KR102181432B1 - 지능형 로봇제어 시스템 - Google Patents

Abstract

지능형 로봇제어 시스템에 관한 것이며, 지능형 로봇제어 시스템은, 용접을 수행하기 위한 용접건을 포함하는 로봇 구동부, 상기 로봇 구동부로 전류를 인가하는 전원 공급부, 용접을 수행하기 위한 모재를 구비하는 포지셔너 및 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너에 구비된 복수의 센서로부터 상태 정보를 획득하고, 인공지능 기반의 학습 모듈에 기반하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는, 지능형 로봇제어 장치를 포함하되, 상기 지능형 로봇제어 장치는, 관리자 단말로부터 제품 생산 정보를 수신하는 수신부, 상기 로봇 구동부의 상태 정보, 상기 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 입력으로 하여 인공지능 기반의 학습 모듈을 구축하는 학습부 및 획득되는 상기 로봇 구동부의 상태 정보 및 상기 포지셔너의 상태 정보를 상기 학습 모듈에 적용하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는 제어부를 포함할 수 있다.

Description

지능형 로봇제어 시스템{INTELLIGENT ROBOT CONTROL SYSTEM}

본원은 지능형 로봇제어 시스템에 관한 것이다.

기계나 플랜트 등의 공업 제품은 하나의 부재만으로 구성된 것은 거의 없으며, 적어도 2개 이상의 부재를 접합해 생성된다. 2개의 금속 부재를 접합하는 주요 방법으로는 리벳이나 볼트 등에 의한 기계적 접합, 접착제 등에 의한 화학적 접합, 용접과 같은 치금적 접합이 있다. 이러한 접합 중에서 접합부의 강도, 호율, 재료와 공수 절감 등의 관점에서 용접은 널리 활용되며 거의 모든 공업 분야에서 필수적인 기반 가공 기술이다.

용접이란 모재(접합되는 피용접 부재) 접합부에 열이나 압력(혹은 쌍방)을 가해 접합하는 방법으로(치금합적으로는) 융접, 압접, 납땜으로 나뉜다.

융접은 용접부를 가열해 모재 혹은 모재 용가재(용접봉 등)를 용융시키고 용융 금속을 응고시켜 접합하는 방법이다. 예를 들어, 융접은 아크 용접이나 레이저 용접 등을 포함할 수 있다. 또한, 압접은 접합부에 기계적 압력을 가해 실시하는 용접법이다. 예를 들어, 압접은 스폿 용접, 마찰각반 용접 등을 포함할 수 있다. 또한, 납땜은 모재를 용융하지 않고 모재보다 융점이 낮은 용가재(땜납)를 용융시켜 접합하는 방법이다.

산업용 로봇은 사전적 의미로 인간을 대신하여 작업현장에서 노동을 행하는 자동화 기계를 말한다. 그리고 여러 산업에서 다양한 공정작업들을 자동 제어하는 공업용 기계를 통칭하는 말이다. 이러한 산업용 로봇의 등장으로 고온, 극저온, 고압 등 인간이 접근할 수 없는 극한 환경에서도 작업이 가능해졌다. 또한, 무인 자동화공장이 가능해져서 노동력이 절감되고 제조공정이 신속하고 정밀해짐에 따라 가격 경쟁력 제고, 제품 품질 향상이 달성되었다. 최근에는 노동력 확보가 싶지 않은 3D산업(기피산업)의 설비로도 각광받고 있다.

용접산업은 대표적인 기피산업 분야 중 하나로 우수한 용접기술 인력이 점점 줄어들고 있다. 하지만, 자동차, 조선, 반도체, 디스플레이, 에너지산업 등 용접 적용 시장이 확대되고 있어 용접 분야의 노동력 확보, 용접효율성 향상 등은 국내 용접산업의 현안으로 떠오르고 있다.

본원의 배경이 되는 기술은 한국등록특허공보 제10-1392039호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 자동으로 용접을 수행하는 용접 로봇의 동작을 인공지능 학습을 통해 제어하고, 용접의 결함 원인을 판단할 수 있는 지능형 로봇제어 시스템을 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 용접건에서 발생하는 화기를 흡입하기 위한 보호부를 포함하여 용접건의 고장을 방지할 수 있는 지능형 로봇제어 시스템을 제공하는 것을 목적으로 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 지능형 로봇제어 시스템은, 용접을 수행하기 위한 용접건을 포함하는 로봇 구동부, 상기 로봇 구동부로 전류를 인가하는 전원 공급부, 용접을 수행하기 위한 모재를 구비하는 포지셔너 및 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너에 구비된 복수의 센서로부터 상태 정보를 획득하고, 인공지능 기반의 학습 모듈에 기반하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는, 지능형 로봇제어 장치를 포함하되, 상기 지능형 로봇제어 장치는, 관리자 단말로부터 제품 생산 정보를 수신하는 수신부, 상기 로봇 구동부의 상태 정보, 상기 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 입력으로 하여 인공지능 기반의 학습 모듈을 구축하는 학습부 및 획득되는 상기 로봇 구동부의 상태 정보 및 상기 포지셔너의 상태 정보를 상기 학습 모듈에 적용하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는 제어부를 포함할 수 있다.

또한, 상기 지능형 로봇제어 장치는, 상기 포지셔너가 구비된 영역에서부터 일정 거리 멀어진 곳에 위치하고, 상기 포지셔너에 구비된 모재 정보를 획득하는 모재 정보 획득부 및 상기 제품 생산 정보에 포함된 제품의 특성 정보 및 상기 모재 정보 획득부에서 획득된 모재 정보에 기반하여 복수의 용접 방법 중 적어도 어느 하나의 용접 방법을 추천하는 용접 방법 추천부를 더 포함하되, 상기 용접 방법 추천부는, 상기 모재 정보 획득부에서 획득된 모재의 두께를 고려하여 상기 로봇 구동부에 포함된 용접봉을 추천하고, 상기 제어부는, 상기 용접 방법 추천부의 추천 결과에 기반하여 복수의 로봇 구동부 중 적어도 어느 하나의 로봇 구동부의 제어 신호를 생성하되, 상기 제어 신호는 복수의 로봇 구동부 중 적어도 어느 하나의 로봇 구동부의 용접전류, 용접자세, 용접봉 각도 및 아크 길이를 제어하기 위한 제어 신호일 수 있다.

또한, 상기 지능형 로봇제어 장치는, 용접이 완료된 모재의 용접 부분의 결함 상태를 판단하기 위한 판단부를 더 포함하되, 상기 모재 정보 획득부는 용접이 완료된 모재의 상태 정보를 획득하고, 상기 판단부는 인공지능 기반으로 학습된 결함 검출 모델에 상기 모재의 상태 정보를 적용하여 용접 부분의 결함 상태를 판단하되, 상기 결함 검출 모델의 출력은, 비드 외관 불량, 스패터, 균열, PIT 및 Blow hol, Slag 혼입, Crater, Under cut, 용입부족, Fish eye, Overlap, Throat 부족, 각장부족, Lamellar tearing 를 포함할 수 있다.

또한, 상기 판단부는, 모재의 상태 정보 및 상기 로봇 구동부의 상태 정보를 입력으로 하고, 용접의 결함 원인을 출력으로 하는 결함 검출 모델에 상기 모재 정보 획득부에서 획득된 상기 모재의 상태 정보 및 획득된 상기 로봇 구동부의 상태 정보를 적용하여 용접의 결함 원인을 판단하되, 상기 결함 검출 모델의 출력은, 용접전류의 불안정, 운봉속도의 부적당, 용접봉의 결함, 용접각도의 불량, 모재의 불량, 이음부에 이물질 부착, 용접부의 개선 정밀도 불량, 잘못된 용접 순서를 포함할 수 있다.

또한, 상기 지능형 로봇제어 장치는, 복수의 센서로부터 상기 로봇 구동부가 구비된 영역의 외부 환경 정보를 수집하는 외부 환경 정보 수집부를 더 포함하되, 상기 제어부는, 상기 외부 환경 정보 수집부에서 수집한 결과가 미리 설정된 기준 범위에 포함되지 않는 경우, 상기 로봇 구동부가 구비된 영역에 위치한 환경 제어 장치의 구동을 제어하기 위한 제어 신호를 생성할 수 있다.

또한, 상기 지능형 로봇제어 장치는, 복수의 로봇 구동부 및 복수의 포지셔녀 각각에 구비된 복수의 센서로부터, 복수의 로봇 구동부 및 복수의 포지셔녀 각각의 현재 상태 정보를 획득하는 상태 정보 획득부를 더 포함하되, 상기 상태 정보 획득부에서 획득된 상기 복수의 로봇 구동부 및 복수의 포지셔너 현재 상태 정보는 상기 학습 모듈의 학습 데이터로 사용될 수 있다.

또한, 상기 학습부는, 상기 복수의 로봇 구동부 각각의 사양 정보, 상태 정보, 정비 이력 정보를 입력으로 하는 구동 정보 학습 모듈을 구축하고, 상기 상태 정보 획득부로부터 획득된 상기 복수의 로봇 구동부의 현재 상태 정보를 상기 구동 정보 학습 모듈에 입력하여, 상기 복수의 로봇 구동부 중 적어도 어느 하나의 고장을 예측하되, 상기 제어부는, 상기 학습부의 예측 결과에 기반하여, 복수의 로봇 구동부 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다.

또한, 상기 로봇 구동부는, 상기 용접건이 상기 모재를 용접함으로써 발생하는 화기를 흡입하기 위한 보호부를 더 포함하되, 상기 용접건은 제1로봇팔과 연동되어 상기 제어부의 제어 신호에 기초하여 위치 및 각도가 제어되고, 상기 보호부는 제2로봇팔과 연동되어 상기 제어부의 제어 신호에 기초하여 위치 및 각도가 제어될 수 있다.

또한, 상기 용접건에 의해 제1모재 및 제2모재 사이의 길이방향 또는 둘레방향에 따라 용접되되, 상기 용접건의 용접 진행 방향을 가이드하는 보호부를 이용하여 상기 제1모재 및 제2모재를 용접하고, 상기 보호부는, 상기 용접건이 통과할 수 있는 홀이 상하 방향으로 관통 형성되도록 폐도형 형상의 단면으로 형성될 수 있다.

또한, 상기 로봇 구동부는, 용접선의 위치 및 각도를 파악하기 위한 터치 센서를 더 포함하되, 상기 제어부는, 상기 터치 센서가 상기 제1모재의 제1영역을 터치한 센싱 정보 및 상기 제2모재의 제2영역을 터치한 센싱 정보에 기반하여 용접선을 판정하고, 상기 로봇 구동부의 구동을 제어하기 위한 제어 신호를 생성할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 자동으로 용접을 수행하는 용접 로봇의 동작을 인공지능 학습을 통해 제어하고, 용접의 결함 원인을 판단함으로써, 사용자의 편의성을 도모할 수 있는 효과가 있다.

전술한 본원의 과제 해결 수단에 의하면, 용접건에서 발생하는 화기를 흡입하기 위한 보호부를 포함하여 용접건의 고장을 방지할 수 있는 효과가 있다.

다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.

도 1은 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 지능형 로봇제어 장치의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 로봇 구동부에 구비된 보호부를 설명하기 위한 도면이다.
도 4는 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 로봇 구동부의 터치센서를 설명하기 위한 도면이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 개략적인 구성도이다.

도 1을 참조하면, 지능형 로봇제어 시스템(1)은 로봇 구동부(10), 전원 공급부(11), 포지셔너(20), 지능형 로봇제어 장치(30)를 포함할 수 있다. 다만, 지능형 로봇제어 시스템(1)의 구성이 이에 한정되는 것은 아니다. 예를 들어, 지능형 로봇제어 시스템(1)은

또한, 도 1에는 로봇 구동부(10) 및 포지셔너(20)를 각각 한 개씩 도시하였으나, 로봇구동부(10) 및 포지셔너(20)는 용접을 이용한 제품 생산에서 사용될 수 있도록 복수개 구비될 수 있다.

본원의 일 실시예에 따르면, 로봇 구동부(10)는 용접을 수행하기 위한 용접건을 포함할 수 있다. 로봇 구동부(10)는 용접 방법에 대응하여 상이한 용접건을 구비할 수 있다. 일예로, 로봇 구동부(10)는 용접에 사용되는 용접로봇을 포함할 수 있다. 용접로봇(Welding Robot)은 용접방법에 따라 크게 스폿 용접로봇, 아크용접로봇, 레이저용접로봇 등을 포함할 수 있다. 로봇 구동부(10)는 아크 용접, 저항 용접, 에이저 용접 중 적어도 하나의 용접을 수행하기 위한 장치일 수 있다. 또한, 로봇 구동부(10)는 아크 용접 방식 중 TIG 용접 또는 MIG 용접 중 어느 하나의 용접을 수행하기 위한 장치를 포함할 수 있다.

로봇 구동부(10)는 수직다관절형 로봇일 수 있다. 로봇 구동부(10)는 로봇 팔(arm)을 포함하고, RBR 구조로 형성될 수 있다. 예시적으로, 스폿용접로봇은 암(Arm)에 스폿용접건(Gun)을 장착한 로봇으로 자동차 분야 등 산업현장에서 가장 많이 활용된다. 자동차 부품에서부터 차체 제조 등 거의 모든 판재 접합에 활용된다. 아크용접로봇은 주로 자동차, 이륜차의 바퀴, 보디, 섀시, 급배기계의 용접 등 자동차 부품 전체 공정의 80% 정도를 차지하고 있을 뿐만 아니라 선박, 건설기계, 금속가공품 제조업에도 활용되고 있다.

이처럼, 용접장비의 로봇화는 제조공정 소요비용을 큰 폭으로 절감시킬 뿐만 아니라 힘든 작업, 용접 스패터(Spatter), 소음, 단조로운 작업 등으로부터 근로자를 해방시키고 더욱이 품질의 안정화를 기할 수 있게 해준다. 이와 같이 각종 조립라인 등에 로봇이 설치돼 숙련공을 대신하여 작업을 진행함으로써 사람의 손보다 훨씬 빠르고 정확하게 작업을 수행할 수 있게 되었다.

용접 방법에는 아크 용접, 스폿 용접(점용점), 저항 용접, 티그(TIG) 용접, 광섬유 레이저, 미그(MIG) 용접, 플라즈마 용접을 포함할 수 있다. 아크 용접은 금속을 접합하는 용접 공정이다. 금속에 센 열을 가해 녹이고 접합한다. 로봇을 이용한 아크 용접은 반복성과 정확성이 향상된다. 또한, 스폿 용접은 전류에 저항하는 얇은 금속을 접합하는 기술이다. 자동차 산업에서 주로 사용된다. 저항 용접은 구성 요소와 금속 시트를 결합하기 위해 제조 업계에서 일반적으로 사용되는 용접 기술이다. 금속의 특정 지점에 강한 전류를 흐르게 만들어 금속을 녹이고 접합하는 과정이다. 또한, 티그(TIG) 용접은 가스 텅스텐 아크 용접이라고도 하며 금속 부분과 비소모성 텅스텐 사이 전극에서 아크가 형성되는 고급 공정이다. 정밀도가 중요한 용접 공정에 사용되는 기술이다. 레이저 용접은 레이저 빔으로 다양한 금속을 연결하는 방식이다. 로봇 절단 헤드가 레이저 광을 전달해 금속 조각을 용접한다. 이 기술은 사람이 접근하기 어려운 영역에 원격으로 용접을 해야 할 때 사용되며, 의료, 자동차, 주얼리 업계 등 높은 정확도가 요구되는 분야에 사용된다. 또한, 광섬유 레이저는 고품질의 스폿 용접을 가능케 하는 비용 효율적인 기술이다. 낮은 열을 적용하기 때문에 복잡한 조인트를 만들 수 있으며 제어도 및 정확도가 높다. 또 일관되고 반복적인 용접이 가능하다. 또한, 미그(MIG) 용접은 가열된 팁 쪽으로 와이어를 연속적으로 연결하는 방법이다. 가스 금속 아크 용접이라고도 한다. 속도와 단순성이 요구되는 과정에 사용된다. 금속 조각을 연결할 때는 전기를 사용한다. 단락 회로에서 생성된 열과 비반응성 가스가 금속을 녹이고 섞이도록 만든다. 열이 사라지면 금속이 냉각되기 시작하고 고형화돼 새로운 금속 조각을 형성한다. 또한, 플라즈마 용접은 티그 용접과 비슷한 방법이다. 텅스텐 전극 사이에 아크가 형성되기 때문이다. 이 용접 과정에 로봇이 도입되면 온도와 속도를 쉽게 조절할 수 있다.

본원의 일 실시예에 따르면, 전원 공급부(11)는 로봇 구동부(10)로 전류를 인가할 수 있다. 전원 공급부(11)의 구동은 지능형 로봇 제어 장치(30)에서 생성되는 제어 신호에 의하여 제어될 수 있다. 일예로, 전원 공급부(11)는 로봇 구동부(10)에서 아크 용접을 수행할 수 경우, 아크 용접에 대응하는 전류를 인가할 수 있다. 아크 용접은 용접 토치에서 공급되는 용접 와이어와 모재 사이에 용접 전원으로 전압을 인가해 용접 와이어와 모재 사이에서 아크를 발생시키는 것이다. 이 아크열로 인해 모재와 용접 와이어를 용융시키면서 용접할 수 있다. 아크 용접에 따른 용접 와이어는 녹아서 떨어지기 때문에 용접 도중에는 송급 장치에 의해 용접 토치 안을 경유해 용접 와이어가 계속 공급된다.

본원의 일 실시예에 따르면, 포지셔너(20)는 용접을 수행하기 위한 모재를 구비할 수 있다. 포지셔너(20)는 용접물을 붙여 자유로이 회전하며 용접부를 항상 용접하기 쉬운 위치로 둘 수 있도록 한 작업대의 일종일 수 있다. 포지셔너(20)는 1축 포지셔너, 캔틸레버 2축 포지셔너, 양지회전경사포지셔너 등을 포함할 수 있다. 포지셔너(20)는 지능형 로봇제어 장치(30)에서 생성된 제어 신호에 기반하여 구동이 제어될 수 있다. 또한, 포지셔너(20)는 복수의 센서를 구비하고, 복수의 센서는 포지셔너(20)의 상태 정보를 획득할 수 있다. 지능형 로봇제어 장치(30)는 포지셔너(20)의 구동 속도(회전 속도), 회전 방향, 기울임 정도(각도) 중 적어도 어느 하나를 변경하기 위한 제어 신호를 생성할 수 있다.

본원의 일 실시예에 따르면, 지능형 로봇제어 장치(30)는 로봇 구동부(10), 전원 공급부(11) 및 포지셔너(20)에 구비된 복수의 센서로부터 상태 정보를 획득할 수 있다. 일예로, 복수의 센서는, 가속도 센서, 위치 센서, 온도 센서, 레이저 센서, 가스 감지 센서, 압력 센서, 전압센서, 전류 센서, 가압력 센서, 아크 용접 시 용접 전류를 측정하기 위한 용접 케이블 측에 설치된 션트저항 및 홀 센서 등을 포함할 수 있다.

또한, 지능형 로봇제어 장치(30)는 인공지능 기반의 학습 모듈에 기반하여 로봇 구동부(10), 전원 공급부(11) 및 포지셔너(20) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 또한, 지능형 로봇제어 장치(30)는 로봇 구동부(10)의 용접 순서, 위치 등의 정보를 수치에 의해서 지령하기 위한 장치일 수 있다. 또한, 지능형 로봇제어 장치(30)는 용접 순서 및 용접 위치 등의 정보를 저장할 수 있다.

도 2는 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 지능형 로봇제어 장치의 개략적인 블록도이다.

예시적으로 도 2를 참조하면, 지능형 로봇제어 장치(30)는 수신부(31), 학습부(32), 제어부(33), 모재 정보 획득부(34), 용접 방법 추천부(35), 판단부(36), 외부 환경 정보 수집부(37) 및 상태 정보 획득부(38)를 포함할 수 있다.

본원의 일 실시예에 따르면, 수신부(31)는 관리자 단말(미도시)로부터 제품 생산 정보를 수신할 수 있다. 또한, 수신부(31)는 외부 서버(미도시)로부터 제품 생산 정보를 수신할 수 있다. 제품 생산 정보는, 용접을 이용하여 생산되는 제품의 생산 정보일 수 있다. 예를 들어, 제품 생산 정보는, 자동차, 교각, 선박 등 용접으로 생산되는 제품으로서, 제품의 형상, 재질(재료), 사용 용도, 생산 개수 등을 포함할 수 있다. 또한, 수신부(31)는 용접 이력 정보 및 용접 조건 정보를 획득할 수 있다. 일예로, 용접 이력 정보는, 제품 생산 정보와 연계된 정보로서, 제1제품 생산 시 로봇 구동부(10)의 구동 정보를 포함할 수 있다. 예를 들어, 구동 정보는, 제1제품 생산 시 로봇 구동부(10)의 전류, 전압, 용접속도, 토치각 등을 포함할 수 있다. 일예로, 용접 조건 정보는, 펄스, 계수, 복수의 모재의 두께, 각장(s), 용접 속도 용접 형상, bead throat 정보 등을 포함할 수 있다. 다만, 앞서 설명된 제품 생산 정보, 용접 이력 정보 및 용접 조건 정보가 이에 한정되는 것은 아니다.

본원의 일 실시예에 따르면, 지능형 로봇 제어 장치(30)는 관리자 단말(미도시)로 용접 관리 메뉴를 제공할 수 있다. 예를 들어, 지능형 로봇 제어 장치(30)가 제공하는 어플리케이션 프로그램을 관리자 단말(미도시)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 용접 관리 메뉴가 제공될 수 있다.

지능형 로봇 제어 장치(30)는 관리자 단말(미도시)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.

관리자 단말(미도시)은 네트워크를 통해 지능형 로봇 제어 장치(30)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.

지능형 로봇 제어 장치(30) 및 관리자 단말(미도시)간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.

본원의 일 실시예에 따르면, 제어부(33)는 관리자 단말(미도시)로 제공된 용접 관리 메뉴에 대응하여 사용자(관리자)가 입력한 입력 정보에 기반하여, 로봇 구동부(10), 전원 공급부(11) 및 포지셔너(20) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 일예로, 용접 관리 메뉴에 대응하는 사용자(관리자)가 입력한 입력 정보는, 전류, 전압, 용접 속도, 용접 형상, 용접 종류 중 적어도 어느 하나에 대응하는 정보일 수 있다.

본원의 일 실시예에 따르면, 학습부(32)는 로봇 구동부의 상태 정보, 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 입력으로 하여 인공지능 기반의 학습 모듈을 구축할 수 있다. 일예로, 인공지능 기반의 학습 모듈은 로봇 구동부(10), 전원 공급부(11) 및 포지셔너(20)의 구동을 제어하기 위한 제어 신호를 추천하기 위한 학습을 수행할 수 있다. 달리 말해, 학습부(32)는 수신부(31)가 관리자 단말(미도시) 및 외부서버(미도시)로부터 수집한 정보와 로봇 구동부(10)에 구비된 복수의 센서로부터 센싱된 정보 등을 입력으로 하여 인공지능 기반의 학습 모듈을 구축할 수 있다. 학습부(32)는 입력 정보에 기반하여 서로 다른 인공지능 기반의 학습 모듈을 구축할 수 있다. 예를 들어, 학습부(32)는 로봇 구동부의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 입력으로 하는 제1인공지능 기반의 학습 모듈을 구축할 수 있다. 또한, 학습부(32)는 포지셔너(20)의 상태 정보를 입력으로 하는 제2인공지능 기반의 학습 모듈을 구축할 수 있다.

또한, 학습부(32)는 수집되는 정보들을 기반으로 하여 가장 높은 정확도를 나타내는 학습 모듈을 최종 학습 모듈로 확정할 수 있다. 예를 들어, 학습부(32)는 로봇 구동부의 상태 정보, 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 제1알고리즘을 이용하여 제1학습 모듈을 구축할 수 있다. 또한, 학습부(32)는 로봇 구동부의 상태 정보, 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 제2알고리즘을 이용하여 제2학습 모듈을 구축할 수 있다. 동일한 방법으로 복수개의 학습 모듈을 구축하고, 가장 높은 정확도를 나타내는 학습 모듈을 학습부(32)의 학습 모듈로 결정할 수 있다.

일예로, 인공지능 기반의 학습 모듈은 기계학습(머신러닝) 및 딥러닝 기반으로 구축된 학습 모델일 수 있다. 또한, 학습 모듈은, 회귀모델, 분류모델, 군집모델 및 딥러닝 모델 중 적어도 어느 하나에 기반하여 구축된 학습 모델(모듈)일 수 있다. 또 다른 일예로, 학습 모듈은 회기 알고리즘, 분류 알고리즘, 군집 알고리즘, 딥러닝 알고리즘에 기반하여 생성될 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아니라 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 학습부(32)는 군집 알고리즘에 기초하여 분석 패턴을 군집하여 산출할 수 있고, 분석 패턴 각각의 군집간 분리도에 기초하여 새로운 분석 패턴을 검출할 수 있다. 예시적으로, 비지도 학습을 위한 군집 알고리즘에는 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있다.

또한, 학습부(32)는 상술한 알고리즘 외에도 Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘, K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘과 같은 군집 알고리즘을 통해 비지도 학습을 수행할 수 있다. Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결 과를 다음 트리에 적용하는 boost방식의 알고리즘이다. Deep Learning알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K개의 군집으로 반복 세분화 하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한 EM & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화하는 기법을 의미한다

본원의 일 실시예에 따르면, 학습부(32)는 복수의 로봇 구동부(10) 각각의 사양 정보, 상태 정보, 정비 이력 정보를 입력으로 하는 구동 정보 학습 모듈을 구축할 수 있다. 일예로, 로봇 구동부(10)의 사양 정보는 머니퓰레이터의 타입, 구조, 동작 영역, 동작속도, 위치반복 정도, 모터, 무게, 외형치수, 출력전류, 출력전압 등을 포함할 수 있다. 또한, 상태 정보는, 로봇 구동부(10)에 포함된 복수의 센서로부터 수집되는 센싱 정보일 수 있다. 일예로, 상태 정보는, 로봇 구동부(10)의 발열 상태, 속도, 기울기, 진동, 회전 수 등을 센싱한 센싱 정보를 포함할 수 있다. 또한, 정비 이력 정보는, 로봇 구동부(10)에 포함된 복수의 부품들 각각에 대한 교체 시기, 고장 이력 데이터, 교체 품목, 교체 일시, 교체 주기, 환경에 기반한 부품들의 노후 속도 중 적어도 어느 하나를 포함할 수 있다.

일예로, 구동 정보 학습 모듈은 기계학습(머신러닝) 및 딥러닝 기반으로 구축된 학습 모델일 수 있다. 또한, 학습 모듈은, 회귀모델, 분류모델, 군집모델 및 딥러닝 모델 중 적어도 어느 하나에 기반하여 구축된 학습 모델(모듈)일 수 있다. 또 다른 일예로, 학습 모듈은 회기 알고리즘, 분류 알고리즘, 군집 알고리즘, 딥러닝 알고리즘에 기반하여 생성될 수 있다.

또한, 학습부(32)는 상태 정보 획득부(38)로부터 획득된 복수의 로봇 구동부(10)의 현재 상태 정보를 구동 정보 학습 모듈에 입력하여 복수의 로봇 구동부(10) 중 적어도 어느 하나의 고장을 예측할 수 있다. 학습부(32)는 복수의 로봇 구동부(10)의 복수의 로봇 구동부(10) 각각의 사양 정보, 상태 정보, 정비 이력 정보를 입력으로 하여 구축된 구동 정보 학습 모듈에 상태 정보 획득부(38)에서 획득된 복수의 로봇 구동부(10)의 현재 상태 정보를 입력하여 복수의 로봇 구동부(10) 중 어느 하나의 고장을 예측할 수 있다. 달리 말해, 학습부(32)는 복수의 로봇 구동부(10)에서 획득되는 사양 정보, 상태 정보, 정비 이력 정보에 기반하여 인공지능 기반의 학습 모델인 구동 정보 학습 모듈을 구축하고, 실시간 또는 미리 설정된 시간(예를 들어, 30초) 마다 획득되는 로봇 구동부(10)의 상태 정보를 학습 모듈에 입력하여 로봇 구동부(10)의 고장을 예측할 수 있다. 학습부(32)는 복수의 로봇 구동부(10)가 제1로봇 구동부 내지 제3로봇 구동부가 포함하는 경우, 구동 정보 학습 모듈에 제1로봇 구동부에서 수집되는 제1 현재 상태 정보를 입력하여 제1로봇 구동부의 고장을 예측할 수 있다. 또한, 학습부(32)는 구동 정보 학습 모듈에 제2로봇 구동부에서 수집되는 제2 현재 상태 정보를 입력하여 제2로봇 구동부의 고장을 예측할 수 있다. 또한, 학습부(32)는 구동 정보 학습 모듈에 제3로봇 구동부에서 수집되는 제3현재 상태 정보를 입력하여 제3로봇 구동부의 고장을 예측할 수 있다.

또한, 제어부(33)는 학습부(32)의 예측 결과에 기반하여 복수의 로봇 구동부(10) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 달리 말해, 제어부(33)는 학습부(32)의 예측 결과 복수의 로봇 구동부(10) 중 어느 하나가 고장으로 예측되는 경우, 고장으로 예측된 로봇 구동부(10)의 구동을 정지하는 제어 신호를 생성하고, 고장으로 예측된 로봇 구동부(10)가 수행하던 용접을 대신 수행할 수 있도록 복수의 로봇 구동부(10) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 예를 들어, 제어부(33)는 학습부(32)에서 복수의 로봇 구동부 중 제1로봇 구동부의 고장을 예측하는 경우, 제1로봇 구동부가 수행하는 영역을 제2로봇 구동부 및 제3로봇 구동부가 대체하여 수행할 수 있도록 제2로봇 구동부 및 제3로봇 구동부를 제어하기 위한 제어 신호를 생성할 수 있다.

본원의 일 실시예에 따르면, 제어부(33)는 획득되는 상태 정보를 학습 모듈에 적용하여 로봇 구동부(10), 전원 공급부(11), 포지셔너(20) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 일예로, 제어부(33)는 로봇 구동부(10)에 구비된 복수의 센서부로부터 획득되는 상태 정보를 학습 모듈에 적용하여 로봇 구동부(10) 및 전원 공급부(11)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 또한, 제어부(33)는 포지셔너(20)에 구비된 복수의 센서로부터 획득되는 상태 정보를 학습 모듈에 적용하여 포지셔너(20)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다.

일예로, 로봇 구동부(10)의 제어 신호는 로봇 구동부(10)에 포함된 머니퓰레이터의 동작 범위, 동작 속도, 위치 반복 정보, 입출력신호, 입력 전원, 위빙 동작 중 적어도 어느 하나를 제어하기 위한 제어 신호를 생성할 수 있다. 또한, 전원 공급부(11)의 제어 신호는 출력 전류, 출력 전압, 입력 전원 중 적어도 어느 하나를 제어하기 위한 제어 신호일 수 있다. 또한, 포지셔너(20)의 제어 신호는, 포지셔너(20)의 회전 속도, 각도 보정 중 어느 하나를 제어하기 위한 제어 신호일 수 있다.

본원의 일 실시예에 따르면, 모재 정보 획득부(34)는 포지셔너(20)가 구비된 영역에서부터 일정 거리 멀어진 곳에 위치할 수 있다. 또한, 모재 정보 획득부(34)는 포지셔너(20)에 구비된 모재 정보를 획득할 수 있다. 일예로, 모재 정보 획득부(34)는 촬영 장치를 포함할 수 있다. 또한, 모재 정보 획득부(34)는 레이저 및 적외선 센서를 포함할 수 있다. 모재 정보 획득부(34)는 포지셔너(20)에 구비된 모재를 중심으로 일정 거리 이격된 위치에 구비될 수 있다. 모재 정보 획득부(34)는 촬영 장치, 레이저 및 적외선 센서 등을 기반으로 모재 정보를 획득할 수 있다. 일예로, 모재 정보는, 모재의 개수, 모재의 두께, 모재의 재질, 용접되어야 하는 모재 사이의 홈의 깊이 등을 포함할 수 있다. 모재 정보 획득부(34)에서 촬영 장치, 레이저 및 적외선 센서 등을 기반으로 모재 정보를 획득함으로써, 단순히 제품 생산 정보에 기반하여 모재에 대한 정보를 획득하는 것 이외에 더 정확한 정보를 추출해낼 수 있다.

본원의 일 실시예에 따르면, 용접 방법 추천부(35)는 제품 생산 정보에 포함된 제품의 특성 정보 및 모재 정보 획득부(34)에서 획득된 모재 정보에 기반하여 복수의 용접 방법 중 적어도 어느 하나의 용접 방법을 추천할 수 있다. 제품 생산 정보에 포함된 제품의 특성 정보에는 생산되는 제품의 사용 용도, 모재의 재질, 모재의 두께, 모재의 개수 등을 포함할 수 있다. 일예로, 용접 방법에는 아크 용접, 스폿 용접(점용점), 저항 용접, 티그(TIG) 용접, 광섬유 레이저, 미그(MIG) 용접, 플라즈마 용접을 포함할 수 있다. 용접 방법 추천부(35)는 제품의 특성 정보 및 모재 정보에 기반하여 복수의 용접 방법 중 적어도 어느 하나의 용접 방법을 추천할 수 있다. 또한, 용접 방법 추천부(35)는 하나의 제품의 생산에 있어서도 제1영역에서는 제1용접 방법이 적용되고, 제2영역에서는 제2용접 방법이 적용되도록 제품 생산 정보를 고려하여 복수의 용접 방법을 추천할 수 있다.

또한, 제어부(33)는 용접 방법 추천부(35)의 추천 결과에 기반하여 복수의 로봇 구동부(10) 중 적어도 어느 하나의 로봇 구동부(10)의 제어 신호를 생성할 수 있다. 또한, 제어부(33)는 용접 방법 추천부(35)의 추천 결과에 기반하여, 로봇 구동부(10), 전원 공급부(11) 및 포지셔너(20) 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 예시적으로, 용접 방법 추천부(35)는 제1모재 및 제2모재에는 제1용접 방법을 적용하여 용접이 수행되도록 하는 추천 정보를 생성할 수 있다. 제어부(33)는 용접 방법 추천부(35)의 추천 결과에 기반하여 제1용접 방법을 수행할 수 있는 제1로봇 구동부의 제어 신호를 생성할 수 있다. 또한, 제어부(33)는 제1로봇 구동부에서 제1용접 방법을 적용하여 제1모재 및 제2모재의 용접이 수행함에 있어 제1모재 및 제1모재가 제1로봇 구동부의 구동에 적합한 위치에 구비될 수 있도록 포지셔너(20)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 또한, 제어부(33)는 제1로봇 구동부에 제1용접 방법에 적합한 전류가 공급되도록 전원 공급부(11)의 구동을 제어하는 제어 신호를 생성할 수 있다.

본원의 일 실시예에 따르면, 용접 방법 추천부(35)는 모재 정보 획득부(34)에서 획득된 모재의 두께를 고려하여 로봇 구동부(10)에 포함된 용접봉을 추천할 수 있다. 용접봉은 용접하고자 하는 모재의 두께를 고려하여 달리 선택되어야 한다. 예를 들어, 상대적으로 두꺼운 철판을 용접하는 데는 굵은 용접봉이 용이하고, 상대적으로 얇은 철판을 용접하는 데는 가는 용접봉이 용이하다. 용접 방법 추천부(35)는 모재 정보 획득부(34)에서 획득된 모재의 두께를 고려하여 로봇 구동부(10)에 포함된 용접건에 구비될 용접봉의 굵기를 추천할 수 있다. 일예로, 로봇 구동부(10)는 굵기 별로 상이한 복수개의 용접봉을 구비할 수 있다. 제어부(33)는 용접 방법 추천부(35)에서 추천된 용접봉의 두께를 고려하여, 로봇 구동부(10)에 구비된 용접건에 해당 용접봉이 구비되도록 하는 제어 신호를 생성할 수 있다. 또한, 용접 방법 추천부(25)는 용접건에 구비될 용접봉의 굵기를 관리자 단말(미도시)로 제공할 수 있다. 관리자는 관리자 단말(미도시)에 제공된 용접봉 두께 추천 정보에 기반하여 용접건에 해당 용접봉이 구비되도록 할 수 있다.

또한, 제어부(33)는 용접부의 형상을 고려하여 용접 전류, 용접 자세, 용접봉 각도 및 아크 길이를 제어하기 위한 제어 신호를 생성할 수 있다. 예를 들어, 용접부의 형상은, 둘레 방향 또는 길이 방향 등 용접되어야 하는 부분의 모양을 의미할 수 있다. 제어부(33)는 로봇 구동부(10)의 용접전류, 용접자세, 용접봉 각도 및 아크 길이를 제어하기 위한 제어 신호를 생성할 수 있다.

본원의 일 실시예에 따르면, 판단부(36)는 용접이 완료된 모재의 용접 부분의 결함 상태를 판단할 수 있다. 판단부(36)는 제1모재(2) 및 제2모재(3)가 용접된 용접 부분의 결함 상태를 판단할 수 있다. 판단부(36)는 모재 정보 획득부(34)에서 획득된 용접이 완료된 모재의 상태 정보를 제공받을 수 있다. 또한, 판단부(36)는 로봇 구동부(10)에 포함된 용접건에 구비된 촬영 장치에 의해 획득된 모재의 용접 부분 정보에 기반하여 용접이 완료된 모재의 상태 정보를 제공받을 수 있다. 모재 정보 획득부(34) 및 로봇 구동부(10)에 포함된 용접건에 구비된 촬영 장치에서 획득되는 정보는 이미지 정보(데이터)일 수 있다.

예시적으로, 판단부(36)는 획득된 데이터가 이미지 데이터일 경우, 특정 형식(예를 들어, JPEG형식)으로 데이터 변환을 수행할 수 있다. 또한, 판단부(36)는 이미지 획득 과정에서 초점 이탈, 인공물, 음역 등 품질이 낮거나 낮은 해상도의 이미지가 획득되는 경우, 해당 이미지를 배제할 수 있다. 예시적으로 판단부(36)는 5단계의 전처리 과정을 수행할 수 있다. 먼저, 판단부(36)는 자르기(crop) 단계를 수행할 수 있다. 자르기(crop) 단계는 획득된 이미지에서 사용자를 중심으로 하여 가장자리의 불필요한 부분(예를 들어, 배경)을 잘라낼 수 있다. 또한, 판단부(36)는 인공지능 기반의 학습 모델에 적용 가능한 사이즈로 이미지를 자르는 전처리를 수행할 수 있다.

다음으로, 판단부(36)는 평행 이동(shift) 단계를 수행할 수 있다. 판단부(36)는 획득된 이미지를 상하좌우 방향으로 평행 이동시킬 수 있다. 또한, 판단부(36)는 뒤집기(flipping) 단계를 수행할 수 있다. 예를 들어, 판단부(36)는 수직으로 획득된 이미지를 뒤집는 전처리를 수행할 수 있다. 또한, 판단부(36)는 획득된 이미지를 상하방향 중 적어도 어느 하나의 방향으로 뒤집고 이후 좌우방향 중 적어도 어느 하나의 방향으로 뒤집는 전처리를 수행할 수 있다.

또한, 판단부(36)는 색상 조정(color adjustment)을 수행할 수 있다. 예를 들어, 색상 조정 단계에서 판단부(36)는 전체 데이터 세트의 평균 RGB 값으로 평균 감산 방법을 사용하여 추출된 색상을 기반으로 이미지의 색상 조정을 수행할 수 있다. 또한, 판단부(36)는 확대/축소(resizing) 단계를 더 수행할 수 있다. 확대/축소(resizing) 단계는 획득된 이미지를 미리 설정된 사이즈로 확대 및 축소하는 단계일 수 있다. 또한, 판단부(36)는 획득된 이미지 데이터의 데이터 수를 증가시키기 위한 이미지 데이터 증폭 전처리를 수행할 수 있다.

일예로, 합성곱신경망을 포함하는 딥러닝 알고리즘을 이용하는 경우, 데이터의 양이 많을수록 좋은 성능을 달성하는 데 유리하지만, 수집된 이미지 데이터의 양이 적은 경우 합성곱 신경망을 활용하여 학습을 수행하기엔 매우 부족할 수 있다. 한편, 판단부(36)는 획득된 이미지 데이터의 회전, 뒤집기, 자르기, 소음 섞기 중 적어도 하나의 방법을 적용하여 데이터 증폭 (augmentation)과정을 수행할 수 있다.

판단부(36)는 인공지능 기반의 학습된 결함 검출 모델에 모재의 상태 정보를 적용하여 용접 부분의 결함 상태를 판단할 수 있다. 여기서, 결함 검출 모델의 출력은 비드 외관 불량, 스패터, 균열, PIT 및 Blow hol, Slag 혼입, Crater, Under cut, 용입부족, Fish eye, Overlap, Throat 부족, 각장부족, Lamellar tearing을 포함할 수 있다. 일예로, 결함 검출 모델은 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습으로 인해 구축된 모델일 수 있다. 결함 검출 모델은, 합성곱신경망 구조와 완전연결 심층 신경망 구조 두 부분으로 이루어질 수 있다. 판단부(36)는 전처리 과정을 거친 학습용 데이터 세트를 입력으로 하는 합성곱신경망과, 합성곱신경망의 출력을 완전연결 심층 신경망의 입력으로 하는 학습을 통한 결함 검출 모델을 구축할 수 있다.

합성곱신경망(Convolutional Neural Networks)은 음성 인식이나 이미지 인식에서 주로 사용되는 신경망의 한 종류이다. 다차원 배열 데이터를 처리하도록 구성되어 있어, 컬러 이미지와 같은 다차원 배열 처리에 특화되어 있다. 따라서 이미지 인식 분야에서 딥러닝을 활용한 기법은 대부분 합성곱신경망을 기초로 한다. 또한, 완전연결 심층 신경망은 노드 간에 횡적/종적으로 2차원적 연결을 이루고, 서로 같은 층에 위치한 노드 간에는 연결 관계가 존재하지 않으며, 바로 인접한 층에 위치한 노드들 간에만 연결 관계가 존재한다는 것을 특징으로 하는 신경망이다.

합성곱신경망에서 추출된 복수의 특징 패턴(feature pattern)은 다음 단계인 완전연결 심층 신경망으로 전달되어 분류 작업을 하는 데 활용될 수 있다. 합성곱신경망은 층의 개수를 조절할 수 있다. 합성곱신경망은 층의 개수는 모델 훈련을 위한 훈련용 데이터의 양에 맞추어 조절함으로써 보다 안정된 모델을 구축할 수 있다.

또한, 판단부(36)는 전처리 과정을 거친 학습용 데이터 세트를 합성곱신경망의 입력으로 하고, 합성곱신경망의 출력 및 용접 부분의 결함 상태 정보를 완전연결 심층 신경망의 입력으로 하는 학습을 통한 결함 검출 모델을 구축할 수 있다. 달리 말해, 판단부(36)는 전처리 과정을 거친 이미지 데이터를 우선적으로 합성곱신경망에 적용하고, 합성곱신경망을 거치고 나온 결과물(출력)이 완전연결심층신경망에 들어가도록 할 수 있다. 또한, 판단부(36)는 임의로 추출된 특징(feature)들은 합성곱신경망을 거치지 않고, 곧바로 완전연결 심층 신경망의 입력으로 들어가도록 할 수 있다.

달리 말해, 판단부(36)는 인공지능 기반의 학습된 결함 검출 모델에 모재의 상태 정보를 입력하여 용접 부분의 결함 상태를 비드 외관 불량, 스패터, 균열, PIT 및 Blow hol, Slag 혼입, Crater, Under cut, 용입부족, Fish eye, Overlap, Throat 부족, 각장부족, Lamellar tearing 중 적어도 어느 하나로 판단할 수 있다.

예시적으로, 판단부(36)는 모재 정보 획득부(34)에서 획득된 용접이 완료된 모재의 상태 정보 및 로봇 구동부(10)에 포함된 용접건에 구비된 촬영 장치에 의해 획득된 모재의 용접 부분 정보에 기반하여 용접이 완료된 모재의 상태 정보를 인공지능 기반의 학습된 결함 검출 모델에 입력하여 복수의 용접 부분의 결함 상태 정보 중 적어도 어느 하나로 판단할 수 있다.

본원의 일 실시예에 따르면, 판단부(36)는 모재의 상태 정보 및 로봇 구동부(10)의 상태 정보를 입력으로 하고 용접의 결함 원인을 출력으로 하는 결함 검출 모델을 구축할 수 있다. 또한, 판단부(36)는 전처리 과정을 거친 학습용 데이터 세트를 합성곱신경망의 입력으로 하고, 합성곱신경망의 출력 및 용접 부분의 결함 원인 정보를 완전연결 심층 신경망의 입력으로 하는 학습을 통한 결함 검출 모델을 구축할 수 있다. 달리 말해, 판단부(36)는 전처리 과정을 거친 이미지 데이터를 우선적으로 합성곱신경망에 적용하고, 합성곱신경망을 거치고 나온 결과물(출력)이 완전연결심층신경망에 들어가도록 할 수 있다. 또한, 판단부(36)는 임의로 추출된 특징(feature)들은 합성곱신경망을 거치지 않고, 곧바로 완전연결 심층 신경망의 입력으로 들어가도록 할 수 있다. 결함 원인은 용접전류의 불안정, 운봉속도의 부적당, 용접봉의 결함, 용접각도의 불량, 모재의 불량, 이음부에 이물질 부착, 용접부의 개선 정밀도 불량, 잘못된 용접 순서를 포함할 수 있다.

판단부(36)는 모재 정보 획득부(34)에서 획득된 모재의 상태 정보 및 상태 정보 획득부(38)에서 획득된 로봇 구동부(10)의 상태 정보를 적용하여 용접의 결함 원인을 판단할 수 있다. 여기서, 결함 검출 모델의 출력은 용접전류의 불안정, 운봉속도의 부적당, 용접봉의 결함, 용접각도의 불량, 모재의 불량, 이음부에 이물질 부착, 용접부의 개선 정밀도 불량, 잘못된 용접 순서를 포함할 수 있다.

달리 말해, 판단부(36)는 인공지능 기반의 학습된 결함 검출 모델에 모재 정보 획득부(34)에서 획득된 모재의 상태 정보 및 상태 정보 획득부(38)에서 획득된 로봇 구동부(10)의 상태 정보를 적용하여 용접전류의 불안정, 운봉속도의 부적당, 용접봉의 결함, 용접각도의 불량, 모재의 불량, 이음부에 이물질 부착, 용접부의 개선 정밀도 불량, 잘못된 용접 순서 중 적어도 어느 하나로 판단할 수 있다.

본원의 일 실시예에 따르면, 외부 환경 정보 수집부(37)는 복수의 센서로부터 로봇 구동부(10)가 구비된 영역의 외부 환경 정보를 수집할 수 있다. 일예로, 외부 환경 정보 수집부(27)는 용접에 의해 발생하는 유해 가스의 종류 및 발생하는 유해 가스량을 측정하기 위한 가스 감지 센서를 포함할 수 있다. 예를 들어, 가스 감지 센서는, LPG, LNG, CO, 알코올, NH3, H2S, H, NH3, LPG, 아세틸렌, O2, NH3, H2S, PH3 등의 가스를 감지하기 위한 센서를 포함할 수 있다.

또한, 제어부(33)는 외부 환경 정보 수집부(27)에서 수집한 결과가 미리 설정된 기준 범위에 포함되지 않는 경우, 로봇 구동부(10)가 구비된 영역에 위치한 환경 제어 장치(미도시)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 예로, 환경 제어 장치(미도시)는 온도, 습도, 공기청정기, 산소 공급기 등 로봇 구동부(10)가 구비된 영역의 환경의 공기를 청정시키고, 일정한 온도 및 습도를 유지하기 위한 장치일 수 있다. 미리 설정된 기준 범위는 사용자(관리자)가 로봇 구동부(10)가 구비된 영역에 위치하더라도 유해한 가스를 흡입하지 않을 정보의 범위일 수 있다.

본원의 일 실시예에 따르면, 상태 정보 획득부(38)는 복수의 로봇 구동부(10) 및 복수의 포지셔너(20) 각각에 구비된 복수의 센서로부터 복수의 로봇 구동부(10) 및 복수의 포지셔너(20) 각각의 현재 상태 정보를 획득할 수 있다. 일예로, 복수의 센서는, 가속도 센서, 위치 센서, 온도 센서, 레이저 센서, 가스 감지 센서, 압력 센서, 전압센서, 전류 센서, 가압력 센서, 아크 용접 시 용접 전류를 측정하기 위한 용접 케이블 측에 설치된 션트저항 및 홀 센서 등을 포함할 수 있다. 일예로, 상태 정보 획득부(28)는 로봇 구동부(10)에 포함된 구성 부품들의 발열 상태, 속도, 기울기, 진동, 회전 수 등을 센싱한 센싱 정보를 획득할 수 있다. 또한, 상태 정보 획득부(28)는 포시셔녀(10)에 포함된 구성 부품들의 발열 상태, 속도, 기울기, 진동, 회전 수 등을 센싱한 센싱 정보를 획득할 수 있다. 또한, 상태 정보 획득부(28)는 포지셔너(20)의 구동 속도(회전 속도), 회전 방향, 기울임 정도(각도)와 관련된 상태 정보를 획득할 수 있다.

여기서, 상태 정보 획득부(38)에서 획득된 복수의 로봇 구동부(10) 및 복수의 포지셔너(20) 현재 상태 정보는 학습부(32)의 학습 모듈의 학습 데이터로 사용될 수 있다. 상태 정보 획득부(38)에서 획득되는 현재 상태 정보를 이용하여 학습 모듈을 업데이트할 수 있다.

일예로, 상태 정보 획득부(38)는 포지셔너(20)에 구비된 감속기의 구동 정보를 수집할 수 있다. 감속기는 속도를 떨어뜨리는 기계 장치로, 기어(GEAR)를 이용하여 속도를 변환시키는 기구로써, 주 구동원(주로 모터)의회전수를 필요한 회전수로 감속하여 더 높은 토크(TORQUE, 힘)를 얻을 수 있도록 만들어진 것이다. 구동 정보는 감속기의 속도 정보, 윤활유 정보, 오일 정보, 오일 시일 정보, 통풍 정보, 전압 정보, 베어링 정보, 치압상태 정보, 치의 마모 정보, 이물질 침입 정보, 축심 정보, 케이스 및 연결부위 파손 정보, 패킹(접합부) 불량 정보, 퓨우즈 정보, 코일 정보, 전원 정보 등 감속기의 구동과 관련된 정보를 포함할 수 있다.

또한, 상태 정보 획득부(38)는 포지셔너(20)에 구비된 감속기의 상태 정보를 수집할 수 있다. 예를 들어, 상태 정보는 발열 상태, 심한 소음 및 이음 상태, 심한 진동 상태, 오일의 누유 상태, 전동기 기동불능 또는 기동곤란 상태를 포함할 수 있다.

예시적으로 발열 상태는 감속기의 과부하 운전, 윤활유의 과소 또는 과다, 윤활유의 불량 또는 부적당, 오일 시일 불량, 전동기의 통풍 방해, 고정자 코일이 층간에서 단락, 전압의 불평형, 축이 휘었거나 연결부의 장력이 팽팽한 상태, 베어링의 불량(마모, 거칠음), 베어링 부위의 억지조립, 부품의 마찰 등의 상태 정보를 포함할 수 있다. 또한, 심한 소음 및 이음 상태는, 규칙적인 소임-치의 치합상태 불량, 베어링 손상, 높은 금속음-윤활유 부족, 불규칙 소음-이물질 침입, 베어링 손상, 회전자와 고정자의 접촉, 고정부위가 헐거움(축과 기어, 플랜지접합부) 등의 상태 정보를 포함할 수 있다. 또한, 심한 진동 상태는, 치의 마모, 이물질 침입, 베어링 마모 및 손상, 취부볼트 및 고정볼트의 이완, 조립부위(축, 기어)의 이완, 축심이 일직선이 아님(밸런스가 나쁨), 케이스 및 연결부위 파손 등의 상태 정보를 포함할 수 있다. 또한, 오일의 누유 상태는, 오일시일손상, 패킹불량(접합부), 배유구 프러그이완, 유면계 파손 및 이완, 기타 용접부위 누유, 출력축 마모(씰링부위) 등의 상태 정보를 포함할 수 있다. 또한, 전동기 기동불능 또는 기동곤란 상태는, 퓨우즈가 끊어짐, 기동토르크가 모자람, 코일의 단선, 정전 또는 전원이 이상, 과부하, 베어링 및 부품의 끼임 현상 등의 상태 정보를 포함할 수 있다.

다른 일 실시예에 따르면, 제어부(33)는 포지셔너(20)에 포함된 감속기의 상태 정보를 고려하여 감속기의 동작을 제어하는 제어 신호를 생성할 수 있다. 예를 들어, 제어부(33)는 포지셔너(20)에 포함된 감속기의 상태 정보가 발열 상태에 해당하는 경우, 발열 상태에 대응하는 감속기의 동작을 제어하는 제어 신호를 생성할 수 있다. 발열 상태에 대응하는 제어 신호는 감속기의 부하를 조절하거나 큰 용량으로 대체하도록 유도, OIL GAUGE 점검, 새 OIL로 교환, 오일 시일 교체, 방해 요인 제어, 수리 요청, 변압기 및 회로 조사, 축심점검 및 장력 조절, 베어링 교체, 분해 점검 후 수정 요청 등에 대한 제어 신호를 생성할 수 있다.

도 3은 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 로봇 구동부에 구비된 보호부를 설명하기 위한 도면이다.

예시적으로 도 3을 참조하면, 로봇 구동부(10)는 용접건이 모재를 용접함으로써 발생하는 화기를 흡입하기 위한 보호부(12)를 포함할 수 있다. 보호부(12)는 용접건이 통과할 수 있는 홀이 상하 방향으로 관통 형성되도록 폐도형 형상의 단면으로 형성될 수 있다. 보호부(12)에는 화기를 흡입하기 위한 흡입부를 구비할 수 있다. 흡입부는 석션과 같은 형태로 구비될 수 있다. 또한, 보호부(12)는 촬영 장치를 구비할 수 있다. 보호부(12)에 구비된 촬영 장치를 이용하여 용접건이 용접을 수행한 모재의 상태 정보를 회득할 수 있다.

용접건은 제1로봇팔과 연동되어 제어부(33)의 제어 신호에 기초하여 위치 및 각도가 제어될 수 있다. 또한, 보호부(12)는 제2로봇팔과 연동되어 제어부(33)의 제어 신호에 기초하여 위치 및 각도가 제어될 수 있다. 제어부(33)는 학습부(32)의 학습 모듈에 적용하여 생성된 제어 신호에 기반하여 제1로봇팔 및 제2로봇팔의 위치 및 각도를 제어하는 제어 신호를 생성할 수 있다. 일예로, 제1로봇 구동부(10)에 제1로봇팔 및 제2로봇팔이 포함될 수 있다. 제어부(33)는 제1로봇 구동부에 구비된 제1로봇팔 및 제2로봇팔이 정확한 용접선을 따라 용접하도록 제어 신호를 생성할 수 있다.

일예로, 용접건에 의해 제1모재(2) 및 제2모재(3) 사이의 길이방향 또는 둘레방향에 따라 용접될 수 있다. 보호부(12)는 용접건의 용접 진행 방향을 가이드할 수 있다. 용접건은 보호부(12)가 제공하는 가이드 방향에 기반하여 이용하여 제1모재(2) 및 제2모재(3)를 용접할 수 있다.

보호부(12)는 모재를 용접하기 위한 용접부 상에 소정의 간격만큼 이격된 상태에서 용접건이 흔들림에도 불구하고 정확한 형태의 용접을 수행할 수 있도록 하며, 용접 수행에 있어 따른 부산물 및 화기가 로봇 구동부(10)에 유입되는 것을 방지할 수 있다.

도 4는 본원의 일 실시예에 따른 지능형 로봇제어 시스템의 로봇 구동부의 터치센서를 설명하기 위한 도면이다.

본원의 일 실시예에 따르면, 로봇 구동부(10)는 용접선의 위치 및 각도를 파악하기 위한 터치 센서(미도시)를 포함할 수 있다. 일예로, 터치 센서(미도시)는 용접건에 구비될 수 있다. 터치 센서(미도시)는 용접건에 전류가 공급되지 않는 시점 즉, 용접건에 온도가 미리 설정된 온도까지 가열되지 않은 상태에서, 모재를 터치하여 용접선의 위치 및 각도를 파악할 수 있다.

다른 일예로, 도 4의(a)를 참조하면, 터치 센서(미도시)는 제1모재(2)의 제1영역을 터치하고 제2모재(3)의 제2영역을 터치할 수 있다. 제어부(33)는 터치 센서(미도시)가 제1모재(2)의 제1영역을 터치한 센싱 정보 및 제2모재(3)의 제2영역을 터치한 센싱 정보에 기반하여 용접선을 판단할 수 있다. 또한, 제어부(33)는 판정된 용접선을 고려하여 로봇 구동부(10)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다.

또 다른 일예로, 도 4의(b)를 참조하면, 터치 센서(미도시)는 제1모재(2)의 제1영역을 터치하고, 제1위치에서 제2위치로 변동된 제2모재(3)의 제3영역을 터치할 수 있다. 제어부(33)는 터치 센서(미도시)가 제1모재(2)의 제1영역을 터치한 센싱 정보 및 제2모재(3)의 제3영역을 터치한 센싱 정보에 기반하여 용접선을 판단할 수 있다. 또한, 제어부(33)는 판정된 용접선을 고려하여 로봇 구동부(10)의 구동을 제어하기 위한 제어 신호를 생성할 수 있다. 터치 센서(미도시)는 오차에 의한 용접선 편차를 측정하여 용접선을 새롭게 판정할 수 있다. 예시적으로 제어부(33)에서 생성되는 제어 신호는, 용접건의 위빙 개시점, 위빙폭, 굴절점, 종점, 위빙용접 종료점, 전류, 전압, 용접속도 등을 제어하기 위한 제어 신호일 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

1: 지능형 로봇 제어 시스템
10: 로봇 구동부
20: 포지셔너
30: 지능형 로봇제어 장치
31: 수신부
32: 학습부
33: 모재 정보 획득부
34: 용접 방법 추천부
35: 판단부
36: 외부 환경 정보 수집부
37: 상태 정보 획득부

Claims (10)

1. 용접을 수행하기 위한 용접건을 포함하는 로봇 구동부;
   상기 로봇 구동부로 전류를 인가하는 전원 공급부;
   용접을 수행하기 위한 모재를 구비하는 포지셔너; 및
   상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너에 구비된 복수의 센서로부터 상태 정보를 획득하고, 인공지능 기반의 학습 모듈에 기반하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는, 지능형 로봇제어 장치를 포함하되,
   상기 지능형 로봇제어 장치는,
   관리자 단말로부터 제품 생산 정보를 수신하는 수신부;
   상기 로봇 구동부의 상태 정보, 상기 포지셔너의 상태 정보, 용접 이력 정보 및 용접 조건 정보를 입력으로 하여 인공지능 기반의 학습 모듈을 구축하는 학습부;
   획득되는 상기 로봇 구동부의 상태 정보 및 상기 포지셔너의 상태 정보를 상기 학습 모듈에 적용하여 상기 로봇 구동부, 상기 전원 공급부 및 상기 포지셔너 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는 제어부;
   상기 포지셔너가 구비된 영역에서부터 일정 거리 멀어진 곳에 위치하고, 상기 포지셔너에 구비된 모재 정보를 획득하는 모재 정보 획득부; 및
   상기 제품 생산 정보에 포함된 제품의 특성 정보 및 상기 모재 정보 획득부에서 획득된 모재 정보에 기반하여 복수의 용접 방법 중 적어도 어느 하나의 용접 방법을 추천하는 용접 방법 추천부,
   를 포함하되,
   상기 용접 방법 추천부는
   상기 모재 정보 획득부에서 획득된 모재의 두께를 고려하여 상기 로봇 구동부에 포함된 용접봉을 추천하고,
   상기 제어부는,
   상기 용접 방법 추천부의 추천 결과에 기반하여 복수의 로봇 구동부 중 적어도 어느 하나의 로봇 구동부의 제어 신호를 생성하되, 상기 제어 신호는 복수의 로봇 구동부 중 적어도 어느 하나의 로봇 구동부의 용접전류, 용접자세, 용접봉 각도 및 아크 길이를 제어하기 위한 제어 신호인 것인, 지능형 로봇제어 시스템.
2. 삭제
3. 제1항에 있어서,
   상기 지능형 로봇제어 장치는,
   용접이 완료된 모재의 용접 부분의 결함 상태를 판단하기 위한 판단부를 더 포함하되,
   상기 모재 정보 획득부는 용접이 완료된 모재의 상태 정보를 획득하고,
   상기 판단부는 인공지능 기반으로 학습된 결함 검출 모델에 상기 모재의 상태 정보를 적용하여 용접 부분의 결함 상태를 판단하되,
   상기 결함 검출 모델의 출력은
   비드 외관 불량, 스패터, 균열, PIT 및 Blow hol, Slag 혼입, Crater, Under cut, 용입부족, Fish eye, Overlap, Throat 부족, 각장부족, Lamellar tearing 를 포함하는 것인, 지능형 로봇제어 시스템.
4. 제3항에 있어서,
   상기 판단부는
   모재의 상태 정보 및 상기 로봇 구동부의 상태 정보를 입력으로 하고, 용접의 결함 원인을 출력으로 하는 결함 검출 모델에 상기 모재 정보 획득부에서 획득된 상기 모재의 상태 정보 및 획득된 상기 로봇 구동부의 상태 정보를 적용하여 용접의 결함 원인을 판단하되,
   상기 결함 검출 모델의 출력은,
   용접전류의 불안정, 운봉속도의 부적당, 용접봉의 결함, 용접각도의 불량, 모재의 불량, 이음부에 이물질 부착, 용접부의 개선 정밀도 불량, 잘못된 용접 순서를 포함하는 것인, 지능형 로봇제어 시스템.
5. 제1항에 있어서,
   상기 지능형 로봇제어 장치는,
   복수의 센서로부터 상기 로봇 구동부가 구비된 영역의 외부 환경 정보를 수집하는 외부 환경 정보 수집부를 더 포함하되,
   상기 제어부는,
   상기 외부 환경 정보 수집부에서 수집한 결과가 미리 설정된 기준 범위에 포함되지 않는 경우, 상기 로봇 구동부가 구비된 영역에 위치한 환경 제어 장치의 구동을 제어하기 위한 제어 신호를 생성하는 것인, 지능형 로봇제어 시스템.
6. 제1항에 있어서,
   상기 지능형 로봇제어 장치는,
   복수의 로봇 구동부 및 복수의 포지셔녀 각각에 구비된 복수의 센서로부터, 복수의 로봇 구동부 및 복수의 포지셔녀 각각의 현재 상태 정보를 획득하는 상태 정보 획득부를 더 포함하되,
   상기 상태 정보 획득부에서 획득된 상기 복수의 로봇 구동부 및 복수의 포지셔너 현재 상태 정보는 상기 학습 모듈의 학습 데이터로 사용되는 것인, 지능형 로봇제어 시스템.
7. 제6항에 있어서,
   상기 학습부는,
   상기 복수의 로봇 구동부 각각의 사양 정보, 상태 정보, 정비 이력 정보를 입력으로 하는 구동 정보 학습 모듈을 구축하고, 상기 상태 정보 획득부로부터 획득된 상기 복수의 로봇 구동부의 현재 상태 정보를 상기 구동 정보 학습 모듈에 입력하여, 상기 복수의 로봇 구동부 중 적어도 어느 하나의 고장을 예측하되,
   상기 제어부는,
   상기 학습부의 예측 결과에 기반하여, 복수의 로봇 구동부 중 적어도 어느 하나의 구동을 제어하기 위한 제어 신호를 생성하는 것인, 지능형 로봇제어 시스템.
8. 제1항에 있어서,
   상기 로봇 구동부는,
   상기 용접건이 상기 모재를 용접함으로써 발생하는 화기를 흡입하기 위한 보호부를 더 포함하되,
   상기 용접건은 제1로봇팔과 연동되어 상기 제어부의 제어 신호에 기초하여 위치 및 각도가 제어되고, 상기 보호부는 제2로봇팔과 연동되어 상기 제어부의 제어 신호에 기초하여 위치 및 각도가 제어되는 것인, 지능형 로봇제어 시스템.
9. 제8항에 있어서,
   상기 용접건에 의해 제1모재 및 제2모재 사이의 길이방향 또는 둘레방향에 따라 용접되되, 상기 용접건의 용접 진행 방향을 가이드하는 보호부를 이용하여 상기 제1모재 및 제2모재를 용접하고,
   상기 보호부는, 상기 용접건이 통과할 수 있는 홀이 상하 방향으로 관통 형성되도록 폐도형 형상의 단면으로 형성되는 것인, 지능형 로봇제어 시스템.
10. 제9항에 있어서,
    상기 로봇 구동부는,
    용접선의 위치 및 각도를 파악하기 위한 터치센서를 더 포함하되,
    상기 제어부는,
    상기 터치센서가 상기 제1모재의 제1영역을 터치한 센싱 정보 및 상기 제2모재의 제2영역을 터치한 센싱 정보에 기반하여 용접선을 판정하고, 상기 로봇 구동부의 구동을 제어하기 위한 제어 신호를 생성하는 것인, 지능형 로봇제어 시스템.

Images