이번 글에서는 자동차 제조공정에서 적용되는 저항 점 용접의 품질 예측을 위해서 머신러닝을 활용한 사례를 알려드리겠습니다. 저항 점용접 품질 예측은 자동차 제조시 약 2000점 이상 적용되는 대량 공정이므로 각 점들에 대해 저항 점 용접 품질 예측을 일일히 확인하는 것은 많은 공수가 발생하므로 인공 지능 ai를 활용한 품질예측 기술이 필요합니다.
자동차 제조에서 저항 점용접 품질 예측
저항 점 용접(RSW)은 자동차 산업에서 주요한 결합 공정으로, 자동화와 대량 생산 라인에 적합한 특성 덕분에 널리 사용됩니다. 그럼에도 불구하고 RSW의 품질을 정확하게 평가하는 것은 여전히 어려운 문제로, 이는 추가적인 비용과 생산 단계로 이어집니다. 현재의 검사 방법은 일반적으로 자동차가 Body-in-White(BIW) 상태에서 나오는 후에 임의로 진행되며, 이는 상당한 시간 손실을 초래할 수 있습니다. 이에 따라 품질 평가를 개선하기 위한 방법이 필요합니다. 본 연구는 데이터 분석과 머신러닝 기법을 활용하여 100% 검사 체계로의 전환을 목표로 합니다. 이를 통해 자동차 차체가 완성되기 전에 용접 품질 수준을 예측하고 품질 관리를 향상시키는 것을 목표로 하고 있습니다.
용접 품질 관리의 중요성
자동차 부품 조립에서 용접 품질 관리는 매우 중요합니다. 이는 차량의 내구성 및 안전성을 보장하기 위해 필수적인 과정입니다. 용접은 자동차 제조의 주요 공정 중 25%를 차지하며, 품질과 정확성 기준을 엄격히 지켜야 합니다. 태국 자동차 제조 연합에 따르면, 2023년 태국에서 생산된 차량은 약 200만 대에 달하며, 그 중 픽업 트럭은 62.7%인 110만 대 이상을 차지합니다. 일반적인 픽업 트럭은 엔진, 변속기, 서스펜션, 조향 시스템, 브레이크, 바퀴, 내부 및 안전 시스템을 포함한 15,000개 이상의 주요 부품으로 구성되어 있습니다. 특히 자동차 차체는 용접 작업의 핵심으로, 단일 구조체 설계(monocoque design) 방식이 널리 사용되며, 이는 100개 이상의 철강 부품을 조립하고 용접하여 차량 구조를 형성하는 방식입니다.
현재 품질 검사 방식의 한계
자동차 조립 산업에서는 비용 문제로 인해 일부 부품은 여전히 사람의 손을 거쳐 용접되고, 나머지 부품은 대부분 산업 로봇을 사용하여 용접됩니다. 한 자동차 조립 공장은 최대 300대의 용접 로봇을 운영할 수 있으며, 본 연구에서 다룬 공장은 7년 이상 로봇 용접을 사용해 왔습니다. 그러나 용접 품질을 평가할 수 있는 측정 기기의 개발은 여전히 중요한 문제입니다. 고비용의 센서 장비들이 사용되며, 각 로봇에 하나씩 설치해야 하는 비용 부담이 큽니다. 현재 본 연구에서는 임의 샘플링 방법을 사용하여 용접 품질을 점검하고 있으며, 이는 IATF 16949:2016에 따라 진행됩니다. 초음파 검사(UT), 프라이바 시험, 해체 방법 등이 사용되며, UT는 고비용에도 불구하고 포스트 용접 후 재료 두께를 측정하고 결함을 감지하는 데 사용됩니다. 그러나 UT 검사 방식은 임의 샘플링 방식으로 진행되며, 차체 조립이 완료된 후에만 실시되므로 중요한 결함을 놓칠 수 있습니다.
머신러닝을 활용한 품질 예측
이 연구에서는 다양한 머신러닝 및 딥러닝 모델을 통해 RSW의 품질을 정확하게 예측할 수 있는 가능성을 입증했습니다. 품질 수준은 만족(Satisfy, Level 0), 배출(Expulsion, Level 1), 냉각 용접(Cold Weld, Level 2)으로 분류됩니다. 예측 모델을 구축하기 위한 원시 데이터는 RSW 로봇의 WT에서 추출되었으며, 압력, 전류, 저항, 용접 시간과 관련된 특징들을 생성했습니다. 총 31개의 특징이 계산되었고, 이를 통해 불필요한 데이터를 배제하고 29개의 주요 특징만을 모델 훈련에 사용했습니다. 다양한 알고리즘을 통해 결과를 비교했으며, ANN, CNN, LSTM, RF, XGBoost 등을 사용했습니다. 그 결과 XGBoost 모델이 다른 모델들보다 뛰어난 성능을 보였으며, 테스트 데이터에서 95.6%의 예측 정확도를 기록했습니다. 추가적인 특징 제거 및 하이퍼파라미터 튜닝을 통해 예측 속도를 38ms에서 33ms로 개선하고, 예측 정확도를 97.06%로 향상시켰습니다.
머신러닝의 혁신적 가능성
이 연구의 결과는 머신러닝 기법이 RSW 품질 제어에 어떻게 혁신적인 변화를 일으킬 수 있는지를 보여줍니다. 예측 모델은 실시간 생산 환경에서 결함을 줄이고 제조 효율성을 높이는 데 중요한 역할을 할 수 있습니다. 머신러닝을 통해 품질 예측을 실시간으로 제공함으로써, 제조 중 결함을 예방하고, 그에 따라 막대한 비용 절감과 운영 효율성을 높일 수 있습니다.
향후 연구 방향
미래의 연구는 머신러닝 모델을 더욱 개선하여 예측 정확도를 높이고, 다른 산업 데이터 소스 및 제어 시스템과 통합하는 방향으로 나아갈 것입니다. 또한, 자율 학습 시스템을 통해 생산 조건과 재료 변화에 맞게 지속적으로 모델을 개선할 수 있는 가능성도 있습니다. 실시간 결함 감지와 엣지 컴퓨팅을 통해 생산 현장에서 즉각적인 조정이 가능하며, 디지털 트윈을 활용한 예측 유지보수를 통해 용접 장비의 건강 상태를 모니터링하고 고장 예측을 통해 다운타임을 줄일 수 있습니다.
결론
이 연구는 XGBoost와 같은 고급 머신러닝 모델이 RSW 품질 예측에 유효하게 적용될 수 있음을 입증하며, 전통적인 검사 방법을 개선할 수 있는 가능성을 보여줍니다. 예측 모델의 실시간 통합은 용접 품질의 지속적인 모니터링을 가능하게 하여, 생산 후 임의 검사를 줄이고 실시간 품질 제어를 향상시킬 수 있습니다. 이를 통해 생산 비용 절감, 제품 품질 향상 및 효율성 증가가 가능해질 것입니다.
지금까지 차체 제작시 적용되는 저항 점용접의 품질 예측 기술에 대해 알아보았습니다. 용접에 대해 더 궁금하신 분은 아래 글을 참고해주세요.
미세 마르텐사이트 구조와 망간 분배가 오스테나이트 재생성에 미치는 영향에 대해 궁금하신 분은 제 글을 함께 참고해주세요.