적층제조(Additive Manufacturing, AM) 공정에 대한 실시간 모니터링은 딥러닝을 이용한 시공간(spatial-temporal) 모델링을 통해 큰 이점을 얻을 수 있다. 그러나 AM 분야에서 기존의 딥러닝 접근법들은 사례 의존적이어서, 제어 입력과 데이터 유형의 변화에 대해 견고하지 않다. AM은 동적이며 복잡하기 때문에, 이러한 한계는 실시간 AM 모니터링을 위한 체계적인 DL(딥러닝) 접근법이 부족함으로 이어지며, 이는 다수의 상이한 제어 매개변수와 모니터링 데이터가 수반된다는 점과 관련된다. 본 논문은 실시간 모니터링 데이터에 대한 딥러닝을 활용하여 레이저 분말 베드 융합(Laser Powder Bed Fusion, LPBF) 공정을 모니터링하기 위한 시공간 모델을 개발하는 새로운 접근법을 제안한다. 첫째, 다중 스케일에서 LPBF의 현장(in-situ) 모니터링 및 제어 데이터를 나타내기 위한 새로운 모델을 제시한다. 둘째, 모델로부터 LPBF 공정의 현장 모니터링을 위한 시공간적 관계를 추출한다. 셋째, 추출된 시공간적 관계를 모니터링하고 이상(anomaly)을 탐지하기 위해 합성곱(convolutional) 장·단기 기억(convolutional long short-term memory, LSTM) 아키텍처를 활용한 시공간 모델링 접근법을 제시한다. 사례 연구로는 현장 모니터링에서 가장 널리 채택되는 데이터 유형 중 하나인 광학(optical) 및 용융 풀(melt-pool) 모니터링 데이터에 대해 합성곱 LSTM 오토인코더(convolutional LSTM Autoencoder)를 사용하였다. 데이터는 Additive Manufacturing Metrology Testbed라는 LPBF 테스트베드에서 생성되었다. 제안하는 새로운 학습 접근법은 변화하는 AM 환경의 모니터링을 위해 실시간 데이터로부터 AM 동역학을 직접 시공간적으로 모델링할 수 있게 한다. 본 방법론적 접근은 다중 시공간 스케일에서 실시간 데이터를 융합할 가능성을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.