[논문]인공 신경망을 이용한 실시간 용접품질 예측에 관한 연구

조재형; 고상현

doi:10.14400/jdc.2019.17.5.217

인공 신경망을 이용한 실시간 용접품질 예측에 관한 연구
A Study on the Prediction of Welding Flaw Using Neural Network 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.5, 2019년, pp.217 - 223

초록
AI-Helper

자동차 분야에서 저항 점용접의 결함 및 품질을 실시간으로 예측할 수 있는 연구는 원가절감과 고품질 생산을 위한 필수 불가결한 연구 분야라 할 수 있다. 용접 품질은 전단강도와 너깃의 크기에 의해서 결정되며 여러 가지 독립변수에 따라 결과가 달라진다. 실시간 예측시스템을 개발하기 위하여 다중 회귀분석을 실시하여 3개의 독립변수로 두 가지 종속변수를 충분한 통계적 결과로 구하였으나 회귀식에 의한 품질 예측은 정확도를 보장할 수 없었다. 본 연구에서는 다층 신경망 회로를 구축하였다. 10가지의 동저항 변수에 의한 신경망은 3개의 은닉층을 구축하여 실행 함수와 가중치 행렬을 구하였다. 그러나 이 경우, 입력 변수가 너무 많아 실시간 제어에 어려움이 있을 수 있으므로 회귀분석에 의한 3개의 독립변수로 신경망을 구축하였다. 그 결과 모든 시험데이터를 불량, 부분 불량, 양품으로 구분하는데 성공하였다. 따라서 다중 회귀분석에 의해서 구한 3개의 독립변수에 의한 실시간 용접 품질 판정 시스템을 완성할 수 있었다.

Abstract ▼ AI-Helper

A study in predicting defects of spot welding in real time in automotive field is essential for cost reduction and high quality production. Welding quality is determined by shear strength and the size of the nugget, and results depend on different independent variables. In order to develop the real-time prediction system, multiple regression analyses were conducted and the two dependent variables were obtained with sufficient statistical results with three independent variables, however, the quality prediction by the regression formula could not ensure accuracy. In this study, a multi-layer neural network circuit was constructed. The neural network by 10 dynamic resistance variables was constructed with three hidden layers to obtain execution functions and weighting matrix. In this case, the neural network was established with three independent variables based on regression analysis, as there could be difficulties in real-time control due to too many input variables. As a result, all test data were divided into poor, partial, and modalities. Therefore, a real-time welding quality determination system by three independent variables obtained by multiple regression analysis was completed.

주제어

표/그림 (9)

그림 Fig. 1. A Method of Construction of Neural Network for Real Time Monitoring of Spot Welding.
표 Table 1. The Result of Multi-Regression Anlalysis for Stress of Spot Welding.
표 Table 2. The Result of Multi-Regression Anlalysis for Nugget Diameter of Spot Welding.
그림 Fig. 2. Comparisons of Regression Line and Test Variables.
그림 Fig. 3. 10 Inputs Neural Network Structure
그림 Fig. 4. Learning Performance of 10 input Neural Network
그림 Fig. 5. 3 Inputs Neural Network Structure
그림 Fig. 6. Moving Variables of Network Train.
표 Table 3. The Comparison Results of Forecasting Welding Qualities.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

한정된 재료와 데이터를 이용하여 회귀분석과 신경망 회로를 설계하여 예측시스템을 구축하였으나, 다른 종류의 재료와 데이터를 활용하여 개발된 시스템이 범용적 활용이 가능한지의 검증이 필요하며, 원래의 목적에 부합하는 실시간 모니터링 시스템의 실질적인 구축이 요구된다. 본 논문에서 신경망회로를 이용한 용접 품질 예측 시스템을 다중회귀분석과 신경망회로에 의한 시스템을 구축하여 용접품질의 예측시스템을 구축하여 생산성 향상과 고품질 생산의 가능성을 높일 수 있었다.
본 논문에서는 고장력 강판의 점용접 공정에서 발생되는 저항 변화의 패턴 특성을 측정하여 실시간으로 용접성을 평가하고 예측하여 불량품을 판별하는 실시간 용접 예측 시스템을 개발하였다.
본 논문에서는 동저항 변수를 실시간 입력조건으로 하는 신경망 회로를 구축하여 실시간 용접 품질을 예측하는 방법을 연구한다. 10가지의 동저항을 비교하여 회귀식을 설정하고, 신경망회로는 회귀식에 의해서 불필요한 동저항 변수를 제거하여 활용한다.
본 논문에서는 점용접 품질의 실시간 예측을 위하여 신경망회로를 구축하는 방법을 제시한다. 신경망회로를 구축하는 순서는 Fig.

제안 방법

본 논문에서는 590MPa-UHSS 강판에 대하여 45개 동저항 데이터를 이용하여 다중회귀분석을 수행하였다. 10가지 동저항을 인자로 추출하여 용접 품질을 연구하였다[11]. 이 논문에서 너깃의 생성시점의 동저항 α 피크값 x₁과 위치 x₂, 성장속도와 관련된 동저항 β피크 x₃와 위치 x₄, α피크의 하강속도 x₅, 상승속도 x₆, 동저항평균 x₇, α피크와 β피크의 차이 x₈, 최종저항 x₉, β피크 최종저항 x₁₀을 설정하였다.
이 경우 합격품을 불량품으로 간주하여 생산 효율성 부분에서 문제가 발생된다. 10개의 동저항 독립변수를 이용한 신경망에서 3개의 은닉층을 구축하여 에러 없는 회로를 생성하여 오차 없이 불량과 부분불량, 완전불량을 구분하였다. 다중회귀분석에 의해서 선택된 독립변수에 의한 신경망 회로는 2개의 은닉층을 구축하여 45개의 데이터가 모두 정확히 분류하는 것이 가능하였다.
다중회귀분석에 의해서 얻어진 회귀식은 제거 가능한 독립변수가 제거된 독립변수들이다. 단순화된 독립변수와 동저항으로 이루어진 독립 변수와 품질 결과로 나타나는 실험데이터를 이용하여 신경망을 구축한다. 학습된 신경망은 검증용 27개의 실험 데이터를 입력으로 하여 결과를 검증한다.
동저항 독립변수 10가지를 이용한 신경망회로는 3개 의 은닉층에 의해서 구축되었으며, 126번의 반복에 의해서 불량, 부분불량, 양품을 구별하는 실행함수와 가중치 행렬을 구하였다.
입력층이 선형으로 분리 가능한 경우에는 한 개의 은닉층으로 해를 구할 수 있으나 본 논문에서와 같이 입력 노드가 3개인 경우, 적절한 해를 구하기 어렵게 된다. 따라서 은닉층의 레이어를 증가시켜서 신경망을 설계한다. 레이어에서 활성화 함수는 로그시그모이드 함수를 선택하였다.
또한 다중회귀분석에서 품질에 영향을 주는 3가지의 입력변수를 이용하여 신경망 회로를 구축하였다. 신경망 회로에서 중간에 은닉층 2개의 계층으로 설계하였으며, 은닉층에서 가중치 행렬은 3×3, 2×3으로 설계하였다.
본 논문에서는 45개의 실험데이터를 이용하여 다중회 귀분석에 의한 회귀식을 생성하여 용접제품의 품질을 예측하고, 결과에 영향을 주는 독립변수를 후진제거 방법에 의해서 구하였다. 또한 주어진 데이터의 학습에 의한 신 경망회로를 구축하였다. 신경망 회로에 의한 결과를 비교 하기 위하여 27가지의 검증용 실험 데이터를 이용하여 결과치를 비교하였다.
본 논문에서는 45개의 실험데이터를 이용하여 다중회 귀분석에 의한 회귀식을 생성하여 용접제품의 품질을 예측하고, 결과에 영향을 주는 독립변수를 후진제거 방법에 의해서 구하였다. 또한 주어진 데이터의 학습에 의한 신 경망회로를 구축하였다.
본 논문에서는 590MPa-UHSS 강판에 대하여 45개 동저항 데이터를 이용하여 다중회귀분석을 수행하였다. 10가지 동저항을 인자로 추출하여 용접 품질을 연구하였다[11].
또한 주어진 데이터의 학습에 의한 신 경망회로를 구축하였다. 신경망 회로에 의한 결과를 비교 하기 위하여 27가지의 검증용 실험 데이터를 이용하여 결과치를 비교하였다.
신경망 회로에서 중간에 은닉층 2개의 계층으로 설계하였으며, 은닉층에서 가중치 행렬은 3×3, 2×3으로 설계하였다.
학습방법은 Levenberg Marquardt 방법을 사용하였고, 활성화함수로는 로그시그모이드 함수를 사용하였다. 신경망은 31번의 반복 작업에 의해서 0에 수렴하는 오차로 실행함수와 가중치 행렬의 해를 구하였다. 그 결과 27개의 검증데이터에 대해서 완전한 품질예측의 성능을 보여주었다.
신석우의 논문에서 동저항은 중요한 공정변수로 활용된다. 이 논문에서 10가지 동저항을 인자로 추출하여 연구에 활용하였다[15]. 그들은 이 연구에서 고장력강판 (1,280MPa Ultra High Strength Steel)에 대하여 다중 회귀분석을 수행하여 의미 있는 회귀식을 추정하였으나, 용접품질에 대한 예측을 수행하지 않았다.
이 논문에서 너깃의 생성시점의 동저항 α 피크값 x1과 위치 x2, 성장속도와 관련된 동저항 β피크 x3와 위치 x4, α피크의 하강속도 x5, 상승속도 x6, 동저항평균 x7, α피크와 β피크의 차이 x8, 최종저항 x9, β피크 최종저항 x10을 설정하였다.
첫 단계에서는 완전모형으로 가정하고 분산분석을 실시하지만 F-검정의 유의수준이α보다 크면 변수를 제거 하고 다음 단계 분석을 실시한다.
3과 같이 입력층은 첫 번째 신경망에서 10개의 노드이며, 세 개의 레이어를 거쳐서 2개의 출력층으로 결과가 출력된다. 출력값은 불량(0,.0) 두 가지의 품질 항목 중 한 가지 불량(0,1) 또는 (1,0), 양품(1,1) 등 네 가지의 경우로 설계하였다. 신경망 학습에서 가중치 변화를 랜덤 수자로 가져가기 때문에 시도할 때 마다 다른 결과값과 시도 횟수가 변화한다.
입력층은 첫 번째 신경망에서 3개의 노드이며, 2개의 레이어를 거쳐서 2개의 출력층으로 결과가 출력된다. 출력값은 앞선 신경망과 마찬가지로 불량(0,.0) 두 가지의 품질 항목 중 한 가지 불량(0,1) 또는 (1,0), 양품(1,1) 등 네 가지의 경우로 설계하였다. 실행함수는 다음과 같다.
후진제거에 의해 유의미한 동저항 변수 x3,x5,x7 만 포함하여 신경망을 구축 하였다.
목표 공차 값은 10^-3 으로 하였고 반복계산 횟수는 1,000번으로 하여 훈련 알고리즘과 관련된 파라미터를 정의하였다. 훈련 알고리즘을 호출하고 신경망이 결정된 후, 먼저 측정된 입력 데이터로 신경망의 출력을 시뮬레이션하여 결과를 측정하여 비교하였다.

대상 데이터

27개의 검증데이터는 3개의 불합격, 3개의 면적불량, 21개의 합격품으로 구성되었다. 다중회귀분석에 의한 두 개의 회귀식에 의해서 예측한 결과 완전불합격 3개 용접 면적 불합격 5개 합격 19개로 예측되었다.
Table 3과 같이 45개 실험 데이터 중에서 12개의 완전불합격, 12개의 용접면적 불합격, 21개의 합격 데이터로 구성되어 있다. 다중회귀분석에 의한 두 개의 회귀식에 의해서 예측한 결과 완전불합격 12개 용접면적 불합격 14개 합격 19개로 예측되었다.
단순화된 독립변수와 동저항으로 이루어진 독립 변수와 품질 결과로 나타나는 실험데이터를 이용하여 신경망을 구축한다. 학습된 신경망은 검증용 27개의 실험 데이터를 입력으로 하여 결과를 검증한다.

데이터처리

주어진 실험데이터에서 다중회귀분석을 실시하여 인장전단강도와 너깃의 지름을 예측하는 회귀식을 구하였 다. 다중회귀분석에서 두 개의 회귀식에서 설명력을 나타 내는 조정된 결정계수는 각각 0.

이론/모형

레이어에서 활성화 함수는 로그시그모이드 함수를 선택하였다. 가중치의 해를 얻기 위한 학습방법은 평균제곱오차 (Mean Square Error)를 최소화 하는 함수최적화 기법 으로 Levenberg Marquardt를 이용하였다. 목표 공차 값은 10^-3 으로 하였고 반복계산 횟수는 1,000번으로 하여 훈련 알고리즘과 관련된 파라미터를 정의하였다.
따라서 은닉층의 레이어를 증가시켜서 신경망을 설계한다. 레이어에서 활성화 함수는 로그시그모이드 함수를 선택하였다. 가중치의 해를 얻기 위한 학습방법은 평균제곱오차 (Mean Square Error)를 최소화 하는 함수최적화 기법 으로 Levenberg Marquardt를 이용하였다.
신경망 회로에서 중간에 은닉층 2개의 계층으로 설계하였으며, 은닉층에서 가중치 행렬은 3×3, 2×3으로 설계하였다. 학습방법은 Levenberg Marquardt 방법을 사용하였고, 활성화함수로는 로그시그모이드 함수를 사용하였다. 신경망은 31번의 반복 작업에 의해서 0에 수렴하는 오차로 실행함수와 가중치 행렬의 해를 구하였다.

성능/효과

4%의 오차율을 보였다. 10개의 독립변수에 의한 신경망과 3개의 독립변수에 의한 신경망에 의한 예측 방법에서는 27개의 검증 데이터 모두 정확히 완전 불량품과 부분불량, 양품의 제품을 예측하여 분리하였다.
신경망은 31번의 반복 작업에 의해서 0에 수렴하는 오차로 실행함수와 가중치 행렬의 해를 구하였다. 그 결과 27개의 검증데이터에 대해서 완전한 품질예측의 성능을 보여주었다. 한정된 재료와 데이터를 이용하여 회귀분석과 신경망 회로를 설계하여 예측시스템을 구축하였으나, 다른 종류의 재료와 데이터를 활용하여 개발된 시스템이 범용적 활용이 가능한지의 검증이 필요하며, 원래의 목적에 부합하는 실시간 모니터링 시스템의 실질적인 구축이 요구된다.
Table 3과 같이 45개 실험 데이터 중에서 12개의 완전불합격, 12개의 용접면적 불합격, 21개의 합격 데이터로 구성되어 있다. 다중회귀분석에 의한 두 개의 회귀식에 의해서 예측한 결과 완전불합격 12개 용접면적 불합격 14개 합격 19개로 예측되었다. 합격품 2개가 용접면적 불합격으로 예측되어 2개의 Type I 에러가 발생되어 4.
27개의 검증데이터는 3개의 불합격, 3개의 면적불량, 21개의 합격품으로 구성되었다. 다중회귀분석에 의한 두 개의 회귀식에 의해서 예측한 결과 완전불합격 3개 용접 면적 불합격 5개 합격 19개로 예측되었다. 합격품 2개가 용접면적 불합격으로 예측되어 7.
10개의 동저항 독립변수를 이용한 신경망에서 3개의 은닉층을 구축하여 에러 없는 회로를 생성하여 오차 없이 불량과 부분불량, 완전불량을 구분하였다. 다중회귀분석에 의해서 선택된 독립변수에 의한 신경망 회로는 2개의 은닉층을 구축하여 45개의 데이터가 모두 정확히 분류하는 것이 가능하였다.
다중회귀분석에서 두 개의 회귀식에서 설명력을 나타 내는 조정된 결정계수는 각각 0.917, 0.971이었으며, 후진제거 후 남아있는 의미 있는 독립변수는 β피크와 α피크의 하강속도, 동저항 평균 등 3가지였다.
그러나 10개의 동저항 변수를 모두 활용하여 신경망회로를 구성하여 실시간으로 용접품질을 감시하는 경우 입력 변수가 많이 존재하여 이에 관한 수집 데이터 종류가 많아 지고 데이터 수집 방법이 복잡하기 때문에 입력 변수를 가능한 많이 줄이는 것이 시스템을 간소화 하는 효율적인 품질 감시 시스템이라고 할 수 있다. 동저항 독립변수의 수를 간소화하면서 확률적으로 충분한 설명력으로 유의미한 결과를 예측하는 다중회귀분석 결과를 활용하여 독립변수의 수를 10개에서 3개로 줄여서 신경망을 구축할 수 있다.
10가지의 동저항을 비교하여 회귀식을 설정하고, 신경망회로는 회귀식에 의해서 불필요한 동저항 변수를 제거하여 활용한다. 또한 10개의 동저항 변수에 의한 신경망 구축과 불필요한 독립변수 제거 후의 신경망 회로를 비교하여 실시간 측정 변수를 간소화한 예측 시스템의 우수성을 증명한다.
또한 기울기가 31번째에서 거의 변화가 없으므로 해를 찾는 작업을 정지하였다. 또한 반복수행이 진행되는 동안 5번째와 10번째에 해당되는 시도에서만 45개의 데이터 중에서 범위에 벗어나는 결과가 있었다는 것을 알 수 있다.
실행함수의 결과로 45개의 모든 데이터가 오차 없이 불량, 한 가지만 불량, 양품의 결과를 구분 하였다. 그러나 10개의 동저항 변수를 모두 활용하여 신경망회로를 구성하여 실시간으로 용접품질을 감시하는 경우 입력 변수가 많이 존재하여 이에 관한 수집 데이터 종류가 많아 지고 데이터 수집 방법이 복잡하기 때문에 입력 변수를 가능한 많이 줄이는 것이 시스템을 간소화 하는 효율적인 품질 감시 시스템이라고 할 수 있다.
용접 품질을 판정하는 두 가지 품질, 즉 전단응력과 용접면적은 다중회귀분석에 의해 각각 0.91과 0.95의 설명력으로 3가지의 독립변수에 의해서 대부분 품질 판정을 할 수 있다는 것이 증명되었다. 10개의 동저항 변수에 의한 판정기준과 3개의 동저항 변수에 의한 판정 기준이 크게 다르지 않다면, 실시간 판정 감시를 하는데 있어서 변수를 줄여줌으로써 동저항 측정 공정과 장치를 간소화 하여 품질검사를 실시할 수 있다.
회귀식에 의한 용접품질 예측에서는 45개 데이터에서 는 4.4%의 예측오차를 보였으며, 27개 데이터에 대하여 는 7.4%의 오차율을 보였으며 모두 Type I 에러로 양품 이 불량품으로 판정되는 문제가 발생되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	점용접의 장점은 무엇입니까?	자동차 생산 과정에서 부품 체결을 위한 방법으로 작업시간이나 안전을 고려할 때 용접이 필수적이다. 자동차 산업에서 부품간의 용접 작업에는 자동화가 가능하고 작업시간에 서 장점이 많은 전기저항을 이용한 점용접 방법을 사용 한다[1,2]. 그러므로 자동차 분야에서 초고장력강의 저항 점용접의 결함 및 품질을 실시간으로 예측할 수 있는 연구는 생산성과 고품질 생산을 위한 필수 불가결한 연구 분야라 할 수 있다.
	다중회귀분석은 무엇입니까?	다양하고 복잡한 변수들 간의 상호 관련성을 찾으려는 방법 중에 회귀분석 방법이 있다. 다중회귀분석은 다양 한 독립변수에 의한 종속변수의 연관성을 잘 설명해 줄 수 있는 방법이다. 두 개 이상의 변수가 포함된 회귀모형 을 다중회귀 모형이라 한다.
	저항 점용접의 결함 및 품질은 무엇에 의해 결정됩니까?	자동차 분야에서 저항 점용접의 결함 및 품질을 실시간으로 예측할 수 있는 연구는 원가절감과 고품질 생산을 위한 필수 불가결한 연구 분야라 할 수 있다. 용접 품질은 전단강도와 너깃의 크기에 의해서 결정되며 여러 가지 독립변수에 따라 결과가 달라진다. 실시간 예측시스템을 개발하기 위하여 다중 회귀분석을 실시하여 3개의 독립변수로 두 가지 종속변수를 충분한 통계적 결과로 구하였으나 회귀식에 의한 품질 예측은 정확도를 보장할 수 없었다.

참고문헌 (15)

T. T. Han, K. Y. Lee & J. S. Kim. (2009). Recent Developments and Weldability of Advanced High Strength Steels for Automotive Applications, Journal of KWJS, 27(2), 131-132.
K. W. Kang. (2014). Vibration Fatigue Analysis of Spot Welded Component considering Change of Stiffness due to Fatigue Damage, Convergence Society for SMB. (5)1. 1-8
C. S. Son & Y. W. Park. (2012). Lobe Curve Characteristic Analysis of Resistance Spot Welding for Sheet Combination of 783 MPa Steel Sheet Using Simulation, Journal of KWJS, 30(6). 68-73.
B. N. Cho, H. S. Kim & I. S. Kang. (2015). Development of Estimation Model of Construction Activity Duration Using Neural Network Theory, Journal of the Korea Academia-Industrial, 16(5). 3477-3483.

원문보기 상세보기
K. K. Seo. (2014). Development of a Sales Prediction Model of Electronic Appliances using Artificial Neural Networks, JJournal of Digital Convergence 12(11), 209-214.
S. K Kang & S. H. Chun, (2017). Human Tracking Technology using Convolutional Neural Network in Visual Surveillance, Journal of Digital Convergence, 15(2), 173-181.

원문보기 상세보기
E. M. Yang, H. J. Lee & C. H. Seo. (2017). Comparison of Detection Performance of Intrusion Detection System Using Fuzzy and Artificial Neural Network, Journal of Digital Convergence, 15(6), 391-398.
K. T. Kim, J. Y. Choi. (2018). Facial Local Region Based Deep Convolutioal Neural networks for Atomated Face Recognition, Journal of Korea Convergence Society, 9(4). 47-55.
T. S. Ki & S. H. Lee. (2017). A Prediction Scheme for Power Apparatus using Artificial Neural Networks, Journal of Korea Convergence Society, 7(6). 201-207
Y. S. Yang, T. T. Nguyen & K. Y. Bae. (2010). Prediction of Heating Line for Plate Forming in Induction Heating Process Using Artificial Neural Network, Journal of the KWJS, 28(4). 1-4.
Y. S. Yang, T. T. Nguyen & J. W. Kim. (2013). An artificial neural network system for predicting the deformation of steel plate in triangle induction heating process, International Journal of Precision Engineering and Manufacturing, 14(4), DOI: 10.1007/s12541-013-0075-1

원문보기 상세보기
C. H. Kim, H. Y. Yu & S. H. Hong. (2007). Adaption of Neural Network Algorithm for Pattern Recognition of Weld Flaws, The Journal of the Korea Contents Association, 7(1). 65-72.

원문보기 상세보기
J. H. Cho. (2013). Prediction of Arc Welding Quality through Artificial Neural Network, Journal of KWJS, 31(3), 44-48.
Y. B. Cho, H. S. Chang & H. S. Cho. (1993). Estimation of Nugget Size in Resistance Spot Welding Processes Using Artificial Neural Networks, Journal of Mechanical Science and Technology, 17(2), 393-406.
S. W. Shin, J. H. Lee & S. H. Park. (2018). Strength Estimation Model of Resistance Spot Welding of 1.2 GPa Grade Ultra High Strength TRIP Steel for Car Body Applications, Journal of Welding and Joining, 36(1). 82-89.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증