KR20200052451A - 공정 택트타임을 활용한 공정효율 예측방법 - Google Patents

공정 택트타임을 활용한 공정효율 예측방법 Download PDF

Info

Publication number
KR20200052451A
KR20200052451A KR1020180131471A KR20180131471A KR20200052451A KR 20200052451 A KR20200052451 A KR 20200052451A KR 1020180131471 A KR1020180131471 A KR 1020180131471A KR 20180131471 A KR20180131471 A KR 20180131471A KR 20200052451 A KR20200052451 A KR 20200052451A
Authority
KR
South Korea
Prior art keywords
tact time
efficiency
tact
time
analysis
Prior art date
Application number
KR1020180131471A
Other languages
English (en)
Inventor
안상의
Original Assignee
안상의
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 안상의 filed Critical 안상의
Priority to KR1020180131471A priority Critical patent/KR20200052451A/ko
Publication of KR20200052451A publication Critical patent/KR20200052451A/ko

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정지연을 예측하고, 공정 택트타임들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정 택트타임을 고려한 공정효율 예측방법을 제시하다. 그 방법은 공정효율을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정효율 예측 플랫폼에서, 복수개의 공정 택트타임, 불량률 및 가동율인 택트타임 변수에서 독립변수를 추출하고 종속변수를 설정하고, 독립변수에서 택트타임에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 택트타임을 추출하며, 주요 택트타임의 상관도를 검증하고, 상관도가 검증된 택트타임을 머신러닝 회귀분석 알고리즘을 적용하여 공정 라인발란스 효율 목표 미달 예측모델식을 도출하며, 예측모델식으로부터 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정 라인발란스 효율 부족 공정 유의 수준을 분석하고, 유의 수준의 분석을 마친 공정 택트타임 지연 공정 개선관리 스펙을 결정하고 운용한다.

Description

공정 택트타임을 활용한 공정효율 예측방법{Method of predicting processing efficiency using process tact time}
본 발명은 공정효율 예측방법에 관한 것으로, 보다 상세하게는 공정관리에서 발생하는 시간당 생산수를 역산한 공정 작업시간인 택트타임(tack time) 및 공정 불량률, 공정가동율 등의 입력값을 받아서, 빅데이터의 기반으로 공정의 자재흐름을 도식화하여 애로공정인 병목공정을 효율적으로 경보 및 예측하여 공정관리를 하는 방법에 관한 것이다.
최근 ICT(Information and Communications Technologies)는 4차 산업혁명의 핵심으로 인간과 인간 사이의 연결뿐만 아니라 인간과 사물의 연결, 사물과 사물의 연결도 가능하게 하여 발전가능성이 무한하다. 상기 ICT의 핵심 중이 하나인 무선통신은 시간과 공간의 한계를 넘어서 언제 어디서나 연결되고 소통할 수 있게 하고 있다. 최근에는 ICT를 활용하여, 공정 중에서 발생하는 다양한 문제를 효율적으로 해결하고 생산성 및 품질의 향상을 이루려는 공정관리의 노력이 지속되고 있다. 종래의 공정관리는 병목공정에 대한 라인발란스(Line Balance, LOB)를 공정표준 작업시간을 적용하여 표준적인 1회성 점검을 통하여 라인발란스 상태를 확인하는바 시간적 공정 흐름의 라인발란스를 확인하지 못하는 문제가 있다. 이러한 공정관리는 애로공정이 발생한 후에 개선 조치하게 되어, 작업 및 설비의 가동 등이 비효율적이고 경제적으로도 많은 손실을 초래하고 있다.
한편, 공정효율이 정상적으로 유지되기 위해서는 각 공정장비가 자신의 정상적인 택트타임 범위 내에서 작업을 완료해야만 한다. 그러나, 어느 하나의 공정장비에 어떤 문제가 발생되어 이 공정장비의 공정시간이 증가하게 되면 이 공정장비의 택트타임이 미리 설정된 임계치를 넘어서게 될 수 있다. 어느 하나의 공정장비에 택트타임 지연이 발생하면, 나머지 모든 공정장비들에도 택트타임 지연이 발생된다. 이러한 택트타임 지연은 곧 공정효율의 감소로 이어진다.
국내등록특허 제10-1859480호는 택트타임 지연 발생원인 추적방법을 제시하고 있다. 하지만, 상기 특허는 공정 택트타임과 공정효율과의 상관성을 확인할 수 없고, 사후적인 조치에 그치고 있어서 미봉책에 해당한다. 이에 따라, 공정관리는 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정효율의 예측이 가능한 공정관리 플랫폼이 요구되고 있다. 또한, 종래의 공정관리는 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하지 못하고 있고, 측정값들의 중심위치와 산포도에 대한 고려가 부족한 실정이다.
본 발명이 해결하고 하는 과제는 시간당 생산수의 데이터를 실시간으로 입력받아 공정의 택트타임을 계산하고 이 데이터를 독립변수로 하여 공정의 라인발란스의 이상상태를 확인하여 병목공정을 확인 또는 예측하여 공정흐름의 막힘을 개선해 나감으로써 공정 효율을 실시간 관리할 수 있는 예측 관리 기법으로써 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정지연을 예측하고, 공정 택트타임들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정 택트타임을 고려한 공정효율 예측방법을 제공하는 데 있다.
본 발명의 과제를 해결하기 위한 공정 택트타임을 고려한 공정효율 예측방법은 공정효율을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정효율 예측 플랫폼에서, 먼저 복수개의 공정 택트타임, 불량률 및 가동율인 택트타임 변수에서 독립변수를 추출하고 종속변수를 설정한다. 그후, 상기 독립변수에서 상기 택트타임에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 택트타임을 추출한다. 상기 주요 택트타임의 상관도를 검증한다. 상기 상관도가 검증된 택트타임을 머신러닝 회귀분석 알고리즘을 적용하여 공정 라인발란스 효율 목표 미달 예측모델식을 도출한다. 상기 예측모델식으로부터 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정 라인발란스 효율 부족 공정 유의 수준을 분석한다. 상기 유의 수준의 분석을 마친 공정 택트타임 지연 공정 개선관리 스펙을 결정하고 운용한다.
본 발명의 방법에 있어서, 상기 복수개의 공정 택트타임는 각각 독립된 투입공정, 생산공정 및 완료공정에서의 공정 택트타임일 수 있다. 상기 상관도 검증의 상관분석 코드는
# pip install seaborn <<- in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)일 수 있다.
본 발명의 바람직한 방법에 있어서, 상기 예측모델식을 도출하기 이전에, 오차를 검증하고 주요 공정인자의 가중치를 최적화하는 단계를 더 포함할 수 있다. 상기 오차의 검증은 회귀분석 예측값과 실측값의 편차량의 분석에 의해 이루어질 수 있다. 상기 ANOVA 기법은 유의차 지수 P-value가 유의 수준 이하이면 공정의 영향인자로 판정하고 이에 대한 스펙을 양호수준으로 조정하다. 상기 ANOVA 기법에 의한 판정결과 공정효율이 목표값에 미달이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정효율이 목표값보다 크면(OK)이면, ONE-HOT 코드의 0으로 변환할 수 있다.
본 발명의 공정 택트타임을 활용한 공정효율 예측방법에 의하면, 머신런닝의 기법에 공정 라인발란스(LOB) 산출 기법 및 작업 표준관리 기법을 활용하여 공정효율을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정병목지연을 예측하고, 공정 택트타임들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려하여 예측한다.
도 1은 본 발명에 의한 공정 택트타임을 고려한 공정효율 예측방법을 나타내는 흐름도이다.
도 2는 본 발명에 의한 공정 택트타임과 라인발란스와의 관계를 나타내는 그래프이다.
도 3은 본 발명에 의한 공정효율 예측방법에 적용되는 상관도 검증을 설명하기 위한 도면이다.
도 4는 본 발명에 의한 공정효율 예측방법에 적용되는 가중치 분석을 설명하기 위한 그래프이다.
도 5는 본 발명에 의한 공정효율 예측방법에 적용되는 ANOVA 기법을 설명하기 위한 그래프이다.
이하 첨부된 도면을 참조하면서 본 발명의 바람직한 실시예를 상세히 설명한다. 다음에서 설명되는 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상술되는 실시예에 한정되는 것은 아니다. 본 발명의 실시예는 당 분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다.
본 발명의 실시예는 머신런닝의 기법에 공정 라인발란스(LOB) 산출 기법 및 작업 표준관리 기법을 활용하여 공정효율을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정병목지연을 예측하고, 공정 택트타임들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정효율 예측방법을 제시한다. 제조공정의 공정별 택트타임(tact time)을 측정한 결과를 갖고 라인발란스를 자동적으로 계산해 주고 라인발란스를 최적화할 수 있는 안을 제시해 주는 알고리즘으로써 실시간적으로 목표 라인발란스값의 유지 관리를 통한 작업 생산성을 향상시킨다.
이를 위해, 공정지연을 예측하는 표준 알고리즘에 대하여 구체적으로 알아보고, 공정 라인발란스 산출 기법 및 작업 표준관리 기법을 부가하여 예측의 정확도를 높이는 방법을 상세하게 설명하기로 한다. 본 발명의 실시예는 표준 알고리즘에 의해 공정효율을 실시간으로 예측하는 공정관리로써, 사후적인 조치에 그치는 종래의 공정관리와는 구분된다. 본 발명의 실시예는 생산량 회귀방정식, 택트타임 회귀 방정식, 최소자승 오차 편차량 및 트렌드(trend)의 도식화를 활용한다.
본 발명의 예측방법은 각 공정의 측정된 택트타임 입력값으로 받고, 저장된 데이터에 대해 수식적 공식을 이용하여 공정 발란스(balance)을 계산하며, 저장 데이터에 대한 회귀방정식에 대한 라인발란스를 예측한다. 그후, 라인발란스에 대한 예측값과 실측치의 값의 편차량을 확보하고, 회귀 방정식과 공차를 감안한 라인발란스 효율(Eb) 관리 스펙(SPEC)을 설정하며, 설정된 값을 기준으로 지속적 데이터를 축적해 나간다. 축적된 데이터를 기계학습을 통한 자체 관리 스펙(SPEC)을 설정해 나가고 조치 결과값을 관리자에게 보고하도록 한다. 이를 통하여, 생산 기간의 단축, 재공의 절감, 생산공정 흐름의 개선, 레이아웃 개선, 공정관리 시스템의 개선을 이룰 수 있다. 생산공정 흐름의 개선은 공정 분석, 가동 분석, 작업분석 및 동작분석을 통하여 구현된다.
도 1은 본 발명의 실시예에 의한 공정 택트타임를 고려한 공정효율 예측방법을 나타내는 흐름도이다. 다만, 엄밀한 의미의 도면을 표현한 것이 아니며, 설명의 편의를 위하여 도면에 나타나지 않은 구성요소가 있을 수 있다.
도 1에 의하면, 공정효율 예측방법은 먼저, 각각 공정의 택트타임을 측정된 데이터를 IoT에 의해 전송받아 플랫폼에 저장한다(S10). 이때, 택트타임과 더불어 불량률, 가동율 데이터를 세트로 수집한다. 택트타임, 불량률, 가동율은 택트타임 및 그에 관련된 변수이며, 설명의 편의를 위하여 택트타임이라고 통칭하기로 한다. 그후, 공정 택트타임에서 독립변수를 추출하고(S11), 종속변수를 설정한다(S12). 이때, 종속변수는 추후에 설명하겠지만, 라인발란스 효율(
Figure pat00001
)을 목표값으로 설정한다.
표 1은 본 발명의 실시예에 의한 예측방법에 적용되는 공정 택트타임과 라인발란스의 관계를 설명하기 위한 것이다.
투입공정1 생산공정2 … 생산공정n-1 완료공정n
공정 택트타임 1 공정 택트타임 2 … 공정 택트타임 (n-1) 공정 택트타임 n
Input_1 갯수 Input_2 갯수 … Input_(n-1)갯수 Input_n갯수
작업시간_1 작업시간_2 … 작업시간_(n-1) 작업시간_(n)
Output_1 갯수 Output_2갯수 … Output_(n-1)갯수 Product(완제품)수
표 1에 의하면, 상기 각각의 공정은 제품을 제조하는 투입공정, 복수개의 생산공정 및 완료공정과 같이 각각 독립된 공정들이다. 제품을 제조하기 위해서는 원료, 부품 등을 투입하는 투입공정, 투입공정을 거치면 복수개의 생산공정을 거쳐 제품이 생산되고, 최종적으로 완료공정에 의해 제품의 제조가 완료된다. 각각의 공정에는 공정효율에 영향을 주는 공정 택트타임을 포함한다. 이러한 공정 택트타임에는 본 발명의 실시예에 의한 예측방법으로 실시간으로 예측된 공정의 택트타임(tact time)이 포함되며, 실시간으로 라인발란스(LOB)을 예측하는 과정에서 공정효율에 영향을 주는 추가인자가 추가될 수 있다. 추가인자는 상기 공정 택트타임 이외에 공정효율에 영향을 주는 인자들이다.
공정 택트타임과 라인발란스(LOB)관련 설명은 도 2와 같다. 최적 라인발란스를 도출한 후 실시간적으로 택트타임을 구하여 이에 대한 공정간 유의차를 분석하는 것을 기본 개념으로 한다. 따라서 투입공정에는 공정 택트타임 1, 생산공정에는 공정 택트타임 2, …, 공정 택트타임 (n-1) 및 완료공정에는 공정 택트타임 n이 있을 수 있다. 공정 택트타임 1~n 각각에서의 공정 택트타임은 앞에서 제시한 공정 택트타임들이 약간의 차이가 있을 수 있으나, 적어도 하나의 공정 택트타임을 포함한다. 투입공정, 생산공정 및 완료공정에서의 공정 택트타임 1, 2~(n-1) 및 n은 각각 다를 수 있다.
라인발란스(LOB)은 투입공정에는 LOB_1, 생산공정에는 LOB_2, …, LOB_(m-1) 및 완료공정에는 공정 택트타임 m이 있을 수 있다. 마찬가지로 추가인자는 투입공정에는 추가인자 1, 생산공정에는 추가인자 2, …, 추가인자 (k-1) 및 완료공정에는 공정 택트타임 k가 있을 수 있다. 각각의 공정에는 추가인자가 포함되지 않거나 적어도 하나 이상을 포함할 수 있다.
다음에, AHP 기법을 활용하여 상기 공정 택트타임 중에서 주요 공정 택트타임을 추출한다(S13). 상기 AHP(analytic hierarchy process) 기법은 Saaty에 의해 개발된 다기준 의사결정모델(mult-criteria decision making model)로, 의사결정 프로세스를 체계적으로 분석하기 위한 것으로, 선택된 평가항목들 중 2개의 평가항목에 대해 쌍대비교(pairwise comparison)를 수행하는 것으로 전체 평가항목에 대해 쌍대비교를 수행하고, 평가항목들에 대한 상대적 중요도를 산출함으로써 합리적 결과를 도출하기 위한 모델이다. 특히, AHP는 정성적인 문제를 정량적인 방법으로 해석함으로, 의사결정을 체계적으로 수행하도록 지원하며, 복잡하고 불명확한 문제를 여러 계층으로 정리하고, 부분적인 관계는 쌍대비교(pairwise comparison)를 통해 각자의 중요성을 수치화된 척도로 평가함으로써, 보다 정확한 의사 결정을 하도록 지원한다.
주요 공정 택트타임의 추출을 마치면, 상관도를 검증한다(S14). 상관도의 검증은 도 2와 같이 진행된다. 도 2에 의하면, 상관도 검증 도표는 공정 택트타임간의 상관관계를 나타낸 상관 계수의 일람표(chart)를 활용한다. 오른 쪽은 상관계수의 범위 1 ~ -1의 범위를 색상의 채도로 나타내면서 그 상관값을 표현한다. 그리고 X축과 Y축은 각각 종속변수(Yn)와 독립변수(Xn) 항목을 나열하여 각각의 공정 택트타임간 상관정도를 표현함으로써 종속변수(Yn)와 독립변수(Xn)의 상관계수를 알 수 있다. 또한 독립변수(Xn간의 상관계수도 알 수 있다. 이를 통하여 공정 택트타임간의 정상관과 역상관의 관계성과 관계정도를 파악할 수 있다.
이때, 상관분석 코드는 다음과 같다.
# pip install seaborn <<- in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)
상관도의 검증을 마치면, 머신러닝 회귀분석 알고리즘을 적용하고(S15), 이를 통하여 공정효율 예측모델식을 도출한다(S18). 여기서, 예측모델식은 공정 라인발란스 효율(
Figure pat00002
) 목표값을 미달한 경우에 해당한다. 회귀분석은 인공지능에 근거한 머신러닝 알고리즘 중의 하나이다. 상기 회귀분석이란 둘 또는 그 이상의 공정 택트타임 사이의 관계, 특히 공정 택트타임 사이의 상관관계를 분석하는 추측통계의 한 분야이다. 회귀분석은 특정 공정 택트타임 실측값의 변화와 다른 공정 택트타임 실측값의 변화가 가지는 수학적 선형의 함수식을 파악함으로써 상호관계를 추론하게 되는데 추정된 함수식을 회귀식이라고 한다. 이러한 회귀식을 통하여 특정 공정 택트타임 실측값(독립변수라고 함)의 변화가 다른 공정 택트타임 실측값(종속변수라고 함)의 변화와 어떤 관련성이 있는지 관련이 있다면 어느 공정 택트타임 실측값의 변화가 원인이 되고 어느 공정 택트타임 실측값의 변화가 결과적인 현상인지 등에 관한 사항을 분석할 수 있다.
이러한 회귀분석은 인과관계가 아닌 단순한 공정 택트타임 실측값 사이의 관계의 밀접도만을 조사하는 상관분석과 차이가 있다. 회귀분석은 본질적으로 인과관계가 있는 두 변수 즉 독립변수와 종속변수 사이의 함수식을 분석대상으로 삼는다. 회귀분석은 실증분석을 통해 가설의 타당성 여부를 검토하는 데 유용한 도구이다. 회귀식이 타당한 상황일 경우, 독립변수의 값을 기초로 종속변수의 값을 추정 또는 예측할 수 있다. 회귀분석은 독립변수가 하나인 경우와 2개 이상인 경우로 구분되는데, 하나인 경우를 단순회귀분석, 2개 이상인 경우를 다중회귀분석이라고 한다.
구체적으로, 회귀분석은 몇몇 공정 택트타임인 입력변수(X)들이 출력값(Y)에 미치는 영향을 예측하고자 할 경우 그 관계를 함수 관계(회귀 방정식)와 결정계수로 나타내는 분석하는 방법론이다. 이를 통해서 어떤 공정 택트타임이 출력값(Y)에 얼마만큼의 영향을 미치는지를 확인하여 원하는 출력값을 얻기 위해서는 입력변수(X)를 어떤 수준으로 공정관리 해야 하는지의 정보를 알게 해준다. 회귀분석은 수집된 데이터를 산점도를 확인하고, 적합선을 그리며, 분산분석을 수행하고, 회귀모형을 검증하며, 잔착분석의 순서로 진행된다.
회귀분석은 하나의 독립변수(X)와 하나의 종속변수(Y)간의 관계를 방정식화하여 나타내는 방법이다. 회귀분석의 모델은 다음과 같다.
y = α + βχ1 + εi이고,
여기서, εi ~ N(0, σ2)이며 독립적이고 정규분포를 따르고, σ2는 미지의 상수이다. y = a + bx는 수집된 데이터를 통하여 추정한 직선이고, E(Y1) = α + βχ으로 미지의 참 직선이다.
한편, 함수관계인 회귀방정식은 입력변수(X)인 공정 택트타임 데이터를 사용하여, 이에 상응하는 출력값(Y)에 대한 예측을 가능하게 하는 예측방정식으로 앞에서와는 달리 반드시 선형적인 필요는 없다. 회귀방정식은 독립변수가 1개이며 종속변수와의 관계가 직선인 단순회귀, 독립변수가 1개이며 종속변수와의 관계가 곡선인 곡선회귀, 독립변수가 여러 개이고 종속변수와의 관계가 선형의 1차 함수인 중회귀가 있다. 또한, 독립변수가 여러 개이고 종속변수와의 관계가 1차 함수 이상인 다항회귀 및 회귀식의 모양이 미지의 모수 βi의 선형관계를 이루지 않는 비선형회귀가 있다.
본 발명의 실시예는 앞의 회귀방정식에서 다항회귀를 통한 예측방정식을 구현한다. 상기 다항회귀는 종속변수의 변화를 설명하기 위하여 2개 이상의 독립변수를 고려한 분석이다. 종속변수는 2개 이상의 독립변수에 영향을 받으므로, 영향이 큰 여러 개의 독립변수를 선택하여 종속변수의 변화하는 특성을 확인하면, 단순회귀에 비해 정확한 분석을 할 수 있다. 따라서 독립변수 X를 전류, 전압, 온도, 공압, 습도, 정전기, 조도 등으로 설정하고 종속변수 Y를 알고자 하는 공정효율 유형에 대하여 예측적합도가 높은 관계식을 만들고 이에 대한 독립변수의 최적 공정관리 스펙을 설정한다.
한편, 공정효율 예측모델식을 도출하기 이전에, 오차를 검증하고(S16), 주요 공정 택트타임의 가중치를 최적화한 다음(S17), 상관도 검증(S14)을 마친 머신러닝 회귀분석 알고리즘에 적용시킨다. 오차검증(S16)는 예컨대, 각각의 공정에 대하여, 회귀분석 예측값과 상기 실측값의 편차량을 검증한다. 여기서, 편차량은 직선의 방정식 Y = a + bx에서 최적선은 실제 데이터와 직선 사이의 제곱의 차이의 합을 최소화함으로써 생기는 상관계수(a와 b)를 갖고 있는 직선에서, 실제 데이터의 점들과 직선 사이의 차이를 말한다. 또한, 회귀분석의 예측값에서의 공차를 감안한 공정효율에 대한 공정관리 스펙을 설정된다. 설정된 스펙을 기준으로 측정된 데이터를 지속적으로 축적하여 빅데이터를 형성한다. 가중치 분석은 도 3과 같이 상관을 분석하여 결정된다.
공정효율 예측모델식이 도출되면, ANOVA 기법을 활용하여 공정효율 최소 유의수준을 분석한다(S19). 이때, ANOVA 기법은 2개 이상의 모집에 대한 평균을 비교하는 것으로, 데이터는 계량형 형태를 사용한다. ANOVA 기법은 도 4와 같이 데이터 불량 유의차에 관련된 공정 택트타임의 산포를 관리하는 것이다. 구체적으로, ANOVA 기법은 공정의 유의차 판정기준을 공정 택트타임 사이의 평균값 차이에 대한 가설검증을 통해서, 유의차 지수 P-value가 예컨대 유의 수준인 예컨대 0.05 이하이면 이를 통해서 공정의 영향인자로 판정하고, 이에 대한 스펙을 양호수준으로 조정해 나가는 것이다. 그후, 공정효율 개선관리의 스펙이 결정되면, 이를 기준으로 운영한다(S20).
표 2 내지 표 4는 본 발명의 실시예에 의한 공정관리 스펙을 위한 회귀분석 결과 사례를 나타낸 것이다.
Figure pat00003
Figure pat00004
Figure pat00005
표 2 내지 표 4에 의하면, 독립변수(Xn)는
Figure pat00006
(공정시간),
Figure pat00007
(공정의 수),
Figure pat00008
(애로 공정 또는 병목공정의 공정시간),
Figure pat00009
(작업자 수),
Figure pat00010
(부적합품율 %),
Figure pat00011
(라인 여유율%),
Figure pat00012
( 일일의 실동 시간, 분),
Figure pat00013
(일 생산수량, 개 또는 대),
Figure pat00014
(n개의 일 생산량을 생산하기 위하여 예견되는 부적합품을 포함한 수량),
Figure pat00015
(정미실동시간, 불시의 정지를 제외한 컨베이어의 운전시간),
Figure pat00016
(컨베이어의 유효 길이, m),
Figure pat00017
(피치마크 간의 평균길이, m),
Figure pat00018
(컨베이어상의 1공정 평균고유 길이, m) 및
Figure pat00019
(각 작업 공정 시간의 합계)이다. 이때, 피치마크란 컨베이어상의 물품을 놓는 위치를 표시한 것이다.
종속변수(Yn)는
Figure pat00020
(line balance 효율),
Figure pat00021
(라인 손실율, line balancing loss),
Figure pat00022
(라인 불평형률, line unbalance rate),
Figure pat00023
(피치타임, pitch time, 분),
Figure pat00024
(컨베이어 속도, m/min) 및
Figure pat00025
[중간 재공(Stock)량]이다.
이때, 라인발란스(line balance) 효율(
Figure pat00026
)은 식(1)로 표현되고,
Figure pat00027
(%) ... 식(1)
라인 손실율(line balancing loss)은 식(2)로 표현되며,
Figure pat00028
... 식(2)
라인 불평형률(
Figure pat00029
)은 식(3)로 표현되고,
Figure pat00030
(%) ... 식(3)
일 생산수량(N, 개 또는 대)은 식(4)로 표현되며,
Figure pat00031
... 식(4)
n개의 일 생산량을 생산하기 위하여 예견한 부적합품 포함 수량(
Figure pat00032
)은 식(5)로 표현되고,
Figure pat00033
... 식(5)
라인 가동율을 감안한 정미실동시간(
Figure pat00034
), 즉 불시의 정지를 제외한 컨베이어의 운전시간(
Figure pat00035
)은 식(6)로 표현되며,
Figure pat00036
... 식(6)
피치타임(
Figure pat00037
)은 식(7)로 표현되고,
Figure pat00038
... 식(7)
컨베이어 속도(
Figure pat00039
)은 식(8)로 표현되며,
Figure pat00040
... 식(8)
중간 재공량(S)은 식(9)로 표현된다.
Figure pat00041
... 식(9)
여기서, 피치타임(P)의 산출 예는
Figure pat00042
이고, 중간 재공량(S)의 산출 예는
Figure pat00043
를 들 수 있다.
본 발명의 실시예는 머신러닌의 회귀분석 알고리즘을 이용하여 실시간으로 공정효율의 예측하고, AHP 기법으로 공정 택트타임들에 대한 상대적인 중요도를 정성적으로 부여하며, ANOVA 기법으로 측정값들의 중심위치와 산포도를 고려한 공정 택트타임을 고려한 공정효율 예측할 수 있다. 공정효율을 목표값(예시에서 87.1%이하이면(NG)로 ONE-HOT 코드의 1로 변환하고, 공정효율이 아니면(OK)이면, ONE-HOT 코드의 0으로 변환한다. 이러한 과정을 반복하여 빅데이터로 활용할 수 있다.
이상, 본 발명은 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않으며, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형이 가능하다.

Claims (7)

  1. 공정효율을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정효율 예측 플랫폼에서,
    복수개의 공정 택트타임, 불량률 및 가동율인 택트타임 변수에서 독립변수를 추출하고 종속변수를 설정하는 단계;
    상기 독립변수에서 상기 택트타임에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 택트타임을 추출하는 단계;
    상기 주요 택트타임의 상관도를 검증하는 단계;
    상기 상관도가 검증된 택트타임을 머신러닝 회귀분석 알고리즘을 적용하여 공정 라인발란스 효율 목표 미달 예측모델식을 도출하는 단계;
    상기 예측모델식으로부터 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정 라인발란스 효율 부족 공정 유의 수준을 분석하는 단계; 및
    상기 유의 수준의 분석을 마친 공정 택트타임 지연 공정 개선관리 스펙을 결정하고 운용하는 단계를 포함하는 공정 택트타임을 활용한 공정효율 예측방법.
  2. 제1항에 있어서, 상기 복수개의 공정 택트타임는 각각 독립된 투입공정, 생산공정 및 완료공정에서의 공정 택트타임인 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
  3. 제1항에 있어서, 상기 상관도 검증의 상관분석 코드는
    # pip install seaborn <<- in virtualenv !!
    import seaborn as sns
    fig, ax = plt.subplots(figsize=(10,10))
    sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)인 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
  4. 제1항에 있어서, 상기 예측모델식을 도출하기 이전에, 오차를 검증하고 주요 공정인자의 가중치를 최적화하는 단계를 더 포함하는 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
  5. 제4항에 있어서, 상기 오차의 검증은 회귀분석 예측값과 실측값의 편차량의 분석에 의해 이루어지는 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
  6. 제1항에 있어서, 상기 ANOVA 기법은 유의차 지수 P-value가 유의 수준 이하이면 공정의 영향인자로 판정하고 이에 대한 스펙을 양호수준으로 조정하는 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
  7. 제1항에 있어서, 상기 ANOVA 기법에 의한 판정결과 공정효율이 목표값에 미달이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정효율이 목표값보다 크면(OK)이면, ONE-HOT 코드의 0으로 변환하는 것을 특징으로 하는 공정 택트타임을 활용한 공정효율 예측방법.
KR1020180131471A 2018-10-31 2018-10-31 공정 택트타임을 활용한 공정효율 예측방법 KR20200052451A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180131471A KR20200052451A (ko) 2018-10-31 2018-10-31 공정 택트타임을 활용한 공정효율 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180131471A KR20200052451A (ko) 2018-10-31 2018-10-31 공정 택트타임을 활용한 공정효율 예측방법

Publications (1)

Publication Number Publication Date
KR20200052451A true KR20200052451A (ko) 2020-05-15

Family

ID=70678685

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180131471A KR20200052451A (ko) 2018-10-31 2018-10-31 공정 택트타임을 활용한 공정효율 예측방법

Country Status (1)

Country Link
KR (1) KR20200052451A (ko)

Similar Documents

Publication Publication Date Title
DeStefano et al. Method for estimating transition probability in bridge deterioration models
JP4764502B2 (ja) プロセスの分析に必要な評価を行うための方法および装置
Duffuaa et al. A multi-objective optimization model for process targeting using sampling plans
CN107292429A (zh) 一种基于需求特性分析的需求预测模型选择方法
Yang et al. Aero-material consumption prediction based on linear regression model
KR102247945B1 (ko) 공정인자를 고려한 공정불량 예측방법
JP2006148070A (ja) センサデータの補正方法及びインターロックシステムのインターロック評価方法
CN113655768B (zh) 装配良率控制方法、设备及计算机可读存储介质
Karimi-Mamaghan et al. A learning-based metaheuristic for a multi-objective agile inspection planning model under uncertainty
Oberoi et al. SPC (statistical process control): a quality control technique for confirmation to ability of process
KR20000048928A (ko) 시변 산업 프로세스 패러미터의 확인 또는 예측을 위한 방법 및장치
Chien et al. Bayesian decision analysis for optimizing in-line metrology and defect inspection strategy for sustainable semiconductor manufacturing and an empirical study
KR20200052451A (ko) 공정 택트타임을 활용한 공정효율 예측방법
CN104679939B (zh) 一种飞机设计经济可承受性评估过程的多准则决策方法
CN116602435A (zh) 一种基于机器学习的制丝单机内烟丝水分变化分析方法
CN114155072B (zh) 基于大数据分析的财务预测模型构建方法及系统
Gu et al. Reliability allocation method of comprehensive weight computer numerical control machine tool based on failure correlation and factor correlation
CN113610575B (zh) 一种产品销量的预测方法及预测系统
Li et al. An optimal condition based maintenance strategy using inverse-Gaussian degradation process
CN105654197A (zh) 一种基于灰色理论的综合计划投入总盘预测方法
Pérez-Gallardo et al. Methodology for supply Chain integration: a case study in the Artisan Industry of footwear
Kim et al. An indirect estimation of machine parameters for serial production lines with Bernoulli reliability model
Fallahnezhad et al. Optimal Process Adjustment under Inspection Errors Considering the Cycle Time of Production
Janicijevic et al. Using a Markov chain for product quality improvement simulation
CN109696901B (zh) 一种卷接包设备运行状态评价及预测方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right