KR102100933B1 - 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 - Google Patents
인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102100933B1 KR102100933B1 KR1020190106800A KR20190106800A KR102100933B1 KR 102100933 B1 KR102100933 B1 KR 102100933B1 KR 1020190106800 A KR1020190106800 A KR 1020190106800A KR 20190106800 A KR20190106800 A KR 20190106800A KR 102100933 B1 KR102100933 B1 KR 102100933B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- artificial neural
- neural network
- module
- module structure
- Prior art date
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치가 개시된다. 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법은, 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계, 획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계, 입력받은 다양성 요소에 대응되는 부품을 검색하는 단계, 검색된 부품이 상기 초기 모듈화 제품에 속한 모듈의 위치를 조정하는 단계, 조정된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계, 학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계 및 입력된 인공 신경망의 출력으로 최적의 제품 모듈 구조를 획득하는 단계를 포함한다. 따라서, 제품에 대하여 최적의 모듈 구조를 적용함으로써 모듈의 독립성과 공용성을 확보하고 비용을 절감할 수 있다.
Description
본 발명은 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 제품에 대하여 제품에 대한 모듈 구조를 정의하고, 정의된 모듈 구조를 바탕으로 모듈화된 제품에 대해 미리 학습된 인공 신경망을 이용하여 최적화함으로써, 제품에 대한 최적 모듈 구조를 결정하는 방법 및 장치에 관한 것이다.
근대 산업은 규격화된 제품을 대량으로 만들어내는 대량 생산에 그 특징이 있다. 그러나, 대량 생산은 고객의 개별적인 주문생산 요구사항을 만족하기 어려운 문제가 있다.
이러한 문제점을 해결하기 위하여 최근에는 매스커스터마이제이션(masscustomization)이라는 기업 혁신 패러다임이 제시되고 있다. 매스커스터마이제이션은 개별 고객의 다양한 요구사항과 기대를 충족시키면서 대량 생산에 따른 이점인 비용 절감을 동시에 만족해야 한다.
그러나, 고객의 요구사항과 비용 절감을 동시에 만족하기 위해서는 기업의 영업이익에 직접적인 영향이 있는 직접 비용(direct cost) 뿐만 아니라 겉으로 잘 드러나지 않는 간접 비용(hidden cost)을 절감하는 것이 필요하다.
제품에 대한 간접 비용을 절감하기 위해서는 제품에 대한 복잡성을 해소하여 제품에 비용 현황을 정확하게 파악할 필요가 있는데, 모듈러 디자인(modular design)이 그 해법으로 제시되고 있다.
다만, 많은 기업들이 모듈러 디자인에 따른 모듈을 기존 부품들의 조합으로만 인식하고 있을 뿐 체계적으로 모듈을 정의하여 제품을 관리하는 방안에 대해서는 구체적으로 제시하지 못하고 있다.
또한, 최근에는 인공신경망(neural network)에 대한 연구가 활발히 진행되고 있으나, 대부분의 인공신경망은 사용이 어렵고 입력 데이터가 한정되어 있어 모듈화를 최적화하는 데 통상의 기술자가 쉽게 적용하는 데 어려움을 겪는다.
따라서, 현재 생산되거나 향후 개발될 제품에 대해 인공신경망을 이용하여 모듈 구조를 최적화할 수 있는 기술이 필요한 실정이다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명은, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법을 제공한다.
상기 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법은, 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계; 획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계; 입력받은 다양성 요소에 대응되는 부품을 검색하는 단계; 검색된 부품이 상기 초기 모듈화 제품에 속한 모듈의 위치를 조정하는 단계; 조정된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계; 학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계; 및 입력된 인공 신경망의 출력으로 최적의 제품 모듈 구조를 획득하는 단계를 포함할 수 있다.
상기 요구 사항은, 상기 초기 모듈화 제품에 대한 빅데이터 검색을 통해 유무선으로 획득될 수 있다. 예를 들어, 웹 기반으로 상기 초기 모듈화 제품을 검색하고, 검색된 초기 모듈화 제품에 대한 사용자 반응을 크롤링(crawing)하여 획득될 수 있다. 이때, 크롤링을 위해 사용자로부터 시드(seeds)로 호칭되는 URL 리스트를 입력받을 수 있다.
상기 다양성 요소를 입력받는 단계는, 상기 획득된 요구 사항을 사용자에게 표시하고, 표시에 따른 응답으로 상기 다양성 요소를 입력받을 수 있다.
상기 초기 모듈화 제품은, 제품의 기능과 부품을 매핑하여 결정된 모듈들의 조합으로 제품을 모듈화함으로써 도출될 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 측면은, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치를 제공한다.
인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 단계는, 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계; 획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계; 입력받은 다양성 요소에 대응되는 부품을 검색하는 단계; 검색된 부품이 상기 초기 모듈화 제품에 속한 모듈의 위치를 조정하는 단계; 조정된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계; 학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계; 및 입력된 인공 신경망의 출력으로 최적의 제품 모듈 구조를 획득하는 단계를 포함할 수 있다.
상기 요구 사항은, 상기 초기 모듈화 제품에 대한 빅데이터 검색을 통해 유무선으로 획득될 수 있다. 예를 들어, 웹 기반으로 상기 초기 모듈화 제품을 검색하고, 검색된 초기 모듈화 제품에 대한 사용자 반응을 크롤링(crawing)하여 획득될 수 있다. 이때, 크롤링을 위해 사용자로부터 시드(seeds)로 호칭되는 URL 리스트를 입력받을 수 있다.
상기 다양성 요소를 입력받는 단계는, 상기 획득된 요구 사항을 사용자에게 표시하고, 표시에 따른 응답으로 상기 다양성 요소를 입력받을 수 있다.
상기 초기 모듈화 제품은, 제품의 기능과 부품을 매핑하여 결정된 모듈들의 조합으로 제품을 모듈화함으로써 도출될 수 있다.
상기와 같은 본 발명에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치를 이용할 경우에는 제품에 정의된 모듈 구조를 최적화함으로써, 최적의 모듈 구조를 제품에 적용할 수 있다.
따라서, 최적화된 모듈 단위로 제품을 유지보수할 수 있기 때문에 최소의 비용으로 제품을 생산 및 관리할 수 있다.
또한, 최적화된 모듈 구조에 따른 모듈은 제품의 다른 구조에 영향을 주지 않기 때문에 독립적인 모듈 관리가 가능한 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 제품 모듈화를 설명하기 위한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 제품 모듈화 및 모듈화 제품 최적화 방법에 대한 개요도이다.
도 3은 본 발명의 일 실시예에 따른 제품 모듈화에서 제품의 기능과 부품 사이의 매핑 관계를 나타낸 개념도이다.
도 4는 본 발명의 일 실시예에 따른 제품 모듈화에서 디자인 구조 행렬(Design Structure Matrix, DSM)을 생성한 예시도이다.
도 5는 도 4에 따른 디자인 구조 행렬에서 최적의 모듈을 도출하는 알고리즘을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 모듈 변동성 분석을 통해 제품 모듈 구조를 보정하여 초기 모듈화 제품을 도출하는 과정을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 다양성 분석을 통해 지도 학습을 위한 지도 모듈 구조를 도출하는 과정을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 인공신경망에 입력할 입력 데이터를 생성하는 과정을 설명하기 위한 개념도이다.
도 9는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 설명하기 위한 개념도이다.
도 10은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법에 대한 대표 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치에 대한 하드웨어 구성도이다.
도 2는 본 발명의 일 실시예에 따른 제품 모듈화 및 모듈화 제품 최적화 방법에 대한 개요도이다.
도 3은 본 발명의 일 실시예에 따른 제품 모듈화에서 제품의 기능과 부품 사이의 매핑 관계를 나타낸 개념도이다.
도 4는 본 발명의 일 실시예에 따른 제품 모듈화에서 디자인 구조 행렬(Design Structure Matrix, DSM)을 생성한 예시도이다.
도 5는 도 4에 따른 디자인 구조 행렬에서 최적의 모듈을 도출하는 알고리즘을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 모듈 변동성 분석을 통해 제품 모듈 구조를 보정하여 초기 모듈화 제품을 도출하는 과정을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 다양성 분석을 통해 지도 학습을 위한 지도 모듈 구조를 도출하는 과정을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예에 따른 인공신경망에 입력할 입력 데이터를 생성하는 과정을 설명하기 위한 개념도이다.
도 9는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 설명하기 위한 개념도이다.
도 10은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법에 대한 대표 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치에 대한 하드웨어 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 제품 모듈화를 설명하기 위한 개념도이다.
일반적으로 시중에 유통되는 다수의 제품은 복수의 부품들의 조합으로 구성된다. 이때, 기존의 제품은 이러한 복수의 부품들이 복잡하게 연결되어 구성된다.
예를 들어, 도 1의 왼쪽 도면을 참조하면, 복수의 부품들로 이루어진 제품에서 부품들 사이의 연결관계를 화살표로 도시한 제품 구조를 확인할 수 있다. 왼쪽 도면에서 알 수 있는 것과 같이 기존의 제품 구조는 복잡하게 연결된 복수의 부품들로 구성되기 때문에 개선하거나 변경할 필요가 있는 부품들을 특정하고, 특정된 부품들을 변경함에 따라 발생하는 제품 변경 이슈를 쉽게 파악하기 어렵다.
따라서, 생산된 제품의 문제점을 파악하고 개선하는데에 많은 시행착오와 비용이 소모된다. 이러한 문제점을 해결하기 위하여 본 발명의 일 실시예에 따르면 제품에 대한 최적 모듈화를 수행할 수 있다.
본 발명의 일 실시예에 따른 모듈은 단순히 제품을 구성하는 부품들의 조합으로 정의되는 것이 아니라, 제품을 구성하는 부품들의 조합으로서, 해당 조합 내 부품들 상호간 연결관계가 있으면서, 해당 조합 이외의 다른 부품들과의 독립성을 만족할 수 있다.
예를 들어, 도 1의 오른쪽 도면을 참조하면, 소수의 부품들이 연결되어 개별적인 모듈을 형성하고, 형성된 모듈들 사이의 연결을 통해 제품의 구조가 특정되는 것을 확인할 수 있다.
오른쪽 도면에서와 같이, 제품의 구조를 모듈화하여 관리할 경우 일부 부품 변동에 따른 제품 변경 이슈를 손쉽게 파악할 수 있다. 예를 들어, 제품의 특정 기능을 개선하고자 하는 경우, 그러한 기능을 담당하는 모듈만을 변경함으로써 제품을 개선시킬 수 있다. 즉, 본 발명의 일 실시예에 따른 모듈 사이에는 독립성이 보장되므로, 특정 모듈만 선택적으로 변경시킬 수 있고, 이러한 변경 사항이 제품의 다른 모듈에 영향을 미치지 않아 기존의 모듈들을 그대로 사용할 수 있다.
도 2는 본 발명의 일 실시예에 따른 제품 모듈화 및 모듈화 제품 최적화 방법에 대한 개요도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 제품 모듈화 및 모듈화 제품 최적화 방법은, 제품에 대한 모듈 구조를 도출하고(10), 도출된 제품 모듈 구조에 대한 개선을 통해 초기 모듈화 제품을 도출할 수 있다(11). 더 나아가, 도출된 초기 모듈화 제품에 대하여 각종 다양성 요소에 의해 도출가능한 지도 모듈 구조를 인공신경망에 학습(12)시키며, 학습된 인공신경망으로 초기 모듈화 제품에 대한 최적화(13)를 수행하는 과정을 포함할 수 있다.
제품 모듈 구조 결정 단계(10)는 현재 제품의 모듈 구조를 결정하는 단계일 수 있다. 제품 모듈 구조 결정 단계(10)에서는 제품의 기능(function)과 부품(part)를 결정하고, 결정된 기능과 부품 사이의 인터페이스를 정의할 수 있다. 이때, 정의된 기능과 부품 사이의 인터페이스를 기반으로 기능과 부품을 서로 매핑하고, 매핑된 기능과 부품을 그룹핑하여 제품에 대한 모듈을 특정할 수 있다. 여기서 특정된 모듈들로 제품 모듈 구조를 결정할 수 있다.
제품 모듈 구조 결정 단계(10)를 통해 제품에 대한 모듈 구조를 정의하였다면, 정의된 모듈 구조를 바탕으로 초기 모듈화 제품을 도출(11)할 수 있다. 예를 들어, 초기 모듈화 제품 도출 단계(11)는, 제품 모듈 구조 결정 단계에서 결정된 모듈 구조에서 발생할 수 있는 모듈 변동성을 분석하고, 분석 결과에 따라 제품 모듈 구조를 보정하여, 보정된 제품 모듈 구조를 갖는, 초기 모듈화 제품을 도출할 수 있다.
초기 모듈화 제품이 도출되면, 제품의 모듈 변화를 인공 신경망으로 학습(12)할 수 있다. 예를 들어, 인공 신경망으로 학습하는 단계(12)는, 초기 모듈화 제품을 생산 및 관리하였을 때 발생할 수 있는 각종 다양성 요소를 정의하고, 정의된 다양성 요소에 따른 개선 사항을 적용하여 도출되는 지도 모듈 구조를 인공 신경망으로 학습할 수 있다. 여기서 지도 모듈 구조는 인공 신경망에서 지도 학습(supervised learning)을 통해 습득하는 학습 자료가 될 수 있다.
최종적으로는, 학습된 인공신경망을 이용하여 초기 모듈화 제품을 최적화(13)할 수 있다. 예를 들어, 현재 시점에서 운용하고 있는 현재 모듈화 제품에 따른 제품 모듈 구조를 인공 신경망에 입력하고, 인공 신경망의 출력으로 현재 모듈화 제품에 대하여 최적화된 제품 모듈 구조를 획득할 수 있다. 이때, 현재 모듈화 제품은 초기 모듈화 제품이 될 수 있고, 초기 모듈화 제품을 운용하는 과정에서 일부 모듈 구조가 변경된 제품일 수도 있다.
도 3은 본 발명의 일 실시예에 따른 제품 모듈화에서 제품의 기능과 부품 사이의 매핑 관계를 나타낸 개념도이다.
제품 모듈화를 위해서는 제품이 가져야 하는 다양한 기능들을 정의하여 각 기능을 기능 블록으로 하는 기능 블록 다이어그램(Function Block Diagram, FBD)를 생성하고, 생성된 기능 블록 다이어그램(FBD)과 매핑되는 부품 구조 다이어그램(Poduct Structure Diagram, PSD)을 생성할 수 있다.
여기서, 부품 구조 다이어그램(PSD)은 기능 블록 다이어그램(FBD)에서 정의된 기능 블록에 따른 기능들을 수행할 수 있는 부품들을 매핑하여 생성될 수 있다.
여기서 기능 블록 다이어그램(FBD)은, 포괄적 기능을 상위 노드로 하고, 포괄적 기능에 따른 세부 기능을 하위 노드로 하는 트리 구조로 형성될 수 있고, 부품 구조 다이어그램(PSD) 또한, 그러한 기능과 대응될 수 있도록 큰 규모의 부품을 상위 노드로 하고, 큰 규모의 부품에 속하는 부속 부품을 하위 노드로 하는 트리 구조로 구성될 수 있다.
도 3을 참조하면, 기능 블록 다이어그램에서 포괄적 기능 블록(Level 1)부터 세부 기능 블록(Level 2)까지 단계적으로 도시하고, 그러한 기능 블록과 대응되는 부품(element)을 단계적으로 도시하여 부품 구조 다이어그램(PSD)를 생성한 것을 확인할 수 있다.
한편, 기능은 그 종류에 따라 기본 기능, 필요 기능, 손실 기능으로 분류될 수 있다. 여기서 기본 기능은 제품 본래의 역할을 수행하기 위해 직접적으로 사용되는 기능으로서, 고객의 요구사항을 만족하기 위한 기능을 포함할 수 있다.
필요 기능은 기본 기능에 해당하지는 않지만, 기본 기능을 구현하기 위하여 필수적으로 요구되는 기능으로서, 부품 간의 상호 인터페이스 구현을 위해 필요한 기능을 포함할 수 있다.
손실 기능은, 제품의 기능에 필수적으로 요구되는 기능이 아니어서 고객의 요구에 따라 삭제될 수 있는 기능으로서, 대체나 삭제가 가능한 기능으로 지칭될 수 있다. 일반적으로 손실 기능은 설계 미흡과 같이 개발의 비효율성으로 인해 발생하는 기능인 경우가 많아, 손실 기능을 삭제하여 제품의 품질이나 성능을 향상시키는 데 활용될 수 있다.
여기서 정의된 기능 분류는 추후 제품의 모듈 구조를 최적화하는 데 활용될 수 있다.
도 4는 본 발명의 일 실시예에 따른 제품 모듈화에서 디자인 구조 행렬(Design Structure Matrix, DSM)을 생성한 예시도이다.
제품 모듈화를 위해서는 서로 연관관계가 있는 부품들의 조합으로서, 다른 모듈과의 독립성이 보장되는 모듈을 결정하는 것이 필요하다. 이때 부품 상호간 연결 관계를 연결 강도 값으로 표현할 수 있는데, 연결 강도가 높은 부품들이 동일한 모듈에 속하고, 상기 연결 강도가 상대적으로 낮은 부품들이 서로 다른 모듈에 속하게 하여 상기 적어도 하나의 모듈을 생성할 수 있다. 이때, 이러한 모듈을 구성하는 부품들의 조합을 특정하기 위한 수단으로, 본 발명의 일 실시예에서는 디자인 구조 행렬(DSM)을 생성한다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 디자인 구조 행렬을 확인할 수 있다. 디자인 구조 행렬에서 가로측 성분과 세로측 성분에는 제품을 구성하는 각종 부품들이 동일하게 위치할 수 있다. 이때, 이러한 부품들은 도 3에 따른 부품 구조 다이어그램의 구성요소로부터 획득될 수 있다.
이때, 디자인 구조 행렬의 각 성분값들은 두개의 부품 사이의 연결 강도(connect strength)를 지시하는 값일 수 있다. 이때, 연결 강도는 부품들 상호간의 인터페이스 특성에 따라 결정될 수 있다.
여기서, 부품들 상호간 인터페이스 종류는 기계적 결합(Mechanical Attachment), 전송(Transfer), 통신(Communication), 사용자 인터페이스(User Interface)로 분류될 수 있고, 분류된 인터페이스 종류에 따라 연결 강도가 결정될 수 있다. 여기서 기계적 결합은 부품 상호간에 용접되거나 구조상 접합, 볼트 연결 등으로 서로 물리적 결합이 있는 경우를 의미할 수 있다. 전송은 부품 상호간에 공기나 용매 등이 전달되는 경우를 의미할 수 있다. 통신은 전송과는 달리 통신 신호나 데이터가 부품 상호간에 전달되는 경우를 의미할 수 있다. 사용자 인터페이스는, 부품 상호간에 사용자 인터페이스가 호환되는 경우를 의미할 수 있다.
이러한 인터페이스 종류에 따른 연결 강도를 예시적으로 정의하면, 다음의 표 1과 같다.
종류 | 연결 강도 | 정의 |
기계적 결합 | 1 | 기능과 무관한 단순체결 |
2 | 부품 지지와 같이 부품의 기능 수행을 위해 기본적으로 요구되는 체결 | |
3 | 동력전달 등 부품의 핵심기능 수행을 위한 체결 | |
전송 | 1 | 공기 등의 단순 이동 |
2 | 공기 등이 기능 수행을 위해 최소 비율로 이동 | |
3 | 공기 등이 기능 수행을 위해 항상 이동 | |
... | ... | ... |
표 1을 참조하면, 인터페이스 종류에 따른 연결 강도를 정의한 예시 표를 확인할 수 있다. 표 1에서와 같이 인터페이스 종류에 따른 연결 강도를 정의할 수 있으나, 반드시 이러한 정의에 한정되는 것은 아니고 다양한 방식으로 연결 강도를 정의할 수 있다. 또한, 연결 강도를 정의하는 지표로서 다른 부품으로 대체가 가능한 경우인지 여부를 중요한 사항으로 고려할 수 있다. 예를 들어, 제1 부품과 제2 부품 사이에 기계적 결합이 필요한 경우이지만 진동 방지를 위해 결합되는 경우로서, 제1 부품이 제2 부품 이외에 다른 부품과 결합되어도 무방한 경우라면, 대체 가능한 경우로 볼 수 있다. 이때, 대체 가능한 경우에 따른 연결 강도를 1로, 대체 불가능한 경우에 따른 연결 강도를 2로 정의할 수 있다(연결될 필요가 없는 부품 사이에 대한 연결 강도는 0으로 정의할 수 있음).
다시 도 4를 참조하면, 제품을 구성하는 부품들 상호간에 인터페이스에 따른 연결 강도를 성분값으로 표시한 디자인 구조 행렬에서, 각 성분값이 0 내지 2 중 하나로 표기된 것을 확인할 수 있다. 여기서 0은 연결될 필요가 없는 경우를 의미할 수 있고, 1은 대체 가능한 연결 관계인 경우, 2는 필수적으로 연결되어야 하는 연결 관계를 의미할 수 있다.
한편, 디자인 구조 행렬의 가로축과 세로축 성분을 동일하게 도시한 경우 도 4에서와 같이 대각선 성분값이 동일한 부품 상호간 연결 강도를 나타낸다. 이때, 동일한 부품 상호간 연결 강도는 특별한 사정이 없는 한 널(Null) 값으로 결정할 수 있다.
도 4에서와 같이 생성된 디자인 구조 행렬에서 연결 강도가 높은 성분들끼리 인접하도록 행이나 열을 치환함으로써 제품에 필요한 모듈을 정의할 수 있다.
이하에서는 디자인 구조 행렬에서 모듈을 정의하는 방법을 설명한다.
도 5는 도 4에 따른 디자인 구조 행렬에서 최적의 모듈을 도출하는 알고리즘을 설명하기 위한 예시도이다.
도 5를 참조하면, 도 4에 따른 디자인 구조 행렬에서 연결 강도가 높은 성분들이 서로 인접하도록 행이나 열을 치환하여 치환된 디자인 구조 행렬을 생성한 예시를 확인할 수 있다.
도 5에서와 같이 치환된 디자인 구조 행렬에서는 연결 강도가 높은 성분들이 서로 인접하게 위치한다. 따라서, 인접한 성분들을 모두 포함하는 서브 행렬(도면에서 모듈 1, 모듈 2, 모듈 3)을 생성하면, 생성된 서브 행렬에 속하는 부품들의 조합을 제품 모듈로 정의할 수 있다.
이때, 행과 열이 동일한 부품 순서로 배열된 디자인 구조 행렬인 경우, 디자인 구조 행렬의 행과 열을 동일한 순서로 치환하여 치환된 디자인 구조 행렬을 생성할 수 있다. 도 5에서는 도 4에 따른 디자인 구조 행렬에서 행과 열을 동일한 순서로 치환하였기 때문에 대각 성분이 여전히 널값인 것을 확인할 수 있다. 다만, 반드시 이에 한정되어야 하는 것은 아니고, 행과 열을 각각 다른 순서로 치환하여 치환된 디자인 구조 행렬을 생성하는 것도 가능할 수 있다.
한편, 여기서 치환된 디자인 구조 행렬을 생성하는 알고리즘의 일 예시로는, 다음과 같다.
행과 열이 동일한 부품 순서로 배열된 디자인 구조 행렬을 전제로 할 때, 대각 성분을 기준으로 서로 대칭되는 성분값을 갖게 된다(예를 들어, (1,2) 성분값은 (2,1) 성분값은 서로 동일한 부품 관계를 가지므로 같음). 따라서, 대각 성분의 아래쪽에 위치하는 성분들이 최대한 인접하게, 행과 열의 순서를 동일하게 치환하면, 최적의 모듈을 결정할 수 있다. 더욱 상세하게는, 대각 성분의 아래쪽에 위치하는 행에 따른 성분들 중에서, 값이 1 이상이고 열의 위치가 가장 앞선 성분들의 행과 열의 위치가 대각 성분과 가장 인접하도록 치환하는 과정을 대각 성분과 인접한 성분이 없을 때까지 반복하여 제1 부분 행렬(도면의 모듈 1)을 생성하고, 제1 부분 행렬 다음 행과 열에 대해서 동일한 과정을 반복하여 제2 부분 행렬(도면의 모듈 2)을 생성할 수 있다. 도 5를 참조하면, 모듈 1에 따른 부분 행렬에서 대각 성분과 인접한 성분들이 모여있고, 모듈 1에 따른 부분 행렬과 인접한 행과 열에서는 대각 성분과 인접한 성분이 모두 0 이므로, 다시 새로운 부분 행렬(도면에서 모듈 2)을 생성한 것을 확인할 수 있다.
치환된 디자인 구조 행렬을 생성하는 알고리즘의 다른 일 예시로는, 부분 행렬의 최대값을 찾는 알고리즘을 사용할 수 있다. 예를 들어, 연결 강도가 성분값에 해당하므로, 디자인 구조 행렬의 행과 열을 동일하게 치환하여 성분값들의 합이 최대가 되는 부분 행렬을 찾으면, 연결 강도가 높은 부품들로 이루어진 모듈을 정의할 수 있다. 다만, 이때 단순히 성분값들이 최대가 되는 부분 행렬을 모듈로 정의할 경우, 하나의 모듈이 지나치게 많은 부품들로 정의되는 문제가 있을 수 있다. 따라서, 이러한 문제를 해결하기 위하여 최소 모듈 개수를 먼저 결정하고, 결정된 최소 모듈 개수를 넘는 부분 행렬을 찾을 수 있다. 이때, 최소 모듈 개수는 초기값으로 사용자 입력에 따라 결정될 수 있으나, 추후 모듈 최적화 과정에서 인공 신경망에 따른 최적의 최소 모듈 개수로 재설정될 수 있다.
이상에서 서술한 치환된 디자인 구조 행렬에서 도출되는 부분 행렬 단위로 제품에 적용 가능한 모듈들을 특정함으로써 제품 모듈 구조를 결정할 수 있다. 이때, 모듈은 제품의 기본적인 성능과 관련된 모듈로서 해당 제품의 시리즈 단위의 모델에 공통적으로 적용되는 모듈인 고정부 모듈, 고객의 요구사항에 따라 바꾸는 것이 용이한 모듈인 변동부 모듈로 분류될 수 있다.
도 6은 본 발명의 일 실시예에 따른 모듈 변동성 분석을 통해 제품 모듈 구조를 보정하여 초기 모듈화 제품을 도출하는 과정을 설명하기 위한 예시도이다.
제품의 모듈 구조를 도 5에서와 같이 결정하면, 결정된 제품 모듈 구조를 그대로 제품에 적용하기 전에, 1차적으로 결정된 제품 모듈 구조에 따른 모듈들의 변동성 분석을 통해 불필요한 모듈은 제거하고, 반드시 필요한 필수 모듈은 최소화하는 과정이 필요하다.
예를 들어, 도 6을 참조하면, 제품 모듈 구조에 따른 모듈들은 그 변동성에 따라 기본 모듈, 필요 모듈, 손실 모듈로 구분될 수 있다. 여기서 기본 모듈은 제품의 핵심 기능을 수행하는 모듈일 수 있고, 필요 모듈은 핵심 기능에 해당하는 것은 아니지만 핵심 기능을 수행하는데 필요한 모듈일 수 있고, 손실 모듈은 다른 모듈과 성능이나 기능이 유사하여 제품 내 다름 모듈로 대체가 가능하거나 고객의 요구사항 변화에 따라 제거해도 되는 모듈일 수 있다.
따라서, 손실 모듈은 최대한 삭제하고, 필요 모듈은 핵심 기능은 아니지만 대체가 어려워 모듈 교체의 유동성이 감소하는 단점이 있으므로, 가급적 최소화할 필요가 있다.
종합하면, 제품 모듈 구조에 따른 각각의 모듈을 기본 모듈, 필요 모듈, 손실 모듈로 분류하고, 손실 모듈은 삭제하고, 필요 모듈은 최소화하여 1차적인 제품 모듈 구조를 확정함으로써, 초기 모듈화 제품을 도출할 수 있다.
도 7은 본 발명의 일 실시예에 따른 다양성 분석을 통해 지도 학습을 위한 지도 모듈 구조를 도출하는 과정을 설명하기 위한 예시도이다.
인공 신경망이 제품에 대한 최적의 모듈 구조를 제공하기 위해서는 지도 학습을 통해 제품 모듈 구조를 학습하는 과정이 필요하다. 따라서, 지도 학습을 위한 지도 모듈 구조를 정의하는 것이 필요한데, 지도 모듈 구조는 제품에 영향을 줄수 있는 시장, 기술, 생산, 구매, 품질에 따라 달라질 수 있다. 특히 제품 모듈 구조는 향후 제품을 개선하기 위하여 모듈 단위의 독립성을 보장하고, 부품 교체 비용을 최소화하는 역할을 수행하므로, 지도 모듈 구조는 이러한 모듈 독립성과 비용 절감 효과를 달성할 수 있는 형태로 정의될 필요가 있다.
이러한 지도 모듈 구조를 결정하는 데 영향을 줄수 있는 다양성 요소(Variety factor)의 예시로는 다음의 표 2와 같다.
상기 표 2를 참조하면, 시장, 기술, 생산, 구매, 품질 등의 관점에서 제품의 변경에 영향을 줄수 있는 요구 사항(Requirement)를 확정한 후(S100), 확정된 요구 사항에 대응될 수 있는 다양성 요소를 정의할 수 있다(S110). 예를 들어, 시장에서 충전 방식을 개선하고자 하는 요구가 있다면, 그러한 문제를 해결하기 위한 다양성 요소로서 무선 충전 기능을 추가할 수 있다. 이때, 이러한 요구사항들은 웹 기반의 유무선 통신을 통해 수집될 수 있고, 다양성 요소는 사용자로부터 입력받을 수 있다.
표 2에서 다양성 요소에 따라 제품 개선에 필요한 기능 변경사항이 확인되면, 그러한 기능과 대응되는 부품을 앞선 도 3에 따른 기능과 부품 사이의 매핑 구조를 통해 확인할 수 있다(S120).
다음으로, 확인된 부품이 속한 모듈 위치를 조정할 수 있다(S130). 여기서 모듈 위치 조정은, 확인된 부품이 속한 모듈이 변경되더라도 모듈의 공용성과 독립성이 극대화될 수 있도록 모듈 위치를 조정하는 과정을 의미할 수 있다.
예를 들어, 확인된 부품이 속한 모듈이 다른 모듈에 미치는 영향이 최소화되도록(또는 확인된 부품이 속한 모듈이 변동되더라도 다른 모듈에 영향이 없도록), 해당 부품이 속한 모듈을 다른 모듈로 변경시킬 수 있다.
또한, 제품 개선에 필요한 부품이 속한 모듈을 변경하는 데 필요한 비용, 난이도가 최소화되록, 해당 부품이 속한 모듈을 다른 모듈로 변경시킬 수 있다.
이와 같은 모듈 위치 조정 과정이 끝나면, 최종적으로 조정된 모듈들로 구성되는 지도 모듈 구조를 도출할 수 있다(S140). 이때, 모듈 위치 조정의 대상이 되는 모듈 구조는 도5 또는 도 6에 따른 제품 모듈 구조가 될 수 있다.
도 8은 본 발명의 일 실시예에 따른 인공신경망에 입력할 입력 데이터를 생성하는 과정을 설명하기 위한 개념도이다.
인공신경망에는 다양한 형태와 방식이 존재하지만, 현재 이미지를 입력받고, 입력받은 이미지의 클래스(class)를 분류하여 출력하는 형태의 컨볼루셔널 인공신경망(Convolutional Neural Network)이나 비용함수를 최소화하는 학습을 통해 입력 이미지와의 오차가 최소화되는 출력을 찾는 오토인코더(autoencoder) 등이 있다.
즉, 현재 많은 연구가 진행되고 있는 인공 신경망은 이미지 형태의 입력 데이터를 사용하고 있으므로 쉽게 다른 분야에 적용하는 데 어려움이 있다. 본 발명에서는 이러한 문제를 해결하기 위하여 제품 모듈 구조 또는 지도 모듈 구조를 이미지화함으로써 입력 데이터를 생성할 수 있다.
예를 들어, 제품 모듈 구조에 따른 모듈들이 각각 부분 행렬이 되고, 행과 열은 제품 모듈 구조에 따른 부품들이 되며, 성분값은 부품들 상호간 연결 강도를 지시하는 행렬을 다시 생성할 수 있다. 여기서 생성되는 행렬은 앞선 도 5에서와 같이 치환된 디자인 구조 행렬로 지칭될 수 있다.
다음으로, 치환된 디자인 구조 행렬에서 연결 강도값을 하나의 화소값으로 하는 이미지를 생성할 수 있다. 이때 도 5에서와 같이 연결강도값이 0 내지2 및 Null 값 중 하나라면, Null 값은 화소값 0으로 대응시키고, 0 내지 2는 화소값 범위를 연결강도의 종류(0, 1, 2로 3가지)로 나눈 값에 따른 비율로 대응시킬 수 있다. 예를 들어, 8비트 화소여서 0 부터 255까지의 화소값을 가진다면, 255를 3으로 나눈 값인, 85가 연결 강도 0에 대한 화소값이고, 85의 두배인 170이 연결 강도 1에 대한 화소값이며, 255가 연결 강도 2에 대한 화소값이 될 수 있다. 다만, 이러한 화소값 생성은 예시적인 것이고 연결 강도를 나누는 기준과 화소값 범위 등에 따라 달리 결정할 수도 있다.
이와 같이 치환된 구조 행렬로부터 이미지를 생성하면, 여기서 생성된 이미지는 제품 모듈 구조(또는 지도 모듈 구조)와 대응되는 이미지가 될 수 있다. 따라서, 지도 모듈 구조를 치환된 구조 행렬로 변환하고, 변환된 치환된 구조 행렬로부터 이미지를 생성한 후, 생성된 이미지를 인공 신경망에 입력하여 인공 신경망을 학습 시킬 수 있다.
또한, 학습된 인공 신경망에 대해 현재 제품에 대한 제품 모듈 구조를 입력시키면, 입력된 제품 모듈 구조에 따른 클래스를 도출하는데, 여기서 도출된 클래스에 대응되는 제품 모듈 구조가 최적화된 제품 모듈 구조일 수 있다. 이때, 클래스는 현재 제품에 대한 부품들로 조합 가능한 제품 모듈 구조일 수 있다.
도 8은 도 5에 따른 치환된 구조 행렬에서 모듈 1 을 중심으로 하는 일부 영역에 대해 이미지로 변환한 예시도이다. 도 8을 참조하면, 치환된 구조 행렬에 따른 연결 강도를 화소값으로 표현하고, 표현된 화소값에 따라 이미지를 생성함으로써 제품 모듈 구조를 이미지로 표현할 수 있다.
도 9는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 설명하기 위한 개념도이다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망(neural network)은, 미리 설정된 크기의 이미지를 입력 이미지로 입력받아, 특징 맵을 추출하는 컨볼루셔널 계층(11), 추출된 특징에 대해 활성화 함수를 이용해 출력을 활성화할지 여부를 결정하는 활성화 계층(12), 활성화 계층(12)에 따른 출력에 대해 샘플링을 수행하는 풀링 계층(13), 클래스에 따른 분류를 수행하는 완전 연결 계층(14), 완전 연결 계층(14)에 따른 출력을 최종적으로 출력하는 출력 계층(15)을 포함할 수 있다.
컨볼루셔널 계층(11)은 입력 영상과 필터를 서로 합성곱함으로써 입력 데이터의 특징을 추출하는 계층일 수 있다. 여기서 필터는 입력 영상의 특징적 부분을 검출하는 함수로서, 일반적으로 행렬로 표현된다. 컨볼루셔널 계층(11)에 의해 추출된 특징은 특징 맵(feature map)으로 지칭될 수도 있다. 또한, 합성곱을 수행하는 간격 값을 스트라이드(stride)라고 지칭할 수 있는데, 스트라이드 값에 따라 다른 크기의 특징 맵이 추출될 수 있다. 이때, 특징 맵은 필터의 크기가 입력 영상보다 작으면, 기존의 입력 영상보다 더 작은 크기를 갖게 되는데, 여러 단계를 거쳐 특징이 소실되는 것을 방지하기 위하여 패딩 과정이 추가로 수행될 수 있다. 이때, 패딩 과정은 생성된 특징 맵의 외곽에 미리 설정된 값(예를 들면 0)을 추가함으로써 입력 영상의 크기와 특징 맵의 크기를 동일하게 유지하는 과정일 수 있다.
여기서 본 발명의 일 실시예에 따른 컨볼루셔널 계층(11)은, 1×1 컨볼루셔널 계층과 3×3 컨볼루셔널 계층을 순차로 연결된 구조를 사용함으로써 적은 부하로 최적의 제품 모듈 구조를 도출할 수 있다.
활성화 계층(12)는 어떠한 값(또는 행렬)으로 추출된 특징을 활성화 함수에 따라 비선형 값으로 바꾸어 활성화 여부를 결정하는 계층으로, 활성화 함수로는 시그모이드(sigmoid) 함수, ReLU 함수, 소프트맥스(softmax) 함수 등이 사용될 수 있다. 예를 들어, 소프트맥스 함수는 입력된 값을 0~1사이의 값으로 모두 정규화하며 출력 값들의 총합은 항상 1이 되는 특성을 가진 함수일 수 있다.
풀링 계층(130)은 활성화 계층(12)의 출력에 대하여 서브 샘플링(subsampling) 또는 풀링(pooling)을 수행하여 특징맵을 대표하는 특징을 선정하는 계층으로서, 특징맵의 일정 영역에 대하여 가장 큰 값을 추출하는 맥스 풀링(max pooling), 평균값을 추출하는 애버리지 풀링(average pooling) 등이 수행될 수 있다. 이때, 풀링 계층은 활성화 함수 이후에 반드시 수행되는 것이 아니라 선택적으로 수행될 수 있다.
또한, 여기서 인공신경망(10)은, 컨볼루셔널 계층(11), 활성화 계층(12), 풀링 계층(13)의 연결 구조가 복수개 포함될 수도 있다.
도 10은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법에 대한 대표 흐름도이다.
도 10을 참조하면, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법은, 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계(S200); 획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계(S210); 입력받은 다양성 요소에 대응되는 부품을 검색하는 단계(S220); 검색된 부품이 상기 초기 모듈화 제품에 속한 모듈의 위치를 조정하는 단계(S230); 조정된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계(S240); 학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계(S250); 및 입력된 인공 신경망의 출력으로 최적의 제품 모듈 구조를 획득하는 단계(S260)를 포함할 수 있다.
상기 요구 사항은, 상기 초기 모듈화 제품에 대한 빅데이터 검색을 통해 유무선으로 획득될 수 있다. 예를 들어, 웹 기반으로 상기 초기 모듈화 제품을 검색하고, 검색된 초기 모듈화 제품에 대한 사용자 반응을 크롤링(crawing)하여 획득될 수 있다. 이때, 크롤링을 위해 사용자로부터 시드(seeds)로 호칭되는 URL 리스트를 입력받을 수 있다.
상기 다양성 요소를 입력받는 단계(S210)는, 상기 획득된 요구 사항을 사용자에게 표시하고, 표시에 따른 응답으로 상기 다양성 요소를 입력받을 수 있다.
상기 초기 모듈화 제품은, 제품의 기능과 부품을 매핑하여 결정된 모듈들의 조합으로 제품을 모듈화함으로써 도출될 수 있다.
그 밖에도 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법에는 도 1 내지 도 9에서 서술한 과정이나 구성이 적용될 수 있으며, 중복 설명을 방지하기 위해 자세한 설명은 생략한다.
도 11은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치에 대한 하드웨어 구성도이다.
도 11을 참조하면, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치(100)는, 적어도 하나의 프로세서(processor, 110); 및 상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치(100)에 포함된 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다.
상기 적어도 하나의 단계는, 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계; 획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계; 입력받은 다양성 요소에 대응되는 부품을 검색하는 단계; 검색된 부품이 상기 초기 모듈화 제품에 속한 모듈의 위치를 조정하는 단계; 조정된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계; 학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계; 및 입력된 인공 신경망의 출력으로 최적의 제품 모듈 구조를 획득하는 단계를 포함할 수 있다.
상기 요구 사항은, 상기 초기 모듈화 제품에 대한 빅데이터 검색을 통해 유무선으로 획득될 수 있다. 예를 들어, 웹 기반으로 상기 초기 모듈화 제품을 검색하고, 검색된 초기 모듈화 제품에 대한 사용자 반응을 크롤링(crawing)하여 획득될 수 있다. 이때, 크롤링을 위해 사용자로부터 시드(seeds)로 호칭되는 URL 리스트를 입력받을 수 있다.
상기 다양성 요소를 입력받는 단계는, 상기 획득된 요구 사항을 사용자에게 표시하고, 표시에 따른 응답으로 상기 다양성 요소를 입력받을 수 있다.
상기 초기 모듈화 제품은, 제품의 기능과 부품을 매핑하여 결정된 모듈들의 조합으로 제품을 모듈화함으로써 도출될 수 있다.
인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
Claims (5)
- 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치에 의해 수행되는 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법으로,
복수의 모듈들로 구성되는 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계;
획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계;
입력받은 다양성 요소에 대응되는 부품을 검색하는 단계;
상기 복수의 모듈들 중에서 검색된 부품이 속하는 모듈을 나머지 모듈들 중 하나로 변경하는 단계;
변경된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계;
학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계; 및
입력된 인공 신경망의 출력으로 상기 현재 제품에 대하여 최적화된 제품 모듈 구조를 획득하는 단계를 포함하고,
상기 제품 모듈 구조를 입력하는 단계는,
상기 제품 모듈 구조에 따른 치환된 디자인 구조 행렬을 생성하는 단계;
상기 치환된 디자인 구조 행렬과 대응하는 이미지를 생성하는 단계; 및
생성된 이미지를 상기 인공 신경망에 입력하는 단계를 포함하고,
상기 치환된 디자인 구조 행렬은, 상기 제품 모듈 구조에 따른 각각의 모듈을 부분 행렬로 하고, 행과 열은 상기 제품 모듈 구조에 따른 부품들이 되며, 성분값은 부품들 상호간 연결 강도를 지시하고,
상기 치환된 디자인 구조 행렬과 대응하는 이미지를 생성하는 단계는,
상기 치환된 디자인 구조 행렬의 성분값인 상기 연결 강도를 화소값과 대응시켜 이미지를 생성하고,
상기 연결 강도는, 상기 제품 모듈 구조에 따른 부품들 상호간 인터페이스에 기초하여, 연결될 필요가 없는 경우에 대해 성분값 0, 대체 가능한 연결 관계인 경우에 대해 성분값 1, 필수적으로 연결되어야 하는 관계인 경우에 대해 성분값 2로 정의되고,
상기 인터페이스는, 부품들 상호간 기계적 결합(mechanical attachment), 부품들 상호간 공기나 용매의 전송(transfer), 부품들 상호간 데이터의 통신(communication), 및 부품들 상호간 호환되는 사용자 인터페이스(user interface)를 포함하는, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법. - 청구항 1에서,
상기 요구 사항은,
상기 초기 모듈화 제품에 대한 빅데이터 검색을 통해 유무선으로 획득되는, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법. - 청구항 1에서,
상기 다양성 요소를 입력받는 단계는,
상기 획득된 요구 사항을 사용자에게 표시하고, 표시에 따른 응답으로 상기 다양성 요소를 입력받는, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법. - 청구항 1에서,
상기 초기 모듈화 제품은,
제품의 기능과 부품을 매핑하여 결정된 모듈들의 조합으로 제품을 모듈화함으로써 도출되는, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법. - 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치로서,
적어도 하나의 프로세서(processor); 및
상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고,
상기 적어도 하나의 단계는,
복수의 모듈들로 구성되는 초기 모듈화 제품에 대한 요구 사항을 획득하는 단계;
획득된 요구사항에 대응되는 다양성 요소를 입력받는 단계;
입력받은 다양성 요소에 대응되는 부품을 검색하는 단계;
상기 복수의 모듈들 중에서 검색된 부품이 속하는 모듈을 나머지 모듈들 중 하나로 변경하는 단계;
변경된 결과에 따른 지도 모듈 구조를 인공 신경망에 학습시키는 단계;
학습된 인공 신경망에 현재 제품에 대한 제품 모듈 구조를 입력하는 단계; 및
입력된 인공 신경망의 출력으로 상기 현재 제품에 대하여 최적화된 제품 모듈 구조를 획득하는 단계를 포함하고,
상기 제품 모듈 구조를 입력하는 단계는,
상기 제품 모듈 구조에 따른 치환된 디자인 구조 행렬을 생성하는 단계;
상기 치환된 디자인 구조 행렬과 대응하는 이미지를 생성하는 단계; 및
생성된 이미지를 상기 인공 신경망에 입력하는 단계를 포함하고,
상기 치환된 디자인 구조 행렬은, 상기 제품 모듈 구조에 따른 각각의 모듈을 부분 행렬로 하고, 행과 열은 상기 제품 모듈 구조에 따른 부품들이 되며, 성분값은 부품들 상호간 연결 강도를 지시하고,
상기 치환된 디자인 구조 행렬과 대응하는 이미지를 생성하는 단계는,
상기 치환된 디자인 구조 행렬의 성분값인 상기 연결 강도를 화소값과 대응시켜 이미지를 생성하고,
상기 연결 강도는, 상기 제품 모듈 구조에 따른 부품들 상호간 인터페이스에 기초하여, 연결될 필요가 없는 경우에 대해 성분값 0, 대체 가능한 연결 관계인 경우에 대해 성분값 1, 필수적으로 연결되어야 하는 관계인 경우에 대해 성분값 2로 정의되고,
상기 인터페이스는, 부품들 상호간 기계적 결합(mechanical attachment), 부품들 상호간 공기나 용매의 전송(transfer), 부품들 상호간 데이터의 통신(communication), 및 부품들 상호간 호환되는 사용자 인터페이스(user interface)를 포함하는, 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190106800A KR102100933B1 (ko) | 2019-08-29 | 2019-08-29 | 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190106800A KR102100933B1 (ko) | 2019-08-29 | 2019-08-29 | 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102100933B1 true KR102100933B1 (ko) | 2020-04-14 |
Family
ID=70291507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190106800A KR102100933B1 (ko) | 2019-08-29 | 2019-08-29 | 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102100933B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752870A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于神经网络的服务器接口的兼容方法及*** |
CN117008692A (zh) * | 2023-08-04 | 2023-11-07 | 深圳市德航智能技术有限公司 | 一种模块化安装无风扇工业电脑及其设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010055466A (ja) * | 2008-08-29 | 2010-03-11 | Fuji Electric Systems Co Ltd | セットベース設計手法を用いた製品最適化設計支援システム |
JP2015530632A (ja) * | 2012-07-04 | 2015-10-15 | ノルスク・ヒドロ・アーエスアーNorsk Hydro Asa | 工業プロセスの製品特性及び生産コストの最適化のための方法 |
-
2019
- 2019-08-29 KR KR1020190106800A patent/KR102100933B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010055466A (ja) * | 2008-08-29 | 2010-03-11 | Fuji Electric Systems Co Ltd | セットベース設計手法を用いた製品最適化設計支援システム |
JP2015530632A (ja) * | 2012-07-04 | 2015-10-15 | ノルスク・ヒドロ・アーエスアーNorsk Hydro Asa | 工業プロセスの製品特性及び生産コストの最適化のための方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752870A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于神经网络的服务器接口的兼容方法及*** |
CN117008692A (zh) * | 2023-08-04 | 2023-11-07 | 深圳市德航智能技术有限公司 | 一种模块化安装无风扇工业电脑及其设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020142B2 (en) | Neural network model deployment method, prediction method and related device | |
Zhang et al. | Active semi-supervised learning based on self-expressive correlation with generative adversarial networks | |
CN112784964A (zh) | 基于桥接知识蒸馏卷积神经网络的图像分类方法 | |
KR102100933B1 (ko) | 인공 신경망을 이용하여 모듈화된 제품을 최적화하는 방법 및 장치 | |
US11630990B2 (en) | Systems and methods for auto machine learning and neural architecture search | |
CN111047563B (zh) | 一种应用于医学超声图像的神经网络构建方法 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN112000772B (zh) | 面向智能问答基于语义特征立方体的句子对语义匹配方法 | |
US20210110215A1 (en) | Information processing device, information processing method, and computer-readable recording medium recording information processing program | |
CN112000770B (zh) | 面向智能问答的基于语义特征图的句子对语义匹配方法 | |
US11720788B2 (en) | Calculation scheme decision system, calculation scheme decision device, calculation scheme decision method, and storage medium | |
CN109035028A (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
CN110210468A (zh) | 一种基于卷积神经网络特征融合迁移的文字识别方法 | |
CN102929646A (zh) | 应用程序生成方法及装置 | |
JP2020009301A (ja) | 情報処理装置および情報処理方法 | |
KR102101770B1 (ko) | 제품 모듈화 방법 및 장치 | |
WO2022252694A1 (zh) | 神经网络优化方法及其装置 | |
Zhao et al. | An investigation on different underlying quantization schemes for pre-trained language models | |
CN114140641A (zh) | 面向图像分类的多参数自适应异构并行计算方法 | |
CN110532448A (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN104657422B (zh) | 一种基于分类决策树的内容发布智能分类方法 | |
CN117009859B (zh) | 一种基于内存计算的特征拼接方法及*** | |
CN110009048A (zh) | 一种神经网络模型的构建方法以及设备 | |
CN113449808B (zh) | 多源图文信息分类方法及其相应的装置、设备、介质 | |
CN102306380B (zh) | 彩色图像的直方图调试方法及其调试*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |