로봇 TIG 용접의 미래: 지능형 3D 심 트래킹 및 적응형 공정 제어 기술

이 기술 요약은 Prasad Manorathna가 2015년 Loughborough University에 제출한 박사 학위 논문 “Intelligent 3D Seam Tracking and Adaptable Weld Process Control for Robotic TIG Welding”을 기반으로 하며, STI C&D의 기술 전문가에 의해 분석 및 요약되었습니다.

키워드

Primary Keyword: 로봇 TIG 용접
Secondary Keywords: 적응형 용접, 3D 심 트래킹, 용접 자동화, 용접 공정 제어, 항공우주 용접, 지능형 로봇

Executive Summary

과제: 숙련된 용접사의 기술에 크게 의존하는 항공우주 부품의 복잡하고 정밀한 TIG 용접을 자동화하는 데에는 기존 로봇 기술의 한계가 있었습니다.
방법: 6축 산업용 로봇, 레이저 삼각 측량 센서, 용접 시스템을 통합하고, 실시간으로 용접 조인트 형상을 분석하여 용접 파라미터를 조절하는 지능형 알고리즘 기반의 폐쇄 루프 시스템을 개발했습니다.
핵심 돌파구: 개발된 로봇 시스템은 가변적인 용접 갭을 실시간으로 감지하고, 이에 맞춰 용접 전류, 듀티 사이클, 와이어 공급 속도를 자동으로 조절하여 숙련된 용접사와 유사한 수준의 고품질 용접을 성공적으로 수행했습니다.
핵심: 본 연구는 복잡한 형상과 변수가 많은 고부가가치 TIG 용접 공정에 지능형 자동화를 적용할 수 있는 실질적인 프레임워크를 제시합니다.

과제: 왜 이 연구가 CFD 전문가에게 중요한가

TIG(Tungsten Inert Gas) 용접은 다른 아크 용접에 비해 월등히 높은 품질의 결과물을 제공하여 항공우주 산업에서 광범위하게 사용됩니다. 그러나 항공우주 부품 용접은 엄격한 공차, 복잡한 3D 형상, 부품 간의 미세한 부정합(fit-up) 등 다양한 변수로 인해 자동화가 매우 어려운 분야로 남아있습니다.

현재 산업에서 사용되는 대부분의 용접 로봇은 사전 프로그래밍된 경로와 설정값에 따라 움직이는 ‘블라인드(Blind)’ 로봇입니다. 이러한 로봇은 예기치 않은 형상 변화나 갭 변동에 적응할 수 없어 항공우주 분야에서 요구하는 정밀도와 품질을 만족시키기 어렵습니다. 결국, 고가의 항공우주 부품 용접은 여전히 비용이 많이 들고 수급이 어려운 숙련된 용접사의 수작업에 의존하고 있는 실정입니다. 이러한 산업적 난제를 해결하기 위해, 용접 조인트의 형상을 실시간으로 감지하고 숙련된 용접사처럼 지능적으로 판단하여 용접 공정을 제어하는 ‘적응형 로봇 TIG 용접‘ 기술의 필요성이 절실히 요구되었습니다.

접근 방식: 연구 방법론 분석

본 연구는 지능형 적응형 로봇 TIG 용접 시스템을 구축하기 위해 하드웨어와 소프트웨어를 통합한 포괄적인 접근 방식을 채택했습니다.

핵심 장비 구성:
- 모션 제어: 6축 산업용 로봇(KUKA KR 16)을 사용하여 용접 토치와 센서의 정밀한 3D 움직임을 구현했습니다.
- 용접 시스템: 자동화 모드 제어가 가능한 Fronius Magicwave 4000 TIG 용접기와 푸시-풀(push-pull) 방식의 와이어 공급 장치를 사용했습니다.
- 3D 비전 센서: Micro-Epsilon의 레이저 삼각 측량 기반 스캐너(Scan control 2900-25)를 사용하여 용접 전 조인트의 3D 형상 데이터를 실시간으로 수집했습니다.
- 데이터 수집 및 제어: National Instruments (NI) DAQ 시스템과 HKS 용접 센서를 통해 용접 전류, 전압 등 핵심 공정 데이터를 모니터링했습니다.
시스템 통합 및 제어: 모든 하드웨어는 단일 워크스테이션(PC)에 연결되었으며, LabVIEW를 사용하여 개발된 중앙 제어 소프트웨어를 통해 통합적으로 제어되었습니다. 이 소프트웨어는 로봇 제어, 레이저 스캐너 데이터 수집, 실시간 형상 특징 추출, 용접기 파라미터 설정 등 모든 프로세스를 자동화하는 역할을 수행합니다.
2단계 접근법 (Two-Pass Approach): 항공우주 산업의 높은 품질 요구사항을 충족시키기 위해 ‘스캔 후 용접’ 방식을 채택했습니다.
1. 스캔 패스(Scan Pass): 로봇이 용접 경로를 따라 이동하며 레이저 스캐너로 조인트의 3D 형상(갭 변화, 정렬 상태 등)을 정밀하게 측정합니다.
2. 용접 패스(Weld Pass): 스캔 단계에서 얻은 형상 데이터를 기반으로, 개발된 알고리즘이 각 위치에 최적화된 용접 파라미터를 계산하고 이를 적용하여 로봇이 용접을 수행합니다.

이러한 접근법은 용접 시작 전에 조인트의 상태를 완벽하게 파악하고 지능적인 결정을 내릴 수 있게 하여, 고가의 부품을 폐기할 위험을 최소화합니다.

돌파구: 주요 연구 결과 및 데이터

본 연구는 숙련된 용접사의 기술을 정량화하고, 이를 기반으로 한 적응형 로봇 시스템의 우수성을 데이터로 입증했습니다.

결과 1: 숙련된 용접사의 기술 정량화 및 제어 전략 도출

자동화의 기반을 마련하기 위해, 연구진은 초보, 중급, 숙련된 용접사의 수동 TIG 용접 과정을 정밀하게 분석했습니다. 그 결과, 숙련된 용접사는 복잡한 용접 환경을 단순화하는 독특한 제어 전략을 사용한다는 사실을 발견했습니다.

핵심 파라미터 집중: 숙련된 용접사는 용접 전류와 와이어 공급 속도를 가장 중요한 변수로 삼아 적극적으로 제어했으며, 용접 속도나 토치 높이(전압)는 비교적 일정하게 유지했습니다 (그림 4-10, 4-17 참조).
시각적 피드백 의존: 용접 풀(weld pool)의 형태와 크기를 시각적으로 관찰하는 것이 파라미터를 조절하는 가장 중요한 피드백 메커니즘이었습니다 (그림 4-28 참조).

이러한 발견은 로봇 제어 알고리즘을 개발할 때 모든 변수를 동시에 제어하려는 복잡한 접근 대신, 가장 영향력 있는 핵심 파라미터(용접 전류, 와이어 공급 속도, 듀티 사이클)에 집중하는 것이 더 효율적이라는 중요한 단서를 제공했습니다.

결과 2: 적응형 로봇 용접 시스템의 성능 입증

연구진은 0.25mm에서 2.5mm까지 갭이 변하는 까다로운 맞대기 용접(butt joint) 시편을 사용하여 네 가지 다른 용접 접근법의 성능을 비교했습니다.

일정 파라미터 접근법: 용접 품질이 불균일하고 일부 구간에서 용접이 제대로 형성되지 않았습니다 (그림 9-14(a)).
구간별 파라미터 접근법 (산업 방식): 품질은 개선되었으나, 파라미터가 변경되는 구간에서 과도한 열 입력으로 인한 결함이 관찰되었습니다 (그림 9-14(b)).
숙련된 용접사 접근법: 만족스러운 용접 품질을 보였으나, 갭 변화에 따라 용접 비드 폭이 다소 불균일했습니다 (그림 9-14(c)).
적응형 제어 접근법 (본 연구): 개발된 시스템은 갭 변화를 실시간으로 반영하여 파라미터를 연속적으로 조절함으로써, 전체 용접 길이에 걸쳐 가장 일관된 비드 폭과 열영향부(HAZ)를 형성했습니다 (그림 9-14(d)).

인장 강도 테스트 결과, 적응형 제어 접근법으로 제작된 시편은 숙련된 용접사가 제작한 시편과 유사한 높은 기계적 강도와 연신율을 보였으며, 다른 두 접근법에 비해 월등히 우수한 성능을 나타냈습니다 (그림 9-15 참조). 이는 본 연구에서 개발한 시스템이 단순한 경로 추종을 넘어, 기계적 특성까지 고려한 고품질 용접을 수행할 수 있음을 증명합니다.

R&D 및 운영을 위한 실질적 시사점

공정 엔지니어: 본 연구의 경험적 모델(Chapter 8)은 가변 갭 용접 시 듀티 사이클, 용접 전류, 와이어 공급 속도가 품질을 결정하는 가장 중요한 제어 변수임을 보여줍니다. 이는 복잡한 용접 공정의 최적화 변수를 단순화하여 더 빠르고 효과적인 공정 개발을 가능하게 합니다.
품질 관리팀: 그림 9-15의 하중-연신율 그래프는 개발된 적응형 접근법이 숙련된 용접사와 동등한 수준의 반복 가능한 기계적 강도를 달성함을 보여줍니다. 이는 자동화된 용접 공정에 대한 새로운 품질 검사 기준을 수립하는 데 중요한 데이터가 될 수 있습니다.
설계 엔지니어: 이 시스템은 롤(roll), 피치(pitch), 요(yaw)와 같은 다양한 조인트 부정합을 정량화하고 이에 적응할 수 있습니다 (Chapter 7). 이는 설계 단계에서 제조 공차에 더 유연하게 대응할 수 있는 설계를 가능하게 하여 생산 수율을 높이는 데 기여할 수 있습니다.

논문 정보

Intelligent 3D Seam Tracking and Adaptable Weld Process Control for Robotic TIG Welding

1. 개요:

제목: Intelligent 3D Seam Tracking and Adaptable Weld Process Control for Robotic TIG Welding
저자: Prasad Manorathna
발행 연도: 2015
학술지/학회: Loughborough University (박사 학위 논문)
키워드: Robotic TIG welding, 3D seam tracking, adaptable weld process control, intelligent automation, human skill capture, empirical modelling

2. 초록:

텅스텐 불활성 가스(TIG) 용접은 다른 차폐 아크 용접 유형에 비해 고품질의 용접부를 생산하는 독특한 능력으로 인해 항공우주 분야에서 광범위하게 사용됩니다. 그러나 대부분의 TIG 용접은 수동으로 수행되며 다른 용접 기술만큼 자동화 수준을 달성하지 못했습니다. 이는 주로 공정 지식의 부족과 부품 조립 시 발생하는 불일치와 같은 복잡성에 대한 적응력 부족 때문입니다. 최근 자동화의 발전으로 센서를 통해 지능적인 의사결정이 필요한 복잡한 작업에 산업용 로봇을 사용할 수 있게 되었습니다. 항공우주 부품의 TIG 용접과 같은 응용 분야는 엄격한 공차를 요구하며, 예상치 못한 변화에 대응하고 복잡한 형상의 용접을 수행하기 위한 지능적인 의사결정 능력이 필요합니다. 이러한 의사결정 절차는 용접 프로파일 형상에 대한 피드백을 기반으로 해야 합니다.

본 논문에서는 6축 산업용 로봇(KUKA KR 16)과 레이저 삼각 측량 기반 센서(Micro-Epsilon Scan control 2900-25)를 사용하여 실시간 위치 기반 폐쇄 루프 시스템을 개발했습니다. National Instruments 데이터 수집 시스템(NI DAQ)을 사용하여 입출력 제어를 수행했습니다. 용접은 푸시-풀 와이어 공급 시스템이 장착된 Fronius Magicwave 용접 시스템을 사용하여 수행되었습니다. 프로젝트 계획, 장비 선정, 구매, 설계, 시스템 통합 및 전체 로봇 TIG 용접 셀 설정이 박사 과정 연구 작업에 포함됩니다. 본 연구에서는 3차원(3D) 용접 조인트의 조인트 프로파일을 찾고 경로를 추적하기 위한 새로운 알고리즘을 개발했습니다. 또한 실시간으로 조인트 특징을 추출하는 알고리즘도 개발되었습니다. 중요한 용접 품질 특성을 예측하고 용접 조인트 형상을 기반으로 용접 기계 설정을 추정하기 위한 경험적 모델이 개발되었습니다. 개발된 로봇 TIG 용접 시스템은 지능형 알고리즘과 함께 가변 갭 용접 조인트의 용접을 만족스러운 결과로 수행할 수 있었으며, 이는 시각적 외관, 용접 비드 치수 및 기계적 강도 면에서 숙련된 수동 용접사와 밀접하게 관련되었습니다.

이 연구는 TIG 용접의 맥락에서 제시되었지만, 이 개념은 모든 아크 용접 공정 및 로봇 실란트 적용, 스프레이 페인팅과 같은 다른 응용 분야에도 적용 가능합니다.

Figure 1-3: Intelligent and adaptable robotic TIG welding system developed by the author

3. 서론:

대부분의 현대 고부가가치 제조 시스템은 여전히 수동 작업의 기술과 유연성에 크게 의존하고 있습니다. 그러나 많은 경우, 지능형 자동화는 운영 효율성을 개선하고 사람들이 비위생적이거나 어렵고 위험한 작업 환경에서 일할 필요를 없애줌으로써 인간의 작업을 대체하는 더 유리한 대안이 될 수 있습니다. 용접은 가장 역동적이고 복잡한 제조 공정 중 하나이므로 자동화하기 어렵습니다. 산업 기반 응용 분야에서의 용접 자동화는 엔지니어들이 특정 용접 공정, 재료, 크기, 두께 및 용접 형상을 고려해야 하므로 더욱 어렵습니다. 이러한 추가 제약 조건은 자동화를 더 어렵게 만들 수 있습니다.

TIG 용접은 다른 용접 공정보다 더 많은 공정 변수를 포함하므로 자동화하기 매우 어려운 것으로 간주됩니다. TIG 용접은 우수한 용접 품질 때문에 다른 용접 공정으로 대체되기도 어렵습니다. 따라서 더 높은 정밀도와 품질이 요구되는 항공우주 부품 용접과 같은 응용 분야에서는 계속해서 TIG 용접을 사용합니다. 그러나 TIG 용접 로봇은 아직 수동 TIG 용접만큼의 높은 정밀도와 품질을 충족할 수 있는 능력이 없기 때문에, 숙련된 수동 용접사들이 여전히 고급 항공우주 부품 용접에서 주도적인 역할을 하고 있습니다. 선진국에서는 숙련 노동력이 비싸고, 이는 저임금 지역과의 지속적인 경쟁에 직면해 있어 산업계가 TIG 용접 자동화를 지속적으로 모색하게 만들었습니다.

현재 산업에서 사용되는 로봇은 형상 변화에 적응할 수 없기 때문에 “블라인드(Blind)” 용접 로봇이라고 불립니다. 센서가 광범위하게 사용되었지만, 센서 피드백은 적응성을 달성하기 위해 만족스러운 수준으로 사용되지 않았습니다. 속도, 크기, 비용 및 계산 능력과 같은 요소들이 성공적인 자동화를 달성하지 못한 주요 제한 요인이었습니다. 이는 또한 완전 자동화된 용접 로봇의 산업적 실현을 상당히 어려운 과제로 만들었습니다. 따라서 현재 용접 궤적과 용접 공정 변수는 작업자에 의해 사전 프로그래밍됩니다. 이 방법은 항공우주 부품 용접에 필요한 품질을 제공하지 못했습니다.

4. 연구 요약:

연구 주제의 배경:

TIG 용접은 항공우주 산업에서 고품질이 요구되는 핵심 공정이지만, 공정의 복잡성과 변수(부품 부정합 등)로 인해 자동화가 더디게 진행되어 왔습니다. 현재의 ‘블라인드’ 로봇 용접 시스템은 이러한 변수에 대응할 수 없어, 생산성과 품질 향상을 위해 센서 기반의 지능형 적응형 자동화 기술이 필요합니다.

이전 연구 현황:

과거 용접 자동화 연구는 주로 MIG 용접에 집중되었으며, TIG 용접 자동화에 대한 연구는 매우 제한적이었습니다. 기존 연구들은 주로 용접 공정 변수가 용접 품질에 미치는 영향을 이해하는 데 초점을 맞추었으나, 이를 실제 로봇 시스템에 적용하여 조인트 형상 변화에 실시간으로 적응하는 완전한 솔루션을 제시한 사례는 거의 없었습니다. 특히, 실제 용접 조건이 아닌 비드-온-플레이트(bead-on-plate) 기법을 사용한 연구가 많아 산업 적용에 한계가 있었습니다.

연구 목적:

본 연구의 주된 목적은 숙련된 수동 용접사와 유사한 품질로 까다로운 용접 작업을 수행할 수 있는 완전한 적응형 지능형 TIG 용접 로봇 시스템(MCRL 3 수준)을 개발하는 것입니다. 이를 위해 다음 세부 목표를 설정했습니다: 1. 수동 TIG 용접에서 인간의 기술과 지식을 정량적으로 분석. 2. 3D 레이저 스캐너의 성능을 평가하고 데이터 품질을 최적화. 3. 3D 용접 조인트 형상을 실시간으로 추출하고 정량화하는 알고리즘 개발. 4. 용접 공정 변수와 용접 품질(비드 형상, 강도) 간의 관계를 설명하는 경험적 모델 구축. 5. 조인트 형상 피드백을 기반으로 용접 파라미터를 지능적으로 선택하는 적응형 제어 전략 개발 및 검증.

핵심 연구:

본 연구의 핵심은 6축 로봇, 3D 레이저 스캐너, TIG 용접기를 통합한 폐쇄 루프 제어 시스템을 구축하고, 이를 제어하는 지능형 소프트웨어를 개발하는 것입니다. 소프트웨어는 (1) 레이저 스캔을 통해 용접 조인트의 3D 형상과 부정합(fit-up)을 정밀하게 측정하고, (2) 개발된 특징 추출 알고리즘으로 갭, 각도 등 주요 특징을 실시간으로 분석하며, (3) 사전 구축된 경험적 모델을 사용하여 각 위치의 형상에 최적화된 용접 파라미터(전류, 듀티 사이클, 와이어 공급 속도)를 지능적으로 계산하고, (4) 계산된 파라미터를 용접기에 실시간으로 전송하여 용접 품질을 제어하는 일련의 과정을 자동으로 수행합니다.

5. 연구 방법론

연구 설계:

본 연구는 세 단계로 구성된 실험적 설계를 따랐습니다. 1. 1단계 (인간 기술 분석): 수동 TIG 용접 실험을 통해 숙련도(초보, 중급, 숙련)에 따른 용접사의 공정 파라미터 제어 방식을 정량적으로 분석하고, 자동화를 위한 핵심 제어 전략을 도출했습니다. 2. 2단계 (시스템 구축 및 2D 트래킹): KUKA 로봇, Fronius 용접기, NI DAQ, 센서 등을 통합하여 기본 시스템을 구축하고, 2D 카메라를 이용한 초기 심 트래킹 기술을 개발했습니다. 3. 3단계 (3D 트래킹 및 적응형 제어): 3D 레이저 스캐너를 통합하고, 3D 특징 추출 및 심 트래킹 알고리즘을 개발했습니다. 또한, 용접 품질 예측을 위한 경험적 모델을 구축하고, 이를 기반으로 가변 갭에 대응하는 완전한 적응형 공정 제어 시스템을 완성했습니다.

데이터 수집 및 분석 방법:

데이터 수집: HKS 용접 센서와 NI DAQ 시스템을 사용하여 용접 전류 및 전압 데이터를 1kHz 샘플링 속도로 수집했습니다. Micro-Epsilon 3D 레이저 스캐너를 사용하여 용접 조인트의 3D 프로파일 데이터를 획득했습니다. 또한, 카메라를 통해 용접 과정과 토치 각도를 영상으로 기록했습니다. 용접 후 시편은 인장 시험기(INSTRON 8801)를 사용하여 기계적 강도를 측정했습니다.
데이터 분석: 수집된 데이터는 LabVIEW와 Matlab을 사용하여 분석되었습니다. 노이즈 제거를 위해 저역 통과 필터(low-pass filter)가 적용되었습니다. 용접사의 기술 분석과 용접 품질에 미치는 파라미터의 영향을 정량화하기 위해 분산 분석(ANOVA)과 같은 통계적 기법이 사용되었습니다. 타구치(Taguchi) 방법을 적용하여 최소한의 실험으로 공정 변수 간의 관계를 모델링하는 경험적 모델을 개발했습니다.

연구 주제 및 범위:

본 연구는 316L 스테인리스강 박판(1.5mm 두께)의 맞대기(butt), 겹치기(lap), 필렛(fillet) 조인트에 대한 로봇 TIG 용접을 다룹니다. 특히, 용접 갭이 0.25mm에서 2.5mm까지 변하는 가변 갭 맞대기 조인트에 대한 적응형 용접에 중점을 둡니다. 제어 대상이 되는 주요 공정 변수는 용접 전류, 배경 전류, 펄스 주파수, 듀티 사이클, 와이어 공급 속도입니다. 용접 속도, 아크 갭 등 다른 변수들은 일정하게 유지되었습니다. 연구의 핵심은 조인트 형상(특히 갭)의 변화를 감지하여 이들 핵심 변수를 실시간으로 최적화하는 것입니다.

6. 주요 결과:

주요 결과:

본 연구를 통해 개발된 지능형 로봇 TIG 용접 시스템은 가변 갭 맞대기 조인트 용접에서 숙련된 용접사와 유사하거나 더 일관된 용접 품질을 달성했습니다.
분산 분석(ANOVA) 결과, 용접 비드 형상과 강도에 가장 큰 영향을 미치는 파라미터는 듀티 사이클, 용접 전류, 와이어 공급 속도 순이었으며, 배경 전류와 펄스 주파수의 영향은 미미했습니다. 이는 제어 문제의 복잡성을 줄이는 데 중요한 단서를 제공했습니다.
타구치 방법을 사용하여 개발된 상호작용(interaction) 다항식 모델은 용접 비드 폭, 높이, 용입 및 인장 강도를 높은 정확도(R² 값 0.83~0.99)로 예측할 수 있었습니다.
3D 레이저 스캐너 성능 평가를 통해, 최적의 데이터 품질을 얻기 위한 조건(스탠드오프 거리 67-68mm, 노출 시간 1-2ms, 임계 입사각 15°-25° 회피 등)을 확립했습니다.
개발된 3D 특징 추출 알고리즘은 노이즈나 데이터 손실이 있는 상황에서도 V, U, I 형상의 용접 조인트 특징을 x축에서 ±38µm, z축에서 ±127µm의 최대 평균 제곱 오차(MSE)로 정확하게 추출했습니다.
4가지 용접 접근법(일정 파라미터, 산업(구간별), 숙련 용접사, 적응형 제어) 비교 결과, 본 연구에서 제안한 적응형 제어 방식이 가장 균일한 비드 형상과 열영향부를 보였으며, 기계적 강도 또한 숙련 용접사와 동등한 수준으로 가장 우수했습니다.

Figure 4-8: Butt weld completed by a semi-skilled welder (a) welding current and voltage variation against time, (b) top view of the weld, (c) bottom view of the weld

Figure List:

Figure 1-1: An image of an aero-engine section showing important parts
Figure 1-2: Manufacturing capability readiness levels
Figure 1-3: Intelligent and adaptable robotic TIG welding system developed by the author
Figure 1-4: Project plan
Figure 2-1: Robot work volume
Figure 2-2: Stereo vision principle
Figure 2-3: Laser scanner principle
Figure 2-4: TIG welding principle
Figure 2-5: First welding robot developed by ABB (IRB 6)
Figure 2-6: Collaborative robotic welding
Figure 2-7: Underwater welding
Figure 2-8: human-robot collaboration in welding
Figure 2-9: Stereo vision system correcting for path
Figure 2-10: Laser scanner inspecting prior to welding
Figure 3-1: Summarized system integration diagram
Figure 3-2: CAD design of the welding cell
Figure 3-3: Photographic view of the welding equipment (a) Fronius Magicwave 4000 welding machine (b) Wire feeder unit
Figure 3-4: Different welding torches used for different phases of the project (a) Manual welding torch, (b) Robocta TTW 4500 robotic torch
Figure 3-5: NI DAQ card and PXIe chassis system
Figure 3-6: Hall effect current sensor (a) Hall effect principle, (b) HKS process sensor
Figure 3-7: Principal of welding voltage sensing
Figure 3-8: Block diagram for NI DAQ system integration with the PC
Figure 3-9: Signal channels without noise filtering at dwell state (a) Welding current signal in frequency domain, (b) Welding voltage channel in frequency domain
Figure 3-10: process parameters at dwell state
Figure 3-11: process parameters during welding
Figure 3-12: Current and voltage signals in frequency domain (a) welding current during welding, (b) welding voltage during welding
Figure 3-13: Acquired signals after applying filtering
Figure 3-14: Welding spectrum
Figure 3-15: (a)Band-pass filter, (b) lens and camera
Figure 3-16: Camera with illumination source for weld area viewing
Figure 3-17: The triangulation principle of laser scanners
Figure 3-18: The triangle shape of the scanning beam
Figure 3-19: KUKA KR16 robot and robot coordinate systems
Figure 3-20: Network connection diagram
Figure 3-21: System integration diagram
Figure 3-22: Control diagram of the system
Figure 3-23: Welding fixture
Figure 3-24: Software integration diagram
Figure 3-25: 3D Seam tracking software module
Figure 3-26: Sensor feedback software module
Figure 3-27: 3D Feature extraction software module
Figure 3-28: Weld process control software module
Figure 4-1: Output of manual and robotic welding
Figure 4-2: System diagram of the experimental setup (a) block diagram, (b) image of the physical set-up
Figure 4-3: Three weld joint selected for testing (a) Butt joint, (b) Lap joint, (c) Fillet joint
Figure 4-4: An image of the camera setup for testing a welder
Figure 4-5: Torch and filler wire position definition
Figure 4-6: Typical welding diagram
Figure 4-7: Butt weld completed by a novice welder (a) welding current and voltage variation against time, (b) top view of the weld, (c) bottom view of the weld
Figure 4-8: Butt weld completed by a semi-skilled welder (a) welding current and voltage variation against time, (b) top view of the weld, (c) bottom view of the weld
Figure 4-9: Butt weld completed by a skilled welder (a) welding current and voltage variation against time, (b) top view of the weld, (c) bottom view of the weld
Figure 4-10: Average welding current used by different welders
Figure 4-11: Standard deviation in welding current for different welders
Figure 4-12: Different manual welding techniques (a) pulse created by the manual welder from the foot pedal, (b) normal welding technique used by welders
Figure 4-13: Pictures of bottom side for different weld techniques (a) pulsed current, (b) constant current
Figure 4-14: Indirect effect of pulsing on the voltage signal
Figure 4-15: Average voltage measured for different skill levels
Figure 4-16: Standard deviation in voltage for different skill levels
Figure 4-17: Average welding speed maintained by different welders
Figure 4-18: Effect of welding speed on weld finish (a) Higher speed (b) average speed used by a skilled welder
Figure 4-19: Filler wire feed frequency and consumption rate for different welders (a) filler wire feed frequency, (b) filler wire consumption rate
Figure 4-20: (a) Globular droplets from melting the wire from the arc (b) a weld performed by feeding the wire in to the melt pool
Figure 4-21: Torch stand-off distance for different welders
Figure 4-22: Images taken for different skill levels (a) novice welder, (b) semi-skilled welder, (c) skilled welder
Figure 4-23: Torch/filler wire orientation
Figure 4-24: Average current variation against joint type
Figure 4-25: Average voltage against joint type for different welders
Figure 4-26: Filler wire consumption rate for different weld joints
Figure 4-27: Welding speeds used for different weld joint types
Figure 4-28: Decision making criteria for critical tasks identified in TIG welding
Figure 4-29: Sample weld joint to check human adaptability
Figure 4-30: Experimental results of welding corners (a) welded sample, (b) trial-1, (c) trial-2, (d) trial-3
Figure 5-1: Photographic view of the experimental set-up
Figure 5-2: Photographic view of the Scan-control software
Figure 5-3: Calibration samples (a) feeler gauge set, (b) slip gauge set
Figure 5-4: Specified and measured working ranges of the laser scanner (a) specified laser scanner span, (b) actual span
Figure 5-5: Setup for vertical resolution measurement
Figure 5-6: Percentage error in measurements along z-axis
Figure 5-7: Setup measuring a metric feeler gauge and percentage error in measurements
Figure 5-8: Percentage error along the x-axis of the laser scanner
Figure 5-9: Percentage error against exposure time
Figure 5-10: Percentage error in measurements for checking repeatability
Figure 5-11: Measurement error at different illumination conditions
Figure 5-12: Inappropriate data from a laser scanner
Figure 5-13: Number of missing data points against stand-off distance
Figure 5-14: Arrangement for measurements at different steepness angles
Figure 5-15: Results of number of missing data points measured against steepness angle
Figure 5-16: Data at various steepness angles
Figure 5-17: Arrangement for measurements at different incidences angles
Figure 5-18: Raw images obtained from the laser scanner at different incidence angles
Figure 5-19: Effect of incidence angle on data acquisition
Figure 5-20: Effect of incidence angle on data acquisition (a) number of noisy data points (b)noisy data percentage
Figure 5-21: Different surface finished samples
Figure 5-22: Results obtained for different surface finish
Figure 5-23: Raw images captured at different exposure levels
Figure 5-24: Effect of exposure time on data acquisition (a) number of noisy data points (b) noisy data percentage
Figure 5-25: U-groove for finding optimum exposure time
Figure 5-26: Missing and noisy data percentage against exposure time
Figure 5-27: Data acquisition performance against specified threshold value (a) number of noisy data points (b) noisy data percentage
Figure 6-1: Experimental setup used for joint feature extraction
Figure 6-2: Photographic view of the experimental setup
Figure 6-3: Sequence of operations for robotic scanning and feature extraction
Figure 6-4: Sample weld groove types used for feature extraction (a) I groove, (b) V groove, (c) U groove
Figure 6-5: Features to be extracted from a weld joint
Figure 6-6: Data cropping process for outlier removal (a) data cropping process (b) resulting data
Figure 6-7: Gradient values along the 2D point cloud (dy/dx)
Figure 6-8: horizontal offsets between two consecutive laser points (dx)
Figure 6-9: Extracted feature points (.)
Figure 6-10: Feature extraction steps for the U-groove (a) raw data, (b) cropped data, (c) gradient (dy/dx), (d) Offset between consecutive laser points (dx), (e) extracted feature points (.)
Figure 6-11: Feature extraction of a I-butt joint (a)raw data, (b) dx, (c) Detected points (*)
Figure 6-12: Continuous weld groove edge and detected noisy data point
Figure 6-13: Filtering applied in both x and z axis separately (a) x-y raw data, (b) x-y data after filtering, (c) x-y data after fitting, (d) y-z raw data, (e) y-z data after outlier removal, (f) y-z data after fitting
Figure 6-14: Extracted feature points (a) raw data, (b) fitted data
Figure 6-15: Possible joint configurations
Figure 6-16: Roll angle measurement (a) physical set-up, (b) roll angle
Figure 6-17: Roll angle measurement along the weld joint
Figure 6-18: Pitch angle measurement (a) physical set-up, (b)pitch angle
Figure 6-19: Line fitting for pitch angle measurement
Figure 6-20: Yaw angle measurement (a) physical set-up, (b) yaw angle
Figure 6-21: Line fitting for yaw angle measurement
Figure 6-22: Vertical offset measurement (a) physical set-up, (b) vertical offset
Figure 6-23: Vertical offset measurement along the weld joint
Figure 6-24: Extracted features of selected weld joint type (a) I-groove, (b) V-groove, (c) U-groove
Figure 6-25: Mean square error in detected points for different groove types
Figure 6-26: Gap measurements (a) physical setup (b) gap measured between top edges, (c) gap measured between bottom edges (b)
Figure 6-27: Gap measurements using feature detection algorithms
Figure 6-28: extracted points at roll orientation
Figure 6-29: Average roll angle measurement accuracy (a) absolute error, (b) percentage error
Figure 6-30: extracted points at pitch orientation
Figure 6-31: Pitch angle measurement accuracy (a) absolute error, (b) percentage error
Figure 6-32: extracted points at yaw orientation
Figure 6-33: yaw angle measurement accuracy (a) absolute error, (b) percentage error
Figure 6-34: extracted points at vertical offset orientation
Figure 6-35: vertical offset measurement accuracy (a) absolute error, (b) percentage error
Figure 6-36: Feature extraction in I and U grooves at various joint fit-ups
Figure 7-1: Coordinate systems in the robotic welding system
Figure 7-2: 2D seam tracking setup
Figure 7-3: 2D seam tracking sequence
Figure 7-4: 2D image processing for seam tracking (a) image processing sequence, (b) detected edges
Figure 7-5: 2D seam tracking results
Figure 7-6: Mean square error in x-y coordinates in 2D seam tracking
Figure 7-7: Setup for checking gap sensing performance
Figure 7-8: Results of 2D gap sensing
Figure 7-9: Seam tracking methodology in x-axis
Figure 7-10: Diagram showing the point used for seam tracking
Figure 7-11: Software operating sequence for 3D seam tracking
Figure 7-12: Look-ahead distance
Figure 7-13: Torch placement during seam tracking for robotic welding
Figure 7-14: Points used for guiding the welding torch (a) I-groove, (b) V-groove, (c) U-groove
Figure 7-15: Seam tracking performed at various joint fit-ups (a) roll, (b) pitch, (c) yaw, (d) vertical offset, (e) horizontal offset
Figure 7-16: Seam tracking performance check for possible joint fit-ups (a) horizontal offset, (b) vertical offset, (c) roll, (d) pitch, (e) yaw
Figure 7-17: Seam tracking performed on some complex paths (a) complex 2D, (b) 3D curve, (c) sinusoidal
Figure 7-18: Robotic welding procedure
Figure 7-19: Robotic welding system with fixture
Figure 7-20: Robotic welding results for all possible joint fit-ups (a) roll angle of 0.5˚, (b) pitch angle of 0.5˚, (c) yaw angle of 0.5˚, (d) vertical offset of 0.5mm, (e) horizontal offset of 0.5mm
Figure 8-1: Weld input out parameters
Figure 8-2: Weld bead parameters
Figure 8-3: Pulsing parameters
Figure 8-4: Method of measuring weld bead parameters (a) measurement of bead parameters from Scan-control software, (b) method of obtaining average value
Figure 8-5: Tensile testing machine
Figure 8-6: Specimen preparation for tensile testing
Figure 8-7: Load-extension graph and important parameters extracted
Figure 8-8: Weld bead measurements against welding current
Figure 8-9: Weld bead measurements against background current
Figure 8-10: Weld bead measurements against pulse frequency
Figure 8-11: Weld bead measurements against duty cycle
Figure 8-12: Weld bead measurements against wire feed rate
Figure 8-13: Mathematical model development procedure
Figure 8-14: Results from ANOVA test for two L8 table for weld bead dimensions (a) Bead width : Y1, (b) Penetration : Y2, (c) Bead height : Y3
Figure 8-15: F-value obtained from L8 Table
Figure 8-16: Results from ANOVA for L25 table for weld bead dimensions (a) bead width : Y1, (b) penetration : Y2, (c) bead height : Y3
Figure 8-17: F-values obtained from L25 table
Figure 8-18: Results from ANOVA for weld strength (a) load at maximum tensile extension: Y4, (b) maximum load:Y5, (c) load at break:Y6
Figure 8-19: F-values obtained for tensile strength
Figure 8-20: Actual and predicted results of weld bead dimensions using interaction model (a) Actual () and predicted () results of weld bead width, (b) Actual () and predicted () results of weld bead height, (c) Actual () and predicted () results of weld penetration
Figure 8-21: Actual () and predicted () results of tensile strength using interaction model
Figure 8-22: Results of bead width prediction from validation experiments
Figure 8-23: Results of bead height prediction from the validation experiments
Figure 8-24: Results of penetration prediction from the validation experiments
Figure 8-25: Results of tensile strength prediction from the validation experiments
Figure 9-1: Robotic welding system setup to carry out welding on a variable butt gap joint
Figure 9-2: Effect of process parameters on bead width
Figure 9-3: Cross-sectional profile of an irregular profile weld joint
Figure 9-4: Adjacent cross sectional profiles showing respective cross sectional area
Figure 9-5: Important parameters in the weld pool used for control
Figure 9-6: Methodology for adaptive welding
Figure 9-7: Best process parameters obtained against set gap
Figure 9-8: Adaptive weld process parameter control (a) welding current, (b) duty cycle, (c) wire feed rate
Figure 9-9: Selection of regions for robotic welding
Figure 9-10: Methodology of finding weld process parameters
Figure 9-11: Welding current variation along variable gap
Figure 9-12: Wire feed rate variation along variable gap
Figure 9-13: Welding speed variation along variable gap
Figure 9-14: Photographic views of the representative welds carried out using different approaches (a) Constant process parameter approach, (b) Segmented parameter (industrial) approach, (c) Skilled welder’s approach, (d) Adaptive control approach
Figure 9-15: Load-extension graphs obtained for welds carried out with industrial approach and continuous welding
Figure 10-1: Developed robotic TIG welding system as part of the work carried out for the PhD

7. 결론:

본 논문에서는 지능형 심 트래킹과 적응형 용접 공정 제어 기능을 갖춘 새로운 TIG 용접 로봇을 성공적으로 개발했습니다. MCRL 3 수준의 이 시스템은 산업계의 요구를 충족시키기 위한 연구 결과를 실제 적용 가능한 수준으로 끌어올렸습니다.

인간 행동 분석: 숙련된 용접사는 용접 전류와 와이어 공급 속도를 우선적으로 제어하여 공정을 단순화한다는 것을 발견했으며, 이는 지능형 자동화의 제어 로직을 단순화하고 효율화하는 데 중요한 통찰을 제공했습니다.
3D 비전 및 알고리즘: 3D 레이저 스캐너의 성능을 최적화하고, 개발된 3D 특징 추출 알고리즘을 통해 다양한 조인트 형상과 부정합을 µm 수준의 정밀도로 실시간 정량화하는 데 성공했습니다.
수학적 모델 및 적응형 제어: 용접 공정 변수와 품질 특성 간의 관계를 규명하는 경험적 모델을 구축했으며, 이를 기반으로 한 역전파 알고리즘은 가변 갭 용접에서 용접 파라미터를 지능적으로 선택하고 제어할 수 있음을 입증했습니다.
성능 검증: 제안된 적응형 용접 접근법은 기존의 일정 파라미터 방식이나 산업에서 사용하는 구간별 제어 방식보다 월등히 우수한 용접 품질을 보였으며, 그 결과는 숙련된 용접사의 결과와 동등하거나 일부 측면(일관성)에서는 더 나은 성능을 보였습니다.

결론적으로, 본 연구는 가변적인 갭을 가진 맞대기 용접을 자동으로 수행하는 것이 가능함을 보여주었으며, 지능적이고 적응적인 로봇 TIG 용접을 위한 방법론과 잠재력을 성공적으로 시연했습니다.

8. 참고문헌:

전문가 Q&A: 주요 질문과 답변

Q1: 왜 실시간 단일 패스(single-pass) 방식이 아닌, ‘스캔 후 용접’의 2단계(two-pass) 접근법을 선택했습니까?

A1: 항공우주 산업에서는 고가의 재료를 사용하므로 용접 실패로 인한 부품 폐기는 막대한 비용 손실을 초래합니다. 본 연구에서 채택한 2단계 접근법은 용접을 시작하기 전에 레이저 스캐너로 전체 용접 조인트의 형상을 정밀하게 분석할 수 있게 해줍니다. 이를 통해 시스템은 갭 변화, 부정합 등 모든 변수를 사전에 파악하고 지능적인 판단을 내릴 수 있어 용접 실패 위험을 최소화하고 최고 품질의 용접을 보장할 수 있습니다. (Chapter 7 참조)

Q2: 연구 결과, 배경 전류와 펄스 주파수가 용접 비드 형상에 미치는 영향이 미미하다고 나왔습니다. 그렇다면 이 파라미터들은 중요하지 않은 것인가요?

A2: 비드 형상에 대한 영향은 상대적으로 적었지만, 용접 강도에 대한 분산 분석(ANOVA) 결과(Figure 8-19)에서는 이 두 파라미터가 주 용접 전류나 듀티 사이클보다는 낮지만 무시할 수 없는 영향을 미치는 것으로 나타났습니다. 이는 용접 품질이 단순히 기하학적 형상뿐만 아니라 기계적 특성까지 고려해야 하는 복합적인 문제임을 보여주며, 최적화 목표에 따라 각 파라미터의 중요도가 달라질 수 있음을 시사합니다.

Q3: 특히 반짝이는 표면에서 레이저 스캐너의 노이즈나 데이터 손실 문제는 어떻게 처리했습니까?

A3: 두 가지 방식으로 접근했습니다. 첫째, 사전 실험(Chapter 5)을 통해 반짝이는 스테인리스강 표면에서 최적의 데이터 품질을 얻을 수 있는 레이저 스캐너 설정값(예: 노출 시간 1-2ms, 스탠드오프 거리 67-68mm, 임계 입사각 회피)을 찾아냈습니다. 둘째, 그럼에도 불구하고 발생하는 노이즈 데이터는 3D 포인트 클라우드를 처리하는 후처리 필터링 알고리즘(Chapter 6)을 통해 제거했습니다. 이 알고리즘은 연속된 포인트 간의 예상 변위 임계값을 초과하는 이상치(outlier)를 효과적으로 걸러냅니다.

Q4: 숙련된 용접사의 작업을 분석하여 얻은 가장 핵심적인 교훈은 무엇이었습니까?

A4: 가장 큰 교훈은 숙련된 용접사가 복잡한 TIG 용접 공정을 ‘단순화’하여 제어한다는 점입니다. 그들은 모든 파라미터를 동시에 미세 조정하는 대신, 용접 품질에 가장 큰 영향을 미치는 핵심 파라미터(주로 용접 전류와 와이어 공급 속도)를 우선적으로 제어하고 나머지 변수(용접 속도 등)는 비교적 일정하게 유지했습니다. 이 원칙은 로봇의 적응형 제어 알고리즘 개발에 직접적으로 적용되어, 제어 변수의 수를 줄이고 알고리즘의 안정성과 효율성을 높이는 데 결정적인 역할을 했습니다. (Chapter 4 참조)

Q5: 가변 갭에 대응하기 위해 용접 파라미터를 조절하는 적응형 모델(수식 9.12-9.14)은 어떻게 도출되었습니까?

A5: 이 모델은 실험 데이터 기반의 역전파(back-propagation) 방식으로 도출되었습니다. 먼저, 다양한 크기의 알려진 갭(0.25mm ~ 2.5mm)을 설정하고 각 갭에서 최상의 용접 결과를 내는 용접 전류, 듀티 사이클, 와이어 공급 속도의 조합을 실험적으로 찾았습니다. 이 데이터들을 그래프로 나타내자 갭 크기와 각 파라미터 값 사이에 뚜렷한 선형 관계가 나타났습니다(Figure 9-7). 이 선형 추세선을 분석하여 갭 크기를 입력하면 최적의 파라미터 값을 예측하는 간단하면서도 강력한 선형 방정식을 유도할 수 있었습니다.

결론: 더 높은 품질과 생산성을 향한 길

본 연구는 숙련된 용접사의 노하우와 첨단 센서 기술을 결합하여 고부가가치 산업의 오랜 난제였던 로봇 TIG 용접 자동화의 새로운 가능성을 열었습니다. 용접 조인트의 3D 형상을 실시간으로 분석하고, 경험적 모델을 통해 최적의 파라미터를 지능적으로 도출하는 이 적응형 시스템은 기존의 경직된 로봇 용접 방식의 한계를 극복하는 청사진을 제시합니다. 이는 단순히 사람의 작업을 모방하는 것을 넘어, 데이터에 기반한 일관성과 정밀도를 통해 수동 용접보다 더 안정적인 품질을 달성할 수 있는 잠재력을 보여주었습니다.

STI C&D는 최신 산업 연구 결과를 적용하여 고객이 더 높은 생산성과 품질을 달성할 수 있도록 돕는 데 전념하고 있습니다. 이 논문에서 논의된 과제가 귀사의 운영 목표와 일치한다면, 저희 엔지니어링 팀에 연락하여 이러한 원칙을 귀사의 부품에 어떻게 구현할 수 있는지 논의해 보시기 바랍니다.

(주)에스티아이씨앤디에서는 고객이 수치해석을 직접 수행하고 싶지만 경험이 없거나, 시간이 없어서 용역을 통해 수치해석 결과를 얻고자 하는 경우 전문 엔지니어를 통해 CFD consulting services를 제공합니다. 귀하께서 당면하고 있는 연구프로젝트를 최소의 비용으로, 최적의 해결방안을 찾을 수 있도록 지원합니다.

연락처 : 02-2026-0450
이메일 : flow3d@stikorea.co.kr

저작권 정보

이 콘텐츠는 Prasad Manorathna의 논문 “Intelligent 3D Seam Tracking and Adaptable Weld Process Control for Robotic TIG Welding”을 기반으로 한 요약 및 분석 자료입니다.
출처: Loughborough University Institutional Repository (https://repository.lboro.ac.uk/articles/thesis/Intelligent_3D_seam_tracking_and_adaptable_weld_process_control_for_robotic_TIG_welding/9585041)

PDF View