WO2018221948A1 - 빅데이터 분석을 통한 공정 관리 방법 - Google Patents

빅데이터 분석을 통한 공정 관리 방법 Download PDF

Info

Publication number
WO2018221948A1
WO2018221948A1 PCT/KR2018/006125 KR2018006125W WO2018221948A1 WO 2018221948 A1 WO2018221948 A1 WO 2018221948A1 KR 2018006125 W KR2018006125 W KR 2018006125W WO 2018221948 A1 WO2018221948 A1 WO 2018221948A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis
big data
data
data analysis
model
Prior art date
Application number
PCT/KR2018/006125
Other languages
English (en)
French (fr)
Inventor
권영민
이준원
Original Assignee
주식회사 지오네트
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 지오네트 filed Critical 주식회사 지오네트
Publication of WO2018221948A1 publication Critical patent/WO2018221948A1/ko

Links

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
    • 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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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]
    • 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]

Definitions

  • the present invention relates to a process management method through big data analysis, and more particularly, to a process management method through big data analysis for implementing process optimization by predicting quality and equipment problems in a production process through big data analysis. will be.
  • the simulation of the power plant process control was performed by calculating the result by the formula based on the measured sensor value. Therefore, the change in the measured value due to the environmental change of the process system could not be considered. Thus, if the simulation is performed only on the amount of change of the existing sensor value by the formula without considering the environmental change, similarity and reliability are inferior to the real system because the process result is different from the actual one.
  • an object of the present invention is to provide a technical means for predicting equipment problems in a production process using big data analysis, and implementing process optimization by reducing false error detection due to sensor errors.
  • Process management method through big data analysis comprises the steps of collecting the process data on the main equipment, process environment and sensor values through the Internet of Things device, processor mining analysis of the collected process data Selecting the main process factors based on the analysis through at least one method of reputation analysis and cluster analysis, and analyzing the relationship between the main process factors and the process result variation through the big data analysis model. Deriving an important process condition that affects and performing a process simulation based on the critical process condition to predict an amount of change in the process result and a problem related to the process.
  • Another embodiment of the present invention further includes adjusting the main process factors and deriving process optimization settings based on the prediction.
  • the deriving of the critical process condition may include establishing a big data analysis model through at least one method of big data analysis analysis, reputation analysis, and cluster analysis and based on the big data analysis model. Analyzing the relationship between the process data and the process result change, and selecting the relationship between the process data and the process result change accounting for the most instances of each defect and problem type as important process conditions.
  • Collecting the process data according to another embodiment of the present invention further includes deriving a process data cluster through big data analysis of the collected process data.
  • the big data analysis according to another embodiment of the present invention determines whether or not to be included in the same cluster by adding process data generated in real time according to the process performance for clustering the process data, so as to be identical or similar within a preset category. Divided by process data.
  • Another embodiment of the present invention to establish a big data analysis model
  • the method may further include generating a final process model by deleting a connection path having a value between calculated unit processes smaller than a threshold.
  • the option item selected according to the user command according to another embodiment of the present invention is at least one of important process conditions affecting the relationship between the plurality of process elements, the structure of the process flow, the number of overlapping processes, and the process result variation.
  • the process simulation may include: information for analyzing a correlation between process data indicating a current main equipment, process environment, and sensor value and process result change amount, and external environment data values and process variables; Adjust the information and simulate the comparison as you enter it.
  • Another embodiment of the present invention further includes providing a user interface for the user to adjust key process elements based on the simulation information.
  • accumulating various process variables deriving a correlation between process factors and process result variation from accumulated data through big data analysis, thereby reducing the detection of false errors due to sensor errors, and By creating new process setpoint combinations that can maintain optimization, it is possible to predict changing process conditions.
  • the user can be provided with an interface that allows the user to adjust the process variable based on the simulation information.
  • FIG. 1 is a block diagram showing the configuration of a process management system through big data analysis according to an embodiment of the present invention.
  • FIG. 2 is a view for explaining a method for collecting process data about the process equipment and the process environment.
  • FIG. 3 shows a schematic cross section of a heat exchanger system for applying an embodiment of the invention.
  • FIG. 4 is a diagram illustrating the flow of a heat exchanger system.
  • 5 is a view for explaining the abnormality of the equipment in the simulation of the heat exchanger system.
  • FIG. 6 is a diagram for explaining sensor anomalies in simulation of a heat exchanger system.
  • FIG. 7 shows a table used to analyze changes in sensor values included in the process facility shown in FIG. 4.
  • FIG. 8 shows a flowchart for process simulation in accordance with an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating a process management method through big data analysis according to an embodiment of the present invention.
  • Statistical process monitoring has the advantage of providing a tool that can be used to analyze data in a process relatively easily by combining statistical processing, provided that only good process data is provided.
  • process monitoring techniques using multivariate statistical methods are often inefficient due to nonlinearity, multiple operating modes, and process state changes, often resulting in unreliable results, such as poor process monitoring performance.
  • the characteristics of the first development of the equipment used in the process and after a certain period of time after the operation of the equipment is different. After a certain time, various types of characteristics such as mechanical wear, sintering, deformation, or fatigue change.
  • the performance of the machine is deteriorated, which causes destabilization of the process and causes deterioration of product performance and reliability.
  • the process environment changes such as temperature, humidity, wind, the difference in the amount of process results produced may occur.
  • the function of the process management system based on big data analysis proposed by the embodiments of the present invention described below makes optimization conditions from numerous process variables and process result variables read in each process, and reduces the detection of false errors due to sensor errors. To find new combinations of process optimization setpoints for process control. By creating new process specifications that are optimized for a given situation in real time without interrupting the process, the process specifications are not fixed values but dynamic values that change in response to the situation.
  • FIG. 1 is a block diagram illustrating a configuration of a process management system through big data analysis according to an embodiment of the present invention
  • FIG. 2 is a view for explaining a method for collecting process data regarding a process facility and a process environment. .
  • the process management system 100 through big data analysis according to an embodiment of the present invention data collection unit 110, communication unit 120, big data analysis unit 111, main process factors line
  • the government 130, the important process condition deriving unit 140, the database 150, the process simulation unit 160, the optimal process condition calculating unit 170, and the user interface 180 are configured to be included.
  • the data collecting unit 110 communicates with the main facilities and various sensors through the communication unit 120 to obtain process data and process result change data and store them in the database 150.
  • various sensors may include a temperature sensor, a humidity sensor, a hall sensor, an acceleration sensor, a vibration sensor, a power supply (current) sensor, an oil flow rate sensor, and the like.
  • PLC can be attached to the process equipment to collect equipment history (large data such as processing information and equipment status information during processing).
  • Process data data about process data inputted by users, manuals provided by equipment manufacturers, and data on separate preventive maintenance items provided by manufacturers for TPM preventive maintenance, and during the pretreatment of process processes Process data can also be collected.
  • legacy data can be collected
  • production history data can be collected from different enterprise-wide systems such as ERP, MES, and POP systems, super medium-sized product management, and lot tracking.
  • the data collector 110 converts the data received from the Internet of Things (IoT) device into a model of linear components based on a linear theory and stores the data in the database 150.
  • the collected data can be allocated to a separate table space area.
  • the process data may be obtained by the IoT apparatus using a temperature sensor, a humidity sensor, a carbon dioxide sensor, a sensor, a smoke sensor, a vibration sensor, a sensor value and process environment data by a flow rate sensor, a power meter, a water meter, a ventilation fan, a chamber, and an air conditioner Contains plant data detected in association with the device.
  • the plant data includes at least one of the plant's weight, maximum pressure, degree of cleaning, processing capability, stroke, rotational speed, maximum speed, operating radius, maximum swing, maximum workpiece size, and daily production capacity.
  • the communication unit 120 transmits and receives information with main facilities and various sensors through the IoT apparatus.
  • the Internet of Things (IoT) is a computing system that integrates various technologies that connect various devices, obtain environmental information through sensors, and control based on the wireless Internet.
  • an application may provide useful information and convenience to a user by using various devices or devices connected to a network.
  • the IoT devices may provide simple information or provide a service through collaboration of multiple devices.
  • the IoT device that refers to an object may be formed of various embedded systems such as home appliances, mobile devices, and computers, and each object includes an identifier that distinguishes itself, a communication function, and a function capable of processing data. do.
  • the IoT device may refer to a smart device or a sensor that is an IoT technology-based service for various equipment and sensors that measure the state and process environment of main facilities that are subject to process management through big data analysis.
  • the big data analyzing unit 111 clusters the process data in such a manner as to determine whether to add the process data one by one for the process data clustering and to put the same in the same cluster.
  • clustering one can see each individual as a cluster and implement a merged method of grouping the most similar to the same cluster.
  • a segmentation method may be implemented in which all the individuals are regarded as one cluster, and the groups are divided into two clusters so that the dissimilarity between the clusters is greatest.
  • the big data analysis unit 111 uses a method of determining whether to cluster the process data by adding each object one by one or not.
  • the main process factor selector 130 selects a main process factor through at least one method of processor mining analysis, plate analysis, and cluster analysis of process data.
  • the important process condition deriving unit 140 derives important process factors that affect the process result variation according to the relationship between the process data analyzed by the big data analysis model and the process result variation.
  • the important process condition deriving unit 140 analyzes the relationship between the process data and the process result variation based on the established big data analysis model, and processes data and processes that occupy the ratio of the most instances by defects and problem types.
  • the relationship between changes in outcomes is selected as important process conditions.
  • the relation between the main process data and the change in process result is derived as the important process condition.
  • big data analysis supports automatically deriving a process model by analyzing event logs recorded in various information systems supporting process management.
  • Big data analysis can provide three types of mining between event logs and process models: discovery, conformance, and enhancement.
  • discovery supports automatic discovery of the process model in the event log
  • compliance analyzes the degree of agreement between the event log and the process model.
  • Expansion extends the found process model with time information.
  • big data analytics can support analytics from a variety of perspectives, including:
  • bottleneck analysis can be provided to provide in-depth analysis of cases that affect performance.
  • the result of big data analysis is a completed process management process model, and the result of big data analysis is the basis for process process design.
  • the main process factor selection unit 130 to outline how to establish a big data analysis model, as follows.
  • Process processes work in the field system that focuses on at least one of the company's internal information system, Enterprise Resource Planning (ERP), real-time monitoring, control of the environment, tracking of logistics and work history, status, defect management, and false positive detection. Since it can be performed in MES (Manufacturing Executing System Shop Floor), POP, etc., these information systems record all transactions in the event log format.
  • ERP Enterprise Resource Planning
  • a preprocessing process is performed on the event log for analysis of the process model, and a process model is generated for a specific process in which the event log is collected through the analysis process.
  • the final process model is generated by deleting the connection path whose numerical value between the unit processes calculated according to the option item selected by the user is smaller than the threshold value.
  • the option item selected according to the user command includes the relationship between the plurality of process elements, the structure of the process flow, the number of overlapping processes, the detection of false errors of the sensor, and important process conditions affecting the amount of change in the process result. This can lead to a number of different cases, depending on whether you want to consider the relationship between multiple process elements, whether you want to consider the structure of the process flow, the number of overlapping processes, and whether you want to consider important process conditions that affect the amount of change in process results. Can be.
  • the final processor model is reviewed and analyzed to derive an analysis result based on the final process model.
  • the final process model derived as a result of the big data analysis is stored in the database 150.
  • a process model reflecting an option item selected by a user such as a relationship between a plurality of process elements, a structure of a process flow, a number of overlapping processes, and important process conditions affecting a process result change amount, may be derived.
  • an option item selected by a user such as a relationship between a plurality of process elements, a structure of a process flow, a number of overlapping processes, and important process conditions affecting a process result change amount.
  • the database 150 is based on the process conditions of the main equipment, process environment and sensor values, process-related product quality information, final big data analysis model, information on important process conditions, and important process conditions, which are process conditions at the time of performing the process.
  • the process simulation is performed to store predicted information on changes in process results and problems related to the process, change information of important process conditions adjusted based on the predicted information, and derived process optimization settings.
  • the process simulation unit 160 performs a process simulation based on the important process conditions to predict a problem regarding the process result change amount.
  • the process simulation unit 160 includes process data indicating current major equipment, process environment, and sensor values, information on analysis of correlations between process result variation and detection of sensory errors, and external environment data values and processes.
  • process data indicating current major equipment, process environment, and sensor values, information on analysis of correlations between process result variation and detection of sensory errors, and external environment data values and processes.
  • the optimum process condition calculator 170 adjusts the main process elements based on the prediction of the process simulation unit, and derives process optimization settings.
  • the sensor data according to the environment change is judged according to the ratio with only the drift value without reliability, but this method is judged that the sensor malfunctions at least 10% range or 5% range depending on the input value range. It was a problem that the sensor error was judged to be normal and the sensor error was judged as a sensor error in determining the malfunction of the sensor.
  • a system diagnostic logic based on a process management model based on experience is used to logically determine an abnormality of a facility by applying a preset threshold value.
  • the user interface 180 receives data regarding various control values and processes generated by the user, guides the user to performing the process simulation and the process optimization setting.
  • the user interface 180 provides an interface through which the user can make a decision such as adjusting a process variable based on the simulation information.
  • Figure 3 shows a schematic cross section of a heat exchanger system for applying an embodiment of the present invention
  • Figure 4 is a diagram showing the flow of the heat exchanger system.
  • the temperature or pressure of the steam for raising the temperature of the feed water (water supply) is normal, and the temperature of the feed water to be introduced is normal, but the temperature of the feed water at the heat exchanger outlet is low, and If the temperature is high, it is determined that the heat absorption rate performance of the tube inside the heat exchanger is deteriorated, which may be determined by the fouling of the tube. That is, it is not determined as a sensor error.
  • FIG. 5 is a diagram for explaining sensor anomalies in a simulation of a heat exchanger system.
  • the temperature or pressure of steam for raising the temperature of the feed water (water supply) is normal
  • the level of steam drain is normal
  • the temperature of the feed water to be introduced is also normal.
  • the feedwater temperature at the heat exchanger outlet is low, it can be judged that the heat exchange is normal because there is no change in the water level sensor of the heat exchanger itself. Can be. Therefore, false negatives due to sensor errors can be compensated for.
  • FIG. 6 is a diagram for explaining sensor anomalies in a simulation of a heat exchanger system
  • FIG. 7 shows a table used to analyze a change in sensor values included in the process equipment shown in FIG. 4.
  • information including an analysis of a correlation between process data indicating a current main equipment, a process environment, and sensor values shown in FIG. 7 and a process result change amount, and external environmental data values and a process variable are included. By adjusting the information, you can simulate the comparison as you enter it.
  • FIG. 8 shows a flowchart for process simulation in accordance with an embodiment of the present invention.
  • the main model may be selected by applying the mixed model method (S340) or by applying the partial factor method (S360).
  • the user interface can simulate process data representing current key equipment, process environment and sensor values, and comparison values when inputting and adjusting reference information including external environmental data values and process variables.
  • the user can make decisions such as adjusting key process factors.
  • FIG. 9 is a flowchart illustrating a process management method through big data analysis according to an embodiment of the present invention.
  • a process management method through big data analysis may first include collecting process data regarding main equipment, process environment, and sensor values through an IoT apparatus (S410). ).
  • the step may further include deriving a cluster of process data through big data analysis on the collected process data.
  • the big data analysis determines whether or not to put them in the same cluster by adding process data generated in real time according to process performance for clustering process data, and classifies the same or similar process data within a preset category.
  • the method may include selecting a main process factor based on an analysis through at least one method of processor mining analysis, reputation analysis, and cluster analysis on the collected process data (S420).
  • a big data analysis model is established through at least one of processor mining analysis, reputation analysis, and cluster analysis. Based on the big data analysis model, the correlation between process data and process result changes is analyzed, and the relationship between process data and process result changes, which account for the most instances of defects and problem types, is selected as important process conditions. .
  • the method may further include generating a final process model by deleting the connection path having a numerical value between the unit processes calculated according to the step and the option item selected by the user less than the threshold value.
  • the option item selected according to the user command may be at least one of important process conditions affecting the relationship between the plurality of process elements, the structure of the process flow, the number of overlapping processes, and the process result change amount.
  • a process simulation is performed based on the important process conditions to predict the change of the process result and the problem related to the process (S440).
  • the process simulation is performed by adjusting the input data including process data indicating the current major equipment, process environment, and sensor value and the variation of the process result, and adjusting standard information including external environmental data values and process variables. Can be simulated.
  • the method may further include adjusting a main process factor based on the prediction and deriving a process optimization setpoint.
  • the big data analysis by accumulating a variety of process variables, through the big data analysis can derive a correlation between the process factors and the process result change amount from the accumulated data and reduce the false error detection due to sensor errors therefrom By creating new process setpoint combinations that can maintain process optimization, it is possible to predict changing process conditions.
  • the user can be provided with an interface that allows the user to adjust the process variable based on the simulation information.
  • inventions of the present invention may be implemented in computer readable codes on a computer readable recording medium.
  • the computer-readable recording medium includes all kinds of recording devices in which data that can be read by a computer system is stored.
  • Examples of computer-readable recording media include those implemented in the form of a ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
  • functional programs, codes and code segments for implementing the present invention can be easily inferred by programmers in the art to which the present invention belongs.
  • process simulation unit 170 optimum process conditions calculation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명의 실시 예에 따른 빅데이터 분석을 통한 공정 관리 방법은 사물 인터넷 기기를 통해 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계와, 수집된 공정 데이터에 대해 프로세서 마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계와, 빅데이터 분석 모델을 통해 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계 및 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계를 포함한다.

Description

빅데이터 분석을 통한 공정 관리 방법
본 발명은 빅데이터 분석을 통한 공정 관리 방법에 관한 것으로, 더욱 상세하게는 빅데이터 분석을 통하여 생산 공정에서의 품질 및 설비문제를 예측함으로써 공정 최적화를 구현하는 빅데이터 분석을 통한 공정 관리 방법에 관한 것이다.
다수의 단계로 구성된 일련의 공정을 수행하는 경우, 각각의 공정마다 유기적인 연결에 따른 무결성 보장과 신뢰도가 매우 중요하다. 이러한 무결성을 달성하기 위해 공정에서는 주요설비의 입력값부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 공정관리 시스템의 개발이 필요하다.
과거 발전소 공정 제어의 시뮬레이션은 계측된 센서값을 기반으로 수식에 의해 결과를 산출하는 방식으로 수행되기 때문에 공정계통의 환경변화에 의해 계측값에 발생한 변화를 고려할 수 없었다. 이렇게 환경변화를 고려하지 않고 수식에 의한 기존의 센서값의 변화량에 대해서만 시뮬레이션을 수행할 경우, 실제와 다른 공정결과를 산출하기 때문에 실계통과 유사도 및 신뢰도가 떨어지는 문제가 있다.
따라서, 본 발명이 해결하고자 하는 과제는 빅데이터 분석을 이용하여 생산 공정에서의 설비문제를 예측하고, 센서 오류로 인한 부정 오류 검출을 줄임으로써 공정 최적화를 구현하는 기술적 수단을 제공하는데 있다.
본 발명의 일실시 예에 따른 빅데이터 분석을 통한 공정 관리 방법은 사물 인터넷 기기를 통해 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계와, 상기 수집된 공정 데이터에 대해 프로세서 마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계와, 빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계 및 상기 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계를 포함한다.
본 발명의 다른 실시 예는 예측에 기반하여 상기 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함한다.
본 발명의 다른 실시 예에 따른 상기 중요 공정 조건을 도출하는 단계는 빅데이터 분석 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 빅데이터 분석 모델을 설립하는 단계 및 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별하는 단계를 포함한다.
본 발명의 다른 실시 예에 따른 상기 공정 데이터를 수집하는 단계는 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함한다.
본 발명의 다른 실시 예에 따른 상기 빅데이터 분석은 공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분한다.
본 발명의 다른 실시 예는 빅데이터 분석 모델을 설립하기 위해,
특정 공정에 대한 이벤트 로그를 수집하는 단계와, 상기 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계 및 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계를 더 포함한다.
본 발명의 다른 실시 예에 따른 상기 사용자 명령에 따라 선택되는 옵션 항목은 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 중 적어도 하나이다.
본 발명의 다른 실시 예에 따른 상기 공정 시뮬레이션은 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션한다.
본 발명의 다른 실시 예는 시뮬레이션 정보에 기초하여 사용자가 주요 공정요소를 조정하도록 사용자 인터페이스를 제공하는 단계를 더 포함한다.
본 발명의 일실시 예에 따르면, 다양한 공정 변수들을 축적하고, 빅데이터 분석을 통하여 축적된 데이터로부터 공정요인과 공정결과 변화량 간의 연관관계를 도출하고 이로부터 센서 오류로 인한 부정 오류 검출을 줄이고, 공정 최적화를 유지할 수 있는 새로운 공정 설정치 조합을 생성함으로써, 변화하는 공정 상태를 예측하는 것이 가능하다.
아울러, 사용자에게 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 할 수 있는 인터페이스를 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템의 구성을 나타내는 블록도이다.
도 2는 공정 설비 및 공정 환경에 관한 공정 데이터를 수집하기 위한 방안을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예를 적용하기 위한 열 교환기 계통의 개략적인 단면을 도시한다.
도 4는 열 교환기 계통의 흐름을 나타내는 도면이다.
도 5는 열 교환기 계통의 시뮬레이션 상의 설비 이상을 설명하기 위한 도면이다.
도 6은 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이다.
도 7은 도 4에 도시된 공정 설비에 구비된 센서값의 변화를 분석하기 위해 이용되는 표를 도시한다.
도 8은 본 발명의 실시예에 따른 공정 시뮬레이션을 위한 순서도를 도시한다.
도 9는 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법을 설명하기 위한 순서도이다.
본 발명의 실시 예들을 설명하기에 앞서, 종래의 통계적 공정 관리에서 발생하는 문제점들을 검토한 후, 이들 문제점을 해결하기 위해 본 발명의 실시예들이 채택하고 있는 기술적 수단을 개괄적으로 소개하도록 한다.
통계적 공정 모니터링 방법은 양질의 공정 데이터만 주어진다면 통계적 처리를 접목하여 비교적 쉽게 모니터링을 할 수 있고 공정의 데이터 분석에 이용할 수 있는 도구를 얻을 수 있다는 장점이 있다.
그러나 실제 공정에서는 비선형, 다중 운전 모드, 공정 상태 변화로 인해 기존의 다변량 통계적 방법을 이용한 공정 모니터링 기법은 비효율적이거나, 공정 감시 성능의 저하 등 종종 신뢰할 수 없는 결과를 야기한다.
일반적으로 공정에서 이용되는 장비를 처음 개발할 때와 장비를 가동한 후 일정 시간이 흐른 후의 특성이 다르게 나타나는데, 일정 시간이 흐른 후에는 기계적인 마모, 소착, 변형 내지 피로 등 다양한 형태의 특성이 변화하여 기계의 성능이 저하되고, 이는 공정의 불안정화와 더불어 제품의 성능과 신뢰도를 떨어뜨리는 요인이 되고 있다. 또한, 온도, 습도, 바람 등의 공정 환경의 변화에도 생산되는 공정결과 변화량에 차이가 발생할 수 있다.
그러나, 이러한 장비 및 시스템의 신뢰성 저하나 공정 환경의 변화를 직접적으로 신속히 파악할 수 있는 방법은 구비되어 있지 않다.
시스템을 관리하고 운영하는 엔지니어도 장비의 작동 여부 및 장비의 파라미터 설정에 대한 지식만을 가질 뿐, 장비 및 시스템의 신뢰도가 어떻게 변화하는지는 알기 어렵다.
따라서, 이러한 공정의 이상 유무 파악 및 신뢰성 파악을 하기 위해서는 공정으로부터 발생하는 수많은 공정 변수를 데이터베이스에 축적하고, 빅데이터 분석을 통하여 공정관리 시스템의 동적인 운영 및 구축이 필요하다.
이하에서 기술되는 본 발명의 실시예들이 제안하는 빅데이터 분석 기반의 공정 관리 시스템의 기능은 각 공정에서 읽어들인 수많은 공정 변수와 공정결과 변수로부터 최적화 조건을 만들고, 센서 오류로 인한 부정 오류 검출을 줄일 수 있는 공정관리의 새로운 공정 최적화 설정치 조합을 구해내는 것이다. 공정의 중단없이 실시간으로 현재 주어진 상황에 최적화된 공정 규격을 수시로 새롭게 생성함으로서, 공정 규격이 고정된 값이 아니라 상황에 대응하여 변화되는 동적인 값이 되는 것이다.
이하에서는 도면을 참조하여 본 발명의 실시 예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
도 1은 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템의 구성을 나타내는 블록도이고, 도 2는 공정 설비 및 공정 환경에 관한 공정 데이터를 수집하기 위한 방안을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 빅데이터 분석을 통한 공정 관리 시스템(100)은 데이터 수집부(110), 통신부(120), 빅데이터 분석부(111), 주요 공정요인 선정부(130), 중요 공정조건 도출부(140), 데이터베이스(150), 공정 시뮬레이션부(160), 최적 공정조건 산출부(170) 및 사용자 인터페이스(180)를 포함하여 구성된다.
데이터 수집부(110)는 통신부(120)를 통해 주요설비 및 각종 센서들과 통신하여 공정 데이터와 공정결과 변화량 데이터를 획득하여 데이터베이스(150)에 저장한다. 도 2를 참조하면, 각종 센서는 온도 센서, 습도 센서, 홀 센서, 가속도 센서, 진동 센서, 전원(전류)센서, 유류(유속) 센서 등을 포함할 수 있다. 또한, PLC를 공정설비에 부착하여 설비이력(가공 정보 및 가공 시 설비 상태 정보 등의 대용량 데이터)를 수집할 수 있다.
또한, 공정 처리 데이터로서, 사용자가 직접 값을 입력한 공정 데이터, 설비 제조사에서 제공한 매뉴얼 및 TPM 예방정비를 위해 제조사에서 제공하는 별도의 예방정비 항목에 관한 데이터와, 공정 프로세스의 전처리 과정에서 발생하는 공정 데이터도 수집할 수 있다.
아울러, 레거시 데이터를 수집할 수 있으며, ERP, MES, POP 시스템 등 서로 다른 전사적 시스템 및 초중종물 관리, Lot tracking로부터 생산 이력 데이터를 수집할 수 있다.
데이터 수집부(110)는 사물 인터넷(IoT) 기기로부터 수신된 데이터를 선형 이론에 근거하여 선형성분의 모델로 변환하여 데이터베이스(150)에 저장한다. 수집되는 데이터는 지정된 별도의 테이블 스페이스 영역에 할당될 수 있다.
여기서, 공정 데이터는 사물 인터넷 기기가 온도 센서, 습도 센서, 이산화탄소 센서, 감지 센서, 연기 센서, 진동 센서, 유속 센서에 의한 센서값 및 공정 환경 데이터와, 전력량계, 수도 계량기, 통풍 팬, 챔버 및 냉난방기 장치와 연계하여 검출되는 설비 데이터를 포함한다. 여기서 설비 데이터는 설비의 중량, 최대 압력, 세정 정도, 가공 능력, 스트로크(stroke), 회전수, 최대 속도, 동작 반경, 최대 스윙, 최대 가공물의 사이즈, 일일 생산능력 중 적어도 하나를 포함한다.
통신부(120)는 사물 인터넷 기기를 통해 주요설비 및 각종 센서들과 정보를 송수신한다. 사물 인터넷(IoT: Internet of Things)은 무선 인터넷을 기반으로 다양한 장치를 연결하고 센서를 통해 환경 정보를 획득하며, 이를 기반으로 제어하는 여러 기술이 융합된 컴퓨팅 시스템이다.
이러한 IoT 환경에서 애플리케이션은 네트워크에 연결된 여러 장치 또는 기기를 이용하여 사용자에게 유용한 정보와 편의를 제공할 수 있는데, IoT 기기들은 단순한 정보를 제공하기도 하고, 다수 기기들의 협업에 의한 서비스를 제공하기도 한다.
여기에서, 사물을 지칭하는 IoT 기기는 가전제품, 모바일 장비 및 컴퓨터 등 다양한 임베디드 시스템으로 이루어질 수 있으며, 각각의 사물들은 자신을 구별하는 식별인자, 통신 기능 및 데이터를 처리할 수 있는 기능 등이 포함된다.
본 발명에서 사물 인터넷 기기는 빅데이터 분석을 통한 공정 관리 대상인 주요설비의 상태 및 공정 환경을 측정하는 각종 설비 및 센서에 대해 IoT 기술 기반의 서비스 대상이 되는 스마트 기기나 센서 등을 의미할 수 있다.
빅데이터 분석부(111)는 공정 데이터 군집화를 위해 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지를 결정하는 방식으로 공정 데이터를 군집화한다. 군집화의 시작 단계에서 개별 개체를 각각 하나의 군집으로 보고 가장 유사한 것들을 동일 군집으로 묶어가는 병합적 방법을 구현할 수 있다. 또는, 군집화의 시작 단계에서 전체 개체들을 하나의 군집으로 보고 이들을 군집사이의 비유사성이 가장 커지도록 두 군집으로 구분하는 분할적 방법을 구현할 수 있다.
구체적으로, 빅데이터 분석부(111)는 공정 데이터를 군집화하는 알고리즘은 각 개체를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 넣지 않을 것인지를 결정하는 방식을 이용한다.
주요 공정요인 선정부(130)는 공정 데이터에 대한 프로세서 마이닝 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 주요 공정요인을 선정한다.
중요 공정조건 도출부(140)는 빅데이터 분석 모델에 의해 분석된 공정 데이터와 공정결과 변화량의 연관관계에 따라 공정결과 변화량에 영향을 미치는 중요 공정요인을 도출한다.
구체적으로, 중요 공정조건 도출부(140)는 설립된 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정조건으로 선별한다. 즉, 주요 공정 데이터와 공정결과 변화량간의 연관관계를 중요 공정조건으로 도출한다.
여기서, 빅데이터 분석은 공정관리를 지원하는 다양한 정보시스템에 기록된 이벤트 로그를 분석하여 프로세스모델을 자동으로 도출하는 것을 지원한다.
빅데이터 분석은 이벤트 로그와 프로세스 모델 간에 발견(discovery), 순응도(conformance), 확장(enhancement)과 같은 세 가지 유형의 마이닝을 제공할 수 있다. 여기서, 발견은 이벤트 로그에서 프로세스 모델의 자동 발견을 지원하고, 순응도는 이벤트 로그와 프로세스 모델 간 일치 정도를 분석한다. 확장은 발견된 프로세스 모델을 시간 정보 등을 통해서 확장시키는 것이다.
빅데이터 분석은 이와 같은 세 가지 유형의 마이닝과 독립적으로 다음과 같은 다양한 관점의 분석을 지원할 수 있다.
첫째, 통제흐름(control-flow) 관점으로, petri-net이나 BPMN 등의 표기법으로 표시되는 생산 제조 공정 활동들의 순서발견과 분석기법을 제공할 수 있다.
둘째, 조직(organizational) 관점으로, 공정 수행 주체들 사이의 사회 관계망 분석 기법을 제공할 수 있다.
셋째, 시간 관점으로, 수행된 공정 사례들의 평균 수행 시간, 특정 공정들 사이의 평균 수행 시간 및 특정 공정들 사이의 평균 휴지기 등에 관한 분석 기법을 제공할 수 있다.
넷째, 성과(performance) 관점으로, 병목지점(bottleneck) 분석기법을 제공하여, 성과에 영향을 주는 사례들에 대한 심층 분석 기법을 제공할 수 있다.
다섯째, 데이터 관점으로, 개별 공정 수행 사례들의 데이터와 연관된 분석 기법을 제공할 수 있다. 예컨대, 불량처리 프로세스를 지연시키는 공정 요소들의 유형을 찾을 수 있다.
빅데이터 분석의 결과물은 완성된 형태의 공정관리 프로세스 모델이며, 빅데이터 분석 결과물은 공정 프로세스 설계를 위한 근거 자료가 된다.
이하, 주요 공정요인 선정부(130)가 빅데이터 분석 모델을 설립하는 방법을 약술하자면, 다음과 같다.
먼저, 정보시스템, 데이터베이스 등에 기록되어 있는 특정 공정에 대한 이벤트 로그를 수집한다.
공정 프로세스 상의 업무는 기업 내부의 정보시스템인 ERP(Enterprise Resource Planning), 환경의 실시간 모니터링, 제어, 물류 및 작업내역 추적관리, 상태파악, 불량관리, 부정 오류 검출 중 적어도 하나에 초점을 맞춘 현장 시스템인 MES(Manufacturing Executing system shop floor), POP 등에서 수행될 수 있으므로, 이들 정보 시스템에는 모든 트랜잭션(transaction)을 이벤트 로그 형식으로 기록한다.
다음으로, 프로세스 모델의 분석을 위해 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성한다.
다음으로, 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성한다.
여기서, 사용자 명령에 따라 선택되는 옵션 항목에는 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수, 센서의 부정 오류 검출 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 등이 있다. 이에 따라 복수의 공정요소 간의 관계를 고려할 것인지 여부, 공정 흐름의 구조를 고려할 것인지 여부, 중복되어 나타나는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건을 고려할 것인지 여부에 따라 다양한 경우의 수가 발생할 수 있다.
다음으로, 최종 프로세서 모델을 검토 및 분석하여, 최종 프로세스 모델에 기반한 분석 결과를 도출한다. 빅데이터 분석의 결과로 도출된 최종 프로세스 모델을 데이터베이스(150)에 저장한다.
이와 같은 과정에 의해, 복수의 공정요소 간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수, 공정결과 변화량에 영향을 미치는 중요 공정 조건 등과 같은 사용자가 선택한 옵션 항목을 반영한 프로세스 모델을 도출할 수 있다. 또한, 도출한 프로세스 모델의 분석 결과를 시뮬레이션하여 전체적인 공정 수행을 확인함으로써, 병목 요소와 같은 프로세스 단철 현상을 파악할 수 있는 바, 전체적인 공정 프로세스 개선에 사용할 수 있다.
데이터베이스(150)는 공정 수행시 공정 조건인 주요설비, 공정환경 및 센서값에 관한 공정 데이터, 공정생산제품의 품질관련정보, 최종 빅데이터 분석 모델, 중요 공정 조건에 관한 정보, 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제에 대해 예측된 정보, 상기 예측 정보에 기반하여 조정된 중요 공정 조건의 변경 정보 및 도출된 공정 최적화 설정치를 저장한다.
공정 시뮬레이션부(160)는 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량에 관한 문제를 예측한다.
구체적으로, 공정 시뮬레이션부(160)는 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와, 공정결과 변화량의 연관관계 및 센서의 부정오류 검출을 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션하고, 이를 작업자에게 시각화하여 표현한다.
최적 공정조건 산출부(170)는 공정 시뮬레이션부의 예측에 기반하여 상기 주요 공정요소를 조정하고, 공정 최적화 설정치를 도출한다.
종래에는 환경에 변화에 따른 센서 데이터의 대해서 신뢰성이 없이 드리프트 된 값만 가지고 비율에 따라 비교 판단했는데, 이러한 방식은 입력값의 범위에 따라 최소 10% 범위나, 5% 범위에 따라 센서의 오동작이 판정이 되며, 센서의 오동작판단에 있어서 센서 오류를 정상으로, 정상을 센서 오류로 판정 할 수 있으며, 판정범위가 엄격한 경계값에 의해서도 오류로 판단하는 것이 문제였다.
본원발명에서는 미리 설정된 경계값을 적용하여 알람 발생시 정확한 판단을 위해서 경험에 의한 공정관리모델을 기반으로 한 계통 진단로직을 통해 논리적으로 설비이상에 대한 판정을 하고, 설비 계통에 이상이 없는 경우 센서 이상이라고 진단한 알람을 경험 모델에 의해 보정하여, 센서 이상 판단에 대한 오류가 감소 되도록 하여 센서값에 대한 모델링 비교 판단에 대해 오류 상태를 정상상태로 판정함으로써, 센서 오류에 의한 부정 오류 검출을 지양할 수 있다.
사용자 인터페이스(180)는 사용자에 의해 발생되는 각종 제어값 및 공정에 관한 데이터를 입력받고, 상기 공정 시뮬레이션의 수행과 상기 공정 최적화 설정치를 사용자에게 안내한다.
그리고, 사용자 인터페이스(180)는 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 등의 의사결정을 할 수 있는 인터페이스를 제공한다.
도 3은 본 발명의 실시예를 적용하기 위한 열 교환기 계통의 개략적인 단면을 도시하고, 도 4는 열 교환기 계통의 흐름을 나타내는 도면이다.
도 3 및 도 4를 참조하면, 피드워터(급수)의 온도를 높이기 위한 스팀의 온도나 압력은 정상이고, 또한 인입되는 피드워터의 온도도 정상이지만 열 교환기 출구의 피드워터 온도가 낮고 스팀 드레인의 온도가 높은 경우는 열교환기 내부의 튜브의 열 흡수율 성능이 저하된 것으로 판단되는 바, 이는 튜브의 파울링(FOULING)으로 판단 할 수 있다. 즉, 센서의 오류로 판단하지 않는다.
도 5는 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이다. 도 5를 참조하면, 피드워터(급수)의 온도를 높이기 위한 스팀의 온도나 압력은 정상, 스팀 드레인의 수위 정상, 또한 인입되는 피드워터의 온도도 정상인 것을 알 수 있다. 그러나 열교환기 출구의 피드워터 온도가 낮다면, 열교환기 자체의 수위 센서의 변화가 없기 때문에 계통적으로 열교환이 정상적인 것으로 판정할 수 있으며, 이로 인해 센서의 값이 너무 낮게 읽힘으로써 센서의 이상으로 판정 할 수 있다. 그러므로 센서 오류로 인한 부정 오류(False Negative)를 보완할 수 있다.
도 6은 열 교환기 계통의 시뮬레이션 상의 센서 이상을 설명하기 위한 도면이고, 도 7은 도 4에 도시된 공정 설비에 구비된 센서값의 변화를 분석하기 위해 이용되는 표를 도시한다.
도 6에 도시된 바와 같이 현재의 주요설비, 공정환경 및 도 7에 도시된 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션할 수 있다.
도 8은 본 발명의 실시예에 따른 공정 시뮬레이션을 위한 순서도를 도시한다.
도 8을 참조하면, 본 발명의 실시예에 따른 공정 시뮬레이션은 인증된 사용자(S310)가 본 발명의 시스템을 활용할 때(S320), 시뮬레이션 데이터가 존재하는 경우, 단계적 회귀 분석을 수행(S350)하여, 주요 공정요인을 선택(S370)하고, 이에 따라 공정 최적화를 수행(S380)한다. 반면, 시뮬레이션 데이터가 존재하지 않는 경우, 혼합 모형 방법을 적용하거나(S340), 부분 요인법을 적용(S360)하여 주요 공정요인을 선택할 수 있다.
사용자 인터페이스는 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션 할 수 있다.
따라서, 시뮬레이션 정보를 바탕으로 사용자가 주요 공정요인을 조정하는 등의 의사결정을 할 수 있게 한다.
도 9는 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법을 설명하기 위한 순서도이다.
도 9를 참조하면, 본 발명의 실시예에 따른 빅데이터 분석을 통한 공정 관리 방법은 먼저, 사물 인터넷 기기를 통해 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계를 포함한다(S410).
이 단계는 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함할 수 있다. 여기서, 빅데이터 분석은 공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분한다.
다음으로, 수집된 공정 데이터에 대해 프로세서마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계를 포함한다(S420).
다음으로, 빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계를 포함한다(S430).
이를 위해, 프로세서 마이닝 분석, 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 빅데이터 분석 모델을 설립한다. 그리고, 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별한다.
여기서, 빅데이터 분석 모델을 설립하기 위해, 특정 공정에 대한 이벤트 로그를 수집하는 단계와, 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계 및 사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계를 더 포함할 수 있다.
여기서, 사용자 명령에 따라 선택되는 옵션 항목은 복수의 공정 요소간의 관계, 공정 흐름의 구조, 중복되는 공정의 횟수 및 공정결과 변화량에 영향을 미치는 중요 공정 조건 중 적어도 하나일 수 있다.
다음으로, 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계를 포함한다(S440). 여기서, 공정 시뮬레이션은 현재의 주요설비, 공정환경 및 센서값을 나타내는 공정 데이터와 공정결과 변화량의 연관관계를 분석한 정보와, 외부환경 데이터 수치 및 공정변수를 포함하는 기준정보를 조정하며 입력했을 때의 비교치를 시뮬레이션할 수 있다.
이후, 예측에 기반하여 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함할 수 있다.
이러한 본 발명의 실시 예에 따르면, 다양한 공정 변수들을 축적하고, 빅데이터 분석을 통하여 축적된 데이터로부터 공정요인과 공정결과 변화량 간의 연관관계를 도출하고 이로부터 센서 오류로 인한 부정 오류 검출을 줄일 수 있고, 공정 최적화를 유지할 수 있는 새로운 공정 설정치 조합을 생성함으로써, 변화하는 공정 상태를 예측하는 것이 가능하다. 아울러, 사용자에게 시뮬레이션 정보를 바탕으로 사용자가 공정변수를 조정하는 할 수 있는 인터페이스를 제공할 수 있다.
한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서 본 발명에 대하여 그 다양한 실시 예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
[부호의 설명]
100: 빅데이터 분석을 통한 공정 관리 시스템
110: 데이터 수집부 111: 빅데이터 분석부
120: 통신부 130: 주요 공정요인 선정부
140: 중요 공정조건 도출부 150: 데이터베이스
160: 공정 시뮬레이션부 170: 최적 공정조건 산출부
180: 사용자 인터페이스

Claims (6)

  1. 주요설비, 공정환경 및 센서값에 관한 공정 데이터를 수집하는 단계;
    상기 수집된 공정 데이터에 대해 프로세서 마이닝 분석, 평판 분석 및 군집 분석 중 적어도 하나의 방법을 통한 분석에 기초하여 주요 공정요인을 선정하는 단계;
    빅데이터 분석 모델을 통해 상기 주요 공정요인과 공정결과 변화량의 연관관계를 분석함으로써 상기 공정결과 변화량에 영향을 미치는 중요 공정 조건을 도출하는 단계; 및
    상기 중요 공정 조건에 기초하여 공정 시뮬레이션을 수행하여 공정결과 변화량 및 공정에 관한 문제를 예측하는 단계;를 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
  2. 제 1 항에 있어서,
    상기 예측에 기반하여 상기 주요 공정요인 조정하고, 공정 최적화 설정치를 도출하는 단계를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
  3. 제 1 항에 있어서,
    상기 중요 공정 조건을 도출하는 단계는,
    상기 프로세서 마이닝 분석 , 평판분석 및 군집분석 중 적어도 하나의 방법을 통해 상기 빅데이터 분석 모델을 설립하는 단계; 및
    상기 빅데이터 분석 모델을 기반으로 공정 데이터와 공정결과 변화량 간의 연관관계를 분석하고, 불량 및 문제종류별로 가장 많은 인스턴스의 비율을 차지하는 공정 데이터와 공정결과 변화량 간의 연관관계를 중요 공정 조건으로 선별하는 단계를 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
  4. 제 1 항에 있어서, 상기 공정 데이터를 수집하는 단계는,
    상기 수집된 공정 데이터에 대한 빅데이터 분석을 통해 공정 데이터 군집을 도출하는 단계를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
  5. 제 4 항에 있어서,
    상기 빅데이터 분석은,
    공정 데이터 군집화를 위해 공정 수행에 따라 실시간으로 생성되는 공정 데이터를 하나씩 추가함으로서 동일한 군집에 넣을 것인지 말 것인지를 결정하여, 미리 설정된 범주 내에 동일하거나 유사한 공정 데이터들로 구분하는, 빅데이터 분석을 통한 공정 관리 방법.
  6. 제 1 항에 있어서,
    빅데이터 분석 모델을 설립하기 위해,
    특정 공정에 대한 이벤트 로그를 수집하는 단계;
    상기 이벤트 로그에 전처리 과정을 수행하고, 분석 과정을 통해 이벤트 로그가 수집된 특정 공정에 대한 프로세스 모델을 생성하는 단계; 및
    사용자에 의해 선택된 옵션 항목에 따라 계산된 단위 프로세스들 사이의 수치가 임계값보다 작은 연결 경로를 삭제하여 최종 프로세스 모델을 생성하는 단계;를 더 포함하는, 빅데이터 분석을 통한 공정 관리 방법.
PCT/KR2018/006125 2017-05-31 2018-05-30 빅데이터 분석을 통한 공정 관리 방법 WO2018221948A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170067995A KR20180131246A (ko) 2017-05-31 2017-05-31 빅데이터 분석을 통한 공정 관리 방법
KR10-2017-0067995 2017-05-31

Publications (1)

Publication Number Publication Date
WO2018221948A1 true WO2018221948A1 (ko) 2018-12-06

Family

ID=64455391

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/006125 WO2018221948A1 (ko) 2017-05-31 2018-05-30 빅데이터 분석을 통한 공정 관리 방법

Country Status (2)

Country Link
KR (1) KR20180131246A (ko)
WO (1) WO2018221948A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977174A (zh) * 2019-03-12 2019-07-05 黑龙江省电工仪器仪表工程技术研究中心有限公司 一种基于自然环境特征的智能电能表归类方法
CN111103847A (zh) * 2019-12-31 2020-05-05 中国兵器装备集团自动化研究所 一种用于数控机床实时数据流的分析系统和分析方法
CN111445119A (zh) * 2020-03-24 2020-07-24 清华大学 配电设备运行状态关联关系在线检测方法及装置
CN112667737A (zh) * 2020-12-23 2021-04-16 武汉烽火众智数字技术有限责任公司 基于大数据分析组件快速自定义图表展现方法、装置及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102244815B1 (ko) * 2019-12-26 2021-04-27 한국브로치주식회사 IoT 기반의 예방 보전 기술 적용이 가능한 능동형 브로칭머신의 제어방법
KR102339715B1 (ko) * 2020-01-17 2021-12-14 한림대학교 산학협력단 산업용 사물인터넷(IIoT) 환경에서의 고장 예측 모델 획득을 위한 전처리 방법, 피처의 중요도 측정 방법 및 피처 선택 방법, 장치 및 프로그램
KR102274363B1 (ko) * 2020-09-18 2021-07-08 주식회사 엘지화학 인공 지능 기반의 의약품 공정 개발 시스템 및 이의 자동화 접목 방법
KR20220147932A (ko) 2021-04-28 2022-11-04 에스케이가스 주식회사 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법
KR102647438B1 (ko) 2022-08-10 2024-03-12 에스케이가스 주식회사 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4394728B2 (ja) * 2008-04-15 2010-01-06 シャープ株式会社 影響要因特定装置
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법
US20110282480A1 (en) * 2010-05-17 2011-11-17 National Tsing Hua University Process Quality Predicting System and Method Thereof
JP2016186779A (ja) * 2015-03-27 2016-10-27 東レ株式会社 工程診断装置、工程診断方法および工程診断プログラム
JP2017090947A (ja) * 2015-11-02 2017-05-25 オムロン株式会社 製造プロセスの予測システムおよび予測制御システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4394728B2 (ja) * 2008-04-15 2010-01-06 シャープ株式会社 影響要因特定装置
KR101065767B1 (ko) * 2010-04-22 2011-09-19 주식회사 지오네트 성능저하 및 고장원인 조기 진단방법
US20110282480A1 (en) * 2010-05-17 2011-11-17 National Tsing Hua University Process Quality Predicting System and Method Thereof
JP2016186779A (ja) * 2015-03-27 2016-10-27 東レ株式会社 工程診断装置、工程診断方法および工程診断プログラム
JP2017090947A (ja) * 2015-11-02 2017-05-25 オムロン株式会社 製造プロセスの予測システムおよび予測制御システム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977174A (zh) * 2019-03-12 2019-07-05 黑龙江省电工仪器仪表工程技术研究中心有限公司 一种基于自然环境特征的智能电能表归类方法
CN111103847A (zh) * 2019-12-31 2020-05-05 中国兵器装备集团自动化研究所 一种用于数控机床实时数据流的分析系统和分析方法
CN111445119A (zh) * 2020-03-24 2020-07-24 清华大学 配电设备运行状态关联关系在线检测方法及装置
CN112667737A (zh) * 2020-12-23 2021-04-16 武汉烽火众智数字技术有限责任公司 基于大数据分析组件快速自定义图表展现方法、装置及存储介质

Also Published As

Publication number Publication date
KR20180131246A (ko) 2018-12-10

Similar Documents

Publication Publication Date Title
WO2018221948A1 (ko) 빅데이터 분석을 통한 공정 관리 방법
CN102182671B (zh) 一种气体压缩机的状态分析监测方法
CN108241343A (zh) 一种智能工厂管理平台系统
KR20180056900A (ko) 프로세스마이닝을 이용한 공정 관리 방법
CN117348503B (zh) 一种环氧丙烷生产数据监控系统及方法
CN117055502A (zh) 基于物联网和大数据分析的智能控制系统
JP6859833B2 (ja) 設備管理装置、設備管理システム、プログラムおよび設備管理方法
Groba et al. Architecture of a predictive maintenance framework
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN118011990B (zh) 基于人工智能的工业数据品质监控与提升系统
CN116992346A (zh) 一种基于人工智能大数据分析的企业生产数据处理系统
KR20220165147A (ko) 현장 작업자를 위한 ai 기반의 최적 작업 지원 시스템
CN116915122B (zh) 一种煤矿变频设备的自适应控制方法及系统
Sorkunlu et al. dynamicmf: A matrix factorization approach to monitor resource usage in high performance computing systems
CN116704729A (zh) 一种基于大数据分析的工业窑炉预警系统及方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN116485578A (zh) 一种钢材冶炼车间的集成管理方法及系统
KR20230081759A (ko) 인공지능 기반의 클린룸 관리를 위한 통합 관리 시스템 및 그 방법
CN111476383B (zh) 一种泵站机组状态检修动态决策方法
CN108627242B (zh) 基于盲源分离单边检测法的环冷机漏风率检测方法
Yang Remote Diagnosis and Detection Technology for Electrical Control of Intelligent Manufacturing CNC Machine Tools
KR102556151B1 (ko) IIoT 송신기를 이용한 에너지 다소비 식품업종에서의 생산정보를 머신러닝을 기반으로 예측하는 방법과 에너지 최적화하는 방법
CN118445106B (zh) 一种煤机设备的在线状态监测方法及健康管理系统
TWI783593B (zh) 智慧產線設備精實預防保養及耗能可視化監控系統及其方法
CN118378196B (zh) 基于多模态数据融合的工控主机异常行为识别方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18808888

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18808888

Country of ref document: EP

Kind code of ref document: A1