Prediction of Welding Spatter Generation Rate in Short-Circuit Transfer by Convolutional Neural Network

Abstract

1. 서 론

2. 데이터 취득 및 전처리

2.1 실험 방법

2.2 실험 결과

2.3 데이터 전처리

3. 결 과

3.1 모델 및 학습

3.2 스패터 발생량 예측

4. 결 론

2.2.1 스패터 측정결과

2.2.2 파형측정결과

2.3.1 동시발생 행렬(co-ocurrence matrix)

2.3.2 전이 행렬(transition matrix)

2.3.3 데이터 증강

Table 1

Fig. 1

Fig. 2

Table 2

Fig. 3

Fig. 4

Fig. 5

Table 3

Table 4

Fig. 6

Table 5

Fig. 7

Table 6

상아 이; 회수 유; 강명 서

doi:10.5781/JWJ.2023.41.1.1

In this study, a machine learning method is proposed to predict the weld spatter generation rate, regardless of the type of short-circuit waveform. Short-circuit waveform data are collected at a high sampling rate of 10–20 kHz, and then, compressed using a new preprocessing method to effectively process the data at a high sampling rate. To predict the spatter generation rate, the welding waveform is converted into an image using the proposed data preprocessing method, and the converted data are fed into the convolutional neural network (CNN). A parametric study on data augmentation and data resolution is conducted concurrently to enhance the prediction accuracy with limited amount of data.

Key words: Gas metal arc(GMA), Short circuit transfer, Spatter, Machine learning, Convolutional neural net

소모성 전극을 사용하는 GMA(gas metal arc) 용접은 용접봉과 모재 사이의 전기 방전에 의하여 발생하는 아크를 이용하여 용접봉과 모재부분을 용융시켜 접합하며, 자동차, 조선, 건설산업에 널리 사용되고 있다¹⁾.

자동차 산업은 박판 용접이 대부분이며, 용접시 저전류, 저전압을 사용하기 때문에 단락이행(short circuit transfer)이 발생한다²⁾. 단락이행이란 연속으로 공급되는 용접와이어 끝단에 고온의 아크열로 인하여 용융된 용적이 시간에 따라 성장하여 용융지에 닿으면서 전기적으로 단락되고, 이러한 상태에서 용적이 용융지로 이행되어 가는 것을 말한다. 용적이 이행되면서 가교가 형성되고 가교가 끊어지면서 재아크가 발생되는데, 이때 아크는 고온이기 때문에 주변공기를 급격하게 팽창시키고 그 폭발력으로 인해 남아 있는 용적이 비산되며, 이를 스패터(spatter)라고 한다²^,³⁾. 특히 단락기간이 2ms 이하인 순간단락(ISC, instantaneous short circuit)이 발생할 경우 용융지에 이행되지 못한 용적이 대립의 스패터를 발생시킨다⁴⁾. 대립의 스패터는 주변 모재에 강하게 부착되므로 스패터를 제거하는데 인력과 시간이 소요되어 용접자동화 및 생산성향상에 방해가 된다. 따라서 스패터를 줄이는 것은 용접품질을 향상시키기 위한 중요한 기술이며, 이를 위한 방법으로는 용접재료의 개발 및 용접파형을 제어하는 것이 있다. 이 중 파형제어는 단락이 되는 순간에 전류를 50A 이하로 낮춰 1ms 이하로 유지시켜 순간단락을 정상단락화 시키고, 아크 재생순간 전류를 낮추어 아크폭발력을 줄이는 방법을 사용한다⁵^,⁶⁾.

한편 스패터 발생량을 감소시키는 것 뿐 아니라 스패터 발생을 실시간으로 측정하는 것 또한 용접품질을 판단하는데 중요한 기준이 된다. 그러나 현장에서 직접 스패터 발생량을 측정하는 것은 불가능하기 때문에 용접파형을 이용하여 스패터 발생량을 예측하기 위한 방법이 개발되어왔다. 대표적으로 단락이행에서 파형변수를 통계처리한 데이터와 스패터 발생량과의 관계에 대한연구⁷⁾, 스패터 발생량과 아크 안정성 예측 모델에 대한 연구가 수행된바 있다⁸^,⁹⁾.

Kim등⁷⁾은 단락이행에서 스패터 발생량과 파형변수와의 상관관계를 SCR 용접전원에 대한 용접실험을 통하여 분석하였으며, 스패터 발생량은 단락횟수, 단락기간 표준편차, 아크기간 표준편차, 단락기간 표준편차, 그리고 아크기간 표준편차의 곱과 상관성이 높음을 보였다. Kang 등⁸⁾은 스패터 발생에 있어 최대 평균전류, 평균 아크시간, 단락시작시의 평균전류크기, 평균 단락시간이 주요인자임을 보였고, 평균 최대 전류와 평균 단락시간이 스패터 발생량과 상관관계가 가장 높다고 하였다. Kang 등⁹⁾은 단락이행영역에서 단락이행 주기, 아크 시간, 단락시간 등, 13개의 파형인자를 추출하여 다중회귀분석을 통하여 아크 안정성을 예측하기 위한 선형 및 비선형 예측 모델을 제안하였다. 또한 용접전압, 전류파형으로부터 단락파형인자 7개를 추출하여 신경회로망을 이용하여 용접품질을 판단하는 장치도 개발된바 있다¹⁰⁾.

이러한 연구들은 단락파형 변수를 이용하여 스패터 발생량을 예측하거나 아크안정성을 판단하였다. 그러나 다양한 단락파형제어 기술이 개발됨에 따라 파형의 형태가 복잡해지고 있어¹¹⁾ 기존의 단락파형 인자로는 파형의 특징을 표현하기 어렵다. 또한 단락이 아닌 아크 기간 중에서도 다량의 스패터가 발생하는 경우도 있어¹¹⁾ 단락파형변수만으로 예측정확도를 높이기 어렵다.

본 연구에서는 이와 같은 문제점을 해결하기 위하여, 단락파형의 종류에 상관없이 스패터 발생량을 예측하기 위한 기계학습방법을 제안하였다. 그리고 높은 샘플링속도에서 용접파형 데이터를 효과적으로 처리하기 위한 새로운 전처리 방법도 함께 제안하였다. 스패터 발생률을 예측하기 위해 데이터 전처리로 용접파형을 이미지로 전환하고 합성곱 신경망(CNN, Convolutional neural network)을 사용하여 데이터를 학습시키고, 제한된 양의 데이터로부터 정확도를 높이기 위하여 데이터증강과 데이터 해상도에 대한 파라메트릭 연구도 함께 수행되었다.

다양한 용접파형의 스패터 발생량 예측을 위하여 단락파형제어형 용접전원을 사용하여 용접파형과 스패터 발생량을 측정하였다. 용접조건은 송급속도(WFS, wire feeding speed)를 기준으로 하여 6수준(4, 5, 6, 7, 8, 9 m/min)으로 하였다. 송급속도에 따라서 전압은 3수준(일원전압 100, 120, 140%)으로 설정하였다. 같은 조건으로 3회 반복 실험하여 총 54(=6×3×3)개의 학습용 데이터를 생성하고자 하였다.

CO₂ 보호가스를 사용하여 120(W)×550(L)×12mm (t)의 연강에 AWS ER70S-G 1.2∅ 와이어를 사용하여, 40 cm/min 용접속도로 비드온플레이트 용접을 1분간 실시하였다. Table 1에 실험변수와 용접조건을 나타내었다.

GMA welding parameters

스패터 포집기는 스패터 부착방지를 위해서 황동으로 제작하였으며, Fig. 1과 같이 스패터를 포집하였다. 또한 용접시 대립의 스패터가 시편에 융착되거나 콘택트팁 및 노즐에 부착되는 것을 방지하기 위하여 스패터 부착방지제를 도포하였다. 포집된 스패터를 sieve를 사용하여 크기별로 분류하고, 크기별로 스패터 무게를 측정하였다. 스패터 크기는 각각 s1≤0.25mm, 0.25<s2≤0.5mm, 0.5<s3≤1mm, 1mm<s4와 같이 4가지로 분류하였다.

Experimental equipment for measuring spatter generation rate

용접파형 수집은 NI-9201 ADC 모듈을 사용하였고 NI사의 LabView 프로그램을 사용하여 데이터를 수집하였다. 수집된 데이터는 Excel 파일로 저장되도록 하였고, 샘플링 주파수는 10khz 이었다.

스패터 포집기내에서 1분간 용접을 실시하면서 용접파형을 측정하였고, 용접후 Fig. 2와 같이 포집된 스패터를 크기별로 분류한 다음 각각의 무게를 측정하였다. 용접은 조건당 3회 실시하였으며, Table 2에 3회 평균값을 각각 나타내었다. 송급속도 6 m/min과 전압 100% 조건에서 가장 높은 스패터 발생량을 보였다.

Spatter collected after welding at a wire feeding speed of 6m/min at (a) 21.3V, (b) 23.0 V and (c) 25.0V

Average welding current, voltage and spatter generation rate

WFS (m/min)		4			5			6			7			8			9
Current (A)		146	144	145	175	175	173	200	204	206	211	214	217	232	239	246	262	265	267
Setting voltage(%)		100	120	140	100	120	140	100	120	140	100	120	140	100	120	140	100	120	140
Voltage (V)		19.2	20.8	22.9	20.1	22.0	23.7	21.3	23.0	25.0	23.1	24.7	26.2	24.9	26.3	27.5	26.7	28.1	29.9
Spatter generation rate (g/min)	1mm<s4	0.38	0.05	0.04	0.55	0.19	0.11	1.98	0.56	0.11	1.30	0.10	0.18	0.17	0.10	0.17	0.26	0.27	0.30
	0.5<s3≤ 1mm	0.29	0.10	0.10	0.60	0.45	0.27	1.82	0.78	0.27	1.43	0.28	0.53	0.46	0.53	0.56	0.45	0.50	0.44
	0.25<s2≤0.5mm	0.16	0.14	0.21	0.52	0.45	0.35	1.07	0.73	0.35	1.13	0.36	0.70	0.69	0.71	0.81	0.69	0.67	0.57
	s1≤0.25mm	0.06	0.06	0.07	0.10	0.07	0.03	0.25	0.22	0.12	0.50	0.16	0.13	0.38	0.32	0.15	0.51	0.17	0.07

Fig. 3은 3회 측정한 데이터의 평균과 발생 범위를 나타낸 것이다. 전압이 낮을 경우 다량의 스패터가 발생하고 스패터 측정 편차가 크게 나타났다. 또한 WFS가 4~7 범위에서는 WFS가 증가함에 따라 스패터량이 증가하는 경향이 있지만 WFS 8~9에서는 편차도 적고 2 g/min 이하를 보였다. 일반적으로 WFS가 증가함에 따라 스패터 발생량이 증가하는데 WFS 7이하에서 스패터 발생량이 높고 전압에 따라 편차가 큰 이유는 파형제어 조건이 최적화되어 있지 않은 것으로 판단된다. 하지만 편차가 있는 것이 기계학습을 테스트하는데 더 좋은 결과라고 판단되었다.

Total average spatter generation rate(g/min) and range

1분간 10khz로 측정한 용접파형의 전압 100%에서 1,000개의 샘플, 즉 0.1s동안의 파형을 각각의 송급속도에 대하여 Fig. 4에 나타내었다. 수집된 데이터는 STT (surface tension transfer) 파형¹²⁾과 유사한 형태를 보였다. STT 파형제어 방법은 서론에서 언급한 바와 같이 단락이 되는 순간 전류를 50A 이하로 낮춰 1ms 이하로 유지시켜 순간단락을 억제하고 아크 재생순간 전류를 낮추어 아크폭발력을 줄이는 방법이다. 그림 4에서 보는 바와 같이 단락 순간과 아크재생 순간 전류가 급격히 감소되는 형태를 볼 수 있다.

Short circuit waveform when voltage is set to 100% at each wire feeding speed

일반적으로 용접파형과 같은 시계열 데이터는 순환신경망(RNN, Recurrent neural network)계열의 신경망을 사용해도 되지만 단락이행과 같이 높은 샘플링 주파수의 데이터는 학습에 사용되는 데이터의 차원도 커지게 된다. 이는 큰 하드웨어 자원이 요구될 뿐만 아니라 학습시간 및 예측시간이 길어지기 때문에 현장에 적용하기는 부적합하다. 따라서 정확도가 다소 낮더라도 계산속도가 빠른 방법을 개발하고자 하였다.

본 연구에서는 효과적인 학습을 위해 높은 차원의 용접파형 데이터를 낮은 차원의 이미지 데이터로 압축할 수 있는 새로운 데이터 전처리 방법을 제안하였다. 스패터는 전류와 전압의 기울기에 영향을 받기 때문에 기울기가 반영된 3개의 행렬로 변환하여 이를 이미지화하였다. 행렬로 변환하는 방법은 다음과 같다.

전류 및 전압파형의 최솟값과 최댓값 사이를 각각 N개의 구간(n₁, n₂, … n_N)으로 나눈 뒤 동일한 시간 t에서의 전류 및 전압 값을 해당되는 구간에 대입한 n_I, n_V를 구한다. 이렇게 구한 n_I, n_V를 2차원 히스토그램으로 나타낸 후 0~1사이 값을 가지도록 정규화한다. (이하 co-matrix)

전류 파형의 최솟값과 최댓값 사이를 N개의 구간(n₁, n₂, … n_N)으로 나눈 뒤 시간 t에서의 전류값과 t+1에서의 전류값을 해당되는 구간에 대입한 n_t, n_t+1을 구한다.

다음으로 n_t, n_t+1를 2차원 히스토그램으로 나타낸 후 0~1사이 값을 가지도록 정규화한다. (이하 I-trans matrix) 전압 파형에 대해서도 같은 처리를 하여 (이하 V-trans matrix) 전류 및 전압파형에 대해 각각의 행렬을 얻는다.

Fig. 5는 동시발생 행렬과 전이행렬을 얻는 구체적인 방법을 그림으로 나타내었으며, 전압과 전류 파형으로부터 3개의 행렬을 얻을 수 있다. 동시발생행렬은 전류와 전압 파형이 비슷한 패턴을 보일수록 좌하향 대각선 부근의 값이 커지게 되고 두 파형의 패턴이 엇갈릴수록 우상단 및 좌하단에서 값이 커지게 된다. 전이행렬은 파형의 순간적인 변화에 대한 특징을 나타내게 되는데, 파형이 천천히 변하면 좌하향 대각선 부근, 급격하게 변하면 좌하향 대각선에서 멀리 떨어진 곳에서 큰 값들이 나타나게 된다. 따라서 용접파형의 패턴의 특성이 변환된 행렬(그리고 이를 통해 얻어진 이미지)에도 나타나게 된다.

Pre-processing method of welding signal

Table 3은 제안된 전처리 방법을 통해 WFS 4m/min, 전압 100%조건에서의 용접파형을 서로다른 N값에 따라 이미지화한 예를 보인 것이다. N값이 커지면 이미지의 해상도가 높아지고 해상도가 높아질수록 용접파형의 특징이 잘 드러나게 된다. 하지만 데이터 압축률은 낮아지기 때문에 학습시간이 늘어나게 되므로 적절한 N값의 선정이 중요하다.

Examples of pre-processed short circuit waveform

Resolution	30×30	100×100	300×300
co- matrix
I-trans matrix
V-trans matrix

Table 4는 수집된 데이터 중에서 스패터 발생량이 가장 많은 경우(WFS 4m/min, 전압 120%)와 가장 적은 경우(WFS 6m/min, 전압 100%)의 용접파형을 제안된 전처리 방법을 이용해 이미지화한 결과를 비교한 것이다. 구간 값 N은 30을 사용하였다. 스패터 발생량이 다를 경우 Table 4의 2개의 행렬 이미지(co- matrix, V-trans matrix)에서 육안으로 구별할 수 있는 차이를 보였으며, I-trnas matrix에서도 구별 가능할 정도의 차이를 보였다.

Comparison of data preprocessing results according to the spatter generated rate

	co- matrix	I-trans matrix	V-trans matrix
Minimum spatter generation
Maximum spatter generation

용접동안 스패터가 일정한 N의 시간간격을 가지고 반복적으로 발생한다고 가정하면 파형을 N등분하여 데이터를 증강시키는 것이 가능하다. 그러나 실제로 구간에 따라 불규칙하게 스패터가 발생하였을 것이므로 N이 커질수록 데이터의 신뢰도가 낮아질 것이다. 그러나 실험을 통해 얻은 데이터의 수(54개)가 기계학습을 수행하기 부족하기 때문에, 데이터의 신뢰도가 낮아질 수 있지만 데이터 증강에 의한 예측정확도는 향상될 것으로 판단된다.

CNN은 한 개 이상의 합성곱 층(convolution layer)를 포함하고 있는 인공신경망을 의미하며¹³⁾ 이미지 처리에 특히 높은 성능을 보인다. 본 연구에서 새로 제안한 동시발생 행렬과 전이 행렬은 용접파형을 이미지로 표현할 수 있게 해주므로 CNN을 스패터 발생률 예측에 사용하였다.

기계학습 모델의 구성 및 학습에는 Tensorflow와 keras를 사용하였다. 사용된 네트워크는 총 6개의 CNN layer 및 한 개의 dense layer로 구성되어 있다. 각각의 CNN층은 (64, 64, 64, 32, 32, 32)개의 노드로 구성되어 있고 활성화 함수로는 relu가 사용되었다.

Fig. 6은 50×50×3의 데이터(50×50의 해상도를 가지는 3개의 행렬)를 사용했을 때의 네트워크 구조 및 각 층을 통과하면서 데이터의 차원이 어떻게 변화하는지를 나타낸 것이다. 합성곱 층을 통과하면 사용한 필터의 크기 및 스트라이드(Stride, 필터가 움직이는 간격)의 설정에 따라 데이터의 크기가 변화하게 되는데 본 연구에서는 3×3의 필터 및 (1,1)의 스트라이드를 사용하였으므로 각 층을 통과하면서 데이터(이미지)의 가로세로 값은 각각 2씩 줄어든다. 데이터의 깊이 값은 각 층의 노드의 수에 맞춰 증가하거나 감소한다. 데이터가 6개의 합성곱 층을 전부 통과하고 밀집 층(dense layer)로 입력되기 전, 3차원의 데이터는 평면화(Flatten)를 통해 1차원의 벡터로 변환된다. 마지막으로 밀집 층을 통과한 데이터는 각 사이즈별 스패터 발생률을 예측하게 된다. 총 4가지 사이즈로 데이터가 구분되어 있기 때문에 모델을 통해 산출되는 값도 총 4가지이다.

CNN model for spatter generation rate prediction

이렇게 구성된 모델의 총 파라미터수는 약 30만개이다. 손실함수는 mean squared error값을 사용하였으며, 옵티마이저는 adam¹⁴⁾을 사용하였다. 학습 및 테스트를 위한 데이터는 전체 데이터셋을 8:2로 나누어 사용하였다. Fig. 6의 괄호안의 물음표는 배치사이즈로 본 연구에서는 20에 해당한다.

본 연구에서는 용접파형 동시발생 행렬만 학습에 사용한 경우와 용접파형 동시발생 행렬과 전이 행렬을 같이 학습에 사용한 경우에 대하여 예측정확도를 비교하였다. 또한 데이터를 증강하지 않은 경우와 2배, 5배로 증강한 경우, 용접파형을 서로 다른 해상도의 데이터(30×30, 50×50)로 압축 및 전환한 경우에 대한 예측정확도를 비교하였다. 예측정확도는 테스트셋을 이용해 구하며, 테스트셋의 실제 스패터 발생량대비 예측값의 오차로 구하게 된다. 즉, 예측정확도가 90%라는 것은 테스트셋의 데이터 평균 오차가 10%라는 의미이다. Table 5에 각각의 경우에 대한 예측정확도를 비교해 나타내었다.

Spatter generation rate prediction results

Input data size	No. of data splits	A (co- matrix)	B (co + trans matrices)	B-A
C (30×30)	1	78.8%	81.0%	2.20%
	2	82.1%	84.5%	2.40%
	5	79.1%	79.5%	0.40%
D (50×50)	1	85.2%	83.4%	-1.80%
	2	86.6%	88.2%	1.60%
	5	80.4%	79.3%	-1.10%

먼저 동시발생 행렬만 사용해 학습을 한 경우(A)와 전이행렬을 같이 사용해 학습을 진행한 경우(B)를 비교하면, 30×30 데이터를 사용한 경우 A보다 B에서 예측정확도가 모두 높게 나타났다. 50×50 데이터를 사용한 경우는 데이터 증강을 2배 한 경우에만 B에서 예측정확도가 높게 나타났다. 평균값으로 보면 B가 A보다 0.7% 높은 예측 정확도를 보였다.

데이터의 해상도에 따른 예측정확도를 비교해보면 용접파형을 30×30의 행렬로 변환시킨 경우(C)보다 50×50의 행렬로 변환시킨 경우(D), 한가지를 제외하고 모두 D가 예측정확도가 더 높게 나타났다. 평균적으로는 C보다 D의 예측정확도가 3% 높았다.

데이터 증강에 따른 예측정확도를 비교하였다. 데이터를 2배로 증강시켰을 경우 예측정확도가 평균 3.3% 향상되었으나 데이터를 5배로 증강시킬 경우 오히려 예측정확도가 2.5% 감소하였다. 이는 데이터를 2배 증강할 시에는 데이터분할을 통한 데이터의 신뢰도 하락의 영향이 데이터 증강을 통한 학습효과 향상의 영향보다 작았기 때문인 것으로 해석할 수 있으며, 5배 증강할 경우에는 데이터 신뢰도 하락의 영향이 데이터 증강의 효과보다 커 예측정확도의 하락으로 이어진 것으로 판단할 수 있다.

가장 높은 예측정확도를 보였던 케이스는 용접파형데이터를 50×50행렬로 변환시키고 데이터를 2배 증강을 한 경우로(B-D), 동시발생 행렬만 사용한 경우 86.6%, 동시발생행렬과 전이행렬을 모두 사용한 경우 88.2%의 예측정확도를 보여주었다. 예측정확도는 옵티마이저, 배치사이즈, 초기화방법등에 따라 달라지지만 변화정도는 미미하였고 B-D조합에서 가장 높은 예측정확도를 보이는 경향은 동일하였다.

Fig. 7은 가장 높은 예측정확도를 보여주었던 케이스(B-D), 데이터 2배 증강 모델로 테스트 데이터셋에 대한 예측결과를 나타낸 것이다. 스패터 사이즈별로 편차는 있지만 대부분의 예측치가 20%이하 오차 범위내에 있는 것을 확인할 수 있으며, 이는 테스트 데이터셋에 대해서도 모델이 잘 구성되었음을 의미한다.

Goodness of fit of the best spatter generation rate prediction model

Table 6는 가장 높은 예측정확도를 보여주었던 케이스(B-D), 데이터 2배 증강모델을 이용해 각 스패터 사이즈별 예측 정확도를 구한 것이다. 가장 높은 정확도로 예측되는 것은 s2사이즈로, 가장 예측정확도가 낮은 s4대비 약 6.4%더 높은 예측정확도를 보여주었다. s4는 대립의 스패터로 아크 스타트 구간에서 발생하는 경우도 있기 때문에 아크 스타트 구간만 별도로 데이터 처리하면 예측 정확도는 높아질 것이라 판단된다.

Prediction accuracy by spatter size

s1	s2	s3	s4
89.0%	90.4%	89.3%	84.0%

Level \ Welding parameter

WFS(m/min)

Setting voltage (%)

Fix variable

CTWD: 15mm Shielding gas: 99%CO₂ 25l/min

본 연구에서는 단락파형의 종류에 상관없이 용접파형을 이미지화하여 스패터 발생량을 예측하기 위한 기계학습방법을 제안하였으며 결론은 다음과 같다.

1) 데이터 수집 샘플링 주파수가 높은 용접파형의 효과적 기계학습을 위해 용접파형을 3가지 행렬로 변환하는 데이터 전처리기법을 제안하였다. 이를 통해 단락파형의 특성을 나타낼 수 있는 이미지 데이터로 압축이 가능하였다.
2) 데이터 분할을 통해 데이터를 2배 증강할 경우, 스패터가 일정주기로 발생하는 것이 아니기 때문에 데이터의 신뢰도는 낮아지게 되지만, 데이터의 수가 증가하여 예측정확도를 높일 수 있었다. 또한 낮은 해상도(30×30) 보다 더 많은 정보를 가지고 있는 높은 해상도(50×50)에서 예측 정확도가 높게 나타났다.
3) 용접파형을 이미지로 압축하여 CNN을 이용하여 학습한 결과, 스패터 발생량 예측정확도 88.2% 이었다.