| 1 |
1
도금 용액이 수용되는 수조 내의 도금 용액의 특성 정보를 검출하여 출력하는 도금 장치부; 및상기 도금 장치부에서 전송된 도금 용액의 특성 정보를 수신한 후, 누적된 도금 정보를 이용한 기계 학습에 의해 생성된 도금 막 두께를 예측하는 심층 신경망 알고리즘(deep neural network algorithm)에 입력하여 최종 생성될 도금 막의 두께를 예측하여 출력하는 주제어부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 2 |
2
제1항에 있어서, 상기 도금 용액의 특성 정보는,상기 도금 용액의 pH 값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 3 |
3
제1항에 있어서, 상기 도금 장치부는,상기 수조; 및도금 대상 소재가 장입되어 상기 수조의 도금 용액으로 침지되는 바렐;상기 바렐을 상기 수조 내로 장입하거나 상기 수조로부터 인출하며, 수평 또는 수직 방향으로 이송시키는 바렐이송부; 및상기 바렐이송부에 승하강 가능하게 장착되어 상기 수조 내의 도금 용액의 특성 정보 검출을 위해 상기 도금 용액으로 침지되거나 상기 도금 용액으로부터 인출되는 검출센서들을 구비한 검출센서부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 4 |
4
제3항에 있어서, 상기 바렐이송부는,상기 바렐을 회전 가능하게 지지하며, 상기 바렐을 상기 도금 용액으로 침지시키거나 상기 도금용액으로부터의 인출시키도록 승하강되는 바렐수직이송부; 및상기 바렐수직이송부를 수평 이송시키도록 상기 바렐수직이송부와 결합되는 바렐수평이송부;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 5 |
5
제1항에 있어서, 상기 검출센서부는,상기 검출센서들이 집합된 센서모듈이 장착되어 검출센서들에서 검출된 도금 용액의 특성 정보를 상기 주제어부로 전송하는 통신부;상기 통신부가 장착되는 센서부승하강붐; 및상기 바렐이송부에 대하여 상기 센서부승하강붐을 승하강시키도록 상기 바렐이송부와 상기 센서부승하강붐의 사이에 결합 구성되는 센서부승하강기;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 6 |
6
제1항에 있어서,상기 도금 장치부의 구동을 위한 구동제어부;를 더 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 장치
|
| 7 |
7
도금 용액의 특성 정보 및 도금막 두께 정보를 포함하는 도금정보를 수집하는 단계;수집된 상기 도금 정보를 기계학습에 적용하여 도금 막 두께를 예측하는 심층 신경망 알고리즘을 생성하는 단계;도금 장치부가 상기 센서모듈을 상기 도금 용액에 침지시켜 도금 용액의 특성 정보를 검출하여 출력하는 단계; 및주제어부가 상기 도금 용액의 특성 정보를 수신한 후 상기 심층 신경망 알고리즘을 적용하여 도금 막 두께를 예측하는 단계;를 포함하여 구성되는 것을 특징으로 하는 도금 막 두께 예측 방법
|
| 8 |
8
제7항에 있어서, 도금정보를 수집하는 단계는,도금 시간 5~ 15분, 온도 50 ~ 150도, pH값 2~5, 전기전도도 20 ~ 80(mS/cm)으로 변화시키면서 공정데이터 및 도금 막 두께 데이터 수집하며, 최소 50 조건 이상의 실험을 진행하여 수행되는 것을 특징으로 하는 도금 막 두께 예측 방법
|
| 9 |
9
제7항에 있어서, 상기 심층 신경망 알고리즘을 생성하는 단계는,선형신경망인 FFNN(feed-forward neural network) 구조를 가지며, 지도학습 방법을 이용하여, 입력 인자는 각 실험 조건의 도금시간과 pH값, 전기전도도, 온도의 평균 및 평균+표준편차, 평균-표준편차로 설정하고, 출력 레벨(Output label)은 각 실험 조건에서 샘플(sample)에서 측정된 도금 막 두께의 평균과 표준편차로 설정하며, FFNN 구조에서 은닉층 개수는 최소 3개 이상으로 설정하고, 한 개의 은닉층을 지날 때마다 각 노드 결과에 가중치(weight)를 곱한 후 역치(bias)를 더해주며, 이후 배치 정규화(batch normalization)를 통해 정규화(regularization) 효과를 부여하고, 활성(activation) 함수로 ReLU((Rectified Linear Unit)를 사용하며, 코스트(Cost)는 심층신경망으로 예측한 값과 도금 막 두께 평균 및 도금 막 두께 표준편차의 각각 제곱평균제곱근에러(Root Mean Square Error)의 합을 최소화하도록 오차역전파 알고리즘(back-propagation algorithm)을 사용해 최적의 심층신경망 모델 발굴하는 단계인 것을 특징으로 하는 도금 막 두께 예측 방법
|
| 10 |
10
제7항에 있어서, 상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는,상기 도금 용액의 특성 정보의 검출 시에만 상기 센서모듈을 상기 도금 용액에 침지시킨 후, 도금 용액의 특성 정보 검출이 종료된 경우 도금 용액으로부터 상기 센서모듈을 인출하는 동작에 의해 수행되는 것을 특징으로 하는 도금 막 두께 예측 방법
|
| 11 |
11
제7항에 있어서, 상기 도금 용액의 특성 정보를 검출하여 출력하는 단계는,검출된 상기 도금 용액 특성 정보를 무선 통신에 의해 상기 주제어부로 전송하도록 구성되는 것을 특징으로 하는 도금 막 두께 예측 방법
|
| 12 |
12
제7항에 있어서, 상기 도금 용액의 특성 정보는,상기 도금 용액의 pH 값, 전기전도도, 온도 또는 도금 시간 중 하나 이상을 포함하는 것을 특징으로 하는 도금 막 두께 예측 방법
|
