- 1 -

전자부품조립산업에서의

지식기반형 설비운영 관리 시스템 개발

결과보고서( )

창업기업명 :

대 표 :

주 앤 애스 앰( )

이 상 태

한 국 산 업 기 술 평 가 원

- 2 -

결 과 보 고 서

년도 신기술창업보육 사업에 의하여 완료된 전자부품 조립산업에서의2000 (TBI) “

지식기반형 설비운영 관리 시스템 개발 의 결과보고서를 별첨과 같이 제출합니”

다.

첨 부 결과보고서 부 끝: 10 . .

2002. 12.

창업기업명 : 주 앤 애스 앰( )대 표 : 이 상 태 인( )

한국산업기술평가원장 귀하

- 3 -

제 출 문

한국산업기술평가원장 귀하

본 보고서를 전자부품조립산업에서의 지식기반형 설비운영 관리 시스템 개발 의“ ”

결과보고서로 제출합니다.

2000. 12.

기술개발책임자 : 이 상 태참여 기술 인력 : 황 인 식

남 배 중

이 상 현

송 은 주

정 수 현

김 수 윤

박 진 희

- 4 -

요 약 문

항 목 현 황

일반현황

설립일 년 월 일 자본금 원: 1999 9 8 ( : 250,000,000 )•

총 종업원수 명 경영직 명 연구직 명: 9 ( 2 , 7 )•

사업장 현황•

본 사 인천 인천소프트웨어지원센타 소재- :

연구실 서울 테크노마트빌딩 게임종합지원센터 소재- :

개발현황

설비계층 구조의 표현방법 구현•

설비 운영데이터의 분류 수집을 위한 데이터베이스 설계,•

예방보전 항목 설정에 관한 기능•

보전이력정보를 고장진단 기능에 연계하기 위한 개발•

및 고장진단 모듈 개발Neuro-fuzzy CBR•

양산체제등

설비구축현황

개발시스템은 소프트웨어이므로 그 특성상 양산에 대한•

의미보다는 시장환경에 따른 의 개념의 체제를Customizing

구축함

사업에서 구축한 본 시스템으로 지식기반형 시스템의SMT•

핵심 모듈이 완성되고 이를 활용할 사업장의 특성에 따라,

규모를 달리하여 영업활동을 전개하고자 함

사업화현황

매출실적 및 계획•

당초 계획은 지식기반형 객체지향성 설비관리 소형시스템의

초기 매출처를 설비를 사업기반으로 하는 중소기업SMT

군으로 계획하였으나 예상치 못하였던 경기침체에 따른,

중소기업의 자금난으로 열악한 영업환경 하에 있다.

따라서 향후 매출은 경제상황의 변수에 달려있다고 하겠다.

대외기관인증

특허 외부자금/

활용현황

년 월 한국컴퓨터통신 주 의 지식기반형 솔루션2000 7 ( )•

기술검증에 의한 부문 솔루션 공급자 계약UniSQL

년 월 주도 자본증자2000 9 KAIST-AVM•

기타사항

- 5 -

목 차

기술개발 및 사업화 목적과 중요성.Ⅰ

기술개발 내용.Ⅱ

제품의 개요1.

설비정보 관리 및 운영기술1-1 SMT

인공지능 기반의 진단기능1-2

진단시스템 구축 내용1-3

개발시스템의 기능2.

사용자 등록2-1

에 의한 고장진단2-2 HNFN

사례기반추론에 의한 고장진단2-3

기기등록 및 기기관계설정2-3-1

고장사례추출에 의한 진단2-3-2

새로운 고장사례 추가2-4

등록현황조회2-5

고장이력분석2-6

보고서 출력2-7

설계내용3.

3-1 Neuro-fuzzy system

사례기반추론에 의한 고장진단3-2

- 6 -

제조공정도4.

고장진단 지식획득4-1

에 의한 고장진단부 구조4-2 HNFN(Hybrid Neuro-Fuzzy Network)

사례기반추론에 의한 고장진단부 구조4-3

양산원가계산과 기존제품과의 원가비교5.

성능평가 및 선진국 제품과의 성능비교6.

양산개발시 애로사항 및 해결과정7.

양산사업화 추진내용.Ⅲ

추진경과1.

매출 실적과 향후 년간 계획2. 3

매출실적2-1

향후 예상 매출액2-2

사업화 추진과정상 애로사항 및 해결과정3.

기대효과.Ⅳ

- 7 -

그림목차

설비정보 관리 및 운영시스템의 구성Fig. 1

자동조립라인 설비구성도Fig. 2 SMT

설비상태 진단 시스템의 구성Fig. 3

사용자 등록 연결 및 등록현황 화면Fig. 4 ,

에 의한 고장진단 화면Fig. 5 HNFN

고장증상입력 화면Fig. 6

고장사례추출에 의한 진단결과 화면Fig. 7

고장사례추가 화면Fig. 8

고장사례목록 조회 화면Fig. 9

고장이력분석 조회 화면Fig. 10

고장빈도에 대한 보고서 화면Fig. 11

Fig. 12 Neuro-fuzzy systems integrate fuzzy logic and neural networks

지식획득과정Fig. 13

에 의한 고장진단 구조도Fig. 14 HNFN

사례기반추론을 이용한 진단시스템의 공정도Fig. 15

- 8 -

기술개발 및 사업화 목적과 중요성.Ⅰ

본 과제는 지식기반형 시스템 구축기반으로서 이론과Core Fuzzy Neural Network

이론 및 사례기반추론 기법을 이용하여 기술적으CBR(Case-Based Reasoning : )

로 구현한 연구이다 지식기반형 설비운영관리 시스템은 총체적 운영 및 향후 부문.

별 전문가 시스템으로도 사용할 수 있도록 객체지향형 모듈화를 지향 개발하여 적,

용 사업장의 체계에 능동적으로 대처하여 운영효과를 극대화하였다.

전기와 기계가 복합되는 장비의 자동화 수준이 향상됨에 따라 고장이 발생하였을

때 고장진단 업무는 점점 더 어려운 일이 되어가는 추세이다 제조 환경에 있어서.

자동화 장비는 중요한 역할을 차지하고 있다 이러한 고장은 장비의 손실을 가져올.

뿐만 아니라 고장진단시 요구되는 시간과 전문가의 경험지식을 고려한다면 그 손실

은 더욱 커지게 된다 기계고장을 진단하는 문제는 공장자동화라는 측면에서 볼 때.

가장 중요한 문제이며 기계의 고장이 발생하였을 경우 어느 정도 효율적으로 진단,

하느냐가 생산라인의 효율적인 운영의 관건이 있다 전통적으로는. FAT(Fault Tree

나 기법 등을 이용하여 고장진단 문제를 해결하려는 연Analysis) DT(Decision Tree)

구가 진행되어 왔다 작업현장에서 이용되는 고장진단 방법으로는 장비의 제. SMD

어기로부터 얻게 되는 고장코드를 기본으로 하여 보수매뉴얼의 진단정보를 활용하

지만 이 방법으로는 충분치 못한 경우가 다수 존재하여 새로운 진단의 방법이 요구

된다 즉 이러한 고장코드를 갖고 있는 경우를 포함한 선행의 진단연구는 빈약하며. ,

대부분은 코드 없이 고장 징후만을 이용하는 연구가 대부분이다.

전문가 시스템은 전문가가 가지고 있는 전문지식을 이용하여 인공지능 분야의 지식

표현 및 추론방법으로 문제를 해결한다 이 시스템은 관련 전문지식을 효과적으로.

컴퓨터 내에 표현하고 신속 정확하게 해결하면서 동시에 균일한 의사결정을 수행,

할 수 있고 시스템 구축 및 운용시 지식의 초가 또는 수정을 통하여 정보의 관리,

나 운용환경 변화에 쉽게 적응할 수 있는 특성이 있어 전분분야의 의사결정 업무에

적합한 기술이다.

- 9 -

이에 본 연구에서는 장비의 고장진단에 이 전문가 시스템 기술이 접목되어 있SMD

는 시스템을 적용하여 고장발생시 신속한 진단을 내려 생산효율을 높neuro-fuzzy

이는데 중요한 역할을 할 수 있도록 한다.

개발된 시스템은 이제까지 기술 협력관계를 유지하여 왔던 전자부품 제조업 기계,

부품 제조업에 종사하고 있는 유수 중소기업 사업장에 적용함으로써 사업화의 기초

를 마련하는 역할을 하게될 것이다 최근 수직 계열화된 협력 중소업체의 생산설.

비관리는 현안으로 대두되고 있어 초기 시장 진입이 고무적이라 판단하고 있다.

향후 과거 해외사업에 협력관계를 구축했던 중견 부품제조업체들과 외국 합자법인,

의 시스템에 형태의 제품을 생산현장 으로 공급하고 해외ERP Plug-In DB Solution

사업 진출을 도모할 것이다 실제로 협력관계에 있는 사 협의를 통하여. Consulting

경험한 바로는 현재도 생산현장을 효율적으로 통합관리 운영할 수 있는 유사제품,

은 초기 개발을 시도하는 형태로 진행되고 있는 것으로 판단된다.

- 10 -

기술개발 내용.Ⅱ

제품의 개요1.

란 종래의 전자 부품에 있는 리드 선을 없애거나SMD(Surface Mounting Device)

극소화해서 인쇄회로기판 상에 부착할 수 있게 만든(Printed Circuit Board, PCB)

극소형 전자부품을 말하며 이러한 부품을 실장하기 위한 공정상의 기술 부품기술, , ,

실장 기기 및 조립기술을 통칭하여 표면실장기술(Surface Mounting Technology,

이라 한다SMT) .

는 원래 부품의 고밀도 실장을 목적으로 개발된 것이지만 최근에는 전자부품SMT ,

의 모듈화의 기술로도 응용되고 있으며 기술혁신이 빠르게 진전되고 있다unit, .

기업의 생산현장에서 자동화 무인화로 대량 생산용 설비의 효율적 활용은 제품의,

생산성 향상과 품질에 큰 영향을 미치는 요소이다.

기술은 전자산업의 조립작업을 사람중심에서 설SMT(Surface Mount Technology)

비중심으로 전화시킨 중요한 기술이다 전자조립산업은 부품조립을 자동실장. PCB

기를 이용하여 인적요소를 줄이고 설비중심으로 자동화를 성공시킨 자동화 공장의

대표적인 사례이다.

본 연구에서는 이와 같이 전자산업 발전에 따라 그 중요성이 증대되어 가는 전자제

품용 어셈블리 대량 생산설비 중 하나인 생산현장의 효율적 운영을 위해PCB SMT

신경망과 퍼지 추론을 이용하여 설비의 고장 및 상태를 진단하고 설비운영을 지원

할 수 있는 지식기반형 설비운영 관리 시스템을 개발하였다.

설비정보 관리 및 운영기술1-1 SMT

설비를 관리하고 운영하기 위해서는 설비가 지니고 있는 다양한 정보를 발췌하고

수집하여 관리하여야 한다 이 설비정보에는 기본적인 정보는 물론 설비보전을 위. ,

한 보전작업 정보에 이르기까지 다양하고 많은 정보가 있으며 이들은 유기적인 연

관성이 있다 따라서 이 정보들을 운영할 수 있는 데이터베이스 시스템을 구축하였.

다.

개발된 시스템에는 다음과 같은 기능이 포함된다.

설비의 예방보전 활동을 지원하기 위한 예방보전 관리기능①

과거 보전사례를 기록 관리하는 보전이력 관리기능②

설비가 효율적으로 운영되는지는 파악할 수 있는 설비운영지표 관리기능③

- 11 -

은 이러한 설비정보 관리 및 운영시스템의 구성을 나타내었다Fig. 1 .

설비정보 관리 및 운영시스템의 구성Fig. 1

인공지능 기반의 진단기능1-2

자동화된 설비를 운영하고 관리하는 시스템에 필요한 또 하나의 주요기능은 설비상

태를 진단하는 기술이다 이것은 설비가 설치되어 운전하고 폐기되는 과정에서 다.

양한 형태의 고장을 일으키기 때문에 이 고장을 미연에 방지하고 가급적 안정적인

설비의 운영이 이루어질 수 있도록 도와준다 또한 돌발적인 고장으로 인한 손실의.

영향이 가장 큰 설비 중의 하나인 설비 운영에 있어서 이를 최소화하는 하는SMT

데에 중요한 역할을 한다.

- 12 -

는 자동조립라인의 설비 구성도이다Fig. 2 SMT .

자동조립라인 설비구성도Fig. 2 SMT

본 과제에서는 현장조사에서 도출된 라인의 고장진단 업무특성에 따라 과제SMT

초기단계에서 제안되었던 기술 이외에 사례기반추론 기술을Hybrid Neuro-fuzzy

추가로 도입해서 기술 상호간 시너지 효과를 기대할 수 있게 설계하였다.

구현된 시스템의 구조는 과 같다Fig. 3 .

설비상태 진단 시스템은 그 동안의 설비관리 기술의 기계가공산업이나 전자 조립업

은 물론 자동화된 다양한 생산라인의 현장에 제공되어 효율적이고 안정적인 설비운

영 관리를 위한 시스템으로 활용될 수 있다.

- 13 -

이처럼 앞에서 살펴본 바와 같이 개발된 시스템은 설비정보 관리 및 운영기술SMT

을 위한 데이터베이스 고장진단을 위한 전문가 지식베이스 인공지능 기반의 고장, ,

진단기능이 상호 연동되는 구성을 이루고 있다.

설비상태 진단 시스템의 구성Fig. 3

진단시스템 구축 내용1-3

설비계층 구조의 표현방법 구현①

설비는 그 구조가 계층적으로 구성되어 있다 따라서 이 계층구조에 대한 표현 방.

법과 설비구조의 표현 범위를 통해 설비 부품의 관리범위가 지정될 수 있으므로 모

듈화 및 장치에 대한 관리의 범위를 설정할 수 있도록 하였다.

- 14 -

설비 운영데이터의 분류 및 수집을 위한 데이터베이스 설계②

설비는 다른 설비와 구별되는 고유의 정보특성을 가지고 있다 설비운영관리 시스.

템의 구축을 위해서는 다양한 정보가 필요하며 이들을 이용하여 분류하고 표현하기

위해 데이터베이스를 설계하였다.

설비관리의 효율 및 효과측정을 위한 측정지표 수집 및 개발③

설비의 효율적 운영을 위해 실제 일정기간을 대상으로 어느 정도 변화가 있었는지,

또는 얼마나 효율적이었는지 등 효율 및 효과에 대한 수치적 분석이 필요하다 따.

라서 이를 위한 관리항목을 설정하여 설비관리의 운영효율을 파악할 수 있도록 하

였다.

보전이력 정보를 기록하여 이를 고장진단 기능에 연계하기 위한 개발④

설비는 보전작업을 수행한 과거의 이력이 차후의 고장진단이나 보전작업에 영향을

미치는 경우가 많다 따라서 과거의 사례를 기록하여 두고 이 기록을 활용할 수 있.

도록 시스템 적으로 연계시켜 두어야 한다.

시스템 및 고장진단 시스템 개발Neuro-Fuzzy CBR⑤

이 시스템은 설비의 고장에 영향을 미치는 요인들의 데이터를 수집하고 수집된 데

이터 값의 변화에 대응하여 설비상태를 해석하고 인과관계를 추론하는 기능을 갖는

다 특히 과거의 고장패턴을 학습하고 새로운 상황에 대한 해를 제시할 수 있도록.

하는 적응기능의 구현은 첨예한 고장상황까지 예지할 수 있다.

- 15 -

개발시스템의 기능2.

사용자 등록2-1

본 시스템은 다수의 사용자를 대상으로 하고 있기 때문에 시스템 보안 유지를 위해

와 같이 사용자는 최초의 사용 시에 자신의 정보를 시스템에 등록하여야 한Fig. 4

다 등록이 완료되면 와 같이 사용자 목록에 추가된다 만약 이미 등록된 사. Fig. 4 .

용자라면 주민등록번호와 비밀번호만을 입력하여 로그인 할 수 있다.

사용자 등록 연결 및 등록현황 화면Fig. 4 ,

- 16 -

에 의한 고장진단2-2 HNFN

에 의한 고장진단을 하기 위해서는 먼저 고장사례베이스에 있는 데이터를 가HNFN

지고 추론베이스로 다시 구축하는 작업이 선행되어야 한다.

구축작업이 완료되면 에 의한 고장진단에서와 같이 기기 종류 고장부분 및 고CBR ,

장증상을 입력한 다음 으로 진단할 수 있도록 단계 코드생성 버튼을 눌러HNFN 1

입력사항을 코드화 하는 작업이 이루어져야 한다.

에 의한 고장진단 화면Fig. 5 HNFN

- 17 -

이렇게 코드가 생성되면 비로소 을 통한 진단이 가능하다 이때 단계 진단시HNFN . 2

작 버튼을 누르면 시스템이 입력된 고장내용이 추론베이스의 고장분류 중 어느 분

류에 속하는지를 찾아내어 고장원인과 그에 따른 조치사항을 보여준다.

사례기반추론에 의한 고장진단2-3

기기등록 및 기기관계설정2-3-1

장비의 고장진단을 위해 현장에 새로 설치되는 기기는 우선 기기 정보를 기기등록

폼에 입력하여 기기를 시스템에 등록하고 시스템에 등록되어 있는 기기들간의 관,

계를 설정한다.

고장사례추출에 의한 진단2-3-2

장비의 고장은 크게 에러코드의 유무로 구분할 수 있다 따라서 본 시스템에서는.

과 같이 에러코드의 발생유무를 구분하여 에러코드가 있는 경우는 간단하게Fig. 6

발생한 코드번호만 입력하면 상황에 맞는 조치사항이 나타나도록 하였으며 에러코,

드가 없는 경우는 현재 고장증상을 모든 항목에 자세하게 입력하도록 되어있다 또. ,

가중치를 부여해주는 항목을 삽입하여 경우에 따라 기기 종류 고장위치 고장증상, ,

중 어느 것에 중점을 두어 사례를 추출할 것인지를 설정하도록 하였다.

에서 증상 입력 후 사례추출 버튼을 누르면 고장증상 입력화면에서 얻은 데Fig. 6

이터와 앞서 설정된 기기관계설정 값을 토대로 하여 처럼 추출과정을 통해Fig. 7

시스템이 제안한 다수의 후보사례가 우선 순위 별로 정렬된다.

상단에는 현재 고장내용과 증상을 시스템이 보여주는 후보사례들과 비교할Fig.7

수 있도록 보여주고 있으며 중간부분에는 정렬된 사례들의 사례번호와, Idex

점수 고장일자와 고장횟수를 점수별 고장발생일자별 고장발생횟수별로Matching , , ,

정렬하며 확인할 수 있다 여기서 더욱 자세한 내용을 보고싶은 사례는 사례선택버.

튼을 눌러 하단의 자세한 정보를 표시하도록 하였다.

- 18 -

사용자가 시스템에서 제안한 고장원인을 이용하여 현재 문제의 해를 찾아내고 이,

를 사용자 스스로 판단하여 시스템에 추가시키고자 한다면 상단 우측의 사례저장버

튼을 눌러 기존 사례를 업데이트 시킨다.

고장증상입력 화면Fig. 6

- 19 -

고장사례추출에 의한 진단결과 화면Fig. 7

- 20 -

새로운 고장사례 추가2-4

고장사례추출에 의한 진단 단계에서 적절한 사례를 찾지 못하였고 현재 고장사례,

가 기존사례들과는 다른 새로운 것이라면 새 고장사례로 사례베이스에 추가시킬 수

있다.

은 새로운 고장사례를 사례베이스에 추가하기 위하여 고장증상을 입력하는Fig. 8

화면이다 과 같이 고장이력관리를 위해서 고장일자와 정비구분 및 정비원인. Fig. 8

을 우선 입력하고 기기 종류 고장위치 고장증상 그리고 고장원인 및 조치사항, , , ,

정비에 소요된 시간 정비 후 상태 등을 입력하여 사례베이스에 추가시킨다, .

고장사례추가 화면Fig. 8

- 21 -

등록현황조회2-5

등록현황 항목의 기능은 본 시스템에서 이미 앞서 등록된 사용자 기기 고장사례, ,

그리고 기기간관계 및 추출가중치의 등록현황을 조회할 수 있고 불필요한 데이터,

라 판단되는 사항들을 삭제하는 것이다.

는 이들 항목을 조회하는 화면인데 예로 고장사례의 등록현황 화면을 살펴Fig. 9 ,

보면 사례번호 고장일자 고장위치 고장증상 조치사항 등 그밖에 고장사례에 관, , , ,

한 모든 항목을 확인할 수 있다.

고장사례목록 조회 화면Fig. 9

- 22 -

처음 실행 시에는 사례번호순으로 정렬되어 출력된다 이를 사용자 편의에 따라 날.

짜별로 정렬하면 최근 발생한 사례부터 보여지고 기기별로 정렬하면 고장위치명,

순으로 정렬되어 한눈에 고장이 잦은 부분을 대략적으로 확인할 수 있다 또 빈도.

별 정렬은 등록된 사례 중에 고장발생이 가장 빈번했던 사례를 고장횟수 순으로 정

렬시켜 고장이 자주 일어나는 사례의 경우 미리 예방정비를 하여 고장발생에 대비

할 수 있도록 하였다.

하단에 검색창은 방대한 사례들로부터 정렬방식 선택으로는 원하는 사례를 찾기 어

려울 경우 검색어를 입력하여 신속한 검색이 이루어질 수 있는 기능이다.

고장이력분석2-6

고장이력분석은 고장원인을 이나 으로 고장진단 하는 것과는 독립적으로CBR HNFN

구축되어 있는 사례베이스와 추론베이스로부터 전체 고장이력들의 내용을 한 눈에

볼 수 있도록 그래프로 나타낸 것이다.

분석항목으로는 총 가지가 있는데 첫째 고장이 어느 정도의 시간간격을 가지고4 ,

발생하는가를 보여주는 고장빈도 이력분석이 있고 둘째 고장발생 시 회 정비 소, 1

요시간을 표시한 정비시간 이력분석과 셋째 고장종류를 기기문제인지 기기 조작자, ,

의 운전 오류인지 등으로 크게 분류한 정비구분 분석이 있다.

마지막으로 고장의 원인 또한 장비의 마모 및 파손으로 인하여 고장이 발생하였는,

지 장비에 이물질이 유입되어 발생한 고장인지 등을 정비원인별로 분류한 정비원인

분석이 있다.

이들 가지 고장이력분석은 전체이력을 모두 그래프로 나타낸 전체 결과보기 항목4

이 있고 사용자가 원하는 일정기간을 지정하여 그 기간에 속하는 이력들만 분석한,

기간별 결과보기 항목이 있다.

은 고장이력분석 그래프의 출력 예이다Fig. 10 .

- 23 -

고장이력분석 화면Fig. 10

보고서 출력2-7

이미 앞절에서 서술한 사용자 등록에서부터 고장이력분석의 작업들은 사용자가 시

스템에 접속한 상태에서 화면출력을 통해서만 확인될 수 있는 내용들이지만 보고,

서는 화면출력뿐 아니라 문서로 출력할 수 있는 인쇄기능과 문서로 저장할, HTML

수 있는 저장기능을 갖추었다.

이 항목에는 고장이력분석의 고장빈도와 정비시간의 상세내용을 다룬 고장빈도 보

고서와 정비시간 보고서가 있으며 장비의 부품별로 고장이 발생하는 횟수를 체크,

하여 정확한 고장횟수와 부품명을 확인할 수 있는 부품별 고장율 보고서와 이와 비

슷하게 기기별로 고장발생횟수를 나타낸 기기별 고장율의 가지 보고서가 있다4 .

고장빈도를 나타내는 보고서에는 가장 최근에 발생한 고장사례순으로 출력되는데

최근 고장일자와 그 이전 사례의 고장일자의 날짜간격으로써 사업장에서 고장발생

으로 인한 생산중단이 얼마나 자주 일어나는가에 대한 집계이다 또 구축되어 있는.

모든 데이터베이스의 평균 고장발생 날짜를 나타내어 관리를 용이하게 하였다.

- 24 -

정비시간 보고서는 장비에 고장이 발생하였을 때 회 고장정비시간을 체크한 것으1

로 고장사례 각각의 정비소요시간을 확인할 수 있는 것은 물론이고 회 평균 정비, 1

시간을 계산할 수 있다 또 이미 여러 번 발생되었던 같은 고장사례를 정비하는데.

소요되는 시간을 비교하여 정비소요시간 단축에 따른 생산량 증대와 생산성 안정화

를 가져올 수 있도록 하였다.

고장빈도에 대한 보고서 화면Fig. 11

- 25 -

부품별 고장율 보고서는 기기의 구조를 크게 상위 중위 하위 구조로 분류하여 각, ,

각의 위치에 해당하는 부품들의 고장율을 보여준다 이 보고서를 통하여 각 부품들.

의 고장횟수 수명 등을 예측할 수 있고 이에 대해 예비 부품의 준비가 가능하기,

때문에 이미 예측되는 고장의 발생은 미연에 방지할 수 있는 효과가 있다.

기기별 고장율은 같은 종류의 장비라 할지라도 생산라인 배치와 사용정도에 따라

한번도 고장이 없었던 기기서부터 빈번한 고장이 있었던 기기까지 고장횟수가 각각

다를 수 있으므로 기기관리에 차별화를 줄 수 있다.

는 출력될 보고서의 미리보기 화면이다Fig. 11 .

- 26 -

설계내용3.

3-1 Neuro-fuzzy system

신경망과 퍼지 시스템 기술은 각기 다양한 영역에서 활발히 연구되어 왔으며 근래

에 들어서는 이라고 불리는 새로운 연구로 다시 각광을 받고neuro-fuzzy system

있다 이는 단일 안에 양쪽 기술의 장점부분을 가져올 수 있다. framework .

본 과제에서의 목적은 단일 프로세스와 퍼지 컨트롤 분야에서 실제 문제들에

을 적용하고 또한 을 한층 더 발전시HNFN (Hybrid Neuro-Fuzzy Network) , HNFN

키는 것이다.

시스템은 신경망이 가지는 두 가지 장점에 주목하고 있다 첫째 수적Neuro-fuzzy . ,

인 데이터의 비선형적인 매핑을 학습할 수 있고 둘째 병렬적인 계산을 수행한다, .

예를 들면 대중적인 다층 퍼셉트론 네트워크에서 시스템의 지식은 복합적인 가중,

치들로 전체 네트워크 안에 분포되므로 그러므로 가중치들의 의미를 이해하는 것은

매우 어렵고 이 시스템에 이전 지식들과 결합하는 것은 거의 불가능하다 비록, .

신경망의 지식이 더 안정적인 형태이지만 언어학상 규칙로부터 쉽게 추출될SOM ,

수 없다 퍼지 논리는 시스템의 지식을 표현하기 위해 인간이 이해 가능한 언어학.

적인 용어들을 사용한다 이것은 시스템과 인간 사이의 밀접한 상호작용을 가능하.

게 만든다.

Fig. 12 Neuro-fuzzy systems integrate fuzzy logic and neural networks

- 27 -

시스템 의 목적은 집합적으로 신경망과 퍼지추론 양쪽 방법들Neuro-fuzzy (Fig. 12)

의 이익들을 결합하는 것이다 간략하게 시스템의 운영은 언어학적인 퍼지 표현들. ,

로 나타나고 신경망의 학습 들은 시스템을 학습하는데 사용된다 게다가scheme .

은 시스템 안에 수적인 데이터와 언어적인 데이터 모두를 혼합neuro-fuzzy system

할 수 있고 수적인 데이터로부터 퍼지 지식을 추출하는 것이 가능하다, .

은 크게 두 종류로 분류된다Neuro_fuzzy system .

Neural fuzzy inference systems①

Fuzzy neural networks②

의 기원은 안에서Neural fuzzy inference system fuzzy logic inference system

과 처럼 신경계의 개념을 결합한 것이다learning parallelism . Neural fuzzy

은 퍼지 추론을 실행한다 시스템은 병렬구조이고 신경망에서 사inference system . ,

용되는 학습 알고리즘을 이용한다 퍼지 추론은 두 가지 방법으로 수행될 수 있는.

데 가장 보편적인 방법은 완전한 퍼지 추론을 실행하는 하나의 네트워크를 사용하

는 것이고 두 번째 접근방법은 퍼지 추론이 몇몇 신경망의 결과일 때 각각의 퍼지,

규칙은 신경망을 사용하여 수행된다.

퍼지 신경망에서 퍼지 개념은 신경망 안에서 결합된다 와 는 본래 퍼지 신. Lee Lee

경망인 을 연구한 최초의 연구가들이다 그들은 상응하는 퍼지neuro-fuzzy system .

작용에 의해 뉴런의 으로 대신하였다 그들의McCulloch-Pitts weighted sum .

의 작용은 신경망과 거의 같았으나 그들은neuro-fuzzy system McCulloch-Pitts ,

네트워크를 통한 어떠한 규칙을 제시하지 않았다 퍼지 신경망은 같은 시training .

스템인 퍼지 시스템과 신경망에서 두 가지 요소로 이루어져 있다 퍼지 시스템은.

신경망을 통해 언어학적으로 퍼지 추론 블록을 전환하거나 신경망은 퍼지 추론 블

록을 조정할 수 있다.

- 28 -

보통 접근방법은 다른 신경망 패러다임의 학습알고리즘을Neuro-fuzzy system

하는 것이다 예를 들면 와 는 각각의 뉴런집합fuzzify . , Huntsberger Ajjimarangsee

안에서 현재 입력된 샘플의 퍼지 로써 처리되는 의membership value Kohonen

의 학습계수를 제안했었다 들은 알고리즘SOM . Membership value fuzzy c-means

으로 계산된다 와 다른 연구가들은 의 알고리즘 로 그. Taso Kohonen SOM family

개념을 확장시켰다 비슷하게 는 의 학습 벡터 양. , Bedzek, Chung, Lee Kohonaen

자화 알고리즘에 접근하여 이것을 확장시켰고 또한 외 연구원들은, Carpeter ART

와 모델들의 퍼지 버전을 개발하였다ART-MAP .

사례기반추론에 의한 고장진단3-2

일반적으로 전문가 시스템에서 사용되는 고장진단 문제의 추론방법은 경험을 바탕

으로 하는 규칙기반추론 과 심층지식을 바탕으로 하(Rule-Based Reasoning, RBR)

는 모델기반추론 이 있다(Model-Based Reasoning, MBR) .

규칙기반추론은 대상영역에 관련성이 깊고 과거에 발생하였던 고장에 대해서는 빠,

른 시간 내에 진단한다 그러나 규칙기반추론에서는 대상 영역의 전문가로부터 체. ,

계적으로 지식을 획득하는 것이 어렵고 전문가로부터 습득한 지식이 대상 시스템이

바뀔 경우에는 대부분 규칙을 사용할 수 없으며 또한 경험하지 못한 고장이 발생,

하였을 때는 진단문제를 해결할 수 없는 단점이 있다.

모델기반추론의 모델은 시스템의 구조 형태 및 기능의 정보를 바탕으로 구성된다, .

모델기반추론은 인과관계를 이용함으로써 진단과정에 대해 설명기능을 제공하며,

과거에 발생하지 않은 고장도 진단할 수 있다 그러나 고장의 원인을 추론하는데.

많은 시간이 걸리고 대상기계나 시스템에 대하여 완벽한 모델을 구성하기가 어렵,

다.

본 과제에서는 앞서 서술한 두 가지 단점을 보완한 사례기반추론(Case-Base

방법을 이용한다 사례기반추론은 전문가가 경험을 사례로써 기Reasoning, CBR) .

억하며 문제가 주어지면 과거의 경험 중 유사한 경우를 추출하여 그 결과를 직접,

또는 부분적으로 이용하는 방법이다.

- 29 -

제조공정도4.

고장진단 지식획득4-1

지식획득이란 전문가 서적 데이터베이스 직관 경험 등으로부터 얻은 시스템 개, , , ,

발에 필요한 지식을 컴퓨터 내부에 주어져 있는 지식표현 구조로 나타내는데 사용

되는 과정이다.

전문가 시스템에서 가장 중요한 부분 중의 하나는 전문적인 분야에 대해서 얼마나

많이 알고 있는지의 지식여부이므로 지식획득은 시스템 개발에서 중요한 부분을 차

지한다.

본 장비에 대한 지식획득 과정은 과 같다SMD FIg. 13 .

지식획득과정Fig. 13

먼저 전문가와 인터뷰를 통하여 이미 정리된 고장이력 자료의 내용과 진단절차①

를 추출한다.

고장코드가 없는 사례에 대한 보수매뉴얼상의 고장코드를 확인 보충한다, .②

전문가와의 인터뷰를 통한 사의 진단절차를 확인하고 정리되어 있는 고장 이A ,③

력자료의 내용 및 사의 진단절차를 추출한다B .

- 30 -

사와 사의 진단절차를 통합한 새로운 진단전략을 수립한다A B .④

종합적인 검토로 단점을 보완한 최종 진단전략을 수립한다.⑤

에 의한 고장진단부 구조4-2 HNFN(Hybrid Neuro-Fuzzy Network)

는 을 이용하여 본 시스템에서 고장진단이 이루어지는 내용을 간략하Fig. 14 HNFN

게 표현한 그림이다.

먼저 고장이 발생하면 고장증상을 입력하는 부분이 있고 입력받은 고장사례를 기,

존에 추론베이스에 매핑시키는 학습과 진단부분이 있다 이 부분을 거치면 진단결.

과가 출력되어 입력된 고장사례가 고장분류 중 어디에 해당하는지를 확인할 수 있

게 한다.

에 의한 고장진단 구조도Fig. 14 HNFN

- 31 -

사례기반추론에 의한 고장진단부 구조4-3

전문가에 의한 장비의 고장진단 과정은 크게 두 가지로 구분할 수 있다 고장SMD .

발생시 장비의 제어기로부터 나타나는 고장코드를 이용하여 진단을 수행하는 경우

가 하나이고 고장코드 없이 고장발생시 수반되는 고장증세로 진단하는 경우가 또,

다른 하나이다 현장의 실무자들은 고장이 발생하면 장비의 제조회사에서 제공. SMD

하는 보수매뉴얼 상의 코드별 고장원인을 이용하거나 코드의 고장원인이 불충분할

경우는 경험지식을 활용하기도 한다.

사례기반추론을 이용한 진단시스템의 공정도Fig. 15

본 개발 시스템의 추론 기법 중 하나는 과거의 사례를 근거로 하여 문제를 해결하

는 사례기반추론 기법을 이용하였다 전문가는 경험을 단편적인 사례 또는 보다 일.

반적인 사례로써 기억하며 문제가 주어지면 이의 해결을 위해 적절한 해를 얻었던,

과거의 경험 중에서 현재 다루려고 하는 문제와 유사했던 경우를 먼저 떠올리고 그

결과를 직접적 또는 부분적으로 이용한다.

- 32 -

따라서 지식기반시스템을 구축함에 있어 이와 같은 인간의 문제 해결 방법에 보다

접근하여 효율적인 추론을 행할 수 있도록 제안된 방법이 사례기반추론이다.

는 주어진 문제와 유사한 경험 사례를 사례베이스에서 추출 하는Fig. 15 (retrieval)

사례추출단계 추출된 사례인 고장원인을 주어진 문제에 적응 시키는 사, (adaptation)

례적응단계 그리고 문제를 해결한 사례에 대한 자기학습 기능, (machine learning)

을 부여하는 학습단계 등을 진단흐름에 따라 나타낸 것이다.

- 33 -

양산원가계산과 기존제품과의 원가비교5.

본 과제에 의한 개발된 시스템은 설비운영관리에 대한 핵심 코어차원의 기술을 확

보하는 것을 의미하며 개별 응용사례에 맞추어 기업의 특성에 맞도록, customizing

하여 데이터베이스화하는 어플리케이션 구축 단계를 거치게 된다 따라서 이러한.

어플리케이션을 구축하기 위한 기초적이고 고가의 코어차원의 외산 제품의 수입에

대한 비용이 절감됨으로 인하여 가격에 대한 경쟁력은 국내외 다른 업체에 비해 우

월하다고 할 수 있다.

성능평가 및 선진국 제품과의 성능비교6.

효율적인 설비운영관리를 위한 기업의 노력은 다양하게 진행되어 선진국들을 중심

으로 설비관리를 위한 전산화 된 시스템이 구축되고 있고 국내 일부 업체들에서도,

이러한 외국의 시스템을 도입하고 있는 실정이다.

또한 설비진단기술에 대해서도 특정의 기계나 한정된 분야의 설비를 대상으로 규,

칙기반 시스템 이나 사례기반 시스템 과(rule-based system) (case-based system)

같은 인공지능 기술이 적용되고 있다 강력한 학습능력과 오감에 의한 언어적 표현.

을 바탕으로 하는 설비진단업무의 특성에 적합한 이나 이론Neural Network Fuzzy

이 적용된 고장진단 시스템의 구축도 일부 제한적으로 추진되는 수준에 머무르고

있다.

현재 국내에 소개되고 있는 설비관리 시스템은 주로 데이터베이스관리시스템 기술

에 바탕을 둔 설비정보관리시스템 형태의 외국산 시스템이 도입되고 있다 이들은.

모두 단순 장표집계 프로그램으로써 고장진단 본연의 업무에는 이용하기가 불DB

가능한 실정이다.

본 과제에서는 신경망과 퍼지의 복합 모델인 기술과 사례기반Hybrid Neuro-fuzzy

추론 기법을 이용하여 하나의 시스템으로 구현하였다.

이렇게 개발된 시스템의 주요특성은 다음과 같다.

- 34 -

지식기반형 고장진단 기술이 적용된다- .

진단기술에 언어적 표현에 의한 추론기술이 가능하다- .

고장진단과 정보관리 시스템이 통합되어 운영된다- .

전자제품 조립산업뿐만 아니라 가공산업과 같은 자동화 생산라인에도 적용하기-

쉽다.

설비운영관리 시스템의 주요 수요처는 구조적으로 고도의 생산설비 중심의 체제를

갖춘 기업과 설비 특성상 지속적인 모니터링이 필요한 공정계 설비를 가지는 기업

들이다 설비가 안전사고와 직결되는 화학공장과 같은 장치산업은 물론이며 항상.

최적의 설비관리가 요구되는 반도체산업 및 대량생산 기반의 전자부품 실장 산업,

기계가공 산업 등 고가의 설비가 이용되는 대부분의 사업장이 이러한 통합적 개념

의 운영체계를 필요로 하고 있다.

한편 독자적이고 폐쇄적인 원재료 분석 자료의 데이터베이스 구축만으로 품질예측

등을 하고있는 철강 금속 산업부문과 표준화된 규격이 미비한 소형 선박의 제조업

에서부터 실제로 운영하는 업체에서 이력관리에 이르기는 해운관련 중소기업들은

통합적 운영 관리시스템의 접목을 시도할 수 있는 특화된 시장이라 할 수 있다.

국내에는 설비관리와 관련하여 외국의 시스템을 도입하여 운영하고 있는 중견업체

들이 업체에 이르고 있다 주요 시스템 공급사들은 전시적 관리차원에서 인식3~4 .

하여 다변화가 추구되는 제조사업 현장 설비에까지 이르는 효율적 연계 관리를 간

과해가고 있는 느낌이다 오히려 주안점은 제조 완성품에 이르는 물류 개념에서의.

시각이 큰 비중을 차지하고 있다.

최근 시그마 등 품질시스템의 부각으로 생산설비의 단위적인 운영관리에서 점차6

넓은 시각의 차원에서 고려되기에 이르렀고 수요 업체에 따라 시장규모가 커질 것,

으로 예상되므로 참여업체 수는 증가할 것이라고 예견된다.

- 35 -

양산개발시 애로사항 및 해결과정7.

본 시스템에서 산업에 적용하기 위한 기술과 지식기반형 객체지향성 시스템SMT ,

의 핵심코어기술을 구현하는 과정에서

시스템 분석 총괄 시스템 설계 준비 기능 분석 설계- , , Neuro-Fuzzy /

표면실장기술 설비관리 정보분석 설비구성요소 분석 구성요소 특성 입력- SMT( ) , ,

설계

설비의 다양한 기종에 성능 특성에 따라 대응할 수 있는 표준화 적용을 위- SMT

한 시스템 기본 모듈 분석 설계/

생산라인에 적용할 인공지능 시스템 개발 및 구현- SMT

학습기능 추론기능 적응규칙 적용모듈 품질패턴 분석처리 모듈 입출력 모듈 설: , , , ,

계

등에서 애로사항이 있었으나 현장의 공통화된 작업표준과 설비의 기초 기능을 기초

로 접근하여 문제를 해결하였다.

- 36 -

양산사업화 추진내용.Ⅲ

추진경과1.

전자부품조립산업에서의 지식기반형 설비운영 시스템은 소프트웨어이므로 그 특성

상 양산에 대한 의미보다는 시장환경에 따른 의 개념의 체제이다customizing .

즉 사업에서 구축한 본 시스템으로 완성된 지식기반형 시스템의 핵심 모듈을, SMT

활용할 사업장의 특성에 따라 규모를 달리하여 영업활동을 전개하여야 한다.

더 나아가 단순한 업체로 보다는 설비관리분야에 대한 종합 솔루션을 보유 제공SI ,

하는 솔루션 벤더로서의 기업체계를 갖추고자 다양한 여타 산업 사업장에 적용을

추구한다.

매출 실적과 향후 년간 계획2. 3

일차적인 시장진입을 위하여 초 단위의 운영기반을 기초로 하는 표면실장기술

을 사업으로 하는 중소 제조업체에 본 과제의 적용을(Surface Mount Technology)

목표로 하고 있다.

관련 산업의 특성상 대량 생산체계와 다품종 소량생산의 양면성을 동시에 유지해야

하는 중소업체에서는 이러한 시스템의 도입이 사업 성장의 필수적 요소이다 따라.

서 이미 전문적 상담이 구체적으로 이루어져 개발 계약을 통하여 초기 시장출시를

낙관적으로 판단하여 왔으며 이를 바탕으로 사업의 인지도를 높여 수직 계열화된, ,

해당 전자산업 시장에 교두보를 확보하는 이중적 효과를 노렸으나 지금 현재 경제,

상황은 예상치 못한 경제위기에 대한 긴장감과 구조조정 분위기 벤처기업들의 자,

금시장 경색으로 인하여 많은 기업들이 어려움을 겪고 있는 실정이며 또 이러한 상

황이 얼마나 지속될지 예측하기 어렵다.

때문에 초기 목표했던 시장진입과 영업에 많은 어려움이 있을 것으로 예상되지만

향후 적용 사업의 대형화를 위하여 제조업 중심의 적용 모듈 개발에 총력을 기울,

여 이 기술을 바탕으로 다양한 응용기술 개발을 진행시킬 예정이다, .

- 37 -

설비가 자동화 고 기능화 되면서 대량생산현장은 사람중심의 생산체계에서 설비중,

심의 생산체계로 변화가 이루어지고 있다 따라서 이 설비운영관리 기술을 바탕으.

로 현장의 관리기술을 접목하여 시스템을 확대한다면 물류유통 중심의 현 운영ERP

체계를 확대하는 진정한 전시적 자원관리가 가능할 것이라 본다 따라서 생산설비.

운영과 더불어 현장의 관리기술에 대한 접목 기술의 개발에 대해 계속적인 연구를

수행하고자 한다.

이와 같이 생산설비를 중심으로 한 관리기술에 대한 연구가 이루어지면 이 기술을

기반으로 설비의 의미를 확대시켜 향후 기반의 시설물에 대한 설비관리 또는GIS ,

철도차량이나 선박과 같은 운송 설비에 대한 관리기술 등 넓은 의미의 설비운영관

리 솔루션을 확보하여 종합적인 설비관리에 대한 노하우를 획득할 수 있도록 기술

개발을 추진하여 국제적 경쟁력을 갖추어 나갈 것이다.

매출실적2-1

본 사업 시제품 개발 시기와 최초 매출시기는 년 월중에 이루어질 것으로2000 10

계획하였으나 예상하지 못하였던 경기침체에 따른 중소기업의 자금난으로 투자를,

꺼리고 있어서 영업에 심각한 영향이 오고 있다.

이미 가계약 상태의 초도 소형 수량 본 천원 의 투자에도 매우 난색2 (@₩12,000 )

을 표명하고 있어 실로 난감하고 열악한 영업 환경 하에 있다.

향후 예상 매출액2-2

본 시스템을 소형 중형 대형으로 구분하여 영업활동에 접목시킨다면 아래 표와 같, ,

은 희망 매출액 달성을 목표고자 하나 경제상황의 변수에 달려있다고 하겠다, .

향후 년간 예상 희망매출액은 다음과 같다3 .

- 38 -

사업화 추진과정상 애로사항 및 해결과정3.

본사는 귀원의 우호 지원을 받은 업체 중 한 회사로서 그 동안 많은 시련이 있었

다 벤처기업 사업계획서 우수평가 후 예비벤처기업 제도를 통한 벤처법인으로의. ,

설립 중에 벤처법인 공동대표이사로 참여한 지배주주 투자자가 벤처법인 설립시 주

식지분만을 취하고 약정한 투자금액을 투자하지 않아서 모든 사업계획이 매우 난,

처한 상황에서 진행되었었다.

더욱이 본사의 경우는 협약자 자격상실 조건에 정통부 지원시설 입주 대한 지원( )

절차 조정기간을 거쳤으며 일부 개발 인력의 충원문제 등 내외적으로 많은 시련이

있었다.

이러한 열악한 상황에서도 다행히 지식기반형 원천적 개발기술력을 인정받아,

의 소규모 투자지원 성과를 거두어 본 과제 또한 성공적으로 완료할 수KAIST-AVM

있었다.

무엇보다도 국내 외 시장 경제 상황이 매우 어렵고 열악하게 전개되고 있어 가장/

큰 문제점이 되고 있다 초기벤처기업의 영업의 활성화가 인지도 열세는 물론 중소.

기업의 투자기피 현상이 장기화되는 상황에서 고전을 면하지 못하고 있다.

대기업의 업체들과 협력하려고 하나 올해 초와는 달리 열의가 식은 모습으로 나S.I ,

중을 기약하고 있는 실정이다.

프로젝트성 사업화에 전력을 기울이고 있으나 암담한 경제 여건을 감안하면 조속, ,

한 시장참여의 기회가 내년 년에도 쉽지 않을 전망이다2001 .

- 39 -

기대효과.Ⅳ

본 연구를 통해 개발된 지식기반형 설비운영 관리시스템을 기업에 도입시켜 운영할

때 예상되는 기대효과는 다음과 같다.

설비 보전 비용의 감소1.

효율 향상을 통한 절약2. Energy

고가 정밀장비의 수명 연장3.

생산성 향상 납기 준수 품질안정 등을 통한 기업 경쟁력 확보4. , ,

등의 실행수단 확보5. JIT, CIM, TQC, TPM

공장 자동화의 증가로 인한 설비 보전 업무의 증가에 대응6.

수리 부품 재고 감소7.

생산 품질 향상8. /SERVICE

안전도 향상9.