Prediction of interface width in overlap joint for laser welding of aluminum alloy using multi-sensor based on deep learning

Abstract

알루미늄 합금은 가벼운 특성으로 인해 전기 자동차(EV) 제조에서 선호되는 재료로 점차 고려되고 있다. 레이저 용접은 용접부의 좁고 깊은 용입, 빠른 용접 속도, 적은 용접 변형 그리고 높은 에너지 밀도로 인해 생산성과 품질 측면에서 많은 장점을 갖고 있다. 최근에는 알루미늄을 사용한 레이저 용접 기술에 큰 관심이 집중되고 있어 이를 활용한 전기 자동차 제조에 기여할 수 있는 가능성을 보여주고 있다. 차체에 사용되는 알루미늄 소재는 주로 겹치기 이음의 형태로 레이저 용접을 진행한다. 이 형태에서 적절한 계면 너비는 안정적인 용접 강도를 보장하는 데 중요하다. 따라서 적절한 계면의 너비를 찾기 위해서는 파괴 검사가 필요하다. 그러나 차체에 레이저 용접을 적용할 경우 전수 검사에 사용되는 비용과 시간의 부담이 증가하기 때문에 비파괴 품질 검사의 필요성이 요구된다. 비파괴 검사는 용접 후 숙련된 작업자가 수행하기 때문에 큰 비용이 들며 효율이 낮다. 이러한 이유로 딥러닝과 센서들을 활용한 용접 결함 감지 기술의 중요성이 강조되고 있다. 딥러닝 모델 중 합성곱 신경망 모델은 이미지 처리에 탁월한 성능을 보이며, 이미지의 특징을 보존하면서 학습하는 특징을 갖고 있다. 또한 일차원 데이터에 대해 합성곱 신경망을 사용하여 높은 정확도를 보인 연구도 진행되었다. 따라서 일차원 데이터와 이차원 데이터를 사용하여 딥러닝에 합성곱 신경망을 적용하는 사례가 증가하고 있다. 그러나 아직 멀티 센서를 이용하여 계면 너비 예측에 관한 연구는 진행되고 있지 않은 실정이다. 본 연구에서는 분광광도계와 CCD 카메라를 사용한 다중 센서를 통해 CNN 기반의 딥 러닝 모델을 사용하여 알루미늄 합금의 레이저 용접을 위한 겹치기 이음부의 계면 너비를 예측하여 신호의 유효성을 검증하였다. 분광광도계는 비동축, CCD 카메라는 동축으로 부착되었다. 입력 데이터는 분광광도계를 통한 빛 세기로 표현된 스펙트럴 신호와 CCD 카메라에 의해 촬영된 키홀과 용융풀의 이미지이다. 출력 데이터는 하판에서 수집된 계면의 너비이다. 계면 너비는 Al 6014-T4 1.0 mm, Al 6014-T4 1.0 mm와 Al 6014-T4 1.0 mm, Al 5052-H32 1.2 mm의 조합으로 정확도를 평가하였다. 동종 소재에서 다중 센서를 사용한 모델에서 가장 높은 정확도를 예측하였으며 결정 계수는 0.96으로 확인되었다. 단독 센서에서의 합성곱 신경망 모델의 경우 다중 센서 모델보다 결정 계수가 낮아 분광광도계, CCD 각각 0.75, 0.944로 나타났다. 이를 통해 알루미늄 합금의 레이저 용접을 위한 겹치기 용접에서의 계면 너비를 예측하는데 있어 다중 센서를 통한 높은 예측 정확도를 보여주었다. 이종 소재에서의 다중 센서 모델의 결정 계수는 0.796으로 동종 소재의 다중 센서 모델보다 낮게 나온 것을 확인하였다.|Aluminum alloys, due to their lightweight property, are gradually being considered as preferred materials in the manufacturing of electric vehicles (EVs). Laser welding offers numerous advantages in terms of productivity and quality, specifically, narrow and deep weld penetration, fast welding speed, minimal welding distortion, and high energy density. Recently, aluminum-based laser welding technology has drawn significant attention, showcasing its potential contribution to the manufacturing of electric vehicles. Aluminum materials used in the vehicle body are predominantly processed through laser welding in overlap joint forms. For such forms, determining an appropriate interface width is crucial to ensure stable weld strength. Hence, destructive testing is necessary to find the optimal interface width. However, the need for non-destructive quality inspection arises due to the increased costs and time associated with 100% inspection when applying laser welding to the vehicle body, emphasizing the necessity of non-destructive quality inspection. Non-destructive inspection involves significant costs and has lower efficiency as it is performed post-welding by skilled workers. This has highlighted the importance of welding defect detection technology using deep learning and sensors. Convolutional neural network models among deep learning models exhibit excellent performance in image processing, preserving features while learning from images. In addition, research demonstrating high accuracy using convolutional neural networks has been conducted for one-dimensional data. This has led to a growing trend of applying convolutional neural networks to deep learning using both one-dimensional and two-dimensional data. However, research on predicting interface width using multi-sensor data has not yet been undertaken. This study validated the effectiveness of signals by predicting the interface width of overlap joints for aluminum alloy laser welding using a CNN-based deep learning model through a multi-sensor approach employing a spectrometer and a CCD camera. The spectrometer was non-coaxial, while the CCD camera was coaxially attached. Input data comprised spectral signals represented by light intensity through the spectrometer and images captured by the CCD camera of the keyhole and weld pool. Output data were the interface width collected from the bottom sheet. The accuracy of interface widths was evaluated using combinations of Al 6014-T4 1.0 mm, Al 6014-T4 1.0 mm, and Al 6014-T4 1.0 mm, Al 5052-H32 1.2 mm. The model employing multi-sensor on similar materials predicted the highest accuracy, and the coefficient of determination (R2) was found to be 0.96. or the convolutional neural network model with single sensors, the R2 values were lower compared to the multi-sensor model: 0.75 for the spectrometer and 0.944 for the CCD camera, respectively. This demonstrates that using multi-sensor provides higher predictive accuracy for interface width prediction in overlap welding for aluminum alloy laser welding. Furthermore, the R2 for the multi-sensor model on dissimilar materials was 0.796, lower than the multi-sensor model on similar materials.