따라 최적의 펌핑속도 루트(경로)를 따라가도록 제어할 수 있다.

펌핑속도(pumping seed)는 진공펌프(200)의 펌핑 성능을 나타내는 것으로 liter/min, liter/sec, ㎥/h 등의 단위를 가질 수 있다.

또한, 시스템(300)을 통하여 원하는 진공도(목표 진공도) 또는 펌핑속도(pumping speed)를 직접 지정하면, 마이크로프로세서부(430)는 기계학습을 통해 모델링된 알고리즘에 따라 목표 진공도 또는 지정된 펌핑속도(pumping speed)에 도달하고 이를 유지하기 위해 모터(100)의 RPM을 조절하는 제어신호를 생성하여 출력하거나, 시스템(300)과 진공펌프(200)를 연결하는 진공 관로 상에 구비된 진공조절밸브(도시 생략)의 개도를 조절하는 제어신호를 생성하여 출력하게 된다.

삭제

예를 들어, 진공펌프(200)가 고진공펌프(TMP:Turbo Molecular Pump)의 하단에 연결된 경우 고진공펌프(TMP)의 시작점(5×10-2 Torr)까지는 최대속도로 배기가 이루어지도록 하고 고진공펌프(TMP)의 작동이 시작되면 고진공펌프(TMP) 하단에서 필요한 만큼 펌핑속도(pumping speed)를 조절하여 저전력 및 저소음 구동이 가능하도록 할 수 있고, 깨지기 쉬운 구조물이 들어 있는 진공챔버의 경우 초기 배기시 공기의 흐름을 줄이기 위해 펌핑속도를 저속으로 구동하다가 미리 설정된 진공도에 도달하면 최고 펌핑속도로 배기하여 작업 효율을 높임과 동시에 구조물의 파손을 방지할 수 있다.

아울러, 진공조절밸브의 개도를 함께 조절(open, close, 또는 밸브의 열림 정도 조절)하여 목표 진공도의 도달 및 유지를 제어할 수도 있는데, 진공조절밸브가 닫히면 시스템(300)과 진공펌프(200)를 연결하는 진공관로가 닫히게 되고 진공조절밸브가 열리면 시스템(300)과 진공펌프(200)를 연결하는 진공관로가 열리게 되는 구조이다.

도3은 기계학습(Machine Learning)의 순서도(Flow chart)를 도시하고 있는데, 이에 따른 과정은 다음과 같이 수행된다.

기계학습은 수집 > 점검 및 탐색 > 전처리 및 정제 > 모델링 및 훈련 > 평가(테스트 데이터 이용) > 배포(탑재)의 과정으로 이루어진다.

(1) 수집(Acquisition)

모터(100), 진공펌프(200) 및 시스템(300) 각각에 설치된 센서로부터 각종 데이터를 전달받아 수집하는 과정이다.

모터(100)에 설치된 센서가 감지하는 데이터에는 온도, RPM, 전압, 전류, 및 슬립(slip)량이 포함되고, 진공펌프(200)에 설치된 센서가 감지하는 데이터에는 온도, RPM, 흡입구진공도, 배기구압력, 수분량, 오일탁도, 오일량, 및 오일점도가 포함되고, 시스템(300)에 설치된 센서가 감지하는 데이터에는 온도, 진공도, 및 진공변화속도(dP/dt)가 포함되고, 이러한 데이터들은 본 발명인 진공펌프용 스마트 인공지능 모듈의 메모리부(420)에 저장되고, IoT통신모듈부(440)를 통하여 외부의 DB서버(500)로 전송되거나, 미리 설정된 오버홀 주기에 따라 진공펌프용 스마트 인공지능 모듈이 포함된 모터(100)와 진공펌프(200)가 정비공장에 입고되면 데이터의 덤프(dump)를 통하여 DB서버(500)에 저장하게 된다.

(2) 점검 및 탐색(Inspection and Exploration)

수집 과정에서 축적된 데이터의 직교성(Orthogonality)을 확인하고 독립변수와 종속변수로 구분하는 과정이다.

직교성이란 변수 상호간 영향을 미치는 관계인지 여부를 말하는데, 각각의 변수가 서로 다른 변수에 영향을 미치지 않는 관계일 때 상호 직교한다고 볼 수 있다. 이러한 직교성을 찾아 정확한 공간(space)을 설정해야 데이터의 균질성 및 문제점을 발견하고 각 구성장치의 동작을 이해하는데 도움이 될 수 있다.

예를들면, 모터(100)와 진공펌프(200)에서 측정되는 온도는 둘 다 상호 영향을 주기 때문에 직교성이 없으나 모터(100)와 진공펌프(200)의 온도 차이는 진공펌프(200) 파트에 문제가 생겼는지 아니면 모터(100) 파트에 문제가 생겼는지를 판단하기 위한 중요한 변수이다. 따라서, 두 가지의 데이터를 모두 수집하되 데이터 분석으로 인해 둘 가운데 하나만 축(axis)로 사용되는 독립변수가 되며, 나머지 하나는 종속변수로서 존재하게 된다. 이러한 변수 간의 상관관계는 탁도, RPM, 전류, 전압과의 관계에서도 존재할 수 있으며, 이러한 상관관계를 이용해 가장 최적화되고 합리적인 공간(space)을 구성한다.

이러한 과정을 통하여 축(axis)과 데이터의 공간을 정의하는데, 특히,진공펌프(200)가 손상을 입어 비정상적인 이상작동을 하거나 고장으로 이어지는 경우의 데이터 조합(Data set)에 레이블링(labeling)을 하여 지도학습(Supervised Learning)용으로 사용한다.

(3) 전처리 및 정제(Preprocessing and Cleaning)

수집된 데이터를 기계학습에 적합하도록 가공하는 과정이다. 수집된 데이터 가운데 기계적인 오류등으로 인해 일부 데이터가 누락되거나 잘못된 데이터가 들어오는 경우가 존재하는데, 이를 기계학습 이전에 충분히 검증하면 정확한 모델링이 가능하다.

이를 위하여 데이터 클리닝(Data Cleaning)과 피쳐스케일링(Feature Scaling) 과정을 수행한다. 만약 데이터가 숫자가 아닌 경우에는 숫자형 데이터로 치환하는 과정도 수행해야 되는데, 본 발명의 구체적 실시예에서는 숫자형 데이터만 처리되는 바 이러한 과정은 불필요하다.

데이터 클리닝 과정에서는 불필요한 데이터 제거, 연관성 없는 데이터 삭제, 누락 데이터에 특정값 지정하게 된다.

피쳐스케일링은 각 변수의 단위를 그대로 사용할 경우의 문제점을 해결하기 위한 과정인데, 예를 들어 온도는 -20℃에서 90℃ 정도의 범위를 가지는 반면, 진공도는 일반적으로 760 Torr에서 00000001 Torr 까지의 범위를 가지게 되고, 이들을 2개의 축으로 같은 공간을 만든다면 대부분의 진공도 데이터는 1과 0 사이에 존재하게 되며 이럴 경우 데이터가 잘못되었는지 아닌지를 구분하기 힘들어 진다. 따라서 온도 데이터는 그대로 사용하고 진공도 데이터는 log를 붙여서 사용하면 각 진공도 구간별로 온도의 변화를 쉽게 분석할 수 있다.

(4) 모델링 및 훈련(Modeling and Training)

전처리가 끝난 데이터를 사용하기 위해 모델링 과정을 거치고, 모델링된 모델(알고리즘)을 사용하여 전처리된 데이터를 학습시킨다. 데이터는 크게 훈련용 데이터와 테스트 데이터로 나누어 오퍼피팅(overfitting)을 방지하고 모델을 검증하는데 사용한다.

모델링 과정은 지도학습(Supervised Learning)을 통하여 이루어지는데, 지도학습이란 모터(100), 진공펌프(200), 시스템(300)에서 나오는 각종 데이터들의 조합들에서 이상작동이나 고장으로 이어지는 경우를 학습하여 추후 유사한 조합이 발생할 경우 고장이 날 수 있는 확률이 높다는 것을 알려주는 기법이라고 볼 수 있다. 이러한 지도학습은 지도를 하는 사람이 올바른 답을 찾는지 알려주는 기법으로서, 학습을 위한 완전한 데이터셋(입력값과 그에 따른 출력값이 있는 데이터)이 필요하다.

지도학습은 펌프에서 나오는 데이터들의 조합이 입력으로 들어올 경우 펌프가 정상으로 작동하는 조합인지, 이상작동이나 고장으로 이어지는 조합인지를 분류함으로써 모터(100), 진공펌프(200), 시스템(300)의 상태를 예측할 수 있는데, 이러한 지도학습을 위해서는 트레이닝셋(Training set)과 테스트셋(Test set)이 필요하고, 트레이닝셋(Training set)을 레이블링하는 작업도 선행되어야 한다.

여기서 트레이닝셋(Training set)은 학습을 위해 필요한 데이터셋을 의미하고, 테스트셋(Test set)은 학습을 통하여 모델링된 학습모델(알고리즘)이 제대로 작동하는지 확인하기 위해 테스트하는데 사용되는 데이터셋을 의미하는데, 이러한 과정을 통해 학습모델은 진공펌프(200) 등의 이상작동이나 고장 여부를 예측할 수 있도록 점점 스마트해지게 된다.

학습을 위해 필요한 데이터셋은 일정 비율로 구분하여 학습용 데이터와 검증용 데이터로 사용할 수 있다.

(5) 평가(Evaluation)

별도로 준비한 테스트 데이터를 이용해 성능을 평가하는 과정인데, 진공펌프(200)가 상황에 맞춰 원하는 동작을 하는지, 비정상적 운영이 지속될 때 경고를 보내 사용자에게 조치를 요구하는지 등을 확인한다.

(6) 배포(Deployment)

평가를 통하여 충분히 만족한 결과가 나오면 완성된 모델(알고리즘)을 마이크로프로세서부(430)에 탑재하여 재배포한다. 만약 무선망이 허용하는 시스템이라면 데이터의 추가 수집을 통하여 더 정교해진 모델(알고리즘)을 정기적으로 배포할 수 있으며, 경우에 따라서는 마이크로프로세서부(430)가 구비된 진공펌프용 스마트 인공지능 모듈에서 DB서버(500)와 독립적으로 추가 데이터를 분석하는 모델(알고리즘)을 업데이트하는 엣지 컴퓨팅(Edge Computing) 기술을 구현하는 것도 가능하다.

상기한 바와 같이 본 발명의 구체적 실시예를 첨부도면을 참조하여 설명하였으나 본 발명의 보호범위가 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 기술적 요지를 변경하지 않는 범위 내에서 단순한 설계변경, 공지기술의 부가나 삭제, 수치한정 등의 경우에도 본 발명의 보호범위에 속함을 분명히 한다.

100:모터
200:진공펌프
300:시스템
410:입출력부
420:메모리부
430:마이크로프로세서부
440:IoT통신모듈부
500:DB서버

Claims

인공지능 기계학습을 이용하여 진공펌프의 작동을 제어하거나 고장을 예측하는 스마트 인공지능 모듈(Smart AI Module)에 관한 것으로서,
구동력을 제공하는 모터(100), 상기 모터(100)의 구동력에 의하여 작동하는 진공펌프(200), 및 진공챔버와 장치조작부가 구비된 시스템(300)에 설치된 센서로부터 감지된 데이터를 수신하고, 제어신호나 경고신호를 송신하는 입출력부(410);
상기 입출력부(410)를 통하여 수신된 데이터를 저장하는 공간을 제공하는 메모리부(420);
상기 입출력부(410)를 통하여 수신된 데이터를 상기 메모리부(420)에 저장하고, 상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서에서 감지된 데이터를 이용한 인공지능 기계학습으로 모델링된 알고리즘이 탑재되고, 알고리즘의 실행에 따른 제어신호나 경고신호를 생성하여 상기 입출력부(410)를 통하여 출력하는 마이크로프로세서부(430); 및,
외부의 DB서버(500)로 데이터를 전송하거나 업데이트된 알고리즘을 외부의 DB서버(500)로부터 다운받을 수 있는 IoT통신모듈부(440);
를 포함하여 구성되되,
상기 입출력부(410), 상기 메모리부(420), 상기 마이크로프로세서부(430) 및 상기 IoT통신모듈부(440)가 하나로 결합된 모듈로 제작되고, 상기 모터(100)나 상기 진공펌프(200)의 일측에 장착하여 사용할 수 있고,
상기 시스템(300)을 통하여 목표 진공도 또는 펌핑속도(pumping speed)를 직접 지정하면, 상기 마이크로프로세서부(430)는 기계학습을 통해 모델링된 알고리즘에 따라 목표 진공도 또는 지정된 펌핑속도(pumping speed)에 도달하고 이를 유지하기 위해 상기 모터(100)의 RPM 또는 상기 시스템(300)과 상기 진공펌프(200)를 연결하는 진공관로 상에 구비된 진공조절밸브의 개도를 조절하는 제어신호를 생성하여 출력하고, 상기 진공펌프(200)가 고진공펌프(TMP:Turbo Molecular Pump)의 하단에 연결된 경우에는 미리 설정된 고진공펌프(TMP)의 작동 시작점까지는 최대속도로 배기가 이루어지도록 하고 고진공펌프(TMP)의 작동이 시작되면 고진공펌프(TMP) 하단에서 필요한 만큼 펌핑속도(pumping speed)를 조절하여 저전력 및 저소음 구동이 가능하도록 제어신호를 생성하여 출력하는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
제1항에서,
상기 마이크로프로세서부(430)는,
깨지기 쉬운 구조물이 들어 있는 진공챔버의 경우 초기 배기시 공기의 흐름을 줄이기 위해 펌핑속도를 저속으로 구동하다가 미리 설정된 진공도에 도달하면 최고 펌핑속도로 배기하여 작업 효율을 높임과 동시에 구조물의 파손을 방지할 수 있는 제어신호를 생성하여 출력하는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
제1항에서,
상기 마이크로프로세서부(430)에 탑재되는 알고리즘은,
상기 모터(100), 상기 진공펌프(200) 또는 상기 시스템(300)이 비정상적인 이상작동을 하거나 고장이 발생되기 전까지 상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서를 통하여 주기적으로 감지되는 데이터를 축적하고,
축적된 데이터 조합 가운데 이상작동이나 고장으로 이어지는 경우를 기계학습하여 모델링되고,
상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서를 통하여 실시간으로 감지되는 데이터의 조합이 이상작동이나 고장으로 이어지는 경우로 판단될 경우 이에 대응하는 제어신호나 경고신호를 생성하여 출력하는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
제1항에서,
상기 마이크로프로세서부(430)에 탑재되는 알고리즘은,
상기 시스템(300)의 작동모드에 따라 상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서를 통하여 주기적으로 감지되는 데이터를 축적하고,
축적된 데이터의 조합 가운데 상기 시스템(300)의 작동모드에 적합한 경우를 기계학습하여 모델링되고,
상기 시스템(300)을 통하여 작동모드를 지정할 경우 작동모드별로 최적화된 루트를 따라 상기 진공펌프(200)를 작동시키는 제어신호를 생성하여 출력하는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
제1항 내지 제4항 가운데 어느 한 항에서,
상기 모터(100)에 설치된 센서가 감지하는 데이터에는 온도, RPM, 전압, 전류, 및 슬립(slip)량이 포함되고,
상기 진공펌프(200)에 설치된 센서가 감지하는 데이터에는 온도, RPM, 흡입구진공도, 배기구압력, 수분량, 오일탁도, 오일량, 및 오일점도가 포함되고,
상기 시스템(300)에 설치된 센서가 감지하는 데이터에는 온도, 진공도, 및 진공변화속도(dP/dt)가 포함되는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
제5항에서,
상기 마이크로프로세서부(430)는,
상기 모터(100), 상기 진공펌프(200) 및 상기 시스템(300)에 설치된 센서에서 감지된 데이터를 로컬에서 직접 분류하고 기계학습하는 엣지컴퓨팅 기능이 구비되는 것을 특징으로 하는 진공펌프용 스마트 인공지능 모듈.
삭제