사출 공정은 사출기에 금형을 결합하여 온도와 압력을 이용하여 플라스틱 물질을 형상화하는 제조 공정이며, 다양한 제조산업 분야에서 중요한 역할을 수행하고 있다. 하지만 사출기 교체 과정에서 초기 조건 설정 등의 이유로 생산되는 성형품의 품질이 떨어지는 상황이 발생한다. 또한, 동일 제품을 생산하더라도 라인 또는 공장마다 사용하는 사출기의 종류와 출력이 상이하기 때문에, 공정 변수를 조절하는 것이 어려움을 겪는 실정이다.
본 연구는 금형에 결합 된 사출기를 다른 사출기로 교체할 때 최적의 조건을 조정해 주는 시스템을 구축하는 것을 목표로 하며, 이를 위해 다변량 다항 예측 모델의 개발과 베이지안 최적화를 진행하였다. 데이터는 사출 공정 변수는 28개로 이루어져있고, 이에 출력되는 센서 변수는 34개로 존재 한다. 데이터 전처리 과정으로 먼저, 사출 공정 변수 중 제어 할 수 없는 16개 변수는 삭제한다. 이를 기반으로, Train Data 80%와 Test Data 20%로 분할 후 예측 모델의 성능을 평가하였다. 예측에 사용되는 모델은 Decision Tree Regressor, RandomForest Regressor 및 XGBoost이다.
예측 단계에서는, 종속변수를 온도와 압력에 따라 5개의 특성으로 나누어 예측을 진행한다. 실험 결과 5개 특성 모두 XGBoost 모델이 다른 모델에 비해 높은 성능을 보여주었다. 5개의 특성을 합친 모든 종속변수의 경우 XGBoost 모델에서 R² 성능은 0.76, MAE 성능은 1.92로 높은 성능을 보였다. 따라서, XGBoost를 최종 예측 모델로 선정하였다.
최적화 단계에서는, 선정한 예측 모델을 기반으로 베이지안 최적화를 활용하여 사출기 교체 시 최적의 공정 변수 값을 도출한다. 이때, 베이지안 최적화를 통해 사출 공정 변수를 탐색하는 범위는 예측 모델의 Train Data 변수들의 최댓값과 최솟값을 기준으로 설정하였다. 베이지안 최적화로 도출한 사출 공정 변수 값을 기준으로 예측 모델을 통해 센서 예측 값을 생성하였다. 이를 반복하여 도출된 공정 변수들의 센서 예측 값이 최적 값 범위로 수렴하도록 한다. 이후 이 과정을 시각화하여 센서 예측 값과 목표한 최적 값 범위를 확인함으로써, 실험 결과를 제시한다.
본 연구를 통해 베이지안 최적화를 기반으로 사출기 변경 시의 사출 공정의 초기 조건을 설정하는 프로세스를 제안한다. 이를 통해 초기 조건 설정 과정에서의 시간과 비용을 줄이고, 최종적으로 공정의 효율성 향상에 기여할 수 있다.