KR102612058B1

KR102612058B1 - 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법, 장치 및 시스템

Info

Publication number: KR102612058B1
Application number: KR1020230066724A
Authority: KR
Inventors: 서진석
Original assignee: 주식회사 시스너
Priority date: 2023-05-24
Filing date: 2023-05-24
Publication date: 2023-12-08

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법에 있어서, 제1 생산 장비의 상태를 확인하기 위해, 미리 설정된 기간마다 상기 제1 생산 장비의 상태를 나타내는 장비 상태 정보를 획득하는 단계; 제1 시점에 상기 제1 생산 장비의 상태를 나타내는 제1 장비 상태 정보가 획득되면, 상기 제1 장비 상태 정보를 기반으로, 상기 제1 시점에 대한 상기 제1 생산 장비의 상태를 나타내는 제1 상태 지수를 산출하는 단계; 상기 제1 시점 이후인 제2 시점에 상기 제1 생산 장비의 상태를 나타내는 제2 장비 상태 정보가 획득되면, 상기 제2 장비 상태 정보를 기반으로, 상기 제2 시점에 대한 상기 제1 생산 장비의 상태를 나타내는 제2 상태 지수를 산출하는 단계; 상기 제1 시점부터 상기 제2 시점까지 제1 기간으로 설정하고, 상기 제1 기간 동안 상기 제1 생산 장비에 대한 상태 변동 추세를 나타내는 제1 상태 변동 추세를 분석하는 단계; 상기 제1 상태 변동 추세에 대한 분석 결과를 제1 인공지능 모델에 적용하여, 상기 제1 인공지능 모델의 출력을 기초로, 상기 제1 기간 이후인 제2 기간에 상기 제1 생산 장비에서 불량 제품을 생산할 것으로 예상되는 확률을 제1 불량률로 예측하는 단계; 상기 제1 불량률이 미리 설정된 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 정상 장비로 분류하는 단계; 상기 제1 불량률이 상기 제1 기준 비율 보다 높지만 미리 설정된 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 관심 필요 장비로 분류하는 단계; 상기 제1 불량률이 상기 제2 기준 비율 보다 높지만 미리 설정된 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 점검 필요 장비로 분류하는 단계; 및 상기 제1 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제1 생산 장비를 교체 필요 장비로 분류하는 단계를 포함하는, 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법이 제공된다.

Description

인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR OPERATING SMART FACTORY THROUGH PREDICTION OF DEFECT RATE BASED ON ARTIFICIAL INTELLIGENCE MODEL}

아래 실시예들은 인공지능 모델을 기반으로 불량률을 예측하고 예측한 불량률을 통해 스마트 팩토리를 운용하기 위한 기술에 관한 것이다.

일반적으로 스마트 팩토리란, 제품 생산의 전 과정이 무선 통신으로 연결되어 자동으로 이루어지는 공장을 의미한다. 설계, 개발, 제조 및 유통, 물류 등 생산공정에 디지털 자동화 솔루션이 결합된 정보통신기술(ICT)을 적용하여 생산성, 품질, 고객만족도를 향상시킨다. 또한, 공장 내에 생산 설비와 기계에 사물인터넷(IoT)이 설치되어 공정 데이터가 실시간으로 수집되고 데이터에 기반한 의사결정이 이루어짐으로써 생산성을 극대화할 수 있다.

스마트 팩토리는 기획, 설계, 생산, 유통, 판매 등 전 생산과정을 ICT를 이용하여 최소의 비용과 시간으로 고객 맞춤형 제품을 생산하는 진화된 공장을 의미하며, 다양한 대량의 데이터를 유관 데이터 영역으로 검토해 활용할 수 있고, 실시간 처리 수준의 향상과 제조 운영 관련 경보, 조치 소요시간, 정보공유 등의 기능의 빠른 대응력을 확보할 수 있는 부분이 기존 공장과 차별화된다.

특히, 스마트 팩토리를 운용하는데 있어, 다양한 생산 공정들을 자동화하였지만, 제품을 생산하는데 있어 가장 중요한 불량품의 체크 및 관리는 사람이 직접하거나, 촬영 이미지를 활용하여 불량품을 판단하고 있으나, 기존의 방법으로는 정확도가 다소 낮은 문제가 있다.

따라서, 생산 장비에서 제품을 생산할 때 불량 제품을 생산할 수 있는 불량률을 예측하여, 예측된 불량률을 통해 스마트 팩토리를 운용하고자 하는 요구가 증대되고 있으며, 이와 관련된 기술에 대한 연구가 요구된다.

한국등록특허 제10-2295438호 한국공개특허 제10-2023-0063742호 한국공개특허 제10-2022-0167827호 한국공개특허 제10-2021-0057419호

일실시예에 따르면, 인공지능 모델을 기반으로 불량률을 예측하고 예측한 불량률을 통해 스마트 팩토리를 운용하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

상기 제1 상태 지수를 산출하는 단계는, 상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 온도가 제1 온도로 확인된 경우, 상기 제1 온도가 미리 설정된 정상 온도 범위 내에 있는 것으로 확인되면, 제1 수치를 10으로 설정하는 단계; 상기 제1 온도가 상기 정상 온도 범위를 벗어나 상기 정상 온도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 온도와 상기 정상 온도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제1 수치를 낮은 수치로 설정하는 단계; 상기 제1 온도가 상기 정상 온도 범위를 벗어나 상기 정상 온도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 온도와 상기 정상 온도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제1 수치를 낮은 수치로 설정하는 단계; 상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 습도가 제1 습도로 확인된 경우, 상기 제1 습도가 미리 설정된 정상 습도 범위 내에 있는 것으로 확인되면, 제2 수치를 10으로 설정하는 단계; 상기 제1 습도가 상기 정상 습도 범위를 벗어나 상기 정상 습도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 습도와 상기 정상 습도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제2 수치를 낮은 수치로 설정하는 단계; 상기 제1 습도가 상기 정상 습도 범위를 벗어나 상기 정상 습도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 습도와 상기 정상 습도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제2 수치를 낮은 수치로 설정하는 단계; 상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 동작 시 회전하는 속도가 제1 속도로 확인된 경우, 상기 제1 속도가 미리 설정된 정상 속도 범위 내에 있는 것으로 확인되면, 제3 수치를 10으로 설정하는 단계; 상기 제1 속도가 상기 정상 속도 범위를 벗어나 상기 정상 속도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 속도와 상기 정상 속도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제3 수치를 낮은 수치로 설정하는 단계; 상기 제1 속도가 상기 정상 속도 범위를 벗어나 상기 정상 속도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 속도와 상기 정상 속도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제3 수치를 낮은 수치로 설정하는 단계; 상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 동작 시 가해지는 압력이 제1 압력으로 확인된 경우, 상기 제1 압력이 미리 설정된 정상 압력 범위 내에 있는 것으로 확인되면, 제4 수치를 10으로 설정하는 단계; 상기 제1 압력이 상기 정상 압력 범위를 벗어나 상기 정상 압력 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 압력과 상기 정상 압력 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제4 수치를 낮은 수치로 설정하는 단계; 상기 제1 압력이 상기 정상 압력 범위를 벗어나 상기 정상 압력 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 압력과 상기 정상 압력 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제4 수치를 낮은 수치로 설정하는 단계; 및 상기 제1 수치, 상기 제2 수치, 상기 제3 수치 및 상기 제4 수치를 합산한 값으로, 상기 제1 상태 지수를 산출하는 단계를 포함할 수 있다.

상기 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법은, 상기 제1 불량률로 예측하는 단계 이후, 상기 제1 생산 장비의 고장 발생 내역을 기반으로, 상기 제1 생산 장비에서 고장이 발생한 일자를 확인하여, 상기 제1 생산 장비의 고장 발생 주기를 분석하는 단계; 상기 제1 생산 장비의 고장 발생 주기에 기초하여, 상기 제1 생산 장비에서 고장이 발생할 것으로 예상되는 고장 발생 예상일을 예측하는 단계; 현재 시점부터 상기 고장 발생 예상일까지 남아있는 잔여 기간을 제1 잔여 기간으로 설정하는 단계; 상기 제1 잔여 기간이 미리 설정된 기준 기간 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단하는 단계; 상기 제1 잔여 기간이 상기 기준 기간 범위를 벗어나 상기 기준 기간 범위의 최소값 보다 짧은 것으로 확인되면, 상기 제1 잔여 기간이 짧을수록 1부터 2까지 범위 내에서 제1 기준치를 높은 값으로 설정하는 단계; 상기 제1 잔여 기간이 상기 기준 기간 범위를 벗어나 상기 기준 기간 범위의 최대값 보다 긴 것으로 확인되면, 상기 제1 잔여 기간이 길수록 0부터 1까지 범위 내에서 제1 기준치를 낮은 값으로 설정하는 단계; 상기 제1 기준치가 설정되면, 상기 제1 불량률 및 상기 제1 기준치를 곱한 값으로, 제2 불량률을 산출하는 단계; 상기 제1 불량률이 상기 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 1등급으로 설정하고, 상기 제1 불량률이 상기 제1 기준 비율 보다 높지만 상기 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 2등급으로 설정하고, 상기 제1 불량률이 상기 제2 기준 비율 보다 높지만 상기 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 3등급으로 설정하고, 상기 제1 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제1 불량률의 등급을 4등급으로 설정하는 단계; 상기 제2 불량률이 상기 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 1등급으로 설정하고, 상기 제2 불량률이 상기 제1 기준 비율 보다 높지만 상기 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 2등급으로 설정하고, 상기 제2 불량률이 상기 제2 기준 비율 보다 높지만 상기 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 3등급으로 설정하고, 상기 제2 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제2 불량률의 등급을 4등급으로 설정하는 단계; 상기 제1 불량률의 등급과 상기 제2 불량률의 등급이 동일한 것으로 확인되면, 상기 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단하는 단계; 상기 제1 불량률의 등급과 상기 제2 불량률의 등급이 상이한 것으로 확인되면, 상기 제1 불량률의 등급과 상기 제2 불량률의 등급 차이가 클수록 0부터 0.5까지 범위 내에서 제2 기준치를 높은 값으로 설정하는 단계; 상기 제1 기준치가 1보다 작은 것으로 확인되면, 상기 제1 기준치와 상기 제2 기준치를 더한 값으로, 제3 기준치를 산출하는 단계; 상기 제1 기준치가 1보다 큰 것으로 확인되면, 상기 제1 기준치에서 상기 제2 기준치를 뺀 값으로, 제3 기준치를 산출하는 단계; 및 상기 제3 기준치가 산출되면, 상기 제1 불량률 및 상기 제3 기준치를 곱한 값으로, 상기 제1 불량률을 조정하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 인공지능을 기반으로 불량률을 예측하고 불량률 예측을 통해 스마트 팩토리를 운용함으로써, 예측된 불량률을 통해 스마트 팩토리를 효율적으로 운용하는데 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 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 모델을 기반으로 불량률을 예측하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 불량률 예측을 통해 스마트 팩토리를 운용하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 생산 장비의 온도에 따라 제1 수치를 설정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 생산 장비의 습도에 따라 제2 수치를 설정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 생산 장비의 속도에 따라 제3 수치를 설정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 생산 장비의 압력에 따라 제4 수치를 설정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 고장 발생 예상일까지 남아있는 잔여 기간에 따라 제2 불량률을 산출하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제1 불량률 및 제2 불량률의 등급 비교를 통해 제1 불량률을 조정하는 과정을 설명하기 위한 순서도이다.
도 10 내지 도 11은 일실시예에 따른 생산 가능량 및 예상 출고량에 따라 생산 장비들의 가동을 제어하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 여유 생산량에 따라 정상 장비로 분류된 생산 장비들이 일부 시간만 가동되도록 제어하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 최근 데이터 및 계절 변수를 고려하여 출고 패턴을 분석하는 과정을 설명하기 위한 순서도이다.
도 14는 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.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 생산 장비(100) 및 장치(200)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.

복수의 생산 장비(100) 각각은 특정 제품을 생산하는 생산 장비로, 특정 제품을 생산하기 위한 생산 설비를 포함할 수 있다.

예를 들어, 복수의 생산 장비(100)는 제1 제품을 생산하는 생산 장비로, 제1 지점에 설치된 제1 생산 장비(110), 제2 지점에 설치된 제2 생산 장비(120) 등을 포함할 수 있으며, 공장의 특정 구역 내에 복수의 생산 장비(100)가 배치될 수 있다.

복수의 생산 장비(100) 각각은 통신 모듈을 포함하여, 외부 장치와 통신을 수행할 수 있으며, 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

복수의 생산 장비(100) 각각은 생산 장비의 상태를 감지하기 위한 다양한 센서를 포함할 수 있으며, 예를 들면, 온도를 감지하는 온도 센서, 습도를 감지하는 습도 센서, 회전 속도를 감지하는 속도 센서, 압력을 감지하는 압력 센서 등을 포함할 수 있다.

장치(200)는 장치(200)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(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 복수의 생산 장비(100)와 유무선으로 통신하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다.

장치(200)는 복수의 생산 장비(100)와 유무선으로 통신하도록 구성될 수 있으며, 복수의 생산 장비(100) 각각의 동작을 제어할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 생산 장비 중 제1 생산 장비(110) 및 제2 생산 장비(120)만을 도시하였으나, 생산 장비들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 공장에 배치될 공간이 허용하는 한, 생산 장비들의 수는 특별한 제한이 없다.

일실시예에 따르면, 장치(200)는 인공지능을 기반으로 특정 생산 장비에서 불량 제품을 생산할 것으로 예상되는 확률을 예측할 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, 인공 신경망 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), 인공 신경망(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 인공 신경망 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 모델을 기반으로 불량률을 예측하는 과정을 설명하기 위한 순서도이다.

먼저, 장치(200)는 제1 생산 장비(110)의 상태를 확인하기 위해, 미리 설정된 기간마다 제1 생산 장비(110)의 상태를 나타내는 장비 상태 정보를 획득할 수 있다. 여기서, 장비 상태 정보는 생산 장비의 상태를 나타내는 정보로, 생산 장비의 온도, 습도, 속도, 압력 등의 정보를 포함할 수 있다. 또한, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다.

구체적으로, 제1 생산 장비(110)는 온도 센서를 구비하여, 온도 센서를 통해 제1 생산 장비(110)의 내부 온도를 측정할 수 있고, 습도 센서를 구비하여, 습도 센서를 통해 제1 생산 장비(110)의 내부 습도를 측정할 수 있고, 속도 센서를 구비하여, 속도 센서를 통해 제1 생산 장비(110)의 동작 시 회전하는 속도를 측정할 수 있고, 압력 센서를 구비하여, 압력 센서를 통해 제1 생산 장비(110)의 동작 시 가해지는 압력을 측정할 수 있으며, 미리 설정된 기간마다 측정된 온도, 습도, 속도, 압력 등의 정보를 포함하는 장비 상태 정보를 생성할 수 있다. 이때, 장치(200)는 제1 생산 장비(110)에서 미리 설정된 기간마다 장비 상태 정보를 생성하면, 장비 상태 정보가 생성될 때마다, 제1 생산 장비(110)로부터 장비 상태 정보를 획득할 수 있다.

도 2를 참조하면, S201 단계에서, 장치(200)는 제1 시점에 제1 생산 장비(110)의 상태를 나타내는 장비 상태 정보를 제1 장비 상태 정보로 획득할 수 있다. 여기서, 제1 장비 상태 정보는 제1 시점에 제1 생산 장비(110)의 상태를 나타내는 정보로, 제1 시점에 측정된 제1 생산 장비(110)의 온도, 습도, 속도, 압력 등의 정보를 포함할 수 있다.

구체적으로, 제1 생산 장비(110)는 제1 시점에 측정된 온도, 습도, 속도, 압력 등의 정보를 포함하는 제1 장비 상태 정보를 생성할 수 있고, 장치(200)는 제1 생산 장비(110)로부터 제1 장비 상태 정보를 획득할 수 있다.

즉, 제1 생산 장비(110)는 제1 시점에 자신의 상태를 측정한 제1 장비 상태 정보를 생성할 수 있으며, 장치(200)는 제1 생산 장비(110)에서 제1 장비 상태 정보가 생성되면, 제1 생산 장비(110)로부터 제1 장비 상태 정보를 획득할 수 있다.

S202 단계에서, 장치(200)는 제1 장비 상태 정보가 획득되면, 제1 장비 상태 정보를 기반으로, 제1 시점에 대한 제1 생산 장비(110)의 상태를 나타내는 제1 상태 지수를 산출할 수 있다. 여기서, 제1 상태 지수는 제1 시점에 제1 생산 장비(110)의 상태가 정상 상태인지를 나타내는 수치로, 제1 생산 장비(110)의 상태가 정상 상태에 가까울수록 높은 수치로 설정될 수 있다. 제1 상태 지수를 산출하는 자세한 설명은 도 4 내지 도 7을 참조하여 후술하기로 한다.

예를 들어, 장치(200)는 제1 장비 상태 정보를 기반으로, 제1 시점에 제1 생산 장비(110)의 온도, 습도, 속도 및 압력을 확인하고, 온도, 습도, 속도 및 압력에 대해 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제1 상태 지수를 산출할 수 있다.

S203 단계에서, 장치(200)는 제2 시점에 제1 생산 장비(110)의 상태를 나타내는 장비 상태 정보를 제2 장비 상태 정보로 획득할 수 있다. 여기서, 제2 장비 상태 정보는 제2 시점에 제1 생산 장비(110)의 상태를 나타내는 정보로, 제2 시점에 측정된 제1 생산 장비(110)의 온도, 습도, 속도, 압력 등의 정보를 포함할 수 있다. 또한, 제2 시점은 제1 시점 이후의 시점이다.

구체적으로, 제1 생산 장비(110)는 제2 시점에 측정된 온도, 습도, 속도, 압력 등의 정보를 포함하는 제2 장비 상태 정보를 생성할 수 있고, 장치(200)는 제1 생산 장비(110)로부터 제2 장비 상태 정보를 획득할 수 있다.

즉, 제1 생산 장비(110)는 미리 설정된 기간 마다 자신의 상태를 측정한 장비 상태 정보를 생성하고 있으며, 제1 시점에 제1 장비 상태 정보를 생성한 후, 제1 시점으로부터 미리 설정된 기간이 지난 시점인 제2 시점에 제2 장비 상태 정보를 생성할 수 있으며, 장치(200)는 제1 생산 장비(110)에서 제2 장비 상태 정보가 생성되면, 제1 생산 장비(110)로부터 제2 장비 상태 정보를 획득할 수 있다.

S204 단계에서, 장치(200)는 제2 장비 상태 정보가 획득되면, 제2 장비 상태 정보를 기반으로, 제2 시점에 대한 제1 생산 장비(110)의 상태를 나타내는 제2 상태 지수를 산출할 수 있다. 여기서, 제2 상태 지수는 제2 시점에 제1 생산 장비(110)의 상태가 정상 상태인지를 나타내는 수치로, 제1 생산 장비(110)의 상태가 정상 상태에 가까울수록 높은 수치로 설정될 수 있다. 제2 상태 지수는 제1 상태 지수를 산출하는 방식과 동일한 방식으로 산출될 수 있다.

예를 들어, 장치(200)는 제2 장비 상태 정보를 기반으로, 제2 시점에 제1 생산 장비(110)의 온도, 습도, 속도 및 압력을 확인하고, 온도, 습도, 속도 및 압력에 대해 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제2 상태 지수를 산출할 수 있다.

S205 단계에서, 장치(200)는 제1 시점부터 제2 시점까지 제1 기간으로 설정할 수 있다.

S206 단계에서, 장치(200)는 제1 기간 동안 제1 생산 장비(110)에 대한 상태 변동 추세를 나타내는 제1 상태 변동 추세를 분석할 수 있다.

구체적으로, 장치(200)는 제1 상태 지수 및 제2 상태 지수를 비교하여, 제1 기간 동안 제1 생산 장비(110)의 상태가 호전 또는 악화되었는지 여부를 확인할 수 있으며, 이를 통해, 제1 생산 장비(110)의 상태가 제1 기간 동안 얼마나 변동되었는지 추세를 나타내는 제1 상태 변동 추세를 분석할 수 있다.

예를 들어, 제1 상태 지수는 90으로 산출되어 있고, 제2 상태 지수는 85로 산출되어 있는 경우, 장치(200)는 제1 상태 지수 및 제2 상태 지수를 비교한 결과, 90에서 85로 상태 지수가 변경되었으므로, 제1 기간 동안 제1 생산 장비(110)의 상태가 5만큼 악화된 것으로, 제1 상태 변동 추세를 분석할 수 있다.

S207 단계에서, 장치(200)는 제1 상태 변동 추세에 대한 분석 결과를 미리 학습된 제1 인공지능 모델에 적용할 수 있다. 여기서, 제1 인공지능 모델은 상태 변동 추세에 대한 분석 결과를 입력 받은 후, 생산 장비에서 불량 제품을 생산할 것으로 예상되는 확률을 출력하는 알고리즘일 수 있다.

즉, 제1 인공지능 모델은 상태 변동 추세에 대한 분석 결과를 기반으로, 생산 장비의 상태가 얼마나 변동되었는지 추세를 고려하여, 생산 장비에서 불량 제품을 생산할 수 있는 확률을 산정할 수 있다.

예를 들어, 제1 인공지능 모델은 제1 상태 변동 추세에 대한 분석 결과가 90에서 85로 5만큼 악화된 것으로 분석된 경우, (90, 85, -5)를 입력으로 받아, 제1 생산 장비(110)에서 불량 제품을 생산할 것으로 예상되는 확률을 제1 불량률로 산정할 수 있고, 제1 불량률을 지시하는 출력값을 출력할 수 있다. 이때, 제1 불량률은 0%부터 100%까지 범위 내에서 산정될 수 있다.

S208 단계에서, 장치(200)는 제1 인공지능 모델의 출력을 기초로, 제2 기간에 제1 생산 장비(110)에서 불량 제품을 생산할 것으로 예상되는 확률을 제1 불량률로 예측할 수 있다. 여기서, 제2 기간은 제1 기간 이후의 기간으로, 제1 기간과 동일한 길이로 설정될 수 있으며, 예를 들어, 제1 기간이 1월인 경우, 제2 기간은 2월일 수 있다.

일실시예에 따르면, 제1 인공지능 모델은 상태 변동 추세에 대한 분석 결과를 통해, 생산 장비에서 불량 제품을 생산할 확률이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제1 인공지능 모델은 생산 장비의 상태가 얼마나 변경되는지를 고려하여, 생산 장비에서 불량 제품을 생산할 확률이 얼마나 되는지 분석하여 출력할 수 있다. 이를 위해, 제1 인공지능 모델은 생산 장비에서 불량 제품을 생산할 확률을 분석하도록 미리 학습된 상태일 수 있다.

제1 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제1 인공지능 모델을 이용하여 불량 제품을 생산할 것으로 예상되는 확률을 예측하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공지능 모델이 학습되는 과정을 설명한다.

먼저, 학습 장치는 생산 장비의 상태 변동 추세에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 생산 장비의 상태 변동 추세에 대한 분석 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 상태 변동 추세에 대한 분석 결과를 제1 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델에 입력을 적용할 수 있다. 제1 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공지능 모델은 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 제1 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.

예를 들어, 제1 보상은 생산 장비의 상태 지수의 평균치가 높을수록 생산 장비에서 불량 제품을 생산할 확률이 낮은 것으로 분석하면 보상값이 높아질 수 있으며, 제2 보상은 생산 장비의 상태가 호전될수록 생산 장비에서 불량 제품을 생산할 확률이 낮은 것으로 분석하면 보상값이 높아질 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델로부터 출력을 획득할 수 있다. 제1 인공지능 모델의 출력은, 생산 장비에서 불량 제품을 생산할 수 있는 확률에 대한 정보일 수 있다. 이때, 제1 인공지능 모델은 생산 장비의 상태 변동 추세에 대한 분석 결과를 통해 생산 장비에서 불량 제품을 생산할 수 있는 확률을 분석하여, 생산 장비의 불량률에 대한 정보를 출력할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 생산 장비의 상태 지수의 평균치가 높을수록 생산 장비에서 불량 제품을 생산할 확률이 낮은 것으로 분석하면 제1 보상을 많이 수여하고, 생산 장비의 상태가 호전될수록 생산 장비에서 불량 제품을 생산할 확률이 낮은 것으로 분석하면 제2 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 제1 인공지능 모델을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공지능 모델이, 생산 장비에서 불량 제품을 생산할 수 있는 확률을 분석하는 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 제1 인공지능 모델을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 생산 장비(110)에서 불량 제품을 생산할 수 있는 확률에 대해 문제가 없는 경우, 생산 장비의 불량률 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공지능 모델에 적용하여, 제1 생산 장비(110)와 유사한 상태 변동 추세를 나타내는 생산 장비들이 제1 생산 장비(110)와 유사한 불량률을 가지도록, 제1 인공지능 모델을 학습시키는 과정을 통해, 제1 인공지능 모델을 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 상술한 제1 인공지능 모델의 학습 과정을 반복함으로써, 제1 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 생산 장비에 대한 상태 변동 추세를 고려하여, 생산 장비에서 불량 제품을 생산할 수 있는 확률을 출력하는 제1 인공지능 모델을 학습시킬 수 있다.

즉, 학습 장치는 생산 장비의 상태 변동 추세에 대한 분석 결과를 통해, 생산 장비에서 불량 제품을 생산할 수 있는 확률을 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공지능 모델을 학습시킬 수 있다.

도 3은 일실시예에 따른 불량률 예측을 통해 스마트 팩토리를 운용하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 생산 장비(110)에서 불량 제품을 생산할 것으로 예상되는 확률이 제1 불량률로 예측되면, 제1 불량률이 제1 기준 비율 보다 낮은지 여부를 확인할 수 있다. 여기서, 제1 기준 비율은 실시예에 따라 상이하게 설정될 수 있다.

S301 단계에서 제1 불량률이 제1 기준 비율 보다 낮은 것으로 확인되면, S302 단계에서, 장치(200)는 제1 생산 장비(110)를 정상 장비로 분류할 수 있다. 여기서, 정상 장비는 불량률이 매우 낮아 문제가 없는 장비를 의미할 수 있다.

S301 단계에서 제1 불량률이 제1 기준 비율 보다 낮지 않고 높은 것으로 확인되면, S303 단계에서, 장치(200)는 제1 불량률이 제2 기준 비율 보다 낮은지 여부를 확인할 수 있다. 여기서, 제2 기준 비율은 제1 기준 비율 보다 높은 값으로 설정될 수 있다.

S303 단계에서 제1 불량률이 제2 기준 비율 보다 낮은 것으로 확인되면, S304 단계에서, 장치(200)는 제1 생산 장비(110)를 관심 필요 장비로 분류할 수 있다. 여기서, 관심 필요 장비는 불량률이 어느 정도 있어 모니터링이 필요한 장비를 의미할 수 있다.

즉, 장치(200)는 제1 불량률이 제1 기준 비율 보다 높지만 제2 기준 비율 보다 낮은 것으로 확인되면, 제1 생산 장비(110)를 관심 필요 장비로 분류할 수 있다.

S303 단계에서 제1 불량률이 제2 기준 비율 보다 낮지 않고 높은 것으로 확인되면, S305 단계에서, 장치(200)는 제1 불량률이 제3 기준 비율 보다 낮은지 여부를 확인할 수 있다. 여기서, 제3 기준 비율은 제2 기준 비율 보다 높은 값으로 설정될 수 있다.

S305 단계에서 제1 불량률이 제3 기준 비율 보다 낮은 것으로 확인되면, S306 단계에서, 장치(200)는 제1 생산 장비(110)를 점검 필요 장비로 분류할 수 있다. 여기서, 관심 필요 장비는 불량률이 일정 이상으로 높아 점검이 필요한 장비를 의미할 수 있다.

즉, 장치(200)는 제1 불량률이 제2 기준 비율 보다 높지만 제3 기준 비율 보다 낮은 것으로 확인되면, 제1 생산 장비(110)를 점검 필요 장비로 분류할 수 있다.

S305 단계에서 제1 불량률이 제3 기준 비율 보다 낮지 않고 높은 것으로 확인되면, S307 단계에서, 장치(200)는 제1 생산 장비(110)를 교체 필요 장비로 분류할 수 있다. 여기서, 교체 필요 장비는 불량률이 매우 높아 교체가 필요한 장비를 의미할 수 있다.

즉, 장치(200)는 제1 불량률이 제3 기준 비율 보다 높은 것으로 확인되면, 제1 생산 장비(110)를 교체 필요 장비로 분류할 수 있다.

장치(200)는 제1 생산 장비(110)를 정상 장비, 관심 필요 장비, 점검 필요 장비 및 교체 필요 장비 중 어느 하나로 분류하는 방식과 동일하게, 복수의 생산 장비(100) 중 제1 생산 장비(110)를 제외한 나머지 생산 장비들을 정상 장비, 관심 필요 장비, 점검 필요 장비 및 교체 필요 장비 중 어느 하나로 분류할 수 있다.

구체적으로, 장치(200)는 도 2에 도시된 제1 생산 장비(110)의 불량률을 예측하는 방식과 동일하게, 복수의 생산 장비(100) 각각에 대한 불량률을 예측할 수 있고, 도 3에 도시된 제1 생산 장비(110)를 분류하는 방식과 동일하게, 복수의 생산 장비(100) 각각을 정상 장비, 관심 필요 장비, 점검 필요 장비 및 교체 필요 장비 중 어느 하나로 분류할 수 있다.

장치(200)는 복수의 생산 장비(100) 각각이 정상 장비, 관심 필요 장비, 점검 필요 장비 및 교체 필요 장비 중 어느 하나로 분류되면, 생산 장비들의 분류 결과를 이용하여, 스마트 팩토리를 운용할 수 있다. 이와 관련된 자세한 설명은 도 10 내지 도 12를 참조하여 후술하기로 한다.

즉, 장치(200)는 복수의 생산 장비(100) 각각에 대한 불량률을 예측하고, 예측된 불량률에 따라 복수의 생산 장비(100) 각각을 정상 장비, 관심 필요 장비, 점검 필요 장비 및 교체 필요 장비 중 어느 하나로 분류하고, 생산 장비들의 분류 결과에 따라 생산 장비들의 동작을 제어하여, 스마트 팩토리를 운용할 수 있다.

장치(200)는 복수의 생산 장비(100) 각각에 대한 불량률, 복수의 생산 장비(100) 각각의 분류 결과 등에 대한 정보를 관리자 단말로 전송할 수 있다. 이를 위해, 관리자 단말은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

도 4는 일실시예에 따른 생산 장비의 온도에 따라 제1 수치를 설정하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 장비 상태 정보를 기반으로, 제1 생산 장비(110)의 온도를 제1 온도로 확인할 수 있다. 이를 위해, 제1 장비 상태 정보는 제1 시점에 측정된 제1 생산 장비(110)의 온도를 포함할 수 있다.

S402 단계에서, 장치(200)는 제1 온도가 정상 온도 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 정상 온도 범위는 실시예에 따라 상이하게 설정될 수 있으며, 제1 생산 장비(110)의 장비 특징에 따라 상이하게 설정될 수 있다.

S402 단계에서 제1 온도가 정상 온도 범위 내에 있는 것으로 확인되면, S403 단계에서, 장치(200)는 제1 수치를 10으로 설정할 수 있다. 여기서, 제1 수치는 10이 최대값이고 0이 최소값일 수 있다.

예를 들어, 정상 온도 범위가 40도에서 50도로 설정되어 있는 경우, 장치(200)는 제1 온도가 45도로 확인되면, 제1 수치를 10으로 설정할 수 있다.

S402 단계에서 제1 온도가 정상 온도 범위를 벗어나는 것으로 확인되면, S404 계에서, 장치(200)는 제1 온도가 정상 온도 범위의 최소값 보다 낮은지 여부를 확인할 수 있다.

S404 단계에서 제1 온도가 정상 온도 범위의 최소값 보다 낮은 것으로 확인되면, S405 단계에서, 장치(200)는 제1 온도와 정상 온도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제1 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 온도 범위가 40도에서 50도로 설정되어 있는 경우, 장치(200)는 제1 온도가 39도로 확인되면, 제1 온도와 정상 온도 범위의 최소값 간의 차이를 1도로 확인하여, 제1 수치를 9로 설정할 수 있고, 제1 온도가 38도로 확인되면, 제1 온도와 정상 온도 범위의 최소값 간의 차이를 2도로 확인하여, 제1 수치를 8로 설정할 수 있다.

즉, 장치(200)는 제1 온도가 정상 온도 범위를 벗어나 정상 온도 범위의 최소값 보다 낮은 것으로 확인되면, 제1 온도와 정상 온도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제1 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 온도가 일정 이하로 낮은 경우, 제1 수치를 0부터 9까지 범위 내에서 설정할 수 있다.

S404 단계에서 제1 온도가 정상 온도 범위의 최소값 보다 낮지 않은 것으로 확인되면, 제1 온도가 정상 온도 범위를 벗어나 있으므로, 제1 온도가 정상 온도 범위의 최대값 보다 높은 것으로 확인될 수 있으며, 제1 온도가 정상 온도 범위의 최대값 보다 높은 것으로 확인되면, S406 단계에서, 장치(200)는 제1 온도와 정상 온도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제1 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 온도 범위가 40도에서 50도로 설정되어 있는 경우, 장치(200)는 제1 온도가 51도로 확인되면, 제1 온도와 정상 온도 범위의 최대값 간의 차이를 1도로 확인하여, 제1 수치를 5로 설정할 수 있고, 제1 온도가 52도로 확인되면, 제1 온도와 정상 온도 범위의 최대값 간의 차이를 2도로 확인하여, 제1 수치를 4로 설정할 수 있다.

즉, 장치(200)는 제1 온도가 정상 온도 범위를 벗어나 정상 온도 범위의 최대값 보다 높은 것으로 확인되면, 제1 온도와 정상 온도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제1 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 온도가 일정 이상으로 높은 경우, 제1 수치를 0부터 5까지 범위 내에서 설정할 수 있다. 이때, 제1 생산 장비(110)의 온도가 일정 이상 낮을 때보다 제1 생산 장비(110)의 온도가 일정 이상 높을 때 장비 위험성이 더 크기 때문에, 제1 생산 장비(110)의 온도가 일정 이하로 낮을 때에는 제1 수치를 0부터 9까지 범위 내에서 설정하고, 제1 생산 장비(110)의 온도가 일정 이상으로 높을 때에는 제1 수치를 0부터 5까지 범위 내에서 설정할 수 있다.

도 5는 일실시예에 따른 생산 장비의 습도에 따라 제2 수치를 설정하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 장비 상태 정보를 기반으로, 제1 생산 장비(110)의 습도를 제1 습도로 확인할 수 있다. 이를 위해, 제1 장비 상태 정보는 제1 시점에 측정된 제1 생산 장비(110)의 습도를 포함할 수 있다.

S502 단계에서, 장치(200)는 제1 습도가 정상 습도 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 정상 습도 범위는 실시예에 따라 상이하게 설정될 수 있으며, 제1 생산 장비(110)의 장비 특징에 따라 상이하게 설정될 수 있다.

S502 단계에서 제1 습도가 정상 습도 범위 내에 있는 것으로 확인되면, S503 단계에서, 장치(200)는 제2 수치를 10으로 설정할 수 있다. 여기서, 제2 수치는 10이 최대값이고 0이 최소값일 수 있다.

예를 들어, 정상 습도 범위가 40%에서 50%로 설정되어 있는 경우, 장치(200)는 제1 습도가 45%로 확인되면, 제2 수치를 10으로 설정할 수 있다.

S502 단계에서 제1 습도가 정상 습도 범위를 벗어나는 것으로 확인되면, S504 계에서, 장치(200)는 제1 습도가 정상 습도 범위의 최소값 보다 낮은지 여부를 확인할 수 있다.

S504 단계에서 제1 습도가 정상 습도 범위의 최소값 보다 낮은 것으로 확인되면, S505 단계에서, 장치(200)는 제1 습도와 정상 습도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제2 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 습도 범위가 40%에서 50%로 설정되어 있는 경우, 장치(200)는 제1 습도가 39%로 확인되면, 제1 습도와 정상 습도 범위의 최소값 간의 차이를 1%로 확인하여, 제2 수치를 9로 설정할 수 있고, 제1 습도가 38%로 확인되면, 제1 습도와 정상 습도 범위의 최소값 간의 차이를 2%로 확인하여, 제2 수치를 8로 설정할 수 있다.

즉, 장치(200)는 제1 습도가 정상 습도 범위를 벗어나 정상 습도 범위의 최소값 보다 낮은 것으로 확인되면, 제1 습도와 정상 습도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제2 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 습도가 일정 이하로 낮은 경우, 제2 수치를 0부터 9까지 범위 내에서 설정할 수 있다.

S504 단계에서 제1 습도가 정상 습도 범위의 최소값 보다 낮지 않은 것으로 확인되면, 제1 습도가 정상 습도 범위를 벗어나 있으므로, 제1 습도가 정상 습도 범위의 최대값 보다 높은 것으로 확인될 수 있으며, 제1 습도가 정상 습도 범위의 최대값 보다 높은 것으로 확인되면, S506 단계에서, 장치(200)는 제1 습도와 정상 습도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제2 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 습도 범위가 40%에서 50%로 설정되어 있는 경우, 장치(200)는 제1 습도가 51%로 확인되면, 제1 습도와 정상 습도 범위의 최대값 간의 차이를 1%로 확인하여, 제2 수치를 5로 설정할 수 있고, 제1 습도가 52%로 확인되면, 제1 습도와 정상 습도 범위의 최대값 간의 차이를 2%로 확인하여, 제2 수치를 4로 설정할 수 있다.

즉, 장치(200)는 제1 습도가 정상 습도 범위를 벗어나 정상 습도 범위의 최대값 보다 높은 것으로 확인되면, 제1 습도와 정상 습도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제2 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 습도가 일정 이상으로 높은 경우, 제2 수치를 0부터 5까지 범위 내에서 설정할 수 있다. 이때, 제1 생산 장비(110)의 습도가 일정 이상 낮을 때보다 제1 생산 장비(110)의 습도가 일정 이상 높을 때 장비 위험성이 더 크기 때문에, 제1 생산 장비(110)의 습도가 일정 이하로 낮을 때에는 제2 수치를 0부터 9까지 범위 내에서 설정하고, 제1 생산 장비(110)의 습도가 일정 이상으로 높을 때에는 제2 수치를 0부터 5까지 범위 내에서 설정할 수 있다.

도 6은 일실시예에 따른 생산 장비의 속도에 따라 제3 수치를 설정하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 장비 상태 정보를 기반으로, 제1 생산 장비(110)의 동작 시 회전하는 속도를 제1 속도로 확인할 수 있다. 이를 위해, 제1 장비 상태 정보는 제1 시점에 측정된 제1 생산 장비(110)의 속도를 포함할 수 있고, 여기서, 제1 생산 장비(110)의 속도는 제1 생산 장비(110)가 제1 제품을 생산하기 위해 동작 시 회전하는 회전 속도를 의미할 수 있다.

S602 단계에서, 장치(200)는 제1 속도가 정상 속도 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 정상 속도 범위는 실시예에 따라 상이하게 설정될 수 있으며, 제1 생산 장비(110)의 장비 특징에 따라 상이하게 설정될 수 있다.

S602 단계에서 제1 속도가 정상 속도 범위 내에 있는 것으로 확인되면, S603 단계에서, 장치(200)는 제3 수치를 10으로 설정할 수 있다. 여기서, 제3 수치는 10이 최대값이고 0이 최소값일 수 있다.

예를 들어, 정상 속도 범위가 40rpm서 50rpm으로 설정되어 있는 경우, 장치(200)는 제1 속도가 45rpm으로 확인되면, 제3 수치를 10으로 설정할 수 있다.

S602 단계에서 제1 속도가 정상 속도 범위를 벗어나는 것으로 확인되면, S604 계에서, 장치(200)는 제1 속도가 정상 속도 범위의 최소값 보다 낮은지 여부를 확인할 수 있다.

S604 단계에서 제1 속도가 정상 속도 범위의 최소값 보다 낮은 것으로 확인되면, S605 단계에서, 장치(200)는 제1 속도와 정상 속도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제3 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 속도 범위가 40rpm에서 50rpm으로 설정되어 있는 경우, 장치(200)는 제1 속도가 39rpm으로 확인되면, 제1 속도와 정상 속도 범위의 최소값 간의 차이를 1rpm으로 확인하여, 제3 수치를 9로 설정할 수 있고, 제1 속도가 38rpm으로 확인되면, 제1 속도와 정상 속도 범위의 최소값 간의 차이를 2rpm으로 확인하여, 제3 수치를 8로 설정할 수 있다.

즉, 장치(200)는 제1 속도가 정상 속도 범위를 벗어나 정상 속도 범위의 최소값 보다 낮은 것으로 확인되면, 제1 속도와 정상 속도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제3 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 속도가 일정 이하로 낮은 경우, 제3 수치를 0부터 9까지 범위 내에서 설정할 수 있다.

S604 단계에서 제1 속도가 정상 속도 범위의 최소값 보다 낮지 않은 것으로 확인되면, 제1 속도가 정상 속도 범위를 벗어나 있으므로, 제1 속도가 정상 속도 범위의 최대값 보다 높은 것으로 확인될 수 있으며, 제1 속도가 정상 속도 범위의 최대값 보다 높은 것으로 확인되면, S606 단계에서, 장치(200)는 제1 속도와 정상 속도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제3 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 속도 범위가 40rpm에서 50rpm으로 설정되어 있는 경우, 장치(200)는 제1 속도가 51rpm으로 확인되면, 제1 속도와 정상 속도 범위의 최대값 간의 차이를 1rpm으로 확인하여, 제3 수치를 5로 설정할 수 있고, 제1 속도가 52rpm으로 확인되면, 제1 속도와 정상 속도 범위의 최대값 간의 차이를 2rpm으로 확인하여, 제3 수치를 4로 설정할 수 있다.

즉, 장치(200)는 제1 속도가 정상 속도 범위를 벗어나 정상 속도 범위의 최대값 보다 높은 것으로 확인되면, 제1 속도와 정상 속도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제3 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 속도가 일정 이상으로 높은 경우, 제3 수치를 0부터 5까지 범위 내에서 설정할 수 있다. 이때, 제1 생산 장비(110)의 속도가 일정 이상 낮을 때보다 제1 생산 장비(110)의 속도가 일정 이상 높을 때 장비 위험성이 더 크기 때문에, 제1 생산 장비(110)의 속도가 일정 이하로 낮을 때에는 제3 수치를 0부터 9까지 범위 내에서 설정하고, 제1 생산 장비(110)의 속도가 일정 이상으로 높을 때에는 제3 수치를 0부터 5까지 범위 내에서 설정할 수 있다.

도 7은 일실시예에 따른 생산 장비의 압력에 따라 제4 수치를 설정하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 장비 상태 정보를 기반으로, 제1 생산 장비(110)의 동작 시 가해지는 압력을 제1 압력으로 확인할 수 있다. 이를 위해, 제1 장비 상태 정보는 제1 시점에 측정된 제1 생산 장비(110)의 압력을 포함할 수 있고, 여기서, 제1 생산 장비(110)의 압력은 제1 생산 장비(110)가 제1 제품을 생산하기 위해 동작 시 제1 생산 장비(110)에 가해지는 압력을 의미할 수 있다.

S702 단계에서, 장치(200)는 제1 압력이 정상 압력 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 정상 압력 범위는 실시예에 따라 상이하게 설정될 수 있으며, 제1 생산 장비(110)의 장비 특징에 따라 상이하게 설정될 수 있다.

S702 단계에서 제1 압력이 정상 압력 범위 내에 있는 것으로 확인되면, S703 단계에서, 장치(200)는 제4 수치를 10으로 설정할 수 있다. 여기서, 제4 수치는 10이 최대값이고 0이 최소값일 수 있다.

예를 들어, 정상 압력 범위가 40MPa서 50MPa로 설정되어 있는 경우, 장치(200)는 제1 압력이 45MPa로 확인되면, 제4 수치를 10으로 설정할 수 있다.

S702 단계에서 제1 압력이 정상 압력 범위를 벗어나는 것으로 확인되면, S704 계에서, 장치(200)는 제1 압력이 정상 압력 범위의 최소값 보다 낮은지 여부를 확인할 수 있다.

S704 단계에서 제1 압력이 정상 압력 범위의 최소값 보다 낮은 것으로 확인되면, S705 단계에서, 장치(200)는 제1 압력과 정상 압력 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제4 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 압력 범위가 40MPa에서 50MPa로 설정되어 있는 경우, 장치(200)는 제1 압력이 39MPa로 확인되면, 제1 압력과 정상 압력 범위의 최소값 간의 차이를 1MPa로 확인하여, 제4 수치를 9로 설정할 수 있고, 제1 압력이 38MPa로 확인되면, 제1 압력과 정상 압력 범위의 최소값 간의 차이를 2MPa로 확인하여, 제4 수치를 8로 설정할 수 있다.

즉, 장치(200)는 제1 압력이 정상 압력 범위를 벗어나 정상 압력 범위의 최소값 보다 낮은 것으로 확인되면, 제1 압력과 정상 압력 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 제4 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 압력이 일정 이하로 낮은 경우, 제4 수치를 0부터 9까지 범위 내에서 설정할 수 있다.

S704 단계에서 제1 압력이 정상 압력 범위의 최소값 보다 낮지 않은 것으로 확인되면, 제1 압력이 정상 압력 범위를 벗어나 있으므로, 제1 압력이 정상 압력 범위의 최대값 보다 높은 것으로 확인될 수 있으며, 제1 압력이 정상 압력 범위의 최대값 보다 높은 것으로 확인되면, S706 단계에서, 장치(200)는 제1 압력과 정상 압력 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제4 수치를 낮은 수치로 설정할 수 있다.

예를 들어, 정상 압력 범위가 40MPa에서 50MPa로 설정되어 있는 경우, 장치(200)는 제1 압력이 51MPa로 확인되면, 제1 압력과 정상 압력 범위의 최대값 간의 차이를 1MPa로 확인하여, 제4 수치를 5로 설정할 수 있고, 제1 압력이 52MPa로 확인되면, 제1 압력과 정상 압력 범위의 최대값 간의 차이를 2MPa로 확인하여, 제4 수치를 4로 설정할 수 있다.

즉, 장치(200)는 제1 압력이 정상 압력 범위를 벗어나 정상 압력 범위의 최대값 보다 높은 것으로 확인되면, 제1 압력과 정상 압력 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 제4 수치를 낮은 수치로 설정함으로써, 제1 생산 장비(110)의 압력이 일정 이상으로 높은 경우, 제4 수치를 0부터 5까지 범위 내에서 설정할 수 있다. 이때, 제1 생산 장비(110)의 압력이 일정 이상 낮을 때보다 제1 생산 장비(110)의 압력이 일정 이상 높을 때 장비 위험성이 더 크기 때문에, 제1 생산 장비(110)의 압력이 일정 이하로 낮을 때에는 제4 수치를 0부터 9까지 범위 내에서 설정하고, 제1 생산 장비(110)의 압력이 일정 이상으로 높을 때에는 제4 수치를 0부터 5까지 범위 내에서 설정할 수 있다.

상술한 바와 같이, 도 4에 도시된 각 단계를 통해 제1 수치가 설정되고, 도 5에 도시된 각 단계를 통해 제2 수치가 설정되고, 도 6에 도시된 각 단계를 통해 제3 수치가 설정되고, 도 7에 도시된 각 단계를 통해 제4 수치가 설정되면, 장치(200)는 제1 수치, 제2 수치, 제3 수치 및 제4 수치를 합산한 값으로, 제1 상태 지수를 산출할 수 있다.

도 8은 일실시예에 따른 고장 발생 예상일까지 남아있는 잔여 기간에 따라 제2 불량률을 산출하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 8에 도시된 각 단계는 S208 단계 이후에 수행될 수 있다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 생산 장비(110)의 고장 발생 내역을 기반으로, 제1 생산 장비(110)에서 고장이 발생한 일자를 확인하여, 제1 생산 장비(110)의 고장 발생 주기를 분석할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 생산 장비 별로 구분되어 있는 고장 발생 내역이 저장되어 있으며, 장치(200)는 데이터베이스를 조회하여 제1 생산 장비(110)의 고장 발생 내역을 획득할 수 있다. 여기서, 고장 발생 내역은 생산 장비에서 발생한 고장 내역이 누적된 정보로, 고장 내용, 고장 발생일, 대응 조치, 부품 수리 여부, 부품 교체 여부 등을 포함하는 정보가 리스트로 구성될 수 있다.

예를 들어, 장치(200)는 제1 생산 장비(110)의 고장 발생 내역을 기반으로, 제1 생산 장비(110)에서 고장이 발생한 일자를 확인한 결과, 1월1일, 4월5일, 7월1일에 고장이 발생한 것으로 확인되면, 장치(200)는 평균적으로 3개월에 한 번씩 제1 생산 장비(110)에 고장이 발생한 것으로 파악하여, 제1 생산 장비(110)의 고장 발생 주기를 3개월로 분석할 수 있다.

즉, 장치(200)는 미리 설정된 기간(예를 들면, 최근 1년) 동안 제1 생산 장비(110)에서 평균적으로 고장이 얼마나 자주 발생하였는지 확인하여, 제1 생산 장비(110)의 고장 발생 주기를 분석할 수 있다.

S802 단계에서, 장치(200)는 제1 생산 장비(110)의 고장 발생 주기에 기초하여, 제1 생산 장비(110)에서 고장이 발생할 것으로 예상되는 고장 발생 예상일을 예측할 수 있다.

구체적으로, 장치(200)는 제1 생산 장비(110)의 고장 발생 내역을 기반으로, 가장 최근의 고장 발생일을 확인하고, 제1 생산 장비(110)의 고장 발생 주기와 가장 최근의 고장 발생일에 기초하여, 제1 생산 장비(110)에서 고장이 발생할 것으로 예상되는 고장 발생 예상일을 예측할 수 있다.

예를 들어, 장치(200)는 제1 생산 장비(110)의 고장 발생 주기가 3개월로 확인되고, 제1 생산 장비(110)의 가장 최근의 고장 발생일이 7월1일로 확인되면, 7월1일부터 3개월 후인 10월1일을 제1 생산 장비(110)의 고장 발생 예상일로 예측할 수 있다.

S803 단계에서, 장치(200)는 현재 시점부터 고장 발생 예상일까지 남아있는 잔여 기간을 제1 잔여 기간으로 설정할 수 있다.

예를 들어, 장치(200)는 현재 시점이 9월1일로 확인되고, 제1 생산 장비(110)의 고장 발생 예상일이 10월1일로 확인되면, 제1 잔여 기간을 30일로 설정할 수 있다.

S804 단계에서, 장치(200)는 제1 잔여 기간이 기준 기간 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 기준 기간 범위는 실시예에 따라 상이하게 설정될 수 있다.

S804 단계에서 제1 잔여 기간이 기준 기간 범위 내에 포함되어 있는 것으로 확인되면, S805 단계에서, 장치(200)는 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.

예를 들어, 기준 기간 범위가 10일부터 20일까지로 설정되어 있는 경우, 장치(200)는 제1 잔여 기간이 15일로 확인되면, 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.

S804 단계에서 제1 잔여 기간이 기준 기간 범위를 벗어나는 것으로 확인되면, S806 단계에서, 장치(200)는 제1 잔여 기간이 기준 기간 범위의 최소값 보다 짧은지 여부를 확인할 수 있다.

S806 단계에서 제1 잔여 기간이 기준 기간 범위의 최소값 보다 짧은 것으로 확인되면, S807 단계에서, 장치(200)는 제1 잔여 기간이 짧을수록 1부터 2까지 범위 내에서 제1 기준치를 높은 값으로 설정할 수 있다.

예를 들어, 기준 기간 범위가 10일부터 20일까지로 설정되어 있는 경우, 장치(200)는 제1 잔여 기간이 9일로 확인되면, 제1 기준치를 1.1로 설정할 수 있고, 제1 잔여 기간이 8일로 확인되면, 제1 기준치를 1.2로 설정할 수 있다.

즉, 장치(200)는 제1 잔여 기간이 기준 기간 범위를 벗어나 기준 기간 범위의 최소값 보다 짧은 것으로 확인되면, 제1 잔여 기간이 짧을수록 1부터 2까지 범위 내에서 제1 기준치를 높은 값으로 설정함으로써, 고장 발생 예상일까지 남아있는 잔여 기간이 일정 이하로 짧게 남은 경우, 제1 기준치를 더 높은 값으로 설정할 수 있다.

S806 단계에서 제1 잔여 기간이 기준 기간 범위의 최소값 보다 짧지 않은 것으로 확인되면, 제1 잔여 기간이 기준 기간 범위를 벗어나 있으므로, 제1 잔여 기간이 기준 기간 범위의 최대값 보다 긴 것으로 확인될 수 있으며, 제1 잔여 기간이 기준 기간 범위의 최대값 보다 긴 것으로 확인되면, S808 단계에서, 장치(200)는 제1 잔여 기간이 길수록 0부터 1까지 범위 내에서 제1 기준치를 낮은 값으로 설정할 수 있다.

예를 들어, 기준 기간 범위가 10일부터 20일까지로 설정되어 있는 경우, 장치(200)는 제1 잔여 기간이 21일로 확인되면, 제1 기준치를 0.9로 설정할 수 있고, 제1 잔여 기간이 22일로 확인되면, 제1 기준치를 0.8로 설정할 수 있다.

즉, 장치(200)는 제1 잔여 기간이 기준 기간 범위를 벗어나 기준 기간 범위의 최대값 보다 긴 것으로 확인되면, 제1 잔여 기간이 길수록 0부터 1까지 범위 내에서 제1 기준치를 낮은 값으로 설정함으로써, 고장 발생 예상일까지 남아있는 잔여 기간이 일정 이상으로 길게 남은 경우, 제1 기준치를 더 낮은 값으로 설정할 수 있다.

S809 단계에서, 장치(200)는 제1 기준치가 설정되면, 제1 불량률 및 제1 기준치를 곱한 값으로, 제2 불량률을 산출할 수 있다.

도 9는 일실시예에 따른 제1 불량률 및 제2 불량률의 등급 비교를 통해 제1 불량률을 조정하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 9에 도시된 각 단계는 S809 단계 이후에 수행될 수 있다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 불량률의 등급을 설정할 수 있다.

구체적으로, 장치(200)는 제1 불량률이 제1 기준 비율 보다 낮은 것으로 확인되면, 제1 불량률의 등급을 1등급으로 설정하고, 제1 불량률이 제1 기준 비율 보다 높지만 제2 기준 비율 보다 낮은 것으로 확인되면, 제1 불량률의 등급을 2등급으로 설정하고, 제1 불량률이 제2 기준 비율 보다 높지만 제3 기준 비율 보다 낮은 것으로 확인되면, 제1 불량률의 등급을 3등급으로 설정하고, 제1 불량률이 제3 기준 비율 보다 높은 것으로 확인되면, 제1 불량률의 등급을 4등급으로 설정할 수 있다.

S902 단계에서, 장치(200)는 제2 불량률의 등급을 설정할 수 있다.

구체적으로, 장치(200)는 제2 불량률이 제1 기준 비율 보다 낮은 것으로 확인되면, 제2 불량률의 등급을 1등급으로 설정하고, 제2 불량률이 제1 기준 비율 보다 높지만 제2 기준 비율 보다 낮은 것으로 확인되면, 제2 불량률의 등급을 2등급으로 설정하고, 제2 불량률이 제2 기준 비율 보다 높지만 제3 기준 비율 보다 낮은 것으로 확인되면, 제2 불량률의 등급을 3등급으로 설정하고, 제2 불량률이 제3 기준 비율 보다 높은 것으로 확인되면, 제2 불량률의 등급을 4등급으로 설정할 수 있다.

S903 단계에서, 장치(200)는 제1 불량률의 등급과 제2 불량률의 등급을 비교한 결과, 제1 불량률의 등급과 제2 불량률의 등급이 동일한지 여부를 확인할 수 있다.

S903 단계에서 제1 불량률의 등급과 제2 불량률의 등급이 동일한 것으로 확인되면, S904 단계에서, 장치(200)는 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.

S903 단계에서 제1 불량률의 등급과 제2 불량률의 등급이 동일하지 않고 상이한 것으로 확인되면, S905 단계에서, 장치(200)는 제1 불량률의 등급과 제2 불량률의 등급 차이가 클수록 0부터 0.5까지 범위 내에서 제2 기준치를 높은 값으로 설정할 수 있다.

예를 들어, 장치(200)는 제1 불량률의 등급과 제2 불량률의 등급 차이가 1등급으로 확인되면, 제2 기준치를 0.1로 설정할 수 있고, 제1 불량률의 등급과 제2 불량률의 등급 차이가 2등급으로 확인되면, 제2 기준치를 0.2로 설정할 수 있다.

S906 단계에서, 장치(200)는 제1 기준치가 1보다 작은지 여부를 확인할 수 있다.

S906 단계에서 제1 기준치가 1보다 작은 것으로 확인되면, S907 단계에서, 장치(200)는 제1 기준치와 제2 기준치를 더한 값으로, 제3 기준치를 산출할 수 있다.

즉, 장치(200)는 제1 기준치가 1보다 작은 경우, 제1 기준치를 이용하여 제1 불량률을 조정할 때, 제1 불량률이 일정 이상으로 감소되는 것을 방지하기 위해, 제1 기준치와 제2 기준치를 더한 값으로, 제3 기준치를 산출하고, 제3 기준치를 이용하여 제1 불량률을 조정할 수 있다.

S906 단계에서 제1 기준치가 1보다 작지 않고 큰 것으로 확인되면, S908 단계에서, 장치(200)는 제1 기준치에서 제2 기준치를 뺀 값으로, 제3 기준치를 산출할 수 있다.

즉, 장치(200)는 제1 기준치가 1보다 큰 경우, 제1 기준치를 이용하여 제1 불량률을 조정할 때, 제1 불량률이 일정 이상으로 증가되는 것을 방지하기 위해, 제1 기준치에서 제2 기준치를 뺀 값으로, 제3 기준치를 산출하고, 제3 기준치를 이용하여 제1 불량률을 조정할 수 있다.

S909 단계에서, 장치(200)는 제3 기준치가 산출되면, 제1 불량률 및 제3 기준치를 곱한 값으로, 제1 불량률을 조정할 수 있다.

도 10 내지 도 11은 일실시예에 따른 생산 가능량 및 예상 출고량에 따라 생산 장비들의 가동을 제어하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(200)는 제1 제품의 출고 내역을 기반으로, 제1 제품의 출고일 및 출고량을 확인하여, 제1 제품의 출고 패턴을 분석할 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 제품 별로 구분되어 있는 출고 내역이 저장되어 있으며, 장치(200)는 데이터베이스를 조회하여 제1 제품의 출고 내역을 획득할 수 있다. 여기서, 출고 내역은 공장에서 제품을 생산하여 출고한 출고 내역이 누적된 정보로, 어느 시점에 어느 제품을 얼마나 많이 출고하였는지 나타내는 리스트로 구성될 수 있고, 제품명, 출고일, 출고량 등의 정보를 포함할 수 있다.

예를 들어, 제1 제품의 출고 내역을 통해 제1 제품이 출고된 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 출고된 것이 확인되면, 장치(200)는 10일 간격으로 평균 20개씩 제1 제품에 대한 출고가 이루어지는 것을 파악하여, 제1 제품의 출고 패턴을 분석할 수 있다. 여기서, 제1 제품의 출고 패턴은 공장에서 제1 제품을 얼마나 자주 어느 정보의 양으로 생산하여 출고하였는지 나타내는 출고 패턴을 의미할 수 있다.

일실시예에 따르면, 제1 제품의 출고 패턴은 최근 데이터 및 계절 변수를 고려하여 분석될 수 있다. 이와 관련된 자세한 설명은 도 13을 참조하여 후술하기로 한다.

S1002 단계에서, 장치(200)는 제1 제품의 출고 패턴에 기초하여, 제1 제품에 대한 예상 출고일과 예상 출고량을 예측할 수 있다.

예를 들어, 제1 제품의 출고 패턴이 10일 간격으로 평균 20개씩 제1 제품에 대한 출고가 이루어지는 패턴으로 설정된 경우, 가장 최근에 제1 제품의 출고가 이루어진 날짜가 1월21일인 경우, 장치(200)는 제1 제품에 대한 예상 출고일을 1월31일로 예측하고, 제1 제품에 대한 예상 출고량을 20개로 예측할 수 있다.

S1003 단계에서, 장치(200)는 현재 시점부터 예상 출고일까지 남아있는 잔여 기간을 제2 잔여 기간으로 설정할 수 있다.

예를 들어, 현재 시점이 1월25일이고 제1 제품의 예상 출고일이 1월31일인 경우, 장치(200)는 현재 시점과 제1 제품의 예상 출고일 간의 차이인 6일을 제2 잔여 기간으로 설정할 수 있다.

S1004 단계에서, 장치(200)는 제2 잔여 기간이 제1 기준 기간 보다 짧은지 여부를 확인할 수 있다. 여기서, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S1004 단계에서 제2 잔여 기간이 제1 기준 기간 보다 짧지 않고 긴 것으로 확인되면, 일정 기간이 지난 이후, S201 단계로 되돌아가, 장치(200)는 제1 제품의 출고 패턴을 분석하는 과정부터 다시 수행할 수 있다.

S1004 단계에서 제2 잔여 기간이 제1 기준 기간 보다 짧은 것으로 확인되면, S1005 단계에서, 장치(200)는 예상 출고량의 생산이 필요한 것으로 판단할 수 있다.

S1006 단계에서, 장치(200)는 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들의 일일 생산량을 합산한 값으로, 제1 생산량을 산출할 수 있다. 여기서, 생산 장비들의 일일 생산량은 데이터베이스에 저장된 생산 장비 정보를 통해 확인될 수 있고, 미리 정해진 기간 동안 제1 제품의 일일 생산량에 대한 평균치를 통해 설정될 수도 있다.

예를 들어, 제1 제품을 생산하는 생산 장비들 중에서 제1 생산 장비(110) 및 제2 생산 장비(120)가 정상 장비로 분류된 경우, 장치(200)는 제1 생산 장비(110)의 일일 생산량이 100개로 확인되고, 제2 생산 장비(120)의 일일 생산량이 110개로 확인되면, (100 + 110)을 통해 산출된 210개를 제1 생산량으로 산출할 수 있다.

S1007 단계에서, 장치(200)는 제1 생산량 및 제2 잔여 기간을 곱한 값으로, 제1 생산 가능량을 산출할 수 있다.

예를 들어, 장치(200)는 제1 생산량이 210개로 확인되고, 제2 잔여 기간이 3일로 확인되면, (210 X 3)를 통해 산출된 630개를 제1 생산 가능량으로 산출할 수 있다.

S1008 단계에서, 장치(200)는 제1 생산 가능량이 예상 출고량 보다 많은지 여부를 확인할 수 있다.

S1008 단계에서 제1 생산 가능량이 예상 출고량 보다 많은 것으로 확인되면, S1009 단계에서, 장치(200)는 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들만 가동되어 제1 제품을 생산하도록 제어할 수 있다.

예를 들어, 복수의 생산 장비(100) 중에서 제1 생산 장비(110) 및 제2 생산 장비(120)가 정상 장비로 분류된 경우, 장치(200)는 제1 생산 가능량이 예상 출고량 보다 많은 것으로 확인되면, 복수의 생산 장비(100) 중에서 제1 생산 장비(110) 및 제2 생산 장비(120)만 가동되어 제1 제품을 생산하도록 제어할 수 있다.

일실시예에 따르면, 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들만 가동되어 제1 제품을 생산하도록 제어할 때, 여유 생산량에 따라 정상 장비로 분류된 생산 장비들이 일부 시간만 가동되어 제1 제품을 생산하도록 제어할 수 있으며, 이와 관련된 자세한 설명은 도 12를 참조하여 후술하기로 한다.

S1008 단계에서 제1 생산 가능량이 예상 출고량 보다 많지 않고 적은 것으로 확인되면, S1101 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(200)는 제1 생산 가능량이 예상 출고량 보다 적은 것으로 확인되면, 제1 제품을 생산하는 생산 장비들 중에서 관심 필요 장비로 분류된 생산 장비들의 일일 생산량을 합산한 값으로, 제2 생산량을 산출할 수 있다.

S1102 단계에서, 장치(200)는 제1 생산량 및 제2 생산량을 더한 값으로, 제3 생산량을 산출할 수 있다.

S1103 단계에서, 장치(200)는 제3 생산량 및 제2 잔여 기간을 곱한 값으로, 제2 생산 가능량을 산출할 수 있다.

S1104 단계에서, 장치(200)는 제2 생산 가능량이 예상 출고량 보다 많은지 여부를 확인할 수 있다.

S1104 단계에서 제2 생산 가능량이 예상 출고량 보다 많은 것으로 확인되면, S1105 단계에서, 장치(200)는 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들과 관심 필요 장비로 분류된 생산 장비들이 가동되어 제1 제품을 생산하도록 제어할 수 있다.

S1104 단계에서 제2 생산 가능량이 예상 출고량 보다 많지 않고 적은 것으로 확인되면, S1106 단계에서, 장치(200)는 예상 출고일까지 예상 출고량의 생산이 어려운 것을 알려주는 알림 메시지를 관리자 단말로 전송할 수 있다.

도 12는 일실시예에 따른 여유 생산량에 따라 정상 장비로 분류된 생산 장비들이 일부 시간만 가동되도록 제어하는 과정을 설명하기 위한 순서도이다.

도 12를 참조하면, 먼저, S1201 단계에서, 장치(200)는 제1 생산 가능량에서 예상 출고량을 뺀 값으로, 여유 생산량을 산출할 수 있다.

예를 들어, 장치(200)는 제1 생산 가능량이 100개로 확인되고, 예상 출고량이 80개로 확인되면, (100 - 80)을 통해 산출된 20개를 여유 생산량으로 산출할 수 있다.

S1202 단계에서, 장치(200)는 여유 생산량을 제1 생산 가능량으로 나눈 값으로, 제1 비율을 산출할 수 있다.

예를 들어, 장치(200)는 여유 생산량이 20개로 확인되고, 제1 생산 가능량이 100개로 확인되면, (20 / 100)을 통해 산출된 20%를 제1 비율로 산출할 수 있다.

S1203 단계에서, 장치(200)는 100%에서 제1 비율을 뺀 값으로, 제2 비율을 산출할 수 있다.

예를 들어, 장치(200)는 제1 비율이 20%로 확인되면, (100 - 20)을 통해 산출된 80%를 제2 비율로 산출할 수 있다.

S1204 단계에서, 장치(200)는 24시간과 제2 비율을 곱한 값으로, 제1 시간을 산출할 수 있다.

예를 들어, 장치(200)는 제2 비율이 75%로 확인되면, (24 X 0.75)을 통해 산출된 18시간을 제1 시간으로 산출할 수 있다.

S1205 단계에서, 장치(200)는 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들이 제2 잔여 기간 동안 매일 제1 시간씩 가동되어 제1 제품을 생산하도록 제어할 수 있다.

도 13은 일실시예에 따른 최근 데이터 및 계절 변수를 고려하여 출고 패턴을 분석하는 과정을 설명하기 위한 순서도이다.

도 13을 참조하면, 먼저, S1301 단계에서, 장치(200)는 제1 제품의 출고 내역이 획득되면, 제1 제품의 출고 내역에서 제1 기간 동안의 출고 내역을 제1 출고 내역으로 추출하고, 제1 제품의 출고 내역에서 제2 기간 동안의 출고 내역을 제2 출고 내역으로 추출할 수 있다.

S1302 단계에서, 장치(200)는 제1 출고 내역에 기초하여, 제1 기간 동안 제1 제품에 대한 출고 패턴을 분석한 결과를 제1 분석 결과로 생성하고, 제2 출고 내역에 기초하여, 제2 기간 동안 제1 제품에 대한 출고 패턴을 분석한 결과를 제2 분석 결과로 생성할 수 있다.

즉, 장치(200)는 제1 출고 내역에 기초하여, 제1 기간 동안 제1 제품에 대한 출고가 평균 몇 일 간격으로 평균 몇 개씩 출고되었는지 출고 패턴을 분석하여 제1 분석 결과를 생성하고, 제2 출고 내역에 기초하여, 제2 기간 동안 제1 제품에 대한 출고가 평균 몇 일 간격으로 평균 몇 개씩 출고되었는지 출고 패턴을 분석하여 제2 분석 결과를 생성할 수 있다.

S1303 단계에서, 장치(200)는 제1 기간이 최근 기간일수록 더 높은 값으로 제1 가중치를 설정하고, 제2 기간이 최근 기간일수록 더 높은 값으로 제2 가중치를 설정할 수 있다. 이때, 제2 기간은 제1 기간 이후의 기간이기 때문에, 제2 가중치는 제1 가중치 보다 높은 값으로 설정될 수 있다.

예를 들어, 현재 시점이 6월 1일이고, 제1 기간이 4월, 제2 기간이 5월인 경우, 장치(200)는 제1 가중치를 1로 설정하고, 제2 가중치를 1.5로 설정할 수 있다.

S1304 단계에서, 장치(200)는 제1 분석 결과에 제1 가중치를 적용하고, 제2 분석 결과에 제2 가중치를 적용할 수 있다. 이때, 장치(200)는 제1 분석 결과에서 제1 기간 동안 평균적으로 출고된 출고량에 제1 가중치를 적용할 수 있고, 제2 분석 결과에서 제2 기간 동안 평균적으로 출고된 출고량에 제2 가중치를 적용할 수 있다.

한편, S1305 단계에서, 장치(200)는 현재 시점을 통해 제1 계절을 위한 출고가 필요한 것으로 판단할 수 있다. 예를 들어, 현재 시점이 6월 1일인 경우, 장치(200)는 여름이 다가오고 있어, 여름을 위한 출고가 필요한 것으로 판단할 수 있다.

S1306 단계에서, 장치(200)는 제1 제품의 출고 내역에서 제1 계절 동안의 출고 내역을 제3 출고 내역으로 추출할 수 있다. 이때, 제3 출고 내역은 작년 제1 계절 동안에 제품이 출고된 내역을 포함할 수 있다.

S1307 단계에서, 장치(200)는 제3 출고 내역에 기초하여, 제1 계절 동안 제1 제품에 대한 출고 패턴을 분석한 결과를 제3 분석 결과로 생성할 수 있다.

즉, 장치(200)는 제3 출고 내역에 기초하여, 제1 계절 동안 제1 제품에 대한 출고가 평균 몇 일 간격으로 평균 몇 개씩 출고되었는지 출고 패턴을 분석하여 제3 분석 결과를 생성할 수 있다.

S1308 단계에서, 장치(200)는 현재 시점으로부터 제1 계절의 시작 시점까지 남아있는 잔여 기간을 제3 잔여 기간으로 설정할 수 있다. 이때, 제1 계절의 시작 시점은 관리자에 의해 수동으로 설정되거나, 외부 서버로부터 획득된 데이터에 의해 자동으로 설정될 수 있다.

예를 들어, 현재 시점이 6월 1일이고 제1 계절의 시작 시점이 6월 11일인 경우, 장치(200)는 현재 시점과 제1 계절의 시작 시점 간의 차이인 10일을 제3 잔여 기간으로 확인할 수 있다.

S1309 단계에서, 장치(200)는 제3 잔여 기간이 짧을수록 더 높은 값으로 제3 가중치를 설정할 수 있다.

예를 들어, 장치(200)는 제3 잔여 기간이 10일인 경우, 제3 가중치를 1로 설정하고, 제3 잔여 기간이 9일인 경우, 제3 가중치를 1.1로 설정할 수 있다.

S1310 단계에서, 장치(200)는 제3 분석 결과에 제3 가중치를 적용할 수 있다. 이때, 장치(200)는 제3 분석 결과에서 제1 계절 동안 평균적으로 출고된 출고량에 제3 가중치를 적용할 수 있다.

S1311 단계에서, 장치(200)는 제1 가중치가 적용된 제1 분석 결과, 제2 가중치가 적용된 제2 분석 결과 및 제3 가중치가 적용된 제3 분석 결과를 기반으로, 제4 분석 결과를 생성할 수 있다. 이때, 장치(200)는 제1 가중치가 적용된 제1 분석 결과, 제2 가중치가 적용된 제2 분석 결과 및 제3 가중치가 적용된 제3 분석 결과의 평균치를 이용하여, 제4 분석 결과를 생성할 수 있다.

즉, 장치(200)는 최근 기간의 분석 결과에 더 높은 가중치를 적용하고, 계절 변수를 고려하여 가중치를 추가로 적용하여, 제4 분석 결과를 생성할 수 있다.

S1312 단계에서, 장치(200)는 제4 분석 결과에 기초하여, 제1 제품의 출고 패턴을 분석할 수 있다.

도 14는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 13을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 13을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 13을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(200)는 인공지능 모듈을 학습시키거나, 학습된 인공지능 모듈을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공지능 모듈을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공지능 모듈 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모듈을 학습시키는 장치(200)와 학습된 인공지능 모듈을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 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

장치에 프로세서 및 메모리가 포함되어 있고, 상기 메모리에 저장된 프로그램을 실행하여 상기 프로세서에 의해 수행되는, 인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법에 있어서,
제1 생산 장비의 상태를 확인하기 위해, 미리 설정된 기간마다 상기 제1 생산 장비의 상태를 나타내는 장비 상태 정보를 획득하는 단계;
제1 시점에 상기 제1 생산 장비의 상태를 나타내는 제1 장비 상태 정보가 획득되면, 상기 제1 장비 상태 정보를 기반으로, 상기 제1 시점에 대한 상기 제1 생산 장비의 상태를 나타내는 제1 상태 지수를 산출하는 단계;
상기 제1 시점 이후인 제2 시점에 상기 제1 생산 장비의 상태를 나타내는 제2 장비 상태 정보가 획득되면, 상기 제2 장비 상태 정보를 기반으로, 상기 제2 시점에 대한 상기 제1 생산 장비의 상태를 나타내는 제2 상태 지수를 산출하는 단계;
상기 제1 시점부터 상기 제2 시점까지 제1 기간으로 설정하고, 상기 제1 기간 동안 상기 제1 생산 장비에 대한 상태 변동 추세를 나타내는 제1 상태 변동 추세를 분석하는 단계;
상기 제1 상태 변동 추세에 대한 분석 결과를 제1 인공지능 모델에 적용하여, 상기 제1 인공지능 모델의 출력을 기초로, 상기 제1 기간 이후인 제2 기간에 상기 제1 생산 장비에서 불량 제품을 생산할 것으로 예상되는 확률을 제1 불량률로 예측하는 단계;
상기 제1 불량률이 미리 설정된 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 정상 장비로 분류하는 단계;
상기 제1 불량률이 상기 제1 기준 비율 보다 높지만 미리 설정된 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 관심 필요 장비로 분류하는 단계;
상기 제1 불량률이 상기 제2 기준 비율 보다 높지만 미리 설정된 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 생산 장비를 점검 필요 장비로 분류하는 단계; 및
상기 제1 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제1 생산 장비를 교체 필요 장비로 분류하는 단계를 포함하고,
제1 제품의 출고 내역을 기반으로, 상기 제1 제품의 출고일 및 출고량을 확인하여, 상기 제1 제품의 출고 패턴을 분석하는 단계;
상기 제1 제품의 출고 패턴에 기초하여, 상기 제1 제품에 대한 예상 출고일과 예상 출고량을 예측하는 단계;
현재 시점부터 상기 예상 출고일까지 남아있는 잔여 기간을 제2 잔여 기간으로 설정하는 단계;
상기 제2 잔여 기간이 미리 설정된 제1 기준 기간 보다 짧은 것으로 확인되면, 상기 예상 출고량의 생산이 필요한 것으로 판단하는 단계;
상기 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들의 일일 생산량을 합산한 값으로, 제1 생산량을 산출하는 단계;
상기 제1 생산량 및 상기 제2 잔여 기간을 곱한 값으로, 제1 생산 가능량을 산출하는 단계;
상기 제1 생산 가능량이 상기 예상 출고량 보다 많은 것으로 확인되면, 상기 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들만 가동되어 상기 제1 제품을 생산하도록 제어하는 단계;
상기 제1 생산 가능량이 상기 예상 출고량 보다 적은 것으로 확인되면, 상기 제1 제품을 생산하는 생산 장비들 중에서 관심 필요 장비로 분류된 생산 장비들의 일일 생산량을 합산한 값으로, 제2 생산량을 산출하는 단계;
상기 제1 생산량 및 상기 제2 생산량을 더한 값으로, 제3 생산량을 산출하는 단계;
상기 제3 생산량 및 상기 제2 잔여 기간을 곱한 값으로, 제2 생산 가능량을 산출하는 단계;
상기 제2 생산 가능량이 상기 예상 출고량 보다 많은 것으로 확인되면, 상기 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들과 관심 필요 장비로 분류된 생산 장비들이 가동되어 상기 제1 제품을 생산하도록 제어하는 단계; 및
상기 제2 생산 가능량이 상기 예상 출고량 보다 적은 것으로 확인되면, 상기 예상 출고일까지 상기 예상 출고량의 생산이 어려운 것을 알려주는 알림 메시지를 관리자 단말로 전송하는 단계를 더 포함하고,
상기 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들만 가동되어 상기 제1 제품을 생산하도록 제어하는 단계는,
상기 제1 생산 가능량에서 상기 예상 출고량을 뺀 값으로, 여유 생산량을 산출하는 단계;
상기 여유 생산량을 상기 제1 생산 가능량으로 나눈 값으로, 제1 비율을 산출하는 단계;
100%에서 상기 제1 비율을 뺀 값으로, 제2 비율을 산출하는 단계;
24시간과 상기 제2 비율을 곱한 값으로, 제1 시간을 산출하는 단계; 및
상기 제1 제품을 생산하는 생산 장비들 중에서 정상 장비로 분류된 생산 장비들이 상기 제2 잔여 기간 동안 매일 상기 제1 시간씩 가동되어 상기 제1 제품을 생산하도록 제어하는 단계를 포함하고,
상기 제1 제품의 출고 패턴을 분석하는 단계는,
상기 제1 제품의 출고 내역에서 상기 제1 기간 동안의 출고 내역을 제1 출고 내역으로 추출하고, 상기 제2 기간 동안의 출고 내역을 제2 출고 내역으로 추출하는 단계;
상기 제1 출고 내역에 기초하여, 상기 제1 기간 동안 상기 제1 제품에 대한 출고 패턴을 분석한 결과를 제1 분석 결과로 생성하고, 상기 제2 출고 내역에 기초하여, 상기 제2 기간 동안 상기 제1 제품에 대한 출고 패턴을 분석한 결과를 제2 분석 결과로 생성하는 단계;
상기 제1 기간이 최근 기간일수록 더 높은 값으로 제1 가중치를 설정하고, 상기 제2 기간이 최근 기간일수록 더 높은 값으로 제2 가중치를 설정하는 단계;
상기 제1 분석 결과에 상기 제1 가중치를 적용하고, 상기 제2 분석 결과에 상기 제2 가중치를 적용하는 단계;
현재 시점을 통해 제1 계절을 위한 출고가 필요한 것으로 판단되면, 상기 제1 제품의 출고 내역에서 상기 제1 계절 동안의 출고 내역을 제3 출고 내역으로 추출하는 단계;
상기 제3 출고 내역에 기초하여, 상기 제1 계절 동안 상기 제1 제품에 대한 출고 패턴을 분석한 결과를 제3 분석 결과로 생성하는 단계;
현재 시점으로부터 상기 제1 계절의 시작 시점까지 남아있는 잔여 기간을 제3 잔여 기간으로 설정하는 단계;
상기 제3 잔여 기간이 짧을수록 더 높은 값으로 제3 가중치를 설정하는 단계;
상기 제3 분석 결과에 상기 제3 가중치를 적용하는 단계;
상기 제1 가중치가 적용된 제1 분석 결과, 상기 제2 가중치가 적용된 제2 분석 결과 및 상기 제3 가중치가 적용된 제3 분석 결과를 기반으로, 제4 분석 결과를 생성하는 단계; 및
상기 제4 분석 결과에 기초하여, 상기 제1 제품의 출고 패턴을 분석하는 단계를 포함하는,
인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법.
제1항에 있어서,
상기 제1 상태 지수를 산출하는 단계는,
상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 온도가 제1 온도로 확인된 경우, 상기 제1 온도가 미리 설정된 정상 온도 범위 내에 있는 것으로 확인되면, 제1 수치를 10으로 설정하는 단계;
상기 제1 온도가 상기 정상 온도 범위를 벗어나 상기 정상 온도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 온도와 상기 정상 온도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제1 수치를 낮은 수치로 설정하는 단계;
상기 제1 온도가 상기 정상 온도 범위를 벗어나 상기 정상 온도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 온도와 상기 정상 온도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제1 수치를 낮은 수치로 설정하는 단계;
상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 습도가 제1 습도로 확인된 경우, 상기 제1 습도가 미리 설정된 정상 습도 범위 내에 있는 것으로 확인되면, 제2 수치를 10으로 설정하는 단계;
상기 제1 습도가 상기 정상 습도 범위를 벗어나 상기 정상 습도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 습도와 상기 정상 습도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제2 수치를 낮은 수치로 설정하는 단계;
상기 제1 습도가 상기 정상 습도 범위를 벗어나 상기 정상 습도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 습도와 상기 정상 습도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제2 수치를 낮은 수치로 설정하는 단계;
상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 동작 시 회전하는 속도가 제1 속도로 확인된 경우, 상기 제1 속도가 미리 설정된 정상 속도 범위 내에 있는 것으로 확인되면, 제3 수치를 10으로 설정하는 단계;
상기 제1 속도가 상기 정상 속도 범위를 벗어나 상기 정상 속도 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 속도와 상기 정상 속도 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제3 수치를 낮은 수치로 설정하는 단계;
상기 제1 속도가 상기 정상 속도 범위를 벗어나 상기 정상 속도 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 속도와 상기 정상 속도 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제3 수치를 낮은 수치로 설정하는 단계;
상기 제1 장비 상태 정보를 기반으로, 상기 제1 생산 장비의 동작 시 가해지는 압력이 제1 압력으로 확인된 경우, 상기 제1 압력이 미리 설정된 정상 압력 범위 내에 있는 것으로 확인되면, 제4 수치를 10으로 설정하는 단계;
상기 제1 압력이 상기 정상 압력 범위를 벗어나 상기 정상 압력 범위의 최소값 보다 낮은 것으로 확인되면, 상기 제1 압력과 상기 정상 압력 범위의 최소값 간의 차이가 클수록 0부터 9까지 범위 내에서 상기 제4 수치를 낮은 수치로 설정하는 단계;
상기 제1 압력이 상기 정상 압력 범위를 벗어나 상기 정상 압력 범위의 최대값 보다 높은 것으로 확인되면, 상기 제1 압력과 상기 정상 압력 범위의 최대값 간의 차이가 클수록 0부터 5까지 범위 내에서 상기 제4 수치를 낮은 수치로 설정하는 단계; 및
상기 제1 수치, 상기 제2 수치, 상기 제3 수치 및 상기 제4 수치를 합산한 값으로, 상기 제1 상태 지수를 산출하는 단계를 포함하는,
인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법.
제1항에 있어서,
상기 제1 불량률로 예측하는 단계 이후,
상기 제1 생산 장비의 고장 발생 내역을 기반으로, 상기 제1 생산 장비에서 고장이 발생한 일자를 확인하여, 상기 제1 생산 장비의 고장 발생 주기를 분석하는 단계;
상기 제1 생산 장비의 고장 발생 주기에 기초하여, 상기 제1 생산 장비에서 고장이 발생할 것으로 예상되는 고장 발생 예상일을 예측하는 단계;
현재 시점부터 상기 고장 발생 예상일까지 남아있는 잔여 기간을 제1 잔여 기간으로 설정하는 단계;
상기 제1 잔여 기간이 미리 설정된 기준 기간 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단하는 단계;
상기 제1 잔여 기간이 상기 기준 기간 범위를 벗어나 상기 기준 기간 범위의 최소값 보다 짧은 것으로 확인되면, 상기 제1 잔여 기간이 짧을수록 1부터 2까지 범위 내에서 제1 기준치를 높은 값으로 설정하는 단계;
상기 제1 잔여 기간이 상기 기준 기간 범위를 벗어나 상기 기준 기간 범위의 최대값 보다 긴 것으로 확인되면, 상기 제1 잔여 기간이 길수록 0부터 1까지 범위 내에서 제1 기준치를 낮은 값으로 설정하는 단계;
상기 제1 기준치가 설정되면, 상기 제1 불량률 및 상기 제1 기준치를 곱한 값으로, 제2 불량률을 산출하는 단계;
상기 제1 불량률이 상기 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 1등급으로 설정하고, 상기 제1 불량률이 상기 제1 기준 비율 보다 높지만 상기 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 2등급으로 설정하고, 상기 제1 불량률이 상기 제2 기준 비율 보다 높지만 상기 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제1 불량률의 등급을 3등급으로 설정하고, 상기 제1 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제1 불량률의 등급을 4등급으로 설정하는 단계;
상기 제2 불량률이 상기 제1 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 1등급으로 설정하고, 상기 제2 불량률이 상기 제1 기준 비율 보다 높지만 상기 제2 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 2등급으로 설정하고, 상기 제2 불량률이 상기 제2 기준 비율 보다 높지만 상기 제3 기준 비율 보다 낮은 것으로 확인되면, 상기 제2 불량률의 등급을 3등급으로 설정하고, 상기 제2 불량률이 상기 제3 기준 비율 보다 높은 것으로 확인되면, 상기 제2 불량률의 등급을 4등급으로 설정하는 단계;
상기 제1 불량률의 등급과 상기 제2 불량률의 등급이 동일한 것으로 확인되면, 상기 제1 불량률에 대한 조정이 필요하지 않은 것으로 판단하는 단계;
상기 제1 불량률의 등급과 상기 제2 불량률의 등급이 상이한 것으로 확인되면, 상기 제1 불량률의 등급과 상기 제2 불량률의 등급 차이가 클수록 0부터 0.5까지 범위 내에서 제2 기준치를 높은 값으로 설정하는 단계;
상기 제1 기준치가 1보다 작은 것으로 확인되면, 상기 제1 기준치와 상기 제2 기준치를 더한 값으로, 제3 기준치를 산출하는 단계;
상기 제1 기준치가 1보다 큰 것으로 확인되면, 상기 제1 기준치에서 상기 제2 기준치를 뺀 값으로, 제3 기준치를 산출하는 단계; 및
상기 제3 기준치가 산출되면, 상기 제1 불량률 및 상기 제3 기준치를 곱한 값으로, 상기 제1 불량률을 조정하는 단계를 더 포함하는,
인공지능 모델 기반 불량률 예측을 통한 스마트 팩토리 운용 방법.