• 한국산학기술학회논문지
• /
• 제22권6호
• /
• pp.36-42
• /
• 2021

최근 4차 산업혁명으로 인해 제조업계에서는 제조업의 인공지능을 접목시켜 효율성을 극대화하는 스마트 팩토리 붐이 일어나고 있다. 특히 자동차 부품 제조 및 생산에 널리 적용되어 불량을 낮추는 연구들이 활발히 진행되고 있다. 이에 본 연구에서는 머신러닝을 통한 불량예측을 시트 폼 발포공정에 접목시켜 발포공정의 효율성을 극대화하는 연구를 진행하였다. 자동차 시트폼 에서 주로 사용되는 폴리우레탄 폼(polyurethane foam)은 폴리올(polyol, 이하 POL)과 이소시아네이트(isocyanate, 이하 ISO)를 혼합 및 발포하는 공정으로 제조되며, 각 원료의 혼합비율과 온도의 변화에 따라 제품의 특성이 변화한다. 이에 본 연구에서는 발포공정에서 수집되는 인자별 데이터값을 머신러닝에 적용하여 불량을 예측하고자 한다. 머신러닝에 사용되는 알고리즘으로는 의사결정트리, kNN, 앙상블 알고리즘을 사용하였으며 학습은 5,147개의 데이터를 사용하였으며, 학습된 결과를 1,000개의 검증용 데이터에 적용한 결과, 세 알고리즘 중 앙상블 알고리즘에서 최대 98.5 %의 정확도를 확인할 수 있었다. 이러한 결과를 통해 발포공정에서 실시간으로 수집되는 데이터를 통해 현재 생산되는 부품의 불량 여부를 확인할 수 있으며, 나아가 각 인자를 조절하여 불량률을 개선할 수 있음을 짐작할 수 있다고 사료된다.

• 한국산학기술학회논문지
• /
• 제19권3호
• /
• pp.52-60
• /
• 2018

최근 자동차 산업에서는 연비향상 및 안전규제 강화에 따라 차량 경량화가 필수적으로 요구됨에 따라 DP강(Dual Phase steel), CP강(Complex Phase steel), MS강(Martensitic Steel), TRIP강(Transformation Induced Plasticity steel), TWIP강(Twinning Induced Plasticity steel) 등과 같은 인장강도 700MPa 이상인 초고장력강(Ultra High Strength Steel)의 적용이 증가하고 있다. 초고장력강을 차체에 적용하기 위해서는 용접공정이 필수적이며, 원가 측면에서 유리한 전기저항점용접(Resistance Spot Welding, RSW)이 차체 용접에서 80%이상으로 가장 많이 적용되고 있다. 초고장력강은 강도향상을 위해 합금원소 함량을 늘이기 때문에 일반적으로 용접성이 열악한 것으로 알려져 있다. 이러한 초고장력강의 저항점용접의 경우 적정 용접조건 영역이 축소되고 용접부에서 계면파단 및 부분계면파단이 발생하는 것으로 보고되어 있어 결함 및 품질을 실시간으로 예측할 수 있는 용접품질 판정 연구가 활발히 진행되고 있다. 이에 따라 본 연구에서는 저항 점 용접을 수행할 때 검출되는 2차 회로 공정 변수를 이용하여 용접부의 동저항을 모니터링하고, 이 동저항 패턴에서 용접 품질 판단에 필요한 인자들을 추출하였다. 추출한 인자들을 상관분석하여 용접 품질과의 상관성을 파악하였으며, 상관성이 높은 인자들을 이용하여 회귀분석을 실시하였다. 이를 근거로 현장 적용이 가능한 회귀 모델을 제시하였다.

• Steel and Composite Structures
• /
• 제50권6호
• /
• pp.705-720
• /
• 2024

Analyzing the collapse behavior of thin-walled steel structures holds significant importance in ensuring their safety and longevity. Geometric imperfections present on the surface of metal materials can diminish both the durability and mechanical integrity of steel shells. These imperfections, encompassing local geometric irregularities and deformations such as holes, cavities, notches, and cracks localized in specific regions of the shell surface, play a pivotal role in the assessment. They can induce stress concentration within the structure, thereby influencing its susceptibility to buckling. The intricate relationship between the buckling behavior of these structures and such imperfections is multifaceted, contingent upon a variety of factors. The buckling analysis of thin-walled steel shell structures, similar to other steel structures, commonly involves the determination of crucial material properties, including elastic modulus, shear modulus, tensile strength, and fracture toughness. An established method involves the emulation of distributed geometric imperfections, utilizing real test specimen data as a basis. This approach allows for the accurate representation and assessment of the diversity and distribution of imperfections encountered in real-world scenarios. Utilizing defect data obtained from actual test samples enhances the model's realism and applicability. The sizes and configurations of these defects are employed as inputs in the modeling process, aiding in the prediction of structural behavior. It's worth noting that there is a dearth of experimental studies addressing the influence of geometric defects on the buckling behavior of cylindrical steel shells. In this particular study, samples featuring geometric imperfections were subjected to experimental buckling tests. These same samples were also modeled using Finite Element Analysis (FEM), with results corroborating the experimental findings. Furthermore, the initial geometrical imperfections were measured using digital image correlation (DIC) techniques. In this way, the response of the test specimens can be estimated accurately by applying the initial imperfections to FE models. After validation of the test results with FEA, a numerical parametric study was conducted to develop more generalized design recommendations for the stainless-steel shell structures with the initial geometric imperfection. While the load-carrying capacity of samples with perfect surfaces was up to 140 kN, the load-carrying capacity of samples with 4 mm defects was around 130 kN. Likewise, while the load carrying capacity of samples with 10 mm defects was around 125 kN, the load carrying capacity of samples with 14 mm defects was measured around 120 kN.