[논문]인공신경망을 이용한 뿌리산업 생산공정 예측 모델 개발

박찬범; 손흥선

doi:10.7736/kspe.2017.34.1.23

인공신경망을 이용한 뿌리산업 생산공정 예측 모델 개발
Development of Prediction Model for Root Industry Production Process Using Artificial Neural Network 원문보기

한국정밀공학회지 = Journal of the Korean Society for Precision Engineering, v.34 no.1, 2017년, pp.23 - 27

박찬범 (울산과학기술원 기계공학과) , 손흥선 (울산과학기술원 기계공학과)

Abstract ▼ AI-Helper

This paper aims to develop a prediction model for the product quality of a casting process. Prediction of the product quality utilizes an artificial neural network (ANN) in order to renovate the manufacturing technology of the root industry. Various aspects of the research on the prediction algorithm for the casting process using an ANN have been investigated. First, the key process parameters have been selected by means of a statistics analysis of the process data. Then, the optimal number of the layers and neurons in the ANN structure is established. Next, feed-forward back propagation and the Levenberg-Marquardt algorithm are selected to be used for training. Simulation of the predicted product quality shows that the prediction is accurate. Finally, the proposed method shows that use of the ANN can be an effective tool for predicting the results of the casting process.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

(1) 본 연구에서는 주조공정의 공정 결과의 예측을 위하여 인공신경망 이론을 적용한 예측 모델을 제시하였다. 공정을 분석하기 위하여 먼저 24가지의 공정 변수 중, 핵심 공정변수를 설정하기 위하여 통계학적 분석을 적용하였다.
따라서 본 연구에서는 핵심공정변수를 이용하여 인공신경망을 통해 주조 공정의 품질을 미리 예측하여 발생하는 불량품을 선별하여 비용절감과 공정 효율향상을 위한 예측모델을 제시하였다. 본 논문의 구성은 다음과 같다.
본 연구에서는 인공신경망을 적용한 주조공정의 공정결과를 예측하기 위한 시뮬레이션 모델을 제시하였다. 총 24가지의 공정변수에서 핵심 공정변수를 선택하기 위하여 통계학적 분석을 적용하였으며, 공정 예측에 적합한 인공신경망 구조를 설계하기 위해 평균제곱근 오차를 비교하여 6-6-6-1의 인공신경망 구조를 결정하였다.

제안 방법

(2) 공정 예측을 위한 인공신경망 구조를 최적화하기 위해 구조에 따른 평균 제곱근 오차를 비교하여 본 예측 모델에 최적화된 구조를 적용하였다.
(3) 실제 주조 산업 현장에서 수집된 735개의 공정 데이터를 활용하여 제품 품질을 예측하고 실제 공정 결과와 비교를 통하여 예측 정확도를 검증하였다.
현재 다양한 신경망 모델은 계층 수, 출력형태, 데이터유형, 학습방법 그리고 전달함수와 같은 기준에 따라 분류할 수 있는데, 그 중에서 다층 인공신경망 (MFNNs: Multilayered Feedforward Neural Networks)은 인공신경망의 구조 중에서 가장 많이 적용되는 구조이며, 시스템 식별, 제어, 패턴인식과 같은 분야에 적용되고 있다.¹⁶ 따라서 본 연구에서는 공정결과를 예측하기 위하여 다층 및 순환 신경망인 역전파 인공신경망을 적용하였다.
인공신경망의 훈련과 검증에 사용된 데이터 비율은 75% : 25%의 비율로 나누어서 사용하였다. 공정결과는 사용한 Matlab 프로그램에서 예측오차를 수치적으로 비교하기 위하여 Bad는 1, OK는 2, 그리고 LOK는 3으로 총 3단계로 설정하여 시뮬레이션에서 발생하는 오차를 관찰하였다. 예측 결과는 그림 3과 같다.
(1) 본 연구에서는 주조공정의 공정 결과의 예측을 위하여 인공신경망 이론을 적용한 예측 모델을 제시하였다. 공정을 분석하기 위하여 먼저 24가지의 공정 변수 중, 핵심 공정변수를 설정하기 위하여 통계학적 분석을 적용하였다.
본 연구에는 주조 공정에서 수집된 데이터를 제공받아 진행되었다. 데이터는 총 3단계로 분류되어 제품의 품질을 분류하였는데 OK, LOK, Bad로 양품, 보류, 불량으로 분류되었다. 측정된 공정 변수는 총 24개로 이 중에서 핵심 공정 변수를 결정하기 위해 양품과 불량의 각각 평균의 차이를 비교하였다.
Zhang은 입력인자가 n일 때 적절한 은닉층의 개수를 결정하는 방법을 ‘n/2’, ‘n’, ‘2n’, ‘2n + 1’으로 제시하고 있다. 이에 따라, 8개의 다른 인공신경망 구조 6-3-1, 6-6-1, 6-12-1, 6-13-1, 6-3-3-1, 6-6-6-1, 6-12-12-1, 6-13-13-1의 평균제곱근 오차를 비교하여 구조를 결정하였다. 표 2는 인공신경망 구조에 따른 평균제곱근 오차를 비교한 결과이다.
인공신경망 구조는 평균제곱근 오차가 가장 낮은 6-6-6-1 구조를 선택하여 예측 시뮬레이션을 진행하였다. Fig.
인공신경망을 이용하여 주조공정의 핵심 변수 6개를 통하여 제품의 품질을 예측하는 시뮬레이션을 진행하였다. 시뮬레이션은 상용프로그램 Matlab을 이용하여 진행하였다.
본 연구에서는 인공신경망을 적용한 주조공정의 공정결과를 예측하기 위한 시뮬레이션 모델을 제시하였다. 총 24가지의 공정변수에서 핵심 공정변수를 선택하기 위하여 통계학적 분석을 적용하였으며, 공정 예측에 적합한 인공신경망 구조를 설계하기 위해 평균제곱근 오차를 비교하여 6-6-6-1의 인공신경망 구조를 결정하였다. 인공신경망을 분석할 때 결정계수는 신경망 모델이 결과를 얼마나 효율적으로 예측했는지 측정할 수 있는 수단이다.
표 1에서 양품과 불량의 평균 차가 큰 Max Metal Pressure PI-Phase [bar], Velocity of Plunger [m/s], Velocity of Metal [m/s], Metal Pressure after t_R0 , Amplification Stroke [mm], Cavity Filling Time [sec] 6개의 변수를 입력인자로 설정하고 출력인자는 제품 품질단계 1개로 결정하였다. 그림 1은 Clamping Force 와 Metal Pressure (s CF) 공정변수의 가우스 분포를 나타낸 그림으로 Clamping Force 공정 변수의 경우, 양품과 불량품의 평균 차이가 작아서 구분이 명확하지 않다.

대상 데이터

인공신경망을 이용하여 주조공정 결과를 예측하기 위해서는 먼저 입력인자와 출력인자를 결정해야 한다. 본 연구에는 주조 공정에서 수집된 데이터를 제공받아 진행되었다. 데이터는 총 3단계로 분류되어 제품의 품질을 분류하였는데 OK, LOK, Bad로 양품, 보류, 불량으로 분류되었다.
인공신경망을 훈련하기 위한 함수로 Levenberg-Marquardt Optimization (LM) 기법을 사용하는 ‘Trainlm’ 함수를 이용하여 훈련을 진행하였다. 시뮬레이션에 사용된 데이터는 OK의 경우 400개, LOK의 경우 135개, Bad의 경우 200개이다. 인공신경망의 훈련과 검증에 사용된 데이터 비율은 75% : 25%의 비율로 나누어서 사용하였다.

데이터처리

데이터는 총 3단계로 분류되어 제품의 품질을 분류하였는데 OK, LOK, Bad로 양품, 보류, 불량으로 분류되었다. 측정된 공정 변수는 총 24개로 이 중에서 핵심 공정 변수를 결정하기 위해 양품과 불량의 각각 평균의 차이를 비교하였다. 표 1은 공정 변수 별 양품과 불량의 평균을 비교한 결과이다.
표 1은 공정 변수 별 양품과 불량의 평균을 비교한 결과이다. 평균 차이는 백분율로 비교하여 오름차순으로 정렬하였다.

이론/모형

각 은닉층에서의 전달함수는 역전파 알고리즘을 이용하는 인공신경망에 주로 사용되는 Sigmoid 함수 중에 Hyperbolic Tangent Sigmoid 함수를 사용하였다. 그 중 사용된 함수는 식(5)과 같다.
인공신경망을 이용하여 주조공정의 핵심 변수 6개를 통하여 제품의 품질을 예측하는 시뮬레이션을 진행하였다. 시뮬레이션은 상용프로그램 Matlab을 이용하여 진행하였다. 인공신경망을 훈련하기 위한 함수로 Levenberg-Marquardt Optimization (LM) 기법을 사용하는 ‘Trainlm’ 함수를 이용하여 훈련을 진행하였다.
인공신경망 구조를 결정하기 위해 Zhang¹⁷ 이 제시한 방법에 따라 적합한 구조를 결정하였다. Zhang은 입력인자가 n일 때 적절한 은닉층의 개수를 결정하는 방법을 ‘n/2’, ‘n’, ‘2n’, ‘2n + 1’으로 제시하고 있다.
인공신경망을 훈련하기 위한 함수로 Levenberg-Marquardt Optimization (LM) 기법을 사용하는 ‘Trainlm’ 함수를 이용하여 훈련을 진행하였다.

성능/효과

43%로 비교적 정확한 예측 결과를 보였다. 따라서 본 연구에서 제시된 인공신경망을 적용한 예측 모델을 통해 정확한 주조공정의 공정결과 예측을 할 수 있다.
057의 표준오차를 갖는다. 또한 예측 시뮬레이션을 통해 최대 오차가 5.43%로 비교적 정확한 예측 결과를 보였다. 따라서 본 연구에서 제시된 인공신경망을 적용한 예측 모델을 통해 정확한 주조공정의 공정결과 예측을 할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	다층 퍼셉트론은 어떻게 도출되는가?	즉, 시냅스의 결합으로 네트워크를 형성한 뉴런이 학습을 통해 시냅스 결합의 세기(가중치)를 조정하여 변화한다. 일반적으로 인공신경망에 활용되는 다층 퍼셉트론은 입력층의 각 노드에 데이터가 제공되면각 노드에서 전달함수를 통해 은닉층에서 변환되고 이는 출력층 에서 도출된다. 이를 수식으로 표현하면 식(1)과 같다.
	각 분야별로 인공신경망을 적용하여 공정 결과를 예측하기 위한 연구에는 어떤 것들이 있는가?	인공신경망은 중추신경계의 뇌를 모방하여 훈련을 통해 입력 변수에 따른 결과를 예측할 수 있는 통계학적 학습 알고리즘 이다.2 인공신경망을 적용하여 주조 분야에서는 사출 공정의 공정 변수를 최적화하기 위한 연구,3 알루미늄 다이 캐스팅 공정을 예측하기 위한 연구 등이 있다.4,5 절삭분야에는 공구의 마모를 예측하는 연구,6 공정결과인 표면 거칠기를 예측하기 위한 연구,7,8 절삭 공정에서의 표면 거칠기를 최소화하기 위한 공정변수 최적화에 대한 연구,9 밀링 가공에서의 절삭력 예측에 대한 연구 등이 있다.10 용접분야에서는 주요 공정변수를 예측하기 위한 연구,11,12 그리고 열처리분야에는 냉각변태곡선 예측,13 경도 및 부피 수축 예측14,15 등 다양한 분야에 선행연구가 진행되었다.
	스마트 팩토리란?	그 중 생산공정, 조달·물류, 서비스까지 통합 관리하는 “스마트 팩토리” 가 핵심 기술로써 주목 받고 있다. 스마트 팩토리는 ICT (Information and Communication Technology)와 기존 제조업 기술인 생산제조 기술과 융합하여 사물인터넷 (Internet of Things), 사이버물리시스템 (Cyber Physical System), 빅데이터, 클라우드 컴퓨팅, 등의 기술 등을 통한 공장 내의 장비, 장치 부품들이 연결되어 상호 소통하는 생산체계이다. 스마트 팩토리를 통한 제조혁신으로 제조업의 경쟁력을 확보하기 위해서는 생산 제조의 기술 발전이 필수적이기 때문에 뿌리산업 기술 향상이 중요하다.

참고문헌 (17)

Park, B. C., "On the Policy for Strengthening the Global Competitiveness of the Fundamental Manufacturing Industry," Journal of Regional Studies, Vol. 21, No. 4, pp. 1-19, 2013.
Hagan, M. T., Demuth, H. B., and Beale, M. H., "Neural Network Design," Course Announcement 2nd Ed., pp. 30-31, 2014.
Shen, C., Wang, L., and Li, Q., “Optimization of Injection Molding Process Parameters Using Combination of Artificial Neural Network and Genetic Algorithm Method,” Journal of Materials Processing Technology, Vol. 183, No. 2, pp. 412-418, 2007.

상세보기
Ratna, S. and Prasad, D., “Application of Artificial Neural Network for Optimization of Cold Chamber Aluminum Die Casting,” International Journal of Innovative Research in Advanced Engineering, Vol. 1, No. 5, pp. 43-47, 2014.
Soundararajan, R., Ramesh, A., Sivasankaran, S., and Sathishkumar, A., "Modeling and Analysis of Mechanical Properties of Aluminum Alloy (A413) Processed through Squeeze Casting Routh Using Artificial Neural Network Model and Statistical Technique," Advances in Materials Science and Engineering, Vol. 2015, Article ID: 714762, 2015.
Kumar, S. and Choudhury, S., “Prediction of Wear and Surface Roughness in Electro-Discharge Diamond Grinding,” Journal of Materials Processing Technology, Vol. 191, No. 1, pp. 206-209, 2007.

상세보기
Mondal, S. C. and Mandal, P., "Application of Artificial Neural Network for Modeling Surface Roughness in Centerless Grinding Operation," Proc. 5th International and 26th all Indian Manufacturing Technology, Design and Research Conference, pp. 601-608, 2014.
Beatrice, B. A., Kirubakaran, E., Thangaiah, P. R. J., and Wins, K. L. D., "Surface Roughness Prediction using Artificial Neural Network in Hard Turning of AISI H13 Steel with Minimal Cutting Fluid Application," Procedia Engineering, Vol. 97, pp. 205-211, 2014.

상세보기
Kant, G. and Sangwan, K. S., "Predictive Modelling and Optimization of Machining Parameters to Minimize Surface Roughness Using Artificial Neural Network Coupled with Genetic Algorithm," Procedia CIRP, Vol. 31, pp. 453-458, 2015.

상세보기
Hong, Y.-C., Ha, S.-J., and Cho, M.-W., “Predicting of Cutting Forces in a Micromilling Process Based on Frequency Analysis of Sensor Signals and Modified Polynomial Neural Network Algorithm,” Int. J. Precis. Eng. Manuf., Vol. 13, No. 1, pp. 17-23, 2012.

원문보기 상세보기
Shojaeefard, M. H., Akbari, M., and Asadi, P., “Multi Objective Optimization of Friction Stir Welding Parameters Using FEM and Neural Network,” Int. J. Precis. Eng. Manuf., Vol. 15, No. 11, pp. 2351-2356, 2014.

상세보기
Gao, X.-D. and Zhang, Y.-X., “Prediction Model of Weld Width during High-Power Disk Laser Welding of 304 Austenitic Stainless Steel,” Int. J. Precis. Eng. Manuf., Vol. 15, No. 3, pp. 399-405, 2014.

원문보기 상세보기
Vermeulen, W., Van der Zwaag, S., Morris, P., and De Weijer, T., "Prediction of the Continuous Cooling Transformation Diagram of Some Selected Steels Using Artificial Neural Networks," Steel Research, Vol. 68, pp. 72-79, 1997.

상세보기
Taghizadeh, S., Safarian, A., Jalali, S., and Salimiasl, A., "Developing a Model for Hardness Prediction in Water-Quenched and Tempered AISI 1045 Steel through an Artificial Neural Network," Materials and Design, Vol. 51, pp. 530-535, 2013.

상세보기
Canakci, A., Varol, T., and Ozsahin, S., "Artificial Neural Network to Predict the Effect of Heat Treatment, Reinforcement Size, and Volume Fraction on AlCuMg Alloy Matrix Composite Properties Fabricated by Stir Casting Method," International Journal of Advanced Manufacturing Technology, Vol. 78, Nos. 1-4, pp. 305-317, 2015.

상세보기
Gupta, M., Jin, L., and Homma, N., "Static and Dynamic Neural Networks from Fundamentals to Advanced Theory," John Wiley & Sons, pp.105-106, 2003.
Zhang, G., Patuwo, B. E., and Hu, M. Y., "Forecasting with Artificial Neural Networks: The State of the Art," International Journal of Forecasting, Vol. 14, No. 1, pp. 35-62, 1998.

상세보기

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증