포스텍, 인공신경망과 결합… ‘무인화 스마트 팩토리’ 적용 기대
포스텍(총장 김무환)은 기계공학과· 화학공학과 노준석 교수와 박사과정 이치헌씨, 기계공학과 이승철 교수와 통합과정 나주원씨, 박성진 교수 공동 연구팀이 인공신경망(Artificial neural network)과 무작위 탐색을 결합해 사출 성형 공정 조건을 추천해주는 시스템을 개발했다고 밝혔다.
사출성형(injection molding, 射出成 形)이란 가소성 재료로 제품을 만드는 가공 방식을 말한다. 연구팀은 이 시스템을 활용하면 다양 한 모양의 결과물을 실시간으로 얻을 수 있다고 설명했다. 연구팀은 그 동안 인공지능으로 공정 조건과 최종 제품과의 관계를 학습하 고, 최종적으로 원하는 품질을 만족하 는 공정 조건을 찾기 위한 연구를 진행 해 왔다.
먼저, 36개의 서로 다른 금형으로부 터 3600개의 시뮬레이션 데이터와 476 개의 실험데이터를 얻어 학습했다. 그 결과, 각각의 데이터는 15개의 모양과 5 개의 공정을 입력값으로 하고, 최종 제 품의 무게를 출력값으로 가지는 것을 확인했다. 전이학습(Transfer learning·특정 분 야에서 학습이 된 신경망 일부를 유사 한 분야나 새로운 분야에서 재사용하는 학습 방법)을 도입해 학습된 무게 예측 모델을 바탕으로, 무작위(랜덤) 탐색함 으로써 최적 공정 조건을 찾아주는 추 천 시스템도 개발했다. 이 같이 인공지능 모델로부터 추천받 은 공정 조건을 검증한 결과, 0.66%의 평균 상대 오차를 달성했다. 연구팀은 실제 사출기(射出機)에 활 용하기 위해 그래픽유저인터페이스 (GUI)도 개발했다.
이를 통해 사출성형 비전문가도 해당 시스템을 바탕으로 임 의의 제품에 대해 모양 정보를 입력해 줌으로써 원하는 결과물 무게의 1% 이 내의 오차를 가지는 공정 조건을 달성 할 수 있었다. 기존 연구는 정해진 특정 제품에서 공정 조건만 변경해 최종 제품의 품질 을 예측했다. 하지만 이번 연구는 36개의 다른 형상을 가진 제품들에 대해 정량화된 모양 과 공정 조건을 모두 변경해 결과물(제 품 무게)에 대한 정보를 수집했다. 이에 임의의 새로운 제품을 성형하더라도 해당 제품의 모양만 입력하면 결 과를 예측해 학습데이터를 생성하지 않 고도 공정 조건을 제어할 수 있다.
전이학습을 도입해 시뮬레이션 데이 터의 양과 실험 데이터의 정확도도 모 두 얻을 수 있었다. 이번에 개발된 인공신경망 시스템을 활용하면 사출전문가가 아니더라도 제 품의 모양과 원하는 최종 제품의 무게 를 입력하는 것만으로 균일한 결과물을 얻을 수 있다. 이 시스템을 통해 어려웠던 플라스틱 사출 공정이나 절삭, 3D프린터, 주조 등 다양한 제조업에 ‘무인화 스마트 팩토리’를 달성할 수 있을 것으로 기대된 다. 이번 연구 성과는 전문 저널인 '어드 밴스드 인텔리전트 시스템즈(Advanced Intelligent Systems)' 최근호에 발표됐다.
포스텍, 인공신경망과 결합… ‘무인화 스마트 팩토리’ 적용 기대
포스텍(총장 김무환)은 기계공학과· 화학공학과 노준석 교수와 박사과정 이치헌씨, 기계공학과 이승철 교수와 통합과정 나주원씨, 박성진 교수 공동 연구팀이 인공신경망(Artificial neural network)과 무작위 탐색을 결합해 사출 성형 공정 조건을 추천해주는 시스템을 개발했다고 밝혔다.
사출성형(injection molding, 射出成 形)이란 가소성 재료로 제품을 만드는 가공 방식을 말한다. 연구팀은 이 시스템을 활용하면 다양 한 모양의 결과물을 실시간으로 얻을 수 있다고 설명했다. 연구팀은 그 동안 인공지능으로 공정 조건과 최종 제품과의 관계를 학습하 고, 최종적으로 원하는 품질을 만족하 는 공정 조건을 찾기 위한 연구를 진행 해 왔다.
먼저, 36개의 서로 다른 금형으로부 터 3600개의 시뮬레이션 데이터와 476 개의 실험데이터를 얻어 학습했다. 그 결과, 각각의 데이터는 15개의 모양과 5 개의 공정을 입력값으로 하고, 최종 제 품의 무게를 출력값으로 가지는 것을 확인했다. 전이학습(Transfer learning·특정 분 야에서 학습이 된 신경망 일부를 유사 한 분야나 새로운 분야에서 재사용하는 학습 방법)을 도입해 학습된 무게 예측 모델을 바탕으로, 무작위(랜덤) 탐색함 으로써 최적 공정 조건을 찾아주는 추 천 시스템도 개발했다. 이 같이 인공지능 모델로부터 추천받 은 공정 조건을 검증한 결과, 0.66%의 평균 상대 오차를 달성했다. 연구팀은 실제 사출기(射出機)에 활 용하기 위해 그래픽유저인터페이스 (GUI)도 개발했다.
이를 통해 사출성형 비전문가도 해당 시스템을 바탕으로 임 의의 제품에 대해 모양 정보를 입력해 줌으로써 원하는 결과물 무게의 1% 이 내의 오차를 가지는 공정 조건을 달성 할 수 있었다. 기존 연구는 정해진 특정 제품에서 공정 조건만 변경해 최종 제품의 품질 을 예측했다. 하지만 이번 연구는 36개의 다른 형상을 가진 제품들에 대해 정량화된 모양 과 공정 조건을 모두 변경해 결과물(제 품 무게)에 대한 정보를 수집했다. 이에 임의의 새로운 제품을 성형하더라도 해당 제품의 모양만 입력하면 결 과를 예측해 학습데이터를 생성하지 않 고도 공정 조건을 제어할 수 있다.
전이학습을 도입해 시뮬레이션 데이 터의 양과 실험 데이터의 정확도도 모 두 얻을 수 있었다. 이번에 개발된 인공신경망 시스템을 활용하면 사출전문가가 아니더라도 제 품의 모양과 원하는 최종 제품의 무게 를 입력하는 것만으로 균일한 결과물을 얻을 수 있다. 이 시스템을 통해 어려웠던 플라스틱 사출 공정이나 절삭, 3D프린터, 주조 등 다양한 제조업에 ‘무인화 스마트 팩토리’를 달성할 수 있을 것으로 기대된 다. 이번 연구 성과는 전문 저널인 '어드 밴스드 인텔리전트 시스템즈(Advanced Intelligent Systems)' 최근호에 발표됐다.