3D 프린팅 제조에 적용된 인공지능 기술 동향
2020-10-19
org.kosen.entty.User@7c4f17ad
조규택(ktaek124)
3D 프린팅 제조에 적용된 인공지능 기술 동향
조규택 ktaek124@gmail.com
북 일리노이 주립대학교
Key words
3D printing, Additive manufacturing, Neural Network, Machine Learning, Artificial intelligence
3차원 제조, 첨가제조, 신경망, 머신러닝, 인공지능.
1. 개요
3D 메탈 프린팅 (첨가 제조, Additive Manufacturing) 은 여러잇점 즉, 복잡한 형태의 물품 제조용이, 능동적인 물성 변경 용이성, 그리고 제조시 waste 감소로 인한 제조비용 감소등의 잇점으로 인해 많은 각광을 받고있으며, 의료, 항공 및 다양한 분야로의 확대적용 중이다. 하지만 단점으로는, 용해물의 흐름성 부족 및 제조상 기체의 유입등으로 인해 다공성 구조가 발생될수 있으며, 제조방향에 따라 미세구조가 변경 되며 이에 따른 재료물성의 방향성, 그리고 고온용해후 빠른 고화속도 및 가파른 온도구배등으로 큰 잔존 응력이 발생되며 이에 따른 뒤틀림현상등이 발생한다. 따라서, 금속입자의 재료특성, 3D 프린팅 공정인자, 제작품의 미세구조 및 물성등의 복잡한 현상등을 연결할수 있는 기법 개발이 필수적으로 필요하다.
하지만, 전술한 다양한 인자들과 제작품의 물성등간의 연관성을 규명하는 것은 매우복잡하고 어려운 작업이다. 특히, 3D 프린팅 제조시 여러물리적 현상이 연관되며, 미세 금속분말과 고 에너지의 레이져에 의해 생성된 열 에너지간의 상관관계, 용해물의 흐름역학, 용해후 미세크기의 재료격자 발달현상, 그리고 거시적 규모의 열-기계적 물성의 연관성을 규명하는 작업은 매우 난해하다. 이러한 난관점을 극복하기 위해 신경계 망을 모사한 뉴럴네트워크 혹은 인공지능 (머신러닝) 이 각광을 받고있으며, 본 동향보고서에는 3D 프린팅 제조에 적용된 인공지능 기술동향을 정리했으며, 현재의 문제점 및 향후 개발방향에 대해 정리하였다.
2. 신경망 (Neural Network) 인공지능 기술
2.1. 신경망 기법
신경망을 사용한 데이타 분석방법은 복잡하고 비선형 입력 데이타와 출력 데이타간의 상관관계를 유도하는것에 우수하며, 간단한 3D 프린팅의 경우 단지 하나의 숨겨진층 (Hidden Layer) 만으로 우수한 상관관계를 성공적으로 유도해 낼수있다. 신경망 구조는 크게 3개의 층으로 이루어지며, 입력층 (Input Layer), 숨겨진층 (Hidden Layer), 그리고 출력층 (Output Layer) 으로 되어 있으며, 중요인자로는 가중치 (Weight) 이며, 이는 인접층의 신경간의 연결정도를 나타낸다. 즉, 가중치는 입력과 출력치들 간의 손실함수 (Loss Function) 를 최소하기 위해 신경망내에서 반복계산 및 교육등의 반복계산을 통해 결정지어진다. 특히, 가중치는 후전진 (Back Propagation) 방법이 많이 사용되며 수학적인 연쇄수식 (Chain Reaction) 을 사용하여 각층의 인자 구배 (Gradient)를 반복적으로 계산하여 개선되어진다.
신경망 기법은 크게 세가지로 구분되며, 첫째로 다층 퍼셉트론 (Multilayer Perceptron, MLP) 으로 가장보편적으로 사용되는 구조이며, 선형 합산 및 비선형 활성화 즉 시그모이드 (Sigmoid) 함수를 기반으로 한 수학적 기법을 바탕으로 하며, 특히 테이블화 가능한 데이타 처리에 많이 적용되고 있다. 두번째로는 콘볼류선 신경망 (Convolutional Neural Network, CNN) 으로, 이미지 픽셀의 공간적 관계 유도에 우수하여, 이미지 (즉, 사진 및 동영상)를 기반으로한 데이타 처리에 우수하다, 세번째로는 리커런트 신경망 (Recurrent Neural Network, RNN) 은 시간에 따라 다이나믹하게 변하는 데이타처리에 많이 적용되고 있다.
2.2. 신경망 적용
2.2.1. 실시간 현장 모니터링
3D 프린팅 제작시 실시간 현장 모니터링을 통해 생성된 데이타는 제작품의 품질을 결정짓는 가장 직접적인 정보가 되고, 이러한 테이타가 정확하고 제품제작과 동시적으로 분석될때, 3D 프린팅 제조가 페쇠루프 (Closed Loop) 에 의한 제어가 가능해진다. 즉, 모니터링 정보가 피드백으로 적용되어 프린팅 제작 머신의 제조 파라미터를 실시간으로 조정하여 고품질의 제작품이 제작되도록 할수 있게 된다.
최근발표된 연구에 의하면 [1,2], 어쿠스틱 에미션 (Acoustic Emission) 모니터링 기법 및 신경망 분석기법을 동시에 적용하여, 어쿠스틱 에미션 시그널이 섬유 Bragg 센서를 통해 데이타를 실시간으로 Record 되었고, 콘볼루션 신경망 (CNN) 방법에서 좀더 향상된 공간 콘볼루션 신경망 (SCNN)을 사용하여 입력품질을 83에서 89%의 정확성으로 데이타를 분석하였다 (그림 1 참조).
Zhang et al. [3]는 고속 Charge-Coupled Device (CCD) 카메라를 사용해서 공정 이미지 처리를 수행했다, 특히 용해못 (Melt pool), 용해 기둥 (Plume), 용해 튐 (Splatter) 등의 세가지 대상에 대해 정보를 측정 하였으며, 각 대상의 특징적 정보를 추출하여 인공지능 알고리즘에 데이타로 공급하였으며, 정확도 92.7%의 우수한 예측이 가능했다 (그림 2 참조).
Wang et al.[4]는 액체 금속 제트 프린팅기법 (Liquid metal jet printing, LMJP)에 CCD 카메라가 장착된 비젼 시스템을 적용하여 제조시 전압레벨 변경에 따른 액체방울 형태간의 복잡한 관계를 신경방 기법으로 유도했다. 또한 이렇게 측정된 시그널이 비례적분 구배 (Proportional integral derivative, PID) 제어기에 적용되어 작동전압이 실시간으로 조정되고 따라서 프린팅 공정이 안정화 되었다.
그림 1. 3D 프린팅의 품질 모니터링 및 분석시스템. 전체공정흐름: 어쿠스틱 시그널이 3D 프린팅 공정중에 발생되며 센서에 의해 감지되고, 신경망구조 모델에 전달되어 생산된 층의 적합성 여부결정[1].
그림 2. 선택 레이져 제조 (Selective laser manufacturing, SLM) 모니터링 시스템. 고속 카메라가 생산공정의 이미지를 캡쳐하고 CNN 신경망 모델에서 품질 결정[3]
2.1.1. 공정-재료특성-성능 상관관계
3D 프린팅으로 제조된 부품이 최적의 성능을 보유하기 위해선, 제품 공정, 특성, 및 성능간의 직접적인 상관관계를 유도하는것이 매우 중요하나, 입력변수의 수가 상당히 많고, 비선형 관계로 인해 상관관계를 수학적 관계식을 통해 유도하기는 상당히 어렵다. 따라서 이러한 문제점을 해결하기 위해 신경망 모델이 적용되고 있다. 신경망 구조를 결정짓는 파라미터는 숨은층 수, 각층에서의 신경수, 활성화 함수 및 손실 함수이며 그 특징은 다음과 같다.
1) 숨은층 수 (Number of hidden layers)
숨은층 수는 신경망 분석에서 흔히 사용되는 형태, 즉 5-8-1형태로 확인되며, 본형태가 나타내는 의미는 전체 신경층이 3개의 층으로 구성되어 있으며, 입력 층은 5개의 신경, 숨김층은 8개의 신경 그리고 출력 층은 한개의 신경을 갖고 있음을 나타낸다.
2) 한 층에서의 신경 수 (Number of neurons in a layer)
입력 및 출력층의 신경수는 분석중인 공정, 즉 입력 파라미터 특성, 종류 및 갯수에 따라 상관관계의 복합성이 변경되며, 특히 숨김층의 신경수는 모델 개발시 과다피팅 (Overfitting) 및 부족피팅 (Underfitting)등이 발생되지 않도록 주의해서 선정해야 한다. 일반적으로 5-10개의 신경을 초기치로 설정해서 분석 파라미터의 특성에 따라 점차적으로 변경하여 최적치를 결정한다.
3) 활성화 함수 (Activation function)
활성화 함수는 입력치를 비선형으로 전환하며, 어느신경이 활성화 될지를 결정한다. 이런 활성화 함수가 없는 한 신경망 모델은 단지 선형모델에 그칠뿐 이며, 복잡한 일을 수행할수가 없게된다. 많이 사용되는 함수로는 아래와 같이 시그모이드 (Sigmoid), 하이포아 탄젠트 (Tanh) 및 렐루 (ReLu) 등이 적용된다.
4) 손실함수 (Loss function)
손실함수는 분석중인 공정에 따라 결정되며, 예를 들어 제곱근 평균제곱 에러 (RMSE) 와 평균절대에러 (MEA) 등이 사용되어 타겟치 벡터와 예측벡터간의 거리를 측정하게된다.
여기서 i 는 샘플인덱스, yi는 예측치 그리고 yt는 타겟수치이다.
2.2. 난관 및 해결방안
신경망 인공지능기법의 개발에 직면된 난관으로는 이용가능한 테이타 부족, 데이타 라벨링의 어려움, 공정특성에 부합되는 특성치 선정의 난해, 과도 맞춤 및 빈약 맟춤에 의한 예측 성능 저하등이 있으며 이를 해결하기 위해 시도되고 있는 여러방안에 대해 정리하였다.
2.2.1. 이용가능한 데이타
신경망 방법은 데이타 의존성이 높으며, 성능 및 정확도는 이용 가능한 데이타량에 비례한다. 하지만, 사용 가능한 데이타가 많이 존재하지 않으며, 여러가지 경제적인/경쟁적인 이유로 데이타 공유가 사실상 어렵고, 생성된 데이타 자체도 통일화된 조건으로 측정되지 않아서 외부 데이타 적용 또한 어려워, 신경망 모델을 교육하기 위한 데이타 확보가 용이하지 않다. 이러한 딜레마로 인해, 데이타을 생성할수 있는 모델, 즉 오토엔코더 (Autoencoder) 통해 교육용 데이타를 Random 으로 생산하는 방식이나, 변경 오토엔코더 (Variational autoencoder, VAE) 를 통해 평균 m, 표준차 s의 가우스 분배로 새로운 입력데이타 생산방식이 적용되고 있다.
2.2.2. 데이타 라벨링
대부분의 신경망 기법은 슈퍼바이즈 러닝 (Supervised learning) 을 사용하고 있으며, 이는 목표 출력을 필요시하며, 교육용인지 아니면 예측 검증용인지의 구분과, 각 데이타 성격의 구분이 필요하지만 현실적으로 이의 명확한 구분 및 라벨링은 매우 어렵다. 예를 들어 그림 2의 경우 용해 못, 기둥 및 튐의 이미지가 존재하지만 이를 명확히 판단하고 라벨링하기 위해선 접합 공정의 해박한 지식이 필요하며, 따라서 다양한 분야, 즉 컴퓨터 사이언스와 재료과학 전문가들의 공동참여를 통한 연구가 필요하다.
2.2.3. 공정에 부합되는 특성치 선정
입력 특성치가 지나치게 많을 경우, 모델이 과도맞춤을 하게되며, 인공지능에 의한 예측 정확도가 저하게 된다. 따라서 신경망 알고리즘에 공정 특성에 부합하는 특성치를 적절하게 공급해야 한다. 한 방법으로 특성 엔지니어링 (즉, 입력 데이타의 선처리)이 적용되고 있으며, 공정 특성의 선택과 결합이 잘 적용되어야 한다. 즉, 특성 선택은 해당 공정의 가장 유용한 특성치를 찾는데 목적을 두고 있으며, 이를 위해서 통계기법을 바탕으로 한 정량화가 사용되고 있고, 특성 결합의 경우 입력 특성의 차원을 축소하며, 새롭게 생산되 특성에 중점을 두고있다.
2.2.4. 과도맞춤 및 빈약맞춤
과도맞춤 (Overfitting)과 빈약맞춤 (Underfitting)은 신경망을 기초로 한 인공지능 예측 성능의 정확성에 큰 영향을 미치며, 과도맞춤의 경우 신경망 알고리즘이 교육목적으로 할당된 모든 데이타를 사용하여 관계식을 유도할때 발생되며, 작은 노이즈나 실험상 에러등에 예측결과가 민감하게 영향을 받게된다. 빈약맞춤의 경우 신경망 알고리즘이 교육용 데이타간의 합리적인 연관성을 찾지못할경우 발생되며 이를 방지하기위해 규정 (Regulation)이나 데이타 탈락 (dropout)등이 사용되고 있다.
3. 향후 연구방향
3.1. 데이타 확보 및 전처리
3.1.1. 체계 및 통일화된 데이타 확보 및 공유
3D 프린팅 제조가 활발히 개발 및 적용됨에 따라 상당량의 데이타가 매시간 발생되고 있으나, 이러한 데이타에 대한 접근성이 쉽지않다. 따라서 통일화된 적용프로그램 계면 (application programming interfaces, API) 개발이 필요하다. 즉, 열-기계적인 관계, 재료의 생산프로세스 파라미터 통일화, 미세구조 특성화를 위한 통일화된 이미지 포멧, 품질확인을 위한 체계화된 실험방법등이 3D 프린팅 제조에 광범위하게 적용될시에, 데이타 접근성 및 이용성등의 문제점이 해결될것이다.
3.1.2. 데이타 전처리
데이타 전처리는 데이타 중심의 신경망 알고리즘 개발에 필수적으로 중요하며, 불필요한 데이타를 제거하고 올바른 데이타가 모델에 적용되도록 하지만, 이런단계는 많은 작업이 소요된다. 예를 들어 전자현미경 이미지의 경우, 분간이 어려운 재료구조의 격자 (grain)와 다공성 (crack) 정보를 다 같이 함유하고 있지만, 신경망 모델은 크랙특성만을 입력데이타로 요구된다. 따라서 크랙의 분배를 격자 계면으로 부터 분리되어야 하지만, 각 파트의 명확한 구분은 이미지 처리의 경험과 지식을 갖고있는 전문가에게도 어려운일이다. 따라서 일반인들도 적용이 용이한 형태로의 데이타 전처리 기법의 개발이 필요하다.
3.2. 센싱
3.2.1. 하드웨어
광학적, 열적, 어쿠스틱, 초음파 시그널들을 검지 및 측정하기 위해 고기능의 센서들이 활발히 개발되고 있으나, 안정되고 성능측면에서 신뢰할만한 센서개발이 필요하다. 예를 들어, 센서가 프린팅 공정에 내부에 설치되어 가혹한 제조/생산 조건에 견디어야 한다. 즉, 고 진공상태에서 고에너지 전자빔에 의해 발생된 금속가스는 매우 파괴성이 높아 노출된 카메라 렌즈가 손상될수 있다. 또한 센서시스템의 신속한 응답성이 요구되며, 레이져의 빠른 스켄속도에 따른 용해물의 변화상태를 빠르게 화면 캡춰할수 있는 기능이 필요하다.
3.2.2. 소프트웨어
센서가 작동요구 사항을 만족하기 위해선 이를 제어할수 있는 우수한 소프트웨어의 개발이 이루어져아 한다. 소프트웨어 기능으로는 데이타를 실시간으로 모니터 및 측정제어 하고, 레코드하고, 분석하고 그리고 저장하는것이다. 예를 들어 3D 공정상에서 생성된 용해못 이미지를 센서의 하드웨어부분이 캡쳐하도록 소프트웨어가 제어하고, 습득된 이미지를 통해 온도 프로파일을 계산하고 열 및 디멘젼 정보를 추출하여 다음 단계인 인공지능의 알고리즘에 전달하여 추가적인 분석 즉, 기공, 흐름부족 또는 기동도를 측정하게 된다. 따라서 소프트웨어의 역할이 매우중요하며, 효율적인 공정시스템 제어를 위한 고성능 소프트웨어 개발에 연구/개발이 이루어져야 한다.
3.3. 제어 및 최적화
3차원 프린팅은 부품을 층단위로 생성하며, 제작된 층의 품질은 최종품의 특성에 큰영향을 미친다. 따라서 제작된 각 층의 품질을 확신할수 있는 공정제어 및 최적화가 필요시된다. 예를 들어 포톤, 전기, 음속 및 열 시그널들을 캡쳐할수 있는 고성능의 센서적용하여 3차원 제작 공정의 실시간 현장 측정을 제어하고, 인공지능 기법과 연계하여 제작품의 품질정보를 동시간적으로 분석하여 출력정보를 장비의 제어기에 피드백하여 품질최적화를 할수있는 공정제어 및 최적화 기술의 개발이 필요시된다.
3.4. 모델화 및 예측
전형적인 방법인 물리적 개념에 기초한 수치모델의 경우 계산관련된 상당량의 비용 즉, 시간, 하드웨어 및 소프트웨어 등이 필요하다. 하지만 수치계산을 통해서 공정변수의 제작품 품질에 대한 영향성을 근본적으로 이해할수 있으며, 계산산 결과는 인공지능 알고리즘 개발하는 데이타로 실험데이타와 같이 사용될수 있는 장점이 있다. Popova [5]의 경우 미신러닝과 컴퓨터 시뮬레이션을 연결하여 공정변수와 제작품 품질의 관계식을 유도하였으며, Karpatne은 이론-기초 데이타 과학 (Theory-guided data science, TGDS)를 물리기반 모델과 데이타기반 모델의 합체할수있는 새로운 페러다임으로 제시하였다. 이러한 두개의 모델을 연결/합체하는 방법은 현재 실험에 의존한 신경망모델 개발에 새로운 방향성을 제시할것으로 예상된다.
4. 결론
최근 3D 프린팅 제조 및 신경망 인공지능 기술에 매우 큰 기술적 진전이 이루어 지고있다. 3D 프린팅은 디지털 CAD 모델을 기반으로 기존제작 방법으로는 제작이 불가능한 복잡한 구조의 제품을 효율적으로 제작할수 있는 큰 잇점으로 큰 부곽을 받고 있다. 신경망기반 인공지능 분석기법은 고비용의 수학모델이 필요없이, 그리고 기존의 데이타 처리기법으로 불가능한, 복잡한 multiscale 입력 및 출력 데이타, 그리고 비선형 파라미터의 상호연계된 영향성을 효율적으로 분석 및 상호관계를 연관할수 있는 우수한 기법이다. 따라서 이러한 신경망 기법을 3D 제조법 연결함으로 “스마트 제작”의 개념이 산업계에 조만간 실현될것으로 예상된다. 본서는 3D 제작 프로제스에 적용된 신경망 알고리즘 관련 현재 연구/개발 진행추세를 정리하였으며, 난관 및 해결방안 및 향후 연구방향에 대해 정리하였다.
References
[1] Shevchik, S. A., Kenel, C., Leinenbach, C., and Wasmer, K., 2018, “Acoustic Emission for in Situ Quality Monitoring in Additive Manufacturing Using Spectral Convolutional Neural Networks,” Additive Manufacturing, 21, pp. 598–604.
[2] Wasmer, K., Le-Quang, T., Meylan, B., and Shevchik, S. A., 2019, “In Situ Quality Monitoring in AM Using Acoustic Emission: A Reinforcement Learning Approach,” J. of Materi Eng and Perform, 28(2), pp. 666–672.
[3] Zhang, Y., Hong, G. S., Ye, D., Zhu, K., and Fuh, J. Y. H., 2018, “Extraction and Evaluation of Melt Pool, Plume and Spatter Information for Powder-Bed Fusion AM Process Monitoring,” Materials & Design, 156, pp. 458–469.
[4] Wang, T., Kwok, T.-H., Zhou, C., and Vader, S., 2018, “In-Situ Droplet Inspection and Closed-Loop Control System Using Machine Learning for Liquid Metal Jet Printing,” Journal of Manufacturing Systems, 47, pp. 83–92.
[5] Popova, E., Rodgers, T. M., Gong, X., Cecen, A., Madison, J. D., and Kalidindi, S. R., 2017, “Process-Structure Linkages Using a Data Science Approach: Application to Simulated Additive Manufacturing Data,” Integr Mater Manuf Innov, 6(1), pp. 54–68.
조규택 ktaek124@gmail.com
북 일리노이 주립대학교
Key words
3D printing, Additive manufacturing, Neural Network, Machine Learning, Artificial intelligence
3차원 제조, 첨가제조, 신경망, 머신러닝, 인공지능.
1. 개요
3D 메탈 프린팅 (첨가 제조, Additive Manufacturing) 은 여러잇점 즉, 복잡한 형태의 물품 제조용이, 능동적인 물성 변경 용이성, 그리고 제조시 waste 감소로 인한 제조비용 감소등의 잇점으로 인해 많은 각광을 받고있으며, 의료, 항공 및 다양한 분야로의 확대적용 중이다. 하지만 단점으로는, 용해물의 흐름성 부족 및 제조상 기체의 유입등으로 인해 다공성 구조가 발생될수 있으며, 제조방향에 따라 미세구조가 변경 되며 이에 따른 재료물성의 방향성, 그리고 고온용해후 빠른 고화속도 및 가파른 온도구배등으로 큰 잔존 응력이 발생되며 이에 따른 뒤틀림현상등이 발생한다. 따라서, 금속입자의 재료특성, 3D 프린팅 공정인자, 제작품의 미세구조 및 물성등의 복잡한 현상등을 연결할수 있는 기법 개발이 필수적으로 필요하다.
하지만, 전술한 다양한 인자들과 제작품의 물성등간의 연관성을 규명하는 것은 매우복잡하고 어려운 작업이다. 특히, 3D 프린팅 제조시 여러물리적 현상이 연관되며, 미세 금속분말과 고 에너지의 레이져에 의해 생성된 열 에너지간의 상관관계, 용해물의 흐름역학, 용해후 미세크기의 재료격자 발달현상, 그리고 거시적 규모의 열-기계적 물성의 연관성을 규명하는 작업은 매우 난해하다. 이러한 난관점을 극복하기 위해 신경계 망을 모사한 뉴럴네트워크 혹은 인공지능 (머신러닝) 이 각광을 받고있으며, 본 동향보고서에는 3D 프린팅 제조에 적용된 인공지능 기술동향을 정리했으며, 현재의 문제점 및 향후 개발방향에 대해 정리하였다.
2. 신경망 (Neural Network) 인공지능 기술
2.1. 신경망 기법
신경망을 사용한 데이타 분석방법은 복잡하고 비선형 입력 데이타와 출력 데이타간의 상관관계를 유도하는것에 우수하며, 간단한 3D 프린팅의 경우 단지 하나의 숨겨진층 (Hidden Layer) 만으로 우수한 상관관계를 성공적으로 유도해 낼수있다. 신경망 구조는 크게 3개의 층으로 이루어지며, 입력층 (Input Layer), 숨겨진층 (Hidden Layer), 그리고 출력층 (Output Layer) 으로 되어 있으며, 중요인자로는 가중치 (Weight) 이며, 이는 인접층의 신경간의 연결정도를 나타낸다. 즉, 가중치는 입력과 출력치들 간의 손실함수 (Loss Function) 를 최소하기 위해 신경망내에서 반복계산 및 교육등의 반복계산을 통해 결정지어진다. 특히, 가중치는 후전진 (Back Propagation) 방법이 많이 사용되며 수학적인 연쇄수식 (Chain Reaction) 을 사용하여 각층의 인자 구배 (Gradient)를 반복적으로 계산하여 개선되어진다.
신경망 기법은 크게 세가지로 구분되며, 첫째로 다층 퍼셉트론 (Multilayer Perceptron, MLP) 으로 가장보편적으로 사용되는 구조이며, 선형 합산 및 비선형 활성화 즉 시그모이드 (Sigmoid) 함수를 기반으로 한 수학적 기법을 바탕으로 하며, 특히 테이블화 가능한 데이타 처리에 많이 적용되고 있다. 두번째로는 콘볼류선 신경망 (Convolutional Neural Network, CNN) 으로, 이미지 픽셀의 공간적 관계 유도에 우수하여, 이미지 (즉, 사진 및 동영상)를 기반으로한 데이타 처리에 우수하다, 세번째로는 리커런트 신경망 (Recurrent Neural Network, RNN) 은 시간에 따라 다이나믹하게 변하는 데이타처리에 많이 적용되고 있다.
2.2. 신경망 적용
2.2.1. 실시간 현장 모니터링
3D 프린팅 제작시 실시간 현장 모니터링을 통해 생성된 데이타는 제작품의 품질을 결정짓는 가장 직접적인 정보가 되고, 이러한 테이타가 정확하고 제품제작과 동시적으로 분석될때, 3D 프린팅 제조가 페쇠루프 (Closed Loop) 에 의한 제어가 가능해진다. 즉, 모니터링 정보가 피드백으로 적용되어 프린팅 제작 머신의 제조 파라미터를 실시간으로 조정하여 고품질의 제작품이 제작되도록 할수 있게 된다.
최근발표된 연구에 의하면 [1,2], 어쿠스틱 에미션 (Acoustic Emission) 모니터링 기법 및 신경망 분석기법을 동시에 적용하여, 어쿠스틱 에미션 시그널이 섬유 Bragg 센서를 통해 데이타를 실시간으로 Record 되었고, 콘볼루션 신경망 (CNN) 방법에서 좀더 향상된 공간 콘볼루션 신경망 (SCNN)을 사용하여 입력품질을 83에서 89%의 정확성으로 데이타를 분석하였다 (그림 1 참조).
Zhang et al. [3]는 고속 Charge-Coupled Device (CCD) 카메라를 사용해서 공정 이미지 처리를 수행했다, 특히 용해못 (Melt pool), 용해 기둥 (Plume), 용해 튐 (Splatter) 등의 세가지 대상에 대해 정보를 측정 하였으며, 각 대상의 특징적 정보를 추출하여 인공지능 알고리즘에 데이타로 공급하였으며, 정확도 92.7%의 우수한 예측이 가능했다 (그림 2 참조).
Wang et al.[4]는 액체 금속 제트 프린팅기법 (Liquid metal jet printing, LMJP)에 CCD 카메라가 장착된 비젼 시스템을 적용하여 제조시 전압레벨 변경에 따른 액체방울 형태간의 복잡한 관계를 신경방 기법으로 유도했다. 또한 이렇게 측정된 시그널이 비례적분 구배 (Proportional integral derivative, PID) 제어기에 적용되어 작동전압이 실시간으로 조정되고 따라서 프린팅 공정이 안정화 되었다.
그림 1. 3D 프린팅의 품질 모니터링 및 분석시스템. 전체공정흐름: 어쿠스틱 시그널이 3D 프린팅 공정중에 발생되며 센서에 의해 감지되고, 신경망구조 모델에 전달되어 생산된 층의 적합성 여부결정[1].
그림 2. 선택 레이져 제조 (Selective laser manufacturing, SLM) 모니터링 시스템. 고속 카메라가 생산공정의 이미지를 캡쳐하고 CNN 신경망 모델에서 품질 결정[3]
2.1.1. 공정-재료특성-성능 상관관계
3D 프린팅으로 제조된 부품이 최적의 성능을 보유하기 위해선, 제품 공정, 특성, 및 성능간의 직접적인 상관관계를 유도하는것이 매우 중요하나, 입력변수의 수가 상당히 많고, 비선형 관계로 인해 상관관계를 수학적 관계식을 통해 유도하기는 상당히 어렵다. 따라서 이러한 문제점을 해결하기 위해 신경망 모델이 적용되고 있다. 신경망 구조를 결정짓는 파라미터는 숨은층 수, 각층에서의 신경수, 활성화 함수 및 손실 함수이며 그 특징은 다음과 같다.
1) 숨은층 수 (Number of hidden layers)
숨은층 수는 신경망 분석에서 흔히 사용되는 형태, 즉 5-8-1형태로 확인되며, 본형태가 나타내는 의미는 전체 신경층이 3개의 층으로 구성되어 있으며, 입력 층은 5개의 신경, 숨김층은 8개의 신경 그리고 출력 층은 한개의 신경을 갖고 있음을 나타낸다.
2) 한 층에서의 신경 수 (Number of neurons in a layer)
입력 및 출력층의 신경수는 분석중인 공정, 즉 입력 파라미터 특성, 종류 및 갯수에 따라 상관관계의 복합성이 변경되며, 특히 숨김층의 신경수는 모델 개발시 과다피팅 (Overfitting) 및 부족피팅 (Underfitting)등이 발생되지 않도록 주의해서 선정해야 한다. 일반적으로 5-10개의 신경을 초기치로 설정해서 분석 파라미터의 특성에 따라 점차적으로 변경하여 최적치를 결정한다.
3) 활성화 함수 (Activation function)
활성화 함수는 입력치를 비선형으로 전환하며, 어느신경이 활성화 될지를 결정한다. 이런 활성화 함수가 없는 한 신경망 모델은 단지 선형모델에 그칠뿐 이며, 복잡한 일을 수행할수가 없게된다. 많이 사용되는 함수로는 아래와 같이 시그모이드 (Sigmoid), 하이포아 탄젠트 (Tanh) 및 렐루 (ReLu) 등이 적용된다.
4) 손실함수 (Loss function)
손실함수는 분석중인 공정에 따라 결정되며, 예를 들어 제곱근 평균제곱 에러 (RMSE) 와 평균절대에러 (MEA) 등이 사용되어 타겟치 벡터와 예측벡터간의 거리를 측정하게된다.
여기서 i 는 샘플인덱스, yi는 예측치 그리고 yt는 타겟수치이다.
2.2. 난관 및 해결방안
신경망 인공지능기법의 개발에 직면된 난관으로는 이용가능한 테이타 부족, 데이타 라벨링의 어려움, 공정특성에 부합되는 특성치 선정의 난해, 과도 맞춤 및 빈약 맟춤에 의한 예측 성능 저하등이 있으며 이를 해결하기 위해 시도되고 있는 여러방안에 대해 정리하였다.
2.2.1. 이용가능한 데이타
신경망 방법은 데이타 의존성이 높으며, 성능 및 정확도는 이용 가능한 데이타량에 비례한다. 하지만, 사용 가능한 데이타가 많이 존재하지 않으며, 여러가지 경제적인/경쟁적인 이유로 데이타 공유가 사실상 어렵고, 생성된 데이타 자체도 통일화된 조건으로 측정되지 않아서 외부 데이타 적용 또한 어려워, 신경망 모델을 교육하기 위한 데이타 확보가 용이하지 않다. 이러한 딜레마로 인해, 데이타을 생성할수 있는 모델, 즉 오토엔코더 (Autoencoder) 통해 교육용 데이타를 Random 으로 생산하는 방식이나, 변경 오토엔코더 (Variational autoencoder, VAE) 를 통해 평균 m, 표준차 s의 가우스 분배로 새로운 입력데이타 생산방식이 적용되고 있다.
2.2.2. 데이타 라벨링
대부분의 신경망 기법은 슈퍼바이즈 러닝 (Supervised learning) 을 사용하고 있으며, 이는 목표 출력을 필요시하며, 교육용인지 아니면 예측 검증용인지의 구분과, 각 데이타 성격의 구분이 필요하지만 현실적으로 이의 명확한 구분 및 라벨링은 매우 어렵다. 예를 들어 그림 2의 경우 용해 못, 기둥 및 튐의 이미지가 존재하지만 이를 명확히 판단하고 라벨링하기 위해선 접합 공정의 해박한 지식이 필요하며, 따라서 다양한 분야, 즉 컴퓨터 사이언스와 재료과학 전문가들의 공동참여를 통한 연구가 필요하다.
2.2.3. 공정에 부합되는 특성치 선정
입력 특성치가 지나치게 많을 경우, 모델이 과도맞춤을 하게되며, 인공지능에 의한 예측 정확도가 저하게 된다. 따라서 신경망 알고리즘에 공정 특성에 부합하는 특성치를 적절하게 공급해야 한다. 한 방법으로 특성 엔지니어링 (즉, 입력 데이타의 선처리)이 적용되고 있으며, 공정 특성의 선택과 결합이 잘 적용되어야 한다. 즉, 특성 선택은 해당 공정의 가장 유용한 특성치를 찾는데 목적을 두고 있으며, 이를 위해서 통계기법을 바탕으로 한 정량화가 사용되고 있고, 특성 결합의 경우 입력 특성의 차원을 축소하며, 새롭게 생산되 특성에 중점을 두고있다.
2.2.4. 과도맞춤 및 빈약맞춤
과도맞춤 (Overfitting)과 빈약맞춤 (Underfitting)은 신경망을 기초로 한 인공지능 예측 성능의 정확성에 큰 영향을 미치며, 과도맞춤의 경우 신경망 알고리즘이 교육목적으로 할당된 모든 데이타를 사용하여 관계식을 유도할때 발생되며, 작은 노이즈나 실험상 에러등에 예측결과가 민감하게 영향을 받게된다. 빈약맞춤의 경우 신경망 알고리즘이 교육용 데이타간의 합리적인 연관성을 찾지못할경우 발생되며 이를 방지하기위해 규정 (Regulation)이나 데이타 탈락 (dropout)등이 사용되고 있다.
3. 향후 연구방향
3.1. 데이타 확보 및 전처리
3.1.1. 체계 및 통일화된 데이타 확보 및 공유
3D 프린팅 제조가 활발히 개발 및 적용됨에 따라 상당량의 데이타가 매시간 발생되고 있으나, 이러한 데이타에 대한 접근성이 쉽지않다. 따라서 통일화된 적용프로그램 계면 (application programming interfaces, API) 개발이 필요하다. 즉, 열-기계적인 관계, 재료의 생산프로세스 파라미터 통일화, 미세구조 특성화를 위한 통일화된 이미지 포멧, 품질확인을 위한 체계화된 실험방법등이 3D 프린팅 제조에 광범위하게 적용될시에, 데이타 접근성 및 이용성등의 문제점이 해결될것이다.
3.1.2. 데이타 전처리
데이타 전처리는 데이타 중심의 신경망 알고리즘 개발에 필수적으로 중요하며, 불필요한 데이타를 제거하고 올바른 데이타가 모델에 적용되도록 하지만, 이런단계는 많은 작업이 소요된다. 예를 들어 전자현미경 이미지의 경우, 분간이 어려운 재료구조의 격자 (grain)와 다공성 (crack) 정보를 다 같이 함유하고 있지만, 신경망 모델은 크랙특성만을 입력데이타로 요구된다. 따라서 크랙의 분배를 격자 계면으로 부터 분리되어야 하지만, 각 파트의 명확한 구분은 이미지 처리의 경험과 지식을 갖고있는 전문가에게도 어려운일이다. 따라서 일반인들도 적용이 용이한 형태로의 데이타 전처리 기법의 개발이 필요하다.
3.2. 센싱
3.2.1. 하드웨어
광학적, 열적, 어쿠스틱, 초음파 시그널들을 검지 및 측정하기 위해 고기능의 센서들이 활발히 개발되고 있으나, 안정되고 성능측면에서 신뢰할만한 센서개발이 필요하다. 예를 들어, 센서가 프린팅 공정에 내부에 설치되어 가혹한 제조/생산 조건에 견디어야 한다. 즉, 고 진공상태에서 고에너지 전자빔에 의해 발생된 금속가스는 매우 파괴성이 높아 노출된 카메라 렌즈가 손상될수 있다. 또한 센서시스템의 신속한 응답성이 요구되며, 레이져의 빠른 스켄속도에 따른 용해물의 변화상태를 빠르게 화면 캡춰할수 있는 기능이 필요하다.
3.2.2. 소프트웨어
센서가 작동요구 사항을 만족하기 위해선 이를 제어할수 있는 우수한 소프트웨어의 개발이 이루어져아 한다. 소프트웨어 기능으로는 데이타를 실시간으로 모니터 및 측정제어 하고, 레코드하고, 분석하고 그리고 저장하는것이다. 예를 들어 3D 공정상에서 생성된 용해못 이미지를 센서의 하드웨어부분이 캡쳐하도록 소프트웨어가 제어하고, 습득된 이미지를 통해 온도 프로파일을 계산하고 열 및 디멘젼 정보를 추출하여 다음 단계인 인공지능의 알고리즘에 전달하여 추가적인 분석 즉, 기공, 흐름부족 또는 기동도를 측정하게 된다. 따라서 소프트웨어의 역할이 매우중요하며, 효율적인 공정시스템 제어를 위한 고성능 소프트웨어 개발에 연구/개발이 이루어져야 한다.
3.3. 제어 및 최적화
3차원 프린팅은 부품을 층단위로 생성하며, 제작된 층의 품질은 최종품의 특성에 큰영향을 미친다. 따라서 제작된 각 층의 품질을 확신할수 있는 공정제어 및 최적화가 필요시된다. 예를 들어 포톤, 전기, 음속 및 열 시그널들을 캡쳐할수 있는 고성능의 센서적용하여 3차원 제작 공정의 실시간 현장 측정을 제어하고, 인공지능 기법과 연계하여 제작품의 품질정보를 동시간적으로 분석하여 출력정보를 장비의 제어기에 피드백하여 품질최적화를 할수있는 공정제어 및 최적화 기술의 개발이 필요시된다.
3.4. 모델화 및 예측
전형적인 방법인 물리적 개념에 기초한 수치모델의 경우 계산관련된 상당량의 비용 즉, 시간, 하드웨어 및 소프트웨어 등이 필요하다. 하지만 수치계산을 통해서 공정변수의 제작품 품질에 대한 영향성을 근본적으로 이해할수 있으며, 계산산 결과는 인공지능 알고리즘 개발하는 데이타로 실험데이타와 같이 사용될수 있는 장점이 있다. Popova [5]의 경우 미신러닝과 컴퓨터 시뮬레이션을 연결하여 공정변수와 제작품 품질의 관계식을 유도하였으며, Karpatne은 이론-기초 데이타 과학 (Theory-guided data science, TGDS)를 물리기반 모델과 데이타기반 모델의 합체할수있는 새로운 페러다임으로 제시하였다. 이러한 두개의 모델을 연결/합체하는 방법은 현재 실험에 의존한 신경망모델 개발에 새로운 방향성을 제시할것으로 예상된다.
4. 결론
최근 3D 프린팅 제조 및 신경망 인공지능 기술에 매우 큰 기술적 진전이 이루어 지고있다. 3D 프린팅은 디지털 CAD 모델을 기반으로 기존제작 방법으로는 제작이 불가능한 복잡한 구조의 제품을 효율적으로 제작할수 있는 큰 잇점으로 큰 부곽을 받고 있다. 신경망기반 인공지능 분석기법은 고비용의 수학모델이 필요없이, 그리고 기존의 데이타 처리기법으로 불가능한, 복잡한 multiscale 입력 및 출력 데이타, 그리고 비선형 파라미터의 상호연계된 영향성을 효율적으로 분석 및 상호관계를 연관할수 있는 우수한 기법이다. 따라서 이러한 신경망 기법을 3D 제조법 연결함으로 “스마트 제작”의 개념이 산업계에 조만간 실현될것으로 예상된다. 본서는 3D 제작 프로제스에 적용된 신경망 알고리즘 관련 현재 연구/개발 진행추세를 정리하였으며, 난관 및 해결방안 및 향후 연구방향에 대해 정리하였다.
References
[1] Shevchik, S. A., Kenel, C., Leinenbach, C., and Wasmer, K., 2018, “Acoustic Emission for in Situ Quality Monitoring in Additive Manufacturing Using Spectral Convolutional Neural Networks,” Additive Manufacturing, 21, pp. 598–604.
[2] Wasmer, K., Le-Quang, T., Meylan, B., and Shevchik, S. A., 2019, “In Situ Quality Monitoring in AM Using Acoustic Emission: A Reinforcement Learning Approach,” J. of Materi Eng and Perform, 28(2), pp. 666–672.
[3] Zhang, Y., Hong, G. S., Ye, D., Zhu, K., and Fuh, J. Y. H., 2018, “Extraction and Evaluation of Melt Pool, Plume and Spatter Information for Powder-Bed Fusion AM Process Monitoring,” Materials & Design, 156, pp. 458–469.
[4] Wang, T., Kwok, T.-H., Zhou, C., and Vader, S., 2018, “In-Situ Droplet Inspection and Closed-Loop Control System Using Machine Learning for Liquid Metal Jet Printing,” Journal of Manufacturing Systems, 47, pp. 83–92.
[5] Popova, E., Rodgers, T. M., Gong, X., Cecen, A., Madison, J. D., and Kalidindi, S. R., 2017, “Process-Structure Linkages Using a Data Science Approach: Application to Simulated Additive Manufacturing Data,” Integr Mater Manuf Innov, 6(1), pp. 54–68.