KR102094639B1 - 공장 제조라인 관리 시스템 및 관리 방법 - Google Patents
공장 제조라인 관리 시스템 및 관리 방법 Download PDFInfo
- Publication number
- KR102094639B1 KR102094639B1 KR1020190063665A KR20190063665A KR102094639B1 KR 102094639 B1 KR102094639 B1 KR 102094639B1 KR 1020190063665 A KR1020190063665 A KR 1020190063665A KR 20190063665 A KR20190063665 A KR 20190063665A KR 102094639 B1 KR102094639 B1 KR 102094639B1
- Authority
- KR
- South Korea
- Prior art keywords
- factory
- data
- manufacturing line
- service providing
- identification
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 239000010802 sludge Substances 0.000 claims abstract description 17
- 239000002351 wastewater Substances 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 82
- 238000004088 simulation Methods 0.000 abstract description 19
- 230000007257 malfunction Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000007689 inspection Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/058—Safety, 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 공장 제조라인 관리 시스템 및 관리 방법에 관한 것이다. 본 발명은, 공장 관리 단말(400)이 센서 모듈(500)로부터 수신한 전력변환 과정 데이터, 온습도 데이터, 슬러지 농도 데이터, 폐수 농도 데이터를 포함하는 센싱 데이터를 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하는 제 1 단계; 및 빅데이터 기반 AI 서비스 제공 서버(600)가 미리 설정된 주기 동안 각 공장 관리 단말(400)의 제 1 식별 ID 및 센서 모듈(500)을 구성하는 각 센서의 제 2 식별 ID를 메타데이터로 센싱 데이터를 저장하는 제 2 단계; 를 더 포함하는 것을 특징으로 한다.
이에 의해, 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하는 효과를 제공한다.
또한, 본 발명은, 공장 제조라인에 관리자가 있는 경우 공장 시설 유닛에 대한 사용 또는 제어 방법을 모르는 경우도 AR 기반으로 손쉽게 사용 또는 제어할 수 있는 효과를 제공한다.
뿐만 아니라, 본 발명은, 공장 제조라인에 관리자가 없는 경우에도 공장 시설 유닛에 대해서 VA 기반의 영상 콘텐츠 기반으로 사용법을 보고 제어함으로써, 오작동으로 인한 공장 제조라인의 효율을 떨어뜨리는 한계점을 극복하도록 하는 효과를 제공한다.
이에 의해, 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하는 효과를 제공한다.
또한, 본 발명은, 공장 제조라인에 관리자가 있는 경우 공장 시설 유닛에 대한 사용 또는 제어 방법을 모르는 경우도 AR 기반으로 손쉽게 사용 또는 제어할 수 있는 효과를 제공한다.
뿐만 아니라, 본 발명은, 공장 제조라인에 관리자가 없는 경우에도 공장 시설 유닛에 대해서 VA 기반의 영상 콘텐츠 기반으로 사용법을 보고 제어함으로써, 오작동으로 인한 공장 제조라인의 효율을 떨어뜨리는 한계점을 극복하도록 하는 효과를 제공한다.
Description
본 발명은 공장 제조라인 관리 시스템 및 관리 방법에 관한 것으로, 보다 구체적으로는, 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하기 위한 공장 제조라인 관리 시스템 및 관리 방법에 관한 것이다.
하나의 제품이 효율적으로 생산되기 위해선 조립순서, 자재의 적절한 조달, 생산기자재의 적절한 유지보수를 통한 가동율 확보, 가동 프로그램의 완결성, 관리자의 노하우 등이 필요하다. 이와 같이 효율적인 생산을 위해 생산과 직, 간접적으로 관련된 제반상황등을 관리하는 것을 일반적으로 생산관리라고 한다.
대량의 정보저장기술 및 정보처리기술의 고속화에 힘입어 제품의 생산효율을 높이고, 고객의 다양한 요구에 대응할 수 있도록 제품의 생산계획, 자재의 재고량 등 생산에 관련된 제반정보를 상호 교환할 수 있도록 네트워크가 공장 제조라인끼리 또는 공장 제조라인을 구성하는 복수의 공장 시설 유닛 사이에 연결됨으로써 보다 효과적인 생산계획의 수립 및 적절한 자재수급계획이 이루어질 수 있게 되었다.
일반적인 공장생산 관리시스템은 제품을 생산하기 위한 제조라인의 작업장에 한명 또는 다수의 관리자가 전용 로컬 데이터 단말기를 활용해 생산에 필요한 제반 관리 사항을 통제하는 중앙통제부와 네트워크에 의해 상호 접속되어 있다.
이에 따라 해당 기술분야에 있어서는 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하기 위한 기술개발이 요구되고 있다.
본 발명은 상기의 문제점을 해결하기 위한 것으로, 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하기 위한 공장 제조라인 관리 시스템 및 관리 방법을 제공하기 위한 것이다.
또한, 본 발명은 공장 제조라인에 관리자가 있는 경우 공장 시설 유닛에 대한 사용 또는 제어 방법을 모르는 경우도 AR 기반으로 손쉽게 사용 또는 제어할 수 있도록 하기 위한 제공공장 제조라인 관리 시스템 및 관리 방법을 제공하기 위한 것이다.
또한, 본 발명은 공장 제조라인에 관리자가 없는 경우에도 공장 시설 유닛에 대해서 VA 기반의 영상 콘텐츠 기반으로 사용법을 보고 제어함으로써, 오작동으로 인한 공장 제조라인의 효율을 떨어뜨리는 한계점을 극복하도록 하기 위한 공장 제조라인 관리 시스템 및 관리 방법을 제공하기 위한 것이다.
그러나 본 발명의 목적들은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위해 본 발명의 실시예에 따른 공장 제조라인 관리 방법은, 공장 관리 단말(400)이 센서 모듈(500)로부터 수신한 전력변환 과정 데이터, 온습도 데이터, 슬러지 농도 데이터, 폐수 농도 데이터를 포함하는 센싱 데이터를 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하는 제 1 단계; 및 빅데이터 기반 AI 서비스 제공 서버(600)가 미리 설정된 주기 동안 각 공장 관리 단말(400)의 제 1 식별 ID 및 센서 모듈(500)을 구성하는 각 센서의 제 2 식별 ID를 메타데이터로 센싱 데이터를 저장하는 제 2 단계; 를 더 포함하는 것을 특징으로 한다.
이때, 본 발명은, 상기 제 2 단계 이후, 관리자 단말(100)이 네트워크(200)를 통해 공장 제조라인 관리 서버(300)로 액세스하여 상태 정보 요청을 전송하는 제 3 단계; 및 공장 제조라인 관리 서버(300)가 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 액세스하여 이상 상태 센싱 데이터에 대한 요청을 전송하여 이상 상태 센싱 데이터를 수신하여 관리자 단말(100)로 제공하는 제 4 단계; 를 더 포함하는 것을 특징으로 한다.
본 발명의 실시예에 따른 공장 제조라인 관리 시스템 및 관리 방법은, 빅데이터 기반으로 공장 제조라인에 구성된 복수의 공장 시설 유닛에 대한 센싱 데이터를 수집한 뒤, 이상 징후를 발견시 선제로 대응할 수 있도록 할 뿐만 아니라, 빅데이터 기반으로 시뮬레이션을 통해 공장 제조라인의 효율을 획기적으로 향상시키도록 하는 효과를 제공한다.
또한, 본 발명의 다른 실시예에 따른 공장 제조라인 관리 시스템 및 관리 방법은, 공장 제조라인에 관리자가 있는 경우 공장 시설 유닛에 대한 사용 또는 제어 방법을 모르는 경우도 AR 기반으로 손쉽게 사용 또는 제어할 수 있는 효과를 제공한다.
뿐만 아니라, 본 발명의 다른 실시예에 따른 공장 제조라인 관리 시스템 및 관리 방법은, 공장 제조라인에 관리자가 없는 경우에도 공장 시설 유닛에 대해서 VA 기반의 영상 콘텐츠 기반으로 사용법을 보고 제어함으로써, 오작동으로 인한 공장 제조라인의 효율을 떨어뜨리는 한계점을 극복하도록 하는 효과를 제공한다.
도 1은 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1)을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)에서 관리자 단말(100)로 제공한 유저 인터페이스 화면을 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 공장 제조라인 관리 방법을 나타내는 흐름도이다.
도 6은 본 발명의 다른 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다.
도 2는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)에서 관리자 단말(100)로 제공한 유저 인터페이스 화면을 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 공장 제조라인 관리 방법을 나타내는 흐름도이다.
도 6은 본 발명의 다른 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다.
이하, 본 발명의 바람직한 실시예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터 또는 신호를 '전송'하는 경우에는 구성요소는 다른 구성요소로 직접 상기 데이터 또는 신호를 전송할 수 있고, 적어도 하나의 또 다른 구성요소를 통하여 데이터 또는 신호를 다른 구성요소로 전송할 수 있음을 의미한다.
도 1은 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1)을 나타내는 도면이다. 도 1을 참조하면, 공장 제조라인 관리 시스템(1)은 관리자 단말(100), 네트워크(200), 공장 제조라인 관리 서버(300), 공장 관리 단말(400), 센서 모듈(500) 및 빅데이터 기반 AI 서비스 제공 서버(600)를 포함할 수 있다.
네트워크(200)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. 네트워크(200)가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(200)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다. 네트워크(200)는 관리자 단말(100), 공장 제조라인 관리 서버(300), 공장 관리 단말(400), 센서 모듈(500) 및 빅데이터 기반 AI 서비스 제공 서버(600), 그 밖의 시스템 상호 간의 신호 및 데이터를 상호 전달하는 역할을 한다.
도 2는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다. 도 3 및 도 4는 본 발명의 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)에서 관리자 단말(100)로 제공한 유저 인터페이스(User Interface; "UI") 화면을 나타내는 도면이다.
먼저, 도 2를 참조하면, 공장 제조라인 관리 서버(300)는 송수신부(310), 제어부(320) 및 데이터베이스(330)를 포함할 수 있다. 제어부(320)는 센싱 데이터 관리 모듈(321), 이상 상태 추출 모듈(322), 이상 상태 제공 모듈(323), 그리고 공장 시설 유닛 제어 모듈(324)을 포함할 수 있다.
센싱 데이터 관리 모듈(321)은 공장 관리 단말(400)과 연결된 센서 모듈(500)로부터 제공된 전력변환 과정 데이터, 온습도 데이터, 슬러지 농도 데이터, 폐수 농도 데이터를 포함하는 센싱 데이터가 공장 관리 단말(1400)에 의해 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송되어 빅데이터 기반 AI 서비스 제공 서버(600)에 미리 설정된 주기에 따라 각 공장 관리 단말(400)의 제 1 식별 ID 및 센서 모듈(500)을 구성하는 각 센서의 제 2 식별 ID를 메타데이터로 센싱 데이터를 저장하는지 여부를 감시하는 기능을 수행한다.
이를 위해 센서 모듈(500)은 PCS 룸(전력변환장치 룸)(A1)을 위한 전력변환 과정 데이터를 측정하기 위한 전력 측정 센서(510), 공장 제조라인의 온도 및 습도 데이터를 측정하기 위한 온습도 측정 센서(520), 슬러지 시스템(Sludge system)(A2) 상의 슬러지 농도 데이터를 측정하기 위한 농도 측정 센서(530), 폐수 시스템(Waste water system)(A3) 상의 폐수 농도 데이터를 측정하기 위한 폐수 측정 센서(540) 등을 포함할 수 있으나, 이는 하나의 예시로 자이로센서, 가스센서, 라인센서, 조도센서, CO2센서, 그 밖의 센서를 더 포함할 수 있다.
이상 상태 추출 모듈(322)은 적어도 한번 이상의 미리 설정된 주기가 도래한 뒤에 해당하는 미리 설정된 기간 동안 센싱 데이터가 빅데이터 기반 AI 서비스 제공 서버(600)에 저장되는 것이 확인된 뒤, 관리자 단말(100)로부터 네트워크(200)를 통한 액세스에 따른 관리자 단말(100)의 관리에 속하는 공장 관리 단말(400)이 관리하는 공장 제조라인에 대한 상태 정보 요청을 수신하도록 송수신부(310)를 제어한다.
이후, 이상 상태 추출 모듈(322)은 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 액세스하여 이상 상태 센싱 데이터에 대한 요청을 전송하여 이상 상태 센싱 데이터를 수신하도록 송수신부(310)를 제어한 뒤, 수신된 이상 상태 센싱 데이터를 메타데이터에 해당하는 제 2 식별 ID와 함께 데이터베이스(330)에 저장할 수 있다.
이상 상태 제공 모듈(323)은 제 2 식별 ID를 활용하여 이상 상태 센싱 데이터에 매칭되는 공장 시설 유닛을 추출하여 이상 상태 센싱 데이터와 함께 네트워크(200)를 통해 관리자 단말(100)로 전송하도록 송수신부(310)를 제어할 수 있다.
공장 시설 유닛 제어 모듈(324)은 관리자 단말(100)로부터 네트워크(200)를 통해 공장 관리 단말(400)로의 액세스를 중계하는 AP(Access Point) 역할을 수행함으로써, 이상 상태 센싱 데이터에 해당하는 공장 시설 유닛에 대한 제어 명령을 수신한 뒤, 제 1 식별 ID에 해당하는 공장 관리 단말(400)에 대한 제어를 수행할 수 있다.
도 5는 본 발명의 실시예에 따른 공장 제조라인 관리 방법을 나타내는 흐름도이다. 도 5를 참조하면, 공장 관리 단말(400)은 센서 모듈(500)로부터 수신한 전력변환 과정 데이터, 온습도 데이터, 슬러지 농도 데이터, 폐수 농도 데이터를 포함하는 센싱 데이터를 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송한다(S11).
단계(S11) 이후, 빅데이터 기반 AI 서비스 제공 서버(600)는 미리 설정된 주기 동안 각 공장 관리 단말(400)의 제 1 식별 ID 및 센서 모듈(500)을 구성하는 각 센서의 제 2 식별 ID를 메타데이터로 센싱 데이터를 저장한다(S12).
단계(S12) 이후, 관리자 단말(100)은 네트워크(200)를 통해 공장 제조라인 관리 서버(300)로 액세스하여 상태 정보 요청을 전송한다(S13).
단계(S13) 이후, 공장 제조라인 관리 서버(300)는 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 액세스하여 이상 상태 센싱 데이터에 대한 요청을 전송하여 이상 상태 센싱 데이터를 수신한다(S14).
이를 위해서, 빅데이터 기반 AI 서비스 제공 서버(600)는 각 공장 관리 단말(400)의 제 1 식별 ID 별로 분산 장된 수집 데이터인 센싱 데이터에 포함된 각 파라미터 데이터 간의 각 주기별 그리고 다른 식별 ID를 갖는 동일한 또는 유사한 공장 시설 유닛의 구조를 갖는 다른 제 1 식별 ID를 갖는 공장 관리 단말(400) 간의 머신러닝 알고리즘을 통해 수치범위 간의 경험칙상의 임계 오차를 벗어나는지 여부를 각 파라미터 데이터별로 분석하는 방식을 수행함으로써, 적어도 하나 이상의 이상 상태 센싱 데이터에 해당하는 파라미터 데이터를 추출할 수 있다.
보다 구체적으로, 빅데이터 기반 AI 서비스 제공 서버(600)에서 사용되는 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 분류 알고리즘, 랜덤 포레스트 분류 알고리즘, SVM(Support Vector Machine) 분류 알고리즘 중 하나일 수 있다.
빅데이터 기반 AI 서비스 제공 서버(600)는 각 공장 관리 단말(400)의 제 1 식별 ID 별로 분산 장된 수집 데이터인 센싱 데이터에 포함된 각 파라미터 데이터 간의 각 주기별 그리고 다른 식별 ID를 갖는 동일한 또는 유사한 공장 시설 유닛의 구조를 갖는 다른 제 1 식별 ID를 갖는 공장 관리 단말(400) 간의 머신러닝 알고리즘을 통해 수치범위 간의 경험칙상의 임계 오차를 벗어나는지 여부를 각 파라미터 데이터별로 분석하여 그 분석한 결과로 다수의 특징 정보를 추출하고 추출된 특징 정보를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 각 파라미터 데이터 별 유사 또는 동일 상태 여부를 판단할 수 있다.
즉, 빅데이터 기반 AI 서비스 제공 서버(600)는 각 파라미터 데이터별 유사 또는 동일 상태 여부 판단 결과의 정확도 향상을 위해 다수의 상호 보완적인 머신러닝 알고리즘들로 구성된 앙상블 구조를 적용할 수 있다.
결정 트리 분류 알고리즘은 트리 구조로 학습하여 결과를 도출하는 방식으로 결과 해석 및 이해가 용이하고, 데이터 처리 속도가 빠르며 탐색 트리 기반으로 룰 도출이 가능할 수 있다. DT의 낮은 분류 정확도를 개선하기 위한 방안으로 RF를 적용할 수 있다. 랜덤 포레스트 분류 알고리즘은 다수의 DT를 앙상블로 학습한 결과를 도축하는 방식으로, DT보다 결과 이해가 어려우나 DT보다 결과 정확도가 높을 수 있다. DT 또는 RF 학습을 통해 발생 가능한 과적합의 개선 방안으로 SVM을 적용할 수 있다. SVM 분류 알고리즘은 서로 다른 분류에 속한 데이터를 평면 기반으로 분류하는 방식으로, 일반적으로 높은 정확도를 갖고, 구조적으로 과적합(overfitting)에 낮은 민감도를 가질 수 있다.
이후, 빅데이터 기반 AI 서비스 제공 서버(600)는 머신러닝 이후 정제된 유사 또는 동일 상태 정보에 대해서 딥러닝을 통해 각 파라미터 데이터별로 패턴 데이터 반복 작업시 하나의 전체 프로세스에 소요되는 시간인 사이클 타임(Cycle time)과, 각 소요시간의 최대 시간인 택트 타임(Tact time)의 감소를 최소화하는 방식으로 패턴 정형화 과정을 추가로 수행할 수 있다.
단계(S14) 이후, 공장 제조라인 관리 서버(300)는 이상 상태 센싱 데이터에 매칭되는 공장 시설 유닛을 추출하여 네트워크(200)를 통해 관리자 단말(100)로 전송한다(S15).
단계(S15) 이후, 관리자 단말(100)은 네트워크(200)를 통해 공장 관리 단말(400)로 액세스하여 이상 상태 센싱 데이터에 해당하는 공장 시설 유닛에 대한 제어를 수행한다(S16).
도 6은 본 발명의 다른 실시예에 따른 공장 제조라인 관리 시스템(1) 중 공장 제조라인 관리 서버(300)의 구성요소를 나타내는 블록도이다.
도 6을 참조하면, 공장 제조라인 관리 서버(300)는 도 2의 구성요소 외에 제어부(320)의 구성요소로 시뮬레이션 제공 모듈(325), 검사 제공 모듈(326), 3차원 영상 제공 모듈(327)을 더 포함할 수 있다.
시뮬레이션 제공 모듈(325)은 하나의 공장 제조라인에 설치된 상술한 PCS 룸(전력변환장치 룸)(A1), 슬러지 시스템(Sludge system)(A2), 폐수 시스템(Waste water system)(A3) 등의 공장 시설 유닛에 대한 공장 시설 유닛 SN(Serial Number), 위치 정보, 각 공장 시설 유닛 간의 구조적 연결 관계를 데이터베이스(330)에서 추출한 뒤, 현재의 상태에서 센싱 데이터에서 각 공장 시설 유닛 간의 상관 관계를 도출하는 방식으로 관리자 단말(100)에 의해 요청된 각 공장 시설 유닛의 제거, 변경, 추가에 따른 시뮬레이션 데이터를 제공할 수 있다.
보다 구체적으로, 시뮬레이션 제공 모듈(325)은 PCS 룸(전력변환장치 룸)(A1)을 위한 전력변환 과정 데이터를 측정하기 위한 전력 측정 센서(510)에서 제공된 전력량에 따른 슬러지 시스템(Sludge system)(A2) 상의 슬러지 농도 데이터를 측정하기 위한 농도 측정 센서(530)에서 제공된 슬러지 농도 정보, 그리고 슬러지 시스템(Sludge system)(A2) 상의 슬러지 농도 데이터를 측정하기 위한 농도 측정 센서(530)에서 제공된 슬러지 농도 정보와 폐수 시스템(Waste water system)(A3) 상의 폐수 농도 데이터를 측정하기 위한 폐수 측정 센서(540)에서 제공된 폐수량 정보에 해당하는 상관되는 파라미터 데이터의 원인 파라미터의 증가 또는 감소 각각에 따른 결과 파라미터의 증가 또는 감소에 따른 정보를 각 공장 시설 유닛 간의 상관 관계 정보를 생성할 수 있으며, 생성된 각 공장 시설 유닛 간의 상관 관계 정보, 그리고 공장 시설 유닛에 대한 공장 시설 유닛 SN(Serial Number), 각 공장 시설 유닛의 위치 정보, 각 공장 시설 유닛 간의 구조적 연결 관계, 공장 제조라인을 관리하는 공장 관리 단말(400)의 제 1 식별 ID를 함께 상관 관계 정보 유닛으로 하여 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하여 저장하도록 송수신부(310)를 제어할 수 있다.
이러한 동일한 과정을 시뮬레이션 제공 모듈(325)은 수많은 하나의 공장 제조라인의 공장 관리 단말(400)에 의해 수신하여 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하여 각 공장 관리 단말(400)의 제 1 식별 ID를 메타데이터로 하여 저장하도록 할 수 있다.
이후, 시뮬레이션 제공 모듈(325)은 상술한 센싱 데이터 관리 모듈(321), 이상 상태 추출 모듈(322), 이상 상태 제공 모듈(323), 그리고 공장 시설 유닛 제어 모듈(324)에 의한 작동에 의해 센싱 데이터 수집, 이상 상태 센싱 데이터 분석, 관리자 단말(100)에 의한 이상 상태 센싱 데이터에 해당하는 공장 시설 유닛에 대한 제어 수행과 함께 또는 별도로, 하나의 공장 관리 단말(400)의 제 1 식별 ID 별로 저장된 공장 시설 유닛에 대한 시설 변경을 위한 변경 정보 또는 추가 공장 시설 유닛에 대한 시설 추가를 위한 추가 정보, 그리고 변경 정보 및/또는 추가 정보, 그 밖의 삭제 정보에 따른 시뮬레이션에 의한 센싱 데이터 예측 결과를 네트워크(200)를 통해 관리자 단말(100)로 전송하도록 송수신부(310)를 제어할 수 있다.
보다 구체적으로, 시뮬레이션 제공 모듈(325)은 도 3과 같이 컨테이너 박스(I1) 위에 도 4와 같은 이동형 컨베이어 벨트(I2)가 추가로 형성되는 것을 추가 정보로 관리자 단말(100)로부터 네트워크(200)를 통해 수신하도록 송수신부(310)를 제어한 뒤, 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 추가 정보에 포함된 컨베이어 벨트(I2)에 해당하는 공장 시설 유닛에 대한 공장 시설 유닛 SN(Serial Number), 각 공장 시설 유닛의 위치 정보에 해당하는 컨테이너 박스(I1)와 컨베이터 벨트(I2)에 대한 3차원 좌표 정보, 각 공장 시설 유닛 간의 구조적 연결 관계에 해당하는 컨테이너 박스(I1)와 컨베이터 벨트(I2) 각각의 형상 정보 및 연결된 형상 정보, 공장 제조라인을 관리하는 공장 관리 단말(400)의 제 1 식별 ID를 함께 상관 관계 정보 유닛으로 하여 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하여 저장하도록 송수신부(310)를 제어할 수 있다.
이후, 시뮬레이션 제공 모듈(325)은 빅데이터 기반 AI 서비스 제공 서버(600)에 의한 수많은 하나의 공장 제조라인의 공장 관리 단말(400)에 의해 제공된 상관 관계 정보 유닛에서 시뮬레이션 제공 모듈(325)에 의해 제공된 상관 관계 정보 유닛에 포함된 2개의 공장 시설 유닛에 대한 공장 시설 유닛 SN(Serial Number)이 동일하고, 각 공장 시설 유닛의 위치 정보에 해당하는 각 공장 시설 유닛에 대한 3차원 좌표 정보가 동일 또는 유사 범위에 속하며, 각 공장 시설 유닛 간의 구조적 연결 관계에 해당하는 형상 정보 및 연결된 형상 정보가 동일 또는 유사 범위에 속하는 다른 공장 관리 단말(400)의 제 1 식별 ID를 추출한 뒤, 추출된 다른 공장 관리 단말(400)의 제 1 식별 ID와 매칭되는 즉, 제 1 식별 ID를 메타데이터로 저장된 하나의 원인 공장 시설 유닛과 다른 하나의 결과 공장 시설 유닛 간의 센싱 데이터를 추출한 뒤, 센싱 데이터 간의 비례 관계에 해당하는 원인 공장 시설 유닛의 센싱 데이터의 증가 또는 감소 각각에 따른 결과 공장 시설 유닛의 센싱 데이터의 증가 또는 감소 정보를 추출하여 센싱 데이터 예측 결과를 생성할 수 있다.
여기서 시뮬레이션 제공 모듈(325)에 의해 생성되는 센싱 데이터 예측 결과는 센싱 데이터 간의 비례 관계에 해당하는 원인 공장 시설 유닛의 센싱 데이터의 증가 또는 감소에 따른 결과 공장 시설 유닛의 센싱 데이터의 증가 또는 감소 정보에 대한 수학식 생성 알고리즘에 의한 수학식이 자동으로 생성한 뒤, 생성된 수학식에 따른 시뮬레이션 대상을 위해 추가되는 공장 시설 유닛이 아닌 원래 있는 공장 시설 유닛에 대한 센싱 데이터를 대입하는 방식으로 생성될 수 있다.
이후, 시뮬레이션 제공 모듈(325)은 시뮬레이션 제공 모듈(325)에 의해 하나의 공장 관리 단말(400)의 제 1 식별 ID 별로 저장된 공장 시설 유닛에 대한 시설 변경을 위한 변경 정보 또는 추가 공장 시설 유닛에 대한 시설 추가를 위한 추가 정보, 그리고 변경 정보 및/또는 추가 정보에 따른 시뮬레이션에 의한 센싱 데이터 예측 결과를 네트워크(200)를 통해 관리자 단말(100)로 전송하도록 송수신부(310)를 제어할 수 있다.
검사 제공 모듈(326)은 관리자 단말(100)을 운영하는 관리자가 직접 공장 제조라인에 위치함을 네트워크(200)를 통해 관리자 단말(100)의 위치 정보(관리자 단말(100)의 GPS 수신장치를 통해 수신한 GPS 좌표 정보, 또는 관리자 단말(100)을 중심으로 2개 이상의 기지국에 의해 측정된 3각 측량에 의한 위치 정보)를 수신하여 확인이 완료되고, 관리자 단말(100)로부터 관리자 단말(100)의 관리 대상이 되는 공장 제조라인에 형성된 각 공장 시설 유닛 중 현재 위치 정보에 해당하는 위치 정보와 매칭되는 검사에 대한 메뉴 선택 정보를 수신한 경우, 관리자 단말(100)에 대해서 오프라인의 공장 시설 유닛과 동일한 이미지를 표현하기 위해 공장 시설 유닛의 미리 설정된 위치와 매칭되는 AR(Augmented Reality, 증강 현실) 기반으로 기술자 영상 이미지를 생성하여 네트워크(200)를 통해 관리자 단말(100)로 제공하도록 송수신부(310)를 제어할 수 있다.
여기서, 검사 제공 모듈(326)은 실제 오프라인에서 상담하는 느낌을 주기 위해 기술자의 목소리도 음성 출력 정보로 관리자 단말(100)로 네트워크(200)를 통해 전송하도록 송수신부(310)를 제어할 수 있다.
또한, 검사 제공 모듈(326)은 위치 정보를 기준으로 공장 시설 유닛에 대한 검사 방법으로 셀프 코칭 모드 또는 상담 코칭 모드가 증강 현실 기반으로 관리자 단말(100) 상에서 수행되도록 할 수 있다.
3차원 영상 제공 모듈(327)은 관리자 단말(100)을 운영하는 관리자가 직접 공장 제조라인에 위치하지 않음을 네트워크(200)를 통해 관리자 단말(100)의 위치 정보(관리자 단말(100)의 GPS 수신장치를 통해 수신한 GPS 좌표 정보, 또는 관리자 단말(100)을 중심으로 2개 이상의 기지국에 의해 측정된 3각 측량에 의한 위치 정보)를 수신하여 확인이 완료되고, 관리자 단말(100)로부터 공장 시설 유닛을 통해 각 공장 시설 유닛을 위한 검사에 대한 메뉴 선택 정보의 하위 메뉴로 VR(Virtual Reality) 검사 콘텐츠 요청을 수신한 경우, 검사 제공 모듈(326)에 의해 제공되는 AR 기반의 기술자 기반 검사 콘텐츠인 관리자 단말(100)에 대해서 오프라인의 공장 시설 유닛과 동일한 이미지를 표현하기 위해 공장 시설 유닛의 미리 설정된 위치와 매칭되는 증강 현실 기반으로 기술자 영상 정보를 VR 검사 콘텐츠로 변환하여 데이터베이스(330)에 저장할 수 있다.
보다 구체적으로, 3차원 영상 제공 모듈(327)은 2차원 영상에 해당하는 기술자 기반 검사 콘텐츠에 대한 좌우 2개의 초점위치와 초점수를 결정한 뒤, 결정된 좌우 2개의 초점위치와 초점수에 대응하는 2개의 다중 초점 2차원 영상 콘텐츠에 대한 초점 거리를 연산한 뒤, 다중 초점 2차원 영상 콘텐츠에서 2개의 초점 2차원 영상 콘텐츠 각각의 초점위치에서 상대방 영상 콘텐츠의 초점위치의 중앙 지점을 향하는 거리에 비례하는 깊이값을 연산한 뒤, 2개의 깊이값에 따라 다중 초점 2차원 영상 콘텐츠를 합성한다.
이후, 3차원 영상 제공 모듈(327)은 2개의 다중 초점 2차원 영상 콘텐츠와 기존의 2차원 영상에 해당하는 기술자 기반 검사 콘텐츠를 활용하여 2차원 영상에 해당하는 기술자 기반 검사 콘텐츠를 영시차(Zero Parallax) 영상 데이터로, 좌측 초점에 해당하는 영상에 해당하는 다중 초점 2차원 영상 콘텐츠를 좌시차 영상 데이터로, 우측 초점에 해당하는 영상에 해당하는 다중 초점 2차원 영상 콘텐츠를 우시차 영상 데이터로 설정한 뒤, 확인된 영시차를 기준으로 적어도 하나 이상의 좌시차 영상 데이터에 대한 시차각을 기반으로 좌시차 방향 픽셀 이동 정보를 확인하여 적용하여 좌안 영상 데이터를 생성하고, 확인된 영시차를 기준으로 적어도 하나 이상의 우시차 영상 데이터에 대한 우차각을 기반으로 우시차 방향픽셀 이동 정보를 확인하여 적용하여 우안 영상 데이터를 생성하여 데이터베이스(330)에 저장할 수 있다.
이후, 3차원 영상 제공 모듈(327)은 상술한 검사 제공 모듈(326)과 동일하게 네트워크(200)를 통해 관리자 단말(100)에 대한 VR 콘텐츠 기반으로 기술자 영상 정보를 제공함으로써, 관리자 단말(100)과 근거리 무선통신 도는 유선 데이터 버스로 연결된 HMD(Head Mounted Display)(미도시)를 통해 VR 콘텐츠를 제공받도록 할 수 있으며, VR 검사 콘텐츠에 포함된 각 공장 시설 유닛 이미지에 대한 조작 방법 정보(예, 잠금, 열림, 전압 올림, 전압 낮춤, 슬러지 배출 증대, 슬러지 배출 감소, 폐수 방류 증대, 폐수 방류 축소 등)와 같은 선택 정보 또는 선택 정보에 따라 구분된 터치 방식에 따라 움직이는 선택 영상 정보를 제공하도록 송수신부(310)를 제어할 수 있다.
이와 같이 3차원 영상 제공 모듈(327)은 VR 기반 콘텐츠와 VR 기반 콘텐츠 상에서의 제어 선택 메뉴를 통해 상술한 이상 상태 제공 모듈(323)에 의해 제공되는 관리자 단말(100)이 네트워크(200)를 통해 액세스하여 이상 상태 센싱 데이터에 해당하는 공장 시설 유닛에 대한 제어 명령 제공과 같은 방식으로 제어 명령을 수신하여 네트워크(200)를 통해 공장 관리 단말(400)로 전송하도록 송수신부(310)를 제어할 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 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 의해 용이하게 추론될 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
1 : 공장 제조라인 관리 시스템
100 : 관리자 단말
200 : 네트워크
300 : 공장 제조라인 관리 서버
310 : 송수신부
320 : 제어부
321 : 센싱 데이터 관리 모듈
322 : 이상 상태 추출 모듈
323 : 이상 상태 제공 모듈
324 : 공장 시설 유닛 제어 모듈
330 : 데이터베이스
400 : 공장 관리 단말
500 : 센서 모듈
600 : 빅데이터 기반 AI 서비스 제공 서버
100 : 관리자 단말
200 : 네트워크
300 : 공장 제조라인 관리 서버
310 : 송수신부
320 : 제어부
321 : 센싱 데이터 관리 모듈
322 : 이상 상태 추출 모듈
323 : 이상 상태 제공 모듈
324 : 공장 시설 유닛 제어 모듈
330 : 데이터베이스
400 : 공장 관리 단말
500 : 센서 모듈
600 : 빅데이터 기반 AI 서비스 제공 서버
Claims (2)
- 공장 관리 단말(400)이 센서 모듈(500)로부터 수신한 전력변환 과정 데이터, 온습도 데이터, 슬러지 농도 데이터, 폐수 농도 데이터를 포함하는 센싱 데이터를 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 전송하는 제 1 단계;
빅데이터 기반 AI 서비스 제공 서버(600)가 미리 설정된 주기 동안 각 공장 관리 단말(400)의 제 1 식별 ID 및 센서 모듈(500)을 구성하는 각 센서의 제 2 식별 ID를 메타데이터로 센싱 데이터를 저장하는 제 2 단계;
관리자 단말(100)이 네트워크(200)를 통해 공장 제조라인 관리 서버(300)로 액세스하여 상태 정보 요청을 전송하는 제 3 단계;
공장 제조라인 관리 서버(300)가 네트워크(200)를 통해 빅데이터 기반 AI 서비스 제공 서버(600)로 액세스하여 이상 상태 센싱 데이터에 대한 요청을 전송하여 이상 상태 센싱 데이터를 수신하여 관리자 단말(100)로 제공하는 제 4 단계;
공장 제조라인 관리 서버(300)가 이상 상태 센싱 데이터에 매칭되는 공장 시설 유닛을 추출하여 네트워크(200)를 통해 관리자 단말(100)로 전송하는 제 5 단계; 및
관리자 단말(100)이 네트워크(200)를 통해 공장 관리 단말(400)로 액세스하여 이상 상태 센싱 데이터에 해당하는 공장 시설 유닛에 대한 제어를 수행하는 단계를 포함하고,
상기 제 4 단계에서,
빅데이터 기반 AI 서비스 제공 서버(600)는 각 공장 관리 단말(400)의 제 1 식별 ID 별로 분산 저장된 수집 데이터인 센싱 데이터에 포함된 각 파라미터 데이터를 분석하는 방식을 수행하고, 다른 식별 ID를 갖는 동일한 공장 시설 유닛의 구조를 갖는 다른 제 1 식별 ID를 갖는 공장 관리 단말(400) 간의 머신러닝 알고리즘을 통해 수치범위 간의 경험칙상의 임계 오차를 벗어나는지 여부를 각 파라미터 데이터별로 분석하는 방식을 수행함으로써, 적어도 하나 이상의 이상 상태 센싱 데이터에 해당하는 파라미터 데이터를 추출하고,
빅데이터 기반 AI 서비스 제공 서버(600)에서 사용되는 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 분류 알고리즘, 랜덤 포레스트 분류 알고리즘, SVM(Support Vector Machine) 분류 알고리즘 중 적어도 하나이고, 결정 트리 분류 알고리즘은 트리 구조로 학습하여 결과를 도출하는 방식이고, DT의 낮은 분류 정확도를 개선하기 위한 방안으로 RF가 적용되고, 랜덤 포레스트 분류 알고리즘은 다수의 DT를 앙상블로 학습한 결과를 도출하는 방식으로 DT보다 결과 정확도가 높고, DT 또는 RF 학습을 통해 발생 가능한 과적합의 개선 방안으로 SVM이 적용되고, SVM 분류 알고리즘은 서로 다른 분류에 속한 데이터를 평면 기반으로 분류하는 방식이고,
빅데이터 기반 AI 서비스 제공 서버(600)는 각 파라미터 데이터별 동일 상태 여부 판단 결과의 정확도 향상을 위해 다수의 상호 보완적인 머신러닝 알고리즘들로 구성된 앙상블 구조를 적용하고,
빅데이터 기반 AI 서비스 제공 서버(600)는 각 공장 관리 단말(400)의 제 1 식별 ID 별로 분산 저장된 수집 데이터인 센싱 데이터에 포함된 각 파라미터 데이터를 분석하는 방식을 수행하고, 다른 식별 ID를 갖는 동일한 공장 시설 유닛의 구조를 갖는 다른 제 1 식별 ID를 갖는 공장 관리 단말(400) 간의 머신러닝 알고리즘을 통해 수치범위 간의 경험칙상의 임계 오차를 벗어나는지 여부를 각 파라미터 데이터별로 분석하여 그 분석한 결과로 다수의 특징 정보를 추출하고 추출된 특징 정보를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 각 파라미터 데이터 별 동일 상태 여부를 판단하고,
빅데이터 기반 AI 서비스 제공 서버(600)는 머신러닝 이후 정제된 동일 상태 정보에 대해서 딥러닝을 통해 각 파라미터 데이터별로 패턴 데이터 반복 작업시 하나의 전체 프로세스에 소요되는 시간인 사이클 타임(Cycle time)과, 각 소요시간의 최대 시간인 택트 타임(Tact time)의 감소를 최소화하는 방식으로 패턴 정형화 과정을 추가로 수행하는 것을 특징으로 하는 공장 제조라인 관리 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190063665A KR102094639B1 (ko) | 2019-05-30 | 2019-05-30 | 공장 제조라인 관리 시스템 및 관리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190063665A KR102094639B1 (ko) | 2019-05-30 | 2019-05-30 | 공장 제조라인 관리 시스템 및 관리 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102094639B1 true KR102094639B1 (ko) | 2020-05-04 |
Family
ID=70732645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190063665A KR102094639B1 (ko) | 2019-05-30 | 2019-05-30 | 공장 제조라인 관리 시스템 및 관리 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102094639B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296429A (zh) * | 2020-07-24 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 输送机***、物联网控制器、控制方法及配置方法 |
| CN113344468A (zh) * | 2021-07-28 | 2021-09-03 | 厦门海晟融创信息技术有限公司 | 基于工业大数据的工艺质量管控分析平台 |
| KR102594885B1 (ko) * | 2023-07-13 | 2023-10-27 | 주식회사 지인테크 | 3d공간의 원격제어 기능 도입 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101730450B1 (ko) * | 2016-09-08 | 2017-04-26 | 진이진 | 액티브 블랙박스를 이용한 공장설비 모니터링 시스템 및 방법 |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
-
2019
- 2019-05-30 KR KR1020190063665A patent/KR102094639B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101730450B1 (ko) * | 2016-09-08 | 2017-04-26 | 진이진 | 액티브 블랙박스를 이용한 공장설비 모니터링 시스템 및 방법 |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
Non-Patent Citations (1)
| Title |
|---|
| 대한민국 특허출원 출원번호 제10-2003-0026051(2003.04.24)호 "차량 제조공장의 생산라인용 자기완결형 품질 관리 시스템(SELF-COMPLETION TYPE QUALITY CONTROL SYSTEM FOR PRODUCTION LINE AT VEHICLE FACTORY)" |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296429A (zh) * | 2020-07-24 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 输送机***、物联网控制器、控制方法及配置方法 |
| CN113296429B (zh) * | 2020-07-24 | 2024-05-24 | 盒马(中国)有限公司 | 输送机***、物联网控制器、控制方法及配置方法 |
| CN113344468A (zh) * | 2021-07-28 | 2021-09-03 | 厦门海晟融创信息技术有限公司 | 基于工业大数据的工艺质量管控分析平台 |
| CN113344468B (zh) * | 2021-07-28 | 2024-01-26 | 厦门海晟融创信息技术有限公司 | 基于工业大数据的工艺质量管控分析平台 |
| KR102594885B1 (ko) * | 2023-07-13 | 2023-10-27 | 주식회사 지인테크 | 3d공간의 원격제어 기능 도입 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102094639B1 (ko) | 공장 제조라인 관리 시스템 및 관리 방법 | |
| CN102752574B (zh) | 一种视频监控***及方法 | |
| CN104035392B (zh) | 在过程控制***中的大数据 | |
| CN108124132A (zh) | 一种安全监控方法和装置 | |
| CN108109207B (zh) | 一种可视化立体建模方法及*** | |
| JP2017511942A (ja) | プロセス制御システムにおける分散ビッグデータ、プロセス制御デバイス、分散ビッグデータの支援方法、プロセス制御デバイス | |
| CN105487499A (zh) | 过程控制***中的区域性大数据 | |
| CN105049488B (zh) | 一种数据中心资产智能管理*** | |
| KR102220712B1 (ko) | 공장의 실시간 상황 변화에 대응하기 위한 동적 상황 관리 장치 및 방법 | |
| KR101894389B1 (ko) | 기기간 연결 방법 및 그 장치 | |
| KR20200055828A (ko) | 인공지능 플랫폼 서비스 시스템 및 방법 | |
| CN103258027A (zh) | 基于智能终端的情境感知服务平台 | |
| do Carmo et al. | Programmable intelligent spaces for Industry 4.0: Indoor visual localization driving attocell networks | |
| CN116737483A (zh) | 一种装配测试交互方法、装置、设备及存储介质 | |
| KR102286855B1 (ko) | 블록체인 기반의 농수축산물 통합유통정보 플랫폼 제공을 위한 시스템 및 그 방법 | |
| CN114490303B (zh) | 故障根因确定方法、装置和云设备 | |
| Kashef et al. | Wireless cyber-physical system performance evaluation through a graph database approach | |
| KR20200045058A (ko) | 중소기업의 스마트 팩토리 전환을 위한 위험 감지용 스마트 센싱 및 모니터링 시스템, 그리고 그 방법 | |
| CN113437799A (zh) | 变电站内设备的监控方法及装置 | |
| CN111123248A (zh) | 终端实时位置定位方法和***、终端全生命周期监控方法和*** | |
| KR20210051333A (ko) | 고장 탐지 모델 배포 방법 및 이를 위한 장치 | |
| CN105291104A (zh) | 基于云平台的机器人远程控制方法 | |
| US20240248783A1 (en) | Root cause analysis via causality-aware machine learning | |
| CN115361661B (zh) | 一种基于gis及场景定位的可视化工业管理*** | |
| US20240160192A1 (en) | Industrial data destination transformation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |