KR20230011736A - 머신-러닝을 이용한 용접 성능 평가 방법 - Google Patents

머신-러닝을 이용한 용접 성능 평가 방법 Download PDF

Info

Publication number
KR20230011736A
KR20230011736A KR1020210092360A KR20210092360A KR20230011736A KR 20230011736 A KR20230011736 A KR 20230011736A KR 1020210092360 A KR1020210092360 A KR 1020210092360A KR 20210092360 A KR20210092360 A KR 20210092360A KR 20230011736 A KR20230011736 A KR 20230011736A
Authority
KR
South Korea
Prior art keywords
welding
image
data
evaluation data
work
Prior art date
Application number
KR1020210092360A
Other languages
English (en)
Inventor
윤종헌
김형규
Original Assignee
한양대학교 에리카산학협력단
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 한양대학교 에리카산학협력단 filed Critical 한양대학교 에리카산학협력단
Priority to KR1020210092360A priority Critical patent/KR20230011736A/ko
Publication of KR20230011736A publication Critical patent/KR20230011736A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • B23K9/00—Arc welding or cutting
    • B23K9/16—Arc welding or cutting making use of shielding gas
    • B23K9/167—Arc welding or cutting making use of shielding gas and of a non-consumable electrode
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Mechanical Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • General Factory Administration (AREA)

Abstract

일 실시예에 따른 용접 건전성 평가 방법은, 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 용접 이미지들을 입력하여 학습시키는 단계; 머신-러닝 컴퓨터에서 학습된 레퍼런스 용접 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계; 작업자에 의하여 진행중인 용접의 결과물을 카메라로 촬영하여 작업 용접 이미지를 생성하는 단계; 촬영된 작업 용접 이미지를 기초로 작업 평가 데이터를 산출하는 단계; 및 상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계를 포함할 수 있다.

Description

머신-러닝을 이용한 용접 성능 평가 방법{EVALUATION METHOD OF WELDING QUALITY BY USING MACHING-LEARNING}
본 발명은 작업자 숙련도에 영향을 받지 않는 머신-러닝을 이용한 실시간 용접 성능 평가 방법에 관한 것이다.
용접공정이란 접합하고자 하는 2개 이상의 물체나 재료의 접합 부분을 반용융 또는 용융상태로 직접 접합시키거나, 두 물체사이에 용융된 용가재를 첨가하여 간접적으로 접합시키는 공정을 일컫는다. 용접의 종류와 작업자의 용접 테크닉에 따라 생성되는 용접 부 형상이 상이하기 때문에 결함 판단여부가 달라지며, 정밀한 검사를 위해서는 X-RAY, CT, SEM등의 이미지 촬영 방법으로 작업자가 직접 판단해야 한다.
CO2용접은 직류용접법의 일종으로 용접 wire는 +극, 모재는 -극을 갖고 CO2가스를 분사하면서 용착금속의 산화나 질화를 막으며 전원으로부터 얻어지는 전력에 의하여 와이어와 모재간에 아크를 발생시킨 발열로써 와이어의 용융액을 모재에 침투시켜 두 개 이상의 금속편을 하나로 접합시키는 용접방법이다. 이 때 공정 변수로는 아크 전압, 용접 속도, 비드의 폭, CO2가스의 유량, 작업자의 용접 기술에 따른 비드 이미지 등이 있다.
도 1을 참조하면, TIG용접은 용접부 주위에 불활성 가스를 공급하면서 용가재의 산화를 막으며 비소모성 텅스텐 용접봉과 모재간의 아크열로 용가재를 용융시켜 모재를 용접하는 방법이다. 용접봉과 용가재를 양손으로 들고 작업해야 하며, 비교적 장비 및 소모재가 고가인 단점이 있다. 공정 변수로는 아크 전류의 파형, 용접 속도, 비드의 폭, 작업자의 용접 기술에 따른 비드 이미지 등이 있다.
용접공정을 이용하는 분야에서 제품의 건전성을 평가하기 위해서는 용접 공정 이후 생산된 접합부재를 절단한 뒤 단면부를 X-RAY, CT, SEM등의 정밀 촬영 기기를 이용하여 촬영한 뒤 평가자가 결함 여부를 판단하는 방법으로 건전성 평가를 진행했다. 용접공정 과정에서 용접부의 퀄리티를 결정하는 요인에는 용접공정마다 다양한 변수가 존재하며, 퀄리티 향상을 위해서는 최적의 공정 변수를 찾는 것 또한 향후 제품의 퀄리티에 상당한 영향을 미친다. 종래의 기술은 용접부의 정밀한 관찰이 가능하기 때문에 모재의 접합강도 등을 정밀하게 예측하는 것이 가능한 방법이다.
도 2를 참조하면, 종래의 기술은 용접부를 절단한 뒤 시편을 제작하고 X-RAY, CT, SEM등의 정밀 촬영 기기로 이미지를 획득하여 검증된 평가기준을 적용하여 건전성을 평가한다. 때문에 정밀한 관찰이 가능하지만, 시편의 제작과, 촬영, 분석에 상당한 시간과 비용이 소요되는 문제가 있다. 때문에, 양산 라인에서 용접공정을 진행한 뒤 용접부가 평가 기준에 부합하는지 여부를 실시간으로 확인하는 것이 불가능하다. 또한, 용접 공정중의 공정 변수 등은 작업자만이 알고 있으며, 이 또한 정확한 데이터를 가지고 있는 것이 아니기 때문에 결함이 발생한 이유에 대해 작업자가 인지하는 것이 어렵다. 작업자의 숙련도나 노하우에 기반하는 용접 공정의 특성상 최적의 공정변수에 대한 데이터베이스를 구축하지 않는다면 제품 품질이 일정하지 않아 퀄리티 낮은 제품을 생산하게 된다.
본 발명의 일 실시예에 따른 용접 건전성 평가 방법에 있어서, 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 용접 이미지들을 입력하여 학습시키는 단계; 머신-러닝 컴퓨터에서 학습된 레퍼런스 용접 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계; 작업자에 의하여 진행중인 용접의 결과물을 카메라로 촬영하여 작업 용접 이미지를 생성하는 단계; 촬영된 작업 용접 이미지를 기초로 작업 평가 데이터를 산출하는 단계; 및 상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 작업 평가 데이터와 상기 레퍼런스 평가 데이터의 차이를 기초로 작업 개선 사항을 표시하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 레퍼런스 용접 이미지는 미리 생성된 멜팅 풀(melting pool)이미지이고, 상기 작업 용접 이미지는 실시간으로 생성된 멜팅 풀 이미지일 수 있다.
일 실시예에 따르면, 상기 레퍼런스 평가 데이터는 안전 결과 데이터와 결함 결과 데이터를 포함하고, 상기 용접 건전성 정도를 평가하는 단계는, 상기 작업 평가 데이터에서 안전 결과 데이터의 범위에 해당하는 부분과 결함 결과 데이터의 범위에 해당하는 부분을 추출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 레퍼런스 용접 이미지는 미리 생성된 용접 전류 파형(pulse wave) 이미지이고, 상기 작업 용접 이미지는 실시간으로 생성된 용접 전류 파형 이미지일 수 있다.
본 발명의 일 실시예에 따른 용접 건전성 평가 방법에 있어서, 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 행동 이미지들을 입력하여 학습시키는 단계; 머신-러닝 컴퓨터에서 학습된 레퍼런스 행동 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계; 작업자가 용접을 진행하고 있는 모습을 촬영하여 작업 행동 이미지를 생성하는 단계; 촬영된 작업 행동 이미지를 기초로 작업 평가 데이터를 산출하는 단계; 및 상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 작업 평가 데이터와 상기 레퍼런스 평가 데이터의 차이를 기초로 작업자의 행동에 대한 개선 사항을 표시하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 레퍼런스 행동 이미지는 미리 생성된 위빙 테크닉(weaving technicque) 이미지이고, 상기 작업 행동 이미지는 실시간으로 생성된 위빙 테크닉 이미지일 수 있다.
일 실시예에 따르면, 상기 레퍼런스 평가 데이터는 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터를 포함하고, 상기 용접 건전성 정도를 평가하는 단계는, 상기 작업 평가 데이터에서 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터에 해당하는 부분을 추출하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 레퍼런스 행동 이미지는 풋 전류 컨트롤(foot pulse control) 이미지이고, 상기 작업 행동 이미지는 실시간으로 생성된 풋 전류 컨트롤 이미지일 수 있다.
일 실시예에 따르면, 현장에서 실시간으로 용접부 품질을 확인하는 것이 가능하며, 용접부 결함이 발생했을 때 용접 기술사가 어떠한 실수를 했는지, 어떤 사항을 개선해야 하는지를 알 수 있는 장점이 있다. 또한, 용접 공정을 사용하는 다양한 분야의 제작사에서 제품품질이 향상되는 효과를 보일 것으로 판단된다.
도 1은 본 발명의 일 실시예에 따른 용접 성능 평가 방법에 적용되는 다양한 타입의 용접을 설명하기 위한 도면이다.
도 2는 종래 기술에 따른 용접 결함 확인 방법의 순서를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 용접 성능 평가 방법을 설명하기 위한 도면이다.
도 4은 본 발명의 일 실시예에 따른 용접 성능 평가 방법을 실시하기 위한 시스템을 나타낸 구조도이다.
도 5은 본 발명의 일 실시예에 따른 용접 성능 평가 방법의 순서도이다.
도 6은 멜팅 풀 이미지를 설명하기 위한 도면이다.
도 7은 용접 전류 파형 이미지를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 용접 성능 평가 방법을 실시하기 위한 시스템을 나타낸 순서도이다.
도 9는 위빙 테크닉 이미지를 설명하기 위한 도면이다.
도 10은 풋 전류 컨트롤 이미지를 설명하기 위한 도면이다.
본 발명의 실시예들은 본 발명의 기술적 사상을 설명하기 위하여 예시적으로 제시된다. 본 발명에 따른 권리범위는이하의 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되지 않는다.
도 3은 본 발명의 일 실시예에 따른 용접 성능 평가 방법을 설명하기 위한 도면이다. 도 4은 본 발명의 일 실시예에 따른 용접 성능 평가 방법을 실시하기 위한 시스템(1)을 나타낸 구조도이다.
본 발명은 용접 기술사가 용접을 진행하는 과정에서 실시간 비전인식 데이터를 기반으로 한 머신러닝으로 용접부의 건전성을 평가하는 방법에 관한 것이며, 도 4에는 이를 실시하기 위한 시스템(1)이 제시되어 있다.
시스템(1)은 작업부(100) 및 분석부(200)를 포함할 수 있다. 작업부(100)는 실제 용접을 실행하는 작업자(110), 서로 접합시키기 위하여 준비된 피용접물(130), 피용접물(130)에 용융되는 용접봉(120), 및 용접봉(120)과 피용접물(130)의 용접부위를 용융시키기 위한 에너지를 제공하는 용접기구(140)를 포함할 수 있다.
분석부(200)는 머신-러닝 컴퓨터(210), 제1 카메라(210), 제2 카메라(220), 센싱부(230), 디스플레이(240)를 포함할 수 있다. 제1 카메라(210)는 용접봉(120), 피용접물(130), 용접기구(140)의 상태나 움직임을 촬영할 수 있다. 제2 카메라(220)는 작업자(110)의 움직임이나 신체 부위의 위치를 촬영할 수 있다. 센싱부(230)는 용접기구(140)에서 출력되는 전류의 파형을 측정할 수 있다. 작업자(110)는 디스플레이(240)에 표시된 정보들, 즉, 현재 진행되고 있는 용접 상태에 관한 정보와 앞으로 작업자가 작업과정에서 행동을 개선해야 할 정보를 확인할 수 있다.
제1 카메라(210), 제2 카메라(220), 센싱부(230)는 용접 과정에서 용접부 건전성을 실시간으로 평가하기 위해 용접부의 melting pool 이미지, 작업자의 행동분석 이미지, 용접 전류의 파형 이미지 등을 실시간으로 획득하여 데이터 학습을 위한 머신-러닝 컴퓨터(210)로 전송할 수 있다.
머신-러닝 컴퓨터(210)는 다수의 전송받은 이미지를 기반으로 용접부가 결함이 발생하는 상황을 컴퓨터가 인지하도록 하여 실시간으로 용접부의 결함 위치와 사유를 작업자에게 제공할 수 있다. 또한, 용접부 이미지뿐만 아니라 작업자의 행동 및 테크닉에 따라 달라지는 이미지를 함께 학습시키기 때문에 용접기술사가 달라지더라도 문제되지 않는다.
상술한 시스템(1)은 머신-러닝 방식을 사용하므로 용접에 소요되는 시간 소요를 감소시키고, 용접 비용을 감소시키며, 용접의 정확도를 높일 수 있다.
도 5은 본 발명의 일 실시예에 따른 용접 성능 평가 방법(S1000)의 순서도이다. 도 4에 도시된 구조도에서 표시된 참조번호를 참조하여 설명한다.
용접 건전성 평가 방법(S1000)은, 머신-러닝 컴퓨터(200)에 복수의 용접 타입에 대한 레퍼런스 용접 이미지들을 입력하여 학습시키는 단계(S1100), 머신-러닝 컴퓨터(200)에서 학습된 레퍼런스 용접 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계(S1200), 작업자에 의하여 진행중인 용접의 결과물을 카메라로 촬영하여 작업 용접 이미지를 생성하는 단계(S1300), 촬영된 작업 용접 이미지를 기초로 작업 평가 데이터를 산출하는 단계(S1400), 및 상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계(S1500)를 포함할 수 있다. 또한, 용접 건전성 평가 방법(S1000)은 작업 평가 데이터와 레퍼런스 평가 데이터의 차이를 기초로 작업 개선 사항을 표시하는 단계(S1600)를 더 포함할 수 있다.
작업자(110)는 디스플레이(240)에 표시된 작업 개선 사항을 통해, 자신이 어떠한 부분을 수정해야 하는지 알게 될 수 있다. 예를 들어, 작업 개선 사항에 용접 기구(140)의 온도를 일정 수준으로 낮출 것이 표시된다면, 작업자는 용접 기구(140)의 출력 전류를 바로 낮추어서 용접 건전성을 향상시킬 수 있다.
위 단계(S1200)에서, 레퍼런스 평가 데이터는 안전 결과 데이터와 결함 결과 데이터를 포함하고, 용접 건전성 정도를 평가하는 단계(S1500)는 작업 평가 데이터에서 안전 결과 데이터의 범위에 해당하는 부분과 결함 결과 데이터의 범위에 해당하는 부분을 추출하는 단계를 포함할 수 있다.
도 3을 참조하면, 피용접물에서 용접이 진행된 부위를 촬영하여, 결함 영역(defect area)와 안전 영역(safe area)를 확인할 수 있다. 이와 같이, 실시간으로 용접이 진행되고 있는 피용접물의 이미지를 촬영하여 촬영된 이미지의 결함 영역과 안전 영역을 구분할 수 있다. 머신-러닝 컴퓨터(200)는 실시간 피용접물 사진에서의 결함 영역이 나타난 부분을 분석하여 작업자에게 필요한 개선 사항을 산출하여 디스플레이(240)에 표시할 수 있다.
도 6은 멜팅 풀 이미지를 설명하기 위한 도면이다. 위 도 5에서 표시된 참조번호를 참조하여 설명한다.
멜팅 풀 이미지는 용접봉(120)이 피용접물(130) 상에서 용융되면서 어떻게 온도 분포가 표시되는지 나타내는 이미지이다. 상술한 학습시키는 단계(S1100)에서, 레퍼런스 용접 이미지는 미리 생성된 멜팅 풀(melting pool)이미지이고, 작업 용접 이미지를 생성하는 단계(S1300)에서, 작업 용접 이미지는 실시간으로 생성된 멜팅 풀 이미지일 수 있다.
머신-러닝 컴퓨터(200)는 미리 생성된 멜팅 풀 이미지와 실시간으로 생성된 멜팅 풀 이미지를 비교하여 온도 분포가 바람직하지 않게 나타난 부분을 분석하고, 작업자가 용접 기구(140)의 위치를 어디로 수정해야 할지, 토치 온도를 어느 정도로 설정해야 할지 디스플레이(240)에 표시할 수 있다.
도 7은 용접 전류 파형 이미지를 설명하기 위한 도면이다. 위 도 5에서 표시된 참조번호를 참조하여 설명한다.
용접 전류 파형 이미지는 용접 기구(140)에서 용접봉(120)을 용융시킬 때 적용되는 에너지의 파형을 측정한 이미지이다. 용접 전류 파형 이미지로부터 주기, 주파수, 최대값, 대칭도 등의 데이터를 추출해 낼 수 있다.
상술한 학습시키는 단계(S1100)에서, 레퍼런스 용접 이미지는 미리 생성된 용접 전류 파형(pulse wave) 이미지이고, 작업 용접 이미지를 생성하는 단계(S1300)에서, 작업 용접 이미지는 실시간으로 생성된 용접 전류 파형 이미지일 수 있다.
머신-러닝 컴퓨터(200)는 미리 생성된 용접 전류 파형 이미지와 실시간으로 생성된 용접 전류 파형 이미지를 비교하여, 작업자에게 용접의 빈도를 어느 정도로 진행해야 할지, 즉 용접 부위의 간격이 어느 정도가 되면 좋을지 등의 개선 사항을 디스플레이(240)에 표시할 수 있다.
도 8은 본 발명의 일 실시예에 따른 용접 성능 평가 방법(S2000)을 실시하기 위한 시스템을 나타낸 순서도이다. 도 8의 순서도는 작업자의 행동 자체를 촬영하는 것을 기초로 한다.
용접 성능 평가 방법(S2000)은, 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 행동 이미지들을 입력하여 학습시키는 단계(S2100), 머신-러닝 컴퓨터에서 학습된 레퍼런스 행동 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계(S2200), 작업자가 용접을 진행하고 있는 모습을 촬영하여 작업 행동 이미지를 생성하는 단계(S2300), 촬영된 작업 행동 이미지를 기초로 작업 평가 데이터를 산출하는 단계(S2400), 및 상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계(S2500)를 포함할 수 있다. 또한, 용접 성능 평가 방법(S2000)은, 작업 평가 데이터와 상기 레퍼런스 평가 데이터의 차이를 기초로 작업자의 행동에 대한 개선 사항을 표시하는 단계(S2000)를 더 포함할 수 있다.
도 9는 위빙 테크닉 이미지를 설명하기 위한 도면이다. 위 도 8에서 표시된 참조번호를 참조하여 설명한다.
위빙 테크닉 이미지는 작업자가 용접봉을 피용접물 상에 높는 위치, 용접기구(140)로 용접봉에 열에너지를 가하는 위치 등에 대한 정보를 확인할 수 있는 이미지이다. 상술한 학습시키는 단계(S2100)에서, 레퍼런스 행동 이미지는 미리 생성된 위빙 테크닉(weaving technicque) 이미지이고, 작업 행동 이미지를 생성하는 단계(S2300)에서, 작업 이미지는 실시간으로 생성된 위빙 테크닉 이미지일 수 있다.
레퍼런스 평가 데이터를 산출하는 단계(S2200)에서, 상기 레퍼런스 평가 데이터는 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터를 포함하고, 용접 건전성 정도를 평가하는 단계(S2500)는, 상기 작업 평가 데이터에서 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터에 해당하는 부분을 추출하는 단계를 포함할 수 있다.
머신-러닝 컴퓨터(200)는 미리 생성된 작업자의 동작 데이터와 실시간으로 생성된 작업자의 동작 데이터를 비교하여, 작업자에게 어떠한 동작이 결함 부위를 발생시키는지, 용접봉의 위치를 어떻게 수정하면 좋을지, 용접기구를 어떠한 방향으로 기울어야 되는지 등의 개선 사항을 디스플레이(240)에 표시할 수 있다.
도 10은 풋 전류 컨트롤 이미지를 설명하기 위한 도면이다. 위 도 8에서 표시된 참조번호를 참조하여 설명한다.
풋 전류 컨트롤 이미지는 작업자가 발 동작으로 용접 기구에 전원을 입력하거나 차단하는 과정을 촬영한 이미지이다. 작업자가 용접기구에 연결된 페달을 누르면 용접 기구는 용접봉에 열에너지를 가하게 되고, 작업자가 페달로부터 발을 떼면 용접 기구의 작동이 멈추게 된다.
상술한 학습시키는 단계(S2100)에서, 레퍼런스 행동 이미지는 풋 전류 컨트롤(foot pulse control) 이미지이고, 작업 행동 이미지를 생성하는 단계(S2300)에서, 작업 행동 이미지는 실시간으로 생성된 풋 전류 컨트롤 이미지일 수 있다.
머신-러닝 컴퓨터(200)는 미리 생성된 작업자의 발 동작 데이터와 실시간으로 생성된 작업자의 발 동작 데이터를 비교하여, 작업자에게 발 동작의 강도, 페달을 밟는 빈도수, 페달 누르고 있는 시간 등에 대한 개선 사항을 디스플레이(240)에 표시할 수 있다.
본 발명의 일 실시예에 따르면, 용접 공정을 사용하는 현장에서 실시간으로 용접부 건전성을 평가 받음으로써 용접 기술사의 작업 능률을 향상시키고 제품의 품질을 향상시킬 수 있을 뿐만 아니라 용접 기술사의 기술 향상에도 큰 도움이 될것으로 기대된다. 또한, 초기 장비 설치를 위한 금액만 투자하면 건전성 평가를 위한 비용과 함께 시간을 대폭 절감할 수 있다.
종래의 기술은 실시간으로 제품의 건전성을 평가할 수 없으며, 용접부의 결함이 발생한 원인에 대한 정확한 규명이 어렵다. 이러한 두 가지 문제를 해결하기 위해 용접 기술사의 작업 기술과 melting pool의 온도, 직경, 전류 파형 등의 공정변수를 실시간으로 획득한 뒤 머신러닝 알고리즘을 적용하여 실시간으로 용접부 건전성을 평가한다. Melting pool의 온도는 열화상카메라를 이용하여 촬영하여 이미지형태로, 전류 파형은 DC 컨버터를 이용하여 전자신호로, 비드의 직경 및 형상은 laser scanner를 이용하여 이미지형태로 각각 머신러닝 알고리즘의 인풋데이터로 활용된다. 이러한 공정변수는 용접 공정 및 현장 상황 등에 따라 달라질 수 있기 때문에 최적의 공정변수를 적용한 머신러닝 알고리즘 사용이 가능하다.
이상 본 발명의 기술적 사상이 설명되었지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 발명의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속한다.
1: 시스템
100: 작업부
200: 분석부

Claims (10)

  1. 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 용접 이미지들을 입력하여 학습시키는 단계;
    머신-러닝 컴퓨터에서 학습된 레퍼런스 용접 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계;
    작업자에 의하여 진행중인 용접의 결과물을 카메라로 촬영하여 작업 용접 이미지를 생성하는 단계;
    촬영된 작업 용접 이미지를 기초로 작업 평가 데이터를 산출하는 단계; 및
    상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계를 포함하는,
    용접 건전성 평가 방법.
  2. 제1항에 있어서,
    상기 작업 평가 데이터와 상기 레퍼런스 평가 데이터의 차이를 기초로 작업 개선 사항을 표시하는 단계를 더 포함하는,
    용접 건전성 평가 방법.
  3. 제1항에 있어서,
    상기 레퍼런스 용접 이미지는 미리 생성된 멜팅 풀(melting pool)이미지이고,
    상기 작업 용접 이미지는 실시간으로 생성된 멜팅 풀 이미지인,
    용접 건전성 평가 방법.
  4. 제1항에 있어서,
    상기 레퍼런스 평가 데이터는 안전 결과 데이터와 결함 결과 데이터를 포함하고,
    상기 용접 건전성 정도를 평가하는 단계는,
    상기 작업 평가 데이터에서 안전 결과 데이터의 범위에 해당하는 부분과 결함 결과 데이터의 범위에 해당하는 부분을 추출하는 단계를 포함하는,
    용접 건전성 평가 방법.
  5. 제1항에 있어서,
    상기 레퍼런스 용접 이미지는 미리 생성된 용접 전류 파형(pulse wave) 이미지이고,
    상기 작업 용접 이미지는 실시간으로 생성된 용접 전류 파형 이미지인,
    용접 건전성 평가 방법.
  6. 머신-러닝 컴퓨터에 복수의 용접 타입에 대한 레퍼런스 행동 이미지들을 입력하여 학습시키는 단계;
    머신-러닝 컴퓨터에서 학습된 레퍼런스 행동 이미지들을 기초로 각각의 용접 타입에 대응하는 레퍼런스 평가 데이터를 산출하는 단계;
    작업자가 용접을 진행하고 있는 모습을 촬영하여 작업 행동 이미지를 생성하는 단계;
    촬영된 작업 행동 이미지를 기초로 작업 평가 데이터를 산출하는 단계; 및
    상기 작업 평가 데이터를 레퍼런스 평가 데이터와 비교하여 용접 건전성 정도를 평가하는 단계를 포함하는,
    용접 건전성 평가 방법.
  7. 제6항에 있어서,
    상기 작업 평가 데이터와 상기 레퍼런스 평가 데이터의 차이를 기초로 작업자의 행동에 대한 개선 사항을 표시하는 단계를 더 포함하고,
    용접 건전성 평가 방법.
  8. 제6항에 있어서,
    상기 레퍼런스 행동 이미지는 미리 생성된 위빙 테크닉(weaving technicque) 이미지이고,
    상기 작업 행동 이미지는 실시간으로 생성된 위빙 테크닉 이미지인,
    용접 건전성 평가 방법.
  9. 제8항에 있어서,
    상기 레퍼런스 평가 데이터는 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터를 포함하고,
    상기 용접 건전성 정도를 평가하는 단계는,
    상기 작업 평가 데이터에서 왼손 동작 데이터, 오른손 동작 데이터, 및 용접봉과 피용접물의 상대적인 위치 데이터에 해당하는 부분을 추출하는 단계를 포함하는,
    용접 건전성 평가 방법.
  10. 제6항에 있어서,
    상기 레퍼런스 행동 이미지는 풋 전류 컨트롤(foot pulse control) 이미지이고,
    상기 작업 행동 이미지는 실시간으로 생성된 풋 전류 컨트롤 이미지인,
    용접 건전성 평가 방법.
KR1020210092360A 2021-07-14 2021-07-14 머신-러닝을 이용한 용접 성능 평가 방법 KR20230011736A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210092360A KR20230011736A (ko) 2021-07-14 2021-07-14 머신-러닝을 이용한 용접 성능 평가 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210092360A KR20230011736A (ko) 2021-07-14 2021-07-14 머신-러닝을 이용한 용접 성능 평가 방법

Publications (1)

Publication Number Publication Date
KR20230011736A true KR20230011736A (ko) 2023-01-25

Family

ID=85109684

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210092360A KR20230011736A (ko) 2021-07-14 2021-07-14 머신-러닝을 이용한 용접 성능 평가 방법

Country Status (1)

Country Link
KR (1) KR20230011736A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116871632A (zh) * 2023-09-08 2023-10-13 南京理工大学 基于弧压和熔池视觉的机器人打底焊成形缺陷监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116871632A (zh) * 2023-09-08 2023-10-13 南京理工大学 基于弧压和熔池视觉的机器人打底焊成形缺陷监测方法
CN116871632B (zh) * 2023-09-08 2023-11-21 南京理工大学 基于弧压和熔池视觉的机器人打底焊成形缺陷监测方法

Similar Documents

Publication Publication Date Title
KR100647264B1 (ko) 자동용접장치 및 용접기능 훈련장치
JP3197100U (ja) 溶接品質を監視するためのシステム及び方法
WO2020129618A1 (ja) 溶接システム及びそれを用いたワークの溶接方法
JP5314096B2 (ja) 溶接データ処理方法およびプログラム
CN101566546B (zh) 电阻焊及粘合焊的在线焊缝质量检查和补焊方法
CN107891215A (zh) 具有对参数设置的实时象形文字表示的用户界面
US20170232615A1 (en) Teleoperated robot for flood-welding operations
EP4169659A1 (en) Defect occurrence prediction method, and defect occurrence prediction device
CA3039677A1 (en) System and method for selecting weld parameters
CN111065916B (zh) 接合工序线监视系统
CA3145721A1 (en) Systems and methods to select weld parameters based on thermal, electrical, and/or chemical properties
CN112828496B (zh) 实时焊接质量分析系统和方法
US20070181548A1 (en) Welding process
KR20230011736A (ko) 머신-러닝을 이용한 용접 성능 평가 방법
CN110662620A (zh) 使用焊丝电极标记金属工件的工件表面的方法和装置
JP2023095820A (ja) 学習モデルの生成方法、制御装置、学習モデル、溶接システム、およびプログラム
KR20160020698A (ko) 스폿 용접의 품질 판정 방법
EP3698911A1 (en) Welding system and operation method thereof
JP6672551B2 (ja) アーク溶接の表示装置及び表示方法
EP4338881A1 (en) Fault-monitoring device, fault-monitoring method, welding assistance system, and welding system
US10232457B2 (en) Arc welding robot system
Norrish Evolution of Advanced Process Control in GMAW: Innovations, Implications, and Application
KR102476754B1 (ko) 용접 모니터링 시스템
KR20230118341A (ko) 딥러닝을 이용한 아크 이미지 기반 용접 품질 검사 모델 생성 방법, 용접 품질 검사 모델 생성 장치 및 이를 이용한 아크 이미지 기반 용접 품질 모니터링 장치
KR101584421B1 (ko) 아크 용접 모니터링 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal