(기고) 다이캐스팅 제조 플랫폼 구축과 활용 방안②
(기고) 다이캐스팅 제조 플랫폼 구축과 활용 방안②
  • 박종헌 기자
  • 승인 2020.12.30 10:18
  • 댓글 0
이 기사를 공유합니다

한국생산기술연구원 이정수 선임연구원
다이캐스팅 제품, 용탕 온도변화 측정 중요
스마트 팩토리 플랫폼 기술 도입 필수

 

■3.2 공정데이터 측정 고도화

다음으로 다이캐스팅 제품의 불량 원인을 파악할 수 있도록 공정데이터 취득을 고도화하였다. 다이캐스팅 제품의 결함은 크게 보면 용탕(molten metal)의 온도 및 흐름 제어의 실패로 인하여 발생하게 된다. 이때 용탕의 흐름은 다이캐스팅 금형 설계, 공정 시의 압력 및 용탕 온도변화에 따른 유동성의 변화에 영향을 받는다. 따라서 고정된 금형 설계에서 다이캐스팅 제품의 불량에 미치는 원인을 파악하기 위해서는 인가 압력 및 다이캐스팅 금형의 온도 분포에 대한 계측이 요구된다.

특히,용탕 온도의 경우 공정에서 능동적으로 제어가 불가능하며 설계 및 냉각방식에 따라서 금형 내에 다양한 온도 분포를 지니게 되는데, 현재의 다이캐스팅 장비의 경우 한 지점에서의 평균 온도만 측정하고 있다. 이 경우에는 온도 분포의 불균일 및 국소 지점의 미열 또는 과열에 의해서 발생하는 불량을 적절하게 검출할 수 없으며,결국 높은 불량률의 원인이 된다.

불량에 영향을 미치는 용탕의 온도 불균일 또는 국소 부위의 미열 또는 과열을 정밀하게 계측하기 위해서는 용탕의 온도를 다양한 측정 지점에서 실시간으로 측정하는 기술의 개발이 요구된다. 따라서 방출핀의 내부에 열전대를 삽입하여 금형의 온도 분포를 취득하는 시스템을 구축하였다. 이때 방출핀 내부에 직경 1.6mm의 열전대를 삽입하게 되면 방출핀 내부의 열전대를 통해 금형의 온도 분포를 실시간으로 취득할 수 있다. 열전대가 삽입된 방출핀은 2mm의 열전대 고정 탭, 그리고 방출핀 내부로 삽관 형식으로 투입된 온도 센서, 직경 2mm 온도고정용 끼움부로 구성이 되며 상하 고정 키를 통하여 열전대의 위치, 보상도선의 거치 공간 등을 적절하게 조정할 수 있도록 설계하였다.

전술한 금형 온도 분포 취득 장비를 통하여 다이캐스팅 제품을 대상으로 금형의 온도 분포를 측정한 결과를 <그림2>에 나타냈다. 또한 측정된 온도와 더불어 다이캐스팅 장비에서 측정되는 압력 계측 데이터를 POP 통합관리 시스템 서버에 등록되어 수집하였다. 전술한 형태의 금형 온도 분포 및 압력 취득 시스템은 3개 이상의 제품, 7,000회 이상의 제품 생산 실험을 통해서 그 내구성과 작동성 테스트를 완료한 바 있으며, 현재 실제 다이캐스팅 생산 형장을 대상으로 시범 적용을 진행 중에 있다.


■3.3 딥러닝 알고리즘 기반 불량 검출

다이캐스팅 제품의 양품/불량을 판단하는 모듈은 제품 이력 추적 관리 기술과 고도화된 공정데이터를 바탕으로 딥러닝 알고리즘을 이용하여 개발하였다. 딥러닝 기반 알고리즘의 개요를 간략하게 설명하면 다음과 같다. 일반적인 지도학습 기반 딥러닝 알고리즘을 바탕으로 제품의 양품/불량 판정 모듈을 구축할 경우 양품/불량이 명확하게 구분된 데이터베이스가 필요하다.

그러나 제조데이터의 경우 불량률이 낮기 때문에 지도학습이 가능하도록 불량 데이터가 충분히 확보된 데이터베이스를 구축하는 것이 매우 어렵다. 예를 들어 다이캐스팅 제품의 불량률은 5-10% 가량 발생하기 때문에 원하는 수의 불량 데이터를 충분히 얻으려면 5-10배 이상의 테스트가 요구된다. 따라서 본 다이캐스팅 스마트 팩토리 플랫폼에서는 상대적으로 취득이 수월한 양품 데이터만을 바탕으로 학습을 진행하고, 학습된 양품의 특징과 차이가 큰 경우 불량으로 판정하는 비정상 감지 기법(Anomaly detection)을 이용하였다.

다이캐스팅 제품 양품/불량 판정 모듈에서는 우선적으로 데이터베이스의 양품 케이스를 바탕으로 딥러닝 네트워크를 학습하여 데이터를 재구성하는 모듈이 구성된다. 공정데이터를 재구성하는 모듈의 경우 양품데이터만을 바탕으로 학습하였기 때문에 양품인 경우에는 재구성 오류가 상대적으로 낮고 불량 데이터의 경우는 재구성 오류가 상대적으로 높은 특징을 지니게 된다. 따라서 측정된 공정데이터를 재구성하여 오류를 측정한 뒤 오류값을 바탕으로 단항 분류 서포트 벡터 머신(One class support vector machine)을 이용하여 이상치를 검출하게 된다.

특징 추출에 이용되는 딥러닝 알고리즘은 CNN(convolutional neural network), RNN(recurrent neural network), CAE(convolutional autoencoder) 및 GAN(generative network adversarial networks) 등을 다양하게 활용할 수 있도록 하였으며, 데이터의 특징에 따라서 가장 우수한 네트워크를 활용하게 된다. 실제 다이캐스팅 제품의 양산 데이터를 기반으로 불량 검출을 진행하였을 때 딥러닝 기반 알고리즘을 테스트한 결과 전체 불량에서 96% 가량을 성공적으로 검출하는 우수한 결과를 보인 바 있다.


■3.4 생산관리 시스템(MES) 구현

앞서 설명한 세부 기술들은 최종적으로 생산 관리 시스템(MES)의 형태로 통합되어 다이캐스팅 스마트 팩토리 플랫폼으로 활용된다. 생산 관리 시스템(MES)은 다양한 산업계에 이미 적용되어 활용되고 있으나, 시스템 구현 비용의 문제로 인하여 중소 다이캐스팅 기업에서는 실제 생산 관리 시스템을 구축한 곳을 찾아보기 힘들다. 그러나 중소 다이캐스팅 기업은 실제로 주/야간 생산성 차이의 관리, 장비 별 생산량 관리, 작업자 별 생산성 관리 등 생산관리시스템의 필요성이 매우 높은 현장이다. 다이캐스팅 스마트 팩토리 플랫폼은 생산관리 시스템의 상위 모델로서 역할을 하는데 공정데이터 고도화모듈을 통해서 얻어진 데이터들이 데이터서버로 저장되어 장비 별 생산 관리 시스템을 제공한다.

이를 통해서 장비,노동자 및 일정 별 생산량을 지속적으로 모니터링과 시각화가 가능하다. 추가적으로 딥러닝 기반 다이캐스팅 제품 양품/불량 판정 모듈을 개발한 생산 관리 시스템에 삽입하여 실시간으로 다이캐스팅 제품의 불량을 검출하는 기능은 구현하는 것을 목표로 하고 있으며, 요소기술 단위에서의 개발은 완료하고 현재 세부 모듈의 통합이 진행 중에 있다.


■4 맺음말

본 기고문에서는 한국생산기술연구원에서 현재 연구 개발 중에 있는 다이캐스팅 스마트 팩토리 플랫폼에 대해서 소개하였다. 본 시스템은 하드웨어 레벨의 제품 추적 관리 및 공정데이터 측정 고도화에서부터, 데이터 기반 생산관리시스템(MES) 구축 및 딥러닝 기반 실시간 양품/불량 판정 모듈의 탑재를 목표로 하고 있으며, 연구실 단위에서의 시험 개발을 완료하고 양산 적용 및 최적화 단계에 있다. 또한 본 시스템은 개발 단계에서부터 중소 다이캐스팅 기업을 대상으로 저비용으로 구축이 가능하도록 하는 것을 핵심으로 하고 있다. 다이캐스팅 스마트 팩토리 플랫폼 기술이 현재 대내외적 환경변화로 인하여 과도기적 위기 상황에 처해 있는 국내 다이캐스팅 산업의 제품 품질 향상 및 생산성 제고에 기여할 수 있기를 희망한다.

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.