KR102107116B1 - 금속 3d 프린터의 용융 풀 이미지의 수치화 방법 및 장치 - Google Patents

Abstract

본 발명은 금속 3D 프린터의 공정 진행 상황을 모니터링하는 기술에 관한 것으로서, 상세하게는 금속 3D 프린터의 공정 진행 상황을 모니터링할 때 용융 풀(melt pool) 이미지를 머신러닝(machine-learning) 기반으로 분석하여 수치화할 수 있는 방법 및 장치에 관한 것이다. 이를 위해, 본 발명에 따른 금속 3D 프린터의 용융 풀 이미지의 수치화 방법은 용융 풀 이미지(melt pool image)의 위치별 영상을 머신 러닝 기반으로 사전 학습된 제1 분석 모델에 적용하여 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지에 대한 제1 수치 맵을 출력하는 단계와, 상기 제1 수치 맵을 머신 러닝 기반으로 사전 학습된 제2 분석 모델에 적용하여 제2 수치를 예측하는 단계를 포함한다.

Description

금속 3D 프린터의 용융 풀 이미지의 수치화 방법 및 장치{Method and apparatus for analyzing numerically melt pool image in metal 3D printer}

본 발명은 금속 3D 프린터의 공정 진행 상황을 모니터링하는 기술에 관한 것으로서, 상세하게는 금속 3D 프린터의 공정 진행 상황을 모니터링할 때 용융 풀(melt pool) 이미지를 머신러닝(machine-learning) 기반으로 분석하여 수치화할 수 있는 방법 및 장치에 관한 것이다.

3D 프린팅은 3차원 제품의 형상을 균일하거나 가변적인 두께를 가진 수많은 2차원 단면으로 나누어 각 2차원 단면을 적층하는 방식으로 수행된다.

3D 프린팅은 금속이나 플라스틱을 이용하여 3차원 제품을 뽑아내는데, 금속 3D 프린팅 방식 중 레이저 직접 금속 성형(laser-aided direct metal tooling) 방식은 레이저 빔이 금속 기재(base)에 조사되면서 용융 풀(melt pool)이 형성되고 용융 풀 상에 금속분말이 공급되면서 적층이 이루어지는 방식이다.

이와 같은 방식의 금속 3D 프린터는 공정 진행 상황을 모니터링하기 위해 용융 풀 이미지(melt pool image)를 촬영하여 용융 풀 이미지로부터 용용 풀의 상태정보를 획득한다.

그러나 종래의 용융 풀 이미지 활용기법은 이미지에서 픽셀 세기(intensity)의 합으로 간단하게 용융 풀의 상태를 판단하는 것으로, 이러한 방식은 매우 부정확하고 정량적인 모니터링이 아닌 정성적인 모니터링에 불과한 것이다.

한국공개특허 제2018-0040744호

본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 금속 3D 프린터의 용융 풀 이미지를 수치화하여 금속 3D 프린터의 공정 진행 상태를 정량적으로 보여주는 것이다.

본 발명의 다른 목적은 금속 3D 프린터의 공정 진행 과정에서 산출되는 금속제품에 대한 기계적 물성을 예측하는 것이다.

이를 위해, 본 발명에 따른 금속 3D 프린터의 용융 풀 이미지의 수치화 방법은 용융 풀 이미지(melt pool image)의 위치별 영상을 머신 러닝 기반으로 사전 학습된 제1 분석 모델에 적용하여 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지에 대한 제1 수치 맵을 출력하는 단계와, 상기 제1 수치 맵을 머신 러닝 기반으로 사전 학습된 제2 분석 모델에 적용하여 제2 수치를 예측하는 단계를 포함한다.

또한, 본 발명에 따른 금속 3D 프린터의 용융 풀 이미지의 수치화 장치는 카메라로부터 획득한 용융 풀 이미지를 위치별로 분할하여 위치별 영상을 추출하는 영상 추출부와, 상기 위치별 영상을 머신 러닝 기반으로 분석하여 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지에 대한 제1 수치 맵을 출력하는 제1 분석부와, 상기 제1 수치 맵을 머신 러닝 기반으로 분석하여 제2 수치를 예측하는 제2 분석부를 포함한다.

상술한 바와 같이, 본 발명은 머신 러닝 기반으로 사전 학습된 분석 모델을 이용하여 금속 3D 프린터의 용융 풀 이미지를 수치화함으로써 금속 3D 프린터의 공정 진행 상태를 정량적으로 보여줄 수 있는 효과가 있다.

또한, 금속 3D 프린터의 공정 중에 적층되는 용융 풀 이미지에 대한 수치 맵을 머신 러닝 기반으로 사전 학습된 분석 모델에 적용하여 금속제품의 기계적 물성을 예측할 수 있는 효과가 있다.

도 1은 본 발명에 따른 금속 3D 프린터의 용융 풀 이미지의 수치화 장치의 개략적인 구성도.
도 2는 본 발명에 따른 머신러닝 기반의 분석 모델을 나타낸 도면.
도 3은 본 발명에 따른 용융 풀 이미지가 적층되면서 용융 풀 이미지마다 생성되는 수치 맵을 나타낸 도면.
도 4는 본 발명에 따른 머신러닝 기반의 분석 모델의 정확도를 나타낸 도면.
도 5는 금속 3D 프린터의 레이저 파워별 용융 풀 이미지의 픽셀 세기 합을 나타낸 그래프.

이하, 첨부된 도면을 참조하여 본 발명에 따른 실시 예를 상세하게 설명한다. 본 발명의 구성 및 그에 따른 작용 효과는 이하의 상세한 설명을 통해 명확하게 이해될 것이다.

도 1은 본 발명에 따른 머신러닝 기반 금속 3D 프린터의 용융 풀 이미지의 수치화 장치의 개략적인 구성을 나타낸 것이다.

도 1을 참조하면, 금속 3D 프린터의 카메라(미도시)가 금속 기재(base)의 특정 위치 별로 용융 풀(melt pool) 영상(2)을 촬영할 수 있어서, 위치별 용융 풀 영상(2)으로 구성된 용융 풀 이미지(1)를 얻을 수 있다.

즉, 전체 용융 풀 이미지(1)에서, 흰색 부분이 금속 기재의 특정 위치에서의 용융 풀 영상(2)을 나타내며, 이러한 위치별 용융 풀 영상(2)이 모여 하나의 전체 용융 풀 이미지(1)가 된다.

이러한 2D 용융 풀 이미지(1)가 영상 추출부(10)로 입력되면, 영상 추출부(10)는 용융 풀 이미지(1)를 위치별로 분할하여 위치별 용융 풀 영상(2)을 추출하고 위치별 용융 풀 영상(2)을 순차적으로 제1 분석부(20)로 출력한다.

제1 분석부(20)는 위치별 용융 풀 영상(2)을 입력받아 위치별 용융 풀 영상에 대한 제1 수치를 생성한다. 여기서, 제1 수치는 금속 3D 프린터의 레이저 파워 또는 에너지 밀도가 될 수 있다.

제1 분석부(20)는 순차적으로 입력되는 위치별 용융 풀 영상(2)마다 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지(1)에 대한 제1 수치 맵(3)을 출력한다.

제2 분석부(30)는 제1 분석부(20)로부터 제1 수치 맵(3)을 입력받아 제2 수치를 생성한다. 여기서, 제2 수치는 금속 3D 프린터에서 산출된 금속 제품의 기계적 물성으로서, 밀도, 연신율 또는 강도가 될 수 있다.

제1 분석부(20)와 제2 분석부(30)는 머신러닝 기반으로 사전 학습된 분석 모델을 활용하여 각각 제1 수치 및 제2 수치를 출력하게 된다.

제1 분석부(20)는 머신러닝 기반으로 사전 학습된 제1 분석 모델을 활용하여 용융 풀 영상(2)마다 제1 수치를 생성한다.

도 2는 본 발명에 따른 제1 분석 모델을 심층 신경망(deep neural network)을 이용하여 구현한 것을 나타낸다.

도 2를 참조하면, 제1 분석 모델은 10개의 숨은 레이어(hidden layer)로 구성되어 60x60 픽셀의 위치별 용융 풀 영상(2)을 입력받는다.

제1 분석 모델에서, 입력 레이어(input layer)는 위치별 용융 풀 영상(2)으로부터 3600개의 픽셀 입력을 받아 각 입력마다 가중치(weight)를 적용하여 첫 번째 숨은 레이어에 전달한다.

10개의 숨은 레이어에는 각각 노드(node)의 개수와 정해져 있고, 레이어 간 노드별 가중치도 결정되어 있어서, 각 레이어는 입력받은 값들에 가중치를 적용하여 다음 레이어에 전달하는 방식으로 순차 처리되면서, 마지막에 위치한 출력 레이어(output layer)가 8개의 노드(z1, z2, ..., z8)의 값에 가중치(w1, w2, ..., w8)를 적용하고 그 값들을 합산하여 최종적인 값(p)인 제1 수치를 출력한다.

이러한 과정이 위치별 용융 풀 영상(2)마다 수행되어 하나의 용융 풀 이미지(1)에 대한 제1 수치 맵(3)이 생성된다.

제1 수치 맵(3)에서 각 수치(값)는 레이저 파워 값을 나타낸다. 즉, 금속 3D 프리터의 레이저를 100W 파워로 조사한 경우, 위치별로 예측된 레이저 파워 값을 나타낸 것으로 대부분 정상 상태이므로 100 근처의 값으로 나타나지만, 비정상 상태이면 100에서 크게 벗어난 값으로 나타날 수 있다. 제1 수치 맵(3)에서 다른 색으로 표시된 부분은 그 위치(x, y)에서 비정상 공정이 발생했음을 나타내고 있다.

제2 분석 모델도 제1 분석 모델과 마찬가지로 심층 신경망을 이용하여 구현할 수 있다.

도 3은 용융 풀 이미지(1)가 적층되면서 용융 풀 이미지(1)마다 생성되는 제1 수치 맵(3)을 나타낸 것이다.

제2 분석 모델은 이러한 제1 수치 맵(3)을 적층 시마다 입력받아 금속 제품의 기계적 물성을 예측할 수 있다.

제1 분석 모델에서 설명한 것과 유사한 방식으로, 제2 분석 모델에서도 입력 레이어는 제1 수치 맵(3)으로부터 위치별 제1 수치를 입력받아 가중치(weight)를 적용하여 첫 번째 숨은 레이어에 전달한다.

숨은 레이어에는 각각 노드의 개수와 정해져 있고, 레이어 간 노드별 가중치도 결정되어 있어서, 각 레이어는 입력받은 값들에 가중치를 적용하여 다음 레이어에 전달하는 방식으로 순차 처리되면서, 마지막에 위치한 출력 레이어가 최종 값을 출력한다.

이러한 과정이 적층 시마다 수행되어 출력 레이어로부터 출력된 최종 값들을 이용하여 제2 수치를 출력한다.

제2 분석 모델은 적층 시마다 생성되는 제1 수치 맵에 대해 심층 신경망(즉, 딥 러닝)에 의한 분석을 수행하고 그 분석된 결과들을 통계적 기법으로 처리하여 제2 수치를 출력할 수 있으나, 반대로 제1 수치 맵에 대해 먼저 통계적 기법으로 처리한 후 통계적 결과에 대해 심층 신경망에 의한 분석을 수행할 수도 있다.

상술한 제1 분석 모델과 제2 분석 모델은 사전 학습되어야 하는데, 이를 위해서 머신 러닝에 사용될 대량의 학습용 용융 풀 이미지가 필요하다. 이러한 학습용 용융 풀 이미지는 금속 3D 프린터의 공정 조건 즉, 레이저 파워 또는 스캔 속도별로 수집될 수 있다.

도 4는 본 발명에 따른 머신러닝 기반의 분석 모델의 정확성을 설명하기 위한 그래프이다.

도 4에 도시된 그래프는 레이저 파워별로 제1 분석 모델이 얼마나 정확하게 레이저 파워를 예측하였는지를 나타내고 있다.

일반적으로 금속 3D 프린터의 레이저 장치는 파워 불안정성(power instability)을 가지고 있어서, 설정한 파워에 대해 ±3% 오차를 가지고 있다. 따라서, 이러한 오차 범위에 있는 예측 값은 정상으로 볼 수 있고, 이를 벗어난 예측 값은 비정상으로 판단할 수 있다.

레이저 파워별 그래프에서, 기준 파워 값을 중심으로 상하에 위치한 2개의 가로 줄은 ±3% 오차를 의미하며, 2개의 가로 줄 안에 대부분의 예측 값이 존재함을 알 수 있다.

6개의 조건(100W, 150W, 200W, 250W, 300W)에 대해 레이저 파워별 용융 풀 이미지가 3500개이면, 전체 용융 풀 이미지는 21,000개가 된다. 이러한 21,000개의 용융 풀 이미지를 제1 분석 모델에 적용한 결과 전체 용융 풀 이미지의 99% 정도가 오차 범위에 있음을 확인할 수 있었다.

표 1은 본 발명에 따른 방법과 종래의 픽셀 세기 방법에 따른 결과를 비교한 것이다.

종래 이미지의 픽셀 세기를 합산하여 레이저 파워를 예측하는 방법은 레이저 파워 간에 중첩되는 부분이 있어서 정확도가 떨어진다.

도 5에 도시된 그래프를 보면, 굵은 선은 서로 다른 레이저 파워 조건과 픽셀 세기의 총합이 겹쳐지지 않는 것을 의미하고, 점선 부분은 픽셀 세기의 총합이 겹치는 것을 의미한다.

예를 들어, 100W, 150W의 경우 다른 파워 조건과 겹치지 않아 픽셀 세기의 값으로 파워 값을 예측할 수 있지만, 200W에서 픽셀 세기의 총합이 가장 큰 부분은 250W에서 픽셀 세기의 총합이 가장 작은 부분과 그 값이 겹치게 되어 픽셀 세기의 총합만으로는 200W인지 250W인지를 구분할 수 없게 된다. 이러한 경우 해당 영역은 판단이 불가하여 에러 처리를 하게 된다.

이러한 판단 방식으로 표 1을 살펴 보면, 종래 방식(sum of pixel intensity)의 경우 100W, 150W에서 에러가 없으나, 200W 이상부터는 에러율이 증가함을 알 수 있다. 예를 들어, 200W에서 942개의 이미지가 겹치면서 에러율이 5.1%이고, 250W에서 2189개의 이미지가 겹치면서 에러율이 11.8%라는 것을 알 수 있다.

이에 대하여, 본 발명에 따른 방법의 경우, ±3% 오차 범위 안의 예측 값을 정상으로 보고 그 범위를 벗어난 예측 값을 에러로 보았을 때 전체 파워 조건에서 에러율이 매우 낮음을 알 수 있다.

이상의 설명은 본 발명을 예시적으로 설명한 것에 불과하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술적 사상에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다.

따라서 본 발명의 명세서에 개시된 실시 예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.

1: 용융 풀 이미지 2: 위치별 용융 풀 영상
3: 수치 맵 10: 영상 추출부
20: 제1 분석부 30: 제2 분석부

Claims (6)

1. 용융 풀 이미지(melt pool image)의 위치별 영상을 머신 러닝 기반으로 사전 학습된 제1 분석 모델에 적용하여 레이저 파워 또는 에너지 밀도 중의 하나인 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지에 대한 제1 수치 맵을 출력하는 단계와,
   상기 제1 수치 맵을 머신 러닝 기반으로 사전 학습된 제2 분석 모델에 적용하여 제2 수치를 예측하는 단계를 포함하는 금속 3D 프린터의 용융 풀 이미지의 수치화 방법.
2. 삭제
3. 제1항에서,
   상기 제2 수치는 금속 제품의 기계적 물성으로서 밀도, 연신율 및 강도 중에서 적어도 하나 이상인 것을 특징으로 하는 금속 3D 프린터의 용융 풀 이미지의 수치화 방법.
4. 카메라로부터 획득한 용융 풀 이미지를 위치별로 분할하여 위치별 영상을 추출하는 영상 추출부와,
   상기 위치별 영상을 머신 러닝 기반으로 분석하여 레이저의 파워 또는 에너지 밀도 중의 하나인 제1 수치를 생성하는 과정을 반복함으로써 용융 풀 이미지에 대한 제1 수치 맵을 출력하는 제1 분석부와,
   상기 제1 수치 맵을 머신 러닝 기반으로 분석하여 제2 수치를 예측하는 제2 분석부를 포함하는 금속 3D 프린터의 용융 풀 이미지의 수치화 장치.
5. 삭제
6. 제4항에서,
   상기 제2 수치는 금속 제품의 기계적 물성으로서 밀도, 연신율 및 강도 중에서 적어도 하나 이상인 것을 특징으로 하는 금속 3D 프린터의 용융 풀 이미지의 수치화 장치.

Images