KR102370144B1 - Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting - Google Patents

Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting Download PDF

Info

Publication number
KR102370144B1
KR102370144B1 KR1020200092261A KR20200092261A KR102370144B1 KR 102370144 B1 KR102370144 B1 KR 102370144B1 KR 1020200092261 A KR1020200092261 A KR 1020200092261A KR 20200092261 A KR20200092261 A KR 20200092261A KR 102370144 B1 KR102370144 B1 KR 102370144B1
Authority
KR
South Korea
Prior art keywords
pore
casting
cause
process variable
pores
Prior art date
Application number
KR1020200092261A
Other languages
Korean (ko)
Other versions
KR20220013134A (en
Inventor
이은경
서동환
김원열
안철민
Original Assignee
한국해양대학교 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 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020200092261A priority Critical patent/KR102370144B1/en
Publication of KR20220013134A publication Critical patent/KR20220013134A/en
Application granted granted Critical
Publication of KR102370144B1 publication Critical patent/KR102370144B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Toxicology (AREA)
  • Mechanical Engineering (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치가 제시된다. 일 실시예에 따른 자동 공정 변수 제어 방법은, 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계; 및 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계를 포함하고, 기계학습기반으로 상기 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 상기 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다. A method and apparatus for automatic process variable control using machine learning-based die casting casting defect detection and cause analysis are presented. An automatic process variable control method according to an embodiment includes: receiving an image of a casting and performing pore detection; and automatically controlling the process variables by detecting the cause of the pore generation when the pore is detected. It is possible to improve the quality of the produced castings by controlling the

Figure R1020200092261
Figure R1020200092261

Description

기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치{Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting}Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting

아래의 실시예들은 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치에 관한 것이다. The following embodiments relate to an automatic process variable control method and apparatus using machine learning-based die-casting casting defect detection and cause analysis.

주조란 금속을 금형에 주입한 후 응고시켜 특정한 형태로 만드는 것을 의미하며, 주조를 거쳐 만들어진 제품을 주물이라 한다. 주조기술은 금속소재의 가공기술 중에서 가장 기본이 되는 것이며, 금속산업의 발전에 중요한 역할을 하고 있다. Casting means pouring metal into a mold and solidifying it to make it into a specific shape, and a product made through casting is called a casting. Casting technology is the most basic of metal processing technologies and plays an important role in the development of the metal industry.

앞서 말한 바와 같이, 전체 주물 생산량의 절반 이상이 자동차산업에서 사용되고 있어 주조기술은 자동차의 생산량의 증대에 큰 기여를 하고 있다. 따라서, 주조기술의 발전은 자동차 산업의 경쟁력과 밀접한 관계가 있다고 할 수 있다.As mentioned above, more than half of the total casting production is used in the automobile industry, so casting technology is contributing greatly to the increase in automobile production. Therefore, it can be said that the development of casting technology is closely related to the competitiveness of the automobile industry.

주조기술에 의한 제품 중에서도, 특히 다이캐스팅에 의한 제품은 피로강도, 내열성, 내마모성의 요구, 대량생산, 치수정밀도와 재질의 균질성 요구, 경량화 요구 및 복잡한 형상 등으로 인해 금형주조법이라는 주조 공법으로 생산된다.Among the products by casting technology, in particular, the products by die casting are produced by a casting method called the mold casting method due to the requirements of fatigue strength, heat resistance, wear resistance, mass production, dimensional precision and material homogeneity, weight reduction, and complex shape.

한국등록특허 10-2023435호는 이러한 다이캐스팅 자동화 장치에 관한 것으로, 주조품의 성형과 냉각 그리고 이송에 이어 트리밍, 디버링, 검사에 이르기까지 전반적인 공정을 자동으로 처리하여 무인화가 가능한 다이캐스팅 자동화 장치에 관한 기술을 기재하고 있다.Korea Patent No. 10-2023435 relates to such a die-casting automation device, and it is a technology related to a die-casting automation device that can be unmanned by automatically processing the entire process from molding, cooling, and transfer of castings to trimming, deburring, and inspection. are described.

이와 같이 기존에 전반적인 공정을 자동으로 처리하여 무인화가 가능한 다이캐스팅 자동화 장치를 제공하고 있으나, 불량품 검사를 자동으로 처리하는 방법은 제시되지 않았다. As described above, although an automated die-casting device that can be unmanned is provided by automatically processing the overall process, a method for automatically processing defective product inspection has not been proposed.

한국등록특허 10-2023435호Korean Patent Registration No. 10-2023435

실시예들은 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치에 관하여 기술하며, 보다 구체적으로 기계학습기반 주조 기공 검출을 통한 주조공정 자동화 기술을 제공한다. The embodiments describe a method and apparatus for automatic process variable control using machine learning-based die-casting casting defect detection and cause analysis, and more specifically, provide a casting process automation technology through machine learning-based casting pore detection.

실시예들은 주조 공정의 변수에 따른 주조품의 기공결함을 검출하여 다이캐스팅 주조품의 기계적 성질에 영향을 끼치는 기공결함의 형상 및 위치 및 분포와 주조 공정 변수 계측을 통해 기공 발생 원인을 검출하여 자동적으로 공정 변수 제어가 가능한, 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치를 제공하는데 있다. The embodiments detect the pore defects of the casting according to the variables of the casting process, and automatically detect the cause of the pore generation through the shape, location and distribution of pore defects affecting the mechanical properties of the die-casting casting and the measurement of the casting process variables. An object of the present invention is to provide a controllable, automatic process variable control method and apparatus using machine learning-based die casting defect detection and cause analysis.

일 실시예에 따른 자동 공정 변수 제어 방법은, 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계; 및 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계를 포함하고, 기계학습기반으로 상기 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 상기 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다. An automatic process variable control method according to an embodiment includes: receiving an image of a casting and performing pore detection; and automatically controlling the process variables by detecting the cause of the pore generation when the pore is detected. It is possible to improve the quality of the produced castings by controlling the

상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는, 다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있다. In the step of receiving the image of the casting and performing pore detection, the pore detection may be performed through an X-ray image of the die-casting product.

상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는, 상기 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다. In the step of receiving the image of the casting and performing pore detection, at least any one or more of the shape, position, and distribution of pores in the image of the casting may be confirmed.

상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는, 기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하는 단계; 가공된 상기 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행하는 단계; 상기 분류 데이터 매칭을 통해 기공을 판별하는 단계; 및 상기 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할하는 단계를 포함할 수 있다. The step of receiving the image of the casting and performing the pore detection may include: obtaining an image in which the pore positions of the existing castings are classified and processing the image into data optimized for machine learning; performing classification data matching using the processed data optimized for machine learning; determining the pore through the classification data matching; and dividing the pore detection area when it is determined that the pores exist.

상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는, 상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하는 단계를 더 포함할 수 있다. The step of receiving the image of the cast product and performing pore detection may further include classifying types according to the shape of pores of the cast product in which the cause of the pore generation may be reflected.

상기 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계는, 주조 공정 변수 계측을 통해 상기 기공 발생의 원인을 검출하여 자동적으로 상기 공정 변수를 제어할 수 있다. In the step of automatically controlling the process variable by detecting the cause of the porosity, the process variable may be automatically controlled by detecting the cause of the pore generation by measuring the casting process variable.

상기 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계는, 상기 주조품의 결함인 기공을 최종 결과로 두어 근본적인 1차 원인을 파악하는 단계; 상기 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 상기 기공 발생의 최종 원인과 상기 공정 변수와의 상관관계를 도출하는 단계; 및 상기 기공 발생의 최종 원인과 연관된 상기 공정 변수를 제어하는 단계를 포함할 수 있다. The step of automatically controlling the process variables by detecting the cause of the porosity may include: identifying the underlying primary cause by setting the pore, which is a defect of the casting, as a final result; sequentially identifying secondary causes for the primary causes, identifying the final causes of pore occurrence through iterative causation, and deriving a correlation between the final cause of pore occurrence and the process variables; and controlling the process variable associated with the ultimate cause of the porosity.

다른 실시예에 따른 자동 공정 변수 제어 장치는, 주조품의 영상을 입력 받아 기공 검출을 수행하는 기공 검출부; 및 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 기공 발생 원인 검출부를 포함하고, 기계학습기반으로 상기 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 상기 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다. An automatic process variable control apparatus according to another embodiment includes: a pore detection unit receiving an image of a casting and performing pore detection; and a pore occurrence cause detection unit for automatically controlling process variables by detecting the cause of pore generation when detecting pores, and analyzes the cause of defects for pore generation by detecting pores in the casting based on machine learning and automatically By controlling the process parameters, the quality of the produced casting can be improved.

상기 기공 검출부는, 다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있다. The pore detection unit may detect pores through an X-ray image of a die-casting product.

상기 기공 검출부는, 상기 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다. The pore detection unit may identify at least one of a shape, a position, and a distribution of pores in the image of the casting.

상기 기공 검출부는, 기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하고, 가공된 상기 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행함에 따라 기공을 판별하며, 상기 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할할 수 있다. The pore detection unit secures an image in which the pore positions of existing castings are classified, processes them into data optimized for machine learning, and determines the pores by performing classification data matching using the processed data optimized for machine learning And, when it is determined that the pores exist, the pore detection area may be divided.

상기 기공 검출부는, 상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류할 수 있다. The pore detection unit may classify the type according to the shape of the pores of the casting in which the cause of the pore generation may be reflected.

상기 기공 검출부는, 컨볼루션 인코더(Convolution Encoder) 또는 디코더(Decoder)를 사용할 수 있다. The pore detector may use a convolution encoder or a decoder.

상기 기공 발생 원인 검출부는, 주조 공정 변수 계측을 통해 상기 기공 발생의 원인을 검출하여 자동적으로 상기 공정 변수를 제어할 수 있다. The pore generation cause detection unit may detect the cause of the pore generation by measuring the casting process variable and automatically control the process variable.

상기 기공 발생 원인 검출부는, 상기 주조품의 결함인 기공을 최종 결과로 두어 근본적인 1차 원인을 파악하며, 상기 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 상기 기공 발생의 최종 원인과 상기 공정 변수와의 상관관계를 도출함에 따라 상기 기공 발생의 최종 원인과 연관된 상기 공정 변수를 제어할 수 있다. The pore occurrence cause detection unit identifies the fundamental primary cause by placing the pore, which is a defect in the casting, as the final result, and sequentially identifies the secondary cause for the primary cause to determine the final cause of porosity through repeated cause identification. By determining a cause and deriving a correlation between the final cause of the pore generation and the process variable, the process variable associated with the final cause of the pore occurrence may be controlled.

실시예들에 따르면 주조 공정의 변수에 따른 주조품의 기공결함을 검출하여 다이캐스팅 주조품의 기계적 성질에 영향을 끼치는 기공결함의 형상 및 위치 및 분포와 주조 공정 변수 계측을 통해 기공 발생 원인을 검출하여 자동적으로 공정 변수 제어가 가능한, 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치를 제공할 수 있다. According to the embodiments, by detecting the pore defects of the casting according to the variables of the casting process, the shape, location, and distribution of the pore defects affecting the mechanical properties of the die-casting castings, and the cause of the pore generation through the measurement of the casting process variables are detected and automatically It is possible to provide a method and apparatus for automatic process variable control using machine learning-based die-casting casting defect detection and cause analysis capable of controlling process variables.

도 1은 일반적인 다이캐스팅 주조 공정을 나타내는 도면이다.
도 2는 일 실시예에 따른 자동 공정 변수 제어 장치를 나타내는 블록도이다.
도 3은 일 실시예에 따른 자동 공정 변수 제어 장치를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 기공 검출 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다.1 is a view showing a general die-casting casting process.
2 is a block diagram illustrating an automatic process variable control apparatus according to an exemplary embodiment.
3 is a view for explaining an automatic process variable control apparatus according to an exemplary embodiment.
4 is a flowchart illustrating an automatic process variable control method according to an exemplary embodiment.
5 is a flowchart illustrating a pore detection method according to an embodiment.
6 is a flowchart illustrating an automatic process variable control method according to an exemplary embodiment.

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.Hereinafter, embodiments will be described with reference to the accompanying drawings. However, the described embodiments may be modified in various other forms, and the scope of the present invention is not limited by the embodiments described below. In addition, various embodiments are provided in order to more completely explain the present invention to those of ordinary skill in the art. The shapes and sizes of elements in the drawings may be exaggerated for clearer description.

아래의 실시예들은 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치에 관한 것으로, 주조 공정의 변수에 따른 주조품의 기공결함을 검출하여 다이캐스팅 주조품의 기계적 성질에 영향을 끼치는 기공결함의 형상 및 위치 및 분포와 주조 공정 변수 계측을 통해 기공 발생 원인을 검출하여 자동적으로 공정 변수 제어가 가능한 기술을 제공할 수 있다.The following embodiments relate to an automatic process variable control method and apparatus using machine learning-based die-casting casting defect detection and cause analysis. It is possible to provide a technology capable of automatically controlling process variables by detecting the cause of pore generation through the shape, location and distribution of pore defects and measurement of casting process variables.

고품질 알루미늄 다이캐스팅 부품 생산을 위해 용탕의 흐름이나 제품 내 부위별 응고의 예측 등을 통한 결함을 통한 제어 기법에 관한 연구가 증가하고 있다. 우수한 예측성을 위해 매년 계산 방법이나 용탕의 흐름해석, 응고 해석 등 다양한 메커니즘을 추가하여 개선되고 있으나, 결함 종류의 파악과 이에 대한 원인을 연결하여 생산 및 품질의 안정성과 효율성을 높이기 위한 모니터링 솔루션의 시급하다.For the production of high-quality aluminum die-casting parts, research on control techniques through defects such as the flow of molten metal or the prediction of solidification for each part in the product is increasing. For excellent predictability, various mechanisms such as calculation methods, molten metal flow analysis, and solidification analysis are added every year to improve predictability. urgent

따라서 본 실시예에서는 기계학습기반 주조 기공 검출을 통한 주조 공정 자동화 기술을 제안한다. Therefore, this embodiment proposes a casting process automation technology through machine learning-based casting pore detection.

도 1은 일반적인 다이캐스팅 주조 공정을 나타내는 도면이다.1 is a view showing a general die-casting casting process.

도 1을 참조하면, 일반적인 다이캐스팅 주조 공정은 주조(Die casting) 단계(10), 열처리(Heat-treatment) 단계(20), 후가공(Post-processing) 단계(30) 및 검사 단계(40)를 포함하여 이루어질 수 있다. Referring to FIG. 1 , a typical die casting casting process includes a die casting step 10 , a heat-treatment step 20 , a post-processing step 30 and an inspection step 40 . can be done by

주조 단계(10)는 용융 금속을 금속 주형에 가압하여 주입하는 것으로, 금속의 용융점에 따라 열가압 및 냉가압 방법이 있다. The casting step 10 is to press and inject molten metal into a metal mold, and there are hot pressing and cold pressing methods depending on the melting point of the metal.

열처리 단계(20)는 가열 및 냉각 등의 적절한 조절을 통해 우수한 기계적 성질 및 상 종류, 배합을 도출하는 공정법으로, 주로 어닐링, 노멀라이징, 템퍼링, ??칭 등이 수행된다. The heat treatment step 20 is a process method of deriving excellent mechanical properties, phase types, and formulations through appropriate control such as heating and cooling, and mainly annealing, normalizing, tempering, quenching, etc. are performed.

후가공 단계(30)는 치수의 정밀성 및 정확성을 위해 연마 및 연삭이 수행되며, 예컨대 CNC 가공 및 MCT 가공이 수행될 수 있다. In the post-processing step 30, grinding and grinding are performed for dimensional precision and accuracy, for example, CNC machining and MCT machining may be performed.

검사 단계(40)는 가공품의 결함 정도를 확인하는 과정으로, 주로 3D 스캐닝 CT에 의해서 수행되며, 결함 및 공급, 유통성 확인 가공을 수행한다.The inspection step 40 is a process of confirming the degree of defects in the workpiece, and is mainly performed by 3D scanning CT, and performs defects, supply, and distribution checking processing.

기존의 다이캐스팅 주조 공정의 경우, 주로 검사부에서 CT(Computed Tomography) 또는 X-ray를 활용하여 결함을 사람이 육안으로 판별하는 과정 또는 시스템을 통해 검사를 진행한다.In the case of the existing die-casting casting process, the inspection department mainly utilizes computed tomography (CT) or X-ray to inspect defects through a process or system in which a person visually identifies defects.

도 2는 일 실시예에 따른 자동 공정 변수 제어 장치를 나타내는 블록도이다. 2 is a block diagram illustrating an automatic process variable control apparatus according to an exemplary embodiment.

도 2를 참조하면, 실시예들은 기공결함의 원인을 분석하여 이를 바탕으로 공정 변수를 제어할 수 있다. 일 실시예에 따른 자동 공정 변수 제어 장치(200)는 다이캐스팅 주조품의 X-ray 영상(201)에서 결함의 형상 및 위치, 분포를 확인할 수 있는 기공 검출부(210)와, 기공결함에 영향을 미칠 수 있는 주조 공정 변수와 기공 검출부(210)의 데이터의 상관관계를 분석할 수 있는 기공 발생 원인 검출부(220)를 포함할 수 있다.Referring to FIG. 2 , in the embodiments, the cause of the pore defect may be analyzed and process variables may be controlled based on the analysis. The automatic process variable control apparatus 200 according to an embodiment includes a pore detection unit 210 that can check the shape, location, and distribution of defects in the X-ray image 201 of the die-casting casting, and may affect the pore defects. It may include a pore occurrence cause detection unit 220 capable of analyzing the correlation between the casting process variables and the data of the pore detection unit 210 .

기공 검출부(210)에서는 기존에 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하고, 분류 데이터 매칭을 통해 기공을 판별할 수 있다. 결함이 존재한다고 판단된다면 기공결함 영역을 분할할 수 있다. 이 때, 주조 공정 제품 기공의 형상에 따라 종류가 나누어질 수 있으므로 종류에 따라 공정단계의 다양한 결함 원인을 나타낼 수 있다. 따라서 기공결함의 종류까지 분류할 수 있다. 예를 들어, 기존의 기공결함 데이터를 이용하여 결함이 존재한다고 판단된 기공결함 영역을 각각 분석할 수 있으며, 기공 형상에 따라 종류를 나누고, 그 종류에 따라 결함 원인을 파악할 수 있다. 이 때 알고리즘은 컨볼루션 인코더(Convolution Encoder) 및 디코더(Decoder)를 사용할 수 있다.The pore detection unit 210 may obtain an image in which the pore positions of the castings are classified, process it into data optimized for machine learning, and determine the pore through classification data matching. If it is determined that there is a defect, the pore defect region can be divided. At this time, since the types may be divided according to the shape of the pores of the casting process product, various causes of defects in the process steps may be indicated depending on the type. Therefore, even the types of pore defects can be classified. For example, each pore defect region determined to have a defect may be analyzed using existing pore defect data, and types may be classified according to pore shapes, and the cause of defects may be identified according to the types. In this case, the algorithm may use a convolution encoder and a decoder.

기공 발생 원인 검출부(220)는 다이캐스팅 부품의 결함인 기공을 최종 결과로 두어 Trapped-gas, 용탕 부족 등 근본적인 1차 원인을 파악한 뒤, 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 결함의 최종 원인 파악 및 공정 변수와의 상관관계를 도출할 수 있다. 이를 통해 원인과 연관된 공정 변수를 제어할 수 있다. The pore occurrence cause detection unit 220 sets the pore, which is a defect of the die-casting part, as the final result to identify the primary primary cause such as trapped-gas and lack of molten metal, and then sequentially identifies the secondary cause for the primary cause and repeats the cause Through the identification, the final cause of the defect can be identified and correlation with the process variables can be derived. This allows control of process variables associated with causes.

아래에서 일 실시예에 따른 자동 공정 변수 제어 장치(200)를 보다 상세히 설명한다.Hereinafter, the automatic process variable control apparatus 200 according to an embodiment will be described in more detail.

도 3은 일 실시예에 따른 자동 공정 변수 제어 장치(200)를 설명하기 위한 도면이다. 3 is a view for explaining an automatic process variable control apparatus 200 according to an exemplary embodiment.

도 3을 참조하면, 일 실시예에 따른 자동 공정 변수 제어 장치(200)는 기공 검출부(210) 및 기공 발생 원인 검출부(220)를 포함하여 이루어질 수 있다. Referring to FIG. 3 , the automatic process variable control apparatus 200 according to an embodiment may include a pore detection unit 210 and a pore occurrence cause detection unit 220 .

기공 검출부(210)는 주조품의 영상(201)을 입력 받아 기공 검출을 수행할 수 있다. 여기서, 기공 검출부(210)는 다이캐스팅(Die casting) 주조품의 X-ray 영상(201)을 통해 기공 검출을 수행할 수 있다. The pore detection unit 210 may receive the image 201 of the casting and perform pore detection. Here, the pore detection unit 210 may perform pore detection through the X-ray image 201 of the die-casting product.

이러한 기공 검출부(210)는 주조품의 영상(201)에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다. 예를 들어, 기공 검출부(210)는 기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공(211)하고, 가공된 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행(212)함에 따라 기공을 판별(213)하며, 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할(214)할 수 있다. 또한, 기공 검출부(210)는 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류할 수 있다. 이 때, 기공 검출부(210)는 컨볼루션 인코더(Convolution Encoder) 또는 디코더(Decoder)를 사용할 수 있다. The pore detection unit 210 may confirm at least any one or more of the shape, position, and distribution of pores in the image 201 of the casting. For example, the pore detection unit 210 secures an image in which the pore positions of existing castings are classified, processes 211 into data optimized for machine learning, and matches classification data using the processed data optimized for machine learning By performing (212), pores are determined (213), and when it is determined that there are pores, the pore detection area can be divided (214). In addition, the pore detection unit 210 may classify the type according to the shape of the pores of the casting in which the cause of the pore generation can be reflected. In this case, the pore detection unit 210 may use a convolution encoder or a decoder.

기공 발생 원인 검출부(220)는 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어할 수 있다. 예컨대, 기공 발생 원인 검출부(220)는 주조 공정 변수 계측(222)을 통해 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어(221)할 수 있다. The pore occurrence cause detection unit 220 may detect the cause of the pore generation when the pore is detected and automatically control the process variable. For example, the pore generation cause detection unit 220 may detect the cause of the pore generation through the casting process variable measurement 222 and automatically control the process variable 221 .

기공 발생 원인 검출부(220)는 주조품의 결함인 기공을 최종 결과로 두어 근본적인 1차 원인을 파악하며, 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 기공 발생의 최종 원인과 공정 변수와의 상관관계를 도출함에 따라 기공 발생의 최종 원인과 연관된 공정 변수를 제어(221)할 수 있다. The pore occurrence cause detection unit 220 identifies the fundamental primary cause by putting the pore, which is a defect in the casting, as the final result, and sequentially identifies the secondary cause for the primary cause and repeatedly identifies the cause of the final cause of the pore occurrence. , and by deriving a correlation between the final cause of the pore generation and the process variable, the process variable associated with the final cause of the pore occurrence can be controlled (221).

이에 따라 기계학습기반으로 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다.Accordingly, the quality of the produced casting can be improved by detecting the pores of the casting based on machine learning, analyzing the cause of the defect for the generation of pores, and automatically controlling the process variables.

도 4는 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다. 4 is a flowchart illustrating an automatic process variable control method according to an exemplary embodiment.

도 4를 참조하면, 일 실시예에 따른 자동 공정 변수 제어 방법은, 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계(S110), 및 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계(S120)를 포함하고, 기계학습기반으로 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다. Referring to FIG. 4 , the automatic process variable control method according to an embodiment includes the step of receiving an image of a casting and performing pore detection ( S110 ), and when the pore is detected, the process variable automatically by detecting the cause of the pore Including the step (S120) of controlling the porosity, the quality of the produced casting can be improved by detecting the pores of the casting based on machine learning, analyzing the cause of the defects for the generation of pores, and automatically controlling the process variables.

실시예들에 따르면 생산된 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있을 뿐만 아니라, 기공 검출 시 기공 발생 원인 검출을 통하여 자동 공정 변수 제어함으로써 주조 공정부품의 품질을 향상시켜 나갈 수 있다. According to embodiments, not only can pore detection be performed through the X-ray image of the produced casting, but also the quality of casting process parts can be improved by automatically controlling process variables through the detection of the cause of pore generation during pore detection. .

아래에서 일 실시예에 따른 자동 공정 변수 제어 방법의 각 단계를 보다 상세히 설명한다. Below, each step of the automatic process variable control method according to an embodiment will be described in more detail.

일 실시예에 따른 자동 공정 변수 제어 방법은 앞에서 설명한 일 실시예에 따른 자동 공정 변수 제어 장치를 예를 들어 설명할 수 있다. 앞에서 설명한 바와 같이, 일 실시예에 따른 자동 공정 변수 제어 장치는 기공 검출부 및 기공 발생 원인 검출부를 포함하여 이루어질 수 있다. The automatic process variable control method according to the exemplary embodiment may be described using the automatic process variable control apparatus according to the above-described exemplary embodiment. As described above, the automatic process variable control apparatus according to an embodiment may include a pore detection unit and a pore occurrence cause detection unit.

단계(S110)에서, 기공 검출부는 주조품의 영상을 입력 받아 기공 검출을 수행할 수 있다. 여기서, 기공 검출부는 다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있다. In step S110, the pore detection unit may receive an image of the casting and perform pore detection. Here, the pore detection unit may perform pore detection through an X-ray image of a die-casting product.

기공 검출부는 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다. The pore detector may confirm at least one of a shape, a position, and a distribution of pores in the image of the casting.

도 5는 일 실시예에 따른 기공 검출 방법을 나타내는 흐름도이다.5 is a flowchart illustrating a pore detection method according to an embodiment.

도 5를 참조하면, 기공 검출 방법은, 기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하는 단계(S111), 가공된 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행하는 단계(S112), 분류 데이터 매칭을 통해 기공을 판별하는 단계(S113), 및 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할하는 단계(S114)를 포함할 수 있다. Referring to FIG. 5 , the pore detection method includes a step of securing an image in which the pore positions of existing castings are classified and processing it into data optimized for machine learning (S111), classified using the processed data optimized for machine learning It may include performing data matching ( S112 ), determining pores through classification data matching ( S113 ), and dividing the pore detection area when it is determined that pores exist ( S114 ).

또한, 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하는 단계를 더 포함할 수 있다. In addition, the method may further include classifying the types according to the shape of the pores of the cast product in which the cause of the pore generation can be reflected.

단계(S120)에서, 기공 발생 원인 검출부는 기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어할 수 있다. 예컨대, 기공 발생 원인 검출부는 주조 공정 변수 계측을 통해 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어할 수 있다. In step S120 , the pore occurrence cause detecting unit may detect the cause of the pore generation when the pore is detected and automatically control the process variable. For example, the pore generation cause detection unit may automatically control the process variable by detecting the cause of the pore generation by measuring the casting process variable.

도 6은 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다.6 is a flowchart illustrating an automatic process variable control method according to an exemplary embodiment.

도 6을 참조하면, 자동 공정 변수 제어 방법은, 주조품의 결함인 기공을 최종 결과로 두어 근본적인 1차 원인을 파악하는 단계(S121), 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 기공 발생의 최종 원인과 공정 변수와의 상관관계를 도출하는 단계(S122), 및 기공 발생의 최종 원인과 연관된 공정 변수를 제어하는 단계(S123)를 포함할 수 있다. Referring to FIG. 6 , the automatic process variable control method sets the pore, which is a defect in the casting, as the final result to identify the underlying primary cause (S121), and sequentially identifies the secondary cause for the primary cause and repeats iteratively. Identifying the final cause of pore occurrence through cause identification, deriving a correlation between the final cause of pore occurrence and the process variable (S122), and controlling the process variable associated with the final cause of pore occurrence (S123) may include

이상과 같이, 실시예들에 따르면 주조 공정의 변수에 따른 주조품의 기공결함을 검출하여 다이캐스팅 주조품의 기계적 성질에 영향을 끼치는 기공결함의 형상 및 위치 및 분포와 주조 공정 변수 계측을 통해 기공 발생 원인을 검출하여 자동적으로 공정 변수를 제어할 수 있다. As described above, according to the embodiments, the cause of pore generation is determined by detecting the pore defects of the casting according to the variables of the casting process and measuring the shape, location and distribution of the pore defects that affect the mechanical properties of the die-casting casting and the casting process variables. It can detect and automatically control the process parameters.

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.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

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.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

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. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

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.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (15)

자동 공정 변수 제어 장치를 이용한 자동 공정 변수 제어 방법에 있어서,
주조품의 영상을 입력 받아 기공 검출을 수행하는 단계; 및
기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계
를 포함하고,
기계학습기반으로 상기 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 상기 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시키며,
상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는,
기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하는 단계;
가공된 상기 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행하는 단계;
상기 분류 데이터 매칭을 통해 기공을 판별하는 단계; 및
상기 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할하는 단계
를 포함하며,
상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는,
상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하는 단계
를 더 포함하고,
컨볼루션 인코더(Convolution Encoder) 및 디코더(Decoder)를 사용하여 상기 주조품의 기공의 형상에 따라 종류를 분류함에 따라 상기 종류에 따른 공정단계의 결함 원인을 나타내며,
상기 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계는,
상기 주조품의 결함인 기공을 최종 결과로 두어 Trapped-gas 또는 용탕 부족에 따른 근본적인 1차 원인을 파악하는 단계;
상기 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 상기 기공 발생의 최종 원인과 상기 공정 변수와의 상관관계를 도출하는 단계; 및
상기 기공 발생의 최종 원인과 연관된 상기 공정 변수를 제어하는 단계
를 포함하는 것
을 특징으로 하는, 자동 공정 변수 제어 방법.In the automatic process variable control method using the automatic process variable control device,
performing pore detection by receiving an image of the casting; and
Step of automatically controlling process variables by detecting the cause of pore generation when pore detection
including,
Detecting the pores of the casting based on machine learning, analyzing the cause of the defect for the generation of pores, and automatically controlling the process variables to improve the quality of the cast product,
The step of receiving the image of the casting and performing pore detection comprises:
Securing an image in which the pore positions of existing castings are classified and processing them into data optimized for machine learning;
performing classification data matching using the processed data optimized for machine learning;
determining the pore through the classification data matching; and
dividing the pore detection area when it is determined that the pore exists
includes,
The step of receiving the image of the casting and performing pore detection comprises:
Classifying the type according to the shape of the pores of the casting in which the cause of the pore generation can be reflected
further comprising,
As the types are classified according to the shape of the pores of the casting using a convolution encoder and a decoder, the defect causes of the process steps according to the type are indicated,
The step of automatically controlling the process variable by detecting the cause of the pore generation,
Identifying the primary cause of the trapped-gas or lack of molten metal by placing the pore, which is a defect in the casting, as a final result;
a step of sequentially identifying secondary causes of the primary causes, identifying the final causes of pore occurrence through iterative identification of causes, and deriving a correlation between the final cause of pore occurrence and the process variables; and
controlling the process variable associated with the ultimate cause of the porosity.
containing
characterized in that, automatic process variable control method. 제1항에 있어서,
상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는,
다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행하는 것
을 특징으로 하는, 자동 공정 변수 제어 방법.According to claim 1,
The step of receiving the image of the casting and performing pore detection comprises:
Detecting pores through an X-ray image of a die-casting product
characterized in that, automatic process variable control method. 제1항에 있어서,
상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는,
상기 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인하는 것
을 특징으로 하는, 자동 공정 변수 제어 방법.According to claim 1,
The step of receiving the image of the casting and performing pore detection comprises:
Confirming at least any one or more of the shape, position, and distribution of pores in the image of the casting
characterized in that, automatic process variable control method. 삭제delete 삭제delete 제1항에 있어서,
상기 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 단계는,
주조 공정 변수 계측을 통해 상기 기공 발생의 원인을 검출하여 자동적으로 상기 공정 변수를 제어하는 것
을 특징으로 하는, 자동 공정 변수 제어 방법.According to claim 1,
The step of automatically controlling the process variable by detecting the cause of the pore generation,
To automatically control the process variable by detecting the cause of the porosity through the casting process variable measurement
characterized in that, automatic process variable control method. 삭제delete 주조품의 영상을 입력 받아 기공 검출을 수행하는 기공 검출부; 및
기공 검출 시, 기공 발생의 원인을 검출하여 자동적으로 공정 변수를 제어하는 기공 발생 원인 검출부
를 포함하고,
기계학습기반으로 상기 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 상기 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시키며,
상기 기공 검출부는,
기존의 주조품들의 기공 위치가 분류된 영상을 확보하여 기계학습에 최적화된 데이터로 가공하고, 가공된 상기 기계학습에 최적화된 데이터를 이용하여 분류 데이터 매칭을 수행함에 따라 기공을 판별하며, 상기 기공이 존재한다고 판단되는 경우, 기공 검출 영역을 분할하고, 상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하며,
컨볼루션 인코더(Convolution Encoder) 및 디코더(Decoder)를 사용하여 상기 주조품의 기공의 형상에 따라 종류를 분류함에 따라 상기 종류에 따른 공정단계의 결함 원인을 나타내고,
상기 기공 발생 원인 검출부는,
상기 주조품의 결함인 기공을 최종 결과로 두어 Trapped-gas 또는 용탕 부족에 따른 근본적인 1차 원인을 파악하며, 상기 1차 원인에 대한 2차 원인을 순차적으로 파악하여 반복적인 원인 규명을 통해 기공 발생의 최종 원인을 파악하고, 상기 기공 발생의 최종 원인과 상기 공정 변수와의 상관관계를 도출함에 따라 상기 기공 발생의 최종 원인과 연관된 상기 공정 변수를 제어하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치.a pore detection unit receiving an image of a casting and performing pore detection; and
When detecting pores, the cause detection unit detects the cause of the pores and automatically controls the process variables.
including,
Detecting the pores of the casting based on machine learning, analyzing the cause of the defect for the generation of pores, and automatically controlling the process variables to improve the quality of the cast product,
The pore detection unit,
The pore positions of the existing castings are classified by securing an image, processing them into data optimized for machine learning, and determining the pores by performing classification data matching using the processed data optimized for machine learning, and the pores are When it is determined that there is, the pore detection area is divided, and the type is classified according to the shape of the pores of the casting that can reflect the cause of the pore generation,
As the types are classified according to the shape of the pores of the casting using a convolution encoder and a decoder, the defect causes of the process steps according to the type are indicated,
The pore occurrence cause detection unit,
With the pore, which is a defect in the casting, as the final result, the fundamental primary cause due to the lack of trapped-gas or molten metal is identified. controlling the process variable associated with the final cause of the pore occurrence by determining the final cause and deriving a correlation between the final cause of the pore occurrence and the process variable
characterized in that, an automatic process variable control device. 제8항에 있어서,
상기 기공 검출부는,
다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치.9. The method of claim 8,
The pore detection unit,
Detecting pores through an X-ray image of a die-casting product
characterized in that, an automatic process variable control device. 제8항에 있어서,
상기 기공 검출부는,
상기 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치.9. The method of claim 8,
The pore detection unit,
Confirming at least any one or more of the shape, position, and distribution of pores in the image of the casting
characterized in that, an automatic process variable control device. 삭제delete 삭제delete 삭제delete 제8항에 있어서,
상기 기공 발생 원인 검출부는,
주조 공정 변수 계측을 통해 상기 기공 발생의 원인을 검출하여 자동적으로 상기 공정 변수를 제어하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치.9. The method of claim 8,
The pore occurrence cause detection unit,
To automatically control the process variable by detecting the cause of the porosity through the casting process variable measurement
characterized in that, an automatic process variable control device. 삭제delete
KR1020200092261A 2020-07-24 2020-07-24 Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting KR102370144B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200092261A KR102370144B1 (en) 2020-07-24 2020-07-24 Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200092261A KR102370144B1 (en) 2020-07-24 2020-07-24 Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting

Publications (2)

Publication Number Publication Date
KR20220013134A KR20220013134A (en) 2022-02-04
KR102370144B1 true KR102370144B1 (en) 2022-03-03

Family

ID=80268411

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200092261A KR102370144B1 (en) 2020-07-24 2020-07-24 Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting

Country Status (1)

Country Link
KR (1) KR102370144B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230143011A (en) 2022-04-04 2023-10-11 군산대학교산학협력단 Method for detecting armature cracks and air bubbles by analyzing acoustic resonant signals gererated from the amature and system therefor

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115213637A (en) * 2022-07-21 2022-10-21 昆山西诺巴精密模具有限公司 Casting casing machining method based on-machine measurement and application thereof
KR102540789B1 (en) * 2022-09-27 2023-06-07 용흥산업 주식회사 Method of Manufacturing Vehicle Parts using Die-casting Method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006305635A (en) * 2005-04-28 2006-11-09 Yxlon Internatl X-Ray Gmbh Method for classifying cast defect in framework of x-ray analysis
KR101863196B1 (en) * 2017-07-24 2018-06-01 한국생산기술연구원 An Apparatus and A Method For Detecting A Defect On Surfaces Based On Deep Learning
JP2020035420A (en) 2018-06-08 2020-03-05 オーロラ フライト サイエンシズ コーポレーション Systems and methods to automate composite manufacturing quality checks

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3373588B2 (en) * 1993-04-20 2003-02-04 新日本製鐵株式会社 Quality control device and control method
US7669638B2 (en) * 2002-11-29 2010-03-02 Abb Ab Control system, computer program product, device and method
KR100960323B1 (en) * 2008-07-18 2010-06-04 주식회사 포스코 Apparatus for classifying the strip surface defect by intelligent classifier including learning process and method thereof
KR102023435B1 (en) 2017-11-30 2019-09-23 주식회사 신한정밀 Die-casting automation machine

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006305635A (en) * 2005-04-28 2006-11-09 Yxlon Internatl X-Ray Gmbh Method for classifying cast defect in framework of x-ray analysis
KR101863196B1 (en) * 2017-07-24 2018-06-01 한국생산기술연구원 An Apparatus and A Method For Detecting A Defect On Surfaces Based On Deep Learning
JP2020035420A (en) 2018-06-08 2020-03-05 オーロラ フライト サイエンシズ コーポレーション Systems and methods to automate composite manufacturing quality checks

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230143011A (en) 2022-04-04 2023-10-11 군산대학교산학협력단 Method for detecting armature cracks and air bubbles by analyzing acoustic resonant signals gererated from the amature and system therefor

Also Published As

Publication number Publication date
KR20220013134A (en) 2022-02-04

Similar Documents

Publication Publication Date Title
KR102370144B1 (en) Method and Apparatus for Automatic Process Variable Control using Machine Learning-based Defect Detection and Diagnostics for Die casting
JP6560220B2 (en) Method and apparatus for inspecting inspection system for detection of surface defects
Thakre et al. Measurements of tool wear parameters using machine vision system
TWI614721B (en) Detection of defects embedded in noise for inspection in semiconductor manufacturing
JP6922539B2 (en) Surface defect determination method and surface defect inspection device
JP6514773B2 (en) Determination of localized quality measurements from volume image records
US20170355143A1 (en) 3d-printing method and 3d-printing device
EP3584064B1 (en) Three-dimensional lamination shaping condition determination method, three-dimensional lamination shaping execution method, three-dimensional lamination shaping condition determination device, and three-dimensional lamination shaping execution device
JP6557183B2 (en) Cutting tool life judging device, life judging method and program
JP7053366B2 (en) Inspection equipment and inspection method
JP2019148583A5 (en)
US11761910B2 (en) Surface or interface defect detection
US20190170667A1 (en) Apparatus and method for calculating a recording trajectory
CN113474736A (en) Transfer learning/dictionary generation and use for generating customized part parameters from a specimen build
Brunke et al. A new Concept for High-Speed atline and inlineCT for up to 100% Mass Production Process Control
US11219932B2 (en) Method for controlling a rolling mill production system
CN110017998B (en) Vehicle detection method, device and equipment
JP6650379B2 (en) Surface inspection device, surface inspection method and database
KR20190060247A (en) A selective correction method of ebsd map and recoding medium with program for operating the same
JP2006073602A (en) Method and device for detecting abnormality in thermal process, temperature controller, and program
CN112123781A (en) Monitoring mechanical production of workpieces
US9810523B2 (en) Damage determination of V-shaped groove guide on roller V-shaped
US11983862B2 (en) Inspection device and method for checking an object produced by sintering for defects
CN117831028B (en) Processing method, device, equipment and storage medium for food processing data
JPH1187443A (en) Method and apparatus for deciding defect and computer readable storage medium storing defect decision program

Legal Events

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