권기연 교수는 삼성중공업에서 10년간 근무를 했으며, 2016년 9월에 금오공대 산업공학과에 부임했다. 전통적인 CAD/CAM/CAE 분야의 연구를 수행하고 있으며, 관련하여 40여 건의 산업체 및 정부 R&D 과제를 수행하고 있다. 주요 연구 분야 및 적용 사례에 대해서 몇 가지 소개한다. 

1. CAD 형상 처리 및 작업 경로 생성

카티아, 솔리드웍스, 라이노 등과 같은 3차원 CAD 소프트웨어는 솔리드 형상을 표현하기 위해 경계표현법(boundary representation, B-rep)과 구성적 솔리드 형상(construction solid geometry, CSG) 방법을 이용한다. 그러나 형상을 가시화하기 위해서는 이를 삼각망으로 구성하고, OpenGL을 이용해서 모니터 화면에 표현한다. CAD 파일 형식으로 많이 사용되는 sat, step, iges와 같은 경우는 솔리드를 B-rep 및 CSG 방법으로 파일 내에 데이터를 저장하고 있으며, 이 파일을 읽어서 화면에 가시화를 하기 위해서는 삼각망으로 구성하는 작업이 필요하다.

기계, 조선 및 플랜트 분야에서 사용되고 있는 CAD는 상당히 고가이며, 고성능의 HW 사양이 요구된다. 그러나 설계 검토 및 제조 과정에서는 해당 형상을 2D 도면 대신에 3차원 기반으로 확인할 수 있으면 된다. 이를 위해 대용량 데이터를 빠르게 가시화를 하기 위한 경량모델(lightweight model)을 구축하여 활용하고 있다. 경량모델은 단순히 가시화를 위해 삼각형으로 구성되어 있으며, 삼각형 밀도가 낮을수록 데이터 크기는 작아지고, 가시화 성능을 좋아진다. 그러나 곡선/곡면 부분에서는 실제 형상과 오차가 발생한다. 이와 반대로 밀도가 높을수록 데이터 크기는 커지고, 가시화 성능은 느려 진다. 

<솔리드의 경량모델>

<STEP 파일과 경량파일 비교>

경량모델의 주 목적은 가시화 용도이다. 따라서 파일 크기를 줄이고 가시화 성능을 높이는 것이 중요하다. 이를 위해서는 형상을 표현하는 삼각형 개수를 줄이는 것이 필요하다. CAD 모델 기반 간략화는 모델링 이력이나 솔리드와 면의 모양을 판단해서 특징 형상을 인식하여 수행된다. 그러나 경량모델은 이와 같은 정보를 포함되어 있지 않아서 CAD 모델로 다시 복원을 해서 수행을 해야 한다. 아래 예제는 플랜트 구조물이며 각 부재의 형상을 인식해서 타입에 맞게 간략화를 수행한 예이다. 초기 원본대비 약 15%의 삼각형으로 표현이 되었다. 이는 파일 크기를 15% 수준으로 줄일 수 있고, 가시화 성능을 7배 정도 높일 수 있다.

<경량모델 간략화>

경량모델은 파일 크기를 줄이기 위해 일반적으로 부가 정보를 저장하지 않고 있다. 아래 그림은 조선소에 활용되고 있는 선박 블록에 대한 경량모델이며, 파일 내에는 부재의 이름과 형상에 대한 삼각형 정보만 존재하다. 이를 활용해서 용접 자동화를 위한 용접 경로를 생성하기 위해서는 부재 타입을 인식해서 작업 영역을 구분하고, 해당 작업 구역에서 작업해야 할 용접선을 추출해야 한다. 부재 타입은 삼각형의 연결 정보를 이용해서 면을 구분하고, 면의 모양들을 이용해서 분류된다. 용접선은 부재와 부재가 맞닿은 위치이다.

<경량모델 기반 용접 경로 생성>

2. 대용량 점군 데이터 처리

최근에는 3차원 점군 데이터를 이용해서 제작 및 설치 검사에 활용하고 있다. 이는 3차원 레이저 스캐너 또는 깊이 카메라를 이용해서 획득되며, 많게는 수십억 개의 포인트로 구성된다. 빠른 시간 안에 대용량의 데이터를 획득할 수 있지만, 관심 영역 이외의 데이터가 포함되고, 많은 노이즈를 포함하고 있다. 이로 인해서 상당한 후처리 작업이 요구된다. 전산설계연구실에서는 대용량 점군 데이터를 활용하여 제조 과정에 대한 환경을 인식하거나 치수 오차 분석에 대한 연구를 진행하고 있다. 

부품 인식을 위해 주로 비전 및 AI 방법이 활용되고 있다. 그러나 이는 인식 대상에 대한 학습이 필요하고, 유사한 형상 및 노이즈가 포함된 경우에는 정확도가 떨어진다. 점군 데이터로부터 노이즈를 제거하고, 부재의 경계 및 특징 부분을 추출하여 CAD 데이터와 비교를 통해 해당 부품을 인식할 수 있다. 또한 CAD데이터가 없는 경우 작업 경로를 사전에 생성할 수가 없는데, 측정 데이터를 기반으로 용접선을 인식하여 작업 경로를 생성할 수 있다.

<점군 데이터 기반 부재 및 용접선 인식>

아래 그림은 자동차 가공 부품에 대한 형상 검사를 수행한 모습이다. 홀/너트/볼트에 대한 가공 및 조립 유무를 검사하고, 절단 및 변형 가공이 정확하게 이루어졌는지를 수치적으로 평가한다. 일반적으로 흐름 생산 방식으로 가공이 되어 빠른 검사 수행이 필요하다. 측정된 점군데이터에 대해서 대상을 추출하고, 점군 데이터를 CAD 형상에 매핑하여 오차를 분석한다. 매핑에는 주로 ICP(iterative closest point) 방법이 활용되고, 빠른 연산을 위해서는 포인트에 인접하는 삼각형을 빠르고 효율적으로 찾는 것이 중요하다.

<가공 부품 형상 검사>

점군 데이터는 순수하게 점으로만 이루어져 있어서 다양한 공정에 활용하기에는 사용이 제한적이어서 삼각형 요소망으로 복원하여 활용하는 사례가 늘고 있다. 아래 그림은 점군에 대한 삼각형 및 사각형 요소로 복원한 예이다. 면적 및 볼륨 계산이 용이하고, 3차원 형상 기반으로 필요한 특이점을 추출할 수 있다. 가축의 무게 추정 내용은 돼지의 앞/뒤 다리 및 몸통을 구분하여 치수를 산출하거나, 깊이 이미지를 만들어서 딥러닝 기반으로 정확한 무게를 추정하였다.

<점군 데이터에 대한 형상 복원>

점군 데이터는 대용량이며 많은 노이즈가 포함되어 있다. 따라서 빠르고 정확하게 처리하는 것이 중요하다. 자체적으로 개발한 점군 데이터 처리 플랫폼을 보유하고 있으며, 대용량 데이터 가시화, 편집, 복원을 포함하여 다양한 분석 기능이 포함되어 있다. PC 성능에 따라 차이는 있지만, 본 연구실에서 앞서 소개한 예제에 대해서 처리하는 데에 소요되는 시간은 대략적으로 0.5초 정도이다.

3. CAE 전후처리기

마지막으로 전산설계연구실에서 수행하고 있는 연구는 CAE 해석을 위한 요소망 생성 및 전후처리기 개발이다. 현재 CAE 요소망은 상당수의 CAD 소프트웨어에서도 제공하고 있으며, 알고리즘 관련해서는 더 이상의 연구가 필요한 분야는 아니다. 최근에는 CAE해석을 수행하지 않고, AI를 통해 결과를 예측하는 연구가 주를 이루고 있으나, 아직까지 실제 CAE해석을 대체하기에는 걸음마 수준이다. CAD 데이터 전처리를 통한 요소망 생성은 시간과 노력이 많이 요구되는 작업이며, 본 연구실에는 특정 공정의 해석을 위해 CAD 전처리 및 요소망 생성 자동화에 관한 연구를 진행하고 있다.

아래 그림은 선박 블록에 대해서 요소망을 생성한 예이다. 선체는 외판에 수많은 보강재가 체결된다. 따라서 이의 연결성을 모두 맞추면서 요소망을 생성하는 것은 어려운 문제이다. 이를 위채 부재가 만나는 위치에 zero-gap의 내부 루프를 생성하여 요소망을 생성하였다.

<선박 선체 요소망 생성>