실시간 음향 분석을 활용한 3D 프린터 결함 탐지

본 논문은 3D 프린터의 기계적 결함을 실시간으로 탐지하기 위한 비접촉식 음향 기반 모니터링 시스템을 제안한다. 서론에서는 3D 프린팅이 항공·자동차 등 고정밀 산업에서 중요성을 갖게 되면서, 결함 탐지가 생산 품질과 비용 절감에 핵심적인 역할을 한다고 강조한다. 기존의 시각적 검사와 하드웨어 센서는 비용이 높고, 연속적인 실시간 모니터링에 한계가 있음을 지적하고, 이에 대한 대안으로 음향 신호 분석을 소개한다. 문헌 조사에서는 2013년부터 2020년까지의 36개 연구를 통해 CNN이 스펙트로그램에서 특징을 추출하는 데 탁월함을 확인하고, 특히 Mel‑스펙트로그램이 차원 축소와 핵심 음향 특징 보존에 유리함을 언급한다. 또한, VGGish와 같은 사전 학습된 네트워크가 산업용 베어링 결함 탐지에 성공한 사례를 인용해 3D 프린터 결함 탐지에도 전이학습이 효과적일 것이라 예측한다. 방법론에서는 두 가지 실험 조건(재료 유무)에서 익스트루더의 음향을 녹음하고, Dell XPS 9570 노트북과 SparkFun 마이크를 사용해 데이터를 수집한다. 원시 파형은 HVAC 및 주변 소음이 포함된 상태이며, 이를 100 ~ 1200 Hz 대역의 밴드패스 필터와 Audacity 기반 차감 필터링으로 정제한다. 정제된 파형을 STFT로 변환해 스펙트로그램을 생성하고, 회색조와 컬러 두 형태로 저장한다. 데이터셋은 총 256개의 스펙트로그램 이미지(노즐 막힘, 필라멘트 파단, 풀리 스키핑, 정상 상태 등)로 구성했으며, 80 %를 학습, 20 %를 테스트·검증에 할당한다. 모델은 사전 학습된 CNN(VGGish/ResNet)을 기반으로 전이학습을 수행했으며, 마지막 전결합층을 결함 라벨에 맞게 재구성한다. 학습 과정에서 데이터 증강(시간축 이동, 주파수 마스크)과 배경 잡음 샘플을 함께 입력해 모델의 일반화 능력을 향상시켰다. 실험 결과, 컬러 스펙트로그램을 사용한 경우 평균 정확도가 약 93 %에 달했으며, 회색조는 약 89 %로 약간 낮았다. 특히 노즐 막힘과 필라멘트 파단은 높은 구분력을 보였으나, 풀리 스키핑은 다른 결함과 유사한 주파수 패턴을 보여 정확도가 다소 낮았다. 실시간 테스트에서는 동적 배경 소음이 모델 성능을 저하시켰지만, 별도 잡음 데이터셋을 포함한 학습을 통해 거짓 양성률을 5 % 이하로 억제할 수 있었다. 논의에서는 데이터 양의 제한, 특정 프린터·재료에 대한 의존성, 실시간 시스템 구현 시 연산 지연 문제 등을 언급한다. 향후 연구 방향으로는 다중 센서(진동, 열) 융합, 다양한 재료·프린터 모델에 대한 대규모 데이터베이스 구축, 경량화된 모델 설계 등을 제시한다. 또한, 결함 예측을 위한 시계열 분석과 유지보수 스케줄링 연계 방안도 제안한다. 결론적으로, 음향 기반 스펙트로그램과 CNN 전이학습을 결합한 시스템은 비용 효율적이며, 비접촉식으로 3D 프린터의 주요 기계적 결함을 실시간으로 탐지할 수 있음을 입증한다. 이는 기존 센서 기반 모니터링의 한계를 보완하고, 제조 현장의 품질 관리와 다운타임 최소화에 기여할 수 있다.