Real-time quality monitoring of SPR/FDS joining based on classification of process data using artificial intelligence analysis
- 주제어 (키워드) Self-Piercing Riveting (SPR) , Flow Drill Screw (FDS) , Real-time monitoring system , Convolutional Neural Networks (CNN) , Decision Tree , Non-destructive testing (NDT) , Interlock of rivet , gap defects between plates; 셀프 피어싱 리벳 (SPR) , 플로우 드릴 스크류 (FDS) , 실시간 모니터링 시스템 , 의사결정 트리 , 비파괴 검사 (NDT) , 인터락 , 판재 사이의 갭 결함
- 발행기관 서강대학교 일반대학원
- 지도교수 김동철
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000076650
- UCI I804:11029-000000076650
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
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.
more초록
셀프 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.
more목차
1. Introduction 5
2. Experiment 8
2.1 SPR Experimental materials 8
2.2 SPR Experimental environment 12
2.3 SPR Experimental Results 15
2.4 FDS Experimental Materials 22
2.5 FDS Experimental environment 23
2.6 FDS Experimental Results 25
3. Development of prediction models 28
3.1 Data preprocessing 28
3.2 CNN Model architecture 30
3.3 Post-processing of CNN Predictions 35
3.4 Validation of the CNN models 39
4. Conclusion 41
5. References 44
