ディープラーニングで製造業の設計効率が変わってゆく?品質試験の予測AI。【AI論文】

✔️自動車設計においては、耐衝撃性を高めるために鉄鋼の厚さは高めたいが、重量は抑えたい。

✔️リアルタイムで高精度に予測する必要があるため、人工ニューラルネットワークを使用した。

✔️破壊形状の予測精度は「溶接電圧と電流信号」を用いて100%を叩き出した。

自動車の設計と制作には、

  • 高品質
  • 簡単に組み立てられる
  • 軽い
  • 強い

このような要件を満たす材料が必要だ。
韓国工業技術院のInsung Hwangら研究者は、溶接用鋼部品のアセンブリの品質を予測するためのディープラーニングを提案している。

では、詳細を見てみよう。

溶接品質の予測ニューラルネット

研究者らは適応共鳴理論(ART)人工ニューラルネットワークを使用して、厚さ1.0 mmの780 MPaグレードの二相(DP)鋼の溶接品質を予測した。

抵抗スポット溶接用試験片の形状。
抵抗スポット溶接用のCr–Cu電極の形状。

抵抗スポット溶接(RSW)中に測定された溶接電圧と電流信号を入力し、引張せん断強度、ナゲットサイズ、溶接部の破壊形状を出力するアルゴリズムを開発した。

適応共鳴理論(ART)ネットワークの構造。

警戒パラメータ

入力層と出力層のデータはART人工ニューラルネットワークによって取り扱われ、学習結果のパターンは「警戒パラメータ」ρの設定によって分類された。

Metals 08 00453 g004a
Metals 08 00453 g004b
溶接電圧におけるART人工ニューラルネットワークの入力層データの変換プロセス:(a)1 msの間の平均溶接電圧信号。 (b)平均溶接電圧信号のズームイン。 (c)ART人工ニューラルネットワークによるズームイン平均溶接電圧のパターンマッチング結果。
7 kAの溶接電流、333 msの溶接時間、300 kgfの電極力で1.0 mmの780 MPaグレードDP鋼の平均溶接電流と電圧信号を測定した。

「警戒パラメータ」が0.8の場合、溶接の引張せん断強度、ナゲットサイズ、および破壊形状について、最も確からしい予測結果が得られた。

さまざまな溶接電流と時間で測定した溶接部の引張せん断強度と破壊形状。
さまざまな溶接電流と時間で測定された溶接のナゲットサイズ。
以下の溶接電流によるART人工ニューラルネットワークの入力層信号のパターン分類:(a)4 kA; (b)4.2 kA; (c)4.5 kA; (d)5 kA; (e)5.5 kA; (f)6 kA; (g)7 kA。
予測と実験の関係:(a)ナゲットのサイズと(b)引張せん断強度。

製造業において、「設計」は最もソフトウェアが浸透している部門の一つ。AIによって助けられることが豊富にありそうだ。

参照論文

Insung Hwang, Hyeonsang Yun, Jinyoung Yoon, Munjin Kang, Dongcheol Kim and Young-Min Kim, “Prediction of Resistance Spot Weld Quality of 780 MPa Grade Steel Using Adaptive Resonance Theory Artificial Neural Networks”. Metals, 8(6), 453 (2018).

DOI: 10.3390/met8060453

Translating

PAGE TOP