[편집자주]지난 11월18일 중소기업기술정보진흥원 기술혁신센터에서는 제4차 공동기술교류회를 개최했다. 이번 기술교류회는 ‘빅데이터, AI, 스마트제조’를 주제로 다양한 발표가 진행됐다. 이중 한국생산기술연구원에서는 김휘준 수석연구원이 Ti 및 Ti합금, Ni-계 초내열합금 및 STS합금 분말 등과 같이 적층성형(3D Printing) 및 MIM용 고부가가치 금속분말의 입도분포, 형상 및 흐름도 등의 특성을 예측하고 최적화하기 위해 VIGA 및 EIGA 등의 금속 분말 제고공정 동안 빅데이터 실시간 수집 기술 및 인공지능 모델의 적용 기술을 발표했다. 이에 본지는 이번 기술을 발표한 김휘준 한국생산기술연구원 수석연구원과 인터뷰를 통해 관련 기술에 대해 들어보는 자리를 마련했다.


  ■ 한국생산기술연구원 스마트액상성형 연구부문에 대한 소개를 부탁드린다

스마트액상성형연구부문은 △금속의 합금설계 △액상에서 고상으로의 응고현상을 활용한 공정설계 및 최적화 기술 △유동 및 응고현상의 컴퓨터 시뮬레이션 기술 등을 연구하고 있으며, 복합기능소재 설계 및 부품화 연구실은 △금속의 합금설계 △금속분말제조 공정설계 및 최적화 기술 △특수주조기술 △연자성 분말소재의 코어성형공정 기술 등을 연구하고 있다.

 



■ 이번에 발표한 ‘빅데이터 실시간 수집 기술 및 인공지능 모델을 이용한 고부가 금속분말 제조기술 공정의 예측 및 최적화 기술’에 대한 소개를 부탁드린다

Ti 및 Ti합금, Ni-계 초내열합금 및 STS 합금 분말 등과 같이 적층성형(3D Printing) 및 MIM용 고부가가치 금속분말의 입도분포, 형상 및 흐름도 등의 특성을 예측하고 최적화하기 위해 VIGA 및 EIGA 등의 금속분말 제조공정에서 빅데이터 실시간 수집 기술 및 인공지능 모델을 적용한 기술이다.

이를 위해서는 △적층제조용 금속분말 제조 기술 △Big Data 수집기술 △인공지능 활용 기술이 확보돼야 한다.

적층제조용 금속분말 제조 기술은 금속 적층제조에 사용되는 Ti, STS, Ni-초내열합금, Ni-Cr합금 등의 고융점/고활성 금속분말을 산화물의 오염없이 고순도/고부가가치 분말을 제조할 수 있는 EIGA(Electrode Induction Melt Gas Atomization)공정기술 및 VIGA(Vacuum Induction  Gas Atomization)기술이다.

Big Data 수집기술은 고융점/고활성 금속분말제조 공정의 주요변수인 용융금속의 온도, 분무가스의 압력, 분무가스의 유량 등의 변화를 실시간으로 측정하여 수집하는 기술과 제조되는 분말을 시간별로 포집해 분급한 다음, 그 특성변화를 주요변수와 연계하는 기술이다.

인공지능 활용 기술은 실시간으로 측정된 공정변수와 분말의 특성(평균입도, 입도분포, 구형도, 겉보기밀도) 등을 활용해 Machine Learning을 통해 기존의 현장 경험적 공정 최적화 방식을 4차 산업 시대에 맞춰 AI 기반 최적화 시스템(ANN, DNN)으로 변화시켜 최적화 하는 기술이다.

금속분말 제조공정에서 적은 실험회수에서도 빅데이터를 획득하기 위해 제조변수들을 1,000 set/sec의 속도로 실시간 입력자료를 수집하고, 금속분말을 실시간 포집하고 분급하여 빅데이터화하는 H/W 및 S/W를 구축했다.

최근 모든 분야에 빠르게 도입되고 있는 빅데이터와 인공지능(artificial intelligence, AI) 기술을 다양한 적층제조용 금속분말 제조공정에 적용하여 최적의 공정 제어조건을 예측하고 검증하는 모델로 활용함으로써 분말 특성 및 생산성을 극대화할 수 있는 기술이다.

■ 금속 소재 공정의 경우 빅데이터 수집이 상당히 어려울 것으로 예상되는데 빅데이터 수집을 어떻게 가능하게 할 수 있는지 궁금하다

Input Data Acquisition System은 EIGA 및 VIGA 등과 같이 금속분말제조 공정의 주요변수인 용융금속의 온도, 분무가스의 압력, 분무가스의 유량 등의 변화를 1,000set/sec의 속도로 실시간으로 측정해 수집하는 기술이다.

 

Output Data Acquisition System은 제조된 분말을 실시간으로 포집하고 분급할 수 있는 시스템을 개발해 특허출원(미세분말 정밀 포집용 멀티 스텝 사이클론 장치 및 이를 이용한 미세분말 정밀 포집 방법(출원번호:10-2020-0167960)했으며, 이를 이용해 분말 1회 제조 시 최대 20set의 목표값을 얻어 금속분말 제조공정에서 빅데이터 수집이 가능한 시스템을 세계 최초로 구축했다.


 
■ 수집된 빅데이터를 이용해 금속분말의 특성을 예측하기 위한 인공지능 프로세스는 어떻게 진행되는지 알고 싶다

본 연구에서는 EIGA 및 VIGA 공정에 대해 금속분말(Ti-6Al-4V합금, Al-Cu합금)의 특성에 미치는 공정인자들의 영향을 조사해, 최적화하기 위해 반응표면법(RSM) 및 인공신경망(ANN) 모델을 적용해 입도분포(D10, D50, D90), 흐름도, 겉보기밀도, 구형도 등의 분말특성을 예측하고 최적화했다.


  예측모델은 400set이상의 빅데이터에 대해 반응표면법(RSM) 및 인공신경망(ANN) 모델을 적용해 분무공정 조건을 최적화했다.

 

D10입도분포 예측사례는 아래 그림과 같다.


 


■ 연구 배경과 기타 유사 연구와의 차별성에 대해 듣고 싶다

금속 적층성형 공정은 금속분말 소재를 이용해 디자인의 제한 없이 3차원 제품을 구현하기 용이하며 제조공정의 접근성이 매우 우수하다는 것이 기존의 금속부품 제조공정에 비해 우수한 장점인데, 적층제조 기술은 산업분야에서 그 사용도가 크게 증가하고 있고, 금속 3D 프린팅공정 사용되는 금속 분말소재는 매년 수요가 급증해 시장규모가 연평균 21%씩 증가하는 고성장세를 나타내는 새로운 고부가가치 소재, 부품 및 장치산업의 핵심기술이다.

금속 적층성형산업의 성장에 장애를 주는 가장 큰 요인은 금속분말의 높은 소재 가격이며, 국내 적층성형 분야에서 가장 많이 사용되는 Ti 분말의 가격은 약 230∼700달러/kg로 매우 고가이며, 사용 장비에 따라 전용 분말을 사용해야 되는 제약을 받고 있다.

국내 금속 적층성형용 분말소재의 경우, 현재까지 전량 해외에 의존하고 있는 실정인데, 고부가가치 적층제조용 분말의 자립화 및 1조5,000억원에 달하는 세계 시장에 진출하기 위해서는 분말 제조공정의 고효율화(높은 분말 회수율) 기술이 절실히 요구된다.

본 연구에서는 적층성형용 금속분말의 회수율을 극대화함으로써 경제적인 금속 적층성형용 분말을 제조하는 공정을 최적화하기 위해 대표적인 공정인 Gas Atomization의 공정인자들이 제조된 금속분말의 특성에 미치는 영향을 조사해, 최적화하기 위해 △금속분말의 평균입자 크기인 D50를 예측하는 실험적 모델링(35개 이상) △분무노즐의 형태에 따른 유동해석을 통해 금속분말의 전체 입도분포 예측 △컴퓨터 시뮬레이션을 활용한 수학적 예측 모델링 및 실험자료를 결합시켜 입도분포를 예측함으로써 정확도를 향상시키는 등의 연구를 수행했다.

최근 머신러닝(인공지능)을 활용한 Ni-Co계 초내열합금 분말의 제조공정 최적화 연구결과가 발표된 바 있다(Machine learning-driven optimization in powder maufacturing of Ni-Co based superalloy, Materials and Design, 198 (2021)). 이 연구는 △VIGA공정을 통해 TPM-5002 초내열합금 분말 제조공정의 최적화 모델링 △분무온도(T), 분무압력(P)을 입력변수(X1,X2)로 하고 53 ㎛이하 분말의 회수율을 목표특성(Y)으로 설정 △25set의 시험을 통해 얻은 자료에 대해 Bayesian Optimization(BO) 알고리즘을 사용해 회수율이 최대값을 갖는 최적의 분무온도와 분무압력을 예측함 △최적조건에서 최대 77.85%의 회수율을 얻어 기존 공정대비 72%의 제조단가 저감 효과를 얻음 등의 연구내용이다.

본 연구에서는 EIGA 및 VIGA 공정에 대해 금속분말(Ti-6Al-4V합금, Al-Cu합금)의 특성에 미치는 공정인자들의 영향을 조사해, 최적화하기 위해 반응표면법(RSM) 및 인공신경망(ANN) 모델을 적용해 입도분포(D10, D50, D90), 흐름도, 겉보기밀도, 구형도 등의 분말특성을 예측하고 최적화했다.

상기 비교 인공지능모델의 경우 입력변수를 분무온도와 분무가스압력을 선택한 반면에 본 연구에서는 분무온도, 분무가스압력, 분무가스유량 등으로 확장시켰다.

상기 비교 연구의 경우 1회실험에서 1set의 입력변수와 목표값을 얻었으나, 본 연구에서는 3종류의 입력변수 변화를 실시간으로 1,000data/sec의 속도로 측정해 평균값과 편차를 구해 총 6set의 입력변수값을 얻었다.

특히 본 연구에서는 제조된 분말을 실시간으로 분리하고 분급할 수 있는 시스템을 개발해 특허출원(미세분말 정밀 포집용 멀티 스텝 사이클론 장치 및 이를 이용한 미세분말 정밀 포집 방법(출원번호:10-2020-0167960)했으며, 이를 이용해 분말 1회 제조 시 최대 20set의 목표값을 얻어 금속 분말 제조공정에서 빅데이터 수집이 가능한 시스템을 세계 최초로 구축했다.

400set이상의 빅데이터에 대해 반응표면법(RSM) 및 인공신경망(ANN) 모델을 적용해 분무공정 조건을 최적화했다.

최적조건에서 최대 95%의 회수율을 얻어 기존 공정대비 50%의 제조단가 저감 효과를 얻었다.

■ 이 기술을 이용해 향후 어떤 경제적 효과와 성과가 기대되는지 전망에 대해 듣고 싶다

현재 적층성형용 Ti-6Al-4V합금 분말의 가격은 25∼30만원/kg인데 본 연구결과를 활용할 경우, 회수율이 95%이상으로 향상돼 제조단가가 15만원/kg의 제조가격에 제조할 수 있다.

최근 모든 분야에 빠르게 도입되고 있는 빅데이터와 인공지능(artificial intelligence, AI) 기술을 다양한 적층제조용 금속분말 제조공정에 적용하여 최적의 공정 제어조건을 예측하고 검증하는 모델로 활용함으로써 분말 특성 및 생산성을 극대화할 수 있는 기술로 활용가능하다.

적층성형용 금속분말 소재산업에 활용, 금속사출성형용 금속분말 소재산업, 뿌리산업 공정의 최적화 기술, 금속분말 제조현장에서 간편하게 활용할 수 있는 계산기 프로그램 개발 및 보급 등에 활용될 것으로 기대된다.

■ 마지막으로 독자들께 한 말씀 부탁드린다

현재까지 금속분말 제조공정의 연구 및 생산 현장에서 공정변수들의 최적화를 위해 적용하던 통계적 최적화 모델과 비교했을 때 인공지능 모델을 활용할 경우, 기대했던 것 보다 훨씬 우수한 예측 및 최적화 정확도 결과를 얻을 수 있었다.

공정변수들이 더욱 증가하고 다양한 공정 조건에 적용할 경우에, 얻어진 실험데이터는 AI Agent의 머신러닝에 사용되고, 반복된 학습을 통해 높은 정확도를 보이는 AI Agent는 더욱 귀중한 최적화 모델로 변화할 것으로 기대된다.

복잡한 공정 변수의 모든 경우에 대해 실험을 진행하기 위해서는 막대한 시간과 자원이 소모되는데 비해, 잘 학습된 AI Agent는 약 10억 개의 공정 조건을 만들어 내고, 이중 우리가 원하는 특성의 금속분말을 제조하기 위한 최적의 공정 조건 도출하는데 1시간도 걸리지 않다는 것을 확인했다.

이번 연구를 진행하기 전까지는 모든 경우의 수를 대입하고 최적의 공정 조건을 예측하는데 걸리는 시간과 비용이 막대할 것으로 우려했는데, 기하급수적으로 개발되고 있는 인공지능의 최적화 알고리즘의 기여로 인해 짧은 시간에 기대 이상의 해답을 얻을 수 있었으며, 향후 생산공정 전반에 확대 적용될 수 있을 것으로 기대된다.

감사합니다.