최근 파이프 라인의 용접 구조물은 조선, 건축, 교량, 차량, 가스관, 송유관, 상·하수도관, 공압배관 이음등 많은 분야에서 활용이 증가해 가고있다. 국내에서도 용접 자동화에 관한 인식이 높아서 많은 연구를 수행하고 있지만, 파이프 라인 적용가능한 자동화 기술은 극히 미진한 상태이다. 본 연구에서는 인공지능 기법을 이용하여 용접조건 선정을 위한 인텔리전트 시스템을 개발하고, 파이프 라인에 적용 가능한 파이프 자동 용접시스템을 개발하고자 연구를 수행하였으며, 다음과 같은 결론을 얻을 수 있었다. 1) 최근, 각광받고 있는 ...
최근 파이프 라인의 용접 구조물은 조선, 건축, 교량, 차량, 가스관, 송유관, 상·하수도관, 공압배관 이음등 많은 분야에서 활용이 증가해 가고있다. 국내에서도 용접 자동화에 관한 인식이 높아서 많은 연구를 수행하고 있지만, 파이프 라인 적용가능한 자동화 기술은 극히 미진한 상태이다. 본 연구에서는 인공지능 기법을 이용하여 용접조건 선정을 위한 인텔리전트 시스템을 개발하고, 파이프 라인에 적용 가능한 파이프 자동 용접시스템을 개발하고자 연구를 수행하였으며, 다음과 같은 결론을 얻을 수 있었다. 1) 최근, 각광받고 있는 FCA 용접방법에 이용하여, 두께, 개선각, 용접자세에 따른 변화를 7구간으로 설정하여, 지그 제작 후, 용접을 실시하고, 표준 용접조건을 선정하였다. 선정된 용접조건의 신뢰도를 확인하기 위해 방사선 투과시험 및 인장, 굽힘시험을 시행하고 용접결함이 검출되지 않음을 확인할 수 있었다. 각 위치, 두께, 개선각에 따라 시험편의 이면비드 폭(Back-bead Width), 이면비드 높이(Back-bead Height), 표면비드 폭(Top-bead Width), 표면비드 높이(Top-bead Height)를 측정하였다. 2) 인텔리전트 시스템을 구축하기 위하여 선정된 표준 용접조건을 바탕으로 용접조건 선정을 위한 데이터베이스 시스템(DBMS)을 구축하여, 용접정보의 축적과 축적된 데이터를 활용하였다. 인텔리전트 시스템은 FEM모델링, 표준 용접조건 선정을 위한 신경회로망 모델, 용접 품질용 BP 신경망 모델, 휴리스틱 보정을 위한 신경회로망 모델을 토대로 구축하였다. FEM 모델링을 통하여 용접공정 패스 수를 결정하였으며, 표준 용접조건 선정을 위한 신경회로망 모델을 구축하여 공정변수를 예측하였다. 예측 아크전류, 용접전압, 용접속도 값과 실제 아크전류, 용접전압, 용접속도를 비교하여 이면비드의 예측에는 정확도를 확인할 수 있었으나, 표면비드의 경우는 용접자세가 수직 및 하향용접으로 변화하고, 두께가 증가할수록 오차 범위가 커짐을 알 수 있었다. 용접 품질용 BP 신경망 모델을 선정하여 이면비드 폭과 높이, 표면 비드폭과 높이를 예측하고, 실제 측정된 값과 비교하였다. 이면비드 폭, 표면비드 폭, 표면비드 높이는 예측값과 실측값이 유사하여 용접품질을 확보할 수 있었으나, 이면비드 높이의 경우는 상당한 오차가 존재함을 확인할 수 있었다. 용접은 외란등의 공정변수가 상당히 많이 존재하기 때문에 표준 용접조건 선정 신경회로망 모델과 용접품질 신경회로망 모델에서 오차가 커질 경우, 이를 보완하기 위하여 휴리스틱 보정을 위한 신경회로망 모델을 개발하였다. 휴리스틱 보정을 통하여 아크전류, 용접속도는 예측값과 실측값을 비교하였을 경우, 상당히 유사함을 알수 있었으나, 용접전압의 경우는 좀더 추가적인 연구가 필요할 것으로 사료된다. 3) 개발된 인텔리전트 시스템의 성능평가를 위하여 파이프 용접 시스템의 구동부(레일 및 자동 케리지)와 제어부(Remote Box, Control Box)를 설계·제작하고, 파이프 라인에 적용가능한 용접시스템을 구현하였다. 인텔리전트 시스템에서 선정된 용접조건을 파이프 용접 시스템에 적용하여 신뢰도를 확보하였다. 육안검사, 초음파탐상 검사, 방사선 투과검사를 실시하여, 인공지능 기법을 이용한 파이프 용접 시스템의 타당성을 검토할 수 있었다.
최근 파이프 라인의 용접 구조물은 조선, 건축, 교량, 차량, 가스관, 송유관, 상·하수도관, 공압배관 이음등 많은 분야에서 활용이 증가해 가고있다. 국내에서도 용접 자동화에 관한 인식이 높아서 많은 연구를 수행하고 있지만, 파이프 라인 적용가능한 자동화 기술은 극히 미진한 상태이다. 본 연구에서는 인공지능 기법을 이용하여 용접조건 선정을 위한 인텔리전트 시스템을 개발하고, 파이프 라인에 적용 가능한 파이프 자동 용접시스템을 개발하고자 연구를 수행하였으며, 다음과 같은 결론을 얻을 수 있었다. 1) 최근, 각광받고 있는 FCA 용접방법에 이용하여, 두께, 개선각, 용접자세에 따른 변화를 7구간으로 설정하여, 지그 제작 후, 용접을 실시하고, 표준 용접조건을 선정하였다. 선정된 용접조건의 신뢰도를 확인하기 위해 방사선 투과시험 및 인장, 굽힘시험을 시행하고 용접결함이 검출되지 않음을 확인할 수 있었다. 각 위치, 두께, 개선각에 따라 시험편의 이면비드 폭(Back-bead Width), 이면비드 높이(Back-bead Height), 표면비드 폭(Top-bead Width), 표면비드 높이(Top-bead Height)를 측정하였다. 2) 인텔리전트 시스템을 구축하기 위하여 선정된 표준 용접조건을 바탕으로 용접조건 선정을 위한 데이터베이스 시스템(DBMS)을 구축하여, 용접정보의 축적과 축적된 데이터를 활용하였다. 인텔리전트 시스템은 FEM 모델링, 표준 용접조건 선정을 위한 신경회로망 모델, 용접 품질용 BP 신경망 모델, 휴리스틱 보정을 위한 신경회로망 모델을 토대로 구축하였다. FEM 모델링을 통하여 용접공정 패스 수를 결정하였으며, 표준 용접조건 선정을 위한 신경회로망 모델을 구축하여 공정변수를 예측하였다. 예측 아크전류, 용접전압, 용접속도 값과 실제 아크전류, 용접전압, 용접속도를 비교하여 이면비드의 예측에는 정확도를 확인할 수 있었으나, 표면비드의 경우는 용접자세가 수직 및 하향용접으로 변화하고, 두께가 증가할수록 오차 범위가 커짐을 알 수 있었다. 용접 품질용 BP 신경망 모델을 선정하여 이면비드 폭과 높이, 표면 비드폭과 높이를 예측하고, 실제 측정된 값과 비교하였다. 이면비드 폭, 표면비드 폭, 표면비드 높이는 예측값과 실측값이 유사하여 용접품질을 확보할 수 있었으나, 이면비드 높이의 경우는 상당한 오차가 존재함을 확인할 수 있었다. 용접은 외란등의 공정변수가 상당히 많이 존재하기 때문에 표준 용접조건 선정 신경회로망 모델과 용접품질 신경회로망 모델에서 오차가 커질 경우, 이를 보완하기 위하여 휴리스틱 보정을 위한 신경회로망 모델을 개발하였다. 휴리스틱 보정을 통하여 아크전류, 용접속도는 예측값과 실측값을 비교하였을 경우, 상당히 유사함을 알수 있었으나, 용접전압의 경우는 좀더 추가적인 연구가 필요할 것으로 사료된다. 3) 개발된 인텔리전트 시스템의 성능평가를 위하여 파이프 용접 시스템의 구동부(레일 및 자동 케리지)와 제어부(Remote Box, Control Box)를 설계·제작하고, 파이프 라인에 적용가능한 용접시스템을 구현하였다. 인텔리전트 시스템에서 선정된 용접조건을 파이프 용접 시스템에 적용하여 신뢰도를 확보하였다. 육안검사, 초음파탐상 검사, 방사선 투과검사를 실시하여, 인공지능 기법을 이용한 파이프 용접 시스템의 타당성을 검토할 수 있었다.
Determination of the welding parameters for pipeline welding is based on a skilled welders know-how and long-term experiences rather than on a theoretical and analytical techniques. In this paper, an intelligent system for determination of welding parameters for each pass and welding position for pi...
Determination of the welding parameters for pipeline welding is based on a skilled welders know-how and long-term experiences rather than on a theoretical and analytical techniques. In this paper, an intelligent system for determination of welding parameters for each pass and welding position for pipeline welding based on one database and FEM model, two BP neural network models and a C-NN model was developed and validated. The preliminary test of the system has indicated that the system could determine the welding parameters for pipeline welding quickly, from which good weldments can be produced without experienced welding personnel. Experiments using the predicted welding parameters from the developed system proved the feasibility of interface standards and intelligent control technology to increase productivity, improve quality, and reduce the cost of system integration. It can be observed that there is no violation of the quality criteria in the validation test. Therefore, the optimal welding parameters for each pass and welding position recommended by the developed system can be contribute to good quality of the weld joint in pipeline. In the validation test, the developed system took less than 3 min including the time for user input to obtain a set of welding parameters corresponding to an the real welding problem. Therefore, the developed intelligent system can greatly reduce the time required to generate initial welding parameters for pipeline welding in comparison with the expert. As a result, the weld quality using the predicted welding parameters determined from the developed system showed a uniform smooth weld with close ripples and good fusion. The most important observation, was represented that all fractures occurred away from the weld zone. This confirmed the joint strength of the selected visually sound welds was greater than that of the base metal. Since all specimens broke at positions away from the weld, the tensile property observed was thus that of the base material, and the values were reasonably uniform. It can be concluded the optimal welding parameters for each pass number and welding position calculated from the developed system can be applied for control the welding quality for pipeline welding.
Determination of the welding parameters for pipeline welding is based on a skilled welders know-how and long-term experiences rather than on a theoretical and analytical techniques. In this paper, an intelligent system for determination of welding parameters for each pass and welding position for pipeline welding based on one database and FEM model, two BP neural network models and a C-NN model was developed and validated. The preliminary test of the system has indicated that the system could determine the welding parameters for pipeline welding quickly, from which good weldments can be produced without experienced welding personnel. Experiments using the predicted welding parameters from the developed system proved the feasibility of interface standards and intelligent control technology to increase productivity, improve quality, and reduce the cost of system integration. It can be observed that there is no violation of the quality criteria in the validation test. Therefore, the optimal welding parameters for each pass and welding position recommended by the developed system can be contribute to good quality of the weld joint in pipeline. In the validation test, the developed system took less than 3 min including the time for user input to obtain a set of welding parameters corresponding to an the real welding problem. Therefore, the developed intelligent system can greatly reduce the time required to generate initial welding parameters for pipeline welding in comparison with the expert. As a result, the weld quality using the predicted welding parameters determined from the developed system showed a uniform smooth weld with close ripples and good fusion. The most important observation, was represented that all fractures occurred away from the weld zone. This confirmed the joint strength of the selected visually sound welds was greater than that of the base metal. Since all specimens broke at positions away from the weld, the tensile property observed was thus that of the base material, and the values were reasonably uniform. It can be concluded the optimal welding parameters for each pass number and welding position calculated from the developed system can be applied for control the welding quality for pipeline welding.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.