KR20130100266A

KR20130100266A - 납땜 이음의 품질을 검사하는 방법

Info

Publication number: KR20130100266A
Application number: KR1020137003428A
Authority: KR
Inventors: 장-크리스토프 생-마르탱; 티에리 셈브르진스키
Original assignee: 르노 에스.아.에스.
Priority date: 2010-07-09
Filing date: 2011-06-24
Publication date: 2013-09-10
Also published as: KR101882925B1; CN102985211B; WO2012004491A2; EP2590775B1; JP2013538687A; FR2962568B1; JP6005638B2; CN102985211A; US20130193123A1; FR2962568A1; WO2012004491A3; EP2590775A2

Abstract

납땜 이음의 품질을 검사하기 위한 방법으로서, 상기 납땜 이음의 상기 품질에 대한 평가(rating)을 결정하기 위해 확률론적 통계적 모델을 실행하는 것을 특징으로 하는 방법.

Description

납땜 이음의 품질을 검사하는 방법{Method for inspecting the quality of a solder joint}

본 발명은 용접 품질을 모니터링하기 위한 방법 및 상기 방법의 실행을 가능하게 하는 기기와 관련이 있다. 본 발명은 또한 용접 품질을 모니터링하기 위한 그러한 방법을 실행하는 기기와 관련이 있다. 본 발명은 방법의 실행에 적합한 컴퓨터 프로그램과 더 관련된다.

그것이 정확히 생성되는 때, 용접(weld) 또는 용접 비드(weld bead)는 2개의 부분들, 특히 2개의 금속성 또는 열가소성(thermoplastic) 부분들 사이의 강하고 신뢰할 수 있는 접합(join)을 이루기 위해 산업에서 널리 사용되는 수단이다. 용접 품질의 엄격하고 철저한 모니터링은 높은 레벨의 성능 및 용접 수단에 의해 이뤄지는 접합의 신뢰성(reliability)을 보장하기 위해 필수적이다.

모니터링의 2개의 대조적인 카테고리들이 존재한다: 모니터링 후 용접된 접합이 사용 불가능한 파괴적인 모니터링 및 모니터링 후 용접된 접합이 여전히 사용 가능한 비-파괴적인 모니터링.

비-파괴적인 모니터링 중에서 알려진 방식으로, 용접 비드는 작동자에 의한 외관 검사를 통해 또는 소위 프로필로메트리(profilometry) 모니터에 의한 자동 방식으로 광학 검사(optical inspection)를 통해 모니터링된다. 프로필로메트리는 표면[이 경우에 용접의 표면]의 프로필(profile)을 결정하는 것으로 이루어지는 측정 방안(measurement scheme)이다. 프로필로메트리 모니터링은 효과적이나, 그것은 오직 용접 비드의 외부 모습(exterior appearance)에 대한 정보를 제공한다. 외부 모습은 레이저 비드(laser bead)의 준수(compliance)를 확인하기에 충분하지 않다. 게다가, 열가소성 부분들의 용접의 경우에, 외부 모습의 변경이 없다.

용접 온도의 분석(고온 측정(pyrometry)), 더 정확하게 용접 동안 재료들의 온도 분석은 또한 용접 품질의 모니터링을 가능하게 한다. 온도를 나타내는 신호[나중에 온도 신호라 불림]는 용접에서 가능한 결점(defect)을 검출하는 목표로 분석되고, 또는 실은 관련되어 발생된 결점의 유형을 식별하는 목표로 분석된다. 용접 온도를 측정하는 것을 가능하게 만드는 여러 가지 수단이 알려져 있다. 첫째로 알려진 수단은 적외선 열 카메라를 포함하고, 적외선 열 카메라는 관찰된 구역의 온도를 나타내는 이미지를 제공하고, 그 이미지는 용접에서 가능한 결점을 파악하는 목표로 분석되며 처리된다. 용접 비드의 용해된 금속의 온도를 수집하는 것을 가능하게 만드는 둘째로 알려진 수단은 광학 고온계(optical pyrometer)이다. 광학 고온계는 센서 수단에 의해 요소에 의해 방출된 열 방사선(thermal radiation)을 감지할 수 있고, 상기 요소의 온도를 나타내는 신호를 제공할 수 있는 기기이다.

위에서 언급된 비-파괴적인 모니터링의 2개의 유형들의 실행을 위해, 용접 준수(weld compliance)의 결정은 용접의 여러 가지 특징들상에 경고 문턱치들(alert thresholds)을 두는 것에 의해 수행된다. 경고 문턱치들의 정의는 용접들이 강건 방식에서 "준수(compliant)", "불확실(uncertain)" 그리고 "비-준수(non-compliant)"로 분류되는 것을 가능하게 하지 못한다.

열 데이터가 취득되고, 그러면 용접이 준수 또는 비-준수인지 여부를 결정하기 위해 처리되는, 용접 품질을 모니터링하기 위한 방법들은 예를 들어 문헌들 EP1　275　464 및 EP1　361　015로부터 알려져 있다.

또한, 용접 품질을 모니터링하기 위한 방법은 문헌 EP1　767　308로부터 알려져 있고, 용접 구역에서 생성된 방사선이 검출되고, 그리고 평균 및 표준 편차가 용접 품질을 평가하기 위해 사용된다. 그러면 각 새로운 용접이 그것이 어떻게 평가되어야 하는지 보기 위해 그것의 평균 및 그것의 표준 편차의 함수로 심사된다. 이 방법에서 파라미터는 용접 전문가에 의해 공급되어야만 하는 것을 유의해야만 한다. 게다가, 이 방법에서는 트레이닝(training)이 존재하지 않고, 그러므로 그것을 실행하는 일부의 작동자들에 풍부한 지식을 요구한다. 각 용접은 이제 평균들 및 표준 편차들의 집합에 의해서만 특징지어진다. 이 방법은 오로지 금속성 재료들의 용접에 적용된다.

뿐만 아니라, 용접 구역에서 생성된 방사선이 검출되는, 용접 품질을 모니터링하기 위한 방법은 문헌 EP1　555　082로부터 알려져 있다. 용접들의 품질의 평가는 신호의 푸리에 변환(fourrier transform)을 분석함에 의해 수행되고, 이는 만약에 있다면, 구멍들(holes)의 존재를 전달하는 위조의 주파수들(spurious frequencies)을 결정하는 것을 가능하게 만든다. 이 방법은 오로지 금속성 재료들의 용접에 적용 가능하다. 게다가, 산업적으로 실행하는 것이 어렵다.

본 발명의 목표는 위에서 언급된 문제들을 개선하는 것을 가능하게 만들며, 종래 기술로부터 알려진 용접 품질을 모니터링하는 방법들을 향상시키는 용접 품질을 모니터링하는 방법을 제공하는 것이다. 특히, 본 발명은 용접 품질의 평가의 강건성(robustness)을 향상시키는 것을 가능하게 만드는 품질을 모니터링하기 위한 방법을 제안하고, 그리고 이는 (금속성 재료들만이 아닌) 여러 가지 유형들의 재료들에 실행될 수 있다. 본 발명은 그러한 방법을 실행하는 것을 가능하게 만드는 품질을 모니터링하기 위한 기기와 더 관련된다. 특히, 본 발명은 용접 안쪽의 품질을 감정하는 것을 가능하게 만드는 실시간으로 모니터링하기 위한 수단과 관련된다. 본 발명은 이 방법의 실행을 가능하게 하는 컴퓨터 프로그램과 더 관련된다.

본 발명에 따르면, 용접 품질을 모니터링하기 위한 방법은 상기 용접의 상기 품질의 평가(rating)을 결정하기 위해 확률론적(probabilistic) 통계적 모델(statistical model)을 실행하는 것을 특징으로 한다.

상기 통계적 모델은 기호 논리학 회귀(logistic regression) 유형의 모델일 수 있다.

상기 모델의 상기 실행은 상기 용접의 상기 품질을 "준수(compliant)"로, 또는 "비-준수(non-compliant)"로, 또는 아마 "불확실(uncertain)"로 평가하는 것을 가능하게 만들 수 있다.

상기 모델은 상기 용접의 상기 품질을 "비-준수" 또는 "아마도 준수(perhaps compliant)"로 평가하도록 실행되는 제1 모듈(module) 및 상기 용접의 상기 품질을 "준수" 또는 "불확실"로 평가하도록 실행되는 제2 모듈을 포함할 수 있다.

상기 방법은 상기 용접의 상기 품질을 평가하기 위한 상기 모델을 정의하는 제1 페이즈(phase) 및 상기 용접의 상기 품질을 평가하는 상기 평가 모델을 사용하는 제2 페이즈를 포함할 수 있다.

상기 제1 페이즈는 상기 용접에 대한 프로필로메트리 데이터 및/또는 상기 용접에 대한 온도 데이터를 사용할 수 있고, 그리고 상기 제2 페이즈는 상기 용접에 대한 프로필로메트리 데이터 및/또는 상기 용접에 대한 온도 데이터를 사용할 수 있다.

상기 제1 페이즈는 다음 단계들:

- 용접 시도들(weld trials)을 이행하는 단계,

- 이 용접들과 관련이 있는 데이터를 취득하는 단계,

- 상기 용접 시도들의 품질을 평가하는 단계,

- 이들 데이터를 스무딩하는 단계[상기 스무딩은 예를 들어 평균의 브레이크들(breaks)을 통해 이행됨],

- 상기 스무딩된 데이터를 압축하며, 설명 변수들(explanatory variables)을 추출하는 단계[상기 변수들은 예를 들어 상기 스무딩된 데이터의 경험 분포 함수(empirical distribution function)의 변위치들(quantiles) 특징에 대응함],

- 상기 모델의 상기 파라미터들을 정의하기 위해 상기 설명 변수들을 사용하는 단계

중 적어도 하나를 포함할 수 있다.

상기 제2 페이즈는 다음 단계들 중:

- 용접을 생성하는 단계,

- 상기 용접과 관련이 있는 데이터를 취득하는 단계,

- 이들 데이터를 스무딩하는 단계[상기 스무딩은 예를 들어 평균의 브레이크들을 통해 이행됨],

- 상기 스무딩된 데이터를 압축하며, 설명 변수들을 추출하는 단계[상기 변수들은 예를 들어 상기 스무딩된 데이터의 경험 분포 함수의 변위치들 특징에 대응함],

- 상기 모델을 사용하는 단계, 및

- 상기 용접의 상기 품질을 평가하는 단계

중 적어도 하나를 포함할 수 있다.

본 발명은 또한 위에서 정의된 방법의 단계들을 실행하기 위한 컴퓨터 프로그램 코드 수단을 포함하는 컴퓨터 프로그램이 기록된, 계산기(calculator)에 의해 판독 가능한 데이터 기록 매체와 관련된다.

본 발명에 따르면, 용접 품질을 모니터링하기 위한 기기는 위에서 정의된 방법을 실행하기 위한 하드웨어 및/또는 소프트웨어 수단을 포함한다.

본 발명에 따르면, 용접 장치(welding installation)는 위에서 정의된 모니터링 기기 및 용접 기기를 포함한다.

본 발명은 또한 컴퓨터상에서 프로그램이 가동될 때 위에서 정의된 방법의 단계들을 이행하도록 구성된 컴퓨터 프로그램 코드 수단을 포함하는 컴퓨터 프로그램과 관련된다.

첨부된 도면은 예를 통해 본 발명에 따른 품질을 모니터링하기 위한 방법의 시행의 모드 및 본 발명에 따른 품질을 모니터링하기 위한 기기의 실시예를 나타낸다.
도 1은 용접 시도들(weld trials)을 준수(compliant), 비-준수(non-compliant) 또는 불확실(uncertain)로 두는 것을 가능하게 만드는 통계적 조건들(statistical conditions)의 특별한 예를 제시하는 도식이다.
도 2는 본 발명에 따른 품질을 모니터링하기 위한 방법의 실시예의 단계를 실행함에 의해 용접의 데이터 특징 및 이들 특징 데이터에 대해 획득된 안정기들(plateaus)을 나타내는 그래프들의 집합이다.
도 3은 본 발명에 따른 품질을 모니터링하기 위한 방법의 실시예의 단계를 실행함에 의해 데이터 및 이들 데이터에 대해 획득된 안정기(plateau)들을 나타내는 그래프이다.
도 4는 본 발명에 따른 품질을 모니터링하기 위한 방법의 실시예의 단계를 실행함에 의해 프로필로메트릭 데이터 및 이들 데이터에 대해 획득된 안정기(plateau)들을 나타내는 다른 그래프이다.
도 5는 본 발명에 따른 품질을 모니터링하기 위한 방법의 실시예의 단계를 실행함에 의해 데이터 및 이들 데이터에 대해 획득된 안정기(plateau)들을 나타내는 또 다른 그래프이다.
도 6은 스무딩된 데이터를 압축(compression)하기 위한 기술[압축은 선형 내삽에 의해 이행됨]을 도시하는 그래프이다.
도 7은 도 4의 스무딩된 데이터에 적용된 도 6의 스무딩된 데이터를 압축하기 위한 기술을 도시하는 그래프이다.
도 8은 용접 품질을 판별하기 위한 논리를 설명하는 판단 흐름도이다.
도 9는 일련의 10 관측들 및 기호 논리학 모델(logistic model)을 통하여 이 10 관측들과 연관된 응답들의 예이다.
도 10 및 11은 용접 작동상 여러 가지 인자들의 효과들의 포물선의 내삽에 대한 방안에 의해 확인된, 비드들의 품질에 대한 트레이닝 기술을 도시하는 그래프들이다.
도 12는 본 발명에 따른 품질을 모니터링하기 위한 방법의 제1 페이즈의 모범적인 시행의 흐름도이다.
도 13은 본 발명에 따른 품질을 모니터링하기 위한 방법의 제2 페이즈의 모범적인 시행의 흐름도이다.
도 14는 본 발명에 따른 품질을 모니터링하기 위한 기기의 실시예의 도식이다.

본 발명에 따르면, 용접(weld) 품질을 모니터링하기 위한 방법은 다음 2개의 페이즈들(phases)를 포함한다:

- 용접 품질을 평가하기 위한 논리(logic) 또는 모델을 정의하는 제1 페이즈, 및

- 용접 품질을 평가하는 평가 논리(rating logic) 또는 모델을 사용하는 제2 페이즈.

본 발명에 따른 용접 품질을 모니터링하기 위한 방법의 실시예는 이하에 상세하게 서술된다.

용접 품질을 모니터링하기 위한 그러한 방법을 산업화하기 위해, 방안(scheme)을 실행하기 위한 수단이 다음 2가지 유형들의 사용자들에 접근 가능한 것이 필요하다:

■ 위에서 언급된 제1 페이즈를 담당하는, 다시 말해서 용접을 평가하기 위해 평가 논리를 정의하는 것을 담당하는, 또는 별도로 명시되지 않으면 용접들을 판별하기 위한 모델을 정의하는 것을 담당하는 엔지니어-기술자;

■ 위에서 언급된 제2 페이즈를 실행하는, 다시 말해서 평가 논리 또는 판별(discrimination) 모델을 사용하는 방법의 사용자. 사용자는 공장과 같은 생성 사이트(production site)상에 전형적으로 자리 잡고 있다.

제1 페이즈의 제1 단계에서, 용접 시도들(weld trials)을 이행한 후, 이 용접 시도들은 다음 3개의 카테고리들 중 하나로 분류된다: 기계적 강도(mechanical strength)의 측정들(measurements) T_i _,j[예를 들어, 규격서(specification)에 의해 주어진 기계적 강도의 기준들(criteria) CdC의 그리고 장력 강도(tensile strength)의 측정들]를 기반으로 하는 "준수(compliant)", "불확실(uncertain)" 그리고 "비-준수(non-compliant)".

예를 들어, 용접 시도들의 분류의 3가지 가능성들이 존재한다:

1) 시도 i 준수한 비드 j(Trial i compliant bead j): ∀j Ti,j > CdC AND Pr (Ti,j < CdC) << θ =10%

2) 시도 i 불확실한(Trial i uncertain) (비드들은 제한되고(beads are limits) 그리고 추정된 비-준수 비율(estimated non-compliance rate) TNC >10%) 비드 j: ∀j Ti,j > CdC AND Pr (Ti,j < CdC) > θ =10%

3) 시도 i 비-준수한 비드 j(Trial i non-compliant bead j): ∀j Ti,j < CdC

이 3개의 카테고리들은 도 1에 도시된다.

각 시도에 대해 n=5 측정들(또는 바람직하게는 더 많음)의 샘플을 기반으로 하여:

-

이면, 시도 i는 준수로 선언된다:

- 추정된 비-준수 비율 TNC가 10%보다 크면, 즉

이면, 시도 i는 불확실로 선언된다:

- 이면, 시도 i는 비-준수로 선언된다.

제2 단계에서, 방안, 예를 들어 Hinkley의 테스트(Hinkley's test)는 평균의 브레이크들(breaks in mean)을 통해 스무딩(smoothing)을 수행하도록 실행된다.

브레이크들(breaks)을 통한 스무딩의 목표는 용접하는 동안 실시간(real time)으로 측정된 고온 측정의(pyrometric) 그리고 프로필로메트릭(profilometric) 특징들(characteristics)의 신호들에서 변칙들(anomalies)(예를 들어, 구멍들(holes))을 검출하기 위한 것이다. 예를 들어, 측정은 레이저 카메라(laser camera)에 의해 수행된다.

용접 비드에 대해, 브레이크들을 통한 분석은 다음과 관련된다(도 2를 참조):

1) 프로필로메트리에서, 비드의 측정 신호 특징(measurement signal characteristic), 예를 들어 용해 풀(melt pool) 깊이(depth) 또는 폭(width);

2) 고온 측정(pyrometry)에서, (℃로) 온도 i의 측정 X_i.

레이저 카메라에 의해 측정된 프로필로메트릭 그리고 고온 측정의 신호들의 평균의 브레이크들을 검출함에 의한 스무딩은 생성 사이트상 품질 제어 모니터들에 의해 눈으로 발견될 수 있는 구멍들과 같은 가능한 변칙들을 진단하는 것을 목표로 하고; 그러면 신호의 위조의(spurious) "자연적 변동성(natural variability)"을 필터링(filtering)하는 것을 목표로 한다. 신호의 측정들의 개수는 비드의 길이(length) 및 샘플링(sampling) 주파수에 종속된다.

Hinkley의 방안은 가우시안(Gaussian)이 가정된 n 관측들(observations)의 윈도우(window) 이내에 평균의 브레이크를 검출하기 위한 최대 우도(maximum likelihood)을 기반으로 하여 이루어진다.

평균(mean) μ₀ 및 분산(variance) σ²를 가지는 가우시안이 가정된 n 관측들 {X₁, ...., X_n}의 윈도우를 고려하자. Hinkley의 테스트는 관측 X_r에서 상수(constant)가 가정된 분산을 갖는 평균의 브레이크의 모습(appearance)을 테스트한다.

표준 편차(standard deviation) σ는 n 관측들 {X₁, ...., X_n}상에서 예를 들어 2개의 독립된 추정자들(estimators)의 평균으로 이전에 추정된다:

1) 감소된 중심의 가우스 법칙(reduced centered Gauss law)에서 생긴 2개의 관측들의 평균 스팬 (1.128)에 관하여 취해진, 2개의 연속적인(consecutive) 측정들 {X_2i, X_2i _-1}의 스팬들(spans)의 평균

(강건(robust) 추정자);

2) 2개의 연속적인 측정들 {X_2i, X_2i _-1}의 분산들

의 평균의 제곱근(square root).

그러면 가장 가능성 있는 잠재적인(potential) 브레이크 포인트(break point) r이 찾아진다.

우도비(likelihood ratio) RV는 윈도우　{X₁, ...., X_n} 이내에 쓰여질 수 있다:

n 측정들의 윈도우의 가장자리들(edges)에서 브레이크들을 불리하게 만들기(penalize) 위해, 이 비율(ratio)은 다음에 의해 가중(weight)된다:

이것은 긴 안정기들(plateaus)상의(오히려 윈도우의 중심에서) 브레이크들을 선호(favor)하는 것을 가능하게 만들며, 측정 오류들로 인한 또는 관심(interest)을 제시하지 않는 크기(size) 1의 안정기들을 유발할 외딴 데이터(outlying data)로 인한 불량(rogue) 브레이크들을 제거하는 것을 가능하게 만든다.

양(quantity) Log(RVP)를 최대화하는 잠재적인 브레이크 포인트 2≤r≤n이 유지된다. 항상 하나가 존재하고; 그러면 질문(question)은 그것이 관련 있는지(relevant) 여부를 아는 것이다.

그에 따라, 브레이크 포인트를 확인(validate)하는 단계가 실시된다.

평균들의 균등(μ₁=μ₂)의 테스트는 잠재적인 브레이크 포인트 r에서 평균들의 균등의 가정(assumption) Ho를 인정(accect) 또는 부인(reject)하는 것을 가능하게 만든다.

검출은 그 후에 k 측정들[예를 들어 k=5]을 부가함에 의해 계속된다. 만일 브레이크가 확인되면(부인된 H_o), 안정기(plateau)는 시퀀스(sequence) {1, ..., r-1}상에서 종료되고, 그리고 검출 절차는 k=5 측정들 {X_n ₊₁, ...X_n _+k}의 새로운 시퀀스를 부가함에 의해 반복되고, 별도로 명시되지 않으면 새로운 브레이크들이 시리즈(series) {X_r, ...X_n, X_n ₊₁, ...X_n _+k}에서 찾아지고; 데이터가 종료될 때까지 그렇게 한다.

만일 브레이크가 무효로 되면(invalidated)(인정된 H_o), 검출 절차는 k=5 측정들 {X_n ₊₁, ...X_n _+k}의 새로운 시퀀스를 부가함에 의해 반복되고, 별도로 명시되지 않으면 새로운 브레이크들이 시리즈 {X₁, ...X_n, X_n ₊₁, ...X_n _+k}에서 찾아지고; 데이터가 종료될 때까지 그렇게 한다.

위에서 단계들의 모범적인 실행이 이하에 서술된다.

가우시안이 가정된 n=11 관측들 {X₁, ...., X_n}의 시리즈를 고려하자. 이 관측들은 이하에 테이블에서 요약된다.

표준 편차의 2개의 독립된 추정들의 평균 추정자로 σ = 0.531를 채택한다:

■ 감소된 중심의 가우스 법칙에서 생긴 2개의 관측들의 평균 스팬 (1.128)에 관하여 취해진, 2개의 연속적인 측정들 {X_2i, X_2i _-1}의 스팬들(spans)의 평균 W_i (0.515);

■ 2개의 연속적인 측정 {X_2i, X_2i _-1}의 분산들 s_i ²의 평균의 제곱근(0.548).

k 측정들[k=5]의 제1 윈도우가 분석된다.

즉, n=5 관측들 {X₁, ...., X_n}의 제1 윈도우:

잠재적인 브레이크 포인트 r은 가중된 우도비(weighted likelihood ratio)의 최대값 LPRV=0.6347을 이용하여 r=5에서 결정된다.

그러면 테스트 값

는 2.8167이고, 그러면 평균들의 균등의 가정(브레이크의 부재(absence)) H_o가 인정된다(T<U^-1(1-α/2)=3).

그 후에 k 측정들[k=5]의 제2 윈도우가 분석된다.

제2 윈도우는 n=10 관측들 {X₁, ...., X_n}을 포함한다:

잠재적인 브레이크 포인트 r은 가중된 우도비의 최대값 LPRV=4.9243을 이용하여 r=5에서 결정된다.

그러면 테스트 값

는 6.405이고, 그러면 평균들의 균등의 가정(브레이크의 부재) H_o가 부인된다(T >> U^-1(1-α/2) = 3).

안정기는 시퀀스 {1, ..., r-1}상에서 종료되고, 그것의 평균은 μ₁=-1.26에서 추정되었다.

그 후에 제3 윈도우는 k 측정들[k=1]을 부가한 후 포인트 r=5를 기반으로 하여 분석된다.

검출 절차는 k=1 측정들 (마지막(the last)) {X_n ₊₁}의 새로운 시퀀스를 부가함에 의해 반복되고, 별도로 명시되지 않으면 새로운 브레이크가 7개 측정들의 시리즈들 {X_r, ...X_n, X_n ₊₁}에서 찾아진다.

잠재적인 브레이크 포인트 r은 가중된 우도비의 최대값 LPRV=0.0675을 이용하여 r=6에서 결정된다.

그러면 테스트 값

는 1.0504이고, 그러면 평균들의 균등의 가정(브레이크의 부재) H_un이 인정된다(T < U^-1(1-α/2) = 3).

그러면 안정기의 평균은 H_o=0.932이고, 그리고 스무딩이 종결된다.

관측들 X_i 및 획득된 안정기(plateau)들은 도 3의 그래프에서 나타난다.

도 4의 그래프는 용접 비드의 특징들의 다른 예를 도시하고, 여기에서 브레이크에 의한 스무딩이 비드의 프로필로메트리의 123개 측정들 X_i의 시리즈상에서 수행되었다. 특징들의 측정들 및 안정기(plateau)들에 의한 스무딩이 나타난다.

도 5의 그래프는 실제(real) 표준 편차 σ=0.5를 가지는 85개 가우시안 측정들의 시뮬레이션[그것에 대한 안정기들의 정확한 평균들(true means)은 자연적으로 알려져 있음]에서 브레이크들을 검출하기 위한 계산들(calculations)의 또 다른 예를 도시한다. 추정된 안정기(estimated plateau)들의 그리고 정확한 안정기(true plateau)들의 유사성(similarity)이 유의될 것이다.

위에서 서술된 것과 같은 브레이크 검출은 용접된 비드에 대응하는 고온 측정의 그리고 프로필로메트릭 신호들상에서 이행된다. 특히, 비드를 나타내지 않는 모든 데이터[다시 말해서, 비드가 용접되기 전 또는 후에 참작된 모든 데이터]를 제거하는 것이 바람직하다. 실제로 그리고 일련의 사용(serial use)에 대해, 이 제거 페이즈는 불필요하다. 실은, 고온 측정 및 프로필로메트리 신호들은 용접 페이즈 동안에만 기록된다.

브레이크에 의한 스무딩 다음에, 고온 측정의 또는 프로필로메트릭 신호는 기호 논리학(logistic) 판별 모델의 설명 변수들(explanatory variables) {X_1%,X₅ _%, ...., X₉₅ _%, X₉₉ _%}을 추출하도록 압축(compress)된다.

도 4의 안정기(plateau)들의 커브에 의해 도시된 것과 같이 측정들　{X₁, ...., X_n}의 브레이크들을 검출함에 의해 이전에 스무딩된 고온 측정의 또는 프로필로메트릭 신호들의 안정기들의 평균값들에 대응하는 가우시안이 가정된 n 관측들 {_X₁, ...., _X_n}의 윈도우를 고려하자:

브레이크들 {_X₁, ...., _X_n}을 통해 스무딩된 신호를 압축하기 위해:

1. 브레이크들 {_X₁, ...., _X_n}을 통해 스무딩된 데이터의 경험 분포 함수(empirical distribution function) CdFE를 구성한다:

1.1. 오름차순(ascending order)으로 n 관측들 {_X₁, ...., _X_n}을 정리하고,

1.2.

를 계산한다[i는 정리(sorting) 후 관측 _X_i의 랭크(rank)임].

2. p% 레벨에서 경험 분포 함수의 확률(probability) p^-% 및 p⁺%의 변위치들(quantiles) [X_p _-%,X_p _+%] 사이의 선형 내삽(linear interpolation)에 의해 확률 p=1%, 5%, ...., 99%의 변위치들 {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X₉₉ _%}을 추출한다.

예: 문턱치(threshold) p=70%에 대해, 가로좌표(abscissa) 포인트들

[X_p _-%, X_p _+%]=[X₆₉ _.45%, X₇₀ _.26%]=[-0.19075, -0.10694]이 세로좌표들(ordinates) [p^-%, p⁺% ]=[69.45%, 70.26%]에서 채택되는데, 변위치(quantile) X_70%= -0.1204가 도 6에 도시된 것과 같이 선형 내삽에 의해 추정된 것을 기반으로 하여 이루어진다.

그러므로 CdFE를 기반으로 하는 변위치들 {X₁ _%, X₅ _%, X₁₀ _%, X₁₅ _%, ..., X₉₅ _%, X_99%}의 추출은 이전에 서술된 것과 같이 그리고 도 7에 도시된 것과 같이 이행된다. 별도로 명시되지 않으면, 경험 분포 함수 CdFE의 "압축(Compression)"이 이행된다.

다음 단계에서, 용접들을 판별하기 위한 기호 논리학 모델(logistic model)이 정의된다.

그에 따라, 기호 논리학 모델은 기호 논리학 회귀(regression) 유형이다. 기호 논리학 회귀는 통계 기술이고, 그 목적은 n 관측들의 파일(file)을 기반으로 하여, 계속적인(continuous) 설명 변수들 {X₁,X₂, ..., X_p}의 시리즈들을 기반으로 하는 (보통) 이진 단언적 변수(binary categorical variable) Y에 의해 취해진 값들을 예측하는 것을 가능하게 만드는 모델을 생성하는 것이다.

기호 논리학 회귀는 본 발명의 것과는 멀리 떨어진 기술적인 부문들에서 사용된다:

■ 은행업 부문에서, 신용을 할당할 때 위험한 그룹들을 검출하기 위함;

■ 계량 경제학에서, 선거에서 투표 의도들을 설명하기 위함;

■ 의학에서, 의료 분석이 건강한 피검체들에 대해 아픈 피검체들을 판별하는 것을 가능하게 만들 때, 의료 분석에서 획득된 기준들을 기반으로 하여 진단을 성립하기 위함.

회귀, 특히 선형 회귀로 알려진 기술들에 대해, 기호 논리학 회귀는 설명된 변수(explained variable) Y가 단언적(categorical)이라는 사실에 의해 본질적으로 구별된다. 예측 방안로서, 기호 논리학 회귀는 판별식(discriminant) 분석과 비슷하다.

목적은 비드의 고온 측정의 그리고 프로필로메트릭 신호들의 압축에서 생기는 21개 양적 변수들(quantitative variables) {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X_99%}의 도움으로 예측하는 것이다:

a) 장력의(tensile) 기계적 강도에 관한 응답 Y_NC _/C에 대한 긍정(yes)(1: 비드는 비-준수임)의 확률 또는 부정(no)(0: 비드는 아마도 준수임)의 확률, 및

b) 장력의 기계적 강도에 관한 응답 Y_I _/C에 대한 긍정(yes)(1: 비드는 불확실함)의 확률 또는 부정(no)(0: 비드는 준수임)의 확률.

이것은 21개 변수들 {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X₉₉ _%}의 그리고 상수항(constant term)의 함수로서 이진 응답 변수(binary response variable) Y (1 비드는 비-준수임/ 0 비드는 준수임)을 모델링하는 것에 대응한다[즉, p+1=22 파라미터들 β_i를 가지는 모델]:

기호 논리학 모델링은 좋은 결과를 가져온다. 설명 변수들 {X₁ _%,X₅ _%, X_10%, X₁₅ _%, ..., X₉₅ _%, X₉₉ _%}은 여기에 비드의 길이의 순서(order) 5%를 나타내는 값들에 비유(liken)된다.

기호 논리학 모델은 예를 들어, 2개의 기호 논리학 서브모델들(sub-models) {Y_NC _/C, Y_I _/C}을 포함한다. 기호 논리학 모델은 또한 2개보다 적은 기호 논리학 서브모델 또는 2개보다 많은 기호 논리학 서브모델들을 포함할 수 있다.

이 기호 논리학 모델은 그러면 비드의 신호들 특징에 적용되고, 신호들은 앞에 정의된 이전의 방안에 의해 압축된다: 고온 측정 신호들 또는 프로필로메트리 신호들.

비드의 준수(compliance) 또는 비-준수와 관련된 판단 규칙(decision rule)은 이전에 서술되었으며, 도 8의 흐름도에 의해 도시된다.

기호 논리학 회귀는 통상적인 선형 회귀와 근본적으로 다르다. 통상적인 선형 회귀 모델에서:

Y_i = X_i. B + ε_i Y_i = 0 또는 1, i=1,...,n ε_i= N(0,σ²)에 대해서임

E(ε_i)= 0이므로, 그러면 E 기대치(mathematical expectation)에 대해 E(Y_i)= X_i.β임.

응답 Y_i가 이진(binary)이며 베르누이(Bernouilli) 법칙 B(p)를 따를 때, 또한 다음을 가진다:

P(Y_i = 1)= p_i 및 P(Y_i = 0)= 1-p_i, p_i∈[0,1]

그러므로, E(Y_i)= 1x p_i + 0x (1-p_i) = p_i 따라서 E(Y_i)= X_i.β= p_i

예/아니오 응답에 대한 선형 모델링과 함께, E(Y_i)=X_i.β가 0과 1 사이의 값들을 취하도록 한정되지 않는 문제에 직면하고, 그런데 p_i는구간(interval) [0,1]에서의 값들을 취해야만 하는 확률을 나타낸다. 이진 응답 변수 Y가 모델링되는 때를 알면, 관계(relation)의 형식은 종종 비선형이고; 기호 논리학 유형의 비선형 함수를 지지하는데, 그것이 좋은 결과를 가져오며, 다루기가 수적으로(numerically) 간단하기 때문이다.

실제 그리고 단지 선형 회귀에 관해서, 기호 논리학 회귀 모델은 다음에 의해 정의된다:

F는 -ε_i 의 기호 논리학 분포 함수이다.

만일

가 의사-제로(quasi-zero)이면, 즉 Xβ가 강하게 양(strongly positive)(>10)이면, Y=1이고, 만일

가 의사-제로이면, 즉 Xβ가 강하게 음(strongly negative)(<-10)이면, Y=0임이 유의될 것이다.

관계를 서술하거나 예측(측정들 X를 기반으로 하는 새로운 비드의 평가 Y)하는 목적들을 위한 모델을 사용하기 위해, 모델의 파라미터들 β를 추정해야 한다. 이것을 하기 위해, 벡터 β를 추정하는 이하에 상세한 최대 우도 방안(다시 말해서 최대 확률 방안)를 사용하는 것이 가능하다. (병행하는 방식에서, 선형 회귀에 대해 최소 제곱 방안(the least squares scheme)이 전형적으로 사용된다).

임

로그-우도(Log-likelihood)가 작성될 수 있다:

최대는 편도함수들(partial derivatives)을 제로로 설정함으로써 획득된다:

해석적 표현(analytic expression)이 존재하지 않기 때문에, 추정자들 β은 수적인 절차 (그래디언트 기반 최적화(gradient-based optimization))에 의해 획득된다.

테일러 전개(Taylor expansion) 기반의 그래디언트 방안(Gradient scheme)

만일

이면, 해답은 최대

H: 만일

가 추정되어야할 p 파라미터들을 포함하면, 헤시안 행렬(Hessian matrix) H_(p,p)

G: 그래디언트 벡터(gradient vector)

이것은 복잡도(complexity) p²의 방안인데, 그것이 각 반복(iteration)에서 p 파라미터들을 위한 β_i를 요구하기 때문이다.

■ 함수

의 계산

■ 도함수들(derivatives)

을 추정하기 위한 함수

의 p 계산들

■ 2차 도함수들:

을 추정하기 위한 함수

의 p(p+1)/2 계산들

k=2 계속적인 설명 변수들 X1, X2 및 p=k+1 파라미터들을 가지는 유형

의 모범적인 기호 논리학 서브모델의 경우에

이하에 테이블에서 지시되고 도 9에서 나타난 것과 같이, 2개의 계속적인 설명 변수들 X1, X2 및 이진 응답 Y_NC _/C이 이용 가능한 n=10 관측들을 고려하고, 그리고 응답 Y_NC _/C를 예측하도록 시도하는 2개의 상보적인(complementary) 관측들을 고려하자:

기호 논리학 회귀 모델

을 구성하기 위해, 다음 단계들이 수행된다:

제1 단계에서, 설명 변수들 X = [1, X1, X2]의 행렬이 풀 랭크(full rank)인지 여부를 점검한다. 이것을 하기 위해, 다중(multiple) 선형 회귀

가 수행된다. p=3 파라미터들 β의 벡터는 해석적 공식:

에 의해 주어진다.

차원(dimension) (n=10, p=3)의 행렬 X는:

해답은:

만일 행렬 X'X가 가역적(invertible)이 아니면, 그것은 하나 이상의 설명 변수들 X1, X2이 다른 변수들의 선형 결합들이기 때문이다. 그러면 선형 회귀가 파라미터들이 추정되는 것을 가능하게 할 때까지 새로운 측정들 [X1, X2, Y_NC/C]이 수집된다.

제2 단계에서, 기호 논리학 모델

의 제1 반복이 수행된다.

트레이닝(training) 샘플의 n=10 관측들을 고려하자. 로그-우도

를 최대화시키는 절차는 해답

로 초기화된다 .

임의의 관측에 대해 P(Y=1 | X=X_i) = P(Y=0 | X=X_i) = 0.5이기 때문에, 함수

.

컨버전스(convergence)에서,

및 우도 함수의 최적 조건(optimum)

.

파라미터들의 초기의 벡터

는:

해답 f(β)=ln(Likelihood)=ln(V(β))=-n.Ln(2)=-10.ln(2)=-6.93147

■ 그래디언트 (1차 도함수들)의 파라미터들의 p=3 벡터들

은 h_i=0.001과 함께 추정된다.

■ 헤시안 행렬 (2차 도함수들)의 파라미터들의 p(p+1)/2=6 벡터들

은 h_i=h_j=0.001과 함께 추정된다.

함수 f(β)=Σ_iln(P(Y=Y_i)), 그래디언트 G(β)의 그리고 헤시안 H(β)의 구성 요소들(components)은 응답 Y_NC _/C의 값 1/0에 따라 설명 변수들 X1, X2을 기반으로 하여 이전의 계수(coefficient) 벡터들에 관해서 추정된다.

그래디언트 G(β)의 구성 요소들은 3 파라미터들에 대해:

에 의해 계산된다; 벡터 G(β)의 놈(norm)이 제로 또는 10^-6보다 작거나, 헤시안 행렬의 행렬식(determinant)이 의사-제로 (|D|< 10^-180)이면, 컨버전스 (그러므로 우도의 최대화)가 달성된다.

제1 반복에서, 그래디언트 G(β)는 놈: 1.6562을 가진다.

헤시안 H(β)을 가지는 차원 (p,p)의 대칭 정사각형(symmetric square) 행렬은 다음에 의해 계산된다:

그것이 가역적이어서(|Det(H)|< 10^-180), 파라미터들 β=β-H^-1.G의 새로운 벡터를 계산한 것을 기반으로 하여, 항(terms) H^-1.G를 추정한다.

제3 단계에서, 기호 논리학 모델의 제2 반복이 수행된다.

함수 f(β)=ln(Likelihood)=ln(V(β))=1.5288를 추정한 것과 함께 이전의 해답 (앞에 테이블)에서 시작한다.

우도 f(β)는 이전의 추정(ln(V(β)) = -n.ln(2) = -6.93147)보다 크다.

이전에서와 같이:

■ 그래디언트 (1차 도함수들)의 파라미터들의 p=3 벡터들

은 h_i=0.001과 함께 추정된다.

은 h_i=h_j=0.001과 함께 추정된다.

함수 f(β)=Σ_iln(P(Y=Y_i)), 그래디언트 G(β)의 그리고 헤시안 H(β)의 구성 요소들은 이전의 계수 벡터들의 함수와 같이 응답 Y_NC _/C의 값 1/0에 따라 데이터를 기반으로 하여 추정된다.

그래디언트 G(β)의 구성 요소들은 3 파라미터들에 대해:

에 의해 계산되고, 벡터 G(β)의 놈(norm)이 제로이거나 10^-5보다 작으면, 컨버전스 (그러므로 우도의 최대화)가 달성된다.

제2 반복에서, 그래디언트는 놈: 0.44452을 가진다.

헤시안 H(β)을 가지는 차원 (p,p)의 대칭 정사각형 행렬은 다음에 의해 계산된다:

그것이 가역적이면(|Det(H)|< 10^-180), 파라미터들 β=β-H^-1.G의 새로운 벡터를 계산한 것을 기반으로 하여 항(terms) H^-1.G를 추정한다.

기호 논리학 모델의 새로운 반복들은 컨버전스(예에서 반복 17에서임)까지 수행된다.

그러면 발견된 모델은:

이고, 그러면 관측 쌍(pair) (X1, X2)에 대해 예측하는 것이 가능하다:

■

이면, 응답 Y_NC _/C=1

■

이면, 응답 0

따라서, 이하에 지시된 것과 같이 마지막 2개의 관측들과 관련이 있는 응답 Y_NC _/C를 예측하는 것이 가능하다:

이전에 보인 것과 같이, 제1 페이즈의 프리앰블(preamble)에서, 용접 시도들이 이해된다.

이 용접 시도들은 모델을 트레이닝하는 것을 가능하게 만든다. 트레이닝된 모델이 일련의 페이즈 동안 마주치게 된 파라미터들을 나타내도록 이 시도들은 구조화된(structured) 방식으로 이행되어야만 한다.

예를 들어, 실험적 설계 L9=3³에 의존하는 것이 가능하다. 3개의 또는 4개의 인자들(factors)이 다를 때: 부품(parts), 파워(power), 스피드(speed) 사이에서 처리할 때 실험적 설계의 이 유형이 적용 가능하다.

이 예에서, 9개의 시도들은 용접 작동(welding operation)을 미세 튜닝(fine tuning)하기 위해 필요하며, 용접 시도들의 품질을 "준수", "비-준수" 또는 "불확실"로 분류하거나 평가하기 위한 시도들상에서 이행되는 기계적인 테스트들, 특히 장력 테스트들을 포함함으로써, 용접된 비드들 트레이닝 데이터 샘플(welded beads training data sample)(프로필로메트리 데이터 그리고 고온 측정 데이터)을 구성하기 위해 필요하다.

실험적 설계의 각 시도는 k=5 트레이닝 표본들(specimens)의 최소를 야기할 수 있어, 데이터베이스를 생성하며, 데이터베이스로부터 분류 함수들(classing functions)이 구성될 것이고, 확인(validation) 표본이 사후(posteriori) 모델들을 테스트하기 위해 데이터베이스에 추가된다.

만일 이것이 이미 취득된 데이터가 예를 들어 9 시도들의 제2 시리즈 (제2 설계 L9)로 보충되는 경우가 아니면, 기호 논리학 모델들의 파라미터들 β을 추정하기 전에 프로필로메트리 그리고 고온 측정 데이터(분포 함수들로부터 구성된 압축된 프로필들(profiles) {X_1%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X₉₉ _%})에 대한 공분산(covariance) 행렬 X'X이 실은 풀 랭크임이 보장된다.

실험적 설계의 완료 시, 기호 논리학 회귀에 의한 모델링이 수행되며 각 시도의 표본들 (k+1)을 기반으로 하여 확인되고, 사실은 "비-준수"인 용접 비드가 기호 논리학 회귀 모델에 의해 "준수"인 것으로 평가되거나 예측되지 않으면, 모델이 확인된다.

실험적 설계는 다음 파라미터들로 매개변수로 표시될 수 있다:

■ 인자들의 선택(이름),

■ 사용자 유닛들 (-1: mini, 0: (mini+maxi)/2, 1: maxi)에서 그것들의 가능한 값들 (-1, 0, 1)

■ 용접된 접합(join)의 유형,

■ 용접에 대한 기계적 강도 준수 규격서,

■ 각 시도 (최소로 k=5)에서 용접된 표본들의 개수, 덧붙여 확인 표본.

규격서와 함께 기계적 강도 준수의 기준(criterion) CdC 값의 변경은 용접 비드들의 품질을 평가하기 위한 통계적 기준의 새로운 계산을 촉발한다.

실험적 설계를 위한 2개의 응답들이 사용될 수 있다:

■ 평균 장력 강도 응답

,

■ 다구찌(Taguchi) 신호/노이즈 비율(SN ratio) SN_i에 의해 추정된 장력 강도 강건성(robustness) 응답.

2개의 응답들에 대한 인자들의 효과들(effects) E의 그래프들은 인자의 3개의 가능한 값들 -1, 0, 1의 함수로 나타낸다.

3개의 가능한 값들 (-1, 0, 1)에 대해 각 인자(인자마다 3개의 가능한 값들)의 효과들 E_i의 포물선의(parabolic) 내삽을 다음 형식으로 사용하는 것이 가능하다:

E_Fi = a.(X+b)²+c

임

포물선의 내삽들의 예들은 도 10 및 11에서 나타낸다.

바람직하게는, 강건성을 최대화하는 해답(SN)은 디폴트(default)로 최적의 해답으로(다시 말해서, 인자들의 가능한 값들의 최적의 결합으로) 채택된다. 강건성의 저하(degradation)를 최소화하는 동안 평균 응답을 최대화하는 해답을 선택하는 것이 또한 가능하다. 응답들의 예측들 SN 및 평균(Mean)은 다음 등식들을 기반으로 하여 정의된다:

만일 시도들의 제2 시리즈가 이행되어야만 하면, 실험적 설계의 시도들의 2개의 시리즈는 최적의 설정(setting)을 발견하기 위해 전체로서 분석된다.

실험적 설계들의 여러 가지 유형들이 사용될 수 있다.

이 용도를 의해 Jacques Alexis, AFNOR가 쓴 저술

[Industrial practice with the Taguchi　method Experimental designs]을 참고하는 것이 가능하다.

구성되었던 트레이닝 베이스, 압축된 프로필들 {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X_95%, X₉₉ _%}에 대응하는 21 설명 변수들 및 각 시도 i의 각 표본 k에 대해 이용 가능한 품질 평가 (준수 / 비-준수 / 불확실); 4 기호 논리학 서브모델들은 프로필로메트릭 및/또는 고온 측정의 데이터를 기반으로 하여 구성될 수 있다.

모델들은 각 시도의 표본들 (k+1)을 기반으로 하여 확인되고, 사실은 비-준수인 용접 비드가 모델에 의해 "준수"인 것으로 예측되지 않으면, 모니터링 기기는 확인된 것으로 선언된다. 반대 경우에, 절차는 시도들의 제2 시리즈상에서 반복되고, 그리고 실험적 설계의 2 x 9 시도들은 최적의 설정을 발견하기 위해 전체로서 분석된다.

위에서-언급된 제2 페이즈에서, 이전에 정의된 평가 모델이 사용되고, 특히 용접 작동들 동안 실시간으로 예를 들어 대량 생성 시설에서 사용된다.

따라서, 용접하는 동안 또는 용접한 후, 고온 측정 그리고 프로필로메트리 데이터의 압축된 프로필들 {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X₉₉ _%}을 기반으로 하여, 용접 품질이 도 8의 흐름도에 따라 예측된다:

■ 비드의 준수,

■ 비드의 비-준수, 또는

■ 비드의 "불확실한 준수(uncertain compliance)".

바람직하게는, 만일 3개의 연속적인 비드들이 비드의 "불확실한 준수"로 예측되면, 이 3개의 비드들은 비-준수인 것으로 고려된다.

바람직하게는, 브레이크들을 통해 스무딩된 고온 측정의 그리고 프로필로메트릭 프로필들뿐만 아니라 마지막 50개 비드들의 압축된 프로필들(분포 함수들을 기반으로 하여 구성된 변위치들 {X₁ _%,X₅ _%, X₁₀ _%, X₁₅ _%, ...., X₉₅ _%, X₉₉ _%})을 조사(view)하는 것이 가능하다. 데이터베이스에 압축된 그리고 타임 스탬핑된(time-stamped) 프로필들 그리고 준수 예측들(compliance predictions)을 저장(save)하는 것이 또한 가능하다.

발명에 따른 용접 품질을 모니터링하기 위한 방법의 제1 페이즈의 실시예가 도 12를 참고하여 이하에 서술된다.

제1 단계 10에서, 용접 시도들 동안 표본들이 생성된다.

제2 단계 20에서, 이 용접 시도들과 관련이 있는 데이터가 취득된다.

제3 단계 30에서, 이전에 취득된 데이터의 스무딩이 이행된다. 이 스무딩은 예를 들어 평균에서 브레이크들을 통해 이행된다.

제4 단계 40에서, 설명 변수들이 이전에 스무딩된 데이터를 기반으로 하여 추출된다.

단계 60에서, 예를 들어 단계들 20 내지 40과 병행하여 이행된, 용접 시도들의 품질은 표본들 그러므로 용접들이 규격서에서 정의된 기준에 관해서 준수인지 또는 비-준수인지 여부를 검증함으로써 평가된다. 이 기준은 기계적 강도 기준일 수 있고, 그리고 평가는 표본들과 함께 이행된 기계적 강도 시도, 예를 들어 장력의 시도를 수반할 수 있다.

단계 50에서, 단계들 40 및 60의 결과들은 용접들의 품질 평가 모델의 파라미터들을 정의하기 위해 사용된다. 파라미터들 및 모델이 저장된다.

발명에 따른 용접 품질을 모니터링하기 위한 방법의 제2 페이즈의 실시예가 도 13을 참고하여 이하에 서술된다.

제1 단계 110에서, 용접이 생성된다.

제2 단계 120에서, 이 용접과 관련이 있는 데이터가 취득된다.

제3 단계 130에서, 이전에 취득된 데이터의 스무딩이 이행된다. 이 스무딩은 예를 들어 평균에서 브레이크들을 통해 이행된다.

제4 단계 140에서, 설명 변수들은 이전에 스무딩된 데이터를 기반으로 하여 추출된다.

단계 150에서, 단계 140의 결과들 및 단계 50에서 정의된 모델이 사용된다.

따라서, 단계 160에서, 용접 품질의 평가가 획득된다.

발명에 따른 용접 품질을 모니터링하기 위한 기기의 실시예가 도 14를 참고하여 이하에 서술된다.

모니터링 기기(1)는 센서(sensor, 7) 및 논리 프로세싱 유닛(logic processing unit, 8)을 주로 포함한다. 센서는 임의의 종류(nature)일 수 있다. 바람직하게는, 그것은 프로필로메트릭 데이터 및/또는 열(thermal) 데이터를 측정하는 것을 가능하게 만든다. 그것은 특히 카메라, 예를 들어 레이저 카메라를 포함할 수 있다. 센서는 바람직하게는 고온계(pyrometer)이다. 센서에 의해 모인 데이터는 논리 프로세싱 유닛(8)으로 이송된다. 이 유닛은 유리하게 마이크로컨트롤러(microcontroller) 및 메모리들을 포함한다. 그것은 이전에 서술된 모니터링 방법의 제1 페이즈의 단계 50의 완료 시 정의되는 모델을 통합(integrate)시킨다. 바람직하게는, 프로세싱 유닛은 발명에 따른 방법에 따라, 특히 발명에 따른 방법의 제2 페이즈에 따라 품질을 모니터링하기 위한 기기의 작동을 통제하는 것을 가능하게 만드는 하드웨어 및/또는 소프트웨어 수단을 포함한다. 소프트웨어 수단은 특히 컴퓨터 프로그램을 포함할 수 있다.

게다가, 모니터링 기기(1)는 용접 장치(welding installation, 11)의 일부를 형성할 수 있다. 장치는 또한 용접 기기(12)를 포함하고, 용접 기기는(12)는 레이저 용접 수단과 같은 용접 수단(5) 및 제어 유닛(control unit, 6)을 포함한다. 이 제어 유닛은 특히 레이저 빔(4)의 농도(concentration), 진행(advance), 파워 등과 같은 용접 파라미터들을 정의하는 것을 가능하게 만든다. 용접 기기는 플레이트들(plates)과 같은 2개의 요소들(elements, 2 및 3)을 함께 용접하는 것을 가능하게 한다.

본 발명에 의해, 레이저에 의해(또는 다른 공정, 예를 들어 아크 용접(arc welding)에 의해) 용접된 비드들을 온라인으로(on line) 또는 실시간으로 모니터링하는 것이 가능하다. 본 발명은 플라스틱 또는 열가소성 수지(thermoplastics)에 관해 금속들의 용접이 동일하게 잘 적용된다. 게다가, 본 발명에 따른 품질을 모니터링하기 위한 방법은 용접된 비드들의 임의의 다른 크기(size)뿐만 아니라 용접 품질의 특징 표시(characterization)를 위한 다수의(numbers of) 카테고리들 및 다른 유형들과 함께 또한 이행될 수 있다.

게다가, 본 발명에 따른 방법은 다음의 것들을 가능하게 만든다:

- 금속들 및 플라스틱 용접 애플리케이션들(applications)을 위한 유효한 프로세싱을 가지는 것,

- 모든 필요한 정보를 유지하는 동안, 감지할 수 있는 분산들(variations)만을 검토하는 것(스무딩),

- 품질 평가의 매우 상당한 강건성을 가지는 것(21 설명 변수들의 사용),

- "지능적인" 시스템을 가지는 것: 작동자에 의해 결정되어야 하거나 또는 변경되어야 하는 문턱치가 존재하지 않음,

- 시간이 지나면서 향상될 수 있는 방법을 가지는 것(데이터베이스의 강화).

- 저장 공간을 제한하는 것(요구되는 저장: 이전에 언급된 오직 21 설명 변수들).

- (센서를 조정(calibrating)하기 위한 적당한 절차를 통해) 여러 가지 생성 사이트들상에서 동일한 데이터베이스와 함께 사용을 가능하게 하는 것.

Claims

용접 품질을 모니터링하기 위한 방법으로서,
상기 용접의 상기 품질의 평가(rating)을 결정하기 위해 확률론적(probabilistic) 통계적 모델(statistical model)을 실행하는 것을 특징으로 하는 모니터링 방법.
제1항에 있어서,
상기 통계적 모델은 기호 논리학 회귀(logistic regression) 유형의 모델인 것을 특징으로 하는, 모니터링 방법.
제1항 또는 제2항에 있어서,
상기 모델의 상기 실행은 상기 용접의 상기 품질을 "준수(compliant)"로, 또는 "비-준수(non-compliant)"로, 또는 아마 "불확실(uncertain)"로 평가하는 것을 가능하게 만드는 것을 특징으로 하는, 모니터링 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 모델은 상기 용접의 상기 품질을 "비-준수" 또는 "아마도 준수(perhaps compliant)"로 평가하도록 실행되는 제1 모듈(module) 및 상기 용접의 상기 품질을 "준수" 또는 "불확실"로 평가하도록 실행되는 제2 모듈을 포함하는 것을 특징으로 하는, 모니터링 방법.
제1항 내지 제4항 중 어느 한 항에 있어서,
상기 용접의 상기 품질을 평가하기 위한 상기 모델을 정의하는 제1 페이즈(phase) 및 상기 용접의 상기 품질을 평가하는 상기 평가 모델을 사용하는 제2 페이즈를 포함하는 것을 특징으로 하는 모니터링 방법.
제5항에 있어서,
상기 제1 페이즈는 상기 용접에 대한 프로필로메트리 데이터 및/또는 상기 용접에 대한 온도 데이터를 사용하고, 그리고 상기 제2 페이즈는 상기 용접에 대한 프로필로메트리 데이터 및/또는 상기 용접에 대한 온도 데이터를 사용하는 것을 특징으로 하는, 모니터링 방법.
제5항 또는 제6항에 있어서,
상기 제1 페이즈는:
- 용접 시도들(weld trials)을 이행하는 단계,
- 이 용접들과 관련이 있는 데이터를 취득하는 단계,
- 상기 용접 시도들의 품질을 평가하는 단계,
- 이들 데이터를 스무딩하는 단계[상기 스무딩은 예를 들어 평균의 브레이크들(breaks)을 통해 이행됨],
- 상기 스무딩된 데이터를 압축하며, 설명 변수들(explanatory variables)을 추출하는 단계[상기 변수들은 예를 들어 상기 스무딩된 데이터의 경험 분포 함수(empirical distribution function)의 변위치들(quantiles) 특징에 대응함],
- 상기 모델의 상기 파라미터들을 정의하기 위해 상기 설명 변수들을 사용하는 단계
중 적어도 하나를 포함하는 것을 특징으로 하는, 모니터링 방법.
제5항 내지 제7항 중 어느 한 항에 있어서,
상기 제2 페이즈는:
- 용접을 생성하는 단계,
- 상기 용접과 관련이 있는 데이터를 취득하는 단계,
- 이들 데이터를 스무딩하는 단계[상기 스무딩은 예를 들어 평균의 브레이크들을 통해 이행됨],
- 상기 스무딩된 데이터를 압축하며, 설명 변수들을 추출하는 단계[상기 변수들은 예를 들어 상기 스무딩된 데이터의 경험 분포 함수의 변위치들 특징에 대응함],
- 상기 모델을 사용하는 단계, 및
- 상기 용접의 상기 품질을 평가하는 단계
중 적어도 하나를 포함하는 것을 특징으로 하는, 모니터링 방법.
제1항 내지 제8항 중 어느 한 항의 방법의 단계들을 실행하기 위한 컴퓨터 프로그램 코드 수단을 포함하는 컴퓨터 프로그램이 기록된, 계산기(calculator)에 의해 판독 가능한 데이터 기록 매체.
제1항 내지 제8항 중 어느 한 항의 방법을 실행하기 위한 하드웨어 및/또는 소프트웨어 수단을 포함하는 것을 특징으로 하는 용접 품질을 모니터링하기 위한 기기(1).
용접 장치(welding installation, 11)로서, 제10항의 모니터링 기기 및 용접 기기(12)를 포함하는 것을 특징으로 하는 용접 장치.
컴퓨터상에서 프로그램이 가동될 때, 제1항 내지 제8항 중 어느 한 항의 방법의 단계들을 이행하도록 구성된 컴퓨터 프로그램 코드 수단을 포함하는 컴퓨터 프로그램.