KR102604830B1 - 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 - Google Patents
공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 Download PDFInfo
- Publication number
- KR102604830B1 KR102604830B1 KR1020220055551A KR20220055551A KR102604830B1 KR 102604830 B1 KR102604830 B1 KR 102604830B1 KR 1020220055551 A KR1020220055551 A KR 1020220055551A KR 20220055551 A KR20220055551 A KR 20220055551A KR 102604830 B1 KR102604830 B1 KR 102604830B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- field
- model
- subsystem
- digital twin
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000013480 data collection Methods 0.000 claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 238000011112 process operation Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000013386 optimize process Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 개시는 공정 운영 최적화를 위한 현장 설비 제어 시스템 및 방법에 관한 것이다. 본 개시의 일 실시예는, 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집하는 데이터 수집 서브 시스템; 상기 데이터 수집 서브 시스템이 수집한 데이터를 분석하는 데이터 분석 서브 시스템; 상기 데이터 분석 서브 시스템의 출력에 기초하여 상기 하나 이상의 현장 설비를 제어하는 관제 서브 시스템; 및 상기 각각의 서브 시스템을 통신 가능하도록 연결하는 네트워크;를 포함하되, 상기 데이터 분석 서브 시스템은, 상기 데이터 수집 서브 시스템이 수집한 데이터를 가공하는 데이터 가공 모듈; 상기 데이터 가공 모듈이 가공한 데이터를 처리하는 하이브리드 디지털 트윈 모델(hybrid digital twin); 및 상기 하이브리드 디지털 트윈 모델이 처리한 데이터를 분석하여 제어 정보 신호를 출력하는 신호 생성 모듈;을 포함하고, 상기 하이브리드 디지털 트윈 모델은, 인공지능 학습 및 추론 모델과 상기 현장 설비에 관한 물리적 모델이 융합된 것으로서, 상기 하나 이상의 현장 설비에 관한 설비 운영 데이터를 통해 학습되는 공정 운영 최적화를 위한 현장 설비 제어 시스템을 제공할 수 있다.
Description
본 발명은 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법에 관한 것이다.
디지털 트윈은 물리적 객체(설비, 자산, 프로세스 및 시스템 등)들에 대한 디지털 복체(쌍둥이)로서, 대상 객체 요소들의 속성/상태를 유지하며 이들이 어떻게 작동하는지에 대한 동적 성질을 묘사하는 가상의 모델을 지칭한다. 산업 현장에서 생산성, 경제성, 안정성 등을 향상시키고자 하는 요구가 확산되어, 디지털 트윈 기술이 주목받고 있다.
발생지에서 발생한 모든 데이터를 중앙 집중 서버로 전송하여 상기 중앙 집중 서버를 통해 데이터를 처리하는 클라우드 컴퓨팅과 달리, 발생지에 분산 구비된 소형 서버를 통해 실시간으로 데이터 처리의 적어도 일부를 처리하는 에지 컴퓨팅(edge computing)이 개발되고 있다. 이러한 에지 컴퓨팅은 발생지에서 대용량의 데이터가 발생하는 경우 해당 발생지에서 데이터 처리의 적어도 일부를 시의적절하게 처리함으로 써 대상 운영 공정 속도에 맞게 (real time) 해당 데이터를 처리하여 데이터 처리 시간이 큰 폭으로 단축되고 상위 시스템과 통신하기 위한 통신망의 대역폭 사용량이 감소하는 장점이 있다.
이러한 디지털 트윈 또는 에지 컴퓨팅을 포함하는 융복합 ICT 기술들을 공장, 플랜트 등의 산업 설비에 적용하는 것이 대두된다. 기존의 전통적인 산업 시스템에서 벗어나, 5G, 인공지능, 빅데이터 등의 ICT 기술들을 산업 설비 운용 전반에 도입해 생산성, 품질, 효율 등을 높일 수 있는 지능형 산업 시스템에 대한 다양한 연구가 이루어지고 있다.
본 개시의 목적은 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법을 제공하는 데 있다. 본 개시가 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 개시의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 개시가 해결하고자 하는 과제 및 장점들은 특허 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 개시의 제 1 측면은, 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집하는 데이터 수집 서브 시스템; 상기 데이터 수집 서브 시스템이 수집한 데이터를 분석하는 데이터 분석 서브 시스템; 상기 데이터 분석 서브 시스템의 출력에 기초하여 상기 하나 이상의 현장 설비를 제어하는 관제 서브 시스템; 및 상기 각각의 서브 시스템을 통신 가능하도록 연결하는 네트워크;를 포함하되, 상기 데이터 분석 서브 시스템은, 상기 데이터 수집 서브 시스템이 수집한 데이터를 가공하는 데이터 가공 모듈; 상기 데이터 가공 모듈이 가공한 데이터를 처리하는 하이브리드 디지털 트윈 모델(hybrid digital twin); 및 상기 하이브리드 디지털 트윈 모델이 처리한 데이터를 분석하여 제어 정보 신호를 출력하는 신호 생성 모듈;을 포함하고, 상기 하이브리드 디지털 트윈 모델은, 설비 운영 데이터 기반 인공지능 학습 및 추론 모델과 상기 현장 설비에 관한 물리적 모델이 융합된 것으로서, 상기 하나 이상의 현장 설비에 관한 설비 운영 데이터를 통해 학습되는 공정 운영 최적화를 위한 현장 설비 제어 시스템을 제공할 수 있다.
본 개시의 제 2 측면은, 따른 공정 운영 최적화를 위한 현장 설비 제어 방법은, 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집하는 단계; 상기 수집된 데이터를 분석하는 단계; 및 상기 분석된 결과에 기초하여 상기 하나 이상의 현장 설비를 제어하는 단계;를 포함하되, 상기 수집된 데이터를 분석하는 단계는, 상기 수집된 데이터를 가공하는 단계; 하이브리드 디지털 트윈 모델을 통해 상기 가공된 데이터를 처리하는 단계; 및 상기 하이브리드 디지털 트윈 모델이 처리한 데이터를 분석하여 제어 정보 신호를 생성하는 단계;를 포함하고, 상기 하이브리드 디지털 트윈 모델은, 설비 운영 데이터 기반 인공지능 학습 및 추론 모델과 상기 현장 설비에 관한 물리적 모델이 융합된 것으로서, 상기 하나 이상의 현장 설비에 관한 설비 운영 데이터를 통해 학습되는, 공정 운영 최적화를 위한 현장 설비 제어 방법을 제공할 수 있다.
본 개시의 제 3 측면은, 제 2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
이 외에도, 본 개시를 구현하기 위한 다른 방법, 다른 장치 및 상기 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 더 제공될 수 있다.
물리적 특성에 기반한 사전 수치해석 및 시뮬레이션 모델과 설비 운영 데이터 기반의 인공지능 학습 및 추론 모델을 융합하여 설계된 하이브리드 디지털 트윈(hybrid digital twin) 모델을 도입함으로써, 빠르게 결과물을 도출하고, 높은 정확도의 성능을 발휘하는 현장 설비 제어를 제공할 수 있다. 또한, 하이브리드 디지털 트윈 모델은 신뢰 구간이 명확하여 계량 가능한 서로게이트(surrogate) 모델이며, 실시간 결정 및 정확한 관제를 제공할 수 있고, 현장 공정, 설비의 상태, 노후화 등에 따라 쉽게 업데이트가 가능하다.
또한, 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템에 에지 컴퓨팅 기술을 접목하여 적절한 리소스 분배, 낮은 지연 응답 제공 등 효과적으로 현장 설비를 실시간으로 제어하는 현장 설비 제어 시스템을 구현할 수 있다. 현장 설비의 실시간 제어를 통해 현장의 생산성을 제고하고, 근로자의 안전을 강화하며, 비용을 절감하고, 산업 경쟁력을 강화할 수 있다.
도 1은 에지 컴퓨팅의 일 예를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 블록도이다.
도 3은 일 실시예에 따른 데이터 분석 서브 시스템을 도시하는 블록도이다.
도 4a 및 4b는 일 실시예에 따른 하이브리드 디지털 트윈 모델의 형태를 설명하기 위한 개략도이다.
도 5a 및 5b는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 배치 방식을 설명하기 위한 블록도이다.
도 6은 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 방법을 도시하는 흐름도이다.
도 2는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 블록도이다.
도 3은 일 실시예에 따른 데이터 분석 서브 시스템을 도시하는 블록도이다.
도 4a 및 4b는 일 실시예에 따른 하이브리드 디지털 트윈 모델의 형태를 설명하기 위한 개략도이다.
도 5a 및 5b는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 배치 방식을 설명하기 위한 블록도이다.
도 6은 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 방법을 도시하는 흐름도이다.
본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 아래에서 제시되는 실시예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 개시의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시예들은 본 개시가 완전하도록 하며, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 개시를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.
또한, 명세서에서 사용되는 "제 1" 또는 "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단" 및 "구성"등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
이하에서는 도면을 참조하여 본 개시의 실시예들을 상세히 설명한다.
도 1은 에지 컴퓨팅의 일 예를 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 에지 컴퓨팅(edge computing)을 위한 인프라 스트럭처는 3개의 주요 계층으로 구성된다. 도 1을 참조하면, 디바이스 계층(110), 에지 계층(120) 및 클라우드 계층(130)의 일 예시가 도시되어 있다. 디바이스 계층(110)은 하나 이상의 디바이스를 포함할 수 있고, 에지 계층(120)은 하나 이상의 에지 노드/서버를 포함할 수 있으며, 클라우드 계층(130)은 클라우드 서버, 데이터 센터 등일 수 있다.
디바이스 계층(110)은 데이터 생산 및 소비 활동을 할 수 있다. 디바이스 계층(110)에 포함된 디바이스는 데이터를 생산하는 임의의 유형의 디바이스일 수 있다. 디바이스는, 예를 들어, 스마트폰, 태블릿 PC, PC, 스마트 TV, PDA(personal digital assistant), 랩톱, 미디어 플레이어 또는 기타 모바일 전자 디바이스일 수 있다. 디바이스는, 예를 들어, 공장, 플랜트, 공사 현장, 산업 현장 등에 존재하는 진동, 소음 센서, 장력 센서, 에너지 미터 및 설비, 시설, 중장비, 제어기 또는 기타 장비일 수 있다. 구체적인 예시가 제시되었지만, 이런 디바이스의 다른 예시로 다양한 종래의 디바이스 또는 계속 발전하거나 아직 개발되지 않은 유형의 임의의 많은 디바이스를 포함할 수 있다.
클라우드 계층(130)은 최상위 계층이며, 클라우드 서버, 데이터 센터와 같이 상당히 많은 양의 데이터를 다룰 수 있도록 구성될 수 있다. 클라우드 계층(130)은 방대한 양의 스토리지 및 컴퓨팅 리소스를 제공할 수 있는 반면, 디바이스에 높은 지연 응답을 제공할 수 있다. 특히, 기술의 발전으로 인한 디바이스 계층(110)에 포함될 수 있는 디바이스들이 생산 및 전송하는 기하급수적인 데이터 양의 증가는 클라우드 서버 또는 데이터 센터의 과부하를 야기할 수 있다.
도시된 바와 같이, 에지 컴퓨팅에서는 디바이스 계층(110)과 클라우드 계층(130) 사이에 에지 계층(120)이 도입될 수 있다. 에지 계층(120)은, 데이터의 처리 및 저장을 위해 디바이스 계층(110)에서 생산되는 모든 데이터를, 특히 데이터의 양이 매우 많은 경우, 클라우드 계층(130)까지 전달할 필요 없이, 데이터를 분석 및 처리하고, 반드시 필요한 데이터만 클라우드 계층(130)에 전송하거나, 반드시 필요한 데이터만 클라우드 계층(130)으로부터 수신한다. 에지 계층(120)을 통해, 디바이스 계층(110)과 먼 위치에 있는 클라우드 계층(130)에서 수행되도록 할 필요 없이, 디바이스 계층(110)에서 생산되는 데이터를 실시간으로 분석하고 즉각적인 대응을 위한 판단, 처리 및 결정이 가능하다.
에지 계층(120)은 클라우드 계층(130)보다 디바이스 계층(130)에 훨씬 더 가까이 위치할 수 있다. 에지 계층(120)의 에지에서 제공되는 프로세서, 메모리 및 스토리지 리소스는 디바이스 계층(130)에 의해 사용되는 서비스 및 기능에 대해 매우 낮은 지연 응답을 제공하는 데 중요할 뿐만 아니라, 에지 계층(120)으로부터 클라우드 계층(130)을 향한 네트워크 백홀 트래픽을 줄임으로써 에너지 소비와 전체 네트워크 사용을 개선할 수 있다.
프로세서, 메모리 및 스토리지는 제한되는 리소스이며, 이들은 일반적으로 에지 위치에 따라 감소할 수 있다. 또한, 디바이스 계층(110)에 가까울수록 공간 및 전력에 관한 제한도 증가할 수 있다. 따라서, 에지 계층(120)은 지리적인 측면 및 네트워크 액세스 시간 측면 모두에 더 가까운 곳에서 더 많은 리소스를 분배하여, 네트워크 서비스에 필요한 리소스의 양을 줄이려고 시도할 수 있다.
도 1에 도시된 에지 컴퓨팅을 위한 인프라 스트럭처는 예시로서 제공되며, 당해 기술분야의 통상의 기술자는 다양한 인프라 스트럭처가 존재한다는 것을 이해할 수 있다.
이하에서, 현장 설비 제어 시스템, 현장 설비 제어 시스템에 포함되는 서브 시스템 또는 서브 시스템에 포함되는 모듈이 수행하는 동작은 현장 설비 제어 시스템의 프로세서에서 수행되는 동작인 것으로 이해될 수 있다.
도 2는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 블록도이다.
도 2를 참조하면, 본 개시의 현장 설비 제어 시스템(200)은 데이터 수집 서브 시스템(210), 데이터 분석 서브 시스템(220), 관제 서브 시스템(230) 및 네트워크(240)를 포함할 수 있다.
데이터 수집 서브 시스템(210)은 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집할 수 있다.
본 개시에서, 현장 설비는 공장, 플랜트, 공사 현장, 산업 현장 등에 존재하는 산업 설비, 시설, 중장비, 제어기 또는 기타 다양한 장비를 포함할 수 있다. 구체적인 예로서, 현장 설비는 자동차 공장에서 용접 기능을 수행하는 자동차 용접 로봇일 수 있다. 또한, 현장 설비는 반도체 제조 설비, 라면 등 식품 가공 설비 또는 제지 설비일 수 있다.
본 개시에서, 현장 설비는 다양한 종류의 데이터를 생산할 수 있다. 본 개시에서, 이러한 현장 설비가 생산하는 모든 데이터를 '설비 운영 데이터'라고 지칭할 수 있다. 설비 운영 데이터는 현장 설비의 온도, 습도, 전류, 전압, 속도, 수행 횟수, 이동 거리, 통신량, 사용량, 점유율 또는 기타 다양한 현장 설비와 관련된 데이터를 포함할 수 있다. 구체적인 예로서, 설비 운영 데이터는 자동차 용접 로봇의 용접 속도, 로봇 팔의 회전 속도, 로봇의 온도, 로봇의 에너지 사용량, 로봇 번호, 자동차의 번호, 용접 부품 번호, 용접 시간, 용접 소요 시간 등일 수 있다.
일 실시예에서, 설비 운영 데이터는 현장 설비 환경 데이터 및 현장 설비 관리 데이터를 포함할 수 있다. 현장 설비 환경 데이터는 현장 설비가 작업을 수행하는 조건, 작업을 수행하는 환경, 작업을 수행하는 상태 등과 관련된 데이터를 지칭할 수 있다. 구체적인 예로서, 현장 설비 환경 데이터는 자동차 용접 로봇에 공급되는 전류, 전압, 로봇의 용접 속도, 로봇 팔의 회전 속도, 로봇의 온도, 로봇의 에너지 사용량, 로봇 주변의 온도 및 습도 등일 수 있다. 바람직하게는, 현장 설비 환경 데이터는 소정의 주기마다 수집될 수 있다. 현장 설비 관리 데이터는 공장, 플랜트 등 현장 내에서 현장 설비를 특정하거나 현장 설비의 사양 내지 정보를 관리하는 것과 관련된 데이터를 지칭할 수 있다. 구체적인 예로서, 현장 설비 관리 데이터는 자동차 용접 로봇의 로봇 번호, 자동차의 번호, 용접 부품 번호, 용접 시간, 용접 소요 시간 등일 수 있다.
데이터 수집 서브 시스템(210)은 현장 설비에 또는 현장 설비에 근접하게 위치하는 센서, 카메라 또는 현장 설비에서 생산되는 데이터를 감지 또는 검출할 수 있는 기타 장치를 통해 설비 운영 데이터를 수집할 수 있다. 일 실시예에서, 데이터 수집 서브 시스템(210)은 소정의 주기마다 현장 설비에서 생산되는 설비 운영 데이터를 수집할 수 있다. 소정의 주기는 현장 설비의 종류, 특성, 시스템의 사양 또는 기타 다양한 조건에 따라 결정될 수 있다. 예컨대, 소정의 주기는 10초, 30초, 1분, 10분, 30분 등일 수 있다. 데이터 수집 서브 시스템(210)은 수집한 데이터를 네트워크(240)를 통해 데이터 분석 서브 시스템(220)으로 전송할 수 있다.
데이터 분석 서브 시스템(220)은 데이터 수집 서브 시스템(210)이 수집한 데이터를 네트워크(240)를 통해 수신하고, 이를 분석할 수 있다.
데이터 분석 서브 시스템(220)은 현장 설비에 관한 데이터 및 현장 설비의 물리적인 특성(characteristics)을 기반으로 현장 설비의 상태, 동작, 성능, 이상 유무 등을 분석하고, 현장 설비의 상태, 동작, 성능 등을 개선하거나, 현장 설비가 정상적으로 운영될 수 있도록 하는 정보를 포함하는 신호를 생성할 수 있다. 구체적으로, 데이터 분석 서브 시스템(220)은 데이터 수집 서브 시스템(210)이 수집한 데이터를 처리 모델에 입력할 수 있도록 가공하고, 가공된 데이터를 처리 모델에 입력하며, 모델의 처리 결과 데이터를 분석하여 제어 정보 신호를 생성하여 출력할 수 있다. 데이터 분석 서브 시스템(220)에 대한 더 구체적인 설명은 도 3을 참조하여 후술한다. 데이터 분석 서브 시스템(220)은 생성한 제어 정보 신호를 네트워크(240)를 통해 관제 서브 시스템(230)으로 전송한다.
관제 서브 시스템(230)은 데이터 분석 서브 시스템(220)이 출력한 제어 정보 신호를 네트워크(240)를 통해 수신하고, 이에 기초하여 하나 이상의 현장 설비를 제어할 수 있다.
관제 서브 시스템(230)이 수신하는 제어 정보 신호는 현장 설비의 상태, 동작, 성능 등을 개선하거나, 현장 설비가 정상적으로 운영될 수 있도록 제어하는 데 필요한 정보를 포함할 수 있다. 예를 들어, 제어 정보 신호는 자동차 용접 로봇에 공급되는 전류가 정상 범위에 속하도록 가변 컴포넌트의 수치를 증가시켜야 한다는 정보를 포함할 수 있다. 예를 들어, 제어 정보 신호는 자동차 용접 로봇의 온도가 정상 범위에 속하도록 냉각기의 세기를 증가시켜야 한다는 정보를 포함할 수 있다. 예를 들어, 제어 정보 신호는 밀가루 함량에 따라 라면 면발의 갈변화를 최소화하기 위해 Fryer 기 내의 기름 온도를 내리고 건조 시간을 늘려야 한다는 정보를 포함할 수 있다. 예를 들어, 제어 정보 신호는 반도체 수율을 높일 수 있도록 특정 에칭 가스의 구성비를 증가시켜야 한다는 정보를 포함할 수 있다. 이외에도, 제어 정보 신호는 현장 설비가 적합한 환경에서 동작하고, 최선의 성능을 발휘할 수 있게 하는 임의의 적합한 정보를 포함할 수 있다.
네트워크(240)는 각각의 서브 시스템을 통신 가능하도록 연결할 수 있다. 또한, 네트워크(240)는 현장 설비 제어 시스템(200)이 외부의 디바이스, 시스템과도 통신하도록 할 수 있다. 예컨대, 네트워크(240)를 통해 설비 운영 데이터, 센서 정보, 사용자 입력, 인공지능 학습 및 추론 모델, 물리적 모델, 제어 정보 신호, 제어 신호 등이 송수신될 수 있다.
네트워크(240)는 임의의 적합한 유무선 통신 기술을 이용하여 데이터를 송수신하게 할 수 있다. 예를 들어, 네트워크(240)에 이용되는 유선 통신 기술에는 이더넷(ethernet), USB, 전력선통신(power line communication), 전화선통신(telephone line communication), 랜(LAN) 등이 포함될 수 있다. 예를 들어, 네트워크(240)에 이용되는 무선 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 포함될 수 있다.
일 실시예에서, 본 개시의 현장 설비 제어 시스템(200)은 데이터 생성 서브 시스템(미도시)을 더 포함할 수 있다.
일 실시예에서, 데이터 생성 서브 시스템(미도시)은 하나 이상의 현장 설비에 관한 가상 설비 운영 데이터를 생성할 수 있다. 본 개시에서, 설비 운영 데이터는 데이터 수집 서브 시스템(210)이 수집하는 실존하는 설비 운영 데이터임에 반해, 가상 설비 운영 데이터는 실제로 현장 설비에 의해 생산되는 데이터는 아니지만, 데이터 생성 서브 시스템(미도시)이, 실존하는 설비 운영 데이터에서 유추하여 생성한 데이터를 지칭할 수 있다.
따라서, 가상 설비 운영 데이터는, 설비 운영 데이터와 마찬가지로, 현장 설비가 생산하는 다양한 형태 및 성격의 데이터를 포함할 수 있다. 예를 들어, 가상 설비 운영 데이터는 현장 설비의 온도, 습도, 전류, 전압, 속도, 수행 횟수, 이동 거리, 통신량, 사용량 점유율 또는 기타 다양한 현장 설비와 관련되어 생성된 데이터를 포함할 수 있다. 구체적인 예로서, 가상 설비 운영 데이터는 자동차 용접 로봇의 용접 속도, 로봇 팔의 회전 속도, 로봇의 온도, 로봇의 에너지 사용량, 로봇 번호, 자동차의 번호, 용접 부품 번호, 용접 시간, 용접 소요 시간에 대응되도록 생성된 데이터일 수 있다.
전술한 설비 운영 데이터에 관한 예시들이 가상 설비 운영 데이터에 관하여 동일 또는 유사하게 적용될 수 있다는 것은 통상의 기술자에게 쉽게 이해될 수 있을 것이므로, 여기서는 생략하기로 한다.
일 실시예에서, 데이터 생성 서브 시스템(미도시)는 적대적 생성 신경망(generative adversarial network, GAN)을 포함할 수 있다.
본 개시에서, GAN은 머신 러닝(machine learning)에서 통용되는 모델, 딥 러닝(deep learning)에서 통용되는 모델 등을 포함한다. GAN은 생성 모델(generator model) 및 분류 모델(discriminator model)을 포함할 수 있고, GAN에 포함된 생성 모델은 실제 데이터와 동일한 데이터를 생성하도록 학습되고, GAN에 포함된 분류 모델은 생성 모델에 의해 생성된 데이터를 분류하도록 학습될 수 있다. 즉, GAN에 포함된 생성 모델 및 분류 모델은 서로 적대적으로 학습되어, 결과적으로 GAN은 실제 데이터에 근접한 데이터를 생성할 수 있게 된다.
전술한 실시예에서, 데이터 생성 서브 시스템(미도시)은 GAN을 포함함으로써, 데이터 수집 서브 시스템(210)에 의해 수집되는 실존하는 설비 운영 데이터에 매우 근접한 가상 설비 운영 데이터를 생성할 수 있다.
일 실시예에서, 데이터 생성 서브 시스템(미도시)는 생성한 가상 설비 운영 데이터를 네트워크(240)를 통해 데이터 분석 서브 시스템(220)으로 전송할 수 있다. 데이터 분석 서브 시스템(220)으로 전송된 가상 설비 운영 데이터는 본 개시의 하이브리드 디지털 트윈 모델의 학습을 위한 학습용 데이터로 가공될 수 있다.
이에 따라, 일 실시예에서, 하이브리드 디지털 트윈 모델은 데이터 수집 서브 시스템(210)에 의해 수집되는 설비 운영 데이터 뿐만 아니라, 데이터 생성 서브 시스템(미도시)에 의해 생성되는 가상 설비 운영 데이터를 통해 학습될 수 있다.
데이터 수집 서브 시스템(210)에 의해 수집되는 설비 운영 데이터에 비교하여, 데이터 생성 서브 시스템(미도시)에 의해 생성되는 가상 설비 운영 데이터는 많은 양의 데이터를 포함할 수 있다. 따라서, 하이브리드 디지털 트윈 모델은 많은 양의 데이터를 학습할 수 있으므로, 데이터 수집 서브 시스템(210)에 의해 수집되는 설비 운영 데이터에 의해서만 학습되는 것보다 높은 성능을 발휘할 수 있다.
또한, 데이터 생성 서브 시스템(미도시)에 의해 생성되는 가상 설비 운영 데이터는, 데이터 수집 서브 시스템(210)에 의해 수집되는 설비 운영 데이터에 비하여, 예외적(exceptional), 변칙적(anomaly) 또는 허용범위를 초과하는(overflowing) 극단적인 데이터를 포함할 수 있다. 따라서, 하이브리드 디지털 트윈 모델은 다양한 데이터를 학습할 수 있으므로 예측하기 어려운 상황을 대비할 수 있는 현장 설비 제어를 제공할 수 있다.
본 개시의 공정 운영 최적화를 위한 현장 설비 제어 시스템(200)은, 도시되지는 않지만, 시스템 전체를 구동하는 데 필요한 프로세서, 통신부, 메모리 등과 같은 구성요소를 포함할 수 있고, 본 개시의 현장 설비 제어 시스템(200)에 포함되는 각각의 서브 시스템들은, 도시되지는 않지만, 동작을 수행하는 데 필요한 서브 프로세서, 통신부, 메모리 등과 같은 구성요소를 포함할 수 있다는 것을 당해 기술분야의 통상의 기술자는 이해할 것이다.
통신부는 외부 서버 또는 외부 장치와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부는, 근거리 통신부, 이동 통신부 및 방송 수신부 중 적어도 하나를 포함할 수 있다.
메모리는 공정 운영 최적화를 위한 현장 설비 제어 시스템 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서의 처리 및 제어를 위한 프로그램을 저장할 수 있다.
메모리는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.
프로세서는 공정 운영 최적화를 위한 현장 설비 제어 시스템의 전반적인 동작을 제어한다. 예를 들어, 프로세서는 메모리에 저장된 프로그램들을 실행함으로써, 입력부, 디스플레이, 통신부, 메모리 등을 전반적으로 제어할 수 있다. 프로세서는, 메모리에 저장된 프로그램들을 실행함으로써, 공정 운영 최적화를 위한 현장 설비 제어 시스템의 동작을 제어할 수 있다.
프로세서는 본 개시에서 설명하는 공정 운영 최적화를 위한 현장 설비 제어 시스템의 동작 중 적어도 일부를 제어할 수 있다.
프로세서는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
도 3은 일 실시예에 따른 데이터 분석 서브 시스템을 도시하는 블록도이다.
도 3을 참조하면, 일 실시예에 따른 데이터 분석 서브 시스템(300)은 데이터 가공 모듈(310), 하이브리드 디지털 트윈 모델(hybrid digital twin model)(320) 및 신호 생성 모듈(330)을 포함할 수 있다. 도 3의 데이터 분석 서브 시스템(300)은 도 2의 데이터 분석 서브 시스템(220)과 동일할 수 있다.
데이터 가공 모듈(310)은 데이터 수집 서브 시스템이 수집하여 네트워크를 통해 전송한 데이터(설비 운영 데이터)를, 하이브리드 디지털 트윈 모델(320)에 입력하기에 적합한 형태로 가공할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 머신 러닝 분야의 데이터 전처리를 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 불필요 데이터 제거, 누락 데이터에 특정 값 지정 등을 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 텍스트 데이터를 숫자로 변환, 데이터 카테고리화, 로그 변환, 역수 변환 등과 같은 데이터 인코딩 또는 변환을 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 정규화, 표준화와 같은 값 스케일링을 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 이상치(outlier) 처리를 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 데이터 샘플링을 포함할 수 있다. 예컨대, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 학습용 데이터로의 가공 또는 검증용 데이터로의 가공을 포함할 수 있다. 이외에도, 데이터 가공 모듈(310)이 수행하는 데이터 가공은 현장 설비의 종류, 현장 설비가 생산하는 데이터의 형태와 종류, 하이브리드 디지털 트윈 모델(320)의 설계, 현장 설비 제어 목적 등에 따라 임의의 적합한 과정을 포함할 수 있다.
또한, 데이터 가공 모듈(310)은 데이터 생성 서브 시스템이 생성하여 네트워크를 통해 전송한 데이터(가상 설비 운영 데이터)를, 하이브리드 디지털 트윈 모델(320)에 입력하기에 적합한 형태로 가공할 수 있다. 전술한 데이터 가공과 관련된 데이터 가공 모듈(310)의 동작은 가상 설비 운영 데이터에도 적용될 수 있음은 통상의 기술자에게 쉽게 이해될 수 있을 것이므로, 여기서는 생략하기로 한다.
하이브리드 디지털 트윈 모델(320)은 데이터 가공 모듈(310)로부터 가공한 데이터를 입력 받아, 데이터를 처리할 수 있다. 본 개시의 하이브리드 디지털 트윈 모델(320)은 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합되어 설계될 수 있다. 본 개시의 하이브리드 디지털 트윈 모델(320)은 현장 설비에 관한 설비 운영 데이터를 통해 학습되어 설계될 수 있다. 또한, 본 개시의 하이브리드 디지털 트윈 모델(320)은 현장 설비에 관한 가상 설비 운영 데이터를 통해 학습되어 설계될 수 있다. 또한, 본 개시의 하이브리드 디지털 트윈 모델(320)은 현장 설비에 관한 설비 운영 데이터를 통해 학습되어 설계된 모델과 현장 설비에 관한 가상 설비 운영 데이터를 통해 학습되어 설계된 모델을 모두 포함할 수도 있다. 또한, 본 개시의 하이브리드 디지털 트윈 모델(320)은 현장 설비에 관한 설비 운영 데이터와 현장 설비에 관한 가상 설비 운영 데이터 모두를 통해 학습되어 설계될 수도 있다. 하이브리드 디지털 트윈 모델(320)은 입력된 데이터를 처리하여 신호 생성 모듈(330)로 전송한다. 하이브리드 디지털 트윈 모델(320)에 대한 더 구체적인 설명은 도 4a 및 4b를 참조하여 후술한다. 하이브리드 디지털 트윈 모델(320)은 데이터 처리 결과를 신호 생성 모듈(330)로 전송한다.
신호 생성 모듈(330)은 하이브리드 디지털 트윈 모델(320)이 데이터를 처리한 결과를 수신 및 분석하여 제어 정보 신호를 출력할 수 있다. 도 2를 참조하여 전술한 바와 같이, 신호 생성 모듈(330)이 생성하는 제어 정보 신호는 현장 설비의 상태, 동작, 성능 등을 개선하거나, 현장 설비가 정상적으로 운영될 수 있도록 제어하는 데 필요한 정보를 포함할 수 있다. 신호 생성 모듈(330)이 생성하는 제어 정보 신호는 현장 설비를 제어하기에 적합한 임의의 형태, 구조 또는 특징을 가질 수 있다.
본 개시의 데이터 분석 서브 시스템(300)에 포함되는 각각의 모듈 및 모델은, 도시되지는 않지만, 필요한 경우, 통신부, 메모리 등과 같은 구성요소를 포함할 수 있다는 것을 당해 기술분야의 통상의 기술자는 이해할 것이다.
전술한 바와 같이, 하이브리드 디지털 트윈 모델(320)은 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합되어 설계될 수 있다.
본 개시에서, 인공지능 학습 및 추론 모델은, 현장 설비에 따라 또는 현장 설비가 생산하는 데이터에 따라, 데이터를 처리하기에 적합한 임의의 구조, 형태 또는 특징을 갖는 모델일 수 있다. 본 개시에서, 인공지능 학습 및 추론 모델은 머신 러닝(machine learning)에서 통용되는 모델, 딥 러닝(deep learning)에서 통용되는 모델 등을 포함한다. 일 실시예에서, 인공지능 학습 및 추론 모델은 기존의 운영중인 학습 모델 또는 기존 데이터를 통해 새로이 설계된 학습 모델일 수 있다.
일 실시예에서, 본 개시의 인공지능 학습 및 추론 모델은 인공 신경망(Artificial neural network)을 포함할 수 있다.
인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 노드(뉴런)들로 구성되는, 문제 해결 능력을 갖는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 계층의 노드들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은 복수의 계층을 포함할 수 있다. 각 계층은 하나 이상의 노드를 포함하고, 인공 신경망은 노드와 노드를 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 노드는 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수 값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 노드의 편향 등이 포함될 수 있다. 그리고, 하이퍼 파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률, 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함될 수 있다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다. 인공 신경망은 순전파(forward propagation) 및 역전파(back propagation) 과정을 통하여 학습될 수 있다.
본 개시에서, 물리적 모델은 물리적 특성에 기반한 사전 수치해석 및 시뮬레이션 모델로서, 물리적 법칙에 따른 연역적 추론에 의하여 물리 현상을 기술하는 모델이다. 본 개시에서, 현장 설비에 관한 물리적 모델은 현장 설비 자체, 현장 설비를 구성하는 물질 및 공정 대상 물질, 현장 설비의 동작, 현장 설비의 공정 등을 포함하는, 현장 설비 운영과 연계되고, 현장 설비와 관련하여 발생하는 물리적인 현상을 기술하는 시뮬레이션 및 수치해석 모델을 지칭할 수 있다. 일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은 네트워크를 통해 수신될 수 있다.
일 실시예에서, 하이브리드 디지털 트윈 모델은 하나 이상의 인공지능 학습 및 추론 모델을 포함할 수 있다. 하이브리드 디지털 트윈 모델은 공정 운영 최적화를 위한 현장 설비 제어 시스템을 구현하기 위해 적절한 임의의 수의 인공지능 학습 및 추론 모델을 포함할 수 있다. 일 실시예에서, 하이브리드 디지털 트윈 모델은 설비 운영 데이터의 종류의 수, 현장 설비의 종류의 수 또는 현장 설비의 수 등과 동일한 수의 인공지능 학습 및 추론 모델을 포함할 수 있다.
본 개시에서, 인공지능 학습 및 추론 모델과 물리적 모델을 융합한 하이브리드 디지털 트윈 모델을 도입함으로써 현장 설비 제어 시스템에서 데이터를 분석하는 역할을 수행하는 중추가 되는 분석 모델에서 유연하게 역전파를 수행하는 것이 가능하고, 이로써 입력의 변화에 따른 출력 예측뿐만 아니라 목표한 출력을 얻기 위해 필요한 입력의 변화까지도 도출할 수 있다.
도 4a 및 4b는 일 실시예에 따른 하이브리드 디지털 트윈 모델의 형태를 설명하기 위한 개략도이다.
도 4a는 하이브리드 디지털 트윈 모델로 융합될 수 있는 인공지능 학습 및 추론 모델의 인공 신경망의 일 예시를 도시한다. 도 4a의 인공 신경망은 복수의 계층을 포함할 수 있다. 일 실시예에서, 도시된 바와 같이, 인공 신경망은 입력 계층(input layer), 출력 계층(output layer) 및 세 개의 은닉 계층(hidden layer 1, hidden layer 2 및 hidden layer 3)을 포함할 수 있다. 일 실시예에서, 인공 신경망에 포함된 계층 각각은 복수의 노드를 포함한다. 일 실시예에서, 인공 신경망에 포함된 계층의 각 노드들은 인접한 계층의 모든 노드들과 연결될 수 있다.
도 4b는 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합된 하이브리드 디지털 트윈 모델의 일 실시예를 설명하기 위한 도면이다. 도 4b를 참조하면, 일 실시예에서, 세 개의 은닉 계층 각각에 물리적 노드(410), 물리적 노드(420) 및 물리적 노드(430)가 포함되어 있다. 일 실시예에서, 인공 신경망에 포함된 물리적 노드(410, 420 및 430)는 현장 설비에 관한 물리적 모델을 구현한 노드일 수 있다. 일 실시예에서, 물리적 노드(410, 420 및 430)는 다른 노드들과는 상이한 방식으로 가중치 업데이트가 이뤄질 수 있다. 예컨대, 물리적 노드(410, 420 및 430)는 역전파의 영향을 받지 않을 수 있다. 예컨대, 물리적 노드(410, 420 및 430)는 다른 노드들의 업데이트 주기와 상이한 주기로 업데이트될 수 있다. 예컨대, 물리적 노드(410, 420 및 430)는 사용자의 직접 입력을 통해서만 업데이트되도록 설계될 수 있다. 예컨대, 물리적 노드(410, 420 및 430)는 현장 설비 제어 시스템 외부의 서버에서 다운로드를 통해서만 업데이트되도록 설계될 수 있다. 도 4b에 도시된 바와 같은 방식으로, 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합될 수 있다.
도 4a 및 4b는 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합되는 하나의 실시예를 설명하기 위한 의도로 제공된다. 즉, 도 4a 및 4b에서, 세 개의 은닉 계층이 포함되는 것으로 나타나지만, 이는 단순히 예시로 제공되며, 인공 신경망은 본 개시의 구현에 적합한 임의의 수의 은닉 계층을 포함할 수 있다. 마찬가지로, 도 4a에서 각 계층에 포함된 노드의 수는 단순히 예시로 제공되며, 인공 신경망의 포함된 계층 각각은 본 개시의 구현에 적합한 임의의 수의 노드를 포함할 수 있다. 또한 마찬가지로, 도 4b에서 모든 은닉 계층이 물리적 노드를 포함하는 것으로 도시되지만, 이는 단순히 예시로 제공되며, 복수의 은닉 계층 중 일부만이 물리적 노드를 포함할 수도 있다. 또한, 하이브리드 디지털 트윈 모델은 도시된 구조와 상이한, 임의의 적합한 구조 및 형태로 구현될 수 있다.
도 5a 및 5b는 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 시스템의 배치 방식을 설명하기 위한 블록도이다.
도 5a를 참조하면, 일 실시예에서, 데이터 수집 서브 시스템 및 데이터 분석 서브 시스템은 에지 컴퓨팅 노드(510)에 구비되고, 관제 서브 시스템은 백엔드(back end) 컴퓨팅 노드(520)에 구비된다.
도 5a의 에지 컴퓨팅 노드(510)는 도 1의 에지 계층(120)을 의미하거나 에지 계층(120)에 포함될 수 있고, 도 5a의 백엔드 컴퓨팅 노드(520)는 도 1의 클라우드 계층(130)을 의미하거나, 클라우드 계층(130)에 포함될 수 있다.
도 5a의 데이터 수집 서브 시스템, 데이터 분석 서브 시스템 및 관제 서브 시스템은, 본 개시에서 앞서 설명한, 각각에 관련된 실시예들로 구성될 수 있다. 즉, 도 5의 데이터 수집 서브 시스템은 도 2의 데이터 수집 서브 시스템(210)을 포함할 수 있고, 도 5a의 데이터 분석 서브 시스템은 도 2의 데이터 분석 서브 시스템(220) 또는 도 3의 데이터 분석 서브 시스템(300)을 포함할 수 있으며, 도 5a의 관제 서브 시스템은 도 2의 관제 서브 시스템(230)을 포함할 수 있다. 도 5a에서 현장 설비, 에지 컴퓨팅 노드(510) 또는 백엔드 컴퓨팅 노드(520) 사이의 데이터 및 신호 송수신 또는 각 서브 시스템 사이의 데이터 및 신호 송수신은 도시되어 있지는 않지만 네트워크를 통해 이루어질 수 있으며, 네트워크는 도 2의 네트워크(240)를 포함할 수 있다.
도 5a에 도시된 바와 같이, 일 실시예에서, 현장 설비에 근접한 에지 컴퓨팅 노드(510)에 데이터 수집 서브 시스템 및 데이터 분석 서브 시스템을 구비함으로써, 실시간 수행이 필요한 설비 운영 데이터 수집, 수집된 데이터 분석과 같은 활동을 현장 설비에 근접한 위치에서 수행되도록 할 수 있다. 실시예에서, 상대적으로 비실시간 성격을 갖는 활동을 수행하는 관제 서브 시스템은 백엔드 컴퓨팅 노드(520)에 구비하여, 전체 시스템의 리소스를 효과적으로 분배하고 과부하를 방지할 수 있다.
도 5b를 참조하면, 일 실시예에서, 데이터 수집 서브 시스템 및 데이터 분석 서브 시스템은 에지 컴퓨팅 노드(530)에 구비되고, 관제 서브 시스템 및 물리적 모델은 백엔드 컴퓨팅 노드(540)에 구비된다.
도 5b의 에지 컴퓨팅 노드(530)는 도 1의 에지 계층(120)을 의미할 수 있고, 도 5b의 백엔드 컴퓨팅 노드(540)는 도 1의 클라우드 계층(130)을 의미할 수 있다.
도 5b의 데이터 수집 서브 시스템, 데이터 분석 서브 시스템 및 관제 서브 시스템은, 본 개시에서 앞서 설명한, 각각에 관련된 실시예들로 구성될 수 있다. 즉, 도 5의 데이터 수집 서브 시스템은 도 2의 데이터 수집 서브 시스템(210)을 포함할 수 있고, 도 5b의 데이터 분석 서브 시스템은 도 2의 데이터 분석 서브 시스템(220) 또는 도 3의 데이터 분석 서브 시스템(300)을 포함할 수 있으며, 도 5b의 관제 서브 시스템은 도 2의 관제 서브 시스템(230)을 포함할 수 있다. 또한, 도 5b의 물리적 모델은 전술한 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델을 포함할 수 있다. 도 5b에서 현장 설비, 에지 컴퓨팅 노드(530) 또는 백엔드 컴퓨팅 노드(540) 사이의 데이터 및 신호 송수신 또는 각 서브 시스템 사이의 데이터 및 신호 송수신은 도시되어 있지는 않지만 네트워크를 통해 이루어질 수 있으며, 네트워크는 도 2의 네트워크(240)를 포함할 수 있다.
도 5b에 도시된 바와 같이, 일 실시예에서, 현장 설비에 근접한 에지 컴퓨팅 노드(530)에 데이터 수집 서브 시스템 및 데이터 분석 서브 시스템을 구비함으로써, 실시간 수행이 필요한 설비 운영 데이터 수집, 수집된 데이터 분석과 같은 활동을 현장 설비에 근접한 위치에서 수행되도록 할 수 있다. 실시예에서, 상대적으로 비실시간 성격을 갖는 활동을 수행하는 관제 서브 시스템과, 실시간으로 변화 또는 변경이 필요하지 않은 물리적 모델은 백엔드 컴퓨팅 노드(540)에 구비하여, 전체 시스템의 리소스를 효과적으로 분배하고 과부하를 방지할 수 있다.
전술한 바와 같이, 하이브리드 디지털 트윈 모델은 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합되어 설계될 수 있다. 그런데, 하이브리드 디지털 트윈 모델은 에지 컴퓨팅 노드(530)에 구비된 데이터 분석 서브 시스템에 포함될 수 있다. 따라서, 일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은 네트워크를 통해 백엔드 컴퓨팅 노드(540)로부터 로드하여 사용될 수 있다. 일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은 소정의 주기로 백엔드 컴퓨팅 노드(540)로부터 로드하여 업데이트될 수 있다. 소정의 주기는, 바람직하게는, 하이브리드 디지털 트윈 모델의 학습 주기보다 클 수 있다. 일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은, 백엔드 컴퓨팅 노드(540)에 구비된 물리적 모델과 동일한지 판단(최신의 물리적 모델인지 판단)하는 과정을 거쳐, 컴퓨팅 노드(540)로부터 로드하여 업데이트될 수 있다. 일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은, 컴퓨팅 노드(540)에 구비된 물리적 모델이 변경(최신화)되었을 때에만, 컴퓨팅 노드(540)로부터 새롭게 로드하여 업데이트될 수 있다.
전술한 실시예외에도, 본 개시의 현장 설비 제어 시스템의 리소스를 효과적으로 분배하고 과부하를 방지할 수 있는 임의의 적합한 배치 방식이 채택될 수 있다.
도 6은 일 실시예에 따른 공정 운영 최적화를 위한 현장 설비 제어 방법을 도시하는 흐름도이다.
도 6에 도시된, 공정 운영 최적화를 위한 현장 설비 제어 방법은, 앞서 설명된 실시예들에 관련되므로, 이하 생략된 내용이라 할지라도, 앞서 설명된 내용들은 도 6의 방법에도 적용될 수 있다.
도 6에 도시된 동작들은 전술한 공정 운영 최적화를 위한 현장 설비 제어 시스템에 의하여 실행될 수 있다. 구체적으로, 도 6에 도시된 동작들은 전술한 공정 운영 최적화를 위한 현장 설비 제어 시스템을 총괄하는 프로세서에 의하여 실행될 수 있다.
단계 610에서 하나 이상의 현장 설비로부터 설비 운영 데이터가 수집될 수 있다.
일 실시예에서, 설비 운영 데이터는 현장 설비 환경 데이터 및 현장 설비 관리 데이터를 포함할 수 있다.
일 실시예에서, 단계 610은 소정의 주기마다 수행될 수 있다.
일 실시예에서, 단계 610은 에지 컴퓨팅 노드에서 수행될 수 있다.
단계 620에서 수집된 데이터가 가공될 수 있다.
일 실시예에서, 단계 620은 에지 컴퓨팅 노드에서 수행될 수 있다.
단계 630에서 하이브리드 디지털 트윈 모델을 통해, 가공된 데이터가 처리될 수 있다.
일 실시예에서, 하이브리드 디지털 트윈 모델은 인공지능 학습 및 추론 모델과 현장 설비에 관한 물리적 모델이 융합된 것으로서, 하나 이상의 현장 설비에 관한 설비 운영 데이터를 통해 학습된 것일 수 있다.
일 실시예에서, 인공지능 학습 및 추론 모델은, 입력 계층, 출력 계층 및 입력 계층과 출력 계층 사이의 하나 이상의 은닉 계층을 포함할 수 있다.
일 실시예에서, 하나 이상의 은닉 계층 중 적어도 일부는 물리적 모델을 구현한 노드를 포함할 수 있다.
일 실시예에서, 단계 630은 에지 컴퓨팅 노드에서 수행될 수 있다.
일 실시예에서, 하이브리드 디지털 트윈 모델로 융합되는 물리적 모델은 백엔드 컴퓨팅 노드에 구비된 물리적 모델을 네트워크를 통해 로드한 것일 수 있다.
단계 640에서 하이브리드 디지털 트윈 모델에 의해 처리된 데이터를 분석하여 제어 신호가 생성될 수 있다.
일 실시예에서, 단계 640은 에지 컴퓨팅 노드에서 수행될 수 있다.
단계 650에서 제어 신호에 기초하여 하나 이상의 현장 설비가 제어될 수 있다.
일 실시예에서, 단계 650은 백엔드 컴퓨팅 노드에서 수행될 수 있다.
일 실시예에서, 백엔드 컴퓨팅 노드는 클라우드 서버에 존재할 수 있다.
일 실시예에서, 하나 이상의 현장 설비에 관한 설비 운영 데이터에 기초하여 하이브리드 디지털 트윈 모델을 학습시키는 단계를 더 포함할 수 있다.
일 실시예에서, 하나 이상의 현장 설비에 관한 가상 설비 운영 데이터를 생성하는 단계를 더 포함할 수 있다.
일 실시예에서, 가상 설비 운영 데이터를 생성하는 단계는 적대적 생성 신경망(generative adversarial network, GAN)에 기초하여 수행될 수 있다.
일 실시예에서, 하이브리드 디지털 트윈 모델은 하나 이상의 현장 설비에 관한 가상 설비 운영 데이터를 통해 학습된 모델을 더 포함할 수 있다.
본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
일 실시예에 따르면, 본 개시의 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
Claims (12)
- 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집하는 데이터 수집 서브 시스템;
상기 데이터 수집 서브 시스템이 수집한 데이터를 분석하는 데이터 분석 서브 시스템;
상기 데이터 분석 서브 시스템의 출력에 기초하여 상기 하나 이상의 현장 설비를 제어하는 관제 서브 시스템; 및
상기 하나 이상의 현장 설비에 관한 설비 운영 데이터에 기초하여 하이브리드 디지털 트윈(hybrid digital twin) 모델을 학습시키는 모델 학습 서브 시스템;
를 포함하되,
상기 각각의 서브 시스템은 네트워크를 통해 통신 가능하도록 연결되며,
상기 데이터 분석 서브 시스템은,
상기 데이터 수집 서브 시스템이 수집한 데이터를 가공하는 데이터 가공 모듈;
상기 데이터 가공 모듈이 가공한 데이터를 처리하는 상기 하이브리드 디지털 트윈 모델; 및
상기 하이브리드 디지털 트윈 모델이 처리한 데이터를 분석하여 제어 정보 신호를 출력하는 신호 생성 모듈;
을 포함하고,
상기 하이브리드 디지털 트윈 모델은,
설비 운영 데이터 기반 인공지능 학습 및 추론 모델과 상기 현장 설비에 관한 물리적 모델이 융합된 것이되,
상기 인공지능 학습 및 추론 모델은,
입력 계층;
출력 계층; 및
상기 입력 계층 및 상기 출력 계층 사이의 하나 이상의 은닉(hidden) 계층을 포함하고,
상기 하나 이상의 은닉 계층 각각은,
하나 이상의 노드를 포함하고,
상기 노드는,
상기 물리적 모델을 구현한 노드인 하나 이상의 물리적 노드를 포함하며,
상기 하나 이상의 물리적 노드는,
상기 하이브리드 디지털 트윈 모델의 학습을 위해 수행되고, 물리적 노드가 아닌 노드에 대한 가중치 업데이트를 위한 역전파(back propagation)의 영향을 받지 않고,
사용자의 직접 입력 또는 다운로드를 통해 업데이트되는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 제 1 항에 있어서,
상기 설비 운영 데이터는,
현장 설비 환경 데이터 및 현장 설비 관리 데이터를 포함하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 데이터 수집 서브 시스템, 상기 데이터 분석 서브 시스템은 에지(edge) 컴퓨팅 노드에 구비되는 것을 특징으로 하고,
상기 관제 서브 시스템은 백엔드(backend) 컴퓨팅 노드에 구비되는 것을 특징으로 하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 삭제
- 제 5 항에 있어서,
상기 백엔드 컴퓨팅 노드는 클라우드 서버에 존재하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 제 1 항에 있어서,
상기 하이브리드 디지털 트윈 모델은
상기 설비 운영 데이터의 종류의 수와 동일한 수의 인공지능 학습 및 추론 모델을 포함하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 제 1 항에 있어서,
상기 시스템은,
상기 하나 이상의 현장 설비에 관한 가상 설비 운영 데이터를 생성하는 데이터 생성 서브 시스템을 더 포함하고,
상기 하이브리드 디지털 트윈 모델은,
상기 하나 이상의 현장 설비에 관한 가상 설비 운영 데이터를 통해 학습된 모델을 더 포함하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 제 9 항에 있어서,
상기 데이터 생성 서브 시스템은,
적대적 생성 신경망(generative adversarial network, GAN)을 포함하는,
공정 운영 최적화를 위한 현장 설비 제어 시스템.
- 하나 이상의 현장 설비로부터 설비 운영 데이터를 수집하는 단계;
상기 수집된 데이터를 분석하는 단계;
상기 분석된 결과에 기초하여 상기 하나 이상의 현장 설비를 제어하는 단계; 및
상기 하나 이상의 현장 설비에 관한 설비 운영 데이터에 기초하여 하이브리드 디지털 트윈 모델을 학습시키는 단계;
를 포함하되,
상기 수집된 데이터를 분석하는 단계는,
상기 수집된 데이터를 가공하는 단계;
상기 하이브리드 디지털 트윈 모델을 통해, 상기 가공된 데이터를 처리하는 단계; 및
상기 하이브리드 디지털 트윈 모델이 처리한 데이터를 분석하여 제어 정보 신호를 생성하는 단계;
를 포함하고,
상기 하이브리드 디지털 트윈 모델은,
설비 운영 데이터 기반 인공지능 학습 및 추론 모델과 상기 현장 설비에 관한 물리적 모델이 융합된 것이되,
상기 인공지능 학습 및 추론 모델은,
입력 계층;
출력 계층; 및
상기 입력 계층 및 상기 출력 계층 사이의 하나 이상의 은닉 계층을 포함하고,
상기 하나 이상의 은닉 계층 각각은,
하나 이상의 노드를 포함하고,
상기 노드는,
상기 물리적 모델을 구현한 노드인 하나 이상의 물리적 노드를 포함하며,
상기 하나 이상의 물리적 노드는,
상기 하이브리드 디지털 트윈 모델의 학습을 위해 수행되고, 물리적 노드가 아닌 노드에 대한 가중치 업데이트를 위한 역전파의 영향을 받지 않고,
사용자의 직접 입력 또는 다운로드를 통해 업데이트되는,
공정 운영 최적화를 위한 현장 설비 제어 방법.
- 제 11 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US18/183,841 US20230297040A1 (en) | 2022-03-15 | 2023-03-14 | Field installation control system and method based on hybrid digital twin model for process operation optimization |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220031989 | 2022-03-15 | ||
| KR1020220031989 | 2022-03-15 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230134960A KR20230134960A (ko) | 2023-09-22 |
| KR102604830B1 true KR102604830B1 (ko) | 2023-11-22 |
Family
ID=88190193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220055551A KR102604830B1 (ko) | 2022-03-15 | 2022-05-04 | 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102604830B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102212390B1 (ko) * | 2020-04-01 | 2021-02-04 | (주)포미트 | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 |
| JP2021531574A (ja) * | 2018-08-14 | 2021-11-18 | オムロン株式会社 | 産業用ｐｃデバイス及び産業用ｐｃデバイスの動作方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102310187B1 (ko) * | 2019-09-25 | 2021-10-08 | 한국전자기술연구원 | 복수의 엣지와 클라우드를 포함하는 분산 컴퓨팅 시스템 및 이의 적응적 지능 활용을 위한 분석 모델 제공 방법 |
-
2022
- 2022-05-04 KR KR1020220055551A patent/KR102604830B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021531574A (ja) * | 2018-08-14 | 2021-11-18 | オムロン株式会社 | 産業用ｐｃデバイス及び産業用ｐｃデバイスの動作方法 |
| KR102212390B1 (ko) * | 2020-04-01 | 2021-02-04 | (주)포미트 | 디지털 트윈 시뮬레이터 및 기계학습을 이용하는 실제 플랜트의 최적 운영 규칙 도출 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230134960A (ko) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fei et al. | CPS data streams analytics based on machine learning for Cloud and Fog Computing: A survey | |
| US20240103594A1 (en) | AI-Based Energy Edge Platform, Systems, and Methods Having a Digital Twin of Decentralized Infrastructure | |
| Gorokhovatskiy et al. | Employment of Intelligent Technologies in Multiparametric Control Systems | |
| Park et al. | Digital twin application with horizontal coordination for reinforcement-learning-based production control in a re-entrant job shop | |
| KR20220072311A (ko) | 지능형 종합물류 플랫폼 설계 방법 | |
| Choo et al. | Adaptive multi-scale prognostics and health management for smart manufacturing systems | |
| US20230297040A1 (en) | Field installation control system and method based on hybrid digital twin model for process operation optimization | |
| Assad et al. | Utilising web-based digital twin to promote assembly line sustainability | |
| Wang et al. | Industrial‐generative pre‐trained transformer for intelligent manufacturing systems | |
| Parto et al. | Cyber-physical system implementation for manufacturing with analytics in the cloud layer | |
| Chen et al. | Artificial intelligence in manufacturing | |
| KR102604830B1 (ko) | 공정 운영 최적화를 위한 하이브리드 디지털 트윈 모델 기반의 현장 설비 제어 시스템 및 방법 | |
| Falcao et al. | Q-learning based hyper-heuristic for scheduling system self-parameterization | |
| Liu et al. | Manufacturing Process Optimization in the Process Industry | |
| Banica et al. | Stepping into the industry 4.0: the digital twin approach | |
| Rocha et al. | Digital twin-based optimiser for self-organised collaborative cyber-physical production systems | |
| Azadeh et al. | Optimisation of net profit with uncertain inputs in manufacturing environments by integration of neural networks, genetic algorithm and fuzzy regression | |
| Gasior et al. | Machine Learning-Based Recommender System for Tweeting Factory in Industry 5.0 Paradigm | |
| Mahor et al. | Intelligence System and Internet of Things (IoT) Based Smart Manufacturing Industries | |
| Ravichandran | Evolutionary Design Optimization: Unveiling the Potential of Generative Algorithms for Complex Engineering Challenges | |
| Bolat-Akça et al. | Digital twin-assisted intelligent anomaly detection system for Internet of Things | |
| Martinez-Murcia et al. | Long Short-Term Memory Networks for the Prediction of Transformer Temperature for Energy Distribution Smart Grids | |
| Abdrakhmanova | Digital transformation of building enterprises | |
| Leitão | Multi-agent Systems to Distribute Intelligence in Industrial Cyber-Physical Systems. | |
| Sankar | The Rising Applications of Automation in Emerging World |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |