• KIPS Transactions on Computer and Communication Systems
• /
• v.8 no.4
• /
• pp.87-92
• /
• 2019

This paper describes the pattern analysis for data of the factory energy consumption by using machine learning method. While usual statistical methods or approaches require specific equations to represent the physical characteristics of the plant, machine learning based approach uses historical data and calculate the result effectively. Although rule-based approach calculates energy usage with the physical equations, it is hard to identify the exact equations that represent the factory's characteristics and hidden variables affecting the results. Whereas the machine learning approach is relatively useful to find the relations quickly between the data. The factory has several components directly affecting to the electricity consumption which are machines, light, computers and indoor systems like HVAC (heating, ventilation and air conditioning). The energy loads from those components are generated in real-time and these data can be shown in time-series. The various sensors were installed in the factory to construct the database by collecting the energy usage data from the components. After preliminary statistical analysis for data mining, time-series clustering techniques are applied to extract the energy load pattern. This research can attributes to develop Factory Energy Management System (FEMS).

• Proceedings of the Korean Society of Disaster Information Conference
• /
• 2017.11a
• /
• pp.339-340
• /
• 2017

화학공장의 누출사고는 초기에 적절히 대응하지 못할 경우 화재 폭발과 같은 2차 3차의 복합재난사고로 확산될 위험성이 매우 높다. 이러한 이유로 누출사고 발생 초기에 누출이 발생한 지점을 신속히 파악하여 현장안전요원에게 알림으로써, 보다 체계적이고 효율적인 초기대응을 가능하게 하여, 사고피해를 완화시킬 수 있는 통합적인 누출사고 대응시스템 구축은 매우 중요하다고 할 수 있다. 본 연구에서는, 통합적인 누출사고 대응시스템 구축을 위한 선행연구로, 딥러닝 기반의 누출원추적 모델 개발을 제안한다. 여수에 위치한 실제 화학공장을 대상으로 누출사고 시나리오에 대한 Computational Fluid Dynamics (CFD) 시뮬레이션을 진행한 뒤, 화학공장 경계면에 배치된 각 센서별 위치에서의 농도, 풍향 그리고 풍속데이터를 추출하고, 센서 좌표를 추가하여 인공신경망을 학습시켰다. 학습된 모델은 40개의 누출후보군에 대해 학습에 사용되지 않은 상황들에서도 75.43%의 정확도로 누출이 일어난 지점을 실시간 예측해냄을 확인하였다. 또한 누출지점 예측이 일치하지 않은 경우도, 예측된 지점이 실제 누출이 일어난 지점과 물리적으로 매우 인접함을 확인함으로써 제안된 모델을 실제 현장에 적용할시 기대되는 효과는 더 클 것으로 판단하였다.

• The Journal of Information Technology and Database
• /
• v.4 no.1
• /
• pp.51-64
• /
• 1997

최근 컴퓨터 응용이 우주 항공, 천체 기상, 환경 관리, 공장 자동화(FA) 등의 분야로 확산되면서 물리, 화학, 생물, 기계 등의 과학 응용에서 생성되는 자료를 처리하는 기법에 대한 요구가 늘어나고 있다. 이들 과학 응용에서는 물리적 실험 장치나 측정 기계, 또는 시뮬레이션으로부터 데이터를 시간별로 측정(또는 수집)하므로 이들 과학 데이터는 시간에 종속된 데이터이다. 많은 과학 응용의 시간 지원 데이터는 과학 분야의 특성에 따라 매우 정밀한 시간 단위로 수집하기도 하고 실험 시작부터 경과된 상대적인 시간에 따라 데이터를 수집한다. 달력상의 시간을 사용하는 기존의 시간지원 데이터베이스는 과학 응용의 이러한 특징을 지원하지 못한다. 따라서 이 논문에서는 과학 실험 응용에서 요구하는 시간에 대한 특징과 요구 사항을 분석하고, 이들 과학 응용의 요구 사항을 만족하도록 확장한 새로운 시간 지원 데이터 모델을 제안한다. 이 모델에서는 실험이 경과된 상대적인 시간에 대한 데이터의 이력을 확장형 집합 개념을 사용하여 표현한다. 기존의 관계 데이터 모델과 유사하게, 이 모델은 집합 개념에 바탕을 두고 있으므로 데이터 모델과 그 연산의 의미를 쉽게 이해하고 사용할 수 있다는 장점이 있다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2021.05a
• /
• pp.252-254
• /
• 2021

According to the Institute for Occupational Safety and Health, the number of industrial injuries in 2019 was 109,242, an increase of 6.8% from 2018. In this situation, the government and companies are discussing the development of core technologies for preventing safety accidents on site based on ICT in the field of construction and construction. In these fields, technologies using computer vision and artificial intelligence have recently been widely used. In this paper, we built training data for safety management of factory workers and trained a model based on YOLOv4. It is believed that this can be used as an initial study to predict the risk situation of workers in factories.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.817-819
• /
• 2019

다양한 학습 모델이 발전하고 있는 지금, 학습을 통한 다양한 시도가 진행되고 있다. 이중 에너지 분야에서 많은 연구가 진행 중에 있으며, 대표적으로 BEMS(Building energy Management System)를 볼 수 있다. BEMS의 경우 건물을 기준으로 건물에서 생성되는 다양한 DATA를 이용하여, 에너지 예측 및 제어하는 다양한 기술이 발전해가고 있다. 하지만 FEMS(Factory Energy Management System)에 관련된 연구는 많이 발전하지 못했으며, 이는 BEMS와 FEAMS의 차이에서 비롯된다. 본 연구에서는 실제 공장에서 수집한 DATA를 기반으로 하여, 전력량 예측을 하였으며 예측을 위한 기술로 시계열 DATA 분석 방법인 LSTM 알고리즘을 이용하여 진행하였다.

• Journal of the Korea Convergence Society
• /
• v.9 no.3
• /
• pp.53-59
• /
• 2018

In this paper, we propose a sequence mining based manufacturing process using a decision model in cognitive factory. The proposed model is a method to increase the production efficiency by applying the sequence mining decision model in a small scale production process. The data appearing in the production process is composed of the input variables. And the output variable is composed the production rate and the defect rate per hour. We use the GSP algorithm and the REPTree algorithm to generate rules and models using the variables with high significance level through t-test. As a result, the defect rate are improved by 0.38% and the average hourly production rate was increased by 1.89. This has a meaning results for improving the production efficiency through data mining analysis in the small scale production of the cognitive factory.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.26 no.2
• /
• pp.199-206
• /
• 2022

A malfunction or breakdown of a manufacturing facility leads to product defects and the suspension of production lines, resulting in huge financial losses for manufacturers. Due to the spread of smart factory services, a large amount of data is being collected in factories, and AI-based research is being conducted to predict and diagnose manufacturing facility breakdowns or manufacturing site efficiency. However, because of the characteristics of manufacturing data, such as a severe class imbalance about abnormalities and ambiguous label information that distinguishes abnormalities, developing classification or anomaly detection models is highly difficult. In this paper, we present an deep learning algorithm for anomaly detection of a manufacturing facility using reconstruction loss of CNN-based model and ananlyze its performance. The algorithm detects anomalies by relying solely on normal data from the facility's manufacturing data in the exclusion of abnormal data.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.459-462
• /
• 2021

본 연구는 반도체 제조 공정중 발생하는 센서 데이터를 활용하여 딥러닝기반으로 불량을 예측하는 모델을 제안한다. 반도체 공장에서는 FDC((Fault Detection and Classification)라는 불량을 예측하는 시스템이 있지만, 공정의 복잡도가 높고 센서의 종류가 많아 공정 관리자가 모든 센서의 기준을 설정 및 관리하는데 한계가 있다. 이를 해결하기 위해 공정 설비의 센서 데이터를 딥러닝을 활용하여 학습시켜 센서 기준정보로 임계치를 제공하고, 가공중 발생하는 센서 데이터가 입력되면 정상 여부를 판정하는 모델을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.05a
• /
• pp.552-555
• /
• 2019

디지털 트윈이란 현실 세계의 물리적인 사물을 컴퓨터 상에 동일하게 가상화 시키는 기술을 의미하는 것으로, 물리적 사물이나 시스템을 모델링하거나 IoT 기술에 접목되어 활용되고 있는 기술이다. 디지털 트윈 기술은 가상의 모델을 무한정 시뮬레이션을 통해 동작을 튜닝하고 환경변화에 대한 대응을 미리 실험하여 리스크를 최소화할 수 있는 장점을 지닌다. 최근 인공지능이나 기계학습에 관련된 기술들이 주목받기 시작하면서, 이와 같은 물리적인 사물의 모델링 작업을 데이터 기반으로 수행하려는 시도가 증가하고 있다. 특히, 산업현장에서 많이 활용되는 인더스트리 4.0 공장 자동화의 핵심인 협력 로봇의 디지털 트윈을 구축하기 위해서는 로봇의 동작을 인지하는 과정이 필수적으로 요구된다. 그러나 현재 협력 로봇의 동작을 인지하기 위한 시도는 미비하며, 센서 데이터를 기반으로 동작을 역으로 예측하는 기술은 더욱 그렇다. 따라서 본 논문에서는 로봇의 동작을 인지하기 위해 가정용 협력 로봇에서 전류 및 관성 데이터를 수집하기 위한 실험 환경을 구축하고, 수집한 센서 데이터를 기반으로 한 동작 예측 모델을 제안하고자 한다. 제안하는 방식은 로봇의 동작 명령어를 조인트 위치 기반으로 분류하고 전류와 위치 센서 값을 사용하여 학습을 통해 예측하는 방식이다. SVM 을 이용하여 학습한 결과, 모델의 성능은 평균적으로 정확도, 정밀도, 및 재현율이 모두 96%로 평가되었다.

• Journal of Internet Computing and Services
• /
• v.25 no.2
• /
• pp.101-111
• /
• 2024

In this paper, we propose a concpetual architecture and its implementation approach for contextualizing unstructured CCTV-video frame data into structured XML-video textual data by using the deep-learning neural network models and frameworks. Conclusively, through the conceptual architecture and the implementation approach proposed in this paper, we can eventually realize and implement the so-called sharable working and experiencing knowledge management platforms to be adopted to smart factories in various industries.