KR102574092B1 - 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 - Google Patents
인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102574092B1 KR102574092B1 KR1020230033056A KR20230033056A KR102574092B1 KR 102574092 B1 KR102574092 B1 KR 102574092B1 KR 1020230033056 A KR1020230033056 A KR 1020230033056A KR 20230033056 A KR20230033056 A KR 20230033056A KR 102574092 B1 KR102574092 B1 KR 102574092B1
- Authority
- KR
- South Korea
- Prior art keywords
- mold
- molded product
- information
- vibration
- temperature
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 60
- 238000013473 artificial intelligence Methods 0.000 title claims description 19
- 230000005856 abnormality Effects 0.000 title description 3
- 230000008859 change Effects 0.000 claims abstract description 178
- 230000007547 defect Effects 0.000 claims abstract description 154
- 238000004519 manufacturing process Methods 0.000 claims abstract description 139
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 239000011347 resin Substances 0.000 claims abstract description 6
- 229920005989 resin Polymers 0.000 claims abstract description 6
- 238000002347 injection Methods 0.000 claims abstract description 5
- 239000007924 injection Substances 0.000 claims abstract description 5
- 230000002950 deficient Effects 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012856 packing Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 72
- 238000011156 evaluation Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 20
- 238000010191 image analysis Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 239000000945 filler Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003278 mimic effect Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
- B22D17/20—Accessories: Details
- B22D17/32—Controlling equipment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
-
- 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
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
일실시예에 따른 장치는 금형을 통해 제작되는 성형품의 형상 및 크기에 대한 성형품 정보를 획득하고, 미리 설정된 기간 동안 금형 작동 횟수를 측정할 수 있는 금형 카운터를 통해 금형 작동 횟수(Shot Count) 정보, 금형 제작 주기(Cycle Time) 정보, 온도 센서로부터 측정한 금형의 온도 정보 및 진동 센서로부터 측정한 금형의 진동 정보를 획득하고, 온도 정보의 변화에 따른 금형의 온도 변화 패턴을 확인하고, 진동 정보의 변화에 따른 금형의 진동 변화 패턴을 확인하고, 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴을 제1 인공신경망에 입력 신호로 설정하고, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 출력 신호로 설정하여 제1 인공신경망을 학습하고, 학습된 제1 인공신경망에 기반하여 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정하고, 학습된 제1 인공신경망에 기반하여 특정 금형을 통한 성형품의 생산 시간 및 특정 금형의 수명을 결정하고, 온도 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경하고, 진동 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 금형의 움직임, 금형에 레진을 투입하는 동작, 보압 동작, 사출 압력을 포함하는 진동 변화 요소를 변경할 수 있다.
Description
아래 실시예들은 인공지능을 기반으로 온도 및 진동 센서로부터 획득한 데이터를 활용하여 금형의 이상 여부를 판단하는 기술에 관한 것이다.
금형을 사용한 금속 부품 혹은 수지 부품 등의 제조가 행해지고 있다. 제조업에서의 품질은 기업의 경쟁력 및 생산성을 유지하기 위한 중요 요소일 뿐만 아니라, 기업의 이익에 영향을 미친다. 산업에서 품질 관리의 중요성은 일찍부터 대두되어 왔다.
성형물의 품질관리에서, 반복적인 불량이 발생할 경우 금형의 정보 계측을 통해 금형의 상태를 파악하고, 불량 발생의 원인을 파악하여 제거함으로써 불량률을 낮추는 것이 필요할 뿐만 아니라 불량 발생을 미리 파악하여 대비함으로써 금형의 이상 여부를 관리할 수 있는 금형 관리 방법에 대한 연구가 필요한 실정이다.
실시예들은 인공지능을 기반으로 온도 및 진동 센서로부터 획득한 데이터를 활용하여 금형의 이상 여부를 판단하고자 한다.
실시예들은 금형의 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴을 기반으로 인공 신경망을 학습시키도록 하여, 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정하거나, 특정 금형을 통한 성형품의 생산 시간 및 특정 금형의 수명을 결정하고자 한다.
실시예들은 성형품을 촬영한 이미지로부터 성형품의 불량 원인을 검출하고, 불량이 발생한 불량 발생 시점을 예측하고자 한다.
일실시예에 따르면, 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법은, 금형을 통해 제작되는 성형품의 형상 및 크기에 대한 성형품 정보를 획득하는 단계; 미리 설정된 기간 동안 금형 작동 횟수를 측정할 수 있는 금형 카운터를 통해 금형 작동 횟수(Shot Count) 정보, 금형 제작 주기(Cycle Time) 정보, 온도 센서로부터 측정한 금형의 온도 정보 및 진동 센서로부터 측정한 금형의 진동 정보를 획득하는 단계; 상기 온도 정보의 변화에 따른 상기 금형의 온도 변화 패턴을 확인하는 단계; 상기 진동 정보의 변화에 따른 상기 금형의 진동 변화 패턴을 확인하는 단계; 상기 성형품 정보, 상기 작동 횟수 정보, 상기 주기 정보, 상기 온도 변화 패턴, 상기 진동 변화 패턴을 제1 인공신경망에 입력 신호로 설정하고, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 출력 신호로 설정하여 상기 제1 인공신경망을 학습하는 단계; 상기 학습된 제1 인공신경망에 기반하여 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정하는 단계; 상기 학습된 제1 인공신경망에 기반하여 특정 금형을 통한 성형품의 생산 시간 및 상기 특정 금형의 수명을 결정하는 단계; 상기 온도 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 상기 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경하는 단계; 및 상기 진동 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 상기 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 금형의 움직임, 금형에 레진을 투입하는 동작, 보압 동작, 사출 압력을 포함하는 진동 변화 요소를 변경하는 단계를 포함할 수 있다.
상기 방법은, 성형품의 불량 발생 원인을 검출하는 단계; 및 성형품의 불량 발생 시점을 예측하는 단계;를 더 포함할 수 있다.
상기 불량 발생 원인을 검출하는 단계는, 미리 설정된 기간 동안 상기 금형 카운터에 설치된 카메라로부터 성형품을 촬영한 이미지를 획득하고, 상기 이미지를 분석하여 상기 성형품의 불량 여부를 판단하는 단계, 불량으로 판단된 성형품을 제작한 금형의 작동 횟수에 비례하여 횟수 가중치를 결정하고, 불량으로 판단된 성형품을 제작한 금형의 제작 주기와 상기 결정된 주기의 일치율에 기반하여 주기 가중치를 결정하는 단계, 불량으로 판단된 성형품의 이미지를 분석하고, 상기 분석 결과가 색상과 관련된 경우 온도 가중치를 높게 결정하고, 상기 분석 결과가 형상과 관련된 경우 진동 가중치를 높게 결정하는 단계, 및 상기 불량으로 판단된 성형품의 이미지, 상기 횟수 가중치, 상기 주기 가중치, 상기 온도 가중치 및 상기 진동 가중치를 제2 인공신경망에 적용하여, 성형품의 불량 원인을 검출하는 단계를 포함할 수 있다.
상기 불량 발생 시점을 예측하는 단계는, 불량으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴과, 정상으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴을 각각 비교하는 단계, 상기 패턴의 차이가 미리 설정된 기준을 만족하는 구간을 확인하는 단계, 및 상기 구간을 불량 발생 시점으로 예측하는 단계를 포함할 수 있다.
상기 방법은, 금형의 다음 제작 주기에서 상기 불량 발생 시점에 대응하는 시점인 불량 예상 시점과 현재 시점 사이의 기간인 예비 구간이 미리 설정된 구간 미만인 경우, 상기 금형의 작동을 정지하는 정지 신호를 출력하는 단계; 및 상기 불량으로 판단된 성형품의 이미지를 관리자의 단말로 전송하는 단계;를 더 포함할 수 있다.
상기 이미지를 상기 관리자의 단말로 전송하는 단계는, 미리 설정된 기간 동안 상기 이미지 중에서 상기 불량으로 판단된 성형품의 이미지의 비율을 산출하는 단계, 상기 비율에 따라 상기 불량으로 판단된 성형품의 이미지의 밝기를 결정하는 단계, 상기 불량 원인에 따라 미리 설정된 색상으로 이미지의 색상을 결정하는 단계, 상기 불량 원인의 비율에 따라 채도를 변경하여 이미지의 채도를 결정하는 단계, 및 상기 밝기, 상기 색상 및 상기 채도가 적용된 이미지를 상기 관리자의 단말로 전송하는 단계를 포함할 수 있다.
상기 방법은, 상기 관리자의 단말로부터 관리자 정보 및 금형의 금형 정보를 각각 획득하는 단계; 상기 금형의 상태를 확인하기 위해, 미리 정해진 기간 마다 상기 금형의 성능을 평가한 평가 정보를 획득하는 단계; 제1 시점에 상기 금형의 성능을 평가한 제1 평가 정보가 획득되면, 상기 제1 평가 정보를 기반으로, 상기 제1 시점에 대한 상기 금형의 성능을 나타내는 제1 성능 지표를 산출하는 단계; 상기 제1 시점 이후의 제2 시점에 상기 금형의 성능을 평가한 제2 평가 정보가 획득되면, 상기 제2 평가 정보를 기반으로, 상기 제2 시점에 대한 상기 금형의 성능을 나타내는 제2 성능 지표를 산출하는 단계; 상기 제1 성능 지표 및 상기 제2 성능 지표를 비교하여, 상기 제1 시점부터 상기 제2 시점까지 상기 금형에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석하는 단계; 상기 제1 성능 변동 추세에 대한 분석 결과를 제3 인공신경망(300)에 적용하여, 상기 제3 인공신경망(300)의 출력을 기초로, 상기 금형에서 불량이 발생할 수 있는 확률인 불량 발생률을 예측하는 단계; 상기 금형의 불량 발생 히스토리를 기반으로, 상기 금형에서 불량이 발생한 일자를 확인하여, 불량의 발생 주기를 분석하는 단계; 불량의 발생 주기에 기초하여, 상기 금형에서 불량이 발생할 것으로 예상되는 불량 발생 예상일을 예측하는 단계; 상기 불량 발생 예상일까지 남아있는 일자가 제1 일자로 확인된 경우, 상기 제1 일자가 미리 설정된 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 불량 발생률에 대한 조정이 필요하지 않은 것으로 판단하는 단계; 상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 상기 불량 발생률을 곱한 값으로 상기 불량 발생률을 조정하는 단계; 및 상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 상기 불량 발생률을 곱한 값으로 상기 불량 발생률을 조정하는 단계를 더 포함할 수 있다.
상기 출력 신호를 생성하는 단계는, 상기 성형품 정보, 상기 작동 횟수 정보, 상기 주기 정보, 상기 온도 변화 패턴, 상기 진동 변화 패턴에 기초하여 입력 신호를 생성하는 단계, 상기 입력 신호를 상기 제1 인공신경망-상기 제1 인공신경망은 트레이닝 성형품 정보들, 트레이닝 작동 횟수 정보들, 트레이닝 주기 정보들, 트레이닝 온도 변화 패턴들, 트레이닝 진동 변화 패턴들, 출력 신호들, 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들에 기초하여 미리 학습됨-에 적용하여 출력 신호를 생성하는 단계, 및 상기 출력 신호에 기초하여 상기 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 생성하는 단계를 포함할 수 있다.
상기 트레이닝 성형품 생산 품질들, 상기 트레이닝 성형품 생산 시간들 및 상기 트레이닝 금형 수명들은 상기 트레이닝 성형품 정보들, 상기 트레이닝 작동 횟수 정보들, 상기 트레이닝 주기 정보들, 상기 트레이닝 온도 변화 패턴들, 상기 트레이닝 진동 변화 패턴들에 각각 대응하는 가중치들이고, 상기 출력 신호들은 상기 트레이닝 성형품 생산 품질들, 상기 트레이닝 성형품 생산 시간들 및 상기 트레이닝 금형 수명들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 출력 신호들 및 상기 트레이닝 성형품 생산 품질들, 상기 트레이닝 성형품 생산 시간들 및 상기 트레이닝 금형 수명들의 차이에 기초하여 트레이닝 에러들을 최소화하여 학습될 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 인공지능을 기반으로 온도 및 진동 센서로부터 획득한 데이터를 활용하여 금형의 이상 여부를 판단할 수 있다.
실시예들은 금형의 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴을 기반으로 인공 신경망을 학습시키도록 하여, 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정하거나, 특정 금형을 통한 성형품의 생산 시간 및 특정 금형의 수명을 결정할 수 있다.
실시예들은 성형품을 촬영한 이미지로부터 성형품의 불량 원인을 검출하고, 불량이 발생한 불량 발생 시점을 예측할 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 성형품의 불량 발생 원인을 검출하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 성형품의 불량 발생 시점을 예측하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 금형의 작동을 정지하는 정지 신호를 출력하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 불량으로 판단된 성형품의 이미지를 관리자의 단말로 전송하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 인공신경망의 학습을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 불량 발생 주기에 따라 불량 발생률을 예측하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 성형품의 불량 발생 원인을 검출하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 성형품의 불량 발생 시점을 예측하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 금형의 작동을 정지하는 정지 신호를 출력하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 불량으로 판단된 성형품의 이미지를 관리자의 단말로 전송하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 인공신경망의 학습을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 불량 발생 주기에 따라 불량 발생률을 예측하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 금형(10), 관리자의 단말(20) 및 장치(30)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
금형(10)은 규격이 동일한 제품을 대량 생산하기 위해 금속재료를 사용해 만든 형틀을 의미할 수 있다.
금형(10)은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 기업에서 사용하는 PC, 서버, 네트워크 라우터 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결되어 통신을 수행할 수 있는 다양한 형태의 장치로 구현될 수도 있다.
금형(10)은 금형 카운터, 탈부착 센서, 온도 센서 및 진동 센서를 포함할 수 있다. 이때, 금형 카운터는 금형에서 제품을 찍어내는 샷의 개수와 주기를 카운팅할 수 있으며, 온도, 금형 탈부착 여부, 충격 및 진동에 대한 센싱 정보 탈부착 센서, 온도 센서 및 진동 센서로부터 획득할 수 있다.
이때, 금형(10)에 구비된 금형 카운터, 탈부착 센서, 온도 센서 및 진동 센서는 통신망을 통해 장치(30)와 유무선으로 신호를 송수신할 수 있다.
관리자의 단말(20)은 본 발명에 따른 성형품을 제작하는 금형 장비를 관리하는 관리자가 사용하는 단말일 수 있다. 관리자의 단말(20)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 관리자의 단말(20)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
관리자의 단말(20)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 관리자의 단말(20)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
관리자의 단말(20)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 관리자의 단말(20)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
관리자의 단말(20)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
이하에서는 설명의 편의상 시스템에 포함된 복수의 전자 장비를 제1 전자 장비(110) 및 제2 전자 장비(120)로 한정하여 설명하지만, 이에 제한되지 않으며, 더 많은 전자 장비가 시스템에 포함될 수 있는 것은 물론이다.
장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 금형(10) 및 관리자의 단말(20)과 유무선으로 통신하도록 구성될 수 있으며, 금형(10) 및 관리자의 단말(20)의 동작을 제어하고, 금형(10) 및 관리자의 단말(20)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 금형(10) 및 관리자의 단말(20)만을 도시하였으나, 장비들의 수 및 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공신경망을 포함할 수 있다.
장치(30)는 인공지능을 기반으로 온도 및 진동 센서로부터 획득한 데이터를 활용하여 금형의 이상 여부를 판단할 수 있다.
장치(30)는 금형(10)의 작동을 중지하는 동작, 작동을 시작하는 동작 등을 포함하는 제어 동작을 수행하기 위한 제어 신호를 출력하여 금형(10)의 작동 상태를 제어할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 일실시예에 따른 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(30)는 금형을 통해 제작되는 성형품의 형상 및 크기에 대한 성형품 정보를 획득할 수 있다. 이때, 성형품은 금형을 통해 제작되는 상품을 의미할 수 있으며, 성형품 정보는 예를 들어 성형품의 형상, 크기, 용도, 사용되는 재료, 성형품 품목, 성형품 품목 코드 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
이때, 장치(30)는 성형품 정보를 성형품을 제작하는 금형을 관리하는 관리자의 단말(20)로부터 입력된 성형품 정보를 수신하여 성형품 정보를 획득할 수도 있으나, 이에 한정되지는 않는다.
장치(30)는 금형을 통해 제작되는 성형품 정보를 획득하고, 데이터베이스에 성형품 정보를 저장할 수 있다.
S202 단계에서, 장치(30)는 미리 설정된 기간 동안 금형 작동 횟수 정보, 금형 제작 주기 정보, 금형의 온도 정보 및 진동 정보를 획득할 수 있다. 이때, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다.
금형(10)은 금형 카운터, 탈부착 센서, 온도 센서 및 진동 센서를 포함할 수 있다. 이때, 금형 카운터는 금형에서 제품을 찍어내는 샷의 개수와 주기를 카운팅할 수 있으며, 온도, 금형 탈부착 여부, 충격 및 진동에 대한 센싱 정보 탈부착 센서, 온도 센서 및 진동 센서로부터 획득할 수 있다.
이때, 금형(10)에 구비된 금형 카운터, 탈부착 센서, 온도 센서 및 진동 센서는 통신망을 통해 장치(30)와 유무선으로 신호를 송수신할 수 있다.
장치(30)는 금형 작동 횟수 정보, 금형 제작 주기 정보, 온도 정보, 진동 정보를 데이터베이스에 저장할 수 있다.
이때, 장치(30)는 금형(10)에 설치된 금형 작동 횟수(Shot Count)를 측정할 수 있는 금형 카운터로부터 금형 작동 횟수 정보 및 금형 제작 주기(Cycle Time) 정보를 획득할 수 있다. 이때, 금형 제작 주기는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간을 의미할 수 있으며, 금형 제작 주기 정보는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간에 대한 정보를 의미할 수 있다.
장치(30)는 온도 센서로부터 측정한 금형의 온도 정보를 획득하고, 진동 센서로부터 측정한 금형의 진동 정보를 획득할 수 있다.
이때, 온도 센서 및 진동 센서는 금형(10)에 설치될 수 있으며, 온도 센서와 진동 센서의 개수는 동일할 수 있지만, 이에 대해서는 한정하지 않는다. 또한, 온도 센서 및 진동 센서는 서로 쌍으로 인접하여 설치될 수 있지만 이에 한정되지는 않는다. 금형에 설치된 센서의 배치 위치, 배치 간격, 배치 형상, 사이즈 등은 변형 가능하다.
온도 센서 및 진동 센서 등의 센서가 설치되는 것으로 설명되고 있지만, 추가적으로 다른 종류의 센서들이 설치될 수 있으며, 다른 종류의 센서들은 금형 내에 설치될 수 있다.
S203 단계에서, 장치(30)는 온도 정보의 변화에 따른 금형의 온도 변화 패턴을 확인할 수 있다.
장치(30)는 온도 센서로부터 금형의 온도 정보를 획득하고, 온도 정보의 변화에 따라 금형의 온도 변화 패턴을 확인할 수 있다. 구체적으로, 장치(30)는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간인 금형 제작 주기를 기준으로 온도 정보를 기록할 수 있으며, 금형 제작 주기에 따라 금형의 온도 정보의 변화에 따른 금형의 온도 변화 패턴을 확인할 수 있다.
예를 들어, 금형 제작 주기가 30초인 경우, 장치(30)는 30초 마다 금형의 온도 정보의 변화에 따른 금형의 온도 변화 패턴을 확인할 수 있다.
S204 단계에서, 장치(30)는 진동 정보의 변화에 따른 금형의 진동 변화 패턴을 확인할 수 있다.
장치(30)는 진동 센서로부터 금형의 진도 정보를 획득하고, 진동 정보의 변화에 따라 금형의 진동 변화 패턴을 확인할 수 있다. 구체적으로, 장치(30)는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간인 금형 제작 주기를 기준으로 진동 정보를 기록할 수 있으며, 금형 제작 주기에 따라 금형의 진동 정보의 변화에 따른 금형의 진동 변화 패턴을 확인할 수 있다.
예를 들어, 금형 제작 주기가 30초인 경우, 장치(30)는 30초 마다 금형의 진동 정보의 변화에 따른 금형의 진동 변화 패턴을 확인할 수 있다.
S205 단계에서, 장치(30)는 제1 인공신경망(100)을 학습할 수 있다. 이때, 제1 인공신경망(100)을 학습하는 과정에 대한 자세한 설명은 도 7을 참조하여 후술하기로 한다.
구체적으로, 장치(30)는 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴을 제1 인공신경망(100)에 입력 신호로 설정하고, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 출력 신호로 설정하여, 제1 인공신경망(100)을 학습시킬 수 있다.
이때, 입력 신호에서, 성형품 정보는 성형품 품목 코드에 대응하는 미리 설정된 값으로 설정될 수 있다. 예를 들어, 성형품 품목에 따른 성형품 품목 코드가 111, 222, 333, 444, 555로 설정된 경우, 성형품 품목 코드에 따른 입력값이 각각 0.1, 0.2, 0.3, 0.4, 0.5로 미리 설정될 수 있다. 장치(30)의 데이터베이스에는 성형품의 품목 코드에 따른 입력 값이 미리 설정되어 저장되어 있을 수 있다.
이때, 입력 신호에서, 작동 횟수 정보는 금형의 작동 횟수에 대응하는 입력 값으로 설정될 수 있다. 예를 들어, 금형의 작동 횟수가 3000회인 경우, 입력 신호에서의 작동 횟수 정보에 대한 입력 값이 3으로 설정될 수 있다.
이때, 입력 신호에서, 주기 정보는 금형의 금형 제작 주기에 대응하는 입력 값으로 설정될 수 있다. 예를 들어, 금형의 금형 제작 주기가 2시간 30분인 경우, 입력 신호에서의 주기 정보에 대한 입력 값이 2.5로 설정될 수 있다.
이때, 입력 신호에서, 온도 변화 패턴은 성형품을 제작하는 금형 제작 주기 중에서의 특정 시점에 대한 온도 값에 대응하는 입력 값으로 설정될 수 있으나, 온도 변화 패턴에 대한 입력 값을 설정하는 방법은 이에 한정되지 않고, 실시예에 따라 상이하게 설정될 수 있다.
이때, 입력 신호에서, 진동 변화 패턴은 성형품을 제작하는 금형 제작 주기 중에서의 특정 시점에 대한 진동 값에 대응하는 입력 값으로 설정될 수 있으나, 진동 변화 패턴에 대한 입력 값을 설정하는 방법은 이에 한정되지 않고, 실시예에 따라 상이하게 설정될 수 있다.
이때, 출력 신호에서, 성형품 생산 품질은 성형품의 생산 품질에 대응하는 출력 값으로 설정될 수 있다. 예를 들어, 성형품 생산 품질이 최상, 상, 중, 하 및 최하로 설정된 경우, 성형품 생산 품질에 따라 출력 값이 각각 5, 4, 3, 2, 1로 설정될 수 있다.
이때, 출력 신호에서, 성형품 생산 시간은 성형품의 생산 시간에 대응하는 출력 값으로 설정될 수 있다.
이때, 출력 신호에서, 금형 수명은 금형 수명에 대응하는 실수 값으로 출력 값이 설정될 수 있다. 예를 들어, 금형 수명이 5년인 경우, 출력 값이 5로 설정될 수 있으며, 금형 수명이 4년인 경우, 출력 값이 4로 설정될 수 있다.
장치(30)는 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴을 제1 인공신경망(100)에 입력 신호로 설정하고, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 출력 신호로 설정하여 제1 인공신경망(100)을 학습하도록 함으로써, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명에 대하여 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴과의 상관 관계를 학습하도록 하여, 성형품을 제작하는데 있어서 최적의 금형의 작동 횟수, 주기, 온도 및 진동을 결정하거나, 특정 금형을 통한 성형품의 생산 시간, 특정 금형의 수명을 결정하도록 하여, 성형품의 품질을 향상시키고, 제작 과정에 있어서 공정 손실을 최소화할 수 있다는 장점이 있으며, 제작 조건을 최적화하고, 금형의 관리 기준을 수립할 수 있도록 할 수 있다.
S206 단계에서, 장치(30)는 학습된 제1 인공신경망(100)에 기반하여 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정할 수 있다.
일실시예에 따르면, 장치(30)는 학습된 제1 인공신경망(100)의 역함수를 이용하여, 특정 성형품에 대한 성형품 생산 품질, 성형품 생산 시간 및 금형 수명에 대한 입력 값을 제1 인공신경망(100)의 역함수에 적용하여, 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 출력 신호로 획득할 수 있다. 장치(30)는 출력 신호로부터, 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정할 수 있다.
S207 단계에서, 장치(30)는 학습된 제1 인공신경망(100)에 기반하여 특정 금형을 통한 성형품의 생산 시간 및 특정 금형의 수명을 결정할 수 있다.
일실시예에 따르면, 장치(30)는 학습된 제1 인공신경망(100)에 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴 및 진동 변화 패턴을 입력 신호로 입력하면, 특정 금형을 통한 성형품의 생산 시간 및 특정 금형의 수명에 대한 출력 신호를 획득할 수 있으며, 출력 신호로부터 특정 성형품의 생산 시간 및 특정 금형의 수명을 결정할 수 있다.
S208 단계에서, 장치(30)는 온도 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다.
장치(30)는 온도 센서로부터 금형의 온도 정보를 획득하고, 온도 정보의 변화에 따라 금형의 온도 변화 패턴을 확인할 수 있다. 구체적으로, 장치(30)는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간인 금형 제작 주기를 기준으로 온도 정보를 기록할 수 있으며, 금형 제작 주기에 따라 금형의 온도 정보의 변화에 따른 금형의 온도 변화 패턴을 확인할 수 있다.
일실시예에 따르면, 장치(30)는 미리 설정된 기간 동안 금형의 온도 정보를 온도 센서로부터 획득하고, 금형 제작 주기마다 온도 정보에 변화에 따른 온도 변화 패턴을 확인할 수 있다. 예를 들어, 장치(30)는 금형 제작 주기를 제1 구간, 제2 구간, 제3 구간 및 제4 구간으로 분류하고, 각 구간 별 온도 정보의 평균 값을 산출하여 온도 변화 패턴을 확인할 수 있으며, 온도 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경할 수 있다.
예를 들어, 금형 제작 주기가 40분이고, 0분~10분 사이의 구간을 제1 구간, 11분~20분 사이의 구간을 제2 구간, 21분~30분 사이의 구간을 제3 구간, 31분~40분 사이의 구간을 제4 구간으로 분류한 경우, 장치(30)는 제1 구간의 온도 정보의 평균 값, 제2 구간의 온도 정보의 평균 값, 제3 구간의 온도 정보의 평균 값 및 제4 구간의 온도 정보의 평균 값을 산출할 수 있으며, 온도 변화의 변화 정도가 미리 설정된 기준 이상인 것으로 판단되면, 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경할 수 있다.
장치(30)는 제작 온도를 변경하도록 요청하는 알림 메시지를 관리자의 단말(20)로 전송할 수도 있으며, 제작 온도를 변경하도록 금형 카운터로 제어 신호를 전송할 수도 있으나, 제작 온도를 변경하는 방법은 이에 한정되지 않고, 다양한 방법으로 실행될 수 있다.
S209 단계에서, 장치(30)는 진동 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 진동 변화 요소를 변경할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다.
이때, 진동 변화 요소는 금형이 작동하는 동안 진동을 발생시키는 동작을 의미할 수 있으며, 예를 들어, 진동 변화 요소는 금형이 움직이는 동작, 금형에 레진을 투입하는 동작, 보압하는 동작, 사출 압력을 가하는 동작으로 구성될 수 있으나, 이에 한정되지는 않는다.
장치(30)는 진동 센서로부터 금형의 진도 정보를 획득하고, 진동 정보의 변화에 따라 금형의 진동 변화 패턴을 확인할 수 있다. 구체적으로, 장치(30)는 하나의 성형품을 제작하는데 필요한 단계를 모두 완료하는데 필요한 시간인 금형 제작 주기를 기준으로 진동 정보를 기록할 수 있으며, 금형 제작 주기에 따라 금형의 진동 정보의 변화에 따른 금형의 진동 변화 패턴을 확인할 수 있다.
일실시예에 따르면, 장치(30)는 미리 설정된 기간 동안 금형의 진동 정보를 진동 센서로부터 획득하고, 금형 제작 주기마다 진동 정보에 변화에 따른 진동 변화 패턴을 확인할 수 있다. 예를 들어, 장치(30)는 금형 제작 주기를 제1 구간, 제2 구간, 제3 구간 및 제4 구간으로 분류하고, 각 구간 별 진동 정보의 평균 값을 산출하여 진동 변화 패턴을 확인할 수 있으며, 진동 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 진동 변화 요소를 변경할 수 있다.
예를 들어, 금형 제작 주기를 금형이 움직이는 동작을 수행하는 제1 구간, 금형에 레진을 투입하는 동작을 수행하는 제2 구간, 보압하는 동작을 수행하는 제3 구간, 사출 압력을 가하는 동작을 수행하는 제4 구간으로 분류한 경우, 장치(30)는 제1 구간의 진동 정보의 평균 값, 제2 구간의 진동 정보의 평균 값, 제3 구간의 진동 정보의 평균 값 및 제4 구간의 진동 정보의 평균 값을 산출할 수 있으며, 진동 변화의 변화 정도가 미리 설정된 기준 이상인 것으로 판단되면, 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 진동 변화 요소를 변경할 수 있다.
예를 들어, 제3 구간의 진동 변화 패턴의 변화 정도가 미리 설정된 기준 이상인 것으로 판단되면, 제3 구간의 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 보압하는 동작을 변경하도록 제어할 수 있다.
장치(30)는 진동 변화 요소를 변경하도록 요청하는 알림 메시지를 관리자의 단말(20)로 전송할 수도 있으며, 진동 변화 요소를 변경하도록 금형 카운터로 제어 신호를 전송할 수도 있으나, 제작 온도를 변경하는 방법은 이에 한정되지 않고, 다양한 방법으로 실행될 수 있다.
도 3은 일실시예에 따른 성형품의 불량 발생 원인을 검출하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(30)는 미리 설정된 기간 동안 금형 카운터에 설치된 카메라로부터 성형품을 촬영한 이미지를 획득하고, 이미지를 분석하여 성형품의 불량 여부를 판단할 수 있다. 이때, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다. 금형 카운터에는 성형품을 촬영하기 위한 카메라가 설치될 수 있으며, 카메라는 통신망을 통해 장치(30)와 유무선으로 통신할 수 있으며, 카메라로부터 촬영된 이미지를 획득하고, 데이터베이스에 이미지를 저장할 수 있다.
장치(30)는 미리 설정된 기간 동안 금형 카운터에 설치된 카메라로부터 성형품을 촬영한 이미지를 획득하고, 이미지를 분석하여 성형품의 불량 여부를 판단할 수 있다. 예를 들면, 장치(30)는 성형품을 촬영한 이미지를 분석하여 성형품에 싱크 마크(Sink Mark) 생성 여부, 기포 생성 여부, 모양 변형 여부, 백화(Stress Whitening) 발생 여부, 균열(Stress Creaks) 발생 여부, 충전재 부족 여부 등을 판단하여, 성형품의 불량 여부를 판단할 수 있다.
S302 단계에서, 장치(30)는 불량으로 판단된 성형품을 제작한 금형의 작동 횟수에 비례하여 횟수 가중치를 결정할 수 있다.
일실시예에 따르면, 장치(30)는 불량으로 판단된 성형품을 제작한 금형의 작동 횟수에 대한 정보를 금형 카운터로부터 획득할 수 있으며, 금형의 작동 횟수가 많을수록 횟수 가중치를 높게, 금형의 작동 횟수가 적을수록 횟수 가중치를 낮게 설정할 수 있다.
S303 단계에서, 장치(30)는 불량으로 판단된 성형품을 제작한 금형의 제작 주기와 결정된 주기의 일치율에 기반하여 주기 가중치를 결정할 수 있다.
일실시예에 따르면, 장치(30)는 불량으로 판단된 성형품을 제작한 금형의 제작 주기에 대한 정보를 금형 카운터로부터 획득할 수 있으며, S206 단계에서 결정된 금형의 제작 주기와 불량으로 판단된 성형품을 제작한 금형의 제작 주기를 비교하여 일치율을 산출할 수 있으며, 일치율이 낮을수록 주기 가중치를 높게 생성하고, 일치율이 높을수록 주기 가중치를 낮게 생성할 수 있다.
S304 단계에서, 장치(30)는 불량으로 판단된 성형품의 이미지를 분석하고, 분석 결과가 색상과 관련된 경우 온도 가중치를 높게 결정할 수 있다. 이때, 장치(30)는 이미지 분석 결과, 성형품이 불량으로 판단된 요인이 백화(Stress Whitening) 발생인 경우, 분석 결과를 색상과 관련된 것으로 판단할 수 있다.
S305 단계에서, 장치(30)는 분석 결과가 형상과 관련된 경우 진동 가중치를 높게 결정할 수 있다.
이때, 장치(30)는 이미지 분석 결과, 성형품이 불량으로 판단된 요인이 싱크 마크(Sink Mark) 생성, 기포 생성, 모양 변형, 균열(Stress Creaks) 발생, 충전재 부족인 경우, 분석 결과를 색상과 관련된 것으로 판단할 수 있다.
일실시예에 따르면, 장치(30)는 불량으로 판단된 성형품의 이미지를 분석하여, 불량으로 판단된 요인이 성형품의 색상에 관련된 것인지, 성형품의 형상과 관련된 것인지를 판단할 수 있다.
장치(30)는 이미지 분석 결과가 색상과 관련된 경우, 온도 가중치를 상대적으로 높게 생성하고, 진동 가중치를 상대적으로 낮게 생성할 수 있으며, 이미지 분석 결과가 형상과 관련된 경우, 온도 가중치를 상대적으로 낮게, 진동 가중치를 상대적을 높게 생성할 수 있다.
S306 단계에서, 장치(30)는 불량으로 판단된 성형품의 이미지, 횟수 가중치, 주기 가중치, 온도 가중치 및 진동 가중치를 제2 인공신경망(200)에 적용할 수 있다.
이때, 제2 인공신경망(200)은 이미지 분석 알고리즘을 포함할 수 있으며, 장치(30)는 이미지 분석 알고리즘을 포함하는 제2 인공신경망(200)에 불량으로 판단된 성형품의 이미지를 입력하여, 성형품의 불량 원인을 검출할 수 있다. 여기서, 제2 인공신경망(200)은 불량으로 판단된 성형품의 이미지, 횟수 가중치, 주기 가중치, 온도 가중치 및 진동 가중치를 입력으로 받아, 성형품의 불량 원인을 출력하는 알고리즘일 수 있다.
장치(30)는 제2 인공신경망(200)을 이용하여, 불량으로 판단된 성형품의 이미지를 분석하여, 불량으로 판단된 성형품의 불량 원인을 확인할 수 있다.
제2 인공신경망(200)은 특정 이미지와 특정 이미지가 가리키는 정보를 학습 데이터로써 기 학습된 인공신경망일 수 있으나, 이에 한정되지는 않는다.
여기서, 장치(30)는 제2 인공신경망(200)에서 수행되는 이미지 분석의 입력 값으로써, 불량으로 판단된 성형품의 이미지를 이용할 수 있으며, 이미지 분석 이후에는 이미지 분석 학습을 위한 학습 데이터로써 이용할 수 있으나, 이에 한정되지는 않는다.
S307 단계에서, 장치(30)는 성형품의 불량 원인을 검출할 수 있다.
예를 들어, 장치(30)는 제2 인공신경망(200)의 출력을 기초로, 제2 인공신경망(200)의 출력 값이 1인 경우, 불량 원인이 금형의 작동 횟수인 것으로 확인할 수 있고, 제2 인공신경망(200)의 출력 값이 2인 경우, 불량 원인이 금형의 제작 주기인 것으로 확인할 수 있고, 제2 인공신경망(200)의 출력 값이 3인 경우, 불량 원인이 온도인 것으로 확인할 수 있고, 제2 인공신경망(200)의 출력 값이 4인 경우, 불량 원인이 진동인 것으로 확인할 수 있다.
일실시예에 따르면, 제2 인공신경망(200)은 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭한 매칭 결과를 통해 성형품의 불량 원인을 추출하도록 학습될 수 있다.
제2 인공신경망(200)의 학습이 이루어지는 학습 장치는 학습된 인공신경망을 이용하여 성형품의 불량 원인을 도출하는 장치(30)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공신경망(200)이 학습되는 과정을 설명한다.
학습 장치는 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 학습 장치는 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭한 매칭 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공신경망(200)의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
학습 장치는 제2 인공신경망(200)에 입력을 적용할 수 있다. 제2 인공신경망(200)은 강화 학습(reinforcement learning)에 따라 학습되는 제2 인공신경망(200)일 수 있다. 제2 인공신경망(200)은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 제2 인공신경망(200)은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 보상은 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 선별하여 추출할수록 보상값이 높아질 수 있다.
학습 장치는 제2 인공신경망(200)으로부터 출력을 획득할 수 있다. 제2 인공신경망(200)의 출력은 불량으로 판단된 요인에 대한 이미지 분석 결과에 대한 정보를 포함할 수 있다.
즉, 제2 인공신경망(200)은 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭한 매칭 결과를 통해, 불량으로 판단된 요인에 대한 이미지 분석 결과를 출력할 수 있다.
학습 장치는 제2 인공신경망(200)의 출력을 평가하여 보상을 지급할 수 있다.
구체적으로, 학습 장치는 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭하여 추출할수록 보상을 많이 수여할 수 있다.
학습 장치는 평가를 기초로 제2 인공신경망(200)을 갱신할 수 있다.
구체적으로, 학습 장치는 제2 인공신경망(200)이 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 매칭한 매칭 결과를 통해, 불량 원인과 불량으로 판단된 요인에 대한 이미지 분석 결과를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공신경망(200)을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
학습 장치는 상기와 같은 제2 인공신경망(200)의 학습 과정을 반복함으로써, 제2 인공신경망(200)을 점진적으로 갱신시킬 수 있다.
장치(30)는 성형품을 촬영한 이미지의 분석 결과, 금형의 작동 횟수, 금형의 제작 주기를 기반으로 제2 인공신경망을 이용하여 성형품의 불량 원인을 검출하도록 함으로써, 성형품의 불량이 발생하였을 때, 성형품의 이미지를 통해 불량 원인을 용이하게 관리자가 확인할 수 있도록 하고, 검출된 불량 원인 제공을 통해 공정 시 발생한 문제점을 분석하도록 하여, 성형품 제작에 있어서 수율을 향상시킬 수 있도록 도움을 줄 수 있다.
도 4는 일실시예에 따른 성형품의 불량 발생 시점을 예측하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(30)는 불량으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴과, 정상으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴을 각각 비교할 수 있다.
장치(30)는 금형 카운터에 설치된 카메라로부터 성형품을 촬영한 이미지를 획득하고, 이미지 분석을 통해 성형품의 불량 여부를 판단할 수 있다.
장치(30)는 불량으로 판단된 성형품의 온도 변화 패턴, 진동 변화 패턴과 정상으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴을 각각 데이터베이스로부터 획득할 수 있다.
S402 단계에서, 장치(30)는 패턴의 차이가 미리 설정된 기준을 만족하는 구간을 확인할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다.
일실시예에 따르면, 장치(30)는 금형 제작 주기마다 온도 정보에 변화에 따른 온도 변화 패턴 및 진동 변화에 따른 진동 변화 패턴을 확인할 수 있다. 예를 들어, 장치(30)는 금형 제작 주기를 제1 구간, 제2 구간, 제3 구간 및 제4 구간으로 분류하고, 각 구간 별 온도 정보의 평균 값을 산출하여 온도 변화 패턴을 확인할 수 있으며, 각 구간 별 진동 정보의 평균 값을 산출하여 진동 변화 패턴을 확인할 수 있다.
S403 단계에서, 장치(30)는 구간을 불량 발생 시점으로 예측할 수 있다.
예를 들어, 장치(30)는 제1 구간에서의 불량으로 판단된 성형품의 온도 변화 패턴 및 정상으로 판단된 성형품의 온도 변화 패턴을 비교할 수 있다. 즉, 장치(30)는 제1 구간에서의 불량으로 판단된 성형품의 온도 정보의 평균 값 및 제1 구간에서의 정상으로 판단된 성형품의 온도 정보의 평균 값을 비교할 수 있으며, 제1 구간에서의 각 평균 값의 차이 값이 미리 설정된 기준을 만족하는 경우, 제1 구간을 불량 발생 시점으로 예측할 수 있다.
예를 들어, 장치(30)는 제3 구간에서의 불량으로 판단된 성형품의 진동 변화 패턴 및 정상으로 판단된 성형품의 진동 변화 패턴을 비교할 수 있다. 즉, 장치(30)는 제3 구간에서의 불량으로 판단된 성형품의 진동 정보의 평균 값 및 제3 구간에서의 정상으로 판단된 성형품의 진동 정보의 평균 값을 비교할 수 있으며, 제3 구간에서의 각 평균 값의 차이 값이 미리 설정된 기준을 만족하는 경우, 제3 구간을 불량 발생 시점으로 예측할 수 있다.
장치(30)는 온도 센서 및 진동 센서로부터 획득한 금형의 온도 변화 패턴 및 진동 변화 패턴을 분석하여, 불량이 발생한 시점을 예측하도록 하여, 성형품 제작 과정에서 어떤 시점 혹은 어떤 동작에서 불량이 발생하였는지를 파악할 수 있도록 하여, 성형품 생산에 있어서 불량률을 개선할 수 있도록 한다.
도 5는 일실시예에 따른 금형의 작동을 정지하는 정지 신호를 출력하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(30)는 예비 구간이 미리 설정된 구간 미만인 경우, 금형의 작동을 정지하는 정지 신호를 출력할 수 있다. 여기서, 예비 구간은 금형의 다음 제작 주기에서 불량 발생 시점에 대응하는 시점인 불량 예상 시점과 현재 시점 사이의 기간을 의미할 수 있다. 이때, 미리 설정된 구간은 실시예에 따라 상이하게 설정될 수 있다.
장치(30)는 예비 구간이 촉박한 경우, 금형의 작동을 중지하도록 하여, 불량품이 더 이상 발생하지 않도록 금형의 동작을 제어할 수 있으며, 금형의 작동을 중지시키고 관리자에게 불량이 발생한 성형품에 대한 이미지 또는 정보를 전송하도록 하여, 불량이 발생하지 않도록 금형을 지속적으로 관리할 수 있도록 한다.
S502 단계에서, 장치(30)는 불량으로 판단된 성형품의 이미지를 관리자의 단말(20)로 전송할 수 있다.
장치(30)는 예비 구간이 미리 설정된 구간 미만인 경우 및 예비 구간이 미리 설정된 구간 이상인 경우 모두 불량으로 판단된 이미지를 관리자의 단말(20)로 전송할 수 있다.
이때, 불량으로 판단된 성형품의 이미지를 관리자의 단말(20)로 전송하는 과정에 대한 자세한 설명은 도 6을 참조하여 후술하기로 한다.
도 6은 일실시예에 따른 불량으로 판단된 성형품의 이미지를 관리자의 단말(20)로 전송하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(30)는 미리 설정된 기간 동안 이미지 중에서 불량으로 판단된 성형품의 이미지의 비율을 산출할 수 있다. 이때, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다.
일실시예에 따르면, 장치(30)는 미리 설정된 기간 동안 금형 카운터로부터 획득한 이미지 중에서 불량으로 판단된 성형품의 이미지가 차지하는 비율을 산출할 수 있다.
S602 단계에서, 장치(30)는 비율에 따라 불량으로 판단된 성형품의 이미지의 밝기를 결정할 수 있다. 일실시예에 따르면, 장치(30)는 비율이 높을수록 밝기를 높게 설정하고, 비율이 낮을수록 밝기를 낮게 설정할 수 있다.
S603 단계에서, 장치(30)는 불량 원인에 따라 미리 설정된 색상으로 이미지의 색상을 결정할 수 있다. 장치(30)의 데이터베이스에는 불량 원인에 따라 색상이 미리 설정되어 저장되어 있을 수 있다.
이때, 불량 원인이 금형의 작동 횟수, 금형의 제작 주기, 온도 및 진동인 경우, 금형의 작동 횟수는 빨간색으로, 금형의 제작 주기는 노란색으로, 온도는 초록색으로 진동은 파란색으로 불량 원인에 따른 색상이 미리 설정되어 장치(30)의 데이터베이스에 저장되어 있을 수 있다.
장치(30)는 불량 원인에 따른 색상에 대한 정보를 데이터베이스로부터 추출할 수 있다.
S604 단계에서, 장치(30)는 불량 원인의 비율에 따라 채도를 변경하여 이미지의 채도를 결정할 수 있다.
예를 들어, 금형의 작동 횟수에 대한 불량 원인의 비율이 10%인 경우, 불량 원인의 비율에 비례하여 이미지의 채도를 결정할 수 있다.
S605 단계에서, 장치(30)는 밝기, 색상, 채도가 적용된 이미지를 관리자의 단말(20)로 전송할 수 있다.
장치(30)는 불량으로 판단된 성형품의 비율에 기반하여 이미지의 밝기를 조절함으로써, 성형품을 제작하는 금형의 불량의 발생률을 이미지의 밝기에 따라 용이하게 확인할 수 있도록 하고, 불량 원인에 따라 이미지의 색상을 다르게 설정하고, 불량 원인의 비율에 따라 색상의 채도를 결정함으로써, 관리자가 이미지를 봤을 때, 이미지를 자세히 들여다보지 않아도 색상에 따라 불량 원인을 빠르고 편리하게 파악할 수 있으며, 불량 원인이 많이 발생할수록 색상의 채도를 진하게 표시함으로써, 불량 원인의 발생 빈도 및 심각성을 용이하게 파악하도록 할 수 있다. 장치(30)는 불량으로 판단된 비율, 불량 원인, 불량 원인의 비율에 따른 이미지의 밝기, 색상, 채도를 적용한 이미지를 관리자에게 제공함으로써, 관리자가 일일이 제작된 성형품을 분석하지 않아도, 성형품 또는 금형에 이상이 있는지 여부를 용이하게 판단할 수 있도록 하여 금형 관리의 효율성을 높이도록 할 수 있다.
도 7은 일실시예에 따른 제1 인공신경망(100)의 학습을 설명하기 위한 도면이다.
장치(30)는 성형품 정보, 작동 횟수 정보, 주기 정보, 온도 변화 패턴, 진동 변화 패턴에 기초하여 입력 신호를 생성할 수 있다.
장치(30)는 입력 신호를 제1 인공신경망(100)에 적용하여 출력 신호를 생성할 수 있다.
이때, 제1 인공신경망(100)은 트레이닝 성형품 정보들, 트레이닝 작동 횟수 정보들, 트레이닝 주기 정보들, 트레이닝 온도 변화 패턴들, 트레이닝 진동 변화 패턴들, 출력 신호들, 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들에 기초하여 미리 학습될 수 있다.
장치(30)는 출력 신호에 기초하여 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 생성할 수 있다.
이때, 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들은 트레이닝 성형품 정보들, 트레이닝 작동 횟수 정보들, 트레이닝 주기 정보들, 트레이닝 온도 변화 패턴들, 트레이닝 진동 변화 패턴들에 각각 대응하는 가중치들일 수 있다.
출력 신호들은 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들이 제1 인공신경망(100)에 적용되어 생성된 출력 신호들일 수 있다.
제1 인공신경망(100)은 출력 신호들 및 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들의 차이에 기초하여 트레이닝 에러들을 최소화하여 학습될 수 있다.
장치(30)는 성형품 생산 품질, 성형품 생산 시간 및 금형 수명의 추출을 위하여 제1 인공신경망(100)을 학습시킬 수 있다.
제1 인공신경망(100)은 트레이닝 샘플들이 입력되는 제1 입력 레이어(110)와 트레이닝 출력들을 출력하는 제1 출력 레이어(120)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 성형품 정보들, 작동 횟수 정보들, 주기 정보들, 온도 변호 패턴들 및 진동 변화 패턴들에 기초하여 정의될 수 있다. 제1 인공신경망(100)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 제1 인공신경망(100)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 인공신경망(100) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 인공신경망(100) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 성형품 정보들, 트레이닝 작동 횟수 정보들, 트레이닝 주기 정보들, 트레이닝 온도 변화 패턴들, 트레이닝 진동 변화 패턴들에 기초하여 제1 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제1 트레이닝 입력 신호들로부터 출력 신호들을 생성할 수 있다.
일실시예에 따르면, 제1 인공신경망(100)은 트레이닝 성형품 정보들, 트레이닝 작동 횟수 정보들, 트레이닝 주기 정보들, 트레이닝 온도 변화 패턴들, 트레이닝 진동 변화 패턴들 출력 신호들, 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들에 기초하여 미리 학습될 수 있다. 제1 인공신경망(100)은 출력 신호들 및 트레이닝 성형품 생산 품질들, 트레이닝 성형품 생산 시간들 및 트레이닝 금형 수명들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
도 8은 일실시예에 따른 불량 발생 주기에 따라 불량 발생률을 예측하는 과정을 설명하기 위한 순서도이다.
일실시예에 따르면, 장치(30)는 관리자의 단말(20)로부터 관리자의 관리자 정보 및 금형의 금형 정보를 획득할 수 있다. 이를 위해, 장치(30)는 데이터베이스에 관리자 별로 구분된 복수의 관리자 정보를 저장하여 관리할 수 있고, 금형 별로 구분된 복수의 금형 정보를 저장하여 관리할 수 있으며, 데이터베이스로부터 관리자 정보와 금형 정보를 각각 획득할 수 있다.
일실시예에 따르면, 관리자 정보는 관리자에 대한 정보로, 관리자의 업종, 규모 등에 대한 정보를 포함할 수 있고, 금형 정보는 금형(10)에 대한 정보로, 금형의 유형, 동작 스케줄 등에 대한 정보를 포함할 수 있다. 이때, 관리자의 업종은 통신업, 제조업 등으로 구분될 수 있고, 관리자의 규모는 중소기업, 중견기업, 대기업 등으로 구분될 수 있고, 금형의 유형은 플라스틱 금형, 프레스 금형, 다이캐스팅 금형 및 기타 금형 등으로 구분될 수 있고, 금형의 동작 스케줄은 금형이 작동하는 날짜, 시간, 요일 등을 포함하는 일정에 대한 정보를 포함할 수 있다.
장치(30)는 금형(10)와 통신으로 연결되면, 금형(10)의 IP 주소를 통해 금형(10)가 관리자에 설치되어 있는 것을 확인할 수 있다.
또한, 장치(30)는 관리자에 금형(10)가 설치될 때, 설치 기사의 요청에 의해 설치 정보가 등록되면, 설치 정보를 통해 금형(10)가 관리자에 설치되어 있는 것을 확인할 수 있다. 이때, 설치 정보는 관리자에 금형(10)가 설치된 것을 나타내는 정보로, 설치 기사의 단말을 통해 등록될 수 있다.
장치(30)는 금형(10)에서 불량이 발생할 것으로 예상되면, 금형(10)의 상태를 확인하기 위해, 미리 정해진 기간 마다 금형(10)의 성능을 평가한 평가 정보를 획득할 수 있다. 여기서, 평가 정보는 금형의 현재 성능을 평가한 정보로, 제작 속도, 제작 시간, 제작 횟수, 및 성형품 품질 등을 종합적으로 평가한 결과를 포함할 수 있으며, 금형의 작업 처리 능력에 대한 수치도 포함할 수 있다. 이를 위해, 금형(10)는 자체적으로 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성할 수 있으며, 장치(30)는 금형(10)에서 평가 정보가 생성되면, 금형(10)로부터 평가 정보를 획득할 수 있다.
장치(30)는 제1 시점에 금형(10)의 성능을 평가한 평가 정보를 제1 평가 정보로 획득할 수 있다. 즉, 금형(10)는 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성할 수 있으며, 장치(30)는 금형(10)에서 제1 평가 정보가 생성되면, 금형(10)로부터 제1 평가 정보를 획득할 수 있다.
장치(30)는 제1 평가 정보를 기반으로, 제1 시점에 대한 금형(10)의 성능을 나타내는 제1 성능 지표를 산출할 수 있다. 여기서, 제1 성능 지표는 제1 시점에 금형(10)의 성능이 어느 정도인지를 나타내는 수치이다.
장치(30)는 제1 평가 정보를 통해, 제1 시점에 금형(10)의 제작 속도, 제작 시간, 제작 횟수, 및 성형품 품질을 확인하고, 제작 속도, 제작 시간, 제작 횟수, 및 성형품 품질에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제1 성능 지표를 산출할 수 있다.
장치(30)는 제2 시점에 금형(10)의 성능을 평가한 평가 정보를 제2 평가 정보로 획득할 수 있다. 여기서, 제2 시점은 제1 시점 이후의 시점이다. 즉, 금형(10)는 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성하고 있으므로, 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성한 후, 제1 시점으로부터 미리 정해진 기간이 지나면, 제2 시점에 자신의 성능을 평가한 제2 평가 정보를 생성할 수 있으며, 장치(30)는 금형(10)에서 제2 평가 정보가 생성되면, 금형(10)로부터 제2 평가 정보를 획득할 수 있다.
장치(30)는 제2 평가 정보를 기반으로, 제2 시점에 대한 금형(10)의 성능을 나타내는 제2 성능 지표를 산출할 수 있다. 여기서, 제2 성능 지표는 제2 시점에 금형(10)의 성능이 어느 정도인지를 나타내는 수치이다.
구체적으로, 장치(30)는 제2 평가 정보를 통해, 제2 시점에 금형(10)의 제작 속도, 제작 시간, 제작 횟수, 및 성형품 품질을 확인하고, 제작 속도, 제작 시간, 제작 횟수, 및 성형품 품질에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제2 성능 지표를 산출할 수 있다.
장치(30)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 시점부터 제2 시점까지 금형(10)에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.
장치(30)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 금형(10)의 성능이 증가 또는 감소되었는지 여부를 확인할 수 있으며, 이를 통해, 금형(10)의 성능이 제1 시점부터 제2 시점까지 얼마나 변동되었는지 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.
예를 들어, 제1 성능 지표는 90으로 산출되어 있고, 제2 성능 지표는 85로 산출되어 있는 경우, 장치(30)는 제1 성능 지표 및 제2 성능 지표를 비교한 결과, 90에서 85로 성능 지표가 변경되었으므로, 제1 시점부터 제2 시점까지 금형(10)의 성능이 5만큼 감소된 것으로, 제1 성능 변동 추세를 분석할 수 있다.
장치(30)는 제1 성능 변동 추세에 대한 분석 결과를 미리 학습된 제3 인공신경망(300)에 적용할 수 있다. 여기서, 제3 인공신경망(300)은 성능 변동 추세에 대한 분석 결과를 입력 받은 후, 금형에서 불량이 발생할 수 있는 확률을 출력하는 알고리즘일 수 있다.
즉, 제3 인공신경망(300)은 성능 변동 추세에 대한 분석 결과를 기반으로, 금형의 성능이 얼마나 변동되었는지 추세를 고려하여, 금형에서 특정 불량이 발생할 수 있는 확률을 산정할 수 있다.
예를 들어, 제3 인공신경망(300)은 금형(10)에서 가장 많이 발생할 것으로 예상되는 불량의 종류가 불량으로 선정되면, 제1 성능 변동 추세에 대한 분석 결과가 5만큼 감소한 경우, -5를 입력으로 받아, 금형(10)에서 불량이 발생할 수 있는 확률을 불량 발생률로 산정할 수 있고, 불량 발생률을 지시하는 출력값을 출력할 수 있다.
장치(30)는 제3 인공신경망(300)의 출력을 기초로, 금형(10)에서 불량이 발생할 수 있는 확률을 불량 발생률로 예측할 수 있다.
일실시예에 따르면, 제3 인공신경망(300)은 성능 변동 추세에 대한 분석 결과를 통해, 금형에 불량이 발생할 확률이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제3 인공신경망(300)은 금형의 성능이 얼마나 변경되는지를 고려하여, 금형에 불량이 발생할 확률이 얼마나 되는지 분석하여 출력할 수 있다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(30)는 불량 발생 히스토리를 기반으로, 금형(10)에서 불량이 발생한 일자를 확인하여, 불량의 발생 주기를 분석할 수 있다. 이를 위해, 장치(30)는 데이터베이스에 기업에 설치된 금형 별로 구분된 불량 발생 히스토리를 저장하여 관리할 수 있으며, 데이터베이스로부터 금형(10)의 불량 발생 히스토리를 획득할 수 있다. 불량 발생 히스토리는 금형에서 발생한 불량 내역이 누적된 정보, 불량의 종류, 불량 발생일, 불량 대응 조치, 불량 해결일 등을 포함하는 정보가 리스트로 구성될 수 있다.
예를 들어, 금형(10)의 불량 발생 히스토리를 기반으로, 1월 1일, 1월 11일에 불량이 발생한 것으로 확인되면, 장치(30)는 불량의 발생 주기를 10일 간격으로 분석할 수 있다. 이때, 장치(30)는 미리 설정된 기간(예를 들면, 최근 6개월) 동안 불량이 여러 번 발생한 것으로 확인되면, 불량이 평균적으로 얼마나 자주 발생하였는지 확인하여, 불량의 발생 주기를 분석할 수 있다.
S802 단계에서, 장치(30)는 불량의 발생 주기에 기초하여, 금형(10)에서 불량이 발생할 것으로 예상되는 불량 발생 예상일을 예측할 수 있다.
예를 들어, 장치(30)는 불량의 발생 주기가 10일 간격으로 확인되고, 금형(10)에서 가장 최근에 불량이 발생한 일자가 1월 5일로 확인되면, 금형(10)에서 불량이 발생할 것으로 예상되는 불량 발생 예상일을 1월 15일로 예측할 수 있다.
S803 단계에서, 장치(30)는 불량 발생 예상일까지 남아있는 일자를 제1 일자로 확인할 수 있다.
예를 들어, 장치(30)는 불량 발생 예상일이 1월 15일로 예측되고, 현재 일자가 1월 13일로 확인되면, 제1 일자를 2일로 확인할 수 있다.
S804 단계에서, 장치(30)는 제1 일자가 제1 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제1 기준 범위는 실시예에 따라 상이하게 설정될 수 있다.
S804 단계에서 제1 일자가 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, S805 단계에서, 장치(30)는 불량 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있는 경우, 장치(30)는 제1 일자가 7일로 확인되면, 불량 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.
S804 단계에서 제1 일자가 제1 기준 범위를 벗어나는 것으로 확인되면, S806 단계에서, 장치(30)는 제1 일자가 제1 기준 범위의 최소값 보다 작은지 여부를 확인할 수 있다.
S806 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, S807 단계에서, 장치(30)는 제1 설정값과 불량 발생률을 곱한 값으로 불량 발생률을 조정할 수 있다. 이때, 제1 설정값은 1부터 2까지 범위 내에서 설정될 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제1 설정값이 1.5로 설정되어 있고, 불량 발생률이 20%로 예측된 경우, 장치(30)는 제1 일자가 3일로 확인되면, 제1 설정값과 불량 발생률을 곱한 값인 30%를 산출한 후, 불량 발생률을 20%에서 30%로 조정할 수 있다.
즉, 장치(30)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 불량 발생률을 곱한 값으로 불량 발생률을 조정함으로써, 불량 발생 예상일까지 남아있는 기간이 일정 기간 이하로 매우 짧은 경우, 제1 설정값을 이용하여 불량 발생률을 더 높은 값으로 조정할 수 있다.
S806 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 큰 것으로 확인되면, 제1 일자가 제1 기준 범위를 벗어나 있으므로, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인될 수 있으며, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, S808 단계에서, 장치(30)는 제2 설정값과 불량 발생률을 곱한 값으로 불량 발생률을 조정할 수 있다. 이때, 제2 설정값은 0부터 1까지 범위 내에서 설정될 수 있다.
예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제2 설정값이 0.5로 설정되어 있고, 불량 발생률이 20%로 예측된 경우, 장치(30)는 제1 일자가 12일로 확인되면, 제2 설정값과 불량 발생률을 곱한 값인 10%를 산출한 후, 불량 발생률을 20%에서 10%로 조정할 수 있다.
즉, 장치(30)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 불량 발생률을 곱한 값으로 불량 발생률을 조정함으로써, 불량 발생 예상일까지 남아있는 기간이 일정 기간 이상으로 매우 긴 경우, 제2 설정값을 이용하여 불량 발생률을 더 낮은 값으로 조정할 수 있다.
장치(30)는 인공지능을 기반으로 금형에서 불량이 발생할 수 있는 확률을 예측하여, 금형에서 발생할 수 있는 불량을 사전에 조치하는데 도움을 줄 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 9는 일실시예에 따른 장치(30)의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서(31)는 도 1 내지 도 8을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 8을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 장치에 의해 수행되는 방법에 있어서,
금형을 통해 제작되는 성형품의 형상 및 크기에 대한 성형품 정보를 관리자의 단말로부터 획득하는 단계;
미리 설정된 기간 동안 금형 작동 횟수를 측정할 수 있는 금형 카운터를 통해 금형 작동 횟수(Shot Count) 정보, 금형 제작 주기(Cycle Time) 정보, 온도 센서로부터 측정한 금형의 온도 정보 및 진동 센서로부터 측정한 금형의 진동 정보를 획득하는 단계;
상기 온도 정보의 변화에 따른 상기 금형의 온도 변화 패턴을 확인하는 단계;
상기 진동 정보의 변화에 따른 상기 금형의 진동 변화 패턴을 확인하는 단계;
상기 성형품 정보, 상기 작동 횟수 정보, 상기 주기 정보, 상기 온도 변화 패턴, 상기 진동 변화 패턴을 제1 인공신경망에 입력 신호로 설정하고, 성형품 생산 품질, 성형품 생산 시간 및 금형 수명을 출력 신호로 설정하여 상기 제1 인공신경망을 학습하는 단계;
상기 학습된 제1 인공신경망에 기반하여 특정 성형품에 대한 금형의 작동 횟수, 주기, 온도 및 진동을 결정하는 단계;
상기 학습된 제1 인공신경망에 기반하여 특정 금형을 통한 성형품의 생산 시간 및 상기 특정 금형의 수명을 결정하는 단계;
상기 온도 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 상기 온도 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 제작 온도를 변경하는 단계; 및
상기 진동 변화 패턴의 변화 정도가 미리 설정된 기준에 도달한 경우, 상기 진동 변화 패턴의 변화 정도가 미리 설정된 기준 미만으로 조절되도록 금형의 움직임, 금형에 레진을 투입하는 동작, 보압 동작, 사출 압력을 포함하는 진동 변화 요소를 변경하는 단계를 포함하는
인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법. - 제1항에 있어서,
성형품의 불량 발생 원인을 검출하는 단계; 및
성형품의 불량 발생 시점을 예측하는 단계;를 더 포함하고,
상기 불량 발생 원인을 검출하는 단계는,
미리 설정된 기간 동안 상기 금형 카운터에 설치된 카메라로부터 성형품을 촬영한 이미지를 획득하고, 상기 이미지를 분석하여 상기 성형품의 불량 여부를 판단하는 단계,
불량으로 판단된 성형품을 제작한 금형의 작동 횟수에 비례하여 횟수 가중치를 결정하고, 불량으로 판단된 성형품을 제작한 금형의 제작 주기와 상기 결정된 주기의 일치율에 기반하여 주기 가중치를 결정하는 단계,
불량으로 판단된 성형품의 이미지를 분석하고, 상기 분석 결과가 색상과 관련된 경우 온도 가중치를 높게 결정하고, 상기 분석 결과가 형상과 관련된 경우 진동 가중치를 높게 결정하는 단계, 및
상기 불량으로 판단된 성형품의 이미지, 상기 횟수 가중치, 상기 주기 가중치, 상기 온도 가중치 및 상기 진동 가중치를 제2 인공신경망에 적용하여, 성형품의 불량 원인을 검출하는 단계를 포함하고,
상기 불량 발생 시점을 예측하는 단계는,
불량으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴과, 정상으로 판단된 성형품의 온도 변화 패턴 및 진동 변화 패턴을 각각 비교하는 단계,
상기 패턴의 차이가 미리 설정된 기준을 만족하는 구간을 확인하는 단계, 및
상기 구간을 불량 발생 시점으로 예측하는 단계를 포함하는,
인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법. - 제2항에 있어서,
금형의 다음 제작 주기에서 상기 불량 발생 시점에 대응하는 시점인 불량 예상 시점과 현재 시점 사이의 기간인 예비 구간이 미리 설정된 구간 미만인 경우, 상기 금형의 작동을 정지하는 정지 신호를 출력하는 단계; 및
상기 불량으로 판단된 성형품의 이미지를 관리자의 단말로 전송하는 단계;를 더 포함하고,
상기 이미지를 상기 관리자의 단말로 전송하는 단계는,
미리 설정된 기간 동안 상기 이미지 중에서 상기 불량으로 판단된 성형품의 이미지의 비율을 산출하는 단계,
상기 비율에 따라 상기 불량으로 판단된 성형품의 이미지의 밝기를 결정하는 단계,
상기 불량 원인에 따라 미리 설정된 색상으로 이미지의 색상을 결정하는 단계,
상기 불량 원인의 비율에 따라 채도를 변경하여 이미지의 채도를 결정하는 단계, 및
상기 밝기, 상기 색상 및 상기 채도가 적용된 이미지를 상기 관리자의 단말로 전송하는 단계를 포함하는
인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230033056A KR102574092B1 (ko) | 2023-03-14 | 2023-03-14 | 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230033056A KR102574092B1 (ko) | 2023-03-14 | 2023-03-14 | 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102574092B1 true KR102574092B1 (ko) | 2023-09-04 |
Family
ID=88018486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230033056A KR102574092B1 (ko) | 2023-03-14 | 2023-03-14 | 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102574092B1 (ko) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020037148A (ko) * | 2000-11-13 | 2002-05-18 | 김희명 | 공작기계의 안전상태 및 생산제품의 불량여부에 관한모니터링 장치 및 그 방법 |
| KR102265698B1 (ko) * | 2019-12-06 | 2021-06-16 | 주식회사 인터엑스 | 프레스 성형정보를 이용한 품질 데이터 분석 및 레시피 최적화 기법 |
| KR20210114273A (ko) | 2020-03-10 | 2021-09-23 | 엘지전자 주식회사 | 사출 금형 모니터링 장치 |
| KR102356222B1 (ko) | 2021-07-20 | 2022-02-08 | (주)쓰리뷰 | 압력변화를 이용한 금형의 지능형 모니터링 시스템 |
| KR102363152B1 (ko) | 2017-11-06 | 2022-02-15 | 가부시끼가이샤 도시바 | 금형 온도 이상 예조 검지 장치 및 기억 매체 |
| JP2022113410A (ja) * | 2021-01-25 | 2022-08-04 | 株式会社栗本鐵工所 | 学習装置およびプログラム、ならびに金型異常予測装置 |
| KR102470836B1 (ko) | 2020-11-10 | 2022-11-25 | 경기대학교 산학협력단 | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 |
-
2023
- 2023-03-14 KR KR1020230033056A patent/KR102574092B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020037148A (ko) * | 2000-11-13 | 2002-05-18 | 김희명 | 공작기계의 안전상태 및 생산제품의 불량여부에 관한모니터링 장치 및 그 방법 |
| KR102363152B1 (ko) | 2017-11-06 | 2022-02-15 | 가부시끼가이샤 도시바 | 금형 온도 이상 예조 검지 장치 및 기억 매체 |
| KR102265698B1 (ko) * | 2019-12-06 | 2021-06-16 | 주식회사 인터엑스 | 프레스 성형정보를 이용한 품질 데이터 분석 및 레시피 최적화 기법 |
| KR20210114273A (ko) | 2020-03-10 | 2021-09-23 | 엘지전자 주식회사 | 사출 금형 모니터링 장치 |
| KR102470836B1 (ko) | 2020-11-10 | 2022-11-25 | 경기대학교 산학협력단 | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 |
| JP2022113410A (ja) * | 2021-01-25 | 2022-08-04 | 株式会社栗本鐵工所 | 学習装置およびプログラム、ならびに金型異常予測装置 |
| KR102356222B1 (ko) | 2021-07-20 | 2022-02-08 | (주)쓰리뷰 | 압력변화를 이용한 금형의 지능형 모니터링 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| JP6999635B2 (ja) | 画像ベースのメンテナンス予測および動作エラーの検出 | |
| KR102531879B1 (ko) | 인공지능 기반 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 방법, 장치 및 시스템 | |
| KR20220107302A (ko) | 순환 신경망에서의 거리 메트릭 및 클러스터링 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
| US20170091675A1 (en) | Production equipment including machine learning system and assembly and test unit | |
| KR102553041B1 (ko) | 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| JP2023514466A (ja) | 推論演算装置、モデル訓練装置、及び推論演算システム | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| KR102508232B1 (ko) | 인공지능 기반 마트 운영을 위한 재고의 유통관리 방법, 장치 및 시스템 | |
| KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR20210078256A (ko) | 이상진단 장치 및 이상진단 모델을 최적화하기 위한 방법 | |
| CN117669384B (zh) | 基于物联网的温度传感器生产智能监测方法及系统 | |
| CN117952018B (zh) | 一种基于bim的桥梁长期性能数据处理方法及数据处理平台 | |
| Chang et al. | Remaining useful life prediction for complex systems considering varying future operational conditions | |
| KR102612058B1 (ko) | 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법, 장치 및 시스템 | |
| WO2020076444A1 (en) | Performance prediction from communication data | |
| KR102574092B1 (ko) | 인공지능 기반 온도 및 진동 센서 데이터를 활용한 금형 이상 여부 판단 방법, 장치 및 시스템 | |
| KR102508648B1 (ko) | 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황 모니터링 방법, 장치 및 시스템 | |
| KR102533258B1 (ko) | 인공 신경망을 활용한 냉동식품의 효율적인 물류 서비스 제공 방법, 장치 및 시스템 | |
| KR102426803B1 (ko) | 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템 | |
| CN115409217A (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
| KR102475813B1 (ko) | 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법 | |
| KR20230027535A (ko) | 공정 이상 예측 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |