KR20220041600A - 스마트공장 데이터 품질평가 방법 - Google Patents
스마트공장 데이터 품질평가 방법 Download PDFInfo
- Publication number
- KR20220041600A KR20220041600A KR1020200125052A KR20200125052A KR20220041600A KR 20220041600 A KR20220041600 A KR 20220041600A KR 1020200125052 A KR1020200125052 A KR 1020200125052A KR 20200125052 A KR20200125052 A KR 20200125052A KR 20220041600 A KR20220041600 A KR 20220041600A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- smart factory
- cvo
- context
- quality evaluation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013441 quality evaluation Methods 0.000 claims description 56
- 239000002131 composite material Substances 0.000 claims description 25
- 238000011157 data evaluation Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법은, 스마트 공장에 관한 컨텍스트 데이터(context data)를 수집하는 단계; 상기 컨텍스트 데이터가 사용되는 선정된 작업에서 상기 컨텍스트 데이터가 상기 작업을 수행하는 어플리케이션이나 장치가 목표로 하는 의미나 역할을 나타내는지를 판단하는 부가가치 메트릭(Value added Metric) 평가단계; 상기 컨텍스트 데이터와 상기 컨텍스트 데이터가 사용되는 어플리케이션이나 장치의 작업 간의 관련성 정도를 판단하는 관련성 메트릭(Relevancy Metric) 평가단계; 상기 수집되는 컨텍스트 데이터의 시간적 범주 분석을 통해 수집되는 데이터들이 시간적으로 적절하게 조합되었는지를 판단하는 시기성 메트릭(Timeliness Metric) 평가단계; 상기 수집되는 컨텍스트 데이터의 속성 값의 유무 또는 부정확성을 분석하고 매칭되는 데이터 집합군과의 적절성을 판단하는 완성도 메트릭(Completeness Metric) 평가단계; 및 상기 컨텍스트 데이터가 사용되는 어플리케이션 또는 장치의 작업 특성에 따라 요구되는 데이터 양을 분석하여 상기 수집되는 컨텍스트 데이터 양의 적절성을 판단하는 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계를 포함한다.
Description
본 발명은 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 관한 것으로 더욱 상세하게는 스마트 공장으로부터 수집되는 컨텍스트 데이터의 부가가치 평가, 관련성 평가, 시기성 평가, 완성도 평가, 데이터 양의 적정성 평가를 통해 어플리케이션이나 장치에서 필요로 하는 데이터를 취득하여 목적에 적합한 의미를 도출할 수 있도록 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 관한 것이다.
현재 제조 산업 분야는 IT 기술 발전에 따라 사용자 요구를 반영할 수 있는 맞춤제조, 소프트웨어를 활용한 가상제조, 및 전 제품 가치사슬 연동을 통한 협업 제조가 가능한 ICT 기반의 스마트공장 시스템으로 제조 패러다임이 변화되고 있다. 또한, 제조 설비는 주문, 개발, 설계, 생산, 물류경영 등 기업의 제조와 관련된 모든 활동에서 발생하는 공정 프로세스를 최적화하고 외적인 환경 변화에 유연하게 대응할 수 있도록 진화하고 있다.
스마트 공장은 제조과정에 정보통신기술(ICT, Information and Communications Technologies)을 적용하여 시스템을 최적화하는 개념이다. 산업용 사물인터넷(IIoT, Industrial Internet of Things)은 공정 운영 개선에 중심적인 역할을 하게 될 기술로 주목받고 있다. 산업용 사물인터넷 기술의 적용을 통해 기존의 제조 기계 및 장비들을 초연결 네트워크로 연결할 수 있으며, 최적화된 제조 생산 체계를 구축할 수 있다. 이러한 기술을 통해 실시간으로 공정 전체에서 막대한 데이터를 수집하고 해석할 수 있게 된다. 또한 해석한 데이터를 기반으로 각각의 공정을 개선할 수 있다. 이러한 과정을 통해 비용 운영이나 자재 관리 등을 효율적으로 할 수 있고, 맞춤형 제품의 생산이 용이해지며, 빅데이터 분석을 통해 시장 변화의 예측성을 높일 수 있다.
스마트 공장에서 수집된 데이터는 각각의 독립적인 데이터 개체가 갖는 값의 의미도 있지만 상호 연관성이 있는 데이터들이 수집되었을 때, 이들 데이터들은 각각의 값에 대한 의미뿐만 아니라 데이터들간의 관계성에 의하여 어떤 상황에 대한 의미를 파악 할 수 있게 된다.
데이터가 수집되는 과정에서 주변의 상황, 잡음, 수집하는 장치의 오동작, 수집되는 과정에서의 인위적인 상황 변화에 따른 데이터의 수집, 혹은 기타 여러가지 상황에 따른 비정상적인 데이터가 수집되는 경우가 있다. 이렇게 수집된 데이터가 사용되는 경우 이로 인한 상황 판단도 잘못될 가능성이 많이 있다. 그리고 데이터가 정확하게 수집되기는 하였으나, 그 데이터가 쓰이는 시간적인 시점에 맞추지 못하는 지연 현상 등으로 수집된 데이터의 필요성이 없어지게 죄는 경우도 있으며, 필요한 데이터의 양만큼 충분히 수집되지 못하여 데이터의 의미 혹은 관계를 평가하기 어려운 경우, 수집 처리하는 과정에서 중복된 데이터가 입력되는 경우 등 다양한 문제 등으로 데이터의 활용 가치가 떨어지게 된다.
데이터 품질은 데이터가 사용되는 목적에 적절하게 그리고 정확한 판단을 위하여 사용되는데 있어서 문제가 발생하거나, 목적에 충분하게 사용될 수 있다면 사용된 데이터들의 품질이 나쁘다고 단정적으로 판단하기는 곤란하다. 즉, 데이터의 품질은 비즈니스 측면에서 목적에 맞도록 그리고 얻고자 하는 정보를 충분히 찾아 낼 수 있는 데이터라면 데이터 품질의 문제를 제기할 필요가 없다는 의미이다. 이렇게 판단하는 이유는 사용되는 데이터 품질의 기준을 절대치로 표기하기는 매우 힘들며, 어플리케이션 A에서는 문제없이 사용되는 데이터들이 어플리케이션 B에서는 사용된 데이터 일부가 나타내려는 특성을 충분히 나타내지 못하여 사용된 데이터의 문제가 제기되는 경우가 있을 수 있기 때문이다. 또한 측정하는 과정에서 수집된 데이터의 완벽한 정확성을 유지한다는 것은 힘들 뿐만 아니라 이를 판단하는 기준도 명확하지 않기 때문이다.
따라서 복수개의 데이터를 사용하여 필요로 하는 의미를 도출하기 위하여 사용되는 컨텍스트 메트릭 파라미터(Contextual Metric Parameter)로 사용되는 데이터 품질 이슈는 수집된 데이터가 사용되는 응용 혹은 장치에서 필요 및 목적에 맞도록 데이터의 의미를 충분히 전달할 수 있는지 여부 등의 특성에 따른 구분으로 데이터 품질을 평가하는 기술이 요구되고 있다.
본 발명은 상기와 같은 종래 기술을 개선하기 위해 안출된 것으로서, 스마트 공장으로부터 수집되는 컨텍스트 데이터의 부가가치 평가, 관련성 평가, 시기성 평가, 완성도 평가, 데이터 양의 적정성 평가를 통해 어플리케이션이나 장치에서 필요로 하는 데이터를 취득하여 목적에 적합한 의미를 도출할 수 있도록 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법을 제공하는 것을 목적으로 한다.
상기의 목적을 이루고 종래기술의 문제점을 해결하기 위하여, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법은, 스마트 공장에 관한 컨텍스트 데이터(context data)를 수집하는 단계; 상기 컨텍스트 데이터가 사용되는 선정된 작업에서 상기 컨텍스트 데이터가 상기 작업을 수행하는 어플리케이션이나 장치가 목표로 하는 의미나 역할을 나타내는지를 판단하는 부가가치 메트릭(Value added Metric) 평가단계; 상기 컨텍스트 데이터와 상기 컨텍스트 데이터가 사용되는 어플리케이션이나 장치의 작업 간의 관련성 정도를 판단하는 관련성 메트릭(Relevancy Metric) 평가단계; 상기 수집되는 컨텍스트 데이터의 시간적 범주 분석을 통해 수집되는 데이터들이 시간적으로 적절하게 조합되었는지를 판단하는 시기성 메트릭(Timeliness Metric) 평가단계; 상기 수집되는 컨텍스트 데이터의 속성 값의 유무 또는 부정확성을 분석하고 매칭되는 데이터 집합군과의 적절성을 판단하는 완성도 메트릭(Completeness Metric) 평가단계; 및 상기 컨텍스트 데이터가 사용되는 어플리케이션 또는 장치의 작업 특성에 따라 요구되는 데이터 양을 분석하여 상기 수집되는 컨텍스트 데이터 양의 적절성을 판단하는 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계를 포함한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법은, 상기 수집된 컨텍스트 데이터를 웹 오브젝트 기반 온톨로지로 변환하는 단계를 더 포함한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 있어서, 상기 수집된 컨텍스트 데이터를 웹 오브젝트 기반 온톨로지로 변환하는 단계는, 상기 컨텍스트 데이터의 주 속성 및 부속 속성을 설정하여 데이터 소스의 ID를 포함한 가상화 객체(VO: Virtual Objects)를 RDF(Resource Description Format) 규칙에 따라 생성하는 단계; 상기 가상화 객체(VO) 오브젝트의 집합체인 복합 가상화 객체(CVO: Composit Virtual Objects)에 ID를 부여하여 상기 RDF 규칙에 따라 생성하는 단계; 및 상기 북수 개의 복합 가상화 객체(CVO)들의 조합으로 스마트 공장 특성을 나타내는 복수 개의 서비스 엔터티(Service Entity)에 대한 온톨로지를 생성하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법의 상기 부가가치 메트릭(Value added Metric) 평가에 있어서, 상기 복합 가상화 객체(CVO)에 대하여 어플리케이션 컨텍스를 통해 중복성 검사, 분실 데이터 검사, 데이터 수집비용 검사를 수행하는 것으로 이루어지고, 상기 검사를 통해 획득한 부가가치 품질이 선정된 임계값 미만인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 저하시키는 것으로 판단하며, 상기 부가가치 품질이 상기 임계값 이상인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 증가시키는 것으로 판단하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법의 상기 관련성 메트릭(Relevancy Metric) 평가에 있어서, 제1 복합 가상화 객체(CVO) 및 제2 복합 가상화 객체(CVO)에 대하여 트레이닝 데이터와 테스트 데이터를 분류하여 트레이닝 데이터 관련성 모델 데이터베이스 및 확인 데이터 관련성 모델 데이터베이스에 각각 제공하고, 상기 각 데이터베이스의 데이터에 대하여 분실 오브젝트 및 데이터 특성을 검사, 분실 데이터 패턴 식별하여 관련성 모델을 학습하고, 테스트 데이터를 통해 학습된 관련성 모델을 평가하여 관련성 모델을 배치하며, 배치된 관련성 모델에 복합 가상화 객체(CVO)에 대한 가상화 객체(VO)의 새로운 데이터를 적용하여 복합 가상화 객체(CVO) 컨텍스트에서의 가상화 객체(VO) 관련성 레벨을 평가하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법의 상기 시기성 메트릭(Timeliness Metric) 평가단계에 있어서, N개의 가상화 객체(VO) 각각에 대하여 선정된 주기마다 시간대별 밸류(value)를 분석하고, 상기 상기 N개의 가상화 객체(VO) 각각의 시간대별 밸류를 이용한 타임라인 일관성(Timeline Consistency) 검사를 통해 상기 N개의 가상화 객체(VO) 각각의 시기성(Timeliness)을 검사하여 상기 복합 가상화 객체(CVO)의 시기성(Timeliness)을 평가하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법의 상기 완성도 메트릭(Completeness Metric) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)에 대하여 누락 값 검사, 누락 데이터속성 검사, 오류 필드 값 검사를 통해 누락 값 개수, 누락 데이터속성 개수, 오류 필드 값 개수를 통해 총 누락 값을 획득하고, 상기 총 누락 값이 선정된 임계값 미만이면 해당 복합 가상화 객체(CVO)는 폐기하며, 상기 총 누락 값이 상기 임계값 이상이면 해당 복합 가상화 객체(CVO)는 사용 가능한 것으로 평가하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법의 상기 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)와 요구되는 복합 가상화 객체(CVO) 작업을 예측(prediction) 모델 또는 분류(claasification)에 적용하여 작업하고, 작업 결과가 요구되는 컨텍스트에 매칭되면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절한 것으로 평가하며. 작업 결과가 요구되는 컨텍스트에 매칭되지 않으면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절하지 않은 것으로 평가하는 것을 특징으로 한다.
본 발명의 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 따르면, 어플리케이션이나 장치에서 필요로 하는 데이터를 취득하여 목적에 적합한 의미를 도출할 수 있도록 하는 효과를 얻을 수 있다.
또한, 본 발명의 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 따르면, 수집된 데이터가 사용되는 응용 혹은 장치에서 필요 및 목적에 맞도록 데이터의 의미를 충분히 전달할 수 있는지 여부 등의 특성에 따른 구분으로 데이터 품질을 평가할 수 있는 효과를 얻을 수 있다.
도 1은 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 방법이 수행되는 스마트공장 데이터 품질평가 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 방법의 절차를 도시한 흐름도이다.
도 3은 본 발명의 일실시예에 따른 부가가치 메트릭 평가방법의 개념을 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 관련성 메트릭 평가방법의 개념을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 시기성 메트릭 평가방법의 개념을 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 완전성 메트릭 평가방법의 개념을 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 데이터양 적정성 메트릭 평가방법의 개념을 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 방법의 절차를 도시한 흐름도이다.
도 3은 본 발명의 일실시예에 따른 부가가치 메트릭 평가방법의 개념을 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 관련성 메트릭 평가방법의 개념을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 시기성 메트릭 평가방법의 개념을 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 완전성 메트릭 평가방법의 개념을 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 데이터양 적정성 메트릭 평가방법의 개념을 도시한 도면이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다.
다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다. 또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 방법이 수행되는 스마트공장 데이터 품질평가 장치의 구성을 도시한 블록도이고, 도 2는 본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 방법의 절차를 도시한 흐름도이며. 도 3은 본 발명의 일실시예에 따른 부가가치 메트릭 평가방법의 개념을 도시한 도면이고, 도 4는 본 발명의 일실시예에 따른 관련성 메트릭 평가방법의 개념을 도시한 도면이며, 도 5는 본 발명의 일실시예에 따른 시기성 메트릭 평가방법의 개념을 도시한 도면이고, 도 6은 본 발명의 일실시예에 따른 완전성 메트릭 평가방법의 개념을 도시한 도면이며, 도 7은 본 발명의 일실시예에 따른 데이터양 적정성 메트릭 평가방법의 개념을 도시한 도면이다.
본 발명의 일실시예에 따른 스마트공장 데이터 품질평가 장치(100)는 입력부(101), 제어부(102), 부가가치 평가모듈(110), 관련성 평가모듈(120), 시기성 평가모듈(130), 완성도 평가모듈(140), 데이터양 적정성 평가모듈(150)을 포함한다.
입력부(101)는 스마트 공장에 관한 컨텍스트 데이터(context data)를 수집한다. 입력부(101)는 스마트공장의 서버나 단말기, 관리자 등으로로부터 데이터나 공장정보를 입력받는다. 입력부(101)는 AML(Automation Markup Language) 기반 모델링 파일의 업로드 또는 사용자의 직접 입력을 통해 입력받을 수 있다. 구체적으로, 입력부(101)는 AML기반 모델링 파일을 인터넷이나 네트워크를 통해 수신받는 형태로 입력받을 수 있다. 그리고 입력부(110)는 사용자가 웹 포탈을 통해 입력하는 형태로 공장정보를 입력받을 수도 있다. 데이터나 입력 방식은 다양한 방법을 통해 구현될 수 있다.
제어부(102)는 스마트공장 데이터 품질평가 장치(100)의 전반적인 동작을 제어한다. 데이터 전처리, 데이터 속성 설정, 온톨로지 변환, 가상화 객체(VO: Virtual Objects) 생성, 복합 가상화 객체(CVO: Composit Virtual Objects) 생성, RDF(Resource Description Format) 규칙 적용, 각 평가 모듈의 동작제어 등 스마트공장 데이터 품질평가 장치(100)의 전반적인 동작을 제어할 수 있다.
컨텍스트 관계를 가진 스마트 공장 수집 데이터 집합이 웹 오브 오브젝트(Web of Object: WoO)기반의 데이터 품질 평가를 수행하기 위해서 컨텍스트 데이터 집합은 WoO기반의 가상화 객체(VO: Virtual Objects) 및 복합 가상화 객체(CVO: Composit Virtual Objects)로 나타내는 템플레이트 (Template)에 따라 데이터 온톨로지로 전환되는데, RDF 규칙에 따라서 변환이 이루어질 수 있다.
제어부(102)는 상기 수집된 컨텍스트 데이터를 웹 오브젝트 기반 온톨로지로 변환한다. 제어부(102)는 상기 컨텍스트 데이터의 주 속성 및 부속 속성을 설정하여 데이터 소스의 ID를 포함한 가상화 객체(VO: Virtual Objects)를 RDF(Resource Description Format) 규칙에 따라 생성한다. 제어부(102)는 상기 가상화 객체(VO) 오브젝트의 집합체인 복합 가상화 객체(CVO: Composit Virtual Objects)에 ID를 부여하여 상기 RDF 규칙에 따라 생성한다. 제어부(102)는 상기 북수 개의 복합 가상화 객체(CVO)들의 조합으로 스마트 공장 특성을 나타내는 복수 개의 서비스 엔터티(Service Entity)에 대한 온톨로지를 생성한다.
스마트 공장의 컨텍스트 데이터들이 의미 및 관계성의 내용을 포함하는 온톨로지로 표현되어 입력되면, 웹 오브젝트 기반의 컨텍스트 데이터 평가가 수행된다.
데이터 품질에서 컨텍스트(contextual) 범주를 정의하는 것은 필요에 따른 복수의 데이터가 사용되는 응용 혹은 장치 등에서 각각의 데이터 컴포넌트들이 서로 다음의 관계성을 목적에 맞는 데이터의 유효성을 나타내기 위하여 어떻게 잘 유지하는가에 달려 있다. 그 이유는 서로 연관성을 가진 데이터들이 함께 사용될 때, 이들 데이터가 나타내는 의미에 의하여 응용에서 혹은 장치가 어떠한 결정을 내리고 판단하는 데 적절하게 활용되도록 하기 위함이며, 수집된 데이터들이 필요 혹은 목적을 위하여 기대하는 관계성 의미를 얼마만큼 잘 나타낼 수 있는가의 정도를 평가하는 것이 중요하기 때문이다. 이를 위하여 데이터의 부가 가치 (value added), 데이터 관련성(Relevancy parameter), 데이터 시기성(Timelines), 데이터의 완성도(Completeness), 데이터 양의 적정성(Appropriate amount of data)의 5가지 특성을 분석한다.
부가가치 메트릭(Value added Metric) 평가모듈(110)은 스마트공장에 관한 컨텍스트 데이터가 사용되는 선정된 작업에서 상기 컨텍스트 데이터가 상기 작업을 수행하는 어플리케이션이나 장치가 목표로 하는 의미나 역할을 나타내는지를 판단한다. 주어진 작업 (Task)에서 사용되는 데이터들이 어플리케이션 또는 장치에서 목표로 하는 의미 혹은 역할을 제대로 나타내고 있는지를 분석할 수 있다. 예를 들어 중복된 데이터, 손실된 데이터, 사용되지 않는 데이터 등 등은 본 데이터를 사용하는 부가 가치를 나타내는 데 도움이 되지 않는 것으로 평가될 수 있다.
상기 부가가치 메트릭(Value added Metric) 평가에 있어서, 상기 복합 가상화 객체(CVO)에 대하여 어플리케이션 컨텍스를 통해 중복성 검사, 분실 데이터 검사, 데이터 수집비용 검사를 수행하는 것으로 이루어지고, 상기 검사를 통해 획득한 부가가치 품질이 선정된 임계값 미만인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 저하시키는 것으로 판단하며, 상기 부가가치 품질이 상기 임계값 이상인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 증가시키는 것으로 판단할 수 있다.
웹 오브젝트 기반 데이터 품질 평가에서 부가가치 메트릭 평가는 CVO 컨텍스트에서 의미론적 데이터를 사용하는 이점과 이점 및 서비스에 미치는 영향과 품질에 적용되는데, 부가가치 지표는 CVO 컨텍스트에서 집계되는 VO 데이터에 적용될 수 있다. 부가가치 메트릭을 분석하기 위해 VO 중복 데이터, 누락된 데이터 및 데이터 수집 비용 매개 변수 서비스 또는 애플리케이션 컨텍스트에서, 부가가치 메트릭에 대한 CVO 품질이 낮으면 필요한 임계 값에 대해 데이터가 CVO 등에 적합하지 않다고 평가할 수 있다.
관련성 메트릭(Relevancy Metric) 평가모듈은 상기 컨텍스트 데이터와 상기 컨텍스트 데이터가 사용되는 어플리케이션이나 장치의 작업 간의 관련성 정도를 판단한다. 사용되는 데이터들이 목표로 하는 어플리케이션 또는 장치의 작업 (Task)에 사용되기 위하여 얼만큼의 연관성을 나타내고 있는지 정도를 나타낸다. 높은 관련성을 나타내는 데이터들의 집합이 원하는 의미를 나타내는 데이터 그룹 혹은 묶음이 될 수 있기 때문이다.
상기 관련성 메트릭(Relevancy Metric) 평가에 있어서, 제1 복합 가상화 객체(CVO) 및 제2 복합 가상화 객체(CVO)에 대하여 트레이닝 데이터와 테스트 데이터를 분류하여 트레이닝 데이터 관련성 모델 데이터베이스 및 확인 데이터 관련성 모델 데이터베이스에 각각 제공하고, 상기 각 데이터베이스의 데이터에 대하여 분실 오브젝트 및 데이터 특성을 검사, 분실 데이터 패턴 식별하여 관련성 모델을 학습하고, 테스트 데이터를 통해 학습된 관련성 모델을 평가하여 관련성 모델을 배치하며, 배치된 관련성 모델에 복합 가상화 객체(CVO)에 대한 가상화 객체(VO)의 새로운 데이터를 적용하여 복합 가상화 객체(CVO) 컨텍스트에서의 가상화 객체(VO) 관련성 레벨을 평가할 수 있다.
시기성 메트릭(Timeliness Metric) 평가모듈은 상기 수집되는 컨텍스트 데이터의 시간적 범주 분석을 통해 수집되는 데이터들이 시간적으로 적절하게 조합되었는지를 판단한다. 새로운 데이터들이 지속적으로 수집되고, 이들 데이터들의 집합적 의미가 사용되는 어플리케이션 및 장치에서 그 의미가 분석하고, 판단되어 결정 처리하는 과정을 거치게 된다. 이 때 사용되는 새로운 업데이트된 데이터들이 다음 단계의 의미를 파악하는 데 시간적으로 적절하게 조합을 이루었는지를 분석할 필요가 있다. 이는 도착된 데이터들의 시간적 범주를 분석하고, 이들의 활용성 및 적절성을 검토하는 과정을 거치게 된다.
상기 시기성 메트릭(Timeliness Metric) 평가단계에 있어서, N개의 가상화 객체(VO) 각각에 대하여 선정된 주기마다 시간대별 밸류(value)를 분석하고, 상기 상기 N개의 가상화 객체(VO) 각각의 시간대별 밸류를 이용한 타임라인 일관성(Timeline Consistency) 검사를 통해 상기 N개의 가상화 객체(VO) 각각의 시기성(Timeliness)을 검사하여 상기 복합 가상화 객체(CVO)의 시기성(Timeliness)을 평가한다.
완성도 메트릭(Completeness Metric) 평가모듈은 상기 수집되는 컨텍스트 데이터의 속성 값의 유무 또는 부정확성을 분석하고 매칭되는 데이터 집합군과의 적절성을 판단한다. 수집된 데이터들의 일부가 없는 경우, 수집된 데이터에서 속성을 나타내는 값들이 부정확하거나 없는 경우, 데이터 값들이 제자리에 위치하지 않거나 다른 값이 들어가 있는 경우 수집된 데이터들의 집합군이 제대로 완성되지 못하게 되는데, 이를 분석하여 데이터 집합군의 완성도의 정도를 나타내는 파라미터 변수로 작용한다.
상기 완성도 메트릭(Completeness Metric) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)에 대하여 누락 값 검사, 누락 데이터속성 검사, 오류 필드 값 검사를 통해 누락 값 개수, 누락 데이터속성 개수, 오류 필드 값 개수를 통해 총 누락 값을 획득하고, 상기 총 누락 값이 선정된 임계값 미만이면 해당 복합 가상화 객체(CVO)는 폐기하며, 상기 총 누락 값이 상기 임계값 이상이면 해당 복합 가상화 객체(CVO)는 사용 가능한 것으로 평가한다.
데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가모듈은 상기 컨텍스트 데이터가 사용되는 어플리케이션 또는 장치의 작업 특성에 따라 요구되는 데이터 양을 분석하여 상기 수집되는 컨텍스트 데이터 양의 적절성을 판단한다. 데이터의 학습 혹은 판단을 내리기 위하여 어느 정도 이상의 데이터 양을 분석하여 이루어진다. 너무 작은 양의 데이터가 적용되면 부정확한 판단을 가져오게 될 가능성이 크기 때문이다. 이 때 요구되는 어플리케이션 혹은 장치의 작업(Task) 특성에 따라 요구되는 데이터 양은 다르며, 이를 사전에 설정할 필요가 있으며, 만일 주어진 데이터 양이 요구되는 작업에 대한 판단을 하기에 부족하다면 이 컨텍스트 데이터 품질 파라미터는 충분하지 못함을 나타내는 정도를 나타낼 수 있다.
상기 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)와 요구되는 복합 가상화 객체(CVO) 작업을 예측(prediction) 모델 또는 분류(claasification)에 적용하여 작업하고, 작업 결과가 요구되는 컨텍스트에 매칭되면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절한 것으로 평가하며. 작업 결과가 요구되는 컨텍스트에 매칭되지 않으면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절하지 않은 것으로 평가한다.
본 발명에 있어서, 컨텍스트 데이터에 대한 품질 관리 기능을 제공하기 위하여 WoO(Web of Objects) 모델을 적용한다. WoO모델은 아래의 요소인 VO (Virtual Objects), CVO (Composite Virtual Objects) 그리고 서비스 요소 등의 3개로 구성된다. VO (Virtual Objects)는 수집된 각 개별 데이터에 필요한 속성 정보(attributes) 가상 오브젝트로 만들기 위하여 필요한 정보를 포함하도록 하고, 이를 표현하는 방식으로 RDF (Resource Description Framework)를 사용할 수 있다.
CVO(Composite Virtual Objects)는 수집된 개벌 데이터 요소들을 근간으로 만들어진 복수개의 VO들이 스마트 공장관련 필요한 컨텍스트 규칙을 가지도록 하기 위하여 아래 그림과 같은 구조로 데이터 집합체를 만들며, 이를 CBVO라 정의한다. 복수개의 VO들이 컨텍스트를 나타내고 필요한 의미를 지니게 된다. 이를 표현하는 방식으로 RDF (Resource Description Framework)를 사용할 수 있다. Service 기능 은 스마트 공장에서 필요로 하는 분석 및 관리 정보를 추출하기 위하여 해당하는 서비스 특성을 분석하고, 컨텍스트 특성을 구분 및 분류하며, 이들을 관리하는 마이크로 서비스 요소와 연결시킬 수 있다. 스마트 공장에서 주요 제어 및 지능화를 위하여 사용되는 컨텍스트 데이터 집합들에 대한 데이터 품질 관리를 위하여 WoO 계층적 구조에 기반하여 컨텍스트 데이터의 VO, CVO 들이 처리 및 관리된다.
이와 같이 스마트 공장의 컨텍스트 데이터들이 의미 및 관계성의 내용을 포함하는 온톨로지로 표현되어 입력되면, 도 2에 기술된 절차에 의거하여 WoO기반의 콘텍스트 데이터는 평가가 수행될 수 있다. 이 때, 상술한 평가모듈의 알고리즘에 의거하여 5단계의 과정에서 해당되는 평가가 실시되고, 이를 기반으로 최종 데이터 품질의 정도를 제시할 수 있게 된다.
본 발명에 따른 스마트공장 데이터 품질평가 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 스마트공장 데이터 품질평가장치
101: 입력부
102: 제어부
110: 부가가치 평가모듈
120: 관련성 평가모듈
130: 시기성 평가모듈
140: 완성도 평가모듈
150: 데이터양 적정성 평가모듈
101: 입력부
102: 제어부
110: 부가가치 평가모듈
120: 관련성 평가모듈
130: 시기성 평가모듈
140: 완성도 평가모듈
150: 데이터양 적정성 평가모듈
Claims (8)
- 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법에 있어서,
스마트 공장에 관한 컨텍스트 데이터(context data)를 수집하는 단계;
상기 컨텍스트 데이터가 사용되는 선정된 작업에서 상기 컨텍스트 데이터가 상기 작업을 수행하는 어플리케이션이나 장치가 목표로 하는 의미나 역할을 나타내는지를 판단하는 부가가치 메트릭(Value added Metric) 평가단계;
상기 컨텍스트 데이터와 상기 컨텍스트 데이터가 사용되는 어플리케이션이나 장치의 작업 간의 관련성 정도를 판단하는 관련성 메트릭(Relevancy Metric) 평가단계;
상기 수집되는 컨텍스트 데이터의 시간적 범주 분석을 통해 수집되는 데이터들이 시간적으로 적절하게 조합되었는지를 판단하는 시기성 메트릭(Timeliness Metric) 평가단계;
상기 수집되는 컨텍스트 데이터의 속성 값의 유무 또는 부정확성을 분석하고 매칭되는 데이터 집합군과의 적절성을 판단하는 완성도 메트릭(Completeness Metric) 평가단계; 및
상기 컨텍스트 데이터가 사용되는 어플리케이션 또는 장치의 작업 특성에 따라 요구되는 데이터 양을 분석하여 상기 수집되는 컨텍스트 데이터 양의 적절성을 판단하는 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계
를 포함하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제1항에 있어서,
상기 수집된 컨텍스트 데이터를 웹 오브젝트 기반 온톨로지로 변환하는 단계
를 더 포함하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제2항에 있어서,
상기 수집된 컨텍스트 데이터를 웹 오브젝트 기반 온톨로지로 변환하는 단계는,
상기 컨텍스트 데이터의 주 속성 및 부속 속성을 설정하여 데이터 소스의 ID를 포함한 가상화 객체(VO: Virtual Objects)를 RDF(Resource Description Format) 규칙에 따라 생성하는 단계;
상기 가상화 객체(VO) 오브젝트의 집합체인 복합 가상화 객체(CVO: Composit Virtual Objects)에 ID를 부여하여 상기 RDF 규칙에 따라 생성하는 단계; 및
상기 북수 개의 복합 가상화 객체(CVO)들의 조합으로 스마트 공장 특성을 나타내는 복수 개의 서비스 엔터티(Service Entity)에 대한 온톨로지를 생성하는 단계
를 포함하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제3항에 있어서,
상기 부가가치 메트릭(Value added Metric) 평가에 있어서, 상기 복합 가상화 객체(CVO)에 대하여 어플리케이션 컨텍스를 통해 중복성 검사, 분실 데이터 검사, 데이터 수집비용 검사를 수행하는 것으로 이루어지고, 상기 검사를 통해 획득한 부가가치 품질이 선정된 임계값 미만인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 저하시키는 것으로 판단하며, 상기 부가가치 품질이 상기 임계값 이상인 경우 상기 복합 가상화 객체(CVO)가 서비스 품질을 증가시키는 것으로 판단하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제3항에 있어서,
상기 관련성 메트릭(Relevancy Metric) 평가에 있어서, 제1 복합 가상화 객체(CVO) 및 제2 복합 가상화 객체(CVO)에 대하여 트레이닝 데이터와 테스트 데이터를 분류하여 트레이닝 데이터 관련성 모델 데이터베이스 및 확인 데이터 관련성 모델 데이터베이스에 각각 제공하고, 상기 각 데이터베이스의 데이터에 대하여 분실 오브젝트 및 데이터 특성을 검사, 분실 데이터 패턴 식별하여 관련성 모델을 학습하고, 테스트 데이터를 통해 학습된 관련성 모델을 평가하여 관련성 모델을 배치하며, 배치된 관련성 모델에 복합 가상화 객체(CVO)에 대한 가상화 객체(VO)의 새로운 데이터를 적용하여 복합 가상화 객체(CVO) 컨텍스트에서의 가상화 객체(VO) 관련성 레벨을 평가하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제3항에 있어서,
상기 시기성 메트릭(Timeliness Metric) 평가단계에 있어서, N개의 가상화 객체(VO) 각각에 대하여 선정된 주기마다 시간대별 밸류(value)를 분석하고, 상기 상기 N개의 가상화 객체(VO) 각각의 시간대별 밸류를 이용한 타임라인 일관성(Timeline Consistency) 검사를 통해 상기 N개의 가상화 객체(VO) 각각의 시기성(Timeliness)을 검사하여 상기 복합 가상화 객체(CVO)의 시기성(Timeliness)을 평가하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제3항에 있어서,
상기 완성도 메트릭(Completeness Metric) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)에 대하여 누락 값 검사, 누락 데이터속성 검사, 오류 필드 값 검사를 통해 누락 값 개수, 누락 데이터속성 개수, 오류 필드 값 개수를 통해 총 누락 값을 획득하고, 상기 총 누락 값이 선정된 임계값 미만이면 해당 복합 가상화 객체(CVO)는 폐기하며, 상기 총 누락 값이 상기 임계값 이상이면 해당 복합 가상화 객체(CVO)는 사용 가능한 것으로 평가하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법. - 제3항에 있어서,
상기 데이터 양의 적정성 메트릭(Appropriate Amount of Data) 평가단계에 있어서, 입력되는 복수의 가상화 객체(VO)를 포함하는 복합 가상화 객체(CVO)와 요구되는 복합 가상화 객체(CVO) 작업을 예측(prediction) 모델 또는 분류(claasification)에 적용하여 작업하고, 작업 결과가 요구되는 컨텍스트에 매칭되면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절한 것으로 평가하며. 작업 결과가 요구되는 컨텍스트에 매칭되지 않으면 데이터 양이 해당 복합 가상화 객체(CVO) 작업에 적절하지 않은 것으로 평가하는 것을 특징으로 하는 스마트공장 데이터 품질평가 장치의 스마트공장 데이터 품질평가 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200125052A KR102411291B1 (ko) | 2020-09-25 | 2020-09-25 | 스마트공장 데이터 품질평가 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200125052A KR102411291B1 (ko) | 2020-09-25 | 2020-09-25 | 스마트공장 데이터 품질평가 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220041600A true KR20220041600A (ko) | 2022-04-01 |
| KR102411291B1 KR102411291B1 (ko) | 2022-06-27 |
Family
ID=81183220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200125052A KR102411291B1 (ko) | 2020-09-25 | 2020-09-25 | 스마트공장 데이터 품질평가 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102411291B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
| CN117273552A (zh) * | 2023-11-22 | 2023-12-22 | 山东顺国电子科技有限公司 | 一种基于机器学习的大数据智能治理决策方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130066788A (ko) * | 2011-12-13 | 2013-06-21 | 성균관대학교산학협력단 | 계층적 컨텍스트 모델링 기반의 상황인식 시스템 |
| KR20190068193A (ko) * | 2017-12-08 | 2019-06-18 | 에스케이 주식회사 | 스마트 팩토리 레이아웃 설계 방법 및 시스템 |
| KR20190100846A (ko) * | 2018-02-08 | 2019-08-29 | 주식회사 포스코아이씨티 | 고속 빅데이터 분석을 수행하는 스마트팩토리 시스템 |
| JP2020064390A (ja) * | 2018-10-16 | 2020-04-23 | ファナック株式会社 | データ収集システム及びデータ収集方法 |
| KR102086451B1 (ko) * | 2019-09-06 | 2020-05-29 | 주식회사 글로벌제조혁신네트웍 | 증강현실 상의 스마트팩토리 원격협업 ｃｍｓ 시스템 및 그 구동방법 |
| KR20200059866A (ko) | 2018-11-22 | 2020-05-29 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
-
2020
- 2020-09-25 KR KR1020200125052A patent/KR102411291B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130066788A (ko) * | 2011-12-13 | 2013-06-21 | 성균관대학교산학협력단 | 계층적 컨텍스트 모델링 기반의 상황인식 시스템 |
| KR20190068193A (ko) * | 2017-12-08 | 2019-06-18 | 에스케이 주식회사 | 스마트 팩토리 레이아웃 설계 방법 및 시스템 |
| KR20190100846A (ko) * | 2018-02-08 | 2019-08-29 | 주식회사 포스코아이씨티 | 고속 빅데이터 분석을 수행하는 스마트팩토리 시스템 |
| JP2020064390A (ja) * | 2018-10-16 | 2020-04-23 | ファナック株式会社 | データ収集システム及びデータ収集方法 |
| KR20200059866A (ko) | 2018-11-22 | 2020-05-29 | 유에이치에스(주) | 스마트팩토리를 구현하는 시스템 |
| KR102086451B1 (ko) * | 2019-09-06 | 2020-05-29 | 주식회사 글로벌제조혁신네트웍 | 증강현실 상의 스마트팩토리 원격협업 ｃｍｓ 시스템 및 그 구동방법 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
| CN116485280B (zh) * | 2023-06-15 | 2023-09-19 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
| CN117273552A (zh) * | 2023-11-22 | 2023-12-22 | 山东顺国电子科技有限公司 | 一种基于机器学习的大数据智能治理决策方法及系统 |
| CN117273552B (zh) * | 2023-11-22 | 2024-02-13 | 山东顺国电子科技有限公司 | 一种基于机器学习的大数据智能治理决策方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102411291B1 (ko) | 2022-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170109657A1 (en) | Machine Learning-Based Model for Identifying Executions of a Business Process | |
| US11790256B2 (en) | Analyzing test result failures using artificial intelligence models | |
| US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
| US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
| US20170109667A1 (en) | Automaton-Based Identification of Executions of a Business Process | |
| US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
| US20180046956A1 (en) | Warning About Steps That Lead to an Unsuccessful Execution of a Business Process | |
| US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
| KR102411291B1 (ko) | 스마트공장 데이터 품질평가 방법 | |
| CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
| Tahvili et al. | Functional dependency detection for integration test cases | |
| CN112416778A (zh) | 测试用例推荐方法、装置和电子设备 | |
| Arndt | Big Data and software engineering: prospects for mutual enrichment | |
| CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
| CN105511869A (zh) | 一种基于用户反馈的需求跟踪系统及方法 | |
| Francis et al. | Towards data-driven digital twins for smart manufacturing | |
| CN117519656A (zh) | 一种基于智能制造的软件开发系统 | |
| Mendia et al. | A novel approach for the detection of anomalous energy consumption patterns in industrial cyber‐physical systems | |
| CN117575222A (zh) | 生产管理方法、系统、设备及存储介质 | |
| CN113761193A (zh) | 日志分类方法、装置、计算机设备和存储介质 | |
| CN105138612A (zh) | 数据一致性差异原因的分析和定位的方法及系统 | |
| CN116432092A (zh) | 一种融合模型数据的指标系统及方法 | |
| Abbas et al. | Quality factors enhancement of requirement engineering: A systematic literature review | |
| US11860727B2 (en) | Data quality-based computations for KPIs derived from time-series data | |
| Maruster et al. | Tailoring the engineering design process through data and process mining |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |