KR102682115B1 - Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법 - Google Patents

Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법 Download PDF

Info

Publication number
KR102682115B1
KR102682115B1 KR1020230129197A KR20230129197A KR102682115B1 KR 102682115 B1 KR102682115 B1 KR 102682115B1 KR 1020230129197 A KR1020230129197 A KR 1020230129197A KR 20230129197 A KR20230129197 A KR 20230129197A KR 102682115 B1 KR102682115 B1 KR 102682115B1
Authority
KR
South Korea
Prior art keywords
target
tolerance
model
processing equipment
condition
Prior art date
Application number
KR1020230129197A
Other languages
English (en)
Inventor
이한
강대현
고요한
Original Assignee
로이랩스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 로이랩스 주식회사 filed Critical 로이랩스 주식회사
Priority to KR1020230129197A priority Critical patent/KR102682115B1/ko
Application granted granted Critical
Publication of KR102682115B1 publication Critical patent/KR102682115B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4145—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by using same processor to execute programmable controller and numerical controller function [CNC] and PC controlled NC [PCNC]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 클라우드 서버는, 가공설비를 모니터링하기 위한 감시모델을 제공하는 클라우드 서버에 있어서, 클라우드 서비스를 제공받는 자인 요청자가 운영하는 가공설비인 대상가공설비의 가동과 관련된 정보인 대상가공정보를 수집하는 수집모듈; 상기 감시모델이 저장되어 있는 저장모듈; 및 상기 대상가공정보를 기초로 상기 감시모델을 파인튜닝하여 상기 대상가공설비만을 위한 상기 감시모델인 대상감시모델을 산출하는 산출모듈;을 포함할 수 있다.

Description

CNC 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법{A METHOD FOR CLOUD SERVICE BASED ON ARTIFICIAL INTELLIGENCE FOR MONITORING CNC PROCESSING FACILITIES}
본 발명은 인공지능을 이용하여 CNC 가공 설비를 모니터링 하기 위한 클라우드 서버 및 클라우드 서비스 제공 방법에 대한 것이다.
최근 제조업 설비 환경에서는 노동인력의 감소와 고령화로 인한 전문기술인력의 부재로 인한 생산성 및 품질 등의 저하 등이 예상되면서 2M(Man&Machine) 측면에서 기계시스템의 디지털화 및 지능화로의 많은 변화가 요구되고 있다.
하지만, 이러한 변화에도 불구하고 중소제조기업에서는 스마트 공장 구축 및 고도화에 있어서, 자금적인 측면, 노동적인 측면, 기술적인 측면 등 많은 현실적인 제약에 부딪히고 있는 상황이다. 따라서, 이와 같이 중소제조기업의 현실과 한계 극복 뿐만 아니라 보다 신속하고 효율적인 제조현장관리와 의사결정을 지원할 수 있는 지능화된 스마트 공장 환경 구축이 요구되어야 하며, 고도화되는 스마트 공장 환경에서 생산시스템의 지능화 또는 각종 생산설비의 지능화를 위하여 많은 양의 데이터를 신속하고 효과적으로 수집 처리할 수 있는 시스템이 반드시 필요 되어야 한다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 자금이나 인력이 부족한 제조기업들도 부담 없이 채택할 수 있는 스마트 공장에서 이용될 수 있는 CNC 가공 설비를 모니터링 하기 위한 모델을 제공하는 클라우드 서버 및 클라우드 서비스 제공 방법에 대한 것이다.
본 발명의 일 실시예에 따른 클라우드 서버는, 가공설비를 모니터링하기 위한 감시모델을 제공하는 클라우드 서버에 있어서, 클라우드 서비스를 제공받는 자인 요청자가 운영하는 가공설비인 대상가공설비의 가동과 관련된 정보인 대상가공정보를 수집하는 수집모듈; 상기 감시모델이 저장되어 있는 저장모듈; 및 상기 대상가공정보를 기초로 상기 감시모델을 파인튜닝하여 상기 대상가공설비만을 위한 상기 감시모델인 대상감시모델을 산출하는 산출모듈;을 포함할 수 있다.
또한, 상기 대상가공정보는, 상기 대상가공설비의 동작을 위해 상기 대상가공설비에 입력되는 정보인 대상입력정보를 구비하고, 상기 대상입력정보는, 대상가공설비가 생산하는 물품인 대상가공품에 요청되는 공차인 요청공차에 대한 정보를 구비할 수 있다.
또한, 상기 산출모듈은, 시계열적으로 상기 대상가공설비의 가동결과 예측하고, 상기 대상가공품에 요청되는 공차가 작을수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 커지도록 상기 대상감시모델을 산출하고, 상기 대상가공품에 요청되는 공차가 커질수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 작아지도록 상기 대상감시모델을 산출할 수 있다.
또한, 상기 산출모듈은, 상기 대상가공품에 요청되는 공차가 작을수록, 레이어의 숫자가 커지거나 하이퍼파라미터의 개수가 커지도록 상기 대상감시모델을 산출하고, 상기 대상가공품에 요청되는 공차가 커질수록, 레이어의 숫자가 작아지거나 하이퍼파라미터의 개수가 작아지도록 상기 대상감시모델을 산출할 수 있다.
또한, 미리 정해진 추가조건이 만족되는 경우, 상기 요청공차보다 더 작은 공차 조건인 보완공차에 대응되는 감시모델인 추가감시모델을 학습하는 제안모듈;을 더 포함하고, 상기 미리 정해진 추가조건은, 상기 요청공차가 산업 기준으로 설정된 기준공차보다 초과하는 조건인 제1 추가조건을 구비할 수 있다.
또한, 상기 미리 정해진 추가조건은, 상기 대상가공설비에 대응되는 가상머신이 가동되는 물리서버인 대상물리서버가 가동될 것으로 예측되는 워크로드인 예측워크로드가 제1 기간 동안 소정 기준 이하일 조건인 제2 추가조건을 더 구비할 수 있다.
또한, 상기 요청자에게, 상기 대상감시모델을 직접 제공하거나 상기 대상감시모델에서 산출되는 가동결과를 송신하는 송신모듈;을 더 포함하고, 상기 송신모듈은, 미리 정해진 서비스조건이 만족되는 경우, 상기 요청자에게, 상기 추가감시모델을 직접 제공하거나 상기 추가감시모델에서 산출되는 가동결과를 송신할 수 있다.
또한, 상기 산출모듈은, 상기 요청자의 과거 서비스 이용내역을 기반으로 준수모델을 이용하여, 상기 요청자의 비용 납부 성실성에 대한 지표인 성실도를 산출하고, 상기 미리 정해진 서비스조건은, 상기 요청자의 성실도가 소정 기준 이상일 조건일 수 있다.
상기 미리 정해진 조건은, 상기 대상가공설비에 대응되는 가상머신이 가동되는 물리서버인 대상물리서버가 가동될 것으로 예측되는 워크로드인 예측워크로드가 제1 기간 동안 소정 기준 이하일 조건인 제2 추가조건 및 기산점을 기준으로 제2 기간동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 이하인 조건인 제3 추가조건을 더 구비하고, 상기 미리 정해진 서비스조건은, 상기 요청자의 성실도가 소정 기준 이상일 조건인 제1 서비스 조건, 상기 예측워크로드가 소정 기준 이하일 조건인 제2 서비스 조건 및 기산점을 기준으로 제2 기간동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 초과인 조건인 제3 서비스 조건을 구비할 수 있다.
본 발명의 일 실시예에 따른, 클라우드 서비스 제공방법은, 가공설비를 모니터링하기 위한 감시모델을 제공하는, 클라우드 서비스 제공 방법에 있어서, 수집모듈에 의해, 클라우드 서비스를 제공받는 자가 운영하는 가공설비인 대상가공설비의 가동과 관련된 정보인 대상가공정보를 수집하는 단계; 저장모듈에 의해, 상기 감시모델이 저장되어 있는 단계; 및 산출모듈에 의해, 상기 대상가공정보를 기초로 상기 감시모델을 파인튜닝하여 상기 대상가공설비만을 위한 상기 감시모델인 대상감시모델을 산출하는 단계;를 포함할 수 있다.
본 발명에 따른 CNC 가공설비 모니터링 하기 위한 클라우드 서버 및 클라우드 서비스 제공 방법은 CNC 가공설비의 가동결과를 예측할 수 있다.
또한, 생산품의 품질 및 생산성을 향상시킬 수 있다.
또한, 적은 비용 및 인력으로 가공설비를 안정적으로 이용할 수 있다.
다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버의 관계도
도 2는 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버의 구성도
도 3은 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버가 제공하는 클라우드 모니터링 서비스 과정을 설명하기 위한 도면
도 4는 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버가 구비하는 대상감시모델의 종류를 설명하기 위한 도면
도 5는 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버가 구비하는 대상감시모델의 종류를 설명하기 위한 도면
도 6은 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버가 구비하는 추가감시모델 학습 조건을 설명하기 위한 도면
도 7은 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버가 구비하는 추가감시모델 제공 조건을 설명하기 위한 도면
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다.
도 1은 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버의 관계도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버(100)는 CNC 가공설비(10), 요청자 컴퓨팅 장치(200) 및/또는 외부서버(300)와 유/무선으로 네트워크 연결되어 정보를 송수신할 수 있다.
본 발명에서 언급하는 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.
CNC 가공설비(10)는 디지털 장치와 정보를 사용하여 부품 및/또는 커터 등의 변위를 제어하여 물품을 생산할 수 있는 물건을 의미할 수 있다.
또한, CNC 가공설비(10)는 물품을 가공할 수 있는 모든 장치 또는 장비를 포함하는 의미일 수 있다.
요청자는 CNC 가공설비(10)가 설치된 업체의 관리자로서, 대표, 임원, 직원 등 CNC 가공설비 클라우드 서비스를 요청하는 모든 사람을 포함할 수 있다.
요청자는 컴퓨팅 장치(200)를 통해 클라우드 서버(100)에 정보를 요청할 수 있으며, 이에 클라우드 서버(100)가 산출하고 제공하는 정보들을 모두 확인할 수 있다.
본 발명에서 언급하는 컴퓨팅 장치(200)는 정보 처리 연산을 처리할 수 있는 장치를 의미할 수 있다.
일례로, 컴퓨팅 장치(200)는 데스크탑 컴퓨터, 노트북, 스마트폰, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 휴대용 단말기 등이 포함되는 이동 단말기 및/또는 스마트 TV 등이 포함될 수 있다.
클라우드 서버(100)는 요청자에게 제공하고자 하는 프로그램 자체 및/또는 프로그램의 구성들을 생성하고 제공하는 서버를 의미할 수 있다.
또한, 클라우드 서버(100)는 모니터링 서비스를 구현하는데 필요한 정보 혹은 예측 또는 감시모델(121)을 업데이트하여 제공할 수 있다.
또한, 클라우드 서버(100)는 모니터링 서비스를 위한 정보 제공 방법을 구현할 수 있다.
외부서버(300)는 CNC 가공설비(10)가 동작되는데 필요한 정보를 송수신하는 서버로서, 공공기관의 서버, 오픈서버 등을 포함할 수 있다.
본 발명에서 언급하는 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다.
일례로, 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
일례로, 서버는 웹 서버일 수 있다. 다만, 이에 한정하지 않고, 서버의 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변경 가능하다.
이하, 가공설비(10)를 모니터링하기 위한 CNC 가공설비 클라우드 서버(100)에 대해서 자세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 CNC 가공설비 클라우드 서버(100)는 가공설비(10)를 모니터링하기 위한 감시모델(121)을 제공하는 클라우드 서버(100)에 있어서, 클라우드 서비스를 제공받는 자인 요청자가 운영하는 가공설비(10)인 대상가공설비(10)의 가동과 관련된 정보인 대상가공정보를 수집하는 수집모듈(110), 상기 감시모델(121)이 저장되어 있는 저장모듈(120) 및 상기 대상가공정보를 기초로 상기 감시모델(121)을 파인튜닝하여 상기 대상가공설비(10)만을 위한 상기 감시모델(121)인 대상감시모델(131)을 산출하는 산출모듈(130)을 포함할 수 있다.
또한, 상기 클라우드 서버(100)는 미리 정해진 추가조건이 만족되는 경우, 요청공차보다 더 작은 공차 조건인 보완공차에 대응되는 감시모델(121)인 추가감시모델(141)을 학습하는 제안모듈(140) 및 상기 요청자에게, 상기 대상감시모델(131)을 직접 제공하거나 상기 대상감시모델(131)에서 산출되는 가동결과를 송신하는 송신모듈(150)을 더 포함할 수 있다.
수집모듈(110)은 CNC 가공설비(10)와 연동될 수 있으며, 요청자가 운영하는 CNC 가공설비(10)인 대상가공설비(10)의 가동과 관련된 정보인 대상가공정보를 수집할 수 있다.
가공정보는 사용되는 가공설비(10)의 공정코드, 수집시간, 피드오버라이드, 스핀들모터 부하(X축, Y축, Z축 부하값), T코드, M코드, 가공툴의 X축, Y축, Z축 상대 좌표, 툴번호, 프로그램 번호를 포함할 수 있다.
가공정보는 대상가공설비(10)에 입력되는 생산하고자 하는 생산품 도면, 생산품 스펙과 관련된 정보인 공차, 파트 넘버(부품 넘버), 품목 코드, 날짜 및 시간정보를 더 포함할 수 있다.
대상가공정보는 대상가공설비(10)의 가공정보를 의미할 수 있다.
공차는 생산품이 목표하는 치수에 대하여 가공상 허용되는 오차수준을 의미할 수 있다.
파트 넘버는 생산품에 사용되는 각 부품의 고유한 식별자를 의미할 수 있다.
품목 코드는 부품의 종류나 분류를 나타낼 수 있으며, 특정 부품이 속하는 카테고리를 의미할 수 있다.
날짜 및 시간정보는 생산품의 생산 일자나 가공 시작 시간 및 완료 시간 등의 정보를 의미할 수 있다.
저장모듈(120)은 클라우드 서버(100)가 구현되는 모든 필요한 정보들이 저장되어 있을 수 있다.
일례로, 가공설비(10)에서 발생되었던 과거 동작정보의 학습데이터로 학습되어 생성된 가공설비(10)의 가공 툴 상태분석 모델과 가공설비(10)의 가공품질 분석 모델인 감시모델(121)이 저장되어 있을 수 있다.
일례로, 가공 툴 상태분석 모델은 스핀들 부하 데이터에 대해서LSTM 네트워크 계층의 매개변수를 줄이고 Conv2d 계층을 추가하는 Conv2d-LSTM 기법을 적용하여 가공 툴의 상태를 분석하는 인공지능 모델을 의미할 수 있다.
이때, 감시모델(121)의 가공 툴 상태분석 서비스에 의해서 요청자는 스핀들 부하가 부적절하게 커지거나 불균형이 발생하는 현상을 방지하여 가공 작업의 정밀도, 안정성 및 효율성을 유지하고, 적절한 절삭 조건 등을 고려할 수 있다.
일례로, 가공품질 분석 모델은 수집된 스핀들 하중 데이터에 대해 신호의 주파수 성분을 시간 영역에서 주파수 영역으로 변환하는 FFT를 적용하고, 리샘플링된 부하파형에 STFT(Short-Time Fourier Transform)를 적용한 스펙트로그램 이미징을 통해 실시간 가공 품질 진단 및 가공 툴 상태 분류를 제공하는 모델을 의미할 수 있다,
이때, 감시모델(121)의 가공품질 분석 및 가공 툴 상태 분류에 대한 실시간 모니터링 서비스를 제공하여 요청자는 가공 툴이 부러지거나 마모 등의 파손이 발생된 현상을 실시간으로 예측하고, 이로 인한 가공품질에 저하가 있음을 판단하는 것이 가능할 수 있다.
일례로, 산출된 대상감시모델(131)은 클라우드 서버(100)에서 대상감시모델(131)을 요청자에게 제공하거나, 산출된 대상감시모델(131)에서 예측되거나 산출된 데이터 결과만을 요청자 컴퓨팅 장치(200)로 전송하는 방식일 수 있다.
다만, 이에 한정하지 않고, 대상감시모델(131)의 제공 방식은 통상의 기술자에 한해서 다양하게 변경 가능하다.
또한, 저장모듈(120)은 산업 기준에 따라 가공설비(10)의 안정성 관련 수치가 저장되어 있을 수 있다.
일례로, 산업 기준은 금속 가공 및 제조, 플라스틱 가공 및 제조, 목재 가공 및 제조, 전자 제품 제조, 의료 기기 제조, 항공 우주 산업, 자동차 산업, 선박 및 조선 산업 및 에너지 산업 분야 등에서 정의된 산업 표준 기준을 모두 의미할 수 있다.
또한, 가공설비(10)의 안정성 관련 수치는 국제표준규격(ISO) 또는 한국산업규격 등에 따른 부품의 허용한계치 규정을 모두 포함할 수 있다.
산출모듈(130)은 상기 감시모델(121)을 특정 가공설비(10)의 대상가공정보 및/또는 요청자에 기초하여, 미리 학습된 모델의 일부 네트워크 레이어 하이퍼파라미터만 재학습하는 방식으로 대상가공설비(10)만을 위한 파인튜닝된 대상감시모델(131)을 산출할 수 있다.
일례로, 대상감시모델(131)은 저장모듈(120)에 저장된 가공 툴 상태분석 모델과 가공품질 분석 모델을 포함할 수 있다.
산출모듈(130)은 새로운 감시모델(121)을 학습하는 방식이 아닌 기존의 학습된 모델의 일부를 재학습하는 방식으로 모델을 산출하는데 필요한 서버 리소스와 시간이 감소될 수 있다.
또한, 산출모듈(130)은 기존에 미리 학습된 모델이 존재하지 않는다면, 저장모듈(120)에 저장된 학습 데이터를 기반으로 신경망 기반의 비선형 변환기법을 활용한 기계학습을 진행할 수 있다.
이에 대한 자세한 설명은 공지된 기술을 활용하는 것으로서, 자세한 설명은 생략될 수 있다.
또한, 산출모듈(130)은 시계열적으로 대상가공설비(10)의 가동결과를 예측할 수 있다.
일례로, 가동결과는 대상가공설비(10)의 대상가공정보가 상기 대상감시모델(131)에 입력되어, 상기 대상가공설비에 인가되는 부하 예측 결과를 의미할 수 있다.
일례로, 가동결과는 대상가공설비의 가공툴의 부하에 대한 정보와 상기 가공툴의 부하의 주파수에 대한 정보로 이루어질 수 있다.
일례로, 산출된 결과 데이터로는 가공 툴의 마모, 부러짐 데이터, 가공품질 결함 데이터들이 포함되며 상기 대상감시모델(131)에 의해서 산출되는 가공 툴의 상태 또는 가공 품질 을 예측하는 데이터들을 모두 포함할 수 있다.
이때, 산출모듈(130)은 대상가공품에 요청되는 공차가 작을수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 커지도록 대상감시모델(131)을 산출할 수 있다.
한편, 산출모듈(130)은 대상가공품에 요청되는 공차가 커질수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 작아지도록 대상감시모델(131)을 산출할 수 있다.
또한, 산출모듈(130)은 상기 요청자의 과거 서비스 이용내역을 기반으로 준수모델(132)을 이용하여 상기 요청자의 비용 납부 성실성에 대한 지표인 성실도를 산출할 수 있다.
제안모듈(140)은 미리 정해진 추가조건이 만족될 때, 추가감시모델(141)을 학습할 수 있다.
추가감시모델(141)은 감시모델(121)보다 네트워크 레이어 또는 각 레이어의 하이퍼파라미터가 향상된 모델일 수 있다.
또한, 제안모듈(140)은 대상물리서버의 잔여 리소스 자원을 추가감시모델(141)을 학습하는데 사용할 수 있다.
송신모듈(150)은 요청자에게 대상감시모델(131) 및/또는 대상감시모델(131)에서 산출되는 가동결과를 송신할 수 있다.
또한, 송신모듈(150)은 미리 정해진 서비스조건이 만족되는 경우, 요청자에게 추가감시모델(141)을 직접 제공하거나 추가감시모델(141)에서 산출되는 가동결과를 송신할 수 있다.
또한, 추가감시모델(141)을 직접 제공하는 것은 추가감시모델(141)이 클라우드 서버(100)에서 요청자의 컴퓨팅 장치(200)로 제공되어, 요청자의 컴퓨팅 장치(200)에서 추가감시모델(141)이 동작되는 것을 의미할 수 있다.
또한, 가동결과를 제공하는 것은 추가감시모델(141)로 예측된 결과 값에 대해서만 요청자에게 송신하는 것을 의미할 수 있다.
송신모듈(150)은 후술한 미리 정해진 서비스조건이 만족하는지 여부를 판단할 수 있다.
이하, 가공설비(10)를 모니터링하기 위한 클라우드 서버(100)(이하, 클라우드 서버(100)라고 칭함)의 동작에 대해서 자세하게 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 클라우드 서버(100)가 제공하는 클라우드 모니터링 서비스 과정을 설명하기 위한 도면이고, 도 4 및 도 5는 본 발명의 일 실시예에 따른 클라우드 서버(100)가 구비하는 대상감시모델(131)의 종류를 설명하기 위한 도면이다. 또한, 도 6은 본 발명의 일 실시예에 따른 클라우드 서버(100)가 구비하는 추가감시모델(141) 학습 조건을 설명하기 위한 도면이며, 도 7은 본 발명의 일 실시예에 따른 클라우드 서버(100)가 구비하는 추가감시모델(141) 제공 조건을 설명하기 위한 도면이다.
도 3을 참조하면, 가공설비 모니터링 서비스를 희망하는 요청자는 요청자의 컴퓨팅 장치(200)를 통해서 클라우드 서버(100)에 서비스 제공을 요청할 수 있다.
수집모듈(110)은 서비스를 요청한 요청자의 CNC가공설비(10)인 대상가공설비(10)에서 대상가공정보를 수집할 수 있다.
대상가공정보는 상기 대상가공설비(10)의 동작을 위해 상기 대상가공설비(10)에 입력되는 정보인 대상입력정보를 구비하고, 상기 대상입력정보는 대상가공설비(10)가 생산하는 물품인 대상가공품에 요청되는 공차인 요청공차에 대한 정보를 구비할 수 있다.
대상입력정보는 요청자가 가공을 희망하는 부품 또는 제품에 대하여 가공설비(10) 에 입력하는 정보를 의미하며, CAD 및/또는 CAM프로그램에 입력된 정보들을 모두 포함할 수 있다.
산출모듈(130)은 대상가공설비(10)의 대상가공정보를 기초로 하여 대상감시모델(131)을 산출할 수 있다.
구체적인 일례로, 산출모듈(130)은 대상가공정보를 기초로 감시모델(121)을 파인튜닝하는 방법을 결정하고, 상기 대상입력정보를 기초로 학습모델의 하이퍼파라미터와 레이어 개수를 결정할 수 있다.
산출되는 대상감시모델(131)은 요청공차 정보에 따라 가동결과의 예측 시간단위가 상이할 수 있다.
도 4를 참조하면, 도 4는 도 5에 비하여 요청 공차가 작은 대상감시모델(131)로 단위 시간 T 구간에 예측되는 가동결과의 개수가 4개일 수 있다.
한편, 도 5는 도 4에 비하여 요청 공차가 큰 대상감시모델(131)로 단위 시간 T 구간에 예측되는 가동결과의 개수가 2개일 수 있다.
다만, 이에 한정되지 않고, 예측되는 가동결과 개수는 통상의 기술자에게 자명한 수준에서 다양하게 변경 가능하다.
여기서, 동일한 대상가공품에 대하여 예측하는 모델일지라도 요청 공차에 따라 예측된 가동결과의 개수는 상이할 수 있으며, 단위 시간 당 예측된 가동결과의 개수가 많아질수록 예측 정확도가 향상될 수 있다.
또한, 산출모듈(130)은 대상감시모델(131) 외에도 시간 기준으로 대상가공정보 데이터들을 결합한 데이터셋을 생성하여 데이터에 대한 인사이트를 추가 제공할 수 있다.
대상가공정보 데이터를 결합하여 데이터셋을 생성하는 Merge 방법은 시간 기준으로 Re-sampling을 진행하고, 가장 짧은 데이터 수집 주기를 가진 데이터를 기준으로 데이터셋을 결합하는 방식일 수 있다.
또한, 데이터에 대한 시각화 또는 통계치 등의 인사이트를 얻기 위해 Mean, Min, Max, Sum, First, Last, Derivative 등의 기법을 추가 적용할 수 있다.
일례로, Mean 기법을 적용했을 경우 시계열 데이터의 추세 파악이 가능할 수 있다.
일례로, Min이나 Max 기법을 적용했을 경우, 시계열 데이터의 변동성이나 극단적인 값에 대한 파악이 용이할 수 있다.
일례로, Sum 기법을 적용했을 경우, 데이터의 누적 값이나 누적 변화량을 추적하는데 사용될 수 있다.
일례로, First 기법은 시작점의 값이나 초기 상태를 파악할 수 있으며, Last는 종료점의 값이나 최종 상태 파악이 용이할 수 있다.
일례로, Derivative 기법은 시계열 데이터의 추세나 변화율을 파악하는데 사용될 수 있다.
이에, 대한 자세한 설명은 공지된 기술을 활용하는 것으로서, 자세한 설명은 생략될 수 있다.
구체적인 예로, 산출모듈(130)은 대상가공정보 데이터인 스핀들 부하, 툴번호, 프로그램 번호 데이터를 병합하고, 스케일링하여 제품 가공 별 시간축에 대한 시각화 데이터를 산출하여 제공하기 때문에 요청자는 가공설비(10) 또는 가공제품에 대하여 인사이트 도출이 가능할 수 있다.
또한, 상기 데이터에 대한 인사이트를 요청자에게 제공하는 방법은 대상가공정보 데이터 및 가동결과가 결합되어 산출된 데이터를 클라우드 서버(100)의 산출모듈(130)이 산출하는 인터페이스를 통해 시각화 데이터로 생성되어 요청자 컴퓨팅 장치(200)로 송신될 수 있다.
이와 다르게, 상기 데이터에 대한 인사이트 제공 방법은 대상가공정보 데이터 및 가동결과를 요청자 컴퓨팅 장치(200)로 송신하여, 상기 컴퓨팅 장치(200)의 인터페이스 모듈을 통해 요청자 컴퓨팅 장치 인터페이스 모듈에서 시각화 데이터를 생성하는 과정으로 생성될 수 있다.
다만, 이에 한정하지 않고 시각화 데이터를 생성하는 방법은 통상의 기술자에 한해서 다양하게 변형 가능하다.
이처럼, 클라우드 서버(100)는 가공툴의 상태와 가공품질을 분석하고 모니터링할 수 있는 감시모델(121)을 제공할 수 있으며, 대상가공정보 데이터 및 가동결과로부터 제품 가공별로 가공특성이 드러난 시각화 서비스를 제공할 수 있다.
따라서, 요청자는 상기 클라우드 서버(100)를 이용하여 실시간으로 가공 툴의 이상감지와 가공 품질을 진단하고 예측할 수 있으며, 분석을 원하는 제품가공에 대해서 인사이트 도출이 용이할 수 있기 때문에 적은 시간과 비용 및 인력으로도 고품질의 제품을 가공하는 것이 가능할 수 있다.
다음으로, 도 3을 참조하면, CNC 가공설비(10) 클라우드 서버(100)는 요청 공차에 대응되는 대상감시모델(131)과 요청공차보다 작은 공차 조건의 보완 공차에 대응되는 추가감시모델(141)을 요청자에게 제공하기 위해 미리 정해진 조건들을 판단하는 과정을 진행할 수 있다.
미리 정해진 추가조건이 만족되는 경우, 제안모듈(140)은 요청공차보다 더 작은 공차 조건인 보완공차에 대응되는 감시모델(121)인 추가감시모델(141)의 학습을 진행할 수 있다.
미리 정해진 추가조건을 만족한다면, 대상감시모델(131)과 추가감시모델(141)의 학습은 병렬적으로 동시에 진행될 수 있다.
다만, 이에 한정하지 않고, 상기 대상감시모델(131)과 상기 추가감시모델(141)의 학습은 시간을 두어 진행될 수 있다.
미리 정해진 추가조건은 요청공차가 산업 기준으로 설정된 기준공차보다 초과하는 조건인 제1 추가조건을 구비할 수 있다.
또한, 미리 정해진 추가조건은 대상가공설비(10)에 대응되는 가상머신이 가동되는 물리서버인 대상물리서버가 가동될 것으로 예측되는 워크로드인 예측워크로드가 제1 기간동안 소정 기준 이하일 조건인 제2 추가조건 및 기산점을 기준으로 제2 기간동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 이하인 조건인 제3 추가조건 더 구비할 수 있다.
일례로, 피스톤 엔진 부품의 치수 공차에 대해서 요청공차가 ±0.05이고, 산업 기준에 따라 설정된 공차인 기준공차가 ±0.1인 경우, 제1 추가조건을 충족하지 못할 수 있다.
이는, 산출모듈(130)이 산업 기준보다 정밀도 측면에서 우수한 대상감시모델(131)을 학습 및/또는 산출하였기 때문에, 추가감시모델(141)의 추가 학습이 불필요하다 판단되기 때문에 추가감시모델(141) 학습 과정을 종료할 수 있다.
한편, 피스톤 엔진 부품의 치수 공차에 대해서 요청공차가 ±0.1이고, 산업 기준으로 설정된 기준공차가 ±0.05인 경우, 제1 추가조건을 충족할 수 있다.
이러한 경우, 제안모듈(140)은 제2 추가조건의 충족 여부를 추가 판단할 수 있다.
도 6을 참조하면, 예측모델(142)은 요청자의 대상가공설비(10)에 대응되는 가상머신이 가동되는 물리서버에서 발생되는 워크로드인 예측워크로드를 예측할 수 있다.
또한, 물리서버에서 가동되는 각각의 가상머신들은 CNC 가공설비 클라우드 서비스를 요청한 요청자마다 할당될 수 있다.
예측워크로드는 장래의 임의의 기간 동안에서 상기 물리서버에서 발생될 것으로 예측되는 워크로드를 의미할 수 있다.
일례로, 장래의 임의의 기간은 하루일 수 있다.
다만, 이에 한정하지 않고, 장래의 임의의 기간의 구체적인 기간은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다. 제안모듈(140)은 과거의 물리서버의 스펙, 물리서버에서 가동되는 가상머신의 수, 가상머신에서 동작되는 응용소프트웨어/운영소프트웨어의 종류, 물리서버에 인가된 워크로드를 머신러닝하여 예측모델(142)을 생성할 수 있다.
여기서, 예측모델(142)을 학습하는 머신러닝의 방법은 공지된 기술을 활용하는 것으로서, 이에 대한 자세한 설명은 생략될 수 있다.
제2 추가조건은 대상물리서버의 잔여 리소스에 따라 추가감시모델(141)의 학습여부를 판단하기 위한 조건일 수 있다.
구체적으로, 제2 추가조건은 대상물리서버가 추가감시모델(141)의 학습이 진행될 제1 기간(T1) 동안에 대상물리서버의 리소스가 소정 기준(X) 이하를 유지하여야 충족될 수 있다.
도 6에서, 대상물리서버의 예측워크로드는 제1 기간(T1) 동안에 소정 기준(X) 이하로 진행되기 때문에 추가감시모델(141)의 학습을 진행할 수 있다.
일례로, 제1 기간(T1)은 24시간일 수 있다.
일례로, 상기 제1 기간(T1)은 36시간일 수 있다.
다만, 이에 한정하지 않고, 상기 제1 기간(T1)의 구체적인 시간은 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
일례로, 예측워크로드가 제1 기간(T1) 동안에 기준리소스 이하로 유지된다면, 제1 기간(T1) 동안에 대상물리서버의 자원이 충분하게 남은 상태로 간주될 수 있다.
한편, 예측워크로드가 상기 소정 기준(X)에 대해서 제1 기간(T1) 내에 초과하는 기간이 발생한다면, 제2 추가조건을 불만족하는 상태일 수 있다.
이어서, 제안모듈(140)은 제3 추가조건에 대해서 충족여부를 판단할 수 있다.
구체적으로, 제3 추가조건은 기산점(S1)을 기준으로 하여 실제 물리서버 발생 워크로드와 예측워크로드의 예측 오차를 판단하기 위한 것일 수 있다.
또한, 기산점(S1)은 워크로드가 소정 기준(X) 이하로 내려가기 시작하는 시점을 기준으로 할 수 있다.
먼저, 도 6을 참조하면, 대상물리서버는 기산점(S1)을 기준으로 제2 기간(T2)에 대상물리서버에서 실제로 발생되는 워크로드(B1)와 예측워크로드(A1)의 차이가 소정 값 미만을 유지하고 있기 때문에 제3 추가 조건을 만족한다고 판단될 수 있다.
일례로, 소정 값의 기준은 대상물리서버에서 발생된 워크로드와 예측워크로드의 차이가 3% 범위 내로 존재하는 것을 의미할 수 있다.
일례로, 제2 기간(T2)은 1시간일 수 있다.
다만, 제2 기간(T2)이나 소정 값은 이에 한정하지 않고 통상의 기술자에게 한해서 다양하게 변형 가능하다.
한편, 도 7을 참조하면, 대상물리서버는 기산점(S1)을 기준으로 미리 정해진 제2 기간(T2)동안에 대상물리서버에서 발생되는 워크로드(B2)와 예측워크로드(A2)가 소정 값 이상으로 차이 나기 때문에, 제3 추가 조건을 만족시킬 수 없다.
따라서, 제3 추가 조건을 만족하지 못하기 때문에 물리서버의 리소스가 기준리소스 이하이더라도, 예측워크로드가 예측한 워크로드는 완전히 신뢰할 수 없기에 때문에 추가감시모델(141)의 학습이 불가능한 상태라고 판단될 수 있다.
제안모듈(140)은 제1 추가조건, 제2 추가조건 및 제3 추가조건이 모두 만족되는 경우에만 요청공차보다 더 작은 공차 조건인 보완공차에 대응되는 감시모델(121)인 추가감시모델(141)을 학습할 수 있다.
일례로, 미리 정해진 추가조건을 하나라도 만족하지 못하는 경우, 추가감시모델(141) 학습을 진행하지 않고, 추가감시모델(141) 학습을 종료할 수 있다.
제안모듈(140)은 요청자가 입력한 요청공차에 대응되는 감시모델(121)과 보완공차에 대응되는 추가감시모델(141)이 병렬적으로 학습하기 때문에, 요청자가 생산된 대상가공품에 대해서 불만족시 개선된 모델을 소요 시간 없이 제공할 수 있으므로 해당 클라우드 서버(100)가 제공하는 서비스에 대한 요청자의 만족도가 상승할 수 있다.
이어서, 상기 미리 정해진 추가조건을 만족하는 경우 학습된 추가감시모델(141)을 요청자에게 제공하기 위해 미리 정해진 서비스조건을 판단하는 경우에 대해서 설명한다.
미리 정해진 서비스조건은 상기 요청자의 성실도가 소정 기준 이상일 조건인 제1 서비스 조건, 상기 예측워크로드가 소정 기준(X) 이하일 조건인 제2 서비스 조건 및 기산점(S1)을 기준으로 제2 기간(T2)동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 초과인 조건인 제3 서비스 조건을 구비할 수 있다.
산출모듈(130)은 미리 정해진 서비스조건 만족여부를 판단하기 위해 준수모델(132)을 이용하여 성실도를 산출할 수 있다.
또한, 미리 정해진 서비스조건은 상기 요청자의 성실도가 소정 기준 이상일 조건일 수 있다.
준수모델(132)은 클라우드 서버(100)에 저장된 과거 데이터를 학습하여 요청자의 성실도를 산출하는 준수모델을 생성할 수 있다.
일례로, 과거 데이터는 요청자가 과거에 해당 클라우드 서비스 이용 후, 청구서를 수신하고 대금 납부를 완료하기까지 소요된 일 수, 총 누적 미납일, 총 미납금, 서비스 이용횟수 정보 등 일 수 있다.
준수모델(132)은 성실도와 관련된 데이터들을 학습하여 요청자의 비용 납부 성실성에 대해서 점수를 산출할 수 있다.
일례로, 준수모델(132)은 Learning to Rank (LTR) 또는 RankNet 등을 이용한 모델일 수 있다.
다만, 이에 한정하지 않고, 상기 준수모델의 구체적인 종류는 통상의 기술자에게 자명한 수준에서 다양하게 변형 가능하다.
일례로, 요청자는 서비스 이용횟수가 타 요청자들보다 월등히 높을지라도 과거 서비스 이용 후에 대금 납부를 기한이 지나서 완료한 횟수가 잦은 편이라면, 성실도가 소정 기준 이하로 산정될 수 있다.
일례로, 성실도는 청구서가 최초 수신된 일자, 서비스 이용요금을 미납하여 1차 리마인드 안내가 나간 일자, 서비스 이용요금을 미납하여 2차 리마인드 안내가 나간 일자 등을 기준으로 대금 납부가 완료된 시점에 대해서 차등적으로 점수가 매겨질 수 있다.
일례로, 성실도가 상위 10% 이상인 경우 또는 성실도가 80점 이상인 경우 제1 서비스 조건인 소정 기준 이상을 충족시킬 수 있다.
다만, 성실도의 만족 기준은 이에 한정하지 않고 통상의 기술자에게 자명한 수준에서 다양하게 변경 가능하다.
또한, 성실도가 소정 기준 이상을 충족하는 경우, 해당 요청자는 서비스 이용 및 비용 납부 수준이 준수하다고 판단될 수 있다.
송신모듈(150)은 요청자가 제1 서비스 조건을 만족하더라도 제2 서비스 조건과 제3 서비스 조건의 만족여부에 대해서 판단을 진행할 수 있다.
제2 서비스 조건은 대상물리서버가 기준 리소스보다 적은 리소스를 가지는지 여부를 판단하기 위한 조건일 수 있다.
먼저, 도 6을 참조하면, 대상물리서버의 예측워크로드(A1)는 소정 기준(X)인 기준리소스 이하로 진행되고 있어 제2 서비스 조건을 만족할 수 있다.
또한, 대상물리서버는 상기 제2 서비스 조건을 만족하고 있기 때문에, 학습된 추가감시모델(141)을 제공하기 위한 리소스가 여유 있다고 판단될 수 있다.
이어서, 송신모듈(150)은 기산점(S1)을 기준으로 한 제3 서비스 조건의 만족여부를 판단할 수 있다.
구체적으로, 제3 서비스 조건은 기산점(S1)을 기준으로 하여 실제 물리서버 발생 워크로드와 예측워크로드의 예측 오차를 판단하여, 추가감시모델(141)의 제공 여부 및 재학습 여부를 결정하기 위한 조건일 수 있다.
도 6을 참조하면, 대상물리서버는 기산점(S1)을 기준으로 제2 기간(T2) 동안에 대상물리서버에서 발생되는 워크로드(B1)와 예측워크로드(A1)의 차이가 소정 값 미만을 유지하고 있기 때문에, 송신모듈은 제3 서비스 조건이 불만족 된다고 판단될 수 있다.
일례로, 소정 값의 기준은 대상물리서버에서 발생된 워크로드와 예측워크로드의 차이가 2% 범위 내로 존재하는 것을 의미할 수 있다.
한편, 도 7을 참조하면, 대상물리서버의 예측워크로드(B2)는 기산점(S1)을 기준으로 제2 기간(T2)동안에 대상물리서버에서 발생되는 워크로드(B2)와 예측워크로드(A2)가 소정 값을 초과하여 차이 나기 때문에 제3 서비스 조건을 만족시킬 수 있다.
일례로, 소정 값은 2% 범위 이내를 의미할 수 있다.
다만, 소정 값은 이에 한정하지 않고 통상의 기술자에게 한해서 다양하게 변형 가능하다.
또한, 워크로드(B2)와 예측워크로드(A2)의 두 워크로드의 차이가 소정 값을 초과하는 것은 대상물리서버의 워크로드의 예측이 부정확하여 추가감시모델(141)을 재학습하는 것은 불가능한 상태로 판단될 수 있다.
결론적으로, 요청자와 대상물리서버가 상기 미리 정해진 서비스조건인 제1 서비스 조건, 제2 서비스 조건 및 제3 서비스 조건을 모두 만족한다면, 학습된 추가감시모델(141)을 요청자에게 제공할 수 있다.
한편, 미리 정해진 서비스조건 중 하나의 서비스 조건이라도 불만족한다면, 미리 정해진 추가조건을 재판단하여 추가감시모델(141)의 재학습 여부를 판단할 수 있다.
추가 감시모델을 재학습하거나 추가감시모델을 이용한 감시서비스를 제공한 경우, 송신모듈은 서비스기간이 종료하였는지 여부를 판단할 수 있다.
요청자와 클라우드 서버(100)가 체결한 서비스 기간의 종료 여부를 판단하여 해당 서비스 기간이 도래하였다면, 추가감시모델(141)의 재학습없이 종료될 수 있다.
상기 대상가공설비(10)에 대해서 요청한 서비스의 기간이 남아있는 상태라면, 상술한 프로세스인 미리 정해진 서비스 조건 및 미리 정해진 추가조건이 만족되는지 여부가 재 판단될 수 있다.
또한, 재학습된 상기 추가감시모델(141)에 대해서도 대상가공설비(10)가 미리 정해진 서비스조건이 만족되어야 만 해당 추가감시모델(141)을 요청자에게 제공될 수 있다.
본 발명의 일 실시예에 따른, 가공설비(10)를 모니터링하기 위한 감시모델(121)을 제공하는 클라우드 서비스 제공 방법은, 수집모듈(110)에 의해, 클라우드 서비스를 제공받는 자가 운영하는 가공설비(10)인 대상가공설비(10)의 가동과 관련된 정보인 대상가공정보를 수집하는 단계, 저장모듈(120)에 의해, 상기 감시모델(121)이 저장되어 있는 단계 및 산출모듈(130)에 의해, 상기 대상가공정보를 기초로 상기 감시모델(121)을 파인튜닝하여 상기 대상가공설비(10)만을 위한 상기 감시모델(121)인 대상감시모델(131)을 산출하는 단계를 포함할 수 있다.
이하, 상술한 내용과 중복되는 한도에서 자세한 설명은 생략될 수 있다.
첨부된 도면은 본 발명의 기술적 사상을 보다 명확하게 표현하기 위해, 본 발명의 기술적 사상과 관련성이 없거나 떨어지는 구성에 대해서는 간략하게 표현하거나 생략하였다.
상기에서는 본 발명에 따른 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀 둔다.
10 : 가공설비 100 : 클라우드 서버
110 : 수집모듈 120 : 저장모듈

Claims (10)

  1. 가공설비를 모니터링하기 위한 감시모델을 제공하는 클라우드 서버에 있어서,
    클라우드 서비스를 제공받는 자인 요청자가 운영하는 가공설비인 대상가공설비의 가동과 관련된 정보인 대상가공정보를 수집하는 수집모듈;
    상기 감시모델이 저장되어 있는 저장모듈;
    상기 대상가공정보를 기초로 상기 감시모델을 파인튜닝하여 상기 대상가공설비만을 위한 상기 감시모델인 대상감시모델을 산출하는 산출모듈; 및
    미리 정해진 추가조건이 만족되는 경우, 상기 대상가공설비가 생산하는 물품인 대상가공품에 요청되는 공차인 요청공차보다 더 작은 공차 조건의 보완공차에 대응되는 감시모델인 추가감시모델을 학습하는 제안모듈;을 포함하고,
    상기 미리 정해진 추가조건은,
    상기 요청공차가 산업 기준에 따라 설정된 공차인 기준공차보다 초과하는 조건인 제1 추가조건을 구비하는,
    클라우드 서버.
  2. 제1항에 있어서,
    상기 대상가공정보는,
    상기 대상가공설비의 동작을 위해 상기 대상가공설비에 입력되는 정보인 대상입력정보를 구비하고,
    상기 대상입력정보는,
    상기 요청공차에 대한 정보를 구비하는,
    클라우드 서버.
  3. 제2항에 있어서,
    상기 산출모듈은,
    시계열적으로 상기 대상가공설비의 가동결과를 예측하고,
    상기 대상가공품에 요청되는 공차가 작을수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 커지도록 상기 대상감시모델을 산출하고,
    상기 대상가공품에 요청되는 공차가 커질수록, 단위 시간 기준으로 예측되는 상기 가동결과의 개수가 작아지도록 상기 대상감시모델을 산출하는,
    클라우드 서버.
  4. 제3항에 있어서,
    상기 산출모듈은,
    상기 대상가공품에 요청되는 공차가 작을수록, 레이어의 숫자가 커지거나 하이퍼파라미터의 개수가 커지도록 상기 대상감시모델을 산출하고,
    상기 대상가공품에 요청되는 공차가 커질수록, 레이어의 숫자가 작아지거나 하이퍼파라미터의 개수가 작아지도록 상기 대상감시모델을 산출하는,
    클라우드 서버.
  5. 삭제
  6. 제1항에 있어서,
    상기 미리 정해진 추가조건은,
    상기 대상가공설비에 대응되는 가상머신이 가동되는 물리서버인 대상물리서버가 가동될 것으로 예측되는 워크로드인 예측워크로드가 제1 기간 동안 소정 기준 이하일 조건인 제2 추가조건을 더 구비하는,
    클라우드 서버.
  7. 제1항에 있어서,
    상기 요청자에게, 상기 대상감시모델을 직접 제공하거나 상기 대상감시모델에서 산출되는 가동결과를 송신하는 송신모듈;을 더 포함하고,
    상기 송신모듈은,
    미리 정해진 서비스조건이 만족되는 경우, 상기 요청자에게, 상기 추가감시모델을 직접 제공하거나 상기 추가감시모델에서 산출되는 가동결과를 송신하는,
    클라우드 서버.
  8. 제7항에 있어서,
    상기 산출모듈은,
    상기 요청자의 과거 서비스 이용내역을 기반으로 준수모델을 이용하여, 상기 요청자의 비용 납부 성실성에 대한 지표인 성실도를 산출하고,
    상기 미리 정해진 서비스조건은,
    상기 요청자의 성실도가 소정 기준 이상일 조건인,
    클라우드 서버.
  9. 제7항에 있어서,
    상기 미리 정해진 추가조건은,
    상기 대상가공설비에 대응되는 가상머신이 가동되는 물리서버인 대상물리서버가 가동될 것으로 예측되는 워크로드인 예측워크로드가 제1 기간 동안 소정 기준 이하일 조건인 제2 추가조건 및 기산점을 기준으로 제2 기간동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 이하인 조건인 제3 추가조건을 더 구비하고,
    상기 미리 정해진 서비스조건은,
    상기 요청자의 성실도가 소정 기준 이상일 조건인 제1 서비스 조건, 상기 예측워크로드가 소정 기준 이하일 조건인 제2 서비스 조건 및 기산점을 기준으로 제2 기간동안 상기 대상물리서버에서 발생되는 워크로드와 상기 예측워크로드의 차이가 소정 값 초과인 조건인 제3 서비스 조건을 구비하는,
    클라우드 서버.
  10. 가공설비를 모니터링하기 위한 감시모델을 제공하는 클라우드 서비스 제공 방법에 있어서,
    수집모듈에 의해, 클라우드 서비스를 제공받는 자가 운영하는 가공설비인 대상가공설비의 가동과 관련된 정보인 대상가공정보를 수집하는 단계;
    저장모듈에 의해, 상기 감시모델이 저장되어 있는 단계;
    산출모듈에 의해, 상기 대상가공정보를 기초로 상기 감시모델을 파인튜닝하여 상기 대상가공설비만을 위한 상기 감시모델인 대상감시모델을 산출하는 단계; 및
    제안모듈에 의해, 미리 정해진 추가조건이 만족되는 경우, 상기 대상가공설비가 생산하는 물품인 대상가공품에 요청되는 공차인 요청공차보다 더 작은 공차 조건인 보완공차에 대응되는 감시모델인 추가감시모델의 학습이 진행되는 단계;를 포함하고,
    상기 미리 정해진 추가조건은,
    상기 요청공차가 산업 기준에 따라 설정된 공차인 기준공차보다 초과하는 조건인 제1 추가조건을 구비하는,
    클라우드 서비스 제공 방법.
KR1020230129197A 2023-09-26 2023-09-26 Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법 KR102682115B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230129197A KR102682115B1 (ko) 2023-09-26 2023-09-26 Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230129197A KR102682115B1 (ko) 2023-09-26 2023-09-26 Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법

Publications (1)

Publication Number Publication Date
KR102682115B1 true KR102682115B1 (ko) 2024-07-08

Family

ID=91945119

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230129197A KR102682115B1 (ko) 2023-09-26 2023-09-26 Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법

Country Status (1)

Country Link
KR (1) KR102682115B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020027386A (ja) * 2018-08-10 2020-02-20 株式会社ジェイテクト 異常判定装置、異常判定システムおよび異常判定方法
KR102436870B1 (ko) * 2022-05-31 2022-08-26 주식회사 영일메카텍 스마트팩토리 구현을 위한 머신 통합모니터링 시스템
JP2022547408A (ja) * 2019-09-13 2022-11-14 ライシャウァー アーゲー 歯車加工装置における自動プロセス制御

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020027386A (ja) * 2018-08-10 2020-02-20 株式会社ジェイテクト 異常判定装置、異常判定システムおよび異常判定方法
JP2022547408A (ja) * 2019-09-13 2022-11-14 ライシャウァー アーゲー 歯車加工装置における自動プロセス制御
KR102436870B1 (ko) * 2022-05-31 2022-08-26 주식회사 영일메카텍 스마트팩토리 구현을 위한 머신 통합모니터링 시스템

Similar Documents

Publication Publication Date Title
Lindström et al. Towards intelligent and sustainable production: combining and integrating online predictive maintenance and continuous quality control
AU2020203862B2 (en) Artificial intelligence (ai) based predictions and recommendations for equipment
Schneckenreither et al. Order release planning with predictive lead times: a machine learning approach
US8065177B2 (en) Project management system and method
Pan et al. An integrated EPQ model based on a control chart for an imperfect production process
CN116629577A (zh) 一种基于大数据的智能化供应链管理***
WO2020257782A1 (en) Factory risk estimation using historical inspection data
JP2023518771A (ja) 機械学習に基づくデータ・モニタリング
CN108734567A (zh) 一种基于大数据人工智能风控的资产管理***及其评估方法
Pedersen et al. Optimizing a condition-based maintenance policy by taking the preferences of a risk-averse decision maker into account
CN104081298B (zh) 用于自动化和/或电气工程项目中的工作流程的自动化操控的***和方法
Mason et al. Improving the design process for factories: Modeling human performance variation
CN117875724A (zh) 一种基于云计算的采购风险管控方法及***
KR102682115B1 (ko) Cnc 가공설비를 모니터링 하기 위한 인공지능 기반 클라우드 서비스 제공 방법
CN116883065A (zh) 商户风险预测方法及装置
Kim et al. Data-analytics-based factory operation strategies for die-casting quality enhancement
Ciptomulyono et al. A new multi-criteria method based on DEMATEL, ANP and grey clustering for quality sorting of incoming cores in remanufacturing systems under epistemic uncertainty: A case study of heavy-duty equipment
Serpell Improving conceptual cost estimating performance
CN113743695A (zh) 基于大数据的国际工程项目投标报价风险管理方法
Stojanov et al. Evaluating software maintenance processes in small software company based on fuzzy screening
CN117644431B (zh) 基于数字孪生模型的cnc机床加工质量分析方法及***
Tu et al. Neutrosophic number optimization models and their application in the practical production process
Wang et al. Research on the evaluation method of the operation status of digital workshop in discrete manufacturing industry
Lee et al. Deep learning-based cutting force prediction for machining process using monitoring data
JP7457839B2 (ja) 標準決済指図の自動選択のためのシステムおよび方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant