Recently, there has been growing anxiety about automotive due to accidents suspected to be caused by sudden unintended acceleration. A study was conducted on the effect of automotive defects on Sudden Unintended Acceleration. Experimental results were derived and analyzed by simulating the situation of sudden unintended acceleration while driving a automotive. It was experimentally confirmed that the defect in the TPS sensor had no direct effect on the rapid increase in RPM. It has been confirmed that the vehicle brakes normally when the brakes are applied even if there is a TPS sensor defect. In the future, it is necessary to investigate the correlation between automotive defects and sudden unintended acceleration through various experiments.

Detection and sizing of defects are very important for structure life management base on fracture mechanics. The non-destructive inspection techniques based on the induced current field measurement are newly developed. This paper describes the results obtained by these techniques for artificial surface defects. In the case of the RICFM technique, the potential drop distribution around a surface defects was measured as a smaller potential drop than that in a place without a defect. This potential drop showed a minimum value at the defect location, and the absolute value of this minimum value increases depending on the depth of the defect. In the case of the FEF technique, the potential difference distribution for surface defects was measured as a maximum at the location of the defect. This maximum value showed a difference depending on the depth of the defect.

본 논문에서는 일치 추적 분해를 활용한 샌드위치 복합재의 결함 탐지 및 정량화 방법을 소개한다. 샌드위치 복합재 시편을 제작하 기 위해 핸드 레이-업 공법과 핫 프레스 공법을 활용하여 결함이 존재하는 시편과 없는 시편을 제작하였다. 결함의 위치와 정도를 파 악하기 위해 플래시 서모그래피를 활용하여 확인하였다. 각각의 시편에서 데이터를 확보하기 위해 pitch-catch법을 활용한 초음파 전 파 실험을 설정하였고, 샌드위치 복합재의 표면에 부착한 압전 센서를 통해 데이터를 확보하였다. 획득한 신호는 일치 추적 분해를 이 용하여 추정 및 분해하고, 고속 푸리에 변환과 웨이블릿 변환 기반 노이즈 제거 방법과의 성능을 비교하였다. 노이즈를 제거한 신호는 각각 동일한 구조의 1-D CNN 모델에 훈련하여 성능을 비교하였다. 제안한 일치 추적 분해 기반 신호 노이즈 제거는 기존의 방법보다 높은 정확도, 안정성, 훈련 속도를 보였으며, 시간-주파수 영역에서 보다 직관적인 모드 분리를 확인하여 특성 추출을 통한 일치 추적 분해 기반 신호 전처리 및 딥러닝 모델 훈련의 가능성을 확장할 수 있음을 확인하였다.

가로수의 수종에 따른 결함 요인을 분석하고자 인천광역시의 가로수 느티나무, 백합나무, 양버즘나무 와 왕벚나무 4수종을 대상으로 시각적 수목평가를 실시하고 위해 정도를 파악하였다. 느티나무는 변재 부의 부후 상처가 다른 수종에 비해 많고 상처면적이 큰 개체도 다수 발견되나 줄기에서 관찰되는 공동 의 수는 적고 균류의 자실체 발생률 또한 낮았다. 반면 타진음 검사에서 이상 소견이 가장 많이 관찰되었 고 동일세력 줄기의 발생률과 분기지점의 결함 수관에서 차지하는 고사지의 비율 등은 다른 수종에 비 해 높다. 또한 줄기를 옥죄는 뿌리의 발생률은 비교적 낮고 수관이 차도 또는 보행로 방향으로 편중된 경향을 보였다. 백합나무는 구조적으로 안정된 수형을 이루고 있으며, 변재부의 부후상처 발생률, 타진음 검사결과 동일세력 줄기의 결함 등은 다른 수종에 비해 건전한 것으로 분석되었다. 그러나 백합나무 는 줄기가 직립하는 성질이 강하여 수관이 편향된 개체의 비율은 비교적 낮은 편이다. 양버즘나무는 세장비가 비교적 높고 줄기가 약하게 기울어 자라는 특성이 관찰되나 활관비가 높아 활력을 유지하는 것으로 판단된다. 줄기에 발생하는 결함 요인들도 비교적 낮은 수준이어서 건강성이 높으나 위험하지 않을 정도로 줄기가 기울어 수관이 차도 방향으로 편중된 개체의 비율은 높다. 왕벚나무는 세장비가 4수종 중 가장 낮아 초살이 잘 발달하는 수종이며, 활관비와 줄기의 기울기 각도는 비교적 안정한 편이 다. 그러나 부후와 공동의 발생률은 다른 수종에 비해 유의적으로 높아 상처에 취약한 수종임을 확인할 수 있다. 수종별 위험도 등급을 구분한 결과 느티나무와 왕벚나무의 결함 발생률과 위험도가 비교적 높게 나타났으며, 백합나무와 양버즘나무는 상대적으로 도로환경의 적응도가 높은 것으로 판단된다. 시각적 수목평가는 조사할 나무의 수량이 많고 선형으로 식재된 가로수의 위험성 평가에 흔히 통용되 는 방법인데, 향후 가로수의 건강한 생육과 안전한 관리를 위해 평가 항목을 개발하고 평가 기준을 표준 화하는 등의 추가적인 연구가 필요하다.

Silicon carbide (SiC) has emerged as a promising material for next-generation power semiconductor materials, due to its high thermal conductivity and high critical electric field (~3 MV/cm) with a wide bandgap of 3.3 eV. This permits SiC devices to operate at lower on-resistance and higher breakdown voltage. However, to improve device performance, advanced research is still needed to reduce point defects in the SiC epitaxial layer. This work investigated the electrical characteristics and defect properties using DLTS analysis. Four deep level defects generated by the implantation process and during epitaxial layer growth were detected. Trap parameters such as energy level, capture-cross section, trap density were obtained from an Arrhenius plot. To investigate the impact of defects on the device, a 2D TCAD simulation was conducted using the same device structure, and the extracted defect parameters were added to confirm electrical characteristics. The degradation of device performance such as an increase in on-resistance by adding trap parameters was confirmed.

Recently, there has been an increasing attempt to replace defect detection inspections in the manufacturing industry using deep learning techniques. However, obtaining substantial high-quality labeled data to enhance the performance of deep learning models entails economic and temporal constraints. As a solution for this problem, semi-supervised learning, using a limited amount of labeled data, has been gaining traction. This study assesses the effectiveness of semi-supervised learning in the defect detection process of manufacturing using the MixMatch algorithm. The MixMatch algorithm incorporates three dominant paradigms in the semi-supervised field: Consistency regularization, Entropy minimization, and Generic regularization. The performance of semi-supervised learning based on the MixMatch algorithm was compared with that of supervised learning using defect image data from the metal casting process. For the experiments, the ratio of labeled data was adjusted to 5%, 10%, 25%, and 50% of the total data. At a labeled data ratio of 5%, semi-supervised learning achieved a classification accuracy of 90.19%, outperforming supervised learning by approximately 22%p. At a 10% ratio, it surpassed supervised learning by around 8%p, achieving a 92.89% accuracy. These results demonstrate that semi-supervised learning can achieve significant outcomes even with a very limited amount of labeled data, suggesting its invaluable application in real-world research and industrial settings where labeled data is limited.