AI를 활용한 3D 프린팅 부품 인증

그레인저 공대의 연구진 팀은 3D 프린팅 부품을 정확하게 지문화할 수 있는 인공지능 모델을 개발했습니다. AI는 인간의 눈으로는 관찰할 수 없는 핵심 세부 정보를 검사하고 각 3D 프린터가 남기는 특정 세부 사항과 교차 검증합니다.

이 발견은 제조, 모니터링 및 공급망 관리 문제를 완화하는 데 도움이 될 수 있으며, 기업의 수십억 달러 절감 효과를 기대할 수 있습니다. 여기에서 알아야 할 핵심 내용을 정리했습니다.

공급망 검증의 과제

오늘날 제품의 복잡성으로 인해 수천 개의 부품이 수백 개의 제조업체에서 공급되어야 할 수 있습니다. 안타깝게도 이러한 상황은 문제를 야기했으며, 제조업체의 품질이 변함없이 유지되는지를 보장하는 것이 어려운 과제로 드러났습니다.

일반적인 제조 계약에서는 양측이 제품의 핵심 세부 사항에 대해 합의합니다. 이러한 세부 사항에는 정확한 공정, 사용된 재료 및 공장 절차가 포함될 수 있습니다. 부품과 그 용도에 따라, 변경 사항이 일정 기간 동안 또는 고장이 발생할 때까지 눈에 띄지 않을 수 있습니다.

부품 출처 식별

과거에는 부품이 표시된 출처에서 제조되었는지 확인하기 위해 부품 라벨, 추적기, 심지어 압입된 일련 번호와 같은 매우 기본적인 방법이 사용되었습니다. 이러한 방법은 쉽게 확인할 수 있었지만, 동시에 쉽게 복제·위조될 수 있었습니다. 이러한 문제로 인해 제조업체는 일부 부품에 은밀한 태그를 부착하도록 요구하게 되었습니다.

3D 프린팅과 그 취약점

3D 프린팅의 도입은 산업 공정을 영원히 바꾸었습니다. 이 유연한 제조 옵션은 제조업체가 부품을 외주화하기 쉽게 만들었습니다. 동시에 3D 프린팅 부품은 변조 및 위조가 더 쉬워졌습니다.

첨가제 제조를 논할 때는 원료 품질, 공정 제어, 사용되는 기계 종류 등 관리·모니터링해야 할 요소가 더 많습니다. 특히 이러한 항목 중 어느 하나라도 변동이 있으면 부품 품질이 저하될 수 있습니다.

품질 관리 전통적 접근법

제조업체는 감사 절차를 강화하기 위해 많은 노력을 기울여 왔습니다. 현장 방문을 늘리고 제품 출처를 확인하기 위해 추가 표시를 요구하기도 합니다. 그러나 이러한 접근법은 대규모로는 효과가 없다는 것이 현실입니다.

과거에는 인간 전문가가 AM(첨가제 제조) 부품의 출처를 판단하기 위해 투입되었습니다. 하지만 이 과정은 시간이 많이 소요됩니다. 또한 제조업체는 생산 중 문제가 발생하기 전까지는 문제를 인지하지 못하는 경우가 많아, 어떤 부품이 어떻게 변조되었는지 정확히 파악하기가 매우 어렵습니다.

AI 지문 연구 개요

이 연구¹ “딥러닝을 활용한 사진 기반 첨가제 제조 출처 식별”은 Nature 제휴 저널인 Advanced Manufacturing에 게재되었으며, 향후 이러한 문제들을 해결할 수 있는 AI 모델을 소개합니다. 이 시스템은 레이어 텍스처를 분석한 이미지를 활용해 AP 부품의 품질과 진위 여부를 인증할 수 있습니다.

제조 지문

각 3D 프린터는 고유한 특성을 가지고 있어 센서와 AI 시스템이 감지할 수 있는 지문을 형성합니다. 부품 치수 허용오차, 공정 설정, 사용된 재료와 같은 핵심 세부 사항이 개별 기계와 연관됩니다.

출처 – Advanced Manufacturing

AI 지문 인식 프로세스 작동 방식

지문 시스템은 제조업체의 협조가 있다고 가정하지만, 협조가 없어도 작동합니다. 첫 단계는 비교를 위한 이상적인 제품 샘플을 수집하는 것입니다. 기계의 제조사와 모델, 제작 공정, 생산에 사용된 재료 등 구체적인 정보를 제공해야 합니다. 이후 AI 시스템이 나머지를 처리합니다.

딥러닝 아키텍처 및 모델 설계

AI 모델은 부품의 고해상도 이미지를 통해 3D 프린터의 지문을 판별할 수 있습니다. 이후 이미지 다운스케일링, 무작위 샘플링, 투표 방식을 이용해 표면 텍스처와 같은 세부 정보를 추출합니다. 이미지는 모델당 더 많은 이미지를 처리할 수 있도록 다운스케일됩니다.

엔지니어들은 여러 AI 구조를 검토한 끝에 EfficientNetV2가 최적임을 확인했습니다. 테스트 결과 AI 모델이 높은 정확도를 달성했으며, 학습 시간 면에서도 가장 빠른 것으로 나타났습니다. 엔지니어들은 이러한 성능을 파라미터 입력을 최소화하고 모델의 레이어 설계 덕분이라고 평가했습니다.

9,000개 이상의 부품 이미지로 모델 훈련

AI를 훈련시키기 위해 팀은 9,192개의 부품 사진을 포함한 데이터셋을 구축했습니다. 이 부품들은 6개 제조업체에서 생산되었으며, 4가지 제작 공정 중 하나를 사용해 21대의 기계에서 제작되었습니다. 각 부품은 출력된 뒤 고해상도 Epson Perfection V39로 스캔되었습니다.

스캔은 4800dpi 해상도로 진행되었으며, 각 부품은 스캔된 일련 번호를 포함하도록 여러 번 스캔되었습니다. 결과적으로 5.3μm 픽셀 이미지가 생성되었고, 이를 21장씩 배치하여 스캔한 뒤 경로 위치를 무작위화했습니다. 이 방법은 데이터 수집 입력 시간을 개선하는 데 도움이 되었습니다.

지문 인식 방법 테스트

이론을 검증하기 위해 엔지니어들은 4가지 제조 공정에 걸쳐 21대의 고유 기계에서 다양한 부품 세트를 만들었습니다. 테스트 단계에서 AI 모델은 각 부품 이미지에서 448×448 픽셀의 관심 영역(ROI)을 무작위로 샘플링했습니다.

지문 인식 정확도 결과

AI는 1,050개의 부품에 대해 98% 정확도를 기록하며 그 능력을 입증했습니다. 모델은 부품의 제조 공정, 재료, 프린터 내 출력 위치 등 모든 핵심 지표를 식별했습니다. 또한 프린터의 지문을 확보하는 데 최소 10개의 부품만 필요함을 보여주었습니다.

산업에 중요한 이유

이 접근법은 시장에 많은 혜택을 제공할 것입니다. 첫째, 품질 저하를 방지하고 제조업체가 고장의 원인을 파악하는 데 도움이 됩니다. 항공기와 같은 고도화·중요 시스템을 다룰 때, 이 방법은 생사 여부를 가를 수 있습니다.

불량 부품 조기 감지

이 AI 모델은 3D 프린팅 부품을 설치하기 전에 문제를 발견하는 데도 도움이 됩니다. 이를 통해 제조업체는 비용을 절감하고 잘못된 부품으로 인한 안전 위험을 감소시킬 수 있습니다. 또한 인간 전문가에 비해 확장성이 뛰어납니다.

확장성 및 모델 적응성

AI 모델은 시간이 지남에 따라 학습하고 조정될 수 있습니다. 이는 시스템이 식별 가능한 특징을 파악해 다른 제조 속성을 예측할 수 있음을 의미합니다. 이러한 특성에는 공정, 재료, 부품을 출력한 기계가 포함됩니다.

산업·공급망·법의학 분야 적용

이 기술은 실제 적용 사례가 다수 존재합니다. 공급업체 관리, 품질 관리, 심지어 법 집행까지. 3D 프린팅 부품의 출처를 파악할 수 있는 능력은 생명을 구할 수 있는 혁신적인 변화입니다. 아래는 주요 적용 분야와 연혁입니다.

산업

산업 분야는 이 기술을 즉시 활용할 수 있습니다. 근본 원인 분석에 핵심적인 역할을 할 수 있습니다. 향후 제조업체는 이미지 기반 출처 식별을 활용해 AM 부품의 품질과 진위를 모니터링함으로써 3D 프린터 시대에도 데이터 품질 관리가 효과적으로 유지되도록 할 수 있습니다.

공급망

동일한 장점으로 인해 시스템은 공급망 관리에 이상적입니다. 주요 공급망에는 수천 개의 계약 제조업체가 존재합니다. AI 시스템은 기업이 다양한 위치와 시기에 생산된 개별 제품을 모니터링하고 관리하도록 돕습니다. 시스템의 확장성은 향후 제조업체가 부품을 설치하거나 고장 발생 전에 사전 검증할 수 있게 합니다.

조사

이 기술이 도움이 될 또 다른 분야는 불법 물품의 출처를 파악하는 것입니다. 위조 부품부터 3D 프린팅 총기에 이르기까지 이 기술 덕분에 모니터링이 크게 쉬워집니다. 과거에는 고스트 건과 같은 문제가 정치인들을 난감하게 만들었습니다. 앞으로 이 기술은 법 집행 기관이 더 많은 범죄자를 법정에 세우고 전 세계적인 3D 프린팅 무기 흐름을 억제하는 데 기여할 것입니다.

3D 프린팅 부품 지문의 연대기

이 AI 지문 기술은 향후 1~3년 내에 적용될 수 있습니다. AI 모델이 제공하는 혜택에 대한 수요가 높으며, 공급 및 제조 체인에 손쉽게 적용·통합될 수 있습니다. 이러한 요소들은 생명을 구하고 기업 비용을 절감하는 데 기여합니다.

3D 프린팅 부품 지문 연구자

이 연구는 그레인저 공대 연구원들이 저술했습니다. 구체적으로 Bill King, Miles Bimrose, Davis McGregor, Charlie Wood, Sameh Tawfick이 공동 저자로 명시되었습니다. 이제 팀은 모델을 확대해 더 많은 3D 프린터와 제조업체를 포함할 계획입니다.

3D 프린팅 분야 투자

AM(첨가제 제조) 분야의 많은 기업이 이 연구로 혜택을 받을 수 있습니다. 투자자들은 3D 프린팅 기업이 시제품 제작에서 전체 지역을 건설하는 단계까지 성장하는 모습을 목격했습니다. 따라서 3D 프린팅 기술 활용이 증가하고 있다는 사실은 놀랍지 않습니다. 아래는 지속적으로 선구적인 노력을 보여주는 기업 사례입니다.

Carpenter Technology Corporation

Carpenter Technology Corporation (CRS )는 1889년 펜실베이니아 주 리딩에서 시장에 진입했습니다. 이 회사는 James Henry Carpenter와 여러 투자자에 의해 특수 부품을 만들기 위해 설립되었습니다.

인상적으로, Carpenter Technology Corp는 선구적인 정신을 유지해 왔으며 스페인-미국 전쟁을 위한 최초의 철갑탄을 만드는 데에도 기여했습니다. 그 이후로 내구성에 대한 명성을 쌓았으며 1903년 라이트 형제가 최초 비행을 할 때 그들의 비행기 엔진에도 사용되었습니다.

1917년, 이 회사는 고강도 강철을 시장에 도입하며 또 다른 중요한 발견을 이루었습니다. 이 부식 방지 대안은 항공 분야 혁신에 핵심이었습니다. 오늘날 회사는 특수 강철, 합금, 3D 프린팅에 사용되는 파우더 등 다양한 제품을 제공하고 있습니다.

Carpenter Tech의 파우더 옵션은 복잡한 절단, 성형 및 드릴링 공정에 필수적인 요소이며, 그 합금은 운송, 방위, 항공우주, 에너지, 산업, 의료, 소비자 전자 등 다양한 산업에 활용됩니다. 이러한 모든 요인은 CRS를 포트폴리오에 강력히 추가할 만한 이유가 됩니다.

Carpenter Technology Corp 최신 주식 뉴스 및 개발

더 많은 책임감 → AI와 함께하는 품질 관리의 미래

뉴스에서 항공기 부품 고장이나 기타 생명을 위협하는 사건에 대한 보도를 보면, 불량 부품의 출처를 파악하는 것이 공공 안전에 필수적인 작업임을 쉽게 이해할 수 있습니다. 이 새로운 접근법은 비용을 절감하고 대규모 적용의 문을 열어줍니다.

앞으로 품질 관리는 제품의 모든 구성 요소를 설치 및 고장 이전에 포함하게 될 것입니다. 따라서 이러한 엔지니어들의 노력은 생명과 비용을 절감하는 데 기여하므로 경의를 표해야 합니다.

Learn about AI breakthroughs 여기.

참조 연구:

^{1. Bimrose, M. V., McGregor, D. J., Wood, C., Tawfick, S., & King, W. P. (2025). 딥러닝을 활용한 사진 기반 첨가제 제조 출처 식별. npj Advanced Manufacturing, 2(20). https://doi.org/10.1038/s44334-025-00031-2}