KR20190068350A - 3d 프린팅 출력물의 품질 예측 방법 및 장치 - Google Patents

3d 프린팅 출력물의 품질 예측 방법 및 장치 Download PDF

Info

Publication number
KR20190068350A
KR20190068350A KR1020170168653A KR20170168653A KR20190068350A KR 20190068350 A KR20190068350 A KR 20190068350A KR 1020170168653 A KR1020170168653 A KR 1020170168653A KR 20170168653 A KR20170168653 A KR 20170168653A KR 20190068350 A KR20190068350 A KR 20190068350A
Authority
KR
South Korea
Prior art keywords
data
quality
feature
printing output
printing
Prior art date
Application number
KR1020170168653A
Other languages
English (en)
Inventor
이상원
김정섭
이창수
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020170168653A priority Critical patent/KR20190068350A/ko
Publication of KR20190068350A publication Critical patent/KR20190068350A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes

Abstract

본 발명은 3D 프린팅 출력물의 품질 예측 방법 및 장치에 관한 것으로, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계, 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계, 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린팅 출력물의 품질을 예측하는 단계를 포함할 수 있다.

Description

3D 프린팅 출력물의 품질 예측 방법 및 장치{Method and apparatus for predicting quality of three-dimensional printing output}
본 발명은 3D 프린팅(three-dimensional printing)에 관한 것으로, 보다 상세하게는, 3D 프린팅 출력물의 품질 예측 방법 및 장치에 관한 것이다.
일반적으로 3차원의 입체 형상을 가진 시제품(Prototype)을 제작하기 위해서는 도면에 의존하는 수작업에 의해 이루어지는 목합 제작방식과 CNC(Computerized Numerical Control) 밀링에 의한 제작방식 등이 있다. 그러나 목합 제작방식은 수작업에 의하므로 정교한 수치제어가 어렵고 많은 시간이 소요된다. CNC 밀링에 의한 제작방식은 정교한 수치제어가 가능하지만 공구간섭에 의하여 가공하기 어려운 형상이 많다.
따라서, 제품의 디자이너 및 설계자가 만들어낸 3차원 모델링에서 생성된 데이터를 저장한 컴퓨터를 이용하여 3차원 입체 형상의 시제품을 제작하는 이른바 3차원 프린터 방식이 등장하게 되었다. 시제품 개발 단계에서 프로토 타입의 제조 또는 다품종 소량 생산 시 간단하고 저렴한 비용으로 물체의 입체 형상을 출력하기 위한 3차원 프린팅 기술이 각광받고 있다. 3차원 프린팅은 물체의 입체 형상을 3차원 그래픽 설계 프로그램을 통해 분석하여 2차원 단면 형상 데이터의 조합으로 생성한 후 이러한 2차원 단면형상 데이터 정보에 따라 ABS(Acrylonitrile Butadiene Styrene)나 PLA(PolyLactic Acid)와 같은 열가소성 수지 등의 원료물질을 다양한 방법으로 출력 베드에 형성하여 물체의 입체 형상을 구현하는 기술이다.
이러한 3차원 프린터 방식에는 광경화성 수지에 레이저 광선을 주사하여 주사된 부분이 경화되는 원리를 이용한 SLA(StereoLithograhhic Apparatus) 방식과, SLA에서의 광경화성 수지 대신에 기능성 고분자 또는 금속분말을 사용하며 레이저 광선을 주사하여 고결(固結)시켜 성형하는 원리를 이용한 SLS(Selective Laser Sintering) 방식과, 접착제가 칠해져 있는 종이를 원하는 단면으로 레이저 광선을 이용하여 절단하여 한 층씩 적층하여 성형하는 LOM(Laminated Object Manufacturing) 방식과, 잉크젯(Ink-Jet) 프린터 기술을 이용한 BPM(Ballistic Particle Manufacturing)과 가열된 노즐을 사용 조형 재료를 녹여 층층이 쌓아올려 조형하는 FDM(Fused deposition modeling) 방식 등이 있다. FDM 방식은 3차원 프린팅의 종류에는 원료물질을 압출하여 출력 베드에 순차적으로 적층하여 입체 형상을 구현한다. 이러한 FDM 방식은 FFF(Fused Filament Fabrication) 방식으로 지칭되기도 한다.
종래의 적층 조형 방식인 FDM 방식 또는 FFF 방식을 사용하는 3차원 프린터는 원료물질을 압출할 때, 원료물질이 되는 열가소성 수지를 실타래 형태로 출력 노즐 유니트에 공급한다. 그리고 출력 노즐 유니트 내의 공급 롤러가 회전하여 원료물질을 히터부로 이송시킨다. 이송된 원료물질이 히터부에서 녹아 점성이 생기고 액화된 원료물질을 노즐에서 사출하여 출력 베드에 적층시키는 원리이다.
한국 공개특허공보 제10-2016-0076708호(2016년07월01일 공개)
3D 프린팅 공정에서는 뒤틀림(Warping), 레이어 시프팅(Shifting Layers), 막힌 노즐(Blocked Nozzle) 등과 같은 수많은 품질 불량이 발생된다. 이러한 품질 불량이 발생될 때, 작업자들은 작업자의 경험으로 3D 프린팅 출력물의 품질을 예측한다. 하지만, 3D 프린팅 출력물의 품질 불량은 매우 불규칙하게 발생된다. 그러므로 작업자의 경험에 의존할 경우 객관적이고 일관성 있는 품질 예측이 어렵다 뿐만 아니라, 공정 중단으로 인한 시간 및 소재의 낭비 또한 매우 심하므로 비용 효율적 측면에서도 많은 문제점을 가지고 있다.
본 발명의 실시 예들은 3D 프린팅 공정에서 3D 프린터에 부착된 센서(예컨대, 가속도 센서, 음향 방출 센서 등)를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출하고 도출된 특징요소를 바탕으로 기계학습론을 적용한 프린팅 출력물의 품질 예측 모델을 이용하여 3D 프린팅 출력물의 품질을 객관적이고 일관성 있게 예측할 수 있는, 3D 프린팅 출력물의 품질 예측 방법 및 장치를 제공하고자 한다.
본 발명의 실시 예들은 3D 프린팅 출력물의 품질 예측 결과를 기초로 하여 3D 프린터의 고장 여부를 정확하게 예측할 수 있는, 3D 프린팅 출력물의 품질 예측 방법 및 장치를 제공하고자 한다.
본 발명의 일 실시 예에 따르면, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계; 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계; 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린팅 출력물의 품질을 예측하는 단계를 포함하는 3D 프린팅 출력물의 품질 예측 방법이 제공될 수 있다.
상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나를 포함할 수 있다.
상기 적어도 하나의 특징요소를 도출하는 단계는, 상기 3D 프린팅 출력물의 적층물 각층의 적층 경로를 고려하여 출력물의 홀수 층과 짝수 층에 해당하는 수집 데이터를 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출할 수 있다.
본 발명의 실시 예들은 3D 프린팅 공정에서 3D 프린터에 부착된 센서(예컨대, 가속도 센서, 음향 방출 센서 등)를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출하고 도출된 특징요소를 바탕으로 기계학습론을 적용한 프린팅 출력물의 품질 예측 모델을 이용하여 3D 프린팅 출력물의 품질을 객관적이고 일관성 있게 예측할 수 있다.
본 발명의 실시 예들은 온라인으로 3D 프린팅 출력물에 대해 품질을 예측함으로써, 3D 프린팅 출력물의 품질 예측에 소요되는 시간 및 소재를 절약할 수 있다.
또한, 본 발명의 실시 예들은 품질 예측 대상이 되는 3D 프린터의 3D 프린팅 공정 모니터링을 통한 다운타임을 최소화할 수 있고, 생산성을 향상시킬 수 있다.
더 나아가, 본 발명의 실시 예들은 3D 프린터를 동작시키기 위한 작업인력 교육비용을 절감할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 다른 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치의 구성을 설명하기 위한 도면이다.
도 4 내지 도 7은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 정상 및 불량 상태에 대해 수집된 수집 데이터를 설명하기 위한 도면이다.
도 8 내지 도 13는 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 도출된 특징요소를 설명하기 위한 도면이다.
도 14는 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치에서 사용되는 커널 함수 기반의 비선형 SVM 기계학습을 적용한 프린팅 출력물의 품질 예측 모델을 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치를 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 품질 예측 장치(100)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102, 103, 104)와 음향 방출 센서(101) 중 적어도 하나를 통해 수집된 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하여 3D 프린팅 출력물의 품질을 예측한다.
우선, 본 발명의 일 실시 예에 사용되는 FDM 방식의 3D 프린터(10)를 살펴보기로 한다. FDM 방식의 3D 프린터의 원재료인 필라멘트(Filament)는 열에 녹는 물질을 가는 실 형태로 가공하여 스플(Spool)에 감아서 사용한다. FDM 방식의 3D 프린터는 필라멘트를 이송시키는 피더(Feeder)와 필라멘트(Filament)를 녹여서 분사하기 위한 노즐을 탑재하고 인쇄위치로 이동시키는 캐리어 및 출력물을 적재 및 인쇄 위치를 이동시키는 배드를 포함한다. 스풀에 감겨져 있는 필라멘트는 피더를 통하여 연속으로 이송시켜서 노즐로 주입된다. 노즐에 주입된 필라멘트는 노즐에서 발생하는 열에 의해 액체상태로 되어 노즐 밖으로 분사되어 출력물을 적재하는 배드에 쌓이게 된다. 분사된 액체상태의 필라멘트는 캐리어와 배드의 이동에 의해 이미지가 형성되어 결과로써 3차원 출력물이 형성되도록 동작된다.
FDM 방식의 3D 프린터(10)는 X축, Y축, Z축 구동부를 포함한다. X축, Y축, Z축 구동부는 모터로부터 발생한 동력을 캐리어 및 배드에 전달하여 히터노즐을 해당 인쇄위치로 이동시킨다. 3D 프린터(10)의 부품에는 이러한 이동 동작을 위해 벨트, 볼트 및 플레이트 중에서 적어도 하나의 다양한 구성 부품이 포함될 수 있다.
본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 3D 프린터(10)에 부착된 각 센서를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출한다. 예컨대, 3D 프린터(10)에는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)가 포함된 각 축의 가속도 센서, 또는 음향 방출 센서(101) 등이 부착될 수 있다. 그리고 품질 예측 장치(100)는 도출된 특징요소를 바탕으로 기계학습론을 적용한 프린팅 출력물의 품질 예측 모델을 이용하여 3D 프린팅 출력물의 품질을 객관적이고 일관성 있게 예측할 수 있다.
변형 예로, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 2개의 제1 및 제2 증폭기(105, 106)와 아날로그/디지털(A/D) 컨버터(107)를 포함할 수 있다. 제1 증폭기(105)는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)와 연결되고, 각축의 가속도 센서에서 측정된 각축의 가속도 데이터 신호를 증폭시킨다. 또한, 제2 증폭기(106)는 음향 방출 센서(101)와 연결되고, 음향 방출 센서(101)에서 측정된 음향 방출 데이터 신호를 증폭시킨다. 그리고 A/D 컨버터(107)는 제1 및 제2 증폭기(105, 106)와 A/D 컨버터(107)와 연결되고, 증폭시킨 아날로그 신호를 디지털 신호로 변환하여 3D 프린팅 출력물의 품질 예측 장치(100)로 전달한다.
이를 통해, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 적어도 하나의 센서(101 내지 104)를 통해 수집한 수집 데이터를 이용하여 압출 적층 조형 기반 3D 프린터의 공정을 모니터링 및 기계학습을 적용한 3D 프린팅 출력물에 대한 품질 예측 모델을 구축할 수 있다. 3D 프린팅 출력물의 품질 예측 장치(100)는 구축된 품질 예측 모델을 기반으로 품질을 정확하게 예측함으로써, 주관적인 작업자의 경험 및 공정 중단 후 오프라인 측정에 의존하지 않는 강건한 온라인 3D 프린팅 출력물의 품질 예측 장치를 제공할 수 있다.
도 2는 본 발명의 다른 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치를 설명하기 위한 도면이다.
도 1에 도시된 품질 예측 장치(100)는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)와 음향 방출 센서(101)를 3D 프린터(10)에 부착하여 각각의 수집 데이터를 수집한다.
이와 다르게, 도 2에 도시된 본 발명의 다른 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 3D 프린터(10)에 부착하고, X축 가속도 센서(102) 및 Y축 가속도 센서(103) 중 적어도 하나를 통해 수집된 가속도 데이터를 수집 데이터로 수집한다. 즉, 본 발명의 다른 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 도 1과 다르게 Z축 가속도 센서(104)와 음향 방출 센서(101)를 제외한 2개의 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 통해 수집 데이터를 수집한다.
본 발명의 다른 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 3D 프린터(10)에 부착된 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 이용하여 수집 데이터를 수집한 후, 각 센서 데이터의 특징요소를 도출한다. 그리고 품질 예측 장치(100)는 X축 가속도 데이터 및 Y축 가속도 데이터에 대해 도출된 X축 가속도 특징요소와 Y축 가속도 특징요소를 바탕으로 기계학습론을 적용한 프린팅 출력물의 품질 예측 모델을 이용하여 3D 프린팅 출력물의 품질을 객관적이고 일관성 있게 예측할 수 있다.
변형 예로, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 1개의 제1 증폭기(105)와 A/D 컨버터(107)를 포함할 수 있다. 제1 증폭기(105)는 X축 가속도 센서(102), Y축 가속도 센서(103)와 연결되고, 각축의 가속도 센서에서 측정된 각축의 가속도 데이터 신호를 증폭시킨다. 그리고 A/D 컨버터(107)는 제1 증폭기(105)와 A/D 컨버터(107)와 연결되고, 증폭시킨 아날로그 신호를 디지털 신호로 변환하여 품질 예측 장치(100)로 전달한다.
도 3은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치의 구성을 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 데이터 수집부(110), 특징요소 도출부(120) 및 품질 예측부(130)를 포함한다.
이하, 도 3의 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.
데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102 내지 104)와 음향 방출 센서(101) 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집한다. 데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다. 이와 같이, 무선통신을 이용하여 수집 데이터를 수집하는 것은 3D 프린팅 출력물의 품질 예측 장치(100)가 3D 프린팅 출력물의 품질을 원격에서 예측하기 위함이다. 일례로, 데이터 수집부(110)는 압출 적층 조형 공정 기반 3D 프린터(10)에 부착된 각 센서를 통해 센서 데이터 즉, 수집 데이터를 수집할 수 있다. 적어도 하나의 가속도 센서는 X축 가속도 센서(102), Y축 가속도 센서(103) 및 Z축 가속도 센서(104) 중에서 적어도 하나의 가속도 센서를 포함할 수 있다. 또한, 적어도 하나의 가속도 센서는 음향 방출 센서(101)를 포함할 수 있다.
특징요소 도출부(120)는 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출한다. 특징요소 도출부(120)는 수집된 수집 데이터 즉, 센서 데이터를 기반으로 3D 프린팅 출력물의 정상 및 고장 상태의 특징요소를 도출할 수 있다. 특징요소 도출부(120)에서 도출된 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함할 수 있다.
여기서, 특징요소 도출부(120)는, 3D 프린터(10)에서 3D 프린팅되는 출력물의 적층물 각층의 적층 경로를 고려하여 출력물의 홀수 층과 짝수 층에 해당하는 수집 데이터를 나누어 가속도 데이터의 특징요소 및 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출할 수 있다. 일례로, 홀수 층에 해당하는 수집 데이터를 홀수 층의 4등분으로 나누고, 짝수 층에 해당하는 수집 데이터를 짝수 층의 5등분으로 나눌 수 있다. 특징요소 도출부(120)는 각각 나누어진 전체 수집 데이터의 특징요소를 각각 도출할 수 있다.
품질 예측부(130)는 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나와 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 3D 프린팅 출력물의 품질을 예측한다. 여기서, 불량 상태에는 3D 프린팅 공정에서 발생하는 뒤틀림(Warping), 층 이동 (Shifting Layers), 막힌 노즐(Blocked Nozzle) 중에서 적어도 하나의 품질 불량이 포함될 수 있다. 품질 예측부(130)는 도출된 특징요소 및 3D 프린팅 출력물의 고장 상태 간 상관관계를 분석하고, 그 분석 결과를 기초로 하여 모델링할 수 있다. 품질 예측부(130)는 기계학습을 적용한 3D 프린팅 출력물의 품질 예측 모델을 학습하고, 그 학습된 품질 예측 모델을 통해 3D 프린팅 출력물의 품질 예측 모델을 검증할 수 있다.
품질 예측부(130)는 특징요소 도출부(120)에서 홀수 층 및 짝수 층의 각 등분에 대해 각각 나누어 도출된 수집 데이터를 바탕으로 커널 함수(Kernel Function) 기반 비선형(Non-linear) 서포트 벡터 머신(Support Vector Machine, SVM) 기계학습론을 적용한 품질 예측 모델을 구축하여 3D 프린티 출력물의 품질을 예측할 수 있다.
품질 예측부(130)는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린팅 출력물의 정상 상태의 경우와 불량 상태의 경우로 나누어서 정의할 수 있다.
이후, 품질 예측부(130)는, 3D 프린팅 출력물의 품질 예측 결과를 이용하여 3D 프린터의 고장을 예측할 수 있다.
도 4 내지 도 7은 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 정상 및 불량 상태에 대해 수집된 수집 데이터를 설명하기 위한 도면이다.
도 4 내지 도 7에 도시된 바와 같이, 품질 예측 장치(100)는 압출 적층 조형 기반 3D 프린팅 공정에서 3D 프린터(10)에 부착된 각 축의 가속도 센서를 이용하여 X축, Y축 및 Z축 가속도 데이터와, 음향 방출 데이터 중에서 적어도 하나의 센서 데이터를 수집한다.
도 4에는 3D 프린터(10)에 부착된 X축 가속도 센서(102)에서 측정된 X축 가속도 데이터가 도시되어 있다. 도 4에 나타난 X축 가속도 데이터에서 청색으로 표시된 X축 가속도 데이터(401)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 X축 가속도 데이터(402)는 3D 프린팅 출력물의 품질이 불량인 상태를 나타낸다.
도 5에는 3D 프린터(10)에 부착된 Y축 가속도 센서(103)에서 측정된 Y축 가속도 데이터가 도시되어 있다. 도 5에 나타난 Y축 가속도 데이터에서 청색으로 표시된 Y축 가속도 데이터(501)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 Y축 가속도 데이터(502)는 3D 프린팅 출력물의 품질이 불량인 상태를 나타낸다.
도 6에는 3D 프린터(10)에 부착된 Z축 가속도 센서(104)에서 측정된 Z축 가속도 데이터가 도시되어 있다. 도 6에 나타난 Z축 가속도 데이터에서 청색으로 표시된 Z축 가속도 데이터(601)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 Z축 가속도 데이터(404)는 3D 프린팅 출력물의 품질이 불량인 상태를 나타낸다.
도 7에는 3D 프린터(10)에 부착된 음향 방출 센서(101)에서 측정된 음향 방출 데이터가 도시되어 있다. 도 7에 나타난 음향 방출 데이터에서 청색으로 표시된 음향 방출 데이터(701)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 음향 방출 데이터(702)는 3D 프린팅 출력물의 품질이 불량인 상태를 나타낸다.
도 8 내지 도 13는 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 도출된 특징요소를 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따른 품질 예측 장치(100)는 3D 출력물의 적층물 각층의 적층 경로를 고려하여 3D 출력물의 홀수 층과 짝수 층에 해당하는 수집 데이터를 나누어 각각의 특징요소를 도출할 수 있다. 여기서, 홀수 층에 대한 수집 데이터는 4등분으로 나눌 수 있고, 짝수 층에 대한 수집 데이터는 5등분으로 나눌 수 있다. 일례로, 품질 예측 장치(100)는 각각 나누어진 전체 대량의 수집 데이터의 RMS(Root Mean Square) 특징요소를 각각 도출할 수 있다. 전체 대량의 수집 데이터에는 압출 적층 조형 기반 3D 프린팅 공정에서 3D 프린터에 부착된 각 축의 가속도 센서(102 내지 104) 및 음향 방출 센서(101)를 이용하여 X축, Y축, Z축 가속도와 음향 방출 데이터 중에서 적어도 하나를 수집한 데이터일 수 있다.
여기서, 적어도 하나의 특징요소에는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나가 포함될 수 있다.
본 발명의 일 실시 예에 따른 품질 예측 장치(100)에서 특징요소가 도출된 후, 3D 프린팅 공정 중에서 3D 프린팅 출력물의 품질을 정상 상태 또는 불량 상태로 판단할 수 있는 X축, Y축, Z축 가속도 데이터와 음향 방출 데이터에 대한 특징요소가 도 8 내지 도 13에 특징요소별로 도시되어 있다. 또한, 각 특징요소는 홀수 층 및 짝수 층 각각에 대한 X축, Y축, Z축 가속도 데이터와 음향 방출 데이터가 나타나 있다.
도 8에는 (a) X축 가속도-홀수 층에 대한 RMS 특징요소, (b) X축 가속도-짝수 층에 대한 RMS 특징요소, (c) Y축 가속도-홀수 층에 대한 RMS 특징요소, (d) Y축 가속도-짝수 층에 대한 RMS 특징요소, (e) Z축 가속도-홀수 층에 대한 RMS 특징요소, (f) Z축 가속도-짝수 층에 대한 RMS 특징요소, (g) 음향 방출-홀수 층에 대한 RMS 특징요소, (h) 음향 방출-짝수 층에 대한 RMS 특징요소가 도시되어 있다.
도 9에는 (a) X축 가속도-홀수 층에 대한 Max 특징요소, (b) X축 가속도-짝수 층에 대한 Max 특징요소, (c) Y축 가속도-홀수 층에 대한 Max 특징요소, (d) Y축 가속도-짝수 층에 대한 Max 특징요소, (e) Z축 가속도-홀수 층에 대한 Max 특징요소, (f) Z축 가속도-짝수 층에 대한 Max 특징요소, (g) 음향 방출-홀수 층에 대한 Max 특징요소, (h) 음향 방출-짝수 층에 대한 Max 특징요소가 도시되어 있다.
도 10에는 (a) X축 가속도-홀수 층에 대한 크래스트 팩터 특징요소, (b) X축 가속도-짝수 층에 대한 크래스트 팩터 특징요소, (c) Y축 가속도-홀수 층에 대한 크래스트 팩터 특징요소, (d) Y축 가속도-짝수 층에 대한 크래스트 팩터 특징요소, (e) Z축 가속도-홀수 층에 대한 크래스트 팩터 특징요소, (f) Z축 가속도-짝수 층에 대한 크래스트 팩터 특징요소, (g) 음향 방출-홀수 층에 대한 크래스트 팩터 특징요소, (h) 음향 방출-짝수 층에 대한 크래스트 팩터 특징요소가 도시되어 있다.
도 11에는 (a) X축 가속도-홀수 층에 대한 분산 특징요소, (b) X축 가속도-짝수 층에 대한 분산 특징요소, (c) Y축 가속도-홀수 층에 대한 분산 특징요소, (d) Y축 가속도-짝수 층에 대한 분산 특징요소, (e) Z축 가속도-홀수 층에 대한 분산 특징요소, (f) Z축 가속도-짝수 층에 대한 분산 특징요소, (g) 음향 방출-홀수 층에 대한 분산 특징요소, (h) 음향 방출-짝수 층에 대한 분산 특징요소가 도시되어 있다.
도 12에는 (a) X축 가속도-홀수 층에 대한 첨도 특징요소, (b) X축 가속도-짝수 층에 대한 첨도 특징요소, (c) Y축 가속도-홀수 층에 대한 첨도 특징요소, (d) Y축 가속도-짝수 층에 대한 첨도 특징요소, (e) Z축 가속도-홀수 층에 대한 첨도 특징요소, (f) Z축 가속도-짝수 층에 대한 첨도 특징요소, (g) 음향 방출-홀수 층에 대한 첨도 특징요소, (h) 음향 방출-짝수 층에 대한 첨도 특징요소가 도시되어 있다.
도 13에는 (a) X축 가속도-홀수 층에 대한 비대칭도 특징요소, (b) X축 가속도-짝수 층에 대한 비대칭도 특징요소, (c) Y축 가속도-홀수 층에 대한 비대칭도 특징요소, (d) Y축 가속도-짝수 층에 대한 비대칭도 특징요소, (e) Z축 가속도-홀수 층에 대한 비대칭도 특징요소, (f) Z축 가속도-짝수 층에 대한 비대칭도 특징요소, (g) 음향 방출-홀수 층에 대한 비대칭도 특징요소, (h) 음향 방출-짝수 층에 대한 비대칭도 특징요소가 도시되어 있다.
이와 같이, 본 발명의 일 실시 예에 따른 품질 예측 장치(100)는 3D 프린터(10)에 부착된 각각의 가속도 센서(102 내지 104) 및 음향 방출 센서(101)로부터 3D 프린팅 공정 중 X축, Y축, Z축 가속도와 음향 데이터를 수집한 후, 3D 출력물의 적층물 각층의 적층 경로를 고려하여 3D 출력물의 홀수 층과 짝수 층에 해당하는 수집 데이터를 나누어, RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소를 각각 도출할 수 있다.
각 특징요소는 3D 프린팅 출력물의 정상 및 이상 상태에 따라 정상 상태(파란색)와 불량 상태(빨간색)로 나타난다. 불량 상태는 3D 프린팅 공정 중에서 3D 프린팅 출력물의 치수나 각도 등이 규격과 상이한 경우일 수 있다.
도 14는 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치에서 사용되는 커널 함수 기반의 비선형 SVM 기계학습을 적용한 프린팅 출력물의 품질 예측 모델을 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 유의미한 X축, Y축, Z축 가속도 데이터와 음향 방출 데이터의 특징요소를 도출한다. 그리고 품질 예측 장치(100)는 특징요소 도출 후, X축, Y축, Z축 가속도 데이터와 음향 방출 데이터의 각각의 특징요소를 바탕으로 커널 함수(Kernel Function) 기반 비선형(Non-linear) 서포트 벡터 머신(Support Vector Machine, SVM)의 기계학습 이론을 적용한 품질 예측 모델을 도 14와 같이 구축한다. 즉, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 커널 함수 기반 비선형 서포트 벡터 머신의 기계학습 이론을 적용한 품질 예측 모델을 이용하여 3D 프린티 출력물의 품질을 정상 상태(141) 및 이상 상태(142)로 예측할 수 있다. 커널 함수 기반 비선형 SVM 기계학습 모델에서, 비선형(Non-linear) 분류는 주어진 데이터를 고차원 특성 공간에 매핑함으로써 모델이 구축되므로 커널 함수(Kernel Function)를 사용한다. 커널 함수를 기반으로 한 비선형 모델은 비선형 곡선(140)을 기준으로 정상 상태(141) 및 이상 상태(142)의 두 가지 범주에 대해 허용 가능한 매개 변수를 사용하여 목적 함수를 최적화한 것이다. 이때, 분류 정확도를 극대화하기 위해 매개 변수 값을 최적의 값으로 결정될 수 있다. 본 모델에서는 변수 값이 10일 때 오버피팅이 발생되었으며, 변수 값이 0.1 일 때 선형(Linear) 모델과 유사하다. 일례로, 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 장치(100)는 매개 변수 값을 1로 선택하여 분류 정확도를 극대화할 수 있다.
위에서 언급한 바와 같이, 3D 프린팅 출력물의 품질 예측 장치(100)는 특징요소 도출 후, 3D 프린팅 출력물의 정상 및 불량 상태에 대한 출력물 품질을 판단할 수 있는 X축, Y축, Z축 가속도 데이터 및 음향 방출 데이터 중에서 적어도 하나의 수집 데이터에 대한 각 특징요소를 바탕으로 커널 함수 기반의 비선형 SVM 기계학습이론을 적용한 품질 예측 모델을 이용하여 3D 프린터(10)에서 출력되는 3D 프린팅 출력물의 품질을 정상 상태 또는 이상 상태로 예측한다.
도 14에 도시된 프린팅 출력물의 품질 예측 모델을 이용하여 3D 프린팅 출력물의 품질 예측을 수행한 결과를 살펴보기로 한다.
입력 변수는 X축 및 Y축 가속도 데이터와 음향 방출 데이터의 특징요소이며, 출력 변수는 3D 프린팅 출력물의 품질 상태 값(정상: 0, 이상: 1)으로 그 결과는 하기의 [표 1]과 같이 높은 진단률을 나타낸다.
Figure pat00001
도 15는 본 발명의 일 실시 예에 따른 3D 프린팅 출력물의 품질 예측 방법을 설명하기 위한 흐름도이다.
단계 S101에서, 품질 예측 장치(100)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102 내지 104)와 음향 방출 센서(101) 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집한다. 데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다. 여기서, 3D 프린팅 출력물은 3D 프린팅 공정에서 발생하는 뒤틀림(Warping), 층 이동 (Shifting Layers), 막힌 노즐(Blocked Nozzle) 중에서 적어도 하나의 품질 불량이 포함될 수 있다. 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함할 수 있다.
단계 S102에서, 품질 예측 장치(100)는 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출한다. 여기서, 품질 예측 장치(100)는 도출된 적어도 하나의 특징요소 중에서 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 특징요소를 선택할 수 있다.
단계 S103에서, 품질 예측 장치(100)는 특징요소와 상관관계를 분석하여 모니터링 및 프린팅 출력물의 품질 예측 모델을 트레이닝한다. 여기서, 프린팅 출력물의 품질 예측 모델의 트레이닝 과정을 살펴보면, 품질 예측 장치(100)는 도출된 특징요소 및 3D 프린팅 출력물의 고장 상태 간 상관관계를 분석하고, 그 분석 결과를 기초로 하여 품질 예측 모델을 모델링할 수 있다.
단계 S104에서, 품질 예측 장치(100)는 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나와 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 3D 프린팅 출력물의 품질을 예측할 수 있다. 여기서, 품질 예측 장치(100)는 3D 프린팅 출력물의 품질을 예측할 때, 트레이닝된 프린팅 출력물의 품질 예측 모델을 이용한다. 이와 같이, 품질 예측 장치(100)는 기계학습을 적용한 3D 프린팅 출력물의 품질 예측 모델을 학습하고, 그 학습된 품질 예측 모델을 통해 3D 프린팅 출력물의 품질 예측 모델을 검증할 수 있다.
이후, 품질 예측 장치(100)는 3D 프린팅 출력물의 품질 예측 결과를 이용하여 3D 프린터(10)의 고장을 예측할 수 있다.
이와 같이, 본 발명의 실시 예에 따른 3D 프린팅 출력물의 품질 예측 방법은 향후 다양한 3D 프린팅 기술(예컨대, Powder Bed Fusion, Directed Energy Deposition, 등)에 확장 및 적용되어 품질 예측을 통한 출력물의 품질 향상에 많은 기여를 할 수 있다. 3D 프린팅 출력물의 품질 예측 방법은, 이를 적용하여 산업현장의 다운타임 최소화 및 생산성 향상, 품질진단을 통한 소재 비용 절감 효과를 기대할 수 있다.
상술한 본 발명의 실시 예들에 따른 3D 프린팅 출력물의 품질 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 본 발명의 실시 예들에 따른 자동화 디지털 분석 방법은, 프로세서에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체로서, 상기 명령어들은 상기 프로세서로 하여금, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 상기 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하고, 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하고, 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린팅 출력물의 품질을 예측하도록 구성되는, 컴퓨터 판독 가능한 저장 매체를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상, 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.
지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가되어질 수 있다.
이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.
전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.
전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.
전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.
이상 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 3D 프린터
101: 음향 방출 센서
102: X축 가속도 센서
103: Y축 가속도 센서
104: Z축 가속도 센서
105: 제1 증폭기
106: 제2 증폭기
107: A/D 컨버터
100: 품질 예측 장치
110: 데이터 수집부
120: 특징요소 도출부
130: 품질 예측부

Claims (3)

  1. 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계;
    상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린팅 출력물의 정상 상태 및 불량 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계; 및
    상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린팅 출력물의 정상 상태와 불량 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린팅 출력물의 품질을 예측하는 단계를 포함하는 3D 프린팅 출력물의 품질 예측 방법.
  2. 제1항에 있어서,
    상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나를 포함하는 3D 프린팅 출력물의 품질 예측 방법.
  3. 제1항에 있어서,
    상기 적어도 하나의 특징요소를 도출하는 단계는,
    상기 3D 프린팅 출력물의 적층물 각층의 적층 경로를 고려하여 출력물의 홀수 층과 짝수 층에 해당하는 수집 데이터를 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 3D 프린팅 출력물의 품질 예측 방법.
KR1020170168653A 2017-12-08 2017-12-08 3d 프린팅 출력물의 품질 예측 방법 및 장치 KR20190068350A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170168653A KR20190068350A (ko) 2017-12-08 2017-12-08 3d 프린팅 출력물의 품질 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170168653A KR20190068350A (ko) 2017-12-08 2017-12-08 3d 프린팅 출력물의 품질 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20190068350A true KR20190068350A (ko) 2019-06-18

Family

ID=67103047

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170168653A KR20190068350A (ko) 2017-12-08 2017-12-08 3d 프린팅 출력물의 품질 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20190068350A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102396959B1 (ko) * 2021-05-31 2022-05-12 한국전자기술연구원 금속 3d 프린팅의 출력 안정화를 위한 열 빠짐 특성 분석 기반 모델 출력 방향 결정 방법 및 시스템
WO2023163467A1 (ko) * 2022-02-22 2023-08-31 주식회사 탑테이블 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160076708A (ko) 2014-12-23 2016-07-01 정영길 오류 검출이 가능한 3차원 프린터 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160076708A (ko) 2014-12-23 2016-07-01 정영길 오류 검출이 가능한 3차원 프린터 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102396959B1 (ko) * 2021-05-31 2022-05-12 한국전자기술연구원 금속 3d 프린팅의 출력 안정화를 위한 열 빠짐 특성 분석 기반 모델 출력 방향 결정 방법 및 시스템
WO2022255717A1 (ko) * 2021-05-31 2022-12-08 한국전자기술연구원 금속 3d 프린팅의 출력 안정화를 위한 열 빠짐 특성 분석 기반 모델 출력 방향 결정 방법 및 시스템
WO2023163467A1 (ko) * 2022-02-22 2023-08-31 주식회사 탑테이블 식료품을 인쇄하는 3d 프린터의 인쇄 품질을 예측하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR20190068349A (ko) 3d 프린터의 건전성 진단 방법 및 장치
CN112118949B (zh) 增材制造中用于人工智能反馈控制的系统、方法和介质
US11084276B2 (en) Method to monitor additive manufacturing process for detection and in-situ correction of defects
Kim et al. Development of data-driven in-situ monitoring and diagnosis system of fused deposition modeling (FDM) process based on support vector machine algorithm
US7882049B2 (en) Process control system using spatially dependent data for controlling a web-based process
Huang et al. Quality control for fused deposition modeling based additive manufacturing: Current research and future trends
EA037650B1 (ru) Способ контроля производственного процесса, способ косвенного выведения систематической зависимости, способ адаптации качества, способ запуска производственного процесса, способ и установка для изготовления экструзионного продукта
US10821676B2 (en) Method for 3D printing using fusion deposition modeling with extrusion temperature control
CN112004658B (zh) 用于提供三维打印生产质量预测的方法和系统
JP2022526033A (ja) 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
KR20190068350A (ko) 3d 프린팅 출력물의 품질 예측 방법 및 장치
Fang et al. Process monitoring, diagnosis and control of additive manufacturing
Aksoy et al. A control-oriented model for bead cross-sectional geometry in fused deposition modeling
KR20230038839A (ko) Tcn-ts-sw 기반의 기계 학습 알고리즘을 적용한 3d 프린터 모니터링 시스템
Chen et al. Revolution of 3D printing technology and application of Six Sigma methodologies to optimize the output quality characteristics
Ransikarbum et al. Evaluation of assembly part build orientation in additive manufacturing environment using data envelopment analysis
Stavropoulos Additive Manufacturing: Design, Processes and Applications
US10437698B2 (en) Leader-follower system for additive manufacturing
US20230173545A1 (en) Method and system for classifying additive manufactured objects
Liao et al. A self-aware machine platform in manufacturing shop floor utilizing MTConnect data
Hedrick et al. Integration of additive manufacturing and virtual verification strategies within a commercial CAM system
CN109844780A (zh) 程序与变量变化分析
DUMAN et al. MODELING OF IOT-BASED ADDITIVE MANUFACTURING MACHINE’S DIGITAL TWIN FOR ERROR DETECTION
Shimamura Fagle et al. A feasibility study of Digital Twin for additive manufacturing: From the perspective of resource efficiency, smaller companies, and the future of industry
KR101667225B1 (ko) 3차원 오브젝트 이미지에 기초하여 3차원 오브젝트를 인쇄하는 장치 및 방법