KR20180131246A - Method for production control system through processing mining - Google Patents

Method for production control system through processing mining Download PDF

Info

Publication number
KR20180131246A
KR20180131246A KR1020170067995A KR20170067995A KR20180131246A KR 20180131246 A KR20180131246 A KR 20180131246A KR 1020170067995 A KR1020170067995 A KR 1020170067995A KR 20170067995 A KR20170067995 A KR 20170067995A KR 20180131246 A KR20180131246 A KR 20180131246A
Authority
KR
South Korea
Prior art keywords
data
analysis
big data
cluster
sensor
Prior art date
Application number
KR1020170067995A
Other languages
Korean (ko)
Inventor
권영민
이준원
Original Assignee
주식회사 지오네트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 지오네트 filed Critical 주식회사 지오네트
Priority to KR1020170067995A priority Critical patent/KR20180131246A/en
Publication of KR20180131246A publication Critical patent/KR20180131246A/en

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total 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], computer integrated manufacturing [CIM]
    • G05B19/41885Total 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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total 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], computer integrated manufacturing [CIM]
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total 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], computer integrated manufacturing [CIM]
    • G05B19/4183Total 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], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0243Electric 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y02P90/10
    • Y02P90/26

Abstract

According to an embodiment of the present invention, a method for managing a process through big data analysis comprises the steps of: collecting process data related to main facility, process environment, and a sensor value through an IoT device; selecting a major process factor based on analysis through at least one of processor mining analysis, reputation analysis, and cluster analysis for the collected process data; deriving an important process condition affecting amount of change in a process result by analyzing relationship between the major process factor and the amount of change in the process result through a big data analysis model; and performing process simulation based on the major process condition to predict the amount of change in the process result and issues related to a process. The method may provide an interface that a user may adjust process variables.

Description

빅데이터 분석을 통한 공정 관리 방법{METHOD FOR PRODUCTION CONTROL SYSTEM THROUGH PROCESSING MINING}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a process control method for a large-

본 발명은 빅데이터 분석을 통한 공정 관리 방법에 관한 것으로, 더욱 상세하게는 빅데이터 분석을 통하여 생산 공정에서의 품질 및 설비문제를 예측함으로써 공정 최적화를 구현하는 빅데이터 분석을 통한 공정 관리 방법에 관한 것이다.The present invention relates to a process management method using big data analysis, and more particularly, to a process management method using big data analysis that realizes process optimization by predicting quality and equipment problems in a production process through big data analysis will be.

다수의 단계로 구성된 일련의 공정을 수행하는 경우, 각각의 공정마다 유기적인 연결에 따른 무결성 보장과 신뢰도가 매우 중요하다. 이러한 무결성을 달성하기 위해 공정에서는 주요설비의 입력값부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 공정관리 시스템의 개발이 필요하다.When a series of processes consisting of a plurality of steps is performed, integrity guarantee and reliability according to organic connections are very important for each process. In order to achieve this integrity, it is necessary to develop an efficient process management system that can identify the cause of the abnormality determination and the cause of each process from the input value of the main facility.

과거 발전소 공정 제어의 시뮬레이션은 계측된 센서값을 기반으로 수식에 의해 결과를 산출하는 방식으로 수행되기 때문에 공정계통의 환경변화에 의해 계측값에 발생한 변화를 고려할 수 없었다. 이렇게 환경변화를 고려하지 않고 수식에 의한 기존의 센서값의 변화량에 대해서만 시뮬레이션을 수행할 경우, 실제와 다른 공정결과를 산출하기 때문에 실계통과 유사도 및 신뢰도가 떨어지는 문제가 있다.In the past, the simulation of the plant process control was performed by calculating the results based on the measured sensor values, so that the changes in the measured values could not be considered due to the environmental changes in the process system. If simulation is performed only for the variation of the sensor value by the formula without considering the environmental change, there is a problem that the similarity and reliability are lowered because the actual process result is calculated.

대한민국 등록특허공보 제10-1640181호(2015년6월15일, "통계적 공정 관리 시스템 및 관리 방법")Korean Patent Registration No. 10-1640181 (June 15, 2015, "Statistical Process Control System and Management Method")

따라서, 본 발명이 해결하고자 하는 과제는 빅데이터 분석을 이용하여 생산 공정에서의 설비문제를 예측하고, 센서 오류로 인한 부정 오류 검출을 줄임으로써 공정 최적화를 구현하는 기술적 수단을 제공하는데 있다.SUMMARY OF THE INVENTION Accordingly, it is an object of the present invention to provide a technical means for predicting equipment problems in a production process by using big data analysis and realizing process optimization by reducing false error detection due to sensor errors.

본 발명의 일실시 예에 따른 빅데이터 분석을 통한 공정 관리 방법은 사물 인터넷 기기를 통해 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계와, 상기 수집된 공정 데이터에 대해 프로세서 마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계와, 빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계 및 상기 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계를 포함한다. A method for managing a process through analysis of big data according to an embodiment of the present invention includes the steps of collecting process data related to a main facility, a process environment, and a sensor value through an object Internet device, A step of selecting major process factors based on an analysis through at least one of a method of analysis, a reputation analysis and a cluster analysis; and a step of analyzing the relationship between the major process factors and the process change amount through a big data analysis model, Deriving important process conditions that affect the critical process conditions, and performing process simulation based on the critical process conditions to predict problems with respect to process variations and processes.

본 발명의 다른 실시 예는 예측에 기반하여 상기 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함한다.Another embodiment of the present invention further comprises adjusting the main process factor based on the prediction and deriving a process optimization set point.

본 발명의 다른 실시 예에 따른 상기 중요 공정 조건을 도출하는 단계는 빅데이터 분석 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 빅데이터 분석 모델을 설립하는 단계 및 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별하는 단계를 포함한다.The step of deriving the important process conditions according to another embodiment of the present invention may include a step of establishing a big data analysis model through at least one of a big data analysis analysis, a reputation analysis and a cluster analysis, And analyzing the correlation between the process data and the process variation, and selecting the correlation between the process data that occupies the largest number of instances for each defect and the type of problem and the process variation amount as important process conditions.

본 발명의 다른 실시 예에 따른 상기 공정 데이터를 수집하는 단계는 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함한다.The step of collecting the process data according to another embodiment of the present invention further includes the step of deriving the process data cluster through a big data analysis on the collected process data.

본 발명의 다른 실시 예에 따른 상기 빅데이터 분석은 공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분한다.The big data analysis according to another embodiment of the present invention determines whether to put the process data in the same cluster by adding process data generated in real time in accordance with process execution for process data clustering, Process data.

본 발명의 다른 실시 예는 빅데이터 분석 모델을 설립하기 위해, Another embodiment of the present invention is a method for establishing a big data analysis model,

특정 공정에 대한 이벤트 로그를 수집하는 단계와, 상기 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계 및 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계를 더 포함한다.The method includes the steps of collecting an event log for a specific process, performing a preprocessing process on the event log, generating a process model for a specific process in which an event log is collected through an analysis process, And generating a final process model by deleting the connection path in which the numerical value between the calculated unit processes is smaller than the threshold value.

본 발명의 다른 실시 예에 따른 상기 사용자 명령에 따라 선택되는 옵션 항목은 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 중 적어도 하나이다.Option items selected in accordance with the user command according to another embodiment of the present invention are at least one of the relationships among the plurality of process elements, the structure of the process flow, the number of overlapping processes, and critical process conditions that affect the process variation.

본 발명의 다른 실시 예에 따른 상기 공정 시뮬레이션은 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션한다.The process simulation according to another exemplary embodiment of the present invention may include analyzing a relation between process data indicating a present main facility, process environment, and sensor value and a process result change amount, a criterion including an external environment data value, Adjust the information and simulate the input values.

본 발명의 다른 실시 예는 시뮬레이션 정보에 기초하여 사용자가 주요 공정요소를 조정하도록 사용자 인터페이스를 제공하는 단계를 더 포함한다.Another embodiment of the present invention further comprises providing a user interface for the user to adjust key process elements based on the simulation information.

본 발명의 일실시 예에 따르면, 다양한 공정 변수들을 축적하고, 빅데이터 분석을 통하여 축적된 데이터로부터 공정요인과 공정결과 변화량 간의 연관관계를 도출하고 이로부터 센서 오류로 인한 부정 오류 검출을 줄이고, 공정 최적화를 유지할 수 있는 새로운 공정 설정치 조합을 생성함으로써, 변화하는 공정 상태를 예측하는 것이 가능하다.According to an embodiment of the present invention, various process parameters are accumulated, and a correlation between process factors and process variation amounts is derived from the accumulated data through big data analysis, thereby reducing false error detection due to sensor errors, By creating new process set combinations that can maintain optimization, it is possible to predict changing process conditions.

아울러, 사용자에게 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 할 수 있는 인터페이스를 제공할 수 있다.In addition, the user can provide an interface through which the user can adjust process variables based on the simulation information.

도 1은 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템의 구성을 나타내는 블록도이다.
도 2는 공정 설비 및 공정 환경에 관한 공정 데이터를 수집하기 위한 방안을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예를 적용하기 위한 열 교환기 계통의 개략적인 단면을 도시한다.
도 4는 열 교환기 계통의 흐름을 나타내는 도면이다.
도 5는 열 교환기 계통의 시뮬레이션 상의 설비 이상을 설명하기 위한 도면이다.
도 6은 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이다.
도 7은 도 4에 도시된 공정 설비에 구비된 센서값의 변화를 분석하기 위해 이용되는 표를 도시한다.
도 8은 본 발명의 실시예에 따른 공정 시뮬레이션을 위한 순서도를 도시한다.
도 9는 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법을 설명하기 위한 순서도이다.
1 is a block diagram illustrating a configuration of a process management system through analysis of big data according to an embodiment of the present invention.
Fig. 2 is a diagram for explaining a method for collecting process data relating to a process facility and a process environment. Fig.
Figure 3 shows a schematic cross-section of a heat exchanger system for applying an embodiment of the present invention.
4 is a view showing the flow of the heat exchanger system.
5 is a diagram for explaining equipment abnormality on a simulation of a heat exchanger system.
6 is a view for explaining sensor abnormality on the simulation of the heat exchanger system.
FIG. 7 shows a table used for analyzing changes in sensor values in the process equipment shown in FIG.
Figure 8 shows a flow diagram for process simulation in accordance with an embodiment of the present invention.
9 is a flowchart for explaining a process management method using big data analysis according to an embodiment of the present invention.

본 발명의 실시 예들을 설명하기에 앞서, 종래의 통계적 공정 관리에서 발생하는 문제점들을 검토한 후, 이들 문제점을 해결하기 위해 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개하도록 한다.Prior to describing the embodiments of the present invention, the technical means adopted by the embodiments of the present invention will be outlined to solve the problems occurring in the conventional statistical process control.

통계적 공정 모니터링 방법은 양질의 공정 데이터만 주어진다면 통계적 처리를 접목하여 비교적 쉽게 모니터링을 할 수 있고 공정의 데이터 분석에 이용할 수 있는 도구를 얻을 수 있다는 장점이 있다. The statistical process monitoring method is advantageous in that it can be relatively easily monitored by combining statistical processing if only good quality process data is given, and tools for analyzing the data of the process can be obtained.

그러나 실제 공정에서는 비선형, 다중 운전 모드, 공정 상태 변화로 인해 기존의 다변량 통계적 방법을 이용한 공정 모니터링 기법은 비효율적이거나, 공정 감시 성능의 저하 등 종종 신뢰할 수 없는 결과를 야기한다.However, due to nonlinearities, multiple operation modes, and process state changes, the existing multivariate statistical process monitoring techniques are often inefficient or inaccurate due to poor process monitoring performance.

일반적으로 공정에서 이용되는 장비를 처음 개발할 때와 장비를 가동한 후 일정 시간이 흐른 후의 특성이 다르게 나타나는데, 일정 시간이 흐른 후에는 기계적인 마모, 소착, 변형 내지 피로 등 다양한 형태의 특성이 변화하여 기계의 성능이 저하되고, 이는 공정의 불안정화와 더불어 제품의 성능과 신뢰도를 떨어뜨리는 요인이 되고 있다. 또한, 온도, 습도, 바람 등의 공정 환경의 변화에도 생산되는 공정결과 변화량에 차이가 발생할 수 있다. Generally, the characteristics of the equipment used for the first time and the time after the equipment start to operate are different from each other. After a certain period of time, various characteristics such as mechanical wear, seizure, deformation and fatigue are changed The performance of the machine is deteriorated, which leads to the destabilization of the process and the deterioration of the performance and reliability of the product. Also, there may be a difference in the amount of change in the process result produced even when the process environment such as temperature, humidity, wind, etc. is changed.

그러나, 이러한 장비 및 시스템의 신뢰성 저하나 공정 환경의 변화를 직접적으로 신속히 파악할 수 있는 방법은 구비되어 있지 않다.However, there is no method for directly and quickly grasping the reliability of such equipment and system or changing the process environment.

시스템을 관리하고 운영하는 엔지니어도 장비의 작동 여부 및 장비의 파라미터 설정에 대한 지식만을 가질 뿐, 장비 및 시스템의 신뢰도가 어떻게 변화하는지는 알기 어렵다. The engineer who manages and operates the system has only knowledge about the operation of the equipment and the parameter setting of the equipment, but it is difficult to know how the reliability of the equipment and the system changes.

따라서, 이러한 공정의 이상 유무 파악 및 신뢰성 파악을 하기 위해서는 공정으로부터 발생하는 수많은 공정 변수를 데이터베이스에 축적하고, 빅데이터 분석을 통하여 공정관리 시스템의 동적인 운영 및 구축이 필요하다.Therefore, it is necessary to accumulate a large number of process variables arising from the process in the database and dynamically operate and construct the process management system through the big data analysis.

이하에서 기술되는 본 발명의 실시예들이 제안하는 빅데이터 분석 기반의 공정 관리 시스템의 기능은 각 공정에서 읽어들인 수많은 공정 변수와 공정결과 변수로부터 최적화 조건을 만들고, 센서 오류로 인한 부정 오류 검출을 줄일 수 있는 공정관리의 새로운 공정 최적화 설정치 조합을 구해내는 것이다. 공정의 중단없이 실시간으로 현재 주어진 상황에 최적화된 공정 규격을 수시로 새롭게 생성함으로서, 공정 규격이 고정된 값이 아니라 상황에 대응하여 변화되는 동적인 값이 되는 것이다. The function of the big data analysis based process management system proposed by the embodiments of the present invention described below is to create optimization conditions from a large number of process variables and process result variables read in each process, This is to obtain a new combination of process optimization setpoints for process control. By creating a new process specification that is optimized for a given situation in real time without interruption of the process, the process specification becomes a dynamic value that changes according to the situation rather than a fixed value.

이하에서는 도면을 참조하여 본 발명의 실시 예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. In the following description and the accompanying drawings, detailed description of well-known functions or constructions that may obscure the subject matter of the present invention will be omitted. It is to be noted that the same constituent elements are denoted by the same reference numerals as possible throughout the drawings.

도 1은 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템의 구성을 나타내는 블록도이고, 도 2는 공정 설비 및 공정 환경에 관한 공정 데이터를 수집하기 위한 방안을 설명하기 위한 도면이다.FIG. 1 is a block diagram showing a configuration of a process management system through analysis of big data according to an embodiment of the present invention, FIG. 2 is a view for explaining a process for collecting process data on process facilities and process environment .

도 1을 참조하면, 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템(100)은 데이터 수집부(110), 통신부(120), 빅데이터 분석부(111), 주요 공정요인 선정부(130), 중요 공정조건 도출부(140), 데이터베이스(150), 공정 시뮬레이션부(160), 최적 공정조건 산출부(170) 및 사용자 인터페이스(180)를 포함하여 구성된다.Referring to FIG. 1, a process management system 100 for analyzing big data according to an embodiment of the present invention includes a data collecting unit 110, a communication unit 120, a big data analyzing unit 111, And includes a processor 130, an important process condition deriving unit 140, a database 150, a process simulation unit 160, an optimum process condition calculating unit 170, and a user interface 180.

데이터 수집부(110)는 통신부(120)를 통해 주요설비 및 각종 센서들과 통신하여 공정 데이터와 공정결과 변화량 데이터를 획득하여 데이터베이스(150)에 저장한다. 도 2를 참조하면, 각종 센서는 온도 센서, 습도 센서, 홀 센서, 가속도 센서, 진동 센서, 전원(전류)센서, 유류(유속) 센서 등을 포함할 수 있다. 또한, PLC를 공정설비에 부착하여 설비이력(가공 정보 및 가공 시 설비 상태 정보 등의 대용량 데이터)를 수집할 수 있다.The data collecting unit 110 communicates with the main facility and various sensors through the communication unit 120 to acquire the process data and the process result change amount data and stores the acquired process data and the process result change amount data in the database 150. Referring to FIG. 2, various sensors may include a temperature sensor, a humidity sensor, a Hall sensor, an acceleration sensor, a vibration sensor, a power (current) sensor, and a flow sensor. In addition, the PLC can be attached to a process facility to collect facility history (large-volume data such as processing information and equipment status information during processing).

또한, 공정 처리 데이터로서, 사용자가 직접 값을 입력한 공정 데이터, 설비 제조사에서 제공한 매뉴얼 및 TPM 예방정비를 위해 제조사에서 제공하는 별도의 예방정비 항목에 관한 데이터와, 공정 프로세스의 전처리 과정에서 발생하는 공정 데이터도 수집할 수 있다.In addition, as the process data, there are data on the process data in which the user directly inputs the value, the manual provided by the equipment manufacturer, data on the separate preventive maintenance item provided by the manufacturer for TPM preventive maintenance, Process data can also be collected.

아울러, 레거시 데이터를 수집할 수 있으며, ERP, MES, POP 시스템 등 서로 다른 전사적 시스템 및 초중종물 관리, Lot tracking로부터 생산 이력 데이터를 수집할 수 있다.In addition, legacy data can be collected, and production history data can be collected from different enterprise systems such as ERP, MES, and POP systems, and introductory water management and lot tracking.

데이터 수집부(110)는 사물 인터넷(IoT) 기기로부터 수신된 데이터를 선형 이론에 근거하여 선형성분의 모델로 변환하여 데이터베이스(150)에 저장한다. 수집되는 데이터는 지정된 별도의 테이블 스페이스 영역에 할당될 수 있다. The data collecting unit 110 converts the data received from the Internet (IoT) device into a linear component model based on linear theory and stores the converted data in the database 150. The collected data can be assigned to a designated separate tablespace area.

여기서, 공정 데이터는 사물 인터넷 기기가 온도 센서, 습도 센서, 이산화탄소 센서, 감지 센서, 연기 센서, 진동 센서, 유속 센서에 의한 센서값 및 공정 환경 데이터와, 전력량계, 수도 계량기, 통풍 팬, 챔버 및 냉난방기 장치와 연계하여 검출되는 설비 데이터를 포함한다. 여기서 설비 데이터는 설비의 중량, 최대 압력, 세정 정도, 가공 능력, 스트로크(stroke), 회전수, 최대 속도, 동작 반경, 최대 스윙, 최대 가공물의 사이즈, 일일 생산능력 중 적어도 하나를 포함한다.Here, the process data includes the sensor value and the process environment data by a temperature sensor, a humidity sensor, a carbon dioxide sensor, a sensor, a smoke sensor, a vibration sensor, a flow sensor, a watt hour meter, a ventilation fan, And equipment data detected in association with the apparatus. Wherein the equipment data includes at least one of equipment weight, maximum pressure, cleaning degree, machining capability, stroke, number of rotations, maximum speed, operating radius, maximum swing, maximum workpiece size, and daily production capacity.

통신부(120)는 사물 인터넷 기기를 통해 주요설비 및 각종 센서들과 정보를 송수신한다. 사물 인터넷(IoT: Internet of Things)은 무선 인터넷을 기반으로 다양한 장치를 연결하고 센서를 통해 환경 정보를 획득하며, 이를 기반으로 제어하는 여러 기술이 융합된 컴퓨팅 시스템이다.The communication unit 120 transmits and receives information to and from the main facility and various sensors through the Internet device. Internet of Things (IoT) is a computing system that connects various devices based on wireless Internet, acquires environmental information through sensors, and combines various technologies to control based on this.

이러한 IoT 환경에서 애플리케이션은 네트워크에 연결된 여러 장치 또는 기기를 이용하여 사용자에게 유용한 정보와 편의를 제공할 수 있는데, IoT 기기들은 단순한 정보를 제공하기도 하고, 다수 기기들의 협업에 의한 서비스를 제공하기도 한다. In such an IoT environment, an application can provide useful information and convenience to users by using various devices or devices connected to the network. IoT devices provide simple information and services by cooperation of multiple devices.

여기에서, 사물을 지칭하는 IoT 기기는 가전제품, 모바일 장비 및 컴퓨터 등 다양한 임베디드 시스템으로 이루어질 수 있으며, 각각의 사물들은 자신을 구별하는 식별인자, 통신 기능 및 데이터를 처리할 수 있는 기능 등이 포함된다.Here, IoT devices that refer to objects can be composed of various embedded systems such as home appliances, mobile equipment, and computers, and each object includes a function to identify itself, a communication function, and a data processing function do.

본 발명에서 사물 인터넷 기기는 빅데이터 분석을 통한 공정 관리 대상인 주요설비의 상태 및 공정 환경을 측정하는 각종 설비 및 센서에 대해 IoT 기술 기반의 서비스 대상이 되는 스마트 기기나 센서 등을 의미할 수 있다. In the present invention, the object Internet device may refer to various devices and sensors for measuring the state and process environment of the main facility, which is a process management target through process of big data analysis, and a smart device or sensor to be a service target based on IoT technology.

빅데이터 분석부(111)는 공정 데이터 군집화를 위해 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지를 결정하는 방식으로 공정 데이터를 군집화한다. 군집화의 시작 단계에서 개별 개체를 각각 하나의 군집으로 보고 가장 유사한 것들을 동일 군집으로 묶어가는 병합적 방법을 구현할 수 있다. 또는, 군집화의 시작 단계에서 전체 개체들을 하나의 군집으로 보고 이들을 군집사이의 비유사성이 가장 커지도록 두 군집으로 구분하는 분할적 방법을 구현할 수 있다.The big data analyzing unit 111 clusters the process data by adding process data one by one to the process data clustering so as to decide whether to put them in the same cluster. At the beginning of clustering, we can implement a merge method that treats individual objects as a single cluster and bundles the most similar ones into the same cluster. Or, at the beginning of clustering, we can implement a partitioning method of dividing all individuals into one cluster and dividing them into two clusters so that the dissimilarity between the clusters becomes the largest.

구체적으로, 빅데이터 분석부(111)는 공정 데이터를 군집화하는 알고리즘은 각 개체를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 넣지 않을 것인지를 결정하는 방식을 이용한다.Specifically, the big data analyzing unit 111 uses a method of determining whether or not to include in the same cluster by adding each object one by one to the algorithm for clustering process data.

주요 공정요인 선정부(130)는 공정 데이터에 대한 프로세서 마이닝 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 주요 공정요인을 선정한다.The main process factor selector 130 selects major process factors through at least one of the following methods: processor mining analysis, reputation analysis, and cluster analysis for process data.

중요 공정조건 도출부(140)는 빅데이터 분석 모델에 의해 분석된 공정 데이터와 공정결과 변화량의 연관관계에 따라 공정결과 변화량에 영향을 미치는 중요 공정요인을 도출한다. The important process condition deriving unit 140 derives important process factors that affect the amount of process result change depending on the relationship between the process data analyzed by the Big Data Analysis Model and the process change amount.

구체적으로, 중요 공정조건 도출부(140)는 설립된 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정조건으로 선별한다. 즉, 주요 공정 데이터와 공정결과 변화량간의 연관관계를 중요 공정조건으로 도출한다.Specifically, the important process condition deriving unit 140 analyzes the relationship between the process data and the process result change amount based on the established big data analysis model, and analyzes the process data that occupies the largest number of instances by defect and problem type, And the relationship between the change in the result is selected as an important process condition. In other words, the relationship between the main process data and the process variation is derived as an important process condition.

여기서, 빅데이터 분석은 공정관리를 지원하는 다양한 정보시스템에 기록된 이벤트 로그를 분석하여 프로세스모델을 자동으로 도출하는 것을 지원한다.Here, the Big Data Analysis supports the automatic derivation of the process model by analyzing the event logs recorded in various information systems supporting the process management.

빅데이터 분석은 이벤트 로그와 프로세스 모델 간에 발견(discovery), 순응도(conformance), 확장(enhancement)과 같은 세 가지 유형의 마이닝을 제공할 수 있다. 여기서, 발견은 이벤트 로그에서 프로세스 모델의 자동 발견을 지원하고, 순응도는 이벤트 로그와 프로세스 모델 간 일치 정도를 분석한다. 확장은 발견된 프로세스 모델을 시간 정보 등을 통해서 확장시키는 것이다.Big data analysis can provide three types of mining: discovery, conformance, and enhancement between the event log and the process model. Here, discovery supports automatic discovery of process models in the event log, and compliance monitors the degree of correspondence between event logs and process models. The extension is to extend the found process model through time information.

빅데이터 분석은 이와 같은 세 가지 유형의 마이닝과 독립적으로 다음과 같은 다양한 관점의 분석을 지원할 수 있다.Big Data Analysis can support the analysis of various aspects independently of these three types of mining, including:

첫째, 통제흐름(control-flow) 관점으로, petri-net이나 BPMN 등의 표기법으로 표시되는 생산 제조 공정 활동들의 순서발견과 분석기법을 제공할 수 있다.First, from the control-flow point of view, we can provide sequence discovery and analysis techniques for production and manufacturing activities represented by notation such as petri-net or BPMN.

둘째, 조직(organizational) 관점으로, 공정 수행 주체들 사이의 사회 관계망 분석 기법을 제공할 수 있다.Second, from the organizational viewpoint, it is possible to provide a technique for analyzing the social network among process execution entities.

셋째, 시간 관점으로, 수행된 공정 사례들의 평균 수행 시간, 특정 공정들 사이의 평균 수행 시간 및 특정 공정들 사이의 평균 휴지기 등에 관한 분석 기법을 제공할 수 있다.Third, from a time perspective, analytical techniques can be provided for an average run time of performed process cases, an average run time between specific processes, and an average rest period between specific processes.

넷째, 성과(performance) 관점으로, 병목지점(bottleneck) 분석기법을 제공하여, 성과에 영향을 주는 사례들에 대한 심층 분석 기법을 제공할 수 있다.Fourth, from the perspective of performance, bottleneck analysis techniques can be provided to provide in-depth analysis of cases that affect performance.

다섯째, 데이터 관점으로, 개별 공정 수행 사례들의 데이터와 연관된 분석 기법을 제공할 수 있다. 예컨대, 불량처리 프로세스를 지연시키는 공정 요소들의 유형을 찾을 수 있다. Fifth, from a data perspective, we can provide analysis techniques that are associated with data from individual process execution cases. For example, one can find the types of process elements that delay the failure handling process.

빅데이터 분석의 결과물은 완성된 형태의 공정관리 프로세스 모델이며, 빅데이터 분석 결과물은 공정 프로세스 설계를 위한 근거 자료가 된다.The results of the Big Data Analysis are the complete process management process model, and the Big Data Analysis result is the basis for the process process design.

이하, 주요 공정요인 선정부(130)가 빅데이터 분석 모델을 설립하는 방법을 약술하자면, 다음과 같다.Hereinafter, a method for establishing a big data analysis model by the main process factor selection unit 130 will be outlined as follows.

먼저, 정보시스템, 데이터베이스 등에 기록되어 있는 특정 공정에 대한 이벤트 로그를 수집한다.First, event logs for specific processes recorded in information systems, databases, etc. are collected.

공정 프로세스 상의 업무는 기업 내부의 정보시스템인 ERP(Enterprise Resource Planning), 환경의 실시간 모니터링, 제어, 물류 및 작업내역 추적관리, 상태파악, 불량관리, 부정 오류 검출 중 적어도 하나에 초점을 맞춘 현장 시스템인 MES(Manufacturing Executing system shop floor), POP 등에서 수행될 수 있으므로, 이들 정보 시스템에는 모든 트랜잭션(transaction)을 이벤트 로그 형식으로 기록한다. The processes in the process are focused on at least one of enterprise internal resource planning (ERP), real-time monitoring and control of environment, tracking of logistics and work history, status monitoring, bad management, And MES (Manufacturing Executing system shop floor), POP, etc., these information systems record all transactions in event log format.

다음으로, 프로세스 모델의 분석을 위해 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성한다.Next, a preprocessing process is performed on the event log for analyzing the process model, and a process model for the specific process in which the event log is collected is generated through the analysis process.

다음으로, 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성한다. Next, the final process model is created by deleting the connection path whose numerical value between the unit processes calculated according to the option item selected by the user is smaller than the threshold value.

여기서, 사용자 명령에 따라 선택되는 옵션 항목에는 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수, 센서의 부정 오류 검출 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 등이 있다. 이에 따라 복수의 공정요소 간의 관계를 고려할 것인지 여부, 공정 흐름의 구조를 고려할 것인지 여부, 중복되어 나타나는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건을 고려할 것인지 여부에 따라 다양한 경우의 수가 발생할 수 있다.Here, the option items selected according to the user command include the relationship among a plurality of process elements, the structure of the process flow, the number of overlapping processes, the detection of a malfunction of the sensor, and important process conditions that affect the amount of change in the process result. This will result in a number of different cases depending on whether the relationships among the multiple process factors are considered, whether the structure of the process flow is taken into account, the number of overlapping processes and the important process conditions that affect the process variation .

다음으로, 최종 프로세서 모델을 검토 및 분석하여, 최종 프로세스 모델에 기반한 분석 결과를 도출한다. 빅데이터 분석의 결과로 도출된 최종 프로세스 모델을 데이터베이스(150)에 저장한다.Next, the final processor model is reviewed and analyzed to derive analysis results based on the final process model. The final process model derived as a result of the big data analysis is stored in the database 150.

이와 같은 과정에 의해, 복수의 공정요소 간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수, 공정결과 변화량에 영향을 미치는 중요 공정 조건 등과 같은 사용자가 선택한 옵션 항목을 반영한 프로세스 모델을 도출할 수 있다. 또한, 도출한 프로세스 모델의 분석 결과를 시뮬레이션하여 전체적인 공정 수행을 확인함으로써, 병목 요소와 같은 프로세스 단철 현상을 파악할 수 있는 바, 전체적인 공정 프로세스 개선에 사용할 수 있다.This process can lead to a process model that reflects user-selected option items such as the relationships among multiple process factors, the structure of the process flow, the number of overlapping processes, and critical process conditions that affect process variation amounts . In addition, by analyzing the analysis results of the derived process model and verifying the overall process performance, it is possible to grasp the process for the process of wrought iron such as the bottleneck element, and thus can be used for improving the overall process.

데이터베이스(150)는 공정 수행시 공정 조건인 주요설비, 공정환경 및 센서값에 관한 공정 데이터, 공정생산제품의 품질관련정보, 최종 빅데이터 분석 모델, 중요 공정 조건에 관한 정보, 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제에 대해 예측된 정보, 상기 예측 정보에 기반하여 조정된 중요 공정 조건의 변경 정보 및 도출된 공정 최적화 설정치를 저장한다.The database 150 is a database based on process data relating to the main equipment, process environment, and sensor values, process-related quality information, process-related product quality information, final big data analysis model, important process conditions, And predicted information about a process variation amount and a process related problem, change information of important process conditions adjusted based on the prediction information, and derived process optimization optimization setting values are stored.

공정 시뮬레이션부(160)는 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량에 관한 문제를 예측한다.The process simulation unit 160 performs a process simulation based on important process conditions to predict a problem concerning a process result change amount.

구체적으로, 공정 시뮬레이션부(160)는 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와, 공정결과 변화량의 연관관계 및 센서의 부정오류 검출을 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션하고, 이를 작업자에게 시각화하여 표현한다.Specifically, the process simulation unit 160 analyzes the relationship between the process data indicating the current main facility, the process environment, and the sensor value, the relationship between the process result change amount and the sensor's negative error detection, Adjust the reference information including the variable and simulate the comparison value when inputting, and visualize it by expressing it to the operator.

최적 공정조건 산출부(170)는 공정 시뮬레이션부의 예측에 기반하여 상기 주요 공정요소를 조정하고, 공정 최적화 설정치를 도출한다.The optimal process condition calculation unit 170 adjusts the main process element based on the prediction of the process simulation unit and derives a process optimization set point.

종래에는 환경에 변화에 따른 센서 데이터의 대해서 신뢰성이 없이 드리프트 된 값만 가지고 비율에 따라 비교 판단했는데, 이러한 방식은 입력값의 범위에 따라 최소 10% 범위나, 5% 범위에 따라 센서의 오동작이 판정이 되며, 센서의 오동작판단에 있어서 센서 오류를 정상으로, 정상을 센서 오류로 판정 할 수 있으며, 판정범위가 엄격한 경계값에 의해서도 오류로 판단하는 것이 문제였다.Conventionally, the sensor data according to the change in the environment has been compared and judged according to the ratio only with the drifted value without reliability. In this method, the malfunction of the sensor is judged according to the range of the input value by at least 10% range or 5% range. The sensor error can be judged as normal and the normal can be judged as the sensor error in judging the malfunction of the sensor.

본원발명에서는 미리 설정된 경계값을 적용하여 알람 발생시 정확한 판단을 위해서 경험에 의한 공정관리모델을 기반으로 한 계통 진단로직을 통해 논리적으로 설비이상에 대한 판정을 하고, 설비 계통에 이상이 없는 경우 센서 이상이라고 진단한 알람을 경험 모델에 의해 보정하여, 센서 이상 판단에 대한 오류가 감소 되도록 하여 센서값에 대한 모델링 비교 판단에 대해 오류 상태를 정상상태로 판정함으로써, 센서 오류에 의한 부정 오류 검출을 지양할 수 있다. According to the present invention, in order to make an accurate judgment when an alarm is generated by applying a preset boundary value, the system abnormality logically is determined through the system diagnosis logic based on the process management model based on the experience, and in the case where there is no abnormality in the system, The error diagnosed by the sensor abnormality is reduced so that the error state is determined as the normal state for the modeling comparison judgment on the sensor value, .

사용자 인터페이스(180)는 사용자에 의해 발생되는 각종 제어값 및 공정에 관한 데이터를 입력받고, 상기 공정 시뮬레이션의 수행과 상기 공정 최적화 설정치를 사용자에게 안내한다.The user interface 180 receives various control values generated by the user and data related to the process, and guides the execution of the process simulation and the process optimization set values to the user.

그리고, 사용자 인터페이스(180)는 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 등의 의사결정을 할 수 있는 인터페이스를 제공한다.The user interface 180 provides an interface with which a user can make a decision, such as adjusting a process variable, based on simulation information.

도 3은 본 발명의 실시예를 적용하기 위한 열 교환기 계통의 개략적인 단면을 도시하고, 도 4는 열 교환기 계통의 흐름을 나타내는 도면이다.3 is a schematic cross-sectional view of a heat exchanger system for applying an embodiment of the present invention, and FIG. 4 is a view illustrating a flow of a heat exchanger system.

도 3 및 도 4를 참조하면, 피드워터(급수)의 온도를 높이기 위한 스팀의 온도나 압력은 정상이고, 또한 인입되는 피드워터의 온도도 정상이지만 열 교환기 출구의 피드워터 온도가 낮고 스팀 드레인의 온도가 높은 경우는 열교환기 내부의 튜브의 열 흡수율 성능이 저하된 것으로 판단되는 바, 이는 튜브의 파울링(FOULING)으로 판단 할 수 있다. 즉, 센서의 오류로 판단하지 않는다.3 and 4, when the temperature or pressure of the steam for raising the temperature of the feed water (feed water) is normal and the temperature of the incoming feed water is normal but the feed water temperature at the heat exchanger outlet is low, When the temperature is high, it is judged that the performance of heat absorption rate of the tube inside the heat exchanger is lowered, which can be judged by the fouling of the tube. That is, it is not judged as an error of the sensor.

도 5는 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이다. 도 5를 참조하면, 피드워터(급수)의 온도를 높이기 위한 스팀의 온도나 압력은 정상, 스팀 드레인의 수위 정상, 또한 인입되는 피드워터의 온도도 정상인 것을 알 수 있다. 그러나 열교환기 출구의 피드워터 온도가 낮다면, 열교환기 자체의 수위 센서의 변화가 없기 때문에 계통적으로 열교환이 정상적인 것으로 판정할 수 있으며, 이로 인해 센서의 값이 너무 낮게 읽힘으로써 센서의 이상으로 판정 할 수 있다. 그러므로 센서 오류로 인한 부정 오류(False Negative)를 보완할 수 있다.5 is a view for explaining sensor abnormality on the simulation of the heat exchanger system. Referring to FIG. 5, it can be seen that the temperature or pressure of the steam for raising the temperature of the feed water (feed water) is normal, the steady state of the steam drain is normal, and the temperature of the incoming feed water is normal. However, if the temperature of the feed water at the outlet of the heat exchanger is low, it is possible to determine that the heat exchange is normal in the systematic manner because there is no change in the water level sensor of the heat exchanger itself. As a result, the value of the sensor is read too low, . Therefore, false negatives caused by sensor errors can be compensated.

도 6은 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이고, 도 7은 도 4에 도시된 공정 설비에 구비된 센서값의 변화를 분석하기 위해 이용되는 표를 도시한다.Fig. 6 is a view for explaining the sensor abnormality on the simulation of the heat exchanger system, and Fig. 7 is a table used for analyzing the change of the sensor value provided in the process equipment shown in Fig.

도 6에 도시된 바와 같이 현재의 주요설비, 공정환경 및 도 7에 도시된 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션할 수 있다.As shown in FIG. 6, information on the relationship between the current main facility, the process environment, and the process data indicating the sensor value shown in FIG. 7 and the process variation amount, and a criterion including the external environment data value and the process variable The information can be adjusted and the comparison value when input is simulated.

도 8은 본 발명의 실시예에 따른 공정 시뮬레이션을 위한 순서도를 도시한다.Figure 8 shows a flow diagram for process simulation in accordance with an embodiment of the present invention.

도 8을 참조하면, 본 발명의 실시예에 따른 공정 시뮬레이션은 인증된 사용자(S310)가 본 발명의 시스템을 활용할 때(S320), 시뮬레이션 데이터가 존재하는 경우, 단계적 회귀 분석을 수행(S350)하여, 주요 공정요인을 선택(S370)하고, 이에 따라 공정 최적화를 수행(S380)한다. 반면, 시뮬레이션 데이터가 존재하지 않는 경우, 혼합 모형 방법을 적용하거나(S340), 부분 요인법을 적용(S360)하여 주요 공정요인을 선택할 수 있다.Referring to FIG. 8, a process simulation according to an embodiment of the present invention is performed when an authorized user (S310) utilizes the system of the present invention (S320), and if there is simulation data, performs a stepwise regression analysis (S350) , Main process factors are selected (S370), and the process optimization is performed (S380). On the other hand, when there is no simulation data, a mixed model method may be applied (S340) or a partial factor method may be applied (S360) to select major process factors.

사용자 인터페이스는 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션 할 수 있다.The user interface is able to simulate process data that represents the current main facility, process environment, and sensor values, and comparisons of the inputs when adjusting and entering reference information, including external environmental data values and process variables.

따라서, 시뮬레이션 정보를 바탕으로 사용자가 주요 공정요인을 조정하는 등의 의사결정을 할 수 있게 한다.Thus, based on the simulation information, the user can make decisions such as adjusting key process factors.

도 9는 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법을 설명하기 위한 순서도이다.9 is a flowchart for explaining a process management method using big data analysis according to an embodiment of the present invention.

도 9를 참조하면, 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법은 먼저, 사물 인터넷 기기를 통해 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계를 포함한다(S410). Referring to FIG. 9, a process management method using big data analysis according to an embodiment of the present invention includes a step of collecting process data related to a main facility, a process environment, and a sensor value through a matter Internet device (S410 ).

이 단계는 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함할 수 있다. 여기서, 빅데이터 분석은 공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분한다.This step may further comprise deriving a process data cluster through a big data analysis on the collected process data. Here, the big data analysis determines whether to put the process data in the same cluster by adding process data generated in real time according to the process execution for the process data clustering, and divides the process data into the same or similar process data within a predetermined category.

다음으로, 수집된 공정 데이터에 대해 프로세서마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계를 포함한다(S420).Next, the main process factors are selected based on the analysis through at least one of processor mining analysis, reputation analysis, and cluster analysis for the collected process data (S420).

다음으로, 빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계를 포함한다(S430). Next, in step S430, important process conditions affecting the amount of change in the process result are derived by analyzing a correlation between the major process factors and the process change amount through the big data analysis model.

이를 위해, 프로세서 마이닝 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 빅데이터 분석 모델을 설립한다. 그리고, 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별한다.To this end, a big data analysis model is established through at least one of processor mining analysis, reputation analysis and cluster analysis. Based on the Big Data Analysis Model, we analyze the association between process data and the process variation, and select the correlation between the process data that accounts for the largest number of instances and the process variation .

여기서, 빅데이터 분석 모델을 설립하기 위해, 특정 공정에 대한 이벤트 로그를 수집하는 단계와, 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계 및 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계를 더 포함할 수 있다.Herein, in order to establish a big data analysis model, collecting an event log for a specific process, performing a preprocessing process on an event log, and generating a process model for a specific process in which an event log is collected through an analysis process And generating a final process model by deleting a connection path in which a value between unit processes calculated according to an option item selected by the user is smaller than a threshold value.

여기서, 사용자 명령에 따라 선택되는 옵션 항목은 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 중 적어도 하나일 수 있다.Here, the option item selected according to the user command may be at least one of the relationships among the plurality of process elements, the structure of the process flow, the number of overlapping processes, and important process conditions that affect the amount of process result variation.

다음으로, 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계를 포함한다(S440). 여기서, 공정 시뮬레이션은 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션할 수 있다.Next, the process simulation is performed based on the important process conditions to predict a process variation amount and a process related problem (S440). Here, the process simulation is performed by adjusting the reference information including the external environment data numerical value and the process variable, from the analysis of the correlation between the process data indicating the present main facility, the process environment, and the sensor value and the change amount of the process result, Can be simulated.

이후, 예측에 기반하여 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함할 수 있다.Thereafter, the method may further include adjusting major process factors based on the prediction and deriving process optimization set values.

이러한 본 발명의 실시 예에 따르면, 다양한 공정 변수들을 축적하고, 빅데이터 분석을 통하여 축적된 데이터로부터 공정요인과 공정결과 변화량 간의 연관관계를 도출하고 이로부터 센서 오류로 인한 부정 오류 검출을 줄일 수 있고, 공정 최적화를 유지할 수 있는 새로운 공정 설정치 조합을 생성함으로써, 변화하는 공정 상태를 예측하는 것이 가능하다. 아울러, 사용자에게 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 할 수 있는 인터페이스를 제공할 수 있다.According to the embodiment of the present invention, various process parameters are accumulated, and a correlation between the process factor and the process variation amount is derived from the accumulated data through the big data analysis, thereby reducing the false error detection due to the sensor error , It is possible to predict a changing process state by creating new process set combinations that can maintain process optimization. In addition, the user can provide an interface through which the user can adjust process variables based on the simulation information.

한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.Meanwhile, the embodiments of the present invention can be embodied as computer readable codes on a computer readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored.

컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like. In addition, the computer-readable recording medium may be distributed over network-connected computer systems so that computer readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the present invention can be easily deduced by programmers skilled in the art to which the present invention belongs.

이상에서 본 발명에 대하여 그 다양한 실시 예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.The present invention has been described above with reference to various embodiments. It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the disclosed embodiments should be considered in an illustrative rather than a restrictive sense. The scope of the present invention is defined by the appended claims rather than by the foregoing description, and all differences within the scope of equivalents thereof should be construed as being included in the present invention.

100: 빅데이터 분석을 통한 공정 관리 시스템
110: 데이터 수집부 111: 빅데이터 분석부
120: 통신부 130: 주요 공정요인 선정부
140: 중요 공정조건 도출부 150: 데이터베이스
160: 공정 시뮬레이션부 170: 최적 공정조건 산출부
180: 사용자 인터페이스
100: Process management system with big data analysis
110: Data collecting unit 111: Big data analyzing unit
120: communication unit 130: main process factor selection unit
140: Significant process condition deriving unit 150:
160: process simulation unit 170: optimum process condition calculation unit
180: User interface

Claims (6)

주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계;
상기 수집된 공정 데이터에 대해 프로세서 마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계;
빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 상기 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계; 및
상기 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계;를 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
Collecting process data relating to the main facility, the process environment and the sensor value;
Selecting major process factors on the collected process data based on analysis through at least one of processor mining analysis, reputation analysis, and cluster analysis;
Analyzing a correlation between the major process factor and the process variation amount through a big data analysis model to derive an important process condition affecting the process variation amount; And
And performing a process simulation based on the important process conditions to predict a process variation amount and a process related problem.
제 1 항에 있어서,
상기 예측에 기반하여 상기 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
The method according to claim 1,
Further comprising adjusting the major process factor based on the prediction and deriving a process optimization set point.
제 1 항에 있어서,
상기 중요 공정 조건을 도출하는 단계는,
상기 프로세서 마이닝 분석 , 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 상기 빅데이터 분석 모델을 설립하는 단계; 및
상기 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별하는 단계를 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
The method according to claim 1,
Wherein deriving the critical process condition comprises:
Establishing the big data analysis model through at least one of the processor mining analysis, reputation analysis, and cluster analysis; And
The correlation between the process data and the process result change amount is analyzed based on the big data analysis model and the relation between the process data occupying the largest proportion of the instances and the process change amount is classified into the important process conditions The method comprising the steps of:
제 1 항에 있어서, 상기 공정 데이터를 수집하는 단계는,
상기 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
The method of claim 1, wherein collecting the process data comprises:
And deriving a process data cluster through a big data analysis of the collected process data.
제 4 항에 있어서,
상기 빅데이터 분석은,
공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분하는, 빅데이터 분석을 통한 공정 관리 방법.
5. The method of claim 4,
In the big data analysis,
In order to cluster the process data, it is necessary to add process data generated in real time according to the process execution to determine whether to put them in the same cluster, and to divide the process data into the same or similar process data within a predetermined category, How to manage.
제 1 항에 있어서,
빅데이터 분석 모델을 설립하기 위해,
특정 공정에 대한 이벤트 로그를 수집하는 단계;
상기 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계; 및
사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계;를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
The method according to claim 1,
To establish a Big Data Analysis Model,
Collecting an event log for a specific process;
Performing a preprocessing process on the event log and generating a process model for a specific process in which an event log is collected through an analysis process; And
And generating a final process model by deleting a connection path whose numerical value between unit processes calculated according to an option item selected by the user is smaller than a threshold value.
KR1020170067995A 2017-05-31 2017-05-31 Method for production control system through processing mining KR20180131246A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170067995A KR20180131246A (en) 2017-05-31 2017-05-31 Method for production control system through processing mining

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170067995A KR20180131246A (en) 2017-05-31 2017-05-31 Method for production control system through processing mining
PCT/KR2018/006125 WO2018221948A1 (en) 2017-05-31 2018-05-30 Method for process management through big data analysis

Publications (1)

Publication Number Publication Date
KR20180131246A true KR20180131246A (en) 2018-12-10

Family

ID=64455391

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170067995A KR20180131246A (en) 2017-05-31 2017-05-31 Method for production control system through processing mining

Country Status (2)

Country Link
KR (1) KR20180131246A (en)
WO (1) WO2018221948A1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102244815B1 (en) * 2019-12-26 2021-04-27 한국브로치주식회사 Control Method of active broaching machine that can apply IoT-based preventive maintenance technology
KR102274363B1 (en) * 2020-09-18 2021-07-08 주식회사 엘지화학 System for establishment of an artificial intelligence-based drug development and method for automation thereof
KR20210092998A (en) * 2020-01-17 2021-07-27 한림대학교 산학협력단 Preprocessing method, feature importance measurement method and feature selection method, apparatus and program for acquiring failure prediction model in industrial internet of things (iiot) environment

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445119A (en) * 2020-03-24 2020-07-24 清华大学 Online detection method and device for correlation of running states of power distribution equipment

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4394728B2 (en) * 2008-04-15 2010-01-06 シャープ株式会社 Influence factor identification device
KR101065767B1 (en) * 2010-04-22 2011-09-19 주식회사 지오네트 Online early fault detection and diagnostic method for plant operation
TWI407325B (en) * 2010-05-17 2013-09-01 Nat Univ Tsing Hua Process quality predicting system and method thereof
JP2016186779A (en) * 2015-03-27 2016-10-27 東レ株式会社 Process diagnostic apparatus, process diagnostic method, and process diagnostic program
JP6477423B2 (en) * 2015-11-02 2019-03-06 オムロン株式会社 Manufacturing process prediction system and predictive control system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102244815B1 (en) * 2019-12-26 2021-04-27 한국브로치주식회사 Control Method of active broaching machine that can apply IoT-based preventive maintenance technology
KR20210092998A (en) * 2020-01-17 2021-07-27 한림대학교 산학협력단 Preprocessing method, feature importance measurement method and feature selection method, apparatus and program for acquiring failure prediction model in industrial internet of things (iiot) environment
KR102274363B1 (en) * 2020-09-18 2021-07-08 주식회사 엘지화학 System for establishment of an artificial intelligence-based drug development and method for automation thereof

Also Published As

Publication number Publication date
WO2018221948A1 (en) 2018-12-06

Similar Documents

Publication Publication Date Title
KR20180131246A (en) Method for production control system through processing mining
US10877464B2 (en) Discovery of relationships in a scalable industrial analytics platform
US10739230B2 (en) System and method for detecting anomaly of a machine tool
Lee et al. Service innovation and smart analytics for industry 4.0 and big data environment
CN108241343A (en) A kind of intelligent plant management platform system
KR20180056900A (en) Method for production control system using processing mining
KR101825881B1 (en) Method of managing a manufacturing process and system using the same
CN101408769B (en) On-line energy forecasting system and method based on product ARIMA model
KR101935652B1 (en) System and Method of Smart Factory Operation Management Solution Service Using Big Data Platform
US20120116827A1 (en) Plant analyzing system
CN109902931B (en) Operation risk modeling method of multi-state manufacturing system based on operation data fusion
Glawar et al. A holistic approach for quality oriented maintenance planning supported by data mining methods
Schreiber et al. Integrated production and maintenance planning for cyber-physical production systems
Konrad et al. Striving for zero defect production: intelligent manufacturing control through data mining in continuous rolling mill processes
Shin et al. Process-oriented life cycle assessment framework for environmentally conscious manufacturing
CN112926791A (en) Computer room temperature distribution prediction method and system
Groba et al. Architecture of a predictive maintenance framework
Sossenheimer et al. A Sensor Reduced Machine Learning Approach for Condition-based Energy Monitoring for Machine Tools
Roda et al. Total cost of ownership driven methodology for predictive maintenance implementation in industrial plants
KR100736033B1 (en) Apparatus and method for growing automatically up business process
EP3797411A1 (en) Equipment management method, device, system and storage medium
Lieber et al. Sustainable interlinked manufacturing processes through real-time quality prediction
Eberspächer et al. Automated provision and exchange of energy information throughout the production process
CN112052979A (en) Equipment spare part demand prediction system based on fault prediction and health management
Wenzel et al. Improving the accuracy of cycle time estimation for simulation in volatile manufacturing execution environments

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application