KR20210014452A - Abnormal Data Detection System in Manufacturing Process - Google Patents
Abnormal Data Detection System in Manufacturing Process Download PDFInfo
- Publication number
- KR20210014452A KR20210014452A KR1020190092557A KR20190092557A KR20210014452A KR 20210014452 A KR20210014452 A KR 20210014452A KR 1020190092557 A KR1020190092557 A KR 1020190092557A KR 20190092557 A KR20190092557 A KR 20190092557A KR 20210014452 A KR20210014452 A KR 20210014452A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- unit
- determination result
- manufacturing process
- determination
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
본 발명은 제조 공정 시 공장 설비의 이상 여부를 자동으로 탐지하는 제조 공정 비정상 데이터 탐지 시스템에 관한 것이다.The present invention relates to a manufacturing process abnormal data detection system that automatically detects whether or not a factory facility is abnormal during the manufacturing process.
일반적으로 양산 체제를 구축한 공장에서는 제품 양산 효율성을 높이기 위해 제조 공정이 여러 단계의 공정으로 분업화 되어 있고, 상기 여러 단계의 공정 별로 해당 공정에 적합한 자동화 설비를 가동하여 운영하고 있다. 하지만, 상기 자동화 설비의 경우 동일한 공정을 반복적으로 수행하는 과정에서 설비 자체의 오류나 주변 환경의 영향에 의해 비정상적으로 공정을 수행하는 상황이 예기치 못한 순간에 발생할 수 있으며, 각각의 공정이 연속적이고 유기적으로 연계된 제조 공정 시스템에서 일부 공정의 설비에 이상이 발생하면 전체 공정 및 생산품의 불량을 초래하기 때문에 각 공정 별로 가동되는 공장 설비에 대해 이상 여부를 주기적으로 탐지하는 작업은 공장 양산 체제의 유지 관리 차원에서 매우 중요하다고 볼 수 있다.In general, in a factory that has established a mass production system, the manufacturing process is divided into several stages in order to increase product mass production efficiency, and an automation facility suitable for the corresponding process is operated and operated for each of the above several stages. However, in the case of the above automation facility, a situation in which the process is performed abnormally due to an error of the facility itself or the influence of the surrounding environment may occur at an unexpected moment in the process of repeatedly performing the same process, and each process is continuous and organic. In the linked manufacturing process system, if an abnormality occurs in the equipment of some processes, it causes defects in the entire process and products, so the operation of periodically detecting the abnormality of the factory equipment operated by each process is a maintenance and management dimension of the factory mass production system. It can be seen as very important.
공장 설비의 이상 여부에 대한 탐지는 숙련된 작업자가 해당 설비의 가동 상황을 진동, 전력 등의 공정 데이터를 통해 수시로 육안으로 체크하는 것으로 이루어지는 것이 일반적인데, 아무리 숙련된 작업자로도 사람인 이상 판독 시 실수로 인해 이상 데이터를 놓치는 상황이 종종 발생하며, 실시간으로 쏟아지는 방대한 공정 데이터에 대해 사람이 육안으로 정확하게 이상 데이터를 탐지하는 데는 한계가 있고, 이상 데이터 탐지 과정에 많은 시간이 소요되는 문제가 있다.It is common for experienced workers to visually check the operation status of the facility through process data such as vibration and power, but even the most skilled workers make mistakes when reading human abnormalities. Due to this, a situation where abnormal data is often missed occurs, there is a problem in that it is difficult for a person to accurately detect abnormal data with the naked eye for vast amount of process data pouring in real time, and a lot of time is required for the abnormal data detection process.
본 발명은 상기와 같은 문제점을 해결하기 위해 도출 된 것으로, 공장 설비의 이상 여부를 매번 사람이 직접 육안으로 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속하고 정확하게 실시간으로 이상 여부를 탐지할 수 있는 제조 공정 비정상 데이터 탐지 시스템을 제공하는 것을 그 목적으로 한다.The present invention was derived to solve the above problems, and when a person directly checks and judges whether or not a factory facility is abnormal every time, it is possible to quickly and accurately detect the abnormality in real time for a greater amount of process data. Its purpose is to provide a manufacturing process abnormal data detection system.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적과제들은 하기의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the technical problems mentioned above, and other technical problems that are not mentioned can be clearly understood by those of ordinary skill in the technical field to which the present invention belongs from the following description. will be.
상기와 같은 과제를 해결하기 위한 본 발명은 제조 공정 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서, 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부; 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부; 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부; 상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부; 상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 것을 특징으로 한다.The present invention for solving the above problems relates to a manufacturing process abnormal data detection system, and more specifically, in a manufacturing process abnormal data detection system installed in individual facilities of a factory, the process data collected in real time from the corresponding facility A preprocessor for removing noise, separating data sets for each section of a specific reference, and processing data values of each data set by graphing them; A data conversion unit for converting the process data processed by the preprocessor into an image file to be discriminated using a Convolutional Neural Networks (CNN) model; A determination unit that receives the converted image file through the data conversion unit and analyzes it based on a learned Convolutional Neural Networks (CNN) model to determine whether there is abnormal data; A scheduler unit periodically calling the data conversion unit and the determination unit; A determination result notification unit for notifying determination result information of the determination unit to a dashboard; And a dashboard unit that displays the determination result notified from the determination result notifying unit so that the user can check it.
본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 공정 데이터의 전처리 가공을 통해 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있으며, 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 매번 직접 육안으로 공정 데이터의 이상 여부를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 이상 여부를 탐지할 수 있는 효과가 있다.According to the manufacturing process abnormal data detection system according to the present invention, it is possible to more accurately and reliably determine whether the process data is abnormal through the pre-processing of the process data, and automatically recognize the process data of the corresponding facility through the CNN model. After iteratively learns itself, it automatically determines whether the process data is abnormal based on the learned model, so if a person directly checks and judges whether or not the process data is abnormal each time, it is faster and more accurate for a larger amount of process data. There is an effect of detecting abnormality.
도 1은 본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템의 일예를 도식적으로 도시한 것이다.
도 2는 본 발명에 따른 전처리부에서 공정 데이터의 노이즈를 필터링을 통해 제거하는 예를 나타낸 것이다.
도 3은 본 발명에 따른 전처리부에서 노이즈가 제거된 공정 데이터에 대해 특정 생산 수량 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리한 것을 나타낸 것이다.
도 4는 본 발명에 따른 데이터변환부에서 전처리부를 통해 가공 처리된 1차원 공정 데이터를 CNN(Convolutional Neural Networks) 모델으로 판별 가능하도록 이미지 파일로 변환한 예시를 나타낸 것이다.1 schematically shows an example of a manufacturing process abnormal data detection system according to the present invention.
2 shows an example in which noise of process data is removed through filtering in a preprocessor according to the present invention.
FIG. 3 is a diagram showing the process data from which noise is removed in the preprocessor according to the present invention, after separating a data set for each section based on a specific production quantity, and then graphing the data values of each data set for processing .
4 shows an example in which one-dimensional process data processed through a preprocessor in a data conversion unit according to the present invention is converted into an image file so as to be discriminated by a Convolutional Neural Networks (CNN) model.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In the present invention, various transformations may be applied and various embodiments may be provided, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it is to be understood to include all conversions, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the present invention, when it is determined that a detailed description of a related known technology may obscure the subject matter of the present invention, a detailed description thereof will be omitted.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component.
이하에서는 본 발명에 대해 상세히 설명하되, 필요한 경우 발명의 이해를 돕기 위해 도면을 참고하여 설명하도록 한다. 하기 도면 및 도면에 관한 설명은 본 발명의 이해를 돕기 위한 일예에 지나지 않으며, 이에 의해 본 발명의 범위가 제한되는 것은 아니다.Hereinafter, the present invention will be described in detail, but if necessary, it will be described with reference to the drawings to aid in understanding the invention. The following drawings and descriptions of the drawings are only examples for aiding understanding of the present invention, and thus the scope of the present invention is not limited thereto.
도 1에 도시된 본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 본 발명은 제조 공정 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 공장의 개별 설비에 장착되는 제조 공정 비정상 데이터 탐지 시스템에 있어서, 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부; 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부; 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부; 상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부; 상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 것을 특징으로 한다.According to the manufacturing process abnormal data detection system according to the present invention shown in FIG. 1, the present invention relates to a manufacturing process abnormal data detection system, and more specifically, in a manufacturing process abnormal data detection system mounted in individual facilities of a factory, A preprocessing unit that removes noise from process data collected in real time from a corresponding facility, separates a data set for each section of a specific reference, and then graphs and processes data values of each data set; A data conversion unit for converting the process data processed by the preprocessor into an image file to be discriminated using a Convolutional Neural Networks (CNN) model; A determination unit that receives the converted image file through the data conversion unit and analyzes it based on a learned Convolutional Neural Networks (CNN) model to determine whether there is abnormal data; A scheduler unit periodically calling the data conversion unit and the determination unit; A determination result notification unit for notifying determination result information of the determination unit to a dashboard; And a dashboard unit that displays the determination result notified from the determination result notifying unit so that the user can check it.
본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템은 공장의 개별 설비에 장착되는 것으로서, 실시간으로 수집되는 해당 공장 설비의 공정과 관련된 데이터를 기반으로 CNN(Convolutional Neural Networks) 모델을 학습시키고, 학습된 CNN(Convolutional Neural Networks) 모델을 이용하여 해당 공장 설비로부터 실시간으로 수집되는 제조 공정 데이터의 이상 여부를 판정하고, 이를 통해 해당 공장 설비의 결함 여부를 사용자가 편리하게 확인할 수 있도록 하는 장치에 관한 것이다.The manufacturing process abnormal data detection system according to the present invention is installed in individual facilities of a factory, and trains a CNN (Convolutional Neural Networks) model based on data related to the process of the factory facility collected in real time, and the learned CNN ( Convolutional Neural Networks) model is used to determine whether there is an abnormality in manufacturing process data collected in real time from a corresponding factory facility, and through this, it relates to a device that enables a user to conveniently check whether a corresponding factory facility is defective.
본 발명에서 상기 전처리부는 해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 역할을 수행하는 것으로서, 본 발명에서 상기 공정 데이터는 공정 수행 과정 중에 해당 공장 설비 자체로부터 수집되는 설비 데이터 뿐만 아니라 해당 공장 설비 주변의 센서로부터 수집되는 센서 데이터를 포함하는 것이 바람직하다. 상기 센서는 해당 공장 설비의 상태를 직·간접적으로 나타내는 센서라면 어떠한 것이라도 가능하며, 가령 온도 센서, 속도 센서, 진동센서, 압력 센서 등이 될 수 있다. 본 발명은 설비의 이상 여부 판정의 신뢰도를 높이기 위해 하나의 설비에 단일 센서를 설치하기 보다는 다양한 종류의 센서로 구성된 복합 센서를 설치하여 하나의 설비로부터 온도, 속도, 진동, 압력 등 다양한 종류의 센서 데이터를 수집하는 것이 바람직하다.In the present invention, the preprocessing unit removes noise from process data collected in real time from a corresponding facility, separates a data set for each section of a specific reference, and then graphs and processes the data values of each data set. As to be performed, in the present invention, it is preferable that the process data include not only facility data collected from the factory facility itself during the process execution process, but also sensor data collected from sensors around the factory facility. The sensor may be any sensor that directly or indirectly indicates the state of the plant, and may be, for example, a temperature sensor, a speed sensor, a vibration sensor, a pressure sensor, or the like. In order to increase the reliability of determining whether a facility is abnormal, the present invention installs a complex sensor composed of various types of sensors rather than installing a single sensor in one facility, and provides various types of sensors such as temperature, speed, vibration, and pressure from a single facility. It is desirable to collect data.
본 발명은 설비 데이터와 센서 데이터를 포함하는 공정 데이터를 분석 대상으로 함으로써, 해당 설비의 이상 여부 판정의 정확도를 높일 수 있다. According to the present invention, by targeting process data including facility data and sensor data as an analysis target, it is possible to increase the accuracy of determining whether the facility is abnormal.
상기 공정 데이터에 대한 노이즈 제거는 도 2에 나타난 바와 같이 저역통과필터(Lowpass filter)를 사용하여 필터링을 통해 이루어진다. 본 발명은 상기 전처리부에서 공정 데이터의 노이즈를 제거해 줌으로써, 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있게 된다.Noise removal for the process data is performed through filtering using a lowpass filter as shown in FIG. 2. According to the present invention, by removing the noise of the process data in the preprocessor, it is possible to more accurately and reliably determine whether the process data is abnormal.
상기 특정 기준의 구간은 특정 시간을 기준으로 구간을 정할 수도 있고, 도 3에 도시된 바와 같이 특정 생산 수량을 기준으로 구간을 정할 수도 있는 등 작업의 종류에 따라 달라질 수 있으며 특별히 제한적인 것은 아니다. 도 3에서는 노이즈가 제거된 공정 데이터에 대해 특정 생산 수량 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리한 것을 예시로 나타낸 것이다.The section of the specific criterion may vary according to the type of work, such as a section may be determined based on a specific time, or a section based on a specific production quantity as shown in FIG. 3, and is not particularly limited. In FIG. 3, a data set is separated for each section based on a specific production quantity for process data from which noise is removed, and then the data values of each data set are graphed and processed as an example.
본 발명에서 상기 데이터 변환부는 상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 역할을 수행하는 것으로서, 상기 데이터 변환부를 통해 1차원의 시계열 공정 데이터를 2차원의 이미지 데이터로 변환하여 저장하게 된다. 도 4는 상기 전처리부에서 가공 처리된 1차원 공정 데이터를 CNN(Convolutional Neural Networks) 모델로 판별 가능하도록 이미지 파일로 변환한 예시를 나타낸 것이다.In the present invention, the data conversion unit converts the process data processed by the preprocessing unit into an image file to be discriminated using a Convolutional Neural Networks (CNN) model, and a one-dimensional time series through the data conversion unit Process data is converted into two-dimensional image data and stored. 4 shows an example in which the one-dimensional process data processed by the preprocessor is converted into an image file to be discriminated by a CNN (Convolutional Neural Networks) model.
상기 데이터 변환부에서는 이미지 파일로 변환한 공정 데이터와 이에 매칭 되는 라벨링 데이터를 함께 저장한다. 상기 라벨링 데이터는 공장 설비의 상태를 분류한 데이터로서, 예를 들면 '정상', '이상' 등으로 표시되는 데이터이다. 상기 라벨링 데이터의 생성은 모든 공정 데이터에 대해 기계를 통해 자동으로 생성하는 것보다는 초기의 공정 데이터에 대해서는 사람이 직접 라벨링 데이터를 생성하고, 이를 기반으로 이후의 공정 데이터에 대해서는 기계를 통해 자동으로 라벨링 데이터를 생성하는 것이 훨씬 적은 양의 공정 데이터 모집단으로도 효율적으로 라벨링 데이터 생성이 가능하고, 설비 운용에 대한 경험을 보유한 사람이 초기에 공장 위치, 계절 등 외부 환경적 요인 및 현재 설비 운영의 경험을 고려하여 라벨링 데이터를 생성하기 때문에 라벨링 데이터의 신뢰도를 높일 수 있어 바람직하다.The data conversion unit stores process data converted to an image file and labeling data matching the process data together. The labeling data is data that classifies the state of factory facilities, and is data displayed as'normal' or'abnormal', for example. The generation of the labeling data is not automatically generated by a machine for all process data, but a human directly creates labeling data for the initial process data, and based on this, the labeling data for subsequent process data is automatically labeled through a machine. It is possible to generate labeling data efficiently even with a much smaller amount of process data population to generate data, and a person who has experience in facility operation can initially identify external environmental factors such as factory location, season, and current facility operation experience. Since labeling data is generated in consideration, it is desirable to increase the reliability of labeling data.
본 발명에서 상기 판정부는 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 역할을 수행하는 것으로서, 상기 CNN(Convolutional Neural Networks) 모델은 딥러닝 모델의 일종으로서, 주로 이미지, 비디오, 텍스트, 사운드, 얼굴인식 등 다양한 영역에서 특징 추출 또는 분류를 위해 사용되고 있다. 상기 CNN 모델은 인식 대상의 패턴을 직접 찾고 특징을 분류하고 스스로 학습하기 때문에 수동 작업이 필요하지 않고 높은 수준의 인식 결과를 얻을 수 있는 장점이 있다. 따라서, 본 발명의 판정부는 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 직접 공정 데이터를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 확인할 수 있는 이점이 있다.In the present invention, the determination unit receives the converted image file through the data conversion unit and analyzes it based on a learned CNN (Convolutional Neural Networks) model to determine whether there is abnormal data, and the CNN (Convolutional Neural Networks) ) Model is a kind of deep learning model, and is mainly used for feature extraction or classification in various areas such as image, video, text, sound, and face recognition. Since the CNN model directly searches for a pattern of a target to be recognized, classifies features, and learns by itself, there is an advantage in that a high-level recognition result is obtained without requiring manual work. Therefore, the determination unit of the present invention automatically recognizes the process data of the corresponding facility through the CNN model, then iteratively learns itself, and automatically determines whether the process data is abnormal based on the learned model. In the case of confirming and judging, there is an advantage of being able to quickly and accurately check vast amounts of process data.
상기 CNN 모델의 학습은 먼저 상기 데이터 변환부로부터 이미지화된 공정 데이터와 라벨링 데이터를 읽어 들이고, 상기 읽어 들인 이미지화된 공정 데이터와 라벨링 데이터를 임의로 섞은 후 7 : 3의 비율로 트레인 셋(Train set)과 테스트 셋(Test set)으로 분리하고, 상기 트레인 셋(Train set)을 대상으로 CNN 모델의 학습을 실행하고, 학습된 CNN 모델에 대해 상기 테스트 셋(Test set)으로 정확도 및 정밀도를 확인하는 것으로 이루어진다.The training of the CNN model first reads imaged process data and labeling data from the data conversion unit, randomly mixes the read imaged process data and labeling data, and then uses a train set in a ratio of 7:3. It consists of dividing into a test set, performing training of a CNN model targeting the train set, and checking accuracy and precision with the test set for the trained CNN model. .
본 발명에서 상기 스케줄러부는 상기 데이터변환부와 판정부를 주기적으로 호출하는 역할을 수행하는 것으로서, 상기 스케줄러부를 통해 주기적으로 1차원 공정 데이터의 2차원 이미지로의 변환 및 공정 데이터의 이상 여부 판정을 수행할 수 있도록 한다.In the present invention, the scheduler unit performs a role of periodically calling the data conversion unit and the determination unit, and periodically converts one-dimensional process data into a two-dimensional image and determines whether the process data is abnormal. Make it possible.
본 발명에서 상기 대시보드부는 상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 것으로서, 작업자가 용이하게 해당 설비의 이상 여부 판정 결과를 확인할 수 있도록 다양한 방식으로 화면을 구성할 수 있다.In the present invention, the dashboard unit displays the determination result notified from the determination result notification unit so that the user can check it, and the screen can be configured in various ways so that the operator can easily check the determination result of abnormality of the relevant facility. have.
본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템의 작동 과정을 도 1을 통해 설명하면 다음과 같다. 먼저, 전처리부에서 공장 설비로부터 실시간으로 수집되는 공정 데이터에 대해 노이즈를 제거하고, 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하는 가공 처리를 수행하고, 다음으로 데이터 변환부에서 상기 전처리부에서 가공 처리된 공정 데이터를 이미지 파일로 변환 및 저장하며, 판정부에서 상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN 모델을 기반으로 분석하여 이상 데이터 여부를 판정하고, 상기 판정부에서 판정한 결과를 판정 결과 통지부에서 대시보드로 전송하여 통지하게 되며, 작업자는 상기 대시보드에 표시되는 판정 결과를 통해 해당 설비의 이상 여부를 확인할 수 있게 된다.An operation process of the manufacturing process abnormal data detection system according to the present invention will be described with reference to FIG. 1 as follows. First, the preprocessing unit removes noise from the process data collected in real time from the factory facility, separates the data set, and then performs processing processing to graph the data values of each data set, and then data conversion. The unit converts and stores the process data processed by the preprocessor into an image file, and the decision unit receives the converted image file through the data conversion unit and analyzes it based on the learned CNN model to determine whether there is abnormal data. , The determination result determined by the determination unit is transmitted from the determination result notification unit to the dashboard to be notified, and the operator can check whether the facility is abnormal through the determination result displayed on the dashboard.
본 발명에 따른 제조 공정 비정상 데이터 탐지 시스템에 의하면, 공정 데이터의 전처리 가공을 통해 보다 정확하고 신뢰도 높게 공정 데이터의 이상 여부를 판정할 수 있다. According to the manufacturing process abnormal data detection system according to the present invention, it is possible to more accurately and reliably determine whether the process data is abnormal through pre-processing of the process data.
또한, 본 발명은 해당 설비의 공정 데이터를 CNN 모델을 통해 자동으로 인식한 후 스스로 반복 학습을 하고, 학습된 모델을 기반으로 공정 데이터의 이상 여부를 자동으로 판정하기 때문에 사람이 직접 공정 데이터를 확인하고 판정하는 경우 보다 방대한 공정 데이터에 대해 신속ㅇ정확하게 확인할 수 있는 이점이 있다.In addition, the present invention automatically recognizes the process data of the relevant facility through the CNN model, then iteratively learns itself, and automatically determines whether the process data is abnormal based on the learned model, so that a person directly checks the process data. There is an advantage of being able to quickly and accurately check vast amounts of process data than in the case of a decision.
이상에 설명한 바와 같이, 본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 본 발명의 범위는 상기의 상세한 설명보다는 후술할 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.As described above, those skilled in the art to which the present invention pertains will be able to understand that the present invention can be implemented in other specific forms without changing the technical spirit or essential features. The scope of the present invention is indicated by the claims to be described later rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts are interpreted as being included in the scope of the present invention. Should be.
Claims (3)
해당 설비로부터 실시간으로 수집되는 공정 데이터의 노이즈를 제거하고, 특정 기준의 구간 별로 데이터 셋(set)을 분리한 후 각 데이터 셋의 데이터값들을 그래프화하여 가공 처리하는 전처리부;
상기 전처리부에서 가공 처리된 공정 데이터를 CNN(Convolutional Neural Networks) 모델을 이용하여 판별 가능하도록 이미지 파일로 변환하는 데이터 변환부;
상기 데이터 변환부를 통해 변환된 이미지 파일을 전송 받아 학습된 CNN(Convolutional Neural Networks) 모델을 기반으로 분석하여 이상 데이터 여부를 판정하는 판정부;
상기 데이터변환부와 판정부를 주기적으로 호출하는 스케줄러부;
상기 판정부의 판정 결과 정보를 대시보드로 통지하는 판정 결과 통지부; 및
상기 판정 결과 통지부로부터 통지 받은 판정 결과를 사용자가 확인할 수 있도록 표시하는 대시보드부;를 포함하는 제조 공정 비정상 데이터 탐지 시스템.
In the manufacturing process abnormal data detection system installed in individual facilities of the factory,
A preprocessing unit that removes noise from process data collected in real time from a corresponding facility, separates a data set for each section of a specific reference, and then graphs and processes data values of each data set;
A data conversion unit for converting the process data processed by the preprocessor into an image file to be discriminated using a Convolutional Neural Networks (CNN) model;
A determination unit that receives the converted image file through the data conversion unit and analyzes it based on a learned Convolutional Neural Networks (CNN) model to determine whether there is abnormal data;
A scheduler unit periodically calling the data conversion unit and the determination unit;
A determination result notification unit for notifying determination result information of the determination unit to a dashboard; And
A manufacturing process abnormal data detection system comprising: a dashboard unit that displays the determination result notified from the determination result notification unit so that a user can check it.
상기 공정 데이터는 해당 공장 설비 자체로부터 수집되는 설비 데이터와 해당 공장 설비 주변의 센서로부터 수집되는 센서 데이터를 포함하는 것을 특징으로 하는 제조 공정 비정상 데이터 탐지 시스템.
The method of claim 1,
The process data includes equipment data collected from the plant equipment itself and sensor data collected from sensors around the plant equipment.
상기 센서는 다양한 종류의 센서로 구성된 복합 센서인 것을 특징으로 하는 제조 공정 비정상 데이터 탐지 시스템.The method of claim 2,
The sensor is a manufacturing process abnormal data detection system, characterized in that the composite sensor composed of various types of sensors.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190092557A KR102265461B1 (en) | 2019-07-30 | 2019-07-30 | Abnormal Data Detection System in Manufacturing Process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190092557A KR102265461B1 (en) | 2019-07-30 | 2019-07-30 | Abnormal Data Detection System in Manufacturing Process |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210014452A true KR20210014452A (en) | 2021-02-09 |
KR102265461B1 KR102265461B1 (en) | 2021-06-15 |
Family
ID=74559035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190092557A KR102265461B1 (en) | 2019-07-30 | 2019-07-30 | Abnormal Data Detection System in Manufacturing Process |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102265461B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102582737B1 (en) * | 2022-03-31 | 2023-09-25 | 주식회사 에너자이 | A method for weight lightening of a time series anomaly detection model, and a device for weight lightening of a time series anomaly detection model |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017157213A (en) * | 2016-02-29 | 2017-09-07 | 富士通株式会社 | Method and data processing apparatus for generating time series data sets for predictive analysis |
KR20180023331A (en) * | 2016-08-25 | 2018-03-07 | 한국전력공사 | Continuous monitoring of power receiving unit and analyzing data transmission system |
KR101888637B1 (en) * | 2017-03-20 | 2018-08-14 | 한국생산기술연구원 | Analysis methodology and platform architecture system for big data based on manufacturing specialized algorithm template |
-
2019
- 2019-07-30 KR KR1020190092557A patent/KR102265461B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017157213A (en) * | 2016-02-29 | 2017-09-07 | 富士通株式会社 | Method and data processing apparatus for generating time series data sets for predictive analysis |
KR20180023331A (en) * | 2016-08-25 | 2018-03-07 | 한국전력공사 | Continuous monitoring of power receiving unit and analyzing data transmission system |
KR101888637B1 (en) * | 2017-03-20 | 2018-08-14 | 한국생산기술연구원 | Analysis methodology and platform architecture system for big data based on manufacturing specialized algorithm template |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102582737B1 (en) * | 2022-03-31 | 2023-09-25 | 주식회사 에너자이 | A method for weight lightening of a time series anomaly detection model, and a device for weight lightening of a time series anomaly detection model |
Also Published As
Publication number | Publication date |
---|---|
KR102265461B1 (en) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2776815B1 (en) | System and method for improving automated defect detection user interface | |
EP1982301B1 (en) | Method of condition monitoring | |
EP2950177A1 (en) | Asset condition monitoring | |
CN104390657B (en) | A kind of Generator Unit Operating Parameters measurement sensor fault diagnosis method and system | |
US20090024239A1 (en) | Work management apparatus and work management method | |
US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
CN111507261B (en) | Visual target positioning-based process operation quality monitoring method | |
CN112173636B (en) | Method for detecting faults of belt conveyor carrier roller by inspection robot | |
EP3699708B1 (en) | Production facility monitoring device, production facility monitoring method, and production facility monitoring program | |
CN107220969A (en) | The method of testing and detecting system of product lamp position | |
CN110738630A (en) | Training method and detection system of recursive deep learning system | |
US20190362188A1 (en) | Information processing method, information processing apparatus, and program | |
KR102265461B1 (en) | Abnormal Data Detection System in Manufacturing Process | |
CN117422935B (en) | Motorcycle fault non-contact diagnosis method and system | |
CN117114420B (en) | Image recognition-based industrial and trade safety accident risk management and control system and method | |
US20240210910A1 (en) | Data processing device, data processing method, and storage medium | |
CN113128555A (en) | Method for detecting abnormality of train brake pad part | |
KR20210107844A (en) | Analysis apparatus, analysis method, and program | |
JP2002110493A (en) | Method and apparatus for extracting failure in machining process | |
EP4276741A1 (en) | Analysis device, analysis system, analysis program, and analysis method | |
KR20230068445A (en) | Automatic quality inspection device and method of hole image based on artificial intelligence | |
JP2023047003A (en) | Machine learning system, learning data collection method and learning data collection program | |
CN114416417A (en) | System abnormity monitoring method, device, equipment and storage medium | |
CN113927217A (en) | Intelligent welding system | |
JP6798968B2 (en) | Noise cause estimation device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |