신경망 모델기반 블록 유형별 표준화를 통한 작업 진도관리 효율화
Efficient Job Progress Control Using Block Type Standardization Based on Neural Network Model
초록/요약
최근 들어 제조업계에서는 치열한 경쟁 속에서 생산성 향상과 원가 절감을 위해 많은 노력을 하고 있다. 또한 이러한 목적을 달성하기 위해 IT기술이나 데이터 분석 기법을 생산과정에 적용하는 노력도 활발히 진행하고 있으며, 자동화를 통한 대량생산 체제 혹은 흐름생산 체제를 갖춤으로서 탄력적이고 유연한 생산 체제를 구축하고 있다. 본 논문은 조선소 조립공장에서 용접 현장의 작업 상태를 원격으로 모니터링하여 판별하기 위한 데이터 분석 방법과 판별한 데이터 및 현장에서 사용하는 데이터를 기반으로 하여 생산품을 그룹핑하고 각각의 그룹에 대한 분석을 통해 특성치를 예측하는 방법론에 관하여 제안한다. 현재 조선업에서는 작업 진척도 및 생산 실적을 현장 작업자가 직접 수기로 작성하고 있으며, 예상하지 못한 변동이 발생할 경우 효율적인 대처가 어려운 실정이다. 따라서 생산 계획 수립과 생산 실적 관리를 위해 현장 작업 상태 및 진척도 관리를 위한 모니터링 방법이 필수적이다. 효과적인 진도 관리를 위하여 생산품을 그룹핑하여 그 특성치를 예측하는 부분 역시 상당히 중요하다고 볼 수 있다. 본 논문에서는 작업장에서 발생하는 용접 관련 데이터를 몇 개의 특성치로 나누고 이를 기반으로 한 인공 신경망 다계층 퍼셉트론 모델을 수립하여 현장 작업 상태를 구분하는 방법을 제안한다. 또한 실험을 통하여 제안된 방법론의 효율성을 입증한다. 이후 판별 데이터를 기반으로 하여 각각의 생산품을 그룹핑하고 분석을 통해 효과적인 진도관리를 할 수 있는 방법론에 대하여 기술한다.
more목차
1장 서론 1
1절 연구의 배경 1
2절 연구 목적 및 방법 2
3절 논문의 구성 4
2장 기존 연구 5
1절 시뮬레이션 분야 5
2절 모니터링 분야 6
3절 정보시스템 분야 7
4절 작업 자동화 분야 8
5절 기존 연구와 본 연구의 차이점 9
3장 작업상태 모니터링 방법 11
1절 용접 데이터의 특성 11
2절 데이터 수집 및 전처리 12
4장 다계층 퍼셉트론 모델 기반 작업상태 판별 17
1절 다계층 퍼셉트론 모델 17
2절 모델 학습 및 작업상태 판별 18
3절 데이터 및 실험설정 21
4절 실험 결과 분석 24
5장 블록 유형별 표준화를 통한 작업 진도관리 효율화 26
1절 블록 유형별 그룹핑 26
2절 블록 그룹별 특성치 B 예측 모델 수립 28
3절 제안 모델의 성능 평가 31
4절 결과 검증 및 진도관리 효율화 방안 39
6장 결론 43
참고문헌 (Bibliography) 44
Appendix A. 제안된 알고리즘의 Matlab 코드 48
