KR102242569B1 - Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network - Google Patents

Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network Download PDF

Info

Publication number
KR102242569B1
KR102242569B1 KR1020190009985A KR20190009985A KR102242569B1 KR 102242569 B1 KR102242569 B1 KR 102242569B1 KR 1020190009985 A KR1020190009985 A KR 1020190009985A KR 20190009985 A KR20190009985 A KR 20190009985A KR 102242569 B1 KR102242569 B1 KR 102242569B1
Authority
KR
South Korea
Prior art keywords
mixing ratio
measuring
component adhesive
neural network
impedance
Prior art date
Application number
KR1020190009985A
Other languages
Korean (ko)
Other versions
KR20200094855A (en
Inventor
안채헌
Original Assignee
한국기술교육대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국기술교육대학교 산학협력단 filed Critical 한국기술교육대학교 산학협력단
Priority to KR1020190009985A priority Critical patent/KR102242569B1/en
Publication of KR20200094855A publication Critical patent/KR20200094855A/en
Application granted granted Critical
Publication of KR102242569B1 publication Critical patent/KR102242569B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
    • B01F15/00259—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/214—Measuring characterised by the means for measuring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F2101/00—Mixing characterised by the nature of the mixed materials or by the application field
    • B01F2101/36—Mixing of ingredients for adhesives or glues; Mixing adhesives and gas
    • B01F2215/006—

Abstract

본 발명은 인공신경망을 이용한 2액형 접착제의 혼합비 측정 장치, 방법 및 컴퓨터 프로그램에 관한 것으로서, 더욱 상세하게는 주재와 경화재의 혼합에 의한 2액형 접착제를 제조하는 과정에서 실시간으로 혼합비의 이상을 검출함으로써 즉시 공정에 적용할 수 있도록 하는 2액형 접착제의 혼합비 측정 장치 및 방법에 관한 것이다.
본 발명에 의하면, 2액형 접착제의 제조 과정에서, 2액형 접착제의 제조 과정에서, 2개의 재료 혼합시 인공신경망을 이용하여 실시간으로 혼합 비율의 자동 측정이 이루어지도록 함으로써, 불량 발생시 즉시 조치하여 공정에 적용할 수 있도록 하고, 이에 의해 혼합비 오류에 의한 접착제 불량률을 현저히 줄이면서 효율적인 생산이 가능하도록 하는, 2액형 접착제의 혼합비 측정 장치 및 방법을 제공한다.The present invention relates to an apparatus, method, and computer program for measuring the mixing ratio of a two-component adhesive using an artificial neural network, and more particularly, by detecting an abnormality in the mixing ratio in real time in the process of manufacturing a two-component adhesive by mixing a main material and a curing material. It relates to an apparatus and method for measuring the mixing ratio of a two-component adhesive that can be immediately applied to the process.
According to the present invention, in the manufacturing process of the two-component adhesive, in the manufacturing process of the two-component adhesive, when two materials are mixed, the mixing ratio is automatically measured in real time using an artificial neural network. There is provided an apparatus and method for measuring a mixing ratio of a two-component adhesive that can be applied, thereby enabling efficient production while significantly reducing an adhesive defect rate due to a mixing ratio error.

Figure R1020190009985
Figure R1020190009985

Description

인공신경망을 이용한 2액형 접착제의 혼합비 측정 장치, 방법 및 컴퓨터 프로그램{APPARATUS, METHOD AND COMPUTER PROGRAM FOR MONITORING MIXING RATIO OF TWO-COMPONENT TYPE ADHESIVE BY USING ARTIFICIAL NEURAL NETWORK}A device, method, and computer program for measuring the mixing ratio of a two-component adhesive using an artificial neural network {APPARATUS, METHOD AND COMPUTER PROGRAM FOR MONITORING MIXING RATIO OF TWO-COMPONENT TYPE ADHESIVE BY USING ARTIFICIAL NEURAL NETWORK}

본 발명은 인공신경망을 이용한 2액형 접착제의 혼합비 측정 장치, 방법 및 컴퓨터 프로그램에 관한 것으로서, 더욱 상세하게는 주재와 경화재의 혼합에 의한 2액형 접착제를 제조하는 과정에서 실시간으로 혼합비의 이상을 검출함으로써 즉시 공정에 적용할 수 있도록 하는 2액형 접착제의 혼합비 측정 장치 및 방법에 관한 것이다.The present invention relates to an apparatus, method, and computer program for measuring the mixing ratio of a two-component adhesive using an artificial neural network, and more particularly, by detecting an abnormality in the mixing ratio in real time in the process of manufacturing a two-component adhesive by mixing a main material and a curing material. It relates to an apparatus and method for measuring the mixing ratio of a two-component adhesive that can be immediately applied to the process.

접착제에는 1개의 재료로 구성된 1액형과 주재와 경화재의 2개의 재료로 구성된 2액형이 있다. 도 1은 종래 2액형 접착제 제조 시스템(100)을 도시한 도면이다.There are two types of adhesives: a one-component type composed of one material and a two-component type composed of two materials: a main material and a hardening material. 1 is a view showing a conventional two-component adhesive manufacturing system 100.

'A' 탱크(110)에는 2액형 접착제의 혼합 재료 중 주재가 저장되고, 'B' 탱크(120)에는 경화재가 저장된다. 압축공기부(130)에는 압축공기가 저장되어 있고, 이 압축공기가 A 탱크(110) 및 B 탱크(120)에 전달되어, 전달된 압축공기의 압력에 의해 A 탱크(110)의 주재 및 B 탱크(120)의 경화재가 혼합부(mixer, 140)로 이동하여 혼합부(140)에서 주재 및 경화재가 혼합된 후, 분배부(dispenser, 150)에 의해 최종 2액형 접착제가 토출된다. A 압력 제어밸브(131)는 압축공기가 A 탱크(110)로 전달되는 양을 조절하고, B 압력 제어밸브(132)는 압축공기가 B 탱크(120)로 전달되는 양을 조절한다. 또한 흐름제어부(160)는 분배부(150)에서 2액형 접착제의 토출되는 양을 제어한다.The main material among the mixed materials of the two-component adhesive is stored in the'A' tank 110, and the cured material is stored in the'B' tank 120. Compressed air is stored in the compressed air unit 130, and the compressed air is delivered to the A tank 110 and the B tank 120, and the main body of the A tank 110 and B by the pressure of the delivered compressed air. After the curing material of the tank 120 moves to the mixing unit 140, the main material and the curing material are mixed in the mixing unit 140, the final two-component adhesive is discharged by the dispenser 150. The A pressure control valve 131 controls the amount of compressed air delivered to the A tank 110, and the B pressure control valve 132 controls the amount of the compressed air delivered to the B tank 120. In addition, the flow control unit 160 controls the amount of the two-component adhesive discharged from the distribution unit 150.

이와 같이 2액형 접착제는 주재와 경화재의 혼합으로 제조되며, 그 혼합비율에 따라 경화 시간과 접착 강도를 필요에 맞도록 적절하게 조절이 가능한 장점이 있다. 그러나 이와 같은 2액형 접착제의 경우, 혼합 비율의 정밀한 조절이 어려운 문제가 있다. 혼합 비율이 정확하지 않은 상태로 대량 생산될 경우 접합강도, 경화시간, 내열, 내구, 신뢰성 등 접착제에 대하여 다양한 부정적 영향을 미치게 된다.As described above, the two-component adhesive is manufactured by mixing the main material and the curing material, and according to the mixing ratio, the curing time and the adhesive strength can be appropriately adjusted to suit the needs. However, in the case of such a two-component adhesive, it is difficult to precisely control the mixing ratio. When mass-produced in a state where the mixing ratio is not accurate, various negative effects on the adhesive, such as bonding strength, curing time, heat resistance, durability, and reliability, are affected.

이와 같이 혼합 비율 오류가 있을 경우 공정에서 생산된 제품 전체를 불량으로 만들게 되며, 이 경우 불량 확인에 아주 짧게는 수 분, 길게는 수 일까지도 걸리게 됨으로써, 제품 불량에 의한 막대한 손해가 발생하게 되는 문제점이 있었다.If there is such an error in the mixing ratio, the entire product produced in the process is made defective. In this case, it takes a few minutes for a short time to check the defect, and even a few days for a long time, resulting in enormous damage due to product defects. There was this.

현재 이러한 2액형 접착제 제조시 불량 제품이 발생한 후에 조정 작업을 거치게 되어 있어 제품 수율 및 신뢰성에 치명적인 영향을 받게 될 뿐 아니라, 엔지니어의 경험과 수동 검사에 의존하는 방식을 채용하고 있어, 생산 라인에서 혼합 비율 불량 발생시 신속히 대처하기 어려운 문제점이 있었다.At present, in the manufacture of such two-component adhesives, adjustments are made after defective products occur, which not only severely affects product yield and reliability, but also adopts a method that relies on engineer's experience and manual inspection, and is mixed in the production line. There was a problem that it was difficult to quickly cope with the occurrence of defective ratio.

KRKR 10-152085910-1520859 B1B1

본 발명은 이와 같은 문제점을 해결하기 위해 창안된 것으로서, 2액형 접착제의 제조 과정에서, 2개의 재료 혼합시, 인공신경망을 이용하여 실시간으로 혼합 비율의 자동 측정이 이루어지도록 함으로써, 불량 발생시 즉시 조치하여 공정에 적용할 수 있도록 하고, 이에 의해 혼합비 오류에 의한 접착제 불량률을 현저히 줄이면서 효율적인 생산이 가능하도록 하는, 2액형 접착제의 혼합비 측정 장치 및 방법을 제공하는데 그 목적이 있다.The present invention was invented to solve such a problem, and in the manufacturing process of a two-component adhesive, when two materials are mixed, the mixing ratio is automatically measured in real time using an artificial neural network, so that when a defect occurs, it is taken immediately. It is an object of the present invention to provide an apparatus and method for measuring a mixing ratio of a two-component adhesive that can be applied to a process, thereby enabling efficient production while significantly reducing an adhesive defect rate due to a mixing ratio error.

이와 같은 목적을 달성하기 위하여 본 발명에 따른 2액형 접착제의 혼합비를 측정하는 방법은, 2액형 접착제의 혼합비를 측정하는 방법은, (a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계; (b) 상기 전기 신호로부터 임피던스를 측정하는 단계; (c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및, (d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계를 포함하고, 상기 단계(b)에서 임피던스 측정은, 기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함될 수 있으며, 상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은, 5kHz ~ 15kHz 영역이다.In order to achieve such an object, the method of measuring the mixing ratio of the two-component adhesive according to the present invention is the method of measuring the mixing ratio of the two-component adhesive, (a) the impedance of the two-component adhesive prepared by mixing the main material and the curing material. Sensing an electrical signal generated for the two-component adhesive from a probe; (b) measuring impedance from the electrical signal; (c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And, (d) calculating the mixing ratio of the main material and the curing material in the two-component adhesive in the mixing ratio measurement artificial neural network model, and the impedance measurement in step (b) includes n frequencies in a predetermined specific frequency section. With respect to, the impedance at each frequency is measured, and the input data of the mixing ratio measurement artificial neural network model in step (c) may include n impedance data measured at the n frequencies, and the n The preset specific frequency section including the frequency is in the range of 5 kHz to 15 kHz.

상기 단계(c) 이전에, (a0) 상기 2액형 접착제의 온도를 측정하는 단계를 더 포함하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 측정된 온도를 더 포함할 수 있다.Prior to the step (c), (a0) further comprising the step of measuring the temperature of the two-component adhesive, and in the input data of the artificial neural network model measuring the mixing ratio in the step (c), the measured temperature may be further included. I can.

상기 단계(d)에서 산출되는 혼합비는, 1개의 혼합비 값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as one mixing ratio value.

상기 단계(d)에서 산출되는 혼합비는, 다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as a plurality of mixing ratio values and probability values for each mixing ratio.

상기 혼합비 측정 인공신경망 모델은, 상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성될 수 있다.The mixing ratio measurement artificial neural network model may be formed by learning by a layer arranged in the same manner as the artificial neural network of the mixing ratio measurement artificial neural network model.

본 발명의 다른 측면에 따르면, 2액형 접착제의 혼합비를 측정하는 장치는, 특정 주재와 경화재의 혼합물(이하 '2액형 접착제'라 한다)이 통과하는 임피던스 프로브(probe); 상기 임피던스 프로브에서 감지된 전기신호로부터 임피던스를 측정하는 임피던스 측정부; 및, 상기 측정된 임피던스를 입력 데이터로 하는 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)의 출력으로서, 상기 2액형 접착제에 대한 주재와 경화재의 혼합비를 산출하는 판정부를 포함하고, 상기 임피던스 측정부는, 다양한 주파수를 발생할 수 있는 주파수 발생기(frequency generator)를 포함하고, 상기 임피던스 측정부는, 상기 주파수 발생기에 의해 발생된, 기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하며, 상기 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함될 수 있으며, 상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은, 5kHz ~ 15kHz 영역이다.According to another aspect of the present invention, an apparatus for measuring a mixing ratio of a two-component adhesive includes: an impedance probe through which a mixture of a specific main material and a curing material (hereinafter referred to as “two-component adhesive”) passes; An impedance measuring unit measuring impedance from the electric signal sensed by the impedance probe; And, as an output of the artificial neural network model (hereinafter referred to as'mixing ratio measurement artificial neural network model') using the measured impedance as input data, comprising a determination unit for calculating a mixing ratio of the main material and the curing material for the two-component adhesive, The impedance measuring unit includes a frequency generator capable of generating various frequencies, and the impedance measuring unit is generated by the frequency generator, with respect to n frequencies in a predetermined specific frequency section, at each frequency. The impedance is measured at, and the input data of the mixing ratio measurement artificial neural network model may include n impedance data measured at the n frequencies, and the preset specific frequency section including the n frequencies, It is in the range of 5kHz to 15kHz.

상기 2액형 접착제의 온도를 측정하는 온도 측정부를 더 포함하고, 상기 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 온도 측정부에서 측정된 온도를 더 포함할 수 있다.A temperature measuring unit for measuring the temperature of the two-component adhesive may be further included, and the input data of the mixing ratio measuring artificial neural network model may further include a temperature measured by the temperature measuring unit.

본 발명의 또 다른 측면에 따르면, 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램은, 비일시적 저장 매체에 저장되며, 프로세서에 의하여, (a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계; (b) 상기 전기 신호로부터 임피던스를 측정하는 단계; (c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및, (d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계가 실행되도록 하는 명령을 포함하고, 상기 단계(b)에서 임피던스 측정은, 기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함될 수 있으며, 상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은, 5kHz ~ 15kHz 영역이다.According to another aspect of the present invention, a computer program for measuring the mixing ratio of a two-component adhesive is stored in a non-transitory storage medium, and by a processor, (a) a two-component adhesive manufactured by mixing a main material and a curing material flows. Sensing an electrical signal generated for the two-component adhesive from an impedance probe; (b) measuring impedance from the electrical signal; (c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And, (d) calculating the mixing ratio of the main material and the hardening material in the two-component adhesive in the mixing ratio measurement artificial neural network model, wherein the impedance measurement in step (b) is performed at a predetermined specific frequency. For n frequencies of the section, impedance at each frequency is measured, and the input data of the mixing ratio measurement artificial neural network model in step (c) may include n impedance data measured at the n frequencies. In addition, the preset specific frequency section including the n frequencies is in the range of 5 kHz to 15 kHz.

상기 단계(c) 이전에, (a0) 상기 2액형 접착제의 온도를 측정하는 단계를 더 포함하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 측정된 온도를 더 포함할 수 있다.Prior to the step (c), (a0) further comprising the step of measuring the temperature of the two-component adhesive, and in the input data of the artificial neural network model measuring the mixing ratio in the step (c), the measured temperature may be further included. I can.

상기 단계(d)에서 산출되는 혼합비는, 1개의 혼합비 값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as one mixing ratio value.

상기 단계(d)에서 산출되는 혼합비는, 다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as a plurality of mixing ratio values and probability values for each mixing ratio.

상기 혼합비 측정 인공신경망 모델은, 상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성될 수 있다.The mixing ratio measurement artificial neural network model may be formed by learning by a layer arranged in the same manner as the artificial neural network of the mixing ratio measurement artificial neural network model.

본 발명의 또 다른 측면에 따르면, 2액형 접착제의 혼합비를 측정하는 장치는, 적어도 하나의 프로세서; 및, 컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여, (a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계; (b) 상기 전기 신호로부터 임피던스를 측정하는 단계; (c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및, (d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계가 실행되도록 하고, 상기 단계(b)에서 임피던스 측정은, 기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함될 수 있으며, 상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은, 5kHz ~ 15kHz 영역이다.According to another aspect of the present invention, an apparatus for measuring a mixing ratio of a two-component adhesive includes at least one processor; And at least one memory for storing an instruction executable by a computer, wherein the instruction executable by the computer stored in the at least one memory is, by the at least one processor, (a) a main material and a hardened material are mixed Sensing an electrical signal generated for the two-component adhesive from an impedance probe through which the manufactured two-component adhesive flows; (b) measuring impedance from the electrical signal; (c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And, (d) calculating the mixing ratio of the main material and the hardening material in the two-component adhesive in the mixing ratio measurement artificial neural network model, and the impedance measurement in step (b) is performed by n number of preset specific frequency intervals. For frequencies, impedance at each frequency is measured, and the input data of the mixing ratio measurement artificial neural network model in step (c) may include n impedance data measured at the n frequencies, and the n The preset specific frequency section including four frequencies is in the range of 5 kHz to 15 kHz.

상기 단계(c) 이전에, (a0) 상기 2액형 접착제의 온도를 측정하는 단계를 더 포함하고, 상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는, 상기 측정된 온도를 더 포함할 수 있다.Prior to the step (c), (a0) further comprising the step of measuring the temperature of the two-component adhesive, and in the input data of the artificial neural network model measuring the mixing ratio in the step (c), the measured temperature may be further included. I can.

상기 단계(d)에서 산출되는 혼합비는, 1개의 혼합비 값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as one mixing ratio value.

상기 단계(d)에서 산출되는 혼합비는,다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출될 수 있다.The mixing ratio calculated in step (d) may be calculated as a number of mixing ratio values and a probability value for each mixing ratio.

상기 혼합비 측정 인공신경망 모델은, 상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성될 수 있다.The mixing ratio measurement artificial neural network model may be formed by learning by a layer arranged in the same manner as the artificial neural network of the mixing ratio measurement artificial neural network model.

본 발명에 의하면, 2액형 접착제의 제조 과정에서, 2액형 접착제의 제조 과정에서, 2개의 재료 혼합시 인공신경망을 이용하여 실시간으로 혼합 비율의 자동 측정이 이루어지도록 함으로써, 불량 발생시 즉시 조치하여 공정에 적용할 수 있도록 하고, 이에 의해 혼합비 오류에 의한 접착제 불량률을 현저히 줄이면서 효율적인 생산이 가능하도록 하는, 2액형 접착제의 혼합비 측정 장치 및 방법을 제공하는 효과가 있다.According to the present invention, in the manufacturing process of the two-component adhesive, in the manufacturing process of the two-component adhesive, when two materials are mixed, the mixing ratio is automatically measured in real time using an artificial neural network. There is an effect of providing an apparatus and method for measuring a mixing ratio of a two-component adhesive, enabling efficient production while remarkably reducing an adhesive defect rate due to a mixing ratio error.

도 1은 종래 2액형 접착제 제조 시스템을 도시한 도면.
도 2는 본 발명에 따른 혼합비 측정 장치와 연결된 2액형 접착제 제조 시스템을 도시한 도면.
도 3은 본 발명에 따른 2액형 접착제 혼합비 측정을 위한 전체 시스템 구성을 나타내는 도면.
도 4는 본 발명에 따른 2액형 접착제 제조 시스템에서 접착제 물질 파악을 위하여 적용한 임피던스 측정 기법의 원리를 설명하기 위한 도면.
도 5는 접착제에 따른 유전율 변화 및 유전율의 주파수 응답 곡선을 도시한 도면.
도 6은 온도 변화에 따르는 유전율 변화를 도시한 그래프.
도 7은 본 발명에 따른 2액형 접착제 혼합비 측정 장치의 임피던스 측정부가 포함하는 임피던스 측정회로의 일 실시예를 도시한 도면.
도 8은 주재(resin)와 경화재(hardener)의 비율을 달리한 4가지 경우에 대하여, 일정 온도에서 주파수와 임피던스의 관계를 별도의 그래프로써 나타내는 그래프.
도 9는 주재와 경화재의 비율을 달리하여 측정한, 일정 온도에서 주파수와 임피던스의 관계를 하나의 그래프에 나타낸 그래프.
도 10은 주재와 경화재가 특정 비율로 혼합된 경우에, 다양한 온도에서의 주파수와 임피던스의 관계를 나타내는 그래프.
도 11은 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델링을 위한 전처리 과정으로서, 특정 온도에서 다양한 혼합비에 대한 주파수와 임피던스의 관계를 나타내는 그래프.
도 12는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델링을 위한 전처리 과정으로서, 특정 혼합비에서 다양한 온도에 대한 주파수와 임피던스의 관계를 나타내는 그래프.
도 13은 온도, 주파수 및 임피던스의 관계를, 주재와 경화재의 혼합비를 달리해가면서 측정하여 3차원 그래프로써 나타내는 그래프.
도 14는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델에 의해 혼합비를 측정한 결과를 나타내는 표.
도 15는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델의 일 실시예로서, CNN(convolutional neural network)을 이용한 경우의 인공신경망 모델을 블럭도로써 나타낸 도면.
도 16은 본 발명에 따른 2액형 접착제의 혼합비 측정 방법을 수행하는 순서도.1 is a view showing a conventional two-component adhesive manufacturing system.
Figure 2 is a view showing a two-component adhesive manufacturing system connected to the mixing ratio measuring device according to the present invention.
3 is a view showing the overall system configuration for measuring the mixing ratio of the two-component adhesive according to the present invention.
4 is a view for explaining the principle of the impedance measurement technique applied to identify the adhesive material in the two-component adhesive manufacturing system according to the present invention.
5 is a diagram showing a change in dielectric constant and a frequency response curve of the dielectric constant according to the adhesive.
6 is a graph showing a change in dielectric constant according to a temperature change.
7 is a diagram showing an embodiment of an impedance measuring circuit including an impedance measuring unit of a two-component adhesive mixing ratio measuring apparatus according to the present invention.
8 is a graph showing a relationship between a frequency and an impedance as a separate graph at a constant temperature for four cases in which the ratio of a resin and a hardener is different.
9 is a graph showing a relationship between frequency and impedance at a constant temperature, measured by varying the ratio of the main material and the hardened material, in one graph.
10 is a graph showing the relationship between the frequency and the impedance at various temperatures when the main material and the hardened material are mixed at a specific ratio.
11 is a graph showing a relationship between frequency and impedance for various mixing ratios at a specific temperature as a preprocessing process for modeling an artificial neural network for calculating a mixing ratio of a main material and a hardened material.
12 is a pre-processing process for modeling an artificial neural network for calculating a mixing ratio of a main material and a hardened material, and is a graph showing the relationship between frequencies and impedances for various temperatures at a specific mixing ratio.
13 is a graph showing the relationship between temperature, frequency, and impedance as a three-dimensional graph by measuring the mixing ratio of the main material and the hardened material while varying.
14 is a table showing the results of measuring the mixing ratio by the artificial neural network model for calculating the mixing ratio of the main material and the hardened material.
15 is a block diagram showing an artificial neural network model in the case of using a convolutional neural network (CNN) as an embodiment of an artificial neural network model for calculating a mixing ratio of a main material and a hardening material.
Figure 16 is a flow chart for performing a method of measuring the mixing ratio of the two-component adhesive according to the present invention.

이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. Prior to this, terms or words used in the specification and claims should not be construed as being limited to their usual or dictionary meanings, and the inventors appropriately explain the concept of terms in order to explain their own invention in the best way. Based on the principle that it can be defined, it should be interpreted as a meaning and concept consistent with the technical idea of the present invention. Accordingly, the embodiments described in the present specification and the configurations shown in the drawings are only the most preferred embodiment of the present invention, and do not represent all the technical spirit of the present invention. It should be understood that there may be equivalents and variations.

도 2는 본 발명에 따른 혼합비 측정 장치(300)와 연결된 2액형 접착제 제조 시스템(200)을 도시한 도면이고, 도 3은 본 발명에 따른 2액형 접착제 혼합비 측정을 위한 전체 시스템 구성을 나타내는 도면이다.FIG. 2 is a diagram showing a two-component adhesive manufacturing system 200 connected to the mixing ratio measuring apparatus 300 according to the present invention, and FIG. 3 is a diagram showing the overall system configuration for measuring a two-component adhesive mixing ratio according to the present invention. .

종래 2액형 접착제 제조 시스템(100)과 유사하게, 본 발명에 따른 혼합비 측정 장치를 포함하는 2액형 접착제 제조 시스템(200)에서도, 'A' 탱크(210)에는 2액형 접착제의 혼합 재료 중 주재가 저장되고, 'B' 탱크(220)에는 경화재가 저장된다. 압축공기부(230)에는 압축공기가 저장되어 있고, 이 압축공기가 A 탱크(210) 및 B 탱크(220)에 전달되어, 전달된 압축공기의 압력에 의해 A 탱크(210)의 주재 및 B 탱크(220)의 경화재가 혼합부(mixer, 240)로 이송되어 혼합부(240)에서 주재 및 경화재가 혼합된 후, 분배부(dispenser, 250)에 의해 최종 2액형 접착제가 토출된다. A 압력 제어밸브(231)는 압축공기가 A 탱크(210)로 전달되는 양을 조절하고, B 압력 제어밸브(232)는 압축공기가 B 탱크(220)로 전달되는 양을 조절한다. 또한 흐름제어부(260)는 분배부(250)에서 2액형 접착제의 토출되는 양을 제어한다.Similar to the conventional two-component adhesive manufacturing system 100, in the two-component adhesive manufacturing system 200 including the mixing ratio measuring device according to the present invention, the'A' tank 210 contains the main material among the mixed materials of the two-component adhesive. It is stored, and the hardened material is stored in the'B' tank 220. Compressed air is stored in the compressed air unit 230, and the compressed air is delivered to the A tank 210 and the B tank 220, and the main body of the A tank 210 and B by the pressure of the delivered compressed air. After the cured material of the tank 220 is transferred to a mixer 240 and the main material and the cured material are mixed in the mixing unit 240, the final two-component adhesive is discharged by the dispenser 250. The A pressure control valve 231 controls the amount of compressed air delivered to the A tank 210, and the B pressure control valve 232 controls the amount of the compressed air delivered to the B tank 220. In addition, the flow control unit 260 controls the amount of the two-component adhesive discharged from the distribution unit 250.

이와 같은 2액형 접착제 제조 시스템(200)과 연결된 본 발명에 따른 혼합비 측정 장치(300)는 다음과 같다.The mixing ratio measuring apparatus 300 according to the present invention connected to the two-component adhesive manufacturing system 200 is as follows.

혼합전 재료에 대한 제1 임피던스 프로브(probe)(301)와 제2 임피던스 프로브(302)는 A 탱크(210)와 혼합부(240), 그리고 B 탱크(220)와 혼합부(240) 사이에 설치된다. 제1 임피던스 프로브(301)는 A 탱크(210)로부터 나온 주재로부터 임피던스를 감지하기 위한 임피던스 프로브이며, 여기에 주재의 온도를 감지하기 위한 온도 센서를 더 포함할 수 있다. 또한 제2 임피던스 프로브(302)는 B 탱크(220)로부터 나온 경화재로부터 임피던스를 감지하기 위한 임피던스 프로브이며, 역시 경화재의 온도를 감지하기 위한 온도 센서를 더 포함할 수 있다.The first impedance probe 301 and the second impedance probe 302 for the material before mixing are between the A tank 210 and the mixing unit 240, and between the B tank 220 and the mixing unit 240. Is installed. The first impedance probe 301 is an impedance probe for detecting impedance from the main material from the tank A 210, and may further include a temperature sensor for detecting the temperature of the main material. In addition, the second impedance probe 302 is an impedance probe for detecting impedance from the hardened material from the B tank 220, and may further include a temperature sensor for detecting the temperature of the hardened material.

혼합부(240)와 분배부(250) 사이에는 제3 임피던스 프로브(303)가 설치되는데, 제3 임피던스 프로브(303)는, 주재와 경화재가 혼합부(240)에서 혼합되어 생성된 2액형 접착제의 임피던스를 감지하는 임피던스 프로브이고, 또한 이 2액형 접착제의 온도를 감지하기 위한 온도 센서를 더 포함할 수 있다.A third impedance probe 303 is installed between the mixing unit 240 and the distribution unit 250, and the third impedance probe 303 is a two-component adhesive produced by mixing the main material and the hardening material in the mixing unit 240. It is an impedance probe for sensing the impedance of, and may further include a temperature sensor for sensing the temperature of the two-component adhesive.

제1, 제2 및 제3 임피던스 프로브(301,302,303)는 동일한 구조를 가지고 있으며, 이하에서 제1, 제2 및 제3 임피던스 프로브를 총칭할 경우는 '임피던스 프로브'로 칭하기로 한다.The first, second, and third impedance probes 301, 302, and 303 have the same structure, and hereinafter, when collectively referring to the first, second, and third impedance probes, they will be referred to as'impedance probes'.

도 3을 참조하면, 혼합비 측정 장치(300)에서는 각 임피던스 프로브(301,302,303)에서 감지된 데이터로부터 임피던스, 온도 등을 측정하고, 이로부터 주재와 경화재가 혼합된 2액형 접착제의 혼합비를 산출한다. 혼합비 측정 장치(300)에는 각 임피던스 프로브(301,302,303)에서 감지된 데이터로부터 임피던스를 측정하는 임피던스 측정부(320)를 포함하며, 또한 각 임피던스 프로브(301,302,303)에 온도 센서를 구비할 경우, 온도 센서에서 감지된 데이터로부터 온도를 측정하는 온도 측정부(330)를 구비할 수 있다. 임피던스 측정부에서는, 도 8 내지 도 16을 참조하여 후술하는 바와 같이 혼합비 측정을 위해서는 특정 주파수 구간에서 선택한 다수의 주파수에 대하여 임피던스를 측정하게 되는데, 이를 위해 임피던스 측정부에서는 주파수를 변경하여 다양한 주파수를 발생시킬 수 있는 주파수 생성기(frequency generator)를 포함한다.Referring to FIG. 3, the mixing ratio measuring apparatus 300 measures impedance, temperature, etc. from data sensed by each impedance probe 301, 302, and 303, and calculates a mixing ratio of a two-component adhesive in which the main material and the curing material are mixed. The mixing ratio measurement device 300 includes an impedance measurement unit 320 that measures impedance from data sensed by each impedance probe 301,302,303, and when a temperature sensor is provided in each impedance probe 301,302,303, the temperature sensor A temperature measuring unit 330 for measuring temperature from the sensed data may be provided. In the impedance measurement unit, as will be described later with reference to FIGS. 8 to 16, in order to measure the mixing ratio, impedance is measured for a plurality of frequencies selected in a specific frequency section. To this end, the impedance measurement unit changes the frequency to measure various frequencies. It includes a frequency generator that can be generated.

또한 혼합비 측정 장치(300)에는, 측정된 임피던스와 온도를 이용하여 주재, 경화재의 종류 및, 주재와 경화재의 혼합에 의해 산출된 2액형 접착제의 혼합비를 파악하는 판정부(340)를 포함하고, 판정부(340)에서 재료의 종류 및 혼합비를 판단하기 위해 사용되는 데이터를 저장하는 데이터베이스(350)를 구비한다. 도 8 내지 도 16을 참조하여 후술하는 바와 같이 본 발명의 혼합비 측정 장치(300)의 판정부(340)는, 2액형 접착제의 온도 및, 2액형 접착제를 흘릴 경우 이에 대하여 전기적 신호로 전환하는 경우에 각 주파수에 대하여 측정되는 임피던스를 입력으로 하는 인공신경망 모델을 사용하며, 이와 같은 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하게 된다. 이와 같은 인공신경망 모델에서 사용하는 입력 데이터 선택 및 출력 혼합비에 대하여는 도 8 내지 도 16을 참조하여 상세히 후술하기로 한다.In addition, the mixing ratio measuring device 300 includes a determination unit 340 for grasping the type of the main material and the hardened material, and the mixing ratio of the two-component adhesive calculated by mixing the main material and the hardened material using the measured impedance and temperature, The determination unit 340 includes a database 350 for storing data used to determine the type and mixing ratio of materials. As will be described later with reference to FIGS. 8 to 16, the determination unit 340 of the mixing ratio measuring apparatus 300 of the present invention converts the temperature of the two-component adhesive into an electrical signal when the two-component adhesive is spilled. An artificial neural network model is used, which takes the impedance measured for each frequency as an input, and in this artificial neural network model, the mixing ratio of the main material and the hardening material in the two-component adhesive is calculated. The input data selection and output mixing ratio used in the artificial neural network model will be described in detail later with reference to FIGS. 8 to 16.

판정부(340)는, 제1 및 제2 임피던스 프로브(301,302)에서 감지된 데이터로부터 측정된 임피던스에 의해서는, 주재 및 경화재 각각의 유전율을 파악함으로써 주재 및 경화재가 각각 정확하게 입력되고 있는지를 판단한다. 또한 판정부(340)는, 제3 임피던스 프로브(303)에서 감지된 데이터로부터 측정된 임피던스에 의해서는, 주재와 경화재가 혼합된 2액형 접착제의 유전율을 파악함으로써 최종 산출된 2액형 접착제가 정확한 혼합비에 의해 산출되고 있는지를 판단한다. 이와 같이 주재, 경화재 종류 및 2액형 접착제의 혼합비 판단을 위해서는 각 임피던스 프로브(301,302,303)의 온도 센서에서 감지된 데이터로부터 측정된 온도 데이터를 더 사용할 수 있다.The determination unit 340 determines whether the main material and the hardened material are correctly input by grasping the dielectric constants of the main material and the hardened material based on the impedance measured from the data sensed by the first and second impedance probes 301 and 302. . In addition, the determination unit 340, based on the impedance measured from the data sensed by the third impedance probe 303, determine the dielectric constant of the two-component adhesive in which the main material and the curing material are mixed, so that the final calculated two-component adhesive is the correct mixing ratio. It is judged whether it is calculated by. In this way, in order to determine the mixing ratio of the main material, the type of the curing material, and the two-component adhesive, temperature data measured from the data detected by the temperature sensor of each impedance probe 301, 302, and 303 may be further used.

이 외에, A/D 컨버터(321)는 임피던스 측정부(320) 또는 온도 측정부(330)에서 산출된 임피던스 또는 온도 데이터를 디지털 값으로 변환하고, 신호처리부(322)는 이와 같이 변환된 값에 대한 신호 처리를 수행하며, 신호 처리된 값을 판정부(340)로 전달한다. 또한 신호 처리된 값은 데이터 로그(log)부(380)로 전달되어 저장부(381)에 저장될 수도 있다. 또한 이와 같이 신호 처리된 데이터 또는 판정부(340)에서 판정된 데이터는 그래픽 유저 인터페이스(370)를 통하여 사용자에게 표시되고, 판정부(340)에서 판정된 데이터는 통신부(360)를 통하여 마스터 스테이션(master station)으로 전송될 수도 있다. 경우에 따라서는 신호 처리부(322) 없이, A/D 컨버터(321)를 통과한 데이터가 직접 판정부(340), 데이터 로그부(380) 등으로 전달될 수도 있다.In addition, the A/D converter 321 converts the impedance or temperature data calculated by the impedance measurement unit 320 or the temperature measurement unit 330 into a digital value, and the signal processing unit 322 converts the converted value into a digital value. The signal processing is performed, and the signal-processed value is transmitted to the determination unit 340. In addition, the signal-processed value may be transmitted to the data log unit 380 and stored in the storage unit 381. In addition, the signal-processed data or data determined by the determination unit 340 is displayed to the user through the graphic user interface 370, and the data determined by the determination unit 340 is transmitted through the communication unit 360 to the master station ( master station). In some cases, data passing through the A/D converter 321 may be directly transferred to the determination unit 340, the data log unit 380, and the like without the signal processing unit 322.

측정된 임피던스 및 온도를 이용하여 주재, 경화재 종류 및 2액형 접착제의 혼합비를 판단하는 방법에 대하여는 이하 도 4 내지 도 16을 참조하여 후술하기로 한다.A method of determining the mixing ratio of the main material, the type of the curing material, and the two-component adhesive using the measured impedance and temperature will be described later with reference to FIGS. 4 to 16.

도 4는 본 발명에 따른 2액형 접착제 제조 시스템에서 접착제 물질 파악을 위하여 적용한 임피던스 측정 기법의 원리를 설명하기 위한 도면이다.4 is a diagram for explaining the principle of an impedance measurement technique applied to identify an adhesive material in a two-component adhesive manufacturing system according to the present invention.

도 4에서는 평행판 커패시터를 예로 들어 설명한다. 즉, 도 4(a)와 같은 평행판 커패시터에서 커패시턴스는,In FIG. 4, a parallel plate capacitor will be described as an example. That is, in the parallel plate capacitor as shown in Fig. 4(a), the capacitance is,

Figure 112019009306428-pat00001
Figure 112019009306428-pat00001

와 같이 결정된다. A는 평행판의 넓이, d는 평행판 간의 거리이며, ε는 평행판 사이 유전물질의 유전율을 의미한다.It is determined as. A is the area of the parallel plates, d is the distance between the parallel plates, and ε is the dielectric constant of the dielectric material between the parallel plates.

본원발명에서는, 도 4(b)와 같이 커패시터 양단에 전위차를 가하고, 양단 사이에 유전물질 역할을 하는 주재, 경화재, 또는 주재와 경화재의 혼합물인 2액형 접착제를 유동시켜 흘려보내면, 그와 같은 유전물질의 종류에 따라 커패시턴스가 결정되고, 이로써 유전율을 파악할 수 있게 되며, 유전율로부터 유전물질을 파악할 수 있게 된다.In the present invention, when a potential difference is applied to both ends of the capacitor as shown in FIG. Capacitance is determined according to the type of material, and thus the dielectric constant can be determined, and the dielectric material can be identified from the dielectric constant.

도 5는 접착제에 따른 유전율 변화 및 유전율의 주파수 응답 곡선을 도시한 도면이고, 도 6은 온도 변화에 따르는 유전율 변화를 도시한 그래프이다.5 is a diagram showing a change in dielectric constant and a frequency response curve of the dielectric constant according to an adhesive, and FIG. 6 is a graph showing a change in dielectric constant according to a temperature change.

도 5(a)는 약 60 x 106 Hz에서, 각 재료들의 유전율의 범위를 나타낸다. 도 5(b)는 특정 재료에 대한, 150℃에서 주파수 변화에 따른 유전율 변화, 즉 유전율의 주파수 응답을 나타내는 그래프이다. 도 6을 참조하면, 유전율은 온도에 따라 변화한다. 도 6에서는 주파수를 60Hz, 103Hz, 106Hz로 변화해가면서 특정 재료의 온도에 따른 유전율을 측정한 그래프를 나타내고 있다.Fig. 5(a) shows the range of dielectric constants of each material at about 60 x 10 6 Hz. 5(b) is a graph showing a change in dielectric constant according to a frequency change at 150° C., that is, a frequency response of the dielectric constant for a specific material. Referring to FIG. 6, the dielectric constant changes with temperature. 6 shows a graph of measuring the dielectric constant according to the temperature of a specific material while changing the frequency to 60 Hz, 10 3 Hz, and 10 6 Hz.

도 5(a)의 각 재료에 대한 유전율의 범위는 온도가 변화하면 달라질 수 있고, 도 5(b)의 주파수 응답 곡선 역시 온도가 변화하면 달라질 수 있다. 즉, 이러한 데이터들을 이용하여 혼합비 측정 장치(300)는, 임피던스 프로브를 커패시터로 하는 회로에 가해지는 특정 주파수가 정해지고 임피던스 프로브를 통과하는 재료의 온도가 측정된 경우, 해당 재료의 그 온도에서의 유전율을 결정할 수 있고, 또한 그 온도에서 해당 유전율에 해당하는 재료의 종류, 또는 특정 주재와 경화재의 혼합물에 대하여는 그 혼합비를 판정할 수 있게 되는 것이다.The range of the dielectric constant for each material of FIG. 5(a) may vary when the temperature changes, and the frequency response curve of FIG. 5(b) may also change when the temperature changes. That is, using these data, when a specific frequency applied to the circuit using the impedance probe as a capacitor is determined and the temperature of the material passing through the impedance probe is measured, The dielectric constant can be determined, and the type of material corresponding to the dielectric constant at that temperature, or the mixture ratio of a specific main material and a hardened material can be determined.

도 7은 본 발명에 따른 2액형 접착제 혼합비 측정 장치(300)의 임피던스 측정부(320)가 포함하는 임피던스 측정회로의 일 실시예를 도시한 도면이다.7 is a diagram showing an embodiment of an impedance measuring circuit included in the impedance measuring unit 320 of the two-component adhesive mixing ratio measuring apparatus 300 according to the present invention.

도 8은 주재(resin)와 경화재(hardener)의 비율을 달리한 4가지 경우에 대하여, 일정 온도에서 주파수와 임피던스의 관계를 별도의 그래프로써 나타내는 그래프이고, 도 9는 주재와 경화재의 비율을 달리하여 측정한, 일정 온도에서 주파수와 임피던스의 관계를 하나의 그래프에 나타낸 그래프이다.8 is a graph showing the relationship between frequency and impedance at a constant temperature as separate graphs for four cases in which the ratio of the resin and the hardener is different, and FIG. 9 is a graph showing the ratio of the main material and the hardener differently. This is a graph showing the relationship between frequency and impedance measured at a constant temperature in one graph.

임피던스 프로브(303)를 커패시터로 하는 회로에 가해지는 특정 주파수가 정해지고 임피던스 프로브(303)를 통과하는 2액형 접착제의 온도가 측정된 경우, 해당 2액형 접착제의 그 온도에서의 그 주파수에 대한 커패시턴스 및 임피던스가 측정되고, 해당 임피던스에 대한 유전율을 계산하며, 또한 이에 따라 그 온도 및 주파수에서, 계산된 유전율에 해당하는 혼합물, 즉, 2액형 접착제의 혼합비를 데이터베이스의 주파수 응답 곡선 데이터로부터 찾아서 혼합비를 판정할 수 있게 된다. 그러나 본 발명에서는 이와 같은 혼합비 산출을 인공신경망 모델을 이용하여 하게 되며 이에 대하여 이하에서 도 8 내지 도 16을 참조하여 상세히 설명한다.When a specific frequency applied to the circuit using the impedance probe 303 as a capacitor is determined and the temperature of the two-component adhesive passing through the impedance probe 303 is measured, the capacitance for that frequency at that temperature of the two-component adhesive And the impedance is measured, the dielectric constant for the impedance is calculated, and accordingly, at the temperature and frequency, the mixture corresponding to the calculated dielectric constant, that is, the mixing ratio of the two-component adhesive, is found from the frequency response curve data of the database and the mixing ratio is determined. You will be able to judge. However, in the present invention, such a mixing ratio is calculated using an artificial neural network model, which will be described in detail below with reference to FIGS. 8 to 16.

도 8(a)는 주재와 경화재의 비율이 1:1인 경우이고, 도 8(b)는 주재와 경화재의 비율이 1:2인 경우이고, 도 8(c)는 주재와 경화재의 비율이 5:1인 경우이며, 도 8(d)는 주재와 경화재의 비율이 1:5인 경우를 나타낸다. 각 도면의 주파수-임피던스 곡선은 모두 특정한 온도에서 측정한 것이며, 각 도면의 주파수-임피던스 곡선에서 다수개의 선이 도시된 것은, 측정시마다 약간의 오차가 발생할 수 있기 때문이다.Fig. 8(a) shows the case where the ratio of the main material and the hardened material is 1:1, Fig. 8(b) shows the case where the ratio of the main material and the hardened material is 1:2, and Fig. 8(c) shows the case where the ratio of the main material and the hardened material is It is a case of 5:1, and FIG. 8(d) shows a case where the ratio of the main material and the hardened material is 1:5. The frequency-impedance curves of each figure are all measured at a specific temperature, and a plurality of lines are shown in the frequency-impedance curves of each figure because a slight error may occur during each measurement.

도 9에서는 특정 온도에서 여러 혼합비(16.7%, 67.7%, 83.3%)에 대한 주파수-임피던스 곡선이 도시되어 있는데, 각 곡선은 여러번 측정된 데이터의 평균값으로 나타낸 것이다.In FIG. 9, frequency-impedance curves for various mixing ratios (16.7%, 67.7%, 83.3%) at a specific temperature are shown, and each curve is an average value of data measured several times.

도 10은 주재와 경화재가 특정 비율로 혼합된 경우에, 다양한 온도에서의 주파수와 임피던스의 관계를 나타내는 그래프이다.10 is a graph showing the relationship between the frequency and the impedance at various temperatures when the main material and the hardened material are mixed at a specific ratio.

주재와 경화재의 혼합비가 1:2인 경우에 측정된 데이터이다. 도시된 바와 같이, 맨 위의 곡선은 10℃, 맨 아래 곡선은 40℃로서, 10℃에서 40℃까지의 각 온도에서 측정된 주파수-임피던스 곡선을 하나의 그래프에 나타내었다.This is the data measured when the mixing ratio of the main material and the hardened material is 1:2. As shown, the top curve is 10°C, the bottom curve is 40°C, and a frequency-impedance curve measured at each temperature from 10°C to 40°C is shown in one graph.

도 11은 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델링을 위한 전처리 과정으로서, 특정 온도에서 다양한 혼합비에 대한 주파수와 임피던스의 관계를 나타내는 그래프이다.11 is a pre-processing process for modeling an artificial neural network for calculating the mixing ratio of the main material and the hardening material, and is a graph showing the relationship between the frequency and the impedance for various mixing ratios at a specific temperature.

도 11은 13℃에서 측정된 그래프이다. 도 11(a)의 왼쪽 도면은 혼합비가 16.7%, 67.7%, 83.3%인 경우에 대한 주파수-임피던스 곡선이며, 도 11(a)의 오른쪽 도면은 왼쪽 도면의 점선 부분(10)만을 도시한 도면이다. 즉, 도 11(a)에서 점선 부분(10)은 주파수 5kHz ~ 15kHz 영역이며, 이 영역에서 주파수-임피던스 곡선이 가장 안정적인 형태를 보인다. 따라서 이러한 주파수 5kHz ~ 15kHz 영역의 데이터를 인공신경망 모델링의 입력 데이터로 사용하기로 결정한다.11 is a graph measured at 13°C. The left drawing of Fig. 11(a) is a frequency-impedance curve for the case where the mixing ratio is 16.7%, 67.7%, and 83.3%, and the right drawing of Fig. 11(a) shows only the dotted line 10 of the left drawing. to be. That is, in Fig. 11(a), the dotted line 10 is in the frequency range of 5 kHz to 15 kHz, and the frequency-impedance curve shows the most stable shape in this area. Therefore, it is decided to use the data in the frequency range of 5 kHz to 15 kHz as input data for artificial neural network modeling.

도 11(b)의 왼쪽 도면은 도 11(a)의 오른쪽 도면이며, 도 11(b)의 오른쪽 도면은, 도 11(b)의 왼쪽 도면을 혼합비에 대한 임피던스 곡선으로 변환하여 나타낸 것이다. 즉, 도 11(b)의 오른쪽 도면에서, 사각형으로 두른 각 데이터들은 각각 16.7%(11), 67.7%(12), 83.3%(13)에서, 5000Hz ~ 15000Hz 주파수 구간 각 값들에 대한 임피던스를 의미하는 것이다. 도 11(c)의 왼쪽 도면은 도 11(b)의 오른쪽 도면이며, 도 11(c)의 오른쪽 도면은, 도 11(c)의 왼쪽 도면의 그래프에 대하여 곡선 맞춤(curve fitting)을 수행한 그래프이다.The left side of FIG. 11(b) is the right side of FIG. 11(a), and the right side of FIG. 11(b) shows the conversion of the left side of FIG. 11(b) into an impedance curve for a mixing ratio. That is, in the right figure of Fig. 11(b), each data enclosed in a square represents the impedance for each value in the frequency range of 5000Hz to 15000Hz at 16.7% (11), 67.7% (12), and 83.3% (13), respectively. It is to do. The left side of FIG. 11(c) is the right side of FIG. 11(b), and the right side of FIG. 11(c) is a curve fitting for the graph of the left side of FIG. 11(c). It is a graph.

도 12는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델링을 위한 전처리 과정으로서, 특정 혼합비에서 다양한 온도에 대한 주파수와 임피던스의 관계를 나타내는 그래프이다.12 is a pre-processing process for modeling an artificial neural network for calculating a mixing ratio of a main material and a hardened material, and is a graph showing the relationship between frequencies and impedances for various temperatures at a specific mixing ratio.

도 12(a)의 왼쪽 도면은 측정 온도가 각각 10, 13, 17, 22, 35, 38℃인 경우에 대한 주파수-임피던스 곡선이며, 도 12(a)의 오른쪽 도면은 왼쪽 도면의 점선 부분(20)만을 도시한 도면이다. 즉, 도 12(a)에서 점선 부분(10)은 주파수 5kHz ~ 15kHz 영역이며, 이 영역에서 주파수-임피던스 곡선이 가장 안정적인 형태를 보인다. 따라서 이러한 주파수 5kHz ~ 15kHz 영역의 데이터를 인공신경망 모델링의 입력 데이터로 사용하기로 결정한다.The left drawing of Fig. 12(a) is a frequency-impedance curve for the case where the measured temperature is 10, 13, 17, 22, 35, and 38°C, respectively, and the right drawing of Fig. 12(a) is a dotted line part of the left drawing ( It is a diagram showing only 20). That is, in Fig. 12(a), the dotted line 10 is in a frequency range of 5 kHz to 15 kHz, and in this area, the frequency-impedance curve shows the most stable shape. Therefore, it is decided to use the data in the frequency range of 5 kHz to 15 kHz as input data for artificial neural network modeling.

도 12(b)의 왼쪽 도면은 도 12(a)의 오른쪽 도면이며, 도 12(b)의 오른쪽 도면은, 도 12(b)의 왼쪽 도면을 온도에 대한 임피던스 곡선으로 변환하여 나타낸 것이다. 즉, 도 12(b)의 오른쪽 도면에서, 사각형으로 두른 각 데이터들은 각각 10℃(21), 13℃(22), 17℃(23), 22℃(24), 35℃(25), 38℃(26)에서, 5000Hz ~ 15000Hz 주파수 구간 각 값들에 대한 임피던스를 의미하는 것이다. 도 12(c)의 왼쪽 도면은 도 12(b)의 오른쪽 도면이며, 도 12(c)의 오른쪽 도면은, 도 12(c)의 왼쪽 도면의 그래프에 대하여 곡선 맞춤(curve fitting)을 수행한 그래프이다.The left side of FIG. 12(b) is the right side of FIG. 12(a), and the right side of FIG. 12(b) shows the conversion of the left side of FIG. 12(b) into an impedance curve with respect to temperature. That is, in the figure on the right of FIG. 12(b), each data wrapped in a square is 10℃(21), 13℃(22), 17℃(23), 22℃(24), 35℃(25), 38, respectively. In ℃ (26), it means the impedance for each value of the frequency interval 5000Hz ~ 15000Hz. The left side of FIG. 12(c) is the right side of FIG. 12(b), and the right side of FIG. 12(c) is a curve fitting with respect to the graph of the left side of FIG. 12(c). It is a graph.

도 13은 온도, 주파수 및 임피던스의 관계를, 주재와 경화재의 혼합비를 달리해가면서 측정하여 3차원 그래프로써 나타내는 그래프이다.13 is a graph showing the relationship between temperature, frequency, and impedance as a three-dimensional graph by measuring the mixing ratio of the main material and the hardened material while varying.

도 8 내지 도 12의 데이터를 종합한 결과가 도 13(a)의 3차원 그래프가 되는 것이다. 도 13의 3차원 좌표계의 수평축은 온도와 주파수이고, 수직축은 임피던스이며, 좌표계에 도시된 다수의 각 곡면은 등혼합비 면이다. 즉, 각 곡면은 각각, 특정한 혼합비에서의 온도, 주파수 및 임피던스 곡면을 도시한 것이다. 예를 들어 각 곡면은 혼합비가 16.7% ~ 83.3% 중 특정한 혼합비에 대한 온도, 주파수 및 임피던스 곡면이다. 이와 같은 도 13(a)의 측정 데이터로부터, 혼합비 산출을 위한 인공신경망 모델 형성을 위한 기계학습(machine learning) 용 테스트 데이터를 다수 추출하여 모델링을 수행하는 것이다.The result of synthesizing the data of FIGS. 8 to 12 becomes a three-dimensional graph of FIG. 13(a). The horizontal axis of the 3D coordinate system of FIG. 13 is temperature and frequency, the vertical axis is impedance, and each of the plurality of curved surfaces shown in the coordinate system is an equal mixing ratio surface. That is, each curved surface shows a temperature, frequency, and impedance curve at a specific mixing ratio. For example, each curved surface is a temperature, frequency, and impedance surface for a specific mixing ratio of 16.7% to 83.3% of the mixing ratio. Modeling is performed by extracting a large number of test data for machine learning for forming an artificial neural network model for calculating the mixing ratio from the measurement data of FIG. 13(a).

도 13(b)는 그와 같이 사용되는 데이터의 일 실시예를 도시한 표이다. 도 13(b)의 표에서, 각 행(row)는 도 13(a)에서 특정한 온도(℃)에서, 온도축에 수직한 면을 세운 경우, 그 수직면이 특정한 혼합비 곡면과 교차하는 곡선에 대한 임피던스 값(kΩ)을 나타내는 것이다. 즉, 도 13(b)에서 1번 행(row)는, 'A' 컬럼(column)에 나타낸 바와 같이 13℃에서, 'BA' 컬럼이 나타낸 바와 같이 혼합비 20%인 경우에, 특정 주파수 구간에 대한 임피던스 값을 나타낸다. 컬럼 'B' 부터 컬럼 'AZ'까지의 각 값들은 각각, 주파수의 특정 구간을 n개로 분할하여 n개의 각 주파수에 대한 임피던스 값을 나타낸 것이다. 이 경우 인공신경망 모델의 입력 데이터는 온도와 임피던스의 2차원 데이터로 입력될 수도 있다.13(b) is a table showing an example of data used as such. In the table of Fig. 13(b), each row is for a curve in which the vertical surface intersects a specific mixing ratio curve when a surface perpendicular to the temperature axis is erected at a specific temperature (℃) in Fig. 13(a). It represents the impedance value (kΩ). That is, in FIG. 13(b), row 1 is in a specific frequency section at 13°C as shown in the'A' column, and when the mixing ratio is 20% as shown in the'BA' column. Represents the impedance value for Each value from column'B' to column'AZ' represents an impedance value for each of n frequencies by dividing a specific section of frequency into n. In this case, the input data of the artificial neural network model may be input as two-dimensional data of temperature and impedance.

즉, 인공신경망 모델링을 위한 기계학습(machine learning)에서는 각 행(row)이 1세트의 입력 데이터 및 목표 데이터가 되어, 온도(A 컬럼), 임피던스(B ~ AZ 컬럼)의 데이터를 입력하고, 이로부터 인공신경망에서 출력한 혼합비 값을, 이미 알고 있는 혼합비 %값(해당 row의 BA 컬럼)과 비교하여, 그 차이로부터 인공신경망의 내부 가중치 등을 재설정하며, 이와 같은 과정을 다수의 세트 데이터(도 13(b)의 각 row 데이터)에 대하여 실행하는 학습을 거쳐 모델링을 수행하게 된다.That is, in machine learning for artificial neural network modeling, each row becomes a set of input data and target data, and data of temperature (A column) and impedance (B to AZ columns) are input, and From this, the mixing ratio value output from the artificial neural network is compared with the known mixing ratio% value (BA column of the corresponding row), and the internal weight of the artificial neural network is reset from the difference, and the same process is performed with a number of set data ( Modeling is performed through learning to be executed for each row data in FIG. 13(b).

도 14는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델에 의해 혼합비를 측정한 결과를 나타내는 표이다.14 is a table showing the results of measuring the mixing ratio by the artificial neural network model for calculating the mixing ratio of the main material and the hardened material.

즉, 도 14는 도 13을 참조하여 설명한 바와 같이 모델링된 혼합비 산출 인공신경망 모델에 대하여, 테스트한 결과를 나타낸다. 도 14의 표에서 'No' 컬럼은 테스트 회차를 의미한다. 1회차의 예에서는, 온도 28.57℃(Temp. 컬럼)에서 혼합비 19.48%(Ratio 컬럼)인 경우에, 혼합비 산출 인공신경망 모델에서 산출한 혼합비(Predicted 컬럼)가 20.79%이며, 여기서 1.31%(Diff. 컬럼)를 뺀 것이 실제 혼합비 19.48%가 됨으로써, 오차율(Error(%) 컬럼)이 -6.71%가 됨을 나타낸다. 전체 10회에 대하여 평균오차 -0.63%가 되며, 실제로 더욱 많은 횟수의 테스트에서도 큰 차이가 없는 오차율을 나타내어 매우 정확한 혼합비 산출 모델이 형성되었음을 알 수 있다.That is, FIG. 14 shows the results of testing the artificial neural network model for calculating the mixing ratio modeled as described with reference to FIG. 13. In the table of FIG. 14, the'No' column means a test run. In the example of the first round, when the mixing ratio is 19.48% (Ratio column) at a temperature of 28.57°C (Temp. column), the mixing ratio calculated by the artificial neural network model for calculating the mixing ratio (Predicted column) is 20.79%, where 1.31% (Diff. Column) becomes 19.48% of the actual mixing ratio, indicating that the error rate (Error (%) column) becomes -6.71%. The average error is -0.63% for all 10 times, and in fact, the error rate shows no significant difference even in many more tests, indicating that a very accurate mixing ratio calculation model has been formed.

도 15는 주재와 경화재의 혼합비 산출을 위한 인공신경망 모델의 일 실시예로서, CNN(convolutional neural network)을 이용한 경우의 인공신경망 모델을 블럭도로써 나타낸 도면이다.FIG. 15 is a block diagram showing an artificial neural network model in the case of using a convolutional neural network (CNN) as an embodiment of an artificial neural network model for calculating a mixing ratio of a main material and a hardening material.

도 15에서는 설명을 위한 일 실시예로서 CNN을 나타내었으나, 다른 형태의 인공신경망을 사용하는 것도 가능하며, 본 발명의 혼합비 산출 인공신경망 모델이 반드시 CNN으로 한정되는 것은 아니다.In FIG. 15, CNN is shown as an example for explanation, but other types of artificial neural networks may be used, and the mixed ratio calculation artificial neural network model of the present invention is not necessarily limited to CNN.

특정 온도와 해당 온도에서의 다수의 임피던스 값을 입력으로 하여, 컨벌루션 레이어를 통해 특징 벡터를 추출함으로써 분류기(classifier)로 들어갈 입력을 확정하게 된다. 이때, 특정 온도와 해당 온도에서의 다수의 임피던스 값(60)에 대하여 컨벌루션 필터(50)에 의해 컨벌루션을 수행한다. An input to a classifier is determined by extracting a feature vector through a convolutional layer by inputting a specific temperature and a plurality of impedance values at that temperature as inputs. At this time, convolution is performed by the convolution filter 50 on a specific temperature and a plurality of impedance values 60 at the corresponding temperature.

컨벌루션은 1개 이상의 컨벌루션 레이어를 통하여 수행될 수 있다. 이와 같이 1개 이상의 컨벌루션 레이어를 통하여 산출된, 특징벡터(70)를 분류기(classifier)(80)의 입력으로 확정한다. 이 경우 전술한 바와 같이 '온도'와 '해당 온도에서의 임피던스 값'을 2차원 데이터로 하여 컨벌루션을 수행하고, 분류기(classifier)(80)의 입력 역시 이와 같이 2차원 데이터로 입력될 수 있다.Convolution may be performed through one or more convolutional layers. In this way, the feature vector 70 calculated through one or more convolutional layers is determined as an input of the classifier 80. In this case, as described above, convolution is performed using'temperature' and'impedance value at the corresponding temperature' as 2D data, and the input of the classifier 80 may also be input as 2D data as described above.

분류기(classifier)(80)는 멀티레이어(multi-layer)로 구성된 인공신경망(artificial neural network)으로 형성되어 있다. 이러한 인공신경망을 이용한 분류기(80)는, 동일한 레이어 구성의 인공신경망에서 학습용 데이터를 이용하여 가중치 값을 학습시킴으로써 최종 분류기 모델로 확정된다. 여기서 가중치란, 인공신경망의 1개 이상의 레이어의 연결값의 가중치를 의미한다.The classifier 80 is formed of an artificial neural network composed of multi-layers. The classifier 80 using such an artificial neural network is determined as a final classifier model by learning a weight value using training data in an artificial neural network having the same layer configuration. Here, the weight means the weight of the connection value of one or more layers of the artificial neural network.

또한 전술한 바와 같은, 분류기(80)로 입력되는 특징벡터를 산출하는 컨벌루션 레이어와 이와 같이 멀티레이어의 인공신경망으로 형성된 분류기(80)를 합하여, 컨벌루션 인공신경망(convolutional neural network, CNN)이라 칭한다. 이때, 전술한 가중치는 인공신경망(80)의 1개 이상의 레이어의 연결값의 가중치 또는, 컨벌루션 레이어에서 컨벌루션 필터(50) 값을 의미할 수도 있다. 이것은, 인공신경망의 1개 이상의 레이어의 연결값의 가중치도 기계학습(machine learning)을 통하여 확정될 수 있을 뿐 아니라, 컨벌루션 레이어에서 컨벌루션 필터(50) 값 역시 기계학습을 통하여 최종 확정될 수 있다는 것을 의미한다. 학습 데이터를 인공신경망에 입력하고, 출력값과 실제 정답 간의 격차(loss)를 최소화하는 방향으로 gradient descent 방식의 최적화를 진행한다.In addition, as described above, a convolutional layer that calculates a feature vector input to the classifier 80 and the classifier 80 formed of a multi-layer artificial neural network are combined to be referred to as a convolutional neural network (CNN). In this case, the above-described weight may mean a weight of a connection value of one or more layers of the artificial neural network 80 or a value of the convolutional filter 50 in a convolutional layer. This indicates that not only the weight of the connection value of one or more layers of the artificial neural network can be determined through machine learning, but also the value of the convolutional filter 50 in the convolutional layer can be finally determined through machine learning. it means. The training data is input to the artificial neural network, and the gradient descent method is optimized in the direction of minimizing the loss between the output value and the actual correct answer.

이와 같은 학습에 의해 최종적으로 결정된 가중치 또는 컨벌루션 레이어 필터값에 의해 컨벌루션 인공신경망(CNN) 모델이 확정되고, 이러한 컨벌루션 인공신경망(CNN) 모델은, 입력된 온도와 임피던스 데이터에 대하여 최종적으로 해당 데이터에 대한 혼합비(90)를 산출한다. 이 경우 산출된 결과(90)는, 하나의 혼합비 값으로 산출될 수도 있고, 또는 다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출될 수도 있다. 이 경우 가장 큰 확률값을 가지는 혼합비로써 최종 혼합비를 결정할 수 있게 된다.A convolutional artificial neural network (CNN) model is determined by the weight or convolutional layer filter value finally determined by such learning, and the convolutional artificial neural network (CNN) model is finally applied to the input temperature and impedance data. The mixing ratio 90 is calculated. In this case, the calculated result 90 may be calculated as one mixing ratio value, or may be calculated as a plurality of mixing ratio values and a probability value for each mixing ratio. In this case, the final mixing ratio can be determined as the mixing ratio having the largest probability value.

도 16은 본 발명에 따른 2액형 접착제의 혼합비 측정 방법을 수행하는 순서도이다.16 is a flowchart illustrating a method of measuring a mixing ratio of a two-component adhesive according to the present invention.

이미 도 8 내지 도 15를 참조하여, 본 발명의 인공신경망 모델을 이용한 2액형 접착제의 혼합비 측정 방법에 대하여는 상세히 설명한 바 있으므로, 이하에서는 그와 같은 과정을 간략히 정리하여 서술하기로 한다.With reference to FIGS. 8 to 15, the method for measuring the mixing ratio of the two-component adhesive using the artificial neural network model of the present invention has been described in detail, and thus the process will be briefly summarized and described below.

2액형 접착제 제조 공정에서 연속적으로 제조되고 있는 2액형 접착제에 대하여, 혼합비 측정 장치(300)는 제조되고 있는 2액형 접착제에 대하여 지속적으로 혼합비가 정확히 지켜지고 있는지를 모니터링하게 된다.With respect to the two-component adhesive continuously manufactured in the two-component adhesive manufacturing process, the mixing ratio measuring device 300 continuously monitors whether the mixing ratio is accurately maintained for the two-component adhesive being manufactured.

즉, 주재와 경화재가 혼합되어, 혼합물(2액형 접착제)이 제3 임피던스 프로브(303)를 흐르게 되면(S1601), 그 2액형 접착제의 온도를 측정한다(S1602). 또한 제3 임피던스 프로브(303)에서 감지된 전기적 신호로부터 임피던스 측정부(320)에서 임피던스를 측정한다(S1603). 이 경우 앞에서 설명한 바와 같이 특정 주파수 구간, 예를 들어 임피던스 데이터가 가장 안정적으로 나온 5kHz ~ 15kHz 구간에서 n 개의 주파수를 선택하여 n 개의 각 주파수에 있어서의 임피던스를 측정하게 되는데, 이를 위해 임피던스 측정부(320)에는 그와 같이 주파수를 다양하게 변경하여 발생시킬 수 있는 주파수 생성기(frequency generator)를 구비한다. 이와 같이 측정된 온도 및, 측정된 각 주파수에 대한 임피던스 데이터는 전술한 바와 같이 기계학습(machine learning)에 의하여 형성된 인공신경망 모델의 입력 데이터로 입력되고(S1604), 해당 인공신경망 모델은 출력으로서 해당 접착제의 혼합비를 산출한다(S1605). 이때, 역시 전술한 바와 같이, 산출된 결과(90)는 하나의 혼합비 값으로 산출될 수도 있고, 또는 다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출될 수도 있다. 이 경우 가장 큰 확률값을 가지는 혼합비로써 최종 혼합비를 결정할 수 있게 된다. 이와 같은 인공신경망 모델은, 혼합비 측정 장치(300)의 판정부(340)에 포함된다.That is, when the main material and the curing material are mixed and the mixture (two-component adhesive) flows through the third impedance probe 303 (S1601), the temperature of the two-component adhesive is measured (S1602). In addition, the impedance measurement unit 320 measures the impedance from the electrical signal sensed by the third impedance probe 303 (S1603). In this case, as described above, the impedance at each of n frequencies is measured by selecting n frequencies in a specific frequency section, for example, 5 kHz to 15 kHz in which impedance data is most stable. 320) is provided with a frequency generator that can be generated by varying the frequency as such. The measured temperature and impedance data for each measured frequency are input as input data of the artificial neural network model formed by machine learning as described above (S1604), and the corresponding artificial neural network model corresponds to the output. The mixing ratio of the adhesive is calculated (S1605). In this case, also as described above, the calculated result 90 may be calculated as one mixing ratio value, or may be calculated as a plurality of mixing ratio values and probability values for each mixing ratio. In this case, the final mixing ratio can be determined as the mixing ratio having the largest probability value. Such an artificial neural network model is included in the determination unit 340 of the mixing ratio measuring apparatus 300.

이후에도 2액형 접착제 제조 공정에서 연속적으로 제조되는 2액형 접착제에 대하여, 온도 측정, 임피던스 측정 및 이에 대한 혼합비 산출을 포함하는 혼합비 모니터링 과정이 반복되게 된다.Thereafter, for the two-component adhesive continuously manufactured in the two-component adhesive manufacturing process, a mixing ratio monitoring process including temperature measurement, impedance measurement, and calculation of a mixing ratio therefor is repeated.

100: 종래 2액형 접착제 제조 시스템
110: A 탱크(주재) 120: B 탱크(경화재)
130: 압축공기부 131: A 압력 제어밸브
132: B 압력 제어밸브 140: 혼합부
150: 분배부 160: 흐름제어부
200: 본 발명의 2액형 접착제 제조 시스템
210: A 탱크(주재) 220: B 탱크(경화재)
230: 압축공기부 231: A 압력 제어밸브
232: B 압력 제어밸브 240: 혼합부
250: 분배부 260: 흐름제어부
300: 본 발명의 2액형 접착제 혼합비 측정 장치
301: 제1 임피던스 프로브 302: 제2 임피던스 프로브
303: 제3 임피던스 프로브
320: 임피던스 측정부
321: A/D 컨버터 322: 신호 처리부
330: 온도 측정부 340: 판정부
350: 데이터베이스 360: 통신부
370: 그래픽 유저 인터페이스 380: 데이터 로그부
381: 저장부100: conventional two-component adhesive manufacturing system
110: A tank (main) 120: B tank (hardening material)
130: compressed air part 131: A pressure control valve
132: B pressure control valve 140: mixing part
150: distribution unit 160: flow control unit
200: Two-component adhesive manufacturing system of the present invention
210: A tank (main) 220: B tank (hardening material)
230: compressed air part 231: A pressure control valve
232: B pressure control valve 240: mixing part
250: distribution unit 260: flow control unit
300: Two-component adhesive mixing ratio measuring device of the present invention
301: first impedance probe 302: second impedance probe
303: third impedance probe
320: impedance measuring unit
321: A/D converter 322: signal processing unit
330: temperature measurement unit 340: determination unit
350: Database 360: Ministry of Communications
370: graphic user interface 380: data log unit
381: storage

Claims (21)

2액형 접착제의 혼합비를 측정하는 방법으로서,
(a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계;
(b) 상기 전기 신호로부터 임피던스를 측정하는 단계;
(c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및,
(d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계
를 포함하고,
상기 단계(b)에서 임피던스 측정은,
기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함되며,
상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은,
5kHz ~ 15kHz 영역인,
2액형 접착제의 혼합비 측정 방법.As a method of measuring the mixing ratio of a two-component adhesive,
(a) sensing an electrical signal generated for the two-component adhesive from an impedance probe through which a two-component adhesive manufactured by mixing a main material and a curing material flows;
(b) measuring impedance from the electrical signal;
(c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And,
(d) calculating the mixing ratio of the main material and the hardening material in the two-component adhesive in the mixing ratio measurement artificial neural network model
Including,
Impedance measurement in step (b),
For n frequencies in a preset specific frequency section, impedance at each frequency is measured,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
N impedance data measured at the n frequencies are included,
The preset specific frequency section including the n frequencies,
In the range of 5 kHz to 15 kHz,
A method of measuring the mixing ratio of a two-component adhesive. 청구항 1에 있어서,
상기 단계(c) 이전에,
(a0) 상기 2액형 접착제의 온도를 측정하는 단계
를 더 포함하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 측정된 온도를 더 포함하는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 방법.The method according to claim 1,
Before step (c),
(a0) measuring the temperature of the two-component adhesive
Including more,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
Further comprising the measured temperature
Method for measuring the mixing ratio of the two-component adhesive, characterized in that. 삭제delete 청구항 1에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
1개의 혼합비 값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 방법.The method according to claim 1,
The mixing ratio calculated in step (d) is,
Calculated as one mixing ratio value
Method for measuring the mixing ratio of the two-component adhesive, characterized in that. 청구항 1에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 방법.The method according to claim 1,
The mixing ratio calculated in step (d) is,
Calculated as a number of mixing ratio values and probability values for each mixing ratio
Method for measuring the mixing ratio of the two-component adhesive, characterized in that. 청구항 1에 있어서,
상기 혼합비 측정 인공신경망 모델은,
상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성된 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 방법.The method according to claim 1,
The mixing ratio measurement artificial neural network model,
The mixing ratio measurement artificial neural network model is formed by learning by the same arranged layer as the artificial neural network
Method for measuring the mixing ratio of the two-component adhesive, characterized in that. 2액형 접착제의 혼합비를 측정하는 장치로서,
특정 주재와 경화재의 혼합물(이하 '2액형 접착제'라 한다)이 통과하는 임피던스 프로브(probe);
상기 임피던스 프로브에서 감지된 전기신호로부터 임피던스를 측정하는 임피던스 측정부; 및,
상기 측정된 임피던스를 입력 데이터로 하는 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)의 출력으로서, 상기 2액형 접착제에 대한 주재와 경화재의 혼합비를 산출하는 판정부
를 포함하고,
상기 임피던스 측정부는,
다양한 주파수를 발생할 수 있는 주파수 발생기(frequency generator)
를 포함하고,
상기 임피던스 측정부는,
상기 주파수 발생기에 의해 발생된, 기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하며,
상기 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함되고,
상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은,
5kHz ~ 15kHz 영역인,
2액형 접착제의 혼합비 측정 장치.A device that measures the mixing ratio of a two-component adhesive,
An impedance probe through which a mixture of a specific main material and a hardening material (hereinafter referred to as'two-component adhesive') passes;
An impedance measuring unit measuring impedance from the electric signal sensed by the impedance probe; And,
As an output of an artificial neural network model (hereinafter referred to as'mixing ratio measurement artificial neural network model') using the measured impedance as input data, a determination unit that calculates the mixing ratio of the main material and the hardening material for the two-component adhesive
Including,
The impedance measuring unit,
Frequency generator capable of generating various frequencies
Including,
The impedance measuring unit,
For n frequencies in a predetermined specific frequency section generated by the frequency generator, impedance at each frequency is measured,
In the input data of the mixing ratio measurement artificial neural network model,
N impedance data measured at the n frequencies are included,
The preset specific frequency section including the n frequencies,
In the range of 5 kHz to 15 kHz,
A device for measuring the mixing ratio of a two-component adhesive. 청구항 7에 있어서,
상기 2액형 접착제의 온도를 측정하는 온도 측정부
를 더 포함하고,
상기 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 온도 측정부에서 측정된 온도를 더 포함하는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 장치.The method of claim 7,
Temperature measuring unit for measuring the temperature of the two-component adhesive
Including more,
In the input data of the mixing ratio measurement artificial neural network model,
Further comprising the temperature measured by the temperature measuring unit
A device for measuring a mixing ratio of a two-component adhesive, characterized in that. 삭제delete 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램으로서,
비일시적 저장 매체에 저장되며, 프로세서에 의하여,
(a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계;
(b) 상기 전기 신호로부터 임피던스를 측정하는 단계;
(c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및,
(d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계
가 실행되도록 하는 명령을 포함하고,
상기 단계(b)에서 임피던스 측정은,
기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함되며,
상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은,
5kHz ~ 15kHz 영역인,
2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램.As a computer program for measuring the mixing ratio of a two-component adhesive,
It is stored in a non-transitory storage medium, and by the processor,
(a) sensing an electrical signal generated for the two-component adhesive from an impedance probe through which a two-component adhesive manufactured by mixing a main material and a curing material flows;
(b) measuring impedance from the electrical signal;
(c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And,
(d) calculating the mixing ratio of the main material and the hardening material in the two-component adhesive in the mixing ratio measurement artificial neural network model
Contains a command that causes the command to be executed,
Impedance measurement in step (b),
For n frequencies in a preset specific frequency section, impedance at each frequency is measured,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
N impedance data measured at the n frequencies are included,
The preset specific frequency section including the n frequencies,
In the range of 5 kHz to 15 kHz,
Computer program for measuring the mixing ratio of a two-part adhesive. 청구항 10에 있어서,
상기 단계(c) 이전에,
(a0) 상기 2액형 접착제의 온도를 측정하는 단계
를 더 포함하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 측정된 온도를 더 포함하는 것
을 특징으로 하는 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램.The method of claim 10,
Before step (c),
(a0) measuring the temperature of the two-component adhesive
Including more,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
Further comprising the measured temperature
Computer program for measuring the mixing ratio of the two-component adhesive, characterized in that. 삭제delete 청구항 10에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
1개의 혼합비 값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램.The method of claim 10,
The mixing ratio calculated in step (d) is,
Calculated as one mixing ratio value
Computer program for measuring the mixing ratio of the two-component adhesive, characterized in that. 청구항 10에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램.The method of claim 10,
The mixing ratio calculated in step (d) is,
Calculated as a number of mixing ratio values and probability values for each mixing ratio
Computer program for measuring the mixing ratio of the two-component adhesive, characterized in that. 청구항 10에 있어서,
상기 혼합비 측정 인공신경망 모델은,
상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성된 것
을 특징으로 하는 2액형 접착제의 혼합비를 측정하기 위한 컴퓨터 프로그램.The method of claim 10,
The mixing ratio measurement artificial neural network model,
The mixing ratio measurement artificial neural network model is formed by learning by the same arranged layer as the artificial neural network
Computer program for measuring the mixing ratio of the two-component adhesive, characterized in that. 2액형 접착제의 혼합비를 측정하는 장치로서,
적어도 하나의 프로세서; 및,
컴퓨터로 실행가능한 명령을 저장하는 적어도 하나의 메모리를 포함하되,
상기 적어도 하나의 메모리에 저장된 상기 컴퓨터로 실행가능한 명령은, 상기 적어도 하나의 프로세서에 의하여,
(a) 주재와 경화재가 혼합되어 제조된 2액형 접착제가 흐르는 임피던스 프로브로부터, 상기 2액형 접착제에 대하여 발생되는 전기 신호를 감지하는 단계;
(b) 상기 전기 신호로부터 임피던스를 측정하는 단계;
(c) 상기 임피던스 데이터를, 혼합비 측정을 위한 인공신경망 모델(이하, '혼합비 측정 인공신경망 모델'이라 한다)에 입력 데이터로서 입력하는 단계; 및,
(d) 상기 혼합비 측정 인공신경망 모델에서 해당 2액형 접착제에서의 주재와 경화재의 혼합비를 산출하는 단계
가 실행되도록 하고,
상기 단계(b)에서 임피던스 측정은,
기 설정된 특정 주파수 구간의 n 개의 주파수에 대하여, 각각의 주파수에 있어서의 임피던스를 측정하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 n 개의 주파수에 있어서 측정된 n 개의 임피던스 데이터가 포함되며,
상기 n 개의 주파수가 포함된 상기 기 설정된 특정 주파수 구간은,
5kHz ~ 15kHz 영역인,
2액형 접착제의 혼합비 측정 장치.A device that measures the mixing ratio of a two-component adhesive,
At least one processor; And,
Including at least one memory for storing computer-executable instructions,
The computer-executable instruction stored in the at least one memory, by the at least one processor,
(a) sensing an electrical signal generated for the two-component adhesive from an impedance probe through which a two-component adhesive manufactured by mixing a main material and a curing material flows;
(b) measuring impedance from the electrical signal;
(c) inputting the impedance data as input data to an artificial neural network model for measuring a mixing ratio (hereinafter referred to as a'mixing ratio measuring artificial neural network model'); And,
(d) calculating the mixing ratio of the main material and the hardening material in the two-component adhesive in the mixing ratio measurement artificial neural network model
To run,
Impedance measurement in step (b),
For n frequencies in a preset specific frequency section, impedance at each frequency is measured,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
N impedance data measured at the n frequencies are included,
The preset specific frequency section including the n frequencies,
In the range of 5 kHz to 15 kHz,
A device for measuring the mixing ratio of a two-component adhesive. 청구항 16에 있어서,
상기 단계(c) 이전에,
(a0) 상기 2액형 접착제의 온도를 측정하는 단계
를 더 포함하고,
상기 단계(c)에서 혼합비 측정 인공신경망 모델의 입력 데이터에는,
상기 측정된 온도를 더 포함하는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 장치.The method of claim 16,
Before step (c),
(a0) measuring the temperature of the two-component adhesive
Including more,
In the input data of the artificial neural network model measuring the mixing ratio in step (c),
Further comprising the measured temperature
A device for measuring a mixing ratio of a two-component adhesive, characterized in that. 삭제delete 청구항 16에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
1개의 혼합비 값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 장치.The method of claim 16,
The mixing ratio calculated in step (d) is,
Calculated as one mixing ratio value
A device for measuring a mixing ratio of a two-component adhesive, characterized in that. 청구항 16에 있어서,
상기 단계(d)에서 산출되는 혼합비는,
다수의 혼합비 값 및, 각 혼합비에 대한 확률값으로 산출되는 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 장치.The method of claim 16,
The mixing ratio calculated in step (d) is,
Calculated as a number of mixing ratio values and probability values for each mixing ratio
A device for measuring a mixing ratio of a two-component adhesive, characterized in that. 청구항 16에 있어서,
상기 혼합비 측정 인공신경망 모델은,
상기 혼합비 측정 인공신경망 모델의 인공신경망과 동일하게 배열된 레이어에 의해 학습되어 형성된 것
을 특징으로 하는 2액형 접착제의 혼합비 측정 장치.The method of claim 16,
The mixing ratio measurement artificial neural network model,
The mixing ratio measurement artificial neural network model is formed by learning by the same arranged layer as the artificial neural network
A device for measuring a mixing ratio of a two-component adhesive, characterized in that.
KR1020190009985A 2019-01-25 2019-01-25 Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network KR102242569B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190009985A KR102242569B1 (en) 2019-01-25 2019-01-25 Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190009985A KR102242569B1 (en) 2019-01-25 2019-01-25 Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network

Publications (2)

Publication Number Publication Date
KR20200094855A KR20200094855A (en) 2020-08-10
KR102242569B1 true KR102242569B1 (en) 2021-04-20

Family

ID=72049297

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190009985A KR102242569B1 (en) 2019-01-25 2019-01-25 Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network

Country Status (1)

Country Link
KR (1) KR102242569B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009092633A (en) * 2007-10-12 2009-04-30 Denso Corp Impedance sensor
JP2010022908A (en) * 2008-07-16 2010-02-04 Saburo Miyazaki Two liquid mixer

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090078501A (en) * 2008-01-15 2009-07-20 부산대학교 산학협력단 Apparatus and method for prediction of influent flow rate and influent components using artificial neural network
KR20080000366U (en) * 2008-03-06 2008-04-01 김동식 Fuel oil and water mixing (emulsified oil) control device
KR101520859B1 (en) 2013-07-15 2015-05-18 주식회사 디앤씨 apparatus for making two-component type adhesive

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009092633A (en) * 2007-10-12 2009-04-30 Denso Corp Impedance sensor
JP2010022908A (en) * 2008-07-16 2010-02-04 Saburo Miyazaki Two liquid mixer

Also Published As

Publication number Publication date
KR20200094855A (en) 2020-08-10

Similar Documents

Publication Publication Date Title
CN107609308A (en) The measuring method and device of equivalent resistance at cable connector connecting tube
CN111024821A (en) Composite material storage box health monitoring system and method
US20100211339A1 (en) Diagnostic method for determining deformations in a transformer winding
CN106918550A (en) A kind of optical fiber sensing monitoring steel bar corrosion method
CN109406629A (en) A kind of test block of the angle R and production method for composite structure ultrasound detection
CN109632153B (en) Real-time testing method for vertical load and horizontal displacement of shock insulation rubber support
CN108120907A (en) The partial discharge diagnostic method of feature extraction under a kind of tremendously low frequency voltage based on power frequency
US20140372052A1 (en) Method and device for determining the defect type of a partial discharge
CN107085633B (en) Device and method for multi-point vibration response frequency domain prediction based on support vector machine
CN107330218A (en) Axial pin type sensor and its radial load demarcation and computational methods, device and system
KR102242569B1 (en) Apparatus, method and computer program for monitoring mixing ratio of two-component type adhesive by using artificial neural network
CN104717595B (en) A kind of detection method, the detection means of loudspeaker module function
CN106197334A (en) Transformer Winding ultrasound wave online three-dimensional imaging monitoring method and system
CN105527596B (en) A kind of wafer acceptance testing board pressurization calibration method
KR20210059924A (en) Measuring system and method of metal material property
US10801914B2 (en) Method for detecting deterioration defect of structural part using structural unit
CN109030132A (en) A kind of creep impairment reference block preparation method, damage detecting method and system
CN106643975A (en) Separate electrode continuous material level indicator and measuring method thereof
CN105448858B (en) The packaging and testing apparatus and method of fingerprint detection chip
CN111579870B (en) Structural member damage monitoring and accumulation degree diagnosis method
CN206177407U (en) Continuous charge level indicator of components of a whole that can function independently electrode
CN110470909B (en) Method and device for testing dielectric constant
KR102205153B1 (en) Apparatus and method for monitoring mixing ratio of two-component type adhesive
CN110057330B (en) Line width measuring method and line width measuring system
CN108119129B (en) Grout surveys scurries subassembly

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant