3D 프린팅을 지원하는 인공지능

적층 제조의 품질은 프린팅 프로세스와 관련이 많다. 프린터 제조사와 사용자 그리고 연구 팀이 인공 지능을 활용하여 프린팅 오류를 방지하고 개선하고 있다.

시모네 캐퍼(Simone Käfer)

핵심 내용

  • Markforged 프린터는 클라우드와 연결되어 있다. 그곳에서 인공지능을 이용하여 프로세스 데이터가 분석된다.
  • Blackstone Technology는 인공지능을 이용하여 분석한 데이터를 기반으로 제조 프로세스를 제어한다.
  • 연구 팀은 SLM 프로세스에서 In-situ 모니터링에 초점을 두고 있다. FDM 방식에도 스마트한 방법이 있다.

스마트폰, 스팸 필터링, 교통 상황 모니터링 등, 일반적으로 우리 일상에는 우리가 생각하는 것보다 많은 인공 지능이 활용되고 있다. 그리고 이제 산업 현장에도 진입하고 있다. 인공지능은 학습 알고리즘을 포함하고 있다. 특히 경험치는 적지만, 인공지능은 디지털 데이터가 많은 적층 제조 분야에서 생산 프로세스 등 여러 가지를 개선할 수 있다.

인공지능은 다음과 같은 것들을 개선할 수 있다.

• 재현 가능한 부품의 품질을 개선할 수 있다.

• 결함이 있는 조형 공정을 조기에 감지하는 등 비용을 낮출 수 있다.

• 다운스트림 검사 비용을 줄일 수 있다.

• 생산 계획 및 제어에서 계획 안전성을 높일 수 있다.

• 공정 제어를 위한 준비 작업을 수행할 수 있다.

인공지능 기반의 적층 제조는 프린팅 결과를 개선하고, 품질을 보장하며, 재현 가능성과 연속 제조의 기반을 마련할 수 있다. 하지만 이를 위해서는 프린터에서 데이터를 수집해야 하고 영향 변수도 수집할 수 있어야 한다.

프린터 구매에 인공지능이 포함되다

미국 회사 Markforged의 3D 프린터는 클라우드로 연결되어 있다. 센서가 생산 메타 데이터, 즉 익스트루더 속도 또는 노즐에서 재료가 나오는 압력 등을 수집한다. Markforged에 따르면 조형품에 대한 데이터는 수집하지 않는다고 한다. 센서들이 수집한 데이터를 클라우드로 전송하고, 그곳에서 AI가 데이터를 분석하고 평가한다. 예를 들어, 프린트되는 각도가 너무 크거나 작게 인쇄되었는지 이를 감지한다. 인공지능은 이러한 오류에 대응하고 업데이트를 프린터에 보내 각도를 개선한다. 인공지능이 압력을 바꾸고 조형품을 바꾸면 재현 가능성은 어떻게 될까? 업체는 변경사항이 프린팅 매개변수에 영향을 미치며, 시리즈 생산에 지장을 줄 정도로 광범위하지 않다고 한다. Markforged 프린터는 ISO 27001 인증을 받았다. 이 인증은 ISMS(Information Security Management System, 정보 보안 관리 시스템)이며, 사이버 공격과 데이터 도난으로부터 보호를 의미한다.

Markforged는 자사 프린터를 클라우드에 연결하였다. 그 곳에서 인공지능을 통해 프로세스 데이터를 분석하고, 이 데이터를 기반으로 프린팅 프로세스를 개선한다.

IT 회사의 인공지능

IT 업체인 Atos는 독립적인 프린터 소프트웨어를 제공한다. 이 업체의 PMS(Predictive Monitoring System, 예측 모니터링 시스템)은 엄격한 규제를 따르고, 인증을 거치는 조형물과 구성 요소를 특히 많이 제작하는 업체를 위해 특별히 개발되었다. PMS는 금속을 이용한 적층 제조에 맞게 프로그래밍되었다. 따라서 프린팅 전에 금속 피스의 다공성 등을 결정할 수 있다. 프린팅이 진행되는 동안 특성 값을 실시간으로 파악하고 규정 값과 비교하여 이상을 조기에 감지할 수 있어, 오차가 발생할 경우 조작자는 신속하게 재조정할 수 있다.

사용자의 시각에서

배터리 제조사인 Blackstone Technology는 실크 스크린 인쇄를 통해 자사 리튬이온배터리의 배터리 전극을 제조한다. “이 기술은 개별 프로세스 단계들과 시스템 또는 재료의 복잡한 조정 그리고 환경 조건 등 수없이 많은 상호작용으로 인해 매우 복잡합니다. 따라서 정확하게 예측하기가 어렵습니다. 특히 변경 사항이 프로세스와 품질에 미칠 영향을 예측하는 것은 쉽지 않습니다. 프로세스를 빈틈없이 제어하고 정의된 한계 내에서 통제해야 합니다.”(홀거 그리츠카, Blackstone Technology 이사) 그럼에도 불구하고 Blacksone Technology는 2022년까지 안정적인 시리즈 생산을 달성하기 위해 노력한다. 이를 위해 Blackstone는 Symate의 소프트웨어 Detact로 작업을 진행한다. Detact는 시스템을 포괄하여 인공지능을 통해 제조 프로세스에서 데이터를 수집하고 중앙에서 분석한다.

Blackstone은 제조 프로세스 중 발생하는 데이터를 분석 평가하고, 이 데이터를 기반으로 프로세스를 제어한다. 이를 위해 새로 개발된 CPPS(사이버 물리 생산 시스템)를 도입하였다. 이 시스템은 Detact 데이터를 기반으로 개별 에너지 셀의 각 프로세스에 대한 디지털 트윈을 생성한다. 데이터가 충분히 분석되면 디지털 트윈을 훈련하고, 프로세스에 대한 개별적인 정상 거동을 디지털 트윈에 전달한다. 이후 Detact가 이 정상 거동을 진행 중인 제조 프로세스와 지속적으로 비교하고, 이상이 발생할 경우 연결된 알림 시스템을 통해 원인과 관련 정보를 제공한다.

SLM에 초점을 둔 연구

현재 조형 공간 내 프린팅 프로세스 모니터링을 위한 몇 가지 연구 프로젝트가 진행 중이다. 특별히 금속을 이용한 분말 베드법이 중심에 있다. 열 신호가 In-situ 프로세스 모니터링을 통해 실시간으로 기록되어 프로세스 안정성과 더불어 조형물 품질을 유추할 수 있다. 인공지능이 프로세스 관련 데이터를 평가하고 오류가 발생할 수 있는 위치를 예측한다. 인공지능 기반 프로세스 모니터링에서 관건은 알고리즘으로 예방하는 오류이다.

2019년, 프라운호퍼 IGCV는 본지 독일 MM에 다양한 신경망을 연구하는 프로젝트를 알려왔다. 올해 말까지 아샤펜부르크 대학은 PromoAdd 3D 프로젝트에서 인공지능을 통해 프로세스 컨트롤을 개선하는 방법을 연구하였다. 센서 데이터를 분석하고 머신 러닝을 통해 SLM 프로세스의 모니터링과 품질 관리를 개선하는 것이 목표이다.

미국에서도 이 연구에 몰두하고 있다. 지난해 말 아르곤 국립 연구소와 텍사스 A&M 대학 연구팀이 머신 러닝을 통해 조형물에서 오류가 발생하는 시기와 지점을 예측하였다. 이를 위해 조형 챔버의 온도를 추적하는 적외선 카메라를 사용하였다. 지난여름에는 독일연방 재료연구시험 연구소(BAM)의 ATLAMP 프로젝트(적층 제조를 위한 레이저 여기 능동 서모그래피 프로젝트)가 시작되었다. 수동 광학 토모그래피와 능동 레이저 서모그래피가 이미징 프로세스로 결합되고 이를 머신 러닝으로 해석한다. 예를 들어, AM 프로세스 중에 균열을 직접 감지하고 매개변수 조정을 통해 조형 작업 중에 수정하는 것이 목표이다.

FDM 프로세스 수정

SLM에 작동하는 것은 필라멘트를 이용한 FDM(Fused Deposition Modeling, 재료 압출)에도 적용된다. 미시간 공과대학의 조슈아 피어스 박사는 컴퓨터 비전을 기반으로 FDM 프로세스의 프린팅 오류를 감지할 수 있는 오픈 소스 소프트웨어 알고리즘을 개발하였다. 다시 설명하면, 컴퓨터 비전을 탑재한 기계는 디지털 이미지의 내용을 확인하고 이해할 수 있다. 조슈아 피어스의 접근 방식에는 조형판을 향하는 작은 웹캠 하나만 있으면 된다. 이 소프트웨어는 모든 프린팅 오류와 프린트되는 부품의 내외부에 발생하는 기타 문제를 레이어 별로 추적하고, 조형물을 살리기 위해, 알고리즘이 노즐 온도나 프린팅 속도와 같은 매개변수를 변경한다.

카렐 대학의 3D 컬러 프린팅 방법인 신경 산란 보정(neural scattering compensation)을 사용하면 더욱 빠른 속도로 같은 수준의 품질 또는 더 좋은 품질을 얻을 수 있다.

컬러 블리딩에 대한 인공지능

멀티젯 방식 등 여러 색상을 사용하는 3D 프린팅도 머신 러닝을 통해 개선할 수 있다. 이 방식으로 인체 모델 등의 조형물을 복제하기 위해 컬러 수지를 자외선으로 경화하여 만든다. 이때 3차원 모두에서 컬러 수지가 뒤섞이면서 프린트되는 조형물의 정밀도도 사라질 수 있다. 이에 체코 카렐 대학의 컴퓨터 그래픽 그룹(CGG) 연구진이 컬러 블리딩(색 번짐)을 억제하는 알고리즘을 개발하였다.

업 스트림 시뮬레이션을 사용하면, 선명도와 대비가 최대한 제공되는 방식으로 재료 적용을 개선할 수 있다는 점은 오래전부터 익히 알려져 왔다. 일반적으로 자외선이 퍼지는 방식을 시뮬레이션한다. 이는 복잡한 계산으로 수 시간이 걸릴 수 있다. 카렐 대학의 연구원들은 이를 위해 깊은 신경망(Deep Neural Networks, Deep Learning)을 사용한다. 이 알고리즘은 새로 적용되는 재료로 인해 표면이 어떻게 변화할지를 정확하게 예측할 수 있다. 이 방법은 기존 접근법에 비해 적은 수의 샘플을 시뮬레이션하지만, 조형물의 모든 지점에 적용할 수 있다. 연구원들에 따르면 테스트에서 참조 객체를 모델링 하는 데에 3,000 시간이 아닌 30시간이 걸렸다고 한다.