KR20220127474A - 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 - Google Patents
자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220127474A KR20220127474A KR1020210031805A KR20210031805A KR20220127474A KR 20220127474 A KR20220127474 A KR 20220127474A KR 1020210031805 A KR1020210031805 A KR 1020210031805A KR 20210031805 A KR20210031805 A KR 20210031805A KR 20220127474 A KR20220127474 A KR 20220127474A
- Authority
- KR
- South Korea
- Prior art keywords
- abnormal state
- worker
- monitoring device
- equipment
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 143
- 230000008569 process Effects 0.000 title claims abstract description 124
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012806 monitoring device Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000009413 insulation Methods 0.000 abstract description 6
- 238000009833 condensation Methods 0.000 abstract description 5
- 230000005494 condensation Effects 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 11
- 238000013500 data storage Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Selective Calling Equipment (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 및 제어 시스템은 공정별 설비에 장착되어 설비의 동작 상태를 실시간으로 모니터링하는 설비 모니터링 장치와, 공정별 작업자의 작업 상태를 실시간으로 모니터링하는 작업자 모니터링 장치와, 상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치와 네트워크로 연결되어, 상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치로부터 수신되는 데이터를 기초로 미리 구축된 이상상태 검출 모델을 이용하여 자동화 공정의 이상상태를 예측 또는 검출하는 관리서버를 포함한다.
Description
본 발명은 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법에 관한 것으로서, 보다 상세하게는 자동화 공정 설비의 상태 및 작업자의 상태를 기반으로 자동화 공정의 이상상태를 예측 또는 검출하는 자동화 공정 이상상태 모니터링 및 제어 시스템에 관한 것이다.
공장에서는 PLC(Programmable Logic Controller)를 이용한 자동화 공정이 주로 이용되고 있다. PLC는 자동화 산업의 공정제어를 위한 안정성이 보장된 제어장치로써 다품종 소량생산으로 인한 현장의 잦은 시스템 변경에 대응하기 위해 프로그램이 가능하며 소규모이고 시스템 변경에 비교적 자유로운 제어기의 필요성에 의하여 개발되었다.
이러한 PLC를 활용한 자동화 공정에서 자동화 공정의 이상상태를 파악하기 위하여 공장 설비에 센서를 부탁하여 신호 데이터를 수신하고 각 공정의 이상상태를 파악하는 기술이 사용되고 있으나 자동화 공정은 각 복수의 공정이 인라인 방식으로 이어져 있기 때문에 각각의 공정 설비만의 데이터만으로는 이상상태를 정확하게 검출하는 것에 한계가 있었다.
따라서, 각각의 공정에 대한 규격에 의한 이상상태 검출 기법을 벗어나 전체 공정에 대한 유기적인 결합관계 등을 고려한 자동화 공정 이상상태 검출 기법이 필요한 실정이다.
본 발명은 위와 같은 문제를 해결하기 위한 것으로 공정 설비의 동작 상태 및 작업자의 작업 상태를 고려하여 이상상태 검출 모델을 업데이트하여 자동화 설비의 이상상태 예측 또는 검출할 수 있는 자동화 공정 이상상태 모니터링 및 제어 시스템을 제공하는 것을 목적으로 한다.
본 발명의 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 및 제어 시스템은, 공정별 설비에 장착되어 설비의 동작 상태를 실시간으로 모니터링하는 설비 모니터링 장치; 공정별 작업자의 작업 상태를 실시간으로 모니터링하는 작업자 모니터링 장치; 및 상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치와 네트워크로 연결되어, 상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치로부터 수신되는 데이터를 기초로 미리 구축된 이상상태 검출 모델을 이용하여 자동화 공정의 이상상태를 예측 또는 검출하는 관리서버를 포함할 수 있다.
상기 관리서버는 상기 작업자 모니터링 장치로부터 각 공정별 작업자의 ID 정보를 수집하고, 기 구축된 상기 작업자의 작업이력 정보에 기반하여 상기 이상상태 검출 모델을 보정할 수 있다.
상기 작업자 모니터링 장치는 GPS 센서, 자이로 센서 및 가속도 센서를 포함하여 구성되고, 상기 관리서버는 상기 GPS 센서, 상기 자이로 센서 및 상기 가속도 센서로부터 수신되는 센싱값을 기초로 상기 작업자의 움직임 상태를 판단하고, 상기 판단된 상기 작업자의 움직임 상태를 기초로 자동화 공정의 이상 상태를 예측 또는 검출할 수 있다.
상기 설비 모니터링 장치는, 상기 공정별 설비의 동작 상태 정보를 수집하는 설비상태 수집부; 상기 공정별 설비의 동작 화면을 촬영하는 카메라부; 및 상기 공정별 설비에 장착된 센서부를 포함하여 구성될 수 있다.
상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치로부터 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에 수집된 데이터를 기초로 공정별 설비의 상태를 분석하는 설비 상태 분석부; 상기 데이터 수집부에 수집된 데이터를 기초로 공정별 작업자의 상태를 분석하는 작업자 상태 분석부; 및 상기 분석된 공정별 설비의 상태 및 작업자의 상태에 기초하여 자동화 공정의 이상상태를 예측 또는 검출할 수 있다.
상기 이상상태 판단부는, 자동화 공정의 작업별로 해당 작업의 시작과 끝을 구분하는 접점인 사이클과 해당 작업의 정상수행에 영향을 주는 접점들의 명칭을 포함한 그룹을 설정받고, 상기 데이터 수집부에서 수집된 데이터를 기반으로 공정 작업별 시퀀스 중 출현 빈도 수가 가장 많은 시퀀스를 마스터 패턴으로 결정하는 마스터 패턴 생성부; 상기 마스터 패턴 생성부가 결정한 상기 마스터 패턴 및 상기 작업자 상태 분석부에서 분석한 공정별 작업자의 상태 정보를 AI 학습 엔진을 이용하여 학습시켜 상기 보정된 이상상태 검출모델을 업데이트하는 AI 학습 엔진; 및 상기 업데이트된 이상상태 검출모델을 이용하여 자동화 공정의 이상상태를 검출하는 이상상태 검출부를 포함할 수 있다.
상기 이상상태 판단부는, 자동화 공정의 이상상태를 발생시킨 설비의 접점정보 및 이상상태의 발생 시간정보를 다이어그램 형식으로 가시화하여 출력하는 이상상태 출력부를 더 포함할 수 있다.
또한 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 및 제어 방법은, (a) 공정별 설비의 동작 상태 데이터를 수집하는 단계; (b) 공정별 작업자의 ID 정보를 수집하는 단계; (c) 기 구축된 상기 작업자의 작업이력 정보에 기반하여 기 구축된 이상상태 검출 모델을 보정하는 단계; (d) 공정별 작업자의 움직임 데이터를 수집하는 단계; (e) 상기 수집된 공정별 작업자의 움직임 데이터에 기반하여 상기 보정된 이상상태 검출 모델을 업데이트 하는 단계; (f) 상기 업데이트된 이상상태 검출 모델을 기반으로 자동화 설비의 이상상태를 검출하는 단계를 포함할 수 있다.
상기 자동화 공정 이상상태 모니터링 및 제어 방법은, 자동화 공정의 작업별로 해당 작업의 시작과 끝을 구분하는 접점인 사이클과 해당 작업의 정상수행에 영향을 주는 접점의 명칭을 포함하는 그룹을 설정받고, 공정 작업별 시퀀스 중 출현 빈도수가 가장 많은 시퀀스를 마스터 패턴으로 결정하는 단계를 더 포함하고, 상기 (e) 단계는, 상기 마스터 패턴 및 상기 공정별 작업자의 움직임 데이터를 AI 학습 엔진을 이용하여 학습시켜 상기 보정된 이상상태 검출 모델을 업데이트할 수 있다.
상기 자동화 공정 이상상태 모니터링 및 제어 방법은, 상기 자동화 공정의 이상상태를 발생시킨 설비의 접점 정보 및 이상상태의 발생 시간정보를 다이어그램 형식으로 가시화하여 출력하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 결로 방지용 단열 보조캡은 단열재 사이의 틈새에 끼우는 간단한 동작만으로 틈새를 안정적으로 밀폐시킴으로써 단열 효과 및 결로 방지 효과를 극대화시킬 수 있다.
또한 본 발명의 일실시예에 따른 결로 방지용 단열 보조캡은 다양한 형태의 단열재 이음 구조에 대응하여 용이하게 시공할 수 있는 장점이 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 시스템의 개략 구성도이다.
도 2는 도 1의 설비 모니터링 장치의 개략 구성도이다.
도 3은 도 1의 작업자 모니터링 장치의 개략 구성도이다.
도 4는 도 1의 관리서버의 개략 구성도이다.
도 5는 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 방법의 개략 순서도이다.
도 2는 도 1의 설비 모니터링 장치의 개략 구성도이다.
도 3은 도 1의 작업자 모니터링 장치의 개략 구성도이다.
도 4는 도 1의 관리서버의 개략 구성도이다.
도 5는 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 방법의 개략 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 본 발명의 실시예들에 다른 결로 방지용 단열 보조캡을 도면을 참고하여 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 시스템의 개략 구성도이며, 도 2는 도 1의 설비 모니터링 장치의 개략 구성도이며, 도 3은 도 1의 작업자 모니터링 장치의 개략 구성도이며, 도 4는 도 1의 관리서버의 개략 구성도이다.
도 1 내지 도 4를 참조하면 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 시스템은 설비 모니터링 장치(100)와, 작업자 모니터링 장치(200)와, 관리서버(300)와, 디스플레이 장치(400) 및 관리자 단말기(500)을 포함하여 구성될 수 있다.
설비 모니터링 장치(100)는 자동화 공정별 설비에 장착되어 설비의 동작 상태를 실시간으로 모니터링하는 역할을 한다.
자동화 공정별 설비는 각각의 생산 라인의 개별 설비 외에도 PLC 장치를 포함할 수 있다.
설비 모니터링 장치(100)는 각각의 설비로부터 동작 상태에 관한 정보를 수집할 수 있으며, 래더 다이어그램(Ladder Diagram)으로 프로그래밍된 PLC 제어 프로그램으로 PLC 장치가 자동화 공정을 수행하는 설비들을 제어할 때 발생하는 로그(log) 데이터를 PLC 장치로부터 수집할 수 있다.
도 2를 참조하면 설비 모니터링 장치(100)는 설비상태 수집부(110), 카메라부(130) 및 센서부(150)를 포함하여 구성될 수 있다.
설비상태 수집부(110)는 자동화 공정 설비의 동작 상태 정보를 수집하는 역할을 한다. 설비상태 수집부(110)는 자동과 공정 설비의 각종 출력 신호를 직접 받거나 또는 PLC 장치로부터 로그 데이터를 수신하도록 구성될 수 있다.
카메라부(130)는 자동화 공정 설비의 동작 화면을 촬영하는 역할을 한다. 카메라부(130)는 각 공정 설비의 외부 또는 내부 동작 상황을 촬영할 수 있도록 공정 설비의 외부 또는 내부에 설치될 수 있다.
센서부(150)는 각 공정 설비의 동작 상태 또는 생산 환경을 측정하는 역할을 한다. 센서부(150)는 각 공정 설비의 내부 장치 또는 회로에 연결되어 특정 신호를 센싱하거나 공정 설비 외부 또는 내부의 환경 상태를 센싱하는 역할을 할 수 있다.
예를 들어, 센서부(150)는 소음을 측정하는 소음측정 센서, 온도를 측정하는 온도측정 센서, 진동을 측정하는 진동측정 센서, 밝기를 측정하는 명암측정센서, 움직임을 측정하는 모션측정센서 등을 포함하여 구성될 수 있다.
작업자 모니터링 장치(200)는 GPS 센서(210), 자이로 센서(230) 및 가속도 센서(250)를 포함하여 구성될 수 있다.
작업자 모니터링 장치(200)는 공정별 작업자가 휴대하는 스마트 워치, 스마트폰 또는 웨어러블 기기일 수 있다.
GPS 센서(210)는 위성으로부터의 신호를 수신하여 작업자의 위치 정보를 측정하는 역할을 한다.
자이로 센서(230)는 각속도를 측정하는 역할을 하며, 가속도 센서(250)는 가속도를 측정하는 역할을 한다. 자이로 센서(230) 및 가속도 센서(250)는 함께 구성되어 움직임을 측정하는 모션 센서의 형태로도 구성될 수 있다.
작업자가 작업자 모니터링 장치(200)를 휴대하면서 작업을 수행하는 경우 상기 GPS 센서(210), 자이로 센서(230) 및 각속도 센서(250)의 센싱 신호를 후술할 관리서버(300)가 수집하여 작업자의 움직임 정보, 작업 상태 정보 등을 분석할 수 있다.
관리서버(300)는 데이터 수집부(310), 설비 상태 분석부(320), 작업자 상태 분석부(330), 데이터 저장부(340) 및 이상상태 판단부(350)를 포함하여 구성된다.
데이터 수집부(310)는 설비 모니터링 장치(100) 및 작업자 모니터링 장치(200)로부터 데이터를 수집하는 역할을 한다. 수집되는 데이터에는 설비 모니터링 장치(100)로부터 수신된 설비 데이터, 촬영 데이터 및 센싱 데이터와, 작업자 모니터링 장치(200)로부터 수신되는 GPS 신호, 각속도 데이터 및 가속도 데이터가 포함될 수 있다.
설비 상태 분석부(320)는 데이터 수집부(310)에 수집된 데이터를 기초로 공정별 설비의 상태를 분석하는 역할을 한다.
데이터 저장부(340)는 미리 구축된 이상상태 검출 모델이 저장되어 있을 수 있으며, 설비 상태 분석부(320)는 이 모델에 수집된 데이터를 입력하여 공정별 설비의 상태를 분석할 수 있다.
예를 들어, 설정된 인라인 작업의 각 공정별 설비의 작업 표준 상태에 대한 정보가 이상상태 검출 모델에 포함되어 있어 이를 기초로 공정별 설비의 상태가 정상인지 아닌지를 판단할 수 있다.
작업자 상태 분석부(330)는 데이터 수집부(310)에 수집된 데이터를 기초로 공정별 작업자의 상태를 분석하는 역할을 한다.
작업자 상태 분석부(300)로 데이터 저장부(340)에 저장된 이상상태 검출 모델에 수집된 작업자의 움직임 정보를 입력하여 작업자의 상태가 표준 작업 상태와 일치하는지 아닌지를 판단할 수 있다.
예를 들어, 작업자 상태 분석부(300)는 작업자의 표준 동선에 대한 정보와 수집된 데이터를 비교하여 작업자의 동선이 표준 동선과 일치하는지 여부를 판단할 수 있다.
데이터 저장부(340)는 상기 설명한 바와 같이 이상상태 검출 모델이 미리 구축되어 저장될 수 있으며, 데이터 수집부(310), 설비 상태 분석부(320), 작업자 상태 분석부(330) 및 이상상태 판단부(350)가 처리한 데이터를 저장하는 역할을 수행할 수 있다.
이상상태 판단부(350)는 이상상태 검출모델 보정부(351), 마스터 패턴 생성부(353), AI 학습 엔진(353), 이상상태 검출부(357) 및 이상상태 출력부(359)를 포함하여 구성될 수 있다.
이상상태 검출모델 보정부(351)는 작업자 모니터링 장치(200)로부터 각 공정별 작업자의 ID 정보를 수집하고, 기 구축된 작업자의 작업이력 정보에 기반하여 기 구축된 이상상태 검출 모델을 보정하는 역할을 수행할 수 있다.
예를 들어, 표준 작업자 정보를 기준으로 이상상태 검출 모델이 기 구축된 상태에서 각 개별 작업자의 작업 패턴에 따라 각 작업자에 최적이 되는 이상상태 검출 모델을 별도로 생성할 수 있다.
이러한 경우 표준 작업자의 작업 속도보다 다소 느린 작업자의 경우 움직임이 느린 작업자의 경우 표준 작업자 대비 이상 상태로 판단될 수 있으나 느린 움직임 정보를 반영하여 이상상태 검출 모델을 보정하는 경우에는 해당 작업자에 대해서는 이상상태가 아닌 것으로 판단할 수 있다.
인라인 공정 설비 중에서 중간에 이렇게 보정된 사항이 생기는 경우 이와 연결되는 전체 인라인 공정에 대한 인풋 및 아웃풋 영향을 고려하여 전체 공정 프로세스에 대한 이상상태 검출 모델을 보정할 수 있다.
이때, 각 공정별 작업자가 다른 경우 각각의 공정별 작업자의 작업 패턴에 기반하여 전체 공정에 대한 이상상태 검출 모델을 보정할 수 있다.
각각의 작업자의 작업 패턴은 데이터 저장부(340)에 저장되어 AI 학습 알고리즘을 학습되면서 데이터베이스화되어 저장될 수 있으며, 이러한 데이터베이스는 추후 작업자의 ID가 조회되는 경우 초기 보정값에 활용될 수 있다.
마스터 패턴 생성부(353)는 자동화 공정의 작업별로 해당 작업의 시작과 끝을 구분하는 사이클의 명칭과 해당 작업의 정상수행에 영향을 주는 접점들의 명칭을 포함하는 그룹을 설정받고, PLC 장치로부터 수집된 로그 정보로부터 상기 작업별로 해당 작업의 사이클 동안 해당 작업의 그룹에 포함된 접점들의 시간에 따른 온/오프 흐름인 시퀀스의 추출 과정을 반복해서 수행하고, 상기 추출된 시퀀스들 중 출현 빈도가 가장 많은 시퀀스를 마스터 패턴을 결정할 수 있다.
AI 학습 엔진(355)은 마스터 패턴 생성부(353)가 생성한 마스터 패턴 및 작업자 상태 분석부(330)에서 분석된 작업자의 상태 정보를 AI 학습 엔진을 이용하여 학습시켜 상기 보정된 이상상태 검출모델을 업데이트하는 역할을 한다.
즉, AI 학습 엔진(355)는 각 공정별 설비의 동작 상태에 대한 정보를 담고 있는 마스터 패턴 정보에 기초하여 이상상태 검출모델(300)을 업데이트할 수 있다. 다만, 이 경우 후술할 이상상태 검출부(357)에 의하여 이상상태라고 판단되는 경우에는 업데이트시에 이를 반영하지 않을 수 있다.
이상상태 검출부(357)는 업데이트된 이상상태 검출모델을 이용하여 자동화 공정의 이상상태를 검출하는 역할을 한다. 즉, 업데이트된 이상상태 검출모델에 포함된 표준 정보와 상기 검출된 마스터 패턴 정보를 비교하여 이상상태를 확인할 수 있다. 이때, 이상상태 검출부(357)는 자동화 공정의 이상상태 원인이 되는 설비의 접점 정보를 파악할 수 있다.
이상상태 출력부(359)는 자동화 공정의 이상상태를 발생시킨 설비의 접점 정보 및 이상상태의 발생 시간 정보를 다이어그램 형식으로 가시화하여 출력하는 역할을 한다.
이상상태 출력부(359)는 상기 다이어그램 형식으로 가시화된 정보를 후술할 디스플레이 장치(400) 및 관리자 단말기(500)로 제공할 수 있다.
디스플레이 장치(400)는 공장 내부 또는 외부에 설치되어 자동화 공정 설비의 동작 현황 정보를 출력하는 역할을 한다. 디스플레이 장치(400)는 데스크탑 컴퓨터, 프로세서를 내장한 디스플레이 모니터, 키오스크 등의 형태가 될 수 있다. 관리자는 디스플레이 장치(400)를 통하여 동작 현황 정보를 파악하고, 필요한 경우 화면을 터치하는 등의 동작으로 공정을 제어하거나 설정 조건을 변경할 수 있다.
관리자 단말기(500)는 관리자가 휴대하는 노트북, PDA, 태블릿, 스마트폰 등의 기기일 수 있으며, 관리서버(300)가 제공하는 프로그램 또는 어플리케이션이 탑재되어 이상상태 출력부(359)가 출력하는 이상상태 정보를 확인하거나 관리서버(300)가 제공하는 공정 현황 정보를 확인 및 제어할 수 있도록 구성될 수 있다.
도 5는 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 방법의 개략 순서도이다.
도 5를 참조하면 본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 방법은 자동화 공정 설비의 상태 데이터를 수집하는 단계를 포함한다(S510).
다음 자동화 공정 설비의 작업자 ID 정보를 수집하고(S520), 작업자의 ID 정보에 기초하여 작업자의 기존 작업 이력 정보를 호출하고 이에 기반하여 기 구축된 이상상태 검출모델을 보정할 수 있다(S530).
각종 센서를 통하여 작업자의 움직임 데이터를 수집하고(S540), 설비 상태 정보를 기반으로 마스터 패턴을 생성한다(S550).
작업자의 움직임 데이터 및 설비 상태 정보가 수집되면 이를 기초로 이상상태 검출 모델을 AI 학습 알고리즘을 통하여 학습하면서 업데이트한다(S560).
마스터 패턴과 업데이트되는 이상상태 검출 모델을 이용하여 설비의 이상상태를 판단하고 이상 접점정보를 판단한다(S570).
이상상태가 판단되면 설비 이상상태 정보를 다이어그램 형태로 가시화하여 출력한다(S580).
본 발명의 일실시예에 따른 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법은 상기와 같은 방법으로 공정 설비 동작 데이터 및 작업자의 움직임 데이터를 기반으로 학습 알고리즘을 통하여 기 구축된 이상상태 검출 모델을 자동으로 업데이트하면서 이상상태 검출의 정확도를 향상시킬 수 있다.
또한, 본 발명은 각각의 공정별 작업자별 데이터 이력을 별도로 구축하여 표준 이상상태 검출모델을 각 작업자별로 보정하여 사용함으로써 작업자의 작업 패턴에 맞게 이상상태 검출모델을 최적화함으로써 표준 이상상태 검출모델만을 이용하는 경우의 부정확성을 보완할 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 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.
100: 설비 모니터링 장치
110: 설비상태 수집부
130: 카메라부 150: 센서부
200: 작업자 모니터링 장치 210: GPS 센서
230: 자이로 센서 250: 가속도 센서
300: 관리서버 310: 데이터 수집부
320: 설비 상태 분석부 330: 작업자 상태 분석부
340: 데이터 저장부 350: 이상상태 판단부
351: 이상상태 검출모델 보정부 353: 마스터 패턴 생성부
355: AI 학습 엔진 357: 이상상태 검출부
359: 이상상태 출력부 400: 디스플레이 장치
500: 관리자 단말기
130: 카메라부 150: 센서부
200: 작업자 모니터링 장치 210: GPS 센서
230: 자이로 센서 250: 가속도 센서
300: 관리서버 310: 데이터 수집부
320: 설비 상태 분석부 330: 작업자 상태 분석부
340: 데이터 저장부 350: 이상상태 판단부
351: 이상상태 검출모델 보정부 353: 마스터 패턴 생성부
355: AI 학습 엔진 357: 이상상태 검출부
359: 이상상태 출력부 400: 디스플레이 장치
500: 관리자 단말기
Claims (10)
- 공정별 설비에 장착되어 설비의 동작 상태를 실시간으로 모니터링하는 설비 모니터링 장치;
공정별 작업자의 작업 상태를 실시간으로 모니터링하는 작업자 모니터링 장치; 및
상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치와 네트워크로 연결되어, 상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치로부터 수신되는 데이터를 기초로 미리 구축된 이상상태 검출 모델을 이용하여 자동화 공정의 이상상태를 예측 또는 검출하는 관리서버를 포함하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제1항에 있어서,
상기 관리서버는 상기 작업자 모니터링 장치로부터 각 공정별 작업자의 ID 정보를 수집하고, 기 구축된 상기 작업자의 작업이력 정보에 기반하여 상기 이상상태 검출 모델을 보정하는 것을 특징으로 하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제2항에 있어서,
상기 작업자 모니터링 장치는 GPS 센서, 자이로 센서 및 가속도 센서를 포함하여 구성되고,
상기 관리서버는 상기 GPS 센서, 상기 자이로 센서 및 상기 가속도 센서로부터 수신되는 센싱값을 기초로 상기 작업자의 움직임 상태를 판단하고, 상기 판단된 상기 작업자의 움직임 상태를 기초로 자동화 공정의 이상 상태를 예측 또는 검출하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제2항에 있어서,
상기 설비 모니터링 장치는,
상기 공정별 설비의 동작 상태 정보를 수집하는 설비상태 수집부;
상기 공정별 설비의 동작 화면을 촬영하는 카메라부; 및
상기 공정별 설비에 장착된 센서부를 포함하여 구성되는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제2항에 있어서,
상기 관리서버는,
상기 설비 모니터링 장치 및 상기 작업자 모니터링 장치로부터 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에 수집된 데이터를 기초로 공정별 설비의 상태를 분석하는 설비 상태 분석부;
상기 데이터 수집부에 수집된 데이터를 기초로 공정별 작업자의 상태를 분석하는 작업자 상태 분석부; 및
상기 분석된 공정별 설비의 상태 및 작업자의 상태에 기초하여 자동화 공정의 이상상태를 예측 또는 검출하는 이상상태 판단부를 포함하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제5항에 있어서,
상기 이상상태 판단부는,
자동화 공정의 작업별로 해당 작업의 시작과 끝을 구분하는 접점인 사이클과 해당 작업의 정상수행에 영향을 주는 접점들의 명칭을 포함한 그룹을 설정받고, 상기 데이터 수집부에서 수집된 데이터를 기반으로 공정 작업별 시퀀스 중 출현 빈도 수가 가장 많은 시퀀스를 마스터 패턴으로 결정하는 마스터 패턴 생성부;
상기 마스터 패턴 생성부가 결정한 상기 마스터 패턴 및 상기 작업자 상태 분석부에서 분석한 공정별 작업자의 상태 정보를 AI 학습 엔진을 이용하여 학습시켜 상기 보정된 이상상태 검출모델을 업데이트하는 AI 학습 엔진; 및
상기 업데이트된 이상상태 검출모델을 이용하여 자동화 공정의 이상상태를 검출하는 이상상태 검출부를 포함하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - 제6항에 있어서,
상기 이상상태 판단부는, 자동화 공정의 이상상태를 발생시킨 설비의 접점정보 및 이상상태의 발생 시간정보를 다이어그램 형식으로 가시화하여 출력하는 이상상태 출력부를 더 포함하는 자동화 공정 이상상태 모니터링 및 제어 시스템. - (a) 공정별 설비의 동작 상태 데이터를 수집하는 단계;
(b) 공정별 작업자의 ID 정보를 수집하는 단계;
(c) 기 구축된 상기 작업자의 작업이력 정보에 기반하여 기 구축된 이상상태 검출 모델을 보정하는 단계;
(d) 공정별 작업자의 움직임 데이터를 수집하는 단계;
(e) 상기 수집된 공정별 작업자의 움직임 데이터에 기반하여 상기 보정된 이상상태 검출 모델을 업데이트 하는 단계;
(f) 상기 업데이트된 이상상태 검출 모델을 기반으로 자동화 설비의 이상상태를 검출하는 단계를 포함하는 자동화 공정 이상상태 모니터링 및 제어 방법. - 제8항에 있어서,
자동화 공정의 작업별로 해당 작업의 시작과 끝을 구분하는 접점인 사이클과 해당 작업의 정상수행에 영향을 주는 접점의 명칭을 포함하는 그룹을 설정받고, 공정 작업별 시퀀스 중 출현 빈도수가 가장 많은 시퀀스를 마스터 패턴으로 결정하는 단계를 더 포함하고,
상기 (e) 단계는, 상기 마스터 패턴 및 상기 공정별 작업자의 움직임 데이터를 AI 학습 엔진을 이용하여 학습시켜 상기 보정된 이상상태 검출 모델을 업데이트하는 것을 특징으로 하는 자동화 공정 이상상태 모니터링 및 제어 방법. - 제9항에 있어서,
상기 자동화 공정의 이상상태를 발생시킨 설비의 접점 정보 및 이상상태의 발생 시간정보를 다이어그램 형식으로 가시화하여 출력하는 단계를 포함하는 자동화 공정 이상상태 모니터링 제어 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210031805A KR102483811B1 (ko) | 2021-03-11 | 2021-03-11 | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210031805A KR102483811B1 (ko) | 2021-03-11 | 2021-03-11 | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220127474A true KR20220127474A (ko) | 2022-09-20 |
KR102483811B1 KR102483811B1 (ko) | 2023-01-04 |
Family
ID=83446394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210031805A KR102483811B1 (ko) | 2021-03-11 | 2021-03-11 | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102483811B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363575A (zh) * | 2023-02-15 | 2023-06-30 | 南京诚勤教育科技有限公司 | 一种基于智慧校园的教室监控管理*** |
KR102578851B1 (ko) * | 2023-06-07 | 2023-09-14 | 주식회사 성원 | 딥러닝 기반 조업 안전 관리 방법 및 이를 위한 서버 |
CN116805194A (zh) * | 2023-05-11 | 2023-09-26 | 上海捷诺合创智能科技发展有限公司 | 基于云平台的大数据处理分析*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101566358B1 (ko) * | 2014-07-28 | 2015-11-06 | 주식회사 유디엠텍 | 자동화 공정 이상상태 알림 시스템 및 방법 |
KR20200006230A (ko) * | 2018-07-10 | 2020-01-20 | 슈어소프트테크주식회사 | 스마트 단말 및 스마트 단말에서의 작업 공정 이상 부분 판별 방법 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 서버 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 방법, 그리고, 스마트 단말 및 작업 공정 자동 기록 서버간 통신 시스템 |
KR20200009681A (ko) * | 2018-07-19 | 2020-01-30 | 한국조선해양 주식회사 | 용접 모니터링 시스템 및 방법 |
KR102110601B1 (ko) | 2019-11-27 | 2020-05-13 | (주)대한기전 | 설비 고장 예측 시스템 |
-
2021
- 2021-03-11 KR KR1020210031805A patent/KR102483811B1/ko active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101566358B1 (ko) * | 2014-07-28 | 2015-11-06 | 주식회사 유디엠텍 | 자동화 공정 이상상태 알림 시스템 및 방법 |
KR20200006230A (ko) * | 2018-07-10 | 2020-01-20 | 슈어소프트테크주식회사 | 스마트 단말 및 스마트 단말에서의 작업 공정 이상 부분 판별 방법 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 서버 및 머신러닝 알고리즘을 이용한 작업 공정 자동 기록 방법, 그리고, 스마트 단말 및 작업 공정 자동 기록 서버간 통신 시스템 |
KR20200009681A (ko) * | 2018-07-19 | 2020-01-30 | 한국조선해양 주식회사 | 용접 모니터링 시스템 및 방법 |
KR102110601B1 (ko) | 2019-11-27 | 2020-05-13 | (주)대한기전 | 설비 고장 예측 시스템 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363575A (zh) * | 2023-02-15 | 2023-06-30 | 南京诚勤教育科技有限公司 | 一种基于智慧校园的教室监控管理*** |
CN116363575B (zh) * | 2023-02-15 | 2023-11-03 | 南京诚勤教育科技有限公司 | 一种基于智慧校园的教室监控管理*** |
CN116805194A (zh) * | 2023-05-11 | 2023-09-26 | 上海捷诺合创智能科技发展有限公司 | 基于云平台的大数据处理分析*** |
KR102578851B1 (ko) * | 2023-06-07 | 2023-09-14 | 주식회사 성원 | 딥러닝 기반 조업 안전 관리 방법 및 이를 위한 서버 |
Also Published As
Publication number | Publication date |
---|---|
KR102483811B1 (ko) | 2023-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102483811B1 (ko) | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 | |
JP6810097B2 (ja) | 異常検出器 | |
US20170131705A1 (en) | Field device, field device system, and diagnostic method | |
KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
EP3055747A1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
JP7031743B2 (ja) | 異常検知装置 | |
US20160239755A1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
EP3771951B1 (en) | Using data from plc systems and data from sensors external to the plc systems for ensuring data integrity of industrial controllers | |
JP6280862B2 (ja) | イベント分析システムおよび方法 | |
CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
JP5061744B2 (ja) | 状況解析システムおよび状況解析方法 | |
US20210312284A1 (en) | System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant | |
JP2023106444A (ja) | 情報処理システム、情報処理方法及び情報処理装置 | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
TWI586943B (zh) | enhanced-FFT線上機台振動量測系統與方法 | |
KR101915236B1 (ko) | 스마트 팩토리를 위한 통합 보안 관리 시스템 | |
KR20200039970A (ko) | 전력 시계열 데이터의 전송처리 시스템 및 방법 | |
CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
US11415958B2 (en) | Data extracting apparatus, data extracting method, and recording medium | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
CN114868364A (zh) | 数据收集分析***、数据收集分析装置、机器学习装置及数据收集分析方法 | |
KR20200059429A (ko) | 디지털 트윈 기반 건설기계 지능화를 위한 시각화 도구 적용 방법 | |
JP2019145079A (ja) | 異常監視装置、異常監視方法および異常監視プログラム | |
KR102311857B1 (ko) | 가스터빈 예열시간 예측 시스템 |