[논문]기계학습을 활용한 냉간단조 부품 제조 경도 예측 연구

김경훈; 박종구; 허우로; 이유환; 장동혁; 양해웅

doi:10.5228/kstp.2023.32.6.329

기계학습을 활용한 냉간단조 부품 제조 경도 예측 연구
Prediction of Hardness for Cold Forging Manufacturing through Machine Learning 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.32 no.6, 2023년, pp.329 - 334

김경훈 (포항금속소재산업진흥원(POMIA), DX 기술팀) , 박종구 (포항금속소재산업진흥원(POMIA), DX 기술팀) , 허우로 (포항금속소재산업진흥원(POMIA), DX 기술팀) , 이유환 (태양금속공업(주) 기술연구소, 소재연구팀) , 장동혁 (태양금속공업(주) 기술연구소, 소재연구팀) , 양해웅 (포항금속소재산업진흥원(POMIA), DX 기술팀)

Abstract ▼ AI-Helper

The process of heat treatment in cold forging is an essential role in enhancing mechanical properties. However, it relies heavily on the experience and skill of individuals. The aim of this study is to predict hardness using machine learning to optimize production efficiency in cold forging manufacturing. Random Forest (RF), Gradient Boosting Regressor (GBR), Extra Trees (ET), and ADAboosting (ADA) models were utilized. In the result, the RF, GBR, and ET models show the excellent performance. However, it was observed that GBR and ET models leaned significantly towards the influence of temperature, unlike the RF model. We suggest that RF model demonstrates greater reliability in predicting hardness due to its ability to consider various variables that occur during the cold forging process.

주제어

표/그림 (8)

그림 Fig. 1 The diagram of decision tree learning
그림 Fig. 2 Results of training for each machine learning models based on the Pearson’s correlation (PCC) analysis with input features: (a) RF; (b) GBR; (c) ET; (d) ADA models
표 Table 1 Column classification for data processing
표 Table 2 Parameter of the decision tree learning
표 Table 3 MAE, MSE, RMSE, and R2 for each models
그림 Fig. 3 Comparison of real hardness measurements about each models. The X-mark means the range of experimental hardness. The red, green, and margenta are the predicted hardness values of RF, GBR, and ET models, respectively
그림 Fig. 4 Comparison of feature importance for RF(red), GBR(green), ET(margenta), ADA(cyan) algorithms
표 Table 4 The feature importance about each feature

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 기계 학습을 통해 냉간 단조 부품 제조 생산성과 품질 제어를 향상시키고자 한다. 열처리와 관련된 데이터를 수집 및 분석하여 열처리 공정 온도 및 공정 변수를 활용해 경도 예측이 가능한 모델을 생성하여, 예측된 값을 활용하여 제조 공정에 직접 도입하여 최적의 결과를 비교하고자 한다.

제안 방법

본 연구에서는 기계 학습을 통해 냉간 단조 부품 제조 생산성과 품질 제어를 향상시키고자 한다. 열처리와 관련된 데이터를 수집 및 분석하여 열처리 공정 온도 및 공정 변수를 활용해 경도 예측이 가능한 모델을 생성하여, 예측된 값을 활용하여 제조 공정에 직접 도입하여 최적의 결과를 비교하고자 한다.

대상 데이터

Table 1은 인공지능 연산 결과에 영향을 미치지 않는 인자인 무효칼럼과 연산 결과에 영향을 미치는 유효칼럼을 보여주며, 유효칼럼 총 7개의 인자를 구분하여 인공지능 모델을 구축하였다. 데이터는 총 7,275개를 활용하였으며, 학습데이터는 5,820개, 실험 데이터는 1,455개를 활용하였다.
본 연구에 사용된 소재는 SCM435 강(C 0.35%, Si 0.17%, Mn 0.75%, Cr 1.00%, Mo 0.20% (mass %))을 사용하였다. 열처리 공정은 담금질과 뜨임(Quenching & Tempering, 이하 QT) 열처리를 채택하였다.

데이터처리

(1) 데이터 전처리를 통해 인공지능 연산 결과 영향을 끼치지 않는 14개의 무효 칼럼과 7개의 유효 칼럼을 구분하였으며, 교차 검증을 통해 최적의 인공지능 모델을 구축하였다.
(2) 4가지 기계학습 모델들에 대해 피어슨 상관관계 (Pearson’s correlation, PCC) 정합도 평가를 진행하였다
ADA 모델을 제외한 3가지 모델이 실제 경도 데이터와 예측 데이터가 얼마나 정확하게 잘 맞는지 판단하기 위해 실험 데이터를 가지고 실제 모델의 경도 예측값과 비교하였다. Fig.
본 연구에서 냉간 단조 공정에서 얻을 수 있는 데이터 세트를 이용하여 기계 학습 모델 4가지의 성능을 비교하였다. 연구의 결과는 다음과 같다.

성능/효과

(2) 4가지 기계학습 모델들에 대해 피어슨 상관관계 (Pearson’s correlation, PCC) 정합도 평가를 진행하였다. RF, GBR, ET 모델의 정합도 값은 각각 87.19%, 87.34%, 87.32%로 모두 우수하다는 것을 확인하였다.
3는 95개의 실험 데이터를 활용하여 실험 및 예측 경도의 최대, 최소, 평균값을 정리한 그림이다. 대체적으로 약 36 ~ 40 HRC 경도 범위에 대해서는 예측이 잘 되는 것을 확인 할 수 있다. 하지만, 35 HRC 미만의 값을 가지는 경도는 예측을 못하고 있는데, 35 HRC 미만의 경도에 대해서는 학습된 데이터 량이 적기 때문에 예측 범위에 벗어나는 것을 확인할 수 있다(Fig.
따라서, 95개의 실험 데이터의 평균은 36.86 HRC로 현재 있는 모델로 경도를 예측하는 것이 가능하다. 결론적으로 Fig.
따라서, RF 모델은 다양한 합금 원소 변화와 열처리 공정변수에 대응이 가능하여, 과적합을 피할 수 있어 신뢰성 있는 예측을 제공할 수 있는 점이 우수하다. 따라서, RF 모델을 활용한 경도 예측이 다른 모델들보다 적합하다고 판단한다.

참고문헌 (23)

Zhou, W., Shao, Z., Yu, J., Lin, J., 2021, Advances？and trends in forming curved extrusion profiles.,？MDPI AG, Vol. 14, No. 7. pp. 1603~1632,？DOI : 10.3390/ma14071603

상세보기
B. S. Han, S. H. Kim, J. H. Sin, J. P. Kim, D. O. Kim,？S. Y. Seong, 2022, Automotive Technology Trends？and Lightweight Technologies, J. Kor. Foundry Soc.,？Vol. 42, No. 2, pp. 97~104,？DOI : /10.5228/KSTP.2023.32.1.5

원문보기 상세보기
J. C. Ryu, J. H. Kim, D. H. Kam, D. C. Ko, 2022,？Feasibility of One-shot Forming for Manufacturing of？Steel/CFRP Hybrid B-piller, Mater. Manuf. Processes,？Vol. 37, No. 14, pp. 1664-1678,？DOI : 10.1080/10426914.2022.2039693

상세보기
H. J. Lee, S.-H. Lee, 2022, A study on the cold？forging die geometry optimal design for forging load？reduction, JKCGCT, Vol. 32, No. 6, pp. 251-261,？DOI : 10.6111/JKCGCT.2022.32.6.251

원문보기 상세보기
S. H. Ryu, S. H. Jung, H. Y. Jeong, K. I. Kim, G. S.？Cho, W. Noh, 2022, Potential Damage Region？Investigation of WC-Co Cemented Carbide Die？Based on Finite Element Analysis of Cold Forging？Process, Proc. Kor. Soc. Tech. Plast. Vol. 31, No. 6,？pp. 376~383, DOI : 10.5228/KSTP.2022.31.6.376

원문보기 상세보기
Gitschel. R., Hering. O., Schulze. A., and Erman？Tekkaya A., 2023, Controlling Damage Evolution in？Geometrically Identical Cold Forged Parts by？Counterpressure, Vol. 145, No. 1, pp. 011011,？DOI : 10.1115/1.4056266

상세보기
T. j. Drozda, 1983, Money saving innovation in？automatic forming, Manufacturing Eng., pp. 32~39.
N. Shojiro, 1984, Accurately forged parts by modern？super-multistate parts former, Metal working Eng.？Marketing, pp. 98~10.
S. M. Kang, K. J. Kang, S. R. Yeom, K. H. Lee, J. Y.？Kim., 2022, Monitoring and Analysis on Die Loads in？Multi-Stage Cold Forging Process Using Piezo-Sensors, Proc. Kor. Soc. Tech. Plast., Vol. 31, No. 1,？DOI : 10.5228/KSTP.2022.31.1.5

원문보기 상세보기
J. P. Park, 2017, Analysis on Success Cases of Smart？Factory in Korea: Leveraging from Large, Medium, and Small Size Enterprises, J. Digit. Converg, Vol. 15,？No. 5, pp. 107-115,？DOI : 10.14400/JDC.2017.15.5.107

원문보기 상세보기
S. K. Muhammad, Z. Muhammad, A. K. Hamid, H. J.？Fawwad, 2022, Detection of Ductal Carcinoma in？Breasts from DDSM Data using DenseNet-121 and？Comparative Analysis, EAI Endorsed Trans. Energy？Web, Vol. 1, No. 1, pp. 24-33,？DOI: 10.4108/EW9832.4242
W. Xie, S. Wei, Z. Zheng, 2021, Recognition of？Defective Carrots Based on Deep Learning and？Transfer Learning, FABT, Vol. 14, No. 7, pp. 1361-1374, DOI : 10.1007/s11947-021-02653-8

상세보기
J. Zhu, F. Shi, J. Li, 2021, IMCEC, IEEE, Manhattan,？pp. 2026-2030,？DOI: 10.1109/IMCEC51613.2021.9482067
J. Uma, B. Sukanya, 2021, ICETEST, Elsevier,？Amsterdam, pp. 1-5, DOI : 10.2139/ssrn.3972999
S. Qadri, T. Aslam, S. A. Nawaz, N. Saher, R. Abdur,？M. U. Rehman, N. Ahmad, F. Shahzad, S. F. Qadri,？2021, Machine Vision Approach for Classification of？Rice Varieties Using Texture Features, IJFP, Vol. 24,？No. 1, pp. 1615-1630,？DOI: 10.1080/10942912.2021.1986523

상세보기
D. Praveen, M. V. Achuth Rao, R. Jordan, Y. J.？Ahmad, 2021, LU-Net: A Deep Learning Approach？for Automatic Steel Surface Defect Detection, IEEE,？Manhattan, pp. 1-6,？DOI: 10.1109/ICAPAI49758.2021.9462060
X. Feng, X. Gao, L. Luo, 2021, X-SDD: A New？Benchmark for Hot Rolled Steel Strip Surface？Defects Detection, Symmetry, Vol. 13, No. 4, pp.？706-721, DOI : 10.3390/sym13040706

상세보기
S. B. Kim, K. A. Lee, 2022, Study on the Surface？Defect Classification of Al 6061 Extruded Material？By Using CNN-Based Algorithms, Proc. Kor. Soc.？Tech. Plast., Vol. 31, No. 4,？DOI : 10.5228/KSTP.2022.31.4.229

원문보기 상세보기
Anthony J. Myles, Robert N. Feudale, Yang Liu,？Nathaniel A. Woody, Steven D. Brown, 2004, An？introduction to decision tree modeling. In Journal of？Chemometrics, John Wiley and Sons Ltd., Vol. 18,？No. 6, pp. 275-285, DOI : 10.1002/cem.873

상세보기
Y. Freund, R. Schapire, 1995, A Decision-Theoretic？Generalization of On-Line Learning and an？Application to Boosting, J Comput Syst Sci, Vol. 55,？No. 1, pp. 119-139, DOI : 10.1006/jcss.1997.1504

상세보기
X. Su, X. Yan, C-. L., 2012, Tsai, Linear regression,？Wiley Interdiscip Rev Comput Stat, Vol. 4, No. 3,？DOI : 10.1002/wics.1198

상세보기
Breiman, L., 2001. Random forests, Machine？Learning, Vol. 45, No. 1, pp. 5-32,？DOI : 10.1023/A:1010933404324
W. Zhou, Z. Shao, J. Yu, and J. Lin, 2021, Prediction？and analysis of net ecosystem carbon exchange based？on gradient boosting regression and random forest,？Appl. Energy, Vol. 262, pp. 114566,？DOI : 10.1016/j.apenergy.2020.114566

상세보기

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