Warning: fopen(/home/virtual/kwjs/journal/upload/ip_log/ip_log_2024-12.txt): failed to open stream: Permission denied in /home/virtual/lib/view_data.php on line 100 Warning: fwrite() expects parameter 1 to be resource, boolean given in /home/virtual/lib/view_data.php on line 101 590 MPa급 고강도강과 6xxx계 알루미늄 합금의 Flow Drilling Screw 접합품질 예측 알고리즘 개발

590 MPa급 고강도강과 6xxx계 알루미늄 합금의 Flow Drilling Screw 접합품질 예측 알고리즘 개발

Quality Prediction Algorithm for Flow Drilling Screw Joining of 590 MPa High-Strength Steel and 6xxx Series Aluminum Alloy

Article information

J Weld Join. 2024;42(4):366-377
Publication date (electronic) : 2024 August 31
doi : https://doi.org/10.5781/JWJ.2024.42.4.4
최유리*,**orcid_icon, 김동윤*orcid_icon, 장준명**orcid_icon, 유지영*,orcid_icon, 이승환**,orcid_icon
* 한국생산기술연구원 유연생산연구부문
* Flexible Manufacturing R&D Department, Korea Institute of Industrial Technology, Incheon, 21999, Korea
** 한양대학교 융합기계공학과
** Department of Mechanical Engineering, Hanyang University, Seoul, 04763, Korea
†Corresponding author: †willow@kitech.re.kr,
Received 2024 June 25; Revised 2024 July 25; Accepted 2024 August 2.

Abstract

Flow drilling screw (FDS) process is applied to various components such as car bodies and battery cases due to its advantage of enabling one-sided joining. Various studies have been conducted on the correlation between monitored process parameters and joint quality. These correlations suggest the potential for non-destructive classification or prediction of joint quality using process monitoring signals. In this study, the effect of FDS process parameters on joint quality was analyzed, and a decision tree-based quality prediction model for classifying joint quality was developed. The material combination consisted of a 1.8 mm thick SGAFC 590DP as the upper plate and a 3.0 mm thick Al 6061 as the lower plate. To develop the joint quality prediction algorithm, the effect of process parameters in each process step on joint quality was analyzed. It is used as input data to identify various features. The output data were generated by classifying the products into three categories from class 0 to class 2. Based on the extracted feature data, a machine learning algorithm was trained to develop the joint quality prediction model.

1. 서 론

최근 친환경차의 주행거리 확보를 위해 차량 경량화에 대한 요구가 증가됨에 따라 중량 대비 강도가 높은 알루미늄 합금의 사용이 증가되고 있다1,2). 알루미늄 합금의 접합에는 주로 용융 용접이 사용되는데, 용접부에서의 기공이나 응고 균열 등이 발생하는 문제가 있어 용접부의 품질을 보장하는데 어려움을 겪고 있다. 심지어 알루미늄-스틸 간 이종 소재에 대한 용융 용접 시에는 위의 문제들 외에도 용접부에 취성이 높은 금속간 화합물(intermetallic compound) 층이 형성되어 기계적 물성이 낮아지는 문제가 발생한다3-5). 이러한 문제들로 인해, 알루미늄 합금의 접합에는 flow drilling screw(FDS), nut clinching, blind rivet nut 등과 같은 기계적 접합 기술의 적용이 증가되고 있다6). 이 중에서 FDS 공정은 편방향 접합이 가능하다는 장점을 가지기 때문에 용접 건이 상하 방향으로 접근하기 어려운 부위가 많은 차체 및 배터리 케이스와 같은 부품의 접합에 효율적이면서도 높은 접합 강도와 안정성을 제공한다7,8).

이와 같은 장점을 가지는 FDS 공정은 총 4 단계로 구성되어 있다. 1 단계(find slot)는 홀 정렬 단계이며, 2 단계(form flow hole)는 패스너가 시험편에 예비 나사산을 형성하는 단계이다. 3 단계(screw in)는 패스너가 시험편에 나사산을 형성하는 단계이며, 4 단계(tightening)는 최종적으로 패스너 헤드부위를 조이는 단계이다. 각각의 공정 단계에는 force, rotation speed, feed rate, torque 등의 다양한 공정 변수가 존재하며, 각 공정 변수는 접합 품질과 밀접한 연관을 가진다. 따라서, 많은 연구자들이 FDS 접합 중 공정 변수를 모니터링하여 공정 변수가 품질에 미치는 영향을 분석하였다. 강태영 등은 알루미늄-스틸 소재에 대한 FDS 체결 시 penetration, thread forming, final tightening 단계에서 down force, torque, 소요 시간 등을 모니터링하고 접합 품질에 미치는 영향을 조사하였다9). Down force가 낮은 경우, penetration 단계에서 소요 시간이 증가하며 임계 torque 값에 도달하지 못하여 체결 불량으로 이어지는 반면, down force가 큰 경우에는 패스너와 판재 간의 충분한 발열 확보를 위해 thread forming 단계에서 소요 시간이 증가한다. 또한, final tightening 단계에서의 높은 torque 값은 하판의 처짐을 방지하여 상판과 하판 사이의 gap을 감소시켜 접합 품질을 향상시켰다. 이목영 등은 알루미늄 합금 소재에 대한 FDS 체결 시 공정 변수가 FDS 접합부 품질에 미치는 영향을 분석하였다. Force가 높고 spindle 회전 속도가 낮을수록 나사 형성 과정이 안정되고 마찰열이 적절히 분배되어 접합 강도가 증가하여 접합 품질을 향상시켰다10).

위 연구들은 FDS 공정 중 단계별 공정 변수를 모니터링하여 공정 변수와 접합 품질 간의 상관 관계를 밝혀내는데 초점을 맞추었다. 이와 같은 상관 관계는 FDS 공정 중 모니터링을 통해 계측되는 데이터를 이용하여 접합 품질을 비파괴적으로 분류 혹은 예측할 수 있는 가능성을 시사한다. 최근 산업계에서의 적용이 증가하고 있는 인공지능 모델은 이러한 모니터링 데이터와 접합 품질을 학습시켜 품질 분류에 적용될 수 있다. 특히, 결정 트리 모델은 분류 기준과 분류 기준 값을 확인할 수 있기 때문에 FDS 공정에서 단계별 공정 변수와 접합 품질 간의 상관 관계를 반영하는 분류 모델로 사용될 수 있다. 그러나, 아직 각 공정 단계별 변수가 접합 품질에 미치는 영향에 대한 세부적인 연구가 부족하며, 공정 변수 모니터링 데이터를 통해 접합부의 품질을 예측하는 모델은 개발되지 않았다.

따라서, 본 연구에서는 고강도강과 알루미늄 합금의 이종 소재 조합에 대한 FDS 공정 중 단계별 공정 변수를 모니터링하여 공정 변수와 접합 품질 간의 상관 관계를 반영하는 결정 트리 기반의 접합 품질 예측 모델을 개발하였다. 공정 변수에 따른 접합 품질을 확인하기 위해 FDS 공정 단계 중 2 단계에서의 공정 변수인 force와 rotation speed을 각각 3 수준으로, 4 단계에서의 공정 변수인 force, rotation speed, torque를 각각 2 수준으로 선정하여 FDS 공정을 수행하였다. FDS 공정 중에는 시간에 따른 torque, rotation speed, depth가 모니터링 되었으며, 각 조건에 따른 외관상 체결 상태를 분석하여 공정 변수와 접합 품질간의 상관 관계가 분석되었다. 또한, 인공지능 모델 학습에 필요한 데이터를 충분히 확보하기 위해 실험계획법에 따른 31 개의 공정 변수에 대한 FDS 공정을 수행하였으며, 최적 조건에 대한 에러모드 실험이 수행되었다. 이를 통해 외관상 품질을 3 개의 class로 분류하는 결정 트리 기반 머신러닝 모델을 개발하였으며, 해당 모델의 분류 정확도를 평가하였다.

2. 실험 방법 및 절차

2.1 실험 구성

본 연구의 실험 구성을 Fig. 1에 나타내었다. FDS 체결 장비는 패스너를 누르는 힘을 나타내는 force는 최대 3200 N, 드라이버의 속도를 나타내는 rotation speed는 최대 6000 RPM, 패스너를 조이는데 필요한 회전력을 나타내는 torque는 최대 15 N·m인 Stöger사의 flow drill system을 사용하였으며, Fig. 1(a)에 실험 장비를 나타내었다. Fig. 1(b)에는 실험에 사용된 패스너를 나타내었다. 패스너는 Arnold사의 M5를 사용하였다. Fig. 1(c)에는 시험편 제작에 대하여 나타내었다. 시험편은 상부 판재, 하부 판재 모두 100 mm × 30 mm 크기로 제작하였으며, 두 시험편을 30 mm 겹쳐서 실험을 진행하였다. 상부 판재는 1.8 mm 두께의 SGAFC 590DP 소재를 사용하였다. 또한, 상부 판재가 고강도강이므로, 상판에 pre-hole이 없으면 패스너가 직접 관통하기 어렵고 체결 과정에서 과도한 force와 torque가 발생할 수 있어 Fig. 1(c)와 같이 Ø6 mm 크기의 pre-hole을 가공하였다11). 하부 판재는 3.0 mm 두께의 Al 6061 소재를 사용하였다.

Fig. 1

Experimental setup (a) FDS joining machine, (b) geometry of the FDS fastener, and (c) dimension of test specimen

2.2 공정 단계 및 변수

Fig. 2는 FDS의 공정 과정을 나타낸다. 공정 과정은 총 4 개의 단계로 이루어져 있다. 1 단계(find slot)는 드라이버 내에 있는 패스너가 체결할 부위에 정렬한다. 2 단계(form flow hole)는 패스너가 회전하기 시작하여 마찰열 및 압력에 의해 시험편에 패스너가 침투하면서 예비 나사산을 형성한다. 3 단계(screw in)는 패스너가 시험편에 나사산 형성을 완료한다. 마지막으로, 4 단계(tightening)는 시험편에 나사산 형성이 완료된 후 패스너 헤드부위를 조여 상부 판재와 하부 판재를 밀착시킨다.

Fig. 2

Process sequence of FDS

1 단계, 2 단계, 3 단계의 공정 변수는 패스너에 가해지는 힘을 설정하는 force와 드라이버의 속도를 설정하는 rotation speed로 구성되어 있으며, 4 단계는 패스너를 조이는데 필요한 회전력을 설정하는 torque가 추가적으로 구성되어 있다. 본 연구에서는 공정 변수가 접합 품질에 미치는 영향을 확인하기 위하여 2 단계와 4 단계 공정 변수에 대해 분석하였다. 1 단계는 패스너와 시험편 간의 직접적인 접촉이 없기 때문에 분석에서 배제하였다. 또한, 3 단계의 경우 많은 문헌과 선행연구에서 가장 영향력 있는 단계로 언급되었기 때문에 공정 변수 분석에서는 배제하였으나, 공정 변수의 최적화와 접합 품질 예측 모델 개발에서는 제어 변수로써 3 단계의 공정 변수를 사용하였다.

2.3 에러모드를 통한 데이터 획득

품질 평가 기준에서 불량으로 분류되는 데이터를 확보하기 위하여 에러모드에 대한 실험을 진행하였다. 실험 조건은 공정 변수 분석 실험을 통해 도출한 적정 조건으로 선택하였다. 실제 공정이 진행되는 과정에서 발생할 수 있는 상황에 대하여 에러모드를 선정하였으며, 진행한 에러모드는 Table 1에 나타내었다. 에러모드의 경우를 총 3 개로 분류하였으며, 첫 번째는 상부 판재와 하부 판재가 바뀐 경우, 두 번째는 pre-hole의 유무, 그리고 세 번째는 상부 판재와 하부 판재 사이에 gap이 있는 경우에 대하여 실험을 진행하였다. 3 개의 경우를 조합하여 총 10 개의 에러모드 실험을 구성하였다.

Test condition for error mode experiments in FDS process

2.4 공정 신호

Fig. 3에 선행 실험을 통하여 획득한 양호한 접합 품질을 가진 공정 신호를 나타내었다. Fig. 3(a)는 공정 시간에 따른 torque로 패스너에 가해지는 회전력을 측정한 값이다. Fig. 3(b)는 공정 시간에 따른 speed로 드라이버가 회전하는 속도를 측정한 값이다. Fig. 3(c)는 시간에 따른 depth로 패스너의 침투 깊이를 나타내며, Fig. 1(b)에 표기된 바와 같이 패스너 헤드 하단 안착면과 시험편 상부 표면 사이의 거리를 측정한 값이다. 공정 단계는 그래프에 세로로 나타낸 점선을 통해 구분하였으며, FDS 공정 시간의 순서대로 1 단계부터 4 단계를 나타낸다. 1 단계에서는 홀 정렬이 완료된 후 2 단계로 넘어가며, 2 단계와 3 단계에서는 각각 depth가 10 mm와 3 mm에 도달하는 경우 다음 단계로 넘어가도록 설정하였다. Fig. 3(a)를 보면, 1 단계에서는 패스너가 시험편과 접촉하기 전이기 때문에 torque의 변화는 거의 없다. 이 때, Fig. 3(b)의 speed를 보면, 초기 설정 값인 200 RPM이 유지되는 것을 확인할 수 있다. 또한, Fig. 3(c)의 depth를 보면, depth가 1.8 mm 감소하는 것을 확인할 수 있으며, 이는 패스너가 시험편에 맞닿기 시작하면서 패스너가 드라이버에 올바르게 정렬되는 과정을 나타낸다. 2 단계에서는 드라이버가 회전하기 시작하면서 시험편에 침투하여 torque가 증가하였으며, speed는 예비 나사산 형성을 위해 급격히 증가하는 것을 확인할 수 있다. 3 단계에서는 나사산을 형성하면서 마찰력과 저항이 증가함에 따라 torque가 증가하고 speed는 감소하였으며, 나사산이 형성된 이후에는 마찰력과 저항이 감소하여 torque가 감소하고 speed는 증가하는 것을 확인할 수 있다. 4 단계에서 torque는 설정한 값인 14 N·m에 도달한 후 드라이버의 회전이 종료하도록 설정되어 있기 때문에 급격히 감소하였으며, 이와 동시에 드라이버의 회전 speed가 0으로 수렴하는 것을 확인할 수 있다. 또한, depth는 상부와 하부 판재가 완전히 밀착되었기 때문에 0에 도달하는 것을 확인할 수 있다.

Fig. 3

Schematic diagram FDS process-curve of (a) torque, (b) speed, and (c) depth

2.5 품질 분류 기준

FDS 공정 진행 후 제작된 시험편의 접합 품질에 대하여 패스너 헤드 하단 안착면과 상판 소재의 거리를 기준으로 Fig. 4에 나타낸 것과 같이 class 0부터 class 2까지 총 3 개로 분류하였다. Class 0은 불량 품질이며, 헤드부 단차가 0.05 mm 이상이거나 총 공정 단계인 4단계까지 진행되지 않고 그 전 단계에서 오류가 검출되어 중간에 멈춘 경우로 정의하였다. Class 1 또한 불량 품질이며, 헤드부 단차가 0.05 mm 이하지만 패스너에 파손된 시험편이 감겨 나온 경우로 정의하였다. Class 2의 경우에는 양품에 해당되며, class 0과 class 1에 해당되지 않고 헤드부 단차가 0.05 mm 이하인 경우로 정의하였다.

Fig. 4

Quality classification for FDS process specimens

2.6 결정 트리(decision tree) 예측 모델

FDS 접합 품질에 대한 예측 모델 개발을 위하여 머신러닝 기반의 학습 모델인 결정 트리를 사용하였다. 결정 트리 모델은 학습을 통해 자동으로 데이터를 가장 뚜렷하게 구분할 수 있는 규칙을 찾아내어 불순도(impurity)를 최소화하는 방향으로 데이터를 분할하여 분류 규칙을 만드는 지도학습이다. 불순도는 노드에 데이터가 얼마나 혼합되어 있는지 나타내는 지표로, 지니 지수(gini index)로 측정된다. Fig. 5에는 결정 트리의 구조를 flow chart로 나타내었다. Root node는 결정 트리의 첫 번째 분기점으로 데이터를 처음으로 분할하는 기준을 정의하며, 최우선 분류 기준으로 가장 중요한 분류 기준을 제공한다. Internal node는 분할된 데이터를 추가적으로 세분화하는 중간 단계이다. Leaf node는 더 이상 분할되지 않고 최종적인 예측 결과를 나타내며, 데이터를 특정 클래스로 분류하는 역할을 한다. 결정 트리는 Root node에서 leaf node로 내려가가는 순서대로 분류 기준의 중요도를 의미한다. 이러한 특징을 바탕으로, 본 연구에서는 FDS 공정 변수를 모니터링하여 공정 변수와 접합 품질 간의 상관 관계를 반영하는 품질 예측 모델을 구축하였다.

Fig. 5

Structure of the decision tree

3. 실험 결과 및 고찰

3.1 공정 단계별 공정 변수 효과 분석

3.1.1 2 단계(form flow hole) 공정 변수 효과 분석

2 단계는 마찰열 및 압력에 의해 시험편에 패스너가 침투하여 예비 나사산을 형성하는 단계이다. 2 단계 공정 변수의 효과 분석을 하기에 앞서 다른 단계의 공정 변수 영향을 배제하기 위하여 3 단계, 4 단계 공정 변수를 통제한 상태에서 실험을 진행하였으며, 실험 조건은 선행 실험을 통해 선정한 적정 조건으로 통제하여 실험을 진행하였다. 2 단계 공정 변수의 효과 분석에 대한 체결 조건 및 실험 결과를 Fig. 6에 나타내었다. 2 단계 공정 변수인 force와 rotation speed의 실험 조건은 극 값 분석을 기반으로 선정하였다. 하한 조건은 하부 판재가 관통되지 않는 조건으로 선정하였으며, 상한 조건은 실험 장비에 최대로 설정할 수 있는 조건으로 force는 3200 N, rotation speed는 6000 RPM으로 선정하였다. 각 변수 조건의 극 값을 이와 같이 선정한 후 각각 3 수준으로 나누어 force의 실험 조건은 1500, 2500, 3200 N으로 rotation speed의 실험 조건은 1500, 4000, 6000 RPM으로 하여 실험을 진행하였다.

Fig. 6

Joint quality according to process parameters

Force가 1500 N, rotation speed가 1500 RPM인 조건의 경우 충분한 마찰력과 소성변형이 발생하지 않아 다음 공정 단계로 진행되지 못하여 체결이 실패한 것으로 나타났다. 나머지 8 개의 실험 조건에서는 모두 예비 나사산 형성이 원활히 되어 다음 공정 단계로 진행됨에 따라 양품 기준에 만족하는 결과가 나타남을 관찰하였다. 결과적으로, force와 rotation speed가 각각 1500 N, 1500 RPM 조건을 제외하고는 모두 정상적으로 양품의 결과가 나타남을 확인하였다. 따라서, force와 rotation speed 모두 일정 값 이상인 경우 예비 나사산이 형성되어 접합 품질에 큰 영향을 미치지 않는 것이 관찰되므로 force와 rotation speed를 통제 변수로 각각 2500 N, 4000 RPM으로 선정하였다.

3.1.2 4 단계(tightening) 공정 변수 효과 분석

4 단계는 설정한 torque 값에 도달할 때까지 패스너를 조이며 상부 판재와 하부 판재를 밀착시키는 단계이다. 4 단계 공정 변수의 효과 분석도 3.1.1 절과 같이 다른 단계의 공정 변수 영향을 배제하기 위하여 2 단계, 3 단계 공정 변수를 통제한 상태에서 실험을 진행하였으며, 실험 조건은 선행 실험을 통해 선정한 적정 조건으로 통제하여 실험을 진행하였다. 4 단계 공정 변수의 효과 분석에 대한 체결 조건 및 실험 결과를 Fig. 7에 나타내었다. 4 단계 공정 변수인 force와 rotation speed의 실험 조건은 과한 값을 적용하게 되면 형성된 나사산이 마찰로 인해 손상될 수 있어 각각 600 N과 600 RPM을 상한 조건으로 설정하였다. 하한 조건은 하부 판재가 관통되지 않는 조건인 force는 50 N, rotation speed는 40 RPM으로 선정하였다. Torque의 실험 조건은 극 값 분석을 기반으로 선정하였다. 선행 실험 결과, torque가 7 N·m이하인 실험에서는 모두 불량 품질 판정의 결과가 나타났기 때문에 7 N·m을 하한 조건으로 선정하였으며 실험 장비에 최대로 설정할 수 있는 조건인 15 N·m을 상한 조건으로 선정하였다.

Fig. 7

Joint quality according to process parameters

Torque가 7 N·m인 실험의 경우 force의 조건과 관계없이 rotation speed가 600 RPM인 경우에만 양품 조건을 만족하는 것을 확인할 수 있었다. 또한, torque가 15 N·m인 경우에는 rotation speed가 200 RPM 이상에서 양품 조건을 만족하는 것을 확인할 수 있었다. 이는 패스너에 충분한 torque 값이 가해졌음에도 rotation speed가 낮아 패스너가 제대로 조여지지 않은 것으로 관찰된다. 따라서, 4 단계의 force가 일정 값 이상인 경우 접합 품질에 영향을 미치지 않고 rotation speed가 접합 품질에 영향을 주는 것으로 관찰되므로 통제 변수로써 4 단계 force는 600 N으로 선정하였고, rotation speed와 torque는 제어 변수로 선정하였다.

3.2 공정 변수의 적정 조건 선정

위 실험을 통해 통제 변수를 선정하였으며, 이후 제어 변수에 대한 적정 조건을 선정하기 위하여 본 실험을 진행하였다. Table 2는 3.1 절에서의 실험을 통해 선정한 통제 변수(control variable)와 제어 변수(mani- pulated variable)에 대해 나타내었다. 통제 변수는 2 단계의 force, rotation speed와 4 단계의 force를 각각 2500 N, 4000 RPM, 600 N으로 하여 실험을 진행하였다. 제어 변수는 3 단계의 force, rotation speed와 4 단계의 rotation speed, torque로 구성되었으며 각 변수의 최소, 최대를 선정하여 실험을 진행하였다. 선정된 제어 변수를 바탕으로 실험계획법 중 중심합성법(central composite design)을 사용하여 실험 계획을 설계하였다. 또한, 실험계획법의 반응 값은 Fig. 1(c)와 같이 시험편을 제작한 후 인장전단강도 시험을 통해 최대인장하중 값을 측정하여 확보하였다. Table 3에 실험계획법을 통해 선정된 모든 실험 조건과 그에 따른 반응 값인 최대인장하중을 나타내었다. 실험결과, Fig. 8과 같이 모든 체결 조건에서 패스너 헤드의 파단이 발생하였다. 하부 판재인 Al 6061의 두께가 3 mm로 충분히 두껍고, 상부 판재인 SGAFC 590DP는 강도가 높아 패스너가 하부 판재를 견고하게 고정하기 때문에 시험편에 하중이 가해질 때 두 판재가 파손되기 전에 패스너가 먼저 파단되는 현상이 발생한 것으로 관찰되었다. 체결 조건에 따른 최대인장하중은 모두 9.05 - 10.83 kN 범위 내에서 나타났다. 따라서, 최대인장하중 값이 나타난 실험 조건을 본 연구의 적정 조건으로 선정하였으며, Table 4에 표시한 것과 같이 적정 조건은 force at 3rd step: 950 N, rotation speed at 3rd step: 2250 RPM, rotation speed at 4th step 475 RPM, torque at 4th step: 12.8 N·m이다.

Experimental condition of control variable and manipulated variable

Experimental conditions and results through central composite design

Fig. 8

Fractured specimen of FDS joints after tensile shear test

Definition of independent variables

3.3 FDS 접합부 품질 분류 예측 모델

3.3.1 공정 신호 분석

Fig. 9에 품질 class별 대표적인 torque, speed 그리고 depth의 공정 신호를 나타내었다. Class별로 데이터에 대하여 분석을 하였을 때 전체 공정 중 4 단계의 데이터에서 가장 명확한 차이가 나타났다. Torque data는 class 2의 경우 4 단계 시작점에서 서서히 torque가 감소하다가 설정한 torque 값까지 빠르게 증가하는 형태를 나타내지만, class 0과 class 1의 경우 이 형태가 관찰되지 않거나 4 단계 시작점에서 바로 torque가 증가하는 것이 관찰된다. Speed data는 class 2의 경우 4 단계에서 설정한 torque 값에 도달할 때까지 설정된 speed의 값이 일정한 것으로 관찰되었다. 또한, depth data에서 정상 체결이 진행되었을 때 depth 값이 0으로 수렴하지만 체결이 정상적으로 진행되지 않으면 depth 값이 0까지 도달하지 않는 것으로 나타났다. 따라서, 이를 바탕으로 torque, speed, depth data에 대한 특징점을 추출하였으며 Fig. 10에 나타내었다. Fig. 10(a)는 torque data에서의 특징점을 정의하였으며, ⓐ는 4 단계 시작점, ⓑ는 max torque의 시점을 나타내었다. Fig. 10(b)는 speed data에서의 특징점을 정의하였으며 ⓒ는 4 단계 시작점, ⓓ는 speed가 0에 도달하는 시점을 나타내었다. Fig. 10(c)는 4 단계 depth data에서의 특징점을 정의하였으며, ⓔ는 4 단계 시작점 그리고 ⓕ는 depth가 0에 도달하는 시점을 나타내었다.

Fig. 9

Torque, speed, and depth process signals by quality class in FDS joints

Fig. 10

Feature point in FDS process signals of (a) torque, (b) speed, and (c) depth

3.3.2 품질 분류 예측 모델의 입력 변수

품질 분류 예측 모델 개발에 사용된 입력 변수를 Table 4에 나타내었다. 입력 변수 ①부터 ⑦까지는 각 단계별 변수의 실험 조건으로 선정하였다. 입력 변수 ⑧부터 ⑩까지는 3.3.1 절에서 정의한 공정 신호 데이터의 특징점을 바탕으로 선정하였다. 입력 변수 ⑧은 ⓐ점과 ⓑ점 사이의 시간, 입력 변수 ⑨는 ⓒ점과 ⓓ점 사이의 시간 그리고 입력 변수 ⑩은 ⓔ점과 ⓕ점 사이의 depth 차이로 정의하였다. 입력 변수 ⑪은 전체 공정 단계 중 체결 시 진행된 단계에 대해서 나타내었다.

3.3.3 품질 분류 예측 모델 개발 결과

Fig. 11에 분류 기준과 해당 분류 기준 값을 포함한 결정 트리 모델의 학습 결과를 flow chart를 통해 나타내었다. 예측 결과에 따르면 3.3.2 절에서의 입력 변수 중 ⑧ torque data에서의 특징점인 ⓐ 4 단계 시작점, ⓑ max torque의 시점 사이의 시간과 ⑪ 전체 공정 단계 중 체결 시 진행된 단계를 기준으로 데이터를 분류하였다. 첫 번째 분기점인 root node는 입력 변수 ⑧을 기준으로, 분류 기준 값인 0.238 이하인 경우와 초과인 경우로 데이터를 분류하였다. Torque는 양품일 경우 설정한 torque 값까지 빠르게 증가하는 형태이지만 불량인 경우 총 공정 단계까지 진행되지 않거나 4 단계 시작점에서 바로 torque가 증가 한 후 공정이 멈추기 때문에, 이를 바탕으로 root node가 class 2와 class 0, 1로 분류하는 기준을 나타낸 것으로 관찰된다. Root node의 분류 기준이 0.238 이하인 총 데이터는 23 개였으며, class 0에 속하는 12 개의 데이터와 class 1에 속하는 11 개의 데이터를 포함하고 있다. Root node의 분류 기준이 0.238을 초과한 데이터는 41 개였으며 모두 class 2로 분류되었다. 두 번째 분기점인 internal node는 입력 변수 ⑪을 기준으로, 분류 기준 값인 3.5 이하인 경우와 초과인 경우로 데이터를 분류하였다. Class 0과 1은 모두 불량 품질로 class 0은 총 공정 단계가 4 단계까지 진행되지 않고 공정이 멈춘 경우이며 class 1은 총 공정 단계인 4 단계까지 진행되었지만 패스너에 파손된 시험편이 감겨 나온 경우이다. 이를 바탕으로 internal node가 class 0과 class 1로 분류하는 기준을 나타냈다. Inter- nal node의 분류 기준이 3.5 이하인 데이터는 12 개로서 class 0으로 분류되었으며, 3.5를 초과하는 데이터는 11 개로서 class 1로 분류되었다.

Fig. 11

Flow chart of decision tree model for quality prediction

결정 트리 모델은 분류 기준과 분류 기준 값을 확인 할 수 있으며 분류 기준의 중요도를 node 순서로 확인할 수 있다. 이러한 특징을 통하여 root node의 분류 기준인 torque data에서의 특징점과 internal node의 분류 기준인 전체 공정 단계 중 체결 시 진행된 단계의 순서로 분류 기준의 유의미한 중요도를 확인하였다. 또한, 공정 신호인 torque, speed, depth data가 모두 입력 변수로 사용되었지만, 본 연구의 결정 트리에서는 torque data만 분류에 사용되었다. 이는 FDS 공정 변수에서 다른 변수보다 torque 변수가 접합 품질에 큰 영향력을 미치고 있음을 나타낸다.

3.3.4 모델을 통한 품질 예측

Table 5에 모델을 통한 예측 정확도를 나타내었다. 학습 데이터에 대해 모델의 정확도는 95.45%로 나타났다. 모델의 precision, recall, f1-score는 각각 class 0(공정이 다 진행되지 않은 불량)에서 100.00%, 100.00%, 100.00% 그리고 class 1(외관상 불량)에서 87.50%, 87.50%, 87.50%로 나타났다. Class 2(양품)에서는 96.67%, 96.67%, 96.67%로 나타났다. 또한, Fig. 12에 모델을 통한 test data의 예측 결과를 confusion matrix를 통해 나타내었다. 총 test 데이터 44 개 중 42 개의 데이터는 품질 분류에 대하여 정확히 예측하였다.

Performance metrics values of the quality prediction model

Fig. 12

Confusion matrix of quality prediction model

4. 결 론

본 연구에서는 FDS 공정을 통해 고강도강과 알루미늄 합금의 이종 소재 조합에 대한 공정 단계별 공정 변수가 접합부 품질에 미치는 영향을 분석하였다. 또한, 단계별 공정 변수를 모니터링하여 공정 변수와 접합 품질 간의 상관 관계를 반영하는 머신러닝 기반 접합 품질 예측 모델을 개발하였다. 본 연구를 통해 다음과 같은 결론을 도출하였다.

  • 1) 공정 단계 중 2 단계(form flow hole)와 4 단계(tightening)의 공정 변수(force, rotation speed, torque)가 접합부 품질에 미치는 영향을 규명하였다. 2 단계의 공정 변수인 force와 rotation speed가 일정 값 이상인 경우 예비 나사산이 형성되어 접합 품질에 큰 영향을 미치지 않았다. 또한, 4 단계의 공정 변수 중 force는 일정 값 이상일 때 접합 품질에 영향을 미치지 않았으며, rotation speed와 torque가 체결 품질에 주된 영향을 미쳤다.

  • 2) 품질 분류 기준과 분류 기준 값을 확인할 수 있는 단계별 공정 변수와 접합 품질 간의 상관관계를 반영한 결정 트리 기반의 접합 품질 예측 모델을 개발하였다. 결정 트리 예측 모델에서 root node는 torque data의 특징점인 4 단계 시작점과 max torque의 시점 사이의 시간을 분류 기준으로 정의하였으며, internal node는 전체 공정 단계 중 체결 시 진행 된 단계를 분류 기준으로 정의하였다. 이러한 node의 순서로 분류 기준의 유의미한 중요도를 확인하였으며, FDS 공정 변수에서 다른 변수보다 torque 변수가 접합 품질에 큰 영향력을 미침을 확인하였다. 결정 트리 모델을 활용한 품질 예측 정확도를 평가한 결과, 전체 모델의 정확도는 95.45%이다.

감사의 글

이 연구는 2024년도 산업통상자원부 및 한국산업기술기획평가원(KEIT) 연구비 지원에 의한 연구임 (780 MPa급 이상 초고강도 소재 적용 전기자동차 샤시 및 300MPa급 이상 알루미늄 배터리케이스 용접을 위한 요소 공정해석기술 개발 및 제품화 실증, 20022438)

References

1. Bidari L. Challenges During Material Selection for Automobile Manufacturing. Technical Report 2023;https://doi.org/10.13140/RG.2.2.27814.09285.
2. Moon J. O, Park S. J, Lee C. H. Current Status on Development of Lightweight Steels and Welding Characteristics. J. Weld. Join 38(4)2020;:333–341. https://doi.org/10.5781/JWJ.2020.38.4.1.
3. Kuryntsev S. A Review:Laser Welding of Dissimilar Materials (Al/Fe, Al/Ti, Al/Cu)-Methods and Techniques, Microstructure and Properties. Mater. 15(1)2022;:122. https://doi.org/10.3390/ma15010122.
4. Ghosh P. S, Sen A, Chattopadhyaya S, Sharma S, Singh J, Li C, Królczyk G, Rajkumar S. Progressive developments and challenges in dissimilar laser welding of steel to various other light alloys (Al/Ti/ Mg):A comprehensive review. Heliyon 8(11)2022;:e11710. https://doi.org/10.1016/j.heliyon.2022.e11710.
5. Karim A, Park Y. D. A Review on Welding of Dissimilar Metals Metals in Car Body Manufacturing. J. Weld. Join 38(1)2020;:8–23. https://doi.org/10.5781/JWJ.2020.38.1.1.
6. Kim Y, Park K. Y, Kwak S. B. Mechanical fastening and joining technologies to using multi mixed materials of car body. J. Weld. Join 33(3)2015;:12–18. https://doi.org/10.5781/JWJ.2015.33.3.12.
7. Chang I. S, Cho Y. J, Park H. S, So D. Y. Importance of Fundamental Manufacturing Technology in the Automotive Industry and the State of the Art Welding and Joining Technology. J. Weld. Join 34(1)2016;:21–25. https://doi.org/10.5781/JWJ.2016.34.1.21.
8. Meschut G, Janzen V, Olfermann T. Innovative and Highly Productive Joining Technologies for Multi Material Lightweight Car Body Structures. J. Mater. Eng. Perform. 23(5)2014;:1515–1523. https://doi.org/10.1007/s11665-014-0962-3.
9. Kang T. Y, Lee H. J, Md Abdul K, Nam D. G, Lee B. R, Choi J. M, Park Y. D. Study on Effect of Process Variable on Fastening Quality Using Process Monitoring Data of Flow Drill Screwed 590DP Steel/ AA5052 Combination. J. Weld. Join 40(3)2022;:256–264. https://doi.org/10.5781/JWJ.2022.40.3.7.
10. Lee M. Y, Jung S. H, Lee D. Y. A Study on the Effect of the Process Parameters on Joint Quality in SOP(Screwing On Plate) Flow Drill Screw Joining Process. J. Weld. Join 37(1)2019;:69–75. https://doi.org/10.5781/JWJ.2019.37.1.9.
11. Liu Y, Ma Y, Lou M, Zhao H, Li Y. Flow drill screw (FDS) technique:A state-of-the-art review. J. Manuf. Processes 1032023;:23–52. https://doi.org/10.1016/j.jmapro.2023.08.016.

Article information Continued

Fig. 1

Experimental setup (a) FDS joining machine, (b) geometry of the FDS fastener, and (c) dimension of test specimen

Fig. 2

Process sequence of FDS

Table 1

Test condition for error mode experiments in FDS process

Top plate Bottom plate Changes
Material Pre-hole Material Pre-hole
0 SGAFC 590DP 1.8 mm O Al 6061 3.0 mm X Base
1 SGAFC 590DP 1.8 mm X Al 6061 3.0 mm X Top plate pre-hole x
2 Al 6061 3.0 mm X SGAFC 590DP 1.8 mm O Top and bottom plate switch
3 Al 6061 3.0 mm X SGAFC 590DP 1.8 mm X Top and bottom plate switch, top plate pre-hole x
4 Al 6061 3.0 mm X Al 6061 3.0 mm X Both plates are Al
5 SGAFC 590DP 1.8 mm O SGAFC 590DP 1.8 mm X Both plates are steel
6 SGAFC 590DP 1.8 mm O SGAFC 590DP 1.8 mm O Both plates are steel, bottom plate pre-hole o
7 SGAFC 590DP 1.8 mm X SGAFC 590DP 1.8 mm X Both plates are steel, top plate pre-hole x
8 SGAFC 590DP 1.8 mm O Al 6061 3.0 mm X Gap of 1.4 mm between top and bottom plates
9 SGAFC 590DP 1.8 mm O Al 6061 3.0 mm X Gap of 2.0 mm between top and bottom plates
10 SGAFC 590DP 1.8 mm O Al 6061 3.0 mm X Gap of 3.0 mm between top and bottom plates

Fig. 3

Schematic diagram FDS process-curve of (a) torque, (b) speed, and (c) depth

Fig. 4

Quality classification for FDS process specimens

Fig. 5

Structure of the decision tree

Fig. 6

Joint quality according to process parameters

Fig. 7

Joint quality according to process parameters

Table 2

Experimental condition of control variable and manipulated variable

Control variable Manipulated variable
Parameter Force at 2nd step (N) Rotation speed at 2ndstep (RPM) Force at 4th step (N) Force at 3rd step (N) Rotation speed at 3rd step (RPM) Rotation speed at 4th step (RPM) Torque at 4th step (N∙m)
Value 2500 4000 600 Min: 200 Max: 3200 Min: 1000 Max: 6000 Min: 100 Max: 600 Min: 6 Max: 15

Table 3

Experimental conditions and results through central composite design

Force at 3rd step (N) Rotation speed at 3rd step (RPM) Rotation speed at 4th step (RPM) Torque at 4th step (N∙m) Maximum tensile load (N)
950 2250 225 8.3 10323.5
2450 2250 225 8.3 10426.6
950 4750 225 8.3 9941.05
2450 4750 225 8.3 9915.83
950 2250 475 8.3 10616.6
2450 2250 475 8.3 10486.7
950 4750 475 8.3 10046.6
2450 4750 475 8.3 9878.78
950 2250 225 12.8 10383.4
2450 2250 225 12.8 10226.9
950 4750 225 12.8 10140.8
2450 4750 225 12.8 10503.5
950 2250 475 12.8 10836.7
2450 2250 475 12.8 10472.2
950 4750 475 12.8 9050.61
2450 4750 475 12.8 10130.5
200 3500 350 10.5 10509.5
3200 3500 350 10.5 10186.6
1700 1000 350 10.5 10439.5
1700 6000 350 10.5 9723.04
1700 3500 100 10.5 10197.9
1700 3500 600 10.5 10126.2
1700 3500 350 6.0 9867.57
1700 3500 350 15 10259.6
1700 3500 350 10.5 10108.8
1700 3500 350 10.5 10496.1
1700 3500 350 10.5 10057.5
1700 3500 350 10.5 10208
1700 3500 350 10.5 10584.3
1700 3500 350 10.5 10164.1
1700 3500 350 10.5 10460.6

Fig. 8

Fractured specimen of FDS joints after tensile shear test

Table 4

Definition of independent variables

Independent variable Definition Independent variable Definition
Setting force at 2nd step Setting speed at 2nd step
Setting force at 3rd step Setting speed at 3rd step
Setting force at 4th step Setting speed at 4th step
Setting torque at 4th step Time of ⓐ to ⓑ
Time of ⓒ to ⓓ Depth of ⓔ to ⓕ
Total advanced step -

Fig. 9

Torque, speed, and depth process signals by quality class in FDS joints

Fig. 10

Feature point in FDS process signals of (a) torque, (b) speed, and (c) depth

Fig. 11

Flow chart of decision tree model for quality prediction

Table 5

Performance metrics values of the quality prediction model

Accuracy Precision Recall F1-score
Class 0 95.45 % 100.00 % 100.00 % 100.00 %
Class 1 87.50 % 87.50 % 87.50 %
Class 2 96.97 % 96.97 % 96.97 %

Fig. 12

Confusion matrix of quality prediction model