서론: 다품종, 소규모 배치 시대의 스케줄링 딜레마
자동차, 항공우주, 의료기기 등 산업에서는 3D 프린팅 기술이 시제품 제작에서 대량생산으로 전환되고 있습니다. 그러나 중국 동부의 한 자동차 부품 공급업체는 전형적인 딜레마에 직면해 있습니다. 산업용 등급 SLM 금속 프린터(EOS M290, SLM 280 및 기타 모델 포함) 12대를 보유하고 있으며 월 평균 주문량이 2022년 450개에서 2023년 1,200개로 증가했습니다. 그러나 전체 장비 활용률(OEE)은 58%에 불과하고 정시 주문 배송률은 약 72%에 머물고 있습니다. 핵심 모순은 주문이 다양한 종류(평균 월 SKU가 80+에 도달), 소규모 배치(평균 배치 크기는 3~5개), 큰 공정 차이(티타늄 합금, 알루미늄 합금, 스테인레스 스틸 및 기타 재료, 인쇄 시간 범위가 4~36시간)라는 특징을 갖는다는 것입니다. 기존의 수동 일정 관리는 Excel 테이블과 경험적 판단에 의존합니다. 파견자는 장비, 자재 및 후처리 프로세스를 조정하는 데 하루 3~4시간을 소비합니다. 긴급 주문은 종종 원래 계획을 방해하여 장비가 비어 있고 주문이 적체되는 결과를 낳습니다. 이 장면은 3D 프린팅 생산 일정의 체계적인 과제를 반영합니다. 즉, 프로세스 제약, 장비 능력 및 배송 적시성의 다양한 조건에서 생산 리소스의 최적 할당을 달성하는 방법은 무엇입니까?1. 스케줄링 최적화의 핵심 병목 현상 및 기술적 분석
1. 인쇄 시간 예측의 불확실성
3D 프린팅 시간은 부품의 기하학적 복잡성, 충전 밀도, 층 두께 설정, 지지 구조, 재료 특성 등 여러 요소의 영향을 받습니다. SLM 프로세스를 예로 들면, 레이저 출력 280W, 스캔 속도 1200mm/s, 층 두께 30μm의 표준 매개변수에서 동일한 부피의 부품에 대한 프린팅 시간 차이는 다양한 기하학적 형태로 인해 300% 이상에 도달할 수 있습니다. 기존 방법은 부피×재료 계수의 선형 모델을 사용하며 예측 오차는 ±35%에 이릅니다. 한 회사의 실제 측정 데이터에 따르면 부피 120cm3의 티타늄 합금 임펠러의 경우 실제 인쇄 시간은 22.4시간인 반면 예측 값은 15.2시간에 불과하며 오차는 -32%입니다. 이러한 불확실성으로 인해 일정 계획이 자주 실패하게 됩니다. 해결책은 머신러닝 예측 모델을 도입하는 것입니다. 과거 주문 데이터(슬라이스 파일 매개변수, 실제 인쇄 시간, 장치 모델 등 포함)를 기반으로 기능 프로젝트를 구축합니다. - 기하학적 특성: 표면적/부피 비율, 돌출 각도 분포, 최소 벽 두께 - 공정 특성: 층 두께, 충진 밀도, 스캐닝 전략(체커보드/스트립 유형), 지원 부피 비율 - 재료 특성 : 융점, 열전도도, 분말 입도 분포 XGBoost 회귀 모델을 사용하여 회사는 예측 오류를 ±12%로 줄였습니다. 모델은 300개 이상의 기능 차원을 입력하고 훈련 세트에는 8000개 이상의 과거 인쇄 기록이 포함되어 있습니다. 동시에 동적 수정 메커니즘이 확립됩니다. 즉, 주문이 완료될 때마다 실제 데이터가 모델로 반환되어 지속적인 최적화를 달성합니다.2. 다중 기기 이기종 제약사항
상당히 다양한 기능을 갖춘 산업용 등급 3D 프린팅 장비의 다양한 모델이 있습니다. 특정 기업의 장비 목록을 예로 들어 보겠습니다. - EOS M290 (400W 레이저, 250×250×325mm 성형 챔버): 중소형 정밀 부품에 적합, 티타늄 합금 인쇄 정확도 ±0.05mm - SLM 280(듀얼 레이저 500W, 280×280×365mm): 대형 구조 부품에 적합, 알루미늄 합금 인쇄에 고효율 - GE Arcam EBM Q20plus(전자빔, Φ350×380mm):