객체탐지 모델을 활용한 DED 공정의 비드 및 기초형상 적층 특성 분석 = Analysis of Bead and Basic Geometry Deposition Characteristics in DED Using an Object-Detection Model

다국어 초록 (Multilingual Abstract)

Directed energy deposition (DED) is attractive for localized repair and dissimilar-material deposition; however, its quality is highly sensitive to history-dependent thermal behavior, which can readily lead to defects. Since quality assurance is still largely performed after fabrication, there is a strong need for in-situ monitoring and AI-based defect detection grounded in measurable thermal information. To address this, this study proposes an integrated framework combining a thermal analysis model with process monitoring experiments to elucidate the fundamental heat transfer characteristics of the DED process, classify process states based on thermal features, and detect defects using object detection.
First, a bead width prediction model based on conduction-mode thermal analysis was used to theoretically predict bead formation behavior as a function of process variables. To experimentally validate this, single bead deposition experiments were conducted with powder feed rate, scan speed, and laser power as the primary variables. Based on the acquired temperature data, the average bead temperature (ATB) and average cooling rate (ACR) were derived to analyze correlations between process parameters and thermal characteristics. The results confirmed that lack-of-fusion, normal, and excessive melting states were clearly distinguishable based on their thermal behavior. Specifically, discontinuous bead formation or no deposition was observed under low heat input conditions, whereas continuous and stable bead formation was confirmed under appropriate heat input conditions. The experimental results showed a consistent trend with the predictive model, thereby verifying that the acquired dataset accurately reflects the underlying physical phenomena of the DED process.
In the cube deposition experiment, position-specific and layer-wise temperature data were extracted from the multi-layer deposition process. The average layer max temperature (ALMT) and average layer cooling rate (ALCR) were calculated to evaluate heat accumulation behavior in response to changes in the powder feed rate and layer count. A correlation analysis between thermal indicators and morphology, microstructure, and mechanical properties confirmed that variations in material properties could be quantitatively explained by changes in thermal characteristics.
Furthermore, an object detection AI model was trained using IR images acquired during single bead and basic geometry deposition. The training dataset was labeled with classes defined based on thermal characteristics and melt pool morphology. Specifically, a YOLOv5 model was employed to detect process states during deposition.
Performance evaluation results indicated mean average precision (mAP) scores of 0.719 and 0.966 for the bead and basic geometry datasets, respectively, demonstrating sufficient reliability for process state classification and defect detection. Consequently, the integrated framework proposed in this study provides a foundation for real-time detection and visualization of melt pool states and major defects in the DED process by combining thermal history-based indicators with object detection technology.

국문 초록 (Abstract)

Directed energy deposition(DED) 공정은 국부적인 수리 및 이종 소재 적층이 가능하여 수요가 크지만 공정 중 복잡한 열 이력으로 인해 다양한 결함이 발생하기 쉽다는 단점이 있다. 기존에는 적층 후 비파괴검사에 기반한 사후 품질 평가에 의존해 왔기 때문에, 공정 중 열 거동과 결함 발생을 연계하여 실시간으로 감지할 수 있는 모니터링 기술과 인공지능 기반 결함 검출 모델의 신뢰성 확보가 중요한 과제로 대두되고 있다.
본 연구에서는 해석 모델과 공정 모니터링 실험을 결합하여 DED 공정의 기초 열전달 특성을 규명하고 열 특성 기반 공정 상태 분류 및 객체탐지 기반 결함 검출을 통합한 프레임워크를 제시하였다.
단일 비드 적층 실험에서는 분말 공급량(Feed rate, FR), 이송 속도(Scan speed, SS) 및 레이저 출력(Laser power, LP)을 공정 변수로 설정하였으며, 전도 모드(Conduction mode) 기반 열전달 해석을 이용한 비드 폭 예측 모델을 도입하여 공정 상태를 정량적으로 판별하고자 하였다. 취득한 온도 데이터를 기반으로 비드 평균 온도(Average bead temperature, ATB)와 비드 평균 냉각 속도(Average cooling rate, ACR)를 도출하여 공정 변수와 열 특성 간의 상관관계를 분석하였다. 그 결과 입열량 조건에 따라 미용융, 정상 및 과용융 상태가 열 특성 거동에서 명확히 구분됨을 확인하였다. 입열량이 낮은 조건에서는 적층이 이루어지지 않거나 불연속적인 비드가 형성되는 것이 관찰되었고, 입열량이 적절한 경우 연속적이고 안정한 비드가 형성되는 것이 확인되었다. 비드 폭 예측 모델과 실제 적층 결과의 경향성이 일치함을 확인하였으며 이를 통해 실험 데이터가 DED 공정의 물리적 현상을 정확히 반영하였음을 검증하였다.
육면체 적층 실험에서는 3차원 형상 적층 과정에서 취득한 온도 데이터 기반으로 위치별 및 층별 온도 데이터를 도출하였다. 이를 바탕으로 층별 평균 최대 온도(Average layer max temperature, ALMT) 및 층별 평균 냉각 속도(Average layer cooling rate, ALCR)를 도출하고, 분말 공급량 및 층수 변화에 따른 열 축적 거동을 평가하였다. 열 특성 지표와 형상, 미세조직 및 기계적 특성 간의 연계 분석을 통해 열 특성 변화에 따른 특성 변화를 정량적으로 설명할 수 있음을 확인하였다.
비드 및 기초형상 적층 시 취득한 열화상 이미지를 이용하여 객체탐지 인공지능 모델을 학습하였다. 학습 시 열 특성과 용융풀 형상 기준으로 각 조건에 대한 클래스를 정의하고 라벨링 하였다. 인공지능 모델 개발 시 YOLOv5 모델을 이용하여 비드 및 기초형상 적층 시 공정 상태를 탐지하는 모델을 학습하였다.
성능 평가 결과, 제안한 모델은 비드 적층 및 기초형상 적층 데이터셋에 대해 mAP가 각각 0.719 및 0.966으로 공정 상태 분류와 결함 검출에 충분한 신뢰성을 확보하였다. 따라서 본 연구에서 제시한 열 특성 분석, 대표 결함 분류, 인공지능 기반 결함 검출 및 신뢰성 평가로 구성된 통합 프레임워크는 DED 공정에서 열 이력 기반 지표와 객체탐지를 결합하여 공정 중 용융풀 상태와 주요 결함을 탐지 및 시각화할 수 있는 기반을 제공한다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구 배경 1
• 2. 연구 동향 5
• 2.1 DED 공정 변수 및 적층 품질 관련 선행 연구 및 연구 동향 5
• 2.2 DED 공정 모니터링 선행 연구 및 연구 동향 6
• 3. 연구 목적 및 범위 9
• 3.1 연구 목적 9
• 3.2 연구 방법 및 절차 9
• II. 이론적 배경 12
• 1. DED(Directed energy deposition) 공정 12
• 1.1 DED(Directed energy deposition) 공정 원리 12
• 1.2 DED 공정의 결함 유형 및 발생 메커니즘 13
• 1.3 DED 적층 공정 모니터링 시스템 13
• 2. DED 공정의 열적 거동과 열원 해석 모델 16
• 2.1 에너지 밀도 및 입열량 정의 16
• 2.2 하이브리드 용융 모델 17
• 3. 비전 기반 객체탐지 모델 및 평가 지표 20
• III. 실험 및 해석방법 23
• 1. DED 적층 장비 및 모니터링 시스템 23
• 1.1 DED 적층 시스템 구성 23
• 1.2 DED 적층 공정 모니터링 시스템 23
• 2. 비드 폭 예측을 위한 열전도 해석 모델 적용 25
• 3. 단일 비드 적층 실험 26
• 3.1 실험 조건 및 재료 26
• 3.2 실험 방법 27
• 4. 육면체 적층 실험 29
• 4.1 실험 조건 및 재료 29
• 4.2 실험 방법 30
• 5. 기초형상 적층 실험 33
• 5.1 실험 조건 및 재료 33
• 5.2 실험 방법 33
• 6. 객체탐지 모델 학습 및 평가 방법 35
• IV. 결과 및 고찰 37
• 1. DED 공정의 열적 거동에 대한 이론 및 실험적 분석 37
• 1.1 비드 폭 예측 모델을 통한 적층 공정 결함 예측 결과 분석 37
• 1.2 단일 비드 적층 실험을 통한 온도 특성 분석 39
• 1.2.1 비드 폭 예측 모델을 통한 결함 예측 결과 분석 39
• 1.2.2 단일 비드 적층 실험을 통한 온도 특성 분석 및 고찰 42
• 1.2.3 단일 비드 적층 실험을 통한 공정 변수의 영향성 분석 44
• 1.2.4 단일 비드 적층 실험을 통한 입열량 및 비드 온도 특성의 상관관계 분석 47
• 1.3 육면체 형상 적층 실험을 통한 온도 특성 분석 51
• 1.3.1 육면체 형상 적층 시 온도 특성 분석 및 고찰 51
• 1.3.2 육면체 형상 적층 시 형상 정확도 분석 및 고찰 60
• 1.3.3 육면체 형상 적층 시 미세조직 특성 분석 및 고찰 62
• 1.3.4 육면체 형상 적층 시 기계적 특성 분석 및 고찰 67
• 2. 객체탐지 모델을 이용한 단일 비드 적층 결함 검출 69
• 2.1 단일 비드 적층 공정 상태 정의 및 라벨링 결과 69
• 2.2 단일 비드 적층 객체탐지 학습 모델의 성능 평가 74
• 2.3 단일 비드 적층 시 공정 상태 분류 결과 분석 76
• 3. 객체탐지 모델을 이용한 기초형상 적층 결함 검출 77
• 3.1 기초형상 적층 시 공정 상태 정의 및 라벨링 결과 77
• 3.2 기초형상 객체탐지 학습 모델의 성능 평가 81
• 3.3 기초형상 적층 시 공정 상태 분류 결과 분석 83
• V. 결론 및 향후 연구 84
• 참고문헌 86
• Abstract 95