레이저 용접 불량의 사전 감지를 위한 1D-CNN VAE와 MSCRED의 Ensemble 모델
Ensemble Model of 1D-CNN VAE and MSCRED for Pre-Detection of Laser Welding Defects
- 주제(키워드) Deep Learning , Time Series Anomaly Detection , 1D-CNN Variational Autoencoder , MSCRED
- 주제(DDC) 658.5
- 발행기관 아주대학교
- 지도교수 왕지남
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032632
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
This study presents an ensemble model of 1D-CNN Variable Autoencoder (VAE) and Multi Scale Convolutional Recurrent Encoder Decoder (MSCRED) for laser weld defect pre-detection. The presented ensemble model uses plasma data generated when the battery is welded and could detect various defect patterns depending on the contamination state of the protective lens of the laser welding machine by soft-voting a reconstruction error of 1D-CNN VAE and MSCRED. Plasma data used for anomaly detection is helpful in estimating the degree of contamination of the protective lens indirectly because it has a pattern according to the degree of contamination of the protective lens. However, depending on the situation, a normal similar pattern may appear during the contamination period or a sudden abnormal pattern may appear during the cleanliness period. Because 1D-CNN VAE handles data on a single scale and MSCRED on a multi-scale basis, mixing the two models allows them to operate appropriately for both of the above exceptional situations. The proposed method presents a framework consisting of preprocessing modules that properly handle plasma data, analysis modules that enable single-scale models and multi-scale models, and monitoring modules for visualizing results and real-time alarms. In order to evaluate the performance of the proposed model, the abnormal detection performance was evaluated based on the time of pore defect that occurred during actual battery welding, and it was confirmed that the AUC of the proposed model was the highest at 0.980878.
more초록/요약
이 연구는 레이저 용접 불량 사전 감지를 위한 1D-CNN VAE(Variational Autoencoder)와 MSCRED(Multi Scale Convolutional Recurrent Encoder Decoder)의 ensemble 모델을 제시한다. 제시한 ensemble 모델은 배터리 용접 시 발생한 플라즈마 데이터를 입력받으며, 1D-CNN VAE와 MSCRED의 복원 오차를 soft voting하여 레이저 용접기의 보호 렌즈 오염 상태에 따른 다양한 불량 패턴을 감지할 수 있다. 이상 탐지에 사용되는 플라즈마 데이터는 보호 렌즈 오염도에 따른 패턴을 갖기 때문에 간접적으로 보호 렌즈 오염도를 추정하는 데 도움이 된다. 하지만 상황에 따라 오염 기간 동안 정상 유사 패턴이 나타나거나 청결 기간 동안 갑작스러운 이상 패턴이 나타나기도 한다. 1D-CNN VAE는 단일 스케일, MSCRED는 다중 스케일로 데이터를 처리하기 때문에 두 모델을 혼합할 경우 위 두 가지 예외적인 상황에 모두 적합하게 동작할 수 있다. 이 연구는 플라즈마 데이터를 적절히 처리하는 전처리 모듈, 단일 스케일 모델과 다중 스케일 모델을 ensemble한 분석 모듈, 결과를 시각화하고 실시간 알람을 위한 모니터링 모듈로 구성된 프레임워크를 제시한다. 제안 모델의 성능 평가를 위해 실제 배터리 용접 시 발생한 기공 불량 시점 기준으로 이상 탐지 성능 평가를 진행했으며, 제안 모델의 AUC가 0.979807로 가장 높았음이 확인됐다.
more목차
제1장 서론 1
제2장 관련연구 3
제2.1절 딥러닝 기반 다변량 시계열 압축 3
제2.2절 단일 스케일 기반 이상 탐지 모델 5
2.2.1 AE 기반 이상 탐지 5
2.2.2 VAE 기반 이상 탐지 6
제2.3절 다중 스케일 기반 이상 탐지 모델 7
제2.4절 단일 스케일 모델과 다중 스케일 모델의 한계점 10
2.4.1 단일 스케일 모델과 조건-2 10
2.4.2 다중 스케일 모델과 조건-3 11
제2.5절 유사 데이터셋에서 연구된 모델 12
제2.6절 이상 탐지를 위한 지도학습 모델 12
제3장 제안 프레임워크 13
제3.1절 데이터 입력 및 단일 스케일 전처리 모듈 13
3.1.1 용접 포인트 별 패턴 분할 13
3.1.2 고정 크기 설정 14
3.1.3 보호 렌즈 오염도에 따른 플라즈마 패턴 파악 15
3.1.4 데이터 분할 및 표준화 17
제3.2절 단일, 다중 스케일 Ensemble 제안 모델 17
제3.3절 모니터링 모듈 20
제4장 실험 및 실험 결과 22
제4.1절 사용 데이터 23
제4.2절 전처리 방법과 실험 환경 23
제4.3절 실험-1 설계 24
4.3.1 실험-1 개요 24
4.3.2 실험-1의 평가지표 24
제4.4절 실험-2 설계 26
4.4.1 실험-2 개요 26
4.4.2 실험-2의 평가지표 26
제4.5절 비교 모델과 평가 모델 26
제4.6절 실험 결과 27
4.6.1 실험-1.1: 조건-3 이상 검출 성능 평가 27
4.6.2 실험-1.2: 조건-2 이상 검출 성능 평가 29
4.6.3 실험-1.3: 종합 이상 검출 성능 평가 30
4.6.4 실험-2: 지도학습과 비지도학습 성능 평가 31
4.6.5 제안 모델의 복원 결과 32
4.6.6 실제 불량 및 청소 이력과의 비교 34
제5장 결론 35
제6장 참고문헌 37
