원격 자동 생산시스템의 실시간 EQM(E-quality for Manufacturing) 구현을 위한 DATA MINING 방법론에 대한 연구
A Study on Data Mining Approach for Real-time EQM on Remotely Automated Production System
- 주제(키워드) 원격 자동 생산시스템 , 실시간 EQM
- 발행기관 아주대학교 대학원
- 지도교수 권용진
- 발행년도 2011
- 학위수여년월 2011. 2
- 학위명 석사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000011208
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 기업의 형태가 지리적으로 분산된 형태로 변모함에 따라 각 사업부문에서 도출되는 모든 데이터를 통합 및 관리하는 것은 필수적이다. 이처럼 복잡한 환경의 기업 운영을 위한 계층통합형 엔터프라이즈 시스템에 가장 필수적이며, 연구가 필요한 기술 분야 중 하나는 EQM(E-Quality for Manufacturing)이라 일컬어진다. EQM 기법은 분산 기업환경 하에서 실시간의, 자동화된 품질 검사를 달성하기 위해 네트워크 기반의 통합된 제조시스템 내에 센서기술을 이용한 품질제어기능을 설계하고, 포함시키고자하는 기법이다. 이와 더불어 IT, 다양한 센서 및 로봇 등을 지능형 네트워크 기반으로 통합하여 구축된 원격 자동생산시스템 내에서는 실시간으로 방대한 양의 데이터가 추출되기 때문에 기존의 통계적 관리기법으로 관리하기에는 한계점이 있다. 이러한 관점에 부합하여 본 논문에서는 원격 자동생산시스템에서 사용되는 SCARA 로봇의 반복정밀도에 대한 모니터링 및 제어를 목적으로 데이터마이닝 방법론에 대해 중점적으로 연구를 수행하였다. 먼저, 본 논문에서 실험되는 SCARA 로봇의 반복정밀도 측정에는 비젼 센서를 통해 검출된 픽셀 좌표를 실제 작업을 수행하는 로봇의 좌표로 변환해주는 보정 알고리즘의 한계점, 로봇의 기하학적 특성, 로봇의 작업위치, 실험환경 및 사용 렌즈에 따른 비젼 센서의 성능 변화 등 다양한 인자가 포함된다. 이러한 다양한 인자들을 내포하고 있는 SCARA 로봇의 작업에 대해 ISO9283 규정을 기반으로 반복정밀도를 측정하였으며, 데이터마이닝 분류기법의 적용을 통해 반복정밀도에 대한 모니터링 방법론을 제안하였다. 제안된 방법론에서는 기존의 분류 알고리즘인 Neural Network, Principle Component Analysis와 비교하여 분류 성능이 입증되었던 Support Vector Machine 알고리즘을 적용한 Classification 기법을 적용하였다.또한, 본 논문에서는 반복 작업을 수행하고 있는 SCARA 로봇에 대해 허용된 범위의 반복정밀도를 벗어날 위험성을 예측할 수 있는 확률론적 방법론을 제안하고자 한다. 반복 작업을 수행하고 있는 공정 자체에는 다양한 작업 사양이 내포되어 있다는 점을 가정하고, 로봇의 반복정밀도에 영향을 주는 핵심 변수들과 장애 요인들을 도출하였다. 선형 회귀분석을 통해 변수들간의 상관계수를 도출하였으며, Queueing System과 Bayesian Approches 기반의 확률론적 접근을 통해 SCARA 로봇의 위험 확률을 예측하였다.
more초록/요약
Recently, since most companies are geographically distributed, every business function needs to integrate and manage all of their data extracted from each business function. Moreover, as remotely automated production system built by IT, and a variety of sensors and robots with intelligent networks, it is very difficult to manage with traditional statistical techniques because an enormous amount of data is derived from production system. In this complex business environment, EQM(E-Quality for Manufacturing) is an essential research field to effectively manage enterprise system. EQM is a technique which is aimed to design and integrate quality control function using various sensors to accomplish real-time, automated quality inspection in distributed business environment. In this paper, we intensively study data mining techniques to monitor and control repeatability of SCARA robot used in remotely automated manufacturing systems. Most of all, the measurement of SCARA robot's repeatability has various causal factors, such as the limitation of calibration algorithm which translates the pixel coordinates extracted from vision sensor into robot Cartesian coordinates, kinematic properties of robot, operating area of robot, performance variation of vision sensor according to experimental environment and used lens. Accordingly, the repeatability for operations of SCARA robot has been measured based on ISO9283 and the monitoring methodology for repeatability was proposed using a classification technique of data mining. In the proposed methodology, the classification technique applying Support Vector Machine algorithm was used because it's performance has been proven comparing to Neural Network, PCA algorithm. Moreover, we propose the probabilistic approach to predict the risk of non-repeatability situation of SCARA robot which performs repetitive task. Key variables and disturbing factors that effect to robot's repeatability was identified because several work specifications are including in the repetitive process. Also, we assume the coefficients between variables and factors through the linear regression analysis and estimates the probability for the risk of SCARA robot applying probabilistic approach based on Queueing System and Bayesian approaches.
more목차
제1장 서론 1
제1절 연구의 필요성 1
제2절 기존 연구 동향 4
제3절 연구의 목적 6
제2장 로봇의 반복정밀도 측정에 관한 연구 8
제1절 시스템 구성 8
제2절 로봇의 반복정밀도 측정을 위한 실험 설계 10
제3절 실험 데이터 수집 14
제3장 로봇의 반복정밀도 모니터링을 위한 데이터마이닝 방법론 연구 21
제1절 SVM(Support Vector Machine) Classification 21
제2절 Probabilistic SVM & Ranking SVM 25
제3절 SVM 분류기법을 활용한 로봇의 반복정밀도 모니터링 방법론 28
제4장 확률론적 접근을 통한 로봇의 위험상황 예측에 관한 연구 33
제1절 정상작업을 수행하고 있는 로봇의 반복정밀도에 대한 확률론적 접근 33
제2절 로봇이 정상적인 반복정밀도의 범위를 벗어날 위험성에 관한 연구 36
제3절 로봇이 비정상적인 작업을 수행할 위험성 평가 38
제5장 결론 44
제1절 결론 및 고찰 44
제2절 향후 연구계획 46
참고문헌 47
부 록 50
