KR20240025792A - 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 - Google Patents

인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 Download PDF

Info

Publication number
KR20240025792A
KR20240025792A KR1020220103857A KR20220103857A KR20240025792A KR 20240025792 A KR20240025792 A KR 20240025792A KR 1020220103857 A KR1020220103857 A KR 1020220103857A KR 20220103857 A KR20220103857 A KR 20220103857A KR 20240025792 A KR20240025792 A KR 20240025792A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
model
facility
quality
condition data
Prior art date
Application number
KR1020220103857A
Other languages
English (en)
Inventor
김수빈
장정훈
채수문
Original Assignee
(주)더블유앤이케이
주식회사 다윈솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)더블유앤이케이, 주식회사 다윈솔루션 filed Critical (주)더블유앤이케이
Priority to KR1020220103857A priority Critical patent/KR20240025792A/ko
Publication of KR20240025792A publication Critical patent/KR20240025792A/ko

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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]
    • G05B19/41875—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] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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]
    • G05B19/4183—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] characterised by data acquisition, e.g. workpiece identification
    • 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]
    • G05B19/41865—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] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명은 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 기술에 관한 것으로서, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계, 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계, 예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트하는 단계, 및 상기 업데이트된 생산조건데이터로 설정되도록 상기 설비 자동화 시스템에 요청하는 단계를 포함할 수 있다.

Description

인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템{Method and system for detecting the quality abnormality based on the artificial intelligence, and controlling facility}
본 발명은 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 기술에 관한 것으로서, 보다 상세하게는 필름 제조를 위한 압출설비의 연속생산 과정에서 발생되는 초기불량 및 품질이상으로 인한 LOT성 불량을 감소하기 위해서 인공지능 기반의 품질이상 탐지 모델을 적용하여 생산설비의 최적조건을 제어할 수 있는 기술에 관한 것이다.
기화성 부식방지필름은 첨가제가 기화성이 있기 때문에 생산 온도에 의해 품질이 영향받는다.
그러나 PE 압출기의 특성상 균일한 온도제어가 어렵고 대기온도에 영향을 받아 성능유지의 난이도가 높은 편임. 현재까지는 생산 중 발생되는 변수들을 작업자의 경험에 의존하였다.
기화성 부식방지필름은 금속제품의 수출 및 장기보관 시 금속을 부식으로부터 보호하기 위해 사용하는 제품으로 높은 수준의 품질이 요구된다.
그러나 중국에서 수입된 기화성 부식방지 첨가제를 구입하여 일반 PE필름 제조업체에서 생산하여 품질관리나 제품의 성능평가가 검증되지 않은 제품이 시중에서 낮은 가격으로 유통되고 있는 실정이다.
최근 내연기관에서 전기자동차로 변환되는 과정에서 부품의 변화뿐만 아니라 소재도 철에서 비철금속으로 변화되고 있다. 기화성 부식방지제의 성분 그리고 필름의 특성도 변화되는 금속 소재에 따라 전환이 필요하다. 이를 위해서는 비철용 부식방지제 및 우수한 차단성 가진 필름이 필요한데 일본의 고차단성 필름 기술에 비해 5년 정도 차이를 보이고 있어 전기자동차 시대에 적합한 제품의 국내 개발 및 생산이 필요하다.
근래에는, 뿌리업종의 기술력 및 인력 확보의 어려움을 극복하고자 설비자동화 투자를 통해 스마트공장 구축을 하였으나, 데이터의 활용을 통한 현장 적용에 어려움을 겪고 있는 실정이다.
한편, 설비자동화(AT)에 대한 부분과 데이터수집(OT)영역의 시스템화 구축이 되었으나, 품질에 대한 초기불량 발생 빈도 상승, LOT성 불량에 대한 실패비용의 증가에 대한 원인 해결에 한계에 직면해 있는 상황이다.
금속제품의 운송 및 보관에 발생되는 부식을 방지는 특성을 지닌 기화성 부식방지필름 제조공정은 압출 설비를 통해 Blown Extrusion 방식의 제조를 실시하고 있다.
실제 제품의 주요 불량현상은 생산 진행 중 온도-속도 조합의 불일치로 절단되는 현상과, 초도품 생산 시 조건 설정문제로 초기불량이 과다하게 발생한다.
압출을 통한 제품의 폭과 두께 문제로 제품 사양 불량, 작업자의 휴먼오류에 의해 발생되는 불량 등으로 인해, 핵심적으로 압출조건에 대한 이슈로 인해 발생되는 불량이 매우 높은 상황이다.
확보된 다양한 실시간 제조데이터를 근간으로 Early-Warning 시스템으로 사전에 품질대응 체계를 제공하고, 불량원인을 분석하고 생산의 최적조건을 찾아 설비제어를 함으로써 고도화된 스마트공장이 요구되는 실정이다.
한국공개특허 제10- 2021-0100399호 "인공 지능을 이용한 가공품질 예측 시스템 및 방법" 한국등록특허 제10-2142703호 "인공지능을 이용한 공정 제어 방법"
본 발명은 부식방지필름을 제조하는 압출설비에서 발생/수집되고 있는 다양한 공정조건 데이터를 이용하여 사전품질관리 체계 확보 및 품질개선을 위한 Insight 도출을 위해 인공지능 기반의 품질 이상탐지(Anomaly Detection)모델을 제공하여 최적생산조건 연계한 설비제어 기술개발과 현장 적용을 목적으로 한다.
본 발명은 인공지능 기반 품질예측 및 최적화기술은 당사가 직면한 변화의 위기에 대응할 수 있는 매우 적합한 기술이라고 사료되며 품질의 이상을 사전에 감지하고 다양한 소재의 생산에도 최적의 조건을 찾을 수 있게 되어 품질을 유지하고 생산성을 높이는 것을 목적으로 한다.
본 발명은 Blown Extrusion 방식의 압출설비의 온도, 속도, 외기온도, 제품두께, 폭 등 품질의 주요인자들에 대한 공정조건 최적화를 위한 머신러닝, 딥러닝 기반의 인공지능 모델을 제공하는 것을 목적으로 한다.
본 발명은 품질 예측, 이상탐지, 불량원인인자, 공정 최적조건 등 결과데이터를 통해 제조현장의 가시성 확보 및 압출기 온도/속도 조건 제어 기술 제공하는 것을 목적으로 한다.
본 발명은 압출기 조건데이터를 활용한 LSTM-AE, CNN, DNN ,Variational-AE 등 머신러닝/딥러닝 활용하여 불량예측 및 공정 최적 조건 탐지모델 근간 불량주요 인자 탐지 및 압출설비 온도/속도 제어 기술을 제공하는 것을 목적으로 한다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계, 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계, 예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트하는 단계, 및 상기 업데이트된 생산조건데이터로 설정되도록 상기 설비 자동화 시스템에 요청하는 단계를 포함할 수 있다.
일실시예에 따른 상기 생산조건데이터는 구간온도, 설비속도, 외기온도, 제품넓이 중에서 적어도 하나의 데이터를 포함하는 것을 특징으로 한다.
일실시예에 따른 상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는, 설비/센서 데이터 수집을 위한 데이터 인터페이스(Data Interface) 모듈을 제공하는 단계를 포함할 수 있다.
일실시예에 상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는, 기존 MES 시스템과 연계한 데이터 통합 서비스 모듈을 제공하는 단계를 포함할 수 있다.
일실시예에 따른 상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는, Raw Data 현장 가시화 및 시계열 모니터링 기능을 제공하는 단계를 포함할 수 있다.
일실시예에 따른 상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는, 데이터 특성 파악을 위한 기본적 탐색(EDA)을 실시하는 단계를 포함할 수 있다.
일실시예에 따른 상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는, 품질이상 탐지 및 예측을 위한 인공지능 학습모델을 비지도학습을 기반으로 제공하는 단계를 포함할 수 있다.
일실시예에 따른 상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는, 불량 원인 인자 탐지를 위한 알고리즘 제공 모델 성능평가를 위한 성과지표 정의 및 성능테스트 실시하는 단계를 포함할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 인공지능 모델을 이용하여 불량여부를 판단한 결과를 가시화하는 단계를 더 포함할 수 있다.
일실시예에 따른 인공지능 모델을 이용하여 불량여부를 판단한 결과를 가시화하는 단계는, 품질 인사이트(Insight) 도출을 위한 품질예측 가시화 및 최적화 가시화를 제공하는 단계를 포함할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 설비 자동화 시스템으로부터 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습하는 단계를 더 포함할 수 있다.
일실시예에 따른 상기 인공지능 모델을 학습하는 단계는, 비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하는 제1 단계, Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)하는 제2 단계, 불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출하는 제3 단계, 및 상기 제1 내지 제3 단계를 복수회 반복하여 상기 인공지능 모델을 학습하는 제4 단계를 포함할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템은 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 데이터 수집자동화 처리부, 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 지능형 IT 처리부, 상기 예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인의 이상을 탐지하고, 불량원인을 분석하는 정보화 처리부, 상기 예측된 품질이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트 하는 조건 최적화 처리부, 및 상기 업데이트된 생산조건데이터로 설정되도록 상기 설비 자동화 시스템을 제어하는 최적조건 제어부를 포함할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계, 상기 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습하는 단계를 포함하고, 상기 인공지능 모델을 학습하는 단계는, 비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하는 제1 단계, Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)하는 제2 단계, 불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출하는 제3 단계, 및 상기 제1 내지 제3 단계를 복수회 반복하여 상기 인공지능 모델을 학습하는 제4 단계를 포함할 수 있다.
일실시예에 따르면, 부식방지필름을 제조하는 압출설비에서 발생/수집되고 있는 다양한 공정조건 데이터를 이용하여 사전품질관리 체계 확보 및 품질개선을 위한 Insight 도출을 위해 인공지능 기반의 품질 이상탐지(Anomaly Detection)모델을 제공하여 최적생산조건 연계한 설비제어 기술개발과 현장 적용이 가능하다.
일실시예에 따르면, 인공지능 기반 품질예측 및 최적화기술은 당사가 직면한 변화의 위기에 대응할 수 있는 매우 적합한 기술이라고 사료되며 품질의 이상을 사전에 감지하고 다양한 소재의 생산에도 최적의 조건을 찾을 수 있게 되어 품질을 유지하고 생산성을 높일 수 있다.
일실시예에 따르면, Blown Extrusion 방식의 압출설비의 온도, 속도, 외기온도, 제품두께, 폭 등 품질의 주요인자들에 대한 공정조건 최적화를 위한 머신러닝, 딥러닝 기반의 인공지능 모델을 제공할 수 있다.
일실시예에 따르면, 품질 예측, 이상탐지, 불량원인인자, 공정 최적조건 등 결과데이터를 통해 제조현장의 가시성 확보 및 압출기 온도/속도 조건 제어 기술 제공할 수 있다.
일실시예에 따르면, 압출기 조건데이터를 활용한 LSTM-AE, CNN, DNN, Variational-AE 등 머신러닝/딥러닝 활용하여 불량예측 및 공정 최적 조건 탐지모델 근간 불량주요 인자 탐지 및 압출설비 온도/속도 제어 기술을 제공할 수 있다.
도 1은 생산 설비의 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 전체 시스템을 나타낸다.
도 2a는 데이터 수집을 위한 구조를 설명하는 도면이다.
도 2b는 인공지능 모델을 설명하기 위한 도면이다.
도 2c는 가시화를 위한 구조를 설명하는 도면이다.
도 3은 생산 설비의 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법을 나타낸다.
도 4는 인공지능 모델을 학습하기 위한 방법을 설명하는 도면이다.
도 5는 압출설비 제조에 따른 설비 최적조건을 제어하기 위한 실시예를 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 생산 설비의 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)을 나타낸다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 부식방지필름을 제조하는 압출설비에서 발생/수집되고 있는 다양한 공정조건 데이터를 이용하여 사전품질관리 체계 확보 및 품질개선을 위한 Insight 도출을 위해 인공지능 기반의 품질 이상탐지(Anomaly Detection)모델을 제공하여 최적생산조건 연계한 설비제어 기술개발과 현장 적용이 가능하다.
또한, 인공지능 기반 품질예측 및 최적화기술은 당사가 직면한 변화의 위기에 대응할 수 있는 매우 적합한 기술이라고 사료되며 품질의 이상을 사전에 감지하고 다양한 소재의 생산에도 최적의 조건을 찾을 수 있게 되어 품질을 유지하고 생산성을 높일 수 있다.
이를 위해, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 데이터 수집자동화 처리부(101), 지능형 IT 처리부(102), 정보화 처리부(103), 조건 최적화 처리부(104), 및 최적조건 제어부(105)를 포함할 수 있다.
일실시예에 따른 데이터 수집자동화 처리부(101)는 설비 자동화 시스템(110)으로부터 생산조건데이터를 수집할 수 있다.
생산조건데이터는 설비 자동화 시스템(110)에서 생산에 필요한 정보들로서, 구간온도, 설비속도, 외기온도, 제품넓이 등으로 해석될 수 있다.
즉, 생산조건데이터는 각 생산설비로부터 발생되는 생산조건 데이터 수집 (설비온도, 외기 온습도, 압출속도, 제품사양 등)을 포함하고, 분당 수집되는 조건데이터를 10초당 수집하는 형태로 추가 수집할 수 있다.
일실시예에 따른 지능형 IT 처리부(102)는 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측할 수 있다.
수집된 데이터는 지능형 IT 전처리부(102)에서 전처리될 수 있다.
이 과정에서, 지능형 IT 전처리부(102)는 작업조건 데이터의 특징 분석으로, 데이터의 특성 파악, 원인인자 등 X인자와 Y인자의 정합성 등의 체크를 실시할 수 있다.
또한, 지능형 IT 전처리부(102)는 EDA 분석으로 히스토그램, 평균, 편차, 4분위 분석, 군집분석, 차원축소 등을 수행할 수 있고, MES 데이터 분석, 생산일보/MES/실시간 데이터 분석 등의 기본적 탐색을 실시할 수 있다.
또한, 지능형 IT 전처리부(102)는 본격적인 전처리를 위해 PCA 분석, K-Means 군집분석, LOF 모델생성 테스트를 실시하고, 통합데이터 설비별, 제품별 통합데이터셋을 분리할 수 있다.
또한, 지능형 IT 전처리부(102)는 가시화를 통한 데이터 Outlier 제거 및 LOF 모델 기반의 Outlier 제거, 데이터 정제, Feature 추출을 수행할 수 있다.
지능형 IT 처리부(102)는 인공지능 모델을 이용하여 품질을 예측할 수 있는데, 이 과정에서 비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝/딥러닝 방법론 학습 및 검토 테스트를 실시할 수 있다. 특히, Anomaly Detection으로서, Local Outlier Factor / Isolation Forest / Auto-Encoder / VAE 모델을 적용하여 학습 모델을 개발할 수 있다.
지능형 IT 처리부(102)는 각 모델에 대한 학습용 데이터셋, 검증용 데이터셋 분리 (80%, 20% 분리)할 수 있고, 각 모델에 대한 성능평가를 실시할 수 있다. 이 과정에서, 지능형 IT 처리부(102)는 F1 Score 기반의 모델 성능 평가를 실시하여, 성능 인증 시험을 실시할 수 있다.
일실시예에 따른 정보화 처리부(103)는 예측된 품질에 기반하여 설비 자동화 시스템의 생산라인의 이상을 탐지하고, 불량원인을 분석할 수 있다.
특히, 정보화 처리부(103)는 불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과 도출 실시할 수 있다.
정보화 처리부(103)는 실시간 불량판정 확률 가시화 화면을 제공할 수 있고, MES 시스템을 연계한 Rule 기반의 알람시스템 연계 제공, 사용자 요구 화면을 지원할 수 있다. 또한, 최적조건에 대한 MES 시스템 연계로 실시간 설비속도 제어시스템을 제공할 수 있다.
일실시예에 따른 조건 최적화 처리부(104)는 예측된 품질이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트할 수 있다.
일실시예에 따른 최적조건 제어부(105)는 업데이트된 생산조건데이터로 설정되도록 설비 자동화 시스템을 제어할 수 있다.
예를 들어, 수집된 생산조건데이터로서, RPM, 설비 구간 온도, 외기 온습도, 롤러 속도, 설비가동정보 등을 포함할 수 있다. 또한, 조건 최적화 처리부(104)는 이러한 생산조건데이터에 대해 구간 온도 제어, 롤러 속도 제어 등의 최적조건으로 제어될 수 있도록 생산조건데이터를 업데이트할 수 있다.
도 2a는 데이터 수집(210)을 위한 구조를 설명하는 도면이다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 데이터 수집(210)을 위해, 설비 자동화 시스템과 다양한 통신 방식의 인터페이스를 제공할 수 있다.
특히, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 데이터 수집(210)을 위해, Modbus 통신, Serial 통신, Log 파일, PLC 통신, 콘트롤러 등의 인터페이스를 제공한다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 데이터 수집(210)을 위해, 설비/센서 데이터 수집을 위한 Data Interface 모듈을 제공할 수 있다. 또한, 기존 MES 시스템과 연계한 데이터 통합 서비스 모듈을 제공하며, Raw Data 현장 가시화 및 시계열 모니터링 기능을 제공할 수 있다.
뿐만 아니라, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 데이터 수집(210)을 위해, 설비 Interface 통신 프로토콜을 지원하며, Memory기반 데이터 처리 및 저장 기술을 제공한다.
도 2b는 인공지능 모델(220)을 설명하기 위한 도면이다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 인공지능 모델(220)을 제공하여, 데이터 특성 파악을 위한 기본적 탐색(EDA)을 실시하고, 품질이상 탐지 및 예측을 위한 인공지능 학습모델을 제공할 수 있다.
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 인공지능 모델(220)을 제공하여, 비지도학습 기반의 머신러닝/딥러닝을 지원할 수 있다.
특히, 일실시예에 따른 비지도학습은 Local Outlier Factor, Isolation Forest, Auto-Encoder, VAE를 포함하고, 불량 원인 인자 탐지를 위한 알고리즘 제공 모델 성능평가를 위한 성과지표 정의 및 성능테스트를 실시할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 시계열/Non-시계열 분석 기능을 지원하고, 품질이상탐지, 불량원인 인자분석을 지원할 수 있다. 또한, 공정최적화를 위한 조건분석 기능을 제공할 수 있고, 실시간 조건 Trend 및 관계 분석을 제공할 수 있으며, 이상탐지 가시화, 분포 추정 등의 기능을 제공할 수 있다.
도 2c는 가시화 서비스(230)를 위한 구조를 설명하는 도면이다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 가시화 서비스(230)를 위해, AI 판정 가시화 서비스, 원인분석 가시화 서비스, 시스템 운영 가시화 서비스, 인공지능 판정/재판정을 위한 가시화 서비스, 생산공정 조건이력 서비스 가시화, 재학습 설정 가시화, 인공지능 시뮬레이션 가시화, 실시간 품질(불량)분석 가시화, 시스템 구동 설정 가시화, 인공지능 예측 성과분석 가시화, 생산가동/알람처리 가시화, 하이퍼파라미터 설정 가시화 서비스 등을 제공할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 가시화 서비스(230)를 위해, 품질 Insight 도출을 위한 품질예측, 최적화 가시화를 제공할 수 있다.
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 가시화 서비스(230)를 통해, 시계열 기반 이상탐지 모니터링, 인공지능 판정 모니터링, Alarm시스템 연동, 조건 최적화 정보 공정최적 조건데이터를 기반으로 생산설비 속도 및 온도 제어를 수행할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 시스템(100)은 HMI(Human Machine Interface) 기반 설비 제어를 수행할 수 있고, 이상상황 인지 모델 및 알람 시스템, 센서상태 모니터링, 속도/온도 제어 연동, 데이터 중요도 평가 및 랭킹 시각화를 제공할 수 있다.
도 3은 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법을 나타낸다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 설비 자동화 시스템으로부터 생산조건데이터를 수집할 수 있다(단계 301). 예를 들어, 생산조건데이터는 구간온도, 설비속도, 외기온도, 제품넓이 중에서 적어도 하나의 데이터 등으로 해석될 수 있다.
일실시예에 따른 설비 자동화 시스템으로부터 생산조건데이터를 수집하기 위해서는, 설비/센서 데이터 수집을 위한 데이터 인터페이스(Data Interface) 모듈을 제공할 수 있다.
또한, 기존 MES 시스템과 연계한 데이터 통합 서비스 모듈을 제공하기 위해, Raw Data 현장 가시화 및 시계열 모니터링 기능을 제공할 수 있다.
또한, 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 수집된 생산조건데이터를 전처리하고(단계 302), 인공지능 모델을 이용하여 품질을 예측할 수 있다(단계 303).
특히, 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하기 위해서는, 데이터 특성 파악을 위한 기본적 탐색(EDA)을 실시하고, 품질이상 탐지 및 예측을 위한 인공지능 학습모델을 비지도학습을 기반으로 제공할 수 있다. 뿐만 아니라, 불량 원인 인자 탐지를 위한 알고리즘 제공 모델 성능평가를 위한 성과지표 정의 및 성능테스트 실시할 수 있다.
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 예측된 품질이 불량인지 여부를 판단하여 불량을 감지할 수 있다(단계 304).
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트할 수 있다(단계 305).
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 업데이트된 생산조건데이터로 설정되도록 설비 자동화 시스템에 요청할 수 있다(단계 306).
인공지능 모델을 이용하여 불량여부를 판단한 결과를 가시화할 수 있다.
이를 위해, 품질 인사이트(Insight) 도출을 위한 품질예측 가시화 및 최적화 가시화를 제공하되, 시계열 기반 이상탐지 모니터링, 인공지능 판정 모니터링, Alarm시스템 연동, 조건 최적화 정보를 제공할 수 있다.
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 설비 자동화 시스템으로부터 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습할 수 있다.
이를 위해, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하고, Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)하며, 불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출할 수 있다.
또한 이러한 과정을 복수회 반복하여 상기 인공지능 모델을 학습할 수 있다.
도 4는 인공지능 모델을 학습하기 위한 방법을 설명하는 도면이다.
인공지능 모델을 학습하기 위해, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 설비 자동화 시스템으로부터 생산조건데이터를 수집할 수 있다(단계 401).
다음으로, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습할 수 있다.
이를 위해, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 인공지능 모델을 학습하기 위해, 비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시할 수 있다(단계 402).
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)할 수 있다(단계 403).
또한, 일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출할 수 있다(단계 404).
일실시예에 따른 인공지능 기반 품질이상 탐지 및 설비제어 기술을 설명하기 위한 동작 방법은 인공지능 모델의 학습완료 여부를 판단하고(단계 405), 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하는 단계 402 내지 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출하는 단계 404를 반복하여 인공지능 모델을 학습할 수 있다.
도 5는 압출설비 제조에 따른 설비 최적조건을 제어하기 위한 실시예를 설명하는 도면이다.
압출설비 제조의 전체 과정(500)은 원료 투입(501), 압출(502), 버블형성(503), 롤러(504), 가공(505), 권취(506), 포장(507) 과정을 통해 진행될 수 있다.
원료 투입(501)은 원재료의 배합 및 색상(청색, 주황, 흰색 등)을 생성하기 위한 원료들의 투입되는 과정으로서, 신재료&재생 배합으로 투입, 융점이 품질에 주요한 인자에 해당한다.
압출(502)은 원동기의 RPM과 온도 등을 조정하는 과정으로서, 실린 내부에서 구분되는 온도를 각각의 구간으로 분리하여 제어할 수 있고, 레진을 용융시켜 밀어주는 과정으로 원동기 속도로 인해 레진의 원할한 투입/일정량 투입 요구된다.
버블형성(503) 과정에서는 온도 및 습도 조절을 위해 냉각팬으로 RPM을 조절하여, 외기의 온습도를 조절할 수 있다. 이러한 조절을 통해 공기압을 형성할 수 있다.
롤러(504)는 형성된 버블을 감는 장비로 감는 속도에 따라 두께 폭 변화될 수 있다. 특히, WebChecker를 이용한 폭 체크가 진행될 수 있도록 가공된 재료를 이동시킬 수 있다. 이후, 롤, 시트, 실링 등을 통해 가공(505)된 후, 권취(506)되어 최종적으로 포장(507) 과정을 거쳐 압출제품이 출력될 수 있다.
특히나, 두께, 폭에 의한 불량발생 빈도 높으며, 기종교체 시 두께, 폭, 색상 등 기종교체 시점에 불량발생 빈도 높다.
또한, 두께와 폭을 실시간 측정하는 설비가 있으나 가격이 비싸서 현장 투입에 어려움이 존재하나, 공정조건 변수(X인자)와 품질발생현상(폭불량, 두께불량)을 사전에 예측하고, 양품을 생산하는 최적조건을 찾아서 현장 설비(온도제어, 롤러제어)를 제어가 가능하다.
이를 위해, 필요항목으로는 품질에 영향을 주는 독립변수(X인자) 정의, 품질결과/불량현상 데이터 수집 목적의 폭체크, 중량체크 데이터(Y인자) 활용할 수 있다.
만약, 중량미달의 경우 가로*세로*폭*비중을 통해 정량을 표현할 수 있는데 폭과 길이가 일정할 때 중량미달의 경우 폭 불량이 90%이상 차지할 수 있다.
따라서 중량미달 발생된 LOT의 생산구간을 찾아서 해당 조건의 경우 불량발생 구간으로 산출할 수 있다.
이 과정에서, 본 발명에 따른 인공지능 기반 품질이상 탐지 및 설비제어 방법은 설비 자동화 시스템은 산업표준 프로토콜 OPC-UA기반 HMI를 통하여 설비 최적 제어 및 데이터를 자동으로 집계할 수 있다.
자동으로 집계되는 정보는, RPM, 설비 구간 온도, 외기 온습도, 롤러 속도, 설비가동정보 등을 포함하고, 이를 기반으로 예측되는 품질에서 불량이 발생하는 경우에 구간 온도 제어, 롤러 속도 제어 등을 통해 불량을 줄일 수 있다.
결국, 본 발명을 이용하면, 부식방지필름을 제조하는 압출설비에서 발생/수집되고 있는 다양한 공정조건 데이터를 이용하여 사전품질관리 체계 확보 및 품질개선을 위한 Insight 도출을 위해 인공지능 기반의 품질 이상탐지(Anomaly Detection)모델을 제공하여 최적생산조건 연계한 설비제어 기술개발과 현장 적용이 가능하다.
또한, 본 발명을 이용하면, 인공지능 기반 품질예측 및 최적화기술은 당사가 직면한 변화의 위기에 대응할 수 있는 매우 적합한 기술이라고 사료되며 품질의 이상을 사전에 감지하고 다양한 소재의 생산에도 최적의 조건을 찾을 수 있게 되어 품질을 유지하고 생산성을 높일 수 있다.
또한, 본 발명을 이용하면, Blown Extrusion 방식의 압출설비의 온도, 속도, 외기온도, 제품두께, 폭 등 품질의 주요인자들에 대한 공정조건 최적화를 위한 머신러닝, 딥러닝 기반의 인공지능 모델을 제공할 수 있고, 품질 예측, 이상탐지, 불량원인인자, 공정 최적조건 등 결과데이터를 통해 제조현장의 가시성 확보 및 압출기 온도/속도 조건 제어 기술 제공할 수 있다.
본 발명을 이용하면, 압출기 조건데이터를 활용한 LSTM-AE, CNN, DNN, Variational-AE 등 머신러닝/딥러닝 활용하여 불량예측 및 공정 최적 조건 탐지모델 근간 불량주요 인자 탐지 및 압출설비 온도/속도 제어 기술을 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 제공될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 제공될 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 제공되어 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 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 제공들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계;
    수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계;
    예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트하는 단계; 및
    상기 업데이트된 생산조건데이터로 설정되도록 상기 설비 자동화 시스템에 요청하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  2. 제1항에 있어서,
    상기 생산조건데이터는 구간온도, 설비속도, 외기온도, 제품넓이 중에서 적어도 하나의 데이터를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  3. 제1항에 있어서,
    상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는,
    설비/센서 데이터 수집을 위한 데이터 인터페이스(Data Interface) 모듈을 제공하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  4. 제1항에 있어서,
    상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는,
    기존 MES 시스템과 연계한 데이터 통합 서비스 모듈을 제공하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  5. 제1항에 있어서,
    상기 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계는,
    Raw Data 현장 가시화 및 시계열 모니터링 기능을 제공하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  6. 제1항에 있어서,
    상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는,
    데이터 특성 파악을 위한 기본적 탐색(EDA)을 실시하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  7. 제1항에 있어서,
    상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는,
    품질이상 탐지 및 예측을 위한 인공지능 학습모델을 비지도학습을 기반으로 제공하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  8. 제1항에 있어서,
    상기 수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 단계는,
    불량 원인 인자 탐지를 위한 알고리즘 제공 모델 성능평가를 위한 성과지표 정의 및 성능테스트 실시하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  9. 제1항에 있어서,
    인공지능 모델을 이용하여 불량여부를 판단한 결과를 가시화하는 단계
    를 더 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  10. 제9항에 있어서,
    인공지능 모델을 이용하여 불량여부를 판단한 결과를 가시화하는 단계는,
    품질 인사이트(Insight) 도출을 위한 품질예측 가시화 및 최적화 가시화를 제공하는 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  11. 제1항에 있어서,
    설비 자동화 시스템으로부터 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습하는 단계
    를 더 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  12. 제11항에 있어서,
    상기 인공지능 모델을 학습하는 단계는,
    비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하는 제1 단계;
    Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)하는 제2 단계;
    불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출하는 제3 단계; 및
    상기 제1 내지 제3 단계를 복수회 반복하여 상기 인공지능 모델을 학습하는 제4 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.
  13. 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 데이터 수집자동화 처리부;
    수집된 생산조건데이터를 전처리하고 인공지능 모델을 이용하여 품질을 예측하는 지능형 IT 처리부;
    상기 예측된 품질에 기반하여 상기 설비 자동화 시스템의 생산라인의 이상을 탐지하고, 불량원인을 분석하는 정보화 처리부;
    상기 예측된 품질이 불량으로 판단된 경우, 조건 최적화를 위해 상기 생산조건데이터를 업데이트 하는 조건 최적화 처리부; 및
    상기 업데이트된 생산조건데이터로 설정되도록 상기 설비 자동화 시스템을 제어하는 최적조건 제어부
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 시스템.
  14. 설비 자동화 시스템으로부터 생산조건데이터를 수집하는 단계;
    상기 수집된 생산조건데이터에 기반하여 인공지능 모델을 학습하는 단계
    를 포함하고,
    상기 인공지능 모델을 학습하는 단계는,
    비지도학습 기반의 이상치 탐지모델 제공을 위한 머신러닝 또는 딥러닝 방법론 학습 및 검토 테스트를 실시하는 제1 단계;
    Local Outlier Factor 모델, Isolation Forest 모델, Auto-Encoder 모델, VAE 모델 중에서 적어도 하나 이상의 모델을 적용하여 이상 탐지(Anomaly Detection)하는 제2 단계;
    불량에 대한 주요원인인자 탐지 모델 제공 및 최적 공정조건에 대한 결과를 도출하는 제3 단계; 및
    상기 제1 내지 제3 단계를 복수회 반복하여 상기 인공지능 모델을 학습하는 제4 단계
    를 포함하는 것을 특징으로 하는 인공지능 기반 품질이상 탐지 및 설비제어 방법.

KR1020220103857A 2022-08-19 2022-08-19 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 KR20240025792A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220103857A KR20240025792A (ko) 2022-08-19 2022-08-19 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220103857A KR20240025792A (ko) 2022-08-19 2022-08-19 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20240025792A true KR20240025792A (ko) 2024-02-27

Family

ID=90058570

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220103857A KR20240025792A (ko) 2022-08-19 2022-08-19 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20240025792A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118011990A (zh) * 2024-04-10 2024-05-10 中国标准化研究院 基于人工智能的工业数据品质监控与提升系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102142703B1 (ko) 2018-10-25 2020-08-07 한국생산기술연구원 인공지능을 이용한 공정 제어 방법
KR20210100399A (ko) 2020-02-06 2021-08-17 한국전기연구원 인공 지능을 이용한 가공품질 예측 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102142703B1 (ko) 2018-10-25 2020-08-07 한국생산기술연구원 인공지능을 이용한 공정 제어 방법
KR20210100399A (ko) 2020-02-06 2021-08-17 한국전기연구원 인공 지능을 이용한 가공품질 예측 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118011990A (zh) * 2024-04-10 2024-05-10 中国标准化研究院 基于人工智能的工业数据品质监控与提升系统

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Cheng et al. Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms
US11308250B2 (en) Learning expected operational behavior of machines from generic definitions and past behavior
e Oliveira et al. Automatic root cause analysis in manufacturing: an overview & conceptualization
CN112418455B (zh) 一种设备故障预测与健康管理系统
JP2018190245A (ja) 設備機器の異常診断システム
Li et al. Interpretation of convolutional neural network-based building HVAC fault diagnosis model using improved layer-wise relevance propagation
CN117393076B (zh) 耐热环氧树脂生产过程智能监测方法及系统
CN106249709B (zh) 动态的过程质量控制图和定龄维修联合设计优化控制方法
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
KR20240025792A (ko) 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템
US20170176985A1 (en) Method for predicting end of line quality of assembled product
Tripathy et al. Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI
JP2021089116A (ja) 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法
CN116997867A (zh) 用于预测技术设施的运行的方法和系统
CN113868948A (zh) 一种面向用户的动态阈值模型训练系统及方法
CN112712305A (zh) 一种飞行器系统及其健康评估方法和装置
CN118132996B (zh) 一种基于工业数字孪生的自适应生产调度优化方法
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
CN113496332B (zh) 工业互联网故障预测方法和系统
CN118011990B (zh) 基于人工智能的工业数据品质监控与提升系统
US20230394301A1 (en) Device and method for tracking basis of abnormal state determination by using neural network model
CN118091406B (zh) 电机检测修复方法、装置、电子设备及存储介质
Heistracher et al. MOXAI–Manufacturing Optimization through Model-Agnostic Explainable AI and Data-Driven Process Tuning
Srinivas et al. Industry Maintenance Optimization Using AI