AI-Driven Digital Twin for Real-Time Anomaly Detection in WA-DED Using LSTM-AE and YOLO = LSTM-AE 및 YOLO를 활용한 WA-DED의 실시간 이상 감지를 위한 AI 기반 디지털 트윈

국문 초록 (Abstract)

적층 제조 기술은 복잡한 형상 구현과 재료 효율성 측면에서 장점이 있지만 실시간 품질 관리와 공정 안정성 확보가 과제로 남아있다. 특히 아크 열원으로 금속 와이어를 용융시켜 구조물을 제작하는 와이어 아크 적층 제조(WA-DED) 공정은 높은 생산성을 제공하지만 입열량, 이송 속도 등 공정 변수 간의 복잡한 상호작용으로 인해 적층물의 일관된 품질을 확보하기 어렵다. 공정 변수가 최적 범위를 벗어날 경우 험핑, 비드컷, 볼링 등의 결함이 발생하며 고속 적층이나 저입열 조건에서 이러한 문제가 심화된다. 이에 따라 공정 이상을 실시간으로 감지하고 대응할 수 있는 지능형 모니터링 시스템의 개발이 요구된다.
본 연구에서는 WA-DED 공정의 실시간 모니터링과 이상 탐지를 위한 AI 기반 디지털 트윈 플랫폼을 개발하였다. 디지털 트윈은 물리적 시스템과 가상 환경을 실시간 연동하여 공정 상태를 시각적으로 재현하며, 특히 접근이 어려운 용융풀과 비드 형성 과정을 가상으로 관찰할 수 있어 모니터링에 효과적이다. 가상 환경에는 6축 산업용 로봇의 정밀한 운동학 모델을 구현하였으며, 토치의 이동 경로에 따라 실시간으로 비드 형상이 생성되도록 하였다. 물리적 시스템과 가상 환경 간 데이터 연동을 위해 이기종 로봇 시스템에 적합한 통신 아키텍처를 구축하고, 로봇 관절 각도 및 공정 변수를 실시간으로 가상 모델에 반영하였다.
구축된 디지털 트윈 플랫폼에서는 시계열 데이터와 이미지 데이터를 통합적으로 활용하는 AI 기반 이상 탐지 시스템을 구축하였다. LSTM-AE는 적층 공정에서 수집된 전류 및 전압 신호의 시간적 패턴을 학습하며, 노이즈 필터링 후 정상 데이터로만 학습하여 재구성 오차를 통한 이상 판단을 수행한다. YOLOv12 알고리즘은 비드 표면의 험핑, 비드컷, 볼링 등의 결함을 실시간으로 탐지하고 분류한다. 두 알고리즘은 디지털 트윈 플랫폼 내에서 통합 운영되며, 시각적 인터페이스를 통해 운영자에게 이상 정보를 실시간으로 제공한다.
개발된 시스템의 성능 검증을 위해 GMAW 기반의 적층 공정을 수행하였다. 일정한 전류 및 전압 조건에서 이송 속도를 변화시켜 정상 및 이상 공정 데이터를 수집하였으며, 독립적인 테스트 세트를 통해 모델의 이상 탐지 성능을 검증하였다. LSTM-AE는 정상 데이터와 이상 데이터 간 재구성 오차의 명확한 차이를 보였으며, YOLO는 다양한 결함 유형을 정확히 분류하였다.
본 연구는 디지털 트윈과 AI 기술을 통합하여 WA-DED 공정의 이상 탐지를 구현함으로써 금속 적층 제조의 실시간 품질 관리 자동화를 위한 기술적 기반을 제시하였다. 개발된 플랫폼은 향후 다양한 적층 제조 공정에 적용 가능하며, 스마트 제조 환경에서 무인 자동화 생산 시스템 구현에 기여할 수 있다.

목차 (Table of Contents)

• I. Introduction 7
• Ⅱ. Digital twin platform development 18
• 2.1. Virtual environment setup 18
• 2.2. Communication method 24
• 2.3. Data parsing 28
• Ⅲ. Anomaly detection 31
• 3.1. Experimental setup and method 31
• 3.2. Neural networks architecture 34
• 3.2.1. LSTM-AE 34
• 3.2.2. AI model verification (LSTM-AE) 38
• 3.2.3. YOLO(You Only Look Once) 41
• 3.2.4. AI model verification (YOLO) 45
• Ⅳ. Result 48
• Ⅴ. Conclusion 51
• Reference 54
• 국문 초록 59
• 감사의 글  61