⚡ 전기공학

Longitudinal Segmentation and Terminal Classification of WAAM Single Beads from 3D Point Clouds

본 연구는 전통적인 종방향 평균화로 인해 가려졌던 과도적 기하학적 거동을 성공적으로 보존하면서, 3D 포인트 클라우드로부터 WAAM 단일 비드의 START, MID, END 영역을 자동으로 분할 및 분류하기 위해 이차-선형-이차(Q–L–Q) 알고리즘을 활용하는 전문가 기반의 기하학 주도 워크플로우를 소개한다.

원저자: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

게시일 2026-10-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

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

거대한 로봇 팔이 매우 정밀하고 고온의 용접 토치와 유사한 과정을 통해 거대한 금속 부품을 층층이 쌓아 올리며 제작하는 공장 바닥을 상상해 보십시오. 와이어 아크 적층 제조(wire arc additive manufacturing)라고 알려진 이 방식은 빠르고 비교적 저렴하기 때문에 크고 복잡한 금속 구조물을 만드는 데 있어 선호되는 방식이 되고 있습니다. 하지만 로봇이 부품을 완벽하게 제작하려면, 그들이 쌓아 올리는 금속이 일관성을 유지해야 합니다. 만약 금속 비드(bead)가 너무 넓거나, 너무 높거나, 혹은 모양이 잘못된다면 층이 제대로 쌓이지 않을 것이며, 최종 부품은 약해지거나 형태가 뒤틀릴 수 있습니다. 오랫동안 엔지니어들은 이 공정이 제대로 작동하는지 확인하기 위해 전체 길이에 대한 평균 너비와 높이를 측정하여 금속 비드를 균일한 띠처럼 간주해 왔습니다. 그러나 이러한 접근 방식에는 사각지대가 존재합니다. 마치 러너가 천천히 시작했다가 중간에 전력 질주를 하고 다시 멈추기 위해 속도를 줄이는 것처럼, 금속 비드도 처음부터 끝까지 동일하게 형성되지 않습니다. 시작과 끝부분은 종종 혼란스럽고 불안정한 반면, 중간 부분은 안정적입니다. 이 전체를 평균 내어 버린다면, 그 과정에서 발생하는 결정적인 순간들의 세부 사항을 놓치게 되어, 부품의 결함을 유발할 수 있는 바로 그 변화들을 숨기게 됩니다.

슬로베니아 마리보르 대학교의 연구팀은 이 금속 비드를 더 자세히 관찰하여, 혼란스러운 시작과 끝을 안정적인 중간 부분과 분리할 수 있는지 알아보기로 했습니다. 그들은 로봇 팔에 의해 강철판 위에 놓인 약 40mm 길이의 단일 금속 비드 50개를 대상으로 연구를 진행했습니다. 이 비드들의 표면을 놀라울 정도로 상세하게 보기 위해, 그들은 레이저 스캐너를 사용하여 수천 개의 미세한 점들로 구성된 3차원 지도를 만들어 비드의 높이와 너비를 모든 지점에서 포착했습니다. 연구진은 각 비드를 하나의 긴 균일한 물체로 취급하는 대신, 이를 시작, 중간, 끝이라는 세 가지 뚜렷한 구역으로 나누고자 했습니다. 그들의 목표는 이 구역들이 서로 다르게 작동한다는 것을 증명하고, 인간이 모든 스캔 데이터를 일일이 확인할 필요 없이 자동으로 한 구역이 끝나고 다음 구역이 시작되는 지점을 찾아내는 컴퓨터 방식을 만드는 것이었습니다.

컴퓨터에게 이 방법을 가르치기 전에, 연구진은 먼저 인간 전문가에게 데이터를 살펴보고 경계선을 수동으로 표시하도록 요청했습니다. 시각적인 형상에 따라 가이드된 이 전문가는 비드가 언제 안정화되는지, 그리고 언제 자리를 잡거나 서서히 마무리되는지를 식별했습니다. 연구진이 인간이 표시한 구역들을 분석했을 때, 명확한 패턴이 나타났습니다. 비드의 중간 부분은 매우 안정적이어서 로봇이 이동하는 동안 너비나 높이에 변화가 거의 없었습니다. 그것은 거의 직선의 평평한 선에 가까웠습니다. 그러나 시작과 끝 부분은 전혀 평탄하지 않았습니다. 그것들은 곡선을 그리며 모양이 크게 변했고, 단순한 직선으로는 설명할 수 없는 급격한 기하학적 진화를 보여주었습니다. 이 관찰은 매우 중요했습니다. 이는 중간 부분이 단순한 직선 모델로 설명될 수 있는 반면, 시작과 끝 부분은 변화하는 모양을 포착하기 위해 더 복잡한 곡선 모델이 필요하다는 것을 연구진에게 알려주었습니다.

이러한 통찰력을 바탕으로, 연구팀은 "곡선-직선-곡선" 아이디어에 기반한 새로운 컴퓨터 알고리즘을 구축했습니다. 그들은 소프트웨어가 레이저 스캔 데이터를 탐색하여 비드의 형상이 요동치는 곡선에서 차분한 직선으로, 그리고 다시 곡선으로 바뀌는 두 지점을 찾도록 학습시켰습니다. 컴퓨터는 단순히 추측하는 것이 아니라, 실제 금속 형상에 가장 잘 들어맞는 조합을 찾기 위해 수백만 개의 가능한 분할 지점을 테스트했습니다. 특히 컴퓨터는 단면적(cross-sectional area), 즉 비드의 한 단면에 들어있는 금속의 양에 주목했는데, 이것이 경계를 찾는 데 가장 중요한 단서가 되었기 때문입니다. 그 결과, 컴퓨터가 비드를 세 개의 기능적 부분으로 정밀하게 자동 절단할 수 있는 시스템이 만들어졌습니다.

연구진이 컴퓨터의 작업 결과와 인간 전문가의 원래 표시를 비교했을 때, 두 결과는 매우 잘 일치했으나 완벽하지는 않았습니다. 평균적으로 컴퓨터의 경계는 약 3.5mm 정도의 오차를 보였습니다. 이 작은 차이는 오류라기보다는, 컴퓨터와 인간이 정확히 어디에서 "시작"이 끝나는지를 정의하는 규칙을 서로 약간 다르게 사용했음을 반영합니다. 더 중요한 점은, 컴퓨터가 50개의 비드 모두에서 중간 섹션을 가장 안정적인 부분으로 성공적으로 식별해 냈다는 것입니다. 실제로 중간 섹션의 변동성은 시작이나 끝 섹션보다 훨씬 낮았기에, 컴퓨터는 거의 완벽한 확실성을 가지고 이들을 구분해 낼 수 있었습니다. 또한 시작과 끝 섹션은 기하학적으로 서로 매우 달랐기 때문에, 컴퓨터는 로봇이 어느 방향으로 움직이는지 알지 못하더라도 형상만을 보고 비드의 어느 쪽이 시작이고 어느 쪽이 끝인지 구별할 수 있었습니다.

이 연구는 금속 비드를 단일한 균일한 물체로 취급하는 것이 중요한 물리적 실체를 숨기는 단순화라는 점을 확인시켜 줍니다. 비드를 안정적인 중간 부분과 두 개의 변화하는 양 끝단으로 분리함으로써, 엔지니어들은 이제 공정을 더욱 정확하게 분석할 수 있습니다. 그들은 정상적인 조건에서 기계가 어떻게 작동하는지 이해하기 위해 안정적인 중간 부분에 집중할 수 있고, 시작과 종료의 까다로운 순간들을 이해하기 위해 시작과 끝을 별도로 연구할 수 있습니다. 이러한 접근 방식은 단순히 금속을 더 잘 설명하는 것에 그치지 않고, 제조 공정을 제어하는 새로운 방법을 제시합니다. 만약 로봇이 실시간으로 이러한 특정 구역들을 인식하도록 학습된다면, 비드가 시작되거나 멈출 때 정확히 속도나 열을 조절하여 모든 금속 구조물이 동일한 높은 품질로 제작되도록 보장할 수 있을 것입니다. 연구진은 이 방법이 테스트에 사용된 특정 강철 비드에는 잘 작동하지만, 진정한 시험대는 다른 재료와 기계를 적용했을 때가 될 것이라고 언급하면서도, 금속 비드의 시작, 중간, 끝이 서로 다른 세계라는 근본적인 아이디어가 이제 데이터에 기반한 확고한 토대를 갖추게 되었다고 밝혔습니다.

기술 요약: 3D 포인트 클라우드로부터 WAAM 단일 비드의 종방향 분할 및 말단 분류

문제 정의
와이어 아크 적층 제조(WAAM)는 비드 폭, 높이, 단면적이 층 높이, 중첩 및 치수 정밀도를 결정하므로, 입사된 기하학적 형상을 제어하는 데 의존한다. 그러나 기존의 공정-기하학 연구들은 일반적으로 전체 비드를 전역 기술자(global descriptors)나 희소 단면으로 요약하며, 이는 개별 적층 경로의 종방향 구조를 억제한다. 이러한 접근 방식은 적층의 시작(START)과 종료(END) 시 발생하는 과도한 기하학적 거동을 은폐하는데, 이 구간의 조건은 준정상 상태(quasi-steady state)의 운전 영역과는 다르다. 결과적으로, 비드 전체를 평균화하는 것은 말단에서의 체계적인 비선형 진화를 가릴 수 있으며, 기하학 기반 공정 모델의 물리적 해석력을 저하시킨다. 따라서 밀집된 사후 공정 3D 포인트 클라우드 데이터로부터 START, MID, END 영역을 직접 분리하고 특성화할 수 있는 재현 가능하고 운영 가능한 정의가 필요하다.

방법론
본 연구는 로봇 WAAM 셀을 사용하여 세 개의 S355 구조용 강판 위에 적층된 50개의 단일 비드 데이터셋을 활용하였다. 비드는 레이저 프로파일 스캐너를 사용하여 6개의 부분적으로 중첩된 3D 포인트 클라우드로 측정되었다. 방법론은 다음의 세 가지 순차적 단계로 진행되었다:

전문가 기반 참조 기준 확립: 자동 알고리즘을 개발하기 전, 도메인 전문가가 50개의 비드를 시각적으로 평가하여 참조 START–MID–END 분할을 확립하였다. 이 과정은 관심 영역(ROI)을 정의하고 초기 MID 구간을 설정하는 과정을 포함하였으며, 이후 지역적 길이 및 샘플링에 대한 표준화된 규칙을 사용하여 정교화되었다.
경험적 근거 및 Q–L–Q 공식화: 전문가가 정의한 영역에 대한 통계 분석 결과, MID 영역은 약 선형적이고 변동이 낮은 거동을 보이는 반면, START와 END 영역은 체계적인 비선형 진화를 보임을 확인하였다. 이러한 관찰은 이차식-선형-이차식(Quadratic–Linear–Quadratic, Q–L–Q) 모델링 구성을 유도하였다.
자동 분할 알고리즘: START, MID, END 사이의 전이 좌표( $u_1$ $u_{1}$ 및 $u_2$ $u_{2}$ )를 자동으로 결정하는 기하학 기반 알고리즘이 개발되었다. 이 알고리즘은 다음을 결합한 목적 함수를 최소화한다:
- 지역 모델 적합도: START/END 영역에서의 폭, 높이, 단면적에 대한 최소제곱 다항식 적합 및 MID 영역에서의 선형 다항식 적합.
- 연속성: 적합된 값들의 전이 지점에서의 불연속성에 대한 페널티 부여.
- 길이 페널티: 지나치게 짧은 MID 영역을 억제함.
  알고리즘은 결합된 목적 함수를 최소화하기 위해 허용 가능한 전이 쌍을 전수 조사한다.
검증 및 분류: 자동 분할은 평균 절대 경계 차이(Mean Absolute Boundary Difference, MABD)를 사용하여 전문가 기반 참조 모델과 비교 검증되었다. 또한, 위치 정보는 제외하고 오직 기하학적 기술자(폭, 높이, 면적의 평균, 중앙값, 표준편차 및 변동 계수)만을 사용하여 START와 END를 구분하는 위치 독립적 분류 모델(L2 규제가 적용된 로지스틱 회귀)을 학습시켰다. 검증에는 중첩된 leave-one-bead-out (LOBO) 및 leave-one-plate-out 스킴이 포함되었다.

주요 결과

기하학적 특성화: 전문가 기반 분석을 통해 MID 영역이 START( $CV_A = 0.319$ ) 및 END($0.369 $)에 비해 현저히 낮은 종방향 변동성(단면적의 평균 변동 계수$ CV_A = 0.040$)을 가짐을 확인하였다. 이차 모델은 특히 높이와 단면적에 있어 선형 모델보다 우수한 성능을 보였다.
자동 분할 성능: 자동 Q–L–Q 알고리즘은 50개의 비드를 모두 성공적으로 분할하였다. 결과적으로 MID 영역은 START($0.346 $) 및 END($ 0.437 $)에 비해 일관되게 가장 낮은$ CV_A $(평균$ 0.054$)를 나타냈다.
경계 대응성: 자동 전이 좌표는 전문가 참조 대비 3.49 mm의 결합 MABD를 나타냈다. 자동 방식은 약간 더 긴 MID 영역을 정의하는 경향이 있었으며, 이는 START–MID 경계를 낮은 좌표 쪽으로, MID–END 경계를 높은 좌표 쪽으로 이동시켰다.
기술자 기여도: 기술자 탈락법(leave-one-descriptor-out ablation) 결과, 단면적이 전이 좌표 추정에 가장 강력한 기여를 했으며(총 기여도의 55.4%), 그 뒤를 높이(24.0%)와 폭(20.6%)이 이었다.
말단 분류: 분류 모델은 원래의 불균등한 길이의 말단 영역을 사용하여 START와 END를 구분하는 데 완벽한 정확도(1.00)를 달립다. 결정적으로, 길이 편향을 제거하기 위해 일치된 길이의 물리적 구간을 추출한 후에도, 모델은 높은 정확도(LOBO 하에서 0.94, leave-one-plate-out 검증 하에서 0.96)를 유지하였다. 이는 START와 END가 물리적 길이 또는 위치와 무관하게 구별되는 독특한 기하학적 분포를 가지고 있음을 시사한다.

의의 및 주장
본 논문은 전체 비드 평균화 과정에서 흔히 손실되는 종방향 기하학 정보를 보존하는 재현 가능한 기하학 기반 워크플로우를 제공한다고 주장한다. 경험적 근거에 기반한 Q–L–Q 공식을 확립함으로써, 본 연구는 준정상(MID) 적층 거동과 과도(START/END) 적층 거동을 분리하는 방법을 제시한다.

저자들은 이 접근 방식이 다음과 같은 기능을 가능하게 한다고 강조한다:

영역별 모델링: MID 영역의 안정적인 적층 거동을 START 및 END의 과도 응답과 분리하여 특성화함.
공정 전략 비교: 시작 및 정지 전략을 격리하여 말단 과도 현상을 분석할 수 있게 함.
경로 보정: 위치 의존적 보정 전략 개발을 지원함.

본 연구는 결과가 특정 실험 캠페인(S355 강철, 특정 로봇 셀, 특정 공정 윈도우) 내에서의 내부 검증을 나타낸다는 점을 명시적으로 밝히고 있다. 저자들은 서로 다른 재료, 적층 시스템 및 공정 윈도우에 대한 광범위한 일반성을 확보하기 위해서는 독립적인 데이터셋을 통한 추가 검증이 필요하다고 언급하였다. 본 연구는 실시간 제어를 대체하는 것이 아니라, 서로 다른 모델링 또는 모니터링 전략이 필요할 수 있는 영역을 식별하기 위한 사후 공정 프레임워크를 제공하는 것을 목적으로 한다.

유사한 논문