KR20220071665A - Anomaly detection system and method in smart manufacturing environment using multiple AI techniques - Google Patents

Anomaly detection system and method in smart manufacturing environment using multiple AI techniques Download PDF

Info

Publication number
KR20220071665A
KR20220071665A KR1020200159057A KR20200159057A KR20220071665A KR 20220071665 A KR20220071665 A KR 20220071665A KR 1020200159057 A KR1020200159057 A KR 1020200159057A KR 20200159057 A KR20200159057 A KR 20200159057A KR 20220071665 A KR20220071665 A KR 20220071665A
Authority
KR
South Korea
Prior art keywords
data
analysis
processing unit
manufacturing
learning
Prior art date
Application number
KR1020200159057A
Other languages
Korean (ko)
Other versions
KR102417694B1 (en
Inventor
남기효
김윤홍
윤보람
Original Assignee
(주)유엠로직스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)유엠로직스 filed Critical (주)유엠로직스
Priority to KR1020200159057A priority Critical patent/KR102417694B1/en
Publication of KR20220071665A publication Critical patent/KR20220071665A/en
Application granted granted Critical
Publication of KR102417694B1 publication Critical patent/KR102417694B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to a system and a method for detecting anomaly in a smart manufacturing environment using multiple artificial intelligence (AI) techniques, and more specifically, to a system for detecting an anomaly behavior for data collected according to a process of each smart factory in a smart manufacturing environment. The anomaly detection system includes: an input data processing unit (100) that performs an artificial intelligence (AI) analysis of manufacturing data, which is collected in real-time, based on first data input through public sharing; a collected data processing unit (200) that performs the AI analysis of the manufacturing data collected in real-time based on second data input through individual collection; and an integration analysis unit (300) that detects anomaly for the manufacturing data by using an integration of analysis data of the input data processing unit (100) and analysis data of the collected data processing unit (200).

Description

다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법 {Anomaly detection system and method in smart manufacturing environment using multiple AI techniques}Anomaly detection system and method in smart manufacturing environment using multiple AI techniques

본 발명은 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 스마트 제조 환경에서 공유받는 공공 데이터와 각 스마트 공장에서 수집되는 제조 데이터를 독립적으로 AI 기법에 적용하여, 각각의 학습 모델을 이용하여 실시간 수집 데이터에 대한 이상 행위 탐지를 수행할 수 있는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법에 관한 것이다.The present invention relates to an anomaly detection system and method in a smart manufacturing environment using multiple AI techniques, and more particularly, public data shared in a smart manufacturing environment and manufacturing data collected from each smart factory are independently applied to AI techniques. By applying, it relates to an anomaly detection system and method in a smart manufacturing environment using multiple AI techniques that can perform abnormal behavior detection on real-time collected data using each learning model.

스마트 제조(smart manufacturing)란, 정보와 통신 기술을 현재 제조 과정에 적극 적용하는 기술을 의미하며, 전 세계 제조 산업 경제를 혁신적으로 변화시키고 있다.Smart manufacturing refers to a technology that actively applies information and communication technology to the current manufacturing process, and is revolutionizing the global manufacturing industry economy.

오늘날 부각되고 있는 4차 산업 혁명은 최첨단 정보통신기술(ICT)을 기반으로 스마트 제조 환경을 구축하는 시대를 의미하며, 정확한 정의는 없으나, 미국 연방정부 주도로 설립된 범국가 차원의 R&D 컨소시엄인 SMLC(Smart Manufacturing Leadership Coalition)는 스마트 제조를 '신제품의 신속한 제조, 제품 수요의 적극적 대응, 생산 및 공급 사슬망의 실시간 최적화를 가능하게 하는 첨단 지능형 시스템의 심화 적용(Intensified Application)'이라고 말하고 있다.The 4th Industrial Revolution, which is emerging today, refers to the era of building a smart manufacturing environment based on cutting-edge information and communication technology (ICT). (Smart Manufacturing Leadership Coalition) describes smart manufacturing as 'intensified application of advanced intelligent systems that enable rapid manufacturing of new products, proactive response to product demand, and real-time optimization of production and supply chain chains'.

이를 통해서, 한층 더 진보한 디지털 기술을 생산 시스템과 접목하는 것을 가능케 하며, 수반되는 기술에는 무선통신 기술, 사물 인터넷 기술, 클라우드 컴퓨팅 기술, 재프로그램이 가능한 로봇 기술, 기계 지능화 기술 등이 있다.Through this, it is possible to graft more advanced digital technology with the production system, and the accompanying technologies include wireless communication technology, Internet of Things technology, cloud computing technology, reprogrammable robot technology, and machine intelligence technology.

이러한 스마트 제조의 최종 결과물은 스마트 공장일 것이며, 이러한 스마트 제조의 핵심은 데이터로서, 데이터의 습득, 관리, 사용 방법이 중요하다.The final result of such smart manufacturing will be a smart factory, and the core of such smart manufacturing is data, and how to acquire, manage, and use data is important.

스마트 공장 수준은 레벨 0에서부터 레벨 5로 나뉘고 있으며, 레벨 0은 ICT 미적용 단계, 레벨 1(기초 1)은 식별과 점검(Identified & checked), 레벨 2(기초 2)는 측정과 확인(Measured & Monitored), 레벨 3(중간 1)은 분석과 제어(Analyzed & Controlled), 레벨 4(중간 2)는 최적화와 통합(Optimized & Integrated), 레벨 5(고도화)는 맞춤과 자율(Customized & Autonomy)로서, 레벨 5를 가장 이상적인 단계의 공장 자동화 수준으로 보고 있다.The smart factory level is divided from level 0 to level 5, level 0 is the stage without ICT application, level 1 (basic 1) is Identified & checked, and level 2 (basic 2) is Measured & Monitored ), Level 3 (Middle 1) is Analyzed & Controlled, Level 4 (Middle 2) is Optimized & Integrated, Level 5 (Advanced) is Customized & Autonomy, Level 5 is viewed as the most ideal level of factory automation.

이러한 스마트 제조 환경에서의 이상 행위 탐지란, 제조 환경에서 수집된 데이터를 빅데이터 분석 기법과 결합하여 설비 및 공장 운영 상태에 대한 비정상 행위를 탐지하는 것을 의미한다.Abnormal behavior detection in such a smart manufacturing environment means detecting abnormal behaviors on facility and factory operation status by combining data collected in the manufacturing environment with big data analysis techniques.

효과적인 이상 행위를 탐지하기 위해서는, 각 스마트 공장 별로 정상적인 제조 환경에 대한 제조 데이터를 충분히 확보되어야 하지만, 이를 충분히 확보하기 위해서는 많은 시간이 걸리기 때문에, 단일 스마트 공장에서 수집되는 데이터만으로는 이상 행위 탐지를 하기에는 현실적으로 많은 어려움이 있다.In order to effectively detect anomalies, it is necessary to secure enough manufacturing data for a normal manufacturing environment for each smart factory, but it takes a lot of time to obtain sufficient data. There are many difficulties.

이에 따라, 제품 개발부터 판매 후 서비스에 이르기까지 제조의 전, 후방의 데이터를 공유/활용하는 것이 세계적인 트랜드로 자리매김하고 있으며, 우리나라 역시도 제조 데이터의 수집, 분석 및 공유 네트워크를 구축하여, 국내 제조 생태계 내 제조 데이터를 공유할 수 있는 기반을 마련하고 있다.Accordingly, sharing/utilizing data before and after manufacturing from product development to after-sales service has become a global trend. We are laying the groundwork for sharing manufacturing data within the ecosystem.

이러한 공유 데이터(공공 데이터, Public data)는 각 스마트 공장으로부터 각각의 포맷에 맞춰 생성된 제조 데이터를 수집하고, 수집된 데이터를 정제 및 가공하여 하나의 플랫폼 형태로 구축한 후, 빅 데이터 활용에 이용될 수 있도록 각 스마트 공장으로 재전송하여 공유되고 있다.This shared data (public data) collects manufacturing data generated in accordance with each format from each smart factory, refines and processes the collected data to build a single platform, and then uses it for big data utilization It is retransmitted to each smart factory so that it can be shared.

상기 공유 데이터는 각기 다른 스마트 공장의 제조 데이터를 하나의 플랫폼 형태로 구축하고 있기 때문에, 제조 데이터들을 통합 분석하여 제조 데이터들이 갖고 있는 항목들 중 공통되면서 공개할 수 있을 만한 데이터만을 수집하여 생성하게 된다. 그렇기 때문에, 다량의 데이터 값을 얻을 수 있는 장점이 있지만, 데이터에 포함된 특성(feature)의 수가 한정적일 수 밖에 없는 단점이 있다.Since the shared data builds manufacturing data of different smart factories in the form of a single platform, the manufacturing data are integrated and analyzed to collect and generate only the data that can be shared and disclosed among the items of the manufacturing data. . Therefore, although there is an advantage that a large amount of data values can be obtained, there is a disadvantage that the number of features included in the data is limited.

이 때, 각 스마트 공장에서는 공유되는 공공 데이터 외에도 자체적으로 생성되는 데이터를 수집하게 된다. 이러한 데이터는 빅 데이터 분석에 필요한 항목을 모두 포함하고 있지만, 생성되는 데이터의 양이 적은 문제점이 있다.At this time, each smart factory collects data generated by itself in addition to shared public data. Although such data includes all items necessary for big data analysis, there is a problem in that the amount of generated data is small.

즉, 효과적인 이상 행위를 탐지하기 위해서는, 충분한 제조 데이터가 확보되어야 하지만, 공유되는 공공 데이터와 수집되는 생성 데이터 모두 이상 행위를 탐지하기 위한 기초 학습 데이터로 활용하기에는 충분하지 않아, 탐지의 정확성이 낮은 문제점이 있다.In other words, in order to effectively detect abnormal behavior, sufficient manufacturing data must be secured, but both shared public data and collected generated data are not sufficient to be used as basic learning data to detect abnormal behavior, so the detection accuracy is low. There is this.

이와 관련해서, 국내등록특허 제10-2157031호("서보모터의 전력 소모량을 이용한 이상행위 탐지장치 및 방법")에서는 스마트 팩토리에서 서보모터 전력 소모량을 이용하여 이상행위를 탐지하는 시스템 및 방법을 개시하고 있다.In this regard, Korean Patent Registration No. 10-2157031 (“Abnormal behavior detection device and method using servo motor power consumption”) discloses a system and method for detecting abnormal behavior using servo motor power consumption in a smart factory. are doing

국내등록특허 제10-2157031호(등록일자 2020.09.11.)Domestic Registered Patent No. 10-2157031 (Registration Date 2020.09.11.)

본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 스마트 제조 환경에서 공유받는 공공 데이터와 각 스마트 공장에서 수집되는 제조 데이터를 독립적으로 활용하여, 실시간 수집 데이터에 대한 이상 행위 탐지를 수행할 수 있는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법을 제공하는 것이다.The present invention has been devised to solve the problems of the prior art as described above, and an object of the present invention is to independently utilize public data shared in a smart manufacturing environment and manufacturing data collected in each smart factory, real-time collected data It is to provide an anomaly detection system and method in a smart manufacturing environment using multiple AI techniques that can perform abnormal behavior detection for

본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템은, 스마트 제조 환경에서, 각 스마트 공장에서의 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 시스템에 있어서, 공공의 공유를 통해 입력되는 제1 데이터를 기반으로, 실시간으로 수집되는 제조 데이터의 AI(Artificial Intelligence) 분석을 수행하는 입력데이터 처리부(100), 개별의 수집을 통해 입력되는 제2 데이터를 기반으로, 실시간으로 수집되는 제조 데이터의 AI 분석을 수행하는 수집데이터 처리부(200) 및 상기 입력데이터 처리부(100)의 분석 결과와 상기 수집데이터 처리부(200)의 분석 결과를 통합 이용하여, 상기 제조 데이터에 대한 이상 여부를 탐지하는 통합 분석부(300)를 포함하여 구성되는 것이 바람직하다.An anomaly detection system in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention is a system that performs abnormal behavior detection on data collected according to a process in each smart factory in a smart manufacturing environment. In this case, based on the first data input through public sharing, the input data processing unit 100 for performing AI (Artificial Intelligence) analysis of the manufacturing data collected in real time, the second data input through individual collection Based on the analysis result of the collection data processing unit 200 and the input data processing unit 100 that performs AI analysis of the manufacturing data collected in real time, and the analysis result of the collection data processing unit 200, the manufacturing It is preferable to include an integrated analysis unit 300 for detecting abnormalities in data.

더 나아가, 상기 입력데이터 처리부(100)는 기설정된 다수의 스마트 공장으로부터 제조 데이터를 수집하여, 소정의 양식에 맞춰 가공한 후, 공유되는 상기 제1 데이터를 입력받는 제1 데이터 입력부(110), 상기 제1 데이터 입력부(110)를 통해서 입력된 상기 제1 데이터들을 학습 데이터로 생성하고, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 제1 학습 처리부(120) 및 상기 제1 학습 처리부(120)의 학습 결과에 따른 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 수행하여 이상 여부를 판단하는 제1 분석부(130)를 더 포함하여 구성되는 것이 바람직하다.Furthermore, the input data processing unit 100 collects manufacturing data from a plurality of preset smart factories, processes it according to a predetermined form, and then receives the shared first data, a first data input unit 110, The first learning processing unit 120 and the first learning unit that generates the first data input through the first data input unit 110 as learning data, and performs learning on the learning data using an AI analysis technique It is preferable that the processing unit 120 further includes a first analysis unit 130 that determines whether there is an abnormality by performing analysis of the manufacturing data collected in real time by using the learning model according to the learning result of the processing unit 120 .

더 나아가, 상기 수집데이터 처리부(200)는 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장의 생성되는 상기 제2 데이터를 수집하는 제2 데이터 입력부(210), 상기 제2 데이터 입력부(120)를 통해서 입력된 상기 제2 데이터들을 학습 데이터로 생성하고, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 제2 학습 처리부(220) 및 상기 제2 학습 처리부(220)의 학습 결과에 따른 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 수행하여 이상 여부를 판단하는 제2 분석부(230)를 더 포함하여 구성되는 것이 바람직하다.Furthermore, the collection data processing unit 200 includes a second data input unit 210 that collects the second data generated by each smart factory to perform abnormal behavior detection on data collected according to the process, the second data input unit 210 2 A second learning processing unit 220 and the second learning processing unit ( 220), by using the learning model according to the learning result, it is preferable to further include a second analysis unit 230 for determining whether there is an abnormality by performing analysis of the manufacturing data collected in real time.

더 나아가, 상기 제1 분석부(130)와 제2 분석부(230)는 동일한 상기 제조 데이터의 분석을 수행하는 것이 바람직하다.Furthermore, it is preferable that the first analysis unit 130 and the second analysis unit 230 perform the same analysis of the manufacturing data.

더 나아가, 상기 통합 분석부(300)는 각각의 상기 입력데이터 처리부(100)의 분석 결과와 상기 수집데이터 처리부(200)의 분석 결과를 기저장된 행위 분석 알고리즘에 적용하여, 이상 행위 발생 여부를 판단하는 판단부(310) 및 상기 판단부(310)의 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여 외부로 전송하는 제어부(320)를 더 포함하여 구성되는 것이 바람직하다.Furthermore, the integrated analysis unit 300 applies the analysis result of each of the input data processing unit 100 and the analysis result of the collection data processing unit 200 to a pre-stored behavior analysis algorithm to determine whether an abnormal behavior occurs. According to the determination unit 310 and the determination result of the determination unit 310, it is preferable to further include a control unit 320 that generates and transmits countermeasure information matching each determination result to the outside.

본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법은, 스마트 제조 환경에서, 각 스마트 공장에서의 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 방법에 있어서, 입력데이터 처리부에서, 기설정된 다수의 스마트 공장으로부터 각각 생성되는 제조 데이터를 수집하여, 소정의 양식에 맞춰 가공 후 생성된 데이터를 공공의 공유를 통해 제1 데이터로 입력받는 데이터 입력단계(S100), 수집데이터 처리부에서, 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장의 생성되는 제조 데이터를 수집하여 제2 데이터로 입력받는 데이터 수집단계(S200), 입력데이터 처리부 또는 수집데이터 처리부에서, 상기 데이터 입력단계(S100)와 데이터 수집단계(S200)에 의해 각각 입력된 상기 제1 데이터 또는 제2 데이터들을 각각의 학습 데이터로 생성하고, AI 분석 기법을 이용하여 각 학습 데이터에 대한 학습을 수행하여 학습 결과에 따른 각각의 학습 모델을 생성하고, 각각의 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 각각 수행하는 AI 분석단계(S300) 및 통합 분석부에서, 상기 AI 분석단계(S300)에 의해 각각 수행한 분석 결과를 전달받아, 기저장된 행위 분석 알고리즘에 적용하여 실시간으로 수집되는 제조 데이터의 이상 행위 발생 여부를 판단하는 이상행위 탐지단계(S400)를 포함하여 구성되는 것이 바람직하다.An anomaly detection method in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention is a method of performing abnormal behavior detection on data collected according to a process in each smart factory in a smart manufacturing environment. In the input data processing unit, a data input step of collecting manufacturing data generated from a plurality of preset smart factories, processing the data according to a predetermined form, and receiving the generated data as first data through public sharing (S100) ), the collection data processing unit collects the manufacturing data generated by each smart factory to perform abnormal behavior detection on the data collected according to the process and receives it as the second data data collection step (S200), the input data processing unit Alternatively, in the collection data processing unit, the first data or the second data input by the data input step (S100) and the data collection step (S200), respectively, are generated as respective learning data, and each learning using an AI analysis technique In the AI analysis step (S300) and the integrated analysis unit to perform learning on the data to generate each learning model according to the learning result, and to analyze the manufacturing data collected in real time using each learning model, respectively , An abnormal behavior detection step (S400) of receiving the analysis results performed by the AI analysis step (S300), respectively, and applying it to a pre-stored behavior analysis algorithm to determine whether an abnormal behavior occurs in the manufacturing data collected in real time (S400) It is preferable to configure.

더 나아가, 상기 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법은, 상기 이상행위 탐지단계(S400)를 수행하고 난 후, 상기 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여, 외부로 전송하여 이상 행위 발생에 따른 대응을 수행하는 대응단계(S500)를 더 포함하여 구성되는 것이 바람직하다.Furthermore, the abnormal detection method in a smart manufacturing environment using the multi-AI technique, after performing the abnormal behavior detection step (S400), according to the judgment result, information on countermeasures matching each judgment result It is preferable to generate and transmit to the outside to further include a response step (S500) of performing a response according to the occurrence of an abnormal behavior.

상기와 같은 구성에 의한 본 발명의 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법은 스마트 제조 환경에서 공유받는 공공 데이터와 각 스마트 공장에서 수집되는 제조 데이터를 독립적으로 AI 기법에 적용하여, 각각의 학습 모델을 생성하고, 이를 통해서 실시간 수집 데이터에 대한 이상 행위를 분석하고, 이에 대한 이상 행위 탐지를 수행함으로써, 높은 정확성을 가지면서도 효과적으로 이상 행위 탐지를 수행할 수 있는 장점이 있다.The anomaly detection system and method in a smart manufacturing environment using the multi-AI technique of the present invention according to the configuration as described above apply the public data shared in the smart manufacturing environment and the manufacturing data collected in each smart factory to the AI technique independently Thus, there is an advantage in that abnormal behavior detection can be performed effectively with high accuracy by generating each learning model, analyzing abnormal behavior on real-time collected data through this, and performing abnormal behavior detection on it.

또한, 이상 행위 탐지 결과에 따라, 각 결과에 맞는 대응 방안을 수립하여 외부 관리자(사용자 등)에게 전달하여, 스마트 제조 환경의 구축을 최적화하기 위해 효과적으로 적용할 수 있는 장점이 있다.In addition, there is an advantage that can be effectively applied to optimize the construction of a smart manufacturing environment by establishing a response plan suitable for each result according to the abnormal behavior detection result and delivering it to an external manager (user, etc.).

도 1은 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법을 나타낸 순서 예시도이다.1 is an exemplary configuration diagram illustrating an anomaly detection system in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention.
2 is a flowchart illustrating an anomaly detection method in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention.

이하 첨부한 도면들을 참조하여 본 발명의 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.Hereinafter, an anomaly detection system and method in a smart manufacturing environment using the multi-AI technique of the present invention will be described in detail with reference to the accompanying drawings. The drawings introduced below are provided as examples so that the spirit of the present invention can be sufficiently conveyed to those skilled in the art. Accordingly, the present invention is not limited to the drawings presented below and may be embodied in other forms. Also, like reference numerals refer to like elements throughout.

이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.At this time, if there is no other definition in the technical terms and scientific terms used, it has the meaning commonly understood by those of ordinary skill in the art to which this invention belongs, and in the following description and accompanying drawings, the subject matter of the present invention Descriptions of known functions and configurations that may unnecessarily obscure will be omitted.

더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.In addition, a system refers to a set of components including devices, instruments, and means that are organized and regularly interact to perform necessary functions.

본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법은, 다중 AI 기반 빅데이터 분석을 통해, 스마트 공장에서 발생하는 비정상 행위를 탐지하기 위한 기술로서, 공유되는 공공 데이터와 스마트 공장 자체적으로 수집되는 제조 데이터를 모두 활용하여, 높은 정확도로 비정상 행위를 탐지할 수 있는 장점이 있다.An anomaly detection system and method in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention is a technology for detecting abnormal behavior occurring in a smart factory through multi-AI-based big data analysis, It has the advantage of being able to detect abnormal behaviors with high accuracy by using both public data that are used and the manufacturing data collected by the smart factory itself.

도 1은 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템을 나타낸 구성도이며, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템을 상세히 설명한다.1 is a block diagram illustrating an anomaly detection system in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention, and with reference to FIG. An anomaly detection system in a manufacturing environment will be described in detail.

본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템은 도 1에 도시된 바와 같이, 입력데이터 처리부(100), 수집데이터 처리부(200) 및 통합 분석부(300)를 포함하여 구성되는 것이 바람직하며, 스마트 제조 환경에서, 각 스마트 공장에서 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 것이 바람직하다.An anomaly detection system in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention is, as shown in FIG. 1, an input data processing unit 100, a collection data processing unit 200, and an integrated analysis unit 300. It is preferable to include, and in a smart manufacturing environment, it is preferable to perform abnormal behavior detection on data collected according to the process in each smart factory.

또한, 각 구성들에서 발생하는 데이터들을 전송받아, 이를 데이터베이스화하여 저장 및 관리하는 데이터베이스부(미도시)를 더 포함하여 구성되는 것이 바람직하며, 각 구성들은 하나의 연산처리수단 또는 각각의 연산처리수단에 구성되어 동작을 수행하게 된다.In addition, it is preferable to further include a database unit (not shown) for receiving data generated in each configuration, storing and managing the data into a database, and each configuration is one arithmetic processing means or each arithmetic processing It is configured in the means to perform the operation.

각 구성에 대해서 자세히 알아보자면,To learn more about each configuration,

상기 입력데이터 처리부(100)는 공유를 통해서 입력되는 공공 데이터, 즉, 스마트 제조 환경에서, 각기 다른 스마트 공장의 제조 데이터를 수집하여, 하나의 플랫폼으로 구축하여 공유되는 다량의 공공 데이터를 입력받아, 이를 제1 데이터로 설정하고, 상기 제1 데이터를 기반으로 실시간으로 입력되는 제조 데이터의 AI(Artificial Intelligence) 분석을 수행하는 것이 바람직하다.The input data processing unit 100 collects public data input through sharing, that is, in a smart manufacturing environment, manufacturing data of different smart factories, builds a single platform, and receives a large amount of shared public data, It is preferable to set this as the first data, and to perform artificial intelligence (AI) analysis of the manufacturing data input in real time based on the first data.

이 때, 실시간으로 입력되는 제조 데이터란, 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 원하는 스마트 공장으로부터 생성되는 모든 종류의 데이터들을 실시간으로 수집한 데이터로서, 이에 대해서 한정하는 것은 아니다.At this time, the manufacturing data input in real time refers to data collected in real time from all kinds of data generated from a smart factory that wants to detect abnormal behavior on the data collected according to the process, and is not limited thereto.

상세하게는, 상기 입력데이터 처리부(100)는 도 1에 도시된 바와 같이, 제1 데이터 입력부(110), 제1 학습 처리부(120) 및 제1 분석부(130)를 포함하여 구성되는 것이 바람직하다.In detail, as shown in FIG. 1 , the input data processing unit 100 is preferably configured to include a first data input unit 110 , a first learning processing unit 120 , and a first analysis unit 130 . do.

상기 제1 데이터 입력부(110)는 미리 설정된 다수의 각기 다른 스마트 공장으로부터 제조 데이터를 수집하여, 소정의 양식, 즉, 하나의 플랫폼에 맞춰 가공한 후, 공유되는 상기 제1 데이터를 입력받는 것이 바람직하다.Preferably, the first data input unit 110 collects manufacturing data from a plurality of different smart factories set in advance, processes it according to a predetermined form, that is, one platform, and then receives the shared first data. do.

즉, 상기 제1 데이터의 장점인 다량의 데이터 값을 활용하여 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 탐지를 위해서, 상기 제1 데이터 입력부(110)를 통해서 입력받는 것이 바람직하다.That is, it is preferable to receive input through the first data input unit 110 in order to detect an abnormal behavior with respect to the manufacturing data input in real time by utilizing a large amount of data value, which is an advantage of the first data.

상기 제1 학습 처리부(120)는 상기 제1 데이터 입력부(110)를 통해서 입력된 상기 제1 데이터들을 학습 데이터로 생성하여, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하다.Preferably, the first learning processing unit 120 generates the first data input through the first data input unit 110 as training data, and performs learning on the training data using an AI analysis technique. .

이 때, 학습에 이용되는 상기 AI 분석 기법에 대해서는 한정하는 것이 아니다.At this time, the AI analysis technique used for learning is not limited.

상기 제1 분석부(130)는 상기 제1 학습 처리부(120)에 의한 학습 결과에 따른 학습 모델을 이용하여, 상기 실시간으로 입력되는 제조 데이터의 분석을 수행하여, 이상 여부를 판단하는 것이 바람직하다.It is preferable that the first analysis unit 130 analyzes the manufacturing data input in real time by using a learning model according to the learning result by the first learning processing unit 120 to determine whether there is an abnormality. .

상기 수집데이터 처리부(200)는 개별의 수집을 통해 입력되는 제2 데이터, 즉, 스마트 제조 환경에서, 각각의 스마트 공장에서 공정에 따라 생성되는 데이터들을 수집하여, 상기 제2 데이터로 설정하고, 입력된 상기 제2 데이터를 기반으로 상기 실시간으로 입력되는 제조 데이터의 AI 분석을 수행하는 것이 바람직하다.The collection data processing unit 200 collects second data input through individual collection, that is, data generated according to a process in each smart factory in a smart manufacturing environment, sets it as the second data, and input It is preferable to perform AI analysis of the manufacturing data input in real time based on the second data.

이 때, 각 스마트 공장에서 공정에 따라 생성되는 데이터의 수집 기간은 외부 사용자(관리자 등)의 입력에 따라 제어되는 것이 바람직하며, 이를 통해서, 상기 제2 데이터의 장점인 분석에 필요한 모든 항목(feature)을 포함하고 있는 데이터를 활용하여 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 탐지할 수 있다.At this time, it is preferable that the collection period of data generated according to the process in each smart factory is controlled according to the input of an external user (administrator, etc.), and through this, all items (features) necessary for analysis, which are advantages of the second data ) can be used to detect abnormal behaviors on the manufacturing data input in real time.

이를 위해, 상기 수집데이터 처리부(200)는 도 1에 도시된 바와 같이, 제2 데이터 입력부(210), 제2 학습 처리부(220) 및 제2 분석부(230)를 포함하여 구성되는 것이 바람직하다.To this end, the collected data processing unit 200 is preferably configured to include a second data input unit 210 , a second learning processing unit 220 , and a second analysis unit 230 as shown in FIG. 1 . .

상기 제2 데이터 입력부(210)는 공정에 따라 입력되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장에서, 생성되는 데이터들을 소정기간 수집하여 상기 제2 데이터로 입력하는 것이 바람직하다.It is preferable that the second data input unit 210 collects generated data for a predetermined period of time in each smart factory that intends to perform abnormal behavior detection on data input according to a process, and then inputs the data as the second data.

상기 제2 학습 처리부(220)는 상기 제2 데이터 입력부(210)를 통해서 입력된 상기 제2 데이터들을 학습 데이터로 생성하여, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하다.Preferably, the second learning processing unit 220 generates the second data input through the second data input unit 210 as learning data, and performs learning on the learning data using an AI analysis technique. .

이 때, 학습에 이용되는 상기 AI 분석 기법에 대해서는 한정하는 것이 아니다.At this time, the AI analysis technique used for learning is not limited.

상기 제2 분석부(230)는 상기 제2 학습 처리부(220)에 의한 학습 결과에 따른 학습 모델을 이용하여, 상기 실시간으로 입력되는 제조 데이터의 분석을 수행하여, 이상 여부를 판단하는 것이 바람직하다.Preferably, the second analysis unit 230 analyzes the manufacturing data input in real time by using a learning model according to the learning result by the second learning processing unit 220 to determine whether there is an abnormality. .

여기서, 상기 제2 분석부(230)가 분석을 수행하는 상기 실시간으로 입력되는 제조 데이터는 상기 제1 분석부(130)가 분석을 수행한 상기 실시간으로 입력되는 제조 데이터와 동일한 데이터로서, 동일한 데이터를 이용한 결과를 통합 이용하여 보다 높은 정확도의 이상 행위 탐지 결과를 도출해 내는 것이 바람직하다.Here, the manufacturing data inputted in real time for which the second analysis unit 230 analyzes is the same data as the manufacturing data input in real time for which the first analysis unit 130 analyzes, and is the same data. It is desirable to derive a higher-accuracy abnormal behavior detection result by integrating the results using

상기 통합 분석부(300)는 상기 입력데이터 처리부(100)의 분석 결과 정보와 상기 수집데이터 처리부(200)의 분석 결과 정보를 통합 이용하여, 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 여부를 탐지하는 것이 바람직하다.The integrated analysis unit 300 uses the analysis result information of the input data processing unit 100 and the analysis result information of the collection data processing unit 200 in an integrated way, and detects whether there is an abnormal behavior with respect to the manufacturing data input in real time. It is preferable to do

즉, 상기 입력데이터 처리부(100)와 상기 수집데이터 처리부(200)에 의해 학습이 완료되면, 그 이후 시점에서 수집되는 상기 실시간으로 입력되는 제조 데이터를 각각의 학습 결과 모델에 적용하여, 이상 행위 여부를 탐지할 수 있다.That is, when the learning by the input data processing unit 100 and the collection data processing unit 200 is completed, the real-time manufacturing data collected at a later point in time is applied to each learning result model to determine whether there is an abnormal behavior can be detected.

이를 위해, 상기 통합 분석부(300)는 도 1에 도시된 바와 같이, 판단부(310) 및 제어부(320)를 포함하여 구성되는 것이 바람직하다.To this end, the integrated analysis unit 300 is preferably configured to include a determination unit 310 and a control unit 320 as shown in FIG. 1 .

상기 판단부(310)는 상기 입력데이터 처리부(100)의 분석 결과 정보와 상기 수집데이터 처리부(200)의 분석 결과 정보를 각각 미리 저장된 행위 분석 알고리즘에 적용하여, 상기 실시간으로 입력되는 제조 데이터의 이상 행위 발생 여부를 판단하는 것이 바람직하다.The determination unit 310 applies the analysis result information of the input data processing unit 100 and the analysis result information of the collection data processing unit 200 to a previously stored behavior analysis algorithm, respectively, to determine the abnormality of the manufacturing data input in real time. It is desirable to determine whether an action has occurred or not.

이 때, 상기 미리 저장된 행위 분석 알고리즘은 하기의 표 1과 같이, 두 개의 학습 모델을 이용한 결과로 인해 발생할 수 있는 결과 경우의 수를 고려한 행위 분석 알고리즘인 것이 바람직하다.In this case, the pre-stored behavior analysis algorithm is preferably a behavior analysis algorithm in consideration of the number of result cases that may occur as a result of using the two learning models, as shown in Table 1 below.

Case 1Case 1 Case 2Case 2 Case 3Case 3 Case 4Case 4 수집데이터 처리부의 분석 결과Analysis result of the collected data processing unit 정상normal 정상normal 이상More than 이상More than 입력데이터 처리부의 분석 결과Analysis result of input data processing unit 정상normal 이상More than 정상normal 이상More than 판단 결과Judgment result 정상normal 저의심my heart 고의심skepticism 이상More than

상기 판단부(310)는 상기 표 1에 기재된 바와 같이, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과 모두 '정상'인 경우에는 상기 실시간으로 입력되는 제조 데이터의 행위를 '정상'으로 판단하게 된다.As shown in Table 1, the determination unit 310 determines that the manufacturing data input in real time is 'normal' when both the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are 'normal'. behavior is judged as 'normal'.

물론, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과 모두 '이상'인 경우에는 상기 실시간으로 입력되는 제조 데이터의 행위를 '이상'으로 판단하게 된다.Of course, when both the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are 'abnormal', the action of the manufacturing data input in real time is determined as 'abnormal'.

단, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과가 상이할 경우, 각각의 스마트 공장에서 개별적으로 이루어지는 이상 행위 탐지가 이루어지는 점을 고려하여, 일부 항목(feature)에 대한 데이터만을 포함하고 있는 상기 제1 데이터(공공 데이터) 보다는 해당하는 공장에서 수집된 모든 항목에 대한 데이터를 포함하고 있는 상기 제2 데이터를 더 신뢰할 수 있다는 가정 하에, 상기 수집데이터 처리부(200)의 분석 결과만 '이상'인 경우가 상기 실시간으로 입력되는 제조 데이터의 행위가 '비정상'일 가능성이 보다 높다고 판단하게 된다.However, when the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are different, in consideration of the abnormal behavior detection performed individually in each smart factory, some items (features) ), under the assumption that the second data including data on all items collected in a corresponding factory is more reliable than the first data (public data) including only data on the collected data processing unit 200 ), when only the analysis result is 'abnormal', it is determined that there is a higher possibility that the action of the manufacturing data input in real time is 'abnormal'.

이에 따라, 상기 입력데이터 처리부(100)의 분석 결과만 '이상'인 경우에는 상기 실시간으로 입력되는 제조 데이터가 '비정상'일 가능성은 있으나, 그 확률이 비교적 낮은 것으로 판단하게 된다.Accordingly, when only the analysis result of the input data processing unit 100 is 'abnormal', there is a possibility that the manufacturing data input in real time is 'abnormal', but it is determined that the probability is relatively low.

상기 제어부(320)은 상기 판단부(310)의 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여 외부 관리자(사용자 등)에게 전송하는 것이 바람직하다. 상기 대응방안 정보의 일 예를 들자면, Case 4에 해당할 경우, 즉각 제조 환경을 차단하도록 생성할 수도 있다.Preferably, the control unit 320 generates countermeasure information matching each determination result according to the determination result of the determination unit 310 and transmits it to an external manager (user, etc.). As an example of the countermeasure information, if Case 4 is the case, it may be generated to immediately block the manufacturing environment.

이를 통해서, 스마트 공장에서는 행위 판단 결과를 활용하여, 추가 탐지를 요청 제어하거나, 상술한 바와 같은 즉각 제조 환경 차단 등 각 상황에 맞는 대응을 수행할 수 있는 장점이 있다.Through this, the smart factory has the advantage of being able to request and control additional detection by using the action determination result, or to perform a response suitable for each situation, such as immediately blocking the manufacturing environment as described above.

도 2는 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법을 나타낸 순서도이며, 도 2를 참조로 하여 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법을 상세히 설명한다.2 is a flowchart illustrating an anomaly detection method in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention, and smart manufacturing using a multi-AI technique according to an embodiment of the present invention with reference to FIG. 2 An anomaly detection method in the environment will be described in detail.

본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법은 도 2에 도시된 바와 같이, 데이터 입력단계(S100), 데이터 수집단계(S200), AI 분석단계(S300) 및 이상행위 탐지단계(S400)를 포함하여 구성되는 것이 바람직하며, 각 단계는 스마트 제조 환경에서, 각 스마트 공장에서 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 것이 바람직하다.As shown in FIG. 2 , the abnormal detection method in a smart manufacturing environment using a multi-AI technique according to an embodiment of the present invention includes a data input step (S100), a data collection step (S200), and an AI analysis step (S300). and an abnormal behavior detection step (S400), and each step is preferably performed in a smart manufacturing environment, and abnormal behavior detection for data collected according to the process in each smart factory.

각 단계에 대해서 자세히 알아보자면,To learn more about each step,

상기 데이터 입력단계(S100)는 상기 입력데이터 처리부(100)에서, 미리 설정된 다수의 각기 다른 스마트 공장으로부터 제조 데이터를 수집하여, 소정의 양식, 즉, 하나의 플랫폼에 맞춰 가공한 후, 공유되는 다량의 공공 데이터를 제1 데이터로 설정하여, 이를 입력받는 것이 바람직하다.In the data input step (S100), the input data processing unit 100 collects manufacturing data from a plurality of different smart factories set in advance, processes it according to a predetermined form, that is, one platform, and then shares a large amount It is preferable to set the public data of , as the first data, and receive it as input.

이를 통해서, 상기 제1 데이터의 장점인 다량의 데이터 값을 활용하여 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 탐지를 수행할 수 있다.Through this, it is possible to perform abnormal behavior detection on the manufacturing data input in real time by utilizing a large amount of data value, which is an advantage of the first data.

상기 데이터 수집단계(S200)는 상기 수집데이터 처리부(200)에서, 공정에 따라 입력되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장에서, 생성되는 데이터들을 소정기간 수집하여 상기 제2 데이터로 입력받는 것이 바람직하다.In the data collection step (S200), the collected data processing unit 200 collects data generated in each smart factory to perform abnormal behavior detection on data input according to the process for a predetermined period to collect the second data It is preferable to input as

이 때, 각 스마트 공장에서 공정에 따라 생성되는 데이터의 수집 기간은 외부 사용자(관리자 등)의 입력에 따라 제어되는 것이 바람직하며, 이를 통해서, 상기 제2 데이터의 장점인 분석에 필요한 모든 항목(feature)을 포함하고 있는 데이터를 활용하여 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 탐지할 수 있다.At this time, it is preferable that the collection period of data generated according to the process in each smart factory is controlled according to the input of an external user (administrator, etc.), and through this, all items (features) necessary for analysis, which are advantages of the second data ) can be used to detect abnormal behaviors on the manufacturing data input in real time.

상기 AI 분석단계(S300)는 상기 입력데이터 처리부(100) 및 상기 수집데이터 처리부(200) 각각에서, 상기 데이터 입력단계(S100) 또는 상기 데이터 수집단계(S200)에 의해 각각 입력된 상기 제1 데이터 또는 상기 제2 데이터를 활용하여 동작을 수행하는 것이 바람직하다.The AI analysis step (S300) is the first data input by the data input step (S100) or the data collection step (S200) in each of the input data processing unit 100 and the collected data processing unit 200, respectively. Alternatively, it is preferable to perform the operation by utilizing the second data.

상세하게는, 상기 AI 분석단계(S300)는 도 2에 도시된 바와 같이, 상기 데이터 입력단계(S100)에 의한 AI 분석단계(S310)와 상기 데이터 수집단계(S200)에 의한 AI 분석단계(S320)를 포함하여 구성되는 것이 바람직하다.In detail, the AI analysis step (S300) is, as shown in FIG. 2, the AI analysis step (S310) by the data input step (S100) and the AI analysis step (S320) by the data collection step (S200) ) is preferably configured to include.

상기 AI 분석단계(S310)는 상기 입력데이터 처리부(100)에서, 상기 데이터 입력단계(S100)에 의해 입력된 상기 제1 데이터들을 학습 데이터로 생성하여, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하다.In the AI analysis step (S310), in the input data processing unit 100, the first data input by the data input step (S100) is generated as training data, and the training data is analyzed using an AI analysis technique. It is desirable to conduct learning.

이 때, 학습에 이용되는 상기 AI 분석 기법에 대해서는 한정하는 것이 아니다.At this time, the AI analysis technique used for learning is not limited.

이 후, 상기 AI 분석단계(S310)는 학습 결과에 따른 학습 모델을 이용하여, 상기 실시간으로 입력되는 제조 데이터의 분석을 수행하여, 이상 여부를 판단하는 것이 바람직하다.After that, in the AI analysis step (S310), it is preferable to analyze the manufacturing data input in real time using a learning model according to the learning result to determine whether there is an abnormality.

상기 AI 분석단계(S320) 역시도 상기 수집데이터 처리부(200)에서, 상기 데이터 수집단계(S200)에 의해 입력된 상기 제2 데이터들을 학습 데이터로 생성하여, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하다.The AI analysis step (S320) also generates the second data input by the data collection step (S200) as learning data in the collected data processing unit 200, and uses an AI analysis technique for the learning data. It is desirable to conduct learning.

이 때, 학습에 이용되는 상기 AI 분석 기법에 대해서는 한정하는 것이 아니다.At this time, the AI analysis technique used for learning is not limited.

이 후, 상기 AI 분석단계(S320)는 학습 결과에 따른 학습 모델을 이용하여, 상기 실시간으로 입력되는 제조 데이터의 분석을 수행하여, 이상 여부를 판단하는 것이 바람직하다.After that, in the AI analysis step (S320), it is preferable to analyze the manufacturing data input in real time using a learning model according to the learning result to determine whether there is an abnormality.

이 때, 상기 AI 분석단계(S300)에 의해 상기 입력데이터 처리부(100) 및 상기 수집데이터 처리부(200) 각각에서, 분석이 이루어지는 상기 실시간으로 입력되는 제조 데이터는 동일한 데이터로서, 동일한 데이터를 이용한 결과를 통합 이용하여 보다 높은 정확도의 이상 행위 탐지 결과를 도출해 내는 것이 바람직하다.At this time, in each of the input data processing unit 100 and the collection data processing unit 200 by the AI analysis step (S300), the manufacturing data input in real time to be analyzed is the same data, and results using the same data It is desirable to derive a higher-accuracy abnormal behavior detection result by using the

또한, 상기 AI 분석단계(S300)는 상기 입력데이터 처리부(100)와 상기 수집데이터 처리부(200)에 의해 학습이 완료되면, 그 이후 시점에서 수집되는 상기 실시간으로 입력되는 제조 데이터를 각각의 학습 결과 모델에 적용하여, 이상 행위 여부를 탐지할 수 있다.In addition, in the AI analysis step (S300), when the learning by the input data processing unit 100 and the collection data processing unit 200 is completed, the manufacturing data input in real time collected at a later point in time is used as each learning result. Applied to the model, abnormal behavior can be detected.

상기 이상행위 탐지단계(S400)는 상기 통합 분석부(300)에서, 상기 AI 분석단계(S300)에 의해 각각 수행한 둘 이상의 분석 결과를 전달받아, 미리 저장된 행위 분석 알고리즘에 적용하여 상기 실시간으로 입력되는 제조 데이터에 대한 이상 행위 여부를 탐지하는 것이 바람직하다.In the abnormal behavior detection step (S400), the integrated analysis unit 300 receives two or more analysis results each performed by the AI analysis step (S300), applies them to a pre-stored behavior analysis algorithm, and inputs them in real time It is desirable to detect whether there is an abnormal behavior in the manufacturing data being used.

상세하게는, 상기 이상행위 탐지단계(S400)는 상기 AI 분석단계(S300)에 의해 상기 입력데이터 처리부(100)의 분석 결과 정보와 상기 수집데이터 처리부(200)의 분석 결과 정보를 각각 미리 저장된 행위 분석 알고리즘에 적용하여, 상기 실시간으로 입력되는 제조 데이터의 이상 행위 발생 여부를 판단하는 것이 바람직하다.In detail, in the abnormal behavior detection step (S400), the analysis result information of the input data processing unit 100 and the analysis result information of the collection data processing unit 200 are stored in advance by the AI analysis step (S300), respectively. It is preferable to apply to the analysis algorithm to determine whether an abnormal behavior occurs in the manufacturing data input in real time.

이 때, 상기 미리 저장된 행위 분석 알고리즘은 상기의 표 1과 같이, 적어도 두 개의 학습 모델을 이용한 결과로 인해 발생할 수 있는 결과 경우의 수를 고려한 행위 분석 알고리즘인 것이 바람직하다.In this case, the pre-stored behavior analysis algorithm is preferably a behavior analysis algorithm in consideration of the number of result cases that may occur as a result of using at least two learning models, as shown in Table 1 above.

이를 통해서, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과 모두 '정상'인 경우에는 상기 실시간으로 입력되는 제조 데이터의 행위를 '정상'으로 판단하게 된다.Through this, when both the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are 'normal', it is determined that the action of the manufacturing data input in real time is 'normal'.

물론, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과 모두 '이상'인 경우에는 상기 실시간으로 입력되는 제조 데이터의 행위를 '이상'으로 판단하게 된다.Of course, when both the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are 'abnormal', the action of the manufacturing data input in real time is determined as 'abnormal'.

단, 상기 수집데이터 처리부(200)의 분석 결과와 상기 입력데이터 처리부(100)의 분석 결과가 상이할 경우, 각각의 스마트 공장에서 개별적으로 이루어지는 이상 행위 탐지가 이루어지는 점을 고려하여, 일부 항목(feature)에 대한 데이터만을 포함하고 있는 상기 제1 데이터(공공 데이터) 보다는 해당하는 공장에서 수집된 모든 항목에 대한 데이터를 포함하고 있는 상기 제2 데이터를 더 신뢰할 수 있다는 가정 하에, 상기 수집데이터 처리부(200)의 분석 결과만 '이상'인 경우가 상기 실시간으로 입력되는 제조 데이터의 행위가 '비정상'일 가능성이 보다 높다고 판단하게 된다.However, when the analysis result of the collection data processing unit 200 and the analysis result of the input data processing unit 100 are different, in consideration of the abnormal behavior detection performed individually in each smart factory, some items (features) ), under the assumption that the second data including data on all items collected in a corresponding factory is more reliable than the first data (public data) including only data on the collected data processing unit 200 ), when only the analysis result is 'abnormal', it is determined that there is a higher possibility that the action of the manufacturing data input in real time is 'abnormal'.

이에 따라, 상기 입력데이터 처리부(100)의 분석 결과만 '이상'인 경우에는 상기 실시간으로 입력되는 제조 데이터가 '비정상'일 가능성은 있으나, 그 확률이 비교적 낮은 것으로 판단하게 된다.Accordingly, when only the analysis result of the input data processing unit 100 is 'abnormal', there is a possibility that the manufacturing data input in real time is 'abnormal', but it is determined that the probability is relatively low.

더불어, 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법은 도 2에 도시된 바와 같이, 상기 이상행위 탐지방법(S400)을 수행하고 난 후, 대응단계(S500)를 더 수행하는 것이 바람직하다.In addition, as shown in FIG. 2 , the abnormality detection method in a smart manufacturing environment using the multi-AI technique according to an embodiment of the present invention is performed after performing the abnormal behavior detection method (S400), and then a corresponding step (S500) ) is preferably further performed.

상기 대응단계(S500)는 상기 통합 분석부(300)에서, 상기 이상행위 탐지방법(S400)의 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여 외부 관리자(사용자 등)에게 전송하는 것이 바람직하다. 상기 대응방안 정보의 일 예를 들자면, Case 4에 해당할 경우, 즉각 제조 환경을 차단하도록 생성할 수도 있다.In the response step (S500), the integrated analysis unit 300 generates response plan information matching each determination result according to the determination result of the abnormal behavior detection method (S400) to an external manager (user, etc.) It is preferable to transmit As an example of the countermeasure information, if Case 4 is the case, it may be generated to immediately block the manufacturing environment.

이를 통해서, 스마트 공장에서는 행위 판단 결과를 활용하여, 추가 탐지를 요청 제어하거나, 상술한 바와 같은 즉각 제조 환경 차단 등 각 상황에 맞는 대응을 수행할 수 있는 장점이 있다.Through this, the smart factory has the advantage of being able to request and control additional detection by using the action determination result, or to perform a response suitable for each situation, such as immediately blocking the manufacturing environment as described above.

즉, 다시 말하자면, 본 발명의 일 실시예에 따른 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템은, 스마트 제조 환경에서 공유되는 공공 데이터 뿐 아니라, 스마트 공장에서 생성되는 제조 데이터를 수집하여, 각각의 AI 기법에 적용하여 적어도 둘 이상의 다중 AI 기법을 이용한, 학습 이후 입력되는 제조 데이터의 행위에 대한 이상 여부를 정확도 높게 탐지할 수 있는 장점이 있다.That is, in other words, the anomaly detection system in a smart manufacturing environment using the multi-AI technique according to an embodiment of the present invention collects manufacturing data generated in a smart factory as well as public data shared in the smart manufacturing environment, It has the advantage of being able to accurately detect abnormalities in the behavior of manufacturing data input after learning using at least two or more multiple AI techniques by applying to each AI technique.

이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, in the present invention, specific matters such as specific components and the like and limited embodiment drawings have been described, but these are only provided to help a more general understanding of the present invention, and the present invention is not limited to the above one embodiment. No, various modifications and variations are possible from these descriptions by those of ordinary skill in the art to which the present invention pertains.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the described embodiments, and not only the claims to be described later, but also all those with equivalent or equivalent modifications to the claims will be said to belong to the scope of the spirit of the present invention. .

100 : 입력데이터 처리부
110 : 제1 데이터 입력부 120 : 제1 학습 처리부
130 : 제1 분석부
200 : 수집데이터 처리부
210 : 제2 데이터 입력부 220 : 제2 학습 처리부
230 : 제2 분석부
300 : 통합 분석부
310 : 판단부 320 : 제어부100: input data processing unit
110: first data input unit 120: first learning processing unit
130: first analysis unit
200: collection data processing unit
210: second data input unit 220: second learning processing unit
230: second analysis unit
300: integrated analysis unit
310: determination unit 320: control unit

Claims (7)

스마트 제조 환경에서, 각 스마트 공장에서의 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 시스템에 있어서,
공공의 공유를 통해 입력되는 제1 데이터를 기반으로, 실시간으로 수집되는 제조 데이터의 AI(Artificial Intelligence) 분석을 수행하는 입력데이터 처리부(100);
개별의 수집을 통해 입력되는 제2 데이터를 기반으로, 실시간으로 수집되는 제조 데이터의 AI 분석을 수행하는 수집데이터 처리부(200); 및
상기 입력데이터 처리부(100)의 분석 결과와 상기 수집데이터 처리부(200)의 분석 결과를 통합 이용하여, 상기 제조 데이터에 대한 이상 여부를 탐지하는 통합 분석부(300);
를 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템.
In a system for detecting abnormal behavior on data collected according to processes in each smart factory in a smart manufacturing environment,
an input data processing unit 100 for performing artificial intelligence (AI) analysis of manufacturing data collected in real time based on first data input through public sharing;
a collection data processing unit 200 that performs AI analysis of manufacturing data collected in real time based on the second data input through individual collection; and
an integrated analysis unit 300 for detecting abnormalities in the manufacturing data by using the analysis result of the input data processing unit 100 and the analysis result of the collection data processing unit 200;
Anomaly detection system in a smart manufacturing environment using multiple AI techniques, characterized in that it comprises a.
 제 1항에 있어서,
상기 입력데이터 처리부(100)는
기설정된 다수의 스마트 공장으로부터 제조 데이터를 수집하여, 소정의 양식에 맞춰 가공한 후, 공유되는 상기 제1 데이터를 입력받는 제1 데이터 입력부(110);
상기 제1 데이터 입력부(110)를 통해서 입력된 상기 제1 데이터들을 학습 데이터로 생성하고, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 제1 학습 처리부(120); 및
상기 제1 학습 처리부(120)의 학습 결과에 따른 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 수행하여 이상 여부를 판단하는 제1 분석부(130);
를 더 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템.
The method of claim 1,
The input data processing unit 100
a first data input unit 110 that collects manufacturing data from a plurality of preset smart factories, processes them according to a predetermined form, and receives the shared first data;
a first learning processing unit 120 that generates the first data input through the first data input unit 110 as learning data, and performs learning on the learning data using an AI analysis technique; and
a first analysis unit 130 that analyzes the manufacturing data collected in real time to determine whether there is an abnormality by using the learning model according to the learning result of the first learning processing unit 120;
Anomaly detection system in a smart manufacturing environment using multiple AI techniques, characterized in that it further comprises a.
 제 2항에 있어서,
상기 수집데이터 처리부(200)는
공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장의 생성되는 상기 제2 데이터를 수집하는 제2 데이터 입력부(210);
상기 제2 데이터 입력부(120)를 통해서 입력된 상기 제2 데이터들을 학습 데이터로 생성하고, AI 분석 기법을 이용하여 상기 학습 데이터에 대한 학습을 수행하는 제2 학습 처리부(220); 및
상기 제2 학습 처리부(220)의 학습 결과에 따른 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 수행하여 이상 여부를 판단하는 제2 분석부(230);
를 더 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템.
3. The method of claim 2,
The collection data processing unit 200
a second data input unit 210 for collecting the second data generated by each smart factory to perform abnormal behavior detection on data collected according to the process;
a second learning processing unit 220 that generates the second data input through the second data input unit 120 as training data, and performs learning on the training data using an AI analysis technique; and
a second analysis unit 230 that analyzes the manufacturing data collected in real time to determine whether there is an abnormality by using the learning model according to the learning result of the second learning processing unit 220;
Anomaly detection system in a smart manufacturing environment using multiple AI techniques, characterized in that it further comprises a.
 제 3항에 있어서,
상기 제1 분석부(130)와 제2 분석부(230)는
동일한 상기 제조 데이터의 분석을 수행하는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템.
4. The method of claim 3,
The first analysis unit 130 and the second analysis unit 230 are
Anomaly detection system in a smart manufacturing environment using a multi-AI technique, characterized in that performing the analysis of the same manufacturing data.
 제 1항에 있어서,
상기 통합 분석부(300)는
각각의 상기 입력데이터 처리부(100)의 분석 결과와 상기 수집데이터 처리부(200)의 분석 결과를 기저장된 행위 분석 알고리즘에 적용하여, 이상 행위 발생 여부를 판단하는 판단부(310); 및
상기 판단부(310)의 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여 외부로 전송하는 제어부(320);
를 더 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템.
The method of claim 1,
The integrated analysis unit 300 is
a determination unit 310 for applying the analysis result of each of the input data processing unit 100 and the analysis result of the collection data processing unit 200 to a pre-stored behavior analysis algorithm to determine whether an abnormal behavior occurs; and
a control unit 320 for generating and transmitting countermeasure information matching each determination result according to the determination result of the determination unit 310 to the outside;
Anomaly detection system in a smart manufacturing environment using multiple AI techniques, characterized in that it further comprises a.
 스마트 제조 환경에서, 각 스마트 공장에서의 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하는 방법에 있어서,
입력데이터 처리부에서, 기설정된 다수의 스마트 공장으로부터 각각 생성되는 제조 데이터를 수집하여, 소정의 양식에 맞춰 가공 후 생성된 데이터를 공공의 공유를 통해 제1 데이터로 입력받는 데이터 입력단계(S100);
수집데이터 처리부에서, 공정에 따라 수집되는 데이터들에 대한 이상 행위 탐지를 수행하고자 하는 각 스마트 공장의 생성되는 제조 데이터를 수집하여 제2 데이터로 입력받는 데이터 수집단계(S200);
입력데이터 처리부 또는 수집데이터 처리부에서, 상기 데이터 입력단계(S100)와 데이터 수집단계(S200)에 의해 각각 입력된 상기 제1 데이터 또는 제2 데이터들을 각각의 학습 데이터로 생성하고, AI 분석 기법을 이용하여 각 학습 데이터에 대한 학습을 수행하여 학습 결과에 따른 각각의 학습 모델을 생성하고, 각각의 학습 모델을 이용하여, 실시간으로 수집되는 제조 데이터의 분석을 각각 수행하는 AI 분석단계(S300); 및
통합 분석부에서, 상기 AI 분석단계(S300)에 의해 각각 수행한 분석 결과를 전달받아, 기저장된 행위 분석 알고리즘에 적용하여 실시간으로 수집되는 제조 데이터의 이상 행위 발생 여부를 판단하는 이상행위 탐지단계(S400);
를 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법.
In a smart manufacturing environment, in a method of performing abnormal behavior detection on data collected according to the process in each smart factory,
A data input step (S100) of collecting, in the input data processing unit, manufacturing data generated from a plurality of preset smart factories, processing the data according to a predetermined format, and receiving the generated data as first data through public sharing (S100);
A data collection step (S200) of collecting, in the collection data processing unit, manufacturing data generated by each smart factory to perform abnormal behavior detection on the data collected according to the process and receiving it as second data;
In the input data processing unit or the collection data processing unit, the first data or the second data input by the data input step ( S100 ) and the data collection step ( S200 ), respectively, are generated as respective learning data, and an AI analysis technique is used an AI analysis step (S300) of performing learning on each learning data to generate each learning model according to the learning result, and using each learning model to analyze the manufacturing data collected in real time; and
In the integrated analysis unit, an abnormal behavior detection step of receiving the analysis results each performed by the AI analysis step (S300) and applying it to a pre-stored behavior analysis algorithm to determine whether an abnormal behavior occurs in the manufacturing data collected in real time ( S400);
Anomaly detection method in a smart manufacturing environment using multiple AI techniques, characterized in that it comprises a.
 제 6항에 있어서,
상기 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법은,
상기 이상행위 탐지단계(S400)를 수행하고 난 후,
상기 판단 결과에 따라, 각각의 판단 결과에 매칭되는 대응방안 정보를 생성하여, 외부로 전송하여 이상 행위 발생에 따른 대응을 수행하는 대응단계(S500);
를 더 포함하여 구성되는 것을 특징으로 하는 다중 AI 기법을 이용한 스마트 제조 환경에서의 이상탐지 방법.
7. The method of claim 6,
Anomaly detection method in a smart manufacturing environment using the multi-AI technique,
After performing the abnormal behavior detection step (S400),
a response step (S500) of generating, according to the determination result, response plan information matching each determination result, transmitting it to the outside, and performing a response according to the occurrence of an abnormal behavior;
Anomaly detection method in a smart manufacturing environment using multiple AI techniques, characterized in that it further comprises a.
KR1020200159057A 2020-11-24 2020-11-24 Anomaly detection system and method in smart manufacturing environment using multiple AI techniques KR102417694B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200159057A KR102417694B1 (en) 2020-11-24 2020-11-24 Anomaly detection system and method in smart manufacturing environment using multiple AI techniques

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200159057A KR102417694B1 (en) 2020-11-24 2020-11-24 Anomaly detection system and method in smart manufacturing environment using multiple AI techniques

Publications (2)

Publication Number Publication Date
KR20220071665A true KR20220071665A (en) 2022-05-31
KR102417694B1 KR102417694B1 (en) 2022-07-07

Family

ID=81780207

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200159057A KR102417694B1 (en) 2020-11-24 2020-11-24 Anomaly detection system and method in smart manufacturing environment using multiple AI techniques

Country Status (1)

Country Link
KR (1) KR102417694B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238769A (en) * 2022-06-23 2022-10-25 李雷 Abnormal data monitoring method and device based on artificial intelligence

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (en) * 2016-09-02 2017-03-09 에이블맥스(주) Method and apparatus for prediction maintenance
KR20190022112A (en) * 2017-08-25 2019-03-06 주식회사 펠코리아 Failure prediction device for automation equipment, failure prediction system and method using the same
KR102157031B1 (en) 2018-12-27 2020-09-18 동서대학교 산학협력단 Device and method for detecting abnormal behavior using server motor electric power consumption

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101713985B1 (en) * 2016-09-02 2017-03-09 에이블맥스(주) Method and apparatus for prediction maintenance
KR20190022112A (en) * 2017-08-25 2019-03-06 주식회사 펠코리아 Failure prediction device for automation equipment, failure prediction system and method using the same
KR102157031B1 (en) 2018-12-27 2020-09-18 동서대학교 산학협력단 Device and method for detecting abnormal behavior using server motor electric power consumption

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238769A (en) * 2022-06-23 2022-10-25 李雷 Abnormal data monitoring method and device based on artificial intelligence
CN115238769B (en) * 2022-06-23 2023-12-01 李雷 Abnormal data monitoring method and device based on artificial intelligence

Also Published As

Publication number Publication date
KR102417694B1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
JP6444851B2 (en) Control device having learning function for detecting cause of noise generation
KR101825881B1 (en) Method of managing a manufacturing process and system using the same
JP2017134786A (en) Cell control device for detecting cause of abnormality in manufacturing machine
US10885620B2 (en) Neural network image processing system
CN105094092B (en) The operation antidote of automatic industrial equipment
CN109194534B (en) Scheduling and management method for Internet of things equipment group
CN114118673A (en) Workshop intelligent fault diagnosis early warning method based on digital twin technology
CN105162632A (en) Automatic processing system for server cluster failures
Wöstmann et al. A retrofit approach for predictive maintenance
KR102417694B1 (en) Anomaly detection system and method in smart manufacturing environment using multiple AI techniques
US10678231B2 (en) Production controller equipped with function of identifying cause upon operation stop of production facility including manufacturing facilities
Rocha et al. Implementation of a vision-based worker assistance system in assembly: A case study
Chen et al. Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing
KR20210075358A (en) Smart factory operation analysis system and method
Backhaus et al. Deployment architecture for the local delivery of ML-Models to the industrial shop floor
KR102429393B1 (en) Behavior abnormal detection intelligent sharing system and method in smart factory based on profiling
KR20230081759A (en) Integrated management systme for clean room management based on artifical intelligence and method thereof
Chhotaray et al. Enhancement of Manufacturing Sector Performance with the Application of Industrial Internet of Things (IIoT)
US20200202178A1 (en) Automatic visual data generation for object training and evaluation
Frank et al. Scientific Automation rises the productivity of production facilities
Alghawli Computer Vision Technology for Fault Detection Systems Using Image Processing.
TWM563108U (en) Intelligent power management and self quality control system
EP3818421B1 (en) System and method for remotely managing configuration of industrial machines
CN115826506B (en) Water treatment control system and control device
Lawrence et al. Harnessing industry 4.0 to optimise performance in the aluminum industry

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right