⚡ 전기공학

Development and Optimization of Parameter Recommendation Model for Automotive Resistance Spot Welding

본 연구는 자동차 저항 점 용접을 위한 지능형 에이전트 모델을 제안하며, 이는 매개변수 예측 정확도를 높이고 솔루션의 유일성을 보장하며 다양한 시트 적층 조합에 대한 일반화 성능을 향상시키기 위해 이종 앙상블 학습 프레임워크와 새로운 물리 기반 가열 강도 제약 조건을 통합한다.

원저자: Yu-Jun Xia, YunFan Zhou, YouRong Zhang, JianNan Zhang, YongQuan Jia, YongBing Li

게시일 2026-09-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yu-Jun Xia, YunFan Zhou, YouRong Zhang, JianNan Zhang, YongQuan Jia, YongBing Li

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 자동차 제조의 중심부에서는 금속판을 결합하여 모든 차량의 골격을 만드는 조용하고도 강력한 공정이 진행됩니다. 이 공정은 저항 점 용접(resistance spot welding)으로, 무거운 전극이 두 개의 강판을 압착하는 동안 거대한 전기 전류가 그 사이로 흐릅니다. 금속에 부딪히는 전기의 마찰은 강렬한 열을 발생시켜 '너겟(nugget)'이라 불리는 작은 원형 형태의 재료를 녹이며, 이를 통해 금속판들을 하나의 강력한 조각으로 융합시킵니다. 수십 년 동안 엔지니어들은 이 공정의 완벽한 설정을 찾기 위해 시행착오에 의존해 왔습니다. 그들은 압력의 양, 시간의 길이, 그리고 전기 전류의 수준을 다양하게 테스트하며, 금속을 태워버리거나 너무 약하게 만들지 않으면서도 완벽한 용접을 만들어내는 조합을 찾고자 노력했습니다. 이 방식은 효과적이긴 하지만, 느리고 비용이 많이 들며, 새로운 유형의 강철과 다양한 두께의 재료가 끊임없이 도입되는 급격한 자동차 설계 변화를 따라잡는 데 어려움이 있습니다.

문제는 완벽한 용접을 만드는 방법이 하나 이상 존재한다는 점에 있습니다. 높은 전류를 아주 짧은 시간 동안 사용하거나, 낮은 전류를 더 긴 시간 동안 사용하여 강한 연결을 만들 수 있습니다. 두 접근 방식 모두 동일한 결과를 낼 수 있지만, 그 경로는 근본적으로 다릅니다. 과거의 데이터를 보고 학습하는 전통적인 컴퓨터 모델은 종로 이 점 때문에 혼란을 겪곤 합니다. 모델은 이러한 서로 다른 경로들을 평균화하려 할 수 있으며, 이는 수학적으로는 맞을지 몰라도 새로운 자동차 모델에 적용했을 때는 물리적으로 불가능하거나 불안정한 권장 사항을 도출하게 됩니다. 이러한 불확실성은 제조업체가 생산 라인을 교체하거나 새로운 자재를 도입할 때, 기존의 규칙이 더 이상 적용되지 않게 만드는 주요한 병목 현상이 됩니다.

상하이 교통대학교 연구진은 자동차 제조사 NIO와 협력하여 이 문제를 해결하기 위한 새로운 접근 방식을 개발했습니다. 연구진은 단순히 과거 데이터에만 의존하는 대신, 열의 물리학을 이해하는 지능형 시스템을 구축했습니다. 그들은 '가열 강도(heating intensity)'라는 개념을 도입했는데, 이는 용접 과정 중에 열이 어떻게 전달되는지를 안내하는 가이드 역할을 합니다. 이 개념을 열이 날카롭고 집중된 폭발로 전달될지, 아니면 부드럽고 지속적인 흐름으로 전달될지를 조절하는 다이얼이라고 생각하면 됩니다. 연구진은 컴퓨터 모델이 이 다이얼을 존중하도록 가르침으로써, 모델이 매 용접마다 단순히 평균값을 추측하는 것이 아니라 특정한 일관된 경로를 선택하도록 강제했습니다.

연구팀은 세단과 SUV라는 두 가지 서로 다른 자동차 모델의 데이터를 사용하여 이 새로운 모델을 테스트했습니다. 이 차량들은 표준 저탄소강부터 안전 케이지에 사용되는 초고장력강에 이르기까지 매우 다양한 강판을 사용했습니다. 연구진은 수백 가지의 고유한 금속 조합을 포함하는 방대한 데이터셋을 수집했습니다. 각 조합에 대해 전극이 가하는 힘, 전기 펄스의 타이밍, 그리고 결과적으로 형성된 녹은 금속 너겟의 크기를 포함한 정확한 설정값을 기록했습니다. 그런 다음, 주어진 금속 조합과 원하는 너겟 크기에 대해 올바른 설정을 예측하도록 컴퓨터 모델을 학습시켰습니다.

결과는 물리 기반 접근 방식의 명확한 우위를 보여주었습니다. 모델이 학습했던 것과 동일한 차량에 대해 테스트했을 때, 이 모델은 전통적인 데이터 전용 모델보다 약간 더 나은 성능을 보였으며, 모든 설정에서 예측 정확도를 약 1.35 퍼센트 포인트 향상시켰습니다. 그러나 진정한 돌파구는 모델이 학습하지 않은 다른 차량에 대해 테스트하는 '교차 차량 전이(cross-vehicle transfer)' 상황에서 나타났습니다. 이 테스트에서 전통적인 모델은 특히 예열 전류를 예측할 때 정확도가 급격히 떨어지며 큰 어려움을 겪었습니다. 반면, 가열 강도 제약 조건의 안내를 받은 새 모델은 높은 정확도를 유지했으며, 전체 예측 성공률을 기존 방식보다 최대 15.6 퍼센트 포인트까지 높였습니다. 이는 모델이 단순히 특정 생산 라인의 습관을 암기한 것이 아니라, 금속 내에서 열이 어떻게 행동하는지에 대한 근본적인 규칙을 학습했음을 입증했습니다.

연구진은 또한 이 새로운 시스템이 엔지니어들에게 강력한 제어 도구를 제공한다는 점을 입증했습니다. 가열 강도는 사용자가 조절할 수 있는 변수이기 때문에, 모델은 생산 속도를 높이기 위해 높은 전류를 짧은 시간 사용하는 '하드(hard)' 용접 일정이나, 금속 튀김(splatter) 같은 결함을 방지하기 위해 낮은 전류를 더 길게 사용하는 '소프트(soft)' 일정을 생성하도록 유도될 수 있습니다. 이러한 유연성 덕분에 제조업체는 속도를 극대화하거나 섬세한 재료에 대해 가능한 최고의 품질을 확보하는 등, 각자의 필요에 맞춰 용접 공정을 맞춤화할 수 있습니다. 이 연구는 인공지능에 물리적 법칙을 내재화함으로써, 현대 제조의 복잡한 세계에서 더 정확할 뿐만 아니라 더 적응력이 뛰어나고 신뢰할 수 있는 시스템을 만드는 것이 가능하다는 것을 확인시켜 줍니다.

기술 요약: 자동차 저항 점 용접을 위한 파라미터 추천 모델의 개발 및 최적화

문제 정의
자동차 제조에서 저항 점 용접(RSW) 파라미터 설계는 접합 품질과 생산 효율성에 매우 중요하다. 용접성 로브(weldability-lobe) 테스트나 실험 계획법(DoE)과 같은 전통적인 방식은 시간이 많이 소요될 뿐만 아니라, 현대 경량화 차량에서 발견되는 다양한 시트 적층 조합에 대응하는 데 어려움이 있다. 신경망이나 앙상블 학습과 같은 데이터 기반 접근 방식은 품질 예측 능력을 향상시켰으나, 파라미터 추천(역문제) 측면에서는 상당한 한계에 직면해 있다. 순수 데이터 기반 모델은 비유일성(non-uniqueness) 문제를 겪는다. 즉, 주어진 시트 적층 구성과 목표 너겟 크기에 대해 여러 가지 유효한 용접 스케줄(예: 고전류/단시간 또는 저전류/장시간)이 존재할 수 있다. 순수하게 통계적 상관관계만을 학습한 모델은 평균적이거나 일관되지 않은 솔루션을 도출할 수 있으며, 이는 새로운 차량 모델이나 다른 생산 환경에 적용될 때 낮은 일반화 성능으로 이어진다. 또한, 기존 모델들은 물리적 해석력이 부족하여 사이클 타임이나 결함 완화와 같은 특정 공정 결과를 제어하기 어렵다는 단점이 있다.

방법론
저자들은 시트 속성과 목표 너겟 크기를 기반으로 용사 파라미터(전극 압력, 예열 시간/전류, 냉각 시간, 용접 시간, 용접 전류)를 생성하기 위한 물리 제약 기반 앙상블 학습 프레임워크를 제안한다.

베이스라인 앙상블 모델: 가우시안 프로세스 회귀(GPR), 랜덤 포레스트 회귀(RFR), 다층 퍼셉트론(MLP), 서포트 벡터 회귀(SVR), LightGBM, XGBoost 등 6개의 기본 학습기를 사용하여 이종 앙상블 학습 모델을 구축하였다. 이 모델들은 입력 특성(시트 두께, 강도, 코팅, 적층 구조, 목표 너겟 크기)을 6개의 출력 파라미터로 매핑한다. 5-겹 교차 검증 오차를 통해 결정된 가중치 결합 전략을 사용하여 출력을 융합함으로써 정확도를 극대화한다.
물리 정보 제약(가열 강도): 비유일성 문제를 해결하기 위해 저자들은 **가열 강도( $u$ $u$ )**를 명시적인 물리적 제약 조건으로 도입하였다. 평균 용접 전류의 제곱을 총 용접 시간으로 나눈 비율( $u = I^2 / T$ $u = I^{2} / T$ )로 정의되는 이 변수는 열 입력의 시간적 집중도를 정량화한다.
- 높은 $u$ 는 "하드(hard)" 스케줄(고전류, 단시간)에 해당한다.
- 낮은 $u$ 는 "소프트(soft)" 스케줄(저전류, 장시간)에 해당한다.
다중 손실 최적화: 모델은 다음을 동시에 최소화하는 다중 손실 목적 함수( $L = L_{para} + \lambda L_{HI}$ $L = L_{p a r a} + λ L_{H I}$ )를 사용한다.
- $L_{para}$ : 용접 파라미터의 예측 오차.
- $L_{HI}$ : 생성된 파라미터로부터 계산된 가열 강도와 측정 데이터로부터 도출된 목표 가열 강도 사이의 편차.
  이 과정에서 두 손실 항 사이의 균형을 동적으로 조절하여 한 목적 함수가 다른 하나를 압도하는 것을 방지하기 위해, Kendall 등이 제안한 방식에서 영감을 받은 적응형 불확실성 기반 가중치 전략이 사용되었다.

주요 기여

비유일성 해결: 가열 강도를 명시적 제약 조건으로 포함함으로써, 프레임워크는 다중 솔루션 공간을 압축하여 주어진 입력과 목표 전략에 대해 생성된 파라미터가 유일하고 물리적으로 일관되도록 보장한다.
교차 차량 일반화 능력 향 향상: 물리적 제약 덕분에 본 모델은 순수 데이터 기반 베이스라인에 비해 서로 다른 차량 모델(예: 세단에서 SUV로) 간의 전이성이 우수함을 입증하였다. 물리적 제약은 모델이 차량별 통계적 패턴이 아닌 전이 가능한 공정 관계를 학습하도록 강제한다.
제어 가능한 파라미터 생성: 엔지니어는 목표 가열 강도 입력을 조정함으로써 "하드" 또는 "소프트" 용접 스케줄을 명시적으로 선택할 수 있으며, 이는 사이클 타임 최적화나 스패터(expulsion)와 같은 결함 완화를 위한 실용적인 도구를 제공한다.

실험 결과
본 연구는 두 가지 차량 모델(세단 1, SUV 2)의 생산 기록에서 유래된 450개의 고유한 2층 또는 3층 시트 적층 구성 데이터셋을 활용하였다. 차량 1에는 265개, 차량 2에는 385개의 구성이 포함되어 있으나, 이 재료들로 형성된 고유 구성의 총합은 450개이며, 두 모델에 공통으로 포함된 구성은 약 200개이다. 데이터셋은 다양한 강종(CR01, CR04, DP590, DP780, PHS1300T)을 포괄한다.

동일 차량 성능: 물리 제약 모델은 최적화된 베이스라인과 비교하여 6개 모든 파라미터에서 예측 정확도를 향상시켰으며, 평균 약 1.35%포인트의 이득을 보였다. 가장 큰 개선은 예열 시간 예측(95.3%에서 97.5%)에서 나타났다.
교차 차량 성능: 물리 제약 모델은 전이 시나리오에서 베이스라인을 크게 앞질렀다. 베이스라인의 교차 차량 테스트 시 예열 전류 정확도가 64.3%까지 떨어지는 반면, 제약 모델은 79.9%에서 95.8% 사이의 정확도를 유지하였다. 전체 평균 교차 차량 정확도는 약 85.5%(베이스라인)에서 ~90.0%로 향상되었으며, 특정 파라미터에서는 최대 15.6%의 이득을 보였다.
어블레이션 연구(Ablation Study): 가열 강도 손실 항( $L_{HI}$ )을 제거했을 때 교차 차량 테스트에서 0.1~15.6%포인트의 성능 저하가 발생하였으며, 이는 물리적 제약이 일반화 능력의 주요 동인임을 확인시켜 준다.
민감도 분석: 목표 가열 강도를 변화시키는 실험을 통해, 모델이 목표 너겟 크기(~5.0 mm)를 유지하면서도 서로 다른 전류-시간 조합(예: 시간을 300ms에서 232ms로 줄이는 동시에 전류를 8.9kA에서 9.4kA로 증가)을 체계적으로 생성할 수 있음을 확인하였으며, 이는 생성된 스케줄의 제어 가능성을 입증한다.

의의 및 주장
본 논문은 이 연구가 RSW 설계 및 제조 전 과정의 지능형 관리를 위한 경로를 구축한다고 주장한다. 순수 데이터 기반 회귀를 넘어 메커니즘-데이터 융합 접근 방식으로 나아감으로써, 본 연구는 다양한 자동차 애플리케이션에 대해 신뢰할 수 있고 유일하며 해석 가능한 용접 파라미터를 생성하는 핵심 과제를 해결한다. 저자들은 자사의 프레임워크가 물리적 일관성을 보장하고 제어 가능한 공정 스케줄 생성을 가능하게 함으로써, 머신러닝의 공학적 적용성을 높이고 재료 복잡성 증가에 따른 제조 대응력을 개선한다고 주장한다.

유사한 논문