머신러닝을 활용한 자동차 시트용 폴리우레탄 발포공정의 불량 예측 모델 개발

국문 초록 (Abstract)

최근 4차 산업혁명으로 인해 제조업계에서는 제조업의 인공지능을 접목시켜 효율성을 극대화하는 스마트 팩토리붐이 일어나고 있다. 특히 자동차 부품 제조 및 생산에 널리 적용되어 불량을 낮추는 연구들이 활발히 진행되고 있다. 이에 본 연구에서는 머신러닝을 통한 불량예측을 시트 폼 발포공정에 접목시켜 발포공정의 효율성을 극대화하는 연구를 진행하였다. 자동차 시트폼 에서 주로 사용되는 폴리우레탄 폼(polyurethane foam)은 폴리올(polyol, 이하 POL)과 이소시아네이트(isocyanate, 이하 ISO)를 혼합 및 발포하는 공정으로 제조되며, 각 원료의 혼합비율과 온도의 변화에 따라 제품의 특성이 변화한다. 이에 본 연구에서는 발포공정에서 수집되는 인자별 데이터값을 머신러닝에 적용하여 불량을 예측하고자 한다. 머신러닝에 사용되는 알고리즘으로는 의사결정트리, kNN, 앙상블 알고리즘을 사용하였으며 학습은 5,147개의 데이터를 사용하였으며, 학습된 결과를 1,000개의 검증용 데이터에 적용한 결과, 세 알고리즘 중 앙상블 알고리즘에서 최대 98.5 %의 정확도를 확인할 수 있었다. 이러한 결과를 통해 발포공정에서 실시간으로 수집되는 데이터를 통해 현재 생산되는 부품의 불량 여부를 확인할 수 있으며, 나아가 각 인자를 조절하여 불량률을 개선할 수 있음을 짐작할 수 있다고 사료된다.

다국어 초록 (Multilingual Abstract)

With recent developments in the Fourth Industrial Revolution, the manufacturing industry has changed rapidly. Through key aspects of Fourth Industrial Revolution super-connections and super-intelligence, machine learning will be able to make fault predictions during the foam-making process. Polyol and isocyanate are components in polyurethane foam. There has been a lot of research that could affect the characteristics of the products, depending on the specific mixture ratio and temperature. Based on these characteristics, this study collects data from each factor during the foam-making process and applies them to machine learning in order to predict faults. The algorithms used in machine learning are the decision tree, kNN, and an ensemble algorithm, and these algorithms learn from 5,147 cases. Based on 1,000 pieces of data for validation, the learning results show up to 98.5% accuracy using the ensemble algorithm. Therefore, the results confirm the faults of currently produced parts by collecting real-time data from each factor during the foam-making process. Furthermore, control of each of the factors may improve the fault rate.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 이론적 배경
• 3. 연구 방법
• 4. 연구 결과
• 5. 결론
• References

참고문헌 (Reference)

1 한무명초, "제조 공정에서 센서와 머신러닝을 활용한 불량예측 방안에 대한 연구" 엘지씨엔에스 17 (17): 89-98, 2019

2 민성환, "부트스트랩 샘플링 최적화를 통한 앙상블 모형의 성능 개선" 한국인터넷정보학회 17 (17): 49-57, 2016

3 김홍석, "반응온도와 발포제 함량에 따른 폴리우레탄 발포특성에 관한 연구" 한국소성가공학회 18 (18): 256-261, 2009

4 안정언, "머신러닝을 이용한 반도체 웨이퍼 평탄화 공정품질 예측 및 해석 모형 개발" 사)한국빅데이터학회 4 (4): 61-71, 2019

5 Che, D, "Software tools and algorithms for biological systems" Springer 191-199, 2011

6 Navada, A, "Overview of use of decision tree algorithms in machine learning" 37-42, 2011

7 Bikard, J, "Numerical simulation of 3D polyurethane expansion during manufacturing process" 309 (309): 49-63, 2007

8 S. H. Woo, "Major Technologies and Introduction of Smart Factory"

9 Bzdok, Danilo, "Machine learning : supervised methods" 15 : 5-6, 2018

10 장용석, "K-근방 분류 알고리즘에 대한 비교 연구" 한국데이터정보과학회 30 (30): 977-985, 2019

11 C. S. Seo, "Establishing a Smart Factory to Improve Enterprise Productivity" 35 (35): 43-49, 2018

12 Polikar, Robi, "Ensemble machine learning" Springer 1-34, 2012

13 J. H. Choi, "Decision Trees and Its Applications" 4 (4): 61-83, 1999

14 S. Y. Kim, "Characteristics of Static Comfort with Changing Isocyanate/Polyol Mixing Ratio of Polyurethane Foam" 954-954, 2019

15 Vega-Pons, Sandro, "A survey of clustering ensemble algorithms" 25 (25): 2011

16 H. R. Yoon, "A Empirical Study on the Financial Stability Prediction Model of South Korea’s Public Enterprises with Machine Learning Techniques" Hansung University