KR20230060230A - 곡가공 작업 시간 예측 장치 - Google Patents

곡가공 작업 시간 예측 장치 Download PDF

Info

Publication number
KR20230060230A
KR20230060230A KR1020210144722A KR20210144722A KR20230060230A KR 20230060230 A KR20230060230 A KR 20230060230A KR 1020210144722 A KR1020210144722 A KR 1020210144722A KR 20210144722 A KR20210144722 A KR 20210144722A KR 20230060230 A KR20230060230 A KR 20230060230A
Authority
KR
South Korea
Prior art keywords
molding
unit
classification
hot
processing
Prior art date
Application number
KR1020210144722A
Other languages
English (en)
Inventor
민형철
Original Assignee
에이치디한국조선해양 주식회사
에이치디현대중공업 주식회사
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 에이치디한국조선해양 주식회사, 에이치디현대중공업 주식회사 filed Critical 에이치디한국조선해양 주식회사
Priority to KR1020210144722A priority Critical patent/KR20230060230A/ko
Publication of KR20230060230A publication Critical patent/KR20230060230A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D11/00—Bending not restricted to forms of material mentioned in only one of groups B21D5/00, B21D7/00, B21D9/00; Bending not provided for in groups B21D5/00 - B21D9/00; Twisting
    • B21D11/10—Bending specially adapted to produce specific articles, e.g. leaf springs
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은, 곡가공 성형 작업 중 열간 공정의 작업 시간을 예측할 수 있는 곡가공 작업 시간 예측 장치를 제공하기 위한 것으로, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치는 곡가공 성형 분류 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류하는 성형 작업 분류부, 열간 가공 작업 시간 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 성형 작업 분류부에 의해 열간 가공 작업으로 분류된 곡가공 성형 작업의 작업 시간을 예측하는 작업 시간 예측부, 상기 작업 시간 예측부에 의해 예측된 작업 시간을 갖는 열간 가공 작업을 수행한 작업자로부터 상기 곡가공 성형 분류 실적 및 상기 열간 가공 작업 시간 실적을 입력받아 상기 성형 작업 분류부 및 상기 작업 시간 예측부에 학습 데이터를 제공하는 데이터 저장부를 포함할 수 있다.

Description

곡가공 작업 시간 예측 장치{APPARATUS FOR PREDICTING CURVE PROCESSING}
본 발명은 선박 제조 공정에서 곡가공의 작업 시간을 예측하는 곡가공 작업 시간 예측 장치에 관한 것이다.
일반적으로, 선박을 제조시에 외판 등을 성형하는 곡가공 공정이 필요하며, 곡가공 성형 작업은 도면에 따라 열간 가공/냉각 가공 여부를 판단하는데, 열간 가공/냉각 가공 분류 기준은 관리자의 경험에 기반하여 관리되고 있고, 곡가공 성형 작업은 작업자의 재량에 따라 작업 시간에 편차가 발생하기 때문에, 작업 부하를 예측하기 어려운 문제점이 있다.
대한민국 공개특허공보 제10-1999-0074013호
본 발명의 일 실시예에 따르면, 곡가공 성형 작업 중 열간 공정의 작업 시간을 예측할 수 있는 곡가공 작업 시간 예측 장치가 제공된다.
상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치는 곡가공 성형 분류 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류하는 성형 작업 분류부, 열간 가공 작업 시간 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 성형 작업 분류부에 의해 열간 가공 작업으로 분류된 곡가공 성형 작업의 작업 시간을 예측하는 작업 시간 예측부, 상기 작업 시간 예측부에 의해 예측된 작업 시간을 갖는 열간 가공 작업을 수행한 작업자로부터 상기 곡가공 성형 분류 실적 및 상기 열간 가공 작업 시간 실적을 입력받아 상기 성형 작업 분류부 및 상기 작업 시간 예측부에 학습 데이터를 제공하는 데이터 저장부를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 정확한 작업 시간을 예측할 수 있으며, 작업량의 부하를 평준화할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 개략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 성형 작업 분류부의 알고리즘 모델을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 성형 작업 분류부의 개략적인 동작을 나타내는 플로우챠트이다.
도 4는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치가 적용되는 곡주판의 개략적인 구성도이다.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 작업 시간 예측부의 회귀 모델을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치 의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 개략적인 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치(100)는 성형 작업 분류부(110), 작업 시간 예측부(120) 및 데이터 저장부(130)를 포함할 수 있다.
성형 작업 분류부(110)는 곡가공 성형 작업에 관한 도면 데이터를 입력받아 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류할 수 있다.
성형 작업 분류부(110)는 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류하기 위해, 알고리즘 모델을 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 성형 작업 분류부의 알고리즘 모델을 나타내는 도면이다.
도 1과 함께 도 2를 참조하면, 성형 작업 분류부(110)는 사전에 설정된 케이-최근접 이웃 알고리즘 모델(K-Nearest Neighborhood Algorithm Model)을 포함할 수 있다. 도시된 바와 같이, 상기 케이-최근접 이웃 알고리즘 모델은 기존의 학습 데이터 중 새로 입력된 도면 데이터를 기준으로 최근접 거리의 데이터를 K 개수 만큼 측정하는 것으로, 예를 들어 K가 5로 설정되는 경우 새로 입력된 도면 데이터에서 가장 가까운 학습 데이터인 5개의 최근접 이웃을 찾아, 가장 가까운 학습 데이터의 작업 분류에 따라 입력된 도면 데이터를 갖는 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류할 수 있다.
도 3은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 성형 작업 분류부의 개략적인 동작을 나타내는 플로우챠트이다.
도 1 및 도 2와 함께, 도 3을 참조하면, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치(100)의 성형 작업 분류부(110)는 도면 데이터(파리미터)를 입력받아 등록하고, 데이터 저장부(130)로부터 학습 데이터를 전달받아 등록하며, 작업 분류에 적용할 도면 데이터 세트를 선택할 수 있다(S1). 상기 도면 데이터는 가공 대상 강판의 가로 길이, 세로 길이, 두께, 목적하는 곡률, 핀(pin) 간격, 핀 높이, 템플레이트(template) 간격을 포함할 수 있다. 선택된 도면 데이터 세트에 따라 데이터 저장부(130)에 저장된 템플레이트(template) 도면 데이터를 조회할 수 있다(S2). 이후 케이-최근접 이웃 알고리즘 모델(KNN)에 따라 작업을 분류할 수 있다(S3). 작업 분류에 있어, 성형 작업 분류부(110)는 도면 데이터(파리미터)와 학습 데이터에 템플레이트 도면 정보를 케이-최근접 이웃 알고리즘 모델(KNN)에 적합하게 변환하여 특징 데이터를 생성하는데, 이는 도시된 바와 같이 적용 대상 도면 카운트 만큼 반복할 수 있다.
분류 이후 저장 실행시 열간, 냉간 분류 결과를 업데이트 하거나 분류 결과에 사용된 도면 데이터를 업데이트 할 수 있다(S4).
도 4는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치가 적용되는 곡주판의 개략적인 구성도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치가 적용되는 곡주판의 도면 데이터는 템플레이트 배열 방향인 가로 방향과 핀 배열 방향인 세로 방향의 데이터를 포함할 수 있다.
도 1을 참조하면, 작업 시간 예측부(120)는 성형 작업 분류부(110)에 의해 열간 가공 작업으로 분류된 곡가공 성형 작업의 작업 시간을 예측할 수 있다. 작업 시간 예측부(120)는 데이터 저장부(130)로부터의 열간 가공 작업 시간 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 성형 작업 분류부(110)에 의해 열간 가공 작업으로 분류된 곡가공 성형 작업의 작업 시간을 예측할 수 있다. 데이터 저장부(130)는 작업 시간 예측부(120)에 의해 예측된 작업 시간을 갖는 열간 가공 작업을 수행한 작업자로부터 상기 곡가공 성형 분류 실적 및 상기 열간 가공 작업 시간 실적을 입력받아 성형 작업 분류부(110) 및 작업 시간 예측부(120)에 학습 데이터를 제공할 수 있다.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 작업 시간 예측부의 회귀 모델을 나타내는 도면이다.
도 1과 함께, 도 5a 내지 도 5d를 참조하면, 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치의 작업 시간 예측부는 사전에 설정된 엑스지부스트 회귀(XGBoost regression) 모델을 포함할 수 있고, 엑스지부스트 회귀 모델은 데이터 저장부(130)로부터의 열간 가공 작업 시간 실적을 학습할 수 있다.
상기 엑스지부스트 회귀 모델은 각 변수(X1,X2,...,Xn)와 관측치(Y) 사이의 약한 회귀 모델을 여러개 결합하여 예측(E(Y)) 성능을 높인 알고리즘으로, 여기서 약한 회귀 모델은 결정 트리(Decision Tree)를 적용하여 전체 구간에 단일 모델링 대신, 구간 별 최적화 모델을 결합한 회귀 모델을 의미하며, 상기 엑스지부스트 회귀 모델은 결정 트리를 통해 예측 성능이 충분하지 않은 경우, 각 변수 별 약한 회귀 모델에 가중치를 부여하여 구간의 최적화를 반복하는 모델을 의미할 수 있다. 관측치(Y)는 성형 분류 결과(냉간/열간) 대신 각 부재 별 열간 성형 시간 실적으로 대체될 수 있다.
상기 엑스지부스트 회귀 모델은 상술한 바와 같이, 도 5a의 약한 회귀 모델은 결정 트리를 적용하여 도 5b와 같이 전체 구간에 단일 모델링 대신, 구간 별 최적화 모델을 결합한 회귀 모델에 도 5c와 같이 각 변수 별 약한 회귀 모델에 가중치를 부여하여 도 5d와 같이 구간의 최적화를 반복할 수 있다. 여기서, 도 5a에 도시된 바와 같이 전체 구간에서 평균(avg)을 적용하는 것보다 도 5b에 도시된 바와 같이 구간을 나눠서 평균(avg)을 적용하는게 회귀모델을 예측하는 성능이 좋을 수 있다. 도 5d를 참조하면 ground truth가 실제로 예측해야하는 실선 Rt d=1 부터 20까지 변화시켜면서 구간을 나누어 평균(avg)을 적용하며 회귀 모델을 적용할시 가장 ground truth를 잘 찾아내는 것이 엑스지부스트 회귀(XGBoost regression) 모델 임을 나타내며, Rt d=20때가 구간을 가장 세밀하에 나눠서 평균을 적용한 경우이며, 이 경우에 정확도가 가장 높을 수 있다.
도 6은 본 발명의 일 실시예에 따른 곡가공 작업 시간 예측 장치 의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.
컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다.
또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다.
또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다. 여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.
또한, 컴퓨팅 디바이스(1100)는 네트워크(1200)을 통하여 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다. 여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다.
상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크에 의해 상호접속될 수도 있다.
본 명세서에서 사용되는 " 성형 작업 분류부 ", " 작업 시간 예측부 " , “데이터 저장부” 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다. 예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.
상술한 바와 같이, 본 발명에 따르면, k-최근접 이웃 알고리즘 모델 기반 곡가공 성형 작업 분류 모델로 종래에 모호했던 곡가공 성형작업 열간가공/냉간가공분류 모델의 기준을 데이터에 기반하여 산출한 기준으로 대체할 수 있다.
또한 종래에 과편성되던 공수의 현실화 및 열간 가공 작업시간 예측으로 작업량의 부하 평준화를 달성할 수 있다. 이를 통해 성형작업의 공수 절감 및 작업 효율 향상을 기대할 수 있다.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.
100: 곡가공 작업 시간 예측 장치
110: 성형 작업 분류부
120: 작업 시간 예측부
130: 데이터 저장부

Claims (4)

  1. 곡가공 성형 분류 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 곡가공 성형 작업을 열간 가공 작업 또는 냉간 가공 작업으로 분류하는 성형 작업 분류부;
    열간 가공 작업 시간 실적을 학습하여, 입력받은 곡가공 성형 작업에 관한 도면 데이터로부터 상기 성형 작업 분류부에 의해 열간 가공 작업으로 분류된 곡가공 성형 작업의 작업 시간을 예측하는 작업 시간 예측부; 및
    상기 작업 시간 예측부에 의해 예측된 작업 시간을 갖는 열간 가공 작업을 수행한 작업자로부터 상기 곡가공 성형 분류 실적 및 상기 열간 가공 작업 시간 실적을 입력받아 상기 성형 작업 분류부 및 상기 작업 시간 예측부에 학습 데이터를 제공하는 데이터 저장부
    를 포함하는 곡가공 작업 시간 예측 장치.
  2. 제1항에 있어서,
    상기 성형 작업 분류부는 상기 곡가공 성형 분류 실적을 학습하는 사전에 설정된 케이(K)-최근접 이웃 알고리즘 모델을 포함하는 곡가공 작업 시간 예측 장치.
  3. 제1항에 있어서,
    상기 도면 데이터는 가공 대상 강판의 가로 길이, 세로 길이, 두께, 목적하는 곡률, 핀 간격, 핀 높이, 템플레이트 간격을 포함하는 곡가공 작업 시간 예측 장치.
  4. 제1항에 있어서,
    상기 작업 시간 예측부는 상기 열간 가공 작업 시간 실적을 학습하는 사전에 설정된 엑스지부스트(XGBoost) 회귀 모델을 포함하는 곡가공 작업 시간 예측 장치.
KR1020210144722A 2021-10-27 2021-10-27 곡가공 작업 시간 예측 장치 KR20230060230A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210144722A KR20230060230A (ko) 2021-10-27 2021-10-27 곡가공 작업 시간 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210144722A KR20230060230A (ko) 2021-10-27 2021-10-27 곡가공 작업 시간 예측 장치

Publications (1)

Publication Number Publication Date
KR20230060230A true KR20230060230A (ko) 2023-05-04

Family

ID=86379660

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210144722A KR20230060230A (ko) 2021-10-27 2021-10-27 곡가공 작업 시간 예측 장치

Country Status (1)

Country Link
KR (1) KR20230060230A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990074013A (ko) 1998-03-05 1999-10-05 신종계 선체 외판의 곡면가공방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990074013A (ko) 1998-03-05 1999-10-05 신종계 선체 외판의 곡면가공방법 및 장치

Similar Documents

Publication Publication Date Title
US11463333B2 (en) Distributed assignment of video analytics tasks in cloud computing environments to reduce bandwidth utilization
US20220051002A1 (en) Using batches of training items for training a network
Li et al. An accumulative error based adaptive design of experiments for offline metamodeling
JP4509860B2 (ja) データ分割装置、データ分割方法およびプログラム
Järvenpää et al. Parallel Gaussian process surrogate Bayesian inference with noisy likelihood evaluations
US20230206024A1 (en) Resource allocation method, resource allocation apparatus, device, medium and computer program produ
Yu et al. An iterative locally auto-weighted least squares method for microarray missing value estimation
US11620049B2 (en) Method, electronic device and computer program product for managing storage space
US11645441B1 (en) Machine-learning based clustering for clock tree synthesis
CN112149809A (zh) 模型超参数的确定方法及设备、计算设备和介质
WO2014176056A2 (en) Data classification
CN113886080A (zh) 高性能集群任务调度方法、装置、电子设备及存储介质
JP2023139286A (ja) 回路情報、情報処理方法、プログラムおよび情報処理システム
WO2022235251A1 (en) Generating and globally tuning application-specific machine learning accelerators
CN114202123A (zh) 业务数据预测方法、装置、电子设备及存储介质
CN114692552A (zh) 一种三维芯片的布局方法、装置及终端设备
KR20230060230A (ko) 곡가공 작업 시간 예측 장치
Mesa et al. Hidden Markov models for gene sequence classification: Classifying the VSG gene in the Trypanosoma brucei genome
CN113159318B (zh) 一种神经网络的量化方法、装置、电子设备及存储介质
CN113205185A (zh) 网络模型优化方法、装置、计算机设备和存储介质
KR20210156538A (ko) 뉴럴 네트워크를 이용한 데이터 처리 방법 및 데이터 처리 장치
Al-Zoubi et al. Design space exploration of the KNN imputation on FPGA
Hernández-Maldonado et al. Fast procedure to compute empirical and Bernstein copulas
CN114443967B (zh) 一种相似应用推荐方法、计算设备及存储介质
US12039367B2 (en) Method and system for using computational resources of a multiprocessor computing system

Legal Events

Date Code Title Description
A201 Request for examination