선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- (3) 용접성과 생산성을 고려한 최적의 용접조건을 얻기 위하여 목적함수를 정의하였다. 용접성을 나타내는 인자로 인장강도 모델을 이용하였고, 생산성을 나타내는 인자로 용접속도와 와이어 송급속도를 이용하였다.
- 알루미늄의 차체에 적용하고, 이것을 대량 생산하기 위해서는 용접 공정 또한 자동화하여야 한다. 그러므로 다양한 방법으로 생산성을 극대화 할 수 있는 최적의 용접 조건을 도출하고자 노력하고 있다. 용접 공정에 있어서는 생산성과 더불어 용접성도 같이 고려하여 최적화를 수행하여야 한다.
- 본 논문에서는 레이저 알루미늄 용접공정에서 생산성과 용접성을 고려한 용접 공정변수의 최적화 기법을 제안하고자 한다. 이를 위하여 레이저 출력, 용접 속도, 용가 와이어송급속도(wire feed rate)를 입력 변수로 하여 실험을 하였고, 인장강도를 이용하여 용접성을 판단하였다.
- 그러므로 이 상반된 결과로부터 생산성과 용접성을 동시에 만족시키기 위해서는 이에 맞는 성능평가 지수를 구성하여야 한다. 본 논문에서는 이러한 성능 평가 지수를 목적함수로 정의하였다. 목적함수에 있어서 용접성을 나타내는 인자로 인장강도를 선택하였다.
- 본 논문에서는 차량 경량화에 있어서 매우 중요한 알루미늄 합금의 레이저 용접에서 생산성과 용접성을 고려한 공정변수의 최적화 기법을 제안하였다. 본 연구를 통하여 얻어진 결론은 다음과 같다.
- wTS, wws, 그리고 #는 각 특징 인자의 표준화된 값에 대한 가중치를 나타낸다. 본 연구에서는 인장 강도에는 80의 가중치를, 용접속도와 와이어 송급속도에는 각각 15와 5의 가중치를 두었다, 이것을 통해 용접성이 좋은 변수 범위 내에서 최대의 생산성을 얻을 수 있는 값을 찾고자 하였다.
제안 방법
- Tsai은 TIG(tungsten inert gas) 용접공정을 신경회로망을 이용하여 모델링하였고, 이를 시뮬레이터드 어닐링 (simulated annealing) 알고리즘을 이용하여 전역적 최적점을 찾는 연구를 수행하였다. Chung과 Settle"은 고속확관기의 확산속도와 직물 저)조 공정 (spinning production process) 에서 공정 변수를 신경망 알고리즘을 이용하여 모델링 하고 이를 유전 알고리즘을 이용하여 최적화하는 연구를 수행하였다.
- (2) 신경망 모델을 이용하여 용접성을 나타낼 수 있는 인자인 인장강도 예측모델을 구성하였다. 예측 모델에 있어서 결정 계수는 0.
- Leongse AA5182 판재의 레이저 용접에 있어서 레이저 출력, 용접 속도, 보호 가스 등에 따른 용접 품질의 영향력을 판단하였다. 이러한 레이저 용접에 있어서는 용접 후에 강도 저하 현상이 발생한다.
- 실험의 조건은 Table 3과 같다. 각 변수의 수준은 3개의 수준으로 나누었고 실험 영역의 설정을 위하여 기초 실험을 수행하였다. 기초실험을 통해 용접 속도가 9m/min 보다 크면 레이저 출력이 4kW가 되어도 두 모재가 용접되지 않았다.
- 구성한 신경회로망 모델의 입력 노드는 레이저의 출력, 용접속도, 그리고 용가 와이어의 송급속도로 하였다. 출력 노드는 레이저 용접 시편의 예측된 인장강도로 설정하였다.
- 인장강도는 각 실험에서 2개씩 채취하여 실험을 수행하였다. 그러므로 각 조건 당 6개의 인장시편을 얻을 수 있었고, 이를 평균하여 실험 결과로 하였다.
- 실험의 방법은 33 요인 배치법(3, factorial design)을 이용하였다. 그러므로 총 용접조건은 27개이며, 각 실험은 3회반복실험을 수행하였다. 총 용접 실험의 수는 81회였으며, 각 실험의 순서는 무작위로 수행하였다.
- 앞 장의 실험 결과에서 보듯이 용가 와이어를 이용한 레이저 용접은 그 결과가 매우 비선형적이다. 그러므로 학습의 능력을갖은 신경회로망 모델을 이용하여 인장강도를 예측하는 모델을 구성하였다. 구성된 모델은 Fig.
- 이들값을 표준화하였고 각각의 표준화된 값에 가중치를 곱하여 목적함수를 정의하였다. 그리고 목적함수가 최대값을 갖는 점을 최적의 공정변수로 설정하였다.
- 인장강도, 용접속도, 와이 어 송급속도를 표준화 (normalizing) 하고 표준화된 각 인자에 가중치를 주어 목적함수를 정의 하였다. 그리고 목적함수의 값을 최대화 하는 공정변수를 선택함으로써 용접 공정의 최적화를 수행하였다.
- 이를 위하여 레이저 출력, 용접 속도, 용가 와이어송급속도(wire feed rate)를 입력 변수로 하여 실험을 하였고, 인장강도를 이용하여 용접성을 판단하였다. 그리고 용접 입력 변수를 신경 회로망 알고리즘을 이용하여 인장 강도를 예측할 수 있는 모델을 제시하였다. 용접성을 나타내는 인자로 인장강도 예측 모델을 그리고 생산성을 나타낼 수 있는 인자로 용접 속도와 와이 어 송급속도를 정하였다.
- 레이저는 직각으로부터 18。를 기울였다. 레이저가 알루미늄에 조사될 때, 알루미늄 표면에서 역 반사(back reflection)되는 빛에 의해 레이저 발진시스템이 영향을 받는 것을 방지하기 위하여 각도를 주어실험을 수행하였다. 레이저와 와이어 공급 장치와는 45。의 각도를 가지고 있다.
- 본 논문에서는 인공 신경망 이론을 이용하여 용접 공정을 모델링 하였다. 용접공정의 모델링에 있어서 Park는 CO2 레이저 용접에 있어서 비드의 폭과 용입 깊이를 다중 회귀분석과 신경회로망 알고리즘을 이용하여 모델링을 하였고, 두 모델 중에서 신경회로망 모델의 예측 성능이 더 우수함을 밝혔다.
- 또한 주요 변수이다. 본 연구에서는 많은 용접 변수 중 레이저 출력, 용접속도 그리고 와이어 송급속도를 제어인자로 사용하여 실험하였다. 실험의 조건은 Table 3과 같다.
- 인장강도의 값은 앞에서 구한 신경망 모델을 이용하였다. 생산성을 나타내는 인자로는 용접속도와 와이어 송급속도를 선택하였다. 인장강도는 Table 3에서 보는 바와 같이 111에서 285의 값을 갖으며, 용접속도와 와이어 송급속도는 각각 6에서 9, 그리고 2에서 4까지의 값을 갖는다.
- 그리고 용접 입력 변수를 신경 회로망 알고리즘을 이용하여 인장 강도를 예측할 수 있는 모델을 제시하였다. 용접성을 나타내는 인자로 인장강도 예측 모델을 그리고 생산성을 나타낼 수 있는 인자로 용접 속도와 와이 어 송급속도를 정하였다. 인장강도, 용접속도, 와이 어 송급속도를 표준화 (normalizing) 하고 표준화된 각 인자에 가중치를 주어 목적함수를 정의 하였다.
- 한다. 이를 위하여 레이저 출력, 용접 속도, 용가 와이어송급속도(wire feed rate)를 입력 변수로 하여 실험을 하였고, 인장강도를 이용하여 용접성을 판단하였다. 그리고 용접 입력 변수를 신경 회로망 알고리즘을 이용하여 인장 강도를 예측할 수 있는 모델을 제시하였다.
- 9, 최소 학습오차는 10이하로 하였고 최대 학습수는 10, 000회로 하였다. 학습은 총 250회를 수행하였고, 250회의 결과 중에 가장 예측 결과가 좋은 식을 이용하여 모델을 구하였다.
대상 데이터
- 은 결정계수 이고, /는 데이터 번호이다. ne 데이터의 총 수로 본 논문에서는 27이다. 0는 실제 측정된 인장강도 값이고, #는 g의 평균값이다.
- 학습에 사용된 데이터는 Table 3에 주어진 실험결과를 사용하였다. 그러므로 총 학습에 사용된 데이터의 수는 27개 였다. 각 노드의 연결 강도를 학습시키기 위한 방법은 오류 역전파(error backpropagation) 알고리즘을 사용하였다.
- 레이저는 연속파(continuous wave) 발진으로 출력되며, 레이저 빔의 단면 출력은 TEM00 모드이다. 레이저의 파장은 1064nm 이고, 초점거리는 250mm, 초점 위치에서 빔의 크기는 0.4mm 이다. 레이저는 직각으로부터 18。를 기울였다.
- 보호 가스는 아르곤(Ar)을 이용하였으며 보호 가스의 유량은 상부에서 20 Umin, 하부에서 10 1/min 이었다. 두 모재간의 갭(gap)은 0mm로 하였다.
- 본 실험에서 사용된 레이저는 Rofin 사의 4.4kW 급 N&YAG 레이저이다. 레이저는 연속파(continuous wave) 발진으로 출력되며, 레이저 빔의 단면 출력은 TEM00 모드이다.
- 실험에 사용된 판재는 AA5182로 두께는 1.4mm, 용접 길이는 280mm 였고, 용가 와이 어 (filler wire)는 직경 1.2mm 의 AA5356 용접봉이었다. AA5182 알루미늄 합금의 화학적 조성은 Table 1과 같으며, AA5356 용가 와이어(filler wire)의 조성은 Table 2와 같다.
- 실험의 결과로는 용접부의 건전성과 용접성을 나타낼 수 있는 인자인 인장강도를 선택하였다. 인장시험에 사용된 기기로는 Zwick사의 Z100 만능시험 기를 이용하였다.
- 인장시험에 사용된 기기로는 Zwick사의 Z100 만능시험 기를 이용하였다. 인장강도는 각 실험에서 2개씩 채취하여 실험을 수행하였다. 그러므로 각 조건 당 6개의 인장시편을 얻을 수 있었고, 이를 평균하여 실험 결과로 하였다.
- 인자인 인장강도를 선택하였다. 인장시험에 사용된 기기로는 Zwick사의 Z100 만능시험 기를 이용하였다. 인장강도는 각 실험에서 2개씩 채취하여 실험을 수행하였다.
- 그러므로 총 용접조건은 27개이며, 각 실험은 3회반복실험을 수행하였다. 총 용접 실험의 수는 81회였으며, 각 실험의 순서는 무작위로 수행하였다.
데이터처리
- 판단할 수 있다. 또한 정량적 평가를 위해 평균 오차율(Average error rate: AER)을 이용하여 예측모델의 성능을 평가하여 보았다. 결정계수와 평균 오차율에 대한 식은식 (1)과 (2)와 같다.
이론/모형
- 그러므로 총 학습에 사용된 데이터의 수는 27개 였다. 각 노드의 연결 강도를 학습시키기 위한 방법은 오류 역전파(error backpropagation) 알고리즘을 사용하였다. 신경회로망 모델의 설정 값으로 학습율(learning rate)은 0.
- 각 레이어를 연결하는 전달 함수로서 입력층과 1차 은닉 층간에는 로그 시그모이드(log-sigmoid) 전달 함수를 이용하였고, 1차 은닉층과 2차 은닉층 사이와 2차 은닉층과 출력층 간의 전달함수는 1차 선형(linear) 함수를 사용하였다. 수렴속도의 향상을 위해 수렴 속도나 성능에 있어서 우수한 레벤버그 마쿼드 알고리즘(Levenberg-Marquardt algorithm)을이용하였다.
- 수렴속도의 향상을 위해 수렴 속도나 성능에 있어서 우수한 레벤버그 마쿼드 알고리즘(Levenberg-Marquardt algorithm)을이용하였다.
- 실험의 방법은 33 요인 배치법(3, factorial design)을 이용하였다. 그러므로 총 용접조건은 27개이며, 각 실험은 3회반복실험을 수행하였다.
- 용가 와이어를 이용한 알루미늄 레이저 용접에서 용접부의 인장강도를 예측하기 위한 프로세스 모델링을 위해 인공지능형 알고리즘의 하나인 신경회로망을 이용하였다. 앞 장의 실험 결과에서 보듯이 용가 와이어를 이용한 레이저 용접은 그 결과가 매우 비선형적이다.
- 목적함수를 정의하였다. 용접성을 나타내는 인자로 인장강도 모델을 이용하였고, 생산성을 나타내는 인자로 용접속도와 와이어 송급속도를 이용하였다. 이들값을 표준화하였고 각각의 표준화된 값에 가중치를 곱하여 목적함수를 정의하였다.
- 목적함수에 있어서 용접성을 나타내는 인자로 인장강도를 선택하였다. 인장강도의 값은 앞에서 구한 신경망 모델을 이용하였다. 생산성을 나타내는 인자로는 용접속도와 와이어 송급속도를 선택하였다.
성능/효과
- (1) AA5356 용가와이어를 이용한 AA5182 알루미늄 합금의 레이저 용접에서 용가와이어의 공급에 의해 인장강도의 향상이 되었고, 적정 용접 영역에서는 모재 파단이 발생하였다.
- (4) 최적의 용접조건은 레이저 출력은 4kW, 용접 속도는 8.5m/min, 그리고 와이어 송급속도는 2.4m/min 이었다. 이때의 적합도 함수의 값은 141.
- 결정계수는 1에 가까울수록 예측 성능이 우수하며 평균 오차율은 0에 가까울수록 우수한 것이다. 각 결정계수와 평균 오차율에서 보는 바와 같이 신경망 모델이 정량적으로 예측 성능이 우수함을 알 수 있다.
- 결과적으로 최적의 공정 변수는 레이저 출력은 4kW, 용접 속도는 8.5m/min, 그리고 와이어 송급속도는 2.4m/min 이었다. 이때의 적합도 함수의 값은 141.
- 인장강도 예측모델을 구성하였다. 예측 모델에 있어서 결정 계수는 0.9942이고, 평균 오차율은 0.0103로 그 예측성능이 우수함을 알 수 있었다.
- 하였다. 용접공정의 모델링에 있어서 Park는 CO2 레이저 용접에 있어서 비드의 폭과 용입 깊이를 다중 회귀분석과 신경회로망 알고리즘을 이용하여 모델링을 하였고, 두 모델 중에서 신경회로망 모델의 예측 성능이 더 우수함을 밝혔다. 또한 Jeng 은 레이저 맞대기 용접에서 신경 회로망의 역전파(back propagation) 알고리즘과 learning vector quantization network을 이용하여 용접 파라미터를 예측하는 연구를 수행하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.