DOI QR코드

DOI QR Code

A Genetic Algorithm and Support Vector Regression based Hybrid Cost Estimation Model for Feature-based Plastic Injection Products

특징기반 플라스틱 사출제품을 위한 유전자 알고리즘과 Support Vector Regression 기반의 하이브리드 비용 평가 모델

  • Received : 2012.07.20
  • Accepted : 2012.09.17
  • Published : 2012.09.30

Abstract

플라스틱 사출 제품은 다양한 가전제품과 하이테크 제품에 널리 사용되고 있다. 그러나 현재의 치열한 경쟁적 비즈니스 환경에서 플라스틱 사출 제품 제조업자들은 고객을 만족시키면서 경쟁력을 얻기 위하여 다른 경쟁자들보다 먼저 새로운 제품을 시장에 출시하고 신제품의 개발기간을 줄이기 위한 노력을 할 여유가 부족하다. 따라서 무한경쟁의 시장에서 살아남기 위해서는 제조업자들은 시장 마켓 점유를 빠르게 올리는 것과 동시에 제품의 가격 경쟁력을 가져야 한다. 특징기반 모델의 구조는 현재 연구에서 3D 제작 도구로서 일반적으로 적용되고 있으며 신제품 개발 엔지니어들이 새로운 제품의 개념을 개발하는 데에도 널리 사용되고 있다. 본 연구에서는 특징기반 플라스틱 사출제품을 위한 유전자 알고리즘과 Support Vector Regression (SVR) 기반의 새로운 하이브리드 비용 평가 모델을 제안한다. 제안하는 하이브리드 모델은 기존의 플라스틱 사출제품의 비용평가절차와 계산을 위해 필요로 하는 변수들을 극적으로 간단하게 하고 줄일 수 있다. 사례연구에서는 제안하는 하이브리드 모델과 기존의 multilayer perceptron networks (MLP) 및 pure SVR과의 비교분석을 통하여 제안모델이 플라스틱 사출 제품의 개발단계에서의 비용평가문제를 해결하는데 효율성과 효과성이 있음을 입증한다.

Keywords

References

  1. Cavalieria, S., Maccarroneb, Pinto, P. R. "Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry", International journal of Production Economics, Vol. 91(2) (2004): 165-177 https://doi.org/10.1016/j.ijpe.2003.08.005
  2. Chen, K. -Y., Wang, C. -H., "Support vector regression with genetic algorithms in forecasting tourism demand", Tourism Manage. Vol. 28 (2007): 215-226 https://doi.org/10.1016/j.tourman.2005.12.018
  3. Cortes, C., Vapnik, V., "Support vector networks", Mach. Learn., Vol. 20(3): 273-297 (1995).
  4. Goldberg, D. E., Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley, (1989)
  5. Hsu, C. W., Chang, C .C., Lin, C. J., A practical guide to support vector classification, Technical Report, Department of Computer Science, National Taiwan University, Taipei, Taiwan, (2003)
  6. Kim, W. C., Mauborgne, R. Blue ocean strategy: How to Create Uncontested Market Space and Make the Competition Irrelevant, United States of America: Harvard Business School Publishing Corporation, (2005)
  7. Salgado, D. R., Alonso, F. J., "An approach based on current and sound signals for in-process tool wear monitoring", Int. J. Mach. Tool. Manufact. Vol. 47 (2007): 2140-2152 https://doi.org/10.1016/j.ijmachtools.2007.04.013
  8. Seo, K. -K., Park, J. -H., Jang, D. -S., Wallace, D., "Approximate estimation of the product life cycle cost using artificial neural networks in conceptual design", Int. J. Adv. Manuf. Technol. Vol. 19 (2002): 461-471 https://doi.org/10.1007/s001700200049
  9. Shehab, E. M., Abdalla, H. S., "Manufacturing Cost Modeling for Concurrent Product Development", Robotics & Computer-Integrated Manufacturing, Vol. 17(4) (2001): 341-353 https://doi.org/10.1016/S0736-5845(01)00009-6
  10. Vapnik, V., The Nature of Statistical Learning Theory, Springer, London, (1999)
  11. Wang, H. S., Che, Z. H., "A multi-phase model for product part change problems", International Journal of Production Research, Vol. 46(10) (2008): 2797-2825 https://doi.org/10.1080/00207540600999144
  12. Zhang, Y. F., Fuh, J. Y. H., Chan, W. T., "Feature-based cost estimation for packaging products using neural networks", Computers in Industry, Vol. 32(1) (1996): 95-113 https://doi.org/10.1016/S0166-3615(96)00059-0