KR20220035570A - System and method for management of seam welding quality and computer-readable recording medium thereof - Google Patents
System and method for management of seam welding quality and computer-readable recording medium thereof Download PDFInfo
- Publication number
- KR20220035570A KR20220035570A KR1020200117460A KR20200117460A KR20220035570A KR 20220035570 A KR20220035570 A KR 20220035570A KR 1020200117460 A KR1020200117460 A KR 1020200117460A KR 20200117460 A KR20200117460 A KR 20200117460A KR 20220035570 A KR20220035570 A KR 20220035570A
- Authority
- KR
- South Korea
- Prior art keywords
- welding
- information
- detailed information
- weld
- seam
- Prior art date
Links
- 238000003466 welding Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims description 53
- 230000007547 defect Effects 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000003326 Quality management system Methods 0.000 claims description 21
- 238000003908 quality control method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005493 welding type Methods 0.000 claims description 5
- 230000003362 replicative effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Factory Administration (AREA)
- Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
Description
본 발명은 심용접 품질 관리 시스템과 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관련된 것으로, 보다 상세하게는 지속적으로 불량이 발생하는 용접 부위에 대한 데이터를 수집하고 심층 학습(Deep Learning)과 같은 기계 학습 알고리즘을 활용한 데이터 마이닝을 통해 불량의 원인을 분석, 진단 및 관리할 수 있는 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다.The present invention relates to a seam welding quality management system and method, and a computer-readable recording medium on which a computer program for executing the method is recorded on a computer. More specifically, it relates to data on welding areas where defects continuously occur. A seam welding quality management system and method that collects data and analyzes, diagnoses, and manages the cause of defects through data mining using machine learning algorithms such as deep learning, and a computer program for executing the method on a computer. It relates to a recorded, computer-readable recording medium.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, it is a system in which machines learn and make decisions on their own. As artificial intelligence systems are used, the recognition rate improves and users' preferences can be more accurately understood, and existing rule-based smart systems are gradually being replaced by deep learning-based artificial intelligence systems.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithmic technology that classifies/learns the characteristics of input data on its own, and elemental technology is a technology that mimics the functions of the human brain such as cognition and judgment by utilizing machine learning algorithms such as deep learning, including linguistic understanding and visual It consists of technical areas such as understanding, reasoning/prediction, knowledge expression, and motion control.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology that recognizes and applies/processes human language/characters and includes natural language processing, machine translation, conversation systems, question and answer, and voice recognition/synthesis. Visual understanding is a technology that recognizes and processes objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, spatial understanding, and image improvement. Inferential prediction is a technology that judges information to make logical inferences and predictions, and includes knowledge/probability-based inference, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology that controls the autonomous driving of vehicles and the movement of robots, and includes motion control (navigation, collision, driving), operation control (behavior control), etc.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.Generally, in order to apply machine learning algorithms to real life, learning is performed using a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.
한편, LNG 운반선의 화물창의 제조 과정에서 자동용접 비중이 약 97%를 차지하고 있고, 이 중 심용접(Seam Welding)은 약 91%에 이르는 비중을 차지하여 생산성에 직접적이고 큰 영향을 미친다.Meanwhile, automatic welding accounts for approximately 97% in the manufacturing process of the cargo hold of an LNG carrier, of which seam welding accounts for approximately 91% and has a direct and significant impact on productivity.
자동 용접에 대해서는 일일 테스트(daily test)를 통해 용접 품질 검사를 수행하고, 검사를 통과(pass)한 용접기만이 당일 작업에 사용될 수 있다. 검사의 통과(pass)/비통과(fail) 여부는 측정값이 모두(and) 기준 매크로(macro) 치수 이상인지 여부를 이용하여 검사 통과 여부를 판단할 수 있다.For automatic welding, welding quality is inspected through daily tests, and only welders that pass the inspection can be used for the same day's work. Pass/fail of the inspection can be determined by using whether all measured values are greater than or equal to the standard macro dimensions.
심용접을 진행할 때 지속적으로 불량이 발생하는 조인트(Joint)가 존재하지만, 현재의 품질 관리 방법으로는 불량의 원인을 파악하기 어려운 문제점이 있다.There are joints where defects continuously occur during seam welding, but there is a problem in that it is difficult to identify the cause of defects using current quality control methods.
따라서, 본 발명은 지속적으로 불량이 발생하는 용접 부위에 대한 데이터를 수집하고 심층 학습(Deep Learning)과 같은 기계 학습 알고리즘을 활용한 데이터 마이닝을 통해 불량의 원인을 분석, 진단 및 관리할 수 있는 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체를 제공한다.Therefore, the present invention collects data on welding areas where defects continuously occur and analyzes, diagnoses, and manages the cause of defects through data mining using machine learning algorithms such as deep learning. Provided is a welding quality management system and method, and a computer-readable recording medium on which a computer program for executing the method on a computer is recorded.
본 발명의 실시예에 따른 심용접 품질 관리 시스템은, 대상체의 용접 단면을 측정하여 용접 단면 측정값을 형성하고, 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보를 형성하는 사용자 단말; 상기 용접 단면 측정값, 상기 용접 상세 정보 및 용접 불량률을 매핑하여 저장하는 데이터베이스; 및 상기 용접 상세 정보의 인코딩을 수행하고, 상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하며, 상기 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고, 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 서버를 포함한다.The seam welding quality management system according to an embodiment of the present invention measures the weld cross section of an object to form a weld cross section measurement value, and includes information on the welder, welding equipment number, welding equipment type, and welding tank number. a user terminal for forming detailed information; a database that maps and stores the weld cross-section measurements, weld detailed information, and weld defect rate; and performing encoding of the welding detail information, performing principal component analysis of the encoded welding detail information, performing scale adjustment of the principal component analyzed welding detail information, and using a machine learning algorithm to combine the welding detail information and the Includes a server that extracts correlations between welding defect rates.
또한, 상기 서버는, 상기 용접자 및 상기 용접 장비 번호에 대한 정보를 평균 인코딩(mean encoding) 기법을 이용하여 대응하는 코드로 변환할 수 있다.Additionally, the server may convert information about the welder and the welding equipment number into a corresponding code using a mean encoding technique.
또한, 상기 서버는, 상기 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 원-핫 인코딩(one-hot-encoding) 또는 원-콜드 인코딩(one-cold-encoding) 기법을 이용하여 대응하는 코드로 변환할 수 있다.In addition, the server converts the information about the welding equipment type and welding tank number into a corresponding code using one-hot-encoding or one-cold-encoding technique. can do.
또한, 상기 서버는, 상기 변환된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성할 수 있다.Additionally, the server may form a predetermined number of main component data so that the variance value of the converted code is maximized.
또한, 상기 서버는, 랜덤 포레스트(Random Forest) 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출하되, 상기 훈련 데이터의 오버 샘플링(over sampling)을 이용한 데이터 복제로 분석 결과의 신뢰도를 향상시킬 수 있다.In addition, the server uses a Random Forest machine learning algorithm to extract a correlation using the welding detailed information and the welding defect rate as training data, and uses over sampling of the training data. Data replication can improve the reliability of analysis results.
또한, 상기 서버는, 상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 추출할 수 있다.Additionally, the server may extract the welding detailed information with the highest correlation between the main component data and the welding defect rate.
또한, 상기 서버는, 상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 이용하여 용접 품질 관리 방법을 도출할 수 있다.Additionally, the server may derive a welding quality management method using the welding detailed information with the highest correlation between the main component data and the welding defect rate.
본 발명의 실시예에 따른 심용접 품질 관리 방법은, 대상체의 용접 단면을 측정하여 용접 단면 측정값을 형성하는 단계; 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보를 형성하는 단계; 상기 용접 상세 정보의 인코딩을 수행하는 단계; 상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하는 단계; 및 상기 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고, 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계를 포함한다.A seam welding quality control method according to an embodiment of the present invention includes the steps of measuring the weld cross section of an object to form a weld cross section measurement value; forming welding details including information about the welder, welding equipment number, welding equipment type, and welding tank number; performing encoding of the weld detail information; performing principal component analysis of the encoded weld detail information; and performing scale adjustment of the principal component analyzed welding detailed information and extracting a correlation between the welding detailed information and the welding defect rate using a machine learning algorithm.
또한, 상기 용접 상세 정보의 인코딩을 수행하는 단계는, 상기 용접자 및 상기 용접 장비 번호에 대한 정보를 평균 인코딩(mean encoding) 기법을 이용하여 대응하는 코드로 변환하는 단계를 포함할 수 있다.In addition, performing the encoding of the welding detailed information may include converting information about the welder and the welding equipment number into a corresponding code using a mean encoding technique.
또한, 상기 용접 상세 정보의 인코딩을 수행하는 단계는, 상기 용접 장비 종류 및 상기 용접 탱크 번호 대한 정보를 원-핫 인코딩(one-hot-encoding) 또는 원-콜드 인코딩(one-cold-encoding) 기법을 이용하여 대응하는 코드로 변환하는 단계를 포함할 수 있다.In addition, the step of performing the encoding of the welding detailed information includes using a one-hot-encoding or one-cold-encoding technique to encode the information about the welding equipment type and the welding tank number. It may include the step of converting to a corresponding code using .
또한, 상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하는 단계는, 상기 변환된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성하는 단계를 포함할 수 있다.Additionally, performing principal component analysis of the encoded welding detailed information may include forming a predetermined number of principal component data such that the variance value of the converted code is maximized.
또한, 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계는, 랜덤 포레스트(Random Forest) 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출하되, 상기 훈련 데이터의 오버 샘플링(over sampling)을 이용한 데이터 복제로 분석 결과의 신뢰도를 향상시키는 단계를 포함할 수 있다.In addition, the step of extracting the correlation between the welding detailed information and the welding defective rate includes extracting the correlation using the welding detailed information and the welding defective rate as training data using a Random Forest machine learning algorithm. However, it may include a step of improving the reliability of the analysis results by replicating data using over sampling of the training data.
또한, 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계는, 상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 추출하는 단계를 포함할 수 있다.Additionally, the step of extracting the correlation between the welding detailed information and the welding defective rate may include extracting the welding detailed information with the highest correlation between the main component data and the welding defective rate.
또한, 상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 이용하여 용접 품질 관리 방법을 도출하는 단계를 더 포함할 수 있다.In addition, the method may further include deriving a welding quality control method using the welding detailed information with the highest correlation between the main component data and the welding defect rate.
한편 본 발명의 실시예에 따른 컴퓨터 판독 가능한 기록매체는, 전술한 심용접 품질 관리 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록될 수 있다.Meanwhile, the computer-readable recording medium according to an embodiment of the present invention may record a computer program for executing the above-described seam welding quality control method on a computer.
본 발명에 의하면, 지속적으로 불량이 발생하는 용접 조인트에 대해 산술통계에 의한 품질 관리에 의해서는 확인하기 어려웠던 불량 원인을 용이하게 파악할 수 있고, 파악된 불량 원인을 이용하여 대응 방안을 마련할 수 있다. 이로 인해서 용접 작업의 생산성 향상 및 용접 작업의 대기 소요 시간을 감소시킬 수 있다.According to the present invention, it is possible to easily determine the cause of defects that were difficult to confirm through quality control using arithmetic statistics for welded joints in which defects continuously occur, and countermeasures can be prepared using the identified causes of defects. . This can improve the productivity of welding work and reduce the waiting time for welding work.
도 1은 본 발명의 실시예에 따른 심용접 품질 관리 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 서버의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 심용접 품질 관리 방법의 절차를 보이는 흐름도이다.Figure 1 is an exemplary diagram showing the configuration of a seam welding quality management system according to an embodiment of the present invention.
Figure 2 is an exemplary diagram showing the configuration of a server according to an embodiment of the present invention.
Figure 3 is a flow chart showing the procedure of the seam welding quality control method according to an embodiment of the present invention.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.Hereinafter, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. The invention may be implemented in many different forms and is not limited to the embodiments described herein.
이하 도면을 참조하여 본 발명의 실시예에 대해서 구체적으로 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명의 실시예에 따른 심용접 품질 관리 시스템의 구성을 보이는 예시도이다.Figure 1 is an exemplary diagram showing the configuration of a seam welding quality management system according to an embodiment of the present invention.
도 1에 도시한 바와 같이, 심용접 품질 관리 시스템(100)은 다수의 사용자 단말(110-1, ??, 110-n), 서버(120), 데이터베이스(130) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와는 별도로 클라우드(Cloud) 환경에서 구현될 수도 있지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 다수의 사용자 단말(110-1, ??, 110-n), 서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다. 일 실시예에 따르면, 심용접 품질 관리 시스템(100)은 소정 기간(예를 들어, 5년) 동안의 MO2B 1.5/1.5/1.5 심용접 관련 데이터(Seam Welding Data)를 이용하여 용접 불량 원인을 파악하고, 진단 및 관리 방안 제안을 수행할 수 있다.As shown in Figure 1, the seam welding
예를 들어, 소정 기간 동안의 심용접 관련 데이터는 표 1에 기재된 바와 같이, 불량률이 18.02%로 나타날 수 있다.For example, seam welding-related data for a certain period of time may show a defect rate of 18.02%, as shown in Table 1.
다수의 사용자 단말(110-1, ??, 110-n)은, 조선소 등에서 용접을 수행하는 대상체를 측정하여 용접 단면 측정값을 형성하고, 용접을 수행하는 용접자, 용접 장비 번호(예를 들어, SMT00-03, SMT00-04, SMTB00-03, SMTB00-04, SMTB00-05, SMTB00-06), 용접 장비 종류(예를 들어, SMT00, SMTB00) 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보를 형성할 수 있다. 또한, 다수의 사용자 단말(110-1, ??, 110-n)은, 실시간 또는 비 실시간으로 형성된 용접 단면 측정값 및 용접 상세 정보를 네트워크(N)를 통하여 서버(120) 및/또는 데이터베이스(130)로 전송할 수 있다. 일 실시예에 따르면, 본 발명의 기계 학습 알고리즘을 이용한 심용접 데이터의 분석에 있어서는 너겟(nugget)의 용접폭(La), 용입 두께(e), 용입 깊이(P1, P2)와 같은 매크로(macro) 치수를 제외하고, 용접 단면 측정값, 용접자, 용접 장비 번호, 용접 장비 종류, 용접 탱크 번호 등에 대한 정보를 이용할 수 있다.서버(120)는, 다수의 사용자 단말(110-1, ??, 110-n)로부터 수신된 용접 상세 정보의 인코딩을 수행할 수 있다. 일 실시예에 따르면, 서버(120)는, 용접 상세 정보에 포함된 용접자 및 용접 장비 번호에 대한 정보를 평균 인코딩(mean encoding) 기법을 이용하여 대응하는 코드로 변환할 수 있다. 예를 들어, 서버(120)는, 동일한 용접자가 사용하는 용접 장비 번호의 평균값을 산출하고 해당 용접자의 용접 장비 번호를 모두 산출된 평균값으로 대체하여 코드 변환을 수행할 수 있다.A plurality of user terminals (110-1, ??, 110-n) form a weld cross-section measurement value by measuring an object on which welding is performed in a shipyard, etc., and identify the welder performing the welding and the welding equipment number (e.g. , SMT00-03, SMT00-04, SMTB00-03, SMTB00-04, SMTB00-05, SMTB00-06), welding equipment type (e.g., SMT00, SMTB00), and welding tank number. Information can be formed. In addition, a number of user terminals (110-1, ??, 110-n) send weld cross-section measurements and welding detailed information formed in real time or non-real time to the
또한, 서버(120)는, 용접 상세 정보에 포함된 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 원-핫 인코딩(one-hot-encoding) 또는 원-콜드 인코딩(one-cold-encoding) 기법을 이용하여 대응하는 코드로 변환할 수 있다. 일 실시예에 따르면, 서버(120)는, 용접 장비 종류의 팩터(factor) 수가 적으므로 용접 장비 종류 각각을 원-핫 인코딩 또는 원-콜드 인코딩 기법을 이용하여 대응하는 코드로 변환하여 데이터를 추가할 수 있다.In addition, the
서버(120)는, 인코딩된 용접 상세 정보의 주성분 분석을 수행할 수 있다. 예를 들어, 주성분 분석(PCA: Principal Component Analysis)은 주어진 데이터의 분산이 최대화되도록 데이터를 변환하여 데이터를 분석하는 기법을 나타낼 수 있다. 즉, 통계학적으로 주성분 분석은 고차원의 데이터를 저차원의 데이터로 환원시키는 기법을 나타낼 수 있다. 일 실시예에 따르면, 서버(120)는, 평균 인코딩 기법 또는 원-핫 인코딩 기법/원-콜드 인코딩 기법을 이용하여 변환된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성할 수 있다. 예를 들어, 서버(120)는, 주성분 분석을 수행하여 제1 주성분(PCA_A) 및 제2 주성분(PCA_B)을 주성분 데이터로 형성(추가)할 수 있지만, 이에 한정되지 않는다.The
또한, 서버(120)는, 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고, 인공지능을 이용한 기계 학습(Machine Learning) 알고리즘을 이용하여 용접 상세 정보와 용접 불량률 사이의 상관 관계를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는, 랜덤 포레스트(Random Forest) 기계 학습 알고리즘을 이용하여 용접 상세 정보와 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출할 수 있다. 서버(120)는, 데이터 분석에 사용한 훈련 데이터가 충분하지 않은 경우 훈련 데이터의 오버 샘플링(over sampling)을 이용한 데이터 복제로 분석 결과의 신뢰도를 향상시킬 수 있다. 예를 들어, 소정 기간 동안의 용접 불량 검사를 통과(pass)한 데이터의 개수가 1,583개(81.98%)이고, 용접 불량 검사를 통과하지 못한(fail) 데이터의 개수가 348개(18.02%)일 경우 fail의 데이터 값이 충분하지 못할 수 있고, 오버 샘플링으로 용접 불량 검사를 통과하지 못한 데이터를 복제하여 용접 불량 검사를 통과한 데이터와 동일한 개수로 용접 불량 검사를 통과하지 못한 데이터의 개수를 증가시킬 수 있다.In addition, the
표 2에 기재된 바와 같이, 랜덤 포레스트 머신 러닝 기법으로 분석한 결과 모델의 정확도를 측정하는 f1-score가 오버 샘플링하여 복제한 데이터에 대해서도 100% 정확도를 나타내므로 신뢰할 수 있음을 알 수 있다. As shown in Table 2, as a result of analysis using the random forest machine learning technique, it can be seen that the f1-score, which measures the accuracy of the model, is reliable as it shows 100% accuracy even for oversampled and replicated data.
서버(120)는, 주성분 분석에서 형성된 주성분 데이터와 용접 불량률 간의 상관도가 가장 높은 용접 상세 정보를 추출할 수 있다. 일 실시예에 따르면, 주성분 분석을 통해서 형성한 제1 주성분(PCA_A)이 기계 학습 모델에 미치는 중요도가 높았고, 제1 주성분(PCA_A)과 상관도가 높은 용접 장비 번호(SMTB00-04, SMTB00-06)의 용접 불량 건수가 전체 불량 건수의 약 69%로 가장 높은 불량률을 나타냄을 확인할 수 있었다. 특히, 용접 장비 번호 SMTB00-06의 용접 불량률은 28%로 평균 불량률(예를 들어, 18.02%)보다 매우 높은 불량률을 나타냄을 확인할 수 있었다.또한, 서버(120)는, 용접 불량률 분석 결과를 바탕으로 MO2B 1.5/1.5/1.5 심용접의 경우 매크로 치수 외에 특정 용접기(예를 들어, 용접 장비 번호 SMTB00-06)가 용접 품질에 영향을 준다는 점을 확인할 수 있고, 해당 용접기의 용접 조건 세팅이 문제인지, 용접기 자체의 문제인지를 파악하여 관리할 수 있다. 즉, 종래의 용접 품질 관리 방법으로는 MO2B 1.5/1.5/1.5 심용접에서의 불량률이 높은 원인을 실 사용자의 경험/느낌 상 용접기가 문제일 것 같다고 추정은 했으나 입증에 어려움이 있었다. 본 발명은 기계 학습 기법을 활용해 특정 용접기(예를 들어, 용접 장비 번호 SMTB00-06)가 불량의 원인임을 확인하고, 관리가 필요하다는 결론을 도출하며, 이를 이용하여 용접 품질 관리 방법을 도출할 수 있다.The
데이터베이스(130)는, 심용접 품질 관리 환경의 구현을 위한 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1, ??, 110-n), 및 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 또한, 데이터베이스(130)는 클라우드 환경에서 구현될 수 있어서 데이터 누적 시 서버의 용량이 제한되는 것을 해결할 수 있지만, 데이터베이스(130)는 이에 한정되지 않고, 클라우드 인프라(Infra) 및 매니지드(Managed) 서비스 기반으로 고 가용성의 확장성이 높은 다양한 시스템을 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 용접 단면 측정값, 용접 상세 정보 및 용접 불량률을 매핑하여 저장할 수 있다.The
본 발명에서, 프로그램은 데이터베이스(130)에 저장되는 소프트웨어로서, 다수의 사용자 단말(110-1, ??, 110-n), 및 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 다수의 사용자 단말(110-1, ??, 110-n), 및 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.In the present invention, the program is software stored in the
네트워크(N)는 다수의 사용자 단말(110-1, ??, 110-n), 서버(120), 및 데이터베이스(130) 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-122(recommended standard 122) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수도 있다.The network N may perform wireless or wired communication between a plurality of user terminals 110-1, ??, 110-n, the
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In the present invention, artificial intelligence (AI) refers to technology that imitates human learning ability, reasoning ability, perception ability, etc. and implements this with a computer, and includes concepts such as machine learning and symbolic logic. may include. Machine Learning is an algorithmic technology that classifies or learns the characteristics of input data on its own. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the results of the analysis, and makes judgments or predictions based on the results of the learning. Additionally, technologies that mimic the functions of the human brain, such as cognition and judgment, using machine learning algorithms can also be understood as the category of artificial intelligence. For example, technical fields such as verbal understanding, visual understanding, reasoning/prediction, knowledge representation, and motion control may be included.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Machine learning can refer to the process of training a neural network model using experience processing data. Machine learning can mean that computer software improves its own data processing capabilities. A neural network model is built by modeling the correlation between data, and the correlation can be expressed by a plurality of parameters. A neural network model extracts and analyzes features from given data to derive correlations between data. Repeating this process to optimize the parameters of the neural network model can be called machine learning. For example, a neural network model can learn the mapping (correlation) between input and output for data given as input-output pairs. Alternatively, a neural network model may learn the relationships by deriving regularities between given data even when only input data is given.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.An artificial intelligence learning model or neural network model may be designed to implement the human brain structure on a computer, and may include a plurality of network nodes with weights that simulate neurons of a human neural network. A plurality of network nodes may have a connection relationship with each other by simulating the synaptic activity of neurons in which neurons exchange signals through synapses. In an artificial intelligence learning model, multiple network nodes are located in layers of different depths and can exchange data according to convolutional connection relationships. The artificial intelligence learning model may be, for example, an artificial neural network model (Artificial Neural Network), a convolution neural network (CNN) model, etc. As an example, an artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, and Ada-boost. , Perceptron, Genetic Programming, Clustering, etc. can be used.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Among them, CNN is a type of multilayer perceptrons designed to use minimal preprocessing. CNN consists of one or several convolution layers and general artificial neural network layers on top of them, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize input data with a two-dimensional structure. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back propagation. CNNs have the advantage of being easier to train and using fewer parameters than other feedforward artificial neural network techniques.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have led to significant improvements in many computer vision tasks. For extremely large data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. For this purpose, distributed, scalable implementations of deep neural networks can be used.
도 2는 본 발명의 실시예에 따른 서버의 구성을 보이는 예시도이다.Figure 2 is an exemplary diagram showing the configuration of a server according to an embodiment of the present invention.
도 2에 도시한 바와 같이, 서버(120)는 수신부(121), 프로세서(122), 송신부(123), 시스템 버스(124), 디지털 패킷(125) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예로서, 수신부(121), 프로세서(122), 송신부(123), 디지털 패킷(125) 및 데이터베이스(130)는 시스템 버스(124)를 이용하여 통신 가능하도록 서로 연결될 수 있고, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 아울러, 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다.As shown in FIG. 2, the
수신부(121)는, 네트워크(N)를 통하여 다수의 사용자 단말(110-1, ??, 110-n)로부터 대상체의 용접 단면 측정값과, 용접 상세 정보를 디지털 패킷(125)의 형태로 수신하여 프로세서(122) 및 데이터베이스(130)로 전송할 수 있다. 일 실시예로서, 대상체는, LNG운반선의 화물창을 포함할 수 있지만, 이에 한정되지 않는다.The receiving
프로세서(122)는, 수신된 용접 상세 정보의 인코딩을 수행할 수 있다. 일 실시예에 따르면, 프로세서(122)는, 용접 상세 정보에 포함된 정보 중 용접자 및 용접 장비 번호에 대한 정보를 평균 인코딩 기법을 이용하여 대응하는 코드로 변환할 수 있다. 또한, 프로세서(122)는, 용접 상세 정보에 포함된 정보 중 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 원-핫 인코딩 또는 원-콜드 인코딩 기법을 이용하여 대응하는 코드로 변환할 수 있다.
프로세서(122)는, 인코딩된 용접 상세 정보의 주성분 분석을 수행할 수 있다. 일 실시예에 따르면, 프로세서(122)는, 용접 상세 정보에 포함된 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 인코딩하여 형성된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 추가 형성할 수 있다.
또한, 프로세서(122)는, 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고, 기계 학습 알고리즘을 이용하여 용접 상세 정보와 용접 불량률 사이의 상관 관계를 추출할 수 있다. 일 실시예에 따르면, 프로세서(122)는, 랜덤 포레스트 알고리즘과 같은 앙상블 기계 학습 알고리즘을 이용하여 용접 상세 정보와 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출할 수 있다.Additionally, the
앙상블(Ensemble) 기계 학습 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov model), 회귀 분석(Regression), 신경망(Neural network), 나이브 베이즈 분류(Naive Bayes Classification) 등의 지도 학습(Supervised Learning) 알고리즘들과 k-평균 군집화, 계층적 군집화, 베이즈 망(Bayesian network), 린데-부조-그레이(Linde-Buzo-Gray) 알고리즘, 주성분 분석(principal components analysis), 오토인코더(autoencoder) 등의 비지도 학습(Unsupervised Learning) 알고리즘들 중 다양한 알고리즘을 결합하여 기계 학습을 수행하는 알고리즘을 나타낼 수 있다.Ensemble machine learning algorithms include guidance such as Support Vector Machine, Hidden Markov model, Regression, Neural network, and Naive Bayes Classification. Supervised Learning algorithms, k-means clustering, hierarchical clustering, Bayesian network, Linde-Buzo-Gray algorithm, principal components analysis, autoencoder ( It can represent an algorithm that performs machine learning by combining various algorithms among unsupervised learning algorithms such as autoencoder).
프로세서(122)는, 주성분 데이터와 용접 불량률 간의 상관도가 가장 높은 용접 상세 정보를 디지털 패킷(125) 형태로 추출할 수 있다. 또한, 프로세서(122)는, 추출된 용접 상세 정보를 이용하여 용접 품질 관리 방법을 디지털 패킷(125) 형태로 도출할 수 있다. 예를 들어, 프로세서(122)는, 특정 용접기(용접 장비 번호 SMTB00-06)가 용접 불량의 원인임을 추출된 용접 상세 정보를 이용하여 확인하고, 해당 용접기를 용접 불량률이 낮은 다른 용접기로 교체하는 용접 품질 관리 방법을 도출할 수 있다.The
송신부(123)는, 프로세서(122)에서 형성된 디지털 패킷(125) 형태의 용접 상세 정보와 용접 불량률 사이의 상관 관계에 대한 정보 및 용접 품질 관리 방법을 네트워크(N)를 통하여 데이터베이스(130) 및/또는 다수의 사용자 단말(110-1, ??, 110-n)로 전송할 수 있다.The
도 3은 본 발명의 실시예에 따른 심용접 품질 관리 방법의 절차를 보이는 흐름도이다. 도 3의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.Figure 3 is a flow chart showing the procedure of the seam welding quality control method according to an embodiment of the present invention. Although the process steps, method steps, algorithms, etc. are described in the flow chart of FIG. 3 in a sequential order, such processes, methods, and algorithms may be configured to operate in any suitable order. In other words, the steps of the processes, methods and algorithms described in various embodiments of the invention do not need to be performed in the order described herein. Additionally, although some steps are described as being performed asynchronously, in other embodiments, some such steps may be performed concurrently. Additionally, illustration of a process by depiction in the drawings does not imply that the illustrated process excludes other variations and modifications thereto, and that any of the illustrated process or steps thereof may be used in various embodiments of the invention. It does not imply that more than one is required, nor does it imply that the illustrated process is preferred.
도 3에 도시한 바와 같이, 단계(S310)에서, 대상체의 용접 단면을 측정하여 용접 단면 측정값이 형성된다. 예를 들어, 도 1 내지 도 2를 참조하면, 심용접 품질 관리 시스템(100)의 다수의 사용자 단말(110-1, ??, 110-n)은, 대상체의 용접 단면을 측정하여 용접 단면 측정값을 형성할 수 있다. 일 실시예로서, 대상체는, LNG운반선의 화물창을 포함할 수 있지만, 이에 한정되지 않는다.As shown in FIG. 3, in step S310, a weld cross section measurement value is formed by measuring the weld cross section of the object. For example, referring to FIGS. 1 and 2, a plurality of user terminals 110-1, ??, 110-n of the seam welding
단계(S320)에서, 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보가 형성된다. 예를 들어, 도 1 내지 도 2를 참조하면, 심용접 품질 관리 시스템(100)의 다수의 사용자 단말(110-1, ??, 110-n)은, 용접자 또는 관리자로부터 사용자 입력을 요청받아서 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보를 형성할 수 있다.In step S320, welding detailed information including information on the welder, welding equipment number, welding equipment type, and welding tank number is formed. For example, referring to FIGS. 1 and 2, a plurality of user terminals 110-1, ??, 110-n of the seam welding
단계(S330)에서, 용접 상세 정보의 인코딩이 수행된다. 예를 들어, 도 1 내지 도 2를 참조하면, 심용접 품질 관리 시스템(100)의 서버(120)는, 용접 상세 정보에 포함된 정보 중 용접자 및 용접 장비 번호에 대한 정보를 평균 인코딩 기법을 이용하여 대응하는 코드로 변환할 수 있다. 또한, 서버(120)는, 용접 상세 정보에 포함된 정보 중 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 원-핫 인코딩 또는 원-콜드 인코딩 기법을 이용하여 대응하는 코드로 변환할 수 있다.In step S330, encoding of welding detail information is performed. For example, referring to FIGS. 1 and 2, the
단계(S340)에서, 인코딩된 용접 상세 정보의 주성분 분석이 수행된다. 예를 들어, 도 1 내지 도 2를 참조하면, 심용접 품질 관리 시스템(100)의 서버(120)는, 용접 상세 정보에 포함된 용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 인코딩하여 형성된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성할 수 있다.In step S340, principal component analysis of the encoded welding detail information is performed. For example, referring to FIGS. 1 and 2, the
단계(S350)에서, 주성분 분석된 용접 상세 정보의 스케일 조정이 수행되고, 기계 학습 알고리즘을 이용하여 용접 상세 정보와 용접 불량률 사이의 상관 관계가 추출된다. 예를 들어, 도 1 내지 도 2를 참조하면, 심용접 품질 관리 시스템(100)의 서버(120)는, 랜덤 포레스트 기계 학습 알고리즘과 같은 앙상블 기계 학습 알고리즘을 이용하여 용접 상세 정보와 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출할 수 있다.In step S350, scaling of the principal component analyzed welding detailed information is performed, and a correlation between the welding detailed information and the welding defect rate is extracted using a machine learning algorithm. For example, referring to FIGS. 1 and 2, the
이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.Above, the present invention has been described with reference to the embodiments shown in the drawings. However, the present invention is not limited thereto, and various modifications or other embodiments within the scope equivalent to the present invention can be made by those skilled in the art. Therefore, the true scope of protection of the present invention will be determined by the following claims.
100: 심용접 품질 관리 시스템
110-1, … ,110-n: 사용자 단말
120: 서버
130: 데이터베이스
121: 수신부
122: 프로세서
123: 송신부
124: 시스템 버스
125: 디지털 패킷
N: 네트워크100: Seam welding quality management system 110-1, … ,110-n: User terminal
120: Server 130: Database
121: receiving unit 122: processor
123: Transmitter 124: System bus
125: digital packet N: network
Claims (15)
상기 용접 단면 측정값, 상기 용접 상세 정보 및 용접 불량률을 매핑하여 저장하는 데이터베이스; 및
상기 용접 상세 정보의 인코딩을 수행하고, 상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하며, 상기 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고, 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 서버를 포함하는,
심용접 품질 관리 시스템.a user terminal that measures the weld cross section of the object to form a weld cross section measurement value and forms weld detail information including information about the welder, welding equipment number, welding equipment type, and welding tank number;
a database that maps and stores the weld cross-section measurements, weld detailed information, and weld defect rate; and
Perform encoding of the weld detail information, perform principal component analysis of the encoded weld detail information, perform scale adjustment of the principal component analyzed weld detail information, and use a machine learning algorithm to combine the weld detail information and the weld detail information. Comprising a server that extracts correlations between defect rates,
Seam welding quality management system.
상기 서버는,
상기 용접자 및 상기 용접 장비 번호에 대한 정보를 평균 인코딩(mean encoding) 기법을 이용하여 대응하는 코드로 변환하는,
심용접 품질 관리 시스템.According to claim 1,
The server is,
Converting information about the welder and the welding equipment number into a corresponding code using a mean encoding technique,
Seam welding quality management system.
상기 서버는,
상기 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 원-핫 인코딩(one-hot-encoding) 또는 원-콜드 인코딩(one-cold-encoding) 기법을 이용하여 대응하는 코드로 변환하는,
심용접 품질 관리 시스템.According to claim 2,
The server is,
Converting the information about the welding equipment type and welding tank number into a corresponding code using one-hot-encoding or one-cold-encoding technique,
Seam welding quality management system.
상기 서버는,
상기 변환된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성하는,
심용접 품질 관리 시스템.According to claim 3,
The server is,
Forming a predetermined number of main component data so that the variance value of the converted code is maximized,
Seam welding quality management system.
상기 서버는,
랜덤 포레스트(Random Forest) 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출하되,
상기 훈련 데이터의 오버 샘플링(over sampling)을 이용한 데이터 복제로 분석 결과의 신뢰도를 향상시키는,
심용접 품질 관리 시스템.According to claim 4,
The server is,
A correlation is extracted using the welding detail information and the welding defect rate as training data using a Random Forest machine learning algorithm,
Improving the reliability of analysis results by replicating data using over sampling of the training data,
Seam welding quality management system.
상기 서버는,
상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 추출하는,
심용접 품질 관리 시스템.According to claim 5,
The server is,
Extracting the welding detailed information with the highest correlation between the main component data and the welding defect rate,
Seam welding quality management system.
상기 서버는,
상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 이용하여 용접 품질 관리 방법을 도출하는,
심용접 품질 관리 시스템.According to claim 6,
The server is,
Deriving a welding quality control method using the welding detailed information with the highest correlation between the main component data and the welding defect rate,
Seam welding quality management system.
용접자, 용접 장비 번호, 용접 장비 종류 및 용접 탱크 번호에 대한 정보를 포함하는 용접 상세 정보를 형성하는 단계;
상기 용접 상세 정보의 인코딩을 수행하는 단계;
상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하는 단계; 및
상기 주성분 분석된 용접 상세 정보의 스케일 조정을 수행하고 기계 학습 알고리즘을 이용하여, 상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계를 포함하는,
심용접 품질 관리 방법.Measuring the weld cross section of the object to form a weld cross section measurement value;
forming welding details including information about the welder, welding equipment number, welding equipment type, and welding tank number;
performing encoding of the welding detail information;
performing principal component analysis of the encoded weld detail information; and
Comprising the step of performing scale adjustment of the principal component analyzed welding detailed information and extracting a correlation between the welding detailed information and the welding defect rate using a machine learning algorithm,
Seam welding quality control method.
상기 용접 상세 정보의 인코딩을 수행하는 단계는,
상기 용접자 및 상기 용접 장비 번호에 대한 정보를 평균 인코딩(mean encoding) 기법을 이용하여 대응하는 코드로 변환하는 단계를 포함하는,
심용접 품질 관리 방법.According to claim 8,
The step of performing encoding of the welding detailed information is,
Converting information about the welder and the welding equipment number into a corresponding code using a mean encoding technique,
Seam welding quality control method.
상기 용접 상세 정보의 인코딩을 수행하는 단계는,
상기 용접 장비 종류 및 상기 용접 탱크 번호 대한 정보를 원-핫 인코딩(one-hot-encoding) 또는 원-콜드 인코딩(one-cold-encoding) 기법을 이용하여 대응하는 코드로 변환하는 단계를 포함하는,
심용접 품질 관리 방법.According to clause 9,
The step of performing encoding of the welding detailed information is,
Converting the information about the type of welding equipment and the welding tank number into a corresponding code using one-hot-encoding or one-cold-encoding technique,
Seam welding quality control method.
상기 인코딩된 용접 상세 정보의 주성분 분석을 수행하는 단계는,
상기 변환된 코드의 분산값이 최대화되도록 소정 개수의 주성분 데이터를 형성하는 단계를 포함하는,
심용접 품질 관리 방법.According to claim 10,
The step of performing principal component analysis of the encoded welding detailed information is:
Comprising the step of forming a predetermined number of main component data so that the variance value of the converted code is maximized,
Seam welding quality control method.
상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계는,
랜덤 포레스트(Random Forest) 기계 학습 알고리즘을 이용하여 상기 용접 상세 정보와 상기 용접 불량률을 훈련 데이터로 이용하여 상관 관계를 추출하되,
상기 훈련 데이터의 오버 샘플링(over sampling)을 이용한 데이터 복제로 분석 결과의 신뢰도를 향상시키는 단계를 포함하는,
심용접 품질 관리 방법.According to claim 11,
The step of extracting the correlation between the welding detailed information and the welding defect rate is,
A correlation is extracted using the welding detail information and the welding defect rate as training data using a Random Forest machine learning algorithm,
Including the step of improving the reliability of the analysis results by replicating data using over sampling of the training data,
Seam welding quality control method.
상기 용접 상세 정보와 상기 용접 불량률 사이의 상관 관계를 추출하는 단계는,
상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 추출하는 단계를 포함하는,
심용접 품질 관리 방법.According to claim 12,
The step of extracting the correlation between the welding detailed information and the welding defect rate is,
Comprising the step of extracting the welding detailed information with the highest correlation between the main component data and the welding defect rate,
Seam welding quality control method.
상기 주성분 데이터와 상기 용접 불량률 간의 상관도가 가장 높은 상기 용접 상세 정보를 이용하여 용접 품질 관리 방법을 도출하는 단계를 더 포함하는,
심용접 품질 관리 방법.According to claim 13,
Further comprising deriving a welding quality control method using the welding detailed information with the highest correlation between the main component data and the welding defect rate,
Seam welding quality control method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200117460A KR20220035570A (en) | 2020-09-14 | 2020-09-14 | System and method for management of seam welding quality and computer-readable recording medium thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200117460A KR20220035570A (en) | 2020-09-14 | 2020-09-14 | System and method for management of seam welding quality and computer-readable recording medium thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220035570A true KR20220035570A (en) | 2022-03-22 |
Family
ID=80988011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200117460A KR20220035570A (en) | 2020-09-14 | 2020-09-14 | System and method for management of seam welding quality and computer-readable recording medium thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220035570A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032095A (en) * | 2023-07-21 | 2023-11-10 | 泰安市特种设备检验研究院 | Method and system for managing examination workshops of digital special equipment welders |
-
2020
- 2020-09-14 KR KR1020200117460A patent/KR20220035570A/en active Search and Examination
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032095A (en) * | 2023-07-21 | 2023-11-10 | 泰安市特种设备检验研究院 | Method and system for managing examination workshops of digital special equipment welders |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taylor | Methods and procedures for the verification and validation of artificial neural networks | |
| WO2021160558A1 (en) | Digital platform using cyber-physical twin structures providing an evolving digital representation of a real world asset for quantifying event occurrences measurements, and method thereof | |
| CN110070183A (en) | A kind of the neural network model training method and device of weak labeled data | |
| KR20210115356A (en) | System and method for inspection of painting by using deep machine learning | |
| KR20220035570A (en) | System and method for management of seam welding quality and computer-readable recording medium thereof | |
| Liu | Analysis on Class Participation Based on Artificial Intelligence. | |
| KR102601446B1 (en) | Method, device and system for providing sales product matching platform service based on influencer using artificial intelligence model | |
| KR102615445B1 (en) | Method, apparatus and system for providing nutritional information based on fecal image analysis | |
| KR102589074B1 (en) | Method and apparatus for operating chatbot | |
| KR102474974B1 (en) | Method, device and system for analyzing brand based on artificial intelligence | |
| KR102420626B1 (en) | Method, apparatus and system for providing company matching service based on artificial intelligence | |
| KR20210115250A (en) | System and method for hybrid deep learning | |
| KR20220037608A (en) | SYSTEM AND METHOD FOR classification OF LIST AND COMPUTER-READABLE RECORDING MEDIUM THEREOF | |
| CN113743883A (en) | Brain-like elicitation-based industrial manufacturing general intelligent decision collaborative optimization system | |
| KR20210062794A (en) | Apparatus and method for extracting composition of equipment, and fault diagnosis system including the same | |
| CN113835739A (en) | Intelligent prediction method for software defect repair time | |
| KR102561832B1 (en) | Method, device and system for providing online education content based on artificial intelligence | |
| Chand et al. | Understanding Neural Networks | |
| KR102640791B1 (en) | System for digitalizing onboard voice | |
| Hsieh et al. | Confidence identification based on the combination of verbal and non-verbal factors in human robot interaction | |
| KR20210047047A (en) | System and method for managing of material warehouse by using speech recognition, and computer readable storage medium storing the same | |
| KR102522634B1 (en) | Methods, devices, and systems for automating maintenance operations of network equipment | |
| KR102596930B1 (en) | Method, device and system for automating creation of homepage production information using artificial intelligence model | |
| KR102528613B1 (en) | Methods, devices, and systems for calculating used prices of rental cars using artificial intelligence models | |
| KR102563687B1 (en) | Method, device and system for providing hearing aid management platform service for hearing aid user and guardian |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |