A study on the construction of die-casting production prediction model by machine learning with Taguchi methods

Yung-Tsan Jou, Riana Magdalena Silitonga & Ronald Sukwadi

Received 05 Jan 2022, Accepted 16 Jan 2023, Published online: 30 Apr 2023


Technologies such as machine learning, big data, and Industry 4.0 have become the trends in the development of science and technology in various countries in recent years. This research hopes to establish a predictive model through data analysis to help die-casting plants determine whether there are defects in the castings and improve the production competitiveness of domestic die-casting plants. Data was taken from the domestic automobile industry and used actual production data as the basis for analysis. In this study, relevant parameters of die-casting manufacturing as independent variables were chosen and determined whether there were defects in the castings as strain numbers. Afterward, the researchers constructed Artificial Neural Network, Support Vector Machines, and Random Forests as three prediction models. Three prediction models with the Taguchi Methods are used to find the best parameter configuration of each model. AUC (Area Under Curve)- Receiver Operating-Characteristic (ROC) evaluates the strength and weaknesses of the three models and, in the end, finds the most suitable network prediction model.

머신 러닝, 빅데이터, 인더스트리 4.0과 같은 기술은 최근 여러 국가에서 과학 기술 발전의 트렌드가 되었습니다. 본 연구는 데이터 분석을 통한 예측 모델을 구축하여 다이캐스팅 공장에서 주물의 불량 유무를 판단하고 국내 다이캐스팅 공장의 생산 경쟁력을 향상시키는데 도움이 되기를 희망한다.

데이터는 국내 자동차 산업에서 가져와 실제 생산 데이터를 분석의 근거로 사용했습니다. 본 연구에서는 다이캐스팅 제조 관련 파라미터를 독립 변수로 선택하여 주물의 결함 여부를 변형률로 판단하였다.

이후 연구진은 인공신경망, 서포트 벡터 머신, 랜덤 포레스트를 3가지 예측 모델로 구성했다. Taguchi 방법을 사용하는 세 가지 예측 모델을 사용하여 각 모델의 최상의 매개변수 구성을 찾습니다.

AUC(Area Under Curve)- ROC(Receiver Operating-Characteristic)는 세 가지 모델의 장단점을 평가하여 최종적으로 가장 적합한 네트워크 예측 모델을 찾습니다.