^*L-PBF(Laser powder bed fusion): 분말 재료 위에 고온의 레이저를 조사해 선택적으로 결합시키는 금속 3D 프린팅 방식 중 하나. 정교한 프린팅이 가능하다.

[붙임] 연구결과 개요

1. 연구배경

4차 산업혁명의 영향으로, 제조 산업은 센서, 반도체, 인공지능(AI) 및 사물 인터넷(IoT)이 결합 되어 기존 제조 공정만으로는 불가능했던 기술을 개발할 수 있게 되었다. 심층 신경망 및 합성곱 신경망을 포함한 다양한 인공신경망 기술의 발전으로 AI는 인간이 하기 번거롭거나 어려운 다양한 작업을 가능케 하였다. 그러나 기계 시스템이나 공장의 물리적 환경에서는 의미 있는 빅데이터를 수집하기 힘들어 제조 분야에서 AI를 적용한 연구는 부족한 실정이다. 금속 부품의 표면에 센서를 부착하여 기계 시스템과 센서를 결합하는 시도는 있었으나, 표면에 부착되는 센서는 노출되는 환경을 고려할 때 여러 가지 한계가 존재한다.

다양한 재료와 모양으로 제조 가능한 적층제조 기술은 최근 몇 년간 각광 받고 있으며 이 기술을 사용하여 센서 혹은 IC칩을 임베딩(삽입)하는 연구도 최근 보고되고 있다. 이러한 센서를 임베딩하는 기술을 기계시스템에 적용하면 각 부품 상태를 모니터링하고 진단할 수 있어, 기계 시스템의 초 연결화 및 초 지능화에 기여할 수 있을 것으로 기대된다.

2. 연구내용

L-PBF 기법을 활용하여 3단계에 걸쳐 변형률 측정 센서를 T자형 금속 브라켓 내부에 삽입하였다. 첫 번째 단계는 센서가 삽입될 위치까지 1차 금속부품을 프린팅하였다. 두 번째 단계에서 센서를 지정된 위치에 올리고 프로텍티브 레이어를 덮어 레이저와 센서의 접촉을 최소화 하였다. 마지막 단계에서 2차로 L-PBF 공정을 진행하여 센서가 삽입된 T자형 지능형 금속을 완성하였다. 완성된 1차 부품 위에 스트레인 게이지를 놓고 미리 준비된 프로텍티브 레이어(보호막)를 덮은 다음 삽입된 스트레인 게이지로 금속의 변형 데이터를 출력하였다.

일반 금속 부품과 달리 이 지능형 금속은 센서 임베딩 공정으로 인해 기계적 물성이 저하될 우려가 있다. 이러한 문제를 방지하기 위해 센서의 임베딩 위치를 최적화 하기 위한 위상최적화를 실시하였고, 중앙부분이 기계적 물성 저하를 최소화하는 위치로 선정되었다. 금속 제작 이후 기계적 특성을 확인하기 위해 DIC 인장 테스트와 미세조직 분석을 실시하여 센서 임베딩 위치의 안정성을 확인하였다.

출력된 데이터를 활용하여 총 3가지 테스트를 진행하였다. 첫 번째 테스트는 금속에 체결된 나사의 풀림 상태 감지 테스트이다. 금속 내부에서 출력된 변형 데이터를 인공신경망 기법 중 하나인 CNN 기법으로 학습시켜 4가지 나사 풀림 상태를 구분하였다. 맨위 2개 나사에 대한 풀림 상태를 감지하였으며 첫 번째 상태는 완전히 체결된 상태; 왼쪽 나사가 약간풀린상태; 왼쪽 나사가 빠진상태; 왼쪽 나사는 풀리고 오른쪽 나사는 빠진 상태, 총 4가지 상태로 구분하였다. 각각의 상태에서 출력된 변형 데이터는 FFT를 거쳐 Spectrofgram으로 변환되었고 CNN 모델의 학습을 위한 인풋 데이터로 활용되었다. 예측 결과는 t-SNE 3차원 산점도로 표현되었으며, 각각의 나사풀림 상태 예측 정확도를 측정한 결과, 테스트 셋 기반 정확도는 90%로 측정되었다.

두 번째로 실시간 외부충격 물체 감지 테스트를 실시하였다. 손, 해머, 스패너 등 3가지 종류의 물체로 지능형 금속을 가격하였고, 각각의 테스트에서 나온 변형 데이터를 각각 Spectrogram으로 변환시켜 CNN 학습을 진행하였다. 미리 학습하고, 3가지 물체로 각각 가격하였을 때, 실시간으로 변환된 Spectrogram을 AI가 구분한 결과는 스피커를 통해 출력되었다. 테스트 셋 기반 정확도는 84%로 측정되었다. 세 번째 테스트에서는 지능형 금속의 본 미세스 응력 분포를 증강현실에 구현하였으며, 지능형 금속의 실시간 변형 데이터와 AI의 도움을 받아 가장 가까운 FEM 결과를 출력하는 테스트를 진행하였다. 인공지능 모델은 금속 실시간 변형 데이터를 기반으로 가장 가까운 시뮬레이션 이미지 결과로 최대 본 미세스 응력을 예측했으며 그 결과로 평균 제곱 백분율 오차 0.18%를 보였다.

3. 기대효과

본 연구로 다양한 유형의 금속 부품을 디지털화하고 AI를 적용하여 기능을 향상 시킬 수 있다. 또한, 지능형 금속은 스트레인게이지 뿐만 아니라 다른 유형의 센서를 사용하면 다른 방식으로 응용이 가능하다. 다양한 센서 또는 IC 칩을 사용하여 자동차, 항공 우주, 원자력, 의료산업의 지능형 금속 부품에 널리 적용될 수 있다. 결론적으로, 더욱 발전된 다양한 유형의 센서 또는 금속 재료를 통해 본 연구가 차세대 금속 기반 지능형 기계 시스템, 스마트 공장, 자율 주행 차량 또는 로봇의 기반을 마련할 수 있을 것으로 기대된다.

[붙임] 용어설명

1. Laser powder bed fusion, L-PBF

분말재료 위에 고온의 레이저를 조사해 선택적으로 결합시키는 금속 3D 프린팅 방식 중 하나이다. 금속 분말을 베드에 얇고 평평하게 깔고, 분말에 레이저를 선택적으로 조사하여 분말을 소결시킨다. 이후 다시 분말을 깔고 레이저 소결을 반복하여 한 층씩 쌓아가면서 제품을 출력한다. 또다른 금속 3D 프린팅 방식인 DED 방식에 비해 출력속도가 느리다는 단점이 있지만 정교한 프린팅이 가능하다. 

2. 합성곱 신경망 (Convolutional neural network, CNN)

합성곱 신경망(Convolutional neural network, CNN)은 컴퓨터 과학의 일종으로 시각적 이미지를 분석하는 데 쓰이는 인공 신경망의 한 종류이다. 특히 음성 인식이나 사물 이미지 인식에서 주로 사용한다. 일반적인 신경망은 이미지 데이터를 그대로 처리하는 데 반해 합성곱 신경망은 이미지에서 특징을 추출해 처리하며 그렇기 때문에 이미지 인식 분야에서 딥러닝을 활용한 기법은 대부분 합성곱 신경망을 기초로 만들어졌다.

3. t-SNE (t-Stochastic Neighbor Embedding)

높은 차원의 복잡한 데이터를 낮은 차원으로 차원 축소하는 방법으로 데이터를 산점도로 시각화하는 방법 중 하나이다. 높은 차원 공간에서 비슷한 데이터 구조는 낮은 차원 공간에서 가깝게 대응하며 비슷하지 않은 데이터 구조는 멀리 떨어져 대응된다. 데이터 사이의 거리가 가까울수록 유사도가 크며 멀수록 유사도가 작아진다.

[붙임] 그림설명

그림 1. L-PBF 기법을 활용한 지능형 금속 제작 개략도

A:　4가지 지능형 금속 제작　구성요소 (1차 L-PBF 부품, 프로텍티브 레이어, 스트레인게이지 센서, 2차 L-PBF 부품)

B: ３단계로 구성된 지능형 금속 제작 과정

C: 프로텍티브 레이어를 활용한 센서 임베딩 과정을 확대한 순서도

그림 2. 지능형 금속의 인공지능 기반 디지털 트윈 개략도

A: 스트레인 게이지 센서가 삽입된 지능형 금속의 구조

B: 금속의 4가지 나사 풀림 상태

C: 지능형 금속의 AI　활용 개략도

D: CNN을 활용한 데이터 처리 방식 및 나사 풀림 상태 결과의 t-SNE 분류

그림 3. CNN 구조와 나사 풀림 상태 자가 감지 테스트 결과

A: 본 연구에 사용된 DenseNet 기반의 CNN 구조

B: 로 데이터, FFT 데이터, 스펙트로그램의 예시

C: CNN 모델 최적화 과정에 따른 3차원 t-SNE 그래프의 변화

그림 4. 외부 충격 물체 실시간 감지 테스트 결과

A: 3가지 물체를 구분하는 AI 증강 지능형 금속

B: 실시간 CNN 분류용 FFT 변환 데이터

C: CNN 학습을 위해 변환된 스펙트로그램 예시

D: 최적화 과정에 따른 3차원 t-SNE 그래프의 변화

그림 5. 증강현실(AR)로 구현한 지능형 금속의 실시간 본 미세스 응력 분포 상태

A: 지능형 금속의 데이터를 활용한 실시간 본 미세스 응력 분포의 개략도

B: 지능형 금속에서 AR Glass로의 데이터 순서도

C: 외력이 가해진 결과에 따른 AR 기반 본 미세스 시뮬레이션 결과