KR20230115970A - 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 - Google Patents
빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 Download PDFInfo
- Publication number
- KR20230115970A KR20230115970A KR1020230098210A KR20230098210A KR20230115970A KR 20230115970 A KR20230115970 A KR 20230115970A KR 1020230098210 A KR1020230098210 A KR 1020230098210A KR 20230098210 A KR20230098210 A KR 20230098210A KR 20230115970 A KR20230115970 A KR 20230115970A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- production
- analysis
- information
- manufacturing
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 79
- 230000007547 defect Effects 0.000 claims abstract description 41
- 238000013480 data collection Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000010223 real-time analysis Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims abstract description 5
- 238000007670 refining Methods 0.000 claims abstract description 5
- 238000012731 temporal analysis Methods 0.000 claims abstract description 4
- 238000000700 time series analysis Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 description 70
- 230000006870 function Effects 0.000 description 29
- 239000000047 product Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 23
- 239000000463 material Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 238000011017 operating method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013531 bayesian neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/0637—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
- 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
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템은 제조/생산설비, 상기 제조/생산설비와 연동되는 기타설비와 관련된 정형/비정형의 정보를 다수의 PLC(Programmable Logic Controller) 및 외부 서버에서 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 정보를 기초로 제조/생산설비들 간의 연동상태, 각 제조/생산설비의 가동상태를 분석하고, 상기 연동상태 및 가동상태를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 중 적어도 하나 이상을 분석 및 예측하는 AI 데이터 분석 및 예측부; 및 상기 AI 데이터 분석 및 예측부에서 분석 및 예측된 수요/공급/생산, 생산율, 품질관계, 불량률, 불량수, 에너지 사용 최적률, 고장예측/진단값을 시각화하여 제공하는 시각화부를 포함하고, 상기 AI 데이터 분석 및 예측부는 상기 데이터 수집부에서 수집 또는 항목별로 시계열적으로 분류된 생산, 공정, 재고, 현황, 모니터링, 기준항목, 영업, 구매에 대한 정보를 딥러닝 학습 알고리즘 및 시계열 분석 이론을 적용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 및 에너지 사용 최적도를 실시간 분석, 배치(batch)분석 및 예측하고, 수집 데이터 중 전처리 대상 수집 데이터를 로드하고, 로드된 전처리 대상 수집 데이터를 정제하고, 정제된 데이터로부터 파생변수를 생성한 후, 상기 복수의 서브 파생변수들 중 적어도 하나를 선택하고, 상기 선택된 적어도 하나의 서브 파생변수를 기초로 생성되는 복수의 파생변수들 중 적어도 하나를 추천하는 것을 특징으로 한다.
Description
본 발명은 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법에 관한 것이다.
최근에는 센서기술들의 발달에 힘입어 공장의 각 설비들에 센서를 부착하고, 센서들에 의해 센싱된 센싱 데이터들을 이용하여 설비나 공장의 상황을 실시간으로 분석하는 기술이 개발되고 있고, 이를 스마트 팩토리(smart factory)라 한다. 스마트 팩토리(smart factory)는 정보통신기술(ICT, Information and Communication Technologies)과 기존의 제조업 기술인 생산 제조 기술의 융합으로 정의될 수 있다. 예를 들어, 스마트 팩토리는 사물인터넷(Internet of Things), 빅데이터(big data), 클라우드 컴퓨팅(cloud computing) 및 CPS(Cyber-Physical System) 등의 기술을 기반으로 공장 내의 장비 및 장치 등의 부품들이 상호 연결 및 소통되는 생산 체계로 정의될 수 있다.
여기서, 클라우드 컴퓨팅이란 인터넷 기술을 활용하여 가상화된 정보통신기술 자원을 서비스로 제공하는 컴퓨팅 방식을 의미할 수 있다. 즉, 사용자는 클라우드 컴퓨팅을 통해 정보통신기술의 자원(예를 들어, 서버, 스토리지, 네트워크 및 소프트웨어 등)을 필요에 따라 사용할 수 있다. 이러한 스마트 팩토리 기술의 경우, 많은 센서들이 설치될 뿐만 아니라 각 센서들의 센싱주기 또한 짧아 대량의 수집 데이터가 생성된다는 특징이 있다. 이에 따라, 각 센서들로부터 각 센서들이 생성한 수집 데이터를 누락 없이 수신할 수 있어야만 정확한 분석을 수행할 수 있다.
이와 같은 종래 기술의 스마트 팩토리 시스템은 짧은 주기로 발생하는 대용량 수집 데이터의 수신여부를 실시간으로 모니터링 할 수 없을 뿐만 아니라, 수집 데이터의 수신여부를 모니터링할 수 있다 하더라도 수집 데이터 수신 여부 모니터링으로 인해 데이터 수집 작업의 부하가 가중될 수 밖에 없다는 문제점이 있다.
또한, 서로 다른 프로토콜을 지원하는 다양한 종류의 센서들이 배치되어 있는 환경에 종래 기술의 스마트 팩토리 시스템을 적용할 경우, 각 센서들에 의해 생성된 수집 데이터의 수신 여부를 모니터링할 수 있는 모니터링 장치를 각 센서들이 지원하는 프로토콜 유형에 따라 별도로 구비해야 하므로, 수집 데이터 수신 여부 모니터링 작업의 부하는 물론 모니터링을 위한 비용이 증가한다는 문제점이 있다.
본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템은 제조/생산설비, 상기 제조/생산설비와 연동되는 기타설비와 관련된 정형/비정형의 정보를 다수의 PLC(Programmable Logic Controller) 및 외부 서버에서 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 정보를 기초로 제조/생산설비들 간의 연동상태, 각 제조/생산설비의 가동상태를 분석하고, 상기 연동상태 및 가동상태를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 중 적어도 하나 이상을 분석 및 예측하는 AI 데이터 분석 및 예측부; 및 상기 AI 데이터 분석 및 예측부에서 분석 및 예측된 수요/공급/생산, 생산율, 품질관계, 불량률, 불량수, 에너지 사용 최적률, 고장예측/진단값을 시각화하여 제공하는 시각화부를 포함하고, 상기 AI 데이터 분석 및 예측부는 상기 데이터 수집부에서 수집 또는 항목별로 시계열적으로 분류된 생산, 공정, 재고, 현황, 모니터링, 기준항목, 영업, 구매에 대한 정보를 딥러닝 학습 알고리즘 및 시계열 분석 이론을 적용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 및 에너지 사용 최적도를 실시간 분석, 배치(batch)분석 및 예측하고, 수집 데이터 중 전처리 대상 수집 데이터를 로드하고, 로드된 전처리 대상 수집 데이터를 정제하고, 정제된 데이터로부터 파생변수를 생성한 후, 상기 복수의 서브 파생변수들 중 적어도 하나를 선택하고, 상기 선택된 적어도 하나의 서브 파생변수를 기초로 생성되는 복수의 파생변수들 중 적어도 하나를 추천하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법에 따르면, 생산측면에서, 제품 생산 활동의 자동화 및 공장의 지능화를 구현하고, 설비상황 등 생산환경 변화를 실시간 반영한 최적 생산체계를 구현할 수 있고, 소재/공정상태를 고려한 실시간 최적 생산이 가능하여 제조 원가 절감이 기인할 수 있다.
또한, 설비측면에서, IoT 센서를 통해 속도, 진동, 압력 등 각종 데이터 수집, 수집된 데이터를 분석하여 설비 이상징후에 대해 사전 감지 및 알림이 가능하고, 품질 생산성이 고려된 예지 정비가 가능함으로써 무중단 생산환경에 기인할 수 있다.
또한, 품질측면에서, 전체 공정별 데이터를 통합 분석해 품질 결함 요인을 사전에 파악하고, 선 공정의 결함이 후 공정에 유입되지 않도록 자동제어하여 설비 상태를 고려한 품질 예측이 가능함으로 생산제품의 불량을 최소화할 수 있다.
또한, 안전측면에서, 진동, 소음, 유해가스, 온도 등 현장 환경을 실시간 모니터링할 수 있고, 위험 요소 발생시 스마트 기기를 통해 사전 알림이 가능하고 안전 최우선 감지 및 통제를 실시할 수 있어, 인간중심의 안전 구현에 기여할 수 있다.
또한, 에너지 측면에서 에어진 생산에서 공급 사용 전 과정을 모니터링하여 최적의 생산 스케줄 수립이 가능하고, 필요한 에너지만큼 생산하고 공급하는 에너지 시스템 체계 구현이 가능함으로써 가격 효율성을 고려한 최적 배분할 수 있어, 에너지 소비를 최소화할 수 있다는 이점이 있다.
특히 제조 현장과 주변 시스템과의 통합, 최적화된 제품 생산 활동 지원, 생산 현장의 실시간 정보 통합, 최적의 의사결정을 위한 통합 정보 제공 등 최적화된 생산 활동을 지원할 수 있다는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 장치 구성도이다.
도 2 및 도 3은 정보수집부에서 적용된 통신구조를 설명하기 위한 예시도이다.
도 4은 도 1에 도시된 정보수집부에서 수집 및 관리하는 정보들의 일 예시도이다.
도 5는 기준정보, 영업, 구매자재, 생산, 공정, 재고, 현황 및 지능형 모니터링에 대한 정보들의 연계도이다.
도 6 및 도 7은 기준정보관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 8 및 도 9는 영업관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 10 및 도 11은 구매관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 12 및 도 13은 생산관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 14 및 도 15은 공정관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 16 및 도 17은 재고관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 18 및 도 19는 현황관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 20 및 도 21은 지능형모니터링의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 22는 도 1에 도시된 시각화부에서 시각화된 수요 예측, 공급/생산 예측, 설비 예지 보정, 고장 진단/예측, 실시간 분석 데이터의 예시도이다.
도 23은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 운영방법을 설명한 흐름도이다.
도 24는 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시한 도이다.
도 2 및 도 3은 정보수집부에서 적용된 통신구조를 설명하기 위한 예시도이다.
도 4은 도 1에 도시된 정보수집부에서 수집 및 관리하는 정보들의 일 예시도이다.
도 5는 기준정보, 영업, 구매자재, 생산, 공정, 재고, 현황 및 지능형 모니터링에 대한 정보들의 연계도이다.
도 6 및 도 7은 기준정보관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 8 및 도 9는 영업관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 10 및 도 11은 구매관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 12 및 도 13은 생산관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 14 및 도 15은 공정관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 16 및 도 17은 재고관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 18 및 도 19는 현황관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 20 및 도 21은 지능형모니터링의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다.
도 22는 도 1에 도시된 시각화부에서 시각화된 수요 예측, 공급/생산 예측, 설비 예지 보정, 고장 진단/예측, 실시간 분석 데이터의 예시도이다.
도 23은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 운영방법을 설명한 흐름도이다.
도 24는 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시한 도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 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 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하, 첨부된 도면들에 기초하여 본 발명의 일 실시예에 따른 인공지능 기반의 생산 관리 시스템 및 이의 운영방법을 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 장치 구성도이다. 도 2 및 도 3은 정보수집부에서 적용된 통신구조를 설명하기 위한 예시도이다. 도 4은 도 1에 도시된 정보수집부에서 수집 및 관리하는 정보들의 일 예시도이다. 도 5는 기준정보, 영업, 구매자재, 생산, 공정, 재고, 현황 및 지능형 모니터링에 대한 정보들의 연계도이다. 도 6 및 도 7은 기준정보관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 8 및 도 9는 영업관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 10 및 도 11은 구매관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 12 및 도 13은 생산관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 14 및 도 15은 공정관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 16 및 도 17은 재고관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 18 및 도 19는 현황관리의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 20 및 도 21은 지능형모니터링의 순환구조, 주요기능 및 세부정보를 설명한 예시도이다. 도 22는 도 1에 도시된 시각화부에서 시각화된 수요 예측, 공급/생산 예측, 설비 예지 보정, 고장 진단/예측, 실시간 분석 데이터의 예시도이다.
먼저, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 제조 실행 시스템시스템(100)은 데이터 수집부(200), AI 데이터 분석 및 예측부(300) 및 시각화부(400)를 포함한다.
상기 데이터 수집부(200)는 기계설비의 PLC로부터 해당 기계설비의 재원, 동작정보를 수집한다. 상기 데이터 수집부(200)는 각각의 설비를 개별적으로 제어하는 각각의 PLC로부터 입력 또는 출력되는 데이터를 개별적으로 수집할 수 있다.
일 예로, 데이터 수집장치는 연속공정에서 발생되는 데이터를 수집할 수 있다. 연속공정이란 원재료를 이용하여 완제품을 생성하기 위한 복수개의 공정들이 연속적으로 수행되고, 각 공정의 산출물들이 서로 혼합되거나 특 정 공정의 산출물의 상태가 변화하여 후속 공정으로 공급되는 방식의 공정을 의미한다. 철강공정이 이러한 연속 공정의 대표적인 예에 해당한다. 철강공정은 제선공정, 제강공정, 연주공정, 및 압연공정 등과 같은 다양한 공정으로 구성될 수 있다. 데이터 수집 장치가 철강공정에 적용되는 경우, 제선공정, 제강공정, 연주공정, 및 압 연공정 등과 같은 다양한 공정의 진행 과정에서 발생되는 마이크로 데이터(Micro Data)를 수집할 수 있다.
또한, 상기 데이터 수집부(200)는 마이크로 데이터를 수집하기 위한 다양한 계측기, 센서, 액츄에이터 등을 포함한다. 데이터 수집 장치는 계측기, 센서, 액츄에이터 등에 의해 수집된 데이터를 통합하거나 제어하는 P/C, PLC(Programmable Logic Controller), DCS(Distributed Control System) 등을 더 포함할 수 있다.
또한, 데이터 수집부(200)는 메시지 큐, ETL(Extraction, Transformation, Loading), 크롤링(Crawling), Open API을 이용하여 내부 및 외부의 빅데이터를 수집할 수 있다.
참고로, ETL은 외부 수집방법으로, 다양한 소스 시스템으로부터 필요한 데이터를 추출(extract)하여 변환(transformation) 작업을 거쳐 저장하거나 분석을 담당하는 시스템으로 전송 및 적재(Loading)하는 모든 과정을 포함한다. 대부분의 ETL 연산은 중복을 제거하고 일관성을 확보하기 위한 정제를 포함한다.
크롤링(Crawling)은 내부수집 방법으로 크롤링 엔진(Crawling Engine)을 통한 수집 방법이며, 이는 로봇이 거미줄처럼 얽혀 있는 인터넷 링크를 따라다니며 방문한 사이트의 모든 페이지의 사본을 생성함으로써 문서 또는 정보를 수집하는 방식이다. 크롤링 엔진은 대개 시드(seed)라 불리는 URL 리스트에서 시작하며, 페이지의 모든 하이퍼링크를 인식하여 URL 리스트를 갱신하고, 갱시된 URL 리스트는 재귀적으로 다시 방문하도록 프로그래밍 된다.
한편, 각각의 제어시스템은 동작 시작 시, 동작됨을 알리는 데이터에 태그 정보를 부가하여 데이터 수집부(200)로 전달함으로써, 해당 PCL의 태그 정보가 데이터 수집부(200)의 동작 태그 리스트에 자동 등록되도록 할 수 있다.
한편, 상기 데이터 수집부(200)는 관리자 단말(10)에서 실행되는 엔서블(Ansible), 즉, 여러 개의 서버를 효율적으로 관리하도록 설계된 환경 구성 자동화용 오픈 소스 소프트웨어인 플랫폼과 연동하여 관리자가 지정한 제품 생산 활동의 자동화 및 공장의 지능화와 관련된 정보, 설비상황 등 생산환경 변화를 실시간 반영한 최적 생산체계를 구현할 수 있는 정보, 소재/공정상태를 고려한 실시간 최적 생산이 가능하여 제조 원가 절감이 가능한 정보 등에 대한 입력정보 및 입력정보에 따른 결과정보(에컨대, 생산율, 품질 관계 예측, 불량률 예측, 불량수 예측, 에너지 사용의 최적화 등)에 대한 분석, 진단, 예측 정보를 시각화하여 표시하는 구성일 수 있다.
즉, 본원에서 언급하는 엔서블(Ansible)은 앤서블은 'Infrastructure as Code'라는 컨셉을 실현하기 위한 자동화 툴로서, 소스가 오픈되어 있고, 관련 사이트(https://www.ansible.com/)를 이용하여 그 인스톨 방법, 구조 및 사용 방법 등의 자세한 정보를 파악하고, 야믈(Yaml)이라는 언어를 사용하여 프로그램일 수 있다.
한편, 본원의 데이터 수집부(200)에서 수집된 정보는 후술하는 AI 데이터 분석부(400)의 인공지능 기반의 시계열 알고리즘을 통해 분석되고, 분석된 분석결과를 진단 및 예측하여 각 항목(생산, 공정, 재고, 현황, 지능형 모니터링, 기준항목, 영업, 구매)에 따라 분류하여 관리할 수 있다.
상기 데이터 수집부(200)는 수집 및 분석된 데이터를 생산, 공정, 재고, 현황, 지능형 모니터링, 기준항목, 영업, 구매에 따라 분류한 후, 분류된 항목에 따라 부여한 정책에 따라 정보를 관리하는 데이터 관리부를 포함할 수 있다.
상기 데이터 관리부(210)는 기준관리부(211), 영업관리부(212), 구매관리부(213), 생산관리부(214), 공정관리부(215), 재고관리부(216), 현황관리부(217) 및 지능형 모니터링 관리부(218)를 포함한다.
기준관리부(211)는 재품생산의 표준화 및 관리를 위한 책임자를 지정하고, 공장의 작업 환경, 작업자, 설비 등의 물리적 요소를 모델링하는 구성일 수 있다. 또한, 제품 및 원자재 정보(원자재코드, BOM(Bill of Material), 생산품목) 관리 및 공저정보/코드정보/사용자 정보를 관리하는 구성일 수 있다.
영업관리부(212)는 반복적으로 발생하는 견적, 주문, 발주처리에 대한 정보를 관리하고, 품목/거래처별 판매계획 기능을 통한 판매예측 및 분석기능을 지원하는 구성일 수 있다.
또한, 영업관리부(213)는 품목마다 거래처별로 다른 단가 지정(즉, 단가 자동 호출기능을 지원), 업무누락, 오기입 장지 및 진행상황을 파악하기 위한 기능을 지원 및 이와 관련된 정보를 관리하는 구성일 수 있다.
구매관리부(214)는 입고부터 출고까지의 프로세스를 통한 재고추적 관리 기능을 지원하고, 자재의 입하/검사/입고/출고/반품에 대한 창고별 수불을 처리하는 기능을 지원하고, 장소별 입고처리 및 실시간 재고 확인 기능, 재고 실사정보와 실물과의 전산 재고 현황을 동기화하는 기능을 지원 및 이와 관련된 정보를 관리하는 구성일 수 있다.
생상관리부(215)는 작업진행에 대한 종합정보/예측 기능을 지원하고 실시간 설비 가동 상태정보를 기초로 생산 지연 감소요인을 분석하고, 검사유형관리 코드를 통해 제품검사에 대한 분석현황을 제공하고, 공정별 제품 생산 질적, 수리, 불량에 대한 정보를 처리하는 구성일 수 있다.
공정관리부(216)는 장비와 MES 간 연동하는 인터페이스를 지원하여 공정 데이터를 집계하고, 작업공정별 생산계획, 일정계획 및 작업 부하 배정을 지원하고, 작업진척 현황을 추척(tracking)하여 공정별 작업실적을 실시간으로 집계 및 통계처리할 수 있고, 집계 및 통계처리된 분석정보를 기초로 최적의 공정별 생산 활동계획을 수립하는 구성일 수 있다.
재고관리부(217)는 공장/창고의 재고현황을 실시간으로 집계 관리하고, BOM에 있는 각 아이템별 상세정보를 관리하고, 실시간으로 집계한 재고수량을 변동에 따라 아이템의 주문을 처리하고, 원/부재료 수량에 맞는 생산을 계획하고, 생산 수량에 맞게 주문 수량 계획을 수립하는 구성일 수 있다.
현황관리부(218)는 기업경영에 필요한 다양한 통계 분석 기법을 지원하고, 매입/매출 현황관리, 생산계획/작업지시/생산진행/불량 등에 현황을 관리하고, 수주현황을 관리하는 구성일 수 있다.
지능형 모니터링부(219)는 상술한 각 부들을 모니터링하는 구성으로, 설비 연동 및 데이터 분석현황을 모니터 하고, 실시간으로 모니터링한 분석현황 및 설비가동 현황을 기초로 제품의 생산률을 예측 및 분석하고, 각 공정별 생산제품의 생산실적과 현황을 실시간 모니터링하고, 제조현장의 생산, 설비, 품질, 물류를 실시간 모니터링하는 구성일 수 있다.
다음으로, AI 데이터 분석부(300)는 데이터 수집부에서 수집 또는 항목별로 시계열적으로 분류된 생산, 공정, 재고, 현황, 모니터링, 기준항목, 영업, 구매에 대한 정보를 딥러닝 학습 알고리즘 및 시계열 분석 이론을 적용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 및 에너지 사용 최적도를 실시간 분석, 배치(batch)분석 및 예측하는 구성일 수 있다.
보다 구체적으로, 상기 AI 데이터 분석부(330)는 데이터 전처리부(331), 시계열 예측 분석부(332), 데이터 학습 및 모델 생성부(333) 및 서비스 배포부(334)를 포함한다.
상기 데이터 전처리부(331)는 학습 파이프라인을 이용하여 데이터 수집부(200)에서 수집된 정보를 전처리하는 구성일 수 있다.
상기 데이터 전처리부(331)는 수집 데이터 중 전처리 대상 수집 데이터를 로드하는 데이터 준비부(331a), 로드된 전처리 대상 수집 데이터를 정제하는 데이터 정제부(331b), 및 데이터 정제부(331b)에 의하여 정제 된 데이터로부터 파생변수를 생성하는 복수의 서브 파생변수 생성부(331c)들을 포함하고, 상기 복수의 서브 파생변수 생성부(331c)들 중 적어도 하나를 선택하고, 상기 선택된 적어도 하나의 서브 파생변수 생성부를 기초로 생성되는 복수의 파생변수들 중 적어도 하나를 추천하는 파생변수 추천부(331d)를 포함할 수 있다.
데이터 전처리 과정은 일반적으로 데이터 준비, 데이터 진단, 데이터 병합, 데이터 정제 및 파생변수 생성순으로 이루어진다. 즉, 사용자에 의하여 순서가 변경될 수 있다. 사용자는 데이터 준비, 데이터 진단, 데이터 병합, 데이터 정제 및 파생변수 생성의 순서를 임의로 결정 할 수 있다. 따라서, 사용자가 임의로 결정한 데이터 준비, 데이터 진단, 데이터 정제, 데이터 병합 및 파생변수 생성 순서로 데이터 전처리가 진행될 수 있다. 따라서, 데이터 정제부에서 정제하는 수집 데이터는 진행 순서에 따라 달라질 수 있다.
상기 시계열 예측 분석부(332)는 머신러닝 및/또는 딥러닝 알고리즘 기반의 다양한 시계열 예측 분석 알고리즘, 예컨대, ETS 모델, SMA, WMA, SES 모델, ARIMA 모델, SARIMA 모델 중 적어도 하나 이상을 이용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속성값과 후술하는 데이터 학습부에서 학습된 학습정보를 기초로 제품의 생산율, 품질관계, 불량률, 불량수를 예측 및 분석하는 구성일 수 있다.
참고로, 시계열 예측 분석부(331)는 회귀분석 및 계측적 군집 분석 등을 통한 데이터 분석과 AHP를 활용한 의사결정 기법으로 구성되는 신규 분석 모델의 개발을 병행하며, 분석된 모델을 대상으로 피드백을 수행하고, 피드백 결과에 의해 갱신된 정보는 개발된 신규 분석 모델의 검증을 위한 비교 분석 기준으로 활용한다.
본원에서 사용되는 머신러닝 알고리즘은 Multi-Layer Perceptron (MLP), Bayesian Neural Network (BNN), Radial Basis Functions (RBF), Generalized Regression Neural Networks (GRNN), kernel regression K-Nearest Neighbor regression (KNN), CART regression trees (CART), Support Vector Regression (SVR) Gaussian Processes (GP) 중 어느 하나일 수 있고, 딥러닝 알고리즘은 Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM) 중 어느 하나일 수 있다.
LSTM(Long-Short Term Memory) 알고리즘은 딥러닝 분야에서 사용되는 인공 재귀 신경 네트워크(RNN) 아키텍처의 하나로, 피드 포워드 신경망과 달리 피드백 연결이 존재한다. 따라서, LSTM 알고리즘에 의하면 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스에 대한 학습 및 처리를 수행할 수 있다.
상술한 LSTM 알고리즘은 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하며, LSTM은 전통적 인 RNN을 통한 훈련에서 발생 가능한 Vanishing Gradient 문제를 해소하는 장점이 있다.
Attention 알고리즘은 딥러닝 모델이 특정 벡터에 주목하도록 하여 모델의 성능을 높이는 기법으로, 학습 과정 에서 모델이 중요한 부분만 집중(attention)하도록 구현된 알고리즘으로 이해될 수 있다. 달리 말해, Attention 알고리즘에 의하면 디코더가 출력을 생성할 때 각 단계별로 입력 시퀀스의 각기 다른 부분을 집중하게 할 수 있 도록 하며, 하나의 고정된 컨텍스트 벡터로 인코딩 하는 대신 출력의 각 단계별로 컨텍스트 벡터를 생성하는 방 법을 학습할 수 있다. 이는 모델이 입력 시퀀스와 지금까지 생성한 결과를 통해 이후의 학습에서 어떠한 부분에 집중할 것인지를 결정하는 것으로 이해될 수 있으며, 집중할 부분은 결정하는 것은 Softmax를 통해 수행될 수 있다.
Transformer 알고리즘은 종래의 seq2seq 아키텍쳐와 같이 인코더에서 입력 시퀀스를 입력받고, 디코더에서 출력 시퀀스를 출력하는 인코더-디코더 구조를 포함할 수 있다. 다만, 종래의 seq2seq 아키텍쳐와 달리 인코더 및 디 코더가 복수개 마련될 수 있다. 또한, 상술한 Attention 알고리즘은 인코더의 히든 스테이트 중 어떤 것에 집중 할지 결정하고 디코더 계산에 활용하는 반면, Transformer 알고리즘은 인코더와 디코더를 연결하지 않고 내부에 서만 Attention 알고리즘을 사용하며, LSTM이나 GRU 같은 RNN이 아니라 Attention 신경망으로만 이루어져 있다 는 특징을 갖는다.
BERT(Bidirectional Encoder Representations from Transformers) 알고리즘은 라벨링되지 않은 대용량 데이터로 모델을 미리 학습 시킨 후, 특정 태스크를 가지고 있는 라벨링된 데이터로 Transfer 학습을 수행하는 알고리 즘이다. BERT의 아키텍처는 상술한 Transformer 알고리즘을 일부 사용하지만, Pre-training 단계와 Finetuning 단계의 아키텍처를 일부 다르게 하여 Transfer 학습을 용이하게 만들 수 있으며, 상술한 Transformer 알 고리즘의 구조 중에서 Encoder 부분만을 사용하는 것을 특징으로 한다.
여기서, ARIMA(Autoregressive Integrated Moving Average) 모델은 시계열을 예측할 때 가장 널리 사용하는 접근 방식으로써, 데이터에 나타내는 자기상관(autocorrelation)을 표현하는 데 목적을 갖는 모델일 수 있다.
상기 데이터 학습 및 모델 생성부(333)는 상기 시계열 예측 분석부(332)에서 분석된 데이터를 종래의 누적된 학습정보와 함께 학습한 후, 학습된 신규 학습정보를 기초로 관리자 단말에서 입력한 입력정보에 따른 제품의 이상적인 생산율, 품질관계, 불량률, 불량수를 도출하기 위한 MES 학습 모델을 생성하는 구성일 수 있다.
즉, 데이터 학습 및 모델 생성부(333)는 적용 대상에 적합한 새로운 학습모델을 생성할 수 있다.
다음으로, 서비스 배포부(334)는 시계열 예측 분석부(332)에서 분석한 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값 및 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 관리자 단말에서 실행된 플랫폼으로 배포한다.
또한, 데이터 학습 및 모델 생성부(333)에서 생성된 관리자에게 적합한 새로운 학습모델을 배포한다.
다음으로, 시각화부(400)는 기준관리, 수주/생산계획, 출하관리, 작업시지, 구매/재고관리, 공정관리, 공정/실적관리, 지능형 모니터링 정보, 현황관리에 대한 정보뿐만 아니라, 수요 예측, 공급/생산 예측, 설비 예지 보정, 고장 진단/예측, 실시간 분석 데이터를 시각화하여 플랫폼에 제공하는 구성일 수 있다.
기준관리는 사용자, 권한, 종합코드, 공정/설비정보, 품목정보, BOM 관리, 경영 공지사항, 경영 업무보고 등에 대한 정보일 수 있다.
수주/생산계획은 수주정보 등록 및 업체 수주 데이터 연결, 제품생산계획, 자재(원재료, 반제품), 상품소요계획에 대한 정보일 수 있다.
출하관리는 생산의뢰, 제품출하계획, 포장/출하관리, 매출등록, 수금 등록 등에 대한 정보에 대한 관리정보일 수 있다.
작업지시는 오더 제품, 공정/설비별 작업지시, 공정별 BOM, 작업우선순위 등에 대한 지지정보일 수 있다.
구매/재고관리는 자재입고, 수입검사, 매입등록, 생산자재 불출, 재고수불 및 실사, 창고관리 등에 대한 정보일 수 있다.
공정관리는 공정계획관리, 설비가공관리, 설비작업조건, 설비 점검 및 보전 관리 등에 대한 정보일 수 있다.
공정/실적관리는 제품 및 공정완료, 정상/불량 실적관리, 공정 모니터링, 일일작업자등록현황, 비가동등록현황 등에 대한 정보일 수 있다.
지능형 모니터링은 설비연동관리, 설비 분석 관리, 실시간 설비가동 현황, 생산율 예측/분석, 생산률 관리, 설비 진단 관리, 생산기한 예측/분석 등에 대한 정보일 수 있다.
현황관리는 매입/매출현황, 월별 매입/매출 현황, 원재로 구매현황, 외주 구매 현황, 생산계획 현황, 작업 지시 현황, 생산 진행 현황, 수주현황, 불량 현황 등에 대한 정보일 수 있다.
도 23은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 운영방법을 설명한 흐름도이다.
도 23을 참조하면, 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 제조 실행 시스템의 운영방법(S700)은 먼저, 데이터 수집부(200)에서 제조/생산설비, 상기 제조/생산설비와 연동되는 기타설비와 관련된 정형/비정형의 정보를 다수의 PLC(Programmable Logic Controller) 및 외부 서버에서 수집(S710)한다.
이후, AI 데이터 분석 및 예측부(300)에서 상기 데이터 수집부(200)에서 수집 및 관리하는 정보를 기초로 제조/생산설비들 간의 연동상태, 각 제조/생산설비의 가동상태를 분석하고, 상기 연동상태 및 가동상태를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 중 적어도 하나 이상을 분석 및 예측(S720)하고, 시각화부(400)에서 상기 AI 데이터 분석 및 예측부(300)에서 분석 및 예측된 수요/공급/생산, 생산율, 품질관계, 불량률, 불량수, 에너지 사용 최적률, 고장예측/진단값을 시각화하여 제공한다.
여기서, 상기 S720 과정은 상기 데이터 수집부에서 수집 또는 항목별로 시계열적으로 분류된 생산, 공정, 재고, 현황, 모니터링, 기준항목, 영업, 구매에 대한 정보를 딥러닝 학습 알고리즘 및 시계열 분석 이론을 적용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 및 에너지 사용 최적도를 실시간 분석, 배치(batch)분석 및 예측하는 단계일 수 있다.
상기 S720 과정은 학습 파이프라인을 이용하여 데이터 수집부(200)에서 수집된 정보를 전처리하는 과정을 포함할 수 있고, 상기 전처리 과정은 수집 데이터 중 전처리 대상 수집 데이터를 로드하고, 로드된 전처리 대상 수집 데이터를 정제하고, 정제된 데이터로부터 파생변수를 생성한 후, 상기 복수의 서브 파생변수들 중 적어도 하나를 선택하고, 상기 선택된 적어도 하나의 서브 파생변수를 기초로 생성되는 복수의 파생변수들 중 적어도 하나를 추천하는 과정을 포함할 수 있다.
또한, 상기 S720 과정은
머신러닝 및/또는 딥러닝 알고리즘 기반의 다양한 시계열 예측 분석 알고리즘, 예컨대, ETS 모델, SMA, WMA, SES 모델, ARIMA 모델, SARIMA 모델 중 적어도 하나 이상을 이용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속성값과 후술하는 데이터 학습부에서 학습된 학습정보를 기초로 제품의 생산율, 품질관계, 불량률, 불량수를 예측 및 분석하는 과정을 포함할 수 있다.
또한, 상기 S720 과정은 분석된 데이터를 종래의 누적된 학습정보와 함께 학습한 후, 학습된 신규 학습정보를 기초로 관리자 단말에서 입력한 입력정보에 따른 제품의 이상적인 생산율, 품질관계, 불량률, 불량수를 도출하기 위한 MES 학습 모델을 생성하는 과정을 포함할 수 있다.
상기 S730 과정은 기준관리, 수주/생산계획, 출하관리, 작업시지, 구매/재고관리, 공정관리, 공정/실적관리, 지능형 모니터링 정보, 현황관리에 대한 정보 및 수요 예측, 공급/생산 예측, 설비 예지 보정, 고장 진단/예측, 실시간 분석 데이터를 시각화하여 플랫폼에 제공하는 단계를 포함한다.
따라서, 본 발명의 일 실시예에 따른 인공지능 기반의 생산 관리 시스템 및 이의 운영방법에 따르면, 생산측면에서, 제품 생산 활동의 자동화 및 공장의 지능화를 구현하고, 설비상황 등 생산환경 변화를 실시간 반영한 최적 생산체계를 구현할 수 있고, 소재/공정상태를 고려한 실시간 최적 생산이 가능하여 제조 원가 절감이 기인할 수 있다.
또한, 설비측면에서, IoT 센서를 통해 속도, 진동, 압력 등 각종 데이터 수집, 수집된 데이터를 분석하여 설비 이상징후에 대해 사전 감지 및 알림이 가능하고, 품질 생산성이 고려된 예지 정비가 가능함으로써 무중단 생산환경에 기인할 수 있다.
또한, 품질측면에서, 전체 공정별 데이터를 통합 분석해 품질 결함 요인을 사전에 파악하고, 선 공정의 결함이 후 공정에 유입되지 않도록 자동제어하여 설비 상태를 고려한 품질 예측이 가능함으로 생산제품의 불량을 최소화할 수 있다.
또한, 안전측면에서, 진동, 소음, 유해가스, 온도 등 현장 환경을 실시간 모니터링할 수 있고, 위험 요소 발생시 스마트 기기를 통해 사전 알림이 가능하고 안전 최우선 감지 및 통제를 실시할 수 있어, 인간중심의 안전 구현에 기여할 수 있다.
또한, 에너지 측면에서 에어진 생산에서 공급 사용 전 과정을 모니터링하여 최적의 생산 스케줄 수립이 가능하고, 필요한 에너지만큼 생산하고 공급하는 에너지 시스템 체계 구현이 가능함으로써 가격 효율성을 고려한 최적 배분할 수 있어, 에너지 소비를 최소화할 수 있다는 이점이 있다.
특히 제조 현장과 주변 시스템과의 통합, 최적화된 제품 생산 활동 지원, 생산 현장의 실시간 정보 통합, 최적의 의사결정을 위한 통합 정보 제공 등 최적화된 생산 활동을 지원할 수 있다는 이점이 있다.
도 24는 본 명세서에 개진된 하나 이상의 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 컴퓨팅 디바이스(1100)가 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, 네트워크(1200)에 의해 상호접속될 수도 있다. 본 명세서에서 사용되는 "구성요소", "시스템" 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.
지금까지 본 발명에 따른 구체적인 실시예에 관하여 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능함은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허 청구의 범위뿐 아니라 이 특허 청구의 범위와 균등한 것들에 의해 정해져야 한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
100: 빅데이터 및 인공지능 기반의 생산 관리 시스템
200: 정보수집부
300: AI 데이터 분석 및 예측부
400: 시각화부
200: 정보수집부
300: AI 데이터 분석 및 예측부
400: 시각화부
Claims (1)
- 제조/생산설비, 상기 제조/생산설비와 연동되는 기타설비와 관련된 정형/비정형의 정보를 다수의 PLC(Programmable Logic Controller) 및 외부 서버에서 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집된 정보를 기초로 제조/생산설비들 간의 연동상태, 각 제조/생산설비의 가동상태를 분석하고, 상기 연동상태 및 가동상태를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 중 적어도 하나 이상을 분석 및 예측하는 AI 데이터 분석 및 예측부; 및
상기 AI 데이터 분석 및 예측부에서 분석 및 예측된 수요/공급/생산, 생산율, 품질관계, 불량률, 불량수, 에너지 사용 최적률, 고장예측/진단값을 시각화하여 제공하는 시각화부를 포함하고,
상기 AI 데이터 분석 및 예측부는
상기 데이터 수집부에서 수집 또는 항목별로 시계열적으로 분류된 생산, 공정, 재고, 현황, 모니터링, 기준항목, 영업, 구매에 대한 정보를 딥러닝 학습 알고리즘 및 시계열 분석 이론을 적용하여 생산, 공정, 재고, 현황, 영업, 구매들 각각의 데이터의 정상성/비정상성/과소적합/과적합/편항 등에 대한 데이터 속성값을 분석하고, 데이터 속상값들의 연관성 및 시계열적 관계성을 학습한 학습 결과를 기초로 제품의 생산율, 품질관계, 불량률, 불량수 및 에너지 사용 최적도를 실시간 분석, 배치(batch)분석 및 예측하고,
수집 데이터 중 전처리 대상 수집 데이터를 로드하고, 로드된 전처리 대상 수집 데이터를 정제하고, 정제된 데이터로부터 파생변수를 생성한 후, 상기 복수의 서브 파생변수들 중 적어도 하나를 선택하고, 상기 선택된 적어도 하나의 서브 파생변수를 기초로 생성되는 복수의 파생변수들 중 적어도 하나를 추천하는,
빅데이터 및 인공지능 기반의 제조 실행 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230098210A KR20230115970A (ko) | 2021-07-28 | 2023-07-27 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210099205A KR20230017556A (ko) | 2021-07-28 | 2021-07-28 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법 |
| KR1020230098210A KR20230115970A (ko) | 2021-07-28 | 2023-07-27 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210099205A Division KR20230017556A (ko) | 2021-07-28 | 2021-07-28 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230115970A true KR20230115970A (ko) | 2023-08-03 |
Family
ID=85224496
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210099205A KR20230017556A (ko) | 2021-07-28 | 2021-07-28 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법 |
| KR1020230098210A KR20230115970A (ko) | 2021-07-28 | 2023-07-27 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210099205A KR20230017556A (ko) | 2021-07-28 | 2021-07-28 | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및 이의 운영방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR20230017556A (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230043362A (ko) * | 2021-09-24 | 2023-03-31 | 주식회사 에스티 | 클라우드 기반 인공지능 학습 물류 관리 시스템 및 방법 |
| CN116561598B (zh) * | 2023-04-07 | 2024-01-12 | 深圳市正业玖坤信息技术有限公司 | 一种cps智能制造管理平台大数据处理方法 |
| KR102666880B1 (ko) | 2023-08-16 | 2024-05-20 | (주)제이에스시스템 | 인공지능이 적용된 조립 공정 통합 품질 관리 시스템 |
| CN117078105B (zh) * | 2023-08-30 | 2024-05-14 | 深圳市三泰信息科技有限公司 | 基于人工智能的生产质量监控方法及系统 |
| CN117452889A (zh) * | 2023-10-23 | 2024-01-26 | 青科驭远(青岛)智能科技有限公司 | 轮胎智能装备平台系统及控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180027176A (ko) | 2016-09-06 | 2018-03-14 | 주식회사 액티브디앤씨 | IoT 기반의 스마트 팩토리 관리 시스템 |
-
2021
- 2021-07-28 KR KR1020210099205A patent/KR20230017556A/ko not_active Application Discontinuation
-
2023
- 2023-07-27 KR KR1020230098210A patent/KR20230115970A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180027176A (ko) | 2016-09-06 | 2018-03-14 | 주식회사 액티브디앤씨 | IoT 기반의 스마트 팩토리 관리 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230017556A (ko) | 2023-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Usuga Cadavid et al. | Machine learning applied in production planning and control: a state-of-the-art in the era of industry 4.0 | |
| US10902368B2 (en) | Intelligent decision synchronization in real time for both discrete and continuous process industries | |
| Xia et al. | Recent advances in prognostics and health management for advanced manufacturing paradigms | |
| KR20230115970A (ko) | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 | |
| Nordal et al. | Modeling a predictive maintenance management architecture to meet industry 4.0 requirements: A case study | |
| CN112580813B (zh) | 工业数据在装置级处的情境化 | |
| CN112581303A (zh) | 用于工业自动化的人工智能通道 | |
| Haricha et al. | Towards smart manufucturing: Implementation and benefits | |
| Caiazzo et al. | An IoT-based and cloud-assisted AI-driven monitoring platform for smart manufacturing: design architecture and experimental validation | |
| Haricha et al. | Towards smart manufacturing: Implementation and benefits. | |
| zu Wickern | Challenges and reliability of predictive maintenance | |
| Kaya | Industrial internet of things: how industrial internet of things impacts the supply chain | |
| Zhang et al. | Big data-enabled intelligent synchronisation for the complex production logistics system under the opti-state control strategy | |
| Rossit et al. | knowledge representation in Industry 4.0 scheduling problems | |
| KR102437917B1 (ko) | 장비 운영 시스템 | |
| US20240168467A1 (en) | Computer-Implemented Methods Referring to an Industrial Process for Manufacturing a Product and System for Performing Said Methods | |
| Nabati et al. | Challenges of manufacturing for energy efficiency: towards a systematic approach through applications of machine learning | |
| US20240160169A1 (en) | Conditional industrial data source connection | |
| US20240160164A1 (en) | Industrial automation data quality and analysis | |
| US20240160811A1 (en) | Industrial data extraction | |
| US20240160193A1 (en) | Industrial automation data staging and transformation | |
| KR102302147B1 (ko) | 스마트 공장 구축을 위한 제조 데이터 표준화 방법, 장치 및 컴퓨터-판독가능 기록 매체 | |
| Monteiro et al. | An Overview of IIoT Related to the Modern Panorama of the Industrial Field | |
| Yue et al. | Big data for furniture intelligent manufacturing: conceptual framework, technologies, applications, and challenges | |
| Bhattacharjee et al. | Environmental impact of operations and supply chain from Fourth Industrial Revolution and machine learning approaches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal |