[논문]고압 다이캐스팅 공정에서 제품 결함을 사전 예측하기 위한 기계 학습 기반의 공정관리 방안 연구

이승로; 이승철; 한도석; 김낙수

doi:10.7777/jkfs.2021.41.6.521

초록
AI-Helper

본 연구는 고압 다이캐스팅 공정에서 제품 결함을 사전에 예측하기 위한 기계 학습 기반의 공정 관리 모델 개발에 관한 연구이다. 모델은 이전 사이클에서의 온도를 입력받고, 사이클에 걸쳐서 나타나는 특징을 인식하여 다음 사이클의 결함 발생 여부를 예측한다. 기어 박스 형상에 대하여 제안된 알고리즘을 적용하여, 3 사이클의 정보를 통해서 98 .9%의 정확도와 96.8 %의 재현율로 제품 수축 결함을 사전에 예측하였다.

Abstract ▼ AI-Helper

This study presents a process management method for the detection of casting defects during in high-pressure die casting based on machine learning. The model predicts the defects of the next cycle by extracting the features appearing over the previous cycles. For design of the gearbox, the proposed ...

This study presents a process management method for the detection of casting defects during in high-pressure die casting based on machine learning. The model predicts the defects of the next cycle by extracting the features appearing over the previous cycles. For design of the gearbox, the proposed model detects shrinkage defects with data from three cycles in advance with 98.9% accuracy and 96.8% recall rates.

주제어

표/그림 (15)

그림 Fig. 1. Flowchart for proposed methodology.
그림 Fig. 2. Neural network model; (a) model architecture and (b) node connection.
그림 Fig. 3. LSTM basic structure; (a) repeated module and (b) L cell state in the module.
그림 Fig. 4. Implemented LSTM architecture.
그림 Fig. 5. Simple gear box cast design.
그림 Fig. 6. Temperature distribution of fixed die (die initial temperature: 180℃).
그림 Fig. 7. Measured temperature in sensor.
그림 Fig. 8. Niyama criterion contour plot on gear box cast.
그림 Fig. 9. Comparison of model accuracy and recall according to the number of sensor utilization.
표 Table 1. Confusion matrix for utilizing sensor 1
표 Table 2. Confusion matrix for utilizing sensor 1 and 2
표 Table 3. Confusion matrix for utilizing sensor 1, 2 and 3
그림 Fig. 10. Comparison of model accuracy and recall between proposed model and neural network model.
표 Table 4. Confusion matrix for proposed LSTM model
표 Table 5. Confusion matrix for neural network model

AI 본문요약
AI-Helper

문제 정의

다이캐스팅 사이클 진행에 따른 결함을 사전에 예측하고자 기계 학습 기반의 모델을 구축하는 연구를 진행하였다. 기계 학습 모델로는 연속 데이터에 강점을 가지는 LSTM 모델을 활용하였으며, 다이캐스팅 공정 시뮬레이션을 통해 학습 데이터를 생성하였다.

제안 방법

또한, Fig. 4과 유사하게 200, 100, 50 node를 가지는 3 layer로 구성된 인공신경망 모델을 활용하여 사전 예측을 진행하고 (Table 5) 결과를 비교하였다.
본 연구에서는 결함을 사전에 예측하는 모델을 제안하였으며 이를 gear box 형상에 적용하여 결과를 분석하였다. AnyCasting 소프트웨어의 다이캐스팅 시뮬레이션으로부터 고정 금형에서의 센서로부터 온도 변수를 취득하여 모델에 입력했다.
본 연구에서는 모델 학습에 3사이클의 정보를 활용하여 다음 사이클에서의 결함을 예측하고자 한다. 예로, 1, 2, 3번째 사이클에서 측정된 변수는 4번째 사이클의 결함 예측에 활용되고, 2, 3, 4번째 사이클에서의 변수는 5번째 사이클의 결함 예측에 활용된다.
학습 모델을 검증하기 위한 수치 실험 과정으로 금형 예열 온도를 학습에 활용되지 않은 190℃로 설정하여 30사이클 해석을 진행하였다. 3.

대상 데이터

따라서, 4사이클부터 35사이클까지의 32개의 결함 발생 정보 데이터가 기계 학습 모델에 입력될 수 있다. 금형 초기 예열 온도를 3가지 고려하였으므로, 총 96개의 결함 발생 정보 데이터가 학습에 활용된다.
본 연구에서 사전에 예측하고자 하는 결함은 수축공 결함을 선정하여 활용하였다. 학습 데이터를 시뮬레이션으로 구성하였기 때문에 수치해석을 통해 Niyama criterion으로 확인할 수 있는 수축공을 선정하였다.
7을 활용하여 HPDC 해석을 진행하였다. 주조품과 금형 소재는 일반적으로 주로 사용되는 JIS ADC12 소재와 SKD 61를 활용하였다.
본 연구에서 사전에 예측하고자 하는 결함은 수축공 결함을 선정하여 활용하였다. 학습 데이터를 시뮬레이션으로 구성하였기 때문에 수치해석을 통해 Niyama criterion으로 확인할 수 있는 수축공을 선정하였다. Niyama criterion의 임곗값은 0.

데이터처리

3.3절의 수치 검증에서 LSTM 모델을 2.1절의 인공신경망 알고리즘으로 구현한 모델과 비교하며 성능을 검증하였다. 인공신경망 모델은 LSTM과 같게 3개의 hidden layer로 각각 200개, 100개, 50개의 node를 가진다.
제안된 방법을 구현하기 위해 Fig. 5와 같은 간단 기어 박스 형상을 설계하였으며 상용 주조 해석 소프트웨어인 AnyCasting version 6.7을 활용하여 HPDC 해석을 진행하였다. 주조품과 금형 소재는 일반적으로 주로 사용되는 JIS ADC12 소재와 SKD 61를 활용하였다.

이론/모형

다이캐스팅 사이클 진행에 따른 결함을 사전에 예측하고자 기계 학습 기반의 모델을 구축하는 연구를 진행하였다. 기계 학습 모델로는 연속 데이터에 강점을 가지는 LSTM 모델을 활용하였으며, 다이캐스팅 공정 시뮬레이션을 통해 학습 데이터를 생성하였다. 금형 표면에서 센서를 통해 취득한 온도 데이터와 금형 예열 온도 세팅 값을 입력하여 모델 학습을 진행하였고, 그 결과 결함 사전 예측에 96.

성능/효과

Fig. 10과 같이 제안된 LSTM 모델을 활용하여 결함을 예측할 시 재현율은 83.3%로 인공신경망 모델 대비 25.1% 높은 재현율을 보여주었다. 이는 LSTM 모델이 연속적인 시퀀스 데이터를 처리하기 위해 고안된 모델로서 3사이클에 걸쳐 나타나는 패턴을 인식하고 이를 결함과 연결할 수 있음을 의미한다.
기계 학습 모델로는 연속 데이터에 강점을 가지는 LSTM 모델을 활용하였으며, 다이캐스팅 공정 시뮬레이션을 통해 학습 데이터를 생성하였다. 금형 표면에서 센서를 통해 취득한 온도 데이터와 금형 예열 온도 세팅 값을 입력하여 모델 학습을 진행하였고, 그 결과 결함 사전 예측에 96.8%의 재현율을 보여주었다. 학습에 활용되지 않은 다른 금형 예열 온도 세팅 값에 따라 진행한 해석 결과에 대해 83%의 재현율을 보여주며 결함을 예측하였다.
식 (12)과 식 (13)에서 T, F, P, N은 각각 True, False, Positive, Negative의 약자이다. 따라서, 본 연구에서 TP는 결함이 발생했을 때 모델이 실제로 결함을 예측한 것, FP는 결함이 발생하지 않았는데 모델은 결함으로 예측한 것, TN은 결함이 발생하지 않은 상황에서 모델이 결함이 발생하지 않은 것으로 예측한 것, FN은 결함이 발생했지만, 모델은 결함이 발생하지 않는다고 예측한 것을 의미한다.
학습에 활용되지 않은 다른 금형 예열 온도 세팅 값에 따라 진행한 해석 결과에 대해 83%의 재현율을 보여주며 결함을 예측하였다. 이 결과는 제안된 모델을 통해 결함을 사전에 예측할 수 있었음을 보여주며, 이를 활용할 시 이형제 분사 시간 제어 등의 금형 온도 제어 방법을 사전에 취할 수 있는 장점이 존재한다. 본 연구는 기초적인 알고리즘 연구로서, 실제 공정에서 취득한 데이터를 적용하는 방식의 추가 연구를 진행한다면 국내 뿌리 기술 업체의 스마트화에 기여할 수 있을 것으로 사료된다.
금형에서의 핫스팟 위치 및 금형의 온도 분포는 표면 결함, 가스 결함, 수축 결함 등 다양한 주조 결함에 영향을 미칠 수 있으므로 입력 변수로 설정하였다. 이에 따라 응고 해석 결과 가장 온도 차이가 큰 지점들을 위주로 센서의 위치를 정했으며, 본 연구의 결과는 사출 과정에서 나타나는 금형 내부에서의 온도의 특징 패턴을 활용하여 결함을 사전에 예측할 수 있음을 보여준다.
8%의 재현율을 보여주었다. 학습에 활용되지 않은 다른 금형 예열 온도 세팅 값에 따라 진행한 해석 결과에 대해 83%의 재현율을 보여주며 결함을 예측하였다. 이 결과는 제안된 모델을 통해 결함을 사전에 예측할 수 있었음을 보여주며, 이를 활용할 시 이형제 분사 시간 제어 등의 금형 온도 제어 방법을 사전에 취할 수 있는 장점이 존재한다.

후속연구

이는 추가적인 연구로 결함 발생 정도를 분석하고, 실제 주조 공정에서 취득한 금형 온도 데이터를 입력하고 나타나는 기포, 산화 결함 등을 고려한다면 해결할 수 있다. 또한, 해당 결함 역시 금형의 온도 특징으로 인해 나타날 수 있으므로, 제안된 모델을 충분히 적용할 수 있을 것으로 판단된다. 두 번째로 시뮬레이션에 포함되는 오차로서, 실제 결함의 발생에 영향을 미치는 부분이 무시될 수 있는 점이다.
이 결과는 제안된 모델을 통해 결함을 사전에 예측할 수 있었음을 보여주며, 이를 활용할 시 이형제 분사 시간 제어 등의 금형 온도 제어 방법을 사전에 취할 수 있는 장점이 존재한다. 본 연구는 기초적인 알고리즘 연구로서, 실제 공정에서 취득한 데이터를 적용하는 방식의 추가 연구를 진행한다면 국내 뿌리 기술 업체의 스마트화에 기여할 수 있을 것으로 사료된다.
첫 번째로 다이캐스팅에서는 수축공 결함뿐만 아니라 기포 결함, 표면 결함 등도 주로 나타난다. 이는 추가적인 연구로 결함 발생 정도를 분석하고, 실제 주조 공정에서 취득한 금형 온도 데이터를 입력하고 나타나는 기포, 산화 결함 등을 고려한다면 해결할 수 있다. 또한, 해당 결함 역시 금형의 온도 특징으로 인해 나타날 수 있으므로, 제안된 모델을 충분히 적용할 수 있을 것으로 판단된다.
추가로 본 연구는 주조 산업의 스마트 팩토리 전환 단계에서 유용하게 적용할 수 있을 것으로 판단되며 그 이유는 기기의 세팅 정보를 입력할 수 있으며, 학습 데이터를 구성하기 위한 시간이 크게 소요되지 않기 때문이다. 주조 공정에서는 금형 예열 온도뿐만 아니라 주입 속도와 같은 다양한 기기 설정 변수가 존재한다.

참고문헌 (10)

I.H. Choo, S.K. Yu and Y.J. Choi, J. Korea Foundry Society, 18(6) (1998) 578.
J.Y. Park, E.S. Kim and I.M. Park, J. Korea Foundry Society, 24(6) (2004) 347.
M. Shanmugaraja, M. Nataraj and N. Gunasekaran, International Journal of Quality and Innovation, 1(3) (2011) 259.

상세보기
J.S. Lee, Y.C. Lee and J.T. Kim, Journal of Material Processing Technology, 290 (2021) 1735.
E.S. Kim, J.Y. Park, Y.H. Kim, G.M. Son and K.H. Lee, J. Korea Foundry Society, 29(5) (2009) 238.
G.T. Jeon, K.Y. Kim and S.J. Kim, J. Korea Foundry Society, 37(6) (2017) 193.
S. Hochreiter and J. Schmidhuber, Neural Computation, 9(8) (1997) 1735.

상세보기
D. Kingma and J. Ba, 3rd International Conference on Learning Representations (2015).
E. Niyama, T. Uchida, M. Morikawa and S. Saito, AFS International Cast Metal Journal, 7 (1982) 52.
K. Carlson and C. Beckermann, Proceedings of the 64th SFSA Technical and Operating Conference (2010).

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

고압 다이캐스팅 공정에서 제품 결함을 사전 예측하기 위한 기계 학습 기반의 공정관리 방안 연구
Study on the Process Management for Casting Defects Detection in High Pressure Die Casting based on Machine Learning Algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

고압 다이캐스팅 공정에서 제품 결함을 사전 예측하기 위한 기계 학습 기반의 공정관리 방안 연구 Study on the Process Management for Casting Defects Detection in High Pressure Die Casting based on Machine Learning Algorithm 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15) 모든 표/그림 보기

표/그림 (15) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

김낙수 (53)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

고압 다이캐스팅 공정에서 제품 결함을 사전 예측하기 위한 기계 학습 기반의 공정관리 방안 연구
Study on the Process Management for Casting Defects Detection in High Pressure Die Casting based on Machine Learning Algorithm 원문보기

초록
AI-Helper

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper