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
- 신승준
- 발행연도
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수13
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
적층제조는 기존의 소품종 대량 생산에서 다품종 소량 생산으로 넘어가는 시점에서 재료 활용도가 높아 적은 비용으로 공정을 진행할 수 있기 때문에 차세대 제조공정으로 각광받고 있다. 그 중 용접기술을 활용한 WAAM(Wire+Arc Additive Manufacturing)은 금속 소재에 대한 복잡 형상 제조가 가능하고 설비가 저렴하고 다양한 재료를 활용할 수 있기 때문에 다양한 산업 분야에 사용 가능하기 때문에 관련 연구가 진행되고 있다. 하지만 아크 용접 기술은 정밀도가 낮고 금속 소재를 용융시켜 증착시키는 특징 때문에 품질 저하를 야기한다. 관련 연구에서 품질 고도화를 위해 비드의 형상과 전압 그래프의 형상을 이용한 이상탐지에 대한 연구가 진행되었다. 하지만 지도학습을 기반으로 이상탐지를 진행하기 때문에 레이블 작업에 대한 어려움이 있으며, 훈련에 필요한 데이터를 얻기 위해서 많은 실험 데이터가 필요하다.
따라서, 본 논문은 WAAM 공정에서의 비지도 및 연계 앙상블 학습 기반 자동 레이블링과 이상탐지 알고리즘을 제시한다. 또한, 제안된 알고리즘을 기반으로 자동화된 시제품을 제시한다. 제안된 방법은 레이블링 데이터를 생성하기 위해 오토인코더를 이용하여 차원 축소를 진행하고 축소된 데이터를 기반으로 군집화 및 샘플링을 구현하여 신뢰도가 높은 레이블링 데이터를 생성한다. 생성된 데이터를 기반으로 각 데이터 세트에 레이블을 부여하고 기계학습 기반 모델을 훈련하고 모델을 저장한다. 저장된 모델을 시험 데이터 세트에 적용하여 예측 값들을 생성하고, 연계하여 새로운 데이터세트인 예측 연계 데이터 세트를 생성한다. 생성된 데이터 세트를 입력 값으로 사용하여 의사결정나무, 랜덤 포레스트와 같은 기법들을 이용하여 하드 보팅, 소프트 보팅을 진행하여 최종 예측을 생성한다. 마지막으로 PyQt를 이용하여 제안된 알고리즘을 기반으로 자동화된 시스템을 실행하여 제안된 방법을 구현한다.
따라서, 본 논문은 WAAM 공정에서의 비지도 및 연계 앙상블 학습 기반 자동 레이블링과 이상탐지 알고리즘을 제시한다. 또한, 제안된 알고리즘을 기반으로 자동화된 시제품을 제시한다. 제안된 방법은 레이블링 데이터를 생성하기 위해 오토인코더를 이용하여 차원 축소를 진행하고 축소된 데이터를 기반으로 군집화 및 샘플링을 구현하여 신뢰도가 높은 레이블링 데이터를 생성한다. 생성된 데이터를 기반으로 각 데이터 세트에 레이블을 부여하고 기계학습 기반 모델을 훈련하고 모델을 저장한다. 저장된 모델을 시험 데이터 세트에 적용하여 예측 값들을 생성하고, 연계하여 새로운 데이터세트인 예측 연계 데이터 세트를 생성한다. 생성된 데이터 세트를 입력 값으로 사용하여 의사결정나무, 랜덤 포레스트와 같은 기법들을 이용하여 하드 보팅, 소프트 보팅을 진행하여 최종 예측을 생성한다. 마지막으로 PyQt를 이용하여 제안된 알고리즘을 기반으로 자동화된 시스템을 실행하여 제안된 방법을 구현한다.
목차
표 목차 ⅳ그림 목차 ⅴ국문요지 ⅶ제 1 장 서론 11.1 연구의 필요성 11.2 연구의 목적 5제 2 장 이론적 배경 62.1 기계학습 기반 이상탐지 62.2 WAAM공정에서의 이상탐지 72.3 비지도 학습기반 이상탐지 92.4 앙상블 학습 10제 3 장 모델 설계 113.1 데이터 전처리 143.1.1 1D 모델 143.1.1.1 전압 데이터 수집 143.1.1.2 이미지 데이터 변환 153.1.1.3 전압 그래프 이미지 데이터 레이블링 163.1.2 2D 모델 163.1.2.1 프레임 컷 획득 173.1.2.2 프레임 컷 크기 조정 183.1.2.3 비드 이미지 데이터 레이블링 183.1.3 자동 레이블링 183.1.3.1 차원 축소 203.1.3.2 이미지 군집화 203.1.3.3 실루엣 계수 기반 데이터 샘플링 233.2 데이터 준비 253.3 모델 훈련 & 예측 263.4 연계 앙상블 27제 4 장 설계 구현 304.1 데이터 전처리 304.1.1 1D 모델 334.1.1.1 전압 데이터 수집 334.1.1.2 이미지 데이터 변환 334.1.1.3 전압 그래프 이미지 데이터 레이블링 354.1.2 2D 모델 364.1.2.1 프레임 컷 획득 364.1.2.2 프레임 컷 크기 조정 374.1.2.3 비드 이미지 데이터 레이블링 384.1.3 자동 레이블링 394.1.3.1 차원 축소 394.1.3.2 이미지 군집화 404.1.3.3 실루엣 계수 기반 데이터 샘플링 414.2 데이터 준비 454.3 모델 훈련 & 예측 474.3.1 1D 모델링 474.3.2 2D 모델링 484.4 연계 앙상블 504.5 설계 결과 524.6 시제품 구현 544.6.1 자동 레이블링 554.6.2 데이터 전처리 594.6.3 모델링 614.6.4 연계 앙상블 모델링 634.7 고찰 65제 5 장 결론 66참고문헌 69Abstract 77
최근 본 자료
댓글(0)
0