수치 예측 AI로 용접 품질을 예측하다! 용입깊이 시뮬레이터 개발

TODO

제조 현장의 품질 관리 고도화를 위해 수치예측 기반 용입깊이 예측 시뮬레이터를 개발하였습니다.

용입깊이는 용접 품질을 판단하는 핵심 지표이며, 용접 조건의 변화에 따라 결과가 달라질 수 있습니다. 하지만 실제 현장에서는 용접 후 검사 결과를 통해 품질을 확인하는 경우가 많아, 조건 변경에 따른 품질 변화를 사전에 예측하는데 한계가 있습니다.

이번에 개발한 시뮬레이터는 실제 공정 데이터를 기반으로 학습된 예측 모델을 활용하여, 사용자가 입력한 용접 조건에 따른 용입깊이를 사전에 예측할 수 있도록 구성되었습니다. 이를 통해 작업자는 용접 조건 변경 전 예상 결과를 확인하고, 품질 리스크를 줄이기 위한 의사결정을 수행할 수 있습니다.

본 글에서는 해당 시뮬레이터의 개발 배경과 주요 기술 구성, 예측 모델 적용 방식, 그리고 제조 현장에서의 활용 가능성을 소개하겠습니다.

용입깊이 예측이 필요한 이유

용접 공정에서 용입깊이는 제품의 품질과 신뢰성을 판단하는 중요한 지표 중 하나입니다. 용입깊이가 부족할 경우 접합 강도가 저하될 수 있으며, 반대로 과도한 용입이 발생할 경우 제품 변형이나 품질 불량으로 이어질 수 있습니다. 따라서 용접 조건에 따른 용입깊이를 안정적으로 관리하는 것은 제조 품질 확보를 위해 매우 중요한 요소입니다.

그러나 실제 제조 현장에서는 용접 품질을 사전에 예측하기보다, 용접이 완료된 이후 검사 결과를 통해 품질을 확인하는 방식이 일반적으로 사용됩니다. 이러한 사후 검사 중심의 방식은 품질 이상이 발생한 뒤에야 문제를 확인할 수 있기 때문에, 조건 변경에 따른 품질 리스크를 사전에 검토하기 어렵다는 한계가 있습니다.

특히 용접 공정은 전류, 전압, 속도, 소재 조건 등 다양한 공정 변수가 복합적으로 작용합니다. 이로 인해 특정 조건이 용입깊이에 어떤 영향을 미치는지 단순한 기준값만으로 판단하기 어렵고, 작업자의 경험에 의존하는 경우도 많습니다. 따라서 공정 데이터를 기반으로 용입깊이를 사전에 예측할 수 있는 기술이 필요합니다.

이러한 문제를 해결하기 위해 수치예측 기반 용입깊이 예측 시뮬레이터를 개발했습니다. 본 시뮬레이터는 실제 공정 데이터와 용입깊이 측정 데이터를 기반으로 예측 모델을 학습하고, 사용자가 입력한 용접 조건에 따라 예상 용입깊이를 산출할 수 있도록 구성되었습니다.

이를 통해 작업자는 용접 조건을 변경하기 전에 예상 결과를 미리 확인할 수 있으며, 품질 리스크가 높은 조건을 사전에 검토할 수 있습니다. 즉, 기존의 사후 검사 중심 품질 관리 방식에서 한 단계 나아가, 데이터 기반의 사전 예측형 품질 관리 체계로 확장할 수 있는 기반을 마련했습니다.

데이터 구성 및 전처리

용입깊이 예측 모델을 개발하기 위해서는 신뢰도 높은 정답 데이터, 즉 실제 용입깊이 측정값이 필요합니다. 본 프로젝트에서는 OCT 장비를 통해 측정된 용입깊이 데이터를 기반으로 학습 데이터를 구성했습니다.

OCT 장비는 용접 구간의 길이 방향 위치인 0mm부터 50,000mm까지의 용입깊이 데이터를 연속적으로 추출했습니다. 이를 통해 특정 지점의 단일 측정값이 아닌, 전체 용접 구간에 대한 용입깊이 변화를 확인할 수 있었습니다. 다만, 원시 데이터는 위치별로 매우 세밀하게 측정되어 있기 때문에 그대로 학습에 활용할 경우 데이터 구조가 복잡해지고, 공정 조건과 용입깊이 간의 관계를 모델이 안정적으로 학습하기 어려울 수 있습니다. 따라서 전체 용접 구간을 10개의 구간으로 분할하고, 각 구간별로 대표 용입깊이를 추출하는 방식으로 데이터를 재구성했습니다.

이를 통해 용접 전체 구간을 하나의 결과값으로 단순화하지 않고, 구간별 용입깊이 특성을 반영할 수 있도록 구성했습니다. 즉, 동일한 용접 조건이라도 위치 구간에 따라 용입깊이가 달라질 수 있는 특성을 모델 학습에 반영한 것입니다. 학습에 사용한 주요 입력 변수는 다음과 같습니다.

최종적으로 전처리 과정에서는 파워, 속도, Core, 구간, 상판 두께, 하판 두께를 입력 변수로 구성하고, 각 구간에서 추출한 대표 용입깊이를 예측 대상값으로 설정했습니다. 이와 같은 데이터 구성 방식을 통해 모델은 단순히 전체 용접 결과를 예측하는 것이 아니라, 용접 조건과 소재 조건, 그리고 위치 구간에 따른 용입깊이 변화를 함께 학습할 수 있도록 구성되었습니다.

수치예측 모델 개발

전처리된 학습 데이터를 기반으로 용입깊이를 예측하기 위한 수치예측 모델을 개발했습니다. 본 프로젝트에서는 단순히 모델을 학습시키는 것에 그치지 않고, 데이터의 특성을 먼저 분석한 뒤 예측 모델의 구조와 검증 방식을 설계하는 절차로 진행했습니다.

먼저, 모델 학습에 앞서 **EDA(Exploratory Data Analysis, 탐색적 데이터 분석)**를 수행했습니다. EDA 과정에서는 예측 대상인 구간별 대표 용입깊이의 분포를 확인하고, 특정 구간에 데이터가 편중되어 있는지, 이상치 또는 비정상적인 측정값이 존재하는지 검토했습니다. 이를 통해 모델이 학습해야 할 Target 데이터의 범위와 변동성을 파악하고, 예측 난이도가 높은 구간을 사전에 확인했습니다.

Target 데이터 분포도 히스토그램 그래프

또한 입력 변수와 용입깊이 간의 관계를 확인하기 위해 상관관계 분석을 수행했습니다. 파워, 속도, Core, 구간, 상판 두께, 하판 두께와 같은 입력 변수가 용입깊이에 어떤 영향을 미치는지 분석하고, 변수 간 중복성이나 영향도를 검토했습니다. 이 과정은 모델 학습에 사용될 Feature의 적합성을 판단하고, 예측 모델이 공정 조건과 용입깊이 간의 관계를 안정적으로 학습할 수 있도록 하기 위한 중요한 단계입니다.

상관관계 히트맵

예측 모델은 XGBoost 기반 회귀 모델을 활용했습니다. XGBoost는 비선형 관계를 효과적으로 학습할 수 있으며, 여러 입력 변수가 복합적으로 작용하는 제조 공정 데이터에 적합한 모델입니다. 특히 용접 공정은 파워, 속도, 소재 두께, 위치 구간 등 다양한 조건이 함께 영향을 미치기 때문에, 단순 선형 모델보다 변수 간 상호작용을 반영할 수 있는 회귀 모델이 필요했습니다.

모델 학습 과정에서는 일반적인 단일 학습/검증 분할 방식이 아니라, GroupKFold 기반 교차검증을 적용했습니다. 동일한 용접 조건 또는 동일한 시편에서 파생된 데이터가 학습 데이터와 검증 데이터에 동시에 포함될 경우, 실제 성능보다 과대평가될 수 있습니다. 따라서 GroupKFold를 활용하여 동일 그룹의 데이터가 서로 다른 Fold에 섞이지 않도록 구성하고, 모델의 일반화 성능을 보다 엄격하게 검증했습니다. 이후 GroupKFold 검증 구조를 기반으로 XGBoost 모델의 하이퍼파라미터를 최적화했습니다. 모델의 복잡도, 트리 깊이, 학습률, 샘플링 비율 등 주요 파라미터를 조정하면서 각 Fold에서의 예측 성능을 비교했고, 특정 데이터 분할에만 잘 맞는 모델이 아니라 다양한 조건에서도 안정적으로 동작하는 최적의 파라미터 조합을 도출했습니다.

최종적으로 구축된 수치예측 모델은 다음과 같은 흐름으로 개발되었습니다.

이러한 개발 절차를 통해 단순히 예측값을 산출하는 모델이 아니라, 실제 제조 데이터의 구조와 공정 특성을 반영한 용입깊이 예측 모델을 구축했습니다. 특히 EDA 기반 데이터 이해, GroupKFold 기반 검증 설계, XGBoost 회귀 모델 최적화를 함께 적용함으로써 현장 적용 가능성을 고려한 수치예측 모델 개발을 수행했습니다.

예측 결과

개발된 수치예측 모델의 성능을 검증하기 위해 학습에 사용하지 않은 테스트 데이터셋을 대상으로 예측 결과를 평가했습니다. 전체 데이터 301개 중 226개는 학습 데이터로, 75개는 테스트 데이터로 분리하여 모델의 예측 성능을 검증했습니다.

검증 결과, 실제 용입깊이와 예측 용입깊이는 전반적으로 유사한 경향을 보였습니다. 아래 그래프에서 빨간색 선은 실제 측정된 용입깊이, 파란색 선은 모델이 예측한 용입깊이를 의미합니다. 예측 결과는 구간별 용입깊이 변화 패턴을 안정적으로 추종했으며, 조건 변화에 따라 발생하는 용입깊이의 증감 경향도 비교적 정확하게 반영했습니다.

실제 값과 예측 값 비교 그래프

특히 본 모델은 단순 평균값을 예측하는 방식이 아니라, 파워, 속도, Core, 상판 두께, 하판 두께, 구간 정보를 함께 반영하여 각 조건별 용입깊이를 예측했습니다. 이를 통해 동일한 용접 조건 내에서도 위치 구간에 따라 달라지는 용입깊이 특성을 학습할 수 있었으며, 실제 공정 데이터의 비선형적인 변화 패턴을 예측 결과에 반영할 수 있었습니다.

모델 성능 평가는 MAE, RMSE, R² 지표를 기준으로 수행했습니다.

검증 결과, 테스트 데이터 기준 MAE 0.1054, RMSE 0.1648, R² 0.9490의 성능을 확인했습니다. 평균 예측 오차는 약 0.10mm 수준으로 나타났으며, 이는 실제 측정값과 예측값 간의 차이가 전반적으로 작게 유지되었음을 의미합니다.

또한 R² 값이 0.9490으로 나타나, 모델이 용입깊이 변화의 대부분을 설명할 수 있음을 확인했습니다. 이는 입력 변수와 용입깊이 간의 관계를 모델이 효과적으로 학습했으며, 단순한 조건 매칭이 아닌 수치예측 기반의 품질 예측 모델로 활용 가능함을 보여줍니다.

이번 검증을 통해 개발된 XGBoost 회귀 모델은 테스트 데이터에서도 안정적인 예측 성능을 보였으며, 용접 조건 변경에 따른 용입깊이 변화를 사전에 예측할 수 있는 기반 기술로서의 가능성을 확인했습니다. 이러한 결과는 향후 용접 품질 예측, 공정 조건 최적화, 시뮬레이터 기반 의사결정 지원으로 확장될 수 있습니다.

용입깊이 시뮬레이터

개발된 수치예측 모델은 단순한 분석 결과에 머무르지 않고, 실제 사용자가 활용할 수 있는 용입깊이 예측 시뮬레이터로 구현했습니다. 시뮬레이터는 사용자가 용접 조건을 입력하면 개발된 모델을 통해 예상 용입깊이를 산출하고, 예측 결과를 표와 그래프로 확인할 수 있도록 구성되었습니다.

본 시뮬레이터는 크게 수동 예측, CSV 기반 일괄 예측, 예측 결과 시각화, CSV 결과 저장 기능으로 구성되어 있습니다. 이를 통해 단일 조건에 대한 빠른 예측뿐만 아니라, 다수의 공정 조건을 한 번에 분석하는 방식까지 지원할 수 있도록 개발했습니다.

수동 예측 기능

수동 예측 기능은 사용자가 직접 공정 조건을 입력하여 용입깊이를 예측하는 기능입니다. 입력 항목은 모델 학습에 사용한 주요 Feature와 동일하게 구성했습니다.

사용자가 입력값을 설정한 뒤 예측 실행 버튼을 클릭하면, 시뮬레이터는 입력 데이터를 모델 입력 형태로 변환하고 예측 모델을 통해 해당 조건의 예상 용입깊이를 산출합니다. 예측 결과는 화면 내 결과 정보 영역과 예측 결과 테이블에 동시에 표시되며, 실제 용입깊이 데이터가 있는 경우에는 실제값, 예측값, 오차값을 함께 확인할 수 있습니다.

이를 통해 사용자는 특정 용접 조건에서 예상되는 용입깊이를 즉시 확인할 수 있으며, 조건 변경에 따른 결과 변화를 빠르게 비교할 수 있습니다.

수동 예측

일괄 예측 기능

현장에서는 단일 조건보다 여러 조건을 한 번에 검토해야 하는 경우가 많습니다. 이를 고려하여 시뮬레이터에는 CSV 파일 기반 일괄 예측 기능을 적용했습니다.

사용자는 CSV 파일을 로드한 뒤 예측 실행을 진행할 수 있으며, 시뮬레이터는 파일 내에 포함된 다수의 공정 조건을 순차적으로 읽어 각 조건에 대한 용입깊이를 일괄 예측합니다. 이 과정에서 파일에 실제 용입깊이 데이터가 포함되어 있는 경우에는 실제값과 예측값을 비교하여 오차까지 계산하고, 실제값이 없는 경우에는 예측값 중심으로 결과를 제공합니다.

CSV 기반 일괄 예측 기능을 통해 사용자는 대량의 공정 조건을 반복 입력하지 않고도 빠르게 분석할 수 있으며, 실험 조건 검토, 작업 조건 비교, 품질 예측 결과 정리 등에 활용할 수 있습니다.

일괄 예측

예측 결과 전시

시뮬레이터는 예측 결과를 단순 숫자로만 제공하지 않고, 사용자가 결과를 직관적으로 해석할 수 있도록 표와 그래프 형태로 제공합니다.

예측 결과 테이블에는 출력, 속도, Core, 구간, 상판 두께, 하판 두께, 실제 깊이, 예측 깊이, 오차 깊이가 함께 표시됩니다. 이를 통해 각 조건별 입력값과 예측 결과를 한눈에 비교할 수 있습니다.

또한 그래프 영역에서는 실제 용입깊이와 예측 용입깊이를 함께 시각화하여, 모델이 실제 용입깊이 변화를 얼마나 잘 추종하는지 확인할 수 있도록 했습니다. 실제값이 포함된 데이터의 경우 오차 그래프도 함께 제공하여, 특정 조건이나 구간에서 오차가 커지는 지점을 추가로 분석할 수 있습니다.

이러한 시각화 기능은 모델 성능을 검토하는 목적뿐만 아니라, 현장에서 사용자가 예측 결과를 빠르게 이해하고 의사결정에 활용할 수 있도록 하기 위한 핵심 기능입니다.

예측 결과 CSV 저장 기능

분석 결과의 재활용성과 관리 편의성을 높이기 위해 예측 결과 CSV 저장 기능도 구현했습니다. 사용자는 저장 경로를 지정한 뒤 예측 결과를 CSV 파일로 저장할 수 있으며, 저장된 파일에는 입력 조건과 예측 결과가 함께 포함됩니다.

이를 통해 시뮬레이터에서 수행한 예측 결과를 별도로 보관하거나, 외부 분석 도구에서 추가 검토할 수 있습니다. 또한 보고서 작성, 품질 이력 관리, 조건별 예측 결과 비교 등 후속 업무에도 활용할 수 있도록 구성했습니다.

시뮬레이터는 모델의 예측 성능뿐만 아니라 실제 사용 환경도 고려하여 설계했습니다. 수동 예측과 일괄 예측을 분리하여 사용 목적에 따라 기능을 선택할 수 있도록 했으며, 예측 결과는 표와 그래프를 통해 즉시 확인할 수 있도록 구성했습니다.

또한 실제 용입깊이 데이터의 유무에 따라 결과 표시 방식이 달라지도록 구성했습니다. 실제값이 있는 경우에는 예측값과 오차값을 함께 제공하고, 실제값이 없는 경우에는 예측값 중심으로 결과를 표시하여 다양한 데이터 환경에서 사용할 수 있도록 했습니다.

결과적으로 본 시뮬레이터는 학습된 AI 모델을 실제 업무에 활용 가능한 형태로 구현한 사례입니다. 단순히 모델 성능을 확인하는 분석 도구가 아니라, 사용자가 용접 조건을 입력하고, 예측 결과를 확인하며, 결과를 저장하고 관리할 수 있는 현장 활용형 용입깊이 예측 시스템으로 구현했습니다.

기대 효과

이번에 개발한 용입깊이 예측 시뮬레이터는 용접 조건과 소재 조건을 기반으로 용입깊이를 사전에 예측할 수 있도록 구현되었습니다. 이를 통해 기존의 사후 검사 중심 품질 관리 방식에서 벗어나, 작업 조건 변경 전 예상 품질을 미리 검토할 수 있는 환경을 마련했습니다.

가장 큰 기대 효과는 용접 품질 리스크의 사전 검토입니다. 기존에는 용접 후 측정 또는 검사 결과를 통해 품질을 확인해야 했지만, 본 시뮬레이터를 활용하면 용접 전 단계에서 조건별 예상 용입깊이를 확인할 수 있습니다. 이를 통해 품질 불량 가능성이 높은 조건을 사전에 검토하고, 보다 안정적인 작업 조건을 선정하는 데 활용할 수 있습니다.

또한 작업자는 파워, 속도, Core, 상·하판 두께, 구간 조건을 변경하면서 예측 결과를 즉시 확인할 수 있습니다. 따라서 특정 조건 변경이 용입깊이에 어떤 영향을 미치는지 빠르게 비교할 수 있으며, 실험 또는 양산 조건을 검토하는 과정에서 데이터 기반 의사결정을 지원할 수 있습니다.

CSV 기반 일괄 예측 기능을 활용하면 다수의 공정 조건을 한 번에 분석할 수 있습니다. 이를 통해 반복적인 수작업 입력을 줄이고, 조건별 예측 결과를 체계적으로 정리할 수 있습니다. 또한 예측 결과를 CSV 파일로 저장할 수 있어 품질 분석, 보고서 작성, 조건 비교, 이력 관리 등 후속 업무에도 활용할 수 있습니다.

본 시뮬레이터는 단순히 예측 모델을 개발한 것에서 그치지 않고, 실제 사용자가 활용할 수 있는 형태로 구현했다는 점에서 의미가 있습니다. AI 모델을 현장 업무 프로세스에 연결하여, 예측 결과를 확인하고 저장하며 분석할 수 있는 구조를 구성했습니다.

마무리: 제조 공정 AI 적용의 가능성

이번 프로젝트에서는 OCT 장비를 통해 측정된 용입깊이 데이터를 기반으로 학습 데이터를 구성하고, EDA와 상관관계 분석을 통해 데이터 특성을 검토한 뒤, XGBoost 회귀 모델과 GroupKFold 기반 검증 구조를 활용하여 용입깊이 예측 모델을 개발했습니다.

최종적으로 개발된 모델은 테스트 데이터 기준 R² 0.9490, 평균 오차 약 0.10mm 수준의 예측 성능을 보였으며, 이를 기반으로 사용자가 직접 활용할 수 있는 용입깊이 예측 시뮬레이터까지 구현했습니다.

이번 사례는 제조 공정에서 AI 기술이 단순 분석 도구를 넘어, 실제 작업 조건 검토와 품질 예측, 의사결정 지원까지 확장될 수 있음을 보여줍니다. 특히 용접과 같이 다양한 공정 변수가 복합적으로 작용하는 분야에서도, 정밀 측정 데이터와 수치예측 모델을 결합하면 현장 활용 가능한 품질 예측 시스템을 구축할 수 있습니다.

아이티브에이아이는 앞으로도 제조 현장의 데이터를 기반으로 품질 예측, 이상 감지, 공정 최적화 기술을 고도화하고, 실제 현장에서 활용 가능한 AI 솔루션 개발을 지속해 나가겠습니다.