[논문]머신러닝을 활용한 자동차 시트용 폴리우레탄 발포공정의 불량 예측 모델 개발

최낙훈; 오종석; 안종록; 김기선

doi:10.5762/kais.2021.22.6.36

머신러닝을 활용한 자동차 시트용 폴리우레탄 발포공정의 불량 예측 모델 개발
A Development of Defeat Prediction Model Using Machine Learning in Polyurethane Foaming Process for Automotive Seat 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.22 no.6, 2021년, pp.36 - 42

최낙훈 (공주대학교 대학원 미래융합공학과) , 오종석 (공주대학교 기계자동차공학부) , 안종록 (이스턴에프티씨 부설연구소) , 김기선 (이스턴에프티씨 부설연구소)

초록
AI-Helper

최근 4차 산업혁명으로 인해 제조업계에서는 제조업의 인공지능을 접목시켜 효율성을 극대화하는 스마트 팩토리 붐이 일어나고 있다. 특히 자동차 부품 제조 및 생산에 널리 적용되어 불량을 낮추는 연구들이 활발히 진행되고 있다. 이에 본 연구에서는 머신러닝을 통한 불량예측을 시트 폼 발포공정에 접목시켜 발포공정의 효율성을 극대화하는 연구를 진행하였다. 자동차 시트폼 에서 주로 사용되는 폴리우레탄 폼(polyurethane foam)은 폴리올(polyol, 이하 POL)과 이소시아네이트(isocyanate, 이하 ISO)를 혼합 및 발포하는 공정으로 제조되며, 각 원료의 혼합비율과 온도의 변화에 따라 제품의 특성이 변화한다. 이에 본 연구에서는 발포공정에서 수집되는 인자별 데이터값을 머신러닝에 적용하여 불량을 예측하고자 한다. 머신러닝에 사용되는 알고리즘으로는 의사결정트리, kNN, 앙상블 알고리즘을 사용하였으며 학습은 5,147개의 데이터를 사용하였으며, 학습된 결과를 1,000개의 검증용 데이터에 적용한 결과, 세 알고리즘 중 앙상블 알고리즘에서 최대 98.5 %의 정확도를 확인할 수 있었다. 이러한 결과를 통해 발포공정에서 실시간으로 수집되는 데이터를 통해 현재 생산되는 부품의 불량 여부를 확인할 수 있으며, 나아가 각 인자를 조절하여 불량률을 개선할 수 있음을 짐작할 수 있다고 사료된다.

Abstract ▼ AI-Helper

With recent developments in the Fourth Industrial Revolution, the manufacturing industry has changed rapidly. Through key aspects of Fourth Industrial Revolution super-connections and super-intelligence, machine learning will be able to make fault predictions during the foam-making process. Polyol and isocyanate are components in polyurethane foam. There has been a lot of research that could affect the characteristics of the products, depending on the specific mixture ratio and temperature. Based on these characteristics, this study collects data from each factor during the foam-making process and applies them to machine learning in order to predict faults. The algorithms used in machine learning are the decision tree, kNN, and an ensemble algorithm, and these algorithms learn from 5,147 cases. Based on 1,000 pieces of data for validation, the learning results show up to 98.5% accuracy using the ensemble algorithm. Therefore, the results confirm the faults of currently produced parts by collecting real-time data from each factor during the foam-making process. Furthermore, control of each of the factors may improve the fault rate.

주제어

표/그림 (10)

그림 Fig. 1. Schematic Configuration of Foaming Process
그림 Fig. 2. Foaming Machine Used in Actual Process and Study
그림 Fig. 3. Range of Labeling
그림 Fig. 3. Flow Chart of Machine Learning Process
그림 Fig. 4. Scatter Plot for FF Data Classification
그림 Fig. 5. Prediction Scatter Plot of Machine Learning
표 Table 1. Naming According to Data Combination Model
표 Table 2. Performance Measure for Decision Tree Algorithm
표 Table 3. Performance Measure for kNN Algorithm
표 Table 4. Performance Measure for Ensemble Algorithm

참고문헌 (16)

S. H. Woo, Y. B. Cho, "Major Technologies and Introduction of Smart Factory." 2018.
C. S. Seo, S. J. Jeong, S. C. Kim, "Establishing a Smart Factory to Improve Enterprise Productivity", The Journal of The Korean Institute of Communication Sciences, Vol35. No.6 43-49, 2018.
S. Y. Kim, H. J. Kim, H. S. Ji, K. S. Kim, O. W. Kim, Y. D Jun, "Characteristics of Static Comfort with Changing Isocyanate/Polyol Mixing Ratio of Polyurethane Foam", The Korean Society Of Automotive Engineers, 954-954, 2019.
H. S. Kim, J. W. Youn, "A study on foaming characteristics of polyurethane depending on environmental temperature and blowing agent content." Transactions of Materials Processing Vol18. No.3 256-261, 2009. DOI:https://doi.org/10.5228/KSPP.2009.18.3.256

원문보기 상세보기
Bikard, J., Bruchon, J., Coupez, T., & Silva, L. Numerical simulation of 3D polyurethane expansion during manufacturing process. Colloids and Surfaces A: Physicochemical and Engineering Aspects, 309(1-3), 49-63, 2007. DOI:https://doi.org/10.1016/j.colsurfa.2007.04.025

상세보기
H. R. Yoon, "A Empirical Study on the Financial Stability Prediction Model of South Korea's Public Enterprises with Machine Learning Techniques", Ph. D, Hansung University, 19-22.
M. M. C. Han, Y. S. Kim, C. K. Lee, "A Study on Defect Prediction Method Using Sensor Data and Machine Learning in Manufacturing Process", Entrue Journal of Information Technology, Vol17. No.1, 89-98, 2019.
J. E. Ahn, J. Y. Jung, "Predicting and Interpreting Quality of CMP Process for Semiconductor Wafers Using Machine Learning." The Journal of Bigdata Vol4. No.2, 61-71, 2019.
J. H. Choi, D. S. Seo. "Decision Trees and Its Applications", Journal of statistical analysis., Vol.4 No.1 61-83, 1999.
.Navada, A., Ansari, A. N., Patil, S., & Sonkamble, B. A. "Overview of use of decision tree algorithms in machine learning." 2011 IEEE control and system graduate research colloquium. IEEE, 37-42, 2011. DOI:https://doi.org/10.1109/ICSGRC.2011.5991826
Che, D., Liu, Q., Rasheed, K., & Tao, X, "Decision tree and ensemble learning algorithms with their applications in bioinformatics". Software tools and algorithms for biological systems. Springer, New York, NY, 191-199. 2011 DOI:https://doi.org/10.1007/978-1-4419-7046-6_19
Y. S. Jang, B. J. Park, C. Y. Park, "Comparison study of K-nearest neighborhood classification algorithms", Journal of the Korean Data And Information Science Society, Vol30. No.5, 977-985, 2019. DOI:https://doi.org/10.7465/jkdi.2019.30.5.977

상세보기
Bzdok, Danilo, Martin Krzywinski, Naomi Altman, "Machine learning: supervised methods", Nat Methods 15, 5-6, 2018. DOI:https://doi.org/10.1038/nmeth.4551

상세보기
S. H. Min, "Improving an Ensemble Model by Optimizing Bootstrap Sampling", Journal of Internet Computing and Services, Vol17. No.2, 49-57, 2016. DOI:https://doi.org/10.7472/jksii.2016.17.2.49

원문보기 상세보기
Vega-Pons, Sandro, Jose Ruiz-Shulcloper., Faramarz Gordaninejad, Xiaojie Wang, "A survey of clustering ensemble algorithms", International Journal of Pattern Recognition and Artificial Intelligence, Vol25. No.3 337-372, 2011. DOI:https://doi.org/10.1142/S0218001411008683

상세보기
Polikar, Robi. "Ensemble learning." Ensemble machine learning. Springer, Boston, MA, 1-34, 2012. DOI:https://doi.org/10.1007/978-1-4419-9326-7_1

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