최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정밀공학회지 = Journal of the Korean Society for Precision Engineering, v.34 no.1, 2017년, pp.23 - 27
박찬범 (울산과학기술원 기계공학과) , 손흥선 (울산과학기술원 기계공학과)
This paper aims to develop a prediction model for the product quality of a casting process. Prediction of the product quality utilizes an artificial neural network (ANN) in order to renovate the manufacturing technology of the root industry. Various aspects of the research on the prediction algorith...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
다층 퍼셉트론은 어떻게 도출되는가? | 즉, 시냅스의 결합으로 네트워크를 형성한 뉴런이 학습을 통해 시냅스 결합의 세기(가중치)를 조정하여 변화한다. 일반적으로 인공신경망에 활용되는 다층 퍼셉트론은 입력층의 각 노드에 데이터가 제공되면각 노드에서 전달함수를 통해 은닉층에서 변환되고 이는 출력층 에서 도출된다. 이를 수식으로 표현하면 식(1)과 같다. | |
각 분야별로 인공신경망을 적용하여 공정 결과를 예측하기 위한 연구에는 어떤 것들이 있는가? | 인공신경망은 중추신경계의 뇌를 모방하여 훈련을 통해 입력 변수에 따른 결과를 예측할 수 있는 통계학적 학습 알고리즘 이다.2 인공신경망을 적용하여 주조 분야에서는 사출 공정의 공정 변수를 최적화하기 위한 연구,3 알루미늄 다이 캐스팅 공정을 예측하기 위한 연구 등이 있다.4,5 절삭분야에는 공구의 마모를 예측하는 연구,6 공정결과인 표면 거칠기를 예측하기 위한 연구,7,8 절삭 공정에서의 표면 거칠기를 최소화하기 위한 공정변수 최적화에 대한 연구,9 밀링 가공에서의 절삭력 예측에 대한 연구 등이 있다.10 용접분야에서는 주요 공정변수를 예측하기 위한 연구,11,12 그리고 열처리분야에는 냉각변태곡선 예측,13 경도 및 부피 수축 예측14,15 등 다양한 분야에 선행연구가 진행되었다. | |
스마트 팩토리란? | 그 중 생산공정, 조달·물류, 서비스까지 통합 관리하는 “스마트 팩토리” 가 핵심 기술로써 주목 받고 있다. 스마트 팩토리는 ICT (Information and Communication Technology)와 기존 제조업 기술인 생산제조 기술과 융합하여 사물인터넷 (Internet of Things), 사이버물리시스템 (Cyber Physical System), 빅데이터, 클라우드 컴퓨팅, 등의 기술 등을 통한 공장 내의 장비, 장치 부품들이 연결되어 상호 소통하는 생산체계이다. 스마트 팩토리를 통한 제조혁신으로 제조업의 경쟁력을 확보하기 위해서는 생산 제조의 기술 발전이 필수적이기 때문에 뿌리산업 기술 향상이 중요하다. |
Park, B. C., "On the Policy for Strengthening the Global Competitiveness of the Fundamental Manufacturing Industry," Journal of Regional Studies, Vol. 21, No. 4, pp. 1-19, 2013.
Hagan, M. T., Demuth, H. B., and Beale, M. H., "Neural Network Design," Course Announcement 2nd Ed., pp. 30-31, 2014.
Shen, C., Wang, L., and Li, Q., “Optimization of Injection Molding Process Parameters Using Combination of Artificial Neural Network and Genetic Algorithm Method,” Journal of Materials Processing Technology, Vol. 183, No. 2, pp. 412-418, 2007.
Ratna, S. and Prasad, D., “Application of Artificial Neural Network for Optimization of Cold Chamber Aluminum Die Casting,” International Journal of Innovative Research in Advanced Engineering, Vol. 1, No. 5, pp. 43-47, 2014.
Soundararajan, R., Ramesh, A., Sivasankaran, S., and Sathishkumar, A., "Modeling and Analysis of Mechanical Properties of Aluminum Alloy (A413) Processed through Squeeze Casting Routh Using Artificial Neural Network Model and Statistical Technique," Advances in Materials Science and Engineering, Vol. 2015, Article ID: 714762, 2015.
Kumar, S. and Choudhury, S., “Prediction of Wear and Surface Roughness in Electro-Discharge Diamond Grinding,” Journal of Materials Processing Technology, Vol. 191, No. 1, pp. 206-209, 2007.
Mondal, S. C. and Mandal, P., "Application of Artificial Neural Network for Modeling Surface Roughness in Centerless Grinding Operation," Proc. 5th International and 26th all Indian Manufacturing Technology, Design and Research Conference, pp. 601-608, 2014.
Beatrice, B. A., Kirubakaran, E., Thangaiah, P. R. J., and Wins, K. L. D., "Surface Roughness Prediction using Artificial Neural Network in Hard Turning of AISI H13 Steel with Minimal Cutting Fluid Application," Procedia Engineering, Vol. 97, pp. 205-211, 2014.
Kant, G. and Sangwan, K. S., "Predictive Modelling and Optimization of Machining Parameters to Minimize Surface Roughness Using Artificial Neural Network Coupled with Genetic Algorithm," Procedia CIRP, Vol. 31, pp. 453-458, 2015.
Shojaeefard, M. H., Akbari, M., and Asadi, P., “Multi Objective Optimization of Friction Stir Welding Parameters Using FEM and Neural Network,” Int. J. Precis. Eng. Manuf., Vol. 15, No. 11, pp. 2351-2356, 2014.
Vermeulen, W., Van der Zwaag, S., Morris, P., and De Weijer, T., "Prediction of the Continuous Cooling Transformation Diagram of Some Selected Steels Using Artificial Neural Networks," Steel Research, Vol. 68, pp. 72-79, 1997.
Taghizadeh, S., Safarian, A., Jalali, S., and Salimiasl, A., "Developing a Model for Hardness Prediction in Water-Quenched and Tempered AISI 1045 Steel through an Artificial Neural Network," Materials and Design, Vol. 51, pp. 530-535, 2013.
Canakci, A., Varol, T., and Ozsahin, S., "Artificial Neural Network to Predict the Effect of Heat Treatment, Reinforcement Size, and Volume Fraction on AlCuMg Alloy Matrix Composite Properties Fabricated by Stir Casting Method," International Journal of Advanced Manufacturing Technology, Vol. 78, Nos. 1-4, pp. 305-317, 2015.
Gupta, M., Jin, L., and Homma, N., "Static and Dynamic Neural Networks from Fundamentals to Advanced Theory," John Wiley & Sons, pp.105-106, 2003.
Zhang, G., Patuwo, B. E., and Hu, M. Y., "Forecasting with Artificial Neural Networks: The State of the Art," International Journal of Forecasting, Vol. 14, No. 1, pp. 35-62, 1998.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.