용접·접합산업은 국가 기간산업인 조선, 자동차, 중공업, 건설, 전기/전자, 반도체 등의 산업에 필요한 기기 및 재료를 공급하기 때문에 이들 기간산업의 국가경쟁력을 좌우하는 생산기반산업이며, 국가 기간산업의 핵심기반 기술이다. 특히 조선 산업에서 사용되는 파이프는 소재 자체의 가격이 비싸고 우수한 용접부 성능을 필요로 하므로, 최신의 고성능 용접방법 및 자동화가 절실히 요구되고 파이프 용접장치 제품의 요구수준이 높아지고 해외시장에서의 경쟁력 확보를 위한 원가 저감에 대한 요구에 따라 발전하고 있다. 파이프 용접에서는 작업자의 숙련도가 용접부의 품질 및 생산성에 큰 영향을 미치는데, 숙련 작업자가 감소하면서 ...
용접·접합산업은 국가 기간산업인 조선, 자동차, 중공업, 건설, 전기/전자, 반도체 등의 산업에 필요한 기기 및 재료를 공급하기 때문에 이들 기간산업의 국가경쟁력을 좌우하는 생산기반산업이며, 국가 기간산업의 핵심기반 기술이다. 특히 조선 산업에서 사용되는 파이프는 소재 자체의 가격이 비싸고 우수한 용접부 성능을 필요로 하므로, 최신의 고성능 용접방법 및 자동화가 절실히 요구되고 파이프 용접장치 제품의 요구수준이 높아지고 해외시장에서의 경쟁력 확보를 위한 원가 저감에 대한 요구에 따라 발전하고 있다. 파이프 용접에서는 작업자의 숙련도가 용접부의 품질 및 생산성에 큰 영향을 미치는데, 숙련 작업자가 감소하면서 용접 공정에 대한 요구가 지속적으로 증가하고 있다. 최근 용접 산업은 4차 산업혁명과 연관하여 실제 생산 및 제조 분야에서 제품의 높은 품질의 요구와 Smart factory 구축을 위해 여러 연구가 진행 되고 있다. 인공지능 기법 중의 하나인 딥 러닝(Deep learning) 기법은 컴퓨터 연산 처리 속도의 발전을 통해 최근 객체 인식, 자연어 처리, 이미지 분류 등 분야에서 뛰어난 성능을 보여준다. 또한 최근 기계의 상태 진단 분야에서 딥 러닝기법을 이용하여 실시간으로 제품의 결함 또는 용접성을 예측하는 모니터링 기술에 관한 연구가 진행되고 있다. 하지만, 용접부의 크기와 형상과의 관계를 실험적으로 결정하기 위해 실제적인 데이터로 사용할 수 있지만, 여기서 사용된 용접조건은 아크전압, 용접전류 그리고 용접속도 등과 같은 실제적인 값들이 아니므로 다양한 공정변수에 따른 용접부 형상을 예측하기란 매우 어렵다. 따라서 비드형상 및 용접결함을 공정변수로 부터 예측할 수 있는 예측모델 개발이 필수적으로 요구된다. 따라서, 본 연구에서는 SA516-70 재질을 사용하여 GTA 용접공정시 획득한 데이터를 활용하여 비드형상 예측모델 개발을 목표로 하였다. 완전요인실험방법에 따라 용접조건별로 총 27회의 GTA용접실험을 실시하였으며, 용접 실험 시 용접 모니터링 시스템을 이용하여 실시간으로 전류‧전압 데이터를 추출하였다. 추출한 데이터를 기반으로 용접품질을 실시간으로 확인하였으며, 전류전압 데이터에 따른 비드형상(비드폭, 높이)의 경향을 확인하기 위해 3D Scanner를 사용하였다. 또한 실시간 전류·전압 데이터와 3D Scanner를 통하여 획득한 데이터들은 최적화 모델 개발에 사용되었다. 개발된 예측모델의 신뢰성을 검증하고자 실제 용접실험에서 얻은 비드형상과 상호 비교·분석하고, 정확도를 평가한다. 또한, Fuzzy cluster알고리즘을 개발하여 DNN 알고리즘과 비교하여 최적의 예측모델을 선정한다. 용접실험 중 실시간으로 측정한 공정변수와 최적모델이 예측한 비드형상을 이용한 추세분석을 통해 실시간 정확도를 분석하며 실제 용접실험에서 획득한 비드형상과 비교하여 신뢰성을 검증하고자 한다. 최종 목표는 용접 공정의 데이터를 분석하여 용접 품질의 이상 징후를 사전에 경보함으로써 제품의 품질 저하를 예방하고 고품질의 용접부를 도출하여 Smart factory에 적용하는 것이다.
용접·접합산업은 국가 기간산업인 조선, 자동차, 중공업, 건설, 전기/전자, 반도체 등의 산업에 필요한 기기 및 재료를 공급하기 때문에 이들 기간산업의 국가경쟁력을 좌우하는 생산기반산업이며, 국가 기간산업의 핵심기반 기술이다. 특히 조선 산업에서 사용되는 파이프는 소재 자체의 가격이 비싸고 우수한 용접부 성능을 필요로 하므로, 최신의 고성능 용접방법 및 자동화가 절실히 요구되고 파이프 용접장치 제품의 요구수준이 높아지고 해외시장에서의 경쟁력 확보를 위한 원가 저감에 대한 요구에 따라 발전하고 있다. 파이프 용접에서는 작업자의 숙련도가 용접부의 품질 및 생산성에 큰 영향을 미치는데, 숙련 작업자가 감소하면서 용접 공정에 대한 요구가 지속적으로 증가하고 있다. 최근 용접 산업은 4차 산업혁명과 연관하여 실제 생산 및 제조 분야에서 제품의 높은 품질의 요구와 Smart factory 구축을 위해 여러 연구가 진행 되고 있다. 인공지능 기법 중의 하나인 딥 러닝(Deep learning) 기법은 컴퓨터 연산 처리 속도의 발전을 통해 최근 객체 인식, 자연어 처리, 이미지 분류 등 분야에서 뛰어난 성능을 보여준다. 또한 최근 기계의 상태 진단 분야에서 딥 러닝기법을 이용하여 실시간으로 제품의 결함 또는 용접성을 예측하는 모니터링 기술에 관한 연구가 진행되고 있다. 하지만, 용접부의 크기와 형상과의 관계를 실험적으로 결정하기 위해 실제적인 데이터로 사용할 수 있지만, 여기서 사용된 용접조건은 아크전압, 용접전류 그리고 용접속도 등과 같은 실제적인 값들이 아니므로 다양한 공정변수에 따른 용접부 형상을 예측하기란 매우 어렵다. 따라서 비드형상 및 용접결함을 공정변수로 부터 예측할 수 있는 예측모델 개발이 필수적으로 요구된다. 따라서, 본 연구에서는 SA516-70 재질을 사용하여 GTA 용접공정시 획득한 데이터를 활용하여 비드형상 예측모델 개발을 목표로 하였다. 완전요인실험방법에 따라 용접조건별로 총 27회의 GTA용접실험을 실시하였으며, 용접 실험 시 용접 모니터링 시스템을 이용하여 실시간으로 전류‧전압 데이터를 추출하였다. 추출한 데이터를 기반으로 용접품질을 실시간으로 확인하였으며, 전류전압 데이터에 따른 비드형상(비드폭, 높이)의 경향을 확인하기 위해 3D Scanner를 사용하였다. 또한 실시간 전류·전압 데이터와 3D Scanner를 통하여 획득한 데이터들은 최적화 모델 개발에 사용되었다. 개발된 예측모델의 신뢰성을 검증하고자 실제 용접실험에서 얻은 비드형상과 상호 비교·분석하고, 정확도를 평가한다. 또한, Fuzzy cluster 알고리즘을 개발하여 DNN 알고리즘과 비교하여 최적의 예측모델을 선정한다. 용접실험 중 실시간으로 측정한 공정변수와 최적모델이 예측한 비드형상을 이용한 추세분석을 통해 실시간 정확도를 분석하며 실제 용접실험에서 획득한 비드형상과 비교하여 신뢰성을 검증하고자 한다. 최종 목표는 용접 공정의 데이터를 분석하여 용접 품질의 이상 징후를 사전에 경보함으로써 제품의 품질 저하를 예방하고 고품질의 용접부를 도출하여 Smart factory에 적용하는 것이다.
Welding·Joining industries are production based industries that govern the national competitiveness of the national backbone industries as they supply the equipments and materials necessary for the national industries such as shipbuilding, automobiles, heavy industry, construction, electricelectroni...
Welding·Joining industries are production based industries that govern the national competitiveness of the national backbone industries as they supply the equipments and materials necessary for the national industries such as shipbuilding, automobiles, heavy industry, construction, electricelectronic and semiconductor. In particular, the pipes used in shipbuilding industries are develop ed in response to the high cost of the materials themselves and need for excellent welding performance, the need for the latest high-performance welding methods and automation, the high level of the pipe welding equipment products, and the need for reducing costs for securing competitiveness in overseas markets. In pipe welding, the quality and productivity of the weld is greatly influenced by the quality and productivity of the weld, and the demand for the welding process continues to rise as the number of skilled workers decreases. Recent research is underway in the welding industry in relation to the 4th Industrial Revolution to build smart factory and demand for high quality products in the field of actual production and manufacturing. Deep learning technique, one of the methods of artificial intelligence, shows outstanding performance in the field of object recognition, natural language processing, and image classification through the development of computer processing speed. In addition, monitoring technology is currently being studied in the field of condition diagnosis of machines using deep learning techniques to predict the defects or weldability of products in real time. However, while practical data can be used to determine the size and relationship of the weld to the shape, it is very difficult to predict the weld geometry according to various process variables, since the weld conditions used are not practical values such as arc voltage, welding current, and welding speed. Therefore, it is essential to develop a predictive model for predicting bead shape and weld defects from process variables. Therefore, in this study, the aim was to develop a bead shape prediction model using data obtained from GTA welder on time using SA 516-70 materials. A total of 27 GTA welding experiments were conducted under the full factorial experiment and current and voltage data were extracted in real time using the welding monitoring system during the welding test. Based on the data extracted, the quality of the weld was verified in real time and 3D Scanner was used to determine the tendency of the bead shape (width, height) to be based on the current voltage data. In addition, real-time current and voltage data and data obtained through 3D scanner were used to develop optimization models. To verify the reliability of the developed predictive model, cross compare and analyze bead geometry with those obtained from the actual welding experiment and evaluate the accuracy. In addition, the Fuzzy cluster algorithm is developed and compared with the DNN algorithm to select an optimal predictive model. During the welding experiment, real-time accuracy is analyzed through trend analysis using the bead geometry predicted by the optimal model and process variables measured in real time, and reliability is verified against the bead geometry obtained from the actual welding experiment. The final goal is to analyze the data from the welding process to prevent deterioration of the product, derive high-quality welds, and apply them to smart factory by proactively monitoring for any anomalies in weld quality.
Welding·Joining industries are production based industries that govern the national competitiveness of the national backbone industries as they supply the equipments and materials necessary for the national industries such as shipbuilding, automobiles, heavy industry, construction, electricelectronic and semiconductor. In particular, the pipes used in shipbuilding industries are develop ed in response to the high cost of the materials themselves and need for excellent welding performance, the need for the latest high-performance welding methods and automation, the high level of the pipe welding equipment products, and the need for reducing costs for securing competitiveness in overseas markets. In pipe welding, the quality and productivity of the weld is greatly influenced by the quality and productivity of the weld, and the demand for the welding process continues to rise as the number of skilled workers decreases. Recent research is underway in the welding industry in relation to the 4th Industrial Revolution to build smart factory and demand for high quality products in the field of actual production and manufacturing. Deep learning technique, one of the methods of artificial intelligence, shows outstanding performance in the field of object recognition, natural language processing, and image classification through the development of computer processing speed. In addition, monitoring technology is currently being studied in the field of condition diagnosis of machines using deep learning techniques to predict the defects or weldability of products in real time. However, while practical data can be used to determine the size and relationship of the weld to the shape, it is very difficult to predict the weld geometry according to various process variables, since the weld conditions used are not practical values such as arc voltage, welding current, and welding speed. Therefore, it is essential to develop a predictive model for predicting bead shape and weld defects from process variables. Therefore, in this study, the aim was to develop a bead shape prediction model using data obtained from GTA welder on time using SA 516-70 materials. A total of 27 GTA welding experiments were conducted under the full factorial experiment and current and voltage data were extracted in real time using the welding monitoring system during the welding test. Based on the data extracted, the quality of the weld was verified in real time and 3D Scanner was used to determine the tendency of the bead shape (width, height) to be based on the current voltage data. In addition, real-time current and voltage data and data obtained through 3D scanner were used to develop optimization models. To verify the reliability of the developed predictive model, cross compare and analyze bead geometry with those obtained from the actual welding experiment and evaluate the accuracy. In addition, the Fuzzy cluster algorithm is developed and compared with the DNN algorithm to select an optimal predictive model. During the welding experiment, real-time accuracy is analyzed through trend analysis using the bead geometry predicted by the optimal model and process variables measured in real time, and reliability is verified against the bead geometry obtained from the actual welding experiment. The final goal is to analyze the data from the welding process to prevent deterioration of the product, derive high-quality welds, and apply them to smart factory by proactively monitoring for any anomalies in weld quality.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.