CAE 및 머신러닝 기법을 활용한 사출 성형 최적화에 관한 연구

Abstract

일반적인 제조 프로세스는 아이디어-컨셉-설계-제조-판매로 이어진다. 이 프로세스를 더 빠르게 완료하고, 품질을 높일수록 더 많은 이익을 얻을 수 있다. 따라서 각 단계의 납기와 품질을 높이기 위한 혁신적인 프로세스 개발을 위해 시간과 자금을 투자하는 것으로 기업은 경쟁력을 강화하고 있다. 그러나 오늘날 빅데이터, 데이터 사이언스, 클라우드 컴퓨팅, 모바일 및 소셜 네트워크, 협업 경쟁력과 같은 기술 트렌드는 더 나은 의사결정 시스템과 최적화된 프로세스를 요구하고 있다. 컨셉은 개인의 취향에 맞추어야 더 많은 프리미엄을 받고, 설계는 협업을 통해 빠르고 정밀하며 혁신적인 제품을 만들어야 하며, 제조는 3D 프린터와 같이 유연한 생산 형태로 점차 변화하고 있고, 판매 후 모바일과 웹을 통해 사용자의 경험이 실시간으로 소통되면서 이후 판매에 직접적인 영향력으로 작용하고 있다. 그래서 품질 문제가 발생하면 기업은 제품 리콜로 인한 시간과 비용과 같은 단기적인 영향뿐 아니라 브랜드, 시장 점유율, 주가와 같은 장기적인 영향을 미친다. 이러한 품질 문제를 해소하기 위해 제조 전 설계를 검증하기 위한 방법론 즉, 설계와 제조를 융합하는 기술이 CAE(Computer Aided Engineering: 컴퓨터 응용 공학)이다. 제조를 고려한 설계는 제조 현장에서 발생하는 시행착오를 미리 시뮬레이션에서 검증하여 개선할 수 있어 높은 품질을 짧은 납기로 제조할 수 있다. 사출 성형 공정은 복잡한 구조 형상과 여러 기능을 구현할 수 있으며, 아름다운 외관 처리 및 대량생산까지 가능하기 때문에, 다양한 분야에서 활용되고 있다. 그러나 혁신적인 제품을 구현하기 위한 프로세스는 복잡하고 정밀성을 요구하고 있어 성형가능구간이 좁고, 변수가 많아 성형하기가 까다롭다. 또한 강도를 높이기 위해 플라스틱 소재에 탄소 섬유나 유리 섬유를 첨가제로 사용하면서 뒤틀림과 같은 휨 변형으로 인한 치수 불량이 발생된다. 이러한 불량의 원인을 제조 전에 예측하고 개선하는 것이 CAE의 목표이다. 과거의 CAE는 제조 환경을 모사하는 소프트웨어의 많은 가정으로 인한 한계, 물성 측정 기술의 부족, 낮은 컴퓨터 성능으로 인한 메시(Mesh) 숫자와 실험 회수 부족으로 제한된 환경으로 정성적인 예측 즉, 경향성을 파악하는 수준에 머물러 왔다. 여기서 목표는 최소한의 실험으로 최대의 효과를 얻는 것이며, 정밀성에 필요한 정량적인 예측의 신뢰성에 문제가 제기되어 왔다. 그러나 2021년을 기준으로 사출 성형 CAE는 40년 넘게 제조 환경을 모사할 수 있는 소프트웨어가 업그레이드되고 있으며, 다양한 상황을 고려한 플라스틱 유변 물성 측정 기술을 확보하였고, 매년 수많은 물성이 측정되고 있다. 급격히 성장한 컴퓨터 성능으로 인하여 메시 제한 수준이 확장되고 많은 실험을 통한 통계적 접근이 가능하여, CAE 적확성을 확보할 수 있는 기반 기술이 발전되었다. 본 연구는 실제 사출 성형 공정과 CAE 예측의 편차가 발생하는 원인을 제시하고, CAE 적확성을 향상하기 위한 방법론과 실제 적용 사례를 나타내었다. 또한, 산업 현장과 학계에서 널리 사용하는 사출 유동 거리 검증을 위한 스파이럴(Spiral: 모기향 모양의 나선형) 금형의 형상 특성이 유동 거동에 미치는 영향을 조사하여 유동 거리 대표성에 문제가 없는지 확인하고자 하였다. 이를 위해 스파이럴의 폭 변화 및 막대(Bar) 형상과 판(Plate) 형상의 유동 거리를 비교하였다. 그리고 수지의 유변 물성을 평가하고 개선하는 방법을 제시하였다. 이러한 방법론을 활용하여 실제 사출 제품을 실험한 결과와 CAE 예측 결과를 비교하였으며 적확성 개선 방법을 도출하였다. 복합재료 사출 최적화 검토를 위해 유리 섬유가 30% 포함된 나일론수지(PA66+GF30%)를 활용한 라디에이터 탱크 제품의 사출 성형 조건 변화에 따른 사출압력, 형체력, 변형결과를 CAE로 데이터를 취출하여 ANN(Artificial Neural Networks: 인공신경망)으로 알려진 MLP(Multi-layer Perceptron: 다층퍼셉트론)를 적용하여 예측 모델링을 만들었으며, HMA(Hybrid Metaheuristic Algorithm: 하이브리드 메타휴리스틱 알고리즘)를 활용하여 구속조건을 만족하는 최적의 사출 성형 조건을 도출하였다. MLP는 예측 성능은 우수하지만 결정 과정에 대한 설명이 부족하기 때문에 Decision-tree(의사결정나무)를 이용하여 최적의 사출 조건을 위한 분류 기준과 복잡성의 변화에 따른 예측 성능을 평가하였다. 본 연구의 성과로 사출 성형 CAE 적확성 검증 방법은 해석 결과에 따른 검증, 해석 절차에 따른 검증, 해석 단계에 따른 검증 방법이 있음을 제시하였으며, 유동 거리 검증 모델로 사용되고 있는 스파이럴 형상의 특수성으로 인하여 막대 형상보다 28% 잘 흐르고, 판 형상보다 82% 잘 흐름을 확인하였다. CAE를 위한 수지 물성 측정 신뢰성이 낮은 물성을 편집하고 공정 조건 입력 개선으로 사출 압력 예측 오차율을 5% 이내로 개선이 가능함을 확인하였다. 라디에이터 탱크 제품의 Flash(플래시) 불량이 발생하지 않는 구속조건을 만족하면서 휨 변형 최소화를 위한 사출 공정 조건 최적화를 시도하였다. 결과적으로 108회 CAE를 진행하여 최적화된 휨 결과는 4.25mm, MLP와 HMA를 추가로 적용 시 3.68mm로 CAE만 적용한 결과 대비 0.57mm가 줄어들어 약 13.4% 개선되었다. 이를 다시 CAE에 적용하여 신뢰도를 평가한 결과 사출압력은 99.7%, 형체력은 99.78%, 휨 변형은 94.72%의 예측 성능을 보였다.