KR102417702B1 - 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 - Google Patents
설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102417702B1 KR102417702B1 KR1020210001397A KR20210001397A KR102417702B1 KR 102417702 B1 KR102417702 B1 KR 102417702B1 KR 1020210001397 A KR1020210001397 A KR 1020210001397A KR 20210001397 A KR20210001397 A KR 20210001397A KR 102417702 B1 KR102417702 B1 KR 102417702B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- unit
- artificial intelligence
- processing
- 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
- 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는, 지능형 IoT 센서들을 이용하여 실시간 공정 데이터를 수집하고, 수집된 공정 데이터에 대한 설명 가능한 AI 알고리즘을 적용하여 최소의 비용으로 최대의 처리 생산성을 얻을 수 있는 최적 공정 데이터를 산출할 수 있는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것이다.
Description
본 발명은 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 유해물질 처리 공정에 따른 데이터를 수집하여 학습을 통해서, 최소의 비용으로 최대의 처리 생산성을 얻을 수 있는 최적 공정 데이터를 산출할 수 있는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법에 관한 것이다.
과거 전기설비, 발전장비 및 변압기 등에 사용되는 절연유(insulating oil)에는 PCBs(Polychlorinated Biphenyl)라는 유해물질이 포함되어 왔다.
상기 PCBs는 긴 수명을 보유하며 열과 화학적 변형에 저항력이 큰 성질을 가지고 있는 우수한 전기절연 물질로서, 과거 변압기 및 콘덴서의 절연유, 윤활유, 가소제 등의 졀연 효과를 기대하는 장비 및 소재에 널리 이용되어 왔다.
그렇지만, 상기 PCBs가 환경에서의 잔류성과 생물 내에서의 농축성, 발암성 등이 연구되고 이에 따른 인명 피해가 분석됨으로써, 유해물질로 지정되었으며, 더 이상의 사용을 불가하며, 기존에 이용되었던 PCBs를 안전하게 제거하는 작업이 요구되고 있다.
현재 이러한 PCBs 처리 공정은, 근무자의 지식이나 경험에 의지하여 반응기로의 PCBs와 공기의 투입량을 결정하고 있으며, 투입량에 따른 다양한 공정 제어(반응기의 온도 제어, 반응을 위한 촉매량 등) 역시도 근무자의 지식이나 경험에만 의지하고 있어, 비용 뿐 아니라 자원의 소모가 심각한 수준이다.
이와 관련해서, 국내등록특허 제10-0927799호("유입용 전력기기에 잔류한 PCBs와 전기 절연유의 동시 제거방법")에서는 가열온도를 낮게 하고 제거시간을 단축하기 위한 감압가열하여 PCBs를 증발 분리한 후 냉각 응축시켜 동시 제거하는 방법을 개시하고 있다.
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 지능형 IoT 센서들을 이용하여 실시간 공정 데이터를 수집하고, 수집된 공정 데이터에 대한 설명 가능한 AI 알고리즘을 적용하여 최소의 비용으로 최대의 처리 생산성을 얻을 수 있는 최적 공정 데이터를 산출할 수 있는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템은, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집부(100), 상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성부(200), 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 제외한 결핍 학습 데이터를 생성하는 결핍 데이터 생성부(300), 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습부(400), 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습부(500), 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에서, 각각의 예측 데이터를 출력하는 학습 처리부(600) 및 상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석부(700)를 포함하는 것이 바람직하다.
더 나아가, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것이 바람직하다.
더 나아가, 상기 학습 데이터 생성부(200)는 기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 학습 처리부(600)는 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 따라, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것이 바람직하다.
더 나아가, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하다.
더 나아가, 상기 분석부(700)는 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법은, 데이터 수집부에서, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집단계(S100), 학습 데이터 생성부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S200), 결핍 데이터 생성부에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 둘 이상의 결핍 학습 데이터들을 생성하는 결핍 데이터 생성단계(S300), 기준 학습부에서, 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습단계(S400), 결핍 학습부에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습단계(S500), 학습 처리부에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 학습 처리단계(S600) 및 분석부에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석단계(S700)를 포함하는 것이 바람직하다.
더 나아가, 상기 학습 데이터 생성단계(S200)는 기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 학습 처리단계(S600)는 각각의 예측 데이터로 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 의한 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것이 바람직하다.
더 나아가, 상기 분석단계(700)는 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.
상기와 같은 구성에 의한 본 발명의 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은 유해물질의 제거 처리를 수행하는 과정에서의 공정 데이터들을 수집하고 수집한 공정 데이터들에 대한 AI 알고리즘을 적용하여, 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있는 장점이 있다.
특히, 기계학습 기법에 사용되는 학습 데이터(입력 데이터)에 의도적인 결핍을 발생시킨 후, 이를 학습한 결핍 모델과, 결핍이 존재하지 않는 전체 학습 데이터를 학습한 기준 모델을 동시에 운영하여, 입력 데이터에 대한 결과가 각 모델이 상이함을 이용하여, 의도적으로 결핍시킨 데이터를 통해 기준 모델에서 출력된 결과의 원인을 유추하여, 각 공정 데이터값을 최적화하여 조절 제어할 수 있는 장점이 있다.
뿐만 아니라, 학습 데이터에 의도적인 결핍을 발생시킨 결핍 학습 데이터를 다중으로 생성하고, 다중의 기계학습 모델들을 이용하여 각각 학습시킴으로써, 보다 정확하게 각 공정 데이터값을 최적화하여 조절 제어값을 유추할 수 있는 장점이 있다.
즉, 문제(불필요한 자원의 소모 등)가 발생한 원인을 비교적 정확하게 특정하여 분석할 수 있어, 이를 통해 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 나타낸 순서 예시도이다.
도 2는 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 나타낸 순서 예시도이다.
이하 첨부한 도면들을 참조하여 본 발명의 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 유해물질 처리 공정이 이루어지는 처리 모듈에 IoT 센서들을 설치 결합하여, 공정이 진행됨에 따라 발생되는 데이터들을 수집하고, 수집 데이터들을 설명 가능한 인공지능 기법을 이용하여 학습 처리함으로써, 유해물질 처리 공정이 진행되는 과정의 최적 데이터 제어값을 예측 및 도출할 수 있는 시스템 및 그 방법에 관한 것이다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 원활한 설명을 위해 유해물질로 PCBs를 한정하였으나, 이는 본 발명의 일 실시예에 불과하며, 다양한 유해물질 처리 공정에 적용될 수 있음이 당연하다.
PCBs를 제거하는 공정에서 수집 가능한 데이터의 종류로는 제거하고자 하는 PCBs 투입량, 반응에 필요한 공기의 투입량, 제거 공정이 수행되는 반응기의 온도값, 반응기의 온도 제어를 위한 공급 전력량, 반응에 필요한 촉매제 투입량 등을 수집할 수 있으며, 각각의 데이터들은 상술한 바와 같이, 유해물질 처리 공정이 이루어지는 처리 모듈에 설치 결합되어 있는 지능형 IoT 센서들을 통해서 수집되는 것이 바람직하다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 상술한 공정 데이터들을 수집하고 수집한 공정 데이터들에 대한 AI 알고리즘을 적용하여, 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정하는 것이 바람직하다.
즉, 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법은, 서로 연계되어 있는 제거하고자 하는 PCBs 투입량, 반응에 필요한 공기의 투입량, 제거 공정이 수행되는 반응기의 온도값, 반응기의 온도 제어를 위한 공급 전력량, 반응에 필요한 촉매제 투입량 등이 종래에는 작업자의 지식이나 경험에 의지하여 투입량 제어가 이루어졌으나, 이 경우 지나치게 많은 촉매제가 투입되는 등, 불필요한 자원의 소모가 발생할 수 있기 때문에, 이를 해소하기 위함이다.
이 때, 수집되는 데이터가 상술한 바와 같이, 작업자의 지식이나 경험에 의지하여 제어되는 데이터들이기 때문에, 수집되는 데이터가 최상의 데이터라고 확신할 수가 없게 된다. 그렇기 때문에, 수집된 데이터를 그대로 학습한 인공지능 기법에 의한 학습 모델과, 전략적으로 의도적인 결핍을 발생시켜 학습한 설명 가능한 인공지능 기법에 의한 학습 모델을 동시에 운영하여, 입력 데이터에 대한 결과가 각 모델이 상이함을 이용하여, 의도적으로 결핍시킨 데이터를 통해 기준 모델에서 출력된 결과의 원인을 유추할 수 있다.
특히, 학습 데이터에 의도적인 결핍을 발생시킨 결핍 학습 데이터를 다중으로 생성하고, 다중의 기계학습 모델들을 이용하여 각각 학습시킴으로써, 보다 정확하게 탐지의 원인을 유추할 수 있다.
이를 통해서, 문제(불필요한 자원의 소모 등)가 발생한 원인을 비교적 정확하게 특정하여 분석할 수 있어, 이를 통해 투입된 PCBs를 제거하는데 최소의 비용으로 최대의 제거량을 얻기 위한 최적의 투입량의 제어값을 결정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 나타낸 구성도이며, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템을 상세히 설명한다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템은 도 1에 도시된 바와 같이, 데이터 수집부(100), 학습 데이터 생성부(200), 결핍 데이터 생성부(300), 기준 학습부(400), 결핍 학습부(500), 학습 처리부(600) 및 분석부(700)를 포함하여 구성되는 것이 바람직하다. 또한, 각 구성들에서 발생하는 데이터들을 전송받아, 이를 데이터베이스화하여 저장 및 관리하는 데이터베이스부(미도시)를 더 포함하여 구성되는 것이 바람직하며, 각 구성들은 하나의 연산처리수단 또는 각각의 연산처리수단에 구성되어 동작을 수행하게 된다.
각 구성에 대해서 자세히 알아보자면,
상기 데이터 수집부(100)는 미리 구비된 수집수단들, 다시 말하자면, 상기 지능형 IoT 센서들을 통해서, 유해물질 처리 공정에서의 생성 데이터들을 수집하는 것이 바람직하다.
이 때, 상기 데이터 수집부(100)를 통해서는 유해물질 처리 공정에서의 다양한 생성 데이터들이 수집되게 된다. 그렇기 때문에, 상기 학습 데이터 생성부(200)를 통해서, 필요한 특성들만을 분석하는 것이 바람직하다.
즉, 상기 학습 데이터 생성부(200)는 상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 미리 설정된 특성들을 분석하는 것이 바람직하다.
상세하게는, 상기 학습 데이터 생성부(200)를 통해서 분석하고자 하는 특성들로는 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하며, 더 나아가, 반응수단의 스펙 정보를 포함하여 온도 제어에 따른 필요 공급전원, 이 때 발생하는 비용 등, 최소의 비용으로 최대의 생산성을 얻기 위한 다양한 투입 비용을 포함하여 분석하는 것이 바람직하다.
상기 학습 데이터 생성부(200)는 상기 수집 데이터들의 특성들을 분석한 후, 분석한 특성(feature set)을 이용하여 인공지능 학습을 위한 학습 데이터로 생성하는 것이 바람직하다. 즉, 분석한 특성들을 정형화하여 학습 데이터로 생성하는 것이 바람직하다. 정형화란, 데이터 분석을 수행하기 위해, 문자, 문자열, 정수형 등의 다양한 데이터를 수치화하는 것을 의미한다.
이 때, 상기 학습 데이터 생성부(200)를 통해서 생성되는 학습 데이터는 모든 특성들을 포함하여 구성되는 것이 바람직하다.
상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 임의로 제외한(결핍시켜) 결핍 학습 데이터를 생성하는 것이 바람직하다. 다시 말하자면, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 정형화된 학습 데이터를 토대로 일부 항목의 데이터들을 임의로 결핍시켜 다수의 결핍 학습 데이터들을 생성할 수 있다.
일 예를 들자면, 제1 결핍 학습 데이터는 '공기 투입량 데이터'가 결핍된 채 생성될 수 있다.
이 때, 상기 결핍 데이터 생성부(300)는 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것이 바람직하다. 즉, 통상적으로 학습 데이터에 포함되는 특성들이 단일 특성이 아니기 때문에, 어느 하나의 특성만을 결핍시키거나, 하나의 특성에 연관되어 있는 소특성들을 결핍시킨 채로 상기 결핍 학습 데이터를 생성해야만, 추후에 학습을 통해서 학습 모델에 의한 결과 분석이 상이하게 나온 이유를 정확히 판단할 수 있어, 말 그대로 설명 가능한 인공지능 기법의 활용할 수 있다.
상기 기준 학습부(400)는 적어도 하나의 인공지능 기법을 이용하여 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하며, 상기 결핍 학습부(500)는 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 것이 바람직하다.
즉, 상기 결핍 학습부(500)는 다수 개의 기계학습 기법을 이용하여 각각 상이한 상기 결핍 학습 데이터에 대한 학습을 수행함으로써, 다중 기계학습 기법을 활용하는 것이 바람직하다.
상기 학습 처리부(600)는 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 의한 각각의 예측 데이터를 출력하는 것이 바람직하다.
상세하게는, 상기 학습 처리부(600)는 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 실시간으로 수집되어 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 분석하여, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력되는 것이 바람직하다.
즉, 상기 학습 처리부(600)는 상기 기준 학습부(400)와 결핍 학습부(500)에 의해 학습이 완료되면, 그 이후 시점에서부터 수집되는 유해물질 처리 공정 데이터로부터 특성 데이터를 추출하고, 추출한 특성 데이터를 각각의 학습 결과 모델(AI 학습 모델과 둘 이상의 XAI 학습 모델)에 적용함으로써, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측할 수 있다.
상기 분석부(700)는 상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 것이 바람직하다.
각각의 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들은 최적의 예측 데이터를 분석한 결과이지만, 학습 데이터가 상이한 만큼, 다시 말하자면, AI 학습 모델은 온전한 학습 데이터를 학습하였고, 둘 이상의 XAI 학습 모델은 온전한 학습 데이터를 기준으로 특정 항목들이 결합된 학습 데이터를 학습한 만큼, 각각의 최적 예측 데이터가 상이하게 나타나는 것은 당연하다.
이를 이용하여, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하며, 이 후, 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.
다시 말하자면, 상기 분석부(700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여, 최대 오차 범위를 갖는 예측 데이터를 추출하고, 추출한 예측 데이터에 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터의 특성 구성 변경(학습 데이터 기준으로)을 분석하여, 최대 오차 범위를 발생시킨 특성 데이터를 특정할 수 있다.
특정한 최대 오차 범위를 발생시킨 특성 데이터를 조정하여, 다시 한번 상기 학습 처리부(600)를 통해 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 분석을 수행하고, 상기 분석부(700)를 통한 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석을 수행함으로써, 유사도 오차가 최소화될 수 있는 가장 최적의 공정 데이터, 그리고 그 공정 데이터로의 추종을 위한 제어값을 산출할 수 있다.
도 2는 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 나타낸 순서도이며, 도 2를 참조로 하여 본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법을 상세히 설명한다.
본 발명의 일 실시예에 따른 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법은 도 2에 도시된 바와 같이, 데이터 수집단계(S100), 학습 데이터 생성단계(S200), 결핍 데이터 생성단계(S300), 기준 학습단계(S400), 결핍 학습단계(S500), 학습 처리단계(S600) 및 분석단계(S700);를 포함하여 구성되는 것이 바람직하다.
각 단계에 대해서 자세히 알아보자면,
상기 데이터 수집단계(S100)는 상기 데이터 수집부(100)에서, 미리 구비된 수집수단들, 다시 말하자면, 상기 지능형 IoT 센서들을 통해서, 유해물질 처리 공정에서의 생성 데이터들을 수집하는 것이 바람직하다.
상기 학습 데이터 생성단계(S200)는 상기 학습 데이터 생성부(200)에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 미리 설정된 특성들을 분석하는 것이 바람직하다.
상세하게는, 상기 학습 데이터 생성단계(S200)를 통해서 분석하고자 하는 특성들로는 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것이 바람직하며, 더 나아가, 반응수단의 스펙 정보를 포함하여 온도 제어에 따른 필요 공급전원, 이 때 발생하는 비용 등, 최소의 비용으로 최대의 생산성을 얻기 위한 다양한 투입 비용을 포함하여 분석하는 것이 바람직하다.
상기 학습 데이터 생성단계(S200)는 상기 수집 데이터들의 특성들을 분석한 후, 분석한 특성(feature set)을 이용하여 인공지능 학습을 위한 학습 데이터로 생성하는 것이 바람직하다. 즉, 분석한 특성들을 정형화하여 학습 데이터로 생성하는 것이 바람직하다. 정형화란, 데이터 분석을 수행하기 위해, 문자, 문자열, 정수형 등의 다양한 데이터를 수치화하는 것을 의미한다.
이 때, 상기 학습 데이터 생성단계(S200)를 통해서 생성되는 학습 데이터(기준 학습 데이터)는 모든 특성들을 포함하여 구성되는 것이 바람직하다.
상기 결핍 데이터 생성단계(S300)는 상기 결핍 데이터 생성부(300)에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 전달받아, 상기 학습 데이터를 이루고 있는 특성들 중 미리 설정된 일부 항목들을 임의로 제외한(결핍시켜) 결핍 학습 데이터를 생성하는 것이 바람직하다.
다시 말하자면, 상기 결핍 데이터 생성단계(S300)는 상기 학습 데이터 생성단계(S200)에 의해 정형화된 학습 데이터를 토대로 일부 항목의 데이터들을 임의로 결핍시켜 다수의 결핍 학습 데이터들을 생성할 수 있다.
이 때, 상기 결핍 데이터 생성단계(S300)는 둘 이상의 상기 결핍 학습 데이터를 생성하는 것이 바람직하다. 즉, 통상적으로 학습 데이터에 포함되는 특성들이 단일 특성이 아니기 때문에, 어느 하나의 특성만을 결핍시키거나, 하나의 특성에 연관되어 있는 소특성들을 결핍시킨 채로 상기 결핍 학습 데이터를 생성해야만, 추후에 학습을 통해서 학습 모델에 의한 결과 분석이 상이하게 나온 이유를 정확히 판단할 수 있어, 말 그대로 설명 가능한 인공지능 기법의 활용할 수 있다.
상기 기준 학습단계(S400)는 상기 기준 학습부(400)에서, 적어도 하나의 인공지능 기법을 이용하여 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 것이 바람직하며, 상기 결핍 학습단계(S500)는 상기 결핍 학습부(500)에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 것이 바람직하다.
즉, 상기 결핍 학습단계(S500)는 다수 개의 기계학습 기법을 이용하여 각각 상이한 상기 결핍 학습 데이터에 대한 학습을 수행함으로써, 다중 기계학습 기법을 활용하는 것이 바람직하다.
상기 학습 처리단계(S600)는 상기 학습 처리부(600)에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 것이 바람직하다.
상세하게는, 상기 학습 처리단계(S600)는 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여, 실시간으로 수집되어 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 분석하여, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력되는 것이 바람직하다.
즉, 상기 학습 처리단계(S600)는 상기 기준 학습단계(S400)에 의한 학습과 상기 결핍 학습단계(S500)에 의한 학습이 완료되면, 그 이후 시점에서부터 수집되는 유해물질 처리 공정 데이터로부터 특성 데이터를 추출하고, 추출한 특성 데이터를 각각의 학습 결과 모델(AI 학습 모델과 둘 이상의 XAI 학습 모델)에 적용함으로써, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측할 수 있다.
상기 분석단계(S700)는 상기 분석부(700)에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 것이 바람직하다.
각각의 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들은 최적의 예측 데이터를 분석한 결과이지만, 학습 데이터가 상이한 만큼, 다시 말하자면, AI 학습 모델은 온전한 학습 데이터를 학습하였고, 둘 이상의 XAI 학습 모델은 온전한 학습 데이터를 기준으로 특정 항목들이 결합된 학습 데이터를 학습한 만큼, 각각의 최적 예측 데이터가 상이하게 나타나는 것은 당연하다.
이를 이용하여, 상기 분석단계(S700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하는 것이 바람직하며, 이 후, 최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것이 바람직하다.
이를 통해서, 상기 분석단계(S700)는 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여, 최대 오차 범위를 갖는 예측 데이터를 추출하고, 추출한 예측 데이터에 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터의 특성 구성 변경(학습 데이터 기준으로)을 분석하여, 최대 오차 범위를 발생시킨 특성 데이터를 특정할 수 있다.
특정한 최대 오차 범위를 발생시킨 특성 데이터를 조정하여, 다시 한번 상기 학습 처리단계(S600)를 수행하여 AI 학습 모델과 둘 이상의 XAI 학습 모델들을 이용하여 예측 데이터를 출력하고, 상기 분석단계(S700)를 수행하여 AI 학습 모델에 의한 예측 데이터와 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 비교 분석을 수행함으로써, 유사도 오차가 최소화될 수 있는 가장 최적의 공정 데이터, 그리고 그 공정 데이터로의 추종을 위한 제어값을 산출할 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 데이터 수집부
200 : 학습 데이터 생성부
300 : 결핍 데이터 생성부
400 : 기준 학습부
500 : 결핍 학습부
600 : 학습 처리부
700 : 분석부
200 : 학습 데이터 생성부
300 : 결핍 데이터 생성부
400 : 기준 학습부
500 : 결핍 학습부
600 : 학습 처리부
700 : 분석부
Claims (10)
- 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집부(100);
상기 데이터 수집부(100)에서 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성부(200);
상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 제외한 결핍 학습 데이터를 생성하는 결핍 데이터 생성부(300);
적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습부(400);
둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성부(300)에서 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습부(500);
입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 이용하여, 상기 기준 학습부(400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습부(500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에서, 각각의 예측 데이터를 출력하는 학습 처리부(600); 및
상기 학습 처리부(600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 수행하여 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석부(700);
를 포함하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
- 제 1항에 있어서,
상기 결핍 데이터 생성부(300)는
상기 학습 데이터 생성부(200)에서 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 상기 결핍 학습 데이터를 둘 이상 생성하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
- 제 1항에 있어서,
상기 학습 데이터 생성부(200)는
기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
- 제 3항에 있어서,
상기 학습 처리부(600)는
입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 따라, 입력된 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
- 삭제
- 제 4항에 있어서,
상기 분석부(700)는
최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템.
- 데이터 수집부에서, 기구비된 수집수단들을 통해서 유해물질 처리 공정에서의 데이터들을 수집하는 데이터 수집단계(S100);
학습 데이터 생성부에서, 상기 데이터 수집단계(S100)에 의해 수집한 상기 수집 데이터들의 기설정된 특성들을 분석하여, 인공지능 학습을 위한 학습 데이터로 생성하는 학습 데이터 생성단계(S200);
결핍 데이터 생성부에서, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터를 이용하여, 상기 학습 데이터를 이루고 있는 특성들 중 기설정된 일부 항목들을 각각 상이하게 제외하면서, 둘 이상의 결핍 학습 데이터들을 생성하는 결핍 데이터 생성단계(S300);
기준 학습부에서, 적어도 하나의 인공지능 기법을 이용하여, 상기 학습 데이터 생성단계(S200)에 의해 생성한 상기 학습 데이터에 대한 학습을 수행하는 기준 학습단계(S400);
결핍 학습부에서, 둘 이상의 설명 가능한 인공지능 기법을 이용하여, 상기 결핍 데이터 생성단계(S300)에 의해 생성한 상기 결핍 학습 데이터에 대한 각각의 학습을 수행하는 결핍 학습단계(S500);
학습 처리부에서, 유해물질 처리 공정에서의 적어도 하나의 특성 데이터를 입력받아, 상기 기준 학습단계(S400)의 학습 결과에 따른 AI 학습 모델과 상기 결핍 학습단계(S500)의 학습 결과에 따른 둘 이상의 XAI 학습 모델에 적용하여, 각각의 예측 데이터를 출력하는 학습 처리단계(S600); 및
분석부에서, 상기 학습 처리단계(S600)에 의한 AI 학습 모델에 의한 예측 데이터를 기준으로 둘 이상의 XAI 학습 모델에 의한 예측 데이터들을 각각의 유사도 비교 분석을 통해, 최대 오차값을 갖는 예측 데이터를 추출하여, 유해물질 처리를 위한 공정 데이터의 제어값을 산출하는 분석단계(S700);
를 포함하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
- 제 7항에 있어서,
상기 학습 데이터 생성단계(S200)는
기설정된 특성들로 유해물질 투입량 데이터, 공기 투입량 데이터, 반응수단의 온도 제어 데이터, 반응수단의 공급 전원 데이터 및 촉매제 투입량 데이터를 포함하여 구성되는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
- 제 7항에 있어서,
상기 학습 처리단계(S600)는
각각의 예측 데이터로 입력되는 유해물질 처리 공정에서의 적어도 하나의 특성 데이터에 의한 특성 데이터를 제외한 나머지 특성 데이터들의 예측하여 출력하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
- 제 7항에 있어서,
상기 분석단계(700)는
최대 오차값을 갖는 예측 데이터를 추출한 XAI 학습 모델을 특정하고, 해당하는 XAI 학습 모델이 학습한 결핍 학습 데이터에서 제외한 항목을 분석하여, 해당 항목에 대한 제어값을 산출하는 것을 특징으로 하는 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210001397A KR102417702B1 (ko) | 2021-01-06 | 2021-01-06 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210001397A KR102417702B1 (ko) | 2021-01-06 | 2021-01-06 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102417702B1 true KR102417702B1 (ko) | 2022-07-07 |
Family
ID=82399016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210001397A KR102417702B1 (ko) | 2021-01-06 | 2021-01-06 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102417702B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230126074A (ko) * | 2022-02-22 | 2023-08-29 | 백석대학교산학협력단 | 포인트 클라우드를 이용한 블록체인 기반 설명 가능한 인공지능 시스템 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100927799B1 (ko) | 2009-03-04 | 2009-11-20 | 주식회사엠제이 | 유입용 전력기기에 잔류한 PCBs와 전기 절연유의 동시 제거방법 |
US20150019214A1 (en) * | 2013-07-10 | 2015-01-15 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
KR101828503B1 (ko) * | 2017-08-23 | 2018-03-29 | 주식회사 에이젠글로벌 | 앙상블 모델 생성 장치 및 방법 |
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
KR101988350B1 (ko) * | 2018-03-30 | 2019-09-30 | (주)대우건설 | 가상 공정모듈을 이용한 검측 및 공사일보 ai 분석을 통한 자동 현장 공정 관리 시스템 |
KR20190118332A (ko) * | 2018-04-10 | 2019-10-18 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
KR20200071876A (ko) * | 2018-12-06 | 2020-06-22 | 주식회사 씨에스앤씨 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
KR102139358B1 (ko) * | 2020-04-22 | 2020-07-29 | 한국생산기술연구원 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
KR102183335B1 (ko) * | 2019-10-24 | 2020-11-27 | 주식회사 딥핑소스 | 프라이버시를 위하여 데이터를 컨실링 처리할 수 있는 변조 네트워크에 대응되는 적응 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고 이를 이용한 학습 장치 및 테스트 장치 |
KR20200135171A (ko) * | 2019-05-24 | 2020-12-02 | 주식회사 루닛 | 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 |
-
2021
- 2021-01-06 KR KR1020210001397A patent/KR102417702B1/ko active IP Right Grant
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100927799B1 (ko) | 2009-03-04 | 2009-11-20 | 주식회사엠제이 | 유입용 전력기기에 잔류한 PCBs와 전기 절연유의 동시 제거방법 |
US20150019214A1 (en) * | 2013-07-10 | 2015-01-15 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
KR101828503B1 (ko) * | 2017-08-23 | 2018-03-29 | 주식회사 에이젠글로벌 | 앙상블 모델 생성 장치 및 방법 |
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
KR101988350B1 (ko) * | 2018-03-30 | 2019-09-30 | (주)대우건설 | 가상 공정모듈을 이용한 검측 및 공사일보 ai 분석을 통한 자동 현장 공정 관리 시스템 |
KR20190118332A (ko) * | 2018-04-10 | 2019-10-18 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
KR20200071876A (ko) * | 2018-12-06 | 2020-06-22 | 주식회사 씨에스앤씨 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
KR20200135171A (ko) * | 2019-05-24 | 2020-12-02 | 주식회사 루닛 | 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 |
KR102183335B1 (ko) * | 2019-10-24 | 2020-11-27 | 주식회사 딥핑소스 | 프라이버시를 위하여 데이터를 컨실링 처리할 수 있는 변조 네트워크에 대응되는 적응 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고 이를 이용한 학습 장치 및 테스트 장치 |
KR102139358B1 (ko) * | 2020-04-22 | 2020-07-29 | 한국생산기술연구원 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230126074A (ko) * | 2022-02-22 | 2023-08-29 | 백석대학교산학협력단 | 포인트 클라우드를 이용한 블록체인 기반 설명 가능한 인공지능 시스템 |
KR102674141B1 (ko) | 2022-02-22 | 2024-06-11 | 백석대학교산학협력단 | 포인트 클라우드를 이용한 블록체인 기반 설명 가능한 인공지능 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117495210B (zh) | 公路混凝土施工质量管理*** | |
JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
KR102417702B1 (ko) | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 | |
Linda et al. | Computational intelligence based anomaly detection for building energy management systems | |
CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及*** | |
Gaska et al. | A high-performance computing (HPC) based integrated multithreaded model predictive control (MPC) for water supply networks | |
CN117151649A (zh) | 基于大数据分析的施工方法管控***及方法 | |
Zhao et al. | Incorporation TACOM and SPAR-H into the operating procedure of nuclear power plants | |
CN115878498A (zh) | 一种基于机器学习预测程序行为的关键字节提取方法 | |
Appel et al. | Comprehensive Analysis Competence and Innovative Approaches for Sustainable Chemical Production | |
US20230135550A1 (en) | Methods and devices for determining a product quality | |
JP2019139319A (ja) | 物流管理装置、物流管理方法及びプログラム | |
CN110533159B (zh) | 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法 | |
KR20220101262A (ko) | 원자력발전소 4d 시뮬레이션 장치 | |
Li et al. | Qualitative/quantitative simulation of process temporal behavior using clustered fuzzy digraphs | |
Allison et al. | Digital Twin-Enhanced Methodology for Training Edge-Based Models for Cyber Security Applications | |
EP3916496A1 (en) | An industrial process model generation system | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
Mora-Torres et al. | Analysis and design of the knowledge representation for the implementation of a distributed reasoning | |
CN115080968B (zh) | 一种带有智能安全防护的人工智能服务器 | |
Schaich et al. | Qualitative modelling and simulation of chemical reaction systems | |
CN118133206B (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
Juuso et al. | Intelligent dynamic simulation of batch cooking | |
Chang et al. | An integrated approach for operational knowledge acquisition of refuse incinerators | |
Feng et al. | A Real-Time Platform for Assessment of Chiller-Side Demand Response Strategies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |