Daniel Weller는 ElringKlinger 기업에서 접합 테크놀로지 분야 전문가입니다. 그는 배터리 테크놀로지 분야에서 접합 공정을 개발하고 있습니다. 전기차용 셀 접촉 시스템을 용접하는 일은 그와 다른 이들에게 도전과제가 되고 있습니다. 핵심은 용접 속도를 높이고, 버전의 다양성 그리고 이른바 무결점 전략을 구현하는 데 있습니다. 최대 2미터 길이의 구성품에는 50개가 넘는 용접 포인트가 존재합니다. "우리는 짧은 사이클 시간과 버전의 다양성 속에서도 항상 일정한 품질을 공급해야 합니다"라고 Weller는 말합니다.
고정자의 헤어핀 용접에서 EasyModel AI는 수백 개의 접점을 빠르고 정밀하게 시리즈로 처리합니다.
최근까지만 해도 실제 생산 환경에서 용접점 감지는 많은 노하우와 수작업 조정을 필요로 했습니다. 조명 변화, 미러링, 먼지 그리고 미세한 형상 편차 때문에 공정이 쉽게 오류에 노출되었습니다. "물론 기존 솔루션으로도 문제없이 작업할 수 있었지만, TRUMPF의 AI 기반 솔루션 EasyModel AI 는 용접점 감지에 속도를 크게 높이며 전체 공정 개발에도 가속을 가져왔습니다."
몇 장의 학습 이미지로 충분
Weller는 VisionLine Detect 영상처리를 이용해 몇 장의 학습 이미지를 촬영한 뒤, 이를 AI 클라우드에 업로드합니다. 그는 AI 클라우드에서 관련 영역을 표시합니다. AI 모델은 몇 장의의 학습 이미지만으로도 관련 영역과 불필요한 이미지 영역을 구분할 수 있으며, 안정적으로 이진화하고 짧은 사이클 시간에도 견고한 에지 검출을 가능하게 합니다. "특징 인식에서 좋은 결과를 얻기 위해 더 이상 며칠이 아니라, 단지 몇 시간만 필요합니다"라고 Weller는 말합니다. 그는 특히 노코드 프로그래밍에 깊은 인상을 받았습니다: "이 시스템은 'what you see is what you get'이라는 원칙에 따라 직관적이고 빠르게 작동하며 프로그래밍 지식이 필요하지 않습니다."
프로세스 중 학습
Schaeffler 기업에서도 EasyModel AI는 속도와 정밀성을 향상시키고 있습니다. Alexander Fast는 고정자 권선에서 구리선을 용접할 때, 높이 오프셋, 측면 이동 또는 틈새 발생과 같은 위치 오차로 인해 기존의 그레이스케일 인식 방식은 처리에 한계를 보인다고 설명합니다. "구성품 특성이 달라지더라도 용접 위치 결정의 정밀성과 재현성 면에서 이 AI 필터는 시장에 있던 모든 것을 능가합니다"라고 Fast는 말합니다. 초도 합격률이 99% 이상입니다. 또한 이 시스템을 통해 통계적 분석이 가능하며, 명확히 벗어난 값만 재라벨링하면 되므로 시간을 크게 절감할 수 있습니다.
Schaeffler 기업에서는 EasyModel AI가 이미 전 세계 생산 현장에서 적용되어 가동 중입니다. ElringKlinger 기업은 이 필터를 전 세계의 또 다른 양산 설비에도 순차적으로 적용했습니다.
