KR20230093104A - System for cloud based artificial intelligence laser welding quality monitoring and method thereof - Google Patents
System for cloud based artificial intelligence laser welding quality monitoring and method thereof Download PDFInfo
- Publication number
- KR20230093104A KR20230093104A KR1020210181634A KR20210181634A KR20230093104A KR 20230093104 A KR20230093104 A KR 20230093104A KR 1020210181634 A KR1020210181634 A KR 1020210181634A KR 20210181634 A KR20210181634 A KR 20210181634A KR 20230093104 A KR20230093104 A KR 20230093104A
- Authority
- KR
- South Korea
- Prior art keywords
- welding quality
- laser welding
- artificial intelligence
- data
- cloud
- Prior art date
Links
- 238000003466 welding Methods 0.000 title claims abstract description 296
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000002950 deficient Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000013523 data management Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000012937 correction Methods 0.000 description 9
- 230000003542 behavioural effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N21/3151—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using two sources of radiation of different wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Toxicology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Laser Beam Processing (AREA)
Abstract
본 발명은 레이저용접 모니터링 시스템에서 계측된 용접품질 데이터를 클라우드 기반의 데이터 관리 및 분석 기능을 제공하고, 인공지능 알고리즘에 의한 품질판단 기능을 갖춘 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 본 발명에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 계측하기 위해 가시광선 센서와 근적외선 센서를 포함하는 센서부와 상기 센서부를 통해 계측한 계측 파형을 분석하여 실시간으로 불량용접을 판단하는 불량용접 판단부를 포함하는 사업장 레이저용접 모니터링 시스템, 및 상기 계측한 용접품질 데이터를 수신하여 클라우드 상에 저장하는 데이터 수집부와 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 인공지능 용접품질 판단부를 포함하는 클라우드 서버를 포함한다.The present invention provides a cloud-based data management and analysis function for welding quality data measured in a laser welding monitoring system, and relates to a cloud-based artificial intelligence laser welding quality monitoring system equipped with a quality judgment function by an artificial intelligence algorithm and a method thereof. More specifically, the cloud-based artificial intelligence laser welding quality monitoring system according to the present invention includes a sensor unit including a visible ray sensor and a near-infrared ray sensor to measure the plasma intensity generated at the welded portion during laser welding according to the wavelength, and the sensor A workplace laser welding monitoring system including a welding failure determination unit that analyzes the measurement waveform measured through the unit and determines a failure welding in real time, and a data collection unit that receives and stores the measured welding quality data in the cloud, and the welding quality It includes a cloud server including an artificial intelligence welding quality determination unit that determines laser welding quality through a quality determination algorithm using artificial intelligence based on data.
Description
본 발명은 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 각 사업장에 설치된 사업장 레이저용접 모니터링 시스템에서 계측된 용접품질 데이터를 클라우드 기반의 데이터 관리 및 분석 기능을 제공하고, 인공지능 알고리즘에 의한 품질판단 기능을 갖춘 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법에 관한 것이다.The present invention relates to a cloud-based artificial intelligence laser welding quality monitoring system and method thereof, and more particularly, provides cloud-based data management and analysis functions for welding quality data measured by a workplace laser welding monitoring system installed in each workplace, , It is about a cloud-based artificial intelligence laser welding quality monitoring system and method equipped with a quality judgment function by artificial intelligence algorithm.
레이저 용접 공정은 레이저 가공 빔을 하나 이상의 가공물, 이음새, 또는 부착물에 조사하여 용접하는 공정이다.A laser welding process is a process of welding by irradiating a laser processing beam to one or more workpieces, joints, or attachments.
이러한, 레이저 용접의 품질은 용융된 가공물의 깊이, 표면의 핀홀의 유무, 결합 면의 면적 등에 의해 판단될 수 있으며, 그 중에 용융된 가공물의 깊이와 직접적인 관련이 있는 키홀의 깊이가 용접품질에 중요한 척도로 이용되고 있으며 키홀의 깊이나 용융깊이를 측정하기 위한 다양한 방법이 요구되고 있으며, 실시간 용접의 품질 판단이 어려운 점이 있었다.The quality of laser welding can be judged by the depth of the molten workpiece, the presence or absence of pinholes on the surface, and the area of the bonding surface. It is used as a scale, and various methods for measuring the depth of the keyhole or the melting depth are required, and it is difficult to judge the quality of welding in real time.
이러한 문제점을 개선하기 위하여, 본 출원인은 대한민국 등록특허 제10-2299184호에 '광간섭 단층촬영장치를 활용한 레이저 용접 모니터링 시스템'이라는 발명을 제안한 바가 있으며, 상기의 특허에서는 위의 문제점인 광 간섭계를 활용하여 용접의 키홀의 깊이와 폭을 측정하여 용접품질의 적합 여부를 판단하도록 하여 실시간으로 용접 품질을 판단하기 어려운 문제점이 개선된 바가 있다.In order to improve these problems, the present applicant has proposed an invention called 'a laser welding monitoring system using an optical coherence tomography device' in Korean Patent Registration No. 10-2299184, and in the above patent, an optical interferometer, which is the above problem The problem that it is difficult to judge the welding quality in real time has been improved by measuring the depth and width of the keyhole of the welding to determine the suitability of the welding quality.
최근 클라우드, 사물인터넷(IOT) 및 데이터분석 등 신기술의 발전은 산업계에도 밀려오고 있으며, 최근 몇 년 동안 기계 산업은 전자, 자동화 및 통신 기술의 영향을 점점 더 크게 받고 있다. 이 같은 현상은 산업 자산의 유지/보수, 운영뿐만 아니라 인력의 직무교육에까지 큰 변화를 요구하고 있으며, 운영 중인 기기의 효율성과 생산성을 더 높은 수준으로 끌어올려야 하는 압력도 커지고 있다.Recent advances in new technologies, such as cloud, Internet of Things (IOT) and data analytics, are also sweeping the industry. In recent years, the machinery industry has been increasingly influenced by electronics, automation and communication technologies. This phenomenon requires major changes not only in the maintenance/repair and operation of industrial assets, but also in the job training of manpower, and the pressure to raise the efficiency and productivity of operating equipment to a higher level is also increasing.
이에 따라, 종래의 레이저용접 모니터링 시스템에 FDC(Fault Detection and Classification) 및 PdM(Predictive Maintenance) 기능 등을 적용하여 공정이나 설비에서 일어나는 문제를 적시에 대처할 수 있는 클라우드 기반의 데이터 관리 및 분석과 인공지능을 이용한 레이저용접 품질판단 방안이 요구 되고 있다.Accordingly, by applying FDC (Fault Detection and Classification) and PdM (Predictive Maintenance) functions to the conventional laser welding monitoring system, cloud-based data management and analysis and artificial intelligence that can timely respond to problems occurring in processes or facilities There is a demand for a method for judging the quality of laser welding using
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 각 사업장에 설치된 레이저용접 모니터링 시스템에서 계측된 용접품질 데이터를 클라우드 기반의 데이터 관리 및 분석 기능을 제공하고, 인공지능 알고리즘에 의한 품질판단 기능을 갖춘 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법을 제공하는 것이다.An object of the present invention is to solve the above problems, to provide a cloud-based data management and analysis function for welding quality data measured by a laser welding monitoring system installed in each business site, and to judge quality by artificial intelligence algorithms. It is to provide a cloud-based artificial intelligence laser welding quality monitoring system and method with features.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명의 기술분야에서 통상의 지식을 지닌 자에게 명확하게 이해될 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned will be clearly understood by those skilled in the art from the following description.
상기 목적을 달성하기 위하여, 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은, 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 계측하기 위해 가시광선(VIS) 센서와 근적외선(NIR) 센서를 포함하는 센서부와 상기 센서부를 통해 계측한 계측 파형을 분석하여 실시간으로 불량용접을 판단하는 불량용접 판단부를 포함하는 사업장 레이저용접 모니터링 시스템, 및 상기 사업장 레이저용접 모니터링 시스템으로부터 계측한 용접품질 데이터를 수신하여 클라우드 상에 저장하는 데이터 수집부와 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 인공지능 용접품질 판단부를 포함하는 클라우드 서버를 포함한다.In order to achieve the above object, the cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention is a visible light (VIS) sensor and a near infrared (NIR) to measure the plasma intensity generated at the welded part during laser welding according to the wavelength. A workplace laser welding monitoring system including a sensor unit including a NIR) sensor and a defective welding determination unit that analyzes the measurement waveform measured through the sensor unit and determines defective welding in real time, and the welding measured from the workplace laser welding monitoring system. A cloud server including a data collection unit for receiving and storing quality data in the cloud and an artificial intelligence welding quality determination unit for determining laser welding quality through a quality determination algorithm using artificial intelligence based on the welding quality data.
또한, 상기 불량용접 판단부는 상기 계측 파형이 기설정된 불량용접 판정 기준 상한선과 하한선으로 이루어지는 불량용접 판정 기준 밴드폭 내에 형성되면 정상 품질로 판단하고, 상기 계측 파형이 기설정된 불량용접 판정 기준 상한선 또는 하한선을 벗어나면 불량 품질로 판단하는 것을 특징으로 한다.In addition, the defective welding determining unit determines that the measured waveform is of normal quality if it is formed within the band width of the defective welding determination criterion consisting of the upper limit and the lower limit of the preset defective welding determination criterion, and the measured waveform is set at the upper limit or lower limit of the preset inferior welding determination criterion. If it deviates from , it is characterized in that it is judged as poor quality.
또한, 상기 인공지능 용접품질 판단부는 상기 데이터 수집부에 저장된 데이터를 분석하여 데이터를 모델링하는 데이터 모델링 모듈과, 모델링한 데이터를 학습 후 테스트를 통해 학습된 용접품질 판단모델 성능을 검증하는 모델 성능 검증 모듈과, 검증된 용접품질 판단모델을 이용해 이상 패턴을 감지하고, 상기 패턴 감지를 통해 레이저 용접품질을 판단하는 용접품질 분석 모듈을 포함하는 것을 특징으로 한다.In addition, the artificial intelligence welding quality determination unit analyzes the data stored in the data collection unit and models the data modeling module, and model performance verification to verify the performance of the learned welding quality determination model through testing after learning the modeled data. It is characterized in that it includes a module and a welding quality analysis module that detects an abnormal pattern using a verified welding quality judgment model and determines laser welding quality through the detection of the pattern.
또한, 상기 클라우드 서버는 각 사업장의 담당자가 웹기반의 공정 모니터링에 활용할 수 있도록 분석된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과제공부를 더 포함하는 것을 특징으로 한다.In addition, the cloud server may further include a welding quality result providing unit that visualizes and provides graphs and statistical data of analyzed laser welding quality results so that the person in charge of each workplace can use them for web-based process monitoring.
한편, 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은, 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 계측하기 위해 가시광선(VIS) 센서와 근적외선(NIR) 센서를 포함하는 센서부와 상기 센서부를 통해 계측한 용접품질 데이터를 수집하는 데이터 수집부와 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 인공지능 용접품질 판단부를 포함하는 사업장 레이저용접 모니터링 시스템, 및 상기 사업장 레이저용접 모니터링 시스템으로부터 판단한 레이저 용접품질 결과를 수신하고 저장하는 데이터 저장부를 포함하는 클라우드 서버를 포함한다.On the other hand, the cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention uses a visible light (VIS) sensor and a near infrared (NIR) sensor to measure the plasma intensity generated at the welded part during laser welding according to the wavelength. Includes a sensor unit including a sensor unit, a data collection unit that collects welding quality data measured through the sensor unit, and an artificial intelligence welding quality determination unit that determines laser welding quality through a quality determination algorithm using artificial intelligence based on the welding quality data A business site laser welding monitoring system and a cloud server including a data storage unit for receiving and storing the laser welding quality result determined from the business site laser welding monitoring system.
여기서, 상기 인공지능 용접품질 판단부는 상기 데이터 수집부에 저장된 데이터를 분석하여 데이터를 모델링하는 데이터 모델링 모듈과, 모델링한 데이터를 학습 후 테스트를 통해 학습된 용접품질 판단모델 성능을 검증하는 모델 성능 검증 모듈과, 검증된 용접품질 판단모델을 이용해 이상 패턴을 감지하고, 상기 패턴 감지를 통해 레이저 용접품질을 판단하는 용접품질 분석 모듈을 포함하는 것을 특징으로 한다.Here, the artificial intelligence welding quality determination unit analyzes the data stored in the data collection unit and models the data modeling module, and model performance verification to verify the performance of the learned welding quality determination model through testing after learning the modeled data. It is characterized in that it includes a module and a welding quality analysis module that detects an abnormal pattern using a verified welding quality judgment model and determines laser welding quality through the detection of the pattern.
또한, 상기 사업장 레이저용접 모니터링 시스템은 상기 인공지능 용접품질 판단부를 통해 분석한 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과제공부를 더 포함하는 것을 특징으로 한다.In addition, the workplace laser welding monitoring system may further include a welding quality result providing unit that visualizes and provides graphs and statistical data of the laser welding quality result analyzed through the artificial intelligence welding quality determination unit.
한편, 본 발명의 다른 관점에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법은, 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법에 있어서, 각 사업장의 레이저용접 모니터링 시스템을 통해 계측된 용접품질 데이터를 수신하는 용접품질 데이터 수신단계, 수신된 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 분석하여 레이저 용접품질을 판단하는 인공지능 용접품질 판단단계, 및 각 사업장의 담당자가 웹을 통해 레이저용접 공정 모니터링에 활용할 수 있도록 분석 및 판단된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과 제공단계를 포함한다.On the other hand, in the cloud-based artificial intelligence laser welding quality monitoring method according to another aspect of the present invention, in the cloud-based artificial intelligence laser welding quality monitoring method, the welding quality data measured through the laser welding monitoring system of each workplace is received. Quality data reception step, artificial intelligence welding quality judgment step of analyzing the received welding quality data through a quality judgment algorithm using artificial intelligence to determine the laser welding quality, and the laser welding process by the person in charge of each business site through the web A welding quality result providing step of providing graphs and statistical data of the analyzed and judged laser welding quality results so that they can be used for monitoring is provided.
또한, 상기 용접품질 데이터는 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 가시광선(VIS) 센서와 근적외선(NIR) 센서로 계측한 데이터를 의미하는 것을 특징으로 한다.In addition, the welding quality data is characterized in that it refers to data obtained by measuring plasma intensity generated at a welded portion during laser welding with a visible ray (VIS) sensor and a near-infrared ray (NIR) sensor according to a wavelength.
또한, 상기 인공지능 용접품질 판단단계는 수신되는 용접품질 데이터 스트림을 수치화하여 정규화하는 데이터 스트림 정규화단계와, 심층신경망 구조에 시계열 특징을 반영하여 비지도 학습을 통해 정규화된 데이터를 모델링하는 데이터 모델링단계와, 상기 모델링한 데이터를 학습 후 테스트하는 모델 성능 검증단계와, 검증된 용접품질 판단모델을 이용하여 이상 패턴을 실시간 감지하는 모니터링단계를 포함하는 것을 특징으로 한다.In addition, the artificial intelligence welding quality determination step includes a data stream normalization step of digitizing and normalizing the received welding quality data stream, and a data modeling step of modeling the normalized data through unsupervised learning by reflecting time series characteristics to the deep neural network structure. and a model performance verification step of testing the modeled data after learning, and a monitoring step of detecting an abnormal pattern in real time using a verified welding quality judgment model.
본 발명에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법은 각 사업장에 설치된 레이저용접 모니터링 시스템에서 계측된 용접품질 데이터를 클라우드를 통해 데이터를 관리하고 분석할 수 있으며, 인공지능 알고리즘을 이용하여 레이저용접 품질을 판단할 수 있다.The cloud-based artificial intelligence laser welding quality monitoring system and method according to the present invention can manage and analyze the welding quality data measured by the laser welding monitoring system installed in each business site through the cloud, and can use artificial intelligence algorithms to analyze the data. The quality of laser welding can be judged.
또한, 본 발명에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템 및 그 방법은 FDC(Fault Detection and Classification) 활용에 따른 품질 향상, 설비 관리, 예지보전, 원격 관리 및 원가 절감의 효과를 가져올 수 있으며, 생산공정 최적화 및 제품의 불량을 최소화할 수 있는 효과가 있다.In addition, the cloud-based artificial intelligence laser welding quality monitoring system and method according to the present invention can bring the effects of quality improvement, facility management, predictive maintenance, remote management and cost reduction according to FDC (Fault Detection and Classification) utilization, It has the effect of optimizing the production process and minimizing product defects.
도 1은 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 사업장 레이저용접 모니터링 시스템의 센서부를 설명하기 위한 도이다.
도 3은 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 사업장 레이저용접 모니터링 시스템의 불량용접 판단부를 설명하기 위한 도이다.
도 4는 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 인공지능 용접품질 판단부를 나타낸 블록도이다.
도 5는 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 나타낸 구성도이다.
도 6은 본 발명의 다른 관점에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법의 전체적인 흐름을 나타낸 순서도이다.
도 7은 도 6의 인공지능 용접품질 판단단계를 설명하기 위한 순서도이다.1 is a block diagram showing a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
2 is a diagram for explaining a sensor unit of a workplace laser welding monitoring system constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
3 is a diagram for explaining a welding defect determination unit of a workplace laser welding monitoring system constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
4 is a block diagram showing an artificial intelligence welding quality determination unit constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
5 is a block diagram showing a cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention.
6 is a flowchart showing the overall flow of a cloud-based artificial intelligence laser welding quality monitoring method according to another aspect of the present invention.
Figure 7 is a flow chart for explaining the artificial intelligence welding quality determination step of Figure 6.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs. It is provided to fully inform the holder of the scope of the invention, and the present invention is only defined by the scope of the claims.
아래 첨부된 도면을 참조하여 본 발명의 실시를 위한 구체적인 내용을 상세히 설명한다. 도면에 관계없이 동일한 부재번호는 동일한 구성요소를 지칭하며, "및/또는"은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.With reference to the accompanying drawings below, specific details for the practice of the present invention will be described in detail. Like reference numbers refer to like elements, regardless of drawing, and "and/or" includes each and every combination of one or more of the recited items.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.Terms used in this specification are for describing the embodiments and are not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used herein, "comprises" and/or "comprising" does not exclude the presence or addition of one or more other elements other than the recited elements.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used in a meaning commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 나타낸 구성도이다.1 is a block diagram showing a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은, 크게, 사업장 레이저용접 모니터링 시스템(100)과 클라우드 서버(200)를 포함하여 이루어질 수 있다.Referring to FIG. 1 , the cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention may include, largely, a workplace laser
먼저, 사업장 레이저용접 모니터링 시스템(100)은 각 사업장에 설치되어 레이저용접 품질을 검사하기 위한 시스템으로서, 사업장에 설치되는 적어도 하나 이상의 레이저용접 장치를 모니터링하는 시스템을 의미할 수 있다.First, the workplace laser
상기 사업장 레이저용접 모니터링 시스템(100)은 크게, 센서부(110)와 불량용접 판단부(120)를 포함한다.The workplace laser
상기 센서부(110)는 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 계측하기 위한 장치를 의미한다.The
도 2는 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 사업장 레이저용접 모니터링 시스템의 센서부를 설명하기 위한 도이다.2 is a diagram for explaining a sensor unit of a workplace laser welding monitoring system constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
도 2를 참조하면, 상기 센서부(110)는 가시광선(Visible ray, VIS)영역과 근적외선(Near Infrared ray, NIR) 영역의 강도를 측정하기 위하여 가시광선(VIS) 센서와 근적외선(NIR) 센서를 포함하여 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 계측한다. 이때, 상기 센서부(110)는 가시광선 센서와 근적외선 센서로 한정되는 것은 아니다.Referring to FIG. 2, the
상기 불량용접 판단부(120)는 상기 센서부(110)를 통해 계측한 계측 파형을 분석하여 실시간으로 불량용접을 판단하는 역할을 한다.The defective
도 3은 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 사업장 레이저용접 모니터링 시스템의 불량용접 판단부를 설명하기 위한 도이다.3 is a diagram for explaining a welding defect determination unit of a workplace laser welding monitoring system constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
도 3은 용접품질 검사의 예시를 나타낸 도로서, 도 3의 (a)는 용접품질이 정상일 때 나타난 파형을 나타낸 예시도이고, 도 3의 (b), (c)는 용접품질이 불량일 때 나타난 파형을 나타낸 예시도이다.Figure 3 is a diagram showing an example of a welding quality inspection, Figure 3 (a) is an exemplary diagram showing a waveform that appears when the welding quality is normal, Figure 3 (b), (c) is a case when the welding quality is poor It is an example diagram showing the displayed waveform.
도 3을 더 참조하여 상기 불량용접 판단부(120)에 대하여 구체적으로 설명하도록 한다.With further reference to FIG. 3 , the defective
상기 센서부(110)를 통해 계측된 가시광선(VIS) 신호와 근적외선(NIR) 신호는 각 용접점에서 용접 시간에 따라 일정한 패턴의 파형을 나타내는데, 이를 이용하여 상기 불량용접 판단부(120)는 기설정된 품질판정 기준선에 기초하여 레이저 용접품질을 판단한다.The visible ray (VIS) signal and the near-infrared ray (NIR) signal measured by the
보다 상세하게는, 상기 레이저 용접품질 판단은 도 3에 도시된 바와 같이 품질판정 기준 상한선과 하한선으로 이루어지는 불량용접 판정 기준 밴드폭 내에서 계측 파형이 형성되면 정상 품질로 판단하고, 계측 파형이 기설정된 불량용접 판정 기준 상한선 또는 하한선을 벗어나면 불량 품질로 판단한다.More specifically, in the laser welding quality determination, as shown in FIG. 3, if the measured waveform is formed within the defective welding determination criterion band width consisting of the upper limit and the lower limit of the quality determination criterion, it is determined as normal quality, and the measured waveform is determined to be of normal quality. If it is out of the upper or lower limit of the criterion for judging defective welding, it is judged as defective quality.
예컨대, 도 3의 (a)를 참조하면, 상기 불량용접 판단부(120)는 근적외선 및 가시광선 계측 파형이 품질판정기준선 상한선과 하한선으로 이루어지는 불량용접 판정 기준 밴드폭 내에 형성됨으로 정상 품질로 판단하게 된다.For example, referring to (a) of FIG. 3, the defective
반면, 도 3의 (b)는 계측 파형이 품질판정기준선 하한선을 벗어난 경우를 의미하고, 도 3의 (c)는 계측 파형이 품질판정기준선 상한선을 벗어난 경우를 의미한다.On the other hand, (b) of FIG. 3 means a case where the measured waveform deviates from the lower limit of the quality decision reference line, and (c) of FIG. 3 means a case where the measured waveform deviates from the upper limit of the quality decision reference line.
이와 같이, 상기 불량용접 판단부(120)는 계측 파형이 불량용접 판정 기준 밴드폭을 벗어남으로써 불량 품질로 판단하게 된다.In this way, the defective
여기서, 계측 파형이 상한선을 벗어나는지, 하한선을 벗어나는지를 통해 불량의 원인을 유추할 수 있는 자료로 이용될 수 있음은 물론이다.Here, of course, it can be used as data for inferring the cause of a defect through whether the measured waveform is out of the upper limit or the lower limit.
또한, 상기 사업장 레이저용접 모니터링 시스템(100)은 도시되어 있지 않지만 상기 센서부(110)를 통해 계측한 계측 파형을 표시하거나, 상기 불량용접 판단부(120)를 통해 판단한 레이저용접 품질 결과를 표시하는 레이저용접 모니터링부를 더 포함하여 이루어질 수 있다.In addition, the workplace laser
다음, 클라우드 서버(200)는 상기 사업장 레이저용접 모니터링 시스템(100)으로부터 계측한 용접품질 데이터를 수신하여 클라우드 상에 저장하고, 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 클라우드 컴퓨팅을 의미한다.Next, the
상기 클라우드 서버(200)는 크게, 데이터 수집부(210), 인공지능 용접품질 판단부(220) 및 용접품질 결과 제공부(230)를 포함하여 이루어질 수 있다.The
상기 데이터 수집부(210)는 상기 사업장 레이저용접 모니터링 시스템(100)으로부터 계측한 용접품질 데이터를 수신하여 클라우드 상에 저장하는 역할을 한다.The
상기 용접품질 데이터는 상기 센서부(110)를 통해 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 계측한 가시광선(VIS) 신호와 근적외선(NIR) 신호를 의미할 수 있으며, 이에 한정되는 것은 아니다.The welding quality data may refer to a visible ray (VIS) signal and a near infrared ray (NIR) signal obtained by measuring the plasma intensity generated at the welding portion during laser welding through the
한편, 이와 같은 용접품질 데이터를 수신하기 위해서 상기 데이터 수집부(210)는 API(Application Programming Interface) 모듈을 포함한다. 이에, 상기 사업장 레이저용접 모니터링 시스템(100) 또한 용접품질 데이터를 공유하기 위해서 API(Application Programming Interface) 모듈을 포함하는 것은 물론이다.Meanwhile, in order to receive such welding quality data, the
상기 인공지능 용접품질 판단부(220)는 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 역할을 한다.The artificial intelligence welding
도 4는 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 구성하는 인공지능 용접품질 판단부를 나타낸 블록도이다.4 is a block diagram showing an artificial intelligence welding quality determination unit constituting a cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention.
도 4를 참조하여 상기 인공지능 용접품질 판단부(220)에 대하여 좀 더 구체적으로 설명하자면, 상기 인공지능 용접품질 판단부(220)는 데이터 모델링 모듈(221), 모델 성능 검증 모듈(222), 용접품질 분석 모듈(223) 및 이상판단 보정 모듈(224)을 포함하여 이루어질 수 있다.Referring to FIG. 4, the artificial intelligence welding
상기 데이터 모델링 모듈(221)은 상기 데이터 수집부(210)에 저장된 데이터를 분석하여 데이터를 모델링하는 역할을 하는 것으로, 더욱 상세하게는 수신되는 용접품질 데이터 스트림을 수치화하여 정규화하고, 심층신경망 구조에 시계열 특징을 반영하여 비지도 학습을 통해 정규화된 데이터를 모델링을 수행한다.The
상기 데이터 모델링 모듈(221)은 필드별(사업장 등) 특성과 데이터 분포를 고려한 알고리즘을 통해 다양한 용접 패턴별로 데이터 모델링이 수행될 수 있도록 구성될 수 있다.The
상기 모델 성능 검증 모듈(222)은 상기 모델링한 데이터를 학습 후 자동 테스트를 통해 학습된 용접품질 판단모델 성능을 검증하는 역할을 한다.The model
또한, 상기 모델 성능 검증 모듈(222)은 테스트 결과가 기설정된 목표치에 미달될 경우, 자동으로 재학습하도록 구성될 수 있다.In addition, the model
상기 용접품질 분석 모듈(223)은 검증된 용접품질 판단모델을 이용해 이상 패턴을 감지하고, 상기 패턴 감지를 통해 레이저 용접품질을 판단하는 역할을 한다.The welding
여기서, 상기 용접품질 판단모델은 비지도 학습 기반의 방법론 중 하나인 LSTM Autoencoder 알고리즘을 이용한 시계열 예측 모델인 것을 의미할 수 있으며, 이에 한정되는 것은 아니다.Here, the welding quality judgment model may mean a time-series prediction model using the LSTM Autoencoder algorithm, which is one of the unsupervised learning-based methodologies, but is not limited thereto.
따라서, 상기 용접품질 분석 모듈(223)을 통해 시계열 상의 이상 패턴을 실시간으로 감지하고, 예지보전 진단 등을 제공할 수 있다.Therefore, through the welding
상기 이상판단 보정 모듈(224)은 관리자 피드백 과정을 포함하는 규칙 기반 방식(Hierarchical Behavioral Knowledge Space, HBKS)을 이용하여 분석한 이상 패턴을 저장하고, 과검 또는 오검 발생 시, 정정 후 즉시 적용 가능하도록 하는 역할을 한다. 여기서, 상기 이상판단 보정 모듈(224)은 관리자 피드백 과정을 포함하는 규칙 기반 방식(Hierarchical Behavioral Knowledge Space, HBKS) 한정되는 것은 아니다.The anomaly
또한, 상기 이상판단 보정 모듈(224)은 관리자에 의해 파악된 원인도 함께 저장할 수 있도록 구성될 수 있으며, 이에 따라 향후 유사 현상 발생 시 원인 설명이 가능한 효과가 있다.In addition, the abnormal determination and
상기 용접품질 결과 제공부(230) 각 사업장의 담당자가 웹을 이용하여 공정 모니터링에 활용할 수 있도록 분석된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 웹을 통해 제공하는 역할을 한다.The welding
이를 위해, 상기 용접품질 결과 제공부(230)는 GUI 모듈을 포함하여 구성될 수 있으며, 이에 한정되는 것은 아니며, 웹을 통해 장비 관리를 지원할 수 있도록 장비 관리 모듈을 포함하는 등 다양하게 변경되어 구성될 수 있다.To this end, the welding quality
도 5는 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 나타낸 구성도이다.5 is a block diagram showing a cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention.
하기에서는, 도 5를 참조하여 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템에 대하여 설명하도록 한다.In the following, a cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention will be described with reference to FIG. 5 .
본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은, 크게, 사업장 레이저용접 모니터링 시스템(100`)과 클라우드 서버(200`)를 포함하여 이루어질 수 있다.A cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention may largely include a workplace laser welding monitoring system 100' and a cloud server 200'.
여기서, 상기 사업장 레이저용접 모니터링 시스템(100`)은 센서부(110`), 데이터 수집부(120`), 인공지능 용접품질 판단부(130`) 및 용접품질 결과 제공부(140`)를 포함하여 구성될 수 있다.Here, the workplace laser welding monitoring system 100' includes a sensor unit 110', a data collection unit 120', an artificial intelligence welding quality determination unit 130', and a welding quality result providing unit 140'. can be configured.
먼저, 상기 센서부(110`)는 상기 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 통해 전술한 센서부(110)와 동일한 구성을 가지는 구성으로, 이에 대한 상세한 설명은 생략하도록 한다.First, the sensor unit 110' has the same configuration as the
상기 데이터 수집부(120`)는 상기 센서부(110`)를 통해 계측한 용접품질 데이터를 수집하는 역할을 하는 것으로, 앞서 상기 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 통해 전술한 상기 센서부(110)와 동일한 구성을 가지나, 네트워크를 통해 데이터를 수집하는 것이 아닌 머신 레벨에서 데이터를 수집하는 것에서 그 차이가 있다.The data collection unit 120' serves to collect welding quality data measured through the sensor unit 110', and the cloud-based artificial intelligence laser welding quality monitoring system according to another embodiment of the present invention described above. It has the same configuration as the above-described
상기 인공지능 용접품질 판단부(130`)는 상기 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 통해 전술한 상기 인공지능 용접품질 판단부(220)와 동일한 구성을 가지는 구성으로, 이에 대한 상세한 설명은 생략하도록 한다.The artificial intelligence welding
상기 용접품질 결과 제공부(140`)는 앞서 상기 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 통해 전술한 상기 용접품질 결과 제공부(230)와 동일한 구성을 가지나, 상기 데이터 수집부(120`)와 마찬가지로 네트워크를 통해 결과를 제공하는 것이 아닌 머신 레벨에서 용접품질 결과를 제공하는 데에 그 차이가 있다.The welding quality
다음, 클라우드 서버(200`)는 상기 사업장 레이저용접 모니터링 시스템(100`)으로부터 판단한 레이저 용접품질 결과를 수신하고 저장하는 데이터 저장부(210`)를 포함하여 구성될 수 있다.Next, the cloud server 200' may include a data storage unit 210' for receiving and storing the laser welding quality result determined from the workplace laser welding monitoring system 100'.
정리하자면, 본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은 인공지능 모델 학습, 분석, 용접품질 판단 및 결과 처리 등을 클라우드 상에서 처리하는 것을 의미하고, 본 발명의 다른 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템은 인공지능 모델 학습, 분석, 용접품질 판단 및 결과 처리 등을 머신레벨(각 사업장에 설치된 사업장 레이저용접 모니터링 시스템)에서 처리하는 것을 의미한다.In summary, the cloud-based artificial intelligence laser welding quality monitoring system according to an embodiment of the present invention means that artificial intelligence model learning, analysis, welding quality judgment and result processing are processed in the cloud, and in another embodiment of the present invention The cloud-based artificial intelligence laser welding quality monitoring system means that artificial intelligence model learning, analysis, welding quality judgment, and result processing are processed at the machine level (a laser welding monitoring system installed at each business site).
도 6은 본 발명의 다른 관점에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법의 전체적인 흐름을 나타낸 순서도이다.6 is a flowchart showing the overall flow of a cloud-based artificial intelligence laser welding quality monitoring method according to another aspect of the present invention.
하기에서는, 도 6을 참조하여 본 발명의 다른 관점에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법에 대하여 설명하도록 한다.In the following, a cloud-based artificial intelligence laser welding quality monitoring method according to another aspect of the present invention will be described with reference to FIG. 6 .
본 발명의 실시예에 따른 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법은, 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템을 이용한 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법에 있어서, 먼저, 각 사업장의 레이저용접 모니터링 시스템(100, 100`)을 통해 계측된 용접품질 데이터를 수신하는 용접품질 데이터 수신단계(S100)를 수행한다.In the cloud-based artificial intelligence laser welding quality monitoring method according to an embodiment of the present invention, in the cloud-based artificial intelligence laser welding quality monitoring method using the cloud-based artificial intelligence laser welding quality monitoring system, first, the laser welding monitoring system for each workplace. A welding quality data receiving step (S100) of receiving the welding quality data measured through (100, 100') is performed.
상기 용접품질 데이터 수신단계(S100)는 바람직하게는 데이터 수집부(210, 120`)에서 각 사업장의 레이저용접 모니터링 시스템(100, 100`)을 구성하는 센서부(110, 110`)을 통해 계측된 용접품질 데이터를 수신한다.The welding quality data receiving step (S100) is preferably measured by the
여기서, 상기 용접품질 데이터는 레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 가시광선(VIS) 센서와 근적외선(NIR) 센서로 계측한 데이터를 의미한다.Here, the welding quality data refers to data obtained by measuring the intensity of plasma generated at a welded portion during laser welding using a visible ray (VIS) sensor and a near infrared ray (NIR) sensor according to wavelengths.
다음, 수신된 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 분석하여 레이저 용접품질을 판단하는 인공지능 용접품질 판단단계(S200)를 수행한다.Next, an artificial intelligence welding quality determination step (S200) of determining the laser welding quality by analyzing the received welding quality data through a quality determination algorithm using artificial intelligence is performed.
상기 인공지능 용접품질 판단단계(S200)는 바람직하게는 인공지능 용접품질 판단부(220, 130`)에서 이를 수행한다.The artificial intelligence welding quality determination step (S200) is preferably performed by the artificial intelligence welding
도 7은 도 6의 인공지능 용접품질 판단단계를 설명하기 위한 순서도이다.Figure 7 is a flow chart for explaining the artificial intelligence welding quality determination step of Figure 6.
도 7을 더 참조하여, 상기 인공지능 용접품질 판단단계(S200)를 좀 더 구체적으로 설명하자면, 상기 인공지능 용접품질 판단단계(S200)는 먼저, 수신되는 용접품질 데이터 스트림을 수치화하여 정규화하는 데이터 스트림 정규화단계(S210)를 수행한다.Referring further to FIG. 7, to describe the artificial intelligence welding quality determination step (S200) in more detail, the artificial intelligence welding quality determination step (S200) first digitizes and normalizes the received welding quality data stream. A stream normalization step (S210) is performed.
이후, 심층신경망 구조에 시계열 특징을 반영하여 비지도 학습을 통해 정규화된 데이터를 모델링하는 데이터 모델링단계(S220)를 수행한다.Thereafter, a data modeling step (S220) of modeling normalized data through unsupervised learning by reflecting time series characteristics to the deep neural network structure is performed.
이때, 상기 데이터 모델링단계(S220)에서는 비지도 학습 기반의 방법론 중 하나인 LSTM Autoencoder 알고리즘을 이용하여 시계열 특징을 반영할 수 있도록 하며, 상기 LSTM Autoencoder 알고리즘에 한정되는 것은 아니며, 비지도 학습 기반의 방법론 중 다양한 알고리즘으로 변경되어 수행될 수 있음은 물론이다.At this time, in the data modeling step (S220), time series characteristics can be reflected using the LSTM Autoencoder algorithm, which is one of the unsupervised learning-based methodologies, and is not limited to the LSTM Autoencoder algorithm, and the unsupervised learning-based methodology Of course, it can be performed by changing to various algorithms.
또한, 상기 데이터 모델링단계(S220)는 필드별(사업장 등) 특성과 데이터 분포를 고려한 알고리즘을 통해 다양한 용접 패턴별로 데이터 모델링이 수행될 수 있다.In addition, in the data modeling step (S220), data modeling may be performed for each of various welding patterns through an algorithm considering characteristics and data distribution of each field (workplace, etc.).
이후, 상기 모델링한 데이터를 인공지능 용접품질 판단모델에 학습 후 테스트하는 모델 성능 검증단계(S230)를 수행한다.Thereafter, a model performance verification step (S230) of testing the modeled data after learning the artificial intelligence welding quality judgment model is performed.
상기 모델 성능 검증단계(S230)는 테스트 결과가 기설정된 목표치에 미달될 경우, 자동으로 재학습하는 단계를 더 수행할 수 있다.In the model performance verification step (S230), when the test result does not reach a preset target value, a step of automatically re-learning may be further performed.
이후, 검증된 용접품질 판단모델을 이용하여 이상 패턴을 실시간 감지하는 모니터링단계(S240)를 수행한다.Thereafter, a monitoring step (S240) of detecting an abnormal pattern in real time using the verified welding quality judgment model is performed.
상기 모니터링단계(S240)는 LSTM Autoencoder 알고리즘을 이용한 비지도 학습 및 시계열 최적화된 용접품질 판단모델을 통해 시계열 상의 이상 패턴을 감지함으로써, 이상 패턴 결과에 따라 예지보전 진단 등을 수행할 수 있도록 한다. 여기서, 상기 모니터링단계(S240)는 LSTM Autoencoder 알고리즘에 한정되어 수행되는 것은 아니며, 비지도 학습 방법론 중 다양한 알고리즘으로 변경되어 적용되어 수행될 수 있음은 물론이다. In the monitoring step (S240), an abnormal pattern in the time series is detected through unsupervised learning using the LSTM Autoencoder algorithm and a welding quality judgment model optimized for the time series, so that predictive maintenance diagnosis can be performed according to the result of the abnormal pattern. Here, the monitoring step (S240) is not limited to the LSTM Autoencoder algorithm and can be performed by changing and applying various algorithms among unsupervised learning methodologies.
또한, 상기 인공지능 용접품질 판단단계(S200)는 상기 모니터링단계(S240) 이후에 규칙 기반 방식(Hierarchical Behavioral Knowledge Space, HBKS)을 이용하여 감지한 이상 패턴을 저장해 실시간으로 적용하고, 과검 또는 오검 발생 시, 정정 후 즉시 적용 가능토록 하는 용접품질 이상 판단 보정단계(S250)를 더 수행할 수 있다.In addition, the artificial intelligence welding quality judgment step (S200) stores the abnormal pattern detected using the rule-based method (Hierarchical Behavioral Knowledge Space, HBKS) after the monitoring step (S240), applies it in real time, and overcheck or mischeck occurs A welding quality abnormality judgment correction step (S250) to be applied immediately after correction may be further performed.
상기 용접품질 이상 판단 보정단계(S250)는 관리자 피드백 과정을 포함하는 규칙 기반 방식(Hierarchical Behavioral Knowledge Space, HBKS)을 이용하여 관리자에 의해 파악된 원인도 함께 저장하는 단계를 수행할 수 있다.In the welding quality abnormality determination and correction step (S250), a cause identified by a manager using a rule-based method (Hierarchical Behavioral Knowledge Space, HBKS) including a manager feedback process may also be stored.
상기 인공지능 용접품질 판단단계(S200)는 규칙 기반 방식(Hierarchical Behavioral Knowledge Space, HBKS)에 한정되어 수행되는 것은 아니며, 다른 방법론에 의해 적용될 수 있음은 물론이다.The artificial intelligence welding quality judgment step (S200) is not limited to the rule-based method (Hierarchical Behavioral Knowledge Space, HBKS) and can be applied by other methodologies, of course.
다음, 각 사업장의 담당자가 웹을 통해 레이저용접 공정 모니터링에 활용할 수 있도록 분석 및 판단된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과 제공단계(S300)를 수행한다.Next, a welding quality result providing step (S300) is performed in which the person in charge of each business site visualizes and provides graphs and statistical data of the analyzed and determined laser welding quality results so that they can be used for monitoring the laser welding process through the web.
이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해되어야 한다.Although the embodiments of the present invention have been described with reference to the above and accompanying drawings, those skilled in the art to which the present invention pertains can implement the present invention in other specific forms without changing the technical spirit or essential features. You will understand that there is Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.
100, 100`: 사업장 레이저용접 모니터링 시스템
110, 110`: 센서부
120: 불량용접 판단부
200, 200`: 클라우드 서버
210, 120`: 데이터 수집부
210`: 데이터 저장부
220, 130`: 인공지능 용접품질 판단부
221: 데이터 모델링 모듈
222: 모델 성능 검증 모듈
223: 용접품질 분석 모듈
224: 이상판단 보정 모듈
230, 140`: 용접품질 결과 제공부100, 100`: Workplace laser welding monitoring system
110, 110`: sensor unit
120: defective welding determination unit
200, 200`: cloud server
210, 120`: data collection unit
210`: data storage unit
220, 130`: artificial intelligence welding quality judgment unit
221: data modeling module
222: model performance verification module
223: welding quality analysis module
224: anomaly judgment correction module
230, 140`: welding quality result providing unit
Claims (10)
상기 사업장 레이저용접 모니터링 시스템으로부터 계측한 용접품질 데이터를 수신하여 클라우드 상에 저장하는 데이터 수집부와, 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 레이저 용접품질을 판단하는 인공지능 용접품질 판단부를 포함하는 클라우드 서버;를 포함하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.In order to measure the plasma intensity generated at the welded part during laser welding according to the wavelength, a sensor unit including a visible ray (VIS) sensor and a near-infrared ray (NIR) sensor, and the measurement waveform measured through the sensor unit are analyzed to detect defective welding in real time. Business laser welding monitoring system including a defective welding determination unit for determining the; and
Artificial intelligence welding that determines laser welding quality through a data collection unit that receives welding quality data measured from the workplace laser welding monitoring system and stores it in the cloud, and a quality judgment algorithm using artificial intelligence based on the welding quality data A cloud-based artificial intelligence laser welding quality monitoring system including; a cloud server including a quality determination unit.
상기 불량용접 판단부는,
상기 계측 파형이 기설정된 불량용접 판정 기준 상한선과 하한선으로 이루어지는 불량용접 판정 기준 밴드폭 내에 형성되면 정상 품질로 판단하고,
상기 계측 파형이 기설정된 불량용접 판정 기준 상한선 또는 하한선을 벗어나면 불량 품질로 판단하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.According to claim 1,
The defective welding determination unit,
If the measured waveform is formed within the band width of the defective welding determination criterion consisting of the upper limit and the lower limit of the predetermined defective welding determination criterion, it is determined that the quality is normal;
A cloud-based artificial intelligence laser welding quality monitoring system, characterized in that if the measured waveform is out of the upper or lower limit of the preset defective welding criterion, it is judged as defective quality.
상기 인공지능 용접품질 판단부는,
상기 데이터 수집부에 저장된 데이터를 분석하여 데이터를 모델링하는 데이터 모델링 모듈과,
모델링한 데이터를 학습 후 테스트를 통해 학습된 용접품질 판단모델 성능을 검증하는 모델 성능 검증 모듈과,
검증된 용접품질 판단모델을 이용해 이상 패턴을 감지하고, 상기 패턴 감지를 통해 레이저 용접품질을 판단하는 용접품질 분석 모듈을 포함하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.According to claim 1,
The artificial intelligence welding quality determination unit,
A data modeling module for modeling data by analyzing the data stored in the data collection unit;
A model performance verification module that verifies the performance of the learned welding quality judgment model through testing after learning the modeled data;
A cloud-based artificial intelligence laser welding quality monitoring system comprising a welding quality analysis module that detects abnormal patterns using a verified welding quality judgment model and determines laser welding quality through the pattern detection.
상기 클라우드 서버는,
각 사업장의 담당자가 웹기반의 공정 모니터링에 활용할 수 있도록 분석된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과제공부를 더 포함하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.According to claim 1,
The cloud server,
Cloud-based artificial intelligence laser welding quality monitoring characterized in that it further includes a welding quality result providing unit that provides visualized graphs and statistical data of the analyzed laser welding quality results so that the person in charge of each business site can utilize them for web-based process monitoring. system.
상기 사업장 레이저용접 모니터링 시스템으로부터 판단한 레이저 용접품질 결과를 수신하고 저장하는 데이터 저장부를 포함하는 클라우드 서버;를 포함하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.A sensor unit including a visible ray (VIS) sensor and a near-infrared ray (NIR) sensor to measure the plasma intensity generated at the welded area during laser welding according to wavelength, and a data collection unit to collect welding quality data measured through the sensor unit. And, a workplace laser welding monitoring system including an artificial intelligence welding quality determination unit for determining laser welding quality through a quality determination algorithm using artificial intelligence based on the welding quality data; and
A cloud-based artificial intelligence laser welding quality monitoring system including a cloud server including a data storage unit for receiving and storing the laser welding quality result determined from the workplace laser welding monitoring system.
상기 인공지능 용접품질 판단부는,
상기 데이터 수집부에 저장된 데이터를 분석하여 데이터를 모델링하는 데이터 모델링 모듈과,
모델링한 데이터를 학습 후 테스트를 통해 학습된 용접품질 판단모델 성능을 검증하는 모델 성능 검증 모듈과,
검증된 용접품질 판단모델을 이용해 이상 패턴을 감지하고, 상기 패턴 감지를 통해 레이저 용접품질을 판단하는 용접품질 분석 모듈을 포함하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.According to claim 5,
The artificial intelligence welding quality determination unit,
A data modeling module for modeling data by analyzing the data stored in the data collection unit;
A model performance verification module that verifies the performance of the learned welding quality judgment model through testing after learning the modeled data;
A cloud-based artificial intelligence laser welding quality monitoring system comprising a welding quality analysis module that detects abnormal patterns using a verified welding quality judgment model and determines laser welding quality through the pattern detection.
상기 사업장 레이저용접 모니터링 시스템은,
상기 인공지능 용접품질 판단부를 통해 분석한 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과제공부를 더 포함하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 시스템.According to claim 5,
The workplace laser welding monitoring system,
A cloud-based artificial intelligence laser welding quality monitoring system further comprising a welding quality result providing unit that visualizes and provides graphs and statistical data of the laser welding quality results analyzed through the artificial intelligence welding quality determination unit.
각 사업장의 레이저용접 모니터링 시스템을 통해 계측된 용접품질 데이터를 수신하는 용접품질 데이터 수신단계;
수신된 상기 용접품질 데이터에 기초하여 인공지능을 이용한 품질판단 알고리즘을 통해 분석하여 레이저 용접품질을 판단하는 인공지능 용접품질 판단단계; 및
각 사업장의 담당자가 웹을 통해 레이저용접 공정 모니터링에 활용할 수 있도록 분석 및 판단된 레이저 용접품질 결과를 그래프 및 통계자료를 시각화하여 제공하는 용접품질 결과 제공단계;를 포함하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법.In the cloud-based artificial intelligence laser welding quality monitoring method,
A welding quality data receiving step of receiving the welding quality data measured through the laser welding monitoring system of each workplace;
An artificial intelligence welding quality judgment step of analyzing the received welding quality data through a quality judgment algorithm using artificial intelligence to determine laser welding quality; and
Cloud-based artificial intelligence laser welding quality including a; welding quality result providing step in which graphs and statistical data are visualized and provided so that the person in charge of each business site can utilize the analyzed and judged laser welding quality results for monitoring the laser welding process through the web monitoring method.
상기 용접품질 데이터는,
레이저용접 중 용접부에서 발생하는 플라즈마 강도를 파장에 따라 가시광선(VIS) 센서와 근적외선(NIR) 센서로 계측한 데이터를 의미하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법.According to claim 8,
The welding quality data,
Cloud-based artificial intelligence laser welding quality monitoring method, characterized in that the data measured by the visible light (VIS) sensor and the near infrared (NIR) sensor according to the wavelength of the plasma intensity generated at the welding part during laser welding.
상기 인공지능 용접품질 판단단계는,
수신되는 용접품질 데이터 스트림을 수치화하여 정규화하는 데이터 스트림 정규화단계와,
심층신경망 구조에 시계열 특징을 반영하여 비지도 학습을 통해 정규화된 데이터를 모델링하는 데이터 모델링단계와,
상기 모델링한 데이터를 학습 후 테스트하는 모델 성능 검증단계와,
검증된 용접품질 판단모델을 이용하여 이상 패턴을 실시간 감지하는 모니터링단계를 포함하는 것을 특징으로 하는 클라우드 기반 인공지능 레이저 용접품질 모니터링 방법.According to claim 8,
The artificial intelligence welding quality judgment step,
A data stream normalization step of quantifying and normalizing the received welding quality data stream;
A data modeling step of modeling normalized data through unsupervised learning by reflecting time series features in a deep neural network structure;
A model performance verification step of testing the modeled data after learning;
A cloud-based artificial intelligence laser welding quality monitoring method comprising a monitoring step of detecting an abnormal pattern in real time using a verified welding quality judgment model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210181634A KR20230093104A (en) | 2021-12-17 | 2021-12-17 | System for cloud based artificial intelligence laser welding quality monitoring and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210181634A KR20230093104A (en) | 2021-12-17 | 2021-12-17 | System for cloud based artificial intelligence laser welding quality monitoring and method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230093104A true KR20230093104A (en) | 2023-06-27 |
Family
ID=86946801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210181634A KR20230093104A (en) | 2021-12-17 | 2021-12-17 | System for cloud based artificial intelligence laser welding quality monitoring and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230093104A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102299184B1 (en) | 2020-09-28 | 2021-09-07 | 모니텍주식회사 | Laser welding monitoring system using Optical Coherence Tomography |
-
2021
- 2021-12-17 KR KR1020210181634A patent/KR20230093104A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102299184B1 (en) | 2020-09-28 | 2021-09-07 | 모니텍주식회사 | Laser welding monitoring system using Optical Coherence Tomography |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210318673A1 (en) | In-Situ Inspection Method Based on Digital Data Model of Weld | |
| KR101882925B1 (en) | Method for inspecting the quality of a solder joint | |
| US10539380B2 (en) | Method and system for thermographic analysis | |
| WO2021251064A1 (en) | Information processing device, determination method, and information processing program | |
| US11315231B2 (en) | Industrial image inspection method and system and computer readable recording medium | |
| KR20190075707A (en) | Method for sorting products using deep learning | |
| BR112020025409A2 (en) | QUALITY CERTIFICATE GENERATION AND PROCESS MONITORING METHODS AND QUALITY CONTROL SYSTEM | |
| Kenda et al. | Condition based maintenance of the two-beam laser welding in high volume manufacturing of piezoelectric pressure sensor | |
| JP7403907B2 (en) | System and method for analyzing welding quality | |
| CN114502313A (en) | Laser processing system for carrying out a processing operation on a workpiece by means of a laser beam and method for monitoring a processing operation on a workpiece by means of a laser beam | |
| Soares et al. | Seam tracking and welding bead geometry analysis for autonomous welding robot | |
| KR102621156B1 (en) | Welding area inspection system and method thereof for assessing the risk based on artificial intelligence | |
| CN111095143B (en) | Method for modeling and quantitatively evaluating expected overall quality level of ophthalmic lens in real time | |
| KR20230093104A (en) | System for cloud based artificial intelligence laser welding quality monitoring and method thereof | |
| US8426771B2 (en) | Method of monitoring machine condition | |
| US20220067914A1 (en) | Method and apparatus for the determination of defects during a surface modification method | |
| KR20230072164A (en) | Product quality management system for zero defect rate | |
| KR20220096793A (en) | Method and system for comprehensive diagnosis defects in rotating machinery | |
| US20230120761A1 (en) | Process signal reconstruction and anomaly detection in laser machining processes | |
| Raj | An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing | |
| US20220382250A1 (en) | Powder bed defect detection and machine learning | |
| WO2024095756A1 (en) | Welding state determination method and determination system | |
| US11965728B2 (en) | Intelligent piping inspection machine | |
| CN118010847B (en) | Method and system for detecting defects of internal thread pipe blank | |
| KR102336583B1 (en) | Welding speed and arc stability measurement system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |