KR20240043606A - 동작 시간 예측 장치 및 그의 동작 방법 - Google Patents

동작 시간 예측 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20240043606A
KR20240043606A KR1020220122899A KR20220122899A KR20240043606A KR 20240043606 A KR20240043606 A KR 20240043606A KR 1020220122899 A KR1020220122899 A KR 1020220122899A KR 20220122899 A KR20220122899 A KR 20220122899A KR 20240043606 A KR20240043606 A KR 20240043606A
Authority
KR
South Korea
Prior art keywords
data
time
operation time
value
equipment
Prior art date
Application number
KR1020220122899A
Other languages
English (en)
Inventor
최태헌
Original Assignee
주식회사 엘지에너지솔루션
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 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to KR1020220122899A priority Critical patent/KR20240043606A/ko
Publication of KR20240043606A publication Critical patent/KR20240043606A/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
    • 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
    • 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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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]
    • 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)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치는, 설비의 동작 시간 데이터를 주기적으로 획득하는 데이터 획득부, 상기 동작 시간 데이터에 기초하여 기준 데이터를 추출하는 데이터 처리부, 및 시계열적 분석 모델에 기초하여, 상기 기준 데이터로부터 상기 설비의 동작 시간 예측 값을 산출하는 예측부를 포함하고, 상기 시계열적 분석 모델은, 자기회귀(autoregression) 모델의 래그(lag)를 의미하는 제1 모수(p)의 값이 1이고, 차분횟수를 의미하는 제2 모수(d)의 값이 1이고, 이동평균(moving average) 모델의 래그를 의미하는 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델인 것을 특징으로 할 수 있다.

Description

동작 시간 예측 장치 및 그의 동작 방법{APPARATUS FOR PREDICTING OPERATION TIME AND OPERATING METHOD THEREOF}
본 문서에 개시된 실시 예들은, 동작 시간 예측 장치 및 그의 동작 방법에 관한 것이다.
공정을 통해 제품 생산이 이루어지는 생산 시스템에서, 제품 1개를 생산하는데 필요한 평균 시간을 택 타임(tact time)이라 한다. 공정 효율이 정상적으로 유지되기 위해서는 각 공정 설비가 자신의 정상적인 택 타임 범위 내에서 작업을 완료해야 한다.
어느 공정 설비에 문제가 발생하여 설비의 동작 시간이 증가하게 되면 해당 설비의 택 타임이 급격히 증가할 수 있다. 즉, 해당 설비의 택 타임 지연이 발생할 수 있다. 이와 같이, 어느 하나의 공정 설비에 택 타임 지연이 발생하면, 나머지 공정 설비들에도 택 타임 지연을 초래할 수 있다. 택 타임 지연은 곧 공정 효율의 감소로 이어질 수 있기 때문에, 각 공정 설비의 택 타임 지연을 미리 예측하는 것이 중요하다.
이러한 설비의 택 타임을 산출하기 위해, 설비의 동작 시간을 측정하고 측정된 동작 시간에 기초하여 제품 1개를 생산하는데 필요한 택 타임을 산출하는 방법이 사용되었다.
종래에는, 택 타임 지연 시 택 타임 지연을 유발한 설비를 확인하기 위해 설비 담당자가 직접 동작 시간 모니터링 장치를 통해 각 설비의 동작 시간을 확인해야 했다. 그러나, 택 타임 지연을 유발한 설비를 직접 확인하는 것은 상당히 어렵고 많은 시간이 소요되어 담당자의 업무 효율과 제품 생산량이 저하되는 문제가 있었다.
본 문서에 개시된 실시 예들의 일 목적은, 시계열적 분석 모델에 기초하여 공정의 택 타임 산출을 위한 공정 설비의 동작 시간을 미리 예측할 수 있는 동작 시간 예측 장치 및 그의 동작 방법을 제공하는데 있다.
본 문서에 개시된 실시 예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치는, 설비의 동작 시간 데이터를 주기적으로 획득하는 데이터 획득부, 상기 동작 시간 데이터에 기초하여 기준 데이터를 추출하는 데이터 처리부, 및 시계열적 분석 모델에 기초하여, 상기 기준 데이터로부터 상기 설비의 동작 시간 예측 값을 산출하는 예측부를 포함하고, 상기 시계열적 분석 모델은, 자기회귀(autoregression) 모델의 래그(lag)를 의미하는 제1 모수(p)의 값이 1이고, 차분횟수를 의미하는 제2 모수(d)의 값이 1이고, 이동평균(moving average) 모델의 래그를 의미하는 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델인 것을 특징으로 할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치에 있어서, 상기 데이터 처리부는, 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 전처리 데이터로 변환하고, 상기 제1 기준 시간보다 크거나 같은 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터로부터 상기 기준 데이터를 추출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치에 있어서, 상기 데이터 처리부는, 상기 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 평균하여 상기 전처리 데이터로 변환할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치에 있어서, 상기 데이터 처리부는, 상기 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터 중 최대 값을 상기 기준 데이터로 추출할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치에 있어서, 상기 동작 시간 데이터는, 상기 설비의 응답 소요 시간, 상기 설비에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 상기 설비를 통한 공정의 소요 시간에 관한 데이터를 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 장치는, 상기 동작 시간 예측 값을 외부 전자 장치로 송신하는 데이터 송신부를 더 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법은, 설비의 동작 시간 데이터를 주기적으로 획득하는 동작, 상기 동작 시간 데이터에 기초하여 기준 데이터를 추출하는 동작, 및 시계열적 분석 모델에 기초하여, 상기 기준 데이터로부터 상기 설비의 동작 시간 예측 값을 산출하는 동작을 포함하고, 상기 시계열적 분석 모델은, 자기회귀(autoregression) 모델의 래그(lag)를 의미하는 제1 모수(p)의 값이 1이고, 차분횟수를 의미하는 제2 모수(d)의 값이 1이고, 이동평균(moving average) 모델의 래그를 의미하는 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델인 것을 특징으로 할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법에 있어서, 상기 기준 데이터를 추출하는 동작은, 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 전처리 데이터로 변환하는 동작, 및 상기 제1 기준 시간보다 크거나 같은 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터로부터 상기 기준 데이터를 추출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법에 있어서, 상기 전처리 데이터로 변환하는 동작은, 상기 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 평균하여 상기 전처리 데이터로 변환하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법에 있어서, 상기 기준 데이터를 추출하는 동작은, 상기 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터 중 최대 값을 상기 기준 데이터로 추출하는 동작을 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법에 있어서, 상기 동작 시간 데이터는, 상기 설비의 응답 소요 시간, 상기 설비에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 상기 설비를 통한 공정의 소요 시간에 관한 데이터를 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 동작 시간 예측 방법은, 상기 동작 시간 예측 값을 외부 전자 장치로 송신하는 동작을 더 포함할 수 있다.
본 문서에 개시된 실시 예들에 따르면, 공정 설비의 동작 시간을 미리 예측함으로써 택 타임 지연을 사전에 방지할 수 있다.
본 문서에 개시된 실시 예들에 따르면, 각 공정 설비의 택 타임 지연을 사전에 감지할 수 있어, 설비 담당자의 업무 효율 및 제품 생산량을 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 동작 시간 예측 시스템을 나타내는 블록도이다.
도 2는 일 실시 예에 따른 동작 시간 예측 장치의 동작 흐름도이다.
도 3은 일 실시 예에 따른 동작 시간 예측 장치의 동작 흐름도이다.
도 4는 일 실시 예에 따른 동작 시간 예측 장치가 동작 시간 예측 값을 산출하는 과정을 설명하기 위한 그래프이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째", "둘째", "A", "B", "(a)" 또는 "(b)"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 특별히 반대되는 기재가 없는 한, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다.
본 문서에서, 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "연결", "결합" 또는 "접속"된다고 언급되거나 "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 1은 일 실시 예에 따른 동작 시간 예측 시스템을 나타내는 블록도이다.
도 1을 참조하면, 동작 시간 예측 시스템(100)은 동작 시간 예측 장치(110), 모니터링 장치(120), 설비(130), 및/또는 외부 전자 장치(140)를 포함할 수 있다. 어떤 실시 예에 따르면, 동작 시간 예측 시스템(100)은 도 1의 구성 요소들 중 적어도 하나가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다.
동작 시간 예측 장치(110)는 데이터 획득부(111), 데이터 처리부(112), 예측부(113), 및/또는 데이터 송신부(114)를 포함할 수 있다.
일 실시 예에 따르면, 데이터 획득부(111)는 외부 장치 및/또는 외부 서버로부터 데이터를 유선 또는 무선으로 수신할 수 있다. 일 실시 예에 따르면, 데이터 획득부(111)는 모니터링 장치(120)로부터 설비(130)의 동작 시간 데이터를 주기적으로 획득할 수 있다. 예를 들어, 데이터 획득부(111)는 모니터링 장치(120)가 설비(130)의 동작 시간을 측정하는 주기(예: 1초)와 동일한 주기로 동작 시간 데이터를 획득할 수 있다. 여기에서, 동작 시간 데이터는 설비(130)의 응답 소요 시간, 설비(130)에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 설비(130)를 통한 공정의 소요 시간에 관한 데이터를 포함할 수 있다.
모니터링 장치(120)는 설비(130)의 동작 시간(예: 설비(130)의 응답 소요 시간, 설비(130)에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 설비(130)를 통한 공정의 소요 시간)을 주기적으로 측정할 수 있다. 예를 들어, 모니터링 장치(120)는 설비(130)의 동작 시간을 1초마다 측정할 수 있다. 또한, 모니터링 장치(120)는 측정된 동작 시간을 포함하는 동작 시간 데이터를 데이터 획득부(111)로 유선 또는 무선으로 송신할 수 있다. 일 실시 예에 따르면, 모니터링 장치(120)는 PLC(programmable logic controller)로 구현될 수 있다.
데이터 처리부(112)는 데이터 획득부(111)를 통해 획득된 동작 시간 데이터에 기초하여 기준 데이터를 추출할 수 있다.
일 실시 예에 따르면, 데이터 처리부(112)는 제1 기준 시간 동안 획득된 동작 시간 데이터를 전처리 데이터로 변환할 수 있다. 예를 들어, 데이터 처리부(112)는 제1 기준 시간 동안 획득된 동작 시간 데이터를 평균하여 전처리 데이터로 변환할 수 있다. 이에 따르면, 제1 기준 시간이 10분으로 설정된 경우, 전처리 데이터는 10분 동안 측정된 설비(130)의 동작 시간들의 평균 값일 수 있다.
일 실시 예에 따르면, 데이터 처리부(112)는 제2 기준 시간 동안 누적적으로 변환된 전처리 데이터로부터 기준 데이터를 추출할 수 있다. 여기에서, 제2 기준 시간은 제1 기준 시간보다 크거나 같을 수 있다. 예를 들어, 데이터 처리부(112)는 제2 기준 시간 동안 누적적으로 변환된 전처리 데이터 중 최대 값을 기준 데이터로 추출할 수 있다. 이에 따르면, 제2 기준 시간이 제1 기준 시간(예: 10분)보다 큰 24시간으로 설정된 경우, 기준 데이터는 24시간 동안 변환된 설비(130)의 10분 단위 평균 동작 시간들 중 최대 값일 수 있다.
예측부(113)는 데이터 처리부(112)를 통해 추출된 기준 데이터로부터 설비(130)의 동작 시간 예측 값을 산출할 수 있다.
일 실시 예에 따르면, 예측부(113)는 시계열적 분석 모델에 기초하여 기준 데이터로부터 설비(130)의 동작 시간 예측 값을 산출할 수 있다. 여기에서, 동작 시간 예측 값은 현재 시점에서 지정된 시간 이후 시점의 설비(130)의 동작 시간을 의미할 수 있다. 일 실시 예에 따르면, 시계열적 분석 모델은 시계열의 비 정상성을 제거하기 위해 자기회귀(autoregression) 및 이동평균(moving average)을 이용하는 ARIMA(autoregressive integrated moving average) 모델일 수 있다. 여기에서, ARIMA 모델은 자기회귀 모델의 래그(lag)를 의미하는 제1 모수(p), 차분횟수를 의미하는 제2 모수(d), 및 이동평균 모델의 래그를 의미하는 제3 모수(q)를 갖는 ARIMA(p, d, q) 모델로 나타낼 수 있다. 예를 들어, 시계열적 분석 모델은 제1 모수(p)의 값이 1이고, 제2 모수(d)의 값이 1이고, 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델일 수 있다. 이 경우, 예측부(113)는 ARIMA(1, 1, 13) 모델에 기준 데이터를 입력함으로써 설비(130)의 동작 시간 예측 값을 산출할 수 있다.
데이터 송신부(114)는 예측부(113)를 통해 산출된 동작 시간 예측 값을 외부 전자 장치(140)로 유선 또는 무선으로 송신할 수 있다. 설비(130)의 담당자는 외부 전자 장치(140)로 수신된 동작 시간 예측 값에 기반하여 설비(130)의 택 타임 지연 여부를 미리 예측할 수 있다.
도 2는 일 실시 예에 따른 동작 시간 예측 장치의 동작 흐름도이다. 도 2는 도 1의 구성들을 이용하여 설명될 수 있다.
도 2에 도시된 실시 예는 일 실시 예일 뿐이며, 본 발명의 다양한 실시 예에 따른 단계의 순서는 도 2에 도시된 바와 다를 수 있고, 도 2에 도시된 일부 단계들이 생략되거나 단계들 간의 순서가 변경되거나 단계들이 병합될 수도 있다.
도 2를 참조하면, 동작 205에서, 동작 시간 예측 장치(110)는 설비(130)의 동작 시간 데이터를 주기적으로 획득할 수 있다. 일 실시 예에 따르면, 동작 시간 예측 장치(110)는 모니터링 장치(120)로부터 설비(130)의 동작 시간 데이터를 주기적으로 획득할 수 있다. 예를 들어, 동작 시간 예측 장치(110)는 모니터링 장치(120)가 설비(130)의 동작 시간을 측정하는 주기(예: 1초)와 동일한 주기로 동작 시간 데이터를 획득할 수 있다. 여기에서, 동작 시간 데이터는 설비(130)의 응답 소요 시간, 설비(130)에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 설비(130)를 통한 공정의 소요 시간에 관한 데이터를 포함할 수 있다.
동작 210에서, 동작 시간 예측 장치(110)는 동작 205에서 획득된 동작 시간 데이터에 기초하여 기준 데이터를 추출할 수 있다. 동작 시간 예측 장치(110)가 기준 데이터를 추출하는 동작 210은 도 3을 통해 구체적으로 설명될 수 있다.
동작 215에서, 동작 시간 예측 장치(110)는 동작 210을 통해 추출된 기준 데이터로부터 설비(130)의 동작 시간 예측 값을 산출할 수 있다.
일 실시 예에 따르면, 동작 시간 예측 장치(110)는 시계열적 분석 모델에 기초하여 기준 데이터로부터 설비(130)의 동작 시간 예측 값을 산출할 수 있다. 여기에서, 동작 시간 예측 값은 현재 시점에서 지정된 시간 이후 시점의 설비(130)의 동작 시간을 의미할 수 있다. 일 실시 예에 따르면, 시계열적 분석 모델은 시계열의 비 정상성을 제거하기 위해 자기회귀 및 이동평균을 이용하는 ARIMA 모델일 수 있다. 여기에서, ARIMA 모델은 자기회귀 모델의 래그를 의미하는 제1 모수(p), 차분횟수를 의미하는 제2 모수(d), 및 이동평균 모델의 래그를 의미하는 제3 모수(q)를 갖는 ARIMA(p, d, q) 모델로 나타낼 수 있다. 예를 들어, 시계열적 분석 모델은 제1 모수(p)의 값이 1이고, 제2 모수(d)의 값이 1이고, 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델일 수 있다. 이 경우, 예측부(113)는 ARIMA(1, 1, 13) 모델에 기준 데이터를 입력함으로써 설비(130)의 동작 시간 예측 값을 산출할 수 있다.
동작 220에서, 동작 시간 예측 장치(110)는 동작 215에서 산출된 동작 시간 예측 값을 외부 전자 장치(140)로 송신할 수 있다.
도 3은 일 실시 예에 따른 동작 시간 예측 장치의 동작 흐름도이다. 도 3은 도 1의 구성들을 이용하여 설명될 수 있다.
도 3을 참조하면, 동작 305에서, 동작 시간 예측 장치(110)는 제1 기준 시간 동안 획득된 동작 시간 데이터를 전처리 데이터로 변환할 수 있다. 여기에서, 동작 시간 데이터는 동작 시간 예측 장치(110)가 도 2의 동작 205를 통해 획득한 데이터일 수 있다.
일 실시 예에 따르면, 동작 시간 예측 장치(110)는 제1 기준 시간 동안 획득된 동작 시간 데이터를 평균하여 전처리 데이터로 변환할 수 있다. 이에 따르면, 제1 기준 시간이 10분으로 설정된 경우, 전처리 데이터는 10분 동안 측정된 설비(130)의 동작 시간들의 평균 값일 수 있다.
동작 310에서, 동작 시간 예측 장치(110)는 제2 기준 시간 동안 동작 305를 통해 누적적으로 변환된 전처리 데이터로부터 기준 데이터를 추출할 수 있다. 여기에서, 제2 기준 시간은 제1 기준 시간보다 크거나 같을 수 있다.
일 실시 예에 따르면, 동작 시간 예측 장치(110)는 제2 기준 시간 동안 누적적으로 변환된 전처리 데이터 중 최대 값을 기준 데이터로 추출할 수 있다. 이에 따르면, 제2 기준 시간이 제1 기준 시간(예: 10분)보다 큰 24시간으로 설정된 경우, 기준 데이터는 24시간 동안 변환된 설비(130)의 10분 단위 평균 동작 시간들 중 최대 값일 수 있다.
도 4는 일 실시 예에 따른 동작 시간 예측 장치가 동작 시간 예측 값을 산출하는 과정을 설명하기 위한 그래프이다. 도 4는 도 1의 구성들을 이용하여 설명될 수 있다.
도 4를 참조하면, 제1 그래프(410) 및 제2 그래프(420)는 동작 시간 예측 장치(110)가 동작 시간 데이터로부터 기준 데이터를 추출하는 과정을 나타내고, 제3 그래프(430)는 동작 시간 예측 장치(110)가 기준 데이터로부터 동작 시간 예측 값을 산출하는 과정을 나타낸다. 제1 그래프(410), 제2 그래프(420), 및 제3 그래프(430)의 x축은 시간을 나타내고, y축은 설비(130)의 동작 시간(예: 설비(130)의 응답 소요 시간, 설비(130)에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 설비(130)를 통한 공정의 소요 시간)을 나타낼 수 있다.
제1 그래프(410)는 동작 시간 예측 장치(110)가 제1 기준 시간(예: 10분) 동안 획득된 동작 시간 데이터를 평균하여 변환한 전처리 데이터를 나타낼 수 있다. 이에 따르면, 제1 그래프(410)는 10분 동안 측정된 설비(130)의 동작 시간들의 평균 값을 연결하여 표시된 그래프일 수 있다.
제2 그래프(420)는 동작 시간 예측 장치(110)가 제2 기준 시간(예: 24시간) 동안 변환된 전처리 데이터 중 최대 값을 추출한 기준 데이터를 나타낼 수 있다. 이에 따르면, 제2 그래프(420)는 24시간 동안 변환된 설비(130)의 10분 단위 평균 동작 시간들 중 최대 값을 연결하여 표시된 그래프일 수 있다.
제3 그래프(430)는 동작 시간 예측 장치(110)가 시계열적 분석 모델에 기초하여 기준 데이터로부터 산출한 동작 시간 예측 값 및 기준 데이터를 함께 나타낼 수 있다. 여기에서, 동작 시간 예측 값은 현재 시점에서 지정된 시간 이후 시점의 설비(130)의 동작 시간을 의미할 수 있다. 제3 그래프(430)는, 동작 시간 예측 장치(110)가 약 55일까지의 기준 데이터에 기초하여 약 4일 후 시점부터의 설비(130)의 동작 시간 예측 값을 산출한 예시를 나타낼 수 있다.
이상에서 기재된 "포함하다", "구성하다", 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소를 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 문서에 개시된 실시 예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

Claims (12)

  1. 동작 시간 예측 장치에 있어서,
    설비의 동작 시간 데이터를 주기적으로 획득하는 데이터 획득부;
    상기 동작 시간 데이터에 기초하여 기준 데이터를 추출하는 데이터 처리부; 및
    시계열적 분석 모델에 기초하여, 상기 기준 데이터로부터 상기 설비의 동작 시간 예측 값을 산출하는 예측부를 포함하고,
    상기 시계열적 분석 모델은, 자기회귀(autoregression) 모델의 래그(lag)를 의미하는 제1 모수(p)의 값이 1이고, 차분횟수를 의미하는 제2 모수(d)의 값이 1이고, 이동평균(moving average) 모델의 래그를 의미하는 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델인 것을 특징으로 하는, 동작 시간 예측 장치.
  2. 청구항 1 에 있어서,
    상기 데이터 처리부는,
    제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 전처리 데이터로 변환하고,
    상기 제1 기준 시간보다 크거나 같은 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터로부터 상기 기준 데이터를 추출하는, 동작 시간 예측 장치.
  3. 청구항 2에 있어서,
    상기 데이터 처리부는,
    상기 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 평균하여 상기 전처리 데이터로 변환하는, 동작 시간 예측 장치.
  4. 청구항 3에 있어서,
    상기 데이터 처리부는,
    상기 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터 중 최대 값을 상기 기준 데이터로 추출하는, 동작 시간 예측 장치.
  5. 청구항 1에 있어서,
    상기 동작 시간 데이터는, 상기 설비의 응답 소요 시간, 상기 설비에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 상기 설비를 통한 공정의 소요 시간에 관한 데이터를 포함하는, 동작 시간 예측 장치.
  6. 청구항 1에 있어서,
    상기 동작 시간 예측 값을 외부 전자 장치로 송신하는 데이터 송신부를 더 포함하는, 동작 시간 예측 장치.
  7. 동작 시간 예측 방법에 있어서,
    설비의 동작 시간 데이터를 주기적으로 획득하는 동작;
    상기 동작 시간 데이터에 기초하여 기준 데이터를 추출하는 동작; 및
    시계열적 분석 모델에 기초하여, 상기 기준 데이터로부터 상기 설비의 동작 시간 예측 값을 산출하는 동작을 포함하고,
    상기 시계열적 분석 모델은, 자기회귀(autoregression) 모델의 래그(lag)를 의미하는 제1 모수(p)의 값이 1이고, 차분횟수를 의미하는 제2 모수(d)의 값이 1이고, 이동평균(moving average) 모델의 래그를 의미하는 제3 모수(q)의 값이 13인 ARIMA(p, d, q) 모델인 것을 특징으로 하는, 동작 시간 예측 방법.
  8. 청구항 7에 있어서,
    상기 기준 데이터를 추출하는 동작은,
    제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 전처리 데이터로 변환하는 동작, 및
    상기 제1 기준 시간보다 크거나 같은 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터로부터 상기 기준 데이터를 추출하는 동작을 포함하는, 동작 시간 예측 방법.
  9. 청구항 8에 있어서,
    상기 전처리 데이터로 변환하는 동작은,
    상기 제1 기준 시간 동안 획득된 상기 동작 시간 데이터를 평균하여 상기 전처리 데이터로 변환하는 동작을 포함하는, 동작 시간 예측 방법.
  10. 청구항 9에 있어서,
    상기 기준 데이터를 추출하는 동작은,
    상기 제2 기준 시간 동안 누적적으로 변환된 상기 전처리 데이터 중 최대 값을 상기 기준 데이터로 추출하는 동작을 포함하는, 동작 시간 예측 방법.
  11. 청구항 7에 있어서,
    상기 동작 시간 데이터는, 상기 설비의 응답 소요 시간, 상기 설비에 포함되는 구성요소 상호 간의 통신 소요 시간, 또는 상기 설비를 통한 공정의 소요 시간에 관한 데이터를 포함하는, 동작 시간 예측 방법.
  12. 청구항 7에 있어서,
    상기 동작 시간 예측 값을 외부 전자 장치로 송신하는 동작을 더 포함하는, 동작 시간 예측 방법.
KR1020220122899A 2022-09-27 2022-09-27 동작 시간 예측 장치 및 그의 동작 방법 KR20240043606A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220122899A KR20240043606A (ko) 2022-09-27 2022-09-27 동작 시간 예측 장치 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220122899A KR20240043606A (ko) 2022-09-27 2022-09-27 동작 시간 예측 장치 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20240043606A true KR20240043606A (ko) 2024-04-03

Family

ID=90662426

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220122899A KR20240043606A (ko) 2022-09-27 2022-09-27 동작 시간 예측 장치 및 그의 동작 방법

Country Status (1)

Country Link
KR (1) KR20240043606A (ko)

Similar Documents

Publication Publication Date Title
US20100070213A1 (en) Method for Monitoring the Electrical Energy Quality in an Electrical Energy Supply System, Power Quality Field Device and Power Quality System
US11307566B2 (en) System and method for diagnosing pneumatic control valve online
EP3270250A1 (en) Method and system for remote monitoring of power generation units
EP3422639A2 (en) Performance testing method and apparatus for an industrial system deployed on cloud
CN109253791A (zh) 一种电子秤防作弊系统以及方法
CN106104530B (zh) 自动化处理自动化系统的多个协议数据的方法
EP3553044A1 (en) System and method of remote object monitoring
CN102650875B (zh) 检查系统、管理服务器、检查装置及检查数据管理方法
JP2005346655A (ja) 工程管理装置、工程管理方法、工程管理プログラム、および該プログラムを記録した記録媒体
WO2014117967A1 (en) Method and apparatus for deriving diagnostic data about a technical system
JP5621967B2 (ja) 異常データ分析システム
CN114169692A (zh) 一种设备隐患处理系统、方法、电子设备及介质
US20130204579A1 (en) State Monitoring Method and System for Wind Energy Installations
CN105589785A (zh) 监控存储设备的io性能的装置和方法
US8102180B2 (en) CPU voltage testing system and method thereof
KR20240043606A (ko) 동작 시간 예측 장치 및 그의 동작 방법
US7802143B2 (en) Testing system and testing method thereof
JP2022094037A (ja) 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
CN115424106A (zh) 台车检测方法、装置、电子设备及存储介质
CN115766793A (zh) 一种基于数据中心机房基础环境监测报警装置
KR100380966B1 (ko) 화력 발전소 열응력 모니터링 장치 및 그 방법
CN112463480A (zh) 一种基于arm架构的压力测试方法、系统、终端及存储介质
JP7149499B2 (ja) データ分析方法、データ分析装置及びデータ分析プログラム
US11703425B2 (en) Information processing apparatus, system, production facility, information processing method, method of manufacturing products, and recording medium
JP2002182721A (ja) 通信ネットワークを用いた光半導体素子の品質信頼性情報提供システム