KR20240078762A - Smart factory system that diagnoses conditions using artificial intelligence - Google Patents

Smart factory system that diagnoses conditions using artificial intelligence Download PDF

Info

Publication number
KR20240078762A
KR20240078762A KR1020220161249A KR20220161249A KR20240078762A KR 20240078762 A KR20240078762 A KR 20240078762A KR 1020220161249 A KR1020220161249 A KR 1020220161249A KR 20220161249 A KR20220161249 A KR 20220161249A KR 20240078762 A KR20240078762 A KR 20240078762A
Authority
KR
South Korea
Prior art keywords
time series
series data
data
artificial intelligence
neural network
Prior art date
Application number
KR1020220161249A
Other languages
Korean (ko)
Inventor
김대천
Original Assignee
주식회사 필드솔루션
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 필드솔루션 filed Critical 주식회사 필드솔루션
Priority to PCT/KR2022/018951 priority Critical patent/WO2024117273A1/en
Priority to KR1020220161249A priority patent/KR20240078762A/en
Publication of KR20240078762A publication Critical patent/KR20240078762A/en

Links

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
    • G05B23/0259—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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • 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
    • 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
    • G05B23/0218—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
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Human Computer Interaction (AREA)

Abstract

본 발명은 시계열 데이터와 인공지능을 활용하여 공정 장치의 상태를 파악하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템에 관한 것으로, 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여 인공신경망을 학습시키는 인공지능 학습부와, 상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부와, 상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부를 제공한다.The present invention relates to a smart factory system that utilizes time series data and artificial intelligence to determine the status of process equipment and inspect process equipment with a high probability of failure. An artificial intelligence learning unit that trains the artificial neural network by inputting time series data on power consumption, operating time, temperature, humidity, and location information into the artificial neural network, and performs time series analysis using ARMA with the time series data to generate future time series data. Receives a data prediction unit that makes predictions, an artificial neural network learned from the artificial intelligence learning unit, receives the future time series data from the data prediction unit, and applies the future time series data to the learning artificial neural network, the process It provides a status diagnosis unit that calculates the probability of future failure of the device.

Description

시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템{Smart factory system that diagnoses conditions using artificial intelligence}Smart factory system that diagnoses conditions using time series data and artificial intelligence

본 발명은 시계열 데이터와 인공지능을 이용한 스마트 팩토리 시스템에 관한 것으로, 장래 시계열 데이터를 예측하고, 예측된 시계열 데이터를 학습된 인공신경망에 투입하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템에 관한 것이다. The present invention relates to a smart factory system using time series data and artificial intelligence. A smart factory system that predicts future time series data and inputs the predicted time series data into a learned artificial neural network to inspect process equipment with a high probability of failure. It's about.

특정 제품을 생산하는 공장은 최근 자동화 시스템에 의해 운영되고 있다. 이러한 공장의 자동화 시스템은 이전까지는 외부 네트워크와 연결되지 않고, 공장별 자동화 시스템 단위로 독립적인 네트워크를 구성하여 운영되는 폐쇄적인 형태였으나, 최근에는 이러한 공장 자동화 시스템을 외부 네트워크와 연결하여 제어하고, 생산 장치로부터 생산되는 데이터를 생산 및 관리에 재이용하려는 시도가 활발하게 이루어지고 있다. Factories that produce specific products have recently been operated by automated systems. Previously, the automation system of these factories was not connected to an external network and was a closed type operated by configuring an independent network for each factory automation system, but recently, these factory automation systems have been connected to an external network to control and produce There are active attempts to reuse data produced from devices for production and management.

이러한 공장 자동화 시스템의 각 장치들을 네트워크로 연결하려는 시도는 최근 사물인터넷(INTERNET OF THINGS)에 대한 관심의 증대와, 기술의 보편화에 따라 산업용 IoT(INDUSTRIAL IoT) 형태로 이용하려는 노력이 이루어지고 있다. 이러한 산업용 IoT는 단순히 공장의 생산 설비만을 네트워크화 하여 자동화 하는데 그치지 않고 공장 시스템의 세부적인 부분들까지 IoT에 참여시킴으로써, 자동제어, 각종관리가 이루어지도록 함과 아울러, 내외부의 다양한 데이터를 공장 운영에 이용하여 운영 효율을 크게 향상시키는 것이 가능하다.Attempts to connect each device of this factory automation system to a network are being made in the form of industrial IoT (INDUSTRIAL IoT) due to the recent increase in interest in the Internet of Things (INTERNET OF THINGS) and the generalization of technology. This industrial IoT does not just network and automate only factory production facilities, but also involves even detailed parts of the factory system in IoT, enabling automatic control and various management, as well as using various internal and external data for factory operation. It is possible to greatly improve operational efficiency.

특히, IoT를 적용하게 됨으로써 다양한 프로토콜의 다양한 장치를 시스템에 참여시킬 수 있게 되어 과거에 이용한 자동화 시스템에 비해 진보된 시스템의 구성이 가능하다.In particular, by applying IoT, various devices with various protocols can participate in the system, making it possible to configure an advanced system compared to the automation system used in the past.

대규모의 스마트 팩토리를 구성하는 개별 설비들은 상호 유기적인 연계 작용을 한다. 예를 들어 전처리 설비에서 전처리된 제품은 제조 공정상 다음 처리 설비로 이송 로봇을 이용하여 이송된다. 이와 같은 설비들의 연계 구조에서 하나의 설비에 고장이 발생하는 경우, 그 고장난 설비를 포함하는 제조라인을 모두 정지시켜야 하기 때문에 설비에 대한 고장 예측은 스마트 팩토리의 운영에서 매우 중요하다.The individual facilities that make up a large-scale smart factory interact organically with each other. For example, products pretreated in a pretreatment facility are transferred to the next processing facility during the manufacturing process using a transfer robot. In this connection structure of facilities, if a failure occurs in one facility, the entire manufacturing line including the failed facility must be stopped, so predicting facility failure is very important in the operation of a smart factory.

통상 제조 설비는 자체 진단 기능을 가지고 있을 수 있으나, 앞서 설명한 바와 같이 스마트 팩토리 내외부의 다양한 대량의 데이터들이 공유되기 때문에 개별 설비의 이상신호를 정확하게 검출하기 어려운 문제점이 있었다.Typically, manufacturing facilities may have self-diagnosis functions, but as explained above, because a large amount of diverse data is shared inside and outside the smart factory, it is difficult to accurately detect abnormal signals from individual facilities.

스마트 팩토리의 관제를 위한 선행기술로서 공개특허 10-2019-0062739호(복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치, 2019년 6월 7일 공개)에는 하나의 생산 장비에 다수의 센서를 부착하고, 각 센서의 복합 패턴을 비정상 복합 패턴과 비교하여, 생산 장비의 고장을 예지할 수 있는 기술이 기재되어 있다.As a prior art for smart factory control, there is one in Publication Patent No. 10-2019-0062739 (data analysis method, algorithm, and device for predicting equipment failure in the manufacturing process using multiple sensors, published on June 7, 2019). A technology is described that can predict failure of production equipment by attaching multiple sensors to production equipment and comparing the complex pattern of each sensor with an abnormal complex pattern.

본 발명은 상술한 문제점을 해결하기 위해 제안된 것으로, 시계열 데이터를 예측하고, 예측된 시계열 데이터를 학습된 인공신경망에 투입하여 고장 확률이 높은 공정 장치를 점검할 수 있는 스마트 팩토리 시스템을 제공한다. The present invention was proposed to solve the above-mentioned problems, and provides a smart factory system that can predict time series data and input the predicted time series data into a learned artificial neural network to inspect process equipment with a high probability of failure.

본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.

본 발명의 일 측면은, 복수의 조립라인에 설치된 공정 장치로부터 시계열 데이터를 수집하고, 상기 시계열 데이터와 인공지능을 활용하여 고장 확률을 예측하는 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템에 있어서, 상기 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집하는 데이터 수집부와, 상기 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여, 인공신경망을 학습시키는 인공지능 학습부와, 상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부와, 상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부를 포함하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템을 제공한다. One aspect of the present invention is a smart factory system that collects time series data from process equipment installed on a plurality of assembly lines and diagnoses the condition using artificial intelligence, which predicts the probability of failure using the time series data and artificial intelligence. , a data collection unit that collects time-series data on power supply, power consumption, operation time, temperature, humidity, and location information from the process equipment, and power supply and power consumption of the process equipment in which a failure occurs from the data collection unit, An artificial intelligence learning unit that inputs time series data on operation time, temperature, humidity, and location information into an artificial neural network to train the artificial neural network, and performs time series analysis using ARMA with the time series data to predict future time series data. Receives a data prediction unit and an artificial neural network learned from the artificial intelligence learning unit, receives the future time series data from the data prediction unit, applies the future time series data to the learning artificial neural network, and We provide a smart factory system that diagnoses the condition using time series data and artificial intelligence, including a condition diagnosis unit that calculates the probability of future failure.

상기 데이터 수집부는 상기 수집된 시계열 데이터 중 고장이 발생한 시계열 데이터를 별도로 분류할 수 있다. The data collection unit may separately classify time series data in which a failure occurred among the collected time series data.

상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시킬 수 있다. The artificial intelligence learning unit can learn an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range.

상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 이용하여 학습시킬 수 있다. The artificial intelligence learning unit can learn using an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range.

상기 데이터 예측부는 상기 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하여, 장래 시계열 데이터에 포함시킬 수 있다. The data prediction unit may perform a time-series analysis of supplied power, power consumption, temperature, and humidity among the time-series data and include them in future time-series data.

상기 상태 진단부는 상기 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보낼 수 있다.The condition diagnosis unit may send a notification to the user when the failure probability exceeds a predetermined value.

상술한 바와 같이 본 발명에 따르면, 인공지능을 활용하여 공정 장치의 상태를 파악하여 고장 확률이 높은 공정 장치를 점검하여, 고장을 사전에 방지할 수 있다. As described above, according to the present invention, artificial intelligence can be used to identify the state of the process equipment and inspect process equipment with a high probability of failure, thereby preventing failure in advance.

상술한 바와 같이 본 발명에 따르면, 다중 채널을 이용하여 빅데이터를 효과적으로 전송할 수 있다. As described above, according to the present invention, big data can be effectively transmitted using multiple channels.

또한, 본 발명에 따르면, 데이터의 오결손을 방지하여, 정확한 데이터의 분석이 가능하다. Additionally, according to the present invention, it is possible to prevent data errors and accurately analyze data.

물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.Of course, the scope of the present invention is not limited by this effect.

도 1은 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 의한 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템의 순서도이다. Figure 1 is a block diagram of a smart factory system that diagnoses conditions using time series data and artificial intelligence according to an embodiment of the present invention.
Figure 2 is a block diagram of a smart factory system that diagnoses the condition using time series data and artificial intelligence according to an embodiment of the present invention.
Figure 3 is a flow chart of a smart factory system that diagnoses the condition using time series data and artificial intelligence according to an embodiment of the present invention.

이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나, 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.BRIEF DESCRIPTION OF THE DRAWINGS Various embodiments of the present disclosure are described below in conjunction with the accompanying drawings. Various embodiments of the present disclosure can make various changes and have various embodiments, and specific embodiments are illustrated in the drawings and related detailed descriptions are described. However, this is not intended to limit the various embodiments of the present disclosure to specific embodiments, and should be understood to include all changes and/or equivalents or substitutes included in the spirit and technical scope of the various embodiments of the present disclosure. In connection with the description of the drawings, similar reference numbers have been used for similar components.

본 개시의 다양한 실시예에서 사용될 수 있는 "포함한다" 또는 "포함할 수 있다" 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시의 다양한 실시예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Expressions such as “includes” or “may include” that may be used in various embodiments of the present disclosure indicate the presence of the disclosed function, operation, or component, and indicate the presence of one or more additional functions, operations, or components. There are no restrictions on components, etc. In addition, in various embodiments of the present disclosure, terms such as "comprise" or "have" are intended to indicate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification. It should be understood that this does not exclude in advance the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations thereof.

본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.In various embodiments of the present disclosure, expressions such as “or” include any and all combinations of words listed together. For example, “A or B” may include A, B, or both A and B.

본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 다양한 실시예의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Expressions such as “first,” “second,” “first,” or “second” used in various embodiments of the present disclosure may modify various elements of the various embodiments, but do not limit the elements. No. For example, the above expressions do not limit the order and/or importance of the corresponding components. The above expressions can be used to distinguish one component from another. For example, the first user device and the second user device are both user devices and represent different user devices. For example, a first component may be referred to as a second component, and similarly, the second component may be referred to as a first component without departing from the scope of various embodiments of the present disclosure.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.When a component is said to be "connected" or "connected" to another component, it means that the component may be directly connected or connected to the other component, but It should be understood that other new components may exist between the above different components. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it will be understood that no new components exist between the component and the other component. You should be able to.

본 개시의 다양한 실시예에서 사용한 용어는 단지 특정일 실시예를 설명하기 위해 사용된 것으로, 본 개시의 다양한 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.Terms used in the various embodiments of the present disclosure are merely used to describe specific embodiments and are not intended to limit the various embodiments of the present disclosure. Singular expressions include plural expressions unless the context clearly dictates otherwise.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시의 다양한 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the various embodiments of the present disclosure pertain.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as those defined in commonly used dictionaries should be interpreted as having meanings consistent with the meanings they have in the context of the related technology, and unless clearly defined in various embodiments of the present disclosure, are not ideal or excessively formal. It is not interpreted as meaning.

도 1은 본 발명의 일 실시예에 따른 빅데이터 전송을 위한 멀티 채널을 이용한 네트워크 시스템을 개략적으로 도시한 블록도이다. Figure 1 is a block diagram schematically showing a network system using multi-channels for big data transmission according to an embodiment of the present invention.

본 실시예에 따른 센서 네트워크 시스템의 설명에 앞서, 스마트 팩토리 시스템을 간략히 설명한다. 스마트 팩토리 시스템은 데이터 수집 시스템, 센서 네트워크 시스템 및 스마트 팩토리 플랫폼을 포함한다. Before explaining the sensor network system according to this embodiment, the smart factory system will be briefly described. The smart factory system includes a data collection system, sensor network system, and smart factory platform.

데이터 수집 시스템은 공정에서 발생되는 데이터를 수집한다. 데이터 수집 시스템(1)은 복수개의 공정들이 연속하여 수행되는 연속공정에서 발생되는 데이터를 수집할 수 있다. 이때, 연속공정 안에서도 동일공정이 여러 장소에서 발생할 수 있다. 예를 들어 차량의 조립라인 하나는 연속공정이나, 통상적으로 여러 조립라인이 존재하게 된다. 이때, 조립라인은 연속공정이며, 동일공정을 수행한다. The data collection system collects data generated in the process. The data collection system 1 can collect data generated in a continuous process in which a plurality of processes are performed continuously. At this time, even within a continuous process, the same process may occur in multiple locations. For example, one vehicle assembly line is a continuous process, but usually there are multiple assembly lines. At this time, the assembly line is a continuous process and performs the same process.

데이터 수집 시스템은 공정에서 발생된 데이터를 수집하기 위한 다양한 계측기, 센서, 액츄에이터 등을 포함한다. 데이터 수집 시스템은 계측기, 센서, 액츄에이터 등에 의해 수집된 데이터를 통합하거나 제어하는 P/C, PLC(Programmable Logic Controller), DCS(Distributed Control System) 등을 더 포함할 수 있다. 이하에서 계측기, 센서, 액츄에이터 등 데이터를 수집하는 구성요소를 센서로 통칭한다. The data collection system includes various instruments, sensors, actuators, etc. to collect data generated in the process. The data collection system may further include a P/C, PLC (Programmable Logic Controller), DCS (Distributed Control System), etc. that integrate or control data collected by instruments, sensors, actuators, etc. Hereinafter, components that collect data, such as measuring instruments, sensors, and actuators, are collectively referred to as sensors.

이때, 센서는 각각 데이터를 수집하는 제1 센서군, 제2 센서군, 제3 센서군을 포함할 수 있다. 물론 더 증가할 수 있다. 예를 들어, 복수의 동일 공정에서는 다양한 센서들이 존재하며, 이들을 하나의 군으로 묶을 수 있다. 예컨대 조립 라인이 3개인 경우, 동일 공정인 프레임 조립 공정도 3개 존재한다. 이때, 각 프레임 조립 공정마다 센서군이 존재한다. 제1 프레임 조립 공정에는 제1 센서군, 제2 프레임 조립공정에는 제2 센서군이 존재한다. At this time, the sensors may include a first sensor group, a second sensor group, and a third sensor group that each collect data. Of course, it could increase further. For example, various sensors exist in multiple identical processes, and they can be grouped into one group. For example, if there are three assembly lines, there are three frame assembly processes of the same process. At this time, a sensor group exists for each frame assembly process. A first sensor group exists in the first frame assembly process, and a second sensor group exists in the second frame assembly process.

여기서 제1 센서군은 다양한 종류의 계측기, 센서, 액츄에이터 등의 센서를 포함하며, 이하에서 예시적으로 제1-1센서, 제1-2센서, 제1-3센서를 포함하는 것으로 설명한다. 그리고, 제2 센서군는 제2-1센서, 제2-2센서, 제2-3센서를 포함하고, 제3 센서군은 제3-1센서, 제3-2센서, 제3-3센서를 포함한다. Here, the first sensor group includes various types of sensors such as measuring instruments, sensors, and actuators, and will be described below as including a 1-1 sensor, a 1-2 sensor, and a 1-3 sensor as examples. And, the second sensor group includes the 2-1 sensor, the 2-2 sensor, and the 2-3 sensor, and the third sensor group includes the 3-1 sensor, the 3-2 sensor, and the 3-3 sensor. Includes.

센서 네트워크 시스템은 데이터 수집 시스템으로부터 데이터를 수집하고, 수집 데이터를 스마트 팩토리 플랫폼으로 전달한다. 네트워크 시스템은 USN수집기, 노드, 네트워크 케이블, 게이트웨이, 라우터, 또는 무선 AP(Access Point) 등을 포함할 수 있다. 이하에서 하고, 수집 데이터를 스마트 팩토리 플랫폼으로 전달한다. 네트워크 시스템은 USN수집기, 노드, 네트워크 케이블, 게이트웨이, 라우터, 또는 무선 AP(Access Point) 등을 센서 노드로 칭한다.The sensor network system collects data from the data collection system and delivers the collected data to the smart factory platform. The network system may include a USN collector, node, network cable, gateway, router, or wireless access point (AP). The following is done and the collected data is delivered to the smart factory platform. A network system refers to a USN collector, node, network cable, gateway, router, or wireless AP (Access Point) as a sensor node.

복수의 센서 노드는 복수의 센서로부터 데이터를 전송받는다. 예를 들어, 제1 센서 노드는 와 무선/유선으로 연결된다. 즉, 하나의 센서 노드는 복수의 센서로부터 데이터를 전송받는다. Multiple sensor nodes receive data from multiple sensors. For example, the first sensor node is wirelessly/wiredly connected to . That is, one sensor node receives data from multiple sensors.

그리고, 센서 네트워크 시스템은 제1 센서 노드, 제2 센서 노드 등 복수의 센서 노드를 포함한다. 보다 상세히, 제1 센서 노드는 데이터 수집 시스템으로부터 데이터를 전송받는다. 즉, 제1 센서 노드는 복수의 센서로부터 데이터를 전송받는다. 이러한 제1 센서 노드는 복수일 수 있다. 제1 센서 노드는 제1-1 센서 노드, 제1-2 센서 노드 등을 포함한다. And, the sensor network system includes a plurality of sensor nodes, such as a first sensor node and a second sensor node. More specifically, the first sensor node receives data from the data collection system. That is, the first sensor node receives data from a plurality of sensors. There may be a plurality of such first sensor nodes. The first sensor node includes a 1-1 sensor node, a 1-2 sensor node, etc.

센서 네트워크 시스템은 데이터 수집부와 스마트 팩토리 플랫폼을 연결하며, 수집한 데이터를 전송한다. 이때, 데이터 수집부와 스마트 팩토리 플랫폼은 이격되어 있기 때문에, 데이터는 복수의 센서 노드에 의해 전달된다. 즉, 센서 네트워크 시스템은 적어도 2개의 직렬 또는 병렬로 연결된 적어도 2개의 센서 노드를 포함한다. 본 실시예에 있어, 3 단계의 센서 노드를 예시적으로 설명하나, 이에 한정하는 것은 아니다. The sensor network system connects the data collection unit and the smart factory platform and transmits the collected data. At this time, because the data collection unit and the smart factory platform are separated, data is transmitted by a plurality of sensor nodes. That is, the sensor network system includes at least two sensor nodes connected in series or parallel. In this embodiment, the three-stage sensor node is described as an example, but is not limited thereto.

종래의 센서 노드는 16개의 채널 중 하나의 채널을 이용하여 수집된 데이터를 전송하였다. 인공지능을 활용한 분석에 활용하기 위하여 센서 노드는 빅데이터를 전송할 필요가 있다. 그러나 하나의 채널로 빅데이터를 처리할 수 없는 문제점이 있었다. 본 실시예에 따르면 센서 노드 간에 멀티 채널로 통신하여 빅데이터를 전송할 수 있다. Conventional sensor nodes transmit collected data using one channel out of 16 channels. In order to use artificial intelligence for analysis, sensor nodes need to transmit big data. However, there was a problem that big data could not be processed through one channel. According to this embodiment, big data can be transmitted through multi-channel communication between sensor nodes.

보다 상세히 제1 센서 노드는 복수의 센서군으로부터 수집한 데이터를 분산하여 다중 채널을 이용하여 제2 센서 노드로 전송한다. 이에 대한 상세한 설명은 나중에 한다.In more detail, the first sensor node distributes data collected from a plurality of sensor groups and transmits it to the second sensor node using multiple channels. A detailed explanation of this will be given later.

제1 센서 노드는 데이터 수집부로부터 데이터를 전송받는다. 이때, 적어도 하나 이상의 센서군으로부터 데이터를 전송받을 수 있다. 예시적으로 제1-1 센서 노드는 제1 센서군과 제2 센서군으로부터 데이터를 전송받고, 제1-2 센서 노드는 제3센서군 및 제4 센서군으로부터 데이터를 전송받는다. The first sensor node receives data from the data collection unit. At this time, data can be transmitted from at least one sensor group. For example, the 1-1 sensor node receives data from the first sensor group and the second sensor group, and the 1-2 sensor node receives data from the third sensor group and the fourth sensor group.

즉, 제1 센서 노드는 복수의 동일 공정에 배치되는 복수의 센서로부터 데이터를 수신하여 수집한다. 예를 들어, 복수의 조립라인 중 제1 프레임 조립 공정에 배치된 제1 센서군으로부터 데이터를 수집하고, 제2 프레임 조립 공정에 배치된 제2 센서군으로부터 데이터를 수집한다.That is, the first sensor node receives and collects data from a plurality of sensors deployed in the same process. For example, data is collected from a first sensor group disposed in a first frame assembly process among a plurality of assembly lines, and data is collected from a second sensor group disposed in a second frame assembly process.

제1 센서 노드는 수집한 데이터를 다중 채널을 통해 분산하여 제2 센서 노드로 전송한다. The first sensor node distributes the collected data through multiple channels and transmits it to the second sensor node.

보다 상세히, 도 2를 참조하면, 제1-1 센서 노드는 제1-1 센서와 제2-1 센서로부터 데이터를 수집하여 제2 센서 노드로 전송한다. 이때, 제1-1 센서 및 제2-1 센서는 압력계로 동종의 데이터 즉 제1 데이터를 전송한다. 그리고 제1-2 센서 및 제2-2 센서는 온도계로 동종의 데이터 즉 제2 데이터를 전송한다. In more detail, referring to FIG. 2, the 1-1 sensor node collects data from the 1-1 sensor and the 2-1 sensor and transmits it to the second sensor node. At this time, the 1-1 sensor and the 2-1 sensor transmit the same type of data, that is, first data, to the pressure gauge. And the 1-2 sensor and the 2-2 sensor transmit the same type of data, that is, second data, to the thermometer.

제1-1 센서 노드는 제1센서군 및 제2 센서군으로부터 수집한 데이터 중 동일 센서로부터 수집한 데이터를 제1 채널로 전송하고, 다른 종류의 센서로부터 수집한 데이터를 제2 채널로 전송할 수 있다. The 1-1 sensor node may transmit data collected from the same sensor among the data collected from the first sensor group and the second sensor group to the first channel, and transmit data collected from different types of sensors to the second channel. there is.

이때 센서의 종류가 많아지면, 하나의 채널에 하나의 데이터를 전송할 수 없다. 통상적으로 16개의 채널 중 4개의 채널을 데이터 전송으로 사용할 수 있다. 센서군의 개수가 4개를 초과하면, 채널수보다 데이터의 개수가 많아진다. 즉, 복수의 센서로부터 수집되는 데이터의 종류의 개수가 가용한 채널수보다 많아질 수 있다. At this time, if the number of types of sensors increases, one data cannot be transmitted through one channel. Typically, 4 out of 16 channels can be used for data transmission. If the number of sensor groups exceeds 4, the number of data becomes greater than the number of channels. In other words, the number of types of data collected from a plurality of sensors may exceed the number of available channels.

이 경우, 제1 센서 노드는 복수의 채널간에 전송되는 데이터의 양의 차이가 10%미만이 되도록 전송할 수 있다. 예를 들어, 제1 채널을 통해 전송되는 데이터의 양이 1 Mbps이면, 제2 채널을 통해 전송되는 데이터의 양이 0.9~1.1Mbps가 되도록 제어하여 전송할 수 있다. In this case, the first sensor node can transmit so that the difference in the amount of data transmitted between the plurality of channels is less than 10%. For example, if the amount of data transmitted through the first channel is 1 Mbps, the amount of data transmitted through the second channel can be controlled and transmitted to be 0.9 to 1.1 Mbps.

이때, 제1-1 센서 노드는 제1-1 센서, 제1-2 센서, 제1-3 센서, 제1-4 센서, ... 등과 제2-1 센서, 제2-2 센서, 제2-3 센서, 제2-4 센서, ... 등으로부터 데이터를 전송받으며, 제1-1 센서, 제2-1 센서, 제1-3 센서, 2-3 센서의 데이터를 제1 채널로 전송하고, 제1-2 센서, 제2-2 센서, 제1-4 센서, 2-4 센서의 데이터를 제2 채널로 전송할 수 있다.At this time, the 1-1 sensor node is the 1-1 sensor, the 1-2 sensor, the 1-3 sensor, the 1-4 sensor, the 2-1 sensor, the 2-2 sensor, the 1-4 sensor, etc. Data is transmitted from the 2-3 sensor, 2-4 sensor, etc., and data from the 1-1 sensor, 2-1 sensor, 1-3 sensor, and 2-3 sensor is transmitted to the first channel. data from the 1-2 sensor, 2-2 sensor, 1-4 sensor, and 2-4 sensor can be transmitted to the second channel.

이상으로 제1-1 센서 노드에 대해 설명하였으나, 제1-2 센서 노드도 제1-1 센서 노드와 동일하며, 추가될 수 있는 제1-3 센서 노드(미도시)도 동일하다. 따라서 중복되는 설명을 생략한다.Although the 1-1 sensor node has been described above, the 1-2 sensor node is the same as the 1-1 sensor node, and the 1-3 sensor node (not shown) that can be added is also the same. Therefore, redundant explanations are omitted.

제2 센서 노드는 제1 센서 노드로부터 데이터를 전송받는다. 전술한 바와 같이 제1 센서 노드와 제2 센서 노드는 추후 스마트 팩토리 시스템이 인공지능을 활용한 분석을 실시하기 위하여 다수의 채널로 통신한다. 즉, 제1 센서 노드 및 제2 센서 노드는 빅데이터를 송/신하기 위해 다수의 채널을 이용하여 데이터를 전송한다. The second sensor node receives data from the first sensor node. As described above, the first sensor node and the second sensor node communicate through multiple channels in order for the smart factory system to later perform analysis using artificial intelligence. That is, the first sensor node and the second sensor node transmit data using multiple channels to transmit/send big data.

그리고 제2 센서 노드는 수집한 데이터를 다중 채널을 통해 제3 센서 노드로 전송한다. 보다 상세히, 제2 센서 노드는 동일한 데이터를 복수의 채널을 통해 제3 센서 노드로 전송한다.And the second sensor node transmits the collected data to the third sensor node through multiple channels. In more detail, the second sensor node transmits the same data to the third sensor node through a plurality of channels.

예를 들어, 제2 센서 노드는 제1 센서 노드로부터 수집한 데이터를 4개의 채널을 통해 제3 센서 노드로 전송할 수 있다. 제2 센서 노드는 편의상 제1, 2 채널과 제3, 4 채널을 이용하는 것으로 설명한다. For example, the second sensor node may transmit data collected from the first sensor node to the third sensor node through four channels. For convenience, the second sensor node is explained as using the first and second channels and the third and fourth channels.

제2 센서 노드는 제1, 2 채널을 통해 전송하는 데이터와 제3, 4 채널을 통해 전송하는 데이터가 동일하게 할 수 있다. 즉, 제2 센서 노드는 데이터를 이중화하여, 데이터가 오결손되는 것을 방지할 수 있다. The second sensor node can make the data transmitted through the first and second channels the same as the data transmitted through the third and fourth channels. That is, the second sensor node can duplicate data to prevent incorrect data loss.

제3 센서 노드는 제2 센서 노드로부터 데이터를 전송받아, 스마트 팩토리 시스템으로 전송하거나 추가적인 센서 노드로 전송할 수 있다. 이때, 제3 센서 노드는 복수의 채널을 통해 수신한 데이터를 비교분석하여, 오결손된 데이터를 발견 및 보완하여 전송할 수 있다. The third sensor node may receive data from the second sensor node and transmit it to the smart factory system or to an additional sensor node. At this time, the third sensor node can compare and analyze data received through a plurality of channels, find and supplement erroneous data, and transmit it.

도 3을 참조하면, 스마트 팩토리 플랫폼은 네트워크 시스템을 통해 수집 데이터를 수신한다. 스마트 팩토리 플랫폼은 수집 데이터를 가공하고, 가공된 수집 데이터를 기초로 설비 또는 재료 등의 이상유무를 판단하며, 저장된 데이터에 대한 조회 및 분석 서비스를 제공한다. 이를 위하여, 스마트 팩토리 플랫폼은 데이터 수집부, 인공지능 학습부, 데이터 예측부 및 상태 진단부를 포함한다. Referring to Figure 3, the smart factory platform receives collected data through a network system. The smart factory platform processes collected data, determines whether there are any abnormalities in equipment or materials based on the processed collected data, and provides inquiry and analysis services for stored data. To this end, the smart factory platform includes a data collection unit, an artificial intelligence learning unit, a data prediction unit, and a status diagnosis unit.

데이터 수집부는 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집한다. 보다 상세히 데이터 수집부는 네트워크 시스템으로부터 시계열 형태의 데이터를 수신한다. 이때, 데이터 수집부는 동종의 센서에 대한 데이터를 수신하므로, 분리하거나 재가공할 필요가 없다. 물론 데이터는 센서의 종류, 위치 등 장비 또는 공정을 식별할 수 있도록 구성되어 있다. The data collection unit collects time series data on supply power, power consumption, operating time, temperature, humidity, and location information from the process equipment. In more detail, the data collection unit receives data in time series form from the network system. At this time, since the data collection unit receives data for the same type of sensor, there is no need to separate or reprocess it. Of course, the data is structured to identify equipment or processes, such as the type and location of the sensor.

공정에 사용되는 설비 또는 장비의 경우, 전력 이상으로 고장이 발생하는 경우가 다수 발생한다. 따라서, 전력 이상 여부를 사전에 파악할 수 있다면, 고장을 사전에 방지할 수 있다. 또한 장비는 온도 및 습도에 민감하기 때문에 해당 정보를 활용하여 고장여부를 사전에 판단할 수 있다. 이하에서 설비 또는 장비는 공정 장치로 지칭한다. 전술한 센서는 공정 장치에 부착되거나 데이터를 전송할 수 있는 공정 장치를 지칭할 수 있다. In the case of facilities or equipment used in the process, there are many cases where failure occurs due to power failure. Therefore, if power abnormality can be detected in advance, failure can be prevented in advance. Additionally, because equipment is sensitive to temperature and humidity, the corresponding information can be used to determine whether or not it is malfunctioning in advance. Hereinafter, equipment or equipment is referred to as process equipment. The above-described sensor may be attached to a process device or refer to a process device capable of transmitting data.

따라서, 데이터 수집부는 공정 장치에 공급되는 공급 전력, 공정 장치가 소비하는 소비 전력, 공정 장치의 가동시간, 공정 장치의 온도, 공정 장치의 습도, 공정 장치의 위치정보에 대한 시계열 데이터를 수집한다. 여기서 공정 장치의 온도, 공정 장치의 습도는 공정 장치 자체의 온도/습도일 수 있고, 공정 장치가 위치한 장소의 온도 및 습도일 수 있다. 그리고 공정 장치의 위치는 좌표화하여 데이터화한다. Therefore, the data collection unit collects time series data on the power supplied to the process equipment, the power consumed by the process equipment, the operation time of the process equipment, the temperature of the process equipment, the humidity of the process equipment, and the location information of the process equipment. Here, the temperature of the processing device and the humidity of the processing device may be the temperature/humidity of the processing device itself or the temperature and humidity of the location where the processing device is located. And the location of the process equipment is converted into data by coordinates.

데이터 수집부는 수집된 시계열 데이터 중 고장이 발생한 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터를 별도로 분류한다. 또한, 데이터 수집부는 정상 운전되는 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 데이터를 분류한다. Among the collected time-series data, the data collection unit separately classifies time-series data on failed supply power, power consumption, operation time, temperature, humidity, and location information. Additionally, the data collection unit classifies data on power supply, power consumption, operation time, temperature, humidity, and location information during normal operation.

인공지능 학습부는 데이터 수집부로부터 고장이 발생한 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여 인공신경망을 학습시킨다. The artificial intelligence learning unit learns the artificial neural network by inputting time series data from the data collection unit on the supply power, power consumption, operating time, temperature, humidity, and location information of the failed process equipment into the artificial neural network.

보다 상세히 인공지능 학습부는 다층 퍼센트론 모델(Multi-Layer Perceptron, MLP)을 적용하며, 소정의 기간 동안 수집한 독립변수와 종속 변수에 대해서 input layer와 Output layer를 설정한다. In more detail, the artificial intelligence learning department applies a multi-layer perceptron (MLP) model and sets the input layer and output layer for the independent and dependent variables collected over a certain period of time.

여기서, input layer는 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터이다. 그리고 Output layer는 고장 확률이다. Here, the input layer is time series data on supply power, power consumption, operation time, temperature, humidity, and location information. And the output layer is the failure probability.

그리고, 2단계 이상의 히든 레이어로 설정하여, 인공신경망을 학습시킨다. Then, it is set as a hidden layer of 2 or more stages and the artificial neural network is trained.

이때, 인공지능 학습부는 고장으로 분류된 시계열 데이터를 활용하여 인공신경망을 학습시킨다. 또한, 인공지능 학습부는 강화확습을 위하여 정상 운전 범위에 해당하는 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시킨다. At this time, the artificial intelligence learning unit uses time series data classified as failures to learn an artificial neural network. In addition, the artificial intelligence learning unit learns an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of process equipment within the normal operating range for reinforcement and expansion.

한편, 데이터 예측부는 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측할 수 있다. 시계열분석에서는 자기 상관성, 이동평균의 규칙적인 패턴과 AR, MA, ARMA, ARIMA의 불규칙적인 패턴 시계열 모형으로 진행한다. 공정운전 대부분은 불규칙적인 패턴을 가지고 있어 ARMA 및 ARIMA를 고려할 수 있다. Meanwhile, the data prediction unit can perform time series analysis using ARMA on time series data and predict future time series data. In time series analysis, we use regular pattern time series models such as autocorrelation and moving average and irregular pattern time series models such as AR, MA, ARMA, and ARIMA. Most process operations have irregular patterns, so ARMA and ARIMA can be considered.

본 발명에서는 시계열분석에는 ARMA모델을 적용하여 예측한다. ARMA(Auto Regressive Moving Average, 자기회귀이동평균)는 자기회귀(AR)모형과 이동평균(MA)가 결합된 모형을 근간으로 한다. AR은 시계열상의 과거 관측값, MR은 과거 예측오차를 기반으로 모형을 생성하며 기본적 수식은 아래와 같이 표현한다.In the present invention, the ARMA model is applied to time series analysis to make predictions. ARMA (Auto Regressive Moving Average) is based on a model that combines the autoregressive (AR) model and the moving average (MA). AR creates a model based on past observations in a time series, and MR creates a model based on past prediction errors. The basic formula is expressed as follows.

예컨대, 시계열 데이터 중 시간에 따라 변동하는 공급 전력, 소비 전력, 온도, 습도를 시계열 분석한다. AR과 MA의 order값을 1부터 시작한다. 즉 수행 횟수가 1이면 order값은 1이다. For example, among time series data, supply power, power consumption, temperature, and humidity that fluctuate over time are analyzed in time series. The order values of AR and MA start from 1. That is, if the number of executions is 1, the order value is 1.

데이터 예측부는 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하고, 이렇게 산출된 공급 전력, 소비 전력, 온도, 습도를 장래 시계열 데이터에 포함시킨다. 따라서 장래 시계열 데이터는 예측된 공급 전력, 예측된 소비 전력, 예측된 가동시간, 예측된 온도, 예측된 습도 및 위치 정보를 포함한다. The data prediction unit analyzes the supply power, power consumption, temperature, and humidity among the time series data over time, and includes the calculated power supply, power consumption, temperature, and humidity in future time series data. Therefore, future time series data includes predicted power supply, predicted power consumption, predicted operation time, predicted temperature, predicted humidity, and location information.

상태 진단부는 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 데이터 예측부로부터 장래 시계열 데이터를 수신하며, 장래 시계열 데이터를 학습뒨 인공신경망에 적용하여, 공정 장치의 장래 고장 확률을 산출한다. The condition diagnosis unit receives the learned artificial neural network from the artificial intelligence learning unit, receives future time series data from the data prediction unit, and applies the future time series data to the learning artificial neural network to calculate the probability of future failure of the process equipment.

이때, 상태 진단부는 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보낸다. 여기서 소정의 수치는 70%일 수 있다. 이로 인해, 사용자는 공정 장치의 점검하여 고장을 미연에 방지할 수 있다. At this time, the status diagnosis unit sends a notification to the user when the failure probability exceeds a predetermined value. Here, the predetermined value may be 70%. Because of this, users can inspect process equipment and prevent malfunctions in advance.

이와 같이 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.As such, the present invention has been described with reference to the embodiments shown in the drawings, but these are merely illustrative, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. . Therefore, the true scope of technical protection of the present invention should be determined by the technical spirit of the attached claims.

Claims (6)

복수의 조립라인에 설치된 공정 장치로부터 시계열 데이터를 수집하고, 상기 시계열 데이터와 인공지능을 활용하여 고장 확률을 예측하는 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템에 있어서,
상기 공정 장치로부터 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부로부터 고장이 발생한 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터를 인공신경망에 입력하여, 인공신경망을 학습시키는 인공지능 학습부;
상기 시계열 데이터로 ARMA를 이용한 시계열 분석을 실시하여, 장래 시계열 데이터를 예측하는 데이터 예측부;
상기 인공지능 학습부로부터 학습된 인공신경망을 전달받고, 상기 데이터 예측부로부터 상기 장래 시계열 데이터를 수신하며, 상기 장래 시계열 데이터를 상기 학습뒨 인공신경망에 적용하여, 상기 공정 장치의 장래 고장 확률을 산출하는 상태 진단부;
를 포함하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.In a smart factory system that collects time series data from process equipment installed on multiple assembly lines and diagnoses the condition using artificial intelligence that predicts the probability of failure using the time series data and artificial intelligence,
a data collection unit that collects time series data on power supply, power consumption, operating time, temperature, humidity, and location information from the process equipment;
An artificial intelligence learning unit that inputs time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the failed process equipment from the data collection unit into an artificial neural network to learn the artificial neural network;
a data prediction unit that performs time series analysis using ARMA on the time series data and predicts future time series data;
Receive the learned artificial neural network from the artificial intelligence learning unit, receive the future time series data from the data prediction unit, and apply the future time series data to the learning artificial neural network to calculate the probability of future failure of the process equipment. condition diagnosis unit;
A smart factory system that diagnoses conditions using time series data and artificial intelligence. 제 1 항에 있어서,
상기 데이터 수집부는 상기 수집된 시계열 데이터 중 고장이 발생한 시계열 데이터를 별도로 분류하는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.According to claim 1,
The data collection unit separately classifies time series data in which a failure occurred among the collected time series data. A smart factory system that diagnoses the condition using time series data and artificial intelligence. 제 1 항에 있어서,
상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도, 위치 정보에 대한 시계열 데이터로 인공신경망을 학습시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.According to claim 1,
The artificial intelligence learning unit uses time series data and artificial intelligence to learn the artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range. A smart factory system that diagnoses. 제 3 항에 있어서,
상기 인공지능 학습부는 정상 운전 범위에 해당하는 상기 공정 장치의 공급 전력, 소비 전력, 가동시간, 온도, 습도 및 위치 정보에 대한 시계열 데이터로 인공신경망을 이용하여 학습시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.According to claim 3,
The artificial intelligence learning unit uses time series data and artificial intelligence to learn using an artificial neural network with time series data on supply power, power consumption, operation time, temperature, humidity, and location information of the process equipment corresponding to the normal operating range. A smart factory system that diagnoses the condition. 제 1 항에 있어서,
상기 데이터 예측부는 상기 시계열 데이터 중 공급 전력, 소비 전력, 온도, 습도를 시계열 분석하여, 장래 시계열 데이터에 포함시키는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.According to claim 1,
The data prediction unit analyzes the supply power, power consumption, temperature, and humidity among the time series data in time series and includes them in future time series data. A smart factory system that diagnoses the condition using time series data and artificial intelligence. 제 1 항에 있어서,
상기 상태 진단부는 상기 고장 확률이 소정의 수치를 넘으면 사용자에게 알림을 보내는, 시계열 데이터와 인공지능을 이용하여 상태를 진단하는 스마트 팩토리 시스템.According to claim 1,
The status diagnosis unit is a smart factory system that diagnoses the status using time series data and artificial intelligence, sending a notification to the user when the failure probability exceeds a predetermined value.
KR1020220161249A 2022-11-28 2022-11-28 Smart factory system that diagnoses conditions using artificial intelligence KR20240078762A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2022/018951 WO2024117273A1 (en) 2022-11-28 2022-11-28 Smart factory system for diagnosing state by using time-series data and artificial intelligence
KR1020220161249A KR20240078762A (en) 2022-11-28 2022-11-28 Smart factory system that diagnoses conditions using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220161249A KR20240078762A (en) 2022-11-28 2022-11-28 Smart factory system that diagnoses conditions using artificial intelligence

Publications (1)

Publication Number Publication Date
KR20240078762A true KR20240078762A (en) 2024-06-04

Family

ID=91324092

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220161249A KR20240078762A (en) 2022-11-28 2022-11-28 Smart factory system that diagnoses conditions using artificial intelligence

Country Status (2)

Country Link
KR (1) KR20240078762A (en)
WO (1) WO2024117273A1 (en)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5827426B1 (en) * 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ Predictive diagnosis system and predictive diagnosis method
KR101948604B1 (en) * 2017-07-31 2019-02-15 고려대학교 산학협력단 Method and device for equipment health monitoring based on sensor clustering
US11714397B2 (en) * 2019-02-05 2023-08-01 Samsung Display Co., Ltd. System and method for generating machine learning model with trace data
KR102353574B1 (en) * 2020-01-30 2022-01-21 스퀘어네트 주식회사 Tool-related abnormal data detection system of CNC machines
KR102266182B1 (en) * 2020-05-29 2021-06-17 고려대학교 산학협력단 Method and apparatus for monitoring a plurality of streaming data

Also Published As

Publication number Publication date
WO2024117273A1 (en) 2024-06-06

Similar Documents

Publication Publication Date Title
JP7012871B2 (en) Devices and methods for controlling the system
EP1808768B1 (en) Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit
CN102637019B (en) Intelligent integrated fault diagnosis method and device in industrial production process
US8914135B2 (en) Integrated monitoring, control and equipment maintenance and tracking system
US8112381B2 (en) Multivariate analysis of wireless sensor network data for machine condition monitoring
EP1672535A1 (en) Distributed intelligent diagnostic scheme
CN101523316A (en) Method and system for detecting faults in a process plant
Caiazzo et al. An IoT-based and cloud-assisted AI-driven monitoring platform for smart manufacturing: design architecture and experimental validation
CN107783495B (en) Unit control system
Villalonga et al. Visual analytics framework for condition monitoring in cyber-physical systems
Barata et al. Diagnosis on evolvable production systems
KR102561675B1 (en) Failure diagnosis and prediction system using condition monitoring of production site operation facilities
US20210325835A1 (en) Pattern recognition technique for data-driven fault detection within a process plant
KR20240078762A (en) Smart factory system that diagnoses conditions using artificial intelligence
CN104950832A (en) Steel plant control system
CN115092218B (en) Full life cycle intelligent operation and maintenance system of high-speed railway signal system
US11966217B2 (en) Faulty variable identification technique for data-driven fault detection within a process plant
KR101996237B1 (en) DEVICE AND PLATFORM FOR IoT SENSOR THROUGH DISTRIBUTED PROCESSING
KR102467652B1 (en) Apparatus and method for controlling plc using predictive model generated as result of big data learning
KR20240076492A (en) Smart factory system that diagnoses conditions using artificial intelligence
KR20200129871A (en) Data collection and analysis monitoring system and control method thereof
KR102357754B1 (en) A fault diagnosis system for smart factory using artifical intelligence
Dorneanu et al. Towards fault detection and self-healing of chemical processes over wireless sensor networks
CN113836820A (en) Equipment health assessment and fault diagnosis algorithm based on autocorrelation model and multivariate monitoring method
KR102572628B1 (en) Integrated management system for production facilities