KR102287659B1 - 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법 - Google Patents

플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102287659B1
KR102287659B1 KR1020190124246A KR20190124246A KR102287659B1 KR 102287659 B1 KR102287659 B1 KR 102287659B1 KR 1020190124246 A KR1020190124246 A KR 1020190124246A KR 20190124246 A KR20190124246 A KR 20190124246A KR 102287659 B1 KR102287659 B1 KR 102287659B1
Authority
KR
South Korea
Prior art keywords
occurrence
sensor
predicting
injection molding
failure
Prior art date
Application number
KR1020190124246A
Other languages
English (en)
Other versions
KR20210041699A (ko
Inventor
류광렬
김세영
Original Assignee
부산대학교 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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020190124246A priority Critical patent/KR102287659B1/ko
Publication of KR20210041699A publication Critical patent/KR20210041699A/ko
Application granted granted Critical
Publication of KR102287659B1 publication Critical patent/KR102287659B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/768—Detecting defective moulding conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법이 제시된다. 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템은, 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 모니터링 모듈; 및 수집된 상기 센서 값을 이용하여 불량 발생을 예측하는 불량 발생 예측 모듈을 포함하고, 상기 불량 발생 예측 모듈은, 수집된 상기 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보하는 불량 발생 예보부를 포함하여 이루어질 수 있다.

Description

플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법{Fault Detection System and Method in Plastic Injection Molding Process}
아래의 실시예들은 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 플라스틱 사출 성형 공정에서 불량 발생을 예측하는 시스템 및 방법에 관한 것이다.
사출 성형(injection molding)은 용융 상태의 수지를 금형의 내부에 주입 후 냉각하여 제품을 형성하는 공법으로, 압축 성형(compression molding), 압출 성형(extrusion molding) 등의 다른 성형 공법에 비해 제품의 형태 및 사이즈에 제한이 적으며 생산성 및 작업 능률이 우수하여 플라스틱 제품의 성형에 폭넓게 사용되고 있다.
일반적으로 플라스틱 사출 성형은 열가소성 플라스틱 가공법으로 플라스틱 수지를 녹인 뒤 압력을 가하여 금형에 밀어 넣고 냉각시켜 제품을 생산하는 공정이다. 사출 성형기는 사출 성형 공정을 수행하는 기계로서, 사출 성형기에 사출 온도, 사출 압력, 사출 속도 등 성형 조건을 입력하면 그에 따라 사출 성형기가 동작하며 제품을 생산한다.
사출 성형기에 성형 조건을 입력하더라도 주변 환경 및 기계적인 이유로 성형 조건을 따르지 못할 수가 있으며 이로 인해 불량이 발생할 수 있다. 사출 성형기로 인한 원인 외에도 금형 온도, 원소재의 상태 등에 의해 불량이 발생할 수 있다.
사출 성형 공정 중 불량이 발생할 경우, 작업자가 이를 발견할 때까지 불량품 생산이 지속되므로 생산성 손실을 막기 위해서는 불량 발생을 사전에 예보하거나 불량이 발생한 후라도 이를 가능한 한 조기에 감지하여 작업자에게 알려주는 기술이 필요하다.
사출 성형기에 설치된 각종 센서를 통해 공정 상황을 모니터링 하여 센서 값에 이상이 있을 시 경보를 울리는 시스템이 사출 성형기에 이미 탑재되어 있으나, 이상 정도를 작업자가 직접 설정해야 하며, 설정한 센서 값을 초과할 때 경보를 울리게 되어 있지만 설정 값을 초과하지 않더라도 불량이 발생할 수 있다는 한계가 있다.
한국등록특허 10-1730133호는 이러한 사출성형 플라스틱의 검사방법에 관한 것으로, 연속적으로 사출되어 이송되는 사출 성형 플라스틱 제품에 대하여 영상분석을 통해 플라스틱 제품의 불량을 감지하도록 하는 사출성형 플라스틱 불량 검사방법에 관한 기술을 기재하고 있다.
한국등록특허 10-1730133호
실시예들은 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법에 관하여 기술하며, 보다 구체적으로 불량 발생 예측 모듈이 불량 발생을 예측하는 방법과 예측에 필요한 파라미터들을 학습하는 기술을 제공한다.
실시예들은 사출 성형기 및 주변 기기의 센서 값 등을 이용하여 센서 값이 정상치에 비해 소정의 임계 값을 초과할 때 불량 발생을 예측함으로써, 불량 발생 예보를 통해 불량 발생 상황이 지속되는 것을 막고 조기에 대처하여 생산성을 향상시킬 수 있는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법을 제공하는데 있다.
일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템은, 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 모니터링 모듈; 및 수집된 상기 센서 값을 이용하여 불량 발생을 예측하는 불량 발생 예측 모듈을 포함하고, 상기 불량 발생 예측 모듈은, 수집된 상기 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보하는 불량 발생 예보부를 포함하여 이루어질 수 있다.
상기 불량 발생 예측 모듈은, 상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습하는 파라미터 학습부를 더 포함할 수 있다.
상기 모니터링 모듈은, 상기 사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클인 매 샷 별 상기 센서 값들을 모니터링하며, 상기 불량 발생 예측 모듈의 불량 발생 예보부는, 매 샷마다 수집된 상기 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 또는 분산이 정상 생산 기간의 평균 또는 분산에 비해 얼마나 차이가 있는지를 비교하여, 수집된 상기 센서 값이 기설정된 상기 임계 값을 초과하면 유의 센서로 분류하고, 상기 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보할 수 있다.
상기 불량 발생 예측 모듈의 불량 발생 예보부는, 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정할 수 있다.
상기 불량 발생 예측 모듈은, 상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습하는 파라미터 학습부를 더 포함하고, 상기 파라미터 학습부는, 상기 불량 발생 예측을 위한 파라미터를 유전 알고리즘을 이용하여 학습하여 결정할 수 있다.
다른 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법은, 모니터링 모듈을 통해 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 단계; 및 불량 발생 예측 모듈에서 수집된 상기 센서 값을 이용하여 불량 발생을 예측하는 단계를 포함하고, 상기 센서 값을 이용하여 불량 발생을 예측하는 단계는, 수집된 상기 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보할 수 있다.
상기 센서 값을 이용하여 불량 발생을 예측하는 단계는, 상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습할 수 있다.
상기 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 단계는, 상기 사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클인 매 샷 별 상기 센서 값들을 모니터링하며, 상기 센서 값을 이용하여 불량 발생을 예측하는 단계는, 매 샷마다 수집된 상기 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 또는 분산이 정상 생산 기간의 평균 또는 분산에 비해 얼마나 차이가 있는지를 비교하는 단계; 수집된 상기 센서 값이 기설정된 상기 임계 값을 초과하면 유의 센서로 분류하는 단계; 및 상기 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보하는 단계를 포함할 수 있다.
상기 센서 값을 이용하여 불량 발생을 예측하는 단계는, 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정하는 단계를 더 포함할 수 있다.
상기 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정하는 단계는, 상기 불량 발생 예측을 위한 파라미터는 유전 알고리즘을 이용하여 학습하여 결정할 수 있다.
실시예들에 따르면 사출 성형기 및 주변 기기의 센서 값 등을 이용하여 센서 값이 정상치에 비해 소정의 임계 값을 초과할 때 불량 발생을 예측함으로써, 불량 발생 예보를 통해 불량 발생 상황이 지속되는 것을 막고 조기에 대처하여 생산성을 향상시킬 수 있는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법을 제공할 수 있다.
실시예들에 따르면 사출 성형 공정 중 불량이 발생하는 경우를 미리 예측하여 사전에 작업자 또는 대응 시스템에 예보하거나, 불량이 발생한 후라도 이를 가능한 한 조기에 감지하여 작업자 또는 대응 시스템에 예보함으로써 불량품 생산을 막을 수 있는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법을 제공할 수 있다.
도 1a은 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템을 개략적으로 나타내는 도면이다.
도 1b는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템을 나타내는 블록도이다.
도 2a는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법을 나타내는 흐름도이다.
도 2b는 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 센서 값의 평균을 이용한 유의 센서 판별 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 센서 값의 분산을 이용한 유의 센서 판별 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법을 나타내는 도면이다.
도 6은 일 실시예에 따른 유전 알고리즘 해의 표현을 나타낸다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 플라스틱 사출 성형 공정에서 불량 발생을 예측하는 시스템 및 방법에 관한 것으로, 불량 발생 예측 모듈을 통해 불량 발생을 예측하는 방법과 예측에 필요한 파라미터들을 학습하는 기술을 제공한다. 실시예들은 사출 성형기 및 주변 기기의 센서 값 등을 이용하여 센서 값이 정상치에 비해 소정의 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 불량 발생을 예측할 수 있다. 이에 따라 불량 발생을 예보하여 불량 발생 상황이 지속되는 것을 막고 조기에 대처하여 생산성을 향상시킬 수 있다.
도 1a은 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템을 개략적으로 나타내는 도면이다. 그리고 도 1b는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템을 나타내는 블록도이다.
도 1a 및 도 1b을 참조하면, 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템(100)을 나타내며, 플라스틱 사출 성형 공정을 실시간으로 모니터링하고 불량 발생을 예보할 수 있다.
일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템(100)은 모니터링 모듈(110) 및 불량 발생 예측 모듈(120)을 포함하여 이루어질 수 있다. 이 때, 불량 발생 예측 모듈(120)은 불량 발생 예보부(121) 및 파라미터 학습부(122)를 포함하여 이루어질 수 있다.
모니터링 모듈(110)은 플라스틱 사출 성형 공정 중 발생하는 사출 성형기(10) 및/또는 주변 기기의 센서 값을 실시간으로 수집할 수 있다.
여기서, 사출 성형기(10)는 플라스틱의 사출 성형 공정을 수행하는 기계로, 사출 성형기(10)에 사출 온도, 사출 압력, 사출 속도 등 성형 조건을 입력하면 그에 따라 사출 성형기(10)가 동작하며 제품을 생산한다. 사출 성형기(10)에 성형 조건을 입력하더라도 주변 환경 및 기계적인 이유로 성형 조건을 따르지 못할 수가 있으며 이로 인해 불량이 발생할 수 있다. 또한, 주변 기기는 사출 성형을 돕는 기기로, 사출 성형기(10)로 인한 원인 외에도 금형 온도, 원소재의 상태 등에 의해 불량이 발생할 수 있다.
불량 발생 예측 모듈(120)은 모니터링 모듈(110)에서 수집된 센서 값들을 이용하여 불량 발생을 예측할 수 있다. 보다 구체적으로, 불량 발생 예측 모듈(120)은 수집된 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 작업자(20) 또는 대응 시스템에 예보할 수 있다. 이에 따라 작업자(20) 또는 대응 시스템은 불량 발생 예보를 전달 받는 경우, 사출 성형기(10) 및/또는 주변 기기의 불량 발생에 대응할 수 있다.
여기에서는 불량 발생 예측 모듈(120)을 통해 불량 발생을 예측하는 방법과 예측에 필요한 파라미터들을 학습하는 방법을 제공한다.
불량 발생 예측 모듈(120)이 불량 발생을 예측하는 방법은 센서 값이 정상치에 비해 소정의 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보하며, 각 센서 별 이상 발생을 판단하는 기준이 되는 임계 값은 유전 알고리즘을 기반으로 학습할 수 있다.
도 2a는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법을 나타내는 흐름도이다.
도 2a를 참조하면, 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법은, 모니터링 모듈을 통해 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 단계(S110), 및 불량 발생 예측 모듈에서 수집된 센서 값을 이용하여 불량 발생을 예측하는 단계(S120)를 포함하여 이루어질 수 있다. 이 때, 센서 값을 이용하여 불량 발생을 예측하는 단계(S120)는, 수집된 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보할 수 있다.
또한, 도 2b는 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법을 나타내는 흐름도이다.
도 2b를 참조하면, 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법은, 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 유의 센서의 개수를 결정하는 단계(S121)를 포함할 수 있다.
또한, 매 샷마다 수집된 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 또는 분산이 정상 생산 기간의 평균 또는 분산에 비해 얼마나 차이가 있는지를 비교하는 단계(S122), 수집된 센서 값이 기설정된 임계 값을 초과하면 유의 센서로 분류하는 단계(S123) 및 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보하는 단계(S124)를 포함할 수 있다. 이러한 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법은 도 2a에서 설명한 센서 값을 이용하여 불량 발생을 예측하는 단계(S120)에 포함될 수 있다.
아래에서 도 2a 및 도 2b를 참조하여 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법을 예를 들어 설명한다.
일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 도 1a 및 도 1b에서 설명한 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템(100)을 이용하여 보다 구체적으로 설명할 수 있다.
상술한 바와 같이, 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템(100)은 모니터링 모듈(110) 및 불량 발생 예측 모듈(120)을 포함하여 이루어질 수 있다. 여기서, 불량 발생 예측 모듈(120)은 불량 발생 예보부(121) 및 파라미터 학습부(122)를 포함하여 이루어질 수 있다.
단계(S110)에서, 모니터링 모듈(110)은 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집할 수 있다. 예를 들어, 모니터링 모듈(110)은 사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클인 매 샷 별 센서 값들을 모니터링할 수 있다.
단계(S120)에서, 불량 발생 예측 모듈(120)은 수집된 센서 값을 이용하여 불량 발생을 예측할 수 있다.
이 때, 불량 발생 예측 모듈(120)의 불량 발생 예보부(121)는 수집된 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보할 수 있다.
보다 구체적으로, 단계(S121)에서, 불량 발생 예보부(121)는 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 유의 센서의 개수를 결정할 수 있다.
단계(S122)에서, 불량 발생 예보부(121)는 매 샷마다 수집된 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 또는 분산이 정상 생산 기간의 평균 또는 분산에 비해 얼마나 차이가 있는지를 비교할 수 있다.
단계(S123)에서, 불량 발생 예보부(121)는 수집된 센서 값이 기설정된 임계 값을 초과하면 유의 센서로 분류할 수 있다.
단계(S124)에서, 불량 발생 예보부(121)는 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보할 수 있다.
또한, 불량 발생 예측 모듈(120)의 파라미터 학습부(122)는 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 임계 값을 유전 알고리즘을 기반으로 학습할 수 있다. 파라미터 학습부(122)는 이상 발생을 판단하는 기준이 되는 임계 값뿐만 아니라, 유의 센서를 판별하기 위한 센서 값 별 임계 값, 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 유의 센서의 개수 등의 불량 발생 예측을 위한 파라미터를 유전 알고리즘을 이용하여 학습하여 결정할 수 있다.
이와 같이, 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 시스템(100)을 통해 사출 성형 공정 중 불량이 발생하는 경우를 미리 예측하여 사전에 작업자 또는 대응 시스템에 예보하거나, 불량이 발생한 후라도 이를 가능한 한 조기에 감지하여 작업자 또는 대응 시스템에 예보함으로써 불량품의 생산을 막을 수 있다.
아래에서는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법을 예를 들어 설명한다. 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 센서 값의 평균 및/또는 분산을 이용하여 불량 발생을 예측할 수 있다.
도 3은 일 실시예에 따른 센서 값의 평균을 이용한 유의 센서 판별 방법을 설명하기 위한 도면이다.
사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클을 '샷’이라고 하며, 공정 중 매 샷 별 센서 값들을 모니터링하여 이상 징후를 감지할 수 있다.
평균을 이용한 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 매 샷마다 각 센서 값 별로 현재 시점부터 과거 w샷 동안의 평균이 정상 생산 기간의 평균에 비해 얼마나 차이가 있는지를 비교하여 소정의 임계 값을 초과하면 유의 센서로 분류하고, 유의 센서 개수가 일정 개수 c 이상이 되면 불량이 발생할 것으로 판단하여 예보할 수 있다.
도 3에 도시된 바와 같이, 평균을 이용한 이상 징후 판별 방법은 최근 w샷 동안의 센서 값의 평균이 정상 생산 기간의 센서 값의 평균 대비 pm% 이상 차이가 나는 경우 유의 센서로 분류할 수 있다.
이와 같이, 평균을 이용한 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 정상 생산 기간의 경우 가동을 시작한 첫 샷부터 일정 기간까지로 간주하여 그 기간 동안의 평균을 이용할 수 있으며, 전문가가 직접 기준치를 설정하는 등 다른 방법으로 설정할 수도 있다.
도 4는 일 실시예에 따른 센서 값의 분산을 이용한 유의 센서 판별 방법을 설명하기 위한 도면이다.
분산을 이용한 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 매 샷마다 각 센서 값 별로 현재 시점부터 과거 w샷 동안의 분산이 정상 생산 기간의 분산에 비해 얼마나 차이가 있는지를 비교하여 소정의 임계 값을 초과하면 유의 센서로 분류하고, 유의 센서 개수가 일정 개수 c 이상이 되면 불량이 발생할 것으로 판단하여 예보할 수 있다.
도 4에 도시된 바와 같이, 분산을 이용한 이상 징후 판별 방법은 최근 w샷 동안의 센서 값의 분산이 정상 생산 기간의 센서 값의 분산 대비 pv 이상 차이가 나는 경우 유의 센서로 분류할 수 있다.
분산을 이용한 플라스틱 사출 성형 공정의 불량 발생 예측 방법 또한 평균을 이용한 플라스틱 사출 성형 공정의 불량 발생 예측 방법과 동일하게, 정상 생산 기간의 경우 가동을 시작한 첫 샷부터 일정 기간까지로 간주하여 그 기간 동안의 분산을 이용할 수 있으며, 전문가가 직접 기준치를 설정하는 등 다른 방법으로 설정할 수도 있다.
한편, 플라스틱 사출 성형 공정의 불량 발생 예측 방법은 센서 값의 평균 또는 분산을 이용하여 불량 발생을 예측할 수 있으며, 또한 센서 값의 평균과 분산을 모두 이용하여 불량을 예측할 수 있다. 아래에서는 센서 값의 평균과 분산을 모두 이용하여 불량을 예측하는 방법 및 불량 발생을 예보하는 방법에 대해 설명한다.
도 5는 일 실시예에 따른 센서 값을 이용하여 불량 발생을 예측하는 방법을 나타내는 도면이다.
도 5는 일 실시예에 따른 플라스틱 사출 성형 공정의 불량 발생 예측 방법 중 센서 값을 이용하여 불량 발생을 예측하는 단계(S120)를 예를 들어 설명하는 것으로, 불량 발생 예측을 위한 파라미터 학습 방법을 포함하여 설명한다. 여기에서는 센서 값을 이용하여 불량 발생을 예측하는 방법을 단계(S210 내지 S270)를 통해 보다 상세히 설명한다. 상술한 바와 같이, 불량 발생 예측을 위한 파라미터 학습 방법은, 센서 값을 이용하여 불량 발생을 예측하는 단계(S120)와 마찬가지로, 불량 발생 예측 모듈(120)에 의해 수행될 수 있고, 불량 발생 예측 모듈(120)은 불량 발생 예보부(121) 및 파라미터 학습부(122)를 포함하여 이루어질 수 있다.
단계(S210)에서, 불량 발생 예측 모듈(120)은 t 시점(샷)의 불량 발생 예측을 요청할 수 있다.
단계(S220)에서, 불량 발생 예측 모듈(120)은, 불량 발생을 예측하기 위해서는 유의 센서를 판별하기 위한 센서 값 별 임계 값(pm, pv), 유의 센서 판별에 이용할 기간 w, 및 불량을 예보하기 위한 유의 센서의 개수 c를 결정해야 한다.
유의 센서 판별에 이용할 기간 w는 길어질수록 불량 발생 예측이 늦어지기 때문에 가능한 짧을수록 좋으나, 짧을수록 경향을 파악하기 어렵고 노이즈에 취약하기 때문에 불량 발생 예측이 어려우므로 학습을 통해 적절한 w를 구할 수 있다.
불량 발생 예측을 위한 파라미터는 유전 알고리즘을 이용하여 학습할 수 있다.
유전 알고리즘은 자연의 유성생식을 모방한 알고리즘으로 임의의 다양한 해들을 평가하고 평가 값이 높은 해들끼리 정보를 섞어서 새로운 해를 생성하고 이를 평가하는 과정을 반복하여 최적의 해를 찾는 최적화 알고리즘이다.
도 6은 일 실시예에 따른 유전 알고리즘 해의 표현을 나타낸다.
도 6에 도시된 바와 같이, 일 실시예에 따른 유전 알고리즘의 해의 표현을 할 수 있다. 하나의 센서 값에 대한 평균과 분산에 대한 이상 유무를 판별하기 위한 임계 값은 각 5 비트씩 총 10 비트로 1~32 범위의 정수이며, w, c는 각 3 비트로 1~8 범위의 정수이다. 이 때, 비트 수를 늘려서 값의 범위를 늘리거나 해의 표현을 달리하여 실수 값을 갖도록 표현할 수 있다.
또한, 후보 해를 학습용 데이터에 적용하여 각 데이터 별로 불량 발생 예보 시점을 찾을 수 있다. 불량 발생 사례 데이터의 경우, 불량 발생 예보 시점을 찾으면 불량 발생 예측을 성공한 것으로 간주하고, 정상 생산 데이터의 경우 불량 발생 예보 시점을 찾으면 불량 발생 예측을 잘못한 것으로 간주할 수 있다. 후보 해는 불량 발생 사례 데이터 중 불량 발생 예측을 성공한 데이터의 비율(Recall)과 모형이 불량 발생을 예측한 데이터 중 실제 불량 발생 사례 데이터의 비율(Precision)의 조화평균인 F-score로 점수를 매길 수 있다.
단계(S230)에서, 불량 발생 예측 모듈(120)은 t 시점부터 과거(최근) w샷 동안의 센서 값과, 매 샷마다 각 센서 값 별로 현재 시점부터 과거 w샷 동안의 평균 및 분산을 계산할 수 있다.
단계(S240)에서, 불량 발생 예측 모듈(120)은 매 샷마다 각 센서 값 별로 현재 시점부터 과거 w샷 동안의 분산이 정상 생산 기간의 평균 및 분산에 비해 얼마나 차이가 있는지를 비교하여 소정의 임계 값을 초과하는지 여부를 판단할 수 있다. 이 때, 단계(S250)에서, 불량 발생 예측 모듈(120)은 소정의 임계 값을 초과하는 경우 유의 센서로 분류하고, 단계(S260)에서 유의 센서 개수가 일정 개수 c 이상이 되면, 단계(S270)에서 불량이 발생할 것으로 판단하여 예보할 수 있다.
이상과 같이, 실시예들에 따르면 사출 성형기 및 주변 기기의 센서 값 등을 이용하여 센서 값이 정상치에 비해 소정의 임계 값을 초과할 때 불량 발생을 예측함으로써, 불량 발생 예보를 통해 불량 발생 상황이 지속되는 것을 막고 조기에 대처하여 생산성을 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 모니터링 모듈; 및
    수집된 상기 센서 값을 이용하여 불량 발생을 예측하는 불량 발생 예측 모듈
    을 포함하고,
    상기 불량 발생 예측 모듈은,
    수집된 상기 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보하는 불량 발생 예보부
    를 포함하고,
    상기 모니터링 모듈은,
    상기 사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클인 매 샷 별 상기 센서 값들을 모니터링하며,
    상기 불량 발생 예측 모듈의 불량 발생 예보부는,
    매 샷마다 수집된 상기 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 및 분산이 정상 생산 기간의 평균 및 분산에 비해 얼마나 차이가 있는지를 비교하여, 평균 또는 분산에 대한 상기 임계 값을 초과하면 유의 센서로 분류하고, 상기 유의 센서의 개수를 카운팅하여, 상기 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보하는 것
    을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템.
  2. 제1항에 있어서,
    상기 불량 발생 예측 모듈은,
    상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습하는 파라미터 학습부
    를 더 포함하는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템.
  3. 삭제
  4. 제1항에 있어서,
    상기 불량 발생 예측 모듈의 불량 발생 예보부는,
    불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정하는 것
    을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템.
  5. 제4항에 있어서,
    상기 불량 발생 예측 모듈은,
    상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습하는 파라미터 학습부
    를 더 포함하고,
    상기 파라미터 학습부는,
    상기 불량 발생 예측을 위한 파라미터를 유전 알고리즘을 이용하여 학습하여 결정하는 것
    을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 시스템.
  6. 모니터링 모듈을 통해 플라스틱 사출 성형 공정 중 발생하는 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 단계; 및
    불량 발생 예측 모듈에서 수집된 상기 센서 값을 이용하여 불량 발생을 예측하는 단계
    를 포함하고,
    상기 센서 값을 이용하여 불량 발생을 예측하는 단계는,
    수집된 상기 센서 값이 정상치에 비해 기설정된 임계 값을 초과할 때 불량이 발생할 것으로 판단하여 예보하고,
    상기 사출 성형기 또는 주변 기기의 센서 값을 실시간으로 수집하는 단계는,
    상기 사출 성형기에 수지를 투입하여 제품을 생산하는 일련의 과정을 거치는 한 사이클인 매 샷 별 상기 센서 값들을 모니터링하며,
    상기 센서 값을 이용하여 불량 발생을 예측하는 단계는,
    매 샷마다 수집된 상기 각 센서 값 별로, 유의 센서의 판별에 이용할 기간인 현재 시점부터 과거 w샷 동안의 평균 및 분산이 정상 생산 기간의 평균 및 분산에 비해 얼마나 차이가 있는지를 비교하는 단계;
    평균 또는 분산에 대한 상기 임계 값을 초과하면 유의 센서로 분류하는 단계; 및
    상기 유의 센서의 개수를 카운팅하여, 상기 유의 센서의 개수가 일정 개수 이상이 되면 불량이 발생할 것으로 판단하여 예보하는 단계
    를 포함하는 것을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 방법.
  7. 제6항에 있어서,
    상기 센서 값을 이용하여 불량 발생을 예측하는 단계는,
    상기 사출 성형기 또는 주변 기기의 각 센서 별 이상 발생을 판단하는 기준이 되는 상기 임계 값을 유전 알고리즘을 기반으로 학습하는 것
    을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 방법.
  8. 삭제
  9. 제6항에 있어서,
    상기 센서 값을 이용하여 불량 발생을 예측하는 단계는,
    불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정하는 단계
    를 더 포함하는, 플라스틱 사출 성형 공정의 불량 발생 예측 방법.
  10. 제9항에 있어서,
    상기 불량 발생을 예측하기 위한 파라미터를 설정하기 위해 유의 센서를 판별하기 위한 센서 값 별 임계 값, 상기 유의 센서의 판별에 이용할 기간 및 불량을 예보하기 위한 상기 유의 센서의 개수를 결정하는 단계는,
    상기 불량 발생 예측을 위한 파라미터는 유전 알고리즘을 이용하여 학습하여 결정하는 것
    을 특징으로 하는, 플라스틱 사출 성형 공정의 불량 발생 예측 방법.
KR1020190124246A 2019-10-08 2019-10-08 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법 KR102287659B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190124246A KR102287659B1 (ko) 2019-10-08 2019-10-08 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190124246A KR102287659B1 (ko) 2019-10-08 2019-10-08 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210041699A KR20210041699A (ko) 2021-04-16
KR102287659B1 true KR102287659B1 (ko) 2021-08-09

Family

ID=75743581

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190124246A KR102287659B1 (ko) 2019-10-08 2019-10-08 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102287659B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230061845A (ko) 2021-10-29 2023-05-09 주식회사 서연이화 자동차 부품의 cae 결과를 예측하는 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299698A (zh) * 2021-12-31 2022-04-08 英科医疗科技股份有限公司 一种用于pvc手套生产的自动报警系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318863A (ja) * 2003-04-02 2004-11-11 Toray Ind Inc 成形品の設計支援方法および装置
JP2016527109A (ja) * 2013-08-01 2016-09-08 アイエムフラックス インコーポレイテッド 射出成形運転中の材料特性の変化を考慮する射出成形機及び方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0623818A (ja) * 1992-07-06 1994-02-01 Toyo Mach & Metal Co Ltd 射出成形機の測定データ処理装置
KR101730133B1 (ko) 2015-12-28 2017-04-27 동명대학교산학협력단 사출성형 플라스틱의 검사방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318863A (ja) * 2003-04-02 2004-11-11 Toray Ind Inc 成形品の設計支援方法および装置
JP2016527109A (ja) * 2013-08-01 2016-09-08 アイエムフラックス インコーポレイテッド 射出成形運転中の材料特性の変化を考慮する射出成形機及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230061845A (ko) 2021-10-29 2023-05-09 주식회사 서연이화 자동차 부품의 cae 결과를 예측하는 방법 및 장치

Also Published As

Publication number Publication date
KR20210041699A (ko) 2021-04-16

Similar Documents

Publication Publication Date Title
KR102287659B1 (ko) 플라스틱 사출 성형 공정의 불량 발생 예측 시스템 및 방법
US11220033B2 (en) Computer implemented method for generating a mold model for production predictive control and computer program products thereof
JP6616375B2 (ja) 状態判定装置
US10317853B2 (en) Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
EP3955076A1 (en) System, device and method of detecting abnormal datapoints
CN107343164B (zh) 视频监控任务的分配方法及装置
JP7136322B2 (ja) 人工知能プログラムの実行を管理するための監視制御システム、その方法、および非一時的コンピュータ可読媒体
KR102249849B1 (ko) 기계적 결함에 대한 예측 모델을 처리하는 방법
CN115033453A (zh) 异常检测方法、装置、设备、存储介质及程序
US9865158B2 (en) Method for detecting false alarm
CN115329796A (zh) 异常检测装置、计算机可读存储介质以及异常检测方法
KR102626306B1 (ko) 제어장치, 및 물품의 제조방법
KR101808461B1 (ko) 기계의 잔여수명 예측 방법 및 장치
CN113696454A (zh) 一种基于人工智能的挤塑设备故障预警方法及系统
JP2018147406A (ja) 品質異常検知方法、品質異常検知装置および品質異常検知プログラム
CN117351271A (zh) 高压配电线路监控设备故障监测方法、系统及其存储介质
US20220397892A1 (en) Prediction system, prediction method, and non-transitory storage medium
CN111258863B (zh) 数据异常检测方法、装置、服务器和计算机可读存储介质
KR101989579B1 (ko) 시스템 감시 장치 및 방법
JP6996093B2 (ja) 管理装置、管理方法及びプログラム
CN115189961A (zh) 一种故障识别方法、装置、设备及存储介质
CN114821985A (zh) 基于人工智能的工业预警系统及方法
KR102502648B1 (ko) Rnn 인코더-디코더를 이용하여 시계열에서의 이상상황을 탐지하는 방법 및 장치
US20210400069A1 (en) Information processing apparatus
GB2606293A (en) Detecting scene transitions in video footage

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant