KR20230062155A - 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법 - Google Patents

인공신경망 모델을 이용한 공정 최적화 시스템 및 방법 Download PDF

Info

Publication number
KR20230062155A
KR20230062155A KR1020210147136A KR20210147136A KR20230062155A KR 20230062155 A KR20230062155 A KR 20230062155A KR 1020210147136 A KR1020210147136 A KR 1020210147136A KR 20210147136 A KR20210147136 A KR 20210147136A KR 20230062155 A KR20230062155 A KR 20230062155A
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
layer
defect
optimization
Prior art date
Application number
KR1020210147136A
Other languages
English (en)
Inventor
유형하
이준석
백민재
장영규
Original Assignee
엠아이큐브솔루션주식회사
삼화왕관주식회사
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 엠아이큐브솔루션주식회사, 삼화왕관주식회사 filed Critical 엠아이큐브솔루션주식회사
Priority to KR1020210147136A priority Critical patent/KR20230062155A/ko
Publication of KR20230062155A publication Critical patent/KR20230062155A/ko

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

본 발명은 제품의 생산환경에서 불량 예측을 통해 샘플링 검사의 한계점을 보완하고 설비의 극대화를 통해 생산량을 증가시키는 인공신경망을 이용한 공정 최적화 시스템 및 방법을 제공하기 위하여, 산업설비로부터 제공되는 데이터를 기반으로 상기 산업설비의 공정 불량을 감지하고 상기 산업설비를 운용하는 최적의 공정변수를 출력하는 처리유닛을 포함하며, 상기 처리유닛은 사전 훈련된 인공신경망 모델에 상기 데이터를 입력하여 공정 불량값을 출력하는 딥러닝 모델 계층과, 상기 딥러닝 모델 계층으로부터 제공되는 상기 공정 불량값을 사전에 설정된 규칙에 따라 판정하여 상기 공정 불량을 판단하는 출력 계층과, 상기 딥러닝 모델 계층에 연계되며 상기 인공신경망 모델을 기반으로 하여 상기 공정 불량에 영향을 미치는 상기 공정변수의 최적해를 도출하는 최적화 계층을 포함할 수 있다.

Description

인공신경망 모델을 이용한 공정 최적화 시스템 및 방법{PROCESS OPTIMIZATION SYSTEM AND METHOD USING ARTIFICIAL NEURAL NETWORK MODEL}
본 발명은 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법에 관한 것으로, 보다 상세하게는 최적의 공정 조건을 도출하는 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence) 기술의 발전에 따라 다양한 산업환경에서는 최적의 공정 조건을 도출하기 위한 연구개발이 활발하게 수행되고 있다. 이러한 공정 최적화 기술은 제품의 생산공정에서 발생 가능한 불량 발생을 예측하고, 최적의 공정 조건을 도출할 수 있는 이점이 있다.
종래의 공정 최적화 기술은 이미 "대한민국 공개특허공보 제10-2021-0067183호(딥러닝을 이용한 다이캐스팅 공정 관리 시스템, 2021.06.08.)"에 의해 공개되어 있다. 상기 공개발명은 딥러닝 모델을 기반으로 제품의 불량 여부를 판단하기 위하여 공정 조건을 관리하는 기술이다.
특히, 대량 생산으로 인하여 전수검사가 어려운 산업환경에서는 딥러닝 모델을 기반으로 최적의 공정 조건을 도출하려는 시도가 있다.
일례로, 페트병의 캡(Cap) 등과 같이 대량 생산 제품은 전수검사가 어려운 환경임에 따라 샘플링 검사를 수행하고 있다. 그러나 샘플링 검사는 품질관리에 한계점이 존재하고, 예상치 못한 불량 제품의 납품은 클레임 발생 및 품질 비용 상승의 원인이 되고 있다. 이에, 대량 생산 제품의 생산환경에서는 불량 예측을 통해 샘플링 검사의 한계점을 보완하고, 설비 효율의 극대화를 통해 생산량을 증가시키는 공정 최적화 기술이 요구된다.
"대한민국 공개특허공보 제10-2021-0067183호(딥러닝을 이용한 다이캐스팅 공정 관리 시스템, 2021.06.08.)"
본 발명의 목적은 제품의 생산환경에서 불량 예측을 통해 샘플링 검사의 한계점을 보완하고 설비의 극대화를 통해 생산량을 증가시키는 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법을 제공하기 위한 것이다.
본 발명에 따른 인공신경망을 이용한 공정 최적화 시스템 및 방법은 산업설비로부터 제공되는 데이터를 기반으로 상기 산업설비의 공정 불량을 감지하고 상기 산업설비를 운용하는 최적의 공정변수를 출력하는 처리유닛을 포함하며, 상기 처리유닛은 사전 훈련된 인공신경망 모델에 상기 데이터를 입력하여 공정 불량값을 출력하는 딥러닝 모델 계층과, 상기 딥러닝 모델 계층으로부터 제공되는 상기 공정 불량값을 사전에 설정된 규칙에 따라 판정하여 상기 공정 불량을 판단하는 출력 계층과, 상기 딥러닝 모델 계층에 연계되며 상기 인공신경망 모델을 기반으로 하여 상기 공정 불량에 영향을 미치는 상기 공정변수의 최적해를 도출하는 최적화 계층을 포함할 수 있다.
상기 인공신경망(Artificial Neural Network, ANN) 모델은 심층 신경망(Deep Neural Network, DNN)을 포함하고, 상기 심층 신경망은 덴서(Dense), 액티베이션(Activation) 및 드롭아웃(Dropout) 구조를 포함할 수 있다.
상기 딥러닝 모델 계층은 상기 심층 신경망 모델에 플랜튼(Flatten)을 연결하여 차원을 처리하며 상기 공정 불량값을 출력할 수 있다.
상기 최적화 계층에서는 상기 인공신경망 모델을 기반으로 최적화 알고리즘을 적용하여, 상기 공정변수에 대한 최적의 변수값 및 상기 인공신경망에 대한 목적함수 값 중 적어도 어느 하나를 출력하고, 상기 인공 신경망 모델은 상기 목적함수 값을 기반으로 업데이트 가능하고, 상기 산업설비의 공정조건은 상기 변수값을 기반으로 업데이트 가능할 수 있다.
상기 최적화 계층에서는 입자 군집 최적화(Particle Swarm Optimization, PSO) 알고리즘을 기반으로 최적화를 수행할 수 있다.
상기 최적화 계층에서는 상기 산업 설비의 공정 속도를 기준으로 상기 산업설비의 운용에 요구되는 변수의 최적해를 도출하여 상기 공정 불량이 저감되도록 할 수 있다.
상기 최적화 계층에서는 상기 인공신경망 모델을 목적함수로 하며, 제약조건(Constraint) 및 상하한(LB & UB)은 각 항목의 Min-MAX 제약이 사용되고, 군집 크기(Swarm size) 및 반복 횟수(Maxiter)는 80~120일 수 있다.
상기 출력 계층은 상기 공정 불량값과 사전에 설정된 컷 오프 값을 비교하여 상기 공정 불량을 판단할 수 있다.
상기 출력 계층은 상기 공정 불량값이 상기 컷 오프 값 이상이면 불량에 대한 신호를 출력하고, 상기 공정 불량값이 상기 컷 오프 값 이하이면 정상에 대한 신호를 출력할 수 있다.
상기 출력 계층에서는 상기 신호를 외부장치로 전달하여 상기 불량 발생이 관리자에게 인식되도록 할 수 있다.
상기 산업설비는 캡 생산라인 중 인쇄설비를 포함하고, 상기 인쇄설비로부터 제공되는 상기 데이터는 공정 환경의 온도 및 습도, 상기 인쇄설비의 라인 속도(Caps/min), 공정가스의 유량 및 압력 및 에어의 유량 및 압력 중 적어도 어느 하나를 포함할 수 있다.
상기 공정 최적화 시스템은 상기 인쇄설비에 장착되어 상기 인쇄설비로부터 상기 데이터를 취득하는 센서유닛을 더 포함하고, 상기 센서유닛은 공정 환경의 온도를 측정하는 온도센서와, 상기 공정 환경의 습도를 측정하는 습도센서와, 상기 인쇄설비의 라인 속도를 측정하는 속도센서와, 상기 인쇄설비로 인입되는 에어의 압력을 측정하는 제1 압력센서와, 상기 인쇄설비에서 증압되는 에어의 압력을 측정하는 제2 압력센서와, 상기 공정에 필요한 제1 에어의 압력을 측정하는 제3 압력센서와, 상기 공정에 필요한 제2 에어의 압력을 측정하는 제4 압력센서와, 상기 에어의 유량을 측정하는 에어 유량센서와, 상기 인쇄공정에 요구되는 공정가스의 유량을 측정하는 가스 유량센서를 포함할 수 있다.
한편, 본 발명에 따른 인공신경망을 이용한 공정 최적화 방법은 산업설비로부터 제공되는 데이터를 기반으로 상기 산업설비의 공정 불량을 감지하는 인공신경망 모델을 학습하는 단계 및 상기 인공신경망 모델에 연계하여 상기 인공신경망을 모델을 기반으로 하여 상기 공정 분량에 영향을 미치는 공정변수의 최적해를 도출하는 단계 및 상기 최적해를 기반으로 상기 산업설비의 공정 조건을 업데이트하는 단계 및 상기 산업설비로부터 제공되는 데이터를 상기 인공신경망 모델을 입력하여 공정 불량값을 출력하는 단계 및 상기 딥러닝 모델 계층으로부터 제공되는 상기 공정 불량값을 사전에 설정된 규칙에 따라 판정하여 상기 공정 불량을 판단하는 단계를 포함한다.
본 발명에 따른 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법은 인공지능 모델을 기반으로 불량 발생을 판단하는 것에 의해 샘플링 검사에 대한 한계점을 보완하여 불량제품의 납품을 방지하고 작업 효율을 향상시키는 효과가 있다.
또한, 본 발명에 따른 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법은 최적의 공정조건을 도출 및 적용하여 제품의 불량 발생률을 현저하게 저감하여 제품의 생산량을 증가시키는 효과가 있다.
이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시예에 따른 생산설비에 적용된 공정 최적화 시스템을 개략적으로 나타낸 구성도이고,
도 2는 본 실시예에 따른 공정 최적화 시스템의 인공지능 모델을 나타낸 구성도이고,
도 3은 본 실시예에 따른 공정 최적화 시스템의 딥러닝 모델 계층을 나타낸 개념도이고,
도 4는 본 실시예에 따른 공정 최적화 시스템의 출력 계층을 나타낸 개념도고,
도 5는 본 실시예에 따른 공정 최적화 시스템의 최적화 계층을 나타낸 개념도이고,
도 6은 본 실시예에 따른 공정 최적화 시스템의 제1 운용방법을 나타낸 흐름도이고,
도 7은 본 실시예에 따른 공정 최적화 시스템의 제2 운용방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.
도 1은 본 실시예에 따른 생산설비에 적용된 공정 최적화 시스템을 개략적으로 나타낸 구성도이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 공정 최적화 시스템(1000, 이하, 최적화 시스템이라 칭한다.)은 페트병의 캡을 생산하기 위한 P-CAP 생산라인 중 인쇄설비(10)에 장착될 수 있다. 다만, 이는 본 실시예를 설명하기 위한 것으로 최적화 시스템(1000)의 적용 대상은 한정하지 않는다.
일례로, 인쇄설비(10)은 공정가스 및 에어를 기반으로 캡의 표면에 인쇄를 수행한다. 이때, 공정조건에 대한 변수는 인쇄가 수행되는 공정 환경의 온도 및 습도, 인쇄설비의 라인 속도(Caps/min), 공정가스의 유량 및 압력, 에어의 유량 및 압력 등을 포함할 수 있다.
이에, 최적화 시스템(1000)은 인쇄설비(10)로부터 변수에 대한 데이터를 취득하는 센서유닛(100)을 포함할 수 있다.
일례로, 센서유닛(100)은 공정환경의 온도를 측정하는 온도센서(S1), 공정환경의 습도를 측정하는 습도센서(S2), 인쇄설비(10)의 라인 속도를 측정하는 속도센서(S3), 인쇄설비(10)로 인입되는 에어의 압력을 측정하는 제1 압력센서(S4), 인쇄설비(10)에서 증압되는 에어의 압력을 측정하는 제2 압력센서(S5), 공정에 필요한 제1 에어의 압력을 측정하는 제3 압력센서(S6), 공정에 필요한 제2 에어의 압력을 측정하는 제4 압력센서(S7), 에어의 유량을 측정하는 에어 유량센서(S8) 및 공정가스의 유량을 측정하는 가스 유량센서(S9)를 포함할 수 있다.
다만, 이는 본 실시예에 따른 인쇄설비(10)에서 공정 최적화에 도달하기 위한 것으로, 센서유닛(100)의 종류 및 개수는 한정하지 않는다.
한편, 최적화 시스템(1000)은 센서유닛(100)을 통해 인쇄설비(10)로부터 취득된 데이터를 처리유닛(200)으로 제공한다. 처리유닛(200)은 연산장치로 단일 또는 복수 개의 컴퓨터에 의해 구축될 수 있다.
처리유닛(200)은 센서유닛(100)으로부터 제공되는 데이터를 데이터 저장유닛(300)에 저장한다. 여기서, 데이터의 저장은 사전에 설정된 규칙 및 형식에 따라 자동으로 저장되거나, 작업자에 의해 수작업으로 저장될 수 있다.
그리고 처리유닛(200)은 데이터에 대한 전처리를 수행한다. 처리유닛(200)은 데이터를 후술할 인공지능 모델의 목적에 맞게 효과적으로 가공한다. 일례로, 처리유닛(200)은 데이터 정제, 데이터 변환, 데이터 필터링, 데이터 통합 및 데이터 축소 중 적어도 하나의 방식으로 데이터 전처리를 수행할 수 있다.
그리고 처리유닛(200)은 전처리된 데이터를 이용하여 공정 최적화를 위한 인공지능 모델을 훈련할 수 있다. 이때, 처리유닛(200)은 데이터를 기반으로 제품의 인쇄 불량을 판단할 수 있는 딥러닝 모델을 훈련하고, 최적화 알고리즘을 통해 최적의 공정조건을 출력하여 인쇄공정에서 불량 발생률을 저감시킬 수 있다.
이하에서는 첨부된 도면을 참조하여 인쇄 불량을 판단할 수 있는 딥러닝 모델의 훈련 및 최적의 공정조건을 출력하는 방법에 대하여 상세히 설명하도록 한다.
도 2는 본 실시예에 따른 공정 최적화 시스템의 인공지능 모델을 나타낸 구성도이다.
도 2에 도시된 바와 같이, 본 실시예에 따른 최적화 시스템(1000)은 인공지능 모델을 기반으로 인쇄공정에서 불량이 발생할 불량 확률값 및 최적의 인쇄 공정조건을 도출할 수 있다.
이를 위해, 최적화 시스템(1000)은 불량 확률값을 도출하는 딥러닝 모델 계층(210), 딥러닝 모델 계층(210)에 연계되어 이상감지에 대한 신호를 출력하는 출력 계층(220) 및 딥러닝 모델 계층(210)에 연계되어 공정 최적화를 위한 최적해를 도출하는 최적화 계층(230)을 포함할 수 있다.
도 3은 본 실시예에 따른 공정 최적화 시스템의 딥러닝 모델 계층을 나타낸 개념도이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 최적화 시스템(1000)은 센서유닛(100)으로부터 제공되는 데이터를 기반으로 딥러닝 모델 계층(210)을 학습한다.
이때, 딥러닝 모델 계층(210)의 입력 데이터로는 제1 압력센서(S1), 제2 압력센서(S2), 제3 압력센서(S3) 및 제4 압력센서(S4)로부터 취득된 에어의 압력 데이터, 에어 유량센서(S5)로부터 취득된 에어의 유량 데이터, 가스 유량센서(S6)로부터 취득된 가스 유량 데이터, 온도센서(S7)로부터 취득된 온도 데이터, 습도센서(S8)로부터 취득된 습도 데이터 및 속도센서(S9)에 의해 취득된 라인 속도 데이터가 사용될 수 있다.
이에, 최적화 시스템(1000)은 제공되는 데이터를 기반으로 인공신경망(211, Artificial Neural Network, ANN)을 훈련하여, 추후 인공신경망으로 데이터가 입력되었을 때에 불량 확률값이 도출될 수 있도록 한다.
일례로, 인공신경망(211)은 심층 신경망(212, Deep Neural Network, DNN)이 사용될 수 있다. 심층 신경망(212)은 입력층과 출력층 사이에 다중의 은닉층을 구성하여 다양한 비선형 관계적 관계를 학습할 수 있다.
이에, 심층 신경망(212)은 덴서(Dense), 액티베이션(Activation) 및 드롭아웃(Dropout) 구조를 가질 수 있다. 여기서, 액티베이션은 렐루(ReLU) 함수로 설정될 수 있고, 드롭아웃은 사전 설정된 규칙으로 설정될 수 있다. 다만, 이는 본 실시예를 설명하기 위한 것으로 심층 신경망(212)의 구성을 한정하지는 않는다. 그리고 딥러닝 모델 계층(210)은 심층 신경망(212)에 플래튼(Flatten)을 연결하여 차원을 처리하고, 데이터를 기반으로 한 불량 확률값을 출력되도록 할 수 있다.
한편, 딥러닝 모델 계층(210)은 학습이 완료된 이후에 입력되는 데이터에 대한 불량 확률값을 출력하여, 출력 계층(220)으로 제공할 수 있다.
출력 계층(220)은 불량 확률값을 기반으로 이상감지를 수행하기 위한 계층으로, 불량 발생을 예측하여 이를 작업자에게 통지할 수 있다.
도 4는 본 실시예에 따른 공정 최적화 시스템의 출력 계층을 나타낸 개념도이다.
도 4에 도시된 바와 같이, 본 실시예에 따른 출력 계층(220)은 딥러닝 모델 계층(210)에서 출력되는 불량 확률값을 기반으로 판정을 진행하여, 최종적으로 불량 발생을 작업자에게 통지되도록 할 수 있다.
이러한 출력 계층(220)은 판단모듈(221) 및 출력모듈(222)를 포함할 수 있다.
판단모듈(221)은 딥러닝 모델 계층(210)으로부터 제공되는 불량 확률값을 사전에 설정된 규칙에 따라 판정한다. 일례로, 판단모듈(221)은 주어진 컷 오프 값(Cut off Value)을 기반으로 판단을 수행할 수 있다.
그리고 출력모듈(222)은 판단모듈(221)로부터 제공되는 결과에 따라 외부장치(30)로 신호를 제공하여, 외부장치(30)에서 이상감지 및 경보가 수행되도록 할 수 있다. 일례로, 출력모듈(222)은 딥러닝 모델 계층(210)으로부터 출력되는 불량 확률값이 주어진 컷 오프 값 이상이면 불량에 대한 신호를 출력할 수 있고, 불량 확률값이 주어진 컷 오프 값 이하이면 정상에 대한 신호를 출력할 수 있도록 구성된다.
한편, 딥러닝 모델 계층(210)의 학습이 완료되면, 최적화 시스템(1000)은 딥러닝 모델 계층(210)과 최적화 계층(230)을 연계하여 인쇄공정에 대한 최적의 공정조건을 도출하고, 모델에 대한 평가가 수행되도록 할 수 있다.
도 5는 본 실시예에 따른 공정 최적화 시스템의 최적화 계층을 나타낸 개념도이다.
도 5에 도시된 바와 같이, 본 실시예에 따른 최적화 계층(230)은 최적화 알고리즘을 기반으로 최적의 공정조건을 도출하고 모델에 대한 평가가 수행되도록 할 수 있다.
일례로, 최적화 계층(230)에서는 입자 군집 최적화(Particle Swarm Optimization, PSO) 알고리즘이 적용될 수 있다. 입자 군집 최적화 알고리즘은 최적해 도출을 위해 생물체들의 사회적 행동 양식을 모방한 것이 특징이며, 개별해는 입자(Particle)로 표시되고 해집단은 군집(Swarm)으로 표시되는 특성을 갖는다.
특히, 입자 군집 최적화 알고리즘은 적은 수의 매개변수와 빠른 수행 속도를 갖는 장점을 가지고 있기 때문에, 최적화 계층(230)에서는 입자 군집 최적화 알고리즘을 기반으로 한다.
이러한 최적화 계층(230)은 라인 속도를 기준으로 다른 변수들의 최적값을 찾을 수 있다.
최적화 계층(230)은 딥러닝 모델 계층(210)에 연계된다. 이에, 최적화 계층(230)은 딥러닝 모델 계층(210)에서 훈련된 심층 신경망(212)이 최적화 모듈(232)에서 사용될 수 있다. 그리고 최적화 계층(230)은 최적화 요소를 입력하는 요소 입력모듈(231)을 포함하여, 입자 군집 최적화 작업을 위한 요소가 최적화 모듈(232)로 제공되도록 할 수 있다.
이에, 최적화 모듈(232)로 제공되는 목적 함수(Object Function)는 딥러닝 모델 계층(210)에서 심층 신경망이 사용될 수 있고, 제약조건(Constraint) 및 상하한(LB & UB)은 각 항목의 Min-MAX 제약이 사용될 수 있다. 그리고 군집 크기(Swarm size) 및 반복 횟수(Maxiter)는 사전 설정된 규칙이 사용될 수 있다. 다만, 이는 본 실시예를 설명하기 위한 것으로 입자 군집 최적화 작업에 필요한 요소를 한정하지는 않는다.
이에, 최적화 모듈(232)은 심층 신경망(212) 및 요소를 기반으로 최적해를 도출하기 위한 입자 군집 최적화 알고리즘을 적용한다.
그리고 최적화 모듈(232)로부터 출력된 결과는 최적해 출력모듈(222)을 통해 출력될 수 있다. 일례로, 최적해 출력모듈(233)에서는 xopt에서 최적 변수값이 도출되고, fopt에서는 최적의 목적함수 값이 도출될 수 있다. 이에, 최적해 출력모듈(233)에서는 최적 변수값과 최적의 목적함수 값을 기반으로 모델 평가를 수행하고 최적해를 도출할 수 있다. 이에, 최적화 시스템(1000)은 최적의 변수값 및 최적의 목적함수 값으로 인쇄설비(10)의 공정조건 및 심층 신경망의 레이어 조건을 업데이트할 수 있다.
한편, 이하에서는 첨부된 도면을 참조하여 본 실시예에 따른 공정 최적화 시스템의 운용방법에 대하여 상세히 설명하도록 한다. 다만, 상술된 구성요소에 대해서는 상세한 설명을 생략하고 동일한 참조부호를 부여하여 설명하도록 한다.
도 6은 본 실시예에 따른 공정 최적화 시스템의 제1 운용방법을 나타낸 흐름도이다.
도 6에 도시된 바와 같이, 본 실시예에 따른 최적화 시스템의 제1 운용방법은 모델을 학습하는 과정 및 최적의 공정조건을 도출하기 위한 과정을 나타낼 수 있다.
우선, 최적화 시스템(1000)으로는 페트병의 캡을 생산하기 위한 P-CAP 생산라인 중 인쇄설비(10)에 설치된 센서유닛(100)으로부터 데이터가 제공된다(S610). 이에, 최적화 시스템(1000)은 데이터를 데이터 저장유닛(300)에 저장하고(S620), 데이터에 대한 전처리를 수행한다(S630).
이후, 처리유닛(200)은 딥러닝 모델 계층(210)의 학습 여부를 판단한다(S640). 그리고 처리유닛(200)은 학습된 모델이 존재하지 않을 경우에 심층 신경망(212)을 훈련한다(S650). 이때, 처리유닛(200)은 딥러닝 모델 계층(210)이 센서유닛(100)으로부터 제공되는 데이터를 기반으로 인쇄공정에서 불량 확률값을 도출할 수 있도록 훈련한다.
이후, 처리유닛(200)은 딥러닝 모델 계층(210)의 훈련이 완료되면, 최적의 공정조건을 도출할 수 있다(S660). 이때, 처리유닛(200)은 딥러닝 모델 계층(210)에 연계된 최적화 계층(230)에서 입자 군집 최적화 알고리즘을 적용하여 최적의 변수값과 목적함수 값을 출력할 수 있다.
이에, 처리유닛(200)은 인쇄공정의 최적화 조건을 데이터 저장유닛(300)에 저장하고, 딥러닝 모델 계층(210)의 평가를 수행하여 심층 신경망(212)의 레이어 조건을 업데이트할 수 있다(S670). 그리고 처리유닛(200)은 최적화된 조건에 따라 인쇄설비(10)에서 공정 환경의 온도 및 습도, 인쇄설비의 라인 속도(Caps/min), 공정가스의 유량 및 압력, 에어의 유량 및 압력 등이 업데이트되도록 할 수 있다(S680).
그리고 처리유닛(200)은 업데이트된 딥러닝 모델 계층(210)을 데이터 저장유닛(300)에 저장한 이후에, 딥러닝 모델 계층(210)을 기반으로 인쇄 불량에 대한 이상 감지를 수행할 수 있다(S690).
도 7은 본 실시예에 따른 공정 최적화 시스템의 제2 운용방법을 나타낸 흐름도이다.
도 7에 도시된 바와 같이, 본 실시예에 따른 최적화 시스템의 제2 운용방법은 심층 신경망의 학습이 완료된 이후, 이상 감지를 수행하는 과정을 나타낼 수 있다.
우선, 최적화 시스템(1000)으로는 페트병의 캡을 생산하기 위한 P-CAP 생산라인 중 인쇄설비(10)에 설치된 센서유닛(100)으로부터 데이터가 제공된다(S710). 이에, 최적화 시스템()은 데이터를 데이터 저장유닛(300)에 저장하고(S720), 데이터에 대한 전처리를 수행한다(S730).
이후, 처리유닛(200)은 딥러닝 모델 계층(210)의 학습 여부를 판단한다(S740). 그리고 처리유닛(200)은 사전에 학습된 딥러닝 모델 계층(210)을 기반으로 불량 발생을 추론한다(S750). 이때, 딥러닝 모델 계층(210)으로는 데이터가 제공되고, 딥러닝 모델 계층(210)에서는 입력되는 데이터를 기반으로 현재 인쇄공정에 대한 조건에서 불량이 발생할 불량 확률값을 도출한다.
이후, 도출된 불량 확률값은 출력 계층(220)으로 제공된다(S760). 이에, 출력 계층(220)에서는 불량 확률값을 기반으로 판정을 진행한다. 이때, 판단모듈(221)은 사전에 설정된 규칙에 따라 불량 확률값과 컷 오프 값을 비교한다(S770). 그리고 출력모듈(222)은 불량 확률값이 주어진 컷 오프 값 이상이면 불량에 대한 신호를 외부장치(30)로 제공하고, 불량 확률값이 주어진 컷 오프 값 이하이면 정상에 대한 신호를 외부장치(30)로 제공한다(S780).
이에, 외부장치(30)에서는 출력 계층(220)으로부터 제공되는 신호를 기반으로 경보 및 알람을 출력하여 작업자에게 불량 발생을 통지할 수 있다(S790).
이에, 본 발명에 따른 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법은 인공지능 모델을 기반으로 불량 발생을 판단하는 것에 의해 샘플링 검사에 대한 한계점을 보완하여 불량제품의 납품을 방지하고 작업 효율을 향상시키는 효과가 있다.
또한, 본 발명에 따른 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법은 최적의 공정조건을 도출 및 적용하여 제품의 불량 발생률을 현저하게 저감하여 제품의 생산량을 증가시키는 효과가 있다.
앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.

Claims (13)

  1. 산업설비로부터 제공되는 데이터를 기반으로 상기 산업설비의 공정 불량을 감지하고 상기 산업설비를 운용하는 최적의 공정변수를 출력하는 처리유닛을 포함하며,
    상기 처리유닛은
    사전 훈련된 인공신경망 모델에 상기 데이터를 입력하여 공정 불량값을 출력하는 딥러닝 모델 계층과,
    상기 딥러닝 모델 계층으로부터 제공되는 상기 공정 불량값을 사전에 설정된 규칙에 따라 판정하여 상기 공정 불량을 판단하는 출력 계층과,
    상기 딥러닝 모델 계층에 연계되며 상기 인공신경망 모델을 기반으로 하여 상기 공정 불량에 영향을 미치는 상기 공정변수의 최적해를 도출하는 최적화 계층을 포함하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  2. 제1 항에 있어서,
    상기 인공신경망(Artificial Neural Network, ANN) 모델은
    심층 신경망(Deep Neural Network, DNN)을 포함하고,
    상기 심층 신경망은
    덴서(Dense), 액티베이션(Activation) 및 드롭아웃(Dropout) 구조를 포함하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  3. 제2 항에 있어서,
    상기 딥러닝 모델 계층은
    상기 심층 신경망 모델에 플랜튼(Flatten)을 연결하여 차원을 처리하며 상기 공정 불량값을 출력하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  4. 제1 항에 있어서,
    상기 최적화 계층에서는
    상기 인공신경망 모델을 기반으로 최적화 알고리즘을 적용하여, 상기 공정변수에 대한 최적의 변수값 및 상기 인공신경망에 대한 목적함수 값 중 적어도 어느 하나를 출력하고,
    상기 인공 신경망 모델은
    상기 목적함수 값을 기반으로 업데이트 가능하고,
    상기 산업설비의 공정조건은
    상기 변수값을 기반으로 업데이트 가능한 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  5. 제4 항에 있어서,
    상기 최적화 계층에서는
    입자 군집 최적화(Particle Swarm Optimization, PSO) 알고리즘을 기반으로 최적화를 수행하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  6. 제5 항에 있어서,
    상기 최적화 계층에서는
    상기 산업 설비의 공정 속도를 기준으로 상기 산업설비의 운용에 요구되는 변수의 최적해를 도출하여 상기 공정 불량이 저감되도록 하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  7. 제5 항에 있어서,
    상기 최적화 계층에서는
    상기 인공신경망 모델을 목적함수로 하며,
    제약조건(Constraint) 및 상하한(LB & UB)은
    각 항목의 Min-MAX 제약이 사용되는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  8. 제1 항에 있어서,
    상기 출력 계층은
    상기 공정 불량값과 사전에 설정된 컷 오프 값을 비교하여 상기 공정 불량을 판단하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  9. 제8 항에 있어서,
    상기 출력 계층은
    상기 공정 불량값이 상기 컷 오프 값 이상이면 불량에 대한 신호를 출력하고, 상기 공정 불량값이 상기 컷 오프 값 이하이면 정상에 대한 신호를 출력하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  10. 제9 항에 있어서,
    상기 출력 계층에서는
    상기 신호를 외부장치로 전달하여 상기 불량 발생이 관리자에게 인식되도록 하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  11. 제1 항에 있어서,
    상기 산업설비는
    캡 생산라인 중 인쇄설비를 포함하고,
    상기 인쇄설비로부터 제공되는 상기 데이터는
    공정 환경의 온도 및 습도, 상기 인쇄설비의 라인 속도(Caps/min), 공정가스의 유량 및 압력 및 에어의 유량 및 압력 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  12. 제11 항에 있어서,
    상기 인쇄설비에 장착되어 상기 인쇄설비로부터 상기 데이터를 취득하는 센서유닛을 더 포함하고,
    상기 센서유닛은
    공정 환경의 온도를 측정하는 온도센서와, 상기 공정 환경의 습도를 측정하는 습도센서와, 상기 인쇄설비의 라인 속도를 측정하는 속도센서와, 상기 인쇄설비로 인입되는 에어의 압력을 측정하는 제1 압력센서와, 상기 인쇄설비에서 증압되는 에어의 압력을 측정하는 제2 압력센서와, 상기 공정에 필요한 제1 에어의 압력을 측정하는 제3 압력센서와, 상기 공정에 필요한 제2 에어의 압력을 측정하는 제4 압력센서와, 상기 에어의 유량을 측정하는 에어 유량센서와, 상기 인쇄공정에 요구되는 공정가스의 유량을 측정하는 가스 유량센서를 포함하는 것을 특징으로 하는 인공신경망을 이용한 공정 최적화 시스템.
  13. 산업설비로부터 제공되는 데이터를 기반으로 상기 산업설비의 공정 불량을 감지하는 인공신경망 모델을 학습하는 단계;
    상기 인공신경망 모델에 연계하여 상기 인공신경망을 모델을 기반으로 하여 상기 공정 분량에 영향을 미치는 공정변수의 최적해를 도출하는 단계;
    상기 최적해를 기반으로 상기 산업설비의 공정 조건을 업데이트하는 단계;
    상기 산업설비로부터 제공되는 데이터를 상기 인공신경망 모델을 입력하여 공정 불량값을 출력하는 단계; 및
    상기 딥러닝 모델 계층으로부터 제공되는 상기 공정 불량값을 사전에 설정된 규칙에 따라 판정하여 상기 공정 불량을 판단하는 단계를 포함하는 인공신경망을 이용한 공정 최적화 방법.
KR1020210147136A 2021-10-29 2021-10-29 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법 KR20230062155A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210147136A KR20230062155A (ko) 2021-10-29 2021-10-29 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210147136A KR20230062155A (ko) 2021-10-29 2021-10-29 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230062155A true KR20230062155A (ko) 2023-05-09

Family

ID=86409138

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210147136A KR20230062155A (ko) 2021-10-29 2021-10-29 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230062155A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210067183A (ko) 2019-11-29 2021-06-08 한국생산기술연구원 딥러닝을 이용한 다이캐스팅 공정 관리 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210067183A (ko) 2019-11-29 2021-06-08 한국생산기술연구원 딥러닝을 이용한 다이캐스팅 공정 관리 시스템

Similar Documents

Publication Publication Date Title
US20210334656A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
KR102101974B1 (ko) 어노말리 디텍션
EP3223095A1 (en) Method and apparatus for optimizing diagnostics of rotating equipment
Zhang et al. Deep learning-driven data curation and model interpretation for smart manufacturing
US20230176562A1 (en) Providing an alarm relating to anomaly scores assigned to input data method and system
US11807253B2 (en) Method and system for detecting driving anomalies
Maniak et al. Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
Gupta et al. Predictive maintenance of baggage handling conveyors using IoT
Ma et al. Progress of process monitoring for the multi-mode process: A review
CA3189344A1 (en) Explaining machine learning output in industrial applications
KR20230062155A (ko) 인공신경망 모델을 이용한 공정 최적화 시스템 및 방법
Jang et al. Anomaly detection of 2.4 l diesel engine using one-class svm with variational autoencoder
Hou et al. Fault detection and diagnosis of air brake system: A systematic review
CN116933656A (zh) 一种基于深度学习的船舶动力系统故障诊断方法
CN112381110A (zh) 基于模糊规则的煤矿生产多维度数据异常概率预测方法
Samigulina et al. Biologically Inspired Unified Artificial Immune System for Industrial Equipment Diagnostic
CN112836570B (zh) 一种利用高斯噪声的设备异常检测方法
CN115917464A (zh) 监控工业设备的方法及装置
WO2022058177A1 (en) Device, computing platform and method of analyzing log files of an industrial plant
CN110263949B (zh) 融合机器机理与人工智能算法系统的数据处理方法及系统
US20240160811A1 (en) Industrial data extraction
US20240160193A1 (en) Industrial automation data staging and transformation
US20240160191A1 (en) Industrial automation relational data extraction, connection, and mapping
US20240160192A1 (en) Industrial data destination transformation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal