KR102586845B1 - 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 - Google Patents

Abstract

본 발명은 AI(인공 지능, artificial intelligence) 분석을 통해 설비 운영값과 불량률의 연관성을 도출함으로써 설비 운영 조건에 따른 불량 원인을 파악하고 생산품질을 예측할 수 있음은 물론 AI 추론을 통한 실시간 설비 제어 및 딥러닝(Deep Learning)을 통한 기계 예지보전(preventive maintenance) 관리가 가능한 설비관리시스템을 제시한다.

Description

딥러닝을 이용하여 예지보전이 가능한 설비관리시스템{Facility management system that enables preventive maintenance using deep learning}

본 발명은 딥 러닝을 이용하여 예지보전이 가능한 설비관리시스템에 관한 것으로서, 더욱 상세하게는 AI 분석을 통해 설비 운영 값과 불량률의 연관성을 도출하여 설비운영 조건에 따른 불량 원인을 파악하고 생산품질을 예측할 수 있음은 물론 생산성을 높이고 불량률을 낮출 수 있도록 하는 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템에 관한 것이다.

산업 생산의 자율 기술의 긴 주기의 지속적인 개발 후에, 컴퓨터 기술을 사용하여 산업 생산 프로세스들을 제어하는 것이 이제 가능하다. 산업 자동 제어 시스템은 정보 관리 및 자동 제어를 위해 산업 제어 컴퓨터들을 통해 센서들에 의해 수집되는 산업 생산에서의 다양한 파라미터들을 모으고, 분석하고, 정리한다.

현재, 산업 자동화 시스템들에서의 지능형 제어의 구현은 산업 자동화의 분야에서 추세가 되었다. 제어 체인에서의 지능을 실현하기 위해, 종래의 산업 제어기들은 충분한 컴퓨팅 용량을 제공할 수 없고, AI를 제어 시스템에 추가하기 위한 유연한 해결책이 없다는 것이 현실정이다.

한편, 산업용 제어 시스템은 자동차 부품 생산 공장 등의 각종 스마트 팩토리에서 모니터링 시스템 등을 일컫는 것으로, 종래 산업용 제어 시스템의 예로 제시될 수 있는 것이 아래 제시된 특허문헌의 그 것들이다.

하지만, 종래의 산업용 제어 시스템에 의하면, 산업용 제어 시스템의 제어 대상인 대상 장비에 대한 제어 프로그램을 프로그래머 등의 작업자가 직접 수작업으로 작성해주어야 하는 단점이 있었다.

등록특허 제10-2005188호 등록특허 제10-1812088호 공개특허 제10-2017-0090115호

본 발명은 위와 같은 종래기술의 문제점을 해결하기 위하여, AI 분석을 통해 설비 운영 값과 불량률의 연관성을 도출하여 설비운영 조건에 따른 불량 원인을 파악하고 생산품질을 예측할 수 있도록 하는 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템을 제공하는데 그 목적이 있다.

본 발명의 다른 목적은 AI 추론을 통한 실시간 설비 제어 및 딥러닝을 통한 기계 예지보전관리가 가능한 설비관리시스템을 제공함에 있다.

본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템은, 각종 설비, 금형설비, MCT설비, A/D변환기와 장비데이터 수집서버를 통해 서로 연결되어 수집데이터를 전송받으며, 상기 설비관리시스템은 수집데이터 DB, 장비상태 DB, API, 자동 Run 및 수동 Run, AI 학습데이터, 담당자 모바일관리자, 관제실로 구성하되, 상기 수집 데이터 DB로는 장비의 특성에 따라 이미지, 전류, 속도, 소음, 진동, 변위, 온도, 습도 중에서 선택하여 수집을 하며, 상기 장비상태 DB로는 정상 운전데이터와 실시간 비교하여 예측 대비 현재 상태를 나타낼 수 있도록 하는 것을 특징으로 한다.

본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템은 AI 분석 및 추론을 통해 제품의 생산성을 높임은 물론 불량률을 낮출 수 있으며, 또한 실시간 설비 제어가 가능하고 딥러닝을 통한 기계 예지보전 관리가 가능한 효과가 있다.

도 1은 본 발명의 바람직한 일 실시 예에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템의 기술구성을 적용한 CNC 가공라인 프로세스를 보여주고 있는 도면.
도 2는 본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템에서 장비 상태 체크 방법론 프로세스를 보여주고 있는 도면.
도 3은 본 발명에 따른 빅데이터(A.I.) 알고리즘 설명을 위한 다음알고리즘을 이용하여 빅데이터 분석예정 방법으로 보여주고 있는 도면.
도 4는 본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템에서 인공신경망 알고리즘을 보여주고 있는 도면.

이하 본 발명의 바람직한 실시 형태를 첨부된 도면을 참조하여 구체적으로 설명하면 다음과 같다. 후술 될 상세한 설명에서는 상술한 기술적 과제를 이루기 위해 본 발명에 있어 대표적인 실시 예를 제시할 것이다. 그리고 본 발명으로 제시될 수 있는 다른 실시 예들은 본 발명의 구성에서 설명으로 대체한다.

본 발명에서는 AI(인공 지능, artificial intelligence) 분석을 통해 설비 운영값과 불량률의 연관성을 도출함으로써 설비 운영 조건에 따른 불량 원인을 파악하고 생산품질을 예측할 수 있음은 물론 AI 추론을 통한 실시간 설비 제어 및 딥러닝(Deep Learning)을 통한 기계 예지보전(preventive maintenance) 관리가 가능한 설비관리시스템을 구현하고자 한다.

본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템은 아래와 같다.

1. 빅데이터를 활용한 불량(이슈) 발생 시점 데이터 복기

현재 불량이 발생하거나 고객사로부터 클레임(또는 컴플레인) 발생 시 해당시점의 공정 및 작업 상태를 조회하야 확인할 수 있으나 한눈에 전체적인 정보를 확인하기에는 불편함이 발생하였다.

하지만, 본 발명에서는 특정 시점의 공정라인에 대한 전체 팩터(factor) 상태를 확인할 수 있는 별도의 전용 화면 및 기능을 구현하였으며, 결과물 기반 이슈 발생 사실 인식 후 정확한 원인 파악 및 분석과 피드백에 소요되는 시간이 감소함으로써 품질관리 업무의 효율성 향상 및 품질의 직접적 향상을 기대할 수 있다.

2. 데이터셋 구축 및 AI 알고리즘 도입 및 분석

현재 구현되어 있는 통계분석 처리 프로세스는 기존 MES에서 활용되는 일반적인 백앤드 서비스 구현 모델로 그 한계가 존재하며, 제조분야의 데이터는 설비와 사람에 의해 실시 간으로 만들어지는 데이터의 특성으로 인해 일반 금융분야와 같이 데이터의 관계성을 중요시하는 관계형 DB(R-DB)보다 훨씬 복잡하고, 응용 분야가 넓으며, 고도의 전문적인 데이터 활용기술이 필요하다.

이에 대하여 본 발명은 원천데이터의 품질을 높이기 위하여 수집된 데이터에 대한 정제 및 변환 작업 수행 후, K-최근접 이웃(K-Nearest Neighbor), CNN 알고리즘, 머신러닝, 인공신경망 알고리즘 등의 알고리즘을 도입한다. 또한, AI 분석을 통해 설비 운영 값과 불량률의 연관성을 도출하여 설비운영조건에 따른 불량원인을 파악하고 생산품질을 예측할 수 있게 하며, 생산성은 높이고 불량률은 낮추는 설비 운영 최적화를 위한 분석 데이터셋 구현이 가능하다.

3. 설비 데이터 기반에 따른 실시간 품질 예측(추론)

기존의 데이터 분석 기법을 활용하면, 누적 데이터를 기반으로 품질을 예측하거나 발생 결과에 따른 빅데이터 분석기법이 활용되는 상태로 발생 후에야 원인을 파악하는 실정이다.

반면에, 본 발명은 인공지능 학습을 위한 데이터셋 기반으로 Supervised Learning, Unsupervised Learnung, 비결정론 알고리즘을 학습시켜 예지분석 모델 및 품질의 공정데이터를 최적화하기 위한 빅데이터 분석을 진행하며, 실시간으로 저장된 시계열 데이터를 통해 초고속 입출력을 하며 실시간으로 즉각적인 결과를 도출한다. 또한, 도출된 결과데이터는 이후 점진적으로 인공지능 추론모델을 최적화하는데 재사용 가능하며, 불량 발생 전 사전에 문제를 파악하여 조치를 취할 수 있어 불량 감소효과를 기대할 수 있다.

4. 최적 작업표준의 도출과 불량(이슈) 발생에 따른 자동판별

공정 및 설비 SV 작업표준은 정해져 있지 않으나, 품질이슈 발생 시에 SV 값 대비 PV 값의 허용 오차에 대한 UCL-LCL이 상당히 넓게 구성되어 있으며, 이에 따라 복수의 UCL-LCL 이탈값이 발생하게 되면 불량 발생과의 상관관계를 정확히 찾아내기 어려움 상황이다.

하지만, 본 발명은 데이터셋 구축 및 AI 알고리즘 도입과 분석을 통하여 불량발생과 각각의 FACTOR 등에 대한 상관관계 분석을 통해 UCL-LCL의 범위를 좁히고, 이탈 시 즉각적인 조치를 취할 수 있도록 하며, 동시간에 복합적으로 발생하는 복잡한 데이터들의 상태를 AI를 통하여 실시간으로 판단하여 적용할 수 있는 시스템을 구현한다. 또한, 작업자에게 정확한 가이드라인을 제공함으로써 작업스트레스를 감소시키며, 불량발생 전 사전에 문제를 파악하여 조치를 취할 수 있고, 신규품목 개발 및 시제품 생산에 소요되는 시간을 절약할 수 있다.

5. 시스템 판단에 따른 자동설비 제어(컨트롤)

현재 Operating 인원의 한계로 인하여 반자동 라인에 대하여 즉각적인 정지 및 설비의 SV 수정이 이루어지지 못하여 불필요하게 자원이 낭비되는 일이 발생하고, 또한, 작업자의 오입력 및 오판, 착오로 인하여 정확한 조치가 취해지지 못하는 경우가 발생하고 있다.

반면에, 본 발명은 이벤트 발생 시 지시 공정에 해당하는 설비의 최적 운영 조건과 현재의 SV, PV를 판단하여 HMI 모니터 영상 정보를 분석하면서 입력 화면에 따른 공정 셋업값을 자동으로 변경하도록 구성한다. 또한, 특정 오류코드 발생시에 자동으로 설비가 OFF될 수 있도록 구성하며, 즉각적이고 정확한 설비 제어를 통해 불량률 감소와 이에 따라 발생되던 불필요한 물적 시간적 자원낭비를 줄일 수 있다.

아래에서는 상기와 같은 기술적 특징으로 가지는 본 발명의 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템을 도 1 내지 도 4를 참조하여 구체적으로 설명하고자 한다.

도 1은 본 발명의 바람직한 일 실시 예에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템의 기술구성을 적용한 CNC 가공라인 프로세스를 보여주고 있는 도면이다.

상기 도 1을 참조하면, 본 발명에 따른 설비관리시스템은 수집데이터 DB, 장비상태 DB, API, 자동 Run 및 수동 Run, AI 학습데이터, 담당자 모바일관리자, 관제실로 구성된다. 이때, 상기 수집 데이터 DB로는 장비의 특성에 따라, 일 예로 이미지, 전류, 속도, 소음, 진동, 변위, 온도, 습도 중에서 선택하여 수집을 하며, 상기 장비상태 DB로는 정상 운전데이터와 실시간 비교하여 예측 대비 현재 상태를 나타낼 수 있도록 한다. 상기 장비상태의 데이터로는 정상운전데이터와 비정상운전데이터가 있다.

이와 같이 구성된 본 발명의 설비관리시스템을 이용하여 장비 상태 체크 프로세스를 도 2를 참조하여 설명하면 다음과 같다.

상기 도 2를 참조하면, RUN AGENT에서 장비체크 후 비전이 있는지 확인하고, 비전이 있을 경우에는 cnn알고리즘을 이용하며, 만약 비전이 없을 경우에는 k-최접근 이웃알고리즘을 이용한다. 또한, 표본데이터(즉, 학습데이터)의 이상유무를 확인한 후, 패턴에 이상이 없을 시에는 정상데이터 DB로 저장하고, 패턴에 이상이 있을 경우에는 신규 이상패턴일 시에는 자율 학습을 실시하여 상황판단을 위한 모델을 만들고, 기존 이상패턴일 시에는 지도 학습을 통한 자동 처리를 실행한다. 이때, 문제 분석 후 이상패턴에 대한 데이터는 DB로 저장한다.

도 3은 본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템을 통한 빅데이터(A.I.) 알고리즘, 구체적으로는 다음알고리즘을 이용하여 빅데이터 분석예정 방법으로 보여주고 있는 도면이다.

상기 도 3은 k-최접근 이웃 알고리즘 모델, 즉 k-NN 분류기(classfier)를 위한 CNN 모델로서,금형에서 원래적인 패턴이 있는데 점점 마모 또는 이상한 점이 생기면 그 분포도를 보고 판단할 수 있도록 한다.

한편, 기존의 인공신경망처럼 CNN 또한 주로 역전파 알고리즘을 이용하여 학습시킨다. 본 발명에서는 기존의 인공신경망을 위한 역전파 알고리즘을 알고 있다는 가정 하에 CNN에 대한 역전파 알고리즘을 설명한다. 이해를 돕기 위해 본 발명에서는 스트라이드는 1로 설정되었다고 가정한다. 상기 스트라이드가 1로 설정되었다고 가정할 경우, CNN의 번째 합성곱 계층의 출력이미지 의 k번째 채널에 대한 i번째 행, j번째 열의 요소는 다음의 수학식 1과 같이 계산된다.

상기 수학식 1에서는 은 번째 합성곱 계층의 k번째 필터, 과는 각각 번째 합성곱 계층 필터의 높이와 너비를 의미하고, 는 ReLU와 같은 비선형 활성 함수이다.

상기 수학식 1에서 정의된 합성곱 연산에서는 행렬로 표현된 이미지를 m과 n만큼 증가된 방향으로 읽어가는 것을 볼 수 있다. 즉, 합성곱 연산 시에 (i,j)에 (m,n)을 빼는 것이 아니라 (m,n)을 더해가면서 필터를 적용한다. 이는 엄밀히 말하면 합성곱이 아니라 상호 상관(cross- correlation)이다. 그러나 합성곱과 상호 상관은 적용되는 필터를 회전시켜 적용한다는 점에서만 차이가 있을 뿐이기 때문에 필터 자체를 학습하는 CNN에서는 합성곱과 상호 상관을 구분하지 않는다.

한편, 위에서 제시한 자율학습은 지도학습과 달리 잘 분류가 되어 있는 학습 데이터 셋이 없을 때 사용한다. 즉, 정답이 주어지지 않은 상태에서 학습을 통해 상황 판단을 위한 모델을 만드는 것이다. 이를 위해서 데이터의 특징과 구조를 분석하여 지도 없이 데이터 자체에서 학습 데이터를 얻으려고 하는 것이다. 대표적으로 k-means, 클러스터 분석, 차원 압축 등으로 데이터의 특징을 수월하게 알아낼 수 있는 데이터 마이닝 기법이 있다.

또한, 지도학습은 잘 분류가 되어 있는 학습 데이터를 가지고 있을 때 사용한다. 예시로 교육자가 학생에게 사과를 보여주며 이건 사과다 하는 식의 과정이다. 이렇게 지도학습을 통해 만들어진 모델은 회귀 문제와 분류 문제에 주로 사용된다. 회귀는 x가 주어진 경우 y의 값을, 분류는 특정 데이터 셋에서 그룹을 나누거나 이미지에서 특정 오브젝트를 식별하는 것에 있다.

끝으로, 도 4는 본 발명에 따른 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템에서 인공신경망 알고리즘을 보여주고 있는 도면이다.

상기 도 4에서 보는 바와 같이, 생물의 신경망을 본떠 만든 통계학적 학습 알고리즘은, 시냅스의 결합으로 네트워크를 형성한 인공뉴런이 학습을 통해 시냅스의 결합 세기(가중치)를 변환시켜 문제를 해결한다. 인공신경망은 근사치를 낼 경우 많이 사용되며, 값을 계산하는 뉴런의 상호 연결로 표현되고 적응성이 있어 기계학습을 수행할 수 있다.

Claims (2)

1. 장비의 특성에 따라 이미지, 전류, 속도, 소음, 진동, 변위, 온도, 습도 중에서 선택하여 수집된 수집데이터 DB와, 정상 운전데이터와 실시간 비교하여 예측 대비 현재 상태를 나타내는 장비상태 DB 및 그리고 API, 자동 Run 및 수동 Run, AI 학습데이터, 담당자 모바일관리자, 관제실로 구성되어, 각종 설비, 금형설비, MCT설비, A/D 변환기와 장비데이터 수집서버를 통해 서로 연결되어 수집데이터를 전송받는 설비관리시스템에 있어서,
   상기 설비관리시스템을 이용하여 장비 상태를 체크하는 프로세스를 구현하되;
   RUN AGENT에서 장비 체크 후 비전이 있는지 확인하고, 비전이 있을 경우에는 cnn알고리즘을 이용하며, 만약 비전이 없을 경우에는 k-최접근 이웃알고리즘을 이용하며;
   학습데이터인 표본데이터의 이상유무를 확인한 후, 패턴에 이상이 없을 시에는 정상테이터 DB로 저장하고, 패턴에 이상이 있을 경우에는 신규 이상 패턴일 시에는 자율 학습을 실시하여 상황판단을 위한 모델을 만들고, 기존 이상패턴일 시에는 지도 학습을 통한 자동 처리를 실행하며, 문제 분석 후 이상패턴에 대한 데이터는 장비상태 DB로 저장하는 것을 특징으로 하는 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템.
2. 삭제