KR20210030754A - Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory - Google Patents

Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory Download PDF

Info

Publication number
KR20210030754A
KR20210030754A KR1020190112302A KR20190112302A KR20210030754A KR 20210030754 A KR20210030754 A KR 20210030754A KR 1020190112302 A KR1020190112302 A KR 1020190112302A KR 20190112302 A KR20190112302 A KR 20190112302A KR 20210030754 A KR20210030754 A KR 20210030754A
Authority
KR
South Korea
Prior art keywords
unit
factory
artificial intelligence
intelligence model
abnormality
Prior art date
Application number
KR1020190112302A
Other languages
Korean (ko)
Inventor
한대수
Original Assignee
주식회사 이디코어
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 이디코어 filed Critical 주식회사 이디코어
Priority to KR1020190112302A priority Critical patent/KR20210030754A/en
Publication of KR20210030754A publication Critical patent/KR20210030754A/en

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive 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]
    • 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
    • G05B23/0218—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)

Abstract

The present invention relates to a production automation system. The cloud intelligent prediction-based production automation system according to the present invention has a technical feature configured to include: a first measurement unit that performs a measurement through a plurality of sensors installed in factory equipment so as to measure some factors or some processes when the factory equipment is operated; a second measurement unit that virtually measures the remaining factors or the remaining processes not measured by the first measurement unit, when the above factory equipment is operated; a database unit for storing data measured by the first measurement unit and the second measurement unit, and storing input data for the factory equipment having a predetermined parameter value and output data corresponding thereto; an algorithm storage unit for storing a plurality of algorithms; an algorithm selection unit for selecting at least one algorithm from among the algorithms stored in the algorithm storage unit, based on the input data with initial parameter values for the factory equipment; an artificial intelligence model determining unit for determining an artificial intelligence model required for operation of the factory equipment, based on the selected algorithm; a machine learning unit for driving machine learning of the artificial intelligence model, based on the data stored in the database unit; and a prediction unit for predicting failure or abnormality during operation of the factory equipment, based on the operation of the artificial intelligence model.

Description

스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템 및 방법{Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory}Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory}

본 발명은 스마트 스마트 팩토리를 위한 생산 자동화 시스템에 관한 것으로, 더욱 상세하게는 지능형 예측을 기반으로 하여 생산 효율을 향상시키는 생산 자동화 시스템에 관한 것이다.The present invention relates to a production automation system for a smart smart factory, and more particularly, to a production automation system that improves production efficiency based on intelligent prediction.

공장은 원가 경쟁력 극대화를 위해서 끊임없는 생산성 향상과 품질 혁신을 해야 하는데, 최근에는 사람의 노력으로 시스템에 로직을 설정하여 통제 할 수 있는 수준을 넘어서는 생산성 향상을 요구하고 있는 실정이다.In order to maximize cost competitiveness, factories need to constantly improve productivity and innovate quality, but recently, the situation is demanding productivity improvement beyond the level that can be controlled by setting logic in the system with human effort.

이와 같은 생산선 향상을 위해 설비 고장을 예측해야 하고, 생산 물량 흐름 최적화를 위해 설비 예방정비 시점도 예측해야 하며, 계측을 예측 하도록 하여 별도의 계측공정을 진행하지 않는 등 공정흐름 스피드를 극대화할 필요성이 있다.In order to improve the production line, it is necessary to predict equipment failures, predict the timing of facility preventive maintenance to optimize production volume flow, and to maximize the process flow speed, such as not performing a separate measurement process by predicting measurement. There is this.

또한, 제품 품질 측면에서는 공정 상의 이상 상황을 감지하는 수준을 넘어서 예측 해야 하고, 제품불량 판정 이전에 불량을 예측을 하여 양품을 보장해야 하는 동시에, 저수율 원인분석에 소요되는 시간을 최대한 단축하여 불량을 조기에 막아야할 필요성이 있다.In addition, in terms of product quality, it is necessary to predict beyond the level of detecting abnormal conditions in the process, and to ensure good products by predicting defects before determining product defects. There is a need to stop it early.

이러한 것은 제조 과정에서 생길 수 있는 예상치 못한 돌발 상황과 설비와 공정, 시설 등 이벤트 등을 민감하게 사전 감지할 수 있어야 함을 의미한다.This means that unexpected and unexpected situations that may occur in the manufacturing process and events such as facilities, processes, and facilities must be sensitively detected in advance.

즉, 스마트 공장의 핵심은 생산성 향상과 양품 보장을 위해 수많은 데이터를 활용하여 혁신적 관점에서 의미를 알아내고 지능화 시킬 수 있는 플랫포옴의 개발이 절실한 실정이다.In other words, the core of a smart factory is the desperate situation to develop a platform that can discover meaning and intelligentize from an innovative perspective by utilizing a number of data to improve productivity and guarantee quality products.

기존의 MES(Manufacturing Execution System)는 사전에 정의한 프로그램을 토대로 공정진행이 되므로 제조현장의 예측 할 수 없는 변화(신제품, 신공정, 설비 및 공정 변경, 자동화시스템 사고, 유틸리티 사고 등)에 의한 품질사고를 감지하고, 판단하기 매우 어려워서 미래의 상황에 대한 예방이 불가능하였다.Existing MES (Manufacturing Execution System) is a process based on a predefined program, so quality accidents due to unpredictable changes in the manufacturing site (new products, new processes, equipment and process changes, automation system accidents, utility accidents, etc.) It was very difficult to detect and judge, making it impossible to prevent future situations.

특히, 제조의 지속적인 생산성 향상 노력과 품질개선 활동 특성으로 시스템 변경점이 많아 새로운 기능 추가가 많고, 실행될 때의 종합적인 상황정보(context)의 재현이 불가해 적용 후 예상치 못한 문제가 발생할 가능성이 높다.In particular, due to the continuous productivity improvement efforts and quality improvement activities of manufacturing, there are many system changes, and many new functions are added, and since it is impossible to reproduce the comprehensive context when executed, unexpected problems are likely to occur after application.

그 외에도 생산성에 저해가 되는 돌발 요소인 설비고장, 설비PM, 불합리한 공정흐름, 전산 인프라 장애, 시설 및 유틸리티 장애 등 예측하지 못하는 부분이 많다.In addition, there are many unpredictable parts such as facility failure, facility PM, unreasonable process flow, computer infrastructure failure, facility and utility failure, which are unexpected factors that hinder productivity.

또한, 기존의 MES는 현황 및 실적 모니터링을 위한 생산정보를 보고 사람이 셋팅하는 수준의 아키텍처이다. 이 아키텍처의 고정적 셋팅이라는 한계성으로 자율생산을 위한 예측 기능 구현이 매우 어렵고, 필요 시 과대한 재개발 투자가 불가피한 문제점이 있다.In addition, the existing MES is an architecture at the level of human setting by viewing production information for status and performance monitoring. Due to the limitation of the fixed setting of this architecture, it is very difficult to implement a predictive function for autonomous production, and excessive redevelopment investment is inevitable when necessary.

또한, 공정계획과 공정실행 기능의 구현 방식은 공정계획에 대한 기준정보를 DB에 관리하도록 하고 그것을 비지니스 로직으로 실행하면서 그 상황정보를 기록하는 방식이므로, 사전에 정의되지 않은 이벤트에 대해서는 대응이 불가능한 문제점이 있다.In addition, since the implementation method of the process plan and process execution function is to manage the standard information on the process plan in the DB and record the situation information while executing it as a business logic, it is impossible to respond to events that are not defined in advance. There is a problem.

이와 관련된 종래기술로 특허문헌 1에 개시된 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 방법(제10-2019-0081691호) 및 특허문헌 2에 개시된 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치(제10-2019-0062739호)가 있으나, 이러한 종래기술 역시 위와 같은 문제점을 해결하고 있지 못하고 있다.As a related art, a process abnormality detection system and method using a machine learning algorithm disclosed in Patent Document 1 (No. 10-2019-0081691) and a plurality of sensors disclosed in Patent Document 2 are used to predict equipment failure in the manufacturing process. There is a data analysis method, algorithm, and apparatus (No. 10-2019-0062739), but this prior art also does not solve the above problems.

한국공개특허 제10-2019-0081691호Korean Patent Publication No. 10-2019-0081691 한국공개특허 제10-2019-0062739호Korean Patent Publication No. 10-2019-0062739

본 발명은 상기한 바와 같은 종래기술의 문제점을 해결하기 위해 안출된 것으로, 본 발명에서 해결하고자 하는 과제는 제조 전용 인공지능 MES 공정진행 예측 엔진(알고리즘)을 활용하여 4차 산업혁명의 스마트 팩토리를 가능하게 하는 지능형 예측기반 생산 자동화 시스템을 제공하는 것에 목적이 있다.The present invention was conceived to solve the problems of the prior art as described above, and the problem to be solved in the present invention is to establish a smart factory of the 4th industrial revolution using an artificial intelligence MES process progress prediction engine (algorithm) dedicated to manufacturing. The aim is to provide an intelligent predictive-based production automation system that makes it possible.

상기한 바와 같은 기술적 과제를 달성하기 위한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은, 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 상기 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 제1 계측부; 상기 공장 설비 가동 시, 상기 제1 계측부가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 제2 계측부; 상기 제1 계측부 및 상기 제2 계측부에서 계측된 데이터가 저장되고, 소정 파라미터값을 갖는 상기 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터가 저장되는 데이터베이스부; 다수의 알고리즘이 저장되는 알고리즘 저장부; 상기 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 상기 알고리즘 저장부에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 알고리즘 선택부; 상기 선택된 알고리즘에 기초하여 상기 공장 설비 가동에 필요한 인공지능 모델을 결정하는 인공지능 모델 결정부; 상기 데이터데이스부에 저장된 데이터에 기초하여, 상기 인공지능 모델의 기계학습을 구동하는 기계학습부; 및 상기 인공지능 모델의 동작에 기초하여 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 예측부;를 포함하여 구성되는 것에 기술적 특징이 있다.The cloud intelligent prediction-based production automation system for a smart factory according to the present invention for achieving the above-described technical problem is measured through a plurality of sensors installed in factory facilities, but some factors or some processes when the factory facilities are operated. A first measurement unit that measures about; A second measurement unit for virtually measuring the remaining factors or remaining processes not measured by the first measurement unit when the factory equipment is operated; A database unit that stores data measured by the first and second measurement units, and stores input data for the factory equipment having predetermined parameter values and output data corresponding thereto; An algorithm storage unit storing a plurality of algorithms; An algorithm selection unit for selecting at least one algorithm from among a plurality of algorithms stored in the algorithm storage unit, based on input data having initial parameter values for the factory equipment; An artificial intelligence model determination unit that determines an artificial intelligence model required for operation of the factory equipment based on the selected algorithm; A machine learning unit for driving machine learning of the artificial intelligence model based on the data stored in the data data unit; And a prediction unit that predicts a failure or abnormality when the factory equipment is operated based on the operation of the artificial intelligence model.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은, 상기 예측부는 상기 기계학습 후 상기 공장 설비 가동 시 장애 또는 이상을 예측하도록 구성될 수 있다.In addition, in the cloud intelligent prediction-based production automation system for a smart factory according to the present invention, the prediction unit may be configured to predict a failure or abnormality when the factory equipment is operated after the machine learning.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은, 제어부에 의해 상기 공장 설비에 대한 입력 데이터의 파라미터값이 변경되고, 상기 기계학습부는 상기 변경된 파라미터값에 기초하여 상기 인공지능 모델의 기계학습을 구동하도록 구성될 수 있다.In addition, in the cloud intelligent prediction-based production automation system for a smart factory according to the present invention, a parameter value of input data for the factory facility is changed by a control unit, and the machine learning unit is the artificial intelligence model based on the changed parameter value. It can be configured to drive machine learning.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은, 상기 인공지능 모델이 예측하는 장애는, 자동화 장애 또는 설비 장애일 수 있다.In addition, in the cloud intelligent prediction-based production automation system for a smart factory according to the present invention, a failure predicted by the artificial intelligence model may be an automation failure or a facility failure.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은, 상기 인공지능 모델이 예측하는 이상은, 설비 이상, 공정흐름 이상, 제품품질 이상 중 적어도 하나일 수 있다.In addition, in the cloud intelligent prediction-based production automation system for a smart factory according to the present invention, the abnormality predicted by the artificial intelligence model may be at least one of a facility abnormality, a process flow abnormality, and a product quality abnormality.

상기한 바와 같은 기술적 과제를 달성하기 위한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 제1 계측부가, 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 상기 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 단계; 제2 계측부가, 상기 공장 설비 가동 시, 상기 제1 계측부가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 단계; 제어부가, 상기 제1 계측부 및 상기 제2 계측부에서 계측된 데이터를 데이터베이스부에 저장하고, 소정 파라미터값을 갖는 상기 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터를 상기 데이터베이스부에 저장하는 단계; 알고리즘 선택부가, 상기 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 알고리즘 저장부에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 단계; 인공지능 모델 결정부가, 상기 선택된 알고리즘에 기초하여 상기 공장 설비 가동에 필요한 인공지능 모델을 결정하는 단계; 기계학습부가, 상기 데이터데이스부에 저장된 데이터에 기초하여, 상기 인공지능 모델의 기계학습을 구동하는 단계; 및 예측부가, 상기 인공지능 모델의 동작에 기초하여 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 단계;를 포함하여 구성되는 것에 기술적 특징이 있다.In the cloud intelligent prediction-based production automation method for a smart factory according to the present invention for achieving the above-described technical problem, the first measurement unit measures through a plurality of sensors installed in factory facilities, but when the factory facilities are operated Measuring for some factors or some processes; A step of virtually measuring, by a second measurement unit, the remaining factors or remaining processes that the first measurement unit has not measured when the factory equipment is operated; Storing the data measured by the first measurement unit and the second measurement unit in a database unit, and storing input data for the factory equipment having a predetermined parameter value and output data corresponding thereto in the database unit; Selecting at least one algorithm from among a plurality of algorithms stored in an algorithm storage unit, based on input data having an initial parameter value for the factory facility, by an algorithm selection unit; Determining, by an artificial intelligence model determination unit, an artificial intelligence model required for operation of the factory equipment based on the selected algorithm; Driving, by a machine learning unit, machine learning of the artificial intelligence model based on the data stored in the data data unit; And a predicting unit predicting a failure or abnormality during operation of the factory equipment based on the operation of the artificial intelligence model.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 상기 예측부는 상기 기계학습 후 상기 공장 설비 가동 시 장애 또는 이상을 예측하도록 구성될 수 있다.In addition, in the cloud intelligent prediction-based production automation method for a smart factory according to the present invention, the prediction unit may be configured to predict a failure or abnormality when the factory equipment is operated after the machine learning.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 제어부에 의해 상기 공장 설비에 대한 입력 데이터의 파라미터값이 변경되고, 상기 기계학습부는 상기 변경된 파라미터값에 기초하여 상기 인공지능 모델의 기계학습을 구동하도록 구성될 수 있다.In addition, in the cloud intelligent prediction-based production automation method for a smart factory according to the present invention, a parameter value of input data for the factory facility is changed by a control unit, and the machine learning unit is the artificial intelligence model based on the changed parameter value. It can be configured to drive machine learning.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 상기 인공지능 모델이 예측하는 장애는, 자동화 장애 또는 설비 장애일 수 있다.In addition, in the cloud intelligent prediction-based production automation method for a smart factory according to the present invention, the failure predicted by the artificial intelligence model may be an automation failure or a facility failure.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 상기 인공지능 모델이 예측하는 이상은, 설비 이상, 공정흐름 이상, 제품품질 이상 중 적어도 하나일 수 있다.In addition, in the cloud intelligent prediction-based production automation method for a smart factory according to the present invention, the abnormality predicted by the artificial intelligence model may be at least one of a facility abnormality, a process flow abnormality, and a product quality abnormality.

본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은 제조 전용 인공지능 MES 공정진행 예측 엔진(알고리즘)을 활용함으로써 4차 산업혁명의 스마트 팩토리 구현을 가능케 한다.The cloud intelligent prediction-based production automation system for a smart factory according to the present invention enables the implementation of a smart factory of the 4th industrial revolution by utilizing an artificial intelligence MES process progress prediction engine (algorithm) for manufacturing.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은 클라우드 기술을 적용하여 누구나 MES를 저가격으로 쉽게 공정진행정보, 설비제어정보, 생산흐름정보를 활용하여 MES 공정흐름 기능을 사용하게 하는 동시에 지능형 생산자동화를 가능케 한다.In addition, the cloud intelligent prediction-based production automation system for a smart factory according to the present invention applies cloud technology to allow anyone to use the MES process flow function using process progress information, facility control information, and production flow information easily at a low price. At the same time, it enables intelligent production automation.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은 사업장 마다 자동화 요구사항과 수준이 다른 각각 도메인에 적합한 형태로 구현이 가능하다.In addition, the cloud intelligent prediction-based production automation system for a smart factory according to the present invention can be implemented in a form suitable for each domain having different automation requirements and levels for each business site.

또한 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은 사업장 유형에 따라 트래킹(Tracking) 작업의 오버헤드(overhead)를 조정할 수 있게 하고, 여러 가지의 모니터링/제어 및 예측 기능을 상황에 따라 분할 제공할 수 있다.In addition, the cloud intelligent prediction-based production automation system for a smart factory according to the present invention enables the overhead of tracking work to be adjusted according to the type of business site, and provides various monitoring/control and prediction functions to the situation. Can be provided according to the division.

도 1은 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템의 개략적인 구성도이다.
도 2는 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템이 MES에 적용된 상태도이다.
도 3은 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법의 순서도이다.1 is a schematic configuration diagram of a cloud intelligent prediction-based production automation system for a smart factory according to the present invention.
2 is a diagram illustrating a state diagram of a production automation system based on cloud intelligent prediction for a smart factory according to the present invention applied to an MES.
3 is a flowchart of a method for automating production based on intelligent prediction for a smart factory according to the present invention.

하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.In the following description of the present invention, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, a detailed description thereof will be omitted.

본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로, 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원서에 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명은 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since embodiments according to the concept of the present invention can be changed in various ways and have various forms, specific embodiments will be illustrated in the drawings and described in detail in the present specification or application. However, this is not intended to limit the embodiments according to the concept of the present invention to a specific form of disclosure, and the present invention should be understood to include all changes, equivalents, and substitutes included in the spirit and scope of the present invention.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being "connected" or "connected" to another component, it is understood that it may be directly connected or connected to the other component, but other components may exist in the middle. It should be. On the other hand, when a component is referred to as being "directly connected" or "directly connected" to another component, it should be understood that there is no other component in the middle. Other expressions describing the relationship between components, such as "between" and "directly between" or "adjacent to" and "directly adjacent to" should be interpreted as well.

본 명세서에서 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 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present specification 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 specification, terms such as "comprise" or "have" are intended to designate the presence of a set feature, number, step, action, component, part, or combination thereof, but one or more other features or numbers. It is to be understood that the possibility of addition or presence of, steps, actions, components, parts, or combinations thereof is not preliminarily excluded.

도 1은 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템의 개략적인 구성도이다.1 is a schematic configuration diagram of a cloud intelligent prediction-based production automation system for a smart factory according to the present invention.

도 1을 참조하면, 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템은 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 제1 계측부(110); 공장 설비 가동 시, 제1 계측부(110)가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 제2 계측부(120); 제1 계측부(110) 및 제2 계측부(120)에서 계측된 데이터가 저장되고, 소정 파라미터값을 갖는 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터가 저장되는 데이터베이스부(200); 다수의 알고리즘이 저장되는 알고리즘 저장부(310); 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 알고리즘 저장부(310)에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 알고리즘 선택부(320); 선택된 알고리즘에 기초하여 공장 설비 가동에 필요한 인공지능 모델을 결정하는 인공지능 모델 결정부(400); 데이터데이스부(200)에 저장된 데이터에 기초하여, 인공지능 모델의 기계학습을 구동하는 기계학습부(500); 및 인공지능 모델의 동작에 기초하여 공장 설비 가동 시 장애 또는 이상을 예측하는 예측부(600);를 포함하여 구성되고, 필요에 따라 시스템 전반적인 동작을 제어하는 제어부(700)를 포함하여 구성될 수 있다.Referring to FIG. 1, the cloud intelligent prediction-based production automation system for a smart factory according to the present invention measures through a plurality of sensors installed in factory facilities, but a first measure for some factors or some processes when the factory facilities are operated. Measurement unit 110; A second measurement unit 120 for virtually measuring the remaining factors or remaining processes not measured by the first measurement unit 110 when the factory equipment is operated; A database unit 200 for storing data measured by the first measurement unit 110 and the second measurement unit 120 and storing input data for factory facilities having predetermined parameter values and output data corresponding thereto; An algorithm storage unit 310 in which a plurality of algorithms are stored; An algorithm selection unit 320 for selecting at least one algorithm from among a plurality of algorithms stored in the algorithm storage unit 310 based on input data having initial parameter values for factory facilities; An artificial intelligence model determination unit 400 for determining an artificial intelligence model required for operation of factory facilities based on the selected algorithm; A machine learning unit 500 for driving machine learning of an artificial intelligence model based on the data stored in the data data unit 200; And a prediction unit 600 that predicts a failure or an abnormality during operation of the factory facility based on the operation of the artificial intelligence model, and may be configured to include a control unit 700 that controls the overall system operation as necessary. have.

제1 계측부(110)는 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 공장 설비 가동 시 일부 팩터(factor) 또는 일부 공정에 대해서 계측하는 구성요소이다. 예를 들어 제1 계측부(110)는 반도체 공장 설비에 설치되어, 화학물질의 순도를 계측하는 구성일 수 있고, 가공 설비에 설치되어 소정 힘을 계측하거나 회전력 등을 계측하는 구성일 수 있다.The first measurement unit 110 measures through a plurality of sensors installed in factory facilities, but is a component that measures some factors or some processes when the factory facilities are operated. For example, the first measurement unit 110 may be installed in a semiconductor factory facility to measure the purity of a chemical substance, or may be installed in a processing facility to measure a predetermined force or a rotational force.

또한 본 발명에서 제1 계측부(110)는 공정과 공정 사이에서 계측이 진행되어 어떠한 공정이 제대로 이루어져 있는지 파악하도록 구성될 수 있다.In addition, in the present invention, the first measurement unit 110 may be configured to determine which process is properly performed by measuring the process and the process.

제2 계측부(120)는 공장 설비 가동 시, 제1 계측부(110)가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 구성요소이다. 예를 들어 반도체 공장 설비에 다수의 센서가 설치되는 경우, 제1 계측부(110)가 일부의 화학물질의 순도만 계측하고, 제1 계측부(110)가 계측하지 않은 나머지 모든 화학 물질에 대해서는 제2 계측부(120)가 가상으로 계측할 수 있다.The second measurement unit 120 is a component that virtually measures the remaining factors or remaining processes that the first measurement unit 110 has not measured when the factory equipment is operated. For example, when a plurality of sensors are installed in a semiconductor factory facility, the first measurement unit 110 measures only the purity of some chemical substances, and the second measurement unit 110 measures all other chemical substances that are not measured. The measurement unit 120 can measure virtually.

다른 예를 들어 제1 계측부(110)가 일부의 공정이 끝난 후 해당 공정이 제대로 수행되었는지 계측하도록 구성되고, 제2 계측부(120)는 제1 계측부(110)가 계측하지 않은 모든 공정마다 해당 공정이 제대로 수행되었는지 가상으로 계측할 수 있다.For another example, the first measurement unit 110 is configured to measure whether the corresponding process is properly performed after some processes are finished, and the second measurement unit 120 is a corresponding process for every process that the first measurement unit 110 does not measure. You can virtually measure whether this has been done properly.

즉, 본 발명에서는 제1 계측부(110)는 실제로 센서를 통해 계측하는 물리적인 구성요소이고, 제2 계측부(120)는 가상으로 계측을 진행하는 비물리적 구성요소이다. 제2 계측부(120)는 가상 계측을 위해 다양한 종류의 가상 계측 모델로 이루어질 수 있다.That is, in the present invention, the first measurement unit 110 is a physical component that is actually measured through a sensor, and the second measurement unit 120 is a non-physical component that virtually performs measurement. The second measurement unit 120 may be formed of various types of virtual measurement models for virtual measurement.

예를 들어, 반도체 및 디스플레이 공정에서는 화학 자재들의 대류현상이나 설비의 마모 등으로 인해서 시간에 따라서 공정의 인자들이 변동하게 되는데, 이러한 시간변동성을 반영한 가상 계측 모델이 제2 계측부(120)를 이루는 모델로 채용될 수 있다.For example, in semiconductor and display processes, process factors change over time due to convection of chemical materials or wear of facilities, and a virtual measurement model reflecting such time variability is a model that forms the second measurement unit 120 Can be employed as.

이처럼 본 발명에서는 제1 계측부(110)를 통해 일부 팩터 또는 일부 공정에 대해서 계측을 하고, 제1 계측부(110)가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 제2 계측부(120)가 가상 계측을 진행함으로써, 전체의 팩터 또는 전체의 공정에 대해 계측이 가능하게 된다.As described above, in the present invention, some factors or some processes are measured through the first measurement unit 110, and the second measurement unit 120 performs virtual measurement for the remaining factors or other processes not measured by the first measurement unit 110. By proceeding, it becomes possible to measure the entire factor or the entire process.

데이터베이스부(200)는 다양한 종류의 데이터가 저장되는 구성요소로, 제1 계측부(110) 및 제2 계측부(120)에서 계측된 데이터가 저장되고, 소정 파라미터값을 갖는 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터가 저장된다.The database unit 200 is a component in which various types of data are stored, and the data measured by the first and second measurement units 110 and 120 are stored, and input data for factory facilities having predetermined parameter values and Output data corresponding to this is stored.

데이터베이스부(200)는 실제 현장에서 운영 가능하도록 구현될 수 있고, 시계열성 데이터가 저정되도록 구성될 수 있다.The database unit 200 may be implemented to be operated in an actual field, and may be configured to store time-series data.

예를 들어 데이터베이스부(200)는 WIP Transaction Log 취합, 분석 및 가공이 가능하도록 구현될 수 있고, 설비 상태 변경, 알람, 로그, 센서데이터 취합, 분석 및 가공이 가능하도록 구현될 수도 있으며, 행산흐름 이력 및 지표 취합, 분석, 가공이 가능하도록 구현될 수도 있다.For example, the database unit 200 may be implemented to enable collection, analysis, and processing of WIP Transaction Logs, and may be implemented to enable facility state change, alarm, log, and sensor data collection, analysis, and processing. It may be implemented to enable collection, analysis, and processing of history and indicators.

알고리즘 저장부(310)는 다수의 알고리즘이 저장되는 구성요소이다. 알고리즘 저장부(300)에는 다양한 종류의 알고리즘이 저장될 수 있는데, 기계학습(machine learning) 알고리즘 및 인공지능 알고리즘 등이 저장될 수 있다. 예를 들어 한 세트의 사례들(examples)들을 기반으로 예측을 수행하는 지도 학습(supervised learning) 알고리즘, 분류된 자료가 한정적일 때 미분류(unlabeled) 사례를 이용하는 준지도 학습(semi-supervised learning) 알고리즘, 클러스터링 구조(clustering structure), 저차원 다양체(low-dimensional manifold), 희소 트리 및 그래프(a sparse tree and graph) 등과 같은 데이터의 기저를 이루는 고유 패턴을 발견하도록 설정되는 비지도 학습(unsupervised learning) 알고리즘 등이 알고리즘 저장부(300)에 저장될 수 있다.The algorithm storage unit 310 is a component in which a plurality of algorithms are stored. The algorithm storage unit 300 may store various types of algorithms, such as machine learning algorithms and artificial intelligence algorithms. For example, a supervised learning algorithm that performs prediction based on a set of examples, and a semi-supervised learning algorithm that uses unlabeled cases when the classified data is limited. , Clustering structure, low-dimensional manifold, a sparse tree and graph, etc. Algorithms and the like may be stored in the algorithm storage unit 300.

알고리즘 선택부(320)는 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 알고리즘 저장부(310)에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 구성요소이다. 공장 설비에는 입력 데이터가 있을 수 있는데, 이러한 입력 데이터 중 초기 파라미터값을 갖는 입력 데이터에 기초하여 다수의 알고리즘 중 하나의 알고리즘이 선택될 수 있다.The algorithm selection unit 320 is a component that selects at least one algorithm from among a plurality of algorithms stored in the algorithm storage unit 310 based on input data having initial parameter values for factory facilities. The factory facility may have input data, and one of a plurality of algorithms may be selected based on input data having an initial parameter value among the input data.

인공지능 모델 결정부(400)는 선택된 알고리즘에 기초하여 공장 설비 가동에 필요한 인공지능 모델을 결정하는 구성요소이다. 인공지능 모델은 상기 선택된 적어도 하나의 알고리즘에 기초하여 만들어지는데, 인공지능 모델 결정부(400)가 최종적으로 만들어지는 인공지능 모델을 결정할 수 있다. 이러한 기능은 인공지능 모델 결정부(400)에서 수행될 수도 있고 필요에 따라 제어부(700)에서 수행될 수도 있다.The artificial intelligence model determination unit 400 is a component that determines an artificial intelligence model required for operation of factory facilities based on the selected algorithm. The artificial intelligence model is created based on the selected at least one algorithm, and the artificial intelligence model determination unit 400 may determine an artificial intelligence model that is finally created. This function may be performed by the artificial intelligence model determination unit 400 or may be performed by the control unit 700 if necessary.

기계학습부(500)는 데이터데이스부(200)에 저장된 데이터에 기초하여, 인공지능 모델의 기계학습을 구동하는 구성요소이다. 데이터베이스부(200)에 저장된 기계학습 알고리즘에 의해 인공지능 모델의 기계학습이 구동될 수 있다.The machine learning unit 500 is a component that drives machine learning of an artificial intelligence model based on data stored in the data data unit 200. Machine learning of an artificial intelligence model may be driven by a machine learning algorithm stored in the database unit 200.

예측부(600)는 기계학습 후 상기 공장 설비 가동 시 장애 또는 이상을 예측하도록 구성요소이다.The prediction unit 600 is a component to predict a failure or abnormality when the factory equipment is operated after machine learning.

제어부(700)는 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템을 전반적인 동작을 제어하는 구성요소로, 제어부(700)에 의해 공장 설비에 대한 입력 데이터의 파라미터값이 변경되고, 기계학습부(500)는 상기 변경된 파라미터값에 기초하여 인공지능 모델의 기계학습을 구동하도록 구성될 수 있다.The controller 700 is a component that controls the overall operation of the cloud intelligent prediction-based production automation system for a smart factory according to the present invention. The learning unit 500 may be configured to drive machine learning of the artificial intelligence model based on the changed parameter value.

본 발명에서 인공지능 모델이 예측하는 장애는, 자동화 장애 또는 설비 장애일 수 있다.In the present invention, the failure predicted by the artificial intelligence model may be an automation failure or a facility failure.

또한 본 발명에서 인공지능 모델이 예측하는 이상은, 설비 이상, 공정흐름 이상, 제품품질 이상 중 적어도 하나일 수 있다.In addition, the abnormality predicted by the artificial intelligence model in the present invention may be at least one of equipment abnormality, process flow abnormality, and product quality abnormality.

도 2는 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템이 MES에 적용된 상태도이다. 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템에 적용될 수 있는데, 설비 관련 데이터, 센서 관련 데이터, 물류 관련 데이터, 인프라 관련 데이터를 수집하여 공정 진행을 제어할 수 있다.2 is a diagram illustrating a state diagram of a production automation system based on cloud intelligent prediction for a smart factory according to the present invention applied to MES. It can be applied to a production automation system based on cloud intelligent prediction for a smart factory according to the present invention, and it is possible to control process progress by collecting facility-related data, sensor-related data, logistics-related data, and infrastructure-related data.

공정 진행을 제어에는 설비 제어, 생산흐름 제어, 물류 제어 등이 포함될 수 있고, 공정 진행을 제어하면서 공정에 대한 조회 및 모니터링이 가능하고 데이터 분석이 가능하도록 구성될 수 있다.Controlling process progress may include facility control, production flow control, logistics control, and the like, and may be configured to enable inquiry and monitoring of the process and data analysis while controlling the process progress.

이렇게 공정 진행 제어에 따른 데이터가 추가적으로 수집되어 저장될 수 있으며, 저장된 데이터를 기초로하여 기계학습 후 인공지능 모델이 공정 진행에 따른 예측을 수행할 수 있다.In this way, data according to the process progress control may be additionally collected and stored, and based on the stored data, the artificial intelligence model may perform prediction according to the process progress after machine learning.

기존 MES는 모든 기반이 Process Plan & WIP Tracking 이므로 사업 특성이 다르더라도 제조 현장 정보 조회 및 모니터링을 위해서 반드시 트래킹(Tracking) 작업을 해야 하는 문제가 있었다.Existing MES is all based on Process Plan & WIP Tracking, so even if the business characteristics are different, there is a problem that tracking work must be performed for inquiry and monitoring of manufacturing site information.

그리고 기존에는 MES의 정보구조의 기반을 확보하고자 현장의 Tracking 작업이 많아지면 무인 자동화가 되지 않는 이상, 제조현장 업무가 기존에 비해 과중되는 문제가 있었다.In the past, there was a problem in that manufacturing site work was more heavy than before, unless unmanned automation was performed when there were more tracking work in the field to secure the basis of the information structure of MES.

그러나 본 발명은, 사업장 유형에 따라 Tracking 작업의 오버헤드(overhead)를 조정할 수 있게 하고, 여러 가지의 모니터링/제어 및 예측 기능을 상황에 따라 분할 제공하도록 하는 Cloud SaaS(Software as a Service) 구조를 채택될 수 있다.However, the present invention provides a Cloud SaaS (Software as a Service) structure that allows the overhead of tracking work to be adjusted according to the type of business site, and provides various monitoring/control and prediction functions according to the situation. Can be adopted.

또한 본 발명은 Shop Floor 전체가 아닌 셀(Cell) 단위의 일부 자동화도 가능하게 구현될 수 있다. 또한 제품들의 WIP Tracking 이력, 설비제어 이력, 생산흐름제어 이력을 시계열성 데이터로 변환하고 그것을 학습하는 기술을 활용 하여 AI모델화한 후, 신규 Transaction에 대해 지능적으로 판단하도록 구현될 수 있다. In addition, the present invention may be implemented to enable partial automation in units of cells rather than the entire shop floor. In addition, it can be implemented to intelligently judge new transactions after converting the WIP tracking history, facility control history, and production flow control history of products into time-series data and using the technology to learn it into an AI model.

이와 같은 기능 및 동작에 의해 본 발명은 공정흐름 이상 예측을 통해 생산성 사고 징후를 사전에 발견하고 예방함으로써 4차 산업혁명 시대의 대규모 투자가 수반된 프로세스 장치 산업에서의 생산성 저하 예방을 실현할 수 있다.With such functions and operations, the present invention can realize the prevention of decrease in productivity in the process equipment industry accompanied by large-scale investment in the era of the 4th industrial revolution by discovering and preventing signs of productivity accidents in advance through prediction of process flow abnormalities.

도 3은 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법의 순서도이다.3 is a flowchart of a production automation method based on cloud intelligent prediction for a smart factory according to the present invention.

도 3을 참조하면 본 발명에 따른 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법은, 제1 계측부가 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 상기 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 단계(S100); 제2 계측부가, 상기 공장 설비 가동 시, 상기 제1 계측부가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 단계(S200); 제어부가, 상기 제1 계측부 및 상기 제2 계측부에서 계측된 데이터를 데이터베이스부에 저장하고, 소정 파라미터값을 갖는 상기 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터를 상기 데이터베이스부에 저장하는 단계(S300); 알고리즘 선택부가, 상기 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 알고리즘 저장부에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 단계(S400); 인공지능 모델 결정부가, 상기 선택된 알고리즘에 기초하여 상기 공장 설비 가동에 필요한 인공지능 모델을 결정하는 단계(S500); 기계학습부가, 상기 데이터데이스부에 저장된 데이터에 기초하여, 상기 인공지능 모델의 기계학습을 구동하는 단계(S600); 및 예측부가, 상기 인공지능 모델의 동작에 기초하여 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 단계(S700);를 포함하여 구성될 수 있다.Referring to FIG. 3, in the cloud intelligent prediction-based production automation method for a smart factory according to the present invention, a first measurement unit measures through a plurality of sensors installed in a factory facility, but in some factors or some processes when the factory facility is operated. Measuring about (S100); A step (S200) of virtually measuring the remaining factors or the remaining processes that the first measurement unit did not measure when the factory equipment is operated (S200); A step of storing, by the control unit, the data measured by the first and second measurement units in a database unit, and storing input data for the factory equipment having a predetermined parameter value and output data corresponding thereto in the database unit ( S300); Selecting at least one algorithm from among a plurality of algorithms stored in an algorithm storage unit based on input data having an initial parameter value for the factory facility (S400); Determining, by an artificial intelligence model determination unit, an artificial intelligence model required for operation of the factory facility based on the selected algorithm (S500); A step of driving, by a machine learning unit, machine learning of the artificial intelligence model based on the data stored in the data data unit (S600); And predicting a failure or abnormality during operation of the factory facility based on the operation of the artificial intelligence model (S700).

상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진 자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.Although the technical idea of the present invention described above has been described in detail in the preferred embodiment, it should be noted that the above-described embodiment is for the purpose of explanation and not for the limitation thereof. In addition, those of ordinary skill in the technical field of the present invention will understand that various embodiments are possible within the scope of the technical idea of the present invention. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

110: 제1 계측부 120: 제2 계측부
200: 데이터베이스부 310: 알고리즘 저장부
320: 알고리즘 선택부 400: 인공지능 모델 결정부
500: 기계학습부 600: 예측부
700: 제어부110: first measurement unit 120: second measurement unit
200: database unit 310: algorithm storage unit
320: algorithm selection unit 400: artificial intelligence model determination unit
500: machine learning unit 600: prediction unit
700: control unit

Claims (10)

공장 설비에 설치되는 다수의 센서를 통해 계측하되, 상기 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 제1 계측부;
상기 공장 설비 가동 시, 상기 제1 계측부가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 제2 계측부;
상기 제1 계측부 및 상기 제2 계측부에서 계측된 데이터가 저장되고, 소정 파라미터값을 갖는 상기 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터가 저장되는 데이터베이스부;
다수의 알고리즘이 저장되는 알고리즘 저장부;
상기 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 상기 알고리즘 저장부에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 알고리즘 선택부;
상기 선택된 알고리즘에 기초하여 상기 공장 설비 가동에 필요한 인공지능 모델을 결정하는 인공지능 모델 결정부;
상기 데이터데이스부에 저장된 데이터에 기초하여, 상기 인공지능 모델의 기계학습을 구동하는 기계학습부; 및
상기 인공지능 모델의 동작에 기초하여 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 예측부;를 포함하여 구성되는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템.
A first measurement unit that measures through a plurality of sensors installed in factory facilities, and measures some factors or some processes when the factory facilities are operated;
A second measurement unit for virtually measuring the remaining factors or remaining processes not measured by the first measurement unit when the factory equipment is operated;
A database unit that stores data measured by the first and second measurement units, and stores input data for the factory equipment having predetermined parameter values and output data corresponding thereto;
An algorithm storage unit storing a plurality of algorithms;
An algorithm selection unit for selecting at least one algorithm from among a plurality of algorithms stored in the algorithm storage unit, based on input data having initial parameter values for the factory equipment;
An artificial intelligence model determination unit that determines an artificial intelligence model required for operation of the factory equipment based on the selected algorithm;
A machine learning unit for driving machine learning of the artificial intelligence model based on the data stored in the data data unit; And
A cloud intelligent prediction-based production automation system for a smart factory, comprising: a prediction unit that predicts a failure or an abnormality when the factory equipment is operated based on the operation of the artificial intelligence model.
 제1항에 있어서,
상기 예측부는 상기 기계학습 후 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템.
The method of claim 1,
The prediction unit predicts a failure or abnormality when the factory equipment is operated after the machine learning.
 제1항에 있어서,
제어부에 의해 상기 공장 설비에 대한 입력 데이터의 파라미터값이 변경되고,
상기 기계학습부는 상기 변경된 파라미터값에 기초하여 상기 인공지능 모델의 기계학습을 구동하는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템.
The method of claim 1,
The control unit changes the parameter value of the input data for the factory facility,
The machine learning unit drives machine learning of the artificial intelligence model based on the changed parameter value.
 제1항에 있어서,
상기 인공지능 모델이 예측하는 장애는, 자동화 장애 또는 설비 장애인 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템.
The method of claim 1,
The failure predicted by the artificial intelligence model is an automation failure or a facility failure, a cloud intelligent prediction-based production automation system for a smart factory, characterized in that.
 제1항에 있어서,
상기 인공지능 모델이 예측하는 이상은, 설비 이상, 공정흐름 이상, 제품품질 이상 중 적어도 하나인 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 시스템.
The method of claim 1,
The abnormality predicted by the artificial intelligence model is at least one of an abnormality in equipment, an abnormality in process flow, and an abnormality in product quality.
 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법에 있어서,
제1 계측부가, 공장 설비에 설치되는 다수의 센서를 통해 계측하되, 상기 공장 설비 가동 시 일부 팩터 또는 일부 공정에 대해서 계측하는 단계;
제2 계측부가, 상기 공장 설비 가동 시, 상기 제1 계측부가 계측하지 않은 나머지 팩터 또는 나머지 공정에 대해서 가상으로 계측하는 단계;
제어부가, 상기 제1 계측부 및 상기 제2 계측부에서 계측된 데이터를 데이터베이스부에 저장하고, 소정 파라미터값을 갖는 상기 공장 설비에 대한 입력 데이터 및 이에 대응한 출력 데이터를 상기 데이터베이스부에 저장하는 단계;
알고리즘 선택부가, 상기 공장 설비에 대한 초기 파라미터값을 갖는 입력 데이터에 기초하여, 알고리즘 저장부에 저장된 다수의 알고리즘 중 적어도 하나의 알고리즘을 선택하는 단계;
인공지능 모델 결정부가, 상기 선택된 알고리즘에 기초하여 상기 공장 설비 가동에 필요한 인공지능 모델을 결정하는 단계;
기계학습부가, 상기 데이터데이스부에 저장된 데이터에 기초하여, 상기 인공지능 모델의 기계학습을 구동하는 단계; 및
예측부가, 상기 인공지능 모델의 동작에 기초하여 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 단계;를 포함하여 구성되는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법.
In the cloud intelligent prediction-based production automation method for a smart factory,
A step of measuring a first measurement unit through a plurality of sensors installed in a factory facility, but measuring a part of a factor or part of a process when the factory facility is operated;
A step of virtually measuring, by a second measurement unit, the remaining factors or remaining processes that the first measurement unit has not measured when the factory equipment is operated;
Storing the data measured by the first measurement unit and the second measurement unit in a database unit, and storing input data for the factory equipment having a predetermined parameter value and output data corresponding thereto in the database unit;
Selecting at least one algorithm from among a plurality of algorithms stored in an algorithm storage unit based on input data having an initial parameter value for the factory facility;
Determining, by an artificial intelligence model determination unit, an artificial intelligence model required for operation of the factory equipment based on the selected algorithm;
Driving, by a machine learning unit, machine learning of the artificial intelligence model based on the data stored in the data data unit; And
A prediction unit, predicting a failure or abnormality during operation of the factory equipment based on the operation of the artificial intelligence model; Cloud intelligent prediction-based production automation method for a smart factory, characterized in that it comprises a.
 제6항에 있어서,
상기 예측부는 상기 기계학습 후 상기 공장 설비 가동 시 장애 또는 이상을 예측하는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법.
The method of claim 6,
The prediction unit predicts a failure or an abnormality when the factory equipment is operated after the machine learning.
 제7항에 있어서,
제어부에 의해 상기 공장 설비에 대한 입력 데이터의 파라미터값이 변경되고,
상기 기계학습부는 상기 변경된 파라미터값에 기초하여 상기 인공지능 모델의 기계학습을 구동하는 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법.
The method of claim 7,
The control unit changes the parameter value of the input data for the factory facility,
The machine learning unit drives machine learning of the artificial intelligence model based on the changed parameter value.
 제7항에 있어서,
상기 인공지능 모델이 예측하는 장애는, 자동화 장애 또는 설비 장애인 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법.
The method of claim 7,
The failure predicted by the artificial intelligence model is an automation failure or facility failure, characterized in that the cloud intelligent prediction-based production automation method for a smart factory.
 제6항에 있어서,
상기 인공지능 모델이 예측하는 이상은, 설비 이상, 공정흐름 이상, 제품품질 이상 중 적어도 하나인 것을 특징으로 하는 스마트 팩토리를 위한 클라우드 지능형 예측 기반 생산 자동화 방법.
The method of claim 6,
The abnormality predicted by the artificial intelligence model is at least one of an abnormality in equipment, an abnormality in process flow, and an abnormality in product quality.
KR1020190112302A 2019-09-10 2019-09-10 Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory KR20210030754A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190112302A KR20210030754A (en) 2019-09-10 2019-09-10 Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190112302A KR20210030754A (en) 2019-09-10 2019-09-10 Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory

Publications (1)

Publication Number Publication Date
KR20210030754A true KR20210030754A (en) 2021-03-18

Family

ID=75232295

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190112302A KR20210030754A (en) 2019-09-10 2019-09-10 Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory

Country Status (1)

Country Link
KR (1) KR20210030754A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230003819A (en) * 2021-06-30 2023-01-06 주식회사 하이텍정보 Facility management system that enables preventive maintenance using deep learning

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190062739A (en) 2017-11-29 2019-06-07 달리웍스 주식회사 Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors
KR20190081691A (en) 2017-12-29 2019-07-09 비컴솔루션 주식회사 System and Method for Abnormality Monitoring by Using Machine Learning Algorithm

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190062739A (en) 2017-11-29 2019-06-07 달리웍스 주식회사 Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors
KR20190081691A (en) 2017-12-29 2019-07-09 비컴솔루션 주식회사 System and Method for Abnormality Monitoring by Using Machine Learning Algorithm

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230003819A (en) * 2021-06-30 2023-01-06 주식회사 하이텍정보 Facility management system that enables preventive maintenance using deep learning

Similar Documents

Publication Publication Date Title
Diez-Olivan et al. Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0
Fernandes et al. Data analysis and feature selection for predictive maintenance: A case-study in the metallurgic industry
Liu et al. A method of NC machine tools intelligent monitoring system in smart factories
JP6031202B1 (en) Cell control device for finding the cause of abnormalities in manufacturing machines
Lee et al. Service innovation and smart analytics for industry 4.0 and big data environment
Wang Towards zero-defect manufacturing (ZDM)—a data mining approach
US7533798B2 (en) Data acquisition and processing system for risk assessment
JP5179086B2 (en) Industrial process monitoring method and monitoring system
CN112727965B (en) Fault monitoring method and device for brake of coal mining machine
US20110166912A1 (en) Plant analysis system
KR102464762B1 (en) Predictive maintenance method for equipment failure using artificial intelligence based on experiential shared knowledge
US20120116827A1 (en) Plant analyzing system
Lee et al. Predictive big data analytics and cyber physical systems for TES systems
WO2020252666A1 (en) Edge computing device and method for industrial internet of things, and computer-readable storage medium
KR20230017556A (en) System and operational methods for manufacturing execution based on artificial intelligence and bigdata
CN115946132A (en) Intelligent dense warehouse and logistics robot system and fault monitoring method thereof
zu Wickern Challenges and reliability of predictive maintenance
KR20210030754A (en) Cloud Intelligent Prediction-based Production Automation System and Method for Smart Factory
KR20220152709A (en) Prediction method of machine health stability in smart factory system, and recording medium thereof
Lieber et al. Sustainable interlinked manufacturing processes through real-time quality prediction
Chhotaray et al. Enhancement of Manufacturing Sector Performance with the Application of Industrial Internet of Things (IIoT)
Lee et al. Intelligent factory agents with predictive analytics for asset management
CN112987682A (en) Control method, control device and mechanical equipment
US20230376024A1 (en) Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process
Abdoune et al. An enhanced methodology of Fault Detection and Diagnosis based on Digital Twin