[논문]CAE와 Decision-tree를 이용한 사출성형 공정개선에 관한 연구

황순환; 한성렬; 이후진

doi:10.5762/kais.2021.22.4.580

CAE와 Decision-tree를 이용한 사출성형 공정개선에 관한 연구
A Study on the Improvement of Injection Molding Process Using CAE and Decision-tree 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.22 no.4, 2021년, pp.580 - 586

황순환 (한성대학교 스마트융합컨설팅학과) , 한성렬 (공주대학교 금형설계공학과) , 이후진 (한성대학교 스마트융합컨설팅학과)

초록
AI-Helper

현재 사출성형분야의 Computer Aided Testing(CAT) 방법론으로 CAE(Computer Aided Engineering)를 이용한 수치 해석 기법이 주를 이루고 있다. 그러나 최근 시뮬레이션에 추가로 인공지능 기법을 응용하는 방법론이 연구되고 있다. 우리는 지난 연구에서 다양한 Machine Learning 기법을 활용하여 사출 성형 공정에 따른 변형 결과를 비교하였으며, 최종적으로 MLP(Multi-Layer Perceptron) 예측모델을 생성하였고, HMA(Hybrid Metaheuristic Algorithm)를 이용하여 최적화 결과를 얻어냈다. 그러나 MLP는 예측 성능이 우수한 반면 블랙박스와 같이 결정 과정에 대한 설명이 부족하다. 본 연구에서는 Radiator Tank 부품에 대하여 사출 성형 해석 소프트웨어인 Autodesk Moldflow 2018을 이용하여 수치 해석 기법으로 데이터를 생성하고, Machine Learning 소프트웨어인 RapidMiner Studio version 9.5를 활용하여 여러 Machine Learning Algorithms 모델을 생성하여 평균 제곱근 오차를 비교하였다. Decision-tree는 Root Mean Square Error(RMSE) 값이 다른 Machine Learning 기법에 비해 양호한 예측 성능을 갖추고 있었다. Decision-tree의 크기를 결정하는 Maximal Depth에 따라 분류 기준을 높일 수 있지만 복잡성도 함께 증가시켰다. Decision-tree를 이용하여 구속 조건을 만족하는 중간 값을 선정하여 시뮬레이션을 진행한 결과 기존의 시뮬레이션만 진행한 것보다 7.7%의 개선 효과가 있었다.

Abstract ▼ AI-Helper

The CAT methodology is a numerical analysis technique using CAE. Recently, a methodology of applying artificial intelligence techniques to a simulation has been studied. A previous study compared the deformation results according to the injection molding process using a machine learning technique. Although MLP has excellent prediction performance, it lacks an explanation of the decision process and is like a black box. In this study, data was generated using Autodesk Moldflow 2018, an injection molding analysis software. Several Machine Learning Algorithms models were developed using RapidMiner version 9.5, a machine learning platform software, and the root mean square error was compared. The decision-tree showed better prediction performance than other machine learning techniques with the RMSE values. The classification criterion can be increased according to the Maximal Depth that determines the size of the Decision-tree, but the complexity also increases. The simulation showed that by selecting an intermediate value that satisfies the constraint based on the changed position, there was 7.7% improvement compared to the previous simulation.

주제어

표/그림 (18)

표 Table 1. Parameters of injection molding process
그림 Fig. 1. Moldflow deflection result of radiator tank part
그림 Fig. 2. Process of Decision-tree analysis
표 Table 2. Process setting problem formulation
그림 Fig. 3. Compare of machine learning algorithms of sum X
그림 Fig. 4. Compare of machine learning algorithms of injection pressure
그림 Fig. 5. Compare of machine learning algorithms of clamp Force
그림 Fig. 6. Decision-tree result of deflection Maximal Depth 3
그림 Fig. 7. Decision-tree result of deflection Maximal Depth 4
그림 Fig. 8. Decision-tree result of clamp force Maximal Depth 3
그림 Fig. 9. Decision-tree result of clamp force Maximal Depth 4
그림 Fig. 10. Modified Decision-tree result of clamp force Maximal Depth 3
그림 Fig. 11. Modified Decision-tree result of clamp force Maximal Depth 4
그림 Fig. 12. Modified Decision-tree result of deflection Maximal Depth 3
그림 Fig. 13. Modified Decision-tree result of deflection Maximal Depth 4
그림 Fig. 14. Modified Decision-tree result of pressure at V/P switch over Maximal Depth 3
그림 Fig. 15. Modified Decision-tree result of pressure at V/P switch over Maximal Depth 4
표 Table 3. Comparison of Decision-tree results

AI 본문요약
AI-Helper

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

문제 정의

또한 데이터 분석을 위한 코딩 전문가 및 통계 전문 인력이 필요하다. 본 연구는 시뮬레이션 기반으로 데이터를 확보하고, 인공지능 플렛폼 소프트웨어를 활용한 분석을 통해 저비용의 쉽고 빠른 CAT 방법론을 제시하기 위해, 자동차 Radiator Tank 부품의 사출 공정 변화에 대하여 Machine Learning 기법 중 하나인 의사 결정 나무를 활용하여 형체력과 사출압력과 같은 구속 조건을 만족하는 휨 개선 공정을 제안하면서 설명 가능한 예측 모델을 작성하고자 한다.
본 연구에서는 지속 가능한 플라스틱 제조 산업을 위해 환경 및 경제에 긍정적 영향을 주기 위한 방법으로 성형성 및 제조 공정 최적화를 CAT를 이용하는 방법론을 제시하였다. CAE를 이용한 수치 해석 기법으로 데이터를 생성하고, 인공지능 기법의한 축인 Machine Learning을 활용하여 모델을 생성하고 모델 별로 평균 제곱근 오차를 비교하였으며, 설명이 가능한 Machine Learning 기법인 Decision-tree를 활용하여 휨 최소화를 위한 공정조건을 예측하였으며 아래와 같은 결론을 도출하였다.

제안 방법

CAE를 이용한 수치 해석 기법으로 데이터를 생성하고, 인공지능 기법의한 축인 Machine Learning을 활용하여 모델을 생성하고 모델 별로 평균 제곱근 오차를 비교하였으며, 설명이 가능한 Machine Learning 기법인 Decision-tree를 활용하여 휨 최소화를 위한 공정조건을 예측하였으며 아래와 같은 결론을 도출하였다.
Decision-tree 결과를 기반으로 구속조건을 만족하는 휨 최소화를 위해 보압을 72.5MPa, 충전 시간을 1.25sec, 수지온도 290℃ 로 선정하여 시뮬레이션을 진행하였다. Table 3과 같이 CAE를 단독적으로 진행했을 때 123회의 시뮬레이션 중 가장 큰 휨이 예측된 것은 Case44로 5.
기존의보압 크기는 20MPa, 50MPa, 80MPa을 진행하였으나상충되는 영역인 60MPa과 70MPa 조건에 대하여 추가실험을 하였고, 수지의 온도는 기존의 270℃, 290℃, 310℃에서 300℃와 290℃로 추가하였으며, 금형의 온도는 80℃로 한정하였고, 보압 시간은 기존의 5sec, 10sec, 15sec에서 12.5sec와 7.5sec를 적용하였다. Fig.
또한 제품의 중심에 사출 주입 점을 설정하였다. 미성형이 발생하지 않는 조건을 위하여 사출 시간은 1초에서 3초를 선정하였으며, 보압 시간과 크기는 제품 외곽 사이즈가 가능한 범위로 결정하였다. 또한 수지의 온도와 금형 온도는 수지 회사에서 추천하는 범위를 사용하였다.
상충된 문제가 학습 데이터를 추가 했을 때 해결되는지 평가하기 위해 추가 시뮬레이션을 진행하였다. 기존의보압 크기는 20MPa, 50MPa, 80MPa을 진행하였으나상충되는 영역인 60MPa과 70MPa 조건에 대하여 추가실험을 하였고, 수지의 온도는 기존의 270℃, 290℃, 310℃에서 300℃와 290℃로 추가하였으며, 금형의 온도는 80℃로 한정하였고, 보압 시간은 기존의 5sec, 10sec, 15sec에서 12.
우리는 Decision-tree의 크기를 결정하는 Maximal Depth에 따라 예측 성능 및 설명력의 변화를 연구하였다. Fig.
우리는 지난 연구에서 다양한 Machine Learning 기법을 활용하여 사출 성형 공정에 따른 변형 결과를 비교하였으며, 최종적으로 MLP(Multi-Layer Perceptron) 예측모델을 생성하였고, HMA(Hybrid Metaheuristic Algorithm)를 이용하여 최적화 결과를 얻어냈다[1]. 그러나 MLP는 신뢰성은 우수하지만 블랙박스와 같이 결정 과정에 대한 설명이 부족하여 생성된 결과나 예측에 대한 설명 즉 변수의 영향력 및 우선순위 등을 분석할 수 없고 이에 따라 신뢰성 문제가 제기될 때 내부 결정 과정을 사용자에게 이해시킬 수 없다.
이번 연구에서는 학습데이터와 테스트데이터를 80:20 비율로 학습 세트와 평가세트로 배분하였다.[7] 수치해석은 Autodesk사의 Moldflow Insight 2018를 이용하였으며, 3D Tetra mesh로 10개 Layer로 작성하여 총 1, 187, 104개를 사용하였다.

대상 데이터

Table 2와 같이 제한된 시간에 전역적인 조건을 검토하기 위해 지난 연구에서는 직교배열 (Orthogonal Array)에 따른 L108의 108 실험점을 생성하여 학습하였고, 테스트를 위해 L18에서 L108과 겹치는 3점을 제외하고 15회 실험을 선정하여 테스트하였다.
학습 세트와 평가세트로 배분하였다.[7] 수치해석은 Autodesk사의 Moldflow Insight 2018를 이용하였으며, 3D Tetra mesh로 10개 Layer로 작성하여 총 1, 187, 104개를 사용하였다. 또한 제품의 중심에 사출 주입 점을 설정하였다.
이 부품은 자동차 경량화와 복잡성 그리고 생산성 향상을 위해 철강 재료에서 플라스틱으로 변경되었다. 플라스틱 재료의 그레이드는 Technyl One J60 X1 V30 Grey 7035인 PolyAmides66에 첨가재로 Glass fiber가 30% 함유된 수지 재료를 사용한다. Fig.

데이터처리

‘mod’ 포트는 Decision-tree 학습 모델과 연결하고 ‘unl’ 포트는 Split Data에서 테스트용으로 분리한 데이터로 연결한다. 그리고 Performance를 통해 회귀 모델의 통계 성능 평가를 진행한다.
우리가 사용하는 Decision-tree 기법 평가를 위해 Fig. 3은 휨 예측 성능에 대하여 5가지 머신러닝 기법과 비교 하였다. 평가 방법은 식 (5)에서 설명한 것과 같이 RMSE를 계산하였다.

이론/모형

Machine Learning 기법 분석을 위해 RapidMiner Studio version 9.5를 활용하였다. Fig.
근사모델을 평가하는 도구로 기존 연구와 동일한 방법인 Root Mean Square Error(RMSE)를 사용하였다[8]. 식 (5)와 같이 θ값은 시뮬레이션에서 얻은 값이며, θ‘는 근사모델의 예측 값이다.

성능/효과

1. Decision-tree는 RMSE 값이 휨 예측은 0.094mm, 성형 압력은 1.24MPa, 형체력은 3.26Ton 으로 모두 97.5%의 신뢰 수준이 나타났으며, 다른 Machine Learning 기법에 비해 양호한 예측 성능을 갖추고 있었다.
2. Decision-tree의 크기를 결정하는 Maximal Depth 에 따라 예측 성능 및 설명력의 변화를 연구한 결과 Maximal Depth 증가가 분류 기준을 높일 수 있지만 복잡성도 함께 증가시켰다.
3. 휨 최소화를 위해 보압은 65MPa 이상이 필요하지만, 형체력은 270MPa을 넘어 휨 최소화 조건과 구속조건 상충되며, Maximal Depth를 변경해도 상충된 결과의 변화는 없었다.
4. 상충된 문제가 실험점을 추가 했을 때 해결되는지 평가하기 위해 추가 시뮬레이션을 진행한 결과 상충된 지점의 위치가 달라졌고, 구속 조건을 만족하는 중간 값을 선정하여 시뮬레이션을 진행한 결과 기존 시뮬레이션 대비 7.7%의 개선 효과가 있었다.
253mm 이다. Decision-tree 기법을 활용한 공정조건 개선을 적용하여 시뮬레이션을 진행한 결과(CAE of DT) 구속 조건은 만족하면서 휨 양이 3.924mm로 Case 24 대비 7.7% 개선되었다.
확인하였다. RMSE값은 3.26Ton으로 형체력의 평균이 179Ton일 때 예측 값이 평균대비 1.82%의 변동성을 가져 양호한 신뢰 수준을 나타내고 있다.
결과적으로 Decision-tree 는 RMSE 값이 휨 예측은 0.094mm, 성형 압력은 1.24MPa, 형체력은 3.26T on으로 다른 Machine Learning 기법에 비해 양호한 예측성능을 갖추고 있었다.
사출 성형 압력 예측 성능 평가 결과 Decision-tree 가 가장 예측 성능이 좋았으며 RMSE값은 1.24MPa으로사출압력의 평균이 67.8MPa일 때 예측 값이 평균대비 1.83%의 변동성을 가져 양호한 신뢰 수준을 나타내고 있다.
요구되는 형체력 예측 결과 Decision-tree가 가장 예측 성능이 좋았으며 전체적으로 심한 편차가 발생하는 것을 확인하였다. RMSE값은 3.
추가 실험을 통해 얻은 휨 최소화를 위한 예측 분석 결과 Fig. 12와 같이 Maximal Depth 3일 경우 기존의 65MPa 기준에서 75MPa 기준으로 변경되었다. Maximal Depth 4를 적용할 경우 Fig.

참고문헌 (8)

S. H. Hwang, J. S. Kim, "Injection mold design of reverse engineering using injection molding analysis and machine learning", Journal of Mechanical Science and Technology, Vol.8, pp.3803-3812, 2019. DOI: https://doi.org/10.1007/s12206-019-0723-1

상세보기
D. Kozjeka, R. Vrabica, D. Kraljb, P. Butalaa, N. Lavracc, "Data mining for fault diagnostics: A case for plastic injection molding", Procedia CIRP, Vol.81, pp.809-814, 2019 DOI: https://doi.org/10.1016/j.procir.2019.03.204

상세보기
K. C. Ke, M. S. Huang, "Quality prediction for injection molding by using a multilayer perceptron neural network", Polymers, Vol.12, pp.1812, August, 2020 DOI: https://doi.org/10.3390/polym12081812

상세보기
A. K. Kim, K. H Oh, J. Y Jung, B. H Kim, "Imbalanced classification of manufacturing quality conditions using cost-sensitive Decision-tree ensembles", International Journal of Computer Integrated Manufacturing, pp.701-717, Dec, 2017 DOI: https://doi.org/10.1080/0951192X.2017.1407447

상세보기
O. Ogorodnyk, O. V. Lyngstad, M. Larsen, K. Wang, K. Martinsen, "Application of machine learning methods for prediction of parts quality in thermoplastics injection molding", International Workshop of Advanced Manufacturing and Automation, pp.237-244, Dec, 2018 DOI: https://doi.org/10.1080/0951192X.2017.1407447
S. H. Hwang, S. H. Park, S. J. Hwang, J. H. Lee, Moldflow Basic Course, Chung-Dam Books, Korea, pp.378-383, 2018
Training and Test Sets: Splitting Data, Machine Learning Crash Course[Internet], Available From: https://developers.google.com/machine-learning/crash-course/training-and-test-sets/splitting-data?hlko (accessed Dec. 20, 2020)
Descending into ML: Training and Loss, Machine Learning Crash Course[Internet], Available From: https://developers.google.com/machine-learning/crash-course/descending-into-ml/training-and-loss (accessed Dec. 20, 2020)

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