KR20200068534A - Operation management method, apparatus and system using machine learning and transfer learning - Google Patents

Operation management method, apparatus and system using machine learning and transfer learning Download PDF

Info

Publication number
KR20200068534A
KR20200068534A KR1020190009460A KR20190009460A KR20200068534A KR 20200068534 A KR20200068534 A KR 20200068534A KR 1020190009460 A KR1020190009460 A KR 1020190009460A KR 20190009460 A KR20190009460 A KR 20190009460A KR 20200068534 A KR20200068534 A KR 20200068534A
Authority
KR
South Korea
Prior art keywords
condition
data
equipment
prediction model
predictive model
Prior art date
Application number
KR1020190009460A
Other languages
Korean (ko)
Other versions
KR102229859B1 (en
Inventor
신승준
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Publication of KR20200068534A publication Critical patent/KR20200068534A/en
Application granted granted Critical
Publication of KR102229859B1 publication Critical patent/KR102229859B1/en

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
    • G05B19/418—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]
    • G05B19/41865—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] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q50/04—Manufacturing
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are a method, an apparatus, and a system capable of managing a process by generating a predictive model through transfer learning in a situation where a training data set for machine learning is not sufficient. The process management method using the transfer learning includes the steps of: generating a second predictive model for predicting a performance indicator for each equipment device for a target process condition from a first prediction model in which the performance indicator for each equipment device for the process variable for each reference process condition is learned; predicting a performance index for each equipment device for a process variable for each target process condition using the second prediction model; and determining a facility device to perform a process according to the target process condition by using the predicted performance indicator and a given performance indicator condition.

Description

기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템{OPERATION MANAGEMENT METHOD, APPARATUS AND SYSTEM USING MACHINE LEARNING AND TRANSFER LEARNING}Process management method, apparatus and system using machine learning and transfer learning{OPERATION MANAGEMENT METHOD, APPARATUS AND SYSTEM USING MACHINE LEARNING AND TRANSFER LEARNING}

본 발명은 공정 관리 방법, 장치 및 시스템에 관한 것으로서, 보다 상세하게는 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템에 관한 것이다. The present invention relates to a process management method, apparatus and system, and more particularly, to a process management method, apparatus and system using machine learning and transfer learning.

최근, 스마트 공장이 제조업 핵심전략으로 자리매김함에 따라, 사이버-물리 생산 시스템에 대한 관심이 고조되고 있다. 사이버 사이버-물리 생산 시스템(Cyber-Physical Production Systems)은 물리적 그리고 가상적 개체간의 상호작용 및 동기화를 지향하는 사이버-물리 시스템을 제조분야에 특화한 개념이며 “공정, 설비, 생산 및 공급 사슬망을 아우르는 모든 생산단계에 걸쳐 상황인지 기반의 자율적이고 협업적인 요소들과 그들의 하위 시스템들로 구성되는 시스템"이라고 정의할 수 있다.Recently, with the establishment of a smart factory as a key strategy in the manufacturing industry, interest in the cyber-physical production system is growing. Cyber Cyber-Physical Production Systems (Cyber-Physical Production Systems) is a concept that specializes in manufacturing cyber-physical systems that aim to interact and synchronize between physical and virtual entities. It can be defined as a system consisting of autonomous and collaborative elements of context-awareness and their subsystems across all stages of production.

이러한 사이버-물리 생산 시스템은 스마트 공장의 고도화 수준으로 인지되고 있으며, 이는 생산에서의 지능성, 연결성 및 반응성을 실현 가능하게 해주기 때문이다. 해외 선도 연구기관에서는 관련분야의 기술 선점과 표준화를 위하여 사이버-물리 생산 시스템의 구현까지 고려한 참조모델(reference model)을 공개하고 있다. 그러나, 국내에서는 아직 참조모델이 부재하며, 개발이 시급한 상황이다. Such a cyber-physical production system is recognized as an advanced level of a smart factory, because it enables realization of intelligence, connectivity and responsiveness in production. Leading overseas research institutes have released a reference model that considers the implementation of cyber-physical production systems to preempt and standardize technology in related fields. However, there is no reference model in Korea, and development is urgent.

사이버-물리 생산시스템에서 확보되어야 하는 핵심기능은 자가학습화(self-learning)와 자가최적화(self-optimizing) 기능이다. 자가학습은 설비기계가 학습적인 방법에 의하여 스스로 예측을 가능하게 하도록 관련 예측모델들을 생성하고 이들을 활용함으로써, 제조관련 의사결정 정확성과 강건성을 향상시키는 기능을 의미한다. 그리고, 자가최적화는 자가학습을 통하여 생성된 예측 모델들을 이용하여 설비기계들간 자율적이고 협업적인 결정에 의해 기계들간에 스스로 문제를 해결하고 핵심성과지표에 대한 최적화를 도모하는 기능이다.The core functions that must be secured in the cyber-physical production system are self-learning and self-optimizing functions. Self-learning means a function that improves manufacturing decision-making accuracy and robustness by generating and using related prediction models so that facility machines can make predictions by themselves using a learning method. In addition, self-optimization is a function that solves problems between machines by itself and promotes optimization of key performance indicators by autonomous and collaborative decisions between equipment machines using predictive models generated through self-learning.

보편적으로, 설비기계의 예측적 자가학습은 기계 학습(machine-learning)을 활용하여 예측모델을 생성하고 활용하는 방식을 취한다. 기계학습은 과거의 유사한 문제를 해결할 때 습득된 정보를 활용하여 주어진 문제에 대한 실행가능한 예측 솔루션을 생성하는 방식으로써, 기계의 자동화된 지식 습득을 가능하게 한다. 여기서, 전통적인 기계학습은 과거의 데이터(historical data)가 존재한다는 가정에서 시작하며, 그 데이터의 속성들간 인과관계를 수학적으로 규명하여 입력 속성값에 따른 출력 속성값을 산출하게 된다. In general, predictive self-learning of machine equipment uses a method of generating and using a predictive model by utilizing machine-learning. Machine learning is a way to generate a viable predictive solution to a given problem by using the information learned when solving a similar problem in the past, enabling the automated knowledge acquisition of machines. Here, the traditional machine learning starts with the assumption that historical data exists, and the causal relationship between the attributes of the data is mathematically determined to calculate the output attribute value according to the input attribute value.

그러나, 제조현장에는 항상 과거 데이터가 존재하는 것은 아니다. 이는 제조현장에서의 데이터 수집 어려움, 데이터 손실, 해당 작업 미실시 등에서 기인한다 . 따라서, 이러한 데이터 존재의 상황에만 국한하지 국한하지 않고 데이터 부재의 상황에도 자가학습을 가능하게 가능하게 하는 방법이 필요하다.However, historical data does not always exist at the manufacturing site. This is due to the difficulty of data collection at the manufacturing site, data loss, and inability to perform the work. Accordingly, there is a need for a method to enable self-learning in the absence of data, not limited to the situation of data existence.

관련 선행문헌으로 특허 문헌인 대한민국 등록특허 제10-1846793호, 비특허 문헌인 "신승준, 우정엽, 서원철, Journal of the Korean Institute of Industrial Engineers Vol. 43, No. 6, pp. 451-463, December 2017, 사이버-물리 제조시스템의 지능적 의사결정을 위한 데이터 및 모델 연계 홀로닉 구조 개발"이 있다.Korean Patent Registration No. 10-1846793, which is a patent literature, related to the prior literature, "Sung-Jun Shin, Sung-Yeop Yoo, Won-Chul Seo, Journal of the Korean Institute of Industrial Engineers Vol. 43, No. 6, pp. 451-463, December 2017, "Development of Holistic Structure Linking Data and Models for Intelligent Decision Making of Cyber-Physical Manufacturing System".

본 발명은 기계 학습을 이용하는 공정 관리 방법, 장치 및 시스템을 제공하기 위한 것이다.The present invention is to provide a process management method, apparatus and system using machine learning.

특히 본 발명은 기계 학습을 위한 훈련 데이터 셋이 충분하지 않은 상황에서, 전이 학습을 통해 예측 모델을 생성하여 공정을 관리할 수 있는 방법, 장치 및 시스템을 제공하기 위한 것이다.In particular, the present invention is to provide a method, apparatus, and system capable of managing a process by generating a predictive model through transfer learning in a situation where a training data set for machine learning is not sufficient.

상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하는 단계; 상기 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 단계; 및 상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정하는 단계를 포함하는 전이 학습을 이용한 공정 관리 방법이 제공된다.According to an embodiment of the present invention for achieving the above object, from the first prediction model in which the performance indicators for each equipment for the process variable for each reference process condition are learned, the performance for each equipment for the process variable for the target process condition Generating a second prediction model for predicting indicators; Predicting a performance index for each equipment device for a process variable for each target process condition using the second prediction model; And determining a facility device to perform a process according to the target process condition using the predicted performance indicator and a given performance indicator condition.

또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 제1공정 조건을 포함하는 공정 작업을 요청하는 제품 에이전트; 기계 학습 기반의 제1예측 모델을 이용하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 설비 에이전트; 상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택하는 주문 에이전트를 포함하는 기계 학습을 이용하는 공정 관리 장치가 제공된다.In addition, according to another embodiment of the present invention for achieving the above object, a product agent requesting a process operation including a first process condition; A facility agent for predicting performance indicators for each equipment of the process variables for each of the first process conditions using a first prediction model based on machine learning; A process management apparatus using machine learning is provided that includes an ordering agent that selects an equipment device to perform a process according to the first process condition using the predicted performance indicator and a given performance indicator condition.

본 발명에 따르면 예측 모델 생성을 위한 훈련 데이터 셋이 충분하지 않은 경우에도, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측할 수 있는 예측 모델을 생성할 수 있다.According to the present invention, even when the training data set for generating the predictive model is not sufficient, a predictive model capable of predicting performance indicators for each facility device for process variables for each target process condition can be generated.

도 1은 본 발명의 일실시예에 따른 자가 학습형 공장을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 전이 학습을 이용한 공정 관리 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일실시예에 따른 전이 학습 기반의 예측 모델 생성 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 기계 학습을 이용하는 공정 관리 장치를 설명하기 위한 도면이다.1 is a view for explaining a self-learning factory according to an embodiment of the present invention.
2 is a flowchart illustrating a process management method using transfer learning according to an embodiment of the present invention.
3 is a view for explaining a method for generating a prediction model based on transfer learning according to an embodiment of the present invention.
4 is a view for explaining a process management apparatus using machine learning according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. The present invention can be applied to various changes and can have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals are used for similar components.

이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 자가 학습형 공장(Self-learning factory)을 설명하기 위한 도면이다.1 is a view for explaining a self-learning factory according to an embodiment of the present invention.

도 1을 참조하면, 본 발명에 따른 자가 학습형 공장은 사이버 공장(120) 및 물리적 공장(110)을 포함한다. 이러한 자가 학습형 공장은 공작 기계 제조 공장, 반도체 공장, 자동차 조립 공장 등 다양한 제조 공장에 적용될 수 있다.Referring to FIG. 1, a self-learning factory according to the present invention includes a cyber factory 120 and a physical factory 110. Such a self-learning type factory can be applied to various manufacturing factories such as machine tool manufacturing factories, semiconductor factories, and automobile assembly factories.

물리적 공장(110)은 물리적으로 공정을 수행하는 공장으로서, 공정 진행에 필요한 다양한 설비 장치(111)를 포함한다. 설비 장치(111)들은 미리 설정된 공정 조건에 따라서 공정을 수행하며, 공정 수행 결과에 따른 공정 데이터는 공정 데이터 저장부(140)에 저장될 수 있다. 이 때, 설비 장치들은 사이버 공장(120)에서 결정된 공정 계획 및 공정 변수에 따라서 공정을 수행한다. The physical factory 110 is a factory that physically performs a process, and includes various equipment devices 111 required for process progress. The facility devices 111 perform a process according to a preset process condition, and process data according to a result of the process may be stored in the process data storage 140. At this time, the facility devices perform the process according to the process plan and process parameters determined in the cyber factory 120.

예컨대, 물리적 공장(110)에서 절삭 공정이 수행되어야 하는 경우, 가공 소재, 가공 형상, 가공 공정 및 가공 전략이라는 공정 조건에 따라서, 설비 장치(111)가 절삭 공정을 수행할 수 있는데, 이 때 절삭 공정을 수행할 설비 장치(111)는 사이버 공장(120)에서 결정된 공정 계획에 따라서 선택될 수 있으며, 선택된 설비 장치(111)는 사이버 공장(120)에서 결정된 공정 변수에 따라서 절삭 공정을 수행할 수 있는 것이다.For example, when the cutting process is to be performed in the physical factory 110, according to the process conditions of the processing material, the processing shape, the processing process and the processing strategy, the equipment device 111 may perform the cutting process. The equipment device 111 to perform the process may be selected according to the process plan determined by the cyber factory 120, and the selected equipment device 111 may perform a cutting process according to the process variable determined by the cyber factory 120. It is.

사이버 공장(120)은 물리적으로 수행되는 공정을 계획하고, 공정 변수를 결정하며, 컴퓨팅 장치내에 구현되는 물리적 공장을 모사한 공장으로서, 공정 관리 장치(121) 및 예측 모델 저장부(130)를 포함한다. 공정 관리 장치(121)는 공정 계획 및 공정 변수를 결정하기 위해 기계 학습을 이용하며, 설비 장치(111)의 공정 수행 결과에 따른 공정 데이터를 공정 데이터 저장부(140)로부터 제공받아 학습을 수행한다. 다양한 공정 계획 중에서, 공정 관리 장치(121)는 일예로서, 설비 장치(111)의 성과 지표를 예측하여 최대 성과를 나타내는 설비 장치(111)에 의해 공정이 수행되도록 공정 계획을 결정할 수 있다.The cyber factory 120 is a factory that plans a physically performed process, determines process variables, and simulates a physical factory implemented in a computing device, and includes a process management device 121 and a predictive model storage unit 130 do. The process management device 121 uses machine learning to determine process planning and process variables, and receives process data according to the process execution result of the facility device 111 from the process data storage 140 to perform learning. . Among various process plans, the process management device 121 may determine, as an example, a process plan so that a process is performed by the facility device 111 indicating the maximum performance by predicting a performance index of the facility device 111.

공정 데이터는 공정 조건별 공정 변수에 따라서 설비 장치가 공정을 수행한 결과 얻어지는 성과 지표에 대한 데이터로서, 공정 조건, 공정 조건별 공정 변수, 성과 지표에 대한 데이터를 포함한다. 공정 관리 장치(121)는 공정 데이터를 이용하여 공정 조건별 공정 변수에 대해 설비 장치별 성과 지표를 학습함으로써, 예측 모델을 생성할 수 있다. 일실시예로서, 다양한 기계 학습 알고리즘이 적용될 수 있으며, 예측 모델은 인공 신경망일 수 있다. Process data is data on performance indicators obtained as a result of the equipment performing a process according to process variables by process conditions, and includes data on process conditions, process variables by process conditions, and performance indicators. The process management device 121 may generate a predictive model by learning performance indicators for each equipment device for process variables for each process condition using process data. As an embodiment, various machine learning algorithms may be applied, and the prediction model may be an artificial neural network.

따라서, 공정 관리 장치(121)는 예측 모델을 이용하여 입력된 타겟 공정 조건별 공정 변수에 따른 설비 장치별 성과 지표를 예측할 수 있으며, 예측된 성과 지표가 가장 우수한 설비 장치에 의해 타겟 공정 조건에 따른 공정이 수행되도록 공정 계획을 수립할 수 있다. 성과 지표는 공정 계획을 수립하기 위해 이용되는 지표로서, 일실시예로서, 설비 장치의 에너지 소비량, 공정 수행 시간, 공정 수행 비용 또는 생산 품질일 수 있다. 에너지 소비량, 공정 수행 시간 및 공정 수행 비용이 적을수록, 그리고 생산 품질이 우수할수록 성과 지표가 우수한 것으로 평가될 수 있다.Therefore, the process management device 121 can predict the performance index for each equipment device according to the process variable for each target process condition input by using the predictive model, and the predicted performance index according to the target process condition Process plans can be developed to ensure that the process is performed. The performance indicator is an indicator used to establish a process plan, and in one embodiment, may be energy consumption of a facility, process time, process cost, or production quality. The performance indicators can be evaluated to be superior to energy consumption, process execution time, and process execution cost.

생성된 예측 모델은 예측 모델 저장부(130)에 저장되며, 공정 관리 장치(121)는 입력된 타겟 공정 조건에 대한 공정 데이터로부터 학습된 예측 모델을, 예측 모델 저장부(130)로부터 제공받아, 타겟 공정 조건에 대한 설비 장치별 성과 지표를 예측할 수 있다.The generated prediction model is stored in the prediction model storage unit 130, and the process management device 121 receives the prediction model learned from the process data for the input target process condition from the prediction model storage unit 130, Performance indicators for each equipment can be predicted for target process conditions.

한편, 타겟 공정 조건에 대한 공정 데이터가 존재하지 않거나 적으면 기계 학습에 필요한 훈련 데이터 셋이 존재하지 않거나 부족한 것이므로, 이러한 상황에서 공정 관리 장치(121)는 기계 학습 방법의 하나인 전이 학습(transfer learning)에 기반하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 예측 모델을 생성할 수 있다. 즉, 공정 관리 장치(121)는 타겟 공정 조건과 유사한 공정 조건에 대한 공정 데이터로부터 학습된 예측 모델을 이용하여, 타겟 공정 조건에 대한 예측 모델을 생성하는 것이다.On the other hand, if there is no or little process data for the target process condition, the training data set required for machine learning does not exist or is insufficient. In this situation, the process management device 121 transfer learning, which is one of the machine learning methods, ), it is possible to generate a predictive model for predicting performance indicators for each equipment device for process variables according to target process conditions. That is, the process management device 121 generates a predictive model for the target process condition by using a predictive model learned from process data for process conditions similar to the target process condition.

전이 학습을 이용하여 예측 모델을 생성하는 방법은 도 2 및 도 3에서 보다 자세히 설명하기로 한다.A method of generating a prediction model using transfer learning will be described in more detail in FIGS. 2 and 3.

공정 변수는 설비 장치에 대한 파리미터로서, 예컨대 절삭 공정에서 설비 장치의 공정 변수로 가공 속도, 주축회전수 및 절삭 깊이가 있을 수 있다. 이러한 공정 변수는 설비 장치의 특성에 따라서 결정되거나 또는 설비 장치가 수행할 수 있는 공정 변수 범위내에서 작업자의 경험 및 지식에 의존하여 결정될 수 있다.The process parameters are parameters for the plant equipment, such as the process speed of the plant equipment in the cutting process, and may include a machining speed, a spindle speed and a cutting depth. These process variables may be determined according to the characteristics of the equipment or depending on the experience and knowledge of the operator within the range of process variables that the equipment can perform.

도 2는 본 발명의 일실시예에 따른 전이 학습을 이용한 공정 관리 방법을 설명하기 위한 흐름도이다. 2 is a flowchart illustrating a process management method using transfer learning according to an embodiment of the present invention.

본 발명에 따른 공정 관리 방법은, 입력된 타겟 공정 조건에 따라서 공정을 수행할 설비 장치를 결정하는 방법에 관한 것으로서, 최대 성과 지표를 나타낸는 설비 장치를 공정을 수행할 설비로 결정할 수 있다. 또한 설비 장치의 결정은 기계 학습을 통해 생성된 예측 모델을 통해 이루어질 수 있는데, 타겟 공정 조건에 대한 예측 모델이 존재하지 않으며 타겟 공정 조건에 대한 예측 모델을 생성할만큼 훈련 데이터 셋이 충분하지 않은 경우, 본 발명에 따른 공정 관리 방법은, 전이 학습에 기반하여 미리 생성된 레퍼런스 공정 조건에 대한 예측 모델로부터 타겟 공정 조건에 대한 예측 모델을 생성할 수 있다.The process management method according to the present invention relates to a method of determining a facility device to perform a process according to an input target process condition, and it is possible to determine a facility device representing a maximum performance indicator as a facility to perform a process. In addition, the determination of the equipment can be made through a predictive model generated through machine learning, when there is no predictive model for the target process condition and there is not enough training data set to generate the predictive model for the target process condition. , In the process management method according to the present invention, a prediction model for a target process condition can be generated from a prediction model for a reference process condition previously generated based on transfer learning.

본 발명에 따른 공정 관리 방법은, 전술된 공정 관리 장치와 같은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 이하에서는 공정 관리 장치에서 수행되는 공정 관리 방법이 일실시예로서 설명된다.The process management method according to the present invention may be performed in a computing device including a processor such as the above-described process management device, and the process management method performed in the process management device will be described below as an embodiment.

본 발명에 따른 공정 관리 장치는 레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성(S210)한다. 공정 조건은 절삭 공정, 반도체 공정 또는 자동차 조립 공정, 철강 제조 공정 또는 사출 금형 공정 등 다양한 공정에 대한 공정 조건일 수 있으며, 공정 조건은 가공 소재, 가공 형상, 가공 공정 및 가공 전략 중 적어도 하나를 포함할 수 있다.In the process management apparatus according to the present invention, from the first prediction model in which the performance indicators for each equipment for the process variables for the reference process conditions are learned, the second prediction for predicting the performance indicators for the equipment for the process variables for the target process conditions Create a model (S210). The process conditions may be process conditions for various processes such as a cutting process, a semiconductor process or an automobile assembly process, a steel manufacturing process, or an injection mold process, and the process conditions include at least one of a work material, a work shape, a work process, and a processing strategy. can do.

단계 S210에서, 제1예측 모델은 공정 관리 장치가 제1공정 데이터를 훈련 데이터 셋으로 이용하여, 생성한 예측 모델이다. 제1공정 데이터는 레퍼런스 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터로서, 레퍼런스 공정 조건에 대한 공정 데이터라고 할 수 있다. In step S210, the first prediction model is a prediction model generated by the process management apparatus using the first process data as a training data set. The first process data is data for performance indicators of the equipment according to process variables for each reference process condition, and may be referred to as process data for reference process conditions.

레퍼런스 공정 조건은 예측 모델을 생성할 수 있을만큼 충분한 훈련 데이터 셋이 존재하는 공정 조건으로서, 공정 관리 장치는 제1공정 데이터를 이용하여 제1예측 모델을 미리 생성하여 저장할 수 있다. 즉, 설비 장치들이 레퍼런스 공정 조건별 공정 변수에 따라서 공정을 다수 수행한 경우, 많은 훈련 데이터 셋이 생성되므로, 공정 관리 장치는 제1공정 데이터를 이용하여 제1예측 모델을 생성할 수 있다.The reference process condition is a process condition in which a sufficient training data set exists to generate a predictive model, and the process management apparatus may generate and store the first prediction model in advance using the first process data. That is, when a plurality of processes are performed according to process variables for each reference process condition, the equipment management apparatus may generate a first predictive model using the first process data because many training data sets are generated.

그리고 공정 관리 장치는 제2공정 데이터량이 임계량 이하이며, 특히 제2공정 데이터가 존재하지 않는 경우, 제1예측 모델과 같이 제2공정 데이터를 훈련 데이터 셋으로 이용하여 제2예측 모델을 생성할 수 없으므로, 제1예측 모델을 이용하여 제2예측 모델을 생성한다. 여기서, 제2공정 데이터는 타겟 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터로서, 타겟 공정 조건에 대한 공정 데이터라고 할 수 있다.In addition, the process management apparatus may generate the second prediction model using the second process data as a training data set, such as the first prediction model, when the second process data amount is less than or equal to a threshold amount, particularly when the second process data does not exist. No, the second prediction model is generated using the first prediction model. Here, the second process data is data for performance indicators of the equipment according to process variables for each target process condition, and may be referred to as process data for target process conditions.

예컨대, 본 발명에 따른 공정 관리 방법이, 절삭 공정에 적용될 경우, [표 1]과 같이, 공정 조건이 주어질 수 있는데, 입력된 타겟 공정 조건이 레퍼런스 공정 조건과 다르면, 공정 관리 장치는 제2예측 모델을 생성하여 설비 장치를 결정해야 한다. 하지만, 제2공정 데이터가 존재하지 않으면, 제2공정 데이터를 이용하여 제2예측 모델을 생성할 수 없으므로, 공정 관리 장치는 제1예측 모델로부터 제2예측 모델을 생성하는 것이다.For example, when the process management method according to the present invention is applied to a cutting process, as shown in [Table 1], process conditions may be given. If the input target process condition differs from the reference process condition, the process control device predicts the second. You need to create a model to determine the equipment. However, if the second process data does not exist, since the second prediction model cannot be generated using the second process data, the process management apparatus generates the second prediction model from the first prediction model.

레퍼런스 공정 조건Reference process conditions 타겟 공정 조건Target process conditions

Figure pat00001
Figure pat00001
Figure pat00002
Figure pat00002

본 발명에 따른 공정 관리 장치는 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측(S220)하고, 예측된 성과 지표에 따라서, 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정(S230)한다.단계 S230에서 공정 관리 장치는 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여 설비 장치를 결정할 수 있으며, 여기서, 미리 주어진 성과 지표는 미리 주어진 성과 지표 조건은, 최대 성과 지표에 대응될 수 있다. 즉, 최대 성과 지표를 나타내는 설비 장치가, 타겟 공정 조건에 따라 공정을 수행할 설비 장치로 결정될 수 있으며, 일실시예로서 공정 관리 장치는 에너지 소비량이 최소가 되는 설비 장치를 결정할 수 있다.The process management apparatus according to the present invention uses the second prediction model to predict performance indicators for each equipment unit for process variables for each target process condition (S220), and processes the process according to the target process conditions according to the predicted performance indicators. The equipment device to be performed is determined (S230). In step S230, the process management device may determine the equipment device using the predicted performance indicator and the predetermined performance indicator condition, where the predetermined performance indicator is the predetermined performance indicator condition Silver, can correspond to the maximum performance indicators. That is, the equipment device indicating the maximum performance indicator may be determined as the equipment device for performing the process according to the target process condition, and in one embodiment, the process management device may determine the equipment device for which energy consumption is minimized.

결국, 본 발명에 따르면 예측 모델 생성을 위한 훈련 데이터 셋이 충분하지 않은 경우에도, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측할 수 있는 예측 모델을 생성할 수 있다.After all, according to the present invention, even if the training data set for generating the predictive model is not sufficient, a predictive model capable of predicting performance indicators for each equipment per process variable for each target process condition can be generated.

도 3은 본 발명의 일실시예에 따른 전이 학습 기반의 예측 모델 생성 방법을 설명하기 위한 도면이다.3 is a view for explaining a method for generating a prediction model based on transfer learning according to an embodiment of the present invention.

단계 S210에서 공정 관리 장치는 제2예측 모델을 생성하기 위해, 공정 조건의 유사도를 이용한다. 즉, 공정 관리 장치는 다양한 레퍼런스 공정 조건 중에서, 타겟 공정 조건과 가장 유사한 레퍼런스 공정 조건에 대한 공정 데이터로부터 얻어진 제1예측 모델을 이용하여 제2예측 모델을 생성한다.In step S210, the process management apparatus uses the similarity of process conditions to generate the second prediction model. That is, the process management apparatus generates a second prediction model using a first prediction model obtained from process data for a reference process condition most similar to a target process condition among various reference process conditions.

이 때, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 하나인지 아니면 복수개인지에 따라서, 예측 모델을 생성하는 방법이 달라질 수 있다. 이하, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 하나인 경우 예측 모델을 생성하는 방법을 복제 방법, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우 예측 모델을 생성하는 방법을 경합 방법으로 칭하기로 한다.At this time, depending on whether the target process condition and the reference process condition indicating the maximum similarity is one or a plurality, the method for generating the predictive model may be different. Hereinafter, a method of replicating a method for generating a predictive model when there is one reference process condition representing the maximum similarity with a target process condition, and a method of generating a predictive model when there are multiple reference process conditions representing the maximum similarity with the target process condition Let's call it the method.

<복제 방법><Replication method>

공정 관리 장치는 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도를 판단하고, 최대 유사도를 나타내는 레퍼런스 공정 조건의 제1예측 모델을 제2예측 모델로 결정한다. 도 3(a)에 도시된 바와 같이, 제1예측 모델이 복제(cloning)되어 제2예측 모델이 되며, 다시 말해 제1예측 모델이 그대로 제2예측 모델이 된다.The process management apparatus determines the similarity between the reference process condition and the target process condition, and determines the first predictive model of the reference process condition indicating the maximum similarity as the second predictive model. As shown in FIG. 3(a), the first predictive model is cloned to become the second predictive model, that is, the first predictive model becomes the second predictive model as it is.

일실시예로서 다양한 공정 조건에 따라서 유사도가 미리 결정된 테이블에 기반하여, 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도가 판단될 수 있다.As an embodiment, similarity between a reference process condition and a target process condition may be determined based on a table in which similarity is determined according to various process conditions.

예컨대, [표 2]와 같이, 가공 전략(Strategy)이라는 공정 조건 사이의 유사도가 미리 결정될 수 있으며, [표 2]에서 High는 유사도가 높음을 Low는 유사도가 낮음을 나타낸다. For example, as shown in [Table 2], the similarity between processing conditions called a processing strategy may be predetermined, and in [Table 2], High indicates high similarity and Low indicates low similarity.

Figure pat00003
Figure pat00003

제1레퍼런스 공정 조건 중 가공 전략이 Spiral이고, 제2레퍼런스 공정 조건 중 가공 전략이 Contour이고, 타겟 공정 조건 중 가공 전략이 Unidirectional Y-axis라면, 타겟 공정 조건과 최대 유사도를 나타내는 레퍼런스 공정 조건은 제1레퍼런스 공정 조건이다. If the machining strategy of the first reference process condition is Spiral, the machining strategy of the second reference process condition is Contour, and the machining strategy of the target process condition is Unidirectional Y-axis, the reference process condition showing the maximum similarity to the target process condition is It is a reference process condition.

따라서, 공정 관리 장치는 제1레퍼런스 공정 조건에 대한 공정 데이터로부터 얻어진 제1예측 모델을 제2예측 모델로 결정할 수 있다.Therefore, the process management apparatus may determine the first prediction model obtained from the process data for the first reference process condition as the second prediction model.

<경합 방법><How to compete>

공정 관리 장치는 레퍼런스 공정 조건과, 타겟 공정 조건의 유사도를 판단하고, 최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우, 미리 설정된 규칙에 따라서 하나의 레퍼런스 공정 조건을 선택한다. 그리고 선택된 레퍼런스 공정 조건의 제1예측 모델을 제2예측 모델로 결정한다. 즉, 도 3(b)에 도시된 바와 같이, 복수의 제1예측 모델 사이의 경합(competing)을 통해 하나의 제1예측 모델이 선택되며, 경합을 통해 선택된 제1예측 모델이 그대로 제2예측 모델이 된다.The process management apparatus determines the similarity between the reference process condition and the target process condition, and when there are multiple reference process conditions indicating the maximum similarity, selects one reference process condition according to a preset rule. Then, the first predictive model of the selected reference process condition is determined as the second predictive model. That is, as shown in FIG. 3(b), one first prediction model is selected through competition between a plurality of first prediction models, and the first prediction model selected through contention is the second prediction. Become a model.

여기서, 미리 설정된 규칙은 기본값(default), 설비 장치의 작업자의 선호도(preference) 또는 상대적 유사도(likeness)일 수 있다.Here, the preset rule may be a default, a preference of a worker of the equipment, or a relative similarity.

예컨대, [표 2]를 참조하여, 제1레퍼런스 공정 조건 중 가공 전략이 Spiral이고, 제2레퍼런스 공정 조건 중 가공 전략이 Contour이고, 타겟 공정 조건 중 가공 전략이 Bidirectional X-axis라면, 제1 및 제2레퍼런스 공정 조건 모두 타겟 공정 조건과 최대 유사도를 나타낸다. 이 때, 공정 관리 장치는 기본값, 설비 장치의 작업자의 선호도, 또는 상대적 유사도에 따라서 제1 및 제2레퍼런스 공정 조건 중 하나를 선택할 수 있다.For example, referring to [Table 2], if the processing strategy among the first reference process conditions is Spiral, the processing strategy among the second reference process conditions is Contour, and the processing strategy among the target process conditions is Bidirectional X-axis, the first and Both of the second reference process conditions show the maximum similarity to the target process conditions. At this time, the process management device may select one of the first and second reference process conditions according to the default value, the preference of the operator of the equipment device, or the relative similarity.

또는 공정 관리 장치는 공정 조건에 할당된 가중치에 따라서 레퍼런스 공정 조건을 선택할 수도 있다. 예컨대, [표 1]과 같이 4개의 공정 조건이 이용되는 상황에서 공정 조건 각각에 대해 서로 다른 가중치가 할당될 수 있다. 따라서, 보다 높은 가중치가 할당된 공정 조건의 유사도가 높을수록, 타겟 공정 조건과 가장 유사한 레퍼런스 공정 조건으로 선택될 가능성도 높아질 수 있다.Alternatively, the process management device may select the reference process condition according to the weight assigned to the process condition. For example, as shown in [Table 1], different weights may be assigned to each of the process conditions in a situation in which four process conditions are used. Therefore, the higher the similarity of the process condition to which the higher weight is assigned, the higher the possibility of being selected as the reference process condition most similar to the target process condition.

도 4는 본 발명의 일실시예에 따른 기계 학습을 이용하는 공정 관리 장치를 설명하기 위한 도면이다.4 is a view for explaining a process management apparatus using machine learning according to an embodiment of the present invention.

도 4를 참조하면 본 발명에 따른 공정 관리 시스템은 공정 관리 장치(121), 예측 모델 저장부(130) 및 공정 데이터 저장부(140)를 포함한다. 그리고 공정 관리 장치(121)는 제품 에이전트(410), 설비 에이전트(420), 주문 에이전트(430)를 포함하며, 실시예에 따라서, 데이터 브로커 에이전트(441) 및 모델 브로커 에이전트(442)를 포함하는 지원 에이전트(440)를 더 포함할 수 있다.Referring to FIG. 4, the process management system according to the present invention includes a process management device 121, a prediction model storage unit 130, and a process data storage unit 140. In addition, the process management device 121 includes a product agent 410, a facility agent 420, and an order agent 430, and according to an embodiment, includes a data broker agent 441 and a model broker agent 442. A support agent 440 may be further included.

제품 에이전트(410)는 생산되어야 할 제품의 정보를 각 제품별로 표현하기 위한 에이전트로서, 작업 요청 및 작업 진행 감시, 작업 제안(bidding) 결과 수령의 기능 등을 수행한다. The product agent 410 is an agent for expressing information of a product to be produced for each product, and performs a function of receiving a request for a job and monitoring a job progress, receiving a job proposal, and the like.

주문 에이전트(430)는 상위 시스템으로부터 하달된 주문을 표현하기 위한 에이전트로서, 생산되어야 할 제품과 생산할 설비 장치를 연결시켜주는 역할을 수행하며, 작업 공시, 작업제안 평가 및 선별, 작업 할당, 작업 진행감시 및 보고 기능 등을 수행한다. The order agent 430 is an agent for expressing orders delivered from a higher-level system, and serves to connect products to be produced with equipment devices to be produced, job disclosure, evaluation and selection of work proposals, work assignment, work progress Performs monitoring and reporting functions.

설비 에이전트(420)는 물리적 공장의 각 설비 장치를 표현하기 위한 에이전트로서, 예측 모델 생성, 공시작업 가용성 점검, 예측모델 요청 및 수령, 예측기반 작업제안서 생성 및 전달, 작업 수령 및 실행 기능 등을 수행한다. The facility agent 420 is an agent for expressing each facility device in a physical factory, and performs prediction model generation, disclosure work availability check, prediction model request and receipt, prediction-based work proposal creation and delivery, and work reception and execution functions. do.

데이터 브로커 에이전트(441)는 제품, 주문, 설비 에이전트들(410, 420, 430)과 공정 데이터 저장부(140)간의 중개자로서, 제품, 주문, 설비 에이전트들(410, 420, 430)이 훈련 데이터 셋을 취득하는 것을 지원한다. 또한 제품, 주문, 설비 에이전트들(410, 420, 430)이 필요로하는 공정데이터를 취득하는 것을 지원한다.The data broker agent 441 is an intermediary between the product, order, and facility agents 410, 420, and 430 and the process data storage unit 140, where product, order, and facility agents 410, 420, and 430 are training data. Supports obtaining three. It also supports the acquisition of process data required by product, order, and equipment agents 410, 420, and 430.

제품, 주문, 설비 에이전트들(410, 420, 430)은 요청할 공정 데이터의 메타데이터를 생성하여 데이터 브로커 에이전트(441)에 넘겨준다. 데이터 브로커 에이전트(441)는 메타데이터 기반 탐색 방식을 통하여 해당 공정 데이터를 요청했던 제품, 주문, 설비 에이전트들(410, 420, 430)에게 전달한다. 예를 들어, 예측 모델의 메타데이터는 [표 2]와 같은 형태일 수 있다.The product, order, and facility agents 410, 420, and 430 generate metadata of process data to be requested and pass it to the data broker agent 441. The data broker agent 441 transmits the corresponding process data to the products, orders, and facility agents 410, 420, and 430 that have requested the corresponding process data through a metadata-based search method. For example, metadata of the prediction model may be in the form of [Table 2].

모델 브로커 에이전트(442)는 제품, 주문, 설비 에이전트들(410, 420, 430)과 예측 모델 저장부(130)간의 중개자 역할을 한다. 제품, 주문, 설비 에이전트들(410, 420, 430)이 취득한 공정 데이터를 이용하여 예측 모델을 생성하면, 모델 브로커 에이전트(442)를 통하여 모델 저장소에 예측 모델이 저장된다. 또한, 제품, 주문, 설비 에이전트들(410, 420, 430)이 예측 모델의 사용을 필요로하면, 예측 모델 저장부(130)에서 해당 모델을 검색하여 전달한다. 마찬가지로, 예측 모델의 메타데이터를 이용하여 예측 모델의 요청, 검색 및 전달을 수행한다.The model broker agent 442 serves as an intermediary between the product, order, and facility agents 410, 420, and 430 and the predictive model storage unit 130. When a predictive model is generated using process data acquired by products, orders, and equipment agents 410, 420, and 430, the predictive model is stored in the model repository through the model broker agent 442. In addition, when products, orders, and facility agents 410, 420, and 430 need to use a predictive model, the predictive model storage unit 130 searches for and transmits the corresponding model. Similarly, request, search, and delivery of the prediction model are performed using the metadata of the prediction model.

이러한 공정 관리 시스템을 본 발명의 일실시예인 예측 모델 생성 및 설비 장치 선택 방법의 측면에서 설명하면 다음과 같다.The process management system will be described in terms of a method for generating a predictive model and selecting equipments, which is an embodiment of the present invention.

제품 에이전트(410)는 제1공정 조건을 포함하는 공정 작업(task)을 요청하며, 설비 에이전트(420)는 공정 작업 요청에 따라서, 기계 학습 기반의 제1예측 모델을 이용하여, 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측한다. 주문 에이전트(430)는 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택한다.The product agent 410 requests a process task including the first process condition, and the facility agent 420 uses the machine learning-based first prediction model according to the process task request, so that the first process condition Forecast performance indicators by equipment and equipment for each process variable. The order agent 430 selects a facility device to perform the process according to the first process condition using the predicted performance indicator and the pre-given performance indicator condition.

예측 모델 저장부(130)는 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 예측 모델을 저장하며, 공정 데이터 저장부(140)는 공정 조건별 공정 변수에 따른 설비 장치의 성과 지표에 대한 데이터인 공정 데이터를 저장한다.The predictive model storage unit 130 stores a predictive model for predicting performance indicators for each process device for process variables for each process condition, and the process data storage unit 140 performs performance indicators for facility devices according to process variables for each process condition. Stores process data, which is data for.

모델 브로커 에이전트(442)는 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제1예측 모델을 예측 모델 저장부(130)에서 설비 에이전트(420)로 전달한다.The model broker agent 442 transmits a first predictive model for predicting performance indicators for each process device for process variables for each first process condition from the prediction model storage unit 130 to the facility agent 420.

데이터 브로커 에이전트(441)는 제1공정 데이터를 공정 데이터 저장부(140)에서 설비 에이전트(420)로 전달한다.The data broker agent 441 transfers the first process data from the process data storage 140 to the facility agent 420.

설비 에이전트(420)는 제1공정 데이터에 기반하여, 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델을 생성할 수 있으며, 모델 브로커 에이전트(442)는 제1예측 모델을 예측 모델 저장부(130)로 전달할 수 있다.The facility agent 420 may generate a first prediction model in which performance indicators for each facility device for a process variable for each first process condition are learned, based on the first process data, and the model broker agent 442 includes the first process data. The prediction model may be delivered to the prediction model storage 130.

또한 설비 에이전트(420)는 제2공정 데이터량이 임계량 이하인 경우, 예컨대, 제2공정 데이터량이 매우 부족하거나 존재하지 않는 경우, 제1예측 모델을 이용하여 제2공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성할 수 있다. In addition, if the second process data amount is less than or equal to a threshold amount, for example, if the second process data amount is very insufficient or does not exist, the facility agent 420 uses the first prediction model for each process unit for the process variable for each second process condition. A second predictive model can be generated to predict performance indicators.

여기서, 제1공정 조건은, 복수의 공정 조건 중, 제2공정 조건과 최대 유사도를 나타내는 공정 조건에 대응된다. 다시 말해, 설비 에이전트(420)는 제2공정 조건과 최대 유사도를 나타내는 공정 조건의 제1예측 모델로부터 제2예측 모델을 생성한다.Here, the first process condition corresponds to the process condition showing the maximum degree of similarity to the second process condition among the plurality of process conditions. In other words, the facility agent 420 generates a second predictive model from the first predictive model of the process conditions indicating the maximum similarity to the second process conditions.

앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The technical contents described above may be implemented in the form of program instructions that can be executed through various computer means and may be recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiments, or may be known and available to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. Includes hardware devices specifically configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler. The hardware device can be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.As described above, in the present invention, specific matters such as specific components and the like have been described by limited embodiments and drawings, but these are provided only to help a more comprehensive understanding of the present invention, and the present invention is not limited to the above embodiments , Anyone having ordinary knowledge in the field to which the present invention pertains can make various modifications and variations from these descriptions. Accordingly, the spirit of the present invention should not be limited to the described embodiments, and should not be determined, and all claims that are equivalent or equivalent to the scope of the claims as well as the claims described below belong to the scope of the spirit of the invention. .

Claims (13)

레퍼런스 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 제1예측 모델로부터, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하는 단계;
상기 제2예측 모델을 이용하여, 타겟 공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 단계; 및
상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 타겟 공정 조건에 따라 공정을 수행할 설비 장치를 결정하는 단계
를 포함하는 전이 학습을 이용한 공정 관리 방법.
Generating a second predictive model for predicting a performance indicator for each equipment device for a process variable for a target process condition from a first prediction model in which the performance indicator for each equipment device for the process variable for a reference process condition is learned;
Predicting a performance index for each equipment device for a process variable for each target process condition using the second prediction model; And
Determining a facility device to perform a process according to the target process condition, using the predicted performance indicator and a given performance indicator condition
Process management method using transfer learning that includes.
제 1항에 있어서,
상기 제2예측 모델을 생성하는 단계는
상기 레퍼런스 공정 조건과, 상기 타겟 공정 조건의 유사도를 판단하는 단계; 및
최대 유사도를 나타내는 레퍼런스 공정 조건의 제1예측 모델을 상기 제2예측 모델로 결정하는 단계
를 포함하는 전이 학습을 이용한 공정 관리 방법.
According to claim 1,
The step of generating the second prediction model is
Determining a similarity between the reference process condition and the target process condition; And
Determining a first predictive model of a reference process condition representing the maximum similarity as the second predictive model
Process management method using transfer learning that includes.
제 1항에 있어서,
상기 제2예측 모델을 생성하는 단계는
상기 레퍼런스 공정 조건과, 상기 타겟 공정 조건의 유사도를 판단하는 단계;
최대 유사도를 나타내는 레퍼런스 공정 조건이 복수개인 경우, 미리 설정된 규칙에 따라서 하나의 레퍼런스 공정 조건을 선택하는 단계; 및
상기 선택된 레퍼런스 공정 조건의 제1예측 모델을 상기 제2예측 모델로 결정하는 단계
를 포함하는 전이 학습을 이용한 공정 관리 방법.
According to claim 1,
The step of generating the second prediction model is
Determining a similarity between the reference process condition and the target process condition;
Selecting a plurality of reference process conditions according to a preset rule when there are a plurality of reference process conditions indicating the maximum similarity; And
Determining a first predictive model of the selected reference process condition as the second predictive model
Process management method using transfer learning that includes.
제3항에 있어서,
상기 레퍼런스 공정 조건을 선택하는 단계는
상기 설비 장치의 작업자의 선호도 또는 상기 공정 조건에 할당된 가중치에 따라서, 상기 레퍼런스 공정 조건을 선택하는
전이 학습을 이용한 공정 관리 방법.
According to claim 3,
The step of selecting the reference process conditions
Selecting the reference process condition according to the preference of the operator of the equipment or the weight assigned to the process condition
Process management method using transfer learning.
제 1항에 있어서,
제1공정 데이터를 이용하여, 상기 제1예측 모델을 생성하는 단계를 더 포함하며,
상기 제2예측 모델을 생성하는 단계는
제2공정 데이터량이 임계량 이하인 경우, 상기 제1예측 모델을 이용하여 상기 제2예측 모델을 생성하며,
상기 공정 데이터는 공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
전이 학습을 이용한 공정 관리 방법.
According to claim 1,
Further comprising the step of generating the first prediction model, using the first process data,
The step of generating the second prediction model is
When the second process data amount is less than or equal to the threshold, the second prediction model is generated using the first prediction model,
The process data is data on performance indicators of the equipment according to process variables for each process condition.
Process management method using transfer learning.
제 1항에 있어서,
상기 성과 지표는
상기 설비 장치의 에너지 소비량, 공정 수행 시간, 공정 수행 비용 또는 생산 품질인
전이 학습을 이용한 공정 관리 방법.
According to claim 1,
The above performance indicators
Energy consumption of the equipment device, process execution time, process execution cost or production quality
Process management method using transfer learning.
제 1항에 있어서,
상기 공정 조건은
절삭 공정, 반도체 공정, 자동차 조립 공정, 철강 제조 공정 또는 사출금형 공정에 대한 공정 조건인
전이 학습을 이용한 공정 관리 방법.
According to claim 1,
The process conditions
Process conditions for cutting process, semiconductor process, automobile assembly process, steel manufacturing process or injection mold process
Process management method using transfer learning.
제 7항에 있어서,
상기 절삭 공정의 공정 조건은
가공 소재, 가공 형상, 가공 공정 및 가공 전략 중 적어도 하나를 포함하는
전이 학습을 이용한 공정 관리 방법.
The method of claim 7,
The process conditions of the cutting process
Which includes at least one of a work material, a work shape, a work process and a work strategy
Process management method using transfer learning.
제1공정 조건을 포함하는 공정 작업을 요청하는 제품 에이전트;
기계 학습 기반의 제1예측 모델을 이용하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하는 설비 에이전트;
상기 예측된 성과 지표 및 미리 주어진 성과 지표 조건을 이용하여, 상기 제1공정 조건에 따라 공정을 수행할 설비 장치를 선택하는 주문 에이전트
를 포함하는 기계 학습을 이용하는 공정 관리 장치.
A product agent requesting a process operation including a first process condition;
A facility agent for predicting performance indicators for each equipment of the process variables for each of the first process conditions using a first prediction model based on machine learning;
An order agent that selects a facility device to perform a process according to the first process condition, using the predicted performance indicator and a given performance indicator condition
Process management apparatus using a machine learning that includes.
제 9항에 있어서,
상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 상기 제1예측 모델을 예측 모델 저장부에서 상기 설비 에이전트로 전달하는 모델 브로커 에이전트; 및
제1공정 데이터를 공정 데이터 저장부에서 상기 설비 에이전트로 전달하는 데이터 브로커 에이전트를 더 포함하며,
상기 제1공정 데이터는 상기 제1공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
기계 학습을 이용하는 공정 관리 장치.
The method of claim 9,
A model broker agent that delivers the first predictive model for predicting performance indicators for each facility device for process variables for each of the first process conditions from the prediction model storage unit to the facility agent; And
Further comprising a data broker agent for transferring the first process data from the process data storage to the facility agent,
The first process data is data for performance indicators of the equipment according to process variables for each first process condition.
Process management devices using machine learning.
제 10항에 있어서,
상기 설비 에이전트는
상기 제1공정 데이터에 기반하여, 상기 제1공정 조건별 공정 변수에 대한 설비 장치별 성과 지표가 학습된 상기 제1예측 모델을 생성하며,
상기 모델 브로커 에이전트는
상기 제1예측 모델을 상기 예측 모델 저장부로 전달하는
기계 학습을 이용하는 공정 관리 장치.
The method of claim 10,
The equipment agent
Based on the first process data, the first predictive model in which performance indicators for each equipment device for the process variables for the first process conditions are learned is generated,
The model broker agent
Forwarding the first predictive model to the predictive model storage
Process management devices using machine learning.
제 10항에 있어서,
상기 설비 에이전트는
제2공정 데이터량이 임계량 이하인 경우, 상기 제1예측 모델을 이용하여 제2공정 조건별 공정 변수에 대한 설비 장치별 성과 지표를 예측하기 위한 제2예측 모델을 생성하며,
상기 제2공정 데이터는 상기 제2공정 조건별 공정 변수에 따른 상기 설비 장치의 성과 지표에 대한 데이터인
기계 학습을 이용하는 공정 관리 장치.
The method of claim 10,
The equipment agent
When the second process data amount is less than or equal to the threshold, a second predictive model is generated to predict performance indicators for each equipment and process variable for each second process condition using the first predictive model.
The second process data is data for performance indicators of the equipment according to the process parameters for the second process conditions.
Process management devices using machine learning.
제 12항에 있어서,
상기 제1공정 조건은
복수의 공정 조건 중, 상기 제2공정 조건과 최대 유사도를 나타내는 공정 조건인
기계 학습을 이용하는 공정 관리 장치.
The method of claim 12,
The first process conditions
Among the plurality of process conditions, which is the process condition showing the maximum similarity to the second process condition
Process management devices using machine learning.
KR1020190009460A 2018-11-28 2019-01-24 Operation management method, apparatus and system using machine learning and transfer learning KR102229859B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180149144 2018-11-28
KR1020180149144 2018-11-28

Publications (2)

Publication Number Publication Date
KR20200068534A true KR20200068534A (en) 2020-06-15
KR102229859B1 KR102229859B1 (en) 2021-03-19

Family

ID=71081824

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190009460A KR102229859B1 (en) 2018-11-28 2019-01-24 Operation management method, apparatus and system using machine learning and transfer learning

Country Status (1)

Country Link
KR (1) KR102229859B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292703B1 (en) * 2020-07-02 2021-08-23 주식회사 마키나락스 Method for transfer learning based on feature set information
KR102321440B1 (en) 2020-09-10 2021-11-02 연세대학교 산학협력단 Apparatus and Method for Anomaly Detection Using Multivariate Heterogeneous Time-Series Data
KR20220015714A (en) * 2020-07-31 2022-02-08 경희대학교 산학협력단 Robust speaker adaptation modeling method for personalized emotion recognition and apparatus thereof
KR20220061808A (en) * 2020-11-06 2022-05-13 삼성전기주식회사 Method for optimization of lens module assembly
KR20220148029A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis model update system based on machine learning and method thereof
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180027995A (en) * 2016-09-07 2018-03-15 한국전자통신연구원 Method and apparatus for future prediction in Internet of thing
KR101846793B1 (en) * 2017-10-17 2018-04-06 부경대학교 산학협력단 Method of planning a manufacturing process by collecting and analyzing data from machine, and system using the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180027995A (en) * 2016-09-07 2018-03-15 한국전자통신연구원 Method and apparatus for future prediction in Internet of thing
KR101846793B1 (en) * 2017-10-17 2018-04-06 부경대학교 산학협력단 Method of planning a manufacturing process by collecting and analyzing data from machine, and system using the same

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292703B1 (en) * 2020-07-02 2021-08-23 주식회사 마키나락스 Method for transfer learning based on feature set information
KR20220015714A (en) * 2020-07-31 2022-02-08 경희대학교 산학협력단 Robust speaker adaptation modeling method for personalized emotion recognition and apparatus thereof
KR102321440B1 (en) 2020-09-10 2021-11-02 연세대학교 산학협력단 Apparatus and Method for Anomaly Detection Using Multivariate Heterogeneous Time-Series Data
KR20220061808A (en) * 2020-11-06 2022-05-13 삼성전기주식회사 Method for optimization of lens module assembly
KR20220148029A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis model update system based on machine learning and method thereof
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same

Also Published As

Publication number Publication date
KR102229859B1 (en) 2021-03-19

Similar Documents

Publication Publication Date Title
KR102229859B1 (en) Operation management method, apparatus and system using machine learning and transfer learning
Dong et al. Task scheduling based on deep reinforcement learning in a cloud manufacturing environment
Wang et al. A proactive material handling method for CPS enabled shop-floor
TWI625682B (en) Methods, systems and non-transitory computer-readable medium for parameter optimization
EP3462268B1 (en) Classification modeling for monitoring, diagnostics optimization and control
KR102016270B1 (en) Scheduling Optimization System and Method in Hot Press Forging Process
CN108924198A (en) A kind of data dispatching method based on edge calculations, apparatus and system
US11663292B2 (en) Base analytics engine modeling for monitoring, diagnostics optimization and control
Li et al. A twin data and knowledge-driven intelligent process planning framework of aviation parts
US11644823B2 (en) Automatic modeling for monitoring, diagnostics, optimization and control
Abdi et al. Integrated reconfigurable manufacturing systems and smart value chain
Estanjini et al. A least squares temporal difference actor–critic algorithm with applications to warehouse management
Adjoul et al. Algorithmic strategy for optimizing product design considering the production costs
US20180231953A1 (en) Numerical controller
US20190102352A1 (en) Multi-engine modeling for monitoring, diagnostics, optimization and control
Gosavi et al. Maintenance optimization in a digital twin for Industry 4.0
Liu et al. An integrated scheduling approach considering dispatching strategy and conflict-free route of AMRs in flexible job shop
CN104081298A (en) System and method for automated handling of a workflow in an automation and/or electrical engineering project
Woo et al. Developing a big data analytics platform for increasing sustainability performance in machining operations
KR102392359B1 (en) Hyper-automation solution system based on artificial intelligence
CN114995393A (en) Mobile robot scheduling method, device and system
CN112668223B (en) Electromechanical equipment simulation method and system based on digital twin lightweight model
CN114239406A (en) Financial process mining method based on reinforcement learning and related device
CN113627646A (en) Path planning method, device, equipment and medium based on neural network
Zhong et al. Sequencing problem for a hull mixed-model assembly line considering manufacturing complexity

Legal Events

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