지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김일수
- 발행연도
- 2020
- 저작권
- 목포대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
용접·접합산업은 국가 기간산업인 조선, 자동차, 중공업, 건설, 전기/전자, 반도체 등의 산업에 필요한 기기 및 재료를 공급하기 때문에 이들 기간산업의 국가경쟁력을 좌우하는 생산기반산업이며, 국가 기간산업의 핵심기반 기술이다.
특히 조선 산업에서 사용되는 파이프는 소재 자체의 가격이 비싸고 우수한 용접부 성능을 필요로 하므로, 최신의 고성능 용접방법 및 자동화가 절실히 요구되고 파이프 용접장치 제품의 요구수준이 높아지고 해외시장에서의 경쟁력 확보를 위한 원가 저감에 대한 요구에 따라 발전하고 있다. 파이프 용접에서는 작업자의 숙련도가 용접부의 품질 및 생산성에 큰 영향을 미치는데, 숙련 작업자가 감소하면서 용접 공정에 대한 요구가 지속적으로 증가하고 있다.
최근 용접 산업은 4차 산업혁명과 연관하여 실제 생산 및 제조 분야에서 제품의 높은 품질의 요구와 Smart factory 구축을 위해 여러 연구가 진행 되고 있다. 인공지능 기법 중의 하나인 딥 러닝(Deep learning) 기법은 컴퓨터 연산 처리 속도의 발전을 통해 최근 객체 인식, 자연어 처리, 이미지 분류 등 분야에서 뛰어난 성능을 보여준다. 또한 최근 기계의 상태 진단 분야에서 딥 러닝기법을 이용하여 실시간으로 제품의 결함 또는 용접성을 예측하는 모니터링 기술에 관한 연구가 진행되고 있다.
하지만, 용접부의 크기와 형상과의 관계를 실험적으로 결정하기 위해 실제적인 데이터로 사용할 수 있지만, 여기서 사용된 용접조건은 아크전압, 용접전류 그리고 용접속도 등과 같은 실제적인 값들이 아니므로 다양한 공정변수에 따른 용접부 형상을 예측하기란 매우 어렵다. 따라서 비드형상 및 용접결함을 공정변수로 부터 예측할 수 있는 예측모델 개발이 필수적으로 요구된다.
따라서, 본 연구에서는 SA516-70 재질을 사용하여 GTA 용접공정시 획득한 데이터를 활용하여 비드형상 예측모델 개발을 목표로 하였다. 완전요인실험방법에 따라 용접조건별로 총 27회의 GTA용접실험을 실시하였으며, 용접 실험 시 용접 모니터링 시스템을 이용하여 실시간으로 전류?전압 데이터를 추출하였다. 추출한 데이터를 기반으로 용접품질을 실시간으로 확인하였으며, 전류전압 데이터에 따른 비드형상(비드폭, 높이)의 경향을 확인하기 위해 3D Scanner를 사용하였다. 또한 실시간 전류?전압 데이터와 3D Scanner를 통하여 획득한 데이터들은 최적화 모델 개발에 사용되었다. 개발된 예측모델의 신뢰성을 검증하고자 실제 용접실험에서 얻은 비드형상과 상호 비교·분석하고, 정확도를 평가한다. 또한, Fuzzy cluster 알고리즘을 개발하여 DNN 알고리즘과 비교하여 최적의 예측모델을 선정한다. 용접실험 중 실시간으로 측정한 공정변수와 최적모델이 예측한 비드형상을 이용한 추세분석을 통해 실시간 정확도를 분석하며 실제 용접실험에서 획득한 비드형상과 비교하여 신뢰성을 검증하고자 한다.
최종 목표는 용접 공정의 데이터를 분석하여 용접 품질의 이상 징후를 사전에 경보함으로써 제품의 품질 저하를 예방하고 고품질의 용접부를 도출하여 Smart factory에 적용하는 것이다.
특히 조선 산업에서 사용되는 파이프는 소재 자체의 가격이 비싸고 우수한 용접부 성능을 필요로 하므로, 최신의 고성능 용접방법 및 자동화가 절실히 요구되고 파이프 용접장치 제품의 요구수준이 높아지고 해외시장에서의 경쟁력 확보를 위한 원가 저감에 대한 요구에 따라 발전하고 있다. 파이프 용접에서는 작업자의 숙련도가 용접부의 품질 및 생산성에 큰 영향을 미치는데, 숙련 작업자가 감소하면서 용접 공정에 대한 요구가 지속적으로 증가하고 있다.
최근 용접 산업은 4차 산업혁명과 연관하여 실제 생산 및 제조 분야에서 제품의 높은 품질의 요구와 Smart factory 구축을 위해 여러 연구가 진행 되고 있다. 인공지능 기법 중의 하나인 딥 러닝(Deep learning) 기법은 컴퓨터 연산 처리 속도의 발전을 통해 최근 객체 인식, 자연어 처리, 이미지 분류 등 분야에서 뛰어난 성능을 보여준다. 또한 최근 기계의 상태 진단 분야에서 딥 러닝기법을 이용하여 실시간으로 제품의 결함 또는 용접성을 예측하는 모니터링 기술에 관한 연구가 진행되고 있다.
하지만, 용접부의 크기와 형상과의 관계를 실험적으로 결정하기 위해 실제적인 데이터로 사용할 수 있지만, 여기서 사용된 용접조건은 아크전압, 용접전류 그리고 용접속도 등과 같은 실제적인 값들이 아니므로 다양한 공정변수에 따른 용접부 형상을 예측하기란 매우 어렵다. 따라서 비드형상 및 용접결함을 공정변수로 부터 예측할 수 있는 예측모델 개발이 필수적으로 요구된다.
따라서, 본 연구에서는 SA516-70 재질을 사용하여 GTA 용접공정시 획득한 데이터를 활용하여 비드형상 예측모델 개발을 목표로 하였다. 완전요인실험방법에 따라 용접조건별로 총 27회의 GTA용접실험을 실시하였으며, 용접 실험 시 용접 모니터링 시스템을 이용하여 실시간으로 전류?전압 데이터를 추출하였다. 추출한 데이터를 기반으로 용접품질을 실시간으로 확인하였으며, 전류전압 데이터에 따른 비드형상(비드폭, 높이)의 경향을 확인하기 위해 3D Scanner를 사용하였다. 또한 실시간 전류?전압 데이터와 3D Scanner를 통하여 획득한 데이터들은 최적화 모델 개발에 사용되었다. 개발된 예측모델의 신뢰성을 검증하고자 실제 용접실험에서 얻은 비드형상과 상호 비교·분석하고, 정확도를 평가한다. 또한, Fuzzy cluster 알고리즘을 개발하여 DNN 알고리즘과 비교하여 최적의 예측모델을 선정한다. 용접실험 중 실시간으로 측정한 공정변수와 최적모델이 예측한 비드형상을 이용한 추세분석을 통해 실시간 정확도를 분석하며 실제 용접실험에서 획득한 비드형상과 비교하여 신뢰성을 검증하고자 한다.
최종 목표는 용접 공정의 데이터를 분석하여 용접 품질의 이상 징후를 사전에 경보함으로써 제품의 품질 저하를 예방하고 고품질의 용접부를 도출하여 Smart factory에 적용하는 것이다.
목차
Nomenclatures iiiList of Tables vList of Figures viiAbstract x제 1장 서 론 1제 1절 연구 배경 1제 2절 연구목적 및 방법 8제 2장 관련 이론 10제 1절 GTA 용접 102.1.1 GTA 용접 원리 및 특징 102.1.2 GTA 용접의 공정변수 132.1.3 실험계획법 152.1.4 용접모니터링 시스템 182.1.5 용접용 3D scanner 23제 2절 GTA 용접 예측모델 개발 252.2.1 딥 러닝(Deep Learning) 알고리즘 252.2.2 DNN(Deep Neural Network) 알고리즘 272.2.3 퍼지 클러스터링(Fuzzy clustering) 알고리즘 302.2.4 시계열 분석 33제 3장 GTA 용접 실험 35제 1절 실험 개요 353.1.1 실험장치 구성 및 방법 353.1.2 실험재료 및 방법 363.1.3 실험계획 38제 2절 실험결과 및 고찰 413.2.1 용접실험 결과 413.2.2 3D scanner를 이용한 용접 비드형상 결과 46제 4장 결과 및 고찰 55제 1절 예측모델을 이용한 GTA 용접공정 분석 55제 2절 DNN 알고리즘 개발 584.2.1 비드폭에 대한 DNN 알고리즘 개발 594.2.2 비드높이에 대한 DNN 알고리즘 개발 664.2.3 PAM 분석을 통한 검증 72제 3절 최적의 예측모델 개발 744.3.1 Fuzzy clustering 알고리즘 개발 794.3.2 비드형상에 대한 Fuzzy clustering 알고리즘 개발 814.3.3 Elbow 기법을 이용한 Cluster 최적의 개수 선정 824.3.4 실루엣 기법을 이용한 Cluster 신뢰성 분석 894.3.5 개발된 예측모델의 비교 분석 94제 4절 예측모델의 실시간 비드형상 예측 954.4.1 추세분석을 이용한 실시간 비드형상 예측 96제 5장 결 론 100참고문헌 102
최근 본 자료
댓글(0)
0