1. 연구 배경

국내 제조업의 디지털화는 IoT 기술의 보편화와 스마트 팩토리 구축 사업의 추진으로 가속화되었다. 정보통신, 인공지능, 센서 기술의 발전은 다양한 공정 신호를 활용한 모니터링 기술을 발전시켜 부품 가공 제조 현장의 스마트 화를 촉진하고 있다. 특히 절삭 가공 분야에서는 고품질, 생산원가 절감, 납기 단축을 달성하기 위해 설비에서 생성되는 데이터를 적극적으로 활용하여 작업 공정 문제를 해결하고 있다.

CNC 공작기계에 적용되는 지능형 시스템은 최적의 가공 환경을 도출하기 위해 설비 모니터링과 데이터 분석이 필수적이다[3]. 절삭 가공 중 발생하는 공구 마모는 불가 피하고 이는 부품 치수의 정밀도와 표면 품질에 직접적인 영향을 미친다. 따라서 공구 교체 시점을 적절히 판단하지 못할 경우, 부품 폐기, 설비 고장, 생산 중단 등으로 이어질 위험이 크다. 또한 공구 불량으로 인한 설비 비가동 시간의 증가는 생산량에도 영향을 미친다. 이는 설비 비가동 시간 증가와 생산성 저하를 초래하여 제조 효율성을 크게 저하시킨다. 이를 해결하기 위해 기계 효율성을 높이고 생산성을 향상시키는 공구 마모 모니터링 기술과 공구 수명 예측 기술의 개발이 필요하다[2].

최근 자동화된 생산 시스템에서 공구 마모와 관련된 연구는 공정 신뢰성 향상과 불량률 저감에 중점을 두고 진행되고 있다. 이에 따라 심각한 문제를 일으키기 전에 자동화 관점에서 공구가 적절한 시기에 교체될 수 있도록 공구 마모 진행 상태를 모니터링하는 시스템 개발이 필요하다 [5, 9, 10].

공구 마모 측정 방법은 크게 직접 측정과 간접 측정으로 구분한다. 직접 측정은 광학 센서, 전기저항 센서 등을 사용하여 높은 정확도를 제공하지만, 실시간으로 측정이 어렵고, 실제 제조 현장의 상황에 따라 설치가 어렵거나 설치 비용이 높다는 단점이 있다. 반면 간접 측정은 절삭 온도, 진동, 스핀들 전류, 음향 방출 등 다양한 공정 데이터를 활용하는 방법으로, 지도학습 알고리즘과 결합하여 공구 상태를 진단한다. 절삭 온도, 진동, 스핀들 전류, 음향 방출, 표면 거칠기, 절삭 온도, 등의 센서 데이터를 활용한 간접 측정 방식은 실제 공구 상태를 적절히 반영하지 못하며, 산업 현장에서의 적용 사례가 제한적이어서 여전히 공구 사용 시간 및 횟수에 기반하여 공구 교체가 이루어지고 있다[1]. 이러한 배경에서, 본 연구는 절삭 공구에 가해지는 전력 부하 데이터를 활용하여 공구 마모를 예측하고, 이를 기반으로 실질적인 스마트 공장 환경에 적용 가능한 수명 예측 모델 개발하고자 한다.

본 연구는 실제 절삭 가공 기업에서 수집된 데이터를 활용하여 진행되었다. 데이터를 제공한 기업은 자체 설계 및 제작한 로터리 트랜스퍼 머신을 이용해 자동차 엔진 공기의 양을 조절하는 스로틀 밸브용 샤프트 부품을 생산 하고 있다. 이 제조 공정은 11개의 단계로 구성되며, 한 공정에서 공구 파손되거나, 가공 불량이 발생할 경우, 이후 공정 전반에 문제가 확산되어 최종 제품의 품질에 부정적인 영향을 미칠 수 있다. 또한, 공구 비용 절감을 위해 중저가 공구를 사용하는 중소기업의 특성상, 현업에서는 작업자가 공구의 스펙상 수명보다 더 이른 시점에 공구를 교체하는 경우가 많다. 이에 본 연구에서는 작업자의 경험적 판단에 의존한 공구 교체 방식에서 벗어나, 공구의 스핀들 전력 데이터를 기반으로 공구의 수명을 예측하고, 공구 교체 시점을 사전에 제안할 수 있는 모델을 개발하고자 한다.

2. 관련 연구

Heo[4]는 제조 공정 중 스핀들 전류값을 실시간으로 계산하여 공구 마모 상태를 모니터링하는 연구를 수행하였다. 해당 연구에서는 스핀들 전력값에 기반한 공구 마모 상태 식별이 가능함을 입증하였으며, 이는 본 연구에서도 스핀들 전력 데이터를 활용한 공구 마모 예측 가능성을 제시한다.

Lee et al.[8]은 절삭 공구의 수명을 전력 소모량을 이용하여 예측하는 연구를 진행하였다. 이 연구에서는 플랫 엔 드밀 범용 절삭 공구를 사용하여 데이터를 수집하고, 절삭 조건 및 마모 판단 기준을 설정하였다. 연구 결과, 전력 소모량을 통해 절삭 공구의 마모와 수명을 효과적으로 예측할 수 있음을 확인하였다.

Lee et al.[7]은 공구 마모 예측을 위해 공구의 X, Y, Z 축과 스핀들에 사용된 전력, 전류, 이송 속도, 좌표값, 부품의 실제 속도 등의 데이터를 센서를 통해 수집하였다. 공구 마모는 육안으로 확인 후 세 가지 클래스로 분류하여 학습 데이터로 활용하였으며, 머신러닝 모델로 XGBoost, 서포트 벡터 머신(Support Vector Machine: SVM), 랜덤 포레스트(Random Forest)를 적용하였다. 분석 결과, 랜덤 포레스트 모델이 가장 우수한 성능을 보였으며, 이를 통해 공작 기계의 최적 가동 조건을 설정하고 가공품 품질 향상 및 기계 손상 예측 가능성을 확인하였다. Kim and Yoon[6] 은 티타늄 합금 공구의 짧은 수명 문제를 해결하기 위해 데이터를 수집하고 머신러닝 기반 공구 수명 예측 알고리즘을 개발하였다. 실험은 가공 속도, 날당 이송, 반경 및 축 방향 절삭 깊이를 조정하여 세 차례 반복 수행되었으며, 공구 마모 값을 라벨링하여 학습 데이터를 구축하였다. 서포트 벡터 회귀(Support Vector Regression: SVR), 랜덤 포레스트 회귀(Random Forest Regressor), 심층 신경망(Deep Neural Network: DNN), 1차원 합성곱 신경망(1-Dimensional Convolutional Neural Network: 1D-CNN), 장단기 메모리(Long Short-Term Memory: LSTM), 양방향 장단기 메모리(BiLSTM), 오토인코더(Autoencoder: AE), 잡음 제거 오토인코더(Denosing Autoencoder: DAE) 등 9개의 머신러닝 모델을 학습시킨 결과, 서포트 벡터 회귀, 랜덤 포레스트 회귀, 장단기 메모리 모델이 상대적으로 높은 예측 성능을 보였다.

기존 공구 수명을 예측하는 연구는 대부분 절삭 조건을 설정하여 데이터를 취득하는 실험방식에 의존하였으며, 실질적인 제조 데이터를 활용한 사례는 제한적이다. 또한 기존 연구에서는 머신러닝 알고리즘의 성능을 입증하며 공구 수명 예측 가능성을 확인하였으나, 제조 현장에 직접 적용할 수 있는 실시간 예측 모델 개발은 미흡하였다. 본 연구는 실제 제조 현장에서 수집된 데이터를 활용하여, 공구 마모와 수명을 예측할 수 있는 머신러닝 기반의 실용적인 예측 모델을 제안하는 데 중점을 두고 있다.

3. 스핀들 부하 데이터 수집 및 전처리

스핀들 전력 부하값으로 공구의 수명을 예측하는 모델을 개발하기 위해 데이터 수집, 전처리, 모델 학습, 검증의 단계로 연구를 수행하였다. 먼저 분석 대상이 되는 실제 공정의 데이터를 수집하고, 수집한 데이터를 분석하기 전에 전처리 과정을 거쳐 결손치나 오류를 제거한다. 그리고 전처리된 데이터를 사용하여 각 학습모델의 설명 변수와 반응 변수를 설정하고 학습된 모델로 테스트 데이터를 적용시켜 모델을 검증한다. 모델 평가 지표로 회귀 모델에서 사용되는 평균 제곱근 오차(Root Mean Square Error: RMSE), 평균 절대 백분율 오차(Mean Absolute Percentage Error: MAPE), 결정계수(R²)를 계산하고 결과를 분석하여 최종 모델을 선정하였다.

3.1 절삭 공정 및 데이터 수집

해당 기업은 자체 설계 및 제작한 로터리 트랜스퍼 머신을 활용하여, 자동차 엔진의 공기 흐름을 제어하는 스로틀 밸브용 샤프트 부품을 절삭 가공한다. 이 공정은 총 11 단계로 구성되어 있으며, 각 공정은 일정한 사이클 타임 내에 연속적으로 진행된다. 11개 공정 중 주요한 공정은 황삭, 스텝드릴, 정삭, 사이드 컷 등으로 구분할 수 있는데, 본 연구에서는 공구 수명이 상대적으로 짧은 황삭 공정에 대해 데이터를 수집하였다. 황삭 공정은 약 24초의 사이클 타임을 가지는데, 황삭 공정의 데이터는 시간, 황삭에서 사용한 공구의 사용횟수, 공구 스핀들에 전달된 전력 값이다. 이는 실제 생산현장에서 센서를 통해 수집된 설비 데이터로서 샘플링은 100 msec 단위로 진행하였고, 총 24일 동안 정상적으로 샤프트를 가공한 데이터를 대상으로 분석을 수행하였다.

3.2 데이터 전처리

황삭 공구에 가해진 전력량의 데이터 패턴은 <Figure 1>에서 보는 바와 같다. 부품 절삭을 시작하기 전에 공구가 정해진 위치에 자리하고 공회전을 하게 되는데, 스핀들 회전에 필요한 전력만 공급된다. 이후 절삭 가공을 시작하면 전력량이 꾸준히 증가하다가 피크를 기록하고 서서히 전력량이 감소하는 패턴을 나타낸다.

데이터는 100 msec 단위로 수집되는데 일시적인 데이터 송신 오류 등으로 일부 널(NULL)값이 있다. 여기서는 이러한 결측치를 선형보간을 사용하여 보정하였다. 또한, 각 사이클 타임에서의 공회전 시의 전력 값은 어느정도 동일한 값을 가져야 할 것으로 판단하였는데, 매번 차이가 발생하였다. 따라서 공회전 시의 전력값 즉, 가공 대기 시간의 부하량을 일정하게 설정한 후 가공 시의 부하량을 분석해야 한다. 그래서, 원본 데이터를 가공 대기 시간의 평균을 구한 후 평균값을 차감하는 방식으로 데이터를 평탄화하였고, <Figure 2>에서 나타난 바와 같이 가공 대기 시간의 전력 값이 0에 맞춰져 있는 것을 확인할 수 있다.

4. 수명 예측 모델 개발

4.1 데이터 기초 분석

<Figure 3>은 공구가 새로 장착되어 가공을 시작하여 교체될 때까지의 공구에 가해진 전력 부하를 나타낸 것이다. 이렇게 공구 사용 횟수에 따른 전력값을 시각화해본 결과 공구 사용 횟수가 많아질수록 공구 마모에 따라 부하 량이 점점 높아지는 것을 확인하였고 공구 사용 횟수에 따른 전력값을 상관분석 해본 결과 황삭 공정이 0.91의 결과가 나왔다.

전체 데이터 중 70%는 학습 데이터, 나머지 30%는 테스트 데이터로 사용하였다. 각 머신러닝 모델에 입력될 설명변수로 각 공정별 공구 사용 횟수를 사용하고 출력될 반응 변수로는 공구 사용 횟수별 전력값의 최댓값을 사용하였다.

4.2 모델 학습

본 연구에서는 수집한 데이터를 기반으로 총 6개의 수명 예측 모델, 즉 랜덤 포레스트, 의사결정 나무, 서포트 백터 회귀, 선형 회귀, XGBoost, LightGBM을 개발하였다.

랜덤 포레스트 회귀와 의사결정 나무 모델에서는 트리의 최대 깊이(max_depth), 리프 노드의 최소 샘플 수 (min_samples_leaf), 트리의 개수(n_estimators)가 주요 하이퍼파라미터로 설정되었다. 트리의 깊이가 증가할수록 모델의 복잡도가 높아지고 과적합(overfitting) 가능성이 커지므로 적절한 제어가 필요하다. 본 연구에서는 노드를 분할하기 위한 최소 샘플 수(min_samples_split) 값이 분석 결과에 유의미한 영향을 미치지 않음을 확인하였으며, 이를 기본값(default)인 2로 설정하였다. 이 파라미터는 분할 시 좌우 분기에 최소한의 훈련 샘플이 남도록 보장하며, 회귀 모델의 부드러움을 증가시키는 효과가 있다.

서포트 벡터 회귀 모델에서는 정규화 매개변수(C), 커널 계수(gamma), 허용오차(epsilon), 커널 유형(kernel)이 주요 하이퍼파라미터로 사용되었다. 정규화 매개변수는 오류를 얼마나 허용할지 결정한다. 커널 계수는 결정 경계를 얼마나 세밀하게 조정할지를 결정하며, 값이 클수록 과적합 위험이 증가할 수 있다. 허용오차는 예측값이 실제값으로부터 허용 가능한 오차 범위(ε-튜브)를 정의하며, 범위 내에서는 손실 함수에 패널티를 부과하지 않는다. 커널 유형은 알고리즘에서 사용할 커널 유형을 지정하는데, 선형(linear), 다항식(poly), 방사 기저 함수(rbf), 시그모이드 (sigmoid) 등이 있다. 본 연구에서는 선형과 방사 기저 함수 커널 유형을 사용하였다.

XGBoost와 LightGBM 모델에서는 추정기 개수(n_estimators), 최대 깊이(max_depth), 샘플링 비율(subsample)을 주요 하이퍼파라미터로 설정하였으며, 학습률(learning_rate)은 0.1로 설정하였다. 추정기 개수는 학습 과정에서 생성되는 트리의 개수를 나타내며, 값이 커질수록 과적합의 위험이 증가할 수 있다. 최대 깊이는 트리의 최대 깊이를 제한하여 모델의 복잡도를 조정하며, 값이 커질수록 과적합 가능성이 증가한다. 샘플링 비율은 학습 데이터에서 일부 샘플을 추출하는 비율로, 모델의 다양성을 높이고 일반화 성능을 개선하는 데 기여한다. <Table 1>은 각 모델별로 최적의 성능을 보이는 하이퍼파라미터의 조합을 나타낸 것이다.

4.3 종합 분석 결과

각 모델의 하이퍼파라미터를 적용하여 5개의 학습 모델과 선형회귀 모델을 개발하였다. 선형회귀 분석에서 도출된 식은 다음과 같다.

학습 데이터를 이용하여 개발한 6개의 모델의 성능평가를 위해 테스트 데이터를 활용하여 RMSE, MAPE, R² 평가지표 값을 구하여 <Table 2>와 같이 정리하였다. 분석 결과 황삭 공정에서는 공구 사용횟수에 따른 전력 부하량은 랜덤 포레스트 회귀 모델이 가장 예측력이 좋은 것을 확인할 수 있고 R²이 0.92로 높은 설명력을 보였다. 다음으로 XGB, LGBM, DT, SVR, LR 순으로 예측력이 우수한 것을 확인할 수 있다.

각 모델의 예측 결과는 <Figure 4>에서 <Figure 9>까지 시각화하여 나타내었다. 파란색 점은 학습 데이터를 시각 화한 것이고, 오렌지색 점은 테스트 데이터를 시각화한 것 이다. 그리고, 초록색 점은 각 모델에서 예측한 값을 나타 낸 것이다.

5. 공구 수명 예측

랜덤 포레스트 회귀 모델과 선형회귀 모델을 이용하여 현업에서 사용 중인 실제 공구 사용횟수와 수명을 예측해 보았다. 이 데이터는 마모가 진행되던 공구의 데이터로 사용 횟수가 적은데도 불구하고 스핀들 전력 부하량이 높은 것을 확인하였고 이를 토대로 수명을 예측하여 보았다.

사용횟수별 전력량 데이터는 모델과 편차도 크고 하나 하나의 값을 비교하는 것은 모델이 너무 민감하게 예측할 수 있기 때문에 전력량 데이터를 100개씩 묶어 부하의 평균을 계산하였다. 그런 다음 랜덤 포레스트 모델을 통해 실제 전력값을 기반으로 유추한 툴 카운트 범위를 현재 공구의 사용 횟수라고 예측하였다. 하지만, 현업에서 수집된 원본 데이터의 전력 값이 이상적인 모델과 같이 증가하는 것이 아니고, 또한 값의 변동이 크고 데이터의 범위가 넓어서 공구 사용횟수를 명확하게 예측하지 못하였다.

반면 선형회귀 모델을 통한 공구 수명 예측은 랜덤 포레스트 회귀 모델보다 더 세밀하게 수명 즉 공구 사용횟수를 예측할 수 있었다. 회귀식은 설명변수와 결정변수를 가장 잘 설명하는 직선으로 공구 사용량에 따른 전력값 상승을 잘 반영하고 있다. 따라서 비슷한 전력부하의 변동이 크더라도 회귀식에 의한 전력부하 증가를 반영하여 툴카운트를 예측하기 때문에 공구 수명 예측이 있어서는 선형 회귀 모델이 더 적합한 방법이라고 판단된다.

<Figure 10>에서 파란색 점은 모델학습에 사용된 데이터이고, 붉은 색 직선은 선형회귀식을 나타낸다. 오렌지 색 점은 수명예측에 사용된 데이터를 나타내는데, 실제 툴 카운트 값은 6,700회로 기록되어 있었지만, 공구에 가해지는 전력 부하량으로 예측해 보면 17,000~18,000회 사용한 것으로 보인다. 따라서 이 공구는 실제보다 10,000회 이상 더 사용한 것으로 보고 공구를 적절한 시점에 교환해 주어야 할 것이다.

6. 결 론

본 연구는 실제 제조 현장에서 수집된 데이터를 활용하여 공구 마모와 수명을 예측할 수 있는 머신러닝 기반 예측 모델을 개발하고, 이를 활용한 스마트 공장 환경에서의 적용 가능성을 탐구하였다. 스핀들 전력 데이터를 주요 변수로 사용하여 공구의 상태를 모니터링하고, 공구 교체 시점을 사전에 예측함으로써 제조 공정의 효율성을 높이는 것을 목표로 하였다.

랜덤 포레스트 회귀 모델이 가장 높은 예측 성능(R² = 0.92)을 보이며, 공구 수명 예측에 적합한 모델로 확인되었다. 또한, 선형 회귀 모델은 공구 사용량과 전력 부하량의 관계를 명확히 반영하며 세밀한 예측이 가능하다는 점에서 실용적인 대안으로 평가되었다. 앙상블 기반의 회귀 모델은 의사결정 나무를 기반으로 하기 때문에 학습에 사용된 데이터 구간에 대해서는 선형회귀모형보다 좋은 예측 결과를 보여주지만, 학습에 사용되지 않은 구간의 데이터에 대해서는 예측작업 시 선형회귀모형이 좋은 예측 결과를 보여주는 경향이 있다. 이러한 모델들은 공구 마모 상태를 실시간으로 진단하고, 적절한 교체 시점을 제안함으로써 공구 수명 연장과 제조 품질 향상에 기여할 수 있다.

그러나 본 연구는 다음과 같은 한계를 가진다. 첫째, 정확한 모델학습을 위해 계절적 요인을 포함하여 많은 학습 데이터가 필요하다. 둘째, 데이터의 변동성과 실제 제조 환경에서의 데이터 불균형으로 인해 예측의 정확도가 제한될 수 있다.

본 연구의 결과는 스마트 제조 환경에서 공구 마모 예측 기술의 실질적인 활용 가능성을 제시하였으며, 제조 공정의 자동화와 효율성 증대에 기여할 수 있는 기초 자료로 활용될 수 있을 것이다.