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
- 0 Beta, 2019)를 기반으로 구현된 GoogLeNet모델(Inception, 2019)을 활용하였으며, 용접 공정변수에 대한 전이 학습(transfer learning)을 수행하였다. 그리고 예측된 결과를 기반으로 신경망 모델의 성능에 대해 논의하였다.
- 공정변수를 적절하게 제어하지 않을 경우 용접부의 스패터(spatter) 발생 및 충분하지 않은 너깃(nuget)두께 등의 문제가 있을 수 있다. 본 연구에서는 용접조건에 관련된 공정변수 중 실시간으로 측정이 용이한 전류(current), 전압(voltage)을 활용하여 용접 품질을 예측하고자 하였다. 이를 위해서 측정한 전류와 전압을 활용하여 동저항(dynamic resistance)를 계산 하였다.
- 본 연구에서는 인공신경망(artificial neural network) 기술을 용접의 동특성에 적용하여 너트 프로젝션 용접, End plug 업셋(Upset) 용접 등 저항 용접 프로세스의 불량판별 기법 개발에 대해 순차적으로 기술하고자 한다. 우선, python을 이용하여 용접 데이터를 시각화 시킬 수 있도록 Matplotlib 라이브러리(Matplotlib development team, 2019) 를 활용하여 용접 공정 중 발생된 데이터를 이미지화하여 저장 할 수 있는 플랫폼을 구축하였다.
- 본 연구에서는 인공신경망을 사용하여 보다 정확도 높은 용접결함 평가 모델을 만들 수 있는 방법에 관해 연구하고자 한다.
- 본 연구에서는 프로젝션 용접과 업셋 용접에서 발생하는 용접 전압 전류를 계측한 뒤, 이를 동저항 패턴으로 변경하고 해당 패턴을 컨볼루션 신경망에 학습 시켜 용접의 정상/불량을 판별할 수 있는 방법론을 제시 하였다. 프로젝션 용접의 경우에는 총 66세트의 동저항 패턴을 학습하는데 사용 하였으며, 약 90%의 정확도로 정상/불량 용접을 판별하였다.
- 이에 따라서 본 연구에서는 용접시 실시간으로 얻어지는 데이터를 활용하여 저렴한 비용으로 용접 품질을 검증할 수 있는 기술을 제안하고자 한다. 다만, 본 연구에서는 제안한 기술을 앞서 설명한 플럭스 코어 아크 용접이나 서브머지드 아크용접 등에 적용하기 위한 전단계로서 실험 데이터를 생성하기에 용이한 저항용접에 먼저 적용해 봄으로써 제안한 기술의 타당성을 먼저 검토해 보았다.
- 컨볼루션 신경망은 이미지의 선이나 색 테두리 등의 시각적 특징이나 특성을 감지하는 것을 주요 목적으로 한다. CNN은 합성곱(convolution)을 이용하여 동작하며 특정 패턴을 가진 규칙적인 곱 연산을 수행한다.
가설 설정
- 5) 용융된 부분은 너깃(nuget)이 되고 용접이 마무리 된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.