| 1 |
1
(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하고,단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 공정제어방법
|
| 2 |
2
제1항에 있어서,상기 단계 (a)의 추출된 핵심변수는 상기 공정변수 중에서 공정목표와의 상관관계지수가 가장 큰 것부터 차례로 선택된 복수개의 상기 공정변수를 포함하는 것을 특징으로 하는 공정제어방법
|
| 3 |
3
제2항에 있어서,상기 공정변수가 시계열적 데이터인 것을 특징으로 하는 공정제어방법
|
| 4 |
4
제2항에 있어서,상기 공정변수가 원료조성, 원료의 유량속도, 원료 중 조성성분의 함량, 제품순도, 공정수율, 스팀의 유량속도, 리플럭스(reflux) 유량속도, 냉각수 유량속도, 증류탑의 각 n번째 단의 온도(n은 1 내지 500 중에서 선택된 어느 하나의 정수), 증류탑의 바탐(bottom) 압력, 증류탑의 오버헤드(overhead) 압력, 증류탑 오버헤드(overhead)에서 나가는 제품의 유량속도, 증류탑 바탐(bottom)에서 나가는 제품의 유량속도 및 64단에서 나가는 제품의 유량속도로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법
|
| 5 |
5
제2항에 있어서, 상기 공정목표가 상기 공정변수 중에서 선택된 어느 하나인 것을 특징으로 하는 공정제어방법
|
| 6 |
6
제1항에 있어서,단계 (b)의 상기 머신러닝 모델의 학습방법이 지도학습, 비지도 학습 및 강화학습으로 이루어진 군으로부터 선택된 어느 하나인 것을 특징으로 하는 공정제어방법
|
| 7 |
7
제1항에 있어서,단계 (b)의 상기 하이퍼-파라미터가 Learning rate (모델학습속도), Number of Epochs (반복학습횟수), Hidden layers 및 Activations functions로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법
|
| 8 |
8
제1항에 있어서,단계 (b)의 상기 머신러닝 모델이 GRU(Gated Recurrent Units), RNN(Recurrent Neural Networks), 및 LSTM(Long Short Term Memory)로 이루어진 군으로부터 선택된 어느 하나인 것을 특징으로 하는 공정제어방법
|
| 9 |
9
제1항에 있어서,단계 (b)의 상기 머신러닝 모델의 학습의 최적화가 Adam, SGD, Adagrad, Adadelta, Momentum, 및 RMSprop로 이루어진 군으로부터 선택된 어느 하나의 최적화 함수를 사용하여 손실함수(error)가 최소가 되도록 수행되는 것을 특징으로 하는 공정제어방법
|
| 10 |
10
삭제
|
| 11 |
11
제1항에 있어서,상기 S1이 0
|
| 12 |
12
제1항에 있어서, 상기 공정제어방법이단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우,상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고,개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행하는 것을 특징으로 하는 공정제어방법
|
| 13 |
13
제1항에 있어서, 상기 공정제어방법이단계 (d) 후에목표로 하는 상기 핵심 입력변수의 값을 시계열적으로 공정에 적용하여 목표로 하는 상기 핵심 출력변수의 값을 얻는 단계 (e)를 추가로 포함하는 것을 특징으로 하는 공정제어방법
|
| 14 |
14
제1항에 있어서,상기 공정제어방법이 증류탑 분리공정에 사용하기 위한 공정제어방법이고,상기 과거의 핵심입력변수가 과거의 스팀 유량속도(steam flow rate), 과거의 원료 유량속도(feed flow rate), 과거의 리플럭스 유량속도(reflux flow rate), 및 과거의 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고,상기 과거의 핵심출력변수가 과거의 증류탑의 각 n번째 단의 온도, 과거의 제품의 순도, 및 과거의 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하고,목표로 하는 상기 핵심 입력변수가 목표로 하는 스팀 유량속도(steam flow rate), 목표로 하는 원료 유량속도(feed flow rate), 목표로 하는 리플럭스 유량속도(reflux flow rate), 및 목표로 하는 증류탑의 바탐압력(bottom pressure)로 이루어진 군으로부터 선택된 1종 이상을 포함하고목표로 하는 상기 핵심 출력변수가 목표로 하는 증류탑의 각 n번째 단의 온도, 목표로 하는 제품의 순도, 및 목표로 하는 공정수율로 이루어진 군으로부터 선택된 1종 이상을 포함하는 것을 특징으로 하는 공정제어방법
|
| 15 |
15
공정을 제어하기 위한 컴퓨터가(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 수행하도록 하기 위한 것이고,단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
|
| 16 |
16
삭제
|
| 17 |
17
제15항에 있어서,상기 S1이 0
|
| 18 |
18
제15항에 있어서, 단계 (c)의 상기 적합도가 기준치 미만인 경우 및/또는 상기 정확도가 기준치 초과인 경우,상기 머신러닝 모델의 하이퍼-파라미터, 종류, 학습방법, 및 최적화 함수로 이루어진 군으로부터 선택된 1종 이상을 변경하여 상기 머신러닝 모델을 개선하는 단계 (c')를 추가로 포함하고,개선된 상기 머신러닝 모델로 단계 (b) 및 (c)를 수행하는 것을 특징으로 하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
|
| 19 |
19
과거의 공정데이터 및 하이퍼-파라미터를 포함하는 변수를 수신하는 통신부:머신러닝 모델을 학습시키고 검증하여 목표로 하는 예측성능에 도달한 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수로부터 목표로 하는 핵심 입력변수를 추출하는 프로세서; 및상기 프로세서가 목표로 하는 상기 핵심 입력변수를 추출함에 필요한 저장공간을 제공하는 저장부; 를 포함하고,상기 프로세서가(a) 과거의 공정데이터를 분석하여 공정변수 중에서 과거의 핵심 입력변수 및 과거의 핵심 출력변수를 포함하는 핵심변수를 추출하는 단계;(b) 상기 과거의 핵심 입력변수 및 하이퍼-파라미터(hyper-parameter)를 입력으로, 상기 과거의 핵심 출력변수를 출력으로 하여 머신러닝 모델을 학습시키는 단계; (c) 학습된 상기 머신러닝 모델이 목표로 하는 예측성능에 도달한지를 검증하여 목표로 하는 상기 예측성능에 도달한 공정지능화 모델을 얻는 단계; 및(d) 상기 공정지능화 모델을 이용하여 목표로 하는 핵심 출력변수의 값으로부터 목표로 하는 핵심 입력변수의 값을 추출하는 단계;를 포함하고,단계 (c)의 상기 검증이 식 1로 표시되는 상기 머신러닝 모델의 적합도(R2)가 S1 내지 1 (S1은 적합도 기준치)의 범위에 속하는 지 및/또는 식 2로 표시되는 정확도(RMSE, root mean square error)가 0 내지 S2 (S2는 정확도 기준치)의 범위에 속하는 지를 기준으로 수행되는 것인, 공정제어장치
|
| 20 |
20
삭제
|
