Warning: fopen(/home/virtual/kwjs/journal/upload/ip_log/ip_log_2024-03.txt): failed to open stream: Permission denied in /home/virtual/lib/view_data.php on line 88 Warning: fwrite() expects parameter 1 to be resource, boolean given in /home/virtual/lib/view_data.php on line 89 인공신경망을 이용한 저항 점용접 너겟 직경 예측에 관한 연구

인공신경망을 이용한 저항 점용접 너겟 직경 예측에 관한 연구

Study on Nugget Diameter Prediction of Resistance Spot Welding Using an Artificial Neural Network

Article information

J Weld Join. 2021;39(6):649-657
Publication date (electronic) : 2021 December 6
doi : https://doi.org/10.5781/JWJ.2021.39.6.10
김종규*orcid_icon, 구자훈*, 박영도**, 김영창**, 황영민***, 김희수***, SivaPrasad Murugan****, 구남국*,orcid_icon
* 동의대학교 조선해양공학과
* Dept. of Naval Architecture &Ocean Engineering, Dong-eui University, Busan, 47340, Korea
** 동의대학교 신소재공학과
** Dept. of Materials Science and Engineering, Dong-eui University, Busan, 47340, Korea
*** 효성중공업 용접기팀
*** Welding Machine Team, Hyosung Heavy Industries, Sejong, 30058, Korea
**** La Rochelle University
**** La Rochelle University, La Rochelle, 7356, France
†Corresponding author: knk80@deu.ac.kr
Received 2021 June 11; Revised 2021 July 21; Accepted 2021 October 19.

Abstract

Resistance spot welding, which has the advantages of low cost and high productivity, is the most common method used in the automobile industry for joining steel sheets. However, in practice, resistance spot welds are typically tested for welding quality using destructive rather than non-destructive inspection methods because of their lower cost. However, in destructive inspection, quality defects can be found only after the completion of the process. Accordingly, several studies are currently being conducted to predict the quality of welding in real time. Welding quality is determined by the diameter of the nugget, and its size depends on several independent variables. In this study, a linear regression model and artificial neural network model were constructed to predict the nugget diameter. An electric power pattern was obtained from the results of a welding experiment, and nine types of electric power characteristic values ​​were extracted from the obtained electric power pattern as independent variables. From the nine electric power characteristic values, six having the highest correlation with the nugget diameter ​​were determined as final independent variables through correlation analysis. The linear regression model was constructed using multiple linear regression analysis, and the artificial neural network model was built using a deep neural network model with two hidden layers and nodes of 64 and 16. In this study, the error between the actual measured and predicted nugget diameters was taken as 0.2 mm or less as a good predictive value. When the linear regression model was used to predict the nugget diameter, only approximately 36% were predicted well. By contrast, when the artificial neural network was used, approximately 86% were predicted well. Thus, the artificial neural network model yielded better results. It was determined that with more welding data and information on steel types, the proposed welding quality prediction system could be improved.

1. 서 론

1.1 연구배경

저항 점용접은 자동차, 항공기 등의 산업 분야에서 강판의 접합을 위해 널리 사용되고 있다. 특히 자동차산업의 경우, 생산성이 높고 원가 측면에서 유리하기 때문에 저항 점용접이 차체 용접에서 80% 이상인 4000~ 6000타점 정도로 가장 많이 적용되고 있다. 또한, 최근 자동차 산업에서는 연비향상 및 안전성의 규제강화에 따라 차량 경량화가 필수적으로 요구됨에 따라 강판의 두께를 줄이고 강도를 높인 980 MPa급, 1500 MPa의 고장력 강판의 사용이 증가하고 있다. 이와 같은 새로운 강판의 적용에 따라, 새로운 강재 적용에 따른 용접 품질을 모니터링하고자 하는 요구도 많다. 일반적으로 저항 점용접의 용접부의 품질에 대한 검사는 X-ray나 초음파를 이용한 비파괴검사 혹은 파괴검사를 이용하고 있다. 하지만 X-ray나 초음파를 이용한 비파괴검사법은 현장에서 사용하기에는 비용적인 측면에서 활용하기 힘들고 파괴검사는 공정 이후에 검사가 진행되기 때문에, 공정 중에게 문제가 발생하게 되더라도 작업자가 공정이 끝난 후에 알게 된다는 문제점이 있다. 그러므로 이러한 문제점들을 효과적으로 보완하기 위해 즉각적이고 자동으로 점용접 부의 품질을 예측하는 실시간 현장 용접 품질 예측에 대한 연구가 활발히 진행되고 있다.

1.2 선행연구

실시간 용접 품질 예측과 관련하여 다음과 같이 다양한 선행연구가 진행되었다. 손찬석1), 이종중8)등의 연구에서는 용접 시뮬레이션을 통해 저항 점용접의 강도와 너겟 직경을 예측하는 모델을 개발하였다. 용접 시뮬레이션의 신뢰성을 평가하기 위해 실제 용접 실험 결과와 시뮬레이션 결과를 비교하였다. 용접 시뮬레이션 결과를 근거로 점용접의 주요공정변수인 용접전류, 용접 시간, 가압력과 강판의 두께를 이용하여 인장 전단 강도 및 너겟 직경을 예측해 용접 품질을 판단하는 2차 다항 회귀모델을 제안하였다. 조용준2) 등의 연구에서는 용접부의 품질과 직접적인 인자를 계측하기 위하여 동저항(Dynamic Resistance)을 이용하였다. 이 연구는 패턴 인식 기법을 통해 동저항의 패턴을 벡터화하여 5가지로 구분하였으며, 이를 신경망에 적용해 실시간으로 용접이 완료됨과 동시에 동저항 패턴을 인식 후 분류하여 용접부의 품질을 판단하였다. 신석우3) 등의 연구는 동저항의 패턴을 근거로 10가지의 인자를 추출하여 연구에 활용하였다. 추출된 10가지 인자를 사용한 회귀분석을 통해 너겟 직경을 예측하는 모델을 제시하였다. 조재형4) 등의 연구에서는 동저항 패턴을 근거로 10가지의 인자를 추출하고 불필요한 독립변수들을 하나씩 제거하는 후진 제거법을 수행하였다. 후진 제거법을 통해 결정된 독립변수를 이용하여 다중회귀 분석모델과 인공신경망 모델을 구축해 용접 품질을 예측하는 시스템을 개발하였다. Hee-Won Cho5) 등은 소재의 화학 성분에 따라 저항 점용접부의 파단 모드를 예측하여 예측 결과와 실제 실험 결과를 비교하는 연구를 진행하였다. 또한 Sang-Gyu Choi6) 등은 한 강종에 대해서 CNN (Convolutional neural network)을 이용한 점용접의 표면 이미지 인식을 통해 너겟 직경과 전단 강도를 예측하여 용접 품질을 판단하는 연구도 진행되었다.

이러한 선행연구들에서, 용접 전압 및 전류 신호를 인공신경망에 적용하여 용접 품질을 예측이 가능하다는 것을 알 수 있다. 하지만 각 연구에서는 한 종류의 강판에 대한 용접 데이터를 활용하여 예측시스템을 구축하였다. 따라서 서로 다른 강판에 대해 이종 용접된 상태에서도 범용적 활용이 가능한지에 대한 검증이 필요하다.

이에 본 연구에서는 단일 강재를 사용한 연구가 아닌 동종과 이종 용접을 진행한 강재들이 섞여 있는 다양한 강재에 대한 데이터들을 이용하여 용접 품질 판단을 수행한다. 독립변수는 전류 신호와 동저항 신호를 이용하여 전력 곡선을 추출하고 상관관계 분석을 통해 전력과 너겟 직경의 직접적인 관련성이 있음을 증명하였다. 그리고 독립변수인 전력을 활용하여 선형 회귀분석 모델 및 인공신경망 모델을 구축하고 너겟 직경을 예측하는 시스템을 개발하였다. 분석의 결과 비교를 통해 인공신경망을 사용한 예측시스템의 우수성을 제시한다.

2. 선형회귀분석 및 인공신경망

2.1 회귀분석

선형 회귀분석은 하나의 종속변수와 한 개 이상인 독립변수와의 선형관계를 모델링하는 회귀분석 기법이다. 용접 품질을 예측하기 위해서는 많은 변수가 사용되기 때문에 선형 회귀분석 기법 중 다중 선형 회귀분석을 사용한다. 다중 선형 회귀분석은 둘 이상의 독립변수를 이용하여 종속변수를 예측하는 모델을 만들어주는 기법으로써, 다양한 독립변수에 의한 종속변수의 연관성을 잘 설명해 줄 방법이다.

식 (1)은 다중 선형회귀 모델에 대한 일반형을 보여준다.

(1)Y=β0+β1X1+β2X2++βpXp

Fig. 1은 인공신경망 모델과의 차이점을 보여주기 위해 다중 선형회귀 모델을 도식화한 형태이다. X는 독립변수로서 종속변수 Y를 설명한다는 의미로 설명변수라고 부른다. β는 설명변수들의 계수로서 설명변수가 종속변수에 주는 영향력을 나타내며 편회귀 계수라고 부른다.

Fig. 1

Multiple linear regression model

비선형 회귀분석은 독립변수와 종속변수 간의 비선형 관계를 탐색하는 방법이다. 비선형 회귀분석은 선형회귀분석으로 독립변수와 종속변수 간의 관계를 설명할 수 없을 때 사용하며 식 (2)은 비선형 회귀 모델의 형태를 보여준다.

(2)Y=β0+β1X12+β2X22++βpXp

2.2 인공신경망

인간의 중추신경계는 신경세포(Neuron)와 신경세포들을 연결하는 시냅스(Synapse)로 구성되어 시냅스를 통해 신호를 주고받아 정보를 저장하고 학습한다. 인공신경망은 이러한 중추신경계를 단순화시켜 모방한 통계학적 학습 알고리즘이다. 인공신경망에서의 신경세포는 노드, 시냅스는 가중치라고 정의된다.

인공신경망의 구조로써, 함수의 근사치를 결정하기 위해서는 다층퍼셉트론 신경망(Multi Layered Percept- ron, MLP)이 가장 많이 사용되고 있다. MLP는 입력층(Input Layer)과 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성되어 있다. 입력층에는 종속변수를 도출하기 위한 독립변수의 값들을 입력하는 노드가 존재한다. 은닉층은 모든 입력층 노드로부터의 입력값과 가중치와의 결합으로 생성되는 노드가 존재하고, 출력층은 마지막 은닉층의 노드와 가중치의 결합으로 생성되는 노드가 존재하는 층을 뜻하며 노드에서 나타나는 값이 종속변수가 된다. 은닉층은 층의 개수에 따라 모델의 복잡도를 결정하게 된다. 2개 이상의 은닉층을 가지고 있는 인공신경망은 심층 신경망(Deep Neural Network)이라 부르며, 심층신경망은 Fig. 2와 같이 다중의 은닉층을 이용하여 다양한 비선형적 관계를 나타낼 수 있다.

Fig. 2

Deep neural network model

3. 저항 점용접

3.1 저항 점용접 품질 예측

Fig. 3은 저항 점용접(Resistance Spot Welding)에 관해 설명하는 그림이다. 저항 점용접은 두 전극 간에 두 강재를 접촉해 놓고 양측에서 전류를 통전한다. 강재의 접촉부는 통전된 전류에 의해 저항 열이 발생하여 용융부를 생성하고 이를 가압하여 용접한다. 이러한 용접의 결과인 용융부를 너겟이라고 한다. 일반적으로 저항 점용접은 200~300 ms 정도의 짧은 시간 동안 용접이 이루어지기 때문에 생산성이 높아 생산 현장에서 널리 사용되고 있으며, 특히 자동차의 대량생산에 가장 적합한 방법이다. 저항 점용접은 인장 전단 강도나 너겟 직경을 통해 용접 품질을 판단한다. 인장 전단 강도는 정적 인장시험을 통해 최대하중을 측정하여 용접의 품질을 판단하며, 너겟 직경은 용접부의 중심을 지나는 단면을 적당한 방법으로 절단하여 연마, 부식 후 너겟 직경을 측정하여 용접 품질을 판단한다.

Fig. 3

Resistance spot welding

본 연구에서는 너겟 직경을 예측하여 용접 품질을 판단한다. 너겟 직경에 따른 점 용접부의 검사 방법은 KS B 0850에서 품질의 요구 조건에 만족하도록 한다. KS B 08507)은 강재의 판 두께에 따라 너겟 직경이 가져야 하는 최소치 및 평균치를 기준화하고 있다.

3.2 용접 실험

본 연구에서 사용된 용접기는 Fig. 4와 같이 인버터 DC 저항 점용접기를 사용하였다. Table 1은 용접 조건을 나타낸 것으로, 총 154번의 용접을 진행하였다. 본 실험의 재료는 차체 제작에 많이 사용되는 합금화 용융 아연도금강판인 SGACC와 도금재 핫스탬핑재인 SABC1470, 표면 GA 코팅 냉간 압연 고장력 강판인 SGAFC780, 자동차용 가공성 냉간 압연 고장력강인 SPFC980, SPFC1180과 같은 강재들을 사용하였다. 용접전류는 각 강재의 조합에 따라 0.3 kA, 0.5 kA 단위로 변화하여 실험을 수행하였다. 가압력과 통전시간은 용융부의 형성과 크기에 큰 영향을 미친다. 따라서 각각의 강재의 조합에 따라 적절한 조건을 선정하여 실험을 수행하였다. 전극은 통전 경로를 좁게 제한하여 전류밀도를 높이는 역할로서, 용융부의 형성을 제어하는 데에 중요하다. 이에 본 실험에서는 Fig. 5와 같이 일반적으로 저항 점용접에서 많이 사용하는 6 mm 직경의 돔형 전극을 사용하여 실험을 수행하였다.

Fig. 4

MFDC resistance spot welding machine

Welding conditions

Fig. 5

6mm domed electrode

본 실험은 각 용접조건에 따른 전류와 동저항 그래프를 얻기 위하여 진행되었다. 전류와 동저항은 이후 독립변수로 사용될 용접의 특성값을 구하기 위한 중요한 요소가 되고, Fig. 6Fig. 7은 총 154개의 용접 실험 중 SGACC 0.7t + SGACC 0.7t 조합의 용접 실험 결과인 전류와 동저항 그래프를 보여준다.

Fig. 6

Current graph of SGACC 0.7t combination

Fig. 7

Dynamic resistance graph of SGACC 0.7t combination

4. 너겟 직경 예측 모델 개발

4.1 용접 특성값 선정

본 연구에서는 용접기에서 얻을 수 있는 공정 변수와 동저항을 이용하여 전력값을 추출하고 너겟 직경을 예측하는 중요한 독립변수로 사용한다. 전력은 식 (3)을 통해 계산하며, Fig. 8과 같은 형태를 가지고 있다.

Fig. 8

Extraction of power patterns and characteristic values

(3)P=I2·R

이러한 전력 곡선의 패턴을 통해 용접 품질 예측 모델에 사용될 9가지 인자를 추출하였다. P1은 최종전력, P2는 전력의 최댓값, P3는 전력의 최댓값과 최종값의 차, P4는 최댓값까지의 시간, P5는 전력의 최댓값부터 최종값까지의 시간, P6는 P2에서 P4를 나눈 값, P7은 P3에서 P5를 나눈 값, P8은 P3와 P5를 곱한 값 그리고 P9은 전력 곡선 아래의 면적으로 앞서 실험을 통해 얻은 총 154개의 데이터로부터 각각 9가지의 용접 특성값을 추출하였다.

본 연구는 용접 품질 예측 모델을 개발하기 전 종속변수인 너겟 직경과 독립변수로 사용되는 전력의 특성값 P1~P9 사이의 상관관계분석을 통해 상호 간의 관계를 파악하였다. 종속변수와 독립변수 간의 상관관계가 클수록 독립변수가 너겟 직경의 형성에 큰 영향을 준다고 볼 수 있다. Table 2는 너겟 직경과 전력 특성값 사이의 상관관계 결과를 나타낸 것이다. P4는 전력의 최댓값 P2까지의 시간을 의미하며, P2는 너겟 생성에 큰 영향을 끼치므로 P4가 커질수록 너겟 직경은 작아지기 때문에 상관관계 분석 결과 음수 값을 보였다. P2와 P3, P6, P7, P8, P9은 너겟 직경과 높은 상관관계를 가져 좋은 선형성을 보여준다. 이에 본 연구에서는 P2와 P3, P6, P7, P8, P9을 회귀분석과 인공신경망의 독립변수로 사용하였다.

Correlation analysis result between the characteristic value of electric power and the diameter of the nugget

4.2 회귀분석을 이용한 품질 판단

본 연구에서는 P2와 P3, P6, P7, P8, P9 6개의 전력의 특성값을 이용하여 선형 회귀분석과 비선형 회귀분석을 실시하였다. 분석을 위한 회귀 모델은 식 (1)와 같은 다중 선형회귀모델과 식 (2)와 같은 비선형 회귀분석모델을 사용하였다.

3가지의 전력의 특성값을 독립변수로 사용하여 추정된 선형 회귀 식은 식 (4), 비선형 회귀 식은 식 (5)에 나타내었다.

(4)Y=1.5910.683P251.583P31.415P6    15.904P734.041P8+5.863P9
(5)Y=0.6373.411P2240.212P32246.12P62    +6.869P72+34.321P823.647P92+1.963P2    +102.37P334.051P630.355P770.465P8    +8.966P9

결정계수는 종속변수에 대한 모델이 주어진 자료에 적합한 정도를 나타낸다. 본 모델의 분석 결과인 결정계수R2는 식 (6)과 같이 계산하였다. 여기서 ti 는 실제 측정값을 의미하며 yi 는 모델의 예측값, ¯t는 실제 측정값의 평균, n은 총 데이터 수를 의미한다.

(6)R2=1i=1n(tiyi)2i=1n(tit¯i)2

그리고 평균 제곱근 오차는 예측값에 대한 정확성을 측정하는 방법으로써, 실제 측정된 너겟 직경과 예측된 너겟 직경의 평균적인 오차를 확인하기 위해 식 (7)과 같이 계산하였다. 여기서ti 는 실제 측정값을 의미하며, yi 는 모델의 예측값, n은 총 데이터 수를 의미한다.

(7)RMSE=1ni=1n(tiyi)2

다중 선형회귀모델의 분석 결과는 0.90의 결정계수 와 0.41 mm의 평균 제곱근 오차를 가졌으며, 비선형회귀모델의 분석 결과는 0.96의 결정계수와 0.26 mm의 평균 제곱근 오차를 가졌다.

Fig. 9, Fig. 10은 선형 회귀분석 결과와 비선형회귀 분석 결과를 실제 측정된 너겟 직경과 예측된 너겟 직경을 비교하여 나타낸 그래프이다. 본 연구에서는 실제 너겟 직경 측정값과 예측값의 오차가 0.2 mm 이하인 경우를 양품이라고 가정하였다. 선형회귀모델의 실제 측정값과 예측값의 비교 결과는 약 36%, 비선형회귀모델의 실제 측정값과 예측값의 비교 결과는 약 60%를 양품으로 예측하였다. 이를 근거로 실제 측정된 너겟 직경을 정확하게 예측하지 못하는 모습을 보여주고 있다. 선형회귀모델은 회귀 계수 간의 관계가 직관적이기 때문에 각 조건의 영향력을 해석하기 쉽지만, 모든 조건을 오직 선형 결합으로만 표현해야 하는 데에 한계를 가진다는 단점이 있다.

Fig. 9

Comparison of actual nugget diameter and predicted nugget diameter using linear regression model

Fig. 10

Comparison of actual nugget diameter and predicted nugget diameter using nonlinear regression model

이에 본연구에서는 인공신경망을 이용한 너겟 직경 예측 모델을 개발하였다. 인공신경망은 비선형 회귀 모델링 방법으로서 예측 자체가 중요시되는 복잡한 문제에 대해서 사용한다. 실제 모델링 대상이 되는 데이터가 선형 결합으로 표현이 불가능한 데이터라면 정확한 선형 회귀 모델을 만들 수 없다. 인공신경망은 복잡한 관계도 대부분 표현이 가능하므로 앞선 선형 회귀 모델의 한계점을 해결할 수 있다. 하지만 인공신경망은 학습을 위해 많은 데이터가 필요하다. 데이터가 부족하다면, 불필요한 잡음을 모델에 반영하는 과적합 문제가 발생한다는 단점이 있다.

4.3 인공신경망을 이용한 품질 판단

인공신경망 모델 개발을 위한 독립변수는 다중 선형회귀모델에서 사용한 변수를 사용한다. 인공신경망 모델은 앞서 설명한 6가지 독립변수를 입력 노드로 설정하고, 2개 이상의 은닉층과 노드로 구성된 심층 신경망으로 설계하였다. 레이어에서의 활성화 함수는 relu 함수를 선택하였으며, 학습 방법은 평균 제곱 오차를 최소화하는 함수 최적화 기법인 Adam을 사용하였다. relu 함수는 선형 함수이며, 미분이 아주 간단한 함수로서 분류 문제를 다루는 데 있어 많이 사용된다. 평균 제곱 오차는 예측값에 대한 정확성을 측정하는 방법으로서, 식 (8)과 같이 계산하였다. 여기서 ti 는 실제 측정값을 의미하며, yi 는 모델의 예측값, n은 총 데이터 수를 의미한다.

(8)MSE=1ni=1n(tiyi)2

반복 학습 횟수는 1000번으로 하고 총 154개의 데이터 중 80%를 훈련 데이터로, 테스트 데이터는 20%로 하여 훈련 데이터 학습 알고리즘과 관련된 파라미터를 결정하였다.

본 연구에서 인공신경망을 이용한 너겟 직경 예측 시스템은 테스트 데이터를 제외한 훈련 데이터를 학습 후 생성된 모델을 사용하여 너겟 직경을 예측하는 시스템을 개발하였다. 하지만 인공신경망 모델은 과적합이라는 문제를 가질 수 있다. 훈련 데이터의 학습 모델이 과적합되는 현상은 훈련 데이터에 대한 정확도는 높을지라도, 새로운 데이터 즉 테스트 데이터에 대해서는 높은 정확도로 동작하지 않는 것이다. 이는 개발된 모델이 훈련 데이터를 과하게 학습하여 실제 측정된 데이터에 대한 오차가 증가하는 현상을 뜻한다.

이에 본 연구는 인공신경망 모델의 성능을 확인하기 위해 은닉층과 노드 수를 변경하여 인공신경망의 구조를 바꾸는 방법과 상관관계가 작은 독립변수를 제거하는 방법을 통해 너겟 직경 예측모델을 생성하고 개발된 모델을 이용하여 테스트 데이터의 너겟직경을 예측한다. Table 3은 개발된 너겟 직경 예측 모델을 이용한 테스트 데이터 예측 결과를 보여준다. Table 3에서 볼 수 있듯이 독립변수 P2, P3, P6, P7, P8, P9을 사용하고, 2개의 은닉층과 64-16 노드를 가진 모델이 0.99의 결정계수와 0.14 mm 의 평균 제곱근 오차를 가지며 가장 좋은 예측 결과를 가졌다. 물론 독립변수 P2, P3, P9를 사용하고 3개의 은닉층과 48-24-12 노드를 가진 모델 역시 0.98의 높은 결정계수를 가진다. 그러나 input의 개수를 줄이는 것은 입력 데이터의 손실을 의미하기 때문에 데이터의 손실을 최소화 하면서 과적합을 가능한 적게 발생시키는 전자의 모델을 사용하여 너겟 직경을 예측하였다. Fig. 11은 가장 좋은 테스트 데이터 예측 결과를 가진 모델이 학습하는 동안 손실이 수렴하는 과정을 보여준다. 여기서 학습 횟수는 epochs를 손실은 loss를 의미한다. Fig. 11의 그래프에서 손실은 학습 횟수가 0~200까지 꾸준히 줄어드는 모습을 볼 수 있으며, 400~600번의 반복 학습이 진행된 이후에는 0에 가까운 값으로 수렴하는 모습을 볼 수 있다.

Nugget diameter prediction result of test data

Fig. 11

Convergence of loss function

Fig. 12는 테스트 데이터를 통한 실제 측정된 너겟 직경과 예측된 너겟 직경을 비교한 그래프이다. 다중 선형회귀모델과의 비교를 위해 실제 너겟 직경 측정값과 예측값의 오차가 0.2 mm 이하인 경우를 양품이라고 가정하였다. 실제 측정값과 예측값의 비교 결과는 약 86%를 양품이라고 예측하였다. Table 4는 인공신경망을 이용한 테스트 데이터의 너겟 직경 예측 결과표를 보여준다. 테스트 데이터의 너겟 직경 예측 결과는 Table 4에서 볼 수 있듯이 SPFC980 조합에서 6.5 kA 조건과 SGACC 1.0t조합에서 7.5 kA 조건, SGACC 0.7t 조합에서 7.5 kA 의 예측 결과처럼 실제 너겟 직경과 예측된 너겟 직경이 작은 오차를 가지는 값들도 존재한다. 하지만 SABC 1470 1.0t 동종 조합의 4 kA 조건과 SGACC 0.7t 와 SABC 1470 1.6t 조합의 4 kA 조건에서 각각 0.38 mm, 0.28 mm 정도의 큰 오차를 보이는 결과도 존재하는 것을 확인할 수 있다. 이러한 오차를 줄일 수 있다면 실제 현장에서 사용할 수 있는 용접 품질 예측 시스템을 개발할 수 있을 것이다.

Fig. 12

Comparison of actual nugget diameter and predicted nugget diameter of test data using artificial neural network model

Nugget diameter prediction result of test data using artificial neural network

5. 결 론

본 연구에서는 실시간으로 용접 품질을 예측하기 위해 점용접 공정에서 얻을 수 있는 전력 패턴에서 특성값을 추출하여 너겟 직경을 예측하는 시스템을 개발하였다.

총 154개의 데이터를 이용하여 전력의 특성값과 너겟 직경 간의 상관관계 분석을 통해 너겟 직경과 가장 큰 상관성을 가지는 6가지 인자를 독립변수로 사용하였다. 주어진 용접 데이터에서 다중 선형 회귀분석과 비선형 회귀분석을 실시하여 너겟 직경을 예측하는 모델을 개발하였다. 선형 회귀분석 결과는 결정계수 0.90, 평균 제곱근 오차 0.41 mm, 비선형 회귀분석 결과는 결정계수 0.96, 평균 제곱근 오차 0.26 mm의 결과를 가졌다. 실제 측정된 너겟 직경과 예측된 너겟 직경의 0.2 mm 이하 오차를 양품으로 가정하였을 때, 각각 약 36%, 60%를 양품으로 예측하였다.

이에 본 연구는 회귀분석의 문제점을 보완하기 위해 인공신경망을 이용하여 너겟 직경을 예측하는 모델을 개발하였다. 개발된 모델을 통한 테스트 데이터 예측 결과는 결정계수는 0.99, 평균 제곱근 오차는 0.14 mm 로서, 실제 측정된 너겟 직경과 예측된 너겟 직경의 0.2 mm 이하 오차를 양품으로 가정하였을 때 약 86%를 양품으로 예측하였다. 다중 회귀모델보다 높은 정확도를 가짐으로써 인공신경망 모델의 우수성을 제시하였다.

그러나 86%의 정확도는 실제 현장에서 사용하기에 한계가 있다. 이러한 한계를 극복하기 위해서 보다 많은 용접 데이터의 확보, 현장에서 발생하는 용접 변수에 대한 고려와 각각 다른 종류의 강종에 대한 정보를 활용한 추가 연구를 진행할 것이다.

감사의 글

본 연구는 “인공신경망을 이용한 용접 동특성 응용 품질 판별 기법 개발(한국 연구재단, NRF-2020R1- G1A1014243)”과 “머신러닝 기반 저항 점용접 너겟 직경 예측 기술 타당성 평가(효성 중공업)”의 지원을 받아 수행되었습니다.

References

1. Son C. S, Park Y. W. Strength Estimation Model of Resistance Spot Welding in 780MPa Steel Sheet Using Simulation for High Efficiency Car Bodies. J. Korean Soc. Power Syst. Eng 19(2)2015;:70–77. http://dx.doi.org/10.9726/kspse.2015.19.2.070.
2. Cho Y. J, Rhee S. H. Real Time Quality Assurance with a Pattern Recognition Algorithm during Resistance Spot Welding. J. Korean Weld. Join. Soc 18(3)2000;:114–121.
3. Shin S. W, Lee J. H, Park S. H. A Study on the Prediction of Nugget Diameter of Resistance Spot Welded Part of 1.2GPa Ultra High Strength TRIP Steel for Vehicle. J. Korea Acad.-Ind. Cooper. Soc 19(3)2018;:52–60. https://doi.org/10.5762/KAIS.2018.19.3.52.
4. Cho J. H, Ko S. H. A Study on the Prediction of Welding Flaw Using Neural Network. J. Digit. Converg 17(5)2019;:217–223. https://doi.org/10.14400/JDC.2019.17.5.217.
5. Cho H. W, Nam S. W, Kang M. J, Kang M. J, Kim Y. M. Predicting Failure Modes of Resistance Spot Welds from the Chemical Composition of Materials. J. Weld. Join 38(5)2020;:450–459. https://doi.org/10.5781/JWJ.2020.38.5.4.
6. Choi S. G, Hwang I. S, Kim Y. M, Kang B. Y, Kang M. J. Prediction of the Weld Qualities Using Surface Appearance Image in Resistance Spot Welding. J. MDPI 9(8)2019;:831. https://doi.org/10.3390/met9080831.
7. KS B 0850, Method of inspection for spot weld. Korean Agency for Technology and Standards 2018;:1–7.
8. Lee J. J, Son C. S, Park Y. W. Resistance Spot Welding Characteristic of 1500 MPa Steel Sheet Using Simulation(II) - Estimation Model for Nugget Diameter of Resistance Spot Welds. J. Weld. Join 36(3)2018;:51–56. https://doi.org/10.5781/JWJ.2018.36.3.8.

Article information Continued

Fig. 1

Multiple linear regression model

Fig. 2

Deep neural network model

Fig. 3

Resistance spot welding

Fig. 4

MFDC resistance spot welding machine

Table 1

Welding conditions

Steel Number of weld Weld time (ms) Current (kA) Force (kgf)
SGACC 0.7t
+ SGACC0.7t
13 200 6-7.5 200
SGAFC780 1.4t
+ SGAFC780 1.4t
15 300 4.5-9 320
SPFC980 1.0t
+ SPFC980 1.0t
18 300 3.5-8 350
SGACC 0.7t +
SABC1470 1.6t
21 233 3-9 300
SPFC980 1.0t +
SPFC1180 1.8t
21 283 3-10 350
SGACC 1.0t +
SGACC 1.0t
30 200 3-9 200
SGAFC780 1.0t
+ SGAFC780 1.0t
33 300 3-9 320
SABC 1470 1.0t
+ SABC1470 1.0t
3 300 3-6 400

Fig. 5

6mm domed electrode

Fig. 6

Current graph of SGACC 0.7t combination

Fig. 7

Dynamic resistance graph of SGACC 0.7t combination

Fig. 8

Extraction of power patterns and characteristic values

Table 2

Correlation analysis result between the characteristic value of electric power and the diameter of the nugget

Nugget diameter (mm)
P1 0.716
P2 0.862
P3 0.824
P4 -0.345
P5 0.324
P6 0.772
P7 0.792
P8 0.765
P9 0.897
Nugget diameter (mm) 1.000

Fig. 9

Comparison of actual nugget diameter and predicted nugget diameter using linear regression model

Fig. 10

Comparison of actual nugget diameter and predicted nugget diameter using nonlinear regression model

Table 3

Nugget diameter prediction result of test data

Input Number of layers Number of nodes R2 RMSE (mm)
P2, P3, P6, P7, P8, P9 2 16-4 0.96 0.23
32-8 0.97 0.22
64-16 0.99 0.14
3 16-8-4 0.94 0.32
32-16-8 0.98 0.22
48-24-12 0.97 0.24
64-32-16 0.98 0.18
P2, P3, P9 2 16-4 0.93 0.33
32-8 0.94 0.33
64-16 0.96 0.24
3 16-8-4 0.96 0.29
32-16-8 0.94 0.27
48-24-12 0.98 0.18
64-32-16 0.98 0.18

Fig. 11

Convergence of loss function

Fig. 12

Comparison of actual nugget diameter and predicted nugget diameter of test data using artificial neural network model

Table 4

Nugget diameter prediction result of test data using artificial neural network

Steel combination Current (kA) Measured nugget diameter (mm) Predicted nugget diameter (mm)
SPFC980 1.0t + SPFC980 1.0t 4 3.6 3.42
5 4.4 4.46
6.5 5.7 5.69
5.7 5.63
SGACC 1.0t + SGACC 1.0t 6.3 2.2 2.06
7.5 4.4 4.33
4.4 4.26
7.8 4.6 4.70
SGACC 0.7t + SGACC 0.7t 6 3.0 3.14
6.5 3.7 3.57
7 4.1 4.02
7.5 4.4 4.42
4.4 4.39
SGAFC780 1.4t + SGAFC780 1.4t 5 4.6 4.59
5.5 5.1 5.09
6 5.3 5.38
SGAFC780 1.0t + SGAFC780 1.0t 3.5 1.4 1.39
5.5 4.3 4.39
6 4.8 4.94
6.5 5.5 5.34
7 5.8
5.8
5.70
5.65
8.5 6.7
6.7
6.56
6.50
SGACC 0.7t SABC1470 1.6t 4 3.0 2.73
4.5 3.8 3.57
5.5 4.8
4.8
4.75
4.73
SABC 1470 1.0t + SABC1470 1.0t 4 3.8 3.42
SPFC980 1.0 + SPFC1180 1.8 4 3.4 3.59
5.5 5.2 5.10