용접 공정을 위한 AI로 가는 길
2023년 5월 12일
14:44
Amada Weld Tech의 Mark Boyle은 인공 지능(AI) 및 기계 학습(ML) 알고리즘을 구현하여 제조 현장의 생산 라인을 통한 자재 흐름을 결정하고 부품을 적시에 적절한 장소에 할당하여 처리량을 향상시키는 방법에 대해 설명합니다. 수익을 극대화하기 위해 어떤 제품을 만들어야 할지 예측합니다.
개발의 핵심 영역 중 하나는 용접 공정 모니터링입니다. AI/ML을 사용하여 저항 또는 레이저 용접 제조 공정을 직접 살펴보고 성공 여부를 판단합니다. 여기에는 방출된 물리적 신호 배열을 기록하고 분석하는 작업이 포함되며 이를 수집하기 위한 고해상도 센서(용접 시간은 밀리초 단위일 수 있음)뿐 아니라 방대한 양의 데이터를 내보내고 분석하기 위한 인프라도 필요합니다. .
이 블로그 게시물에서는 오늘날 제조 분야에서 레이저 용접 공정을 위한 AI로의 길을 닦는 세 가지 주요 개발 영역과 한 가지 보조 영역을 살펴보겠습니다. 이러한 발전은 공정 중에 일어나는 일에 대한 더 깊은 이해를 촉진하여 품질과 수율을 향상시킵니다.
그림 1 – 용접 공정을 위한 인공 지능 및 기계 학습으로 전환하려면 고해상도 데이터 수집, 고속 데이터 처리 및 데이터 분석 및 사용을 위한 AI/ML 알고리즘이 필요합니다. 데이터 보안의 담보 분기는 네트워크에 프로세스 모니터를 배치할 때 필요한 논리적 추가 단계입니다.
프로세스의 첫 번째이자 아마도 가장 중요한 부분은 수집, 디지털화 및 저장을 포함하는 데이터 수집입니다.
저항 및 레이저 용접 공정은 작은 부품의 경우 1000분의 1초밖에 걸리지 않지만 매우 짧은 시간 내에라도 용접 성공에 대한 귀중한 정보를 얻을 수 있는 역학이 있습니다. 따라서 데이터 캡처 해상도는 마이크로초 단위로 특징을 수집할 수 있을 만큼 높아야 합니다. AI/ML 알고리즘의 경우 데이터 세트가 풍부할수록(해상도가 높을수록) 알고리즘이 좋은 것부터 나쁜 것까지 더 정확하게 정렬할 수 있습니다. 해상도의 중요성에 대해 자세히 살펴보겠습니다.
아래의 그림 2는 시간이 지남에 따라 센서에 의해 수집된 용접부의 물리적 신호를 보여줍니다. 데이터가 낮은 샘플링 속도(상단 중앙)에서 수집되면 출력(오른쪽 상단)은 곡선 중앙에 나타나는 이상치 특징을 놓치는 계단식 신호입니다. 이로 인해 용접 불량이 양호로 간주되거나 불량할 수 있습니다. 그 반대. 그러나 샘플링 속도가 높으면(하단 중앙) 출력에서 실제 신호가 더 잘 재구성되고(오른쪽 하단) 해당 이상값이 발견됩니다. 신호 레벨의 경우에도 마찬가지입니다. 신호의 해상도가 높을수록 용접 프로세스 중에 발생하는 실제 물리적 신호를 더 잘 재구성할 수 있습니다.
그림 2 – 고해상도 데이터는 물리적 신호를 정확하게 재구성하고 해석하는 데 핵심입니다. 이 그림에서는 낮은 샘플링 속도와 높은 샘플링 속도, 그리고 특징 캡처에 미치는 영향을 보여줍니다.
이것이 왜 그렇게 중요합니까? 품질에 대한 예측을 할 때 데이터가 많을수록 결과가 더 정확해집니다. 곡선 중앙의 순간이 성공적인 용접의 주요 지표라면, 그 존재를 확인하려면 더 높은 해상도의 신호가 필요하다는 것은 분명합니다.
공평하게 말하면 위 예의 곡선은 매우 간단하며 숙련된 프로세스 엔지니어라면 좋은 용접과 나쁜 용접을 쉽게 선택할 수 있습니다. 그러나 실제로는 곡선이 훨씬 더 복잡하며 측정된 곡선의 특정 부분과 용접 성공 사이의 상관 관계가 명확하지 않습니다. 여기에서 AI/ML 알고리즘을 사용하여 다양한 방법으로 데이터를 구문 분석하고 추세를 해제하여 새로운 상관 관계를 찾을 수 있습니다. 여기서 테이크아웃을 합니까? 고해상도 데이터는 AI/ML 알고리즘에서 더 나은 결과를 산출합니다.
그러나 고해상도 데이터를 수집하는 것은 센서에서 로컬 스토리지 또는 원격 네트워크 스토리지로 전송해야 할 때 문제가 됩니다. 해상도와 채널 수에 따라 이는 초당 수 메가비트로 해석될 수 있습니다. 이를 위해서는 인터넷을 통한 고속 데이터 전송과 생산 전반에 걸쳐 이러한 양의 정보를 지속적으로 수용할 수 있는 빠른 쓰기 속도의 하드 드라이브가 필요합니다.