[논문]인공신경망을 이용한 사출성형품의 무게 안정성 제어에 대한 연구

이준한; 김종선

doi:10.21289/ksic.2020.23.5.773

인공신경망을 이용한 사출성형품의 무게 안정성 제어에 대한 연구
A Study on the Stability Control of Injection-molded Product Weight using Artificial Neural Network 원문보기

한국산업융합학회 논문집 = Journal of the Korean Society of Industry Convergence, v.23 no.5, 2020년, pp.773 - 787

이준한 (한국생산기술연구원 형상제조연구부문) , 김종선 (한국생산기술연구원 형상제조연구부문)

Abstract ▼ AI-Helper

In the injection molding process, the controlling stability of products quality is a very important factor in terms of productivity. Even when the optimum process conditions for the desired product quality are applied, uncontrollable external factors such as ambient temperature and humidity cause inevitable changes in the state of the melt resin, mold temperature. etc. Therefore, it is very difficult to maintain prodcut quality. In this study, a system that learns the correlation between process variables and product weight through artificial neural networks and predicts process conditions for the target weight was established. Then, when a disturbance occurs in the injection molding process and fluctuations in the weight of the product occur, the stability control of the product quality was performed by ANN predicting a new process condition for the change of weight. In order to artificially generate disturbance in the injection molding process, controllable factors were selected and changed among factors not learned in the ANN model. Initially, injection molding was performed with a polypropylene having a melt flow index of 10 g/10min, and then the resin was replaced with a polypropylene having a melt floiw index of 33 g/10min to apply disturbance. As a result, when the disturbance occurred, the deviation of the weight was -0.57 g, resulting in an error of -1.37%. Using the control method proposed in the study, through a total of 11 control processes, 41.57 g with an error of 0.00% in the range of 0.5% deviation of the target weight was measured, and the weight was stably maintained with 0.15±0.07% error afterwards.

주제어

표/그림 (16)

그림 Fig. 1 Operating process of neurons
그림 Fig. 2 Schematic of multi-layer artificial neural network
표 Table 1. Hyper-parameter of artificial neuron network
그림 Fig. 3 Concept of maintain system for product weight using ANN prediction model
표 Fig. 4 Compensation of ANN input weight as much as weight deviation
표 Table 2. Convergence weight value according to weight error
그림 Fig. 5 Target product (a) and mold (b)
그림 Fig. 6 Injection molding machine(Roboshot α-S250iA)
표 Table 3. Injection molding conditions for ANN model
표 Table 4. Injection molding data set for ANN mold
그림 Fig. 7 Injection molding machine(Roboshot α-S250iA)
표 Table 5. Structure parameters for ANN model
그림 Fig. 8 Loss function of ANN model
표 Table 6. Result of validation data set for ANN model
그림 Fig. 9 Product weight controled by ANN model when disturbance occurs
표 Table 7. Result of stability control for product weight by ANN model

AI 본문요약
AI-Helper

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

문제 정의

3의 3단계부터 반복하여 성형품의 품질 유지를 진행하고, 해당 과정을 계속적으로 반복하면 원하는 목표 무게의 오차 범위 내에 사출성형품의 무게가 존재하도록 제어가 가능할 것으로 판단된다. 따라서, 본 연구에서는 해당 품질 유시 시스템에 대한 실험과 검증을 진행하였다.
본 연구에서 사출성형품의 무게 예측을 위해 사용한 인공신경망 모델 구축은 사출성형조건과 사출성형품의 무게 사이의 관계 구축에 대한 효율성을 판단하기 위한 사전 연구[11]에서 사용한 제품과 금형, 사출성형기, 재료, 그리고 사출성형 데이터를 사용하여 진행하였으며 무게 예측 인공신경망을 이용하여 외란 발생 시 사출성형품의 무게를 일정하게 유지할 수 있는 방법과 시스템 구현에 초점을 맞추어 연구를 진행하였다.
본 연구에서는 목표로 설정한 성형품의 품질 기준과 외란으로 인해 변동이 발생한 성형품의 품질 사이의 차이를 오차(Error)로 규정하고 이를 줄이도록 인공지능 모델을 통해 새로운 성형조건을 산출하여 사출성형공정에 적용하는 방법으로 성형품의 품질 안정성을 제어하였다. 사출성형품의 중요 품질에는 무게, 치수, 수축, 휨 등이 있으며 본 연구에서는 기존 인공지능 연구들에서 인공신경망을 통한 관계 구축이 정확하다고 알려진 무게를 품질 판단의 기준으로 선정하였다.

제안 방법

1번 실험의 경우에는 이전 실험의 ANN 입력 무게와 실제 성형품의 무게 차이가 1.37%로 이전 ANN 입력 무게 41.57 g에서 0.57 g의 무게 차이를 감할 때 0.8의 가중치를 적용하여 “41.11 = 41.57 – 0.8 x 0.57[=]g” 의 새로운 ANN 입력 무게를 산출하였다.
3.4절에서 ANN 모델의 검증에 사용한 검증 데이터 셋 중 1번 셋의 무게 41.57 g을 목표 무게로 설정하여 해당 무게의 성형조건을 토대로 조건 유시 시스템 검증 실험을 진행하였다. 일반적으로 사출성형공정에 작용하는 외란의 종류에는 대기 온도, 습도, 기계 상태, 수지의 로트 번호(Lot number) 등이 있으며 이는 본 연구에서 구축한 인공신경망 예측 모델에는 적용되지 않은 요소들이다.
초기에 컵 제품의 무게 예측을 위한 인공지능의 학습에 사용할 데이터 셋은 폴리프로필렌(Polypropyelne)인 HOPELEN J-150 LOTTE Chemical) 수지로 성형하였다. HOPELENE J-150 수지는 용융지수(Melt flow index)가 10 g/10min로, 차후 인공지능으로 예측한 성형공정에 인위적인 외란을 가할 시에는 용용 지수 33 g/10min을 가진 폴리프로필렌 수지인 J-370(LOTTE Chemical)을 사용하여 사출성형을 진행하였다.
일반적으로 사출성형공정에 작용하는 외란의 종류에는 대기 온도, 습도, 기계 상태, 수지의 로트 번호(Lot number) 등이 있으며 이는 본 연구에서 구축한 인공신경망 예측 모델에는 적용되지 않은 요소들이다. 그러나 언급한 외란 요소들은 제어가 불가능한 요소들로 본 실험에서는 인위적으로 제어 가능하면서 ANN 예측 모델에 적용되지 않는 요소를 외란의 역할로써 공정에 적용하였다. 본 연구에서 구축한 ANN 예측 모델은 J-150 폴리프로필렌 수지로 성형한 데이터를 학습한 것으로 점도가 다른 J-370 폴리프로필렌 수지에 대한 정보는 반영되지 않은 상태이다.
57 g의 무게 조건을 입력하여 성형조건을 도출하였다. 그러나 외란이 적용된 시점에서 ANN 예측 모델에 입력한 무게와 실제 사출성형품의 무게는 0.57 g의 차이를 보이므로 해당 차이만큼을 고려하여 ANN 예측 모델의 입력 무게를 41.11 g으로 변경하여 입력하고 새로운 성형조건을 도출하여 적용하였다. 1번 실험의 경우에는 이전 실험의 ANN 입력 무게와 실제 성형품의 무게 차이가 1.
따라서, ANN에 전처리 과정 없이 학습시킬 경우, 예측 모델의 오차가 최소값에 근접하는 수렴속도가 낮아지고 성능이 저하될 가능성이 크다. 그러므로 본 연구에서는 Table 4의 데이터 셋들에 대해 정규화(Normalized)를 진행하여 모든 인자들이 동일한 크기 내에서 변화가 발생하도록 조정하고 인공신경망 모델의 학습을 진행하였다. 인공신경망의 구조는 Fig.
2017년 Zhou 등[2]은 사출성형 중 용융 수지의 사출압력을 측정하고 스크류 거리에 대한 사출압력의 적분값을 산출하였다. 그리고 사출압력의 적분 값, 배압, 계량속도, 금형온도의 공정변수, 그리고 제품의 무게 사이의 상관관계를 분석하여 사출압력의 시간적분 값을 모니터링하고 배압, 계량속도, 금형온도를 변경하는 방법으로 성형 제품의 무게를 제어하였다. 2018년 Chen 등[3]은 금형 내 캐비티 압력 센서를 이용하여 사출압력을 측정하고 이를 이용하여 사출압력의 시간 변화에 대한 기울기, 최대 사출압력, 점도, 그리고 에너지 지표(Energy index)를 정의하였다.
2018년 Chen 등[3]은 금형 내 캐비티 압력 센서를 이용하여 사출압력을 측정하고 이를 이용하여 사출압력의 시간 변화에 대한 기울기, 최대 사출압력, 점도, 그리고 에너지 지표(Energy index)를 정의하였다. 그리고 성형온도, 금형온도, 사출속도 등의 공정변수와 성형 제품의 무게와의 상관관계를 분석하여 제품의 무게를 제어하는 연구를 진행하였다. 그러나 현재까지 연구들과 개발된 시스템들은 사출성형공정을 실시간(Real-time)으로 모니터링하여 피드백(Feed-back) 제어를 통해 제품의 품질을 안정화하는 방법을 기본 구조로 사용하고 있으나 이는 제품 품질의 불안정성이 커질수록 품질 복귀까지 시간이 많이 소요될 수 있으며 제어의 정확성이 감소할 가능성이 있다.
일정 샷 이후에 수지를 33 g/10min의 유동지수를 가지는 폴리프로필렌 J-3 70으로 변경하여 공정에 외란을 적용하였다. 그리고 수지 변경에 의한 외란으로 발생한 성형품의 무게 변동을 ANN 모델의 입력 무게에 반영하여 새로운 성형조건을 도출하였으며 해당 과정을 반복하여 성형품의 무게가 목표 무게 대비 0.5%의 편차 내로 복귀하도록 제어하였다.
해당 ANN 예측 모델을 통해 원하는 무게의 성형품을 성형할 수 있는 조건을 도출하기 위해 10개의 공정 변수들의 최대, 최소값 범위 내에서 임의로 선정한 10만개의 성형 조건을 입력하여 무게를 예측하였다. 그리고 예측된 무게 결과들과 목표 무게를 비교하여 가장 근접한 결과에 대한 성형조건을 도출하는 방식으로 특정 무게에 대한 성형조건을 예측하였다. 해당 방법은 인공지능의 장점인 빠른 연산속도를 이용한 것으로 기존 CAE 해석 등을 이용한 경우에는 수 일이 걸리는 작업이나 본 연구에서는 10만 개 조건에 대한 무게 예측에 소요된 시간은 2.
사출성형공정에서 성형품의 무게에 영향을 미치는 공정인자 들을 선정하여 ANN 학습을 위한 성형조건을 생성하고 해당 조건에 대한 실험을 통해 무게를 측정한 다음, 목표 무게에 대한 성형조건을 도출하는 인공신경망 모델을 구축하였다. 그리고 이를 이용하여 외부 외란으로 인해 발생한 무게의 변동을 ANN 모델에 입력하고 새로운 성형조건을 도출하는 방법으로 제품 무게의 불안정성을 제어하였으며 ANN을 통한 제품의 품질 안정성 유지에 대한 방법을 제시하였다.
임의로 생성한 28개 데이터 중 성형온도와 금형온도 분포가 균일하도록 5개의 데이터 셋을 검증 데이터 셋으로 선정하였다. 그리고 학습 횟수에 따라 ANN 예측 모델을 통해 5개 데이터 셋의 무게를 예측하고 실제 무게와 비교하여 정확도를 평가하였으며 5개 데이터 셋에 대한 정확도가 98% 이상이 될 때까지 ANN의 학습을 진행하도록 설정하였다.
기존에 최적성형조건을 도출하였던 입력 무게 Wi에서 WD와 Wi의 차이에 가중치 α를 적용한 값을 감하여서 새로운 인공지능 조건 도출 입력 무게 Wi = Wi-α∆W를 산출하였다.
따라서, 본 연구에서는 기존의 피드백 제어의 문제점을 해결하고자 인공신경망(Artificial neural network, ANN) 모델을 사출성형품의 품질 불안정성을 제어하는데 적용하였다. 사출성형공정에서 성형품의 무게에 영향을 미치는 공정인자 들을 선정하여 ANN 학습을 위한 성형조건을 생성하고 해당 조건에 대한 실험을 통해 무게를 측정한 다음, 목표 무게에 대한 성형조건을 도출하는 인공신경망 모델을 구축하였다.
본 연구에서 조건 유지를 위한 제품의 목표 품질은 무게이다. 따라서, 성형품의 무게에 영향을 주는 공정변수들을 선택하였으며 대표적인 성형조건인 성형온도, 금형온도, 사출속도, 보압 크기, 보압 시간 이외에도 영향을 준다고 판단되는 5가지 공정변수를 추가로 선정하여 다변수 입력에 대한 무게 예측과 조건 유지 성능을 평가하였다.
본 연구에서 구축한 ANN 예측 모델은 J-150 폴리프로필렌 수지로 성형한 데이터를 학습한 것으로 점도가 다른 J-370 폴리프로필렌 수지에 대한 정보는 반영되지 않은 상태이다. 따라서, 점도가 다른 J-370 폴리프로필렌 수지를 적용함으로써 사출성형공정에 인위적으로 외란을 발생시키고 조건 유지 시스템을 검증하였다.
목표 무게의 편차 범위는 목표 무게에 대한 ± δ%로 선정하여 진행하였으며 본 연구에서는 목표 무게 Wt의 편차 범위를 연구에 사용한 제품의 무게를 고려하여 ± 0.5%로 정하였다.
본 논문에는 10개의 공정변수를 이용하여 실험 계획법 27개 조건과 임의로 생성한 28개 조건을 이용하여 사출성형을 진행하고 무게를 측정하였다. 수지는 10 g/10min의 유동지수를 가지는 폴리프로필렌 J-150 수지를 사용하였으며 55개의 데이터 셋을 이용하여 ANN 무게 예측 모델을 구축하였다.
사전 연구[11]의 경우에는 반복 학습 횟수를 고정시킨 상태에서 하이퍼파라미터 최적화 기법을 사용하여 은닉 층의 수, 뉴런의 수 등을 결정하였으나 본 연구에서는 목표로 하는 정확도에 정확히 도달하기 위해 반복 학습 횟수를 고정시키지 않은 상태에서 손실함수 수렴 조건을 검증 데이터의 정확성으로 부여하고 일반적으로 가장 효과적으로 알려진 최적화 도구와 활성화 함수를 사용하여 은닉 층의 수와 뉴런의 수를 변경하며 최적의 모델을 탐색하였으며 사전 연구와는 인공신경망 모델의 구조 상 차이가 존재한다.
따라서, 본 연구에서는 기존의 피드백 제어의 문제점을 해결하고자 인공신경망(Artificial neural network, ANN) 모델을 사출성형품의 품질 불안정성을 제어하는데 적용하였다. 사출성형공정에서 성형품의 무게에 영향을 미치는 공정인자 들을 선정하여 ANN 학습을 위한 성형조건을 생성하고 해당 조건에 대한 실험을 통해 무게를 측정한 다음, 목표 무게에 대한 성형조건을 도출하는 인공신경망 모델을 구축하였다. 그리고 이를 이용하여 외부 외란으로 인해 발생한 무게의 변동을 ANN 모델에 입력하고 새로운 성형조건을 도출하는 방법으로 제품 무게의 불안정성을 제어하였으며 ANN을 통한 제품의 품질 안정성 유지에 대한 방법을 제시하였다.
[11] 그 다음 구축된 인공신경망 모델을 이용하여 생산하고자 하는 제품의 목표 무게에 대한 성형조건을 산출하여 사출성형을 진행한다. 실제 사출성형에서 성형제품의 목표 무게는 제품의 형상과 사용하는 재료 등에 따라 정해져 있으나 본 연구에서는 예측의 정확도 등을 평가하기 위해 학습한 무게 데이터 범위 내에서 임의 값을 선정하여 적용하였다. 사출성형 결과, 외란이 적용되지 않은 경우는 목표 무게 W_t에 근접한 W_m의 성형품이 생산되고 외란이 적용된 경우에는 목표 무게 W_t의 편차 범위에서 벗어난 W_D의 성형품이 생산된다.
이 단계에서 성형된 제품의 무게 WN와 목표 무게 Wt 사이의 편차를 계산하여 목표 무게의 편차 범위 내로 복귀하였는지 판단한다.
구축된 인공신경망 모델은 입력된 성형조건에 대해 성형품의 무게를 예측할 수 있는 모델이며 해당 모델을 사용하여 원하는 성형품의 무게를 성형하기 위한 성형조건을 산출할 수 있다. 이는 인공신경망의 장점인 신속한 연산 처리 능력에 기반한 방법으로 Fig. 3의 2번 단계와 같이 무수히 많은 성형조건, 본 연구에서는 10만개의 성형조건을 적용하였으며 해당 조건에 대한 성형품의 무게를 예측하고, 결과들 중 목표 무게에 근접하는 성형조건을 도출하도록 인공신경망 모델을 구축하였으며 해당 방법에 대한 정확성과 신뢰성은 관련 연구에서 검증을 진행하여 확인하였다.[11] 그 다음 구축된 인공신경망 모델을 이용하여 생산하고자 하는 제품의 목표 무게에 대한 성형조건을 산출하여 사출성형을 진행한다.
해당 ANN 예측 모델에 임의로 선정한 10만개의 성형조건을 입력하여 무게를 산출하고 목표 무게에 가장 근접하는 성형조건을 도출하여 사출성형을 진행하였다. 일정 샷 이후에 수지를 33 g/10min의 유동지수를 가지는 폴리프로필렌 J-3 70으로 변경하여 공정에 외란을 적용하였다. 그리고 수지 변경에 의한 외란으로 발생한 성형품의 무게 변동을 ANN 모델의 입력 무게에 반영하여 새로운 성형조건을 도출하였으며 해당 과정을 반복하여 성형품의 무게가 목표 무게 대비 0.
조건 유지 시스템에서 무게 예측을 위한 인공지능 모델을 학습하기 위해 Table 3과 같이 10개의 성형공정변수에 대해 10인자 3수준의 직교배열법을 이용하여 27개의 데이터 셋에 대한 성형 조건을 생성하였다. 본 연구에서 조건 유지를 위한 제품의 목표 품질은 무게이다.
5%로 높은 수준의 정확도를 나타내었다. 해당 ANN 예측 모델에 임의로 선정한 10만개의 성형조건을 입력하여 무게를 산출하고 목표 무게에 가장 근접하는 성형조건을 도출하여 사출성형을 진행하였다. 일정 샷 이후에 수지를 33 g/10min의 유동지수를 가지는 폴리프로필렌 J-3 70으로 변경하여 공정에 외란을 적용하였다.
해당 ANN 예측 모델을 통해 원하는 무게의 성형품을 성형할 수 있는 조건을 도출하기 위해 10개의 공정 변수들의 최대, 최소값 범위 내에서 임의로 선정한 10만개의 성형 조건을 입력하여 무게를 예측하였다. 그리고 예측된 무게 결과들과 목표 무게를 비교하여 가장 근접한 결과에 대한 성형조건을 도출하는 방식으로 특정 무게에 대한 성형조건을 예측하였다.

대상 데이터

Table 4의 55개의 조건 중 ANN 모델 학습에는 50개의 데이터 셋을 사용하였으며 나머지 5개 데이터 셋은 ANN 모델의 검증 및 정확도 평가에 사용하였다. 임의로 생성한 28개 데이터 중 성형온도와 금형온도 분포가 균일하도록 5개의 데이터 셋을 검증 데이터 셋으로 선정하였다.
그러나 언급한 외란 요소들은 제어가 불가능한 요소들로 본 실험에서는 인위적으로 제어 가능하면서 ANN 예측 모델에 적용되지 않는 요소를 외란의 역할로써 공정에 적용하였다. 본 연구에서 구축한 ANN 예측 모델은 J-150 폴리프로필렌 수지로 성형한 데이터를 학습한 것으로 점도가 다른 J-370 폴리프로필렌 수지에 대한 정보는 반영되지 않은 상태이다. 따라서, 점도가 다른 J-370 폴리프로필렌 수지를 적용함으로써 사출성형공정에 인위적으로 외란을 발생시키고 조건 유지 시스템을 검증하였다.
조건 유지 시스템에서 무게 예측을 위한 인공지능 모델을 학습하기 위해 Table 3과 같이 10개의 성형공정변수에 대해 10인자 3수준의 직교배열법을 이용하여 27개의 데이터 셋에 대한 성형 조건을 생성하였다. 본 연구에서 조건 유지를 위한 제품의 목표 품질은 무게이다. 따라서, 성형품의 무게에 영향을 주는 공정변수들을 선택하였으며 대표적인 성형조건인 성형온도, 금형온도, 사출속도, 보압 크기, 보압 시간 이외에도 영향을 준다고 판단되는 5가지 공정변수를 추가로 선정하여 다변수 입력에 대한 무게 예측과 조건 유지 성능을 평가하였다.
본 연구에서는 Fig. 5의 컵 형태의 제품과 이를 성형하기 위한 4개의 캐비티로 이루어진 3단 금형을 사용하였다. 제품은 높이 62.
사출성형실험에는 Fig. 6의 Rboshot α-S250iA(FANUC, Japan) 사출성형기를 사용하였다.
본 연구에서는 목표로 설정한 성형품의 품질 기준과 외란으로 인해 변동이 발생한 성형품의 품질 사이의 차이를 오차(Error)로 규정하고 이를 줄이도록 인공지능 모델을 통해 새로운 성형조건을 산출하여 사출성형공정에 적용하는 방법으로 성형품의 품질 안정성을 제어하였다. 사출성형품의 중요 품질에는 무게, 치수, 수축, 휨 등이 있으며 본 연구에서는 기존 인공지능 연구들에서 인공신경망을 통한 관계 구축이 정확하다고 알려진 무게를 품질 판단의 기준으로 선정하였다.[11, 15] 그리고 동일 성형조건 하에서 외란이 없는 경우에도 사출성형품의 무게는 어느 정도의 무게 편차가 발생하기 때문에 이를 고려하여 목표 무게의 상한과 하한을 설정하여 해당 범위 내로 성형품의 무게가 유지될 수 있도록 시스템을 구성하였다.
본 논문에는 10개의 공정변수를 이용하여 실험 계획법 27개 조건과 임의로 생성한 28개 조건을 이용하여 사출성형을 진행하고 무게를 측정하였다. 수지는 10 g/10min의 유동지수를 가지는 폴리프로필렌 J-150 수지를 사용하였으며 55개의 데이터 셋을 이용하여 ANN 무게 예측 모델을 구축하였다. ANN 모델의 손실함수는 약 1.
실험계획법을 이용한 27개의 성형조건 이외에 Table 3의 최대, 최소값을 기준으로 기존의 조건과 중복되지 않도록 임의로 선정한 28개의 성형조건을 추가로 생성하여 총 55개 성형조건에 대해 성형품의 무게까지 측정하여 데이터 셋을 구축하였다.
Table 4의 55개의 조건 중 ANN 모델 학습에는 50개의 데이터 셋을 사용하였으며 나머지 5개 데이터 셋은 ANN 모델의 검증 및 정확도 평가에 사용하였다. 임의로 생성한 28개 데이터 중 성형온도와 금형온도 분포가 균일하도록 5개의 데이터 셋을 검증 데이터 셋으로 선정하였다. 그리고 학습 횟수에 따라 ANN 예측 모델을 통해 5개 데이터 셋의 무게를 예측하고 실제 무게와 비교하여 정확도를 평가하였으며 5개 데이터 셋에 대한 정확도가 98% 이상이 될 때까지 ANN의 학습을 진행하도록 설정하였다.
5의 컵 형태의 제품과 이를 성형하기 위한 4개의 캐비티로 이루어진 3단 금형을 사용하였다. 제품은 높이 62.40 mm, 입구 지름 54.20 mm, 바닥 지름 34.40 mm의 컵 형태이며 금형은 350.00 (W) mm x 3500.00 (L) mm x 420.00 (T) mm의 크기를 가지고 있다.

이론/모형

ANN 모델의 최적화 도구는 아담 도구 (Adam optimizer)를 사용하였다. 해당 최적화 도구는 모멘텀(Momentum) 최적화와 RMS prop 최적화를 합친 경사하강법으로 적응형 학습 속도 개선 방법(Adaptive learning rate method)이라고도 하며, 매개 변수에 대해 개별적으로 학습 속도를 산출하여 적용하고 기본적인 과정을 식(3)부터 식(7)에 나타내었다.
54 g의 편차를 보인다. 외란으로 인한 편차를 감소키기 위해 1번 실험의 조건을 ANN 모델을 통해 변경하였다. 초기에 J-150 수지를 사용하였을 때, 41.
인공신경망 모델의 활성화 함수에는 기존에 대중적으로 사용되던 시그모이드(Sigmoid) 함수의 문제점인 기울기 손실(Gradient vanishing)을 해결하기 위해 ReLU(Rectified linear unit)을 사용하였다. ReLU는 식(2)와 같이 입력이 0보다 작으면 0을 출력하고 0보다 큰 값을 입력할 경우, 입력 값을 그대로 출력하며 이러한 특징이 1을 반환하는 시그모이드 함수와는 다른 부분으로, 부분적 활성화(Activation)와 기울기 손실의 문제점을 해결할 수 있는 이점을 가지고 있다.

성능/효과

ANN 모델의 손실함수는 약 1.51 × 10-8으로 수렴하였으며 검증 데이터 셋의 예측 정확도는 평균 98.5%로 높은 수준의 정확도를 나타내었다.
그리고 이후 제어 과정에서도 성형품의 무게는 목표 무게 대비 0.15±0.07%의 오차 범위 내에서 유지되는 것을 확인하였으며 본 연구에서 제시된 시스템의 정확성과 신뢰성을 검증하였다.
37%의 오차를 나타내었다. 그리고 제시된 무게 유지 시스템의 제어 과정을 11회 반복하여 성형품의 무게는 41.57 g으로 측정되었으며 목표 무게의 0.5% 편차 범위 내인 0.00%의 오차를 나타내었다. 그리고 이후 제어 과정에서도 성형품의 무게는 목표 무게 대비 0.
본 연구에서는 성형품의 무게를 예측하는 ANN 모델을 이용하여 목표 무게에 대한 성형조건을 도출하고 이를 이용하여 사출성형공정에 외란이 발생하였을 시 성형품에 발생하는 무게 변동을 외란 발생 전 무게 기준으로 제어하는 시스템을 제시하였으며 높은 정확도와 신뢰성을 가지는 것을 확인하였다. 따라서, 향후 해당 시스템이 사출성형공정에서 제품의 품질 안정성을 유지하는데 기여하여 제품의 품질과 생산성 향상에 도움이 될 것으로 판단된다.
손실함수는 MSE(Mean square error)로 평가하였으며 약 1.51 × 10-8으로 수렴하는 것을 확인하였다.
실험 결과, 초기 외란이 발생하였을 때 제품의 무게는 42.14 g으로 목표 무게 대비 0.57g의 편차로 1.37%의 오차를 나타내었다. 그리고 제시된 무게 유지 시스템의 제어 과정을 11회 반복하여 성형품의 무게는 41.
해당 과정을 반복하여 목표 무게와 사출성형품의 무게 편차가 0.5% 이내로 제어되는 품질 유지 횟수를 탐색한 결과, 11번 실험에서 제품의 무게가 41.57 g으로 측정되었고 목표 무게 대비 0.00%의 편차로 동일한 무게로 제어되었으며 이후 구간에서 무게 편차가 0.15±0.07%로 0.5% 이내에서 안정적으로 제어됨을 확인하였다.
그리고 예측된 무게 결과들과 목표 무게를 비교하여 가장 근접한 결과에 대한 성형조건을 도출하는 방식으로 특정 무게에 대한 성형조건을 예측하였다. 해당 방법은 인공지능의 장점인 빠른 연산속도를 이용한 것으로 기존 CAE 해석 등을 이용한 경우에는 수 일이 걸리는 작업이나 본 연구에서는 10만 개 조건에 대한 무게 예측에 소요된 시간은 2.6초로 매우 짧은 시간 내에 완료되었다.

후속연구

사출성형공정에서 성형품의 목표 품질에 대한 최적 성형 조건을 설정하여도 대기 온도, 습도, 사출성형기 상태 등의 외부적인 요인에 의해 용융 수지의 상태나 금형의 온도 등이 불가피한 영향을 받으므로 일정한 품질의 제품이 성형되지 않으며 이는 품질의 불안정성을 야기한다.[14] 따라서, 사출성형 중 외란의 발생으로 인한 품질 편차로 인해 목표 품질 범위에서 사출성형품의 품질이 벗어났을 경우에 이를 다시 목표 품질 범위로 복귀시켜 제품의 품질을 안정적으로 유지할 수 있는 방법에 대한 연구가 필요하다.
본 연구에서는 성형품의 무게를 예측하는 ANN 모델을 이용하여 목표 무게에 대한 성형조건을 도출하고 이를 이용하여 사출성형공정에 외란이 발생하였을 시 성형품에 발생하는 무게 변동을 외란 발생 전 무게 기준으로 제어하는 시스템을 제시하였으며 높은 정확도와 신뢰성을 가지는 것을 확인하였다. 따라서, 향후 해당 시스템이 사출성형공정에서 제품의 품질 안정성을 유지하는데 기여하여 제품의 품질과 생산성 향상에 도움이 될 것으로 판단된다.

참고문헌 (16)

S. L. Mok, and C. K. Kwong, F. Grasser, A. D'Arrigo, and S. Colombi, "Application of artificial neural network and fuzzy logic in a case-based system for initial process parameter setting of injection molding" Journal of Intelligent Manufacturing, vol. 13, no. 3, pp. 165-176, (2002).
X. Zhou, U. Zhang, T. Mao, and H. Zhou, "Monitoring and dynamic control of quality stability for injection moldingprocess" Journal of Materials Processing Tech, vol. 249, pp. 358-366, (2017).

상세보기
J. Y. Chen, K. J. Yang, S. M. Huang, "Online quality monitoring of molten resin in injection molding." International Journal of Heat and Mass Transfer, vol. 122, pp. 681-693, (2018).

상세보기
B. H. M. Sadeghi, "A BP-neural network predictor model for plastic injection molding process" Journal of materials processing technology, vol. 103, No. 3, pp. 411-416, (2001).
S. Kening, A. Ben-David, M. Orner, and A. Sadeh, "Control of properties in injection molding by neural networks." Applications of Artificial Intelligence, vol. 14, No. 6, pp. 819-823, (2001).
B. Ozcelik, and T. Erzurumlu, "Comparison of the warpage optimization in the plastic injection molding using ANOVA, neural network model and genetic algorithm" Journal of materials processing technology, vol. 171, No. 3, pp. 437-445, (2006).

상세보기
C. Ozek, and Y. Celik, "Calculating molding parameters in plastic injection molds with ANN and developing software" Materials and Manufacturing Processes, vol. 27, No. 2, pp. 160-168, (2012).

상세보기
S. Shanmuganathan, "Artificial neural network modelling: An introduction. In Artificial neural network modelling" Springer:German, pp. 1-14, (2016).
Y. J. Kim, H. J. Kim, J. Y. Ha n, and S. Lee, "Classification of Tire Tread Wear Using Accelerometer Signals through an Artificial Neural Network", Journal of the Korean Society of Industry Convergence, Vol. 23, No. 2, pp. 163-171, (2020).
P. Balaprakash, M. Salim, and T. D. Uram, "Deep Hyper: Asynchronous Hyperparamter Search for Deep Neural Networks", IEEE 25th International Conference on High Performance Computing, pp. 42-51, (2018).
D. C. Yang, J. H. Lee, K. H. Yoon, and J. S. Kim, "A Study on the Prediction of Optimized Injection Molding Condition using Artificial Neural Network (ANN)" Transactions of Materials Processing, Vol. 29, No. 4, pp. 1-14, (2020).
T. S. Jin, "Feature Extraction Using Convolution Neural Networks for Random Translation" Journal of the Korean Society of Industry Convergence, Vol. 23, No. 3, pp. 515-521, (2020).
H. K. Cho, and J. S. Lee, " A Study on the Rainfall Forecasting Using Neural Network Model In Nakdong River Basin - A Comparison with Multivariate Model" Journal of the Korean Society of Industry Convergence, Vol. 2, No. 2, pp. 51-59, (1999).
J. H. Lee, K. H. Yoon, J. S. Kim, S. Y. Kim, and H. Y. Lim, "The Effect of Property Change of Resin on Injection Molded Part", Transactions of Materials Processing, Vol. 29, No. 4, pp. 1-14, (2020).
P. Zhao, Z. Dong, J. Zhang, Y. Zhang, M. Cao, Z. Zhu, H. Zhou, and J. Fu, "Optimization of Injection-Molding Process Parameters for Weight Control: Converting Optimization Problem to Classification Problem", Advances in Polymer Technology, Vol. 2020, pp. 1-9, (2020)

상세보기
D. P. Kingma, and J. Ba, "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION", The 3rd International Conference for Learning Representations (arXiv preprint arXiv:1412.6980), (2015)

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