은닉 마르코프 모델을 이용한 레이저 용접부의 용접 결함 감지 기술 연구 = Fault Detection Method of Laser Weld using Hidden Markov Model

국문 초록 (Abstract)

본 논문은 레이저 용접부의 품질 관리를 위한 새로운 용접 결함 감지 기술의 적용을 소개한다. 레이저 용접 공정에서는 레이저 용접 장치의 오작동으로 인해 제품이 용접이 되지 않는 미용접 결함과 용접 로봇과 용접 유닛 내부 턴테이블의 공차로 인해 용접선이 어긋나 발생하는 디센터(de-center) 결함, 그리고 다양한 요인으로 인한 용접 불량과 같은 결함이 발생한다. 이러한 결함은 제품의 내구성에 심각한 문제를 초래할 수 있으며 결과적으로 경제적, 인명적 피해를 야기할 수 있다. 레이저 용접의 특성상 용접기의 전류, 전압 출력으로부터 결함 발생을 감지할 수 없기 때문에 용접 공정 후 별도의 측정을 통해 결함을 감지해야 한다. 이러한 레이저 용접 부품의 제조 현장에서는 생산 공정을 자동화하여 대량생산을 하고 있지만 효율적인 전수 검사 기술의 미비로 인하여 일부 제품에 한정된 샘플 육안 검사를 실시하고 있다. 따라서 현장에서는 용접 결함에 의한 불량품 발생을 방지하기 위한 전수검사 시스템을 도입 할 목적으로 3-D비전을 이용한 용접부 검사 기법[1]과 용접부 단면 측정을 이용한 검사 기법[2]을 시험 적용 중에 있으나 검사 결과와 불량품 사이의 상관관계가 낮아 효과적인 검사에 어려움이 있다. 본 연구에서는 제품에 불량용접 이나 미용접, 디센터 결함이 발생하는 것을 감지할 수 있는 전수검사가 가능한 시스템을 개발하여 현재 시험 적용 중에 있다.
본 연구의 용접 품질 검사 시스템은 용접 비드 중앙, 내측 0.4 mm, 외측 0.4 mm 지점에 위치한 3개의 변위 레이저 센서를 이용하여 용접부의 표면 거칠기를 측정 하고 미리 학습된 연속 은닉 마르코프 모델(continuous Hidden Markov Model, 이하 CHMM)과 진단하고자 하는 신호의 라이클리후드(likelihood) 값 변화를 이용하여 용접 품질을 평가하는 방법이다. 제안된 방법은 학습된 각 모델에 대한 라이클리후드를 계산해 진단하기 때문에 판정에 정상 상태 데이터와 찾고자 하는 모든 종류의 결함 데이터를 필요로 하는 다른 방법들과 다르게 이상 데이터가 없어도 정상상태의 데이터만을 이용하여 학습한 정상모델의 라이클리후드 변화로 결함 발생의 감지가 가능하다.[3] 또한 미용접과 같이 특정 결함의 경우 미용접 신호로부터 학습된 미용접 CHMM에 측정된 신호를 적용하여 계산한 라이클리후드 값의 변화를 관찰하는 것으로 부터 용접 유무 여부도 감지가 가능하다. 그리고 미리 학습된 각 위치의 정상용접 CHMM에 내측과 외측 0.4 mm 지점에 위치한 추가적인 2개의 변위 레이저 센서를 이용해 측정된 신호를 적용한 라이클리후드 값의 변화로부터 디센터 결함을 감지할 수 있다.
본 논문에서는 제안된 방법의 진단 성능을 시뮬레이터를 이용해 검증하였으며 이를 현장에 적용하기 위해 모델링 조건과 측정 환경을 최적화 하였다.

다국어 초록 (Multilingual Abstract)

In laser welding process, real-time monitoring of weld quality is impossible because we cannot measure the output of a laser welding machine. Therefore, fault detection method has to be applied after laser welding process. Visual inspection method has been used in industry but has drawback of application limits on every product because of inspector’s fatigue. Thus, some automatic inspection methods, which are based on measurement of weld bead in transverse direction using laser displacement sensor and method based on image processing, have been attempted for inspection to all products. But poor diagnostic performance of existing methods has been a huge roadblock for industry adoption. Authors suggest a new laser weld fault detection method using Hidden Markov Model(HMM) to overcome the drawbacks of existing methods. Surface roughness is measured from the center of weld bead along the weld line using laser displacement sensor. For feature vector extraction method of surface roughness signal, coefficients of auto-regressive model were adopted. By observing the likelihood change of normal HMM on selected data, which is trained from the feature vectors of normal weld region, weld defect can be precisely detected. Unlike other monitoring methods, proposed method is able to detect laser weld defect with likelihood change of only normal model. If defect modeling is available, specific defect type can also be identified. Also, by applying two additional laser displacement sensors, which are placed left and right side of center welding line, welding line misalignment defect can be detected. Performance of proposed method has been proved by applying to laser welded mechanical part of auto-transmission.