[논문 리뷰] Toward Enabling a Reliable Quality Monitoring System for Additive Manufacturing Process using Deep Convolutional Neural Networks

Yaser Mike Banad, Nariman Razaviarab외 2명|arXiv (Cornell University)|2020. 03. 06.

Additive Manufacturing and 3D Printing Technologies인용 수 27

한 줄 요약

이 논문은 적층 제조(AM) 공정 중 층별 증착 과정에서의 결함을 감지하고 분류하기 위해 현장 이미지를 활용하는 딥 컨volution 신경망(CNN) 기반 시스템을 제안한다. 모델은 다섯 가지 품질 등급에서 94%의 정확도, 96%의 특이도, F1 점수 75% 이상을 달성하여 자동화된 비접촉 품질 관리와 실시간 공정 매개변수 조정을 가능하게 하여 결함과 재료 낭비를 줄인다.

ABSTRACT

Additive Manufacturing (AM) is a crucial component of the smart industry. In this paper, we propose an automated quality grading system for the AM process using a deep convolutional neural network (CNN) model. The CNN model is trained offline using the images of the internal and surface defects in the layer-by-layer deposition of materials and tested online by studying the performance of detecting and classifying the failure in AM process at different extruder speeds and temperatures. The model demonstrates the accuracy of 94% and specificity of 96%, as well as above 75% in three classifier measures of the Fscore, the sensitivity, and precision for classifying the quality of the printing process in five grades in real-time. The proposed online model adds an automated, consistent, and non-contact quality control signal to the AM process that eliminates the manual inspection of parts after they are entirely built. The quality monitoring signal can also be used by the machine to suggest remedial actions by adjusting the parameters in real-time. The proposed quality predictive model serves as a proof-of-concept for any type of AM machines to produce reliable parts with fewer quality hiccups while limiting the waste of both time and materials.

연구 동기 및 목표

• 후처리 수작업 검사를 줄이기 위해 적층 제조(AM)를 위한 자동화된 실시간 품질 모니터링 시스템을 개발하기 위해.
• AM 공정에서 일관성 없고 시간이 오래 소요되는 수작업 품질 평가 문제를 해결하기 위해.
• 현장 영상 기반으로 프린팅 과정 중 결함을 실시간으로 감지하고 분류하기 위해.
• 즉각적인 피드백을 통해 공정 수정을 지원함으로써 부품 신뢰성 향상과 자원 및 시간 낭비 감소를 위해.
• 다양한 AM 기계 유형에 적용 가능한 확장 가능한 비접촉 품질 관리 솔루션을 만들기 위해.

제안 방법

• 딥 컨volution 신경망(CNN)은 층별 AM 증착에서 발생하는 내부 및 표면 결함의 레이블이 부여된 이미지 데이터를 오프라인으로 학습한다.
• 학습 데이터셋에는 공정 조건에 따라 변동하는 증착기 속도와 온도에서 촬영한 이미지가 포함되어 있어 다양한 조건에서의 강건성을 확보한다.
• 모델은 실시간으로 결함 존재 여부와 심각도에 따라 사전 정의된 다섯 가지 품질 등급으로 프린트 품질을 분류하기 위해 온라인으로 배포된다.
• 정확도, 특이도, 정밀도, 민감도 및 F1 점수와 같은 표준 지표를 사용하여 성능을 평가한다.
• 시스템은 실시간 피드백을 제공하여 공정 매개변수 조정을 지원하며, AM에서의 폐쇄 루프 제어를 가능하게 한다.
• 수작업 특징 설계 없이도 컴퓨터 비전 기법을 활용해 영상에서 공간적 특징을 추출한다.

실험 결과

연구 질문

• RQ1 딥 CNN 모델은 적층 제조 공정 중 실시간으로 결함을 신뢰성 있게 감지하고 분류할 수 있는가?
• RQ2 프린팅 중 증착기 속도와 온도 변화에 따라 모델의 성능은 어떻게 변하는가?
• RQ3 모델은 AM에서 수작업 검사를 얼마나 잘 대체할 수 있는가? 자동화된 비접촉 품질 모니터링이 가능한가?
• RQ4 시스템은 실시간 매개변수 조정을 위한 실질적인 피드백을 제공할 수 있는가?
• RQ5 다섯 가지 구분 가능한 품질 등급의 프린팅 부품을 분류하는 데 있어 어떤 정도의 정확도와 강건성을 달성할 수 있는가?

주요 결과

• 제안된 CNN 모델은 AM 부품의 실시간 품질 등급 분류에서 94%의 분류 정확도를 달성한다.
• 모델의 특이도는 96%에 도달하여 결함이 없는 프린트를 정확히 식별하는 데 강력한 성능을 보인다.
• 모든 다섯 가지 품질 등급에서 F1 점수, 정밀도 및 민감도가 75%를 초과하여 균형 잡힌 성능을 입증한다.
• 시스템은 후처리 검사를 필요로 하지 않고 실시간 모니터링을 가능하게 하여 시간과 노동력 비용을 감소시킨다.
• 증착기 속도 및 온도와 같은 다양한 공정 매개변수에서도 높은 성능를 유지하여 강건성을 입증한다.
• 결과적으로 딥 러닝을 활용한 자동화된 비접촉 품질 관리의 실현 가능성을 입증하며, 폐쇄 루프 공정 최적화의 길을 열었다.