KR102163828B1 - Machine learning system for spatter prediction from welding waveform and method thereof - Google Patents

Machine learning system for spatter prediction from welding waveform and method thereof Download PDF

Info

Publication number
KR102163828B1
KR102163828B1 KR1020190117159A KR20190117159A KR102163828B1 KR 102163828 B1 KR102163828 B1 KR 102163828B1 KR 1020190117159 A KR1020190117159 A KR 1020190117159A KR 20190117159 A KR20190117159 A KR 20190117159A KR 102163828 B1 KR102163828 B1 KR 102163828B1
Authority
KR
South Korea
Prior art keywords
spatter
data
module
welding
machine learning
Prior art date
Application number
KR1020190117159A
Other languages
Korean (ko)
Inventor
유회수
서강명
김정태
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 KR1020190117159A priority Critical patent/KR102163828B1/en
Application granted granted Critical
Publication of KR102163828B1 publication Critical patent/KR102163828B1/en

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
    • B23K9/00—Arc welding or cutting
    • B23K9/095—Monitoring or automatic control of welding parameters
    • B23K9/0956—Monitoring or automatic control of welding parameters using sensing means, e.g. optical
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
    • B23K26/073—Shaping the laser spot
    • B23K26/0732—Shaping the laser spot into a rectangular shape
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
    • B23K26/073—Shaping the laser spot
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Arc Welding Control (AREA)

Abstract

The present invention relates to: a machine learning system and a method thereof which learn, as an input, data obtained by dividing and counting welding currents and voltage waveforms at regular intervals in arc welding, and, as outputs, spatters classified by size by using machine learning or deep learning algorithms, and predict spatters in the field by using the learned parameters; and a personal computer (PC) or embedded system implemented by applying the same. The machine learning system comprises: an arch welding device which performs welding by applying an electric current between a base material and a torch; a detection module which collects welding currents and voltages in the arc welding device and collects spatters; a section setting module which sets sections at predetermined intervals for the welding currents and the voltages, respectively; a counting module which counts the welding currents and voltages detected by the detection module correspondingly to the sections set by the section setting module; a collection module which classifies the collected spatters of the data counted by the count module according to the size of the spatters; and a learning module which learns some of the welding current/voltage data counted by the collection module as an input and data classified according to the size of the spatters as an output by using machine learning or deep learning algorithms. Accordingly, the machine learning system is capable of accurately performing prediction at high speed by learning spatter generation amount measurement data, and calculating, in real time, the spatter generation amount based on the learned parameters by using a personal computer (PC) or an embedded system in the field.

Description

용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법{Machine learning system for spatter prediction from welding waveform and method thereof} TECHNICAL FIELD The machine learning system for spatter prediction from welding waveform and method thereof

본 발명은 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법과 이를 적용한 PC 또는 임베디드 시스템(embedded system)에 관한 것으로, 특히 아크 용접에서 용접 전류 및 전압 파형을 일정간격으로 나누어 카운트한 데이터를 입력으로 하고 크기별로 분류된 스패터를 출력으로 하여 머신 러닝 또는 딥러닝 알고리즘을 이용하여 학습하고, 학습된 파라미터를 이용하여 현장에서 스패터 예측을 위한 머신 러닝 시스템 및 방법과 이를 적용한 PC 또는 임베디드 시스템에 관한 것이다.The present invention relates to a machine learning system and method for predicting spatter of a welding waveform, and to a PC or embedded system to which the same, and in particular, in arc welding, the welding current and voltage waveforms are divided by predetermined intervals and counted data is input. And learn using machine learning or deep learning algorithms by outputting the spatter classified by size, and using the learned parameters to predict spatter in the field and to a machine learning system and method and a PC or embedded system applying the same. About.

일반적으로, 소모성 전극을 사용하는 가스 메탈 아크용접(GMAW)은 용접재료의 용융현상에 관계된 비선형적인 힘과 에너지의 작용에 의해 용적 이행이 순간마다 비선형적으로 변화하는 공정의 특성을 가지고 있다. In general, gas metal arc welding (GMAW) using a consumable electrode has a characteristic of a process in which the volume transition changes non-linearly every moment by the action of nonlinear force and energy related to the melting phenomenon of the welding material.

아크용접은 모재와 토치의 사이에 전류를 인가하여 아크를 발생시키고 이때 발생하는 열을 이용하여 접합부위를 용융시켜 접합하는 것으로, 자동차, 조선, 건설산업에 널리 사용되고 있다. 특히, 아크용접은 이산화탄소(CO2)나 아르곤과 같은 보호가스로 용접 분위기를 조성하여 용접효율과 품질을 향상시키지만, 분위기 가스로 활성 가스인 CO2 가스를 사용함으로써, 아크 기둥에서의 변동이 더욱 심해져 용접 중의 전류 변동이 더욱 심해지거나, 용적 이행이 매우 불규칙해져 많은 양의 스패터(Spatter)를 유발시킨다.Arc welding is a method of generating an arc by applying a current between the base material and a torch, and melting the joint by using the heat generated at this time, and is widely used in automobile, shipbuilding, and construction industries. In particular, arc welding improves welding efficiency and quality by creating a welding atmosphere with a protective gas such as carbon dioxide (CO 2 ) or argon, but by using CO 2 gas, an active gas as the atmosphere gas, fluctuations in the arc column are further increased. As it becomes severe, the current fluctuation during welding becomes more severe, or the volume transition becomes very irregular, causing a large amount of spatter.

단락이행은 보호가스의 종류에 상관없이 저전류, 저전압에서 나타나며, 연속으로 공급되는 용접와이어 끝단에 고온의 아크열로 인하여 녹은 용적이 시간에 따라 성장하여 용융지에 닿으면서 전기적으로 단락되고, 이러한 상태에서 용적이 용융지로 이행되어 가는 것을 말하여, 용적이 이행이 되면서 가교가 형성되고 가교가 끊어지면서 재아크가 발생된다. 이 과정이 도 1에 도시된 바와 같이 용접전류와 용접전압의 변동으로 나타난다. Short circuit performance occurs at low current and low voltage regardless of the type of protective gas, and the melted volume grows over time due to the high-temperature arc heat at the end of the continuously supplied welding wire and is electrically shorted as it reaches the melted paper. It means that the volume is transferred to the molten paper in the area, and as the volume is transferred, a bridge is formed and re-arc occurs as the bridge is broken. This process appears as a variation in welding current and welding voltage, as shown in FIG. 1.

스패터 발생은 단락 후 아크가 재발생 과정에서 주로 발생하며, 특히 단락기간이 짧을 경우 용적이 충분히 이행되지 못하고 아크가 재발생되면서 아크 폭발력으로 인하여 남아 있는 용적을 스패터로 발생시키며, 이때 조대한 스패터가 발생되어 주변 모재에 부착된다. 이로 인하여 용접품질에 영향을 준다. 그러나 스패터는 현장에서 측정하기 어렵다. Spatter is mainly generated in the process of regenerating the arc after a short circuit.In particular, when the short circuit period is short, the volume cannot be sufficiently transferred and the arc regenerates, generating the remaining volume due to the arc explosive force as spatter.At this time, coarse spatter Occurs and adheres to the surrounding base material. This affects the welding quality. However, spatter is difficult to measure in the field.

따라서, 아크용접의 스패터 예측은 용접품질을 판단하는 중요한 요소로서 생산성 향상에 중요하다. 아크용접에서 전압과 전류는 용접상태에 따라 변화하기 때문에 용접품질에 대한 정보를 포함하고 있으므로, 아크용접의 품질이나 안정성 평가에 용접 전압 및 전류 파형이 적용되고 있다. 종래에는 통계적 방법을 이용하는 품질평가가 사용되고 있는데, 이는 일정시간 동안 측정한 신호의 평균값, 표준편차, 주파수를 계산한 지수를 아크 안정성과 용접품질 평가에 적용하는 방법이다.Therefore, the spatter prediction of arc welding is an important factor in determining welding quality and is important for productivity improvement. In arc welding, since the voltage and current change according to the welding condition, information on the welding quality is included. Therefore, the welding voltage and current waveforms are applied to the quality and stability evaluation of arc welding. Conventionally, quality evaluation using a statistical method has been used, which is a method of applying an index obtained by calculating the average value, standard deviation, and frequency of a signal measured over a certain period of time to evaluate arc stability and welding quality.

또 용접신호와 신호를 처리한 값을 그래프 상에 나타내고 정상상태에서 구한 그래프 상의 분포를 기준으로 비교하여 유사 정도를 계산함으로써 용접품질을 평가하는 방법이 제안되었지만, 이와 같은 방법들은 일정시간 동안 수집한 용접신호 전체에 대한 평가이기 때문에 세부적인 특성이 반영되지 않아 오류가 발생하는 단점이 있다.In addition, a method of evaluating welding quality by calculating the degree of similarity by displaying the welding signal and the processed value on a graph and comparing it based on the distribution on the graph obtained in a steady state has been proposed. Since it is an evaluation of the entire welding signal, there is a disadvantage that an error occurs because detailed characteristics are not reflected.

이러한 문제점을 해결하기 위한 기술의 일 예가 하기 문헌 등에 개시되어 있다.An example of a technique for solving this problem is disclosed in the following documents.

예를 들어, 하기 특허문헌 1에는 자동화 로봇인 아크용접 시스템, 아크용접 시스템의 용접 전류 및 전압을 실시간으로 검출하는 전류/전압 검출부, 아날로그 신호 상태의 용접 전류 및 전압을 디지털 신호로 변환시키는 A/D 컨버터, 용접 전류 및 전압이 적정용접 가능영역에 포함되는지 판단하여, 적정용접 가능영역에 포함되는 상태이면 전류 및 전압에서 용접품질과 상관관계에 있는 파형인자를 추출하여 신경 회로망을 통한 학습 및 분석으로 아크용접의 품질을 판단하는 분석장치를 포함하며, 상기 분석장치는 도 1에 도시된 바와 같이, 적정용접 가능영역에 포함되는 전류에서 각 사이클 당 최고전류(I_peak), 최저전류(I_base), 아크전류평균(I_arc), 단락전류평균(I_short)를 용접품질의 상관관계 인자로 추출하고, 전압에서 아크시간(T_arc)과 단락시간(T_short) 및 단락주파수(SC_freq)를 용접품질의 상관관계 인자로 추출한 아크용접 품질판단장치에 대해 개시되어 있다.For example, in Patent Document 1 below, an arc welding system which is an automated robot, a current/voltage detection unit that detects the welding current and voltage of the arc welding system in real time, and A/ which converts the welding current and voltage in an analog signal state into a digital signal. D converter, determine whether the welding current and voltage are included in the appropriate weldable area, and if the current and voltage are included in the appropriate weldable area, extract the waveform factor correlated with the welding quality from the current and voltage, and learn and analyze through a neural network And an analysis device for determining the quality of arc welding, and the analysis device includes a maximum current per cycle (I_peak), a minimum current (I_base), and a current included in an appropriate welding area, as shown in FIG. Arc current average (I_arc) and short circuit current average (I_short) are extracted as correlation factors of welding quality, and arc time (T_arc), short circuit time (T_short), and short circuit frequency (SC_freq) from voltage are correlated factors of welding quality. It is disclosed for an arc welding quality judgment device extracted with.

또 하기 특허문헌 2에는 가스메탈아크용접의 단락이행영역에서 단락이행 주기(T), 아크 시간(Ta), 단락시간(Ts), 단락 최고전류(Ip), 단락순간 전류(Is), 단락이행 평균전류(기호:아이바), 단락 이행주기의 표준편차(s[T]), 아크 시간의 표준편차(s[Ta]), 단락시간의 표준편차(s[Ts]), 평균 아크 전류의 표준편차, 단락 최고전류의 표준편차(s[Ip]), 단락순간 전류의 표준편차(s[Is]), 단락이행 평균전류의 표준편차(s[아이바]) 등 13개의 파형인자를 추출하여 다중회귀분석을 통하여 아크 안정성을 예측하기 위한 선형 및 비선형 예측 모델을 도출하고, 이에 의하여 아크 안정성을 판정하는 가스메탈아크용접에서 아크 안정성을 판정하는 방법에 대해 개시되어 있다.In addition, in the following Patent Document 2, short-circuit transition period (T), arc time (Ta), short-circuit time (Ts), short-circuit peak current (Ip), short-circuit instantaneous current (Is), short-circuit transition in the short-circuit transition region of gas metal arc welding. Average current (symbol: IR), standard deviation of short circuit transition period (s[T]), standard deviation of arc time (s[Ta]), standard deviation of short circuit time (s[Ts]), standard of average arc current 13 waveform factors such as deviation, standard deviation of short-circuit peak current (s[Ip]), standard deviation of short-circuit instantaneous current (s[Is]), and standard deviation of short-circuit transition average current (s[Iva]) Disclosed is a method of determining arc stability in gas metal arc welding to derive linear and nonlinear predictive models for predicting arc stability through regression analysis, and thereby determine arc stability.

한편, 하기 비특허문헌 1에서는 CO2 아크용접의 단락이행영역에서 와이어 송급속도, CTWD의 변화와 용접전압이 변경되어 가며 반복된 실험을 수행하고, 이들 조건들로 용접한 각각의 경우에서 용접전류와 아크 전압 파형을 수집하고, 스패터를 포집하며, 수집된 파형 데이터로부터 스패터 발생에 영향을 미칠 것으로 판단되는 16개의 인자를 추출하고, 통계적 분석방법에 의해서 이들 인자로 구성된 아크 안정성을 평가하는 4개의 선형 또는 비선형 모델을 제안하였다.On the other hand, in the following Non-Patent Document 1, repeated experiments were performed with changes in wire feed speed, CTWD, and welding voltage in the short circuit performing region of CO 2 arc welding, and welding current in each case welded under these conditions. And arc voltage waveforms are collected, spatter is collected, 16 factors that are judged to have an effect on spatter generation are extracted from the collected waveform data, and the arc stability composed of these factors is evaluated by a statistical analysis method. Four linear or nonlinear models were proposed.

대한민국 등록특허공보 제10-0907058호(2009.07.02 등록)Korean Registered Patent Publication No. 10-0907058 (Registered on 2009.07.02) 대한민국 등록특허공보 제10-0762419호(2007.09.20 등록)Korean Patent Publication No. 10-0762419 (registered on September 20, 2007)

CO2 아크용접에 있어서 다중회귀분석에 의한 아크 끊어짐을 고려한 아크 안정성 예측 모델 개발, 강 문진 등(대한기계학회논문집 A권, 제24권 제8호, pp. 1885~1898, 2000.8) Development of an arc stability prediction model that considers arc breakage by multiple regression analysis in CO2 arc welding, Jin Kang, etc.(The Journal of the Korean Society of Mechanical Engineers Vol. A, Vol. 24, No. 8, pp. 1885~1898, 2000.8)

상술한 바와 같은 특허문헌 등에 개시된 기술에서는 용접진행 동안 초당 10,000개의 전류와 10,000개의 전압 파형을 수집하여 파형변수를 통계를 바탕으로 처리하여, 즉 1분 용접시 10 kHz*60초*2(전류, 전압)=1,200,000개의 데이터를 처리하여 스패터를 예측해야 함으로 실시간 처리가 어렵다는 문제가 있었다.In the technology disclosed in the patent literature as described above, 10,000 currents and 10,000 voltage waveforms per second are collected during the welding process and the waveform variables are processed based on statistics, that is, 10 kHz * 60 seconds * 2 (current, Voltage) = 1,200,000 data must be processed to predict spatter, so there is a problem that real-time processing is difficult.

또 다양한 단락 파형 제어 기술이 개발되어 파형의 형태가 복잡 즉, 파형종류에 따라서 파형변수를 달리 추출해야 하고 각 파형에 따라 변수를 추출하여 데이터 수집을 달리해야 하므로, 파형변수를 추출하여 활용하기가 어렵다는 문제도 있었다. 예를 들어, 도 1에 도시된 단락 기본 파형의 최고전류(I_peak), 최저전류(I_base), 아크전류평균(I_arc), 단락전류평균(I_short)에 따른 스패터 예측모델을 사용하여 복잡해진 단락제어파형에 적용할 수 없다는 문제가 있었다.In addition, since various short-circuit waveform control technologies have been developed, the shape of the waveform is complex, that is, the waveform variable must be extracted differently according to the waveform type, and the data collection must be different by extracting the variable according to each waveform. There was also a problem that it was difficult. For example, a short circuit complicated by using a spatter prediction model according to the maximum current (I_peak), the minimum current (I_base), the arc current average (I_arc), and the short circuit current average (I_short) of the short-circuit basic waveform shown in FIG. There was a problem that it could not be applied to the control waveform.

본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위해 이루어진 것으로서, 용접 과정에서 발생하는 단락파형의 종류에 상관없이 머신러닝을 수행할 수 있고, 학습된 데이터를 활용하여 스패터 발생량을 예측하기 위한 머신 러닝 시스템 및 방법을 제공하는 것이다.An object of the present invention has been made to solve the above-described problems, and it is possible to perform machine learning regardless of the type of short-circuit waveform generated in the welding process, and to predict the amount of spatter generated by using the learned data. It is to provide a machine learning system and method.

본 발명의 다른 목적은 스패터 발생량 측정 데이터를 학습하여 예측을 실시간에 고속으로 정확하게 실행할 수 있는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법을 제공하는 것이다.Another object of the present invention is to provide a machine learning system and method for predicting spatter of a welding waveform capable of learning spatter generation measurement data and accurately performing prediction in real time at high speed.

본 발명의 또 다른 목적은 용접 과정에서 발생하는 스패터의 인식 정밀도를 증가시키고 이에 따라 스패터 예측 속도를 증가시킬 수 있는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법을 제공하는 것이다.Another object of the present invention is to provide a machine learning system and method for predicting spatter of a welding waveform capable of increasing the recognition accuracy of spatter generated in the welding process and thus increasing the spatter prediction speed.

본 발명의 또 다른 목적은 학습된 파라미터를 이용하여 다양한 용접 품질(용접불량 등)의 예측에 적용 가능하고, 현장에서 실시간으로 품질 관리를 실행할 수 있는 PC 또는 임베디이드 시스템을 제공하는 것이다.Another object of the present invention is to provide a PC or embedded system that can be applied to prediction of various welding qualities (welding defects, etc.) using learned parameters and can perform quality control in real time in the field.

상기 목적을 달성하기 위해 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템은 모재와 토치의 사이에 전류를 인가하여 용접하는 아크용접 장치, 상기 아크용접 장치에서의 용접 전류 및 전압을 수집하고 스패터를 포집하는 검출 모듈, 상기 용접 전류 및 전압에 대해 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 모듈, 상기 검출 모듈에 의해 검출된 용접 전류 및 전압에 대해 상기 구간 설정 모듈에서 설정된 구간에 대응시켜 카운트하는 카운트 모듈, 상기 카운트 모듈에서 카운트된 데이터의 포집된 스패터를 스패터 크기에 따라 분류하는 수집 모듈, 머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 수집 모듈에서 일부의 카운트된 용접 전류/전압 데이터를 입력으로 하고 스패터 크기별로 분류된 데이터를 출력으로 하여 학습하는 학습 모듈을 포함하는 것을 특징으로 한다.In order to achieve the above object, the machine learning system for predicting spatter of a welding waveform according to the present invention is an arc welding device for welding by applying a current between a base material and a torch, and collecting welding current and voltage in the arc welding device. And a detection module that collects spatter, a section setting module that sets a section at predetermined intervals for the welding current and voltage, and a section set in the section setting module for the welding current and voltage detected by the detection module. A count module that counts in response to the count module, a collection module that classifies the collected spatter of the data counted in the count module according to the spatter size, and a part of the welding current counted in the collection module using machine learning or deep learning algorithms It characterized in that it comprises a learning module that learns by receiving /voltage data as an input and outputting data classified by spatter size.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 학습모듈에서 학습 및 검증에 사용되지 않은 카운트된 데이터로부터 스패터 발생량을 예측하는 스패터 발생량 계산 모듈, 상기 스패터 발생량 계산 모듈에서 계산된 스패터 데이터와 상기 수집 모듈에서 수집된 스패터를 비교하는 비교 모듈, 상기 비교 모듈에서의 비교 결과에 따라 예측된 스패터 크기 데이터에 대해 평균절대오차를 계산하여 스패터 발생 예측의 정확도를 판정하는 예측 정확도 판정 모듈을 더 포함하는 것을 특징으로 한다.In addition, in the machine learning system for predicting spatter of a welding waveform according to the present invention, a spatter generation amount calculation module for predicting a spatter generation amount from counted data not used for learning and verification in the learning module, and the spatter generation amount calculation A comparison module that compares the spatter data calculated in the module with the spatter collected in the collection module, and calculates the average absolute error of the spatter size data predicted according to the comparison result in the comparison module to predict the occurrence of spatter. It characterized in that it further comprises a prediction accuracy determination module for determining the accuracy.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 검출 모듈은 용접전압 및 전류를 측정하고, 상기 구간 설정 모듈은 0~80V의 전압 범위에서 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088개의 데이터를 설정하는 것을 특징으로 한다.In addition, in the machine learning system for predicting spatter of a welding waveform according to the present invention, the detection module measures welding voltage and current, and the section setting module is divided into 16 sections at 5V intervals in a voltage range of 0 to 80V. It is characterized in that the current is divided into 68 sections in the range of 20 to 700A at 10A intervals, and 16*68=1,088 data is set.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 수집 모듈은 총 스패터 발생량과 스패터의 크기를 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S의 4개로 분류하여 스패터 발생량을 수집하는 것을 특징으로 한다.In addition, in the machine learning system for predicting spatter of a welding waveform according to the present invention, the collection module determines the total amount of spatter generated and the size of the spatter S <250 μm, 250 μm ≤ S <500 μm, 500 μm ≤ S < It is characterized in that the spatter generation amount is collected by classifying it into four categories of 1000㎛, 1000㎛ ≤ S.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 학습 모듈은 상기 수집 모듈에서 수집된 카운트된 데이터와 스패터 데이터의 60~80%를 학습 데이터로 사용하고, 상기 데이터의 20~30%를 학습 검증 테이터로 사용하며, 상기 예측 정확도 판정 모듈은 상기 데이터의 20~30%를 스패터 발생 예측의 정확도의 테이터로 사용하는 것을 특징으로 한다.In addition, in the machine learning system for predicting spatter of a welding waveform according to the present invention, the learning module uses 60 to 80% of the counted data and spatter data collected by the collection module as learning data, and 20 to 30% is used as learning verification data, and the prediction accuracy determination module uses 20 to 30% of the data as data of accuracy of spatter generation prediction.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 예측 정확도 판정 모듈에서 예측 정확도 계산은 평균절대오차(MAE(mean absolute error))를 하기 식으로 계산하여 정확도를 (100 - 평균 절대오차 %)로 계산하고,In addition, in the machine learning system for spatter prediction of a welding waveform according to the present invention, the prediction accuracy calculation in the prediction accuracy determination module is performed by calculating a mean absolute error (MAE) by the following equation to determine the accuracy (100 − Average absolute error %),

Figure 112019097349118-pat00001
…(식)
Figure 112019097349118-pat00001
… (expression)

상기 식에서 n: 데이터수, εk : 예측에러인 것을 특징으로 한다.In the above equation, n: number of data, ε k : prediction error.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서, 상기 예측 정확도가 가장 높은 학습된 파라미터(w,b)를 이용하여 스패터를 예측하는 것을 특징으로 한다.In addition, in the machine learning system for predicting spatter of a welding waveform according to the present invention, the spatter is predicted using the learned parameters (w, b) having the highest prediction accuracy.

또한, 상기 목적을 달성하기 위해 본 발명에 따른 PC 또는 임베디드 시스템은 상술한 용접 파형의 스패터 예측을 위한 머신 러닝 시스템, 상기 예측 정확도 판정 모듈에 의해 판정된 스패터 예측 정확도에 따라 현장에서의 용접 파형의 스패터 예측 정보를 표시하는 디스플레이 모듈, 상기 디스플레이 모듈에 표시된 용접 파형의 스패터 예측 정보를 서버로 전송하는 네트워크 모듈을 포함하는 것을 특징으로 한다.In addition, in order to achieve the above object, the PC or embedded system according to the present invention is a machine learning system for predicting spatter of the above-described welding waveform, and welding in the field according to the spatter prediction accuracy determined by the prediction accuracy determination module. And a display module that displays spatter prediction information of a waveform, and a network module that transmits spatter prediction information of a welding waveform displayed on the display module to a server.

또 본 발명에 따른 PC 또는 임베디드 시스템에서, 상기 검출 모듈은 현장에서 아크용접을 진행하는 상태에서 아크용접에 제어되는 전류 및 전압을 실시간으로 검출하는 것을 특징으로 한다.In addition, in the PC or embedded system according to the present invention, the detection module is characterized in that it detects in real time the current and voltage controlled by the arc welding in a state in which the arc welding is performed in the field.

또 본 발명에 따른 PC 또는 임베디드 시스템에서, 미리 설정된 스패터 발생량의 상한선을 초과하면 스패터 발생량 경고를 작업자에게 알릴 수 있는 경고 수단을 더 포함하는 것을 특징으로 한다.In addition, in the PC or the embedded system according to the present invention, it is characterized in that it further comprises a warning means capable of notifying an operator of a spatter generation amount warning when a pre-set upper limit of the spatter generation amount is exceeded.

또한, 또한 상기 목적을 달성하기 위해 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법은 (a) 모재와 토치의 사이에 전류를 인가하여 용접하는 용접 전류 및 전압과 스패터를 검출하는 검출 단계, (b) 상기 단계 (a)에서 검출된 용접 전류 및 전압에 대해 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 단계, (c) 상기 단계 (a)에서 검출된 용접 전류 및 전압에 대해 상기 단계 (b)에서 설정된 구간에 대응시켜 카운트 하는 카운트 단계, (d) 상기 단계 (c)에서 카운트 된 데이터에서 스패터의 크기에 따라 스패터 데이터를 수집하는 수집 단계, (e) 머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 단계 (d)에서 수집된 스패터 데이터의 일부로 스패터의 발생을 예측하고 검증하도록 학습하는 학습 단계, (f) 상기 단계 (e)에서 학습 및 검증에 사용되지 않은 스패터 데이터로부터 스패터 발생량을 예측하여 스패터 발생량을 계산하는 계산 단계, (g) 상기 단계 (f)에서 계산된 스패터 발생량에 따라 스패터 발생 예측의 정확도를 판정하는 판정 단계를 포함하는 것을 특징으로 한다.In addition, in order to achieve the above object, the machine learning method for predicting spatter of a welding waveform according to the present invention includes (a) applying a current between a base material and a torch to detect welding current and voltage and spatter. The detection step, (b) a section setting step of setting a section at predetermined intervals for the welding current and voltage detected in the step (a), (c) the welding current and voltage detected in the step (a) For example, a count step of counting according to the interval set in step (b), (d) a collection step of collecting spatter data according to the size of spatter from the data counted in step (c), (e) machine learning Or a learning step of learning to predict and verify the occurrence of spatter as part of the spatter data collected in step (d) using a deep learning algorithm, (f) not used for learning and verification in step (e) A calculation step of calculating the amount of spatter generated by predicting the amount of spatter generated from the spatter data, (g) a determination step of determining the accuracy of the prediction of spatter generation according to the amount of spatter generated in the step (f). It is characterized.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서, 상기 단계 (b)는 0~80V의 전압 범위에서 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088개의 데이터를 마련하는 것을 특징으로 한다.In addition, in the machine learning method for predicting spatter of a welding waveform according to the present invention, the step (b) is divided into 16 sections at intervals of 5 V in the voltage range of 0 to 80 V, and the current is in the range of 20 to 700 A. It is characterized in that 16*68=1,088 pieces of data are prepared by dividing into 68 sections at 10A intervals.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서, 상기 단계 (d)에서 데이터 수집은 총 스패터 발생량과 스패터의 크기를 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S의 4개로 분류하여 수집하는 것을 특징으로 한다.In addition, in the machine learning method for predicting spatter of a welding waveform according to the present invention, in the step (d), the data collection includes the total amount of spatter generated and the size of the spatter S <250 μm, 250 μm ≤ S <500 μm, It is characterized in that it is classified and collected into four categories of 500㎛ ≤ S <1000㎛ and 1000㎛ ≤ S.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서, 상기 단계 (e)에서는 상기 단계 (d)에서 수집된 카운트된 데이터와 스패터 데이터의 60~80%를 학습 데이터로 사용하고, 상기 데이터의 20~30%를 학습 검증 테이터로 사용하며, 상기 단계 (g)에서 스패터 발생 예측의 정확도는 상기 스패터 데이터의 20~30%를 스패터 발생 예측의 정확도의 테이터로 사용하는 것을 특징으로 한다.In addition, in the machine learning method for predicting spatter of a welding waveform according to the present invention, in the step (e), 60 to 80% of the counted data and spatter data collected in the step (d) are used as training data. , 20-30% of the data is used as learning verification data, and the accuracy of spatter generation prediction in step (g) is that 20-30% of the spatter data are used as data of the accuracy of spatter generation prediction. It features.

상술한 바와 같이, 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법에 의하면, 용접 전류 및 전압을 일정간격으로 나누어 용접 파형을 카운트하여 용접 파형의 스패터 발생량 측정 데이터를 학습하여 예측을 실시간에 고속으로 정확하게 실행할 수 있다는 효과가 얻어진다.As described above, according to the machine learning system and method for predicting spatter of a welding waveform according to the present invention, by dividing the welding current and voltage by predetermined intervals and counting the welding waveform, the spatter generation measurement data of the welding waveform is learned. The effect is obtained that prediction can be accurately executed at high speed in real time.

또 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법에 의하면, 용접 전류 및 전압을 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 모듈을 마련하는 것에 의해 용접 과정에서 파형 종류에 관계없이 다양한 용접 품질 딥러닝에 활용할 수 있다는 효과가 얻어진다.In addition, according to the machine learning system and method for predicting spatter of a welding waveform according to the present invention, by providing a section setting module for setting the section by setting the welding current and voltage at predetermined intervals, the type of the waveform is changed in the welding process. Regardless of the welding quality, it can be used for deep learning.

또한, 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법에 의하면, 스패터의 크기를 분류하여 수집하므로, 스패터의 인식 정밀도를 향상시키며, 이에 따라 스패터의 발생 예측을 고속을 실행할 수 있다는 효과도 얻어진다.In addition, according to the machine learning system and method for predicting spatter of a welding waveform according to the present invention, since the size of spatter is classified and collected, the recognition accuracy of spatter is improved, and accordingly, the prediction of spatter occurrence is fast The effect of being able to execute is also obtained.

또한, 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법이 적용된 PC 또는 임베디이드 시스템에 의하면, 학습된 파라미터를 이용하여 현장에서 스패터 발생량을 실시간으로 계산하여 스마트공장에서 품질관리를 실시간으로 실행할 수 있다는 효과도 얻어진다.In addition, according to a PC or embedded system to which a machine learning system and method for predicting spatter of a welding waveform according to the present invention is applied, the amount of spatter generated in the field is calculated in real time using the learned parameters, and quality The effect of being able to execute management in real time is also obtained.

도 1은 종래의 기술에 따른 아크용접의 품질판단에서 전류 및 전압에 포함되는 단락파형과 품질판단 인자를 도시한 도면,
도 2는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서 스패터 예측을 위한 학습을 실행하는 구성의 블록도,
도 3은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서 예측 정확도의 판정을 실행하는 구성의 블록도,
도 4는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템이 현장에 적용되는 예측 장치의 구성의 블록도,
도 5는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서 X축 전압 레벨/y축 전류 레벨을 카운트한 화면의 일 예를 나타낸 도면,
도 6은 도 5에 나타낸 바와 같이 카운트한 데이터를 등고선도(contour mapping)로 나타낸 도면,
도 6은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 적용하기 위한 스패터 포집에 의한 스패터의 분포도,
도 7은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 적용하기 위한 스패터 포집 실험에 의한 스패터의 크기별 분포 그래프,
도 9는 도 2에 도시된 학습 모듈의 신경망 구조를 예시적으로 나타낸 블록도,
도 10은 도 4에 도시된 디스플레이 모듈에 표시된 상태의 일 예를 나타내는 도면,
도 11은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 과정을 설명하기 위한 공정도,
도 12는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템이 현장에 적용되는 예측 장치에서의 공정도,
도 13은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서 학습 정확도를 위한 1차 머신 러닝 결과를 나타내는 도면,
도 14는 도 13에 따른 학습 결과를 나타내는 도면,
도 15는 학습 정확도를 위한 2차 머신 러닝 결과를 나타내는 도면,
도 16은 도 15에 따른 학습 결과를 나타내는 도면,
도 17은 학습 정확도를 위한 3차 머신 러닝 결과를 나타내는 도면,
도 18은 도 17에 따른 학습 결과를 나타내는 도면,
도 19는 단락 기본 파형과 단락 파형제어 파형을 나타내는 도면,
도 20은 본 발명에 따른 단락 기본 파형과 단락 파형제어 파형을 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 의한 학습 결과를 나타내는 도면.1 is a view showing short-circuit waveforms and quality determination factors included in current and voltage in the quality determination of arc welding according to the prior art;
2 is a block diagram of a configuration for executing learning for spatter prediction in a machine learning system for spatter prediction of a welding waveform according to the present invention;
3 is a block diagram of a configuration for determining prediction accuracy in a machine learning system for spatter prediction of a welding waveform according to the present invention;
4 is a block diagram of a configuration of a prediction apparatus to which a machine learning system for predicting spatter of a welding waveform according to the present invention is applied to a field;
5 is a view showing an example of a screen counting the X-axis voltage level/y-axis current level in the machine learning system for spatter prediction of a welding waveform according to the present invention;
FIG. 6 is a diagram showing data counted as shown in FIG. 5 in a contour mapping;
6 is a distribution diagram of spatter by spatter collection for application to a machine learning system for predicting spatter of a welding waveform according to the present invention;
7 is a distribution graph for each size of spatter according to a spatter collection experiment for application to a machine learning system for predicting spatter of a welding waveform according to the present invention;
9 is a block diagram schematically showing a neural network structure of the learning module shown in FIG. 2;
FIG. 10 is a diagram illustrating an example of a state displayed on the display module illustrated in FIG. 4;
11 is a process chart for explaining a machine learning process for predicting spatter of a welding waveform according to the present invention;
12 is a process chart in a prediction apparatus to which a machine learning system for predicting spatter of a welding waveform according to the present invention is applied to a field;
13 is a diagram showing a first-order machine learning result for learning accuracy in a machine learning method for predicting spatter of a welding waveform according to the present invention;
14 is a diagram showing a learning result according to FIG. 13;
15 is a diagram showing a second order machine learning result for learning accuracy;
16 is a diagram showing a learning result according to FIG. 15;
17 is a diagram showing a third-order machine learning result for learning accuracy;
18 is a diagram showing a learning result according to FIG. 17;
19 is a diagram showing a short-circuit basic waveform and a short-circuit waveform control waveform;
20 is a diagram showing a learning result of a short-circuit basic waveform and a short-circuit waveform control waveform according to the present invention by a machine learning system for spatter prediction of a welding waveform.

본 발명의 상기 및 그 밖의 목적과 새로운 특징은 본 명세서의 기술 및 첨부 도면에 의해 더욱 명확하게 될 것이다.The above and other objects and new features of the present invention will become more apparent from the description of the present specification and the accompanying drawings.

본원에서 사용하는 용어 "스패터(spatter)는 아크용접 또는 가스 용접에서 용접 과정에서 비산하는 슬래그 및 금속 입자를 의미하고, "용접 파형"은 용접 과정에서 발생하는 단락 파형, 펄스 파형 등을 의미한다. The term "spatter" as used herein means slag and metal particles scattered during the welding process in arc welding or gas welding, and "welding waveform" means a short-circuit waveform, pulse waveform, etc. generated in the welding process. .

이하, 본 발명에 따른 실시 예를 도면에 따라서 설명한다.Hereinafter, embodiments according to the present invention will be described with reference to the drawings.

본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서는 용접 파형의 데이터 처리로서 용접 전류 및 전압을 일정간격으로 나누어 용접 파형을 카운트 하여 용접 파형의 스패터를 예측하는 기술에 적용한다. In the machine learning system for predicting spatter of a welding waveform according to the present invention, it is applied to a technique of predicting spatter of the welding waveform by dividing the welding current and voltage by predetermined intervals as data processing of the welding waveform and counting the welding waveform.

본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템의 구성에 대해 도 2 내지 도 4에 따라 설명한다. The configuration of a machine learning system for predicting spatter of a welding waveform according to the present invention will be described with reference to FIGS. 2 to 4.

도 2는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서 스패터 예측을 위한 학습을 실행하는 구성의 블록도 이고, 도 3은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에서 예측 정확도의 판정을 실행하는 구성의 블록도 이며, 도 4는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템이 현장에 적용되는 예측 장치의 구성의 블록도 이다.FIG. 2 is a block diagram of a configuration for executing learning for spatter prediction in a machine learning system for spatter prediction of a welding waveform according to the present invention, and FIG. 3 is a machine for predicting spatter of a welding waveform according to the present invention. Fig. 4 is a block diagram of a configuration of a learning system for determining prediction accuracy, and FIG. 4 is a block diagram of a configuration of a prediction apparatus to which a machine learning system for spatter prediction of a welding waveform according to the present invention is applied to a field.

도 2에 도시된 바와 같이, 본 발명에 따른 머신 러닝 시스템은 용접 파형의 스패터 예측을 위한 머신 러닝 시스템으로서, 모재와 토치의 사이에 전류를 인가하여 용접하는 아크용접 장치(10), 상기 아크용접 장치(10)에서의 용접 전류 및 전압을 수집하고 스패터를 포집하는 검출 모듈(20), 상기 용접 전류 및 전압에 대해 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 모듈(30), 상기 검출 모듈(20)에 의해 검출된 용접 전류 및 전압에 대해 상기 구간 설정 모듈에서 설정된 구간에 대응시켜 카운트하는 카운트 모듈(40), 상기 카운트 모듈(40)에서 카운트된 데이터의 포집된 스패터를 스패터 크기에 따라 분류하는 수집 모듈(50), 머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 수집 모듈(50)에서 일부의 카운트된 용접 전류/전압 데이터를 입력으로 하고 스패터 크기별로 분류된 데이터를 출력으로 하여 학습하는 학습 모듈(60)을 포함한다.As shown in FIG. 2, the machine learning system according to the present invention is a machine learning system for predicting spatter of a welding waveform, and an arc welding device 10 for welding by applying a current between a base material and a torch, the arc A detection module 20 that collects welding current and voltage in the welding device 10 and collects spatter, a section setting module 30 that sets a section for each of the welding current and voltage at predetermined intervals, the A count module 40 that counts the welding current and voltage detected by the detection module 20 in correspondence with the section set in the section setting module, and the spatter collected by the count module 40 The collection module 50 classified according to the size of the spatter, using a machine learning or deep learning algorithm, inputs some of the counted welding current/voltage data in the collection module 50 and outputs the data classified by spatter size. It includes a learning module 60 to learn by.

또 본 발명에 따른 머신 러닝 시스템은 용접 파형의 스패터 예측 정확도를 확보하기 위해 도 3에 도시된 바와 같이, 상기 학습모듈(60)에서 학습 및 검증에 사용되지 않은 카은트된 스패터 데이터로부터 스패터 발생량을 예측하는 스패터 발생량 계산 모듈(70), 상기 스패터 발생량 계산 모듈(70)에서 계산된 스패터 데이터와 상기 수집 모듈(50)에서 수집된 스패터를 비교하는 비교 모듈(80), 상기 비교 모듈(80)에서의 비교 결과에 따라 예측된 스패터 크기 데이터에 대해 평균절대오차를 계산하여 스패터 발생 예측의 정확도를 판정하는 예측 정확도 판정 모듈(90)을 더 포함한다.In addition, the machine learning system according to the present invention, as shown in Fig. 3, in order to secure the spatter prediction accuracy of the welding waveform, the spatter data from the counted spatter data not used for learning and verification in the learning module 60 A spatter generation amount calculation module 70 that predicts an amount of spatter generation, a comparison module 80 that compares the spatter data calculated by the spatter generation amount calculation module 70 and the spatter collected by the collection module 50, A prediction accuracy determination module 90 for determining an accuracy of spatter generation prediction by calculating an average absolute error for spatter size data predicted according to the comparison result of the comparison module 80 is further included.

또한, 본 발명에 따른 머신 러닝 시스템은 현장에서 예를 들어 단락 파형인 용접 파형의 스패터 예측을 위한 장치로서 PC 또는 임베디드 시스템에 적용될 수 있다.In addition, the machine learning system according to the present invention can be applied to a PC or an embedded system as a device for predicting spatter of a welding waveform that is a short-circuit waveform in the field.

이를 위해 PC 또는 임베디드 시스템은 도 4에 도시된 바와 같이, 용접현장에 마련된 아크 용접 장치(10)에서 검출 모듈(20)에 의해 검출된 용접 전류 및 전압에 대해 구간 설정 모듈(30)에서 설정된 구간에 대응시켜 카운트하는 카운트 모듈(40), 상기 카운트 모듈(40)에서 카운트 된 데이터와 상기 학습모듈(60)에서 학습된 파라미터를 이용하여 스패터 발생량을 계산하여 단락 파형의 스패터 크기별 예측 정보를 표시하는 디스플레이 모듈(100), 상기 디스플레이 모듈(100)에 표시된 용접 파형의 스패터 예측 정보를 서버로 전송하는 네트워크 모듈(110)을 포함할 수 있다.For this, the PC or the embedded system is a section set in the section setting module 30 for the welding current and voltage detected by the detection module 20 in the arc welding device 10 provided at the welding site, as shown in FIG. 4. A count module 40 that counts in response to and calculates the amount of spatter generated by using the data counted in the count module 40 and the parameters learned in the learning module 60 to obtain prediction information for each spatter size of the short waveform. It may include a display module 100 to display, and a network module 110 that transmits spatter prediction information of the welding waveform displayed on the display module 100 to a server.

본 발명에 따른 머신 러닝 시스템은 용접 파형의 스패터 예측을 위해, 상기 머신 러닝에서는 상기 학습모듈(60)에서 얻어진 신경망 상수 w(weight)와 b(bias)를 이용하여 아크용접 장치(10)가 마련된 현장에서 PC 또는 임베디이드 시스템에서 실시간으로 단락 파형의 스패터를 예측하고, 예측된 값을 디스플레이 모듈(100)에 표시하고, 네트워크 모듈(110)를 통하여 서버에 전송하여 스마트 공장에서 품질관리를 위한 데이터를 제공할 수 있다. The machine learning system according to the present invention uses the neural network constants w (weight) and b (bias) obtained from the learning module 60 in the machine learning to predict the spatter of the welding waveform, and the arc welding device 10 Predicts spatter of short-circuit waveforms in real time from a PC or embedded system at the prepared site, displays the predicted value on the display module 100, and transmits it to the server through the network module 110 for quality control in a smart factory You can provide data for

상기 아크용접 장치(10)는 통상의 용접장치로서 특정 장치에 한정되는 것은 아니며, 상기 검출 모듈(20)은 특정의 모재에 아크용접을 진행하는 상태에서 아크용접에 제어되는 전류 및 전압을 실시간으로 검출하고, 이 검출 값은 A/D 컨버터에 의해 디지털 값으로 변환되어 카운터 모듈(40)에 공급된다.The arc welding device 10 is a conventional welding device and is not limited to a specific device, and the detection module 20 monitors the current and voltage controlled for arc welding in real time while arc welding is performed on a specific base material. Is detected, and this detected value is converted into a digital value by the A/D converter and supplied to the counter module 40.

또 상기 검출 모듈(20)은 용접전압 및 전류 정보를 수집하고, 용접 진행 과정에서 스패터 포집기 내부에서 용접이 실시되고 용접이 종료된 후에 스패터를 포집할 수 있다. 이와 같은 용접 파형 측정 데이터 조건으로서는 예를 들어 10khz sampling rate(1분), 전류(0~700A), 전압(0~80V)을 적용하고, 송급속도(전류): 4m, 5m, 6m, 7m, 8m, 9m, 용접 전압은 각 전류별 3 level, 각각 3번 반복하여 총 데이터 수 54개(=6 * 3 * 3)를 마련할 수 있다.In addition, the detection module 20 may collect welding voltage and current information, and may collect spatter after welding is performed inside the spatter collector during the welding process and welding is completed. For such welding waveform measurement data conditions, for example, 10khz sampling rate (1 minute), current (0~700A), voltage (0~80V) are applied, and feed rate (current): 4m, 5m, 6m, 7m, For 8m, 9m, welding voltage, 3 levels for each current, and repeated 3 times each, a total number of data of 54 (=6 * 3 * 3) can be prepared.

상기 구간 설정 모듈(30)은 상기 검출 모듈(20)에서 검출된 0~80V의 전압 범위에서 예를 들어, 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088개의 데이터로 표현하게 한다.The section setting module 30 divides the voltage range of 0~80V detected by the detection module 20 into 16 sections, for example, at 5V intervals, and the current is in the range of 20~700A at 10A intervals. Thus, it is divided into 68 sections and expressed as 16*68=1,088 data.

상기 카운터 모듈(40)은 전압을 x 축으로 하고 전류를 y축으로 하여 상기 구간 설정 모듈(30)에서 설정된 구간의 전압과 전류, 예를 들어, 전압이 21V이고, 전류가 199A이면, 전압인 x축은 21V/5V = 4번째, 전류인 y축은 (199A-20A)/10A = 17번째로서, xy 좌표(4,17) 메모리에 1을 카운트한다. 상술한 구간 설정 모듈(30) 및 카운트 모듈(40)에 의해 예를 들어, 1분 용접시 측정된 파형 데이터는 종래의 1,200,000개의 데이터를 총 1,088개의 데이터로서 카운트되어 0.09%로 압축된다.The counter module 40 uses the voltage as the x-axis and the current as the y-axis, and the voltage and current in the section set in the section setting module 30, for example, if the voltage is 21V and the current is 199A, the voltage is The x-axis is 21V/5V = 4th, and the y-axis of current is (199A-20A)/10A = 17th, and 1 is counted in the xy coordinate (4,17) memory. Waveform data measured during 1 minute welding, for example, by the section setting module 30 and the count module 40 described above, are counted as a total of 1,088 data of 1,200,000 conventional data and compressed to 0.09%.

도 5는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법에서 X축 전압 레벨/y축 전류 레벨을 카운트한 화면의 일 예를 나타내고, 도 6은 도 5에 나타낸 바와 같이 카운트한 데이터를 등고선도(contour mapping)로 나타낸 도면이다.5 shows an example of a screen for counting the X-axis voltage level/y-axis current level in the machine learning system and method for spatter prediction of a welding waveform according to the present invention, and FIG. 6 is a count as shown in FIG. It is a diagram showing one data in a contour mapping.

상기 수집 모듈(50)은 스패터 수집을 위해 스패터를 예를 들어, 4개의 크기, 즉 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S로 분류하여 무게 측정하고, 총 스패터량을 계산하여 수집할 수 있다.For spatter collection, the collection module 50 has four sizes, for example, S <250 μm, 250 μm ≤ S <500 μm, 500 μm ≤ S <1000 μm, 1000 μm ≤ S. It can be classified and weighed, and the total amount of spatter can be calculated and collected.

총 스패터 발생량은 도 7과 같다. 도 7은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 적용하기 위한 스패터 포집 실험에 의한 스패터의 분포도이다. 스패터 발생량은 용접재료 100g를 녹였을 때 발생하는 스패터 무게로, 즉 %로 표시할 수 있으며, 또는 1분간 발생하는 스패터 발생량은 g/min으로 표시 가능하다.The total amount of spatter generated is shown in FIG. 7. 7 is a distribution diagram of spatter according to a spatter collection experiment applied to a machine learning system for predicting spatter of a welding waveform according to the present invention. The amount of spatter generated can be expressed as the weight of spatter generated when 100 g of the welding material is melted, that is, in %, or the amount of spatter generated for one minute can be expressed in g/min.

또 스패터의 크기별 분포도는 도 8과 같다. 도 8은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 적용하기 위한 스패터 포집 실험에 의한 스패터의 크기별 분포 그래프이다. In addition, the distribution of spatters by size is shown in FIG. 8. 8 is a distribution graph for each size of spatter according to a spatter collection experiment applied to a machine learning system for predicting spatter of a welding waveform according to the present invention.

상기 학습 모듈(60)은 상기 수집 모듈(50)에 의해 측정된 스패터 데이터에 대한 머신 러닝을 위해 마련되고, 상기 수집 모듈(50)에서 수집된 스패터 데이터의 60~80%, 바람직하게는 70%를 학습 데이터로 사용하고, 상기 스패터 데이터의 20~30%, 바람직하게는 15%를 학습 검증 테이터로 사용할 수 있다. 본 발명에 따른 머신 러닝 시스템의 학습 모듈(60)에서는 예를 들어 학습 데이터 수 38개(단락 파형 제어 2번 파형)를 학습 데이터로 사용하고, 검증 데이터 8개(random sampling)를 사용할 수 있다. 또 상기 학습 모듈(60)은 신경망 레이어의 구조를 나타내는 도 9에 도시된 바와 같이, 1,088개의 입력 데이터를 위해 10개의 은닉층(Hidden layer)과 크기별로 분류된 4개의 데이터와 총 스패터량 1개를 포함하여 5개의 출력층(Output layer)를 통해 학습 된다. The learning module 60 is provided for machine learning on the spatter data measured by the collection module 50, and 60 to 80% of the spatter data collected by the collection module 50, preferably 70% may be used as training data, and 20 to 30%, preferably 15%, of the spatter data may be used as learning verification data. In the learning module 60 of the machine learning system according to the present invention, for example, 38 pieces of training data (waveform No. 2 for short waveform control) may be used as training data and 8 pieces of verification data (random sampling) may be used. In addition, as shown in FIG. 9 showing the structure of a neural network layer, the learning module 60 includes 10 hidden layers for 1,088 input data, 4 data classified by size, and 1 total spatter amount. It is learned through 5 output layers including.

도 9는 도 2에 도시된 방법 학습 모듈의 구조를 예시적으로 나타낸 블록도 이며, 상기 학습 모듈(60)은 예를 들어 최적화 알고리즘으로서 bayesian regularization backpropagation을 적용하고, 딥러닝 프로그램으로서 matlab2019a Deep learning Toolbox을 사용한다. 9 is a block diagram schematically showing the structure of the method learning module shown in FIG. 2, wherein the learning module 60 applies bayesian regularization backpropagation as an optimization algorithm, for example, and matlab2019a Deep learning Toolbox as a deep learning program. Use.

상기 스패터 발생량 계산 모듈(70)은 상기 학습 모듈(60)에서 도 9에 도시한 바와 같이 학습된 파라미터 w와 b를 적용하여 학습모듈(60)에서 학습 및 검증에 사용되지 않은 스패터 데이터, 상기 스패터 데이터의 20~30%, 바람직하게는 15%를 이용하여 스패터 발생량을 계산하고, 예를 들어 학습 데이터 수 38개(단락 파형 제어 2번 파형)이고, 검증 데이터 8개(random sampling)를 사용하는 경우, 테스트 데이터 8개(random sampling)를 적용할 수 있.The spatter generation amount calculation module 70 applies the parameters w and b learned in the learning module 60 as shown in FIG. 9 to provide spatter data not used for learning and verification in the learning module 60, Calculate the amount of spatter generated using 20 to 30%, preferably 15% of the spatter data, for example, 38 pieces of training data (short waveform control 2nd waveform), and 8 verification data (random sampling ), 8 test data (random sampling) can be applied.

상기 비교 모듈(80)은 상기 수집 모듈(50)에서 수집된 스패터와 비교한다.The comparison module 80 compares the spatter collected by the collection module 50.

상기 예측 정확도 판정 모듈(90)은 상기 비교 모듈(80)에서의 비교 결과에 따라 예측 정확도 계산을 실행한다. 예측 정확도 계산은 평균절대오차(MAE(mean absolute error))를 하기 식으로 계산하여 정확도를 (100 - 평균 절대오차 %)로 계산한다.The prediction accuracy determination module 90 executes prediction accuracy calculation according to the comparison result in the comparison module 80. In the calculation of prediction accuracy, the mean absolute error (MAE) is calculated using the following equation, and the accuracy is calculated as (100-mean absolute error %).

Figure 112019097349118-pat00002
…(식)
Figure 112019097349118-pat00002
… (expression)

상기 식에서 n: 데이터수, εk : 예측에러In the above equation, n: number of data, ε k : prediction error

상기 디스플레이 모듈(100)에서는 현장에서의 아크용접 장치에서 파형을 실시간으로 상기 검출 모듈(20)에 의해 검출된 용접 전류 및 전압에 대해 상기 구간 설정 모듈에서 설정된 구간에 대응시켜 카운트하는 카운트 모듈(40), 상기 카운트 모듈(40)에서 카운트 된 데이터와 학습 모듈(60)에서 학습된 신경망 파라미터(w와 b)를 이용하여 PC 또는 임베디드 시스템(embedded system)에서 스패터 발생량을 계산(예측값)하여 도 10에 도시된 바와 같이, 실시간으로 표시하여 현장에서 사용할 수 있으며 품질관리에 적용할 수 있도록 표시하고, 상기 디스플레이 모듈(100)에 표시된 스패터 예측 정보는 네트워크 모듈(110)을 통해 서버로 전송되고, 이에 따라 아크용접 장치(10)에서의 용접에 대한 품질 관리를 원격지에서 실행할 수도 있다. In the display module 100, a count module 40 that counts the waveform in real time from the arc welding device in the field by corresponding to the section set in the section setting module for the welding current and voltage detected by the detection module 20. ), using the data counted in the count module 40 and the neural network parameters (w and b) learned in the learning module 60, the amount of spatter generated in a PC or embedded system is calculated (predicted value). As shown in Fig. 10, it can be displayed in real time to be used in the field and applied to quality control, and the spatter prediction information displayed on the display module 100 is transmitted to the server through the network module 110 Accordingly, quality control for welding in the arc welding device 10 may be performed at a remote location.

도 10은 도 4에 도시된 디스플레이 모듈에 표시된 상태의 일 예를 나타내는 도면 이다.10 is a diagram illustrating an example of a state displayed on the display module shown in FIG. 4.

또 PC나 인베디드 시스템에서 미리 설정된 스패터 발생량의 상한선을 초과하면 스패터 발생량 경고를 작업자에게 알릴 수 있도록 경고 수단을 마련할 수도 있다. 이와 같은 경고 수단으로서는 예를 들어 적색 램프의 점등 또는 경고음 발생 기기에 의해 실현될 수 있다.In addition, if the upper limit of the amount of spatter generated in a PC or embedded system is exceeded, a warning means may be provided to notify the operator of the amount of spatter generated. As such a warning means, it can be realized, for example, by lighting a red lamp or a warning sound generating device.

또한, 본 발명에 따른 머신 러닝 시스템에서는 상기 스패터 발생량 계산 모듈(70) 또는 디스플레이 모듈(100)에 의해 수집 모듈(50)에서 측정된 파형데이터와 예측된 스패터 발생량에 관한 정보를 저장하는 데이터베이스를 더 포함할 수도 있다.In addition, in the machine learning system according to the present invention, a database for storing waveform data measured by the collection module 50 by the spatter generation amount calculation module 70 or the display module 100 and information on the predicted spatter generation amount It may further include.

한편, 상기 실시 예에서는 구간 설정 모듈(30), 카운트 모듈(40), 학습 모듈(50), 스패터 발생량 계산 모듈(70), 비교 모듈(80), 예측 정확도 판정 모듈(90)을 각각 구분하여 설명하였지만, 이에 한정되는 것은 아니고, 임베디드 시스템의 제어부에 의해 실행될 수 있다. 즉 상기 제어부는 예를 들어, RAM, ROM, CPU, GPU, 버스를 포함할 수 있고, 상술한 머신 러닝을 위한 각각의 구성 요소가 프로그램에 의해 실행되는 구조로 마련될 수 있다.Meanwhile, in the above embodiment, the section setting module 30, the count module 40, the learning module 50, the spatter generation amount calculation module 70, the comparison module 80, and the prediction accuracy determination module 90 are classified. Although described above, the present invention is not limited thereto, and may be executed by the control unit of the embedded system. That is, the control unit may include, for example, RAM, ROM, CPU, GPU, and bus, and may be provided in a structure in which each component for machine learning described above is executed by a program.

다음에 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 과정을 도 11 내지 도 18에 따라 설명한다.Next, a machine learning process for predicting spatter of a welding waveform according to the present invention will be described with reference to FIGS. 11 to 18.

도 11은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 과정을 설명하기 위한 공정도 이다.11 is a process diagram illustrating a machine learning process for predicting spatter of a welding waveform according to the present invention.

먼저, 머신 러닝에 필요한 데이터를 수집하기 위하여 모재와 토치의 사이에 전류를 인가하여 아크 용접 장치(10)에서 용접하는 용접 전류 및 전압과 스패터를 검출 모듈(20)에서 검출한다. 이때 용접은 외부와 차단된 스패터 포집기 내에서 용접을 실시하며, 용접 전류와 전압은 AD 컨버터를 통하여 파일로 저장하고, 스패터는 용접이 끝난 후에 포집한다(S10).First, in order to collect data necessary for machine learning, a current is applied between the base material and the torch to detect the welding current, voltage, and spatter welded by the arc welding apparatus 10 by the detection module 20. At this time, welding is performed in a spatter collector blocked from the outside, welding current and voltage are stored as a file through an AD converter, and spatter is collected after welding is completed (S10).

상기 단계 S10에서 검출된 용접 전류 및 전압에 대해 구간 설정 모듈(30)에서 각각 소정의 간격으로 하여 구간을 설정한다(S20). 상기 단계 S20에서는 예를 들어 검출 모듈(20)에서 검출된 0~80V의 전압 범위에서 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088 개의 데이터로 표현되게 할 수 있다.In the section setting module 30, the section setting module 30 sets the section at a predetermined interval for the welding current and voltage detected in step S10 (S20). In the step S20, for example, the voltage range detected by the detection module 20 is divided into 16 sections at 5V intervals, and the current is divided into 68 sections at 10A intervals in the range of 20 to 700A. Thus, it can be expressed as 16*68=1,088 data.

다음에 상기 단계 S10에서 검출된 용접 전류 및 전압에 대해 상기 단계 S20에서 설정된 구간에 대응시켜 카운트 모듈(40)에서 카운트를 실행하고, 검출 모들(20)에서 포집된 스패터는 수집 모듈(50)에서 메시(mesh)가 다른 체(sieve)를 이용하여 스패터의 크기에 따라 분리하여 스패터 데이터를 수집한다(S30).Next, the welding current and voltage detected in the step S10 are counted in the count module 40 in correspondence with the period set in the step S20, and the spatter collected in the detection module 20 is collected in the collecting module 50. Spatter data is collected by separating the mesh according to the size of the spatter using a different sieve (S30).

상기 카운트는 전압을 x 축으로 하고 전류를 y축으로 하여 상기 단계 S20에서 설정된 구간의 전압과 전류, 예를 들어, 전압이 21V이고, 전류가 199A이면, 전압인 x축은 21V/5V = 4번째, 전류인 y축은 (199A-20A)/10A = 17번째로서, xy 좌표(4,17) 메모리에 1을 카운트 하는 방식으로 실행된다. The count is the voltage and current in the section set in step S20 with the voltage as the x-axis and the current as the y-axis, for example, if the voltage is 21V and the current is 199A, the x-axis of the voltage is 21V/5V = 4th , The y-axis, which is the current, is (199A-20A)/10A = 17th, and is executed by counting 1 in the xy coordinate (4,17) memory.

상기 단계 S10 내지 S30에서는 본 발명에 따른 딥러닝 학습데이터를 이용하여 예측 정확도를 평가하기 위해 측정된 전압전류 파형과 스패터량(g)을 측정하고, 측정 데이터로서 예를 들어, 총 54개(용접전류조건 6 조건, 각 전류당 전압 3 level, 3회 반복)를 마련한다. 또 상기 단계 S30에서 스패터 데이터는 총 스패터량과 스패터의 크기를 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S의 4개로 분류하여 수집할 수 있다.In the steps S10 to S30, the measured voltage and current waveform and the amount of spatter (g) are measured in order to evaluate the prediction accuracy using the deep learning learning data according to the present invention, and as measured data, for example, a total of 54 (welding Current condition 6 conditions, voltage for each current 3 level, repeat 3 times). In the step S30, the spatter data is collected by classifying the total amount of spatter and the size of the spatter into S <250 μm, 250 μm ≤ S <500 μm, 500 μm ≤ S <1000 μm, and 1000 μm ≤ S. I can.

다음에, 상기 단계 S30에서 카운트 된 데이터를 활용하고 머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 단계 S30에서 수집된 스패터 데이터의 일부로 스패터의 발생을 예측하고 검증하도록 학습한다(S40). 예를 들어 상술한 54개의 측정 데이터를 가지고 학습 모듈(60)에서 딥러닝 데이터로 활용하기 위해 예를 들어, 38개 데이터가 학습 데이터로 사용되고, 8개의 데이터가 학습시 검증 데이터로 사용될 수 있다.Next, it learns to predict and verify the occurrence of spatter as part of the spatter data collected in step S30 by using the data counted in step S30 and using machine learning or deep learning algorithms (S40). For example, in order to use the above 54 measurement data as deep learning data in the learning module 60, for example, 38 data may be used as training data and 8 data may be used as verification data during training.

이어서, 상기 단계 S40에서 학습 및 검증에 사용되지 않은 용접 전류와 전압 파형으로부터 스패터 발생량 계산 모듈(70)에서 스패터 발생량을 계산하고, 상기 단계 S40에서 학습 및 검증에 사용되지 않은 스패터 발생량 데이터를 이용하여 예측 정확도 판정 모듈(90)에서 단락 파형의 스패터 발생 예측의 정확도를 판정한다(S50). 상기 단계 S50에서는 예를 들어 상기 단계 S40에서 학습하지 않은 용접 파형 데이터 8개를 활용하여 스패터를 예측하고, 예측된 스패터 데이터와 상기 단계 S40에서 학습하지 않은 스패터 데이터와 비교하여 그 정확도를 평가하게 할 수 있다. Subsequently, the spatter generation amount calculation module 70 calculates the spatter generation amount from the welding current and voltage waveforms that are not used for learning and verification in step S40, and the spatter generation amount data not used for learning and verification in step S40. By using the prediction accuracy determination module 90, the accuracy of the spatter generation prediction of the short-circuit waveform is determined (S50). In the step S50, for example, the spatter is predicted using eight welding waveform data not learned in the step S40, and the accuracy is compared with the predicted spatter data and the spatter data not learned in the step S40. Can be made to evaluate.

상기 단계 S50에서 예측 정확도 계산은 평균절대오차(MAE(mean absolute error))를 하기 식으로 계산하여 정확도를 (100 - 평균 절대오차 %)로 계산할 수 있다.In the calculation of the prediction accuracy in step S50, the accuracy may be calculated as (100-mean absolute error %) by calculating a mean absolute error (MAE) by the following equation.

상기 단계 S50에서 판정된 스패터 예측 정확도가 90% 이상이면, 용접 현장에서 활용할 수 있도록 상기 학습된 파라미터(S40)를 이용하여 PC나 임베디이드 시스템에서 스패터 발생량을 계산할 수 있도록 구축할 수 있다. If the spatter prediction accuracy determined in step S50 is 90% or more, it can be constructed to calculate the amount of spatter generated in a PC or embedded system using the learned parameter (S40) so that it can be used at the welding site. .

도 12는 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템이 현장에 적용되는 예측 장치에서의 공정도 이다.12 is a process diagram in a prediction apparatus to which a machine learning system for predicting spatter of a welding waveform according to the present invention is applied to a field.

도 12에 도시된 바와 같이, 용접현장에 마련된 아크 용접 장치(10)에서 실시간으로 용접 전류/전압을 검출하고(S100), 동시에 상기 단계S100에 의해 검출된 용접 전류 및 전압에 대해 구간 설정 모듈(30)에서 구간을 설정하며(S110) 카운트 모듈(40)에서 구간 대응 카운트를 실행한다(S120). 상기 단계 S120에서 카운트된 데이터에서 예측 정확도 최대인 상수 w(weight)와 b(bias) matrx를 이용하여 단락 파형의 스패터 발생량을 계산한다(S130, 140). 게속해서 예측된 스패터 발생량 정보를 디스플레이 모듈에 표시하고(S150), 상기 단계 S150에서 표시된 단락 파형의 스패터 예측 정보를 서버로 전송하여(R60) 스마트공장 시스템과 연결하면 용접에 관한 품질관리를 실시간으로 실행할 수 있다.As shown in FIG. 12, the arc welding apparatus 10 provided at the welding site detects the welding current/voltage in real time (S100), and at the same time, a section setting module for the welding current and voltage detected by the step S100 ( In 30), the section is set (S110), and the section corresponding count is executed in the count module 40 (S120). The amount of spatter generated in the short-circuit waveform is calculated using constants w (weight) and b (bias) matrx, which are the maximum prediction accuracy from the data counted in step S120 (S130, 140). Subsequently, the predicted spatter generation amount information is displayed on the display module (S150), and the spatter prediction information of the short-circuit waveform displayed in the step S150 is transmitted to the server (R60), and when connected to the smart factory system, quality control for welding is performed. It can be executed in real time.

한편, 학습 모듈(60)에서의 딥러닝 시 랜덤 샘플링(random sampling)에 의해 딥러닝 결과가 달라질 수 있으므로, 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서는 3회 반복 실시하였다.On the other hand, since the deep learning result may be changed by random sampling during deep learning in the learning module 60, the machine learning method for predicting spatter of a welding waveform according to the present invention was repeated three times.

도 13은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 방법에서 학습 정확도를 위한 1차 머신 러닝 결과를 나타내는 도면으로서, 도 13에 도시된 바와 같이, 약 1시간 4분이 소요되었다.FIG. 13 is a diagram showing a first-order machine learning result for learning accuracy in the machine learning method for predicting spatter of a welding waveform according to the present invention, and as shown in FIG. 13, it took about 1 hour and 4 minutes.

한편, 1차 머신 러닝 방법에서는 학습 정확도를 계산하기 위한 테스트 데이터로서 랜덤하게 5, 11, 23, 31, 33, 37, 39, 48 번째 데이터가 선택되었다. 각각 데이터는 S30에서 카운트된 1,088개의 데이터와 수집 모듈(50)에서 수집된 데이터 셋트로 구성되 있다. Meanwhile, in the first-order machine learning method, 5th, 11th, 23rd, 31st, 33rd, 37th, 39th, and 48th data were randomly selected as test data for calculating learning accuracy. Each data consists of 1,088 data counted in S30 and a data set collected in the collection module 50.

수집 모듈(50)에서 수집된 스패터 크기는 하기 표 1과 같다.The spatter size collected by the collection module 50 is shown in Table 1 below.

Figure 112019097349118-pat00003
Figure 112019097349118-pat00003

1차 머신 러닝에서 학습된 파라메터를 이용하여 8개의 테스트 데이터 세트를 이용하여 스패터 발생량 계산 모듈(70)에서 입력된 xx matrx 8개의 데이터에 대해 yy matrix 에 스패터 발생량 예측 값을 출력하도록 하였다. 여기서 net 함수는 학습된 데이터가 기억되어 있고, net 함수를 이용하여 스패터 발생량을 예측할 수 있다. Using the parameters learned in the first machine learning, 8 test data sets were used to output spatter generation prediction values in the yy matrix for 8 xx matrx data input from the spatter generation calculation module 70. Here, the net function stores the learned data, and the amount of spatter generation can be predicted using the net function.

1차 머신 러닝된 데이터로부터 8개 데이터를 이용하여 스패터 발생량 계산 결과는 하기와 같다. 그 결과를 표 2에 정리하였다. The result of calculating the amount of spatter generated by using 8 pieces of data from the primary machine-learned data is as follows. The results are summarized in Table 2.

Figure 112019097349118-pat00004
Figure 112019097349118-pat00004

Figure 112019097349118-pat00005
Figure 112019097349118-pat00005

1차 머신 러닝에서 8개의 테스트 데이터를 이용한 표 1의 실험 결과와 표 2의 예측결과를 이용하여, 예측 정확도 판정 모듈(90)에서는 하기 표 3과 같이, 평균 71%의 정확성을 나타내었다.Using the experimental results of Table 1 and the prediction results of Table 2 using 8 test data in primary machine learning, the prediction accuracy determination module 90 showed an average accuracy of 71%, as shown in Table 3 below.

Figure 112019097349118-pat00006
Figure 112019097349118-pat00006

이러한 학습결과는 도 14의 (a)에 나타난 바와 같이, R=1 이였고, 학습 후 8개 샘플을 예측한 결과, 도 14의 (b)에 나타난 바와 같이, R=0.94로서 유의한 결과를 나타내었다.This learning result was R = 1, as shown in Fig. 14(a), and as a result of predicting 8 samples after learning, as shown in Fig. 14(b), a significant result as R = 0.94 Indicated.

도 15는 학습 정확도를 위한 2차 머신 러닝 결과를 나타내는 도면으로서, 도 15에 도시된 바와 같이, 약 43분이 소요되었다.FIG. 15 is a diagram showing a result of secondary machine learning for learning accuracy, and as shown in FIG. 15, it took about 43 minutes.

한편, 2차 머신 러닝에서는 학습 정확도를 계산하기 위한 테스트 데이터로서 랜덤하게 2, 9, 14, 21, 32, 34, 40, 51 번째 데이터가 선택되었다.Meanwhile, in the second machine learning, the 2nd, 9th, 14th, 21st, 32nd, 34th, 40th and 51th data were randomly selected as test data for calculating the learning accuracy.

수집 모듈(50)에서 수집된 스패터 크기는 하기 표 4와 같다.The spatter size collected by the collection module 50 is shown in Table 4 below.

Figure 112019097349118-pat00007
Figure 112019097349118-pat00007

2차 머신 러닝 방법에서 테스트 데이터를 이용하여 스패터 예측을 위해 학습 모듈(60)에서는 입력된 xx matrx 8개의 데이터에 대해 yy matrix 예측 값을 출력하도록 하였다.For spatter prediction using test data in the second machine learning method, the learning module 60 outputs a yy matrix prediction value for 8 inputted xx matrx data.

2차 머신 러닝된 데이터로부터 8개 데이터를 이용하여 스패터 발생량 계산 결과는 하기와 같다. 그 결과를 표 5에 정리하였다. The result of calculating the amount of spatter generated by using 8 pieces of data from the secondary machine-learned data is as follows. The results are summarized in Table 5.

Figure 112019097349118-pat00008
Figure 112019097349118-pat00008

Figure 112019097349118-pat00009
Figure 112019097349118-pat00009

2차 머신 러닝에서 8개의 테스트 데이터를 이용한 표 4의 실험 결과와 표 5의 예측결과를 이용하여, 예측 정확도 판정 모듈(90)에서는 하기 표 6과 같이, 평균 85%의 정확성을 나타내었다.Using the experimental results of Table 4 and the prediction results of Table 5 using 8 test data in secondary machine learning, the prediction accuracy determination module 90 showed an average accuracy of 85%, as shown in Table 6 below.

Figure 112019097349118-pat00010
Figure 112019097349118-pat00010

2차 학습결과는 도 16의 (a)에 나타난 바와 같이, R=1 이였고, 학습 후 8개 샘플을 예측한 결과, 도 16의 (b)에 나타난 바와 같이, R=0.98로서 유의한 결과를 나타내었다.The secondary learning result was R = 1, as shown in Fig. 16(a), and the result of predicting 8 samples after learning, as shown in Fig. 16(b), a significant result as R = 0.98 Is shown.

도 17은 학습 정확도를 위한 3차 머신 러닝 결과를 나타내는 도면으로서, 도 16에 도시된 바와 같이, 약 50분이 소요되었다.FIG. 17 is a diagram illustrating a third-order machine learning result for learning accuracy, and as shown in FIG. 16, it took about 50 minutes.

한편, 3차 머신 러닝 방법에서는 학습 정확도를 계산하기 위한 테스트 데이터로서 랜덤하게 6, 19, 28, 30, 32, 35, 47, 50 번째 데이터가 선택되었다.Meanwhile, in the 3rd machine learning method, the 6th, 19th, 28th, 30th, 32nd, 35th, 47th, and 50th data were randomly selected as test data for calculating the learning accuracy.

수집 모듈(50)에서 수집된 스패터 크기는 하기 표 7과 같다.The spatter sizes collected by the collection module 50 are shown in Table 7 below.

Figure 112019097349118-pat00011
Figure 112019097349118-pat00011

한편, 학습 모듈(60)의 3차 머신 러닝 방법에서 테스트 데이터를 이용하여 스패터 예측으로서 예측 데이터는 하기 표 8과 같다.Meanwhile, predicted data as spatter prediction using test data in the tertiary machine learning method of the learning module 60 are shown in Table 8 below.

Figure 112019097349118-pat00012
Figure 112019097349118-pat00012

3차 머신 러닝 방법에서 8개의 테스트 데이터를 이용한 예측결과, 예측 정확도 판정 모듈(90)에서는 하기 표 9와 같이, 78%의 정확성을 나타내었다.In the third machine learning method, the prediction result using eight test data, and the prediction accuracy determination module 90 showed an accuracy of 78%, as shown in Table 9 below.

Figure 112019097349118-pat00013
Figure 112019097349118-pat00013

이러한 3차 학습결과는 도 18의 (a)에 나타난 바와 같이, R=1 이였고, 학습 후 8개 샘플을 예측한 결과, 도 18의 (b)에 나타난 바와 같이, R=0.99로서 유의한 결과를 나타내었다.This third learning result was R = 1, as shown in Fig. 18(a), and as a result of predicting 8 samples after learning, as shown in Fig. 18(b), it was significant as R = 0.99. The results are shown.

다음에 여러 가지 파형의 머신 러닝 테스트에 대해 도 19 및 도 20에 따라 설명한다.Next, machine learning tests of various waveforms will be described with reference to FIGS. 19 and 20.

도 19는 단락 기본 파형과 단락 파형제어 파형을 나타내는 도면이고, 도 20은 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템에 의한 딥러닝 학습 결과를 나타내는 도면이다.19 is a diagram showing a short-circuit basic waveform and a short-circuit waveform control waveform, and FIG. 20 is a diagram illustrating a result of deep learning learning by a machine learning system for spatter prediction of a welding waveform according to the present invention.

2가지 파형에 대한 딥러닝을 위해 도 19의 (a)와 같이, 단락 기본 파형 자료로서 측정된 전압전류 파형과 스패터량(g) 측정을 마련하고, 측정 데이터는 총 9개, 즉 용접전류조건 3 조건(각 전류당 전압 3 level)을 3회 반복하여 마련하였다.For deep learning for the two waveforms, as shown in Fig. 19(a), the measured voltage current waveform and the spatter amount (g) are measured as short-circuit basic waveform data, and the measured data is a total of 9, that is, the welding current condition. 3 conditions (3 levels of voltage per current) were repeated 3 times.

또 도 19의 (b)와 같이, 단락 파형 제어 파형 자료로서 측정된 전압전류 파형과 스패터량(g) 측정을 마련하고, 측정 데이터는 총 64개, 즉 용접전류조건 6 조건(각 전류당 전압 3 level)을 3회 반복하여 마련하였다.In addition, as shown in (b) of Fig. 19, a voltage current waveform and a spatter amount (g) measured as short-circuit waveform control waveform data are prepared, and a total of 64 measured data, that is, 6 welding current conditions (voltage per current 3 level) was prepared by repeating 3 times.

도 9에 도시된 바와 같은 학습 모듈의 구조에서, 1,088개의 입력 데이터를 위해 10개의 은닉층(Hidden layer)과 크기별로 분류된 4개의 데이터와 총 스패터량 1개를 포함하여 5개의 출력층(Output layer)를 통해 학습 된다. 이를 위해 상기 학습 모듈(60)은 딥러닝 학습조건으로서 예를 들어, 최적화 알고리즘으로서 bayesian regularization backpropagation을 적용하고, 딥러닝 프로그램으로서 matlab2019a Deep learning Toolbox을 사용한다. In the structure of the learning module as shown in FIG. 9, 5 output layers including 10 hidden layers for 1,088 input data, 4 data classified by size, and 1 total spatter amount Is learned through. To this end, the learning module 60 applies bayesian regularization backpropagation as a deep learning learning condition, for example, as an optimization algorithm, and uses matlab2019a Deep learning Toolbox as a deep learning program.

본 발명에 따른 머신 러닝 시스템의 학습 모듈(60)에서는 학습 데이터 수 51개(단락 파형 제어 1, 2번 파형), 검증 데이터 11개(random sampling), 테스트 데이터 11개(random sampling)를 적용하였다.In the learning module 60 of the machine learning system according to the present invention, 51 pieces of training data (short waveform control 1 and 2 waveforms), 11 verification data (random sampling), and 11 test data (random sampling) were applied. .

이와 같은 딥러닝 학습 결과는 도 20에 도시된 바와 같이, 학습은 R=1로 두 가지 종류의 파형 학습이 유의한 결과를 보임을 알 수 있고, 예측 데이터도 R=0.977로 매우 높음을 알 수 있었다.As shown in FIG. 20, the deep learning learning result is R = 1, and it can be seen that the two types of waveform learning have significant results, and the predicted data is also very high, R = 0.977. there was.

따라서 본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법은 파형 종류에 관계없이 다양한 용접 품질 딥러닝에 활용될 수 있다. Therefore, the machine learning system and method for predicting spatter of a welding waveform according to the present invention can be used for various welding quality deep learning regardless of the waveform type.

이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.Although the invention made by the present inventor has been described in detail according to the above embodiment, the invention is not limited to the above embodiment, and can be changed in various ways without departing from the gist of the invention.

본 발명에 따른 용접 파형의 스패터 예측을 위한 머신 러닝 시스템 및 방법을 사용하는 것에 의해 스패터 발생량 측정 데이터를 학습하여 예측을 실시간에 고속으로 정확하게 실행하며, 학습된 파라미터를 이용하여 현장에서 PC 또는 임베디이드 시스템를 이용하여 스패터 발생량을 실시간으로 계산할 수 있다.By using the machine learning system and method for spatter prediction of the welding waveform according to the present invention, the spatter generation amount measurement data is learned and the prediction is accurately executed in real time at high speed, and the learned parameter is used on a PC or The amount of spatter generated can be calculated in real time by using the embedded system.

10 : 아크용접 장치
20 : 검출 모듈
30 : 구간 설정 모듈
40 : 카운트 모듈
50 : 수집 모듈
60 : 학습 모듈10: arc welding device
20: detection module
30: section setting module
40: count module
50: acquisition module
60: learning module

Claims (14)

모재와 토치의 사이에 전류를 인가하여 용접하는 아크용접 장치,
상기 아크용접 장치에서의 용접 전류 및 전압을 수집하고 스패터를 포집하는 검출 모듈,
상기 용접 전류 및 전압에 대해 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 모듈,
상기 검출 모듈에 의해 검출된 용접 전류 및 전압에 대해 상기 구간 설정 모듈에서 설정된 구간에 대응시켜 카운트하는 카운트 모듈,
상기 카운트 모듈에서 카운트된 데이터의 포집된 스패터를 스패터 크기에 따라 분류하는 수집 모듈,
머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 수집 모듈에서 일부의 카운트된 용접 전류/전압 데이터를 입력으로 하고 스패터 크기별로 분류된 데이터를 출력으로 하여 학습하는 학습 모듈을 포함하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.An arc welding device that applies a current between the base material and the torch to weld,
A detection module for collecting the welding current and voltage in the arc welding device and collecting spatter,
A section setting module for setting a section at predetermined intervals for the welding current and voltage, respectively,
A count module for counting the welding current and voltage detected by the detection module in correspondence with a section set in the section setting module,
A collection module for classifying the collected spatter of the data counted by the count module according to the spatter size,
A welding waveform comprising a learning module for learning by inputting some of the welding current/voltage data counted in the collection module using machine learning or deep learning algorithms and outputting data classified by spatter size. Machine learning system for spatter prediction 제1항에서,
상기 학습모듈에서 학습 및 검증에 사용되지 않은 카운트된 데이터로부터 스패터 발생량을 예측하는 스패터 발생량 계산 모듈,
상기 스패터 발생량 계산 모듈에서 계산된 스패터 데이터와 상기 수집 모듈에서 수집된 스패터를 비교하는 비교 모듈,
상기 비교 모듈에서의 비교 결과에 따라 예측된 스패터 크기 데이터에 대해 평균절대오차를 계산하여 스패터 발생 예측의 정확도를 판정하는 예측 정확도 판정 모듈을 더 포함하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In claim 1,
A spatter generation amount calculation module that predicts a spatter generation amount from the counted data not used for learning and verification in the learning module,
A comparison module for comparing the spatter data calculated by the spatter generation amount calculation module and the spatter collected by the collection module,
Spatter prediction of a welding waveform, characterized in that it further comprises a prediction accuracy determination module for determining the accuracy of the spatter generation prediction by calculating an average absolute error for the spatter size data predicted according to the comparison result in the comparison module. Machine learning system for 제2항에서,
상기 검출 모듈은 용접전압 및 전류를 측정하고,
상기 구간 설정 모듈은 0~80V의 전압 범위에서 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088개의 데이터를 설정하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In paragraph 2,
The detection module measures the welding voltage and current,
The section setting module is divided into 16 sections at intervals of 5V in the voltage range of 0~80V, and the current is divided into 68 sections at intervals of 10A in the range of 20~700A to set 16*68=1,088 data. Machine learning system for predicting spatter of a welding waveform, characterized in that. 제2항에서,
상기 수집 모듈은 총 스패터 발생량과 스패터의 크기를 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S의 4개로 분류하여 스패터 발생량을 수집하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In paragraph 2,
The collection module collects the amount of spatter generated by classifying the total amount of spatter generation and the size of the spatter into four of S <250 μm, 250 μm ≤ S <500 μm, 500 μm ≤ S <1000 μm, and 1000 μm ≤ S. Machine learning system for predicting spatter of a welding waveform, characterized in that. 제2항에서,
상기 학습 모듈은 상기 수집 모듈에서 수집된 카운트된 데이터와 스패터 데이터의 60~80%를 학습 데이터로 사용하고, 상기 데이터의 20~30%를 학습 검증 테이터로 사용하며,
상기 예측 정확도 판정 모듈은 상기 데이터의 20~30%를 스패터 발생 예측의 정확도의 테이터로 사용하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In paragraph 2,
The learning module uses 60-80% of the counted data and spatter data collected in the collection module as learning data, and uses 20-30% of the data as learning verification data,
The prediction accuracy determination module is a machine learning system for predicting spatter of a welding waveform, characterized in that using 20 to 30% of the data as data of the accuracy of prediction of spatter generation. 제2항에서,
상기 예측 정확도 판정 모듈에서 예측 정확도 계산은 평균절대오차(MAE(mean absolute error))를 하기 식으로 계산하여 정확도를 (100 - 평균 절대오차 %)로 계산하고,
Figure 112019097349118-pat00014
…(식)
상기 식에서 n: 데이터수, εk : 예측에러인 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In paragraph 2,
In the prediction accuracy determination module, the prediction accuracy is calculated by calculating the mean absolute error (MAE) by the following equation, and the accuracy is calculated as (100-mean absolute error %),
Figure 112019097349118-pat00014
… (expression)
In the above equation, n: number of data, ε k : machine learning system for predicting spatter of welding waveform, characterized in that the prediction error. 제6항에서,
상기 예측 정확도가 가장 높은 학습된 파라미터(w,b)를 이용하여 스패터를 예측하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 시스템.In paragraph 6,
A machine learning system for predicting spatter of a welding waveform, characterized in that the spatter is predicted using the learned parameter (w,b) having the highest prediction accuracy. 청구항 제2항 내지 제7항 중의 어느 한 항의 머신 러닝 시스템,
상기 예측 정확도 판정 모듈에 의해 판정된 스패터 예측 정확도에 따라 현장에서의 용접 파형의 스패터 예측 정보를 표시하는 디스플레이 모듈,
상기 디스플레이 모듈에 표시된 용접 파형의 스패터 예측 정보를 서버로 전송하는 네트워크 모듈을 포함하는 것을 특징으로 하는 PC 또는 임베디드 시스템.The machine learning system of any one of claims 2 to 7,
A display module that displays spatter prediction information of a welding waveform in the field according to the spatter prediction accuracy determined by the prediction accuracy determination module,
PC or embedded system comprising a network module for transmitting the spatter prediction information of the welding waveform displayed on the display module to the server. 제8항에서,
상기 검출 모듈은 현장에서 아크용접을 진행하는 상태에서 아크용접에 제어되는 전류 및 전압을 실시간으로 검출하는 것을 특징으로 하는 PC 또는 임베디드 시스템.In clause 8,
The detection module is a PC or embedded system, characterized in that in real time detecting the current and voltage controlled by the arc welding while the arc welding is in progress in the field. 제8항에서,
미리 설정된 스패터 발생량의 상한선을 초과하면 스패터 발생량 경고를 작업자에게 알릴 수 있는 경고 수단을 더 포함하는 것을 특징으로 하는 PC 또는 임베디드 시스템.In clause 8,
PC or embedded system, characterized in that it further comprises a warning means capable of informing an operator of a spatter generation amount warning when exceeding a preset upper limit of the spatter generation amount. (a) 모재와 토치의 사이에 전류를 인가하여 용접하는 용접 전류 및 전압과 스패터를 검출하는 검출 단계,
(b) 상기 단계 (a)에서 검출된 용접 전류 및 전압에 대해 각각 소정의 간격으로 하여 구간을 설정하는 구간 설정 단계,
(c) 상기 단계 (a)에서 검출된 용접 전류 및 전압에 대해 상기 단계 (b)에서 설정된 구간에 대응시켜 카운트 하는 카운트 단계,
(d) 상기 단계 (c)에서 카운트 된 데이터에서 스패터의 크기에 따라 스패터 데이터를 수집하는 수집 단계,
(e) 머신러닝 또는 딥러닝 알고리즘을 이용하여 상기 단계 (d)에서 수집된 스패터 데이터의 일부로 스패터의 발생을 예측하고 검증하도록 학습하는 학습 단계,
(f) 상기 단계 (e)에서 학습 및 검증에 사용되지 않은 스패터 데이터로부터 스패터 발생량을 예측하여 스패터 발생량을 계산하는 계산 단계,
(g) 상기 단계 (f)에서 계산된 스패터 발생량에 따라 스패터 발생 예측의 정확도를 판정하는 판정 단계를 포함하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 방법.(a) a detection step of applying a current between the base material and the torch to detect welding current and voltage and spatter for welding,
(b) a section setting step of setting a section for each of the welding current and voltage detected in step (a) at predetermined intervals,
(c) a counting step of counting the welding current and voltage detected in step (a) in correspondence with the interval set in step (b),
(d) a collection step of collecting spatter data according to the size of the spatter from the data counted in step (c),
(e) a learning step of learning to predict and verify the occurrence of spatter as part of the spatter data collected in step (d) using machine learning or deep learning algorithms,
(f) a calculation step of calculating the amount of spatter generated by predicting the amount of spatter generated from spatter data not used for training and verification in step (e),
(g) a determination step of determining the accuracy of the spatter generation prediction according to the spatter generation amount calculated in step (f). 제11항에서,
상기 단계 (b)는 0~80V의 전압 범위에서 5V 간격으로 하여 16개 구간으로 구획하고, 전류는 20~700A의 범위에서 10A 간격으로 하여 68개 구간으로 구획하여 16*68=1,088개의 데이터를 마련하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 방법.In clause 11,
The step (b) is divided into 16 sections at intervals of 5 V in the voltage range of 0 to 80 V, and the current is divided into 68 sections at intervals of 10 A in the range of 20 to 700 A, and 16 * 68 = 1,088 data. Machine learning method for predicting spatter of a welding waveform, characterized in that to provide. 제11항에서,
상기 단계 (d)에서 데이터 수집은 총 스패터 발생량과 스패터의 크기를 S < 250㎛, 250㎛ ≤ S < 500㎛, 500㎛ ≤ S < 1000㎛, 1000㎛ ≤ S의 4개로 분류하여 수집하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 방법.In clause 11,
In the step (d), data collection is collected by classifying the total amount of spatter generation and the size of spatter into four categories: S <250 μm, 250 μm ≤ S <500 μm, 500 μm ≤ S <1000 μm, and 1000 μm ≤ S. Machine learning method for predicting spatter of a welding waveform, characterized in that. 제11항에서,
상기 단계 (e)에서는 상기 단계 (d)에서 수집된 카운트된 데이터와 스패터 데이터의 60~80%를 학습 데이터로 사용하고, 상기 데이터의 20~30%를 학습 검증 테이터로 사용하며,
상기 단계 (g)에서 스패터 발생 예측의 정확도는 상기 스패터 데이터의 20~30%를 스패터 발생 예측의 정확도의 테이터로 사용하는 것을 특징으로 하는 용접 파형의 스패터 예측을 위한 머신 러닝 방법.In clause 11,
In step (e), 60 to 80% of the counted data and spatter data collected in step (d) are used as training data, and 20 to 30% of the data are used as learning verification data,
The machine learning method for predicting spatter of a welding waveform, characterized in that the accuracy of spatter generation prediction in step (g) uses 20 to 30% of the spatter data as data of the accuracy of spatter generation prediction.
KR1020190117159A 2019-09-24 2019-09-24 Machine learning system for spatter prediction from welding waveform and method thereof KR102163828B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190117159A KR102163828B1 (en) 2019-09-24 2019-09-24 Machine learning system for spatter prediction from welding waveform and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190117159A KR102163828B1 (en) 2019-09-24 2019-09-24 Machine learning system for spatter prediction from welding waveform and method thereof

Publications (1)

Publication Number Publication Date
KR102163828B1 true KR102163828B1 (en) 2020-10-12

Family

ID=72886409

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190117159A KR102163828B1 (en) 2019-09-24 2019-09-24 Machine learning system for spatter prediction from welding waveform and method thereof

Country Status (1)

Country Link
KR (1) KR102163828B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408226A (en) * 2021-05-10 2021-09-17 浙江大学 Chip power supply network fast-convex current estimation method and system based on deep learning
KR102385816B1 (en) * 2021-01-06 2022-04-12 공주대학교 산학협력단 Method for joining HSS panel for automobile based on stress analysis
CN114888496A (en) * 2022-06-30 2022-08-12 中船黄埔文冲船舶有限公司 Method and device for predicting quantity of medium-assembly welding wires

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR980008416A (en) * 1996-07-30 1998-04-30 신영균 Apparatus and method for reducing spatter of welder
KR19980043841U (en) * 1996-12-26 1998-09-25 김종진 Arc phenomenon and spatter collection device
KR100762419B1 (en) 2001-12-24 2007-10-02 재단법인 포항산업과학연구원 Method for deciding the arc stability of gas metal arc welding
KR100907058B1 (en) 2007-12-14 2009-07-09 현대자동차주식회사 System and method for weld quality assessment system of arc welding
KR20120032119A (en) * 2010-09-28 2012-04-05 이희준 Smart welding control divice and control method
KR20140144589A (en) * 2013-06-11 2014-12-19 포엠인포텍 (주) spot welding monitoring system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR980008416A (en) * 1996-07-30 1998-04-30 신영균 Apparatus and method for reducing spatter of welder
KR19980043841U (en) * 1996-12-26 1998-09-25 김종진 Arc phenomenon and spatter collection device
KR100762419B1 (en) 2001-12-24 2007-10-02 재단법인 포항산업과학연구원 Method for deciding the arc stability of gas metal arc welding
KR100907058B1 (en) 2007-12-14 2009-07-09 현대자동차주식회사 System and method for weld quality assessment system of arc welding
KR20120032119A (en) * 2010-09-28 2012-04-05 이희준 Smart welding control divice and control method
KR20140144589A (en) * 2013-06-11 2014-12-19 포엠인포텍 (주) spot welding monitoring system and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CO2 아크용접에 있어서 다중회귀분석에 의한 아크 끊어짐을 고려한 아크 안정성 예측 모델 개발, 강 문진 등(대한기계학회논문집 A권, 제24권 제8호, pp. 1885~1898, 2000.8)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102385816B1 (en) * 2021-01-06 2022-04-12 공주대학교 산학협력단 Method for joining HSS panel for automobile based on stress analysis
CN113408226A (en) * 2021-05-10 2021-09-17 浙江大学 Chip power supply network fast-convex current estimation method and system based on deep learning
CN114888496A (en) * 2022-06-30 2022-08-12 中船黄埔文冲船舶有限公司 Method and device for predicting quantity of medium-assembly welding wires
CN114888496B (en) * 2022-06-30 2023-08-29 中船黄埔文冲船舶有限公司 Method and device for predicting amount of middle-group welding wire

Similar Documents

Publication Publication Date Title
KR102163828B1 (en) Machine learning system for spatter prediction from welding waveform and method thereof
Zhang et al. Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals
Zhang et al. Multisensor-based real-time quality monitoring by means of feature extraction, selection and modeling for Al alloy in arc welding
CN104457841B (en) Resistance spot welding quality on-line monitoring method
JP5632009B2 (en) Method and apparatus for monitoring welding quality
EP2628561A1 (en) Welding quality determination device
CN102528225B (en) Sound signal transduction and prediction method of GTAW (gas tungsten arc welding) welding fusion penetration state
CN104379291A (en) System and method for monitoring weld quality
JP5622182B2 (en) Real-time welding quality judgment device and judgment method
JP5044806B2 (en) Real-time welding quality judgment device and judgment method
CN103357987B (en) Automatic stability detecting method for process of CO2 electric arc welding short circuit transition welding
CN101502906A (en) Weld signature monitoring method and apparatus
CN112100164A (en) Intelligent auditing method, system and readable storage medium
CN112487708A (en) Resistance spot welding quality prediction method based on ensemble learning
CN111015006A (en) Online monitoring method for laser-arc hybrid welding quality based on spectral information
CN114646665A (en) Arc welding defect real-time detection method and system
KR20230104527A (en) Partial Discharge Monitoring System And Partial Discharge Monitoring Method
CN113505657B (en) Welding spot quality detection method and device
US8426771B2 (en) Method of monitoring machine condition
CN115255566B (en) Welding deviation real-time intelligent detection method based on high-quality time domain characteristics
Roca et al. New stability index for short circuit transfer mode in GMAW process using acoustic emission signals
EP3888839B1 (en) Method and system for monitoring and identifying the weld quality of a welding performed by a welding machinery on metallic components
Kumar et al. The state-of-the-art methodologies for quality analysis of arc welding process using weld data acquisition and analysis techniques
ABHAYARATHNE et al. Automatic fabric defects inspection machine
Simpson Signature images for arc welding fault detection

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant