Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

제조업의 세계에서 플라스틱 부품을 만드는 것은 케이크를 굽는 것과 비슷하지만, 훨씬 더 적은 오차만을 허용합니다. 기계가 용융된 플라스틱을 금형에 주입할 때, 압력을 적절하게 유지하고, 재료를 완벽한 속도로 냉각하며, 사이클 시간을 정밀하게 맞추어야 합니다. 만약 기계 설정이 조금이라도 어긋나면, 최종 부품의 크기가 잘못될 수 있습니다. 이것은 치수 품질의 문제입니다. 엔지니어들은 기계의 설정(예를 들어 플라스틱을 얼마나 세게 밀어내는지 또는 얼마나 빨리 흐르게 하는지)을 변경하는 것이 최종 부품의 크기를 어떻게 변화시킬지 정확히 예측하기 위해 오랫동안 노력해 왔습니다. 문제는 이러한 요인들이 단독으로 작용하지 않고 복잡한 방식으로 서로 얽혀 있다는 점입니다. 압력의 변화는 플라스틱이 주입된 속도나 금형이 열리기 전까지 기계가 기다린 시간에 따라 다른 효과를 나타낼 수 있습니다. 보통 이러한 관계를 이해하기 위해 기업들은 수백 번의 실험을 수행하지만, 시간과 비용의 제한으로 인해 대개 수십 번의 실험에 그치곤 합니다. 데이터가 부족할 때, 표준적인 컴퓨터 모델은 너무 복잡해져서 이해하기 어렵거나 정확한 예측에 실패하곤 합니다.

모로코의 연구진은 특정 유형의 플라스틱 부품을 대상으로 이 문제를 해결하고자 했으며, 특히 직경 편차라고 불리는 결함, 즉 부품의 너비가 의도한 크기와 얼마나 차이가 나는지에 집중했습니다. 그들은 매우 적은 데이터를 사용하면서도 결정적인 반전, 즉 모델이 이해 가능해야 한다는 조건을 충족하며 이 오차를 예측할 수 있는 컴퓨터 모델을 구축하고자 했습니다. 모델이 논리를 '블랙박스' 안에 숨기는 대신, 엔지니어가 읽고 신뢰할 수 있는 명확한 수학적 규칙을 갖추도록 하고 싶었습니다. 이를 위해 그들은 두 가지 다른 접근 방식을 결합했습니다. 먼저, 그들은 본질적으로 데이터에 가장 잘 맞는 가장 단순한 방정식을 찾는 과정인 '기호 회귀(symbolic regression)' 기법을 사용했습니다. 그다음, 첫 번째 방정식이 놓친 작고 무질서한 세부 사항들을 포착하기 위해 '가우시안 프로세스(Gaussian process)'라고 알려진 통계적 도구를 두 번째 층으로 추가했습니다. 목표는 27개의 뚜렷한 운전 조건만으로도 투명하면서도 정밀한 하이브리드 시스템을 만드는 것이었습니다.

연구진은 두 개의 별도 실험 캠페인으로부터 데이터를 수집하기 시작했으며, 이들은 총 127회의 실행 결과를 생성했습니다. 일부 실행은 동일한 조건을 반복했기 때문에, 연구진은 결과값을 평균하여 27개의 대표적인 시나리오로 정제했습니다. 여기서 그들은 네 가지 주요 제어 변수를 연구 대상으로 선정했습니다: 금형 내 플라스틱을 유지하는 데 사용되는 압력, 이를 밀어내는 역압, 전체 사이클 시간, 그리고 플라스틱이 주입되는 속도입니다. 이 네 가지 원시 숫자를 컴퓨터에 직접 입력하는 대신, 팀은 이를 더 의미 있는 조합으로 먼저 변환했습니다. 그들은 압력 간의 균형이나 속도와 시간 사이의 상호작용과 같은 것을 나타내는 새로운 입력값들을 만들어냈습니다. 이 단계는 컴퓨터에 더 나은 '어휘'를 제공하여 물리적 과정을 설명할 수 있게 함으로써, 더 단순하고 정확한 규칙을 찾을 수 있도록 하는 데 필수적이었습니다.

준비된 데이터를 사용하여 연구진은 기호 회귀 알고리즘이 최적의 수학적 표현을 찾도록 했습니다. 그 결과는 주요 예측 데 역할을 하는 간결한 방정식이었습니다. 이 방정식은 기계 설정이 부품 크기에 미치는 지배적인 경향을 성공적으로 포착했습니다. 생성 과정에서 보지 못한 데이터에 대해 테스트했을 때, 이 방정식은 직경 편차를 약 10.19 마이크로미터의 오차로 예측했습니다. 이를 체감하기 위해 설명하자면, 사람의 머리카락 굵기는 약 70~100 마이크로미터입니다. 즉, 모델은 머리카락 굵기의 10분의 1보다 작은 오차를 예측한 것입니다. 인상적이긴 하지만, 연구진은 단 하나의 방정식이 복잡한 제조 공정의 모든 미세한 변동을 포착할 수는 없다는 점을 알고 있었습니다. 항상 설명되지 않는 작은 흔들림이 남아 있기 마련입니다.

남은 오류를 해결하기 위해 팀은 첫 번째 방정식이 저지른 실수를 학습하도록 설계된 두 번째 모델인 가우시안 프로세스를 훈련시켰습니다. 이 두 번째 모델을 첫 번째 방정식이 예측한 값과 실제로 일어난 일 사이의 간극을 학습하여 이를 수정하는 '미세 조정기'라고 생각하면 됩니다. 이 둘을 결합했을 때, 하이브리드 모델은 더욱 우수한 성능을 보였으며, 예측 오차를 9.32 마이크로미터로 줄였습니다. 이 개선은 절대적인 수치로는 작아 보일 수 있지만, 통계적으로 유의미했습니다. 더 중요한 것은, 하이브리드 방식이 첫 번째 방정식의 핵심 논리를 이해 가능한 상태로 유지하면서도 두 번째 부분이 무질서한 세부 사항을 처리했다는 점입니다. 이는 엔지니어가 기계의 일반적인 동작을 이해하기 위해 여전히 주요 규칙을 살펴볼 수 있으면서도, 높은 정밀도를 위해 보정 층에 의존할 수 있음을 의미했습니다.

연구진은 이 모델들을 사용하여 실질적인 질문을 던졌습니다: 어떤 기계 설정이 가장 작은 오차를 만들어낼 것인가? 그들은 테스트했던 범위 내에서 압력, 속도, 시간의 이상적인 조합을 찾기 위해 최적화 탐색을 수행했습니다. 단순한 방정식은 약 33.25 마이크로미터의 오차를 가진 최선의 시나리오를 제시했습니다. 그러나 미세한 오류를 보정하는 능력을 갖춘 하이브리드 모델은 이론적으로 오차를 단 23.73 마이크로미터까지 줄일 수 있는 다른 설정들을 지목했습니다. 이러한 변화는 보정 층을 추가하는 것이 단순히 숫자만 개선하는 것이 아니라, 기계를 어떻게 가동해야 하는지에 대한 권장 사항 자체를 바꾼다는 것을 보여주었습니다. 연구진은 이들이 모델에 기반한 예측이며 아직 실제 기계에서 테스트되지 않았음을 언급했습니다. 하지만 그 차이는 실제 현장에서의 시험을 진행할 만큼 충분히 컸습니다.

연구 전반에 걸쳐 팀은 자신들의 작업 한계에 대해 정직하게 밝히는 데 주의를 기울였습니다. 그들은 자신들의 모델이 테스트된 특정 기계, 재료, 금형에 대해서만 유효한 '지역적 가이드'이며, 모든 플라스틱 성형에 적용되는 보편적인 법칙이 아님을 강조했습니다. 또한, 모델이 예측에 대한 확신도를 보여주는 불확실성 척도를 제공하긴 하지만, 이 확신도가 새로운 독립적인 실험을 통해 완전히 검증되지는 않았다는 점도 지적했습니다. 진정한 시험은 엔지니어들이 권장된 설정을 실제 공장 바닥에서 실행할 때 이루어질 것입니다. 연구는 이 하이브리드 접근 방식이 데이터가 부족한 산업 문제에 있어 실용적인 절충안을 제공한다고 결론지었습니다. 이는 단순한 방정식의 명확성과 복잡한 통계적 보정의 유연성이라는 두 마리 토끼를 모두 잡을 수 있는 방법이며, 엔지니어들에게 스마트하면서도 설명 가능한 도구를 제공합니다.