[논문]XGBoost를 활용한 EBM 3D 프린터의 결함 예측

정자훈

doi:10.6109/jkiice.2022.26.5.641

XGBoost를 활용한 EBM 3D 프린터의 결함 예측
Predicting defects of EBM-based additive manufacturing through XGBoost 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.5, 2022년, pp.641 - 648

정자훈 (Department of Mechanical and Systems Engineering, Korea Military Academy)

초록
AI-Helper

본 논문은 3D 프린터 출력 방식 중 하나인, 전자빔용해법(EBM)의 공정 간에 발생하는 결함에 영향을 미치는 요인들을 데이터 분석을 통해 규명하는 연구이다. 선행 연구들을 기반으로 결함발생에 주요한 원인으로 지목되는 요소들을 참고하였으며, 공정 간 발생하는 로그파일 분석을 통해 결함 발생과 연관된 변수들을 추출하였다. 또한, 해당 데이터가 시계열 데이터라는 점에 착안하여 window의 개념을 도입하여, 현재 공정 층으로부터 총 3개 전 층까지의 데이터를 포함하여 분석에 사용 될 변수들을 구성하였다. 해당 연구의 종속변수는 결함발생유무이기에 이진분류를 통한 분석을 하였으며, 이때 결함 층의 비율이 낮다는(약 4%) 문제로 인해 SMOTE 기법을 적용하여 균형잡힌 훈련용 데이터를 만들었다. 분석을 위해 Gridsearch CV를 활용한 XGBoost를 사용하였고, 분류 성능은 혼동행렬을 기반으로 평가하였다. 마지막으로, SHAP값을 통한 변수 중요도 분석을 통해 연구의 결론을 내렸다.

Abstract ▼ AI-Helper

This paper is a study to find out the factors affecting the defects that occur during the use of Electron Beam Melting (EBM), one of the 3D printer output methods, through data analysis. By referring to factors identified as major causes of defects in previous studies, log files occurring between processes were analyzed and related variables were extracted. In addition, focusing on the fact that the data is time series data, the concept of a window was introduced to compose variables including data from all three layers. The dependent variable is a binary classification problem with the presence or absence of defects, and due to the problem that the proportion of defect layers is low (about 4%), balanced training data were created through the SMOTE technique. For the analysis, I use XGBoost using Gridsearch CV, and evaluate the classification performance based on the confusion matrix. I conclude results of the stuy by analyzing the importance of variables through SHAP values.

주제어

표/그림 (14)

그림 Fig. 1 Demonstration of porosity prediction process using supervised machine learning[6]
그림 Fig. 2 The shape of this build for analysis
그림 Fig. 3 Class distribution of defective layers
표 Table. 1 Factors associated with defects
표 Table. 2 Variables for analysis
그림 Fig. 4 Boosting flow chart[8]
그림 Fig. 5 SMOTE
표 Table. 3 Two types of training data
표 Table. 4 Parameters for tuning (Gridsearch CV)
그림 Fig. 6 mean of absolute SHAP value
그림 Fig. 7 SHAP value
표 Table. 5 Best results from each training data
표 Table. 6 Confusion matrix
표 Table. 6 Impact of high values for defect occurrence

참고문헌 (9)

J. Patel, Data-Driven Modeling for Additive Manufacturing of Metals: Proceedings of a Workshop, Washington, DC: The National Academies Press, ch. 1, pp. 1-2, 2019.
S. K. Everton, M. Hirsch, P. Stravroulakis, R. K. Leach, and A. T. Clare, "Review of in-situ process monitoring and in-situ metrology for metal additive manufacturing," Metal and Design, vol. 95, pp. 431-445, Apr. 2016.
M. Montazeri, "Smart additive manufacturing: In-process sensing and data analytics for online defect detection in metal additive manufacturing processes," Ph. D. dissertation, University of Nebraska-Lincoln, Lincoln, MA, 2006.
Y. J. Liu, S. J. Li, H. L. Wang, W. T. Hou, Y. L. Hao, R. Yang, T. B. Secrombe, and L. C. Zhang, "Microstructure, defects and mechanical behavior of beta-type titanum porous structures manufactured by electron beam melting and selective laser melting," Acta Materialia, vol. 113, pp. 56-67, Jul. 2016.
O. Kwon, H. G. Kim, M. J. Ham, W. Kim, G. -H. Kim, J. -H. Cho, N. I. Kim, and K. Kim, "A deep neural network for classification of melt-pool images in metal additive manufacturing," Journal of Intelligent Manufacturing, vol. 31, pp. 375-386, Feb. 2020.

상세보기
M. Khanzadeh, W. Tian, A. Yadollahi, H. R. Doude, M. A. Tschopp, and L. Bian, "Dual Process Monitoring of Metal-Based Additive Manufacturing Using Tensor Decomposition of Thermal Image Streams," Additive Manufacturing, vol. 23, pp. 443-456, Oct. 2018.

상세보기
T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System," in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York: NY, pp. 785-794, 2016.
Y. Lee and J. Sun, "Predicting Highway Concrete Pavement Damage using XGBoost," Korean Jorunal of construction Engineering and Management, vol. 21, no. 6, pp. 46-55, Nov. 2020.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: Synthetic Minority Over-sampling Technique," Journal of Artificial Intelligence Research, vol. 16, no. 1, pp. 321-357, Feb. 2002.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증