최근 IoT·AI 기술이 발전·보급됨에 따라 절삭가공 중인 공구 상태를 실시간으로 감시해 이상 검지나 공구의 수명 예측․판정을 할 수 있는 기술에 대한 관심이 높아지고 있다.

 

한편 아직도 많은 절삭가공 현장에서는 다음과 같은 문제가 코스트 개선의 장벽이 되고 있다. 예를 들어 ‘기술자의 노하우에 의존한 공구 수명 판정’이나 ‘가공 수나 가공 거리와 같은 일률적인 공구 수명 설정’이다. 전자는 소리나 절삭칩 형상 등 기술자의 경험에 의존하는 정성적인 기준으로 수명을 판정하고 있기 때문에 기술 전승의 문제나 인력절감화·자동화의 폐해가 되고 있다. 후자는 공구마다 수명 편차가 있기 때문에 공구 수명에 달하지 않아도 교체하는 경우가 많아 공구 코스트 절감의 폐해가 되고 있다. 이와 같은 배경에서 ‘절삭가공 중인 공구 상태의 가시화’나 ‘경험․노하우의 디지털화’ 등에 대한 요구가 많아지고 있다.

 

이 글에서는 이러한 요구에 대응하기 위해 절삭가공 중인 공구 상태 실시간 감시의 기반 기술로서 밀링 가공 중에 취득한 가속도 데이터를 AI(기계학습)에 의해 해석하고, 공구 상태를 추정하는 방법에 대해 소개한다.

 

공구 상태 추정의 흐름

 

우선 이 글에서 소개하는 공구 상태 추정의 흐름을 소개한다. STEP 1으로서 센싱에 의해 가공 중의 가속도 데이터를 수집한다. 그리고 가공 후의 공구 상태 데이터(공구 마모량)를 수집한다. STEP 2로서 수집한 데이터에 전처리(데이터 세트의 작성, 가속도 데이터의 화상화 등)를 실시한다. STEP 3으로 AI(기계학습)를 이용해 전처리한 데이터의 해석(학습이나 검증)을 실시한다. 그리고 STEP 4로서 공구 상태(마모량이나 이상도 등)의 정량값을 출력한다.

 

가공 방법 (밀링 가공)

 

검증한 절삭가공 환경을 그림 1에 나타냈다. 가공기는 수직형 5축가공기(DMG모리세이키제 : DMU 65monoBLOCK)를 사용했다. 피삭재는 가공기의 테이블에 바이스로 고정해 가공을 실시했다. 가공은 X방향으로 다운컷 100mm 가공하는 경로를 1패스로 했다. 또한, 3축의 가속도 센서(PCB제 : 356B21)를 주축 상부에 고정, FFT 애널라이저(OROS제 : OR36)를 사용해 가공 중의 가속도를 계측했다. 가속도는 3성분(X, Y, Z)을 1패스로 샘플링레이트 8,192Hz로 계측했다.

 

 

다음으로 가공 조건을 표 1에 나타냈다. 피삭재는 SUS630의 시효처리재를 이용했다. 공구는 스미토모전공 하드메탈제 밀링커터와 인서트를 사용했다. 밀링커터는 Ø32mm로 3개의 날이 있는데, 그중 1개의 날에만 인서트를 장착해 가공을 했다. 또한, 1패스마다 실체 현미경(OLYMPUS제 : SZX10)으로 공구의 날끝를 촬영해 전용 소프트웨어(OLYMPUS Stream)로 릴리프면 마모량을 정량화했다. 이 릴리프면 마모량이 300μm 이상이 된 경우를 공구 수명으로 하고, 11개 절삭날분의 인서트를 사용해 합계 91패스 가공을 실시했다.

 

취득 데이터

 

밀링 가공 시의 취득 데이터에 대해서 소개한다. 우선 촬영한 공구 날끝 사진의 예를 그림 2에 나타냈다. 촬영은 절삭날의 릴리프면과 레이크면의 2시야를 촬영했다. 가공 거리(100mm×패스 수)가 증가함에 따라 릴리프면 마모, 레이크면 마모가 모두 진행되고 있는 모습을 알 수 있다. 그리고 최종적으로는 큰 결손이 생겼다. 이 릴리프면 마모량을 그림 2와 같이 레이크면을 기준으로 정량화해 공구 마모 추정값에 대한 정답 라벨(공구 마모 실측값)로서 학습에 이용했다.

 

다음으로 밀링 가공 중의 가속도 데이터의 예를 그림 3에 나타냈다. 가속도 데이터는 가공 거리의 증가와 함께 각 성분의 파형이 변화되어 가는 모습을 볼 수 있었다(단순히 전체의 진폭이 커지는 변화는 아니다). 취득한 이들 가속도 데이터를 기초로 여러 가지 전처리를 실시, 학습 입력 데이터로서 공구 상태의 추정에 이용했다.

 

 

 

여기까지의 취득 데이터로부터 공구 상태에 대해 간단히 정리한다. 우선 가공 거리와 공구 마모 실측값의 관계를 그림 4에 나타냈다. 그림 4와 같이 가공 거리와 공구 마모 실측값에 어느 정도의 상관은 볼 수 있지만, 공구 마모에는 편차가 있기 때문에 가공 거리만으로는 공구 상태의 추정은 곤란하다는 것을 알 수 있다. 또한, 가속도 데이터도 단순히 진폭이 커지는 변화는 아니기 때문에 가속도 데이터로부터 공구 상태를 추정하는 것은 쉽지 않다는 것을 알 수 있다.

 

해석 기법

 

이 해석에서 이용한 각종 해석 기법에 대해서 소개한다. 취득한 데이터는 범용성을 갖게 하기 위해 70%를 학습(Train)용, 나머지 30%를 검증(Test)용으로 랜덤으로 분할해 사용했다. 또한, 공구 상태를 실시간 감시하는 데 있어 해석 시간은 중요한 지표 중 하나인데, 이 해석에서는 공구 상태 표현의 가부 판단을 주목적으로 하기 때문에 충분히 검토할 수 없는 점은 양해해 주기 바란다.

 

1. 분석 (Principal Component Analysis : PCA)

주성분 분석은 많은 변수를 보다 적은 변수로 전환해 요약함으로써 데이터를 이해하기 쉽게 하는 다변량 해석의 일종이다.

 

 

주성분 분석의 이미지를 그림 5에 나타냈다. 그림 5와 같이 평면으로 나타내기 위해 데이터가 2차원(2변량)인 경우, 분산이 최대가 되는 축을 제1 주성분 축, 제1 주성분 축과 직교 또는 분산이 최대가 되는 축을 제2 주성분 축으로 하고 각 주성분 축 상에서 취하는 값 y1, y2를 주성분 득점으로서 출력한다.

 

이 해석에서는 전처리로 가속도 데이터의 각 성분을 고속 푸리에 변환(Fast Fourier Transform : FFT)한 것을 입력 데이터로 해 주성분 분석을 하고 주성분 득점을 출력했다. 이 가운데서 가장 상관이 높은 결과가 얻어진 가속도 Y 성분의 제3 주성분 득점과 공구 마모 실측값의 관계를 그림 6에 나타냈다.

 

그림 6으로부터 주성분 득점과 공구 마모 실측값에 어느 정도의 상관을 볼 수 있기 때문에 가속도 데이터에는 공구 상태에 관한 정보가 포함되어 있다는 것이 분명해졌다. 그러나 주성분 득점이 200 이상인 영역에서는 편차도 크고 어긋난 값도 존재하기 때문에 주성분 득점으로부터 공구 수명 판정의 한계값을 설정하는 것은 어렵다고 생각된다.

 

2. k 최근접이웃법 (k Nearest Neighbor : kNN)

k 최근접이웃법은 주로 분류에 사용되는 기법 중 하나로, 그림 7과 같이 주어진 학습 데이터를 벡터 공간상에 플롯해 검증 데이터가 얻어졌을 때에 거리가 가까운 순으로 임의의 k개를 취득, 데이터가 속하는 클래스를 다수결로 추정하는 기법이다. 이상 검지의 경우는 검증 데이터와 정상 데이터의 거리를 이상도로 함으로써 거리가 가까우면 정상, 그렇지 않으면 이상으로 판정한다.

 

 

이 해석에서는 정상 데이터를 ‘11개 절삭날분의 1패스째 가속도 데이터’로 하고, 검증 데이터를 ‘각 절삭날의 공구 수명 직전의 3패스분의 가속도 데이터’로 해서 해석을 했다. 또한, 출력(이상도)은 각 가속도 성분의 최근접 거리(k＝1)의 제곱근으로 했다. 해석 결과를 그림 8에 나타냈다. 그림 8로부터 이상도와 공구 마모 실측값에는 높은 상관을 볼 수 있지만, 어긋난 값도 존재하고 있기 때문에 이 해석 결과로부터 공구 수명 판정의 한계값을 설정하는 것은 어렵다고 생각된다.

 

3. 오토 엔코더 (자기부호화기 Auto Encoder : AE)

오토 엔코더란 그림 9와 같은 뉴럴 네트워크의 하나로, 입력된 데이터를 한번 압축해 중요한 특징량만을 남긴 후, 다시 원래의 차원으로 복원 처리를 하는 것이다. 이와 같이 작은 차원으로 떨어뜨리는 차원 삭감이나 특징 추출에 주로 이용되는 기법이다. 이상 검지의 경우는 그림 9와 같이 정상 데이터를 학습시킴으로써 정상 데이터를 복원하는 특징량을 획득하기 때문에 이상 데이터를 입력하면 복원 오차가 커지는 것을 이용해 이상 판정을 한다.

 

이 해석에서는 전처리로서 그림 10과 같이 각 성분의 가속도 데이터 가공 시작점을 기준으로 왼쪽 위에서부터 화소에 대응시켜 화상화하고, 계산 부하 억제를 위해 일부를 잘라내 학습 데이터로 했다.

 

 

학습 결과를 그림 11, 12에 나타냈다. 그림 11은 모델 성능을 간이 평가할 수 있는 학습 곡선을 나타내고 있으며, 가로축을 에폭 수(전체 데이터에 대한 학습의 반복 횟수)로 하고 세로축을 복원 오차로 하고 있다. 그림 11로부터 정상 데이터보다 이상 데이터의 복원 오차가 항상 크기 때문에 이상 판정에 적용할 수 있는 가능성이 있다.

 

 

그림 12는 공구 마모 실측값과 복원 오차의 관계를 나타내고 있다. 그림 12로부터 복원 오차와 공구 마모 실측값에는 높은 상관을 볼 수 있지만, 복원 오차가 5정도라도 공구 마모 실측값이 300μm 이상인 데이터도 볼 수 있기 때문에 이 해석 결과로부터는 공구 수명 판정의 한계값을 설정하는 것은 어렵다고 생각된다.

 

4. ResNet (Residual Network)

ResNet이란 Kaiming He씨가 2015년에 고안한 뉴럴 네트워크의 모델이다. 그림 13과 같이 기존의 모델에서는 입력 x를 그대로 네트워크에 입력하고 학습(가중치의 갱신)을 해서 H(x)를 출력하고 있다.

 

 

한편, ResNet은 잔차 블록이라는 것으로 구성되어 있으며, 지름길(shortcut) 접속을 네트워크에 도입해 학습은 지름길 접속한 입력 x와 출력 H(x)와의 잔차 F(x)를 학습함으로써 하고 있다. 이와 같이 학습을 간단히 함으로써 ResNet은 그 이전 모델보다 더 깊은 모델을 구성할 수 있기 때문에 높은 정도를 발휘하고 있다.

 

이 해석에서는 전처리로 오토 엔코더와 마찬가지로 그림 10과 같이 각 성분의 가속도 데이터 가공 시작점을 기준으로 왼쪽 위에서부터 화소에 대응시켜 화상화했으며, 계산 부하 억제를 위해 일부를 잘라내고 또한 과학습 억제를 위해 노이즈를 부가해 학습 데이터로 했다.

 

ResNet에 의한 마모 추정의 흐름을 그림 14에 나타냈다. 그림 14와 같이 우선 전처리한 화상 데이터에 콘볼루션을 여러 번 실시한다. 이어서 잔차 블록으로 깊은 층까지 학습 가능하게 해 고정도의 특징 맵을 작성한다. 그 후 평활화 처리를 실시해 특징 맵을 일차원 배열로 한다.

 

그리고 전결합층에 의해 작성한 특징량을 모두 이용해 공구 마모 추정값을 출력한다. 학습 결과를 그림 15, 16에 나타냈다. 그림 15는 학습 곡선을 나타내고 있으며 가로축을 에폭 수, 세로축을 loss(추정값과 실측값의 평균 제곱 오차)로 하고 있다. 그림 15로부터 일부 loss가 커지는 경우도 있었지만, 학습 횟수 상한인 1,500회 시점에서는 10-3 오더에 수렴했다. 또한, 학습 데이터와 검증 데이터의 추이도 차이가 거의 없기 때문에 높은 성능을 발휘하면서 과학습을 회피할 수 있었다고 해석된다.

 

 

그림 16은 가속도 데이터로부터 공구 마모량을 추정한 결과를 나타내고 있다. 이 결과로부터 추정값과 실측값에는 상당히 높은 상관이 있고, 상관계수도 0.98이었다. 이 레벨의 마모 추정이 가능하면 공구 마모 추정값으로부터 공구 수명의 한계값을 설정하는 것도 가능해질 것으로 생각된다.

 

맺음말

 

이 글에서는 절삭가공 중인 공구 상태 실시간 감시의 기본 기술로서 밀링 가공 중에 취득한 가속도 데이터를 AI(기계학습)에 의해 해석하고, 공구 상태를 추정하는 방법에 대해 소개했다. 결과를 정리하면, 각 해석 기법에서 공구 마모 실측값과 출력 결과에는 어느 정도의 상관을 볼 수 있었다. 그중에서 가장 정도가 좋았던 출력 결과는 ResNet에 의한 마모량 추정으로, 가속도 데이터로부터 공구 상태를 추정할 수 있는 가능성을 얻을 수 있었다. 앞으로는 밀링 가공 이외의 가공 방법에 대한 검증이나 양산 데이터를 사용한 해석을 실시, 공구 상태 실시간 감시의 실현을 위해 개발을 추진해 갈 생각이다.