Absorptance-based Keyhole Welding Monitoring
흡수율 기반 키홀 용접 모니터링
키홀 용접의 품질은 키홀 안에서 레이저가 얼마나 흡수되느냐에 달려 있지만, 흡수율은 공정 중에 직접 잴 수 없습니다. 레이저와 같은 축에 둔 카메라로 키홀 입구(개구)를 찍으면 딥러닝이 개구를 찾아 3차원 키홀을 재구성하고, 광선 추적으로 학습한 흡수율 대리모델이 그 순간의 흡수율을 계산합니다. 흡수율은 재료에 실제로 들어가는 에너지, 즉 용접 결과를 만드는 원인을 보여 주는 지표입니다.
- 완전 용입
- 동기화한 고속 카메라 두 대로 윗면과 아랫면을 함께 찍고, YOLOv4가 키홀 상·하부 개구를 찾습니다(mIoU 98.23% · 95.6%, 156 fps). 두 개구를 이어 만든 키홀의 흡수율은 광선 추적 데이터로 학습한 ResNet-34 대리모델(Process Prediction 탭)이 계산합니다. 냉연강판(A366)에서 흡수율은 열린 하부 개구가 적을수록, 하부 개구가 작을수록, 키홀 앞벽이 기울수록 커졌고, 결함이 생기는 구간에서는 하부 개구가 커지며 흡수율이 급락했습니다.
- 알루미늄
- 반사율과 열전도도가 높아 용접이 까다로운 Al 5052-H32에 적용해, 키홀의 열림·닫힘과 흡수 패턴을 세 유형으로 분류했습니다. 에너지가 과도하면 키홀이 닫히지 않고 계속 열린 채 커지다가, 정규화한 개구 면적이 문턱값(상부 600 · 하부 500)을 넘으면 용락(burn-through)이 생겼습니다. 아랫면 보호 가스를 아르곤에서 헬륨으로 바꾸면, 가벼운 헬륨이 아랫면을 잘 덮고 높은 열전도도로 열을 빼앗아 공정이 안정되고 결함이 억제되었습니다.
- 카메라
- 윗면 영상 한 장에서 상·하부 개구를 함께 검출하는 YOLOR-CSP 모델(정밀도 0.980 · 재현율 0.988 · mAP@0.5 0.992)로 카메라를 한 대로 줄였습니다. 하부 개구가 키홀 벽에 가끔 가려져도 두 대를 쓸 때만큼 효과적이었고, 순간 흡수율보다 시간 평균 흡수율이 용접 모드를 더 잘 나타내 두 가지 용접 모드와 용락 결함의 발생을 구분했습니다.
- 부분 용입
- 키홀 바닥이 보이지 않는 부분 용입에서는 용융풀 영상에서 YOLOv7이 상부 개구를, CNN(VoVNet27-slim)이 용입 깊이를 추정해 2채널 키홀 영상을 만들고, 두 번째 CNN이 흡수율을 예측합니다(광선 추적 대비 R² 0.997). 부분 용입 키홀에 흡수율 모니터링을 적용한 첫 연구로, Al 1050P-H16 14개 조건에서 세 가지 흡수 패턴을 찾았고 흡수율이 급락하는 순간이 키홀 붕괴·용융물 분출·언더필 결함과 맞물렸습니다. 가정한 키홀 형상이 달라도 흡수율의 상대 변화는 거의 같아, 모니터링에는 절댓값보다 변화 추이가 중요함을 보였습니다.
Setup2 kW 멀티모드 파이버 레이저 (1070 nm) · A366 강 · Al 5052-H32 · Al 1050P-H16 · 동축 고속 카메라
대표 논문 4
- Deep-learning-based real-time monitoring of full-penetration laser keyhole welding by using the synchronized coaxial observation method
- Analysis of laser-beam absorptance and keyhole behavior during laser keyhole welding of aluminum alloy using a deep-learning-based monitoring system
- One camera-based laser keyhole welding monitoring system using deep learning
- Process monitoring via prediction of laser beam absorptance in partial penetration laser keyhole welding of aluminum alloy