Dynamic changing production resource 4M1E integration in real time
Defect detection
1. Convolution neural network-based defect detection
in additive manufacturing
Incheon National University
Department of Industrial and Management Engineering
201601415 문정윤 201701366 임재호 201801402 정다은
2. Introduction
001
3D 프린팅 기술을 활용한 적층 제조는 전통 제조 시스템에 비해 복잡한 디자인의 부품을 더 적은 생산 시간과
비용으로 제조 가능
적층 제조의 많은 이점(복잡한 형상, 경량 구조 등)으로 인해 의료 및 항공우주 분야 등에서 점점 더 많은 주목을 받고
있음
적층 제조의 process는 기존 제조시스템의 process와 다름 적층 제조에 맞는 새로운 품질 관리 시스템이 필요
3D 프린터 특성 상 error가 발생하더라도 출력이 계속 진행 불필요한 시간과 비용을 초래
error가 발생한 것을 사람이 발견하고 직접 취소 시킨 후, 출력을 처음부터 다시 진행해야 함 error를 초기에 발견하는
것이 매우 중요
이후 smart factory에 적용되기 위해서는, 불량을 자동으로 탐지하고 프린터를 중단 할 수 있는 시스템이 필수적
4. 002
Experiment
• 제품 시스템 공학 연구실에 있는 ‘ROKIT‘ 프린터 이용
• 가장 보편화 된 소재중 하나인 PLA(Poly Lactic Acid) 사용
• Gopro Camera를 사용하여 프린팅 영상 녹화
• Warp error가 잘 발생하는 design feature를 총 4가지의 샘플 디자인
선정
• Z축 기준 10°씩 회전 시켜 다양한 각도의 샘플 데이터 확보
<ROKIT 3D Printer>
Methodology_Experiment
8. 002 Methodology_Preprocessing
• 30프레임당 하나씩 이미지 추출
• 추출된 이미지를 frame 폴더에 저장
• 추출된 이미지를 820 px X 720 px로 reshape
• Reshpae 한 이미지를 Croped 폴더에 저장
Data Reshape
18. 004
다양한 디자인에 적용 될 수 있도록 성능을 높임
Warp error 뿐만 아니라 다른 error type도 detect 할 수 있도록 확장
3D 프린터 내에서 발생하는 다양한 종류의 error를 real-time으로 탐지하여 해당 알고리즘을 실제로
적용시켰을 때 변화된 적층 제조 시스템의 framework 제공
Future Research
19. 005
적층 제조에서 process 상에서 발생하는 error를 자동으로 인지하는 알고리즘을 통해 불필요한 시간과
비용이 초래하는 것을 방지
이후 smart factory 시스템에 유연하게 적용될 수 있는 framework를 제시하여 적층 제조의 활용을 높이고
제조공정의 혁신을 이끌어낼 수 있음
대량 생산에서 defect detection은 매우 중요한 요소이므로, 실시간 모니터링을 통해 공정에 대한
신뢰성을 확보하여 mass customization에 기여할 수 있을 것으로 보임
Conclusion