1 |
1
컴퓨팅 장치에 의해 수행되는 방법으로서,클램핑, 피어싱 및 플레어링 순으로 수행되는 셀프 피어싱 리벳팅 공정의 공정 중에 발생하는 음향 신호를 측정하고, 측정된 음향 신호 중 적어도 일부를 푸리에 변환하여 얻은 변환 데이터에 기초한 데이터를 학습 데이터로 하는, 기계적 접합 품질을 예측하기 위한 인공 지능 학습 방법
|
2 |
2
제1항에 있어서, 상기 학습 데이터는, 가로축을 주파수(frequency)로 하고 세로축을 크기값(amplitute)으로 하는 변환 데이터를 이미지화한 것을 이용한 것인, 인공 지능 학습 방법
|
3 |
3
제1항에 있어서, 상기 학습 데이터는, 상기 변환 데이터를 복수의 주파수 구간으로 분할하고, 각 구간 별 피크의 개수, 각 피크의 값, 각 피크의 면적, 각 구간 내 피크값의 평균값, 각 구간 내 피크값의 표준편차 및 각 구간의 면적 중 하나 이상을 이용하는 것인, 인공 지능 학습 방법
|
4 |
4
제3항에 있어서, 상기 학습 데이터는, 적어도100Hz 내지 550Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적, 및2,000Hz 내지 2,550Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적을 이용하는 것인, 인공 지능 학습 방법
|
5 |
5
제3항에 있어서, 상기 학습 데이터는, 적어도100Hz 내지 550Hz 범위에서 발생한 하나 이상의 피크의 값, 또는 피크의 개수, 및2,000Hz 내지 2,550Hz 범위에서 발생한 하나 이상의 피크의 값, 또는 피크의 개수를 이용하는 것인, 인공 지능 학습 방법
|
6 |
6
제3항에 있어서, 상기 학습 데이터는, 적어도100Hz 내지 150Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적, 및400Hz 내지 550Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적을 이용하는 것인, 인공 지능 학습 방법
|
7 |
7
제3항에 있어서, 상기 학습 데이터는, 적어도100Hz 내지 150Hz 범위에서 발생한 하나 이상의 피크의 값, 또는 피크의 개수, 및400Hz 내지 550Hz 범위에서 발생한 하나 이상의 피크의 값, 또는 피크의 개수를 이용하는 것인, 인공 지능 학습 방법
|
8 |
8
제3항에 있어서, 상기 학습 데이터는, 적어도400Hz 내지 550Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적, 및550Hz 내지 2,000Hz 범위에서 발생한 하나 이상의 피크의 면적, 또는 상기 범위 구간의 면적을 이용하는 것인, 인공 지능 학습 방법
|
9 |
9
클램핑, 피어싱 및 플레어링 순으로 수행되는 셀프 피어싱 리벳팅 장치로서,공정 중에서 시간 경과에 따른 음향 신호의 크기를 측정하는 음향 측정부;상기 음향 신호를 푸리에 변환하는 푸리에 변환부; 및상기 푸리에 변환된 데이터를 학습된 학습 모델의 입력으로 하여 공정 품질을 평가하는 품질 평가부를 포함하는, 리벳팅 장치
|
10 |
10
클램핑, 피어싱 및 플레어링 순으로 수행되는 셀프 피어싱 리벳팅 공정의 품질 평가 방법으로서, 컴퓨팅 장치에 의해 수행되고,리벳팅 공정 중에 발생하는 발생하는 음향 신호를 측정하고, 측정된 음향 신호 중 적어도 일부를 푸리에 변환하여 얻은 변환 데이터를 학습된 평가 모델의 입력 데이터로 하여 리벳팅 공정의 품질을 평가하는 방법
|