회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
경기도에 있는 2019년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 매출은 42.7억입니다. 2026년 8월 기준 국민연금 가입자는 62명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2025-11-06 · 최근 등록 2026-09-11 · 최신 출원순
본 발명의 실시예에 따른 전기로 후연소를 위한 실측값 및 예측값 기반 하이브리드 산소 투입 제어 방법은, 전기로 제어 시스템에서 수행되며, 전기로 공정으로부터 배기가스 성분의 실측치 및 공정 운전 변수 중 적어도 하나를 포함하는 공정 데이터를 수신하는 단계; 상기 공정 데이터에 기초하여 산출된 하나 이상의 미래 시점에 대한 예측값을 확인하는 단계; 제어 목표에 대한 목표값과 상기 실측치에 기초하여 산소 투입 제어의 피드백 제어 성분을 산출하는 단계; 상기 예측값에 기초하여 필요한 산소량을 추정하는 피드포워드 제어 성분을 산출하는 단계; 및 상기 피드백 제어 성분 및 상기 피드포워드 제어 성분을 기초로 산소 투입 명령을 결정하는 단계;를 포함한다.
본 발명의 일 기술적 측면에 따른 연속 아연도금공정 환경에서의 인공지능을 이용한 기계적 물성 예측 기반 퍼니스 온도 제어 방법은, 퍼니스 온도 제어 장치에서 수행되며, 코일에 대한 입력 데이터를 수신하는 단계; 상기 입력 데이터를 기준으로 타겟 테이블에서 상기 코일의 목표 기계적 물성을 추출하는 단계; 상기 목표 기계적 물성에 기초하여 상기 코일의 스트립 온도를 예측하는 단계; 예측된 상기 스트립 온도를 기반으로, 퍼니스를 구성하는 복수의 존(Zone) 각각에 대한 존별 설정온도를 예측하는 단계; 코일 운전 조건에 따라 라인 속도를 예측하고, 예측 속도와 실제 속도의 차이를 반영하여 상기 설정온도를 보정하는 단계; 상기 보정된 설정온도를 기초로, 설정온도의 변화량 또는 코일 간 조건 유사성에 따라 복수의 제어 온도 결정 방식 중 어느 하나의 방식을 선택하여 제어 온도를 결정하는 단계; 및 결정된 상기 제어 온도를 퍼니스의 각 존에 적용하는 단계; 를 포함한다.
본 발명의 일 기술적 측면에 따른 인공지능 기반 수요 예측을 활용한 산업용 가스 생산 제어 방법은, 산업용 가스가 실시간으로 생성되어 소비처에 공급되는 생산 공정 환경에서 산업용 가스의 생산 제어를 수행하는 방법으로서, 인공지능 기반의 수요 예측 모델을 이용하여, 고객사별 사용 정보 및 외부 환경 정보를 포함하는 입력 데이터를 기반으로, 산업용 가스의 목표 시점에 대한 제1 예측 수요량을 예측하는 단계; 상기 산업용 가스에 대한 과거 시점에서의 예측 수요량과 그에 대한 실제 수요량 간의 오차에 대한 시계열 상관관계를 기반으로 시계열 오차 보정값을 산출하는 단계; 상기 제1 예측 수요량에 상기 시계열 오차 보정값을 반영하여 제2 예측 수요량을 산출하는 단계; 및 상기 목표 시점에 대한 현재 제어값 기반의 예상 생산량과 상기 제2 예측 수요량 간의 차이가 기 설정된 임계값 이상인지 여부에 따라, 제어값의 변경 여부를 판단하는 단계;를 포함한다.
발전량 예측 방법이 개시된다. 일실시예에 따른 발전량 예측 방법은, 환경 조건 및 설비 조건을 수신하는 단계, 상기 입력된 환경 조건 및 설비 조건을 이용하여 적어도 하나의 시나리오를 선정하는 단계, 상기 선정된 시나리오와 상기 입력된 환경 조건 및 설비 조건을 하나의 학습 데이터 세트로 구성하여 저장하는 단계, 상기 저장된 학습 데이터 세트를 이용하여, 환경 조건 및 설비 조건에 기초하여 예상 발전량을 출력하도록 인공지능 모델을 학습시키는 단계, 상기 학습된 인공지능 모델을 이용하여 환경 조건 및 설비 조건에 따른 예상 발전량을 출력하는 단계 및 상기 출력된 예상 발전량을 표시하는 단계를 포함한다.
본 개시의 일 특징에 따른 복수 지표의 동적 설정 변경을 이용한 물품 가격 예측 방법은, 물품 가격에 영향을 미치는 복수의 지표에 대한 지표 데이터를 수집하는 단계; 상기 지표 데이터에 대하여 모델 학습을 위한 사전 전처리를 수행하는 단계; 전처리 된 지표 데이터를 가격예측 모델에 제공하여 상기 가격예측 모델을 트레이닝 하는 단계; 및 시간 지연을 기초로 동적 변수를 설정하고 동적 변수를 반영하여 입력 데이터를 조정하는 단계; 를 포함한다.
순환유동층 보일러 서버 및 순환유동층 보일러 서버에서의 순환유동층 보일러의 운전 변수 최적화 방법이 개시된다. 일 실시예에 따른 순환유동층 보일러 서버에서의 순환유동층 보일러의 운전 변수 최적화 방법은, 순환유동층 보일러의 상태 변수를 실시간으로 수신하는 단계,상기 상태 변수를 입력으로 하는 학습된 강화학습 알고리즘을 이용하여, 순환유동층 보일러의 추천 운전 변수를 출력하는 단계, 및 상기 순환유동층 보일러에 상기 추천 운전 변수를 제공하는 단계를 포함할 수 있고, 상기 강화학습 알고리즘은, 상기 순환유동층 보일러의 황산화물(SOx) 또는 질소산화물(NOx) 중 적어도 하나의 배출량을 감소시키는 방향으로 리워드(reward)가 결정된 것을 특징으로 할 수 있다.
순환유동층 보일러 서버 및 순환유동층 보일러 서버에서의 순환유동층 보일러의 운전 변수 최적화 방법이 개시된다. 일 실시예에 따른 순환유동층 보일러 서버에서의 순환유동층 보일러의 운전 변수 최적화 방법은, 순환유동층 보일러의 상태 변수를 실시간으로 수신하는 단계,상기 상태 변수를 입력으로 하는 학습된 강화학습 알고리즘을 이용하여, 순환유동층 보일러의 추천 운전 변수를 출력하는 단계, 및 상기 순환유동층 보일러에 상기 추천 운전 변수를 제공하는 단계를 포함할 수 있고, 상기 강화학습 알고리즘은, 상기 순환유동층 보일러의 황산화물(SOx) 또는 질소산화물(NOx) 중 적어도 하나의 배출량을 감소시키는 방향으로 리워드(reward)가 결정된 것을 특징으로 할 수 있다.
프로세서에 의해 수행되는, 사용자 피드백에 기초하여 인공지능 모델을 커스터마이즈하는 방법이 개시된다. 일 실시예에 따른 사용자 피드백에 기초하여 인공지능 모델을 커스터마이즈하는 방법은, 입력 데이터와 사용자 출력 요청 데이터에 기초하여, 사전 학습된 인공지능 모델을 이용하여 제1 예측 결과를 출력하는 단계, 사용자 기기로부터 상기 인공지능 모델에 대한 변경 요청을 수신하는 단계, 상기 변경 요청에 응답하여, 상기 인공지능 모델을 수정하는 단계, 수정된 상기 인공지능 모델을 이용하여, 제2 예측 결과를 출력하는 단계, 및 상기 사용자 기기가 상기 제2 예측 결과를 디스플레이할 수 있도록 사용자 인터페이스를 제공하는 단계를 포함 할 수 있다.
수첨탈황 (Residual Hydro Desulfurization) 공정 운전의 가이던스를 제공하는 방법에 있어서, 정유 제품의 목표 품질 정보를 획득하는 단계; 상기 목표 품질 정보를 기반으로, 목적 함수의 값을 최대화하도록 상기 수첨탈황 공정 내 조작 가능한 조작 변수들의 값들을 결정하는 단계; 및 상기 결정된 조작 변수들의 값들을 기반으로 상기 수첨탈황 공정의 최적 운전 가이던스를 관리자의 단말 장치로 제공하는 단계; 를 포함할 수 있다.
수첨탈황 공정에 의해 생산되는 정유 제품의 품질을 예측하는 방법에 있어서, 수첨탈황 공정 설비 내 구비된 복수 개의 센서들에 의해 측정된 측정 정보를 수집하는 단계; 및 인공지능 모델을 이용하여, 상기 수집된 정보로부터 상기 정유 제품의 품질을 예측하는 단계; 를 포함한다.
본 출원의 일 실시예에 따른 교차로의 신호 제어 방법은, 교통 상황 수집 장치를 통하여, 입력 데이터를 획득하는 단계; 훈련이 완료된 교통 상황 예측 모델을 통하여, 상기 입력 데이터로부터 미리 정해진 시간이 경과한 시점의 교통 상황 정보를 예측하는 단계-상기 예측된 교통 상황 정보는 최대 대기 차량 대수 또는 통과 교통량 중 적어도 하나와 관련됨-; 상기 예측된 교통 상황 정보에 기반하여 상기 대상 교차로의 최적 현시를 연산하는 단계; 및 상기 연산된 최적 현시에 기반하여 상기 대상 교차로의 신호를 제어하는 단계를 포함한다.
아래의 개시는 인공 신경망 모델의 입력 특징 정제 방법 및 장치에 관한 것이다. 인공 신경망 모델의 입력 특징 정제 방법은 인공 신경망 모델의 출력과 제1 입력을 비교하여, 제1 입력의 특징에 대한 제1 로컬 어트리뷰션을 추출하는 단계, 마스크 추출기를 이용하여, 제1 로컬 어트리뷰션의 절대 값이 임계 값 이상인 부분을 추출하는 단계 및 상기 추출 결과를 제1 입력에 적용하여, 제1 입력을 제2 입력으로 업데이트하는 단계를 포함할 수 있다.
본 출원의 일 실시예에 따른 노칭 공정의 불량 양상 검출 방법은, 훈련이 완료된 이미지 분류 모델을 획득하는 단계; 노칭 공정을 촬영한 제1 이미지 및 제2 이미지를 포함하는 노칭 공정 이미지 세트를 획득하는 단계; 상기 훈련이 완료된 이미지 분류 모델을 통하여 상기 노칭 공정 이미지 세트로부터 제1 불량 양상에 대응되는 제1 이미지를 제1 카테고리로 분류하고, 상기 제1 불량 양상에 대응되지 않는 제2 이미지를 제2 카테고리로 분류하는 단계; 상기 제2 카테고리로 분류된 상기 제2 이미지의 전극 객체의 외곽선을 추출하는 단계; 및 상기 추출된 외곽선에 포함된 제1 특징점과 제2 특징점에 기반하여 제2 불량 양상에 해당하는 지 여부를 판단하는 단계;를 포함한다.
온도 예측 및 제어 시스템을 구현하기 위한 전자 장치가 개시된다. 전자 장치는, 통신 인터페이스, 제1 학습된 신경망 모델 및 제2 학습된 신경망 모델이 저장된 메모리 및 통신 인터페이스를 통해 시멘트 제조 장치의 투입 연료 정보를 포함하는 공정 정보가 수신되면, 수신된 공정 정보의 전처리를 수행하고, 전처리가 수행된 공정 정보를 제2 학습된 신경망 모델에 입력하여, 제1 학습된 신경망 모델로부터 출력된 제1 예측 온도 정보 및 시멘트 제조 장치 내 제1 예열실의 측정 온도에 대한 오차 정보를 획득하고, 획득된 오차 정보 및 투입 연료 정보에 기초하여 투입 연료 중 제1 재생 연료의 예측 열량 정보를 식별하고, 식별된 예측 열량 정보에 기초하여 업데이트된 투입 연료 정보를 제1 학습된 신경망 모델에 입력하여 제1 예열실의 제2 예측 온도 정보를 획득하고, 획득된 제2 예측 온도 정보를 포함하는 가이드 정보를 제공하는 하나 이상의 프로세서를 포함한다.
온도 예측 및 제어 시스템을 구현하기 위한 전자 장치가 개시된다. 전자 장치는, 통신 인터페이스, 제1 학습된 신경망 모델 및 제2 학습된 신경망 모델이 저장된 메모리 및 통신 인터페이스를 통해 유리 용해 장치의 투입 연료 정보를 포함하는 공정 정보가 수신되면, 수신된 공정 정보의 전처리를 수행하고, 전처리가 수행된 공정 정보를 제1 학습된 신경망 모델에 입력하여 유리 용해 장치의 제1 위치에 대응되는 제1 예측 온도 정보를 획득하고, 획득된 제1 예측 온도 정보 및 공정 정보를 제2 학습된 신경망 모델에 입력하여 유리 용해 장치의 제2 위치에 대응되는 제2 예측 온도 정보를 획득하고, 획득된 제1 예측 온도 정보 및 획득된 제2 예측 온도 정보를 포함하는 가이드 정보를 제공하는 하나 이상의 프로세서를 포함한다.
본 출원의 일 실시예에 따른 가열로의 최적 온도를 연산하는 방법은, 운전자가 입력한 재료의 타겟 물성값을 획득하는 단계; 훈련이 완료된 최적 온도 모델을 이용하여, 제1 입력 데이터로부터 상기 가열로의 복수의 적정 후보 온도를 획득하는 단계; 훈련이 완료된 물성 예측 모델을 이용하여, 제2 입력 데이터로부터 재료의 예상 물성값을 획득하는 단계; 상기 타겟 물성값과 상기 훈련이 완료된 물성 예측 모델을 통하여 연산된 상기 예상 물성값을 비교하여, 상기 복수의 적정 후보 온도를 샘플링하여 적어도 하나의 샘플링된 적정 후보 온도를 획득하는 단계; 상기 샘플링된 적정 후보 온도로 가열로를 운전할 경우의 열량 정보를 획득하고, 상기 열량 정보를 비교하여 상기 샘플링된 적정 후보 온도를 필터링하여 적어도 하나의 적정 온도들을 획득하는 단계; 상기 적정 온도들에 기반하여 최적 온도를 연산하는 단계; 및 상기 연산된 최적 온도를 가열로의 설정 온도 값으로 설정을 지시하는 요청을 송신하는 단계를 포함한다.
품질 예측 및 제어 시스템을 구현하기 위한 전자 장치가 개시된다. 전자 장치는, 통신 인터페이스, 학습된 신경망 모델 및 폴리머(Polymer) 제조 장치의 공정 히스토리 정보가 저장된 메모리 및 통신 인터페이스를 통해 폴리머 제조 장치로부터 제2 시점에 대응되는 공정 정보가 수신되면, 공정 히스토리 정보 및 제2 시점에 대응되는 공정 정보에 기초하여 제2 시점으로부터 기 설정된 시간이 경과한 제3 시점에 대응되는 예측 공정 정보를 식별하고, 수신된 제2 시점에 대응되는 공정 정보 및 식별된 제3 시점에 대응되는 예측 공정 정보를 학습된 신경망 모델에 입력하여 제3 시점에 대응되는 폴리머의 예측 품질 정보를 획득하고, 획득된 예측 품질 정보를 포함하는 가이드 정보를 제공하는 하나 이상의 프로세서를 포함한다.
본 출원의 일 실시예에 따른 교차로의 신호 제어 방법은, 교통 상황 수집 장치를 통하여, 입력 데이터를 획득하는 단계; 훈련이 완료된 교통 상황 예측 모델을 통하여, 상기 입력 데이터로부터 미리 정해진 시간이 경과한 시점의 교통 상황 정보를 예측하는 단계-상기 예측된 교통 상황 정보는 최대 대기 차량 대수 또는 통과 교통량 중 적어도 하나와 관련됨-; 상기 예측된 교통 상황 정보에 기반하여 상기 대상 교차로의 최적 현시를 연산하는 단계; 및 상기 연산된 최적 현시에 기반하여 상기 대상 교차로의 신호를 제어하는 단계를 포함한다.
자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치가 개시된다. 일 실시예에 따른 자동학습 기반 시계열 데이터 예측 및 제어 방법은 복수의 시계열 데이터 예측 모델들 각각을 해당 모델 별 조건에 따라 학습하는 단계, 학습된 시계열 데이터 예측 모델들 중에서, 미리 정해진 조건을 만족하는 하나 이상의 최적 모델을 결정하는 단계 및 하나 이상의 최적 모델을 조합하여 최종 모델을 생성하는 단계를 포함하고, 복수의 시계열 데이터 예측 모델들은 통계 기반의 예측 모델 및 딥러닝 기반의 예측 모델 중 적어도 하나를 포함한다.
데이터 예측 방법 및 장치가 개시된다. 일 실시예에 따른 데이터 예측 방법은 가우시안 과정의 공분산 구조 변화를 탐지하여 주어진 데이터의 변화점 정보를 추출하는 단계, 변화점 정보에 기초하여, 실시간으로 변화점 분포를 갱신하는 단계 및 갱신된 변화점 분포에 기초하여, 데이터를 예측하는 단계를 포함한다.
컨텍스트 정보 추출 방법 및 장치가 개시된다. 일 실시예에 따른 컨텍스트 정보 추출 방법은 입력 영상에 관한 로컬 특징맵의 스케일에 따른 복수의 초해상맵을 획득하는 단계, 복수의 초해상맵 각각에 기초하여, 로컬 특징맵을 풀링(pooling)하여 복수의 글로벌 특징맵을 획득하는 단계, 복수의 글로벌 특징맵을 로컬 특징맵을 연결(concatenate)하는 단계 및 연결된 특징맵에 기초하여, 입력 영상의 컨텍스트 정보를 추출하는 단계를 포함한다.
딥러닝 모델에 있어서, 데이터를 추출하는 방법 및 장치가 개시된다. 일 실시예에 따른 딥러닝 모델에 있어서, 데이터 추출 방법은 입력 쿼리(input query)를 수신하는 단계, 딥러닝 모델의 타겟 레이어(target layer)에 대응하는 결정 경계(decision boundary) 집합의 부분 집합인 제1 결정 경계 집합을 결정하는 단계, 제1 결정 경계 집합에 기초하여, 입력 쿼리를 포함하는 결정 영역(decision region)을 추출하는 단계 및 결정 영역에 포함된 데이터를 추출하는 단계를 포함한다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 22건 중 22건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 28.7 | 42.7 |
| 영업비용 | 52.7 | 66.6 |
| 영업이익(손실) | (24.0) | (23.8) |
| 영업외수익 | 4.2 | 12.1 |
| 기타이익 | 0.3 | 0.0 |
| 금융수익 | 3.9 | 12.0 |
| 영업외비용 | 13.3 | 9.9 |
| 기타손실 | 0.0 | 0.0 |
| 금융원가 | 13.2 | 9.9 |
| 법인세비용차감전순이익(손실) | (33.1) | (21.7) |
| 당기순이익(손실) | (33.1) | (21.7) |
매출은 42.7억으로 전년 대비 48.8% 증가한 것으로 나타났다.
영업이익률은 -55.7%로 전년 -83.5%에서 상승했다.
당기순이익은 -21.7억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-08 확인