KR20240047309A - Autonomous active learning device and method using integrated data collection system - Google Patents
Autonomous active learning device and method using integrated data collection system Download PDFInfo
- Publication number
- KR20240047309A KR20240047309A KR1020230128291A KR20230128291A KR20240047309A KR 20240047309 A KR20240047309 A KR 20240047309A KR 1020230128291 A KR1020230128291 A KR 1020230128291A KR 20230128291 A KR20230128291 A KR 20230128291A KR 20240047309 A KR20240047309 A KR 20240047309A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- physical property
- composition
- unit
- input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 286
- 238000013480 data collection Methods 0.000 title claims abstract description 41
- 230000000704 physical effect Effects 0.000 claims abstract description 291
- 239000000203 mixture Substances 0.000 claims abstract description 221
- 238000002347 injection Methods 0.000 claims abstract description 49
- 239000007924 injection Substances 0.000 claims abstract description 49
- 238000002474 experimental method Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 claims abstract description 36
- 238000001125 extrusion Methods 0.000 claims abstract description 33
- 239000000463 material Substances 0.000 claims description 90
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 239000008188 pellet Substances 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004886 process control Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- -1 process Substances 0.000 abstract 1
- 239000002994 raw material Substances 0.000 description 33
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000805 composite resin Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06018—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking one-dimensional coding
- G06K19/06028—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking one-dimensional coding using bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Physics & Mathematics (AREA)
- Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
Abstract
본 발명은 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 실험자가 요구하는 물성을 입력받아 상기 입력받은 물성에 대해 조성 및 공정 방법을 추천받아 실제 압출 장치 또는 사출 장치를 통해 자동으로 실험을 진행하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법에 관한 것으로, 실험자의 관여 없이 상기 실험자가 원하는 물성값이 나올 때까지 자율 실험이 가능하며, 실험자가 원하는 물성값이 나올 때까지 실험자의 관여 없이 능동적으로 실험을 수행함으로써, 결과값에 대한 정확도 및 신뢰도를 높일 수 있으며, 본 발명의 일실시예에 따른 자율 능동학습 장치에 의해 실험한 조성, 공정, 물성 결과가 저장부에 저장되며, 저장부에 저장된 데이터에 의해 신규 예측모델이 예측모델생성부에서 생성되어 조성공정추천부가 자동으로 업데이트됨으로써 모델 스스로 자율 능동학습이 가능하다는 효과가 있다.The present invention relates to an autonomous active learning device and method using an integrated automatic data collection system. More specifically, it relates to an autonomous active learning device and method that receives physical properties required by an experimenter, recommends composition and processing methods for the input physical properties, and actual extrusion device. Or, it relates to an autonomous active learning device and method using an integrated system for automatic data collection that automatically conducts experiments through an injection device. Autonomous experiments are possible without the experimenter's involvement until the physical property values desired by the experimenter are obtained. By actively performing experiments without the experimenter's involvement until the desired physical property values are obtained, the accuracy and reliability of the results can be increased, and the composition, process, and composition tested by the autonomous active learning device according to an embodiment of the present invention. The physical property results are stored in the storage unit, and a new prediction model is created in the prediction model generation unit based on the data stored in the storage unit, and the composition process recommendation unit is automatically updated, which has the effect of enabling autonomous active learning of the model itself.
Description
본 발명은 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 실험자가 요구하는 물성을 입력받아 상기 입력받은 물성에 대해 조성 및 공정 방법을 추천받아 실제 압출 장치 또는 사출 장치를 통해 자동으로 실험을 진행하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법에 관한 것이다. 여기서, 물성은 물성치와 물성조건을 포함하는 물성 데이터를 의미하며, 물성조건은 물성측정 조건 또는 이하, 이상, 미만, 초과, 일치 등을 말한다.The present invention relates to an autonomous active learning device and method using an integrated automatic data collection system. More specifically, it relates to an autonomous active learning device and method that receives physical properties required by an experimenter, recommends composition and processing methods for the input physical properties, and actual extrusion device. Alternatively, it relates to an autonomous active learning device and method using an integrated system for automatic data collection that automatically conducts experiments through an injection device. Here, physical properties refer to physical property data including physical property values and physical property conditions, and physical property conditions refer to physical property measurement conditions or below, above, below, exceeding, matching, etc.
복합수지란, 두 종류 이상의 소재를 복합화한 재료를 의미하며, 일반적으로 두 종류 이상의 소재를 복합화한 후, 각 소재가 물리적, 화학적으로 원래의 상을 유지하면서 원래의 소재보다 우수한 성능을 갖도록 하는 것을 의미한다.Composite resin refers to a material that is a composite of two or more types of materials. In general, after two or more types of materials are composited, each material maintains its original phase physically and chemically and has better performance than the original material. it means.
그렇기 때문에, 수많은 소재의 복합화에 의한 복합수지의 물성 예측이나 최적 조성을 제안하는 것, 특히 요구되는 물성(예측하고자 하는 물성)에 대한 최적 조성을 찾기 위해서는, 많은 시간과 노력을 투자하여야 할 뿐 아니라 그럼에도 불구하고 수많은 시행착오로 인해 그 결과에 대한 정확도 또는 신뢰도가 낮은 것이 현실이다.Therefore, predicting the physical properties of composite resin by combining numerous materials or proposing the optimal composition, especially finding the optimal composition for the required physical properties (physical properties to be predicted), not only requires investing a lot of time and effort, but The reality is that the accuracy or reliability of the results is low due to numerous trials and errors.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서 본 발명의 목적은, 실험자가 희망하는 물성 데이터를 입력받으면, 상기 물성 데이터에 해당하는 조성 및 공정 방법을 추천하여 실제 압출 장치 또는 사출 장치를 통해 자동으로 실험을 진행하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법을 제공하는 것이다.The present invention was created to solve the above problems. The purpose of the present invention is to recommend a composition and process method corresponding to the physical property data when an experimenter receives desired physical property data to manufacture an actual extrusion device or injection device. The goal is to provide an autonomous active learning device and method using an integrated system for automatic data collection that automatically conducts experiments.
본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치는 실험자가 희망하는 물성 데이터를 입력 받는 물성입력부와 상기 물성입력부에 입력받은 물성 데이터와 기저장된 물성 데이터를 비교하여 만족 여부를 판단하는 물성판단부와 상기 물성입력부로부터 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터 및 물성 데이터를 예측하는 능동학습부와 상기 능동학습부에서 예측된 조성 데이터와 공정 데이터를 토대로 압출기와 사출기를 활용하여 재료의 펠렛 및 시편을 각각 제조하는 장치자율실험부와 상기 장치자율실험부에서 제조된 재료의 펠렛 및 시편의 물성 데이터를 측정하는 물성측정관리부와 상기 물성측정관리부에서 측정된 물성 데이터, 상기 조성 데이터와 공정 데이터를 저장하는 저장부 및 상기 저장부를 통해 저장된 물성 데이터, 조성 데이터, 공정 데이터를 토대로 신규 예측모델을 자동생성하여 능동학습부로 송신하여 업데이트하는 예측모델생성부를 포함한다.An autonomous active learning device utilizing an integrated automatic data collection system according to an embodiment of the present invention satisfies the problem by comparing the physical property data input to the physical property input unit and the previously stored physical property data through a physical property input unit that receives the physical property data desired by the experimenter. Based on the physical property judgment unit that determines whether or not the physical property data is input from the physical property input unit, the active learning unit predicts the composition data, process data, and physical property data for manufacturing the material corresponding to the physical property data, and the prediction is made by the active learning unit. A device autonomous testing department that manufactures material pellets and specimens using extruders and injection machines based on the composition data and process data, respectively, and a physical property measurement management department that measures the physical property data of the material pellets and specimens manufactured in the device autonomous testing department. and a storage unit for storing the property data, composition data, and process data measured in the property measurement management unit, and a new prediction model is automatically generated based on the property data, composition data, and process data stored through the storage unit, and transmitted to the active learning unit. Includes a prediction model generation unit that updates.
또한, 상기 능동학습부는 상기 물성입력부에서 입력받은 물성 데이터를 토대로 조성 데이터와 공정 데이터를 추천하는 조성공정추천부와 상기 조성공정추천부에서 추천받은 조성 데이터와 압출공정 조건을 토대로 상기 압출기를 제어하는 압출공정제어부 및 상기 조성공정추천부에서 추천받은 사출공정 조건을 토대로 상기 사출기를 제어하는 사출공정제어부를 포함한다.In addition, the active learning unit includes a composition process recommendation unit that recommends composition data and process data based on the physical property data input from the physical property input unit, and a composition process recommendation unit that controls the extruder based on the composition data and extrusion process conditions recommended by the composition process recommendation unit. It includes an extrusion process control unit and an injection process control unit that controls the injection machine based on injection process conditions recommended by the composition process recommendation unit.
또한, 상기 물성판단부는 상기 저장부에 저장된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하면 상기 장치의 동작을 종료하며, 상기 저장부에 저장된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하지 않으면, 상기 물성입력부로부터 입력받은 물성데이터를 상기 능동학습부의 조성공정추천부에 전달하여 실험을 진행하는 것을 특징으로 한다.In addition, the property determination unit terminates the operation of the device when the property data stored in the storage unit and the property data input from the property input unit satisfy each other, and the property data stored in the storage unit and the property data input from the property input unit are satisfied. If are not satisfied with each other, the physical property data input from the physical property input unit is transmitted to the composition process recommendation unit of the active learning unit to conduct an experiment.
또한, 상기 조성공정추천부는 상기 물성입력부에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 조성 데이터와 공정 데이터를 예측하는 조성공정생성부와 상기 조성공정생성부에서 생성된 조성 데이터와 공정 데이터를 토대로 물성 데이터를 예측하는 물성예측부 및 상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터를 비교하는 예측물성비교부를 포함한다.In addition, the composition process recommendation unit includes a composition process generation unit that predicts composition data and process data corresponding to the physical property data based on the physical property data input from the physical property input unit, and composition data and process data generated in the composition process generation unit. It includes a property prediction unit that predicts property data based on the property data, and a predicted property comparison unit that compares the property data predicted by the property prediction unit with the property data input from the property input unit.
또한, 상기 예측물성비교부는 상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하면 상기 조성 데이터와 상기 공정 데이터를 상기 압출공정제어부 및 상기 사출공정제어부에 전달하고, 상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하지 않으면 상기 조성공정생성부에서 조성 데이터와 공정 데이터를 재생성하는 것을 특징으로 한다.In addition, the predicted physical property comparison unit transmits the composition data and the process data to the extrusion process control unit and the injection process control unit when the physical property data predicted by the physical property prediction unit and the physical property data input from the physical property input unit satisfy each other, If the physical property data predicted by the physical property prediction unit and the physical property data input from the physical property input unit do not satisfy each other, the composition process generation unit regenerates the composition data and process data.
또한, 상기 장치자율실험부는 상기 제조된 재료 펠렛 또는 시편의 정보가 담긴 식별코드를 발급하고, 상기 식별코드를 상기 물성측정관리부로 전달하는 식별코드발급기를 더 포함한다.In addition, the device autonomous testing unit further includes an identification code issuer that issues an identification code containing information on the manufactured material pellet or specimen and transmits the identification code to the physical property measurement management unit.
또한, 상기 물성측정관리부는 상기 식별코드발급기에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 물성 데이터를 측정하는 것을 특징으로 한다.In addition, the physical property measurement management unit is characterized in that it measures physical property data for the material pellet or specimen based on the information of the identification code issued by the identification code issuer.
또한, 상기 저장부는 상기 식별코드발급기에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 조성, 물성, 공정 데이터를 조합하여 저장하는 것을 특징으로 한다.In addition, the storage unit is characterized in that the composition, physical properties, and process data for the material pellets or specimens are combined and stored based on the information of the identification code issued by the identification code issuer.
본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법은 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법에 있어서, 실험자로부터 원하는 물성 데이터를 입력받는 데이터 입력단계와 상기 데이터 입력단계에서 입력받은 물성 데이터와 기저장된 물성 데이터 간의 만족 여부를 판단하는 물성판단단계와 상기 데이터 입력단계에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터를 예측하여 추천하는 조성공정예측추천단계와 상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터를 토대로 재료를 제조하는 재료제조단계와 상기 재료제조단계에서 제조된 재료를 토대로 상기 재료의 펠렛 및 시편에 대한 물성을 측정하는 물성측정단계와 상기 조성공정예측추천단계에서 생성한 조성 데이터와 공정 데이터 및 상기 재료제조단계에서 생성한 공정 데이터, 물성측정단계에서 측정된 물성 데이터를 조합하여 저장하는 정보저장단계를 포함한다.An autonomous active learning method using an automatic data collection integrated system according to an embodiment of the present invention includes a data input step of receiving desired physical property data from an experimenter, and the data A physical property judgment step to determine whether the physical property data input in the input step is satisfied with the previously stored physical property data, and composition data and process data for manufacturing a material corresponding to the physical property data based on the physical property data input in the data input step. A composition process prediction and recommendation step that predicts and recommends, a material manufacturing step of manufacturing a material based on the composition data and process data predicted in the composition process prediction recommendation step, and pellets and specimens of the material based on the material manufactured in the material manufacturing step. Information storage that combines and stores the composition data and process data generated in the physical property measurement step and the composition process prediction recommendation step, the process data generated in the material manufacturing step, and the physical property data measured in the physical property measurement step. Includes steps.
또한, 상기 정보저장단계에서 식별코드 정보를 토대로 조합하여 저장된 조성 데이터, 공정 데이터, 물성 데이터를 학습데이터로 변환하여 예측모델을 업데이트하거나 생성하는 예측모델 생성단계를 더 포함하며, 상기 예측모델 생성단계에서 생성된 예측모델을 상기 조성공정예측추천단계에 적용하는 것을 특징으로 한다.In addition, it further includes a prediction model generation step of updating or generating a prediction model by converting the composition data, process data, and physical property data stored by combining them based on the identification code information in the information storage step into learning data, and the prediction model generation step. The prediction model generated in is applied to the composition process prediction recommendation step.
또한, 상기 조성공정예측추천단계는 상기 데이터 입력단계에서 입력받은 물성 데이터에 대한 조성 추천과 공정 추천에 따라 물성을 예측하는 조성공정추천단계와 상기 조성공정추천단계에서 전송받은 추천 조성과 추천 공정에 따라 압출 공정을 제어하는 압출공정 제어단계 및 상기 조성공정추천단계에서 전송받은 추천 조성과 추천 공정에 따라 사출 공정을 제어하는 사출공정 제어단계;를 더 포함한다.In addition, the composition process prediction recommendation step is a composition process recommendation step that predicts physical properties according to the composition recommendation and process recommendation for the physical property data input in the data input step, and the recommended composition and recommended process received in the composition process recommendation step. It further includes an extrusion process control step for controlling the extrusion process and an injection process control step for controlling the injection process according to the recommended composition and recommended process received in the composition process recommendation step.
또한, 상기 재료제조단계는 상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터에 따라 압출 공정을 실행하는 압출공정단계와 상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터에 따라 사출 공정을 실행하는 사출공정단계 및 제조된 재료의 펠렛 및 시편에 대한 정보가 저장된 식별코드를 발급하는 식별코드 발급단계를 더 포함한다.In addition, the material manufacturing step includes an extrusion process step of executing an extrusion process according to the composition data and process data predicted in the composition process prediction recommendation step, and an injection process according to the composition data and process data predicted in the composition process prediction recommendation step. It further includes an injection process step of executing and an identification code issuance step of issuing an identification code storing information on the pellets and specimens of the manufactured material.
또한, 상기 조성공정추천단계는 상기 데이터 입력단계에서 입력받은 물성 데이터를 토대로 상기 물성 데이터를 찾아가기 위한 조성 데이터와 상기 조성 데이터에 대한 공정 조건을 예측하는 조성공정예측단계와 상기 조성공정예측단계에서 예측된 조성 데이터와 공정 조건을 토대로 물성 데이터를 예측하는 물성예측단계와 상기 물성예측단계에서 예측된 물성 데이터와 상기 데이터 입력단계에서 입력받은 물성 데이터를 비교하는 예측물성비교단계를 포함한다.In addition, the composition process recommendation step includes composition data for finding the physical property data based on the physical property data input in the data input step and a composition process prediction step of predicting process conditions for the composition data and the composition process prediction step. It includes a physical property prediction step of predicting physical property data based on the predicted composition data and process conditions, and a predicted physical property comparison step of comparing the physical property data predicted in the physical property prediction step with the physical property data input in the data input step.
또한, 상기 예측물성비교단계는 상기 물성예측단계에서 예측된 물성 데이터와 상기 데이터 입력단계에서 입력 받은 물성 데이터가 만족하면 상기 조성 데이터와 상기 공정 데이터를 추천하며, 상기 물성예측단계에서 측정된 물성 데이터와 상기 데이터 입력단계에서 입력 받은 물성 데이터가 만족되지 않으면 상기 조성공정예측단계로 돌아가는 것을 특징으로 한다.In addition, in the predicted physical property comparison step, if the physical property data predicted in the physical property prediction step and the physical property data input in the data input step are satisfied, the composition data and the process data are recommended, and the physical property data measured in the physical property prediction step are recommended. And if the physical property data input in the data input step is not satisfied, the method returns to the composition process prediction step.
본 발명에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치 및 그 방법은 실험자의 관여 없이 상기 실험자가 원하는 물성값이 나올 때까지 자율 실험이 가능하다는 효과가 있다.The autonomous active learning device and method using the automatic data collection integrated system according to the present invention have the effect of enabling autonomous experimentation until the physical property value desired by the experimenter is obtained without the experimenter's involvement.
또한, 실험자가 원하는 물성값이 나올 때까지 실험자의 관여 없이 능동적으로 실험을 수행함으로써, 결과값에 대한 정확도 및 신뢰도를 높일 수 있는 효과가 있다.In addition, by actively performing the experiment without the experimenter's involvement until the desired physical property value is obtained, there is an effect of increasing the accuracy and reliability of the result value.
또한, 본 발명의 일실시예에 따른 자율 능동학습 장치에 의해 실험한 조성, 공정, 물성 결과가 저장부에 저장되며, 저장부에 저장된 데이터에 의해 신규 예측모델이 예측모델생성부에서 생성되어 조성공정추천부가 자동으로 업데이트됨으로써 모델 스스로 자율 능동학습이 가능하다는 효과가 있다.In addition, the composition, process, and physical property results tested by the autonomous active learning device according to an embodiment of the present invention are stored in the storage unit, and a new prediction model is created in the prediction model generation unit based on the data stored in the storage unit to determine the composition. The process recommendation unit is automatically updated, which has the effect of enabling autonomous active learning on its own by the model.
도 1은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치를 도시화한 블록도
도 2는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치를 구체화한 블록도
도 3은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치의 조성공정추천부를 구체화한 블록도
도 4는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법을 도시화한 순서도
도 5는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 예측모델 생성단계를 구체화한 순서도
도 6은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 재료제조단계를 도시화한 순서도
도 7은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 조성공정예측추천단계를 도시화한 순서도
도 8은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 조성공정추천단계를 도시화한 순서도Figure 1 is a block diagram illustrating an autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 2 is a block diagram specifying an autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 3 is a block diagram specifying the composition process recommendation unit of an autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 4 is a flow chart illustrating an autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 5 is a flow chart specifying the prediction model generation step of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 6 is a flow chart illustrating the material manufacturing steps of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 7 is a flow chart illustrating the composition process prediction recommendation step of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention.
Figure 8 is a flow chart illustrating the composition process recommendation step of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention.
이하, 본 발명의 기술적 사상을 첨부된 도면을 사용하여 더욱 구체적으로 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Hereinafter, the technical idea of the present invention will be described in more detail using the attached drawings. Prior to this, the terms or words used in this specification and claims should not be construed as limited to their usual or dictionary meanings, and the inventor should appropriately define the concept of terms in order to explain his or her invention in the best way. It must be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle of definability.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 변형 예들이 있을 수 있음을 이해하여야 한다.Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention and do not represent the entire technical idea of the present invention, so various modifications may be made to replace them at the time of filing the present application. It should be understood that there may be examples.
이하, 본 발명의 기술적 사상을 첨부된 도면을 사용하여 더욱 구체적으로 설명한다. 첨부된 도면은 본 발명의 기술적 사상을 더욱 구체적으로 설명하기 위하여 도시된 일예에 불과하므로 본 발명의 기술적 사상이 첨부된 도면의 형태에 한정되는 것은 아니다.Hereinafter, the technical idea of the present invention will be described in more detail using the attached drawings. The attached drawings are merely examples to illustrate the technical idea of the present invention in more detail, so the technical idea of the present invention is not limited to the form of the attached drawings.
[1] 본 발명의 일실시예에 따른 데이터 자동수집 통합 시스템을 활용한 자율 능동학습 장치[1] Autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention
도 1은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치를 도시화한 블록도이고, 도 2는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치를 구체화한 블록도이고, 도 3은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치의 조성공정추천부(210)를 구체화한 블록도이다.Figure 1 is a block diagram illustrating an autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention, and Figure 2 is a block diagram showing an autonomous active learning device using an integrated system for automatic data collection according to an embodiment of the present invention. It is a block diagram specifying an active learning device, and Figure 3 is a block diagram specifying the composition
도 1 내지 도 3에 도시된 바와 같이, 실험자가 희망하는 물성 데이터를 입력 받는 물성입력부(100)와 물성입력부(100)에 입력받은 물성 데이터와 기저장된 물성 데이터를 비교하여 만족 여부를 판단하는 물성판단부(700)와 물성입력부(100)로부터 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터 및 물성 데이터를 예측하는 능동학습부(200)와 능동학습부(200)에서 예측된 조성 데이터와 공정 데이터를 토대로 압출기(310)와 사출기(320)를 활용하여 재료의 펠렛 및 시편을 각각 제조하는 장치자율실험부(300)와 장치자율실험부(300)에서 제조된 재료의 펠렛 및 시편의 물성 데이터를 측정하는 물성측정관리부(400)와 물성측정관리부(400)에서 측정된 물성 데이터를 저장하는 저장부(500) 및 저장부(500)를 통해 저장된 물성 데이터, 조성 데이터, 공정 데이터를 토대로 신규 예측모델을 자동생성하여 능동학습부(200)로 송신하여 업데이트하는 예측모델생성부(600)를 포함한다.As shown in Figures 1 to 3, the physical
물성입력부(100)는 실험자가 희망하는 물성 데이터를 입력받는다. 즉, 물성입력부(100)는 실험자가 실험을 통해 얻을 수 있는, 실험자가 희망하는 시료의 물성 데이터를 입력한다.The physical
능동학습부(200)는 물성입력부(100)로부터 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터를 예측한다. 더욱 정확하게는, 실험자가 희망하는 물성 데이터에 해당하는 재료를 제조하기 위해 예측되는 조성 데이터에 해당하는 원료를 추천하고, 상기 원료를 토대로 상기 재료를 제조하기 위한 공정 데이터를 예측하여 추천한다. 여기서, 본 발명에 따른 공정 데이터는 압출 공정에 해당하는 데이터와 사출 공정에 해당하는 데이터로 나눌 수 있다.The
장치자율실험부(300)는 능동학습부(200)에서 예측된 조성 데이터와 공정 데이터를 토대로 압출기(310)와 사출기(320)를 활용하여 재료 펠렛과 시편을 각각 제조한다. 장치자율실험부(300)는 능동학습부(200)에서 예측된 조성 데이터에 해당하는 원료를 능동학습부(200)에서 예측된 공정 데이터를 토대로 장치자율실험부(300)에 포함된 압출기(310) 및 사출기(320)를 활용하여 실험을 진행하여 재료 펠렛과 시편을 각각 제조한다. 여기서, 압출기(310)는 공정 데이터 내 압출 공정에 해당하는 데이터를 활용하여 원료를 공정하며, 압출기(310)를 통해 공정된 원료를 사출기(320)로 보내어 공정 데이터 내 사출 공정에 해당하는 데이터를 활용하여 상기 원료를 공정하여 펠렛과 시편을 제조하며, 제조된 펠렛 및 시편에 대한 정보는 식별코드발급기(330)를 통해 식별코드로 생성된다.The device
물성측정관리부(400)는 장치자율실험부(300)에서 제조된 재료의 펠렛 및 시편에 대한 물성 데이터를 측정한다. 장치자율실험부(300)에 포함된 압출기(310)와 사출기(320)를 활용하여 제조된 재료의 펠렛 및 시편에 대한 물성 데이터를 측정한다.The physical property
저장부(500)는 물성측정관리부(400)에서 측정된 물성 데이터, 상기 조성 데이터와 공정 데이터를 저장한다. 더욱 정확하게는, 물성측정관리부(400)에서 측정된 물성 데이터 뿐 아니라 능동학습부(200)에서 예측된 조성 데이터와 공정 데이터까지 함께 저장한다. 따라서, 물성측정관리부(400)에서 측정된 물성 데이터가 어떠한 조성 데이터와 공정 데이터를 활용하여 생성되었는지를 확인할 수 있다.The
예측모델생성부(600)는 저장부(500)를 통해 저장된 물성 데이터, 조성 데이터, 공정 데이터를 토대로 신규 예측모델을 자동 업데이트하여 능동학습부(200)로 송신한다. 더욱 정확하게는, 실험을 통해 제조된 재료의 펠렛 및 시편에 대한 물성 데이터가 나오기까지 재료의 물성 데이터와 상기 재료를 공정하는 공정 데이터 및 능동학습부(200)에서 추천받아 실험한 조성 데이터를 토대로 새로운 학습 데이터를 구성하여 생성하며, 상기 새로운 학습 데이터를 토대로 생성한 예측모델을 능동학습부(200)로 송신함으로써, 새로운 방법의 예측모델을 능동학습부(200)에 업데이트할 수 있게 된다. 여기서, 상기 학습 데이터 및 예측모델은 예측모델생성부(600)에서 자동으로 생성되게 된다.The
물성판단부(700)는 물성입력부(100)에 입력받은 물성 데이터와 기저장된 물성 데이터를 비교하여 만족 여부를 판단한다. 여기서, 기저장된 물성 데이터는 저장부(500)에 저장되어 있는, 기존에 실험했던 물성 데이터를 의미한다. 따라서, 물성판단부(700)는 저장부(500)에 저장된 물성 데이터를 전송받아 물성입력부(100)에서 입력받은 물성 데이터와 저장부(600)에 저장된 물성 데이터를 비교한다. 즉, 실험자가 희망하는 재료의 물성 데이터와 실제 실험을 통해 얻게 된 재료의 물성 데이터를 비교함으로써, 실험자가 희망하는 물성 데이터와 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 및 공정 데이터가 이미 저장부(500)에 저장되어 있는지를 정확하게 판단할 수 있다.The
또한, 능동학습부(200)는 물성입력부(100)에서 입력받은 물성 데이터를 토대로 조성 데이터와 공정 데이터를 추천하는 조성공정추천부(210)와 조성공정추천부(210)에서 추천받은 조성 데이터와 압출공정 조건을 토대로 압출기(310)를 제어하는 압출공정제어부(220) 및 조성공정추천부(210)에서 추천받은 사출공정 조건을 토대로 사출기(320)를 제어하는 사출공정제어부(230)를 포함한다.In addition, the
조성공정추천부(210)는 물성입력부(100)에서 입력받은 물성 데이터를 토대로 조성 데이터와 공정 데이터를 추천한다. 즉, 실험자가 희망하는 물성 데이터에 해당하는 재료를 제조하기 위한 원료에 해당하는 조성 데이터 및 상기 원료를 공정하기 위한 공정 데이터를 추천한다. 여기서, 본 발명에서 추천하는 상기 조성 데이터 및 공정 데이터는 상기 데이터 자동수집 통합시스템에 포함된 예측모델을 활용하여 예측한다.The composition
압출공정제어부(220)는 조성공정추천부(210)에서 추천받은 조성 데이터와 압출공정 조건을 토대로 압출기(310)를 제어한다. 압출공정제어부(220)는 압출기(310)를 제어하는 제어부로, 조성공정추천부(210)에서 추천받은 조성 데이터에 해당하는 원료를 압출공정하기 위한 공정 데이터를 압출기(310)로 송신한다. 여기서, 공정 데이터는 압출공정 조건에 해당한다.The extrusion
사출공정제어부(230)는 조성공정추천부(210)에서 추천받은 사출공정 조건을 토대로 사출기(320)를 제어한다. 사출공정제어부(230)는 사출기(320)를 제어하는 제어부로, 압출기(310)를 통해 공정된 재료를 사출공정하기 위해 조성공정추천부(210)에서 추천받은 공정 데이터를 토대로 사출기(320)로 공정하는 것이다. 여기서, 공정 데이터는 사출공정 조건에 해당한다.The injection
또한, 물성판단부(700)는 저장부(500)에 저장된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터가 서로 만족하면 상기 장치의 동작을 종료하며, 저장부(500)에 저장된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터가 서로 만족하지 않으면 물성입력부(100)로부터 입력받은 물성데이터를 능동학습부(200)의 조성공정추천부(210)에 전달하여 실험을 진행하는 것을 특징으로 한다. 즉, 기존의 실험을 통해 제작된 재료의 물성 데이터와 실험자가 희망하는 물성 데이터가 만족할 경우 더 이상 실험을 할 필요가 없으므로 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치의 동작을 종료한다. 하지만 기존의 실험을 통해 제작된 재료의 물성 데이터와 실험자가 희망하는 물성 데이터가 서로 만족하지 않을 경우 기존의 실험을 통해 제작된 재료가 실험자가 희망하는 재료가 아니므로 실험을 재진행하며, 이에 따라 상기 실험을 통해 제작된 재료의 물성 데이터를 조성공정추천부(210)의 입력 데이터로 전달하여 상기 재료의 물성 데이터를 토대로 재료를 제조하기 위한 원료에 해당하는 조성 데이터 및 상기 원료를 공정하기 위한 공정 데이터를 재추천하여 실험을 진행한다. 여기서, 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치의 실험은 상기 실험을 통해 제작된 재료의 물성 데이터와 상기 실험자가 희망하는 물성 데이터가 만족할 때까지 반복하여 진행한다.In addition, the
또한, 조성공정추천부(210)는 물성입력부(100)에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 조성 데이터와 공정 데이터를 예측하는 조성공정생성부(211), 조성공정생성부(211)에서 생성된 조성 데이터와 공정 데이터를 토대로 물성 데이터를 예측하는 물성예측부(212) 및 물성예측부(212)에서 예측된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터를 비교하는 예측물성비교부(213)를 포함한다.In addition, the composition
조성공정생성부(211)는 물성입력부(100)에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 조성 데이터와 공정 데이터를 생성한다. 즉, 실험자가 희망하는 물성 데이터를 가진 재료를 제작하기 위한 조성을 구성하는 단일 또는 여러 개의 원료와 그 원료비 데이터 및 공정 조건을 예측한다는 것을 의미한다.The composition process generation unit 211 generates composition data and process data corresponding to the physical property data based on the physical property data input from the physical
물성예측부(212)는 조성공정생성부(211)에서 생성된 조성 데이터와 공정 데이터를 토대로 물성 데이터를 예측한다. 즉, 조성공정생성부(211)에서 추천한 조성 데이터를 토대로 상기 조성의 원료를 공정하는 공정 조건과 상기 원료를 공정하였을 때 생성되는 재료의 물성 데이터는 예측모델을 통해 예측한다는 것을 의미한다. 여기서, 예측모델은 데이터 자동수집 통합 시스템에 포함되며, 원료의 조성과 관련된 데이터, 상기 원료를 공정하기 위한 조건이 포함된 공정 데이터, 재료의 물성 데이터가 저장된 모델이라고 할 수 있다.The physical property prediction unit 212 predicts physical property data based on the composition data and process data generated by the composition process generation unit 211. That is, based on the composition data recommended by the composition process generation unit 211, the process conditions for processing the raw materials of the composition and the material property data generated when the raw materials are processed are predicted through a prediction model. Here, the prediction model is included in an integrated data automatic collection system and can be said to be a model in which data related to the composition of raw materials, process data including conditions for processing the raw materials, and material property data are stored.
예측물성비교부(213)는 물성예측부(212)에서 예측된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터를 비교한다. 즉, 물성예측부(212)에서 상기 예측모델을 통해 예측된 조성의 물성 데이터와 상기 입력받은 물성 데이터를 비교함으로써, 실험자가 희망하는 재료의 물성 데이터를 실험을 통해 제작하기 위한 상기 조성의 원료를 공정하는 공정 데이터를 예측할 수 있다. 이러한 예측물성비교부(213)는 물성예측부(212)에서 예측된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터가 일치하면 상기 조성 데이터와 상기 공정 데이터를 장치자율실험부(300)로 추천하며, 물성예측부(212)에서 예측된 물성 데이터와 물성입력부(100)에서 입력받은 물성 데이터가 일치하지 않으면 조성공정생성부(211)에서 조성 데이터와 공정 데이터를 재생성하는 것을 특징으로 한다. 즉, 상기 예측모델을 통해 예측된 조성 및 공정에 대한 물성 데이터와 상기 입력받은 물성 데이터를 비교하였을 때, 일치한다면 조성공정생성부(211)에서 추천한 조성 데이터와 공정 데이터가 정확하다는 것을 예측할 수 있으므로 상기 조성 데이터 및 공정 데이터를 장치자율실험부(300)로 추천한다. 하지만 상기 예측모델을 통해 예측된 조성의 물성 데이터와 상기 입력받은 물성 데이터를 비교하였을 때, 일치하지 않는다면 조성공정생성부(211)에서 추천한 조성 데이터와 공정 데이터가 정확하지 않다는 것을 의미하므로 조성공정생성부(211)로 돌아가서 조성 데이터와 공정 데이터를 재예측하여 상기 예측모델을 통해 물성 데이터를 재예측한다. 다시 말해, 조성 데이터에 해당하는 원료와 원료에 적합한 공정 데이터를 재예측하여 물성 데이터를 재예측한다는 것을 의미한다.The predicted property comparison unit 213 compares the property data predicted by the property prediction unit 212 with the property data input from the
또한, 장치자율실험부(300)는 상기 제조된 재료 펠렛 또는 시편의 정보가 담긴 식별코드를 발급하고, 상기 식별코드를 상기 물성측정관리부로 전달하는 식별코드발급기(330)를 더 포함한다. 본 발명의 일 실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치는 식별코드발급기(330)에서 실험을 통해 제조한 시편의 정보를 식별코드를 통해 물성측정관리부(400)로 전달할 수 있다. 여기서, 식별코드에 담긴 정보는 원료의 정보, 상기 원료의 정보 및 원료의 조성비가 포함된 조성 데이터, 상기 원료를 공정한 공정 데이터 등을 포함하며, 식별코드는 QR, ID, 바코드 등과 같이 데이터를 식별할 수 있는 모든 방법을 의미한다.In addition, the device
또한, 물성측정관리부(400)는 식별코드발급기(330)에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 물성 데이터를 측정하는 것을 특징으로 한다. 상기 식별코드에는 상기 재료의 정보가 포함되어 있으므로, 상기 재료의 조성 데이터와 공정 데이터 등을 활용하여 재료의 물성 데이터를 측정할 수 있다.In addition, the physical property
또한, 저장부(500)는 식별코드발급기(330)에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 조성, 물성, 공정 데이터를 조합하여 저장하는 것을 특징으로 한다. 따라서, 저장부(500)에 장치자율실험부(300)에서 생성된 재료의 조성, 물성, 공정 데이터를 조합하여 저장함으로써, 실험자는 어떤 원료를 활용하여 어떠한 공정 방법을 거쳐 펠렛 또는 시편이 생성되었는지를 확인할 수 있으며, 실험의 결과에 따른 재료의 물성 데이터를 확인할 수 있다.In addition, the
[2] 본 발명의 일실시예에 따른 데이터 자동수집 통합 시스템을 활용한 자율 능동학습 방법[2] Autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention
도 4는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법을 도시화한 순서도이고, 도 5는 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 예측모델 생성단계(S700)를 구체화한 순서도이고, 도 6은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 재료제조단계(S400)를 도시화한 순서도이고, 도 7은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 조성공정예측추천단계(S300)를 도시화한 순서도이고, 도 8은 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법의 조성공정추천단계(S310)를 도시화한 순서도이다.Figure 4 is a flowchart illustrating an autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention, and Figure 5 is a flow chart illustrating an autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention. It is a flowchart specifying the prediction model creation step (S700) of the learning method, and Figure 6 is a flowchart illustrating the material manufacturing step (S400) of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention. 7 is a flow chart illustrating the composition process prediction recommendation step (S300) of the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention, and FIG. 8 is an embodiment of the present invention. This is a flowchart depicting the composition process recommendation step (S310) of the autonomous active learning method using an integrated system for automatic data collection.
도 4 내지 도 8에 도시된 바와 같이, 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법에 있어서, 실험자로부터 원하는 물성 데이터를 입력받는 데이터 입력단계(S100)와 데이터 입력단계(S100)에서 입력받은 물성 데이터와 기저장된 물성 데이터 간의 만족 여부를 판단하는 물성판단단계(S200)와 데이터 입력단계(S100)에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터를 예측하여 추천하는 조성공정예측추천단계(S300)와 조성공정예측추천단계(S300)에서 예측된 조성 데이터와 공정 데이터를 토대로 재료를 제조하는 재료제조단계(S400)와 재료제조단계(S400)에서 제조된 재료를 토대로 상기 재료의 펠렛 및 시편에 대한 물성을 측정하는 물성측정단계(S500)와 조성공정예측추천단계(S300)에서 생성한 조성 데이터와 공정 데이터 및 재료제조단계(S400)에서 생성한 공정 데이터, 물성측정단계(S500)에서 측정된 물성 데이터를 조합하여 저장하는 정보저장단계(S600)를 포함한다.As shown in Figures 4 to 8, in the autonomous active learning method using an integrated system for automatic data collection, a data input step (S100) of receiving desired physical property data from the experimenter and a data input step (S100) of receiving desired physical property data from the experimenter. Based on the physical property data entered in the physical property judgment step (S200) and the data input step (S100) to determine whether the physical property data is satisfied with the previously stored physical property data, composition data and process data for manufacturing the material corresponding to the physical property data are generated. Manufactured in the material manufacturing step (S400) and material manufacturing step (S400) in which materials are manufactured based on the composition data and process data predicted in the composition process prediction and recommendation step (S300) and the composition process prediction recommendation step (S300), which are predicted and recommended. Composition data and process data generated in the physical property measurement step (S500) and composition process prediction recommendation step (S300) of measuring the physical properties of pellets and specimens of the material based on the prepared material, and the process generated in the material manufacturing step (S400) It includes an information storage step (S600) of combining and storing the physical property data measured in the data and property measurement step (S500).
또한, 정보저장단계(S600)에서 식별코드 정보를 토대로 조합하여 저장된 조성 데이터, 공정 데이터, 물성 데이터를 학습데이터로 변환하여 예측모델을 업데이트하거나 생성하는 예측모델 생성단계(S700)를 더 포함하며, 예측모델 생성단계(S700)에서 생성된 예측모델을 조성공정예측추천단계(S300)에 적용하는 것을 특징으로 한다.In addition, it further includes a prediction model generation step (S700) of updating or generating a prediction model by converting the composition data, process data, and physical property data stored by combining them based on the identification code information in the information storage step (S600) into learning data, It is characterized by applying the prediction model generated in the prediction model generation step (S700) to the composition process prediction recommendation step (S300).
즉, 본 발명의 일실시예에 따른 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법은 실험자를 통해 물성 데이터를 입력받으면 입력받은 물성 데이터와 기저장된 물성 데이터 간의 만족 여부에 따라 실험이 진행된다. 다시 말해, 입력받은 물성 데이터와 기저장된 물성 데이터가 만족하면 실험을 진행하지 않고 시스템을 종료하며, 입력받은 물성 데이터와 기저장된 물성 데이터가 서로 만족하지 않으면 실험이 진행된다는 것을 의미한다. 실험이 진행되면, 상기 물성 데이터를 포함하는 재료를 제작하기 위한 원료의 조성 데이터와 상기 원료를 공정하는 공정 데이터를 예측하여 추천한다. 이후 상기 조성 데이터와 상기 공정 데이터를 토대로 장치자율실험부(300) 내 압출기(310)와 사출기(320)를 활용하여 상기 원료를 공정하여 재료의 펠렛 및 시편을 제조한 후 시편의 물성 데이터를 측정한다. 이후, 상기 조성 데이터와 공정 데이터, 물성 데이터를 저장부(500)에 조합되어 저장이 된다. 그리고 저장부(500)에 저장된 조성 데이터, 공정 데이터, 물성 데이터를 학습 데이터로 변환하여 예측모델생성부(600)에 의해 예측모델을 업데이트하거나 생성하고, 생성된 예측모델은 조성공정예측추천단계(S300)에 적용한다.In other words, in the autonomous active learning method using an integrated system for automatic data collection according to an embodiment of the present invention, when physical property data is input through an experimenter, an experiment is conducted depending on whether the input physical property data is satisfied with the previously stored physical property data. In other words, if the input physical property data and the pre-stored physical property data are satisfied, the system is terminated without proceeding with the experiment. If the input physical property data and the pre-stored physical property data do not satisfy each other, the experiment proceeds. As the experiment progresses, composition data of raw materials for producing materials containing the above physical property data and process data for processing the raw materials are predicted and recommended. Afterwards, based on the composition data and the process data, the raw materials are processed using the
또한, 조성공정예측추천단계(S300)는 데이터 입력단계(S100)에서 입력받은 물성 데이터에 대한 조성 추천과 공정 추천에 따라 물성을 예측하는 조성공정추천단계(S310)와 조성공정추천단계(S310)에서 전송받은 추천 조성과 추천 공정에 따라 압출 공정을 제어하는 압출공정 제어단계(S320) 및 조성공정추천단계(S310)에서 전송받은 추천 조성과 추천 공정에 따라 사출 공정을 제어하는 사출공정 제어단계(S330)를 더 포함한다.In addition, the composition process prediction and recommendation step (S300) includes a composition process recommendation step (S310) that predicts physical properties according to the composition recommendation and process recommendation for the physical property data input in the data input step (S100) and a composition process recommendation step (S310). An extrusion process control step (S320) for controlling the extrusion process according to the recommended composition and recommended process received from and an injection process control step for controlling the injection process according to the recommended composition and recommended process received from the composition process recommendation step (S310) ( S330) is further included.
또한, 재료제조단계(S400)는 조성공정예측추천단계(S300)에서 예측된 조성 데이터와 공정 데이터에 따라 압출 공정을 실행하는 압출공정단계(S410)와 조성공정예측추천단계(S300)에서 예측된 조성 데이터와 공정 데이터에 따라 사출 공정을 실행하는 사출공정단계(S420) 및 제조된 시편의 정보가 저장된 식별코드를 발급하는 식별코드 발급단계(S430)를 더 포함한다.In addition, the material manufacturing step (S400) is an extrusion process step (S410) in which the extrusion process is performed according to the composition data and process data predicted in the composition process prediction recommendation step (S300), and the extrusion process step (S410) is performed according to the composition data predicted in the composition process prediction recommendation step (S300). It further includes an injection process step (S420) of executing the injection process according to composition data and process data, and an identification code issuance step (S430) of issuing an identification code storing information on the manufactured specimen.
또한, 조성공정추천단계(S310)는 데이터 입력단계(S100)에서 입력받은 물성 데이터를 토대로 상기 물성 데이터를 찾아가기 위한 조성 데이터 및 상기 조성 데이터에 대한 공정 조건을 예측하는 조성공정예측단계(S311)와 상기 조성공정예측단계에서 예측된 조성 데이터와 공정 조건을 토대로 물성 데이터를 예측하는 물성예측단계(S312)와 물성예측단계(S312)에서 예측된 물성 데이터와 데이터 입력단계(S100)에서 입력받은 물성 데이터를 비교하는 예측물성비교단계(S313)를 포함한다.In addition, the composition process recommendation step (S310) is a composition process prediction step (S311) that predicts composition data for finding the property data and process conditions for the composition data based on the property data input in the data input step (S100). and the physical property prediction step (S312) of predicting physical property data based on the composition data and process conditions predicted in the composition process prediction step, and the physical property data predicted in the physical property prediction step (S312) and the physical properties input in the data input step (S100). It includes a predicted physical property comparison step (S313) that compares data.
또한, 예측물성비교단계(S313)는 물성예측단계(S312)에서 예측된 물성 데이터와 데이터 입력단계(S100)에서 입력 받은 물성 데이터가 만족하면 상기 조성 데이터와 상기 공정 데이터를 추천하며, 물성예측단계(S312)에서 측정된 물성 데이터와 데이터 입력단계(S100)에서 입력 받은 물성 데이터가 만족되지 않으면 조성공정예측단계(S311)로 돌아가는 것을 특징으로 한다.In addition, the predicted physical property comparison step (S313) recommends the composition data and the process data if the physical property data predicted in the physical property prediction step (S312) and the physical property data input in the data input step (S100) are satisfied. If the physical property data measured in (S312) and the physical property data input in the data input step (S100) are not satisfied, the process returns to the composition process prediction step (S311).
즉, 조성공정예측추천단계(S300)에서는 상기 물성입력부를 통해 입력받은 물성 데이터를 토대로 상기 물성 데이터를 생성하기 위한 조성을 구성하는 단일 또는 여러 개의 원료 및 그 원료비 데이터를 예측하며, 상기 예측된 조성 데이터를 토대로 상기 조성의 원료를 공정하는 공정 조건과 상기 원료를 공정하였을 때 생성되는 재료의 물성 데이터는 예측모델을 통해 예측한다. 그리고 상기 예측모델을 통해 예측된 조성의 물성 데이터와 상기 입력받은 물성 데이터를 비교하여, 상기 예측된 물성 데이터와 상기 입력받은 물성 데이터가 일치할 경우 상기 조성 데이터와 상기 공정 데이터를 추천하여 재료제조단계(S400)로 넘어가고, 상기 조성의 물성 데이터와 상기 입력받은 물성 데이터가 일치하지 않을 경우 조성공정예측단계(S311)로 돌아가 조성을 구성하는 원료 데이터와 그에 따른 공정 데이터를 다시 예측하여 물성 예측을 재진행한다. 여기서, 상기 조성의 예측된 물성 데이터와 상기 입력받은 물성 데이터의 특정 오차율(이 때, 오차율은 입력받은 물성 데이터를 기준으로 함)이 될 때까지 예측을 진행하는 것을 특징으로 한다.That is, in the composition process prediction recommendation step (S300), single or several raw materials constituting the composition for generating the physical property data and their raw material ratio data are predicted based on the physical property data input through the physical property input unit, and the predicted composition data Based on this, the process conditions for processing the raw materials of the above composition and the material property data generated when the raw materials are processed are predicted through a prediction model. And, by comparing the physical property data of the composition predicted through the prediction model with the input physical property data, if the predicted physical property data and the input physical property data match, the composition data and the process data are recommended to the material manufacturing step. Proceed to (S400), and if the physical property data of the composition and the input physical property data do not match, return to the composition process prediction step (S311) and re-predict the physical properties by predicting the raw material data constituting the composition and the corresponding process data again. Proceed. Here, the prediction is performed until a specific error rate is reached between the predicted physical property data of the composition and the input physical property data (at this time, the error rate is based on the input physical property data).
상술한 바와 같이 본 발명의 실시 예에 따르면, 실험자의 관여 없이 상기 실험자가 원하는 물성값이 나올 때까지 자율 실험이 가능하며, 실험자가 원하는 물성값이 나올 때까지 실험자의 관여 없이 능동적으로 실험을 수행함으로써, 결과값에 대한 정확도 및 신뢰도를 높일 수 있으며, 본 발명의 일실시예에 따른 자율 능동학습 장치에 의해 실험한 조성, 공정, 물성 결과가 저장부(500)에 저장되며, 저장부(500)에 저장된 데이터에 의해 신규 예측모델이 예측모델생성부(600)에서 생성되어 조성공정추천부(210)가 자동으로 업데이트됨으로써 모델 스스로 자율 능동학습이 가능하다.As described above, according to the embodiment of the present invention, autonomous experimentation is possible without the involvement of the experimenter until the physical property value desired by the experimenter is obtained, and by actively performing the experiment without the experimenter's involvement until the physical property value desired by the experimenter is obtained, The accuracy and reliability of the results can be increased, and the composition, process, and physical property results tested by the autonomous active learning device according to an embodiment of the present invention are stored in the
100 : 물성입력부
200 : 능동학습부
210 : 조성공정추천부
211 : 조성공정생성부
212 : 물성예측부
213 : 예측물성비교부
220 : 압출공정제어부
230 : 사출공정제어부
300 : 장치자율실험부
310 : 압출기
320 : 사출기
330 : 식별코드발급기
400 : 물성측정관리부
500 : 저장부
600 : 예측모델생성부
700 : 물성판단부
S100 : 데이터 입력단계
S200 : 물성판단단계
S300 : 조성공정예측추천단계
S310 : 조성공정추천단계
S311 : 조성공정예측단계
S312 : 물성예측단계
S313 : 예측물성비교단계
S320 : 압출공정 제어단계
S330 : 사출공정 제어단계
S400 : 재료제조단계
S410 : 압출공정단계
S420 : 사출공정단계
S430 : 식별코드발급단계
S500 : 물성측정단계
S600 : 정보저장단계
S700 : 예측모델 생성단계100: Physical property input unit
200: Active learning department
210: Construction process recommendation department
211: Composition process creation department
212: Physical property prediction unit
213: Predicted property comparison section
220: Extrusion process control unit
230: Injection process control unit
300: Device autonomy experiment department
310: extruder
320: injection machine
330: Identification code issuer
400: Property measurement management department
500: storage unit
600: Prediction model generation unit
700: Property judgment unit
S100: Data input step
S200: Physical property judgment step
S300: Construction process prediction recommendation stage
S310: Composition process recommendation step
S311: Composition process prediction step
S312: Physical property prediction step
S313: Predicted property comparison step
S320: Extrusion process control step
S330: Injection process control step
S400: Material manufacturing stage
S410: Extrusion process step
S420: Injection process step
S430: Identification code issuance step
S500: Physical property measurement step
S600: Information storage step
S700: Prediction model creation step
Claims (14)
상기 물성입력부에 입력받은 물성 데이터와 기저장된 물성 데이터를 비교하여 만족 여부를 판단하는 물성판단부;
상기 물성입력부로부터 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터 및 물성 데이터를 예측하는 능동학습부;
상기 능동학습부에서 예측된 조성 데이터와 공정 데이터를 토대로 압출기와 사출기를 활용하여 재료의 펠렛 및 시편을 각각 제조하는 장치자율실험부;
상기 장치자율실험부에서 제조된 재료의 펠렛 및 시편의 물성 데이터를 측정하는 물성측정관리부;
상기 물성측정관리부에서 측정된 물성 데이터, 상기 조성 데이터와 공정 데이터를 저장하는 저장부; 및
상기 저장부를 통해 저장된 물성 데이터, 조성 데이터, 공정 데이터를 토대로 신규 예측모델을 자동생성하여 능동학습부로 송신하여 업데이트하는 예측모델생성부;를 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
A physical property input unit that receives physical property data desired by the experimenter;
a property determination unit that compares the property data input to the property input unit with previously stored property data to determine whether satisfaction is satisfied;
an active learning unit that predicts composition data, process data, and physical property data for manufacturing a material corresponding to the physical property data based on the physical property data input from the physical property input unit;
A device autonomous experiment unit that manufactures material pellets and specimens using an extruder and an injection machine based on the composition data and process data predicted by the active learning unit;
a physical property measurement management unit that measures physical property data of material pellets and specimens manufactured in the device autonomous testing unit;
a storage unit that stores the physical property data measured by the physical property measurement management unit, the composition data, and the process data; and
A prediction model generation unit that automatically generates a new prediction model based on the physical property data, composition data, and process data stored through the storage unit, transmits it to the active learning unit, and updates it. An autonomous active learning device using an integrated data automatic collection system including a.
상기 능동학습부는
상기 물성입력부에서 입력받은 물성 데이터를 토대로 조성 데이터와 공정 데이터를 추천하는 조성공정추천부;
상기 조성공정추천부에서 추천받은 조성 데이터와 압출공정 조건을 토대로 상기 압출기를 제어하는 압출공정제어부; 및
상기 조성공정추천부에서 추천받은 사출공정 조건을 토대로 상기 사출기를 제어하는 사출공정제어부;를 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 1,
The active learning department
a composition process recommendation unit that recommends composition data and process data based on the physical property data input from the physical property input unit;
an extrusion process control unit that controls the extruder based on composition data and extrusion process conditions recommended by the composition process recommendation unit; and
An injection process control unit that controls the injection machine based on the injection process conditions recommended by the composition process recommendation unit. An autonomous active learning device utilizing an integrated data automatic collection system including a.
상기 물성판단부는
상기 저장부에 기저장된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하면 상기 장치의 동작을 종료하며,
상기 저장부에 기저장된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하지 않으면, 상기 물성입력부로부터 입력받은 물성데이터를 상기 능동학습부의 조성공정추천부에 전달하여 실험을 진행하는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 2,
The physical property judgment unit
When the physical property data pre-stored in the storage unit and the physical property data input from the physical property input unit satisfy each other, the operation of the device is terminated,
If the physical property data pre-stored in the storage unit and the physical property data input from the physical property input unit do not satisfy each other, the physical property data input from the physical property input unit is transmitted to the composition process recommendation unit of the active learning unit to conduct an experiment. An autonomous active learning device that utilizes an integrated system for automatic data collection.
상기 조성공정추천부는
상기 물성입력부에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 조성 데이터와 공정 데이터를 예측하는 조성공정생성부;
상기 조성공정생성부에서 생성된 조성 데이터와 공정 데이터를 토대로 물성 데이터를 예측하는 물성예측부; 및
상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터를 비교하는 예측물성비교부;를 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 2,
The composition process recommendation department
a composition process generation unit that predicts composition data and process data corresponding to the physical property data based on the physical property data input from the physical property input unit;
a physical property prediction unit that predicts physical property data based on the composition data and process data generated in the composition process generation unit; and
A predicted property comparison unit that compares the property data predicted by the property prediction unit with the property data input from the property input unit. An autonomous active learning device utilizing an integrated system for automatic data collection, including a.
상기 예측물성비교부는
상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하면 상기 조성 데이터와 상기 공정 데이터를 상기 압출공정제어부 및 상기 사출공정제어부에 전달하고,
상기 물성예측부에서 예측된 물성 데이터와 상기 물성입력부에서 입력받은 물성 데이터가 서로 만족하지 않으면 상기 조성공정생성부에서 조성 데이터와 공정 데이터를 재생성하는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 4,
The predicted physical property comparison section
If the physical property data predicted by the physical property prediction unit and the physical property data input from the physical property input unit satisfy each other, the composition data and the process data are transmitted to the extrusion process control unit and the injection process control unit,
If the physical property data predicted by the physical property prediction unit and the physical property data input from the physical property input unit do not satisfy each other, the composition process generation unit regenerates the composition data and process data. Active learning device.
상기 장치자율실험부는
상기 제조된 재료의 펠렛 또는 시편에 대한 정보가 담긴 식별코드를 발급하고, 상기 식별코드를 상기 물성측정관리부로 전달하는 식별코드발급기;를 더 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 1,
The device autonomous experiment department
An identification code issuer that issues an identification code containing information on the pellet or specimen of the manufactured material and transmits the identification code to the physical property measurement management unit; an autonomous active learning device utilizing an integrated system for automatic data collection, further comprising: .
상기 물성측정관리부는
상기 식별코드발급기에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 물성 데이터를 측정하는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 6,
The physical property measurement management department
An autonomous active learning device utilizing an integrated data automatic collection system, characterized in that it measures physical property data for a material pellet or specimen based on the information of the identification code issued by the identification code issuer.
상기 저장부는
상기 식별코드발급기에서 발급된 식별코드의 정보를 토대로 재료의 펠렛 또는 시편에 대한 조성, 물성, 공정 데이터를 조합하여 저장하는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 장치.
According to clause 7,
The storage unit
An autonomous active learning device utilizing an integrated automatic data collection system, characterized in that the composition, physical properties, and process data for material pellets or specimens are combined and stored based on the information of the identification code issued by the identification code issuer.
실험자로부터 원하는 물성 데이터를 입력받는 데이터 입력단계;
상기 데이터 입력단계에서 입력받은 물성 데이터와 기저장된 물성 데이터 간의 만족 여부를 판단하는 물성판단단계;
상기 데이터 입력단계에서 입력받은 물성 데이터를 토대로 상기 물성 데이터에 해당하는 재료를 제조하기 위한 조성 데이터와 공정 데이터를 예측하여 추천하는 조성공정예측추천단계;
상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터를 토대로 재료를 제조하는 재료제조단계;
상기 재료제조단계에서 제조된 재료를 토대로 상기 재료의 펠렛 및 시편에 대한 물성을 측정하는 물성측정단계;
상기 조성공정예측추천단계에서 생성한 조성 데이터와 공정 데이터 및 상기 재료제조단계에서 생성한 공정 데이터, 상기 물성측정단계에서 측정된 물성 데이터를 조합하여 저장하는 정보저장단계;를 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.
In an autonomous active learning method using an integrated data automatic collection system,
A data input step of receiving desired physical property data from the experimenter;
A property judgment step of determining whether the property data input in the data input step is satisfied with the previously stored property data;
A composition process prediction recommendation step of predicting and recommending composition data and process data for manufacturing a material corresponding to the physical property data based on the physical property data input in the data input step;
A material manufacturing step of manufacturing a material based on the composition data and process data predicted in the composition process prediction and recommendation step;
A physical property measurement step of measuring the physical properties of pellets and specimens of the material based on the material manufactured in the material manufacturing step;
An information storage step of combining and storing the composition data and process data generated in the composition process prediction and recommendation step, the process data generated in the material manufacturing step, and the physical property data measured in the physical property measurement step; integrating automatic data collection including; Autonomous active learning method using the system.
상기 정보저장단계에서 식별코드 정보를 토대로 조합하여 저장된 조성 데이터, 공정 데이터, 물성 데이터를 학습데이터로 변환하여 예측모델을 자동생성하여 상기 조성공정예측추천단계로 송신하여 업데이트하는 예측모델 생성단계;를 더 포함하며,
상기 예측모델 생성단계에서 생성된 예측모델을 상기 조성공정예측추천단계에 적용하는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.
According to clause 9,
A prediction model generation step of converting the composition data, process data, and physical property data stored by combining them based on the identification code information in the information storage step into learning data to automatically generate a prediction model and transmitting and updating it to the composition process prediction recommendation step; Contains more,
An autonomous active learning method using an automatic data collection integrated system, characterized in that the prediction model generated in the prediction model generation step is applied to the composition process prediction recommendation step.
상기 조성공정예측추천단계는
상기 데이터 입력단계에서 입력받은 물성 데이터에 대한 조성 추천과 공정 추천에 따라 물성을 예측하는 조성공정추천단계;
상기 조성공정추천단계에서 전송받은 추천 조성과 추천 공정에 따라 압출 공정을 제어하는 압출공정 제어단계; 및
상기 조성공정추천단계에서 전송받은 추천 조성과 추천 공정에 따라 사출 공정을 제어하는 사출공정 제어단계;를 더 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.
According to clause 9,
The composition process prediction recommendation step is
A composition process recommendation step of predicting physical properties according to the composition recommendation and process recommendation for the physical property data input in the data input step;
An extrusion process control step of controlling the extrusion process according to the recommended composition and recommended process received in the composition process recommendation step; and
An injection process control step of controlling the injection process according to the recommended composition and recommended process received in the composition process recommendation step. An autonomous active learning method using an integrated system for automatic data collection, further comprising:
상기 재료제조단계는
상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터에 따라 압출 공정을 실행하는 압출공정단계;
상기 조성공정예측추천단계에서 예측된 조성 데이터와 공정 데이터에 따라 사출 공정을 실행하는 사출공정단계; 및
제조된 재료의 펠렛 및 시편의 정보가 저장된 식별코드를 발급하는 식별코드 발급단계;를 더 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.
According to clause 9,
The material manufacturing step is
An extrusion process step of executing an extrusion process according to the composition data and process data predicted in the composition process prediction and recommendation step;
An injection process step of executing an injection process according to the composition data and process data predicted in the composition process prediction and recommendation step; and
An autonomous active learning method using an integrated data automatic collection system further comprising an identification code issuance step of issuing an identification code storing information on the manufactured material pellets and specimens.
상기 조성공정추천단계는
상기 데이터 입력단계에서 입력받은 물성 데이터를 토대로 상기 물성 데이터를 찾아가기 위한 상기 물성 데이터를 찾아가기 위한 조성 데이터와 상기 조성 데이터에 대한 공정 조건을 예측하는 조성공정예측단계;
상기 조성공정예측단계에서 예측된 조성 데이터와 공정 조건을 토대로 물성 데이터를 예측하는 물성예측단계; 및
상기 물성예측단계에서 예측된 물성 데이터와 상기 데이터 입력단계에서 입력받은 물성 데이터를 비교하는 예측물성비교단계;를 포함하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.
According to clause 11,
The composition process recommendation step is
A composition process prediction step of predicting composition data for finding the physical property data and process conditions for the composition data based on the physical property data input in the data input step;
A physical property prediction step of predicting physical property data based on the composition data and process conditions predicted in the composition process prediction step; and
A predicted physical property comparison step of comparing the physical property data predicted in the physical property prediction step with the physical property data input in the data input step. An autonomous active learning method using an integrated system for automatic data collection, including a.
상기 예측물성비교단계는
상기 물성예측단계에서 예측된 물성 데이터와 상기 데이터 입력단계에서 입력 받은 물성 데이터가 만족하면 상기 조성 데이터와 상기 공정 데이터를 추천하며,
상기 물성예측단계에서 측정된 물성 데이터와 상기 데이터 입력단계에서 입력 받은 물성 데이터가 만족되지 않으면 상기 예측물성비교단계로 돌아가는 것을 특징으로 하는 데이터 자동수집 통합시스템을 활용한 자율 능동학습 방법.According to clause 13,
The predicted physical property comparison step is
If the physical property data predicted in the physical property prediction step and the physical property data input in the data input step are satisfied, the composition data and the process data are recommended,
An autonomous active learning method using an integrated system for automatic data collection, characterized in that if the physical property data measured in the physical property prediction step and the physical property data input in the data input step are not satisfied, the method returns to the predicted physical property comparison step.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220126346 | 2022-10-04 | ||
| KR20220126346 | 2022-10-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240047309A true KR20240047309A (en) | 2024-04-12 |
Family
ID=90680048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230128291A KR20240047309A (en) | 2022-10-04 | 2023-09-25 | Autonomous active learning device and method using integrated data collection system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240047309A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101524260B1 (en) | 2007-07-02 | 2015-05-29 | 마그마 기에세레이테크날로지 게엠베하 | Method and apparatus for describing the statistical orientation distribution of particles in a simulation of a mould filling process |
-
2023
- 2023-09-25 KR KR1020230128291A patent/KR20240047309A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101524260B1 (en) | 2007-07-02 | 2015-05-29 | 마그마 기에세레이테크날로지 게엠베하 | Method and apparatus for describing the statistical orientation distribution of particles in a simulation of a mould filling process |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deswal et al. | Modeling and parametric optimization of FDM 3D printing process using hybrid techniques for enhancing dimensional preciseness | |
| Mohamed et al. | Optimization of fused deposition modeling process parameters: a review of current research and future prospects | |
| Ratchev et al. | Force and deflection modelling in milling of low-rigidity complex parts | |
| KR101917006B1 (en) | Semiconductor Manufacturing Yield Prediction System and Method based on Machine Learning | |
| CN106933105B (en) | Track under confined condition updates integrated forecasting Iterative Learning Control Algorithm | |
| CN108237669A (en) | For adjusting the method for molding machine | |
| Hsiao et al. | Flow sensing and control strategies to address race-tracking disturbances in resin transfer molding. Part I: design and algorithm development | |
| CN106874244A (en) | A kind of construction method of the document Auto-generation Model based on work sequence | |
| Aslani et al. | Surface roughness optimization of poly-jet 3D printing using Grey Taguchi method | |
| TW202044095A (en) | Method for generating a composition for paints, varnishes, printing inks, grinding resins, pigment concentrates or other coating materials | |
| CN113348413A (en) | Modular model predictive control for industrial plants | |
| KR20190114323A (en) | Cost tracking and analysis management system and method thereof | |
| CN106682938A (en) | Big-data precision marketing model establishing method and device | |
| KR20240047309A (en) | Autonomous active learning device and method using integrated data collection system | |
| Deb | Data-Driven Prediction Modeling for Part Attributes and Process Monitoring in Additive Manufacturing | |
| Pantelelis | Towards the dynamic optimisation for the cure control of thermoset–matrix composite materials | |
| JP7080199B2 (en) | Production planning support system equipped with work man-hour prediction system and work man-hour prediction system | |
| Tayalati et al. | Application of supervised machine learning methods in injection molding process for initial parameters setting: prediction of the cooling time parameter | |
| CN114986833A (en) | Dynamically regulated injection molding method, system, device and medium | |
| Filippi et al. | The Design Guidelines (DGLs), a knowledge-based system for industrial design developed accordingly to ISO-GPS (Geometrical Product Specifications) concepts | |
| Cunico | 3D printers and additive manufacturing: the rise of the industry 4.0 | |
| Dangayach et al. | Application of Moldflow and Taguchi technique in improving the productivity of injection moulded energy meter base | |
| CN114757407A (en) | Energy consumption optimization big data analysis method and system for LNG receiving station | |
| Alwoimi | Development of a Framework for Design for Additive Manufacturing | |
| De Backer | Multi-axis multi-material fused filament fabrication with continuous fiber reinforcement |