KR20240164360A

KR20240164360A - Factory automation system

Info

Publication number: KR20240164360A
Application number: KR1020230165693A
Authority: KR
Inventors: 김민종
Original assignee: 김민종
Priority date: 2023-05-12
Filing date: 2023-11-24
Publication date: 2024-11-19
Also published as: KR102814595B1

Abstract

생산 설비; 및 상기 생산 설비로부터 수신하는 센서 데이터에 따라 제어 신호를 생성하여 상기 생산 설비로 전송하는 제어 서버;를 포함하는, 공장 자동화 제어 시스템을 개시한다.A factory automation control system is disclosed, including a production facility; and a control server that generates a control signal according to sensor data received from the production facility and transmits the control signal to the production facility.

Description

Factory Automation Control System {FACTORY AUTOMATION SYSTEM}

본 발명은 공장 자동화 제어 시스템에 관한 것이다.The present invention relates to a factory automation control system.

PLC 시스템(Programmable Logic Controller)이란 릴레이 제반 시스템을 마이크로프로세서를 이용하여 통합시킨 시스템으로, 프로그램을 통해 시퀀스 제어(Sequence Control), 각종 연산 및 데이터 처리가 가능한 시스템을 의 미한다. PLC 시스템은 프로그래밍을 통해 시스템의 확장 또는 변경이 용이하며, 작업 환경에 신속히 대응할 수 있다. A PLC system (Programmable Logic Controller) is a system that integrates relay systems using a microprocessor, and is a system that can perform sequence control, various operations, and data processing through programs. A PLC system can be easily expanded or changed through programming, and can quickly respond to the work environment.

최근 PLC 시스템의 데이터 처리량이 증가함에 따라, 멀티 코어를 갖는 CPU 모듈 또는 멀티 CPU 모듈이 PLC 시스템에 탑재된다. PLC 시스템은 전원 모듈, 기능 모듈 및 복수의 CPU 모듈로 구성되는 멀티 CPU 모듈을 포함한다. CPU 모듈 각각은 기능 모듈에 대한 제어권을 갖고, 기능 모듈의 데이터 처리 요청에 따라 데이터를 처리한다. Recently, as the data processing volume of PLC systems increases, CPU modules with multi-cores or multi-CPU modules are mounted on PLC systems. The PLC system includes a multi-CPU module consisting of a power module, a function module, and multiple CPU modules. Each CPU module has control over a function module and processes data according to the data processing request of the function module.

일반적인 PLC 시스템에서 각각의 CPU 모듈은 미리 지정된 기능 모듈에 한하여 읽기(READ) 또는 쓰기(WRITE) 권한, 즉 제어권을 갖는다. 예컨대, CPU 모듈(A)은 모듈 1, 모듈 2에 대해서만 제어권을 가지며, 다른 모듈들(모듈 3 내지 모듈 6)에 대해서는 제어권을 가질 수 없다. 즉, 종래의 PLC 시스템에서는 특정 기능 모듈에 대한 제어권을 미리 지정된 CPU 모듈만이 갖는다. CPU 모듈(A)은 모듈 1, 2에 대한 제어권을 갖고, CPU 모듈(B)은 모듈 3, 4에 대한 제어권을 가지며, CPU 모듈(C)은 모듈 5, 6에 대한 제어권을 갖는다. In a typical PLC system, each CPU module has the control right, that is, the read (READ) or write (WRITE) right, only for a pre-designated function module. For example, CPU module (A) has the control right only for modules 1 and 2, and cannot have the control right for other modules (modules 3 to 6). That is, in a conventional PLC system, only a pre-designated CPU module has the control right for a specific function module. CPU module (A) has the control right for modules 1 and 2, CPU module (B) has the control right for modules 3 and 4, and CPU module (C) has the control right for modules 5 and 6.

일반적인 PLC 시스템을 외부와 연결하거나 연결을 변경하기 위해서는 현재 이용하고 있는 생산 설비 및 생산 장치 내의 모든 연결선을 새롭게 연결해야 하므로, 시스템의 갱신 비용 및 수고가 발생하는 문제가 있다. In order to connect a typical PLC system to the outside or change the connection, all the connection lines within the production facilities and devices currently in use must be reconnected, which causes problems with system renewal costs and labor.

예컨대, 일반적인 PLC 시스템에 배선을 재설정하기 위해서는 먼저, 사람이 직선 배선 길이를 재단하고, 선의 한 쪽 끝단을 커팅해서 케이블 겉면을 벗기고, 넘버링 튜브를 끼우고, 입력측 단자대를 드라이버로 풀고, 입력측 단자대에 케이블을 체결한 후 다시 단자대를 드라이버로 잠가야만 하는 번거로움이 있었다.For example, in order to rewire a typical PLC system, a person must first cut a straight length of wire, cut one end of the wire to strip the outer covering of the cable, attach a numbering tube, loosen the input terminal block with a screwdriver, connect the cable to the input terminal block, and then lock the terminal block again with a screwdriver, which was a hassle.

본 발명의 일측면은 공장 장치 내 삽입된 통신 모듈을 이용하여 제어 네트워크 커넥션을 구축하는 공장 자동화 제어 시스템을 개시한다.One aspect of the present invention discloses a factory automation control system that establishes a control network connection using a communication module inserted into a factory device.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.

본 발명의 시스템은 생산 설비; 및 상기 생산 설비로부터 수신하는 센서 데이터에 따라 제어 신호를 생성하여 상기 생산 설비로 전송하는 제어 서버;를 포함한다.The system of the present invention includes a production facility; and a control server that generates a control signal according to sensor data received from the production facility and transmits the control signal to the production facility.

한편, 상기 생산 설비는, 근거리 통신망 연결을 위한 커넥터; 및 상기 커넥터를 통해 상기 제어 서버와 통신하여 상기 제어 신호를 수신하는 이더넷 컨트롤러;를 포함하고,Meanwhile, the production facility includes a connector for short-range communication network connection; and an Ethernet controller for communicating with the control server through the connector and receiving the control signal;

상기 제어 서버는, 상기 설비 장치로부터 온도, 압력 및 pH 농도 중 적어도 하나 이상을 포함하는 센서 데이터를 수집하는 센서 데이터 수집부; 상기 센서 데이터를 이용하여 상기 설비 장치의 구동 제어를 위한 제어 신호를 생성하는 제어 신호 생성부; 및 상기 제어 신호를 상기 생산 설비로 전송하는 제어 신호 전송부;를 포함하고,The control server comprises a sensor data collection unit that collects sensor data including at least one of temperature, pressure, and pH concentration from the equipment; a control signal generation unit that generates a control signal for operating control of the equipment using the sensor data; and a control signal transmission unit that transmits the control signal to the production equipment.

상기 제어 신호 생성부는, 상기 센서 데이터를 입력 데이터로 생성하고, 상기 입력 데이터에 대하여 구동 개시, 구동 일시 정지 및 구동 중단 중 어느 하나의 결과 데이터의 출력을 위해 학습된 인공 신경망에 상기 입력 데이터를 입력하고, 상기 인공 신경망으로부터 출력 데이터를 획득하고, 상기 출력 데이터를 제어 신호로 생성할 수 있다.The above control signal generating unit can generate the sensor data as input data, input the input data into an artificial neural network trained to output result data of one of driving start, driving pause, and driving stop for the input data, obtain output data from the artificial neural network, and generate the output data as a control signal.

한편, 상기 제어 신호 생성부는, 수학식 1을 이용하여 상기 센서 데이터에 포함되는 제어 수치 항목의 개수, 소정 기간 동안 상기 설비 장치의 고장 횟수 및 상기 센서 데이터의 각 항목의 데이터 값 변화를 이용하여 상기 제어 신호 생성 주기를 설정하는 것을 더 포함할 수 있다.Meanwhile, the control signal generation unit may further include setting the control signal generation cycle by using the number of control numerical items included in the sensor data, the number of failures of the equipment during a predetermined period, and the change in data value of each item of the sensor data using mathematical expression 1.

[수학식 1][Mathematical Formula 1]

(수학식 1에서 P_i는 기존 제어 신호 생성 주기, n은 센서 데이터에 포함되는 제어 수치 항목의 개수, E는 소정 기간 동안 설비 장치(200)의 고장 횟수, V(k)는 제어 수치 항목의 k번째 데이터의 변화가 임계치를 초과한 개수를 의미한다.)(In mathematical expression 1, P _i is the existing control signal generation cycle, n is the number of control numerical items included in the sensor data, E is the number of failures of the equipment device (200) during a given period, and V(k) means the number of times the change in the kth data of the control numerical item exceeds the threshold.)

상술한 본 발명의 일 측면에 따르면, 이더넷 네트워크를 구축하여 생산 설비로의 제어 신호를 송수신함으로써 자동화 시스템 구현을 용이하게 한다는 유리한 효과를 갖는다.According to one aspect of the present invention described above, there is an advantageous effect of facilitating implementation of an automation system by constructing an Ethernet network to transmit and receive control signals to production facilities.

도 1은 본 발명의 일 실시예에 따른 공장 자동화 제어 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 관리 서버의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 4는 본 발명의 또 다른 실시예에 따른 관리 서버의 제어 블록도이다.FIG. 1 is a conceptual diagram of a factory automation control system according to one embodiment of the present invention.
Figure 2 is a conceptual diagram of a management server according to one embodiment of the present invention.
FIG. 3 is a control block diagram of a management server according to another embodiment of the present invention.
FIG. 4 is a control block diagram of a management server according to another embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.The advantages and features of the present invention, and the methods for achieving them, will become clearer with reference to the embodiments described in detail below together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and these embodiments are provided only to make the disclosure of the present invention complete and to fully inform those skilled in the art of the scope of the invention, and the present invention is defined only by the scope of the claims. Like reference numerals refer to like elements throughout the specification.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for the purpose of describing embodiments only and is not intended to be limiting of the invention. In this specification, the singular also includes the plural unless the context clearly dictates otherwise. The terms "comprises" and/or "comprising" as used herein do not exclude the presence or addition of one or more other elements, steps, or operations.

도 1은 본 발명의 일 실시예에 따른 공장 자동화 제어 시스템의 개념도이다.FIG. 1 is a conceptual diagram of a factory automation control system according to one embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 공장 자동화 제어 시스템(1)은 제어 서버(100), 생산 설비(200) 및 이동 단말(300)을 포함할 수 있다.Referring to FIG. 1, a factory automation control system (1) according to one embodiment of the present invention may include a control server (100), a production facility (200), and a mobile terminal (300).

제어 서버(100)는 본 발명에 따른 공장 자동화 제어 서비스를 제공할 수 있다. The control server (100) can provide a factory automation control service according to the present invention.

제어 서버(100)는 본 발명에 따른 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.The control server (100) may be its own server for providing a service according to the present invention, a cloud server, or a p2p (peer-to-peer) collection of distributed nodes.

제어 서버(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.The control server (100) can perform one or more of the operations, storage, reference, input/output, and control functions of a general computer, and can include an artificial neural network, which will be described later, based on input data.

제어 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 공장 자동화 제어 서비스를 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 제어 서버(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 공장 자동화 제어 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.The control server (100) may include a processor and a memory. The processor may perform a factory automation control service according to the present invention and may include devices capable of performing the same. The processor may execute a program or control the control server (100). The program code executed by the processor may be stored in the memory. The memory may store related information for performing the factory automation control service according to the present invention or store a program for implementing a method. The memory may be a volatile memory or a nonvolatile memory.

제어 서버(100)는 네트워크를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.The control server (100) can transmit data to an external device or receive data from an external device using a network.

제어 서버(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다. The control server (100) can train an artificial neural network and can also use an artificial neural network that has completed training. The processor can train or execute an artificial neural network stored in the memory, and the memory can store an artificial neural network that has completed training. The electronic device that trains the artificial neural network and the electronic device that uses the artificial neural network may be the same, but may also be separate.

인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.Artificial intelligence is a computer system that implements some of the functions of the human brain, and can learn, guess, and judge on its own. As learning progresses, the probability of extracting an answer can increase. Artificial intelligence can be composed of learning and element technologies that utilize it. Artificial intelligence learning is an algorithm technology that classifies and learns features based on input data, and element technologies can be technologies that implement some of the functions of the human brain using learning algorithms.

인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.Artificial intelligence is a technology that can easily approach problems that can have multiple answers probabilistically, and can logically and probabilistically infer the optimal cycle, method, plan, etc. according to any input data. Artificial intelligence's inference technology can include judging input data, optimization prediction, knowledge and probability-based inference, and preference-based planning.

인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.Artificial neural networks are one of the learning algorithms in the field of machine learning, and they are programs that implement the connections between neurons and synapses in the brain. Artificial neural networks can create a neural network structure with a program and then train it to have the desired function. There may be errors, but they can learn based on huge data and output appropriate output data with input data. They can obtain output data that has statistically good results, and they have the advantage of being similar to human reasoning.

제어 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 자동화 시스템이 원활하게 운영되고 있는지를 판단할 수 있으며, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다. The control server (100) can determine whether the automation system is operating smoothly using an artificial intelligence algorithm built on big data, and for this purpose, can include a number of pre-learned artificial neural networks.

네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. A network is a high-speed backbone network of a large communications network capable of providing large-capacity, long-distance voice and data services, and may be a next-generation wired or wireless network to provide the Internet or high-speed multimedia services.

네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다. If the network is a mobile communication network, it may be a synchronous mobile communication network or an asynchronous mobile communication network. As an example of an asynchronous mobile communication network, a WCDMA (Wideband Code Division Multiple Access) communication network can be mentioned. In this case, although not shown in the drawing, the network can include an RNC (Radio Network Controller). Meanwhile, although a WCDMA network is mentioned as an example, it can be a 3G LTE network, a 4G network, a next-generation communication network such as another 5G network, or an IP network based on IP.

생산 설비(200)는 컨베이어와, 로봇, CNC, 각종 센서 및 모터 등의 생산 모듈들을 포함할 수 있으며, 제어 서버(100)로부터 제어 신호를 수신하면 내장된 프로그램에 의해 내부 구성 모듈들을 구동시킬 수 있다.The production facility (200) may include production modules such as a conveyor, a robot, a CNC, various sensors, and motors, and may drive internal configuration modules by a built-in program when receiving a control signal from the control server (100).

한편, 본 실시예에서 생산 설비(200)는 네트워크 인터페이스 카드로서 근거리 통신망 연결을 위한 커넥터와 커넥터를 통해 데이터 교환 동작을 수행할 수 있도록 제어하는 이더넷 컨트롤러를 포함할 수 있다.Meanwhile, in this embodiment, the production facility (200) may include a connector for a short-range communication network connection as a network interface card and an Ethernet controller for controlling data exchange operations through the connector.

또한, 생산 설비(200)는 이더넷 컨트롤러를 통해 수신된 데이터에 포함된 처리 커맨드를 해석하기 위한 커맨드 해석부와, 커맨드 해석결과에 따라 실시간으로 생산 모듈들을 제어하는 커맨드 처리부를 포함할 수 있으며, 이때, 커맨드 해석부와 커맨드 처리부는 생산 설비(200)의 제어 프로그램의 일 부분으로서 구현 가능하다.In addition, the production facility (200) may include a command interpretation unit for interpreting processing commands included in data received via an Ethernet controller, and a command processing unit for controlling production modules in real time according to the command interpretation results. In this case, the command interpretation unit and the command processing unit may be implemented as part of a control program of the production facility (200).

생산 설비(200)는 이더넷 컨트롤러를 통해 제어 서버(100)와 통신할 수 있으며, 이더넷 컨트롤러를 통해 제어 신호를 수신할 수 있다.The production facility (200) can communicate with the control server (100) via an Ethernet controller and receive control signals via the Ethernet controller.

이동 단말(300)은 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.The mobile terminal (300) may include any terminal capable of sending and receiving data over a network, such as a desktop computer, laptop, tablet, or smartphone.

이동 단말(300)은 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.The mobile terminal (300) may include at least one of the computational function, storage function, reference function, input/output function, and control function of a computer to perform the service according to the present invention.

이동 단말(300)은 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 이동 단말(300)은 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.The mobile terminal (300) can access a website or install an application to receive a service according to the present invention. The mobile terminal (300) can send and receive data through the website or application.

네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(300)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다. If the network is a mobile communication network, it may be a synchronous mobile communication network or an asynchronous mobile communication network. As an example of an asynchronous mobile communication network, a WCDMA (Wideband Code Division Multiple Access) type communication network can be mentioned. In this case, although not shown in the drawing, the network (300) may include an RNC (Radio Network Controller). Meanwhile, although a WCDMA network is mentioned as an example, it may be a 3G LTE network, a 4G network, a next-generation communication network such as another 5G network, or an IP network based on IP.

이와 같은 본 발명의 일 실시예에 따른 공장 자동화 제어 시스템(1)은 이더넷 네트워크를 구축하여 생산 설비로의 제어 신호를 송수신함으로써 자동화 시스템 구현을 용이하게 한다는 유리한 효과를 갖는다.A factory automation control system (1) according to one embodiment of the present invention has the advantageous effect of facilitating implementation of an automation system by constructing an Ethernet network to transmit and receive control signals to production facilities.

도 2는 본 발명의 일 실시예에 따른 제어 서버의 개념도이다.Figure 2 is a conceptual diagram of a control server according to one embodiment of the present invention.

도 2를 참조하면, 제어 서버(100)는 센서 데이터 수집부(110), 제어 신호 생성부(120) 및 제어 신호 전송부(130)를 포함할 수 있다.Referring to FIG. 2, the control server (100) may include a sensor data collection unit (110), a control signal generation unit (120), and a control signal transmission unit (130).

센서 데이터 수집부(110)는 설비 장치(200)로부터 센서 데이터를 수집할 수 있다.The sensor data collection unit (110) can collect sensor data from the equipment device (200).

센서 데이터는 설비 장치(200)에서 센싱하는 제어 수치 데이터로, 온도, 압력 및 pH 농도 중 적어도 하나 이상을 포함할 수 있다.Sensor data is control numerical data sensed by the equipment (200) and may include at least one of temperature, pressure, and pH concentration.

제어 신호 생성부(120)는 센서 데이터를 이용하여 설비 장치(200)의 구동 제어를 위한 제어 신호를 생성할 수 있다.The control signal generation unit (120) can generate a control signal for driving control of the equipment device (200) using sensor data.

제어 신호는 구동 개시, 구동 일시 정지 및 구동 중단 중 어느 하나일 수 있다.The control signal can be any one of drive start, drive pause, and drive stop.

예를 들면, 제어 신호 생성부(120)는 센서 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 구동 개시, 구동 일시 정지 및 구동 중단 중 어느 하나의 결과 데이터의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.For example, the control signal generation unit (120) can generate sensor data as input data and input the input data to an artificial neural network trained to output one of the result data of driving start, driving pause, and driving stop for the input data.

제어 신호 생성부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 제어 신호로 생성할 수 있다.The control signal generation unit (120) can obtain output data from an artificial neural network and generate the output data as a control signal.

본 실시예에서 제어 신호 생성부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.In this embodiment, the control signal generation unit (120) may include a plurality of pre-learned artificial neural networks for performing a machine learning algorithm. Machine learning can output output data based on input data and use the results to learn on its own, thereby improving data processing capabilities on its own. The artificial neural network can extract features based on input data, infer regularities, and output result data, and as these processes accumulate, the reliability of the result data increases.

본 실시예에서 인공 신경망은 센서 데이터로부터 설비 장치(200)의 구동 개시, 구동 일시 정지 및 구동 중단 중 어느 하나의 제어 신호를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.In this embodiment, the artificial neural network may be an algorithm that outputs a control signal for starting operation, pausing operation, or stopping operation of the equipment device (200) from sensor data. The artificial neural network may infer the best output data by using big data as input data or by using it as input data after going through a processing process of organizing unnecessary data.

인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na

ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.Artificial intelligence machine learning models include Super Viser Learning (supervised learning), UnSuper Viser Learning (unsupervised learning), Semisupervised learning (semi-supervised learning), and Reinforcement Learning (reinforcement learning) depending on the type of learning. And machine learning algorithms include Decision Tree (decision tree), K-Nearest Neighbor, Artificial Neural Network (artificial neural network), Support Vector Machine, Ensemble Learning, Gradient Descent (gradient descent), and Na

ve Bayes Classifier, Hidden Markov Model, K-Means Clustering, etc. can be used.

인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 제어 수치 데이터로, 온도, 압력 및 pH 농도 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 제어 신호를 추론하여 출력 데이터를 출력할 수 있다.An artificial neural network can stack and connect numerous artificial neurons in several layers. The input data of the artificial neural network can include control numerical data, such as at least one of temperature, pressure, and pH concentration. The artificial neural network can be pre-learned about various input values that can be included in the input data. The artificial neural network can infer a control signal according to the data input by the user and output output data.

인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다. An artificial neural network can be an artificial neural network that learns according to reinforcement learning, which is one of the learning methods. Reinforcement learning is a method that gradually increases the probability of obtaining the correct result by setting rewards and restrictions.

인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.Artificial neural networks can be modeled based on a Convelutional Neural Network (CNN) or a Recurrent Neural Network (RNN).

한편, 제어 신호 생성부(120)는 제어 신호 생성 주기를 설정할 수 있다.Meanwhile, the control signal generation unit (120) can set the control signal generation cycle.

예를 들면, 제어 신호 생성부(120)는 아래 수학식 1을 이용하여 제어 신호 생성 주기를 설정할 수 있다.For example, the control signal generation unit (120) can set the control signal generation period using the mathematical expression 1 below.

[수학식 1][Mathematical formula 1]

수학식 1에서 P_i는 기존 제어 신호 생성 주기, n은 센서 데이터에 포함되는 제어 수치 항목의 개수, E는 소정 기간 동안 설비 장치(200)의 고장 횟수, V(k)는 제어 수치 항목의 k번째 데이터의 변화가 임계치를 초과한 개수를 의미한다.In mathematical expression 1, P _i represents the existing control signal generation cycle, n represents the number of control numerical items included in the sensor data, E represents the number of failures of the equipment device (200) during a given period, and V(k) represents the number of times the change in the kth data of the control numerical item exceeds the threshold.

여기서, P_i=1, E=1, n=3, V(1)=1, V(2)=0, V(3)=2인 경우, P는 1.3으로 산출될 수 있으며, 이와 같은 경우, 기존의 제어 신호 생성 주기의 1.3배로 제어 신호 생성 주기를 설정할 수 있다.Here, if P _i = 1, E = 1, n = 3, V (1) = 1, V (2) = 0, V (3) = 2, P can be calculated as 1.3, and in this case, the control signal generation period can be set to 1.3 times the existing control signal generation period.

이와 같은 수학식 1에 따르면, 생산 설비(200)의 가동 이력 현황 및 각 센서 데이터의 변화량을 반영하여 제어 신호 생성 주기를 조절함으로써 제어 신호 인가의 정확도를 높일 수 있다.According to mathematical expression 1, the accuracy of control signal application can be improved by adjusting the control signal generation cycle by reflecting the operating history of the production facility (200) and the amount of change in each sensor data.

제어 신호 전송부(130)는 제어 신호를 설비 장치(200)로 전송할 수 있다.The control signal transmission unit (130) can transmit a control signal to the equipment device (200).

이때, 제어 신호 전송부(130)는 이더넷 통신 방식을 통해 설비 장치(200)와 통신할 수 있다.At this time, the control signal transmission unit (130) can communicate with the equipment device (200) via an Ethernet communication method.

도 3은 본 발명의 다른 실시예에 따른 제어 서버의 개념도이다.Figure 3 is a conceptual diagram of a control server according to another embodiment of the present invention.

도 3을 참조하면, 본 발명의 다른 실시예에 따른 제어 서버(101)는 도 2에 도시된 센서 데이터 수집부(110), 제어 신호 생성부(120) 및 제어 신호 전송부(130)에 더하여 관리자 인증부(140)를 더 포함할 수 있다.Referring to FIG. 3, a control server (101) according to another embodiment of the present invention may further include an administrator authentication unit (140) in addition to the sensor data collection unit (110), control signal generation unit (120), and control signal transmission unit (130) illustrated in FIG. 2.

관리자 인증부(140)는 이동 단말(300)을 통한 센서 데이터 수집부(110), 제어 신호 생성부(120) 및 제어 신호 전송부(130)에서 생성하는 데이터의 입출력 권한을 관리할 수 있다.The administrator authentication unit (140) can manage the input/output authority of data generated by the sensor data collection unit (110), control signal generation unit (120), and control signal transmission unit (130) through the mobile terminal (300).

이동 단말(300)은 설치된 어플리케이션을 통해 센서 데이터 수집부(110), 제어 신호 생성부(120) 및 제어 신호 전송부(130)에서 생성하는 데이터에 대한 입출력이 가능한데, 관리자 인증부(140)는 이동 단말(300)을 통한 데이터의 입출력 권한을 승인하여 본 실시예에 따른 공장 자동화 제어 시스템의 보안성을 높일 수 있다.The mobile terminal (300) can input and output data generated by the sensor data collection unit (110), the control signal generation unit (120), and the control signal transmission unit (130) through the installed application. The administrator authentication unit (140) can approve the input/output authority of data through the mobile terminal (300) to enhance the security of the factory automation control system according to the present embodiment.

예를 들면, 관리자 인증부(140)는 아래 수학식 2를 이용하여 권한 승인 점수를 산출할 수 있다.For example, the administrator authentication unit (140) can calculate the authorization approval score using the mathematical expression 2 below.

[수학식 2][Mathematical formula 2]

수학식 2에서 S는 권한 승인 점수, N은 데이터 입출력 권한을 갖는 전체 관리자의 수, Ai는 i번째 데이터 입출력 권한 요청 시, 데이터 수정 여부에 따른 점수(데이터 수정이 있는 경우=1, 데이터 수정이 없는 경우=0으로 정의됨), Wj는 번째 로그인 시도에의 성공 여부에 따른 점수(로그인 성공 시=1, 로그인 실패 시=0), 는 사용자 로그인 정보 별 미리 설정된 가중치를 의미한다.In mathematical expression 2, S is the permission approval score, N is the total number of administrators with data input/output permission, Ai is the score according to whether data is modified when the ith data input/output permission is requested (defined as 1 if there is data modification, 0 if there is no data modification), Wj is the score according to whether the ith login attempt is successful (1 if login is successful, 0 if login fails). refers to the preset weight for each user login information.

관리자 인증부(140)는 수학식 2에 따라 산출되는 권한 승인 점수가 미리 설정된 임계치 이상인 경우에만, 이동 단말(300)을 통한 데이터의 입출력 권한을 승인할 수 있다.The administrator authentication unit (140) can approve the input/output of data through the mobile terminal (300) only when the authorization approval score calculated according to mathematical expression 2 is equal to or higher than a preset threshold.

도 4는 본 발명의 또 다른 실시예에 따른 제어 서버의 개념도이다.FIG. 4 is a conceptual diagram of a control server according to another embodiment of the present invention.

도 4를 참조하면, 본 발명의 또 다른 실시예에 따른 제어 서버(102)는 도 3에 도시된 센서 데이터 수집부(110), 제어 신호 생성부(120), 제어 신호 전송부(130) 및 관리자 인증부(140)에 더하여 가동 이력 현황 분석부(150)를 더 포함할 수 있다.Referring to FIG. 4, a control server (102) according to another embodiment of the present invention may further include an operation history status analysis unit (150) in addition to the sensor data collection unit (110), control signal generation unit (120), control signal transmission unit (130), and administrator authentication unit (140) illustrated in FIG. 3.

가동 현황 이력 분석부(150)는 제어 신호 생성부(120)에서 생성하는 제어 신호를 분석하여 생산 설비(200)의 상태를 예측할 수 있다.The operation status history analysis unit (150) can predict the status of the production facility (200) by analyzing the control signal generated by the control signal generation unit (120).

예를 들면, 가동 현황 이력 분석부(150)는 아래 수학식 3을 이용하여 가동 현황 점수를 산출할 수 있다.For example, the operation status history analysis unit (150) can calculate the operation status score using the mathematical expression 3 below.

[수학식 3][Mathematical Formula 3]

수학식 3에서 So는 가동 현황 점수, CS는 제어 신호에 따른 점수로 구동 개시의 경우 2, 구동 일시 정지의 경우 2 및 구동 중단의 경우 0의로 정의되고, St는 t에서 생산 달성률, q는 사용자에 의해 설정되는 일정 기간으로 예컨대, 일주일, 한달 등으로 설정되고, t는 제어 신호의 생성 시점, 는 제어 신호의 총 생성 횟수를 의미한다.In mathematical expression 3, So is the operating status score, CS is the score according to the control signal, which is defined as 2 for the start of operation, 2 for the pause of operation, and 0 for the interruption of operation, St is the production achievement rate at t, q is a period set by the user, such as one week or one month, and t is the generation time of the control signal, means the total number of times the control signal is generated.

수학식 3은 단순한 생산 설비(200)의 상태 파악을 위한 점수 산정 방식보다 합리적인 지수를 산정하여 보다 정확한 가동 현황 점수를 산출할 수 있도록 한다.Mathematical expression 3 calculates a more reasonable index than the simple score calculation method for assessing the status of production equipment (200), thereby enabling a more accurate operating status score to be calculated.

수학식 3에 따르면, 제어 신호에 따른 구동 상태를 파악하여 생산 설비(200)의 가동 현황 점수를 산출할 수 있으며, 가동 현황 점수가 임계치 이하로 산출되는 경우, 생산 설비(200)의 점검 신호를 발생시켜 이동 단말(300)로 전송하여 적절한 조치가 취해질 수 있도록 한다.According to mathematical expression 3, the operating status according to the control signal can be identified to calculate the operating status score of the production facility (200), and if the operating status score is calculated to be below the threshold, an inspection signal of the production facility (200) is generated and transmitted to the mobile terminal (300) so that appropriate measures can be taken.

한편, 가동 현황 이력 분석부(150)는 아래 수학식 4를 이용하여 점검 신호를 전송할 담당자 정보를 산출할 수 있다. 가동 현황 이력 분석부(150)는 수학식 4를 이용하여 미리 저장된 복수의 담당자 별 담당자 점수를 산출하고, 담당자 점수가 가장 높은 담당자 정보에 해당하는 이동 단말(300)로 점검 신호를 전송할 수 있다.Meanwhile, the operation status history analysis unit (150) can calculate the information of the person in charge to which the inspection signal will be transmitted using the following mathematical expression 4. The operation status history analysis unit (150) can calculate the score of each person in charge stored in advance using the mathematical expression 4, and transmit the inspection signal to the mobile terminal (300) corresponding to the information of the person in charge with the highest score.

[수학식 4][Mathematical formula 4]

수학식 4에서 P_l은 담당자 l의 담당자 점수, n은 총 담당자 정보의 개수, 는 담당자 l의 주전공 정보의 평가 벡터, 은 담당자 l의 부전공 정보의 평가 벡터, 은 담당자 l의 생산 설비(200)의 제1 기간 내 점검 유무에 대한 인디게이터 벡터, 는 담당자 l의 생산 설비(200)의 제2 기간 내 점검 유무에 대한 인디게이터 벡터, 는 가동 현황 점수의 평균, 은 담당자 l의 이전 평가 점수, 는 담당자 l의 생산 설비(200)의 점검 유무에 대한 인디게이터 벡터, , , 는 정보 생성 모델에 대응되는 파라미터를 의미한다.In mathematical expression 4, P _l is the manager score of manager l, n is the total number of manager information, is an evaluation vector of the main information of the person in charge l, is the evaluation vector of the minor information of the person in charge l, Indicator vector for whether the production facility (200) of person in charge l is inspected within the first period, is an indicator vector for whether the production facility (200) of the person in charge l is inspected within the second period. is the average of the operating status scores, is the previous evaluation score of the person in charge l, is an indicator vector for the presence or absence of inspection of the production facility (200) of the person in charge l. , , refers to a parameter corresponding to the information generation model.

수학식 4에 따르면 담당자의 생산 설비(200)의 점검 이력과 전공을 반영하여 생산 설비(200)의 정비에 적합한 담당자를 추출할 수 있으며, 나아가, 단순한 선형 계산에서 벗어나 알고리즘을 통해 패턴화 된 수치를 산출할 수 있도록 하여 신빙성을 높인다.According to mathematical expression 4, a person in charge suitable for maintenance of production equipment (200) can be extracted by reflecting the inspection history and specialty of the person in charge of production equipment (200), and further, reliability is increased by enabling patterned values to be produced through an algorithm rather than simple linear calculation.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.Although the embodiments of the present invention have been described with reference to the attached drawings, those skilled in the art will understand that the present invention can be implemented in other specific forms without changing the technical idea or essential features thereof. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive.

1: 공장 자동화 제어 시스템
100: 제어 서버
200: 설비 장치
300: 이동 단말1: Factory automation control system
100: Control Server
200: Equipment Device
300: Mobile terminal

Claims

production facilities; and
A factory automation control system, comprising: a control server that generates a control signal based on sensor data received from the production facility and transmits the control signal to the production facility.

In the first paragraph,
The above production facilities,
Connector for short-range communication network connection; and
An Ethernet controller for communicating with the control server through the connector and receiving the control signal;
The above control server,
A sensor data collection unit for collecting sensor data including at least one of temperature, pressure, and pH concentration from the above production facility;
A control signal generation unit that generates a control signal for driving control of the equipment using the sensor data; and
A control signal transmission unit for transmitting the above control signal to the production facility is included;
The above control signal generating unit,
Generate the above sensor data as input data, input the input data into an artificial neural network trained to output one of the result data of driving start, driving pause, and driving stop for the input data, obtain output data from the artificial neural network, and generate the output data as a control signal,
A mobile terminal further comprising: a mobile terminal providing input/output functions for data generated by the sensor data collection unit, the control signal generation unit, and the control signal transmission unit through an installed application;
The above control server,
It further includes an administrator authentication unit that manages the input/output authority of data generated by the sensor data collection unit, the control signal generation unit, and the control signal transmission unit through the mobile terminal;
The above administrator authentication department is,
A factory automation control system that calculates an authorization approval score by applying the number of total administrators with data input/output authority, a score based on whether data has been modified, a score based on whether a login attempt was successful, and a preset weighting factor for each user login information to the following mathematical expression 2, and approves data input/output authority through the mobile terminal only when the authorization approval score is greater than or equal to a preset threshold.
[Mathematical formula 2]

(In mathematical expression 2, S is the permission approval score, N is the total number of administrators with data input/output permission, Ai is the score according to whether data is modified when the ith data input/output permission is requested (defined as 1 if there is data modification, 0 if there is no data modification), Wj is the score according to whether the ith login attempt is successful (1 if login is successful, 0 if login fails). refers to the preset weight for each user login information)