KR20230082549A - 다품종 소량생산 제조방식의 생산 라인 관리 시스템 - Google Patents
다품종 소량생산 제조방식의 생산 라인 관리 시스템 Download PDFInfo
- Publication number
- KR20230082549A KR20230082549A KR1020220097696A KR20220097696A KR20230082549A KR 20230082549 A KR20230082549 A KR 20230082549A KR 1020220097696 A KR1020220097696 A KR 1020220097696A KR 20220097696 A KR20220097696 A KR 20220097696A KR 20230082549 A KR20230082549 A KR 20230082549A
- Authority
- KR
- South Korea
- Prior art keywords
- production
- unique
- index
- production line
- day
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 456
- 238000004891 communication Methods 0.000 claims abstract description 62
- 230000001186 cumulative effect Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 32
- 238000012417 linear regression Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 42
- 238000000034 method Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000009958 sewing Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- -1 knit Polymers 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 생산 관리 시스템을 제공한다. 실시예들에 따르면, 생산 관리 시스템은, 발주 업체로부터 주문 제품의 주문 수량과, 주문 제품의 생산 난이도를 포함하는 주문 정보를 제공받고, 관계형 데이터베이스 관리 시스템(RDBMS)을 이용하여 상기 주문 정보를 저장하는 주문 정보 입력부; 생산 라인의 작업 처리량과 상기 생산 난이도를 제공받고, 상기 작업 처리량과 상기 생산 난이도를 기초로 고유 생산 지수를 출력하는 생산 라인 정보 입력부; 상기 생산 라인의 일별 생산량 데이터를 제공받아 생산 효율을 출력하는 생산량 분석부; 상기 생산 효율과, 상기 고유 생산 지수를 기초로 n일차 누적 생산량(n은 자연수)을 출력하는 생산 라인 분석부; 상기 n일차 누적 생산량이 상기 주문 수량과 같게 되거나 상기 주문 수량보다 작게 되는 n의 최댓값 N(N은 자연수)을 결정하고, N일차 누적 생산량과, N+1일차 누적 생산량을 기초로 상기 생산 라인의 적정 일일 목표 생산량을 출력하는 생산 스케줄링부; 및 상기 발주 업체로부터 상기 주문 정보를 수신하고, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함하는 통신 모듈;을 포함할 수 있다.
Description
본 발명의 실시예들은 다품종 소량생산 제조방식의 생산 라인 관리 시스템에 관한 것으로, 보다 구체적으로는 다품종 소량생산 방식으로 생산 라인을 가동하는 경우에 해당 생산 라인의 적정 일일 목표 생산량을 정확하게 산출하도록 생산 라인을 관리하는 시스템에 대한 것이다.
최근 의류 산업은 다른 사람들과는 다른 차별화된 제품에 대한 소비자의 수요가 증가하고 있는 추세를 반영하여, 소품종 대량생산의 제조방식에서 다품종 소량생산의 제조방식으로 변화하는 경향을 보인다.
그러나 일반적으로 수 개월 이상 동일 제품에 대한 생산 라인을 유지하는 방식인 소품종 대량생산 제조방식에 비해, 다품종 소량생산의 제조방식은 각 품종별로 생산 라인의 유지 기간이 수 일 이내로 매우 짧다. 이에 따라 생산 라인의 전체 유지 기간 대비 학습 기간, 즉 생산 효율과 생산된 제품의 품질이 낮은 기간이 상대적으로 높은 비율을 차지하기 때문에, 상대적으로 정확한 적정 일일 목표 생산량 예측이 매우 어렵다. 따라서 소량 주문 생산의 경우 생산 라인과 발주 업체 각각에 대해 정확한 적정 일일 목표 생산량을 예측하여 제공하는 방법이 다양하게 연구되고 있다.
위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
실시예들은, 인공지능을 이용하여 다품종 소량생산 제조방식의 생산 라인을 관리하는 생산 관리 시스템을 제공한다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 발명의 몇몇 실시예에 따른 생산 관리 시스템은, 발주 업체로부터 주문 제품의 주문 수량과, 주문 제품의 생산 난이도를 포함하는 주문 정보를 제공받고, 관계형 데이터베이스 관리 시스템(RDBMS)을 이용하여 상기 주문 정보를 저장하는 주문 정보 입력부; 생산 라인의 작업 처리량과 상기 생산 난이도를 제공받고, 상기 작업 처리량과 상기 생산 난이도를 기초로 고유 생산 지수를 출력하는 생산 라인 정보 입력부; 상기 생산 라인의 일별 생산량 데이터를 제공받아 생산 효율을 출력하는 생산량 분석부; 상기 생산 효율과, 상기 고유 생산 지수를 기초로 n일차 누적 생산량(n은 자연수)을 출력하는 생산 라인 분석부; 상기 n일차 누적 생산량이 상기 주문 수량과 같게 되거나 상기 주문 수량보다 작게 되는 n의 최댓값 N(N은 자연수)을 결정하고, N일차 누적 생산량과, N+1일차 누적 생산량을 기초로 상기 생산 라인의 적정 일일 목표 생산량을 출력하는 생산 스케줄링부; 및 상기 발주 업체로부터 상기 주문 정보를 수신하고, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함하는 통신 모듈;을 포함하되, 상기 고유 생산 지수는, 상기 작업 처리량에 비례하고, 상기 생산 난이도에 반비례하고,
[수학식 1]
상기 고유 생산 지수는 상기 [수학식 1]을 따르고, 상기 [수학식 1]에서, UPI는 고유 생산 지수, SMV는 표준 작업시간 지수, e는 생산 난이도, T_f는 작업 처리량을 의미하고, 상기 생산 스케줄링부는, N일차 누적 생산량을 기초로 제1 선형회귀 예측값을 출력하고, N+1일차 누적 생산량을 기초로 제2 선형회귀 예측값을 출력하는 선형회귀 분석부; 제1 및 제2 선형회귀 예측값을 기초로 상기 생산 라인의 적정 일일 목표 생산량을 출력하는 생산량 산출부;를 포함하고,
[수학식 3]
상기 생산량 산출부는, 상기 [수학식 3]을 이용하여 적정 일일 목표 생산량을 출력하고, 상기 [수학식 3]에서, OQ는 주문 수량, IPS는 적정 일일 목표 생산량, UPI는 고유 생산 지수, b_k는 제k 생산 경과일의 생산 효율, k는 생산 효율을 식별하는 자연수를 의미하고, 상기 생산 라인 정보 입력부는, 고유 생산 지수 추정 모델을 이용하여 상기 고유 생산 지수(UPI)를 출력하고, 상기 고유 생산 지수 추정 모델은, 지도형 학습 알고리즘을 통해 고유 생산 지수를 정확하게 출력할 수 있도록 학습되며, 생산 난이도(e)와 작업 처리량(T_f)의 변화에 따른 상기 고유 생산 지수의 보정된 값을 출력할 수 있다.
일 실시예에서, 상기 생산량 분석부는, 상기 작업 처리량을 더 제공받고,
상기 일별 생산량 데이터와, 상기 작업 처리량을 기초로 상기 생산 효율을 출력할 수 있다.
일 실시예에서, 상기 고유 생산 지수 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 상기 고유 생산 지수 및 정답 고유 생산 지수로 구성된 복수의 학습 데이터는 상기 고유 생산 지수 추정 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 고유 생산 지수 추정 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
[수학식 2]
상기 손실 함수는 상기 [수학식 2]를 따르고, 상기 [수학식 2]에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 상기 손실값을 의미할 수 있다.
실시예들에 따르면, 본 발명의 실시예에 따른 생산 관리 시스템은 인공지능을 이용하여 생산 라인의 적정 일일 목표 생산량을 정확하게 예측할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 생산 관리 시스템이 포함된 거래 환경을 개략적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 생산 관리 시스템의 구조를 예시적으로 도시한 블록도이다.
도 5는 생산 스케줄링부의 구조를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 생산 라인의 적정 일일 목표 생산량을 산출하는 방법을 설명하기 위한 흐름도이다.
도 7은 주문 제품의 주문 수량이 15000인 경우, 생산 라인의 생산 경과일에 따른 일 생산량의 변화를 예시적으로 도시하는 도면이다.
도 8은 도 7의 생산 경과일과 생산 효율을 각각 축으로 하여 나타낸 생산 라인(500)의 생산량 그래프이다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 생산 관리 시스템이 포함된 거래 환경을 개략적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 생산 관리 시스템의 구조를 예시적으로 도시한 블록도이다.
도 5는 생산 스케줄링부의 구조를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 생산 라인의 적정 일일 목표 생산량을 산출하는 방법을 설명하기 위한 흐름도이다.
도 7은 주문 제품의 주문 수량이 15000인 경우, 생산 라인의 생산 경과일에 따른 일 생산량의 변화를 예시적으로 도시하는 도면이다.
도 8은 도 7의 생산 경과일과 생산 효율을 각각 축으로 하여 나타낸 생산 라인(500)의 생산량 그래프이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"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. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
도 3은 본 발명의 일 실시예에 따른 생산 관리 시스템이 포함된 거래 환경을 개략적으로 도시한 도면이다.
도 3을 참조하면, 생산 관리 시스템(300)은 발주 업체(400)로부터 주문 정보를 제공받을 수 있다. 또한, 생산 관리 시스템(300)은 생산 라인(500)으로부터 작업 처리량과 일별 생산량 데이터를 제공받을 수 있다. 생산 관리 시스템(300)은 발주 업체(400)로부터 제공받은 주문 정보와, 생산 라인(500)으로부터 제공받은 작업 처리량, 일별 생산량 데이터를 기초로 생산 라인(500)에 적정 일일 목표 생산량을 출력하고, 발주 업체(400)에 적정 제품 가격을 제공할 수 있다.
생산 라인(500)은 주문 제품을 생산하는 공장 전체를 지칭하는 것일 수도 있고, 공장의 특정 생산 라인만을 지칭하는 것일 수도 있다.
비록 도 3에는 생산 관리 시스템(300)이 발주 업체(400) 및 생산 라인(500)과 분리된 것으로 도시하였으나, 이는 예시적인 것으로 본 발명의 실시예는 이에 제한되지 않는다. 예를 들면, 생산 관리 시스템(300)은 발주 업체(400) 및/또는 생산 라인(500)에 포함되어 각각의 기능이 구현될 수도 있다.
또는, 생산 관리 시스템(300)은 물리적인 서버를 통해 구현되는 것일 수도 있다. 즉, 생산 관리 시스템(300)이 통신 장치를 포함하는 서버로 구현되어, 발주 업체(400) 및 생산 라인(500)으로부터 데이터를 수신하고, 또한 발주 업체(400) 및 생산 라인(500)에 데이터를 송신할 수도 있다. 생산 관리 시스템(300)은 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.
생산 관리 시스템(300)이 물리적인 서버를 통해 구현되는 것인 경우, 생산 관리 시스템(300)은 무선 또는 유선으로 연결된 네트워크를 통해 데이터를 송신하거나 수신할 수 있다. 네트워크는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.
무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
생산 관리 시스템(300)이 무선 통신 방식으로 데이터를 송/수신하는 경우, 생산 관리 시스템(300)은 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
생산 관리 시스템(300)은 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 생산 관리 시스템(300)은 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 따라서 생산 관리 시스템(300)은 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.
도 4는 본 발명의 일 실시예에 따른 생산 관리 시스템(300)의 구조를 예시적으로 도시한 블록도이다. 도 5는 생산 스케줄링부(350)의 구조를 설명하기 위한 블록도이다.
도 4를 참조하면, 생산 관리 시스템(300)은 주문 정보 입력부(310), 생산 라인 정보 입력부(320), 생산량 분석부(330), 생산 라인 분석부(340), 생산 스케줄링부(350)를 포함할 수 있다.
생산 관리 시스템(300)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 생산 관리 시스템(300)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
주문 정보 입력부(310)는 발주 업체(400)로부터 주문 정보(OI)를 제공받고, 주문 정보(OI)를 저장할 수 있다. 주문 정보(OI)는 주문 제품의 주문 수량(OQ), 주문 제품의 생산 난이도(e)를 포함할 수 있다.
생산 라인 정보 입력부(320)는 생산 라인(500)으로부터 생산 라인(500)에 관한 정보를 제공받고, 생산 라인(500)에 관한 정보를 저장할 수 있다. 생산 라인(500)에 관한 정보는 작업 처리량(T_f), 생산 라인(500)의 일별 생산량 데이터를 포함할 수 있다. 생산 라인 정보 입력부(320)는 주문 정보 입력부(310)로부터 주문 제품의 생산 난이도(e)를 제공받을 수 있다. 생산 라인 정보 입력부(320)는 주문 제품의 생산 난이도(e)와 생산 라인(500)의 작업 처리량(T_f)을 기초로 고유 생산 지수(UPI)를 산출하여 생산 라인 분석부(340)에 출력할 수 있다.
생산 라인 정보 입력부(320)는 인공지능 기계학습 모델을 포함할 수 있다. 생산 관리 시스템(300)이 하드웨어로 구현되는 경우, 생산 라인 정보 입력부(320)는 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.
기계 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
생산량 분석부(330)는 생산 라인(500)으로부터 생산 라인(500)에 관한 정보를 제공받고, 생산 라인(500)에 관한 정보를 저장할 수 있다. 생산량 분석부(330)는 생산 라인(500)에 관한 정보 중 일별 생산량 데이터를 제공받을 수 있다. 생산량 분석부(330)는 또한 생산 라인 정보 입력부(320)로부터 작업 처리량(T_f)을 제공받을 수 있다.
일 실시예에서, 생산량 분석부(330)는 생산 라인(500)의 일별 생산량 데이터를 기초로 생산 효율(b_n)을 산출하여 생산 라인 분석부(340)에 출력할 수 있다. 일 실시예에서, 생산량 분석부(330)는 생산 라인(500)의 일별 생산량 데이터와 작업 처리량(T_f)을 기초로 생산 효율(b_n)을 산출하여 생산 라인 분석부(340)에 출력할 수도 있다.
생산 라인 분석부(340)는 고유 생산 지수(UPI)와 생산 효율(b_n)을 제공받고, 고유 생산 지수(UPI)와 생산 효율(b_n)을 기초로 n일차 누적 생산량(CP_n)을 출력할 수 있다.
생산 스케줄링부(350)는 주문 수량(OQ)과 n일차 누적 생산량(CP_n)을 제공받고, 주문 수량(OQ)과 n일차 누적 생산량(CP_n)을 기초로 적정 일일 목표 생산량을 출력할 수 있다.
도 5를 추가로 참조하면, 생산 스케줄링부(350)는 선형회귀 예측부(351), 생산량 산출부(352)를 포함할 수 있다.
선형회귀 예측부(351)는 생산 라인 분석부(340)로부터 n일차 누적 생산량(CP_n)을 제공받을 수 있다. 선형회귀 예측부(351)는 n일차 누적 생산량(CP_n)을 기초로 선형회귀 예측값을 출력할 수 있다.
생산량 산출부(352)는 선형회귀 예측부(351)로부터 선형회귀 예측값을 제공받을 수 있다. 또한, 생산량 산출부(352)는 주문 정보 입력부(310)로부터 주문 수량(OQ)을 제공받을 수 있다. 생산량 산출부(352)는 주문 수량(OQ)과 선형회귀 예측값을 기초로 생산 라인(500)의 적정 일일 목표 생산량(IPS)을 출력할 수 있다.
도 4 및 도 5에 도시된 생산 관리 시스템(300)의 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 구성을 생략하거나, 도 4 및 도 5에 도시되지 않은 다른 구성을 추가할 수 있을 것이다. 즉, 도 4 및 도 5에 도시된 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.
도 6은 본 발명의 일 실시예에 따른 생산 라인(500)의 적정 일일 목표 생산량을 산출하는 방법을 설명하기 위한 흐름도이다. 도 7은 주문 제품의 주문 수량이 15000인 경우, 생산 라인(500)의 생산 경과일에 따른 일 생산량의 변화를 예시적으로 도시하는 도면이다. 도 8은 도 7의 생산 경과일과 생산 효율을 각각 축으로 하여 나타낸 생산 라인(500)의 생산량 그래프이다.
이하에서는 생산 라인(500)의 적정 일일 목표 생산량(IPS)을 출력하는 방법을 상세히 설명한다. 설명에 앞서, 도 7 및 도 8을 참조하여 주문 제품 생산 관련 용어를 정의한다.
표준 작업시간 지수는 생산 라인(500)에서 표준 작업자가 미리 설정된 조건 하에 제품 1개의 생산을 완료하는 데 소요되는 총 시간을 의미할 수 있다. 본 명세서에서, 표준 작업시간 지수는 SMV(Standard Minute Value)라고 지칭될 수도 있다.
생산 난이도(e)는 생산 라인(500)에서 주문 제품을 생산하는 난이도를 나타내는 물리량일 수 있다. 일자 형태의 의류 생산 라인은 의류의 샘플을 확인하여 봉제 공정이 몇 개로 분리되는지를 분석한 후 봉제 공정의 수에 의해 설계될 수 있다. 이 경우, 주문 제품의 생산 난이도(e)는 하나의 의류 생산 라인에 필요한 봉제 공정 수에 비례할 수 있다. 일 실시예에서, 생산 난이도(e)는 0보다 크고 1보다 작을 수 있다. 생산 난이도(e)는 원단의 재료(예를 들면, 면, 니트, 나일론 등), 의류의 스타일(티셔츠, 바지, 스커트 등)에 따라 상이할 수 있다. 즉, 생산 난이도(e)는 주문 제품에 따라 측정되는 고유한 값일 수 있다.
일반적으로 일자 형태의 의류 생산 라인은 한 가지 종류의 주문 제품 생산이 종료된 후 다른 종류의 주문 제품을 생산하기 위해 그 새로운 주문 제품에 맞추어 의류 생산 라인을 다시 설계해야 한다. 의류 생산 라인을 새롭게 설계하면, 새로운 의류 생산 레이아웃에 투입된 표준 작업자가 새로운 공정 작업에 완전히 적응하기까지 일정 기간이 소요될 수 있다. 본 명세서에서는, 이러한 의류 생산 레이아웃 설계가 변경되어 표준 작업자가 새로 적응하는 기간은 '학습 기간'이라고 지칭될 수 있다. 또한, 새로운 의류 생산 라인에 적응하여 표준 작업자의 숙련도가 충분히 상승하여 생산 효율이 100%를 초과하는 기간은 '생산 기간'이라고 지칭될 수 있다.
본 명세서에서 생산 효율이 100%인 경우의 일 생산량은 '표준 일 생산량'이라고 지칭될 수 있다.
도 8은 특정 주문 제품에 대한 생산 라인(500)의 생산 경과일에 따른 생산 효율의 변화를 예시적인 데이터를 도시한다. 설명의 편의를 위해, 도 8에 도시된 생산 라인(500)은 표준 일 생산량이 1000개인 것으로 가정한다.
도 7 및 도 8을 참조하면, 새롭게 설계된 의류 생산 라인의 첫 생산일, 즉 제1 생산 경과일(D1)의 생산 라인(500)의 생산 효율은 40%일 수 있다. 표준 작업자들의 숙련도가 증가함에 따라, 둘째 생산일에는 생산 효율이 증가하여 제2 생산 경과일(D2)의 생산 라인(500)의 생산 효율은 60%일 수 있다. 제6 생산 경과일(D7)의 생산 효율은 105%일 수 있다. 즉, 도 7 및 도 8에 도시된 데이터에 따르면, 제1 생산 경과일(D1) 부터 제5 생산 경과일(D5)까지는 학습 기간, 제6 생산 경과일(D6) 부터 제15 생산 경과일(D15) 까지는 생산 기간일 수 있다. 생산 경과일이 증가함에 따라, 생산 효율의 변화량은 작아질 수 있다. 즉, 생산 효율은 특정 임계값에 수렴할 수 있다. 도 7 및 도 8에 도시된 바와 같이, 생산 라인(500)의 생산 효율이 증가하게 되는 경우, 제15 생산 경과일(D15)까지의 주문 제품 누적 생산량은 15000개일 수 있다.
도 7 및 도 8을 참조하면, 생산 라인(500)의 표준 일 생산량이 1000개인 경우, 제15 생산 경과일(D15)에 누적 생산량(CP_15)이 15000을 달성함으로써 일 평균 생산량이 표준 일 생산량과 같게 된다. 본 명세서에서, 일 평균 생산량이 표준 일 생산량과 같게 되는 지점은 손익분기점(break-even point, BEP)이라고 지칭될 수 있다.
일반적으로, 생산 라인(500)이 손익분기점에 도달하는 기간은 생산 기간이 학습 기간의 2배가 되는 지점일 수 있다. 즉, 도 7 및 도 8에 도시된 바와 같이, 주문 제품에 대한 생산 라인(500)의 학습 기간이 5일인 경우, 생산 효율이 100%를 초과하는 생산 기간이 10일 이상이어야 생산 라인(500)이 손익분기점에 도달할 수 있다. 다시 말해, 생산 라인(500)의 생산 기간이 학습 기간의 2배보다 작은 경우, 생산 라인(500)은 손익분기점에 도달할 수 없다. 이 경우 생산 라인(500)은 발주 업체(400)의 주문을 '소량 생산 주문'으로 간주할 수 있을 것이다.
도 7 및 도 8에 도시된 생산 효율의 변화는 예시적인 것으로, 본 발명의 실시예는 이에 제한되지 않는다. 즉, 생산 경과일에 따른 생산 효율의 변화량 또는 생산 효율의 임계값은 다양하게 변화될 수 있다. 예를 들면, 도 7에서는 제15 생산 경과일(D15)까지의 데이터만을 도시하였으나, 생산 라인(500)의 생산 경과일은 이에 제한되지 않고 더 늘어나거나 축소될 수 있다.
이하에서는, 도 7 및 도 8의 생산 경과일의 증가에 따른 생산 효율 변화를 보이는 생산 라인(500)에, 발주 업체(400)의 주문 제품 주문 수량(OQ)이 10000인 것으로 가정하여 설명한다. 전술한 바와 같이, 주문 수량이 15000보다 낮은 10000인 경우, 생산 라인(500)은 표준 작업자들의 생산 효율이 충분히 상승하기 전에 주문 제품의 생산을 완료할 수 있다. 따라서, 이러한 소량 생산 주문의 경우 생산 완료 시점의 일 평균 생산량을 나타내는 선형회귀 예측값을 각각 측정함으로써, 생산 라인(500)의 적정 일일 목표 생산량(IPS)을 산출하는 방법을 설명한다.
먼저 도 6을 참조하면, S610에서, 주문 정보 입력부(310)는 주문 제품의 주문 수량(OQ)과, 주문 제품의 생산 난이도(e)를 포함하는 주문 정보(OI)를 제공받을 수 있다. 전술한 바와 같이, 주문 제품의 생산 난이도(e)는 주문 제품에 따라 상이할 수 있다. 이하에서는, 설명의 편의를 위해 생산 난이도(e)는 1인 경우를 가정하여 설명한다.
S620에서, 생산량 분석부(330)는 생산 라인(500)의 일별 생산량 데이터를 제공받아 생산 효율(b_n)을 출력할 수 있다. 일별 생산량 데이터는 생산 라인(500)의 생산 경과일에 따른 일 생산량 값을 포함할 수 있다. 일 실시예에서, 생산량 분석부(330)는 작업 처리량(T_f)을 더 제공받고, 생산 라인(500)의 일별 생산량 데이터와 작업 처리량(T_f)을 기초로 생산 효율(b_n)을 출력할 수도 있다.
생산 경과일(Dn)에 따른 일 생산량 값은 (표준 일 생산량)*(생산 효율(bn))의 값을 의미할 수 있다.
생산 효율(b_n)은 생산 라인(500)에 따라 생산 경과일에 따른 상승량, 상승 임계치 등이 상이할 수 있다. 또한, 생산 효율(b_n)은 주문 제품의 종류에 따라 상이할 수도 있다. 그러나, 전술한 바와 같이, 생산 효율(b_n)이 도 7의 표와 같은 값을 가지는 것을 가정하여 설명한다.
S630에서, 생산 라인 정보 입력부(320)는 생산 라인(500)의 작업 처리량(T_f)과 주문 제품의 생산 난이도(e)를 제공받고, 작업 처리량(T_f)과 생산 난이도(e)를 기초로 고유 생산 지수(UPI)를 출력할 수 있다.
작업 처리량(T_f)은 생산 라인(500)의 가동 시간과 생산 라인(500)의 표준 작업자 수에 비례할 수 있다. 예를 들면, 생산 라인(500)의 가동 시간이 8시간이고, 생산 라인(500)의 표준 작업자 수가 30명 인 경우, 작업 처리량(T_f)은 8*30 = 240으로 계산될 수 있다.
고유 생산 지수(UPI)는 작업 처리량(T_f)에 비례할 수 있다. 다시 말해, 생산 라인(500)의 작업 처리량(T_f)이 증가하면, 고유 생산 지수(UPI)가 증가할 수 있다. 즉, 생산 라인(500)의 가동 시간이 증가하거나, 및/또는 생산 라인(500)의 표준 작업자 수가 증가하면 고유 생산 지수(UPI)가 증가할 수 있다. 고유 생산 지수(UPI)는 또한 생산 난이도(e)에 반비례할 수 있다. 즉, 주문 제품의 생산 난이도가 높은 경우, 주문 제품의 생산 난이도가 낮은 경우에 비해 상대적으로 고유 생산 지수(UPI)는 낮을 수 있다.
고유 생산 지수(UPI)는 <수학식 1>을 따를 수 있다. <수학식 1>에서, UPI는 고유 생산 지수, SMV는 표준 작업시간 지수, e는 생산 난이도, T_f는 작업 처리량을 의미할 수 있다. <수학식 1>에서 작업 처리량(T_f)에 3600을 곱하는 것은, 시간(hour) 단위의 물리량이 포함된 작업 처리량(T_f)을 초(second) 단위의 물리량을 포함하는 고유 생산 지수(UPI)로 변경하기 위함이다.
일 실시예에서, 생산 라인 정보 입력부(320)는 고유 생산 지수 추정 모델을 포함할 수 있다. 고유 생산 지수 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 고유 생산 지수 및 정답 고유 생산 지수로 구성된 복수의 학습 데이터는 고유 생산 지수 추정 모델의 입력 레이어에 입력되어, 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력할 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 객체 추출 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.
손실 함수는 <수학식 2>를 따를 수 있다.
<수학식 2>에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다. 생산 정보 입력부(320)는 고유 생산 지수 추정 모델을 이용하여, 생산 난이도(e)와 작업 처리량(T_f)의 변화에 따른 고유 생산 지수(UPI)의 보정된 값을 출력할 수 있다.
S640에서, 생산 라인 분석부(340)는 생산 효율(b_n)과, 고유 생산 지수(UPI)를 기초로 n일차 누적 생산량(CP_n)을 출력할 수 있다.
n일차 누적 생산량(CP_n)은 제1 생산 경과일(D1)의 일 생산량, 제2 생산 경과일(D2)의 일 생산량, ?? , 제n 생산 경과일(Dn)의 일 생산량의 총합을 의미할 수 있다. 예를 들면, 도 7에 도시된 바와 같이, 제1 생산 경과일(D1)의 일 생산량은 (표준 일 생산량)*(제1 생산 효율(b_1)) = 1000*0.4 = 400 이다. 제2 생산 경과일(D2)의 일 생산량은 (표준 일 생산량)*(제2 생산 효율(b_2)) = 1000*0.65 = 650 이다. 따라서 2일차 누적 생산량(CP_2)은 400+650 = 1050 이다.
S650에서, 생산 스케줄링부(350)는 n일차 누적 생산량(CP_n)이 주문 수량(OQ)과 같게 되거나 주문 수량(OQ)보다 작게 되는 n의 최댓값 N을 결정할 수 있다.
예를 들어, 도 7을 참조하면, 주문 수량(OQ)이 10000이고, 10일차 누적 생산량(CP_10)은 9310, 11일차 누적 생산량(CP_11)은 10440 이므로, n일차 누적 생산량(CP_n)이 주문 수량(OQ)과 같게 되거나 주문 수량(OQ)보다 작게 되는 n의 최댓값 N은 10이다.
S660에서, 생산 스케줄링부(350)는 N일차 누적 생산량(CP_n)과, N+1일차 누적 생산량(CP_n)을 기초로 생산 라인의 적정 일일 목표 생산량(IPS)을 출력할 수 있다.
선형회귀 예측부(351)는 N일차 누적 생산량(CP_n)을 기초로 제1 선형회귀 예측값을 출력할 수 있다. 선형회귀 예측값은 n일차 누적 생산량(CP_n)을 n으로 나눈 값을 의미할 수 있다. 도 7에서, N=10 이므로, 제1 선형회귀 예측값은 931이다. 또한, 선형회귀 예측부(351)는 N+1일차 누적 생산량(CP_n)을 기초로 제2 선형회귀 예측값을 출력할 수 있다. 도 7에서, N+1=11 이므로, 제2 선형회귀 예측값은 949이다.
생산량 산출부(352)는 제1 선형회귀 예측값 및 제2 선형회귀 예측값을 기초로 생산 라인(500)의 적정 일일 목표 생산량(IPS)을 출력할 수 있다. 적정 일일 목표 생산량(IPS)은 제1 선형회귀 예측값보다 크고, 제2 선형회귀 예측값보다 작을 수 있다. 구체적으로, 적정 일일 목표 생산량(IPS)은 제1 선형회귀 예측값 및 제2 선형회귀 예측값을 기초로 레버 룰(lever rule)에 의해 계산될 수 있다.
적정 일일 목표 생산량(IPS)은 <수학식 3>을 따를 수 있다. <수학식 3>에서, OQ는 주문 수량, IPS는 적정 일일 목표 생산량, UPI는 고유 생산 지수, b_k는 제k 생산 경과일의 생산 효율, k는 생산 효율을 식별하는 자연수를 의미할 수 있다.
생산 스케줄링부(350)는 적정 일일 목표 생산량(IPS)을 발주 업체(400) 및 생산 라인(500)에 제공할 수 있다.
전술한 바와 같이, 발주 업체가 생산 라인에 소량 생산 주문을 의뢰하는 경우, 소량 생산 주문에 대한 적정 일일 목표 생산량을 산출하는 것은 매우 어려울 수 있다. 그러나 본 발명의 실시예에 따른 생산량 산출 방법은 생산 라인의 기존 생산 데이터를 기초로 소량 생산 주문에 대한 정확한 일일 목표 생산량을 산출하는 방법을 제공할 수 있다. 이에 따라, 발주 업체는 소량 생산 주문에 따른 제품 당 가격을 적절하게 설정할 수 있고, 생산 라인은 생산 환경을 소량 생산에 맞게 최적의 조건으로 설정할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (3)
- 발주 업체로부터 주문 제품의 주문 수량과, 주문 제품의 생산 난이도를 포함하는 주문 정보를 제공받고, 관계형 데이터베이스 관리 시스템(RDBMS)을 이용하여 상기 주문 정보를 저장하는 주문 정보 입력부;
생산 라인의 작업 처리량과 상기 생산 난이도를 제공받고, 상기 작업 처리량과 상기 생산 난이도를 기초로 고유 생산 지수를 출력하는 생산 라인 정보 입력부;
상기 생산 라인의 일별 생산량 데이터를 제공받아 생산 효율을 출력하는 생산량 분석부;
상기 생산 효율과, 상기 고유 생산 지수를 기초로 n일차 누적 생산량(n은 자연수)을 출력하는 생산 라인 분석부;
상기 n일차 누적 생산량이 상기 주문 수량과 같게 되거나 상기 주문 수량보다 작게 되는 n의 최댓값 N(N은 자연수)을 결정하고, N일차 누적 생산량과, N+1일차 누적 생산량을 기초로 상기 생산 라인의 적정 일일 목표 생산량을 출력하는 생산 스케줄링부; 및
상기 발주 업체로부터 상기 주문 정보를 수신하고, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함하는 통신 모듈;을 포함하되,
상기 고유 생산 지수는, 상기 작업 처리량에 비례하고, 상기 생산 난이도에 반비례하고,
[수학식 1]
상기 고유 생산 지수는 상기 [수학식 1]을 따르고,
상기 [수학식 1]에서, UPI는 고유 생산 지수, SMV는 표준 작업시간 지수, e는 생산 난이도, T_f는 작업 처리량을 의미하고,
상기 생산 스케줄링부는,
N일차 누적 생산량을 기초로 제1 선형회귀 예측값을 출력하고, N+1일차 누적 생산량을 기초로 제2 선형회귀 예측값을 출력하는 선형회귀 분석부;
제1 및 제2 선형회귀 예측값을 기초로 상기 생산 라인의 적정 일일 목표 생산량을 출력하는 생산량 산출부;를 포함하고,
[수학식 3]
상기 생산량 산출부는, 상기 [수학식 3]을 이용하여 적정 일일 목표 생산량을 출력하고,
상기 [수학식 3]에서, OQ는 주문 수량, IPS는 적정 일일 목표 생산량, UPI는 고유 생산 지수, b_k는 제k 생산 경과일의 생산 효율, k는 생산 효율을 식별하는 자연수를 의미하고,
상기 생산 라인 정보 입력부는, 고유 생산 지수 추정 모델을 이용하여 상기 고유 생산 지수(UPI)를 출력하고,
상기 고유 생산 지수 추정 모델은, 지도형 학습 알고리즘을 통해 고유 생산 지수를 정확하게 출력할 수 있도록 학습되며, 생산 난이도(e)와 작업 처리량(T_f)의 변화에 따른 상기 고유 생산 지수의 보정된 값을 출력하고,
생산 관리 시스템. - 제1항에 있어서,
상기 생산량 분석부는, 상기 작업 처리량을 더 제공받고,
상기 일별 생산량 데이터와, 상기 작업 처리량을 기초로 상기 생산 효율을 출력하는,
생산 관리 시스템. - 제1항에 있어서,
상기 고유 생산 지수 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
상기 고유 생산 지수 및 정답 고유 생산 지수로 구성된 복수의 학습 데이터는 상기 고유 생산 지수 추정 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고,
상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고,
상기 고유 생산 지수 추정 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
[수학식 2]
상기 손실 함수는 상기 [수학식 2]를 따르고,
상기 [수학식 2]에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 상기 손실값을 의미하는,
생산 관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220097696A KR20230082549A (ko) | 2021-12-01 | 2022-08-05 | 다품종 소량생산 제조방식의 생산 라인 관리 시스템 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210169962A KR102431107B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
| KR1020220097696A KR20230082549A (ko) | 2021-12-01 | 2022-08-05 | 다품종 소량생산 제조방식의 생산 라인 관리 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210169962A Division KR102431107B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230082549A true KR20230082549A (ko) | 2023-06-08 |
Family
ID=82803401
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210169962A KR102431107B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
| KR1020220097696A KR20230082549A (ko) | 2021-12-01 | 2022-08-05 | 다품종 소량생산 제조방식의 생산 라인 관리 시스템 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210169962A KR102431107B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102431107B1 (ko) |
| WO (1) | WO2023101402A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102431107B1 (ko) * | 2021-12-01 | 2022-08-11 | 주식회사 시제 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
| KR102579810B1 (ko) * | 2023-03-03 | 2023-09-18 | 안향화 | 인공지능 기반 가정용 건강 보조 기기 유통 플랫폼 시스템 |
| CN117273283B (zh) * | 2023-11-20 | 2024-03-12 | 济南科德智能科技有限公司 | 一种工业生产mes分析数据智能管理方法及存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0619923A (ja) * | 1992-06-30 | 1994-01-28 | Hokkai Can Co Ltd | 生産管理システム |
| JP2002091543A (ja) * | 2000-09-19 | 2002-03-29 | Asahi Breweries Ltd | 生産計画作成方法、情報処理装置及び生産管理システム |
| JP2002169993A (ja) * | 2000-11-30 | 2002-06-14 | Toto Ltd | 特注商品の受注システム |
| JP4774970B2 (ja) * | 2005-12-12 | 2011-09-21 | 富士通株式会社 | 品質管理方法、品質管理プログラム及び品質管理システム |
| KR101951332B1 (ko) * | 2016-12-06 | 2019-02-22 | 주식회사 에스.제이테크 | 제조공정 관리 향상 시스템 |
| KR20180065182A (ko) * | 2016-12-07 | 2018-06-18 | (주)핸즈온테크놀러지 | 블록 조립체를 이용한 스마트 공장 시스템 및 그 운영방법 |
| KR102517228B1 (ko) * | 2018-03-14 | 2023-04-04 | 삼성전자주식회사 | 사용자의 입력에 대한 외부 전자 장치의 응답 시간에 기반하여 지정된 기능을 제어하는 전자 장치 및 그의 방법 |
| KR20200103509A (ko) * | 2019-02-25 | 2020-09-02 | 서웅진 | 소비자에게 개별화된 선주문이 가능한 농산물 선주문 생산 플랫폼 시스템 |
| KR20200130921A (ko) * | 2019-05-13 | 2020-11-23 | 한국전자통신연구원 | 분산 협업 자원 할당 방법 및 장치 |
| KR102312642B1 (ko) * | 2019-11-19 | 2021-10-15 | 지식시스템 (주) | 기계학습 기반 공정 스케줄링 장치 및 방법 |
| KR102431107B1 (ko) * | 2021-12-01 | 2022-08-11 | 주식회사 시제 | 인공지능을 이용한 생산 라인의 생산량 산출 방법 |
-
2021
- 2021-12-01 KR KR1020210169962A patent/KR102431107B1/ko active IP Right Grant
-
2022
- 2022-08-05 KR KR1020220097696A patent/KR20230082549A/ko unknown
- 2022-11-30 WO PCT/KR2022/019178 patent/WO2023101402A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR102431107B1 (ko) | 2022-08-11 |
| WO2023101402A1 (ko) | 2023-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102431107B1 (ko) | 인공지능을 이용한 생산 라인의 생산량 산출 방법 | |
| KR102434342B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치 | |
| KR102360727B1 (ko) | 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 | |
| KR102408462B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102476292B1 (ko) | 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템 | |
| KR102433654B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102407241B1 (ko) | 렌탈 마켓 시스템 | |
| KR20230090979A (ko) | 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치 | |
| KR102534638B1 (ko) | 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템 | |
| KR102464057B1 (ko) | 인공지능을 이용한 신용점수 기반의 렌탈 서비스 제공 장치 및 방법 | |
| KR102493490B1 (ko) | 인공 지능을 이용한 데이터 크롤링 시스템 | |
| KR102564511B1 (ko) | 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법 | |
| KR102579810B1 (ko) | 인공지능 기반 가정용 건강 보조 기기 유통 플랫폼 시스템 | |
| KR102439323B1 (ko) | 플랜트 상태 관리 시스템 | |
| KR102610945B1 (ko) | B2b 서비스 통합 관리 방법 | |
| KR102575856B1 (ko) | 입력 수단의 호환 방법 및 장치 | |
| KR102551357B1 (ko) | 인공지능 기반의 육아 용품 플랫폼 시스템 | |
| KR102497016B1 (ko) | 농산물 추천 방법 및 장치 | |
| KR102478964B1 (ko) | 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 | |
| KR102420617B1 (ko) | 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102456402B1 (ko) | 뉴럴 네트워크를 이용한 디자인 공동 작업 보조 방법 및 장치 | |
| KR102590839B1 (ko) | 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템 | |
| KR102528407B1 (ko) | 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치 | |
| KR102607631B1 (ko) | 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템 |