KR102443618B1 - 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 - Google Patents
생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 Download PDFInfo
- Publication number
- KR102443618B1 KR102443618B1 KR1020200151096A KR20200151096A KR102443618B1 KR 102443618 B1 KR102443618 B1 KR 102443618B1 KR 1020200151096 A KR1020200151096 A KR 1020200151096A KR 20200151096 A KR20200151096 A KR 20200151096A KR 102443618 B1 KR102443618 B1 KR 102443618B1
- Authority
- KR
- South Korea
- Prior art keywords
- tray
- unit
- facility
- facilities
- prediction model
- 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
- G06Q10/0637—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
본 발명은 다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서, 트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고, (a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계; (b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; 및 (c) 모델링부(130)는 상기 트레이의 경로와 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하는, 방법을 제공한다.
Description
본 발명은 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법에 관한 것이다.
2차 전지 트레이와 같은 제조품들에 대한 설비의 효율적인 관리는 제조 공정의 다양한 요소가 모니터링될 것을 필요로 한다. 이 중 가장 중요한 결정들 중 하나는 임의의 소정의 시간에 각 설비를 이동할 때, 어느 경로가 선택되어야 하는지 이고, 어느 경로가 선택되는 지에 따라, 물류의 지연여부가 달라진다.
물류의 지연은 설비를 운영하는데 있어, 결정적인 영향을 주기에 매우 중요한 요소로, 어느 경로를 선택하였을 때 물류의 지연이 발생하는지 확인하는 것은 중요하며, 다수의 제품이 설비를 이동 시 어느 경로를 선택하였을 때 시스템의 효율적인 운영을 위해 시스템의 운영이 최적화되는지 판단하는 것은 필수적이다.
특히, 이러한 물류 시스템은 동적인 시스템으로서, 운송되는 물품의 개수의 변동과 경로의 변동에 따라 예측되었던 시간과 실제로 확인되는 도착시간 사이에 차이가 발생하는 바, 어느 설비에서 물류의 지연이 발생하는지 예측하기는 어려웠다.
종래에는, MES(Manufacturing Execution System)와 AMHS(automated material handling system)과 같은 시스템을 사용하였으나. 두 시스템에 의존하여 생산 시스템을 관리할 경우, 동적인 물류에 의한 판단의 결여로 설비를 효율적으로 이용하지 못하게 되고, 제조에 악영향을 미치게 되는 문제가 있었다.
(특허문헌 1) 한국공개특허공보 제10-2010-0052634호
(특허문헌 2) 한국등록특허공보 제10-0976871호
(특허문헌 3) 일본등록특허공보 제3843816호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
구체적으로, 본 발명은 생산 관리 시스템을 이용하여 물류의 경로 및 이동되는 설비 순서에 따른 지연 예측 모델을 생성하기 위함이다.
또한, 본 발명은 지연 예측 모델을 생성하여, 해당 경로 및 이동되는 설비 순서로 이동할 때의 물류의 지연 여부를 판단하고, 지연이 최소로 발생하도록 각 물류의 이동 경로를 결정하기 위함이다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서, 트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고, (a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계; (b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; (c) 모델링부(130)는 상기 트레이의 식별자, 상기 트레이의 경로및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하는, 방법을 제공한다.
일 실시예는, 상기 (c)단계 이후, (d) 입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력되는 단계; (e) 시뮬레이션부(220)는 상기 지연 예측 모델에 따라 동작되며, 상기 시뮬레이션부(220)는 상기 입력데이터를 전송받고, 출력부(230)가 상기 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력하는 단계; 및 (f) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 어느 하나의 설비에서의 트레이의 지연 여부를 판단하는 단계; 를 포함할 수 있다.
일 실시예는, 상기 (f)단계는, (f1) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 상기 어느 하나의 설비에서 트레이가 운송지연인 것으로 판단하는 단계; 및 (f2) 상기 시뮬레이션부(220)는 상기 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 상기 어느 하나의 설비에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함할 수 있다.
일 실시예는, 상기 (f)단계는, (f3) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 상기 어느 두 설비 사이에서 트레이가 운송지연인 것으로 판단하는 단계; 및 (f4) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 상기 어느 두 설비 사이에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함할 수 있다.
일 실시예는, 상기 (f)단계 이후, (g) 상기 시뮬레이션부(220)는 상기 (f)단계에서 판단한 데이터를 기초로 하여, MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 및 (h) 상기 MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되는 단계; 를 포함할 수 있다.
일 실시예는, 상기 (g)단계는, (g1) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 상기 설비 중 어느 하나로 이동되는 트레이를 상기 운송정상인 다른 설비로 트레이의 경로를 변경하도록 상기 MES부(240) 및 상기 AMHS부(250)에 지시하거나 또는 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및 (g2) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 포함할 수 있다.
일 실시예는, 상기 (g)단계는, (g3) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및 (g4) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 더 포함할 수 있다.
일 실시예는, 상기 (c)단계는, 상기 모델링부(130)가 상기 트레이 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이의 이동 경과 시간과 상기 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성하는 단계;를 포함할 수 있다.
본 발명의 다른 실시예는, 상기 방법이 수행되는, 시스템을 제공한다.
본 발명의 다른 실시예는, 상기 방법이 수행되도록 저장매체에 기록되는 프로그램을 제공한다.
본 발명에 따라, 다음과 같은 효과가 달성된다.
본 발명은 생산 관리 시스템을 이용하여 물류의 경로 및 이동되는 설비 순서에 따른 지연 예측 모델을 생성할 수 있다.
또한, 본 발명은 지연 예측 모델을 생성하여, 해당 경로 및 이동되는 설비 순서로 이동할 때의 물류의 지연 여부를 판단하고, 지연이 최소로 발생하도록 각 물류의 이동 경로를 결정할 수 있는 바, 최적화된 물류 이동이 가능하다.
도 1은 본 발명에 따른 트레이가 이동되는 경로를 설명하기 위한 개략도이다.
도 2는 본 발명에 따른 지연 예측 모델 생성 방법을 설명하기 위한 모식도이다.
도 3은 본 발명에 따라 이동되는 설비의 순서에 따라, 각 물류를 분류하고, 모델링부가 도착시간을 연산하는 것을 설명하기 위한 도면이다.
도 4는 본 발명에 따라 공장에서 이동되는 트레이를 예시적으로 설명하기 위한 도면이다.
도 2는 본 발명에 따른 지연 예측 모델 생성 방법을 설명하기 위한 모식도이다.
도 3은 본 발명에 따라 이동되는 설비의 순서에 따라, 각 물류를 분류하고, 모델링부가 도착시간을 연산하는 것을 설명하기 위한 도면이다.
도 4는 본 발명에 따라 공장에서 이동되는 트레이를 예시적으로 설명하기 위한 도면이다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.
또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명에 따른 방법은, 학습모듈(100) 및 시뮬레이션 모듈(200)을 포함한다.
도 1 내지 도 4를 참조하여, 본 발명에 따라 지연 예측 모델 생성 방법에 대하여 설명한다.
학습 모듈(100)은 미리 수집된 트레이 데이터를 바탕으로, 지연 예측 모델을 생성한다. 또한, 학습 모듈(100)은 이후 새로운 트레이 데이터를 입력받아 지연 예측 모델을 더 학습시킬 수 있다.
학습 모듈(100)은 트레이 데이터 수집부(110), 트레이 데이터 가공부(120) 및 모델링부(130)를 포함한다. 이에 대한 자세한 설명은 후술한다.
시뮬레이션 모듈(200)은 생성된 지연 예측 모델을 이용하여 입력 데이터의 지연 여부를 판단하고, 공장을 제어하기 위한 모듈이다.
시뮬레이션 모듈(200)은 입력부(210), 시뮬레이션부(220), 출력부(230), MES부(240) 및 AMHS부(250)를 포함한다. 이에 대한 자세한 설명은 후술한다.
트레이 데이터 수집부(110)에 미리 수집된 트레이 데이터가 입력된다.
트레이 데이터는 트레이 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함한다.
트레이 식별자는 각 트레이를 구분할 수 있도록, 각 트레이 마다 미리 설정되는 식별요소를 의미하며, 본 발명에서 각 트레이는 각각 식별될 수 있고, 이후 시뮬레이션부(220)에서 각각 식별되어 학습될 수 있다.
트레이의 경로는 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서를 의미한다. 도 1을 참조하면, 트레이의 경로는 A, B, C, D, E이다.
이하, 설비의 종류는 다수 개이고, 같은 종류의 설비는 다수이며, 같은 종류의 설비로 진입하는 컨베이어 벨트는 단일한 것으로 서술하나, 이에 제한되는 것은 아니다.
이 때, 하나의 트레이에는 다수의 제품을 놓이며, 하나의 트레이가 다수의 제품을 운송한다.
이 때, 각각의 트레이는 동일한 제품의 개수를 포함하는 것으로 가정하여 설명하나, 이에 제한되는 것은 아니다. 예를 들어, 트레이 마다 놓인 제품의 개수는 다를 수 있고, 이 경우에는 후술하는 모델링부(130)가 각 트레이 마다 포함하는 제품의 개수를 입력으로 하여 지연 예측 모델을 생성할 수 있다.
이 때, 트레이 데이터는 산업현장에서 다수의 트레이가 다양한 경로로 동시다발적으로 운송되면서 미리 수집된 데이터를 의미할 수 있다.
트레이 데이터 가공부(120)는 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산한다.
즉, 트레이 데이터 가공부(120)는 트레이 데이터가 각 설비 통과 시각에 대한 정보를 포함하는 바, 각 설비에 어느 시점에 도달하였는지 알 수 있고, 각 설비 사이를 이동하는 이동 경과 시간과 각 설비에서의 체류 시간을 연산할 수 있다.
모델링부(130)는 트레이 식별자, 트레이의 경로 및 트레이의 개수를 입력으로 하고, 각 설비 사이의 이동 경과 시간과 각 설비 별 체류 시간을 출력으로 하여, 학습한 지연 예측 모델을 생성한다.
이 때, 모델링부(130)는 트레이 식별자, 트레이의 경로 및 트레이의 개수를 입력으로 하고, 상기 각 설비 사이의 이동 경과 시간과 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성할 수 있으나, 학습 방법은 이에 제한되는 것은 아니다.
입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력된다.
시뮬레이션부(220)는 지연 예측 모델에 따라 동작되며, 시뮬레이션부(220)는 입력데이터를 전송받고, 출력부(230)가 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력한다.
시뮬레이션부(220)는 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 트레이의 지연 여부를 판단한다.
또한, 시뮬레이션부(220)는 지연예측모델에 판단된 트레이의 지연여부를 더 학습시킬 수도 있다.
시뮬레이션부(220)는 각 트레이의 각 설비에서의 체류 시간을 기초로 트레이의 지연 여부를 판단할 수 있다.
즉, 각 트레이는 각 설비로 이송되는 트레이의 개수가 다량으로 운송지연이 발생할 수 있다. 또한, 트레이는 각 설비의 동작 불량 또는 해당 설비의 종류의 개수 자체의 부족 등으로도 운송지연이 발생할 수 있다. 이에 따라, 각 트레이는 각 설비에서의 체류 시간이 증가될 수 있으며, 시뮬레이션부(220)는 이를 기초로 하여 각 설비마다 트레이의 지연 여부를 판단할 수 있다.
시뮬레이션부(220)는 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 각 설비 중 어느 하나에서 트레이가 운송지연인 것으로 판단한다.
시뮬레이션부(220)는 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단한다.
기설정된 체류 시간은 미리 수집된 트레이 데이터에서 각 설비에서 트레이가 체류하는 시간을 모두 합산하여 평균한 시간을 의미할 수 있으나, 이에 제한되는 것은 아니고, 사용자에 따라 조절되는 값일 수 있다.
또한, 시뮬레이션부(220)는 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간을 기초로 상기 어느 두 설비 사이에서 트레이의 지연 여부를 판단할 수 있다.
이 때, 트레이가 각 설비 사이를 이동한다는 것은 설비의 종류가 다른 설비 사이를 컨베이어 벨트와 같은 운송수단으로 이동하는 것을 의미한다.
즉, 각 트레이는 각 설비로 이송되는 트레이의 개수가 다량으로 설비로 진입하지 못하여 운송지연이 발생할 수 있다. 또한, 트레이는 각 설비 사이에서 동작 불량 또는 속도 감소 등으로 운송지연이 발생할 수 있다. 이에 따라, 각 트레이는 설비 사이에서의 이동 경과 시간이 증가될 수 있으며, 시뮬레이션부(220)는 이를 기초로 하여 각 설비마다 트레이의 지연 여부를 판단할 수 있다.
시뮬레이션부(220)는 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 각 설비 사이에서 트레이가 운송지연인 것으로 판단한다.
시뮬레이션부(220)는 출력된 각 트레이의 각 설비 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 각 설비 사이에서의 트레이가 운송정상인 것으로 판단한다.
기설정된 이동 경과 시간은 미리 수집된 트레이 데이터에서 각 설비 사이를 이동하는 시간을 모두 합산하여 평균한 시간을 의미할 수 있으나, 이에 제한되는 것은 아니고, 사용자에 따라 조절되는 값일 수 있다.
예를 들어, 도 3을 참조하면, pr#1에서 pr#2로 이동하는 이동 경과 시간을 평균한 값이 100s인 것을 나타내며, 이 때의 표준 편차는 10s인 것을 나타낸다.
또한 예를 들어, 도 4를 참조하면, 트레이 데이터의 실례를 도시되며, 이 때, LIB 3기 IR/OCV설비에서 LIB 3기 상온 Aging설비로 이송되는데 평균 총 경과 시간이 240s인 것을 나타내며, 이 때의 분산은 12.2s인 것을 나타낸다.
시뮬레이션부(220)는 판단한 데이터를 기초로 하여 MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.
시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송지연인 것으로 판단되면, 설비 중 어느 하나로 이동되는 트레이를 운송정상인 다른 설비로 트레이의 경로를 변경하도록 MES부(240) 및 AMHS부(250)에 지시한다.
또는, 시뮬레이션부(220)는 운송지연인 설비로 새롭게 유입되는 트레이의 개수를 감소시키도록 제어한다.
이후, 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 지연 예측 모델을 더 학습시킨다.
이 때, 시뮬레이션부(220)는 경로가 변경되는 트레이의 트레이 식별자와 트레이의 개수가 조절되는 트레이 식별자 등을 함께 학습시켜 각 트레이가 식별되도록 학습시킬 수 있다.
시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 시뮬레이션부(220)는 MES부(240)와 AMHS부(250)가 입력 데이터로 설비를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.
또한, 시뮬레이션부(220)는 각 설비 중 어느 둘 사이에서 트레이가 운송지연인 것으로 판단되면, 각 설비 중 어느 하나로 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 지연 예측 모델을 더 학습시킨다.
이 때, 시뮬레이션부(220)는 경로가 변경되는 트레이의 트레이 식별자와 트레이의 개수가 조절되는 트레이 식별자 등을 함께 학습시켜 각 트레이가 식별되도록 학습시킬 수 있다.
이 때, 각 설비 중 어느 하나는 각 설비 중 어느 둘 중의 어느 하나의 설비를 의미하는 것이고, 각 설비 중 어느 둘 중의 설비 중 트레이가 이미 통과한 설비를 의미한다.
시뮬레이션부(220)는 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 시뮬레이션부(220)는 MES부(240)와 AMHS부(250)가 입력 데이터로 설비를 제어하도록 지시하고, 지연 예측 모델을 더 학습시킨다.
또한, 시뮬레이션부(220)는 각 트레이마다 총 경과시간을 모두 더한 값을 연산하고, 상기 값이 최소가 되는 각 트레이의 경로를 판단하여, 트레이 식별자, 변경된 경로, 총 경과 시간으로 지연 예측 모델을 더 학습시킬 수 있다.
이후, MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되어, 지연 예측 모델을 더 학습시킬 수 있다.
학습된 지연 예측 모델에 따라, 각 트레이 마다 어느 특정 경로를 따라 이동할 때 각 설비에서의 체류 시간, 설비 중 어느 둘 사이를 이동하는 이동 경과 시간을 판단할 수 있고 설비에 도달하는 시간을 판단하여, 지연 여부를 판단할 수 있다.
또한, 판단된 지연 여부를 토대로 트레이의 경로 또는 트레이의 개수를 조절하여 지연이 발생하는 것을 방지할 수 있고, 동시 다발적이며 가변되는 상황에서 지연이 발생하는 것을 최소화할 수 있다.
위 설명한 본 발명의 일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.
상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상기된 하드웨어 장치는 본 발명을 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 위 설명한 본 발명의 일 실시예에 따른 방법은 상기 방법이 수행되는 시스템에 의해 수행될 수 있다.
이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.
100: 학습 모듈
110: 트레이 데이터 수집부
120: 트레이 데이터 가공부
130: 모델링부
200: 시뮬레이션 모듈
210: 입력부
220: 시뮬레이션부
230: 출력부
240: MES부
250: AMHS부
110: 트레이 데이터 수집부
120: 트레이 데이터 가공부
130: 모델링부
200: 시뮬레이션 모듈
210: 입력부
220: 시뮬레이션부
230: 출력부
240: MES부
250: AMHS부
Claims (10)
- 다수의 설비를 포함하고, 다수의 설비 중 어느 하나 이상의 설비를 통과하는 순서인 경로에 따라 제조되는 트레이를 이용하여, 지연 예측 모델을 생성하는 방법으로서,
트레이의 경로는, 각 설비를 거치는 순서를 의미하는 것이고,
(a) 트레이 데이터 수집부(110)에 트레이의 식별자, 트레이의 경로, 트레이의 개수 및 트레이의 각 설비 통과 시각에 대한 정보를 포함하는 미리 수집된 트레이 데이터가 입력되는 단계;
(b) 트레이 데이터 가공부(120)에서 상기 트레이 데이터 수집부(110)에서 수집된 상기 트레이 데이터로부터 각 설비 사이의 이동 경과 시간과 각 설비에서의 체류 시간을 연산하는 단계; 및
(c) 모델링부(130)는 상기 트레이의 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간을 출력으로 하여, 지연 예측 모델을 학습하여 생성하는 단계; 를 포함하고,
상기 (c)단계 이후,
(d) 입력부(210)에 트레이의 경로와 트레이의 개수에 대한 정보를 포함하는 입력 데이터가 입력되는 단계;
(e) 시뮬레이션부(220)는 상기 지연 예측 모델에 따라 동작되며, 상기 시뮬레이션부(220)는 상기 입력데이터를 전송받고, 출력부(230)가 상기 입력 데이터에 대한 각 트레이의 총 경과 시간과 각 설비에서의 체류 시간이 출력하는 단계; 및
(f) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비에서의 체류 시간 및 각 설비 사이의 이동 경과 시간을 기초로 어느 하나의 설비에서의 트레이의 지연 여부를 판단하는 단계;를 포함하고,
상기 (f)단계는,
(f1) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 이상이면, 상기 어느 하나의 설비에서 트레이가 운송지연인 것으로 판단하는 단계;
(f2) 상기 시뮬레이션부(220)는 상기 출력부(230)에서 출력된 각 트레이의 각 설비 중 어느 하나에서의 체류 시간이 기설정된 체류 시간 미만이면, 상기 어느 하나의 설비에서 트레이가 운송정상인 것으로 판단하는 단계;
(f3) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 두 설비 사이 에서의 이동 경과 시간이 기설정된 이동 경과 시간 이상이면, 상기 어느 두 설비 사이에서 트레이가 운송지연인 것으로 판단하는 단계; 및
(f4) 상기 시뮬레이션부(220)는 상기 출력된 각 트레이의 각 설비 중 어느 둘 사이에서의 이동 경과 시간이 기설정된 이동 경과 시간 미만이면, 상기 어느 두 설비 사이에서 트레이가 운송정상인 것으로 판단하는 단계;를 포함하고,
상기 (f)단계 이후,
(g) 상기 시뮬레이션부(220)는 상기 (f)단계에서 판단한 데이터를 기초로 하여, MES부(240) 및 AMHS부(250)가 설비 및 트레이의 이동 경로를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 및
(h) 상기 MES부(240)와 AMHS부(250)로부터 새로운 트레이 데이터가 수집되는 단계; 를 포함하고,
상기 (g)단계는,
(g1) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 상기 설비 중 어느 하나로 이동되는 트레이를 상기 운송정상인 다른 설비로 트레이의 경로를 변경하도록 상기 MES부(240) 및 상기 AMHS부(250)에 지시하거나 또는 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 상기 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비에서의 체류 시간으로 상기 지연 예측 모델을 더 학습시키는 단계;
(g2) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계;
(g3) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 상기 운송지연인 것으로 판단되면, 새롭게 유입되는 트레이의 개수를 감소시키도록 제어하고, 상기 시뮬레이션부(220)는 변경된 트레이의 경로 또는 트레이의 개수와 그 때의 재판단된 각 설비 사이에서의 이동 경과 시간으로 상기 지연 예측 모델을 더 학습시키는 단계; 및
(g4) 상기 시뮬레이션부(220)는 상기 (f)단계에서 각 설비 사이 중 어느 하나에서 트레이가 운송정상인 것으로 판단되면, 상기 시뮬레이션부(220)는 상기 MES부(240)와 AMHS부(250)가 상기 입력 데이터로 설비를 제어하도록 지시하고, 상기 지연 예측 모델을 더 학습시키는 단계; 를 포함하는,
지연 예측 모델 생성 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 (c)단계는,
상기 모델링부(130)가 상기 트레이 식별자, 상기 트레이의 경로 및 상기 트레이의 개수를 입력으로 하고, 상기 각 설비 사이 이동 경과 시간과 상기 각 설비 별 체류 시간 출력으로 하는 지도 학습(supervised learning)한 지연 예측 모델을 생성하는 단계;를 포함하는,
지연 예측 모델 생성 방법.
- 제1항 또는 제8항에 따른 방법이 수행되는, 지연 예측 모델 생성 시스템.
- 제1항 또는 제8항에 따른 방법이 수행되도록 저장매체에 기록되는 지연 예측 모델 생성 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200151096A KR102443618B1 (ko) | 2020-11-12 | 2020-11-12 | 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200151096A KR102443618B1 (ko) | 2020-11-12 | 2020-11-12 | 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220064707A KR20220064707A (ko) | 2022-05-19 |
KR102443618B1 true KR102443618B1 (ko) | 2022-09-16 |
Family
ID=81805015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200151096A KR102443618B1 (ko) | 2020-11-12 | 2020-11-12 | 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102443618B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344015A (zh) * | 2022-08-16 | 2022-11-15 | 厦门烟草工业有限责任公司 | 卷烟生产***生成方法、装置和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013049500A (ja) * | 2011-08-30 | 2013-03-14 | Murata Machinery Ltd | 搬送車システムのシミュレーションシステムとシミュレーション方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101707925B1 (ko) * | 2006-08-18 | 2017-02-17 | 브룩스 오토메이션 인코퍼레이티드 | 용량이 축소된 캐리어, 이송, 로드 포트, 버퍼 시스템 |
-
2020
- 2020-11-12 KR KR1020200151096A patent/KR102443618B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013049500A (ja) * | 2011-08-30 | 2013-03-14 | Murata Machinery Ltd | 搬送車システムのシミュレーションシステムとシミュレーション方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20220064707A (ko) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luis et al. | Online trajectory generation with distributed model predictive control for multi-robot motion planning | |
Kianfar et al. | A control matching model predictive control approach to string stable vehicle platooning | |
Jonker et al. | Coordinated optimization of equipment operations in a container terminal | |
Nishi et al. | Petri net decomposition approach for dispatching and conflict-free routing of bidirectional automated guided vehicle systems | |
Bartlett et al. | Congestion-aware dynamic routing in automated material handling systems | |
Tarau et al. | Model-based control for route choice in automated baggage handling systems | |
WO2007027239A8 (en) | Trusted decision support system and method | |
KR102443618B1 (ko) | 생산 관리 시스템을 이용한 지연 예측 모델 생성 방법과 이를 이용한 물류의 지연 예측 방법 | |
KR101993476B1 (ko) | 물류 토큰과 공정 중심 모델링 방법을 이용한 조선소 블록 물류 시뮬레이션 모델링 방법 | |
US7962235B2 (en) | Operation instructing system, method for instructing operation, and operation instructing apparatus | |
PH12016500966B1 (en) | Semiconductor device handler throughput optimization | |
Nabi et al. | Performance evaluation of a carousel configured multiple products flexible manufacturing system using Petri net | |
CN112001111A (zh) | 优化设备、优化方法和记录介质 | |
Homayouni et al. | Multi objective optimization of coordinated scheduling of cranes and vehicles at container terminals | |
Karunakaran et al. | Dynamic job shop scheduling under uncertainty using genetic programming | |
Nishida et al. | Dynamic optimization of conflict-free routing of automated guided vehicles for just-in-time delivery | |
Karkula | Selected aspects of simulation modelling of internal transport processes performed at logistics facilities | |
Sirmatel et al. | Dynamical modeling and predictive control of bus transport systems: A hybrid systems approach | |
Liu et al. | Modeling and efficient passenger-oriented control for urban rail transit networks | |
Zaidi et al. | Optimisation and simulation of transportation tasks in flexible job shop with muti-robot systems | |
EP3451094A1 (en) | Product input plan developing device, product input plan developing method, and product input plan developing program | |
Heik et al. | Dynamic job shop scheduling in an industrial assembly environment using various reinforcement learning techniques | |
Haar et al. | Forecasting passenger loads in transportation networks | |
Nakamura et al. | Model reformulation for conflict-free routing problems using Petri net and deterministic finite automaton | |
Mohamad et al. | Optimization of material transportation assignment for automated guided vehicle (AGV) system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) |