KR20220141180A

KR20220141180A - 머신러닝 기반 체결 품질 분석 시스템 및 그 방법

Info

Publication number: KR20220141180A
Application number: KR1020210047416A
Authority: KR
Inventors: 이윤수; 신천세; 김은경
Original assignee: 현대자동차주식회사; 기아 주식회사
Priority date: 2021-04-12
Filing date: 2021-04-12
Publication date: 2022-10-19

Abstract

머신러닝 기반 체결 품질 분석 시스템 및 그 방법이 개시된다.
본 발명의 실시 예에 따른, 차량 공장의 머신러닝 기반 체결 품질 분석 시스템은, 전동기의 토크로 체결부재를 회전시켜 부품을 체결하는 체결공구, 설정된 기준 토크와 각도로 상기 체결공구 제어하며 체결작업 시 측정된 토크와 각도의 양불(OK/NG) 여부를 판정하는 공구 제어기 및 중계기를 통해 체결작업에 따른 공구 별 체결 데이터를 수집하여 빅데이터를 구축하고 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 판정을 위한 기준 군집 모델(Model)을 생성하는 서버를 포함한다.

Description

머신러닝 기반 체결 품질 분석 시스템 및 그 방법{SYSTEM AND METHOD FOR ANALYZING FASTENING QUALITY BASED ON MACHINE LEARNING}

본 발명은 머신러닝 기반 체결 품질 분석 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 차량 공장에서의 부품 체결 품질을 확보하기 위한 머신러닝 기반 체결 품질 분석 시스템 및 그 방법에 관한 것이다.

일반적으로 차량 공장의 생산라인에 있어서 차체에 적용되는 다양한 부품을 조립하기 위하여 볼트/너트와 같은 다양한 체결부재를 체결하는 공정이 다수 존재한다. 이러한 공정에서의 체결 품질은 자동차 품질에 중요한 요소이며 불량 사 떨림이나 이음을 유발하므로 체결품질을 검사하고 있다.

예컨대, 종래의 체결품질 검사 방법은 체결공구(TOOL)를 이용하여 체결 시 토크/각도 기준(목표치)을 설정하고 이의 충족여부로 체결 품질을 평가하고 있다. 그러나, 체결부위의 하드웨어 불량, 도장이물질 오염, 체결부재 불량 등으로 부품을 완전히 체결하지 못하고 목표 토크/각도에 도달하는 경우 검사 오류를 유발하는 문제점이 있다.

또한, 상기 검사 오류는 부품의 체결 불량을 발생하는데 이미 체결된 부품의 개선을 위한 불량 원인을 파악하기 어려운 문제점이 있다.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

본 발명의 실시 예는 공정 별 체결공구에서 수집되는 체결 데이터 기반의 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하고 불량 발생 유형의 경향 및 발생빈도를 파악하는 머신러닝 기반 체결 품질 분석 시스템 및 그 방법을 제공하고자 한다.

본 발명의 일 측면에 따르면, 차량 공장의 머신러닝 기반 체결 품질 분석 시스템은, 전동기의 토크로 체결부재를 회전시켜 부품을 체결하는 체결공구; 설정된 기준 토크와 각도로 상기 체결공구 제어하며, 체결작업 시 측정된 토크와 각도의 양불(OK/NG) 여부를 판정하는 공구 제어기; 및 중계기를 통해 체결작업에 따른 공구 별 체결 데이터를 수집하여 빅데이터를 구축하고 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 판정을 위한 기준 군집 모델(Model)을 생성하는 서버;를 포함한다.

또한, 상기 체결공구는 고유한 공구 ID를 갖는 핸디형 로봇 장착형 중 적어도 하나를 포함하며, 상기 체결작업 시 각종 센서를 통해 측정된 체결부위별 토크와 각도를 상기 공구 제어기로 전송할 수 이 있다.

또한, 상기 공구 제어기는 상기 체결공구로부터 수신된 상기 토크와 각도를 상기 기준 토크 및 기준 각도와 비교하여 양불(OK/NG) 여부를 판정할 수 있다.

또한, 상기 공구 제어기는 상기 체결작업을 완료하면 체결부위별 토크, 각도, 주기(Cycle), 양불 판정 결과(OK/NG), 스텝(Step) 정보 및 해당 공구 ID를 포함하는 상기 체결 데이터를 상기 서버로 전송할 수 있다.

상기 서버는 수신된 체결 데이터를 수신하면 로데이터를 차종 및 사양 별로 분리하여 저장하는 통신부; 저장된 체결 데이터를 조건에 맞게 차종, 공정 및 체결부위 별로 분리하여 빅데이터로 관리하는 데이터베이스부; 데이터 전처리(Data preprocessing) 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정하는 전처리부; 상기 스케일이 조정된 토크와 각도를 PCA(Principal Component Analysis) 알고리즘을 통해 하나의 피처(Feature)로 변환하고 이차원 배열 형태의 시계열 데이터를 생성하는 주성분 분석부; 상기 시계열 데이터를 이용하여 다수의 주기(Cycle) 파형이 중첩된 군집 분석 그래프를 생성하고 각 주기의 파형 별 거리를 측정하여 군집을 구성하는 군집 분석부; 및 GUI(Graphic User Interface)를 통해 공정 별 체결공구에서 수집되는 체결 데이터 기반 빅데이터 분석하여 체결 불량 발생 유형을 군집화하는 제어부;를 포함할 수 있다.

또한, 상기 전처리부는 상기 체결 데이터의 상기 토크와 각도에 표준 스케일러(Standard Scaler)를 적용하여 각 피처를 평균 0, 분산1로 변경할 수 있다.

또한, 상기 전처리부는 상기 시계열 데이터 중 가장 긴 시퀀스 길이를 갖는 데이터를 기준으로 DTW(Dynamic Time Warping) 또는 나머지 데이터를 채워넣는 방식으로 동일한 데이터 길이로 조정할 수 있다.또한, 상기 군집 분석부는 상기 군집 간의 분산된 거리를 크게 하고 군집 내에 분산된 거리는 작아지도록 하는 군집 구성 알고리즘을 수행할 수 있다.

또한, 상기 군집 분석부는 군집분석 시 쉐입(Shape) 기반의 군집분석 알고리즘을 활용하여 군집 그래프 파형의 모양에 따른 기준 군집 모델을 생성할 수 있다.

또한, 상기 군집 분석부는 다수의 군집 별로 상관된 체결 불량 발생 유형을 분석하고 이를 라벨링하여 불량 유형별로 학습된 이물질 오염, 설비이상, 나사산 불량, 체결부재 불량 중 적어도 하나의 기준 군집 모델을 생성할 수 있다.

또한, 상기 GUI는 사용자에 의해 체결 데이터의 군집 별 기간, 차종 및 군집의 개수를 설정하여 학습하고 각 군집에 대하여 불량 유형을 설정하여 상기 기준 군집 모델을 생성할 수 있다.

또한, 상기 GUI는 학습된 상기 기준 군집 모델을 저장 후 실제 생산 공정에서의 체결 작업 시 상기 체결공구에서 측정된 체결 데이터를 불량 유형별 상기 기준 군집 모델과 매칭하여 신속하게 불량 원인을 파악할 수 있다.

또한, 상기 GUI는 설정 기간 및 차종에 따른 각 군집에 포함된 개수를 확인하여 설정 조건에 따른 불량 유형별 빈도를 파악할 수 있다.

한편, 본 발명의 일 측면에 따른, 차량 공장에서 부품의 체결 품질을 평가하는 서버가 머신러닝을 기반으로 체결 품질을 분석하는 방법은, a) 체결공구의 작동을 제어하는 공구제어기로부터 체결작업 시 측정된 토크와 각도, 이에 따른 양불(OK/NG) 판정 결과를 포함하는 체결 데이터를 수집하는 단계; b) 과거에 수집된 상기 체결 데이터를 조건에 맞게 차종, 공정 및 체결부위 별로 분리하여 빅데이터를 생성하는 단계; c) 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 기준 군집 모델을 생성하는 단계; 및 d) 상기 공구 제어기로부터 실시간 체결작업에 따른 상기 체결 데이터를 수신하면 수신된 상기 체결 데이터와 매칭되는 상기 기준 학습 모델을 확인하여 불량 원인을 파악하는 단계;를 포함한다.

또한, 상기 d) 단계는, 상기 체결 데이터를 상기 기준 학습 모델 생성과 동일한 과정으로 시계열 그래프 파형을 생성하여 비교하는 단계를 포함할 수 있다.

또한, 상기 시계열 그래프 파형을 생성 하는 과정은, 데이터 전처리 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정하여 표준 스케일로 변환하는 단계; 상기 표준 스케일로 조정된 토크와 각도를 PCA(Principal Component Analysis) 알고리즘을 통해 하나의 피처(Feature)로 변환하는 단계; 상기 하나의 피처로 변환된 데이터를 군집분석을 위한 이차원 배열 형태의 시계열 데이터로 변환하는 단계; 및 상기 시계열 데이터를 이용하여 당해 주기(Cycle)의 시계열 그래프 파형을 생성하는 단계;를 포함할 수 있다.

본 발명의 실시 예에 따르면, 체결 데이터 기반 빅데이터를 머신러닝 기반 분석을 통해 체결 불량 유형별로 군집화하고 이를 통해 체결부위별 불량 원인을 파악할 수 있는 효과가 있다.

또한, 다양한 공정 별, 차종 별, 체결부위별, 체결공구 별 불량 발생 유형의 경향 및 발생빈도를 파악하고 신속하게 불량 원인을 제거함으로써 선제적인 품질 개선 대응이 가능한 효과가 있다.

도 1은 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 시스템을 개략적으로 나타낸다.
도 2는 본 발명의 실시 예에 따른 서버의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 실시 예에 따른 체결 불량 유형별 기준 군집 모델 설정 과정을 나타낸다.
도 4는 본 발명의 실시 예에 따른 이차원 배열 형태의 시계열 데이터 변환 예시를 나타낸다.
도 5는 본 발명의 실시 예에 따른 시계열 데이터 파형을 중첩시킨 군집 분석 그래프를 나타낸다.
도 6은 본 발명의 실시 예에 따른 기준 군집 모델 설정을 위한 GUI를 나타낸다.
도 7은 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 방법을 개략적으로 나타낸 흐름도이다.
도 8은 본 발명의 실시 예에 따른 서버에서의 기준 군집 모델 생성 및 실제 불량 유형 파악 방법을 나타낸다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 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.

명세서 전체에서, 제1, 제2, A, B, (a), (b) 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.

명세서 전체에서, 어떤 구성요소가 다른 구성요소에 '연결된다'거나 '접속된다'고 언급되는 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결된다'거나 '직접 접속된다'고 언급되는 때에는, 중간에 다른 구성요소가 존재하지 아니하는 것으로 이해되어야 할 것이다.

명세서 전체에서, 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

명세서 전체에서, '포함한다', '가진다' 등과 관련된 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에서 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 포함한다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 의미와 일치하는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이제 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 시스템 및 그 방법에 대하여 도면을 참조로 하여 상세하게 설명한다.

도 1은 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 시스템을 개략적으로 나타낸다.

도 1을 참조하면, 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 시스템은 체결공구(10), 공구 제어기(20), 중계기(30) 및 서버(40)를 포함한다.

체결공구(10)는 전동기의 토크로 체결부재를 회전시켜 차체에 부품을 체결한다. 상기 체결부재는 체결부위에 지정된 체결방식에 따라 다양한 종류와 규격의 볼트, 너트 등으로 구성될 수 있다.

체결공구(10)는 수동공정에서 운용되는 핸디형 및 자동화 공정에서 운용되는 로봇 장착형을 포함한다. 이러한 체결공구(10)는 공정 별 작업설계에 따라 복수로 배치되고, 이에 각각 대응되는 공구 제어기(20)도 복수로 배치될 수 있다. 따라서, 도 1에서는 서로 대응되는 체결공구(10)와 공구 제어기(20)는 서로 배치된 순서에 따라 동일한 고유 부호를 부여하였으며, 이는 체결공구 별 고유한 공구 ID로써 의미를 갖는다.

체결공구(10)는 공구 제어기(20)에서 인가되는 제어신호에 따라 작동하여 체결부재를 통해 부품을 조립하는 체결작업을 수행한다. 그리고, 체결공구(10)는 상기 체결작업 시 각종 센서를 통해 측정된 체결부위별 토크와 각도 값을 공구 제어기(20)로 전송한다. 상기 각종 센서는 토크 측정 센서 및 엔코더 등일 수 있다.

공구 제어기(20)는 작업지령에 따라 할당된 체결작업을 수행하기 위하여 체결공구(10)의 작동을 위한 제어신호를 인가한다.

공구 제어기(20)는 상기 체결작업 시 체결공구(10)로부터 수신된 상기 토크와 각도를 설정된 기준 토크 및 기준 각도와 비교하여 양불(OK/NG) 여부를 판정할 수 있다.

공구 제어기(20)는 체결작업이 완료되면 상기 체결부위별 토크, 각도, 작업 주기(Cycle), 양불 판정 결과(OK/NG), 스텝(Step) 정보 및 해당 공구 ID를 포함하는 체결 데이터를 중계기(30)를 통해 서버(40)로 전송한다.

중계기(30)는 복수의 공구 제어기(20)와 서버(40)를 연결하기 위한 스위치 허브로써 유무선 통신수단을 포함한다.

중계기(30)는 서버(40)로부터 차종/사양 정보에 따라 수신된 작업지령을 공구 제어기(20)로 전달하고, 그에 따른 체결작업 완료 시 복수의 공구 제어기(20)로부터 수신된 체결 데이터를 서버(40)로 전달할 수 있다.

서버(40)는 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석을 위한 컴퓨팅 시스템으로 생산관리시스템(Manufacturing Execution System, MEN)에 포함될 수 있다. 다만, 이에 한정되지 않고 서버(40)는 체결 보증을 위해 독립적으로 구성되어 MEN과 연동될 수 있다.

이하, 서버(40)는 MEN에 통합된 것을 가정하여 설명하도록 한다.

서버(40)는 차량공장의 공정 별 체결공구에서 수집되는 체결 데이터를 데이터베이스부(42)에 축적하여 빅데이터를 구축하고, 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 기준 군집 모델(Model)을 생성한다.

서버(40)는 생성된 기준 군집 모델을 기반으로 이후 체결작업 시 체결공구에서 수집된 체결 데이터를 시계열로 분석하여 불량 발생 유형의 경향 및 발생빈도를 파악한다.

한편, 아래의 도 2 내지 도 5를 통해 서버(40)의 세부 구성을 설명한다.

도 2는 본 발명의 실시 예에 따른 서버의 구성을 개략적으로 나타낸 블록도이다.

도 3은 본 발명의 실시 예에 따른 체결 불량 유형별 기준 군집 모델 설정 과정을 나타낸다.

도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 서버(40)는 통신부(41), 데이터베이스부(42), 전처리부(43), 주성분 분석부(44), 군집 분석부(45) 및 제어부(46)를 포함한다.

통신부(41)는 공구 제어기(20)로부터 체결 데이터를 수신하면 차량(VIN)의 차종 및 사양 별로 상기 체결 데이터를 분리하여 데이터베이스부(42)에 저장한다.

통신부(41)는 상기 체결 데이터에서 체결작업이 수행된 공정의 공구 ID, 체결부위별 토크, 각도, 작업 주기(Cycle), 양불 판정 결과(OK/NG) 및 스텝(Step) 중 적어도 하나를 추출하여 로데이터로 저장할 수 있다.

데이터베이스부(42)는 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 시스템의 운용을 위한 각종 프로그램 및 데이터를 저장하고, 그 운용에 따라 수집/생성되는 각종 데이터를 관리한다.

데이터베이스부(42)는 통신부(41)로부터 저장된 상기 체결 데이터를 조건에 맞게 차종, 공정 및 체결부위 별로 분리하여 빅데이터를 생성 및 관리한다.

한편, 체결 데이터로 수집된 상기 토크와 각도의 경우 두 피처(Feature)간 범위의 차이가 크므로 머신러닝에 활용하기 위한 주성분 분석 전에 데이터 스케일 조정이 필요하다.

이에, 전처리부(43)는 주성분 분석 전 데이터 전처리(Data preprocessing) 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정한다.

전처리부(43)는 분리된 체결 데이터의 상기 토크와 각도에 표준 스케일러(Standard Scaler)를 적용하여 각 피처를 평균 0, 분산1로 변경한다. 이 때, 상기 표준 스케일러는 상기 토크와 각도의 각 피처(Feature)를 표준화하되, 피처 값에서 평균을 빼고 표준편차로 나누는 공식으로 연산을 수행하여 상기 평균이 0이고 분산이 1인 특성을 산출할 수 있다.

주성분 분석부(44)는 상기 전처리 과정으로 스케일이 조정된 토크와 각도 데이터를 PCA(Principal Component Analysis) 알고리즘을 통해 하나의 피처(Feature)로 변환한다. 이는 상기 토크와 각도에 해당하는 2개의 피처를 하나의 피처로 변환하는 것으로 설명할 수 있다.

주성분 분석부(44)는 하나의 피처로 변환된 데이터를 시계열 데이터의 군집분석을 위해 이차원 배열(2-array)형태로 변환한다.

예컨대, 도 4는 본 발명의 실시 예에 따른 이차원 배열 형태의 시계열 데이터 변환 예시를 나타낸다.

도 4를 참조하면, 주기(Cycle) 별 PCA 결과에 따른 시퀸스(Sequence)를 시계열 데이터로 변환한 테이블을 보여준다.

여기서, 시계열 데이터의 군집분석을 위해서는 데이터의 길이(Length)가 같아야 하지만 현장 조건에서의 각 체결 데이터는 시퀀스의 길이가 다를 수 있다.

이에, 전처리부(43)는 사전에 상기 시계열 데이터 중 가장 긴 시퀀스 길이를 갖는 데이터를 기준으로 DTW(Dynamic Time Warping) 또는 나머지 데이터를 채워넣는 방식(예; '0' 또는 특정값)으로 동일한 데이터 길이로 조정할 수 있다.

군집 분석부(45)는 상기 시계열 데이터를 이용하여 다수의 주기(Cycle) 파형이 중첩된 군집 분석 그래프를 생성한다.

예컨대, 도 5는 본 발명의 실시 예에 따른 시계열 데이터 파형을 중첩시킨 군집 분석 그래프를 나타낸다.

도 5를 참조하면, 군집 분석 그래프는 상기 시계열 데이터의 변환예시와 같이 주기(Cycle) 별 시계열 데이터를 그래프로 변환한 파형들이 중첩된 패턴으로 표시된다.

군집 분석부(45)는 군집 분석 그래프 파형의 모양에 따라 품질 분석이 가능하므로 군집분석 시 쉐입(Shape) 기반의 군집분석 알고리즘을 활용한다. 예컨대, 상기 군집분석 알고리즘은 시계열 파형을 클러스터링 하는 분석방법으로 파이썬(Python) 기반 tslearn kshape을 활용할 수 있다.

군집 분석부(45)는 각 주기(Cycle)의 파형 별 거리를 측정하여 군집을 구성한다. 이 때, 군집 분석부(45)는 군집 간의 분산된 거리를 크게 하고 군집 내에 분산된 거리는 작아지도록 하는 군집 구성 알고리즘을 수행할 수 있다.

군집 분석부(45)는 상기 군집 구성 알고리즘에 따라 생성된 다수의 군집을 분석하여 체결 불량 발생 유형에 따라 군집화한다.

군집 분석부(45)는 다수의 군집 별로 상관된 체결 불량 발생 유형을 분석하고 이를 라벨링하여 불량 유형별로 학습된 기준 군집 모델을 설정할 수 있다. 예컨대, 이물질 오염, 설비이상, 나사산 불량, 체결부재 불량 중 적어도 하나의 기준 군집 모델을 생성할 수 있다.

한편, 제어부(46)는 본 발명의 실시 예에 따른 서버(40)에 구성되는 상기 각부의 전반적인 동작을 제어하는 중앙처리장치이다.

앞선 설명에서는 머신러닝 기반 체결 품질 분석을 위해 구성된 상기 각부의 구성을 기능별로 세분화하여 설명하였으나 제어부(46)가 해당하는 프로그램을 실행하여 실질적인 제어를 수행할 수 있다.

제어부(46)는 GUI(Graphic User Interface)를 통해 공정 별 체결공구에서 수집되는 체결 데이터 기반 빅데이터 분석하여 체결 불량 발생 유형을 군집화한다. 그리고, 생산 과정에서 수집된 체결 데이터를 분석하여 불량 발생 유형의 원인, 경향 및 발생빈도를 파악하는 전체 과정을 제어할 수 있다.

예컨대, 도 6은 본 발명의 실시 예에 따른 기준 군집 모델 설정을 위한 GUI를 나타낸다.

도 6을 참조하면, 제어부(46)는 GUI(Graphic User Interface)를 통한 학습 데이터로 적어도 하나의 군집을 로딩하고 그에 상응하는 불량 유형을 설정한다.

즉, 상기 GUI는 사용자에 의해 학습 데이터의 군집 별 기간, 차종 및 군집의 개수를 설정하여 학습하며 각 군집에 대하여 불량 유형을 설정하여 기준 군집 모델을 생성할 수 있다. 이러한 GUI는 설정 기간 및 차종에 따른 각 군집에 포함된 개수를 확인할 있어 설정 조건 별 불량 유형별 빈도를 체크할 수 있다.

또한, 상기 GUI는 학습된 기준 군집 모델을 저장 후 실제 생산 공정에서의 체결 작업 시 체결공구(10)에서 측정된 체결 데이터를 자동으로 불량 유형별 기준 군집 모델과 매칭하여 신속하게 불량 원인을 파악할 수 있다.

이러한, 제어부(46)는 설정된 프로그램에 의하여 동작하는 하나 이상의 프로세서로 구현될 수 있으며, 상기 설정된 프로그램은 후술되는 머신러닝 기반 체결 품질 분석 방법을 설명함에 있어서 본 발명의 서버(40)가 각 단계를 수행하도록 프로그래밍 된 것일 수 있다.

한편, 전술한 머신러닝 기반 체결 품질 분석 시스템의 구성을 바탕으로 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 방법을 설명한다.

도 7은 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 방법을 개략적으로 나타낸 흐름도이다.

도 8은 본 발명의 실시 예에 따른 서버에서의 기준 군집 모델 생성 및 실제 불량 유형 파악 방법을 나타낸다.

도 7 및 도 8을 참조하면, 본 발명의 실시 예에 따른 서버(40)는 과거에 수집된 체결 데이터를 축적하여 빅데이터를 구축하고 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 기준 군집 모델을 생성한다(S1). 상기 기준 군집 모델 생성 방법은 앞서 도 2 내지 도 5를 통한 서버(40)의 세부 구성 설명과 같다.

서버(40)는 부품을 조립하는 공정 내 진입된 차종과 사양정보에 따른 부품 체결 작업지령을 공구 제어기(20)로 전송한다(S2).

공구 제어기(20)는 수신된 상기 작업지령에 할당된 체결작업을 수행하기 위하여 체결공구(10)의 작동을 위한 제어신호를 인가한다(S3).

체결공구(10)는 상기 제어신호에 따른 토크와 각도로 체결 작업을 수행한다(S4).

체결공구(10)는 상기 체결 작업 시 센서를 통해 체결부위별 토크와 각도, 스텝(Step) 정보를 측정하여 공구 제어기(20)로 전송한다(S5).

공구 제어기(20)는 체결공구(10)에서 수신된 상기 체결부위별 토크와 각도, 스텝(Step) 정보를 설정된 기준 토크 및 기준 각도와 비교하여 양불(OK/NG) 여부를 판정한다(S6).

공구 제어기(20)는 체결작업 완료에 따른 상기 체결부위별 토크, 각도, 작업 주기(Cycle), 양불 판정 결과(OK/NG), 스텝(Step) 정보 및 해당 공구 ID를 포함하는 체결 데이터를 서버(40)로 전송한다(S7).

서버(40)는 공구 제어기(20)로부터 상기 체결 데이터를 수신하면 수신된 체결 데이터와 매칭되는 기준 학습 모델을 확인하여 불량 원인을 파악한다(S8).

이 때, 서버(40)는 상기 체결 데이터를 상기 기준 학습 모델 생성과 동일한 과정으로 시계열 그래프 파형을 생성하여 비교할 수 있다.

예컨대, 서버(40)가 상기 시계열 그래프 파형을 생성 하는 과정은, 데이터 전처리 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정하여 표준 스케일로 변환하는 단계; 상기 표준 스케일로 조정된 토크와 각도를 PCA 알고리즘을 통해 하나의 피처(Feature)로 변환하는 단계; 상기 하나의 피처로 변환된 데이터를 군집분석을 위한 이차원 배열 형태의 시계열 데이터로 변환하는 단계; 및 상기 시계열 데이터를 이용하여 당해 주기(Cycle)의 시계열 그래프 파형을 생성하는 단계;를 포함할 수 있다.

이와 같이, 본 발명의 실시 에에 따르면, 체결 데이터 기반 빅데이터를 머신러닝 기반 분석을 통해 체결 불량 유형별로 군집화하고 이를 통해 체결부위별 불량 원인을 파악할 수 있는 효과가 있다.

이상에서는 본 발명의 실시 예에 대하여 설명하였으나, 본 발명은 상기한 실시 예에만 한정되는 것은 아니며 그 외의 다양한 변경이 가능하다.

예컨대, 도 7에 도시한 본 발명의 실시 예에 따른 머신러닝 기반 체결 품질 분석 방법은 S6 단계에서 공구 제어기(20)가 기준 토크/각도로 양불 판정을 하고, S8 단계에서 서버(40)가 체결 데이터와 매칭되는 기준 학습 모델을 확인하여 불량 원인을 파악하는 것으로 설명하였다.

그러나, 본 발명의 실시 예는 이에 한정되지 않으며, 상기 S8 단계에서 서버(40)가 상기 기준 군집 모델을 기준으로 유사한 체결 데이터를 검출하여 실시간 체결작업에 대한 양불(OK/NG) 여부를 2차로 더 판정할 수 있다.

이 때, 상기 2차 양불 판정은 공구 제어기(20)에서 수행하는 1차 토크/각도 기준 양불 판정과 병행하거나 그 1차 판정 결과를 2차로 검증하는데 활용할 수 있다.

이로써, 체결작업에 따른 복수의 양불 판정을 크로스 체크하여 보다 정확성 및 신뢰도가 증가된 판정결과를 확보하여 제품품질을 향상시킬 수 있는 이점이 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

10: 체결공구
20: 공구 제어기
30: 중계기
40: 서버
41: 통신부
42: 데이터베이스부
43: 전처리부
44: 주성분 분석부
45: 군집 분석부
46: 제어부

Claims

차량 공장의 머신러닝 기반 체결 품질 분석 시스템에 있어서,
전동기의 토크로 체결부재를 회전시켜 부품을 체결하는 체결공구;
설정된 기준 토크와 각도로 상기 체결공구 제어하며, 체결작업 시 측정된 토크와 각도의 양불(OK/NG) 여부를 판정하는 공구 제어기; 및
중계기를 통해 체결작업에 따른 공구 별 체결 데이터를 수집하여 빅데이터를 구축하고 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 판정을 위한 기준 군집 모델(Model)을 생성하는 서버;
를 포함하는 머신러닝 기반 체결 품질 분석 시스템.
제1항에 있어서,
상기 체결공구는
고유한 공구 ID를 갖는 핸디형 로봇 장착형 중 적어도 하나를 포함하며, 상기 체결작업 시 각종 센서를 통해 측정된 체결부위별 토크와 각도를 상기 공구 제어기로 전송하는 머신러닝 기반 체결 품질 분석 시스템.
제1항 또는 제2항에 있어서,
상기 공구 제어기는
상기 체결공구로부터 수신된 상기 토크와 각도를 상기 기준 토크 및 기준 각도와 비교하여 양불(OK/NG) 여부를 판정하는 머신러닝 기반 체결 품질 분석 시스템.
제1항에 있어서,
상기 공구 제어기는
상기 체결작업을 완료하면 체결부위별 토크, 각도, 주기(Cycle), 양불 판정 결과(OK/NG), 스텝(Step) 정보 및 해당 공구 ID를 포함하는 상기 체결 데이터를 상기 서버로 전송하는 머신러닝 기반 체결 품질 분석 시스템.
제1항 또는 제4항에 있어서,
상기 서버는
수신된 체결 데이터를 수신하면 로데이터를 차종 및 사양 별로 분리하여 저장하는 통신부;
저장된 체결 데이터를 조건에 맞게 차종, 공정 및 체결부위 별로 분리하여 빅데이터로 관리하는 데이터베이스부;
데이터 전처리(Data preprocessing) 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정하는 전처리부;
상기 스케일이 조정된 토크와 각도를 PCA(Principal Component Analysis) 알고리즘을 통해 하나의 피처(Feature)로 변환하고 이차원 배열 형태의 시계열 데이터를 생성하는 주성분 분석부;
상기 시계열 데이터를 이용하여 다수의 주기(Cycle) 파형이 중첩된 군집 분석 그래프를 생성하고 각 주기의 파형 별 거리를 측정하여 군집을 구성하는 군집 분석부; 및
GUI(Graphic User Interface)를 통해 공정 별 체결공구에서 수집되는 체결 데이터 기반 빅데이터 분석하여 체결 불량 발생 유형을 군집화하는 제어부;
를 포함하는 머신러닝 기반 체결 품질 분석 시스템.
제5항에 있어서,
상기 전처리부는
상기 체결 데이터의 상기 토크와 각도에 표준 스케일러(Standard Scaler)를 적용하여 각 피처를 평균 0, 분산1로 변경하는 머신러닝 기반 체결 품질 분석 시스템.
제5항에 있어서,
상기 전처리부는
상기 시계열 데이터 중 가장 긴 시퀀스 길이를 갖는 데이터를 기준으로 DTW(Dynamic Time Warping) 또는 나머지 데이터를 채워넣는 방식으로 동일한 데이터 길이로 조정하는 머신러닝 기반 체결 품질 분석 시스템.
제5항에 있어서,
상기 군집 분석부는
상기 군집 간의 분산된 거리를 크게 하고 군집 내에 분산된 거리는 작아지도록 하는 군집 구성 알고리즘을 수행하는 머신러닝 기반 체결 품질 분석 시스템.
제5항에 있어서,
상기 군집 분석부는
군집분석 시 쉐입(Shape) 기반의 군집분석 알고리즘을 활용하여 군집 그래프 파형의 모양에 따른 기준 군집 모델을 생성하는 머신러닝 기반 체결 품질 분석 시스템.
제9항에 있어서,
상기 군집 분석부는
다수의 군집 별로 상관된 체결 불량 발생 유형을 분석하고 이를 라벨링하여 불량 유형별로 학습된 이물질 오염, 설비이상, 나사산 불량, 체결부재 불량 중 적어도 하나의 기준 군집 모델을 생성하는 머신러닝 기반 체결 품질 분석 시스템.
제5항에 있어서,
상기 GUI는
사용자에 의해 체결 데이터의 군집 별 기간, 차종 및 군집의 개수를 설정하여 학습하고 각 군집에 대하여 불량 유형을 설정하여 상기 기준 군집 모델을 생성하는 머신러닝 기반 체결 품질 분석 시스템.
제11항에 있어서,
상기 GUI는
학습된 상기 기준 군집 모델을 저장 후 실제 생산 공정에서의 체결 작업 시 상기 체결공구에서 측정된 체결 데이터를 불량 유형별 상기 기준 군집 모델과 매칭하여 신속하게 불량 원인을 파악하는 머신러닝 기반 체결 품질 분석 시스템.
제11항에 있어서,
상기 GUI는
설정 기간 및 차종에 따른 각 군집에 포함된 개수를 확인하여 설정 조건에 따른 불량 유형별 빈도를 파악하는 머신러닝 기반 체결 품질 분석 시스템.
차량 공장에서 부품의 체결 품질을 평가하는 서버가 머신러닝을 기반으로 체결 품질을 분석하는 방법에 있어서,
a) 체결공구의 작동을 제어하는 공구제어기로부터 체결작업 시 측정된 토크와 각도, 이에 따른 양불(OK/NG) 판정 결과를 포함하는 체결 데이터를 수집하는 단계;
b) 과거에 수집된 상기 체결 데이터를 조건에 맞게 차종, 공정 및 체결부위 별로 분리하여 빅데이터를 생성하는 단계;
c) 머신러닝 기반 빅데이터 분석을 통해 체결 불량 발생 유형을 군집화하여 불량 유형별 기준 군집 모델을 생성하는 단계; 및
d) 상기 공구 제어기로부터 실시간 체결작업에 따른 상기 체결 데이터를 수신하면 수신된 상기 체결 데이터와 매칭되는 상기 기준 학습 모델을 확인하여 불량 원인을 파악하는 단계;
를 포함하는 머신러닝 기반 체결 품질 분석 방법.
제14항에 있어서,
상기 d) 단계는,
상기 체결 데이터를 상기 기준 학습 모델 생성과 동일한 과정으로 시계열 그래프 파형을 생성하여 비교하는 단계를 포함하는 머신러닝 기반 체결 품질 분석 방법.
제15항에 있어서,
상기 시계열 그래프 파형을 생성 하는 과정은,
데이터 전처리 과정을 통해 상기 토크와 각도의 데이터 스케일을 조정하여 표준 스케일로 변환하는 단계;
상기 표준 스케일로 조정된 토크와 각도를 PCA(Principal Component Analysis) 알고리즘을 통해 하나의 피처(Feature)로 변환하는 단계;
상기 하나의 피처로 변환된 데이터를 군집분석을 위한 이차원 배열 형태의 시계열 데이터로 변환하는 단계; 및
상기 시계열 데이터를 이용하여 당해 주기(Cycle)의 시계열 그래프 파형을 생성하는 단계;
를 포함하는 머신러닝 기반 체결 품질 분석 방법.