AI 기반 전기차 알루미늄 부품 마찰교반용접부 비파괴 품질 평가
AI-Based Nondestructive Quality Evaluation of Friction Stir Welded Joints in Aluminum Parts for Electric Vehicles
Article information
Abstract
In the manufacturing of electric vehicles, aluminum is widely used to enhance lightweight properties and heat dissipation in vehicle parts. However, aluminum is prone to issues such as internal pore formation and reduced strength compared to the base material after welding. Therefore, it is crucial to select an appropriate welding process based on the vehicle part’s purpose, thickness, geometry and quality requirements. Friction Stir Welding (FSW) has become increasingly popular due to its effectiveness in reducing defects such as porosity, cracks, and thermal distortion. Various Non-Destructive Testing (NDT) methods, such as ultrasonic testing, radiographic testing, infrared thermography, and eddy current testing, have been utilized to evaluate the quality of FSW joints. However, research on real-time quality assessment using artificial intelligence (AI) in practical field applications remains limited. This study applies a high-resolution and high-reliability immersion-based A-scan automatic ultrasonic testing technique to detect micro-defects such as lack of penetration, tunneling, and kissing bonds in FSW joints and to acquire consistent data. Furthermore, using the acquired A-scan signal images, a real-time AI-based quality assessment program was developed to assess the acceptability of the FSW joint on-site.
1. 서 론
전 세계적으로 가속화되고 있는 기후변화와 더불어, 엘니뇨 현상으로 인한 고온 현상이 지속되면서 우리나라를 비롯한 미국, 유럽 등의 자동차 생산 업체들은 탄소를 배출이 없는 100% Green Mobility의 전기자동차를 생산 판매하고 있다. 이에 따라 자동차 부품의 경우에도 기존 내연기관 부품 생산에서 전기차 관련 부품 생산으로 전환되고 있으며, 각각의 기능을 가지는 부품에서 모듈화를 통한 일체형 구조로 바뀌면서 필요한 부품 수가 절반으로 줄어들고 있다. 특히, 전기차의 경우 내연기관의 연료탱크에 해당하는 연료전지 및 배터리 용량에 따라 차량의 주행거리가 결정되고 차량 구동 시 전기적인 부하에 따라 부품 온도가 상승하기 때문에 연료전지의 무게를 가볍게 하면서도 용량을 증가시키기 위한 노력을 지속적으로 하고 있다. 이에 따라 배터리 팩 및 열 관리 시스템 부품의 경우 방열 특성을 높이고 경량화를 위해 알루미늄 소재에 대한 활용이 점차 늘어나는 추세이다. 하지만, 알루미늄 소재는 아크 및 레이저 등의 용융용접 시 내부 기공이 많이 발생하고, 강도가 모재보다 감소하는 특성1)이 있기 때문에 고상용접 공정인 마찰교반용접(Friction Stir Welding, 이하 FSW)의 적용 늘어나고 있다. 특히, 전기자동차 냉각 시스템 부품은 높은 내구성과 완벽한 밀폐성을 유지2)해야 하기 때문에 용접부의 품질검사에 대한 중요성도 높아지는 실정이다. 전기자동차 부품을 생산하는 현장의 경우 일반적으로 제작된 부품에 대한 품질은 누수 검사를 통해 합부를 판단하고 있지만, 전수 검사에 많은 시간이 소요되기 때문에 방사선투과검사(이하 RT Radiographic Testing), 자분탐상검사(이하 MT, Magnetic Testing), 열화상탐상(이하 IRT, Infrared Thermography Testing), 초음파탐상(이하 UT, Laser Ultrasonic Testing), 와전류탐상(이하 ECT, Eddy Current Testing), 음향방출기법(이하 AET, Acoustic Emission Testing) 등에 대한 다양한 비파괴검사 공정 연구가 많이 보고되고 있다3,4,5). 이중 용접부 내부 결함 검사를 위해 적용 중인 RT 검사의 경우 방사능에 대한 안전 문제로 인해 고정차폐시설을 현장에 설치해야 하고 관련 전담 인력이 필요하기 때문에 아직까지 현장 적용은 이루어지지 않고 제작한 제품에 대해 후공정으로 검사를 진행하고 있다. 또한, 현재 진행되고 있는 대부분의 비파괴검사가 검사원의 경험에 의존하는 수동 방식으로 이루어지기 때문에 검사 결과에 대한 신뢰성과 정확도에 있어 편차가 심하게 발생하는 문제점을 가지고 있다. 이에 본 연구에서는 최근 전기자동차 부품 제작에 많이 적용되고 있는 마찰교반용접 용접부에서 발생하는 용입부족, 터널, 키싱본드 등의 미소 결함을 현장에서 단시간 안에 검출하기 위해 A-scan 기반 자동 초음파 기법을 적용하였다6-9). 또한, 확보한 A-scan 신호 이미지 및 데이터값을 활용하여 인공지능을 기반으로 품질 합부를 실시간으로 판단할 수 있는 프로그램을 개발하고자 하였다. 이를 통해 마찰교반용접부의 품질검사 편차를 최소화하고, 신뢰성이 높은 품질 평가 프로그램의 현장 적용 가능성을 검토하였다.
2. 실험방법
2.1 실험 개요
본 연구에서는 FSW로 제작된 전기차 부품에 대해 인공지능 기반으로 용접부 품질을 평가하고 결과의 신뢰성을 확보하기 위해 수침법(Immersion Testing)을 적용하였다. 수침법은 탐촉자와 검사 대상 사이에 물을 매개체로 사용하여 초음파를 전파시키는 방식으로, 직접 접촉 없이 균일한 결합 환경을 제공하며 신호 감쇄를 최소화할 수 있다. 이 방식에서는 초음파가 액체(물)에서 종파(Longitudinal Wave) 형태로만 전파되며, 용접부(고체)에 입사할 때 입사각에 따라 일부가 횡파(Transverse Wave)로 변환될 수 있다. 이를 활용하여 용접부 내부의 결함을 보다 정밀하게 분석하고 품질 평가의 신뢰성을 높일 수 있도록 하였다. 또한, 균일한 UT 신호를 획득하기 위해 자동 스테이지를 사용하였으며, FSW 용접부에서 획득한 UT 신호의 웨이브폼을 시각화시키기 위해 STFT (Short-Time Fourier Transform) 알고리즘을 적용하여 스펙트로그램으로 변환하였다. 이후, CNN (Convolutional Neural Network) 기반의 분류 모델을 활용하여 자동으로 FSW 용접부를 판별할 수 있는 프로그램을 작성하였다. Fig. 1은 본 연구를 진행하는 단계를 보여주고 있으며 아래 내용과 같다. Fig. 1 The flow chart of STEP for quality assessment of the FSW weldment
The flow chart of STEP for quality assessment of the FSW weldment
1) 초음파 탐상 시스템 구축 및 용접부 탐상
2) 신호 획득 및 전처리
3) STFT 기반 스펙트로그램 변환
4) 데이터 레이블링 및 CNN 학습 및 평가
2.2 초음파 탐상 시스템 및 실험 환경
본 논문에서는 수침법을 기반으로 자동 초음파 탐상이 가능하도록 수조와 탐상 제어 축을 포함한 시스템을 설계하였다(Fig. 2 참조).
3D design for immersion auto ultrasonic testing
초음파 탐촉자는 “Panametrics V317-SU” 모델을 사용하여 용접부를 따라 정밀하게 탐색할 수 있도록 배치하였다. 초음파 신호를 송신하고 수신하는 펄서/리시버는 DPR-300(JSR Ultrasonics 社, 미국)을 사용하였으며, 신호의 품질을 유지하고 증폭시키는 역할을 한다. 신호 수집 시스템은 고주파 초음파 신호를 샘플링 및 저장할 수 있는 고해상도 데이터 수집 장치를 포함하며, X-Y-Z 3축에 대해 정밀 제어가 가능한 서보모터를 사용하였다. 또한, 탐상 후 확보되는 UT 신호 데이터를 처리하는 시스템을 제작하여 실시간 탐상 후 데이터를 저장 및 전처리하였다. 시스템의 주요 구성 요소와 역할은 Table 1에 정리하였다.
The components spec. of the ultrasonic testing system
2.3 초음파 신호 획득 및 전처리
FSW 용접부에 대한 초음파 탐상은 초음파 탐촉자가 자동 스테이지에서 용접부를 따라 이동하게 하여 UT 신호를 획득하였다. UT 신호의 획득 및 전처리 과정은 다음과 같다(Fig. 3 참조):
Signal acquisition and pre-processing steps
1) FSW 용접부 스캐닝: 서보모터를 이용하여 일정한 속도로 용접부를 따라 초음파 신호를 획득함.
2) 노이즈 제거: 필터링 기법을 적용하여 환경 잡음 및 불필요한 신호를 제거함.
3) UT 신호 샘플링: UT 신호를 높은 샘플링 속도로 획득하여 세부적인 주파수 도메인 분석을 할 수 있도록 저장함.
4) 데이터셋 구축: 저장된 신호를 단면검사 결과와 매칭하여 결함 유/무 및 클래스를 배정함.
2.4 STFT 변환 및 스펙트로그램 생성
초음파 탐상에서는 1차 저면파(bottom echo)의 발생 위치 또는 표면파(surface wave)와 1차 저면파 사이에 특정 결함 신호의 발생 여부를 통해 불량을 판단한다. 하지만 실제 탐상 과정에서 초음파 탐촉자의 이송 평면과 시편의 탐상 표면이 완벽한 평행과 접촉을 이루지 못하는 경우가 발생할 수 있다. 결과적으로 프로브와 표면 사이의 거리가 달라지면서 초음파 탐상 신호에 위상 차이가 발생하게 된다6). 이러한 위상 차이로 인해 표면파와 저면파를 그래프 상 특정 시점으로 간주하는 것이 어려워진다. 따라서 본 연구에서는 FSW 용접부에서 획득한 전체 UT 신호를 STFT 변환하여 이미지 형태의 스펙트로그램으로 변환하여 인공지능을 적용하였다. Fig. 4는 스팩트로그램 변환의 예시이다. CNN 모델의 특성상 이미지 내 특정 영역이 정확하게 정렬되지 않더라도 위상 변화의 영향 없이 효과적으로 패턴을 인식할 수 있으므로, 스펙트로그램 변환을 통해 초음파 탐상 데이터의 신뢰도를 향상시키고자 하였다.
STFT transformation and spectrogram generation of ultrasonic A-scan signals
본 연구에서 획득한 초음파 신호는 사용프로그램인 LabVIEW(ver. 2018) 환경에서 STFT를 이용하여 주파수 영역의 특징에 대해 분석하였다. 변환에 사용된 주요 설정값은 아래와 같다:
• 주파수 해상도 : 512 포인트 FFT 변환
• 시간 해상도 : 1 샘플 간격
• 윈도우 함수: 해닝(Hanning)
• 윈도우 크기 : 64 샘플
• 샘플링 주기 : 20 나노초(2E-8 초)
• STFT 변환에 사용된 웨이브폼 길이: 180 샘플
2.5 CNN 아키텍처 선정 및 모델 학습
일반적으로 2D CNN은 이미지나 영상과 같은 2차원 데이터를 분석하는 데 강점이 있지만, 초음파 신호 분석과 같이 시계열 특성이 중요한 경우 불필요한 연산 증가와 정보 손실이 발생할 가능성이 있다. 반면, 1D CNN은 시간 축을 따라 연속된 데이터를 처리하며, 시계열 신호의 특징을 직접 학습하는 데 최적화되어 있다. 본 연구에서는 UT A-Scan 신호를 STFT 변환하여 2D 스펙트로그램 이미지로 변환한 후, 이를 시간축을 따라 분할하여 1D 시퀀스로 입력하여 모델의 효율성을 극대화하였다. 또한, 주파수 정보의 절대적 위치가 모델 성능에 큰 영향을 미치지 않는다는 가정하에, Conv1D를 시간 축 방향으로 적용해 신호의 주요 특징을 추출하고, Transformer Encoder를 활용하여 전역적 패턴을 학습하는 방식을 도입하였다. 이러한 구조는 기존 2D CNN 대비 연산량을 대폭 절감하는 장점을 가지며, 실제 연산량 비교 결과 Conv1D-Transformer 모델의 연산량은 2D CNN 대비 약 16배 낮게 측정되었다(Table 2 참조). 이는 Conv1D가 2D CNN보다 필터 적용 방식이 단순하고, Transformer Encoder를 추가하더라도 연산량 증가가 상대적으로 작기 때문이며, 이를 통해 본 모델은 실시간 검사 환경에서도 충분한 성능을 제공하도록 설계되었다(Fig. 5 참조).
Comparison of computational complexity: 2D CNN vs. conv1D-transformer
Proposed conv1D-transformer architecture for ultrasonic spectrogram classification
-
1) 1D Convolution (Conv1D) Layers:
• UT 신호의 시간적 패턴(반복, 감쇠, 주파수 변동)을 학습하도록 8개의 Conv1D 블록을 사용.
• 각 블록은 64개의 필터, 3×1 커널을 포함하며, Batch Normalization과 ReLU 활성화 함수를 적용하여 학습 안정성을 향상
-
2) Transformer Encoder Layers:
• 다중 Self-Attention을 활용하여 스펙트로그램의 장기적 의존성을 학습
• Conv1D가 학습한 국소적 특징을 Transformer가 통합적으로 분석하는 구조
• 각 블록마다 Dropout과 Layer Normalization을 적용하여 일반화 성능을 개선
-
3) Global Average Pooling (GAP) Layers:
• 최종적으로 특징 맵을 벡터로 변환하여 Fully Connected Layer와 연결
-
4) Fully Connected Layer & Softmax Classification:
• Dense Layer를 통해 특징 벡터를 최종적으로 3개 클래스로 매핑
• Softmax 함수를 사용하여 다중 클래스 분류 수행
2.6 모델 학습 및 최적화
UT 신호 및 스펙트로그램 데이터는 양품부(soundnessess area), 불량부(defective area), 상판부(upward basemetal) 3개 클래스로 구분하여 레이블링 되었다. 이를 기반으로, CNN 모델을 활용한 자동 품질 분류 시스템을 설계하였다. 본 모델의 학습은 Adam 옵티마이저를 사용하여 최적화하였으며, 손실 함수로는 sparse categorical crossentropy를 사용하였다. 학습 과정은 다음과 같이 진행되었다(Fig. 6 참조):
Model training/optimization, and performance evaluation workflow
1) 데이터셋 구성: 총 34,000개의 데이터 샘플을 수집하여 20,000개는 훈련, 10,000개는 검증, 4,000개는 테스트 데이터로 활용
2) Optimizer 설정: 학습률은 1e-4로 설정하였으며, Adam 옵티마이저를 적용
-
3) 콜백(callback) 적용:
• 모델 체크포인트(ModelCheckpoint)를 사용하여 최적 모델 저장
• ReduceLROnPlateau를 적용하여 학습 진행 중 검증 손실이 개선되지 않을 경우 학습률 감소
-
4) 학습 설정:
• 배치 크기 : 16
• 학습 횟수 : 300
• 조기 종료: 50으로 설정하여 과적합 방지
최종적으로 학습된 모델의 성능은 테스트 데이터셋을 이용하여 평가하였으며, 불량 탐지 모델 성능을 평가하기 위해 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score를 활용하였다. 정확도는 진성양품(TN)이 높은 경우 과대 평가될 가능성이 있으므로, 본 연구에서는 미탐(FN:실제 불량을 놓치는 경우)을 최소화하는 것이 중요하다고 판단하여 정밀도와 재현율의 균형을 평가할 수 있는 F1-score를 주요 성능 지표로 사용하였다.
3. 실험 결과 및 토의
3.1 획득한 신호 처리 결과
초음파 신호의 시간-주파수 분석을 위해 STFT를 적용하여 스펙트로그램을 생성하고, 이를 통해 양품부 내 상판과 바디부의 신호 특성을 비교하였다. 본 연구에서 사용한 시편은 바디(하판)가 매우 두꺼운 형태를 가지며, 이로 인해 초음파 신호의 감쇄 특성이 일반적인 용접부와 다르게 나타난다. 건전한 용접부에서는 상판과 바디가 완전히 접합되어 초음파 신호가 내부에서 강하게 감쇄되며, 표면파를 제외한 대부분의 반사파가 탐촉자로 돌아오지 못한다. 이러한 특성으로 인해, 스펙트로그램 상에서도 저면파(backwall echo) 신호가 거의 관찰되지 않는다. 또한, 바디부는 두께가 매우 두껍기 때문에 초음파의 전파 경로가 길어지고, 내부에서 에너지가 흡수됨에 따라 특히 반사파 성분이 강하게 감쇄되는 경향이 뚜렷하다(Fig. 7 참조). 이로 인해, 동일한 건전한 용접부라도 바디부에서는 저면파 신호의 강도가 전반적으로 약하게 나타나며, 표면파 성분이 상대적으로 강조되는 특성을 보인다. 이러한 차이를 고려하여 초음파 신호의 감쇄 특성을 분석하면, 용접부 구조적 특성에 따른 신호 변화를 해석하는 데 활용할 수 있다.
Ultrasonic signal attenuation characteristics based on specimen thickness combination
Fig. 8은 용접부의 초음파 신호 및 스펙트로그램 분석을 통해 건전부, 불량부, 그리고 상판부의 신호 특성을 비교한 결과를 나타낸다.
Ultrasonic signal and spectrogram analysis for weld quality classification
Fig. 8 (a) 양품부에서는 초음파 신호가 내부에서 감쇄되면서 탐촉자로 돌아오는 반사 신호가 거의 발생하지 않으며, 스펙트로그램에서도 저면파가 관찰되지 않는다. 반면, Fig. 8 (b) 불량부는 미용착(cold joint) 계면에서 저면파가 발생하여, 스펙트로그램 상에서 일부 주파수 성분이 잔류하는 특징을 보인다. 그러나, 불량부의 경우 계면이 완전히 분리된 것이 아니라 부분적으로 용접된 상태이므로, 신호가 감쇄되면서도 상판부와는 차이를 보인다. 특히, 불량부에서는 중~고주파 대역에서 일부 에너지가 남아 있으며, 신호의 세기가 상판부보다 낮은 특징이 나타났다. Fig. 8 (c) 상판부는 UT 신호가 계면에서 반사되어 불량부와 유사한 형태의 반사 신호를 생성한다. 이는 상판부가 용접되지 않은 모재이므로 초음파가 계면에서 완전히 반사되며 탐촉자로 다시 수신되는 구조적 특징 때문이다. 하지만 불량부와 비교했을 때 신호 감쇄가 적고, 반사 신호의 강도가 상대적으로 더 높게 나타났다. 스펙트로그램을 비교한 결과, 양품부는 신호 감쇄가 커서 표면파를 제외한 대부분의 주파수 성분이 소실되었으며, 불량부와 상판부는 유사한 신호 패턴을 보이지만 감쇄 정도에서 차이가 나타났다. 특히, 불량부에서는 신호 강도가 상대적으로 낮아지는 경향이 있으며, 이는 계면에서 발생하는 불규칙한 용접 상태에 기인한 것으로 분석된다. 이러한 신호 특성을 기반으로 학습된 AI 모델은 불량부와 상판부 간의 미세한 신호 감쇄 차이를 효과적으로 학습하여 두 클래스를 구분할 수 있었다. 실제 실험 결과에서도 AI 모델이 불량부와 상판부를 높은 정확도로 구별하였으며, 스펙트로그램을 활용한 특징 추출이 불량 탐지에 유효함을 확인하였다.
3.2 A-scan 비파괴검사 결과
본 연구에서 자동 A-Scan 초음파 탐상을 통해 FSW 용접부의 품질을 판단할 수 있게 3개 클래스를 분류할 수 있는 AI 모델을 개발하였으며, 학습된 모델을 활용하여 비파괴검사를 수행하였다. 실험에는 현대자동차로부터 제공받은 단일 용접 시험편을 사용하였으며, 총 14개 지점에서 단면을 채취하여 분석을 진행하였다(Fig. 9 참조). 각 지점은 용접부의 구조적 차이를 고려하여 선정되었으며, 건전부와 불량부를 포함하도록 배치되었다. 이를 통해 AI 모델이 용접부 내 신호 특성을 정밀하게 학습하고, 결함을 효과적으로 탐지할 수 있도록 설계하였다. 이를 통해 용접부의 품질을 정량적으로 평가하고, 자동화된 초음파 탐상 기술의 적용 가능성을 검증하였다. AI 모델은 테스트 데이터셋을 대상으로 예측하였으며, 혼동 행렬(Confusion Matrix) 분석을 통해 모델의 성능을 평가하였다. 모델의 주요 성능 지표(Table 3 참조)는 다음과 같으며, 분석한 혼동 행렬의 결과로 Fig. 10과 같이 모델의 예측 성능을 시각적으로 표현하였다.
FSW weld specimen with 14 cross-sectional analysis points for ultrasonic inspection
Performance metrics of the AI-based ultrasonic inspection model
Confusion matrix for automated ultrasonic inspection model
Fig. 10에서 확인한 혼동 행렬에 대해 검토한 결과 양품부와 상판부에 대해서는 정확하게 예측 분류하였으나, 탐상 후 불량부로 분류되어야 하는 시험편 중 일부 시험편이 상판부로 분류되는 경향이 있었다. 이는 탐상한 시험편의 단면을 확인한 결과 용접되지 않은 영역이 상당수 존재하기 때문에 상판부으로 잘못 분류된 것으로 판단된다. 모델의 예측 결과를 더 정밀하게 분석하기 위해, 결과에 대해 추가적으로 가성 불량(False Positive, FP) 및 미탐(False Negative, FN)을 비교 분석하였다.
-
1) False Positive (FP, 가성 불량)
• 양품부를 불량부로 잘못 판정한 경우 → 발생하지 않음 (0%)
• 양품부의 초음파 신호가 다른 클래스와 뚜렷이 구별되는 특성으로 분석됨.
-
2) False Negative (FN, 미탐)
• 불량부를 상판부으로 잘못 판정한 경우 → 159건 (전체 불량 샘플의 약 17.5%)
• 불량부와 상판부의 신호 패턴, 물리적 특성이 유사하기 때문으로 해석됨.
특히, 미용착(Cold Joint) 부위가 존재하는 불량부는 결함 크기에 따라 용접이 이루어지지 않은 상판부와 유사한 반사 특성을 가질 가능성이 있다. 이에 따라 일부 불량부 신호가 상판부로 오분류되는 경향이 있었지만 가성 불량이 발생하지 않은 것으로 판단할 때 FSW 용접부에 대한 품질 판단을 위해 현장 적용 시 분류 성능이 높을 것으로 사료된다. 또한, 오분류된 신호 및 불량부가 존재하는 시험편 특성을 추가적으로 분석하고, 데이터 보완 및 신호 특성 강화를 통해 향후 정확도를 개선할 수 있는 가능성이 있다. 향후 연구에서는 데이터 증강 기법을 활용하여 결함 패턴 학습을 강화하고, Transformer의 Attention 메커니즘을 최적화하여 미탐을 줄이는 방향으로 개선할 수 있을 것이다. 또한, 후처리 기법을 적용하여 판별 신뢰도를 향상시키는 방안을 추가적으로 고려할 필요가 있다.
3.3 AI 프로그램 개발 결과
본 연구를 통해 자동 A-scan 초음파 탐상 데이터를 사용하여 용접부 품질을 평가할 수 있는 AI 기반 프로그램을 개발하였다. Fig. 11은 개발한 AI 기반 초음파 품질 평가 시스템의 블록 다이어그램을 보여주고 있다.
Block diagram of the AI-based ultrasonic inspection system
개발된 프로그램은 초음파 신호 획득부터 AI 품질 분석까지 자동으로 수행하는 구조로 설계되었다. 이는 클라이언트(Client)와 서버(Server)로 구성되며, 두 모듈 간 데이터는 TCP/IP 네트워크를 통해 실시간으로 전송된다. 본 구조에서 클라이언트는 경량화된 장치에서 초음파 데이터 수집과 스펙트로그램 변환만을 수행하고, 서버는 고성능 AI 연산을 수행할 수 있는 환경에서 다수 클라이언트 요구에 따라 수신된 스펙트로그램을 기반으로 품질 분석을 진행하며, 분석 결과를 클라이언트로 전송하여 최종 품질 관리자에게 제공한다. 이러한 구조를 통해 클라이언트의 연산 부담을 최소화하면서도, 다양한 요구사항에 맞춰 확장 가능한 AI 분석 환경을 구축할 수 있었다.
-
1) 클라이언트(Client) 모듈:
• 초음파 신호를 수집하고, AI 모델이 분석할 수 있도록 신호를 전처리하는 역할을 수행
• 스펙트로그램 변환을 통해 신호를 시각화하여 분석 가능하도록 변환
-
2) 서버(Server) 모듈:
• 클라이언트로부터 전송된 데이터를 기반으로 AI 모델을 사용하여 용접 품질 평가 수행
• 품질 평가 결과를 클라이언트로 다시 전송하여 시각화 및 저장 가능
Fig. 12는 개발된 프로그램의 전체 GUI를 보여주고 있으며, 측정 시험편과 위치 그리고 단면에 따라 나타나는 A-scan 신호를 볼 수 있게 하였다. 또한, 획득한 UT 신호를 SFFT 변환하여 이미지를 통해 결함의 종류를 구분할 수 있게 해주는 부분도 삽입하여 현장 작업자들이 손쉽게 검사 결과를 확보할 수 있도록 하였다.
GUI for automated ultrasonic defect detection
4. 결 론
본 연구에서 개발한 AI 기반 자동 A-scan 초음파 탐상 프로그램은 양품부, 불량부, 상판부를 높은 정확도로 자동 분류할 수 있음을 확인하였다.
1) 수집된 초음파 신호를 스펙트로그램으로 시각화하여 Transformer 기반의 경량화된 1D 컨볼루션 신경망을 통해 양품부, 불량부, 상판부로 식별하였다.
2) 개발된 신경망을 4,000개의 테스트 데이터셋으로 검증한 결과, F1-score 95.49%의 식별 성능을 가진 것으로 확인되었다.
3) 클라이언트-서버 구조를 통해 실시간 품질 분석이 가능하고 기존의 수작업 검사 방식 대비 효율적인 품질 평가를 현장에서 수행할 수 있을 것으로 판단된다.
향후 FSW 용접부의 결함 탐지 성능을 더욱 향상시키기 위해서는 추가적인 데이터 확보 및 신호 분석 기법 개선이 필요하며, 추가적인 모델 경량화 없이도 현장 적용에 적합한 성능 제공과 즉각적인 품질 판별이 요구되는 검사 공정에서 활용 가능할 것으로 기대된다.
Notes
후 기
본 연구는 2022년도 현대자동차 산학연구 및 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 “신재생에너지핵심기술개발사업” 과제의 성과입니다.(No.RS-2024-00428270)