KR20190130212A - Engineering big data-driven design expert system and design method thereof - Google Patents

Engineering big data-driven design expert system and design method thereof Download PDF

Info

Publication number
KR20190130212A
KR20190130212A KR1020180047377A KR20180047377A KR20190130212A KR 20190130212 A KR20190130212 A KR 20190130212A KR 1020180047377 A KR1020180047377 A KR 1020180047377A KR 20180047377 A KR20180047377 A KR 20180047377A KR 20190130212 A KR20190130212 A KR 20190130212A
Authority
KR
South Korea
Prior art keywords
design
data
optimization
expert system
analysis
Prior art date
Application number
KR1020180047377A
Other languages
Korean (ko)
Other versions
KR102141709B1 (en
Inventor
최병열
이용빈
최동훈
Original Assignee
주식회사 피도텍
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 주식회사 피도텍 filed Critical 주식회사 피도텍
Priority to KR1020180047377A priority Critical patent/KR102141709B1/en
Publication of KR20190130212A publication Critical patent/KR20190130212A/en
Application granted granted Critical
Publication of KR102141709B1 publication Critical patent/KR102141709B1/en

Links

Images

Classifications

    • G06F17/5009—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

The present invention discloses a design expert system, which comprises: a prediction model generation unit generating a prediction model using experimental data collected by an experiment of a design target and keywords describing the experimental data; a data generation unit generating characteristic data using the prediction model for identifying characteristics of the design target; a data analysis unit analyzing the generated characteristic data; and a design optimization unit performing design optimization of the design target in accordance with an optimal design algorithm using various data analysis results based on the prediction model. According to the present invention, the optimized performance improvement result can be obtained only by inputting data and setting design goals in the optimal design and multidimensional data analysis.

Description

엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법{ENGINEERING BIG DATA-DRIVEN DESIGN EXPERT SYSTEM AND DESIGN METHOD THEREOF}ENGINEERING BIG DATA-DRIVEN DESIGN EXPERT SYSTEM AND DESIGN METHOD THEREOF}

본 발명은 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 설계 방법에 관한 것으로, 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과, 그 근거 및 추가 개선 가이드 정보를 도출하는 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 설계 방법에 관한 것이다.The present invention relates to a design expert system and a design method based on engineering big data, which are based on engineering big data that derives optimized performance improvement results, its basis, and further improvement guide information by inputting data and setting design goals. Design expert systems and design methods.

전문가 시스템이란 특정 분야에서 전문가의 지식과 경험을 체계화한 시스템을 말한다.An expert system is a system that organizes expert knowledge and experience in a specific field.

전문가 시스템은 사용자의 의사결정을 지원하는데 사용되거나, 시스템의 오류를 최소화하는데 사용될 수 있다. 초기 전문가시스템은 경영정보 시스템의 문제해결 능력 향상에서 시작되었다.Expert systems can be used to support user decision-making or to minimize errors in the system. Early expert systems began with improving problem solving capabilities of management information systems.

전문가 시스템의 특징으로 첫째, 지식베이스의 항구적 보관이 가능하다. 둘째, 전문가의 지식에 비해 지식 이전과 학습이 용이하다. 셋째, 인간의 전문지식을 문서화하는 것에 비해 지식의 문서화가 용이하다. 넷째, 전문가보다 일관성 있는 결과를 제공한다. 다섯째, 일반 사용자가 전문지식이나 능력을 저렴한 비용으로 시간 제약 없이 사용 가능하다.As a characteristic of the expert system, first, the permanent storage of the knowledge base is possible. Second, knowledge transfer and learning are easier than expert knowledge. Third, it is easier to document knowledge than to document human expertise. Fourth, it provides more consistent results than experts. Fifth, general users can use expertise or ability at low cost without time constraints.

도 1은 종래의 기술에 따른 일반적인 전문가 시스템의 예시도이다.1 is an illustration of a general expert system according to the prior art.

도 1을 참조하면, 전문가 시스템은 구성 요소로서 지식베이스(Knowledge Base, KB), 추론 기관(Inference Engine, IE), 설명기관(Justifier), 지식획득시스템(Knowledge Acquisition System, KAS), 및 사용자 인터페이스(User Interface, UI)를 포함한다.Referring to FIG. 1, the expert system is composed of a Knowledge Base (KB), an Inference Engine (IE), a Justice, a Knowledge Acquisition System (KAS), and a user interface as components. (User Interface, UI).

지식베이스는 문제 해결에 관련된 전문가 지식을 담고 있는 지식저장소로서 관련 정보, 데이터, 규칙, 관계 등을 저장한다. 대표적인 지식표현 방법으로서 in-then 규칙, 의미론적 네트워크(Semantic Net), 프레임(Frame) 방법 등이 있다.Knowledge Base is a knowledge repository containing expert knowledge related to problem solving. It stores related information, data, rules, and relationships. Representative knowledge representation methods include in-then rules, semantic nets, and frame methods.

If-then 규칙은 가장 널리 사용되는 지식표현 방법이다. 지식이 규칙의 형태로 저장되기 때문에 흔히 지식베이스는 규칙베이스라고 불린다.If-then rules are the most widely used knowledge representation. Knowledge bases are often called rulebases because knowledge is stored in the form of rules.

추론기관은 지식에 근거하여 사실 추론을 한다. 문제에 대한 정확한 추론을 지원한다. 대표적인 추론방법으로 정방향 추론(Forward Chaining)과 역방향 추론(Backward Chaining)이 있다.Reasoning agencies reason facts based on knowledge. Support accurate inferences about the problem. Representative reasoning methods are forward chaining and backward chaining.

설명기관은 결론에 도달한 이유를 설명한다. 전문가 시스템에서 설명능력을 제공하는 구성 요소이다. 추론과정을 저장하여 이를 문장으로 제시한다. 해당 문제해결과 관련된 지식을 보여준다.The explainer explains why the conclusion was reached. It is the component that provides the explanatory power in the expert system. Save the reasoning process and present it as a sentence. Demonstrate knowledge related to the problem solving.

지식획득시스템은 지식을 획득한다. 지식획득은 전문가와의 인터뷰나 문헌자료 등을 수집하고 정리하여 컴퓨터에 입력하는 과정이다. 전문가시스템의 개발과정 중 가장 많은 시간과 비용이 소요되는 부분이다. 정확하고 충분한 지식이 전문가시스템의 성공 여부를 결정한다. 유지 및 보수작업이 필요하며, 최근 자동 지식습득을 수행하는 자동학습 분야가 중요 연구과제로 부상하고 있다.Knowledge acquisition system acquires knowledge. Knowledge acquisition is the process of collecting and arranging interviews with experts and literature and inputting them into a computer. This is the most time-consuming and costly part of the development of expert systems. Accurate and sufficient knowledge determines the success of the expert system. Maintenance and repair work is required, and the field of automatic learning that performs automatic knowledge acquisition is emerging as an important research task.

오늘날 빅데이터를 처리하는 방법으로 크게 분류(Classification), 군집(Clustering), 연관성(Association), 연속성(Sequencing), 및 예측(Forecasting)의 데이터 마이닝 (Data Mining) 또는 데이터 분석(Data Analytics) 기법이 활용된다.Today's big data processing methods are data mining or data analytics, which are classified, clustering, associative, sequencing, and forecasting. Are utilized.

빅데이터의 활용이 도입되고 있는 금융이나 의료 분야와는 달리 엔지니어링 분야에서 빅데이터는 정성적인 지표가 아닌 정량적인 성능 지수의 예측을 통해 제품의 개념 설계에서 적극 활용되어야 한다.Unlike the financial and medical fields, where big data is being used, big data should be actively used in the conceptual design of products through the prediction of quantitative performance indexes, not qualitative indicators.

엔지니어링 빅데이터에는 실험계획법과 같이 정규화된 계획 아래에서 획득된 데이터가 많이 분포한다. 따라서, 엔지니어링 분야에서는 정규화된 계획 아래에서 획득된 빅데이터를 토대로 개념 설계 단계에서 성능을 사전에 예측하고 개선안을 도출할 수 있는 설계 전문가 시스템이 필요하다.Engineering big data has a lot of data obtained under normalized plans, such as experimental design. Therefore, the engineering field needs a design expert system that can predict performance and draw improvements in the conceptual design stage based on big data acquired under a normalized plan.

엔지니어링 설계 분야의 종래의 기술에 따르면 최적설계, 실험계획법, 민감도 분석, 설계 기여도 분석, 성능 간의 상충관계 분석 과정을 통해 개선안을 도출하고, 도출된 근거를 확보하여 설계 변경에 반영하는 절차를 따른다. 그러나 기업체의 엔지니어 입장에서는 최적설계 전문가나 데이터 분석 전문가의 도움 없이 신뢰도 높은 개선 결과를 확보하는 것이 쉽지 않다.According to the conventional technology in the field of engineering design, the improvement plan is derived through the process of optimization design, design of experiments, sensitivity analysis, design contribution analysis, and performance analysis, and the procedure of obtaining the derived evidence and reflecting it in the design change is followed. However, it is not easy for an enterprise engineer to obtain reliable improvement results without the assistance of an optimal design expert or a data analyst.

본 발명의 일 실시 예에 따른 엔지니어링 빅데이터 기반의 설계 전문가 시스템은 엔지니어링 빅데이터 분석을 통해, 최적설계를 위한 향상된 결과를 도출하고 그 결과와 근거를 설계 변경에 반영한다는 점에서 발명의 특징이 있으며, 이러한 특징은 종래기술과 구별되고 상기 종래기술이 갖는 문제점을 해결하기 위해 개시된다.The design expert system based on engineering big data according to an embodiment of the present invention has characteristics of the invention in that the engineering big data analysis results in improved results for optimal design and reflects the results and evidence in the design change. This feature is distinguished from the prior art and is disclosed to solve the problems with the prior art.

한국 공개특허공보 특2002-0012733호호(2002.02.20.)Korean Unexamined Patent Publication No. 2002-0012733 (2002.02.20.)

본 발명이 해결하고자 하는 과제는, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 도출하는 설계 전문가 시스템을 제공하는 것이다.The problem to be solved by the present invention is to provide a design expert system that derives optimized performance improvement results by simply inputting data and determining design goals in optimal design and multidimensional data analysis.

본 발명이 추가적으로 해결하려는 과제는, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 더욱 나은 최적 설계가 가능한 설계 전문가 시스템을 제공하는 것이다.Another object of the present invention is to provide a design expert system capable of better optimal design through data mining of experimental data of a system to be designed using a learning function of machine learning.

본 발명의 일 실시 예에 따른 설계 전문가 시스템은, 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 예측모델 생성부; 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 데이터 생성부; 생성된 상기 특성 데이터를 분석하는 데이터 분석부; 및 상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 설계 최적화부를 포함하는 것을 특징으로 한다.Design expert system according to an embodiment of the present invention, the predictive model generation unit for generating a predictive model using the experimental data and experimental data collected by the experiment of the design target; A data generator for generating characteristic data using a prediction model for identifying characteristics of a design target; A data analyzer analyzing the generated characteristic data; And a design optimizer configured to perform design optimization of a design target according to an optimal design algorithm using various data analysis results based on the predictive model.

여기서, 상기 데이터 분석부는, 성능 인자에 영향을 미치는 설계 변수의 중요도 순서와 개선방향을 분석하는 설계민감도 분석부를 포함하는 것을 특징으로 한다.Here, the data analysis unit, characterized in that it comprises a design sensitivity analysis unit for analyzing the order of importance and the improvement direction of the design variables affecting the performance factor.

여기서, 상기 데이터 분석부는, 성능 인자 간의 상충관계(Trade-off) 존재 여부 및 성능 인자 간의 우선 순위를 분석하는 상충관계 분석부를 더 포함하는 것을 특징으로 한다.The data analysis unit may further include a tradeoff analysis unit that analyzes a trade-off between performance factors and a priority between the performance factors.

여기서, 설계 전문가 시스템은, 설계 최적화부의 최적화 결과를 로직에 따라 분석하는 최적화 분석부를 더 포함하고, 상기 설계 최적화부는, 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 것을 특징으로 한다.Here, the design expert system further includes an optimization analysis unit for analyzing the optimization result of the design optimization unit according to the logic, and the design optimization unit further modifies the design goal to further improve the design target based on the analyzed result. Characterized in that.

여기서, 상기 최적화 분석부는, 설계 최적화부의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 것을 특징으로 한다.Here, the optimization analysis unit is characterized by analyzing the contribution corresponding to the cause of the performance improvement of the design target by analyzing the improved design results through the optimization of the design optimization unit.

여기서, 상기 설계 전문가 시스템은, 데이터 분석부 또는 최적화 분석부에 의한 분석 결과를 텍스트 레포트로 출력하는 설명부를 더 포함하는 것을 특징으로 한다.The design expert system may further include a description unit for outputting the analysis result by the data analysis unit or the optimization analysis unit as a text report.

여기서, 상기 설계 전문가 시스템은, 머신 러닝 알고리즘을 이용하여 데이터를 분석하기 위한 머신 러닝 모델을 생성하는 머신 러닝 모델 생성부; 학습 데이터 및 분석 데이터를 포함하는 데이터베이스; 및 데이터 항목과 키워드를 포함하는 훈련 데이터를 이용하여 상기 머신 러닝 모델의 분류 학습을 수행하는 학습부를 더 포함하는 것을 특징으로 한다.The design expert system may include a machine learning model generator configured to generate a machine learning model for analyzing data using a machine learning algorithm; A database containing learning data and analysis data; And a learning unit configured to perform classification learning of the machine learning model using training data including data items and keywords.

여기서, 상기 머신 러닝 모델은, 학습부에 의해 수행된 학습에 따라 최적 설계를 위해 필요한 실험데이터를 포함하여 각종 데이터에 대해 데이터 분류를 수행하는 것을 특징으로 한다.Here, the machine learning model is characterized by performing data classification on various data including experimental data necessary for optimal design according to the learning performed by the learning unit.

본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법은, 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 단계; 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 단계; 생성된 상기 특성 데이터의 분석을 통해 설계민감도 분석 및/또는 상충관계 분석을 수행하는 단계; 및 상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 단계를 포함하는 것을 특징으로 한다.According to one or more exemplary embodiments, a design method of a design expert system may include: generating a predictive model using experimental data collected by an experiment of a design target and keywords describing the experimental data; Generating characteristic data using a prediction model for identifying characteristics of a design target; Performing a design sensitivity analysis and / or a tradeoff analysis through analysis of the generated characteristic data; And performing design optimization of a design target according to an optimal design algorithm using various data analysis results based on the predictive model.

여기서, 상기 설계 전문가 시스템의 설계 방법은, 설계 최적화부의 최적화 결과를 로직에 따라 분석하는 단계; 및 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 단계를 더 포함 및/또는, 최적화 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 단계를 더 포함하는 것을 특징으로 한다.The design method of the design expert system may include analyzing an optimization result of a design optimization unit according to logic; And further modifying the design goal to further optimize based on the analyzed result and / or analyzing the contribution corresponding to the cause of the improvement of the design target by analyzing the optimization result. It characterized in that it further comprises.

본 발명에 의하면, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 얻을 수 있다.According to the present invention, an optimized performance improvement result can be obtained only by inputting data and determining a design goal in an optimal design and multidimensional data analysis.

또한, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 보다 나은 최적 설계가 가능하다.In addition, better learning can be achieved through data mining of experimental data of the system to be designed using the learning function of machine learning.

도 1은 종래의 기술에 따른 일반적인 전문가 시스템의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 형태를 설명하기 위한 예시도이다.
도 3은 도 2 (B)에서 사용자 단말에 해당하는 클라이언트의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 설계 전문가 시스템에 해당하는 컴퓨팅 장치의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법에 관한 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 머신 러닝에 의한 데이터 분류 과정의 예시도이다.1 is an illustration of a general expert system according to the prior art.
2 is an exemplary view for explaining the form of a design expert system according to an embodiment of the present invention.
3 is a block diagram of a client corresponding to a user terminal in FIG.
4 is a block diagram of a design expert system according to an exemplary embodiment.
5 is a block diagram of a computing device corresponding to a design expert system according to an exemplary embodiment.
6 is a flowchart illustrating a design method of a design expert system according to an exemplary embodiment.
7 is an exemplary diagram of a data classification process by machine learning according to an embodiment of the present invention.

이하, 첨부한 도면을 참조하여 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법에 대한 바람직한 실시 예를 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of an engineering big data-based design expert system and a design method thereof will be described in detail with reference to the accompanying drawings.

각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한, 본 발명의 일 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.Like reference numerals in the drawings denote like elements. In addition, specific structural to functional descriptions of one embodiment of the present invention are only illustrated for the purpose of describing the embodiment according to the present invention, and unless otherwise defined, the terms used herein include technical or scientific terms. All terms have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms such as those defined in the commonly used dictionaries should be construed as having meanings consistent with the meanings in the context of the related art, and are not construed in ideal or excessively formal meanings unless expressly defined herein. It is preferable not to.

이하 본 발명의 일 실시 예에 따른 엔지니어링 빅데이터 기반의 설계 전문가 시스템의 형태에 대해 설명하기로 한다.Hereinafter, a form of an engineering big data-based design expert system according to an embodiment of the present invention will be described.

도 2는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 형태를 설명하기 위한 예시도이다.2 is an exemplary view for explaining the form of a design expert system according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 (A), (B) 두 가지 형태로 개발될 수 있다. (A)는 서버와 클라이언트의 구분이 없는 형태이고, (B)는 서버(200) 및 클라이언트(100)를 포함하는 형태이다. (A)의 경우 설계 전문가 시스템(200)이 네트워크에 반드시 연결되어 있어야 하는 것은 아니지만, (B)의 경우 서버 형태의 설계 전문가 시스템(200)은 네트워크(400)를 통해 데이터베이스(300)와 사용자 단말(100)과 연결된다. 이하 (B) 형태를 예로서 설명하기로 한다.Referring to FIG. 2, the design expert system 200 according to an embodiment of the present invention may be developed in two forms (A) and (B). (A) is a form in which there is no distinction between a server and a client, and (B) is a form including a server 200 and a client 100. In the case of (A), the design expert system 200 does not have to be connected to the network, but in the case of (B), the design expert system 200 in the form of a server is connected to the database 300 and the user terminal through the network 400. Connected with 100. Hereinafter, the form (B) will be described as an example.

도 2 (B)를 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)을 포함하는 시스템 환경(1)은 사용자 단말(100), 설계 전문가 시스템(200), 데이터베이스(300) 및 네트워크(400)를 포함한다.Referring to FIG. 2B, the system environment 1 including the design expert system 200 according to an embodiment of the present invention includes a user terminal 100, a design expert system 200, a database 300, and the like. Network 400.

사용자 단말(100)은 설계 전문가 시스템(200)이 제공하는 설계 서비스를 제공받는 장치이다. 여기서, 사용자 단말(100)은, 설계를 수행하는 장치로서, 그 구성 요소로서 입력 디바이스 및 출력 디바이스를 포함하고, 그 종류로서 컴퓨팅 장치, 단말기(terminal) 및 무선 단말(wireless terminal)을 포함할 수 있다.The user terminal 100 is a device that receives a design service provided by the design expert system 200. Here, the user terminal 100 is an apparatus for performing a design, and may include an input device and an output device as its components, and may include a computing device, a terminal, and a wireless terminal as its type. have.

상기 무선 단말의 다양한 실시 예들은 셀룰러 전화기, 무선 통신 기능을 가지는 스마트 폰, 무선 통신 기능을 가지는 개인 휴대용 단말기(PDA), 무선 모뎀, 무선 통신 기능을 가지는 휴대용 컴퓨터, 무선 통신 기능을 가지는 디지털 카메라와 같은 촬영장치, 무선 통신 기능을 가지는 게이밍 (gaming) 장치, 무선 통신 기능을 가지는 음악저장 및 재생 가전제품, 무선 인터넷 접속 및 브라우징이 가능한 인터넷 가전제품뿐만 아니라 그러한 기능들의 조합들을 통합하고 있는 휴대형 유닛 또는 단말기들을 포함할 수 있으나, 이에 한정되는 것은 아니다.Various embodiments of the wireless terminal include a cellular telephone, a smart phone having a wireless communication function, a personal digital assistant (PDA) having a wireless communication function, a wireless modem, a portable computer having a wireless communication function, a digital camera having a wireless communication function, and the like. Portable units incorporating combinations of such functions as well as photographing devices, gaming devices with wireless communication capabilities, music storage and playback appliances with wireless communication capabilities, internet appliances with wireless internet access and browsing, or It may include terminals, but is not limited thereto.

설계 전문가 시스템(200)은 네트워크를 통해 사용자 단말(100) 및 데이터베이스(300)와 연결되어, 사용자 단말(100)에 설계 및 전문가 시스템에 관한 서비스를 제공한다. 여기서, 설계 전문가 시스템(200)은 그 종류로서 웹서버, 클라우드 서버 및 파일 서버를 포함할 수 있다.The design expert system 200 is connected to the user terminal 100 and the database 300 through a network, and provides a service related to a design and expert system to the user terminal 100. Here, the design expert system 200 may include a web server, a cloud server, and a file server.

네트워크(400)는 유선 및 무선 네트워크, 예를 들어 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 셀룰러, 예를 들어 무선 전화 네트워크, LAN(local area network), WAN(wide area network), WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.Network 400 may be a wired and wireless network, such as the Internet, intranet and extranet, cellular, such as a wireless telephone network, a local area network, a wide area network. ), A WiFi network, an ad hoc network, and a combination thereof.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 이하 사용자 단말(100) 및 설계 전문가 시스템에 대해서 자세히 설명하기로 한다.Network 400 may include a connection of network elements such as hubs, bridges, routers, switches, and gateways. Network 400 may include one or more connected networks, such as a multi-network environment, including a public network such as the Internet and a private network such as a secure corporate private network. Access to network 400 may be provided through one or more wired or wireless access networks. Hereinafter, the user terminal 100 and the design expert system will be described in detail.

도 3은 도 2 (B)에서 사용자 단말에 해당하는 클라이언트의 블록도이다.3 is a block diagram of a client corresponding to a user terminal in FIG.

도 3을 참조하면, 사용자 단말(100)은, 네트워크(400)를 통해 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)과 연결된다. 그리고 설계 전문가 시스템(200)이 제공하는 서비스를 이용하기 위해 설계 애플리케이션 모듈(171)이 포함된 파일을 저장한다.Referring to FIG. 3, the user terminal 100 is connected to the design expert system 200 according to an embodiment of the present invention through the network 400. In addition, a file including the design application module 171 is stored in order to use a service provided by the design expert system 200.

사용자 단말(100)은 인스톨되지 않은 상기 설계 애플리케이션 모듈(171)이 저장된 미디어를 읽고, 이를 사용자 단말(100) 내에 설치할 수 있다. 상기 미디어는 광학 저장 미디어, 예를 들어 CD-ROM 및 DVD-ROM을 포함한다. 또한, 설계 애플리케이션 모듈(171)은 서버(200)로부터 내려 받은(downloaded) 바이너리 파일 형태로 제공될 수도 있다. 사용자 단말(100)은 네트워크(400)를 통해서 설계 전문가 시스템(200)으로부터 각종 파일을 내려 받아 설계 애플리케이션 모듈(171)을 업데이트할 수 있다.The user terminal 100 may read the media in which the design application module 171 which is not installed is stored, and install it in the user terminal 100. The media includes optical storage media such as CD-ROMs and DVD-ROMs. In addition, the design application module 171 may be provided in the form of a binary file downloaded from the server (200). The user terminal 100 may download various files from the design expert system 200 through the network 400 and update the design application module 171.

사용자 단말(100)은 그 구성 요소로서, 입력 디바이스(170), 디스플레이 디바이스(120), 출력 디바이스(130), 제어부(170), 저장 장치(140), 통신 장치(150) 및 전원 장치(160)를 포함한다.The user terminal 100 is a component thereof, and includes an input device 170, a display device 120, an output device 130, a controller 170, a storage device 140, a communication device 150, and a power supply device 160. ).

입력 디바이스(110)는 컴퓨터 이용 공학(computer-aided engineering, CAE)에 필요한 데이터 및 사용자 작업 환경의 각종 파라미터 설정을 위한 정보 입력을 수행하는 키보드, 터치스크린, 마우스, 전자펜 및 음성 입력장치, 예를 들어 마이크로폰을 포함하되, 이에 한정되는 것은 아니다. 실질적으로 사용자 입력을 통해 입력 디바이스(110)는 문자 및 개체를 실험계획 또는 작업 중인 설계도 내에 입력한다.The input device 110 may include a keyboard, a touch screen, a mouse, an electronic pen, and a voice input device for inputting data required for computer-aided engineering (CAE) and information for setting various parameters of a user working environment. For example, but not limited to a microphone. Through substantially user input, input device 110 inputs text and objects into the design of the experiment or design.

디스플레이 디바이스(120)는 컴퓨터 이용 공학(computer-aided engineering, CAE)에 필요한 편집 화면의 프레임 출력을 수행하는 브라운관(cathode-ray tube, CRT), 액정 디스플레이(liquid crystal display, LCD), 플라즈마 디스플레이 패널(plasma display panel, PDP), 발광다이오드 (light emitting diode, LED) 디스플레이, 유기 발광다이오드(organic light emitting diode, OLED) 디스플레이를 포함하되, 이에 한정되는 것은 아니다.The display device 120 includes a cathode-ray tube (CRT), a liquid crystal display (LCD), and a plasma display panel that perform frame output of an edit screen required for computer-aided engineering (CAE). plasma display panel (PDP), light emitting diode (LED) display, organic light emitting diode (OLED) display, but are not limited thereto.

출력 디바이스(130)는 프린터, 플로터, 빔프로젝터, 텍스트 음성 변환(text to sound, TTS) 장치와 스피커 및 이어폰을 포함하되, 이에 한정되는 것은 아니다.The output device 130 includes, but is not limited to, a printer, a plotter, a beam projector, a text to sound (TTS) device, a speaker, and an earphone.

저장 장치(140)는 사용자 단말(100)로부터 분리가 가능/불가능한 모든 형태로서, 자기테이프, 자기드럼, 플로피 디스크, ZIP 드라이브 및 하드 디스크 드라이브(hard disk drive, HDD)와 같은 자기 방식의 저장장치, SD 카드, USB 메모리 및 솔리드 스테이트 드라이브(solid state drive, SSD)와 같은 플래시 메모리를 이용하는 전기 방식의 저장장치 및 CD-ROM 드라이브, DVD-ROM 드라이브, 블루레이 디스크(blu-ray disc) 드라이브와 같은 광학 방식의 저장장치를 포함하되, 이에 한정되는 것은 아니다. The storage device 140 may be any type of removable / non-removable device from the user terminal 100. The storage device 140 may be a magnetic storage device such as a magnetic tape, a magnetic drum, a floppy disk, a ZIP drive, and a hard disk drive (HDD). Storage and CD-ROM drives, DVD-ROM drives, blu-ray disc drives with flash memory such as memory, SD cards, USB memory and solid state drives (SSD). The same optical storage device is included, but is not limited thereto.

통신 장치(150)는 네트워크(400)의 각종 통신망에 대응하는 통신 모듈, 예를 들어 블루투스 모듈, WiFi 모듈, 이더넷 인터페이스 카드, USB 모듈, 셀룰러 무선통신 모듈, 모뎀 및 무선 공유기를 포함하되, 이에 한정되는 것은 아니다. 통신 장치(150)는 내부에 송신부(151) 및 수신부(152)를 포함한다.The communication device 150 includes, but is not limited to, a communication module corresponding to various communication networks of the network 400, for example, a Bluetooth module, a WiFi module, an Ethernet interface card, a USB module, a cellular wireless communication module, a modem, and a wireless router. It doesn't happen. The communication device 150 includes a transmitter 151 and a receiver 152 therein.

전원 장치(160)는 AC를 DC로 변환하는 파워 서플라이, 어댑터, SMPS와 리튬이온 전지, 납축전지, 연료 전지 및 바이오에탄올 전지와 같은 2차 전지와 그 밖의 1차 전지를 포함하되, 이에 한정되는 것은 아니다.The power supply unit 160 includes, but is not limited to, power supplies, adapters for converting AC to DC, secondary batteries such as SMPS and lithium ion batteries, lead acid batteries, fuel cells, and bioethanol batteries, and other primary batteries. It is not.

제어부(170)는 프로세서 및 운영체제와 설계 애플리케이션 모듈(171)이 로드된 메모리 영역을 포함한다. 그리고 제어부(170)는 사용자 선택 또는 설정에 따라 설계 애플리케이션 모듈이 포함하는 명령어 셋을 실행한다.The controller 170 includes a memory area in which the processor, the operating system, and the design application module 171 are loaded. The controller 170 executes a command set included in the design application module according to a user selection or setting.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 사용자 단말(100)에 설계 전문가 시스템의 설계 방법에 관한 서비스를 제공한다.The design expert system 200 according to an embodiment of the present invention provides a service related to a design expert system design method to the user terminal 100.

도 4는 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 블록도이다.4 is a block diagram of a design expert system according to an exemplary embodiment.

도 4를 참조하면, 설계 전문가 시스템(200)은, 그 구성 요소로서, 예측모델 생성부(210), 데이터 생성부(220), 데이터 분석부(230), 설계 최적화부(240), 설명부(250), 데이터 전처리부(260), 머신 러닝 모델 생성부(270), 머신 러닝 학습부(280) 및 검색부(290)를 포함한다.Referring to FIG. 4, the design expert system 200, as a component thereof, includes a predictive model generator 210, a data generator 220, a data analyzer 230, a design optimizer 240, and a description unit. 250, a data preprocessor 260, a machine learning model generator 270, a machine learning learner 280, and a searcher 290.

먼저, 설계 전문가 시스템(200)은 크게는 최적 설계(optimum design)와 머신 러닝(machine learning)에 의한 데이터 마이닝(data mining)에 이용될 수 있다. 구성 요소 210 내지 250은 최적 설계에, 구성 요소 250 내지 290은 데이터 마이닝에 관한 것이나 이에 반드시 한정되지는 않는다.First, the design expert system 200 may be largely used for data mining by optimal design and machine learning. Components 210 through 250 are for optimal design, and components 250 through 290 relate to data mining, but are not necessarily limited thereto.

본 발명의 실시 일 실시 예에 따른 설계 전문가 시스템(200)은 엔지니어링 빅데이터(big data)를 기반으로 한다. 엔지니어링 빅데이터를 기반으로, 예측모델 생성, 데이터 생성, 데이터 분석의 절차를 거쳐서 최적 설계가 수행될 수 있다. 그런데 엔지니어링 빅데이터는 정성적인 지표보다는 정량적인 성능 지수의 예측에 활용되는 것으로서 정규화된 방법, 예를 들면 실험계획법 등을 통해 얻어진다.Design expert system 200 according to an embodiment of the present invention is based on engineering big data (big data). Based on engineering big data, optimal design can be carried out through the process of predictive model generation, data generation, and data analysis. Engineering big data, however, is used to predict quantitative performance indices rather than qualitative indicators, and is obtained through normalized methods such as experimental design.

엔지니어링 분야에서의 실험은 부품, 제품 혹은 시스템의 거동을 재현하기 위해 수행된다. 이러한 실험에 있어 가장 중요한 요구사항은 재현의 정확성으로 여러 번의 실험에서 큰 차이가 없는 결과가 나와야 한다는 점이다. 만일 단 한번의 실험으로 원하는 거동을 충분히 파악할 수 있다면 다행이겠지만, 많은 경우 설계인자에 따른 거동 추이를 충분히 파악하기 위해서는 수 차례의 실험이 요구된다.Experiments in the engineering field are conducted to reproduce the behavior of parts, products or systems. The most important requirement for these experiments is that the accuracy of the representation should result in no significant difference between the experiments. If only one experiment is enough to grasp the desired behavior, it is fortunate, but in many cases several experiments are required to fully grasp the behavioral trend according to design factors.

설계인자에 따른 거동의 변화 추이를 파악하기 위해서는 각 설계인자를 변화시키면서 실험을 수행해야 한다. 그렇다면, 충분한 실험 회수와 각 실험에 있어 설계인자들의 값들을 어떻게 결정해야 하는가? 하는 의문이 생기게 될 것이다. 이러한 의문에 대한 해답을 제공하는 것이 바로 실험계획법(design of experiments)으로서, 흔히 DOE라는 약어로 통용되고 있다. 실험계획법은 주어진 설계인자의 개수에 대한 제품 거동의 변화 추이를 정확하게 파악하기 위해 필요한 최소한의 실험 회수와 각 실험에 대한 설계인자 값들을 체계적으로 결정하는 기법이다. 가장 대표적인 DOE로 직교배열표(orthogonal array)가 있으며, 이 표는 설계인자의 개수와 각 설계인자의 수준에 따른 실험회수와 각 실험을 위한 설계인자 수준들의 조합을 나타낸 표이다.In order to grasp the change of behavior according to the design factor, the experiment should be carried out while changing each design factor. If so, how should we determine sufficient number of experiments and values of design factors for each experiment? The question will arise. The answer to this question is the design of experiments, commonly referred to as DOE. Design of experiments is a method to systematically determine the minimum number of experiments needed and the design factor values for each experiment to accurately grasp the change in product behavior for a given number of design factors. The most representative DOE is the orthogonal array, which shows the number of design factors, the number of experiments according to the level of each design factor, and the combination of design factor levels for each experiment.

DOE는 입력 변수(요인)가 출력 변수(반응)에 미치는 영향을 동시에 조사하는데 도움이 됩니다. 이러한 실험은 특정 목적에 따라 입력 변수를 변경하는 일련의 런이나 검정으로 구성된다. 데이터는 각 런에서 수집된다. 실험계획법을 사용하여 품질에 영향을 미치는 공정 조건 및 제품 성분을 확인한 다음, 결과를 최적화하는 요인 설정을 구한다DOE helps to simultaneously investigate the effects of input variables (factors) on output variables (response). These experiments consist of a series of runs or tests that change the input variable for a specific purpose. Data is collected in each run. Use DOE to identify process conditions and product components that affect quality, then determine factor settings that optimize results.

예측모델 생성부(210)는 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성한다. 여기서, 실험데이터는 설계자가 변경 가능한 설계 변수(design variable)들의 조합에 의해 해석 또는 실험된 성능 결과값이다. 키워드는, 실험에 관한 정보, 예를 들어 실험에 사용된 설계 대상이 자동차인 경우, 자동차 생산 회사명, 자동차의 차종, 해석분야, 개발단계에서의 status, 자동차를 구성하는 부품의 명칭, 담당자의 소속 등을 포함할 수 있다.The prediction model generator 210 generates a prediction model by using the experimental data collected by the experiment of the design target and keywords describing the experimental data. Here, the experimental data is a performance result analyzed or tested by a combination of design variables that can be changed by the designer. Keywords are information about the experiment, for example, if the design target used in the experiment is a car, the name of the automobile production company, the model of the car, the field of analysis, the status of the development stage, the name of the parts constituting the car, Affiliation and the like.

설계 대상의 거동 또는 성능은 수많은 인자(factor)들의 영향을 받는다. 이러한 인자들 중에서 변할 수 있는 것들과 일정한 값으로 고정된 것이 있다. 여기서 가변 가능한 인자가 변수(variable)에 해당하고, 고정된 인자가 제약 조건에 해당한다.The behavior or performance of the design target is affected by a number of factors. Some of these factors can change and are fixed at a constant value. Here, a variable argument corresponds to a variable and a fixed argument corresponds to a constraint.

변수들 중에서도 특별히 설계 대상의 성능에 지대한 영향을 미치는 변수들을 설계 변수(design variable)라고 부르고, 설계 대상의 설계는 이러한 설계변수들을 결정하는 작업에 해당한다. 참고로 동일한 설계 대상을 설계하는 경우에 있어서도 목표로 하는 성능이 달라지면 설계 변수도 달라질 수 있다.Among the variables, variables that have a great influence on the performance of the design object are called design variables, and the design of the design object corresponds to the task of determining these design variables. For reference, even in the case of designing the same design target, the design variable may be different if the target performance is different.

주어진 조건하에서 설계 대상이 발휘할 수 있는 최고의 성능을 목표로 최적의 설계 변수들의 조합을 결정하는 것을 최적 설계(optimum design)라고 한다. 즉 목적하는 성능을 가장 잘 만족시키는 설계 대상을 설계하는 것을 최적 설계라고 하고, 가장 최적으로 만족시키고자 설계한 성능을 특별히 목적함수로 정의한다.Optimal design is the determination of the best combination of design parameters for the best performance that a design subject can achieve under given conditions. In other words, designing a design object that best satisfies the desired performance is called optimal design, and the performance designed to satisfy the most optimally is specifically defined as an objective function.

특정 설계 대상의 개발에는 많은 성능들이 고려되지만, 해당 설계업무 시 고려의 대상이 되는 성능만이 목적함수에 해당된다. 따라서 해당 설계 대상의 개발 목표에 따라 목적함수가 달라지게 되며, 각 목적함수 내에 포함되어 있는 세부 성능들의 상대적인 중요도도 달라질 수 있다. Many performances are considered in the development of a specific design target, but only the target functions are considered in the design task. Therefore, the objective function varies according to the development target of the design target, and the relative importance of the detailed performances included in each objective function may also vary.

하나 이상의 세부 성능들로 구성된 목적함수를 특별히 다목적 함수(multiobjective function)라고 부르며, 일반적으로 각 세부성능에 가중치(weighting factor)를 곱하여 대수적으로 합한 것으로 정의된다.An objective function composed of one or more sub-capabilities is specifically called a multiobjective function, and is generally defined as the algebraic sum of each sub-function multiplied by a weighting factor.

데이터 생성부(220)는 설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성한다. 여기서, 특성 데이터는 그 종류로서 설계민감도 분석, 상충관계 분석 및 최적화 분석에 사용되는 데이터를 포함한다.The data generator 220 generates characteristic data by using a prediction model for identifying a characteristic of a design target. Here, the characteristic data includes data used for design sensitivity analysis, tradeoff analysis, and optimization analysis as its type.

데이터 분석부(230)는 생성된 특성 데이터를 분석한다. 구체적으로 데이터 분석부는, 그 구성 요소로서 설계민감도 분석부(231), 상충관계 분석부(232) 및 최적화 분석부(233)를 포함한다. 이하 각 분석부에 대해 설명한다.The data analyzer 230 analyzes the generated characteristic data. Specifically, the data analysis unit includes a design sensitivity analysis unit 231, a tradeoff relationship analysis unit 232, and an optimization analysis unit 233 as components. Each analysis part is demonstrated below.

설계민감도 분석부(231)는 설계 대상 설계 변수의 민감도를 분석한다. 즉, 설계 대상의 특정 성능에 영향을 미치는 설계 변수의 중요도 순서 및 개선 방향들이 분석된다.The design sensitivity analysis unit 231 analyzes the sensitivity of the design target design variable. In other words, the importance order and improvement direction of the design variables affecting the specific performance of the design target are analyzed.

어떤 요인의 변화에 따라 반응의 예민한 정도를 민감도(sensitivity)라고 부른다. 일반적으로 설계 대상의 성능은 다수의 변수에 의하여 지배를 받지만, 각각의 변수가 그 설계 대상의 성능에 미치는 영향력은 다르다. 이러한 경우, 각 변수의 변화에 따른 설계 대상의 성능 변화를 분석하는 것은 그 설계 대상의 설계에 있어 대단히 중요하다.The sensitivity of a response to changes in a factor is called sensitivity. In general, the performance of a design object is governed by a number of variables, but the influence of each variable on the performance of the design object is different. In this case, analyzing the performance change of the design object according to the change of each variable is very important in the design of the design object.

설계민감도 분석은 설계 대상의 성능을 극대화 시키기 위한 최적설계(optimum design)를 위해 매우 유용하게 사용된다. 왜냐하면, 설계 대상을 설계함에 있어 설계 대상의 성능에 미치는 각 변수의 민감도 정보를 바탕으로, 설계 대상을 성능을 극대화 시킬 수 있는 변수들의 최적 조합을 찾을 수 있기 때문이다.Design sensitivity analysis is very useful for the optimal design to maximize the performance of the design target. This is because, in designing a design target, based on the sensitivity information of each variable on the performance of the design target, an optimal combination of variables that can maximize the performance of the design target can be found.

상충관계 분석부(232)는 설계 대상에서 상충관계의 성능이 존재하는지 판별하고, 우선순위가 낮은 성능 인자를 희생해서 우선 순위가 높은 성능 인자의 개선을 극대화할 수 있게 도와 준다.The tradeoff analysis unit 232 determines whether there is a tradeoff in the design target, and helps to maximize the improvement of the high priority performance factor at the expense of the low priority performance factor.

상충관계(trade-off)는 실업률과 물가와의 관계처럼 서로 모순되는 관계로 인해서 두 가지 조건을 모두 충족시키는 것이 불가능하거나 어려운 관계를 말한다. 보통 상충관계에서는 두 가지 조건을 고르게 만족시킬 수 있는 절충점을 찾는 것이 과제에 해당한다.Trade-off refers to a relationship where it is impossible or difficult to meet both conditions because of contradictory relationships, such as unemployment and inflation. In trade-offs, the challenge is to find a compromise that can satisfy both conditions evenly.

컴퓨터 이용 공학에서 상충관계는 복수의 설계 변수가 독립적이지 않아서, 다른 설계 변수에게 제약 조건이 되는 관계를 말한다. 본 발명의 일 실시 예에 따른 상충관계 분석부(232)는 빅데이터를 기반으로 생성된 예측모델을 이용하여, 다양한 설계 변수의 조합에 따른 성능의 변화를 이용하여 상충관계의 존재를 파악하고 상충관계를 분석한다.In computer-aided engineering, a trade-off is a relationship in which a plurality of design variables are not independent and thus are constraints on other design variables. The trade-off analysis unit 232 according to an embodiment of the present invention uses a prediction model generated based on big data to grasp the existence of trade-offs and to find a trade-off by using a performance change according to a combination of various design variables. Analyze the relationship.

최적화 분석부(233)는 설계 최적화부의 최적화 결과를 로직에 따라 분석한다. 여기서, 설계 최적화부(240)는, 분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행할 수 있다.The optimization analyzer 233 analyzes the optimization result of the design optimizer according to logic. Here, the design optimizer 240 may further proceed by optimizing the design goal to enable further design improvement based on the analyzed result.

또한, 최적화 분석부(233)는 설계 최적화부(240)의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석할 수 있다.In addition, the optimization analysis unit 233 may analyze the contribution corresponding to the cause of the performance improvement of the design target by analyzing the improved design result through the optimization of the design optimization unit 240.

설계 최적화부(240)는 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하고, 상기와 같이 최적화를 추가로 진행할 수 있다.The design optimizer 240 may perform a design optimization of a design target according to an optimal design algorithm using various data analysis results based on the predictive model, and further proceed with the optimization as described above.

설명부(250)는 데이터 분석부(230)에 의한 분석 결과를 텍스트 레포트로 출력한다. 데이터 분석부(230)의 분석 결과는 원시적으로 수치 또는 연속된 수치가 표시된 각종 plot으로 발생할 수 있다. 설명부(250)는 자연어 처리가 가능한 데이터베이스를 이용하여, 원시적으로 발생된 수치 및 각종 plot을 설명 형태, 즉 텍스트 형태로 변환하여 출력한다.The description unit 250 outputs the analysis result by the data analysis unit 230 as a text report. The analysis result of the data analyzer 230 may be generated as various plots in which primitive or continuous numerical values are displayed. The description unit 250 converts the numerical values and various plots generated primitively into an explanatory form, that is, a text form, using a database capable of natural language processing.

머신 러닝 모델의 학습을 위해 실험데이터, 키워드 및 예측모델에 기반으로 생성된 각종 데이터, 테스트 레포트는 데이터베이스에 업로드 된다.For learning machine learning models, various data and test reports generated based on experimental data, keywords and predictive models are uploaded to the database.

데이터 전처리부(260)는 설계 대상의 실험데이터 및 특성 데이터를 전처리한다. 데이터 전처리는, 확보된 실험데이터를 완전한 분석 대상으로 만들기 위한 데이터 가공 단계이다. 데이터 전처리 방법은, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및, 데이터 변환(data transformation)을 포함한다.The data preprocessor 260 preprocesses the experimental data and the characteristic data of the design target. Data preprocessing is a data processing step for making the obtained experimental data a complete analysis target. Data preprocessing methods include data cleaning, data integration, data reduction, and data transformation.

머신 러닝 모델 생성부(270)는 머신 러닝 알고리즘을 이용하여 데이터를 분석하기 위한 머신 러닝 모델을 생성한다. 즉 머신 러닝 모델 생성부(270)는 빅데이터의 분석 방법, 즉 분류(classification), 군집(clustering), 연관성(association), 연속성(sequencing), 및 예측(forecasting)을 수행할 수 있는 머신 러닝 모델을 생성한다.The machine learning model generator 270 generates a machine learning model for analyzing data using a machine learning algorithm. In other words, the machine learning model generator 270 may analyze a big data, that is, a machine learning model capable of performing classification, clustering, association, sequencing, and prediction. Create

머신 러닝 학습부(280)는 데이터 항목과 키워드를 포함하는 훈련 데이터를 이용하여 머신 러닝 모델의 데이터 분석을 위한 학습을 수행한다.The machine learning learner 280 performs training for data analysis of the machine learning model using training data including data items and keywords.

머신 러닝 모델은, 학습부에 의해 수행된 학습 훈련에 따라 최적 설계를 위해 필요한 실험데이터를 포함하는 각종 데이터에 대해 데이터 분류를 수행한다.The machine learning model performs data classification on various data including experimental data necessary for optimal design according to the learning training performed by the learning unit.

신규 실험데이터가 추가될 경우, 머신 러닝 모델은 추가된 실험데이터를 분석한다. 즉, 머신 러닝 모델은, 새롭게 추가되는 실험데이터에 대해 분류(classification), 군집(clustering), 연관성(association), 연속성(sequencing), 및 예측(forecasting) 등을 수행할 수 있다.When new experimental data is added, the machine learning model analyzes the added experimental data. That is, the machine learning model may perform classification, clustering, association, sequencing, and prediction on the newly added experimental data.

검색부(290)는 데이터베이스 내의 데이터 검색, 즉 유사 데이터의 탐색, 데이터 간의 비교를 통해 과거 데이터들이 재활용될 수 있도록 한다.The search unit 290 allows the historical data to be recycled through data search in the database, that is, searching for similar data and comparing data.

도 4의 설계 전문가 시스템(200)의 구성 요소는 설명의 편의를 위해 기능적으로 구분한 구성으로, 하드웨어적으로는 하나의 프로세서에 의해 처리되는 논리적인 기능으로 구성될 수 있는 것으로, 제시된 구분에 의해 본 발명을 한정하는 것은 아니다.Components of the design expert system 200 of FIG. 4 are functionally divided for convenience of description, and may be configured as logical functions processed by one processor in hardware. It does not limit the invention.

또한, 각 구성 요소 간의 연결 관계가 일일이 표현되어 있지 않지만, 연결선이 도시되지 않은 구성 간에도 제어 또는 데이터 교환을 위한 통신, 전달이 발생될 수 있으며, 제시된 바에 의해서만 본 발명을 한정하는 것은 아니다.In addition, although the connection relationship between each component is not individually expressed, communication and transfer for control or data exchange may occur even between components in which connection lines are not illustrated, and the present invention is not limited only to the present disclosure.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 컴퓨팅 장치(500)에 해당될 수 있다. 이하 컴퓨팅 장치(500)에 해당하는 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 다른 실시 예를 통해 보다 구체적으로 설명될 수 있다.Design expert system 200 according to an embodiment of the present invention may correspond to the computing device (500). Hereinafter, the design expert system 200 according to an embodiment of the present invention corresponding to the computing device 500 may be described in more detail through other embodiments.

본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)은 하나 이상의 CPU(central processing unit), 메모리, 대용량 저장소, 입력 인터페이스 장치, 출력 인터페이스 장치로 구성된 컴퓨팅 장치로 구현될 수 있다. 컴퓨팅 장치의 각 구성 요소들은 버스를 통해 서로 통신할 수 있다.Design expert system 200 according to an embodiment of the present invention may be implemented as a computing device consisting of one or more central processing unit (CPU), memory, mass storage, input interface device, output interface device. Each component of the computing device can communicate with each other via a bus.

컴퓨팅 장치의 하드웨어 플랫폼은 개인용 컴퓨터, 핸드헬드 또는 랩톱 디바이스, 다중 프로세서 시스템, 마이크로프로세서 기반 시스템, 프로그램 가전제품, 및 이상의 시스템들 또는 디바이스들 중 임의의 것을 포함하는 분산 컴퓨팅 환경, 예컨대 클라우드 기반 컴퓨팅 시스템을 비롯한 많은 형태들로 구현될 수 있다.The hardware platform of the computing device may be a distributed computing environment, such as a cloud based computing system, including any of a personal computer, handheld or laptop device, a multiprocessor system, a microprocessor based system, a program appliance, and any of the above systems or devices. It can be implemented in many forms, including.

도 5는 본 발명의 일 실시 예에 따른 설계 전문가 시스템(200)에 해당하는 컴퓨팅 장치의 블록도이다.5 is a block diagram of a computing device corresponding to the design expert system 200 according to an embodiment of the present invention.

도 5를 참조하면, 컴퓨팅 장치(500)는 입력 인터페이스 장치(510), 출력 인터페이스 장치(520), 메모리(531), 저장장치(532), 전원 장치(540), 프로세서(550), 네트워크 인터페이스 장치(560), 무선통신 장치(570) 및 버스(580)를 포함한다.Referring to FIG. 5, the computing device 500 may include an input interface device 510, an output interface device 520, a memory 531, a storage device 532, a power supply 540, a processor 550, and a network interface. Device 560, wireless communication device 570, and bus 580.

입력 인터페이스 장치(510)는 사용자의 입력에 따라 문서작성에 필요한 문자 또는 개체를 입력한다. 입력 인터페이스 장치(510)는 키보드(keyboard), 터치스크린(touch screen), 마우스(mouse), 전자펜(stylus pen) 및 펜 태블릿(pen tablet)을 포함하되, 이에 한정되는 것은 아니다.The input interface device 510 inputs a character or an object necessary for creating a document according to a user's input. The input interface device 510 includes, but is not limited to, a keyboard, a touch screen, a mouse, a stylus pen, and a pen tablet.

출력 인터페이스 장치(520)는 문서편집 애플리케이션 모듈 관련 사용자 인터페이스 등을 표시하는 디스플레이(display) 및 문서를 프린트 출력하는 프린터(printer)를 포함한다. 또한, 출력 인터페이스 장치(520)는 문서 내의 문자를 음성합성(text to speech, TTS) 엔진을 이용하여 음성으로 출력하는 스피커(speaker), 헤드폰(head-phone) 및 헤드셋(head-set)을 포함한다.The output interface device 520 includes a display for displaying a user interface related to a document editing application module and the like, and a printer for printing out a document. In addition, the output interface device 520 includes a speaker, a head-phone, and a headset for outputting text in a document as a speech using a text to speech (TTS) engine. do.

프로세서(550)는 메모리(531) 및/또는 저장 장치(532)에 저장된 본 발명의 일 실시 예에 따른 데이터 백업 방법에 관한 문서편집 애플리케이션/서버 모듈(174/274)이 포함하고 있는 컴퓨터 명령어 셋을 실행할 수 있다. 프로세서(550)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(531)와 저장 장치(532)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(531)는 읽기 전용 메모리(read only memory, ROM) 및/또는 랜덤 액세스 메모리(random access memory, RAM)로 구성될 수 있다.The processor 550 is a computer instruction set included in a document editing application / server module 174/274 relating to a data backup method according to an embodiment of the present invention stored in a memory 531 and / or a storage device 532. You can run The processor 550 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which the methods according to the present invention are performed. The memory 531 and the storage device 532 may be configured of a volatile storage medium and / or a nonvolatile storage medium. For example, the memory 531 may be configured as read only memory (ROM) and / or random access memory (RAM).

무선통신 장치(570)는 근거리 무선통신, 무선 데이터 통신 및 무선 음성 통신을 위한 장치를 포함한다.The wireless communication device 570 includes a device for short range wireless communication, wireless data communication, and wireless voice communication.

컴퓨팅 장치(500)에 포함된 각각의 구성 요소들은 버스(580)에 의해 연결되어 서로 통신을 수행한다.Each component included in the computing device 500 is connected by a bus 580 to communicate with each other.

이하 상기 설명한 도 2 (B)에 기반하는 클라이언트/서버 형태의 설계 전문가 시스템(200)이 수행하는, 설계 방법에 대해서 도 6 및 도 7을 참조하여 설명하기로 한다.Hereinafter, a design method performed by the design expert system 200 in the form of a client / server based on FIG. 2 (B) described above will be described with reference to FIGS. 6 and 7.

도 6은 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법의 흐름도이다.6 is a flowchart of a design method of a design expert system according to an exemplary embodiment.

도 6을 참조하면, 본 발명의 일 실시 예에 따른 설계 전문가 시스템의 설계 방법은(S100)은 S110 내지 S170 단계를 포함한다.Referring to Figure 6, the design method of the design expert system according to an embodiment of the present invention (S100) includes steps S110 to S170.

먼저, 입력 디바이스(110)를 이용하여 실험데이터와 키워드(keyword) 가 사용자 단말(100)을 통해 설계 전문가 시스템(200) 입력된다. 실험데이터는 설계자(사용자)가 변경 가능한 설계변수들의 조합에 의해서 해석 혹은 실험된 성능 결과값으로 구성된 데이터 테이블을 의미한다. 이 데이터 테이블은 실험계획법(design of experiment, DOE)을 통해서 생성된다. 실험데이터와 함께 실험데이터를 설명하는 키워드(keyword), 예를 들면, 설계 대상의 자동차 회사명, 자동차 차종명, 해석분야, 개발단계에서의 Status, 부품명, 담당자 소속 등이 입력되고, 유사한 그룹들끼리 Clustering 하는 데에 활용될 수 있다.First, the experiment data and keywords are input to the design expert system 200 through the user terminal 100 using the input device 110. Experimental data refers to a data table composed of performance results analyzed or tested by a combination of design variables that can be changed by the designer (user). This data table is generated through the design of experiment (DOE). A keyword describing the experimental data together with the experimental data, for example, the name of the company to be designed, the name of the car model, the field of analysis, the status at the development stage, the part name, the person in charge, etc. are entered. It can be used to cluster each other.

다음으로 예측모델 생성부(210)는 이미 해석 혹은 실험된 결과인 실험데이터로부터 예측모델을 생성한다(S110). 예측모델은 존재하는 데이터로부터 존재하지 않는 데이터의 값을 예측할 수 있으며, 예측 기법에 따라 예측 정확도가 달라질 수 있다. 예측모델은 실험데이터를 기반으로 생성된 설계 대상의 예측모델로서, 앞으로 예측모델을 이용한 데이터의 생성 및 분석을 통해 설계 대상의 설계를 최적화한다.Next, the predictive model generator 210 generates a predictive model from experimental data that is already analyzed or tested (S110). The prediction model may predict a value of nonexistent data from the existing data, and the prediction accuracy may vary according to the prediction technique. The predictive model is a predictive model of the design target generated based on the experimental data, and optimizes the design of the design target through the generation and analysis of the data using the predictive model.

다음으로 데이터 생성부(220)는 시스템 특성 파악을 위한 예측 모델을 이용한 데이터를 생성한다(S120). 구체적으로 데이터 생성부(230)는 설계 민감도 분석, 상충관계 분석 및 최적화 분석을 위한 데이터를 생성 또는 수집한다.Next, the data generator 220 generates data using a predictive model for identifying system characteristics (S120). Specifically, the data generator 230 generates or collects data for design sensitivity analysis, tradeoff analysis, and optimization analysis.

설계민감도 분석은 특정 성능에 영향을 미치는 설계변수의 중요도 순서와 개선방향을 분석하는 기법이다. 상충관계 분석은 성능들 간의 Trade-off 관계가 존재하는지 여부를 판단하는 기법이다. 데이터 생성부(200)는 각종 데이터 분석에 필요한 데이터를 실험계획법 등의 샘플링 기법을 통해 생성하여 예측모델에 대입하여 데이터를 완성한다.Design sensitivity analysis is a technique to analyze the importance order and improvement direction of design variables affecting specific performance. Conflict analysis is a technique for determining whether a trade-off relationship exists between capabilities. The data generating unit 200 generates data necessary for analyzing various data through sampling techniques such as experimental design and substitutes the predictive model to complete the data.

다음으로 데이터 분석부(230)는 생성된 데이터를 분석한다(S130). 데이터 분석부(230)는 그 구성 요소로서, 설계민감도 분석부(231), 상충관계 분석부(232) 및 최적화 분석부(233)를 포함한다.Next, the data analysis unit 230 analyzes the generated data (S130). The data analysis unit 230 includes a design sensitivity analysis unit 231, a tradeoff analysis unit 232, and an optimization analysis unit 233 as components.

데이터 분석부(230) 내의 각 분석부는 설계민감도 분석 또는 상충관계 분석을 수행하여(S131) 설계자에게 필요한 정보, 예를 들어 설계민감도 분석의 경우, 민감도 테이블, 민감도 Plot 등을, 그리고 상충관계 분석의 경우, 상충 관계의 성능 표시, 상충 관계 다이어그램 등을 재생산한다.Each analysis unit in the data analysis unit 230 performs a design sensitivity analysis or a tradeoff analysis (S131) to provide information necessary for the designer, for example, a design sensitivity analysis, a sensitivity table, a sensitivity plot, and the like. If so, reproduce performance indicators of trade-offs, trade-off diagrams, and so on.

다음으로, 설계 최적화부(240)는 예측모델을 이용하여 설계 최적화를 수행한다(S140). 설계 최적화 과정은 설계자(사용자)가 제시한 성능 목표를 만족하도록 설계 변수의 최적의 조합을 찾는 과정이다. 설계 최적화부(240)는 최적설계 알고리즘을 이용하여 설계변수의 조합을 변경하면서 예측모델을 반복적으로 해석하여 성능 목표에 도달할 때까지 최적화 모델을 탐색한다.Next, the design optimization unit 240 performs the design optimization using the predictive model (S140). The design optimization process is the process of finding the best combination of design variables to meet the performance objectives suggested by the designer (user). The design optimizer 240 repeatedly analyzes the predictive model while changing the combination of design variables using the optimal design algorithm and searches for the optimization model until the performance target is reached.

다음으로 데이터 생성부(220) 또는 최적화 분석부(233)에 의해 최적화 결과가 분석된다(S150). 구체적으로 S150 단계는 최적화 결과 분석을 위한 데이터를 생성하는 단계(S151), 및 최적화 결과를 미리 설정된 로직에 따라 분석하는 단계(S152)를 포함한다.Next, the optimization result is analyzed by the data generator 220 or the optimization analyzer 233 (S150). In detail, step S150 includes generating data for analyzing the optimization result (S151), and analyzing the optimization result according to preset logic (S152).

구체적으로 데이터 생성부(220)는 최적화 결과 데이터 분석을 위한 예측모델을 이용한 데이터를 생성한다(S151). 즉, 데이터 생성부(220)는 최적화 결과의 객관적인 근거를 제시한 데이터를 생성한다. 설계변수의 개수나 최적화 결과의 패턴에 따라 미리 정의된 실험계획법, 파라미터 스터디 등의 기법이 조합되어 사용된다.In detail, the data generator 220 generates data using a prediction model for analyzing the optimization result data (S151). That is, the data generator 220 generates data that presents an objective basis of the optimization result. Depending on the number of design variables or the pattern of the optimization result, a combination of predefined experimental design and parametric studies is used.

다음으로, 최적화 분석부(233)는 최적화 결과 데이터를 분석한다(S152). 최적화 분석부(233)는 설계변수 조합들을 반복적으로 예측모델에 대입하여 해석한 결과로부터 기여도 분석, 즉 최적설계 수행 전/후의 결과 차이의 원인을 설계변수의 영향도로 분해하여 분석하는 방법 등을 수행한다.Next, the optimization analysis unit 233 analyzes the optimization result data (S152). The optimization analysis unit 233 performs a contribution analysis from a result of repeatedly assigning design variable combinations to a predictive model, that is, a method of analyzing the cause of the difference between the results before and after performing the optimal design by analyzing the cause of the design variable as the influence of the design variable. do.

다음으로, 설계 최적화가 수행할 것인지에 대한 판단이 추가로 이루어진다(S160). S160의 판단 결과에 따라 데이터 분석 결과에 대한 레프트가 생성되거나(S170), 분석 결과를 토대로 설계 목표를 수정하여 최적화가 추가로 진행될 수 있다(S161).Next, a determination is made whether the design optimization is to be performed (S160). According to the determination result of S160, a left for the data analysis result is generated (S170), or the optimization may be further performed by modifying the design target based on the analysis result (S161).

S170 단계는 설명부(250)가 데이터 분석 결과를 텍스트 레포트(text report)로 변환하는 단계이다. 앞서 분석된 수치결과와 각종 Plot 등이 설명 형태의 텍스트 레포트로 출력된다. 텍스트 레포트 과정에서 자연어 처리가 가능한 데이터베이스가 이용될 수 있다.S170 step The description unit 250 converts the data analysis result into a text report. Numerical results and various plots analyzed as above are output in a text report in an explanatory form. In the text report process, a database capable of processing natural language may be used.

이하는 실험데이터 및 각종 특성데이터를 생성, 분석 및 관리하는 방법에 관한 과정에 대해 설명한다.The following describes the process for generating, analyzing, and managing experimental data and various characteristic data.

데이터의 학습을 위해 입력된 실험데이터, 키워드(keyword)와 함께 예측모델, 텍스트 레포트 등은 데이터베이스에 업로드 되어 저장될 수 있다.Experimental data, keywords, and predictive models, text reports, etc., entered for learning data can be uploaded and stored in a database.

도 7은 본 발명의 일 실시 예에 따른 머신 러닝에 의한 데이터 분류 과정의 예시도이다.7 is an exemplary diagram of a data classification process by machine learning according to an embodiment of the present invention.

도 7을 참조하면, 원시 데이터가 전처리, 학습 훈련 및 분석 과정을 통해, 학습 데이터로 이용되고, 훈련된 모델에 의해 학습되고, 분석 결과로 출력되는 과정이 나타나 있다.Referring to FIG. 7, a process in which raw data is used as learning data, learned by a trained model, and outputted as an analysis result through preprocessing, learning training, and analysis processes is illustrated.

먼저, 원시 데이터는 데이터 전처리부(260)에 의한 데이터 전처리 과정을 통해 완전한 데이터로 될 수 있다. 여기서, 데이터 전처리 과정은, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및, 데이터 변환(data transformation)을 포함한다. 전처리된 각종 데이터는 학습 데이터로서 이용된다.First, the raw data may be complete data through the data preprocessing process by the data preprocessor 260. Here, the data preprocessing process includes data cleaning, data integration, data reduction, and data transformation. Various preprocessed data are used as learning data.

전처리된 데이터 중에서 데이터 항목과 키워드를 이용하여 머신 러닝 모델 생성부(260)에 의한 모델이 생성되고, 머신 러닝 학습부(280)에 의한 모델의 학습 훈련이 수행된다. 그리고 훈련된 모델은 앞으로 추가될 각종 데이터를 분석하여, 데이터를 분류, 군집, 연관성, 연속성, 예측의 데이터 마이닝을 수행한다. 예를 들어, 데이터의 재활용을 위해 실험데이터의 특성(설계 변수명, 성능 지수명), 키워드(keyword) 등의 정보를 토대로 유사한 데이터들은 머신 러닝의 한 기법인 Clustering을 이용하여 Grouping 될 수 있다.The model by the machine learning model generator 260 is generated using data items and keywords among the preprocessed data, and the model training by the machine learning learner 280 is performed. The trained model analyzes various data to be added in the future, and performs data mining of classification, clustering, correlation, continuity, and prediction. For example, similar data can be grouped using clustering, a technique of machine learning, based on information such as experimental data characteristics (design variable name, performance index name), keywords, etc. for data recycling.

추가적으로 분석 결과, 예를 들어 검색부(29)에 의해 Clustering 정보를 이용하여 기존 데이터와 유사 항목의 검색이 가능하다. 신규 실험데이터가 추가될 경우, 학습된 Cluster에 대입하여 유사한 Group의 기존 데이터를 탐색하고, 신규 실험데이터의 레포트와 비교하거나 기존 레포트의 정보를 재활용할 수 있다.In addition, as a result of analysis, for example, the search unit 29 may search for similar items with existing data using clustering information. When new experimental data is added, the existing cluster of similar group can be searched by inserting into the learned cluster, compared with the report of new experimental data, or the information of the existing report can be recycled.

상기 도면을 통해 설명된 일 실시 예에 따른 설계 전문가 시스템의 설계 방법(S100)은, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행이 가능한 명령어 셋을 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.The design method S100 of the design expert system according to the exemplary embodiment described with reference to the drawings may be implemented in the form of a recording medium including a command set executable by a computer, such as a program module executed by a computer. Can be. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, computer readable media may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.

이와 같이 본 발명의 일 실시 예에 따르면, 최적설계 및 다차원 데이터 분석에서 데이터를 입력하고, 설계 목표를 정하는 것만으로 최적화된 성능 개선 결과를 얻을 수 있다.As described above, according to an exemplary embodiment of the present invention, an optimized performance improvement result may be obtained by inputting data and determining a design goal in an optimal design and multidimensional data analysis.

또한, 머신 러닝의 학습 기능을 이용하여 설계 대상 시스템의 실험데이터의 데이터 마이닝을 통해 보다 나은 최적 설계가 가능하다.In addition, better learning can be achieved through data mining of experimental data of the system to be designed using the learning function of machine learning.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The foregoing description of the present invention is intended for illustration, and it will be understood by those skilled in the art that the present invention may be easily modified in other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is shown by the following claims rather than the above description, and all changes or modifications derived from the meaning and scope of the claims and their equivalents should be construed as being included in the scope of the present invention. do.

100: 사용자 단말
200: 설계 전문가 시스템
210: 예측모델 생성부
220: 데이터 생성부
230: 데이터 분석부
231: 설계민감도 분석부
232: 상충관계 분석부
233: 최적화 분석부
240: 설계 최적화부
250: 설명부
260: 데이터 전처리부
270: 머신 러닝 모델 생성부
280: 머신 러닝 학습부
290: 검색부100: user terminal
200: design expert system
210: predictive model generation unit
220: data generator
230: data analysis unit
231: design sensitivity analysis unit
232: tradeoff analysis unit
233: optimization analysis unit
240: design optimization unit
250: description
260: data preprocessor
270: machine learning model generator
280: machine learning learning unit
290: search unit

Claims (10)

설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 예측모델 생성부;
설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 데이터 생성부;
생성된 상기 특성 데이터를 분석하는 데이터 분석부; 및
상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 설계 최적화부를 포함하는 는 것을 특징으로 하는, 설계 전문가 시스템.A predictive model generator for generating a predictive model using experimental data collected by an experiment of a design target and keywords describing the experimental data;
A data generator for generating characteristic data using a prediction model for identifying characteristics of a design target;
A data analyzer analyzing the generated characteristic data; And
And a design optimizer configured to perform design optimization of a design target according to an optimal design algorithm using various data analysis results based on the predictive model. 청구항 1에 있어서,
상기 데이터 분석부는,
성능 인자에 영향을 미치는 설계 변수의 중요도 순서와 개선방향을 분석하는 설계민감도 분석부를 포함하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 1,
The data analysis unit,
And a design sensitivity analysis unit for analyzing the order of importance and the direction of improvement of design variables influencing the performance factor. 청구항 2에 있어서,
상기 데이터 분석부는,
성능 인자 간의 상충관계(Trade-off) 존재 여부 및 성능 인자 간의 우선 순위를 분석하는 상충관계 분석부를 더 포함하는 것을 특징으로 하는, 설계 전문가 시스템. The method according to claim 2,
The data analysis unit,
Design expert system further comprises a trade-off analysis unit for analyzing the existence of trade-off between the performance factors and the priority between the performance factors. 청구항 3에 있어서,
상기 데이터 분석부는,
설계 최적화부의 최적화 결과를 로직에 따라 분석하는 최적화 분석부를 더 포함하고,
상기 설계 최적화부는,
분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 3,
The data analysis unit,
Further comprising an optimization analysis unit for analyzing the optimization result of the design optimization unit according to the logic,
The design optimization unit,
Design expert system, characterized in that further optimization by modifying the design goals to enable further design improvements based on the analysis results. 청구항 4에 있어서,
상기 최적화 분석부는,
설계 최적화부의 최적화를 통해 개선된 설계 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 4,
The optimization analysis unit,
Design expert system, characterized in that by analyzing the design results improved through the optimization of the design optimization unit corresponding to the cause of the performance improvement of the design target. 청구항 4에 있어서,
상기 설계 전문가 시스템은,
데이터 분석부에 의한 분석 결과를 텍스트 레포트로 출력하는 설명부를 더 포함하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 4,
The design expert system,
Design expert system further comprises a description for outputting the analysis results by the data analysis unit in a text report. 청구항 1에 있어서,
머신 러닝 알고리즘을 이용하여 데이터를 분석하기 위한 머신 러닝 모델을 생성하는 머신 러닝 모델 생성부;
학습 데이터 및 분석 데이터를 포함하는 데이터베이스; 및
데이터 항목과 키워드를 포함하는 훈련 데이터를 이용하여 상기 머신 러닝 모델의 분류 학습을 수행하는 학습부를 더 포함하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 1,
A machine learning model generator for generating a machine learning model for analyzing data using a machine learning algorithm;
A database containing learning data and analysis data; And
And a learning unit configured to perform classification learning of the machine learning model using training data including data items and keywords. 청구항 7에 있어서,
상기 머신 러닝 모델은,
학습부에 의해 수행된 학습에 따라 최적 설계를 위해 필요한 실험데이터를 포함하여 각종 데이터에 대해 데이터 분류를 수행하는 것을 특징으로 하는, 설계 전문가 시스템.The method according to claim 7,
The machine learning model,
And classifying data for various types of data, including experimental data necessary for optimal design according to the learning performed by the learning unit. 설계 대상의 실험에 의해 수집된 실험데이터 및 실험데이터를 설명하는 키워드를 이용하여 예측모델을 생성하는 단계;
설계 대상의 특성 파악을 위한 예측 모델을 이용하여 특성 데이터를 생성하는 단계;
생성된 상기 특성 데이터의 분석을 통해 설계민감도 분석 및/또는 상충관계 분석을 수행하는 단계; 및
상기 예측모델을 기반으로 각종 데이터 분석 결과를 이용하여 최적설계 알고리즘에 따라 설계 대상의 설계 최적화를 수행하는 단계를 포함하는 것을 특징으로 하는, 설계 전문가 시스템의 설계 방법.Generating a predictive model using experimental data collected by an experiment of a design target and keywords describing the experimental data;
Generating characteristic data using a prediction model for identifying characteristics of a design target;
Performing a design sensitivity analysis and / or a tradeoff analysis through analysis of the generated characteristic data; And
And performing design optimization of a design target according to an optimal design algorithm using various data analysis results based on the predictive model. 청구항 9에 있어서,
상기 설계 전문가 시스템의 설계 방법은,
설계 최적화부의 최적화 결과를 로직에 따라 분석하는 단계; 및
분석된 결과를 토대로 추가적인 설계 개선이 가능하도록 설계 목표를 수정하여 최적화를 추가 진행하는 단계를 더 포함 및/또는,
최적화 결과를 분석함으로써 설계 대상의 성능 개선의 원인에 해당하는 기여도를 분석하는 단계를 더 포함하는 것을 특징으로 하는, 설계 전문가 시스템의 설계 방법.The method according to claim 9,
The design method of the design expert system,
Analyzing the optimization result of the design optimization unit according to logic; And
Further modifying the design goals to further optimize based on the analyzed results and / or
And analyzing the contribution corresponding to the cause of the performance improvement of the design target by analyzing the optimization result.
KR1020180047377A 2018-04-24 2018-04-24 Engineering big data-driven design expert system and design method thereof KR102141709B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180047377A KR102141709B1 (en) 2018-04-24 2018-04-24 Engineering big data-driven design expert system and design method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180047377A KR102141709B1 (en) 2018-04-24 2018-04-24 Engineering big data-driven design expert system and design method thereof

Publications (2)

Publication Number Publication Date
KR20190130212A true KR20190130212A (en) 2019-11-22
KR102141709B1 KR102141709B1 (en) 2020-08-05

Family

ID=68730984

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180047377A KR102141709B1 (en) 2018-04-24 2018-04-24 Engineering big data-driven design expert system and design method thereof

Country Status (1)

Country Link
KR (1) KR102141709B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897707A (en) * 2020-07-16 2020-11-06 中国工商银行股份有限公司 Method and device for optimizing business system, computer system and storage medium
KR102191493B1 (en) * 2019-12-26 2020-12-14 주식회사 태화산업 Method and apparatus for controlling design and construction process of electrical equipment
KR20210066729A (en) * 2019-11-28 2021-06-07 연세대학교 산학협력단 Method and system for optimal design based on deep learning
KR102265988B1 (en) * 2021-01-29 2021-06-16 (주)피데스 개발 House product development system
WO2021246600A1 (en) * 2020-06-05 2021-12-09 현대엔지니어링 주식회사 System and method for designing automated steel structure by using machine learning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020012733A (en) 2000-08-08 2002-02-20 문광민 The auto architectural design and auto architectural consulting service system and method thereof
KR20120002720A (en) * 2010-07-01 2012-01-09 넥센타이어 주식회사 Method for predicting tire performance using neural network
JP2017146888A (en) * 2016-02-19 2017-08-24 株式会社日立製作所 Design support device and method and program
JP2017187880A (en) * 2016-04-04 2017-10-12 株式会社リコー Support device, support system, support method, and program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020012733A (en) 2000-08-08 2002-02-20 문광민 The auto architectural design and auto architectural consulting service system and method thereof
KR20120002720A (en) * 2010-07-01 2012-01-09 넥센타이어 주식회사 Method for predicting tire performance using neural network
JP2017146888A (en) * 2016-02-19 2017-08-24 株式会社日立製作所 Design support device and method and program
JP2017187880A (en) * 2016-04-04 2017-10-12 株式会社リコー Support device, support system, support method, and program

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066729A (en) * 2019-11-28 2021-06-07 연세대학교 산학협력단 Method and system for optimal design based on deep learning
KR102191493B1 (en) * 2019-12-26 2020-12-14 주식회사 태화산업 Method and apparatus for controlling design and construction process of electrical equipment
WO2021246600A1 (en) * 2020-06-05 2021-12-09 현대엔지니어링 주식회사 System and method for designing automated steel structure by using machine learning
CN111897707A (en) * 2020-07-16 2020-11-06 中国工商银行股份有限公司 Method and device for optimizing business system, computer system and storage medium
CN111897707B (en) * 2020-07-16 2024-01-05 中国工商银行股份有限公司 Optimization method and device for business system, computer system and storage medium
KR102265988B1 (en) * 2021-01-29 2021-06-16 (주)피데스 개발 House product development system

Also Published As

Publication number Publication date
KR102141709B1 (en) 2020-08-05

Similar Documents

Publication Publication Date Title
KR102141709B1 (en) Engineering big data-driven design expert system and design method thereof
US11720804B2 (en) Data-driven automatic code review
KR101864286B1 (en) Method and apparatus for using machine learning algorithm
US10877979B2 (en) Determining explanations for predicted links in knowledge graphs
US10109264B2 (en) Composing music using foresight and planning
Agrawal et al. How to “dodge” complex software analytics
KR102170968B1 (en) Method and system for constructing meta model based on machine learning
Dey et al. Representation of developer expertise in open source software
CN117389541B (en) Configuration system and device for generating template based on dialogue retrieval
US20230014904A1 (en) Searchable data structure for electronic documents
Rashid et al. Completeness and consistency analysis for evolving knowledge bases
CN115803734A (en) Natural language enrichment using action interpretation
Teijema et al. Active learning-based Systematic reviewing using switching classification models: the case of the onset, maintenance, and relapse of depressive disorders
Bennet et al. Predictive Analysis of Startup Ecosystems: Integration of Technology Acceptance Models with Random Forest Techniques
Ferranti et al. A framework for evaluating ontology meta-matching approaches
US20240078473A1 (en) Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence
Bakis et al. Performance of natural language classifiers in a question-answering system
Vukicevic et al. Recommender system for selection of the right study program for higher education students
Hilal et al. Artificial intelligence based optimal functional link neural network for financial data Science
CN116861913A (en) Position detection method based on GPT large model and related equipment
Taylor et al. Interactive multiobjective optimisation: Preference changes and algorithm responsiveness
US20210406758A1 (en) Double-barreled question predictor and correction
Nakagawa et al. Towards semantic description of explainable machine learning workflows
JP2021168055A (en) Information processing device, annotation evaluation program, and annotation evaluation method
Manouselis et al. Layered evaluation in recommender systems: A retrospective assessment

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant