KR102317993B1

KR102317993B1 - 도금 막 두께 예측 장치 및 방법

Info

Publication number: KR102317993B1
Application number: KR1020190154747A
Authority: KR
Inventors: 권오형; 양승민; 김건희
Original assignee: 한국생산기술연구원
Priority date: 2019-11-27
Filing date: 2019-11-27
Publication date: 2021-10-27
Also published as: KR20210065696A

Abstract

본 발명은 수집된 도금 환경에 대한 도금 특성 정보와 도금 두께 정보를 포함하는 도금 정보의 기계학습을 통해, 현재 수행되는 도금의 특성 정보를 이용하여 도금 결과 생성되는 도금 막의 두께를 예측할 수 있도록, 도금 용액이 수용되는 수조 내의 도금 용액의 특성 정보를 검출하여 출력하는 도금 장치부; 및 상기 도금 장치부에서 전송된 도금 용액의 특성 정보를 수신한 후, 누적된 도금 정보를 이용한 기계 학습에 의해 생성된 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하는 주제어부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치를 제공한다.

Description

도금 막 두께 예측 장치 및 방법{apparatus for predicting Plating film thickness and the method thereof}

본 발명은 도금 막 두께 예측 기술에 관한 것으로서, 더욱 상세하게는, 수집된 도금 환경에 대한 도금 특성 정보와 도금 두께 정보를 포함하는 도금 정보의 기계학습을 통해, 현재 수행되는 도금의 특성 정보를 이용하여 도금 결과 생성되는 도금 막의 두께를 예측할 수 있도록 하는 도금 막 두께 예측 장치 및 방법에 관한 것이다.

일반적으로, 도금은 강판의 표면 보호, 미감 형성, 금속 박막의 접착 등을 위해 널리 수행되고 있다.

이러한 도금기술은 눈부신 발전을 거듭하여 온 결과 근래에는 전기도금, 용융도금 및 진공증착도금 등 여러 가지 발달된 도금기술을 이용하여 다양한 용도의 도금강판을 생산하고 있다.

이러한 도금은 기술에 의해 소재의 표면 또는 접합 부위에 형성되는 도금은 소재의 품질, 내구성 및 내부식성, 심미감, 접착력 등에 많은 영향을 주게 되므로, 도금의 수행 중 도금 두께를 최적화되도록 제어하는 기술이 요구된다.

그러나 도금 두께 최적화를 위한 제어는 대부분, 일반적인 도금의 pH, 온도, 전기전도도, 도금 소재의 농도, 전류 등의 데이터에 대하여 일반적인 정보를 제공하고 있어, 숙련된 작업자가 아닌 경우에는 도금 작업의 결과물에 불량이 발생하는 일이 빈번하게 발생하는 문제점이 있었다.

이에 따라, 대한민국 공개특허 제2003-0081139호는 전류 밀도 분포를 이용하여 도금 두께 분포를 예측하는 기술을 제공하고 있으나, 도금의 특성 정보들을 반영하지 않고 있어, 더욱 정확한 도금 두께 예측 기술이 요구된다.

대한민국 공개특허 제2003-0081139호

따라서 상술한 종래기술의 문제점을 해결하기 위한 본 발명의 일 실시예는, 도금 환경에 대한 도금 특성 정보와 도금 두께 정보를 가지는 도금 정보를 수집 저장한 후, 기계학습을 수행하여 도금 막 두께를 예측하는 심층 신경망 알고리즘을 구현하여, 현재 수행되는 도금의 특성 정보를 이용하여 도금 결과 생성되는 도금 막의 두께를 예측할 수 있도록 하는 도금 막 두께 예측 장치 및 방법을 제공하는 것을 해결하고자 하는 과제로 한다.

상술한 본 발명의 과제를 달성하기 위한 본 발명의 일 실시예는, 도금 용액이 수용되는 수조 내의 도금 용액의 특성 정보를 검출하여 출력하는 도금 장치부; 및 상기 도금 장치부에서 전송된 도금 용액의 특성 정보를 수신한 후, 누적된 도금 정보를 이용한 기계 학습에 의해 생성된 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하는 주제어부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치를 제공한다.

상기 도금 용액의 특성 정보는, 상기 도금 용액의 pH 값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하는 것을 특징으로 한다.

상기 도금 장치부는, 상기 수조; 및 도금 대상 소재가 장입되어 상기 수조의 도금 용액으로 침지되는 바렐; 상기 바렐을 상기 수조 내로 장입하거나 상기 수조로부터 인출하며, 수평 또는 수직 방향으로 이송시키는 바렐이송부; 및 상기 바렐이송부에 승하강 가능하게 장착되어 상기 수조 내의 도금 용액의 특성 정보 검출을 위해 상기 도금 용액으로 침지되거나 상기 도금 용액으로부터 인출되는 검출센서들을 구비한 검출센서부;를 포함하여 구성되는 것을 특징으로 한다.

상기 바렐이송부는, 상기 바렐을 회전 가능하게 지지하며, 상기 바렐을 상기 도금 용액으로 침지시키거나 상기 도금용액으로부터의 인출시키도록 승하강되는 바렐수직이송부; 및 상기 바렐수직이송부를 수평 이송시키도록 상기 바렐수직이송부와 결합되는 바렐수평이송부;를 포함하여 구성되는 것을 특징으로 한다.

상기 검출센서부는, 상기 검출센서들이 집합된 센서모듈이 장착되어 검출센서들에서 검출된 도금 용액의 특성 정보를 상기 주제어부로 전송하는 통신부; 상기 통신부가 장착되는 센서부승하강붐; 및 상기 바렐이송부에 대하여 상기 센서부승하강붐을 승하강시키도록 상기 바렐이송부와 상기 센서부승하강붐의 사이에 결합 구성되는 센서부승하강기;를 포함하여 구성되는 것을 특징으로 한다.

상기 도금 막 두께 예측 장치는, 상기 도금 장치부의 구동을 위한 구동제어부;를 더 포함하여 구성되는 것을 특징으로 한다.

상술한 본 발명의 과제를 달성하기 위한 본 발명의 다른 실시예는, 도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계; 수집된 상기 도금 정보를 기계학습에 적용하여 도금 막 두께를 예측하는 심층 신경망 알고리즘을 생성하는 단계; 도금 장치부가 상기 센서모듈을 상기 도금 용액에 침지시켜 도금 용액의 특성 정보를 검출하여 출력하는 단계; 및 주제어부가 상기 도금 용액의 특성 정보를 수신한 후 상기 심층 신경망 알고리즘을 적용하여 도금 막 두께를 예측하는 단계;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 방법을 제공한다.

상기 도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계는, 도금 시간 5~ 15분, 온도 50 ~ 150도, pH값 2~5, 전기전도도 20 ~ 80(mS/cm)으로 변화시키면서 공정데이터 및 도금 막 두께 데이터 수집하며, 최소 50 조건 이상의 실험을 진행하여 수행되는 것을 특징으로 한다.

상기 심층 신경망 알고리즘을 생성하는 단계는, 선형신경망인 FFNN(feed-forward neural network) 구조를 가지며, 지도학습 방법을 이용하여, 입력 인자는 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균+표준편차, 평균-표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정하며, FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하고, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용하며, 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델 발굴하는 단계인 것을 특징으로 한다.

상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는, 상기 도금 용액의 특성 정보의 검출 시에만 상기 센서모듈을 상기 도금 용액에 침지시킨 후, 도금 용액의 특성 정보 검출이 종료된 경우 도금 용액으로부터 상기 센서모듈을 인출하는 동작에 의해 수행되는 것을 특징으로 한다.

상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는, 검출된 상기 도금 용액 특성 정보를 무선 통신에 의해 상기 주제어부로 전송하도록 구성되는 것을 특징으로 한다.

상술한 본 발명의 일 실시예의 도금 막 두께 예측 장치 및 방법은, 도금 환경에 대한 도금 특성 정보와 도금 두께 정보를 가지는 도금 정보를 수집 저장한 후, 기계학습을 수행하여 도금 막 두께를 예측하는 심층 신경망 알고리즘을 구현하여, 현재 수행되는 도금의 특성 정보를 이용하여 도금 결과 생성되는 도금 막의 두께를 예측할 수 있도록 하는 것에 의해, 목표 도금 막 두께의 획득을 위한 도금 특성 환경의 제어를 용이하게 수행할 수 있도록 하고, 이에 의해, 도금 공정 관리를 효율적으로 수행할 수 있도록 함은 물론, 도금 품질을 현저히 향상시키는 효과를 제공한다.

도 1은 본 발명의 일 실시예의 도금 막 두께 예측 장치(1)의 구성도.
도 2는 본 발명의 일 실시예의 도금 막 두께 예측 방법의 처리과정을 나타내는 순서도.

이하에서는 첨부한 도면을 참고하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예의 도금 막 두께 예측 장치(1)의 구성도이다.

도 1과 같이 상기 도금 막 두께 예측 장치(1)는 도금 장치부(100), 구동제어부(2) 및 주제어부(300)를 포함하여 구성된다.

상기 도금 장치부(100)는, 소재에 대한 도금 공정을 수행하며, 도금 용액이 수용되는 수조 내의 도금 용액의 특성 정보를 검출하여 출력하는 것으로서, 수조(101), 바렐(103), 바렐회전부(105), 바렐수직이송부(110), 바렐수평이송부(120), 검출센서부(130)를 포함하여 구성된다.

상기 수조(101)는 도금 용액이 수용되어 도금이 수행되도록, 도금 용액에 대한 내부식성, 내열성, 내파괴성 등의 특성을 가지는 소재로 제작되는 함체로 구성될 수 있다.

상기 바렐(103)는 도금 대상 소재가 장입되어 상기 수조의 도금 용액으로 침지되는 통으로 구성된다.

상기 바렐회전부(105)는 도금 용액과 소재의 접촉 면적 및 시간의 균일화를 위해 상기 바렐(103)를 수조(101)의 내부에 수용된 도금 용액 내에서 회전시키는 것으로서, 바렐(103)이 축결합되는 모터 등으로 구성될 수 있다.

상기 바렐이송부는 상기 바렐(103)을 상기 수조(101) 내로 장입하거나 상기 수조(101)로부터 인출하며, 수평 또는 수직 방향으로 이송시키는 바렐수직이송부(110)와 바렐수평이송부(120)를 포함하여 구성된다.

상기 바렐수직이송부(110)는 상기 바렐(103)이 회전 가능하게 결합되는 바렐회전부(105)가 장착되어 수직으로 승하강되는 바렐수직이송붐(111)과, 상기 바렐수직이송붐(111)을 상기 바렐수평이송부(120)에 대하여 수직 방향으로 승하강시키도록 바렐수직이송붐(111)과 바렐수평이송부(120)의 사이에 결합 형성되는 바렐수직이송기(113)를 포함하여 구성된다.

상기 바렐수직이송기(113)는, 상기 바렐수직이송붐(111)을 상기 바렐수평이송부(120)에 대하여 수직 방향으로 승하강시키는 구동장치로 구성된다. 상기 구동장치의 일 예로는, 피니언 기어가 장착되어 상기 바렐수평이송부(120)에 고정되는 모터와 상기 피니언 기어와 레크 피니언 결합되도록 상기 바렐수직이송붐(111)의 피니언 측에 대향하는 면에 형성되는 레크 기어의 구성, 상기 바렐수직이송붐(111)을 상기 바렐수직이송부(110)에 대하여 승하강시키는 유압 장치의 구성, 체인과 스프로킷의 구성 등으로 다양하게 구성될 수 있다.

상기 바렐수평이송부(120)는 상기 바렐(103)를 수평 이송시키도록 상기 바렐수직이송기(113)가 결합되는 바렐수평이송기(123)와, 상기 바렐수평이송기(123)가 수평 방향 이동되도록 결합되는 바렐수평이송붐(121)을 포함하여 구성될 수 있다.

상기 바렐수평이송기(123)는, 상기 바렐수직이송부(110)를 수평 방향으로 이동시키는 구동장치로 구성된다. 상기 구동장치의 일 예로는, 피니언 기어가 장착되어 상기 바렐수평이송붐(121)에 이동 가능하게 장착되고, 상기 바렐수직이송기(113)와 고정 결합되는 모터와 상기 피니언 기어와 레크 피니언 결합되도록 상기 바렐수평이송붐(121)의 피니언 측에 대향하는 면에 형성되는 레크 기어의 구성, 상기 바렐수직이송붐(111)을 상기 바렐수평이송부(120)에 대하여 수평방향으로 이동시키는 유압 장치의 구성, 체인과 스프로킷의 구성 등으로 다양하게 구성될 수 있다.

상기 검출센서부(130)는, 상기 검출센서들이 집합된 센서모듈(137)이 장착되어 검출센서들에서 검출된 도금 용액의 특성 정보를 상기 주제어부로 전송하는 통신부(135)와, 상기 통신부(135)가 장착되는 센서부승하강붐(131) 및 상기 바렐수직이송부(110)에 대하여 상기 센서부승하강붐(131)를 승하강시키도록 상기 바렐수직이송부(110)와 상기 센서부승하강붐(131)의 사이에 결합 구성되는 센서부승하강기(133)를 포함하여 구성될 수 있다.

상기 센서모듈(137)은 용액의 pH 센서, 전기전도도 센서, 온도 센서 등을 포함할 수 있다.

상기 통신부(135)는 블루투스, 적외선 통신 등의 근거리 무선 통신, RF 무선 통신 또는 와이파이 등을 이용한 인터넷 통신 등을 수행하도록 구성될 수 있다.

상술한 구성의 센서검출부(130)는 구동제어부(200)로부터 도금 용액의 특성 정보 검출 신호가 입력되면, 센서부승하강기(133)에 의해 하강되어 센서모듈(137)을 도금 용액에 입수시켜 도금 용액의 pH, 전기전도도, 온도를 포함하는 도금 특성 정보를 검출하여 주제어부(300)로 출력한다. 또한, 상기 센서검출부(130)는 도금 용액의 특성 정보 검출이 종료된 후에는 다시 센서부승하강기(133)에 의해 상승하여 센서모듈(137)을 도금 용액 밖으로 인출한 상태로 위치 복원된다. 이러한 구동에 의해 센서모듈(137)이 도금 용액에 잠긴 상태의 시간을 최소화시키는 것에 의해 도금 용액에 의한 센서의 파손을 방지함으로써, 센서모듈의 사용 수명을 연장시킨다.

상기 구동제어부(2)는 상기 주제어부(300)의 제어 명령에 따라, 상기 바렐회전부(105), 바렐수직이송부(110), 바렐수평이송부(120) 또는 검출센서부(130)의 구동을 개별적으로 제어하도록 구성된다.

상기 주제어부(300)는 상기 도금 장치부(100)에서 전송된 도금 용액의 특성 정보를 수신한 후, 누적된 도금 정보를 이용한 기계 학습에 의해 생성된 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하도록 구성된다.

이때, 상기 심층 신경망 알고리즘(deep neural network algorithm)은, 도금 시간 5~ 15분, 온도 50 ~ 150도, pH값 2~5, 전기전도도 20 ~ 80(mS/cm)으로 변화시키면서 공정데이터 및 도금 막 두께 데이터 수집하며, 최소 50 조건 이상의 실험을 진행한다. 도금 막 두께 예측 심층신경망은 선형신경망인 FFNN(feed-forward neural network) 구조를 갖고, 지도학습 방법을 이용하여 신경망 학습을 수행한다. 입력 인자는 총 10개로 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균+표준편차, 평균-표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 100개 이상의 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정한다. FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하며, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용한다. 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델 발굴하도록 구성된다.

또한, 상기 주제어부(300)는 도금 특성 정보 중 하나인 시간(공정 시간) 측정을 위한 타이머를 더 포함하여 구성될 수 있다.

상술한 구성의 상기 주제어부(300)는 전체 도금 공정이 수행되도록 전체 도금 공정 수행의 제어 신호를 상기 구동제어부(200)로 출력하고, 상기 구동제어부(200)는 주제어부(300)로부터 입력된 도금 공정 수행 제어 신호에 따라 도금 장치부(1)의 각 구성을 제어하는 것에 의해 소재에 대한 도금을 수행한다.

도 2는 본 발명의 일 실시예의 도금 막 두께 예측 방법의 처리과정을 나타내는 순서도이다.

도 2와 같이, 본 발명의 다른 실시예의 도금 막 두께 예측 방법은, 도금 용액이 수용되는 수조(101)와 도금 대상 소재가 장입되는 바렐(103)과 상기 바렐(103)을 수평 또는 상기 수조(101) 내의 도금 용액의 특성 정보 검출 시 센서모듈(137)을 구비하여 수직 이송시키는 바렐이송부 및 상기 바렐이송부에 승하강 가능하게 장착되는 검출센서부를 포함하는 도금 장치부(100) 및 상기 도금 장치부(100)에서 전송된 도금 용액의 특성 정보를 수신한 후, 누적된 도금 정보를 이용한 기계 학습에 의해 생성된 도금 막 두께를 예측하는 심층 신경망 알고리즘에 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하는 주제어부(300)를 포함하여 구성되는 도금 막 두께 예측 장치(1)에 의한 도금 막 두께 예측 방법에 있어서, 도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계(S10), 수집된 상기 도금 정보를 기계학습에 적용하여 도금 막 두께를 예측하는 심층 신경망 알고리즘을 생성하는 단계(S20), 상기 도금 장치부(100)가 상기 센서모듈(137)을 상기 도금 용액에 침지시켜 도금 용액의 특성 정보를 검출하여 출력하는 단계(S30) 및 상기 주제어부(300)가 상기 도금 용액의 특성 정보를 수신한 후 상기 심층 신경망 알고리즘을 적용하여 도금 막 두께를 예측하는 단계(S40)를 포함하여 구성될 수 있다.

상기 도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계(10)는, 도금 시간 5~ 15분, 온도 50 ~ 150도, pH값 2~5, 전기전도도 20 ~ 80(mS/cm)으로 변화시키면서 공정데이터 및 도금 막 두께 데이터 수집하며, 최소 50 조건 이상의 실험을 진행하여 수행되는 것일 수 있다.

이와 달리, 상기 저장된 도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보 수집하는 단계는, 검색 엔진을 이용하여 인터넷을 통해 도금 정보를 수집하거나, 수집된 논문, 학술지, 특허 정보 등의 기록 매체를 이용하여 입력하는 것에 의해, 도금 정보 데이터베이스를 생성하는 단계일 수도 있다.

상기 도금 용액의 특성 정보는, 상기 도금 용액의 pH 값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하고, 상기 도금 정보 데이터 베이스는, 도금 소재, 도금 용액 소재, 도금 막 두께 정보와 함께 상기 도금 특성 정보를 서로 매핑시켜 저장하는 것에 의해 데이터 관리 기능을 수행하도록 생성될 수 있다.

도 3은 본 발명의 일 실시예의 심층 신경망 알고리즘의 도면이다.

도 3에서, 각 변수는 도금시간 = t, pH값 평균 = μPh, pH값 표준편차 = σpH, 전기전도도 평균 = μEC, 전기전도도 표준편차 = σEC, 온도 평균 = μTemp, 온도 표준편차 = σTemp, 도금 막 두께 평균= μthickness, 도금 막 두께 표준편차 = σthickness를 이다.

도 3가 같이, 상기 심층 신경망 알고리즘을 생성하는 단계(S20)는, 도금 막 두께 예측 심층신경망은 선형신경망인 FFNN(feed-forward neural network) 구조를 갖고, 지도학습 방법을 이용하여 신경망 학습을 수행한다. 입력 인자는 총 10개로 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균+표준편차, 평균-표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 100개 이상의 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정한다. FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하며, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용한다. 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델 발굴한다.

최적의 심층신경망 모델의 성능평가를 위해 학습에서 사용되지 않은 도금 공정 조건을 심층신경망에 입력하였을 시 출력되는 결과값과 실제 도금막 평균 두께 및 표준편차를 비교하여 R² 값이 0.9 이상이 되면 실제 생산 현장에 적용 가능한 것으로 판단한다.

상기 도금 용액의 특성 정보를 검출하여 출력하는 단계(S30)는, 상기 도금 용액의 특성 정보의 검출 시에만 상기 센서모듈을 상기 도금 용액에 침지시킨 후, 도금 용액의 특성 정보 검출이 종료된 경우 도금 용액으로부터 상기 센서모듈을 인출하는 동작에 의해 수행되는 것을 특징으로 한다.

상기 도금 용액의 특성 정보를 검출하여 출력하는 단계(S30)에서, 검출된 상기 도금 용액 특성 정보를 적외선, 블루투스 등의 근거리통신, RF 통신 또는 와이파이를 이용한 인터넷 통신 등의 무선 통신에 의해 상기 주제어부(300)로 전송될 수 있다.

상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진 자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

1: 도금 막 두께 예측 장치
100: 도금 장치부
101: 수조 103: 바렐
105: 바렐회전부 110: 바렐수직이송부
111: 바렐수직이송붐 113: 바렐수직이송기
120: 바렐수평이송부 121: 바렐수평이송붐
123: 바렐수평이송기 130: 검출센서부
131: 센서부승하강붐 133: 센서부승하강기
135: 통신부 137: 센서모듈
200: 구동제어부
300: 주제어부

Claims

도금 용액이 수용되는 수조 내의 도금 용액의 pH 값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하는 특성 정보를 검출하여 출력하는 도금 장치부; 및
상기 도금 용액에 대한 특성 정보 및 도금막 두께 정보를 포함하는, 누적된 도금 정보를 인용한 기계 학습에 의해 생성될 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 상기 도금 장치부로부터 수신한 상기 도금 용액의 특성 정보를 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하는 주제어부;를 포함하고,
상기 심층신경망 알고리즘은, 선형신경망인 FFNN(feed-forward neural network) 구조를 가지며, 지도학습 방법을 이용하여, 입력 인자는 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균 + 표준편차, 평균 - 표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정하며, FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하고, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용하며, 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델을 발굴하여 생성되는 것인, 도금 막 두께 예측 장치.
삭제
제1항에 있어서, 상기 도금 장치부는,
상기 수조; 및
도금 대상 소재가 장입되어 상기 수조의 도금 용액으로 침지되는 바렐;
상기 바렐을 상기 수조 내로 장입하거나 상기 수조로부터 인출하며, 수평 또는 수직 방향으로 이송시키는 바렐이송부; 및
상기 바렐이송부에 승하강 가능하게 장착되어 상기 수조 내의 도금 용액의 특성 정보 검출을 위해 상기 도금 용액으로 침지되거나 상기 도금 용액으로부터 인출되는 검출센서들을 구비한 검출센서부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치.
제3항에 있어서, 상기 바렐이송부는,
상기 바렐을 회전 가능하게 지지하며, 상기 바렐을 상기 도금 용액으로 침지시키거나 상기 도금용액으로부터의 인출시키도록 승하강되는 바렐수직이송부; 및
상기 바렐수직이송부를 수평 이송시키도록 상기 바렐수직이송부와 결합되는 바렐수평이송부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치.
제3항에 있어서, 상기 검출센서부는,
상기 검출센서들이 집합된 센서모듈이 장착되어 검출센서들에서 검출된 도금 용액의 특성 정보를 상기 주제어부로 전송하는 통신부;
상기 통신부가 장착되는 센서부승하강붐; 및
상기 바렐이송부에 대하여 상기 센서부승하강붐을 승하강시키도록 상기 바렐이송부와 상기 센서부승하강붐의 사이에 결합 구성되는 센서부승하강기;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치.
제1항에 있어서,
상기 도금 장치부의 구동을 위한 구동제어부;를 더 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치.
도금 용액의 pH값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하는 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계;
수집된 상기 도금 정보를 기계학습에 적용하여 생성될 도금 막 두께를 예측하는 심층 신경망 알고리즘을 생성하는 단계;
도금 장치부가 센서모듈을 상기 도금 용액에 침지시켜 도금 용액의 특성 정보를 검출하여 출력하는 단계; 및
누적된 도금 정보를 인용한 기계 학습에 의해 생성될 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 상기 도금 장치부로부터 수신한 상기 도금 용액의 특성 정보를 입력하여 최종 생성될 도금 막의 두께를 예측하는 주제어부가 상기 심층 신경망 알고리즘에 상기 도금 장치로부터 수신한 상기 도금 용액의 특성 정보를 적용하여 최종 생성될 도금 막 두께를 예측하는 단계;를 포함하고,
상기 심층 신경망 알고리즘을 생성하는 단계는, 선형신경망인 FFNN(feed-forward neural network) 구조를 가지며, 지도학습 방법을 이용하여, 입력 인자는 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균+표준편차, 평균-표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정하며, FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하고, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용하며, 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델 발굴하는 단계인 것인, 도금 막 두께 예측 방법.
제7항에 있어서, 도금정보를 수집하는 단계는,
도금 시간 5~ 15분, 온도 50 ~ 150도, pH값 2~5, 전기전도도 20 ~ 80(mS/cm)으로 변화시키면서 공정데이터 및 도금 막 두께 데이터 수집하며, 최소 50 조건 이상의 실험을 진행하여 수행되는 것을 특징으로 하는 도금 막 두께 예측 방법.
삭제
제7항에 있어서, 상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는,
상기 도금 용액의 특성 정보의 검출 시에만 상기 센서모듈을 상기 도금 용액에 침지시킨 후, 도금 용액의 특성 정보 검출이 종료된 경우 도금 용액으로부터 상기 센서모듈을 인출하는 동작에 의해 수행되는 것을 특징으로 하는 도금 막 두께 예측 방법.
제7항에 있어서, 상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는,
검출된 상기 도금 용액 특성 정보를 무선 통신에 의해 상기 주제어부로 전송하도록 구성되는 것을 특징으로 하는 도금 막 두께 예측 방법.
삭제