기계학습 기반의 중소 다이캐스팅 공정 품질예측 방법론 개발 : 설비 주조파라미터 데이터를 중심으로

다국어 초록 (Multilingual Abstract)

The root industries (casting, mold, welding, plastic processing, heat treatment, surface treatment), which are manufacturing-based industries, have an inefficient structure with low total factor productivity compared to their high share in the national economy. In this study, focusing on the SME die-casting manufacturing industry, in particular, collecting data from three companies that do not have an IT department, and analyzing casting parameters based on this, a methodology to establish/evaluate and utilize a model for predicting quality for the purpose of presenting. The main purpose is to increase the quality competitiveness of SME die casting manufacturing sites by establishing a casting quality analysis model based on the casting parameter data that has a great influence on the casting quality, going beyond the current situation where the accumulated data is used only for simple monitoring. In particular, we present a methodology to process data and establish a model for sites where quality inspection data is not immediately collected after product production (Class does not exist). The model is established by applying the methodology to the actual three die-casting sites, and the data type has a great influence on the model by each company. turned out to be unusable. Considering the data characteristics of each company, it is derived that it is necessary to build a model suitable for the company through the methodology presented in this study. However, the accuracy results of raw data and feature engineering data types are significantly different, so there is a possibility that there is an error in the training set. In addition, the accuracy of raw data when a new product is applied is very low, so rather than establishing a model based on the entire data collected by each company, a similar type of product family is set and the accuracy of the prediction model is used by using the product group. It is judged that it is necessary to derive etc. If the model derived through the method is introduced, the cost of the post-processing process is expected to be reduced through immediate quality determination. If the quality status can be immediately identified after the die-casting process is produced, post-processing is not performed on defective castings (average defect rate of about 12% of companies used in the experiment), so about 190 million won per year for consumable tools used in the post-process (processing facilities) Cost savings of 25 units, a tool replacement cycle of 100 units, and production of approximately 2.5 million units per year) are likely to be reduced.
Additionally, it is possible to create an environment for performing simulations based on on-site data through data interface and linkage with CAM-based casting analysis simulation software used in the design stage. It is predicted that it will be possible to improve the accuracy of the model and model. In addition, by applying the data derived from the field to the casting analysis simulation, the result can be used as a label, and a model can be derived by applying it to the methodology of this study.

목차 (Table of Contents)

• 제１장 서 론 1
• 제１절 연구의 배경 및 필요성 1
• 제２절 연구의 목적 4
• 제３절 연구의 범위 및 방법 5
• 1. 연구의 범위 5
• 2. 연구의 방법 6
• 제２장 연구에 관한 이론적 배경 8
• 제１절 다이캐스팅에 대한 이론적 배경 8
• 1. 다이캐스팅 8
• 2. 다이캐스팅 고압주조 방식 9
• 3. 다이캐스팅 불량 원인 12
• 4. 다이캐스팅 결함 유형 17
• 제２절 제조 현장 빅데이터 분석에 대한 이론적 배경 21
• 제３절 데이터 분석에 대한 이론적 배경 24
• 제３장 방법론 45
• 제１절 방법론 개요 45
• 1. 다이캐스팅 업체 개요 46
• 제２절 기계학습 기반 품질예측 방법론 47
• 1. 품질 예측 모델 일반화 가능성 실험 47
• 2. 주조파라미터 품질예측 표준 방법론 53
• 3. Arduino 기반 POP 시스템 구축을 통한 데이터 수집 57
• 4. 데이터 전처리/EDA 59
• 5. 데이터 Labeling 71
• 6. Feature engineering 74
• 7. 모델 수립 및 평가 87
• 제４장 결론 156
• 참 고 문 헌 161
• ABSTRACT 172

참고문헌 (Reference)

1. 알루미늄기술편람, 장형수, ㈜남선알미늄, , 1997

2. Wrappers for feature subset selection, Kohavi R. and G. H. John., Vol. 97, Nos. 1-2, 273~324, , 1997

3. 변수 선택법 방법론 비교 연구, 조용주, 석사학위논문, 인하대학교 통 계학과, , 2019

4. 가치창출을 위한 R 빅데이터 분석, 김계수, 서울 : 한나래 출판사, , 2017

5. 다중 클래스 아다부스트 알고리즘, 김태현, 전자공학회논문지CI, 제48권 제1호, , 2011

6. 라소를 이용한 간편한 주성분분석, 박철용, Journal of the Korean Data & Information Science Society, 제24권 제3호, , 2013

7. 알루미늄의 용해 및 주조 시리즈 I, 홍성길, 한국주조공학회지, 제28권 제1호, , 2008

8. CRM 고객관계관리 전략 : 원리와 응용, 김영걸, 서울 : YOUNG, , 2014

9. 범주형 자료분석 개론(SAS의 응용 및 해석), 정광모, 파주 : 자유아카데미, , 2009

10. PF Bagging 앙상블 알고리즘 개발에 관한 연구, 곽병곤, 석사학위논문, 연세대학교, , 2007

11. 모든 품사 색인을 이용한 정보 검색 시스템, 전영진, 한국컴퓨 터종합학술대회, , 2005

12. 기계학습 기법을 활용한 프로야구 승패 예측, 김형우, 석사학위논문, 전남대학교, , 2021

13. 딥러닝 반지도학습 기반 불량 검출 기술 개발, 김정태, 이영철, 이정수, 대한기계학회 학술대회, , 2021

14. 다이캐스팅 공정관리 기술과 품질 관리 Know-how, 천정권, 자동차부 품산업재단(KAP), , 2014

15. 레들 형상이 알루미늄 주조제품에 미치는 영향, 최정훈, 석사학위논문, 한양대학교, , 2015

16. 제조업 안전분위기와 사고 발생의 상관관계 분석, 이효원, 석사학위논 문, 한국교통대학교, , 2020

17. 딥러닝기술을 이용한 저항점 용접 불량 판별 연구, 김재화, 한 국CDE학회, 제24권 제2호, , 2019

18. 특징 추출 알고리즘과 Adaboost를 이용한 이진분류기, 함승록, 아주대 학교, , 2012

19. 데이터 불균형이 기계학습 모델 성능에 미치는 영향, 이보배, 석사학위 논문, 고려대학교, , 2020

20. 토석류 산사태 예측을 위한 로지스틱 회귀모형 개발, 채병곤, 대한지질공학회 제14권 제2호, , 2004

21. 다이캐스팅 공정의 혁신을 통한 품질개선에 관한 연구, 오동호, 석사학 위논문, 인하대학교, , 2015

22. 딥러닝 기반 다이캐스팅 제품 양품/불량 판정 모듈 개발, 이영철, 이정수, 김정태, 한국정밀공학회, 제20권 제9호, , 2020

23. 베어링 결함 진단을 위한 인공신경망 연구, 석사학위논문, 한일영, 아 주대학교, , 2020

24. 의사결정 나무를 이용한 제조 공정의 이상 상황 원인 도출, 최성수, 석 사학위논문, 충북대학교, , 2017

25. 캠페인 효과 제고를 위한 자기 최적화 변수 선택 알고리즘, 서정수, 석 사학위논문, 국민대학교, , 2020

26. 호흡곤란 환자 퇴원 결정을 위한 벌점 로지스틱 회귀모 형, 박철용, 계묘진, 제24권 제1호, 한국데이터정보과학회지, , 2013

27. 다이캐스팅 생산 공정 최적화를 위한 모니터링 시스템 개발, 박대웅, 한국생산제조학회 학술발표대회 논문집 : 250-250, , 2013

28. 부스팅 기법을 이용한 불균형 대출 데이터의 채무이행 분류, 허해인, 석사학위논문, 성균관대학교, , 2019

29. 설명 가능한 인공지능을 활용한 다이캐스팅 공정 품질 예측, 박주남, 석사학위 논문, 성균관대학교, , 2022

30. 알루미늄 고압주조품의 결함종류와 기계적성질에 대한 영향, 한요섭, 한국주조공학회지, 제22권 제5호, , 2002

31. 판별모형의 평가에서 ROC 곡선과 AUC의 활용에 대한 사례 연구, 김지현, 한국자료분석학회 제20권 제2호, , 2018

32. 다이캐스팅공장을 위한 스마트팩토리 추진실태 및 추진 방안, 김정태, 한국생산기술연구원, , 2021

33. 제조업 혁신 주도를 위한 스마트공장 정책 현황 분석 및 시사점, 신동평, 한국과학기술기획평가원, , 2018

34. 다이캐스팅 공정의 품질고도화를 위한 지능화 분석 시스 템 개발, 김준, 한국정밀공학회지 제37권 제4호, , 2020

35. Feature selection을 활용한 해외 플랜트 건설의 공사변경에 관 한 연구, 홍선영, 석사학위논문, 서울시립대학교, , 2021

36. 대형 박육 Al 다이캐스팅의 품질에 미치는 주조조건 변 화에 관한 연구, 박주열, 한국소성가공학회 학술대회 논문집 : 57-56, , 2013

37. 로지스틱 회귀모형에서 설명 변수의 상대적 중요도 지표에 관 한 연구, 정윤호, 석사학위논문, 호서대학교, , 2016

38. Al-Si-Cu합금의 기계적 특성변화에 미치는 주조방법 및 용체 화처리 조건, 문민국, 석사학위논문, , 2017

39. 불균형 자료의 분류분석에서 샘플링 기법을 이용한 로 지스틱 회귀분석, 박재신, 한국자료분석학회, 제17권 제4호, , 2015

40. 영상 데이터 기반의 CNN을 이용한 제조 공정 데이터 분류 적용에 대한 연구, 류가애, 한국EA학회, 제15권 제3호, , 2018

41. 산업-Arduino 기반 공장데이터 수집 분석을 활용한 불량 요인 예측 방법 연구, 이인배, 석사학위논문, 한성대학교, , 2018

42. SFS 알고리즘을 이용한 내용기반 사운드 정보검색에 관한 연구, 석사학위논문, 정윤주, 광운대학교, , 2005

43. Word Embedding에 PCA를 적용한 개체명 인식 모델 을 위한 효율적인 학습방법 연구, 송은영, 대한산업공학회 제45권 제1호, , 2019

44. 일체형 Ladder Frame Assembly 개발을 위한 다이캐스팅 내부 결함 방지에 관한 연구, 윤석희, 울산대학교 산업대학원 산업경영학 석사 학위 논문, , 2010

45. 기계학습에 기반한 k-최근접 이웃과 서포트벡터머신 분류기 비 교실험 및 평가, 안경수, 석사학위논문, 단국대학교, , 2017

46. 'K-means와 DBSCAN에서 단어 빈도수에 따른 한글 문서의 클 러스터링, 석사학위논문, 민미영, 서울시립대학교, , 2010

47. 앙상블을 이용한 기계학습 기법의 설계: 뜰개 이동경로 예측을 통한 실험적 검증, 이찬재, 인문사회과학기술융합학회 제8권 제1 호, , 2018

48. ADC12 박육 다이캐스팅 주물 내의 기포결함에 미치는 플런저 속도와 고속전환위치의 영향, 강호정, 대한금속재료학회지, 제54 권 제2호, , 2016

49. Feature Selection Algorithm for Intrusions Detection System using Sequential Forward Search and Random Forest Classifier, Lee, J. L., Park D. H. and Lee, C. H., Vol.11, pp.5132~5138, , 2017

50. 근 실시간 조건을 달성하기 위한 효과적 속성 선택 기 법 기반의 고성능 하이브리드 침입 탐지 시스템, 이우솔, 정보처리학회, 제5권 12호, pp.471-480, , 2016

51. 스마트팩토리 구축을 위한 중소제조공정 빅데이터 분석 적용방 안 - 자동차 부품 제조공정을 중심으로 –, 박사학위논문, 김재성, 충북대 학교, , 2017