Hybrid forecasting modelling of cost and time entities for planning and optimizing projects in the die-cast aluminium industry

정확도 85% 이상: 데이터 기반 하이브리드 모델로 다이캐스팅 비용 예측을 혁신하다

이 기술 요약은 Muñoz-Ibañez, C. 외 저자들이 2023년 Advances in Production Engineering & Management에 발표한 학술 논문 "Hybrid forecasting modelling of cost and time entities for planning and optimizing projects in the die-cast aluminium industry"를 기반으로 합니다. CASTMAN이 기술 전문가를 위해 분석하고 요약했습니다.

키워드

• 주요 키워드: 다이캐스팅 비용 예측
• 보조 키워드: 알루미늄 다이캐스팅, 프로젝트 계획, 하이브리드 예측 모델, 원가 절감, 공정 최적화

Executive Summary

• 도전 과제: 다이캐스팅 프로젝트의 비용과 시간을 정확하게 추정하는 것은 복잡한 매개변수와 불분명한 간접 비용으로 인해 전통적인 방식으로는 어려웠습니다.
• 해결 방법: 본 연구는 분석적, 파라메트릭, 유추적 방법을 결합한 데이터 기반 하이브리드 예측 모델을 개발하여 원자재, 부품 제조, 금형 제작의 비용과 시간을 개별 '엔티티'로 분해했습니다.
• 핵심 성과: 제안된 하이브리드 모델은 다이캐스팅 공정의 시간과 비용을 85% 이상의 정확도로 예측하는 데 성공했습니다.
• 핵심 결론: 이 모델은 최소한의 정보로 신속하고 정확한 견적을 가능하게 하여, 다이캐스팅 산업에서 경쟁 우위를 확보하고 고객과의 협상을 투명하게 만드는 강력한 도구를 제공합니다.

도전 과제: 이 연구가 HPDC 전문가에게 중요한 이유

다이캐스팅 프로젝트 계획의 성패는 시간과 비용을 얼마나 정확하게 예측하는지에 달려 있습니다. 하지만 기존의 예측 모델들은 수많은 매개변수를 추정해야 하고, 비용과 시간을 증가시키는 불분명한 요인들을 포함해야 하는 어려움이 있었습니다. 특히, 간접 비용과 같이 제품 원가 구조에 명확히 포함시키기 어려운 지원 활동들은 견적의 정확도를 떨어뜨리고, 고객과의 투명한 가격 협상을 방해하며 결과적으로 프로젝트 지연을 초래하는 주요 원인이었습니다. 이러한 정보의 부재는 설계자가 비용 절감을 위해 모델을 어떻게 수정해야 할지 파악하기 어렵게 만들었습니다. 이 연구는 바로 이 문제, 즉 부정확하고 비효율적인 다이캐스팅 프로젝트 계획의 한계를 극복하기 위해 시작되었습니다.

접근 방식: 방법론 분석

본 연구는 복잡한 다이캐스팅 프로젝트를 관리 가능한 단위로 분해하기 위해 '비용 및 시간 엔티티(Cost and Time Entities, CTE)'라는 새로운 개념을 도입했습니다. CTE는 프로젝트의 각 주요 활동에 대한 비용과 시간을 제어하는 기본 단위입니다. 연구진은 이 CTE들을 묶어 '비용 및 시간 엔티티 패턴(Cost and Time Entity Pattern, CTEP)'이라는 매크로 엔티티를 구성했습니다.

이 모델은 세 가지 핵심 CTEP로 구성됩니다. 1. CTEP1 (원자재): 런던금속거래소(LME)의 알루미늄 가격 시계열 데이터를 ARIMA 모델로 분석하여 원자재 비용을 예측합니다. 2. CTEP2 (부품 제조): 25개의 실제 프로젝트 데이터를 기반으로 다이캐스팅, 그라인딩, 드릴링 등 각 제조 공정의 시간과 비용을 부품 무게와 연관시켜 파라메트릭 관계로 모델링합니다. 3. CTEP3 (금형 제작): 금형 가공 시간을 제거될 소재의 무게와 연관시키고, 이를 다시 시간당 가공 비용과 연결하여 금형 제작 비용과 시간을 예측합니다.

이러한 분석적, 파라메트릭, 유추적 방법을 결합한 하이브리드 접근법을 통해 각 프로젝트의 고유한 특성에 맞춰 비용과 시간을 정밀하게 예측할 수 있는 통합 모델을 구축했습니다.

핵심 성과: 주요 발견 및 데이터

이 하이브리드 모델은 실제 프로젝트 데이터에 적용되었을 때 높은 예측 정확도를 보였습니다.

성과 1: 85%를 상회하는 높은 예측 신뢰도 달성

모델의 정확도를 검증한 결과, 프로젝트의 여러 핵심 요소에서 일관되게 높은 신뢰도를 나타냈습니다. 표 3(Table 3)에 따르면, 각 CTEP의 신뢰도는 다음과 같이 측정되었습니다. - 원자재 비용 예측: 95%의 신뢰도를 보여, 변동성이 큰 원자재 가격을 매우 정확하게 예측할 수 있음을 입증했습니다. - 부품 비용 예측: 85%의 신뢰도를 달성하여, 복잡한 제조 공정의 비용을 효과적으로 추정했습니다. - 부품 제조 시간, 금형 비용, 금형 제작 시간 예측: 각각 80%의 신뢰도를 보여, 프로젝트 일정 및 금형 관련 예산 수립에 있어 신뢰할 수 있는 기반을 제공했습니다.

성과 2: CTEP 프레임워크를 통한 구조적 및 유연한 예측

이 연구의 가장 큰 혁신 중 하나는 CTEP 프레임워크를 통해 복잡한 예측 문제를 구조적으로 분해한 것입니다. 원자재(CTEP1), 부품 제조(CTEP2), 금형 제작(CTEP3)으로 나누어 모델링함으로써, 각 요소의 비용 및 시간 동인을 명확히 식별할 수 있었습니다. 예를 들어, 고객이 금형을 직접 제공하는 경우, 모델에서 CTEP3를 제외하고 원자재 및 제조 비용만 계산하면 됩니다. 이러한 모듈식 접근법은 다양한 프로젝트 시나리오에 유연하게 대응할 수 있게 하여 모델의 실용성을 크게 향상시켰습니다.

R&D 및 운영을 위한 실질적 시사점

• 공정 엔지니어: 이 연구는 부품 무게(Xi)와 같은 초기 변수가 제조 시간 및 비용에 미치는 영향을 정량적으로 보여줍니다. 수식 12(Eq. 12)와 같은 모델 방정식을 활용하면, 특정 공정이 전체 프로젝트 시간에 미치는 영향을 사전에 분석하고 효율적인 생산 계획을 수립하는 데 기여할 수 있습니다.
• 프로젝트 관리자: 이 모델은 견적 산출 과정을 데이터 기반의 투명한 프로세스로 전환합니다. 이는 고객과의 신뢰를 구축하고, 가격 협상에 소요되는 시간을 단축하며, 프로젝트의 수익성을 초기에 확보하는 데 결정적인 역할을 합니다.
• 설계 엔지니어: 모델은 부품 무게(Xi)가 제조 비용뿐만 아니라 금형 제작 비용(제거될 무게 Pi를 통해)에도 직접적인 영향을 미친다는 것을 명확히 보여줍니다. 이는 설계 초기 단계에서 무게 절감과 같은 설계 변경이 전체 프로젝트 비용과 일정에 미치는 영향을 즉각적으로 피드백 받아 최적의 설계를 도출하는 데 유용한 통찰을 제공합니다.

논문 상세 정보

Hybrid forecasting modelling of cost and time entities for planning and optimizing projects in the die-cast aluminium industry

1. 개요:

• 제목: Hybrid forecasting modelling of cost and time entities for planning and optimizing projects in the die-cast aluminium industry
• 저자: Muñoz-Ibañez, C.ª, Chairez, I.ª, Jimenez-Martinez, M.b, Molina, A.ª, Alfaro-Ponce, M.a,*
• 발행 연도: 2023
• 학술지/학회: Advances in Production Engineering & Management
• 키워드: Hybrid models; Entity modelling; Project planning; Forecasting models; Aluminium die-casting; Cost factors; Time factors; Optimization

2. 초록:

산업 프로젝트 관리에 사용되는 기술들은 조직이 설정한 목표 달성을 목표로 하는 도구에 기반합니다. 이러한 기술 대부분은 운영 및 예측 모델 개발을 고려합니다. 프로젝트 계획 모델 개발의 어려움은 대규모 매개변수 집합을 추정해야 하고, 비용과 시간을 증가시키는 식별이 어려운 모델 섹션을 포함해야 한다는 점에 있습니다. 본 연구는 다이캐스팅 프로젝트를 구성하는 모든 단계에 대해 일련의 매개변수와 하위 모델을 통해 각 사례의 특수성을 고려하여 예측의 정밀도를 높이는 하이브리드 예측 모델을 개발합니다. 이 모델은 특히 다이캐스팅 산업에서 프로젝트 계획에 영향을 미치는 비용 및 시간 요인을 식별하고, 초기에 주어진 특정 조건이 수정될 때 미래 행동을 예측하고자 합니다. 하이브리드 모델의 매개변수를 추정하기 위해, 원자재 비용 및 공정과 관련된 활동과 같이 이 산업에서 상호 작용하는 여러 공정 요인들이 고려되었습니다. 프로젝트 실행에 상당한 경제적 영향을 미치는 공정들이 선택되었습니다. 이 선택 기준은 다이캐스팅 산업에서 설계 및 제조의 관련 부분을 식별하는 것을 고려했습니다. 알루미늄 비용 및 관련 활동과 같은 공정 요인들은 더 나은 제어를 가능하게 하는 메트릭 집합을 구축하기 위해 비용 및 시간 엔티티로 그룹화될 것입니다. 마지막으로, 제안된 모델은 공정의 시간과 비용 예측에서 85% 이상의 정확도를 달성하는 분석적, 파라메트릭, 유추적 방법에 기반합니다.

3. 서론:

프로젝트 계획은 경영 기법을 포함하는 회사 프로젝트에서 시간과 비용을 개선하는 데 유용합니다. 이러한 접근법은 20세기 중반부터 프로젝트 계획의 결과를 개선할 목적으로 설계되고 개발되었으며, 정성적 모델과 정량적 모델의 개발이 고려되어 왔습니다. 이러한 모델들은 프로젝트에 포함된 프로세스의 운영 비용과 시간을 줄이는 데 기여한 여러 최적화 전략의 실행을 동기 부여했습니다. 프로젝트 계획에서 가치 있는 모델(일반적으로 추정 모델로 알려짐)을 개발하려면 이전 프로젝트에서 실행된 다양한 운영 전략 및 제어 기술의 효과와 결과에 관한 역사적 정보를 분석해야 합니다. 추정 모델이 적용될 수 있는 각 생산 부문의 특정 조건 때문에, 모델은 프로젝트 개발 기술, 원자재, 인력 등을 포함한 다양한 운영, 상업 및 경제 변수에 의존해야 합니다.

4. 연구 요약:

연구 주제의 배경:

다이캐스팅 산업에서 프로젝트의 비용과 시간을 정확하게 예측하는 것은 매우 중요하지만, 전통적인 방법론은 많은 매개변수와 비선형성으로 인해 한계가 있었습니다. 특히 간접비와 같은 요소를 투명하게 반영하기 어려워 견적의 정확도가 떨어지고 고객과의 협상 지연을 유발했습니다.

이전 연구 현황:

기존의 다이캐스팅 관련 예측 모델들은 부품의 기하학적 조건, 공정 중 기공 시뮬레이션, 열 피로 등 특정 기술적 요인에 초점을 맞추는 경향이 있었습니다. 그러나 이러한 모델들은 최종 제품의 경제적 측면이나 납기와 직접적으로 연결되지 않는 경우가 많았습니다. 많은 기업들이 파라메트릭 또는 확률적 비용 추정 방법을 사용하지만, 이는 종종 총 생산 비용과 시간을 근사하여 얻은 합성 데이터에 의존하는 한계가 있었습니다.

연구 목적:

본 연구의 목적은 다이캐스팅 산업의 프로젝트 계획에 영향을 미치는 비용 및 시간 요소를 식별하고, 초기 조건이 변경될 때 이들의 미래 행동을 예측할 수 있는 데이터 기반 하이브리드 모델을 개발하는 것입니다. 이 모델은 견적 과정에서 보조 도구로 사용되어 고객 제품의 비용과 납기를 정확하게 추정하고, 이를 통해 프로젝트 계획을 효과적으로 제어하는 것을 목표로 합니다.

핵심 연구:

본 연구는 프로젝트를 구성하는 활동들을 '비용 및 시간 엔티티(CTE)'와 '비용 및 시간 엔티티 패턴(CTEP)'으로 구조화하는 새로운 프레임워크를 제안합니다. 이 프레임워크 내에서 (1) 원자재 비용, (2) 부품 제조 시간 및 비용, (3) 금형 제작 시간 및 비용을 예측하는 하위 모델들을 개발했습니다. 이 하이브리드 모델은 분석적(ARIMA), 파라메트릭(회귀 분석), 유추적 방법을 결합하여 실제 프로젝트 데이터에 기반한 높은 정확도의 예측을 수행합니다.

5. 연구 방법론

연구 설계:

본 연구는 데이터 기반의 하이브리드 예측 모델을 구축하는 설계 방식을 채택했습니다. 프로젝트를 원자재, 부품 제조, 금형 제조의 세 가지 주요 CTEP로 분해하고, 각 CTEP에 대해 분석적, 파라메트릭, 유추적 방법을 결합하여 하위 모델을 개발했습니다. 이 모델들은 최종적으로 통합되어 총비용과 총 시간을 예측합니다.

데이터 수집 및 분석 방법:

• 원자재 비용(CTEP1): 2016년 1월 1일부터 2019년 5월 25일까지의 런던금속거래소(LME) 알루미늄 가격 데이터를 수집했습니다. 데이터의 정상성을 확인하기 위해 Dickey-Fuller 검정을 수행하고, 시계열 예측을 위해 ARIMA 모델을 적용했습니다.
• 부품 제조(CTEP2): 25개의 실제 다이캐스팅 프로젝트 데이터를 수집했습니다. 각 프로젝트의 공정(다이캐스팅, 그라인딩 등)에 대해 50 사이클의 시간 및 동작 연구를 수행하여 데이터를 수집하고, 이 데이터를 기반으로 부품 무게와 공정 시간/비용 간의 파라메트릭 관계식을 도출했습니다.
• 금형 제작(CTEP3): 4개의 문서화된 금형 제작 프로젝트 데이터를 분석하여, 제거된 소재 무게와 가공 시간 간의 상관관계를 피어슨 상관계수로 분석하고, 이를 기반으로 예측 모델을 수립했습니다.

연구 주제 및 범위:

본 연구는 알루미늄 다이캐스팅 산업의 프로젝트 계획 및 최적화를 위한 비용 및 시간 예측 모델 개발에 초점을 맞춥니다. 연구 범위는 (1) 국제 시장의 알루미늄 가격 변동, (2) 다이캐스팅, 그라인딩, 드릴링 등 생산 공정의 변화, (3) 다이캐스팅 금형 제작 관련 요소를 포함합니다.

6. 주요 결과:

주요 결과:

• 제안된 하이브리드 모델은 다이캐스팅 프로젝트의 비용과 시간을 85% 이상의 정확도로 예측했습니다.
• 원자재 비용 예측 모델은 95%의 신뢰도를, 부품 비용 예측 모델은 85%의 신뢰도를 보였습니다.
• 부품 제조 시간, 금형 비용, 금형 제작 시간 예측 모델은 각각 80%의 신뢰도를 달성했습니다.
• LME 알루미늄 가격 시계열 데이터는 비정상적이며 단위근을 가지므로 ARIMA 모델링에 적합하다는 것이 확인되었습니다.
• 비용 및 시간 엔티티(CTE)와 엔티티 패턴(CTEP)이라는 개념을 통해 복잡한 프로젝트를 구조적이고 유연하게 모델링할 수 있음을 입증했습니다.

그림 이름 목록:

• Fig. 1 Graphic representation of the CTE
• Fig. 2 (a) Aluminium price correlogram for LME, and (b) Dickey-Fuller test

7. 결론:

모델의 신뢰도를 결정하기 위해 수행된 다양한 테스트 결과, 모델이 85% 이상의 정확도를 나타냄을 보여주었습니다. 이 결과는 견적에 필요한 최소한의 정보로 신속한 예측을 가능하게 하여, 비용과 시간을 효율적으로 결정하고 다이캐스팅 산업에 확실성과 경쟁 우위를 제공하는 엔티티 기반 모델의 구축으로 이어집니다. 모델 구조를 분석한 결과, 비용과 시간을 추정하는 데 필요한 정보는 구축된 다양한 엔티티를 통해 도입된다는 점이 확인되었습니다. 이러한 분석은 견적 담당자가 견적 과정에서 필요한 모든 데이터를 빠르고 효율적으로 처리할 수 있도록 돕습니다. 이러한 비용 및 시간 엔티티는 주요 구조에 원자재 비용, 금형의 제조 비용 및 시간, 부품의 제조 비용 및 시간을 포함합니다. 이러한 결정은 다른 구조를 나타내더라도 다양한 프로젝트의 평가를 가능하게 하므로 공정에서 이점이 됩니다. CEP 사용이 제공한 중요한 혁신은 모델의 정확도를 높이고 사용자 상호 작용을 용이하게 했다는 것입니다. 마찬가지로, 모델이 근사치를 기반으로 할 수 있는 견고하고 잘 구조화된 데이터베이스를 생성하기 위해 정보를 수집할 수 있었습니다. 마지막으로, 향후 연구 개발에서는 제안된 모델의 정확도를 높이기 위해 유전 알고리즘이나 인공 지능과 같은 다른 모델링 시스템을 사용하는 것이 가능할 것입니다.

8. 참고 문헌:

• [1] Campero, M., Alarcón, L.F. (2018). Administración de proyectos civiles, Tercera edición, Ediciones UC, Valparaíso, Chile.
• [2] Gido, J., Clements, J., Baker, R. (2003). Administración exitosa de proyectos, Cengage Learning Editores, Santa Fe, México, from https://dspace.scz.ucb.edu.bo/dspace/bitstream/123456789/13442/3/9947.pdf, accessed April 26, 2023.
• [3] Turner, J.R. (2009). Handbook of project-based management: Leading strategic change in organizations, 3rd edition, Mc Graw Hill, New York, USA.
• [4] Wan, J. (2022). Demand prediction and optimization of workshop manufacturing resources allocation: A new method and a case study, Advances in Production Engineering & Management, Vol. 17, No. 4, 413-424, doi: 10.14743/apem2022.4.445.
• [5] Amaya Amaya, J. (2016). Toma de decisiones gerenciales: Métodos cuantitativos para la administración, 2nd edition, Ecoe Ediciones, Bogotá, Colombia, from Link, accessed April 26, 2023.
• [6] Heizer, J.H., Render, B. (2004). Principles of Operations Management, 5th edition, Pearson Educación, Ciudad de México, Mexico, from Link, accessed April 26, 2023.
• [7] Kerzner, H. (2013). Project management: A systems approach to planning, scheduling, and controlling, John Wiley, New York, USA, from Link, accessed April 27, 2023.
• [8] Goodpasture, J.C. (2004). Quantitative methods in project management, J. Ross Publishing, Fort Lauderdale, Florida, USA, from Link, accessed April 27, 2023,.
• [9] Saunders, M., Lewis, P. (2017). Doing research in business and management, 2nd edition, Pearson, Harlow, United Kingdom, from https://research.birmingham.ac.uk/en/publications/doing-research-in-business-and-management, accessed April 27, 2023.
• [10] Kramar, D., Cica, D. (2021). Modeling and optimization of finish diamond turning of spherical surfaces based on response surface methodology and cuckoo search algorithm, Advances in Production Engineering & Management, Vol. 16, No. 3, 326-334, doi: 10.14743/apem2021.3.403.
• [11] Turk, M., Pipan, M., Simic, M., Herakovic, N. (2020). Simulation-based time evaluation of basic manual assembly tasks, Advances in Production Engineering & Management, Vol. 15, No. 3, 331-344, doi: 10.14743/apem2020.3.369.
• [12] Kan, S.H. (2004). Metrics and models in software quality engineering, 2nd edition, Pearson Education, New York USA, from Link, accessed April 27, 2023.
• [13] Bryde, D., Broquetas, M., Volm, J.M. (2013). The project benefits of Building Information Modelling (BIM), International Journal of Project Management, Vol. 31, No. 7, 971-980, doi: 10.1016/J.IJPROMAN.2012.12.001.
• [14] Ofori, G. (2010). Indicators for measuring construction industry development in developing countries, Building Research & Information, Vol. 29, No. 1, 40-50, doi: 10.1080/09613210150208787.
• [15] Ward, Y., Graves, A. (2007). Through-life management: The provision of total customer solutions in the aerospace industry, International Journal of Services, Technology and Management, Vol. 8, No. 6, 455-477, doi: 10.1504/IJSTM.2007.013942.
• [16] Burgess, T.F., McKee, D., Kidd, C. (2005). Configuration management in the aerospace industry: A review of industry practice, International Journal of Operations and Production Management, Vol. 25, No. 3, 290-301, doi: 10.1108/01443570510581880.
• [17] Martínez Sánchez, A., Pérez Pérez, M. (2005), Supply chain flexibility and firm performance: A conceptual model and empirical study in the automotive industry, International Journal of Operations & Production Management, Vol. 25, No. 7, 681-700, doi: 10.1108/01443570510605090.
• [18] Han, X., Zhao, P.X., Kong, D.X. (2022). A bi-objective optimization of airport ferry vehicle scheduling based on heuristic algorithm: A real data case study, Advances in Production Engineering & Management, Vol. 17, No. 2, 183-192, doi: 10.14743/apem2022.2.429.
• [19] Vukelic, D., Simunovic, K., Kanovic, Z., Saric, T., Doroslovacki, K., Prica, M., Simunovic, G. (2022). Modelling surface roughness in finish turning as a function of cutting tool geometry using the response surface method, Gaussian process regression and decision tree regression, Advances in Production Engineering & Management, Vol. 17, No. 3, 367-380, doi: 10.14743/apem2022.3.442.
• [20] Blair, M., Hartong, A. (2012). Multidisciplinary design tools for affordability, In: Proceedings of 41st Structures, Structural Dynamics, and Materials Conference and Exhibit, Atlanta, USA, 350-360, doi: 10.2514/6.2000-1378.
• [21] Qian, L., Ben-Arieh, D. (2008). Parametric cost estimation based on activity-based costing: A case study for design and development of rotational parts, International Journal of Production Economics, Vol. 113, No. 2, 805-818, doi: 10.1016/J.IJPE.2007.08.010.
• [22] Wang, H.S., Wang, Y.N., Wang, Y.C. (2013). Cost estimation of plastic injection molding parts through integration of PSO and BP neural network, Expert Systems with Applications, Vol. 40, No. 2, 418-428, doi: 10.1016/J.ESWA.2012.01.166.
• [23] 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, 484-492, doi: 10.1016/J.IJPE.2007.02.004.
• [24] Lallemand, H. (1999). Méthodes de chiffrage et indicateurs de la fonction devis, Travail et méthodes, No. 545, 35-44.
• [25] Madan, J., Rao, P.V.M., Kundra, T.K. (2007). System for early cost estimation of die-cast parts, International Journal of Production Research, Vol. 45, No. 20, 4823-4847, doi: 10.1080/00207540600789016.
• [26] Sung, B.S., Kim, I.S. (2008). The molding analysis of automobile parts using the die-casting system, Journal of Materials Processing Technology, Vol. 201, No. 1-3, 635-639, doi: 10.1016/J.JMATPROTEC.2007.11.185.
• [27] Srivastava, A., Joshi, V., Shivpuri, R. (2004). Computer modeling and prediction of thermal fatigue cracking in die-casting tooling, Wear, Vol. 256, No. 1-2, 38-43, doi: 10.1016/S0043-1648(03)00281-3.
• [28] Tsoukalas, V.D. (2008). Optimization of porosity formation in AlSi9Cu3 pressure die castings using genetic algorithm analysis, Materials & Design, Vol. 29, No. 10, 2027-2033, doi: 10.1016/J.MATDES.2008.04.016.
• [29] Kim, D.-H., Kim, H.-G., Kim, H.-S. (2015). Design optimization and manufacture of hybrid glass/carbon fiber reinforced composite bumper beam for automobile vehicle, Composite Structures, Vol. 131, 742-752, doi: 10.1016/J.COPSTRUCT.2015.06.028.
• [30] Singh, R., Sahay, A., Karry, K.M., Muzzio, F., Ierapetritou, M., Ramachandran, R. (2014). Implementation of an advanced hybrid MPC-PID control system using PAT tools into a direct compaction continuous pharmaceutical tablet manufacturing pilot plant, International Journal of Pharmaceutics, Vol. 473, No. 1-2, 38-54, doi: 10.1016/J.IJPHARM.2014.06.045.
• [31] Liou, F., Slattery, K., Kinsella, M., Newkirk, J., Chou, H., Landers, R. (2007). Applications of a hybrid manufacturing process for fabrication of metallic structures, Rapid Prototyping Journal, Vol. 13, No. 4, 236-244, doi: 10.1108/13552540710776188.
• [32] Rojek, I., Jagodziński, M. (2012). Hybrid artificial intelligence system in constraint based scheduling of integrated manufacturing ERP systems, In: Corchado, E., Snášel, V., Abraham, A., Woźniak, M., Graña, M., Cho, S.B. (eds.), In: Hybrid artificial intelligent systems, HAIS 2012, Lecture notes in computer science, Vol. 7209, Springer, Berlin, Germany, 229-240, doi: 10.1007/978-3-642-28931-6 22.
• [33] Liu, N., Zhang, Y.F., Lu, W.F. (2015). A hybrid approach to energy consumption modelling based on cutting power: A milling case, Journal of Cleaner Production, Vol. 104, 264-272, doi: 10.1016/J.JCLEPRO.2015.05.049.
• [34] Hao, Q., Shen, W. (2008). Implementing a hybrid simulation model for a Kanban-based material handling system, Robotics and Computer-Integrated Manufacturing, Vol. 24, No. 5, 635-646, doi: 10.1016/J.RCIM.2007.09.012.
• [35] Langmaak, S., Wiseall, S., Bru, C., Adkins, R., Scanlan, J., Sóbester, A. (2013). An activity-based-parametric hybrid cost model to estimate the unit cost of a novel gas turbine component, International Journal of Production Economics, Vol. 142, No. 1, 74-88, doi: 10.1016/J.IJPE.2012.09.020.
• [36] Zhu, Z., Dhokia, V.G., Nassehi, A., Newman, S.T. (2013). A review of hybrid manufacturing processes - state of the art and future perspectives, International Journal of Computer Integrated Manufacturing, Vol. 26, No. 7, 596-615, doi: 10.1080/0951192X.2012.749530.
• [37] Shehab, E.M., Abdalla, H.S. (2001). Manufacturing cost modelling for concurrent product development, Robotics and Computer-Integrated Manufacturing, Vol. 17, No. 4, 341-353, doi: 10.1016/S0736-5845(01)00009-6.
• [38] Shooter, S.B., Simpson, T.W., Kumara, S.R.T., Stone, R.B., Terpenny, J.P. (2005). Toward a multi-agent information management infrastructure for product family planning and mass customisation, International Journal of Mass Customisation, Vol. 1, No. 1, 134-155, doi: 10.1504/IJMASSC.2005.007354.
• [39] Montgomery, D.C., Jennings, C.L., Kulahci, M. (2008). Introduction to time series analysis and forecasting, 2nd edition, Jonh Wiley & Sons, Hoboken, New Jersey, USA, doi: 10.1111/jtsa.12203.
• [40] Rosato, D.V., Rosato, D.V., Rosato, M.G. (2012). Injection molding handbook, 3rd edition, Kluwer Academic Publishers, Norwell, Massachusetts, USA, doi: 10.1007/978-1-4615-4597-2.

전문가 Q&A: 주요 질문에 대한 답변

Q1: 단일 방법론이 아닌 하이브리드 모델을 선택한 이유는 무엇입니까? A1: 논문에 따르면 하이브리드 모델은 유연성이 뛰어나고 예측 대상의 특성에 가장 적합한 모델을 선택할 수 있는 장점이 있습니다. 다이캐스팅 프로젝트는 원자재 가격 변동, 다양한 제조 공정, 복잡한 금형 제작 등 여러 이질적인 요소를 포함하므로, 각 요소에 최적화된 분석적, 파라메트릭, 유추적 방법을 결합한 하이브리드 접근법이 더 높은 정밀도를 달성하는 데 적합했습니다.

Q2: 모델은 변동성이 큰 알루미늄 가격을 어떻게 처리합니까? A2: 모델은 원자재 비용(CTEP1)을 예측하기 위해 런던금속거래소(LME)의 과거 시계열 데이터를 사용합니다. Dickey-Fuller 테스트를 통해 이 데이터가 비정상적(non-stationary)임을 확인하고, 이러한 시계열 데이터 예측에 적합한 ARIMA(자기회귀누적이동평균) 모델을 적용하여 미래의 원자재 비용을 예측합니다. 이를 통해 시장 변동성을 모델에 효과적으로 반영합니다.

Q3: '비용 및 시간 엔티티(CTE)'라는 개념의 중요성은 무엇입니까? A3: CTE는 복잡한 다이캐스팅 프로젝트를 동질적이고 상호 의존적인 자원 소비 단위로 분해하는 핵심 개념입니다. 이를 통해 각 활동(예: 그라인딩, 드릴링)에 대한 비용과 시간을 개별적으로 모델링하고 제어할 수 있습니다. 이 접근법은 전체 프로젝트의 비용 및 시간 구조를 명확하게 만들어, 견적의 정밀도를 높이고 특정 활동이 전체에 미치는 영향을 쉽게 분석할 수 있게 합니다.

Q4: 모델의 제조 시간 예측 신뢰도는 80%입니다. 이 오차의 원인은 무엇이며 어떻게 개선할 수 있습니까? A4: 모델은 25개 프로젝트에서 얻은 통계적 관계를 기반으로 하므로, 데이터 세트에 포함되지 않은 예외적인 사례나 변동성으로 인해 100% 정확도를 달성하기는 어렵습니다. 논문의 저자들은 향후 연구에서 유전 알고리즘이나 인공 지능(AI)과 같은 다른 모델링 시스템을 사용하여 이러한 한계를 극복하고 모델의 정확도를 더욱 향상시킬 수 있다고 제안합니다.

Q5: 변수가 많은 금형 비용을 모델은 어떻게 설명합니까? A5: 모델은 금형 비용(ECT3,2)이 가공 활동에 투자된 시간과 직접적으로 관련되어 있다고 설정합니다. 가공 시간(TEP3,1)은 다시 금형에서 제거해야 할 소재의 무게(Pi)에 대한 함수로 예측됩니다. 이 제거될 무게(Pi)는 최종 부품의 무게(Xi)와 캐비티 수에 의해 결정됩니다. 즉, '부품 무게 -> 제거될 소재 무게 -> 가공 시간 -> 금형 비용'으로 이어지는 논리적 체인을 구축하여 복잡한 금형 비용을 정량적으로 예측합니다.

결론: 더 높은 품질과 생산성을 향한 길

부정확한 견적과 불투명한 프로젝트 계획은 다이캐스팅 산업의 오랜 과제였습니다. 본 연구에서 제시된 다이캐스팅 비용 예측 하이브리드 모델은 데이터에 기반하여 85% 이상의 정확도로 비용과 시간을 예측함으로써 이 문제를 해결할 명확한 길을 제시합니다. 이 모델은 R&D 및 운영팀에 프로젝트 초기 단계부터 비용과 시간을 정밀하게 제어할 수 있는 강력한 도구를 제공하여, 궁극적으로 생산성과 수익성을 극대화하는 경쟁 우위를 확보하게 합니다.

"CASTMAN은 고객이 더 높은 생산성과 품질을 달성할 수 있도록 최신 산업 연구를 적용하는 데 전념하고 있습니다. 이 논문에서 논의된 과제가 귀사의 운영 목표와 일치한다면, CASTMAN의 엔지니어링 팀에 연락하여 이러한 원칙을 귀사의 부품에 어떻게 구현할 수 있는지 논의해 보십시오."

저작권 정보

• 이 콘텐츠는 "[Muñoz-Ibañez, C. 외 저자]"의 논문 "[Hybrid forecasting modelling of cost and time entities for planning and optimizing projects in the die-cast aluminium industry]"를 기반으로 한 요약 및 분석 자료입니다.
• 출처: https://doi.org/10.14743/apem2023.2.464

이 자료는 정보 제공 목적으로만 사용됩니다. 무단 상업적 사용을 금지합니다. Copyright © 2025 CASTMAN. All rights reserved.