멀티를 통한 일반화 가능한 3D 프린팅 오류 감지 및 수정

Nature Communications 13권, 기사 번호: 4654(2022) 이 기사 인용

16,000회 액세스

11 인용

189 알트메트릭

측정항목 세부정보

재료 압출은 가장 널리 사용되는 적층 제조 방법이지만 최종 사용 제품에의 적용은 오류에 대한 취약성으로 인해 제한됩니다. 인간은 오류를 감지할 수 있지만 지속적인 모니터링이나 실시간 수정을 제공할 수는 없습니다. 기존의 자동화된 접근 방식은 다양한 부품, 재료 및 인쇄 시스템에 걸쳐 일반화될 수 없습니다. 최적의 인쇄 매개변수와의 편차에 따라 자동으로 라벨이 지정된 이미지를 사용하여 다중 헤드 신경망을 훈련합니다. 데이터 수집 및 라벨링의 자동화를 통해 인쇄 매개변수로 라벨링된 192개 부품의 120만 개 이미지를 포함하는 크고 다양한 압출 3D 프린팅 데이터 세트를 생성할 수 있습니다. 이렇게 훈련된 신경망은 제어 루프와 함께 다양한 2D 및 3D 형상, 재료, 프린터, 도구 경로, 심지어 압출 방법 전반에 걸쳐 효과적인 다양한 오류를 실시간으로 감지하고 신속하게 수정할 수 있습니다. 우리는 또한 네트워크 예측의 시각화를 생성하여 네트워크가 결정을 내리는 방법을 밝힙니다.

재료 압출은 상대적으로 저렴한 비용, 적은 후처리, 다양한 재료와의 호환성, 다중 재료 기능 등의 이유로 가장 일반적인 적층 가공(AM) 방법입니다. 이로 인해 압출 AM은 의료3, 의료기기4, 항공우주5, 로봇공학6 등 다양한 분야2에서 유망해졌습니다. 그러나 이러한 응용 분야 중 다수가 연구 단계에 남아 있는 주요 이유는 압출 AM이 다양한 생산 오류에 취약하기 때문입니다. 이는 소규모 치수 부정확성과 기계적 약점부터 전체 제작 실패까지 다양합니다1,7,8,9,10. 오류에 대응하기 위해 숙련된 작업자는 일반적으로 AM 프로세스를 관찰하고 오류를 인식하고 프린트를 중지하고 부품을 제거한 다음 새 부품에 대한 매개변수를 적절하게 조정해야 합니다. 새로운 재료나 프린터를 사용하는 경우 작업자가 새로운 설정11,12에 대한 경험을 쌓기 때문에 이 프로세스에는 더 많은 시간이 걸립니다. 그럼에도 불구하고 특히 작업자가 각 프로세스를 지속적으로 관찰하지 않는 경우 오류가 누락될 수 있습니다. 여러 대의 프린터가 동시에 작동 중이거나 코로나19 팬데믹으로 인해 강조된 것처럼 사회적 거리두기 또는 질병으로 인해 인력이 제한되는 경우 이는 어려울 수 있습니다. 이는 재료, 에너지 및 시간 비용을 발생시킬 뿐만 아니라 최종 사용 제품, 특히 의료 기기와 같이 안전이 중요한 제품에서 AM 부품의 사용과 AM 기반 공급망의 탄력성을 모두 제한합니다. AM이 생활 및 기능성 재료, 복잡한 다중 재료 격자 구조, 원격, 실외 건설 현장 또는 인체와 같은 까다로운 환경으로 확장됨에 따라 이러한 과제는 더욱 시급해질 것입니다.

이는 압출 AM13 모니터링에 대한 다양하고 흥미로운 연구에 동기를 부여했습니다. 전류14,15, 관성16,17 및 음향18,19,20,21,22 센서는 압출 AM 모니터링에 자주 사용되었습니다. 이러한 접근 방식을 통해 인쇄 중에 일반적으로 대규모의 특정 오류 양식을 안정적으로 감지할 수 있지만 많은 오류는 감지할 수 없는 상태로 남아 있습니다. 이러한 방법론은 아직 대부분의 3D 프린터에서 사용되지 않습니다. 이러한 접근 방식을 위한 센서 및 증폭기 비용이 높기 때문입니다. 또한 온라인 피드백 및 수정이 가능하도록 데이터가 충분히 풍부하지 않습니다.

카메라 기반 접근 방식은 잠재적으로 다재다능하고 데이터가 풍부합니다. 하향식 또는 측면 보기로 프린터 프레임에 장착된 단일 카메라는 전통적인 컴퓨터 비전 및 이미지 처리 기술과 결합되어 다양한 압출 AM 오류를 감지하는 데 사용되었습니다23,24,25,26,27,28,29, 30,31,32. 이 접근 방식은 상대적으로 저렴하고 설정이 더 쉬우며 카메라가 언제든지 제조된 부품의 대부분을 볼 수 있다는 장점이 있습니다. 이를 통해 채우기 변형이나 재료 '얼룩'의 존재와 같은 많은 오류를 감지할 수 있습니다. 그러나 단일 카메라를 사용하면 제조 공정에 대해 얻는 정보의 양이 제한되어 식별되는 오류 및 오류 유형의 범위가 제한될 수 있습니다. 다중 카메라 접근 방식은 구현하기가 더 비싸고 복잡하지만 잠재적으로 더 많은 기능을 제공합니다. 부품에 대한 다중 보기 또는 적외선 카메라 추가를 통해 불완전한 인쇄와 같은 결함을 단일 관점에서는 볼 수 없는 것으로 볼 수 있습니다33,34,35. 예를 들어 다중 카메라 3D 구조 광 스캐닝 및 디지털 이미지 상관 관계를 통해 생성된 인쇄 부품의 3D 재구성을 3D 디지털 부품 모델과 비교하여 치수 부정확성을 감지할 수 있습니다35,36,37,38,39,40,41,42 ,43. 그러나 이러한 보다 정교한 시스템은 비용이 많이 들고, 조명 조건과 부품 표면 특성에 민감하고, 스캔 시간과 계산으로 인해 속도가 느리고, 정확한 위치 지정 및 교정이 필요하며, 주어진 스캐너 해상도 한계를 볼 수 있을 만큼 큰 오류를 감지하는 데 제한됩니다.