KR102714263B1 - System and method for optimizing granulation process through ai - Google Patents
System and method for optimizing granulation process through ai Download PDFInfo
- Publication number
- KR102714263B1 KR102714263B1 KR1020220017138A KR20220017138A KR102714263B1 KR 102714263 B1 KR102714263 B1 KR 102714263B1 KR 1020220017138 A KR1020220017138 A KR 1020220017138A KR 20220017138 A KR20220017138 A KR 20220017138A KR 102714263 B1 KR102714263 B1 KR 102714263B1
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- data
- fluidized bed
- value calculation
- result value
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 165
- 238000005469 granulation Methods 0.000 title claims abstract description 60
- 230000003179 granulation Effects 0.000 title claims abstract description 60
- 238000001035 drying Methods 0.000 claims abstract description 84
- 238000004886 process control Methods 0.000 claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 239000008187 granular material Substances 0.000 claims abstract description 39
- 239000000843 powder Substances 0.000 claims abstract description 24
- 239000002994 raw material Substances 0.000 claims abstract description 19
- 238000013075 data extraction Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 11
- 238000005507 spraying Methods 0.000 claims abstract description 4
- 239000007921 spray Substances 0.000 claims description 59
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000011230 binding agent Substances 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2/00—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic
- B01J2/16—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic by suspending the powder material in a gas, e.g. in fluidised beds or as a falling curtain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
- B01D46/66—Regeneration of the filtering material or filter elements inside the filter
- B01D46/74—Regeneration of the filtering material or filter elements inside the filter by forces created by movement of the filter element
- B01D46/76—Regeneration of the filtering material or filter elements inside the filter by forces created by movement of the filter element involving vibrations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2/00—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic
- B01J2/006—Coating of the granules without description of the process or the device by which the granules are obtained
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J8/00—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes
- B01J8/001—Controlling catalytic processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J8/00—Chemical or physical processes in general, conducted in the presence of fluids and solid particles; Apparatus for such processes
- B01J8/005—Separating solid material from the gas/liquid stream
- B01J8/006—Separating solid material from the gas/liquid stream by filtration
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Glanulating (AREA)
- Drying Of Solid Materials (AREA)
Abstract
인공지능을 통한 과립공정 최적화 시스템 및 방법이 개시된다. 인공지능을 통한 과립공정 최적화 시스템은 원료 분말의 유동층을 형성하는 혼합부, 유동층에 스프레이로 결합액을 분무하여 수분이 함유된 예비 과립을 형성하는 제립부, 예비 과립을 건조하여 과립을 형성하는 건조부를 포함하는 유동층 과립기; 및 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 수집하여 유동층 과립기를 제어하는 서버;를 포함한다. 인공지능을 통한 과립공정 최적화 방법은 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 측정하여 수집하는 데이터 수집단계; 미리 구축된 빅데이터로부터 데이터에 대응하는 공정제어 데이터를 추출하는 공정 데이터 추출단계; 공정제어 데이터를 기반으로 유동층 과립기의 공정을 예측하여 공정 예측값을 산출하는 예측값 산출단계; 공정제어 데이터를 기반으로 상기 유동층 과립기를 제어하는 과립기 제어단계; 유동층 과립기의 공정 결과값을 산출하는 결과값 산출단계; 및 공정 예측값과 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 공정제어 데이터를 분석하여 빅데이터에 축적하는 데이터 학습단계;를 포함한다.A system and method for optimizing a granulation process using artificial intelligence are disclosed. The system for optimizing a granulation process using artificial intelligence includes a fluidized bed granulator including a mixing unit for forming a fluidized bed of raw material powder, a granulating unit for forming pre-granules containing moisture by spraying a binding solution into the fluidized bed, and a drying unit for drying the pre-granules to form granules; and a server for controlling the fluidized bed granulator by collecting data on temperature and humidity of external air sucked into the fluidized bed granulator. The method for optimizing a granulation process using artificial intelligence includes a data collecting step for measuring and collecting data on temperature and humidity of external air sucked into the fluidized bed granulator; a process data extraction step for extracting process control data corresponding to the data from pre-built big data; a prediction value calculation step for predicting a process of a fluidized bed granulator based on the process control data and calculating a process prediction value; a granulator control step for controlling the fluidized bed granulator based on the process control data; a result value calculation step for calculating a process result value of the fluidized bed granulator; and a data learning step for analyzing process control data and accumulating it into big data when the process prediction value and the process result value exceed a preset tolerance.
Description
본 발명은 인공지능을 통한 과립공정 최적화 시스템 및 방법에 관한 것으로, 더욱 상세하게는 빅데이터를 기반으로 과립공정을 인공지능을 통해 제어할 수 있는 인공지능을 통한 과립공정 최적화 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for optimizing a granulation process using artificial intelligence, and more specifically, to a system and method for optimizing a granulation process using artificial intelligence capable of controlling a granulation process using artificial intelligence based on big data.
유동층 과립기는 액체의 분말이나 과립화, 분말의 과립화, 약물 성분의 피복 등에 일반적으로 사용되는 기기로서, 크게 일괄 방식 유동층 과립기(batch type fluidized bed granulator), 연속 방식 유동층 과립 프로세스(continuous type fluidized bed granulation process), 및 플라우쉐어 믹서/드라이어(ploughshare mixer/dryer) 등으로 분류되며, 특히 일괄 방식 유동층 과립기는 과립 및 코팅과 건조가 동시에 이루어지며, 과립 크기 조정이 용이하여 식품, 제약 제품 생산에 주로 사용되고, 더 세부적으로 상부, 하부, 및 탄젠트 스프레이 방식으로 나뉜다.A fluidized bed granulator is a device generally used for granulation of liquid into powder or granulation, granulation of powder, coating of drug ingredients, etc., and is largely classified into a batch type fluidized bed granulator, a continuous type fluidized bed granulation process, and a ploughshare mixer/dryer. In particular, a batch type fluidized bed granulator is mainly used for the production of food and pharmaceutical products because granulation, coating, and drying are performed simultaneously and granule size control is easy, and it is further divided into upper, lower, and tangential spray methods.
유동층 과립기의 가동 방식을 살펴보면, 외기에 의해서 액체, 분말, 및 과립이 유동화되는 유동층 내에서 건조 및 설계된 사양의 입자 직경 및 조성비의 과립이 생산된다.Looking at the operating method of a fluidized bed granulator, liquid, powder, and granules are fluidized by the outside air, dried, and granules having a particle diameter and composition ratio of the designed specifications are produced in the fluidized bed.
구체적으로, 유동실 내부에 먼저 분말 혹은 원형 과립을 일정량 투입하여 유동층을 형성하고, 유동실 내부에 설치된 스프레이를 이용하여 유동실로 결합액을 분무하여, 입자를 생산한다. 최초 투입된 분말이나 과립, 및 결합액 등을 유동실 내부에 유동상태로 체류시킴으로써 결합액에 의한 입자끼리의 접착(바인더 역할), 피복이 반복된다. 그 결과 서서히 입자 직경이 커지며, 가동을 계속하여 설계된 원형 과립의 크기 및 함량에 도달하도록 한다.Specifically, a certain amount of powder or spherical granules are first injected into the fluidized chamber to form a fluidized bed, and a binding solution is sprayed into the fluidized chamber using a sprayer installed inside the fluidized chamber to produce particles. By keeping the initially injected powder or granules and binding solution in a fluidized state inside the fluidized chamber, adhesion (acting as a binder) and covering of the particles by the binding solution are repeated. As a result, the particle diameter gradually increases, and by continuing the operation, the designed size and content of the spherical granules are reached.
한편, 설계된 직경이나 함량의 과립을 형성하기 위해서는, 유동층을 형성하는 외기의 온도와 습도에 따라 작업자가 결합액의 액량을 경험에 의해 직접 조절하고 있다. 더욱이 10 ~ 30분 마다 작업자가 직관에 의존하여 결합액의 액량을 조절하고 있어, 동일한 품질의 과립을 형성하는데 있어 한계가 있다.Meanwhile, in order to form granules of designed diameter or content, workers directly adjust the amount of the binder liquid based on experience according to the temperature and humidity of the outside air forming the fluidized bed. Furthermore, since workers adjust the amount of the binder liquid based on intuition every 10 to 30 minutes, there is a limit to forming granules of the same quality.
또한, 과립을 건조하는 공정에 있어서도, 설계된 수분 함유도 값이 나올때까지 관리자가 시간마다 확인하여 공정시간 측면에서도 비효율적인 공정방법이 제안되고 있다.In addition, in the process of drying granules, an inefficient process method is proposed in terms of process time, in which the manager checks every hour until the designed moisture content value is reached.
따라서, 본 발명이 해결하고자 하는 과제는 이와 같은 종래의 문제점을 해결하기 위한 것으로서, 유동층 과립기와 서버를 포함하여 빅데이터를 기반으로 과립공정을 인공지능을 통해 제어하는 인공지능을 통한 과립공정 최적화 시스템 및 방법을 제공함에 있다.Accordingly, the problem to be solved by the present invention is to solve such conventional problems, and to provide a system and method for optimizing a granulation process using artificial intelligence that controls the granulation process using artificial intelligence based on big data, including a fluidized bed granulator and a server.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일실시예는 원료 분말의 유동층을 형성하는 혼합부, 상기 유동층에 스프레이로 결합액을 분무하여 수분이 함유된 예비 과립을 형성하는 제립부, 상기 예비 과립을 건조하여 과립을 형성하는 건조부를 포함하는 유동층 과립기; 및 상기 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 수집하여 상기 유동층 과립기를 제어하는 서버;를 포함하고, 상기 서버는, 상기 데이터를 측정하여 수집하는 데이터 수집부; 미리 구축된 빅데이터로부터 상기 데이터에 대응하는 공정제어 데이터를 추출하는 공정 데이터 추출부; 상기 공정제어 데이터를 기반으로 상기 유동층 과립기의 공정을 예측하여 공정 예측값을 산출하는 예측값 산출부; 상기 공정제어 데이터를 기반으로 상기 유동층 과립기를 제어하는 과립기 제어부; 상기 유동층 과립기의 공정 결과값을 산출하는 결과값 산출부; 및 상기 공정 예측값과 상기 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 상기 공정제어 데이터를 분석하여 상기 빅데이터에 축적하는 데이터 학습부;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 시스템을 제공한다.In order to achieve the above object, one embodiment of the present invention comprises a fluidized bed granulator including a mixing unit forming a fluidized bed of raw material powder, a granulating unit spraying a binding solution into the fluidized bed to form pre-granules containing moisture, and a drying unit drying the pre-granules to form granules; and a server collecting data on temperature and humidity of external air sucked into the fluidized bed granulator and controlling the fluidized bed granulator; wherein the server comprises: a data collecting unit measuring and collecting the data; a process data extracting unit extracting process control data corresponding to the data from pre-built big data; a prediction value calculating unit predicting a process of the fluidized bed granulator based on the process control data and calculating a process prediction value; a granulator control unit controlling the fluidized bed granulator based on the process control data; a result value calculating unit calculating a process result value of the fluidized bed granulator; And, if the process prediction value and the process result value are compared and a preset tolerance is exceeded, a data learning unit is included for analyzing the process control data and accumulating it in the big data. The present invention provides a granulation process system using artificial intelligence, characterized by including:
삭제delete
본 발명의 실시예에 있어서, 상기 공정제어 데이터에 의해 상기 제립부의 공정이 제어되고, 상기 예측값 산출부는, 상기 제립부의 공정으로부터 상기 건조부의 건조시간을 예측하여 건조시간 예측값을 산출하는 건조시간 예측값 산출부;를 포함하고, 상기 결과값 산출부는, 상기 제립부의 공정으로부터 상기 건조부의 건조시간을 측정하여 건조시간 결과값을 산출하는 건조시간 결과값 산출부;를 포함할 수 있다.In an embodiment of the present invention, the process of the granulating unit is controlled by the process control data, the predicted value calculating unit may include a drying time predicted value calculating unit that predicts the drying time of the drying unit from the process of the granulating unit and calculates a drying time predicted value, and the result value calculating unit may include a drying time result value calculating unit that measures the drying time of the drying unit from the process of the granulating unit and calculates a drying time result value.
본 발명의 실시예에 있어서, 상기 공정제어 데이터에 의해 상기 건조부의 공정이 제어되고, 상기 예측값 산출부는, 상기 건조부의 공정으로부터 상기 스프레이의 분사량을 예측하여 스프레이 제어 예측값을 산출하는 스프레이 제어 예측값 산출부;를 포함하고, 상기 결과값 산출부는, 상기 건조부의 공정으로부터 상기 스프레이의 분사량을 측정하여 스프레이 제어 결과값을 산출하는 스프레이 제어 결과값 산출부;를 포함할 수 있다.In an embodiment of the present invention, the process of the drying unit is controlled by the process control data, the predicted value calculating unit may include a spray control predicted value calculating unit that predicts the spray amount from the process of the drying unit and calculates a spray control predicted value, and the result value calculating unit may include a spray control result value calculating unit that measures the spray amount from the process of the drying unit and calculates a spray control result value.
본 발명의 실시예에 있어서, 상기 유동층 과립기는 상기 유동층의 유동방향에 설치되고 상기 원료 분말을 포집하는 필터부; 및 상기 필터부에 포집된 원료 분말을 회수하여 상기 혼합부 측으로 보내기 위해 상기 필터부를 진동시키는 진동부;를 포함할 수 있다.In an embodiment of the present invention, the fluidized bed granulator may include a filter section installed in the flow direction of the fluidized bed and capturing the raw material powder; and a vibrating section that vibrates the filter section to recover the raw material powder captured in the filter section and send it to the mixing section.
한편, 상기와 같은 목적을 달성하기 위하여, 본 발명의 일실시예는 인공지능을 통한 과립공정 최적화 방법으로서, 상기 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 측정하여 수집하는 데이터 수집단계; 미리 구축된 빅데이터로부터 상기 데이터에 대응하는 공정제어 데이터를 추출하는 공정 데이터 추출단계; 상기 공정제어 데이터를 기반으로 상기 유동층 과립기의 공정을 예측하여 공정 예측값을 산출하는 예측값 산출단계; 상기 공정제어 데이터를 기반으로 상기 유동층 과립기를 제어하는 과립기 제어단계; 상기 유동층 과립기의 공정 결과값을 산출하는 결과값 산출단계; 및 상기 공정 예측값과 상기 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 상기 공정제어 데이터를 분석하여 상기 빅데이터에 축적하는 데이터 학습단계;를 포함하는 인공지능을 통한 과립공정 최적화 방법을 제공한다.Meanwhile, in order to achieve the above purpose, one embodiment of the present invention provides a method for optimizing a granulation process using artificial intelligence, comprising: a data collection step for measuring and collecting data on temperature and humidity of the outside air sucked into the fluidized bed granulator; a process data extraction step for extracting process control data corresponding to the data from pre-built big data; a prediction value calculation step for predicting the process of the fluidized bed granulator based on the process control data and calculating a process prediction value; a granulator control step for controlling the fluidized bed granulator based on the process control data; a result value calculation step for calculating a process result value of the fluidized bed granulator; and a data learning step for analyzing the process control data and accumulating it in the big data when the process prediction value and the process result value are compared and a preset tolerance is exceeded.
본 발명의 실시예에 있어서, 상기 공정제어 데이터에 의해 상기 제립부의 공정이 제어되고, 상기 예측값 산출단계는, 상기 제립부의 공정으로부터 상기 건조부의 건조시간을 예측하여 건조시간 예측값을 산출하는 건조시간 예측값 산출단계;를 포함하고, 상기 결과값 산출단계는, 상기 제립부의 공정으로부터 상기 건조부의 건조시간을 측정하여 건조시간 결과값을 산출하는 건조시간 결과값 산출부;를 포함할 수 있다.In an embodiment of the present invention, the process of the granulating unit is controlled by the process control data, and the predicted value calculating step may include a drying time predicted value calculating step for predicting the drying time of the drying unit from the process of the granulating unit and calculating a drying time predicted value; and the result value calculating step may include a drying time result value calculating unit for measuring the drying time of the drying unit from the process of the granulating unit and calculating a drying time result value.
본 발명의 실시예에 있어서, 상기 공정제어 데이터에 의해 상기 건조부의 공정이 제어되고, 상기 예측값 산출단계는, 상기 건조부의 공정으로부터 상기 스프레이의 분사량을 예측하여 스프레이 제어 예측값을 산출하는 스프레이 제어 예측값 산출단계;를 포함하고, 상기 결과값 산출단계는, 상기 건조부의 공정으로부터 상기 스프레이의 분사량을 측정하여 스프레이 제어 결과값을 산출하는 스프레이 제어 결과값 산출단계;를 포함할 수 있다.In an embodiment of the present invention, the process of the drying unit is controlled by the process control data, and the predicted value calculating step may include a spray control predicted value calculating step for calculating a spray control predicted value by predicting the spray amount from the process of the drying unit; and the result value calculating step may include a spray control result value calculating step for calculating a spray control result value by measuring the spray amount from the process of the drying unit.
본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법에 따르면, 인공지능을 통하여 제립공정을 제어하기 때문에 작업자가 공정작업을 직접 제어하지 않아도 되므로, 작업자의 작업시간 측면에서 효율을 높일 수 있는 효과를 얻을 수 있다.According to the system and method for optimizing a granulation process using artificial intelligence of the present invention, since the granulation process is controlled using artificial intelligence, a worker does not need to directly control the process operation, and thus the effect of increasing efficiency in terms of the worker's working time can be obtained.
또한 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법에 따르면, 작업자의 경험과 직관력과 관계없이 향상된 동일한 품질의 과립을 형성할 수 있는 효과를 얻을 수 있다.In addition, according to the system and method for optimizing the granulation process using artificial intelligence of the present invention, it is possible to obtain the effect of forming granules of the same improved quality regardless of the experience and intuition of the worker.
또한 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법에 따르면, 냉각장치나 제습장치를 구비할 필요가 없어 비용과 공간을 절감할 수 있는 효과를 얻을 수 있다.In addition, according to the system and method for optimizing the granulation process using artificial intelligence of the present invention, there is no need to have a cooling device or a dehumidifying device, so that costs and space can be saved.
또한 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법에 따르면, 낭비되는 원료 분말 없이 모두 제립 공정을 할 수 있어, 공정 비용을 절감하는 효과를 얻을 수 있다.In addition, according to the system and method for optimizing the granulation process using artificial intelligence of the present invention, the granulation process can be performed without wasting any raw material powder, thereby achieving the effect of reducing process costs.
도 1은 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 구성을 나타낸 도면이고,
도 2는 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 나타낸 도면이고,
도 3은 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이고,
도 4는 본 발명의 제1실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 일부 나타낸 도면이고,
도 5는 본 발명의 제2실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 일부 나타낸 도면이고,
도 6은 본 발명의 제1실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이고,
도 7은 본 발명의 제2실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이다.Figure 1 is a drawing showing the configuration of a granulation process optimization system using artificial intelligence according to one embodiment of the present invention.
Figure 2 is a diagram showing the configuration of a server of a granulation process optimization system using artificial intelligence according to one embodiment of the present invention.
Figure 3 is a flow chart illustrating a method for optimizing a granulation process using artificial intelligence according to one embodiment of the present invention.
Figure 4 is a drawing partially showing the configuration of a server of a granulation process optimization system using artificial intelligence according to the first embodiment of the present invention.
FIG. 5 is a diagram partially showing the configuration of a server of a granulation process optimization system using artificial intelligence according to a second embodiment of the present invention.
Figure 6 is a flow chart illustrating a method for optimizing a granulation process using artificial intelligence according to the first embodiment of the present invention.
Figure 7 is a flow chart illustrating a method for optimizing a granulation process using artificial intelligence according to a second embodiment of the present invention.
이하, 본 발명에 따른 인공지능을 통한 과립공정 최적화 시스템 및 방법의 실시예들을 첨부된 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments of a granulation process optimization system and method using artificial intelligence according to the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 구성을 나타낸 도면이고, 도 2는 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 나타낸 도면이고, 도 3은 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이고, 도 4는 본 발명의 제1실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 일부 나타낸 도면이고, 도 5는 본 발명의 제2실시예에 따른 인공지능을 통한 과립공정 최적화 시스템의 서버의 구성을 일부 나타낸 도면이고, 도 6은 본 발명의 제1실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이고, 도 7은 본 발명의 제2실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이다.FIG. 1 is a diagram showing the configuration of a granule process optimization system using artificial intelligence according to an embodiment of the present invention, FIG. 2 is a diagram showing the configuration of a server of a granule process optimization system using artificial intelligence according to an embodiment of the present invention, FIG. 3 is a flowchart showing a granule process optimization method using artificial intelligence according to an embodiment of the present invention, FIG. 4 is a diagram showing a portion of the configuration of a server of a granule process optimization system using artificial intelligence according to a first embodiment of the present invention, FIG. 5 is a diagram showing a portion of the configuration of a server of a granule process optimization system using artificial intelligence according to a second embodiment of the present invention, FIG. 6 is a flowchart showing a granule process optimization method using artificial intelligence according to a first embodiment of the present invention, and FIG. 7 is a flowchart showing a granule process optimization method using artificial intelligence according to a second embodiment of the present invention.
도 1을 참조하면, 본 발명의 일실시예에 따른 인공지능을 통한 과립공정 최적화 시스템은 원료 분말에 유동층을 형성하여 입자로 만드는 유동층 과립기(100)와 유동층 과립기(100) 내부로 흡입되는 외기의 온도와 습도의 데이터를 수집하여 유동층 과립기(100)를 제어하는 서버(200)를 포함한다.Referring to FIG. 1, a granulation process optimization system using artificial intelligence according to one embodiment of the present invention includes a fluidized bed granulator (100) that forms a fluidized bed in raw material powder to make particles, and a server (200) that collects data on the temperature and humidity of external air sucked into the fluidized bed granulator (100) and controls the fluidized bed granulator (100).
유동층 과립기(100)와 서버(200)는 기능상 별도로 표시하였으나 실제 물리적 환경에서는 서로 통합되어 구현될 수도 있다. 즉, 기능상으로 분리하여 표시한 것이지 반드시 물리적으로 분리되어야 하는 것은 아니다.The fluidized bed granulator (100) and the server (200) are shown separately for functionality, but may be implemented as integrated with each other in an actual physical environment. In other words, they are shown separately for functionality, but do not necessarily have to be physically separated.
각각의 구성 요소에 대하여 설명하면, 유동층 과립기(100)는 원료 분말에 유동층을 형성하는 혼합부(110), 예비 과립을 형성하는 제립부(120), 예비 과립을 건조하여 과립을 형성하는 건조부(130), 원료 분말을 포집하는 필터부(140), 필터부(140)를 진동시키는 진동부(미도시)를 포함할 수 있다.When explaining each component, the fluidized bed granulator (100) may include a mixing unit (110) that forms a fluidized bed in raw material powder, a granulating unit (120) that forms pre-granules, a drying unit (130) that dries the pre-granules to form granules, a filter unit (140) that collects raw material powder, and a vibrating unit (not shown) that vibrates the filter unit (140).
혼합부(110)는 외기를 흡입하여 외기의 흐름으로 원료 분말의 유동층을 형성한다. 이때, 외기는 댐퍼(151)에서 흡입되어 댐퍼(152)로 배기되고, 댐퍼(151, 152)의 오픈도에 따라 유동층을 형성하는 외기의 속도를 조정할 수 있다. 즉, 댐퍼(151, 152)를 많이 오픈하면 외기의 속도를 느리게 할 수 있고 댐퍼(151, 152)를 조금만 오픈하면 외기의 속도를 빠르게 할 수 있다.The mixing unit (110) sucks in outside air and forms a fluidized bed of raw material powder with the flow of outside air. At this time, the outside air is sucked in from the damper (151) and exhausted through the damper (152), and the speed of the outside air forming the fluidized bed can be adjusted according to the degree of opening of the dampers (151, 152). That is, if the dampers (151, 152) are opened a lot, the speed of the outside air can be slowed down, and if the dampers (151, 152) are opened a little, the speed of the outside air can be fastened.
제립부(120)는 혼합부(110)에 의해 형성된 유동층에 스프레이(121)로 결합액을 분무하여 예비 과립을 형성한다. 이때, 예비 과립이란 외기의 습도와 스프레이(121)에 의해 수분 함유도가 높은 과립을 의미한다.The granulating unit (120) sprays a binding solution by means of a spray (121) onto the fluidized layer formed by the mixing unit (110) to form preliminary granules. At this time, the preliminary granules refer to granules having a high moisture content due to the humidity of the outside air and the spray (121).
건조부(130)는 예비 과립을 건조하여 원하는 수분 함유도를 가지는 과립을 형성한다. 구체적으로, 제립부(120)에 의해 예비 과립이 형성되면 스프레이(121)는 결합액 분무를 중단하고, 댐퍼(140)로 흡입되는 외기를 이용하여 예비 과립을 건조한다. 한편, 본 실시예에서 혼합부(110)와 건조부(130)가 동일한 챔버로 구성되어 있지만 반드시 이에 한정되는 것은 아니다.The drying unit (130) dries the pre-granules to form granules having a desired moisture content. Specifically, when the pre-granules are formed by the granulating unit (120), the sprayer (121) stops spraying the binding solution, and dries the pre-granules using the outside air sucked into the damper (140). Meanwhile, in the present embodiment, the mixing unit (110) and the drying unit (130) are configured as the same chamber, but this is not necessarily limited thereto.
필터부(140)는 유동층의 유동방향에 설치되며 원료 분말을 포집할 수 있고, 진동부(미도시)는 필터부(140)에 포집된 원료 분말을 회수하여 혼합부(110) 측으로 보낼 수 있다. 구체적으로, 필터부(140)는 원료 분말이 외기와 함께 댐퍼(152)로 배기되지 않도록 포집할 수 있고, 포집된 원료 분말에 의해 댐퍼(151)와 댐퍼(152) 사이에서 일정한 압력차가 발생하면 필터부(140)는 진동하여 필터부(140)에 포집된 원료 분말이 필터부(140)에서 회수되어 혼합부(110) 측으로 보내질 수 있다.The filter unit (140) is installed in the flow direction of the fluidized bed and can capture raw material powder, and the vibrating unit (not shown) can recover raw material powder captured in the filter unit (140) and send it toward the mixing unit (110). Specifically, the filter unit (140) can capture raw material powder so that it is not exhausted to the damper (152) together with the outside air, and when a certain pressure difference occurs between the damper (151) and the damper (152) due to the captured raw material powder, the filter unit (140) vibrates so that the raw material powder captured in the filter unit (140) can be recovered from the filter unit (140) and sent toward the mixing unit (110).
따라서, 필터부(140) 및 진동부에 의해 낭비되는 원료 분말 없이 모두 제립 공정을 할 수 있어, 공정 비용을 절감하는 효과를 얻을 수 있다.Accordingly, the granulation process can be performed without any raw material powder being wasted by the filter unit (140) and the vibrating unit, thereby achieving the effect of reducing process costs.
도 2를 참조하면, 서버(200)는, 데이터 수집부(210), 공정 데이터 추출부(220), 예측값 산출부(230), 과립기 제어부(240), 결과값 산출부(250) 및 데이터 학습부(260)를 포함할 수 있다.Referring to FIG. 2, the server (200) may include a data collection unit (210), a process data extraction unit (220), a prediction value calculation unit (230), a granulator control unit (240), a result value calculation unit (250), and a data learning unit (260).
데이터 수집부(210)는 외기의 온도와 습도의 데이터(A)를 측정하여 수집할 수 있다. 후술하겠지만, 수집된 데이터(A)는 인공지능(AI)이 학습하여 빅데이터로 축적될 수 있다.The data collection unit (210) can measure and collect data (A) on the temperature and humidity of the outside air. As described later, the collected data (A) can be learned by artificial intelligence (AI) and accumulated as big data.
공정 데이터 추출부(220)는 미리 구축된 빅데이터로부터 데이터(A)에 대응하는 공정제어 데이터를 추출할 수 있다. 공정제어 데이터는 외기의 온도와 습도에 따라 제립공정을 최적화할 수 있는 데이터이다. 다시 말해, 빅데이터는 외기의 온도 및 습도별로 제립공정을 최적화할 수 있는 공정제어 데이터들로 구성되어 있고, 빅데이터로부터 데이터(A)에 대응되는 공정제어 데이터를 추출하여 후술하는 과립기 제어부(240)에서 유동층 과립기(100)를 제어할 수 있다.The process data extraction unit (220) can extract process control data corresponding to data (A) from pre-built big data. The process control data is data that can optimize the granulation process according to the temperature and humidity of the outside air. In other words, the big data is composed of process control data that can optimize the granulation process according to the temperature and humidity of the outside air, and the process control data corresponding to data (A) can be extracted from the big data to control the fluidized bed granulator (100) in the granulator control unit (240) described below.
예측값 산출부(230)는 공정제어 데이터를 기반으로 유동층 과립기(100)의 공정을 예측하여 공정 예측값을 산출할 수 있다. 예측값 산출부(230)는 제립부(120)의 공정으로부터 건조부(130)의 건조시간을 예측하여 건조시간 예측값을 산출하는 건조시간 예측값 산출부(231)을 포함할 수 있다. 또한, 건조부(130)의 공정으로부터 스프레이(121)의 분사량을 예측하여 스프레이(121) 제어 예측값을 산출하는 스프레이 제어 예측값 산출부(232)를 포함할 수 있다. 구체적인 구성 및 방법은 후술하기로 한다.The prediction value generating unit (230) can predict the process of the fluidized bed granulator (100) based on the process control data and generate a process prediction value. The prediction value generating unit (230) can include a drying time prediction value generating unit (231) that predicts the drying time of the drying unit (130) from the process of the granulating unit (120) and generates a drying time prediction value. In addition, the unit can include a spray control prediction value generating unit (232) that predicts the spray amount of the spray (121) from the process of the drying unit (130) and generates a spray (121) control prediction value. The specific configuration and method will be described later.
과립기 제어부(240)는 공정제어 데이터를 기반으로 유동층 과립기를 제어할 수 있다. 과립기 제어부(240)는 공정 데이터 추출부(220)에서 추출된 공정제어 데이터를 이용하여 유동층 과립기(100)의 제립부(120) 또는 건조부(130)를 제어할 수 있다.The granulator control unit (240) can control the fluidized bed granulator based on process control data. The granulator control unit (240) can control the granulating unit (120) or drying unit (130) of the fluidized bed granulator (100) using the process control data extracted from the process data extraction unit (220).
결과값 산출부(250)는 과립기 제어부(240)에 의해 제어된 유동층 과립기의 공정 결과값을 산출할 수 있다. 결과값 산출부(250)는 제립부(120)의 공정으로부터 건조부(130)의 건조시간을 측정하여 건조시간 결과값을 산출하는 건조시간 결과값 산출부(251)를 포함할 수 있다. 또한, 건조부(130)의 공정으로부터 스프레이(121)의 분사량을 측정하여 스프레이(121) 제어 결과값을 산출하는 스르레이 제어 결과값 산출부(252)를 포함할 수 있다. 구체적인 구성 및 방법은 후술하기로 한다.The result value generating unit (250) can generate a process result value of a fluidized bed granulator controlled by the granulator control unit (240). The result value generating unit (250) can include a drying time result value generating unit (251) that measures the drying time of the drying unit (130) from the process of the granulator (120) and generates a drying time result value. In addition, the unit can include a spray control result value generating unit (252) that measures the spray amount of the spray (121) from the process of the drying unit (130) and generates a spray (121) control result value. The specific configuration and method will be described later.
데이터 학습부(260)는 공정 예측값과 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 공정제어 데이터를 분석하여 빅데이터에 축적할 수 있다. 더욱 상세하게 데이터(A)에 최적화된 과립공정값을 인공지능이 스스로 분석하고 학습하여, 데이터(A)와 데이터(A)에 대응되는 공정제어 데이터를 빅데이터에 축적할 수 있다.The data learning unit (260) can analyze process control data and accumulate it into big data when the process prediction value and process result value are compared and exceed a preset tolerance. In more detail, the artificial intelligence can analyze and learn the granulation process value optimized for data (A) on its own, and accumulate data (A) and process control data corresponding to data (A) into big data.
이처럼, 인공지능을 통하여 제립공정을 제어하기 때문에 작업자가 공정작업을 직접 제어하지 않아도 되므로, 작업자의 작업시간 측면에서 효율을 높일 수 있는 효과가 있다.In this way, since the granulation process is controlled through artificial intelligence, workers do not need to directly control the process, which has the effect of increasing efficiency in terms of workers' working hours.
도 5를 참조하며, 본 발명의 실시예에 따른 인공지능을 통한 과립공정 최적화 방법은, 데이터 수집단계(S10), 공정 데이터 추출단계(S20), 예측값 산출단계(S30), 과립기 제어단계(S40), 결과값 산출단계(S50) 및 데이터 학습단계(S60)를 포함한다.Referring to FIG. 5, a method for optimizing a granulation process using artificial intelligence according to an embodiment of the present invention includes a data collection step (S10), a process data extraction step (S20), a predicted value calculation step (S30), a granulator control step (S40), a result value calculation step (S50), and a data learning step (S60).
데이터 수집단계(S10)는 유동층 과립기(100) 내부로 흡입되는 외기의 온도와 습도의 데이터(A)를 측정한다. 데이터 추출단계(S20)는 미리 구축된 빅데이터로부터 데이터(A)에 대응하는 공정제어 데이터를 추출한다. 예측값 산출단계(S30)는 공정제어 데이터를 기반으로 유동층 과립기(100)의 공정을 예측하여 공정 예측값을 산출한다. 과립기 제어단계(S40)는 공정제어 데이터를 기반으로 유동층 과립기(100)를 제어한다. 결과값 산출단계(S50)는 공정제어 데이터를 기반으로 유동층 과립기(100)를 제어한다. 데이터 학습단계(S60)는 공정 예측값과 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 공정제어 데이터를 분석하여 빅데이터에 축적한다.The data collection step (S10) measures data (A) of the temperature and humidity of the outside air sucked into the fluidized bed granulator (100). The data extraction step (S20) extracts process control data corresponding to the data (A) from pre-built big data. The predicted value calculation step (S30) predicts the process of the fluidized bed granulator (100) based on the process control data and calculates a process predicted value. The granulator control step (S40) controls the fluidized bed granulator (100) based on the process control data. The result value calculation step (S50) controls the fluidized bed granulator (100) based on the process control data. The data learning step (S60) compares the process predicted value and the process result value, and if it exceeds a preset tolerance, analyzes the process control data and accumulates it into big data.
이하에서는 인공지능을 통한 과립공정 최적화 시스템 및 방법의 구체적인 실시예를 설명하기로 한다.Below, a specific example of a system and method for optimizing a granulation process using artificial intelligence is described.
제1실시예First embodiment
도 6은 본 발명의 제1 실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이다.Figure 6 is a flow chart illustrating a method for optimizing a granulation process using artificial intelligence according to the first embodiment of the present invention.
데이터 수집단계(S10)는 데이터 수집부(210)에서 유동층 과립기(100) 내부로 흡입되는 외기의 온도와 습도의 데이터(A)를 측정한다. 그리고, 데이터 추출단계(S20)는 공정 데이터 추출부(220)에서 미리 구축된 빅데이터로부터 데이터(A)에 대응하는 공정제어 데이터를 추출한다.The data collection step (S10) measures data (A) on the temperature and humidity of the outside air sucked into the fluidized bed granulator (100) in the data collection unit (210). Then, the data extraction step (S20) extracts process control data corresponding to the data (A) from pre-built big data in the process data extraction unit (220).
여기서, 데이터 수집단계(S10)와 데이터 추출단계(S20)를 통해 외기의 온도와 습도의 데이터(A)를 측정하고 측정된 온도와 습도에 대응되는 공정제어 데이터를 추출하여 후술하는 과립기 제어단계(S40)에서 유동층 과립기(100)를 제어할 수 있어, 외기의 온도와 습도에 관계없이 유동층 과립기(100)를 제어할 수 있다. 즉, 과립공정에 있어서 원하는 온도와 습도를 형성하기 위해 별도의 냉각장치나 제습장치를 구비하지 않고도, 유동층 과립기(100)를 제어할 수 있다.Here, through the data collection step (S10) and the data extraction step (S20), data (A) of the temperature and humidity of the outside air are measured, and process control data corresponding to the measured temperature and humidity are extracted to control the fluidized bed granulator (100) in the granulator control step (S40) described later, so that the fluidized bed granulator (100) can be controlled regardless of the temperature and humidity of the outside air. That is, the fluidized bed granulator (100) can be controlled without having a separate cooling device or dehumidifying device to form a desired temperature and humidity in the granulation process.
따라서, 인공지능을 통한 과립공정 최적화 시스템 및 방법은 냉각장치나 제습장치를 구비할 필요가 없어 비용과 공간을 절감할 수 있는 효과를 얻을 수 있다.Therefore, the system and method for optimizing the granulation process using artificial intelligence can achieve the effect of reducing cost and space by eliminating the need for a cooling device or a dehumidifying device.
이어서, 도 3을 함께 참조하면, 건조시간 예측값 산출단계(S31)는 건조시간 예측값 산출부(231)에서 공정제어 데이터를 기반으로 제립부(120)의 공정으로부터 건조부(130)의 건조시간을 예측하여 건조시간 예측값을 산출한다.Next, referring to FIG. 3 together, the drying time prediction value calculation step (S31) predicts the drying time of the drying unit (130) from the process of the granulating unit (120) based on the process control data in the drying time prediction value calculation unit (231) to calculate the drying time prediction value.
구체적으로, 데이터 수집단계(S10)에서 측정한 외기의 온도와 습도의 데이터(A)를 기반으로 제립부(120)의 공정제어 데이터가 추출되면, 건조시간 예측값 산출부(231)는 데이터(A) 및 추출된 공정제어 데이터와 대응되는 건조시간을 빅데이터로부터 추출할 수 있다. 그리고, 빅데이터로부터 추출된 건조시간은 건조시간 예측값으로 산출될 수 있다.Specifically, when process control data of the granulating unit (120) is extracted based on data (A) of the temperature and humidity of the outside air measured in the data collection step (S10), the drying time prediction value calculating unit (231) can extract the drying time corresponding to the data (A) and the extracted process control data from the big data. Then, the drying time extracted from the big data can be calculated as the drying time prediction value.
과립기 제어단계(S40)는 과립기 제어부(240)에서 공정제어 데이터를 기반으로 유동층 과립기(100)를 제어한다. 이때, 공정제어 데이터에 의해 제립부(120)의 공정이 제어될 수 있는데, 측정된 외기의 온도와 습도에서 최적화된 스프레이(121)의 분사량을 제어할 수 있고, 분사량은 스프레이(121)의 분사압, 분사속도 등으로 조절할 수 있다.The granulator control step (S40) controls the fluidized bed granulator (100) based on process control data from the granulator control unit (240). At this time, the process of the granulator (120) can be controlled by the process control data, and the spray amount of the spray (121) optimized for the measured temperature and humidity of the outside air can be controlled, and the spray amount can be adjusted by the spray pressure, spray speed, etc. of the spray (121).
여기서, 과립기 제어단계(S40)를 통해 유동층 과립기(100)를 인공지능이 제어하여, 작업자의 경험과 직관력과 관계없이 유동층 과립기(100)를 제어할 수 있다. 즉, 과립공정에 있어서 작업자의 경험여부에 의존하지 않고도 동일한 품질의 과립을 형성할 수 있다.Here, the fluidized bed granulator (100) is controlled by artificial intelligence through the granulator control step (S40), so that the fluidized bed granulator (100) can be controlled regardless of the operator's experience and intuition. In other words, granules of the same quality can be formed without depending on the operator's experience in the granulation process.
따라서, 인공지능을 통한 과립공정 최적화 시스템 및 방법은 작업자의 경험과 직관력과 관계없이 향상된 동일한 품질의 과립을 형성할 수 있는 효과를 얻을 수 있다.Therefore, the system and method for optimizing the granulation process using artificial intelligence can achieve the effect of forming improved granules of the same quality regardless of the operator's experience and intuition.
이어서, 건조시간 결과값 산출단계(S51)는 건조시간 결과값 산출부(251)에서 건조부(130)의 건조시간 결과값을 측정하여 건조시간 결과값을 산출한다.Next, in the drying time result value calculation step (S51), the drying time result value calculation unit (251) measures the drying time result value of the drying unit (130) and calculates the drying time result value.
데이터 학습단계(S60)는 건조시간 예측값과 건조시간 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 공정제어 데이터를 분석하고 학습하여 빅데이터에 축적한다. 그리고, 학습된 데이터에 의해 더 최적화된 과립공정을 제어할 수 있다.The data learning step (S60) compares the drying time prediction value and the drying time result value, and if the predicted value exceeds the preset tolerance, the process control data is analyzed and learned, and then accumulated into big data. In addition, a more optimized granulation process can be controlled using the learned data.
제2실시예Second embodiment
도 7은 본 발명의 제2 실시예에 따른 인공지능을 통한 과립공정 최적화 방법을 도시한 흐름도이며, 본 실시예에서는 스프레이 제어 예측값 산출단계와 스프레이 제어 결과값 산출단계를 포함하고 있으며, 다른 구성은 전술한 제1실시예와 동일하므로 반복되는 내용은 가급적 생략한다.FIG. 7 is a flow chart illustrating a method for optimizing a granulation process using artificial intelligence according to a second embodiment of the present invention. In this embodiment, a spray control prediction value calculation step and a spray control result value calculation step are included, and since other configurations are the same as in the first embodiment described above, repeated content is omitted as much as possible.
도 4를 함께 참조하면, 스프레이 제어 예측값 산출단계(S32)는 스프레이 제어 예측값 산출부(232)에서 공정제어 데이터를 기반으로 제립부(120)의 공정으로부터 스프레이(121)의 분사량을 예측하여 스프레이 제어 예측값을 산출한다.Referring to FIG. 4 together, the spray control prediction value calculation step (S32) predicts the spray amount (121) from the process of the granulating unit (120) based on the process control data in the spray control prediction value calculation unit (232) to calculate the spray control prediction value.
구체적으로, 데이터 수집단계(S10)에서 측정한 외기의 온도와 습도의 데이터(A)를 기반으로 제립부(120)의 공정제어 데이터가 추출되면, 스프레이 제어 예측값 산출부(232)는 데이터(A) 및 추출된 공정제어 데이터와 대응되는 스프레이의 분사량을 빅데이터로부터 추출할 수 있다. 그리고, 빅데이터로부터 추출된 스프레이의 분사량은 스프레이 제어 예측값으로 산출될 수 있다.Specifically, when process control data of the granulating unit (120) is extracted based on data (A) of the temperature and humidity of the outside air measured in the data collection step (S10), the spray control prediction value calculating unit (232) can extract the spray injection amount corresponding to the data (A) and the extracted process control data from the big data. Then, the spray injection amount extracted from the big data can be calculated as the spray control prediction value.
과립기 제어단계(S40)는 과립기 제어부(240)에서 공정제어 데이터를 기반으로 유동층 과립기(100)를 제어한다. 이때, 공정제어 데이터에 의해 건조부(130)의 공정이 제어될 수 있는데, 측정된 외기의 온도와 습도에서 최적화된 건조시간을 제어할 수 있다.The granulator control step (S40) controls the fluidized bed granulator (100) based on process control data from the granulator control unit (240). At this time, the process of the drying unit (130) can be controlled by the process control data, and the optimized drying time can be controlled based on the measured temperature and humidity of the outside air.
스프레이 제어 결과값 산출단계(S52)는 스프레이 제어 결과값 산출부(252)에서 스프레이(121)의 분사량 결과값을 측정하여 스프레이 제어 결과값을 산출한다.The spray control result value calculation step (S52) calculates the spray control result value by measuring the spray amount result value of the spray (121) in the spray control result value calculation unit (252).
데이터 학습단계(S60)는 스프레이 제어 예측값과 스프레이 제어 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 공정제어 데이터를 분석하고 학습하여 빅데이터에 축적한다. 그리고, 학습된 데이터에 의해 더 최적화된 과립공정을 제어할 수 있다.The data learning step (S60) compares the spray control prediction value and the spray control result value, and if the predicted value exceeds a preset tolerance, the process control data is analyzed and learned, and then accumulated into big data. Then, a more optimized granulation process can be controlled using the learned data.
상술한 바와 같이 구성된 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법은, 인공지능을 통하여 제립공정을 제어하기 때문에 작업자가 공정작업을 직접 제어하지 않아도 되므로, 작업자의 작업시간 측면에서 효율을 높일 수 있는 효과가 있다.The system and method for optimizing a granulation process using artificial intelligence of the present invention, configured as described above, controls the granulation process using artificial intelligence, so that a worker does not need to directly control the process operation, and thus has the effect of increasing efficiency in terms of the worker's working time.
또한, 상술한 바와 같이 구성된 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법은, 작업자의 경험과 직관력과 관계없이 향상된 동일한 품질의 과립을 형성할 수 있는 효과가 있다.In addition, the system and method for optimizing the granulation process using artificial intelligence of the present invention, configured as described above, has the effect of forming granules of the same improved quality regardless of the experience and intuition of the worker.
또한, 상술한 바와 같이 구성된 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법은, 냉각장치나 제습장치를 구비할 필요가 없어 비용과 공간을 절감할 수 있는 효과가 있다.In addition, the system and method for optimizing the granulation process using artificial intelligence of the present invention, configured as described above, has the effect of reducing cost and space by eliminating the need for a cooling device or a dehumidifying device.
또한, 상술한 바와 같이 구성된 본 발명의 인공지능을 통한 과립공정 최적화 시스템 및 방법은, 낭비되는 원료 분말 없이 모두 제립 공정을 할 수 있어, 공정 비용을 절감하는 효과가 있다.In addition, the system and method for optimizing the granulation process using artificial intelligence of the present invention, configured as described above, can perform the granulation process without wasting raw material powder, thereby reducing process costs.
본 발명의 권리범위는 상술한 실시예 및 변형례에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.The scope of the present invention is not limited to the above-described embodiments and modifications, but can be implemented in various forms of embodiments within the scope of the appended claims. Anyone with ordinary skill in the art to which the invention pertains can make modifications without departing from the gist of the present invention claimed in the claims, and it is considered to be within the scope of the claims of the present invention to a variety of extents.
100 : 유동층 과립기
200 : 서버100 : Fluidized bed granulator
200 : Server
Claims (8)
상기 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 수집하여 상기 유동층 과립기를 제어하는 서버;를 포함하고,
상기 서버는, 상기 데이터를 측정하여 수집하는 데이터 수집부와, 미리 구축된 빅데이터로부터 상기 데이터에 대응하는 공정제어 데이터를 추출하는 공정 데이터 추출부와, 상기 공정제어 데이터를 기반으로 상기 유동층 과립기의 공정을 예측하여 공정 예측값을 산출하는 예측값 산출부와, 상기 공정제어 데이터를 기반으로 상기 유동층 과립기를 제어하는 과립기 제어부와, 상기 유동층 과립기의 공정 결과값을 산출하는 결과값 산출부 및 상기 공정 예측값과 상기 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 상기 공정제어 데이터를 분석하여 상기 빅데이터에 축적하는 데이터 학습부를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 시스템.A fluidized bed granulator comprising a mixing section forming a fluidized bed of raw material powder, a granulating section spraying a binding solution onto the fluidized bed to form pre-granules containing moisture, and a drying section drying the pre-granules to form granules; and
A server for controlling the fluidized bed granulator by collecting data on the temperature and humidity of the outside air sucked into the fluidized bed granulator;
The server comprises a data collection unit that measures and collects the data, a process data extraction unit that extracts process control data corresponding to the data from pre-built big data, a prediction value calculation unit that predicts the process of the fluidized bed granulator based on the process control data and calculates a process prediction value, a granulator control unit that controls the fluidized bed granulator based on the process control data, a result value calculation unit that calculates a process result value of the fluidized bed granulator, and a data learning unit that compares the process prediction value and the process result value, and if the result exceeds a preset tolerance, analyzes the process control data and accumulates it in the big data.
상기 공정제어 데이터에 의해 상기 제립부의 공정이 제어되고,
상기 예측값 산출부는,
상기 제립부의 공정으로부터 상기 건조부의 건조시간을 예측하여 건조시간 예측값을 산출하는 건조시간 예측값 산출부;를 포함하고,
상기 결과값 산출부는,
상기 제립부의 공정으로부터 상기 건조부의 건조시간을 측정하여 건조시간 결과값을 산출하는 건조시간 결과값 산출부;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 시스템.In the first paragraph,
The process of the granulating unit is controlled by the above process control data,
The above predicted value calculation section is,
It includes a drying time prediction value calculation unit that predicts the drying time of the drying unit from the process of the above-mentioned granulating unit and calculates a drying time prediction value;
The above result value calculation section is,
A granulation process optimization system using artificial intelligence, characterized by including a drying time result value calculation unit that measures the drying time of the drying unit from the process of the granulating unit and calculates a drying time result value.
상기 공정제어 데이터에 의해 상기 건조부의 공정이 제어되고,
상기 예측값 산출부는,
상기 건조부의 공정으로부터 상기 스프레이의 분사량을 예측하여 스프레이 제어 예측값을 산출하는 스프레이 제어 예측값 산출부;를 포함하고,
상기 결과값 산출부는,
상기 건조부의 공정으로부터 상기 스프레이의 분사량을 측정하여 스프레이 제어 결과값을 산출하는 스프레인 제어 결과값 산출부;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 시스템.In the first paragraph,
The process of the drying unit is controlled by the above process control data,
The above prediction value calculation section is,
A spray control prediction value calculation unit for predicting the spray amount from the process of the above drying unit and calculating a spray control prediction value;
The above result value calculation section is,
A granulation process optimization system using artificial intelligence, characterized by including a spray control result value calculation unit that calculates a spray control result value by measuring the spray amount from the process of the drying unit.
상기 유동층 과립기는 상기 유동층의 유동방향에 설치되고 상기 원료 분말을 포집하는 필터부; 및
상기 필터부에 포집된 원료 분말을 회수하여 상기 혼합부 측으로 보내기 위해 상기 필터부를 진동시키는 진동부;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 시스템. In the first paragraph,
The fluidized bed granulator comprises a filter section installed in the flow direction of the fluidized bed and capturing the raw material powder; and
A granulation process optimization system using artificial intelligence, characterized by including a vibrating unit that vibrates the filter unit to recover raw material powder captured in the filter unit and send it to the mixing unit.
상기 유동층 과립기 내부로 흡입되는 외기의 온도와 습도의 데이터를 측정하여 수집하는 데이터 수집단계;
미리 구축된 빅데이터로부터 상기 데이터에 대응하는 공정제어 데이터를 추출하는 공정 데이터 추출단계;
상기 공정제어 데이터를 기반으로 상기 유동층 과립기의 공정을 예측하여 공정 예측값을 산출하는 예측값 산출단계;
상기 공정제어 데이터를 기반으로 상기 유동층 과립기를 제어하는 과립기 제어단계;
상기 유동층 과립기의 공정 결과값을 산출하는 결과값 산출단계; 및
상기 공정 예측값과 상기 공정 결과값을 비교하여 미리 설정된 허용오차를 초과할 경우, 상기 공정제어 데이터를 분석하여 상기 빅데이터에 축적하는 데이터 학습단계;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 방법.A method for optimizing a granulation process using artificial intelligence, using an artificial intelligence-based granulation process optimization system described in any one of claims 1, 3, and 5,
A data collection step for measuring and collecting data on the temperature and humidity of the outside air sucked into the fluidized bed granulator;
A process data extraction step for extracting process control data corresponding to the data from pre-built big data;
A prediction value calculation step for predicting the process of the fluidized bed granulator based on the above process control data and calculating a process prediction value;
A granulator control step for controlling the fluidized bed granulator based on the above process control data;
A result value calculation step for calculating the process result value of the fluidized bed granulator; and
A method for optimizing a granulation process using artificial intelligence, characterized by including a data learning step for analyzing the process control data and accumulating it in the big data when the process prediction value and the process result value are compared and a preset tolerance is exceeded.
상기 공정제어 데이터에 의해 상기 제립부의 공정이 제어되고,
상기 예측값 산출단계는,
상기 제립부의 공정으로부터 상기 건조부의 건조시간을 예측하여 건조시간 예측값을 산출하는 건조시간 예측값 산출단계;를 포함하고,
상기 결과값 산출단계는,
상기 제립부의 공정으로부터 상기 건조부의 건조시간을 측정하여 건조시간 결과값을 산출하는 건조시간 결과값 산출단계;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 방법.In Article 6,
The process of the granulating unit is controlled by the above process control data,
The above predicted value calculation step is,
A drying time prediction value calculation step for predicting the drying time of the drying unit from the process of the above-mentioned granulating unit and calculating a drying time prediction value; including;
The above result value calculation step is,
A method for optimizing a granulation process using artificial intelligence, characterized by including a drying time result value calculation step for calculating a drying time result value by measuring the drying time of the drying unit from the process of the granulating unit.
상기 공정제어 데이터에 의해 상기 건조부의 공정이 제어되고,
상기 예측값 산출단계는,
상기 건조부의 공정으로부터 상기 스프레이의 분사량을 예측하여 스프레이 제어 예측값을 산출하는 스프레이 제어 예측값 산출단계;를 포함하고,
상기 결과값 산출단계는,
상기 건조부의 공정으로부터 상기 스프레이의 분사량을 측정하여 스프레이 제어 결과값을 산출하는 스프레이 제어 결과값 산출단계;를 포함하는 것을 특징으로 하는 인공지능을 통한 과립공정 최적화 방법.In Article 6,
The process of the drying unit is controlled by the above process control data,
The above predicted value calculation step is,
A spray control prediction value calculation step for predicting the spray amount from the process of the above drying section and calculating a spray control prediction value;
The above result value calculation step is,
A method for optimizing a granulation process using artificial intelligence, characterized by including a spray control result value calculation step for calculating a spray control result value by measuring the spray amount from the process of the drying section.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220017138A KR102714263B1 (en) | 2022-02-09 | 2022-02-09 | System and method for optimizing granulation process through ai |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220017138A KR102714263B1 (en) | 2022-02-09 | 2022-02-09 | System and method for optimizing granulation process through ai |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230121202A KR20230121202A (en) | 2023-08-18 |
| KR102714263B1 true KR102714263B1 (en) | 2024-10-16 |
Family
ID=87802027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220017138A Active KR102714263B1 (en) | 2022-02-09 | 2022-02-09 | System and method for optimizing granulation process through ai |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102714263B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117181136B (en) * | 2023-11-02 | 2024-02-09 | 苏州纽姆特纳米科技有限公司 | Nanometer spraying cladding system based on fluidized bed |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000334288A (en) * | 1999-05-26 | 2000-12-05 | Hosokawa Micron Corp | Powder treating apparatus |
| JP6754587B2 (en) | 2016-02-25 | 2020-09-16 | 紀伊産業株式会社 | Manufacturing method of granulated powder cosmetics |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4891617A (en) * | 1988-08-01 | 1990-01-02 | Westinghouse Electric Corp. | Rubber stops in outside poles |
| KR101683218B1 (en) | 2016-01-15 | 2016-12-08 | (주)옥천당 | Operating method of fluidized bed granulator and the fluidized bed granulator |
-
2022
- 2022-02-09 KR KR1020220017138A patent/KR102714263B1/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000334288A (en) * | 1999-05-26 | 2000-12-05 | Hosokawa Micron Corp | Powder treating apparatus |
| JP6754587B2 (en) | 2016-02-25 | 2020-09-16 | 紀伊産業株式会社 | Manufacturing method of granulated powder cosmetics |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230121202A (en) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9561988B2 (en) | Method for preparing controlled release fertilizer with water-based coating on the basis of closed circulating fluidized bed, and device therefor | |
| KR102714263B1 (en) | System and method for optimizing granulation process through ai | |
| RU2224962C2 (en) | Method and device for drying with spaying of liquid | |
| JP2008526469A5 (en) | ||
| CN109387063A (en) | A kind of agricultural drier tool and its autocontrol method | |
| CN102091566A (en) | One-step granulating and drying equipment with fluidized bed | |
| CN208601759U (en) | Injection molding machine dries bucket energy-saving intelligent control system | |
| CN103604290A (en) | Adaptive energy-saving control method for drying characteristics of materials | |
| CN103588560B (en) | Closed fluidized bed coating machine and preparation method of water-based polymer coated fertilizer | |
| CN204086917U (en) | Accurately can control the device of fluidized bed dry air water capacity | |
| KR950006500B1 (en) | Computer controlled spray drying method | |
| CN100580356C (en) | Spray drying equipment for the production of redispersible rubber powder | |
| CN106196876A (en) | Control method and control device for humidity in cabinet and cabinet | |
| Ravindran et al. | Software cybernetics to infuse adaptation intelligence in networked systems | |
| CN114768277B (en) | Spray drying system for traditional Chinese medicine preparation | |
| CN203728743U (en) | Full-automatic potassium sorbate production line | |
| CN119114840B (en) | A manufacturing device and coating method for blast-type heating coating modified regenerated fine sand | |
| CN206414776U (en) | A kind of spray drying tower | |
| CN113549757A (en) | Balling rate adjusting method and device of disc pelletizer | |
| CN101078926A (en) | Traditional Chinese medicine granule extraction procedure control system | |
| EP4545507A1 (en) | Prilling tower and method for producing urea-based prills | |
| CN207324107U (en) | A kind of three fluid spray dryers | |
| US12134211B2 (en) | Method and apparatus for processing plastics | |
| CN107899817A (en) | The recovery method and system of a kind of acrylic resin powder | |
| JP3595949B2 (en) | Granulation control method for granular material in fluidized bed processing equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20220209 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20231113 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20240724 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20241007 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20241007 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |