딥러닝 기반 사출 성형 공정 최적화: 지능형 제조의 새 지평을 열다

본 연구는 딥 강화 학습(DRL)을 활용하여 사출 성형 공정을 실시간으로 최적화하는 프레임워크를 제시합니다. 실제 제조 비용을 고려한 수익 함수와 대리 모델을 통해 제품 품질과 수익성을 동시에 고려하며, 기존 방식 대비 최대 135배 빠른 추론 속도를 달성하여 실시간 적용에 적합함을 보였습니다.

현대 제조업의 핵심인 플라스틱 사출 성형에서 품질과 수익성을 동시에 극대화하는 것은 오랜 숙제였습니다. 변화무쌍한 환경과 경제적 요인 속에서 최적의 공정 파라미터를 찾는 것은 여전히 어려운 과제였죠. 하지만, 최근 김준영, 유제천, 김희규, 류승화 연구팀이 발표한 논문은 이러한 난제에 대한 혁신적인 해결책을 제시합니다. 바로 딥 강화 학습(DRL) 기반의 실시간 공정 최적화 프레임워크입니다.

이 연구는 제품 품질과 수익성을 동시에 고려하는 새로운 접근법을 제시합니다. 단순히 제품 품질만을 고려하는 것이 아니라, 수지, 금형 마모, 심지어 시간대별 전기 요금 변동까지 포함한 실제 제조 비용을 반영한 수익 함수를 개발하여 현실적인 최적화를 추구했습니다. 이를 위해 제품 품질과 사이클 타임을 예측하는 대리 모델을 구축하고, Soft Actor-Critic (SAC) 및 Proximal Policy Optimization (PPO) 알고리즘을 사용하여 DRL 에이전트를 효율적으로 오프라인 훈련했습니다.

연구 결과는 놀랍습니다. 개발된 DRL 프레임워크는 계절적 변화나 운영상의 변동에 동적으로 적응하여 제품 품질을 유지하면서 수익을 극대화하는 것을 보여주었습니다. 특히, 기존의 유전 알고리즘과 비교했을 때, 최대 135배 빠른 추론 속도를 기록하며 실시간 적용에 대한 가능성을 입증했습니다. 이는 단순한 효율 증대를 넘어, 지능형 제조 시스템 구축의 초석을 마련한 셈입니다.

이 연구는 단순한 기술적 진보를 넘어, 제조업의 미래를 바꿀 잠재력을 가지고 있습니다. 실시간으로 변하는 시장 상황에 유연하게 대응하고, 지속적인 수익 증대를 달성할 수 있는 길을 제시했기 때문입니다. 이러한 혁신적인 기술은 앞으로 더욱 스마트하고, 효율적인 제조 환경을 구축하는 데 크게 기여할 것으로 기대됩니다.

주요 연구진: 김준영, 유제천, 김희규, 류승화 연구팀 핵심 기술: 딥 강화 학습(DRL), Soft Actor-Critic (SAC), Proximal Policy Optimization (PPO), 대리 모델 주요 성과: 기존 방식 대비 최대 135배 빠른 추론 속도, 실시간 공정 최적화 및 수익 극대화