KR102717859B1

KR102717859B1 - 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템

Info

Publication number: KR102717859B1
Application number: KR1020240053194A
Authority: KR
Inventors: 장관엽
Original assignee: 주식회사 서진정밀
Priority date: 2024-04-22
Filing date: 2024-04-22
Publication date: 2024-10-16
Anticipated expiration: 2044-04-22

Abstract

실시예에 따른 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템은 OPCUA(OPC Unified Architecture) 프로토콜을 통해 수집한 데이터를 학습 데이터로 이용하여 사출 불량 예측 모델을 훈련하고, 사출 불량 예측 모델을 통해 사출 불량 발생 가능성과 시점을 예측한다. 또한, 실시예를 통해 사출공정의 표준화를 통한 생산 데이터를 실시간으로 수집하여 380여종의 주요 데이터를 모델의 학습 데이터로 제공한다. 또한, 실시예에서는 실시간으로 수집된 데이터를 사용자가 판단하기 쉬운 형태로 제공한다. 아울러, 기간 조회를 통한 이력 추적 기능 제공하고, 사출제품의 불량 예측 및 원인 인자를 파단 가능한 품질 예측 솔루션 구축한다.

Description

사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템{METHOD, DEVICE, AND SYSTEM FOR PROVIDING AN INJECTION DEFECT PREDICTION SOLUTION USING AN ARTIFICIAL INTELLIGENCE MODEL LEARNED BASED ON INJECTION PROCESS DATA}

본 개시는 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템에 관한 것으로 구체적으로, OPCUA 프로토콜을 통해 수집한 실시간 데이터를 이용하여 모델을 학습시켜, 사출 불량의 종류와 시점을 예측하고 이에 대한 솔루션을 제공하는 방법, 장치 및 시스템에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.

사출 성형은 금형을 이용한 성형 법 중 하나로서, 플라스틱 등 합성 수지를 가열해서 녹이고 금형에 주입한 뒤 냉각시켜 원하는 성형을 실행하는 과정을 포함한다. 사출 공정은 재료를 녹이는 과정부터, 흘리는 과정, 굳히는 과정, 꺼내는 과정 및 마무리 가공의 순서로 이루어진다. 예컨대, 사출 공정은 열가소성 폴리머 물질을 뜨거운 형상으로 불러오고, 형상이 만들어진 캐비티나 캐비티들에 주입하고, 성형된 제품을 냉각하고, 냉각된 제품을 캐비티에서 추출하여 생산하는 공정이다. 사출 공정은 플라스틱 제품, 고무 제품, 세라믹 제품, 금속 부품 등을 생산하는 데 널리 사용된다.

일반적으로 재료 공급 과정에서는 사출 공정에 사용되는 열가소성 폴리머 재료가 공급된다. 이 재료는 플라스틱 펠릿 또는 고무 형태로 제공될 수 있다. 가열 및 주입과정에서는 재료가 사출 기계에 공급되어 가열되고, 가열된 재료는 고압으로 캐비티나 캐비티들에 주입된다. 성형 및 냉각과정은 주입된 재료는 캐비티 내부에서 형상을 형성하고 냉각하는 과정이다. 이 과정은 성형된 제품이 원하는 형상을 취할 수 있도록 한다. 이후, 성형이 완료된 제품은 사출 기계에서 제거되고 다음 단계로 전달된다.

사출 공정은 자동화 및 고급 제어 시스템을 사용하여 높은 생산성과 일관된 제품 품질을 보장할 수 있다. 이에 따라 사출 공정은 다양한 산업 분야에서 널리 사용되고 있으며, 특히 플라스틱 제조 및 가공 분야에서 매우 중요한 역할을 한다.

하지만, 종래에는 사출 공정 후의 전수 검사를 근로자가 직접 진행하기 때문에 휴먼 에러가 발생한다. 휴먼 에러는 사람이 일정한 작업을 수행할 때 발생할 수 있는 실수나 오류이다. 휴먼 에러는 사람의 부주의, 지루함, 피로, 혼란, 부적절한 훈련 등으로 인해 발생할 수 있고, 다양한 형태로 나타날 수 있다. 이는 생산 및 제조 공정에서는 심각한 결과를 초래한다. 특히, 금형 사출 후의 전수검사 단계에서는 시각검사 오류, 측정오류, 품질 기준 오인식 오류 및 데이터 기록 오류 등이 발생할 수 있다.

시각 검사 오류는 전수검사를 수행하는 작업자가 제품을 시각 검사하고 불량품을 식별하는 동안 시력 문제, 지루함 또는 지나치게 빠른 검사 속도 등으로 인해 불량품을 놓치는 것이다. 측정 오류는 제품의 치수를 측정하여 품질을 확인하는 작업에서 측정 기기의 오작동이나 작업자의 부정확한 조작으로 인한 오류이다. 품질 기준의 오인식은 작업자가 품질 기준을 잘못 이해하거나 잘못된 기준으로 제품을 평가하는 것이다. 데이터 기록 오류는 제품의 품질 관련 데이터를 기록하는 과정에서 작업자가 잘못된 정보를 기록하거나 누락하는 것이다. 전술한 바와 같이 다양한 휴먼 에러는 사출 결과물에 대한 품질 문제를 초래할 수 있으며, 이는 제조업에서 비용 손실과 평판에 영향을 미칠 수 있다.

1. 한국 특허등록 제10-2287659호 (2021.08.03) 2. 한국 특허공개 제 10-2020-0134481호 (2020.12.02)

실시예에 따른 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템은 OPCUA(OPC Unified Architecture) 프로토콜을 통해 수집한 데이터를 학습 데이터로 이용하여 사출 불량 예측 모델을 훈련하고, 사출 불량 예측 모델을 통해 사출 불량 발생 가능성과 시점을 예측한다.

또한, 실시예를 통해 사출공정의 표준화를 통한 생산 데이터를 실시간으로 수집하여 380여종의 주요 데이터를 모델의 학습 데이터로 제공한다.

또한, 실시예에서는 실시간으로 수집된 데이터를 사용자가 판단하기 쉬운 형태로 제공한다. 아울러, 기간 조회를 통한 이력 추적 기능 제공하고, 사출제품의 불량 예측 및 원인 인자를 파단 가능한 품질 예측 솔루션 구축한다.

또한, 실시예에 따른 사출 불량 예측 모델은 현재 생산된 제품의 실시간 데이터를 분석하여 양품 또는 불량 정보 제공하고, 사출 불량 예측 모델은 불량 제품일 경우 불량 원인에 가장 많이 기여한 원인 인자에 대한 정보를 제공한다.

또한, 실시예에서는 사출 불량 예측 모델에 의한 불량 예측 결과에 대한 대응 솔루션을 도출하고, 도출된 대응 솔루션을 미리 수행하여 사출물의 품질을 유지할 수 있도록 한다.

또한, 실시예에서 사출 불량 예측 모델은 불량 예측 분석 결과에 따라 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출할 수 있다.

또한, 실시예에서는 학습된 모델을 사용하여 전체 데이터셋에 대한 복원 오차를 계산하고, 학습과정과 모델의 복원오차를 시각화 한다.

다만, 일 실시예에 따른 해결하고자 하는 과제가 위에 언급된 것에만 한정되는 것은 아니다.

사출 불량 예측 솔루션 제공 장치에 의한 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법은 (A) 학습데이터를 수집하여 사출 불량 예측 모델을 학습시키는 단계; 및 (B) 사출불량 예측 모델에서 입력데이터를 획득하고, 입력데이터에 대한 사출 불량을 예측하는 단계; 를 포함한다.

또한, (A)의 단계는 OPCUA(OPC Unified Architecture) 프로토콜에서 수집한 실시간 데이터를 수집하여 전처리하여 학습 데이터를 생성하고, 상기 학습 데이터로 모델을 학습시키는 단계; 학습 데이터 중 주요데이터를 선별하고, 선별된 주요데이터를 증강하여 주요데이터를 반복학습 시키는 단계; 및 학습 데이터와 실시간 데이터의 복원오차를 산출하여 모델의 피드백 데이터로 이용하여 모델을 재학습 시키는 단계; 를 포함하고 주요데이터는 사출 불량을 일으킨 이상 데이터를 포함하고, 사출 불량 예측 솔루션 제공 장치는 주요 데이터를 증강하여, 주요데이터의 학습 비중을 상향 조정하고, 학습 데이터 중 주요데이터를 선별하고, 선별된 주요데이터를 증강하여 주요데이터를 반복학습 시키는 단계; 는 사출 불량의 정도가 일정 수준 이상인 경우의 원인 변수를 주요 데이터로 추출하는 단계; 및 추출된 원인 변수의 학습 가중치를 일정 수준 이상으로 설정하는 단계; 를 포함한다.

또한, (B)의 단계는 사출 불량 예측 모델로 입력된 사출 공정 데이터의 분석 결과에 따라 사출물의 불량 가능성과 불량 발생 시점을 포함하는 불량 예측 결과를 생성하는 단계;

불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치 및 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 를 포함하고, 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 는 예측된 불량 발생 시점이 빠른 순서대로 사출물에 대한 대응 솔루션을 도출할 수 있다.

또한, 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 는 사출 불량 예측 모델의 입력 데이터 중 이상데이터를 추출하는 단계; 추출된 이상데이터와 연관된 변수를 추출하는 단계; 및 추출된 변수의 조정 범위를 산출하고, 산출된 조정 범위를 기반으로 대응 솔루션을 도출하는 단계; 를 포함하고, 이상데이터와 연관된 변수는 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도 중 적어도 하나를 포함할 수 있다.

또한, 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 는 불량 예측 결과에 포함된 불량 가능성과 불량 발생 시점을 이용하여 대응 긴급도를 산출하고, 산출된 대응 긴급도가 큰 순서대로 불량 예측 결과에 대한 대응 솔루션을 도출하고, 대응 솔루션의 적용에 필요한 시간을 산출하고, 상기 산출된 시간에 따라 대응 솔루션을 적용할 수 있다.

상기 대응 긴급도는 현재 시점과 불량 발생 시점 사이의 시간차가 기준값 미만인 불량 예측 결과를 1차 추출하고, 상기 1차 추출된 불량 예측 결과 중 불량 가능성이 일정 수준 이상인 불량 예측 결과를 2차 추출하여, 상기 2차 추출된 불량 예측 결과로 우선 처리 그룹을 생성하고, 상기 생성된 우선 처리 그룹에 포함된 불량 예측 결과의 대응 지표를 수학식 1 대응지표=불량 가능성(P)/현재 시점과 불량 발생 시점 사이의 시간차(T)을 통해 산출하고, 상기 산출된 대응 지표가 높은 순서대로 대응 솔루션을 적용할 수 있다.

상기 우선 처리 그룹은 미리 설정된 기준값을 주기로 다시 생성되고, 상기 생성된 우선 처리 그룹에 일정 횟수 이상 포함되는 불량 예측 결과는 긴급 보고용 불량 예측 결과로 추출되어, 관리자 단말로 전송될 수 있다.

사출 불량 예측 솔루션 제공 장치에 의한 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법은 관리자 단말로 사출 설비에 포함된 제1 기계의 교체 알림을 제공하는 단계를 더 포함하고, 상기 관리자 단말로 상기 제1 기계의 교체 알림을 제공하는 단계는, 상기 제1 기계에 대한 날짜 별 불량률을 획득하는 동작, 불량률이 미리 설정된 기준 비율보다 높은 날짜를 상기 제1 기계의 주의 날짜로 선정하는 동작, 상기 제1 기계의 시작 날짜를 획득하는 동작, 상기 제1 기계의 시작 날짜부터 상기 제1 기계의 주의 날짜까지의 기간을 상기 제1 기계의 수행 기간으로 생성하는 동작, 사출 설비에 포함된 기계 중 상기 제1 기계와 동일한 종류를 갖는 기계를 동일 종류 기계로 선정하고, 상기 동일 종류 기계의 수행 기간을 획득하는 동작, 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간을 기초로, 평균 값을 산출하여, 평균 기간을 생성하는 동작, 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는지 여부를 확인하는 동작, 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함된다고 확인되면, 상기 평균 기간을 교체 주기로 설정하는 동작, 상기 교체 주기를 기초로, 상기 제1 기계의 교체 예정 날짜를 생성하는 동작, 상기 교체 예정 날짜를 기반으로, 관리자 단말로 상기 제1 기계의 교체 알림을 제공하는 동작, 및 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는 것은 아니라고 확인되면, 상기 제1 기계의 교체 알림을 제공하지 않는 동작을 포함한다.

사출 불량 예측 솔루션 제공 장치에 의한 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법은 사출 설비에 포함된 기계를 각각 고사용 기계, 저사용 기계, 고사용 후보 기계, 정상 사용 기계 중 하나로 분류하는 단계; 저사용 기계로 분류된 기계를 리모델링 가능 기계 및 처분 예정 기계 중 하나로 분류하는 단계; 및 리모델링 가능 기계의 리모델링 및 처분 예정 기계의 처분을 추천하는 메시지를 관리자 단말로 전송하는 단계를 더 포함하고, 기계를 고사용 기계, 저사용 기계, 고사용 후보 기계, 정상 사용 기계 중 하나로 분류하는 단계는 미리 설정된 목표 기간 동안 상기 기계가 작동된 횟수를 확인하는 동작, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 미리 설정된 제1 목표 횟수보다 많은지 여부를 확인하는 동작, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 상기 제1 목표 횟수보다 많다고 확인되면, 상기 기계를 고사용 기계로 분류하는 동작, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 상기 제1 목표 횟수보다 많지 않다고 확인되면, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 미리 설정된 제2 목표 횟수보다 적은지 여부를 확인하는 동작, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 상기 제2 목표 횟수보다 적다고 확인되면, 상기 기계를 저사용 기계로 분류하는 동작, 상기 목표 기간 동안 상기 기계가 작동된 횟수가 상기 제2 목표 횟수보다 적지 않다고 확인되면, 상기 기계의 작동 빈도가 증가하였는지 여부를 확인하는 동작, 상기 기계의 작동 빈도가 증가하였다고 확인되면, 상기 기계를 고사용 후보 기계로 분류하는 동작, 및 상기 기계의 작동 빈도가 증가하지 않았다고 확인되면, 상기 기계를 정상 사용 기계로 분류하는 동작을 포함하고, 저사용 기계로 분류된 기계를 리모델링 가능 기계 및 처분 예정 기계 중 하나로 분류하는 단계;는 기계 별로 기계에 포함된 부품을 확인하는 동작, 저사용 기계 중 고사용 기계와의 부품 일치율이 미리 설정된 제1 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류하는 동작, 저사용 기계 중 고사용 후보 기계와의 부품 일치율이 미리 설정된 제2 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류하는 동작, 및 저사용 기계 중 리모델링 가능 기계를 제외한 기계를 처분 예정 기계로 분류하는 동작을 포함한다.

이상에서와 같은 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법, 장치 및 시스템은 사출 공정 데이터를 분석하여 불량 제품 생산을 분류할 수 있고, 불량 발생 원인 인자를 찾아 사출함으로써, 품질 향상에 기여한다.

또한, 실시예를 통해 구현하는 불량률 감소는 재작업이나 폐기물 처리에 드는 비용을 줄일 수 있도록 하고, 공정 효율성을 높여 생산 비용을 절감할 수 있다.

또한, 실시예를 통해 사출 조건의 비효율적인 부분을 찾아내고 개선함으로써, 생산성을 향상한다.

또한, 실시예에서는 인공지능 모델을 사용하여 사출 불량을 예측하고 대응 솔루션을 자동으로 도출함으로써, 생산 과정에서의 불량 발생을 사전에 예측하고 조치할 수 있도록 한다. 이는 생산 효율성을 향상시키고 불량품의 발생을 줄인다. 또한, 실시예를 통해 불량 발생 가능성을 사전에 파악하고 대응하는 것은 제품의 품질을 향상시킬 수 있다.

아울러, 불량품 발생으로 인한 추가 작업, 재작업, 폐기 등의 비용을 줄일 수 있고, 생산 과정의 효율성 향상으로 인해 비용을 절감할 수 있다.

또한, 실시예를 통해 사출 공정에서 발생하는 자원의 낭비를 최소화할 수 있다.

실시예에서는 특정 조건에서 불량이 발생할 것으로 예측되면 해당 조건을 조정함으로써, 불량을 예방하고, 자원을 효율적으로 사용할 수 있도록 한다.

또한, 실시예에서는OPC UA 프로토콜을 통해 수집된 데이터를 활용하여 머신 러닝 모델을 훈련하고 복원 오차를 계산함으로써 데이터의 활용도를 높일 수 있다. 이는 향후 프로세스 개선이나 품질 관리에도 도움을 준다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 실시예에 따른 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 시스템을 나타낸 도면이다.
도 2는 실시예에 따른 사출 불량 예측 모델의 구현 및 모델을 통한 서비스 과정을 나타낸 도면이다.
도 3은 데이터 저장 인터페이스에 대한 예시를 나타낸 도면이다.
도 4는 실시예에 따른 사출 불량 예측 솔루션 제공 장치의 블록도를 나타낸 도면이다
도 5는 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면이다.
도 6는 실시예에 따른 학습 데이터를 나타낸 도면이다.
도 7은 실시예에 따른 모델의 학습 데이터를 수집예를 나타낸 도면이다.
도 8은 실시예에 따른 모델의 학습 과정과 모델의 복원 오차를 시각화한 도면이다.
도 9는 실시예에 따라 관리자 단말에서 출력되는 사출 공정 실시간 데이터 뷰어를 나타낸 도면이다.
도 10은 실시예에서 제공하는 주요 항목의 차트 데이터를 나타낸 도면이다
도 11은 실시예에서 제공하는 사출 공정 데이터를 기간에 따라 조회하는 기능을 설명하기 위한 도면이다
도 12는 실시예에 따른 대응 솔루션의 출력 인터페이스를 나타낸 도면이다
도 13은 실시예에 따른 사출 불량 예측 솔루션 제공 과정을 나타낸 도면이다.
도 14는 실시예에 따른 사출 공정을 수행하는 기계의 교체 주기를 판단하여 관리자에게 교체 알람을 제공하는 과정을 나타낸 도면이다.
도 15는 실시예에 따른 기계가 작동된 횟수 및 작동 빈도의 증가 여부에 따라 기계를 분류하는 과정을 나타낸 도면이다.
도 16는 실시예에 따른 기계의 부품을 비교하여 저사용 기계를 리모델링할지 처분할지 결정하는 과정을 나타낸 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 실시예에 따른 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 시스템을 나타낸 도면이다.

도 1을 참조하면, 실시예에 따른 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 시스템은 사출 불량 예측 솔루션 제공 장치(100) 및 관리자 단말(200)을 포함하여 구성될 수 있다. 실시예에서 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스로부터 수집된 실시간 사출 공정 데이터를 로딩하고 이를 학습데이터로 이용하여 인공지능 모델을 훈련시킨다. 이후, 인공지능 모델은 실시간으로 수집된 데이터를 훈련된 모델에 입력하여 입력 데이터에 대한 사출 불량 예측 및 사출 불량 예측 결과에 대한 대응 솔루션을 생성한다.

이후, 관리자 단말(200)은 사출불량 예측 결과 및 이에 대한 대응 솔루션을 출력하여 관리자에게 제공하고, 실시간 데이터 중 이상 데이터가 감지된 경우, 이상 데이터의 세부 정보를 출력할 수 있다. 실시예에서 이상 데이터의 세부정보는 이상데이터 발생 시점, 발생 위치 및 정상데이터와의 편차 등을 포함할 수 있다.

도 2는 실시예에 따른 사출 불량 예측 모델의 구현 및 모델을 통한 서비스 과정을 나타낸 도면이다.

도 2를 참조하면, 실시예에서 사출 불량 예측 솔루션 제공 장치는 모델 개발을 위해 사출 공정 데이터를 수집하여 변환하고 로데이터를 데이터베이스에 저장한다. 도 3에는 데이터 저장 인터페이스에 대한 예시가 나타나 있다. 이후, 사출 불량 예측 솔루션 제공 장치는 데이터 전처리를 수행하여 데이터베이스에 저장된 로데이터를 가공하고, 가공데이터를 데이터베이스에 저장한다. 이후, 가공된 데이터를 학습데이터로 이용하여 사출 불량 예측 모델을 학습시킨다. 실시예에서는 통해 사출 불량 예측 모델을 구현하여, 사출 불량 예측 모델이 공정데이터 분석을 통해 사출 불량 가능성과 사출 불량 시점을 예측할 수 있도록 한다. 이후, 사출 불량 예측 솔루션 제공 장치는 모델을 통해 획득한 예측 정보를 제공하고, 예측 결과를 데이터베이스에 저장한다. 또한, 데이터 시각화 정보를 제공한다.

또한, 실시예에서는 실시간으로 수집된 데이터를 사용자가 판단하기 쉬운 형태로 제공한다. 아울러, 기간 조회를 통한 이력 추적 기능 제공하고, 사출제품의 불량 예측 및 원인 인자를 파단 가능한 품질 예측 솔루션 구축한다. 또한, 실시예에 따른 사출 불량 예측 모델은 현재 생산된 제품의 실시간 데이터를 분석하여 양품 또는 불량 정보 제공하고, 사출 불량 예측 모델은 불량 제품일 경우 불량 원인에 가장 많이 기여한 원인 인자에 대한 정보를 제공한다.

또한, 실시예에서는 사출 불량 예측 모델에 의한 불량 예측 결과에 대한 대응 솔루션을 도출하고, 도출된 대응 솔루션을 미리 수행하여 사출물의 품질을 유지할 수 있도록 한다. 또한, 실시예에서 사출 불량 예측 모델은 불량 예측 분석 결과에 따라 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출할 수 있다. 또한, 실시예에서는 학습된 모델을 사용하여 전체 데이터셋에 대한 복원 오차를 계산하고, 학습과정과 모델의 복원오차를 시각화 한다.

도 4는 실시예에 따른 사출 불량 예측 솔루션 제공 장치의 블록도를 나타낸 도면이다.

실시예에서 사출 불량 예측 솔루션 제공 장치(100)는 컴퓨터 네트워크에서 다른 컴퓨터나 장치들에게 서비스를 제공하거나 데이터를 저장하고 관리하는 컴퓨팅 시스템이다. 또한, 사출 불량 예측 솔루션 제공 장치(100)는 서버로 구성될 수 있다. 사출 불량 예측 솔루션 제공 장치(100)는 클라이언트(Client)라 불리는 다른 컴퓨터나 장치들로부터 요청을 받아들이고, 해당 요청에 대한 응답이나 데이터를 제공한다. 도 2에 도시된 사출 불량 예측 솔루션 제공 장치(100) 구성은 간략화하여 나타낸 예시일 뿐이다.

통신모듈(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 통신모듈(110)는 공지의 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 일례로, 통신모듈(110)는 본 개시의 일 실시예에 따른 기법을 수행하는데 필요한 데이터에 대한 송수신을 담당할 수 있다.

메모리(120)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예: SD 또는 XD 메모리 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리(120)는 도 1에 도시되어 있는 데이터베이스를 구성할 수도 있다.

메모리(120)는 프로세서(130)에 의해 실행될 수 있는 적어도 하나의 명령어를 저장할 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 서버(200)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예컨대, 메모리(120)는 후술하겠지만 사용자에 따른 RM 데이터 및 RM 프로토콜을 저장한다. 또한, 메모리(120)는 다양한 종류의 모듈, 명령어 세트 내지 모델을 저장한다.

프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨터 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.

이러한 프로세서(130)는 머신러닝이나 딥러닝 방식으로 설계된 신경망 내지 모델을 학습시킬 수 있다. 이를 위해, 프로세서(130)는 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 또한, 프로세서(130)는 인공 신경망 방식으로 구현된 모델을 이용해서, 소정의 목적 하에 추론(inference)을 수행할 수도 있다.

도 5는 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면이다.

도 5를 참조하면, 실시예에 따른 명령어 세트는 수집부(121), 전처리부(122), 학습부(123) 및 모델 피드백부(124)를 포함하여 구성될 수 있다. 본 명세서에서 사용되는 ‘부’ 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.

수집부(121)는 사출 불량 예측 및 예측된 사출 불량에 대한 대응 솔루션 생성에 필요한 일련의 데이터 및 모델의 학습 데이터를 수집한다. 예컨대, 수집부(121)는 사출 공정에서 생성된 데이터를 수집한다. 사출 공정에서 수집된 데이터는 사출 공정의 다양한 변수들을 포함할 수 있다. 변수는 사출 속도, 압력, 온도, 금형 디자인, 사출물의 완성도, 원자재의 특성, 기계적 특성 등이 포함하고 이에 한정하지 않는다. 또한, 실시예에서 수집부(121)는 불량 발생 여부와 불량의 종류에 대한 데이터도 수집한다.

또한, 실시예에서 수집부(121)는 OPCUA (Open Platform Communications Unified Architecture)프로토콜 데이터를 수집할 수 있다. OPCUA는 산업 자동화 및 제어 시스템에서의 데이터 통신을 위한 표준 프로토콜이다. OPCUA프로토콜은 기존의 OPC (OLE for Process Control) 표준을 대체하고 개선한 것으로, 강력한 보안 기능과 안정성과 신뢰성을 높은 통신을 제공한다. 실시예에서 수집부(121)는 인공지능 학습 및 현장적용 대상 공정 수집데이터를 학습 데이터로 수집한다. 수집부(121)는 변수명칭, 변수의 척도, 단위 및 변수설명을 모두 수집하고 이를 모델 학습에 이용할 수 있다. 도 6는 실시예에 따른 학습 데이터를 나타낸 도면이다. 실시예에서 수집부(121)는 OPCUA (Open Platform Communications Unified Architecture)프로토콜 데이터를 수집할 수 있다. 예컨대, 수집부(121)는 OPCUA 프로토콜에서 수집한 실시간 데이터를 학습데이터로 수집할 수 있다. OPCUA는 산업 자동화 및 제어 시스템에서의 데이터 통신을 위한 표준 프로토콜이다.

실시예에서 수집부(121)는 도 6에 도시된 인공지능 학습 및 현장적용 대상 공정 수집데이터를 학습 데이터로 수집한다. 수집부(121)는 변수명칭, 변수의 척도, 단위 및 변수설명을 모두 수집하고 이를 모델 학습에 이용할 수 있다. 도 7은 실시예에 따른 모델의 학습 데이터를 수집예를 나타낸 도면이다. 도 7을 참조하면, 실시예에서는 설정된 인터페이스를 통해 관리자로부터 모델의 학습 데이터를 획득할 수 있다. 도 6에도시된 바와 같이, 실시예에서는 관리자로부터 모델명, 클래스명, 특정 양식의 데이터 셋을 입력받고 이를 학습 데이터로 이용할 수 있다.

전처리부(122)는 수집된 인공지능 학습 데이터 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습데이터를 전처리한다. 실시예에서 전처리부(122)는 수집된 트레이닝 데이터 셋을 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(122)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(122)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.

학습부(123)는 딥러닝 뉴럴 네트워크를 수집된 학습 데이터로 학습시켜 딥러닝 모델인 사출 불량 예측 모델을 구현한다. 메모리의 학습부(123)에는 사출 불량 예측 모델이 저장될 수 있다. 각각의 모듈 내지 모델은 프로세서(130)에 의해 실행 가능한 어플리케이션의 형태일 수 있다.

또한, 학습부(123)는 데이터의 특성과 문제의 복잡성에 따라 적합한 모델을 선택한다. 실시예에서 학습부(123)는 사출 불량 모델링에 다양한 머신러닝 알고리즘을 이용한다. 예컨대, 학습부(124)는 이상치 탐지 문제의 경우, 이상치 감지 모델을 선택하고, 다중 분류 문제인 경우, 분류 모델을 선택하여 학습시킨다. 실시예에서 이상치 감지 모델은 Isolation Forest, One-Class SVM 및 DBSCAN 등을 포함하고, 분류 모델은 로지스틱 회귀, 결정 트리, 랜덤 포레스트 및 신경망 등을 포함할 수 있다. 실시예에서 학습부(124)는 모델의 입력 데이터로 실시간 수집 데이터를 이용하고, 모델의 정답 데이터로는 데이터 각각에 대한 이상 판정 결과를 이용할 수 있다.

실시예에서 학습부(123)는 전처리된 학습 데이터 중 주요데이터를 선별하여 주요데이터를 반복학습 시킬 수 있다. 실시예에서 주요데이터는 사출 불량을 일으킨 이상 데이터를 포함한다. 실시예에서 학습부(123)는 사출 불량 예측 솔루션 제공 장치는 주요데이터를 증강하여, 증강된 주요 데이터를 학습시킴으로써, 주요데이터의 학습 비중을 상향 조정하여, 주요 데이터의 학습 가중치를 향상시킬 수 있다.

실시예에서 학습부(123)는 불균형한 학습 데이터 셋이나 중요한 정보를 더 잘 학습하기 위해 주요 데이터를 추출하여 증강 후 모델을 학습시킬 수 있다. 학습부(123)는 모델의 예측 성능에 큰 영향을 미치는 주요 데이터와 특징을 식별한다. 예컨대, 학습부(123)는

학습 데이터의 데이터 탐색(EDA)과 기초 통계 분석을 수행하여, 사출 불량과 밀접한 관련이 있는 주요 데이터(예컨대, 온도, 압력 등)를 식별한다. 이후, 주요 데이터를 증강한다. 이를 통해 주요 데이터의 다양성과 양을 증가시켜, 모델이 더욱 복잡한 패턴을 학습할 수 있도록 한다. 실시예에서 학습부(123)는 노이즈 추가, 데이터 스케일링 변형 등의 데이터 증강 방법을 주요 데이터에 적용하여 주요 데이터를 늘릴 수 있다. 아울러, SMOTE(Synthetic Minority Over-sampling Technique) 같은 오버 샘플링 기법을 사용하여 소수 클래스 데이터를 합성하고, 주요 데이터를 증강할 수 있다. 이후, 학습부(123)는 증강된 주요 데이터에 학습 가중치 부여하여 학습 비중을 조정한다. 실시예에서는 증강된 주요 데이터의 학습에 더 큰 가중치를 부여하여, 모델이 이를 중점적으로 학습하게 한다. 이후, 학습부(123)는 가중치가 조정된 주요 데이터를 사용하여 모델을 학습시킨다.

또한, 실시예에서 학습부(123)는 누적된 학습 데이터 분석을 통해 사출 불량 종류와 각각의 사출 불량에 영향을 미친 변수들의 상관관계를 도출하고, 사출 불량의 정도에 따른 범위를 구분하고, 해당 사출 불량 정도의 원인인 변수의 학습 비중을 다르게 설정할 수 있다. 예컨대, 학습부(123)는 사출 불량의 종류가 쇼트 샷 (Short Shot)인 경우, 쇼트 샷의 원인 변수를 쿠션량 및 사출위치로 설정한다. 이후, 쇼트 샷의 정도에 따라 이상 정도가 일정 수준을 초과하는 제1범위 및 이상정도가 일정 수준 미만인 제2범위로 구분한다. 이후, 제1범위에 포함된 쇼트 샷의 원인 변수의 학습 비중을 제2범위에 포함된 쇼트 샷의 원인 변수 보다 높게 설정할 수 있다.

또한, 학습부(123)는 플래시(Flash), 완전 밀봉 불량 (Incomplete Sealing), 뭉침 (Clumping), 외관 불량(Surface Defects), 축소(Shrinkage), 사출물 완전성 결함(Weld Line)을 포함하는 사출 불량 각각의 불량 정도에 따른 범위를 구분하고, 일정 수준 이상의 불량 정도를 나타낸 범위의 원인 변수를 도출하여, 도출된 원인 변수에 대한 학습 비중을 높일 수 있다.

또한 학습부(123)는 전처리된 학습 데이터와 실시간 데이터의 복원오차를 산출하여 모델의 피드백 데이터로 이용하여 모델을 재학습 시킬 수 있다. 이를 위해, 학습부(123)는 먼저, 전처리된 학습 데이터를 사용하여 초기 모델을 학습시킨다. 이 모델은 초기 상태에서 실시간 데이터에 대해 예측을 수행한다. 이후, 학습부(123)는 실시간 데이터를 모델에 입력하여 예측값을 획득한다. 이때, 학습부(123)는 모델이 생성한 예측값과 실제 값 간의 복원 오차를 계산한다. 실시예에서 복원 오차는 모델의 성능을 평가하고 모델이 얼마나 정확하게 작동하는지를 나타내는 지표로서, 실시예에서 학습부(123)는 복원 오차를 사용하여 모델의 피드백 데이터를 생성한다. 예컨대, 학습부(123)는 입력 데이터와 예측값, 실제 값 및 복원 오차를 동일한 행에 포함시켜 피드백 데이터를 생성할 수 있다. 실시예에서 학습부(123)는 생성된 피드백 데이터를 사용하여 모델을 재 학습시킨다. 실시예에서는 피드백 데이터를 이용하여 모델의 가중치를 조정하고 예측 성능을 향상할 수 있다.

도 8은 실시예에 따른 모델의 학습 과정과 모델의 복원 오차를 시각화한 도면이다.

실시예에서 복원 오차(Reconstruction error)는 이상 탐지를 위해 이용되는, 이상 탐지를 위한 재구성 오차를 의미한다. 복원오차는 오토 인코더와 같은 머신 러닝 모델에서 사용되며, 특히 이상 탐지(anomaly detection) 작업에 적용된다. 오토 인코더는 입력 데이터를 저차원의 특징으로 압축(인코딩)한 다음, 이를 다시 원래 차원으로 복원(디코딩)하는 신경망 구조이다. 실시예에서 재구성 오차는 원본 데이터와 오토 인코더에 의해 복원된 데이터 사이의 차이를 의미하고, 이는 일반적으로 평균 제곱 오차(Mean Squared Error, MSE) 또는 다른 유사도 측정 방법으로 계산될 수 있다. 재구성 오차가 낮으면, 모델이 데이터를 잘 복원하고 있다는 것을 의미한다.

또한, 학습부(123)는 복원 오차를 통해 이상 탐지를 위해 사용되는 정상데이터와 비정상 데이터를 구분할 수 있다. 이상 탐지는 학습 데이터에서 비정상적이거나 예외적인 패턴을 식별하는 과정이다. 실시예에서는 오토 인코더를 이상 탐지에 사용하는 경우 학습부(123)는, 정상 데이터에 대해 훈련을 진행한다. 정상 데이터는 잘 복원되므로 재구성 오차가 낮고, 반면, 이상 데이터는 오토 인코더가 훈련되지 않았기 때문에 잘 복원되지 않으므로, 재구성 오차가 높아진다. 이에 따라 학습부(123)는 재구성 오차의 기준치를 설정하여 설정된 기준치를 기반으로 정상데이터와 비정상 데이터를 구분한다.

실시예에서 사출 불량 예측 모델은 모델로 입력된 사출 공정 데이터의 분석 결과에 따라 사출물의 불량 가능성과 불량 발생 시점을 포함하는 불량 예측 결과를 생성하는 인공신경망 모델이다. 예컨대, 사출 불량 예측 모델은 패턴인식 및 학습, 특성 중요도 분석, 시계열 분석, 이상치 탐지 및 예측 모델링을 통해 사출 불량 가능성과 발생 시점을 예측할 수 있다.

실시예에서 사출 불량 예측 모델은 과거 사출 공정 데이터를 학습하여 불량품 발생에 기여하는 패턴을 인식한다. 예컨대, 모델은 특정 온도, 압력 레벨 또는 재료의 특성 조합이 불량품 발생과 관련이 있는 경우, 모델은 이러한 패턴을 학습하여 미래의 공정 데이터에서 이를 감지한다.

또한, 사출 불량 예측 모델은 공정 변수들 중 어떤 변수가 불량 가능성에 가장 큰 영향을 미치는지를 파악한다. 예를 들어, 머신러닝 모델인 랜덤 포레스트는 각 특성의 중요도를 제공할 수 있으며, 이를 통해 불량 발생에 중요한 역할을 하는 공정 조건을 식별할 수 있다.

또한, 사출 불량 예측 모델은 시계열 분석을 통해 사출 불량 가능성 및 시점을 예측할 수 있다. 사출 공정은 시간에 따라 변화하는 공정 조건을 포함하며, 불량품 발생 시점 예측을 위해 시계열 분석이 활용될 수 있다. 예를 들어, LSTM과 같은 순환 신경망(RNN)은 시간에 따른 데이터의 패턴을 학습하는 데 특화되어 있어, 불량 발생 시점을 예측하는 데 유용하다.

또한, 모델은 정상적인 공정 데이터와 비교하여 이상치 또는 비정상적인 패턴을 탐지함으로써 불량 가능성을 식별할 수 있다.

아울러, 불량 가능성과 시점을 정확히 예측하기 위해, 모델은 다양한 예측 기법을 사용하여 미래의 공정 조건에서 불량품 발생 여부와 그 시점을 예측한다. 이를 위해 분류 모델은 불량 여부를 예측하고, 회귀 모델이나 시계열 예측 모델은 불량 발생 시점을 예측할 수 있다. 실시예에서 사출 불량 예측 모델은 입력된 공정 데이터에 기반하여 불량 가능성과 시점에 대한 결정을 내린다. 예를 들어, 모델이 특정 공정 조건에서 불량품이 발생할 확률을 90%로 예측한다면, 해당 공정 조건에서는 불량품 발생 가능성이 높다고 판단할 수 있다. 또한, 시계열 분석을 통해 특정 조건이 지속될 경우 불량 발생 시점도 예측할 수 있다.

또한, 실시예에서 사출 불량 예측 모델은 불량 예측 결과의 해결을 위한 대응 솔루션을 도출한다. 실시예에서 대응 솔루션은 사출 불량 가능성을 줄이기 위한 대응 프로세스 정보로서, 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도 등이 포함될 수 있다.

이를 위해, 사출 불량 예측 모델은 먼저 불량 원인 식별한다. 실시예에서 사출 불량 예측 모델은 모델이 예측한 불량 가능성이 높은 사례들을 분석하여, 불량 발생의 주요 원인을 식별한다. 이때, 모델은 특성 중요도 분석, 패턴 인식 등의 방법을 활용할 수 있다.

이후, 사출 불량 예측 모델은 조정 권장 사항을 도출한다. 실시예에서는 불량 원인과 관련된 공정 파라미터(예: 온도, 압력, 사이클 시간 등)에 대한 조정 권장 사항을 도출한다. 이는 불량을 최소화할 수 있는 최적의 공정 조건을 찾는 과정이다.

이후, 사출 불량 예측 모델은 파라미터 변경 후 시뮬레이션을 수행한다. 실시예에서 모델은 제안된 공정 조정 사항을 바탕으로 시뮬레이션을 수행하여, 변경이 불량률에 미치는 영향을 예측한다. 이를 통해 실제 공정 변경 전에 예상 결과를 평가할 수 있다. 이후, 제안된 공정 변경 사항을 소규모에서 테스트하여 그 효과를 검증하고, 새로운 조건 하에서의 생산 효율성과 품질을 평가한다. 이후 평가 결과에 따라 대응 솔루션을 도출한다.

또한, 실시예에서 사출 불량 예측 모델은 모델의 입력 데이터 중 이상데이터를 추출하고, 추출된 이상데이터와 연관된 변수를 추출한다. 이후, 추출된 변수의 조정 범위를 산출하고, 산출된 조정 범위를 기반으로 대응 솔루션을 도출한다. 실시예에서 이상데이터와 연관된 변수는 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도 중 적어도 하나를 포함할 수 있다.

또한, 실시예에서 사출 불량 예측 모델은 예측된 불량 발생 시점이 빠른 순서대로 사출물에 대한 대응 솔루션을 도출한다. 예컨대, 사출 불량 예측 모델은 예측된 불량 시점이 1주일 이내인 불량 이벤트에 대한 대응 솔루션을 예측된 불량 시점이 3주 이내인 불량 이벤트에 대한 대응 솔루션 보다 먼저 생성한다.

또한, 실시예에서 사출 불량 예측 모델은 불량 예측 결과에 포함된 불량 가능성과 불량 발생 시점을 이용하여 대응 긴급도를 산출하고, 산출된 대응 긴급도가 큰 순서대로 불량 예측 결과에 대한 대응 솔루션을 도출한다. 이를 위해, 사출 불량 예측 모델은 불량 가능성과 발생 시점을 이용하여 긴급도를 산출한다. 긴급도는 불량 가능성이 높고 발생 시점이 임박한 경우 더 높게 설정된다. 실시예에서는 불량 가능성과 발생 시점에 다른 가중치를 적용할 수 있으며, 이는 제품의 중요도, 공정의 복잡도, 수정 가능한 시간 범위 등에 기반하여 조정될 수 있다. 예컨대, 제품의 중요도가 일정 수준 이상이고 현재 시점에서 불량 시점 사이의 시간이 일정 수준 미만인 경우, 불량 시점의 가중치를 50퍼센트 이상으로 설정한다. 이후, 실시예에서는 산출된 긴급도에 따라 대응 솔루션 우선순위 결정한다. 실시예에서는 산출된 긴급도에 따라 각 불량 예측 결과에 대한 우선순위를 설정한다. 긴급도가 높은 문제에 대해서는 더 빠른 조치를 수행할 수 있도록 한다. 이후, 예측 결과를 긴급도가 높은 순서로 정렬한다. 이후, 정렬된 각 불량 예측 결과에 대한 대응 솔루션을 탐색한다. 이는 공정 조건의 조정, 설비의 보정, 원재료의 교체 등이 될 수 있다. 긴급도가 높은 문제에 대해서는 실시간 대응 계획을 수립한다. 이는 생산 라인의 중단을 최소화하고 불량률을 감소시키기 위해 즉시 실행될 수 있는 조치들을 포함한다.

또한, 실시예에서 사출 불량 예측 모델은 불량 예측 결과에 따라 우선 처리 그룹을 생성하고 생성된 우선 처리 그룹에 포함된 불량 예측 결과를 우선 대응할 수 있다. 실시예에서 사출 불량 예측 모델은 현재 시점과 불량 발생 시점 사이의 시간차가 기준값 미만인 불량 예측 결과를 1차 추출하고 1차 추출된 불량 예측 결과 중 불량 가능성이 일정 수준 이상인 불량 예측 결과를 2차 추출한다. 예컨대, 사출 불량 예측 모델은 현재 시점에서 불량 발생 시점 사이의 시간차가 24시간 미만인 불량 예측 결과를 1차 추출하고, 이 중 불량 가능성이 50퍼센트 이상인 불량 예측 결과를 2차 추출하여, 2차 추출된 불량 예측 결과로 우선 처리 그룹을 생성할 수 있다. 이후, 사출 불량 예측 모델은 생성된 우선 처리 그룹에 포함된 불량 예측 결과 각각의 현재 시점과 불량 발생 시점 사이의 시간차 및 불량 가능성을 이용하여 대응 지표 값이 높은 순서대로, 대응 순위를 산출한다.

실시예에서 대응 지표는 수학식 1에 따라 산출될 수 있다.

수학식 1

대응지표=불량 가능성(P)/현재 시점과 불량 발생 시점 사이의 시간차(T)

실시예에서는 대응 지표를 불량가능성과 현재 시점과 불량 발생 시점 사이의 시간차의 역수의 곱으로 산출하여, 불량가능성이 높고, 시간차가 적은 불량 예측 결과가 높은 대응 지표를 갖게 함으로써, 처리 우선순위를 보다 정확하게 산출할 수 있다. 이후, 사출 불량 예측 모델은 대응 지표의 순위가 높은 순서대로 대응 솔루션을 적용한다.

실시예에서 사출 불량 예측 모델은 우선 처리 그룹은 미리 설정된 기준값을 주기로 다시 생성한다. 예컨대, 사출 불량 예측 모델은 현재 시점과 불량 발생 시점 사이의 시간차의 기준값이 24시간인 경우, 24시간을 주기로 우선 처리 그룹을 생성한다. 이후, 사출 불량 예측 모델은 생성된 우선 처리 그룹에 일정 횟수 이상 포함되는 불량 예측 결과는 긴급 보고용 불량 예측 결과로 추출하여, 관리자 단말로 전송한다. 예컨대, 사출 불량 예측 모델은 특정 불량 예측 결과가 이전에 생성된 우선 처리 그룹과 이후에 생성된 우선 처리 그룹에 연속적으로 포함되는 경우, 해당 불량 예측 결과를 긴급 보고용 불량 예측 결과로 추출하여 관리자 단말로 전송할 수 있다.

또한, 사출 불량 예측 모델은 대응 솔루션의 적용에 필요한 시간을 산출하고, 산출된 시간에 따라 대응 솔루션을 적용한다. 이를 위해, 사출 불량 예측 모델은 대응 솔루션을 솔루션 분석하여 각 대응 솔루션에 필요한 조치들을 상세히 파악한다. 실시예에서 대응 솔루션에는 장비 조정, 소프트웨어 업데이트, 재료 변경 등이 포함될 수 있다. 이후, 사출 불량 예측 모델은 각 조치에 필요한 시간을 추정한다. 실시예에서 추정과정은 과거 데이터, 전문가의 경험, 또는 실험적 테스트를 바탕으로 수행될 수 있다. 이후, 사출 불량 예측 모델은 모든 조치들을 완료하는 데 필요한 총 시간을 계산한다. 이는 순차적으로 수행해야 하는 작업들과 동시에 수행할 수 있는 작업들을 구분하여 계산한다. 이후, 계산 결과에 따라 대응 솔루션 우선순위 조정한다. 예컨대, 사출 불량 예측 모델은 대응 긴급도와 솔루션 적용에 필요한 시간을 종합적으로 고려하여 솔루션의 우선순위를 조정한다. 긴급도가 높지만 적용 시간이 긴 조치는 다른 긴급하지 않지만 신속하게 적용할 수 있는 조치와 균형을 맞추어 조정할 수 있다. 이후, 적용 시간이 긴 솔루션에 필요한 리소스(인력, 장비, 자재 등)를 미리 할당하여 대응 솔루션이 신속하게 진행될 수 있도록 한다. 이후, 모델은 솔루션 적용에 필요한 시간과 긴급도를 기반으로 각 솔루션의 실행 순서를 결정하고, 각 솔루션을 실행할 구체적인 계획을 수립한다. 이 계획에는 시작 시간, 담당자, 필요 장비 및 자재, 솔루션 적용에 따른 생산 일정 조정 등이 포함된다.

다시 도 5를 참조하면, 모델 피드백부(124)는 학습된 인공신경망 모델 및 딥러닝 모델을 평가한다. 실시예에서 모델 피드백부(124)는 정확도(Accuracy), 정밀도 (Precision) 및 재현율 (Recall) 중 적어도 하나를 통해, 인공신경망 모델을 평가할 수 있다. 정확도는 인공 신경망 모델이 예측한 결과가 실제 결과와 얼마나 일치하는지를 측정하는 지표이다. 정밀도는 양성으로 예측한 결과 중 실제 양성인 비율을 측정하는 지표이다. 재현율은 실제 양성 중에서 모델이 양성으로 예측한 비율을 측정하는 지표이다. 실시예에서 모델 피드백부(124)는 인공신경망 모델의 정확도, 정밀도 및 재현율을 산출하고, 산출된 지표 중 적어도 하나를 기반으로 인공신경망 모델을 평가할 수 있다.

실시예에서 모델 피드백부(124)는 인공신경망 모델의 정확도를 평가 데이터셋을 사용하여 측정할 수 있다. 평가 데이터셋은 모델이 학습에 사용하지 않은 데이터로 구성되어 있으며, 모델의 성능을 객관적으로 평가하는 데 사용된다. 실시예에서 모델 피드백부(124)는 평가 데이터셋을 사용하여 인공신경망 모델을 실행하고, 각 입력 데이터에 대한 인공신경망 모델의 예측 값과 해당 데이터의 실제 정답 값을 비교한다. 이후, 비교 결과를 통해, 모델이 얼마나 정확하게 예측하는지를 측정할 수 있다. 예컨대, 모델 피드백부(124)에서 정확도는 전체 데이터 중에서 모델이 맞게 예측한 데이터의 비율로 계산될 수 있다.

또한, 모델 피드백부(124)는 정밀도와 재현율의 조화 평균으로 계산되는 지표인 정밀도와 재현율의 균형을 나타내는 지표인 F1 스코어(F1 Score)를 산출하고, 산출된 F1 스코어를 기반으로 인공신경망 모델을 평가하고, 분류 모델의 성능을 그래프로 시각화한 지표인 AUC-ROC 곡선을 생성하고, 생성된 AUC-ROC 곡선을 기반으로 인공신경망 모델을 평가할 수 있다. 실시예에서 모델 피드백부(124)는 ROC 곡선 아래 면적 (AUC)이 1에 가까울수록 모델의 성능이 좋은 것으로 평가할 수 있다.

또한, 모델 피드백부(124)는 인공신경망 모델의 해석 가능성을 평가할 수 있다. 실시예에서 모델 피드백부(124)는 SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) 방법을 통해, 인공신경망 모델의 해석 가능성을 평가한다. SHAP (SHapley Additive exPlanations)는 모델이 예측한 결과에 대한 해석을 제공하는 라이브러리로서, 모델 피드백부(124)는 라이브러리에서 SHAP 값을 추출한다. 실시예에서 모델 피드백부(124)는 SHAP값 추출을 통해, 모델에 입력된 특성정보가 모델 예측에 얼마나 영향을 미쳤는지를 예측할 수 있다.

LIME (Local Interpretable Model-agnostic Explanations) 방법은 개별 샘플에 대한 모델의 예측을 설명하는 방법이다. 실시예에서 모델 피드백부(124)는 LIME 방법을 통해, 샘플을 해석 가능한 모델로 근사하여 각 특성정보의 중요도를 계산한다. 또한, 모델 피드백부(124)는 모델의 내부 가중치와 편향 값을 분석하여 각 특성 변수의 영향력을 추정할 수 있다.

모델 피드백부(124)는 인공신경망 모델의 공정성이 낮거나 차별성을 보이는 경우, 개선 작업을 수행한다. 실시예에서 모델 피드백부(124)는 특정 집단의 데이터가 일정수준 이상 부족한 경우 상기 특정 집단을 대표하는 데이터를 추가로 수집하고, 데이터 전처리 과정을 수행한다. 실시예에서 모델 피드백부(124)는 데이터 정규화, 이상치 제거, 데이터의 배율 조정을 포함하는 데이터 전처리 과정을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지한다. 또한, 실시예에서 모델 피드백부(124)는 모델 학습 알고리즘에 특정 조건을 추가하여 차별성을 방지하거나, 공정성을 보장할 수 있다.

실시예에서 모델 피드백부(124)는 공정성 보장을 위해, 혼돈행렬(Confusion Matrix) 분석을 통해, 모델의 예측 결과를 실제 결과와 비교하여 모델의 성능을 평가한다. 혼돈 행렬(confusion matrix)은 지도 학습에서 모델의 분류 성능을 평가하는 행렬이다. 혼돈 행렬은 모델이 예측한 결과와 실제 결과를 비교하여 분류 결과를 표시한다. 실시예에서 모델 피드백부(124)는 혼돈행렬 분석을 통해, 각각의 클래스에 대한 정확도와 오분류율을 계산하여 모델의 성능을 평가할 수 있다.

또한, 실시예에서 모델 피드백부(124)는 학습데이터에 대한 시각화 분석을 통해 데이터의 분포를 확인할 수 있도록 한다. 예를 들어, 이미지 데이터의 경우 각 클래스에 대한 이미지 샘플을 시각화 하여 데이터의 다양성과 공정성을 평가할 수 있다.

또한, 모델 피드백부(124)는 공정성(Fairness) 검증 및 평가 지표 계산을 통해, 학습데이터의 공정성과 다양항을 검증하고 인공신경망 모델을 개선할 수 있도록 한다. 실시예에서 공정성 검증은 학습정보에 대해 인공신경망 모델이 데이터의 특정속성에 대해 차별성을 보이는지 여부를 확인하는 것이다. 실시예에서 모델 피드백부(124)는 각 속성에 대한 샘플의 수를 비교하거나, 각 속성에 대한 분류 성능을 평가하여, 특정 속성에 대한 차별성 여부를 확인할 수 있다.

또한, 모델 피드백부(124)는 인공신경망 모델의 성능을 평가하기 위한 다양한 지표를 계산한다. 예를 들어, 정확도, 정밀도, 재현율, F1-score 등의 지표를 계산하여 모델의 성능을 평가할 수 있다. 이때, 각 클래스에 대한 지표를 계산하여 모델의 공정성과 다양성을 평가할 수 있다.

또한, 모델 피드백부(124)는 인공신경망 모델이 실제 환경에서 사용되면서 발생하는 문제점에 대한 피드백을 수집하고, 수집된 피드백을 인공신경망 모델에 반영하여 인공신경망 모델을 지속적으로 개선한다.

도 9는 실시예에 따라 관리자 단말에서 출력되는 사출 공정 실시간 데이터 뷰어를 나타낸 도면이다.

도 9를 참조하면, 실시예에서는 관리자 단말에서 출력되는 인터페이스를 통해 사출 공정 실시간 데이터를 출력할 수 있다. 사출 공정 실시간 데이터에는 양품 및 불량 여부 판단 결과, 사출시간, 충진시간, 계량시간, 공정 시간, 호퍼 온도, 쿠션위치, 보압 절환 위치, 계량 완료위치 등이 포함될 수 있다.

도 10은 실시예에서 제공하는 주요 항목의 차트 데이터를 나타낸 도면이다. 도 10을 참조하면, 실시예에서 계량시간, 쿠션 위치, 사출 최대 압력 등의 주요 항목의 차트 데이터를 상한값과 하한값을 포함하는 그래프로 변환하여 출력할 수 있다.

도 11은 실시예에서 제공하는 사출 공정 데이터를 기간에 따라 조회하는 기능을 설명하기 위한 도면이다. 도 11을 참조하면, 실시예에서는 데이터베이스에 저장된 사출 공정 데이터 중 일정 기간에 해당하는 데이터만을 조회하려는 경우, 기간 정보를 입력하면 기간 정보에 대응하는 데이터가 필터링 되고 관리자 단말에 표시된다.

도 12는 실시예에 따른 대응 솔루션의 출력 인터페이스를 나타낸 도면이다. 도 12를 참조하면, 실시예에서 대응 솔루션은 양품 또는 불량 판단 결과와 사출물의 이미지, 품번, 품명을 함께 출력할 수 있다. 또한, 대응 솔루션에 포함되는 히터온도, 계량위치, 쿠션량, 사출위치, 사출속도 및 사출 시간에 해당하는 요소에 따른 그래프 등의 시각자료를 생성하여 함께 출력할 수 있다.

이하, 도 13에 대해 살펴보도록 한다. 도 13에 도시되어 있는 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법은 프로세서(130)를 포함하는 사출 불량 예측 솔루션 제공 장치(100)에 의해 수행될 수 있다. 한편, 도 13은 예시적인 것에 불과한 바, 본 발명의 사상이 도 13에 도시된 것으로 한정 해석되는 것은 아니다. 예컨대, 도 13에 도시된 것과는 상이한 순서로 각 단계가 구성될 수 있고, 도 13에 도시된 단계 중 적어도 하나가 수행되지 않을 수 있으며, 또는 도 13에 도시되지 않은 하나 이상의 단계가 추가적으로 수행될 수도 있다.

이하에서는 사출 불량 예측 솔루션 제공 방법에 대해서 차례로 설명한다. 실시예에 따른 사출 불량 예측 솔루션 제공 방법의 작용(기능)은 사출 불량 예측 솔루션 제공 장치의 기능과 본질적으로 같은 것이므로 도 1 내지 도 12와 중복되는 설명은 생략하도록 한다.

도 13은 실시예에 따른 사출 불량 예측 솔루션 제공 과정을 나타낸 도면이다.

도 13을 참조하면, S100 단계에서는 학습데이터를 수집하여 사출 불량 예측 모델을 학습시킨다. 이후, S200 단계에서는 사출불량 예측 모델에서 입력데이터를 획득하고, 입력데이터에 대한 사출 불량을 예측한다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 사출 공정 데이터를 통해 기계 별로 수명을 예측할 수 있고, 수명을 기초로 기계에 교체가 필요한 날짜인 교체 예정 날짜를 확인하여, 교체 예정 날짜에 기계가 교체되도록 사출 설비를 관리하는 관리자에게 교체 알림을 제공할 수도 있다.

도 14는 실시예에 따른 사출 공정을 수행하는 기계의 교체 주기를 판단하여 관리자에게 교체 알람을 제공하는 과정을 나타낸 도면이다.

도 14를 참조하면, 먼저, S1401 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계에 대한 날짜 별 불량률을 획득할 수 있다. 여기서, 제1 기계는 사출 설비(300)에 포함된 기계(또는 장치)로, 플라스틱 제품을 제조하는데 사용되는 기계일 수 있으며, 사출 성형 기계, 금형 기계일 수 있고, 그 외의 사출 기계일 수 있다.

이를 위해, 사출 불량 예측 솔루션 제공 장치(100)에 포함된 데이터베이스에는 사출 설비(300)에 포함된 기계 별로 사출 공정 데이터가 저장될 수 있으며, 사출 공정 데이터에는 해당 기계가 작동된 날짜 별로 데이터가 저장될 수 있다. 이때, 사출 공정 데이터에는 해당 기계가 작동된 날짜 별로 해당 기계가 작동된 횟수, 해당 기계가 작동된 시간, 해당 기계를 통해 제조된 사출물의 개수, 해당 기계를 통해 제조된 사출물 중 양품과 불량품의 개수, 해당 기계를 통해 제조된 사출물 중 불량품의 개수를 통해 생성된 불량률이 포함될 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 사출 설비(300)에 포함된 제1 기계에 대한 사출 공정 데이터를 획득할 수 있고, 획득한 제1 기계에 대한 사출 공정 데이터를 통해 제1 기계에 대한 날짜 별 불량률을 확인할 수 있다.

S1402 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 불량률이 기준 비율보다 높은 날짜를 제1 기계의 주의 날짜로 선정할 수 있다. 여기서, 기준 비율은 미리 설정된 비율로 실시 예에 따라 달라질 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 제1 기계에 대한 날짜 별 불량률을 획득할 수 있고, 획득한 제1 기계에 대한 날짜 별 불량률을 기초로, 미리 설정된 기준 비율보다 높은 불량률을 갖는 날짜를 제1 기계의 주의 날짜로 선정할 수 있다.

S1403 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 시작 날짜를 획득할 수 있다.

이를 위해, 사출 불량 예측 솔루션 제공 장치(100)에 포함된 데이터베이스에는 사출 설비(300)에 포함된 기계 별로 기계에 대한 정보가 저장될 수 있다. 이때, 기계에 대한 정보에는 기계의 명칭, 기계의 시작 날짜, 기계의 종류, 기계를 통해 사출되는 사출물의 종류 등이 포함될 수 있다. 여기서, 기계의 시작 날짜는 기계가 사출을 처음 시작한 날짜일 수도 있고, 기계의 유지 보수가 완료된 날짜일 수도 있다. 또한, 데이터베이스에 저장된 기계에 대한 정보는 사출 불량 예측 솔루션 제공 장치(100)를 관리하는 관리자에 의해 입력될 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 사출 설비(300)에 포함된 제1 기계에 대한 정보를 획득할 수 있고, 획득한 제1 기계에 대한 정보를 통해 제1 기계의 시작 날짜를 확인할 수 있다.

S1404 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 시작 날짜부터 제1 기계의 주의 날짜까지의 기간을 제1 기계의 수행 기간으로 생성할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계에 대한 정보를 통해 확인된 제1 기계의 시작 날짜, 제1 기계의 사출 공정 데이터를 통해 확인된 불량률이 미리 설정된 기준 비율보다 높은 날짜인 제1 기계의 주의 날짜를 기초로, 제1 기계의 시작 날짜부터 제1 기계의 주의 날짜까지의 기간을 제1 기계의 수행 기간으로 생성할 수 있다.

이때, 수행 기간은 일 단위로 생성될 수 있으며, 예를 들어, 제1 기계의 시작 날짜가 2023년 4월 1일이고, 제1 기계의 주의 날짜가 2024년 4월 1일인 경우, 사출 불량 예측 솔루션 제공 장치(100)는 2023년 4월 1일부터 2024년 4월 1일까지의 기간인 365일을 제1 기계의 수행 기간으로 생성할 수 있다.

한편, 제1 기계의 주의 날짜가 복수 개로 선정된 경우, 사출 불량 예측 솔루션 제공 장치(100)는 복수 개의 제1 기계의 주의 날짜를 기초로, 제1 기계의 최종 주의 날짜를 선정할 수 있고, 제1 기계의 시작 날짜 및 제1 기계의 최종 주의 날짜를 기초로, 제1 기계의 수행 기간을 생성할 수 있다. 이때, 제1 기계의 최종 주의 날짜를 선정하기 위해, 사출 불량 예측 솔루션 제공 장치(100)는 복수 개의 제1 기계의 주의 날짜 간의 중간 날짜를 산출하여, 제1 기계의 최종 주의 날짜로 선정할 수도 있고, 사출 불량 예측 솔루션 제공 장치(100)는 복수 개의 제1 기계의 주의 날짜 중 불량률이 가장 높은 날짜를 확인하여 제1 기계의 최종 주의 날짜를 선정할 수도 있다.

S1405 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 사출 설비에 포함된 기계 중 제1 기계와 동일한 종류를 갖는 기계를 동일 종류 기계로 선정하고, 동일 종류 기계의 수행 기간을 획득할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 사출 설비(300)에 포함된 기계에 대한 정보를 확인할 수 있고, 확인된 기계에 대한 정보를 통해 사출 설비(300)에 포함된 기계 중 제1 기계와 동일한 종류를 갖는 기계를 동일 종류 기계로 확인할 수 있다.

또한, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 사출 설비(300)에 포함된 기계 중 제1 기계와 동일한 종류를 갖는 동일 종류 기계가 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 동일 종류 기계의 시작 날짜를 확인하고, 데이터베이스를 통해 동일 종류 기계의 주의 날짜를 선정하여, 동일 종류 기계의 시작 날짜 및 동일 종류 기계의 주의 날짜를 기반으로, 동일 종류 기계의 수행 기간을 생성할 수 있다.

S1406 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간을 기초로, 평균 값을 산출하여, 평균 기간을 생성할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 확인된 동일 종류 기계의 수행 기간이 생성되면, 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간을 기초로 평균 값을 산출하여, 평균 기간을 생성할 수 있다.

S1407 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는지 여부를 확인할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간의 평균 값을 산출하여 평균 기간이 생성되면, 생성된 평균 기간을 기반으로, 미리 설정된 기준치만큼 범위를 설정하여 기준 범위를 생성할 수 있다. 여기서, 기준치는 미리 설정될 수 있으며, 평균 기간에 비례하여 설정될 수 있다. 예를 들어, 평균 기간이 365일이고, 기준치가 15일로 설정될 경우, 사출 불량 예측 솔루션 제공 장치(100)는 평균 기간인 365일, 기준치인 15일을 기초로, 기준 범위를 358일 ~ 372일로 생성할 수 있다.

또한, 사출 불량 예측 솔루션 제공 장치(100)는 평균 기간을 기반으로 기준 범위가 생성되면, 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는지 여부를 확인할 수 있다.

S1407 단계에서 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함된다고 확인되면, S1408 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 평균 기간을 교체 주기로 설정할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 평균 기간을 기반으로 생성된 기준 범위 내에 포함되는지 여부를 확인한 결과, 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함된다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 사출 기계가 수명이 있어 일정 주기를 기반으로 기계가 고장난다고 판단하여, 평균 기간을 교체 주기로 설정할 수 있다.

S1409 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 교체 주기를 기초로, 제1 기계의 교체 예정 날짜를 생성할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되어 교체 주기가 설정되면, 제1 기계의 시작 날짜 및 교체 주기를 기반으로, 제1 기계의 교체 예정 날짜를 생성할 수 있다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계 뿐만 아니라 동일 종류 기계의 교체 예정 날짜도 생성할 수 있다.

S1410 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 교체 예정 날짜를 기반으로, 관리자 단말로 교체 알림을 제공할 수 있다. 이를 위해, 사출 불량 예측 솔루션 제공 장치(100)는 사출 설비를 관리하는 관리자가 소유하는 관리자 단말과 유무선으로 통신할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 시작 날짜 및 교체 주기를 기반으로 제1 기계의 교체 예정 날짜가 생성되면, 사출 불량 예측 솔루션 제공 장치(100)는 관리자 단말로 제1 기계의 교체 예정 날짜에 제1 기계가 교체되거나, 유지 보수되도록 제1 기계의 교체 알림을 전송할 수 있다. 이때, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 교체 예정 날짜를 기준으로 미리 설정된 기준 날짜 이전에, 관리자 단말로 제1 기계의 교체 알림을 전송하여, 제1 기계가 빠르게 교체 또는 유지 보수되어 원활하게 사출 공정이 진행되도록 할 수도 있다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계 뿐만 아니라 동일 종류 기계의 교체 예정 날짜도 생성할 수 있고, 동일 종류 기계의 교체 예정 날짜를 기반으로 관리자 단말로 동일 종류 기계의 교체 알림을 제공할 수 있다.

한편, S1407 단계에서 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는 것은 아니라고 확인되면, S1411 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 교체 주기를 설정하지 않을 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 평균 기간을 기반으로 생성된 기준 범위 내에 포함되는지 여부를 확인한 결과, 제1 기계의 수행 기간 및 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는 것은 아니라고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 사출 기계가 고장나는 것이 주기와 관계없다고 판단하여, 교체 주기를 설정하지 않을 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 사출 기계가 일정한 주기로 고장나는지 여부를 확인할 수 있고, 사출 기계가 일정한 주기로 고장난다고 확인되면 해당 주기를 사출 기계의 수명으로 판단할 수 있다. 또한, 사출 불량 예측 솔루션 제공 장치(100)는 판단된 사출 기계의 수명을 기반으로, 사출 기계 및 해당 사출 기계와 동일 종류의 사출 기계의 교체 예정 날짜를 생성하여, 교체 예정 날짜에 사출 설비를 관리하는 관리자가 사출 기계를 교체 및 유지 보수할 수 있도록 알림을 제공할 수 있다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 사출 공정 데이터를 통해 기계 별로 작동된 횟수를 확인할 수 있고, 작동된 횟수가 적은 기계를 작동된 횟수가 많은 기계로 리모델링하거나, 처분할 것을 요청하는 메시지를 사출 설비를 관리하는 관리자에게 제공할 수도 있다.

도 15는 실시예에 따른 기계가 작동된 횟수 및 작동 빈도의 증가 여부에 따라 기계를 분류하는 과정을 나타낸 도면이다.

도 15를 참조하면, 먼저, S1501 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 목표 기간 동안 제2 기계가 작동된 횟수를 확인할 수 있다. 여기서, 목표 기간은 현재 시점을 기준으로 미리 설정된 기간일 수 있으며, 실시 예에 따라 달라질 수 있다. 또한, 제2 기계는 사출 설비(300)에 포함된 기계(또는 장치)로, 플라스틱 제품을 제조하는데 사용되는 기계일 수 있으며, 사출 성형 기계, 금형 기계일 수 있고, 그 외의 사출 기계일 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 사출 설비(300)에 포함된 제2 기계에 대한 사출 공정 데이터를 획득할 수 있고, 획득한 제2 기계에 대한 사출 공정 데이터를 통해 제2 기계가 미리 설정된 목표 기간동안 작동된 횟수를 확인할 수 있다.

S1502 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 작동된 횟수가 제1 목표 횟수보다 많은지 여부를 확인할 수 있다. 여기서, 제1 목표 횟수는 미리 설정된 값으로 실시 예에 따라 달라질 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 획득한 제2 기계에 대한 사출 공정 데이터를 기초로, 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제1 목표 횟수보다 많은지 여부를 확인할 수 있다.

S1502 단계에서 작동된 횟수가 제1 목표 횟수보다 많다고 확인되면, S1503 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 고사용 기계로 분류할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 미리 설정된 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제1 목표 횟수보다 많은지 여부를 확인한 결과, 목표 기간 동안 제2 기계가 작동된 횟수가 제1 목표 횟수보다 많다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 고사용 기계로 분류할 수 있다.

S1502 단계에서 작동된 횟수가 제1 목표 횟수보다 많지 않다고 확인되면, S1504 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 작동된 횟수가 제2 목표 횟수보다 적은지 여부를 확인할 수 있다. 여기서, 제2 목표 횟수는 제1 목표 횟수보다 작게 미리 설정된 값으로 실시 예에 따라 달라질 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 미리 설정된 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제1 목표 횟수보다 많은지 여부를 확인한 결과, 목표 기간 동안 제2 기계가 작동된 횟수가 제1 목표 횟수보다 많지 않다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제2 목표 횟수보다 적은지 여부를 확인할 수 있다.

S1504 단계에서 작동된 횟수가 제2 목표 횟수보다 적다고 확인되면, S1505 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 저사용 기계로 분류할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 미리 설정된 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제2 목표 횟수보다 적은지 여부를 확인한 결과, 목표 기간 동안 제2 기계가 작동된 횟수가 제2 목표 횟수보다 적다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 저사용 기계로 분류할 수 있다.

S1504 단계에서 작동된 횟수가 제2 목표 횟수보다 적지 않다고 확인되면, S1506 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 작동 빈도가 증가하는지 여부를 확인할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 미리 설정된 목표 기간 동안 제2 기계가 작동된 횟수가 미리 설정된 제2 목표 횟수보다 적은지 여부를 확인한 결과, 목표 기간 동안 제2 기계가 작동된 횟수가 제2 목표 횟수보다 적지 않다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계에 대한 사출 공정 데이터를 확인하여, 목표 기간 동안 제2 기계의 작동 빈도 즉, 날짜가 지날수록 날짜 별로 작동된 횟수가 증가하는지 여부를 확인할 수 있다.

S1506 단계에서 작동 빈도가 증가한다고 확인되면, S1507 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 고사용 후보 기계로 분류할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 목표 기간 동안 제2 기계가 작동된 횟수가 제2 목표 횟수보다 적지 않고 제1 목표 횟수보다 많지 않다고 확인되면, 제2 기계에 대한 사출 공정 데이터를 확인하여, 제2 기계에 대한 작동 빈도가 증가하는지 여부를 확인할 수 있고, 사출 불량 예측 솔루션 제공 장치(100)는 확인 결과, 미리 설정된 목표 기간 동안 제2 기계의 작동 빈도가 증가한다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 고사용 후보 기계로 분류할 수 있다.

S1506 단계에서 작동 빈도가 증가하지 않는다고 확인되면, S1508 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 정상 사용 기계로 분류할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 목표 기간 동안 제2 기계가 작동된 횟수가 제2 목표 횟수보다 적지 않고 제1 목표 횟수보다 많지 않다고 확인되면, 제2 기계에 대한 사출 공정 데이터를 확인하여, 제2 기계에 대한 작동 빈도가 증가하는지 여부를 확인할 수 있고, 사출 불량 예측 솔루션 제공 장치(100)는 확인 결과, 미리 설정된 목표 기간 동안 제2 기계의 작동 빈도가 증가하지 않는다고 확인되면, 사출 불량 예측 솔루션 제공 장치(100)는 제2 기계를 정상 사용 기계로 분류할 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 목표 기간 동안 제2 기계가 작동된 횟수 및 목표 기간 동안 제2 기계의 작동 빈도의 증가 여부를 기초로, 제2 기계를 고사용 기계, 저사용 기계, 고사용 후보 기계, 정상 사용 기계 중 하나로 분류할 수 있다.

도 16는 실시예에 따른 기계의 부품을 비교하여 저사용 기계를 리모델링할지 처분할지 결정하는 과정을 나타낸 도면이다.

도 16을 참조하면, 먼저, S1601 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 기계 별로 기계에 포함된 부품을 확인할 수 있다.

이를 위해, 사출 불량 예측 솔루션 제공 장치(100)에 포함된 데이터베이스에는 사출 설비(300)에 포함된 기계 별로 해당 기계에 포함된 부품의 정보가 더 매칭되어 저장될 수 있다. 여기서, 부품의 정보에는 부품의 식별자, 이름, 유형, 제조사 등이 포함될 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 사출 설비(300)에 포함된 기계 별로 각 기계에 포함된 부품을 확인할 수 있다.

S1602 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계 중 고사용 기계와의 부품 일치율이 제1 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류할 수 있다. 여기서, 제1 목표 비율은 미리 설정된 비율일 수 있으며, 실시 예에 따라 달라질 수 있다. 이때, 사출 불량 예측 솔루션 제공 장치(100)는 상기 기재된 도 15의 과정을 기초로, 데이터베이스에는 사출 설비(300)에 포함된 기계를 고사용 기계, 저사용 기계, 고사용 후보 기계, 정상 사용 기계로 분류할 수 있다.

이를 위해, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계에 포함된 부품의 정보 및 고사용 기계에 포함된 부품의 정보를 비교하여 부품 일치율을 생성할 수 있다. 구체적으로, 저사용 기계가 A 기계이고, 비교하고자 하는 고사용 기계가 B 기계일 경우, 사출 불량 예측 솔루션 제공 장치(100)는 데이터베이스를 통해 A 기계에 포함된 부품의 정보 및 B 기계에 포함된 부품의 정보를 획득할 수 있다. 또한, 사출 불량 예측 솔루션 제공 장치(100)는 A 기계에 포함된 부품의 정보 및 B 기계에 포함된 부품의 정보를 기초로, 부품의 식별자나 이름 등을 통해 일치하는 부품이 있는지 확인할 수 있고, 일치하는 부품의 수를 전체 부품의 수로 나누어 부품 일치율을 계산할 수 있다. 이때, 사출 불량 예측 솔루션 제공 장치(100)는 {(일치하는 부품의 수) / (A 기계에 포함된 부품의 수 + B 기계에 포함된 부품의 수 - 일치하는 부품의 수)} × 100%를 계산하여 부품 일치율을 생성할 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계에 포함된 부품의 정보 및 고사용 기계에 포함된 부품의 정보를 기초로, 사출 설비(300)에 포함된 저사용 기계 중 고사용 기계와의 부품 일치율이 미리 설정된 제1 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류할 수 있다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 고사용 기계가 복수 개일 경우, 저사용 기계에 대하여 복수 개의 고사용 기계 별로 각각 부품 일치율을 생성할 수 있으며, 사출 불량 예측 솔루션 제공 장치(100)는 복수 개의 고사용 기계 별로 생성된 부품 일치율 중 하나라도 제1 목표 비율보다 높은 부품 일치율이 있을 경우, 해당 저사용 기계를 리모델링 가능 기계로 분류할 수 있다.

S1603 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계 중 고사용 후보 기계와의 부품 일치율이 제2 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류할 수 있다. 여기서, 제2 목표 비율은 제1 목표 비율보다 높게 미리 설정된 비율일 수 있으며, 실시 예에 따라 달라질 수 있다.

이를 위해, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계에 포함된 부품의 정보 및 고사용 후보 기계에 포함된 부품의 정보를 비교하여 부품 일치율을 생성할 수 있다. 이때, 부품 일치율을 생성하는 과정은 상기 저사용 기계에 포함된 부품의 정보 및 고사용 기계에 포함된 부품의 정보를 기초로 부품 일치율을 생성하는 과정과 동일한 방법으로 수행될 수 있다.

즉, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계에 포함된 부품의 정보 및 고사용 후보 기계에 포함된 부품의 정보를 기초로, 사출 설비(300)에 포함된 저사용 기계 중 고사용 후보 기계와의 부품 일치율이 미리 설정된 제2 목표 비율보다 높은 기계를 리모델링 가능 기계로 분류할 수 있다.

한편, 사출 불량 예측 솔루션 제공 장치(100)는 고사용 후보 기계가 복수 개일 경우, 저사용 기계에 대하여 복수 개의 고사용 후보 기계 별로 각각 부품 일치율을 생성할 수 있으며, 사출 불량 예측 솔루션 제공 장치(100)는 복수 개의 고사용 후보 기계 별로 생성된 부품 일치율 중 하나라도 제2 목표 비율보다 높은 부품 일치율이 있을 경우, 해당 저사용 기계를 리모델링 가능 기계로 분류할 수 있다.

S1604 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 저사용 기계 중 리모델링 가능 기계를 제외한 기계를 처분 예정 기계로 분류할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 사출 설비(300)에 포함된 저사용 기계 중 고사용 기계와의 부품 일치율이 제1 목표 비율보다 높지 않고, 고사용 후보 기계와의 부품 일치율이 제2 목표 비율보다 높지 않은 즉, 리모델링 가능 기계로 분류되지 않은 기계를 처분 예정 기계로 분류할 수 있다.

S1605 단계에서, 사출 불량 예측 솔루션 제공 장치(100)는 리모델링 가능 기계의 리모델링 및 처분 예정 기계의 처분을 추천하는 메시지를 관리자 단말로 전송할 수 있다.

구체적으로, 사출 불량 예측 솔루션 제공 장치(100)는 사출 설비(300)를 관리하는 관리자가 소유하는 관리자 단말로 “리모델링 가능 기계를 고사용 기계 또는 고사용 후보 기계로 리모델링하는 것을 추천하고, 처분 예정 기계를 처분하는 것을 추천한다!”는 메시지를 전송할 수 있다. 이때, 사출 불량 예측 솔루션 제공 장치(100)는 관리자 단말로 리모델링 가능 기계의 리모델링을 추천하는 메시지를 전송하는 과정에서 리모델링 가능 기계와 부품 일치율이 제1 목표 비율(또는 제2 목표 비율)보다 높은 고사용 기계(또는 고사용 후보 기계)의 정보를 함께 제공할 수 있다

이로 인해, 사출 불량 예측 솔루션 제공 장치(100)는 작동된 횟수가 적은 저사용 기계를 리모델링 또는 처분을 추천함으로써 관리자는 기계 자원을 최적화하고, 사출 설비(300)를 효율적으로 관리할 수 있는 효과가 있다.

본 명세서에서의 모델은 네트워크 함수, 인공신경망 및/또는 뉴럴 네트워크에 기반하여 동작하는 임의의 형태의 컴퓨터 프로그램을 의미할 수 있다. 본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수개의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며, 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)를 사용할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 또한, 과적합(overfitting)을 막기 위해서 학습 데이터의 증가, 레귤러화(regularization), 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법이 적용될 수 있다.

일 실시예에서, 모델은 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory) 네트워크, DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함할 수 있고 이에 한정하지 않는다.

일 실시예에서, 모델은 전이학습(transfer learning) 방식으로 학습된 모델일 수 있다. 여기서, 전이학습은 대용량의 라벨링되어 있지 않은 학습용 데이터를 준지도학습 또는 자가학습 방식으로 사전 학습(pre-training)하여 제1 태스크를 갖는 사전 학습된(pre-trained) 모델을 얻고, 사전 학습된 모델을 제2 태스크에 적합하도록 fine-tuning하여 라벨링된 학습용 데이터를 지도학습 방식으로 학습해 타겟으로 하는 모델을 구현하는 학습 방식을 나타낸다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

사출 불량 예측 솔루션 제공 장치에 의한 사출 공정 데이터를 기반으로 학습된 인공지능 모델을 활용한 사출 불량 예측 솔루션 제공 방법은
(A) 학습데이터를 수집하여 사출 불량 예측 모델을 학습시키는 단계; 및
(B) 상기 사출 불량 예측 모델에서 입력데이터를 획득하고, 상기 입력데이터에 대한 사출 불량을 예측하는 단계; 를 포함하고,
(C) 관리자 단말로 사출 설비에 포함된 제1 기계의 교체 알림을 제공하는 단계를 더 포함하고,
상기 (C) 단계는
(C-1) 상기 제1 기계에 대한 날짜 별 불량률을 획득하는 동작,
(C-2) 불량률이 미리 설정된 기준 비율보다 높은 날짜를 상기 제1 기계의 주의 날짜로 선정하는 동작,
(C-3) 상기 제1 기계의 시작 날짜를 획득하는 동작,
(C-4) 상기 제1 기계의 시작 날짜부터 상기 제1 기계의 주의 날짜까지의 기간을 상기 제1 기계의 수행 기간으로 생성하는 동작,
(C-5) 사출 설비에 포함된 기계 중 상기 제1 기계와 동일한 종류를 갖는 기계를 동일 종류 기계로 선정하고, 상기 동일 종류 기계의 수행 기간을 획득하는 동작,
(C-6) 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간을 기초로, 평균 값을 산출하여, 평균 기간을 생성하는 동작,
(C-7) 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는지 여부를 확인하는 동작,
(C-8) 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함된다고 확인되면, 상기 평균 기간을 교체 주기로 설정하는 동작,
(C-9) 상기 교체 주기를 기초로, 상기 제1 기계의 교체 예정 날짜를 생성하는 동작,
(C-10) 상기 교체 예정 날짜를 기반으로, 관리자 단말로 상기 제1 기계의 교체 알림을 제공하는 동작, 및
(C-11) 상기 제1 기계의 수행 기간 및 상기 동일 종류 기계의 수행 기간이 모두 기준 범위 내에 포함되는 것은 아니라고 확인되면, 상기 제1 기계의 교체 알림을 제공하지 않는 동작을 포함하는,
사출 불량 예측 솔루션 제공 방법.
제1항에 있어서,
상기 (A)의 단계는
OPCUA(OPC Unified Architecture) 프로토콜에서 수집한 실시간 데이터를 수집하고 전처리하여 학습 데이터를 생성하고, 상기 학습 데이터로 모델을 학습시키는 단계;
상기 학습 데이터 중 주요데이터를 선별하고, 선별된 주요데이터를 증강하여 주요데이터를 반복학습 시키는 단계; 및
상기 학습 데이터와 실시간 데이터의 복원오차를 산출하여 모델의 피드백 데이터로 이용하여 모델을 재학습 시키는 단계; 를 포함하고,
상기 주요데이터는
사출 불량을 일으킨 이상 데이터를 포함하고, 사출 불량 예측 솔루션 제공 장치는 상기 주요데이터를 증강하여, 상기 주요데이터의 학습 비중을 상향 조정하고,
상기 학습 데이터 중 주요데이터를 선별하고, 선별된 주요데이터를 증강하여 주요데이터를 반복학습 시키는 단계; 는
사출 불량의 정도가 일정 수준 이상인 경우의 원인 변수를 주요 데이터로 추출하는 단계; 및
상기 추출된 원인 변수의 학습 가중치를 일정 수준 이상으로 설정하는 단계; 를 포함하는,
사출 불량 예측 솔루션 제공 방법.
제1항에 있어서,
상기 (B)의 단계는
사출 불량 예측 모델로 입력된 사출 공정 데이터의 분석 결과에 따라 사출물의 불량 가능성과 불량 발생 시점을 포함하는 불량 예측 결과를 생성하는 단계;
상기 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치 및 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 를 포함하고,
상기 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 는
예측된 불량 발생 시점이 빠른 순서대로 사출물에 대한 대응 솔루션을 도출하고
상기 불량 예측 결과의 해결을 위한 히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도를 포함하는 대응 솔루션을 도출하는 단계; 는
사출 불량 예측 모델의 입력 데이터 중 이상데이터를 추출하는 단계;
상기 추출된 이상데이터와 연관된 변수를 추출하는 단계; 및
상기 추출된 변수의 조정 범위를 산출하고, 산출된 조정 범위를 기반으로 대응 솔루션을 도출하는 단계; 를 포함하고,
상기 이상데이터와 연관된 변수는
히터 온도, 쿠션량, 계량위치, 사출시간, 사출 위치, 사출속도 중 적어도 하나를 포함하는,
사출 불량 예측 솔루션 제공 방법.