본 연구에서는 여러 용접 변수들에 의해 발생할 수 있는 용접결함을 확인하기 위하여 용접 품질을 판단하는 모델을 생성하였다. 용접시 발생하는 용접결함을 검출하기 위해서는 비파괴검사를 실시하여야 한다. 하지만, 모든 용접부의 비파괴검사를 실시하기에는 많은 시간이 소모하게 되며 비용이 증가하게 되기 때문에 이러한 비용을 절감하기 위해 본 연구를 진행하였다. 현재 조선소에서는 Arc용접이 가장 많이 사용되지만, 조선소에서 용접 결과에 대한 데이터를 축적시키지 않아 이를 연구에 활용하기에 어려움이 있다.따라서 본 연구에서는 타당성 검토를 위해 ...
본 연구에서는 여러 용접 변수들에 의해 발생할 수 있는 용접결함을 확인하기 위하여 용접 품질을 판단하는 모델을 생성하였다. 용접시 발생하는 용접결함을 검출하기 위해서는 비파괴검사를 실시하여야 한다. 하지만, 모든 용접부의 비파괴검사를 실시하기에는 많은 시간이 소모하게 되며 비용이 증가하게 되기 때문에 이러한 비용을 절감하기 위해 본 연구를 진행하였다. 현재 조선소에서는 Arc용접이 가장 많이 사용되지만, 조선소에서 용접 결과에 대한 데이터를 축적시키지 않아 이를 연구에 활용하기에 어려움이 있다.따라서 본 연구에서는 타당성 검토를 위해 저항용접을 활용한 용접 품질 판단 모델을 구축하였다. 저항용접에는 저항 점 용접, 저항 프로젝션 용접, 저항 심 용접 등이 있다. 본 연구에서는 저항 점 용접과 저항 프로젝션 용접을 대상으로 연구를 진행하였으며, 용접 품질 판단 모델을 구축하기 위해서는 머신러닝 기법을 적용하였다. 머신러닝 기법에는 지도학습과 비지도 학습이 있으며, 그 중 지도학습은 딥러닝을 적용한 지도학습, 딥러닝은 적용하지 않은 지도학습으로 나뉜다. 분석에는 딥러닝을 적용한 지도학습, 딥러닝을 적용하지 않은 지도학습, 비지도 학습을 모두 적용하여 분석을 진행하였으며, 세 가지 머신러닝 기법에 대한 정확도를 비교하였다. 머신러닝 분석을 위해 사용한 용접 데이터는 용접할 때 전압, 전류, 공압, 온도센서를 부착하여 데이터를 축적 시켰다. 분석에 앞서 정상용접과 불량용접에 따른 데이터의 패턴 변화를 확인하였고, 정상용접과 불량용접을 판단할 수 있는 특성값을 추출하여 분석에 사용하였다. 머신러닝을 활용한 품질 판단 모델은 저항점 용접과 저항 프로젝션 용접 각각 용접법에 맞추어 모델을 구축하였다. 저항 프로젝션 용접은 전류, 저항 값을 분석에 사용하였다. 전압의 경우 고정된 패턴 값으로 사용하였기 때문에 분석에는 제외하였으며, 전류의 세기가 품질 판단을 결정하는 요소로 사용하였다. 그리하여 전류 패턴에 따른 정상용접과 불량용접을 판단하는 모델을 생성하였다. 저항 점 용접의 경우 저항 패턴이 다양하게 나타나는 경향을 확인하였다. 그리하여 패턴의 경향에 따른 군집분석을 진행하였고, 용접에 있어 너깃 직경은 용접의 품질을 결정하는 중요한 요소이기에 각 패턴의 군집에 따른 너깃 직경의 크기를 예측하는 모델을 생성하였다. 각 용접법에 따른 품질 판단 모델은 다양한 머신러닝 기법을 활용하여 분석을 진행하였고, 가장 높은 정확도로 품질을 판단하는 기법을 활용하여 모델을 생성하였다.
본 연구에서는 여러 용접 변수들에 의해 발생할 수 있는 용접결함을 확인하기 위하여 용접 품질을 판단하는 모델을 생성하였다. 용접시 발생하는 용접결함을 검출하기 위해서는 비파괴검사를 실시하여야 한다. 하지만, 모든 용접부의 비파괴검사를 실시하기에는 많은 시간이 소모하게 되며 비용이 증가하게 되기 때문에 이러한 비용을 절감하기 위해 본 연구를 진행하였다. 현재 조선소에서는 Arc용접이 가장 많이 사용되지만, 조선소에서 용접 결과에 대한 데이터를 축적시키지 않아 이를 연구에 활용하기에 어려움이 있다.따라서 본 연구에서는 타당성 검토를 위해 저항용접을 활용한 용접 품질 판단 모델을 구축하였다. 저항용접에는 저항 점 용접, 저항 프로젝션 용접, 저항 심 용접 등이 있다. 본 연구에서는 저항 점 용접과 저항 프로젝션 용접을 대상으로 연구를 진행하였으며, 용접 품질 판단 모델을 구축하기 위해서는 머신러닝 기법을 적용하였다. 머신러닝 기법에는 지도학습과 비지도 학습이 있으며, 그 중 지도학습은 딥러닝을 적용한 지도학습, 딥러닝은 적용하지 않은 지도학습으로 나뉜다. 분석에는 딥러닝을 적용한 지도학습, 딥러닝을 적용하지 않은 지도학습, 비지도 학습을 모두 적용하여 분석을 진행하였으며, 세 가지 머신러닝 기법에 대한 정확도를 비교하였다. 머신러닝 분석을 위해 사용한 용접 데이터는 용접할 때 전압, 전류, 공압, 온도센서를 부착하여 데이터를 축적 시켰다. 분석에 앞서 정상용접과 불량용접에 따른 데이터의 패턴 변화를 확인하였고, 정상용접과 불량용접을 판단할 수 있는 특성값을 추출하여 분석에 사용하였다. 머신러닝을 활용한 품질 판단 모델은 저항점 용접과 저항 프로젝션 용접 각각 용접법에 맞추어 모델을 구축하였다. 저항 프로젝션 용접은 전류, 저항 값을 분석에 사용하였다. 전압의 경우 고정된 패턴 값으로 사용하였기 때문에 분석에는 제외하였으며, 전류의 세기가 품질 판단을 결정하는 요소로 사용하였다. 그리하여 전류 패턴에 따른 정상용접과 불량용접을 판단하는 모델을 생성하였다. 저항 점 용접의 경우 저항 패턴이 다양하게 나타나는 경향을 확인하였다. 그리하여 패턴의 경향에 따른 군집분석을 진행하였고, 용접에 있어 너깃 직경은 용접의 품질을 결정하는 중요한 요소이기에 각 패턴의 군집에 따른 너깃 직경의 크기를 예측하는 모델을 생성하였다. 각 용접법에 따른 품질 판단 모델은 다양한 머신러닝 기법을 활용하여 분석을 진행하였고, 가장 높은 정확도로 품질을 판단하는 기법을 활용하여 모델을 생성하였다.
In this paper, a model was created to determine the quality of welding in order to identify weld defects that could be caused by various welding variables. Non-destructive testing shall be performed to detect weld defects during welding. However, this study was conducted to reduce th...
In this paper, a model was created to determine the quality of welding in order to identify weld defects that could be caused by various welding variables. Non-destructive testing shall be performed to detect weld defects during welding. However, this study was conducted to reduce these costs because non-destructive testing of all welds would take a lot of time and cost would increase. Arc welding is currently the most frequently used in shipyards, but it is difficult to use it for research because the shipyard does not accumulate data on welding results. Therefore, a model for determining weld quality using resistance welding was established in this study for feasibility study. Resistance welding includes resistance spot welding, resistance projection welding, resistance seam welding, etc. In this study, research was conducted on resistance spot welding and resistance projection welding, and machine learning technique was applied to build welding quality judgment model. Machine learning techniques include supervised learning and unsupervised learning. Among them, supervised learning is divided into supervised learning with deep learning and supervised learning without deep learning. The analysis was conducted by applying both supervised learning with deep learning, supervised learning without deep learning, and unsupervised learning, and the accuracy of the three machine learning techniques was compared. The welding data used for machine learning analysis accumulated data by attaching voltage, current, pneumatic, and temperature sensors when welding. Before the analysis, the pattern change of the data according to the normal welding and the bad welding was confirmed, and the characteristic values capable of determining the normal welding and the bad welding were extracted and used for analysis. The quality judgment model using machine learning was constructed according to the welding method of resistance spot welding and resistance projection welding. Resistance projection welding used current and resistance values for analysis. Since the voltage was used as a fixed pattern value, it was excluded from the analysis, and the intensity of the current was used as a factor to determine quality. Thus, a model for determining normal and defective welding according to the current pattern was generated. In the case of resistance spot welding, it was confirmed that the resistance pattern tends to appear in various ways. Therefore, cluster analysis was performed according to the pattern tendency, and a nugget diameter in welding was an important factor in determining the quality of welding, so a model for predicting the size of the nugget diameter according to the cluster of each pattern was generated. The quality judgment model according to each welding method was analyzed using various machine learning techniques, and a model was created using the technique to judge quality with the highest accuracy.
In this paper, a model was created to determine the quality of welding in order to identify weld defects that could be caused by various welding variables. Non-destructive testing shall be performed to detect weld defects during welding. However, this study was conducted to reduce these costs because non-destructive testing of all welds would take a lot of time and cost would increase. Arc welding is currently the most frequently used in shipyards, but it is difficult to use it for research because the shipyard does not accumulate data on welding results. Therefore, a model for determining weld quality using resistance welding was established in this study for feasibility study. Resistance welding includes resistance spot welding, resistance projection welding, resistance seam welding, etc. In this study, research was conducted on resistance spot welding and resistance projection welding, and machine learning technique was applied to build welding quality judgment model. Machine learning techniques include supervised learning and unsupervised learning. Among them, supervised learning is divided into supervised learning with deep learning and supervised learning without deep learning. The analysis was conducted by applying both supervised learning with deep learning, supervised learning without deep learning, and unsupervised learning, and the accuracy of the three machine learning techniques was compared. The welding data used for machine learning analysis accumulated data by attaching voltage, current, pneumatic, and temperature sensors when welding. Before the analysis, the pattern change of the data according to the normal welding and the bad welding was confirmed, and the characteristic values capable of determining the normal welding and the bad welding were extracted and used for analysis. The quality judgment model using machine learning was constructed according to the welding method of resistance spot welding and resistance projection welding. Resistance projection welding used current and resistance values for analysis. Since the voltage was used as a fixed pattern value, it was excluded from the analysis, and the intensity of the current was used as a factor to determine quality. Thus, a model for determining normal and defective welding according to the current pattern was generated. In the case of resistance spot welding, it was confirmed that the resistance pattern tends to appear in various ways. Therefore, cluster analysis was performed according to the pattern tendency, and a nugget diameter in welding was an important factor in determining the quality of welding, so a model for predicting the size of the nugget diameter according to the cluster of each pattern was generated. The quality judgment model according to each welding method was analyzed using various machine learning techniques, and a model was created using the technique to judge quality with the highest accuracy.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.