1 |
1
제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부;상기 온도 센서부에서 측정된 시계열적 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습하는 딥러닝 학습부; 및상기 딥러닝 학습부의 학습결과에 따라 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되,상기 딥러닝 학습부는, 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도, 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
2 |
2
제1항에 있어서,상기 입력값은, 상기 시계열적으로 측정된 시계열적 금형온도 데이터를 FFT 분석하여 획득한 제품 생산의 평균주기를 기준으로 이동평균을 수행하여 구해지는 금형온도 추세 데이터와, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 구해지는 사이클 데이터를 이용하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
3 |
3
제2항에 있어서,상기 공정시간은, 상기 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격이고,상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균이고,상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도이고,상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도이며,상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
4 |
4
제1항 내지 제3항 중 어느 하나의 항에 있어서,상기 온도 센서부는 금형 내부의 복수 위치에 대하여 금형온도를 측정하고,상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
5 |
5
제4항에 있어서,상기 금형은 다이캐스팅 금형이고,상기 금형에 용탕을 주입하는 장치의 압력을 측정하는 압력 센서부를 더 포함하고,상기 딥러닝 학습부는 상기 압력 센서부에서 시계열적으로 측정된 압력 데이터를 상기 입력값에 더 포함하되,상기 입력값에 포함되는 압력 데이터는 해당 제품이 생산된 사이클에서의 용탕 주입시 압력, 증압 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서 어큐뮬레이터의 질소 압력, 고속 과정에서의 차징 압력, 증압 과정에서의 차징 압력 중 적어도 어느 하나의 압력 데이터인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
6 |
6
제품을 생산하는 금형의 내부 온도인 금형온도를 측정하는 온도 센서부;상기 온도 센서부에서 측정된 금형온도 데이터를 이용하여 해당 제품의 불량 여부를 판단하는 품질 판단부; 및 상기 품질 판단부의 판단결과를 이용하여 상기 금형에서 생산되는 제품의 불량을 검출하는 공정 관리부를 포함하되,상기 품질 판단부는,상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 기준범위와 비교하여 해당 제품의 불량 여부를 판단하는 제1판단모듈;상기 온도 센서부에서 측정된 금형온도 데이터를 미리 정해진 통계적 오차범위와 비교하여 해당 제품의 불량 여부를 판단하는 제2판단모듈;상기 온도 센서부에서 측정된 금형온도 데이터를 딥러닝 알고리즘에 적용하여 학습에 의해 해당 제품의 불량 여부를 판단하는 제3판단모듈을 포함하고,상기 공정 관리부는 기수집된 금형온도 데이터의 갯수에 따라 상기 제1판단모듈, 제2판단모듈, 제3판단모듈 중 어느 하나의 판단결과를 이용하는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
7 |
7
제6항에 있어서,상기 제3판단모듈은 상기 온도 센서부에서 측정된 시계열적 금형온도 데이터로부터 획득되는 해당 제품이 생산된 사이클에서의 상기 금형의 평균온도에 관한 정보인 추세 평균온도에 대한 데이터와, 해당 제품이 생산된 사이클에서의 공정조건 편차에 관한 정보인 공정시간, 사이클 평균온도, 사이클 최대온도, 사이클 최소온도에 대한 데이터를 입력값으로 하고, 해당 제품의 불량여부에 대한 판단을 출력값으로 하여 학습하는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
8 |
8
제7항에 있어서,상기 입력값은, 상기 시계열적으로 측정된 금형온도 데이터를 FFT 분석하여 획득한 제품 생산의 평균주기를 기준으로 이동평균을 수행하여 구해지는 금형온도 추세 데이터와, 상기 시계열적으로 측정된 금형온도 데이터에서 상기 금형온도 추세 데이터를 감산하여 구해지는 사이클 데이터를 이용하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
9 |
9
제8항에 있어서,상기 공정시간은, 상기 사이클 데이터에 peak detection 알고리즘을 적용하여 구해지는 개별 제품에 대한 생산 사이클의 최소값 중 해당 제품이 생산된 사이클인 제1사이클의 최소값이 발생된 시점과 상기 해당 제품에 연속하여 생산된 제품의 생산 사이클인 제2사이클의 최소값이 발생된 시점 사이의 시간 간격이고,상기 추세 평균온도는 상기 공정시간 동안의 금형온도 추세 데이터의 평균이고,상기 사이클 평균온도는 상기 공정시간 동안의 평균 온도이고,상기 사이클 최대온도는 상기 공정시간 동안의 최대 온도이며,상기 사이클 최소온도는 상기 공정시간 동안의 최소 온도인 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|
10 |
10
제6항 내지 제9항 중 어느 하나의 항에 있어서,상기 온도 센서부는 금형 내부의 복수 위치에 대하여 금형온도를 측정하고,상기 입력값은 금형온도 측정 위치별로 구해지는 상기 제1사이클의 최소값 발생 시점을 동일 시점으로 동기화한 후, 금형온도 측정 위치 각각에 대하여 얻어지는 것을 특징으로 하는 딥러닝을 이용한 다이캐스팅 공정 관리 시스템
|