지능형 P&ID 생성을 위한 이미지 P&ID에서 탐지된 객체의 위상구조 재구성 = Topology reconstruction of the detected objects from image P&IDs for generating intelligent P&IDs

다국어 초록 (Multilingual Abstract)

Image piping and instrumentation diagrams (P&IDs) are drawings expressed in pixels that do not contain any engineering attribute information. With the advancement of the plant industry in recent years, attempts are being made to produce intelligent P&IDs by adding attribute information to P&IDs for use in design modification and inspection, volume calculation, and maintenance. However, because drawings produced in the past often consist of image P&IDs, research is being conducted to identify ways to convert them into intelligent P&IDs.
To reconstruct intelligent P&IDs from image P&IDs, the symbols, texts, and lines in the image P&ID must be detected and their phase structures must be reconstructed. During the reconstruction of the phase structures, it is important to distinguish between piping lines and signal lines. However, it is difficult to distinguish the lines solely based on their type, thus hindering the automatic conversion of image P&IDs to intelligent P&IDs.
To this end, this study proposes an approach using graph neural networks (GNNs). First, 20 drawings were created using Microsoft Visio to generate data used for training. In addition, the application programming interface of Visio was used to generate data in XML, which were divided into 12 training sets, 4 validation sets, and 4 test sets. Then, a GNN model was defined and trained using the training data. To obtain the optimal model, hyperparameter tuning was performed with the validation data using the random search method. Finally, the performance of the final model was evaluated using the test data, resulting in an accuracy of 93.06%.

국문 초록 (Abstract)

이미지 P&ID(piping & instrumentation diagrams)는 픽셀(pixel)로 표현된 도면으로, 어떤 엔지니어링 속성 정보도 포함하고 있지 않다. 최근 플랜트 산업이 고도화됨에 따라 P&ID에 속성 정보를 포함시킨 지능형 P&ID 를 생성하여, 설계 변경 및 검사, 물량 산출, 유지보수 등에 활용하려고 하고 있다. 그러나 과거에 만들어진 도면은 이미지 P&ID인 경우가 많기 때문에, 이를 지능형 P&ID로 변환하려는 연구들이 진행되고 있다.
이미지 P&ID에서 지능형 P&ID를 재구성하기 위해서는 이미지 P&ID에서 심볼(symbol), 텍스트(text) 및 라인(line)을 탐지하고, 이들의 위상구조를 재구성하는 것이 필요하다. 이 중, 위상구조 재구성 시, 라인을 배관 (piping line)과 신호선(signal line)으로 구분하는 것이 중요하다. 그러나 라인의 종류만 가지고는 이를 구분하는 것이 어렵기 때문에, 이미지 P&ID 를 지능형 P&ID로 자동 변환하는 과정의 걸림돌이 되고 있다.
본 연구에서는 그래프 신경망을 이용해 이를 해결하기 위한 방법을 제안한다. 먼저 학습에 사용할 데이터 생성을 위해 마이크로소프트 (Microsoft) Visio를 이용하여 20개의 도면을 생성하였다. 그리고 Visio의 API(application programming interface)를 이용하여 데이터를 XML(extensible markup language) 형태로 생성하였고, 이를 학습 데이터셋(training set) 12개, 검증 데이터셋(validation set) 4개, 평가 데이터셋 (test set) 4개로 분할 하였다. 그래프 신경망(graph neural network, GNN) 모델을 정의하고, 학습 데이터셋을 이용해 모델을 학습시켰다. 최적의 학습 모델을 얻기 위해 검증 데이터셋을 가지고 래덤 탐색(random search) 방법을 이용하여 하이퍼파라미터 튜닝(hyperparameter tuning)을 진행했 다. 최종적으로 평가 데이터셋를 가지고 최종 모델의 성능을 평가하였다.
그 결과 정확도는 93.06%였다.