KR102622569B1 - 지능형 제조 설비 제어 장치 및 그의 제어 방법 - Google Patents
지능형 제조 설비 제어 장치 및 그의 제어 방법 Download PDFInfo
- Publication number
- KR102622569B1 KR102622569B1 KR1020220179128A KR20220179128A KR102622569B1 KR 102622569 B1 KR102622569 B1 KR 102622569B1 KR 1020220179128 A KR1020220179128 A KR 1020220179128A KR 20220179128 A KR20220179128 A KR 20220179128A KR 102622569 B1 KR102622569 B1 KR 102622569B1
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing
- information
- manufacturing information
- degree
- technique
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 386
- 238000000034 method Methods 0.000 title claims abstract description 134
- 230000005856 abnormality Effects 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 230000003416 augmentation Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012800 visualization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000746 purification Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 17
- 238000011161 development Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000004886 process control Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 2
- 235000011941 Tilia x europaea Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004571 lime Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 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]
- G05B19/41875—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 quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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 Factory Administration (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
Abstract
지능형 제조 설비 제어 장치의 제어 방법에 관한 것이며, 지능형 제조 설비 제어 장치의 제어 방법은, 대상 제조 설비의 제조 정보를 수집하는 단계; 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계; 및 상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 단계를 포함할 수 있다.
Description
본원은 지능형 제조 설비 제어 장치 및 그의 제어 방법에 관한 것이다.
국내에서는 제조 품질을 증가시키기 위한 목적으로 인공지능을 활용한 제조 공정 및 제조품 품질 검증 기술에 대한 연구 개발이 활발하게 이루어지고 있다. 특히, 국내의 인공지능 기술 기반의 제조 품질 기술에 대한 실제 적용의 측면에서 볼 때, 제조와 관련하여 획득한 이미지 및 영상 데이터를 딥러닝 기반으로 분석하여 제조 품질을 검증하는 수준까지 이루어졌다.
그러나, 인공지능을 활용하여 제조 공정 및 제조품 품질을 검증하는 기술은, 개발 비용이 높고, 개발 시간이 길기 때문에, 중소 규모의 제조 업체에서는 해당 기술을 활용하기 어렵다. 또한, 다양한 설비와 공정 환경 때문에 각 공장에서 파생되는 제조 데이터가 다르고, 제조 데이터에 따른 인공지능 기술 또한 공장의 특성에 맞춰서 구축되어야 했기 때문에 제조업에서 해당 인공지능 기반의 제조 공정 및 제조품 품질 검증 기술을 활용하기 용이하지 않다.
게다가, 높은 개발 비용과 장시간의 개발 시간으로 인공지능 기반의 제조 공정 및 제조품 품질 검증 기술이 구축되어도, 제조 현장에서 비전문가들이 해당 기술을 활용할 경우, 검증의 신뢰성이 부족하여 해당 기술이 전부 사용되지 않고, 제조 현장의 관리자 및 실무자들의 판단에 따라 제조 공정에서 발생하는 문제 대처 및 품질 검증이 이루어지게 된다. 즉, 종래 기술은 인공지능 기반으로 제조 공정과 제조품의 품질을 검증하는데 한정될 뿐, 제조 현장에서 문제 상황을 해결을 위한 의사 결정을 자동화하고, 제조품의 품질 불량을 방지하기 위해 자율적으로 공정을 최적화하는 설비 및 공정 제어 기술은 미흡한 실정이다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-2367597호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 인공지능 기반의 제조 공정 및 제조품 품질 검증 기술의 개발 비용이 높고, 개발 시간이 길며, 범용성이 떨어지는 문제를 해결할 수 있는 지능형 제조 설비 제어 장치 및 그의 제어 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 제조 현장에서 문제 상황을 해결을 위한 의사 결정을 자동화하고, 제조품의 품질 불량을 방지하기 위해 자율적으로 공정을 최적화하는 설비 및 공정 제어 기술이 미흡한 문제를 해결할 수 있는 지능형 제조 설비 제어 장치 및 그의 제어 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법은, 대상 제조 설비의 제조 정보를 수집하는 단계; 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계; 및 상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 단계를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 수집하는 단계는, 상기 제조 정보를 전처리하는 단계를 포함하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 전처리하는 단계는, 상기 제조 정보가 정형 정보이면, 복수의 증강 기법 중 적어도 하나의 증강 기법을 이용하여 상기 제조 정보를 증강시키고, 상기 제조 정보가 비정형 정보이면, 상기 제조 정보를 기초로 기 설정된 임계 정도를 만족할 때까지 가공된 제조 정보를 생성함으로써 상기 제조 정보를 증강시키는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 복수의 증강 기법은, 상기 제조 정보에 잡음을 추가하여 증강시키는 제1증강 기법; 상기 제조 정보의 변수에 기 설정된 양의 크기 변화를 가하여 증강시키는 제2증강 기법; 및 상기 제조 정보의 시점을 변환하여 증강시키는 제3증강 기법을 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 수집하는 단계는, 상기 제조 정보를 분석하는 단계; 및 상기 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력하는 단계를 포함하는 것을 특징으로 하되, 상기 변수 추출 인공신경망은, 제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는, 제조 정보 및 제조된 제품 정보를 학습 데이터셋으로 학습한 복수의 인공신경망을 생성하는 단계; 상기 복수의 인공신경망 중 출력되는 제조 품질 이상 정도의 정확도가 가장 높은 인공신경망을 이상 감지 인공신경망으로 설정하는 단계를 포함하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는, 상기 특질 변수를 상기 이상 감지 인공신경망에 입력하여 상기 제조 품질 이상 정도를 출력하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는, 제조 품질 이상 정도가 기 설정된 임계 이상 정도 이상이면, 상기 제조 품질 이상 정도에 복수의 분석 기법 중 적어도 하나를 적용하여 문제 원인 공정을 산출하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는, 상기 문제 원인 공정을 기초로 시각화 정보를 생성하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따르면, 상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 단계는, 상기 문제 원인 공정을 기초로 상기 대상 제조 설비를 제어하는 것을 특징으로 할 수 있다.
본원의 일 실시예에 따른 지능형 제조 설비 제어 장치는, 대상 제조 설비의 제조 정보를 수집하는 수집부; 상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 이상 감지부; 및 상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 제어부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 수집부는, 상기 제조 정보를 전처리하는 전처리부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 수집부는, 상기 제조 정보를 분석하는 변수 분석부; 및 상기 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력하는 변수 출력부를 포함하되, 상기 변수 추출 인공신경망은, 제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습할 수 있다.
본원의 일 실시예에 따르면, 상기 이상 감지부는, 상기 특질 변수를 상기 이상 감지 인공신경망에 입력하여 상기 제조 품질 이상 정도를 출력하는 이상 출력부를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 지능형 제조 설비 제어 장치 및 그의 제어 방법을 제공함으로써, 인공지능 기반의 제조 공정 및 제조품 품질 검증 기술의 개발 비용이 높고, 개발 시간이 길며, 범용성이 떨어지는 문제를 해결할 수 있는 효과가 있다.
전술한 본원의 과제 해결 수단에 의하면, 지능형 제조 설비 제어 장치 및 그의 제어 방법을 제공함으로써, 제조 현장에서 문제 상황을 해결을 위한 의사 결정을 자동화하고, 제조품의 품질 불량을 방지하기 위해 자율적으로 공정을 최적화하는 설비 및 공정 제어 기술이 미흡한 문제를 해결할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 지능형 제조 설비 제어 시스템의 개략적인 구성도이다.
도 2는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 시스템의 개략적인 구성도이다.
도 3은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치의 개략적인 블록도이다.
도 4는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 개략적인 블록도이다.
도 5는 본원의 일 실시예에 따른 제조 정보에 관한 그래프를 개략적으로 도시한 도면이다.
도 6은 본원의 일 실시예에 따른 증강 기법에 관한 그래프를 개략적으로 도시한 도면이다.
도 7은 본원의 일 실시예에 따른 증강 기법의 구조도를 도시한 도면이다.
도 8은 본원의 일 실시예 따른 증강된 제조 정보의 예시를 개략적으로 도시한 도면이다.
도 9는 본원의 일 실시예에 따른 제조 품질 이상에 관한 시각화 자료의 예시를 개략적으로 도시한 도면이다.
도 10은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
도 11은 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
도 12는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
도 2는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 시스템의 개략적인 구성도이다.
도 3은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치의 개략적인 블록도이다.
도 4는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 개략적인 블록도이다.
도 5는 본원의 일 실시예에 따른 제조 정보에 관한 그래프를 개략적으로 도시한 도면이다.
도 6은 본원의 일 실시예에 따른 증강 기법에 관한 그래프를 개략적으로 도시한 도면이다.
도 7은 본원의 일 실시예에 따른 증강 기법의 구조도를 도시한 도면이다.
도 8은 본원의 일 실시예 따른 증강된 제조 정보의 예시를 개략적으로 도시한 도면이다.
도 9는 본원의 일 실시예에 따른 제조 품질 이상에 관한 시각화 자료의 예시를 개략적으로 도시한 도면이다.
도 10은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
도 11은 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
도 12는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치의 제어 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 지능형 제조 설비 제어 시스템의 개략적인 구성도이다.
도 1을 참조하면, 지능형 제조 설비 제어 시스템(1)(이하, '본 시스템(1)'이라고도 지칭함.)은, 지능형 제조 설비 제어 장치(100)(이하, '본 장치(100)'라고도 지칭함.), 사용자 단말(200) 및 대상 제조 설비(A)를 포함할 수 있다.
본 장치(100)는 대상 제조 설비(A)의 제조 정보를 수집하고, 제조 정보를 기초로 제조 품질 이상 정도를 생성하며, 제조 품질 이상 정도를 기초로 대상 제조 설비(A)를 제어할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는 사용자 단말(200)로 제조 정보 수집 메뉴, 제조 품질 생성 메뉴 및 제조 설비 제어 메뉴를 제공할 수 있다. 예를 들어, 본 장치(100)가 제공하는 어플리케이션 프로그램을 사용자 단말(200)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 제조 정보 수집 메뉴, 제조 품질 생성 메뉴 및 제조 설비 제어 메뉴가 제공될 수 있다.
본 장치(100)는 사용자 단말(200) 및 대상 제조 설비(A)와 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
사용자 단말(200)은 네트워크를 통해 본 장치(100) 및 대상 제조 설비(A)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.
본 장치(100), 사용자 단말(200) 및 대상 제조 설비(A) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
대상 제조 설비(A)는 대상 제품을 생산하기 위한 설비를 의미하고, 본 장치(100)에 의해 제어될 수 있다.
도 2는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 시스템(1)의 개략적인 구성도이다.
도 2를 참조하면, 본 시스템(1)은 대상 제조 설비(A)에 부착되는 복수의 센서를 포함하고, 알고리즘의 이상 유무를 모니터링하고, 제어까지 할 수 있도록 설계된 5G 엣지 컴퓨팅 인프라 기반의 데이터 공유를 수행할 수 있다.
본 장치(100)는 수집된 제조 정보를 이용하여 대상 제조 설비(A)의 제조 공정 프로세스를 분석 및 전처리를 수행하고, 특질 변수를 추출하고, 추출된 특질 변수를 통해 제조 품질의 이상 유무를 감지하거나 예측할 수 있다. 또한 본 장치(100)는 제조 품질에 이상이 발생했을 시 문제의 원인을 기초로 생성한 시각화 컨텐츠를 사용자 단말(200)로 출력하며, 문제의 원인을 해결하도록 대상 제조 설비(A)의 환경에 맞는 설비 제어를 수행할 수 있다.
도 3은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치(100)의 개략적인 블록도이다.
도 3을 참조하면, 본 장치(100)는 수집부(110), 이상 감지부(120) 및 제어부(130)를 포함할 수 있다.
본원의 일 실시예에 따르면, 수집부(110)는, 대상 제조 설비(A)의 제조 정보를 수집할 수 있다.
본원의 일 실시예에 따르면, 이상 감지부(120)는, 제조 정보를 기초로 제조 품질 이상 정도를 생성할 수 있다.
본원의 일 실시예에 다르면, 제어부(130)는 제조 품질 이상 정도를 기초로 대상 제조 설비(A)를 제어할 수 있다.
본원의 일 실시예에 따르면, 수집부(110)는, 제조 정보를 전처리하는 전처리부를 포함할 수 있다.
본원의 일 실시예에 따르면, 수집부(110)는, 제조 정보를 분석하는 변수 분석부; 및 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력하는 변수 출력부를 포함하되, 변수 추출 인공신경망은, 제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습할 수 있다.
본원의 일 실시예에 따르면, 이상 감지부(120)는, 특질 변수를 이상 감지 인공신경망에 입력하여 제조 품질 이상 정도를 출력하는 이상 출력부를 포함할 수 있다.
도 4는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치(100)의 개략적인 블록도이다.
도 4를 참조하면, 본 장치(100)는 데이터 수집부(101), 데이터 전처리부(102), 데이터 모델 학습부(103), 설명 가능한 인공지능 모델 시각화부(104) 및 자동공정 제어시스템부(105)를 포함할 수 있다. 본 장치(100)는 빅데이터를 포함하는 데이터베이스(미도시)를 포함할 수 있다. 데이터베이스는 생산량, 생산실적, 생산일자, 작업시간, 불량수량, 계획수량, 목표수량, 가동률, 부품코드, 순간정지시간 등을 포함하는 설비 별 발생 가능한 모든 정보를 포함하되, 이에 한정되는 것은 아니다.
또한, 본 장치(100)의 자동공정 제어시스템부(105)는 이종설비 및 공정 모니터링 기술(미도시), 복합 이벤트 분석 처리 기술(미도시), 이상진단 모니터링 알람 기술(미도시) 및 5G 엣지 컴퓨팅 인프라기반 데이터 공유 기술(미도시) 등을 포함하여 인프라를 구축하고 대상 제조 설비(A)에 자동 공정 제어를 수행할 수 있다.
이종설비 및 공정 모니터링 기술(미도시)은 대상 제조 설비(A)의 제조 정보를 수집하여 시간 당 기 설정된 개수 이상(예를 들어, 1초당 500,000개 이상)의 이벤트를 처리할 수 있는 환경을 구축하기 위해 디스크 스토리지가 아닌 컴퓨터 메모리에 정보를 보관하는 데이터베이스를 사용할 수 있다.
복합 이벤트 분석 처리 기술(미도시)은 대상 제조 설비(A)에서 발생하는 실시간 대용량 제조 정보를 처리하기 위해 복합 이벤트 분석 처리기술을 이용하여, 대상 제조 설비(A)의 병렬공정의 제조 정보를 빠르게 처리할 수 있다.
이상진단 모니터링 알람 기술(미도시)은 제조 품질에 이상이 발생하였을 경우, 알람 및 경고등 기능을 활성화하고 근무자와 관리자의 사용자 단말(200)로 실시간 알림 기능(문자 및 이메일 포함)을 제공한다. 또한, 본 장치(100)는 제조 정보를 시각적으로 표현하기 위해 HTML5와 같이 모바일 웹 핵심 기술을 적용할 수 있다. 즉, 본 장치(100)는 클라이언트의 서버와 통신을 구축하여 다른 외부(Active-X, Plug-in) 기능을 사용하지 않고도 웹 서비스(부가기능)를 제공할 수 있다.
5G 엣지 컴퓨팅 인프라기반 데이터 공유 기술(미도시)은 사용자 또는 데이터 소스의 물리적인 위치나 그 근처에서 컴퓨팅을 수행하는 것을 말하며, 대상 제조 설비(A)의 제조 공정에서 발생되는 센싱 정보는 엣지 시스템을 통해 전처리 및 학습에 활용되고, 빅데이터 플랫폼에서 센싱 정보를 분석한 후 사용자 단말(200)로 송신하여 상황인식이 진행되도록 할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는 대상 제조 설비(A)의 제조 정보를 수집할 수 있다.
일 예로, 제조 정보는 대상 제조 설비(A)의 제조 공정 정보를 포함할 수 있다. 제조 정보는 대상 제조 설비(A)의 전력, 상태, 가동률 등을 포함할 수 있다. 제조 정보는 대상 제조 설비(A)에 부착된 센서로부터 수신된 센싱 정보를 포함하되, 대상 제조 설비(A)에 부착된 센서로부터 수신된 센싱 정보는, 대상 제조 설비(A)의 제조 공정에서 발생되고 수치화할 수 있는 시계열 정보를 포함하고, 대상 제조 설비(A)에 부착된 센서는 광 센서, 초음파 센서, 적외선 센서 등 다양한 타입의 센서를 포함할 수 있다. 제조 정보는 대상 제조 설비(A)가 생산한 제조품에 대한 다각도의 이미지 정보를 포함할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는 제조 정보를 기초로 제조 품질 이상 정도를 생성할 수 있다.
일 예로, 본 장치(100)는 제조 정보를 기초로 대상 제조 설비(A)에서 생산된 제조품에 이상이 있는지 감지하는 정보 및 대상 제조 설비(A)에서 생산 예정인 제조품에 이상이 포함될 것인지를 예측하는 정보 중 적어도 하나를 포함하는 제조 품질 이상 정도를 생성할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는 제조 품질 이상 정도를 기초로 대상 제조 설비(A)를 제어할 수 있다.
일 예로, 제조 품질 이상 정도를 기초로, 대상 제조 설비(A)에서 생산된 제조품에 이상이 없고 생산 예정인 제조품에 이상이 포함되지 않도록, 본 장치(100)는 대상 제조 설비(A)에 포함된 제조 공정을 제어할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는 제조 정보를 전처리 할 수 있다.
일 예로, 본 장치(100)는 제조 정보를 시계열처리하는 전처리를 수행할 수 있다. 본 장치(100)는 제조 정보에 시계열처리하는 전처리를 수행함으로써, 제조 설비의 상태를 확인할 수 있다.
다른 일 예로, 전처리 기법은 정제 기법, 정규화 기법 및 증강 기법 중 적어도 하나를 포함하되, 본 장치(100)는 제조 정보에 전처리 기법을 적용함으로써 전처리할 수 있다. 제조 정보에 있어서, 정제 필요 정도, 정규화 필요 정도 및 증강 필요 정도 중 적어도 하나가 기 설정된 정도 이상이면, 대응되는 필요 정도에 기초하여 본 장치(100)는 제조 정보에 전처리 기법을 선택적으로 적용할 수 있다.
다른 일 예로, 본 장치(100)는 이상 감지 인공신경망에 제조 정보를 입력할 시 출력되는 제조 품질 이상 정도의 정확도가 기 설정된 정도 이상이 될 때까지 제조 정보에 전처리를 수행할 수 있다.
도 5는 본원의 일 실시예에 따른 제조 정보에 관한 그래프를 개략적으로 도시한 도면이다.
도 5를 참조하면, (a)는 제조 정보에 포함된 전력의 정상 패턴에 대응하는 그래프를 의미하고, (c)는 제조 정보에 포함된 전력의 이상 패턴에 대응하는 그래프를 의미하고, (b) 및 (d)는 시계열처리된 제조 정보 또는 제조 정보에 포함된 시계열 정보에 대응되는 그래프를 의미할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 정보가 정형 정보이면, 복수의 증강 기법 중 적어도 하나의 증강 기법을 이용하여 제조 정보를 증강시킬 수 있다.
일 예로, 정형 정보는 시계열 정보를 포함할 수 있다. 제조 정보가 시계열 처리되면 정형 정보로 간주될 수 있다. 따라서, 제조 정보가 시계열처리되면, 후술될 복수의 증강 기법 중 적어도 하나의 증강 기법을 이용하여 제조 정보를 증강시킬 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 정보가 비정형 정보이면, 제조 정보를 기초로 기 설정된 임계 정도를 만족할 때까지 가공된 제조 정보를 생성함으로써 제조 정보를 증강시킬 수 있다.
일 예로, 비정형 정보는 시계열처리되지 않은 정보를 포함할 수 있다. 비정형 정보는 이미지 정보를 포함할 수 있다. 따라서, 제조 정보가 시계열처리되지 않으면, 본 장치(100)는 제조 정보를 기초로 기 설정된 임계 정도를 만족할 때까지 가공된 제조 정보를 생성하여 제조 정보를 증강시킬 수 있다. 본 장치(100)는 제조 정보에 포함된 생산된 제조품의 이미지 정보를 GAN 알고리즘에 적용하여 제조 정보를 증강시킬 수 있다. 제조 정보에 포함된 이미지 정보에 뒤집기, 자르기, 회전 등의 증강 기법을 수행하거나, GAN 알고리즘을 적용하여 가짜 이미지 정보를 생성함으로써 이상이 있을 수 있는 여러 경우의 이미지 정보를 보유할 수 있다.
또한, 제조 정보가 비정형 정보이면, 본 장치(100)는 CycleGan 알고리즘을 이용하여 제조 정보를 증강시킬 수 있다.
도 6은 본원의 일 실시예에 따른 증강 기법에 관한 그래프를 개략적으로 도시한 도면이다.
도 6을 참조하면, Original 그래프는 증강되지 않은 시계열처리된 제조 정보의 그래프임을 확인할 수 있다. 여기서 (a)의 Original 그래프에 대응되는 제조 정보에 Jittering 기법을 적용하여 증강시키면 (b)의 Jittering 그래프와 같이 제조 정보가 증강됨을 확인할 수 있다. 또한, (a)의 Original 그래프에 대응되는 제조 정보에 Scaling 기법을 적용하여 증강시키면 (c)의 Scaling 그래프와 같이 제조 정보가 증강됨을 확인할 수 있다. 또한, (a)의 Original 그래프에 대응되는 제조 정보에 Time Warping 기법을 적용하여 증강시키면 (d)의 Time Warping 그래프와 같이 제조 정보가 증강됨을 확인할 수 있다.
본원의 일 실시예에 따르면, 복수의 증강 기법은, 제조 정보에 잡음을 추가하여 증강시키는 제1증강 기법을 포함할 수 있다.
일 예로, 제조 정보가 시계열 처리되면, 본 장치(100)는 제1증강 기법을 이용하여 제조 정보를 증강시킬 수 있다. 제1증강 기법을 통해 본 장치(100)는, 시계열 처리된 제조 정보에 잡음을 추가하여 증강시킬 수 있다. 제1증강 기법이 제조 정보에 적용됨으로써, 잡음에 대한 견고성이 상승하고 이를 통해 성능 향상이 이루어질 수 있다. 제1증강 기법은 가우시안(Gaussian) 분포에서 무작위로 수를 생성하여 시계열처리된 제조 정보와 합하는 방식으로 구현될 수 있다. 제1증강 기법은 Jittering 기법을 포함할 수 있다.
본원의 일 실시예에 따르면, 복수의 증강 기법은, 제조 정보의 변수에 기 설정된 양의 크기 변화를 가하여 증강시키는 제2증강 기법을 포함할 수 있다.
일 예로, 제조 정보가 시계열 처리되고, 제조 정보의 값이 일정한 magnitude 변화하여도 라벨(label)을 유지가능하면, 본 장치(100)는 제2증강 기법을 이용하여 제조 정보를 증강시킬 수 있다. 제2증강 기법을 통해 본 장치(100)는, 시계열 처리된 제조 정보의 각 변수에 일괄적으로 기 설정된 양의 크기 변화를 가하여 제조 정보를 증강시킬 수 있다. 제2증강 기법은 제조 정보의 각 변수에 임의의 값을 사용해 곱셈을 진행하는 것을 통해 구현될 수 있다. 제2증강 기법은 Scaling 기법, Data scaling 등을 포함할 수 있다.
본원의 일 실시예에 따르면, 복수의 증강 기법은, 제조 정보의 시점을 변환하여 증강시키는 제3증강 기법을 포함할 수 있다.
일 예로, 제조 정보가 시계열 처리되고, 기 설정된 행동 시점 변화가 라벨(label)에 기 설정된 정도의 영향을 주지 않으면, 본 장치(100)는 제3증강 기법을 이용하여 제조 정보를 증강시킬 수 있다. 제3증강 기법을 통해 본 장치(100)는, 시계열 처리된 제조 정보의 시계열 값의 시점을 변환하는 것을 통해 제조 정보와 유사한 제조 정보를 생성하여 제조 정보를 증강시킬 수 있다. 제3증강 기법은 제조 정보의 샘플 간의 시간 간격을 기 설정된 정도로 왜곡해 샘플의 시간적 위치를 변경하여 구현될 수 있다. 제3증강 기법은 warping 기법, Time warping 등을 포함할 수 있다.
도 7은 본원의 일 실시예에 따른 증강 기법의 구조도를 도시한 도면이다.
도 7을 참조하면, 비정형 정보인 제조 정보에 CycleGan 알고리즘을 적용하여 증가시키는 경우에 관한 구조도임을 확인할 수 있다. 기존의 GAN 알고리즘은 하나의 생성자와 판별자로 구성된 반면, CycleGAN은 2개의 생성자와 2개의 판별자로 구성될 수 있다. 여기서 (a)는 제1생성자를 의미하고, 제1도메인의 이미지 정보를 제2도메인의 이미지 정보로 생성할 수 있다. (b)는 제1판별자를 의미하고, 제1생성자가 생성한 이미지(가짜)에 대한 진위 여부를 판단할 수 있다. (c)는 제2생성자를 의미하고, 제2도메인의 이미지 정보를 다시 제1도메인의 이미지 정보로 변환할 수 있다. 또한, (d)는 제2판별자를 의미하고, 제2생성자가 생성한 이미지 정보의 진위 여부를 판단할 수 있다.
도 8은 본원의 일 실시예 따른 증강된 제조 정보의 예시를 개략적으로 도시한 도면이다.
도 8을 참조하면, 제조 정보에 포함된 비정형 정보인 이미지 정보를 전처리 과정을 통해 증강한 예시임을 확인할 수 있다. 제조 정보에 포함된 이미지 정보는 대상 제조 설비(A)의 제조 공정 완료 후 검증 단계의 이미지 정보인 것일 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 정보를 분석할 수 있다.
본 장치(100)는 제조 정보에 기 설정된 제조 품질의 이상 유무를 유발하는 요인과의 연관 여부를 분석할 수 있다. 제조 품질의 이상 유무를 유발하는 요인은, 제조 공정 중 불량부품 조립, 제조 설비의 급가동, 압력에 의한 접힘, 불규칙한 전력 공급, 온도 저하 등을 포함할 수 있고, 이에 한정되는 것은 아니다.
일 예로, 본 장치(100)는 제조 정보를 기초로 대상 제조 설비(A)의 제조 공정에 대한 분석을 수행하고, 대상 제조 설비(A)가 생산한 제조품에 대한 분석을 수행할 수 있다. 또한, 본 장치(100)는 시계열 처리된 제조 정보에 시계열 분석을 수행함으로써, 대상 제조 설비(A)의 상태가 생산된 제조품의 이상과 연관성이 있는지 파악할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력할 수 있다.
일 예로, 본 장치(100)는 제조 정보 및 시계열 분석 결과를 기초로 특질 변수를 추출하되, 제조 정보 및 시계열 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수(통계적 특질(특징) 변수)를 출력할 수 있다. 본 장치(100)는 특질 변수에 대해 유의미한 변수를 추출할 수 있다. 이 때, 변수 추출 인공신경망은 주성분 분석 알고리즘일 수 있으나, 이에만 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 알고리즘을 적용할 수 있다.
본원의 일 실시예에 따르면, 변수 추출 인공신경망은, 제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습할 수 있다.
예를 들어, 인공지능 기반의 학습 모델은 기계 학습(Machine Learning), 딥 러닝(Deep Learning) 등의 인공지능 기반의 학습을 통해 생성되는 것일 수 있으나, 이에만 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 다양한 신경망 체계를 적용할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 정보 및 제조된 제품 정보를 학습 데이터셋으로 학습한 복수의 인공신경망을 생성할 수 있다.
일 예로, 본 장치(100)는 Random Forest 알고리즘, RNN 알고리즘, CNN 알고리즘, Autoencoder 알고리즘, GAN 알고리즘 및 Transformer 알고리즘 중 적어도 하나의 알고리즘에 기초하여 복수의 인공신경망을 생성하되, 제조 정보 및 제조된 제품(제조품) 정보를 학습 데이터셋으로 학습시킬 수 있다.
Random Forest 알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이다. RNN 알고리즘은 내부의 순환 구조가 포함되어 있는 인공신경망의 한 종류이며, 시간에 의존적이거나 순차적인 데이터 학습에 활용되고, 순환 구조에 의해 현재 정보에 이전 정보가 쌓이면서 정보 표현이 가능하다. CNN 알고리즘은 수동으로 특징을 추출할 필요가 없이 데이터로부터 직접 학습하는 인공신경망이며, 영상 또는 이미지에서 얼굴, 객체, 장면 인식을 위한 패턴을 찾을 때 유용하다. Autoencoder 알고리즘은 입력 데이터를 압축시킨 후 축소하고 다시 확장해서 결과 데이터를 입력 데이터와 동일하도록 한다. GAN 알고리즘은 생성자와 구분자가 서로 대립하며 서로의 성능을 점차 개선하며 학습하는 인공지능 신경망이다. Transformer 알고리즘은 기존의 RNN 알고리즘을 보완하여 시퀀스를 한번에 병렬처리 하여 어떤 부분이 중요한지를 전달하여 정보를 반영할 수 있는 신경망이다.
본원의 일 실시예에 따르면, 본 장치(100)는, 복수의 인공신경망 중 출력되는 제조 품질 이상 정도의 정확도가 가장 높은 인공신경망을 이상 감지 인공신경망으로 설정할 수 있다.
일 예로, 본 장치(100)는, 복수의 머신러닝 알고리즘을 적용하여 생성된 복수의 인공신경망 중 출력되는 제조 품질 이상 정도의 정확도가 가장 높은 인공신경망을 이상 감지 인공신공망으로 설정할 수 있다. 이상 감지 인공신경망은 제조 품질 이상을 탐지하고 예측하여 품질 공정을 정확하게 분류하기 위한 목적을 가질 수 있다. 달리 말해, 본 장치(100)는 Random Forest 알고리즘, RNN 알고리즘, CNN 알고리즘, Autoencoder 알고리즘, GAN 알고리즘 및 Transformer 알고리즘 각각을 적용하여 인공신경망을 생성하고, 출력되는 제조 품질 이상 정도의 정확도가 가장 높은 인공신경망을 제조 품질 이상 감지 및 예측을 위한 이상 감지 인공신경망으로 설정할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 특질 변수를 이상 감지 인공신경망에 입력하여 제조 품질 이상 정도를 출력할 수 있다.
일 예로, 제조 품질 이상 정도에 기초하여 제조품에 이상이 감지되거나 추후 이상 발생이 예측되면, 본 장치(100)는 이상에 대응되는 특질 변수 및 해당 특질 변수와 연관된 제조 공정을 사용자 단말(200)로 송신할 수 있다.
도 9는 본원의 일 실시예에 따른 제조 품질 이상에 관한 시각화 자료의 예시를 개략적으로 도시한 도면이다.
도 9를 참조하면, 특질 변수인 온도(A)를 기초로 이상이라고 판단되는 시점의 문제 원인을 기초로 (a), (b) 및 (c)와 같이 시각화할 수 있음을 확인할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 제조 품질 이상 정도가 기 설정된 임계 이상 정도 이상이면, 제조 품질 이상 정도에 복수의 분석 기법 중 적어도 하나를 적용하여 문제 원인 공정을 산출할 수 있다.
일 예로, 본 장치(100)는, 제조 품질 이상 정도가 기 설정된 임계 이상 정도 이상이면, SHAP 기법, Anchors 기법, LIME 기법, Counterfactual instances 기법 및 ICE 기법 중 적어도 하나를 제조 품질 이상 정도에 적용하여 설명 가능한 인공지능 모델을 생성하고, 설명 가능한 인공지능 모델을 이용하여 문제 원인 공정을 산출할 수 있다.
SHAP 기법은 각각의 입력변수에 대한 SHAP 값을 계산함으로써 입력 변수와 모델의 결과값 사이의 관계를 분석하고 시각화하는 인공지능 기법이다. Anchors 기법은 다른 특성 값의 변경이 예측에 영향을 미치지 않는 경우 예측을 포착하여 로컬 설명을 생성하는 기법이다. LIME 기법은 모든 예측 모델에 대한 결과를 해석 가능하고 신뢰할 수 있는 방법으로 설명하는 새로운 기법을 제공하는 알고리즘이다. Counterfactual Explanations 기법은 인과적 상황을 “A라는 상황이 생기지 않았다면 B라는 상황은 발생하지 않았을 것이다”라는 방식으로 설명하는 기법이다. ICE 기법은 입력 값의 변화에 따라 출력 값이 어떻게 변하는지에 대해 시각화 하여 타겟에 어떤 입력 값이 큰 영향을 주었는지 해석할 수 있는 기법이다.
본원의 일 실시예에 따르면, 본 장치(100)는, 문제 원인 공정을 기초로 시각화 정보를 생성할 수 있다.
일 예로, 본 장치(100)는 설명 가능한 인공지능 모델을 이용하여 산출된 문제 원인 공정을 기초로 시각화 정보를 생성할 수 있다. 본 장치(100)가 제조 공정이 완료된 제조품에 이상이 있다고 판단하면, 해당 원인이 대상 제고 설비의 제조 공정 중 어떠한 부분이 원인이었는지 시각화로 제공함으로써, 비전문가들도 쉽게 이해하고 신뢰할 수 있도록 할 수 있다.
본원의 일 실시예에 따르면, 본 장치(100)는, 문제 원인 공정을 기초로 대상 제조 설비(A)를 제어할 수 있다.
일 예로, 본 장치(100)가 제조 공정이 완료된 제조품에 이상이 있다고 판단할 경우, 기 설정된 관리자의 사용자 단말(200)로 문제 원인 공정을 전송하고, 사용자 단말(200)에 입력된 사용자 입력에 기초하여 대상 제조 설비(A)를 제어할 수 있다.
다른 일 예로, 본 장치(100)는 기 설정된 매뉴얼에 기초하여 출력된 문제 원인 공정에 대응되는 공정 제어를 자동적으로 수행할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 10은 본원의 일 실시예에 따른 지능형 제조 설비 제어 장치(100)의 제어 방법에 대한 동작 흐름도이다.
도 10을 참조하면, S11 단계에서, 본 장치(100)는 대상 제조 설비(A)의 제조 정보를 수집할 수 있다. 다음으로 S12 단계에서, 본 장치(100)는 제조 정보를 기초로 제조 품질 이상 정도를 생성할 수 있다. 다음으로 S13 단계에서, 본 장치(100)는 제조 품질 이상 정도를 기초로 대상 제조 설비(A)를 제어할 수 있다.
도 11은 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치(100)의 제어 방법에 대한 동작 흐름도이다.
도 11을 참조하면, 본 장치(100)는 S101 단계 내지 S109 단계를 수행할 수 있다.
도 12는 본원의 다른 일 실시예에 따른 지능형 제조 설비 제어 장치(100)의 제어 방법에 대한 동작 흐름도이다.
도 12를 참조하면, 본 장치(100)는 S1001 단계 내지 S1005 단계를 수행할 수 있다.
도 10 내지 도 12에 도시된 지능형 제조 설비 제어 장치(100)의 제어 방법은 앞서 설명된 지능형 제조 설비 제어 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 지능형 제조 설비 제어 장치(100)에 대하여 설명된 내용은 지능형 제조 설비 제어 장치(100)의 제어 방법에 대한 설명에도 동일하게 적용될 수 있다.
상술한 설명에서, 단계 S11 내지 S13, S101 내지 S109, S1001 내지 S1005는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 지능형 제조 설비 제어 장치(100)의 제어 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 본 발명을 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 지능형 제조 설비 제어 장치(100)의 제어 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
1: 지능형 제조 설비 제어 시스템
100: 지능형 제조 설비 제어 장치
110: 수집부 120: 이상 감지부
130: 제어부
200: 사용자 단말
A: 대상 제조 설비
100: 지능형 제조 설비 제어 장치
110: 수집부 120: 이상 감지부
130: 제어부
200: 사용자 단말
A: 대상 제조 설비
Claims (15)
- 지능형 제조 설비 제어 장치의 제어 방법에 있어서,
대상 제조 설비의 제조 정보를 수집하는 단계;
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계; 및
상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 단계,
를 포함하되,
상기 제조 정보를 수집하는 단계는,
상기 제조 정보를 전처리하는 단계를 포함하고,
상기 전처리하는 단계는,
상기 제조 정보의 정제 필요 정도, 정규화 필요 정도 및 증강 필요 정도 중 적어도 하나가 기 설정된 정도 이상이면, 대응되는 필요 정도에 기초하여 정제 기법, 정규화 기법 및 증강 기법 중 적어도 하나를 포함하는 전처리 기법을 상기 제조 정보에 적용하되,
상기 제조 정보가 시계열 정보를 포함하는 정형 정보이면, 복수의 증강 기법 중 적어도 하나의 증강 기법을 이용하여 상기 제조 정보를 증강시키며,
상기 제조 정보가 시계열 처리되지 않은 정보로 이미지 정보를 포함하는 비정형 정보이면, 상기 제조 정보를 기초로 기 설정된 임계 정도를 만족할 때까지 가공된 제조 정보를 생성함으로써 상기 제조 정보를 증강시키고,
상기 제조 정보가 정형 정보인 경우 적용되는 상기 복수의 증강 기법은,
상기 제조 정보에 잡음을 추가하여 상기 제조 정보를 증강시키는 제1증강 기법;
제조 정보의 값에 일정한 크기 변화가 있더라도 라벨이 유지가능한 경우, 상기 제조 정보의 각 변수에 임의의 값을 곱하여 상기 제조 정보를 증강시키는 제2증강 기법; 및
기설정된 행동 시점의 변화가 라벨에 기설정된 정도의 영향을 주지 않는 경우, 상기 시계열 정보의 샘플 간의 시간 간격을 기 설정된 정도로 왜곡해 상기 샘플의 시간적 위치를 변경하여 상기 제조 정보를 증강시키는 제3증강 기법을 포함하는 것인, 지능형 제조 설비 제어 장치의 제어 방법. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 제조 정보를 수집하는 단계는,
상기 제조 정보를 분석하는 단계; 및
상기 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력하는 단계,
를 포함하는 것을 특징으로 하되,
상기 변수 추출 인공신경망은,
제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습한 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 제5항에 있어서,
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는,
제조 정보 및 제조된 제품 정보를 학습 데이터셋으로 학습한 복수의 인공신경망을 생성하는 단계;
상기 복수의 인공신경망 중 출력되는 제조 품질 이상 정도의 정확도가 가장 높은 인공신경망을 이상 감지 인공신경망으로 설정하는 단계,
를 포함하는 것을 특징으로 하는 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 제6항에 있어서,
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는,
상기 특질 변수를 상기 이상 감지 인공신경망에 입력하여 상기 제조 품질 이상 정도를 출력하는 단계,
를 더 포함하는 것을 특징으로 하는 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 제7항에 있어서,
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는,
제조 품질 이상 정도가 기 설정된 임계 이상 정도 이상이면, 상기 제조 품질 이상 정도에 복수의 분석 기법 중 적어도 하나를 적용하여 문제 원인 공정을 산출하는 단계,
를 더 포함하는 것을 특징으로 하는 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 제8항에 있어서,
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 단계는,
상기 문제 원인 공정을 기초로 시각화 정보를 생성하는 단계,
를 더 포함하는 것을 특징으로 하는 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 제8항에 있어서,
상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 단계는,
상기 문제 원인 공정을 기초로 상기 대상 제조 설비를 제어하는 것을 특징으로 하는 것인,
지능형 제조 설비 제어 장치의 제어 방법. - 지능형 제조 설비 제어 장치에 있어서,
대상 제조 설비의 제조 정보를 수집하는 수집부;
상기 제조 정보를 기초로 제조 품질 이상 정도를 생성하는 이상 감지부; 및
상기 제조 품질 이상 정도를 기초로 상기 대상 제조 설비를 제어하는 제어부,
를 포함하되,
상기 수집부는,
상기 제조 정보를 전처리하는 전처리부를 포함하고,
상기 전처리부는,
상기 제조 정보의 정제 필요 정도, 정규화 필요 정도 및 증강 필요 정도 중 적어도 하나가 기 설정된 정도 이상이면, 대응되는 필요 정도에 기초하여 정제 기법, 정규화 기법 및 증강 기법 중 적어도 하나를 포함하는 전처리 기법을 상기 제조 정보에 적용하되,
상기 제조 정보가 시계열 정보를 포함하는 정형 정보이면, 복수의 증강 기법 중 적어도 하나의 증강 기법을 이용하여 상기 제조 정보를 증강시키며,
상기 제조 정보가 시계열 처리되지 않은 정보로 이미지 정보를 포함하는 비정형 정보이면, 상기 제조 정보를 기초로 기 설정된 임계 정도를 만족할 때까지 가공된 제조 정보를 생성함으로써 상기 제조 정보를 증강시키고,
상기 제조 정보가 정형 정보인 경우 적용되는 상기 복수의 증강 기법은,
상기 제조 정보에 잡음을 추가하여 상기 제조 정보를 증강시키는 제1증강 기법;
제조 정보의 값에 일정한 크기 변화가 있더라도 라벨이 유지가능한 경우, 상기 제조 정보의 각 변수에 임의의 값을 곱하여 상기 제조 정보를 증강시키는 제2증강 기법; 및
기설정된 행동 시점의 변화가 라벨에 기설정된 정도의 영향을 주지 않는 경우, 상기 시계열 정보의 샘플 간의 시간 간격을 기 설정된 정도로 왜곡해 상기 샘플의 시간적 위치를 변경하여 상기 제조 정보를 증강시키는 제3증강 기법을 포함하는 것인,
지능형 제조 설비 제어 장치. - 삭제
- 제11항에 있어서,
상기 수집부는,
상기 제조 정보를 분석하는 변수 분석부; 및
상기 제조 정보 및 분석 결과를 변수 추출 인공신경망에 입력하여 특질 변수를 출력하는 변수 출력부,
를 포함하되,
상기 변수 추출 인공신경망은,
제조 정보, 제조 정보 분석 결과 및 특질 변수를 학습데이터셋으로 하여 학습한 것인,
지능형 제조 설비 제어 장치. - 제13항에 있어서,
상기 이상 감지부는,
상기 특질 변수를 이상 감지 인공신경망에 입력하여 상기 제조 품질 이상 정도를 출력하는 이상 출력부,
를 포함하는 것인,
지능형 제조 설비 제어 장치. - 제1항, 제5항 내지 제10항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220179128A KR102622569B1 (ko) | 2022-12-20 | 2022-12-20 | 지능형 제조 설비 제어 장치 및 그의 제어 방법 |
| JP2023069429A JP7484065B1 (ja) | 2022-12-20 | 2023-04-20 | 知能型製造設備の制御装置及びその制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220179128A KR102622569B1 (ko) | 2022-12-20 | 2022-12-20 | 지능형 제조 설비 제어 장치 및 그의 제어 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102622569B1 true KR102622569B1 (ko) | 2024-01-09 |
Family
ID=89538219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220179128A KR102622569B1 (ko) | 2022-12-20 | 2022-12-20 | 지능형 제조 설비 제어 장치 및 그의 제어 방법 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7484065B1 (ko) |
| KR (1) | KR102622569B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011990A (zh) * | 2024-04-10 | 2024-05-10 | 中国标准化研究院 | 基于人工智能的工业数据品质监控与提升系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190086134A (ko) * | 2018-01-12 | 2019-07-22 | 세종대학교산학협력단 | 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치 |
| KR20220005077A (ko) * | 2019-06-24 | 2022-01-12 | 나노트로닉스 이미징, 인코포레이티드 | 제조 공정을 위한 예측 공정 제어 |
| KR20220025511A (ko) * | 2020-08-24 | 2022-03-03 | 주식회사 에스씨 | 스마트 팩토리 에너지 관리 방법 및 장치 |
| JP2022043848A (ja) * | 2020-09-04 | 2022-03-16 | 日立金属株式会社 | コンピュータプログラム、不良要因分析方法及び不良要因分析装置 |
| KR20220164976A (ko) * | 2021-06-07 | 2022-12-14 | 충북대학교 산학협력단 | 머신러닝 기반 클린룸 관리 시스템 및 방법 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6672132B2 (ja) | 2016-12-14 | 2020-03-25 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
| JP2019066957A (ja) | 2017-09-28 | 2019-04-25 | フジキンソフト株式会社 | 不良品発生の原因判定システム |
| JP2019061598A (ja) | 2017-09-28 | 2019-04-18 | Ｈｅｒｏｚ株式会社 | 生産管理装置および生産管理方法 |
| JP7351139B2 (ja) | 2018-08-24 | 2023-09-27 | 株式会社豊田中央研究所 | センシング装置 |
| JP2020166407A (ja) | 2019-03-28 | 2020-10-08 | 三菱重工航空エンジン株式会社 | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 |
| JP7383982B2 (ja) | 2019-10-30 | 2023-11-21 | 株式会社ジェイテクト | 工具寿命予測システム |
| JP7380107B2 (ja) | 2019-11-12 | 2023-11-15 | 株式会社ジェイテクト | 品質予測システム |
| JP7395987B2 (ja) | 2019-11-22 | 2023-12-12 | 株式会社リコー | 情報処理システム、方法、およびプログラム |
| JP6967099B2 (ja) | 2020-03-04 | 2021-11-17 | 株式会社日立製作所 | 学習モデル作成システム及び学習モデル作成方法 |
| JP7508381B2 (ja) | 2021-01-25 | 2024-07-01 | 株式会社日本製鋼所 | 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム |
-
2022
- 2022-12-20 KR KR1020220179128A patent/KR102622569B1/ko active IP Right Grant
-
2023
- 2023-04-20 JP JP2023069429A patent/JP7484065B1/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190086134A (ko) * | 2018-01-12 | 2019-07-22 | 세종대학교산학협력단 | 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치 |
| KR20220005077A (ko) * | 2019-06-24 | 2022-01-12 | 나노트로닉스 이미징, 인코포레이티드 | 제조 공정을 위한 예측 공정 제어 |
| KR20220025511A (ko) * | 2020-08-24 | 2022-03-03 | 주식회사 에스씨 | 스마트 팩토리 에너지 관리 방법 및 장치 |
| JP2022043848A (ja) * | 2020-09-04 | 2022-03-16 | 日立金属株式会社 | コンピュータプログラム、不良要因分析方法及び不良要因分析装置 |
| KR20220164976A (ko) * | 2021-06-07 | 2022-12-14 | 충북대학교 산학협력단 | 머신러닝 기반 클린룸 관리 시스템 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 이영지 외 4인, "인공지능 기반의 미생물 균총과 질병과의 연관성 예측을 위한 Data Augmentation 방법론", 전자공학회논문지 제58권 제3호(통권 제520호), 페이지 253-259, 2021년 3월, <URL/DOI : 10.5573/ieie.2021.58.3.59 > 1부.* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011990A (zh) * | 2024-04-10 | 2024-05-10 | 中国标准化研究院 | 基于人工智能的工业数据品质监控与提升系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7484065B1 (ja) | 2024-05-16 |
| JP2024088565A (ja) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | HML-IDS: A hybrid-multilevel anomaly prediction approach for intrusion detection in SCADA systems | |
| US12086701B2 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
| US20230316112A1 (en) | Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof | |
| KR102274389B1 (ko) | 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법 | |
| EP3804268B1 (en) | System and method for anomaly and cyber-threat detection in a wind turbine | |
| Lee et al. | Service innovation and smart analytics for industry 4.0 and big data environment | |
| Hwang et al. | E-sfd: Explainable sensor fault detection in the ics anomaly detection system | |
| US20200371491A1 (en) | Determining Operating State from Complex Sensor Data | |
| Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
| CN111160687B (zh) | 主动资产监控 | |
| Chiu et al. | An integrative machine learning method to improve fault detection and productivity performance in a cyber-physical system | |
| Baraldi et al. | Clustering for unsupervised fault diagnosis in nuclear turbine shut-down transients | |
| EP4028841B1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
| KR102361423B1 (ko) | 인공지능 기반의 정비 수요 예측 시스템 및 방법 | |
| US11916940B2 (en) | Attack detection and localization with adaptive thresholding | |
| KR102622569B1 (ko) | 지능형 제조 설비 제어 장치 및 그의 제어 방법 | |
| KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
| Silva et al. | Assets predictive maintenance using convolutional neural networks | |
| Saci et al. | Autocorrelation integrated gaussian based anomaly detection using sensory data in industrial manufacturing | |
| Ouyang et al. | Model of selecting prediction window in ramps forecasting | |
| KR20200078866A (ko) | 데이터 패턴 분석을 이용한 비정상행위 탐지 장치 및 방법 | |
| Bousdekis et al. | A real-time architecture for proactive decision making in manufacturing enterprises | |
| CN117501288A (zh) | 监控工业环境的系统和方法 | |
| You et al. | sBiLSAN: Stacked bidirectional self-attention lstm network for anomaly detection and diagnosis from system logs | |
| KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |