http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
신동엽(D. Y. Shin),신종대(J. D. Shin),유병돈(B. D. You),오상훈(S. H. Oh),이동희(D. H. Lee) 한국소성가공학회 2010 한국소성가공학회 학술대회 논문집 Vol.2010 No.5
The effect of optimum condition of the exothermic & insulating materials for exothermic heat value increase by using the change of the thermal properties of exothermic & insulating materials with mixing condition of raw materials. Small steel ingot advantage that NAl/NFe2O3 is increase and size is small. Large steel ingot advantage that expansion graphite and bum rice bran contain large amount.
WAAM 공정에서의 합성곱신경망 및 전이학습 기반 소재 적응형 이상 탐지 알고리즘
이주홍(J. H. Lee),서기정(G. J. Seo),김덕봉(D. B. Kim),이동희(D. H. Lee),신승준(S. J. Shin) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
선재아크형 적층제조(Wire+Arc Additive Manufacturing, WAAM)는 용접 기술을 활용한 공정으로서, 아크 방전을 이용해 와이어 형태의 금속 소재를 용융하여 적층하는 방식이다. 그러나, 용접 기술에서 파생된 용착 특성으로 인하여 낮은 정밀도 및 잦은 비정상 융착 등 품질 문제의 극복이 필요하다. 따라서, WAAM 공정 중에 품질의 이상유무를 판별할 수 있는 예측적 이상 탐지 기술이 병행적으로 적용될 필요가 있다. 본 연구에서는 WAAM 공정에서의 이상 탐지를 위한 합성곱신경망 및 전이학습 기반 소재 적응형 알고리즘을 제안한다. 이 알고리즘은: 1) 원천 소재의 가공중 발생한 수치형 전압 데이터를 이미지로 변환하고, 2) 합성곱 신경망을 통하여 원천소재에 대한 기계학습 기반 이상 탐지 모델을 만들며, 3) 전이학습을 이용하여 원천소재 모델의 전이를 통한 목표 소재에 대한 예측적 이상 탐지를 실시하는 방법이다. 이 때, 소재별 열적 물성치를 특징으로 추가하여 소재의 특성을 반영한 미세 조정을 실시함으로써, 정확도를 향상시키는 방법을 적용한다. 저가형 소재 가공으로부터 획득한 다량의 데이터를 학습에 활용함으로써, 고가형 소재의 소량 데이터 획득 환경에서도 높은 정확도를 갖는 이상 탐지 모델의 개발이 가능하다. 사례에서는 저탄소강, 스테인리스 스틸, 인코넬 소재를 이용하여 개발된 알고리즘의 유효성 및 성능을 검증한다.