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
- 그러나 실제 공정에서는 다양한 공정 오류가 발생할 수 있기 때문에 이에 대한 개괄적인 정의가 필요하다. 따라서 본 연구의 목적은 용접 공정 정보를 센서로 계측한 뒤, 다양한 공정 오류들을 모니터링 할 수 있는 시스템을 개발하는 것이다. 본 연구에서 적용된 힘 센서는 용접 건에 부착되어 용접 공정 중 접합부에 인가되는 전극 가압력과 용융된 금속의 팽창과 수축으로 인한 너깃 힘의 평형 상태에 따라 변하는 힘을 계측한다.
- 5 mm 이하의 버튼 사이즈 값을 얻었으므로 모두 용접 불량이라고 할 수 있다. 이와 같은 결과를 바탕으로 본 연구에서는 공정 오류들을 정의하고, 센서로 부터 계측된 신호를 이용하여 이와같은 오류들을 예측할 수 있는 시스템을 개발하고자 하였다.
제안 방법
- 이 신호는 용접 중 너깃의 팽창과 수축에 따른 공정 정보를 나타낸다. 각 오류 조건에서 계측된 신호는 양호한 용접 품질을 얻을 수 있는 그룹 I, 전류 누설 조건의 그룹 II, 용접 전극과 접합부 정렬 상태 불량의 그룹 III로 분류하였다. 이러한 결과를 이용하여 공정 오류 모니터링 알고리즘을 인공신경 회로망으로 구현하였다.
- 1, Table 2처럼 각 공정 오류가 발생할 수 있도록 변화를 주면서 실험을 수행하였다. 각 조건당 20회씩 총 120회 용접 실험을 수행하였다. 용접 전극과 접합부의 기울임(misalignment) 조건인 type II에서는 기울어진 각도 θ 를 20 ~ 40°사이에서 선택하였고 (Fig.
- 그리고 출력인 모니터링 결과값은 앞서 설명한 바와 같이 분류된 공정 오류 신호의 3가지 그룹과 관련이 있다. 각 조건에서 20회씩 총 120회 실험을 통해 공정 신호를 계측하였다. 신경망 학습을 위해서 사용된 신호의 개수는 90개이고, 검사를 위해 사용된 실험의 개수는 30개이다.
- 3은 실제 용접 공정을 수행하고 난 뒤 신호처리된 센서의 신호를 나타내고 있다. 계측 시스템은 NI사의 DAQ 보드와 LabVIEW를 이용하여 구성하였고, 100 kHz의 샘플링 속도(sampling rate)로 계측되었다. Fig.
- 공정 오류에 대한 모니터링 알고리즘을 개발하기 위해 Fig. 1, Table 2처럼 각 공정 오류가 발생할 수 있도록 변화를 주면서 실험을 수행하였다. 각 조건당 20회씩 총 120회 용접 실험을 수행하였다.
- 본 연구에서 적용된 힘 센서는 용접 건에 부착되어 용접 공정 중 접합부에 인가되는 전극 가압력과 용융된 금속의 팽창과 수축으로 인한 너깃 힘의 평형 상태에 따라 변하는 힘을 계측한다. 그리고 힘 센서를 이용하여 다양한 공정 오류 조건에서 계측된 신호의 경향을 분석한 뒤, 공정 오류 조건을 양호한 그룹, 전류 누설 그룹, 정렬 불량 그룹으로 분류하였다. 분류된 패턴에 따라 공정 오류를 검출하고, 그 원인을 판단할 수 있는 인공신경회로망기반의 모니터링 알고리즘을 개발하였다.
- 따라서 본 연구의 목적은 용접 공정 정보를 센서로 계측한 뒤, 다양한 공정 오류들을 모니터링 할 수 있는 시스템을 개발하는 것이다. 본 연구에서 적용된 힘 센서는 용접 건에 부착되어 용접 공정 중 접합부에 인가되는 전극 가압력과 용융된 금속의 팽창과 수축으로 인한 너깃 힘의 평형 상태에 따라 변하는 힘을 계측한다. 그리고 힘 센서를 이용하여 다양한 공정 오류 조건에서 계측된 신호의 경향을 분석한 뒤, 공정 오류 조건을 양호한 그룹, 전류 누설 그룹, 정렬 불량 그룹으로 분류하였다.
- 저항 점 용접을 이용한 자동차 차체 조립 라인에서 생산 중 여러 가지 공정 오류로 인해 불량한 용접 품질을 얻을 수 있다. 본 연구에서는 양호한 용접 조건인 type I (good condition)과 용접 품질에 영향을 끼칠 수 있는 5가지 공정 오류 type II (misalignment condition), type III (shunt condition), type IV (electrode wear condition), type V (irregular contact condition), type VI (poor fitup condition)를 제시하였다. 제시된 공정 오류의 특징 분석을 위해 용접부 정보를 가지고 있는 공정 신호를 용접 건에 부착된 센서를 이용하여 계측하였다.
- 그리고 힘 센서를 이용하여 다양한 공정 오류 조건에서 계측된 신호의 경향을 분석한 뒤, 공정 오류 조건을 양호한 그룹, 전류 누설 그룹, 정렬 불량 그룹으로 분류하였다. 분류된 패턴에 따라 공정 오류를 검출하고, 그 원인을 판단할 수 있는 인공신경회로망기반의 모니터링 알고리즘을 개발하였다.
- 센서의 측정 범위는 ±600 με이고, 실제 힘 단위로 환산하여 사용하기 위해 저항 점 용접에서 사용되는 가압력 측정기를 이용하여 그 값을 보정하였다.
- 신경회로망의 입력을 위해 150 msec 동안 100 kHz로 계측된 센서 신호를 신호처리 과정을 거쳐 13개의 데이터로 변환하였다. 그러므로 입력층의 노드는 13개이다.
- 이러한 결과를 이용하여 공정 오류 모니터링 알고리즘을 인공신경 회로망으로 구현하였다. 오류 역전파 알고리즘으로 각 조건의 신호를 학습시키고 테스트 하였다. 그 결과 개발된 알고리즘은 학습 결과와 테스트 결과가 모두 공정 오류 모니터링 시스템에 적합함을 확인할 수 있었다.
- 이 때 용접 전류, 용접 시간, 그리고 용접 가압력은 각각 8 kA, 150 msec, 250 kgf의 최적 용접 조건에서 수행되었다. 용접 품질은 너깃 사이즈로 비교하였다13). Table 1은 실험 후 측정 된 너깃 사이즈의 평균값을 나타낸다.
- 1(f))는 접합부 사이에 간극(gap)이 존재하도록 h를 3 ~ 5 mm 조절하였다. 용접은 MFDC (medium frequency direct current)형 저항 점 용접기와 C형용접 건을 이용하여 이미 언급한 바와 같이 GA강 0.8 mm 2장을 겹쳐 용접 전류 _8 kA, 용접 시간 150 msec, 용접 가압력 250kgf로 수행하였다.
- 1 (a)-(f))에서 각 10회씩 용접 실험을 수행하였다. 이 때 용접 전류, 용접 시간, 그리고 용접 가압력은 각각 8 kA, 150 msec, 250 kgf의 최적 용접 조건에서 수행되었다. 용접 품질은 너깃 사이즈로 비교하였다13).
- 각 오류 조건에서 계측된 신호는 양호한 용접 품질을 얻을 수 있는 그룹 I, 전류 누설 조건의 그룹 II, 용접 전극과 접합부 정렬 상태 불량의 그룹 III로 분류하였다. 이러한 결과를 이용하여 공정 오류 모니터링 알고리즘을 인공신경 회로망으로 구현하였다. 오류 역전파 알고리즘으로 각 조건의 신호를 학습시키고 테스트 하였다.
- 본 연구에서는 양호한 용접 조건인 type I (good condition)과 용접 품질에 영향을 끼칠 수 있는 5가지 공정 오류 type II (misalignment condition), type III (shunt condition), type IV (electrode wear condition), type V (irregular contact condition), type VI (poor fitup condition)를 제시하였다. 제시된 공정 오류의 특징 분석을 위해 용접부 정보를 가지고 있는 공정 신호를 용접 건에 부착된 센서를 이용하여 계측하였다. 이 신호는 용접 중 너깃의 팽창과 수축에 따른 공정 정보를 나타낸다.
대상 데이터
- 본 연구의 저항 점 용접 시스템은 Fig. 2와 같이 용접 로봇에 장착할 수 있는 C형 용접 건을 이용하였다. 공정 신호를 측정하기 위해 힘/변위(force/strain) 형태의 압전 센서(piezoelectric sensor, Kislter HighSens 9232A14))를 용접 건 하부 전극에 Fig.
- 각 조건에서 20회씩 총 120회 실험을 통해 공정 신호를 계측하였다. 신경망 학습을 위해서 사용된 신호의 개수는 90개이고, 검사를 위해 사용된 실험의 개수는 30개이다. 즉, 6가지 실험 조건에서 각 조건당 15개는 학습, 5개는 검사를 위해 사용되었다.
- 실험에 사용된 시편은 GA 강판 0.8 mm를 사용하였으므로, 5√t 기준을 적용할 경우 4.5 mm 이하의 너깃 사이즈는 용접 불량이라고 할 수 있다.
- 신경망 학습을 위해서 사용된 신호의 개수는 90개이고, 검사를 위해 사용된 실험의 개수는 30개이다. 즉, 6가지 실험 조건에서 각 조건당 15개는 학습, 5개는 검사를 위해 사용되었다. Fig.
이론/모형
- 본 연구에서는 모니터링 알고리즘으로 인공 신경 회로망(ANN, artificial neural network)을 이용하였다. ANN 구성은 오류 역전파 알고리즘(back propagation algorithm)을 사용하였고, 뉴런 모델로는 수렴속도가 빠르고 안정적인 Levenberg-Marquart 모델을 적용하였다. 오류 역전파 알고리즘의 신경망 구조는 입력 층으로 13개 노드(node)를 가진 신호 처리된 공정 신호이고, 은닉 층은 2층으로 각각 4개, 6개 노드를 가진다.
- 본 연구에서는 모니터링 알고리즘으로 인공 신경 회로망(ANN, artificial neural network)을 이용하였다. ANN 구성은 오류 역전파 알고리즘(back propagation algorithm)을 사용하였고, 뉴런 모델로는 수렴속도가 빠르고 안정적인 Levenberg-Marquart 모델을 적용하였다.
- 출력 층은 1개의 노드로 최종 모니터링 결과값을 나타낸다. 활성 함수는 입력 층과 은닉 층, 은닉 층과 은닉 층 사이에는 바이폴라 시그모이드 함수(bipolar-sigmoid function)를, 은닉 층과 출력 층 사이에는 선형 함수(linear function)을 사용하였다16).
성능/효과
- 오류 역전파 알고리즘으로 각 조건의 신호를 학습시키고 테스트 하였다. 그 결과 개발된 알고리즘은 학습 결과와 테스트 결과가 모두 공정 오류 모니터링 시스템에 적합함을 확인할 수 있었다.
- 6과 Table 3은 학습 및 테스트 데이터에 대한 ANN 예측 결과의 오차 평균 및 표준 편차를 나타내고 있다. 학습 및 데이터의 예측 결과 평균은 각각 3.32%, 5.94% 이내이고, 예측 결과 분포를 나타내는 표준 편차도 최대 0.0422임으로 개발된 ANN은 우수한 예측 성능을 보임을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.