복합소재 제조 공정 최적화: 공정 제어용 맞춤형 초음파 센서 개발

이 블로그는 2018년 포레시아 클린 모빌리티(프랑스 낭테르)가 시작한 코시모(CosiMo, "지속 가능한 모빌리티를 위한 복합소재") 프로젝트 후속 보고서입니다. 이 프로젝트는 열가소성 수지 이송 성형(T-RTM)으로 복합소재 배터리 박스 커버를 '스마트 제조'하는 것을 시연했습니다. 길이 1,100mm, 폭 530mm의 챌린지 파트는 부직포 유리섬유와 단방향 탄소섬유 보강재, 금속 및 폼 인서트, 2.5~10mm 다양한 두께와 곡률의 복잡한 형상을 가집니다. 카프로락탐 모노머를 주입하고 가열 프레스 사이클 중 현중합해 폴리아미드 6(PA6) 복합소재를 형성합니다. 주요 목표는 폐루프 센서 기반 공정 제어를 이용한 완전 자동화 공정 조사였습니다.

본 블로그에서는 코시모 챌린지 파트에 사용된 74개 센서 네트워크, 특히 아우크스부르크 대학(UNA, 독일)이 개발한 초음파 센서와, 전체 센서 데이터로 공정의 디지털 모델(디지털 트윈)을 구축한 과정을 자세히 다룹니다.

코시모의 성공과 센서/AI 기반 제조 개발 센터 필요성으로, UNA는 코시모 파트너인 독일 항공우주센터(DLR) 경량 생산 기술 센터(ZLP, 아우크스부르크), 프라운호퍼 주조·복합소재·가공 기술 연구소(Fraunhofer IGCV)와 협력해 아우크스부르크 AI 생산 네트워크를 결성했습니다. "5,000평방미터 규모 신규 시설을 공동 운영할 예정입니다. 자동화 생산 셀 다수, 복합소재 기술 중심, AI가 제조에 무엇을 할 수 있는지 시연할 것입니다." - 마르쿠스 자우제 UNA 교수 겸 네트워크 디렉터

코시모 센서 네트워크

크리스티안 카를 지벤부르스트 GmbH(독일 디트푸르트)가 공급한 강철 RTM 툴링에 74개 센서 통합. 수지 주입, 침투(유동 전선 모니터링), 현중합 단계 공정 파라미터 모니터링용:

• 진공 센서 1개
• 키슬러(Kistler, 스위스) 압력/온도 센서 4개
• 키슬러 온도 센서 4개
• 네취(Netzsch, 독일) 유전체 분석(DEA)/온도 센서 8개
• UNA 개발 초음파 센서 57개

초기 보고서에서 이 센서 네트워크는 양산용이 아닌 R&D용임을 밝혔습니다:

"산업 양산에선 이렇게 많은 센서를 설치하지 않습니다. 하지만 이 연구 조사에선 이 대규모 센서 네트워크가 매우 정밀했고 공정과 소재 거동에 대한 완전한 가시성을 제공했습니다. 파트 두께 변화나 폼 코어 같은 내장 소재에 따른 공정 내 국소 효과를 관찰할 수 있었습니다." - DLR ZLP 코시모 제조 프로젝트 리더 얀 파버

네트워크 설계 원칙: "대다수가 초음파 센서인 이유는 가장 저렴하기 때문(<10유로). 그리드 형태로 일정 간격 배치. 일부 위치엔 키슬러 압력/온도나 네취 DEA/온도 센서로 대체. 수지 유입구(스프루) 근처와 멀리 각각 1개씩 배치해 수지가 금형 온도를 겪은 후 도달하는 지점 모니터링." - 파버

서로 다른 센서 유형 사용 이유: "다른 측정 원리 기반 센서들의 신호 비교가 연구 과제 중 하나." DEA 센서는 수지의 AC 임피던스 측정(폴리머 내 다양한 효과 분해). 키슬러는 실리콘 기반 휘트스톤 브리지(동적 전기 저항 측정 회로)를 막에 연결, 압력에 따라 막이 신장해 저항 변화→전기 신호 출력. 키슬러 신형 4001a는 압력과 온도 동시 측정으로 선정된 국소 지점에서 두 값 모두 획득 가능.

UNA 초음파 센서

코시모 파트 네트워크 과반수인 57개 초음파 센서는 UNA 개발. 자우제 교수에 따르면 저렴할 뿐 아니라(<10유로) 다양한 정보 제공이 장점.

초음파 센서는 완성 복합소재 검사에 수십 년 쓰였지만 사출 성형에도 오랜 역사. 고주파 음파를 매질에 보내 반사(펄스-에코) 및/또는 투과 측정. 코시모 프로젝트 공칭 주파수 2,000kHz. 금형 캐비티 표면에서 20mm 거리에 57개 설치: 10개 투과 모드, 나머지는 펄스-에코 모드. 파동 속도와 진폭 감소(감쇠) 측정, 둘 다 폴리머 특성에 민감. 파동 속도는 압력과 온도 함수로 계산 가능하지만, 대상 폴리머에 맞춰 초음파 데이터 보정 필요.

"우리가 개발한 초음파 센서는 상용품과 크게 다르지 않습니다. 압전 소재 기반으로 탄성 운동을 전기 신호로 변환하는 데 민감하죠. 하지만 일반 센서는 150°C까지 동작하는데, 열가소성 성형은 200°C 이상이라 센서 전자부품에 도전이었습니다." - 자우제 교수

"금형에 센서를 제대로 통합하기 위한 기계 시스템도 고안해야 했습니다. 좋은 결합을 위한 스프링 로딩과 밀봉 필요. 센서가 충족해야 할 요구사항 포트폴리오가 커서 사실상 처음부터 설계했습니다. 전체 시스템 음향 설계도 수행했습니다."

중합 및 유동 전선 모니터링

"음향학은 금형 내 소재의 탄성 특성에 초점 맞춥니다. 액체 상태 강도와 중합 완료 후 강도는 다릅니다. 우리는 그 전이를 모니터링합니다. 각 센서 위치에서 금형-폴리머 계면의 파동 반사 음향 강도를 봐서 시간에 따른 경화 추적." - 자우제 교수

측정 원리는 자우제, 파버 등 저자의 SAMPE 유럽 2021 컨퍼런스 논문 "카프로락탐 T-RTM 제조에서 현중합의 센서 기반 공정 모니터링"에 상세. 금형-파트 계면 반사 지수 R에서 중합 진행에 따라 에코 진폭 비율 변화, 중합 완료 시 R 변화율 0 접근.

음향 투과 신호에서 초음파가 함침 프리폼 통과하는 전파 시간 추출 가능. 이는 중합도와 연관. SAMPE 논문 실험 시점 기준, 센서 위치에서 프리폼 완전 습윤부터 중합 완료까지 240초 소요.

"주입 중 유동 모니터링도 가능합니다. 폴리머 유동 전선이 센서 지날 때 음향 신호 정보가 변하기 때문." - 자우제

SAMPE 논문 검증: 선택된 센서에서 주입 15초 후 카프로락탐 유동 전선 도달 시 음향 신호가 정규화 값 1에서 0.85~0.9로 급격히 하락.

공정 디지털 트윈 개발

"초음파 센서 개발은 UNA가 코시모에서 한 일의 아주 작은 부분일 뿐, 가장 매혹적인 부분도 아닙니다. 진짜 성과는 데이터 분석과 공정 디지털 모델 개발로 제조 중 폐루프 제어 구현한 것입니다." - 자우제 교수

"우리는 금형 내부에서 실제로 일어나는 일에 대한 정보를 제공하려 합니다. 온도와 압력으로 공정을 조정하는 기존 방식에서 나아가, 각 센서 위치에서 능동 펄싱으로 음향 신호 정보를 활용합니다. 이로써 유동 전선 형상, 프리폼 각 부위 도달 시간, 각 센서 위치 중합도 등을 파악 가능."

"이상적으론 폐루프 제어 설정 확립으로 공정 중 파라미터 조정 가능: 주입 압력, 금형 압력/온도 등. 소재 최적화에도 활용."

디지털 트윈 개발은 다단계 다파트너 협업. DLR ZLP 작업 패키지부터 시작: "2D 플레이트 기반 시뮬레이션으로 ESI 그룹 PAM-RTM 소프트웨어로 충전과 중합 시뮬레이션. ITA(아헨 공대 섬유 기술 연구소)와 SGL 카본(독일)에서 프리폼 투과율 데이터, UNA에서 열가소성 폴리머 반응 모델 확보. 모두 통합해 실제 센서 데이터와 얼마나 근접한지 확인." - 파버

"2D 플레이트 모델 기준 충전은 매우 근접하게 시뮬레이션됐습니다. 하지만 중합 중 온도 효과는 시뮬레이션으로 설명 못 했습니다. 예: 이 중합 반응은 발열 반응이라 실제 데이터에서 온도 센서로 약간의 상승 관측되지만 시뮬레이션 상승폭이 훨씬 컸습니다. 이 부분 계속 연구 중." - 파버

팀이 시뮬레이션에서 알고 싶었던 것 중 하나: 중합 완료까지 소요 시간. "금형 내 최소 체류 시간이 진짜 궁금했습니다." - 파버. 이 정보는 시뮬레이션 모델에서 도출, 다종 센서 데이터와 AI 알고리즘 의존. 네취는 유전체 센서 제공뿐 아니라 디지털 트윈 일부도 담당: "주입 내 메커니즘 조사와 중합 완료 시점 및 상태 예측을 위한 예측 AI 모델 구축." - 파버

전체 센서 네트워크와 시뮬레이션 결과: 최대 중합도 96% 달성, 4.5분 소요. "주입 공정보다 훨씬 빠르지만 열경화성 수지 고속 사출보다는 훨씬 느립니다."

"센서 데이터가 디지털 트윈 모델에 적합합니다. 공정과 동시에 실행되며 센서 정보로 수치적으로 안정화된 모델을 구상했습니다. 파란 점들이 초음파 센서의 조밀한 그리드, 이 점들 사이 보간 가능. 예: 센서 네트워크 측정 데이터 기반으로 코시모 파트 내 유동 전선 시간별 발전 영상 생성." - 자우제

중합 속도 예측 검증

"여러 접근으로 검증했습니다. UNA 박사과정 학생이 카프로락탐-PA6 소재 시스템 반응 속도론 풀 모델링 수행. 적외선 분광법, 유변학 데이터, DEA 센서 데이터를 동시 연구해 매우 정밀한 소재 모델 구축 및 검증. 우리도 같은 모델로 센서 교차 검증." - 자우제

디지털 트윈 아키텍처

슈티버 등 저자의 2020년 기술 논문 "복합소재 구조물 제조를 위한 실시간 공정 모니터링과 머신러닝을 향해"에 기술:

3가지 구성: T-RTM 기계, 금형 툴링 내장 센서, 디지털 트윈. 다음 목표 O1~O4 고려해 개발:

• O1: 툴링 내장 센서로 모든 복합소재 파트 제조 공정 모니터링
• O2: 각 제조 공정 실시간 시각화로 공정 통찰 획득
• O3: 시뮬레이션 및 실데이터로 ML 모델 학습해 제조 결과 예측
• O4: 학습된 ML 모델로 불량품 감소

센서 데이터가 디지털 트윈의 엣지 애널리틱스로 공급 → 유동 전선 역학 예측, 각 텍스타일 프리폼 섬유 부피 함량 결정, 드라이 스팟 예측, 이상 탐지로 불량 감소.

T-RTM 기계: 비커트(Wickert, 독일) 440kN 열간 프레스, 크라우스마페이(KraussMaffei, 독일 뮌헨) T-RTM 주입 장치. 두 기기와 전체 센서 네트워크가 PLC(프로그래머블 로직 컨트롤러)에 연결돼 전체 제조 공정 제어.

센서 원시 데이터를 유동 전선이나 수지 경화 고수준 정보로 변환하는 실시간 전처리 필요. 전처리 데이터는 iba AG(독일 퓌르트) ibaPDA 데이터 수집 장치로 엣지에서 직접 기록. 공정 데이터, 파트 정보와 일관된 타임스탬프로 센서 데이터 병합 (O1, O2 달성).

자동 공정 최적화 위해 저장 데이터로 ML 모델 학습 (O3). 예: 센서 네트워크로부터 수지 유동 전선 재구성, 유동 전선 진행 예측, 이상적으론 공정 파라미터 적응해 현재 공정 또는 후속 런 최적화. 실데이터만으론 신뢰성 있는 모델 학습 부족 → PAM-RTM 시뮬레이션 런으로 데이터 증강. 시뮬레이션 데이터로 사전 학습 후 실데이터로 파인튜닝: 전이 학습(Transfer Learning) 전략, 컴퓨터 비전과 NLP에서 성공적으로 채택. 고급 ML 분석으로 예측 능력, 공정 시각화, 폐루프 제어 향상.

산업용 복합소재 생산을 위한 센서 통합

"여러 센서 유형으로 유동과 경화/중합 모니터링 교차 검증하고 상호 보완적 정보 확보하는 게 합리적. 그 다음 센서 배치 정의: 어느 유형을 어느 위치에. 예: 압력/온도 센서는 모든 곳 불필요, 수지 유입구, 복잡 형상 지점 등 핵심 데이터 포인트만." - 자우제

"센서 개수는? 코시모에선 74개 썼지만 0.5m 파트면 35~40개 정도(형상과 관심 포인트 따라). 공정 따라 다름. 항공우주처럼 수십 년 검증된 공정은 센서 적고 초기 개발 작업 적게 들 수 있음. 하지만 미지의 공정은 더 많은 선행 작업 필요. 코시모는 T-RTM+PA6 현중합으로 에폭시 RTM만큼 잘 문서화 안 된 경우." - 자우제

"디지털 모델 구축에 얼마나 시간 들까? 폐루프 제어 위해 항상 필요할까? 다시 말하지만 공정과 목표 수준에 달렸습니다. 첫째, 센서 정보 통합으로 블랙박스 같은 공정 내부 가시화, 어떤 파라미터 써야 할지 파악." - 자우제

"첫 타깃 도달 후 폐루프 제어까지 몇 단계 더. 중간 단계쯤이 시각화 확보 후 직접 스톱 버튼 눌러 공정 조정으로 불량 방지. 그 자체로 시작. 그다음 디지털 트윈 개발인데 학습 데이터 필요. 몇 개 파트 생산해 입력 데이터로 써야 함. 하지만 저품질 파트도 생산해야 함. 머신러닝 접근 학습에 투자할 의지 문제." - 자우제

"코시모의 전이 학습 접근은 유사 형상/소재 시스템/상황 완전 변경 아닌 변형엔 어느 정도 전이 가능. 이렇게 데이터베이스 축적해 효율 트렌드 식별에 기획 데이터 활용 가능. 다른 질문에도 병행 활용." - 자우제

시작 방법은: 센서 사용하고 그에 맞는 디지털 모델 구축해 공정 이해? "전적으로 동의합니다. 현재 생산 기계 대부분 여전히 '매우 멍청'합니다. 공정 피드백 줄 센서 없는 기계 많음. 센서 시스템 통합이 첫걸음. 하지만 체계적 데이터 수집과 데이터 저장 아키텍처 필요. 데이터로 무언가 할 수 있어야 함. 센서 달아놓고 데이터 방치하는 기업 많음." - 자우제

AI 생산 네트워크

위 답변들에서 자우제 교수는 UNA 내 여러 그룹과 센서 통합/디지털 트윈 서비스 제공 스핀오프 기업들 언급. 이를 위해 2021년 1월 UNA, DLR ZLP, Fraunhofer IGCV가 아우크스부르크 AI 생산 네트워크 출범.

"협업 프레임워크는 과거 DLR, Fraunhofer와 프로젝트들에서 나온 것. 코시모의 AI 기반 생산 개발 청사진을 이제 광범위하게 확장. 예: 코시모 예산 1,000만 유로였지만 AI 생산 네트워크 초기 펀딩 9,200만 유로. AI를 제조에 활용하는 코시모 같은 신규 연구 프로젝트 다수 시작 가능. 복합소재뿐 아니라 다양한 분야지만 복합소재에 강점." - 자우제

이미 2021년 시작 프로젝트: 초음파 센서로 CNC 가공 개선. "세라믹 매트릭스 복합소재(CMC) 재활용 프로젝트 곧 시작. 적층 제조와 특정 재활용 섬유 강화 소재 재사용 간 긴밀한 연계 프로젝트 다수 예정." - 자우제

각 기관 역할: 예산 별도 배정으로 경쟁 없음. "각자 몫 있어 자유롭게 협업. 서로 역량, 강점, 약점 잘 알아 즐겁게 일함. 많은 기업이 협업 원해 우리 측 역량과 이상적 매칭 논의 중." - 자우제

5,000평방미터 생산 시설: "함께 운영. 2023년 초 개장 목표, 기계 설치 시작. 개별 셀 연결된 자동화 생산 설정 제공. 다수 복합소재 생산 기술 포커스. 산업계 파트너들에게 이런 생산 환경에서 AI가 뭐 할 수 있는지 시연. 산업계 파트너들도 기계 들여와 공동 프로젝트로 자사 현장 솔루션 연계/통합 테스트." - 자우제