KR20150003201A - 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 - Google Patents
제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 Download PDFInfo
- Publication number
- KR20150003201A KR20150003201A KR1020147029064A KR20147029064A KR20150003201A KR 20150003201 A KR20150003201 A KR 20150003201A KR 1020147029064 A KR1020147029064 A KR 1020147029064A KR 20147029064 A KR20147029064 A KR 20147029064A KR 20150003201 A KR20150003201 A KR 20150003201A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- manufacturing
- operator
- manufacturing equipment
- parameters
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000006872 improvement Effects 0.000 claims description 49
- 238000013500 data storage Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 23
- 230000007774 longterm Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000036461 convulsion Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims description 2
- 238000005305 interferometry Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000001314 profilometry Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 26
- 239000013598 vector Substances 0.000 description 18
- 238000003754 machining Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000003801 milling Methods 0.000 description 10
- 238000005520 cutting process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 229910052719 titanium Inorganic materials 0.000 description 4
- 239000010936 titanium Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229910001026 inconel Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- 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
- Y02P90/80—Management or planning
Abstract
운영자 입력 및 환경 요소들을 포함하는 산업 프로세스 및 동작 머신 데이터를 획득 및 저장하고, 이들을 분석하여 그 내부의 트라이벌 지식의 요소들을 규명하며, 그러한 트라이벌 지식의 요소들을 추후 참조 및 분석을 위해 저장하고, 그러한 트라이벌 지식을 특히 제조 시스템에 전달하는 방법 및 시스템이 제공된다.
Description
본 발명은 그것의 부품을 포함하는 제조 시스템들, 제조 장비, 및 산업 프로세스들 내에서 동작하는 운영자들로부터의 입력들을 관리하거나 그러한 입력들로부터 도출되는데이터를 수집 및 분석하는 방법 및 시스템에 관한 것이다. 또한 본 발명은, 그러한 입력 데이터를 분석하고 산업 프로세스 또는 제조 시스템에 관한 프로세스 단계들의 실행을 위한 새로운 명령들(instructions) 및 파라미터들을 생성하는 방법 및 시스템에 관한 것이다. 더욱 구체적으로, 본 발명은, 숙련된 및 반-숙련된 운영자들에게, 제조 프로세스 노하우에 관한 현장 학습, 교육, 및 훈련을 제공하는 방법 및 시스템에 관한 것이다. 또한 본 발명은, 제조 프로세스 노하우를, 임의의 포인트에서(at any point) 그것을 필요로 할 수 있는 임의의 인력에게 제공하기 위한 방법 및 시스템에 관한 것이다.
본 발명은 산업 프로세스들 및 제조 시스템들의 분야에 관한 것이며, 숙련된 또는 반-숙력된 제조 장비 운영자에 의해 수행되는 산업 활동들은, 제조 시스템에 의해 수행되는 활동들과 상기 제조 시스템, 상기 제조 장비, 및 제조되는 가공물(artifact)로부터 수신된 상태 입력들과 연계하여, 획득(captured)되고, 이력화(chronicled)되며, 분석된다.
상기 시스템은, 제조 시스템들 및 장비에 관한 동작 데이터, 운영자 입력, 제조 성능 파라미터, 가공물 데이터, 주어진 상황에서 제조 성능을 개선시키는 가능한 입력들, 및 임의의 그러한 데이터 상에서 수행되는 분석 동작들 및 이들의 관계들의 지식-기반 생성과, 이 지식을 상기 제조 시스템의 성능을 개선하고자 하는 운영자 또는 임의의 인력에게 전달하는 것을 포함한다.
제조 시스템은 다수의 개별 이종 제조 장비로 구성되며, 상기 장비는 머신 툴들 및 제조 장비, 계측 장치들, 센서들, 액츄에이터들, 보조 장비들 등을 포함하나 이에 제한되지는 않는다. 제조 사업(enterprise)은 하나 이상의 제조 시스템들을 포함할 수 있다. 제조 시스템 성능은 다양한 특성들에 의해 결정되는데, 상기 특성들은 생산성, 안전성, 품질, 효율 및 유지보수 등을 포함하나 이에 제한되지는 않는다.
제조 분야에서의 진보적 정교화 및 자동화는 숙련된 운영자들이 제조 장비를 구동하거나 수동 또는 반-자동화된 업무들을 실행하는 것을 요하고, 이들은 제조 사업의 효율을 결정하는데 주요한 역할을 수행한다. 이러한 운영자의 '숙련도'는, (기계로의 지시들을 송출하고, 기계 성능을 감시하고, 최적화된 자원의 활용으로 원하는 출력 품질을 얻고, 기계, 기계의 주변환경 및 운영자의 안전성을 담도하며, 선제적 활동을 취하여 기계를 양호한 상태로 유지하는 것 등을 포함하거나 이에 제한되지는 않는) 기계-관련 업무들을 수행하는데 있어서, 훈련 및 업무 경험과 직관적 통찰력으로부터 얻어진 지식의 조합체이다. 주어진 산업체 프로세싱 또는 제조 셋업에서의 일련의 운영자들의 상기 숙련도들의 집합은 트라이벌 지식(tribal knowledge)으로 지칭된다.많은 제조 시스템들에서, 상기 운영자는 광범위한 실행 계획의 실행에 있어서하나 이상의 프로세스 단계들을 수정할 수 있는 재량을 갖는다. 경험이 많은 운영자들의 경우, 그러한 재량은 하나 이상의 제조 성능 파라미터들의 이익을 위해 실행될 수 있다.
이러한 상황의 두드러진 일예는 고속 밀링의 경우인데, 이러한 예가 결코 본 발명의 발명을 제한하는 것으로 이해되서는 안된다. 고속 밀링은, 특히 항공우주 또는 의료 장치 제조에 적용되는 경우, 작업이 어려운 티타늄, 인코넬(inconel), 및 알루미늄과 같은 물질들로 구성된 고정밀도 및 미세 부품들의 제조를 위한 세공(tooling) 및 장비("머신 툴들")를 포함하는 제조 시스템들과 관계된다. 기계가공 프로세스(machining process)를 계획하는 것(“프로세스 계획”)은 고도로 전문화된 업무이며 일반적으로 제조 설비 내의 숙련된 운영자에 의해 수행된다. 고속 밀링을 위한 프로세스 계획을 실행하기 위해서는 밀링 프로세스에 대한 충분한 이해와 주의깊은 계획이 요구된다. 비록 고속 밀링 동작에 대한 프로세스 파라미터를 어떻게 선택할 것인지에 대한 표준 접근법이 소수 존재하지만, 일반적으로 운영자들은 그들의 제조 시스템에 대한 관측과 그들 고유의 지식 및 경험에 기초하여 프로세스 파라미터들을 개발하고 선택을 수행한다. 운영자는프로세스 계획을 개발함에 있어서 일부분을 창출(create)하기 위해 관측과 경험을 통해 얻어진 지식을 적용한다. 효율적인 프로세스 계획을 개발하는 것은, 적절한 세공(tooling)을 선택하는 것, 그리고 그들을 적용하여 규정된 프로세스 파라미터로 다양한 부분 특징들을 생성하는 것과 연계된다. 고속 밀링에서, 이러한 파라미터들은 스핀들 스피드, 경로 피드레이트(path feedrate), 축 피드레이트(axis feedrate), 표면 속도, 절단 깊이, 절단 폭, 방사상 체결(radial engagement), 축형 체결(axial engagement) 등을 포함한다. 또한, 프로세스 파라미터들은 머신 툴 및 그것의 캐퍼빌리티(capabilities)에 기초하여 만들어지는 부분의 종류에 기초하여 선택된다. 따라서, 동일한 부분도 다른 툴들과 프로세스 파라미터들을 사용하여 다양한 방법으로 제조될 수 있고, 마찬가지로, 동일한 툴도 다른 파라미터들에서 사용되어 부분을 만들 수 있다. 그러나, 그러한 동작을 수행함에 있어서 운영자에 의해 적용되는 지식은 매우 관념적(contextual)이며 추후 전달(deployment)를 위해 획득되거나 분석되는 것이 불가능하다. 나아가, 산업적/제조 트라이벌 지식, 특히 제조 시스템들에 관한 트라이벌 지식을 획득하고, 저장하고, 복원하는 과학적이고 신뢰성있는 방법이 당해 기술분야에서는 존재하지 않았다. 결과적으로, 사업에 의해 운영자에게 그의 숙련도를 향상시키기 위해 제공되는 수많은 훈련 시간은, 상기 운영자가 은퇴하거나 사업을 떠나는 경우, 손실된다.
비디오그래피(videography), 인터뷰들/서베이들 및 다른 문서화와 같은 종래의 방법들을 통한 시도는 트라이벌 지식을 획득하는데 성공적이지 못하였다. 그러한 실패의 주목할만한 이유 중 하나는 구체적인 트라이벌 지식을 먼저 확인하는 방법과 시스템이 제대로 정립되지 않았기 때문이다. 비록 트라이벌 지식을 획득하는 (가정적인) 방법들이 존재한다고 하더라도, 그것을 저장하는 방법들은 더욱 적었으며, 심지어 필요할 때 그것을 이용가능하게 하는 것은 더더욱 없었다. 또한, 고속 밀링의 영역을 둘러싸는 특정 제조 시스템들의 경우, 최신 기술은 이하의 기술들 중 하나 또는 이들의 조합을 사용하는 것과 관련된다.
- 운영자 경험
- 제조 장비 제조자에 의해 설계된 가이드라인들/권유사항들
- 절단 툴 제조자에 의해 설계된 가이드라인들/권유사항들
- CAD(Computer-Aided Design) 및/또는 CAM(Computer-Aided Manufacturing) 소프트웨어 툴들/시스템들의 부분인 전문가 시스템
- 프로세스 파라미터 선택을 위한 기본 핸드북들을 사용하는 것 : 절단 툴 핸드북, 기계가공 핸드북 등
위 기술들은 그들의 영향력(appeal)의 측면에서 매우 제한적인데, 그 이유는 다음과 같다:
- 그들은 관행적(prescriptive)이며, 실제 프로세스 실행으로부터의 피드백을 고려하지 않는다.
- 그들은 연구 시험(lab trial)을 반영함에 있어서 매우 제한적이다.
- 그들은 현대 제조 장비에 적용될 수 있는 프로세스들 전체의 관점을 커버하지 않는다.
- 그들은 제조 장비들 및 제조 툴들의 다른 종류들의 캐퍼빌리티들의 차이들을 고려하지 않는다.
따라서, (i) 운영자 입력 및 환경적 요인들을 포함하는 산업 프로세스 및 동작 기계 데이터를 획득하고 저장하며, (ii) 그러한 데이터를 분석하여 그 내부의 트라이벌 지식의 요소들을 규명(identify)하고, (iii) 그러한 트라이벌 지식을 특히 제조 시스템에서 전달하기 위한, 과학적이고 신뢰성있는 시스템 및 방법에 대한 오래되고 충족되지 않은 요구가 있다.
본 발명자들은, (i) 운영자 입력 및 환경적 요인들을 포함하는 산업 프로세스 및 동작 기계 데이터를 획득하고 저장하며, (ii) 그러한 데이터를 분석하여 그 내부의 트라이벌 지식의 요소들을 규명하고, (iii) 그러한 트라이벌 지식을 특히 제조 시스템에서 전달하기 위한, 과학적이고 신뢰성있는 시스템 및 방법을 발명하였다. 그러한 시스템은 분석 및 지식 공유를 위해 훈련의 형태로 적시에 이용할 수 있도록 하는 목적으로 그리고 추후 분석을 위해 그러한 획득된 데이터의 데이터 웨어하우스를 구축하는 목적으로 활용될 수 있다.
본 발명의 주요 목적은, (i) 운영자 입력 및 환경적 요인들을 포함하는 산업 프로세스 및 동작 기계 데이터를 획득하고 저장하며, (ii) 그러한 데이터를 분석하여 그 내부의 트라이벌 지식의 요소들을 규명(identify)하고, (iii) 그러한 트라이벌 지식을 특히 제조 시스템에서 전달하는 것이다.
본 발명의 다른 목적은 기술적 동작들을 실행하고 산업 프로세스들의 효율성을 증가하는 것을 재정의(override)하는 시스템을 제공하는 것이다.
또한 본 발명의 다른 목적은 산업 프로세스 및/또는 제조 시스템과 그것에 속하는 가공물에 의해 겪게 되는, 설치일로부터의 매번의 변화(every transformation)에 대한 이력화된 지식 기반, 즉 매번의 변화에 대한 원인 선행 요소(causative antecedent factors)의 순차 로그들(sequence logs)을 포함하는 기록화된 지식 기반을 제공하는 것이다.
또한 본 발명의 다른 목적은, 산업 프로세스 및/또는 제조 시스템에서, 전술한 지식 기반들을 분석하고 상기 지식 기반과 그로부터 도출된 분석결과들을 전달하는 것이다.
또한 본 발명의 다른 목적은, 특정 변화 패턴들을, 그들의 원인 선행자들(causal antecedents)에 기초하여, 규명하고 확정(qualify)하고, (출력 품질, 시간, 원재료, 전력의 소모와 같은) 그들의 (상대적 및 절대적) 리소스 강도(resource intensiveness) 및 성능을 결정하는 바람직한 파라미터들에 따라, 그들을 분류하는, 시스템을 제공하는 것이다.
본 발명의 또 다른 목적은, 알려진 입력의 복합 원인-결과 선형 및 비선형 관계들을 산업 프로세스들의 다른 지각될 수 있는 요소들과 함께 계산하여, 실제적이고 과학적인 예측을 달성하는 시스템을 제공하는 것이다.
본 발명의 다른 목적은, 획득된 트라이벌 지식을 제조자 또는 사용자(end-user)에 의해 검토되지 않은 산업 프로세스들 및 장비의 주요 성능 특성들의 규명에 적용하는 것이다.
본 발명의 다른 목적은, 주어진 계획으로부터의 도출/주어진 계획으로의 적응의 측면에서, 운영자의 행위/입력 실시간 평가 및 분석을 제공하는 것이다.
본 발명의 다른 목적은, 계속적인 방식으로 본 발명의 설치일로부터 시작하는 인덱스화된 데이터(indexed data)의 웨어하우스(warehouse)를 개발하고 유지하는 것이며, 이에 포함되는 각각의 변화(every transformation)는, 물질 제거; 물질 제거 속도; 표면 특성; 기계적 마모(mechanical wear); 단위시간당 열 전도, 흡수, 분산, 방사; 유도/방전된 정전기를 포함하는 전기; 질량; 부피; 치수들(dimensions); 가공물 품질; 구성요소들 내 진동; 프로세스 실행 캐퍼빌리티들(capabilities); 프로세스 실행 동안의 장비 구성요소들 및 서브-구성요소들의 위치, 속도, 및 가속; 소모품들 및 자원들의 소모 속도; 프로세스 단계들간의 소요 시간; 프로세스 단계들의 실행 순서; 프로세스 장비에 의해 실행되는 지시들을 포함하나 이에 제한되지는 않는다.
본 발명의 추가적인 목적은, 제조 프로세스에서 주어진 작업 업무를 수행하는 운영자들의 능력과 적절성을 평가하고 이들을 순위매김하거나 재-순위매김하되, 이들을 방해하거나 다른 영향을 미치지 않으면서 파라미터들에 대해 정기적으로 수행하는 것이고, 상기 파라미터들은, 업무-프로토콜들(job-protocols); 프로세스 따름 규율(discipline to process compliance); 자원 및 소모품 소모의 효율; 인도 마감 준수(adherence to delivery deadlines); 출력 양과 품질; 물질을 다룸에 있어서의 효율; 제조 시스템의 유지보수 및 기능적 수명 등을 포함하나 이에 제한되지는 않는다.
본 발명의 추가적인 목적은 획득된 트라이벌 지식 기반을 분석하여 운영자에게 교신될 지식의 종류를 규명하는 것으로, 운영자의 즉각적인 요구(immediate needs)를 평가하는 것에 기초한다. 본 발명의 추가적인 목적은 적절한 통신 인터페이스를 사용하여 그러한 규명된 트라이벌 지식에 관해 운영자와 실시간으로 교신하는 것이다.
본 발명의 추가적인 목적은, 추후 참고 및 운영자 또는 다른 사람에 의한 분석을 위해, 축적된 트라이벌 지식에 대한 지식 데이터베이스를 개발하는 것이다.
본 발명의 추가적인 목적은, 주어진 제조 시스템, 상기 제조 시스템 또는 제조 시스템들의 조합 내 구성요소의 성능 특성들의 데이터베이스를 분석하여, 유지보수, 운영, 또는 최적화에 관심이 있는 임의의 사람에게, 그러한 제조 시스템들 또는 그들의 단계들 또는 구성요소들의 제조 성능 파라미터들의 개선을 위한 사용가능한 분석자료(analytics of use)를 제공하는 것이다.
따라서, 본 발명에 따르면, 산업 프로세스에서 데이터를 획득하고, 그렇게 획득된 데이터를 트라이벌 지식 규명 및 그러한 트라이벌 지식의 전달의 목적으로 분석하는 것을 가능케 하는 방법 및 시스템이 제공된다.
상기 시스템은 다음 요소들로 구성된다:
i. 데이터 획득 수단으로서, 상기 데이터 획득 수단은, 프로세스 단계의 실행 동안, 제조 장비 및 그것의 부분을 포함하는 계측 장비로부터, 그리고 운영자로부터의 행위 및 관련된 환경적 요인들로부터, 동작 데이터를 독출하고 획득하는 제조 시스템 센서 입력들을 포함한다. 선택적으로, 본 발명에 따른 시스템과 상기 제조 시스템 사이에서 정보를 전송하는 인터페이스들을 갖는 독립 계측 장비가 상기 시스템에 포함될 수 있고, 여기서 상기 제조 시스템은, 본 발명의 시스템과 인터페이스하는 계측 장비를 소유하지 않는다.
ii. 제조 장비 운영자로부터의 입력을 획득하기 위한, 운영자 입력 센서들을 포함하는 수단
iii. 상기 운영자에게 광범위 실행 계획을 포함하는 정보를 교신하는 수단
iv. 운영자가 (키보드들, 터치스크린, 버튼들 등의) 입력 신호들을 전송하는 입력 인터페이스들
v. 전송된 데이터의 획득된 데이터 저장소(storage)의 수집을 위한 데이터 수집 유닛
vi. 그러한 수집된 데이터의 전송을 위한 데이터 전송 유닛
vii. 그러한 전송된 데이터의 수집을 위한 서버
viii. 그러한 전송된 데이터의 단기간 저장을 위한 데이터 저장 유닛
ix. 전송된 데이터 및 상응하는 동작 데이터 파라미터들 뿐만 아니라, 상응하는 제조 성능 파라미터들 및 이전 제조 장비 실행들로부터 전송된 기록 데이터의 장기간 저장을 위한 기록 데이터 보관소
x. 상기 전송된 데이터에 기초하여 제조 성능 파라미터들을 결정하고 그것을 처리된 정보로 변환하기 위한 목적의 분석 유닛
xi. 그러한 전송된 데이터를 상기 기록 데이터 보관소 내 상응하는 기록 데이터와 비교하기 위해 서버 내 위치된 평가 유닛
xii. 상기 서버 상에 위치되며, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획(broad execution plan)으로부터의 운영자 입력 데이터 내 편차들의 결정을 위한, 제1 로직 유닛
xiii. 상기 서버 상에 위치되며, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획의 세부사항들(specifications)로부터의 동작 데이터 및 가공물 데이터 내 편차들의 결정을 위한, 제2 로직 유닛
xiv. 상기 서버 상에 위치되며, 상기 결정된 운영자 입력 데이터 내 편차들과 상기 결정된 동작 데이터 및 가공물 데이터 내 편차들 사이의 관계들을 규명하고 분석하기 위한 제3 로직 유닛
xv. 상기 서버 상에 위치되며, 상기 제3 로직 유닛에 의해 결정된 상기 관계들에 기초하여 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들을 결정하기 위한, 학습 유닛
xvi. 상기 서버 상에 위치되며, 운영자 입력 데이터를, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 야기한 동일한 또는 유사한 제조 장비와 관련된 기록 운영자 입력 데이터와 비교하기 위한, 제4 로직 유닛
xvii. 상기 서버 상에 위치되며, 제조 성능과 관련된 파라미터들의 개선을 일으킬 대체 운영자 입력들의 결정을 위한, 제5 로직 유닛
xviii. 상기 서버 상에 위치되며, 제조 성능과 관련된 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들을 생성하기 위한 교시 유닛(teaching unit)
xix. 상기 서버 상에 위치되며, 제조 장비의 동작 시간에서의 모든 전송된 데이터와 함께, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 그러한 결정된 개선사항들의 저장, 그리고 제조 성능과 관련된 파라미터들의 개선들을 야기할 대체 운영자 입력들에 상응하는 그러한 권유사항의 저장을 위한 제2 데이터 저장 유닛
xx. 대체 운영자 입력들에 상응하는 그러한 권유사항들을, 실시간이든지 또는 임의의 후속 시점(subsequent point)에서, 제조 장비 운영자 또는 임의의 다른 사람에게 전송하기 위한 데이터 전송 유닛. 주어진 동작의 반복(iteration)으로 상기 시스템이 데이터를 획득하고, 트라이벌 지식 규명의 목적으로 상기 획득된 데이터를 분석하며, 상기 데이터를 전달하는 방법은 다음과 같이 설명된다:
1. 시스템이 데이터를 획득하는 방법은 다음과 같다:
a. 운영자가 제조 장비에 지시를 입력한다
b. 데이터 수집 유닛은, 제조 장비 센서 입력들로부터의 동작 데이터, 상기 운영자 센서 입력들로부터의 제조 장비 운영자에 의해 입력된 데이터, 처리되는 가공물에 관한 계측 장비로부터 복원된 데이터, 및 광범위 실행 계획에 관한 데이터를 수집한다;
c. 상기 운영자가 계측 장비의 입력 인터페이스를 사용하여 지시들을 입력하고, 가공물이 처리되면 가공물을 측정한다; 선택적으로, 제조 장비 센서 입력들은, 계측 장비와의 인터페이스들을 통해 일부분의 품질을 모니터링한다.
d. 프로세스 실행/측정 데이터가 로컬 서버에 위치된 데이터 저장 유닛에 저장되고, 이후 제1 데이터 전송 유닛을 통해 장기간의 수용/복원(archival/retrieval)을 위한 원격 서버 상의 기록 데이터 보관소 상으로 전달된다;
e. 기록 데이터 보관소는, 제조 시스템에 관한 데이터, 운영자의 입력, 관련 환경적 요인들에 관한 데이터, 및 처리된 가공물에 관한 데이터 모두를 저장한다.
2. 시스템이 트라이벌 정보를 규명하기 위한 목적으로 데이터를 저장하는 방법은 다음과 같다:
a. 분석 유닛은, 기록 데이터 보관소로부터 주어진 동작의 반복(iteration)에 관한 저장된 데이터를 복원하고, 생산성, 효율, 활용지수(utilization), 수량, 백만개 중 불량발생률(rejection PPM) 등을 포함하는 제조 성능 계측치(metrics)를 계산하고, 이들을 다른 데이터와 함께 저장한다.
b. 분석 유닛은 데이터를 분석하여 운영자에 관한 정보를 다음과 같이 생성한다:
i. 분석 유닛은 광범위 실행 계획의 실행 과정에서 운영자 입력을 분석한다
ii. 분석 유닛은, 생산성, 효율, 활용지수(utilization), 수량, 백만개 중 불량발생률(rejection PPM) 등을 포함하는 제조 성능 계측치(metrics)를 계산하고, 이들을 다른 데이터와 함께 저장한다.
iii. 평가 유닛은 그러한 운영자 입력을 기록 데이터 보관소 내 상응하는 기록 데이터와 비교한다.
iv. 제1 로직 유닛은, 동일한 또는 유사한 제조 장비에 관한 상응하는 기록 데이터로부터 및/또는 상기 광범위 실행 계획으로부터, 운영자의 입력의 편차들의 결정을 수행한다 (존재하는 경우);
v. 제2 로직 유닛은, 동일한 또는 유사한 제조 장비에 관한 상응하는 기록 데이터로부터 및/또는 상기 광범위 실행 계획으로부터, 동작 데이터 및 가공물 데이터의 편차들을 결정한다
vi. 제3 로직 유닛은, 운영자 입력 데이터 내 상기 결정된 편차들과 동작 데이터 및 가공물 데이터 내 상기 결정된 편차들 사이의 관계들을 규명하고 분석한다.
vii. 학습 유닛은, 상기 제3 로직 유닛에 의해 결정된 상기 관계들에 기초하여 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들을 결정한다.
viii. 그러한 결정된 개선사항들은 제2 저장 유닛에 의해 장기 메모리에 저장되며, 상기 제2 저장 유닛은 또한 상기 기록 데이터 보관소일 수도 있다.
ix. 이후, 제4 로직 유닛은 그러한 운영자 입력 데이터를, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 야기한 동일한 또는 유사한 제조 장비와 관련된 기록 운영자 입력 데이터와 비교한다.
x. 이후, 제5 로직 유닛은 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 일으킬 대체 운영자 입력들을 결정한다.
xi. 이후, 교시 유닛(teaching unit)은 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들을 생성한다.
xii. 상기 제2 데이터 저장 유닛은 그러한 권유사항들을 저장한다
xiii. 이후, 그러한 권유사항들은, 실시간이든지 또는 임의의 후속 시점(subsequent point)에서, 기계 장비 운영자 또는 임의의 다른 사람에게 전송될 수 있다.
도 1은 트라이벌 지식의 학습 방법을 나타낸 흐름도이다.
도 2는 트라이벌 지식의 교시 방법을 나타낸 흐름도이다.
도 2는 트라이벌 지식의 교시 방법을 나타낸 흐름도이다.
본 발명은 제조 시스템에서의 데이터 수집, 데이터 분석과 트라이벌 지식 규명, 및 트라이벌 지식의 전달 시스템을 제공한다. 본 발명은, 상기 발명의 시스템, 장치들, 기구들 및 방법들을 포함한다. 본 발명은 상기 시스템에 의해 보내진 명령들에 따른 제조 시스템 센서 입력들을 관리하는 것과 관련된다. 상기 시스템은, 환경적 요인들, 운영 유닛으로부터의 동작상의 기계 데이터, 입력들을 포함하는 개념을 수집하고 분석한다. 수집된 데이터의 분석은 시스템이 광범위 실행 계획의 실행을 위한 새로운 파라미터들 및 명령들을 생성하는 것을 가능하게 한다.
본 발명은 '실시간'으로 특정 단계들을 수행하는 것을 추구한다. 본 발명의 목적으로서, 시간 및 프로세스 간격들의 비선형화와 용어 '실시간'의 설명은 다음과 같다:
광범위 실행 계획은, 가공물 상의 하나 또는 일련의 변환들을 수행하기 위한 규정된 프로세스 단계들을 배치하는 명령 리스트이다. 상기 광범위 실행 계획은, 시각 디스플레이 유닛 상의 명령들, 운영자에게 구두로 명령된 것, 순전히 운영자의 기억에 내재된 것, 또는 종이와 같은 기록된 매체 내로 정리(reduced)된다. 상기 광범위한 실행 계획은 많은 프로세스 단계들 또는 동작들로 분할된다. 운영자는, 프로세스 단계가 수행되는 방식을 수정할 뿐만 아니라, 그들의 순서를 바꾸고, 특정 프로세스 단계들 생략(dispence)하고, 및/또는 상기 광범위 실행 계획 내 새로운 프로세스 단계들을 추가할, 재량을 갖는다.
프로세스 단계는, 가공물 상의 변화(transformation)를 작업하기 위해, 머신 툴, 시스템 또는 운영자가 수행하여야 하는 정의된 업무이다.
기능(function)은, 상기 기능이 그 기능에 연관된 데이터가 수집된 것에 후속하여 프로세스 단계의 개시 이전에 수행되는 경우, 본 발명 또는 그것의 다른 일부에 의해 실시간으로 수행되는 것으로 지칭된다.
제조 시스템 센서 입력들은, 컴퓨터화된 수치 컨트롤러(computerized numeric controller, CNC), 수치 컨트롤러(NC) 및 프로그래머블 로직 컨트롤러(PLC), 가속도계, 자이로스코프, 서미스터, 서모커플(thermocouples), 진동 신서, 광 게이지(optical gauges), 와전류 센서, 용량성 센서, 전력 미터(power meters), 및 에너지 미터와 같은 장치들로부터의 입력을 통해, 동작 데이터를 획득한다.
상기 시스템에 의해 획득될 수 있는 동작 데이터는, 이하의 동작 파라미터들 모두 또는 일부와 관련된 데이터를 포함한다: 가속, 진동, 온도, 위치, 에너지 사용, 소요 전류(current drawn), 전압, 전력 요소(power factor), 자기장, 거리, 위치, 커패시턴스; 또한 CNC 및/또는 PLC 컨트롤러에 의해 보고되는 데이터는 다음을 포함한다: 축 위치들(axes positions), 축 피드레이트(axes federate), 표면 속도, 경로 피드레이트, 축 가속, 축 저크(azes jerk), 스핀들 스피드, 축 로드(axis loads), 스핀들 로드(spindle loads), 실행되는 프로그램 블록, 실행되는 프로그램 라인, CNC 메모리 내 현재 매크로 변수들(current macro variables), 알람(alarms), 메시지, 및 다른 통지들(notifications).
획득될 수 있는 환경 요인들은, 날짜, 시간, 제조 시스템 특성들(수명, 제조사(make), 모델(model) 등), 유지보수 상황, 운영자 상황 및 동작 상태를 포함한다.
가공물은, 제조 시스템에 의해 변화되는 물리적 객체이다.
상기 시스템은, 제조 장비 동작의 실행 과정에 걸쳐 제조 장비 운영자에 의해 입력되는 데이터를 획득하는 운영자 센서 입력들을 제공한다.
상기 시스템에 의한 데이터의 획득에 사용되는 계측 장비는, 게이지 블록(gage blocks), (고정 및 이동) 좌표 측정기(coordinate measurement machines), 합격/불합격 게이지(go/no-go gages), 커패시턴스 프로브들, 레이저-기반 시스템들, 간섭계(interferometry), 현미경, 프로필모메트리(profilometry), 에어 게이지들, LVDT 프로브들(Linear Variable Differential Transformer probes), 및 체절 암들(articulating arms)을 포함한다.
상기 광범위 실행 계획은, 동작의 개시 전에 적절한 수단을 사용하여, 운영자와 교신된다. 그러한 수단은 비디오 디스플레이 유닛, 오디오 플레이어, 문서 명령들 및 구두 명령들을 포함할 수 있다. 상기 운영자는 제조 장비의 동작의 종합적인 방법을 알게 된다.
운영자와 명령들을 교신하는데 사용되는 시스템의 디스플레이 유닛은, 비디오 모니터들, 비디오 스크린들과 같은 것들을 포함한다.
운영자는, 키보드, 터치 스크린, 및 버튼들을 포함할 수 있는 사용자 인터페이스를 사용하여, 지시를 입력한다.
데이터 수집 유닛은 제조 장비의 동작으로부터 데이터를 수집한다. 상기 수집된 데이터는 제조 장비 센서 입력들로부터의 동작 데이터, 운영자 센서 출력들로부터 복원된 제조 장비 운영자로부터의 데이터 입력들, 계측 장비로부터 복원된 가공물에 관련된 데이터, 및 광범위 실행 계획에 관한 데이터를 포함한다. 상기 데이터 수집 유닛에 의해 수집된 데이터는 이후 제1 데이터 전송 유닛을 통해 서버로 보내진다. 상기 제1 데이터 전송 유닛을 통해 전송된 상기 수집된 데이터는 이후 서버로 보내진다. 상기 전송된 데이터는 상기 서버에 위치된 제1 데이터 저장 유닛에 저장된다. 이 저장 유닛은 단기간 저장을 위한 것이다. 분석 유닛은 서버에 위치된다. 상기 분석 유닛은 복구를 수행하고 획득된 데이터로부터 동작 파라미터들을 선택하는 특정 세트의 프로그램들이다. 상기 선택된 동작 파라미터들은, 생산성, 효율, 활용지수(utilization), 실패율, 불량률, 초회 품질(first-time quality), 전반적인 장비 효율, 구동 비용, 생산 비용, 생산 효율, 불량률, 백만개 중 불량발생률(rejection rate PPM), 재작업률, 이용가능도(availability), 인-사이클 시간, 사이클 시간, 이용가능 시간, 수리 시간, 계획된 휴지시간(downtime), 비계획성 휴지시간, 전체 휴지시간을 포함하는, 제조 성능 파라미터들이다. 전송된 데이터의 장기간 저장은 제2 데이터 저장 유닛에 의해 달성되며, 상기 제2 저장 유닛은 서버에 위치된 기록 데이터 보관 유닛일 수도 있다. 전송된 데이터에 추가로, 기록 데이터 보관 유닛은 다음도 포함할 수 있다:
a. 그러한 전송된 동작 데이터에 기초한 제조 성능 파라미터들
b. 이전 제조 장비 실행들 및 상응하는 제조 성능 파라미터로부터 전송된 기록 데이터
c. 운영자 입력 데이터 내 결정된 편차들로서, 그에 관한 상응하는 기록 데이터로부터의, 결정된 편차들
d. 상응하는 기록 데이터로부터의 및/또는 상기 광범위 실행 계획의 세부사항들로부터의 가공물 데이터 및 동작 데이터 내 결정된 편차들
e. 운영자 입력 데이터 내 결정된 편차들과 동작 데이터와 가공물 데이터 내 결정된 편차들 간의 관계들
f. 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들
g. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들
h. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들
서버에 위치한 평가 유닛은, 동작 데이터, 동작 입력 데이터, 및 가공물 데이터와 같은 분석 유닛에 의해 선택된 동작 파라미터들을, 기록 데이터 보관소에 저장된 상응하는 기록 데이터와 비교한다. 제1 로직 유닛은 서버 상에 위치된다. 상기 제1 로직 유닛은, 전송된 데이터의 운영자 입력이, 동일하거나 유사한 머신 툴과의 상응하는 기록 데이터 및/또는 상기 광범위한 실행 계획으로부터 벗어났는지 여부를 결정한다. 제2 로직 유닛도 서버 상에 위치된다. 제2 로직 유닛은, 전송된 데이터의 동작 데이터 및 가공물 데이터가, 동일하거나 유사한 머신 툴의 상응하는 기록 데이터 및/또는 상기 광범위한 실행 계획으로부터 벗어났는지 여부를 결정한다. 제3 로직 유닛도 서버 상에 위치되며, 제3 로직 유닛은, 운영자 입력으로부터 결정된 편차들과 동작 데이터 및 가공물 데이터로부터 결정된 편차들 사이의 관계들을 결정한다. 학습 유닛은 서버 상에 위치되며, 상기 학습 유닛은 상기 제3 로직 유닛에 의해 결정된 관계들이, 가공물, 제조 성능 파라미터들, 및/또는 제조 툴의 동작 파라미터들의 개선을 일으켰는지를 결정한다. 제4 로직 유닛도 서버 상에 위치되며, 제4 로직 유닛은, 운영자 입력 데이터를 기록 운영자 데이터와 비교한다. 비교된 데이터 세트는, 가공물, 제조 성능 파라미터들, 및/또는 머신 툴의 동작 파라미터들의 개선을 일으켰던, 동일하거나 유사한 제조 툴로부터의 데이터와 연관된다. 서버에 존재하는 제5 로직 유닛은 제조 성능 파라미터들의 개선을 일으킬 대체 운영자 입력들을 결정한다. 교시 유닛도 서버 상에 위치된다. 상기 교시 유닛은 제조 성능에 관한 파라미터들을 개선시킬 대체 운영자 입력들에 기초하여 권유사항들을 생성한다. 서버 상에 위치된 제2 데이터 저장 유닛은 로직 유닛에 의해 결정된 개선사항들을 저장한다. 이러한 결정들은, 머신 툴의 동작 시간에서 전송된 데이터를 포함하는 가공물, 제조 성능 파라미터들, 및/또는 머신 툴의 동작 파라미터들의 개선들과 관련된다. 또한, 상기 제2 데이터 저장 유닛은, 대체 운영자 입력의 결과로서 달성된 제조 성능 파라미터들의 개선들과 상응하는 권유사항들도 저장한다. 상기 시스템은 대체 운영자 입력들과 관련한 권유사항들을 머신 툴 운영자 또는 임의의 다른 사람에게 전송하는 제2 데이터 전송 유닛을 포함한다. 상기 권유사항들은 제조 성능 파라미터들의 개선들을 일으키도록 설계된다.
전술한 것에 추가로, 서버가 제조 시스템의 위치에 대해 원격에 위치되는 실시예가 있을 수 있다. 상기 원격 위치된 서버는 다른 위치에 위치되며 제조 시스템의 물리적 근접성 내에 있지 않는다.
또한, 제2 데이터 저장 유닛이 기록 데이터 보관 유닛과 동일한 실시예도 있을 수 있다.
전술한 바와 같은 제2 데이터 전송 유닛으로부터의 권유사항들의 전송은 기계 툴 운영자를 포함하는 하나 또는 복수의 사람들에게 이루어질 수 있다. 머신 툴 운영자들은 실시간으로 권유사항들을 수신하고, 그에 따라 이들이 머신 툴 동작의 실행 과정 동안 적용될 수 있다.
데이터 수집, 데이터 분석과 트라이얼 지식 규명, 및 그러한 트라이얼 지식의 전달이 구현되는 방법은, 먼저 제조 시스템 센서 입력들, 머신 툴 운영자, 계측 장비, 및 광범위 실행 계획으로부터 동작 데이터를 수집함으로써 구현된다. 이후 수집된 데이터는 제1 데이터 전송 유닛을 통해 서버로 전송된다. 이후 데이터는 제1 데이터 저장 유닛에 저장된다. 이후 전송된 데이터는 가공물을 제조하기 위한 제조 성능 파라미터들을 결정하는 분석 유닛에 의해 분석된다. 분석 유닛에 의해 추려진 데이터는, 대체 운영자 입력에 기인한, 동작 파라미터들 내 임의의 편차들을 포함한다. 이후 전송된 데이터는 평가 유닛에 의해 기록 데이터와 비교된다. 상기 평가 유닛은, 전송된 데이터의 동작 데이터, 운영자 입력 데이터, 및 가공물 데이터를, 기록 데이터 보관소 내 기 존재하는 상응하는 기록 데이터와 비교한다. 평가 유닛은 기록 데이터 대비 전송된 데이터 내 변동들을 감지한다. 이후 제1 로직 유닛은 운영자 입력 데이터 내 편차들을 감지한다. 이 결정은 동일하거나 유사한 제조 툴에 관한 상응하는 기록 데이터와의 비교에 의해 이루어진다. 또한, 상기 편차는 광범위 실행 계획을 사용하여서도 결정된다. 이후 제2 로직 유닛은 동작 데이터 및 가공물 데이터 내 편차들을 결정한다. 이 결정은 동일하거나 유사한 제조 툴에 관한 상응하는 기록 데이터와의 비교에 의해 이루어진다. 이후 제3 로직 유닛은, 동작 입력 데이터의 결정된 편차들과 동작 데이터 및 제조 데이터의 결정된 편차들 사이의 관계들을 규명하고 분석한다. 이후, 학습 유닛은, 가공물, 동작 성능, 및/또는 머신 툴의 동작 파라미터들의 개선사항들을 결정한다. 상기 학습 유닛은 전술한 제3 로직 유닛에 의해 결정된 관계들을 통해 이들 개선사항들을 결정한다. 상기 학습 유닛은 후속 실행 계획에 사용될 동작 파라미터들의 개선사항들을 저장한다. 이후, 제2 저장 데이터 유닛은 동작 시간에 획득된 전송된 데이터 및 상기 결정된 데이터를 저장한다. 상기 결정된 데이터는 가공물, 제조 성능, 및/또는 머신 툴의 동작 파라미터들의 개선사항들을 포함한다. 제4 로직 유닛은, 운영자에 의해 이루어진 데이터 입력들을 기존 이루어진 기록 운영자 입력 데이터와 비교하는데 사용된다. 상기 비교된 데이터 입력들은 동일하거나 유사한 머신 툴과 연관되며, 여기서 상기 데이터 입력들은 가공물, 제조 성능, 및/또는 머신 툴의 동작 파라미터들의 개선들을 일으킨 것들이다. 제5 로직 유닛은, 트라이벌 지식과 같은 광범위 실행 계획으로부터의 편차들과 같은 대체 운영자 입력들이 가공물 및/또는 머신 툴의 동작 파라미터들의 개선을 야기하는지 여부를 결정한다. 교시 유닛은 수집된 트라이벌 지식들을 다른 운영자들에게 분배하는데 사용된다. 교시 유닛은, 가공물 및/또는 머신 툴의 동작 파라미터들을 향상시킬 대체 운영자 입력들과 관련하여, 운영자들에게 권유를 이행한다. 상기 교시 유닛에 의해 생성된 전술한 권유사항들은 이전 개시된 제2 데이터 저장 유닛에 저장된다. 이후, 상기 교시 유닛에 의해 생성된 권유사항들은 실시간으로 머신 툴 운영자에게 전송된다. 본 발명의 15번째 측면은, 데이터 수집 유닛이 제조 시스템 센서 입력들로부터의 동작 데이터, 머신 툴 운영자에 의해 운영자 센서 유닛들 내 입력된 데이터, 계측 장비로부터 복원된 생산 가공물에 관한 데이터, 및 광범위 실행 계획에 연관된 데이터를 수집할 수 있도록 하는 수단에 관한 것이다. 상기 데이터 수집 유닛은 실시간으로 동작한다. 본 발명의 일 측면에서 언급된 서버는 제조 시스템의 위치에 대해 원격으로 위치되며 제조 시스템의 물리적 근접성 내에 있지 않는다. 본 발명의 다른 측면에서, 제2 데이터 저장 유닛은 전술한 기록 데이터 보관 유닛과 동일한 것이다. 본 발명의 추가적인 측면은, 전술한 학습 유닛에 의해 이루어진 권유사항들의 다수의 사람들로의 전송을 제공한다. 상기 학습 유닛은, 대체 운영자 입력에 기초하여, 상기 권유사항들을 머신 출 운영자 또는 임의의 다른 사람에게 전송하고, 그에 따라 이들은 또한 가공물 및/또는 머신 툴의 동작 파라미터들의 개선들을 달성할 수도 있다. 본 발명의 다른 측면은 실시간으로 상기 권유사항들을 전송하는 것에 관련된다. 머신 툴 운영자는 권유사항들을 실시간으로 수신하고, 그에 따라 이들은 기계 장비 프로세스 단계의 실행 과정 동안 적용될 수 있다.
실제 실시예(Working Embodiment):
이하의 실제 실시예는, 고속 밀링과 연계된, 구체적인 제조 시스템의 관점에서 본 발명이 사용되는 모습을 도시한다. 동작 데이터가 수집되고, 트라이벌 지식을 규명하기 위해 처리되며, 관계 알고리즘에 따라 제조 시스템 내로 전달되는 단계들이 다음과 같이 정리된다.
A. 데이터 수집
1. 운영자는 5-축 고속 밀링 머신 툴('머신 툴') 옆의 개인 컴퓨터에 올라, 광범위 처리 계획(broad process plan)을 CAM과 같이 시장에서 일반적으로 이용 가능한 컴퓨터 이용 모델링 소프트웨어에 의해 생성된 형식으로 로딩한다
2. 운영자는 머신 툴 내로 티타늄 작업물을 넣는다.
3. 운영자는 머신 툴 옆의 컴퓨터 상에서 열람한 사용자 인터페이스에서 프로세스 단계들을 개입(enter)시킨다.
4. 운영자는 상기 사용자 인터페이스로 적절한 메타-데이터를 개입시키며, 상기 메타-데이터는 다음을 포함한다:
a. 작업물 물질
b. 절단 툴 제조사(make), 모델, 타입(type)
c. 예상 동작 사이클 시간(expected cycle time for operation)
d. 예정 경로 피드레이트(planned path feedrate)
e. 예정 스핀들 속도
f. 예상 부분 품질 측정(expected part quality measurement)
5. 운영자는 프로그램 세팅들을 확정하고 기계가공 프로세스를 개시한다
6. 상기 머신 툴로부터 실시간 데이터가 수집되며, 상기 실시간 데이터는 다음과 연관된다:
a. 소음(acoustics)
b. 진동
c. 전력 소모
d. 경로 피드레이트
e. 축 로드(axes loads)
f. 스핀들 로드
g. 알람(alarms)
h. 조건들(conditions)
i. 프로그램 블록 및 라인
j. 경로 위치
k. 축 위치
l. 매크로 변수들(macro variables)
7. 서버는, 구체적으로, 기계가공(machining)의 개시와 동시에 운영자가 머신 툴 상의 피드레이트 오버라이드(Feedrate Override)를 125%로 변화시키는 것을 획득한다
8. 이 데이터는 실시간으로 로컬 프로세싱 시스템으로 전송되고 이후 원격 서버로 전송된다
9. 상기 원격 서버는 상기 전송된 데이터 모두를 모니터링하고 프로그램이 완료되며 부분이 머신 툴로부터 언댐프(undamped) 될 때까지 대기한다
10. 운영자는 상기 부분의 기계가공이 종료되었음을 알리고, 인접 계측 시스템으로 키 파라미터들(key parameters)을 측정한다
11. 또한, 계측 데이터도 획득되고 로컬 서버 및 원격 서버로 전송된다.
데이터 처리 및 종래의 지식 규명
1. 이 정보들 모두가 수신되면, 원격 서버는 이하의 계측치들을 계산한다:
a. 평균 경로 피드레이트 = 100 인치/분
b. 실제 처리 시간 / 예정 처리 시간 = 80 %
c. 실제 품질 / 예정 품질 = 100 %
d. 평균 스핀들 스피드 = 6000 rpm
e. 평균 소요 전력 = 5 kW
f. 평균 진동 = 0.1 g
2. 원격 서버는 이들 파라미터들 모두를, 이용 가능한 모든 기록 데이터("커뮤니티" 데이터)로부터, 동일한 작업물에 대한, 동일 타입의 머신 툴 상의 동일한 절단 툴을 사용한 5-축 기계가공(5-axis machining)의 다른 케이스들과 비교한다.
a. 커뮤니티 데이터 경로 피드레이트 : 80 인치/분
b. 평균 소요 전력 : 8 kW
c. 평균 실제/예정 처리 시간 = 120 %
3. 위 값들에 기초하여, 기계가공의 개시와 동시에 머신 툴 상의 피드레이트 오버라이드(Feedrate Override)를 125%로 변화시킨 운영자의 행위가 트라이벌 지식으로 마킹된다.
아래에 제공된 것은 샘플 알고리즘으로서, 사이클 시간 및 평균 경로 피드레이트에 대한 제조 성능 파라미터들의 계산을 도시한다.
알고리즘 - 부분의 평균 경로 피드레이트 계산
<알고리즘 원문>
input:
- vector V of all PathFeedrate observations from a machine tool m till current time T now, indexed by timestamp
- time T start when machine started operating on part p
- time T _end when machine completed operating on part p
output:
- average-pathfeedrate f
Steps:
- extract subset v from V such that v contains observations between T start and T end
- f = mean(v)
- return f
<상기 원문의 번역(해석)>
입력:
- 타입스탬프(timestamp)에 의해 인덱스화된 현재 시간(T)까지의 머신 툴로부터의 경로피드레이트(PathFeedrate) 관측들 모두의 벡터(V)
- 머신(machine)이 부분(p) 상의 동작을 개시한 때의 시간(T_start)
- 머신이 부분(p) 상의 동작을 완료한 때의 시간(T_end)
출력:
- 평균-경로피드레이트(f)
단계들:
- 벡터(V)로부터 서브셋(v)를 추출하여, v가 T 시작 및 T 종료 사이의 관측들을 포함하도록 함
- f = 평균(v)
- f를 반송(return)
아래에 제공된 샘플 알고리즘은, 전송된 동작 데이터와 기록 데이터의 비교 및 그러한 데이터의 트라이벌 지식으로의 마킹을 도시한다.
알고리즘 - 커뮤니티 데이터와의 비교 및 트라이벌 지식으로 마크
<알고리즘 원문>
input:
- set D of all temporally indexed data from community. D consists of multiple temporally indexed vectors d1 ... dN each pertaining to one type observation from the community
- search criteria s, specifying [machine-tool-type, cutting-tool-type, workpiece- type]
- set P of all temporally indexed data from the process being monitored. P consists of multiple temporally indexed vectors pi ... pN each pertaining to one type observation from the community
output:
- boolean variable islmproved
- boolean variable recordastribalknowledge
Steps:
- for each vector.di.in.D :
- compute performance measure dm i
- end
- for each vector pi in in P:
- compute performance measure pm i
- end
- if Count(pm_i > dm_i) for all i > N/2
- return {islmproved = TRUE and recordastribalknowledge = TRUE }
- else return {islmproved = FALSE and recordastribalknowledge = FALSE}
- end
<상기 원문의 번역(해석)>
입력:
- 커뮤니티로부터의 임시 인덱스화된 데이터 모두의 세트(D). D는 다수의 임시 인덱스화된 벡터들 d1 ... dN로 구성되며 이들 각각은 상기 커뮤니티로부터의 일 타입 관측과 연관됨
- 검색 기준 s, [머신-툴-타입, 절단-툴-타입, 작업물-타입]을 구체화함
- 모니터링된 프로세스로부터의 임시 인덱스화된 데이터 모두의 세트(P). P는 다수의 임시 인덱스화된 벡터들 p1 ... pN으로 구성되며 이들 각각은 상기 커뮤니티로부터의 일 타입 관측과 연관됨
출력:
- 불 변수 isImproved (개선되었는지 여부를 나타냄)
- 불 변수 recordastribalknowledge(트라이벌 지식으로 기록할지 여부를 나타냄)
단계들:
- D 내 각각의 벡터 di에 대해 다음을 반복
- 성능 측정값(performance measure) dm_i를 계산
- 종료
- P 내 각각의 벡터 pi에 대해 다음을 반복
- 성능 측정값(performance measure) pm_i를 계산
- 종료
- i > N/2 모두에서 만일 Count(pm_i > dm_i) 이면,
- 변수값 isImproved = TRUE 와 recordastribalknowledge = TRUE 를 반송
- 아니면 변수값 isImproved = FALSE 와 recordastribalknowledge = FALSE 를 반송
- 종료
트라이벌 지식 전달
1. 운영자는 5-축 고속 밀링 머신 툴('머신 툴') 옆의 개인 컴퓨터에 올라, 광범위 처리 계획(broad process plan)을 CAM과 같이 시장에서 일반적으로 이용 가능한 컴퓨터 이용 모델링 소프트웨어에 의해 생성된 형식으로 로딩한다
2. 운영자는 머신 툴 내로 티타늄 작업물을 넣는다.
3. 운영자는 머신 툴 옆의 컴퓨터 상에서 열람한 사용자 인터페이스에서 프로세스 단계들을 개입(enter)시킨다.
4. 운영자는 상기 사용자 인터페이스로 적절한 메타-데이터를 개입시키며, 상기 메타-데이터는 다음을 포함한다:
a. 작업물 물질
b. 절단 툴 제조사(make), 모델, 타입(type)
c. 예상 동작 사이클 시간(expected cycle time for operation)
d. 예정 경로 피드레이트(planned path feedrate)
e. 예정 스핀들 속도
f. 예상 부분 품질 측정(expected part quality measurement)
5. 운영자는 프로그램 세팅들을 확정하고 기계가공 프로세스를 개시한다
6. 상기 머신 툴로부터 실시간 데이터가 수집되며, 상기 실시간 데이터는 다음과 연관된다:
g. 소음(acoustics)
h. 진동
i. 전력 소모
j. 경로 피드레이트
k. 축 로드(axes loads)
l. 스핀들 로드
m. 알람(alarms)
n. 조건들(conditions)
o. 프로그램 블록 및 라인
p. 경로 위치
q. 축 위치
r. 매크로 변수들(macro variables)
7. 이 데이터는 실시간으로 로컬 프로세싱 시스템으로 전송되고 이후 원격 서버로 전송된다
8. 기계(머신)으로부터 스트리밍된 실시간 데이터 및 사용자 인터페이스 데이터에 기초하여, 원격 서버는 다음을 결정한다:
s. 예정 경로 피드레이트는 50 인치/분
t. 기계(머신)는 100 % 피드레이트 오버라이드(feedrate override)에서 운행중임
u. 현재 머신 툴 상의 피드레이트는 50 인치/분
9. 이들 파라미터들 모두는 이용 가능한 모든 기록 데이터("커뮤니티" 데이터)로부터, 동일한 작업물에 대한, 동일 타입의 머신 툴 상의 동일한 절단 툴을 사용한 5-축 기계가공(5-axis machining)의 다른 케이스들과 비교되어, 연관 트라이벌 지식으로 규명된다: "XYZ 솔리드-카바이드 엔드밀과 티타늄 작업물을 사용하는 ABC 5-축 머신 툴 상에서, 기계가공 프로세스는 100인치/분의 피드레이트로 임의의 불리한 부작용 없이 수행될 수 있다"
10. 원격 서버는 상기 머신 툴 상의 실시간 파라미터들을 추가적으로 분석하여 100 % 의 피드레이트 오버라이드가 200 %로 증가될 수 있음을 규명하고, 그에 따라 운영자를 해하지 않고 또는 어떠한 방법으로든 그의/그녀의 안전에 영향을 미치지 않으면서도 100 인치/분의 피드레이트가 달성될 수 있다.
11. 원격 서버는 시각 디스플레이 유닛에 메시지를 발송한다: 피드레이트 오버라이드를 200 %로 설정함으로써 경로 피드레이트를 100 인치/분으로 증가시켜 주십시오. 이는 당신의 생산성을 100 % 증가시킬 것입니다.
아래에 제공된 것은 샘플 알고리즘으로서, 트라이벌 지식의 규명과 그것의 운영자로의 교시를 도시한다.
알고리즘: 규명 및 운영자에게 교시
<알고리즘 원문>
input:
- set D of all temporally indexed data from community. D consists of multiple temporally indexed vectors dl ... dN each pertaining to one type observation from the community
- search criteria s, specifying [machine-tool-type, cutting-tool-type, workpiece- type], which pertains to the current conditions of the manufacturing process being monitored and for which recommendations are being sought
- set P of all temporally indexed data from the process being monitored. P consists of multiple temporally indexed vectors pi ... pN each pertaining to one type observation from the community
output:
- variable recommendation Parameters Steps:
- filter D such that it only contains observations from the community that match search criteria s
- for each vector di in D:
- compute performance measure dm i
- compute bi pertaining to the case with best performance, max(dm i)
- end
- for each vector pi in P:
- if (bi > pi) then copy dm i corresponding to bi into array R
- end
- if length(R) > 0
- return(R)
- else return(O)
- end
<상기 원문의 번역(해석)>
입력:
- 커뮤니티로부터의 임시 인덱스화된 데이터 모두의 세트(D). D는 다수의 임시 인덱스화된 벡터들 d1 ... dN로 구성되며 이들 각각은 상기 커뮤니티로부터의 일 타입 관측과 연관됨
- 검색 기준 s, [머신-툴-타입, 절단-툴-타입, 작업물-타입]을 구체화하고, 모니터링된 제조 프로세스의 현재 조건들과 연관되며, 그에 대한 권유사항들이 검색됨
- 모니터링된 프로세스로부터의 임시 인덱스화된 데이터 모두의 세트(P). P는 다수의 임시 인덱스화된 벡터들 p1 ... pN으로 구성되며 이들 각각은 상기 커뮤니티로부터의 일 타입 관측과 연관됨
출력:
- 권유사항 관련 변수 Parameters
단계들:
- D를 필터링하여, 검색 기준 s와 매칭되는 커뮤니티로부터의 관측만을 포함하도록 함
- D 내 각각의 벡터 di에 대해 다음을 반복
- 성능 측정값(performance measure) dm_i를 계산
- 최상의 성능을 갖는 케이스와 연관된 bi를 계산, max(dm_i)
- 종료
- P 내 각각의 벡터 pi에 대해 다음을 반복
- 만일 bi > pi 이면, bi에 상응하는 dm_i를 어레이(R)로 복사
- 종료
- 만일 length(R) > 0 이면
- R 반송
- 아니면 0 반송
- 종료
Claims (18)
- 제조 시스템 내 데이터 수집, 데이터 분석과 트라이벌 지식 규명, 및 상기 트라이벌 지식의 전달을 위한 시스템으로서,
a. 제조 장비 운영자에 의해 가공물 상의 동작을 실행하는 과정에서 제조 시스템으로부터 동작 데이터를 획득하는 제조 시스템 센서 입력들;
b. 제조 장비 운영자에 의해 입력된 데이터를 획득하는 운영자 센서 입력들;
c. 상기 제조 장비에 의해 처리되는 가공물과 관련된 데이터를 획득하는 계측 장비;
d. 상기 동작의 상기 실행에 대한 광범위 실행 계획을 상기 운영자와 교신하는 수단;
e. 제조 장비 운영자로의 정보의 교신을 위한 디스플레이 유닛;
f. 상기 제조 장비 운영자가 상기 제조 장비에 지시들을 입력하는 입력 인터페이스;
g. 상기 제조 장비 센서 입력들로부터의 동작 데이터, 상기 제조 장비 운영자에 의해 입력된 상기 운영자 센서 입력들로부터의 데이터, 상기 계측 장비로부터 복원된 상기 처리된 가공물 관련 데이터, 및 상기 광범위 실행 계획과 관련한 데이터를 수집하는 데이터 수집 유닛;
h. 상기 수집된 데이터를 전송하는 제1 데이터 전송 유닛;
i. 상기 제1 데이터 전송 유닛으로부터 전송된 데이터를 수집하는 서버;
j. 상기 서버에 위치되며, 상기 제1 데이터 전송 유닛으로부터 전송된 데이터의 단기 저장을 위한 제1 데이터 저장 유닛;
k. 상기 서버에 위치되며, 상기 전송된 데이터에 기초하여 제조 성능 파라미터들을 결정하는 분석 유닛;
l. 상기 서버에 위치되며, 상기 전송된 데이터 및 상응하는 동작 데이터 파라미터들의 장기 저장을 위한 기록 데이터 보관 유닛으로서, 상기 기록 데이터 보관소는, 기록 동작 데이터, 기록 운영자 입력 데이터, 및 기록 가공물 데이터를 포함하는, 이전 제조 장비 실행으로부터 전송된 기록 데이터 및 상응하는 제조 성능 파라미터들도 저장하는, 기록 데이터 보관 유닛;
m. 상기 서버에 위치되며, 동작 데이터, 운영자 입력 데이터, 및 가공물 데이터와 연관된 전송된 데이터를 상기 기록 데이터 보관소 내 상응하는 기록 데이터와 비교하는 평가 유닛;
n. 상기 서버 상에 위치되며, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획(broad execution plan)으로부터의 운영자 입력 데이터 내 편차들을 결정하는 제1 로직 유닛;
o. 상기 서버 상에 위치되며, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획의 세부사항들(specifications)로부터의 동작 데이터 및 가공물 데이터 내 편차들을 결정하는 제2 로직 유닛;
p. 상기 서버 상에 위치되며, 상기 결정된 운영자 입력 데이터 내 편차들과 상기 결정된 동작 데이터 및 가공물 데이터 내 편차들 사이의 관계들을 규명하고 분석하는 제3 로직 유닛;
q. 상기 서버 상에 위치되며, 상기 제3 로직 유닛에 의해 결정된 상기 관계들에 기초하여 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들을 결정하는 학습 유닛;
r. 상기 서버 상에 위치되며, 운영자 입력 데이터를, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 야기한 동일한 또는 유사한 제조 장비와 관련된 기록 운영자 입력 데이터와 비교하는, 제4 로직 유닛;
s. 상기 서버 상에 위치되며, 제조 성능과 관련된 파라미터들의 개선을 일으킬 대체 운영자 입력들을 결정하는 제5 로직 유닛;
t. 상기 서버 상에 위치되며, 제조 성능과 관련된 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들을 생성하는 교시 유닛;
u. 상기 서버 상에 위치되며, 제조 장비의 동작 시간에서의 모든 전송된 데이터와 함께, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 상기 결정된 개선사항들을 저장하고, 제조 성능과 관련된 파라미터들의 개선들을 야기할 대체 운영자 입력들에 상응하는 상기 권유사항의 저장을 위한 제2 데이터 저장 유닛; 및
v. 상기 제조 성능과 관련된 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 상기 권유사항들을, 실시간이든지 또는 임의의 후속 시점(subsequent point)에서, 제조 장비 운영자 또는 임의의 다른 사람에게 전송하는 데이터 전송 유닛을 포함하는, 시스템. - 청구항 1에 있어서,
상기 제조 장비 센서 입력들은, 컴퓨터화된 수치 컨트롤러(computerized numeric controller, CNC), 수치 컨트롤러(NC), 프로그래머블 로직 컨트롤러(PLC), 가속도계, 자이로스코프, 서미스터, 서모커플(thermocouples), 진동 센서, 광 게이지(optical gauges), 와전류 센서, 용량성 센서, 전력 미터(power meters), 에너지 미터, 전류 미터, 전압 미터, 일반 아날로그-디지털 센서(generic analog-to-digital sensors), 및 일반 디지털 센서 중 적어도 하나의 기구를 포함할 수 있는, 시스템. - 청구항 1에 있어서,
상기 동작 데이터는,
가속, 진동, 온도, 위치, 에너지 사용, 소요 전류(current drawn), 전압, 전력 요소(power factor), 자기장, 거리, 위치, 커패시턴스 중 적어도 하나의 동작 파라미터와 관련된 데이터; 및
축 위치들(axes positions), 축 피드레이트(axes federate), 표면 속도, 경로 피드레이트, 축 가속, 축 저크(azes jerk), 스핀들 스피드, 축 로드(axis loads), 스핀들 로드(spindle loads), 실행되는 프로그램 블록, 실행되는 프로그램 라인, CNC 메모리 내 현재 매크로 변수들(current macro variables), 알람(alarms), 메시지, 및 다른 통지들(notifications) 중 적어도 하나를 포함하는, CNC 및/또는 PLC 컨트롤러에 의해 보고되는 데이터를 포함할 수 있는, 시스템. - 청구항 1에 있어서,
상기 계측 장비는, 게이지 블록(gage blocks), (고정 및 이동) 좌표 측정기(coordinate measurement machines), 합격/불합격 게이지(go/no-go gages), 커패시턴스 프로브들, 레이저-기반 시스템들, 간섭계(interferometry), 현미경, 프로필모메트리(profilometry), 에어 게이지들, LVDT 프로브들(Linear Variable Differential Transformer probes), 및 체절 암들(articulating arms) 중 적어도 하나의 기구를 포함할 수 있는, 시스템. - 청구항 1에 있어서,
상기 서버는 상기 제조 시스템과 다른 위치에 위치된 원격 서버인, 시스템. - 청구항 1에 있어서,
상기 제조 성능 파라미터는, 생산성, 효율, 활용지수(utilization), 실패율, 불량률, 초회 품질(first-time quality), 전반적인 장비 효율, 구동 비용, 생산 비용, 생산 효율, 불량률, 백만개 중 불량발생률(rejection rate PPM), 재작업률, 이용가능도(availability), 인-사이클 시간, 사이클 시간, 이용가능 시간, 수리 시간, 계획된 휴지시간(downtime), 비계획성 휴지시간, 및 전체 휴지시간 중 적어도 하나를 포함할 수 있는, 시스템. - 청구항 1에 있어서,
상기 기록 데이터 보관 유닛 및 상기 제2 데이터 저장 유닛은 동일한 유닛인, 시스템. - 청구항 1에 있어서,
상기 기록 데이터 보관소는 데이터 웨어하우스(data warehouse)로서, 상기 데이터 웨이하우스는,
a. 특정 프로세스 단계 및/또는 광범위 실행 계획 동안 전송된 모든 데이터의 장기간 저장;
b. 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 결정된 개선사항들 모두의 장기간 저장;
c. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 모든 권유사항들의 장기간 저장;
d. 상기 저장된 데이터로 수행된 모든 분석 동작들의 장기간 저장; 및
e. 상기 시스템에 의해 수집된 데이터와 결과 정보 모두의 장기간 저장; 중 적어도 하나의 기능을 수행하는, 시스템. - 청구항 1에 있어서,
상기 권유사항들은 상기 제조 장비 동작의 실행 과정 동안 실시간으로 상기 제조 장비 운영자 또는 임의의 다른 사람에게 전송되는, 시스템. - 청구항 1에 있어서,
상기 데이터 전송 유닛은, 임의의 시점에서 임의의 사람에게,
a. 상기 제조 장비 센서 입력들로부터의 동작 데이터, 상기 운영자 센서 입력들로부터의 제조 장비 운영자에 의해 입력된 데이터, 처리되는 가공물에 관한 계측 장비로부터 복원된 데이터, 및 상기 광범위 실행 계획에 관한 데이터;
b. 상기 전송된 동작 데이터에 기초한 제조 성능 파라미터들;
c. 이전 제조 장비 실행들 및 상응하는 제조 성능 파라미터들로부터 전송된 기록 데이터;
d. 운영자 입력 데이터 내 결정된 편차들로서, 그에 관한 상응하는 기록 데이터로부터의, 결정된 편차들;
e. 상응하는 기록 데이터로부터의 및/또는 상기 광범위 실행 계획의 세부사항들로부터의 가공물 데이터 및 동작 데이터 내 결정된 편차들;
f. 운영자 입력 데이터 내 결정된 편차들과 동작 데이터와 가공물 데이터 내 결정된 편차들 간의 관계들;
g. 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들;
h. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들; 및
i. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들; 중 적어도 하나를 전송할 수 있는, 시스템. - 제조 시스템 내 데이터 수집, 데이터 분석과 트라이벌 지식 규명, 및 트라이벌 지식의 전달 방법으로서,
a. 제조 장비 센서 입력들로부터의 동작 데이터, 제조 장비 운영자에 의해 입력된 운영자 센서 입력들로부터의 데이터, 계측 장비로부터 복원된 처리된 가공물 관련 데이터, 및 광범위 실행 계획과 관련한 데이터를, 데이터 수집 유닛에 의해 수집;
b. 상기 수집된 데이터를 제1 데이터 전송 유닛에 의해 서버로 전송;
c. 상기 전송된 데이터를 제1 데이터 저장 유닛에 저장;
d. 상기 전송된 데이터를 분석 유닛으로 분석하여 상기 전송된 데이터에 기초한 제조 성능 파라미터들을 결정;
e. 평가 유닛에 의해, 동작 데이터, 운영자 입력 데이터, 및 가공물 데이터와 연관된 상기 전송된 데이터를 기록 데이터 보관소 내 상응하는 기록 데이터와 비교;
f. 제1 로직 유닛에 의해, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획(broad execution plan)으로부터의 운영자 입력 데이터 내 편차들을 결정;
g. 제2 로직 유닛에 의해, 동일하거나 유사한 제조 장비와 관련된 상응하는 기록 데이터로부터의 및/또는 광범위한 실행 계획의 세부사항들(specifications)로부터의 동작 데이터 및 가공물 데이터 내 편차들을 결정;
h. 제 3 로직 유닛에 의해, 상기 결정된 운영자 입력 데이터 내 편차들과 상기 결정된 동작 데이터 및 가공물 데이터 내 편차들 사이의 관계들을 규명하고 분석;
i. 학습 유닛에 의해, 상기 제3 로직 유닛에 의해 결정된 상기 관계들에 기초하여 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들을 결정;
j. 제2 데이터 저장 유닛에 의해, 제조 장비의 동작 시간에서의 모든 전송된 데이터와 함께, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 상기 결정된 개선사항들을 저장;
k. 제4 로직 유닛에 의해, 운영자 입력 데이터를, 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선을 야기한 동일한 또는 유사한 제조 장비와 관련된 기록 운영자 입력 데이터와 비교;
l. 제5 로직 유닛에 의해, 가공물 및/또는 제조 장비의 동작 파라미터들의 개선을 일으킬 대체 운영자 입력들을 결정;
m. 교시 유닛에 의해, 가공물 및/또는 제조 장비의 동작 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들을 생성;
n. 상기 제2 데이터 저장 유닛에 의해, 가공물 및/또는 제조 장비의 동작 파라미터들의 개선들을 일으킬 대체 운영자 입력들에 상응하는 상기 권유사항들을 저장; 및
o. 상기 권유사항들을 상기 제조 장비 운영자에게 전송;하는 단계들을 포함하는, 방법. - 청구항 11에 있어서,
상기 데이터 수집 유닛에 의한 제조 장비 센서 입력들로부터의 동작 데이터, 제조 장비 운영자에 의해 입력된 운영자 센서 입력들로부터의 데이터, 계측 장비로부터 복원된 처리된 가공물 관련 데이터, 및 광범위 실행 계획과 관련한 데이터의 수집은, 상기 제조 장비 동작의 실행 과정 동안 실시간으로 수행되는, 방법. - 청구항 11에 있어서,
상기 서버는 제조 시스템과 다른 위치에 위치된 원격 서버인, 방법. - 청구항 11에 있어서,
상기 기록 데이터 보관 유닛 및 상기 제2 데이터 저장 유닛은 동일한 유닛인, 방법. - 청구항 11에 있어서,
상기 기록 데이터 보관소는 데이터 웨어하우스(data warehouse)로서, 상기 데이터 웨이하우스는,
a. 특정 프로세스 단계 및/또는 광범위 실행 계획 동안 전송된 모든 데이터의 장기간 저장;
b. 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 결정된 개선사항들 모두의 장기간 저장;
c. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 모든 권유사항들의 장기간 저장;
d. 상기 저장된 데이터로 수행된 모든 분석 동작들의 장기간 저장; 및
e. 청구항 1의 시스템에 의해 수집된 데이터와 결과 정보 모두의 장기간 저장; 중 적어도 하나의 기능을 수행하는, 방법. - 청구항 11에 있어서,
상기 가공물 및/또는 제조 장비의 동작 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항은, 상기 제조 장비 운영자 또는 임의의 다른 사람에게 전송되는, 방법. - 청구항 11에 있어서,
상기 권유사항들은 상기 제조 장비 동작의 실행 과정 동안 실시간으로 상기 제조 장비 운영자 또는 임의의 다른 사람에게 전송되는, 방법. - 청구항 11에 있어서,
a. 상기 제조 장비 센서 입력들로부터의 동작 데이터, 상기 제조 장비 운영자에 의해 입력된 상기 운영자 센서 입력들로부터의 데이터, 처리되는 가공물에 관한 계측 장비로부터 복원된 데이터, 및 상기 광범위 실행 계획에 관한 데이터;
b. 상기 전송된 동작 데이터에 기초한 제조 성능 파라미터들;
c. 이전 제조 장비 실행들 및 상응하는 제조 성능 파라미터들로부터 전송된 기록 데이터;
d. 운영자 입력 데이터 내 결정된 편차들로서, 그에 관한 상응하는 기록 데이터로부터의, 결정된 편차들;
e. 상응하는 기록 데이터로부터의 및/또는 상기 광범위 실행 계획의 세부사항들로부터의 가공물 데이터 및 동작 데이터 내 결정된 편차들;
f. 운영자 입력 데이터 내 결정된 편차들과 동작 데이터와 가공물 데이터 내 결정된 편차들 간의 관계들;
g. 가공물, 제조 성능 파라미터들, 및/또는 제조 장비의 동작 파라미터들의 개선사항들;
h. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들; 및
i. 제조 성능에 관한 파라미터들의 개선을 일으킬 대체 운영자 입력들에 상응하는 권유사항들; 중 적어도 하나가 임의의 시점에서 임의의 사람에게 전송되는, 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN3571/CHE/2011 | 2012-03-18 | ||
| IN3571CH2011 | 2012-03-18 | ||
| PCT/IN2013/000162 WO2013150541A2 (en) | 2012-03-18 | 2013-03-18 | A system and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the method/s therefor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150003201A true KR20150003201A (ko) | 2015-01-08 |
| KR101754721B1 KR101754721B1 (ko) | 2017-07-06 |
Family
ID=49301124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020147029064A KR101754721B1 (ko) | 2012-03-18 | 2013-03-18 | 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20150026107A1 (ko) |
| JP (1) | JP6073452B2 (ko) |
| KR (1) | KR101754721B1 (ko) |
| CN (1) | CN104620181A (ko) |
| DE (1) | DE112013001521T9 (ko) |
| SG (1) | SG11201405844XA (ko) |
| WO (1) | WO2013150541A2 (ko) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6104643B2 (ja) * | 2013-03-04 | 2017-03-29 | 三菱重工業株式会社 | 運用計画作成装置、運用計画作成方法および運用計画作成プログラム |
| US9921566B1 (en) * | 2013-07-11 | 2018-03-20 | The Boeing Company | Advanced remote match drilling process |
| US9880529B2 (en) * | 2013-08-28 | 2018-01-30 | James Ward Girardeau, Jr. | Recreating machine operation parameters for distribution to one or more remote terminals |
| JP6235517B2 (ja) * | 2015-03-27 | 2017-11-22 | ファナック株式会社 | 状況に応じたプログラムの提示機能を備えた数値制御装置 |
| KR101923100B1 (ko) * | 2015-12-10 | 2018-11-28 | 지멘스 악티엔게젤샤프트 | Plc 히스토리언과 통합된 분산 임베디드 데이터 및 지식 관리 시스템 |
| US20160104391A1 (en) * | 2015-12-17 | 2016-04-14 | Caterpillar Inc. | Method of training an operator of machine |
| JP2017211779A (ja) * | 2016-05-24 | 2017-11-30 | 株式会社リコー | 情報処理装置、システム、応急処置指示方法及びプログラム |
| JP6506222B2 (ja) * | 2016-07-28 | 2019-04-24 | ファナック株式会社 | Ｃａｄ／ｃａｍ−ｃｎｃ統合システム |
| DE112017006552T5 (de) * | 2016-12-26 | 2020-08-13 | Mitsubishi Electric Corporation | Bearbeitungsprozesserzeugungsvorrichtung, bearbeitungsprozesserzeugungsverfahren und programm |
| JP6474439B2 (ja) * | 2017-02-22 | 2019-02-27 | ファナック株式会社 | データ収集装置及びデータ収集プログラム |
| US10452052B2 (en) * | 2017-07-13 | 2019-10-22 | Autodesk, Inc. | Method and system for processing machine data before completion of machining |
| US11059141B2 (en) * | 2017-08-22 | 2021-07-13 | Gemini Precision Machining, Inc. | Smart tool system |
| CN108256089B (zh) * | 2018-01-24 | 2019-06-18 | 清华大学 | 物联网机器数据的变换方法及装置 |
| GB2573273B (en) * | 2018-04-05 | 2020-09-30 | Nikken Kosakusho Europe Ltd | System And Method For Monitoring Characteristics Of A Rotary Table |
| JP6845204B2 (ja) * | 2018-10-30 | 2021-03-17 | ファナック株式会社 | ノウハウ作成装置、ノウハウ作成方法及びノウハウ作成プログラム |
| US11592812B2 (en) * | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
| US11663679B2 (en) | 2019-10-11 | 2023-05-30 | International Business Machines Corporation | Generating mode change alerts with automatic detection from sensor data |
| US11868932B2 (en) | 2020-09-30 | 2024-01-09 | International Business Machines Corporation | Real-time opportunity discovery for productivity enhancement |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3240564B2 (ja) * | 1995-10-04 | 2001-12-17 | オムロン株式会社 | 制御知識生成方法及び装置 |
| JP2743913B2 (ja) * | 1996-06-07 | 1998-04-28 | 日本電気株式会社 | 工程手順検証装置 |
| JPH10187228A (ja) * | 1996-12-20 | 1998-07-14 | Toshiba Corp | プラント運転支援装置 |
| JP3954243B2 (ja) * | 1999-06-07 | 2007-08-08 | 株式会社東芝 | プラント運転支援システム |
| EP1296211A4 (en) * | 2000-06-30 | 2004-09-08 | Mori Seiki Seisakusho Kk | NUMERICALLY CONTROLLED MACHINING SUPPORT SYSTEM |
| JP4693225B2 (ja) * | 2000-11-06 | 2011-06-01 | 株式会社東芝 | 製造ラインの自動品質制御方法及びその装置並びに記憶媒体、自動品質制御プログラム |
| US7966096B2 (en) * | 2001-07-19 | 2011-06-21 | Invensys Systems, Inc. | Systems and methods for isobutyl alcohol (IBA) recovery |
| US20050031131A1 (en) * | 2003-08-07 | 2005-02-10 | Tymphany Corporation | Method of modifying dynamics of a system |
| US20050040223A1 (en) * | 2003-08-20 | 2005-02-24 | Abb Technology Ag. | Visual bottleneck management and control in real-time |
| US20050060048A1 (en) * | 2003-09-12 | 2005-03-17 | Abb Research Ltd. | Object-oriented system for monitoring from the work-station to the boardroom |
| JP2006343838A (ja) * | 2005-06-07 | 2006-12-21 | Renesas Technology Corp | 生産状況改善システム |
| JP4653715B2 (ja) * | 2006-10-13 | 2011-03-16 | 新日本製鐵株式会社 | プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体 |
| US8046318B2 (en) * | 2008-04-15 | 2011-10-25 | Honeywell International Inc. | Automated system for checking proposed human adjustments to operational or planning parameters at a plant |
| US7920935B2 (en) * | 2008-08-19 | 2011-04-05 | International Business Machines Corporation | Activity based real-time production instruction adaptation |
| US20100082143A1 (en) * | 2008-09-30 | 2010-04-01 | Rockwell Automation Technologies, Inc. | Data Recorder For Industrial Automation Systems |
| JP5052538B2 (ja) * | 2009-01-28 | 2012-10-17 | 岩井機械工業株式会社 | 保守業務支援システム |
| US20100249968A1 (en) * | 2009-03-25 | 2010-09-30 | Andreas Neuber | Factory resource optimization identification process and system |
| JP5192476B2 (ja) * | 2009-10-22 | 2013-05-08 | 株式会社日立製作所 | 作業支援システム、作業支援方法、および作業支援プログラム |
| JP5264796B2 (ja) * | 2010-02-01 | 2013-08-14 | 三菱電機株式会社 | プラント運転支援装置 |
| DE102010030691A1 (de) * | 2010-06-30 | 2012-01-05 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Dialogsystem und Verfahren zur Untersuchung eines Bearbeitungsprozesses |
| US8972067B2 (en) * | 2011-05-11 | 2015-03-03 | General Electric Company | System and method for optimizing plant operations |
-
2013
- 2013-03-18 KR KR1020147029064A patent/KR101754721B1/ko active IP Right Grant
- 2013-03-18 CN CN201380022435.XA patent/CN104620181A/zh active Pending
- 2013-03-18 US US14/383,307 patent/US20150026107A1/en not_active Abandoned
- 2013-03-18 WO PCT/IN2013/000162 patent/WO2013150541A2/en active Application Filing
- 2013-03-18 DE DE112013001521.8T patent/DE112013001521T9/de not_active Expired - Fee Related
- 2013-03-18 SG SG11201405844XA patent/SG11201405844XA/en unknown
- 2013-03-18 JP JP2015501052A patent/JP6073452B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| DE112013001521T5 (de) | 2014-12-11 |
| JP2015518593A (ja) | 2015-07-02 |
| SG11201405844XA (en) | 2014-10-30 |
| WO2013150541A2 (en) | 2013-10-10 |
| JP6073452B2 (ja) | 2017-02-01 |
| DE112013001521T9 (de) | 2015-03-19 |
| CN104620181A (zh) | 2015-05-13 |
| US20150026107A1 (en) | 2015-01-22 |
| WO2013150541A3 (en) | 2013-12-05 |
| KR101754721B1 (ko) | 2017-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101754721B1 (ko) | 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 | |
| Lee et al. | Predictive manufacturing system-Trends of next-generation production systems | |
| Alves et al. | Deployment of a smart and predictive maintenance system in an industrial case study | |
| D’Antonio et al. | A novel methodology to integrate manufacturing execution systems with the lean manufacturing approach | |
| KR20180061769A (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| Nikishechkin et al. | An approach of developing solution for monitoring the status and parameters of technological equipment for the implementation of Industry 4.0 | |
| Assawaarayakul et al. | Integrate digital twin to exist production system for industry 4.0 | |
| Hamrol et al. | Mechanical engineering in Industry 4.0 | |
| Javed et al. | Robust, reliable and applicable tool wear monitoring and prognostic: approach based on an improved-extreme learning machine | |
| Groba et al. | Architecture of a predictive maintenance framework | |
| Schreiber et al. | Integrated production and maintenance planning for cyber-physical production systems | |
| Kumar et al. | Live life cycle assessment implementation using cyber physical production system framework for 3D printed products | |
| Schlegel et al. | Autonomous data-driven quality control in self-learning production systems | |
| Ganser et al. | DPART-A DIGITAL TWIN FRAMEWORK FOR THE MACHINING DOMAIN. | |
| Brecher et al. | 3 Data Science in Production | |
| Banadaki | On the use of machine learning for additive manufacturing technology in industry 4.0 | |
| Mehta et al. | Smart manufacturing: state-of-the-art review in context of conventional and modern manufacturing process modeling, monitoring and control | |
| Li et al. | An Industry 4.0 Platform for Equipment Monitoring and Maintaining in Carbon Anode Production | |
| Salehi | Bayesian-based predictive analytics for manufacturing performance metrics in the era of industry 4.0 | |
| Savadamuthu et al. | Quality Improvement in Turning Process using Taguchi's Loss Function | |
| Shadravan et al. | Viability of Digital Twin Multi-Dimensional Modeling Framework for Machining Processes-A Review | |
| Plessing et al. | AI-Based Surface Roughness Prediction Model for Automated CAM-Planning Optimization | |
| Klos et al. | A Model for the Intelligent Supervision of Production for Industry 4.0 | |
| Verma et al. | Simulation Based Fault Detection and Diagnosis for Additive Manufacturing | |
| Magaletti et al. | Predictive Maintenance and Engineered Processes in Mechatronic Industry: An Italian Case Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |