A Study on Detecting and Monitoring of Weld Root Gap using Neural Networks

신경회로망을 이용한 용접 Root Gap 검출과 모니터링에 관한연구

  • Published : 2006.07.01

Abstract

Weld root gap is a important fact of a falling-off weld quality in various kind of weld defect. The welding quality can be controlled by monitoring important parameters, such as, the Arc voltage, welding current and welding speed during the welding process. Welding systems use either a vision sensor or an Arc sensor, both of which are unable to control these parameters directly. Therefore, it is difficult to obtain necessary bead geometry without automatically controlling the welding parameters through the sensors. In this paper we propose a novel approach using neural networks for detecting and monitoring of weld root gap and bead shape. Through experiments we demonstrate that the proposed system can be used for real welding processes. The results demonstrate that the system can efficiently estimate the weld bead shape and detect the welding defects.

일반적으로 용접 Root 캡은 여러 가지 용접 결함들 중에 용접 품질을 저하시키는 중요한 요인 중의 하나이다. Gas metal arc welding (GMAW)에서 root 갭은 용접 전류, 아크 전압, 용적률 등과 같은 여러 가지 용접 파라미터들에 영향을 미친다. 그러나 용접 공정의 비선형성 때문에 root 갭과 많은 용접 파라미터들 사이의 관계를 분석하기가 힘들다. 그리고 아크센서를 사용하였을 경우, 감지된 신호에 대한 신호처리가 어렵지만 가격이 저렴하고 자동화하기가 쉬우므로 현재의 산업공정에서 대부분 아크센서가 사용되고 있다. 지금까지 언급된 여러 가지 어려운 문제점과 아크센서의 특정 때문에 본 논문에서는 GMAW에서 root 갭을 검출할 수 있는 적당한 용접 파라미터들을 선정하고, root 캡과 선정된 파라미터들의 관계를 인식할 수 있는 신경회로망을 이용하여 root 갭 검출 시스템을 설계하였다. 또한, 용접 품질의 검사에 용접 비드형상이 중요한 요인이다. 따라서 본 논문에서는 신경회로망으로 용접 파라미터와 용접 비드형상과의 관계를 인식하여, 용접 품질을 추정하고 용접 파라미터들의 효과를 분석할 수 있는 용접 비드 형상의 실시간 모니터링 시스템을 제안하여 여러 실험 데이터들을 기반으로 한 시뮬레이션을 통해 제안된 시스템이 root 갭을 검출하고 또한 용접 비드 형상을 실시간으로 모니터링이 가능함 보여준다.

Keywords

References

  1. Kristinn Andersen, George E. Cook, 'Synchronous Weld Pool Oscillation for Monitoring and Control', IEEE Transactions on Industry Applications. Vol 33, No.2 pp. 464-471, March/April 1997 https://doi.org/10.1109/28.568011
  2. BY S. LIU and T. A. SIEWERT, 'Metal Transfer in Gas Metal Arc Welding Droplet Rate', Welding Journal, Vol.68, No.2, pp. 52-58, 1989
  3. Jacek M. Zurada, Introduction to Artificial Neural Systems, West Publishing Company, pp. 163-250,1992
  4. Siger Omatu, Mazuki Khalid and Rubiyah Yusof, Neuro-Control and its Application, Springer, pp. 96-118, pp. 134-166, 1996
  5. 안재현, 김재웅, '박판 GMA용접에서 단락 주파수를 이용한 이면비드 제어에 관한 연구', 대한용접학회지, 제 13권, 제 4호, 1995년 4월
  6. Yuedong Chen and R. Du, 'A New Method of Designing Artificial Neural Network For Engineering Monitoring and Diagnosis', Dynamic Systems and Control. Vol. 1, pp. 499-506, ASME 1994
  7. A. Matteson, R. Morris and R. Tate, 'Real-time GMAW Quality Classification using an Artificial Neural Network with Airbone Acoustic Signals as Input', Int. Conf. on Computerization of Welding Information IV, November 3-6, 1992, Orlando, Florida, pp. 189-206
  8. 김관형, 강성인, '하이브리드 지능시스템을 이용한 용접 파라메타 보상과 용접 형상 평가에 관한 연구', 한국해양정보통신학회논문지 제9권 6호, pp. 1379-1386, 2005