직접분사 적층공정(Directed Energy Deposition, DED)은 고에너지 열원(레이저, 전자빔)을 조사하여 형성된 용융 영역에 금속 분말을 공급하여 3차원 구조물을 적층 제조하는 공정이다. 직접분사 적층공정은 자유 곡면에 적층이 가능하여 복잡한 형상의 제품 제작 및 파손 부위의 보수 작업이 가능하다는 점에서 국방, 항공우주, 조선 등의 고부가가치 산업 분야에서 활용되고 있다. 그러나 복잡한 공정변수의 영향으로 용융부족, 멜팅볼, 기공 등의 결함이 발생할 수 있어 제품의 신뢰성 문제로 이어질 수 있다. 이에 대한 건전성 진단을 위한 직접분사 적층공정 모니터링 연구가 활발히 진행되고 있다. 하지만 기존 모니터링 연구는 공정의 건전성 관리에 중점을 두고 있어 사용된 알고리즘의 결정 과정이 불투명하여 진단 근거를 이해하기 어렵다는 한계가 있다. 본 연구에서는 품질진단 모델의 의사결정 근거와 결함 발생 원인에 대해 물리적으로 설명할 수 있는 데이터 가시화 방법을 제시하고, 설명 가능한 품질진단 모델을 개발하였다. 이를 통해 품질진단 알고리즘의 의사결정에 대해 설명 가능한 근거 제시가 가능하다는 점과 알고리즘의 신뢰성 확보 및 결함이 발생한 원인에 대해 파악이 가능하다는 점에서 기존 직접분사 적층공정 모니터링 연구에서 한계점을 극복하고 공정의 효율성을 증대하는 물리기반 인공지능 알고리즘 개발을 제안하였다.

먼저, 직접분사 적층공정 용융풀을 모니터링하기 위해 적외선 영역대의 파장을 감지하여 물체의 온도를 측정하는 센서인 IR 카메라를 활용하여 직접분사 적층공정 테스트베드를 구축하였다. 이를 활용한 실험을 통해 품질 결함을 정의하고, 결함과 공정변수 간의 상관관계를 분석하였다. 수집된 IR 카메라의 온도 데이터를 활용하여 물리기반 열에너지 데이터로 변환하고, 결함과 관계있는 유효 특징 인자를 추출하였다. 추출된 특징 데이터와 결함 간의 상관관계를 분석 후 유효 특징 인자 기반 퍼지 추론 시스템을 적용하여 2차원 특징 패턴 이미지를 생성하였다. 정상 데이터의 가우시안 분포(평균, 표준편차)를 기준으로 입력 소속 함수를 정의하였고 출력 소속 함수는 하위 소속 함수의 수준을 시각적으로 구분하기 위해 정의되었다. 출력 소속 함수의 결과는 입력 소속 함수의 출력값에 의해 정해진다. 최종적으로 2개의 출력 소속 함수를 활용하여 2차원 이미지를 생성하였다. 이후 특징 패턴 이미지와 결함 간의 상관관계를 분석하여 결함과 이미지 간의 경향성을 확인하였다.

마지막으로 생성된 특징 패턴 이미지 기반 설명 가능한 직접분사 적층공정 품질 진단 알고리즘을 개발하였다. 최적의 공정 품질진단 모델 구축을 위해 격자 탐색을 통해 최적의 모델 파라미터를 선정하였다. 그 후, 특징 패턴 이미지 기반 공정 품질 진단 모델(2D CNN)과 일반적인 품질진단 모델(1D ANN)과의 성능을 비교하였다. 마지막으로 Grad-CAM을 활용하여 품질진단 모델의 의사결정 과정을 확인하여 모델의 설명 가능성을 향상시키고 품질진단 모델의 진단 근거와 결함 발생 원인에 대해 물리적으로 설명하기 위한 데이터 이미지화의 의도와 일치함을 입증하였다. 위 방법을 통해 직접분사 적층공정의 물리기반 건전성 진단을 위한 인공지능 알고리즘 개발에 관한 프레임워크를 최종 구축하였다.