플라즈마 아크 용접(PAW) 최적화: Taguchi 기법과 그레이 관계형 분석을 통한 용접 강도 1.41배 향상

이 기술 요약은 J.I. Achebo가 Nigerian Journal of Technology (NIJOTECH) (2012)에 발표한 논문 “EFFECT OF MULTI-RESPONSE PERFORMANCE CHARACTERISTICS ON OPTIMUM PLASMA ARC WELDING PROCESS PARAMETERS”를 기반으로 하며, STI C&D에서 기술 전문가가 분석하고 요약했습니다.

Keywords

• Primary Keyword: 플라즈마 아크 용접 (Plasma Arc Welding)
• Secondary Keywords: 용접 강도, 공정 변수 최적화, Taguchi 기법, 그레이 관계형 분석, ANOVA

Executive Summary

• The Challenge: 용접부는 모재보다 강도가 낮아 구조적 결함의 주요 원인이 됩니다.
• The Method: Taguchi L18 직교 배열과 그레이 관계형 분석을 결합하여 다중 응답 특성(루트 용입, 그루브 폭, 언더컷)을 동시에 최적화했습니다.
• The Key Breakthrough: 토치 스탠드오프 4.5mm, 용접 전류 220A, 용접 속도 500mm/min, 플라즈마 가스 유량 2.2L/min의 최적 공정 변수 조합을 도출했습니다.
• The Bottom Line: 최적화된 공정 변수는 기존 변수 대비 용접부 파단 강도를 1.41배 향상시켜 용접 품질을 획기적으로 개선합니다.

The Challenge: Why This Research Matters for CFD Professionals

금속 구조물에서 발생하는 많은 결함은 용접부에서 시작됩니다. 용접부는 갇힌 가스로 인한 기공, 장시간의 용접으로 인한 과열, 용접 금속의 산화로 인한 취성 등 여러 요인으로 인해 모재보다 낮은 강도를 갖는 경우가 많습니다. 특히 항공우주, 플랜트, 자동차 산업 등 고도의 정밀성과 강도를 요구하는 분야에서 플라즈마 아크 용접(Plasma Arc Welding, PAW)의 성능과 품질을 향상시키는 것은 매우 중요합니다.

PAW 공정의 용접 강도는 주로 용접 전류, 용접 속도, 플라즈마 가스 유량, 토치 스탠드오프(torch stand-off)와 같은 주요 공정 변수에 의해 결정됩니다. 그러나 이러한 변수들은 서로 복합적으로 작용하며, 각각의 변수가 용접 품질에 미치는 영향을 개별적으로 파악하고 최적의 조합을 찾는 것은 매우 어렵습니다. 이 연구는 이러한 기술적 한계를 극복하고, 다중 품질 특성을 동시에 고려하여 용접부의 강도를 극대화할 수 있는 최적의 공정 조건을 찾는 것을 목표로 합니다.

The Approach: Unpacking the Methodology

본 연구는 플라즈마 아크 용접 공정 변수를 최적화하기 위해 Taguchi 기법과 그레이 관계형 분석(Grey Relational Analysis)을 결합한 강력한 접근법을 사용했습니다.

• 재료 및 변수: 40mm x 40mm 크기의 강철 시편을 사용하여 용접을 수행했습니다. 최적화 대상인 주요 공정 변수는 다음과 같이 4가지로 설정되었습니다.
  • A: 토치 스탠드오프 (mm): 레벨 1(4.5), 레벨 2(5.5)
  • B: 용접 전류 (A): 레벨 1(160), 레벨 2(180), 레벨 3(220)
  • C: 용접 속도 (mm/min): 레벨 1(300), 레벨 2(400), 레벨 3(500)
  • D: 플라즈마 가스 유량 (L/min): 레벨 1(2.2), 레벨 2(2.8), 레벨 3(3.4)
• 실험 설계: 최소한의 실험으로 변수의 영향을 평가하기 위해 L18 직교 배열표를 사용하여 총 18개의 실험 조건을 설계했습니다.
• 성능 평가: 용접 품질을 종합적으로 평가하기 위해 다음과 같은 다중 응답 특성을 측정했습니다.
  • 루트 용입 (Root penetration)
  • 그루브 폭 (Groove width)
  • 전면 언더컷 (Front undercut)
• 분석 방법: 측정된 데이터는 신호 대 잡음비(S/N ratio)로 변환된 후, 그레이 관계형 분석을 통해 여러 품질 특성을 대표하는 단일 값인 ‘그레이 관계형 등급(Grey Relational Grade)’으로 통합되었습니다. 최종적으로 분산 분석(ANOVA)을 통해 각 공정 변수가 용접 성능에 미치는 기여도를 정량적으로 평가했습니다.

The Breakthrough: Key Findings & Data

Finding 1: 최적의 PAW 공정 변수 조합 도출

그레이 관계형 분석을 통해 모든 다중 응답 특성을 종합적으로 고려했을 때 가장 우수한 성능을 보이는 최적의 공정 변수 조합을 성공적으로 도출했습니다.

논문의 표 10(Response Table for the Grey relational grade)에 따르면, 각 변수별로 가장 높은 그레이 관계형 등급을 보인 레벨은 A1, B3, C3, D1이었습니다. 이를 실제 공정 변수 값으로 변환하면 다음과 같은 최적의 조합이 됩니다.

• 최적 조합 (A1B3C3D1):
  • 토치 스탠드오프: 4.5mm (A1)
  • 용접 전류: 220A (B3)
  • 용접 속도: 500 mm/min (C3)
  • 플라즈마 가스 유량: 2.2 litres/min (D1)

이 조합은 실험 9번에서 실제로 수행되었으며, 표 9에서 볼 수 있듯이 18개 실험 중 가장 높은 그레이 관계형 등급(0.8689)을 기록하여 최고의 용접 품질을 보였습니다.

Finding 2: 주요 영향 인자 규명 및 획기적인 강도 향상 검증

분산 분석(ANOVA)을 통해 어떤 공정 변수가 용접 품질에 가장 큰 영향을 미치는지 규명했습니다.

표 11(The ANOVA Table)에 따르면, 각 변수의 기여도는 용접 속도(C)가 20.11%, 토치 스탠드오프(A)가 17.56%, 플라즈마 가스 유량(D)이 6.15%로 나타났습니다. 반면 용접 전류(B)의 기여도는 2.09%로 상대적으로 낮았습니다. 이는 토치 스탠드오프, 용접 속도, 플라즈마 가스 유량이 용접 성능을 좌우하는 주요 인자이며, 용접 전류는 2차적인 인자임을 의미합니다.

이러한 분석을 바탕으로 수행된 확인 시험(표 12) 결과는 놀라웠습니다. 주요 인자(A, C, D)만을 고려하여 예측된 최적 조건의 파단 강도는 481 MPa로, 기존 공정 변수(A2B2C3D3)로 제작된 용접부의 파단 강도인 342 MPa보다 1.41배 더 높은 것으로 나타났습니다. 이는 본 연구를 통해 제안된 최적화 방법론이 용접부의 기계적 강도를 획기적으로 향상시킬 수 있음을 입증합니다.

Practical Implications for R&D and Operations

• For Process Engineers: 이 연구는 토치 스탠드오프, 용접 속도, 플라즈마 가스 유량을 정밀하게 제어하는 것이 용접 품질에 결정적인 영향을 미친다는 것을 시사합니다. 특히, 용접 속도를 높이고(C3: 500mm/min) 토치 스탠드오프를 줄이는(A1: 4.5mm) 것이 다중 응답 특성 개선에 기여할 수 있습니다.
• For Quality Control Teams: 논문의 표 5(Experimental results) 데이터는 각 공정 변수 조합이 루트 용입, 그루브 폭, 언더컷에 미치는 영향을 보여줍니다. 이를 통해 새로운 품질 검사 기준을 수립하거나, 특정 결함 발생 시 원인이 되는 공정 변수를 추적하는 데 활용할 수 있습니다.
• For Design Engineers: ANOVA 결과(표 11)는 용접 전류(B)보다 토치 스탠드오프(A)나 용접 속도(C) 같은 기하학적/운동학적 변수가 품질에 더 큰 영향을 미칠 수 있음을 보여줍니다. 이는 초기 설계 단계에서 용접 접근성 및 자동화 경로 설계를 최적화하는 것이 중요함을 의미합니다.

Paper Details

EFFECT OF MULTI-RESPONSE PERFORMANCE CHARACTERISTICS ON OPTIMUM PLASMA ARC WELDING PROCESS PARAMETERS

1. Overview:

• Title: EFFECT OF MULTI-RESPONSE PERFORMANCE CHARACTERISTICS ON OPTIMUM PLASMA ARC WELDING PROCESS PARAMETERS
• Author: J.I. Achebo
• Year of publication: 2012
• Journal/academic society of publication: Nigerian Journal of Technology (NIJOTECH)
• Keywords: weld strength, process parameters, PAW, Taguchi method with grey relational analysis

2. Abstract:

금속 구조물에서 발생하는 상당수의 결함은 일반적으로 용접부에서 먼저 발생한다. 용접부는 갇힌 가스로 인한 기공, 장시간의 용접으로 인한 과열 처리, 용접 금속 산화로 인한 취성, 그리고 작업자의 기술 부족으로 인한 낮은 용접 품질과 같은 특정 요인 때문에 모재보다 강도가 낮은 경우가 많다. 그러나 이러한 부적절함은 용접 최적화를 목표로 공정 변수를 변경함으로써 수정될 수 있다. 본 연구에서는 Taguchi 기법과 그레이 관계형 분석을 적용하여 공정 변수를 최적화했다. 이 분석을 통해 최적의 공정 변수 조합을 얻었다. A1B3C3D1 조합, 즉 토치 스탠드오프 4.5mm, 용접 전류 220A, 용접 속도 500mm/min, 플라즈마 유량 2.2 litres/min이 본 연구에서 얻은 최적의 플라즈마 아크 용접 공정 변수 조합이었다. 결과로 나온 최적 조합은 분산 분석(ANOVA)을 적용하여 추가로 조사되었으며, 이를 통해 어떤 용접 공정 변수가 용접 공정의 성능 특성에 유의미하게 영향을 미쳤는지 확인했다. ANOVA 분석 결과, 토치 스탠드오프, 용접 속도, 플라즈마 유량이 용접 성능에 큰 영향을 미치는 주요 기여 요인인 반면, 용접 전류는 2차 요인으로 간주되었다. 확인 시험 결과, 제안된 최적 공정 변수는 용접부의 파단 강도 측면에서 기존 변수보다 1.41배 더 우수한 것으로 나타났다. 이는 본 연구를 통해 다중 응답 성능 특성이 크게 개선되었음을 나타낸다.

3. Introduction:

용접은 두 개 이상의 작업물을 함께 결합하여 용접물을 형성하는 공정이다. 이 용접 공정은 주조나 리벳팅에 비해 금속을 결합하는 훨씬 빠르고 경제적인 방법이다. 아크 용접은 200여 년 전에 개발되었고, 플라즈마 아크 용접은 1964년에 사용되기 시작했다. 플라즈마 아크 용접(PAW)은 다른 아크 용접 공정보다 속도와 품질 면에서 우수하며, 항공 산업, 염색 기계 제조업, 강관 제조업, 플랜지 밸브 부품 제조 및 조립에 사용된다. 본 연구에서는 PAW 공정을 평가했다. 용접 전류, 용접 속도, 플라즈마 가스 유량, 토치 스탠드오프는 PAW에서 용접 강도를 결정하는 주요 공정 변수이다. 설계의 복잡성 증가로 인해 PAW 성능과 품질을 향상시켜야 한다는 요구가 크다.

4. Summary of the study:

Background of the research topic:

용접은 필수적인 금속 접합 기술이지만, 용접부는 구조물의 취약점이 되는 경우가 많다. 특히 고성능이 요구되는 플라즈마 아크 용접(PAW)은 공정 변수가 용접 품질에 미치는 영향이 복잡하여, 이를 체계적으로 최적화할 필요가 있다.

Status of previous research:

Hsiao 등[3]은 Taguchi 기법과 그레이 관계형 분석을 사용하여 플라즈마 아크 용접 변수를 최적화했다. Tarng 등[5]과 Fung[6] 역시 다양한 공정 최적화에 이와 유사한 방법론을 성공적으로 적용한 바 있다.

Purpose of the study:

본 연구의 목적은 PAW의 주요 공정 변수인 토치 스탠드오프, 용접 전류, 용접 속도, 플라즈마 가스 유량을 최적화하여, 기공이나 취성 같은 결함을 줄이고 모재에 상응하는 높은 강도를 가진 용접부를 생산하는 것이다.

Core study:

Taguchi의 L18 직교 배열을 이용해 실험을 설계하고, 다중 응답 특성(루트 용입, 그루브 폭, 전면 언더컷)을 동시에 최적화하기 위해 그레이 관계형 분석을 적용했다. 이를 통해 최적의 공정 변수 조합을 도출하고, 분산 분석(ANOVA)으로 각 변수의 영향도를 평가한 후, 확인 시험을 통해 성능 향상을 검증했다.

5. Research Methodology

Research Design:

Taguchi L18 직교 배열을 이용한 실험 계획법을 채택했다.

Data Collection and Analysis Methods:

총 18개의 실험 조건에 대해 각각 3회 반복 실험을 수행하여 총 54개의 시편을 제작했다. 각 시편의 루트 용입, 그루브 폭, 전면 언더컷을 측정했다. 수집된 데이터는 S/N비 변환, 그레이 관계형 분석, 분산 분석(ANOVA)을 통해 분석되었다.

Research Topics and Scope:

40mm x 40mm 강철 시편에 대한 PAW 공정을 대상으로, 4개의 공정 변수(토치 스탠드오프, 용접 전류, 용접 속도, 플라즈마 가스 유량)를 각각 2 또는 3수준으로 설정하여 최적의 조합을 찾는 데 연구 범위를 한정했다.

6. Key Results:

Key Results:

• 최적의 PAW 공정 변수 조합은 A1B3C3D1(토치 스탠드오프 4.5mm, 용접 전류 220A, 용접 속도 500mm/min, 플라즈마 가스 유량 2.2L/min)으로 결정되었다.
• 용접 성능에 영향을 미치는 주요 인자는 토치 스탠드오프, 용접 속도, 플라즈마 가스 유량이었으며, 용접 전류는 2차적인 인자로 나타났다.
• 확인 시험 결과, 제안된 최적 공정 변수는 기존 변수 대비 용접부의 예측 파단 강도를 1.41배 향상시켰다.

Figure List:

• Figure 1: Grey relational grade.

7. Conclusion:

Taguchi 기법과 그레이 관계형 분석을 사용하여 PAW 공정 변수를 성공적으로 최적화했다. 본 연구에서 사용된 다중 응답 품질 특성은 루트 용입, 그루브 폭, 전면 언더컷이었다. 이러한 변수들은 우수한 비드 외관, 기공 부재, 양호한 품질을 가진 용접물을 생산할 수 있는 용접 성능을 결정하는 데 사용되었다. 그레이 관계형 분석을 통해 최적의 조합이 제안되었고, ANOVA 평가 결과를 기반으로 가장 유의미하지 않은 변수를 제거한 첫 번째 최적 조합과 모든 변수를 포함하는 두 번째 최적 조합이 도출되었다. 이 조합들은 파단 강도와 다중 응답 S/N비 측면에서 기존 공정 변수보다 상당한 개선을 보였다. 요약하자면, 최적의 공정 조합은 기존 공정 변수로 만들어진 용접보다 더 나은 용접 강도를 가지며, 이는 Taguchi 기법과 그레이 관계형 분석이 만족스러운 효과를 위해 적용될 수 있음을 증명한다.

8. References:

• 1. The Lincoln Electric Co. The Procedure Handbook of Arc Welding. Lincoln Electric Press, USA, 1973.
  1. Mannion, B. and Heinzman, J. Plasma Arc Welding Brings Better Control, 1999. (Available at www.pro-fusiononline.com).
  1. Hsiao, Y.F., Tarng, Y.S. and Huang, W.J. Optimization of Plasma Arc Welding Parameters by Using the Taguchi Method with the Grey Relational Analysis. Materials and Manufacturing Processes, Vol. 23, Number 1, 2008, pp. 51-58.
  1. Howard, B.C. Modern Welding Technology. 2nd Ed. Prentice Hall, New Jersey, 1989, pp. 257.
  1. Tarng, Y.S., Juang, S.C., Chang, C.H. The Use of Grey-Based Taguchi Methods to Determine Submerged Arc Welding Process Parameters in Hard Facing. J. Materials Processing Technology, 128, 2002, pp. 1-6.
  1. Fung, C.P. Manufacturing Process Optimization for Wear Property of Fiber-Reinforced Polybutylene Terephthalate Composites with Grey Relational Analysis. Wear, 254, 2003, pp. 298-306.
  1. Balasubramanian, S. and Ganapathy, S. Grey Relational Analysis to determine Optimum Process Parameters for Wire Electro Discharge Machining (WEDM). Int. J. of Engineering Science and Technology, Volume. 3, Number 1, 2011, pp. 95-101.
  1. Deng, J. Introduction to Grey System. J. Grey System, Volume 1, Number 1, 1989, pp. 1-24.
  1. Lin, C.L. Use of the Taguchi Method and Grey Relational Analysis to Optimize Turning Operations with Multiple Performance Characteristics. Materials and Manufacturing Processes, 19, 2003, pp. 209-220.
  1. Aneru, S. A; Aigbogun, C. J; Ovabor, K. and Awolumate, O. The Study of the Methodology for Optimizing Plasma Arc Welding Parameters Using Taguchi Method with Grey Relational Analysis. B. Eng Thesis, Department of Production Engineering, University of Benin, Benin City, Edo State, Nigeria, 2011.

Expert Q&A: Your Top Questions Answered

Q1: 왜 이 연구에서는 단일 응답이 아닌 다중 응답 특성(루트 용입, 그루브 폭, 언더컷)을 동시에 최적화했습니까?

A1: 실제 용접 공정에서 품질은 단 하나의 지표가 아닌 여러 특성의 복합적인 결과로 결정되기 때문입니다. 예를 들어, 루트 용입이 깊어도 그루브 폭이 너무 넓거나 언더컷이 심하면 전체적인 용접 강도는 저하될 수 있습니다. 본 논문에서는 그레이 관계형 분석을 적용하여 이러한 상충될 수 있는 여러 품질 특성을 하나의 종합적인 성능 지표(그레이 관계형 등급)로 변환함으로써, 균형 잡힌 최적의 공정 조건을 찾고자 했습니다.

Q2: ANOVA 분석(표 11)에서 용접 전류(B)의 기여도가 2.09%로 매우 낮게 나타난 이유는 무엇이며, 이것이 실제 공정에서 어떤 의미를 가집니까?

A2: 이는 본 연구에서 설정한 실험 범위(160A, 180A, 220A) 내에서는 용접 전류의 변화가 다른 변수들(토치 스탠드오프, 용접 속도)에 비해 전체적인 다중 응답 품질에 미치는 영향이 상대적으로 작았음을 의미합니다. 논문에서는 이를 ‘2차 요인(secondary factor)’으로 간주했습니다. 실제 공정에서는 먼저 주요 영향 인자인 토치 스탠드오프, 용접 속도, 가스 유량을 최적화한 후, 미세 조정을 위해 용접 전류를 활용하는 전략이 효과적일 수 있음을 시사합니다.

Q3: 최적의 조합으로 A1B3C3D1이 도출되었는데, 이는 각 변수의 최고 또는 최저 레벨의 조합(예: A는 최저, B와 C는 최고, D는 최저)입니다. 이러한 결과가 일반적인 현상인가요?

A3: Taguchi 실험 계획법에서 최적 조건이 각 인자의 경계값(최고 또는 최저 레벨)에서 나타나는 것은 드문 일이 아닙니다. 이는 해당 실험 범위 내에서 응답 특성이 선형적인 경향을 보일 때 자주 관찰됩니다. 예를 들어, 그림 1의 그래프를 보면 용접 속도(C)는 C1에서 C3로 갈수록, 토치 스탠드오프(A)는 A2에서 A1으로 갈수록 그레이 관계형 등급이 꾸준히 향상되는 경향을 보입니다. 이는 설정된 범위 내에서는 더 빠르고, 더 가깝게 용접하는 것이 유리했음을 의미합니다.

Q4: 확인 시험(표 12)에서 예측된 최적값(S/N 비율 0.7185)과 실제 실험 최적값(0.7331) 사이에 차이가 있는 이유는 무엇입니까?

A4: 예측값은 ANOVA 분석에서 통계적으로 유의미하다고 판단된 주요 인자(A, C, D)의 효과만을 합산하여 계산한 것입니다(수식 14 참조). 반면, 실제 실험값은 주요 인자뿐만 아니라 기여도가 낮아 무시되었던 2차 인자(B, 용접 전류)의 효과와 제어되지 않은 노이즈 요인들이 모두 포함된 결과입니다. 이 경우 실제 실험값이 예측값보다 더 좋게 나왔는데, 이는 무시되었던 B3(220A)의 긍정적인 효과가 반영되었기 때문으로 해석할 수 있습니다.

Q5: 이 연구 결과를 다른 재료나 다른 두께의 강판에 직접 적용할 수 있습니까?

A5: 직접 적용하기는 어렵습니다. 본 연구의 최적 변수 조합(A1B3C3D1)은 40mm x 40mm 강철 시편이라는 특정 조건 하에서 도출된 것입니다. 재료의 종류(예: 알루미늄, 스테인리스강)나 두께가 달라지면 열전도율, 용융점 등이 변하여 최적의 용접 변수 또한 달라지게 됩니다. 하지만 이 연구에서 사용된 최적화 방법론, 즉 Taguchi 기법과 그레이 관계형 분석을 적용하는 접근 방식은 다른 재료나 조건에서도 PAW 공정을 최적화하는 데 매우 유용하게 활용될 수 있습니다.

Conclusion: Paving the Way for Higher Quality and Productivity

용접부의 낮은 강도는 오랫동안 제조업의 품질과 신뢰성을 저해하는 고질적인 문제였습니다. 본 연구는 Taguchi 기법과 그레이 관계형 분석이라는 통계적·체계적 접근법을 통해 플라즈마 아크 용접(PAW) 공정의 복잡한 변수들을 성공적으로 최적화할 수 있음을 보여주었습니다.

최적화된 공정 변수 조합은 기존 대비 파단 강도를 1.41배 향상시키는 획기적인 결과를 가져왔으며, 이는 R&D 및 생산 현장에서 데이터 기반의 공정 최적화가 얼마나 중요한지를 명확히 보여줍니다. 토치 스탠드오프, 용접 속도와 같은 주요 인자를 정밀하게 제어하는 것이 곧 제품의 최종 품질과 직결된다는 실질적인 통찰력을 제공합니다.

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 알아보십시오.

(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

Copyright Information

• This content is a summary and analysis based on the paper “EFFECT OF MULTI-RESPONSE PERFORMANCE CHARACTERISTICS ON OPTIMUM PLASMA ARC WELDING PROCESS PARAMETERS” by “J.I. Achebo”.
• Source: Nigerian Journal of Technology (NIJOTECH), Vol. 31, No. 1, March, 2012, pp. 17-24.

This material is for informational purposes only. Unauthorized commercial use is prohibited. Copyright © 2025 STI C&D. All rights reserved.