신현준
(Department of Electrical, Electronics & Communication Engineering, Korea University of Technology and Education(KOREATECH))
,
오창헌
(Department of Electrical, Electronics & Communication Engineering, Korea University of Technology and Education(KOREATECH))
스마트 공장은 미리 입력된 프로그램에 의해 생산시설이 수동적으로 움직이는 공장 자동화 작업 방식과는 달리, 생산 설비 스스로 작업 방식을 결정하여야 한다. 생산 설비 스스로 작업 방식을 결정이라 함은, 이를테면 제조 현장에서 설비의 노후, 문제 발생 예측, 제품의 불량 검출 등과 같은 이상 징후가 발생할 시 이를 조기에 발견한 후 스스로 문제를 해결하는 것을 의미한다. 본 논문에서는 제조 현장의 제조 공정 이상 징후 감지를 위해 대기행렬을 이용한 제조 공정 모델링을 제시하고 해당 모델링에서 이상 징후를 기계학습 기술 중 하나인 SVM을 이용하여 이를 감지하도록 한다. 해당 대기행렬을 M/D/1을 사용하였으며, ${\mu}$, ${\lambda}$, ${\rho}$를 기반으로 컨베이어 벨트 제조 시스템을 모델링하였다. SVM을 이용하여 ${\rho}$의 변화량을 통해 이상 징후를 감지했다.
스마트 공장은 미리 입력된 프로그램에 의해 생산시설이 수동적으로 움직이는 공장 자동화 작업 방식과는 달리, 생산 설비 스스로 작업 방식을 결정하여야 한다. 생산 설비 스스로 작업 방식을 결정이라 함은, 이를테면 제조 현장에서 설비의 노후, 문제 발생 예측, 제품의 불량 검출 등과 같은 이상 징후가 발생할 시 이를 조기에 발견한 후 스스로 문제를 해결하는 것을 의미한다. 본 논문에서는 제조 현장의 제조 공정 이상 징후 감지를 위해 대기행렬을 이용한 제조 공정 모델링을 제시하고 해당 모델링에서 이상 징후를 기계학습 기술 중 하나인 SVM을 이용하여 이를 감지하도록 한다. 해당 대기행렬을 M/D/1을 사용하였으며, ${\mu}$, ${\lambda}$, ${\rho}$를 기반으로 컨베이어 벨트 제조 시스템을 모델링하였다. SVM을 이용하여 ${\rho}$의 변화량을 통해 이상 징후를 감지했다.
The manufacturing facility is generally operated by a pre-set program under the existing factory automation system. On the other hand, the manufacturing facility must decide how to operate autonomously in Industry 4.0. Determining the operation mode of the production facility itself means, for examp...
The manufacturing facility is generally operated by a pre-set program under the existing factory automation system. On the other hand, the manufacturing facility must decide how to operate autonomously in Industry 4.0. Determining the operation mode of the production facility itself means, for example, that it detects the abnormality such as the deterioration of the facility at the shop-floor, prediction of the occurrence of the problem, detection of the defect of the product, In this paper, we propose a manufacturing process modeling using a queue for detection of manufacturing process abnormalities at the shop-floor, and detect abnormalities in the modeling using SVM, one of the machine learning techniques. The queue was used for M / D / 1 and the conveyor belt manufacturing system was modeled based on ${\mu}$, ${\lambda}$, and ${\rho}$. SVM was used to detect anomalous signs through changes in ${\rho}$.
The manufacturing facility is generally operated by a pre-set program under the existing factory automation system. On the other hand, the manufacturing facility must decide how to operate autonomously in Industry 4.0. Determining the operation mode of the production facility itself means, for example, that it detects the abnormality such as the deterioration of the facility at the shop-floor, prediction of the occurrence of the problem, detection of the defect of the product, In this paper, we propose a manufacturing process modeling using a queue for detection of manufacturing process abnormalities at the shop-floor, and detect abnormalities in the modeling using SVM, one of the machine learning techniques. The queue was used for M / D / 1 and the conveyor belt manufacturing system was modeled based on ${\mu}$, ${\lambda}$, and ${\rho}$. SVM was used to detect anomalous signs through changes in ${\rho}$.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
대기행렬 이론은 무작위로 발생하는 수요에 서비스를 제공하는 시스템의 행동을 예측하는데 유용한 모델을 만든다. 또한 복잡한 환경에 대한 설명을 허용하는 생산 직업에 대한 통계적 분포를 고려하다. 실제로 생산 시스템을 모델링 할 때 대기행렬 이론의 주요 이점은 시스템의 평균 시간, 평균 서비스 시간, 평균 작업 시간, 시스템의 평균 고객 수, 임의의 수의 고객이 시스템 에 있을 확률 등이 있다.
본 논문에서는 제조 현장의 제조 공정 이상 징후를 감지하기 위해 대기행렬을 이용한 제조 공정 모델링을 제시하고 해당 모델링에서 이상 징후를 기계학습 기술 중 하나인 SVM을 이용하여 이를 감지하였다. 대기행렬은 M/D/1을 사용하였으며, μ, λ, ρ를 기반으로 컨베 이어 벨트 제조 시스템을 모델링하였다.
가설 설정
1. 입력 생산품의 도착시간은 포아송 분포를 따른다.
2. 장비의 큐와 서버는 M/D/1 대기행렬을 따른다.
제안 방법
대기행렬은 M/D/1을 사용하였으며, μ, λ, ρ를 기반으로 컨베 이어 벨트 제조 시스템을 모델링하였다.
본 논문에서는 장비의 공정 시간 및 제품 입력 시간 그리고 장비의 가동률을 기반으로 SVM을 훈련 및 실험을 진행한다.
이들은 구조의 설계를 위해 많은 시간과 노력이 필요하다는 단점도 제기되었다. 본 논문에서는 제조 현장의 이상 징후 감지를 위해 기계 학습 기술 중 하나인 SVM을 이용하여 이를 해결하도록 한다.
본 논문에서는 제조 현장의 제조 공정 이상 징후 감지를 위해 대기행렬을 이용한 제조 공정 모델링을 제시하고 해당 모델링에서 이상 징후를 기계 학습 기술 중 하나인 SVM(support vector machine)을 이용하여 이를 감지하도록 한다.
스마트 공장은 기계, 컨베이어 벨트 및 제품과 같은 물리적 객체를 정보시스템과 통합하여 유연하고 민첩한 생산을 구현한다. 본 장에서는 컨베이어 벨트 제조 현장 및 이상 징후 발생 이벤트를 모델링한다.
실험은 λ, μ를 고정한 후 ρ의 평균값을 얻는 방식을 0.1부터 0.9까지 반복 실험하였다.
데이터처리
본 논문에서 제안한 SVM 기반 동적 재구성 생산 시스템의 성능을 검증하기 위해 이상상황이 발생하기 전과 후의 서버 ρ를 비교하였다.
이론/모형
본 논문에서는 이산 이벤트 시뮬레이션인 matlab SimEvents를 통해 모델을 구현했다[9].
후속연구
향후 연구로는 SVM뿐만 아니라 다양한 지도학습 기반의 기계학습들을 이용하여 이상 징후를 감지한 후 그에 따라 시스템을 재구성하는 방안을 모색할 것이다
질의응답
핵심어
질문
논문에서 추출한 답변
스마트 공장의 역할은 무엇인가?
스마트 공장은 기계, 컨베이어 벨트 및 제품과 같은 물리적 객체를 정보시스템과 통합하여 유연하고 민첩한 생산을 구현한다. 본 장에서는 컨베이어 벨트 제조 현장 및 이상 징후 발생 이벤트를 모델링한다.
대기행렬 이론은 어떠한 모델을 만드는가?
대기행렬 이론은 무작위로 발생하는 수요에 서비스를 제공하는 시스템의 행동을 예측하는데 유용한 모델을 만든다. 또한 복잡한 환경에 대한 설명을 허용하는 생산 직업에 대한 통계적 분포를 고려하다.
데이터 분류를 위한 지도학습 알고리즘 구조의 설계할 때 어떤 단점이 존재하는가?
데이터 분류를 위한 지도학습의 종류로는 의사결정 트리, SVM, KNN, ANN, 나이브 베이즈 등 다양한 알고리즘이 존재한다. 이들은 구조의 설계를 위해 많은 시간과 노력이 필요하다는 단점도 제기되었다. 본 논문에서는 제조 현장의 이상 징후 감지를 위해 기계 학습 기술 중 하나인 SVM을 이용하여 이를 해결하도록 한다.
참고문헌 (9)
M. Taisch, B. Stahl and G. Tavola, "ICT in Manufacturing: Trends and Challenges for 2020 - an European View," Industrial Informatics (INDIN), In Proceedings of the IEEE International Conference on, Houston, USA, pp. 941-946, Sep. 2012.
J. M. Park, "Technology and Issue on Embodiment of Smart Factory in Small-Medium Manufacturing Business," The Journal of The Korean Institute of Communication Science, vol.40, no. 12, pp. 2491-2502, Dec. 2015.
J. B. Kim, "An Empirical Study on the Success Cases of Digital Manufacturing System Implementation in Manufacturing Industry-Focused on Smart Factory," Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, vol.5, no.4, pp. 1-8, Aug. 2015.
K. W. Cho, M. H. Jeon and C. H. Oh, "Development of Equipment Control System based on DB Access Method for Industrial IoT," Journal of the Korea Institute of Information and Communication Engineering, vol. 20, no. 6, pp. 1142-1147, Jun. 2016.
M. D. Odom and R. Sharda, "A Neural Network Model for Bankruptcy Prediction," In Proceedings of the International Joint Conference on Neural networks, San Diego, USA, pp. 163-168, Jun. 1990.
Y. G. Oh, H. S. Park, A. R. Yoo, N. H. Kim, Y. H Kim, D. C. Kim, J. U. Choi, S. H. Yoon and H. J. Yang, "A Product Quality Prediction Model Using Real-Time Process Monitoring in Manufacturing Supply Chain," Journal of the Korean Institute of Industrial Engineers, vol. 39, no. 4, pp. 271-277, Aug. 2013.
B. U. Narayan, An Introduction to Queueing Theory Modeling and Analysis in Application, 2nd ed. Birkhauser, United States, 2008.
A. A. Alsebae, M. S. Leeson and R. J. Green, "SimEventsbased Modeling and Simulation Study of Stop-and-Wait Protocol," In Proceedings of the International Conference on Modelling, Identification and Control (ICMIC), Cairo, Egypt, pp. 239-244, Aug-Sep 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.