1. 서 론

IOT기술과 인공지능기술의 발전이 제조현장의 스마트 화를 촉진하고 있는데 금형가공분야에서도 스마트팩토 리 구축이 활발하다. 고품질, 원가절감, 단납기에 대응하 기 위해서 작업공정상 문제해결에 생산설비 데이터를 적 극 활용하고 있고, 공작기계에 적용되는 시스템은 최적 의 가공환경을 찾아내기 위한 설비모니터링과 데이터분 석이 필수적이다.

기존의 공구마모, 표면거칠기에 대한 연구와 기계학습 기법을 이용한 예측에 대한 연구들을 살펴보면 다음과 같다.

신경회로망을 이용한 원격모니터링을 위한 가공공정 의 공구마모와 표면조도에 관한 연구[4]는 생산 가공 시 스템에서 공구의 마모로 인한 소재의 파손이나 가공 정 밀도, 표면조도 정도가 생산품의 품질과 생산성에 직접 적인 영향을 미치므로 실시간 공구 상태 감시는 중요하 게 인식되고 자동화의 관점에서 적절한 공구교체시점을 예측하기 위해 실시간 모니터링에 의한 공구상태 감시에 서 공작물의 표면조도를 측정하여 모니터링 결과를 검증 하였다.

기계학습 기법을 이용한 CNC 공구 마모도 예측에 관 한 연구[6]는 CNC머신에서 발생하는 데이터를 중심으로 머신러닝 기법을 활용하여 설비가동조건이 공구 마모에 미치는 영향 분석에서 X축, Y축, Z축의 회전력, 축력, 이 송속도, 전력, 전압 등의 48가지 특성을 사용하여 분석을 시도하고 공구 마모도를 예측하였다.

표면거칠기는 가공의 품질을 판단하는 기준으로 표면 거칠기 예측 모델 도출은 다양한 방법으로 시도되었으며 회귀분석 , 실험계획법 , 그리고 밀링가공 표면거칠기 예 측을 위해 인공신경망을 적용한 연구[2] 등과 같이 여러 종류의 공작물, 공작기계, 공구, 가공조건을 적용하여 진 행되고 있다.

또한 이미지기술에 사용되는 렌즈 Mold와 같은 초정 밀 가공공정은 가공조건에 따른 표면조도 예측을 위한 알고리즘 개발연구를 진행하였다[3].

금형재료는 제품 성형시 반복되는 고온, 고압작용으로 충분한 강도와 인성, 내마모성, 내식성, 내열성이 중요하 다. 이러한 이유로 금형재료는 대체적으로 경도가 높지 만 기계가공성은 우수해야 하며 표면가공성도 제품자체 의 품질에 영향을 주기 때문에 주로 머시닝센터로 가공 을 진행하고 후공정으로 방전가공이나 연마가공이 이루 어진다.

고속가공기를 사용하면 절삭조건과 절입량을 최적화 하여 가공부하에 따른 절삭흔적을 감소시킬 수 있어 표 면조도를 향상시키므로, 고품위 무연마 가공제품 완성으 로 절삭가공 이후 공정의 작업공수를 줄일 수 있다[11].

Vapnik[1]이 제안한 SVM(Support Vector Machinhe)은 분류에 많이 사용되는 머신러닝기법인데, 회귀를 적용한 SVR(Support Vector Regression)은 커널(Kernel)이라는 개념을 이용하여 선형 및 비선형 예측에도 널리 사용되 고 있다.

SVR은 중국주식시장에서의 수익최대화를 위한 포트폴 리오 구성[8], 리튬이온 배터리의 잔여수명 예측[7] 등 다양 한 분야에 사용되어 왔다. Lee & Choi[5]는 실제값과 예측값 의 오차에 대한 벌점이 비대칭적인 경우에 사용할 수 있는 GSVQR(Generalized Support Vector Quantile Regression Model)을 제안하였다.

기존의 연구들은 실시간으로 공구마모량을 예측하기 위해 데이터마이닝기법을 적용하거나, 실시간이 아니라 절삭조건으로 가공 후의 제품 표면거칠기를 예측하거나, 진동값으로 공구마모상태를 예측하고 공구마모로 인해 표면거칠기가 악화되기 전에 적절한 공구교체시기를 결 정하는 것에 대한 연구들이었다.

본 연구에서는 금형특수강 재료로 많이 사용되는 SKD11 의 절삭가공에서 실험을 통해 가속도, 전류값 데이터를 확 보하고 이때의 공구마모량과 제품표면거칠기를 측정하였 다. 확보한 데이터를 이용하여 실시간으로 제품표면거칠기 를 예측할 수 있도록 SVR 기법을 적용하고자 한다. 또한, 공구마모량과 제품표면거칠기의 관계를 살펴본다. 마지막 으로, GSVQR을 적용하여 제품표면거칠기를 과대예측 (overestimate), 과소예측(underestimate), 중립적인(neutral) 예측을 하고 이들을 비교해보고자 한다.

이어지는 제2장에서는 실험장비와 실험조건에 대해 설 명하고 제3장에서는 공구마모량과 제품표면거칠기의 관계 를 살펴본다. 제4장에서는 GSVQR을 설명하고 GSVQR을 이용하여 제품표면거칠기를 예측하였다. 마지막으로 5장 에서는 본 연구의 결론과 시사점에 대해 논하였다.

2. 실험장치

2.1 실험장비

본 실험에 사용한 공작기계는 금형가공 분야에서 많 이 사용되는 <Figure 1>의 머시닝센터(SIRIUS UL+ 20K) 로 고속 금형가공 수직 머시닝센터이다.

주축최대회전수 20,000rpm, 주축모터 22/18.5kw, 급속이 송속도 X40m/min, Y40m/min, Z40m/min, 이송거리 X1050mm, Y600mm, Z550mm, 테이블크기는 1200×600mm, NC Controller Fanuc31i-B이다.

고속가공기를 이용한 가공실험에서는 가공부하 상태 실시간 모니터링을 위하여 진동, 전류 데이터를 수집하 고 패턴을 분석할 3축 진동센서(Hansford, HS173T)를 부 착하였고, 데이터 수집기 4ch dynamic signal analyzer( AT-9837, 24bit, 51.2kHz sampling rate)와 전류센서 (DC~AC 50KHz, 100A(1)&200A(2)를 설치하였다. 절삭 가공시 발생되는 진동센서에 의한 신호와 전류측정 신호 를 시간파형과 스펙트럼 데이터로 출력하기 위한 실험장 치 구성도를 <Figure 2>와 같이 나타내었다.

2.2 실험방법

본 실험에 사용한 가공재료는 금형부품 재료로 많이 사용되는 SKD11으로 재료의 성분은 <Table 1>과 같다.

실험재료는 <Figure 3>과 같이 육면체로 크기는 50×40× 40mm이며, 가공모델에는 공구의 코너 부분이 접촉되며 절 삭을 이루도록 형상의 벽면에는 기울기 3°를 부여하였다. 또한 심한 절삭부하를 받지 않도록 실험공구가 무리 없이 가공이 가능한 가공깊이 25mm를 적용하였다.

본 실험의 절삭조건은 샘플가공을 미리 진행하여 실험에 최적화된 표준가공조건을 <Table 2>와 같이 선정하여 ∅10 Flat Endmill, Spindle 2,000rpm, Feed rate 1,000mm/min으로 5분, 10분, 15분, 20분, 25분, 30분, 35분, 40분, 45분, 50분까지 5분 간격의 각 분량 가공프로그램으로 50개의 공구를 사용하 여 실험재료를 단위시간별로 각각 5개씩 가공하였다.

공구마모상태 촬영은 CNC Type 비접촉 측정기 VIKI331 로 Measuring Range 300x300x150mm, Vision System의 사양 은 <Table 3>과 같다. 머시닝센터 가공 중 발생되는 가속도 신호를 실시간 데이터로 수집하고, 각 단위시간 가공 후 공구의 마모상태를 CCD카메라와 LD센서로 <Figure 4>과 같이 광학 촬영한 다음 Newroview 3D CAD 기반 측정 S/W를 이용해 공구마모의 진행변화를 거리 측정하였다.

본 실험에 사용한 표면조도측정기는 금형가공 분야에 서 많이 사용되는 <Figure 5>의 복합측정기(CS-3200S4) 로 윤곽형상․표면조도측정기이다.

측정범위 X축 100mm, Z1축 5mm, 분해능 X축 0.05㎛ Z1축 80nm(5mm범위), 8nm(0.5mm범위), 0.8nm(0.05mm범 위), Z2축 1㎛, 측정력 0.75mN, 구동속도 X축0~80mm/s, Z2축 0~20mm/s, 경사범위 ±65°, 측정속도 0.02, 0.05, 0.1, 0.2mm/s 이다. <Figure 6>은 표면거칠기 측정위치를 나타내었다.

표면거칠기는 <Figure 7>과 같이 Ra, Rz, RzJIS로 구 하였으며, 측정샘플링의 위치 선정에 따른 편차가 발생 할 수 있으므로 동일면 3개소 이상을 접촉측정하였으며 1개 제품당 총12개소를 측정한 평균값을 도출하였다.

표면거칠기를 나타내는 세 척도 중 Ra를 본 연구에서 는 사용하였다.

3. 공구마모와 제품표면거칠기

공구마모량과 표면거칠기의 산점도는 <Figure 8>과 같다.

피어슨 상관계수(Pearson Correlation Coefficient)와 상 관관계에 대한 검정(Correlation Test)[9] 결과는 <Figure 9>에 주어져 있다.

상관계수 ρ_XY=0.734이고, 유의수준 α = 0.05에서 귀무 가설을 기각하기에, 공구마모량과 제품거칠기(Ra)는 상 관관계를 가진다고 판단된다.

공구마모량을 독립변수로 하고 제품거칠기(Ra)를 반 응변수로 하는 경우에 대한 단순선형회귀분석 결과는 <Figure 10>에 주어져 있다.

회귀식은 Y = 0.678 + 0.380X 이며, y절편값과 기울기는 유의수준 α = 0.05에서 p < 0.05이므로 모두 통계적으로 유 의한 것으로 나타났다. 회귀식의 모형적합도 R² = 0.538이 다. 회귀식과 공구마모값과 제품표면거칠기(Ra)는 <Figure 11>에 주어져 있다.

4. 제품표면거칠기 예측 및 고찰

본 절에서는 실험을 통해 구한 데이터를 이용하여 제 품표면거칠기를 예측하고자 한다. 먼저 예측을 위해 사 용된 GSVQR은 다음과 같다.

4.1 GSVQR

Lee and Choi[5]은 GSQVR(General Support Vector Quantile Regression Model)을 제안하였는데, ∈-둔감함수 (L_ϵ(u) )는 식 (1)과 같다.

GSVQR의 손실함수(L_ϵ(u) )는 ∈의 폭은 동일하지만, p₁을 이용하여 폭의 좌우 비대칭 정도를 조절할 수 있으며, 허용한 계인 ± 0.5∈을 벗어나는 ξ i , ξ i * 의 값에 따른 벌점(penalty)의 기울기는 p₂에 의해 비대칭 정도를 조절할 수 있다.

그러므로 예측값이 실제값보다 작은 과소예측을 위해서 는 무벌점구간의 우측이 넓고, 예측값이 실제값보다 큰 경 우의 벌점이 커야 하므로 0.5 < p₁ ≤ 1이고 0 ≤ p₂ < 0.5이 어야 한다. 반면에 과대예측을 위해서는 0 ≤ p₁ < 0.5이고 0.5 < p₂ ≤ 1이어야 한다. 중립적인 예측을 위해서는 p₁ = p₂ = 0.5이어야 한다.

원문제(Primal Problem)의 수학모형은 다음과 같다.

목적식을 Max에서 Min문제로 변환하여 라그랑주 쌍 대 문제(DL)로 나타내면 다음과 같다.

4.2 GSVQR을 이용한 제품표면거칠기 예측

데이터는 다음과 같은 방법으로 표준화(standardization) 하였다[1].

여기서, μ_X , σ_X는 각각 X의 평균(average), X의 표준편 차(standard deviation)이다. 한편, GSVQR은 R code로 코 딩되었다.

중립적인 예측으로 p₁ = 0.5, p₂ = 0.5, 과소예측으로 p₁ = 0.99, p₂ = 0.01, 과대예측으로 p₁ = 0.01, p₂ = 0.99를 사 용하였다. 데이터를 훈련용으로는 70%를 검증용으로는 30%로 나누었다. 커널로는 선형커널과 RBF(Radial Basis Function) 커널을 사용하였다. 공구마모량을 실시간으로 측정 하는 것은 어려우므로 제품표면거칠기 예측을 위해 공구마 모량을 포함하지 않은 경우와 포함한 경우 각각 고려하였다.

선형커널이고 공구마모량을 미포함한 경우에서, C = 2⁰, …, 2⁵, γ = 2^-3, …, 2³ 중에서 RMSE값을 최소로 하는 매개변 수값을 적용하였다. 공구마모 데이터를 제외한 경우의 검증 데이터를 이용한 정확도의 결과는 <Table 4>에 주어져 있다.

이때의 각 데이터별 실제값과 예측값은 <Figure 12>에 주어져 있다. 빨간 점은 실제값을 나타내며 3개의 직선 들은 p₁, p₂에 따른 예측값을 나타낸다.

선형커널이고 공구마모 데이터를 포함한 경우의 검증데 이터를 이용한 정확도의 결과는 <Table 5>에 주어져 있다.

이때의 각 데이터별 실제값과 예측값은 <Figure 13>에 주어져 있다. 빨간 점은 실제값을 나타내며 3개의 직선 들은 p₁ , p₂에 따른 예측값을 나타낸다.

선형 커널의 경우 공구마모 데이터 포함여부는 예측 의 정확도에 큰 영향을 미치지 않는 것으로 보인다.

RBF커널이고 공구마모 데이터를 포함하지 않는 경우 의 정확도의 결과는 <Table 6>에 주어져 있다.

이때의 각 데이터별 실제값과 예측값은 <Figure 14>에 주어져 있다. 빨간 점은 실제값을 나타내며 3개의 직선 들은 p₁, p₂에 따른 예측값을 나타낸다.

RBF 커널이고 공구마모량을 포함한 경우 C = 2⁰, …, 2⁵, γ = 2^-3, …, 2³ 중에서 RMSE값을 최소로 하는 매개 변수값을 적용하였다. 검증데이터를 이용한 정확도의 결 과는 <Table 7>에 주어져 있다.

이때의 각 데이터별 실제값과 예측값은 <Figure 15>에 주어져 있다. 빨간 점은 실제값을 나타내며 3개의 직선 들은 p₁, p₂에 따른 예측값을 나타낸다.

RBF커널을 사용하는 경우에 공구마모데이터의 포함 여부는 예측의 정확도에 큰 영향을 미치지 않는 것으로 보인다. 즉, 선형커널과 RBF커널에서 공구마모데이터의 포함여부는 제품표면거칠기의 예측의 정확도에는 큰 영 향을 미치지 않는 것으로 보인다.

공구마모 데이터의 포함 여부는 예측의 정확도에 큰 영향을 미치지 않는 것으로 보인다.

5. 결 론

IOT기술과 인공지능기술의 발전으로 제조현장의 스마 트화가 가능해졌다. 본 연구에서는 가속도, 전류값, 공구 마모량을 이용하여 실시간으로 제품표면거칠기를 예측 하고 정확도를 검증하였다. 머신러닝 기법인 SVR을 이 용하였는데, 과대예측, 과소예측, 중립예측이 가능한 GSVQR기법을 적용하였다. 즉, 보수적인 결정을 위해서 는 표면거칠기를 과대예측하는 것이 유리하며, 공격적인 결정을 위해서는 과소예측이 가능하다. 일반적인 예측을 위해서는 중립예측도 가능하다. 정확도 측면에서는 세 예측은 큰 차이가 없는 것으로 보인다. 커널로는 선형커 널과 RBF커널을 사용하였는데 RBF커널을 사용한 경우 가 예측의 정확도가 높은 것으로 나타났다.

공구마모량과 표면거칠기는 통계적으로 상관관계가 있는 것으로 나타났다. 즉, 공구마모가 많이 될수록 표면 거칠기에 나쁜 영향을 미치는 것으로 보인다.

공구마모량은 실시간으로 측정하는 것이 매우 어렵다. 제품표면거칠기 예측을 위해 독립변수에 공구마모량을 포함하는 경우와 포함하지 않는 경우를 비교해보았는데, 정확도 측면에서는 큰 차이가 없는 것으로 나타났다. 즉, 가속도와 전류값으로 제품표면거칠기를 예측할 수 있을 것으로 보이며 이는 실시간으로 제품표면거칠기를 예측 할 수 있을 것으로 기대된다.

미래의 연구과제로는 좀 더 다양한 센서를 이용하여 데이터를 확보하고 이를 통해 표면거칠기예측의 정확도 를 더욱 높이는 것이 필요하다. 또한, 표면거칠기의 측정 횟수가 많지 않아 SVR을 적용하였는데, 더욱 많은 데이 터를 확보하여 다양한 머신러닝 기법을 적용하고 이들을 비교하는 것이 필요하다.