KR102298755B1 - 딥러닝을 이용한 다이캐스팅 공정 관리 시스템 - Google Patents

Abstract

본 발명에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부, 상기 온도 센서부에서 측정된 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습하는 딥러닝 학습부, 및 상기 딥러닝 학습부의 학습결과에 따라 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되, 상기 딥러닝 학습부는, 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도, 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 한다.

Description

딥러닝을 이용한 다이캐스팅 공정 관리 시스템{System for Die-casting Process management using Deep learning}

본 발명은 딥러닝을 이용한 다이캐스팅 공정 관리 시스템에 관한 것으로서, 더욱 구체적으로는 다이캐스팅 금형의 복수 위치에 대해 시계열적으로 측정한 금형온도 데이터로부터 금형의 평균온도에 관한 정보와 개별 제품 생산시의 온도 편차에 관한 정보를 추출하고, 추출된 상기 정보를 입력으로 하고 제품의 불량여부에 대한 판단을 출력으로 하는 딥러닝 분석에 의하여 다이캐스팅 제품의 불량을 검출하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템에 관한 발명이다.

일반적으로 알려진 바와 같이 주조라 함은 액상의 용융 재료를 형틀에 부어 물체를 성형하는 가공 방식을 의미하는데, 이러한 주조 방식 중 금속 재질의 형틀인 금형에 금속 용융물인 용탕을 고압으로 강제로 주입하여 제품을 성형하는 방식을 특히 다이캐스팅이라 한다.

최근 들어, 다이캐스팅 산업은 국가 뿌리산업 중 하나로 자동차, 전기/전자, 조선 등 중후장대 산업의 주요한 기반산업에 속하며, 이 산업의 수준은 해당 국가의 제조업 경쟁력을 구성하는 핵심적인 요소가 된다.

그러나, 국내 다이캐스팅 산업은 선진국(독일, 미국, 일본) 대비 품질이 낮을 뿐만 아니라 노동집약적이고 영업이익률이 낮은 산업의 특성상 후발주자(중국,인도, 멕시코) 대비 가격 경쟁력도 떨어지기 때문에, 국내 다이캐스팅 산업의 경쟁력 확보를 위해서는 영업이익의 개선이 우선적으로 이루어져야 할 필요성이 있다.

그럼에도 불구하고, 국내 다이캐스팅 산업의 경우 평균 공정 불량률이 5~10%로 높은 수준이기 때문에 통상적으로 필요한 생산 물량의 10% 이상을 과다 생산함으로써 영업이익의 감소가 불가피한 실정이기 때문에, 이러한 과다 생산의 문제점을 해결하기 위해서는 제품의 생산 단계에서 양품과 불량품의 판별이 실시간으로 이루어지는 공정 관리 시스템의 개발이 요구된다.

이와 같이, 다이캐스팅 제품의 생산 단계에서 실시간으로 해당 제품의 불량 여부를 판단하는 공정 관리 시스템은 하기 [문헌 1] 등에 관련 내용이 구체적으로 개시되어 있다.

그러나, 하기 [문헌 1]의 경우 제품 생산시 금형의 특정 위치에 대한 온도 데이터를 단순히 미리 설정된 상한치와 하한치와 대비하여 제품의 불량 여부를 판단하는 방식이기 때문에 온도 분포의 불균일에 따른 불량, 국소 지점의 미열 또는 과열에 의한 불량, 및 양산 공정에서 금형의 연속 공정 시간에 따른 열량 누적의 변화에 따른 영향 등을 복합적으로 고려할 수 없어서 불량 검출의 정확도가 낮은 문제점이 있다.

[문헌 1] 일본공개특허 제2003-145262호(2003. 5. 20. 공개)

본 발명은 상술한 바와 같은 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 다이캐스팅 금형의 복수 위치에 대해 측정한 시계열적 금형온도 데이터로부터 금형의 평균온도에 관한 정보와 개별 제품 생산시의 온도 편차에 관한 정보를 추출하고, 추출된 상기 정보를 입력으로 하고 제품의 불량여부에 대한 판단을 출력으로 하는 딥러닝 분석에 의하여 다이캐스팅 제품의 불량을 검출하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템을 제공하기 위한 것이다.

또한, 본 발명의 다른 목적은 상술한 딥러닝 분석을 적용하기 위한 금형온도 데이터가 충분히 수집되지 않은 경우에서 측정된 금형온도 데이터를 미리 저장된 설정범위 또는 통계적 오차범위와 비교하여 적정한 신뢰성 수준으로 제품의 불량을 검출할 수 있는 다이캐스팅 공정 관리 시스템을 제공하기 위한 것이다.

상기와 같은 목적을 달성하기 위하여 본 발명에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부, 상기 온도 센서부에서 측정된 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습하는 딥러닝 학습부, 및 상기 딥러닝 학습부의 학습결과에 따라 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되, 상기 딥러닝 학습부는, 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도, 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 한다.

또한, 상기 입력값은 상기 시계열적으로 측정된 시계열적 금형온도 데이터를 FFT 분석하여 획득한 제품 생산의 평균주기를 기준으로 이동평균을 수행하여 구해지는 금형온도 추세 데이터와, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 구해지는 사이클 데이터를 이용하여 얻어지는 것을 특징으로 한다.

또한, 상기 공정시간은 상기 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격이고, 상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균이고, 상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도이고, 상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도이며, 상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도인 것을 특징으로 한다.

또한, 상기 온도 센서부는 금형 내부의 복수 위치에 대하여 금형온도를 측정하고, 상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지는 것을 특징으로 한다.

또한, 상기 금형은 다이캐스팅 금형이고, 상기 금형에 용탕을 주입하는 장치의 압력을 측정하는 압력 센서부를 더 포함하고, 상기 딥러닝 학습부는 상기 압력 센서부에서 시계열적으로 측정된 압력 데이터를 상기 입력값에 더 포함하되, 상기 입력값에 포함되는 압력 데이터는 해당 제품이 생산된 사이클에서의 용탕 주입시 압력, 증압 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서의 차징 압력, 증압 과정에서의 차징 압력 중 적어도 어느 하나의 압력 데이터인 것을 특징으로 한다.

또한, 본 발명에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부, 상기 온도 센서부에서 측정된 금형온도 데이터를 이용하여 해당 제품의 불량 여부를 판단하는 품질 판단부, 및 상기 품질 판단부의 판단결과를 이용하여 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되, 상기 품질 판단부는 상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 기준범위와 비교하여 해당 제품의 불량 여부를 판단하는 제1판단모듈, 상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 통계적 오차범위와 비교하여 해당 제품의 불량 여부를 판단하는 제2판단모듈, 상기 온도 센서부에서 측정된 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습에 의해 해당 제품의 불량 여부를 판단하는 제3판단모듈을 포함하고, 상기 공정 관리부는 기수집된 금형온도 데이터의 갯수에 따라 상기 제1판단모듈, 제2판단모듈, 제3판단모듈 중 어느 하나의 판단결과를 이용하는 것을 특징으로 한다.

본 발명에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 다이캐스팅 금형의 복수 위치에 대해 시계열적으로 측정한 금형온도 데이터로부터 추출한 금형의 평균온도에 관한 정보와 개별 제품 생산시의 온도 편차에 관한 정보를 복합적으로 고려한 입력값을 딥러닝 알고리즘에 적용하여 해당 제품의 불량 여부를 학습하는 방식이기 때문에 개별 제품의 생산 단계에서의 온도를 단순히 기준값과 비교하여 제품의 불량을 판단하는 종래 기술과 대비할 때 불량 검출의 정확성이 매우 우수한 장점을 가진다.

도1은 본 발명의 제1실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템의 동작 구성을 나타낸 블럭도,
도2는 본 발명에 따른 온도 센서부 및 이를 이용한 금형온도 측정 데이터를 나타낸 도면,
도3은 도1의 온도 센서부에서 측정한 시계열적 금형온도 데이터 및 이를 전처리한 결과 데이터를 나타낸 도면,
도4 내지 도6는 각각 본 발명에 따른 금형의 용탕공급 장치의 압력 측정 데이터를 나타낸 도면, 및
도7은 본 발명의 제2실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템의 동작 구성을 나타낸 블럭도이다.

이하에서는 본 발명의 바람직한 실시예를 첨부한 도면을 이용하여 구체적으로 설명하기로 한다.

(제1실시예)

도1은 본 발명의 제1실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템의 동작 구성을 나타낸 블럭도이고, 도2는 본 발명에 따른 온도 센서부 및 이를 이용한 금형온도 측정 데이터를 나타낸 도면이며, 도3은 도1의 온도 센서부에서 측정한 시계열적 금형온도 데이터 및 이를 전처리한 결과 데이터를 나타낸 도면이다.

본 발명의 제1실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부(10), 상기 온도 센서부(10)에서 측정된 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습하는 딥러닝 학습부(50), 및 상기 딥러닝 학습부(50)의 학습결과에 따라 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부(60)를 포함하여 구성된다.

또한, 상기 온도 센서부(10)는 통상의 온도 센서를 이용하여 바람직하게 구성될 수 있으나, 제품의 형상에 미치는 영향을 최소화하기 위하여 본 발명에서는 일예로서 다이캐스팅 제품의 성형이 완료된 후 취출과정에서 금형에 붙어있는 제품을 밀어주는 방출핀의 내부에 열전대를 삽입하여 금형의 온도분포를 측정하도록 구성하였다.

이와 같이, 방열핀의 내부에 열전대가 삽입된 구조의 금형온도 측정장치는 본 발명의 출원인이 출원한 한국등록특허 제10-1757073호에 상세히 개시되어 있기 때문에 이에 대한 구체적인 설명은 여기에서는 생략하기로 하며, 별도의 언급이 없는 한 상기 한국등록특허 제10-1757073호에 기재된 내용은 본 발명에 포함되는 것으로 이해되어야 한다.

본 실시예에서는 실제 다이캐스팅 금형에 상술한 온도 센서부(10)를 설치한 상태(도2의 (a))와 이를 이용하여 7개의 방출핀 온도측정 채널에서 시범적으로 측정한 결과(도2의 (b))를 도2에 도시하였는데, 5개의 제품 생산 사이클에 대해 측정한 결과를 통하여 개별 제품당 약 30초 가량의 일정한 주기성을 보이고 있다는 것을 확인할 수 있었다.

또한, 상기 공정 관리부(60)는 메모리부(30)에 미리 저장된 프로그램에 따라 상기 제품의 불량을 검출하게 되는데, 상기 메모리부(30)에는 후술하는 딥러닝 학습부(50)에 적용되는 기수집된 금형온도 데이터(즉, 딥러닝 알고리즘의 학습 데이터), 금형온도 각각의 측정 위치에 대한 허용 가능한 온도나 압력범위(즉, 기준범위), 또는 통계적 허용 오차 등에 관한 정보가 더 저장될 수 있다

한편, 실제 다이캐스팅 제품이 라인에서 생산될 경우 약 2시간 동안 240개 이상의 제품이 연속적으로 생산이 되고, 생산되는 동안 작업조건, 기기부하, 작업자 휴식시간 등의 조건에 따라서 기기의 가동을 일시적으로 중단했다가 다시 생산을 반복하게 된다.

이러한, 제품의 생산에 따른 공정 데이터를 도3의 (a)에 도시한 바와 같이 상대적으로 긴 시계열에 대하여 도시하면, 생산 중단시 금형의 온도가 정상 조건 대비 100도 이상 떨어졌다가 제품의 생산이 재개되면서 제품 생산으로 인하여 금형의 온도가 누적적으로 증가하는 것을 확인할 수 있다.

또한, 반복적인 생산으로 인하여 금형의 온도가 특정 정상상태 조건에 가까워졌을 경우 제품의 성형조건 및 냉각조건에 따라서 랜덤한 형태의 편차를 보이게 된다.

따라서, 금형의 온도 측면에서 생산조건의 편차는 크게 다음의 두 가지 요인으로 분류할 수있는데, 하나는 제품의 반복 생산으로 인한 열량누적 효과로 인한 금형 평균온도의 차이이고, 또 하나는 개별 제품 생산시의 공정조건 산포에 따른 차이라고 볼 수 있다.

따라서, 본 발명에서는 상기 두 가지 요인에 따른 영향을 복합적으로 고려하여 다이캐스팅 제품의 양품/불량을 검출하는 것을 특징으로 하는데, 구체적으로는 일반적인 사이클 데이터에 대한 분석방법을 적용하여 온도 데이터의 주기성 결과값을 이동평균하여 얻어지는 추세 데이터와 실제 측정된 시계열적 금형온도 데이터에서 상기 추세 데이터를 감산하여 사이클 데이터를 획득하고, 이를 전처리하여 얻은 정보를 다이캐스팅 제품의 양품/불량 판단을 위한 딥러닝 분석의 입력층으로 이용한 것을 특징으로 한다.

상기 온도 센서부(10)에서 측정된 시계열적 금형온도 데이터의 전처리 과정을 구체적으로 살펴보면, 먼저 금형의 평균온도를 판단하기 위하여 개별 제품의 생산 사이클에서 발생할 수 있는 영향을 측정 데이터로부터 분리하는 과정을 수행한다.

이는 온도 센서부(10)에서 측정된 시계열적 금형온도 데이터를 대상으로 FFT(Fast Fourier Transform) 분석을 통하여 개별 제품의 생산주기(즉, 평균 생산주기)를 구하고, 상기 구해진 개별 제품의 평균 생산주기를 기준으로 이동평균(moving average)을 수행하여 도3의 (a)와 같은 추세선 형태의 금형온도 추세 데이터를 얻게 된다.

다음으로, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 얻은 사이클 데이터에 의하여 개별 제품의 생산 조건에서 발생하는 해당 제품의 생산 사이클의 영향을 분리하게 된다.

이때, 상기 사이클 데이터는 개별 제품의 생산 당시에 여러 가지 다양한 원인에 의하여 발생할 수 있는 공정온도 조건의 편차를 의미하는데, 예를 들어 금형의 평균 추세온도로부터의 최대, 최소 온도 편차 등의 조건이 이에 해당한다.

다음으로, 상기 시계열적으로 측정된 금형온도 데이터에서 추세 데이터를 빼서(즉, 감산하여) 얻어지는 사이클 데이터에 peak detection 알고리즘을 적용하여 도3의 (b)에 도시한 바와 같이 개별 제품 각각에 대한 생산 사이클의 최소값(즉, 최소 온도)을 얻게 됨으로써 상기 개별 제품 각각의 생산 조건을 구분할 수 있게 된다.

그리고, 마지막으로 각각의 금형온도 측정위치(이하, 채널이라 함)에서 얻어진 사이클 데이터(즉, 본 실시예의 경우 7개의 시계열적 데이터)에서 추출한 peak들을 동기화(synchronization)함으로써 후술하는 바와 같이 개별 제품 생산 당시 각 채널에서 얻어지는 금형온도 데이터의 시작 시간과 유효 공정 시간을 획득하게 된다.

상술한 바와 같이 시계열적 금형온도 데이터에 대한 전처리 과정을 통하여 불량 여부 판단의 대상이 되는 해당 제품이 생산되는 당시의 금형의 평균온도에 따른 영향과 각 개별 제품의 생산 사이클에서 발생하는 공정조건의 편차(본 실시예의 경우 온도 편차)를 효과적으로 분리하여 딥러닝 알고리즘의 입력 변수로 이용할 수 있다.

또한, 상기 시계열적 금형온도 데이터의 전처리 과정은 별도로 구비된 데이터 전처리부(40)에서 수행될 수 있다.

상술한 바와 같이 복수의 채널에 대한 시계열적 금형온도 데이터의 전처리 과정이 완료되면, 상기 전처리 결과로부터 딥러닝 분석을 위한 입력값을 도출하게 된다.

본 발명에서는 일예로서 상기 입력값으로 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도, 사이클 최소온도에 대한 데이터를 도출하게 된다.

이때, 상기 공정시간은 앞서 설명한 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격으로 구해진다.

또한, 상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균, 상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도, 상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도, 그리고 상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도로 구해진다.

본 발명에서 상기 온도 센서부(10)는 금형 내부의 복수 위치(본 실시예의 경우 7개의 위치)에 대하여 금형온도를 측정하게 되는데, 상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지게 된다.

본 실시예의 경우 7개의 금형온도 측정 채널에 대하여 상술한 5개의 입력값을 추출하여 개별 제품 당 총 35개의 입력값을 선정하였다.

또한, 본 실시예에서는 총 공정데이터 4546건 중 양품 데이터 4374 건, 불량 데이터 172건, 불량률3.78%의 데이터베이스에서 무작위로 양품1/2, 불량1/2을 학습용 데이터와 모델 검증용 데이터로 구분하여 상술한 딥러닝 모델을 검증하는 시험을 수행하였다.

이때, 제품의 양품/불량 검출을 위한 딥러닝 알고리즘의 인공신경망은 35×100×100×100×2의 레이어 구조로 구성되어 있으며, 각 레이어에는 Dropout층과 추가적으로 활성함수로 Relu(Rectified Linear Unit)을 이용하였다.

또한, Xavier 초기화 기법과 Batch normalization을 이용하여 초기화와 입력변수들의 정규화를 수행하였고, 학습에는 Adam Optimization을 이용하였다.

시험 결과, 상술한 학습 데이터를 기준으로 learning rate 0.01을 기준으로 300회 가량의 반복 계산을 통해서 수렴성을 보였으며 이 모델을 기준으로 나머지 반의 검증 데이터의 양품/불량을 판정한 결과 99.70%가량의 정확도로 불량 데이터 검출에 성공하였다.

이상에서 설명한 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 다이캐스팅 금형뿐만 아니라 일반 금형에도 확장되어 적용될 수 있으며, 이는 후술하는 제2실시예의 경우도 마찬가지이다.

다만, 상기 금형이 다이캐스팅 금형일 경우 본 실시예에 따른 공정 관리 시스템은 상기 금형에 용탕을 주입하는 장치의 압력을 측정하는 압력 센서부(20)를 더 포함할 수 있고, 상기 딥러닝 학습부(50)는 상기 압력 센서부(20)에서 시계열적으로 측정된 압력 데이터를 상기 입력값에 더 포함할 수 있다.

도4 내지 도6은 각각 본 발명에 따른 금형의 용탕공급 장치의 압력 측정 데이터를 나타낸 도면이다.

상기 입력값에 포함되는 압력 데이터는 해당 제품이 생산된 사이클에서의 용탕 주입시의 압력인 제1압력, 증압 과정에서 어큐뮬레이터의 질소 압력인 제2압력, 고속 과정에서 어큐뮬레이터의 질소 압력인 제3압력, 고속 과정에서의 차징 압력인 제4압력, 증압 과정에서의 차징 압력인 제5압력 중 적어도 어느 하나의 압력 데이터일 수 있다.

이때, 상기 제1압력은 사출시 저속 과정, 고속 과정, 증압 과정이 복합적으로 작용하여 실제로 용탕 주입시 인가되는 압력을 의미하는 것으로 압력에 기인한 불량을 가장 명확하게 파악할 수 있는 인자이다.

상기 제1압력은 기본적으로 사출 준비 중 단계에서는 0에 가까운 플랫한 값을 지니며 용탕의 주입과 함께 고압이 인가되는 것을 확인할 수 있는데, 따라서 제1압력의 순간적인 피크가 사출에 해당하고 생산되는 제품의 갯수 만큼의 피크 입력이 존재한다.

그러나, 경우에 따라서 인가되는 압력이 부족하거나 저속 과정, 고속 과정, 증압 과정에서 압력의 전환이 원활하지 않아서 압력의 프로파일이 불균일한 경우가 발생하는데, 이를 관측하여 다이캐스팅 제품의 불량 유무를 확인할 수 있다.

예를 들어, 도4의 측정 데이터를 살펴보면 장비가 휴식기에 가동이 중지되었다가 재가동될 때 압력 부족으로 인해서 용탕의 주입이 원활하지 못한 경우나, 저속 과정,고속 과정, 증압 과정에서의 압력의 전환이 원활하지 않아서 충분한 고압 시간이 유지되지 못하거나 비정상적으로 압력 인가 구간이 넓은 경우를 확인할 수 있다.

따라서, 제1압력을 딥러닝 알고리즘의 입력으로 이용할 때는 제1압력의 최대값, 피크가 유지된 시간, 피크 구간의 평균값을 입력으로 이용할 수 있다.

또한, 제2압력은 증압 구간에서의 어큐뮬레이터(이하, ACC)의 질소 압력이며, 이는 용탕을 주입하는 사출 실린더의 사출력을 반영하는 지표이다.

따라서, 제2압력은 사출 구간 동안 실린더에 압력을 균일하게 가해주기 위해서 일정 수준 이상으로 유지되는 것이 가장 이상적이며, 공정 조건에 따라서 사출력이 부족하거나 유압의 변동으로 인해서 이상 고압이 순간적으로 작동하는 등의 불량이 발생할 수 있다.

도5에 이와 관련된 불량 의심 사례를 도시하였는데, 6개의 사이클의 생산 공정을 발췌하여 도시한 것으로 ACC 압력의 부족으로 인해서 6개의 사이클 중 앞의 3개의 사이클에 대해서는 압력 데이터 2의 값이 순간적으로 매우 낮게 떨어지는 것을 확인할 수 있다.

이는 결국 용탕을 주입하는 실린더의 사출력 부족으로 이어지며 최종적으로 다이캐스팅 제품에서의 형상 불량, 미성형, 기포 결함을 유발하는 요인으로 작용할 수 있다.

또한, 제3압력과 제4압력은 각각 고속 과정에서의 ACC 질소 압력과 고속 과정에서의 차징 압력에 해당하고, 제5압력은 증압 과정에서의 차징 압력에 해당하는데, 도5에 해당하는 구간에서의 제3,4,5압력 데이터를 도6에 도시하였다.

상기 압력 데이터들은 일정한 레벨에서 평탄하게 유지되는 것이 가장 유리하며, 제3압력과 제4압력의 경우 센서의 노이즈 레벨이 사이클에 따른 변동폭과 유사하여 1240~1280 사이의 값을 가진다.

제5압력의 경우 압력의 변동폭이 1040~1100으로 제3압려과 제4압력에 비해서 상대적으로 커서 사이클 효과를 근사적으로 살펴볼 수 있으며, 이 값 역시 변동폭이 작을수록 유리하기 때문에 최대-최소 압력, 최대-최소 압력 간의 차이 및 평균 압력을 딥러닝 알고리즘의 입력으로 이용할 수 있다.

(제2실시예)

도7은 본 발명의 제2실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템의 동작 구성을 나타낸 블럭도이다.

본 발명의 제2실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 앞서 설명한 공정 관리부가 3개의 불량 판단모듈을 이용하여 금형에서 생산된 제품의 불량을 검출하는 것을 특징으로 한다.

이를 위하여, 본 실시예에 따른 다이캐스팅 공정 관리 시스템은 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부(110), 상기 온도 센서부(110)에서 측정된 금형온도 데이터를 이용하여 해당 제품의 불량 여부를 판단하는 품질 판단부(150), 및 상기 품질 판단부(150)의 판단결과를 이용하여 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부(160)를 포함하는 것을 특징으로 한다.

이때, 상기 온도 센서부(110), 압력 센서부(120), 및 메모리부(130)는 앞서 설명한 제1실시예와 동일하기 때문에 이에 대한 중복된 설명은 생략하기로 한다.

한편, 상기 품질 판단부(150)는, 상기 온도 센서부(110)에서 측정된 금형온도 데이터를 미리 정해진 기준범위와 비교하여 해당 제품의 불량 여부를 판단하는 제1판단모듈(151), 상기 온도 센서부(110)에서 측정된 금형온도 데이터를 미리 정해진 통계적 오차범위와 비교하여 해당 제품의 불량 여부를 판단하는 제2판단모듈(152), 및 상기 온도 센서부(110)에서 측정된 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습에 의해 해당 제품의 불량 여부를 판단하는 제3판단모듈(153)을 포함하도록 구성되는데, 상기 공정 관리부(160)는 기수집된 금형온도 데이터의 갯수에 따라 상기 제1판단모듈(151), 제2판단모듈(152), 제3판단모듈(153) 중 어느 하나의 판단결과를 이용하여 상기 금형에서 생산된 제품의 불량 여부를 판단하게 된다.

이때, 상기 제1판단모듈(151)은 복수의 측정 위치 각각에 대하여 미리 설정된 금형온도 기준범위(즉, 상한치와 하한치)와 측정된 금형온도를 비교하여 그 차이가 미리 설정된 허용범위 이상일 경우 해당 제품을 불량이라고 판단하게 된다.

상기 공정 관리부(160)는 기수집된 금형온도 데이터의 갯수가 후술하는 제2판단모듈(152)과 제3판단모듈(153)을 이용하기 곤란할 정도로 적은 경우에 상기 제1판단모듈(151)을 이용하게 되는데, 일예로서 상기 공정 관리부(160)는 수집된 금형온도 데이터가 500건 미만일 때 상기 제1판단모듈(151)을 이용하여 제품의 불량 여부를 판단할 수 있다.

또한, 상기 제2판단모듈(152)은 기수집된 금형온도 데이터를 통계적으로 분석하여 상술한 측정 위치 각각에 대하여 측정된 금형온도 데이터가 미리 설정된 통계적 오차범위를 벗어날 경우 해당 제품을 불량이라고 판단하게 된다.

이때, 상기 통계적 분석은 일예로서 6-sigma 기법을 적용할 수 있으며, 상기 공정 관리부는 일예로서 기수집된 금형온도 데이터가 4000건 미만일 때 상기 제2판단모듈을 이용하여 제품의 불량 여부를 판단할 수 있다.

한편, 제3판단모듈(153)은 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습한 결과를 바탕으로 해당 제품의 불량 여부를 판단하게 되는데, 이는 앞서 설명한 제1실시예의 딥러닝 학습부와 동일하기 때문에 여기에서는 중복된 설명을 생략하기로 한다.

이와 같은 구성에 의하여 본 실시예에 따른 딥러닝을 이용한 다이캐스팅 공정 관리 시스템은 딥러닝 분석을 위한 학습 데이터가 충분히 확보되지 않은 경우에도 상기 금형에서 생산되는 제품의 불량 여부를 적정한 신뢰성이 확보되는 범위내에서 판단할 수 있는 장점이 있다.

10,110 : 온도 센서부 20,120 : 압력 센서부
40 : 데이터 전처리부 50 : 딥러닝 학습부
60,160 : 공정 관리부 150 : 품질 판단부

Claims (10)

1. 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부;
   상기 온도 센서부에서 측정된 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습하는 딥러닝 학습부; 및
   상기 딥러닝 학습부의 학습결과에 따라 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되,
   상기 딥러닝 학습부는, 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도 또는 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
2. 제1항에 있어서,
   상기 입력값은, 상기 시계열적으로 측정된 시계열적 금형온도 데이터를 FFT 분석하여 획득한 제품 생산의 평균주기를 기준으로 이동평균을 수행하여 구해지는 금형온도 추세 데이터와, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 구해지는 사이클 데이터를 이용하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
3. 제2항에 있어서,
   상기 공정시간은, 상기 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격이고,
   상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균이고,
   상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도이고,
   상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도이며,
   상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
4. 제3항에 있어서,
   상기 온도 센서부는 금형 내부의 복수 위치에 대하여 금형온도를 측정하고,
   상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
5. 제4항에 있어서,
   상기 금형은 다이캐스팅 금형이고,
   상기 금형에 용탕을 주입하는 장치의 압력을 측정하는 압력 센서부를 더 포함하고,
   상기 딥러닝 학습부는 상기 압력 센서부에서 시계열적으로 측정된 압력 데이터를 상기 입력값에 더 포함하되,
   상기 입력값에 포함되는 압력 데이터는 해당 제품이 생산된 사이클에서의 용탕 주입시 압력, 증압 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서의 차징 압력, 증압 과정에서의 차징 압력 중 적어도 어느 하나의 압력 데이터인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
6. 제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부;
   상기 온도 센서부에서 측정된 금형온도 데이터를 이용하여 해당 제품의 불량 여부를 판단하는 품질 판단부; 및
   상기 품질 판단부의 판단결과를 이용하여 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되,
   상기 품질 판단부는,
   상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 기준범위와 비교하여 해당 제품의 불량 여부를 판단하는 제1판단모듈;
   상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 통계적 오차범위와 비교하여 해당 제품의 불량 여부를 판단하는 제2판단모듈;
   상기 온도 센서부에서 측정된 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습에 의해 해당 제품의 불량 여부를 판단하는 제3판단모듈을 포함하고,
   상기 공정 관리부는 상기 제3판단모듈의 판단결과를 이용하고,
   상기 제3판단모듈은 상기 온도 센서부에서 측정된 시계열적 금형온도 데이터로부터 획득되는 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도 또는 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
7. 삭제
8. 제6항에 있어서,
   상기 입력값은, 상기 시계열적으로 측정된 금형온도 데이터를 FFT 분석하여 획득한 제품 생산의 평균주기를 기준으로 이동평균을 수행하여 구해지는 금형온도 추세 데이터와, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 구해지는 사이클 데이터를 이용하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
9. 제8항에 있어서,
   상기 공정시간은, 상기 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격이고,
   상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균이고,
   상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도이고,
   상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도이며,
   상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
10. 제9항에 있어서,
    상기 온도 센서부는 금형 내부의 복수 위치에 대하여 금형온도를 측정하고,
    상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템.
    

Images