KR20240061140A - 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법 - Google Patents

데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법 Download PDF

Info

Publication number
KR20240061140A
KR20240061140A KR1020220142461A KR20220142461A KR20240061140A KR 20240061140 A KR20240061140 A KR 20240061140A KR 1020220142461 A KR1020220142461 A KR 1020220142461A KR 20220142461 A KR20220142461 A KR 20220142461A KR 20240061140 A KR20240061140 A KR 20240061140A
Authority
KR
South Korea
Prior art keywords
data
die casting
casting process
defect
defect detection
Prior art date
Application number
KR1020220142461A
Other languages
English (en)
Inventor
유영준
이상아
이영철
김정태
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020220142461A priority Critical patent/KR20240061140A/ko
Publication of KR20240061140A publication Critical patent/KR20240061140A/ko

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B22CASTING; POWDER METALLURGY
    • B22DCASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20Accessories: Details
    • B22D17/32Controlling equipment
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00Investigating 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
    • G01N23/02Investigating 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
    • G01N23/04Investigating 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
    • G01N23/046Investigating 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 using tomography, e.g. computed tomography [CT]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00Investigating 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
    • G01N23/02Investigating 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
    • G01N23/06Investigating 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
    • G01N23/18Investigating the presence of flaws defects or foreign matter
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/40Imaging
    • G01N2223/419Imaging computed tomograph
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/60Specific applications or type of materials
    • G01N2223/646Specific applications or type of materials flaws, defects

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법이 제공된다. 본 발명의 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치는 다이캐스팅 공정 설비에 대한 데이터를 수집하는 데이터 수집부, 수집된 데이터를 전처리하는 데이터 전처리부, 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강하는 데이터 증강부, 증강된 결함 데이터와 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습하는 결함검출 학습부, 및 학습된 검출모델에 따라 다이캐스팅 공정 설비의 시계열 데이터를 기반으로 다이캐스팅 공정 설비의 결함을 검출하는 결함검출부를 포함한다.

Description

데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법{Apparatus for detecting defect in die casting process based on data augmentation method thereof}
본 발명은 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법에 관한 것으로, 특히, 다이캐스팅 공정에 대한 부족한 결함 데이터를 증강하여 결함 검출의 정확도를 향상시킬 수 있는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법에 관한 것이다.
다이 캐스팅(die casting)은 다이라 명명하는 금속재질의 금형에다가 소재가 되는 금속을 녹여서 높은 압력으로 강제로 밀어 넣는 주조 방법중 하나이다. 따라서 다이캐스팅 공정은 온도 및 압력의 제어에 따라 품질이 결정되기 때문에 제품의 결함은 이들의 공정 요인이 영향을 미치게 된다.
한편, 다이캐스팅으로 제조된 품질을 향상시키기 위해서 양품과 불량 제품에 대한 데이터를 축적하고, 이를 머신러닝 등에 의해 학습하여 제품의 결함을 검출하고 있다. 그러나 이는 실제 공정에서 수집된 데이터를 기반으로 하기 때문에 데이터의 절대량이 부족한 실정이다. 특히, 양품과 불량의 비율이 현저하게 비대칭성을 갖고 있어 정상적인 학습이 곤란하다. 즉, 실제 다이캐스팅 공정에서 불량 데이터의 희귀성 때문에 양품과 불량의 데이터의 불균형이 존재하여 머신러닝/딥러닝 모델의 구축이 어려운 실정이다.
KR 10-2019-0069109 A
상기와 같은 종래 기술의 문제점을 해결하기 위해, 본 발명의 일 실시예는 다이캐스팅 공정에 대한 부족한 결함 데이터를 증강하여 결함 검출의 정확도를 향상시킬 수 있는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법을 제공하고자 한다.
위와 같은 과제를 해결하기 위한 본 발명의 일 측면에 따르면, 다이캐스팅 공정 설비에 대한 데이터를 수집하는 데이터 수집부; 상기 수집된 데이터를 전처리하는 데이터 전처리부; 상기 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강하는 데이터 증강부; 상기 증강된 결함 데이터와 상기 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습하는 결함검출 학습부; 및 상기 학습된 검출모델에 따라 상기 다이캐스팅 공정 설비의 시계열 데이터를 기반으로 상기 다이캐스팅 공정 설비의 결함을 검출하는 결함검출부;를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치가 제공된다.
일 실시예에서, 상기 데이터 증강부는 GAN(Generative Adversarial Network)을 통하여 데이터를 증강할 수 있다.
일 실시예에서, 상기 데이터 증강부는, 상기 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성하는 생성기; 및 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련 여부를 판별하는 판별기를 포함할 수 있다.
일 실시예에서, 상기 생성기는 상기 판별기에서 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 상기 생성된 결함 데이터를 변형한 데이터를 추가로 생성하여 상기 전처리된 결함 데이터와의 관련여부를 재요청할 수 있다.
일 실시예에서, 상기 생성기는 상기 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성할 수 있다.
일 실시예에서, 상기 결함검출 학습부는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 상기 검출모델을 학습할 수 있다.
일 실시예에서, 상기 결함검출 학습부는 상기 비지도 학습 또는 상기 반지도 학습의 경우, GAN(Generative Adversarial Network)의 잠재공간(latent space)의 클러스터링을 통하여 결함을 검출하도록 학습할 수 있다.
일 실시예에서, 상기 데이터 수집부는, 상기 다이캐스팅 공정 설비에 대한 온도를 측정하는 온도 센서; 상기 다이캐스팅 공정 설비에 대한 압력을 측정하는 압력 센서; 및 상기 다이캐스팅 공정 설비의 내부결함을 육안으로 검사하기 위한 육안검사부를 포함할 수 있다.
일 실시예에서, 상기 육안검사부는 CT 또는 X-ray를 포함할 수 있다.
일 실시예에서, 상기 데이터 전처리부는 상기 수집된 데이터를 이미지화하도록 전처리하고, 상기 이미지화 처리는 단시간 푸리에 변환(STFT; Short Time Fourier Transform), 웨이블릿 변환(Wavelet Transform), 커토그램(Kurtogram) 및 SAX(Symbolic Aggregate approXimation)를 포함할 수 있다.
본 발명의 다른 측면에 따르면, 다이캐스팅 공정 설비에 대한 데이터를 수집하는 단계; 상기 수집된 데이터를 전처리하는 단계; 상기 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강하는 단계; 상기 증강된 결함 데이터와 상기 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습하는 단계; 및 상기 학습된 검출모델에 따라 상기 다이캐스팅 공정 설비의 시계열 데이터를 기반으로 상기 다이캐스팅 공정 설비의 결함을 검출하는 단계;를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법이 제공된다.
일 실시예에서, 상기 증강하는 단계는 GAN(Generative Adversarial Network)을 통하여 데이터를 증강할 수 있다.
일 실시예에서, 상기 증강하는 단계는, 상기 전처리된 결함 데이터를 기초로 판별기를 학습하는 단계; 상기 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성하는 단계; 및 상기 판별기에 의해 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련 여부를 판별하는 단계를 포함할 수 있다.
일 실시예에서, 상기 생성하는 단계는 상기 판별기에 의해 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 상기 생성된 결함 데이터를 변형한 데이터를 추가로 생성하여 상기 전처리된 결함 데이터와의 관련여부를 재요청할 수 있다.
일 실시예에서, 상기 생성하는 단계는 상기 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성할 수 있다.
일 실시예에서, 상기 검출모델을 학습하는 단계는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 상기 검출모델을 학습할 수 있다.
일 실시예에서, 상기 검출모델을 학습하는 단계는 상기 비지도 학습 또는 상기 반지도 학습의 경우, GAN(Generative Adversarial Network)의 잠재공간의 클러스터링을 통하여 결함을 검출하도록 학습할 수 있다.
일 실시예에서, 상기 수집하는 단계는, 상기 다이캐스팅 공정 설비에 대한 온도를 측정하는 단계; 상기 다이캐스팅 공정 설비에 대한 압력을 측정하는 단계; 및 상기 다이캐스팅 공정 설비의 내부결함을 육안으로 검사하는 단계를 포함할 수 있다.
일 실시예에서, 상기 검사하는 단계는 CT 또는 X-ray를 통하여 수행할 수 있다.
일 실시예에서, 상기 전처리하는 단계는 는 상기 수집된 데이터를 이미지화하도록 전처리하고, 상기 이미지화 처리는 단시간 푸리에 변환, 웨이블릿 변환, 커토그램 및 SAX를 포함할 수 있다.
본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법은 다이캐스팅 공정에 대한 부족한 결함 데이터를 증강함으로써, 결함 검출의 정확도를 향상시킬 수 있으므로 다이캐스팅 공정의 품질을 향상시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법은 GAN(Generative Adversarial Network) 기반으로 결함 데이터를 증강함으로써, 시계열 데이터에 대한 데이터 증강을 단순화하면서도 유사도가 높은 결함 데이터를 생성할 수 있으므로 결함 검출을 위한 학습의 효율을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 전처리부의 예로서 (a)단시간 푸리에 변환, (b) 웨이블릿 변환, (c)커토그램 및 (d) SAX 이미지이다.
도 3은 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 데이터 증강부의 세부 블록도이다.
도 4는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법의 데이터 증강 절차의 순서도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.
이하에서는 도면을 참조하여 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치를 보다 상세히 설명하도록 한다. 도 1은 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 데이터 수집부(110), 데이터 전처리부(120), 데이터 증강부(130), 결함검출 학습부(140) 및 결함검출부(150)를 포함한다.
데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정에서의 결함 데이터의 희귀성에 따른 양품 데이터와의 데이터 불균형을 해소하여 정확한 결함 검출 모델을 학습하기 위한 장치로서, 양품 및 이상상황 등에 의한 결함 데이터의 불균형을 해소하여, 양품과 결함의 동등 수준의 데이터량을 통하여 머신러닝 딥러닝 모델의 정확도를 확보할 수 있다. 즉, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정에서 데이터를 취득하여 공정 관리나 제품의 품질을 체크하며, 불량을 검출함으로써 양질의 제품을 제조할 수 있다.
데이터 수집부(110)는 다이캐스팅 공정 설비에 대한 데이터를 수집할 수 있다. 여기서, 데이터 수집부(110)는 다이캐스팅 공정 설비에 대한 데이터를 시계열적으로 수집할 수 있다. 즉, 데이터 수집부(110)는 사이클 타임에 기반하여 각종 데이터를 수집할 수 있다. 일례로, 데이터 수집부(110)는 온도 센서, 압력센서 및 육안검사부를 포함할 수 있다.
온도 센서는 다이캐스팅 공정 설비에 대한 온도를 측정할 수 있다. 여기서, 온도 센서는 다이캐스팅 재료인 알루미늄 유량, 제품을 찍어내기 위한 다이 등에 설치될 수 있다. 이때, 측정된 온도 관련 정보는 최고 온도까지의 경과 시간, 사이클 평균 온도, 평균 변동 수준, 최대 변동, 최소 변동 등을 포함할 수 있다.
압력 센서는 다이캐스팅 공정 설비에 대한 압력을 측정할 수 있다. 여기서, 측정된 압력 관련 정보는 유압 분사 압력 정보로서, 압력 적용 시간, 압력 증가율, 압력 감소율, 사이클 평균 압력, 및 최대 강화 압력을 포함할 수 있다.
육안검사부는 다이캐스팅 공정 설비의 내부결함을 육안으로 검사하기 위한 장치일 수 있다. 일례로, 육안검사부는 CT 또는 X-ray를 포함할 수 있다. 이때, 촬영된 CT나 X-ray를 통하여 작업자 육안검사를 통해 다이캐스팅 공정 설비의 내부결함을 검사할 수 있다.
데이터 전처리부(120)는 데이터 수집부(110)에서 수집된 데이터를 전처리할 수 있다. 이때, 데이터 전처리부(120)는 수집된 데이터를 이미지화하도록 전처리할 수 있다. 일례로, 데이터 전처리부(120)는 단시간 푸리에 변환(STFT; Short Time Fourier Transform), 웨이블릿 변환(Wavelet Transform), 커토그램(Kurtogram) 및 SAX(Symbolic Aggregate approXimation)를 포함하는 이미지화 처리에 의해 수집된 데이터를 이미지화할 수 있다.
데이터 증강부(130)는 데이터 전처리부(120)에서 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강할 수 있다. 일례로, 데이터 증강부(130)는 GAN(Generative Adversarial Network)을 통하여 데이터를 증강할 수 있다. 즉, 데이터 증강부(130)는 다이캐스팅 공정 설비에서 획득되는 소량의 결함 데이터를 기초로 해당 결함 데이터와 유사도가 높은 데이터를 증강할 수 있다. 이때, 데이터 증강부(130)는 정상 데이터와 동등한 량의 결함 데이터를 생성할 수 있다.
이를 통해, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 결함 데이터의 적은 데이터량을 정상 데이터와 균형이 맞도록 증강할 수 있으며, 증강된 결함 데이터를 이용하여 결함 검출 모델에 활용할 수 있다.
결함검출 학습부(140)는 데이터 증강부(130)에서 증강된 결함 데이터와 데이터 전처리부(120)에서 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습할 수 있다. 즉, 결함검출 학습부(140)는 동등 수준의 데이터량의 정상 데이터와 결함 데이터를 이용하여 결함 검출모델을 학습할 수 있다.
이때, 결함검출 학습부(140)는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 검출모델을 학습할 수 있다. 특히, 결함검출 학습부(140)는 비지도 학습 또는 반지도 학습의 경우, GAN의 잠재공간(latent space)의 클러스터링을 통하여 결함을 검출하도록 학습할 수 있다. 아울러, 결함검출 학습부(140)는 다양한 클러스터링 알고리즘을 활용할 수 있음을 물론이다.
결함검출부(150)는 결함검출 학습부(140)에서 학습된 검출모델에 따라 다이캐스팅 공정 설비에서 수집되는 데이터를 통하여 다이캐스팅 공정 설비의 결함을 검출할 수 있다. 일례로, 결함검출부(150)는 다이캐스팅 공정 설비에서 수집되는 시계열 데이터를 기반으로 학습된 검출모델에 따라 다이캐스팅 공정 설비의 결함을 검출할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정에 대한 부족한 결함 데이터를 증강함으로써, 결함 검출의 정확도를 향상시킬 수 있으므로 다이캐스팅 공정의 품질을 향상시킬 수 있다.
도 2는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 전처리부의 예로서 (a)단시간 푸리에 변환, (b) 웨이블릿 변환, (c)커토그램 및 (d) SAX 이미지이다.
도 2를 참조하면, (a)는 단시간 푸리에 변환에 의한 이미지이다. 단시간 푸리에 변환은 슬라이딩 윈도우 기법처럼 특정 길이를 가진 윈도우를 신호 위에 움직이면서, 각각 윈도우에서 푸리에 변환 진행한다. 이때, 단시간 푸리에 변환은 특정 시간 t에 대해서 푸리에 변환을 여러번 연산하게 되는데, 연산한 횟수만큼 평균을 구해서 특정 시간 t에서의 주파수 스펙트럼을 구할 수 있다. 단시간 푸리엔 변환은 시간(x축)에 따른 주파수(y축)의 변화의 특징을 확인할 수 있다.
(b)는 웨이블릿 변환에 의한 이미지이다. 웨이블릿 변환은 고주파 성분의 신호에 대해서는 시간 해상도를 높이고 주파수 해상도를 낮추며, 저주파 성분의 신호에 대해서는 주파수 해상도를 높이고 시간해상도를 낮춘다. 웨이블릿 변환은 단시간 푸리에 변환의 단점인 시간 분해능과 주파수 분해능의 트레이드-오프(trade-off)를 보완할 수 있다.
(c)는 커토그램에 의한 이미지이다. 커토그램은 시간을 국소화했을 때의 스펙트럼 첨도를 연산한다. 커토그램은 주파수 영역에서 비정상(Nonstationary) 또는 비가우스 동작으로부터 정상 가우스 신호 동작을 구분하여 신호를 가시화한다. 커토그램은 포락선 분석과 같은 여타 툴의 전처리와 마찬가지로, 스펙트럼 첨도로부터 신호의 에너지가 최대한 많이 사용된 부분의 최적 대역을 추출할 수 있다.
(d)는 SAX에 의한 이미지이다. SAX는 단편화와 이산화 기법들을 결합한 시계열 표현 방법으로, 시계열 분류 문제에 성공적으로 적용된다. SAX는 연산량이 많은 시계열 데이터의 이미지화를 처리할 때 활용할 수 있다.
도 3은 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치의 데이터 증강부의 세부 블록도이다.
도 3를 참조하면, 데이터 증강부(130)는 생성기(132) 및 판별기(134)를 포함할 수 있다.
생성기(132)는 데이터 전처리부(120)에서 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성할 수 있다. 즉, 생성기(132)는 다이캐스팅 공정 설비에 수집된 결함 데이터의 이미지를 기초로 이와 유사도가 높은 신규 결함 데이터를 생성할 수 있다. 일례로, 생성기(132)는 결함 데이터들의 평균값과 해당 결함 데이터의 차이에 따라 신규 결함 데이터를 생성할 수 있다. 이때, 생성기(132)는 신규 결함데이터가 생성되면 이를 반영하여 새로운 평균값을 산출할 수 있다. 즉, 생성기(132)는 신규 결함 데이터를 생성할 때마다 신규 결함 데이터들의 평균값을 변형해가면서 추가적인 신규 결함 데이터를 생성할 수 있다. 여기서, 데이터는 이미지화된 상태이므로, 데이터들의 차이는 각 이미지의 중첩에 의한 발생하는 차이로 산출될 수 있다.
다른 예로, 생성기(132)는 결함 데이터들의 평균값과 해당 결함 데이터의 차이를 일정비율로 분할하고, 분할된 비율에 따라 신규 결함 데이터를 생성할 수 있다. 이때도, 생성기(132)는 신규 결함데이터가 생성되면 이를 반영하여 새로운 평균값을 산출할 수 있다.
또한, 생성기(132)는 이와 같이 생성된 결함 데이터를 판별기(134)로 데이터 전처리부(120)에서 전처리된 결합 데이터, 즉 실제 다이캐스팅 공정 설비에서의 결함 데이터와 관련여부를 판별하도록 요청할 수 있다.
판별기(134)에서, 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 생성기(132)는 기생성된 결함 데이터를 변형한 데이터를 추가로 생성할 수 있다. 이때, 생성기(132)는 추가로 생성된 결함 데이터를 전처리된 결함 데이터와의 관련여부를 판별기(134)로 재요청할 수 있다.
이와 같이, 생성기(132)는 전처리된 결함 데이터와 관련도가 높은 결함 데이터를 반복적으로 생성할 수 있다. 즉, 생성기(132)는 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성할 수 있다. 여기서, 임계값은 정량 데이터의 수일 수 있다.
판별기(134)는 데이터 전처리부(120)에서 전처리된 결함 데이터를 기초로 학습할 수 있다. 즉, 판별기(134)는 다이캐스팅 공정 설비에 대한 실제 결함 데이터를 기초로 입력 데이터가 결함 데이터와의 관련도를 판별하도록 학습될 수 있다.
이와 같이 학습된 판별기(134)는 생성기(132)에서 신규로 생성된 결함 데이터가 전처리된 결함 데이터와 관련 여부를 판별할 수 있다. 즉, 판별기(134)는 결함 데이터 증강을 위해 생성기(132)에서 생성된 신규 결함 데이터가 다이캐스팅 공정 설비에서 수집된 실제 결함 데이터와 유사한지를 판별할 수 있다. 즉, 판별기(134)는 실제 결함 데이터와 생성기(132)에서 신규로 생성된 결함 데이터 사이의 관련도를 판별할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법은 GAN(Generative Adversarial Network) 기반으로 결함 데이터를 증강함으로써, 시계열 데이터에 대한 데이터 증강을 단순화하면서도 유사도가 높은 결함 데이터를 생성할 수 있으므로 결함 검출을 위한 학습의 효율을 향상시킬 수 있다.
이하, 도 4 및 도 5를 참조하여 본 발명의 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법을 설명한다.
도 4는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법의 순서도이다.
도 4를 참조하면, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법(200)은 다이캐스팅 공정 설비에 대한 데이터를 수집하는 단계(S210), 데이터를 전처리하는 단계(S220), 결함 데이터를 증강하는 단계(S230), 결함검출을 학습하는 단계(S(240) 및 다이캐스팅 공정 설비에 대하여 수집된 데이터로 결함을 검출하는 단계(S250)를 포함한다.
보다 상세히 설명하면, 도 4에 도시된 바와 같이, 먼저, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 대한 데이터를 수집한다(단계 S210). 이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 대한 데이터를 시계열적으로 수집할 수 있다. 즉, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 사이클 타임에 기반하여 각종 데이터를 수집할 수 있다. 일례로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 대한 온도를 측정할 수 있다. 여기서, 측정된 온도 관련 정보는 최고 온도까지의 경과 시간, 사이클 평균 온도, 평균 변동 수준, 최대 변동, 최소 변동 등을 포함할 수 있다.
또한, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 대한 압력을 측정할 수 있다. 여기서, 측정된 압력 관련 정보는 유압 분사 압력 정보로서, 압력 적용 시간, 압력 증가율, 압력 감소율, 사이클 평균 압력, 및 최대 강화 압력을 포함할 수 있다.
또한, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비의 내부결함을 육안으로 검사할 수 있다. 이때, 육안검사는 CT 또는 X-ray를 통하여 수행할 수 있다. 즉 촬영된 CT나 X-ray를 통하여 작업자 육안검사를 통해 다이캐스팅 공정 설비의 내부결함을 검사할 수 있다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 수집된 데이터를 전처리한다(단계 S220). 이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 수집된 데이터를 이미지화하도록 전처리할 수 있다. 일례로, 이미지화 처리는 단시간 푸리에 변환, 웨이블릿 변환, 커토그램 및 SAX를 포함할 수 있다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강한다(단계 S230). 이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 GAN을 통하여 데이터를 증강할 수 있다.
즉, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에서 획득되는 소량의 결함 데이터를 기초로 해당 결함 데이터와 유사도가 높은 데이터를 증강할 수 있다. 이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 정상 데이터와 동등한 량의 결함 데이터를 생성할 수 있다.
이와 같이, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 GAN을 통해 데이터량이 적은 결함 데이터를 생성하게 되고, 이를 통해 데이터를 증강할 수 있다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 증강된 결함 데이터와 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습한다(단계 S240). 여기서, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 동등 수준의 데이터량의 정상 데이터와 결함 데이터를 이용하여 결함 검출모델을 학습할 수 있다.
이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 검출모델을 학습할 수 있다. 특히, 비지도 학습 또는 반지도 학습의 경우, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 GAN의 잠재공간의 클러스터링을 통하여 결함을 검출하도록 학습할 수 있다. 아울러, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다양한 클러스터링 알고리즘을 활용할 수 있음을 물론이다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에서 수집되는 데이터를 통하여 다이캐스팅 공정 설비의 결함을 검출한다(단계 S250). 일례로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에서 수집되는 시계열 데이터를 기반으로 학습된 검출모델에 따라 다이캐스팅 공정 설비의 결함을 검출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법의 데이터 증강 절차의 순서도이다.
도 5를 참조하면, 데이터 증강 절차(230)는 판별기를 학습하는 단계(S231), 결합 데이터를 생성하는 단계(S232), 생성된 결함 데이터가 적합유무를 판별하는 단계(S233) 및 증강 데이터의 수가 임계값을 초과하는지 판별하는 단계(S234)를 포함한다.
보다 상세히 설명하면, 도 4에 도시된 바와 같이, 먼저, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 전처리된 결함 데이터를 기초로 판별기(134)를 학습한다(단계 S231). 이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 대한 실제 결함 데이터를 기초로 입력 데이터가 결함 데이터와의 관련도를 판별하도록 판별기(134)를 학습할 수 있다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성한다(단계 S232).
이때, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 다이캐스팅 공정 설비에 수집된 결함 데이터의 이미지를 기초로 이와 유사도가 높은 신규 결함 데이터를 생성할 수 있다. 일례로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 결함 데이터들의 평균값과 해당 결함 데이터의 차이에 따라 신규 결함 데이터를 생성할 수 있다. 여기서, 신규 결함데이터가 생성되면 이를 반영하여 새로운 평균값이 산출될 수 있다. 즉, 신규 결함 데이터를 생성할 때마다 신규 결함 데이터들의 평균값을 변형해가면서 추가적인 신규 결함 데이터가 생성될 수 있다. 여기서, 데이터는 이미지화된 상태이므로, 데이터들의 차이는 각 이미지의 중첩에 의한 발생하는 차이로 산출될 수 있다.
다른 예로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 결함 데이터들의 평균값과 해당 결함 데이터의 차이를 일정비율로 분할하고, 분할된 비율에 따라 신규 결함 데이터를 생성할 수 있다. 이때도, 신규 결함데이터가 생성되면 이를 반영하여 새로운 평균값이 산출될 수 있다.
여기서, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 이와 같이 생성된 결함 데이터를 판별기(134)로 전처리된 결합 데이터, 즉 실제 다이캐스팅 공정 설비에서의 결함 데이터와 관련여부를 판별하도록 요청할 수 있다.
다음으로, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 신규로 생성된 결함 데이터가 전처리된 결함 데이터와 관련 여부에 따라 적합한지의 유무를 판별한다(단계 S233). 여기서, 판별기(134)는 결함 데이터 증강을 위해 생성된 신규 결함 데이터가 다이캐스팅 공정 설비에서 수집된 실제 결함 데이터와 유사한지를 판별할 수 있다. 이때, 판별기(134)는 실제 결함 데이터와 신규로 생성된 결함 데이터 사이의 관련도를 판별할 수 있다.
단계 S233의 판별결과, 생성된 결함 데이터가 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 즉, 생성된 결함 데이터가 적정하지 않다고 판단한 경우, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 단계 S232로 복귀하여 새로운 결함 데이터를 생성한다.
단계 S233의 판별결과, 생성된 결함 데이터가 적정하고 판단한 경우, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 생성된 증강 데이터의 수가 임계값 이상인지의 여부를 판단한다(단계 S234). 여기서, 임계값은 정량 데이터의 수일 수 있다.
단계 S234의 판별결과, 생성된 증강 데이터의 수가 임계값 미만이라고 판단한 경우, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 단계 S232로 복귀하여 생성된 증강 데이터의 수가 임계값 이상일 때까지 단계 S232 내지 S234를 수행하여 반복적으로 신규 결합 데이터를 생성한다. 즉, 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)는 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성할 수 있다.
상기와 같은 방법들은 도 1에 도시된 바와 같은 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치(100)에 의해 구현될 수 있고, 특히, 이러한 단계들을 수행하는 소프트웨어 프로그램으로 구현될 수 있으며, 이 경우, 이러한 프로그램들은 컴퓨터 판독가능한 기록 매체에 저장되거나 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.
이때, 컴퓨터 판독가능한 기록 매체는 컴퓨터 시스템에 의해 판독가능한 데이터가 저장되는 모든 종류의 기록 장치를 포함하며, 예를 들면, ROM, RAM, CD-ROM, DVD-ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크, 광 데이터 저장장치 등일 수 있다.
이상에서 본 발명의 일 실시예에 대하여 설명하였으나, 본 발명의 사상은 본 명세서에 제시되는 실시예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서, 구성요소의 부가, 변경, 삭제, 추가 등에 의해서 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본 발명의 사상범위 내에 든다고 할 것이다.
100 : 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치
110 : 데이터 수집부 120 : 데이터 전처리부
130 : 데이터 증강부 132 : 생성기
134 : 판별기 140 : 결함검출 학습부
150 : 결함검출부

Claims (20)

  1. 다이캐스팅 공정 설비에 대한 데이터를 수집하는 데이터 수집부;
    상기 수집된 데이터를 전처리하는 데이터 전처리부;
    상기 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강하는 데이터 증강부;
    상기 증강된 결함 데이터와 상기 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습하는 결함검출 학습부; 및
    상기 학습된 검출모델에 따라 상기 다이캐스팅 공정 설비의 시계열 데이터를 기반으로 상기 다이캐스팅 공정 설비의 결함을 검출하는 결함검출부;
    를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  2. 제1항에 있어서,
    상기 데이터 증강부는 GAN(Generative Adversarial Network)을 통하여 데이터를 증강하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  3. 제2항에 있어서,
    상기 데이터 증강부는,
    상기 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성하는 생성기; 및
    상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련 여부를 판별하는 판별기를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  4. 제3항에 있어서,
    상기 생성기는 상기 판별기에서 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 상기 생성된 결함 데이터를 변형한 데이터를 추가로 생성하여 상기 전처리된 결함 데이터와의 관련여부를 재요청하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  5. 제4항에 있어서,
    상기 생성기는 상기 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  6. 제1항에 있어서,
    상기 결함검출 학습부는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 상기 검출모델을 학습하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  7. 제6항에 있어서,
    상기 결함검출 학습부는 상기 비지도 학습 또는 상기 반지도 학습의 경우, GAN(Generative Adversarial Network)의 잠재공간(latent space)의 클러스터링을 통하여 결함을 검출하도록 학습하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  8. 제1항에 있어서,
    상기 데이터 수집부는,
    상기 다이캐스팅 공정 설비에 대한 온도를 측정하는 온도 센서;
    상기 다이캐스팅 공정 설비에 대한 압력을 측정하는 압력 센서; 및
    상기 다이캐스팅 공정 설비의 내부결함을 육안으로 검사하기 위한 육안검사부를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  9. 제8항에 있어서,
    상기 육안검사부는 CT 또는 X-ray를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  10. 제1항에 있어서,
    상기 데이터 전처리부는 상기 수집된 데이터를 이미지화하도록 전처리하고,
    상기 이미지화 처리는 단시간 푸리에 변환(STFT; Short Time Fourier Transform), 웨이블릿 변환(Wavelet Transform), 커토그램(Kurtogram) 및 SAX(Symbolic Aggregate approXimation)를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치.
  11. 다이캐스팅 공정 설비에 대한 데이터를 수집하는 단계;
    상기 수집된 데이터를 전처리하는 단계;
    상기 전처리된 데이터 중에서 결함 데이터에 대한 학습을 통하여 데이터를 증강하는 단계;
    상기 증강된 결함 데이터와 상기 전처리된 정상 데이터를 이용하여 결함검출을 위한 검출모델을 학습하는 단계; 및
    상기 학습된 검출모델에 따라 상기 다이캐스팅 공정 설비의 시계열 데이터를 기반으로 상기 다이캐스팅 공정 설비의 결함을 검출하는 단계;
    를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  12. 제11항에 있어서,
    상기 증강하는 단계는 GAN(Generative Adversarial Network)을 통하여 데이터를 증강하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  13. 제12항에 있어서,
    상기 증강하는 단계는,
    상기 전처리된 결함 데이터를 기초로 판별기를 학습하는 단계;
    상기 전처리된 결함 데이터를 기초로 신규 결함 데이터를 생성하는 단계; 및
    상기 판별기에 의해 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련 여부를 판별하는 단계를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  14. 제13항에 있어서,
    상기 생성하는 단계는 상기 판별기에 의해 상기 생성된 결함 데이터가 상기 전처리된 결함 데이터와 관련이 없다고 판단한 경우, 상기 생성된 결함 데이터를 변형한 데이터를 추가로 생성하여 상기 전처리된 결함 데이터와의 관련여부를 재요청하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  15. 제14항에 있어서,
    상기 생성하는 단계는 상기 증강 데이터의 수가 임계값 이상 일때까지 반복적으로 신규 결합 데이터를 생성하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  16. 제11항에 있어서,
    상기 검출모델을 학습하는 단계는 비지도 학습, 반지도 학습 및 지도학습 중 어느 하나를 통하여 상기 검출모델을 학습하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  17. 제16항에 있어서,
    상기 검출모델을 학습하는 단계는 상기 비지도 학습 또는 상기 반지도 학습의 경우, GAN(Generative Adversarial Network)의 잠재공간의 클러스터링을 통하여 결함을 검출하도록 학습하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  18. 제11항에 있어서,
    상기 수집하는 단계는,
    상기 다이캐스팅 공정 설비에 대한 온도를 측정하는 단계;
    상기 다이캐스팅 공정 설비에 대한 압력을 측정하는 단계; 및
    상기 다이캐스팅 공정 설비의 내부결함을 육안으로 검사하는 단계를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  19. 제18항에 있어서,
    상기 검사하는 단계는 CT 또는 X-ray를 통하여 수행하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
  20. 제11항에 있어서,
    상기 전처리하는 단계는 는 상기 수집된 데이터를 이미지화하도록 전처리하고,
    상기 이미지화 처리는 단시간 푸리에 변환, 웨이블릿 변환, 커토그램 및 SAX를 포함하는 데이터 증강 기반 다이캐스팅 공정의 결함 검출 방법.
KR1020220142461A 2022-10-31 2022-10-31 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법 KR20240061140A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220142461A KR20240061140A (ko) 2022-10-31 2022-10-31 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220142461A KR20240061140A (ko) 2022-10-31 2022-10-31 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20240061140A true KR20240061140A (ko) 2024-05-08

Family

ID=91074732

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220142461A KR20240061140A (ko) 2022-10-31 2022-10-31 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20240061140A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069109A (ko) 2017-12-11 2019-06-19 한양대학교 에리카산학협력단 에너지 공급망의 이상징후 검출을 위한 데이터 증강 및 학습 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069109A (ko) 2017-12-11 2019-06-19 한양대학교 에리카산학협력단 에너지 공급망의 이상징후 검출을 위한 데이터 증강 및 학습 장치

Similar Documents

Publication Publication Date Title
Gundewar et al. Bearing fault diagnosis using time segmented Fourier synchrosqueezed transform images and convolution neural network
Leo et al. Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound
CN109374631A (zh) 一种隧道状态评测方法
WO2023045338A1 (zh) 一种边缘端的实时数据动态在线快速处理方法
Zhang et al. Data anomaly detection for bridge SHM based on CNN combined with statistic features
CN108304770A (zh) 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法
CN113486457A (zh) 一种压铸件缺陷预测及诊断系统
CN102081045B (zh) 一种基于激光电视全息技术的结构损伤识别方法
CN111753877B (zh) 一种基于深度神经网络迁移学习的产品质量检测方法
CN114237046A (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
Karimian et al. Neural network and particle filtering: a hybrid framework for crack propagation prediction
CN111783616A (zh) 一种基于数据驱动自学习的无损检测方法
CN114705432A (zh) 防爆电机轴承健康状态评估方法及系统
KR20240061140A (ko) 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법
Alfaz et al. Bridge crack detection using dense convolutional network (densenet)
Griffin et al. Application of machine learning for acoustic emissions waveform to classify galling wear on sheet metal stamping tools
CN112302061A (zh) 低应变基桩完整性检测信号的智能化快速解释方法
CN116542912A (zh) 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
CN115795325A (zh) 一种自动检验的输电塔模态参数识别方法及系统
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
Tastimur et al. Defect diagnosis of rolling element bearing using deep learning
Zhang et al. An improved convolutional neural network for convenient rail damage detection
JP7127477B2 (ja) 学習方法、装置及びプログラム、並びに設備の異常診断方法
CN117889945B (zh) 一种公路桥梁施工振动测试方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal