지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 윤경환
- 발행연도
- 2021
- 저작권
- 단국대학교 논문은 저작권에 의해 보호받습니다.
이용수13
이 논문의 연구 히스토리 (9)
2022
2021
2020
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
사출성형공정을 통해 생산된 성형품의 품질은 사출성형기에 입력하는 공정 변수의 영향을 크게 받는다. 여러 공정 변수가 복합적으로 작용하여 성형품의 품질에 영향을 끼치기 때문에 이를 모두 고려하여 공정 변수를 선택하기는 현실적으로 매우 어렵다. 따라서 원하는 품질의 제품을 생산하기 위한 공정 변수의 선택은 많은 경우 사출성형 전문가의 경험과 지식 또는 시행착오법(trial and error)에 의존하였지만, 이는 시간과 비용적인 측면에서 제한사항이 존재한다.
본 논문에서는 사출성형공정에서 목표로 정한 품질을 만족시키는 제품을 생산하기 위한 공정변수의 선택에 비선형적 관계의 문제를 분석하는 분야에 높은 정확도를 가지고 있다고 알려진 인공신경망 방식을 적용하는 것을 목표로 하였다. 인공신경망 모델을 학습시키기 위해 실험의 수가 적으면서도 다양하고 전체적인 패턴을 나타낼 수 있는 직교배열법과 임의생성법을 조합한 실험계획을 사용하였다. 한편, 이와 같이 결정된 실험계획을 따라 사출성형실험을 진행하여 학습데이터를 생성하고 데이터를 학습데이터 그룹, 검증데이터 그룹, 시험데이터 그룹으로 나누어 인공신경망 모델의 구조를 최적화하고 예측성능을 평가하였다. 첫 번째로는 출력 변수가 사출 성형품의 질량으로 하나인 인공신경망 모델을 적용하여 목표 질량을 만족시키는 공정 변수를 예측하였다. 두 번째로는 레고(Lego) 형상 제품의 특정한 xyz 세 방향 치수를 생산하기 위한 8개의 공정 변수를 예측하였다. 이와 같이 예측된 공정 변수를 실제로 사출성형기에 적용해 인공신경망 모델의 예측 정확도를 평가하였다. 평가 결과 성형된 제품의 치수가 모두 폴리프로필렌(polypropylene) 제품의 허용 치수 공차를 만족하는 것을 확인하였다.
이는 인공신경망 방식을 활용한 공정 변수의 선택이 일반적인 산업 현장에서 요구하는 허용 오차를 만족함을 나타내는 것이며 최종적으로 본 논문에서의 결과를 바탕으로 사출성형공정의 자동화와 스마트 팩토리(smart factory)화에 큰 도움이 될 수 있을 것으로 예상된다.
본 논문에서는 사출성형공정에서 목표로 정한 품질을 만족시키는 제품을 생산하기 위한 공정변수의 선택에 비선형적 관계의 문제를 분석하는 분야에 높은 정확도를 가지고 있다고 알려진 인공신경망 방식을 적용하는 것을 목표로 하였다. 인공신경망 모델을 학습시키기 위해 실험의 수가 적으면서도 다양하고 전체적인 패턴을 나타낼 수 있는 직교배열법과 임의생성법을 조합한 실험계획을 사용하였다. 한편, 이와 같이 결정된 실험계획을 따라 사출성형실험을 진행하여 학습데이터를 생성하고 데이터를 학습데이터 그룹, 검증데이터 그룹, 시험데이터 그룹으로 나누어 인공신경망 모델의 구조를 최적화하고 예측성능을 평가하였다. 첫 번째로는 출력 변수가 사출 성형품의 질량으로 하나인 인공신경망 모델을 적용하여 목표 질량을 만족시키는 공정 변수를 예측하였다. 두 번째로는 레고(Lego) 형상 제품의 특정한 xyz 세 방향 치수를 생산하기 위한 8개의 공정 변수를 예측하였다. 이와 같이 예측된 공정 변수를 실제로 사출성형기에 적용해 인공신경망 모델의 예측 정확도를 평가하였다. 평가 결과 성형된 제품의 치수가 모두 폴리프로필렌(polypropylene) 제품의 허용 치수 공차를 만족하는 것을 확인하였다.
이는 인공신경망 방식을 활용한 공정 변수의 선택이 일반적인 산업 현장에서 요구하는 허용 오차를 만족함을 나타내는 것이며 최종적으로 본 논문에서의 결과를 바탕으로 사출성형공정의 자동화와 스마트 팩토리(smart factory)화에 큰 도움이 될 수 있을 것으로 예상된다.
목차
목 차Ⅰ. 서론 1Ⅱ. 이론적 배경 42.1 사출성형 42.1.1 충전 단계(filling phase) 62.1.2 보압 단계(packing phase) 72.1.3 냉각 및 가소화 단계(cooling ＆ plasticating phase) 82.1.4 취출 단계(ejecting phase) 92.2 인공신경망(Artificial Neural Network) 10Ⅲ. MISO(Multiple-Input Single-Output) 143.1 목표 및 연구 진행순서 143.2 데이터 획득 163.2.1 실험 장치 및 방법 173.2.2 실험계획 183.3 데이터 전처리 213.3.1 정규화 213.3.2 데이터 분리 233.4 인공신경망 모델 구축 243.4.1 하이퍼-파라미터(hyper-parameter) 최적화 243.4.2 인공신경망 예측성능 평가 283.5 추천조건예측 303.6 검증 323.7 결론 33Ⅳ. MIMO(Multiple-Input Multiple-Output) 344.1 목표 344.2 데이터 획득 354.2.1 실험 장치 및 측정 방법 354.2.2 실험계획 384.3 데이터 전처리 444.3.1 정규화 444.3.2 데이터 분리 444.4 인공신경망 모델 구축 454.4.1 하이퍼-파라미터(hyper-parameter) 최적화 464.4.2 인공신경망 예측성능 평가 484.5 추천조건예측 514.6 검증 53Ⅴ. 결론 58참고문헌 59영문요약 64
최근 본 자료
댓글(0)
0