[논문]물리시스템 최적화를 위한 디지털 트윈 시뮬레이션의 실험적 구현

김경일

doi:10.22156/cs4smb.2021.11.04.019

초록
AI-Helper

본 연구는 수작업으로 이루어진 제조현장에서 제조 프로세스를 최적화할 수 있도록 시뮬레이션을 통한 디지털 트윈 구현 방안을 제안하고자 한다. 수작업 모션을 센서로 수집하고 동작 인식에 대하여 반복적인 실험데이터로 제조 프로세스를 최적화하는 지식관리메커니즘을 제안 범위로 한다. 연구목적 달성을 위하여 물류현장 모의실험을 실시하였는데, 작업자의 경험으로 나타난 기초적 지식에 작업시뮬레이션을 반복 경험하게 함으로써 최적화된 디지털 트윈을 생성할 수 있는 방안을 마련하였다. 실험결과, 디지털 트윈을 생성하는 시뮬레이션으로 보다 빠른 시간내에 작업공간 구성과 작업 특성을 생성하여 최적화된 자원을 구성한 결과를 물리시스템으로 전송함으로써 제조 프로세스의 지속적 개선이 가능한 것으로 파악되었다.

Abstract ▼ AI-Helper

This study proposes a digital twin implementation method through simulation so that the manufacturing process can be optimized in a manual manufacturing site. The scope of the proposal is a knowledge management mechanism that collects manual motion with a sensor and optimizes the manufacturing proce...

This study proposes a digital twin implementation method through simulation so that the manufacturing process can be optimized in a manual manufacturing site. The scope of the proposal is a knowledge management mechanism that collects manual motion with a sensor and optimizes the manufacturing process with repetitive experimental data for motion recognition. In order to achieve the research purpose, a simulation of the distribution site was conducted, and a plan to create an optimized digital twin was prepared by repeatedly experiencing the work simulation based on the basic knowledge expressed by the worker's experience. As a result of the experiment, it was found that it is possible to continuously improve the manufacturing process by transmitting the result of configuring the optimized resources to the physical system by generating the characteristics of the work space configuration and working step within a faster time with the simulation that creates the digital twin.

주제어

표/그림 (7)

그림 Fig. 2. Digital twin data connection for replicating a walk motion
그림 Fig.1. Digital twin subcomponents
그림 Fig. 3. Motion constraints algorithm
표 Table. 1. Parameters for constraining the virtual model behavior
그림 Fig. 4. Experimental setup
표 Table 2. Results of recognising motion
그림 Fig. 5. Spaghetti chart & ergonomic results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구가 제안하는 방법은 공장 현장에서 수작업 중심 작업을 디지털 트윈으로 구현하고자 하는 것이므로 센서 데이터를 사용한 시뮬레이션을 강조함으로써 현실감을 높이고 결과의 정확성을 높이고자 하였다. 이 연구에 제시된 주요 내용은 작업자의 관점에서 수동작업에 필요한 주요 공간 및 시간 조건에 대한 분석과 식별이며 조건을 실제시뮬레이션 생성에 사용할 수 있도록 하였다.
본 연구는 수작업 기반 제조 시스템의 실제 정보를 사이버 형태로 전송하는 접근방식을 제안하였다. 데이터는 비용-효율적인 접근 방식으로 후속처리와 평가를 가능하게 하고 센서기록은 창고운영의 인체공학을 개선하고 스테이션을 재구성할 수 있도록 제안하였다.
본 연구에서는 디지털 트윈 개념을 CPS의 일부로 정의하고 수작업 중심의 제조 현장에서의 적용을 방안을 제시하고자 한다. 저가의 센서로 구성하여 자원 소비의 최소화를 기하면서 작업자가 경험적으로 숙련된 작업 동작을 수행하는 동작 인식 데이터를 지속적으로 수집하여 분석 알고리즘이 포함된 현실성 있는 디지털 시뮬레이션으로 물리시스템을 최적화할 수 있는 방안을 제안함에 연구 목적이 있다.
본 연구에서는 이러한 한계점을 극복하고자 한계점 (1)과 (2)는 저가형 광학센서, 웨어러블 도구 및 센서를 채택하고자 한다. 처리해야 하는 데이터를 줄일 수 있는 동작 인식 알고리즘을 채택하여 한계점 (3)을 극복할 수 있도록 센서 융합은 추적된 물체에 부착된 관성측정 장치 센서로 측정된 작업 현장 물체와 광학 센서에 의해 인식된 인간 동작의 상관관계를 분석하여 해결하고자 하였다.
제시하고자 한다. 저가의 센서로 구성하여 자원 소비의 최소화를 기하면서 작업자가 경험적으로 숙련된 작업 동작을 수행하는 동작 인식 데이터를 지속적으로 수집하여 분석 알고리즘이 포함된 현실성 있는 디지털 시뮬레이션으로 물리시스템을 최적화할 수 있는 방안을 제안함에 연구 목적이 있다.
한다. 처리해야 하는 데이터를 줄일 수 있는 동작 인식 알고리즘을 채택하여 한계점 (3)을 극복할 수 있도록 센서 융합은 추적된 물체에 부착된 관성측정 장치 센서로 측정된 작업 현장 물체와 광학 센서에 의해 인식된 인간 동작의 상관관계를 분석하여 해결하고자 하였다. 한계점 (4)에 대하여는 수 작업을 수행하는 모션을 캡처시스템으로 습득하여 작업자 모션을 지식화하는 지식관리메커니즘으로 해결하고자 하였다.

제안 방법

좌표에 해당한다. 1차로 수집된 관절 좌표 값에 더하여 나사 조임등의 추가적인 특정 작업을 인식하기 위해 추가된 센서로 수집된 2차 데이터로 보완한다. 작업 인식은 'If-Then'형식의 미리 정의된 조건-행동 규칙 집합을 실행하여 이루어진다[8].
데이터는 비용-효율적인 접근 방식으로 후속처리와 평가를 가능하게 하고 센서기록은 창고운영의 인체공학을 개선하고 스테이션을 재구성할 수 있도록 제안하였다.
모션을 제약하는 알고리즘은 실세계 행동 제약과 사전에 녹화된 해당 모션 영상을 비교하는 것이다. 비교를 위한 프로그램은 통제된 자연어(CNL: Controlled Natural Language)를이용하여 연속적으로 기록한 궤적과 키 프레임 값을 비교하도록 구현하였다.
연구목적을 달성하기 위하여 랙과 카트가 설치된 10 ㎡ 규모의 창고 공간에서 3명의 작업자가 물건을 카트에 적재하여 이동하는 동작에 대한 실험을 시뮬레이션하는 방법을 채택하고 다음과 같은 세부적인 연구범위를 구성하였다.
높이고 결과의 정확성을 높이고자 하였다. 이 연구에 제시된 주요 내용은 작업자의 관점에서 수동작업에 필요한 주요 공간 및 시간 조건에 대한 분석과 식별이며 조건을 실제시뮬레이션 생성에 사용할 수 있도록 하였다.
작업 현장에서 수행하는 동작과 작업을 인식 한 후가 상 모델로 전송하기 위해 실세계 데이터들에 대한 조건들을 평가한다. 수집한 센서데이터로 식별한 조건은 가상시스템 동작과 시뮬레이션 실행을 제어하는 목적으로 사용된다.

대상 데이터

실험을 위한 시나리오는 약 10㎡ 창고에 대한 작업환경으로 구성된다. 환경은 서로 다른 높이의 랙 두 개를 갖도록 배치되었으며, 여기서 물체를 골라서 다른 곳으로 옮기는 수행 동작은 Kinect v2 2 개와 e-glove 1 개로 추적되었고 파일럿 케이스 설정과 창고 환경 및 3D 모델을 Fig.

성능/효과

(1) 모션 캡처 시스템은 일반적으로 구입 및 설치비용이 고가이다.
(2) 사실적인 모션을 생성하기 위해서는 인체에 많은 센서를 부착해야하므로 처리해야 할 데이터 양이 증가하면서 불편성이 증가된다.
(4) 학습효과, 피로, 생산량, 시야, 환경적 제약, 작업자의 지식 등과 같은 제약을 항상 고려하지는 않는다.
시뮬레이션 결과를 평가해 볼 때, 디지털 트윈 재구성 및 새로운 시뮬레이션 실행을 포함하여 제시된 접근방식을 반복적으로 실행할 때 창고 운영과 관련된 인체공학적 성과는 며칠이 소요되던 것이 수시간 내에 디지털 트윈 시뮬레이션을 통해 최적화되는 개선효과를 달성할 수 있다. 시뮬레이션이 원하는 작업 공간 구성과 조립 단계의 특성을 생성한 후에는 최소한의 비용과 노력으로 결과를 물리시스템으로 전송하여 지속적 개선을 가능하게 하는 것이다.

후속연구

(3) 모션이 특정 물체 선택 또는 배치 활동과의 관련 여부와 같이 인간이 수행하는 활동의 의미론에 대한 통찰력을 제공하지 못한다.
후속연구를 통하여 실제작업을 기록하는데 사용되는 센서의 확장 뿐만 아니라 작업을 인식하고 동작 제약을 생성하기 위한 데이터 처리 접근 방식의 정확성을 개선할 수 있는 추가 연구가 필요하며 디지털 트윈의 정확도를 높이기 위해 센서시스템을 지원하는 조건 추출 및 모션 합성을 위한 대체적인 접근방식에 대한 평가가 연구되어야 할 것이다.

참고문헌 (13)

F. Tao & M. Zhang. (2017). Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing. IEEE Access 5: 20418-20427. DOI : 10.1109/ACCESS.2017.2756069.

상세보기
B. G. Thiede, S. Posselt , S. Kauffeld & C. Herrmann. (2017). Enhancing Learning Experience in Physical Action-Orientated Learning Factories Using a Virtually Extended Environment and Serious Gaming Approaches. Procedia Manufacturing, 9, 238-244. DOI : 10.1016/j.promfg.2017.04.042.

상세보기
Y. Lu, T. Peng & X. Xu. (2019). Energy-efficient cyber-physical production network: architecture and technologies, Computing and Industrial Engineering. 129, 56-66. DOI : 10.1016/j.cie.2019.01.025.

상세보기
M. Schluse, M. Priggemeyer, L. Atorf & J. Rossmann. (2018). Experimentable digital twins streamlining simulation-based systems engineering for industry 4.0, IEEE Trans. Industrial Informations. 14. 1722-1731. DOI : 10.1109/TII.2018.2804917.

상세보기
Blender. (2015). Home of the Blender project - Free and Open 3D Creation Software. (Online). https://www.blender.org/
D. M. Battini, F. Faccio, A. Persona & F. Sgarbossa. (2011). New Methodological Framework to Improve Productivity and Ergonomics in Assembly System Design." International Journal of Industrial Ergonomics, 41(1), 30-42. DOI : 10.1016/j.ergon.2010.12.001.

상세보기
M. Rietzler, F. Geiselhart, J. Thomas, & E. Rukzio. (2016). FusionKit: A Generic Toolkit for Skeleton, Marker and Rigid-Body Tracking. In Proceedings of the 8th ACM SIGCHI Symposium on Engineering Interactive Computing Systems - EICS '16, 73-84. New York, USA: ACM. DOI : 10.1145/2933242.2933263
D. Park, M. Choi & D. Yang, (2020), A Study on a framework for digital Twin management system applicable to smart factory, Journal of convergence for information technology, 10(9), 1-7. DOI : 10.22156/CS4SMB.2020.10.09.001.

원문보기 상세보기
S. Herath, M. Harandi & F. Porikli. (2017). Going Deeper into Action Recognition: A Survey. Journal of Image and Vision Computing. 60. 4-21. DOI : 10.1016/j.imavis.2017.01.010.

상세보기
G. Pintzos, N. Nikolakis, K. Alexopoulos & G. Chryssolouris. (2016). Motion Parameters Identification for the Authoring of Manual Tasks in Digital Human Simulations: An Approach Using Semantic Modelling. Procedia CIRP. 41. 752-758. DOI : 10.1016/j.procir.2015.12.077.

상세보기
M. Manns & N. A. A. Martin. (2015). Improving A Walk Trajectories with B-Splines and Motion Capture for Manual Assembly Verification. Procedia CIRP. 33. 364-369. DOI : 10.1016/j.procir.2015.06.083.

상세보기
E. Herrmann, M. Manns, H. Du, S. Hosseini & K. Fischer. (2017). Accelerating Statistical Human Motion Synthesis Using Space Partitioning Data Structures. Computer animation & Virtual worlds. 28. e1780. DOI : 10.1002/cav.1780.

상세보기
J. Min & J. Chai. (2012). Motion Graphs++: A Compact Generative Model for Semantic Motion Analysis and Synthesis. ACM Transactions on Graphics, 31(6), 12. DOI : 10.1145/2366145.2366172.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

물리시스템 최적화를 위한 디지털 트윈 시뮬레이션의 실험적 구현
Experimental Implementation of Digital Twin Simulation for Physical System Optimization 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

물리시스템 최적화를 위한 디지털 트윈 시뮬레이션의 실험적 구현 Experimental Implementation of Digital Twin Simulation for Physical System Optimization 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

김경일 (35)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

물리시스템 최적화를 위한 디지털 트윈 시뮬레이션의 실험적 구현
Experimental Implementation of Digital Twin Simulation for Physical System Optimization 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper