Search

KR-20260061621-A - SYSTEM FOR PREDICTING PRELIMINARY COATING LEAD TIME AND COMPUTER-READABLE RECORDING MEDIUM INCLUDING THE SAME

KR20260061621AKR 20260061621 AKR20260061621 AKR 20260061621AKR-20260061621-A

Abstract

본 발명은, 선행도장과 관련한 계획데이터와 실적데이터와 그리고 내부공정데이터가 포함된 공정관리데이터, 및 기상데이터를 각각 수집하는 데이터 수집부(110)와, 공정관리데이터와 기상데이터를 각각 전처리하는 전처리부(120)와, 전처리된 공정관리데이터 및 기상데이터를 분석하여 소정(특정) 기간의 공정지연패턴을 분석하는 데이터 분석부(130)와, 그리고 데이터 분석부(130)에 의해 분석되어 빅데이터로 구축된 공정관리데이터와 기상데이터, 및 공정관리데이터와 기상데이터에 따른 선행도장 리드타임의 학습데이터 세트(training data set)를 학습하여 사전에 구축된 AI 리드타임 예측모델(141)을 통해, 공정관리데이터와 기상데이터를 입력으로 하여 선행도장 리드타임을 예측하여 출력하도록 하는, 리드타임 예측부(140)를 포함하여, AI를 활용하여 리드타임의 예측 정확도를 높일 수 있는, 선행도장 리드타임 예측 시스템을 개시한다.

Inventors

  • 장종환
  • 안민지
  • 이동녕

Assignees

  • 한화오션 주식회사

Dates

Publication Date
20260506
Application Date
20241028

Claims (18)

  1. 선행도장과 관련한 계획데이터와 실적데이터와 그리고 내부공정데이터가 포함된 공정관리데이터, 및 기상데이터를 각각 수집하는 데이터 수집부; 상기 공정관리데이터와 상기 기상데이터를 각각 전처리하는 전처리부; 전처리된 상기 공정관리데이터 및 상기 기상데이터를 분석하여 소정 기간의 공정지연패턴을 분석하는 데이터 분석부; 및 상기 데이터 분석부에 의해 분석되어 빅데이터로 구축된 상기 공정관리데이터와 상기 기상데이터, 및 상기 공정관리데이터와 상기 기상데이터에 따른 선행도장 리드타임의 학습데이터 세트(training data set)를 학습하여 사전에 구축된 AI 리드타임 예측모델을 통해, 상기 공정관리데이터와 상기 기상데이터를 입력으로 하여 선행도장 리드타임을 예측하여 출력하도록 하는, 리드타임 예측부;를 포함하는, 선행도장 리드타임 예측 시스템.
  2. 제 1 항에 있어서, 상기 데이터 수집부는, 공정관리시스템으로부터, 공정계획 착수/완료일의 상기 계획데이터와, 공정실적 착수/완료일의 상기 실적 데이터와, 그리고 선종 유형과 도장 샵 유형과 도장 전처리 면적과 블록 유형 및 크기의 상기 내부공정데이터가 포함된 상기 공정관리데이터를 수집하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  3. 제 1 항에 있어서, 상기 데이터 수집부는, 기상청 AWS(Automatic Weather Station)로부터 기상 API를 통해 강수량과 기온과 습도와 풍속과 풍향의 상기 기상데이터를 수집하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  4. 제 1 항에 있어서, 상기 전처리부는, 상기 계획데이터 및 상기 실적데이터로부터 결측치를 제거하는 제1전처리모듈과, 상기 계획데이터 및 상기 실적데이터로부터 이상치를 제거하는 제2전처리모듈과, 그리고 상기 기상데이터를 분석가능한 형태로 변환하는 데이터변환모듈을 포함하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  5. 제 4 항에 있어서, 상기 제2전처리모듈은, IQR(Interquartile Range)에 포함되는 계획 리드타임의 상기 계획데이터, 및 실적 리드타임의 상기 실적데이터 각각, 유효한 계획데이터 및 유효한 실적데이터로 간주하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  6. 제 5 항에 있어서, 상기 제2전처리모듈은, 상기 계획 리드타임 또는 상기 실적 리드타임이 음수이거나, 혹은 미리설정된 상한 기준 리드타임을 초과하는 상기 계획데이터 또는 상기 실적데이터를 이상치로 간주하여 제거하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  7. 제 4 항에 있어서, 상기 데이터변환모듈은, 상기 기상데이터의 결측치에 대해 기설정된 범위 내 지역의 기상데이터로 대체하며, 선행도장작업 시간 동안의 기상데이터를 선택적으로 추출하고, 평균 기상데이터와 일 최대값의 기상데이터를 추출하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  8. 제 1 항에 있어서, 상기 데이터 분석부는, 전처리된 상기 공정관리데이터 및 상기 기상데이터를 분석하여 소정 기간 동안의 착수 및 완료의 계획 대비 지연의 상기 공정지연패턴을 분석하여 정량화하고 시각화하여 제공하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  9. 제 1 항에 있어서, 상기 데이터 분석부는, 소정 기간의 계절적 요인에 의한 블록별 선행도장 착수와 완료의 선행도장 리드타임에 대한 계획 및 실적현황을 분석하여, 월별로 정량화하고 시각화하여 제공하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  10. 제 9 항에 있어서, 상기 AI 리드타임 예측모델은, 지도학습에 기반한 선행도장 리드타임 예측 모델인 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  11. 제 10 항에 있어서, 상기 선행도장 리드타임 예측 모델은, 선행도장공정에서의 선종 유형과 도장 샵 유형과 도장 전처리 면적과 블록 유형 및 크기의 공정관리데이터, 및 강수량과 기온과 습도와 풍속의 평균값 및 최대값의 기상데이터를 입력데이터로 하여, 일자별 선행도장 리드타임을 예측하여 출력하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  12. 제 11 항에 있어서, 상기 선행도장 리드타임 예측 모델은, 실제 근무일을 기준으로 하여 상기 일자별 선행도장 리드타임을 예측하여 출력하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  13. 제 11 항에 있어서, 상기 선행도장 리드타임 예측 모델은, LightGBM(Light Gradient Boosting Machine)인 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  14. 제 11 항에 있어서, 상기 선행도장 리드타임 예측 모델을 기반으로 리드타임 계획수립에 영향을 미치는 주요 공정요인을 도출하는 예측결과 해석부;를 더 포함하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  15. 제 14 항에 있어서, 상기 예측결과 해석부는, SHAP(Shapley Additive Explanations) 방법을 적용하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  16. 제 1 항에 있어서, 상기 데이터 분석부에 의해 분석되어 빅데이터로 구축된 상기 공정관리데이터와 상기 기상데이터, 및 상기 공정관리데이터와 상기 기상데이터에 따른 선행도장 리드타임의 테스트 데이터 세트(test data set)를 사용하여 상기 AI 리드타임 예측모델의 정확도를 평가하는 AI 모델 평가부;를 더 포함하는 것을 특징으로 하는, 선행도장 리드타임 예측 시스템.
  17. 선행도장과 관련한 계획데이터와 실적데이터와 그리고 내부공정데이터가 포함된 공정관리데이터, 및 기상데이터를 각각 수집하는 데이터 수집부; 상기 공정관리데이터와 상기 기상데이터를 각각 전처리하는 전처리부; 전처리된 상기 공정관리데이터 및 상기 기상데이터를 분석하여 소정 기간의 공정지연패턴을 분석하는 데이터 분석부; 상기 데이터 분석부에 의해 분석되어 빅데이터로 구축된 상기 공정관리데이터와 상기 기상데이터, 및 상기 공정관리데이터와 상기 기상데이터에 따른 선행도장 리드타임의 학습데이터 세트(training data set)를 학습하여 사전에 구축된 AI 리드타임 예측모델을 통해, 상기 공정관리데이터와 상기 기상데이터를 입력으로 하여 선행도장 리드타임을 예측하여 출력하도록 하는, 리드타임 예측부; 상기 AI 리드타임 예측모델을 기반으로 리드타임 계획수립에 영향을 미치는 주요 공정요인을 도출하는 예측결과 해석부; 및 상기 데이터 분석부에 의해 분석되어 빅데이터로 구축된 상기 공정관리데이터와 상기 기상데이터, 및 상기 공정관리데이터와 상기 기상데이터에 따른 선행도장 리드타임의 테스트 데이터 세트(test data set)를 사용하여 상기 AI 리드타임 예측모델의 정확도를 평가하는 AI 모델 평가부;를 포함하는, 선행도장 리드타임 예측 시스템.
  18. 제 1 항 내지 제 17 항 중 어느 한 항에 따른 시스템을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체.

Description

선행도장 리드타임 예측 시스템 및 동 시스템을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체{SYSTEM FOR PREDICTING PRELIMINARY COATING LEAD TIME AND COMPUTER-READABLE RECORDING MEDIUM INCLUDING THE SAME} 본 발명은 선행도장 리드타임 예측 시스템 및 동 시스템을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 상세하게는 AI를 활용하여 선행도장 공정의 리드타임의 예측 정확도를 높이도록 하는 선행도장 리드타임 예측 시스템 및 동 시스템을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이며, 보다 상세하게는 선행도장 공정의 계획과 실적데이터와 내부공정데이터 및 기상데이터를 분석하여 머신러닝 모델을 학습시켜 선행도장 공정의 리드타임을 예측하도록 하는, 선행도장 리드타임 예측 시스템 및 동 시스템을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체에 관한 것이다. 통상, 선박의 수주와 건조 및 인도에 이르는 일련의 과정을 다음과 같은 순서로 이루어지는데, 선주로부터 제시된 요구사항에 따라 개념설계, 초기설계, 기본설계, 상세설계, 생산설계 등과 같은 일련의 설계 작업이 수행되고, 설계에 따라 각종 원자재를 마킹, 절단, 굽힘, 용접 등의 작업을 통해 소조립 과정에서 중조립 및 대조립의 과정을 각각 거치는 이른 바 선각공사를 수행하게 된다. 이후 최종적으로, 블록화된 대형의 구조물을 서로 연결하여 선체의 전체 형태를 이루는 탑재작업을 수행한 후 진수하고, 이후 각종 의장공사를 거쳐 선박을 시운전한 후 선주에게 인도하게 된다. 한편, 블록의 제작 과정에서 표면을 보호하고, 내구성을 강화하고, 품질을 높이기 위해, 초기 단계의 도장 작업, 즉 선행도장 작업이 수행되는데, 선행도장 작업의 계획과 실적 사이에 다양한 내외부 요인으로 인해 격차가 발생하는 것이 일반적이다. 종래에는, 인적자원에 의해 선행도장 스케줄링을 수기로 계획하여 수립하는데, 이로 인해 상당한 시간이 소요되고 인적오류 가능성을 내포하게 되고, 방대한 공정데이터와 기상데이터를 분석하고 통합하는 것이 쉽지 않은 한계가 있다. 이에, 선행도장 공정의 계획과 실적데이터와 내부공정데이터 및 기상데이터를 분석하여 머신러닝 모델을 학습시켜 선행도장 공정의 리드타임을 예측할 수 있는 기술이 요구된다. 도 1은 본 발명의 실시예에 의한 선행도장 리드타임 예측 시스템의 구성도를 도시한 것이다. 도 2는 도 1의 선행도장 리드타임 예측 시스템의 데이터 수집부의 각 데이터를 예시한 것이다. 도 3은 도 1의 선행도장 리드타임 예측 시스템의 전처리부에 의한 이상치 제거를 예시한 것이다. 도 4는 도 1의 선행도장 리드타임 예측 시스템의 전처리부에 의한 기상데이터의 전처리를 예시한 것이다. 도 5 내지 도 7은 도 1의 선행도장 리드타임 예측 시스템의 데이터 분석부에 의한 데이터 분석을 각각 예시한 것이다. 도 8은 도 1의 선행도장 리드타임 예측 시스템의 리드타임 예측 모델을 예시한 것이다. 도 9는 도 1의 선행도장 리드타임 예측 시스템의 AI 모델의 학습 결과를 예시한 것이다. 도 10은 도 1의 선행도장 리드타임 예측 시스템의 AI 모델의 L/T 영향도 분석을 예시한 것이다. 이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다. 본 발명의 실시예에 의한 선행도장 리드타임 예측 시스템은, 선행도장과 관련한 계획데이터와 실적데이터와 내부공정데이터로 구성된 공정관리데이터 및 기상데이터를 각각 수집하는 데이터 수집부(110), 공정관리데이터와 기상데이터를 각각 전처리하는 전처리부(120), 전처리된 공정관리데이터 및 기상데이터를 분석하여 소정(특정) 기간의 공정지연패턴을 분석하는 데이터 분석부(130), 및 데이터 분석부(130)에 의해 분석되어 빅데이터로 구축된 공정관리데이터와 기상데이터 및 공정관리데이터와 기상데이터에 따른 선행도장 리드타임의 학습데이터 세트(training data set)를 학습하여 사전에 구축된 AI 리드타임 예측모델(141)을 통해, 공정관리데이터와 기상데이터를 입력으로 하여 선행도장 리드타임을 예측하여 출력하도록 하는, 리드타임 예측부(140)를 포함하여, AI를 활용하여 선행도장 공정의 리드타임의 예측 정확도를 높이는 것을 요지로 한다. 이하, 도 1 내지 도 10을 참조하여, 전술한 구성의 선행도장 리드타임 예측 시스템을 구체적으로 상술하면 다음과 같다. 우선, 데이터 수집부(110)는, 도 1을 참고하면, 선행도장(pre-coating)과 관련한 계획데이터(planned data)와 실적데이터(actual data)와 내부공정데이터로 구성된 공정관리데이터 및 기상데이터를 각각 수집하여 자체 DB(111)에 저장한다. 여기서, 도 2의 (a)에 예시된 바와 같이, 데이터 수집부(110)는, 공정관리시스템(process control system)(100)으로부터 공정계획 착수/완료일의 계획데이터, 공정실적 착수/완료일의 실적데이터, 및 호선/블록별 선종 유형과 도장 샵 유형과 도장 전처리 면적과 블록 유형 및 크기(길이와 폭과 높이)의 내부공정데이터로 구성된, 공정관리데이터를 수집할 수 있다. 또한, 도 2의 (b)에 예시된 바와 같이, 데이터 수집부(110)는 기상청 AWS(Automatic Weather Station)(200)로부터 기상 API(Application Programming Interface)를 통해 강수량(mm)과 기온(℃)과 습도(%)와 풍속(m/s)과 풍향(deg)의 기상데이터를 수집할 수 있다. 다음, 전처리부(120)는, 도 1을 참고하면, 앞서 수집된 공정관리데이터와 기상데이터를 각각 전처리하여 분석가능한 형태로 데이터 변환을 수행하여 데이터 분석부(130)로 전송하도록 하여서, 데이터 품질을 향상시켜 분석의 신뢰성 및 AI 리드타임 예측모델(141)의 정확도를 높이도록 할 수 있다. 구체적으로, 전처리부(120)는, 계획 및 실적데이터로부터 결측 현황을 파악하여 결측치를 제거하여 분석을 수행하도록 하는 제1전처리모듈(121)과, 계획 및 실적데이터로부터 이상치를 제거하는 제2전처리모듈(122)과, 기상데이터를 분석가능한 형태로 변환하는 데이터변환모듈(123)을 포함할 수 있다. 여기서, 제2전처리모듈(122)은, IQR(Interquartile Range)에 포함되는 계획 리드타임의 계획데이터 및 실적 리드타임의 실적데이터를 유효한 계획 및 실적데이터로 간주하고, 계획 리드타임 또는 실적 리드타임이 음수이거나, 미리설정된 상한 기준 리드타임을 초과하는 계획데이터 또는 실적데이터를 이상치로 간주하여 제거하도록 할 수 있다. 예컨대, 도 3의 (a)에 예시된 바와 같이, IQR(사분위수 범위)을 이용하여 데이터의 중간 50%를 나타내는 범위로서, 데이터의 분포에서 중앙에 위치한 값들의 퍼짐 정도를 나타내고 이상치(outlier)를 감지하도록 하며, 제1사분위수(Q1)는 데이터의 하위 25%에 해당하는 값이고, 데이터의 25%가 이 값보다 작으며, 제3사분위수(Q3)는 데이터의 상위 25%에 해당하는 값이고, 데이터의 75%가 이 값보다 작으며, IQR은 (Q3 - Q1)에 의해 산출되고, 이상치는 (Q1 - 1.5 × IQR)보다 작거나 (Q3 + 1.5 × IQR)보다 큰 데이터값일 수 있으며 이와 같은 이상치를 제거하여 예상범위를 크게 벗어나는 극단적인 값을 제거하여 분석의 신뢰성을 높여 AI 리드타임 예측모델(141)의 정확도를 향상시키도록 할 수 있다. 또한, 도 3의 (b)에 예시된 바와 같이, 계획 리드타임 또는 실적 리드타임이 음수인 경우는 비현실적이므로 데이터 오류로 간주하여 해당 데이터를 제거하고, 계획 리드타임 또는 실적 리드타임이 예로 50일을 초과하는 경우 예외적인 사례일 가능성이 높으므로 50일 이상의 극단적인 값을 제거하여 분석의 신뢰성을 높여 AI 리드타임 예측모델(141)의 정확도를 향상시키도록 할 수 있다. 또한, 데이터변환모듈(123)은 기상데이터의 결측치에 대해 인근지역의 기상데이터로 대체하며, 선행도장작업 시간 동안의 기상데이터를 선택적으로 추출하여 분석의 정확도를 높이도록 하고, 평균 기상데이터와 일 최대값의 기상데이터를 추출하여 극한 조건에서의 강수량과 기온과 습도와 풍속의 최소 데이터 및 최대 데이터를 추출하도록 할 수 있다. 다음, 데이터 분석부(130)는, 도 1을 참고하면, 전처리된 공정관리데이터 및 기상데이터를 분석하여 특정 기간 동안의 착수 및 완료의 계획 대비 지연의 공정지연패턴을 분석하여서 공정현황을 정량적으로 식별하고 도 5에 예시된 바와 같이 시각화하여 제공하도록 한다. 예로, 데이터 분석부(130)에 의해, 계획 대비 목표 달성률이 낮음을 식별할 수 있으며, 선행도장의 공정의 착수는 계획 대비 61% 지연되고 완료는 49% 지연되는 것을 확인할 수 있고, 착수가 계획 대비 61% 지연되는 것은 선행도장 이전의 조립 또는 선행의장 공정단계에서의 문제 또는 도장공장 스케줄링과 관련된 문제를 시사함을 식별할 수 있고, 완료지연이 착수지연보다 12% 낮은 것은 초기 지연에도 일정내 마무리하기 위한 회복능력을 갖추고 있음을 식별할 수 있다. 또한, 도 6 및 도 7에 예시된 바와 같이, 데이터 분석부(130)는, 소정(특정) 기간의 계절적 요인에 의한 블록별 선행도장에 대한 착수와 완료와 선행도장 리드타임의 계획 및 실적현황을 분석하여, 월별로 정량화하고 시각화하여 제공할 수 있다. 이와 같은 분석에 의해, 도 6의 (a)에 의하면, 7월과 10월의 착수 지연 비율이 상대적으로 높고, 1월과 5월의 착수 지연 비율이 상대적으로 낮음을 확인할 수 있으며, 도 6의 (b)에 의하면, 7월과 12월의 완료 지연 비율이 상대적으로 높고, 2월과 5월의 완료 지연 비율이 상대적으로 낮음을 확인할 수 있어서, 7월의 지연율이 높고 5월의 지연률이 낮은 것으로 기상요인과 같은 외부요인이 공정지연에 주요 영향을 미치고 있음을 확인할 수 있다. 또한, 도 7 및 다음의