AI 기반 정밀성으로 레이저 기반 3D 금속 프린팅 혁신

3D 프린팅 또는 적층 제조 분야에서 레이저 기반 금속 가공은 자동화되고 정밀하며 복잡한 부품을 빠르게 생산할 수 있는 인기 있는 기술입니다.

레이저 기반 금속 가공은 레이저를 에너지원으로 사용하여 금속을 조작하는 것을 의미합니다. 레이저는 빛이나 전자기 복사의 증폭된 빔으로, 거의 발산 없이 직선으로 전파될 수 있습니다. 

이 때문에 레이저는 가공, 접합 및 표면 엔지니어링 등 재료 가공에 매우 유용합니다. 적층 제조에서는 레이저를 사용해 재료를 녹이고 층별로 부품을 제작합니다.

적층 제조는 제품을 층층이 쌓아 만드는 방식입니다. 초기에는 가공이 쉬운 플라스틱을 사용했지만, 이제는 금속 재료를 포함한 모든 종류의 재료로 확대되었습니다.

금속 재료는 뛰어난 전기 전도성, 높은 강도와 연성, 높은 녹는점 등 매력적인 특성으로 인해 바이오메디컬, 에너지, 건축 및 군사 분야에서 매우 유용합니다. 

한편, 금속 레이저 가공은 높은 에너지 밀도, 좁은 열 영향을 받은 영역, 그리고 거의 오염이 없다는 독특한 장점을 제공합니다. 이러한 이유로 레이저 공정은 특히 최대 정밀도와 높은 맞춤형이 요구되는 다양한 분야에서 사용됩니다. 하지만 자체적인 복잡성과 기술적 과제도 존재합니다. 

“레이저 기반 공정을 유연하게 사용하고 일관된 결과를 얻기 위해, 우리는 이러한 공정을 더 잘 이해하고, 모니터링하며, 제어하는 작업을 진행하고 있습니다.”

– 엘리아 이셀리, Empa 고급 재료 가공 연구소 연구팀장

이 목표를 위해, Thun에 위치한 Empa의 연구원 Giulio Masinelli와 Chang Rajani는 머신러닝을 활용하여 레이저 기반 제조 기술을 보다 접근 가능하고 저렴하며 효율적으로 만들고 있습니다.

레이저 파우더 베드 퓨전(PBF-LB)의 장점과 과제 이해

레이저 기반 금속 가공의 넓은 분야에서 파우더 베드 퓨전은 인기 있는 기술로, 레이저를 사용해 금속 파우더의 얇은 층을 정확한 위치에서 녹이고 모두 용접하여 최종 부품을 생산합니다.

레이저 빔을 이용한 파우더 베드 퓨전(PBF-LB)은 최근 몇 년간 큰 주목을 받고 있는 특수 기술입니다. 이 대표적인 적층 제조 기술에서는 매우 높은 출력의 레이저를 사용해 금속 파우더를 층별로 녹여 맞춤형이며 고정밀 부품을 제작합니다. 

이 기술은 복잡한 형상을 생산하면서 맞춤형 기능을 제공하고 재료 효율성을 보장합니다. 

이러한 특성은 자동차, 의료, 항공우주, 소비재 등 경량화와 복잡한 부품, 맞춤형 설계, 정밀도, 중량 감소 및 빠른 프로토타이핑이 필요한 산업에 PBF-LB가 특히 유리하게 작용합니다. 

다재다능하고 효율적이지만, 이 기술은 보다 넓은 채택과 최적화에 도달하는 데 여러 장애물에 직면해 있습니다.

여기에는 사용되는 금속 파우더에 대한 최적의 가공 프레임워크를 식별하는 데 어려움이 포함됩니다.

“같은 시작 파우더라도 새로운 배치에서는 완전히 다른 설정이 필요할 수 있습니다.”

– Masinelli

이 기술에 필요한 높은 에너지 입력은 금속 용융 시 복잡한 물리 메커니즘을 초래하여 부품 품질에 부정적인 영향을 미칩니다. 이러한 메커니즘에는 재료 특성의 불일치, 대기 가스의 영향, 레이저와 증기 플룸 간의 상호작용 등이 포함됩니다. 이 모든 현상은 파라미터 식별에 문제를 일으킵니다.

이는 주로 두 가지 모드 때문입니다. 하나는 전도 모드로, 금속이 단순히 녹는 경우이며 얇고 정밀한 부품에 적합합니다. 다른 옵션은 키홀 모드로, 경우에 따라 금속이 기화될 수 있습니다. 이는 더 빠르지만 정밀도가 낮아 두꺼운 부품에 적합합니다.

하지만 이 두 모드 사이의 경계는 다양한 파라미터에 따라 달라지며, 최종 제품의 최상의 품질을 달성하려면 재료에 따라 달라지는 적절한 설정이 필요합니다. 

재료와 레이저 사이의 복잡한 상호작용은 프로세스를 매우 작은 변동에도 민감하게 만들며, 이는 생산 문제로 이어질 수 있어 기술과 자원이 많이 소모됩니다. 결과적으로 PBF-LB는 일관된 결과를 얻기 위해 파라미터를 세밀하게 조정해야 합니다.

여기서 끝나는 것이 아니라, 이 단계에서 생산된 샘플은 미세구조 분석, 밀도 측정, X-선 컴퓨터 단층 촬영(CT) 등 다양한 기법으로 분석됩니다. 

이러한 방법은 내부 구조에 대한 상세 정보를 제공하고 결함을 찾아내며, 이는 PBF-LB 부품의 품질 및 성능 평가에 필수적이지만, 전문 장비와 전문가 지식이 필요하고 비용과 시간이 많이 듭니다.

“그래서 많은 기업이 처음부터 PBF를 감당할 수 없는 것입니다.”

– Masinelli

이 모든 문제를 해결하기 위해 Empa 연구진은 머신러닝을 활용해 레이저 공정을 보다 효율적이고 비용 효율적이며 정밀하게 만들었습니다.

클릭하여 적층 제조가 산업을 어떻게 재편하고 있는지 알아보세요.

금속 3D 프린팅에서 실시간 제어를 위한 AI 활용

샘플 분석을 위해 연구자들은 음향 방출(AE), 고속 열 영상, 광학 센서와 같은 센서를 이용한 실시간 모니터링 방법을 도입했습니다.

실시간 모니터링은 제조 과정 중 발생하는 바람직하지 않은 사건을 감지할 수 있기 때문에 선택되었습니다. 이를 통해 즉각적인 조정이 가능해져 결함을 제거하고 재용융함으로써 자원을 절약할 수 있습니다. 

이러한 실시간 모니터링 기술은 일반적으로 머신러닝(ML) 알고리즘을 기반으로 합니다.

인공지능의 한 분야인 머신러닝은 데이터로부터 학습하는 통계 알고리즘 개발을 다룹니다. 이러한 알고리즘은 고차원 데이터에서 의미 있는 패턴을 추출하고, 금속 가공의 경우 부품 품질을 예측하는 데 사용되며, 복잡한 물리 모델을 명시적으로 프로그래밍할 필요가 없습니다.

하지만 이러한 AI 접근법에도 한계가 있습니다. 과제에는 모델이 공정 파라미터의 변화를 감지하도록 학습하지만, 실제 공정 영역이나 결함 형성을 감지하지 못하는 경우가 포함됩니다.

시간이 지남에 따라 기계 파라미터가 자연스럽게 변동하는 것도 모델의 일반화에 장벽이 되어 실제 제조 환경에서 AI 모델의 적용성을 제한합니다. 또한 자동화와 관련된 문제는 특수 장비가 필요하고, 다수의 파라미터를 탐색해야 하며, 이는 도전적이고 자원 집약적입니다.

따라서 다중 공정 변수를 고려하여 최적 조건을 식별하고 기본 용융 영역을 이해할 수 있는 알고리즘이 필요합니다.

이러한 필요는 Empa 연구진이 라벨링된 데이터나 광범위한 사후 처리 없이 용융 영역을 식별하는 데 초점을 맞춘 광학 데이터의 비지도 수집 방법을 제안함으로써 해결하고 있습니다.

PBF-LB 파라미터 최적화를 위한 비지도 학습 구현

Empa 연구진이 개발한 새로운 비지도 기법은 용융 영역에 가장 큰 영향을 미치는 두 가지 주요 파라미터인 레이저 출력과 스캔 속도에 초점을 맞춥니다.

이 연구¹는 이 두 파라미터에 초점을 맞추었지만, 이 기법은 추가적인 공정 파라미터에도 적용될 수 있습니다. 앞으로 연구진은 가스 흐름량, 해치 간격, 층 두께를 알고리즘에 포함시켜 PBF-LB 파라미터 공간을 보다 포괄적으로 탐색할 계획입니다.

현재 제안된 방법은 전도 모드와 키홀 모드 사이의 전이를 정확히 지적합니다.

비지도 접근법은 라벨링된 데이터에 의존하지 않고 가공 맵을 추출할 수 있는 기반을 제공하며, 이는 라벨링 데이터 확보가 비용이 많이 들고 어려운 PBF-LB에서 큰 장점이 됩니다.

이 연구는 실제로 이 기반 위에 구축되어, 능동 학습(가장 정보가 풍부한 데이터 포인트 선택)과 베이지안 최적화(확률 모델을 활용한 반복 샘플링 전략)를 결합한 독창적인 방법을 도입해 가공 맵을 효율적으로 도출합니다.

이 접근법의 차별점은 데이터 없이 시작해 새로운 실험을 수행할 위치를 결정함으로써 데이터셋을 점진적으로 구축한다는 점이며, 이를 통해 실험 과정을 최적화합니다.

특히, 반복적인 정제 과정을 사용함에도 모델은 전 과정에서 비지도 상태를 유지하며, 라벨링된 데이터가 필요 없습니다. 용융 영역을 식별하기 위해 알고리즘은 광학 데이터에서 추출한 특징에 의존하고, 그 결과를 가우시안 프로세스 분류기(GPC)를 학습시켜 맵의 확률적 추정을 제공합니다. 

반복적인 측면에서, 알고리즘은 예측에 높은 불확실성을 보이는 영역을 기반으로 새로운 실험 설정을 선택해 가공 맵의 추정 정확도를 향상시킵니다.

기본적으로, 알고리즘은 광학 센서에서 얻은 데이터를 사용해 테스트 중 레이저가 어느 용접 모드에 있는지를 감지하도록 학습됩니다. 이를 바탕으로 다음 테스트의 파라미터를 설정합니다.

“우리 알고리즘이 비전문가도 PBF 장치를 사용할 수 있게 하길 바랍니다,” 라고 Masinelli가 말했습니다. 이는 제조업체가 레이저 용접 기계의 펌웨어에 통합하기만 하면 됩니다.

PBF-LB 적용에서 AI 모델의 효과 평가

연구진이 제시한 새로운 알고리즘은 광범위한 파라미터 튜닝이 필요 없도록 함으로써 PBF-LB의 광범위한 채택을 제한하던 문제를 해결하고, 포토다이오드 데이터를 사용해 용융 영역을 독립적으로 식별합니다.

실험실에서 테스트한 결과, 이 방법은 두 가지 재료에 대해 89.2%의 F1 점수를 달성하며 높은 정확도를 보였습니다. 성능 평가를 위해 연구진은 두 재료로 여러 부품을 출력했습니다. 

첫 번째는 Ti-6Al-4V로, 가장 일반적으로 사용되는 (알파-베타) 티타늄 합금 중 하나이며 뛰어난 내식성과 높은 비강도를 가지고 있습니다. 다른 하나는 316L 스테인리스강으로, 저탄소 버전의 316 스테인리스이며 식품 가공, 제약 장비, 의료 기기, 보석, 고급 시계, 폐수 처리 및 화학 산업에 널리 사용됩니다.

특히, 팀은 용융 풀 검사를 수행해 알고리즘의 예측을 검증했습니다. 

평가 결과, 이 접근법은 두 금속 모두에서 실험 시도를 67% 감소시키면서도 견고한 성능을 유지했습니다. 이는 파라미터 탐색 비용을 크게 낮출 수 있습니다. 동시에 전통적인 완전 요인 실험 설계에 비해 F1 점수가 최대 8.88% 감소하는 정도였습니다.

The study stated:

“이 결과는 고급 제조 공정의 자율 가공 맵 도출 맥락에서 우리 방법의 효율성을 강조합니다.” 

연구진은 여기서 소개된 방법이 PBF-LB의 효율성과 신뢰성을 크게 향상시켜 다양한 분야에서의 채택을 촉진할 수 있다고 믿습니다.

“우리 결과는 이 방법이 PBF-LB 최적화를 간소화하여 산업 적용을 보다 실현 가능하게 만들고, 더 넓은 채택을 위한 길을 열 수 있음을 보여줍니다.” 

AI와 FPGA 통합을 통한 레이저 용접 공정 향상

예비 실험을 최적화하는 것 외에도, 연구진은 다른 프로젝트에서 용접 공정을 개선했습니다. 

레이저 용접은 이상적인 설정이라도 예측할 수 없는 편차가 발생할 수 있으며, 작은 편차라도 제품에 심각한 결함을 초래할 수 있습니다.

“현재 실시간으로 용접 공정을 제어하는 것은 불가능합니다,” 라고 연구원 Rajani가 말했습니다. “이는 인간 전문가의 역량을 넘어섭니다.”

– 연구원 Rajani

실제로 컴퓨터조차도 데이터를 검토하고 결정을 내려야 하는 속도를 따라잡기 어렵습니다. 연구진은 여기서 특수한 종류의 컴퓨터 칩을 사용했습니다.

이 칩은 필드 프로그래머블 게이트 어레이(FPGA)라고 하며, 고성능 컴퓨팅(HPC) 및 프로토타이핑을 위해 설계되었습니다. 제조업체에서 출시된 후에도 프로그래밍이 가능해 하드웨어를 물리적으로 변경하지 않고도 다양한 사용 사례에 맞게 조정할 수 있습니다. 이러한 다재다능함과 높은 성능은 항공우주, 자동차, 통신 산업에서 크게 가치가 있습니다.

“FPGA를 사용하면 명령이 언제 실행되고 실행에 얼마나 걸리는지를 정확히 알 수 있습니다 – 이는 일반 PC에서는 불가능합니다.” 

연구진은 FPGA를 PC에 연결해 ‘백업 뇌’ 역할을 하도록 했습니다. 칩이 레이저 파라미터를 관찰하고 제어하면, 이 데이터는 PC의 알고리즘 학습에도 활용됩니다.

“PC의 가상 환경에서 알고리즘 성능에 만족한다면, 이를 FPGA에 ‘전송’해 칩을 한 번에 더 지능적으로 만들 수 있습니다.”

– Masinelli

연구진은 머신러닝과 AI가 레이저 기반 금속 가공에 크게 기여할 잠재력이 있다고 믿으며, 앞으로도 다른 연구 그룹 및 산업 파트너와 협력해 알고리즘과 모델을 지속적으로 개발하고 적용 분야를 확대할 계획입니다.

3D 프린팅 기술 투자 기회 탐색

현재 금속 적층 설계 및 제조 분야의 핵심 기업은 Colibrium Additive이며, 이는 General Electric Company (GE.TO ) (GE )의 일부로, 현재 GE Aerospace로 사업명을 변경했습니다. 

이전에는 GE Additive로 알려졌으며, 지난 여름 Colibrium Additive로 재출시되었고, 리브랜딩 과정에서 Concept Laser와 Arcam EBM이 퇴출되었습니다.

“이름을 바꾸는 동안에도 우리는 고객, 품질, 신뢰성에 대한 변함없는 집중을 유지합니다. 우리는 앞으로도 적층 제조 산업을 선도하고 긍정적으로 혁신할 것입니다.”

– CEO Alexander Schmitz

General Electric (GE )

Colibrium Additive가 제공하는 3D 프린터는 전자빔 파우더 베드 퓨전(EB-PBF) 프린터, 레이저 파우더 베드 퓨전(L-PBF) 프린터, 그리고 바인더 젯 프린터를 포함합니다. 

회사의 시장 실적은 최근 몇 년간 크게 성장하고 있습니다. 

시가총액이 2600억 달러를 넘어선 GE 주식은 현재 약 244달러에 거래되고 있으며, 올해 46% 상승했습니다. 주가는 2000년에 기록된 약 290달러 정점에 가까워지고 있습니다. EPS(TTM)는 6.35이며, P/E(TTM)는 38.46, 주주에게 제공되는 배당 수익률은 0.59%입니다.

한편, 회사 재무는 2025년 1분기에 강력한 모습을 보였으며, 총 매출은 99억 달러로 11% 증가했고, 총 주문액은 12.3억 달러로 12% 상승했습니다.

2025년의 강력한 시작은 상업 서비스에 의해 주도되었으며, CEO H. Lawrence Culp, Jr.는 비용 통제와 이용 가능한 무역 프로그램 활용과 같은 전략적 조치를 강조했습니다.

2025년 1분기에 영업 이익은 38% 상승해 21억 달러에 이르렀으며, 조정 EPS는 60% 증가해 1.49달러가 되었습니다. 이 기간 동안 GE는 보고했습니다 영업 활동으로부터 15억 달러의 현금을 확보했으며(GAAP), 자유 현금 흐름은 14% 증가해 14억 달러가 되었습니다. 또한 상업 서비스의 주문 잔액이 1400억 달러를 넘어섰다고 보고했습니다.

이 모든 상황 속에서 Propulsion & Additive Technologies는 1%만 성장했으며, 회사는 가격과 물량이 장비 판매의 계획된 부진을 상쇄했다고 밝혔습니다.

올해 연례 보고서에서 GE는 “기술 채택 속도 감소로 인한 적층 제조 산업의 하락”을 언급했지만, 동시에 Colibrium Additive를 “GE Aerospace에서 현재와 미래 기술에 핵심적인 사업으로, 가장 큰 가치를 창출할 수 있는 분야에 집중하고 있다”고 밝혔습니다.

최신 General Electric (GE) 주식 뉴스 및 동향

결론

AI가 계속 발전하고 산업을 변화시키면서, 프로세스 최적화를 가속화하고 실시간 적응성을 가능하게 함으로써 현대 제조의 가능성을 재정의하고 있습니다. 

파라미터 튜닝 및 결함 감지에 소요되는 시간과 비용을 크게 줄이고 레이저 용접에서 실시간 제어를 달성함으로써, 레이저 기반 적층 제조는 보다 넓은 채택을 앞두고 있으며, 효율적이고 접근 가능하며 맞춤형 생산의 새로운 시대를 열어가고 있습니다.

클릭하여 상위 3D 프린팅 주식 목록을 확인하세요.

참고 연구:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonomous exploration of the PBF-LB parameter space: An uncertainty-driven algorithm for automated processing map generation. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}