KR20240108773A - Apparatus for analyzing the causes of process conditions based on model analysis and method therefor - Google Patents
Apparatus for analyzing the causes of process conditions based on model analysis and method therefor Download PDFInfo
- Publication number
- KR20240108773A KR20240108773A KR1020230030032A KR20230030032A KR20240108773A KR 20240108773 A KR20240108773 A KR 20240108773A KR 1020230030032 A KR1020230030032 A KR 1020230030032A KR 20230030032 A KR20230030032 A KR 20230030032A KR 20240108773 A KR20240108773 A KR 20240108773A
- Authority
- KR
- South Korea
- Prior art keywords
- analysis
- data
- prediction
- state
- parameters
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 230000001364 causal effect Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
원인 분석을 위한 방법은 수집부가 소정의 공정과 관련된 복수의 파라미터를 포함하는 입력 데이터 및 상기 공정의 상태를 나타내는 상태 레이블을 포함하는 복수의 분석 데이터를 수집하는 단계와, 연산부가 학습된 가중치를 가지는 인공지능모델을 통해 상기 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 상기 공정의 상태를 예측하는 예측 데이터를 산출하는 단계와, 분석부가 상기 복수의 파라미터 각각의 상기 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하는 단계와, 상기 분석부가 상기 복수의 입력 데이터에 대응하는 상기 해석 데이터에 따라 상기 복수의 파라미터로부터 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 단계를 포함한다. The method for cause analysis includes the steps of a collection unit collecting a plurality of analysis data including input data containing a plurality of parameters related to a predetermined process and a state label indicating the state of the process, and a calculation unit having learned weights. Calculating prediction data predicting the state of the process by performing a weighting operation on each of the plurality of input data through an artificial intelligence model, and determining the extent to which the analysis unit contributes to the calculation of the prediction data for each of the plurality of parameters. Deriving analysis data including contribution values, and deriving, by the analysis unit, main causal parameters contributing to the state of the process from the plurality of parameters according to the analysis data corresponding to the plurality of input data. .
Description
본 발명은 원인 분석 기술에 관한 것으로, 보다 상세하게는 설명 가능한 인공 지능(XAI: eXplainable Artificial Intelligence) 모델 해석 기반의 공정 상태의 원인 분석을 위한 장치 및 이를 위한 방법에 관한 것이다. The present invention relates to cause analysis technology, and more specifically, to an apparatus and method for cause analysis of a process state based on explainable artificial intelligence (XAI: eXplainable Artificial Intelligence) model analysis.
기존 공장에서 공정을 개선하기 위해서는 현장 전문가의 경험과 지식을 중심으로 공정 개선을 진행하였다. 하지만, 이러한 방식은 결과를 예상할 수 없으며, 개선하기 위한 변경이 오히려 나쁜 결과를 이끌어 내는 경우가 발생할 수 있다. In order to improve the process at the existing factory, process improvement was carried out based on the experience and knowledge of field experts. However, this method cannot predict results, and changes for improvement may actually lead to worse results.
본 발명의 목적은 설명 가능한 인공 지능 모델의 예측 결과와 해석 결과를 수집하고, 이를 기반으로 하는 서열화를 통해 공정의 이상 원인을 분석하기 위한 장치 및 이를 위한 방법을 제공함에 있다. The purpose of the present invention is to provide an apparatus and method for collecting prediction and analysis results of an explainable artificial intelligence model and analyzing the causes of process abnormalities through sequencing based on them.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 원인 분석을 위한 방법은 수집부가 소정의 공정과 관련된 복수의 파라미터를 포함하는 입력 데이터 및 상기 공정의 상태를 나타내는 상태 레이블을 포함하는 복수의 분석 데이터를 수집하는 단계와, 연산부가 학습된 가중치를 가지는 인공지능모델을 통해 상기 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 상기 공정의 상태를 예측하는 예측 데이터를 산출하는 단계와, 분석부가 상기 복수의 파라미터 각각의 상기 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하는 단계와, 상기 분석부가 상기 복수의 입력 데이터에 대응하는 상기 해석 데이터에 따라 상기 복수의 파라미터로부터 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 단계를 포함한다. A method for cause analysis according to a preferred embodiment of the present invention to achieve the above-described object includes a collection unit including input data containing a plurality of parameters related to a predetermined process and a status label indicating the status of the process. A step of collecting a plurality of analysis data, a calculation unit performing a weight calculation on each of the plurality of input data through an artificial intelligence model with learned weights, and calculating prediction data for predicting the state of the process; A step of the analysis unit deriving analysis data including a contribution value indicating the degree to which each of the plurality of parameters contributed to the calculation of the prediction data, and the analysis unit deriving analysis data from the plurality of parameters according to the analysis data corresponding to the plurality of input data. and deriving key causal parameters contributing to the state of the process.
상기 원인을 도출하는 단계는 상기 분석부가 상기 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출하는 단계와, 상기 분석부가 예측 데이터에 대응하는 해석 데이터의 복수의 파라미터에 대응하는 기여치에 상기 예측 가중치를 적용하는 단계와, 상기 분석부가 상기 예측 가중치가 적용된 기여치에 따라 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 단계를 포함한다. The step of deriving the cause includes the step of the analysis unit deriving a prediction weight by normalizing an error that is the difference between the prediction data corresponding to each of the plurality of input data and the corresponding state label, and the analysis unit deriving a prediction weight corresponding to the prediction data. Applying the prediction weight to a contribution value corresponding to a plurality of parameters of analysis data, and the analysis unit deriving a main causal parameter contributing to the state of the process according to the contribution value to which the prediction weight is applied. .
상기 예측 가중치를 도출하는 단계는 상기 분석부가 수학식 In the step of deriving the prediction weight, the analysis unit uses the equation
에 따라 예측 가중치를 도출하는 것을 특징으로 한다. It is characterized by deriving prediction weights according to .
여기서, 상기 D는 예측 가중치이고, 상기 는 복수의 입력 데이터 중 어느 하나에 대응하는 예측 데이터와 상태 레이블과의 차이를 나타내는 현재 오차이고, 상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최대값이고, 상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최소값인 것을 특징으로 한다. Here, D is the prediction weight, and is the current error indicating the difference between the predicted data corresponding to any one of the plurality of input data and the state label, is the maximum value among the errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data, is characterized in that it is the minimum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data.
상기 공정의 상태는 소정의 정상 범위를 상회하는 상회 이상 상태 및 상기 정상 범위를 하회하는 하회 이상 상태를 포함한다. The state of the process includes an upper abnormal state that is above a predetermined normal range and a lower abnormal state that is lower than the normal range.
상기 예측 데이터를 산출하는 단계는 각각이 복수의 연산을 수행하는 복수의 계층과 상기 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가지는 상기 인공지능모델이 입력 데이터의 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 모델 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출하는 것을 특징으로 한다. In the step of calculating the prediction data, the artificial intelligence model, which has a plurality of layers each performing a plurality of operations and model weights connected through a plurality of different paths between the plurality of layers, is used to determine each of the plurality of parameters of the input data. It is characterized by calculating predicted data by performing a weighting operation in which different model weights according to different paths are applied.
상기 해석 데이터를 도출하는 단계는 상기 분석부가 복수의 파라미터 각각의 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 복수의 파라미터 각각의 기여치를 도출하는 것을 특징으로 한다. The step of deriving the analysis data is characterized in that the analysis unit derives the contribution value of each of the plurality of parameters according to the calculation path of each of the plurality of parameters and the model weight applied to the path.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 원인 분석을 위한 장치는 소정의 공정과 관련된 복수의 파라미터를 포함하는 입력 데이터 및 상기 공정의 상태를 나타내는 상태 레이블을 포함하는 복수의 분석 데이터를 수집하는 수집부와, 학습된 가중치를 가지는 인공지능모델을 통해 상기 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 상기 공정의 상태를 예측하는 예측 데이터를 산출하는 연산부와, 상기 복수의 파라미터 각각의 상기 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하고, 상기 복수의 입력 데이터에 대응하는 상기 해석 데이터에 따라 상기 복수의 파라미터로부터 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 분석부를 포함한다. An apparatus for cause analysis according to a preferred embodiment of the present invention for achieving the above-described object includes input data including a plurality of parameters related to a predetermined process and a plurality of status labels indicating the state of the process. a collection unit that collects analysis data, a calculation unit that performs a weight calculation on each of the plurality of input data through an artificial intelligence model with learned weights to calculate prediction data that predicts the state of the process, and the plurality of Deriving analysis data including a contribution value that is the degree to which each parameter contributed to the calculation of the prediction data, and main causal parameters contributing to the state of the process from the plurality of parameters according to the analysis data corresponding to the plurality of input data It includes an analysis section that derives .
상기 분석부는 상기 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출하고, 예측 데이터에 대응하는 해석 데이터의 복수의 파라미터에 대응하는 기여치에 상기 예측 가중치를 적용하고, 상기 예측 가중치가 적용된 기여치에 따라 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 것을 특징으로 한다. The analysis unit derives a prediction weight by normalizing an error that is the difference between the prediction data corresponding to each of the plurality of input data and the corresponding state label, and calculates the contribution value corresponding to the plurality of parameters of the analysis data corresponding to the prediction data. The prediction weight is applied, and the main causal parameter contributing to the state of the process is derived according to the contribution value to which the prediction weight is applied.
상기 분석부는 수학식 The analysis unit uses a mathematical formula
에 따라 예측 가중치를 도출하는 것을 특징으로 한다. It is characterized by deriving prediction weights according to .
여기서, 상기 D는 예측 가중치이고, 상기 는 복수의 입력 데이터 중 어느 하나에 대응하는 예측 데이터와 상태 레이블과의 차이를 나타내는 현재 오차이고, 상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최대값이고, 상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최소값인 것을 특징으로 한다. Here, D is the prediction weight, and is the current error indicating the difference between the predicted data corresponding to any one of the plurality of input data and the state label, is the maximum value among the errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data, is characterized in that it is the minimum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data.
상기 공정의 상태는 소정의 정상 범위를 상회하는 상회 이상 상태 및 상기 정상 범위를 하회하는 하회 이상 상태를 포함한다. The state of the process includes an upper abnormal state that is above a predetermined normal range and a lower abnormal state that is lower than the normal range.
상기 인공지능모델은 각각이 복수의 연산을 수행하는 복수의 계층과 상기 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가지며, 상기 인공지능모델은 입력 데이터의 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 모델 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출하는 것을 특징으로 한다. The artificial intelligence model has a plurality of layers each performing a plurality of operations and model weights connected to a plurality of different paths between the plurality of layers, and the artificial intelligence model It is characterized by calculating predicted data by performing a weighting operation in which different model weights according to different paths are applied.
상기 분석부는 복수의 파라미터 각각의 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 복수의 파라미터 각각의 기여치를 도출하는 것을 특징으로 한다. The analysis unit is characterized in that it derives the contribution value of each of the plurality of parameters according to the calculation path of each of the plurality of parameters and the model weight applied to the path.
본 발명에 따르면 공정과 관련된 데이터에 대해 일관성 있고 신뢰도 높은 원인 분석이 가능하다. 이러한 원인 분석에 따른 공정의 개선의 효과 역시 현저하다. According to the present invention, consistent and highly reliable cause analysis is possible for process-related data. The effect of process improvement based on this cause analysis is also significant.
도 1은 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 1 is a block diagram illustrating the configuration of an apparatus for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention.
Figure 2 is a flowchart illustrating a method for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention.
Figure 3 is a diagram showing a computing device according to an embodiment of the present invention.
본 발명의 상세한 설명에 앞서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다. Prior to the detailed description of the present invention, the embodiments described in this specification and the configurations shown in the drawings are only the most preferred embodiments of the present invention and do not represent the entire technical idea of the present invention, so at the time of filing this application, It should be understood that there may be various equivalents and variations that may replace them.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the attached drawings. At this time, it should be noted that in the attached drawings, identical components are indicated by identical symbols whenever possible. Additionally, detailed descriptions of well-known functions and configurations that may obscure the gist of the present invention will be omitted. For the same reason, in the accompanying drawings, some components are exaggerated, omitted, or schematically shown, and the size of each component does not entirely reflect the actual size.
또한, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. In addition, the terms or words used in the specification and claims described below should not be construed as limited to their common or dictionary meanings, and the inventor should use the concept of terms to explain his or her invention in the best way. It must be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle that it can be appropriately defined.
먼저, 다음으로, 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 장치의 구성에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 장치의 구성을 설명하기 위한 블록도이다. First, the configuration of an apparatus for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention will be described. 1 is a block diagram illustrating the configuration of an apparatus for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 실시예에 따른 분석장치(10)는 학습부(100), 수집부(200), 연산부(300) 및 분석부(400)를 포함한다. Referring to FIG. 1, the
학습부(100)는 복수의 학습 데이터를 이용한 학습을 통해 인공지능모델을 생성하기 위한 것이다. 본 발명의 실시예에 따른 인공지능모델은 설명가능한 AI(eXplainable Artificial Intelligence, XAI)이며, 인공지능모델은 소정의 공정과 관련된 입력 데이터를 입력 받고, 공정의 상태를 예측하도록 학습된다. The learning unit 100 is used to create an artificial intelligence model through learning using a plurality of learning data. The artificial intelligence model according to an embodiment of the present invention is explainable AI (eXplainable Artificial Intelligence, XAI), and the artificial intelligence model receives input data related to a certain process and is learned to predict the state of the process.
여기서, 공정의 상태는 실수 값으로 표현할 수 있으며 사용자의 기준 범위 설정에 따라 정상 상태와, 이상 상태로 구분할 수 있다. 특히, 이상 상태는 소정의 정상 범위(정상 상태의 범위)를 상회하는 상회 이상 상태 및 정상 범위를 하회하는 하회 이상 상태를 포함한다. Here, the state of the process can be expressed as a real number and can be divided into a normal state and an abnormal state according to the user's standard range setting. In particular, the abnormal state includes an upper abnormal state exceeding a predetermined normal range (range of normal state) and a lower abnormal state falling below the normal range.
학습이 완료된 인공지능모델은 입력 데이터가 입력되면, 입력 데이터에 대해 학습이 완료된 모델 가중치가 적용되는 가중치 연산을 통해 예측 데이터를 도출한다.When input data is input, the trained artificial intelligence model derives predicted data through a weighting operation in which the trained model weight is applied to the input data.
여기서, 입력 데이터는 소정의 공정과 관련된 복수의 파라미터를 포함한다. 복수의 파라미터(파라미터 1 내지 파라미터 n)는 속도, 압력 등과 같이 공정을 위한 장치를 제어하기 위한 제어값, 온도, 습도 등과 같이 공정 환경을 측정한 측정값, 진동, 속도, 가속도 등과 같이 센서를 통해 공정에 대한 물리량을 계측한 센서값 중 하나 이상을 포함할 수 있다. Here, the input data includes a plurality of parameters related to a certain process. A plurality of parameters (parameters 1 to parameter n) are control values for controlling devices for the process, such as speed and pressure, measured values of the process environment such as temperature and humidity, and vibration, speed, acceleration, etc., through sensors. It may include one or more sensor values that measure physical quantities for the process.
또한, 예측 데이터는 공정이 정상 상태일 확률 및 공정이 이상 상태일 확률을 포함할 수 있으며, 이상 상태일 확률은 상회 이상 상태일 확률 및 하회 이상 상태일 확률을 포함할 수 있다. Additionally, the predicted data may include a probability that the process is in a normal state and a probability that the process is in an abnormal state, and the probability that the process is in an abnormal state may include a probability that the process is in an abnormal state and a probability that the process is in an abnormal state.
한편, 본 발명의 실시예에 따른 인공지능모델은 각각이 복수의 연산을 수행하는 복수의 계층과 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가진다. 이러한 모델 가중치는 학습을 통해 도출된다. 복수의 파라미터를 가지는 입력 데이터가 학습 모델에 입력되면, 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 모델 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출한다. Meanwhile, the artificial intelligence model according to an embodiment of the present invention has a plurality of layers, each of which performs a plurality of operations, and model weights connected to a plurality of different paths between the plurality of layers. These model weights are derived through learning. When input data with a plurality of parameters is input to the learning model, prediction data is calculated by performing a weighting operation in which different model weights according to different paths are applied to each of the plurality of parameters.
따라서 입력 데이터의 복수의 파라미터 각각은 경로 및 모델 가중치에 따라 예측 데이터의 산출에 기여한 정도인 기여치를 가진다. 이러한 기여치는 복수의 파라미터 별로 상이할 수 있다.Therefore, each of the plurality of parameters of the input data has a contribution value that is the degree to which it contributed to the calculation of the predicted data according to the path and model weight. These contribution values may be different for each of the plurality of parameters.
수집부(200)는 하나 이상의 분석 데이터를 수집하기 위한 것이다. 분석 데이터는 입력 데이터 및 입력 데이터에 대응하는 상태 레이블을 포함한다. 전술한 바와 같이, 입력 데이터는 소정의 공정과 관련된 복수의 파라미터를 포함한다. 상태 레이블은 공정의 상태를 나타내며, 명목항 또는 실수값으로 표현된다. 공정의 상태는 정상 상태와, 이상 상태로 구분할 수 있다. 특히, 이상 상태는 소정의 정상 범위를 상회하는 상회 이상 상태 및 정상 범위를 하회하는 하회 이상 상태를 포함한다. The
연산부(300)는 인공지능모델을 통해 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 공정의 상태를 예측하는 예측 데이터를 산출하기 위한 것이다. 이때, 연산부(300)가 입력 데이터를 학습이 완료된 모델 가중치를 가지는 인공지능모델에 입력하면, 인공지능모델은 입력 데이터에 대해 학습이 완료된 모델 가중치가 적용되는 가중치 연산을 통해 공정의 상태를 확률로 예측하는 예측 데이터를 도출한다. The calculation unit 300 is used to calculate prediction data that predicts the state of the process by performing a weight calculation on each of a plurality of input data through an artificial intelligence model. At this time, when the calculation unit 300 inputs the input data to an artificial intelligence model with a fully learned model weight, the artificial intelligence model converts the state of the process into a probability through a weighting operation in which the learned model weight is applied to the input data. Derive forecast data that makes predictions.
분석부(400)는 입력 데이터의 복수의 파라미터 각각의 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하고, 해석 데이터에 따라 복수의 파라미터로부터 공정의 상태에 기여하는 주요 원인 파라미터를 도출하기 위한 것이다. The analysis unit 400 derives analysis data including a contribution value indicating the degree to which each of the plurality of parameters of the input data contributed to the calculation of the predicted data, and determines the main causal parameters contributing to the state of the process from the plurality of parameters according to the analysis data. It is for deriving.
복수의 파라미터 각각은 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 예측 데이터의 산출에 기여한 정도인 기여치를 가진다. 따라서 분석부(400)는 연산부(300)의 인공지능모델이 입력 데이터의 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출하면, 복수의 파라미터 각각의 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 복수의 파라미터 각각의 기여치를 도출할 수 있다. Each of the plurality of parameters has a contribution value that is the degree to which it contributes to the calculation of predicted data according to the calculation path and the model weight applied to the path. Therefore, when the artificial intelligence model of the calculation unit 300 calculates the predicted data by performing a weighting operation in which different weights are applied along different paths to each of the plurality of parameters of the input data, the analysis unit 400 calculates the prediction data. The contribution value of each of a plurality of parameters can be derived according to the path of each operation and the model weight applied to the path.
분석부(400)는 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출하고, 예측 데이터에 대응하는 해석 데이터의 복수의 파라미터의 기여치에 예측 가중치를 적용할 수 있다. 그런 다음, 분석부(400)는 복수의 파라미터 중 예측 가중치가 적용된 기여치에 따라 공정의 상태에 기여하는 주요 원인 파라미터를 도출한다. 이때, 분석부(400)는 복수의 파라미터 별로 예측 가중치가 적용된 기여치를 합산한 값에 따라 주요 원인 파라미터를 도출할 수 있다. The analysis unit 400 normalizes the error, which is the difference between the prediction data corresponding to each of the plurality of input data and the corresponding state label, to derive a prediction weight, and calculates the contribution value of the plurality of parameters of the analysis data corresponding to the prediction data. Prediction weights can be applied. Then, the analysis unit 400 derives the main causal parameters contributing to the state of the process according to the contribution value to which the prediction weight is applied among the plurality of parameters. At this time, the analysis unit 400 may derive the main causal parameter according to the sum of the contribution values to which prediction weights are applied for each of the plurality of parameters.
다음으로, 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 모델 해석 기반의 공정 상태의 원인 분석을 위한 방법을 설명하기 위한 흐름도이다. Next, a method for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention will be described. Figure 2 is a flowchart illustrating a method for analyzing the cause of a process state based on model analysis according to an embodiment of the present invention.
도 2를 참조하면, 수집부(200)는 S110 단계에서 복수의 분석 데이터를 수집한다. 복수의 분석 데이터 각각은 입력 데이터 및 입력 데이터에 대응하는 상태 레이블을 포함한다. Referring to FIG. 2, the
입력 데이터는 다음의 표 1과 같이 소정의 공정과 관련된 복수의 파라미터를 포함한다. Input data includes a plurality of parameters related to a given process, as shown in Table 1 below.
복수의 파라미터(파라미터 1 내지 파라미터 n)는 속도, 압력 등과 같이 공정을 위한 장치를 제어하기 위한 제어값, 온도, 습도 등과 같이 공정 환경을 측정한 측정값, 진동, 속도, 가속도 등과 같이 센서를 통해 공정에 대한 물리량을 계측한 센서값 중 하나 이상을 포함한다. 상태 레이블은 공정의 상태를 나타낸다. 공정의 상태는 실수 값으로 표현할 수 있으며 사용자의 기준 범위 설정에 따라 정상 상태와, 이상 상태로 구분할 수 있다. 특히, 이상 상태는 소정의 정상 범위를 상회하는 상회 이상 상태 및 정상 범위를 하회하는 하회 이상 상태를 포함한다. 해당 상태를 나타내는 원 핫 인코딩One-hot encoding) 벡터와 같이, 하드 코딩으로 표현될 수 있다. 예컨대, 공정의 상태가 상회 이상 상태를 나타내고자 하는 경우, 상태 레이블은 “[하회 이상, 정상, 상회 이상]=[0, 0, 1]”과 같이 표현될 수 있다. A plurality of parameters (parameters 1 to parameter n) are control values for controlling devices for the process, such as speed and pressure, measured values of the process environment such as temperature and humidity, and vibration, speed, acceleration, etc., through sensors. It includes one or more sensor values that measure physical quantities for the process. The status label indicates the state of the process. The state of the process can be expressed as a real number and can be divided into a normal state and an abnormal state depending on the user's standard range settings. In particular, the abnormal state includes an upper abnormal state that is above a predetermined normal range and a lower abnormal state that is lower than the normal range. It can be expressed by hard coding, such as a one-hot encoding vector representing the state. For example, if the state of the process is to indicate an above-abnormal state, the state label can be expressed as “[lower-abnormal, normal, higher-abnormal]=[0, 0, 1].”
다음으로, 연산부(300)는 S120 단계에서 인공지능모델을 통해 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 공정의 상태를 예측하는 예측 데이터를 산출한다. Next, the calculation unit 300 performs a weight calculation on each of the plurality of input data through an artificial intelligence model in step S120 to calculate prediction data that predicts the state of the process.
구체적으로, 연산부(300)는 입력 데이터를 학습이 완료된 모델 가중치를 가지는 인공지능모델에 입력한다. 그러면, 인공지능모델은 입력 데이터에 대해 학습이 완료된 모델 가중치가 적용되는 가중치 연산을 통해 예측 데이터를 도출한다. 도출된 예측 데이터는 사전 정의한 기준에 따라 정상, 이상 상태로 분류된다. 여기서, 공정이 이상 상태일 확률은 상회 이상 상태일 확률 및 하회 이상 상태일 확률을 포함할 수 있다. Specifically, the calculation unit 300 inputs the input data to an artificial intelligence model with model weights for which learning has been completed. Then, the artificial intelligence model derives predicted data through a weighting operation in which the learned model weight is applied to the input data. The derived predicted data is classified into normal or abnormal states according to predefined criteria. Here, the probability that the process is in an abnormal state may include the probability that the process is in an abnormal state and the probability that the process is in an abnormal state.
분석부(400)는 S130 단계에서 입력 데이터의 복수의 파라미터 각각의 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출한다. In step S130, the analysis unit 400 derives analysis data including a contribution value, which is the degree to which each of the plurality of parameters of the input data contributed to the calculation of the prediction data.
본 발명의 실시예에 따른 인공지능모델은 각각이 복수의 연산을 수행하는 복수의 계층과 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가진다. 이러한 모델 가중치는 학습을 통해 도출된다. 복수의 파라미터를 가지는 입력 데이터가 학습 모델에 입력되면, 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출한다. 따라서 복수의 파라미터 각각은 다음의 표 2의 예와 같이, 경로 및 모델 가중치에 따라 예측 데이터의 산출에 기여한 정도인 기여치를 가진다. The artificial intelligence model according to an embodiment of the present invention has a plurality of layers, each of which performs a plurality of operations, and model weights that are connected through a plurality of different paths between the plurality of layers. These model weights are derived through learning. When input data with a plurality of parameters is input to the learning model, prediction data is calculated by performing a weighting operation in which different weights according to different paths are applied to each of the plurality of parameters. Therefore, each of the plurality of parameters has a contribution value, which is the degree to which it contributed to the calculation of predicted data according to the path and model weight, as shown in the example in Table 2 below.
이에 따라, 분석부(400)는 예측 데이터가 산출되면, 표 2의 예와 같이, 입력 데이터의 복수의 파라미터 각각의 예측 데이터의 산출에 기여한 정도인 기여치를 도출할 수 있다. 다음으로, 분석부(400)는 S140 단계에서 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출한다. Accordingly, when the prediction data is calculated, the analysis unit 400 can derive a contribution value, which is the degree to which each of the plurality of parameters of the input data contributed to the calculation of the prediction data, as shown in the example in Table 2. Next, in step S140, the analysis unit 400 normalizes the error, which is the difference between the prediction data corresponding to each of the plurality of input data and the corresponding state label, to derive a prediction weight.
이때, 분석부(400)는 다음의 수학식 1에 따라 복수의 예측 데이터와 그 예측 데이터에 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출한다. At this time, the analysis unit 400 derives a prediction weight by normalizing the error, which is the difference between a plurality of prediction data and the state label corresponding to the prediction data, according to Equation 1 below.
여기서, D는 예측 가중치를 나타낸다. 는 복수의 입력 데이터 중 어느 하나에 대응하는 예측 데이터와 그 예측 데이터에 대응하는 상태 레이블과의 차이를 나타내는 현재 오차를 나타낸다. 또한, 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최대값이다. 그리고 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최소값이다. Here, D represents the prediction weight. represents a current error indicating the difference between prediction data corresponding to one of a plurality of input data and a state label corresponding to the prediction data. also, is the maximum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data. and is the minimum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data.
다음으로, 분석부(400)는 S150 단계에서 예측 데이터에 대응하는 해석 데이터에 예측 가중치를 적용한다. 보다 구체적으로, 해석 데이터의 복수의 파라미터의 기여치에 예측 가중치를 적용한다. Next, the analysis unit 400 applies prediction weights to the analysis data corresponding to the prediction data in step S150. More specifically, prediction weights are applied to the contribution values of a plurality of parameters of the analysis data.
예컨대, 제1 내지 제3 입력 데이터에 대응하는 해석 데이터는 다음의 표 3과 같다고 가정한다. For example, assume that the analysis data corresponding to the first to third input data are as shown in Table 3 below.
또한, 제1 내지 제3 입력 데이터에 대응하는 예측 가중치는 각각 0.3, 0.5, 0.1이라고 가정한다. 그러면, 분석부(400)는 제1 입력 데이터에 대응하는 해석 데이터의 복수의 기여치에 가중치 0.3을 적용하고, 제2 입력 데이터에 대응하는 해석 데이터의 복수의 기여치에 가중치 0.5를 적용하고, 제1 입력 데이터에 대응하는 해석 데이터의 복수의 기여치에 가중치 0.1을 적용할 수 있다. 다음으로, 분석부(400)는 S160 단계에서 복수의 파라미터 중 예측 가중치가 적용된 기여치에 따라 공정의 상태에 기여하는 주요 원인 파라미터를 도출한다. 이때, 분석부(400)는 복수의 파라미터 별로 예측 가중치가 적용된 기여치를 합산한 값에 따라 주요 원인 파라미터를 도출할 수 있다. Additionally, it is assumed that the prediction weights corresponding to the first to third input data are 0.3, 0.5, and 0.1, respectively. Then, the analysis unit 400 applies a weight of 0.3 to the plurality of contribution values of the analysis data corresponding to the first input data, and applies a weight of 0.5 to the plurality of contribution values of the analysis data corresponding to the second input data, A weight of 0.1 may be applied to a plurality of contribution values of the analysis data corresponding to the first input data. Next, the analysis unit 400 derives the main causal parameters contributing to the state of the process according to the contribution value to which the prediction weight is applied among the plurality of parameters in step S160. At this time, the analysis unit 400 may derive the main causal parameter according to the sum of the contribution values to which prediction weights are applied for each of the plurality of parameters.
예컨대, 제1 내지 제n 파라미터 중 복수의 입력 데이터의 예측 가중치가 적용된 기여치의 합산 결과 파라미터 3, 파라미터 1, 파라미터 2 등의 순서로 높은 값을 가진다고 가정한다. 일 실시예에 따르면, 기여치를 합산한 값이 높은 값을 가지는 순서에 따라 정렬하여 주요 원인 파라미터로 제공할 수 있다. 다른 실시예에 따르면, 합산한 값이 소정의 기준치 이상인 파라미터를 주요 원인 파라미터로 도출할 수 있다. For example, assume that among the first to nth parameters, the sum of the contribution values to which the prediction weights of the plurality of input data are applied has a higher value in the order of parameter 3, parameter 1, parameter 2, etc. According to one embodiment, the sum of contribution values may be sorted in order of highest value and provided as the main causal parameter. According to another embodiment, parameters whose summed value is greater than or equal to a predetermined standard value may be derived as main causal parameters.
이상에서 설명된 바와 같은 본 발명은 공정의 이상 원인을 효과적으로 분석할 수 있다. 구체적으로, 기존 공정 원인 분석 시스템의 경우 사람이 자연어 형태로 지식을 넣고 해당부분을 추론하는 형태로 구현하였지만, 이러한 방법은 지식의 충돌이 발생할 수 있다. 또한, 지식 충돌 발생시에 알고리즘에 따라 다른 값을 가지게 되므로 정확한 원인 분석이 불가능할 수 있다. 하지만, 본 발명은 이상에서 설명된 바와 같이, 공정과 관련된 데이터에 대해 일관성 있고 신뢰도 높은 분석이 가능하다. 더욱이, 본 발명은 기여치를 합산한 값이 높은 값을 가지는 순서에 따라 정렬하여 주요 원인 파라미터로 제공함으로써 상태에 대한 원인을 랭킹화 할 수 있다. 게다가, 이러한 랭킹화에 따라 공정개선의 우선순위를 부여함으로써 공정 개선에 기여할 수 있다. As described above, the present invention can effectively analyze the cause of process abnormalities. Specifically, in the case of the existing process cause analysis system, it was implemented in a way that a person inputs knowledge in the form of natural language and infers the relevant part, but this method may cause knowledge conflicts. Additionally, when a knowledge conflict occurs, it may have different values depending on the algorithm, so accurate cause analysis may not be possible. However, as described above, the present invention enables consistent and reliable analysis of data related to the process. Moreover, the present invention can rank the causes of the condition by sorting the sum of the contribution values in the order in which they have the highest value and providing them as the main cause parameters. In addition, this ranking can contribute to process improvement by prioritizing process improvement.
도 3은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 3의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치, 예컨대, 분석장치(10) 등이 될 수 있다. Figure 3 is a diagram showing a computing device according to an embodiment of the present invention. Computing device TN100 of FIG. 3 may be a device described herein, such as
도 3의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다. In the embodiment of FIG. 3, the computing device TN100 may include at least one processor TN110, a transceiver device TN120, and a memory TN130. Additionally, the computing device TN100 may further include a storage device TN140, an input interface device TN150, an output interface device TN160, etc. Components included in the computing device TN100 are connected by a bus TN170 and may communicate with each other.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다. The processor TN110 may execute a program command stored in at least one of the memory TN130 and the storage device TN140. The processor TN110 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed. Processor TN110 may be configured to implement procedures, functions, and methods described in connection with embodiments of the present invention. The processor TN110 may control each component of the computing device TN100.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.Each of the memory TN130 and the storage device TN140 can store various information related to the operation of the processor TN110. Each of the memory TN130 and the storage device TN140 may be comprised of at least one of a volatile storage medium and a non-volatile storage medium. For example, the memory TN130 may be comprised of at least one of read only memory (ROM) and random access memory (RAM).
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다. The transceiving device TN120 can transmit or receive wired signals or wireless signals. The transmitting and receiving device (TN120) can be connected to a network and perform communication.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. Meanwhile, the method according to the embodiment of the present invention described above can be implemented in the form of a program readable through various computer means and recorded on a computer-readable recording medium. Here, the recording medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the recording medium may be those specifically designed and constructed for the present invention, or may be known and available to those skilled in the art of computer software. For example, recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. It includes specially configured hardware devices to store and execute program instructions, such as magneto-optical media and ROM, RAM, and flash memory. Examples of program instructions may include machine language wires, such as those created by a compiler, as well as high-level language wires that can be executed by a computer using an interpreter, etc. These hardware devices may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다. Although the present invention has been described above using several preferred examples, these examples are illustrative and not limiting. As such, those of ordinary skill in the technical field to which the present invention pertains will understand that various changes and modifications can be made according to the theory of equivalents without departing from the spirit of the present invention and the scope of rights set forth in the appended claims.
10: 분석장치
100: 학습부
200: 수집부
300: 연산부
400: 분석부 10: Analysis device
100: Learning Department
200: Collection department
300: Calculation unit
400: analysis department
Claims (12)
수집부가 소정의 공정과 관련된 복수의 파라미터를 포함하는 입력 데이터 및 상기 공정의 상태를 나타내는 상태 레이블을 포함하는 복수의 분석 데이터를 수집하는 단계;
연산부가 학습된 가중치를 가지는 인공지능모델을 통해 상기 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 상기 공정의 상태를 예측하는 예측 데이터를 산출하는 단계;
분석부가 상기 복수의 파라미터 각각의 상기 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하는 단계; 및
상기 분석부가 상기 복수의 입력 데이터에 대응하는 상기 해석 데이터에 따라 상기 복수의 파라미터로부터 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 단계;
를 포함하는 것을 특징으로 하는
원인 분석을 위한 방법. In the method for cause analysis,
A collection unit collecting input data including a plurality of parameters related to a predetermined process and a plurality of analysis data including a status label indicating the state of the process;
A calculation unit performing a weight calculation on each of the plurality of input data through an artificial intelligence model with learned weights to calculate prediction data that predicts the state of the process;
A step of an analysis unit deriving analysis data including a contribution value indicating the degree to which each of the plurality of parameters contributed to the calculation of the prediction data; and
The analysis unit deriving a main causal parameter contributing to the state of the process from the plurality of parameters according to the analysis data corresponding to the plurality of input data;
Characterized by including
Method for cause analysis.
상기 원인을 도출하는 단계는
상기 분석부가 상기 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출하는 단계;
상기 분석부가 예측 데이터에 대응하는 해석 데이터의 복수의 파라미터에 대응하는 기여치에 상기 예측 가중치를 적용하는 단계;
상기 분석부가 상기 예측 가중치가 적용된 기여치에 따라 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 단계;
를 포함하는 것을 특징으로 하는
원인 분석을 위한 방법. According to paragraph 1,
The steps to derive the cause are
The analysis unit deriving a prediction weight by normalizing an error that is a difference between prediction data corresponding to each of the plurality of input data and a corresponding state label;
the analysis unit applying the prediction weight to contribution values corresponding to a plurality of parameters of analysis data corresponding to prediction data;
The analysis unit deriving main causal parameters contributing to the state of the process according to the contribution value to which the prediction weight is applied;
Characterized by including
Method for cause analysis.
상기 예측 가중치를 도출하는 단계는
상기 분석부가
수학식
에 따라 예측 가중치를 도출하며,
상기 D는 예측 가중치이고,
상기 는 복수의 입력 데이터 중 어느 하나에 대응하는 예측 데이터와 상태 레이블과의 차이를 나타내는 현재 오차이고,
상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최대값이고,
상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최소값인 것을 특징으로 하는
원인 분석을 위한 방법. According to paragraph 2,
The step of deriving the prediction weight is
The analysis department
math equation
The prediction weight is derived according to
D is the prediction weight,
remind is the current error indicating the difference between the predicted data corresponding to any one of the plurality of input data and the state label,
remind Is the maximum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and the state label corresponding to each of the plurality of prediction data,
remind Is the minimum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data.
Method for cause analysis.
상기 공정의 상태는
소정의 정상 범위를 상회하는 상회 이상 상태 및
상기 정상 범위를 하회하는 하회 이상 상태
를 포함하는 것을 특징으로 하는
원인 분석을 위한 방법. According to paragraph 1,
The state of the process is
An abnormal condition that exceeds a predetermined normal range and
Abnormal state below the above normal range
Characterized by including
Method for cause analysis.
상기 예측 데이터를 산출하는 단계는
각각이 복수의 연산을 수행하는 복수의 계층과 상기 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가지는 상기 인공지능모델이
입력 데이터의 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 모델 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출하는 것을 특징으로 하는
원인 분석을 위한 방법. According to paragraph 1,
The step of calculating the predicted data is
The artificial intelligence model has a plurality of layers, each of which performs a plurality of operations, and model weights connected to a plurality of different paths between the plurality of layers.
Characterized in calculating predicted data by performing a weighting operation in which different model weights according to different paths are applied to each of a plurality of parameters of the input data.
Method for cause analysis.
상기 해석 데이터를 도출하는 단계는
상기 분석부가 복수의 파라미터 각각의 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 복수의 파라미터 각각의 기여치를 도출하는 것을 특징으로 하는
원인 분석을 위한 방법. According to clause 5,
The step of deriving the analysis data is
Characterized in that the analysis unit derives the contribution value of each of the plurality of parameters according to the calculation path of each of the plurality of parameters and the model weight applied to the path.
Method for cause analysis.
소정의 공정과 관련된 복수의 파라미터를 포함하는 입력 데이터 및 상기 공정의 상태를 나타내는 상태 레이블을 포함하는 복수의 분석 데이터를 수집하는 수집부;
학습된 가중치를 가지는 인공지능모델을 통해 상기 복수의 입력 데이터 각각에 대해 가중치 연산을 수행하여 상기 공정의 상태를 예측하는 예측 데이터를 산출하는 연산부;
상기 복수의 파라미터 각각의 상기 예측 데이터의 산출에 기여한 정도인 기여치를 포함하는 해석 데이터를 도출하고,
상기 복수의 입력 데이터에 대응하는 상기 해석 데이터에 따라 상기 복수의 파라미터로부터 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 분석부;
를 포함하는 것을 특징으로 하는
원인 분석을 위한 장치. In a device for cause analysis,
a collection unit that collects input data including a plurality of parameters related to a predetermined process and a plurality of analysis data including a status label indicating the state of the process;
a calculation unit that performs a weight calculation on each of the plurality of input data through an artificial intelligence model with learned weights to calculate prediction data for predicting the state of the process;
Deriving analysis data including a contribution value indicating the degree to which each of the plurality of parameters contributed to the calculation of the prediction data,
an analysis unit that derives main causal parameters contributing to the state of the process from the plurality of parameters according to the analysis data corresponding to the plurality of input data;
Characterized by including
A device for cause analysis.
상기 분석부는
상기 복수의 입력 데이터 각각에 대응하는 예측 데이터와 대응하는 상태 레이블과의 차이인 오차를 정규화하여 예측 가중치를 도출하고,
예측 데이터에 대응하는 해석 데이터의 복수의 파라미터에 대응하는 기여치에 상기 예측 가중치를 적용하고,
상기 예측 가중치가 적용된 기여치에 따라 상기 공정의 상태에 기여하는 주요 원인 파라미터를 도출하는 것을 특징으로 하는
원인 분석을 위한 장치. In clause 7,
The analysis department
Deriving a prediction weight by normalizing an error that is the difference between prediction data corresponding to each of the plurality of input data and the corresponding state label,
Applying the prediction weight to contribution values corresponding to a plurality of parameters of the analysis data corresponding to the prediction data,
Characterized in deriving the main causal parameters contributing to the state of the process according to the contribution value to which the prediction weight is applied.
A device for cause analysis.
상기 분석부는
수학식
에 따라 예측 가중치를 도출하며,
상기 D는 예측 가중치이고,
상기 는 복수의 입력 데이터 중 어느 하나에 대응하는 예측 데이터와 상태 레이블과의 차이를 나타내는 현재 오차이고,
상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최대값이고,
상기 는 복수의 입력 데이터에 대응하는 복수의 예측 데이터와 복수의 예측 데이터 각각에 대응하는 상태 레이블과의 차이를 나타내는 오차 중 최소값인 것을 특징으로 하는
원인 분석을 위한 장치. According to clause 8,
The analysis department
math equation
The prediction weight is derived according to
D is the prediction weight,
remind is the current error indicating the difference between the predicted data corresponding to any one of the plurality of input data and the state label,
remind Is the maximum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and the state label corresponding to each of the plurality of prediction data,
remind Is the minimum value among errors representing the difference between a plurality of prediction data corresponding to a plurality of input data and a state label corresponding to each of the plurality of prediction data.
A device for cause analysis.
상기 공정의 상태는
소정의 정상 범위를 상회하는 상회 이상 상태 및
상기 정상 범위를 하회하는 하회 이상 상태
를 포함하는 것을 특징으로 하는
원인 분석을 위한 장치. In clause 7,
The state of the process is
An abnormal condition that exceeds a predetermined normal range and
Abnormal state below the above normal range
Characterized by including
A device for cause analysis.
상기 인공지능모델은
각각이 복수의 연산을 수행하는 복수의 계층과 상기 복수의 계층 간 복수의 서로 다른 경로로 연결되는 모델 가중치를 가지며,
상기 인공지능모델은
입력 데이터의 복수의 파라미터 각각에 대해 서로 다른 경로에 따른 서로 다른 모델 가중치가 적용되는 가중치 연산을 수행하여 예측 데이터를 산출하는 것을 특징으로 하는
원인 분석을 위한 장치. In clause 7,
The artificial intelligence model is
It has a plurality of layers, each of which performs a plurality of operations, and model weights connected by a plurality of different paths between the plurality of layers,
The artificial intelligence model is
Characterized in calculating predicted data by performing a weighting operation in which different model weights according to different paths are applied to each of a plurality of parameters of the input data.
A device for cause analysis.
상기 분석부는
복수의 파라미터 각각의 연산의 경로 및 해당 경로에 적용되는 모델 가중치에 따라 복수의 파라미터 각각의 기여치를 도출하는 것을 특징으로 하는
원인 분석을 위한 장치. According to clause 11,
The analysis department
Characterized by deriving the contribution value of each of the plurality of parameters according to the operation path of each of the plurality of parameters and the model weight applied to the path.
A device for cause analysis.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230000277 | 2023-01-02 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240108773A true KR20240108773A (en) | 2024-07-09 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
| US20200320428A1 (en) | Fairness improvement through reinforcement learning | |
| US11573877B2 (en) | Distributed architecture for fault monitoring | |
| CN108052528A (en) | A kind of storage device sequential classification method for early warning | |
| KR20200021301A (en) | Method for optimizing hyper-paramterand apparatus for | |
| US11513851B2 (en) | Job scheduler, job schedule control method, and storage medium | |
| CN111699444A (en) | Control device, control method, and control program | |
| US20200272906A1 (en) | Discriminant model generation device, discriminant model generation method, and discriminant model generation program | |
| JP7481902B2 (en) | Management computer, management program, and management method | |
| US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
| US20100094785A1 (en) | Survival analysis system, survival analysis method, and survival analysis program | |
| US11126695B2 (en) | Polymer design device, polymer design method, and non-transitory recording medium | |
| CN116684330A (en) | Traffic prediction method, device, equipment and storage medium based on artificial intelligence | |
| US20200118012A1 (en) | Monitoring the Thermal Health of an Electronic Device | |
| CN113295399B (en) | Converter valve element state evaluation method, device, electronic equipment and storage medium | |
| US20210026339A1 (en) | Information processing device, determination rule acquisition method, and computer-readable recording medium recording determination rule acquisition program | |
| CN113516185A (en) | Model training method and device, electronic equipment and storage medium | |
| KR102124425B1 (en) | Method and apparatus for estimating a predicted time series data | |
| WO2024014087A1 (en) | Predictively robust model training | |
| KR20240108773A (en) | Apparatus for analyzing the causes of process conditions based on model analysis and method therefor | |
| CN112669908A (en) | Predictive model incorporating data packets | |
| CN109743200B (en) | Resource feature-based cloud computing platform computing task cost prediction method and system | |
| CN112085517A (en) | Coupon issuing method and device, electronic equipment and readable storage medium | |
| CN110704614A (en) | Information processing method and device for predicting user group type in application | |
| JP2020181318A (en) | Optimization device, optimization method, and program |