KR20240037778A - 지능형 플라스틱 금형설계방법 - Google Patents

지능형 플라스틱 금형설계방법 Download PDF

Info

Publication number
KR20240037778A
KR20240037778A KR1020220116709A KR20220116709A KR20240037778A KR 20240037778 A KR20240037778 A KR 20240037778A KR 1020220116709 A KR1020220116709 A KR 1020220116709A KR 20220116709 A KR20220116709 A KR 20220116709A KR 20240037778 A KR20240037778 A KR 20240037778A
Authority
KR
South Korea
Prior art keywords
mold design
design data
mold
data
weight
Prior art date
Application number
KR1020220116709A
Other languages
English (en)
Inventor
박두하
박경희
Original Assignee
박두하
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 박두하 filed Critical 박두하
Priority to KR1020220116709A priority Critical patent/KR20240037778A/ko
Publication of KR20240037778A publication Critical patent/KR20240037778A/ko

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)

Abstract

본 발명은 지능형 플라스틱 금형설계방법, 장치와 관련한다. 보다 상세히는, 금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치함수, 신경망회로 분석알고리즘을 적용시켜 초정밀 플라스틱 금형을 최소의 비용과 시간으로 설계 제작할 수 있도록 지원하는 초정밀 금형설계와 관련된 것이다.
구성에 있어서는, 금형설계데이터에 따른 학습용백데이터를 저장하고 있는 저장부(100)와, 작업자의 조작에 응하여 금형설계데이터를 저장부(100)에 입력하도록 지원하는 입력부(200)와,
저장부(100)로부터 읽어들이고, 금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성시키고, 해석예측결과값에 가중치함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 2차 금형설계데이터를 이용하여 금형제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품치수를 입력받아 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300)를 포함하여 제공된다.

Description

지능형 플라스틱 금형설계방법{Intelligent super precision plastic mold design apparatus}
본 발명은 지능형 플라스틱 금형설계방법에 관한 것이다. 구체적으로는, 인공지능 신경망회로(지능형 신경회로망)를 활용한 정밀(초정밀) 금형의 설계방법 및 설계장치 툴에 관한 것이다. 즉, 금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치함수, 신경망회로 분석알고리즘을 적용시켜 플라스틱(합성수지) 사출금형을 최소의 시간 비용으로 설계 제작할 수 있도록 지원하는 툴과 관련된 것이다.
금형설계제작(금형의 설계, 제작)을 통하여 제조된 플라스틱 부품과, 청색 점으로 표시된 중요 치수 측정 포인트가 도 1에 예시되어 있다. 이러한 부품의 설계 및 제조에서 가장 중요한 것은 실제 제조가 이루어 진 이후에 사출성형물의 치수(Real)가 최초에 의도된 설계 치수(Target)에 얼마나 정확하게 매칭이 되고 최소한의 오차(Error)를 제공하는 것이다.
Er은 오차율(%)이고, xTarget는 최초 설계 치수이며, xReal는 실제 제조 후 치수이다.
이러한 치수 점검 포인트는 초정밀 제품의 경우 100여개에 달하기 때문에 수작업으로 관리는 불가능하고 통상 전산 소프트웨어를 통하여 관리한다. 즉, 관리 지점의 갯수를 i=100라고 하면 상기 오차는 아래와 같이 표현할 수 있다.
오차율의 정의는 실제 부품 설계에 있어 원하는 정밀도에 따라 하기의 정의에서 적절하게 선택되어 사용되어 진다. 통상 알고리듬의 간편함을 위하여 1 norm 이나 inf (무한대) norm이 많이 사용되어지고, 최적화 설계를 위해서는 2 norm이 사용되어 진다.
오차의 정의는 실제 부품 설계에 있어서 허용 가능한 공차(clearance, margin)라고 볼수 있으며 초정밀 플라스틱 부품의 제조를 위해서는 이 에러를 최소화하여야 한다.
부품의 정밀도는 앞서 제시된 식에 따라 오차를 최소화하기에 수학적으로 명확하게 정의되고 설명되어 질 수 있으나 오차율 1.57% 등의 표현은 시각적으로 설계, 해석 관점에서 소통에 어려움이 다소 있다. 따라서, 최근에는 오차율대신에 매칭율을 많이 사용하는 추세에 있다.
또한, 앞에서 금형설계제작 관련하여 치수 측정 포인트를 두고 설계 및 제작을 하고있으나, 치수 측정 포인트 이외에도 설계안을 검토할 때도 유용하게 사용될 수 있는 것으로,
위에서 i는 측정 지점 이외에 게이트 위치, 제품 형상, 게이트 사이즈, 살빼기 여부, 돌출부 두께 등 다양한 설계 검토안이 선택될 수 있다.
종래 금형설계제작에 의한 플라스틱 부품 제조는 도 2와 같이, 금형을 설계(S110)하고, 설계된 금형을 제작(S120)하고, 제작된 금형을 이용하여 사출성형(S130)이룬 후 사출성형된 부품의 치수를 측정(S140)하고, 측정된 치수가 오차범위 내에 있는지를 판단(S150)한다.
S150 단계의 판단 결과 측정된 치수가 오차범위 내에 있으면 최종 제품을 생산(S160)하게 되고, 측정된 치수가 오차범위를 벗어나면 다시 금형설계 단계(S110)부터 반복 수행한다.
일반적으로 일반품의 경우 5회, 중 정밀도 제품의 경우 10회, 고 정밀도의 경우, 도 3 예시에서, 20회 정도의 금형 수정이 행해 지며 시행착오(trial and error)에 의해 가장 좋은 성능을 제공하는 최고 성능 (maximum) 설계안이 채택 된다.
종래 금형설계 방식은 비 효율적인 금형설계 및 제조 공정 시스템으로, 가장 큰 단점은 단지 시간과 비용이 많이 소요된다는 것이 아니라 신제품 제작이 지연되고 이로 인해 고객이 떠나므로 시장 진입을 놓치는 기회비용이 발생할 수 있다.
이러한 경제적, 시간적 손실(LOSS)를 줄이기 위한 방법으로 최근 사출공정을 대상으로 한 경험적 예측, 신경망회로해석이 실시된 적이 있으나 금형설계/제작에 적용되기에는 한계가 있다. 높은 정확도의 신경망회로 알고리듬을 구축하려면 통상 학습(learning)이라고 부르는 20개 정도의 백데이터(back data)를 필요로 하는데, 단순히 백데이터 확보를 위해 금형설계/제작을 20회 견본으로 실시하는 경우 이미 최종 제품을 얻을 수가 있기에 해석이 의미가 없으며, 사출공정은 단순한 공정 변수 변경으로 짧은 시간에 쉽게 많은 데이터를 얻을수 있지만 금형설계제작은 막대한 시간/비용을 지출해야 하는 작업이기 때문이다.
더하여, 종래에 공개특허 제25111호(2007)가 개시되어 있고, 또한 지능형 플라스틱 금형 설계 장치에 관한 등록특허 제2091815호(2020)가 개시되어 있으며, 본 발명은 이를 바탕으로 보다 개선된 방안을 제시한다.
금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치함수, 신경망회로 분석알고리즘을 적용시켜 초정밀 플라스틱 금형을 최소의 비용과 시간으로 설계 제작할 수 있도록 지원하는 인공지능 활용형 플라스틱 금형설계장치를 제공하고자 한다.
금형설계데이터에 따른 학습용백데이터를 저장하고 있는 저장부(100);
작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하는 입력부(200);
상기 입력부(200)의 지원에 따라 입력된 금형설계데이터에 따른 학습용백데이터를 상기 저장부(100)로부터 읽어들이고, 상기 금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성시키고, 해석예측결과값에 가중치함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 상기 2차 금형설계데이터를 이용하여 금형제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품치수(제품의 치수)를 입력받아 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300); 및
상기 제어부(300)의 제어에 응하여 금형설계데이터를 화면상에 출력하는 출력부(400);를 포함하고,
상기 가중치함수는 절대치수와 상대치수에 대한 보정을 의미하며,
상기 제어부(300)는, 상기 2차 금형설계데이터를 신경망회로 분석알고리즘에 적용시켜 신경망회로 예측을 통해 3차 금형설계데이터를 생성시키며,
상기 제어부(300)는, 상기 1차 금형설계데이터를 통해서 경향정보만을 추출하여 분석하며,
상기 제어부(300)의 1차 금형설계데이터 생성방법은,
열유동 해석을 수행하고,
옆구배 계산을 통해 냉각 인자를 생성하고,
재료 배향성 계산을 통해 재료 인자를 생성하고,
게이트 및 살빼기 계산을 통해 기하학적 인자를 생성하며,
복수개의 인자를 생성한 후 열유동 변형을 예측하고,
구조해석을 수행하고,
응력 및 변위랑 계산을 통해 역학적 인자를 생성하고,
기하적 변형 예측 후 가중치해석 및 신경망회로해석을 통해 재설계 데이터를 생성시킨 후 열유동 해석을 수행하는 단계부터 반복수행하여 1차 금형설계데이터를 생성하는 것을 특징으로 하는 지능형 플라스틱 금형설계장치.
저장부, 입력부, 제어부 및 출력부를 포함하고,
상기 저장부는 금형설계데이터에 따른 백데이터를 저장하고,
상기 입력부는 작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하고,
상기 제어부는, 상기 입력부의 지원에 따라 입력된 금형설계데이터에 따른 백데이터를 상기 저장부로부터 읽어들이고, 상기 금형설계데이터 및 백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성시키고, 해석 예측 결과값에 가중치함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 상기 2차 금형설계데이터를 이용하여 금형제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품치수를 입력받아 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하고, 상기 1차 금형설계데이터를 통해서 경향정보를 추출하여 분석하며, 상기 2차 금형설계데이터를 신경망회로 알고리듬에 적용시켜 신경망회로 예측을 통해 3차 금형설계데이터를 생성시키고,
상기 출력부는 상기 제어부의 제어에 응하여 금형설계데이터를 화면상에 출력하하는, 신경망회로를 통한 금형설계장치로서,
동일가중치조건을 갖는 각 치수측정지점에 각각 다른 가중치가 곱하여져 보정이 이루어지고,
이에 따라 제작된 금형에서 각각 다른 측정치가 구해지고, 각각 다른 측정치가 신경망회로의 백데이터 입력값으로 취해져 학습되고,
학습된 신경망회로로부터 최적의 가중치가 구해지면, 동일가중치조건을 갖는 각 치수측정지점에 모두 동일하게 적용되는,
것을 특징으로 하는 신경망회로를 통한 금형설계장치.
금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성하고, 상기 1차 금형설계데이터를 통해서 경향정보를 추출하고,
상기 경향정보에 가중치함수인 가중치를 곱하여 2차 금형설계데이터를 생성하고, 상기 가중치함수를 활용하여 생성된 해석값이 24개 구해지면 상기 학습용백데이터로 사용하고,
상기 2차 금형설계데이터를 이용하여 금형제작 및 사출성형을 하며, 사출성형된 제품의 치수측정지점에서 측정된 치수가 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하고,
상기 2차 금형설계데이터를 신경망회로 분석알고리즘에 적용하고, 신경망회로 예측을 통해 3차 금형설계데이터를 생성하여서 학습용백데이터로 활용하는, 지능형 플라스틱 금형설계방법으로서,
금형의 좌우가 대칭되어서, 좌우 대칭으로 동일가중치조건을 만족하는 경우에,
대칭되는 각 치수측정지점에 각각 다른 가중치를 곱하여 보정을 실시하고,
이에 따라 제작된 금형의, 대칭되는 각 치수측정지점으로부터 보정된, 각각 다른 치수가 구해지면,
상기 각각 다른 치수를 신경망회로의 백데이터 입력값으로 취해서, 보다 많은 백데이터 입력값을 확보하며,
보다 많은 백데이터 입력값으로 신경망회로를 학습시키고, 그 결과를 동일가중치조건을 갖는 각 치수측정지점에 모두 동일하게 적용하는,
것을 특징으로 하는 지능형 플라스틱 금형설계방법.
금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치함수, 신경망회로 분석알고리즘을 적용시켜 정밀 플라스틱 금형을 최소의 비용, 시간으로 설계, 제작할 수 있다.
도 1은 금형설계제작을 통하여 제조된 플라스틱 부품의 사진.
도 2는 금형설계제작에 의한 플라스틱 부품 제조방법을 설명도.
도 3은 금형설계제작 회수를 설명을 위한 그래프.
도 4는 지능형 플라스틱 금형설계장치의 구성에 대한 설명도.
도 5는 위에 따른 운영방법에 대한 동작 흐름도,
도 6은 1차 금형설계데이터 생성방법을 설명하기 위한 동작 흐름도,
도 7은 2차 금형설계데이터를 생성하기 위한 가중치에 관한 설명도,
도 8은 2차 금형설계데이터를 생성하기 위한 신경망회로의 설명도.
도 9 및 도 10은 실시된 최적화 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업과정 후 결과를 나타낸 예시도.
도 11은 금형설계제작 회수에 대한 그래프.
도 12는 본 발명에서, 신경망회로의 학습 데이량을 증가하기 위한 금형설계데이터를 생성하기 위한 다중 가중치에 대한 예시도.
도 13은 다른 실시의 예시도.
지능형 플라스틱 금형설계방법, 장치는 도 4 예시에서, 금형설계데이터에 따른 학습용백데이터를 저장하고 있는 저장부(100)와, 작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하는 입력부(200)와,
입력부(200)의 지원에 따라 입력된 금형설계데이터에 따른 학습용백데이터를 저장부(100)로부터 읽어들이고, 금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성시키고, 해석예측결과값에 가중치함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 2차 금형설계데이터를 이용하여 금형제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품치수를 입력받아 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300)와,
제어부(300)의 제어에 응하여 금형설계데이터를 화면상에 출력하는 출력부(400)로 이루어진다.
가중치함수는 절대치수와 상대치수에 대한 보정을 의미하는 것으로, 측정기에서 보정과 같은 개념으로 사용되어지는 시스템 정확도를 개선하는 툴이다.
제어부(300)는, 1차 금형설계데이터를 통해서 경향정보만을 추출하여 분석한 후, 2차 금형설계데이터를 신경망회로 분석알고리즘에 적용시켜 신경망회로 예측을 통해 3차 금형설계데이터를 생성한다.
위 구성에 따른 운영방법에 있어서, 금형설계 설계자는 금형설계 프로그램을 이용하여 금형설계를 완료하게 되면, 이를 지능형 플라스틱 금형설계 분석알고리즘 툴에 적용시킨다. 입력부(200)는 키보드, 마우스, 터치패드/터치스크린 등으로 제공될 수 있다.
지능형 플라스틱 금형설계 분석툴을 탑재하고 있는 제어부(300)는 입력부(200)의 지원에 따라 금형설계데이터를 입력받고(S210), 입력된 금형설계데이터에 부응하는 학습용백데이터가 저장부(100)에 저장되어 있는지를 판단(S220)한다. 도 5 예시를 참조한다.
S220 판단 결과, 학습용백데이터가 저장부(100)에 저장되어 있으며 제어부(300)는 입력된 금형설계데이터에 부응하는 학습용백데이터를 저장부(100)로부터 읽어들인다(S230).
제어부(300)는 금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성(S240)시킨다.
1차 금형설계데이터 생성방법은 도 6과 같이, 제어부(300)는 열유동 해석을 수행(S310)하고, 옆구배 계산을 통해 냉각 인자를 생성(S320)하고, 재료 배향성 계산을 통해 재료 인자를 생성(S330)하고, 게이트 및 살빼기 계산을 통해 기하학적 인자를 생성(S340)한다.
제어부(300)는 이렇게 복수개의 인자를 생성한 후 열유동 변형을 예측(S350)하고, 구조해석(S360)을 수행하고, 응력 및 변위랑 계산을 통해 역학적 인자를 생성(S360)하고, 기하적 변형 예측 후 가중치해석 및 신경망회로해석을 통해 재설계 데이터를 생성시켜 S310 단계인 열유동 해석 단계부터 반복수행한다.
즉, 열 유동 해석 기술에 치수 변위량을 계산할 수 있는 구조해석 분석알고리즘을 추가로 연계시켜 해석을 함으로서 치수를 예측할 수 있게 된다. 이러한 연계 해석은 금형을 제작해 보지 않고도 성능 변화 추세를 예측해 볼수 있다는 장점이 있다.
이러한 성형해석에 의한 변형 예측값은 1차 해석 이후 그 결과값이 신경망회로해석과 가중치해석으로 넘어가는데 이 단계의 해석이 필요한 이유는 앞서 시행된 성형해석만으로는 치수 변화 예측 정확도가 5~70%밖에 나오지 않기 때문에 정확도에 문제가 있고, 다중 캐비티 (multi-cavity) 금형 해석의 경우 1~2주일까지 시간이 소요되는 치명적인 단점을 안고 있어, 해석에서 수 시간의 예측 계산과 정확률 95%이상을 구현하는 해석기술을 사용한다.
그리고 해석예측결과값에 가중치함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성(S250)시킨다. 즉, 제어부(300)는 경향정보에 가중치함수인 가중치를 곱하여 2차 금형설계데이터를 생성시킨다. 보다 상세히는 도 7에서,
기계역학에서 가중치함수는 n개의 결과치 x1, x2, ..., xn 치수값에 대하여 각각의 결과에 가중치 w1, w2, ..., wn 을 곱하여 보정을 한다. 이유는, 수학방적식 성형해석의 경우 수학적 모델링 과정에서 수많은 가정(assumption)이 들어가는 근사적인 방법인데다가, 실 설계 및 가공에서 거의 무한대 인자가 영향을 미치는데 반하여 성형해석은 한정된 수의 인자만을 입력 변수로 하고 있고, 재료 고유 물성치 역시 온도와 압력에 따라 매우 민감하게 변하기 때문이다.
일반적으로 가중치값을 곱하는 과정은 간단한 계산을 통하여 구현이 되나 금형 설*에 적용되려면 xi 값이 금형 모서리 형상과 같은 기하학적인 의미를 가져야 하며, x,y,z 3차원적인 형상을 복합적으로 구현해야 하기에 간단한 문제가 아니며 통상 컴퓨터 해석을 통하여 계산하여 관리를 하며 그 식은 다음과 같다.
가중치함수는 절대치수와 상대치수에 대한 보정과 같은 개념으로 사용되어지는 시스템 정확도 개선툴이며, 가중치함수는 제품의 단면이 3차원 형상과 같이 매우 복잡한 경우에는 선형함수, 이차원 다항식등을 이용해서 시행된다. 이렇게 가중치함수를 활용하여 생성된 해석값이 약 20개(가령, 18개, 19개, 21개, 22개, 23개, 24개...) 정도 구해지면 이는 신경망회로 분석알고리즘의 학습용백데이터로 사용될 수 있고 이를 토대로 향후 예상되어지는 변형도를 빠르게 예측할 수 있게 된다.
S250 단계에서 설명한 2차 금형설계데이터를 생성하기 위해서는 도 8에 도시된 바와 같이 가중치해석과 더불어 신경망회로를 활용하게 된다.
앞서 성형해석의 경우 다중 캐비티 예를 들어 4 캐비티 금형의 실험 계획법의 경우 1~2주의 방대한 해석시간을 요구하고 있으나 여기서 적용된 신경망회로해로망 해석의 경우는 상대적으로 매우 빠르게 제조 후 치수값을 정확하게 계산할수 있다는 장점이 있다. 단점으로는 신경망회로가 어느정도의 정확도를 가지려면 약 10회정도의 학습이 필요하다는 것인데 이는 성형해석과 실제 금형제작을 통하여 학습을 진행하면 해결될 수 있다.
사용된 신경망회로는 i개의 입력층을 가지며, j개의 은닉층, k개의 최종 출력층으로 구성된다. i, j, k개의 층별 개수는 금형설계에 있어 요구되는 정확도 수준에 따라 결정될 수 있으며 각각의 입력층과 은닉층, 출력층은 연결강도 아래의 식을 통해서 연결되는 관계를 가진다. 도 8을 참조한다.
즉, xi는 입력층 출력, wji는 입력층과 은닉층의 연결강도, f는 sigmoid함수, Hj는 입력층 출력, wkj는 은닉층과 출력층의 연결강도, Qk는 출력층 출력이다. 신경망회로 계산에서 xi는 초기값을 임의로 입력한 후 결과값 Qk를 모니니터링 하면서 원하는 결과값에 수렴하기까지 singmoid함수를 트레이닝하는 방법을 사용한다. 여기서 xi는 초기 해석이나 금형제작후 최초에 발생하는 치수측정지점 또는 치수를 입력하며 여기서는 10회 이내의 유한요소해석(유한 요소법 해석)을 통하여 함수를 트레이닝하는 방법을 사용한다. 신경망회로 이론은 70년도에 이미 완성이 되었으나, 여기서는 진보화된 i×j×k = n3 형태의 어떠한 해석 예측이 가능하도록 대용량화 처리 분석알고리즘을 제공할 수 있게 된다.
위와 같이 2차 금형설계데이터를 생성한 후 제어부(300)는 도 4에 도시된 바와 같이 2차 금형설계데이터를 이용하여 금형제작 및 사출성형이 이루어지도록 하며(S260), 사출성형된 제품치수를 입력(S270)받아, 제품치수가 오차 범위 내에 존재하는지를 판단(S280)하고, 오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어한다(S290).
S220 단계의 판단 결과 저장부(100)에 학습용백데이터가 저장되어 있지 않으면 제어부(300)는 입력부(200)를 통해 입력된 금형설계데이터만으로 학습용백데이터를 생성시켜 저장부(100)에 저장되도록 한다(S295).
0.3㎜ FFC(Flat Flexible Connector) 커넥터 제품에 대하여 적용 실시된 최적화 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업과정 후 결과에 관하여 도 9 및 도 10 예시와 함께 살펴본다.
도 9는 금형의 최적화 설계를 위하여, 도 9 (a) 커넥터 제품의 하단부 변형값을 최소화를 구현할 수 있는 도 9 (b) 최적화 설계안 채택을 위하여, 하단부 모서리 치수를 설계 인자 xi로 하여 성형해석을 하여 도 9 (c) 1차 치수값을 구하는 과정을 보여 준다. 도 10은 지능형 금형설계 과정의 입부로서 가중치해석과 신경망회로 해석을 완료한 이후에 계산된 xi을 보여주고 있다.
도 11과 같이 최적화된 상태의 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업을 통하여 완성된다. 이경우 총 4회의 금형제작으로 초정밀 금형설계제작이 가능하게 된다. 도 7 그래프 상에서 적색으로 표시된 점을 참조한다.
이하, 본 발명에 관하여 구체적으로 설명한다. 위에서와 같이 최소 금형제작, 수정으로 얻어진 많은 양의 데이타를 활용하여, 제어부(30)는 금형설계데이터를 신경망회로 알고리듬에 적용시켜 신경망회로 예측을 통해 3차와 같은 금형설계데이터를 생성할 수 있는데 여기에 더하여, 도 12 이하에 도시된 예시와 함께 금형설계제작 횟수를 가능한, 최소로 줄여서 비용과 시간을 절약하면서, 신경망회로 분석알고리즘의 학습용백데이터의 양은 최대한 증가시켜 정확도를 높이고 변형도를 빠르게 예측하기 위해 가중치(가중치값, 보정값)과 관련하여 보다 진보된 시스템을 위한 방법과 수단을 살펴보기로 한다.
신경망회로가 정확도를 갖기 위한 학습에 필요한 백데이터는 성형해석과 실제 금형제작을 통하여 제공됨을 앞서 살펴보았다. 또한 도 7 내지 도 9와 함께, 가중치함수는 n개의 결과치 x1, x2, ..., xn 치수값(치수측정지점의 치수, 제품치수)에 대하여 각각의 결과에 가중치 w1, w2, ..., wn을 곱한 x1w1, x2w2, ..., xnwn을 토대로 보정되어 이루어짐을 살펴보았으며, 보정된 새 xi = ∑wixi 으로 나타낼 수 있음을 알아 보았다.
여기서 동일가중치조건(동일한 가중치를 적용하여 곱할 조건)을 갖는 즉, 금형이 대칭 형상을 취하거나, 동일(유사 포함)한 3차원 형상 지오메트리가 반복되어 동일한 구조를 취하고, 게이트 적용(위치, 형태, 등)이 동일하게 실시되는 치수측정지점가 복수(적어도 2 이상) 갯수인, 경우에 각 치수측정지점(관리 지점)에 부여되는 가중치는 모두 동일한 값을 갖게 된다.
그런데 위 경우에 의도적으로 서로 다른 값을 갖는 다중 가중치를 부여할 수 있다. 이 경우 반복을 피하면서 보다 다양한 데이터를 얻을 수 있다. 도 12의 예시와 같은 형상에서, 대칭 중심(s0)의 양측에서 측정포인트 x1과 x7, x2와 x6, x3와 x5가 각각 서로 형상, 게이트 위치 구조 등이 동일하여서 동일한 가중치를 부여할 수 있는 동일가중치조건을 만족한다(x1=x7, x2=x6, x3=x5). 하지만 고의로 서로 다른 가중치(w1≠w7, w2≠w6, w3≠w5)를 부여할 수도 있다. 즉, 각각 다른 값의 가중치 w1과 w7, w2와 w6, w3와 w5를 곱하여 보정할 수 있다. 이때, 보정된 x1w1과 x7w7, x2w2와 x6w6, x3w3와 x5w5는 각각 서로 다른 결과값(측정값)을 가지며, 이에 따라 제작된 금형에서 측정된 실제 칫수는 서로 다르게 나타난다. 만일 같은 보정값이 적용되었다면, 예컨대 x1w1과 x7w7이 같은 결과의 칫수가 측정(x1w1=x7w7)되어야 하나, 다른 보정값이 적용된 관계로 다른 칫수의 측정(x1w1≠x7w7) 결과를 갖게 되는 것이다.
결론적으로 한 번의 금형으로 서로 다른 2개 이상의 측정값 결과물을 얻을 수 있어서 신경망회로에 필요한 학습용백데이터의 양을 2배 이상 증가시킬 수 있다. 신경망회로에는 x1과 x7을 동일 조건의 포인트(x1=x7)이므로 하나의 측정포인트로 인식시키고, 여기에 다른 가중치(w1, w7)를 각각 적용하여 나타나는 서로 다른 측정값을 입력하여서, 신경망회로가 가중치 w1을 적용하는 경우의 측정값 결과와, 가중치 w7을 적용하는 경우의 결과를 가지고서, 1회의 금형제작으로 마치 2번(또는 그 이상)의 금형제작을 실시하여 측정을 한 것처럼 학습시킬 수 있다. 1번의 금형제작으로 2번 이상(여러번)의 금형제작을 실시한 경우와 같은 측정값을 백데이터로 입력이 가능하게 되는 것이다.
그리고 보정 후에 측정된 데이터 측정값 결과 중에서 보다 정확한 측정값에 대한 피드백을 주어서 비교분석하게 하여 이후에 적용할 최적의 가중치를 유도하도록 신경망회로를 학습시킬 수 있다.
위 구성을 정리하면, 동일가중치조건을 갖는 각 치수측정지점에 각각 다른 가중치가 곱하여져 보정이 이루어지고 (예컨대, 금형이 대칭 형상을 취하는 경우, 대칭 중심(s0)의 양측 각 치수측정지점에 각각 다른 가중치가 곱하여져서 보정이 이루어지고),
이에 따라 제작된 금형에서 각각 다른 측정치가 구해지고, 각각 다른 측정치가 신경망회로의 백데이터 입력값으로 취해져 학습되고,
학습된 신경망회로로부터 최적의 가중치가 구해지면, 다음 금형설계제작 시에 동일가중치조건을 갖는 각 치수측정지점(예컨대, 대칭 중심(s0)의 양측 각 포인트)에 모두 동일하게 곱하여져 적용된다.
가중치에 있어서 한편, 동일가중치조건을 갖는 치수측정지점에 각각 다른 가중치를 적용하되, 가중치 중에서 가장 정확도가 높을 것으로 예상되는 가중치(가중치 1), 다음으로 높은 정확도(가중치 2), 그 다음 가중치(가중치 n) 순으로 순위를 정하고 각각의 치수측정지점에 적용하고 금형제작이 이루어질 수 있다. 이후 측정이 이루어져서 각 가중치에 따라 구해지는 결과값에서 가장 바람직한 측정값을 갖는 것을 선별한다. 예상되는 가중치의 정확도는 저장하여 둔 백데이터, 금형설계자의 경험치 등에 의해 도출될 수 있다.
그런데 애초 가장 정확도가 높을 결과값이 예상되는 가중치 1이 선별되는 경우 당연한 결과로서 이변이 없으나, 정확도가 덜 높게 예상되었던 가중치(가령, 가중치 2)에서 더 좋은 측정 결과값이 구해지는 경우가 발생할 수 있다. 그러면 가장 높은 정확도로 예상된 가중치 1을 버리고 실제 가장 높은 정확도의 측정값 결과를 제공하여 준 가중치(가령, 가중치 2)로 대체하는 작업이 수행된다. 신경망회로의 학습용백데이터에는 가장 높은 정확도인 것으로 저장되었던 가중치(가령, 가중치 1)가 실제 측정된 정확도에 따른 수준의 가중치로 다시 정의(저장)되고, 실제 가장 높게 측정된 결과값을 갖는 가중치(가령, 가중치 2)를 가장 높게 예상되어 우선 적용할 가중치로 정의되는 것이다. 이렇게 동일가중치조건을 갖는 치수측정지점가 복수인 경우에 각각 다른 가중치를 적용하여서 각각 다르게 도출되는 측정값에 따라 입체적으로, 신경망회로의 학습용백데이터를 제공할 수 있다.
도 13에서는 관련된 다른 실시를 알아본다. 앞서, 제어부(30)에서 1차 금형설계데이터를 생성한 후, 해석 예측 결과값에 가중치함수를 부여한 2차 금형설계데이터를 생성시켜서 금형제작 및 사출성형이 이루어지고 이때, 동일가중치조건을 갖는 치수측정지점가 존재하는 경우에, 각각 다른 가중치 값을 주어서 각각 다른 데이터를 확보할 수 있는 방법을 살펴보았다.
그런데 만일, 동일가중치조건을 갖는 치수측정지점가 존재하지 않는 경우에는, 임의의 동일가중치조건을 갖는 치수측정지점를 임시로 만들 수가 있다 즉, 임시 동일가중치조건을 갖는 치수측정지점를 임의로 만들어 두고 필요한 정보(학습용백데이터 값 등)를 취한 후에 다음 금형 수정 작업시에 삭제하여 없앨 수가 있다. 여기서 임시 동일가중치조건을 갖는 치수측정지점는 실제 생산될 제품에는 존재하지 않는 구성요소(형상)로서 단지, 데이터 확보를 위한 측정을 위하여 임시로 생성하였다가 측정이 이루어진 후에 다음 금형 수정시에는 제거되는 것이다.
도면에서, 측정포인트로 표시된 x8, x10, x12는 실제 제품의 형상(예컨대 특정 모양, 홈 또는 돌기 등)에 적용되어야 할 측정포인트이다. 그리고 x9, x11은 실제 제품에 존재하지 않는 형상이거나 측정할 필요가 없는 위치(구간)이다. 이때, 이 위치에 x9은 x8과 같은 형상을 취하고, x11은 x12와 같은 형상을 취하여 1차 금형제작시에 임시로 제작될 수 있다. 이렇게 제작된 금형에 각각 다른 가중치가 부여되는 바 즉, x8에는 w8, x9에는 w9, x10에는 w10, x11에는 w1, x12에는 w12의 값이 부여된다. 이렇게 해서 금형의 제작, 수정이 이루어지고 이에 따라 필요한 정보의 측정을 얻은 후에는, 임시 치수측정지점로 사용되었던 x9과 x11은 다음 금형 수정, 제작시에 제거(삭제)된다. 그러나 x9 측정포인트에 적용된 가중치 w9, x11 포인트에 적용된 가중치 값 w11의 데이터는 남아서 활용될 수 있다.
즉, 단 한 번(또는 최소)의 금형제작 횟수로 수 번(또는 최대)의 가중치함수를 갖는 치수측정지점를 생성하기 위하여, 실제 제품의 형상과 상관없이, 동일가중치조건을 갖는 치수측정지점를 적어도 1개 이상(또는 2개 이상 복수) 생성하여서 각각 다른 가중치를 부여하여서 그 결과로서 많은 횟수의 금형제작에서 얻을 수 있는 측정값 정보의 데이터 값을 확보할 수 있는 것이다. 물론, 이때에는 코어 등의 위치를 고려하고 금형 수정 작업이 용이한 위치를 선정해야 한다. 또한 금형 수정이 용이하도록 금형에서 양각(반대로 제품에서는 음각이 됨)을 생성하여 적용되는 것이 유리한데, 이는 생성된 양각은 밀링머신 등으로 컷팅하여 제거가 쉬운데에 반하여, 금형의 음각을 없앨 때에는 금속을 용융해서 메꾸어 채워야 하는 어려움이 따르기 때문이다.
이와 같이 최소 금형제작, 수정으로 얻어진 많은 양의 데이타를 활용하여, 제어부(30)는 금형설계데이터를 신경망회로 알고리듬에 적용시켜 신경망회로 예측을 통해 3차와 같은 금형설계데이터를 생성할 수 있다.
일 실시예를 정리하여 나타내면,
금형의 좌우가 대칭되어서 (좌우측이 상호) 동일가중치조건을 만족하는 경우에,
대칭되는 각 치수측정지점에 각각 (크기가) 다른 가중치를 곱하여 (각각 따로) 보정을 실시하고,
이에 따라 제작된 금형에서는, 금형의 대칭되는 각 치수측정지점으로부터 각각 다른 치수가 구해지고,
상기 각각 값이 다른 (복수 개의) 치수를 신경망회로의 백데이터 입력값으로 취해서, 보다 많은 백데이터 입력값을 확보하며,
보다 많은 백데이터 입력값으로 신경망회로를 학습시킨 후에, 그 결과(학습 결과로 얻어지는 백데이터 입력값)를 상기 동일가중치조건을 갖는 각 치수측정지점에 모두 동일하게(같이) 적용한다.
한편, 생산할 제품이 정각형의 삼각형상, 사각형상, 오각형상, 육각형상 등 다각형상을 취하여서 좌우 뿐만 아니라 여러 곳에 대칭되는 동일가중치조건을 만족하는 치수측정지점이 존재하는 경우에는,
각 치수측정지점에 일정한 규칙(예컨대 등차수열, 등비수열 등)에 의한 차이를 준 가중치(등차수열의 경우에 예건대 100, 101, 102, 103...)를 부여하는 방법으로, 백데이터를 얻기 위한 금형제작을 실시하고,
제어부(30)는, 각 치수측정지점의 치수를 측정하여 구해지는 일련의 데이터(금형설계데이터)를 활용하여, 신경망회로 알고리듬에 적용시켜 신경망회로 예측을 통해 3차, 4차와 같은 최종 금형설계데이터 값을 생성할 수 있다.
이와 같이 일정한 규칙에 의해 적용된 가중치 값에 의해 얻어지는 데이터는 그 또한 어떤 규칙성을 가지고 있을 가능성이 높다. 이 경우에 제어부(30)는, 그 규칙성을 분석하면 보다 정확한 금형설계데이터를 생성할 수 있게 되는 것이다.
100: 저장부
200: 입력부
300: 제어부
400: 출력부

Claims (1)

  1. 금형설계데이터 및 학습용백데이터를 요소해석방식에 따라 1차 예측된 1차 금형설계데이터를 생성하고, 상기 1차 금형설계데이터를 통해서 경향정보를 추출하고,
    상기 경향정보에 가중치함수인 가중치를 곱하여 2차 금형설계데이터를 생성하고, 상기 가중치함수를 활용하여 생성된 해석값이 24개 구해지면 상기 학습용백데이터로 사용하고,
    상기 2차 금형설계데이터를 이용하여 금형제작 및 사출성형을 하며, 사출성형된 제품의 치수측정지점에서 측정된 치수가 기준오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하고,
    상기 2차 금형설계데이터를 신경망회로 분석알고리즘에 적용하고, 신경망회로 예측을 통해 3차 금형설계데이터를 생성하여서 학습용백데이터로 활용하는, 지능형 플라스틱 금형설계방법으로서,
    금형의 좌우가 대칭되어서, 좌우 대칭으로 동일가중치조건을 만족하는 경우에,
    대칭되는 각 치수측정지점에 각각 다른 가중치를 곱하여 보정을 실시하고,
    이에 따라 제작된 금형의, 대칭되는 각 치수측정지점으로부터 보정된, 각각 다른 치수가 구해지면,
    상기 각각 다른 치수를 신경망회로의 백데이터 입력값으로 취해서, 보다 많은 백데이터 입력값을 확보하며,
    보다 많은 백데이터 입력값으로 신경망회로를 학습시키고, 그 결과를 동일가중치조건을 갖는 각 치수측정지점에 모두 동일하게 적용하는,
    것을 특징으로 하는 지능형 플라스틱 금형설계방법.
KR1020220116709A 2022-09-15 2022-09-15 지능형 플라스틱 금형설계방법 KR20240037778A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220116709A KR20240037778A (ko) 2022-09-15 2022-09-15 지능형 플라스틱 금형설계방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220116709A KR20240037778A (ko) 2022-09-15 2022-09-15 지능형 플라스틱 금형설계방법

Publications (1)

Publication Number Publication Date
KR20240037778A true KR20240037778A (ko) 2024-03-22

Family

ID=90481218

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220116709A KR20240037778A (ko) 2022-09-15 2022-09-15 지능형 플라스틱 금형설계방법

Country Status (1)

Country Link
KR (1) KR20240037778A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118395881A (zh) * 2024-06-25 2024-07-26 深圳市常丰激光刀模有限公司 一种基于精密模具人机交互智能设计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118395881A (zh) * 2024-06-25 2024-07-26 深圳市常丰激光刀模有限公司 一种基于精密模具人机交互智能设计方法

Similar Documents

Publication Publication Date Title
Mohamed et al. Optimization of fused deposition modeling process parameters for dimensional accuracy using I-optimality criterion
Krimpenis et al. Simulation-based selection of optimum pressure die-casting process parameters using neural nets and genetic algorithms
CN108241774B (zh) 用于模拟成型过程的方法
Bahloul et al. A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms
Mercado-Colmenero et al. A new method for the automated design of cooling systems in injection molds
Park et al. Design and simulation-based optimization of cooling channels for plastic injection mold
KR20240037778A (ko) 지능형 플라스틱 금형설계방법
Yu et al. Design and optimization of press bend forming path for producing aircraft integral panels with compound curvatures
CN114719962B (zh) 基于机器学习的机械振动数字孪生模型构建方法
CN118797885A (zh) 载荷循环内防止损伤的生成设计形状优化
KR20230166417A (ko) 인공신경망을 통한 금형설계장치
Jauregui-Becker et al. Performance evaluation of a software engineering tool for automated design of cooling systems in injection moulding
JP5241310B2 (ja) 成形品の変形形状の予測方法とその装置、変形形状の予測プログラムとその記憶媒体
JP6949415B2 (ja) 金型ｃａｄモデルデータ作成装置及び金型ｃａｄモデルデータ作成方法
JP4378011B2 (ja) 金型設計装置と金型形状の設計方法
KR102091815B1 (ko) 지능형 초정밀 플라스틱 금형 설계장치
AU2012357709A1 (en) A method for simulating bilaterally non-symmetrical injection moulding process
Gusel et al. Genetic based approach to predicting the elongation of drawn alloy
JP5899004B2 (ja) 成形品そり変形予測装置、成形品そり変形予測方法及び成形品そり変形予測プログラム
JP5889077B2 (ja) 成形品収縮変形予測装置、成形品収縮変形予測方法及び成形品収縮変形予測プログラム
Hadzistevic et al. Rule base reasoning in the knowledge-based mould design system
EP3511149B1 (en) Curvature deformation prevention design method for resin molded article, program, recording medium, and curvature deformation prevention design apparatus for resin molded article
EP4025406B1 (en) Computer implemented method of designing a molding process
CN115816717A (zh) 轻量化注塑模具制作方法、轻量化注塑模具及注塑产品
JP7123278B1 (ja) 演算装置、演算方法及びプログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal