용접은 자동차, 항공우주, 조선, 운송, 원자력, 해상풍력 에너지와 같은 산업에서 널리 사용되는 제조 산업에 사용되는 주요 금속 접합 공정 중 하나이다. 이러한 산업은 심각한 운영 조건을 고려할 때 용접 품질 제어가 매우 중요하다. 업계에서는 온라인 용접 품질을 보장하고 결함 발생을 예방할 수 있는 일종의 실시간 공정 모니터링/컨트롤을 모색하고 있다. 현재 가장 널리 사용되는 용접검사 방법은 종합검사, RT (Radiograph Testing)검사, ...
용접은 자동차, 항공우주, 조선, 운송, 원자력, 해상풍력 에너지와 같은 산업에서 널리 사용되는 제조 산업에 사용되는 주요 금속 접합 공정 중 하나이다. 이러한 산업은 심각한 운영 조건을 고려할 때 용접 품질 제어가 매우 중요하다. 업계에서는 온라인 용접 품질을 보장하고 결함 발생을 예방할 수 있는 일종의 실시간 공정 모니터링/컨트롤을 모색하고 있다. 현재 가장 널리 사용되는 용접검사 방법은 종합검사, RT (Radiograph Testing)검사, UT (Ultrasonic Testing) 등이다. 그러나 이러한 방법은 높은 비용과 낮은 효율성을 가질 뿐만 아니라 실제 생산에도 많은 문제를 가지고 있다. 방사선 투과 시험(γ - ray, X - ray)은 비파괴시험에 가장 널리 사용되지만, 방사선 피폭에 따른 사용자의 위험도 함축하고 있다. 또, 무선 논리 결과의 해독이 필요하며, 실시간 결과의 처리가 곤란하며, 두꺼운 판의 검출이 불분명하다. 초음파 검사의 단점은 용접 부위가 작거나 보드가 얇을 때 검출이 어려워 표준시료와 비교시료가 필요하다는 점이다. 따라서 시간과 경제적 손실을 줄일 수 있는 보다 효과적인 실시간 결함 진단 시스템을 연구가 시급한 실정이다. 최근에는 실시간 결함 진단 시스템의 필요성이 요구되어 공작기계 결함 검출 및 기계상태 진단 분야에서 실시간으로 평가와 검사가 가능한 지능형 알고리즘에 대한 여러 연구가 이루어지고 있다. 최근 GMA 용접 관련 온라인 결함 진단 선행연구에서는 시각 및 청각 신호 추출 분석을 통해 용접 프로세스의 실시간 모니터링 성능에 대한 연구가 진행되고 있으나 용접공정에서 용접변수가 미치는 영향을 확인하기 어려우며, 실시간 제어를 통해 우수한 용접품질을 나타내는 방법에 대하여 해결하지 못해 많은 어려움을 보이고 있다. 따라서 본 논문에서는 GMA 용접에서 용접 공정 불량 발생과 용접 전류 및 전압 신호 간의 상관관계를 확인하고, 온라인 모니터링을 통해 용접 과정에서 실시간 전류 및 전압 신호를 수집하고 분석하여 용접품질에 미치는 영향을 확인하고 제어하고자 한다. 첫째로 용접 전류와 전압의 세가지 수준 9 그룹으로 분류되어 있으며, 센서는 용접 프로세스에서 전류와 전압 신호를 획득하는 데 사용된다. 둘재로 용접 전류 및 전압 신호 분석을 통해 실시간 용접 품질 모델을 개발하였다. 마지막으로 3가지 머신러닝 모델의 모니터링 결과를 그림과 같이 비교한다. 현재의 준감독 학습모델과 비교했을 때 제안된 무감독 학습모델은 보다 효율적이고 안정적임을 확인하였다. 또한 제안된 딥러닝 모델이 가장 큰 장점을 가지고 있으며, 3개 모델에서 가장 높은 점수를 받은 것은 물론, 원 신호를 직접 학습할 수 있어 효율성이 크게 향상됨을 확인하였다.
용접은 자동차, 항공우주, 조선, 운송, 원자력, 해상풍력 에너지와 같은 산업에서 널리 사용되는 제조 산업에 사용되는 주요 금속 접합 공정 중 하나이다. 이러한 산업은 심각한 운영 조건을 고려할 때 용접 품질 제어가 매우 중요하다. 업계에서는 온라인 용접 품질을 보장하고 결함 발생을 예방할 수 있는 일종의 실시간 공정 모니터링/컨트롤을 모색하고 있다. 현재 가장 널리 사용되는 용접검사 방법은 종합검사, RT (Radiograph Testing)검사, UT (Ultrasonic Testing) 등이다. 그러나 이러한 방법은 높은 비용과 낮은 효율성을 가질 뿐만 아니라 실제 생산에도 많은 문제를 가지고 있다. 방사선 투과 시험(γ - ray, X - ray)은 비파괴시험에 가장 널리 사용되지만, 방사선 피폭에 따른 사용자의 위험도 함축하고 있다. 또, 무선 논리 결과의 해독이 필요하며, 실시간 결과의 처리가 곤란하며, 두꺼운 판의 검출이 불분명하다. 초음파 검사의 단점은 용접 부위가 작거나 보드가 얇을 때 검출이 어려워 표준시료와 비교시료가 필요하다는 점이다. 따라서 시간과 경제적 손실을 줄일 수 있는 보다 효과적인 실시간 결함 진단 시스템을 연구가 시급한 실정이다. 최근에는 실시간 결함 진단 시스템의 필요성이 요구되어 공작기계 결함 검출 및 기계상태 진단 분야에서 실시간으로 평가와 검사가 가능한 지능형 알고리즘에 대한 여러 연구가 이루어지고 있다. 최근 GMA 용접 관련 온라인 결함 진단 선행연구에서는 시각 및 청각 신호 추출 분석을 통해 용접 프로세스의 실시간 모니터링 성능에 대한 연구가 진행되고 있으나 용접공정에서 용접변수가 미치는 영향을 확인하기 어려우며, 실시간 제어를 통해 우수한 용접품질을 나타내는 방법에 대하여 해결하지 못해 많은 어려움을 보이고 있다. 따라서 본 논문에서는 GMA 용접에서 용접 공정 불량 발생과 용접 전류 및 전압 신호 간의 상관관계를 확인하고, 온라인 모니터링을 통해 용접 과정에서 실시간 전류 및 전압 신호를 수집하고 분석하여 용접품질에 미치는 영향을 확인하고 제어하고자 한다. 첫째로 용접 전류와 전압의 세가지 수준 9 그룹으로 분류되어 있으며, 센서는 용접 프로세스에서 전류와 전압 신호를 획득하는 데 사용된다. 둘재로 용접 전류 및 전압 신호 분석을 통해 실시간 용접 품질 모델을 개발하였다. 마지막으로 3가지 머신러닝 모델의 모니터링 결과를 그림과 같이 비교한다. 현재의 준감독 학습모델과 비교했을 때 제안된 무감독 학습모델은 보다 효율적이고 안정적임을 확인하였다. 또한 제안된 딥러닝 모델이 가장 큰 장점을 가지고 있으며, 3개 모델에서 가장 높은 점수를 받은 것은 물론, 원 신호를 직접 학습할 수 있어 효율성이 크게 향상됨을 확인하였다.
Welding is one of the major metal-joining processes employed in fabrication industries, which widely employed in industries such as automobiles, aerospace, shipbuilding, transportation, nuclear and offshore wind energy. Control of welding quality is of great importance to such industries considering...
Welding is one of the major metal-joining processes employed in fabrication industries, which widely employed in industries such as automobiles, aerospace, shipbuilding, transportation, nuclear and offshore wind energy. Control of welding quality is of great importance to such industries considering the severe operating conditions. Industries are looking for some kind of real-time process monitoring or control that will ensure the weld quality and prevent the occurrence of defects. At present, the most widely used welding inspection methods are comprehensive inspection such as RT(Radiograph Testing) inspection and UT(Ultrasonic Testing). But these methods not only have high costs and low efficiency, but also get many problems in actual production. Therefore, the importance of studying more effective real-time defect diagnosis systems capable of reducing the time and economic loss is self-evident. Recently, since the requirement for defect diagnosis systems has been widely recognized, several studies have been conducted on intelligent algorithms capable of real-time evaluation and inspection in the field of machine tool defect detection and machine condition diagnosis. In recent research on read-time defect diagnosis related to automated GMA(Gas Metal Arc) welding, through the analysis of visual and auditory signal extraction, it has a good performance in real-time monitoring of the welding process. However, it does not indicate the influence of welding parameters on the welding process as well as it cannot be controlled in real-time to ensure good welding performance. According to the previous research results, the welding current and voltage have a great influence on the welding quality, and it is easy to collect real-time signals for monitoring the welding quality. Therefore, an attempt in this thesis is made to establish a correlation between the current and voltage signatures with the good weld and defect weld with porosity using the GMA welding process. In order to monitor or control the welding quality in real-time, an intelligent detection model based on machine learning that has been employed analyzing the welding current and voltage signals collected in real-time is developed. First, three-levels of welding current and voltage are combined into nine groups of experiments, and sensors are used to take the current and voltage signals in the GMA welding process. Secondly, through the analysis of the welding current and voltage signal, the three intelligent model is proposed. The final target was to find the efficient and high-performance intelligent monitoring algorithm. Finally, the results of three machine learning algorithms as shown in Fig. 1 were analyzed and compared. Compared with the current semi-supervised learning model, the proposed unsupervised learning model is more efficient and stable. Also, the proposed deep learning model had the most advantages. It not only has the highest score in the three models, but also can learn the original signal directly, which greatly improves efficiency.
Welding is one of the major metal-joining processes employed in fabrication industries, which widely employed in industries such as automobiles, aerospace, shipbuilding, transportation, nuclear and offshore wind energy. Control of welding quality is of great importance to such industries considering the severe operating conditions. Industries are looking for some kind of real-time process monitoring or control that will ensure the weld quality and prevent the occurrence of defects. At present, the most widely used welding inspection methods are comprehensive inspection such as RT(Radiograph Testing) inspection and UT(Ultrasonic Testing). But these methods not only have high costs and low efficiency, but also get many problems in actual production. Therefore, the importance of studying more effective real-time defect diagnosis systems capable of reducing the time and economic loss is self-evident. Recently, since the requirement for defect diagnosis systems has been widely recognized, several studies have been conducted on intelligent algorithms capable of real-time evaluation and inspection in the field of machine tool defect detection and machine condition diagnosis. In recent research on read-time defect diagnosis related to automated GMA(Gas Metal Arc) welding, through the analysis of visual and auditory signal extraction, it has a good performance in real-time monitoring of the welding process. However, it does not indicate the influence of welding parameters on the welding process as well as it cannot be controlled in real-time to ensure good welding performance. According to the previous research results, the welding current and voltage have a great influence on the welding quality, and it is easy to collect real-time signals for monitoring the welding quality. Therefore, an attempt in this thesis is made to establish a correlation between the current and voltage signatures with the good weld and defect weld with porosity using the GMA welding process. In order to monitor or control the welding quality in real-time, an intelligent detection model based on machine learning that has been employed analyzing the welding current and voltage signals collected in real-time is developed. First, three-levels of welding current and voltage are combined into nine groups of experiments, and sensors are used to take the current and voltage signals in the GMA welding process. Secondly, through the analysis of the welding current and voltage signal, the three intelligent model is proposed. The final target was to find the efficient and high-performance intelligent monitoring algorithm. Finally, the results of three machine learning algorithms as shown in Fig. 1 were analyzed and compared. Compared with the current semi-supervised learning model, the proposed unsupervised learning model is more efficient and stable. Also, the proposed deep learning model had the most advantages. It not only has the highest score in the three models, but also can learn the original signal directly, which greatly improves efficiency.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.