• 한국시뮬레이션학회:학술대회논문집
• /
• 한국시뮬레이션학회 1992년도 제2회 정기총회 및 추계학술 발표회 발표논문 초록
• /
• pp.4-4
• /
• 1992

본 프로젝트는 수주 오더에 대한 납기 예측과 가공사 Delivery 체계의 전반적 향상을 목적으로 하며, 이에 따른 목표로는 로트 편성의 자동화, 월간, 주간 및 일간 단위의 생산 스케쥴 자동 작성, 원자재 소요량과 재공 및 재고 예측, 설비 부하 분석, 생산 사이클 타임 분석 및 단축이다. 상기의 목표 달성을 위한 가공사 Delivery Scheduling 시스템은 계획용 로트 편성 모델, 실행용 로트 편성 모델, 그리고 가공사 생산 스케쥴 작성을 위한 Simulation 모델로 구성된다. 계획용 로트 편성 모델은 현행의 로트 편성 기준에 따라 미가공 생산의뢰서 전체 물량을 대상으로 로트를 편성하여 이 로트를 염색기에 할당하는 모델이며, 실행용 로트 편성 모델에서는 일일 원사재고, 염색기 고장 등과 같은 실제 조업여건을 고려하여, 작업지시서 발행이 가능한 생산의뢰서 물량에 대하여만 로트 편성을 행한다. 가공사 생산 스케쥴 작성을 위한 Simulation 모델은 계획용 혹은 실행용 로트 편성 모델로부터 얻어지는 로트 편성 결과 또는 로트 번호가 부여된 최종 로트 편성 결과 (재공 로트 포함)를 입력으로 하여 이들 로트가 가공사 생산공정에서 처리되는 상세한 조업을 모의 생산하는 모델이다. 본 시스템은 영업부 및 기획부와 가공부의 사용 목적에 따라 크게 두가지로 사용될 수 있다. 영업부 및 기획부에서는 계획용 로트 편성 모델과 Simulation 모델을 사용하여 수주 오더에 대한 납기 예측 및 원사 수급 계획의 작성에 의사결정 지원을 받을 수 있으며, 가공부에서는 실행용 로트 편성 모델 및 Simulation 모델을 사용하여 상세 가공사 생산 스케쥴의 작성 및 긴급 오더의 처리 등에 관한 의사결정 지원을 받을 수 있다. 본 프로젝트를 통한 효과로는 정확한 생산 스케쥴의 자동 작성 및 스케쥴 작성시간 단축, 납기 예측 및 납기 준수율 향상, 실적관리 향상, 그리고 설비 가동율 분석, 현장관리 등을 위한 기타 유용한 정보제공 등이다.

• 한국농업기계학회:학술대회논문집
• /
• 한국농업기계학회 2017년도 춘계공동학술대회
• /
• pp.162-162
• /
• 2017

구글에서 공개한 Tensorflow를 이용한 여러 학문 분야의 연구가 활발하다. 농업 시설환경을 대상으로 한 빅데이터의 축적이 증가함과 아울러 실효적인 정보 획득을 위한 각종 데이터 분석 및 마이닝 기법에 대한 연구 또한 활발한 상황이다. 한편, 타 분야의 성공적인 심층학습기법 응용사례에 비하여 농업 분야에서의 응용은 초기 성장 단계라 할 수 있다. 이는 농업 현장에서 취득한 정보의 난해성 및 완성도 높은 생육/환경 모델링 정보의 부재로 실효적인 전과정 처리 기술 도출에 소요되는 시간, 비용, 연구 환경이 상대적으로 부족하기 때문일 것이다. 특히, 센서 기반 데이터 취득 기술 증가에 따라 비약적으로 방대해진 수집 데이터를 시간 복잡도가 높은 심층 학습 모델링 연산에 기계적으로 단순 적용할 경우 시간 효율적인 측면에서 성공적인 결과 도출에 애로가 있을 것이다. 매우 높은 시간 복잡도를 해결하기 위하여 제시된 하드웨어 가속 기능의 경우 일부 개발환경에 국한이 되어 있다. 일례로, 구글의 Tensorflow는 오픈소스 기반 병렬 클러스터링 기술인 MPICH를 지원하는 알고리즘을 공개하지 않고 있다. 따라서, 본 연구에서는 심층학습 기법 연구에 있어서, 예상 가능한 다양한 자원을 활용하여 최대한 연산의 결과를 빨리 도출할 수 있는 하드웨어적인 접근 방법을 모색하였다. 호스트에서 수행하는 일방적인 학습 알고리즘과 달리 이기종간 심층 학습이 가능하기 위해선 우선, NFS(Network File System)를 이용하여 데이터 계층이 상호 연결이 되어야 한다. 이를 위해서 고속 네트워크를 기반으로 한 NFS의 이용이 필수적이다. 둘째로 제한된 자원의 한계를 극복하기 위한 메모 공유 라이브러리가 필요하다. 셋째로 이기종간 프로세서에 최적화된 병렬 처리용 컴파일러를 이용해야 한다. 가장 중요한 부분은 이기종간의 처리 능력에 따른 작업을 고르게 분배할 수 있는 작업 스케쥴링이 수행되어야 하며, 이는 처리하고자 하는 데이터의 형태에 따라 매우 가변적이므로 해당 데이터 도메인에 대한 엄밀한 사전 벤치마킹이 수행되어야 한다. 이러한 요구조건을 대부분 충족하는 Open-CL ver1.2(https://www.khronos.org/opencl/)를 이용하였다. 최신의 Open-CL 버전은 2.2이나 본 연구를 위하여 준비한 4가지 이기종 시스템에서 모두 공통적으로 지원하는 버전은 1.2이다. 실험적으로 선정된 4가지 이기종 시스템은 1) Windows 10 Pro, 2) Linux-Ubuntu 16.04.4 LTS-x86_64, 3) MAC OS X 10.11 4) Linux-Ubuntu 16.04.4 LTS-ARM Cortext-A15 이다. 비교 분석을 위하여 NVIDIA 사에서 제공하는 Pascal Titan X 2식을 SLI로 구성한 시스템을 준비하였다. 개별 시스템에서 별도로 컴파일 된 바이너리의 이름을 통일하고, 개별 시스템의 코어수를 동일하게 균등 배분하여 100 Hz의 데이터로 입력이 되는 온도 정보와 조도 정보를 입력으로 하고 이를 습도정보에 Linear Gradient Descent Optimizer를 이용하여 Epoch 10,000회의 학습을 수행하였다. 4종의 이기종에서 총 32개의 코어를 이용한 학습에서 17초 내외로 연산 수행을 마쳤으나, 비교 시스템에서는 11초 내외로 연산을 마치는 결과가 나왔다. 기보유 하드웨어의 적절한 활용이 가능한 심층학습 기법에 대한 연구를 지속할 것이다