용접 품질 예측의 새로운 지평: L-시리즈 퍼지 패턴 인식을 통한 공정-외관 관계 분석

이 기술 요약은 Jinhong Li와 Kangpei Zhao가 [TELKOMNIKA Indonesian Journal of Electrical Engineering]에 발표한 “Application of L-series of Formation in Fuzzy Pattern Recognition” (2014) 논문을 기반으로 하며, STI C&D의 기술 전문가에 의해 분석 및 요약되었습니다.

Keywords

• Primary Keyword: 퍼지 패턴 인식 (Fuzzy Pattern Recognition)
• Secondary Keywords: L-시리즈 (L-series), 용접 공정 최적화 (Welding Process Optimization), 정보 과립 (Information Granules), 러프 집합 이론 (Rough Set Theory), 데이터 이산화 (Data Discretization)

Executive Summary

• The Challenge: 기존의 퍼지 패턴 인식 방법은 전문가의 경험에 기반한 멤버십 함수에 의존하여 주관적이고 정확한 모델 구축이 어려운 한계가 있었습니다.
• The Method: 본 연구는 추상 해석적 정수론의 ‘L-시리즈 형성’ 개념을 도입하여, 데이터를 ‘정보 과립’으로 분류하고 멤버십 함수 없이 객관적으로 패턴을 인식하는 새로운 방법을 제안합니다.
• The Key Breakthrough: 제안된 L-시리즈 방법론을 용접 데이터 분석에 적용했으며, 그 결과가 러프 집합 이론(Rough Set Theory)을 사용한 별도의 분석 결과와 일치함을 확인함으로써 방법론의 타당성을 입증했습니다.
• The Bottom Line: L-시리즈 접근법은 용접 품질 예측과 같이 복잡한 제조 공정의 패턴 인식 문제에 대해 기존보다 더 객관적이고 광범위하게 적용할 수 있는 수학적 프레임워크를 제공합니다.

The Challenge: Why This Research Matters for CFD Professionals

제조 현장에서 용접 품질과 같은 복잡한 결과를 예측하고 제어하는 것은 엔지니어들의 오랜 과제입니다. 특히 기상 과학, 의료, 엔지니어링 정찰 등 다양한 분야에서 알려진 지식을 바탕으로 불분명한 특성을 가진 객체가 어떤 유형에 속하는지 판단해야 하는 ‘패턴 인식’ 문제는 매우 중요합니다.

기존의 퍼지 추론(fuzzy reasoning)과 같은 고전적인 인식 방법들은 ‘멤버십 함수’를 활용하여 샘플과 모델을 측정합니다. 하지만 이 퍼지 규칙과 멤버십 함수는 주로 전문가의 경험에 따라 결정되기 때문에, 정확하고 합리적인 함수를 설정하기 어렵다는 본질적인 한계가 있습니다. 이러한 주관성은 특정 환경에 맞는 함수를 선택하는 데 불필요한 복잡성을 야기하고, 분석 결과의 신뢰성을 저해하여 실제 산업 적용을 제한하는 요인이 되어 왔습니다. 본 연구는 바로 이 문제를 해결하기 위해 시작되었습니다.

The Approach: Unpacking the Methodology

본 연구는 기존의 주관적인 멤버십 함수 의존성을 극복하기 위해 John Knofmacher에 의해 정립된 ‘추상 해석적 정수론’이라는 독특한 수학적 접근법을 채택했습니다.

연구의 핵심 아이디어는 모델 데이터와 식별 대상 객체를 ‘정보 과립(information granules)’이라는 개념으로 취급하는 것입니다. 이 정보 과립들은 복소 평면 위의 한 점으로 표현되며, 각 점은 극좌표계를 사용하여 고유한 위치를 갖습니다. – 극반경 (ρ): 정보 과립(등가 클래스)의 놈(norm)으로, 데이터의 크기나 강도를 나타냅니다. – 극각 (θ): 정보 과립 내 데이터 요소들의 분산 정도(산포도)를 반영합니다.

이러한 좌표계 위에서, 식별하려는 객체 [c]와 알려진 모델 베이스 [a] 사이의 관계는 ‘L-시리즈’라는 수학적 함수 L(s, χ)를 통해 정의됩니다. 두 정보 과립의 L-시리즈 함수 값의 차이가 매우 작으면, 두 과립은 서로 ‘가깝다’고 판단하여 동일한 패턴으로 분류합니다.

이 방법론을 검증하기 위해, 연구진은 ZL114A 알루미늄(두께 8mm) 소재의 용접 공정에 이를 적용했습니다. – 공정 변수 (조건 속성): 레이저 출력(P), 와이어 공급 속도(WFS), 용접 속도(V), 전류(I) – 용접 결과 (결정 속성): 용접 폭(d₁), 용접 깊이(d₂)

총 12개의 실험 데이터 그룹을 분석하여 공정 변수와 용접 외관 사이의 관계를 규명하고자 했습니다.

The Breakthrough: Key Findings & Data

본 연구는 L-시리즈를 통한 새로운 패턴 인식 방법론을 제안하고, 이를 실제 용접 데이터에 적용하여 그 유효성을 입증하는 데 성공했습니다.

Finding 1: 객관적 패턴 인식을 위한 새로운 수학적 프레임워크 제시

가장 큰 성과는 L-시리즈라는 수학적 도구를 통해 기존 퍼지 이론의 주관성을 배제한 새로운 패턴 인식 모델을 제시했다는 점입니다. 이 방법은 복잡한 데이터 집합을 ‘정보 과립’으로 추상화하고, 이들 간의 관계를 해석적 함수로 분석함으로써, 경험에 의존하지 않는 일관된 분류 기준을 제공합니다. 이는 다양한 공학적 문제에 적용할 수 있는 일반화된 방법론의 가능성을 열어줍니다.

Finding 2: 교차 검증을 통한 방법론의 신뢰성 확보

제안된 방법의 신뢰도를 높이기 위해, 연구진은 동일한 용접 데이터(Table 1)를 ‘러프 집합 이론(Rough Set Theory)’이라는 다른 분석 기법으로 교차 검증했습니다. 러프 집합 이론은 불완전하고 불확실한 데이터를 다루는 데 효과적인 도구입니다. 분석 결과, 러프 집합 이론에 따른 데이터 분류 결과가 L-시리즈 방법론이 예측하는 결과와 “일치(coincident)”함을 확인했습니다.

예를 들어, 논문의 7절 ‘등가 분류(Equivalent Classification)’에 따르면, 러프 집합 분석 결과 실험 e₁, e₄, e₁₁, e₁₂는 모두 동일한 결정 클래스 Y₁ = {e₁, e₄, e₁₁, e₁₂}에 속하는 것으로 나타났습니다. 이는 해당 실험들의 용접 외관(용접 폭 및 깊이)이 거시적으로 매우 유사하다는 것을 의미하며, L-시리즈 방법론 또한 이와 같은 패턴을 성공적으로 인식할 수 있음을 시사합니다. 이러한 일치성은 제안된 L-시리즈 방법이 실제 산업 데이터의 복잡한 패턴을 효과적으로 식별할 수 있음을 강력하게 뒷받침합니다.

Practical Implications for R&D and Operations

• For Process Engineers: 본 연구는 L-시리즈 방법이 특정 공정 변수(레이저 출력, 이송 속도 등)의 조합이 어떻게 유사하거나 상이한 용접 결과로 이어지는지 식별하는 강력한 도구가 될 수 있음을 시사합니다. 이를 통해 원하는 용접 품질을 얻기 위한 공정 최적화에 기여할 수 있습니다.
• For Quality Control Teams: 논문의 Table 1 데이터와 그 분류 결과는 입력 변수와 출력 품질 간의 명확한 연관성을 보여줍니다. 이 접근법은 단순한 통계적 공정 관리를 넘어, 품질을 예측하고 잠재적 불량을 사전에 방지하는 정교한 예측 모델을 개발하는 데 활용될 수 있습니다.
• For Design Engineers: 비록 연구가 공정에 초점을 맞추고 있지만, 패턴 인식이라는 근본 원리는 제조 용이성 설계(DFM)에도 확장 적용될 수 있습니다. 특정 변수 조합이 결과에 미치는 영향을 이해하는 것은 초기 설계 단계에서부터 품질 문제를 최소화하는 데 중요한 고려 사항이 될 것입니다.

Paper Details

Application of L-series of Formation in Fuzzy Pattern Recognition

1. Overview:

• Title: Application of L-series of Formation in Fuzzy Pattern Recognition
• Author: Jinhong Li, Kangpei Zhao
• Year of publication: 2014
• Journal/academic society of publication: TELKOMNIKA Indonesian Journal of Electrical Engineering
• Keywords: fuzzy pattern recognition, L-series of formation, information granules

2. Abstract:

본 논문에서는 정보 과립화 아이디어를 통해 모델 베이스와 식별 대상을 정보 과립으로 분류한다. 적절한 극좌표계가 설정된다. 퍼지 패턴 인식 문제는 추상 해석적 정수론의 L-시리즈 형성을 통해 연구된다. 대량의 데이터로 구성된 정보 과립의 모델 베이스 유형을 평가하는 방법이 제시된다. 추가적으로, 이 방법은 용접 공정에서 공정 변수와 용접 외관 사이의 관계를 분석하는 데 사용된다. 동시에, 용접 외관과 공정 변수 간의 관계는 러프 집합과 속성-우선순위 알고리즘에 기반한 데이터 이산화 처리를 통해 연구된다. 이 두 방법의 결과는 일치한다. 본 논문에서 제안된 방법은 사실임이 증명되었다.

3. Introduction:

일상생활에서 사람들은 감각을 통해 그래픽, 문자, 언어를 인식할 수 있다. 그러나 기상 과학, 공학 정찰, 환경 공학, 의학, 범죄 수사 등 많은 분야에서는 공통적인 특징이 있다. 우리는 알려진 지식을 사용하여 모호한 소속을 가진 객체가 어떤 유형인지 판단하고 식별해야 한다. 이것이 패턴 인식 문제이다.

지난 30년간 인공지능의 새로운 하위 분야로서, 고전적인 인식 방법들은 최대 멤버십 등급 원리와 근접성 원리에 초점을 맞추었다. 이후, 일부 학자들은 다른 문제들을 겨냥한 인식 모델들을 제안했다. 참고문헌 [1]에서는 지속 가능한 개발 시스템의 퍼지 인식 모델과 방법이 제시되었다. 이는 퍼지 결정 이론과 평가 지표 가중치 벡터 방법을 포함한다. Zhang Shoufeng은 참고문헌 [2]에서 삼각 퍼지 수로 퍼지 개념을 나타내고, 이 모델을 사용하여 기업 역량을 종합적으로 평가하고 인식하는 새로운 다단계 퍼지 패턴 인식 모델을 제시했다. 위에서 언급된 모든 인식 방법들은 퍼지 추론의 도움을 받는다. 샘플과 모델 베이스는 멤버십 함수를 이용하여 측정된다. 사실, 퍼지 규칙은 보통 경험에 따라 결정된다. 정확하고 합리적인 멤버십 함수를 설정하는 것은 어려우며, 이는 그들의 응용을 제한할 것이다.

본 논문에서는 John Knofmacher에 의해 정립된 추상 해석적 정수론의 아이디어로 퍼지 패턴 인식 문제를 논의할 것이다. 우리는 모델 베이스 집합을 산술 반군(arithmetical semigroup)으로 생각하고, 식별될 객체를 등가 클래스(equivalence class)로 간주한다. 최종적으로 객체와 알려진 모델 베이스 간의 관계는 L-시리즈에 의해 주어진다. 이 방법으로, 우리는 일부 특수 영역을 임의의 반군으로 추상화하고 더 많은 유형의 인식 문제를 처리할 수 있다. 추가적으로, 우리는 다른 환경에서 다른 멤버십 함수를 선택함으로써 발생하는 불필요한 문제를 피하고 주관적 요인의 영향을 줄일 수 있다.

4. Summary of the study:

Background of the research topic:

고전적인 퍼지 패턴 인식 방법은 멤버십 함수에 의존하며, 이는 경험에 기반하여 설정되기 때문에 주관적이고 정확성에 한계가 있다.

Status of previous research:

기존 연구들은 최대 멤버십 원리나 퍼지 추론에 기반한 모델을 제안했으나, 모두 합리적인 멤버십 함수를 설정하는 데 어려움을 겪어 적용 범위가 제한되었다.

Purpose of the study:

본 연구는 추상 해석적 정수론의 L-시리즈 개념을 도입하여, 멤버십 함수에 의존하지 않는 객관적이고 일반화된 퍼지 패턴 인식 방법을 제안하고, 그 유효성을 실제 용접 공정 데이터 분석을 통해 검증하는 것을 목적으로 한다.

Core study:

데이터 집합을 ‘정보 과립’으로 정의하고, 이를 극좌표계 상의 점으로 표현한다. L-시리즈 함수를 이용해 정보 과립 간의 유사성을 측정하여 패턴을 인식하는 모델을 수립한다. 이 모델을 용접 공정 변수와 용접 외관의 관계 분석에 적용하고, 러프 집합 이론을 통한 분석 결과와 비교하여 방법론의 타당성을 검증한다.

5. Research Methodology

Research Design:

본 연구는 새로운 이론적 모델을 제안하고 이를 실제 실험 데이터에 적용하여 검증하는 방식으로 설계되었다. 먼저 추상 해석적 정수론에 기반한 L-시리즈 패턴 인식 모델을 수학적으로 정립한다. 그 후, 이 모델을 ZL114A 알루미늄 용접 실험에서 얻은 12개 데이터 세트에 적용하여 공정 변수와 용접 품질 간의 관계를 분석한다. 마지막으로, 제안된 모델의 결과를 러프 집합 이론 기반 분석 결과와 비교하여 일관성을 확인한다.

Data Collection and Analysis Methods:

데이터는 ZL114A 알루미늄 소재의 용접 실험을 통해 수집되었다. 12개의 실험 그룹에 대해 레이저 출력, 와이어 공급 속도, 용접 속도, 전류 등 4개의 공정 변수와 용접 폭, 용접 깊이라는 2개의 결과 변수를 측정했다(Table 1). 데이터 분석은 제안된 L-시리즈 방법과 비교 검증을 위한 러프 집합 및 속성-우선순위 알고리즘 기반 데이터 이산화 방법을 사용했다.

Research Topics and Scope:

본 연구는 퍼지 패턴 인식의 새로운 방법론 개발에 초점을 맞춘다. 연구 범위는 L-시리즈 형성 이론의 적용, 정보 과립 개념의 도입, 그리고 이를 용접 공정 데이터 분석에 적용하는 것으로 한정된다.

6. Key Results:

Key Results:

• 추상 해석적 정수론의 L-시리즈를 이용한 새로운 퍼지 패턴 인식 방법론을 제안함.
• 제안된 방법론은 기존의 주관적인 멤버십 함수 설정 문제를 회피할 수 있음.
• 용접 공정 데이터 분석에 제안된 방법을 적용하여 공정 변수와 용접 외관 간의 관계를 분석함.
• 러프 집합 이론을 이용한 비교 분석 결과, 제안된 방법론의 결과와 일치함을 확인함. 구체적으로, 러프 집합 분석을 통해 e₁, e₄, e₁₁, e₁₂ 실험 결과가 거시적으로 매우 유사한 용접 외관을 가짐을 보였으며, 이는 제안된 방법의 타당성을 뒷받침함.

Figure List:

• Table 1. Welding Process Parameters and Weld Dimension
• Table 2. The Final Information Table

7. Conclusion:

본 논문에서는 인식 대상 정보 과립을 복소 평면 위의 한 점으로 간주한다. L-시리즈의 해석적 속성을 이용하여 간단하고 실행 가능한 인식 방법이 제시되었다. 우리가 논의한 일부 담론 영역은 모두 산술 반군으로 추상화될 수 있다. 따라서 이 방법은 일반성과 넓은 적용 범위를 가지는 특징이 있다.

8. References:

1. Shouyu Chen, Daojun Zhang, Guangtao Fu. Study on fuzzy recognition model of center city in area layout. Journal of Liaoning Technical University. 2002; 21: 814-817 (in Chinese).
2. Shoufeng Zhang, Rongjia Luo, Dongxiang Li. Application of multi-hierarchy and multi-pole fuzzy pattern recognition to enterprise competence. Journal of Wuhan university of technology. 2003;25: 83-86 (in Chinese).
3. J Knofmacher. Abstract analytic number therem, North-Holland. 1975.
4. Wenhang Li, Shanben Chen, Jiayou Wang: Model of Pulsed GTAW Process based on Variable Precision Rough Set. Transactions of the China Welding Instituttion. 2008; 29: 57-59 (in Chinese).
5. Jinhong Li, Kangpei Zhao. Relation model between process parameters and weld appeareance based on rough set. 2012 IET International Conference. Ei. 2012.
6. Wang Guoyin. Routh Set Theory and Knowledge Accquiring. Xi’an: Xian Jiaotong University Press. 2001.
7. Fan Juan, Wang Hong-yan. Disposal of Data Discretization in KnowledgeDiscovering. Journal of Baoding teachers college. 2006; 19(2): 40-41.

Expert Q&A: Your Top Questions Answered

Q1: 왜 전통적인 머신러닝이나 통계적 방법 대신 추상 해석적 정수론이라는 생소한 접근법을 선택했나요?

A1: 본 연구의 주된 목적은 전통적인 퍼지 논리가 가진 ‘멤버십 함수’ 설정의 주관성을 피하는 것이었습니다. 추상 해석적 정수론과 L-시리즈를 사용하면, 경험에 기반한 함수 정의 없이도 데이터 집합 간의 관계를 수학적으로 엄밀하게 정의할 수 있습니다. 이는 보다 객관적이고 일반화된 패턴 인식 프레임워크를 구축하기 위한 선택이었습니다.

Q2: 용접 실험에서 ‘정보 과립(information granule)’의 실제적인 의미는 무엇인가요?

A2: 용접 실험에서 정보 과립은 각 실험 조건을 나타냅니다. 예를 들어, Table 1의 12개 실험(e1부터 e12) 각각은 ‘레이저 출력, WFS, 속도, 전류’라는 공정 변수 조합과 그로 인한 ‘용접 폭, 깊이’라는 결과 값을 포함하는 하나의 정보 과립입니다. 모델 베이스는 이미 알려진 ‘양호한’ 또는 ‘불량한’ 용접 결과에 해당하는 정보 과립들의 집합이 될 수 있습니다.

Q3: 논문에서 L-시리즈와 러프 집합 방법의 결과가 “일치한다”고 했는데, 데이터에서 구체적인 예를 들어 설명해 주실 수 있나요?

A3: 네, 7절의 러프 집합 분석 결과를 보면 알 수 있습니다. 이 분석은 결정 속성(용접 외관)을 기준으로 12개 실험을 그룹화하는데, Y₁ = {e₁, e₄, e₁₁, e₁₂}라는 등가 클래스가 도출됩니다. 이는 e₁, e₄, e₁₁, e₁₂ 네 가지 실험 조건이 거시적으로 매우 유사한 용접 폭과 깊이를 가진다는 의미입니다. 논문은 L-시리즈 방법 역시 이 실험들을 유사한 패턴으로 분류할 것이라고 암시하며, 두 방법의 결과가 일치함을 보여줍니다.

Q4: L-시리즈 간의 ‘거리’는 어떻게 계산되며, 이 방법은 매개변수 ε의 선택에 얼마나 민감한가요?

A4: 거리는 두 L-시리즈 함수 값의 절대 차이, 즉 |La – Lc|로 계산됩니다. 논문에서는 이 차이가 임의의 작은 양수 ε보다 작아야 한다고 언급합니다. 이는 두 정보 과립이 매우 가까우면 그들의 L-시리즈 함수가 거의 동일하다는 것을 의미합니다. 따라서 ε의 선택은 ‘가깝다’고 판단하는 임계값을 결정하며, 분석의 민감도에 영향을 미칠 수 있습니다.

Q5: 최종 정보 테이블(Table 2)은 이산화된 값을 사용하는데, Table 1의 원래 연속적인 값들은 어떻게 변환되었나요?

A5: 6절 ‘데이터 이산화 처리(Disposal of Data Discretization)’에서 그 과정을 설명합니다. 연구진은 데이터 범위를 기준으로 이산화 규칙을 설정했습니다. 예를 들어, 용접 폭(d₁)의 경우 1-8 사이의 값, 8-9 사이의 값 등을 서로 다른 범주로 나누는 방식입니다. 이 과정은 데이터를 러프 집합 분석에 적합한 형태로 변환하기 위해 수행되었습니다.

Conclusion: Paving the Way for Higher Quality and Productivity

본 연구는 추상 해석적 정수론의 L-시리즈를 활용하여 퍼지 패턴 인식 문제에 대한 새롭고 객관적인 접근법을 제시했습니다. 용접 공정 데이터 분석을 통해 입증되었듯이, 이 방법은 주관적인 경험에 의존하지 않고도 복잡한 제조 공정 변수와 결과 품질 간의 관계를 효과적으로 규명할 수 있는 잠재력을 가지고 있습니다. 이는 더 높은 수준의 공정 제어와 품질 예측으로 나아가는 중요한 발판이 될 수 있습니다.

STI C&D는 최신 산업 연구 결과를 적용하여 고객이 더 높은 생산성과 품질을 달성할 수 있도록 돕는 데 전념하고 있습니다. 본 논문에서 논의된 과제가 귀사의 운영 목표와 일치한다면, 저희 엔지니어링 팀에 연락하여 이러한 원칙을 귀사의 부품에 어떻게 구현할 수 있는지 논의해 보십시오.

(주)에스티아이씨앤디에서는 고객이 수치해석을 직접 수행하고 싶지만 경험이 없거나, 시간이 없어서 용역을 통해 수치해석 결과를 얻고자 하는 경우 전문 엔지니어를 통해 CFD consulting services를 제공합니다. 귀하께서 당면하고 있는 연구프로젝트를 최소의 비용으로, 최적의 해결방안을 찾을 수 있도록 지원합니다.

• 연락처 : 02-2026-0450
• 이메일 : flow3d@stikorea.co.kr

Copyright Information

• This content is a summary and analysis based on the paper “Application of L-series of Formation in Fuzzy Pattern Recognition” by “Jinhong Li, Kangpei Zhao”.
• Source: http://dx.doi.org/10.11591/telkomnika.v12i3.4521

This material is for informational purposes only. Unauthorized commercial use is prohibited. Copyright © 2025 STI C&D. All rights reserved.