2026년 한국소성가공학회 춘계학술대회 부스 운영 (04월16일 ~ 04월17일)

복합단조 공정에서 이종소재(AL-STEEL) 프리폼 형상 및 공정 변수의 통합 최적 설계에 관한 연구 발표

이종소재를 활용한 복합단조 공정은 자동차 부품의 경량화와 고강도를 동시에 확보할 수 있어 적용이 빠르게 확대되고 있습니다. 하지만 알루미늄과 스틸의 변형 저항 차이로 인해 성형 중 소재 유동이 불균형해지고, 이로 인해 미성형이나 접합 불량과 같은 품질 문제가 발생할 수 있습니다.

이를 해결하기 위해서는 프리폼 형상과 공정 조건을 함께 고려한 설계가 필요합니다.

본 연구에서는 해석 기반으로 프리폼 형상과 공정 변수를 통합적으로 평가하는 설계 방법을 제안했습니다.

QForm Direct를 활용해 다양한 프리폼 형상을 생성하고, 이종소재 복합단조 공정에 대한 유한요소 해석을 수행했습니다. 성형 하중, 미충진 영역, 알루미늄-스틸 접촉 상태를 주요 지표로 설정해 성형 거동을 분석했으며, 공정 변수 변화에 따른 소재 유동과 접촉 특성을 비교해 주요 영향 인자를 도출했습니다. 또한 형상과 공정 변수 간의 상호작용도 함께 검토했습니다.

결론적으로, 본 연구는 이종소재 복합단조 공정에서 해석 기반 통합 설계 접근이 효과적인 방법이 될 수 있음을 보여줍니다.

허브베어링 단면 치형부 버 결함의 촬영 조건 최적화 및 AI 기반 비전 검사 적용 연구 발표

기존 와전류 탐상으로 검출이 어려웠던 치형 버(Burr) 결함에 대해, 최적 촬영 조건과 AI 비전 검사를 결합한 자동 검출 가능성을 검증했습니다.

초기에는 치형을 수직 방향에서 촬영했지만, 광반사와 형상 중첩으로 인해 결함 식별이 어려웠고 CLAHE, 감마 보정 등 이미지 전처리 기법의 효과도 제한적이었습니다. 반면 촬영 각도를 측면으로 변경하자 버 결함 형상이 훨씬 명확하게 드러나며, 촬영 각도와 조명 조건이 핵심 변수임을 확인했습니다.

측면 촬영 기반 데이터셋에 YOLO 모델을 적용한 결과, 초기 50장 데이터에서 약 91.6% mAP를 기록했고, 데이터 증강 후 100장 기준 약 99.5%까지 성능이 향상되었습니다. 또한 스크래치와 버 결함 간 오검출도 감소하는 경향을 보였습니다.

결론적으로, 적절한 촬영 조건 확보와 데이터 확장이 AI 기반 결함 검출 성능을 크게 좌우하며, 향후 추가 데이터 확보를 통해 실공정 적용 신뢰성을 높일 계획입니다.

조명 조건에 따른 허브베어링 단면 치형 부위의 딥러닝 기반 프리폼 결함 및 핀 박힘 결함 검출 연구 발표

자동차용 허브베어링 치형 부위는 금속의 높은 반사율과 복잡한 형상 때문에 결함 검출이 쉽지 않습니다.

특히 프리폼 단계에서 발생하는 변형 결함과 오비탈 공정 중 핀 파손으로 인한 압흔 결함은 경계가 불명확하고 데이터 확보도 어려워 AI 모델 학습에 한계가 있습니다. 본 연구에서는 검출 성능 개선을 위해 조명, 배경, 라벨링, 데이터 구성 방식을 분석했습니다.

그 결과, 링 조명과 4채널 조명이 반사 균일성과 밝기 측면에서 효과적이었고, 검은 배경이 결함 식별에 유리한 조건을 제공했습니다. 또한 치형을 개별 단위로 세분화해 라벨링하는 방식이 검출 성능 향상에 도움이 되었으며, 실제 데이터를 추가 확보할수록 정확도도 함께 개선되었습니다.

결론적으로, 단조 치형 결함 검출 성능은 모델 자체보다 데이터 품질과 촬영 조건에 크게 영향을 받는 것으로 확인되었습니다.

(주)CAE테크놀러지는 이번 전시회에서 자사가 공급하는 소성가공 공정해석 소프트웨어 QForm과 Stampack Xpress를 중심으로 다양한 금속가공 시뮬레이션 솔루션을 소개했습니다. 현장에서는 금속 단조 및 판재성형 해석을 직접 시연하며 참석자들에게 시뮬레이션을 통한 공정 최적화와 품질 개선 사례를 공유했습니다.

(주)CAE테크놀러지는 앞으로도 소성가공 분야의 발전을 위해 다양한 학술 행사와 산업 전시회에 참여하며, 국내 연구자 및 기업 고객에게 보다 향상된 기술 지원을 제공할 예정입니다.