본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

논문요약 12

제1장 서론 14

1.1. 연구배경 14

1.1.1. 직접분사 적층공정 개요 14

1.1.2. 직접분사 적층공정 물리기반 건전성 관리의 필요성 17

1.2. 연구동향 및 목적 19

1.3. 연구방법 25

(1) 직접분사 적층공정 테스트베드 구축 및 공정 모니터링 실험 25

(2) 물리기반 센서 데이터 전처리 및 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 26

(3) 설명 가능한 직접분사 적층공정 품질진단 알고리즘 구축 26

제2장 직접분사 적층공정 테스트베드 구축 및 공정 모니터링 실험 28

2.1. 직접분사 적층공정 모니터링용 테스트베드 구축 28

2.2. 직접분사 적층공정 모니터링 실험 32

2.2.1. 직접분사 적층공정 모니터링 실험 설계 및 조건 32

2.2.2. 직접분사 적층공정 모니터링 실험 결과 및 적층물 품질 분석 38

제3장 직접분사 적층공정 모니터링 센서 데이터 물리기반 전처리 및 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 41

3.1. 공정 모니터링 센서 데이터 물리기반 전처리 41

3.1.1. 공정 모니터링 센서 데이터 물리기반 전처리 프로세스 구축 41

3.1.2. 공정 모니터링 센서 데이터 물리기반 특징 추출 및 분석 44

3.2. 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 48

3.2.1. 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 프로세스 구축 48

3.2.2. 특징 패턴 이미지와 적층 품질 간의 상관관계 분석 55

제4장 설명 가능한 직접분사 적층공정 품질진단 알고리즘 개발 60

4.1. 직접분사 적층공정 품질진단 알고리즘 개발 60

4.1.1. 직접분사 적층공정 품질진단 데이터 수집 및 알고리즘 개발 60

4.1.2. 직접분사 적층공정 품질진단 알고리즘 결과 비교 및 분석 65

4.1.3. 직접분사 적층공정 품질진단 알고리즘 신뢰성 검증 68

4.2. Grad-CAM 활용 품질진단 모델의 설명 가능성 확인 71

제5장 결론 74

5.1. 결론 74

(1) 직접분사 적층공정 모니터링 테스트베드 구축 및 적층물 품질 분석 74

(2) 센서 데이터 물리기반 전처리 및 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 75

(3) 설명 가능한 품질진단 알고리즘 구축 및 검증 76

5.2. 향후 계획 78

(1) 추가적인 물리기반 특징 추출을 통한 품질진단 모델의 강건성 보강 78

(2) 물리기반 품질진단 모델의 범용성 검증 79

참고문헌 80

ABSTRACT 85

표목차

〈표 1-1〉 적층공정 분류 15

〈표 2-1〉 IR 카메라 제원 31

〈표 2-2〉 실험 설계 33

〈표 2-3〉 공정변수 별 싱글트랙 적층물 이미지 35

〈표 2-4〉 공정변수 별 적층 너비 및 오버랩 길이 36

〈표 2-5〉 실험 조건 37

〈표 2-6〉 금속 분말 및 기판 성분 37

〈표 2-7〉 공정변수 별 적층물 높이 및 Dilution 39

〈표 2-8〉 모니터링 실험 공정변수 별 적층물 단면 40

〈표 4-1〉 학습/검증/시험 데이터셋 별 데이터 수 61

〈표 4-2〉 모델 파라미터 격자 탐색 결과 62

〈표 4-3〉 품질진단 모델의 상세정보 63

〈표 4-4〉 센서 데이터의 유효 특징 인자 67

〈표 4-5〉 품질진단 모델의 성능 지표 결과 68

〈표 4-6〉 검증실험 설계 69

〈표 4-7〉 검증실험 결과 69

그림목차

〈그림 1-1〉 직접분사 적층공정 적용 예시 16

〈그림 1-2〉 직접분사 적층공정 대표 결함 17

〈그림 1-3〉 물리기반 건전성 진단 장점 18

〈그림 1-4〉 Multi-Modality CNN 모델 구조 20

〈그림 1-5〉 Hybrid CNN 모델 구조 20

〈그림 1-6〉 Pyrometer 데이터 CNN 모델 구조 21

〈그림 1-7〉 Welding 카메라 이미지 CNN 모델 구조 21

〈그림 1-8〉 Thermal 이미지 CNN 모델 구조 21

〈그림 1-9〉 표면 그라인딩 공정 LIME 기법 적용 23

〈그림 1-10〉 프레스 공정 SHAP 기법 적용 23

〈그림 1-11〉 베어링 고장 진단 Grad-CAM 기법 적용 24

〈그림 1-12〉 연구 방법 27

〈그림 2-1〉 직접분사 적층공정 시스템 구성도 29

〈그림 2-2〉 직접분사 적층공정 용융풀 모니터링 시스템 개요 30

〈그림 2-3〉 멀티트랙-싱글레이어 시편 34

〈그림 2-4〉 직접분사 적층공정 모니터링 실험 툴패스 34

〈그림 2-5〉 가스 아토마이징 SAE 316L 분말 37

〈그림 2-6〉 Dilution 정의 39

〈그림 3-1〉 IR 카메라 온도 측정 원리 도식도 43

〈그림 3-2〉 노이즈 제거 및 물리기반 데이터 전처리 프로세스 44

〈그림 3-3〉 공정변수 별 열에너지 크기 46

〈그림 3-4〉 공정변수 별 평균 열에너지 크기 46

〈그림 3-5〉 퍼지 추론 시스템 기반 소속 함수 정의 49

〈그림 3-6〉 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 50

〈그림 3-7〉 열에너지 크기의 데이터 분포 51

〈그림 3-8〉 열에너지 크기 정상 데이터 기반 입력 소속 함수 정의 52

〈그림 3-9〉 분말 공급 밀도에 대한 입력 소속 함수 정의 53

〈그림 3-10〉 퍼지 추론 시스템 기반 출력 소속 함수 결과 54

〈그림 3-11〉 퍼지 추론 시스템 기반 특징 패턴 이미지 생성 55

〈그림 3-12〉 공정변수와 특징 패턴 이미지 간의 상관관계 56

〈그림 3-13〉 특징 패턴 이미지와 품질 상태 간의 상관관계 58

〈그림 3-14〉 결함 별 특징 패턴 이미지의 교차하는 막대 범위 영역 59

〈그림 4-1〉 최적의 품질진단 모델의 구조 63

〈그림 4-2〉 시험 데이터에 대한 Confusion Matrix 64

〈그림 4-3〉 오진단 데이터 분석 64

〈그림 4-4〉 특징 패턴 이미지 기반 품질진단 모델과 1D ANN 기반 품질진단 모델의 성능 비교 도식도 66

〈그림 4-5〉 검증실험 케이스 별 적층물 단면 69

〈그림 4-6〉 검증실험 케이스 별 특징 패턴 이미지 70

〈그림 4-7〉 결함 별 특징 패턴 이미지의 교차하는 막대 영역 73

초록보기

 직접분사 적층공정(Directed Energy Deposition, DED)은 고에너지 열원(레이저, 전자빔)을 조사하여 형성된 용융 영역에 금속 분말을 공급하여 3차원 구조물을 적층 제조하는 공정이다. 직접분사 적층공정은 자유 곡면에 적층이 가능하여 복잡한 형상의 제품 제작 및 파손 부위의 보수 작업이 가능하다는 점에서 국방, 항공우주, 조선 등의 고부가가치 산업 분야에서 활용되고 있다. 그러나 복잡한 공정변수의 영향으로 용융부족, 멜팅볼, 기공 등의 결함이 발생할 수 있어 제품의 신뢰성 문제로 이어질 수 있다. 이에 대한 건전성 진단을 위한 직접분사 적층공정 모니터링 연구가 활발히 진행되고 있다. 하지만 기존 모니터링 연구는 공정의 건전성 관리에 중점을 두고 있어 사용된 알고리즘의 결정 과정이 불투명하여 진단 근거를 이해하기 어렵다는 한계가 있다. 본 연구에서는 품질진단 모델의 의사결정 근거와 결함 발생 원인에 대해 물리적으로 설명할 수 있는 데이터 가시화 방법을 제시하고, 설명 가능한 품질진단 모델을 개발하였다. 이를 통해 품질진단 알고리즘의 의사결정에 대해 설명 가능한 근거 제시가 가능하다는 점과 알고리즘의 신뢰성 확보 및 결함이 발생한 원인에 대해 파악이 가능하다는 점에서 기존 직접분사 적층공정 모니터링 연구에서 한계점을 극복하고 공정의 효율성을 증대하는 물리기반 인공지능 알고리즘 개발을 제안하였다.

먼저, 직접분사 적층공정 용융풀을 모니터링하기 위해 적외선 영역대의 파장을 감지하여 물체의 온도를 측정하는 센서인 IR 카메라를 활용하여 직접분사 적층공정 테스트베드를 구축하였다. 이를 활용한 실험을 통해 품질 결함을 정의하고, 결함과 공정변수 간의 상관관계를 분석하였다. 수집된 IR 카메라의 온도 데이터를 활용하여 물리기반 열에너지 데이터로 변환하고, 결함과 관계있는 유효 특징 인자를 추출하였다. 추출된 특징 데이터와 결함 간의 상관관계를 분석 후 유효 특징 인자 기반 퍼지 추론 시스템을 적용하여 2차원 특징 패턴 이미지를 생성하였다. 정상 데이터의 가우시안 분포(평균, 표준편차)를 기준으로 입력 소속 함수를 정의하였고 출력 소속 함수는 하위 소속 함수의 수준을 시각적으로 구분하기 위해 정의되었다. 출력 소속 함수의 결과는 입력 소속 함수의 출력값에 의해 정해진다. 최종적으로 2개의 출력 소속 함수를 활용하여 2차원 이미지를 생성하였다. 이후 특징 패턴 이미지와 결함 간의 상관관계를 분석하여 결함과 이미지 간의 경향성을 확인하였다.

마지막으로 생성된 특징 패턴 이미지 기반 설명 가능한 직접분사 적층공정 품질 진단 알고리즘을 개발하였다. 최적의 공정 품질진단 모델 구축을 위해 격자 탐색을 통해 최적의 모델 파라미터를 선정하였다. 그 후, 특징 패턴 이미지 기반 공정 품질 진단 모델(2D CNN)과 일반적인 품질진단 모델(1D ANN)과의 성능을 비교하였다. 마지막으로 Grad-CAM을 활용하여 품질진단 모델의 의사결정 과정을 확인하여 모델의 설명 가능성을 향상시키고 품질진단 모델의 진단 근거와 결함 발생 원인에 대해 물리적으로 설명하기 위한 데이터 이미지화의 의도와 일치함을 입증하였다. 위 방법을 통해 직접분사 적층공정의 물리기반 건전성 진단을 위한 인공지능 알고리즘 개발에 관한 프레임워크를 최종 구축하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차