검색 상세

딥러닝을 활용한 기계적 성능을 높인 너클 부품 분류

Classification of knuckle component with improved mechanical performance by using deep learning

  • 문창원 (Changwon Moon, 아주대학교 IT융합대학원)

초록/요약

4차 산업혁명의 도래로 제조 산업에서 인공지능(Artificial Intelligence)의 한 분야인 딥러닝(Deep Learning) 기술이 중요해지고 있다. 딥러닝은 복잡하 고 많은 양의 데이터를 처리하여 제조 산업에서 작업 효율성을 높인다. 본 논 문에서는 자동차 산업에 이미지 처리 및 분류 관련 딥러닝 기술을 적용하고자 한다. 구체적으로 자동차용 샤시액슬 부품인 너클(Knuckle)을 제작하는 업체 에서는 시작개발 단계(T-Car~Proto)에서 원리 평가용으로 기계적 성능이 우 수한 너클을 현대자동차와 같은 Original Equipment Manufacturing(OEM) 측 에 납품하는 경우가 있다. 따라서 원리 평가용 샘플과 일반 사양인 2가지 사양 으로 너클이 만들어져 공장에 입고 된다. 그러나 현재 너클이 기계적 성능이 좋은 원리 평가용 인지 일반 사양 인지, 작업자가 육안 분류하여 다양한 문제 점이 있다. 먼저 작업자마다 분류기준이 달라 잘못된 분류로 인해 사양이 혼입 적재가 되면 OEM에 요구하는 샘플을 공급하는 데 잘못된 사양의 샘플이 나갈 수도 있고, 분류 작업에 시간과 비용이 소모되며 정확성이 떨어진다. 해당 문제 해결을 위해 공정내 비전 검사 시 딥러닝 기술의 적용을 제안한다. CNN 모델 기반의 ResNet, VGGNet, 그리고 DenseNet 모델을 사용하여 데이 터를 분류하고 기계적 성능을 높인 너클의 휠 베어링 체결 홀 외곽 형상에 대 해 이미지 학습을 진행한다. 학습된 데이터를 활용하여 기계적 성능을 높인 너 클 샘플을 효율적으로 분류할 수 있도록 하여, 원리 평가용 샘플과 일반 사양 의 너클을 정확히 분류하여 사양 혼입을 방지하고, 샘플 선별 작업의 효율성과 분류 정확도를 향상하고자 한다.

more

목차

제 1 장 서론 1
1.1 연구 배경 - 1
1.2 연구 내용 - 2

제 2 장 관련 연구 - 3
2.1 딥러닝(Deep Learning) 기술 4
2.1.1 CNN(Convolutional Neural Network) - 5
2.1.2 VGGNet(Visual Geometry Group Network) 6
2.1.3 ResNet(Residual Neural Network) 7
2.1.4 DenseNet(Densely Connected Convolutional Network) -- 10
2.1.5 SNN(Siamese Neural Network) 11
2.2 제조 산업에서의 딥러닝 모델을 이용한 연구 동향 12
2.2.1 샘플 분류 검출관련 연구 12

제 3 장 자동차 샤시 너클 16
3.1 너클 형상 비교 16

제 4 장 너클 기계적 성능 해석 18
4.1 기계적 성능 18
4.1.1 강도 - 18
4.1.2 강성 - 19
4.2 해석 조건 분석 20
4.3 재료의 기계적 물성치 22
4.4 형상 별 해석 시뮬레이션 - 23
4.5 해석 결과 26


제 5 장 제조 현장에서의 너클 샘플 분류 방법 28
5.1 샘플 육안 분류 방식의 한계 28
5.2 샘플 분류 프로세스 개선 - 29

제 6 장 모델 성능 평가 30
6.1 다중 분류 분석(Multiclass Classification) 30
6.1.1 데이터 수집 및 전처리 31
6.1.2 성능 평가 환경 - 32
6.1.3 모델 별 성능 평가 결과 33
6.1.4 요약 - 43
6.2 구형성 측면 분류 분석(Circularity) - 45
6.2.1 데이터 수집 및 전처리 46
6.2.2 모델 별 성능 평가 결과 51
6.2.3 요약 - 55

제 7 장 결론 및 고찰 - 58

참고문헌 59
Abstract 63

more
반출 Meta View 목록