KR102016270B1 - 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 - Google Patents

열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 Download PDF

Info

Publication number
KR102016270B1
KR102016270B1 KR1020180171620A KR20180171620A KR102016270B1 KR 102016270 B1 KR102016270 B1 KR 102016270B1 KR 1020180171620 A KR1020180171620 A KR 1020180171620A KR 20180171620 A KR20180171620 A KR 20180171620A KR 102016270 B1 KR102016270 B1 KR 102016270B1
Authority
KR
South Korea
Prior art keywords
work plan
prediction model
work
time
furnace
Prior art date
Application number
KR1020180171620A
Other languages
English (en)
Inventor
류광렬
김세영
Original Assignee
부산대학교 산학협력단
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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020180171620A priority Critical patent/KR102016270B1/ko
Application granted granted Critical
Publication of KR102016270B1 publication Critical patent/KR102016270B1/ko
Priority to US16/693,009 priority patent/US10747213B2/en

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Forging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법이 제시된다. 일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 시스템은, 수주 물량을 입력 받아 작업 계획을 수립하는 작업 계획 최적화 모듈; 및 상기 작업 계획 최적화 모듈로부터 수립된 상기 작업 계획을 전달 받아 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가 후, 평가 결과를 상기 작업 계획 최적화 모듈로 전달하는 작업 계획 평가 모듈을 포함하고, 상기 작업 계획 최적화 모듈과 상기 작업 계획 평가 모듈을 이용하여 최적의 상기 작업 계획을 수립할 수 있다.

Description

열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법{Scheduling Optimization System and Method in Hot Press Forging Process}
본 발명은 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법에 관한 것으로, 더욱 상세하게는 시뮬레이션을 기반으로 최적 작업 계획을 수립하는 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법에 관한 것이다.
열간 자유단조는 높은 온도로 가열한 강괴에 압력을 가하여 원하는 형상을 빚는 공정으로, 강괴를 가열하기 위한 설비로서 가열로를 이용한다. 가열로에서 여러 개의 강괴들이 함께 가열되며 모든 강괴의 가열이 완료된 후에 강괴를 꺼낼 수 있다. 강괴의 모양을 변형하기 위해서는 강괴의 온도가 중요하기 때문에 목표 온도까지 가열이 완료되더라도 강괴를 가열로에서 대기시키다가 후단 공정이 가능할 때 강괴를 가열로에서 꺼낸다.
강괴를 꺼내기 위해 가열로의 문을 열면서 가열로 내부의 열 손실이 발생하므로 가열로의 문을 닫은 뒤에 가열로에 남은 강괴의 온도를 높이기 위해 재가열을 한다. 이와 같이 강괴를 가열하고 강괴의 온도를 유지하기 위해 계속해서 가열로를 가동하기 때문에 제품을 생산하는데 소요되는 에너지 비용이 매우 크다.
똑같은 제품을 생산하더라도 함께 가열로에서 함께 가열되는 원소재 조합에 따라 가열 시 소모되는 에너지의 양이 다르다. 또한, 후속 공정의 상황에 따라 가열이 완료된 소재가 가열로에서 대기하는 시간이 달라지며 에너지 효율에 영향을 끼친다.
따라서 에너지 효율을 높이고 생산성을 향상시키기 위해서는 작업 계획을 최적화 할 필요가 있다. 현장에서는 작업자의 경험에 따라 작업 계획을 수립하고 있다. 설비의 용량(capacity)과 목표 생산량 등을 고려하여 작업 계획을 수립하지만, 주로 마감기한이 급한 물량을 우선적으로 처리하도록 작업 계획을 세우기 때문에 에너지 효율을 높이기 위한 조치는 취해지지 않고 있다.
한국등록특허 10-1868501호는 이러한 단조 성형 방법에 관한 것으로, 규칙을 기반으로 가열로에 투입할 원소재 그룹 후보를 결정하고 점수 함수 기반으로 그룹을 평가하는 방법에 관한 기술을 기재하고 있다.
한국등록특허 10-1868501호
실시예들은 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법에 관하여 기술하며, 보다 구체적으로 가열로에 투입할 원소재 그룹을 최적화 알고리즘을 이용하여 최적화하는 기술을 제공한다.
실시예들은 입력 받은 정보를 바탕으로 작업 계획 최적화와 예측 모형 기반 시뮬레이션을 통한 작업 계획 평가를 통해 최적의 작업 계획을 수립할 수 있는 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법을 제공하는데 있다.
또한, 실시예들은 지속적으로 누적되는 공정 데이터를 이용하여 비용 예측 모형을 갱신하여 작업 계획을 최적화함으로써 에너지 효율을 높이고 생산성을 향상시킬 수 있는 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법을 제공하는데 있다.
일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 시스템은, 수주 물량을 입력 받아 작업 계획을 수립하는 작업 계획 최적화 모듈; 및 상기 작업 계획 최적화 모듈로부터 수립된 상기 작업 계획을 전달 받아 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가 후, 평가 결과를 상기 작업 계획 최적화 모듈로 전달하는 작업 계획 평가 모듈을 포함하고, 상기 작업 계획 최적화 모듈과 상기 작업 계획 평가 모듈을 이용하여 최적의 상기 작업 계획을 수립할 수 있다.
지속적으로 누적되는 공정 데이터를 이용하여 상기 작업 계획 평가 모듈의 비용 예측 모형을 갱신하는 공정 비용 예측 모형 관리 모듈을 더 포함할 수 있다.
상기 작업 계획 최적화 모듈은, 작업자로부터 수주를 받을 때마다 상기 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 상기 수주 물량을 획득할 수 있다.
상기 작업 계획 최적화 모듈은, 실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득하고, 상기 설비별 작업 상황 및 에너지 사용 현황을 반영하여 상기 작업 계획을 수립할 수 있다.
상기 작업 계획 최적화 모듈은, 입력 받은 상기 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하여 상기 작업 계획을 수립할 수 있다.
상기 공정 비용 예측 모형 관리 모듈은, 예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 상기 작업 계획을 갱신하여, 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 상기 작업 계획을 수립하도록 할 수 있다.
상기 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습될 수 있다.
상기 작업 계획 평가 모듈은, 가열로에 장입할 원소재의 조합이 결정되면 상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하고, 상기 비용 예측 모형 기반 상기 시뮬레이션이 종료되면 전 공정의 상기 작업 계획과 공정의 상기 예상 소요 시간 및 에너지 사용량이 도출될 수 있다.
상기 작업 계획 평가 모듈은, 가열로의 작업 계획에 따라 상기 가열로에 원소재를 투입하고, 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾으며, 다음 처리할 작업의 결정이 필요한 설비는 상기 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하고, 설비별 공정의 상기 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하며, 모든 제품이 완성될 때까지 반복하여 시뮬레이션할 수 있다.
다른 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법은, 수주 물량을 입력 받는 단계; 입력 받은 상기 수주 물량에 대해 작업 계획을 수립하는 단계; 수립된 상기 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계; 및 평가가 종료되는 경우, 최적의 상기 작업 계획을 적용하는 단계를 포함하여 이루어질 수 있다.
상기 수주 물량을 입력 받는 단계는, 작업자로부터 수주를 받을 때마다 상기 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 상기 수주 물량을 획득할 수 있다.
실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득하는 단계를 더 포함하고, 상기 설비별 작업 상황 및 에너지 사용 현황을 반영하여 상기 작업 계획을 수립할 수 있다.
상기 작업 계획을 수립하기 이전에, 입력 받은 상기 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하는 단계를 더 포함하고, 상기 입력 받은 상기 수주 물량에 대해 작업 계획을 수립하는 단계는, 선택된 상기 우선수위가 높은 일정량의 물량에 대해 상기 작업 계획을 수립할 수 있다.
예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 상기 작업 계획을 갱신하는 단계를 더 포함하고, 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 상기 작업 계획을 수립할 수 있다.
상기 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습될 수 있다.
상기 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계는, 가열로에 장입할 원소재의 조합이 결정되면 상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하는 단계를 포함하고, 상기 비용 예측 모형 기반 상기 시뮬레이션이 종료되면 전 공정의 상기 작업 계획과 공정의 상기 예상 소요 시간 및 에너지 사용량이 도출될 수 있다.
상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하는 단계는, 가열로의 작업 계획에 따라 상기 가열로에 원소재를 투입하는 단계; 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾는 단계; 다음 처리할 작업의 결정이 필요한 설비는 상기 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하는 단계; 설비별 공정의 상기 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하는 단계; 및 모든 제품이 완성될 때까지 반복하여 시뮬레이션하는 단계를 포함할 수 있다.
상기 가열로에 장입할 원소재의 조합은, 유전 알고리즘(Genetic Algorithm)을 이용하여 작업 계획을 최적화하여 상기 가열로에 함께 장입할 원소재의 조합을 결정할 수 있다.
또 다른 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법은, 입력 받은 정보를 바탕으로 작업 계획 최적화 모듈과 비용 예측 모형 기반 시뮬레이션을 통한 작업 계획 평가 모듈을 이용하여 작업 계획을 수립하는 단계; 및 공정 비용 예측 모형 관리 모듈을 통해 지속적으로 누적되는 공정 데이터를 이용하여 상기 비용 예측 모형을 갱신하는 단계를 포함하여 이루어질 수 있다.
실시예들에 따르면 입력 받은 정보를 바탕으로 작업 계획 최적화와 예측 모형 기반 시뮬레이션을 통한 작업 계획 평가를 통해 최적의 작업 계획을 수립할 수 있는 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법을 제공할 수 있다.
실시예들에 따르면 작업 계획을 최적화함으로써 에너지 효율을 높이고 생산성을 향상시킬 수 있으며, 작업 계획 수립과 동시에 생산 비용을 예측할 수 있다.
도 1은 일 실시예에 따른 열간 자유단조 공정의 작업 계획 수립 시스템의 구조를 개략적으로 나타내는 도면이다.
도 2는 일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 작업 계획 최적화를 위한 해의 표현을 나타내는 도면이다.
도 4는 일 실시예에 따른 각 설비별 작업 할당 과정을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 열처리로의 작업 할당 방법의 예를 나타내는 흐름도이다.
도 6은 일 실시예에 따른 전체 시스템의 흐름을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 가열로의 온도 변화의 예를 나타내는 도면이다.
도 8 내지 도 10은 일 실시예에 따른 가열로의 상태별 비용 예측 모형의 예를 나타내는 도면이다.
도 11은 일 실시예에 따른 절단 및 단조 시간 예측 모형의 예를 나타내는 도면이다.
도 12는 일 실시예에 따른 열처리로의 비용 예측 모형의 예를 나타내는 도면이다.
도 13은 일 실시예에 따른 가열로의 강괴 조합 해의 표현을 나타내는 도면이다.
도 14는 일 실시예에 따른 작업 계획의 반복적 재수립을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 가열로 작업 계획을 포함한 전 공정에 대한 작업 계획 방법을 제공하며, 가열로에 투입할 원소재 그룹을 최적화 알고리즘을 이용하여 최적화하는 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법을 제공할 수 있다.
실시예들은 에너지 사용량 및 공정 소요 시간 예측 모형을 기반으로 시뮬레이션을 통한 작업 계획의 최적화 방안을 제공할 수 있다. 설비별 과거 공정 데이터를 기반으로 기계학습 알고리즘을 이용하여 학습한 시간 및 에너지 비용 예측 모형을 작업 계획에 사용할 수 있다.
도 1은 일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 시스템의 구조를 개략적으로 나타내는 도면이다.
도 1을 참조하면, 열간 자유단조 공정의 작업 계획 최적화 시스템(120)의 구조를 설명하기 위한 것으로, 여기서 작업은 설비가 처리해야 할 워크피스(workpiece)를 의미하며, 작업 계획은 공장의 각 설비별 처리해야 할 워크피스(workpiece)의 순서를 의미한다.
작업 계획 최적화 시스템(120)은 설비별 작업 상황, 에너지 사용 현황 및 수주 물량을 입력 받아 최적 작업 계획을 출력할 수 있다.
작업 계획 최적화 시스템(120)은 실시간 공정 모니터링 시스템(110)과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득할 수 있다. 그리고, 수주 물량은 작업자(111)가 수주를 받을 때마다 입력을 할 수 있으며, 작업자(111)가 작업 계획 최적화 시스템(120)에 직접 입력을 하거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 획득할 수 있다.
작업 계획 최적화 시스템(120)은 입력 받은 정보를 바탕으로 작업 계획 최적화 모듈(121)과 예측 모형 기반 시뮬레이션을 통한 작업 계획 평가 모듈(122)을 이용하여 작업 계획을 수립할 수 있다.
그리고, 작업 계획 최적화 시스템(120)의 공정 비용 예측 모형 관리 모듈(123)은 지속적으로 누적되는 공정 데이터를 이용하여 예측 모형을 갱신할 수 있다.
아래에서 열간 자유단조 공정의 작업 계획 최적화 시스템을 보다 상세히 설명한다.
일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 시스템(120)은 작업 계획 최적화 모듈(121) 및 작업 계획 평가 모듈(122)을 포함할 수 있으며, 작업 계획 최적화 모듈(121)과 작업 계획 평가 모듈(122)을 이용하여 최적의 작업 계획을 수립할 수 있다. 또한, 실시예에 따라 열간 자유단조 공정의 작업 계획 최적화 시스템(120)은 공정 비용 예측 모형 관리 모듈(123)을 더 포함할 수 있다.
작업 계획 최적화 모듈(121)은 수주 물량을 입력 받아 작업 계획을 수립할 수 있다. 작업 계획 최적화 모듈(121)은 작업자로부터 수주를 받을 때마다 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 수주 물량을 획득할 수 있다. 또한, 작업 계획 최적화 모듈(121)은 실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득하고, 설비별 작업 상황 및 에너지 사용 현황을 반영하여 작업 계획을 수립할 수 있다.
이러한 작업 계획 최적화 모듈(121)은 입력 받은 전체 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하여 작업 계획을 수립할 수 있다.
작업 계획 평가 모듈(122)은 작업 계획 최적화 모듈(121)로부터 수립된 작업 계획을 전달 받아 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가 후, 평가 결과를 작업 계획 최적화 모듈(121)로 전달할 수 있다. 여기서, 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습될 수 있다.
예컨대, 작업 계획 평가 모듈(122)은 가열로에 장입할 원소재의 조합이 결정되면 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하고, 비용 예측 모형 기반 시뮬레이션이 종료되면 전 공정의 작업 계획과 공정의 예상 소요 시간 및 에너지 사용량이 도출될 수 있다. 보다 구체적으로, 작업 계획 평가 모듈(122)은 가열로의 작업 계획에 따라 가열로에 원소재를 투입하고, 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾으며, 다음 처리할 작업의 결정이 필요한 설비는 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하고, 설비별 공정의 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하며, 모든 제품이 완성될 때까지 반복하여 시뮬레이션할 수 있다.
공정 비용 예측 모형 관리 모듈(123)은 지속적으로 누적되는 공정 데이터를 이용하여 작업 계획 평가 모듈(122)의 비용 예측 모형을 갱신할 수 있다. 이와 같이 공정 비용 예측 모형 관리 모듈(123)은 예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 작업 계획을 갱신함으로써, 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 작업 계획을 수립하도록 할 수 있다.
도 2는 일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법을 나타내는 흐름도이다.
도 2를 참조하면, 일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법은, 수주 물량을 입력 받는 단계(S110), 입력 받은 수주 물량에 대해 작업 계획을 수립하는 단계(S130), 수립된 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계(S140), 및 평가가 종료(S150)되는 경우, 최적의 작업 계획을 적용하는 단계(S160)를 포함하여 이루어질 수 있다.
또한, 작업 계획을 수립하기 이전에, 입력 받은 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하는 단계(S120)를 더 포함할 수 있다.
그리고, 작업 계획에 대해 재계획이 필요(S170)한 경우, 예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 작업 계획을 갱신하는 단계를 더 포함할 수 있다. 최적의 작업 계획을 갱신하는 단계는 다시 단계(S120) 내지 단계(S160)을 통해 수행될 수 있다.
이에 따라 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 작업 계획을 수립할 수 있다.
아래에서 각 단계에 대해 보다 상세히 설명한다.
일 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법은 도 1에서 설명한 열간 자유단조 공정의 작업 계획 최적화 시스템을 통해 하나의 예를 들어 설명할 수 있다. 열간 자유단조 공정의 작업 계획 최적화 시스템은 작업 계획 최적화 모듈 및 작업 계획 평가 모듈을 포함할 수 있으며, 실시예에 따라 공정 비용 예측 모형 관리 모듈을 더 포함할 수 있다.
단계(S110)에서, 작업 계획 최적화 모듈은 수주 물량을 입력 받을 수 있다. 작업 계획 최적화 모듈은 작업자로부터 수주를 받을 때마다 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 수주 물량을 획득할 수 있다. 작업 계획 최적화 모듈은 수주 물량이 주어지면 다양한 작업 계획에 대한 평가를 통해 최적 작업 계획을 찾을 수 있다.
또한, 작업 계획 최적화 모듈은 실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득할 수 있으며, 설비별 작업 상황 및 에너지 사용 현황을 반영하여 작업 계획을 수립할 수 있다.
단계(S120)에서, 작업 계획 최적화 모듈은 전체 수주 물량에 대해 작업 계획을 수립할 수 있지만, 입력 받은 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하여 작업 계획을 수립할 수도 있다.
단계(S130)에서, 작업 계획 최적화 모듈은 입력 받은 수주 물량에 대해 작업 계획을 수립할 수 있다.
단계(S140)에서, 작업 평가 최적화 모듈은 수립된 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가할 수 있다. 여기서, 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습할 수 있다.
단계(S150)에서 작업 평가 최적화 모듈의 평가가 종료되는 경우, 단계(S160)에서 작업 계획 최적화 모듈은 작업 평가 최적화 모듈로부터 평가 결과를 전달 받아 최적의 작업 계획을 적용 또는 출력할 수 있다.
단계(S170)에서, 작업 계획에 대해 재계획이 필요한 경우, 공정 비용 예측 모형 관리 모듈은 예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 작업 계획을 갱신할 수 있다.
최적 작업 계획을 수립하더라도 예측 오차로 인한 불확실성과 갑작스러운 마감기한이 급한 물량의 추가와 같은 현장 상황으로 인해 작업 계획의 갱신이 필요하다. 따라서 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 작업 계획을 수립할 수 있다.
한편, 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계(S140)에서, 작업 평가 최적화 모듈은 가열로에 장입할 원소재의 조합이 결정되면 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립할 수 있다. 이에 따라 비용 예측 모형 기반 시뮬레이션이 종료되면 전 공정의 작업 계획과 공정의 예상 소요 시간 및 에너지 사용량이 도출될 수 있다.
보다 구체적으로, 작업 평가 최적화 모듈은 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하기 위해, 가열로의 작업 계획에 따라 가열로에 원소재를 투입하고, 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾으며, 다음 처리할 작업의 결정이 필요한 설비는 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하고, 설비별 공정의 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하고, 모든 제품이 완성될 때까지 반복하여 시뮬레이션하는 단계를 포함할 수 있다. 여기서, 가열로에 장입할 원소재의 조합은 유전 알고리즘(Genetic Algorithm)을 이용하여 작업 계획을 최적화하여 가열로에 함께 장입할 원소재의 조합을 결정할 수 있다.
다른 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법은, 입력 받은 정보를 바탕으로 작업 계획 최적화 모듈과 비용 예측 모형 기반 시뮬레이션을 통한 작업 계획 평가 모듈을 이용하여 작업 계획을 수립하는 단계, 및 공정 비용 예측 모형 관리 모듈을 통해 지속적으로 누적되는 공정 데이터를 이용하여 비용 예측 모형을 갱신하는 단계를 포함하여 이루어질 수 있다. 다른 실시예에 따른 열간 자유단조 공정의 작업 계획 최적화 방법의 각 단계에 대한 구체적인 설명은 앞에서 설명한 구성과 중복되어 생략하기로 한다.
아래에서는 비용 예측 모형 기반 시뮬레이션을 통한 최적의 작업 계획 수립 방법에 대해 설명한다.
도 3은 일 실시예에 따른 작업 계획 최적화를 위한 해의 표현을 나타내는 도면이다.
작업 계획을 최적화하기 위해 유전 알고리즘(Genetic Algorithm)과 같은 최적화 알고리즘을 이용할 수 있으며, 해의 표현(320)은 도 3과 같이 나타낼 수 있다. 여기서, 각 유전자의 번호(320)는 각 작업(310)마다 가열 공정을 처리할 가열로의 번호를 의미한다. 즉, 가열로에 함께 장입할 작업(원소재)의 조합을 나타낸다.
가열로에는 장입할 수 있는 용량(capacity)이 정해져 있기 때문에 모든 작업을 한 번에 가열할 수 없으므로 가열로가 모든 작업을 완료될 때마다 다음 원소재 조합을 투입하며 모든 작업의 가열 공정이 완료될 때까지 반복할 수 있다.
가열로에 장입할 원소재의 조합이 결정되면 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립할 수 있다. 후단 공정으로는 가열한 소재에 압력을 가하여 모양을 만드는 프레스 공정, 링 형상의 제품을 만들기 위해 소재에 구멍을 뚫는 링밀 공정, 소재를 자르는 절단 공정, 소재의 성질을 바꾸어 단단하게 하기 위한 열처리 공정 등이 있으며, 각 공정을 처리하는 설비로는 프레스기, 링밀기, 절단기, 열처리로 등이 있다.
후단 공정의 작업 계획을 수립하는 과정은 다음과 같다.
가열로의 작업 계획에 따라 가열로에 원소재를 투입할 수 있다. 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾을 수 있다. 다음 처리할 작업의 결정이 필요한 설비는 가열이 완료되어 취출이 가능한 후보 작업 중에 우선순위가 높은 작업을 선택하여 처리할 수 있다. 설비별 공정 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리 시간 및 에너지 사용량을 예측할 수 있다. 모든 제품이 완성될 때까지 이와 같은 과정을 반복하며 시뮬레이션 할 수 있다. 시뮬레이션이 종료되면 전 공정 작업 계획과 공정 소요 시간 및 에너지 사용량이 도출될 수 있다.
도 4는 일 실시예에 따른 각 설비별 작업 할당 과정을 나타내는 흐름도이다.
도 4를 참조하면, 프레스기, 링밀기 및 절단기와 같은 설비의 입장에서 작업 할당을 반복하는 과정(S210)을 나타낸다.
설비가 아이들(idle) 상태(S220)인 경우, 후보 작업 목록을 생성(S230)할 수 있으며, 후보 작업을 평가(S240)할 수 있다. 이를 통해 최적의 작업을 선택(S250)함으로써, 작업을 할당할 수 있다. 그리고 공정 비용 예측(S260)을 통해 아이들(idle) 상태(S220) 여부에 반영할 수 있다.
더 이상 후보 작업이 없는 경우, 즉 모든 작업을 완료하면 시뮬레이션을 종료할 수 있다. 후보 작업을 평가하는 방법의 가장 간단한 예로는 마감기한 우선순위로 평가할 수 있다. 프레스기의 경우에는 제품의 형상에 따라 툴 교체가 필요하기 때문에 툴 교체가 필요한 작업인지 여부를 추가하여 후보 작업의 우선순위를 매길 수 있다.
한편, 다른 설비의 상황을 고려하지 않고 가열로의 가동을 종료하고 다음 원소재 조합을 장입하기 때문에 가열이 완료된 소재가 취출될 때까지 불필요하게 대기해야 하는 상황이 발생할 수 있다. 따라서 가열 가동 시작 시간은 가열로의 첫 가열 완료 후 대기 시간이 없도록 조정할 수 있다.
열처리 공정의 경우에는 작업을 하나씩 처리하는 것이 아니라 가열 공정과 같이 여러 개의 작업을 열처리로에 장입하여 열처리 공정을 진행할 수 있다. 따라서 선단 공정이 완료된 작업들이 일정량 모일 때까지 대기한 뒤 처리할 수 있다.
그러나 열처리로의 용량(capacity)을 채울 때까지 기다리는 것은 마감기한을 어길 수 있다. 따라서 열처리 공정을 진행하기 위해 대기 중인 작업 중에 가장 마감기한이 급한 작업을 기준으로 현재까지 모인 열처리 공정 대상 작업 목록에 대한 열처리 공정 소요 시간을 예측하여 마감기한에 문제가 없을 때까지 대기할 수 있다.
도 5는 일 실시예에 따른 열처리로의 작업 할당 방법의 예를 나타내는 흐름도이다.
도 5를 참조하면, 열처리로의 작업 할당 방법의 예를 나타내며, 선단 공정을 완료한 열처리 공정 후보 작업을 발생(S310)시키고, 모인 작업들에 대해 열처리 공정의 소요 시간을 예측(S320)하며, 마감기한 문제의 발생 여부를 확인(S330)할 수 있다. 마감기한 문제가 발생하지 않는 경우, 현재까지 모인 작업 목록을 할당(S340)할 수 있다. 여기서, 가동 시작 시간은 작업 목록에 작업이 추가된 최근 시간이 되며(S350), 할당되지 못한 작업에 대해서는 새로운 작업 할당 대기 목록을 생성(S360)할 수 있다. 한편, 마감기한 문제가 발생한 경우, 작업 할당 대기 목록에 추가(S370) 후, 다시 단계(S310)를 수행할 수 있다.
앞의 설명과 도 5에서는 열처리로에 들어갈 작업 목록을 평가할 때 간단하게 마감기한만을 고려하였지만, 에너지 사용량의 예측치 등을 이용하여 다방면의 평가를 통해 최적 할당 목록을 결정할 수 있다.
이와 같이 비용 예측 모형 및 설비별 작업 할당 규칙에 따라 시뮬레이션하여 전 공정에 대한 작업 계획을 수립할 수 있으며, 공정 소요 시간 및 에너지 사용량을 도출할 수 있다.
앞서 설명한 방식과 같이 작업 계획을 수립하고 평가하기 위해서는 각 설비별 작업에 따른 공정 소요 시간 예측 모형과 에너지 사용량 예측 모형이 필요하다. 이러한 모형들은 공정 데이터를 기반으로 기계학습 알고리즘을 적용하여 학습할 수 있다.
시간의 흐름에 따라 공정 데이터는 계속해서 수집이 되기 때문에 이를 이용하여 주기적으로 모형을 재학습함으로써 모형의 정확도를 개선할 수 있다.
실시예들에 따르면 작업 계획을 최적화함으로써 에너지 효율을 높이고 생산성을 향상시킬 수 있다. 또한, 작업 계획 수립과 동시에 생산 비용을 예측할 수 있기 때문에 영업에 이용이 가능하다.
아래에서 하나의 예를 들어 열간 자유단조 공정의 작업 계획 최적화 시스템을 보다 상세히 설명한다.
도 6은 일 실시예에 따른 전체 시스템의 흐름을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이, 작업 계획 최적화 시스템(610)은 작업 물량(601)을 입력 받아 총 작업 소요 시간 및 에너지 사용량을 최소화하여 작업 계획을 최적화할 수 있다. 작업 계획을 위해서는 가열로 및 열처리로의 강괴 조합, 가열로 내 가열이 완료된 강괴의 취출 순서, 설비별 작업 순서 등을 정해야 한다.
먼저, 작업 계획 최적화 시스템(610)은 가열로 강괴 조합 최적화 알고리즘을 이용해서 주어진 작업들을 가열로에 할당할 수 있다. 각 작업은 현재 작업이 완료되면, 차후 공정 순서에 따라 프레스기, 절단기, 열처리로로 이동하게 된다. 이때 작업을 각 설비에 할당해주는 규칙이 필요하다. 여기에서는 현장의 작업 계획 방법을 고려하여 각 설비가 처리할 작업과 그 순서를 결정하는 작업 할당 휴리스틱(heuristic)을 구현하였다. 각 설비는 작업 할당 휴리스틱에 따라 작업을 할당 받을 수 있다. 작업별 에너지 사용량과 공정 소요 시간은 과거 공정 데이터를 기반으로 학습한 모형을 통해 예측할 수 있다. 학습 모형을 통해 예측한 총 작업 시간 및 에너지 사용량으로 작업 계획을 평가할 수 있다.
작업 계획 최적화 시스템(610)을 통해 작업 계획이 완료되면 공장 환경(예컨대, 열간 단조 공장)(620)에 작업 계획을 적용할 수 있다. 그러나 모형의 예측값의 예측 오차 또는 실제 환경의 변화로 인해 계획 실행의 결과가 달라질 수 있다. 이를 보완하기 위해 작업 계획 최적화 시스템(610)은 일정 시간 작업 계획을 진행한 뒤, 현재까지 진행 상황에서 계획을 다시 세울 수 있다. 이러한 반복적 재계획을 통해 환경 변화에 따라 작업 계획 최적화 시스템(610)은 작업 계획을 최적화할 수 있다.
공정 작업의 시뮬레이션을 위해서는 공정별 작업 시간과 에너지 사용량을 알아야 한다. 각 공정 비용에 영향을 끼치는 요소는 매우 많아, 단순한 계산식을 도출해내기는 어렵다.
설비별 작업 시간과 에너지 사용량을 예측하기 위한 비용 예측 모형은 설비별 과거 공정 데이터를 기반으로 기계 학습 알고리즘을 이용해 학습시킬 수 있다. 각 공정을 할당할 때마다 작업 소요 시간과 에너지 소모량을 예측할 수 있다. 학습 모형으로 예측된 시간을 작업 종료 시각으로 할 수 있다.
도 7은 일 실시예에 따른 가열로의 온도 변화의 예를 나타내는 도면이다.
도 7을 참조하면, 가열로의 상태에 따른 내부 온도 변화를 확인할 수 있다. 가열로는 한번 가열하기 시작하면 적정온도 도달까지 문을 열지 못한다. 내부 온도가 일정 온도에 도달하고 나면 내부 온도를 일정하게 유지한다. 가열이 완료된 상태에서 강괴 장입 및 취출을 위해서 문을 여닫는다. 이때 문 열림으로 인한 열 손실로 재가열을 필요로 한다. 따라서 가열로는 가열, 문 개폐, 재가열, 유지 상태를 가진다.
도 8 내지 도 10은 일 실시예에 따른 가열로의 상태별 비용 예측 모형의 예를 나타내는 도면이다.
도 8은 일 실시예에 따른 가열 비용 예측 모형을 나타내며, 도 9는 일 실시예에 따른 재가열 비용 예측 모형을 나타낸다. 그리고 도 10은 일 실시예에 따른 가열로 유지 구간의 에너지 사용량 예측 모형을 나타낸다.
도 11은 일 실시예에 따른 절단 및 단조 시간 예측 모형의 예를 나타내는 도면이다.
도 11을 참조하면, 절단 및 단조 시간 예측 모형의 예를 나타내는 것으로, 절단 및 단조는 제품에 따라서 공정 시간이 달라진다. 따라서 강괴의 특성과 제품의 특징 또한 고려해야 한다. 절단 및 단조 에너지 사용량은 가열로 및 열처리로의 사용량에 비해 매우 미미한 양으로, 에너지 효율에 큰 영향을 끼치지 못한다. 따라서 여기에서는 예측하지 않기로 한다.
도 12는 일 실시예에 따른 열처리로의 비용 예측 모형의 예를 나타내는 도면이다.
도 12를 참조하면, 열처리로의 비용 예측 모형을 나타내는 것으로, 열처리로는 가열로와 마찬가지로 강괴 조합에 영향을 받을 수 있다.
도 13은 일 실시예에 따른 가열로의 강괴 조합 해의 표현을 나타내는 도면이다.
도 13에 도시된 바와 같이, 주어진 작업 물량은 가장 먼저 1차 가열을 위해 각 가열로로 할당할 수 있다. 가열로 강괴 조합 최적화를 위해서 유전 알고리즘을 이용할 수 있다.
각 강괴마다 가열로 번호를 할당할 수 있으며, 이때 마감기한이 빠른 강괴를 가열로에 우선 할당할 수 있다. 가열로가 이전 작업을 완료하고 다음 작업이 가능할 때, 강괴 조합을 할당할 수 있다. 가열로의 용량(capacity)이 찰 때까지 강괴를 할당할 수 있다. 할당이 완료된 가열로는 가열을 시작할 수 있다. 모든 강괴가 가열로에 할당될 때까지 반복할 수 있다.
가열로는 모든 강괴가 취출되고 나면 현재 작업을 종료하고 다음 강괴 조합이 할당될 때까지 대기할 수 있다. 작업을 종료한 가열로는 첫 번째 가열이 완료된 직후 처음 문 열림까지 가열 유지 시간만큼 가열 시작 시간을 앞당길 수 있다. 가열 시작 시간을 조정해서 가열로 공정 시간을 줄여 에너지 사용을 줄일 수 있다.
가열이 완료된 강괴는 다음 공정을 시작할 수 있다. 비용 예측 모형과 현장의 작업 할당 방법을 고려한 휴리스틱 규칙을 기반으로 전체 작업 계획을 시뮬레이션할 수 있다. 그리고, 전체 계획이 완료되면 작업 계획을 평가할 수 있다. 평가 기준은 전체 생산량, 총 작업 기간 및 에너지 사용량을 포함할 수 있다. 생산 비용이 적게 들고 생산량이 많은 작업 계획을 높게 평가할 수 있다.
첫 번째 가열 작업외 다른 작업은 현장의 방식을 차용한 작업 할당 휴리스틱 규칙을 따를 수 있다.
가열로는 한번 문을 열고 나면 가열로 열 손실로 인해 다시 가열해야 한다. 따라서 가열로 문 개폐를 최소화할 수록 에너지를 절약하게 된다. 재가열이 필요한 강괴는 재가열이 필요한 시점에 문이 열려있는 가열로에 우선 할당할 수 있다. 모든 가열로가 닫혀있는 경우 가열 중이 아닌 가열로 문을 열어 할당할 수 있다.
절단기 및 프레스기는 마감 기한이 빠른 작업을 우선 처리할 수 있다. 이전 작업이 완료된 작업 중 절단 또는 단조 작업을 해야 하는 강괴를 가져올 수 있다. 가열로의 작업은 지금 문을 열 수 있으면 작업을 가져올 수 있다. 모든 절단 및 단조 공정이 종료될 때까지 반복할 수 있다.
열처리는 한 번에 여러 강괴를 넣고 작업을 할 수 있다. 따라서 열처리는 열처리가 필요한 작업들이 열처리로 용량(capacity)만큼 모이게 되면 열처리로에 넣고 작업을 시작할 수 있다. 이때 마감 기한이 빠른 작업을 열처리로에 우선 할당할 수 있다. 만약 열처리 완료 예측 시간이 마감 기한을 넘기게 되면, 용량(capacity)만큼 모일 때까지 기다리지 않고 바로 작업을 시작할 수 있다.
주어진 모든 작업에 대해 계획 수립이 완료되면 계획을 적용할 수 있다. 예측 모형의 오차율과 현실 상황에서의 변화 또는 사고로 인해 계획이 기대와 달라질 수 있다. 따라서 실제 공정 상황을 파악하고 계획에 작용하기 위해서 일정 시간마다 계획을 재수립할 수 있다.
도 14는 일 실시예에 따른 작업 계획의 반복적 재수립을 설명하기 위한 도면이다.
도 14에 도시된 바와 같이, 예를 들어 수립이 완료된 계획을 24시간 동안 진행하고, 진행 후 상황을 반영하여 계획을 보완하여 재수립할 수 있다. 이와 같이 반복적인 계획 재수립을 통해서 계획을 최적화할 수 있다.
이상과 같이, 열간 자유단조 공정의 작업 계획을 최적화함으로써 제품 생산 비용을 절감하고 생산성을 높일 수 있다. 특히, 유전 알고리즘을 통해서 가열로 강괴 조합을 최적화하고 작업 할당 휴리스틱을 이용해 작업 계획을 세울 수 있다. 과거 데이터 기반 비용 예측 모형을 이용해 작업 계획의 에너지 사용량과 소요 시간을 측정하고 작업 계획을 평가하고 반복적 재계획을 통해 변화에 적응할 수 있는 최적화된 계획을 수립할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 수주 물량을 입력 받아 작업 계획을 수립하는 작업 계획 최적화 모듈;
    상기 작업 계획 최적화 모듈로부터 수립된 상기 작업 계획을 전달 받아 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가 후, 평가 결과를 상기 작업 계획 최적화 모듈로 전달하는 작업 계획 평가 모듈; 및
    지속적으로 누적되는 공정 데이터를 이용하여 상기 작업 계획 평가 모듈의 비용 예측 모형을 갱신하는 공정 비용 예측 모형 관리 모듈
    을 포함하고,
    상기 작업 계획 최적화 모듈과 상기 작업 계획 평가 모듈을 이용하여 최적의 상기 작업 계획을 수립하고,
    상기 작업 계획 최적화 모듈은,
    실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득하고, 상기 설비별 작업 상황 및 에너지 사용 현황을 반영하여 상기 작업 계획을 수립하며,
    상기 공정 비용 예측 모형 관리 모듈은,
    예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 상기 작업 계획을 갱신하여, 주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 상기 작업 계획을 수립하도록 하고,
    상기 작업 계획 평가 모듈은,
    가열로에 장입할 원소재의 조합이 결정되면 상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하고, 상기 비용 예측 모형 기반 상기 시뮬레이션이 종료되면 전 공정의 상기 작업 계획과 공정의 상기 예상 소요 시간 및 에너지 사용량이 도출되고,
    상기 비용 예측 모형은, 가열 소요 시간 예측 모형, 가열 가스 사용량 예측 모형, 재 가열 소요 시간 예측 모형, 재가열 가스 사용량 예측 모형, 가열로 유지 가스 사용량 예측 모형, 절단 시간 예측 모형, 단조 시간 예측 모형, 열처리 소요 시간 예측 모형 및 가스 사용량 예측 모형을 포함하고,
    상기 가열 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 설비 번호를 이용하여 갱신되고,
    상기 가열 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 가열 시간을 이용하여 갱신되고,
    상기 재 가열 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량 및 총 ingot 개수를 이용하여 갱신되고,
    상기 재 가열 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 가열 시간을 이용하여 갱신되고,
    상기 가열로 유지 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 설비 번호 및 가열 시간을 이용하여 갱신되고,
    상기 절단 시간 예측 모형은, 상기 공정 데이터 중 초기 중량, 절단 제품 수, ingot 코드, ingot 종류 및 제품 이름을 이용하여 갱신되고,
    상기 단조 시간 예측 모형은, 상기 공정 데이터 중 중량, 총 단조 횟수, 현재 단조 횟수 및 제품 이름을 이용하여 갱신되고,
    상기 열처리 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 강종 종류의 수, 최대 중량의 강종 종류, 총 생산 제품의 수 및 설비 번호를 이용하여 갱신되고,
    상기 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 강종 종류의 수, 최대 중량의 강종 종류, 총 생산 제품의 수 및 가열 소요 시간을 이용하여 갱신되는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 작업 계획 최적화 모듈은,
    작업자로부터 수주를 받을 때마다 상기 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 상기 수주 물량을 획득하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 시스템.
  4. 삭제
  5. 제1항에 있어서,
    상기 작업 계획 최적화 모듈은,
    입력 받은 상기 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하여 상기 작업 계획을 수립하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 시스템.
  6. 삭제
  7. 제1항에 있어서,
    상기 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습되는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 시스템.
  8. 삭제
  9. 제1항에 있어서,
    상기 작업 계획 평가 모듈은,
    가열로의 작업 계획에 따라 상기 가열로에 원소재를 투입하고, 가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾으며, 다음 처리할 작업의 결정이 필요한 설비는 상기 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하고, 설비별 공정의 상기 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하며, 모든 제품이 완성될 때까지 반복하여 시뮬레이션하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 시스템.
  10. 열간 자유단조 공정의 작업 계획 최적화 시스템의 작업 계획 최적화 모듈은 수주 물량을 입력 받는 단계;
    상기 작업 계획 최적화 모듈은 입력 받은 상기 수주 물량에 대해 작업 계획을 수립하는 단계;
    상기 작업 계획 최적화 시스템의 작업 계획 평가 모듈은 수립된 상기 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계; 및
    평가가 종료되는 경우, 상기 작업 계획 최적화 모듈은 상기 작업 계획 평가 모듈로부터 평가 결과를 전달 받아 최적의 상기 작업 계획을 적용하는 단계
    를 포함하고,
    상기 작업 계획 최적화 시스템의 공정 비용 예측 모형 관리 모듈은 지속적으로 누적되는 공정 데이터를 이용하여 상기 작업 계획 평가 모듈의 비용 예측 모형을 갱신하고, 예측 오차 또는 물량 변경 사항을 반영하기 위해 적용 중인 최적의 상기 작업 계획을 갱신하는 단계
    를 더 포함하고,
    상기 작업 계획 최적화 모듈에서 실시간 공정 모니터링 시스템과 연동하여 설비별 작업 상황 및 에너지 사용 현황을 획득하는 단계
    를 더 포함하고,
    상기 입력 받은 상기 수주 물량에 대해 작업 계획을 수립하는 단계는,
    상기 설비별 작업 상황 및 에너지 사용 현황을 반영하여 상기 작업 계획을 수립하고,
    상기 적용 중인 최적의 상기 작업 계획을 갱신하는 단계는,
    주기적으로 작업 계획을 갱신하는 롤링 호라이즌(rolling horizon) 방식으로 최적의 상기 작업 계획을 수립하며,
    상기 작업 계획을 비용 예측 모형 기반 시뮬레이션을 통해 도출한 예상 소요 시간 및 에너지 사용량으로 평가하는 단계는,
    가열로에 장입할 원소재의 조합이 결정되면, 상기 작업 계획 평가 모듈은 상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하는 단계
    를 포함하고,
    상기 비용 예측 모형 기반 상기 시뮬레이션이 종료되면 전 공정의 상기 작업 계획과 공정의 상기 예상 소요 시간 및 에너지 사용량이 도출되고,
    상기 비용 예측 모형은, 가열 소요 시간 예측 모형, 가열 가스 사용량 예측 모형, 재 가열 소요 시간 예측 모형, 재가열 가스 사용량 예측 모형, 가열로 유지 가스 사용량 예측 모형, 절단 시간 예측 모형, 단조 시간 예측 모형, 열처리 소요 시간 예측 모형 및 가스 사용량 예측 모형을 포함하고,
    상기 가열 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 설비 번호를 이용하여 갱신되고,
    상기 가열 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 가열 시간을 이용하여 갱신되고,
    상기 재 가열 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량 및 총 ingot 개수를 이용하여 갱신되고,
    상기 재 가열 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수 및 가열 시간을 이용하여 갱신되고,
    상기 가열로 유지 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 설비 번호 및 가열 시간을 이용하여 갱신되고,
    상기 절단 시간 예측 모형은, 상기 공정 데이터 중 초기 중량, 절단 제품 수, ingot 코드, ingot 종류 및 제품 이름을 이용하여 갱신되고,
    상기 단조 시간 예측 모형은, 상기 공정 데이터 중 중량, 총 단조 횟수, 현재 단조 횟수 및 제품 이름을 이용하여 갱신되고,
    상기 열처리 소요 시간 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 강종 종류의 수, 최대 중량의 강종 종류, 총 생산 제품의 수 및 설비 번호를 이용하여 갱신되고,
    상기 가스 사용량 예측 모형은, 상기 공정 데이터 중 총 중량, 최대 중량, 총 ingot 개수, 강종 종류의 수, 최대 중량의 강종 종류, 총 생산 제품의 수 및 가열 소요 시간을 이용하여 갱신되는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  11. 제10항에 있어서,
    상기 수주 물량을 입력 받는 단계는,
    상기 작업 계획 최적화 모듈에서 작업자로부터 수주를 받을 때마다 상기 수주 물량을 직접 입력 받거나 전사적자원관리(Enterprise Resource Planning, ERP) 시스템과 연동하여 상기 수주 물량을 획득하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  12. 삭제
  13. 제10항에 있어서,
    상기 작업 계획 최적화 모듈에서 상기 작업 계획을 수립하기 이전에, 입력 받은 상기 수주 물량 중 우선순위가 높은 일정량의 물량을 선택하는 단계
    를 더 포함하고,
    상기 입력 받은 상기 수주 물량에 대해 작업 계획을 수립하는 단계는,
    선택된 상기 우선순위가 높은 일정량의 물량에 대해 상기 작업 계획을 수립하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  14. 삭제
  15. 제10항에 있어서,
    상기 비용 예측 모형은 공정 데이터를 기반으로 기계 학습 알고리즘을 이용하여 학습되는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  16. 삭제
  17. 제10항에 있어서,
    상기 비용 예측 모형 기반 시뮬레이션을 통해 후단 공정의 작업 계획을 수립하는 단계는,
    가열로의 작업 계획에 따라 상기 가열로에 원소재를 투입하는 단계;
    가열 공정의 소요 시간 예측 모형을 이용하여 가열이 완료되는 예상 시점을 찾는 단계;
    다음 처리할 작업의 결정이 필요한 설비는 상기 가열이 완료되어 취출이 가능한 후보 작업 중 우선순위가 높은 작업을 선택하여 처리하는 단계;
    설비별 공정의 상기 소요 시간 예측 모형 및 에너지 사용량 예측 모형을 통해 각 설비의 공정 처리의 예상 소요 시간 및 에너지 사용량을 예측하는 단계; 및
    모든 제품이 완성될 때까지 반복하여 시뮬레이션하는 단계
    를 포함하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  18. 제10항에 있어서,
    상기 가열로에 장입할 원소재의 조합은,
    유전 알고리즘(Genetic Algorithm)을 이용하여 작업 계획을 최적화하여 상기 가열로에 함께 장입할 원소재의 조합을 결정하는 것
    을 특징으로 하는, 열간 자유단조 공정의 작업 계획 최적화 방법.
  19. 삭제
KR1020180171620A 2018-12-28 2018-12-28 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 KR102016270B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180171620A KR102016270B1 (ko) 2018-12-28 2018-12-28 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법
US16/693,009 US10747213B2 (en) 2018-12-28 2019-11-22 Scheduling optimization system and method in hot press forging process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180171620A KR102016270B1 (ko) 2018-12-28 2018-12-28 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102016270B1 true KR102016270B1 (ko) 2019-08-29

Family

ID=67775901

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180171620A KR102016270B1 (ko) 2018-12-28 2018-12-28 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법

Country Status (2)

Country Link
US (1) US10747213B2 (ko)
KR (1) KR102016270B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754087A (zh) * 2020-06-03 2020-10-09 深圳前海禾盈科技有限公司 一种用于智慧工厂的生产设备的管控方法
CN112122520A (zh) * 2020-09-04 2020-12-25 四川蜂巢智造云科技有限公司 一种多工序锻造材料温度反馈***
KR102219993B1 (ko) * 2020-01-10 2021-02-25 한국전자기술연구원 병렬형 열처리 공정을 위한 에너지 절감형 동적 생산 스케줄링 운영 방법
KR20210070897A (ko) 2019-12-05 2021-06-15 부산대학교 산학협력단 열처리로 작업계획 최적화 시스템 및 방법
CN112985318A (zh) * 2019-12-17 2021-06-18 财团法人金属工业研究发展中心 扣件尺寸的线上预测方法与扣件尺寸的线上预测***
KR20210113785A (ko) * 2020-03-09 2021-09-17 충북대학교 산학협력단 전기로 환경에서 동적 프로그래밍을 이용한 효과적인 작업 패턴 탐색 방법 및 이를 기록한 기록매체
CN115099142A (zh) * 2022-06-22 2022-09-23 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法
CN115099142B (zh) * 2022-06-22 2024-07-02 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149973B (zh) * 2020-09-11 2022-07-19 中国地质大学（武汉） 长距离小断面输水隧洞检查评估方法、设备及存储设备
US11720837B2 (en) * 2021-01-31 2023-08-08 Walmart Apollo, Llc Systems and methods for driver scheduling
CN113128781B (zh) * 2021-04-30 2021-12-10 大连理工大学 一种自动构建智能化模型与算法的分布式工业能源运行优化平台
CN114971254B (zh) * 2022-05-11 2024-05-17 武汉理工大学 多品种变批量环锻件加热成型一体化生产调度优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318228A (ja) * 2005-05-12 2006-11-24 Nippon Steel Corp 熱間圧延工場の加熱・圧延スケジュール作成装置、作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
KR101460295B1 (ko) * 2013-02-15 2014-11-13 동서대학교산학협력단 생산일정 자동 스케쥴링 방법
KR101868501B1 (ko) 2017-12-20 2018-06-18 부산대학교 산학협력단 단조 성형 방법
KR20180075798A (ko) * 2016-12-27 2018-07-05 부산대학교 산학협력단 단조 공장 작업 계획 최적화 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7702411B2 (en) * 2007-05-31 2010-04-20 International Business Machines Corporation Integration of job shop scheduling with discreet event simulation for manufacturing facilities
US8623672B2 (en) * 2010-02-19 2014-01-07 Applied Materials, Inc. Prediction and scheduling server

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318228A (ja) * 2005-05-12 2006-11-24 Nippon Steel Corp 熱間圧延工場の加熱・圧延スケジュール作成装置、作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
KR101460295B1 (ko) * 2013-02-15 2014-11-13 동서대학교산학협력단 생산일정 자동 스케쥴링 방법
KR20180075798A (ko) * 2016-12-27 2018-07-05 부산대학교 산학협력단 단조 공장 작업 계획 최적화 시스템 및 방법
KR101868501B1 (ko) 2017-12-20 2018-06-18 부산대학교 산학협력단 단조 성형 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210070897A (ko) 2019-12-05 2021-06-15 부산대학교 산학협력단 열처리로 작업계획 최적화 시스템 및 방법
CN112985318A (zh) * 2019-12-17 2021-06-18 财团法人金属工业研究发展中心 扣件尺寸的线上预测方法与扣件尺寸的线上预测***
CN112985318B (zh) * 2019-12-17 2022-11-22 财团法人金属工业研究发展中心 扣件尺寸的线上预测方法与扣件尺寸的线上预测***
KR102219993B1 (ko) * 2020-01-10 2021-02-25 한국전자기술연구원 병렬형 열처리 공정을 위한 에너지 절감형 동적 생산 스케줄링 운영 방법
WO2021141188A1 (ko) * 2020-01-10 2021-07-15 전자부품연구원 병렬형 열처리 공정을 위한 에너지 절감형 동적 생산 스케줄링 운영 방법
US11373125B2 (en) 2020-01-10 2022-06-28 Korea Electronics Technology Institute Energy-saving dynamic production scheduling operation method for parallel heat treatment process
KR20210113785A (ko) * 2020-03-09 2021-09-17 충북대학교 산학협력단 전기로 환경에서 동적 프로그래밍을 이용한 효과적인 작업 패턴 탐색 방법 및 이를 기록한 기록매체
KR102414201B1 (ko) * 2020-03-09 2022-06-27 충북대학교 산학협력단 전기로 환경에서 동적 프로그래밍을 이용한 효과적인 작업 패턴 탐색 방법 및 이를 기록한 기록매체
CN111754087A (zh) * 2020-06-03 2020-10-09 深圳前海禾盈科技有限公司 一种用于智慧工厂的生产设备的管控方法
CN112122520A (zh) * 2020-09-04 2020-12-25 四川蜂巢智造云科技有限公司 一种多工序锻造材料温度反馈***
CN115099142A (zh) * 2022-06-22 2022-09-23 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法
CN115099142B (zh) * 2022-06-22 2024-07-02 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法

Also Published As

Publication number Publication date
US20200209840A1 (en) 2020-07-02
US10747213B2 (en) 2020-08-18

Similar Documents

Publication Publication Date Title
KR102016270B1 (ko) 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법
Ko et al. Precast production scheduling using multi-objective genetic algorithms
Shahzad et al. Data mining based job dispatching using hybrid simulation-optimization approach for shop scheduling problem
KR102251316B1 (ko) 강화 학습 및 시뮬레이션 기반의 공장 내 디스패칭 방법 및 그 장치
Wang et al. Dynamic response to demand variability for precast production rescheduling with multiple lines
JP6962539B2 (ja) 業務計画最適化方法
Jiang et al. A prediction-based online soft scheduling algorithm for the real-world steelmaking-continuous casting production
Lee et al. Deep reinforcement learning based scheduling within production plan in semiconductor fabrication
KR20200068534A (ko) 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템
Yang et al. A flexible simulation support for production planning and control in small and medium enterprises
Wang et al. Robust scheduling optimization for flexible manufacturing systems with replenishment under uncertain machine failure disruptions
Erden et al. Solving integrated process planning, dynamic scheduling, and due date assignment using metaheuristic algorithms
Mori et al. Planning and scheduling of steel plates production. Part II: Scheduling of continuous casting
Snyman et al. Real-time scheduling in a sensorised factory using cloud-based simulation with mobile device access
JP6830043B2 (ja) パラメータ推定装置、機器故障予測装置、最適施策探索装置、方法、及びプログラム
KR20220142846A (ko) 간트 계획 부하평준화를 위한 강화학습 방법
WO2020062047A1 (zh) 更新调度规则的方法、设备、***、存储介质和终端
EP3910560A1 (en) Information processing apparatus, method of solving, and solving program
CN114995393A (zh) 移动机器人的调度方法、装置和调度***
Hung et al. Sensitivity search for the rescheduling of semiconductor photolithography operations
KR20210070897A (ko) 열처리로 작업계획 최적화 시스템 및 방법
JP5924966B2 (ja) 需要予測装置、需要予測方法および需要予測プログラム
KR20230089693A (ko) 열처리 공정 작업계획 최적화 시스템 및 방법
Sobaszek et al. Module for prediction of technological operation times in an intelligent job scheduling system
US11656887B2 (en) System and method to simulate demand and optimize control parameters for a technology platform

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant