[논문]인공신경망과 유전 알고리즘을 이용한 분할 블랭크 홀더 스탬핑 공정의 성형성 향상에 관한 연구

김경표; 구상돈; 김민수; 한규민; 전성욱; 이종신; 김지훈

doi:10.5228/kstp.2023.32.5.276

인공신경망과 유전 알고리즘을 이용한 분할 블랭크 홀더 스탬핑 공정의 성형성 향상에 관한 연구
A Study on Improving Formability of Stamping Processes with Segmented Blank Holders using Artificial Neural Network and Genetic Algorithm 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.32 no.5, 2023년, pp.276 - 286

김경표 (부산대학교 기계공학부) , 구상돈 (부산대학교 기계공학부) , 김민수 (부산대학교 기계공학부) , 한규민 (부산대학교 기계공학부) , 전성욱 (LG전자 생산기술원) , 이종신 (LG전자 생산기술원) , 김지훈 (부산대학교 기계공학부)

Abstract ▼ AI-Helper

The field of sheet metal forming using press technology has become essential in modern mass production systems. Draw bead is often used to enhance formability. However, optimal draw bead design often requires excessive time and cost due to iterative experimentation and sometimes results in some defects. Given these challenges, there is a need to enhance formability by introducing segmented blank holders without draw beads. In this paper, the feasibility of a localized holding strategy using segmented blank holders is evaluated without the use of draw beads. The possibility for improving the formability was evaluated by utilizing a combination of the forming limit diagram and the wrinkle pattern-based defect indicators. Artificial neural networks were used for predicting defect indicators corresponding to arbitrary input holding forces and the NSGA-II optimization algorithm is used to find optimum blank holder forces yielding better defect indicators than the original process with drawbeads. Using optimum holding forces obtained from the proposed procedure, the stamping process with the segmented blank holders can yield better formability than the conventional process with drawbeads.

주제어

표/그림 (28)

그림 Fig. 1 True stress – plastic strain relation of SUS200
그림 Fig. 2 Forming limit diagram of SUS200
표 Table 1 Mechanical properties and material parameters of SUS200
그림 Fig. 3 Finite element model of the forming process
그림 Fig. 4 Blank partition for assigning friction
그림 Fig. 5 Position of failure and wrinkles
표 Table 2 Analysis condition of the drawbead process
그림 Fig. 6 Failure in the (a) simulation; (b) experiment
그림 Fig. 7 Wrinkles in the simulation and experiment: (a) Wrinkle-1; (b) Wrinkle-2
그림 Fig. 8 The schematic of the Failure indicator
그림 Fig. 9 The shape of the elements: (a) R3D3; (b) R3D4
그림 Fig. 10 Visualization of distance between die and blank in (a) Wrinkle-1; (b) Wrinkle-2 of the drawbead process
그림 Fig. 11 Position of segmented holder
표 Table 3 Defect indicator in the original process
그림 Fig. 12 Structure of artificial neural network
표 Table 4 Mean and standard deviation of each variable
표 Table 5 Structures of hidden layers of each model
그림 Fig. 13 Flow chart of ANN learning
표 Table 6 Data partitioning for training
그림 Fig. 14 Comparison between observed and predicted data of (a) Failure; (b) Wrinkle-1; (c) Wrinkle-2 indicators
표 Table 7 The performance of each ANN model
그림 Fig. 15 Flow chart of NSGA-II
그림 Fig. 16 Variations at each generation
그림 Fig. 17 Solution sets at generation 24
그림 Fig. 18 Failure indicator contour of the optimum process condition in the region of Fig. 6
그림 Fig. 19 Deformed blank in the (a) Wrinkle-1; (b) Wrinkle-2 regions, Visualization of distance between die and blank in the (c) Wrinkle-1; (d) Wrinkle-2 regions
표 Table 8 Optimum solution set
표 Table 9 Comparison between predicted and observed result at optimum condition

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 분할된 블랭크 홀더력의 조절을 위해 성형한계도와 주름형상에 기반한 결함인자와 인공신경망학습, NSGA-II 최적화 알고리즘을 사용하여 분할 블랭크 홀더 스탬핑 공정의 성형성 개선 가능성을 평가하였으며 다음과 같은 결론을 얻었다.
이에 본 연구에서는 드로비드없이 분할된 블랭크 홀더의 블랭크 홀더력을 공정변수로 하는 분할 블랭크 홀더 스탬핑 공정의 성형성을 평가했다. 홀더의 분할은 기존 공정의 비드 위치와 플랜지 부를 경계로 하여 나누었으며 성형성 평가는 판재의 파단과 주름 결함을 정량적으로 정의한 인자의 값으로 하였다.

가설 설정

해석에 사용한 드로비드 공정 조건은 다음과 같다. 해석 과정에서 블랭크만을 변형체로 가정하고 그 외는 강체로 설정하였다. 홀더력과 비드이동만 작용하는 Step1과 홀더력과 펀치성형이 동시에 작용하는 Step2의 두 스텝으로 해석 과정을 나누었고 각 스텝의 지정시간은 1 s이다.

제안 방법

하지만 일반적으로 균일한 홀딩력이 가해지는 드로비드 성형공정에서 파단과 주름을 동시에 제어하기는 어렵다. 따라서 기존 공정의 대안으로서 비드 없는 분할 블랭크 홀더 스탬핑 공정의 설계를 진행하였다.
새로운 분할 블랭크 홀더 스탬핑 공정의 설계에 앞서 2절에서 다룬 비드를 사용한 기존 공정의 결함 수준을 평가했다. 해석 결과를 2.
분할 블랭크 홀더 공정의 최적설계를 위해 인공신경망 학습을 이용했고, 효과적인 최적화를 위해 NSGA-II유전알고리즘으로 최적의 홀더력을 얻었다. 얻어낸 최적 홀더력 조합으로 해석을 수행하여 기존 공정과의 성형성을 비교했다.
이에 본 연구에서는 드로비드없이 분할된 블랭크 홀더의 블랭크 홀더력을 공정변수로 하는 분할 블랭크 홀더 스탬핑 공정의 성형성을 평가했다. 홀더의 분할은 기존 공정의 비드 위치와 플랜지 부를 경계로 하여 나누었으며 성형성 평가는 판재의 파단과 주름 결함을 정량적으로 정의한 인자의 값으로 하였다. 분할 블랭크 홀더 공정의 최적설계를 위해 인공신경망 학습을 이용했고, 효과적인 최적화를 위해 NSGA-II유전알고리즘으로 최적의 홀더력을 얻었다.

대상 데이터

과적합 방지를 위해 Table 6과 같이 학습용, 검증용, 테스트용 데이터를 구분하여 학습에 사용하였다.
본 연구에서는 두께는 0.4 mm의 200계열의 스테인리스강(SUS200)을 사용하였다. 판재의 경화곡선으로 식 (1)의 유동응력식을 사용하였고 Fig.
인공신경망 학습에 앞서 5개의 홀더력을 서로 다르게 조합한 51개의 데이터 셋을 유한요소해석을 통해 구축하였다. H1 ~ H5의 각 홀더력은 기존 공정의 초기 전역 홀더력에 기초하여 면적 비례한 값을 기초로 하였으며 데이터 구축 과정에서 주름과 파단 인자 값에 기초해 홀더력을 적절히 조절하였다.

데이터처리

비드를 사용한 기존 공정을 성형 해석하기 위해 상용 유한요소해석 프로그램인 ABAQUS/Explicit를 사용하였다. 유한 요소 해석 모델은 Fig.
인공신경망의 학습결과를 결정계수와 수정된 결정계수, 평균 제곱근 편차를 사용하여 비교했다. 결정계수는 식 (14)로 표현되며 인공신경망 모델이 실제 데이터의 변동을 얼마나 잘 예측하는지 나타내는 정량적 지표이다.
해석의 타당성을 검증하기 위해 동일한 조건으로 판재를 성형하고 그 결함 부위를 ABAQUS/Explicit의 결과와 비교하여 Figs. 5-7에 도시하였다.

이론/모형

세 결함 인자 값을 모두 낮게 가지는 적절한 홀더력을 산출하기 위해 먼저 실험데이터 이외의 입력 홀더력에 대해 세 결함 인자 값을 예측하는 방법이 필요하고, 본 연구에서는 스스로 학습을 통해 적절한 예측모델을 구성할 수 있는 인공신경망(Artificial Neural Network, ANN) 을 그 방법으로 채택했다. 각 예측 인자에 대해 각각 예측 모델을 구축했으며 인공신경망 예측모델 설계를 위해 파이썬 기반 딥러닝 라이브러리인 텐서플로우(Tensorflow) 2.13.0을 활용하였다.
세 결함 인자 값을 모두 낮게 가지는 적절한 홀더력을 산출하기 위해 먼저 실험데이터 이외의 입력 홀더력에 대해 세 결함 인자 값을 예측하는 방법이 필요하고, 본 연구에서는 스스로 학습을 통해 적절한 예측모델을 구성할 수 있는 인공신경망(Artificial Neural Network, ANN) 을 그 방법으로 채택했다. 각 예측 인자에 대해 각각 예측 모델을 구축했으며 인공신경망 예측모델 설계를 위해 파이썬 기반 딥러닝 라이브러리인 텐서플로우(Tensorflow) 2.

성능/효과

(1) 드로비드를 사용한 국부 소재 유동제어를 분할 블랭크 홀더로 대체할 수 있을 뿐 아니라 주름과 파단을 저감하여 성형성을 향상할 수 있다.
(2) 분할 블랭크 홀더 스탬핑 공정의 최적설계를 위해 유한요소해석과 인공신경망 학습, NSGA-II 알고리즘을 사용하여 여러 결함인자를 동시에 저감하는 적절한 홀더력을 도출할 수 있다.
홀더의 분할은 기존 공정의 비드 위치와 플랜지 부를 경계로 하여 나누었으며 성형성 평가는 판재의 파단과 주름 결함을 정량적으로 정의한 인자의 값으로 하였다. 분할 블랭크 홀더 공정의 최적설계를 위해 인공신경망 학습을 이용했고, 효과적인 최적화를 위해 NSGA-II유전알고리즘으로 최적의 홀더력을 얻었다. 얻어낸 최적 홀더력 조합으로 해석을 수행하여 기존 공정과의 성형성을 비교했다.

참고문헌 (14)

J. H. Song, H. Huh, S. H. Kim, S. H. Kim, 2005, Study on Design Parameters in a Stamping Process of an Automotive Member with the Simulation-based Approach, Trans. Mater. Process. Vol. 14, No. 1, pp. 21~28, https://doi.org/10.5228/KSPP.2005.14.1.021？

원문보기 상세보기
M. Brun, A. Ghiotti, S. Bruschi, S. Filippi, 2021, Active Control of Blankholder in Sheet Metal Stamping, Procedia CIRP. Vol. 100, pp. 151~156, https://doi.org/10.1016/j.procir.2021.05.079？

상세보기
J. S. Park, S. H. Kim, H. Huh, 2002, Elastic-plastic Finite Element Analysis of Drawbead Forming for Evaluation of Equivalent Boundary Conditions in Sheet Metal Forming - Part I: Evaluation, Trans. Mater. Process. Vol. 11, No. 6, pp. 503~512.？
T. Yagami, K. I. Manabe, M. Yang, H. Koyama, 2004, Intelligent Sheet Stamping Process using Segment Blankholder Modules, J. Mater. Process. Technol. 155-156, pp. 2099~2105, https://doi.org/10.1016/j.jmatprotec.2004.04.144？

상세보기
M. A. Hassan, N. Takakura, K. Yamaguchi, 2003, A Novel Technique of Friction Aided Deep Drawing using a Blank-holder Divided into Four Segments, J. Mater. Process. Technol. Vol. 139, No. 1~3, pp. 408~413, https://doi.org/10.1016/S0924-0136(03)00514-4？

상세보기
R. Hill, 1948, A Theory of the Yielding and Plastic Flow of Anisotropic Metals, Proc. R. Soc. London, Ser. A. Vol. 193, No. 1033, pp. 281~297, https://doi.org/10.1098/rspa.1948.0045？

상세보기
S. K. Paul, 2021, Controlling Factors of Forming Limit Curve: A Review, Adv. Ind. Manuf. Eng. Vol. 2, No. 100033, https://doi.org/10.1016/j.aime.2021.100033？
A. L. Maas, A. Y. Hannun, A. Y. Ng, 2013, Rectifier Nonlinearities Improve Neural Network Acoustic Models, Proc. 30th Int. Conf. on Machine Learning, Vol. 28. No. 3, https://ai.stanford.edu/~amaas/papers/relu_hybrid_icml2013_final.pdf？
D. P. Kingma, J. Ba, 2014, Adam: A Method for Stochastic Optimization, arXiv:1412.6980, https://doi.org/10.48550/arXiv.1412.6980？
K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, 2002, A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II, IEEE Trans. Evol. Comput. Vol. 6, No. 2, pp. 182~197, https://doi.org/10.1109/4235.996017？

상세보기
J. Blank, K. Deb, 2020, Pymoo: Multi-Objective Optimization in Python, IEEE Access. Vol. 8, pp. 89497~89509, https://doi.org/10.1109/ACCESS.2020.2990567？

상세보기
J. Blank, K. Deb, 2020, A Running Performance Metric and Termination Criterion for Evaluating Evolutionary Multi- and Many-objective Optimization Algorithms, 2020 IEEE Cong. Evol. Comput. (CEC), Glasgow, UK, pp. 1~8, https://doi.org/10.1109/CEC48606.2020.9185546？
M. J. Kwak, J. W. Park, K. T. Park, B. S. Kang, 2020, A Development of Longitudinal and Transverse Springback Prediction Model Using Artificial Neural Network in Multipoint Dieless Forming of Advanced High Strength Steel, Trans. Mater. Process. Vol. 29, No. 2, pp. 76~88, https://doi.org/10.5228/KSTP.2020.29.2.76？

원문보기 상세보기
Y. J. Choi, Y. G. Choi, K. S. Kim, D. W. Jang, 2023, A Study on the Optimal Pipe Design of Water Distribution Systems Using Multi-objective Genetic Algorithm, Crisisonomy. Vol. 19, No. 2, pp. 67~77, https://doi.org/10.14251/crisisonomy.2023.19.2.67

상세보기

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