KR20070025111A - 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법 - Google Patents

신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법 Download PDF

Info

Publication number
KR20070025111A
KR20070025111A KR1020050080893A KR20050080893A KR20070025111A KR 20070025111 A KR20070025111 A KR 20070025111A KR 1020050080893 A KR1020050080893 A KR 1020050080893A KR 20050080893 A KR20050080893 A KR 20050080893A KR 20070025111 A KR20070025111 A KR 20070025111A
Authority
KR
South Korea
Prior art keywords
output
input
layer unit
neural network
hidden layer
Prior art date
Application number
KR1020050080893A
Other languages
English (en)
Inventor
김진영
Original Assignee
동명대학교산학협력단
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 동명대학교산학협력단 filed Critical 동명대학교산학협력단
Priority to KR1020050080893A priority Critical patent/KR20070025111A/ko
Publication of KR20070025111A publication Critical patent/KR20070025111A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

본 발명은 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 관한 것으로, 특히 신경회로망을 이용하여 플라스틱 사출공정에서 입력조건의 값에 따라 가중치를 조절하면서 사출조건에 따라 나타나는 결과인 변형/뒤틀림(warpage)들을 신경회로망을 이용하여 자동으로 예측하는 방법에 관한 것이다.
본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법은 플라스틱 사출공정에서의 변형 예측방법에 있어서, 금형온도, 용융수지 온도, 충전시간, 규격, 보압 또는 보압시간 중에서 많아도 6개의 입력변수를 정하고, 변형의 정도를 나타내는 출력변수를 정하여 입력하는 제1단계; 상기 입력변수의 입력을 받아 수학식 11에 의하여 입력층 유니트의 출력을 구하는 제2단계; 상기 입력층 유니트의 출력을 받아 수학식 12에 의하여 은닉층 유니트의 입력을 구하는 제3단계; 상기 은닉층 유니트의 입력을 받아 수학식 13에 의하여 은닉층 유니트의 출력을 구하는 제4단계; 상기 은닉층 유니트의 출력을 받아 수학식 14에 의하여 출력층 유니트의 입력을 구하는 제5단계; 및 상기 출력층 유니트의 입력을 받아 수학식 15에 의하여 출력층 유니트의 출력을 구하여 플라스틱의 변형의 정도를 예측하는 제6단계;를 포함한다.
신경회로망, 플라스틱 사출, 변형

Description

신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법{A neural network-based warpage estimation method of an injection-molded thin plastic part}
도 1은 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 이용된 신경회로망이다.
도 2는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법을 흐름도로 나타낸 것이다.
도 3은 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법을 이용한 프로그램의 메인화면이다.
도 4는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 사용된 PC/ABS(Polycarbonate/ABS 수지)이다.
도 5는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 사용된 반복회수와 에러값의 관계 그래프이다.
본 발명은 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방 법에 관한 것으로, 특히 신경회로망을 이용하여 플라스틱 사출공정에서 입력조건의 값에 따라 가중치를 조절하면서 사출조건에 따라 나타나는 결과인 변형/뒤틀림(warpage)들을 신경회로망을 이용하여 자동으로 예측하는 방법에 관한 것이다.
최근 사출성형품의 정밀화, 경량화, 고강도화, 그리고 다품종 소량생산이 요구되어지고 있어 금형 설계 및 성형공정에 대한 연구가 활발히 진행되고 있다. 성형공정에 대한 많은 연구결과로 수치해석 프로그램이 개발되어 성형조건과 금형의 형상 등을 임의로 바꿔가면서 수치모사를 할 수 있게 되었다. 특히, 유한요소해석은 이와 같은 성형조건 등의 정보들을 상세히 제공할 수 있어 생산과정의 시행착오와 성형품의 결함을 줄일 수 있게 되었다. 기계와 전자산업 등의 발달로 사출성형품의 용도는 다양해지고 정밀도가 매우 중요하게 되었다. 성형품의 정밀도를 향상시키기 위해서는 성형공정과 성형품의 변형과 수축을 정확하게 해석할 수 있어야 한다. 유한요소해석으로 수축을 예측하기 위해서는 재료 거동을 실제와 동일하게 묘사하기 위한 수학적 모델의 비선형성으로 인해 야기되는 수식화의 어려움 때문에 단순화하여 해석을 하여야 한다. 이러한 수학적 모델의 단순화로 인하여 정확한 수축을 예측하는데 어려움이 있다. 최근에는 여러 분야에서 비선형 모델들을 단순화하여 수식화하는 대신에 신경회로망과 같은 인공지능 기법을 이용한 방법들이 제안되고 있다.
신경회로망은 경험적인 실험을 통해 아무리 복잡한 비선형 모델이라도 구현시킬 수 있다. 오랫동안 실용화되지 못하던 신경회로망은 단순하고 명료한 학습방법이 개발되어 근래에 공학적, 산업적으로 많이 사용되고 있다. 다른 인공지능의 기법과 비교할 때, 신경회로망은 복잡한 추론 법칙과 많은 데이터가 없어도 단순한 학습법에 의해 경험을 축적할 수 있고, 다량의 정보를 병렬, 분산형으로 처리하여 입력에 의해 생긴 잡음과 파손 등에 강한 장점을 갖는다. 신경회로망은 의료진단이나 항공기와 선박의 항로 계획, 음성인식 등 일반적인 응용 외에, 신호처리나 영상인식을 이용한 제조라인에서의 부품인식, PCB(Printed Circuit Board)나 기계제품의 조립성 검사, 로봇의 제어나 AGV(Automated Guided Vehicle)의 위치 추정 및 경로 계획, 그리고 자동화 설비의 적응제어 등 진단 및 제어분야에서 이용이 급증하고 있다. 재료가공 분야에서도 공작기계에서의 최적 공구경로 결정, 최적 절삭조건 선정 등의 적용 예도 있다. 한편, 소성가공에서는 신경회로망의 형상분류 능력을 이용하여 여러 가지 공정조건에 대한 제품결함 및 금형의 파손여부를 예측한 예가 있고, 퍼지로직을 이용한 전방투사법으로 금형 내의 재료 충만성을 만족하는 초기소재의 형상을 예측하였다.
그러나, 상기와 같은 종래의 방법들은 신경회로망을 이용하여 요소의 변화에 따라 제품의 변형을 미리 예측할 수 있도록 하지 못할 뿐만 아니라, 제품 생산시 시행착오에 의한 방법보다 시간과 비용을 절약하도록 할 수 있는 방법을 아직까지 제안하지 못하고 있다.
이에 본 발명은 상기 문제점을 해결하기 위한 것으로써, 플라스틱 사출 성형공정에 있어 조건에 따라 나타나는 변형을 신경회로망을 이용하여 결과를 예측하도록 함으로써 기존의 시행착오 방법보다는 적은 시간으로 최적의 조건을 찾아낼 수 있는 방법을 제공하는 것을 목적으로 한다.
본 발명은 플라스틱 사출공정에서의 변형 예측방법에 있어서, 금형온도, 용융수지 온도, 충전시간, 규격, 보압 또는 보압시간 중에서 많아도 6개의 입력변수를 정하고, 변형의 정도를 나타내는 출력변수를 정하여 입력하는 제1단계; 상기 입력변수의 입력을 받아 수학식 11에 의하여 입력층 유니트의 출력을 구하는 제2단계; 상기 입력층 유니트의 출력을 받아 수학식 12에 의하여 은닉층 유니트의 입력을 구하는 제3단계; 상기 은닉층 유니트의 입력을 받아 수학식 13에 의하여 은닉층 유니트의 출력을 구하는 제4단계; 상기 은닉층 유니트의 출력을 받아 수학식 14에 의하여 출력층 유니트의 입력을 구하는 제5단계; 및 상기 출력층 유니트의 입력을 받아 수학식 15에 의하여 출력층 유니트의 출력을 구하여 플라스틱의 변형의 정도를 예측하는 제6단계;를 포함하는 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법을 제시한다.
이하, 본 발명의 실시예에 대한 구성 및 그 작용을 첨부한 도면을 참조하면서 상세히 설명하기로 한다.
도 1은 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 이용된 신경회로망이다. 도 1에 도시된 바와 같이, 얇은 플라스틱 사출공정에서의 변형 예측방법에 이용된 신경회로망은 6개의 입력층, 4개의 은닉층 및 1개의 출력층으로 구성된다. 본 발명에서는 6개까지의 입력변수를 정할 수 있는데, 6개의 입력변수를 정한 경우를 예로 들었다.
본 발명의 얇은 플라스틱 사출공정에서의 변형 예측방법에 이용된 신경회로망의 입력과 출력의 관계식은 수학식 1 내지 수학식 4와 같다. Q는 합을 나타내는 기호이다.
Figure 112005048838011-PAT00001
Figure 112005048838011-PAT00002
Figure 112005048838011-PAT00003
Figure 112005048838011-PAT00004
여기서,
Figure 112005048838011-PAT00005
는 입력층 유니트의 출력,
Figure 112005048838011-PAT00006
는 입력층에서 은닉층으로의 연결강도,
Figure 112005048838011-PAT00007
는 은닉층 유니트의 출력,
Figure 112005048838011-PAT00008
는 은닉층 유니트의 입력,
Figure 112005048838011-PAT00009
는 출력층 유니트의 입력,
Figure 112005048838011-PAT00010
는 출력층 유니트의 출력,
Figure 112005048838011-PAT00011
는 은닉층에서 출력층으로의 연결강도이다. 응답함수
Figure 112005048838011-PAT00012
는 1계 미분이 본래의 함수로써 표현될 수 있는 수학식 5와 같이 정의된 시그모이드(sigmoid) 함수이다.
Figure 112005048838011-PAT00013
도 2는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법을 흐름도로 나타낸 것이다. 도 2에 도시된 바와 같이, 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법은 다음과 같다.
먼저, 금형온도, 용융수지 온도, 충전시간, 규격, 보압 또는 보압시간 중에서 많아도 6개의 입력변수를 정하고, 변형의 정도를 나타내는 출력변수를 정하여 입력한다(S100).
다음으로, 상기 입력변수의 입력을 받아 수학식 5에 의하여 입력층 유니트의 출력을 구한다(S200).
다음으로, 상기 입력층 유니트의 출력을 받아 수학식 1에 의하여 은닉층 유니트의 입력을 구한다(S300).
다음으로, 상기 은닉층 유니트의 입력을 받아 수학식 2에 의하여 은닉층 유니트의 출력을 구한다(S400).
상기 은닉층 유니트의 출력을 받아 수학식 3에 의하여 출력층 유니트의 입력을 구한다(S500).
상기 출력층 유니트의 입력을 받아 수학식 4에 의하여 출력층 유니트의 출력을 구하여 플라스틱의 변형의 정도를 예측한다(S600).
도 3은 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법을 이용한 프로그램의 메인화면이다. 도 3에 도시된 바와 같이, 신경회로망을 이용한 사출결과 예측 프로그램은 다음과 같다.
이 프로그램은 입력변수를 6개로 제한하고, 출력변수를 3개로 제한하고 있다. 여기서, 입력변수를 6개 이하로 할 경우가 있는데, 예를 들어 4로 하였을 경우에는 X1부터 X4까지는 입력을 받을 수 있도록 설정되어 있고, X5부터 X6까지는 입력을 받지 못하도록 설정되어 있다. 출력변수도 입력변수와 같은 원리이다.
입력변수와 출력변수를 정한 후, X1부터 X6사이에 입력변수를 입력하고 Y1부터 Y3까지에는 출력변수를 입력한다. 그리고, 입력을 누르게 되면 에디터 박스에 입력한 변수가 출력된다.
에디터 박스에는 많은 입력이 들어가더라도, 스크롤바를 사용하여 입력된 내용을 확인할 수 있다. 여기서, 다시 입력하고자 할 때는 초기화를 눌러 모든 내용을 삭제한 후에 다시 입력을 할 수도 있다.
모든 입력이 끝난 후에는 SAVE DATA를 눌러 데이터를 저장할 수도 있고, 이와는 반대로 LOAD DATA를 눌러 이미 저장된 데이터를 불러오는 것도 가능하다. 또한, 프로그램 실행을 눌러 결과를 예측할 수 있고, 모든 작업이 끝난 후에 프로그램을 끝낼 때는 EXIT를 누른다.
이 프로그램의 기술적 요점은 기존의 여러 조건들을 바꾸어 실험 및 측정하는 시행착오(trial and error) 방법보다는 적은 시간으로 최적의 조건을 찾을 수 있다는 점이다.
도 4는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 사용된 PC/ABS(Polycarbonate/ABS 수지)이다. 도 4에 도시된 바와 같이, 플라스틱의 규격은 길이 120mm, 폭 50mm, 높이 10mm, 규격 1mm인 제품을 사용하였다.
도 5는 본 발명의 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법에 사용된 반복회수와 에러값의 관계 그래프이다. 도 5에 도시된 바와 같이, 반복회수를 늘려 3000번까지 반복함에 따라 에러값이 0에 수렴한다는 것을 나타내고 있다. 즉, 이것은 반복회수를 늘릴수록 원하는 출력값에 가까워진다는 것을 나타낸다.
이상에서 설명한 내용을 통해 본 업에 종사하는 당업자라면 본 발명의 기술사상을 이탈하지 아니하는 범위 내에서 다양한 변경 및 수정이 가능함을 알 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 실시예에 기재된 내용만으로 한정되는 것이 아니라 특허청구범위에 의하여 정해져야 한다.
이상에서와 같이 본 발명에 의한 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법은 요소의 변화에 따라 제품의 변형을 미리 예측할 수 있도록 하며, 실험을 토대로 제품 생산시 시행착오에 의한 방법보다 시간과 비용을 절약하도록 할 수 있다.

Claims (3)

  1. 플라스틱 사출공정에서의 변형 예측방법에 있어서,
    금형온도, 용융수지 온도, 충전시간, 규격, 보압 또는 보압시간 중에서 많아도 6개의 입력변수를 정하고, 변형의 정도를 나타내는 출력변수를 정하여 입력하는 제1단계;
    상기 입력변수의 입력을 받아 수학식 6에 의하여 입력층 유니트의 출력을 구하는 제2단계;
    상기 입력층 유니트의 출력을 받아 수학식 7에 의하여 은닉층 유니트의 입력을 구하는 제3단계;
    상기 은닉층 유니트의 입력을 받아 수학식 8에 의하여 은닉층 유니트의 출력을 구하는 제4단계;
    상기 은닉층 유니트의 출력을 받아 수학식 9에 의하여 출력층 유니트의 입력을 구하는 제5단계; 및
    상기 출력층 유니트의 입력을 받아 수학식 10에 의하여 출력층 유니트의 출력을 구하여 플라스틱의 변형의 정도를 예측하는 제6단계;
    를 포함하는 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법.
    Figure 112005048838011-PAT00014
    Figure 112005048838011-PAT00015
    Figure 112005048838011-PAT00016
    Figure 112005048838011-PAT00017
    Figure 112005048838011-PAT00018
    여기서,
    Figure 112005048838011-PAT00019
    는 입력층 유니트의 출력,
    Figure 112005048838011-PAT00020
    는 입력층에서 은닉층으로의 연결강도,
    Figure 112005048838011-PAT00021
    는 은닉층 유니트의 출력,
    Figure 112005048838011-PAT00022
    는 은닉층 유니트의 입력,
    Figure 112005048838011-PAT00023
    는 출력층 유니트의 입력,
    Figure 112005048838011-PAT00024
    는 출력층 유니트의 출력,
    Figure 112005048838011-PAT00025
    는 은닉층에서 출력층으로의 연결강도이다.
  2. 청구항 1에 있어서,
    상기 플라스틱의 재질은 PC/ABS(Polycarbonate/ABS 수지)인 것을 특징으로 하는 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 플라스틱의 규격은 길이 120mm, 폭 50mm, 높이 10mm, 규격 1mm인 것을 특징으로 하는 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형 예측방법.
KR1020050080893A 2005-08-31 2005-08-31 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법 KR20070025111A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020050080893A KR20070025111A (ko) 2005-08-31 2005-08-31 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050080893A KR20070025111A (ko) 2005-08-31 2005-08-31 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법

Publications (1)

Publication Number Publication Date
KR20070025111A true KR20070025111A (ko) 2007-03-08

Family

ID=38099414

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050080893A KR20070025111A (ko) 2005-08-31 2005-08-31 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법

Country Status (1)

Country Link
KR (1) KR20070025111A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723513A (zh) * 2020-04-26 2020-09-29 深圳同奈信息科技有限公司 一种通过机器学习神经网络进行反演模拟参数的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723513A (zh) * 2020-04-26 2020-09-29 深圳同奈信息科技有限公司 一种通过机器学习神经网络进行反演模拟参数的方法
CN111723513B (zh) * 2020-04-26 2024-04-26 深圳同奈信息科技有限公司 一种通过机器学习神经网络进行反演模拟参数的方法

Similar Documents

Publication Publication Date Title
Kashyap et al. Process parameter optimization of plastic injection molding: a review
Selvaraj et al. A review on machine learning models in injection molding machines
Mozaffar et al. Data-driven prediction of the high-dimensional thermal history in directed energy deposition processes via recurrent neural networks
Abdulshahed et al. The application of ANFIS prediction models for thermal error compensation on CNC machine tools
KR20220108797A (ko) 중합체 점도 품질을 제어하기 위한 방법 및 제어 시스템
Nasiri et al. Faults and failures prediction in injection molding process
Hürkamp et al. Machine learning and simulation-based surrogate modeling for improved process chain operation
Lee et al. Development of artificial neural network system to recommend process conditions of injection molding for various geometries
Coates et al. Towards intelligent process control of injection moulding of polymers
Farahani et al. A machine learning approach to quality monitoring of injection molding process using regression models
Ke et al. Enhancement of multilayer perceptron model training accuracy through the optimization of hyperparameters: a case study of the quality prediction of injection-molded parts
Ogorodnyk et al. Prediction of width and thickness of injection molded parts using machine learning methods
KR20070025111A (ko) 신경회로망을 이용한 얇은 플라스틱 사출공정에서의 변형예측방법
Krauß et al. Prediction and control of injection molded part weight using machine learning–A literature review
Yang et al. A study on the practical application of the integrated ANN system for manufacturing the target quality of the injection molded product
Tayalati et al. Artificial intelligence based plastic injection process for initial parameters setting and process monitoring-review
Chaves et al. Experimental assessment of quality in injection parts using a fuzzy system with adaptive membership functions
CN112236798A (zh) 用于在生产产品的情形中的质量保证的方法以及计算设备和计算机程序
US6845289B2 (en) Hybrid model and method for determining manufacturing properties of an injection-molded part
Lin Optimum gate design of freeform injection mould using the abductive network
Florjanič et al. Neural Network-Based Model for Supporting the Expert Driven Project Estimation Process in Mold Manufacturing.
Chang et al. Cross-machine predictions of the quality of injection-molded parts by combining machine learning, quality indices, and a transfer model
Petrova et al. Incorporation of phenomenological models in a hybrid neural network for quality control of injection molding
Borchardt et al. Approach for inline monitoring and optimization of a thermoplastic injection molding process with Bayesian networks taking the example of the quality feature weight
Marchal et al. Data-based model applied to thermoforming process control

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination