최근 4차 산업혁명의 급속한 발전으로 Smart Factory 구축이 산업계의 큰 화두가 되고 있다. 또한 ICT 융합 기반의 초지능초연결로 제조업은 스마트제조로 나아가는 패러다임의 전환기를 맞고 있다. 패러다임이 바뀌더라도 변치 않 는 중요한 화두 중 하나는 품질의 초일류를 실현하는 품질 중심의 경영이다. 품질이 곧 기업의 경쟁력이자 고객 신뢰의 기준이 되기 때문이다. 따라서 제품의 양품/불량을 판정하여 불량제품의 외부 유출을 방지하는 검사공정은 매우 중요하다고 할 수 있다. 검사공정에서는 센서, 머신비전등 다양한 장비들을 활용하여 검사를 진행한다. 산업현장에서 많이 사용되는 공정 중 하나인 ...
최근 4차 산업혁명의 급속한 발전으로 Smart Factory 구축이 산업계의 큰 화두가 되고 있다. 또한 ICT 융합 기반의 초지능초연결로 제조업은 스마트제조로 나아가는 패러다임의 전환기를 맞고 있다. 패러다임이 바뀌더라도 변치 않 는 중요한 화두 중 하나는 품질의 초일류를 실현하는 품질 중심의 경영이다. 품질이 곧 기업의 경쟁력이자 고객 신뢰의 기준이 되기 때문이다. 따라서 제품의 양품/불량을 판정하여 불량제품의 외부 유출을 방지하는 검사공정은 매우 중요하다고 할 수 있다. 검사공정에서는 센서, 머신비전등 다양한 장비들을 활용하여 검사를 진행한다. 산업현장에서 많이 사용되는 공정 중 하나인 용접공정의 경우에는 용접의 품질이 좋은지 안 좋은지 센서의 알람 유/무로도 확인이 가능하지만, 보다 정밀한 불량 분석과 판별을 위해 용접이 진행되는 동안의 Signal의 특징을 분석하는 방안도 고려해 볼 수 있다. 지금까지 용접 불량을 판별하기 위해 각 용접 종류별 다양한 방법으로 연구가 수행되어 왔다. Zhifen Zhang은 Multi Sensor를 Base로 한 Arc-welding defect 검출 논문에서 다양한 용접 신호의 특징 추출 방안은 제시하였으나, 94.72%의 정확도를 나타내었고, Yuan Chen은 초음파 용접에서 LMSVM 알고리즘을 사용하여 0.1초 미만의 빠른 Testing time과 최대 98.8%의 개선된 정확도를 보여줬으나, 정상과 불량간의 신호 Type별 FFT Spectrum 파형 차이가 유사한 신호들의 불량을 분류하는 연구는 진행되지 못했다. 이에 본 논문에서는 정상과 불량간의 신호파형이 유사한 신호를 분류하기 위해 최소한의 feature를 사용하면서도 정확도가 높은 알고리즘을 제안한다. 알고리즘은 우선 설비의 진동성 신호를 감안하여 Wavelet Transform을 사용하여 Noise의 전처리를 하였고, feature로는 용접신호의 Peak Signal feature값과 Texture feature값을 신호에서 추출하였다. 이렇게 추출된 feature들은 SVM알고리즘등을 사용하여 신호를 총 2가지의 Class로 분류하여 보았다. 분류 결과 SVM 알고리즘을 사용할 때 98.3% 정확도로 신호를 분류할 수 있었다. 본 연구과정을 통해 실제 제품이 생산되는 제조공장에서 설비의 신호를 사용하여 불량을 검출하는 알고리즘을 제안하였다. 향후 양산라인에 사용할 수 있는 불량신호 검출기 제작을 위해서 설비 고유의 Signal을 채취할 수 있는 진동센서, 레이저 변위센서등을 활용하여 신호의 특장값을 추출하고 더 많은 Training data를 활용한다면 보다 높은 정확도를 가지는 검사 시스템을 만들 수 있을 것으로 기대된다.
최근 4차 산업혁명의 급속한 발전으로 Smart Factory 구축이 산업계의 큰 화두가 되고 있다. 또한 ICT 융합 기반의 초지능 초연결로 제조업은 스마트제조로 나아가는 패러다임의 전환기를 맞고 있다. 패러다임이 바뀌더라도 변치 않 는 중요한 화두 중 하나는 품질의 초일류를 실현하는 품질 중심의 경영이다. 품질이 곧 기업의 경쟁력이자 고객 신뢰의 기준이 되기 때문이다. 따라서 제품의 양품/불량을 판정하여 불량제품의 외부 유출을 방지하는 검사공정은 매우 중요하다고 할 수 있다. 검사공정에서는 센서, 머신비전등 다양한 장비들을 활용하여 검사를 진행한다. 산업현장에서 많이 사용되는 공정 중 하나인 용접공정의 경우에는 용접의 품질이 좋은지 안 좋은지 센서의 알람 유/무로도 확인이 가능하지만, 보다 정밀한 불량 분석과 판별을 위해 용접이 진행되는 동안의 Signal의 특징을 분석하는 방안도 고려해 볼 수 있다. 지금까지 용접 불량을 판별하기 위해 각 용접 종류별 다양한 방법으로 연구가 수행되어 왔다. Zhifen Zhang은 Multi Sensor를 Base로 한 Arc-welding defect 검출 논문에서 다양한 용접 신호의 특징 추출 방안은 제시하였으나, 94.72%의 정확도를 나타내었고, Yuan Chen은 초음파 용접에서 LMSVM 알고리즘을 사용하여 0.1초 미만의 빠른 Testing time과 최대 98.8%의 개선된 정확도를 보여줬으나, 정상과 불량간의 신호 Type별 FFT Spectrum 파형 차이가 유사한 신호들의 불량을 분류하는 연구는 진행되지 못했다. 이에 본 논문에서는 정상과 불량간의 신호파형이 유사한 신호를 분류하기 위해 최소한의 feature를 사용하면서도 정확도가 높은 알고리즘을 제안한다. 알고리즘은 우선 설비의 진동성 신호를 감안하여 Wavelet Transform을 사용하여 Noise의 전처리를 하였고, feature로는 용접신호의 Peak Signal feature값과 Texture feature값을 신호에서 추출하였다. 이렇게 추출된 feature들은 SVM알고리즘등을 사용하여 신호를 총 2가지의 Class로 분류하여 보았다. 분류 결과 SVM 알고리즘을 사용할 때 98.3% 정확도로 신호를 분류할 수 있었다. 본 연구과정을 통해 실제 제품이 생산되는 제조공장에서 설비의 신호를 사용하여 불량을 검출하는 알고리즘을 제안하였다. 향후 양산라인에 사용할 수 있는 불량신호 검출기 제작을 위해서 설비 고유의 Signal을 채취할 수 있는 진동센서, 레이저 변위센서등을 활용하여 신호의 특장값을 추출하고 더 많은 Training data를 활용한다면 보다 높은 정확도를 가지는 검사 시스템을 만들 수 있을 것으로 기대된다.
With the fourth industrial revolution, referred to as Industrie 4.0, Smart Factory has become an important topic in the field of manufacturing industry. In addition, the ICT convergence-based super-intelligent superconducting manufacturing industry is facing a paradigm shift toward s...
With the fourth industrial revolution, referred to as Industrie 4.0, Smart Factory has become an important topic in the field of manufacturing industry. In addition, the ICT convergence-based super-intelligent superconducting manufacturing industry is facing a paradigm shift toward smart manufacturing. Even if the paradigm shifts, one of the most important issues is quality-oriented management that realizes top-notch quality. Quality is the company's competitiveness and based on customer trust. Therefore, it can be said that the inspection process for judging good products / defective products and preventing the outflow of defective products is very important. In case of welding process, which is one of the most used processes in the industrial field, it is possible to check the sensor's alarm whether the quality of the welding is good or not. However, in order to more precisely analyze the failure and discrimination, we can also consider analyzing the signal's features. So far, various studies have been carried out by different welding methods to distinguish weld failure signal analysis. Zhifen Zhang showed the accuracy of 94.72% in various welding signal detection methods in Arc-welding defect detection paper based on multi sensor base. Yuan Chen used LMSVM algorithm in ultrasonic welding to measure the welding characteristics Although it showed fast testing time and improved accuracy of up to 98.8%, no studies were done to classify the defects of signals with similar FFT Spectrum waveforms by signal type between normal and defective. In this paper, we propose a highly accurate algorithm that uses minimum features to classify similar signal waveforms between normal and defective signals. The algorithm first preprocesses the noise by using the wavelet transform in consideration of the vibration signal of the equipment, and extracts the peak signal feature value and the texture feature value of the weld signal. The extracted features were classified into two classes using the SVM algorithm. Classification Results When using the SVM algorithm, we could classify the signal with 98.3% accuracy. Through this study, we propose an algorithm to detect defects by using equipment signals at manufacturing plants where actual products are produced. In order to produce bad signal detectors that can be used in the future mass production lines, it is possible to extract the feature value of the signal by using vibration sensor and laser displacement sensor that can collect the inherent signal of the equipment, The branch is expected to be able to create an inspection system.
With the fourth industrial revolution, referred to as Industrie 4.0, Smart Factory has become an important topic in the field of manufacturing industry. In addition, the ICT convergence-based super-intelligent superconducting manufacturing industry is facing a paradigm shift toward smart manufacturing. Even if the paradigm shifts, one of the most important issues is quality-oriented management that realizes top-notch quality. Quality is the company's competitiveness and based on customer trust. Therefore, it can be said that the inspection process for judging good products / defective products and preventing the outflow of defective products is very important. In case of welding process, which is one of the most used processes in the industrial field, it is possible to check the sensor's alarm whether the quality of the welding is good or not. However, in order to more precisely analyze the failure and discrimination, we can also consider analyzing the signal's features. So far, various studies have been carried out by different welding methods to distinguish weld failure signal analysis. Zhifen Zhang showed the accuracy of 94.72% in various welding signal detection methods in Arc-welding defect detection paper based on multi sensor base. Yuan Chen used LMSVM algorithm in ultrasonic welding to measure the welding characteristics Although it showed fast testing time and improved accuracy of up to 98.8%, no studies were done to classify the defects of signals with similar FFT Spectrum waveforms by signal type between normal and defective. In this paper, we propose a highly accurate algorithm that uses minimum features to classify similar signal waveforms between normal and defective signals. The algorithm first preprocesses the noise by using the wavelet transform in consideration of the vibration signal of the equipment, and extracts the peak signal feature value and the texture feature value of the weld signal. The extracted features were classified into two classes using the SVM algorithm. Classification Results When using the SVM algorithm, we could classify the signal with 98.3% accuracy. Through this study, we propose an algorithm to detect defects by using equipment signals at manufacturing plants where actual products are produced. In order to produce bad signal detectors that can be used in the future mass production lines, it is possible to extract the feature value of the signal by using vibration sensor and laser displacement sensor that can collect the inherent signal of the equipment, The branch is expected to be able to create an inspection system.
주제어
#패턴인식 불량신호 분석 SVM 분류 pattern recognition fault signal diagnosis svm classfication
학위논문 정보
저자
우형민
학위수여기관
연세대학교 공학대학원
학위구분
국내석사
학과
전기전자공학과
지도교수
김재희
발행연도
2018
총페이지
vii, 42장
키워드
패턴인식 불량신호 분석 SVM 분류 pattern recognition fault signal diagnosis svm classfication
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.