GNN 기반 다이캐스팅 부품 형상 분석 및 분류 기술 개발
| KOS 유형 | 분류체계 |
|---|---|
| 수요기관 | 한국생산기술연구원 |
| 공고기관 | 한국생산기술연구원 |
| 사업목적 | KOS 개발 |
| 사업년도 | 2026 |
| 사업기간 | 5개월 |
| 사업예산 | 30,800천원 |
| 사업ID | RFP-3-338 |
사업개요
사업명
GNN 기반 다이캐스팅 부품 형상 분석 및 분류 기술 개발
(GNN-based Shape Analysis and Classification Technology Development for Die-casting Parts)
사업 세부목적
ㅇ 3차원 캐드(CAD) 데이터를 그래프 구조로 변환하고 Graph Neural Network를 적용하여 부품의 기하학적 특징을 정밀하게 인식하는 기술을 개발함
ㅇ 다이캐스팅 부품의 클래스 불균형 문제를 해소하고, 유사 형상 및 특징 부위를 자동으로 분류할 수 있는 최적화된 학습 모델을 구축함
ㅇ 자동 인식된 형상 특징을 기반으로 클램핑 위치 선정 및 지그 설계 등 후공정 자동화 설계에 필요한 핵심 요소 기술을 제공함
사업기간 및 예산
- 사업기간 : 계약체결일로부터 5개월
- 소요예산 : 30,800천원
사업내용
과업 내용
ㅇ 다이캐스팅 부품 형상 분석을 위한 그래프 데이터셋 구축
- 3차원 CAD 데이터의 기하·위상 정보를 그래프 구조(노드·에지)로 변환
- 형상 특징점 및 클램핑 가능 영역 레이블링 및 지식베이스 구축
ㅇ GNN 기반 부품 형상 인식 및 특징 추출 모델 개발
- 그래프 기반 딥러닝 아키텍처 설계 및 학습 모델 구축
- 형상 특징 추출 및 차원 축소 알고리즘 개발
ㅇ 부품 자동 분류 및 특징 부위 인식 알고리즘 개발 및 실증
- 부품 유형 자동 분류 모델 개발
- 클램핑 부위 등 주요 영역 인식 기능 구현
- 실제 다이캐스팅 부품 데이터 기반 성능 검증 수행
수행 방법
ㅇ 3차원 CAD 데이터 수집 및 전처리
- 실제 제조 현장 기반 다이캐스팅 부품 데이터 확보 및 정제
- 그래프 데이터 변환 및 정규화 수행
ㅇ 형상 특징 정의 및 레이블링 수행
- 공정 특성을 반영한 주요 특징점 및 클램핑 영역 정의
- 데이터셋 구축 및 학습용 라벨링 수행
ㅇ GNN 기반 모델 설계 및 학습
- 그래프 구조 데이터를 활용한 딥러닝 모델 설계
- 클래스 불균형 문제 해결을 위한 학습 전략 적용
ㅇ 알고리즘 성능 검증 및 최적화
- 특징 인식 정확도 및 분류 성능 평가(정확도, 정밀도, 재현율)
- 테스트 데이터 기반 모델 성능 개선 및 튜닝
ㅇ 실증 및 검증 수행
- 실제 설계 환경 적용 테스트 및 정합성 검증
- 발주기관 및 지정기관 입회 성능 평가 대응
주요 산출물
ㅇ 다이캐스팅 부품 그래프 데이터셋 및 라벨링 데이터
ㅇ GNN 기반 형상 인식 및 특징 추출 모델
ㅇ 부품 자동 분류 및 특징 영역 인식 알고리즘
ㅇ 성능 평가 결과 보고서(정확도, 정밀도, 재현율 등)
ㅇ 모델 학습 및 테스트 코드(개념검증 포함)
ㅇ 최종 연구보고서 및 기술 문서 일체
(위 사업내용은 AI 요약과 연구팀 담당자의 검토를 거쳐 작성하였음)
관련정보
1. KOS 메타정보
- (없음)
2. 결과보고서
- (없음)
3. 관련 RFP
- (없음)
분류정보
| BRM | J005 | 산업·통상·중소기업>산업기술지원 |
|---|---|---|
| KDC | 559 | 기타 공학 |
| DDC | 629 | Other branches of engineering |
| ILC | wah | mechanical components; machines [mechanical engineering] |
| awan | constituents; interchangeable parts |