KR20220013134A - 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 - Google Patents
기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 Download PDFInfo
- Publication number
- KR20220013134A KR20220013134A KR1020200092261A KR20200092261A KR20220013134A KR 20220013134 A KR20220013134 A KR 20220013134A KR 1020200092261 A KR1020200092261 A KR 1020200092261A KR 20200092261 A KR20200092261 A KR 20200092261A KR 20220013134 A KR20220013134 A KR 20220013134A
- Authority
- KR
- South Korea
- Prior art keywords
- pore
- cause
- casting
- process variable
- pores
- Prior art date
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.
Description
아래의 실시예들은 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치에 관한 것이다.
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.
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.
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.
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.
이와 같이 기존에 전반적인 공정을 자동으로 처리하여 무인화가 가능한 다이캐스팅 자동화 장치를 제공하고 있으나, 불량품 검사를 자동으로 처리하는 방법은 제시되지 않았다.
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.
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.
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.
상기 주조품의 영상을 입력 받아 기공 검출을 수행하는 단계는, 다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있다.
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.
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.
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.
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.
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.
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.
상기 기공 검출부는, 다이캐스팅(Die casting) 주조품의 X-ray 영상을 통해 기공 검출을 수행할 수 있다.
상기 기공 검출부는, 상기 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다.
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.
상기 기공 검출부는, 상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류할 수 있다.
상기 기공 검출부는, 컨볼루션 인코더(Convolution Encoder) 또는 디코더(Decoder)를 사용할 수 있다.
상기 기공 발생 원인 검출부는, 주조 공정 변수 계측을 통해 상기 기공 발생의 원인을 검출하여 자동적으로 상기 공정 변수를 제어할 수 있다.
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.
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.
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.
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.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 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.
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.
따라서 본 실시예에서는 기계학습기반 주조 기공 검출을 통한 주조 공정 자동화 기술을 제안한다.
도 1은 일반적인 다이캐스팅 주조 공정을 나타내는 도면이다.
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.
주조 단계(10)는 용융 금속을 금속 주형에 가압하여 주입하는 것으로, 금속의 용융점에 따라 열가압 및 냉가압 방법이 있다.
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.
후가공 단계(30)는 치수의 정밀성 및 정확성을 위해 연마 및 연삭이 수행되며, 예컨대 CNC 가공 및 MCT 가공이 수행될 수 있다.
검사 단계(40)는 가공품의 결함 정도를 확인하는 과정으로, 주로 3D 스캐닝 CT에 의해서 수행되며, 결함 및 공급, 유통성 확인 가공을 수행한다.
기존의 다이캐스팅 주조 공정의 경우, 주로 검사부에서 CT(Computed Tomography) 또는 X-ray를 활용하여 결함을 사람이 육안으로 판별하는 과정 또는 시스템을 통해 검사를 진행한다.
도 2는 일 실시예에 따른 자동 공정 변수 제어 장치를 나타내는 블록도이다.
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.
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.
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.
아래에서 일 실시예에 따른 자동 공정 변수 제어 장치(200)를 보다 상세히 설명한다.
도 3은 일 실시예에 따른 자동 공정 변수 제어 장치(200)를 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
이에 따라 기계학습기반으로 주조품의 기공을 검출하여 기공 발생에 대한 결함의 원인을 분석하고 자동적으로 공정 변수를 제어함에 따라 생산되는 주조품의 품질을 향상시킬 수 있다.
도 4는 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다.
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.
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.
아래에서 일 실시예에 따른 자동 공정 변수 제어 방법의 각 단계를 보다 상세히 설명한다.
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.
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.
기공 검출부는 주조품의 영상에서 기공의 형상, 위치 및 분포 중 적어도 어느 하나 이상을 확인할 수 있다.
도 5는 일 실시예에 따른 기공 검출 방법을 나타내는 흐름도이다.
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.
또한, 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하는 단계를 더 포함할 수 있다.
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.
도 6은 일 실시예에 따른 자동 공정 변수 제어 방법을 나타내는 흐름도이다.
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.
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.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 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 향상시키는 것
을 특징으로 하는, 자동 공정 변수 제어 방법. - 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. - 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. - 제1항에 있어서,
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 포함하는, 자동 공정 변수 제어 방법. - 제4항에 있어서,
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 포함하는, 자동 공정 변수 제어 방법. - 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. - 제1항에 있어서,
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 단계
를 포함하는, 자동 공정 변수 제어 방법. - 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 향상시키는 것
을 특징으로 하는, 자동 공정 변수 제어 장치. - 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. - 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. - 제8항에 있어서,
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 분할하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치. - 제11항에 있어서,
상기 기공 검출부는,
상기 기공 발생 원인이 반영될 수 있는 주조품의 기공의 형상에 따라 종류를 분류하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치. - 제8항에 있어서,
상기 기공 검출부는,
컨볼루션 인코더(Convolution Encoder) 또는 디코더(Decoder)를 사용하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치. - 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. - 제8항에 있어서,
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 제어하는 것
을 특징으로 하는, 자동 공정 변수 제어 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092261A KR102370144B1 (ko) | 2020-07-24 | 2020-07-24 | 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200092261A KR102370144B1 (ko) | 2020-07-24 | 2020-07-24 | 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220013134A true KR20220013134A (ko) | 2022-02-04 |
| KR102370144B1 KR102370144B1 (ko) | 2022-03-03 |
Family
ID=80268411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200092261A KR102370144B1 (ko) | 2020-07-24 | 2020-07-24 | 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102370144B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115213637A (zh) * | 2022-07-21 | 2022-10-21 | 昆山西诺巴精密模具有限公司 | 基于在机测量的铸造机匣加工方法及其应用 |
| KR102540789B1 (ko) * | 2022-09-27 | 2023-06-07 | 용흥산업 주식회사 | 다이캐스팅 공법을 이용한 차량용 부품 제조방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230143011A (ko) | 2022-04-04 | 2023-10-11 | 군산대학교산학협력단 | 아마추어로부터 발생된 음향공진 신호를 분석하여 아마추어의 크랙 및 기포를 검출하는 방법 및 이를 위한 시스템 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06304724A (ja) * | 1993-04-20 | 1994-11-01 | Nippon Steel Corp | 品質制御装置および制御方法 |
| KR20050089013A (ko) * | 2002-11-29 | 2005-09-07 | 에이비비 에이비 | 제어 시스템, 컴퓨터 프로그램 제품, 장치 및 방법 |
| JP2006305635A (ja) * | 2005-04-28 | 2006-11-09 | Yxlon Internatl X-Ray Gmbh | Ｘ線解析のフレームワーク内での鋳造欠陥の分類方法 |
| KR20100009275A (ko) * | 2008-07-18 | 2010-01-27 | 주식회사 포스코 | 학습형 최적화 기능이 구비된 지능형 분류기를 이용한 주편표면결함 분류장치 및 이에 의한 분류방법 |
| KR101863196B1 (ko) * | 2017-07-24 | 2018-06-01 | 한국생산기술연구원 | 딥러닝 기반 표면 결함 검출장치 및 방법 |
| KR102023435B1 (ko) | 2017-11-30 | 2019-09-23 | 주식회사 신한정밀 | 다이캐스팅 자동화 장치 |
| JP2020035420A (ja) * | 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 | 複合物の製造品質チェックを自動化するためのシステム及び方法 |
-
2020
- 2020-07-24 KR KR1020200092261A patent/KR102370144B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06304724A (ja) * | 1993-04-20 | 1994-11-01 | Nippon Steel Corp | 品質制御装置および制御方法 |
| KR20050089013A (ko) * | 2002-11-29 | 2005-09-07 | 에이비비 에이비 | 제어 시스템, 컴퓨터 프로그램 제품, 장치 및 방법 |
| JP2006305635A (ja) * | 2005-04-28 | 2006-11-09 | Yxlon Internatl X-Ray Gmbh | Ｘ線解析のフレームワーク内での鋳造欠陥の分類方法 |
| KR20100009275A (ko) * | 2008-07-18 | 2010-01-27 | 주식회사 포스코 | 학습형 최적화 기능이 구비된 지능형 분류기를 이용한 주편표면결함 분류장치 및 이에 의한 분류방법 |
| KR101863196B1 (ko) * | 2017-07-24 | 2018-06-01 | 한국생산기술연구원 | 딥러닝 기반 표면 결함 검출장치 및 방법 |
| KR102023435B1 (ko) | 2017-11-30 | 2019-09-23 | 주식회사 신한정밀 | 다이캐스팅 자동화 장치 |
| JP2020035420A (ja) * | 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 | 複合物の製造品質チェックを自動化するためのシステム及び方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115213637A (zh) * | 2022-07-21 | 2022-10-21 | 昆山西诺巴精密模具有限公司 | 基于在机测量的铸造机匣加工方法及其应用 |
| KR102540789B1 (ko) * | 2022-09-27 | 2023-06-07 | 용흥산업 주식회사 | 다이캐스팅 공법을 이용한 차량용 부품 제조방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102370144B1 (ko) | 2022-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102370144B1 (ko) | 기계학습기반 다이캐스팅 주조품 결함검출 및 원인분석을 이용한 자동 공정 변수 제어 방법 및 장치 | |
| Thakre et al. | Measurements of tool wear parameters using machine vision system | |
| JP6560220B2 (ja) | 表面欠陥の検出のための検査システムを点検する方法及び装置 | |
| TWI614721B (zh) | 在半導體製造中用於檢測之雜訊中所內嵌之缺陷之偵測 | |
| JP6922539B2 (ja) | 表面欠陥判定方法および表面欠陥検査装置 | |
| JP6514773B2 (ja) | ボリューム画像レコードからの局所化された品質測定値の決定 | |
| US20170355143A1 (en) | 3d-printing method and 3d-printing device | |
| US11590578B2 (en) | Internal defect detection system, three-dimensional additive manufacturing device, internal defect detection method, method of manufacturing three-dimensional additive manufactured product, and three-dimensional | |
| JP6557183B2 (ja) | 切削加工工具の寿命判定装置、寿命判定方法及びプログラム | |
| US20190170667A1 (en) | Apparatus and method for calculating a recording trajectory | |
| US11761910B2 (en) | Surface or interface defect detection | |
| Świłło et al. | Automatic inspection of surface defects in die castings after machining | |
| JP2018191051A5 (ko) | ||
| US20080240510A1 (en) | Method and system for examining a surface | |
| US9165091B2 (en) | Recipe management apparatus and recipe management method | |
| US11219932B2 (en) | Method for controlling a rolling mill production system | |
| CN116258838A (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
| JP6650379B2 (ja) | 表面検査装置、表面検査方法及びデータベース | |
| KR102303267B1 (ko) | 절삭 가공 결과물 측정 장치 및 시스템 | |
| JP2021197623A5 (ko) | ||
| KR20170094709A (ko) | 원형 물체에 대한 특징 검출 장치 및 방법 | |
| Holgado et al. | An intelligent machine learning based method for tool wear estimation in the vertical broaching process | |
| CN117831028B (zh) | 食材加工数据的处理方法、装置、设备以及存储介质 | |
| JPH1187443A (ja) | 欠陥判別方法、欠陥判別装置及び欠陥判別プログラムを格納したコンピュータ読み取り可能な記録媒体 | |
| JP6973277B2 (ja) | 中子検査装置、中子検査システム、及び中子検査方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |