KR20190084690A - Intelligent super precision plastic mold design system - Google Patents
Intelligent super precision plastic mold design system Download PDFInfo
- Publication number
- KR20190084690A KR20190084690A KR1020180002744A KR20180002744A KR20190084690A KR 20190084690 A KR20190084690 A KR 20190084690A KR 1020180002744 A KR1020180002744 A KR 1020180002744A KR 20180002744 A KR20180002744 A KR 20180002744A KR 20190084690 A KR20190084690 A KR 20190084690A
- Authority
- KR
- South Korea
- Prior art keywords
- design data
- mold design
- mold
- data
- precision plastic
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F21—LIGHTING
- F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
- F21V35/00—Candle holders
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F21—LIGHTING
- F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
- F21V25/00—Safety devices structurally associated with lighting devices
- F21V25/12—Flameproof or explosion-proof arrangements
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Description
본 발명은 지능형 초정밀 플라스틱 금형 설계 시스템에 관한 것으로, 특히 금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치 함수, 신경회로망 분석 알고리즘을 적용시켜 초정밀 플라스틱 금형을 최소의 비용과 시간으로 설계 제작할 수 있도록 지원하는 지능형 초정밀 플라스틱 금형 설계 시스템에 관한 것이다.The present invention relates to an intelligent super precision plastic mold designing system, and more particularly, to provide a method of designing a super precision plastic mold with minimum cost and time by applying a finite element analysis, a weight function and a neural network analysis algorithm to mold design data To an intelligent super precision plastic mold design system.
도 1은 금형 설계 및 제작을 통하여 제조된 플라스틱 부품과 중요 치수 측정 포인트(붉은 점)를 보여주고 있다.Fig. 1 shows plastic parts manufactured through mold design and manufacture and important dimension measurement points (red dots).
이러한 부품의 설계 및 제조에서 가장 중요한 것은 실제 제조가 이루어 진 이후에 사출 성형물의 치수(Real)가 최초에 의도된 설계 치수(Target)에 얼마나 정확하게 매칭이 되고 최소한의 오차(Error)를 제공하는 것이다.The most important in the design and manufacture of these components is how accurately the actual (real) injection molds are matched to the original design dimensions (Target) after the actual manufacturing process and provides the minimum error .
여기서, Er은 오차율(%)이고, xTarget는 최초 설계 치수이며, xReal는 실제 제조 후 치수이다.Where Er is the error rate (%), x Target is the initial design dimension, and x Real is the actual post manufacturing dimension.
이러한 치수 점검 포인트는 초 정밀 제품의 경우 100여개에 달하기 때문에 수작업으로 관리는 불가능하고 통상 전산 소프트웨어를 통하여 관리한다. 즉, 관리 지점의 갯수를 i=100라고 표현하면 상기 오차는 하기와 같이 표현된다.These dimensional check points are about 100 in the case of ultra-precision products, so they can not be managed by hand and they are usually managed through computerized software. That is, if the number of management points is expressed as i = 100, the error is expressed as follows.
이러한 오차율의 정의는 실제 부품 설계에 있어 원하는 정밀도에 따라 하기의 정의에서 적절하게 선택되어 사용되어 진다. 통상 알고리듬의 간편함을 위하여 1 norm 이나 inf (무한대) norm이 많이 사용되어지고, 최적화 설계를 위해서는 2 norm이 사용되어 진다.The definition of this error rate is appropriately selected and used according to the following definition according to the desired precision in actual part design. Usually, 1 norm or inf (infinity) norm is used for simplicity of algorithm, and 2 norm is used for optimization design.
이러한 오차의 정의는 실제 부품 설계에 있어서 허용 가능한 공차 (clearance, margin)라고 볼수 있으며 초 정밀 플라스틱 부품의 제조를 위해서는 이 에러를 최소화하여야 한다.This definition of error can be regarded as an allowable tolerance (clearance) in real part design and this error should be minimized for the manufacture of ultra precision plastic parts.
부품의 정밀도는 앞서 제시된 식에 따라 오차를 최소화하기에 수학적으로 명확하게 정의되고 설명되어 질 수 있으나 오차율 1.57% 등의 표현은 시각적으로 설계, 해석 관점에서 소통에 어려움이 다소 있다. 따라서, 최근에는 오차율대신에 매칭율을 많이 사용하는 것이 추세이다.The precision of the part can be clearly defined and explained mathematically in order to minimize the error according to the formula given above, but the expressions such as the error rate of 1.57% are visually difficult to communicate in terms of design and interpretation. Therefore, in recent years, it is a trend to use a large matching rate instead of an error rate.
또한, 앞에서 금형 설계 및 제작 관련하여 치수 측정 포인트를 두고 설계 및 제작을 하고있으나, 치수 측정 포인트 이외에도 설계안을 검토할 때도 유용하게 사용될 수 있다. 즉, In addition, although designing and manufacturing are carried out at the dimension measurement points related to the mold design and manufacturing in the foregoing, it can be useful also in the examination of the design draft besides the dimension measurement points. In other words,
[수학식5]에서 i는 측정 지점 이외에 게이트 위치, 제품 형상, 게이트 사이즈, 살빼기 여부, 돌출부 두께 등 다양한 설계 검토안이 선택될 수 있다.In Equation (5), i can be selected from a variety of design considerations such as a gate position, a product shape, a gate size, whether to lose weight, and a protruded thickness in addition to the measurement point.
종래 기술에서 금형 설계 및 제작에 의한 플라스틱 부품 제조는 도 2에 도시된 바와 같이, 금형을 설계(S110)하고, 설계된 금형을 제작(S120)하고, 제작된 금형을 이용하여 사출성형(S130)이룬 후 사출성형된 부품의 치수를 측정(S140)하고, 측정된 치수가 오차범위 내에 있는지를 판단(S150)한다.2, the mold is designed (S110), the designed mold is manufactured (S120), and the injection mold (S130) is performed using the manufactured mold The dimension of the injection-molded part is measured (S140), and it is determined whether the measured dimension is within an error range (S150).
S150 단계의 판단 결과 측정된 치수가 오차범위 내에 있으면 최종 제품을 생산(S160)하게 되고, 측정된 치수가 오차범위를 벗어나면 다시 금형 설계 단계(S110)부터 반복 수행한다.If it is determined in step S150 that the measured dimension is within the error range, the final product is produced (S160). If the measured dimension deviates from the error range, the process is repeated from the mold design step (S110).
통상 일반품의 경우 5회, 중 정밀도 제품의 경우 10회, 고 정밀도의 경우 20회 정도(도 3 참조)의 금형 수정이 행해 지며 시행착오(trial and error)에 의해 가장 좋은 성능을 제공하는 최고 성능 (maximum) 설계안이 채택 된다. 5 times for regular products, 10 times for medium precision products, and 20 times for high precision (see Fig. 3) are performed, and the mold is corrected by trial and error to provide the best performance The maximum design is adopted.
종래의 금형 설계 방식은 비 효율적인 금형 설계 및 제조 공정 시스템으로, 가장 큰 단점은 단지 시간과 비용이 많이 소요된다는 것이 아니라 신제품 제작이 지연되고 이로 인해 고객이 떠나므로 시장 진입을 놓치는 기회비용 상실 역시 또 다른 문제점이다.The conventional mold design method is an inefficient mold design and manufacturing process system. The biggest drawback is not only that it takes time and cost, but also the opportunity cost loss that missed the market entry due to the delay in the production of new products Another problem.
비록 “금형의 설계와 제작”은 아니지만 이러한 경제적, 시간적 손실(LOSS)를 줄이기 위한 방법으로 최근 “사출공정”을 대상으로 한 경험적 예측(신경회로망 해석)이 실시된 적이 있으나 금형 설계/제작에 적용되기에는 한계가 있다. 가장 큰 이유는 높은 정확도의 신경망 알고리듬을 구축하려면 통상 학습(learning)이라고 부르는 20개 정도의 백데이터(back data)를 필요로 하는데, 단순히 백데이터 확보를 위해 금형 설계/제작을 20회 견본으로 실시하는 경우 이미 최종 제품을 얻을 수가 있기에 해석이 의미가 없으며, 사출공정은 단순한 공정 변수 변경으로 짧은 시간에 쉽게 많은 데이터를 얻을수 있지만 금형 설계 및 제작은 막대한 시간/비용을 지출해야 하는 작업이기 때문이다.Though not "design and manufacture of molds", empirical prediction (neural network analysis) has recently been conducted on "injection process" as a method to reduce such economic and time loss (LOSS) There is a limit to becoming. The most important reason is that to build a high-accuracy neural network algorithm requires about 20 back data, usually called learning, which is simply designed and fabricated 20 times for back data acquisition. In this case, the injection process is a simple change of the process variable, so it is easy to obtain a large amount of data in a short time. However, since the mold designing and manufacturing requires a large amount of time and money to be spent.
이와 같은 종래기술의 번거로움을 해결하기 위해 안출된 것으로, 본 발명은 금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치 함수, 신경회로망 분석 알고리즘을 적용시켜 초정밀 플라스틱 금형을 최소의 비용과 시간으로 설계 제작할 수 있도록 지원하는 지능형 초정밀 플라스틱 금형 설계 시스템을 제공하는데, 그 목적이 있다.In order to solve the hassle of the prior art as described above, the present invention applies a finite element analysis, a weight function and a neural network analysis algorithm to the mold design data to design and manufacture an ultra-precision plastic mold at a minimum cost and time To provide an intelligent, ultra-precise plastic mold design system that supports a variety of applications.
본 발명의 실시예에 따른 지능형 초정밀 플라스틱 금형 설계 시스템은, 금형설계데이터에 따른 학습용 백데이터들을 저장하고 있는 저장부(100); 작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하는 입력부(200); 입력부(200)의 지원에 따라 입력된 금형설계데이터에 따른 학습용 백데이터를 저장부(100)로부터 읽어들이고, 금형설계데이터 및 학습용 백데이터를 요소 해석 방식에 따라 1차 예측된 1차 금형설계 데이터를 생성시키고, 해석 예측 결과 값에 가중치 함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 2차 금형설계데이터를 이용하여 금형 제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품의 치수를 입력받아 기준 오차 범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300); 및 제어부(300)의 제어에 응하여 금형설계데이터를 화면상에 출력하는 출력부(400)를 포함할 수 있다.An intelligent ultra precision plastic mold design system according to an embodiment of the present invention includes a
본 발명과 관련된 실시예로서, 가중치 함수는 절대치수와 상대치수에 대한 보정을 의미할 수 있다.As an embodiment related to the present invention, the weight function may mean correction for absolute dimensions and relative dimensions.
본 발명과 관련된 실시예로서, 제어부(300)는, 상기 2차 금형설계데이터를 신경회로망 알고리즘에 적용시켜 신경회로망 예측을 통해 3차 금형설계데이터를 생성시킬 수 있다.As an embodiment related to the present invention, the
본 발명과 관련된 실시예로서, 제어부(300)는, 1차 금형설계데이터를 통해서 경향정보만을 추출하여 분석할 수 있다.As an embodiment related to the present invention, the
본 발명은 금형설계데이터에 대해서 유한요소해석을 비롯하여 가중치 함수, 신경회로망 분석 알고리즘을 적용시켜 초정밀 플라스틱 금형을 최소의 비용과 시간으로 설계 제작할 수 있도록 하는 효과가 있다.The present invention has the effect of enabling to design and manufacture a super precision plastic mold with minimum cost and time by applying a finite element analysis, a weight function and a neural network analysis algorithm to the mold design data.
도 1의 (a) 및 (b)는 일반적인 금형 설계 및 제작을 통하여 제조된 플라스틱 부품을 도시된 도면이다.
도 2는 종래 기술에 따른 금형 설계 및 제작에 의한 플라스틱 부품 제조방법을 설명하기 위한 도면이다.
도 3은 종래 기술에 따른 금형 설계 및 제작 회수를 설명하기 위한 그래프이다.
도 4는 본 발명에 따른 지능형 초정밀 플라스틱 금형 설계 시스템의 구성을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 지능형 초정밀 플라스틱 금형 설계 시스템에 따른 운영방법을 설명하기 위한 동작 흐름도이다.
도 6은 도 5의 1차 금형설계데이터 생성방법을 설명하기 위한 동작 흐름도이다.
도 7은 도 5의 2차 금형설계데이터를 생성하기 위한 가중치를 설명하기 위한 도면이다.
도 8은 도 5의 2차 금형설계데이터를 생성하기 위한 신경망회로를 설명하기 위한 도면이다.
도 9 및 도 10은 0.3㎜ FFC(Flat Flexible Connector) 커넥터 제품에 대하여 본 발명에서 제안에 따라 실시된 최적화 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업과정 후 결과를 도시한 도면이다.
도 11은 본 발명에 따른 금형 설계 및 제작 회수를 설명하기 위한 그래프이다.1 (a) and 1 (b) are diagrams showing plastic parts manufactured through general mold design and manufacture.
2 is a view for explaining a method of manufacturing a plastic part by the design and manufacture of a mold according to the prior art.
FIG. 3 is a graph for explaining the design and production times of the mold according to the prior art.
4 is a diagram for explaining a configuration of an intelligent ultra precision plastic mold designing system according to the present invention.
5 is a flowchart illustrating an operation method according to an intelligent ultra-precision plastic mold designing system according to the present invention.
Fig. 6 is an operational flowchart for explaining the primary die design data generating method of Fig. 5;
FIG. 7 is a view for explaining weight values for generating secondary mold design data of FIG. 5; FIG.
8 is a diagram for explaining a neural network circuit for generating the secondary mold design data of FIG.
FIGS. 9 and 10 illustrate the result of a final correction work after actual manufacturing and measurement of optimized design drawings, molds, and products according to the present invention with respect to a 0.3 mm FFC (Flat Flexible Connector) connector product FIG.
11 is a graph for explaining the mold designing and production times according to the present invention.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It is noted that the technical terms used in the present invention are used only to describe specific embodiments and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be construed in a sense generally understood by a person having ordinary skill in the art to which the present invention belongs, unless otherwise defined in the present invention, Should not be construed to mean, or be interpreted in an excessively reduced sense. In addition, when a technical term used in the present invention is an erroneous technical term that does not accurately express the concept of the present invention, it should be understood that technical terms can be understood by those skilled in the art. In addition, the general terms used in the present invention should be interpreted according to a predefined or prior context, and should not be construed as being excessively reduced.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Furthermore, the singular expressions used in the present invention include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as "comprising" or "comprising" and the like should not be construed as encompassing various elements or various steps of the invention, Or may further include additional components or steps.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings, wherein like reference numerals refer to like or similar elements throughout the several views, and redundant description thereof will be omitted.
도 4는 본 발명에 따른 지능형 초정밀 플라스틱 금형 설계 시스템의 구성을 설명하기 위한 도면이다.4 is a diagram for explaining a configuration of an intelligent ultra precision plastic mold designing system according to the present invention.
도 4에 도시된 바와 같이 지능형 초정밀 플라스틱 금형 설계 시스템은, 금형설계데이터에 따른 학습용 백데이터들을 저장하고 있는 저장부(100)와, 작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하는 입력부(200)와, 입력부(200)의 지원에 따라 입력된 금형설계데이터에 따른 학습용 백데이터를 저장부(100)로부터 읽어들이고, 금형설계데이터 및 학습용 백데이터를 요소 해석 방식에 따라 1차 예측된 1차 금형설계 데이터를 생성시키고, 해석 예측 결과 값에 가중치 함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 2차 금형설계데이터를 이용하여 금형 제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품의 치수를 입력받아 기준 오차 범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300)와, 제어부(300)의 제어에 응하여 금형설계데이터를 화면상에 출력하는 출력부(400)로 이루어진다.4, the intelligent super precision plastic mold designing system includes a
여기서, 가중치 함수는 절대치수와 상대치수에 대한 보정을 의미하는 것으로, 측정기에서 보정과 같은 개념으로 사용되어지는 시스템 정확도를 개선하는 툴이다.Here, the weight function means a correction for the absolute dimension and the relative dimension, and is a tool for improving the accuracy of the system which is used as a concept of correction in the measuring device.
제어부(300)는, 1차 금형설계데이터를 통해서 경향정보만을 추출하여 분석한다.The
제어부(300)는 2차 금형설계데이터를 신경회로망 알고리즘에 적용시켜 신경회로망 예측을 통해 3차 금형설계데이터를 생성한다.The
상기와 같이 구성된 지능형 초정밀 플라스틱 금형 설계 시스템에 따른 운영방법을 설명하면 하기와 같다.An operation method according to the intelligent ultra-precision plastic mold designing system configured as described above will be described below.
도 5는 본 발명에 따른 지능형 초정밀 플라스틱 금형 설계 시스템에 따른 운영방법을 설명하기 위한 동작 흐름도이다. 도 6은 도 5의 1차 금형설계데이터 생성방법을 설명하기 위한 동작 흐름도이다. 도 7은 도 5의 2차 금형설계데이터를 생성하기 위한 가중치를 설명하기 위한 도면이다. 도 8은 도 5의 2차 금형설계데이터를 생성하기 위한 신경망회로를 설명하기 위한 도면이다. 도 9 및 도 10은 0.3㎜ FFC(Flat Flexible Connector) 커넥터 제품에 대하여 본 발명이 적용되어 실시된 최적화 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업과정 후 결과를 도시한 도면이다. 도 11은 본 발명에 따른 금형 설계 및 제작 회수를 설명하기 위한 그래프이다.5 is a flowchart illustrating an operation method according to an intelligent ultra-precision plastic mold designing system according to the present invention. Fig. 6 is an operational flowchart for explaining the primary die design data generating method of Fig. 5; FIG. 7 is a view for explaining weight values for generating secondary mold design data of FIG. 5; FIG. 8 is a diagram for explaining a neural network circuit for generating the secondary mold design data of FIG. FIGS. 9 and 10 are diagrams showing the results after the final correction work process after actually making and measuring an optimized design drawing, a mold, and a product to which the present invention is applied with respect to a 0.3 mm FFC (Flat Flexible Connector) to be. 11 is a graph for explaining the mold designing and production times according to the present invention.
먼저 금형설계 설계자는 금형설계 프로그램을 이용하여 금형설계를 완료하게 되면, 이를 본 발명에 따른 지능형 초정밀 플라스틱 금형 설계 분석툴에 적용시킨다. 본 발명에 따른 입력부(200)는 마우스일 수 있다.First, the mold design designer completes the mold design using the mold design program, and applies the same to the intelligent ultra-precision plastic mold design analysis tool according to the present invention. The
즉, 도 5에 도시된 바와 같이 지능형 초정밀 플라스틱 금형 설계 분석툴을 탑재하고 있는 제어부(300)는 입력부(200)의 지원에 따라 금형설계데이터를 입력받고(S210), 입력된 금형설계데이터에 부응하는 학습용 백데이터가 저장부(100)에 저장되어 있는지를 판단(S220)한다.5, the
S220 판단 결과, 학습용 백데이터가 저장부(100)에 저장되어 있으며 제어부(300)는 입력된 금형설계데이터에 부응하는 학습용 백데이터를 저장부(100)로부터 읽어들인다(S230).As a result of the determination in step S220, the learning bag data is stored in the
그리고 제어부(300)는 금형설계데이터 및 학습용 백데이터를 요소 해석 방식에 따라 1차 예측된 1차 금형설계 데이터를 생성(S240)시킨다. Then, the
이때, 1차 금형설계 데이터 생성방법은 도 6에 도시된 바와 같이 제어부(300)는 열유동 해석을 수행(S310)하고, 옆구배 계산을 통해 냉각 인자를 생성(S320)하고, 재료 배향성 계산을 통해 재료 인자를 생성(S330)하고, 게이트 및 살빼기 계산을 통해 기하학적 인자를 생성(S340)한다. As shown in FIG. 6, the
제어부(300)는 이렇게 복수개의 인자를 생성한 후 열유동 변형을 예측(S350)하고, 구조해석(S360)을 수행하고, 응력 및 변위랑 계산을 통해 역학적 인자를 생성(S360)하고, 기하적 변형 예측 후 가중치해석 및 신경망 해석을 통해 재설계 데이터를 생성시켜 S310 단계인 열유동 해석 단계부터 반복수행한다.The
즉, 제어부(300)는 열 유동 해석 기술에 치수 변위량을 계산할 수 있는 구조해석 알고리즘을 추가로 연계시켜 해석을 함으로서 치수를 예측할 수 있게 된다. 이러한 연계 해석은 금형을 제작해 보지 않고도 성능 변화 추세를 예측해 볼수 있다는 장점이 있다. 이러한 성형해석에 의한 변형 예측값은 1차 해석 이후 그 결과값이 신경망해석과 가중치해석으로 넘어가는데 이 단계의 해석이 필요한 이유는 앞서 시행된 성형해석만으로는 치수 변화 예측 정확도가 5~70%밖에 나오지 않기 때문에 정확도에 문제가 있고, 다중 캐비티 (multi-cavity) 금형 해석의 경우 1~2주일까지 시간이 소요되는 치명적인 단점을 안고 있어 본 발명은 해석에서 수 시간의 예측 계산과 정확률 95%이상을 구현하는 해석기술을 사용한다.In other words, the
그리고 제어부(300)는 해석 예측 결과 값에 가중치 함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성(S250)시킨다. 즉, 제어부(300)는 경향정보에 가중치 함수인 가중치를 곱하여 2차 금형설계데이터를 생성시키며 상세한 과정을 도 7을 참조하여 설명하면 하기와 같다. Then, the
기계역학에서 가중치 함수는 n개의 결과치 x1, x2, ..., xn 치수값에 대하여 각각의 결과에 가중치 w1, w2, ..., wn 을 곱하여 보정을 하는 것을 말한다. 이러한 가중치 함수가 필요한 이유는 수학방적식에 의하여 결과를 계산하는 성형해석의 경우 언뜻 매우 정확한 것처럼 보이나 수학적 모델링을 하는 과정에서 수많은 가정(assumption)이 들어가는 근사적인 방법인데다가 실 설계 및 가공에서 거의 무한대의 인자가 영향을 미치는데 반하여 성형해석은 한정된 수의 인자만을 입력 변수로 하고 있고, 재료 고유 물성치 역시 온도와 압력에 따라 매우 민감하게 변하기 때문이다.In the mechanical dynamics, the weight function is to multiply each result by n weighted values x1, x2, ..., xn by multiplying weights w1, w2, ..., wn. This weighting function is necessary because it is an approximate method that assumes a lot of assumptions in the process of mathematical modeling, but it is almost infinite in the design and processing In contrast to the influence of the factor, the molding analysis uses only a limited number of parameters as input variables, and material specific properties are also very sensitive to temperature and pressure.
통상 이러한 가중치값을 곱하는 과정은 간단한 계산을 통하여 구현이 되나 금형 설계에 적용되려면 (1) xi 값이 기하학적인 의미를 가져야 하며 (예. 금형 모서리 형상) (2) x,y,z 3차원적인 형상을 복합적으로 구현해야 하기에 간단한 문제가 아니며 통상 컴퓨터 해석을 통하여 계산하여 관리를 하며 그 식은 다음 [수학식 6]과 같다.In general, the process of multiplying these weight values is accomplished by a simple calculation, but in order to be applied to the mold design, (1) the value of xi must have a geometrical meaning (eg mold edge shape) It is not a simple matter to implement the shape in a complex way, and it is usually calculated and managed through computer analysis. The formula is as shown in the following Equation (6).
여기서, 가중치 함수는 절대치수와 상대치수에 대한 보정과 같은 개념으로 사용되어지는 시스템 정확도 개선툴이며, 가중치 함수는 제품의 단면이 3차원 형상과 같이 매우 복잡한 경우에는 선형함수, 이차원 다항식등을 이용해서 시행된다. 이렇게 가중치 함수를 활용하여 생성된 해석값이 약 20개 정도 구해지면 이는 신경망 알고리즘의 학습 백데이터로 사용될 수 있고 이를 토대로 향후 예상되어지는 변형도를 빠르게 예측할 수 있게 된다.Here, the weight function is a system accuracy improvement tool that is used as a concept such as correction for absolute dimension and relative dimension, and weight function can be obtained by using a linear function, a two-dimensional polynomial, etc. when the cross- . If about 20 analytic values are obtained by using the weight function, it can be used as the learning back data of the neural network algorithm and it is possible to predict the future deformation quickly.
S250 단계에서 설명한 2차 금형설계데이터를 생성하기 위해서는 도 8에 도시된 바와 같이 가중치 해석과 더불어 신경망 회로를 활용하게 된다. In order to generate the secondary mold design data described in step S250, a neural network circuit is utilized in addition to weight analysis as shown in FIG.
앞서 성형해석의 경우 다중 캐비티 예를 들어 4 캐비티 금형의 실험 계획법의 경우 1~2주의 방대한 해석시간을 요구하고 있으나 본 발명에 적용된 신경해로망 해석의 경우는 상대적으로 매우 빠르게 제조 후 치수값을 정확하게 계산할수 있다는 장점이 있다. 단점으로는 신경회로망이 어느정도의 정확도를 가지려면 약 10회정도의 학습이 필요하다는 것인데 이는 성형해석과 실제 금형 제작을 통하여 학습을 진행하면 해결될 수 있다.In the case of the former molding analysis, in the case of the multi cavity, for example, the experimental design of the 4 cavity mold requires 1 to 2 weeks of extensive analysis time. However, in the case of the neural network analysis applied to the present invention, There is an advantage that it can be calculated. The disadvantage is that the neural network requires about 10 times of learning in order to have some accuracy, which can be solved by learning through molding analysis and actual mold making.
도 8의 도면을 통해 알 수 있는 바와 같이 사용된 신경회로망은 i개의 입력층을 가지며, j개의 은닉층, k개의 최종 출력층으로 구성된다. i, j, k개의 층별 개수는 금형설계에 있어 요구되는 정확도 수준에 따라 결정될 수 있으며 각각의 입력층과 은닉층, 출력층은 연결강도 하기의 [수학식7]을 통해서 연결되는 관계를 가진다.As can be seen from the diagram of FIG. 8, the neural network used has i input layers, j hidden layers, and k final output layers. The number of i, j, and k layers can be determined according to the level of accuracy required in the mold design, and each input layer, hidden layer, and output layer are connected through Equation (7) below.
즉, xi는 입력층 출력, wji는 입력층과 은닉층의 연결강도, f는 sigmoid함수, Hj는 입력층 출력, wkj는 은닉층과 출력층의 연결강도, Qk는 출력층 출력이다. 신경회로망 계산에서 xi는 초기값을 임의로 입력한 후 결과값 Qk를 모니니터링 하면서 원하는 결과값에 수렴하기까지 singmoid함수를 트레이닝하는 방법을 사용한다. 여기서 xi는 초기 해석이나 금형제작후 최초에 발생하는 측정지점 또는 치수를 입력하며 본 발명에서는 10회 이내의 유한 요소법 해석을 통하여 함수를 트레이닝하는 방법을 사용한다. 신경회로망 이론은 70년도에 이미 완성이 되었으나 본 발명을 통해 기존 이론보다 훨신 진보화된 i×j×k = n3 형태의 어떠한 해석 예측이 가능하도록 대용량화 처리 알고리즘을 제공할 수 있게 된다.In this case, xi is the input layer output, w ji is the connection strength between the input layer and the hidden layer, f is the sigmoid function, H j is the input layer output, w kj is the connection strength between the hidden layer and the output layer, and Q k is the output layer output. In the neural network calculation, x i is used to train the singmoid function until the initial value is arbitrarily input and the result value Q k is monitored and converged to the desired result value. Here, x i is a measurement point or dimension that is generated first after initial analysis or mold fabrication. In the present invention, a method of training a function through finite element analysis is used within 10 times. Neural network theory is able to provide a progressive screen hwolsin the i × j × k = n 3 form any capacity prediction analysis processing algorithm to enable the more conventional theory with the present invention, but this has been completed in 70 years.
위에서 설명한 바와 같이 2차 금형설계데이터를 생성한 후 제어부(300)는 도 4에 도시된 바와 같이 2차 금형설계데이터를 이용하여 금형 제작 및 사출성형이 이루어지도록 하며(S260), 사출성형된 제품의 치수를 입력(S270)받아, 제품의 치수가 오차 범위 내에 존재하는지를 판단(S280)하고, 오차범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어한다(S290).After generating the secondary mold design data as described above, the
S220 단계의 판단 결과 저장부(100)에 학습용 백데이터가 저장되어 있지 않으면 제어부(300)는 입력부(200)를 통해 입력된 금형설계데이터만으로 학습용 백데이터를 생성시켜 저장부(100)에 저장되도록 한다(S295).If it is determined in step S220 that learning back data is not stored in the
도 9 및 도 10은 0.3㎜ FFC(Flat Flexible Connector) 커넥터 제품에 대하여 본 발명이 적용되어 실시된 최적화 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업과정 후 결과를 도시한 도면으로서, 도 9는 금형의 최적화 설계를 위하여 커넥터 제품(도 9의 (a)참조)의 하단부 변형값을 최소화를 구현할 수 있는 최적화 설계안 채택을 위하여(도 9의 (b)참조), 하단부 모서리 치수를 설계 인자 xi로 하여 성형해석을 하여 1차 치수값(도 9의 (c)참조)을 구하는 과정을 보여 준다. 또한, 도 10은 본 발명에서 제안된 지능형 금형 설계 과정의 입부로서 가중치해석과 신경회로망 해석을 완료한 이후에 계산된 xi을 보여주고 있다.FIGS. 9 and 10 are diagrams showing the results after the final correction work process after actually making and measuring an optimized design drawing, a mold, and a product to which the present invention is applied with respect to a 0.3 mm FFC (Flat Flexible Connector) 9 (a) and 9 (b)) in order to adopt an optimization design capable of minimizing the lower deformation value of the connector product (see FIG. 9 (a)) for optimizing the design of the mold (See FIG. 9 (c)) by performing the molding analysis with the design factor x i . 10 shows the calculated x i after the completion of the weight analysis and the neural network analysis as an input of the intelligent mold design process proposed in the present invention.
도 11에 도시된 바와 같이 본 발명에 따라 최적화된 상태의 설계도면, 금형, 제품을 실제 제작하여 측정을 한 후 최종 보정 작업(도 7 그래프 상에서 빨간색 점)을 통하여 완성된다. 이경우 총 4회의 금형제작으로 초 정밀 금형 설계 및 제작이 가능하게 된다.As shown in FIG. 11, a design drawing, a mold, and a product in an optimized state according to the present invention are actually manufactured and measured, and then completed through a final correction operation (a red dot on the graph in FIG. 7). In this case, it is possible to design and manufacture super precise molds by making 4 molds in total.
전술한 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the spirit or essential characteristics thereof. Therefore, the embodiments disclosed in the present invention are intended to illustrate rather than limit the scope of the present invention, and the scope of the technical idea of the present invention is not limited by these embodiments. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents should be construed as falling within the scope of the present invention.
100 : 저장부
200 : 입력부
300 : 제어부
400 : 출력부100:
200: Input unit
300:
400: Output section
Claims (4)
작업자의 조작에 응하여 금형설계데이터를 입력하도록 지원하는 입력부(200);
상기 입력부(200)의 지원에 따라 입력된 금형설계데이터에 따른 학습용 백데이터를 상기 저장부(100)로부터 읽어들이고, 상기 금형설계데이터 및 학습용 백데이터를 요소 해석 방식에 따라 1차 예측된 1차 금형설계 데이터를 생성시키고, 해석 예측 결과 값에 가중치 함수를 부여하여 2차 예측된 2차 금형설계데이터를 생성시키고, 상기 2차 금형설계데이터를 이용하여 금형 제작 및 사출성형이 이루어지도록 하며, 사출성형된 제품의 치수를 입력받아 기준 오차 범위 내에 존재하면 2차 금형설계데이터로 제품제작이 이루어지도록 제어하는 제어부(300); 및
상기 제어부(300)의 제어에 응하여 금형설계데이터를 화면상에 출력하는 출력부(400);
를 포함하는 지능형 초정밀 플라스틱 금형 설계 시스템.
A storage unit (100) for storing learning back data according to mold design data;
An input unit 200 for inputting mold design data in response to an operation of an operator;
Reads the back data for learning according to the mold design data input in accordance with the support of the input unit 200 from the storage unit 100 and outputs the mold design data and the back- The mold design data is generated, the secondary predicted secondary mold design data is generated by giving a weighting function to the analytical predicted result value, the mold making and injection molding is performed using the secondary mold design data, A control unit 300 for controlling the manufacture of the product by using the secondary mold design data when the dimension of the molded product is received and is within the reference error range; And
An output unit 400 for outputting mold design data on the screen in response to the control of the controller 300;
The intelligent super precision plastic mold design system.
상기 가중치 함수는 절대치수와 상대치수에 대한 보정을 의미하는 것을 특징으로 하는 지능형 초정밀 플라스틱 금형 설계 시스템.
The method according to claim 1,
Wherein said weight function means correction for absolute dimensions and relative dimensions.
상기 제어부(300)는, 상기 2차 금형설계데이터를 신경회로망 알고리즘에 적용시켜 신경회로망 예측을 통해 3차 금형설계데이터를 생성시키는 것을 특징으로 하는 지능형 초정밀 플라스틱 금형 설계 시스템.
The method according to claim 1,
Wherein the control unit (300) applies the secondary die design data to a neural network algorithm to generate tertiary die design data through neural network prediction.
상기 제어부(300)는, 상기 1차 금형설계데이터를 통해서 경향정보만을 추출하여 분석하는 것을 특징으로 하는 지능형 초정밀 플라스틱 금형 설계 시스템.
The method according to claim 1,
Wherein the control unit (300) extracts and analyzes only the trend information through the primary mold design data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180002744A KR102091815B1 (en) | 2018-01-09 | 2018-01-09 | Intelligent super precision plastic mold design apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180002744A KR102091815B1 (en) | 2018-01-09 | 2018-01-09 | Intelligent super precision plastic mold design apparatus |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190084690A true KR20190084690A (en) | 2019-07-17 |
| KR102091815B1 KR102091815B1 (en) | 2020-03-20 |
Family
ID=67512844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180002744A KR102091815B1 (en) | 2018-01-09 | 2018-01-09 | Intelligent super precision plastic mold design apparatus |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102091815B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102113876B1 (en) * | 2019-12-13 | 2020-05-21 | 이큐엠텍(주) | Method and apparatus for controlling injection mold manufacturing process |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07271848A (en) * | 1994-03-31 | 1995-10-20 | Mazda Motor Corp | Manufacture of die |
| JPH0999472A (en) * | 1995-10-09 | 1997-04-15 | Toray Ind Inc | Product planning support apparatus, planning method and production method |
| JP2005007859A (en) * | 2003-03-31 | 2005-01-13 | Sumitomo Chemical Co Ltd | Mold designing method, mold, method for manufacturing injection-molded product and program |
| KR20050080893A (en) | 2004-02-11 | 2005-08-18 | 주식회사 코리아나화장품 | Cosmetic compostion for preventing skin aging comprising nanoliposome incorporating a combined extract of oriental medicines containing cervus elaphus |
| JP2014160303A (en) * | 2013-02-19 | 2014-09-04 | Toyota Motor Corp | Design man-hours estimation device, method and program |
| JP2017030152A (en) * | 2015-07-28 | 2017-02-09 | ファナック株式会社 | Injection molding system capable of calculating optimum operating conditions, and machine learning apparatus |
-
2018
- 2018-01-09 KR KR1020180002744A patent/KR102091815B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07271848A (en) * | 1994-03-31 | 1995-10-20 | Mazda Motor Corp | Manufacture of die |
| JPH0999472A (en) * | 1995-10-09 | 1997-04-15 | Toray Ind Inc | Product planning support apparatus, planning method and production method |
| JP2005007859A (en) * | 2003-03-31 | 2005-01-13 | Sumitomo Chemical Co Ltd | Mold designing method, mold, method for manufacturing injection-molded product and program |
| KR20050080893A (en) | 2004-02-11 | 2005-08-18 | 주식회사 코리아나화장품 | Cosmetic compostion for preventing skin aging comprising nanoliposome incorporating a combined extract of oriental medicines containing cervus elaphus |
| JP2014160303A (en) * | 2013-02-19 | 2014-09-04 | Toyota Motor Corp | Design man-hours estimation device, method and program |
| JP2017030152A (en) * | 2015-07-28 | 2017-02-09 | ファナック株式会社 | Injection molding system capable of calculating optimum operating conditions, and machine learning apparatus |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102113876B1 (en) * | 2019-12-13 | 2020-05-21 | 이큐엠텍(주) | Method and apparatus for controlling injection mold manufacturing process |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102091815B1 (en) | 2020-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Structural optimization based on CAD–CAE integration and metamodeling techniques | |
| Bahloul et al. | A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms | |
| CN108920873B (en) | Method, system, device and storage medium for optimizing size of mold matrix | |
| Meng et al. | Nonlinear shape-manifold learning approach: concepts, tools and applications | |
| Lee et al. | Shape optimization of the workpiece in the forging process using equivalent static loads | |
| Le Quilliec et al. | A manifold learning-based reduced order model for springback shape characterization and optimization in sheet metal forming | |
| CN102549580B (en) | Computer-implemented method for optimizing an injection molding process for producing thick-walled components | |
| JP4854586B2 (en) | Optical element press molding simulation method and program | |
| Ndip-Agbor et al. | Towards smart manufacturing process selection in Cyber-Physical Systems | |
| Lee et al. | Development of artificial neural network system to recommend process conditions of injection molding for various geometries | |
| JP5241310B2 (en) | Method and apparatus for predicting deformed shape of molded product, program for predicting deformed shape and storage medium thereof | |
| KR20190084690A (en) | Intelligent super precision plastic mold design system | |
| CN111444619B (en) | Online analysis method and equipment for injection mold cooling system | |
| CN113283162A (en) | Plastic optical lens surface shape error prediction method, electronic device and storage medium | |
| CN108629110A (en) | The method that quick obtaining corrects metal powder compression moulding DPC Parameters of constitutive model | |
| Yu et al. | Offline prediction of process windows for robust injection molding | |
| Studer et al. | Numerical shape optimization as an approach to reduce material waste in injection molding | |
| Chen et al. | Multi-objective optimal approach for injection molding based on surrogate model and particle swarm optimization algorithm | |
| Studer et al. | Minimizing part warpage in injection molding by optimizing wall thickness distribution | |
| Sharma et al. | Incorporation of physics-based machining models in real-time decision making via metamodels | |
| EP4025406B1 (en) | Computer implemented method of designing a molding process | |
| Li et al. | Clamping force prediction based on deep spatio-temporal network for machining process of deformable parts | |
| Zhao et al. | Multi-objective optimization of the heating rods layout for rapid electrical heating cycle injection mold | |
| JP5889077B2 (en) | Molded product shrinkage deformation prediction apparatus, molded product shrinkage deformation prediction method, and molded product shrinkage deformation prediction program | |
| KR20230166417A (en) | AI applied precisive mold design equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Publication of correction |