열영상을 이용한 딥러닝 기반의 부품 기공 예측

Core Concepts

열영상 데이터를 활용하여 레이저 분말 적층 공정에서 발생하는 부품의 기공을 정량화하고 위치를 파악할 수 있다.

Abstract

이 연구에서는 레이저 분말 적층 공정 중 획득한 열영상 데이터를 활용하여 부품의 기공을 정량화하고 위치를 파악하는 딥러닝 기반의 접근 방식을 제안한다. 부품 기공 정량화 작업에서는 합성곱 신경망(CNN) 모델을 활용하여 열영상 시퀀스로부터 부품 내 기공의 개수를 예측한다. 모델 성능 평가 결과, 공정 변수 중 해치 간격 변화 데이터를 활용한 모델이 가장 높은 R2 score 0.57을 달성했다. 부품 기공 위치 파악 작업에서는 비디오 비전 트랜스포머(ViViT) 모델에 밀집 예측 헤드를 적용하여 열영상 시퀀스로부터 기공이 예상되는 영역을 2D 맵으로 출력한다. 이 모델은 평균 IoU 0.32, 최대 IoU 1.0의 성능을 보였다. 이 연구 결과는 적층 제조 공정 모니터링 데이터를 활용하여 부품의 디지털 트윈을 구축하고, 사후 검사 및 인증 과정을 병렬로 수행할 수 있는 기반을 마련한다.

Stats

기공 개수 예측 모델의 RMSE는 7.84, R2 score는 0.57이었다. 기공 위치 예측 모델의 평균 IoU는 0.32, 최대 IoU는 1.0이었다.

Quotes

"이 연구 결과는 적층 제조 공정 모니터링 데이터를 활용하여 부품의 디지털 트윈을 구축하고, 사후 검사 및 인증 과정을 병렬로 수행할 수 있는 기반을 마련한다."

Key Insights Distilled From

ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning

by Peter Myung-... at arxiv.org 04-29-2024

https://arxiv.org/pdf/2404.16882.pdf

Deeper Inquiries

열영상 데이터 외에 다른 센서 데이터를 활용하면 기공 예측 정확도를 더 높일 수 있을까?

다른 센서 데이터를 활용하여 기공 예측 정확도를 향상시킬 수 있습니다. 예를 들어, 광학 센서를 사용하여 녹는 풀의 형태와 특성을 측정하거나 초음파 센서를 사용하여 소결 과정 중 발생하는 소리를 분석함으로써 기공의 형성을 감지할 수 있습니다. 또한, 가스 센서를 사용하여 소결 과정 중 발생하는 가스 농도를 측정하여 기공 발생 가능성을 예측하는 것도 도움이 될 수 있습니다. 다양한 센서 데이터를 통합하여 ganz한 분석을 수행하면 보다 정확한 기공 예측이 가능할 것입니다.

추가적인 데이터 증강 기법을 적용하기 위해 어떤 방법을 사용할 수 있을까?

기공 예측 모델의 성능을 향상시키기 위해 다양한 데이터 증강 기법을 적용할 수 있습니다. 예를 들어, 이미지 회전, 확대 및 축소, 반전, 잡음 추가, 색상 변환 등의 기법을 사용하여 데이터를 다양하게 변형시키고 모델의 일반화 능력을 향상시킬 수 있습니다. 또한, 데이터 증강을 통해 모델이 다양한 상황에 대응할 수 있도록 학습 데이터의 다양성을 확보할 수 있습니다.

기공 예측 모델을 통해 얻은 정보를 어떻게 실시간 공정 제어에 활용할 수 있을까?

기공 예측 모델을 통해 얻은 정보를 실시간 공정 제어에 활용하기 위해서는 모델의 예측 결과를 실시간으로 분석하고 해당 정보를 공정 제어 시스템에 통합해야 합니다. 예를 들어, 모델이 기공 발생 가능성이 높은 부분을 감지하면 해당 부분에 대한 레이저 출력을 조절하거나 공정 매개 변수를 조정하여 기공을 방지할 수 있습니다. 또한, 모델이 예측한 기공 정보를 시각화하여 운영자가 실시간으로 모니터링하고 조치를 취할 수 있도록 제공할 수도 있습니다. 이를 통해 공정의 안정성과 품질을 향상시킬 수 있습니다.