선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 연구에서는 4개의 캐비티로 구성된 컵 금형을 이용하여 27개의 5인자 3수준의 실험계획법 데이터와 인자의 경계 수준 내에서 임의로 생선한 23개의 성형 조건 데이터를 바탕으로 사출성형을 진행하고 제품의 무게를 측정하였다. 50개의 데이터 중 실험 계획법의 27개 데이터를 포함한 42개의 데이터는 ANN의 학습 데이터로 사용하여 예측 모델을 학습하였으며 나머지 4개 데이터는 예측 모델에 대한 검증 데이터, 나머지 4개의 데이터는 실험 데이터로 사용하여 ANN 예측 모델을 구축하고 평가하여 실제 실험 데이터와 비교하고 다음과 같은 결론을 얻었다.
- 본 연구에서는 4개의 캐비티로 구성된 컵 금형을 사용하여 L27 직교배열을 이용한 5인자 3수준의 성형조건과 경계조건 내에서 무작위로 선택된 23개의 성형조건에 대해 사출성형을 진행하고 최대 사출압력과 무게를 측정한다. 그리고 50개의 조건 데이터 중 45개의 데이터를 ANN에 학습 데이터(trainingdata)로 적용하고 나머지 무작위 조건 데이터 중 5개의 데이터를 실험 데이터(test data)로 사용하여 해당 조건에서의 무게와 최대 사출압력을 예측하여 비교하고 평가하였다.
- 33, 38, 43, 47을 사용하였다. 데이터들은 정규화(normalized)를 진행하여 입력 데이터의 종류에 상관없이 0에서 1 사이의 값을 학습하도록 하여 정확한 예측 데이터를 얻을 수 있도록 하였고 검증 데이터의 정확도가 97% 이상일 때까지 학습을 진행하도록 설정하였다.
- 본 연구에서는 4개의 캐비티로 구성된 컵 금형을 사용하여 L27 직교배열을 이용한 5인자 3수준의 성형조건과 경계조건 내에서 무작위로 선택된 23개의 성형조건에 대해 사출성형을 진행하고 최대 사출압력과 무게를 측정한다. 그리고 50개의 조건 데이터 중 45개의 데이터를 ANN에 학습 데이터(trainingdata)로 적용하고 나머지 무작위 조건 데이터 중 5개의 데이터를 실험 데이터(test data)로 사용하여 해당 조건에서의 무게와 최대 사출압력을 예측하여 비교하고 평가하였다.
- 본 연구에서는 4개의 캐비티로 구성된 컵 금형을 이용하여 27개의 5인자 3수준의 실험계획법 데이터와 인자의 경계 수준 내에서 임의로 생선한 23개의 성형 조건 데이터를 바탕으로 사출성형을 진행하고 제품의 무게를 측정하였다. 50개의 데이터 중 실험 계획법의 27개 데이터를 포함한 42개의 데이터는 ANN의 학습 데이터로 사용하여 예측 모델을 학습하였으며 나머지 4개 데이터는 예측 모델에 대한 검증 데이터, 나머지 4개의 데이터는 실험 데이터로 사용하여 ANN 예측 모델을 구축하고 평가하여 실제 실험 데이터와 비교하고 다음과 같은 결론을 얻었다.
- 2의 4개의 캐비티로 이루어진 컵 금형을 사용하였다. 성형조건은 L27 직교배열법을 이용하여 Table 2의 5인자 3수준의 27개 조건을 적용하였으며 이외에도 각 인자의 경계조건 내에서 완전요인실험(full factorial design)이 아닌 임의로 23개의 성형조건을 추가로 생성하여 총 50개 성형조건에 대해 사출성형을 진행하였다. Fig.
대상 데이터
- Table 4의 데이터에서 검증 데이터는 No. 35, 41, 48, 50, 실험 데이터는 No. 33, 38, 43, 47을 사용하였다. 데이터들은 정규화(normalized)를 진행하여 입력 데이터의 종류에 상관없이 0에서 1 사이의 값을 학습하도록 하여 정확한 예측 데이터를 얻을 수 있도록 하였고 검증 데이터의 정확도가 97% 이상일 때까지 학습을 진행하도록 설정하였다.
- Table 3에는 L27의 실험계획 조건에 대한 결과를 나타내었으며 Table 4에는 요인의 경계 수준 내에서 임의로 생성한 조건에 대한 사출성형 결과를 나타내었다. 결과에서 총 50개의 데이터 중에 L27 데이터를 포함한 42개를 학습 데이터로 사용하였으며 나머지 임의의 데이터 중 4개는 검증 데이터, 4개는 실험 데이터로 ANN 모델 검증에 사용하였다.
- 본 실험에서는 Fig. 1의 220톤 사출성형기 (WIZ-220, LSMtron)를 사용하여 사출성형을 진행하였다. 금형은 Fig.
- 즉, 훈련을 거듭하면서 입력데이터와 출력데이터 사이의 복잡한 함수 관계를 점진적으로 형성한다. 본 연구에서는 Fig. 4와 같이 입력 데이터 5개, 5층 신경망, 신경망 당 뉴런 10개, 출력데이터 2개 구조를 사용하여 ANN을 구현하고 데이터를 학습하였다.
- 실험에서 사용된 재료는 Polypropylene(PP)이며 그레이드(grade)는 J-150(Lotte chemical)이다. J-150은 일반 사출성형에 사용되는 범용 수지이며 Table 1에 권장 성형 조건과 용융 지수를 나타내었다.
이론/모형
- 활성화 함수는 ReLU, 최적화에는 Adam optimizer를 사용하였다. ReLU(rectified linear unit)은 기계학습에서 많이 사용되는 활성화 함수 중 하나이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.