기초를 넘어:기계 학습 및 AM

인더스트리 4.0 시대에 제조업은 점점 더 머신 러닝과 인공 지능의 세계로 향하고 있습니다. 생산 프로세스를 향상시키기 위해 데이터 기반 시스템을 개발할 수 있는 세상. 그리고 적층 제조는 기계 학습의 이점을 활용하여 효율성을 높이고 제품 품질을 향상하며 AM 워크플로를 최적화할 수 있습니다.

머신 러닝으로 효율성 향상

적층 제조가 최종 사용 생산을 위해 확장됨에 따라 머신 러닝의 발전은 자율 주행 자동차의 전망에만 국한되지 않습니다. 머신 러닝은 적층 제조 내에서 사용되어 생산 프로세스 중 시행착오 방식을 부분적으로 제거함으로써 효율성을 부분적으로 높일 수 있습니다.

부품 방향 또는 지지 구조 설계와 같은 많은 요인이 잠재적으로 부품의 재료 구조에 영향을 미치고 빌드 실패로 이어질 수 있습니다. 이것은 필연적으로 빌드 실패의 원인이 여러 변수에 기인할 수 있음을 의미합니다. 일반적으로 신뢰할 수 있는 인쇄 프로세스를 달성하기 위해 시행착오 방식이 적용되었습니다. 그러나 최적의 프로세스에 도달하기까지 여러 번의 실패를 거쳐야 하기 때문에 시행착오 방식은 필연적으로 효율성이 떨어집니다. 머신 러닝은 기계가 사전에 변수와 매개변수를 결정하도록 도와주는 시스템을 개발하여 생산 프로세스를 최적화함으로써 시행착오적 접근 방식을 우회하는 데 도움이 될 수 있습니다.

미 해군의 ONR(Office of Naval Research)은 최근 데이터 회사 Senvol과 협력하여 AM 공정 매개변수와 재료 성능 간의 관계를 분석할 수 있는 기계 학습 소프트웨어를 개발했습니다. 목표는 ONR을 활성화하여 기존 재료 테스트에 대한 의존도를 줄이는 것입니다.

그리고 콜로라도에 있는 ADAPT 센터의 연구는 이미 기계 학습이 부품의 내부 형상을 식별하고 새 부품에 대한 올바른 매개변수를 예측하여 인쇄 프로세스를 최적화할 수 있는 방법을 탐구하기 시작했습니다.

기계 학습을 사용하여 품질 프로세스 향상

기계가 결국 스스로 수정하고 스스로를 감독할 수 있기 때문에 기계 학습을 구현하여 생산 프로세스에 품질 관리의 또 다른 계층을 추가할 수도 있습니다. 머신 러닝 기술을 사용하여 대량의 데이터를 분석하고 각 생산 단계의 실시간 상태를 제공하는 데 사용할 수 있습니다. 기계는 알고리즘을 사용하여 생산 데이터에서 패턴을 찾고 이 구성 예측 모델에서 실제 데이터와의 비교를 통해 정제할 수 있습니다.

작년에 GE는 기계 지능과 디지털 트윈을 사용하여 금속 3D 프린팅을 위한 기계 및 재료 성능을 향상시키는 연구를 발표했습니다. 기계 학습에 대한 연구를 통해 GE는 품질 프로세스 문제를 감지하여 재료 낭비를 줄이는 것을 목표로 하며 궁극적인 목표는 100% 수율입니다. GE의 연구는 부품 빌드의 각 레이어에 대한 완전한 가시성을 확보하고 기계가 빌드 자체의 문제를 인식하도록 훈련시키는 것을 목표로 합니다. 이를 통해 사용자는 빌드의 메커니즘과 구조를 확인하고 프로세스 초기에 문제를 식별할 수 있습니다.

기계 학습의 기타 사용 사례

예비 부품

적층 제조는 예비 부품 재고를 보관하고 유지하는 데 드는 높은 비용 때문에 예비 부품 산업에 이상적인 솔루션임이 입증되었습니다. 적층 제조는 제조업체가 필요할 때 필요에 따라 예비 부품을 생산 및 공급할 수 있도록 하여 이 문제를 해결합니다.

그러나 머신 러닝은 이 솔루션을 한 단계 더 발전시켜 예측 기능을 개선함으로써 생산 프로세스의 효율성을 개선할 수 있습니다. 예를 들어 개별 제조의 경우 회사는 예측 유지 관리 모델을 사용하여 특정 부품의 수명을 예측할 수 있습니다. 또한 머신 러닝을 사용하여 고객이 미리 설정된 데이터 일정을 사용하여 부품을 교체해야 하는 시기를 식별하여 제조업체가 미리 교체 부품을 보낼 수 있습니다. 따라서 제조업체는 기계 학습을 사용하여 비용을 줄이고 고객 만족도를 높이는 것을 고려해야 합니다.

머신 러닝 – AM의 엄청난 잠재력

머신러닝은 생산 프로세스를 개선하고 의사 결정을 안내하며 궁극적으로 비즈니스 모델을 혁신할 수 있는 잠재력이 있습니다. AM을 위한 기계 학습의 응용 프로그램은 설계 프로세스 향상에서 효율성 향상, 인쇄 프로세스가 시작되기 전에 3D 개체의 인쇄 가능성 결정에 이르기까지 다양합니다. 그러나 머신 러닝 및 AI 시스템을 구현하는 것 또한 소프트웨어 및 하드웨어 인프라 모두에 대한 전략적 계획과 투자가 필요한 자체 과제가 있습니다. 그러나 인더스트리 4.0 시대에 머신 러닝, AI 및 AM을 위한 빅 데이터의 사용은 빙산의 일각에 불과하다는 것이 분명합니다.