Real-time quality monitoring of SPR/FDS joining based on classification of process data using artificial intelligence analysis
저자
발행사항
서울 : 서강대학교 일반대학원, 2024
학위논문사항
학위논문(석사)-- 서강대학교 일반대학원 : 기계공학과 2024. 2
발행연도
2024
작성언어
영어
주제어
발행국(도시)
서울
형태사항
; 26 cm
일반주기명
지도교수: 김동철
UCI식별코드
I804:11029-000000076650
소장기관
Self-Piercing Riveting (SPR) and Flow Drill Screw (FDS) processes have a crucial role in the lightweighting of automotive bodies. Evaluating the quality of SPR and FDS joints typically involves time-consuming and costly procedures such as joint cross-sectional inspections. Therefore, we conducted research to predict the quality of direct joints using real-time monitoring systems, such as displacement-force graphs and time-torque graphs during the joining process. But there have been no reported studies on the real-time prediction of joint sections for SPR and FDS. In this study, we utilized a deep learning algorithm, specifically a Convolutional Neural Network (CNN), to achieve high-accuracy prediction of the quality of SPR and FDS joints. Convolutional Neural Networks (CNN) are good for image recognition tasks by automatically learning hierarchical features, capturing spatial hierarchies and patterns in data. For FDS, testing the proposed method demonstrated a notable accuracy of 95.1%, which is 4.9% higher than conventional machine learning approaches. And for SPR, the accuracy was 89.4%, which is 8.5% higher than the conventional machine learning methods. Importantly, the proposed approach effectively identified defects in the joints. This research contributes to the advancement of real-time quality prediction for SPR and FDS joint sections, offering a promising avenue for enhancing efficiency and reducing costs in the evaluation of joint quality.
더보기셀프 피어싱 리벳(Self-Piercing Riveting, SPR) 및 플로우 드릴 스크류(Flow Drill Screw, FDS) 공정은 자동차 차체 경량화에 중요한 역할을 한다. SPR 및 FDS 접합의 품질 평가는 보통 접합 단면 검사와 같은 시간 소모적이고 비용이 많이 드는 절차를 필요로 한다. 따라서 우리는 실시간 모니터링 시스템을 활용하여 직접 접합 품질을 예측하는 연구를 수행하였다. 이 시스템은 접합 프로세스 중에 발생하는 변위-힘 그래프 및 시간-토크 그래프와 같은 정보를 활용한다. 그러나 SPR 및 FDS의 접합 단면을 실시간으로 예측하는 연구는 아직 보고된 바가 없다. 본 연구에서는 고정밀한 SPR 및 FDS 접합의 품질 예측을 위해 Convolutional Neural Network (CNN) 딥 러닝 알고리즘을 활용했다. CNN은 이미지 인식 작업에 뛰어나며 데이터의 공간 계층 구조와 패턴을 자동으로 학습하여 계층적인 특징을 캡처한다. FDS에 대한 제안된 방법의 테스트는 95.1%의 주목할 만한 정확도를 나타내었으며, 이는 기존의 머신러닝 방법보다 4.8% 높다. SPR의 경우 정확도는 89.4%로, 기존의 머신러닝 방법보다 8.5% 높다. 더욱 중요한 것은 제안된 방법이 접합의 결함을 효과적으로 식별했다는 점이다. 본 연구는 SPR 및 FDS 접합 단면의 실시간 품질 예측의 발전에 기여하여 접합 품질 평가의 효율성을 향상시키고 비용을 줄일 수 있는 유망한 방향을 제시한다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)