사출성형 공정 중 용융 수지 온도 프로파일에 대한 분석 및 예측모델 개발
Analysis and development of predictive model for melt temperature profile in injection molding
- 주제(키워드) 가소화 , 용융 수지 온도 프로파일 , 용융 수지 온도센서 , 온도 예측 모델 , 사출 성형
- 주제(DDC) 621.8
- 발행기관 아주대학교
- 지도교수 이병옥
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 박사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032742
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
요약문 사출성형에서 용융 수지 온도는 매우 중요한 인자이다. 금형 설계자나 작업자는 히터 설정온도가 실제 사출되는 수지의 온도와 동일하거나 큰 차이가 없을 것으로 가정하는 경우가 있으며, 이러한 경향은 대부분의 상용 사출성형 CAE해석 프로그램에서 또한 유사하게 나타난다. 그러나 사출되는 용융 수지의 온도를 직접 측정한 선행 연구 결과들에 의해 실제로는 히터설정온도와 용융 수지 온도 간에 큰 차이를 보인다는 사실이 밝혀졌다. 단일 사출 동안에도 온도는 일정하지 않고 변동하며 공정 조건에 따라 20 ~ 30도 이상도 발생 할 수 있다는 연구 결과가 보고되었다. 용융 수지의 점도는 온도에 지배적으로 영향을 받기 때문에 이와 같이 용융 수지 온도가 큰 오차를 가지게 되면 점도 역시 금형 설계 시 예측한 정도와 큰 오차를 야기하여 성형품의 품질을 감소시키는 결과를 가져올 수 있다. 이러한 문제를 해결하기 위해선 특정 가소화 조건 하에서 용융 수지 온도 프로파일이 어떻게 형성될 지 정확히 측정 및 예측해야 할 필요가 있다. 사출성형에 있어 용융 수지의 온도측정은 고온의 측정환경, 측정대상인 용융 수지의 낮은 열전도율, 고압 및 높은 전단응력 등의 요건으로 인해 상당히 어려운 일이다. 이러한 상황에서 수지의 온도를 정확하게 측정하기 위한 센서를 개발하였다. 이 센서는 노즐에 설치되는 맞댐용접된 얇은 열전대 와이어를 사용하기 때문에 빠른 응답속도를 가지며, 흐름 방해 및 전단응력의 발생을 최소화 한다. 또한 센서를 고정하는 PEEK 페룰 및 세라믹 튜브로 인해 전기적, 열적으로 단열되며 수지의 누출 또한 효과적으로 방지한다. 이 센서는 상기한 구조로 인해 높은 정밀도를 가지기 때문에 연구용으로는 적합하지만 장기적인 사용 시 내구성을 보장 할 수 없고, 유동 채널 내부로 삽입되는 구조 상 실제 대량생산 공정 중 이를 설치하여 활용하기엔 한계가 있다. 이러한 문제를 극복하기 위해 머신러닝을 통해 사출성형기에서 형성되는 용융 수지 온도프로파일을 학습하여 실제 공정 중에는 센서의 설치 없이도 온도 프로파일을 예측할 수 있는 방법론을 개발하였다. 과거에 공정변수를 이용해서 신경망을 학습시키고 이를 통해 온도를 예측하고자 하는 시도가 있었으나 정확도 평가가 부족하였고 이러한 방법은 사출성형기 및 가소화기구가 변경에 대응하지 못하는 한계가 있다. 본 연구에서는 사출성형기를 통해 수지로 유입되는 에너지 흐름을 고려하여 공정변수 외에도 가소화 상황에 보다 직접적으로 연관되어있는 사출성형기 모니터링 데이터 및 재료의 물성 데이터 등을 종합적으로 학습에 사용하였다. 본 연구에서 제안하는 머신러닝 모델의 비교평가를 위해 다양한 가소화 조건 하에서 기존의 방식인 공정변수만을 학습에 이용하는 모델(Model 1), 사출성형기 모니터링 데이터를 추가한 모델(Model 2), 그리고 여기에 에너지 흐름을 고려하여 재료의 물성까지 포함한 모델(Model 3)의 온도 예측성능을 각각 비교하였다. 세 모델의 예측 오차(RMSE)와 결정계수(R2)값을 각각 분석한 결과 Model3의 예측 정확도가 가장 높은 것으로 나타났다. Model2은 학습데이터셋에 대한 평가는 Model3와 유사한 수준이었지만 검증데이터셋에 대한 평가에서 부족한 예측성능을 보였다. A모델은 학습 및 검증데이터셋 양쪽에서 모두 가장 떨어지는 예측 성능을 보였다. 게임이론에 기반한 Shapley 값을 평가한 결과 본 연구에서 제안한 인자들이 예측에 주요하게 작용하고있는 것으로 드러났으며 이는 의 높은 예측 성능에 대한 근거로 제시할 수 있다.
more초록/요약
In injection molding, the melt temperature is one of the most important factors to be managed precisely. Mold designers or operators tend to assume that the set temperature of the heater is the same as the temperature of the actually injected resin or that there will be no significant difference. This tendency are also seen in commercial computer aided engineering (CAE) programs for injection molding. However, previous research that measured the temperature of the injected molten resin revealed that there is actually a large difference between the set temperature of the heater and the temperature of the molten resin. It has been reported that even during a single injection, the melt temperature fluctuates without being constant, and the width may exceed 30 °C depending on the process conditions. Since the viscosity of the molten resin is predominantly affected by the temperature, if the temperature of the molten resin has a large error, the viscosity may also cause a large error from the predicted degree when designing the mold, resulting in a decrease in the quality of the molded product. To solve this problem, it is necessary to accurately measure and predict how the molten resin temperature profile will be formed under the set plasticization conditions. Melt temperature measurement in injection molding is difficult task because of requirements such as high temperature measurement environment, low thermal conductivity of melt, high pressure and high shear stress. In this situation, a sensor for accurately measuring the temperature of the resin was developed. Since this sensor uses a thin butt welded thermocouple wire installed in the nozzle, it has a fast response speed and minimizes flow disturbance and shear stress. Also, due to the PEEK ferrule and ceramic tube that fix the sensor, it is electrically and thermally insulated, and resin leakage is also effectively prevented. Since this sensor has high precision due to the above structure, it is suitable for research purposes, but due to the structure inserted into the resin flow channel, it may cause unexpected problems such as flow disturbance, and process cost may increase due to the complexity of installation. Due to these factors, it is inappropriate to install and utilize it during the actual mass production process. To overcome this problem, we developed a methodology that can predict the temperature profile during the actual process by learning the temperature profile of the molten resin formed in the injection molding machine through machine learning. In previous studies, there was an attempt to train a neural network using process variables and predict temperature through it, but the accuracy evaluation was insufficient, and these methods have limitations in not being able to respond to changes in materials, surrounding environments, or plasticizers. In this study, considering the energy flow flowing into the resin through the injection molding machine, in addition to the process variables, the injection molding machine monitoring data and material property data, which are more directly related to the plasticization situation, were comprehensively used for learning. For comparative evaluation of the machine learning models proposed in this study, model 1 using only process variables, which is the existing method, for learning under various plasticization conditions, model 2 adding injection molding machine monitoring data, and material The temperature prediction performance of Model 3 including the physical properties of was compared. As a result of analyzing the prediction error (RMSE) and coefficient of determination (R2 ) values of the three models, model 3 showed the highest prediction accuracy. Model 2 showed a similar level to model 3 in the evaluation of the training dataset, but showed relatively low predictive performance in the evaluation of the validation dataset. Model 1 showed the worst predictive performance on both training and validation datasets. In the learning of new materials, it is possible to secure high prediction performance with a significantly smaller number of data by transferring the weight of the learning data of the existing materials that have been learned and performing transfer learning based on this. Through this, by improving the cost efficiency required to secure a dataset, the research results developed in cost-conscious industrial sites can be applied more efficiently. As a result of analysis through Shapley additive explanations (SHAP), it was revealed that the factors proposed in this study play a major role in prediction. Key words: Plasticizing, Melt temperature profile, Melt temperature sensor, Melt prediction model and Injection molding
more목차
제1장 서론 1
1.1. 사출성형에서 가소화 과정 1
1.2. 용융 수지 온도의 중요성 4
1.2.1. 용융 수지 온도와 점도 5
1.3. 산업현장에서 용융 수지 온도 9
1.4. 용융 수지 온도 변동 현상 12
1.4.1. 문제점 12
1.5. 사출성형 중 용융 수지 온도 측정 13
1.6. 사출성형 모델링 관련 선행연구 16
1.7. 연구 목적 17
1.8. 연구 범위 및 방법론 17
1.8.1. 예비 실험 17
1.8.2. 배경 이론 및 연구 17
1.8.3. 용융 수지 온도센서 개발 17
1.8.4. 용융 수지 온도 측정 및 분석 18
1.8.5. 용융 수지 온도 프로파일 예측 18
제2장 예비실험 19
2.1. 예비실험 목적 및 방법 19
2.2. 예비실험 결과 19
제3장 용융 수지 온도센서 개발 22
3.1. 와이어 타입 용융 수지 온도센서 24
3.1.1. 설계를 위한 이론 모델 24
3.1.2. CAE 해석 28
3.1.3. 내구성을 개선한 와이어 타입 온도센서 35
3.2. 스크루 마운트 용융 수지 온도 센서 39
3.3. 용융 수지 온도센서 최종 설계 49
제4장 용융 수지 온도 측정 및 분석 53
4.1. 용융 수지 온도 측정 실험 53
4.1.1. 장비 및 재료 53
4.1.2. 실험 방법 56
4.1.3. 예비 실험 57
4.1.4. 실험조건 63
4.2. 실험 결과 및 논의 64
4.2.1. 스크루 회전속도에 의한 영향 64
4.2.2. 히터 온도에 의한 영향 66
제5장 용융 수지 온도 프로파일 예측 모델 개발 72
5.1. 방법론 72
5.2. 실험 75
5.2.1. 재료와 장비 75
5.2.2. 에너지 모니터링 78
5.2.3. 실험조건 79
5.2.4. 비열 측정 84
5.3. 기계 학습 모델 85
5.4. 전이 학습 모델 91
5.5. 결과 및 논의 93
5.5.1. 용융 수지 온도 프로파일 예측 93
5.5.2. 전이 학습 모델 예측 결과 112
5.5.3. 온도 예측에 대한 학습인자의 기여도 분석 115
5.5.4. 출력층 노드 수 117
제6장 맺음말 120
6.1. 결론 120
6.2. 향후 연구 제안 121
6.2.1. 사출성형기 사양 변경에 대한 전이학습 추가 연구 121
6.2.2. 실험세트 샘플링 방법에 대한 연구 121
참고문헌 123
