KR20230122877A - 희토 자석 공정 변수 예측 장치 및 방법 - Google Patents

희토 자석 공정 변수 예측 장치 및 방법 Download PDF

Info

Publication number
KR20230122877A
KR20230122877A KR1020220019656A KR20220019656A KR20230122877A KR 20230122877 A KR20230122877 A KR 20230122877A KR 1020220019656 A KR1020220019656 A KR 1020220019656A KR 20220019656 A KR20220019656 A KR 20220019656A KR 20230122877 A KR20230122877 A KR 20230122877A
Authority
KR
South Korea
Prior art keywords
rare earth
earth magnet
process variable
magnetic characteristics
prediction model
Prior art date
Application number
KR1020220019656A
Other languages
English (en)
Other versions
KR102639829B1 (ko
Inventor
김동환
김정민
이상철
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020220019656A priority Critical patent/KR102639829B1/ko
Publication of KR20230122877A publication Critical patent/KR20230122877A/ko
Application granted granted Critical
Publication of KR102639829B1 publication Critical patent/KR102639829B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
    • H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
    • H01F41/0253—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets for manufacturing permanent magnets
    • H01F41/0293—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets for manufacturing permanent magnets diffusion of rare earth elements, e.g. Tb, Dy or Ho, into permanent magnets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

본 발명은 희토 자석 공정 변수 예측 기술에 관한 것으로서, 구체적으로는 특정 자기 특성을 갖는 희토 자석을 생산하기 위한 공정 변수를 예측하는 기술에 관한 것이다. 본 발명의 측면에 따르면, 희토 자석 공정 변수 예측 장치는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 입력 받는 데이터 셋 입력부; 입력된 데이터 셋을 기반으로, 희토 자석의 자기 특성에 대한 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하는 공정 변수 예측 모델 생성부; 타겟 희토 자석의 자기 특성을 입력 받는 자기 특성 입력부; 및 공정 변수 예측 모델을 기반으로, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 공정 변수 예측부;를 포함할 수 있다.

Description

희토 자석 공정 변수 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING PROCESS VARIABLE PREDICTION OF RARE EARTH MAGNET}
본 발명은 희토 자석 공정 변수 예측 기술에 관한 것으로서, 구체적으로는 특정 자기 특성을 갖는 희토 자석을 생산하기 위한 공정 변수를 예측하는 기술에 관한 것이다.
희토 자석은 희토류 원소의 합금으로 만들어지는 영구 자석으로, 종래에는 도 1에 도시된 바와 같이 제조 공정의 온도와 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 등의 자기 특성의 관계를 개별적으로 실험하거나, 도 2에 도시된 바와 같이 도포량(coating amount)와 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 등의 자기 특성의 관계를 개별적으로 실험하는 등, 희토 자석의 자기 특성을 향상시키기 위해 사람이 전통적인 실험 기법으로 희토 자석을 제조하는 공정 변수와 자기 특성 간의 상관 관계를 확인하였다. 구체적으로 사람이 다수의 공정 변수 중 어느 하나를 선택하고 이를 변조하여 자기 특성을 확인함으로써 공정 변수와 자기 특성 간의 상관 관계를 확인할 수 밖에 없었다. 이러한, 전통적인 실험 방식은 수많은 반복적인 실험이 요구되며, 실험 결과를 기반으로 공정 변수와 자기 특성 간의 상관 관계를 확인하는 것이 연구자의 역량에 따라 상이한 결과를 초래하는 문제점이 존재했다. 또한, 공정 변수들 간의 의존성이 존재하는 경우에는 매우 복잡한 물리적 지식이 요구되어 사람에 이러한 연구를 직접 수행하는 것에 한계가 있었다.
한국 공개 특허(10-2021-0125316) : 희토류 영구자석 및 그 제조방법
본 발명의 목적은 희토 자석의 공정 변수를 예측하는 기술을 제공하는 것이다.
또한, 본 발명의 목적은 자기 특성에 유의미한 영향을 미치는 주요 공정 변수를 예측하는 기술을 제공하는 것이다.
또한, 본 발명의 목적은 희토 자석의 생산 비용을 줄일 수 있는 희토 자석 공정 변수 예측 기술을 제공하는 것이다.
본 발명의 측면에 따르면, 희토 자석 공정 변수 예측 장치는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 입력 받는 데이터 셋 입력부; 입력된 데이터 셋을 기반으로, 희토 자석의 자기 특성에 대한 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하는 공정 변수 예측 모델 생성부; 타겟 희토 자석의 자기 특성을 입력 받는 자기 특성 입력부; 및 공정 변수 예측 모델을 기반으로, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 공정 변수 예측부;를 포함할 수 있다.
일 실시예에서, 공정 변수 예측 모델 생성부는 데이터 셋을 학습 데이터로 하여 희토 자석의 자기 특성에 대한 희토 자석의 복수의 공정 변수를 예측하도록 모델을 학습시켜, 공정 변수 예측 모델을 생성할 수 있다.
일 실시예에서, 공정 변수 예측부는 공정 변수 예측 모델이 타겟 희토 자석의 자기 특성을 입력받고, 입력된 타겟 희토 자석의 자기 특성을 기반으로 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 출력함으로써, 타겟 희토 자석의 공정 변수를 예측할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치는 데이터 셋을 기반으로, 희토 자석의 복수의 공정 변수 중 희토 자석의 자기 특성에 미리 설정된 기준 이상의 상관 관계를 갖는 적어도 하나의 주요 공정 변수를 선택하는 주요 공정 변수 선택부;를 더 포함하되, 공정 변수 예측 모델 생성부는 희토 자석의 자기 특성에 대한 적어도 하나의 주요 공정 변수를 예측하는 공정 변수 예측 모델을 생성하고, 공정 변수 예측부는 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 주요 공정 변수를 예측할 수 있다.
일 실시예에서, 복수의 공정 변수는 확산 물질의 소재, 확산 물질의 도포량, 공정 온도 및 공정 유지 시간 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 자기 특성은 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나일 수 있다.
일 실시예에서, 주요 공정 변수는 확산 물질의 도포량 및 1차 공정의 온도 중 적어도 하나일 수 있다.
일 실시예에서, 공정 변수 예측 모델 생성부는 GBM (Gradient Boosting Machine), 랜덤 포레스트(Radom Forest) 및 회귀(regression) 중 어느 하나의 기계 학습 기법을 이용하여 모델을 학습시켜 공정 변수 예측 모델을 생성할 수 있다.
또한, 본 발명의 다른 측면에 따르면, 희토 자석 공정 변수 예측 방법은 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 입력 받는 단계; 입력된 데이터 셋을 기반으로, 희토 자석의 자기 특성에 대한 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하는 단계; 타겟 희토 자석의 자기 특성을 입력 받는 단계; 및 공정 변수 예측 모델을 기반으로, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 단계;를 포함할 수 있다.
도한, 본 발명의 또 다른 측면에 따르면, 희토 자석 공정 변수 예측 장치는
희토 자석의 공정 변수를 예측하기 위한 명령어를 저장하는 메모리; 및 메모리에 저장된 명령어에 따라 희토 자석의 공정 변수를 예측하는 프로세서를 포함하되, 명령어는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 희토 자석의 자기 특성에 대한 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하고, 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 명령어일 수 있다.
본 발명의 일 측면에 따르면, 희토 자석의 공정 변수를 예측하는 것이 가능하게 된다.
또한, 본 발명의 다른 측면에 따르면, 자기 특성에 유의미한 영향을 미치는 주요 공정 변수를 예측하는 것이 가능하게 된다.
또한, 본 발명의 다른 측면에 따르면, 희토 자석의 생산 비용을 절감하는 희토 자석의 공정 변수를 예측하는 것이 가능하게 된다.
도 1 및 도 2는 종래 희토 자석의 공정 변수와 자기 특성을 확인하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 희토 자석 공정 변수 예측 장치의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 희토 자석의 공정 변수 예측 방법의 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 공정 변수 예측 모델을 생성하기 위한 데이터의 구조 예를 나타낸 도면이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 데이터 셋의 예를 나타낸 도면이다.
도 8 내지 도 10은 본 발명의 일 실시예에 따른 희토 자석 공정 변수 예측 장치 및 희토 자석 공정 변수 예측 방법을 수행한 실험 결과를 나타낸 도면이다.
도 11은 본 발명의 다른 실시예에 따른 희토 자석 공정 변수 예측 장치의 블록도이다.
이하, 본 문서의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.
상술한 구체적인 실시예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다.
그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 다양한 실시 예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다.
그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니되며 후술하는 청구범위 뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
도 3은 본 발명의 일 실시예에 따른 희토 자석 공정 변수 예측 장치의 블록도이다.
도 3을 참조하면, 희토 자석 공정 변수 예측 장치(3000)는 데이터 셋 입력부(3100), 주요 공정 변수 선택부(3200), 공정 변수 예측 모델 생성부(3300), 자기 특성 입력부(3400) 및 공정 변수 예측 부를 포함할 수 있다.
데이터 셋 입력부(3100)는 희토 자석의 공정 변수를 예측하는데 이용되는 데이터 셋을 입력받을 수 있다. 구체적으로, 데이터 셋 입력부(3100)는 희토 자석의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 실험 데이터들의 세트를 입력 받을 수 있다.
일 실시예에서, 희토 자석의 공정 변수는 희토 자석의 생산시 조율되는 공전의 조건 일체를 의미하는 것으로, 확산 물질의 소재, 확산 물질의 도포량, 공정 온도(1차 공정 온도, 2차 공정 온도??), 공정 유지 시간 등을 포함할 수 있다.
일 실시예에서, 희토 자석의 자기 특성은 희토 자석이 갖는 자기적인 특성 일체를 의미하는 것으로, 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax), 자속(Flux/M) 등을 포함할 수 있다.
주요 공정 변수 선택부(3200)는 희토 자석의 공정 변수 중 희토 자석의 자기 특성에 유의미한 영향을 미치는 주요 공정 변수를 선택할 수 있다.
일 실시예에서, 주요 공정 변수 선택부(3200)는 희토 자석의 공정 변수와 희토 자석의 자기 특성 간의 상관 관계를 기반으로 공정 변수들 중 주요 공정 변수를 선택할 수 있다. 구체적으로, 주요 공정 변수 선택부(3200)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로, 희토 자석의 공정 변수와 희토 자석의 자기 특성 간의 상관 관계를 확인하여, 미리 설정된 기준 이상의 상관 관계를 갖는 공정 변수를 주요 공정 변수로 선택할 수 있다.
일 실시예에서, 주요 공정 변수는 확산 물질의 도포량, 1차 공정의 온도 등일 수 있다.
일 실시예에서, 주요 공정 변수 선택부(3200)는 딥러닝 또는 머신 러닝 기반의 모델을 이용하여 주요 공정 변수를 선택할 수 있다. 예를 들어, 주요 공정 변수 선택부(3200)는 GBM(gradient boosting machine), 랜덤 포레스트 (random forest), 회귀(regression) 등 기계 학습 기법을 기반으로 공정 변수와 자기 특성의 상관 관계를 확인함으로써 주요 공정 변수를 선택할 수 있다.
공정 변수 예측 모델 생성부(3300)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로, 생산하고자 하는 희토 자석(이하, 타겟 희토 자석)의 공정 조건을 예측하는 공정 조건 예측 모델을 생성할 수 있다.
일 실시예에서, 공정 변수 예측 모델 생성부(3300)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 딥러닝 또는 머신 러닝 기반의 모델을 학습시켜, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 공정 변수 예측 모델을 생성할 수 있다.
일 실시예에서, 공정 변수 예측 모델 생성부(3300)는 주요 공정 변수가 선택된 경우에는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 딥러닝 또는 머신 러닝 기반의 모델을 학습시켜, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 주요 공정 변수를 예측하는 공정 변수 예측 모델을 생성할 수 있다.
일 실시예에서, 공정 변수 예측 모델은 GBM(gradient boosting machine), 랜덤 포레스트 (random forest), 회귀(regression) 등 기계 학습 기법을 기반으로 공정 변수와 자기 특성의 상관 관계를 확인함으로써 주요 공정 변수를 선택할 수 있다.
일 실시예에서, 공정 변수 예측 모델은 랜덤 포레스트(Random forest) 기법으로 모델을 학습하여 공정 변수 예측 모델을 생성할 수 있다.
자기 특성 입력부(3400)는 생산하고자 하는 희토 자석인 타겟 희토 자석의 자기 특성을 입력 받을 수 있다.
일 실시예에서, 자기 특성 입력부(3400)는 타겟 희토 자석의 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나를 자기 특성으로 입력 받을 수 있다.
공정 변수 예측부(3500)는 타겟 자석의 자기 특성에 대응하는 타겟 자석의 공정 변수를 예측할 수 있다.
일 실시예에서, 공정 변수 예측부(3500)는 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나의 타겟 희토 자석의 특성이 입력되면, 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성을 갖는 자석의 생산하기 위한 공정 변수를 예측할 수 있다.
일 실시예에서, 공정 변수 예측부(3500)는 타겟 희토 자석의 특성이 입력되면, 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성을 갖는 자석의 생산하기 위한 주요 공정 변수를 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른 희토 자석의 공정 변수 예측 방법의 흐름도이다.
이하, 도 4에 도시된 방법은 도 3에 도시된 희토 자석 공정 변수 예측 장치(3000)에 의해 수행되는 것을 예시로 설명하는 바, 도 3의 희토 자석 공정 변수 예측 장치(3000)에 관한 설명은 도 4의 방법에 까지 확장됨은 자명하다.
단계 S4100에서, 희토 자석의 데이터 셋이 입력된다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 공정 변수를 예측하는데 이용되는 데이터 셋을 입력받을 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 실험 데이터들의 세트를 입력 받을 수 있다.
일 실시예에서, 희토 자석의 공정 변수는 희토 자석의 생산시 조율되는 공전의 조건 일체를 의미하는 것으로, 확산 물질의 소재, 확산 물질의 도포량, 공정 온도(1차 공정 온도, 2차 공정 온도??), 공정 유지 시간 등을 포함할 수 있다.
일 실시예에서, 희토 자석의 자기 특성은 희토 자석이 갖는 자기적인 특성 일체를 의미하는 것으로, 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax), 자속(Flux/M) 등을 포함할 수 있다.
단계 S4200에서, 주요 공정 데이터가 선택된다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 공정 변수 중 희토 자석의 자기 특성에 유의미한 영향을 미치는 주요 공정 변수를 선택할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 공정 변수와 희토 자석의 자기 특성 간의 상관 관계를 기반으로 공정 변수들 중 주요 공정 변수를 선택할 수 있다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로, 희토 자석의 공정 변수와 희토 자석의 자기 특성 간의 상관 관계를 확인하여, 미리 설정된 기준 이상의 상관 관계를 갖는 공정 변수를 주요 공정 변수로 선택할 수 있다.
일 실시예에서, 주요 공정 변수는 확산 물질의 도포량, 1차 공정의 온도 등일 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 딥러닝 또는 머신 러닝 기반의 모델을 이용하여 주요 공정 변수를 선택할 수 있다. 예를 들어, 희토 자석 공정 변수 예측 장치(3000)는 GBM(gradient boosting machine), 랜덤 포레스트 (random forest), 회귀(regression) 등 기계 학습 기법을 기반으로 공정 변수와 자기 특성의 상관 관계를 확인함으로써 주요 공정 변수를 선택할 수 있다.
단계 S4300에서, 공정 변수 예측 모델이 생성된다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로, 생산하고자 하는 희토 자석(이하, 타겟 희토 자석)의 공정 조건을 예측하는 공정 조건 예측 모델을 생성할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 딥러닝 또는 머신 러닝 기반의 모델을 학습시켜, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 공정 변수 예측 모델을 생성할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 주요 공정 변수가 선택된 경우에는 희토 자석의 복수의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 딥러닝 또는 머신 러닝 기반의 모델을 학습시켜, 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 주요 공정 변수를 예측하는 공정 변수 예측 모델을 생성할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 GBM(gradient boosting machine), 랜덤 포레스트 (random forest), 회귀(regression) 등 기계 학습 기법을 기반으로 공정 변수와 자기 특성의 상관 관계를 확인함으로써 주요 공정 변수를 선택할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 GBM (Gradient Boosting Machine), 랜덤 포레스트(Radom Forest) 및 회귀(regression) 중 어느 하나의 기계 학습 기법을 기반으로 모델을 학습하여 공정 변수 예측 모델을 생성할 수 있다.
단계 S4400에서, 타겟 희토 자석의 자기 특성이 입력된다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 생산하고자 하는 희토 자석인 타겟 희토 자석의 자기 특성을 입력 받을 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 타겟 희토 자석의 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나를 자기 특성으로 입력 받을 수 있다.
단계 S4500에서, 공정 변수가 예측된다. 구체적으로, 희토 자석 공정 변수 예측 장치(3000)는 타겟 자석의 자기 특성에 대응하는 타겟 자석의 공정 변수를 예측할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나의 타겟 희토 자석의 특성이 입력되면, 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성을 갖는 자석의 생산하기 위한 공정 변수를 예측할 수 있다.
일 실시예에서, 희토 자석 공정 변수 예측 장치(3000)는 타겟 희토 자석의 특성이 입력되면, 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성을 갖는 자석의 생산하기 위한 주요 공정 변수를 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 공정 변수 예측 모델을 생성하기 위한 데이터의 구조 예를 나타낸 도면이다.
도 5를 참조하면, 희토 자석의 공정 변수에 따른 희토 자석의 자기 특성을 포함하는 데이터는 공정 변수인 소재, 입계 확산, 규격 등과 자기 특성인 자석 성능을 포함할 수 있다.
공정 변수와 관련하여, 소재는 모재(NdFeB), 확산 물질(HRE/TM), 도포 용액(Ethanol) 등이 있다. 입계 확산은 1차 공정, 1차 공정 후 냉각, 2차 공정, 2차 공정 후 냉각, 3차 공정 및 3차 공정 후 냉각에 대한 온도, 유지 시간 등의 정보를 포함할 수 있다. 규격은 입계 확산 후의 길이, 넓이, 두께 무게, 면적 등의 정보를 포함할 수 있다.
자기 특성과 관련하여, 자속수 (Flux meter), Br, HcB, HcJ, Hk , BHmax 등의 자기 특성 정보가 포함될 수 있다.
도 5에 도시된 데이터는 본 발명의 이해를 돕기 위한 하나의 예시에 불과하므로, 도 5에 도시된 공정 변수 및 자기 특성에 한정되지 않음은 자명하다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 데이터 셋의 예를 나타낸 도면이다.
도 6은 보자력 17kOe급 모재 기반 입계 확산, 도 7은 보자력 12kOe급 모재 기반 입계 확산 공정으로 생산되는 희토 자석의 소재, 공정 변수, 자기 특성을 나타낸다.
및 도 7을 참조하면, 도포(coating)과 관련하여 도포 물질의 두께, 양, 등의 정보가 포함되어 있다. 열처리와 관련하여 1차 공정, 2차 공정 및 3차 공정의 온도, 유지 시간 등의 정보가 포함되어 있다. 규격과 관련하여 희토 자석의 길이, 넓이, 두께, 중량, 면적 등 정보가 포함되어 있다.
도 8 내지 도 10은 본 발명의 일 실시예에 따른 희토 자석 공정 변수 예측 장치 및 희토 자석 공정 변수 예측 방법을 수행한 실험 결과를 나타낸 도면이다.
도 8은 희토 자석의 자기 특성과 확산 물질의 도포량, 입계 확산 1차 공정 및 2차 공정의 온도, 확산 물질의 도포 방법의 상관 관계를 나타내고, 도 9는 공정 변수와 자기 특성을 랜덤 포레스트 기반으로 학습한 모델의 성능을 나타며, 도 10은 생성된 공정 변수 예측 모델을 기반으로 실험한 자석 성능에 따른 화산 물질 도포량을 예측한 결과를 나타낸다.
실험은 도 6에 도시된 보자력 17kOe 급 모재 기반의 희토 자석에 대한 데이터 셋을 이용하여, 확산 물질의 도포량, 1차 입계 확산 공정과 2차 입계 확산 공정은 자기 특성 Hcj, Br, Flux/m 및 BHmax에 대한 상관 관계를 분석하였다.
Hcj는 확산 물질의 도포량에 가장 높은 상관 관계를 가지며, 1차 공정 대비 2차 공정의 온도 의존성이 높게 나타났다.
Br은 확산 물질의 도포량에 대하여 상대적으로 낮은 의존성을 보이며, 2차 공정 보다 1차 공정의 온도에 높은 의존성을 가지는 것으로 나타났다.
Flux/m 및 BHmax는 도포량과 높은 상관 관계를 가지며, 2차 공정의 온도 보다 1차 공정의 온도에 높은 의존성을 가지는 것으로 나타났다.
자기 특성 중 Hcj를 제외한 자기 특성 Br, Flux/m 및 BHmax는 2차 공정의 온도에 대한 의존성이 거의 없으며, 1차 공정에 대해서 역의 상관 관계를 가지는 것으로 나타난다.
12kOe급 모재 기반의 데이터 셋을 이용하여 공정 변수와 자기 특성 간의 상관 관계는 도포 방법 대시 도포량에 대한 의존성이 높은 것으로 나타난다.
이러한 결과는, GBM(gradient boosting machine), 랜덤 포레스트 (random forest), 회귀(regression) 등 기계 학습 기법을 기반으로 공정 변수와 자기 특성 관의 상관 관계를 분석과 결과와 유사하다.
도 9에 도시된 바와 같이, 랜덤 포레스트 기법을 활용한 정확도 R2는 0928로 확인되었으며, 도 10에 도시된 바와 같이 공정 변수 예측 모델을 통해 희토 자석의 자기 특성을 기반으로 희토 자석의 공정 변수를 예측한 결과가 나타난다. 랜덤 포레스트 기법과 유사하게 GBM, 회귀 모델에서도 유사한 결과를 보인다.
도 11은 본 발명의 다른 실시예에 따른 희토 자석 공정 변수 예측 장치의 블록도이다.
도 11에 도시된 바와 같이, 희토 자석 공정 변수 예측 장치(1100)는 프로세서(11100), 메모리(11200), 저장부(11300), 사용자 인터페이스 입력부(11400) 및 사용자 인터페이스 출력부(11500) 중 적어도 하나 이상의 요소를 포함할 수 있으며, 이들은 버스(11600)를 통해 서로 통신할 수 있다. 또한, 희토 자석 공정 변수 예측 장치(11000)는 네트워크에 접속하기 위한 네트워크 인터페이스(11700)를 또한 포함할 수 있다. 프로세서(11100)는 메모리(11200) 및/또는 저장소(11300)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다. 메모리(11200) 및 저장부(11300)는 다양한 유형의 휘발성/비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(11240) 및 RAM(11250)을 포함할 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, 콘트롤러, 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 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 콘트롤러를 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 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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.
이상과 같이 실시예들이 비록 한정된 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.

*3000: 희토 자석 공정 변수 예측 장치
3100: 데이터 셋 입력부
3200: 주요 공정 변수 선택부
3300: 공정 변수 예측 모델 생성부
3400: 자기 특성 입력부
3500: 공정 변수 예측부

Claims (17)

  1. 희토 자석의 복수의 공정 변수에 따른 상기 희토 자석의 자기 특성을 포함하는 데이터 셋을 입력 받는 데이터 셋 입력부;
    입력된 데이터 셋을 기반으로, 상기 희토 자석의 자기 특성에 대한 상기 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하는 공정 변수 예측 모델 생성부;
    타겟 희토 자석의 자기 특성을 입력 받는 자기 특성 입력부; 및
    상기 공정 변수 예측 모델을 기반으로, 상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 공정 변수 예측부;
    를 포함하는, 희토 자석 공정 변수 예측 장치.
  2. 상기 공정 변수 예측 모델 생성부는,
    상기 데이터 셋을 학습 데이터로 하여 상기 희토 자석의 자기 특성에 대한 상기 희토 자석의 복수의 공정 변수를 예측하도록 모델을 학습시켜, 상기 공정 변수 예측 모델을 생성하는, 희토 자석 공정 변수 예측 장치.
  3. 제1항에 있어서,
    상기 공정 변수 예측부는,
    상기 공정 변수 예측 모델이 상기 타겟 희토 자석의 자기 특성을 입력받고, 입력된 타겟 희토 자석의 자기 특성을 기반으로 상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 출력함으로써, 상기 타겟 희토 자석의 공정 변수를 예측하는, 희토 자석 공정 변수 예측 장치.
  4. 제1항에 있어서,
    상기 데이터 셋을 기반으로, 상기 희토 자석의 복수의 공정 변수 중 상기 희토 자석의 자기 특성에 미리 설정된 기준 이상의 상관 관계를 갖는 적어도 하나의 주요 공정 변수를 선택하는 주요 공정 변수 선택부;를 더 포함하되,
    상기 공정 변수 예측 모델 생성부는,
    상기 희토 자석의 자기 특성에 대한 상기 적어도 하나의 주요 공정 변수를 예측하는 상기 공정 변수 예측 모델을 생성하고,
    상기 공정 변수 예측부는,
    상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 주요 공정 변수를 예측하는, 희토 자석 공정 변수 예측 장치.
  5. 제1항에 있어서,
    상기 복수의 공정 변수는,
    확산 물질의 소재, 확산 물질의 도포량, 공정 온도 및 공정 유지 시간 중 적어도 하나를 포함하는, 희토 자석 공정 변수 예측 장치.
  6. 제1항에 있어서,
    상기 자기 특성은,
    고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나인, 희토 자석 공정 변수 예측 장치.
  7. 제4항에 있어서,
    상기 주요 공정 변수는,
    확산 물질의 도포량 및 1차 공정의 온도 중 적어도 하나인, 희토 자석 공정 변수 예측 장치.
  8. 제4항에 있어서,
    상기 공정 변수 예측 모델 생성부는,
    GBM (Gradient Boosting Machine), 랜덤 포레스트(Radom Forest) 및 회귀(regression) 중 어느 하나의 기계 학습 기법을 이용하여 모델을 학습시켜 상기 공정 변수 예측 모델을 생성하는, 희토 자석 공정 변수 예측 장치.
  9. 희토 자석의 복수의 공정 변수에 따른 상기 희토 자석의 자기 특성을 포함하는 데이터 셋을 입력 받는 단계;
    입력된 데이터 셋을 기반으로, 상기 희토 자석의 자기 특성에 대한 상기 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하는 단계;
    타겟 희토 자석의 자기 특성을 입력 받는 단계; 및
    상기 공정 변수 예측 모델을 기반으로, 상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 단계;
    를 포함하는, 희토 자석 공정 변수 예측 방법.
  10. 제9항에 있어서,
    상기 공정 변수 예측 모델을 생성하는 단계는,
    상기 데이터 셋을 학습 데이터로 하여 상기 희토 자석의 자기 특성에 대한 상기 희토 자석의 복수의 공정 변수를 예측하도록 모델을 학습시켜, 상기 공정 변수 예측 모델을 생성하는, 희토 자석 공정 변수 예측 방법.
  11. 제9항에 있어서,
    상기 타겟 희토 자석의 공정 변수를 예측하는 단계는,
    상기 공정 변수 예측 모델이 상기 타겟 희토 자석의 자기 특성을 입력받고, 입력된 타겟 희토 자석의 자기 특성을 기반으로 상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 출력함으로써, 상기 타겟 희토 자석의 공정 변수를 예측하는, 희토 자석 공정 변수 예측 방법.
  12. 제9항에 있어서,
    상기 데이터 셋을 기반으로, 상기 희토 자석의 복수의 공정 변수 중 상기 희토 자석의 자기 특성에 미리 설정된 기준 이상의 상관 관계를 갖는 적어도 하나의 주요 공정 변수를 선택하는 단계;를 더 포함하되,
    상기 공정 변수 예측 모델을 생성하는 단계는,
    상기 희토 자석의 자기 특성에 대한 상기 적어도 하나의 주요 공정 변수를 예측하는 상기 공정 변수 예측 모델을 생성하고,
    상기 타겟 희토 자석의 공정 변수를 예측하는 단계는,
    상기 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 주요 공정 변수를 예측하는, 희토 자석 공정 변수 예측 방법.
  13. 제9항에 있어서,
    상기 복수의 공정 변수는,
    확산 물질의 소재, 확산 물질의 도포량, 공정 온도 및 공정 유지 시간 중 적어도 하나를 포함하는, 희토 자석 공정 변수 예측 방법.
  14. 제9항에 있어서,
    상기 자기 특성은,
    고유보자력(Hcj), 잔류자속밀도(Br), 최대자기에너지적(BHmax) 및 자속(Flux/M) 중 적어도 하나인, 희토 자석 공정 변수 예측 방법.
  15. 제12항에 있어서,
    상기 주요 공정 변수는,
    확산 물질의 도포량 및 1차 공정의 온도 중 적어도 하나인, 희토 자석 공정 변수 예측 방법.
  16. 제12항에 있어서,
    상기 공정 변수 예측 모델을 생성하는 단계는,
    GBM (Gradient Boosting Machine), 랜덤 포레스트(Radom Forest) 및 회귀(regression) 중 어느 하나의 기계 학습 기법을 이용하여 모델을 학습시켜 상기 공정 변수 예측 모델을 생성하는, 희토 자석 공정 변수 예측 방법.
  17. 희토 자석의 공정 변수를 예측하기 위한 명령어를 저장하는 메모리; 및
    상기 메모리에 저장된 명령어에 따라 상기 희토 자석의 공정 변수를 예측하는 프로세서를 포함하되,
    상기 명령어는,
    희토 자석의 복수의 공정 변수에 따른 상기 희토 자석의 자기 특성을 포함하는 데이터 셋을 기반으로 상기 희토 자석의 자기 특성에 대한 상기 희토 자석의 복수의 공정 변수를 예측하는 공정 변수 예측 모델을 생성하고,
    상기 공정 변수 예측 모델을 기반으로 타겟 희토 자석의 자기 특성에 대응하는 타겟 희토 자석의 공정 변수를 예측하는 명령어인, 희토 자석 공정 변수 예측 장치.
KR1020220019656A 2022-02-15 2022-02-15 희토 자석 공정 변수 예측 장치 및 방법 KR102639829B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220019656A KR102639829B1 (ko) 2022-02-15 2022-02-15 희토 자석 공정 변수 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220019656A KR102639829B1 (ko) 2022-02-15 2022-02-15 희토 자석 공정 변수 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230122877A true KR20230122877A (ko) 2023-08-22
KR102639829B1 KR102639829B1 (ko) 2024-02-22

Family

ID=87799488

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220019656A KR102639829B1 (ko) 2022-02-15 2022-02-15 희토 자석 공정 변수 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102639829B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110086240A (ko) * 2010-01-22 2011-07-28 한국기계연구원 본드자석용 Ｒ―Ｆｅ―Ｂ계 희토류 자성분말의 제조방법, 이에 의해 제조된 자성분말 및 상기 자성분말을 이용한 본드자석의 제조방법, 이에 의해 제조된 본드자석
KR20180067760A (ko) * 2016-12-12 2018-06-21 현대자동차주식회사 희토류 영구자석 제조방법
JP2021040126A (ja) * 2019-08-29 2021-03-11 トヨタ自動車株式会社 希土類磁石
KR20210125316A (ko) 2020-04-08 2021-10-18 현대자동차주식회사 희토류 영구자석 및 그 제조방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110086240A (ko) * 2010-01-22 2011-07-28 한국기계연구원 본드자석용 Ｒ―Ｆｅ―Ｂ계 희토류 자성분말의 제조방법, 이에 의해 제조된 자성분말 및 상기 자성분말을 이용한 본드자석의 제조방법, 이에 의해 제조된 본드자석
KR20180067760A (ko) * 2016-12-12 2018-06-21 현대자동차주식회사 희토류 영구자석 제조방법
JP2021040126A (ja) * 2019-08-29 2021-03-11 トヨタ自動車株式会社 希土類磁石
KR20210125316A (ko) 2020-04-08 2021-10-18 현대자동차주식회사 희토류 영구자석 및 그 제조방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
비특허문헌1 *

Also Published As

Publication number Publication date
KR102639829B1 (ko) 2024-02-22

Similar Documents

Publication Publication Date Title
Hood et al. Coronal heating by magnetic reconnection in loops with zero net current
CN104364756B (zh) 单个数据缓冲器的并行处理
US20150070979A1 (en) Physically unclonable function based on programming voltage of magnetoresistive random-access memory
US20130156180A1 (en) Method And Device For Securing Block Ciphers Against Template Attacks
JP2019511033A (ja) ニューラルネットワークを用いたテキストセグメントの係り受け解析の生成
KR20130100900A (ko) 조건부 비교 명령
CN112787971B (zh) 侧信道攻击模型的构建方法、密码攻击设备及计算机存储介质
US11314305B2 (en) Dynamic thermal management simulation using improved reduced order modeling
TW201716991A (zh) 資料處理
KR20230122877A (ko) 희토 자석 공정 변수 예측 장치 및 방법
US10824718B2 (en) Shuffling mechanism for shuffling an order of data blocks in a data processing system
EP3125109B1 (en) Vector length querying instruction
CN109522679B (zh) 基于分类处理的功能激励向量生成方法及系统
CN111796658B (zh) 一种信息处理方法、电子设备和计算机可读存储介质
CN105068832B (zh) 一种生成可执行文件的方法和装置
KR20210072711A (ko) 사물인터넷 디바이스와 신뢰 서버 간 상호 인증 방법 및 장치
JP6912104B2 (ja) 試験装置、試験方法及びコンピュータプログラム
EP2928111A1 (en) Method for performing an encryption with look-up tables, and corresponding encryption apparatus and computer program product
US9916281B2 (en) Processing system with a secure set of executable instructions and/or addressing scheme
CN114365135A (zh) 经由可变代码比较的装置入侵检测
KR101342730B1 (ko) 폰트의 굵기를 가변적으로 제어하는 시스템 및 방법
JP2022511278A (ja) ベクトル述語要約の生成
KR20230161195A (ko) 영지식 증명 친화적인 일방향 함수를 이용한 연산 방법, 그리고 이를 구현하기 위한 장치
KR101489599B1 (ko) 스토리지에 저장된 데이터 파일의 무결성을 검증하는 방법 및 시스템
Sommariva et al. Simulating runaway electrons during disruptions with test particles in the JOREK code

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant