[논문 리뷰] Multisensor fusion-based digital twin in additive manufacturing for in-situ quality monitoring and defect correction

Lequn Chen, Xiling Yao외 3명|arXiv (Cornell University)|2023. 04. 12.

Additive Manufacturing Materials and Processes인용 수 6

한 줄 요약

이 논문은 로봇 레이저 직접 에너지 증착 적층 제조 공정에서 실시간 품질 모니터링 및 현장에서의 결함 보정을 위한 다중 센서 융합 기반 디지털 트윈을 제안한다. 음향, 적외선 열화상, 공축 시각, 레이저 선 스캐너 센서의 데이터를 3차원 부품 부피 내에서 동기화하고 정렬함으로써, 시스템은 결함을 실시간으로 탐지하고 보정용 로봇 툴패스 및 공정 파라미터를 자동으로 생성할 수 있게 되어 빌드 신뢰도를 크게 향상시키고 낭비를 줄인다.

ABSTRACT

Early detection and correction of defects are critical in additive manufacturing (AM) to avoid build failures. In this paper, we present a multisensor fusion-based digital twin for in-situ quality monitoring and defect correction in a robotic laser direct energy deposition process. Multisensor fusion sources consist of an acoustic sensor, an infrared thermal camera, a coaxial vision camera, and a laser line scanner. The key novelty and contribution of this work are to develop a spatiotemporal data fusion method that synchronizes and registers the multisensor features within the part's 3D volume. The fused dataset can be used to predict location-specific quality using machine learning. On-the-fly identification of regions requiring material addition or removal is feasible. Robot toolpath and auto-tuned process parameters are generated for defecting correction. In contrast to traditional single-sensor-based monitoring, multisensor fusion allows for a more in-depth understanding of underlying process physics, such as pore formation and laser-material interactions. The proposed methods pave the way for self-adaptation AM with higher efficiency, less waste, and cleaner production.

연구 동기 및 목표

• 빌드 실패를 방지하기 위해 적층 제조에서 현장 결함 탐지 및 보정의 핵심 과제를 해결하기 위해.
• 소리, 열, 시각 및 레이저 스캐닝 원천에서 온 이질적 센서 데이터를 통합하는 시공간 데이터 융합 프레임워크를 개발하기 위해.
• 융합된 센서 데이터를 기반으로 한 기계학습을 통해 특정 위치에서 실시간으로 품질 예측을 가능하게 하기 위해.
• 적응형 로봇 툴패스 계획 및 공정 파라미터 조정을 통해 보정 조치를 자동화하기 위해.
• 다중 센서 통합을 통해 기포 형성 및 레이저-재료 상호작용과 같은 복잡한 물리 현상의 과정 이해를 향상시키기 위해.

제안 방법

• 포괄적인 공정 모니터링을 위해 음향 에미션 센서, 적외선 열화상 카메라, 공축 시각 카메라, 레이저 선 스캐너를 사용하는 것.
• 적층 제조 부품의 3차원 부피 내에서 센서 기능을 동기화하고 정렬하는 시공간 데이터 융합 방법을 개발하는 것.
• 융합된 데이터셋으로 훈련된 기계학습 모델을 사용하여 실시간으로 특정 위치에서의 부품 품질을 예측하는 것.
• 결함이 탐지될 경우 보정 조치를 트리거하는 적응형 피드백 루프를 구현하는 것.
• 재료 추가 또는 제거를 위한 동적 로봇 툴패스 생성 및 레이저 출력, 스캔 속도 등의 공정 파라미터 자동 조정을 수행하는 것.
• 센서 데이터를 디지털 트윈 모델과 통합하여 빌드 공정의 실시간 시뮬레이션 및 제어를 가능하게 하는 것.

실험 결과

연구 질문

• RQ1 적층 제조 중에 여러 이질적 센서가 3차원 체적 공간에서 효과적으로 동기화되고 정렬될 수 있는가?
• RQ2 단일 센서 접근 방식에 비해 다중 센서 융합이 현장 결함 탐지의 정확도와 신뢰도를 얼마나 향상시키는가?
• RQ3 융합된 센서 데이터를 사용하여 실시간 품질 예측을 달성할 수 있으며, 이를 통해 적시 보정 개입이 가능할 수 있는가?
• RQ4 보정 툴패스 및 공정 파라미터의 자동 생성이 부품 품질 복구에 얼마나 효과적인가?
• RQ5 다중 센서 융합을 통해 레이저-재료 상호작용 및 결함 형성 메커니즘에 대한 어떤 통찰을 얻을 수 있는가?

주요 결과

• 제안된 시공간 융합 방법은 3차원 빌드 부피 내에서 네 종류의 서로 다른 센서의 데이터를 성공적으로 동기화하고 정렬하여 포괄적인 공정 모니터링을 가능하게 하였다.
• 융합된 데이터로 훈련된 기계학습 모델은 정확한 위치 기반 품질 예측을 달성하여 이질성의 조기에 탐지할 수 있었다.
• 재료 추가 또는 제거가 필요한 영역을 실시간으로 탐지하고 보정하는 것이 성공적으로 구현되었으며, 이는 실시간 보정을 가능하게 하였다.
• 보정용 로봇 툴패스 및 공정 파라미터의 자동 생성은 후처리의 필요성을 줄이고 빌드 신뢰도를 향상시켰다.
• 통합된 센서 데이터를 통해 기포 형성 및 레이저-재료 상호작용과 같은 복잡한 물리 현상에 대한 향상된 통찰을 제공하였다.
• 이 방법은 재료 낭비를 크게 줄이고 더 깨끗하고 효율적인 자기 적응형 적층 제조 공정을 지원한다.