실시간 3D 프린터 결함 탐지를 위한 음향 기반 CNN

초록

본 논문은 3D 프린터 가공 중 발생하는 음향 신호를 실시간으로 분석하여 노즐 막힘, 필라멘트 파단, 풀리 미끄러짐 등 기계적 결함을 탐지하는 방법을 제안한다. 컨볼루션 신경망(CNN)을 이용해 수집된 오디오 데이터를 스펙트로그램 형태로 변환 후 분류 모델을 학습시켰으며, 실험 결과 음향 기반 감지가 기존 시각·센서 기반 방법에 비해 비용 효율적이며 높은 정확도를 보임을 확인하였다.

상세 분석

이 연구는 3D 프린팅 공정에서 발생하는 미세한 기계음이 결함 발생 시 특징적인 패턴을 가진다는 가정 하에 진행되었다. 먼저 저가 마이크로폰을 이용해 프린터 헤드, 모터, 베드 등 주요 부품에서 발생하는 음향을 44.1 kHz 샘플링 레이트로 수집하고, 각 실험 시나리오(노즐 막힘, 필라멘트 파단, 풀리 스키핑 등)를 명확히 라벨링하였다. 수집된 원시 오디오 신호는 짧은 시간 푸리에 변환(STFT)을 적용해 2차원 스펙트로그램으로 변환했으며, 이는 이미지 형태의 입력으로 CNN에 적합하도록 전처리되었다. 모델 아키텍처는 일반적인 VGG‑16 구조를 기반으로 하되, 파라미터 수를 줄여 실시간 추론이 가능하도록 경량화하였다. 학습 단계에서는 데이터 불균형을 해소하기 위해 SMOTE와 클래스 가중치를 병행 적용했고, 교차 검증을 통해 과적합을 방지하였다. 결과적으로 전체 데이터셋에 대한 평균 정확도는 96 % 이상, F1‑score는 0.94에 달했으며, 특히 노즐 막힘과 필라멘트 파단을 0.98 이상의 정밀도로 구분하였다. 실시간 테스트에서는 100 ms 이하의 지연으로 결함을 감지할 수 있었으며, 이는 기존 비전 기반 시스템이 요구하는 GPU 연산량에 비해 현저히 낮은 비용으로 구현 가능함을 의미한다. 또한, 음향 신호는 비접촉식이므로 프린터 하우징 내부에 추가 센서를 설치할 필요가 없으며, 다양한 프린터 모델에 일반화가 용이한 장점을 가진다. 다만, 외부 소음에 대한 민감도가 존재해 실험실 환경 외에서의 적용을 위해 노이즈 캔슬링 전처리와 마이크 배열을 통한 방향성 분석이 추가로 요구된다. 향후 연구에서는 다중 마이크와 빔포밍 기술을 결합해 소음 억제 성능을 강화하고, 전이 학습을 활용해 새로운 결함 유형을 최소 데이터로도 빠르게 학습시키는 방안을 모색한다.