메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김준성 (조선대학교) 서기정 (테네시 공과대학) 김덕봉 (테네시 공과대학) 신종호 (조선대학교) 박형준 (조선대학교)
저널정보
(사)한국CDE학회 한국CDE학회 논문집 한국CDE학회 논문집 제26권 제2호
발행연도
2021.6
수록면
131 - 143 (13page)
DOI
10.7315/CDE.2021.131

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In the wire-arc additive manufacturing (WAAM) process, which creates metal layers with weld beads, it is important to detect weld bead defects and resolve them properly and timely. In this paper, we propose a machine learning approach for automatically detecting weld bead defects based on voltage signature data captured during the WAAM process. We adopt multi-layer perceptron (MLP) and convolutional neural network (CNN) as machine learning models, and consider three types of beads: normal bead, abnormal bead with balling effects, and abnormal bead with cuts. After capturing voltage signatures while building weld beads, we separated each voltage signature into 17 to 19 segments, from each of which a set of features are extracted. We then constructed training and test data with feature datasets. We built total 75 voltage signatures: 45 for normal beads, 15 for abnormal beads with balling effects, and 15 for abnormal beads with cuts. After training the MLP and CNN models using TensorFlow, we tested and compared their performance. We found that the two types of models works well even though the amount of data used is small, but the CNN models are more appropriate for real-time detection of weld bead defects.
#Convolutional neural network #Feature extraction #Machine learning #Multi-layer perceptron #Voltage signature data #Weld beads #Wire-arc additive manufacturing

목차

ABSTRACT
1. 서론
2. 학습 데이터 생성
3. 기계학습 모델 생성
4. 구현 및 적용
5. 결론 및 토의
References

참고문헌 (22)

참고문헌 신청
Baker, R., 1925, Method of Making Decorative Articles, U.S. Patent, No. 1,533,300. google schola Panchagnula, J.S. and Simhambhatla, S., 2018, Manufacture of Complex Thin-walled Metallic Objects Using Weld-deposition Based Additive Manufacturing, Robotics and Computer-Integrated Manufacturing, 49, pp.194-203. google schola Williams, S.W., Martina, F., Addison, A.C., Ding, J., Pardal, G. and Colegrove, P., 2016, Wire + Arc Additive Manufacturing, Materials Science and Technology, 32(7), pp.641-647. google schola Xiong, J., Zhang, G. and Zhang, W., 2015, Forming Appearance Analysis in Multi-layer Singlepass GMAW-based Additive Manufacturing, The International Journal of Advanced Manufacturing Technology, 80, pp.1767-1776. google schola Lopez, A., Bacelar, R., Pires, I., Santos, T.G., Sousa, J.P. and Quintino, L., 2018, Non-destructive Testing Application of Radiography and Ultrasound for Wire and Arc Additive Manufacturing, Additive Manufacturing, 21, pp. 208-306. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

서울시 오피스 매매가격지수 개발에 관한 연구
이상경 서울도시연구 2005 .12
기계학습을 이용한 3D CAD 모델 형상과 경계조건의 유형 식별
김준성 ,  박형준 한국CDE학회 논문집 2022 .09

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-530-001749434