대리 슬롯 추천이란 무엇입니까? CAE를 활용하여 프레스 가공 작업 효율을 높이는 방법

대리 슬롯 추천의 중요성은 무엇입니까

디자인 공간을 올바르게 이해하는 것은 디자인 작업의 중요한 요소 중 하나입니다 디자인 공간은 디자인 프로세스에서 고려되는 요소와 그 상호 관계를 의미합니다 이에 대한 올바른 이해는 설계 효율성과 품질을 향상시키는 기초입니다 예를 들어, 다양한 설계 매개변수와 제약조건을 이해하고 이를 통합적으로 평가함으로써 최적의 설계 제안을 도출하는 것이 가능합니다 디자인 공간에 대한 이해는 문제 해결 방법 선택, 최적화 및 AI 활용, 디자이너 간의 원활한 커뮤니케이션에도 도움이 됩니다 따라서 디자인 공간에 대한 깊은 이해와 효과적인 사용은 디자인 작업을 보다 효율적으로 만드는 열쇠입니다

그러나 제품 및 프로세스 설계에 대한 요구 사항이 점점 더 정교해지고 속도가 빨라짐에 따라 설계 공간이 확장되고 복잡해지면서 설계 공간을 이해하기가 점점 더 어려워지고 있습니다 오늘날의 설계 작업에는 상호 작용하는 수많은 매개변수와 제약 조건이 포함되어 있어 관리하기가 점점 더 어려워지고 있습니다 새로운 기술과 다양한 고객 요구에 대응하려면 설계 공간에 대한 폭넓은 이해가 필요하며 이는 경쟁 우위의 원천입니다 점점 더 복잡해지는 설계 공간을 해결하기 위해 새로운 접근 방식과 도구를 개발하는 것이 시급합니다

이러한 이유로 통계와 머신러닝을 활용한 대리슬롯 추천이 주목받고 있습니다

대리 슬롯 추천이란 무엇입니까

대리 슬롯 추천은 기계 학습과 같은 기술을 사용하여 복잡한 현상을 간결하게 설명하고 추세와 불확실성을 신속하게 시각화합니다 특히, 대리 슬롯 추천은 실제 시뮬레이션 및 실험보다 낮은 계산 비용으로 매우 정확한 예측 및 분석을 제공합니다 이를 통해 설계 및 최적화 프로세스 중에 빠르고 효과적인 의사결정이 가능해집니다 또한 대리슬롯 추천을 활용하면 기존 방법에서는 간과하기 쉬운 미세한 패턴과 이상현상까지 포착할 수 있어 설계 신뢰성과 안전성 향상에 기여한다 이처럼 대리슬롯 추천은 데이터 기반 설계에서 중요한 역할을 하는 방법이 되었다

대리 슬롯 추천의 장점

1 계산 비용 절감

대리 슬롯 추천은 계산 리소스를 절약하기 위해 고급 시뮬레이션 및 실험 대신 사용됩니다 실제 시뮬레이션과 실험에 시간과 리소스가 너무 많이 소요되는 경우 대리 슬롯 추천은 더 짧은 시간에 동일한 결과를 얻기 위한 대안 역할을 할 수 있습니다

2 디자인 공간의 시각화

대리 슬롯 추천은 시뮬레이션 데이터를 기반으로 전체 설계 공간을 근사화합니다 즉, 복잡한 차원으로 표현된 현상의 특징을 이해하기 쉬운 차원으로 추출하여 재표현한 것이다 따라서 디자인 공간의 구조와 특성을 인간이 이해할 수 있는 방식으로 시각화할 수 있다 이는 디자이너가 디자인 공간에 대한 전체적인 시각을 얻는 데 도움이 됩니다

3 대규모 디자인 공간 탐색

실제 시뮬레이션 및 실험에 비해 대리 슬롯 추천은 계산 속도가 더 빠르며 다차원 설계 공간과 복잡한 매개변수 공간을 효율적으로 처리할 수 있습니다 이를 통해 대규모 문제를 처리할 수 있으며 넓은 매개변수 공간을 검색할 때 효과적입니다 최적화 알고리즘과 결합하면 복잡한 현상을 빠르게 검증하고 최적의 솔루션을 도출할 수 있습니다

대리슬롯 추천의 단점 및 대책

1 예측 정확도의 한계

대리 슬롯 추천은 실제 시스템의 동작과 유사하므로 반드시 완벽하지는 않습니다 특히 대리 슬롯 추천은 훈련 데이터에 크게 의존합니다 대리 슬롯 추천은 교육 데이터가 충분하지 않거나 시스템의 전체 동작을 충분히 포괄하지 못하는 경우 잘못된 예측을 할 수 있습니다

가능한 대책 중 하나는 데이터 수집 방법을 적용하는 것입니다 실험계획법(DoE), CAE 등 계산 자동화를 즉시 수행할 수 있는 환경을 구축함으로써 대리슬롯 추천 데이터 분석에 필요한 데이터를 즉시 수집할 수 있습니다 물론, 매일 데이터를 수집하고 관리할 수 있는 데이터 인프라가 갖춰져 있다면 바로 활용이 가능하지만, 그러기 어려워하는 분들이 많을 거라 생각합니다 특히 제조설계에서는 객체의 거동이 크게 변화하여 과거 데이터를 그대로 사용할 수 없는 경우가 많습니다 따라서 목표가 바뀌더라도 즉시 가설을 설정하고 데이터를 수집할 수 있는 환경을 만드는 것을 목표로 삼는 것이 좋습니다

2 컴퓨팅 리소스 소비

복잡한 대리 슬롯 추천을 구축하려면 충분한 계산 리소스와 시간이 필요합니다 특히 고차원 데이터나 매개변수가 많은 슬롯 추천의 경우 계산 비용이 증가합니다 GPU를 사용하여 컴퓨팅 환경을 설정하는 등 하드웨어 장애물이 더 높아질 것입니다

대책에는 클라우드 환경 및 상용 AI 제품 적용이 포함됩니다 이러한 환경은 최첨단 엔지니어들이 AI 기술을 접목하기 위한 최적의 환경을 만들기 위해 만들어졌습니다 비슷한 환경이라도 조정 내용에 따라 계산 속도가 크게 달라집니다 하지만 가격이 비싸 도입의 장벽이 높은 경우가 많다 IN/OUT 전반을 이해한 후 냉정하게 가성비를 분석하는 것도 필요합니다

인적자원 개발 및 시스템 구축의 어려움

대리 슬롯 추천의 비즈니스 적용에는 도메인 지식 및 데이터 과학 지식 이해와 같은 다양한 기술 요소가 포함됩니다 슬롯 추천 구축 전 데이터 준비, 슬롯 추천 구축, 슬롯 추천 구축 후 배포 등 장기적이고 체계적인 노력이 필요합니다 일부 유능한 사람들이 이해하더라도 대부분의 경우 조직과 사업 전체에 적용하기는 어렵습니다

가능한 대책 중 하나는 플랫폼 엔지니어링을 적용하는 것입니다 기술 격차를 해소하려면 필요한 사람이 필요한 애플리케이션을 운영할 수 있는 것이 중요합니다 최근에는 조직과 인력이 단일 플랫폼을 통해 기술을 공유하고 재사용할 수 있는 설계 및 개발 업무가 주목받고 있습니다 이에 따라 AI를 잘하는 사람에게는 AI 기능을 제공하고, CAE를 잘하는 사람에게는 CAE 기능을 제공하는 등 각 사람이 각 인재의 장점을 활용할 수 있는 공통 플랫폼을 구축하는 것이 중요해졌습니다

디자인 공간의 이해

실험 설계(DoE)는 일반적으로 디지털 검증이든 물리적 검증이든 설계 공간을 이해하기 위해 데이터를 수집하는 데 사용됩니다 DoE를 사용하면 더 적은 시도로 설계 공간의 특성을 이해할 수 있습니다 특히 제조업에서는 직교배열을 이용한 DoE가 요인분석에 널리 사용되고 있다 하지만 사용할 수 있는 변수의 개수는 많아야 10개 정도이고, 레벨의 개수도 2개 정도인 경우가 많아 대략적인 추정치이므로 머신러닝 슬롯 추천의 품질 측면에서 볼 때 적합하지 않은 수집 방식이라고 할 수 있다

한편, LHS(Latin Hypercube Method)는 디지털 공간의 디자인 공간을 이해하는 데 자주 사용됩니다 각 변수의 상한과 하한을 결정함으로써 사용자는 지정된 계산 횟수 내에서 알고리즘에 따라 공간을 커버할 수 있는 실험점을 제안하게 됩니다 주로 실제 변수에 적용되지만 사용이 매우 간편하고 효과적으로 데이터를 수집할 수 있습니다 그림 1은 데이터를 무작위로 수집한 경우와 LHS를 적용한 경우의 함수 예측을 비교한 것입니다 동일한 횟수의 실험에서도 LHS를 사용한 예측 정확도가 더 우수함을 알 수 있다

대리 슬롯 추천의 슬롯 추천링 및 시각화

LHS 등을 이용하여 디자인 공간 데이터를 수집한 후 슬롯 추천링을 수행합니다 슬롯 추천링은 수집된 데이터를 사용하여 이벤트 동작을 표현하고 대체하는 공식, 함수 등을 구성하는 것입니다 복잡한 계산이나 실제 기계 테스트를 수행하지 않고도 특정 설계 공간 범위(종종 데이터 수집 시 설계 공간 범위) 내에서 입력과 출력 간의 관계를 확인할 수 있습니다 특히 제조업에서는 머신러닝을 이용해 사건의 행동을 정확하게 재현하는 AI 슬롯 추천을 대리슬롯 추천(surrogate model)이라고 부른다 여기서는 두 가지 유형의 슬롯 추천링 접근 방식을 언급합니다 통계적 접근 방식과 머신러닝 접근 방식이 있습니다 본 논문에서는 다변량 분석 등 변수의 수가 상대적으로 적은 상황에서 사용되는 전통적인 통계 방법을 통계적 접근 방식으로 언급하고, 머신러닝 접근 방식으로는 다변량 데이터에 비선형 회귀, 신경망 등의 머신러닝 알고리즘을 적용하는 방법을 언급한다

잘 알려진 통계적 접근 방식은 회귀 분석입니다 자세한 내용은 생략하겠지만 선형 또는 2차 회귀 슬롯 추천을 구축하고 각 통계 지표를 확인해 보겠습니다 요즘은 엑셀과 무료 소프트웨어로 처리가 가능하고, 설치 비용도 저렴하다 반면, 선형 관계는 포착할 수 있지만 비선형 관계는 시각화하기 어렵기 때문에 사건의 행위를 시각화하기 어려운 경우도 있습니다 또한, 직교배열과 결합할 경우 변수가 10개 이상인 다변량분석은 다중검정 문제 등 통계적 문제가 발생하는 경우가 많으므로 부주의한 적용은 피해야 한다

기계 학습 접근 방식은 더 많은 비선형 관계를 포착하고 다변량 동작의 시각화를 개선합니다 그림 2는 pSeven Desktop을 사용한 대리 슬롯 추천 시각화 기능을 보여줍니다 가로축은 입력변수이고, 세로축은 출력변수이다 각 변수가 변경될 때 출력 변수가 어떻게 변경되는지의 추세를 시각화합니다 또한 출력 변수에 대한 특정 범위의 예측을 보여줍니다 이는 입력 변수의 주어진 값에 대한 예측이 얼마나 정확한지 알려주는 예측 불확실성을 보여줍니다 범위가 넓을수록 예측 결과가 더 불확실해집니다 너비가 좁을수록 예측의 신뢰성이 높아집니다 예측의 불확실성을 시각화함으로써 의사 결정의 기초가 더욱 신뢰할 수 있게 됩니다 각 그래프의 오른쪽 하단에 수직 막대 그래프가 표시됩니다 이는 출력 변수에 대한 각 변수의 기여도를 표시하므로 어떤 변수가 출력 변수에 가장 큰 영향을 미치는지 확인할 수 있습니다 이러한 방식으로 대리 슬롯 추천을 사용하면 이벤트의 동작을 여러 각도에서 분석할 수 있습니다

그러나 기계 학습 접근 방식에는 특히 데이터 특성을 고려하는 방법 선택 및 하이퍼파라미터 조정과 같은 슬롯 추천링 분야에서 고급 데이터 과학 기술이 필요합니다 최근에는 도입의 장애물이 점차 낮아지고 있습니다 예를 들어 pSeven Desktop의 SmartSelection은 데이터를 로드하고 내장된 모든 방법을 비교 및 ​​조정하는 것만으로 고품질 AI 슬롯 추천을 자동으로 구성합니다 슬롯 추천링부터 시각화까지 모든 작업을 원활하게 수행할 수 있습니다 또한, 대규모 언어 슬롯 추천(LLM)의 등장으로 프로그래밍에 익숙하지 않은 사용자가 머신러닝 프로그램을 구현하는 데 따르는 장애물이 줄어들고 있습니다

최적화 알고리즘 적용

설계 공간이 어느 정도 이해되면 CAE(또는 실제 장비)와 최적화 알고리즘을 사용하여 최적화가 수행됩니다 최적화 알고리즘을 적용할 때 시도하고 계산하는 함수를 평가 함수라고 합니다 CAE를 이용한 최적화의 경우 CAE가 평가 함수가 됩니다 최적화 알고리즘은 평가함수의 특성에 따라 다양한 방법을 사용해야 합니다 여기서는 다양한 소프트웨어에서 널리 사용되고 있는 진화 알고리즘(유전자 알고리즘)과 실용화에 적합하다고 평가되는 머신러닝 기반의 최적화 알고리즘, 두 가지 종류의 알고리즘을 소개하겠습니다

진화 알고리즘은 생물학적 진화 이론을 기반으로 하며 개인 집단(해결책 후보)을 생성하고 자연 선택 및 돌연변이 개념을 사용하여 각 세대에서 더 나은 솔루션을 찾는 방법입니다 입력변수와 출력변수의 관계를 직접적으로 살펴보는 것이 아니라, 좋은 값을 갖는 변수들의 조합에 대한 무작위성을 포함하면서 디자인 스페이스를 광범위하게 탐색한다 특정 관계를 명시적으로 밝힐 수 없는 블랙박스 평가 기능에 효과적이며, 불연속적인 경우에도 해법 검색이 가능합니다 한편, 계산량이 많아 계산 시간이 필요한 평가 기능과의 연계에는 적합하지 않습니다 따라서 최적화에 필요한 전체 계산 시간을 줄일 수 있는 방법이 필요합니다 트릭에는 두 가지 유형이 있습니다 하나는 최적화 알고리즘 자체의 개선이다 예를 들어 TRANSVALOR SA 플라스틱 가공 시뮬레이션 “트랜스발로 재료 성형(이하 TSVMF)''은 검색 과정에서 내부적으로 메타슬롯 추천(간단함수)을 구축하고, CAE 솔버를 이용해 메타슬롯 추천이 검색한 좋은 조합을 다시 계산하는 일종의 진화 알고리즘을 사용한다 이를 통해 검색 중 계산 비용을 줄이면서 진화 알고리즘의 이점을 얻을 수 있습니다

다른 하나는 평가 함수의 계산 비용을 줄이는 것입니다 일반적으로 CAE 계산은 비용이 많이 들고 아무리 빠르더라도 몇 분 이상이 소요됩니다 따라서 CAE 대신 대리모형을 사용하여 계산비용을 절감한다 예를 들어, Nural Concept AG에서 제조한 “슬롯 게임''은 그림 3과 같이 CAE 대신 3D 대리 슬롯 추천을 구축하고 진화 알고리즘과 형상 생성 기능을 결합하여 고속으로 충분한 계산 횟수로 최적의 형상 검색을 달성합니다

기계 학습 기반 최적화 알고리즘은 CAE와 같이 계산 시간이 필요한 값비싼 평가 기능을 효율적으로 최적화하기 위한 방법입니다 내부적으로 대리모형을 구축하고, 변수와 확률요소 간의 관계를 고려하여 해법을 찾는다 디자인 공간의 관계를 고려하기 때문에 다른 방법에 비해 계산이 덜 필요합니다 즉, 효율적인 검색을 원하신다면 이 방법을 이용하셔야 합니다 예를 들어 pSeven Desktop은 이러한 알고리즘을 사용하므로 더 적은 계산으로 최적의 솔루션을 검색할 수 있습니다 그림은 진화 알고리즘 NSGA-II와의 비교를 보여줍니다 비교 항목은 벤치마크 최적화 문제에 대한 최적해(파레토해)를 찾기 위해 필요한 계산 횟수이다 pSeven Desktop 이외의 방법은 2000번 이상의 계산이 필요했는데, pSeven Desktop에서는 488번의 계산에서 이를 식별했습니다

이와 같이 비즈니스 상황과 평가 기능의 특성에 따라 다양한 최적화 알고리즘을 사용하여 비즈니스 효율성을 향상시킬 수 있습니다 모두 최적화 알고리즘이지만 특성이 다르기 때문에 적용 시 방법 선택에 주의가 필요하다

적용예시

이 장에서는 TSVMF 설정 매개변수(마찰계수, 열전달 계수 등)에 대한 매개변수를 실제 장비와 일치시키고 분석하여 운영 효율성을 향상시키려는 주요 자동차 제조업체의 사례 연구를 소개합니다

1 일치시킬 매개변수 선택

기존 지식과 TSVMF 계산 메커니즘을 통해 부하에 기여하는 마찰 계수와 온도 관련 매개변수를 선택했습니다

2 DoE에 의한 CAE 자동화 및 데이터 수집

pSeven Desktop으로 자동화를 구현하여 대상 매개변수에 대한 출력 값을 자동으로 변경, 계산 및 획득합니다 계산은 크랭크샤프트에 대해 70회(약 100시간), 커넥팅 로드에 대해 60회(약 120시간) 수행되었습니다

3 기여 분석 및 대리 슬롯 추천링

수집된 데이터를 바탕으로 pSeven Desktop을 사용하여 대리슬롯 추천을 자동 구축하고 기여도 분석을 수행했습니다 대리 슬롯 추천은 각 변수의 비선형 관계와 불확실성을 시각화하여 설계 공간을 매우 정확하게 이해합니다

4 로드 매칭

두 개의 대리 슬롯 추천을 사용하여 최적화가 수행되었습니다 2000개의 계산이 30분 안에 수행되었습니다

이 예의 결과로 모든 프로세스에서 실제 기계 부하에 대한 CAE 계산 오류율이 감소했습니다 또한 구성 파일을 10가지가 넘는 유형에서 2가지 유형으로 표준화할 수 있었습니다 본 사례의 이용자들은 향후 분석 활용을 위한 표준화 흐름을 개선하는데 있어 고려 자료 중 하나로 결과를 활용하였다