KR20190062838A - 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 - Google Patents
자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 Download PDFInfo
- Publication number
- KR20190062838A KR20190062838A KR1020170161438A KR20170161438A KR20190062838A KR 20190062838 A KR20190062838 A KR 20190062838A KR 1020170161438 A KR1020170161438 A KR 1020170161438A KR 20170161438 A KR20170161438 A KR 20170161438A KR 20190062838 A KR20190062838 A KR 20190062838A
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing
- manufacturing process
- data
- facility
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000004519 manufacturing process Methods 0.000 claims abstract description 198
- 230000007547 defect Effects 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 22
- 239000002994 raw material Substances 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims 2
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
본 발명은 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법에 관한 것이다.
또한, 본 발명은 자동차 부품 제조를 위한 제조 설비들의 제조 공정 데이터와 환경 데이터를 수집하여 저장하는 저장부와, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 공정 모델링부와, 납품 완료된 자동차 부품에서 불량이 발생할 경우 그 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 그 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 추적부 및 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 분석하는 분석부를 구비하므로, 납품 완료된 자동차 부품의 불량이 어떠한 제조 설비 또는 제조 공정에 의한 것인지를 정확하고 효율적으로 추적할 수 있다.
또한, 본 발명은 자동차 부품 제조를 위한 제조 설비들의 제조 공정 데이터와 환경 데이터를 수집하여 저장하는 저장부와, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 공정 모델링부와, 납품 완료된 자동차 부품에서 불량이 발생할 경우 그 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 그 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 추적부 및 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 분석하는 분석부를 구비하므로, 납품 완료된 자동차 부품의 불량이 어떠한 제조 설비 또는 제조 공정에 의한 것인지를 정확하고 효율적으로 추적할 수 있다.
Description
본 발명은 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법에 관한 것이다.
일반적으로, 자동차 부품을 제조하는 제조사에서는 자동차 부품의 납품을 요청한 요청사의 기준에 맞게 자동차 부품을 제작하여 납품하고 있는데, 전반적인 제조 과정에서는 불량이나 이상이 발생하지 않았음에도 불구하고, 요청사의 기준에 맞지 않는 불량 제품이 발생하기도 한다.
다만, 자동차 부품의 제조를 위해서는, 복수의 제조 설비와 그 제조 설비들로 이루어진 제조 라인들을 통해 각각의 제조 공정을 수행되어야 함에 따라, 어느 제조 설비 또는 제조 공정에서 불량이 유발된 것인지 추적 또는 확인하기가 매우 곤란한 문제점이 있다.
즉, 종래의 제조 설비와 제조 라인에는, 제조 설비에 투입되는 재료 데이터, 동작 데이터 및 불량 판정을 위한 검사 데이터 등의 데이터들이 존재하고 있음에도 불구하고, 해당 데이터들을 단순 저장되거나 삭제될 뿐 불량을 유발한 제조 설비 또는 제조 공정을 추적하거나 분석하는 용도로는 활용되지 못하였다.
따라서, 종래의 제조 설비와 제조 라인에서 발생되는 각종 데이터를 활용하여 제조 공정 자체를 도식화하면서, 각각의 제조 공정이 요청사의 기준에 맞게 이루어지고 있는지를 분석 및 추적할 수 있는 기술의 개발이 요구되고 있다.
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 납품 완료된 자동차 부품에서 불량이 발생하였을 경우, 해당 자동차 부품의 불량을 유발한 제조 설비 또는 제조 공정을 분석 및 추적할 수 있는 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명은 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장하는 저장부; 상기 저장된 데이터들을 이용하여, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 공정 모델링부; 납품 완료된 자동차 부품에서 불량이 발생할 경우, 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고, 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 추적부; 및 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 상기 가상의 제조 공정을 비교하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 분석부;를 포함하는 자동차 부품 제조사에서의 품질 이력 추적시스템을 제공한다.
바람직한 실시예에 있어서, 상기 저장부는, 각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장한다.
바람직한 실시예에 있어서, 상기 저장부에서 수집되는 제조 공정 데이터는, 작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함한다.
바람직한 실시예에 있어서, 상기 분석부는, 의사결정나무 알고리즘, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 및 머신러닝(Machine Learning) 알고리즘 중 적어도 하나의 알고리즘을 이용하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석한다.
바람직한 실시예에 있어서, 상기 추적부로부터 표시되는 가상의 제조 공정은, 3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 상기 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시하며, 상기 분석부는, 상기 3D 설비 모델들 중 적어도 하나를 통해, 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 표시한다.
또한, 본 발명은 자동차 부품 제조사에서의 품질 이력 추적시스템에서 수행되는 품질 이력 추적방법으로서, (1) 상기 품질 이력 추적시스템이, 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장하는 단계; (2) 상기 품질 이력 추적시스템이, 상기 저장된 데이터들을 이용하여 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 단계; (3) 납품 완료된 자동차 부품에서 불량이 발생할 경우 상기 품질 이력 추적시스템이, 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 단계; 및 (4) 상기 품질 이력 추적시스템이, 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 상기 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하여 표시하는 단계;를 포함하는 자동차 부품 제조사에서의 품질 이력 추적방법을 제공한다.
바람직한 실시예에 있어서, 상기 제 (1)단계에서 상기 품질 이력 추적시스템은, 각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장한다.
바람직한 실시예에 있어서, 상기 제 (1)단계에서 수집되는 제조 공정 데이터는, 작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함한다.
바람직한 실시예에 있어서, 상기 제 (4)단계에서 상기 품질 이력 추적시스템은, 의사결정나무 알고리즘, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 및 머신러닝(Machine Learning) 알고리즘 중 적어도 하나의 알고리즘을 이용하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석한다.
바람직한 실시예에 있어서, 상기 제 (3)단계에서 표시되는 가상의 제조 공정은, 3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 상기 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시하며, 상기 제 (4)단계에서 상기 품질 이력 추적시스템은, 상기 3D 설비 모델들 중 적어도 하나를 통해, 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 표시한다.
전술한 과제해결 수단에 의해 본 발명은 자동차 부품 제조를 위한 제조 설비들의 제조 공정 데이터와 환경 데이터를 수집하여 저장하는 저장부와, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 공정 모델링부와, 납품 완료된 자동차 부품에서 불량이 발생할 경우 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 추적부 및 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 분석부를 구비하므로, 납품 완료된 자동차 부품에서 불량이 발생하였을 때, 어느 제조 설비 또는 제조 공정에 의해 불량이 유발된 것인지를 보다 정확하게 분석하고 효율적으로 추적할 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 품질 이력 추적시스템을 설명하기 위한 도면.
도 2는 품질 이력 추적시스템의 세부 구성을 설명하기 위한 도면.
도 3은 품질 이력 추적시스템에 따른 가상의 제조 공정을 나타내는 도면.
도 4는 품질 이력 추적시스템에 따른 불량을 유발한 제조 설비의 분석 결과를 나타내는 도면.
도 5는 본 발명의 일실시예에 따른 품질 이력 추적방법을 설명하기 위한 도면.
도 2는 품질 이력 추적시스템의 세부 구성을 설명하기 위한 도면.
도 3은 품질 이력 추적시스템에 따른 가상의 제조 공정을 나타내는 도면.
도 4는 품질 이력 추적시스템에 따른 불량을 유발한 제조 설비의 분석 결과를 나타내는 도면.
도 5는 본 발명의 일실시예에 따른 품질 이력 추적방법을 설명하기 위한 도면.
하기의 설명에서 본 발명의 특정 상세들이 본 발명의 전반적인 이해를 제공하기 위해 나타나 있는데, 이들 특정 상세들 없이 또한 이들의 변형에 의해서도 본 발명이 용이하게 실시될 수 있다는 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명할 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도 1 내지 도 5를 참조하여 상세히 설명하되, 본 발명에 따른 동작 및 작용을 이해하는데 필요한 부분을 중심으로 설명한다.
도 1은 본 발명의 일실시예에 따른 품질 이력 추적시스템을 설명하기 위한 도면이고, 도 2는 품질 이력 추적시스템의 세부 구성을 설명하기 위한 도면이며, 도 3은 품질 이력 추적시스템에 따른 가상의 제조 공정을 나타내는 도면이고, 도 4는 품질 이력 추적시스템에 따른 불량을 유발한 제조 설비의 분석 결과를 나타내는 도면이다.
도 1 내지 도 4를 참조하면, 본 발명의 일실시예에 따른 품질 이력 추적시스템(100)은 저장부(110), 공정 모델링부(120), 추적부(130) 및 분석부(140)를 포함하여 구성된다.
여기서, 본 발명의 일실시예에 따른 품질 이력 추적시스템(100)은 유,무선 통신망, 인터넷망 또는 모바일 통신망을 통해 접속 가능한 서버로 구현될 수 있고, 하나의 서버로만 구비되는 것이 아니라 복수의 서버를 연결 또는 연동시킨 형태로도 구현될 수도 있다.
또한, 본 발명의 일실시예에 따른 품질 이력 추적시스템(100)은, 사용자 단말(10)로부터 품질 이력을 추적하고자 자동차 부품에 대한 정보가 입력되면, 해당 자동차 부품의 실제 제조된 제조 공정을 가상으로 도식화하여 표시하는 동시에, 불량을 유발한 제조 설비 또는 제조 공정을 분석하여 그 분석 결과를 표시하도록 구현될 수 있다. 여기서, 사용자 단말(10)은 퍼스널 컴퓨터 및 스마트폰을 포함하는 범용통신단말을 뜻한다.
상기 저장부(110)는 데이터의 수집 및 저장을 위한 것으로, 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장하는 기능을 수행한다.
이러한, 저장부(110)는 제조 라인에 구비된 제조 설비들과 각 제조 설비의 센서들 또는 공장 내 소정 위치에 설치된 센서들에 연결되어 데이터를 수집하는 동시에, 외부 통신망 또는 인터넷망을 통해 데이터를 수집하여 저장하도록 구비될 수 있다.
또한, 저장부(110)는 각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장할 수 있다.
아울러, 저장부(110)에 수집되는 제조 공정 데이터는, 작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함할 수 있다.
상기 공정 모델링부(120)는 공정 모델의 생성을 위한 것으로, 저장부(110)에 저장된 데이터들을 이용하여, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 기능을 수행한다.
이러한, 공정 모델링부(120)는 자동차 부품별로 제조 라인을 설정하고 그 제조 라인에 구비된 제조 설비별로 공정 위치 및 공정 순서를 설정한 후 데이터 인터페이스를 설정하는 과정을 수행함으로써, 가상의 공정 모델을 생성하거나 기생성된 가상의 공정 모델을 갱신할 수 있다.
아울러, 공정 모델링부(120)에서 수행되는 전반적인 과정은 자동화되어 전술한 저장부(110)에 소정의 데이터들이 저장될 때마다 가상의 공정 모델을 생성하거나 갱신할 수도 있고, 사용자 입력에 따라 저장부(110)에 저장된 데이터들을 로딩하여 가상의 공정 모델을 생성 또는 갱신하도록 구비될 수 있다.
상기 추적부(130)는 품질 이력의 추적을 위한 것으로, 납품 완료된 자동차 부품에서 불량이 발생할 경우, 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 생성하여 표시하는 기능을 수행한다.
즉, 납품 완료된 자동차 부품의 품질 이력을 추적하고자 할 경우 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버를 입력하게 되면, 그 자동차 부품이 실제 생산된 과정이 가상의 제조 공정으로 생성되어 표시되는 것이며, 전술한 시리얼 넘버 또는 로트 넘버의 입력을 위한 인터페이스 또는 입력수단이 더 구비될 수도 있다.
또한, 도 3에 도시된 바와 같이, 추적부(130)는 3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 그 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시하는 형태로 가상의 제조 공정을 구현할 수 있다.
상기 분석부(140)는 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 분석하기 위한 것으로, 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 가상의 제조 공정을 비교하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 기능을 수행한다.
이러한, 분석부(140)는 의사결정나무 알고리즘, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 및 머신러닝(Machine Learning) 알고리즘 중 적어도 하나의 알고리즘을 이용하여 불량을 유발한 제조 설비 또는 제조 공정을 분석하게 된다.
바람직하게, 분석부(140)에서는 의사결정나무 알고리즘을 이용하여 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 분석하고 그 분석 결과를 전술한 가상의 제조 공정을 통해 표시할 수 있다.
예컨대, 도 4에 도시된 바와 같이, 분석부(140)는 전술한 3D 설비 모델들 중에서 불량을 유발한 제조 설비에 대응하는 3D 설비 모델에 분석 결과를 표시하거나, 불량을 유발한 제조 공정을 수행한 적어도 하나의 제조 설비에 그 분석 결과를 표시할 수 있다.
또한, 분석부(140)로부터 분석된 분석 결과는 별도 구비된 저장수단 또는 전술한 저장부(110)에 누적 저장될 수 있다.
따라서, 본 발명의 일실시예에 따른 품질 이력 추적시스템(100)은, 납품 완료된 자동차 부품에서 불량이 발생하였을 경우, 그 불량을 유발한 제조 설비 또는 제조 공정을 보다 정확하고 효율적으로 추적할 수 있다.
도 5는 본 발명의 일실시예에 따른 품질 이력 추적방법을 설명하기 위한 도면이다.
도 5를 참조하여, 본 발명의 일실시예에 따른 품질 이력 추적시스템에서 수행되는 품질 이력 추적방법을 설명한다.
다만, 도 5에 도시된 품질 이력 추적방법에서 수행되는 기능은 모두 도 1 내지 도 4를 참조하여 설명한 품질 이력 추적시스템에서 수행되므로, 명시적인 설명이 없어도, 도 1 내지 도 4를 참조하여 설명한 모든 기능은 본 발명의 바람직한 실시예에 따른 품질 이력 추적방법에서 수행되고, 도 5를 참조하여 설명하는 모든 기능은 본 발명의 바람직한 실시예에 따른 품질 이력 추적시스템에서 그대로 수행됨을 주의해야 한다.
먼저, 저장부가 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장한다(S110).
이때, 저장부는 각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장할 수 있다.
아울러, 저장부에 수집되어 저장되는 제조 공정 데이터는, 작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함할 수 있다.
다음, 공정 모델링부가 상기 저장된 데이터들을 이용하여 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장한다(S120).
이때, 공정 모델링부는 자동차 부품별로 제조 라인을 설정하고, 상기 설정된 제조 라인에 구비되는 제조 설비별로 공정 위치 및 공정 순서를 설정한 후, 데이터 인터페이스를 설정하는 과정을 수행함으로써, 가상의 공정 모델을 생성하거나 기생성된 가상의 공정 모델을 갱신할 수 있다.
그 다음, 추적부가 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 생성하여 표시한다(S130).
이때, 추적부에서 추적하고자 하는 대상은, 납품 완료된 이후에 불량이 발생한 자동차 부품일 수 있다.
또한, 추적부는 3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 상기 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시함으로써, 추적하고자 하는 자동차 부품이 실제 생산된 과정이 가상의 제조 공정으로 구현할 수 있다.
그 다음에는, 분석부가 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하여 표시한다(S140).
이때, 분석부는 의사결정나무 알고리즘을 이용하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석할 수 있다.
한편, 분석부는 의사결정나무 알고리즘 이외에도, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 또는 머신러닝(Machine Learning) 알고리즘을 이용하여 분석 과정을 수행할 수도 있다.
또한, 분석부로부터 분석된 분석 결과는, 전술한 제 130단계에서 생성된 3D 설비 모델들 중 적어도 하나를 통해 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정으로 표시될 수 있다.
이상에서는 본 발명의 바람직한 실시예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시예에만 한정되는 것은 아니며, 특허청구범위에 기재된 범주 내에서 적절하게 변경 가능한 것이다.
110 : 저장부
120 : 공정 모델링부
130 : 추적부
140 : 분석부
120 : 공정 모델링부
130 : 추적부
140 : 분석부
Claims (10)
- 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장하는 저장부;
상기 저장된 데이터들을 이용하여, 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 공정 모델링부;
납품 완료된 자동차 부품에서 불량이 발생할 경우, 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고, 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 추적부; 및
자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 상기 가상의 제조 공정을 비교하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 분석부;를 포함하는 자동차 부품 제조사에서의 품질 이력 추적시스템.
- 제 1항에 있어서,
상기 저장부는,
각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적시스템.
- 제 2항에 있어서,
상기 저장부에서 수집되는 제조 공정 데이터는,
작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적시스템.
- 제 1항에 있어서,
상기 분석부는,
의사결정나무 알고리즘, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 및 머신러닝(Machine Learning) 알고리즘 중 적어도 하나의 알고리즘을 이용하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 것을 특징으로 하는 품질 이력 추적시스템.
- 제 1항 내지 제 4항 중 어느 한 항에 있어서,
상기 추적부로부터 표시되는 가상의 제조 공정은,
3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 상기 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시하며,
상기 분석부는,
상기 3D 설비 모델들 중 적어도 하나를 통해, 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 표시하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적시스템.
- 자동차 부품 제조사에서의 품질 이력 추적시스템에서 수행되는 품질 이력 추적방법으로서,
(1) 상기 품질 이력 추적시스템이, 자동차 부품 제조를 위한 제조 라인에 구비되어 순차적으로 제조 공정을 수행하는 제조 설비들의 제조 공정 데이터와 그 제조 설비가 동작하는 동작 환경에 대한 환경 데이터를 수집하여 저장하는 단계;
(2) 상기 품질 이력 추적시스템이, 상기 저장된 데이터들을 이용하여 복수의 제조 설비에서 실제 수행된 제조 공정을 가상의 공정 모델로 생성하고 그 생성된 공정 모델별로 실제 생산된 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭시켜 저장하는 단계;
(3) 납품 완료된 자동차 부품에서 불량이 발생할 경우 상기 품질 이력 추적시스템이, 해당 자동차 부품의 시리얼 넘버 또는 로트 넘버와 매칭되는 공정 모델을 추적하고 해당 공정 모델에 포함된 제조 공정 데이터와 환경 데이터를 기반으로 가상의 제조 공정을 표시하는 단계; 및
(4) 상기 품질 이력 추적시스템이, 자동차 부품의 납품을 요청한 요청사의 기준 공정 데이터와 상기 가상의 제조 공정을 비교하여 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하여 표시하는 단계;를 포함하는 자동차 부품 제조사에서의 품질 이력 추적방법.
- 제 6항에 있어서,
상기 제 (1)단계에서 상기 품질 이력 추적시스템은,
각 제조 설비에 투입되는 재료 데이터, 제조 설비의 동작 데이터 및 불량 판정을 위한 검사 데이터를 포함하는 제조 공정 데이터와, POP 및 ERP/MES, PLM 및 YQMS를 포함하는 레거시(LEGACY) 데이터와, 제조 설비가 동작하는 공장 내부의 온도, 습도, 정전기 및 진동을 포함하는 내부 환경 데이터 및 공장 외부의 온도, 습도, 날씨 및 미세먼지 유무를 포함하는 외부 환경 데이터를 수집하여 저장하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적방법.
- 제 7항에 있어서,
상기 제 (1)단계에서 수집되는 제조 공정 데이터는,
작업 히스토리 정보, 작업자 정보, 투입 원자재 정보, 설비세팅 정보, 주요공정별 공정상태 정보, 가성 불량 정보 및 진성 불량 정보를 포함하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적방법.
- 제 6항에 있어서,
상기 제 (4)단계에서 상기 품질 이력 추적시스템은,
의사결정나무 알고리즘, 기초통계분석 알고리즘, 주성분분석(Principal Component Analysis, PCA) 알고리즘, 상관관계분석 알고리즘, 연관분석 알고리즘, CNN(Convolution Neural Network) 알고리즘, SVR(Support Vector Regression) 알고리즘 및 머신러닝(Machine Learning) 알고리즘 중 적어도 하나의 알고리즘을 이용하여, 불량을 유발한 것으로 추정되는 적어도 하나의 제조 설비 또는 제조 공정을 분석하는 것을 특징으로 하는 품질 이력 추적방법.
- 제 6항 내지 제 9항 중 어느 한 항에 있어서,
상기 제 (3)단계에서 표시되는 가상의 제조 공정은,
3차원 공간 상에서 복수의 제조 설비에 대응하는 3D 설비 모델들을 표시하고 상기 3D 설비 모델들을 통해 각각의 제조 설비에서 실제 수행된 제조 공정과, 그 제조 공정과 연관된 작업자, 작업시간, 불량현황, 제조환경, 원자재, 설비세팅 및 설비상태를 포함하는 정보를 표시하며,
상기 제 (4)단계에서 상기 품질 이력 추적시스템은,
상기 3D 설비 모델들 중 적어도 하나를 통해, 불량을 유발한 것으로 추정되는 제조 설비 또는 제조 공정을 표시하는 것을 특징으로 하는 자동차 부품 제조사에서의 품질 이력 추적방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161438A KR101993655B1 (ko) | 2017-11-29 | 2017-11-29 | 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161438A KR101993655B1 (ko) | 2017-11-29 | 2017-11-29 | 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190062838A true KR20190062838A (ko) | 2019-06-07 |
| KR101993655B1 KR101993655B1 (ko) | 2019-06-26 |
Family
ID=66850083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170161438A KR101993655B1 (ko) | 2017-11-29 | 2017-11-29 | 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101993655B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102074924B1 (ko) * | 2019-08-08 | 2020-02-07 | 주식회사 글로벌제조혁신네트웍 | 스마트팩토리 원격협업 ｃｍｓ시스템 및 그 구동방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090073643A (ko) * | 2007-12-31 | 2009-07-03 | 경남도립남해대학 산학협력단 | 생산 현장정보 제공 시스템 및 방법 |
| KR20110061983A (ko) * | 2009-12-02 | 2011-06-10 | (주)아크라인 | Ｃｐｍ 공법을 이용한 지능형 생산 관리 방법 및 시스템 |
| KR20150139334A (ko) * | 2014-06-03 | 2015-12-11 | 삼성전자주식회사 | 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법 |
| KR101595549B1 (ko) * | 2015-04-22 | 2016-02-22 | 김광우 | 진단지식교류서비스 연계형 설비진단시스템의 운영방법 |
-
2017
- 2017-11-29 KR KR1020170161438A patent/KR101993655B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090073643A (ko) * | 2007-12-31 | 2009-07-03 | 경남도립남해대학 산학협력단 | 생산 현장정보 제공 시스템 및 방법 |
| KR20110061983A (ko) * | 2009-12-02 | 2011-06-10 | (주)아크라인 | Ｃｐｍ 공법을 이용한 지능형 생산 관리 방법 및 시스템 |
| KR20150139334A (ko) * | 2014-06-03 | 2015-12-11 | 삼성전자주식회사 | 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법 |
| KR101595549B1 (ko) * | 2015-04-22 | 2016-02-22 | 김광우 | 진단지식교류서비스 연계형 설비진단시스템의 운영방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102074924B1 (ko) * | 2019-08-08 | 2020-02-07 | 주식회사 글로벌제조혁신네트웍 | 스마트팩토리 원격협업 ｃｍｓ시스템 및 그 구동방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101993655B1 (ko) | 2019-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240037875A1 (en) | Augmented reality system | |
| US10191478B2 (en) | Systems and methods for non-destructive testing involving remotely located expert | |
| CN110621984B (zh) | 用于改进质量检查的方法和系统 | |
| US20080098007A1 (en) | Distributed Traceability Management System | |
| EP2040135A2 (en) | Automated validation of application code for an industrial control environment | |
| EP3336639B1 (en) | Asset management of field devices | |
| US20210232126A1 (en) | Quality monitoring of industrial processes | |
| Purushothaman et al. | Integration of Six Sigma methodology of DMADV steps with QFD, DFMEA and TRIZ applications for image-based automated inspection system development: a case study | |
| US20230095827A1 (en) | Systems and methods for modeling a manufacturing assembly line | |
| US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
| KR101993655B1 (ko) | 자동차 부품 제조사에서의 품질 이력 추적시스템 및 그 추적방법 | |
| CN116108665A (zh) | 基于数字孪生的智能预警/分析方法、装置、设备及介质 | |
| JP7440823B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| JP5824550B1 (ja) | データ管理装置及びデータ管理プログラム | |
| US20210334418A1 (en) | Method, device and positioning system for positioning a sensor | |
| KR102298342B1 (ko) | 정보 연동 시스템 및 정보 연동 방법 | |
| CN113704368A (zh) | 检验信息追溯方法、装置、计算机设备和存储介质 | |
| Campaniço et al. | Worker Support and Training Tools to Aid in Vehicle Quality Inspection for the Automotive Industry | |
| JP2022015795A (ja) | 原因分析システムおよび方法 | |
| CN115829191B (zh) | 生成检验计划的方法、设备及存储介质 | |
| JP2008181341A (ja) | 製造不良要因分析支援装置 | |
| CN116029623B (zh) | 构建检验流模型的方法、设备及存储介质 | |
| Filipe | Worker Support and Training Tools to Aid in Vehicle Quality Inspection for the Automotive Industry | |
| US20220180286A1 (en) | Method and Device for Automatically Identifying a Product Error in a Product and/or for Automatically Identifying a Product Error Cause of the Product Error | |
| WO2021090363A1 (ja) | 情報処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |