A memetic ant colony system algorithm for multiple machine scheduling in additive manufacturing with orientation selection of parts and energy costs ​

기계가 재료를 깎아 모양을 만드는 것이 아니라, 디지털 설계도로부터 층층이 쌓아 올려 부품을 만들어내는 공장 바닥을 상상해 보십시오. 이것은 적층 제조(additive manufacturing)로, 흔히 3D 프린팅이라 불리며 항공기 부품부터 의료용 임플란트에 이르기까지 우리가 만드는 모든 것의 제작 방식을 혁신했습니다. 이러한 기계들은 금형 없이도 복잡한 형상을 만들어낼 수 있기 때문에 놀라운 유연성을 제공합니다. 그러나 이 유연성에는 물류적인 난제가 따릅니다. 공장에 여러 대의 이러한 기계가 동시에 가동되고 있고, 서로 다른 부품들의 대량 주문을 처리해야 할 때, 관리자는 두 가지 어려운 결정을 동시에 내려야 합니다. 바로 어떤 부품들을 하나의 배치(batch)로 묶어 한꺼번에 출력할 것인지, 그리고 가능한 한 많은 부품을 배치 공간에 넣기 위해 각 부품을 기계 베드 위에서 어떻게 회전시켜 배치할 것인지입니다. 게다가 이 기계들은 에너지 소비가 매우 큽니다. 재료를 융합하는 레이저와 히터는 막대한 양의 전기를 소비하며, 이는 환경과 수익 측면 모두에서 운영 비용에 대한 주요 관심사가 됩니다.

수년 동안 연구자들은 이 스케줄링 문제를 해결하기 위해 노력해 왔으며, 주로 작업을 얼마나 빨리 끝낼 것인가에 초점을 맞추어 왔습니다. 그들은 부품을 배치에 어떻게 효율적으로 채우고 기계에 할당할지를 결정하기 위한 다양한 컴퓨터 프로그램을 개발했습니다. 그러나 여전히 상당한 연구 공백이 존재했습니다. 대부분의 연구는 하나의 부품이 종종 여러 가지 다른 방향으로 출력될 수 있으며, 각 방향에 따라 차지하는 공간과 소비되는 에너지가 달라진다는 사실을 간과했습니다. 또한, 에너지 비용이 상승하고 지속 가능성이 현대 산업의 핵심 목표가 됨에 따라 에너지를 절약하는 것을 시간 단축보다 우선시하는 연구도 거의 없었습니다.

스페인 세비야 대학교의 연구팀은 이제 두 가지 강력한 계산 전략을 결합한 새로운 접근 방식으로 이 복잡한 문제를 해결했습니다. 그들은 부품을 효율적으로 채우는 것과 인쇄에 필요한 에너지를 최소화하는 이중 과제를 처리하도록 설계된 정교한 알고리즘을 만들었습니다. 그들이 '메메틱 개미 군집 시스템(memetic ant colony system)'이라고 부르는 이 방식은 실제 개미 군집이 먹이를 찾는 최단 경로를 찾는 방식에서 영감을 얻었습니다. 자연에서 개미는 페로몬이라는 화학적 흔적을 남기는데, 더 많은 개미가 성공적인 경로를 통과할수록 그 향기가 강해져 다른 개미들이 그 길을 따르도록 안내합니다. 연구진은 이 행동을 컴퓨터 프로그램으로 변환하여, 가상의 '개미'들이 부품을 그룹화하고 방향을 설정하는 수백만 가지의 가능한 방법들을 탐색하게 했습니다. 프로그램이 실행되는 동안, 시스템은 어떤 부품 조합과 회전 방식이 최선의 결과를 가져오는지 학습하며, 성공적인 패턴은 강화하고 비효율적인 패턴은 버립니다.

이 시스템을 더욱 효과적으로 만들기 위해, 연구진은 두 번째 지능 계층을 추가했습니다. 가상의 개미들이 해결책을 제안하면, '국소 탐색(local search)' 절차가 개입하여 이를 미세 조정합니다. 이 단계는 마치 꼼꼼한 검사관처럼 작동하여, 단일 부품을 회전시키거나 두 부품을 배치 간에 교체하는 등의 작은 조정을 수행함으로써 에너지 비용을 더 낮출 수 있는지 확인합니다. 개미 군집 방식의 광범위한 탐색과 이 정밀한 국소적 개선을 결합함으로써, 알고리즘은 이러한 기계의 스케줄링에 수반되는 방대한 가능성을 탐색하면서도 최적이 아닌 해답(suboptimal solution)에 갇히지 않고 나아갈 수 있습니다.

연구팀은 기존 연구의 표준 테스트 케이스와 부품을 두 가지 또는 세 가지 다른 방향으로 출력할 수 있는 더 복잡한 시나리오를 포함하여 광범위한 시나리오를 통해 새 알고리즘을 테스트했습니다. 그들은 자신들의 결과를 기존 방식들의 최선 솔루션 및 완벽한 답을 찾아내지만 대규모 문제에는 너무 느려 실행하기 어려운 정밀 수학 모델과 비교했습니다. 결과는 놀라웠습니다. 생산 평균 비용을 최소화하도록 설계된 테스트에서, 새 알고리즘은 기존 방식들보다 더 나은 솔루션을 거의 절반의 경우에서 찾아냈으며, 나머지 경우에는 최선의 결과와 대등한 성능을 보였습니다. 작업을 최대한 빨리 끝내는 것이 목표였을 때도, 알고-리즘은 다시 한번 기존 방식들을 능가하며 많은 테스트 케이스에서 더 빠른 스케줄을 찾아냈습니다.

아마도 가장 중요한 발견은 에너지와 관련되었을 것입니다. 연구진이 알고리즘이 각 부품의 여러 방향을 선택할 수 있도록 허용했을 때, 에너지 절감 효과는 상당했습니다. 두 가지 대안적인 방향이 있을 때 평균 에너지 비용은 약 3.3% 감소했습니다. 세 가지 방향이 가능해지자 에너지 절감 폭은 거의 6%로 증가했습니다. 세 대의 기계를 사용하는 특정 사례에서는 그 감소 폭이 무려 9.5%에 달했습니다. 이러한 수치는 언뜻 작아 보일 수 있지만, 기계가 계속 돌아가는 산업 현장에서 이러한 감소는 전기 요금의 막대한 절감과 제조 과정의 탄소 발자국 감소로 직결됩니다.

이 연구는 또한 중요한 트레이드오프(trade-off)를 밝혀냈습니다. 스케줄링이 작업을 최대한 빨리 끝내는 데에만 집중될 경우, 에너지 비용은 에너지 절약을 위해 설계된 스케줄에 비해 평균 20% 이상 급증하는 경우가 많았습니다. 여섯 대의 기계가 가동되는 가장 극단적인 사례에서는 속도를 우선시할 때 발생하는 에너지 페널티가 36%에 달할 수 있었습니다. 이 결과는 단순히 더 빠르게 출력하려고 노력하는 것이 항상 가장 효율적인 전략은 아니라는 점을 시사합니다. 대신, 시간과 에너지를 모두 고려하고 부품의 회전 유연성을 활용하는 균형 잡힌 접근 방식이 훨씬 더 현명한 길을 제시합니다.

연구진은 표준 컴퓨터 프로세서에서 알고리즘을 실행하여 복잡한 계산을 몇 분 또는 몇 시간 내에 완료함으로써 자신들의 발견을 검증했습니다. 반면 정밀 수학 모델은 적절한 시간 내에 해결책을 찾는 데 자주 실패했습니다. 이는 새로운 방식이 효과적일 뿐만 아니라, 빠른 의사결정이 필요한 실제 공장에서도 실용적임을 보여줍니다. 부품의 대안적인 방향을 고려하는 것이 속도를 희생하지 않으면서도 에너지 비용을 크게 낮출 수 있음을 입증함으로써, 이 연구는 제조사들이 적층 생산 라인을 더욱 지속 가능하고 비용 효율적으로 만들고자 할 때 따를 수 있는 명확한 로드맵을 제공합니다. 연구는 이 기계들의 스케줄링 문제가 매우 복적으로 복잡할지라도, 지능적인 탐색과 국소적 개선의 올바른 결합이 이전에는 도달할 수 없었던 효율성을 끌어낼 수 있다고 결론짓습니다.