AI-Based Welding Defect Detection Algorithm for Autonomous Battery Pack Manufacturing

본 연구는 전기차 배터리팩 제조 공정 중 레이저 용접 단계에서 발생할 수 있는 결함을 효과적으로 탐지하기 위해 오토인코더 기반의 학습 알고리즘을 제안한다. 기존 연구는 데이터셋 특성에 따라 N-HiTS, Z-score와 같은 상이한 방법론을 적용해 왔으나, 이러한 방식은 일관된 품질 관리 시스템 구축에 어려움을 초래한다. 본 연구에서는 AAS 표준 기반으로 수집된 용접 센서 데이터를 활용하여, 단일 오토인코더 모델로 다양한 유형의 결함을 통합적으로 탐지할 수 있는 프레임워크를 제시하였다. 실험에서는 입력 특성 구성이 다른 세 가지 모델을 비교하였으며, 그 결과 'RealPower', 'Speed', 'Length', 'GateOnTime' 네 가지 파라미터를 사용한 AutoEncoder-4 모델이 가장 우수한 성능을 보였다. 특히 'WeldingTest_03_NG'에서 100%, 'WeldingTest_04_NG'에서 99.64%의 F1 score를 기록하며 간헐적 결함과 연속적 결함을 모두 높은 정확도로 탐지하였다. 본 연구는 정상 데이터만으로 학습한 오토인코더 모델이 실제 제조 환경에서도 다양한 이상 상황을 효과적으로 판별할 수 있음을 실험적으로 입증하였으며, 자율 제조 기반의 품질 관리 시스템 구축에 실질적인 기여가 가능함을 보여준다.