[논문]머신러닝을 활용한 가변 롤포밍 공정 web-warping 예측모델 개발

우영윤; 문영훈

doi:10.5228/kstp.2020.29.5.282

머신러닝을 활용한 가변 롤포밍 공정 web-warping 예측모델 개발
Application of Machine Learning to Predict Web-warping in Flexible Roll Forming Process 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.29 no.5, 2020년, pp.282 - 289

우영윤 (부산대학교, 기계공학부) , 문영훈 (부산대학교, 기계공학부)

Abstract ▼ AI-Helper

Flexible roll forming is an advanced sheet-metal-forming process that allows the production of parts with various cross-sections. During the flexible process, material is subjected to three-dimensional deformation such as transverse bending, inhomogeneous elongations, or contraction. Because of the effects of process variables on the quality of the roll-formed products, the approaches used to investigate the roll-forming process have been largely dependent on experience and trial- and-error methods. Web-warping is one of the major shape defects encountered in flexible roll forming. In this study, an SVR model was developed to predict the web-warping during the flexible roll forming process. In the development of the SVR model, three process parameters, namely the forming-roll speed condition, leveling-roll height, and bend angle were considered as the model inputs, and the web-warping height was used as the response variable for three blank shapes; rectangular, concave, and convex shape. MATLAB software was used to train the SVR model and optimize three hyperparameters (λ, ε, and γ). To evaluate the SVR model performance, the statistical analysis was carried out based on the three indicators: the root-mean-square error, mean absolute error, and relative root-mean-square error.

주제어

표/그림 (11)

그림 Fig.1 (a) Roll forming process and (b) flexible roll forming process
그림 Fig. 3 Three blank shapes; (a) rectangular, (b) convex, and (c) concave
그림 Fig. 2(a) Lab-scale flexible roll forming machine, schematic of (b)forming roll movement, and (c) leveling roll
그림 Fig. 4 A schematic of forming roll velocity;(a) side view, and (b) top view
그림 Fig. 5 (a) Experimental appearance of web warping and (b) measurement method for web-warping height
표 Table 1 Process parameters and allocation of levels in experimental study
그림 Fig. 6 A generic illustration of the SVR model
표 Table 3 Optimized hyper parameters in SVR model
그림 Fig. 8 Comparison of actual experimental data (EXP) and predicted values for the web-warping heigh tof SVR for (a) rectangular, (b) concave, (c) convex blank
그림 Fig. 9 Regression plots of the predicted values for the web-warping height of SVR against the observed experimental values for (a) rectangular, (b) concave, (c) convex blank
표 Table 4 Statistical analysis results for SVR model

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 가변 롤포밍 공정의 형상결함 중 하나인 길이방향 web-warping 높이를 예측모델을 개발하기 위해 머신러닝의 SVR 기법을 이용하여 예측 모델을 개발하고 성능을 평가하였다. 본 논문의 결과를 바탕으로 아래의 결론을 도출하였다.

제안 방법

본 논문에서는 실험계획법 중에 완전요인배치 설계법을 기반으로 실험을 진행하였다. 3가지 블랭크 형상에 대하여 2수준 성형롤 속도 조건, 3수준 레벨링 롤 높이, 3수준 굽힘각 3가지 요인을 선정하였다. 각 블랭크 형상 당 18개의 실험으로 총 54개의 실험이 수행되었으며 각 요인에 따른 수준은 Table 1에 나타내었다.
폭방향 이송 범위는 0 mm ~ 120 mm 이며, 회전 범위는 -30° ~ 30° 이다. Labview 프로그램을 이용하여 구동롤 속도, 각 성형롤의 폭방향 이송, 각도, 속도를 제어한다. 레벨링 롤은 공회전하는 한 쌍의 롤로 구성되어 있으며 성형 시 소재가 좌우로 비틀리는 것을 방지하고 수직으로 높이 조절이 가능하여 Fig.
박 등[9]은 ICF(Incremental Counter Forming)시스템을 제안하여 가변 롤포밍에 적용하였다. 가변 롤포밍 공정에서 ICF 시스템 관련 공정변수의 영향을 분석하고 플랜지 부위 길이방향 변형률 분포를 제어함으로써 형상오차를 감소시켰다. 우 등[10]은 가변 롤포밍 공정에서 길이방향 webwarping 특성 분석을 위하여 블랭크 형상, 소재 물성, 성형각과 같은 인자들의 영향도 분석을 실험 및 해석을 통해 진행하였으며, 레벨링 롤시스템을 제안하여 길이방향 web-warping 결함을 감소시켰다.
본 논문에서 길이방향 web-warping 높이 예측을 위해 입력변수를 성형롤 속도, 레벨링 롤 높이, 굽힘각에 따른 길이방향 web-warping 높이 실험결과를 하나의 블랭크 형상에 대하여 18×4 매트릭스(matrix)로 구성하여 SVR 모델을 훈련시켰다.
본 논문에서 실험결과의 길이방향 web-warping 높이를 비교하기 위하여 Fig. 5와 같이 길이방향 webwarping 높이를 웹부위의 높이 편차 중 최대값으로 정의하였다.
본 논문에서는 고려한 가변 롤포밍 공정변수는 블랭크 형상, 레벨링롤 높이, 굽힘각, 성형롤 속도이다. 블랭크 형상은 직사각형, 볼록형, 오목형 3가지가 사용되었으며, 블랭크 길이는 700 mm, 플랜지부 너비는 25 mm, 최소 웹부위 너비는 145 mm로 각 블랭크 형상 별 치수는 Fig.
본 논문에서는 실험계획법 중에 완전요인배치 설계법을 기반으로 실험을 진행하였다. 3가지 블랭크 형상에 대하여 2수준 성형롤 속도 조건, 3수준 레벨링 롤 높이, 3수준 굽힘각 3가지 요인을 선정하였다.
본 논문에서는 실험실 규모의 가변 롤포밍 장비를 이용하여 실험이 진행되었다. 가변 롤포밍 장비는 Fig.
머신러닝을 활용한 가변 롤포밍 공정최적화 연구는 현재 소수만 진행되고 있으며, 다양한 머신러닝 기법을 활용한 공정 최적화에 대한 연구가 필요한 상황이다. 본 논문은 가변 롤 포밍 공정에서 MATLAB 소프트웨어를 통해 머신러닝 기법 중 SVR (support vector regression)을 활용하여 직사각, 오목, 볼록 블랭크 형상에 대하여 성형롤 속도, 레벨링 롤 높이, 굽힘각 공정변수에 따른 web-warping 높이 예측 모델을 개발하였다. 개발된 SVR 모델의 root-meansquare error (RMSE), mean absolute error (MAE), relative root-mean-square error (RRMSE)를 계산하여 성능평가를 진행하였다.
사용된 레벨링롤 높이는 -3 mm, 0 mm, 3 mm이고 굽힘각은 15°, 30°, 45° 이다. 성형롤 속도 조건은 공정간 성형롤 속도가 일정 조건과 성형롤 회전각에 따라 성형롤 속도가 변하는 조건을 사용하였다.

대상 데이터

본 논문에서는 고려한 가변 롤포밍 공정변수는 블랭크 형상, 레벨링롤 높이, 굽힘각, 성형롤 속도이다. 블랭크 형상은 직사각형, 볼록형, 오목형 3가지가 사용되었으며, 블랭크 길이는 700 mm, 플랜지부 너비는 25 mm, 최소 웹부위 너비는 145 mm로 각 블랭크 형상 별 치수는 Fig. 3과 같다. 사용된 레벨링롤 높이는 -3 mm, 0 mm, 3 mm이고 굽힘각은 15°, 30°, 45° 이다.
사용된 레벨링롤 높이는 -3 mm, 0 mm, 3 mm이고 굽힘각은 15°, 30°, 45° 이다.
실험에서 사용된 소재는 0.8 mm 두께의 마일드강 SPCC가 사용되었다. SPCC 소재의 탄성계수는 207 GPa, 항복강도는 207MPa, 인장강도는 339MPa, 연신율은 33.

데이터처리

본 논문은 가변 롤 포밍 공정에서 MATLAB 소프트웨어를 통해 머신러닝 기법 중 SVR (support vector regression)을 활용하여 직사각, 오목, 볼록 블랭크 형상에 대하여 성형롤 속도, 레벨링 롤 높이, 굽힘각 공정변수에 따른 web-warping 높이 예측 모델을 개발하였다. 개발된 SVR 모델의 root-meansquare error (RMSE), mean absolute error (MAE), relative root-mean-square error (RRMSE)를 계산하여 성능평가를 진행하였다.
훈련된 SVR 모델의 성능을 평가하기 위해 식 (6)-(9)과 같이 표현되는 RMSE(root mean square error), MAE(mean absolute error), RRMSE(relative root mean square error)를 계산하였다. 여기서 \(y_i^{observed}\), \(y_i^{predicted}\)는 각각 i번째 web-warping 측정값 및 예측값, n은 y^observed 혹은 y^predicted의 총 개수, #는 y^observed의 평균값이다.

이론/모형

본 논문에서는 가우시안 커널을 이용한 SVR 모델을 훈련시키기 위해 MATLAB 소프트웨어에 Statistics and Machine Learning Toolbox를 사용하였으며, SVR의 초모수 (hyper parameter) C, ɛ, γ를 최적화하기 위해서 MATLAB의 Hyperparameter Optimization Option을 사용하였다.
본 논문에서는 비선형 길이방향 web-warping 결과값 데이터를 선형화하기 위해 가장 보편적으로 사용되는 가우시안 (Gaussian) 커널을 사용하였으며[18], 가우시안 커널은 식(5)와 같이 표현된다. x_i, x는 데이터를 의미하며, γ는 가우시안 폭을 제어하는 매개변수이다.

성능/효과

(1) 훈련된 SVR 모델의 RMSE, MAE, RRMS를 계산하여 성능을 평가를 하였고 본논문의 SVR모델의 RRMSE는 10% 미만으로 예측 성능이 아주 우수하다고 판단된다.
(2) 성형롤 속도, 레벨링 롤 높이, 굽힘각 3가지 요인을 완전요인배치 실험계획법으로 설계하여 SVR 모델훈련을 위한 효과적인 데이터를 얻을 수 있었다.
(3) SVR 모델의 초모수 C, ɛ, γ 최적화를 통하여 성공적으로 예측모델을 훈련하였다.
선행연구에 의하면 RRMSE는 SVR모델의 성능 평가하는 지표로 이용될 수 있으며, RRMSE < 10% 일 때 excellent, 10% < RRMSE < 20% 일 때 good, 20% < RRMSE < 30% 일 때 fair, RRMSE > 30% 일 때 pool로 평가 할 수 있다고 보고 되었다[19, 20]. 3가지 형상에 대한 SVR모델의 RRMSE가 10% 미만으로 예측모델의 성능은 아주 우수로 판단할 수 있다.

후속연구

(4) 본 논문의 연구결과는 가변 롤포밍 공정에서 머신러닝의 활용한 형상결함 예측방안을 제시하였으며 향후 가변 롤포밍 연구에서 보다 다양한 공정 변수를 고려한 형상결함 예측에 응용될 수 있다고 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	롤포밍 공정이란 무엇인가?	롤포밍 (roll forming) 공정은 판재를 다단의 성형롤에 통과시켜 점진적인 굽힘을 통하여 목표 단면 형상으로 성형하는 공정이다[1]. 롤포밍 공정은 전통적인 스탬핑, 프래스 공정에 비해 투자비가 작고, 냉간에서 공정이 진행되기 때문에 제품표면이 미려하고 품질이 우수하다.
	롤포밍 공정이 갖고 있는 한계는?	하지만 롤포밍 공정은 길이방향으로 일정한 단면을 가지는 제품의 성형만이 가능하다는 한계를 가지고 있다. 이러한 롤포밍 공정의 한계를 극복하기 위해, 가변 롤포밍 (flexible roll forming) 공정이 개발되었다[4-6].

참고문헌 (20)

G. Halmos, 2005, Roll Forming Handbook, CRC Press. Boca Raton.
J. H. Jang, J. H. Lee, B. D. Joo, Y. H. Moon, 2009, Flow Characteristics of Aluminum Coated Boron Steel in Hot Press Forming, T. Nonferr. Metal. Soc., Vol. 19, no. 4, pp. 913-916.

상세보기
B. H. Kang, M. Y. Lee, S. M. Shon, Y. H. Moon, 2007, Forming Various Shapes of Tubular Bellows using a Single-step Hydroforming Process, J. Mater. Process. Technol., Vol. 194, no. 1-3, pp. 1-6.

상세보기
P. Groche, G. von Breitenbach, M. Jckel, A. Zettler, 2003, New Tooling Concepts for Futureroll Forming Applications. In ICIT 2003-The 4th international conference on industrial tools, Maribor, Slovenia.
H. Ona, 2005, Study on Development of Intelligent Roll Forming Machine. In ICTP 2005-The 8th international conference on technology of plasticity, Verona, Italy.
H. Ona, R. Sho, T. Nagamachi, K. Hoshi, 2010, Development of Flexible Cold Roll Forming Machine Controlled by PLC. Steel research international, Vol. 81, no. 9, pp. 182-185.
Y. Y. Woo, S. W. Han, I. Y. Oh, Y. H. Moon, 2019, Shape Defects in the Flexible Roll Forming of Automotive Parts, Int. J. Automot. Technol., Vol. 20, no. 2, pp. 227-236.

상세보기
J. H. Kim, Y. Y. Woo, T. W. Hwang, S. W. Han, Y. H. Moon, 2016, Effect of Loading Pattern on Longitudinal Bowing in Flexible Roll Forming, J. Mech. Sci. Technol., Vol. 30, no. 12, pp. 5633-5639

상세보기
J. C. Park, D. Y. Yang, M. Cha, D. Kim, & J. B. Nam, ,2014, Investigation of a New Incremental Counter Forming in Flexible Roll Forming to Manufacture Accurate Profiles with Variable Crosssections. Int. J. Mach. Tools. Manuf., Vol. 86, pp. 68-80.

상세보기
Y. Y. Woo, S. W. Han, T. W. Hwang, J. Y. Park, Y. H. Moon, 2018, Characterization of the Longitudinal Bow during Flexible Roll Forming of Steel Sheets, J. Mater. Process. Technol., Vol. 252, pp. 782-794.

상세보기
K. A. Kumar, C. Ratnam, K. V. Rao, B. S. N. Murthy, 2019, Experimental Studies of Machining Parameters on Surface Roughness, Flank Wear, Cutting Forces and Work Piece Vibration in Boring of AISI 4340 Steels: Modelling and Optimization Approach, SN Appl. Sci., Vol. 1, no.1, pp. 26.

상세보기
Y. Yu, D. Wu, Q. Wang, X. Chen, W. Gao, 2019, Machine Learning Aided Durability and Safety Analyses on Cementitious Composites and Structures, Int. J. Mech. Sci., Vol. 160, pp. 165-181.

상세보기
Y. Asl. Dadgar , Y. Y. Woo, Y. Kim, and Y. H. Moon, 2020, Non-sorting Multi-objective Optimization of Flexible Roll Forming using Artificial Neural Networks, Int. J. Adv. Manuf. Tech., pp. 1-14.
P. Groche, A. Zettler, S. Berner, G. Schneider, 2011, Development and Verfication of a One-step-model for the Design of Flexible Roll Formed Parts, Int. J. Mater. Form., Vol. 4, no. 4, pp. 371-377.

상세보기
H. Ona, I. Shou, K. Hoshi, 2012, On Strain Distributions in the Formation of Flexible Channel Section Development of Flexible Cold Roll Forming Machine, Adv. Mater. Res., Vol. 576, pp. 137-140.

상세보기
K. H. Kim, H. Jin, 2019, A Study on the Development of the short-term Photovoltaic Power Forecasting System using Support Vector Regression (SVR),J. Kor. Ins. Illum. Electr. Install. Eng., Vol. 33, no. 6, pp. 42-48.
B. C. Oh, S. Y. Kim, Development of SVR based Short-term Load Forecasting Algorithm, THE Trans. Kor. Ins. Electr. Eng., Vol 68, no. 2, pp.95-99.
C. H. Wu, J. M. Ho, D. T. Lee, 2004, Travel-time Prediction with Support Vector Regression," IEEE Trans. Intell. Transp. Syst., Vol. 5, no. 4, pp. 276-281.

상세보기
P. D. Jamieson, J. R. Porter, D. R. Wilson, 1991, A Test of the Computer Simulation Model ARCWHEAT1 on Wheat Crops Grown in New Zealand, Field. Crops. Res., Vol. 27, no. 4, pp. 337-350.

상세보기
A. B. Heinemann, P. A. Van Oort, D. S. Fernandes, A. D. H. N. Maia, 2012, Sensitivity of APSIM/ORYZA Model due to Estimation Errors in Solar Radiation, Bragantia, Vol. 71, no. 4, pp. 572-5.

상세보기

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