금형 제조에서 전문가 주도 프로젝트 추정 프로세스 지원을 위한 신경망 기반 모델

이 소개 자료는 "[Strojniški vestnik - Journal of Mechanical Engineering]"에 게재된 "[Neural Network-Based Model for Supporting the Expert Driven Project Estimation Process in Mold Manufacturing]" 논문을 기반으로 작성되었습니다.

1. 개요:

• 논문 제목: Neural Network-Based Model for Supporting the Expert Driven Project Estimation Process in Mold Manufacturing
• 저자: Blaž Florjanič, Edvard Govekar, Karl Kuzman
• 발행 연도: 2013
• 학술지/학회: Strojniški vestnik - Journal of Mechanical Engineering
• 키워드: 금형 제작, 제조, 인공 신경망, 추정 프로세스

2. 초록:

성공적인 금형 제조 사업 운영을 위한 핵심 활동 중 하나는 프로젝트 추정입니다. 추정 프로세스는 일반적으로 고도로 숙련된 내부 전문가가 처리하는 초기 프로젝트 활동입니다. 추정 프로세스에 영향을 미치는 가장 중요한 매개변수 중 하나는 금형 생산에 필요한 제조 시간량(VMH)입니다. 이 논문은 인공 신경망(ANN) 모델의 지원을 사용하여 제조 시간량 추정 문제를 해결하고 이를 전문가 주도 프로젝트 추정 프로세스에 통합하는 방법을 제안합니다. ANN 추정치의 히스토그램을 기반으로 VMH의 원치 않는 과소 추정 비율을 추정하고 도입된 안전 계수를 통해 줄일 수 있습니다. 개발된 모델 기반 추정을 통해 전문가는 쉽게 얻을 수 있는 입력 데이터를 사용하여 프로젝트 추정을 개선할 수 있습니다.

3. 서론:

금형 제작 산업은 프로젝트 중심으로 개별 생산 공정의 특성에 대처해야 합니다. 프로젝트 관리에서 주요 위험 원인 중 하나는 프로젝트 비용, 수요 및 기타 영향에 대한 부정확한 예측입니다[1]. 금형 생산 공정에서는 초기 프로젝트 추정 단계에서 불확실성을 최소화하는 것이 중요합니다. 이 추정 단계는 일반적으로 전문가의 편향에 민감한 인간 전문가 주도 활동입니다. 이러한 편향은 추정자가 과신할 경우 프로젝트 자원의 과소 추정으로, 또는 추정자가 프로젝트의 모든 측면을 적절히 다룰 수 있다는 충분한 확신이 없을 경우 프로젝트 자원의 과대 추정으로 이어질 수 있으며, 두 시나리오 모두 미래 사업에 부정적인 영향을 미칩니다. 추정자의 핵심 역량은 프로젝트 추정을 성공적으로 수행하기 위해 모든 중요한 정보를 적절히 수집하고 평가하는 것입니다. 일반적으로 금형 제작 업계에서 모든 제안의 10% 미만이 주문으로 전환되므로 추정 활동에 최소한의 시간을 소비해야 한다는 사실에 모순이 있습니다[2]-[4]. 현재 금형 제조 사업의 추정은 여전히 직관적인 방법에 크게 의존하고 있으며, 이는 주관적이고 신뢰성 및 반복성 문제에 취약합니다.

이 논문은 지원되는 전문가 주도 프로젝트 추정 프로세스의 개발을 통해 이러한 문제를 해결합니다. 제조 시간량(VMH)은 프로젝트 추정에서 가장 중요한 정보 중 하나로, 최종 프로젝트 가격의 대부분을 반영하며 프로젝트 일정을 가장 크게 좌우합니다. 연구 목표는 금형 생산에서 VMH 추정을 개선하기 위해 인공 신경망(ANN) 지원 전문가 주도 프로젝트 추정 프로세스를 개발하는 것입니다. 또한, 이 논문은 기존 전문가 주도 추정 프로세스 내에서 이 지원 모델의 적절한 위치 설정을 다룹니다.

4. 연구 요약:

연구 주제의 배경:

금형 제조에서의 프로젝트 추정은 사업 성공에 필수적인 초기 단계 활동입니다. 이는 종종 경험이 풍부한 내부 전문가에 의해 수행되지만, 시간 제약 하에서의 정확성 요구와 직관적 방법의 내재된 주관성으로 인해 어려움을 겪습니다. 제조 시간량(VMH)은 핵심 비용 동인이자 일정 결정 요인입니다. 부정확한 VMH 추정은 경제적 손실이나 경쟁력 없는 입찰로 이어질 수 있습니다.

선행 연구 현황:

직관적, 유추적, 매개변수적, 분석적 방법을 포함한 다양한 추정 방법이 존재하며, 각 방법은 서로 다른 프로젝트 단계와 데이터 가용성에 적합합니다(Fig. 1). 기존 연구의 대부분은 제품의 기하학적 특성과 가격/비용 간의 연결을 정의하는 모델에 초점을 맞추고 있으며, 종종 시장 영향을 간과합니다[9]-[12]. 일부 접근 방식은 단일 추정 모델을 사용하지만, 이 논문은 하이브리드 접근 방식을 제안합니다. 문헌(Table 1)은 비용 추정에 중점을 두고 있으며, 금형 복잡성 및 비용에 대해 ANN이 탐색되고 있음을 나타냅니다. 이 연구는 전문가 주도 프레임워크 내에서 ANN 모델을 지원 도구로 통합하여 직관적 방법과 데이터 기반 방법의 강점을 결합하는 것을 목표로 합니다.

연구의 목적:

이 연구의 주요 목적은 금형 생산에서 제조 시간량(VMH) 추정을 개선하기 위해 특별히 ANN 지원 전문가 주도 프로젝트 추정 프로세스를 개발하는 것입니다. 부차적인 목표는 전체 전문가 주도 추정 워크플로우 내에서 이러한 지원 모델의 적절한 배치 및 통합을 결정하는 것입니다.

핵심 연구:

연구의 핵심은 VMH 추정을 위한 ANN 기반 모델의 개발 및 검증입니다. 이 모델은 체계적인 전문가 주도 프로젝트 추정 프로세스(Fig. 3)에 통합되어 의사 결정 지원 도구 역할을 하도록 설계되었습니다. 이 프로세스는 입력 데이터 검색(IDR), 개념 설계 및 제품 제조 가능성 검증(CDPMV), 자원 추정 단계(REP) – 여기서 ANN 모델이 VMH 추정 지원을 제공 – 및 경제성 계산 단계(ECP)로 구성됩니다. VMH는 금형의 모든 부품(P) 및 작업(OP)에 대한 총 가공 시간(t_m), 로딩 시간(t_l) 및 언로딩 시간(t_u)의 합으로 정의되며, 식 (1)과 같습니다:
VMH = Σ_P Σ_OP (t_m + t_l + t_u) (1)
이 연구는 ANN의 입력 변수 선택, 아키텍처, 훈련, 검증 및 추정 불확실성을 처리하기 위한 제안된 안전 계수 접근 방식을 자세히 설명합니다.

5. 연구 방법론

연구 설계:

본 연구는 경험적 모델링 접근 방식을 사용했습니다. 제조 시간량(VMH)을 예측하기 위해 인공 신경망(ANN) 모델이 개발되었습니다. 이 모델은 구조화된 전문가 주도 프로젝트 추정 프로세스 내에서 지원 구성 요소로 통합되도록 설계되었습니다. ANN 모델 생성 방법론은 입력 변수 정의, ANN 아키텍처 정의 및 훈련, 모델 검증의 세 가지 주요 단계로 구성되었습니다(Fig. 4).

데이터 수집 및 분석 방법:

ANN 모델용 데이터는 주로 자동차 산업 프로젝트(1+1 캐비티 금형, Fig. 7)에 참여하는 중견 금형 업체로부터 얻은 105개의 샘플로 구성되었습니다. 전문가 의견을 바탕으로 22개의 입력 변수가 선택되었으며, 이는 미세 및 거시 부품 형상 및 품질 요구 사항(MMPGQR), 사출 금형 기술 요구 사항(TRFIM), 금형 설계 원칙/규칙(MDP/R)으로 분류되었습니다(Table 2, Fig. 5).
Levenberg-Marquardt 알고리즘으로 훈련된 다층 순방향 신경망이 사용되었습니다. 제한된 수의 샘플로 인해 다중 교차 검증 절차가 구현되었습니다(105개 샘플을 각각 21개 샘플을 포함하는 5개의 하위 집합으로 나누고, 훈련 및 테스트를 5회 반복). 모델 성능은 상관 계수, 상대 백분율 오차(RPE) 및 평균 절대 백분율 오차(MAPE)를 사용하여 평가되었습니다.
RPE는 다음과 같이 정의됩니다: RPE = (y_i - t_i) / t_i * 100 (2)
여기서 y_i는 ANN 추정값이고 t_i는 목표값입니다.
MAPE는 다음과 같이 정의됩니다: MAPE = (1/N) Σ_i |(y_i - t_i)/t_i| (3)
ANN 구조는 MATLAB 환경에서 구현되었습니다.

연구 주제 및 범위:

본 연구는 다음에 중점을 두었습니다:

• 사출 금형의 제조 시간량(VMH) 추정을 위한 ANN 모델 개발.
• ANN 모델에 적합한 입력 변수(부품 형상, 금형 요구 사항 및 설계 원칙을 포괄하는 22개 변수) 식별 및 선택 (Table 2).
• ANN 아키텍처 정의 및 최적화 (최종: 입력 뉴런 22개, 시그모이드 활성화 함수를 가진 은닉 뉴런 4개, 선형 활성화 함수를 가진 출력 뉴런 1개).
• ANN 모델의 성능 검증 및 추정 불확실성, 특히 과소 추정을 관리하기 위한 실용적인 안전 계수 접근 방식 제안.
  연구 범위는 주로 자동차 산업에서 사용되는 사출 금형, 특히 1+1 캐비티 금형에 국한되었습니다.

6. 주요 결과:

주요 결과:

개발된 ANN 모델은 입력 데이터를 VMH 추정치로 매핑하는 우수한 능력을 보여주었습니다.

• ANN 모델의 출력과 목표 VMH 값 사이에 강한 상관 관계(상관 계수 = 0.92545)가 관찰되었습니다(Fig. 8).
• 5개의 하위 집합을 사용한 교차 검증을 기반으로 한 전체 네트워크의 평균 절대 백분율 오차(MAPE)는 0.133이었습니다(Table 3).
• 전체 네트워크의 상대 백분율 오차(RPE)는 -38.1%(과소 추정)에서 +34.1%(과대 추정) 범위였습니다(Table 3).
• 예측된 VMH 값의 대다수(89.5%)는 RPE가 -25%에서 +25% 범위 내에 있었습니다. 그러나 예측의 4.8%는 RPE가 -25% 미만으로 나타나 이러한 경우 상당한 과소 추정을 보였습니다(Fig. 9, Fig. 10).
• 관찰된 가장 극단적인 과소 추정은 RPE -38.1%였습니다.
• 과소 추정 위험을 해결하기 위해 안전 계수 접근 방식이 제안되었습니다. RPE 히스토그램(Fig. 10)을 기반으로 전체 출력의 20%가 -15% 이하의 RPE를 갖는 것으로 나타났습니다.
• 15% 안전 계수(RPE 히스토그램을 과대 추정 구간으로 인위적으로 이동)를 적용하면 약 20%의 사례가 더 안전한 과소 추정 구간에 속할 것으로 예상됩니다(Fig. 11).
• 더 보수적인 25% 안전 계수가 권장되며, 이 경우 약 4.8%의 사례만이 과소 추정 구간에 속하게 됩니다.
  이 연구는 ANN이 지원하는 체계적인 전문가 주도 프로젝트 추정 프로세스(Fig. 3)를 제공하며, 여기서 ANN 출력은 전문가를 위한 평가 지표 역할을 합니다.

그림 목록:

• Fig. 1. Estimation methods applicable in different stages of the project
• Fig. 2. Expert estimation solution space
• Fig. 3. The systematic, expert driven project estimation process supported by ANN
• Fig. 4. General ANN-based estimation model creation
• Fig. 5. Dominant factors defining ANN inputs
• Fig. 6. ANN initial architecture
• Fig. 7. Example of typical injection mold for automotive industry holding geometry for mirrored parts (left and right side of the vehicle)
• Fig. 8. Scatter plot of network outputs vs. target outputs
• Fig. 9. RPE for each sample
• Fig. 10. RPE sample histogram and cumulative distribution
• Fig. 11. RPE sample histogram and cumulative distribution using 15% safety factor

7. 결론:

본 논문은 금형 제조의 프로젝트 추정 프로세스 내에서 전문가 지원 도구로서 ANN 기반 모델의 구현을 성공적으로 제안합니다. 이 지원되는 프로젝트 추정 프로세스는 전통적인 전문가 주도 직관적 모델과 데이터 기반 모델 사이의 다리 역할을 합니다. 제시된 VMH 추정용 ANN 모델은 관련성, 단순성 및 신뢰성 요구 사항을 충족합니다. ANN의 주요 이점은 복잡한 다변수 관계를 모델링할 수 있다는 것이지만, 다른 한편으로는 모델이 실제 적용에서 무시해서는 안 될 출력 편차를 일부 경우에 보여주었습니다.

안전 계수 접근 방식을 구현함으로써, 원치 않는 프로젝트 과소 추정 확률을 줄이고 수용 가능한 추정 신뢰도를 달성하기 위해 네트워크 출력을 처리하는 방법에 대한 지침이 전문가에게 제공됩니다. 제안된 지원 추정 접근 방식을 적용함으로써 다음과 같은 이점을 기대할 수 있습니다:

• 프로젝트 복잡성 과소 추정 위험 감소.
• 의사 결정 과정에서의 반복성 및 안정성 내재.
• 전문가 추정 신뢰도 향상.
• 상당히 단축된 추정 프로세스.
• 기업이 초기 프로젝트 단계에서 충분한 제조 자원을 예측할 수 있도록 함.
• 추정자의 환경에 특정한 입력 데이터를 조정함으로써 이 모델을 모든 금형 공장에 적용 가능.
• 초보 추정자를 위한 학습 보조 도구로 사용 가능.

이 연구의 주요 한계는 모델 개발에 사용된 샘플 수가 제한적이라는 점입니다. 또한, 제한된 수의 매개변수를 구현함으로써 정보가 더 넓은 관점에서 불완전하다는 가정을 무시할 수 없습니다. 결과적으로 의사 결정 과정에서 전문가는 종종 불완전한 정보에 의존합니다. 이러한 한계를 극복하기 위해 향후 연구 활동에서는 특별히 맞춤화된 전문가 도출 모델의 구현 및 개발을 고려할 것입니다.

8. 참고문헌:

• [1] Flyvbjerg, B. (2006). From Nobel prize to project management: getting risks right. Project Management Journal, vol. 37, no. 3, p. 5-15.
• [2] Fonseca, M., Henriques, E., Ferreira, A., Jorge, J. (2007). Assisting mould quotation though retrieval of similar data. Digital Enterprise Technology, Session 5, p. 527-534, DOI:10.1007/978-0-387-49864-5_62.
• [3] Duverlie, P., Castelain, J.M. (1999). Cost estimation during design step: Parametric method versus case based reasoning method. The International Journal of Advanced Manufacturing Technology, vol. 15, no. 12, p. 895-906, DOI:10.1007/s001700050147.
• [4] Denkena, B., Lorenzen, L.E., Schürmeyer, J. (2009). Rule-based quotation costing of pressure die casting moulds. Production Engineering, vol. 3, no. 1, p. 87-94, DOI:10.1007/s11740-008-0139-8.
• [5] Ficko, M., Drstvenšek, I., Brezočnik, M., Balič, J., Vaupotič, B. (2005). Prediction of total manufacturing costs for stamping tool on the basis of CAD-model of finished product. Journal of Materials Processing technology, vol. 164-165, p. 1327-1335, DOI:10.1016/j.jmatprotec.2005.02.013.
• [6] Farineau, T., Rabenasolo, B., Castelain, J.M., Meyer, Y., Duverlie, P. (2001). Use of parametric models in an economic evaluation step during the design phase. The International Journal of Advanced Manufacturing Technology, vol. 17, no. 2, p. 79-86, DOI:10.1007/s001700170195.
• [7] Rihar, L., Kušar, J., Duhovnik, J., Starbek, M. (2010). Teamwork as a pre-condition for simultaneous product realization. Concurrent Engineering Research and Application, vol. 18, no. 4, p. 261-273, DOI:10.1177/1063293X10389789.
• [8] Kušar, J., Rihar, L., Duhovnik, J., Starbek, M. (2008). Product management of product development, Strojniški vestnik - Journal of Mechanical Engineering, vol. 54, no. 9, p. 588-606.
• [9] Raviwongse, R., Allada, V. (1997). Artificial neural network based model for computation of injection mold complexity. The International Journal of Advanced Manufacturing Technology, vol. 13, no. 8, p. 577-586, DOI:10.1007/BF01176302.
• [10] Fagade, A.A., Kazmer, D.O. (1999). Modelling the effects of complexity on manufacturing costs and time-to-market of plastic injection molded products. Proceedings of the Tenth Annual Conference of Production and Operations Management Society, Charleston.
• [11] Fagade, A.A., Kazmer, D.O. (1999). Effects of complexity on tooling cost and time-to-market of plastic injection molded parts. Proceedings ANTEC, p. 3304-3308.
• [12] Che, Z.H. (2010). PSO-based back-propagation artificial neural network for production and mold cost estimation of plastic injection molding. Computer & Industrial Engineering, vol. 58, no. 4, p. 625-637, DOI:10.1016/j.cie.2010.01.004.
• [13] Wang, H., Zhou, X.H., Rouan, X.Y. (2003). Research on injection mould intelligent cost estimation system and key technologies. The International Journal of Advanced Manufacturing Technology, vol. 21, no. 3, p. 215-222, DOI:10.1007/s001700300024.
• [14] Cavalier, S., Maccarone. P., Pinto, R. (2004). Parametrical vs. neural network models for estimation of product costs: a case study in the automotive industry. International Journal of Production Economics, no. 91, p. 165-177, DOI:10.1016/j.ijpe.2003.08.005.
• [15] Farineau, T., Rabenasolo, B., Castelain, J.M. (2002). Choice of cost-estimation functions based on statistical quality criteria and technical coherence. The International Journal of Advanced Manufacturing Technology, vol. 19, no. 7, p. 544-550, DOI:10.1007/s001700200058.
• [16] Elhag, T.M.S., Boussabine, A.H. (1999). Tender price estimation: Neural networks vs. regression analysis. Proceedings of COBRA RICS Research Foundation, Salford.
• [17] Verlinden, B., Duflou, J.R., Collin, P., Cattrysse, D. (2008). Cost estimation for sheet metal parts using multiple regression and artificial neural networks: A case study. International Journal of Production Economics, vol. 111, no. 2, p. 484-492, DOI:10.1016/j.ijpe.2007.02.004.
• [18] Kim, G.H., An, S.H., Kang, K.I., (2004). Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning. Building and Environment, vol. 39, no. 10, p. 1235-1242, DOI:10.1016/j.buildenv.2004.02.013.
• [19] Chan, S.F., Law, C.K., Chan, Κ.Κ. (2003). Computerised price quoting system for injection mould manufacture. Journal of Materials Processing Technology, vol. 139, no. 1-3, p. 212-218, DOI:10.1016/S0924-0136(03)00222-X.
• [20] Denkena, B., Schürmeyer, J., Böß, V., Kaddour, R. (2011). CAD-based cost calculation of mould cavities. Production Engineering, vol. 5, no. 1, p. 73-79, DOI:10.1007/s11740-010-0277-7.
• [21] Chin, K.S., Wong, T.N. (1996). Developing a knowledge-based injection mold cost estimation system by decision tables. The International Journal of Advanced Manufacturing Technology, vol. 11, no. 5, p. 353-365, DOI:10.1007/BF01845694.
• [22] Fagade, A.A., Kazmer, D.O. (1998). Economic design of injection molded parts using DFM guidelines - a review of two methods for tooling cost estimation. Proceedings ANTEC, Atlanta, p. 869-873.
• [23] Fagade, A.A., Kazmer, D.O. (2000). Early cost estimation for injection molded components. Journal of Injection Molding Technology, vol. 4, no. 3, p. 97-106.
• [24] Nagahanumaiah, Ravi, B., Mukherjee, N.P., (2005). An integrated framework for die and mold cost estimation using design features and tooling parameters. The International Journal of Advanced Manufacturing Technology, vol. 26, no. 9-10, p. 1138-1149, DOI:10.1007/s00170-004-2084-9.
• [25] Navodnik, J., Kopčič, M. (1998). Plastic – moldmaking handbook, 3rd. revised ed. Navodnik-Chemical Engineering, Velenje. (in Slovene).
• [26] Menges, G., Michaeli, W., Mohren, P. (2000). How To Make Injection Molds, 3rd ed., Hanser Gardner Publications, Cincinatti.
• [27] Kazmer, D.O. (2007). Injection Mold Design Engineering, Hanser Gardner Publications, Cincinnati, DOI:10.3139/9783446434196.
• [28] Kušar, J., Duhovnik, J., Tomaževič, R., Starbek, M. (2007). Finding and evaluating customers needs in the product-development process. Strojniški vestnik - Journal of Mechanical Engineering, vol. 53, no. 2, p. 78-104.
• [29] Beale, M.H, Hagan, M.T., Demuth, H.W. (2010). MATLAB, Neural Network Toolbox™ 7, User's Guide, online edition, The MathWorks, Inc., Natic, from: http://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf, accessed at 11-10-25.

9. 저작권:

• 이 자료는 "Blaž Florjanič, Edvard Govekar, Karl Kuzman"의 논문입니다. "[Neural Network-Based Model for Supporting the Expert Driven Project Estimation Process in Mold Manufacturing]" 논문을 기반으로 합니다.
• 논문 출처: https://doi.org/10.5545/sv-jme.2012.747

이 자료는 위 논문을 바탕으로 요약되었으며, 상업적 목적의 무단 사용을 금합니다.
Copyright © 2025 CASTMAN. All rights reserved.