KR102113876B1 - Method and apparatus for controlling injection mold manufacturing process - Google Patents
Method and apparatus for controlling injection mold manufacturing process Download PDFInfo
- Publication number
- KR102113876B1 KR102113876B1 KR1020190166668A KR20190166668A KR102113876B1 KR 102113876 B1 KR102113876 B1 KR 102113876B1 KR 1020190166668 A KR1020190166668 A KR 1020190166668A KR 20190166668 A KR20190166668 A KR 20190166668A KR 102113876 B1 KR102113876 B1 KR 102113876B1
- Authority
- KR
- South Korea
- Prior art keywords
- controlling
- injection mold
- mold
- design
- product
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C33/00—Moulds or cores; Details thereof or accessories therefor
- B29C33/38—Moulds or cores; Details thereof or accessories therefor characterised by the material or the manufacturing process
- B29C33/3835—Designing moulds, e.g. using CAD-CAM
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C33/00—Moulds or cores; Details thereof or accessories therefor
- B29C33/38—Moulds or cores; Details thereof or accessories therefor characterised by the material or the manufacturing process
- B29C33/3842—Manufacturing moulds, e.g. shaping the mould surface by machining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/26—Moulds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Description
아래 실시예들은 사출 금형 제조 공정을 위한 제어 방법에 관한 것이다.The following examples relate to a control method for an injection mold manufacturing process.
사출 금형은 사출 성형을 위한 틀이 되는 장치로서, 높은 성형성과 내구성이 요구되는 장치이다. 성형성 및 내구성을 위해 사출 금형의 제조에 있어서 그 재료가 적절하게 선택되어야 하는데, 이러한 선택은 일반적으로 설계자에 의해 수동으로 진행된다. 그런 까닭에 사출 금형의 형태에 따라 매번 설계의 형태를 분석하고, 새로운 재료를 선택해야 하는 번거로움이 존재한다. 따라서, 사출 금형의 형태를 자동으로 분석하고 가장 적합한 재료를 선택하며, 선택에 대한 학습을 스스로 수행할 수 있는 기술의 연구가 요구된다.The injection mold is a device for forming a mold for injection molding, and is a device requiring high formability and durability. For moldability and durability, the material must be appropriately selected in the manufacture of the injection mold, and this selection is generally done manually by the designer. Therefore, there is a hassle of analyzing the shape of the design every time according to the shape of the injection mold and selecting a new material. Therefore, there is a need for a study of a technique capable of automatically analyzing the shape of an injection mold, selecting the most suitable material, and self-learning the selection.
실시예들은 사출 금형 제조 공정을 위한 제어 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높이고자 한다.The embodiments are intended to increase accuracy and efficiency by applying deep learning technology to a control method for an injection mold manufacturing process.
실시예들은 사출 금형 제조 공정을 위한 제어 방법에 있어 설계도에 따른 주조 방법의 오류를 이용해 계속적인 피드백을 하고자 한다.The embodiments are intended to provide continuous feedback using errors in a casting method according to a design in a control method for an injection mold manufacturing process.
실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용하고자 한다.The embodiments intend to make information big data through a blockchain network and use enhanced security.
일실시예에 따른 사출 금형 제조 공정을 위한 제어 방법은 인공지능을 기반으로 한 사출 금형 제조 공정을 위한 제어 방법에 있어서, 설계자가 설계 프로그램을 통해 제작한 대상 사출 금형의 설계도를 저장하는 단계; 상기 저장한 설계도에 기초하여, 밀링기를 제어해 모델용 금속으로부터 상기 대상 사출 금형의 모델을 제작하는 단계; 상기 설계도에 기초하여, 제1 입력 신호를 생성하는 단계; 상기 생성한 제1 입력 신호를 초고속 인터넷 연결망을 통해 블록체인 네트워크 내 컨벌루션 신경망에 입력하는 단계; 상기 입력에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호에 기초하여, 상기 대상 사출 금형의 제1 재료를 획득하는 단계; 상기 제1 출력 신호에 기초하여, 제1 공정 설비를 제어하는 단계; 상기 제어 결과에 기초하여, 생산된 제품을 사상용 샌더를 제어해 연마하는 단계; 상기 제품을 조립용 로봇암을 제어해 조립하는 단계; 상기 제품을 품질 검사기를 제어해 품질 검사하고 제1 학습 신호를 생성하는 단계; 및 상기 제1 학습 신호를 상기 컨벌루션 신경망의 학습 데이터로 입력하는 단계를 포함할 수 있다.A control method for an injection mold manufacturing process according to an embodiment includes a control method for an artificial intelligence-based injection mold manufacturing process, comprising: storing a design diagram of a target injection mold produced by a designer through a design program; Manufacturing a model of the target injection mold from a model metal by controlling a milling machine based on the stored design drawing; Generating a first input signal based on the blueprint; Inputting the generated first input signal into a convolutional neural network in a blockchain network through a high-speed Internet connection network; Obtaining a first output signal based on the input; Obtaining a first material of the target injection mold based on the first output signal; Controlling a first process facility based on the first output signal; On the basis of the control result, grinding the produced product by controlling the sander for finishing; Assembling the product by controlling a robot arm for assembly; Controlling the product to perform a quality inspection by controlling the quality inspector and generating a first learning signal; And inputting the first learning signal as learning data of the convolutional neural network.
일실시예에 따르면, 상기 제1 공정 설비를 제어하는 단계는 상기 제1 출력 신호에 기초하여, 상기 제1 재료를 컨베이어 벨트를 제어해 고로로 이동시키는 단계; 상기 제1 공정 설비 내의 가스식 화로를 제어해 상기 고로를 가열하는 단계; 상기 고로의 가열 결과에 기초하여, 상기 고로의 하측부를 들어올려 상기 제1 재료를 미리 분리제가 도포된 주형에 붓는 단계; 상기 제1 공정 설비의 제1 공정 기계를 제어해 상기 대상 사출 금형의 모델을 상기 주형 내 상기 제1 재료의 상부 중앙에 위치 및 압접 시키는 단계; 상기 주형 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 분리제 도포기를 제어해 분리제를 주형 내 상기 제1 재료의 상부에 도포하는 단계; 상기 도포 결과에 기초하여, 상기 고로의 하측부를 다시 들어올려 상기 제1 재료를 주형에 다시 붓는 단계; 상기 주형 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 제2 공정 기계를 제어해 상기 주형을 뒤집어 상기 제품을 분리하는 단계; 제3 공정 기계를 제어해 상기 제품의 상판과 하판을 분리하는 단계; 및 제4 공정 기계를 제어해 상기 모델을 제거하는 단계를 포함할 수 있다.According to an embodiment, the step of controlling the first process facility may include moving the first material to a blast furnace by controlling the conveyor belt based on the first output signal; Heating the blast furnace by controlling a gas furnace in the first process facility; Based on the heating result of the blast furnace, lifting the lower portion of the blast furnace and pouring the first material into a mold coated with a separator in advance; Controlling the first process machine of the first process facility to position and press the model of the target injection mold in the upper center of the first material in the mold; Based on the temperature sensor in the mold, controlling the separator applicator when the temperature becomes 60 ° C. or less to apply the separator to the top of the first material in the mold; Based on the application result, lifting the lower portion of the blast furnace again and pouring the first material back into the mold; Based on a temperature sensor in the mold, controlling the second process machine to turn the mold over and separate the product when the temperature becomes 60 ° C. or less; Separating the upper and lower plates of the product by controlling a third process machine; And controlling the fourth process machine to remove the model.
일실시예에 따르면, 상기 블록체인 네트워크는 사출 금형의 설계도들 및 주조 방법들을 포함하는 데이터 베이스 및 미리 학습된 상기 컨벌루션 신경망을 포함하는 블록들; 각 블록을 시간 순으로 연결하는 체인들; 및 상기 각 블록 및 체인을 저장하는 상기 네트워크 저장장치들을 포함하는 프라이빗 블록체인 네트워크이고, 상기 네트워크 저장장치들은 상기 사출 금형의 제1 재료들을 생산하는 1차 생산자를 포함하는 제1 네트워크 저장장치; 상기 사출 금형을 제조하는 상기 설계자를 포함하는 제2 네트워크 저장장치; 상기 사출 금형을 이용해 사출된 제품을 생산하는 2차 생산자를 포함하는 제3 네트워크 저장장치; 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망을 포함할 수 있다.According to one embodiment, the blockchain network includes blocks including a database including design drawings and casting methods of an injection mold and the pre-trained convolutional neural network; Chains connecting each block in chronological order; And a private blockchain network including the network storage devices storing the respective blocks and chains, wherein the network storage devices include a first network storage device including a primary producer that produces first materials of the injection mold; A second network storage device including the designer for manufacturing the injection mold; A third network storage device including a secondary producer that produces products injected using the injection mold; And a high-speed Internet connection network connecting each network storage device.
일실시예에 따르면, 상기 데이터 베이스는 빅데이터로부터 수집한 다양한 사출 금형의 설계도들; 및 상기 설계도들에 따라 설계 전문가들에 의해 설계된 사출 금형의 주조 방법들을 포함하고, 상기 주조 방법들은 상기 사출 금형을 통해 사출 제작에 쓰일 제2 재료의 종류 및 물성; 상기 제2 재료보다 용융점이 높은 상기 사출 금형의 제1 재료의 종류 및 물성; 및 상기 제1 재료의 용융점 온도 및 가열 시간을 포함할 수 있다.According to one embodiment, the database includes design drawings of various injection molds collected from big data; And casting methods of an injection mold designed by design experts according to the drawings, wherein the casting methods include the type and properties of a second material to be used for injection molding through the injection mold; Type and properties of the first material of the injection mold having a higher melting point than the second material; And a melting point temperature and a heating time of the first material.
일실시예에 따르면, 상기 컨벌루션 신경망은 상기 설계도를 상기 컨벌루션 신경망에 적합하도록 인코딩한 제1 입력 신호를 입력으로 하고, 상기 설계도 정보에 기초하여, 가장 유사한 설계도의 종류를 상기 컨벌루션 신경망의 특징 추출 신경망과 분류 신경망을 통해 분류하고, 상기 분류에 기초하여, 상기 유사 설계도의 설계에 대응하는 주조 방법을 포함하는 제1 출력 신호를 출력으로 하고, 상기 품질 검사기의 제어 결과로부터 생성된 제1 학습 신호를 통해 학습할 수 있다.According to an embodiment of the present invention, the convolutional neural network uses a first input signal that encodes the blueprint suitable for the convolutional neural network as an input, and based on the blueprint information, extracts the most similar type of design from the convolutional neural network feature And classifying through a classification neural network, based on the classification, outputting a first output signal including a casting method corresponding to the design of the similar design, and outputting a first learning signal generated from a control result of the quality checker. You can learn through.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.The apparatus according to an embodiment may be controlled by a computer program stored in a medium in order to execute the method of any one of the above-described methods in combination with hardware.
실시예들은 사출 금형 제조 공정을 위한 제어 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높일 수 있다.Embodiments can increase accuracy and efficiency by applying deep learning technology to a control method for an injection mold manufacturing process.
실시예들은 사출 금형 제조 공정을 위한 제어 방법에 있어 설계도에 따른 주조 방법의 오류를 이용해 계속적인 피드백을 할 수 있다.Embodiments can provide continuous feedback using errors in the casting method according to the design in the control method for the injection mold manufacturing process.
실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용하고자 한다.The embodiments intend to make information big data through a blockchain network and use enhanced security.
도 1은 일실시예에 따른 사출 금형 제조 공정을 위한 제어 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 제1 공정 설비의 제어 과정을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 데이터 베이스를 설명하기 위한 도면이다.
도 5은 일실시예에 따른 컨벌루션 신경망을 설명하기 위한 도면이다.
도 6는 일실시예에 따른 일실시예에 따른 장치의 구성의 예시도이다.1 is a flow chart for explaining a control method for an injection mold manufacturing process according to an embodiment.
2 is a view for explaining a control process of the first process equipment according to an embodiment.
3 is a diagram for explaining a blockchain network according to an embodiment.
4 is a view for explaining a database according to an embodiment.
5 is a diagram for describing a convolutional neural network according to an embodiment.
6 is an exemplary view of a configuration of an apparatus according to an embodiment according to an embodiment.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, various changes may be made to the embodiments, and the scope of the patent application right is not limited or limited by these embodiments. It should be understood that all modifications, equivalents, or substitutes for the embodiments are included in the scope of rights.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only, and may be implemented in various forms. Accordingly, the embodiments are not limited to the specific disclosure form, and the scope of the present specification includes modifications, equivalents, or substitutes included in the technical spirit.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from other components. For example, the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.When an element is said to be "connected" to another element, it should be understood that other elements may be present, either directly connected to or connected to the other element.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are used for illustrative purposes only and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this specification, the terms "include" or "have" are intended to indicate the presence of features, numbers, steps, actions, components, parts or combinations thereof described herein, one or more other features. It should be understood that the existence or addition possibilities of fields or numbers, steps, operations, components, parts or combinations thereof are not excluded in advance.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the embodiment belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined in the present application. Does not.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of reference numerals, and redundant descriptions thereof will be omitted. In describing the embodiments, when it is determined that detailed descriptions of related known technologies may unnecessarily obscure the subject matter of the embodiments, detailed descriptions thereof will be omitted.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. Embodiments may be implemented in various types of products, such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent cars, kiosks, and wearable devices.
도 1은 일실시예에 따른 사출 금형 제조 공정을 위한 제어 방법을 설명하기 위한 순서도이다.1 is a flowchart illustrating a control method for an injection mold manufacturing process according to an embodiment.
일실시예에 따르면, 인공지능을 기반으로 한 사출 금형 제조 공정을 위한 제어 방법에 있어서, 사출 금형 제조 공정의 제어 장치(이하, 제어 장치)는 설계자가 설계 프로그램을 통해 제작한 대상 사출 금형의 설계도를 저장할 수 있다(101). 제어 장치는 사출 금형의 제조를 위한 제어 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 제어 장치는 저장한 설계도에 기초하여, 밀링기를 제어해 모델용 금속으로부터 상기 대상 사출 금형의 모델을 제작할 수 있다(102).According to an embodiment, in a control method for an injection mold manufacturing process based on artificial intelligence, a control device (hereinafter referred to as a control device) of an injection mold manufacturing process is a design drawing of a target injection mold produced by a designer through a design program It may be stored (101). The control device is a control device for manufacturing an injection mold, and may be implemented by, for example, a software module, a hardware module, or a combination thereof. The control device may control the milling machine based on the stored design drawings to produce a model of the target injection mold from the model metal (102).
일실시예에 따르면, 제어 장치는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.According to an embodiment, the control device may be an electronic device including a communication function. For example, the electronic device includes a smart phone, a tablet personal computer (PC), a mobile phone, a video phone, an e-book reader, a desktop personal computer (PC), and a laptop. Laptop personal computer (PC), netbook computer, personal digital assistant (PDA), portable multimedia player (PMP), MP3 player, mobile medical device, camera, or wearable device (e.g. It may include at least one of a head-mounted-device (HMD) such as electronic glasses, an electronic garment, an electronic bracelet, an electronic necklace, an electronic appcessory, an electronic tattoo, a smart car, or a smart watch. Can be.
일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.According to one embodiment, the electronic device may be a smart home appliance with a communication function. For smart household appliances, for example, electronic devices are televisions, digital video disk (DVD) players, audio, refrigerators, air conditioners, cleaners, ovens, microwave ovens, washing machines, air cleaners, set-top boxes, TVs. It may include at least one of a box (eg, Samsung HomeSyncTM, Apple TVTM, or Google TVTM), game consoles, electronic dictionary, electronic key, camcorder, or electronic picture frame.
일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.According to an embodiment, the electronic device includes various medical devices (eg, magnetic resonance angiography (MRA), magnetic resonance imaging (MRI), computed tomography (CT), photographing device, ultrasound device, etc.), navigation device, GPS receiver ( Global positioning system receiver (EDR), event data recorder (EDR), flight data recorder (FDR), automotive infotainment devices, marine electronic equipment (e.g. navigation systems and gyro compass, etc.), avionics, security It may include at least one of a device, a head unit for a vehicle, an industrial or household robot, an automatic teller's machine (ATM) of a financial institution, or a point of sales (POS) of a store.
일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.According to one embodiment, the electronic device is a furniture or part of a building / structure including a communication function, an electronic board, an electronic signature receiving device, a projector, or various measurement devices. It may include at least one of a device (for example, water, electricity, gas, or radio wave measurement devices). The electronic device according to an embodiment may be a combination of one or more of the various devices described above. Also, the electronic device according to an embodiment may be a flexible device. Also, it is apparent to those skilled in the art that the electronic device according to an embodiment is not limited to the above-described devices. The term user used in various embodiments may refer to a person using an electronic device or a device using an electronic device (eg, an artificial intelligence electronic device).
일실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.An electronic device according to an embodiment includes a processor, a memory, a user interface, and a communication interface, and may be connected to another electronic device through a network. The communication interface may transmit and receive data to and from other electronic devices within a predetermined distance through a wired, wireless network, or wired serial communication. The network enables wired and wireless communication between electronic devices and various entities according to an embodiment. The electronic device can communicate with various entities over the network, and the network can use standard communication technologies and / or protocols. At this time, the network (network) includes, but is not limited to, the Internet (Internet), a local area network (LAN), a wireless local area network (LAN), a wide area network (WAN), a personal area network (PAN), and the like. Anyone who has ordinary knowledge in the field of communication technology can know that it can be another kind of network that can transmit and receive information.
일실시예에 따르면, 설계자는 사출 금형을 통해 사출 제품을 생산하려는 2차 생산자의 요구에 따라, CAD/CAM을 비롯한 설계 프로그램들을 사용해 대상 사출 금형의 설계도를 제작할 수 있다. 제작된 설계 프로그램들은 제어 장치 내의 저장소에 자동 저장될 수 있다. 제어 장치는 저장된 설계도의 반대 형태를 자동으로 생성할 수 있는데, 말하자면 사출 금형의 경우 음형의 형태를 나타내기 때문에 설계도의 반대 형태인 양형의 형태 모형을 자동으로 생성할 수 있다. 생성된 양형의 모형을 바탕으로 제어 장치는 밀링기를 제어해 모델용 금속으로부터 대상 사출 금형의 모델을 제작할 수 있다. 모델용 금속은 최소의 강도 및 경도, 최대의 용융점을 기준으로 선택할 수 있는데, 이는 모델용 금속이 밀링기에 의해 형성될 수 있으면서도 사출 금형의 주조 동안 녹지 않도록 하기 위함일 수 있다. 일반적인 모델용 금속은 텅스텐 및 티타늄을 포함한 재료를 사용할 수 있으나, 이에 국한하지 않는다.According to one embodiment, the designer may produce a design drawing of a target injection mold using design programs including CAD / CAM, according to a demand of a secondary producer to produce an injection product through an injection mold. The created design programs can be automatically stored in a storage in the control device. The control device can automatically generate the opposite shape of the stored design, that is, in the case of an injection mold, it can automatically generate a shape model of the positive shape, which is the opposite shape of the design because it represents the shape of the sound. Based on the generated model, the control device can control the milling machine to produce a model of the target injection mold from the model metal. The metal for the model can be selected based on the minimum strength and hardness, and the maximum melting point, which may be to prevent the metal for the model from being melted during casting of the injection mold while being formed by the mill. Materials for general models may include materials including tungsten and titanium, but are not limited thereto.
일실시예에 따르면, 제어 장치는 밀링기를 제어해 모델용 금속으로부터 모델을 생성할 수 있는데, 밀링기의 밀링 커터는 일반적으로 8종류로 존재할 수 있으며 제어 장치는 각 용도에 맞게 밀링 커터를 자동 선택해 사용할 수 있다. 밀링 커터의 날이 큰 것은 처음 대략적인 형태를 형성하기 위해 사용할 수 있으며, 날이 작아질수록 부드러운 외형의 형성에 사용될 수 있다.According to one embodiment, the control device may control the milling machine to generate a model from the metal for the model. The milling cutters of the milling machine may generally exist in 8 types, and the control device may automatically select and use the milling cutter for each application. Can be. A large blade of a milling cutter can be used to form the first rough shape, and a smaller blade can be used to form a smooth contour.
일실시예에 따르면, 제어 장치는 설계도에 기초하여, 제1 입력 신호를 생성할 수 있다.According to an embodiment, the control device may generate the first input signal based on the design drawing.
일실시예에 따르면, 제어 장치는 대상 사출 금형의 설계도를 바탕으로, 블록체인 네트워크 내 미리 학습된 컨벌루션 신경망에 적합한 형태로 데이터를 인코딩 해 제1 입력 신호로 사용할 수 있다. 제1 입력 신호는 설계도로부터의 사출 금형의 형태, 크기, 용도, 사출 시 사용할 제2 재료 등의 정보를 포함할 수 있으나, 이에 국한하지 않는다.According to an embodiment, the control device may encode data in a form suitable for a pre-trained convolutional neural network in a blockchain network based on a design diagram of a target injection mold and use it as a first input signal. The first input signal may include information such as the shape, size, use of the injection mold from the design, and the second material to be used during injection, but is not limited thereto.
일실시예에 따르면, 제어 장치는 생성한 제1 입력 신호를 초고속 인터넷 연결망을 통해 블록체인 네트워크 내 컨벌루션 신경망에 입력할 수 있다(104).According to one embodiment, the control device may input the generated first input signal to the convolutional neural network in the blockchain network through a high-speed Internet connection network (104).
일실시예에 따른 컨벌루션 신경망은 설계도를 바탕으로 설계도의 종류 및 이에 대응하는 주조 방법들을 판단할 수 있도록 설계될 수 있다. 이러한 컨벌루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨벌루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨벌루션 계층은 컨벌루션 연산, 컨벌루션 필터 및 활성함수를 포함하고 있다. 컨벌루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조정되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨벌루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.The convolutional neural network according to an embodiment may be designed to determine the type of design and casting methods corresponding thereto based on the design. Such a convolutional neural network is composed of a feature extraction neural network and a classification neural network, and the feature extraction neural network proceeds by stacking the input signal sequentially in a convolutional layer and a pooling layer. The convolution layer includes a convolution operation, a convolution filter, and an active function. The calculation of the convolution filter is adjusted according to the matrix size of the target input, but a 9X9 matrix is generally used. The active function generally uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto. The pooling layer is a layer that serves to reduce the matrix size of the input, and uses a method of extracting a representative value by grouping pixels in a specific area. In the calculation of the pooling layer, an average value or a maximum value is generally used, but is not limited thereto. The operation is performed using a square matrix, and generally, a 9X9 matrix is used. The convolutional layer and the pooling layer are alternately repeated until the input is small enough while maintaining the difference.
일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 사출 금형 제조 공정의 제어 방법을 위한 컨벌루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨벌루션 신경망의 출력층 노드는 총 10개로 할 수 있다. 분류 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 10개의 출력 중 하나의 출력만을 선택하는 것이 가능하다.According to one embodiment, the classification neural network has a hidden layer and an output layer. In the convolutional neural network for the control method of the injection mold manufacturing process, there are generally three or more hidden layers, and the number of nodes in each hidden layer is designated as 100, but may be set to be more or less depending on the case. The active function of the hidden layer uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto. The output layer node of the convolutional neural network can be 10 in total. The output layer activation function of the classification neural network uses a softmax function. The softmax function is a representative function of one-hot encoding. It is a function that makes the sum of all output nodes total 1, sets the output of the output node with the largest value to 1, and the output of the remaining output nodes to 0. . It is possible to select only one of the 10 outputs through the Softmax function.
일실시예에 따른 블록체인 네트워크는 데이터 베이스를 저장하는 블록들과 이를 시간순으로 연결하는 체인 등으로 구성되며, 데이터 베이스는 사출 금형의 설계도들 및 주조 방법들 등의 데이터를 저장할 수 있다. 저장된 데이터 베이스는 빅데이터로 관리되며, 블록체인 네트워크는 이 데이터 베이스의 정보를 안전하게 보관하도록 돕고 제한된 사용자들만이 사용할 수 있도록 할 수 있다. 블록체인 네트워크 및 컨벌루션 신경망에 대한 설명은 도 3, 도 4 및 도 5를 참조하여 후술한다.The blockchain network according to an embodiment includes blocks storing a database and a chain connecting them in chronological order, and the database may store data such as design drawings and casting methods of an injection mold. The stored database is managed as big data, and the blockchain network can help securely store the information in this database and make it available to limited users. The description of the blockchain network and the convolutional neural network will be described later with reference to FIGS. 3, 4, and 5.
일실시예에 따르면, 제어 장치는 입력에 기초하여, 제1 출력 신호를 획득할 수 있다(105). 제어 장치는 제1 출력 신호에 기초하여, 대상 사출 금형의 제1 재료를 획득할 수 있다(106). 제어 장치는 제1 출력 신호에 기촤여, 제1 공정 설비를 제어할 수 있다(107).According to one embodiment, the control device may obtain a first output signal based on the input (105). The control device can obtain (106) the first material of the target injection mold based on the first output signal. The control device can control the first process equipment based on the first output signal (107).
일실시예에 따르면, 컨벌루션 신경망은 10개의 출력을 가질 수 있는데, 각각은 설계자가 설계한 사출 금형의 설계도를 바탕으로 한 주조 방법들을 포함할 수 있다. 제어 장치는 제1 출력 신호를 획득함과 동시에, 금속의 주조 작업을 개시할 수 있다. 주조 작업의 개시는 대상 사출 금형의 제1 재료를 획득하는 것으로 시작될 수 있다. 제1 재료의 획득은 제1 출력 신호가 포함하는 주조 방법들 중 제1 재료의 종류로부터 선택된 값으로서, 설계자가 보유한 재료들의 종류 중 하나를 선택할 수 있다. 제1 재료가 될 수 있는 후보군들은 제1 재료용 캐빈에 담겨있을 수 있으며, 일반적으로 그 양은 500개 분량의 사출 금형을 생산할 수 있는 양일 수 있으나 이에 국한하지 않는다. 각각의 제1 재료용 캐빈은 제1 재료가 사출 금형의 제조를 위해 사용되는 동안, 설계자에 의해 다시 채워질 수 있다.According to one embodiment, the convolutional neural network may have 10 outputs, each of which may include casting methods based on the design of the injection mold designed by the designer. The control device can acquire the first output signal and start a metal casting operation. The start of the casting operation can begin with obtaining the first material of the target injection mold. Acquisition of the first material is a value selected from the type of the first material among the casting methods included in the first output signal, and the designer can select one of the types of the materials. Candidate groups that can be the first material may be contained in a cabin for the first material, and in general, the quantity may be an amount capable of producing 500 injection molds, but is not limited thereto. The cabin for each first material can be refilled by the designer while the first material is used for the manufacture of the injection mold.
일실시예에 따르면, 제1 출력 신호는 제1 재료의 종류를 선택하는 것 외에도 제1 공정 설비의 제어를 위한 신호를 포함할 수 있는데, 이러한 제1 공정 설비의 제어는 제1 재료의 용융, 하판 생성, 상판 생성 및 분리 단계를 거칠 수 있다. 제1 공정 설비 제어 과정에 대한 자세한 설명은 도 2를 참조하여 후술한다.According to one embodiment, in addition to selecting the type of the first material, the first output signal may include a signal for controlling the first process facility, wherein the control of the first process facility includes melting the first material, The bottom plate generation, the top plate generation and separation steps may be performed. A detailed description of the first process facility control process will be described later with reference to FIG. 2.
일실시예에 따르면, 제어 장치는 제어 결과에 기초하여, 생산된 제품을 사상용 샌더를 제어해 연마할 수 있다(108).According to an embodiment, the control device may polish the produced product by controlling the sander for finishing (108).
일실시예에 따르면, 제어 장치는 제1 공정 설비의 제어 결과를 통해 제품이 생산되면, 생산된 제품을 마무리 연마하기 위해 사상용 샌더를 제어할 수 있다. 사상용 샌더는 입자의 크기에 따라 총 3가지 종류로 구분될 수 있으며, 그 중 가장 작은 입자를 가진 고무형 회전 샌더를 사용해 최종 연마를 마무리할 수 있다. 샌더 장비는 제어 장치에 의해 제어될 수 있는 자동형 장치로서, 지름 30cm의 크기를 가진 것을 일반적으로 사용하나, 경우에 따라 그 이상 혹은 이하일 수 있다.According to one embodiment, when the product is produced through the control result of the first process facility, the control device may control the sander for finishing to finish polishing the produced product. The finishing sander can be divided into three types according to the size of the particles, and the final grinding can be completed using a rubber-type rotary sander having the smallest particle size. Sander equipment is an automatic device that can be controlled by a control device, and is generally used having a size of 30 cm in diameter, but may be more or less in some cases.
일실시예에 따르면, 제어 장치는 제품을 조립용 로봇암을 제어해 조립할 수 있다(109).According to one embodiment, the control device may be assembled by controlling the robot arm for assembling the product (109).
일실시예에 따르면, 제어 장치는 두 개의 조립용 로봇암의 집게부를 제어해 생산된 제품을 집을 수 있고, 각기 다른 종류의 제품을 조립할 수 있다. 제품은 일반적으로 상판과 하판으로 나뉘며, 주조 방법 및 모델의 모양에 따라 주입선을 따로 주입해 최종 조립을 완료할 수 있다. 주입선은 일반적으로 기성의 것을 사용하나, 이에 국한하지 않는다. 주입선이 주입되는 경우에는 모델의 제작 시 주입선이 들어갈 부위를 포함해 모델을 제작하게 되고, 모델의 제거 후 주입선을 해당 위치에 위치시켜 조립함으로써 조립을 완료할 수 있다.According to one embodiment, the control device can pick up the product produced by controlling the forceps of two assembly robot arms, and assemble different types of products. The product is generally divided into a top plate and a bottom plate, and the final assembly can be completed by injecting injection lines separately depending on the casting method and the shape of the model. Injection lines are generally ready-made, but are not limited thereto. When the injection line is injected, when the model is manufactured, a model including an area where the injection line will be inserted is manufactured. After the model is removed, assembly can be completed by assembling the injection line by positioning it at a corresponding position.
일실시예에 따르면, 제어 장치는 제품을 품질 검사기를 제어해 품질 검사하고 제1 학습 신호를 생성할 수 있다(110). 제어 장치는 제1 학습 신호를 컨벌루션 신경망의 학습 데이터로 입력할 수 있다(111).According to an embodiment, the control device may control the quality of the product by inspecting the quality and generate a first learning signal (110). The control device may input the first learning signal as learning data of the convolutional neural network (111).
일실시예에 따르면, 제어 장치는 품질 검사기의 제어 결과에 따라 학습 신호를 통해 컨벌루션 신경망을 학습시킬 수 있다. 품질 검사기는 생산된 제품의 강도, 경도, 내마모성, 전기 전도도, 열 전도도 및 재현성을 평가할 수 있으나 이에 국한하지 않는다. 품질 검사기의 품질 검사 결과는 수치화된 값으로 표현될 수 있으며, 컨벌루션 신경망의 학습에 적합한 형태로 인코딩 될 수 있다. 제어 장치는 학습 신호를 통해 컨벌루션 신경망의 학습 및 데이터 베이스의 업데이트를 촉진할 수 있다. 제어 장치는 사출 금형 제조 공정을 위한 제어 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높일 수 있다.According to an embodiment, the control device may train the convolutional neural network through a learning signal according to the control result of the quality checker. The quality inspector can evaluate, but is not limited to, the strength, hardness, abrasion resistance, electrical conductivity, thermal conductivity and reproducibility of the produced product. The quality check result of the quality checker can be expressed as a numerical value, and can be encoded in a form suitable for learning a convolutional neural network. The control device may facilitate learning of the convolutional neural network and updating the database through the learning signal. The control device can increase accuracy and efficiency by applying deep learning technology to a control method for an injection mold manufacturing process.
도 2는 일실시예에 따른 제1 공정 설비의 제어 과정을 설명하기 위한 도면이다.2 is a view for explaining a control process of the first process equipment according to an embodiment.
일실시예에 따르면, 제1 공정 설비는 제1 공정 기계(210), 제2 공정 기계(220), 제3 공정 기계(230), 제4 공정 기계(240)를 포함할 수 있다.According to one embodiment, the first process facility may include a
일실시예에 따르면, 제어 장치는 제1 공정 설비를 제어하기 위해 제1 출력 신호에 기초하여, 제1 재료를 컨베이어 벨트(201)를 제어해 고로(202)로 이동시킬 수 있다. 제어 장치는 획득한 제1 재료를 컨베이어 벨트(201)에 위치시킬 수 있으며, 컨베이어 벨트(201)를 제어해 고로(202) 내로 제1 재료를 위치시킬 수 있다. 고로(202)는 동시에 최대 100개 분량의 사출 금형 제작을 위한 제1 재료를 수용할 수 있으며, 이를 위한 제1 재료가 모두 이동할 때까지 컨베이어 벨트가 연속적으로 가동될 수 있다.According to one embodiment, the control device may move the first material to the blast furnace 202 by controlling the conveyor belt 201 based on the first output signal to control the first process facility. The control device may place the obtained first material on the conveyor belt 201, and control the conveyor belt 201 to position the first material into the blast furnace 202. The blast furnace 202 can simultaneously receive the first material for the production of up to 100 injection molds, and the conveyor belt can be continuously operated until all of the first material for this is moved.
일실시예에 따르면, 제어 장치는 제1 공정 설비 내의 가스식 화로(203)를 제어해 상기 고로(202)를 가열할 수 있다.According to one embodiment, the control device may control the gas-fired furnace 203 in the first process facility to heat the blast furnace 202.
일실시예에 따른 가스식 화로(203)는 고체 및 액체 연료를 고온에서 산소, 물, 수소 등과 반응시켜 CO, CO+ H2, CH4 등의 가스를 생성하며 열을 발생시키도록 하는 장치일 수 있다. 가스식 화로(203)를 통한 고로(202)의 가열은 일반적으로 주조용 금속을 용융시키기 위한 온도인 1500~2000℃이나, 금속의 종류에 따라 그 이상 혹은 이하일 수 있다.The gas-type furnace 203 according to an embodiment may be a device that generates gas by reacting solid and liquid fuel with oxygen, water, hydrogen, and the like at high temperature to generate gas such as CO, CO + H 2 , and CH 4 . . The heating of the blast furnace 202 through the gas-fired furnace 203 is generally 1500-2000 ° C., which is a temperature for melting the casting metal, but may be higher or lower depending on the type of the metal.
일실시예에 따르면, 제어 장치는 고로(202)의 가열 결과에 기초하여, 상기 고로(202)의 하측부를 들어올려 상기 제1 재료를 미리 분리제가 도포된 주형(204)에 부을 수 있다.According to one embodiment, based on the heating result of the blast furnace 202, the control device may lift the lower portion of the blast furnace 202 and pour the first material into a mold 204 coated with a separator in advance.
일실시예에 따르면, 고로(202)를 통한 주조용 금속의 용융은 제1 출력 신호가 포함하는 금속의 종류에 다른 용융점 온도 및 가열 시간에 따라 조절될 수 있다. 이에 따라 용융의 정도를 정할 수 있으며, 모두 용융된 금속은 주형(204)을 통해 사출 금형의 기본적인 형태를 나타낼 수 있다. 제어 장치는 금속의 종류에 따른 가열 시간이 종료되면, 미리 제1 출력 신호에 기초하여 선택된 주형(204)에 고로(202)를 기울여 용융된 금속을 부을 수 있다. 고로(202)를 기울이는 과정은 제어 장치가 고로(202)와 연결된 제1 공정 설비를 이용할 수 있는데, 이 연결부는 고로(202)의 하측부에 위치할 수 있다. 제1 공정 설비의 하측부를 들어올리는 동작은 고로(202)의 입구를 아래로 향하게 하여 용융된 금속이 주형(204) 내로 부어질 수 있도록 할 수 있다.According to one embodiment, melting of the casting metal through the blast furnace 202 may be adjusted according to the melting point temperature and heating time different from the type of metal included in the first output signal. Accordingly, the degree of melting can be determined, and all of the molten metal can represent the basic shape of the injection mold through the mold 204. The control device may pour the molten metal by tilting the blast furnace 202 to the selected mold 204 based on the first output signal in advance, when the heating time according to the type of metal ends. In the process of tilting the blast furnace 202, a control device may use a first process facility connected to the blast furnace 202, which may be located at a lower portion of the blast furnace 202. The operation of lifting the lower portion of the first process facility may cause the inlet of the blast furnace 202 to face down so that molten metal can be poured into the mold 204.
일실시예에 따르면, 제어 장치는 제1 공정 설비의 제1 공정 기계(210)를 제어해 대상 사출 금형의 모델(205)을 주형(204) 내 제1 재료의 상부 중앙에 위치 및 압접 시킬 수 있다.According to one embodiment, the control device may control the
일실시예에 따르면, 제어 장치는 제1 공정 설비의 제1 공정 기계(210)를 제어해 모델(205)을 이동시킬 수 있는데, 이 때 모델(205)을 주형(204) 내에 제1 재료의 상부 중앙으로 설정할 수 있다. 위치의 결정은 제1 공정 기계(210)가 포함하는 카메라를 사용해 결정할 수 있으며, X좌표와 Y좌표를 이용한 2차원 좌표를 활용해 결정할 수 있다. 제1 공정 기계(210)는 모델(205)을 단순히 위치시키는 데에 그치지 않고, 제1 재료의 언더컷이 생길 수 있는 부위의 상부에 정확히 위치할 수 있도록 모델(205)에 압력을 가할 수 있다. 이 때 정확한 높이는 제1 공정 기계(210)의 레이저 거리 측정기를 제어해 제1 재료로부터의 거리를 측정함으로써 설정할 수 있다.According to one embodiment, the control device may move the model 205 by controlling the
일실시예에 따르면, 제어 장치는 주형(204) 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 분리제 도포기(206)를 제어해 분리제를 주형(204) 내 제1 재료의 상부에 도포할 수 있다. 주형(204) 내의 온도 센서는 주형(204)의 내면에 부착된 센서로서, 온도를 감지할 수 있는 장치일 수 있다. 온도 센서는 섭씨 온도를 기준으로 하며, 소수점 아래 2자리까지 감지할 수 있는 민감한 센서일 수 있다. 주형(204) 내의 온도가 60℃ 이하가 되면, 제어 장치는 제1 재료의 내외부가 모두 충분히 응고되었다고 판단할 수 있고, 이에 따라 다음 단계를 진행할 수 있다. 분리제는 금속 간 혹은 다른 재료 간의 결합을 방해하는 장치일 수 있고, 온도의 전달을 충분히 방해할 수 있는 물질로 구성될 수 있다. 분리제 도포기(206)는 분리제의 고른 도포를 위한 장치로서, 제1 재료의 상부에 고르게 분리제를 도포하도록 도울 수 있다.According to one embodiment, the control device controls the separator applicator 206 based on the temperature sensor in the mold 204 to control the separator applicator 206 when the temperature is 60 ° C. or lower. It can be applied to. The temperature sensor in the mold 204 is a sensor attached to the inner surface of the mold 204 and may be a device capable of sensing temperature. The temperature sensor is based on the temperature in degrees Celsius, and may be a sensitive sensor capable of detecting up to 2 digits after the decimal point. When the temperature in the mold 204 becomes 60 ° C. or less, the control device may determine that both the inside and outside of the first material have sufficiently solidified, and accordingly may proceed to the next step. The separating agent may be a device that interferes with the bonding between metals or other materials, and may be made of a material capable of sufficiently preventing the transfer of temperature. The separator applicator 206 is a device for even application of the separator, and can help apply the separator evenly over the first material.
일실시예에 따르면, 제어 장치는 도포 결과에 기초하여, 고로(202)의 하측부를 다시 들어올려 제1 재료를 주형(204)에 다시 부을 수 있다.According to one embodiment, the control device may again lift the lower portion of the blast furnace 202 and pour the first material back into the mold 204 based on the application result.
일실시예에 따르면, 기존에 주형(204)에 부은 제1 재료의 응고체를 하판(208), 새로 부어주는 제1 재료의 응고체를 상판(207)으로 부를 수 있다. 하판(208)의 응고 및 분리제 도포가 마무리 되면, 제어 장치는 상판(207)용 제1 재료를 주형(204) 내에 부어줄 수 있다. 제1 재료를 부어주는 동작은 기존에 하판(208)의 경우와 마찬가지로 고로(202)의 하측부를 들어올리는 동작이 될 수 있고, 모델(205)이 충분히 잠길 때까지 부어주게 되는데 이 때의 높이는 제1 출력 신호내의 값을 기준으로 할 수 있다. 완전히 모델(205)이 잠기고 나면 주형(204) 내의 상판(207)용 제1 재료가 응고되면서 상판(207)이 형성되는데, 이 때 분리제가 상판(207)과 하판(208)을 구분할 수 있는 기준이 되면, 또한 상판(207)이 부어질 때 하판(208)의 변형을 최소화하기 위한 열 전달의 방어막 역할을 수행할 수 있다.According to an embodiment, the solidified body of the first material poured into the mold 204 may be called the lower plate 208, and the newly poured solidified body of the first material may be called the upper plate 207. When the solidification of the lower plate 208 and coating of the separator are finished, the control device may pour the first material for the upper plate 207 into the mold 204. The operation of pouring the first material may be an operation of lifting the lower portion of the blast furnace 202, as in the case of the existing lower plate 208, and is poured until the model 205 is sufficiently locked. 1 Can be based on the value in the output signal. After the model 205 is completely locked, the first material for the top plate 207 in the mold 204 is solidified, so that the top plate 207 is formed. At this time, the separation agent is a criterion for distinguishing between the top plate 207 and the bottom plate 208. In this case, when the upper plate 207 is poured, it can also serve as a barrier for heat transfer to minimize deformation of the lower plate 208.
일실시예에 따르면, 제어 장치는 주형(204) 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 제2 공정 기계(220)를 제어해 주형(204)을 뒤집어 제품을 분리할 수 있다.According to an embodiment, the control device may control the
일실시예에 따르면, 제어 장치는 하판(208)의 경우와 마찬가지로 주형(204) 내의 온도 센서에 기초해 60℃ 이하인 경우 상판(207)의 내외부가 모두 응고된 것으로 볼 수 있다. 이에 따라 제2 공정 기계(220)를 제어해 주형(204)의 한 쪽 끝 아래면을 고정한 채 들어올려, 주형(204)을 뒤집는 동작을 수행할 수 있다. 주형(204)이 뒤집어지면 주형(204) 내에 있던 상판(207), 하판(208) 및 모델(205)은 결합된 채로 주형(204)으로부터 떨어져나올 수 있는데, 이 때 주형(204)에 미리 도포한 분리제가 이 동작을 용이하게 할 수 있다. 떨어져 나온 제품은 하판(208)이 위로 올라가도록 뒤집어진 상태로 추출될 수 있다.According to one embodiment, as in the case of the lower plate 208, the inner and outer parts of the upper plate 207 are all solidified when the temperature is 60 ° C. or less based on the temperature sensor in the mold 204. Accordingly, the
일실시예에 따르면, 제어 장치는 제3 공정 기계(230)를 제어해 제품의 상판(207)과 하판(208)을 분리할 수 있다. 추출된 제품은 하판(208)이 위로 올라가게 위치할 수 있는데, 이 때 제3 공정 기계(230)를 제어해 하판(208)을 들어올리는 동작을 수행할 수 있다. 제3 공정 기계(230)는 제1 재료의 종류에 따라 자기장을 이용해 들어올리는 동작을 수행할 수도 있고, 경우에 따라 로봇암이나 그 밖의 방법을 이용할 수도 있다. 하판(208)의 분리는 도포한 분리제가 그 분리를 용이하게 할 수 있다.According to one embodiment, the control device may control the
일실시예에 따르면, 제어 장치는 제4 공정 기계(240)를 제어해 모델(205)을 제거할 수 있다. 모델(205)의 제거는 하판(208)의 제거와 마찬가지로 수행될 수 있는데, 이 때 사용되는 제4 공정 기계(240)는 마그네틱이나 로봇암이 될 수 있으나, 이에 국한하지 않는다.According to one embodiment, the control device may control the
도 3은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.3 is a diagram for explaining a blockchain network according to an embodiment.
도 3을 참조하면, 블록체인 네트워크는 사출 금형의 설계도들 및 주조 방법들을 포함하는 데이터 베이스 및 미리 학습된 컨벌루션 신경망을 포함하는 블록(301)들; 각 블록(301)을 시간 순으로 연결하는 체인(302)들; 및 각 블록체인을 저장하는 제1(310), 제2(320), 제3 네트워크 저장장치(330)를 포함하는 프라이빗 블록체인 네트워크일 수 있다.Referring to FIG. 3, the blockchain network includes
일실시예에 따르면, 블록체인 네트워크의 블록(301)은 사출 금형의 설계도들 및 주조 방법들을 포함하는 데이터 베이스와 이를 다루는 미리 학습된 컨벌루션 신경망을 포함할 수 있다. 각 블록(301)들은 일반적으로 시간 순으로 연결이 되며, 이에 따라 10분 간격으로 새로운 블록(301)들이 생산될 수 있다. 이미 생성된 블록(301)의 내용들은 모든 네트워크 저장장치들에 저장되며, 시간 내에 과반수의 내용이 변경되지 않는 한 변경될 수 없는 구조로 되어있다. 예를 들어, 총 3개의 네트워크 저장장치를 가진 블록체인 네트워크에서 각 네트워크 저장장치 당 1개씩의 블록(301)을 가지고 있다고 했을 때, 제한된 시간 내에 2개 이상의 블록(301)의 내용을 바꾸지 못하면, 각 블록(301)은 검증을 통해 과반수와 다른 내용의 블록(301)을 과반수와 같도록 값을 재변경 시킬 수 있다. 이에 따라 높은 보안을 유지할 수 있는데, 실제로 블록체인 네트워크에 참여하는 네트워크 저장장치의 수는 수십에서 수십만에 달할 수 있기 때문에 더욱 높은 보안성을 나타낼 수 있다.According to an embodiment, the
일실시예에 따른 체인(302)들은 해시값으로 구성될 수 있다. 체인(302)들은 블록(301)을 시간 순으로 연속되도록 하는데, 이 때 해시값을 이용해 각 블록(301)들이 연결되게 할 수 있다. 블록(301)에는 데이터 베이스 및 데이터 베이스의 해시값, 이전 헤더 및 현 블록의 헤더를 보관할 수 있다. 여기서 현 블록의 헤더는 다음 블록에서 이전 헤더의 기능을 하게 되어 각 블록(301)들은 유기적으로 연결될 수 있다. 더불어 해시값은 블록의 내용이 조금이라도 바뀌면 완전히 다른 형태로 변형이 되는데, 이 때문에 데이터 베이스의 내용을 변경하려는 시도를 효과적으로 막을 수 있다. 현 블록의 헤더는 데이터 베이스, 데이터 베이스의 해시값 및 이전 헤더를 포함한 총 합의 해시값이 되기 때문에, 데이터 베이스와 해시값을 효과적으로 수정해 보안을 해치려는 시도도 성공하기 어렵게 된다. 왜냐하면 데이터 베이스와 해시값을 수정하는 순간, 헤더의 내용도 바뀌게 되고 이에 따라 다음 블록에 들어가는 이전 헤더도 바뀌게 되며, 이에 따라 그 블록의 헤더도 바뀌어 다음 블록의 이전 헤더를 다시 바꾸게 될 수 있다. 즉, 이후의 모든 블록(301)을 해킹해야만 하게 된다. 따라서, 해시값을 통한 체인(302)으로 블록체인의 보안을 높일 수 있다. 제어 장치는 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용할 수 있다.
일실시예에 따르면, 네트워크 저장장치들은 사출 금형의 제1 재료들을 생산하는 1차 생산자를 포함하는 제1 네트워크 저장장치(310); 사출 금형을 제조하는 설계자를 포함하는 제2 네트워크 저장장치(320); 사출 금형을 이용해 사출된 제품을 생산하는 2차 생산자를 포함하는 제3 네트워크 저장장치(330); 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망(303)을 포함할 수 있다. 제1, 제2 및 제3으로 분류된 네트워크 저장장치들은 포함된 실무자의 수, 사용자의 수 및 그 저장 장치의 수에 따라 그 수가 결정될 수 있다.According to one embodiment, the network storage devices include a first
일실시예에 따르면, 제1 네트워크 저장장치(310)는 사출 금형의 제1 재료들을 생산하는 1차 생산자를 포함할 수 있으며, 1차 생산자들은 1개 업체 혹은 그 이상일 수 있다. 제1 네트워크 저장장치(310)의 수는 각 업체가 사용하는 저장 장치의 수에 따라 그 수가 결정 될 수 있다. 제1 네트워크 저장장치(310)의 1차 생산자들은 블록체인 네트워크의 데이터 베이스 및 컨벌루션 신경망을 바탕으로 재료의 결함을 수정 및 업그레이드할 수 있으며, 필요에 따라 새로운 종류의 재료를 생산할 수 있다.According to one embodiment, the
일실시예에 따르면, 제2 네트워크 저장장치(320)는 사출 금형을 제조하는 설계자를 포함할 수 있다. 제2 네트워크 저장장치(320)는 사출 금형을 제조하는 업체 및 그 사용자의 수에 따라 그 수가 결정될 수 있다. 제2 네트워크 저장장치(320)의 설계자는 사출 금형 제조의 제어 방법 및 장치를 사용하는 실 사용자로도 부를 수 있다. 제2 네트워크 저장장치(320)의 설계자들은 실 사용 중에 발생하는 제어 방법 및 장치의 오류들에 대한 정보를 설계자들이 수동으로 입력함으로써 컨벌루션 신경망의 학습을 용이하게 할 수 있다.According to one embodiment, the second
일실시예에 따르면, 제3 네트워크 저장장치(330)는 사출 금형을 이용해 사출된 제품을 생산하는 2차 생산자를 포함할 수 있다. 제3 네트워크 저장장치(330)의 2차 생산자는 자신이 주문한 사출 금형의 주문 체결 시 제3 네트워크 저장장치(330) 사용자로서 승인을 받을 수 있으며, 자신이 주문한 사출 금형의 현재 제조 상황에 대한 업데이트 정보를 블록체인 네트워크를 통해 확인할 수 있다.According to one embodiment, the third
일실시예에 따른 초고속 인터넷 연결망(303)은 통상적으로 10Mb/s 이상의 속도를 보이는 인터넷 연결망을 의미하는데, 유선, 무선, 광케이블 기술 등을 포함하는 연결망으로 LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않는다.The high-speed
도 4는 일실시예에 따른 데이터 베이스를 설명하기 위한 도면이다.4 is a view for explaining a database according to an embodiment.
도 4를 참조하면, 데이터 베이스는 빅데이터로부터 수집한 다양한 사출 금형의 설계도들(401); 및 설계도들(401)에 따라 설계 전문가들에 의해 설계된 사출 금형의 주조 방법들(402)을 포함할 수 있다.Referring to FIG. 4, the database includes design drawings 401 of various injection molds collected from big data; And casting methods 402 of the injection mold designed by design experts according to the design drawings 401.
일실시예에 따른 설계도들(401)은 온라인 상에 존재하는 사출 금형에 관한 설계도들(401)을 의미하며, 이와 함께 각종 사출 금형 제조업체들로부터 획득한 설계도들(401)을 포함할 수 있다. 이러한 설계도들(401)은 사출 금형의 제조를 위한 다양한 방식으로 작성될 수 있는데, 각각의 설계도에 대한 해석을 위해 설계 전문가들이 설계도들(401)의 수집에 참여할 수 있다.The design drawings 401 according to an embodiment mean design drawings 401 for an injection mold existing online, and may include design drawings 401 obtained from various injection mold manufacturers. These designs 401 may be prepared in various ways for the manufacture of injection molds, and design experts may participate in the collection of designs 401 for analysis of each design.
일실시예에 따르면, 설계 전문가들은 개별 설계도들(401)에 따라 사출 금형의 주조 방법들(402)을 작성할 수 있는데, 이렇게 작성된 주조 방법들(402)은 다시 빅데이터화 되어 블록체인 네트워크 내 데이터 베이스에 저장될 수 있다. 데이터 베이스 내의 정보에 대한 열람은 블록체인 네트워크를 이루는 네트워크 저장장치들을 통해 이뤄질 수 있다.According to one embodiment, design experts can create injection mold casting methods 402 according to individual designs 401, and the casting methods 402 created in this way are big data again, and thus become a database in the blockchain network. Can be stored in. Access to information in the database can be done through network storage devices that make up a blockchain network.
일실시예에 따른 주조 방법들(402)의 종류에는 사출 금형을 통해 사출 제작에 쓰일 제2 재료의 종류(410) 및 물성; 제2 재료보다 용융점이 높은 사출 금형의 제1 재료의 종류(420) 및 물성; 및 제1 재료의 용융점 온도 및 가열 시간(430)을 포함할 수 있다.Types of the casting methods 402 according to an embodiment include a type 410 and physical properties of a second material to be used for injection molding through an injection mold; Type 420 and physical properties of the first material of the injection mold having a higher melting point than the second material; And a melting point temperature and heating time 430 of the first material.
일실시예에 따른 제2 재료의 종류(410)는 일반적으로 플라스틱이나 금속이 될 수 있으나 이에 국한하지 않는다. 사출의 대상이 되는 제2 재료는 사출 제품의 종류 및 용도에 따라 다양하게 존재하며, 이러한 제2 재료는 사출 금형을 제조하는 데에 있어 제1 재료의 선택에 대한 지표가 될 수 있다. 데이터 베이스 내의 제2 재료들은 설계도를 바탕으로 컨벌루션 신경망이 설계도에 적합한 제2 재료를 채택함으로써, 적당한 제1 재료를 선택하는 데 사용될 수 있다.The type 410 of the second material according to an embodiment may be generally plastic or metal, but is not limited thereto. The second material to be injected is variously present depending on the type and use of the injection product, and the second material may be an index for selection of the first material in manufacturing an injection mold. The second materials in the database can be used to select a suitable first material by adopting a second material suitable for the convolutional neural network based on the design.
일실시예에 따른 제1 재료의 종류(420)는 일반적으로 금속이며, 금속은 다시 결정 금속과 비결정성 금속으로 나뉠 수 있다. 금속은 금, 은, 동, 주석, 납, 철 및 수은 등이 포함될 수 있다. 금속은 순수한 금속과 다른 원소를 포함한 금속 화합물로 나뉠 수 있으며, 강도 보강을 위해 탄소를 포함하는 경우가 이런 경우의 예가 될 수 있다.The type 420 of the first material according to an embodiment is generally a metal, and the metal may be divided into a crystalline metal and an amorphous metal. Metals can include gold, silver, copper, tin, lead, iron and mercury. Metals can be divided into pure metals and metal compounds containing other elements, for example, including carbon for strength reinforcement.
일실시예에 따른 제1 재료의 물성은 광택, 전기전도도, 열전도도, 전성, 연성, 강도, 경도, 산화도 및 젖음성 등을 포함할 수 있다. 각각의 특성에 따라 금속을 제련하는 과정이 달라질 수 있으며, 모든 금속의 녹는점이 다르기 때문에 이에 따른 용융 과정도 달라질 수 있다. 일반적으로 제1 재료는 제2 재료보다 녹는점이 높은 재료를 사용해 제2 재료를 통한 사출 시 사출 금형의 변성이 생기지 않도록 할 수 있다.Physical properties of the first material according to an embodiment may include gloss, electrical conductivity, thermal conductivity, malleability, ductility, strength, hardness, oxidation degree, wettability, and the like. The process of smelting the metal may be different according to each characteristic, and since the melting points of all metals are different, the melting process may be different accordingly. In general, the first material may be made of a material having a higher melting point than the second material so that the injection mold is not denatured during injection through the second material.
일실시예에 따른 제1 재료의 용융점 온도 및 가열 시간(430)은 제1 재료를 고로에서 가열해 용융시키는 데 필요한 정보들로서, 각각의 값에 따라 제어 장치가 고로를 제어하는 방법들을 조절할 수 있다. 용융점 온도의 정보는 응고의 완료 시점을 결정하는 지표로도 사용될 수 있는데, 일반적으로 편의를 위해 60℃로 설정된 값을 사용하나 경우에 따라 속도를 높이기 위해 용융점 온도의 60% 값을 기준으로 삼을 수 있다.The melting point temperature and the heating time 430 of the first material according to an embodiment are information necessary for heating and melting the first material in the blast furnace, and according to each value, a control device may control methods of controlling the blast furnace. . The information of the melting point temperature can also be used as an index for determining the completion time of solidification. In general, a value set at 60 ° C is used for convenience, but in some cases, a value of 60% of the melting point temperature is used as a reference for speed. Can be.
도 5은 일실시예에 따른 컨벌루션 신경망을 설명하기 위한 도면이다.5 is a diagram for describing a convolutional neural network according to an embodiment.
도 5를 참조하면, 블록체인 네트워크 내 블록들은 미리 학습된 컨벌루션 신경망(510)을 포함할 수 있으며, 제1 입력 신호(501)를 입력으로 하고, 제1 출력 신호(502)를 출력으로 하며, 학습 신호(503)를 통해 학습할 수 있다.Referring to FIG. 5, blocks in a blockchain network may include a pre-trained convolutional neural network 510, a first input signal 501 as an input, and a
일실시예에 따르면, 컨벌루션 신경망(510)의 입력이 되는 제1 입력 신호(501)는 설계도를 컨벌루션 신경망에 적합하도록 인코딩한 값을 입력 데이터로 할 수 있다. 설계자가 설계한 설계도에 기초하여, 설계도의 프로그램 내에 코딩된 정보들을 다시 컨벌루션 신경망에 적합한 형태로 인코딩함으로써 제1 입력 신호를 생성할 수 있다.According to an embodiment, the first input signal 501, which is the input of the convolutional neural network 510, may use the encoded value of the design to be suitable for the convolutional neural network as input data. Based on the designer's design, the first input signal can be generated by encoding information coded in the program of the design into a form suitable for a convolutional neural network.
일실시예에 따르면, 컨벌루션 신경망(510)은 제1 입력 신호 내의 설계도 정보에 기초하여, 데이터 베이스 내의 가장 유사한 설계도의 종류를 컨벌루션 신경망의 특징 추출 신경망과 분류 신경망을 통해 분류할 수 있다. 특징 추출 신경망은 입력 신호를 컨벌루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨벌루션 계층은 컨벌루션 연산, 컨벌루션 필터 및 활성함수를 포함하고 있다. 컨벌루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조정되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨벌루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행될 수 있다. 분류 신경망은 은닉층과 출력층을 가지고 있다. 사출 금형 제조 공정의 제어 방법을 위한 컨벌루션 신경망(510)에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨벌루션 신경망(510)의 출력층 노드는 총 10개로 할 수 있다. 분류 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 10개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있다. 10개의 출력은 가장 유사한 설계도의 종류를 보여주며, 이에 대한 다양한 정보는 데이터 베이스 상에 저장돼있을 수 있다.According to an embodiment, the convolutional neural network 510 may classify the type of the most similar blueprint in the database through the feature extraction neural network and the classification neural network based on the design information in the first input signal. The feature extraction neural network proceeds by stacking the input signal sequentially in a convolutional layer and a pooling layer. The convolution layer includes a convolution operation, a convolution filter, and an active function. The calculation of the convolution filter is adjusted according to the matrix size of the target input, but a 9X9 matrix is generally used. The active function generally uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto. The pooling layer is a layer that serves to reduce the matrix size of the input, and uses a method of extracting a representative value by grouping pixels in a specific area. In the calculation of the pooling layer, an average value or a maximum value is generally used, but is not limited thereto. The operation is performed using a square matrix, and generally, a 9X9 matrix is used. The convolutional layer and the pooling layer may be alternately repeated until the input is small enough while maintaining a difference. The classification neural network has a hidden layer and an output layer. In the convolutional neural network 510 for the control method of the injection mold manufacturing process, there are generally three or more hidden layers, and the number of nodes of each hidden layer is designated as 100, but may be determined as more or less depending on the case. The active function of the hidden layer uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto. The output layer node of the convolutional neural network 510 may be 10 in total. The output layer activation function of the classification neural network uses a softmax function. The softmax function is a representative function of one-hot encoding. It is a function that makes the sum of all output nodes total 1, sets the output of the output node with the largest value to 1, and the output of the remaining output nodes to 0. . It may be possible to select only one of the 10 outputs through the Softmax function. The 10 outputs show the most similar types of designs, and various information about them can be stored on the database.
일실시예에 따르면, 컨벌루션 신경망(510)의 출력이 되는 제1 출력 신호(502)는 컨벌루션 신경망의 분류에 기초하여, 유사 설계도의 설계에 대응하는 주조 방법을 포함할 수 있다. 제1 출력 신호(502)는 설계도에 따른 주조 방법들(402)의 조합을 보여줄 수 있는데, 여기서의 조합은 일반적으로 데이터 베이스 상에 저장된 정보에 기초할 수 있다. 데이터 베이스 상에 저장된 데이터들은 컨벌루션 신경망(510)의 학습 과정에 따라 그 데이터의 수가 증가 혹은 감소할 수 있는데, 이에 따른 출력 노드의 수도 10개 이상 혹은 이하로 변경될 수 있다.According to an embodiment, the
일실시예에 따르면, 컨벌루션 신경망(510)의 학습을 위한 학습 신호(503)는 품질 검사기의 제어 결과로부터 생성될 수 있다. 품질 검사기는 제품의 품질에 대해 강도, 경도, 내마모성, 전기 전도도, 열 전도도 및 재현성을 바탕으로 수치화된 값을 학습 신호(503)로 생성할 수 있으며, 생성된 학습 신호(503)의 종류에 따라 데이터 베이스 정보의 강화 혹은 약화가 이뤄질 수 있다.According to an embodiment, the
일실시예에 따른 학습 신호(503)는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 학습 신호에 의해 컨벌루션 신경망(510)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.The
일실시예에 따르면, 컨벌루션 신경망(510)은 학습 신호(503)를 바탕으로 데이터 베이스 내의 가장 유사한 설계도의 선택 및 이에 대응하는 주조 방법의 선택 방법을 수정하기 위한 학습을 할 수 있다. 미리 학습된 컨벌루션 신경망(510)은 3개 이상의 은닉층을 가지고 있으며, 각 은닉층은 50개 이상의 은닉 노드를 가질 수 있다. 각 은닉 노드의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수를 사용할 수 있으나, 이에 국한되지 않는다. 출력 노드의 함수는 one-hot 인코딩 기법을 활용한 소프트맥스 함수를 사용할 수 있다. 출력은 One-hot 인코딩 기법에 따라 하나의 분류만을 선택하며, 선택된 분류로부터 명령을 수행하도록 할 수 있다. 제어 장치는 사출 금형 제조 공정을 위한 제어 방법에 있어 설계도에 따른 주조 방법의 오류를 이용해 계속적인 피드백을 할 수 있다.According to an embodiment, the convolutional neural network 510 may learn to modify the selection method of the most similar design in the database and the selection method of the casting method corresponding thereto based on the
도 6은 일실시예에 따른 장치의 구성의 예시도이다.6 is an exemplary view of a configuration of an apparatus according to an embodiment.
일실시예에 따른 장치(1201)는 프로세서(1202) 및 메모리(1203)를 포함한다. 일실시예에 따른 장치(1201)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1203)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1203)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. The
일실시예에 따르면, 프로세서(1202)는 프로그램을 실행하고, 장치(1201)를 제어할 수 있다. 프로세서(1202)에 의하여 실행되는 프로그램의 코드는 메모리(1203)에 저장될 수 있다. 장치(1201)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.According to an embodiment, the
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented by hardware components, software components, and / or combinations of hardware components and software components. For example, the devices, methods, and components described in the embodiments include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors (micro signal processors), microcomputers, and field programmable gates (FPGAs). It can be implemented using one or more general purpose computers or special purpose computers, such as arrays, programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. The processing device may run an operating system (OS) and one or more software applications running on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of the software. For convenience of understanding, a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that may include. For example, the processing device may include a plurality of processors or a processor and a controller. In addition, other processing configurations, such as parallel processors, are possible.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. -Hardware devices specifically configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler. The hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device. Software and / or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave. The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and / or the components of the described system, structure, device, circuit, etc. are combined or combined in a different form from the described method, or other components Alternatively, even if substituted or substituted by equivalents, appropriate results can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (5)
설계자가 설계 프로그램을 통해 제작한 대상 사출 금형의 설계도를 저장하는 단계;
상기 저장한 설계도에 기초하여, 밀링기를 제어해 모델용 금속으로부터 상기 대상 사출 금형의 모델을 제작하는 단계;
상기 설계도에 기초하여, 제1 입력 신호를 생성하는 단계;
상기 생성한 제1 입력 신호를 초고속 인터넷 연결망을 통해 블록체인 네트워크 내 컨벌루션 신경망에 입력하는 단계;
상기 입력에 기초하여, 제1 출력 신호를 획득하는 단계;
상기 제1 출력 신호에 기초하여, 상기 대상 사출 금형의 제1 재료를 획득하는 단계;
상기 제1 출력 신호에 기초하여, 제1 공정 설비를 제어하는 단계;
상기 제어 결과에 기초하여, 생산된 제품을 사상용 샌더를 제어해 연마하는 단계;
상기 제품을 조립용 로봇암을 제어해 조립하는 단계;
상기 제품을 품질 검사기를 제어해 품질 검사하고 제1 학습 신호를 생성하는 단계; 및
상기 제1 학습 신호를 상기 컨벌루션 신경망의 학습 데이터로 입력하는 단계
를 포함하고,
상기 제1 공정 설비를 제어하는 단계는
상기 제1 출력 신호에 기초하여, 상기 제1 재료를 컨베이어 벨트를 제어해 고로로 이동시키는 단계;
상기 제1 공정 설비 내의 가스식 화로를 제어해 상기 고로를 가열하는 단계;
상기 고로의 가열 결과에 기초하여, 상기 고로의 하측부를 들어올려 상기 제1 재료를 미리 분리제가 도포된 주형에 붓는 단계;
상기 제1 공정 설비의 제1 공정 기계를 제어해 상기 대상 사출 금형의 모델을 상기 주형 내 상기 제1 재료의 상부 중앙에 위치 및 압접 시키는 단계;
상기 주형 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 분리제 도포기를 제어해 분리제를 주형 내 상기 제1 재료의 상부에 도포하는 단계;
상기 제1 재료의 상기 상부에 대한 도포 결과에 기초하여, 상기 고로의 하측부를 다시 들어올려 상기 제1 재료를 주형에 다시 붓는 단계;
상기 주형 내의 온도 센서에 기초하여, 온도가 60℃ 이하가 되면 제2 공정 기계를 제어해 상기 주형을 뒤집어 상기 제품을 분리하는 단계;
제3 공정 기계를 제어해 상기 제품의 상판과 하판을 분리하는 단계; 및
제4 공정 기계를 제어해 상기 모델을 제거하는 단계
를 포함하는,
사출 금형 제조 공정의 제어 방법.
In the control method for the injection mold manufacturing process based on artificial intelligence,
Storing a design diagram of a target injection mold produced by a designer through a design program;
Manufacturing a model of the target injection mold from a model metal by controlling a milling machine based on the stored design drawing;
Generating a first input signal based on the blueprint;
Inputting the generated first input signal into a convolutional neural network in a blockchain network through a high-speed Internet connection network;
Obtaining a first output signal based on the input;
Obtaining a first material of the target injection mold based on the first output signal;
Controlling a first process facility based on the first output signal;
On the basis of the control result, polishing the produced product by controlling the sander for finishing;
Assembling the product by controlling a robot arm for assembly;
Controlling the product to perform a quality inspection by controlling the quality inspector and generating a first learning signal; And
Inputting the first learning signal as learning data of the convolutional neural network
Including,
Controlling the first process equipment is
Based on the first output signal, moving the first material to a blast furnace by controlling a conveyor belt;
Heating the blast furnace by controlling a gas furnace in the first process facility;
Based on the heating result of the blast furnace, lifting the lower portion of the blast furnace and pouring the first material into a mold coated with a separator in advance;
Controlling the first process machine of the first process facility to position and press the model of the target injection mold in the upper center of the first material in the mold;
Based on the temperature sensor in the mold, controlling the separator applicator when the temperature becomes 60 ° C. or less to apply the separator to the top of the first material in the mold;
Based on a result of applying the first material to the upper portion, again lifting the lower portion of the blast furnace and pouring the first material back into the mold;
Based on the temperature sensor in the mold, controlling the second process machine to turn the mold over and separate the product when the temperature becomes 60 ° C. or less;
Separating the upper and lower plates of the product by controlling a third process machine; And
Controlling the fourth process machine to remove the model
Containing,
Control method of injection mold manufacturing process.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190166668A KR102113876B1 (en) | 2019-12-13 | 2019-12-13 | Method and apparatus for controlling injection mold manufacturing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190166668A KR102113876B1 (en) | 2019-12-13 | 2019-12-13 | Method and apparatus for controlling injection mold manufacturing process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102113876B1 true KR102113876B1 (en) | 2020-05-21 |
Family
ID=70910271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190166668A KR102113876B1 (en) | 2019-12-13 | 2019-12-13 | Method and apparatus for controlling injection mold manufacturing process |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102113876B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220118140A (en) | 2021-02-18 | 2022-08-25 | (주)라임 | Deep learning based injection quality inspection system |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR970014972A (en) | 1995-09-06 | 1997-04-28 | 전성원 | Injection Mold Manufacturing Method Using Epoxy Resin |
| KR100492877B1 (en) * | 2005-01-05 | 2005-06-02 | 하태수 | Forging apparatus and method for rheocasting |
| KR200433756Y1 (en) | 2006-09-27 | 2006-12-12 | 박제현 | The steam pipe connection structure that is applied to an ejection die |
| KR200434302Y1 (en) | 2006-09-29 | 2006-12-19 | 주식회사 유경하이테크 | mold for injection molding |
| JP2014144519A (en) * | 2013-01-30 | 2014-08-14 | Ihi Corp | Molding control device, molding control method, and program |
| JP5725155B2 (en) * | 2011-03-17 | 2015-05-27 | コニカミノルタ株式会社 | Manufacturing method of injection mold, injection mold, injection mold set, manufacturing method of microchip substrate, and microchip manufacturing method using this mold |
| KR20160041321A (en) | 2014-10-07 | 2016-04-18 | 김희찬 | Method for manufacturing injection mold |
| JP2017132260A (en) * | 2017-03-17 | 2017-08-03 | ファナック株式会社 | System capable of calculating optimum operating conditions in injection molding |
| KR20180007657A (en) * | 2016-07-13 | 2018-01-23 | 삼성전자주식회사 | Method for neural network and apparatus perform same method |
| KR20190084690A (en) * | 2018-01-09 | 2019-07-17 | (주)디팜스테크 | Intelligent super precision plastic mold design system |
-
2019
- 2019-12-13 KR KR1020190166668A patent/KR102113876B1/en active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR970014972A (en) | 1995-09-06 | 1997-04-28 | 전성원 | Injection Mold Manufacturing Method Using Epoxy Resin |
| KR100492877B1 (en) * | 2005-01-05 | 2005-06-02 | 하태수 | Forging apparatus and method for rheocasting |
| KR200433756Y1 (en) | 2006-09-27 | 2006-12-12 | 박제현 | The steam pipe connection structure that is applied to an ejection die |
| KR200434302Y1 (en) | 2006-09-29 | 2006-12-19 | 주식회사 유경하이테크 | mold for injection molding |
| JP5725155B2 (en) * | 2011-03-17 | 2015-05-27 | コニカミノルタ株式会社 | Manufacturing method of injection mold, injection mold, injection mold set, manufacturing method of microchip substrate, and microchip manufacturing method using this mold |
| JP2014144519A (en) * | 2013-01-30 | 2014-08-14 | Ihi Corp | Molding control device, molding control method, and program |
| KR20160041321A (en) | 2014-10-07 | 2016-04-18 | 김희찬 | Method for manufacturing injection mold |
| KR20180007657A (en) * | 2016-07-13 | 2018-01-23 | 삼성전자주식회사 | Method for neural network and apparatus perform same method |
| JP2017132260A (en) * | 2017-03-17 | 2017-08-03 | ファナック株式会社 | System capable of calculating optimum operating conditions in injection molding |
| KR20190084690A (en) * | 2018-01-09 | 2019-07-17 | (주)디팜스테크 | Intelligent super precision plastic mold design system |
Non-Patent Citations (1)
| Title |
|---|
| https://www.sciencetimes.co.kr/?news=제조-산업서-블록체인-시장-주목(2019.05.08.)* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220118140A (en) | 2021-02-18 | 2022-08-25 | (주)라임 | Deep learning based injection quality inspection system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Deep learning-enabled intelligent process planning for digital twin manufacturing cell | |
| Zhou et al. | A survey on evolutionary construction of deep neural networks | |
| WO2022089218A1 (en) | Machine learning model training method and apparatus, and prediction system | |
| Shi et al. | Optimisation of plastic injection moulding process with soft computing | |
| CN109313670A (en) | The method and system of lattice suggestion is generated in CAD application | |
| CN107844784A (en) | Face identification method, device, computer equipment and readable storage medium storing program for executing | |
| EP3514734A1 (en) | Method and apparatus for generating a chemical structure using a neural network | |
| TW201926158A (en) | Methods, systems and non-transitory computer-readable medium for parameter optimization | |
| CN109191312A (en) | A kind of anti-fraud air control method and device of Claims Resolution | |
| CN103294601B (en) | A kind of based on the integrated software reliability prediction method of selective changeable weight neutral net | |
| CN111382496A (en) | Learning neural networks for inferring editable feature trees | |
| CN113705297A (en) | Training method and device for detection model, computer equipment and storage medium | |
| Lee et al. | Development of artificial neural network system to recommend process conditions of injection molding for various geometries | |
| Omairi et al. | Towards machine learning for error compensation in additive manufacturing | |
| KR102113876B1 (en) | Method and apparatus for controlling injection mold manufacturing process | |
| Mao et al. | Adaptive disassembly sequence planning for VR maintenance training via deep reinforcement learning | |
| KR102420626B1 (en) | Method, apparatus and system for providing company matching service based on artificial intelligence | |
| EP3888091B1 (en) | Machine learning for protein binding sites | |
| Nie et al. | MMFN: Multimodal information fusion networks for 3D model classification and retrieval | |
| KR102147609B1 (en) | Method and apparatus for controlling steel manufacturing process for press die | |
| CN104376120B (en) | A kind of information retrieval method and system | |
| Chan et al. | Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms | |
| Du et al. | Social force embedded mixed graph convolutional network for multi-class trajectory prediction | |
| TWI716938B (en) | Facial expression modeling method, apparatus and non-transitory computer readable medium of the same | |
| KR102055815B1 (en) | Method and apparatus for controlling interior lighting manufacturing process for automobile |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |