[논문]인공신경망을 활용한 최적 사출성형조건 예측에 관한 연구

양동철; 이준한; 윤경환; 김종선

doi:10.5228/kstp.2020.29.4.218

인공신경망을 활용한 최적 사출성형조건 예측에 관한 연구
A Study on the Prediction of Optimized Injection Molding Condition using Artificial Neural Network (ANN) 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.29 no.4, 2020년, pp.218 - 228

양동철 (한국생산기술연구원 형상제조연구부문) , 이준한 (한국생산기술연구원 형상제조연구부문) , 윤경환 (단국대학교 기계공학과) , 김종선 (한국생산기술연구원 형상제조연구부문)

Abstract ▼ AI-Helper

The prediction of final mass and optimized process conditions of injection molded products using Artificial Neural Network (ANN) were demonstrated. The ANN was modeled with 10 input parameters and one output parameter (mass). The input parameters, i.e.; melt temperature, mold temperature, injection speed, packing pressure, packing time, cooling time, back pressure, plastification speed, V/P switchover, and suck back were selected. To generate training data for the ANN model, 77 experiments based on the combination of orthogonal sampling and random sampling were performed. The collected training data were normalized to eliminate scale differences between factors to improve the prediction performance of the ANN model. Grid search and random search method were used to find the optimized hyper-parameter of the ANN model. After the training of ANN model, optimized process conditions that satisfied the target mass of 41.14 g were predicted. The predicted process conditions were verified through actual injection molding experiments. Through the verification, it was found that the average deviation in the optimized conditions was 0.15±0.07 g. This value confirms that our proposed procedure can successfully predict the optimized process conditions for the target mass of injection molded products.

주제어

표/그림 (19)

그림 Fig. 1 4-cavity-mold for injection-molded cup
그림 Fig. 2 Injection-molded cup product
그림 Fig. 3 Structure of ANN
표 Table 1 Specification of injection molding machine
표 Table 2 Properties of resin (HOPELEN J-150) measured by VM-Tech, Korea
표 Table 3 Input parameter for ANN model
표 Table 4 Factors and levels for L27 orthogonal array
표 Table 5 Experiment result for data collecting(continued)
표 Table 5 Experiment result for data collecting(continued)
표 Table 6 Tools of grid search method
표 Table 7 RMSE results of grid search method
표 Table 8 Levels of random search method
표 Table 9 Result of random search method
그림 Fig. 5 Loss vs epoch graph(test data group)
그림 Fig. 4 Loss vs epoch graph(training data group)
표 Table 10 Optimized hyper-parameters for ANN model
표 Table 11 Validation for optimized ANN structure
표 Table 12 Step size for random injection molding conditions
표 Table 13 Predicted injection molding conditions for the target of 41.14 g

AI 본문요약
AI-Helper

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

문제 정의

기존의 연구들에서는 제한된 개수의 성형 인자만을 고려하여 최적 성형조건을 도출하였다. 따라서 본 연구에서는 사출성형품의 품질에 영향을 끼치는 정도가 낮은 성형 인자일지라도 추가하였을 시, 인공신경망 모델의 예측정확도와 신뢰성을 평가하였다. 기존 연구들에서 공통적으로 고려되었던 성형조건들 이외에 추가적으로 공정에 영향을 주는 조건을 포함하여 총 10개의 성형조건을 선정하고 조건에 따른 성형품의 질량을 ANN 모델로 학습하였다.
본 논문에서는 ANN(artificial neural network)를 적용하여 최적의 사출성형공정을 도출하였다. 최근에,ANN 기술은 매우 복잡한 형태의 비선형 시스템을 해석하고 분석하는 분야에 있어 매우 유용하고 효과적인 방법으로 평가받고 있다.
본 연구에서는 원하는 질량의 제품을 생산하기 위한 사출성형조건을 예측하기 위해 다수의 성형조건에 대한 질량을 예측하고 목표 질량과 비교하였다. 사출성형 인자들의 경계조건 내에서 조합이 가능한 10만개의 조건 데이터 그룹을 임의로 생성하고 각 조건에 대한 성형품의 질량을 구축된 ANN 모델을 이용하여 예측하였다.

제안 방법

격자 탐색법과 마찬가지로 5개의 검증 데이터 그룹을 이용하여 학습된 후보군의 예측값과 실제 값 사이의 RSME 값을 구하고 최소 오차가 발생하는 경우를 분석하였다. 최적화 결과를 살펴보면, Table 9와 같이 학습 속도 0.
03707의 가장 작은 RMSE 결과를 나타내었으며 이를 최적화된 하이퍼 파라미터로 선정하였다. 격자 탐색법을 이용하여 최적화한 파라미터들을 고정 도구로 설정하고 나머지 파라미터인 레이어 수, 뉴런 수, 학습 속도, 드롭아웃에 대한 최적화를 진행하였다. 해당 파라미터들은 수치적으로 구간을 나눌 수 있으므로 임의 탐색(random search) 방법을 적용하여 Table 8과 같이 각 인자의 최소, 최대 값을 지정하고 일정한 간격으로 수준을 구분하였다.
사출성형공정을 사출 단계, 보압 단계, 냉각단계, 계량 단계로 구분하고 각 단계에서 중요한 공정 조건들을 선별하여 Table 3과 같이 총 10개의 중요 인자를 결정하였다. 그리고 선정된 10개의 사출성형 인자에 대해 수지의 물성과 권장 성형조건, 금형과 제품의 형태, 그리고 사출성형기의 사양 등을 고려하여 허용 가능한 최소 값과 최대값을 결정하였다. 그리고 Table 4와 같이 최소 최대값을 기준으로 10인자 3수준으로 사출성형 인자들을 구분하고 직교배열법을 사용하여 27개의 성형조건을 생성하였다.
Table 5의 1번부터 67번까지의 데이터는 학습 데이터로 사용하였으며 68번부터 72번까지는 검증 데이터,73번부터 77번까지는 시험 데이터로 사용하였다. 그리고 실험 간에 편차를 고려하여 조건 당 4개의 컵의 질량을 5번 측정하고, 평균값을 구하여 정리하였다.
따라서 본 연구에서는 사출성형품의 품질에 영향을 끼치는 정도가 낮은 성형 인자일지라도 추가하였을 시, 인공신경망 모델의 예측정확도와 신뢰성을 평가하였다. 기존 연구들에서 공통적으로 고려되었던 성형조건들 이외에 추가적으로 공정에 영향을 주는 조건을 포함하여 총 10개의 성형조건을 선정하고 조건에 따른 성형품의 질량을 ANN 모델로 학습하였다. 학습 이후 원하는 제품 질량에 대한 성형조건을 도출하고 실험을 통해 사출성형공정에 대한 ANN 예측 모델의 적합성을 평가하였다.
학습이 완료된 ANN 모델에 임의로 생성한 10만개의 성형조건 적용하여 성형품의 질량을 예측하고 목표 질량과 근접한 결과를 나타내는 성형조건을 도출하였다. 도출된 성형조건에 대해 사출성형실험을 진행하고 목표 질량과 비교하여 ANN 모델의 정확성과 신뢰성을 평가하고 다음의 결론을 얻었다.
본 논문에서는 사출성형품의 품질에 영향을 미치는 대표적인 성형조건인 용융 수지의 온도, 금형 온도, 사출속도, 보압 크기, 보압 시간 이외에 5가지 성형조건을 추가하여 ANN의 입력 파라미터로 사용하였다. 사출성형공정을 사출 단계, 보압 단계, 냉각단계, 계량 단계로 구분하고 각 단계에서 중요한 공정 조건들을 선별하여 Table 3과 같이 총 10개의 중요 인자를 결정하였다.
본 연구에서는 4개의 캐비티로 구성된 컵 금형을 이용하여 27개의 10인자 3수준의 27개 실험계획법 데이터와 인자의 경계 수준 내에서 임의로 생성한 50 개의 성형 조건 데이터를 바탕으로 사출성형을 진행하고 제품의 질량을 측정하였다. 77개의 데이터 중 실험계획법의 27개 데이터를 포함한 67개의 데이터는 학습 데이터 그룹으로 사용하여 ANN 모델을 학습하였으며 나머지 5개 데이터는 ANN 구조의 하이퍼 파라미터를 최적화하기 위한 검증 데이터그룹, 나머지 5개의 데이터는 ANN 모델의 신뢰성 평가를 위한 시험 데이터 그룹으로 사용하였다.
본 연구에서는 활성화 함수, 최적화 도구, 초기화 도구의 최적화에는 격자 탐색(grid search)을 적용하였다. 격자 탐색법은 해당 인자에 해당하는 도구들의 후보를 설정하고 가능한 모든 조합을 평가하는 방법으로 Table 6에 해당 변수들을 최적화하기 위한 도구들의 후보군을 나열하였다.
8 사이의 값으로 정규화할 경우보다 높은 예측성능과 신뢰성을 나타내는 결과를 보였다[14]. 본 연구에서는, 정규화 범위를 0.2 부터 0.8 사이의 값으로 맞추도록 𝑤_𝑛값을 탐색하였으며, 최종적으로 0.35로 선정하고 입력데이터와 출력데이터를 0.206부터 0.794 사이의 값으로 정규화하였다.
본 연구에서는 원하는 질량의 제품을 생산하기 위한 사출성형조건을 예측하기 위해 다수의 성형조건에 대한 질량을 예측하고 목표 질량과 비교하였다. 사출성형 인자들의 경계조건 내에서 조합이 가능한 10만개의 조건 데이터 그룹을 임의로 생성하고 각 조건에 대한 성형품의 질량을 구축된 ANN 모델을 이용하여 예측하였다. 10만 개의 사출성형조건을 선정할 시, 실제 사출성형기에서 제어 가능한 수준을 고려하여 Table 12의 수준으로 각 성형조건 인자들을 구분하여 선택하였다.
본 논문에서는 사출성형품의 품질에 영향을 미치는 대표적인 성형조건인 용융 수지의 온도, 금형 온도, 사출속도, 보압 크기, 보압 시간 이외에 5가지 성형조건을 추가하여 ANN의 입력 파라미터로 사용하였다. 사출성형공정을 사출 단계, 보압 단계, 냉각단계, 계량 단계로 구분하고 각 단계에서 중요한 공정 조건들을 선별하여 Table 3과 같이 총 10개의 중요 인자를 결정하였다. 그리고 선정된 10개의 사출성형 인자에 대해 수지의 물성과 권장 성형조건, 금형과 제품의 형태, 그리고 사출성형기의 사양 등을 고려하여 허용 가능한 최소 값과 최대값을 결정하였다.
역전파 알고리즘에서 입력 데이터의 실제 결과값과 ANN을 통한 예측 결과 값을 비교하기 위해학습 데이터 그룹과 별도로 검증 데이터 그룹을 구분하여 적용한다. 검증 데이터 그룹은 ANN의 성능을 모니터링 하는데 사용되며 일반적으로 실제 값과 예측값의 평균 제곱근 오차(root mean square error,RMSE)가 최소값에 도달하는지를 평가한다.
용융 수지의 온도, 금형 온도, 사출속도 등 ANN 모델의 기계학습에 적용하기 위한 입력 데이터와 결과 데이터는 각각의 값의 크기와 변화의 정도가 다르므로 식(2)를 적용하여 모두 동일한 크기와 범위의 수준을 가지도록 정규화를 진행하였다.
제품 성형을 위해서 250톤 사출성형기 Roboshot-α 250iA(FAUNAC, Japan)을 사용하였으며 폴리프로필렌(Polypropylene) 계열의 수지인 HOPELEN J-150(Lotte chemical, Korea)을 적용하였다.
최적화된 ANN 구조를 사용하여 67개의 사출성형학습 데이터 그룹에 대한 학습을 진행하였다. 학습 횟수(epoch)는 5,000으로 설정하였으며 학습 모델의 정확도는 손실함수 값(Loss)으로 평가하였다.
추가적으로, 직교배열법을 사용한 실험계획의 격자점 이외의 데이터도 학습하기 위해 성형 인자의 경계값 내에서 임의로 선택된 50개의 성형조건을 추가하였다. 최종적으로 77개의 조건 데이터를 생성하였으며 해당 데이터들을 Table 5에 나타내었다.
기존 연구들에서 공통적으로 고려되었던 성형조건들 이외에 추가적으로 공정에 영향을 주는 조건을 포함하여 총 10개의 성형조건을 선정하고 조건에 따른 성형품의 질량을 ANN 모델로 학습하였다. 학습 이후 원하는 제품 질량에 대한 성형조건을 도출하고 실험을 통해 사출성형공정에 대한 ANN 예측 모델의 적합성을 평가하였다.
학습이 완료된 ANN 모델에 임의로 생성한 10만개의 성형조건 적용하여 성형품의 질량을 예측하고 목표 질량과 근접한 결과를 나타내는 성형조건을 도출하였다. 도출된 성형조건에 대해 사출성형실험을 진행하고 목표 질량과 비교하여 ANN 모델의 정확성과 신뢰성을 평가하고 다음의 결론을 얻었다.
(1) 사출성형조건 중 10개를 선정하여 ANN 모델 구축을 위한 77개의 데이터 그룹을 생성하였다. 해당 데이터 그룹에 대한 최적의 ANN 구조를 결정하기 위해 활성화 함수 등의 하이퍼 파라미터를 최적화하였다.
격자 탐색법을 이용하여 최적화한 파라미터들을 고정 도구로 설정하고 나머지 파라미터인 레이어 수, 뉴런 수, 학습 속도, 드롭아웃에 대한 최적화를 진행하였다. 해당 파라미터들은 수치적으로 구간을 나눌 수 있으므로 임의 탐색(random search) 방법을 적용하여 Table 8과 같이 각 인자의 최소, 최대 값을 지정하고 일정한 간격으로 수준을 구분하였다. 그리고 임의로 각 수준의 값들을 선택하여 총 5,000 개의 후보 조합을 추출하고 67개의 학습 데이터 그룹으로 학습을 진행하였다.
역전파 알고리즘은 피드 포워드(feed forward) 네트워크 구조를 가지며 각각의 레이어의 출력이 다음 레이어의 각 뉴런으로 직접 전달되는 방식으로 최종적으로 얻은 출력 값은 신경망에 입력한 값에 대한 실제 값과 비교하여 편차를 구한다. 해당 편차를 오류로 규정하고 출력 뉴런의 변화를 계산하여 역으로 전파하고 이전 뉴런들의 변화를 계산한다. 역전파 알고리즘은 이와 같은 과정을 차례로 반복하고 신경망의 가중치를 조정하여 데이터들 사이의 관계를 점진적으로 학습한다[12].

대상 데이터

(1) 사출성형조건 중 10개를 선정하여 ANN 모델 구축을 위한 77개의 데이터 그룹을 생성하였다. 해당 데이터 그룹에 대한 최적의 ANN 구조를 결정하기 위해 활성화 함수 등의 하이퍼 파라미터를 최적화하였다.
(3) 사출성형조건의 경계 값 내에서 임의로 조합한 10만 개의 조건 데이터 그룹을 생성하였다. 해당 성형조건들을 학습이 완료된 ANN 모델에 입력하여 질량을 예측하고, 목표 질량인 41.
본 연구에서는 4개의 캐비티로 구성된 컵 금형을 이용하여 27개의 10인자 3수준의 27개 실험계획법 데이터와 인자의 경계 수준 내에서 임의로 생성한 50 개의 성형 조건 데이터를 바탕으로 사출성형을 진행하고 제품의 질량을 측정하였다. 77개의 데이터 중 실험계획법의 27개 데이터를 포함한 67개의 데이터는 학습 데이터 그룹으로 사용하여 ANN 모델을 학습하였으며 나머지 5개 데이터는 ANN 구조의 하이퍼 파라미터를 최적화하기 위한 검증 데이터그룹, 나머지 5개의 데이터는 ANN 모델의 신뢰성 평가를 위한 시험 데이터 그룹으로 사용하였다.
최종적으로 77개의 조건 데이터를 생성하였으며 해당 데이터들을 Table 5에 나타내었다. Table 5의 1번부터 67번까지의 데이터는 학습 데이터로 사용하였으며 68번부터 72번까지는 검증 데이터,73번부터 77번까지는 시험 데이터로 사용하였다. 그리고 실험 간에 편차를 고려하여 조건 당 4개의 컵의 질량을 5번 측정하고, 평균값을 구하여 정리하였다.
해당 파라미터들은 수치적으로 구간을 나눌 수 있으므로 임의 탐색(random search) 방법을 적용하여 Table 8과 같이 각 인자의 최소, 최대 값을 지정하고 일정한 간격으로 수준을 구분하였다. 그리고 임의로 각 수준의 값들을 선택하여 총 5,000 개의 후보 조합을 추출하고 67개의 학습 데이터 그룹으로 학습을 진행하였다.
본 연구에서는 사출성형공정에서 성형품의 품질에 영향을 미치는 성형 인자들과 성형된 제품의 질량 사이의 관계를 학습하기 위해 Fig. 1의 4-캐비티를 가지는 3단 금형을 사용하였으며, 최종 성형 제품은 Fig. 2에 제시된 컵(cup) 형상으로 컵의 상하부 지름은 각각 54.2 mm와 34.6 mm이며 높이는 63.0mm이다.
추가적으로, 직교배열법을 사용한 실험계획의 격자점 이외의 데이터도 학습하기 위해 성형 인자의 경계값 내에서 임의로 선택된 50개의 성형조건을 추가하였다. 최종적으로 77개의 조건 데이터를 생성하였으며 해당 데이터들을 Table 5에 나타내었다. Table 5의 1번부터 67번까지의 데이터는 학습 데이터로 사용하였으며 68번부터 72번까지는 검증 데이터,73번부터 77번까지는 시험 데이터로 사용하였다.
89초가 소요되었으며 이는 ANN 기술의 장점 중 하나인 빠른 연산 처리 속도를 이용한 결과이다. 학습된 ANN 모델을 이용한 성형조건 예측의 정확성을 평가하기 위해 학습 데이터 그룹의 평균 질량인 41.14g을 목표로 설정하였으며 10만 개의 데이터 그룹 중 목표 질량에 근접한 성형조건들을 도출하였다. 도출된 목표 질량에 대한 성형조건들을 적용하여 사출성형을 진행하고 각각 5개 성형품의 질량을 측정하여 Table 13에 나타내었다.
후보군 간의 평가에는 레이어 수 1개, 뉴런 수 30개, 학습 속도 0.01, 반복 횟수 500회로 설정하고 드롭아웃이 없이 고정한 모델을 사용하였다. Table 6의 격자 탐색법을 적용한 고정 모델에 대해 각각 67개의 학습 데이터 그룹을 학습하고 5개의 검증 데이터 그룹을 이용하여 최적화 여부를 검증하였다.

데이터처리

역전파 알고리즘에서 입력 데이터의 실제 결과값과 ANN을 통한 예측 결과 값을 비교하기 위해학습 데이터 그룹과 별도로 검증 데이터 그룹을 구분하여 적용한다. 검증 데이터 그룹은 ANN의 성능을 모니터링 하는데 사용되며 일반적으로 실제 값과 예측값의 평균 제곱근 오차(root mean square error,RMSE)가 최소값에 도달하는지를 평가한다.
Table 6의 격자 탐색법을 적용한 고정 모델에 대해 각각 67개의 학습 데이터 그룹을 학습하고 5개의 검증 데이터 그룹을 이용하여 최적화 여부를 검증하였다. 검증 데이터 그룹을 사용한 ANN 모델의 예측값과 실제 값 사이의 평균 제곱근 오차(root mean square error, RMSE)를 식 (3)과 같이 구하고 최소 오차가 발생하는 경우를 분석하였다.

이론/모형

그리고 선정된 10개의 사출성형 인자에 대해 수지의 물성과 권장 성형조건, 금형과 제품의 형태, 그리고 사출성형기의 사양 등을 고려하여 허용 가능한 최소 값과 최대값을 결정하였다. 그리고 Table 4와 같이 최소 최대값을 기준으로 10인자 3수준으로 사출성형 인자들을 구분하고 직교배열법을 사용하여 27개의 성형조건을 생성하였다.
사출성형공정에서 성형조건과 사출성형품의 품질 사이 관계는 복잡한 비선형적 양상을 나타내며, 일반적인 수치해석이나 다구찌 방법과 같은 최적화 기법으로는 정확한 관계 도출이 어렵다. 따라서 사출성형조건과 성형품 질량 사이의 비선형적인 관계를 학습하기 위해 ANN 기법을 사용하였다.

성능/효과

(2) 최적화된 ANN 구조를 사용하여 67개의 학습데이터를 학습한 이후, ANN 모델 구축에 사용하지 않은 5개의 시험 데이터 그룹을 이용하여 ANN의 정확도를 평가한 결과, 최대 편차가 0.23 ± 0.02 g 수준의 정확도를 나타내는 것을 확인하였다.
5,000번의 반복 학습 동안, 6번의 학습 횟수 만에 시험 데이터 그룹에 대한 손실함수는 0.645로 수렴하였으며, 최종적으로는 손실함수는 0.001로 수렴되었다. 구축된 ANN 모델을 이용하여 시험 데이터 그룹의 질량을 예측한 결과, Table 11과 같이 최대 편차가 0.
ANN 모델이 목표 질량인 41.14g에 근접한 질량으로 예측한 사출성형조건 그룹은 총 10개이며, 도출 조건을 이용한 사출성형품의 질량과 목표 질량 사이의 편차는 평균 0.15± 0.02g 으로 나타났다.
구축된 ANN 모델을 이용하여 시험 데이터 그룹의 질량을 예측한 결과, Table 11과 같이 최대 편차가 0.23 ± 0.02 g 수준의 정확도를 나타내는 것을 확인하였다.
도출된 성형조건에 대해 성형품의 질량을 측정하고 목표 질량과 비교한 결과, 목표 질량과의 편차는 평균 0.15 ± 0.07 g으로 높은 수준의 정확도와 신뢰성을 가지는 것을 확인하였다.
따라서 사출성형공정에서 다변수 입력에 대해 ANN 기술이 높은 수준의 정확도로 실제 성형품의 질량을 예측하는 것을 확인하였으며, 이를 이용하여 목표 질량에 대한 최적 조건을 도출하는 방법과 시스템에 대해 현장 평가를 진행하여 정확성과 신뢰성을 확인하였다. 향후 ANN 기술을 통해 도출된 목표 질량에 근접한 결과의 성형조건 중에서도 각각의 중요도를 반영하여 제조사의 권장 수치에 가까운 조건을 도출하는 시스템에 관한 연구가 필요하다.
최적화 결과, 활성화 함수는 ELU, 최적화 도구는 Adams, 초기화 도구는 He normal의 구조를 가진 ANN 모델이 0.03707의 가장 작은 RMSE 결과를 나타내었으며 이를 최적화된 하이퍼 파라미터로 선정하였다. 격자 탐색법을 이용하여 최적화한 파라미터들을 고정 도구로 설정하고 나머지 파라미터인 레이어 수, 뉴런 수, 학습 속도, 드롭아웃에 대한 최적화를 진행하였다.
학습된 ANN 모델을 이용한 질량 예측의 경우, 10만개의 질량 결과를 도출하는데 총 0.89초가 소요되었으며 이는 ANN 기술의 장점 중 하나인 빠른 연산 처리 속도를 이용한 결과이다. 학습된 ANN 모델을 이용한 성형조건 예측의 정확성을 평가하기 위해 학습 데이터 그룹의 평균 질량인 41.
(3) 사출성형조건의 경계 값 내에서 임의로 조합한 10만 개의 조건 데이터 그룹을 생성하였다. 해당 성형조건들을 학습이 완료된 ANN 모델에 입력하여 질량을 예측하고, 목표 질량인 41.14 g에 근접하게 예측한 성형조건을 도출하였다. 도출된 성형조건에 대해 성형품의 질량을 측정하고 목표 질량과 비교한 결과, 목표 질량과의 편차는 평균 0.

후속연구

향후 ANN 기술을 통해 도출된 목표 질량에 근접한 결과의 성형조건 중에서도 각각의 중요도를 반영하여 제조사의 권장 수치에 가까운 조건을 도출하는 시스템에 관한 연구가 필요하다. 그리고 이러한 연구 결과를 바탕으로 사출성형전문가가 아닌 일반사용자도 원하는 성형품의 질량을 쉽게 구현할 수 있는 조건을 설정할 수 있으며 사출 성형 공장의 스마트 팩토리화가 가능할 것으로 예상된다.
따라서 사출성형공정에서 다변수 입력에 대해 ANN 기술이 높은 수준의 정확도로 실제 성형품의 질량을 예측하는 것을 확인하였으며, 이를 이용하여 목표 질량에 대한 최적 조건을 도출하는 방법과 시스템에 대해 현장 평가를 진행하여 정확성과 신뢰성을 확인하였다. 향후 ANN 기술을 통해 도출된 목표 질량에 근접한 결과의 성형조건 중에서도 각각의 중요도를 반영하여 제조사의 권장 수치에 가까운 조건을 도출하는 시스템에 관한 연구가 필요하다. 그리고 이러한 연구 결과를 바탕으로 사출성형전문가가 아닌 일반사용자도 원하는 성형품의 질량을 쉽게 구현할 수 있는 조건을 설정할 수 있으며 사출 성형 공장의 스마트 팩토리화가 가능할 것으로 예상된다.

참고문헌 (17)

H. Shi, Y. Gao, X. Wang, 2010, Optimization of Injection Molding Process Parameters Using Integrated Artificial Neural Network Model and Expected Improvement Function Method, Int. J. Adv. Manuf. Technol., Vol. 48, No. 9-12, pp. 955-962. https://doi.org/10.1007/s00170-009-2346-7.

상세보기
P. Zhao, H. Zhou, Y. He, K. Cai, 2014, A Nondestructive Online Method for Monitoring the Injection Molding Process by Collecting and Analyzing Machine Running Data, Int. J. Adv. Manuf. Technol., Vol. 72, No. 08, pp. 765-777. https://doi.org/10.1007/ s00170-014-5711-0.

상세보기
D. Joseph B, 1987, Injection Molds and Molding: A Practical Manual, Springer Science & Business Media, Germany, pp. 1-5.
L. Xuehong, L. S. Khim, 2001, A Statistical Experimental Study of the Injection Molding of Optical Lenses, J. Mater. Process. Technol., Vol. 113, No. 1-3, pp. 189-195. https://doi.org/10.1016/S0924-0136(01)00606-9.

상세보기
C. E. Castro, M. C. Rios, J. M. Castro, B. Lilly, 2007, Multiple Criteria Optimization with Variability Considerations in Injection Molding, Polym. Eng. Sci., Vol. 47, No. 04, pp. 400-409. https://doi.org/10.1002/pen.20639.

상세보기
S. Kashyap, D. Datta, 2015, Process Parameter Optimization of Plastic Injection Molding: a Review, Int. J. Plast. Technol., Vol. 19, No. 1, pp. 1-18. https://doi.org/10.1007/s12588-015-9115-2.

상세보기
S. J. Liao, W. H. Hsieh, J. T. Wang, Y. C. Su, 2004, Shrinkage and Warpage Prediction of Injection Molded Thinwall Parts Using Artificial Neural Networks, Polym. Eng. Sci., Vol. 44, No. 11, pp. 2029-2040. https://doi.org/10.1002/pen.20206.

상세보기
C. Shen, L. Wang, Q. Li, 2007, Optimization of Injection Molding Process Parameters Using Combination of Artificial Neural Network and Genetic Algorithm Method, J. Mater. Process. Technol., Vol. 183, No. 2, pp. 412-418. https://doi.org/10.1016/ j.jmatprotec.2006.10.036.

상세보기
F. Yin, H. Mao, L. Hua, W. Guo, M. Shu, Back Propagation Neural Network Modeling for Warpage Prediction and Optimization of Plastic Products During Injection Molding, Mater. Des., Vol. 39, No. 4, pp. 1844-1850. https://doi.org/10.1016/j.matdes.2010.12.022.
J. Zhao, G. Cheng, S. Ruan, Z. Li, 2015, Multi-objective Optimization Design of Injection Molding Process Parameters Based on the Improved Efficient Global Optimization Algorithm and Non-dominated Sorting-based Genetic Algorithm, Int. J. Adv. Manuf. Technol., Vol. 78, No. 9-12, pp. 1813-1826. https://doi. org/10.1007/s00170-014-6770-y.

상세보기
R. J. Bensigh, R. Machavaram, S. R. Boopathy, C. Jebaraj, 2019, Injection Molding Process Optimization of a Bi-aspheric Lens Using Hybrid Artificial Neural Networks (ANNs) and Particle Swarm Optimization (PSO), Meas., Vol. 134, pp. 359-374. https://doi.org/10.1016/measurement.2018.10.066.

상세보기
D. Svozil, V. Kvasnieka, J. Pospichal, 1997, Introduction to Multi-layer Feedforward Neural Networks, Chemom. Intell. Lab. Syst., Vol. 39, No. 1, pp. 43-62. https://doi.org/10.1016/S01697439(97)00061-0.

상세보기
R. Leaman, R. I. Dogan, Z. Lu, 2013, Disease Name Normalization with Pairwise Learning to Rank, Bioinf., Vol. 29, No. 22, pp. 2909-2917. https://doi.org/10.1093/bioinformatics/btt474.

상세보기
R. Adnan, F. A. Ruslan, A. M. Samad, Z. M. Zain, 2013, New Artificial Neural Network and Extended Kalman Filter Hybrid Model of Flood Prediction System, 2013 IEEE 9th Int. Colloq. Signal Process. Appl., pp. 252-257. https://doi.org/10.1109/CSPA. 2013.6530051.
P. Balaprakash, M. Salim, T. D. Uram, 2018, Deep Hyper: Asynchronous Hyperparamter Search for Deep Neural Networks, 2018 IEEE 25th Int. Conf. High Perform. Comput., pp. 42-51. https://doi.org/10.1109/HiPC.2018.00014.
C. Thornton, F. Hutter, H. H. Hoos, K. L. Brown, 2013, Auto-WEKA: Combined selection and Hyperparameter Optimization of Classification Algorithms, Proc. Int. Conf. Knowl. Discovery Data Min., pp. 847-855. https://doi.org/10.1145/2487575. 2487629.
J. H. Lee, J. J. Kang, K. H. Yoon, J. S. Kim, 2018, A Study on the Change of Optical and Mechanical Properties by Reprocessing for High Melt-Indexed Polycarbonate Used in Injection Molded Optical Parts, Trans. Mater. Process., Vol. 27, No.4, pp. 211-221. https://doi.org/10.5228/KSTP.2018.27.4.211.

저자의 다른 논문 :

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