KR20210157253A - 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치 - Google Patents

용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치 Download PDF

Info

Publication number
KR20210157253A
KR20210157253A KR1020200075324A KR20200075324A KR20210157253A KR 20210157253 A KR20210157253 A KR 20210157253A KR 1020200075324 A KR1020200075324 A KR 1020200075324A KR 20200075324 A KR20200075324 A KR 20200075324A KR 20210157253 A KR20210157253 A KR 20210157253A
Authority
KR
South Korea
Prior art keywords
welding
learning
quality evaluation
pass
image data
Prior art date
Application number
KR1020200075324A
Other languages
English (en)
Inventor
강민구
박상철
박기진
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020200075324A priority Critical patent/KR20210157253A/ko
Publication of KR20210157253A publication Critical patent/KR20210157253A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/12—Automatic feeding or moving of electrodes or work for spot or seam welding or cutting
    • B23K9/127—Means for tracking lines during arc welding or cutting
    • B23K9/1272—Geometry oriented, e.g. beam optical trading
    • 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
    • B23K9/16—Arc welding or cutting making use of shielding gas

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

본 개시의 기술적 사상에 의한 일 양태에 따른 용접의 품질 평가 모델의 학습 장치는, 가스 텅스텐 아크 용접을 수행하는 용접 장치, 및 영상 획득 장치 각각과 연결하기 위한 인터페이스, 상기 용접 장치 및 상기 영상 획득 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 품질 평가 모델의 학습을 제어하는 제어부, 및 상기 학습된 품질 평가 모델을 저장하는 메모리를 포함한다.

Description

용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치{APPARATUS AND METHOD FOR LEARNING QUALITY ESTIMATION MODEL OF WELDING, AND ESTIMATION APPARATUS USING THE MODEL}
본 개시(disclosure)의 기술적 사상은 용접의 품질 평가 모델의 학습 장치와 방법, 및 상기 품질 평가 모델을 이용한 평가 장치에 관한 것이다.
일반적으로 아크 용접(가스 텅스텐 아크 용접 등)의 결함 검출이나 품질 평가는 off-line 방식, 즉 용접 후 작업자 등이 육안으로 용접부의 결함부위를 확인하고 합/부 판정하거나, 또는 레이저 비전 센서, 초음파 센서 등의 추가적인 디바이스를 장착하여 비파괴 검사 방식으로 품질을 평가하는 기술로 진행되었다.
기존의 품질 평가 방식에 따르면, 용접 후 작업자 등이 육안으로 용접부를 검사하기 때문에, 용접부 내부에서 발생하는 결함까지는 검출하지 못하고, 작업자 등의 경험이나 숙련도에 따라 정확도가 제한되는 문제가 발생한다.
또한, 추가적인 디바이스를 이용한 비파괴 검사를 통해 용접 품질을 평가하는 방식은 추가적인 설비 비용이 요구되고 생산 효율이 낮아지는 문제점을 갖는다.
최근 자동차, 조선, 해양플랜트 등의 생산라인에서 자동화 공정 시스템이 도입되면서, 용접 품질을 실시간으로 평가할 필요성이 증가하고 있고, 특히 자동화 용접 공정의 점유율이 증가하면서 용접 품질을 실시간으로 평가할 필요성이 대두되고 있다.
본 발명이 해결하고자 하는 기술적 과제는, 가스 텅스텐 아크 용접의 용접 품질 평가를 자동화하기 위한 용접 품질 평가 모델을 학습하는 장치 및 방법과, 학습된 용접 품질 평가 모델을 이용하여 가스 텅스텐 아크 용접의 용접 품질을 을 정확히 평가할 수 있는 장치를 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상에 의한 일 양태(aspect)에 따른 용접 품질 평가 모델의 학습 장치는, 가스 텅스텐 아크 용접을 수행하는 용접 장치, 및 영상 획득 장치 각각과 연결하기 위한 인터페이스, 상기 용접 장치 및 상기 영상 획득 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 품질 평가 모델의 학습을 제어하는 제어부, 및 상기 학습된 품질 평가 모델을 저장하는 메모리를 포함한다.
실시 예에 따라, 상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고, 상기 용접 단계별 용접 데이터는, 상기 적어도 하나의 패스 용접 각각에서 상기 용접 장치에 의해 센싱되는 적어도 하나의 센싱 데이터를 포함할 수 있다.
실시 예에 따라, 상기 적어도 하나의 센싱 데이터 각각으로부터 추출되는 특징 변수값들은, 상기 적어도 하나의 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 상기 용접 장치의 팁과 용접점 사이의 거리에 대한 값들을 포함할 수 있다.
실시 예에 따라, 상기 용접 단계별 용접 데이터는, 상기 적어도 하나의 패스 용접 각각의 수행 이전 시점 및 수행 이후 시점 각각에서 상기 영상 획득 장치에 의해 획득되는 복수의 영상 데이터를 포함할 수 있다.
상기 복수의 영상 데이터는, 상기 적어도 하나의 패스 용접의 수행 이전에 획득되는 제1 영상 데이터, 상기 적어도 하나의 패스 용접의 수행 이후에 획득되는 제2 영상 데이터를 포함할 수 있다.
실시 예에 따라, 상기 제1 영상 데이터로부터 추출되는 특징 변수값들은, 모재들 사이의 그루브의 너비, 깊이, 각도, 및 면적에 대한 값들을 포함하고, 상기 제2 영상 데이터로부터 추출되는 특징 변수값들은, 비드의 너비, 높이, 면적, 및 상기 비드의 가장자리의 접선들 각각의 각도에 대한 값들을 포함할 수 있다.
실시 예에 따라, 상기 적어도 하나의 패스 용접은 제1 패스 용접 및 제2 패스 용접을 포함하고, 상기 복수의 영상 데이터는, 상기 제1 패스 용접과 상기 제2 패스 용접 사이의 시점에 획득되는 제3 영상 데이터를 더 포함하고, 상기 제3 영상 데이터로부터 획득되는 특징 변수값들은, 비드의 너비, 모재들의 상면으로부터 상기 비드의 최고점까지의 깊이, 및 상기 모재들 사이의 그루브의 잔여 면적에 대한 값들을 포함할 수 있다.
상기 품질 평가 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)로 구현될 수 있다.
상기 품질 평가 모델은, 상기 복수의 특징 변수값들에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 값을 출력할 수 있다.
본 개시의 기술적 사상에 의한 일 양태에 따른 용접의 품질 평가 모델의 학습 장치를 이용한 학습 방법은, 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 획득하는 단계, 획득된 용접 데이터로부터 복수의 특징 변수값들을 추출하는 단계, 및 상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 상기 품질 평가 모델의 학습을 제어하는 단계를 포함한다.
본 개시의 기술적 사상에 의한 일 양태에 따른 가스 텅스텐 아크 용접의 품질 평가 모델을 이용하여 상기 가스 텅스텐 아크 용접의 품질을 평가하는 평가 장치는, 상기 품질 평가 모델을 저장하는 메모리, 상기 가스 텅스텐 아크 용접을 수행하는 용접 장치와 연결하기 위한 인터페이스, 및 영상 획득 장치 및 상기 용접 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 추출된 복수의 특징 변수값들을 상기 품질 평가 모델로 입력하고, 상기 품질 평가 모델의 출력값에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 제공하는 제어부를 포함한다.
실시 예에 따라, 상기 제어부는 상기 복수의 특징 변수값들 및 상기 결과에 기초하여 상기 품질 평가 모델의 학습을 제어할 수 있다.
실시 예에 따라, 상기 평가 장치는 상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 출력하는 출력부를 더 포함하고, 상기 출력부는 디스플레이, 스피커, 광원, 및 버저(buzzer) 중 적어도 하나를 포함할 수 있다.
본 개시의 기술적 사상에 따르면, 가스 텅스텐 아크 용접의 품질 예측과 관련된 다양한 특징들(모재 및 비드 상태와 관련된 특징들)을 이용한 머신 러닝(딥 러닝) 기반의 학습 동작을 통한 품질 평가 모델이 제공됨으로써, 종래와 같이 용접의 품질을 육안으로 평가하는 것에 비해 정확도가 크게 향상될 수 있다.
또한, 상기 가스 텅스텐 아크 용접이 멀티 패스 용접에 해당하는 경우, 학습 장치는 패스 용접별로 용접 데이터를 획득하고, 획득된 용접 데이터로부터 추출되는 특징 변수값들을 이용하여 품질 평가 모델의 학습을 수행할 수 있다. 이에 따라, 학습 장치는 종래의 모델들에 비해 정확도가 극대화된 품질 평가 모델을 제공할 수 있다.
본 개시의 기술적 사상에 따른 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 개시의 예시적 실시예에 따른 용접 품질 평가를 위한 시스템의 블록도이다.
도 2는 본 개시의 예시적 실시예에 따른 용접 품질 평가 모델의 학습 방법을 설명하기 위한 플로우차트이다.
도 3은 본 개시의 예시적 실시예에 따른 용접 품질 평가 모델의 학습을 위해 획득되는 복수의 특징 변수들의 예를 나타낸다.
도 4a 내지 도 4c는 가스 텅스텐 아크 용접의 각 단계에서 영상 획득 장치에 의해 획득된 영상으로부터 추출되는 특징 변수들을 설명하기 위한 예시도이다.
도 5는 도 1에 도시된 품질 평가 모델이 ANN(artificial neural network)으로 구현되는 실시예를 나타낸다.
도 6은 도 1에 도시된 품질 평가 모델이 CNN(convolutional neural network)으로 구현되는 실시예를 나타낸다.
도 7은 본 개시의 예시적 실시예에 따른 용접 품질 평가 방법을 설명하기 위한 플로우차트이다.
본 개시의 기술적 사상에 따른 예시적인 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 개시의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 개시의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 개시의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 개시의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들면, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
첨부한 도면에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 개시의 기술적 사상에 의한 실시예들은 본 개시에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면, 제조 과정에서 초래되는 형상의 변화를 포함하여야 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.
이하에서는 첨부한 도면들을 참조하여 본 개시의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.
도 1은 본 개시의 예시적 실시예에 따른 용접 품질 평가를 위한 시스템의 블록도이다.
도 1을 참조하면, 상기 시스템은 학습 및 평가 장치(100), 용접 장치(200), 및 영상 획득 장치(300)를 포함할 수 있다.
상기 학습 및 평가 장치(100)는, 용접 장치(200)에 의해 수행되는 용접과 관련된 데이터(용접 데이터)를 획득하고, 획득된 용접 데이터에 기초하여 용접의 품질을 평가하기 위한 품질 평가 모델(122)의 학습 동작을 수행할 수 있다. 또한, 학습 및 평가 장치(100)는 학습된 품질 평가 모델(122)을 이용하여, 상기 용접 데이터로부터 용접의 품질을 평가할 수 있고, 평가 결과에 대한 피드백에 기초하여 품질 평가 모델(122)에 대한 학습 동작을 함께 수행할 수 있다.
상기 학습 및 평가 장치(100)는 노트북, 스마트폰, 태블릿 PC 등의 이동형 컴퓨팅 장치로 구현될 수 있으나, 이에 한정되는 것은 아니고 PC, 서버 등의 다양한 형태의 컴퓨팅 장치로 구현될 수 있다.
도 1의 실시 예에 따른 상기 학습 및 평가 장치(100)는 제1 인터페이스(112), 제2 인터페이스(114), 메모리(120), 제어부(130), 및 출력부(140)를 포함할 수 있다. 다만 상기 학습 및 평가 장치(100)가 도 1에 도시된 제어 구성들만으로 한정되는 것은 아니며, 상기 학습 및 평가 장치(100)는 도 1에 도시된 제어 구성들보다 많거나 적은 제어 구성들을 포함할 수도 있다.
상기 제1 인터페이스(112)는 기 공지된 유선/무선 통신 방식에 따라, 상기 학습 및 평가 장치(100)와 상기 용접 장치(200)를 연결할 수 있다. 예컨대, 상기 제1 인터페이스(112)는 상기 용접 장치(200)의 케이블 단자가 삽입 및 장착되는 적어도 하나의 포트(미도시)를 포함할 수 있으나, 이에 한정되는 것은 아니다.
상기 제1 인터페이스(112)는, 용접의 수행 중 상기 용접 장치(200)로부터 용접 데이터를 수신하고, 수신된 용접 데이터를 제어부(130)로 전달할 수 있다. 상기 용접 데이터는 용접 전압, 용접 전류, 송급 속도(feeding speed), 및 상기 용접 장치(200)의 팁과 용접점 사이의 거리(contact tip to work distance(CTWD))에 대한 센싱 데이터를 포함할 수 있다. 상기 용접 장치(200)는 상기 센싱 데이터를 획득하기 위한 적어도 하나의 센서를 포함할 수 있다.
특히, 본 개시의 실시 예에 따르면, 상기 용접은 멀티패스 용접(multi-pass welding) 또는 멀티 레이어 용접(multi-layer welding)에 해당할 수 있다. 이 경우, 상기 용접 장치(200)는 용접의 각 패스마다(또는 용접의 각 레이어마다) 상기 센싱 데이터를 획득하고, 획득된 센싱 데이터를 상기 학습 및 평가 장치(100)로 전송할 수 있다.
상기 제2 인터페이스(114)는 기 공지된 유선/무선 통신 방식에 따라, 상기 학습 및 평가 장치(100)와 상기 영상 획득 장치(300)를 연결할 수 있다. 상기 제2 인터페이스(114)는 상기 용접의 수행 중 상기 영상 획득 장치(300)로부터 영상 데이터)를 수신하고, 수신된 영상 데이터를 제어부(130)로 전달할 수 있다. 상기 영상 획득 장치(300)는 적어도 하나의 이미지 센서를 포함할 수 있다. 상기 영상 데이터는 용접 부위를 포함하는 영역에 대한 정지영상 또는 동영상 형태로 제공될 수 있다.
특히, 본 개시의 실시 예에 따르면, 상기 영상 획득 장치(300)는 용접의 각 패스(또는 레이어)의 전/후 각각에 대한 영상 데이터를 획득하고, 획득된 영상 데이터를 상기 학습 및 평가 장치(100)로 전송할 수 있다. 본 실시 예에 의할 경우, 상기 용접 데이터는 상기 용접 장치(200)로부터 제공되는 센싱 데이터와, 상기 영상 획득 장치(300)로부터 제공되는 영상 데이터를 포함할 수 있다.
도 1의 실시 예에서는 상기 학습 및 평가 장치(100)와 상기 영상 획득 장치(300)가 별도의 구성인 것으로 도시되어 있으나, 상기 학습 및 평가 장치(100)와 상기 영상 획득 장치(300)가 일체로 구현될 수도 있다. 이 경우, 상기 학습 및 평가 장치(100)의 제어부(130)는 상기 영상 획득 장치(300)의 촬영 동작을 제어할 수 있다.
상기 메모리(120)는, 상기 학습 및 평가 장치(100)의 동작이나 기능과 관련된 각종 제어 데이터나 알고리즘, 명령들을 저장할 수 있다. 상기 메모리(120)는 적어도 하나의 휘발성/비휘발성 메모리를 포괄하는 개념에 해당할 수 있다.
한편, 상기 메모리(120)는 상기 용접 장치(200)에 의해 수행된 용접의 품질을 평가하기 위한 품질 평가 모델(122)을 저장할 수 있다. 상기 품질 평가 모델(122)은 학습 제어부(134) 등을 통하여 학습 중인 또는 학습된 모델로서, 인공 신경망(artificial neural network(ANN)), 합성곱 신경망(convolutional neural network(CNN)) 등의 심층 신경망(deep neural network(DNN))으로 구현될 수 있다.
상기 품질 평가 모델(122)은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 상기 품질 평가 모델(122)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 상기 품질 평가 모델(122)을 구성하는 하나 이상의 명령어(instruction)는 도 1에 도시된 바와 같이 상기 메모리(120)에 저장될 수 있다.
상기 품질 평가 모델(122)은, 상기 용접 데이터로부터 추출되는 복수의 특징 변수값들에 기초하여, 용접의 품질에 대한 평가 결과(예컨대 양호 또는 불량)를 나타내는 출력값을 제공할 수 있다. 상기 품질 평가 모델(122)과 관련된 구체적인 내용은 추후 도 5 내지 도 6을 통해 설명하기로 한다.
상기 제어부(130)는, 상기 학습 및 평가 장치(100)의 전반적인 동작을 제어할 수 있다. 상기 제어부(130)는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 CPU, AP(application processor), 마이크로컴퓨터(또는 마이컴), 이미지 처리 프로세서(image signal processor), 집적 회로, ASIC(application specific integrated circuit) 등을 포함할 수 있다.
본 개시의 실시 예에 따르면, 상기 제어부(130)는 특징 변수값 추출부(132), 학습 제어부(134), 및 품질 평가부(136)를 포함할 수 있다. 예컨대, 상기 특징 변수값 추출부(132), 학습 제어부(134), 및 품질 평가부(136) 각각과 관련된 제어 데이터, 알고리즘, 명령들은 메모리(120)에 저장될 수 있다. 상기 적어도 하나의 프로세서는 상기 제어 데이터, 알고리즘, 명령들을 로드 및 처리함으로써 상기 특징 변수값 추출부(132), 학습 제어부(134), 및 품질 평가부(136)에 해당하는 동작을 수행할 수 있다.
상기 특징 변수값 추출부(132)는, 상기 용접 장치(200) 및 상기 영상 획득 장치(300)로부터 제공된 상기 용접 데이터(센싱 데이터 및 영상 데이터)를 이용하여, 복수의 특징 변수값들을 추출할 수 있다. 상기 영상 데이터로부터 상기 특징 변수값들을 추출하기 위해, 상기 제어부(130)의 영상 처리 프로세서는 상기 영상 데이터를 기 설정된 영상 처리 기법에 따라 처리하여, 상기 특징 변수값들을 추출할 수 있다.
상기 복수의 특징 변수값들과 관련된 구체적인 내용은 추후 도 3 내지 도 4c를 통해 설명하기로 한다.
상기 학습 제어부(134)는, 상기 특징 변수값 추출부(132)에 의해 추출된 복수의 특징 변수값들과, 용접의 품질에 대한 평가 결과를 나타내는 레이블(예컨대 양호/불량)에 기초하여, 품질 평가 모델(122)에 대한 학습을 제어할 수 있다.
실시 예에 따라, 상기 학습 제어부(134)는 상기 복수의 특징 변수값들에 기초하여 상기 품질 평가 모델(122)로부터 제공되는 출력값과, 해당 출력값에 대한 피드백(예컨대 correct 또는 incorrect)을 이용하여 상기 품질 평가 모델(122)에 대한 학습을 제어할 수도 있다.
상기 품질 평가 모델(122)의 학습과 관련된 구체적인 내용은 추후 도 5 내지 도 6을 통해 설명하기로 한다.
상기 품질 평가부(136)는, 상기 품질 평가 모델(122)을 이용하여, 현재 수행된 용접에 대한 품질 평가 결과를 제공할 수 있다. 예컨대, 상기 특징 변수값 추출부(132)가 실제 용접 작업 시 용접 단계별로 획득되는 용접 데이터로부터 복수의 특징 변수값들을 추출하면, 상기 품질 평가부(136)는 추출된 복수의 특징 변수값들을 상기 품질 평가 모델(122)로 입력할 수 있다. 상기 품질 평가부(136)는 상기 품질 평가 모델(122)의 출력값에 기초하여 상기 용접 작업에 대한 품질 평가 결과를 획득할 수 있다.
실시 예에 따라, 상기 품질 평가부(136)는 획득된 품질 평가 결과를 텍스트, 그래픽, 음성, 및/또는 음향 등을 통해 출력하도록 출력부(140)를 제어할 수도 있다. 상기 출력부(140)는 디스플레이, 광원, 스피커, 버저(buzzer) 등을 포함할 수 있다. 실시 예에 따라, 상기 품질 평가부(136)는 상기 품질 평가 결과를 통신 인터페이스(미도시)를 통해 서버나 관리자의 이동 단말기 등으로 전송할 수도 있다.
실시 예에 따라, 도 1에 도시된 장치(100)는 상기 학습 동작과 상기 평가 동작 중 어느 하나만을 수행할 수도 있다. 상기 장치(100)가 학습 동작만을 수행하는 학습 장치인 경우, 상기 학습 장치는 품질 평가부(136)를 포함하지 않을 수도 있다. 한편, 상기 장치(100)가 평가 동작만을 수행하는 평가 장치인 경우에는, 상기 평가 장치는 학습 제어부(134)를 포함하거나 포함하지 않을 수 있다.
도 2는 본 개시의 예시적 실시예에 따른 용접 품질 평가 모델의 학습 방법을 설명하기 위한 플로우차트이다. 도 3은 본 개시의 예시적 실시예에 따른 용접 품질 평가 모델의 학습을 위해 획득되는 복수의 특징 변수들의 예를 나타낸다. 도 4a 내지 도 4c는 가스 텅스텐 아크 용접의 각 단계에서 영상 획득 장치에 의해 획득된 영상으로부터 추출되는 특징 변수들을 설명하기 위한 예시도이다. 도 5는 도 1에 도시된 품질 평가 모델이 ANN(artificial neural network)으로 구현되는 실시예를 나타낸다. 도 6은 도 1에 도시된 품질 평가 모델이 CNN(convolutional neural network)으로 구현되는 실시예를 나타낸다.
이하 본 명세서에서, 용접 장치(200)는 가스 텅스텐 아크 용접(gas tungsten arc welding(GTAW))을 수행하는 장치인 것으로 가정하나, 본 개시의 실시예가 상기 GTAW에만 적용되는 것은 아니며, 당업자에게 자명한 범위에서 다른 다양한 용접 방식에 적절히 변형되어 적용될 수도 있다.
한편, 도 2 내지 도 6의 실시 예에서, 상기 장치(100)는 학습 장치(100)인 것으로 가정한다.
도 2를 참조하면, 상기 학습 장치(100)는 상기 용접 장치(200) 및 영상 획득 장치(300)로부터, GTAW의 용접 단계별 용접 데이터를 획득할 수 있다(S200).
상기 GTAW는 멀티 패스 용접(또는 멀티 레이어 용접) 또는 싱글 패스 용접(또는 싱글 레이어 용접)에 해당할 수 있다. 상기 용접 장치(200)는 GTAW의 각 패스 용접마다(또는 각 레이어 용접마다) 센싱 데이터를 획득할 수 있다. 상기 센싱 데이터는 도 1에서 상술한 바와 같이 용접 전압, 전류, 송급 속도, 팁과 용접점 사이의 거리(contact tip to work distance(CTWD)) 등을 포함할 수 있다. 또한, 상기 영상 획득 장치(300)는 상기 GTAW의 각 패스 용접의 전/후 각각에 대한 영상 데이터를 획득할 수 있다. 이 경우, 상기 센싱 데이터와 상기 영상 데이터의 수는 GTAW의 패스 용접의 횟수(또는 레이어의 수)에 따라 달라질 수 있고, 후술할 복수의 특징 변수값들의 수 또한 상기 GTAW의 패스 용접의 횟수(또는 레이어의 수)에 따라 달라질 수 있다.
일례로, 상기 GTAW가 2회의 패스 용접을 포함하는 경우, 상기 센싱 데이터는 제1 패스 용접 시 획득되는 제1 센싱 데이터와, 제2 패스 용접 시 획득되는 제2 센싱 데이터를 포함할 수 있다. 그리고, 상기 영상 데이터는 상기 제1 패스 용접의 수행 전에 획득되는 제1 영상 데이터, 상기 제1 패스 용접의 수행 후(제2 패스 용접의 수행 전)에 획득되는 제2 영상 데이터, 및 상기 제2 패스 용접의 수행 후 획득되는 제3 영상 데이터를 포함할 수 있다.
상기 학습 장치(100)의 제어부(130)는 제1 인터페이스(112) 및 제2 인터페이스(114)를 통해 상기 센싱 데이터 및 상기 영상 데이터를 포함하는 상기 용접 데이터를 수신할 수 있다.
상기 학습 장치(100)는 상기 용접 데이터로부터 복수의 특징 변수값들을 획득하고, 상기 가스 텅스텐 아크 용접에 대한 용접 결과를 나타내는 레이블을 획득할 수 있다(S210).
상기 제어부(130)의 특징 변수값 추출부(132)는, 획득된 용접 데이터로부터 복수의 특징 변수값들을 추출할 수 있다.
이와 관련하여 도 3의 실시 예를 참조하면, GTAW의 패스 용접 횟수가 2회인 경우, 제어부(130)는 상기 GTAW의 수행에 따라 획득된 용접 데이터로부터 21개의 특징 변수값들을 획득할 수 있다.
이하에서는 도 3의 실시 예에 기초하여 학습 장치(100)가 용접 데이터로부터 특징 변수값들을 획득하는 동작을 설명한다.
상기 제어부(130)는 GTAW에 따라 접합될 모재들의 접합면에 가공되는 그루브(예컨대 V-그루브)의 각도 정보를 메모리(120)나 입력부(미도시) 등으로부터 획득할 수 있다. 상기 각도 정보는 기설정된 파라미터로서, 실제 형성되는 V-그루브의 각도(도 4a의 (c))는 V-그루브의 형성 공정시의 오차 등에 따라 기설정된 각도 정보와 상이할 수도 있다.
상기 제어부(130)는 상기 용접 장치(200)로부터 수신한 센싱 데이터로부터, 제1 패스 용접과 제2 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 CTWD 값들을 추출할 수 있다.
또한, 상기 제어부(130)의 특징 변수값 추출부(132)는 기 설정된 영상 처리 기법(또는 알고리즘 등)에 기초하여 상기 영상 데이터를 처리하고, 처리된 영상 데이터로부터 상기 특징 변수값들을 추출할 수 있다.
도 4a를 참조하면, 상기 영상 데이터가 용접 수행 전 획득된 제1 영상 데이터인 경우, 상기 제1 영상 데이터로부터 획득되는 특징 변수값들은 제1 모재(400a)와 제2 모재(400b) 사이의 V-그루브의 (a) 너비, (b) 깊이, (c) 각도, 및 (d) 면적(또는 부피) 등을 포함할 수 있다. 상기 각도((c))는 모재(400a, 400b)에 대해 기설정된 각도 정보와 동일 또는 상이할 수 있다.
도 4b를 참조하면, 상기 영상 데이터가 이전 패스 용접(제1 패스 용접)과 다음 패스 용접(제2 패스 용접) 사이에 획득되는 제2 영상 데이터인 경우, 상기 제2 영상 데이터로부터 획득되는 특징 변수값들은 이전 패스 용접 후의 비드(bead, 400c)(예컨대 스텝 비드(step bead))와 관련된 특징으로서 (e) 스텝 비드(400c)의 너비, (f) 모재(400a, 400b)의 상면으로부터 스텝 비드(400c)의 최고점까지의 깊이, 및 (g) 추가로 용접이 수행되어야 하는 면적(그루브의 잔여 면적) 또는 부피(잔여 부피) 등을 포함할 수 있다.
도 4c를 참조하면, 상기 영상 데이터가 용접 완료 후 획득되는 제3 영상 데이터인 경우, 상기 제3 영상 데이터로부터 획득되는 특징 변수값들은 비드(400c)(예컨대 최종 비드(final bead))와 관련된 특징으로서 최종 비드(400c)의 (h) 너비, (i) 높이, (j) 면적 또는 부피, 및 (k)(l) 최종 비드(400c)의 양쪽 가장자리의 접선들 각각의 각도 등을 포함할 수 있다.
다시 도 2를 설명한다.
상술한 실시 예에 따르면, 패스 용접의 횟수에 따라 제어부(130)가 추출하는 특징 변수값들의 수는 달라질 수 있다. 싱글 패스 용접 시에는 14개의 특징 변수값들이 추출될 수 있다. 그리고, 1회의 패스 용접이 추가될 때마다 센싱 데이터로부터 4개의 특징 변수값들(용접 전압, 전류, 송급 속도, CTWD)이 추출되고, 영상 데이터로부터 3개의 특징 변수값들(스텝 비드의 너비, 깊이, 잔여 면적)이 추출될 수 있다. 이에 기초하여 패스 용접의 횟수에 따라 추출되는 특징 변수값들의 수는 아래의 수학식 1과 같이 정리될 수 있다.
[수학식 1]
fn = 7 + 7n
여기서 n은 1 이상의 자연수이고, fn은 패스 용접의 횟수가 n회일 때 추출되는 특징 변수값들의 수를 의미할 수 있다.
한편, 상기 학습 장치(100)는 상기 GTAW에 대한 용접 결과를 나타내는 레이블을 획득할 수 있다. 상기 레이블은 정상 또는 비정상에 대응하는 값일 수 있다. 상기 레이블은 상기 학습 장치(100)의 입력 수단(미도시; 예컨대 버튼, 키보드, 마우스, 마이크로폰, 터치 인터페이스 등)이나 통신 인터페이스(미도시)를 통해 획득될 수 있다.
상기 학습 장치(100)는 획득된 복수의 특징 변수값들 및 레이블을 이용하여 상기 품질 평가 모델의 학습 동작을 수행할 수 있다(S220).
상기 제어부(130)의 학습 제어부(134)는, 상기 복수의 특징 변수값들 및 레이블을 이용하여 품질 평가 모델(122)의 학습 동작을 제어할 수 있다. 상기 학습 제어부(134)는 머신 러닝(machine learning), 구체적으로는 딥러닝(deep learning) 기법에 따라 상기 학습 동작을 제어할 수 있다.
머신 러닝은 인공지능의 일 분야로서, 인공지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의할 수도 있다. 머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
본 실시 예에서, 제어부(130)는 지도 학습 기법에 따라 품질 평가 모델(122)의 학습 동작을 제어할 수 있으나, 반드시 그러한 것은 아니다.
한편, 품질 평가 모델(122)은 기 공지된 다양한 종류의 인공 신경망(artificial neural network (ANN)) 또는 심층 신경망(deep neural network(DNN))으로 구현될 수 있다. 도 5 및 도 6에서는 상기 품질 평가 모델(122)의 예로서 일반적인 형태의 인공 신경망(예컨대 DFN(deep feedforward network) 등), 및 CNN(convolutional neural network)을 도시하고 있으나, 상기 품질 평가 모델(122)이 이에 한정되는 것은 아니고, RNN(recurrent neural network) 등의 다양한 신경망 구조를 갖도록 구현될 수 있다.
도 5를 참조하면, 품질 평가 모델(122a)은 일반적인 형태의 인공 신경망(예컨대 DFN)으로 구현될 수 있다. 상기 인공 신경망은 입력층(input layer), 출력층(output layer), 및 선택적으로 하나 이상의 은닉층(hidden layer)을 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 상기 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성화 함수의 함숫값을 출력할 수 있다.
상기 입력층은 복수의 특징 변수값들이 입력되는 층에 해당하고, 상기 출력층은 GTAW의 품질 평가와 관련된 값이 출력되는 층에 해당한다. 예컨대, 상기 출력층은 GTAW의 품질이 양호함에 대응하는 확률값과, GTAW 품질이 불량임에 대응하는 확률값을 출력하도록 구현될 수 있으나, 이에 한정되는 것은 아니다. 그리고, 상기 은닉층은 상기 입력된 복수의 특징 변수값들에 기초하여 GTAW의 품질에 대한 추론을 수행하는 층에 해당할 수 있다.
제어부(130)는 상기 복수의 특징 변수값들 및 레이블을 이용하여 상기 품질 평가 모델(122a)을 학습할 수 있다. 상기 학습이 반복됨에 따라, 인공 신경망의 모델 파라미터(가중치, 편향 등)나 활성화 함수 등이 높은 정확도의 결과를 제공하도록 업데이트될 수 있다.
한편, 상기 은닉층의 수 또는 뉴런의 수에 따라 품질 평가 모델(122a)의 복잡도가 달라질 수 있다. 일반적으로, 상기 은닉층의 수 또는 뉴런의 수가 증가할수록 품질 평가 모델(122a)의 정확도는 향상될 수 있으나, 대신 처리 속도가 감소할 수 있다.
실시 예에 따라, 학습 장치(100)는 학습 동작에 의해 생성된 품질 평가 모델(122a)에 기초하여, 은닉층 및/또는 뉴런의 수를 감소시킨 압축된 품질 평가 모델을 생성할 수 있다. 상기 압축된 품질 평가 모델은 상기 품질 평가 모델(122a)과 유사한 정확도를 가지면서도 상대적으로 빠른 처리 속도를 제공할 수 있다.
도 6을 참조하면, 품질 평가 모델(122b)은 CNN으로 구현될 수도 있다. 상기 CNN은 하나 이상의 콘볼루션 계층(convolutional layer), 통합 계층(pooling layer), 및 완전하게 연결된 계층(fully connected layer)으로 구성될 수 있다. 상기 CNN은 이미지 등과 같이 2차원 형태를 갖는 데이터(입력 특징 맵)에 대해 콘볼루션(convolution) 및 풀링(pooling) 과정을 반복하면서, 상기 데이터로부터 특징들을 획득(출력 특징 맵을 획득)하고, 추출된 특징들을 이용하여 분류(classification) 과정을 수행함으로써 결과를 출력할 수 있다. 상기 결과는 도 5에서 상술한 바와 같이 CTAW의 품질이 양호함에 대응하는 확률값과, CTAW의 품질이 불량임에 대응하는 확률값을 포함할 수 있다.
상기 제어부(130)는 추출된 복수의 특징 변수값들을 CNN 형태의 품질 평가 모델(122b)로 입력하기 위해, 상기 복수의 특징 변수값들을 2차원 매트릭스 형태로 배열할 수 있다. 상기 품질 평가 모델(122b)은 입력된 복수의 특징 변수값들 및 레이블에 기초하여 학습을 수행하고, 학습 결과에 따라 품질 평가 모델(122b)에 포함된 콘볼루션 필터 등이 업데이트될 수 있다.
상기 제어부(130)는 학습된 품질 평가 모델(122)을 메모리(120)에 저장할 수 있다. 실시 예에 따라, 상기 제어부(130)는 학습된 품질 평가 모델(122)을 통신 인터페이스(미도시)를 통해 평가 장치로 전송할 수도 있다.
도 2 내지 도 6에 도시된 실시 예에 따르면, 학습 장치(100)는 용접(예컨대 GTAW) 품질 예측과 관련된 다양한 특징들(모재 및 비드 상태와 관련된 특징들)을 이용한 머신 러닝(딥 러닝) 기반의 학습 동작을 통해, 용접의 품질을 보다 정확히 평가(예측)하기 위한 품질 평가 모델을 제공할 수 있다.
특히, 멀티 패스 용접(또는 멀티 레이어 용접)의 경우, 용접의 최종 결과는 이전에 수행된 패스 용접(또는 레이어 용접) 각각에 의해 영향을 받을 수 있다. 본 개시의 실시 예에 따르면, 학습 장치(100)는 멀티 패스 용접(또는 멀티 레이어 용접)에 대해 용접 단계별(패스별 또는 레이어별)로 용접 데이터를 획득하고, 획득된 용접 데이터로부터 추출되는 특징 변수값들을 이용하여 품질 평가 모델(122)의 학습을 수행할 수 있다. 그 결과, 학습 장치(100)는 종래의 모델들에 비해 정확도가 극대화된 품질 평가 모델을 제공할 수 있다.
도 7은 본 개시의 예시적 실시예에 따른 용접 품질 평가 방법을 설명하기 위한 플로우차트이다.
도 7의 실시 예에서, 도 1의 장치(100)는 평가 장치(100)인 것으로 가정한다.
도 7을 참조하면, 상기 평가 장치(100)는 상기 용접 장치(200) 및 영상 획득 장치(300)로부터, GTAW의 용접 단계별 용접 데이터를 획득할 수 있다(S600). 상기 평가 장치(100)는 획득된 용접 데이터로부터 복수의 특징 변수값들을 추출할 수 있다(S610).
S600 단계 및 S610 단계는 도 2의 S200 단계 및 S210 단계와 유사할 수 있다. 다만, 도 7의 실시 예는 학습 과정이 아닌 바, S210 단계에서 상술한 레이블은 획득하지 않을 수 있다.
상기 평가 장치(100)는 추출된 복수의 특징 변수값들을 품질 평가 모델(122)로 입력할 수 있다(S620).
상기 평가 장치(100)의 제어부(130)(구체적으로 품질 평가부(136))는, 상기 복수의 특징 변수값들을 품질 평가 모델(122)로 입력할 수 있다. 상기 품질 평가 모델(122)이 도 5의 인공신경망으로 구현된 경우, 상기 제어부(130)는 상기 복수의 특징 변수값들 각각을 품질 평가 모델(122)의 입력층의 노드들 중 대응하는 노드에 입력할 수 있다. 한편, 상기 품질 평가 모델(122)이 도 6의 CNN으로 구현된 경우, 상기 제어부(130)는 상기 복수의 특징 변수값들을 2차원 매트릭스 형태로 배열하여 상기 CNN으로 입력할 수 있다.
상기 평가 장치(100)는 상기 품질 평가 모델(122)의 출력값에 기초하여, GTAW에 대한 품질 평가 결과를 제공할 수 있다(S630).
상기 품질 평가 모델(122)은 입력값에 기초하여 GTAW의 품질 평가를 위한 결과값을 출력할 수 있다. 예컨대 상기 결과값은 상기 GTAW의 품질이 양호함에 대응하는 확률값과, 상기 GTAW의 품질이 불량임에 대응하는 확률값을 포함할 수 있다.
상기 제어부(130)는 상기 품질 평가 모델(122)의 출력값에 기초하여 상기 GTAW에 대한 품질 평가 결과를 출력부(140)를 통해 출력할 수 있다. 예컨대, 상기 제어부(130)는 상기 양호함에 대응하는 확률값이 상기 불량임에 대응하는 확률값보다 큰 경우, 상기 GTAW의 품질이 양호함을 나타내는 품질 평가 결과를 제공할 수 있다. 반면, 상기 제어부(130)는 상기 불량임에 대응하는 확률값이 상기 양호함에 대응하는 확률값보다 큰 경우, 상기 GTAW의 품질이 불량임을 나타내는 품질 평가 결과를 제공할 수 있다.
도시되지는 않았으나, 상기 제어부(130)는 관리자 등으로부터 제공되는 피드백이나, 상기 출력값에 기초하여 품질 평가 모델(122)에 대한 학습 동작을 수행함으로써, 상기 품질 평가 모델(122)을 지속적으로 업데이트할 수 있다.
한편, GTAW가 멀티패스 용접에 해당하는 경우, 상기 평가 장치(100)는 각 패스 용접의 수행에 따라 용접 데이터를 순차적으로 획득할 수 있다. 상기 제어부(130)는 상기 GTAW의 수행 중 소정 시점에서 기 획득된 용접 데이터로부터, 상기 복수의 특징 변수값들 중 일부의 특징 변수값들만을 추출할 수 있다. 상기 제어부(130)는 추출된 일부의 특징 변수값들만을 상기 품질 평가 모델(122)로 입력하여 출력값을 획득함으로써, 상기 GTAW이 아직 완료되지 않은 상태에서 상기 GTAW의 완료 후 품질을 미리 예측할 수도 있다.
상기한 실시 예들의 설명은 본 개시의 더욱 철저한 이해를 위하여 도면을 참조로 예를 든 것들에 불과하므로, 본 개시의 기술적 사상을 한정하는 의미로 해석되어서는 안될 것이다.
또한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 개시의 기본적 원리를 벗어나지 않는 범위 내에서 다양한 변화와 변경이 가능함은 명백하다 할 것이다.
100: 학습 및 평가 장치
400a: 제1 모재
400b: 제2 모재
400c: 비드(bead)

Claims (18)

  1. 용접의 품질 평가 모델의 학습 장치에 있어서,
    가스 텅스텐 아크 용접을 수행하는 용접 장치, 및 영상 획득 장치 각각과 연결하기 위한 인터페이스;
    상기 용접 장치 및 상기 영상 획득 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 품질 평가 모델의 학습을 제어하는 제어부; 및
    상기 학습된 품질 평가 모델을 저장하는 메모리를 포함하는,
    학습 장치.
  2. 제1항에 있어서,
    상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,
    상기 용접 단계별 용접 데이터는,
    상기 적어도 하나의 패스 용접 각각에서 상기 용접 장치에 의해 센싱되는 적어도 하나의 센싱 데이터를 포함하는,
    학습 장치.
  3. 제2항에 있어서,
    상기 적어도 하나의 센싱 데이터 각각으로부터 추출되는 특징 변수값들은,
    상기 적어도 하나의 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 상기 용접 장치의 팁과 용접점 사이의 거리에 대한 값들을 포함하는,
    학습 장치.
  4. 제1항에 있어서,
    상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,
    상기 용접 단계별 용접 데이터는,
    상기 적어도 하나의 패스 용접 각각의 수행 이전 시점 및 수행 이후 시점 각각에서 상기 영상 획득 장치에 의해 획득되는 복수의 영상 데이터를 포함하는,
    학습 장치.
  5. 제4항에 있어서,
    상기 복수의 영상 데이터는,
    상기 적어도 하나의 패스 용접의 수행 이전에 획득되는 제1 영상 데이터, 상기 적어도 하나의 패스 용접의 수행 이후에 획득되는 제2 영상 데이터를 포함하는,
    학습 장치.
  6. 제5항에 있어서,
    상기 제1 영상 데이터로부터 추출되는 특징 변수값들은,
    모재들 사이의 그루브의 너비, 깊이, 각도, 및 면적에 대한 값들을 포함하고,
    상기 제2 영상 데이터로부터 추출되는 특징 변수값들은,
    비드의 너비, 높이, 면적, 및 상기 비드의 가장자리의 접선들 각각의 각도에 대한 값들을 포함하는,
    학습 장치.
  7. 제5항에 있어서,
    상기 적어도 하나의 패스 용접은 제1 패스 용접 및 제2 패스 용접을 포함하고,
    상기 복수의 영상 데이터는,
    상기 제1 패스 용접과 상기 제2 패스 용접 사이의 시점에 획득되는 제3 영상 데이터를 더 포함하고,
    상기 제3 영상 데이터로부터 획득되는 특징 변수값들은,
    비드의 너비, 모재들의 상면으로부터 상기 비드의 최고점까지의 깊이, 및 상기 모재들 사이의 그루브의 잔여 면적에 대한 값들을 포함하는,
    학습 장치.
  8. 제1항에 있어서,
    상기 품질 평가 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)로 구현되는,
    학습 장치.
  9. 제8항에 있어서,
    상기 품질 평가 모델은,
    상기 복수의 특징 변수값들에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 값을 출력하는,
    학습 장치.
  10. 용접의 품질 평가 모델의 학습 장치를 이용한 학습 방법에 있어서,
    가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 획득하는 단계;
    획득된 용접 데이터로부터 복수의 특징 변수값들을 추출하는 단계; 및
    상기 복수의 특징 변수값들, 및 상기 가스 텅스텐 아크 용접의 품질과 관련된 레이블을 이용하여 상기 품질 평가 모델의 학습을 제어하는 단계를 포함하는,
    학습 방법.
  11. 제10항에 있어서,
    상기 가스 텅스텐 아크 용접은 적어도 하나의 패스 용접을 포함하고,
    상기 용접 단계별 용접 데이터를 획득하는 단계는,
    상기 학습 장치와 연결된 용접 장치로부터, 상기 적어도 하나의 패스 용접 각각에서 센싱된 적어도 하나의 센싱 데이터를 획득하는 단계; 및
    상기 학습 장치와 연결되거나 상기 학습 장치에 포함된 영상 획득 장치로부터, 상기 적어도 하나의 패스 용접 각각의 수행 이전 시점 및 수행 이후 시점 각각에서 획득된 복수의 영상 데이터를 획득하는 단계를 포함하는,
    학습 방법.
  12. 제11항에 있어서,
    상기 적어도 하나의 센싱 데이터 각각으로부터 추출되는 특징 변수값들은,
    상기 적어도 하나의 패스 용접 각각의 용접 전압, 용접 전류, 송급 속도, 및 상기 용접 장치의 팁과 용접점 사이의 거리에 대한 값들을 포함하는,
    학습 방법.
  13. 제11항에 있어서,
    상기 복수의 영상 데이터는,
    상기 적어도 하나의 패스 용접의 수행 이전에 획득되는 제1 영상 데이터, 및 상기 적어도 하나의 패스 용접의 수행 이후에 획득되는 제2 영상 데이터를 포함하고,
    상기 제1 영상 데이터로부터 추출되는 특징 변수값들은,
    모재들 사이의 그루브의 너비, 깊이, 각도, 및 면적에 대한 값들을 포함하고,
    상기 제2 영상 데이터로부터 추출되는 특징 변수값들은,
    비드의 너비, 높이, 면적, 및 상기 비드의 가장자리의 접선들 각각의 각도에 대한 값들을 포함하는,
    학습 방법.
  14. 제13항에 있어서,
    상기 적어도 하나의 패스 용접은 제1 패스 용접 및 제2 패스 용접을 포함하고,
    상기 복수의 영상 데이터는,
    상기 제1 패스 용접과 상기 제2 패스 용접 사이의 시점에 획득되는 제3 영상 데이터를 더 포함하고,
    상기 제3 영상 데이터로부터 획득되는 특징 변수값들은,
    비드의 너비, 모재들의 상면으로부터 상기 비드의 최고점까지의 깊이, 및 상기 모재들 사이의 그루브의 잔여 면적에 대한 값들을 포함하는,
    학습 방법.
  15. 가스 텅스텐 아크 용접의 품질 평가 모델을 이용하여 상기 가스 텅스텐 아크 용접의 품질을 평가하는 평가 장치에 있어서,
    상기 품질 평가 모델을 저장하는 메모리;
    상기 가스 텅스텐 아크 용접을 수행하는 용접 장치와 연결하기 위한 인터페이스; 및
    영상 획득 장치 및 상기 용접 장치로부터, 상기 가스 텅스텐 아크 용접의 용접 단계별 용접 데이터를 수신하고, 수신된 용접 데이터로부터 복수의 특징 변수값들을 추출하고, 추출된 복수의 특징 변수값들을 상기 품질 평가 모델로 입력하고, 상기 품질 평가 모델의 출력값에 기초하여 상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 제공하는 제어부를 포함하는,
    평가 장치.
  16. 제15항에 있어서,
    상기 품질 평가 모델은 ANN(artificial neural network) 또는 CNN(convolutional neural network)로 구현되는,
    평가 장치.
  17. 제16항에 있어서,
    상기 제어부는,
    상기 복수의 특징 변수값들 및 상기 결과에 기초하여 상기 품질 평가 모델의 학습을 제어하는,
    평가 장치.
  18. 제15항에 있어서,
    상기 가스 텅스텐 아크 용접의 품질을 나타내는 결과를 출력하는 출력부를 더 포함하고,
    상기 출력부는 디스플레이, 스피커, 광원, 및 버저(buzzer) 중 적어도 하나를 포함하는,
    평가 장치.
KR1020200075324A 2020-06-19 2020-06-19 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치 KR20210157253A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200075324A KR20210157253A (ko) 2020-06-19 2020-06-19 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200075324A KR20210157253A (ko) 2020-06-19 2020-06-19 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치

Publications (1)

Publication Number Publication Date
KR20210157253A true KR20210157253A (ko) 2021-12-28

Family

ID=79178307

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200075324A KR20210157253A (ko) 2020-06-19 2020-06-19 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치

Country Status (1)

Country Link
KR (1) KR20210157253A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842273A (zh) * 2022-06-21 2022-08-02 苏州康代智能科技股份有限公司 Pcb缺陷检测模型的评估方法、评估装置及训练方法
CN115266141A (zh) * 2022-07-29 2022-11-01 广汽本田汽车有限公司 基于gru-c网络的点焊质量检测方法、装置及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842273A (zh) * 2022-06-21 2022-08-02 苏州康代智能科技股份有限公司 Pcb缺陷检测模型的评估方法、评估装置及训练方法
CN115266141A (zh) * 2022-07-29 2022-11-01 广汽本田汽车有限公司 基于gru-c网络的点焊质量检测方法、装置及存储介质
CN115266141B (zh) * 2022-07-29 2024-05-14 广汽本田汽车有限公司 基于gru-c网络的点焊质量检测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
US11267059B2 (en) Control device of wire electric discharge machine and machine learning device
US10502253B2 (en) Machine learning device for learning assembly operation and component assembly system
US11511420B2 (en) Machine learning device, robot system, and machine learning method for learning operation program of robot
US10518357B2 (en) Machine learning device and robot system to learn processing order of laser processing robot and machine learning method thereof
US10782664B2 (en) Production system that sets determination value of variable relating to abnormality of product
CN113226612B (zh) 借助深度卷积神经网络识别激光加工系统的加工缺陷
US20170157767A1 (en) Machine learning device, laminated core manufacturing apparatus, laminated core manufacturing system, and machine learning method for learning operation for stacking core sheets
WO2018203470A1 (en) Learning apparatus, learning method, and learning program
US20180260712A1 (en) Laser processing apparatus and machine learning device
WO2019176993A1 (ja) 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置
Sanders et al. AI tools for use in assembly automation and some examples of recent applications
KR20210157253A (ko) 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치
KR20190092975A (ko) 비전 검사 관리 방법 및 비전 검사 시스템
Weigelt et al. Conceptual design of an intelligent ultrasonic crimping process using machine learning algorithms
CN108526655A (zh) 电弧焊接系统和电弧焊接判定装置
CN115070780B (zh) 基于数字孪生的工业机器人抓取方法、装置及存储介质
US11203116B2 (en) System and method for predicting robotic tasks with deep learning
Goldman et al. Explaining learning models in manufacturing processes
Chen et al. Data-Driven welding expert system structure based on internet of things
TW202006652A (zh) 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法
Vater et al. Development of a Cloud-and Edge-Architecture for adaptive model weight optimization of a CNN exemplified by optical detection of hairpin welding
CN110779566B (zh) 具有辅助判断功能的产品测试系统及产品测试辅助方法
CN117787480B (zh) 基于Res-LSTM的焊缝成形质量实时预测方法
US20240046659A1 (en) Method for detecting an environment by means of images from at least two image sensors
Nunes et al. Machine Learning and Deep Learning applied to End-of-Line Systems: A review

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination