WO2024117273A1 - 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템 - Google Patents

시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템 Download PDF

Info

Publication number
WO2024117273A1
WO2024117273A1 PCT/KR2022/018951 KR2022018951W WO2024117273A1 WO 2024117273 A1 WO2024117273 A1 WO 2024117273A1 KR 2022018951 W KR2022018951 W KR 2022018951W WO 2024117273 A1 WO2024117273 A1 WO 2024117273A1
Authority
WO
WIPO (PCT)
Prior art keywords
series data
time series
data
artificial intelligence
time
Prior art date
Application number
PCT/KR2022/018951
Other languages
English (en)
French (fr)
Inventor
김대천
Original Assignee
주식회사 필드솔루션
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 필드솔루션 filed Critical 주식회사 필드솔루션
Publication of WO2024117273A1 publication Critical patent/WO2024117273A1/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]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the present invention relates to a smart factory system using time series data and artificial intelligence.
  • a smart factory system that predicts future time series data and inputs the predicted time series data into a learned artificial neural network to inspect process equipment with a high probability of failure. It's about.
  • the individual facilities that make up a large-scale smart factory interact organically with each other. For example, products pretreated in a pretreatment facility are transferred to the next processing facility during the manufacturing process using a transfer robot.
  • a transfer robot In this connection structure of facilities, if a failure occurs in one facility, the entire manufacturing line including the failed facility must be stopped, so predicting facility failure is very important in the operation of a smart factory.
  • manufacturing facilities may have self-diagnosis functions, but as explained above, because a large amount of diverse data is shared inside and outside the smart factory, it is difficult to accurately detect abnormal signals from individual facilities.
  • the present invention was proposed to solve the above-mentioned problems, and provides a smart factory system that can predict time series data and input the predicted time series data into a learned artificial neural network to inspect process equipment with a high probability of failure.
  • One aspect of the present invention is a smart factory system that collects time series data from process equipment installed on a plurality of assembly lines and diagnoses the condition using artificial intelligence, which predicts the probability of failure using the time series data and artificial intelligence.
  • a data collection unit that collects time-series data on power supply, power consumption, operation time, temperature, humidity, and location information from the process equipment, and power supply and power consumption of the process equipment in which a failure occurs from the data collection unit
  • An artificial intelligence learning unit that inputs time series data on operation time, temperature, humidity, and location information into an artificial neural network to train the artificial neural network, and performs time series analysis using ARMA with the time series data to predict future time series data.
  • Receives a data prediction unit and an artificial neural network learned from the artificial intelligence learning unit receives the future time series data from the data prediction unit, applies the future time series data to the learning artificial neural network, and
  • the data collection unit may separately classify time series data in which a failure occurred among the collected time series data.
  • the artificial intelligence learning unit can learn an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range.
  • the artificial intelligence learning unit can learn using an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range.
  • the data prediction unit may perform a time-series analysis of supplied power, power consumption, temperature, and humidity among the time-series data and include them in future time-series data.
  • the condition diagnosis unit may send a notification to the user when the failure probability exceeds a predetermined value.
  • artificial intelligence can be used to identify the state of the process equipment and inspect process equipment with a high probability of failure, thereby preventing failure in advance.
  • big data can be effectively transmitted using multiple channels.
  • Figure 1 is a block diagram of a smart factory system that diagnoses the condition using time series data and artificial intelligence according to an embodiment of the present invention.
  • Figure 2 is a block diagram of a smart factory system that diagnoses the condition using time series data and artificial intelligence according to an embodiment of the present invention.
  • Figure 3 is a flowchart of a smart factory system that diagnoses the condition using time series data and artificial intelligence according to an embodiment of the present invention.
  • expressions such as “or” include any and all combinations of words listed together.
  • “A or B” may include A, B, or both A and B.
  • Expressions such as “first,” “second,” “first,” or “second” used in various embodiments of the present disclosure may modify various elements of the various embodiments, but do not limit the elements. No.
  • the above expressions do not limit the order and/or importance of the corresponding components.
  • the above expressions can be used to distinguish one component from another.
  • the first user device and the second user device are both user devices and represent different user devices.
  • a first component may be referred to as a second component, and similarly, the second component may be referred to as a first component without departing from the scope of various embodiments of the present disclosure.
  • Figure 1 is a block diagram schematically showing a network system using multi-channels for big data transmission according to an embodiment of the present invention.
  • the smart factory system includes a data collection system, sensor network system, and smart factory platform.
  • the data collection system collects data generated in the process.
  • the data collection system 1 can collect data generated in a continuous process in which a plurality of processes are performed continuously. At this time, even within a continuous process, the same process may occur in multiple locations.
  • one vehicle assembly line is a continuous process, but usually there are multiple assembly lines. At this time, the assembly line is a continuous process and performs the same process.
  • the data collection system includes various instruments, sensors, actuators, etc. to collect data generated in the process.
  • the data collection system may further include a P/C, PLC (Programmable Logic Controller), DCS (Distributed Control System), etc. that integrate or control data collected by instruments, sensors, actuators, etc.
  • P/C Physical Control Controller
  • PLC Programmable Logic Controller
  • DCS Distributed Control System
  • components that collect data such as measuring instruments, sensors, and actuators, are collectively referred to as sensors.
  • the sensors may include a first sensor group, a second sensor group, and a third sensor group that each collect data.
  • various sensors exist in multiple identical processes, and they can be grouped into one group. For example, if there are three assembly lines, there are three frame assembly processes of the same process. At this time, a sensor group exists for each frame assembly process. A first sensor group exists in the first frame assembly process, and a second sensor group exists in the second frame assembly process.
  • the first sensor group includes various types of sensors such as measuring instruments, sensors, and actuators, and will be described below as including a 1-1 sensor, a 1-2 sensor, and a 1-3 sensor as examples.
  • the second sensor group includes the 2-1 sensor, the 2-2 sensor, and the 2-3 sensor
  • the third sensor group includes the 3-1 sensor, the 3-2 sensor, and the 3-3 sensor.
  • the sensor network system collects data from the data collection system and delivers the collected data to the smart factory platform.
  • the network system may include a USN collector, node, network cable, gateway, router, or wireless access point (AP). The following is done and the collected data is delivered to the smart factory platform.
  • a network system refers to a USN collector, node, network cable, gateway, router, or wireless AP (Access Point) as a sensor node.
  • Multiple sensor nodes receive data from multiple sensors.
  • the first sensor node is wirelessly/wiredly connected to . That is, one sensor node receives data from multiple sensors.
  • the sensor network system includes a plurality of sensor nodes, such as a first sensor node and a second sensor node. More specifically, the first sensor node receives data from the data collection system. That is, the first sensor node receives data from a plurality of sensors. There may be a plurality of such first sensor nodes.
  • the first sensor node includes a 1-1 sensor node, a 1-2 sensor node, etc.
  • the sensor network system connects the data collection unit and the smart factory platform and transmits the collected data. At this time, because the data collection unit and the smart factory platform are separated, data is transmitted by a plurality of sensor nodes. That is, the sensor network system includes at least two sensor nodes connected in series or parallel. In this embodiment, the three-stage sensor node is described as an example, but is not limited thereto.
  • sensor nodes transmit collected data using one channel out of 16 channels.
  • sensor nodes need to transmit big data.
  • big data could not be processed through one channel.
  • big data can be transmitted through multi-channel communication between sensor nodes.
  • the first sensor node distributes data collected from a plurality of sensor groups and transmits it to the second sensor node using multiple channels. A detailed explanation of this will be given later.
  • the first sensor node receives data from the data collection unit. At this time, data can be transmitted from at least one sensor group. For example, the 1-1 sensor node receives data from the first sensor group and the second sensor group, and the 1-2 sensor node receives data from the third sensor group and the fourth sensor group.
  • the first sensor node receives and collects data from a plurality of sensors deployed in the same process. For example, data is collected from a first sensor group disposed in a first frame assembly process among a plurality of assembly lines, and data is collected from a second sensor group disposed in a second frame assembly process.
  • the first sensor node distributes the collected data through multiple channels and transmits it to the second sensor node.
  • the 1-1 sensor node collects data from the 1-1 sensor and the 2-1 sensor and transmits it to the second sensor node.
  • the 1-1 sensor and the 2-1 sensor transmit the same type of data, that is, first data, to the pressure gauge.
  • the 1-2 sensor and the 2-2 sensor transmit the same type of data, that is, second data, to the thermometer.
  • the 1-1 sensor node may transmit data collected from the same sensor among the data collected from the first sensor group and the second sensor group to the first channel, and transmit data collected from different types of sensors to the second channel. there is.
  • the number of types of sensors increases, one data cannot be transmitted through one channel. Typically, 4 out of 16 channels can be used for data transmission. If the number of sensor groups exceeds 4, the number of data becomes greater than the number of channels. In other words, the number of types of data collected from a plurality of sensors may exceed the number of available channels.
  • the first sensor node can transmit so that the difference in the amount of data transmitted between the plurality of channels is less than 10%. For example, if the amount of data transmitted through the first channel is 1 Mbps, the amount of data transmitted through the second channel can be controlled and transmitted to be 0.9 to 1.1 Mbps.
  • the 1-1 sensor node is the 1-1 sensor, the 1-2 sensor, the 1-3 sensor, the 1-4 sensor, the 2-1 sensor, the 2-2 sensor, the 1-4 sensor, etc.
  • Data is transmitted from the 2-3 sensor, 2-4 sensor, etc., and data from the 1-1 sensor, 2-1 sensor, 1-3 sensor, and 2-3 sensor is transmitted to the first channel.
  • data from the 1-2 sensor, 2-2 sensor, 1-4 sensor, and 2-4 sensor can be transmitted to the second channel.
  • the 1-2 sensor node is the same as the 1-1 sensor node, and the 1-3 sensor node (not shown) that can be added is also the same. Therefore, redundant explanations are omitted.
  • the second sensor node receives data from the first sensor node.
  • the first sensor node and the second sensor node communicate through multiple channels in order for the smart factory system to later perform analysis using artificial intelligence. That is, the first sensor node and the second sensor node transmit data using multiple channels to transmit/send big data.
  • the second sensor node transmits the collected data to the third sensor node through multiple channels.
  • the second sensor node transmits the same data to the third sensor node through a plurality of channels.
  • the second sensor node may transmit data collected from the first sensor node to the third sensor node through four channels.
  • the second sensor node is explained as using the first and second channels and the third and fourth channels.
  • the second sensor node can make the data transmitted through the first and second channels the same as the data transmitted through the third and fourth channels. That is, the second sensor node can duplicate data to prevent incorrect data loss.
  • the third sensor node may receive data from the second sensor node and transmit it to the smart factory system or to an additional sensor node. At this time, the third sensor node can compare and analyze data received through a plurality of channels, find and supplement erroneous data, and transmit it.
  • the smart factory platform receives collected data through a network system.
  • the smart factory platform processes collected data, determines whether there are any abnormalities in equipment or materials based on the processed collected data, and provides inquiry and analysis services for stored data.
  • the smart factory platform includes a data collection unit, an artificial intelligence learning unit, a data prediction unit, and a status diagnosis unit.
  • the data collection unit collects time series data on supply power, power consumption, operating time, temperature, humidity, and location information from the process equipment.
  • the data collection unit receives data in time series form from the network system.
  • the data is structured to identify equipment or processes, such as the type and location of the sensor.
  • equipment or equipment In the case of facilities or equipment used in the process, there are many cases where failure occurs due to power failure. Therefore, if power abnormality can be detected in advance, failure can be prevented in advance. Additionally, because equipment is sensitive to temperature and humidity, the corresponding information can be used to determine whether or not it is malfunctioning in advance.
  • process equipment equipment or equipment is referred to as process equipment.
  • the above-described sensor may be attached to a process device or refer to a process device capable of transmitting data.
  • the data collection unit collects time series data on the power supplied to the process equipment, the power consumed by the process equipment, the operation time of the process equipment, the temperature of the process equipment, the humidity of the process equipment, and the location information of the process equipment.
  • the temperature of the processing device and the humidity of the processing device may be the temperature/humidity of the processing device itself or the temperature and humidity of the location where the processing device is located.
  • the location of the process equipment is converted into data by coordinates.
  • the data collection unit separately classifies time-series data on failed supply power, power consumption, operation time, temperature, humidity, and location information. Additionally, the data collection unit classifies data on power supply, power consumption, operation time, temperature, humidity, and location information during normal operation.
  • the artificial intelligence learning unit learns the artificial neural network by inputting time series data from the data collection unit on the supply power, power consumption, operating time, temperature, humidity, and location information of the failed process equipment into the artificial neural network.
  • the artificial intelligence learning department applies a multi-layer perceptron (MLP) model and sets the input layer and output layer for the independent and dependent variables collected over a certain period of time.
  • MLP multi-layer perceptron
  • the input layer is time series data on supply power, power consumption, operation time, temperature, humidity, and location information.
  • the output layer is the failure probability.
  • the artificial intelligence learning unit uses time series data classified as failures to learn an artificial neural network.
  • the artificial intelligence learning unit learns an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of process equipment within the normal operating range for reinforcement and expansion.
  • the data prediction unit can perform time series analysis using ARMA on time series data and predict future time series data.
  • time series analysis we use regular pattern time series models such as autocorrelation and moving average and irregular pattern time series models such as AR, MA, ARMA, and ARIMA. Most process operations have irregular patterns, so ARMA and ARIMA can be considered.
  • the ARMA model is applied to time series analysis to make predictions.
  • ARMA Auto Regressive Moving Average
  • AR autoregressive
  • MA moving average
  • AR creates a model based on past observations in a time series
  • MR creates a model based on past prediction errors.
  • the basic formula is expressed as follows.
  • time series data supply power, power consumption, temperature, and humidity that fluctuate over time are analyzed in time series.
  • the order values of AR and MA start from 1. That is, if the number of executions is 1, the order value is 1.
  • the data prediction unit analyzes the supply power, power consumption, temperature, and humidity among the time series data over time, and includes the calculated power supply, power consumption, temperature, and humidity in future time series data. Therefore, future time series data includes predicted power supply, predicted power consumption, predicted operation time, predicted temperature, predicted humidity, and location information.
  • the condition diagnosis unit receives the learned artificial neural network from the artificial intelligence learning unit, receives future time series data from the data prediction unit, and applies the future time series data to the learning artificial neural network to calculate the probability of future failure of the process equipment.
  • the status diagnosis unit sends a notification to the user when the failure probability exceeds a predetermined value.
  • the predetermined value may be 70%. Because of this, users can inspect process equipment and prevent malfunctions in advance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Human Computer Interaction (AREA)

Abstract

본 발명은 시계열 데이터와 인공지능을 활용하여 공정 장치의 상태를 파악하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템에 관한 것으로, 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여 인공신경망을 학습시키는 인공지능 학습부와, 상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부와, 상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부를 제공한다.

Description

시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템
본 발명은 시계열 데이터와 인공지능을 이용한 스마트 팩토리 시스템에 관한 것으로, 장래 시계열 데이터를 예측하고, 예측된 시계열 데이터를 학습된 인공신경망에 투입하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템에 관한 것이다.
특정 제품을 생산하는 공장은 최근 자동화 시스템에 의해 운영되고 있다. 이러한 공장의 자동화 시스템은 이전까지는 외부 네트워크와 연결되지 않고, 공장별 자동화 시스템 단위로 독립적인 네트워크를 구성하여 운영되는 폐쇄적인 형태였으나, 최근에는 이러한 공장 자동화 시스템을 외부 네트워크와 연결하여 제어하고, 생산 장치로부터 생산되는 데이터를 생산 및 관리에 재이용하려는 시도가 활발하게 이루어지고 있다.
이러한 공장 자동화 시스템의 각 장치들을 네트워크로 연결하려는 시도는 최근 사물인터넷(INTERNET OF THINGS)에 대한 관심의 증대와, 기술의 보편화에 따라 산업용 IoT(INDUSTRIAL IoT) 형태로 이용하려는 노력이 이루어지고 있다. 이러한 산업용 IoT는 단순히 공장의 생산 설비만을 네트워크화 하여 자동화 하는데 그치지 않고 공장 시스템의 세부적인 부분들까지 IoT에 참여시킴으로써, 자동제어, 각종관리가 이루어지도록 함과 아울러, 내외부의 다양한 데이터를 공장 운영에 이용하여 운영 효율을 크게 향상시키는 것이 가능하다.
특히, IoT를 적용하게 됨으로써 다양한 프로토콜의 다양한 장치를 시스템에 참여시킬 수 있게 되어 과거에 이용한 자동화 시스템에 비해 진보된 시스템의 구성이 가능하다.
대규모의 스마트 팩토리를 구성하는 개별 설비들은 상호 유기적인 연계 작용을 한다. 예를 들어 전처리 설비에서 전처리된 제품은 제조 공정상 다음 처리 설비로 이송 로봇을 이용하여 이송된다. 이와 같은 설비들의 연계 구조에서 하나의 설비에 고장이 발생하는 경우, 그 고장난 설비를 포함하는 제조라인을 모두 정지시켜야 하기 때문에 설비에 대한 고장 예측은 스마트 팩토리의 운영에서 매우 중요하다.
통상 제조 설비는 자체 진단 기능을 가지고 있을 수 있으나, 앞서 설명한 바와 같이 스마트 팩토리 내외부의 다양한 대량의 데이터들이 공유되기 때문에 개별 설비의 이상신호를 정확하게 검출하기 어려운 문제점이 있었다.
스마트 팩토리의 관제를 위한 선행기술로서 공개특허 10-2019-0062739호(복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치, 2019년 6월 7일 공개)에는 하나의 생산 장비에 다수의 센서를 부착하고, 각 센서의 복합 패턴을 비정상 복합 패턴과 비교하여, 생산 장비의 고장을 예지할 수 있는 기술이 기재되어 있다.
본 발명은 상술한 문제점을 해결하기 위해 제안된 것으로, 시계열 데이터를 예측하고, 예측된 시계열 데이터를 학습된 인공신경망에 투입하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템을 제공한다.
본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면은, 복수의 조립라인에 설치된 공정 장치로부터 시계열 데이터를 수집하고, 상기 시계열 데이터와 인공지능을 활용하여 고장 확률을 예측하는 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템에 있어서, 상기 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여, 인공신경망을 학습시키는 인공지능 학습부와, 상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부와, 상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부를 포함하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템을 제공한다.
상기 데이터 수집부는 상기 수집된 시계열 데이터 중 고장이 발생한 시계열 데이터를 별도로 분류할 수 있다.
상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시킬 수 있다.
상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 이용하여 학습시킬 수 있다.
상기 데이터 예측부는 상기 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하여, 장래 시계열 데이터에 포함시킬 수 있다.
상기 상태 진단부는 상기 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보낼 수 있다.
상술한 바와 같이 본 발명에 따르면, 인공지능을 활용하여 공정 장치의 상태를 파악하여 고장 확률이 높은 공정 장치를 점검하여, 고장을 사전에 방지할 수 있다.
상술한 바와 같이 본 발명에 따르면, 다중 채널을 이용하여 빅데이터를 효과적으로 전송할 수 있다.
또한, 본 발명에 따르면, 데이터의 오결손을 방지하여, 정확한 데이터의 분석이 가능하다.
물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 순서도이다.
이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나, 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.
본 개시의 다양한 실시예에서 사용될 수 있는 "포함한다" 또는 "포함할 수 있다" 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시의 다양한 실시예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.
본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 다양한 실시예의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.
본 개시의 다양한 실시예에서 사용한 용어는 단지 특정일 실시예를 설명하기 위해 사용된 것으로, 본 개시의 다양한 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시의 다양한 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 전송을 위한 멀티 채널을 이용한 네트워크 시스템을 개략적으로 도시한 블록도이다.
본 실시예에 따른 센서 네트워크 시스템의 설명에 앞서, 스마트 팩토리 시스템을 간략히 설명한다. 스마트 팩토리 시스템은 데이터 수집 시스템, 센서 네트워크 시스템 및 스마트 팩토리 플랫폼을 포함한다.
데이터 수집 시스템은 공정에서 발생되는 데이터를 수집한다. 데이터 수집 시스템(1)은 복수개의 공정들이 연속하여 수행되는 연속공정에서 발생되는 데이터를 수집할 수 있다. 이때, 연속공정 안에서도 동일공정이 여러 장소에서 발생할 수 있다. 예를 들어 차량의 조립라인 하나는 연속공정이나, 통상적으로 여러 조립라인이 존재하게 된다. 이때, 조립라인은 연속공정이며, 동일공정을 수행한다.
데이터 수집 시스템은 공정에서 발생된 데이터를 수집하기 위한 다양한 계측기, 센서, 액츄에이터 등을 포함한다. 데이터 수집 시스템은 계측기, 센서, 액츄에이터 등에 의해 수집된 데이터를 통합하거나 제어하는 P/C, PLC(Programmable Logic Controller), DCS(Distributed Control System) 등을 더 포함할 수 있다. 이하에서 계측기, 센서, 액츄에이터 등 데이터를 수집하는 구성요소를 센서로 통칭한다.
이때, 센서는 각각 데이터를 수집하는 제1 센서군, 제2 센서군, 제3 센서군을 포함할 수 있다. 물론 더 증가할 수 있다. 예를 들어, 복수의 동일 공정에서는 다양한 센서들이 존재하며, 이들을 하나의 군으로 묶을 수 있다. 예컨대 조립 라인이 3개인 경우, 동일 공정인 프레임 조립 공정도 3개 존재한다. 이때, 각 프레임 조립 공정마다 센서군이 존재한다. 제1 프레임 조립 공정에는 제1 센서군, 제2 프레임 조립공정에는 제2 센서군이 존재한다.
여기서 제1 센서군은 다양한 종류의 계측기, 센서, 액츄에이터 등의 센서를 포함하며, 이하에서 예시적으로 제1-1센서, 제1-2센서, 제1-3센서를 포함하는 것으로 설명한다. 그리고, 제2 센서군는 제2-1센서, 제2-2센서, 제2-3센서를 포함하고, 제3 센서군은 제3-1센서, 제3-2센서, 제3-3센서를 포함한다.
센서 네트워크 시스템은 데이터 수집 시스템으로부터 데이터를 수집하고, 수집 데이터를 스마트 팩토리 플랫폼으로 전달한다. 네트워크 시스템은 USN수집기, 노드, 네트워크 케이블, 게이트웨이, 라우터, 또는 무선 AP(Access Point) 등을 포함할 수 있다. 이하에서 하고, 수집 데이터를 스마트 팩토리 플랫폼으로 전달한다. 네트워크 시스템은 USN수집기, 노드, 네트워크 케이블, 게이트웨이, 라우터, 또는 무선 AP(Access Point) 등을 센서 노드로 칭한다.
복수의 센서 노드는 복수의 센서로부터 데이터를 전송받는다. 예를 들어, 제1 센서 노드는 와 무선/유선으로 연결된다. 즉, 하나의 센서 노드는 복수의 센서로부터 데이터를 전송받는다.
그리고, 센서 네트워크 시스템은 제1 센서 노드, 제2 센서 노드 등 복수의 센서 노드를 포함한다. 보다 상세히, 제1 센서 노드는 데이터 수집 시스템으로부터 데이터를 전송받는다. 즉, 제1 센서 노드는 복수의 센서로부터 데이터를 전송받는다. 이러한 제1 센서 노드는 복수일 수 있다. 제1 센서 노드는 제1-1 센서 노드, 제1-2 센서 노드 등을 포함한다.
센서 네트워크 시스템은 데이터 수집부와 스마트 팩토리 플랫폼을 연결하며, 수집한 데이터를 전송한다. 이때, 데이터 수집부와 스마트 팩토리 플랫폼은 이격되어 있기 때문에, 데이터는 복수의 센서 노드에 의해 전달된다. 즉, 센서 네트워크 시스템은 적어도 2개의 직렬 또는 병렬로 연결된 적어도 2개의 센서 노드를 포함한다. 본 실시예에 있어, 3 단계의 센서 노드를 예시적으로 설명하나, 이에 한정하는 것은 아니다.
종래의 센서 노드는 16개의 채널 중 하나의 채널을 이용하여 수집된 데이터를 전송하였다. 인공지능을 활용한 분석에 활용하기 위하여 센서 노드는 빅데이터를 전송할 필요가 있다. 그러나 하나의 채널로 빅데이터를 처리할 수 없는 문제점이 있었다. 본 실시예에 따르면 센서 노드 간에 멀티 채널로 통신하여 빅데이터를 전송할 수 있다.
보다 상세히 제1 센서 노드는 복수의 센서군으로부터 수집한 데이터를 분산하여 다중 채널을 이용하여 제2 센서 노드로 전송한다. 이에 대한 상세한 설명은 나중에 한다.
제1 센서 노드는 데이터 수집부로부터 데이터를 전송받는다. 이때, 적어도 하나 이상의 센서군으로부터 데이터를 전송받을 수 있다. 예시적으로 제1-1 센서 노드는 제1 센서군과 제2 센서군으로부터 데이터를 전송받고, 제1-2 센서 노드는 제3센서군 및 제4 센서군으로부터 데이터를 전송받는다.
즉, 제1 센서 노드는 복수의 동일 공정에 배치되는 복수의 센서로부터 데이터를 수신하여 수집한다. 예를 들어, 복수의 조립라인 중 제1 프레임 조립 공정에 배치된 제1 센서군으로부터 데이터를 수집하고, 제2 프레임 조립 공정에 배치된 제2 센서군으로부터 데이터를 수집한다.
제1 센서 노드는 수집한 데이터를 다중 채널을 통해 분산하여 제2 센서 노드로 전송한다.
보다 상세히, 도 2를 참조하면, 제1-1 센서 노드는 제1-1 센서와 제2-1 센서로부터 데이터를 수집하여 제2 센서 노드로 전송한다. 이때, 제1-1 센서 및 제2-1 센서는 압력계로 동종의 데이터 즉 제1 데이터를 전송한다. 그리고 제1-2 센서 및 제2-2 센서는 온도계로 동종의 데이터 즉 제2 데이터를 전송한다.
제1-1 센서 노드는 제1센서군 및 제2 센서군으로부터 수집한 데이터 중 동일 센서로부터 수집한 데이터를 제1 채널로 전송하고, 다른 종류의 센서로부터 수집한 데이터를 제2 채널로 전송할 수 있다.
이때 센서의 종류가 많아지면, 하나의 채널에 하나의 데이터를 전송할 수 없다. 통상적으로 16개의 채널 중 4개의 채널을 데이터 전송으로 사용할 수 있다. 센서군의 개수가 4개를 초과하면, 채널수보다 데이터의 개수가 많아진다. 즉, 복수의 센서로부터 수집되는 데이터의 종류의 개수가 가용한 채널수보다 많아질 수 있다.
이 경우, 제1 센서 노드는 복수의 채널간에 전송되는 데이터의 양의 차이가 10%미만이 되도록 전송할 수 있다. 예를 들어, 제1 채널을 통해 전송되는 데이터의 양이 1 Mbps이면, 제2 채널을 통해 전송되는 데이터의 양이 0.9~1.1Mbps가 되도록 제어하여 전송할 수 있다.
이때, 제1-1 센서 노드는 제1-1 센서, 제1-2 센서, 제1-3 센서, 제1-4 센서, ... 등과 제2-1 센서, 제2-2 센서, 제2-3 센서, 제2-4 센서, ... 등으로부터 데이터를 전송받으며, 제1-1 센서, 제2-1 센서, 제1-3 센서, 2-3 센서의 데이터를 제1 채널로 전송하고, 제1-2 센서, 제2-2 센서, 제1-4 센서, 2-4 센서의 데이터를 제2 채널로 전송할 수 있다.
이상으로 제1-1 센서 노드에 대해 설명하였으나, 제1-2 센서 노드도 제1-1 센서 노드와 동일하며, 추가될 수 있는 제1-3 센서 노드(미도시)도 동일하다. 따라서 중복되는 설명을 생략한다.
제2 센서 노드는 제1 센서 노드로부터 데이터를 전송받는다. 전술한 바와 같이 제1 센서 노드와 제2 센서 노드는 추후 스마트 팩토리 시스템이 인공지능을 활용한 분석을 실시하기 위하여 다수의 채널로 통신한다. 즉, 제1 센서 노드 및 제2 센서 노드는 빅데이터를 송/신하기 위해 다수의 채널을 이용하여 데이터를 전송한다.
그리고 제2 센서 노드는 수집한 데이터를 다중 채널을 통해 제3 센서 노드로 전송한다. 보다 상세히, 제2 센서 노드는 동일한 데이터를 복수의 채널을 통해 제3 센서 노드로 전송한다.
예를 들어, 제2 센서 노드는 제1 센서 노드로부터 수집한 데이터를 4개의 채널을 통해 제3 센서 노드로 전송할 수 있다. 제2 센서 노드는 편의상 제1, 2 채널과 제3, 4 채널을 이용하는 것으로 설명한다.
제2 센서 노드는 제1, 2 채널을 통해 전송하는 데이터와 제3, 4 채널을 통해 전송하는 데이터가 동일하게 할 수 있다. 즉, 제2 센서 노드는 데이터를 이중화하여, 데이터가 오결손되는 것을 방지할 수 있다.
제3 센서 노드는 제2 센서 노드로부터 데이터를 전송받아, 스마트 팩토리 시스템으로 전송하거나 추가적인 센서 노드로 전송할 수 있다. 이때, 제3 센서 노드는 복수의 채널을 통해 수신한 데이터를 비교분석하여, 오결손된 데이터를 발견 및 보완하여 전송할 수 있다.
도 3을 참조하면, 스마트 팩토리 플랫폼은 네트워크 시스템을 통해 수집 데이터를 수신한다. 스마트 팩토리 플랫폼은 수집 데이터를 가공하고, 가공된 수집 데이터를 기초로 설비 또는 재료 등의 이상유무를 판단하며, 저장된 데이터에 대한 조회 및 분석 서비스를 제공한다. 이를 위하여, 스마트 팩토리 플랫폼은 데이터 수집부, 인공지능 학습부, 데이터 예측부 및 상태 진단부를 포함한다.
데이터 수집부는 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집한다. 보다 상세히 데이터 수집부는 네트워크 시스템으로부터 시계열 형태의 데이터를 수신한다. 이때, 데이터 수집부는 동종의 센서에 대한 데이터를 수신하므로, 분리하거나 재가공할 필요가 없다. 물론 데이터는 센서의 종류, 위치 등 장비 또는 공정을 식별할 수 있도록 구성되어 있다.
공정에 사용되는 설비 또는 장비의 경우, 전력 이상으로 고장이 발생하는 경우가 다수 발생한다. 따라서, 전력 이상 여부를 사전에 파악할 수 있다면, 고장을 사전에 방지할 수 있다. 또한 장비는 온도 및 습도에 민감하기 때문에 해당 정보를 활용하여 고장여부를 사전에 판단할 수 있다. 이하에서 설비 또는 장비는 공정 장치로 지칭한다. 전술한 센서는 공정 장치에 부착되거나 데이터를 전송할 수 있는 공정 장치를 지칭할 수 있다.
따라서, 데이터 수집부는 공정 장치에 공급되는 공급 전력, 공정 장치가 소비하는 소비 전력, 공정 장치의 가동시간, 공정 장치의 온도, 공정 장치의 습도, 공정 장치의 위치정보에 대한 시계열 데이터를 수집한다. 여기서 공정 장치의 온도, 공정 장치의 습도는 공정 장치 자체의 온도/습도일 수 있고, 공정 장치가 위치한 장소의 온도 및 습도일 수 있다. 그리고 공정 장치의 위치는 좌표화하여 데이터화한다.
데이터 수집부는 수집된 시계열 데이터 중 고장이 발생한 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터를 별도로 분류한다. 또한, 데이터 수집부는 정상 운전되는 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 데이터를 분류한다.
인공지능 학습부는 데이터 수집부로부터 고장이 발생한 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여 인공신경망을 학습시킨다.
보다 상세히 인공지능 학습부는 다층 퍼센트론 모델(Multi-Layer Perceptron, MLP)을 적용하며, 소정의 기간 동안 수집한 독립변수와 종속 변수에 대해서 input layer와 Output layer를 설정한다.
여기서, input layer는 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터이다. 그리고 Output layer는 고장 확률이다.
그리고, 2단계 이상의 히든 레이어로 설정하여, 인공신경망을 학습시킨다.
이때, 인공지능 학습부는 고장으로 분류된 시계열 데이터를 활용하여 인공신경망을 학습시킨다. 또한, 인공지능 학습부는 강화확습을 위하여 정상 운전 범위에 해당하는 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시킨다.
한편, 데이터 예측부는 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측할 수 있다. 시계열분석에서는 자기 상관성, 이동평균의 규칙적인 패턴과 AR, MA, ARMA, ARIMA의 불규칙적인 패턴 시계열 모형으로 진행한다. 공정운전 대부분은 불규칙적인 패턴을 가지고 있어 ARMA 및 ARIMA를 고려할 수 있다.
본 발명에서는 시계열분석에는 ARMA모델을 적용하여 예측한다. ARMA(Auto Regressive Moving Average, 자기회귀이동평균)는 자기회귀(AR)모형과 이동평균(MA)가 결합된 모형을 근간으로 한다. AR은 시계열상의 과거 관측값, MR은 과거 예측오차를 기반으로 모형을 생성하며 기본적 수식은 아래와 같이 표현한다.
Figure PCTKR2022018951-appb-img-000001
예컨대, 시계열 데이터 중 시간에 따라 변동하는 공급 전력, 소비 전력, 온도, 습도를 시계열 분석한다. AR과 MA의 order값을 1부터 시작한다. 즉 수행 횟수가 1이면 order값은 1이다.
데이터 예측부는 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하고, 이렇게 산출된 공급 전력, 소비 전력, 온도, 습도를 장래 시계열 데이터에 포함시킨다. 따라서 장래 시계열 데이터는 예측된 공급 전력, 예측된 소비 전력, 예측된 가동시간, 예측된 온도, 예측된 습도 및 위치 정보를 포함한다.
상태 진단부는 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 데이터 예측부로부터 장래 시계열 데이터를 수신하며, 장래 시계열 데이터를 학습뒨 인공신경망에 적용하여, 공정 장치의 장래 고장 확률을 산출한다.
이때, 상태 진단부는 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보낸다. 여기서 소정의 수치는 70%일 수 있다. 이로 인해, 사용자는 공정 장치의 점검하여 고장을 미연에 방지할 수 있다.
이와 같이 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (6)

  1. 복수의 조립라인에 설치된 공정 장치로부터 시계열 데이터를 수집하고, 상기 시계열 데이터와 인공지능을 활용하여 고장 확률을 예측하는 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템에 있어서,
    상기 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집하는 데이터 수집부;
    상기 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여, 인공신경망을 학습시키는 인공지능 학습부;
    상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부;
    상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부;
    를 포함하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
  2. 제 1 항에 있어서,
    상기 데이터 수집부는 상기 수집된 시계열 데이터 중 고장이 발생한 시계열 데이터를 별도로 분류하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
  3. 제 1 항에 있어서,
    상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
  4. 제 3 항에 있어서,
    상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 이용하여 학습시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
  5. 제 1 항에 있어서,
    상기 데이터 예측부는 상기 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하여, 장래 시계열 데이터에 포함시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
  6. 제 1 항에 있어서,
    상기 상태 진단부는 상기 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보내는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.
PCT/KR2022/018951 2022-11-28 2022-11-28 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템 WO2024117273A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0161249 2022-11-28
KR1020220161249A KR20240078762A (ko) 2022-11-28 2022-11-28 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템

Publications (1)

Publication Number Publication Date
WO2024117273A1 true WO2024117273A1 (ko) 2024-06-06

Family

ID=91324092

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/018951 WO2024117273A1 (ko) 2022-11-28 2022-11-28 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템

Country Status (2)

Country Link
KR (1) KR20240078762A (ko)
WO (1) WO2024117273A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
KR20190013017A (ko) * 2017-07-31 2019-02-11 고려대학교 산학협력단 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
KR20200096861A (ko) * 2019-02-05 2020-08-14 삼성디스플레이 주식회사 불량 감지 방법 및 장치
KR102266182B1 (ko) * 2020-05-29 2021-06-17 고려대학교 산학협력단 복수의 시계열 데이터의 모니터링 방법 및 장치
KR20210097491A (ko) * 2020-01-30 2021-08-09 스퀘어네트 주식회사 Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
KR20190013017A (ko) * 2017-07-31 2019-02-11 고려대학교 산학협력단 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
KR20200096861A (ko) * 2019-02-05 2020-08-14 삼성디스플레이 주식회사 불량 감지 방법 및 장치
KR20210097491A (ko) * 2020-01-30 2021-08-09 스퀘어네트 주식회사 Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템
KR102266182B1 (ko) * 2020-05-29 2021-06-17 고려대학교 산학협력단 복수의 시계열 데이터의 모니터링 방법 및 장치

Also Published As

Publication number Publication date
KR20240078762A (ko) 2024-06-04

Similar Documents

Publication Publication Date Title
WO2020076081A1 (ko) 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
US7720639B2 (en) Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit
WO2017191872A1 (ko) 플랜트 이상 감지 방법 및 시스템
EP1117018B1 (en) Structured system for monitoring and controlling the engineering equipment of an installation
WO2018048219A1 (ko) 무선통신망을 이용한 공장설비 관리 시스템 및 방법
WO2018044036A1 (ko) 원격지에서 원자력 발전소의 온라인 통합 모니터링 방법 및 온라인 통합 모니터링 시스템
WO2021172723A1 (ko) 원전의 지능형 상태감시 방법 및 시스템
WO2023158044A1 (ko) 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법
WO2022025386A1 (ko) 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법
CN112164153A (zh) 一种ai边缘计算故障诊断器
WO2024117273A1 (ko) 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템
CN104950832B (zh) 钢铁厂控制系统
KR102561675B1 (ko) 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
CN217767435U (zh) 一种Profibus总线双通道冗余通信模块
WO2022139193A1 (ko) 회전기 이상 진단 방법 및 장치
KR20240076492A (ko) 인공지능을 이용하여 상태를 진단하는 스마트팩토리 시스템
WO2019225771A1 (ko) 태양전지의 전압측정 시스템 및 이를 이용한 태양전지의 개별 고장진단 방법
KR20230081759A (ko) 인공지능 기반의 클린룸 관리를 위한 통합 관리 시스템 및 그 방법
KR20210100867A (ko) 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
WO2011152615A2 (ko) 삼중화시스템의 입출력모듈 진단장치
WO2024090975A1 (ko) 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템
WO2012099342A2 (ko) 로봇 진단 시스템 및 이를 이용한 로봇 진단 방법
WO2022154293A1 (ko) 협동로봇의 결함진단을 위한 데이터 관리 방법 및 장치
WO2023027237A1 (ko) 다중 시계열 데이터의 이벤트 복합 분석 시스템