KR101997198B1 - 점용접 특성 예측 장치 및 방법 - Google Patents

점용접 특성 예측 장치 및 방법 Download PDF

Info

Publication number
KR101997198B1
KR101997198B1 KR1020170170515A KR20170170515A KR101997198B1 KR 101997198 B1 KR101997198 B1 KR 101997198B1 KR 1020170170515 A KR1020170170515 A KR 1020170170515A KR 20170170515 A KR20170170515 A KR 20170170515A KR 101997198 B1 KR101997198 B1 KR 101997198B1
Authority
KR
South Korea
Prior art keywords
current
voltage
input
data
welding
Prior art date
Application number
KR1020170170515A
Other languages
English (en)
Other versions
KR20190070049A (ko
Inventor
강문진
황인성
윤현상
김동철
김영민
윤진영
Original Assignee
한국생산기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020170170515A priority Critical patent/KR101997198B1/ko
Publication of KR20190070049A publication Critical patent/KR20190070049A/ko
Application granted granted Critical
Publication of KR101997198B1 publication Critical patent/KR101997198B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/10—Spot welding; Stitch welding
    • B23K11/11—Spot welding
    • B23K11/115—Spot welding by means of two electrodes placed opposite one another on both sides of the welded parts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/24—Electric supply or control circuits therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/24—Electric supply or control circuits therefor
    • B23K11/25—Monitoring devices
    • B23K11/252—Monitoring devices using digital means
    • B23K11/257—Monitoring devices using digital means the measured parameter being an electrical current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/24—Electric supply or control circuits therefor
    • B23K11/25—Monitoring devices
    • B23K11/252—Monitoring devices using digital means
    • B23K11/258—Monitoring devices using digital means the measured parameter being a voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

본 발명은 점용접 특성 예측 장치 및 방법에 관한 것으로서, 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출 단계, 시간에 따른 전압, 전류 및 열량 데이터를 단위시간의 평균 데이터로 획득하는 평균 데이터 획득 단계, 모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득 단계 및 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측 단계를 포함할 수 있다.

Description

점용접 특성 예측 장치 및 방법{Apparatus and Method for predicting of spot welding property}
본 발명은 점용접 특성 예측 장치 및 방법에 관한 것으로 보다 상세하게는 용접전류, 전압, 열량을 인공지능 네트워크에 투입하여 점용접 특성을 높은 수준의 정확도로 예측하는 점용접 특성 예측 장치 및 방법에 관한 것이다.
일반적으로, 점용접(스폿 용접: spot welding)은 전기저항 용접에 속하는 용접 방법으로서, 금속에 전류가 흐를 때 발생하는 열을 이용하여 압력을 주면서 용접하는 방법을 말한다.
점용접은 접합하고자 하는 두 금속을 맞대어 놓고 적당한 기계적 압력을 주면서 전류를 흐르게 하면 저항 열이 발생하는데, 이로 인해 압력 부위가 접합되는 성질을 이용하는 것이다. 이러한 점용접은 자동차의 차체 조립에 매우 많이 쓰이는 용접 방법이다.
이러한 용접 작업은 제품의 강도에 직접적으로 영향을 주는 것이기 때문에, 매우 신중하게 작업을 진행해야 함과 아울러 용접 후에도 용접의 용접 상태를 검사해야 한다. 즉, 용접을 한 후에 실질적으로 2개의 부품을 결합시키는 부분인 용접부의 상태를 검사함으로써 용접 강도 등을 확인하여야 한다.
용접이 완료된 제품의 검사방법으로는 방사선, 초음파, 전자기, 유체, 열, 빛 등을 이용해 재료, 기기 구조물 등의 성질과 내부 조직을 변화시키거나 파괴하지 않고 시험체 내·외면의 결함 존재 유무, 음력상태, 특성, 재질변화, 건전도 등을 검사하는 비파괴 검사와, 검사자의 육안으로 확인이 불가능하거나 비파괴 검사장비로도 확실한 결과를 분석하기 어려울 경우 이를 절단해서 절단부위의 용접상태를 분석함으로써 결함을 예상하고, 결함이 추정된다면 이를 토대로 수정할 수 있도록 하는 파괴 검사가 있다.
이러한 종래의 용접 검사에 있어서, 용접 결과를 예측하기란 매우 어려운 일이며, 용접 품질을 관리하고 예측하는 일은 더욱 더 복잡해지고, 용접 강도, 인장 강도 등을 분석하는데 있어 많은 시간과 비용을 요하고, 과정이 복잡하여 어려움이 발생하였다.
본 발명의 사상은, 상술한 요구에 부응하기 위하여 안출된 것으로, 용접조건을 인공신경망에 입력할 경우, 그에 따른 기계적 특성을 높은 수준의 정확도로 예측하는데 그 목적이 있다. 그러나 이러한 과제는 예시적인 것으로서, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.
상기 과제를 해결하기 위한 본 발명의 사상에 따른 점용접 특성 예측 장치 방법은, 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출 단계; 시간에 따른 전압, 전류 및 열량 데이터를 단위시간의 평균 데이터로 획득하는 평균 데이터 획득 단계; 모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득 단계; 및 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측 단계;를 포함할 수 있다.
본 발명의 사상에 따르면, 상기 예측 단계는, 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 입력 단계; 각각 10개의 노드로 형성된 제 1 은닉층 및 제 2 은닉층을 통하여 상기 용접부의 인장강도 및 너깃 사이즈를 연산하는 연산 단계: 및 상기 용접부의 인장강도 및 너깃 사이즈를 출력하는 출력 단계;를 포함할 수 있다.
본 발명의 사상에 따르면, 상기 평균 데이터 획득 단계에서, 상기 단위시간은 5ms 내지 15ms 일 수 있다.
본 발명의 사상에 따르면, 상기 입력값은, 상기 모재의 상판 및 하판의 강도, 두께, 도금종류, 조직, 전극의 가압력, 전극선단직경, 전극선단반경 및 총 누적 입열량 중 어느 하나 이상을 포함할 수 있다.
상기 과제를 해결하기 위한 본 발명의 사상에 따른 점용접 특성 예측 장치는, 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출부; 시간에 따른 전압, 전류 및 열량 데이터를 5ms 내지 15ms의 단위시간의 평균 데이터로 획득하는 평균 데이터 획득부; 모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득부; 및 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측부;를 포함할 수 있다.
본 발명의 사상에 따르면, 상기 예측부는, 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 입력부; 각각 10개의 노드로 형성된 제 1 은닉층 및 제 2 은닉층을 통하여 상기 용접부의 인장강도 및 너깃 사이즈를 연산하는 연산부: 및상기 용접부의 인장강도 및 너깃 사이즈를 출력하는 출력부;를 포함할 수 있다.
본 발명에 따른 점용접 특성 예측 장치에 의하면, 용접조건 및 용접 특성을 인공신경망에 입력하여 그에 따른 기계적 특성을 높은 수준의 정확도로 예측할 수 있어 용접부위를 검사하는데 있어서 공정 시간 및 비용을 감소시킬 수 있다.
또한, 전단인장강도, 너깃사이즈, 파단형상을 예측하는 방법으로 인공신경망을 활용하여 피용접재가 변경될 때마다 다수의 실험을 통해 결과를 확인하고 새로운 공정변수를 설정하는 반복이 필요 없으며, 최소한의 입력 자료로 높은 예측 정확도를 가질 수 있어, 공정 시간 및 비용을 감소시키고 비용과 시간 대비 용접품질을 최대화할 수 있으며, 데이터가 없는 피용접재도 용접예측이 가능하다는 효과를 가진다. 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 점용접 특성 예측 장치를 이용한 점용접 특성 예측 방법을 나타내는 순서도이다.
도 2는 본 발명의 다른 실시예에 따른 점용접 특성 예측 방법을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 점용접 특성 예측 장치를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 열량 산출 단계를 나타내는 그래프이다.
도 5는 본 발명의 일 실시예에 따른 열량 데이터 획득 단계를 나타내는 그래프이다.
도 6은 본 발명의 일 실시예에 따른 예측 단계의 인공신경망의 연산을 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 인장 강도 예측 실험 결과를 나타내는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 너깃 사이즈 예측 실험 결과를 나타내는 그래프이다.
도 9는 본 발명의 일 실시예에 따른 전단 인장 강도 예측 실험 결과를 나타내는 표 및 그래프이다.
도 10은 본 발명의 일 실시예에 따른 너깃 사이즈 예측 실험 결과를 나타내는 표 및 그래프이다.
도 11은 본 발명의 일 실시예에 따른 파단형상 예측 실험 결과를 나타내는 표이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 여러 실시예들을 상세히 설명하기로 한다.
본 발명의 실시예들은 당해 기술분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이다.
이하, 본 발명의 실시예들은 본 발명의 이상적인 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차(tolerance)에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명 사상의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.
도 1은 본 발명의 일 실시예에 따른 점용접 특성 예측 장치를 이용한 점용접 특성 예측 방법을 나타내는 순서도이고, 도 3은 본 발명의 일 실시예에 따른 점용접 특성 예측 장치를 나타내는 도면이고, 도 4 내지 도 6은 본 발명의 실시예에 따른 일부 단계를 나타내는 도면이다.
도 1 및 도 3에 도시된 바와 같이, 본 발명의 점용접 특성 예측 방법은, 데이터 산출 단계(S10), 평균 데이터 획득 단계(S20), 입력값 획득 단계(S30), 예측 단계(S40)를 포함할 수 있다.
데이터 산출 단계(S10)는, 용접시의 전압, 전류 및 열량을 산출하는 단계로, 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출부(10)를 포함할 수 있다.
더욱 구체적으로 도 4에 도시된 바와 같이, 데이터 산출 단계(S10)는 점 용접시의 전류 및 전압을 검출하여 연속적인 그래프로 나타낼 수 있으며, 검출된 전류 및 전압으로부터 투입된 열량을 산출하여 연속적인 그래프로 나타낼 수 있다.
평균 데이터 획득 단계(S20)는 시간에 따른 전압, 전류 및 열량 데이터를 단위시간의 평균 데이터로 획득하는 단계로, 시간에 따른 전압, 전류 및 열량 데이터를 5ms 내지 15ms의 단위시간의 평균 데이터로 획득하는 평균 데이터 획득부(20)를 포함할 수 있다.
평균 데이터 획득 단계(S20)는 데이터 산출 단계(S10)에서 검출된 전류 및 전압을 5ms 내지 15ms 중 어느 한 구간을 단위시간으로 정하여 상기 단위시간 마다 구간별 평균값이 나타나는 그래프로 나타낼 수 있으며, 구간별 전압 평균 데이터 및 구간별 전류 평균 데이터를 획득할 수 있다.
또한, 도 5에 도시된 바와 같이 데이터 산출 단계(S10)에서 산출된 열량을 상기 단위시간의 구간별 평균값으로 나타낼 수 있으며, 구간별 열량 평균 데이터를 획득할 수 있다.
도 1 및 도 3에 도시된 바와 같이 입력값 획득 단계(S30)는 모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 단계로, 상기 모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득부(30)를 포함할 수 있다.
입력값 획득 단계(S30)는, 상기 모재의 상판 및 하판의 물리적 특성을 입력할 수 있으며, 또는, 다수의 용접 데이터를 통하여 모재의 물리적 특성을 추출하여 가져올 수 있다.
상기 입력값은 상기 모재의 상판 및 하판의 강도, 두께, 도금종류, 조직, 전극의 가압력(N17), 전극선단직경(N18), 전극선단반경(N19) 및 총 누적 입열량(N20) 중 어느 하나 이상을 포함할 수 있다.
평균 데이터 획득 단계(S20)와 입력값 획득 단계(S30)는, 상기 모재의 상판 및 하판의 강도(N1, N5, N9, N13), 두께(N2, N6, N10, N14), 도금종류(N3, N7, N11, N15), 조직(N4, N8, N12, N16), 전극의 가압력(N17), 전극선단직경(N18), 전극선단반경(N19) 및 총 누적 입열량(N20), 단위시간 당 전류 평균(N21~N120), 단위시간 당 전압 평균(N121~N220), 단위시간 당 열량 평균(N221~N320)으로 나타나는 320개의 노드값을 포함할 수 있다.
상기 노드값은 예측 단계(S40)의 인공신경망에 입력되는 입력층에 포함될 수 있다.
도 1, 도 3 및 도 6에 도시된 바와 같이 예측 단계(S40)는, 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 단계로, 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측부(40)를 포함할 수 있다.
예컨대, 상기 노드값이 인공신경망에 입력되고, 입력된 상기 노드값이 인공신경망이 학습했던 데이터와 가장 유사한 데이터를 출력하여, 상기 노드값의 데이터와 비교한다. 이때, 데이터 유사도가 일정 수치 이상일 경우 해당 데이터에 상응하는 강도값을 출력하게 되고, 일정 수치 미만일 경우 다시 유사한 데이터를 찾는 작업을 반복하게 된다.
상기 인공신경망이 학습했던 데이터는, 미리 저장된 다수의 용접 데이터를 이용하여 학습될 수 있으며, 이때, 상기 미리 저장된 다수의 용접 데이터는 미리 실험에 의해 획득되어 저장된 기존의 용접 데이터일 수 있다.
인공신경망(Artificial neural network, ANN)은 인체의 신경 세포인 뉴런(neuron)을 모장한 가상의 신경 소자, 퍼셉트론(perceptron)을 망(network)으로 연결하여, 입력과 출력을 각춘 일종의 함수를 만든 것으로 퍼셉트론이 구성하는 복잡한 회로망을 통해 복잡한 비선형 현상을 비교적 간단하게 재현하거나 예측할 수 있다.
상기 인공신경망을 이용한 예측방법은 크게 학습단계와 생산단계로 나누어진다. 상기 학습단계에서는 일련의 입출력 관계가 공급되고 이에 따라 상기 인공신경망에서 함수관계가 규명된다. 주어진 입력변수에서 출력변수가 계산된 후 실제 주어진 출력값과 오차에 따라 각각의 함수의 가중치가 학습 알고리즘에 의해 조절되며 학습이 계속된다. 오차가 허용범위 내에 들어오면 학습이 종료되고 상기 인공신경망은 현재의 입출력 사이의 함수관계를 기억할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 점용접 특성 예측 장치를 이용한 점용접 특성 예측 방법을 나타내는 순서도이다.
도 2 및 도 3에 도시된 바와 같이, 예측 단계(S40)는 입력 단계(S41), 연산 단계(S42) 및 출력 단계(S43)를 포함할 수 있다.
입력 단계(S41)는 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 단계로, 상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 입력부(41)를 포함할 수 있다.
입력 단계(S41)는, 평균 데이터 획득 단계(S20)와 입력값 획득 단계(S30)에서 산출된 320개의 노드값을 상기 인공신경망에 입력되는 단계이다.
연산 단계(S42)는 각각 10개의 노드로 형성된 제 1 은닉층(S421) 및 제 2 은닉층(S422)을 통하여 상기 용접부의 인장강도 및 너깃 사이즈를 연산하는 단계로, 각각 10개의 노드로 형성된 제 1 은닉층 및 제 2 은닉층을 통하여 상기 용접부의 인장강도 및 너깃 사이즈를 연산하는 연산부(42)를 포함할 수 있다.
연산 단계(S42)는, 입력 단계(S41)에서 입력된 320개의 노드를 10개의 노드를 포함하는 제 1 은닉층(S421)을 통하여 연산하여 1차 연산값을 산출하고, 상기 1차 연산값을 10개의 노드를 포함하는 제 2 은닉층(S422)을 통하여 2차 연산값을 산출할 수 있으며, 상기 2차 연산값은 1개의 노드로 추출될 수 있다.
출력 단계(S43)는 상기 용접부의 인장강도 및 너깃 사이즈를 출력하는 단계로, 상기 용접부의 인장강도 및 너깃 사이즈를 출력하는 출력부(43)를 포함할 수 있다.
출력 단계(S43)는, 상기 2차 연산값으로 추출된 1개의 노드는 전단강도, 너깃 사이즈 및 파단형상 중 어느 하나 이상으로 출력할 수 있다.
또한, 도시되지 않았지만, 출력된 전단강도, 너깃 사이즈 및 파단형상 중 어느 하나 이상을 사용자에게 표시할 수 있는 표시부(50)를 더 포함할 수 있다.
도 7은 본 발명의 일 실시예에 따른 전단인장강도 예측 실험 결과를 나타내는 그래프이고, 도 8은 너깃 사이즈 예측 실험 결과를 나타내는 그래프이다.
전단인장강도 예측 실험 결과, 평균오차는 0.5kN 으로 약 4.8%로 나타나고, 결정계수(R2)는 0.9602로 나타나 예측전단인장강도와 실험전단인장강도가 거의 일치하는 직선형으로 나타나고 있다.
도 7의 그래프에 나타난 바와 같이, 전단인장강도의 전 구간에서 대부분의 예측전단인장강도와 실험전단인장강도가 일치한 것으로 나타나, 0 내지 20kN의 전 구간에서 전단인장강도의 예측률이 높게 나타난다.
너깃 사이즈 예측 실험 결과, 평균오차는 0.3mm 로 약 7.7%로 나타나고, 결정계수(R2)는 0.8025로 나타나 예측너깃 사이즈와 실험너깃 사이즈가 비교적 일치하는 직선형으로 나타나고 있다.
도 8의 그래프에 나타난 바와 같이, 실험결과 대부부의 너깃 사이즈는 2.5mm 내지 6.5mm 로 나타났으며, 너깃 사이즈의 전 구간에서 대부분의 예측너깃 사이즈와 실험너깃 사이즈가 일치한 것으로 나타나, 실험 전 구간에서 너깃 사이즈의 예측률이 높게 나타난다.
도 9는 본 발명의 일 실시예에 따른 전단인장강도 예측 실험 결과를 나타내는 표 및 그래프이고, 도 10은 너깃 사이즈 예측 실험 결과를 나타내는 표 및 그래프이고, 도 11은 파단형상 예측 실험 결과를 나타내는 표이다.
도 9 내지 도 11은 본 발명의 일 실시예에 따른 점용접 특성 예측 방법에 따른 전단인장강도 예측, 너깃 사이즈 및 파단형상에 대한 결과로서, 전압, 전류, 열량의 평균 데이터를 산출하기 위한 단위시간은 10ms이고, 모재는 SGAFC1180Y, 1.0t와 SGAFC1180Y, 1.0t를 사용하여, 용접시간 15cycs.(250ms), 20cycs.(333ms), 25cycs.(417ms)에 따른 전류값 4kA, 5kA, 6kA, 7kA, 8kA에서의 전단인장강도 예측 실험을 하였다.
도 9에 나타난 바와 같이, 전단인장강도 실험과 예측의 오차는 약 0.3%부터 18.7% 까지 비교적 낮은 수치로 나타났으며, 특히, 8kA에서 20cycs.(333ms), 25cycs.(417ms)의 오차값은 각각 2.4%, 1.3%로 매우 낮게 나타났다.
또한, 도 9에 도시된 바와 같이, 전단인장강도의 전 구간에서 대부분의 예측전단인장강도와 실험전단인장강도가 일치한 것으로 나타나, 0 내지 20kN의 전 구간에서 전단인장강도의 예측률이 높게 나타난다.
도 10에 나타난 바와 같이, 너깃사이즈 예측 실험에서 8kA에서 20cycs.(333ms), 25cycs.(417ms)의 오차값은 각각 6.1%, 16.6%로 낮게 나타나고, 실험 너깃사이즈와 예측 너깃사이즈의 전 구간에서 대부분의 너깃사이즈가 유사하게 나타난다.
또한, 도 10의 그래프에 나타난 바와 같이, 대부분의 값에서 실험 너깃사이즈 보다 예측 너깃사이즈가 크게 나타난 것으로 보아, 실제 너깃 사이즈 보다는 예측 결과값의 너깃사이즈가 일부 크게 예측될 수 있으며, 이러한 실험이 상기 인공신경망에 저장되어 다음 실험에는 더욱 예측 결과값을 높일 수 있다.
도 11에 나타난 바와 같이, 파단형상 예측실험에서 파단형상 예측이 높은 확률로 일치한 것으로 나타나 예측률이 매우 높은 것을 나타내고 있다.
상기와 같이 총 105개의 파단형상 중 94개가 일치하여 약 89.5%의 예측률을 나타냈으며, 날림발생 예측은 총 105개 파단형상 중 98개가 일치하여 약 93.3%의 높은 예측률을 나타내었다.
이와 같이 본 발명에 따른 점용접 특성 예측 장치에 따르면, 강도를 예측하는 방법으로 인공신경망을 활용하여 용접부 표면을 측정하는 것으로 용접부 형상을 산출할 수 있으며, 산출된 용접부 형상의 각종 파라미터들을 사용하여, 피용접재가 변경될 때마다 다수의 실험을 통해 결과를 확인하고 새로운 공정변수를 설정하는 반복이 필요 없으며, 최소한의 입력 자료로 높은 예측 정확도를 가질 수 있어, 공정 시간 및 비용을 감소시키고 비용과 시간 대비 용접품질을 최대화할 수 있는 효과를 가진다. 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10 : 데이터 산출부
20 : 데이터 획득부
30 : 입력값 획득부
40 : 예측부
41 : 입력부
42 : 연산부
43 : 출력부
50 : 표시부

Claims (6)

  1. 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출 단계;
    시간에 따른 전압, 전류 및 열량 데이터를 단위시간의 평균 데이터로 획득하는 평균 데이터 획득 단계;
    모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득 단계; 및
    상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측 단계;
    를 포함하고,
    상기 데이터 산출 단계는
    검출된 전압 및 전류를 연속적인 그래프로 나타내는 전압 및 전류 연속 그래프 획득 단계; 및
    검출된 전류 및 전압으로부터 산출된 투입된 열량을 연속적인 그래프로 나타내는 열량 연속 그래프 획득 단계;
    를 포함하고,
    상기 평균 데이터 획득 단계는,
    상기 전압 및 전류 연속 그래프 획득 단계 및 상기 열량 연속 그래프 획득 단계에서 획득된 전압, 전류 및 열량 연속 그래프에서 시간에 따른 전압, 전류 및 열량 데이터를 5ms 내지 15ms의 단위시간 마다 구간별 평균값으로 나타내는 평균 그래프를 획득하는 평균 그래프 획득 단계인, 점용접 특성 예측 방법.
  2. 제 1 항에 있어서,
    상기 예측 단계는,
    상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 입력 단계;
    각각 10개의 노드로 형성된 제 1 은닉층 및 제 2 은닉층을 통하여 용접부의 인장강도 및 너깃 사이즈를 연산하는 연산 단계: 및
    용접부의 인장강도 및 너깃 사이즈를 출력하는 출력 단계;
    를 포함하는, 점용접 특성 예측 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 입력값은,
    상기 모재의 상판 및 하판의 강도, 두께, 도금종류, 조직, 전극의 가압력, 전극선단직경, 전극선단반경 및 총 누적 입열량 중 어느 하나 이상을 포함하는, 점용접 특성 예측 방법.
  5. 용접시의 전압, 전류 및 열량을 산출하는 데이터 산출부;
    시간에 따른 전압, 전류 및 열량 데이터를 5ms 내지 15ms의 단위시간의 평균 데이터로 획득하는 평균 데이터 획득부;
    모재의 물리적 특성 및 용접 특성을 입력값으로 획득하는 입력값 획득부; 및
    상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하고, 상기 평균 데이터 및 상기 입력값에 대응되는 용접 결과를 예측하는 예측부;
    를 포함하고,
    상기 데이터 산출부는
    검출된 전압 및 전류를 연속적인 그래프로 나타내는 전압 및 전류 연속 그래프를 획득하고,
    검출된 전류 및 전압으로부터 산출된 투입된 열량을 연속적인 그래프로 나타내는 열량 연속 그래프를 획득하고,
    상기 평균 데이터 획득부는,
    획득된 상기 전압 및 전류 연속 그래프 및 열량 연속 그래프에서 시간에 따른 전압, 전류 및 열량 데이터를 5ms 내지 15ms의 단위시간 마다 구간별 평균값으로 나타내는 평균 그래프를 획득하는 평균 그래프 획득부인, 점용접 특성 예측 장치.
  6. 제 5 항에 있어서,
    상기 예측부는,
    상기 평균 데이터 및 상기 입력값을 인공신경망에 입력하는 입력부;
    각각 10개의 노드로 형성된 제 1 은닉층 및 제 2 은닉층을 통하여 상기 용접부의 인장강도 및 너깃 사이즈를 연산하는 연산부: 및
    상기 용접부의 인장강도 및 너깃 사이즈를 출력하는 출력부;
    를 포함하는, 점용접 특성 예측 방법.
KR1020170170515A 2017-12-12 2017-12-12 점용접 특성 예측 장치 및 방법 KR101997198B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170170515A KR101997198B1 (ko) 2017-12-12 2017-12-12 점용접 특성 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170170515A KR101997198B1 (ko) 2017-12-12 2017-12-12 점용접 특성 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190070049A KR20190070049A (ko) 2019-06-20
KR101997198B1 true KR101997198B1 (ko) 2019-10-01

Family

ID=67103895

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170170515A KR101997198B1 (ko) 2017-12-12 2017-12-12 점용접 특성 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101997198B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230166361A1 (en) * 2021-11-30 2023-06-01 GM Global Technology Operations LLC Method and system for weld defect detection

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020204522A1 (de) * 2020-04-08 2021-10-14 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Optimieren von Schweißparametern für eine Schweißsteuerung, Verfahren zum Bereitstellen eines trainierten Algorithmus maschinellen Lernens und Schweißsteuerung
WO2024181465A1 (ja) * 2023-02-28 2024-09-06 Ｊｆｅスチール株式会社 溶接部特性予測方法、予測モデル生成方法、及び予測モデル
WO2024181463A1 (ja) * 2023-02-28 2024-09-06 Ｊｆｅスチール株式会社 溶接部特性予測方法、予測モデル生成方法、及び予測モデル

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012076146A (ja) * 2010-09-07 2012-04-19 Sumitomo Metal Ind Ltd リアルタイム溶接品質判定装置及び判定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970033392A (ko) * 1995-12-18 1997-07-22 장희석 전극팽창신호를 공정변수로 하는 인공신경회로망에 의한 점용접 품질관리방법 및 그 시스템
KR101219473B1 (ko) * 2010-09-28 2013-01-11 이희준 지능형 용접 제어장치 및 제어방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012076146A (ja) * 2010-09-07 2012-04-19 Sumitomo Metal Ind Ltd リアルタイム溶接品質判定装置及び判定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230166361A1 (en) * 2021-11-30 2023-06-01 GM Global Technology Operations LLC Method and system for weld defect detection
US11839935B2 (en) * 2021-11-30 2023-12-12 GM Global Technology Operations LLC Method and system for weld defect detection

Also Published As

Publication number Publication date
KR20190070049A (ko) 2019-06-20

Similar Documents

Publication Publication Date Title
KR101997198B1 (ko) 점용접 특성 예측 장치 및 방법
EP4086029A1 (en) Using analytics and algorithms to predict weld quality
Pal et al. Artificial neural network modeling of weld joint strength prediction of a pulsed metal inert gas welding process using arc signals
EP2628561A1 (en) Welding quality determination device
JP6070514B2 (ja) レーザ重ね溶接継手の疲労寿命予測方法
Boersch et al. Data mining in resistance spot welding: A non-destructive method to predict the welding spot diameter by monitoring process parameters
KR102163828B1 (ko) 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법
Zhou et al. Comparison of machine learning approaches for time-series-based quality monitoring of resistance spot welding (RSW)
Bogaerts et al. A machine learning approach for efficient and robust resistance spot welding monitoring
El Ouafi et al. An on-line ANN-based approach for quality estimation in resistance spot welding
KR102330429B1 (ko) 딥러닝 기반의 프로젝션용접 결함 검출방법
Liu et al. ANFIS Modeling of Human Welder's Response to Three-Dimensional Weld Pool Surface in GTAW
Miao et al. Surrogate model development using simulation data to predict weld residual stress: A case study based on the NeT-TG1 benchmark
Papacharalampopoulos et al. A defect tracking tool framework for multi-process products
Gope et al. Influence of crack tip and crack offset distance on crack interaction and growth direction in multiple cracks
Shahabi et al. A novel approach for monitoring and improving the quality of welded joint in gas metal arc welding process using adaptive neuro-fuzzy systems
Buceti et al. Automatic validation of the five-channel DCN interferometer in ENEA-FTU based on soft-computing techniques
KR101535189B1 (ko) 로지스틱 회귀분석법을 이용한 스폿용접 품질평가 시스템 및 그의 방법
Danilova et al. Models of Printed Circuit Boards Conductive Pattern Defects.
Sharma Process modeling in welding
JP6859381B2 (ja) 状態変動検出装置及び状態変動検出用プログラム
Mahesh et al. Fatigue Crack Growth Rate Prediction in Nickle based Super-alloys using Machine Learning Algorithm
Noh et al. Development of Situation Awareness Model in Robotic Spot-welding (RSW) System based on Sensor Data Visualization
Halfarová et al. The application of fuzzy FMEA
WO2023068146A1 (ja) 溶接システム及び溶接モニタ装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant