KR102379259B1 - AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 - Google Patents

Abstract

본 발명은 AI(인공지능) 기술을 통해 사출성형 조건 데이터, 사출 주변기기 데이터, 금형 내부 데이터 등을 기반으로 사출제조설비에 대한 최적의 공정조건을 도출하고 그 공정조건에 맞는 원격제어를 지원하여, 작업자의 숙련도에만 의존하던 기존의 관리방식을 탈피하여 지능화된 통합관리가 가능한 AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법에 관한 것이다.
본 발명은 클라우드 환경의 AI 알고리즘을 이용하여 최적의 사출 성형 조건(AI 모델)을 도출하고, 에지클러스터와 관제서버 사이에서 각 공정변수의 측정데이터와 AI 모델에 기반하여 생성한 성형조건 제어명령이 MQTT(Message Queueing Telemetry Transport) 프로토콜의 통신방식에 의해 정보교환이 이루어지도록 구성하여 IT자원의 효율적 이용은 물론 사출성형 제품의 품질향상과 생산성 제고에도 기여할 수 있도록 하는 것이 특징이다.
본 발명에 의하면, 자동으로 원격제어가 가능하고 새로운 성형소재를 통한 물성개선의 현실적 요구에 효과적으로 대응할 수 있으며, 휴먼에러나 관리미숙에 따른 불량품 발생이나 생산성 저하를 방지할 수 있는 효과가 있다.

Description

AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법{AIoT-based integrated management system of injection manufacturing facilities and its operating method}

본 발명은 AIoT 기반의 사출제조 설비의 통합관리 시스템 및 그 운용방법에 관한 것으로, 보다 상세하게는 AI(인공지능) 기술을 통해 사출성형 조건 데이터, 사출 주변기기 데이터, 금형 내부 데이터 등을 기반으로 사출제조설비에 대한 최적의 공정조건을 도출하고 그 공정조건에 맞는 원격제어를 지원할 수 있도록 함으로써, 작업자의 숙련도에만 의존하던 기존의 관리방식을 탈피하여 지능화된 통합관리가 가능한 AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법에 관한 것이다.

4차 산업혁명이라는 키워드를 중심으로 산업현장에서는 디지털화 추세가 거세지고 있다. 특히 생산설비의 규모가 커지고 원격제어 기술이 보편화되면서 제조현장의 수많은 생산설비들로부터 쏟아지는 데이터를 효율적으로 수집·분석하여 생산성 향상에 기여하는 최적의 공정조건을 도출하고 그 공정조건에 맞춰 생산설비를 자동으로 원격 제어하는 통합관리 시스템에 대한 기술이 주목을 받고 있다.

최근에는 사물인터넷(IoT) 기술의 확산으로 인터넷(통신망)을 통해 각종 센서와 디바이스가 연결되어 디바이스들 사이의 상호 정보교환이나 관련 데이터 매칭(Matching)이 용이해짐에 따라 다양한 분야에서 특화된 서비스를 제공하기 위한 플랫폼(Platform) 서비스가 관심의 대상이 되고 있다. 특히 산업분야에 특화된 IIoT(Industrial Internet of Things)의 기술개발이 활기를 띄면서 IIoT에 인공지능(AI) 기술이 접목된 AIoT(지능형 사물인터넷) 플랫폼 기술의 개발열기도 점차 고조되는 추세이다.

이러한 움직임은 제조산업의 핵심이라 할 수 있는 사출성형기 분야에서도 활발하게 나타나고 있으며, 통합제어를 위한 제조설비들 사이의 정보교환 데이터량이 급격히 증가하면서 생산성 향상과 품질제고를 위해 데이터 처리의 효율성과 안정적이고 지능적인 통신망 운용의 중요성이 더욱 부각되고 있는 상황이다.

그러한 상황에 맞추어 특허 제10-2021-0056235호(선행특허 1)에는 인공지능(AI) 기반의 사출성형시스템 및 성형조건 생성방법이 개시되어 있는데, 위 선행특허 1에는 사출성형기에 성형조건 생성장치를 부착하고, 그 성형조건 생성장치를 통해 사출성형기의 생산제품이 목표로 하는 성형품질을 유지하고 있는지 여부를 판단하여 외란에 의해 성형품질이 유지되지 않는 경우에는 목표치 데이터를 추종하도록 성형조건을 변경하는 기술사항이 예시되어 있다.

그러나 위 선행특허 1은 사출성형기에 부착된 성형조건 생성장치를 통해 성형조건의 제어가 이루어진다는 점에서 어느 정도의 순기능을 기대할 수 있으나, 각 사출성형기에 별개의 성형조건 생성장치를 부착해야 하는 구조이고 각 성형조건 생성장치마다 인공지능(AI) 학습을 지원하기 위한 데이터베이스, 학습알고리즘 등의 정보처리자원(IT자원)을 구비할 수밖에 없기 때문에, 다수의 사출성형기를 구비한 대규모의 공장에서는 정보처리 자원(IT자원)의 운용효율성이 저해될 뿐만 아니라 그 설치비용의 증가를 피할 수 없다는 구조적인 문제점을 안고 있었다.

또한, 등록특허 제10-2264066호(선행특허 2)에는 인공지능(AI)과 이미지 분석에 의한 사출기 스마트 제어시스템 및 그 운용방법이 개시되어 있는데, 위 선행특허 2에는 사출성형기로 생산한 제품의 외형(촬영 이미지)을 학습된 인공지능(AI)으로 검사하여 규격을 초과하는 불량이 연속 발생되거나 불량품의 누적 발생횟수가 기준값 이상으로 확인될 경우, 사출성형기 주변의 외부환경 변수를 순차 검출하고 인공지능으로 분석하여 기설정된 성형조건 변수를 순차적으로 조정한다는 기술사항이 개시되어 있다.

그러나 위 선행특허 2도 사출성형기를 통해 생산한 제품의 영상이미지를 기준 이미지와 대비하는데 AI 학습기법을 적용하여 최종 제품의 품질에 영향을 미치는 성형조건을 조정하는 기술만 예시되어 있을 뿐, 사출성형기마다 별도의 성형조건 변경장치를 부착하는 구조를 벗어나지 못하고 있어, 다수의 사출성형기를 운영하는 환경에서 효율적인 통합관리가 여전히 미흡하다는 평가를 받을 수밖에 없었다.

(선행특허 1) 공개특허 제10-2021-0056235호 (선행특허 2) 등록특허 제10-2264066호

본 발명은 위 배경기술이 안고 있는 문제점에 착안하여 이루어진 것으로, 다수의 사출성형기를 구비한 대규모 공장에서 효율적인 통합관리가 가능하도록 지원하는 AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법의 제공을 목적으로 한다.

또한, 본 발명은 클라우드 환경의 AI 알고리즘을 이용하여 최적의 사출 성형 조건(AI 모델)을 도출하고, 각 공정변수의 측정데이터와 AI 모델에 기반한 성형조건 제어명령이 MQTT(Message Queueing Telemetry Transport) 브로커를 통해 에지클러스터와 관제서버 사이의 정보교환이 이루어지도록 구성하여 IT자원의 효율적 이용은 물론 사출성형 제품의 품질향상과 생산성 제고에도 기여할 수 있는 AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법의 제공을 목적으로 한다.

본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템은 사출성형기에 설치된 에지 클러스터, 관제서버 및 클라우드 서버가 통신네트워크를 통해 연결되고, 위 에지 클러스터에는 공정변수를 측정하는 센서부, 공정조건을 변경하는 제어부, 데이터 흐름을 제어하는 에이전트부를 포함하고, 클라우드 서버는 전처리부, 데이터베이스, 기계학습 알고리즘을 구비하며, 상기 에지 클러스터와 관제서버는 MQTT브로커를 통해 정보교환이 이루어지도록 구성하고, 상기 에이전트부는 기준범위에 있는 정상상태의 측정데이터를 추출하여 상기 클라우드 서버로 전송하도록 구성되며, 클라우드 서버는 기계학습 알고리즘을 통해 도출한 최적모델을 상기 관제서버로 전송하도록 구성되고, 관제서버는 최적모델을 기반으로 성형조건에 대한 제어명령을 생성하여 상기 에지 클러스터로 전송하며, 그 에지 클러스터는 상기 제어명령에 따라 사출성형기의 성형조건과 관련된 구동수단의 제어가 가능하도록 구성한 것을 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템은 에이전트부가 적어도 하나 이상의 에이전트로 구성되고, 각 에이전트는 통신부, 처리부, 수행 엔진 및 DB를 구비하며, 상기 처리부는 센서부에서 전송받은 측정데이터와 DB에 저장된 기준데이터를 비교하여 기준범위에 있는지 여부를 판단하고, 기준범위 내의 정상상태로 판단된 측정데이터만을 클라우드 서버로 전송하도록 구성한 것을 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템은 클라우드 서버의 전처리부(504)가 전송받은 정상상태의 측정데이터를 학습패턴 쌍의 구조로 변환하여 데이터베이스에 누적 저장할 수 있도록 지원하는 것을 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템은 센서부의 측정데이터를 물리적 특성에 따라 공정변수를 분류하여 그룹핑하고, 각 데이터 그룹에 특화된 에이전트와 기계학습 알고리즘을 통해 1단계의 최적모델(503)을 도출한 후, 상기 1단계의 최적모델을 기반으로 새로운 학습패턴 쌍을 구성하여 2단계의 기계학습을 통한 최적모델의 도출이 가능하도록 구성한 것을 특징으로 하며, 상기 물리적 특성에 따라 분류하여 그룹핑되는 공정변수에는 온도, 습도, 사출속도 및 압력이 포함된 것을 특징으로 한다.

한편, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템 운용방법은 사출성형기의 가동준비 단계를 거친 후 생산을 시작하는 단계, 에지 클러스터의 센서부를 통해 공정변수를 측정하는 단계, 측정된 데이터를 처리부에서 수집하고 설정된 기준값과 비교하여 정상상태 여부를 판단하는 단계, 정상상태로 판단된 측정데이터를 클라우드 서버로 전송하고 전처리부에서는 학습패턴 쌍의 구조로 변환하여 데이터베이스에 누적 저장시키는 단계, 데이터베이스의 누적데이터를 이용한 기계학습으로 도출한 최적모델을 관제서버로 전송하는 단계, 관제서버는 AI 최적모델을 기반으로 제어명령을 생성하여 MQTT브로커를 통해 에지 클러스터로 전달하는 단계, 에지 클러스터의 제어수단 구동기능을 통해 제어명령이 실행되는 단계를 포함하여 이루어진 것을 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템 운용방법은 가동준비 단계에서 센서부의 측정주기를 설정하되, 그 측정주기는 1사이클의 사출공정 시간에 포함된 단계별 공정시간 중 가장 짧은 공정시간을 기준으로 설정하는 것을 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템 운용방법은 정상상태 여부를 판단하는 단계가 센서부에서 전송받은 측정데이터와 DB에 저장된 기준데이터를 비교하여 기준범위에 있는지 여부를 처리부에서 판단하고, 센서부로부터 전송받은 측정데이터가 기준범위를 크게 벗어나는 것으로 판단되는 경우에는 경보를 발신하는 단계가 더 포함된 것는 특징으로 한다.

또한, 본 발명의 AIoT 기반 사출제조 설비의 통합관리 시스템 운용방법은 센서부의 측정데이터를 물리적 특성에 따라 공정변수를 분류하여 그룹핑하고, 각 데이터 그룹에 특화된 에이전트와 기계학습 알고리즘을 통해 그룹별로 1단계의 최적모델을 도출한 후, 그 1단계의 최적모델을 기반으로 한 새로운 학습패턴 쌍의 기계학습을 통해 2단계의 통합된 최적모델을 도출하는 단계가 더 포함된 것을 특징으로 한다.

발명에 의하면, 작업자의 숙련도에만 의존하던 기존의 관리방식을 벗어나 자동으로 원격제어가 가능하고, 새로운 성형소재를 통한 물성개선의 현실적 요구에 효과적으로 대응할 수 있으며, 휴먼에러나 관리미숙에 따른 불량품 발생이나 생산성 저하를 방지할 수 있는 효과를 기대할 수 있다.

또한, IT자원의 적절한 기능배분을 통해 데이터 처리의 효율성과 안정성을 제고할 수 있고, 정교한 성형조건 관리가 가능하여 생산제품의 표면처리와 같은 마무리 공정의 일부를 생략할 수 있을 뿐만 아니라 웰드 불량이나 백화현상 등과 같은 불량유발 요인에 대한 대처가 용이하다는 효과가 있다.

도 1의 (a), (b)는 종래기술의 인공지능(AI) 기반 사출성형 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 바람직한 실시예에 따른 사출제조 설비의 통합관리시스템을 설명하기 위한 전체 구성도이다.
도 3은 본 발명에서 채택하고 있는 에이전트의 기능을 설명하기 위한 구성도이다.
도 4는 본 발명에서 정보통신 프로토콜로 채택하고 있는 MQTT 브로커의 기능을 설명하기 위한 예시도이다.
도 5는 본 발명에서 이용하는 클라우드 서버의 기계학습 알고리즘을 설명하기 위한 예시도이다.
도 6은 본 발명의 사출제조 설비에 대한 통합관리시스템의 운용방법을 설명하기 위한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법에 대하여 상세히 설명하기로 한다.

참고로, 본 발명을 설명함에 있어 공지된 구성이나 기능에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단될 경우 그에 대한 상세한 설명은 생략한다는 점을 밝혀둔다. 그리고 본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로 본 발명을 한정하려는 의도가 아니며, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 이상, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하지만 과도하게 축소되거나 포괄적인 의미로 해석하지 말아야 한다는 점도 밝혀둔다.

도 1의 (a), (b)는 종래 인공지능(AI) 기반의 사출성형 시스템(선행특허 1)을 보여주고 있다. 도 1(a)에는 사출성형기(100)에 성형조건 생성장치(200)를 부착한 구조가 나타나 있으며, 도 1(b)에는 성형조건 생성장치(200)의 세부구성이 나타나 있다. 도 1(b)의 성형조건 생성장치(200)는 사출성형기(100)의 생산제품이 목표하는 성형품질을 유지하고 있는지 여부를 판단하여 성형조건을 변경할 수 있도록 구성한 것이 특징으로, 사출데이터 획득부(710), 데이터베이스(750), 모델생성부(740) 및 소프트웨어 엔진(735)을 포함하고 있는데, 모델생성부(740)가 AI학습을 통해 성형품질 유지모델을 도출하는 구조로 되어 있다.

그러나 도 1(a), (b)의 종래기술은, 앞서 언급한 것처럼, 사출성형기(100)에 부착된 성형조건 생성장치(200)를 통해 성형조건의 제어가 이루어진다는 점에서 어느 정도의 순기능을 기대할 수 있으나, 각 사출성형기(100)에 별개의 성형조건 생성장치(200)를 부착해야 하는 구조이고 각 성형조건 생성장치마다 인공지능(AI) 학습을 지원하기 위한 데이터베이스(750), AI기반의 모델생성부(740), 소프트웨어엔진(735) 등의 정보처리자원(IT자원)을 구비할 수밖에 없기 때문에, 다수의 사출성형기를 구비한 대규모의 공장에서는 정보처리자원(IT자원)의 이용효율성이 저해될 뿐만 아니라 그 설치비용의 증가를 피할 수 없다는 구조적인 문제점을 안고 있다.

본 발명은 위와 같은 종래기술의 문제점에 착안한 것으로, 도 2는 본 발명의 바람직한 실시예에 따른 시스템을 보여주고 있다. 도 2의 통합관리 시스템은 센서나 제어수단 등과 관련된 기존 사출성형기의 하드웨어 자원은 최대한 활용하면서도 특화된 솔루션을 통해 IT자원의 효율적 기능배분이 이루어지도록 구성한 것을 특징으로 한다.

좀 더 구체적으로 설명하면, 도 2의 통합관리 시스템은 사출성형기(10), 에지 클러스터(20), MQTT(Message Queuing Telemetry Transport) 브로커(30), 관제서버(40) 및 클라우드 서버(50)를 주요구성으로 포함하고 있다. 이때 사출성형기(10)에는 각종 사출공정 변수를 측정하기 위한 센서부(101)와 외부신호에 따라 공정변수를 제어할 수 있는 제어부(102)가 구비된다. 그리고 사출성형기(10)와 에지 클러스터(20)는 유선 또는 근거리 통신망을 통해 연결되어 있으며, 에지 클러스터(20), MQTT브로커(30), 관제서버(40) 및 클라우드 서버(50)는 인터넷 프로토콜을 이용하여 정보교환이 가능하도록 기능적으로 연결된다. 또한, 도 2에는 구체적으로 도시되어 있지 않지만, 도 5에 나타낸 것처럼, 클라우드 서버(50)에는 데이터베이스(501)에 저장된 누적데이터를 기반으로 기계학습을 통해 최적모델(503)의 도출을 지원하는 인공지능(AI) 알고리즘(502)이 구비되어 있고, 관제서버(40)에는 생산현장에 설치된 다수의 사출성형기(10)들을 전체적으로 모니터링할 수 있는 통합 대시보드를 구비하고 있는 것이 그 기술적 특징이라 할 수 있다.

일반적으로 IoT(Internet of Things) 기술은 센서, 유·무선 통신 및 네트워크 인프라, 서버, HMI(Human Machine Interface) 기술 등을 활용하여 디바이스들 사이에 데이터를 주고받을 수 있도록 지원하는 것을 전제로 한다. 특히 산업현장에 적용되는 IIoT(Industrial Internet of Things)에서는 제조장비로부터 데이터를 수집하고, 수집된 데이터는 통신망을 통해 서버로 전송되어 데이터 처리과정을 거쳐 의미 있는 출력변수를 도출한 후, 그 출력변수를 활용하여 공정조건을 제어하고 있는데, 최근에는 산업현장의 설비규모가 커지고 원격제어기술이 보편화되면서 제조업체들은 보다 통합적이고 포괄적인 자동화설비에 관심을 갖게 되었고, 그러한 관심은 IIoT에 대한 기술표준을 제정하거나 오픈소스 기반의 다양한 API(Application Programming Interface)의 발표를 촉진시키는 원동력이 되고 있다.

그러한 기술발전 트랜드에 부응하여 도 2에 나타난 본 발명의 통합관리 시스템은 IT자원(Resource)의 기능을 효율적으로 배분하고, 사용자 친화적인 HMI(Human Machine Interface) 솔루션을 채택함과 동시에 인공지능(AI) 학습기술의 접목을 통해 보다 지능화된 통합관리 시스템을 제안하는 것이다.

이하에서는 본 발명의 통합관리 시스템에 포함되어 있는 주요구성의 각 기능에 대하여 도 2, 3, 4, 5를 참조하여 구체적으로 설명한다.

우선, 도 2에 나타낸 사출성형기(10)의 센서부(101)는 다수의 센서들이 구비되어 캐비티, 코어, 핫러너 등의 온도, 금형의 내부압력, 분사속도, 금형의 온도기울기나 호퍼에 탑재된 성형재료의 습도 등과 같은 공정변수를 측정하는 기능을 담당하고, 제어부(102)는 관제서버(40)의 제어명령에 따라 가온, 냉각, 승압, 감압, 가속, 감속, 가습, 제습 등의 작동이 이루어지도록 관련 구동수단을 제어하는 기능을 담당한다. 이러한 센서부(101)와 제어부(102)는 기존의 하드웨어 자원을 최대한 활용할 수 있고, 제어수단 및 센서의 수나 종류도 필요에 따라 공지의 범용수단을 적절히 선택할 수 있기 때문에 그 기술구성에 특별한 어려움은 없을 것이다.

그리고 에이전트부(103)에는 하나의 에이전트만을 구비할 수도 있지만, 바람직하게는 공정변수와 제어대상의 특성이나 개수를 고려하여 복수의 에이전트(21, 22)를 구비한 구조로 설계한다. 예를 들어 에이전트 1은 성형조건 에이전트, 에이전트 2는 온도조절 에이전트, 에이전트 3은 풀 프루프(Pool-Proof) 에이전트 등으로 지정하여 그 특성에 맞는 기능을 구현하도록 설계하는 것이 바람직할 것이다. 이러한 복수의 에이전트들은 모듈형태로 제작하여 개별 에이전트의 기능에 대한 취사선택이 가능하도록 라즈베리파이 기반의 컴퓨터(PC)와 같이 필요에 따라 분해·조립을 지원하는 방식의 구조로 설계하는 것이 바람직할 것이다.

한편, 각각의 에이전트는 도 3에 예시되어 있는 바와 같이, 통신부(211), 처리부(212), 수행 엔진(213) 및 데이터베이스(214)를 포함하도록 설계한다. 여기에서 통신부(211)는 클라우드(50)와 MQTT브로커(30)와의 데이터 통신이 가능하도록 지원하고, 각 에이전트들 사이의 정보교환은 메시지 기반의 공지된 MOM(Message-Oriented Middleware) 솔루션(API)을 통해 지원하도록 설계한다. 또한, 에이전트(21)의 데이터베이스(214)는 성형조건에 대한 기준데이터와 센서부(101)에서 전송받은 측정데이터의 쿠키정보(Cookie file)의 저장을 지원하도록 설계하고, 처리부는(212)는 센서부(101)에서 전송받은 측정데이터와 DB(214)에 저장된 기준데이터를 비교하여 기준범위에 있는지 여부를 판단한 후, 기준범위 내의 정상상태로 판단된 측정데이터를 추출하여 클라우드 서버(50)로 전송하는 기능을 지원하도록 설계한다. 이때 처리부(212)는 측정데이터에 포함된 노이즈를 제거하거나 특징부 추출 등의 데이터 정제기능, 그리고 DB(214)에 저장된 로그데이터의 주기적 업데이트 기능까지 지원하도록 설계하는 것도 가능할 것이다.

그리고 에이전트에 구비된 수행엔진(213)은 토픽정보와 측정데이터를 MQTT브로커(30)에 전달(Publish)할 수 있는 기능을 지원하고, MQTT 브로커(30)를 통해 검색된 제어명령을 구독(Subscribe)하여 그 제어명령에 따라 사출성형기(10)의 공정조건을 제어하는 기능을 갖도록 설계한다.

도 4는 MQTT브로커(30)의 기능을 설명하기 위한 예시도이다. MQTT 프로토콜은 일반적으로 단말기 사이에서 대화형식으로 정보를 교환할 수 있도록 지원하는 것으로 ISO표준으로 채택되어 있으며, 산업계에서 적용하고 있는 MQTT 프로토콜은 측정된 센서 데이터들을 수집하는 현장서버(Local server)와 관제서버(Client Server)를 중개하는 브로커(Broker)로서의 기능이 잘 알려져 있다. 도 4의 MQTT브로커(30)는 측정주기에 맞춰 센서부(101)에서 측정한 데이터들을 에이전트(21)에서 수집한 후 측정데이터의 물리적 특성에 따라 그룹핑하여 토픽(Topic)을 생성하고, 그 토픽과 함께 측정데이터를 MQTT브로커(30)로 전송하면(Publish), 관제서버(40)가 MQTT브로커(30)로부터 원하는 특정 데이터를 구독(Subscribe)하여 필요한 제어명령 등을 MQTT브로커(30)에 발행(Publish)할 수 있도록 중개하는 기능을 담당한다.

도 4를 통해 MQTT브로커(30)의 기능을 설명하면, 센서부(101)에서 전송받은 측정데이터는 에이전트에 구비된 수행엔진(213)의 기능을 통해 토픽정보와 결합되어 MQTT브로커(30)로 전송되고(Publish), 관제서버(40)가 MQTT브로커(30)를 통해 토픽정보와 측정데이터를 구독(Subscribe)한 다음, 그 구독 데이터와 후술하는 인공지능(AI) 모델을 기반으로 생성한 제어명령을 MQTT브로커(30)로 다시 전송(Publish)하면, 에이전트(21)의 수행엔진(213)이 그 제어명령을 구독(Subscribe)하여 제어명령과 연관된 구동수단을 제어함으로써, 관제서버(4)에서 원격으로 사출성형기(10)에 대한 공정조건의 변경이 가능해지는 것이다.

본 발명에서 MQTT 프로토콜을 채택한 이유는 데이터 처리 과정에서 발생하는 시간지연 및 데이터 손실 가능성 등의 부분적 단점에도 불구하고, 토픽(topic)과 연관된 데이터들을 통합 대시보드를 통해 시각적으로 용이하게 확인할 수 있고, 질의·응답 방식의 발행(Publish)과 구독(Subscribe) 과정을 통해 빠르고 정확한 메시지 교환(정보교환)이 가능하다는 장점을 최대한 활용하려는 의도에 있다. 이에 따라 본 발명은 MQTT브로커(30)를 통한 정보교환의 장점으로 인해 사출성형 제조분야의 중요 목표인 생산성 증대와 품질향상에 대한 기대수준을 충족시킬 수 있는 효과가 있다.

도 5는 본 발명에서 채택한 클라우드 서버의 구성을 보여주고 있다.

클라우드 컴퓨팅은 내부의 IT자원과 외부의 IT자원을 효율적으로 분산·운영함으로써 서비스의 기대가치나 산출가치를 최대화시키고 과도한 전력소모로 인한 발열문제를 해결할 목적으로 널리 보급되어 있는 기술이다.

도 5에 예시된 것처럼, 본 발명에서 이용하는 클라우드 서버(50)는 에이전트(20)의 처리부(212)에서 정상상태로 판단된 측정데이터를 전송받아 누적·저장하기 위한 데이터베이스(501)와 그 누적데이터를 학습자료로 활용하여 최적모델(503)을 도출하기 위한 AI 알고리즘(502)을 구비하고 있다.

여기에서 AI 알고리즘(502)은 수학적 최적화 또는 통계분석 기법 등을 기반으로 사람의 도움 없이도 데이터로부터 일정한 신호와 패턴을 익히고, 그것을 바탕으로 최적의 성형조건 모델을 도출할 수 있도록 지원하는 기계학습 알고리즘을 지칭하는데, 그러한 기계학습 알고리즘은 이미 널리 통용되고 있는 다양한 오픈소스를 활용할 수 있기 때문에 본 발명의 AI 알고리즘을 구현하는데 특별한 기술적 어려움은 없을 것이다. 그리고 본 발명의 기계학습 방식으로는 문제(입력)와 정답(결과물)을 모두 알려주고 학습시키는 지도학습(Supervised Learning), 정답(결과물)을 가르쳐주지 않고 학습시키는 비지도학습(Unsupervised Learning), 보상시스템을 이용하여 학습시키는 강화학습(reinforcement Learning) 중 어느 방식을 이용해도 무방하나, 사출성형 제조분야에서는 입력(측정데이터)과 목표치(제품품질)가 비교적 명확하다는 점에서 본 발명에서는 지도학습(Supervised Learning) 방식을 채택하는 것이 바람직할 것이다.

한편, 본 발명에서 전제하고 있는 사출성형 제조공정은 성형재료의 용융, 용융된 성형재료의 금형 내 주입, 금형 냉각, 제품추출(이형) 및 마무리 손질 등의 과정을 순차적으로 거쳐 1사이클의 공정이 완료되는데, 양품생산을 위해서는 이들 공정진행 과정에서 온도, 습도, 사출속도, 금형내부 압력, 시간 등의 공정변수들을 정밀하게 제어할 필요가 있다.

그러한 공정변수들 중에서 온도변수를 기준으로 본 발명에 적용된 AI 기계학습 과정을 설명하면, 우선 사출성형 제조에서 제품품질에 영향을 미치는 주요 온도변수는 사출성형기(10)의 주변온도, 성형재료 용융온도, 금형온도 등이 대표적인데, 그러한 온도데이터는 측정주기에 맞춰 센서부(101)를 통해 측정되고, 그 측정데이터는 에이전트(21)의 처리부(212)에서 전송받아 미리 설정된 기준데이터와 비교한 다음 기준범위를 벗어나지 않은 정상상태로 판단된 측정데이터만을 추출하여 클라우드 서버(50)의 데이터베이스(501)에 저장시킨다.

이때 데이터베이스(501)에 저장된 매주기의 측정데이터는 AI 학습자료로 활용될 수 있도록 학습패턴 쌍(Training patern pair)의 구조를 갖도록 전처리 과정을 거친다. 예를 들어, 사출성형기(10)의 온도조건을 제어하기 위해 사출성형기의 주변온도(x), 용융온도(y), 금형온도(z)라는 3가지 측정데이터가 필요하다고 가정할 때, 데이터베이스(501)에 저장되는 데이터는 (x, y, z)의 패턴 쌍 구조로 변환되고, 설정된 주기에 따라 측정되는 데이터들은 위 학습패턴 쌍의 구조로 DB(501)에 순차적으로 저장되는 것이다. 그리고 기계학습 알고리즘(502)의 목표치는 성형제품의 등급별 품질지수 중에서 최상급의 품질지수를 기준값으로 설정해 놓는다.

이처럼 누적된 학습데이터와 목표치를 확보한 상황에서 기계학습 알고리즘(502)은 데이터베이스(501)에 저장된 학습패턴 쌍을 입력받아 어떤 조합의 학습패턴 쌍이 목표치(최상급 품질)에 가장 근접하는지의 상관관계를 지속적으로 학습하여 최적모델(AI 모델)을 도출하게 된다. 물론, 사출성형기(10)가 새로 설치된 초기단계에는 누적데이터의 부족으로 도출된 최적모델의 신뢰도가 기대수준에 미치지 못할 수도 있으나, 어느 정도의 가동시간이 확보되어 누적데이터가 증가하면 충분한 신뢰도의 학습효과를 기대할 수 있을 것이고, 같은 규격의 사출성형기(10)에 대한 과거 누적데이터를 새로 설치하는 사출성형기에 적용하여 활용할 수 있도록 하면, 학습데이터의 양을 늘리는 효과로 이어져 기계학습의 신뢰도를 증진시키는데 도움이 될 것이다.

그리고 온도변수를 중심으로 설명한 위 실시예와 마찬가지로 습도, 사출속도, 금형내부 압력 등의 공정변수에 대하여 특화된 기계학습을 통해 각각의 최적모델을 도출한 후, 그 공정변수별 최적모델을 기반으로 새로운 학습패턴 쌍(Training patern pair)을 생성·저장하여 2단계의 기계학습을 진행하면, 최종적으로 사출성형기(10) 전체 공정변수가 반영된 최적모델(AI 모델)을 도출할 수 있을 것이다. 그러한 과정을 거쳐 도출된 AI 모델은 관제서버(40)로 전달되어 사출성형기(10)의 공정변수들에 대한 제어명령의 생성을 지원하게 될 것이다.

여기에서 본 발명의 기계학습 프로세스를 클라우드 서버(50)에서 수행하는 구성으로 설명한 것은 클라우드 컴퓨팅 환경이 인공지능(AI)과 같은 고급 애플리케이션을 쉽게 수용할 수 있고, 빅 데이터 처리와 같은 대규모의 작업부하를 감당할 수 있도록 IT자원의 확장에 유리하며, 과다한 전력사용과 그에 따른 발열문제의 해결이 비교적 용이하다는 장점을 최대한 살린다는 의미일 뿐, 오로지 클라우드 컴퓨팅 환경만으로 한정하는 것은 아니며, 사출성형 제조현장의 필요에 따라 에지 컴퓨팅 환경이나 하이브리드 컴퓨팅 환경을 이용할 수도 있을 것이다. 예를 들어, 이 분야의 통상의 지식을 가진 자라면, 단 1대의 사출성형기(10)를 운영하면서 클라우드 컴퓨팅 환경의 이용을 고집하지는 않을 것이기 때문이다.

도 6은 본원 발명의 사출제조 설비에 대한 통합관리시스템의 운영방법을 설명하기 위한 흐름도이다. 본 발명의 통합관리시스템을 운영하기 위해서는 우선 사전준비(Standby) 단계에서 온도, 압력 등의 공정변수에 대한 측정주기와 에이전트(20)의 DB에 저장하는 기준값 및 초기 공정조건을 세팅해 놓는다. 이때 공정변수의 측정주기는 사출공정의 1사이클을 완료하는데 소요되는 시간범위 내에서 가변적으로 설정하는 것이 바람직할 것이다. 예를 들어 성형재료의 용융, 사출, 가압, 냉각, 추출 등의 단계로 이루어진 1사이클의 공정시간 중에서 가장 짧게 소요되는 단계를 기준으로 측정주기를 설정하면, 급속가열·급속냉각 등과 관련된 개량기술 적용을 통해 1사이클의 공정시간을 단축하고 그러한 시간단축을 통해 생산성 향상을 추구하는 사출제조 산업계의 통상적 트랜드에 유연하게 대응할 수 있는 장점을 갖게 될 것이다. 물론 사전준비 단계에는 성형재료를 호퍼에 탑재시키는 과정이나 사출성형기(10)가 곧바로 정상동작 수준에 진입할 수 있도록 예열하는 과정 등이 포함되어 있다는 것은 당연하다 할 것이다.

다음으로는 사출성형기(10)를 본격 가동하여 제품생산을 개시하는 단계이다. 이때는 사출성형기(10)가 신설기계라면 초기에 설정한 기준값과 공정조건에 따라 생산을 시작하고, 과거의 가동이력을 가진 기계라면 마지막 가동과정에서 저장된 기준값과 공정조건을 이어받아 제품생산을 시작함과 동시에 센서부(101)를 통해 각종 공정변수의 데이터를 측정한다. 그러한 측정데이터는 특정 에이전트로 전송되는데, 해당 에이전트에서 수집한 측정데이터는 온도, 습도, 사출속도, 금형압력 등의 물리적 특성에 따라 공정변수를 분류하여 그룹핑하고 각 데이터 그룹에 특화된 에이전트(21, 22)를 할당하여 처리될 수 있도록 운용한다. 이때 각 에이전트 사이의 정보교환은 오픈소스 기반의 MOM(Message-Oriented Middleware) 솔루션을 이용하는 것이 바람직하다.

그리고 각 에이전트의 처리부(212)는 각 센서의 측정데이터를 미리 저장된 DB(214)의 기준값과 비교하여 설정된 기준범위 내에 있는지 여부를 판단하고 기준범위 내의 정상상태로 판단되면, 그 정상상태의 측정데이터를 클라우드 서버(50)의 DB(501)에 저장하도록 지원하고, 그 DB(501)에 저장된 누적데이터는 기계학습 데이터로 활용할 수 있는 기반을 제공하게 된다. 다른 한편으로 각 에이전트의 처리부(212)는 설정된 기준범위를 벗어난 측정데이터와 물리적 특성에 따라 분류된 측정데이터는 토픽(Topic)과 함께 MQTT브로커(30)에서 발행절차(Publish)를 수행할 수 있도록 지원한다.

다음 단계로 클라우드 서버(50)는 에이전트(21, 22)로부터 전송받은 정상상태 데이터를 학습패턴 쌍(Training patern pair)의 구조를 갖도록 처리하여 순차적으로 DB(501)에 누적시켜 저장하고, 그 누적데이터의 패턴 쌍을 AI알고리즘(502)의 학습데이터로 활용하여 최적모델(503)을 도출하도록 지원한다.

그 다음단계로 관제서버(40)는 클라우드 서버(50)에서 도출된 최적모델(503)을 전송받아 관리하면서 MQTT브로커(30)에서 발행(Publish)한 측정데이터를 구독(Subscribe)한다. 그리고 그 구독한 측정데이터가 최적모델(503)에서 어느 정도 벗어나는지를 기준으로 제어수준을 분석한 후, 그 분석결과가 제어가능한 수준이면 현재의 성형조건을 최적모델(503)에 근접시키기 위한 제어명령을 MQTT브로커(30)에 발행(Publish)하고, MQTT브로커(30)는 에이전트(21, 22)에서 그 제어명령을 구독(Subscribe)할 수 있는 기반을 제공하며, 각 에이전트(21, 22)는 구독(Subscribe)한 제어명령과 관련된 제어수단을 수행엔진(213)을 통해 구동할 수 있도록 지원한다.

한편, 제어수준 분석결과가 제어할 수 없는 수준이면, 경보기를 작동시킴과 동시에 사출성형기(10)의 가동을 즉시 중지시킨다. 이는 재사용이 불가능한 성형재료의 특성상, 성형재료의 낭비를 최대한 줄일 필요가 있기 때문이다. 그리고 이때 작동되는 경보기는 응급조치의 경중에 따라 경보방식을 달리하는 것이 바람직하다. 예를 들어, 즉각적인 응급조치가 필요한 경우에는 경광등, 스피커, 사이렌 등의 경보수단을 이용하고, 예방적이거나 주의적 응급조치를 필요로 하는 경우에는 관제서버(40)의 통합 대시보드에 구비된 디스플레이(모니터)를 이용하여 경고메시지가 관리자에게 전달되도록 하면, 과도하게 잦은 경보음으로 인해 유발되는 관리자의 피로감을 어느 정도 완화시킬 수 있는 효과를 기대할 수 있을 것이다.

위와 같은 본 발명의 통합관리시스템 및 그 운용방법에 의하면, IT자원의 적절한 기능배분을 통해 통합관리의 효율성과 생산성을 제고할 수 있고, 관제서버(40)를 통해 사출성형기(10)의 가동상태를 원격으로 모니터링하면서 공정조건을 제어할 수 있기 때문에 작업자의 숙련도에만 의존하던 기존의 관리방식을 탈피하여 휴먼에러나 관리미숙에 따른 불량품 발생을 줄일 수 있는 효과가 있다.

또한, 정교한 성형조건 관리를 통해 생산제품의 표면처리와 같은 후속공정을 부분적으로 생략할 수 있기 때문에 단위시간 당 생산량을 늘릴 수 있을 뿐만 아니라 웰드 불량이나 백화현상 등과 같은 불량유발 요인에 대한 대처가 용이하여 생산제품의 품질향상을 기대할 수 있는 효과가 있다.

이상으로 본 발명의 바람직한 실시예를 설명하였으나, 본 발명은 상술한 실시예에 한정되는 것은 아니며, 이 분야에서 통상의 지식을 가진 자라면 누구든지 본 발명의 요지를 벗어나지 않는 범위에서 다양한 변형실시가 가능할 것이다. 그러나 본 발명의 요지를 벗어나는지 여부는 오로지 청구범위의 기재에 의하여 정해진다는 사실에 유의해야 할 것이다.

10 : 사출성형기 101 : 센서부 102 : 제어부 103 :에이전트부
20 : 에지 클러스터 21, 22 : 에이전트 211 : 통신부
212: 처리부 213 : 수행 엔진 214 : 에이전트 DB
30 : MQTT브로커 40 : 관제 서버 50 : 클라우드 서버
501 : DB 502 : AI 알고리즘 503 : 최적 모델 504 : 전처리부

Claims (12)

1. 사출성형기(10)에 설치된 에지 클러스터(20), 관제서버(40) 및 클라우드 서버(50)가 통신네트워크를 통해 연결되어 있는 AIoT 기반 사출제조 설비의 통합관리 시스템에 있어서,
   상기 에지 클러스터(20)는 공정변수를 측정하는 센서부(101), 공정조건을 변경하는 제어부(102), 데이터 흐름을 제어하는 에이전트부(103)를 포함하되,
   상기 에이전트부(103)는 적어도 하나 이상의 에이전트(21, 22)로 구성되고, 상기 각각의 에이전트(21, 22)는 통신부(211), 처리부(212), 수행엔진(213) 및 DB(214)를 구비하며,
   상기 처리부(212)는 상기 센서부(101)에서 전송받은 측정데이터와 상기 DB(214)에 저장된 기준데이터를 비교하여 기준범위에 있는지 여부를 판단하고, 기준범위 내의 정상상태로 판단된 측정데이터를 추출하여 클라우드 서버(50)로 전송할 수 있도록 구성되고,
   상기 클라우드 서버(50)는 전처리부(504), 데이터베이스(501), 기계학습 알고리즘(502)을 구비하되,
   상기 전처리부(504)는 전송받은 상기 정상상태로 판단된 측정데이터를 학습패턴 쌍의 구조로 변환하여 데이터베이스(501)에 누적저장할 수 있도록 구성하고,
   상기 클라우드 서버(50)는 상기 기계학습 알고리즘(502)을 통해 도출한 최적모델(503)을 상기 관제서버(40)로 전송하도록 구성되며,
   상기 관제서버(40)는 상기 최적모델(503)을 기반으로 성형조건에 대한 제어명령을 생성하여 상기 에지 클러스터(20)로 전송하도록 구성되고,
   상기 에지 클러스터(20)는 상기 제어명령에 따라 상기 사출성형기(10)의 성형조건과 관련된 구동수단을 제어하도록 구성되며,
   상기 에지 클러스터(20)와 상기 관제서버(40)는 MQTT브로커(30)를 통해 정보교환이 이루어지도록 구성한 것을 특징으로 하는 AIoT 기반 사출제조 설비의 통합관리 시스템
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 센서부(101)의 측정데이터는 물리적 특성에 따라 공정변수를 분류하여 그룹핑하고, 각 데이터 그룹에 특화된 에이전트와 기계학습 알고리즘을 통해 1단계의 최적모델(503)을 도출한 후,
   상기 1단계의 최적모델을 기반으로 새로운 학습패턴 쌍을 생성한 다음에 2단계의 기계학습을 통해 통합된 최적모델의 도출이 가능하도록 구성한 것을 특징으로 하는 AIoT 기반 사출제조 설비의 통합관리 시스템
6. 제5항에 있어서,
   상기 물리적 특성에 따라 분류하여 그룹핑되는 공정변수에는 온도, 습도, 사출속도 및 압력을 포함하는 것이 특징인 AIoT 기반 사출제조 설비의 통합관리 시스템
7. 제1항에 있어서,
   상기 처리부(212)는 센서부(101)에서 전송받은 측정데이터가 기준범위를 크게 벗어나는 경우에 경보를 발신할 수 있는 경보발생 수단을 더 포함하는 것이 특징인 AIoT 기반 사출제조 설비의 통합관리 시스템
8. 사출성형기(10)에 설치된 에지 클러스터(20), 관제서버(40) 및 클라우드 서버(50)가 통신네트워크를 통해 연결되어 있는 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법에 있어서,
   상기 사출성형기(10)의 가동준비 단계를 거친 후 생산을 시작하는 단계,
   상기 에지 클러스터(20)의 센서부(101)를 통해 공정변수를 측정하는 단계,
   상기 측정된 데이터를 에지 클러스터(20)의 처리부(212)에서 수집하고 설정된 기준값과 비교하여 정상상태 여부를 판단하는 단계,
   상기 정상상태 여부를 판단하는 단계에서 정상상태로 판단된 측정데이터를 상기 클라우드 서버(50)로 전송하고, 상기 클라우드 서버(50)의 전처리부(504)에서는 학습패턴 쌍의 구조로 변환하여 데이터베이스(501)에 누적시켜 저장하는 단계,
   상기 데이터베이스(501)의 누적데이터를 이용한 기계학습으로 도출한 최적모델(503)을 상기 관제서버(40)로 전송하는 단계,
   상기 관제서버(40)는 상기 최적모델(503)을 기반으로 제어명령을 생성하여 MQTT브로커(30)를 통해 상기 에지 클러스터(20)로 전달하는 단계,
   상기 에지 클러스터(20)의 제어수단 구동기능을 통해 상기 전달받은 제어명령이 실행되는 단계를 포함하여 이루어진 것이 특징인 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법
9. 제8항에 있어서,
   상기 가동준비 단계에서는 센서부(101)의 측정주기를 설정하되,
   상기 측정주기는 1사이클의 사출공정 시간에 포함된 단계별 공정시간 중 가장 짧은 공정시간을 기준으로 설정하는 것을 특징으로 하는 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법
10. 제8항에 있어서,
    상기 정상상태 여부를 판단하는 단계는 상기 에지 클러스터(20)의 처리부(212)가 센서부(101)에서 전송받은 측정데이터와 DB(214)에 저장된 기준데이터를 비교하여 기준범위에 있는지 여부를 판단하는 것을 특징으로 하는 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법
11. 제8항에 있어서,
    상기 데이터베이스(501)의 누적데이터를 이용한 기계학습으로 도출한 최적모델(503)을 상기 관제서버(40)로 전송하는 단계는 상기 센서부(101)에서 측정한 데이터의 물리적 특성에 따라 공정변수를 분류하여 그룹핑하고, 각 데이터 그룹에 특화된 에이전트와 기계학습 알고리즘을 통해 1단계의 최적모델(503)을 도출한 후,
    상기 1단계의 최적모델을 기반으로 한 새로운 학습패턴 쌍으로 기계학습을 진행하여 2단계의 통합된 최적모델을 도출하는 단계가 더 포함된 것을 특징으로 하는 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법
12. 제8항에 있어서,
    상기 정상상태 여부를 판단하는 단계에는 상기 센서부(101)에서 전송받은 측정데이터가 기준범위를 크게 벗어나는 것으로 판단되는 경우에 경보를 발신하는 단계가 더 포함되어 있는 것이 특징인 AIoT 기반 사출제조 설비의 통합관리 시스템의 운용방법
    

Images