나사 풀림 위험 감지하는 똑똑한 금속
나사 풀림 위험 감지하는 똑똑한 금속
  • 이웃집과학자
  • 승인 2022.05.27 20:54
  • 조회수 758
  • 댓글 0
이 기사를 공유합니다

나사 풀림 위험이나 내·외부 물리적 변형 요인을 구분할 수 있는 똑똑한 금속 부품이 개발됐습니다. 

 

UNIST 기계공학과 정임두 교수 연구팀은 3D 프린팅 적층제조기술과 인공지능 기술을 이용하여 ‘인지 가능한 스테인리스 금속 부품’을 개발하는 데 성공했다고 밝혔는데요. 또 인공지능 기술과 증강현실 융합기술로 금속 부품단위의 디지털 트윈을 구현해냈습니다. 이번 연구는 미국 조지아공대, 싱가포르 난양공대, 한국재료연구원, 포스텍, 경상국립대와 공동 연구로 진행됐습니다.

 

연구팀이 개발한 기술은 스테인리스 금속 부품 제조 과정에서 변형 센서를 심어 물리적인 상태를 반영하는 데이터를 얻은 뒤, 인공지능 분석을 통해 금속 부품 스스로의 상태를 감지하도록 하는 기술입니다.

 

이 지능형 스테인리스 금속 부품은 스스로 주변 고정 나사의 풀림 정도와 풀린 나사 위치 등을 약 90%의 정확도로 감지할 수 있었습니다. 자신을 때린 물건의 종류(손, 망치, 스패너 등)까지 구분할 수도 있는데요. 또 디지털 트윈 금속부품을 통해 혼합현실에서 해당 금속 외부·내부 응력 분포 변화를 실시간으로 확인할 수 있게 됐습니다.

 

주로 섭씨 1,000도 이상의 고온 공정인 금속 성형에서 내부에 센서를 삽입하는 기술이 아주 까다로운데, 독자적으로 보유한 ‘금속 성형 센서 삽입 기술’을 활용했습니다. L-PBF 방식의 금속 3D 프린팅 공정으로 열에 쉽게 파손되는 센서를 안전하게 설계 위치에 삽입할 수 있는 기술입니다. 또 센서 삽입으로 금속 부품의 기계적인 특성이 저하 되지 않도록 삽입 위치를 설계하고, 센서 삽입 후에는 기계 분석과 미세조직 분석을 통해 그 안전성을 검증했습니다.

지능형 금속 부품과 혼합현실에 구현된 디지털트윈. 출처 : UNIST
지능형 금속 부품과 혼합현실에 구현된 디지털트윈. 출처 : UNIST

기존 금속 기반 기계 시스템에서는 변형에 대한 물리적인 특성 데이터를 제대로 수집하기 힘들어 인공지능 기술을 적용하는 데 한계가 있었습니다. 데이터에 물리적 특성이 잘 반영될수록 인공지능은 더욱 자세한 분석을 수행할 수 있죠. 연구팀이 제시한 센서 삽입 방식은 표면 센서 부착, 외부 카메라 관찰, 소리 분석과 같은 간접 분석 방식 대비 더욱 정밀한 감지가 가능했습니다.

 

연구를 총괄한 UNIST 정임두 교수는 “이번 연구 결과는 스테인리스 금속 부품만이 아닌 일반 철강이나 알루미늄, 티타늄 합금 등 제조업에 쓰이는 일반적인 다양한 기계 부품에 응용이 가능하여, 기존 생산, 자동차, 항공우주, 원자력·의료기기 산업의 디지털 전환을 이끌어 내는 데 도움을 줄 수 있을 것”이라고 밝혔습니다. 

연구진사진 (좌측부터 시계 방향) 김하열, 전홍령, 김태경, 서은혁(제1저자), 이민식. 출처 : UNIST
연구진사진 (좌측부터 시계 방향) 김하열, 전홍령, 김태경, 서은혁(제1저자), 이민식. 출처 : UNIST

연구 결과는 제조 분야 국제 학술지인 ‘버츄얼 앤 피지컬 프로토타이핑’ (Virtual and Physical Prototyping)에 지난 5월 5일 자로 게재됐습니다.

논문명: Laser powder bed fusion for AI assisted metal components

 

#용어설명

1. Laser powder bed fusion, L-PBF

분말재료 위에 고온의 레이저를 조사해 선택적으로 결합시키는 금속 3D 프린팅 방식 중 하나이다. 금속 분말을 베드에 얇고 평평하게 깔고, 분말에 레이저를 선택적으로 조사하여 분말을 소결시킨다. 이후 다시 분말을 깔고 레이저 소결을 반복하여 한 층씩 쌓아가면서 제품을 출력한다. 또다른 금속 3D 프린팅 방식인 DED 방식에 비해 출력속도가 느리다는 단점이 있지만 정교한 프린팅이 가능하다.

2. 합성곱 신경망 (Convolutional neural network, CNN)

합성곱 신경망(Convolutional neural network, CNN)은 컴퓨터 과학의 일종으로 시각적 이미지를 분석하는 데 쓰이는 인공 신경망의 한 종류이다. 특히 음성 인식이나 사물 이미지 인식에서 주로 사용한다. 일반적인 신경망은 이미지 데이터를 그대로 처리하는 데 반해 합성곱 신경망은 이미지에서 특징을 추출해 처리하며 그렇기 때문에 이미지 인식 분야에서 딥러닝을 활용한 기법은 대부분 합성곱 신경망을 기초로 만들어졌다.

3. t-SNE (t-Stochastic Neighbor Embedding)

높은 차원의 복잡한 데이터를 낮은 차원으로 차원 축소하는 방법으로 데이터를 산점도로 시각화하는 방법 중 하나이다. 높은 차원 공간에서 비슷한 데이터 구조는 낮은 차원 공간에서 가깝게 대응하며 비슷하지 않은 데이터 구조는 멀리 떨어져 대응된다. 데이터 사이의 거리가 가까울수록 유사도가 크며 멀수록 유사도가 작아진다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.

  • 충청남도 보령시 큰오랏3길
  • 법인명 : 이웃집과학자 주식회사
  • 제호 : 이웃집과학자
  • 청소년보호책임자 : 정병진
  • 등록번호 : 보령 바 00002
  • 등록일 : 2016-02-12
  • 발행일 : 2016-02-12
  • 발행인 : 김정환
  • 편집인 : 정병진
  • 이웃집과학자 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2016-2022 이웃집과학자. All rights reserved. mail to contact@scientist.town
ND소프트