Making informed decisions in cutting tool maintenance in milling: A KNN-based model agnostic approach

이 논문은 KNN 기반의 모델 무관한 접근법을 통해 공구 상태 모니터링에서 실시간 힘 신호를 분석하고, 결정 트리를 활용한 특징 선택과 하이퍼파라미터 튜닝을 거쳐 공구 마모를 감지할 뿐만 아니라 의사결정 근거를 투명하게 제시하여 제조업의 정보에 기반한 유지보수 의사결정을 지원한다.

핵심

🍳 비유: 요리사의 칼날과 소금 맛보기

상상해 보세요. 거대한 공장이라는 대형 주방이 있고, 그곳에서 알루미늄이라는 재료를 잘라내는 요리사 (밀링 기계) 가 있습니다. 이 요리사가 사용하는 칼 (절삭 공구) 은 시간이 지나면 무뎌집니다.

칼이 무뎌지면 음식 (제품) 의 맛 (품질) 이 떨어지고, 심하면 칼이 부러져서 주방이 멈출 수 있습니다. 그래서 우리는 칼이 언제 갈아야 할지 알아야 합니다.

이 연구는 "칼이 무뎌지면 소금기 (진동과 힘) 가 어떻게 변하는지" 를 AI 가 분석해서 알려주는 시스템을 만들었습니다.

🔍 연구의 핵심 내용 (3 가지 단계)

1. "소금기"를 재는 방법 (데이터 수집)

요리사가 칼로 재료를 자를 때, 칼이 받는 힘 (Force) 이 생깁니다. 이 힘은 두 가지 방향으로 나뉩니다.

• X 방향 (앞으로 밀어내는 힘): 칼이 재료를 밀고 나가는 방향입니다.
• Y 방향 (옆으로 미는 힘): 칼이 옆으로 흔들리는 힘입니다.

연구진은 이 힘의 데이터를 수집해서 AI 에게 가르쳤습니다. 그런데 재미있는 결과가 나왔습니다. X 방향 (앞으로 밀어내는 힘) 의 데이터가 칼의 상태를 훨씬 더 잘 알려주었습니다.

• 비유: 칼이 무뎌지면 앞으로 밀어내는 힘은 확실히 변하지만, 옆으로 흔들리는 힘은 주방의 진동이나 다른 요인에 의해 자꾸 변해서 헷갈린다는 뜻입니다. 그래서 연구진은 X 방향의 힘만 집중해서 분석했습니다.

2. "맛보기"를 늘리는 방법 (데이터 증강)

AI 를 가르치려면 많은 예시가 필요합니다. 하지만 실제 실험에서 '완전히 망가진 칼'의 데이터는 구하기 어렵습니다. 데이터가 부족하면 AI 는 "아직 멀쩡한데 망가진 척" 하는 실수를 할 수 있습니다. (이를 통계학에서는 제 2 종 오류라고 하는데, 칼이 망가졌는데도 "괜찮다"고 잘못 판단하는 치명적인 실수입니다.)

연구진은 데이터 증강 (Data Augmentation) 이라는 기술을 썼습니다.

• 비유: 실제 실험에서 얻은 '망가진 칼' 데이터 10 개가 있다면, AI 가 더 많이 배우도록 이 데이터를 살짝 변형해서 100 개로 만들어준 것입니다. 마치 요리사가 "이 소금기 정도면 망가진 칼이겠지?"라고 추측할 수 있도록 다양한 예시를 만들어준 것과 같습니다.
• 결과: 덕분에 AI 가 "망가진 칼"을 놓치지 않고 정확히 찾아내는 능력이 크게 향상되었습니다.

3. "왜 그렇게 판단했는지" 알려주는 AI (모델 설명 가능성)

대부분의 AI 는 "검은 상자 (Black Box)"처럼, "이건 망가진 칼이야"라고만 말하지 왜 그런지 설명해주지 않습니다. 하지만 공장에서는 "왜?"라는 질문이 중요합니다.

연구진은 KNN(가장 가까운 이웃 찾기) 이라는 간단한 AI 모델을 사용했고, 여기에 화이트 박스 (White Box) 기술을 더했습니다.

• 비유: AI 가 "이 칼은 망가졌습니다"라고 말할 때, "왜?"라고 물으면 AI 가 "소금기 (힘의 데이터) 가 평소보다 30% 더 높고, 모양이 뭉개졌기 때문입니다" 라고 구체적으로 설명해 줍니다.
• 효과: 공장 관리자는 AI 의 말을 맹신하는 게 아니라, "아, 힘의 데이터가 이렇게 변했구나, 그래서 칼을 갈아야겠구나"라고 이해하고 결정을 내릴 수 있습니다.

🏆 연구의 성과

1. 정확도 향상: X 방향 힘 데이터를 분석하고 데이터를 늘린 결과, 96% 의 정확도로 칼의 상태를 맞췄습니다. (Y 방향은 78% 로 낮았습니다.)
2. 치명적 실수 감소: "칼이 망가졌는데도 괜찮다고 말하는" 치명적인 실수를 3% 에서 0.14% 로 거의 없앴습니다.
3. 투명한 의사결정: AI 가 왜 그렇게 판단했는지 사람도 이해할 수 있게 설명해 주어, 공장 관리자가 안심하고 유지보수를 할 수 있게 했습니다.

💡 결론

이 논문은 "복잡한 AI 가 아니라, 사람이 이해할 수 있는 간단한 AI 를 만들어서 공장의 칼 (공구) 상태를 정확히 감시하자" 는 내용입니다.

마치 요리사가 칼을 갈 때, "칼이 무뎌졌으니 갈아라"라고 AI 가 알려주되, "왜? 힘의 데이터가 이렇게 변했으니까" 라고 이유까지 설명해 주기 때문에, 우리는 더 안전하고 효율적으로 공장을 운영할 수 있게 된 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 현대 제조 공정에서 절삭 공구 (드릴, 밀링 커터 등) 의 상태 모니터링 (Tool Condition Monitoring, TCM) 은 제품 품질 보장, 공구 수명 연장, 계획되지 않은 가동 중단 시간 감소 및 안전성 확보에 필수적입니다.
• 문제점:
  • 기존 TCM 연구의 상당 부분이 특정 모델에 종속된 (model-specific) 접근법을 사용하여 해석 가능성 (interpretability) 이 낮고, 모델 변경 시 설명 메커니즘을 다시 설계해야 하는 한계가 있었습니다.
  • 제 2 종 오류 (Type II error, 위음성): 실제 공구 마모를 감지하지 못하고 '정상'으로 잘못 분류하는 오류는 공구 파손, 불량품 생산, 안전 사고로 이어질 수 있어 매우 치명적입니다.
  • 데이터 불균형: 실제 실험 데이터는 특정 마모 상태의 샘플이 부족하여 모델 학습에 제약이 따릅니다.
  • 신호 해석의 어려움: 밀링 공정에서 발생하는 X(이송 방향) 와 Y(수직 방향) 힘 신호 중 어떤 것이 공구 상태 판별에 더 효과적인지에 대한 체계적인 비교와 해석이 부족했습니다.

2. 연구 방법론 (Methodology)

이 연구는 밀링 공정 중 발생하는 실시간 절삭력 신호를 기반으로 한 TCM 프레임워크를 제안하며, 다음과 같은 단계를 거쳤습니다.

가. 실험 및 데이터 수집

• 장비: CNC 수직 가공 센터 (최대 15kW, 15,000rpm) 사용.
• 재료: 항공우주 및 자동차 산업에서 널리 쓰이는 Al 6061 알루미늄 합금 슬롯팅 (slotting) 작업 수행.
• 공구: 재연마가 가능한 HSS(고속강) 엔드밀 사용.
• 데이터 획득: Kistler 피에조 전기식 동력계 (Type 9257B) 를 통해 X, Y, Z 방향의 절삭력 신호를 11.6kHz 샘플링 주파수로 수집.
• 레이블링: 공구 마모 상태를 '양호 (Good)', '초기 마모 (Initial wear)', '불량 (Bad)'의 3 가지 클래스로 분류 (시각적 검사 및 가공 진행도에 기반).

나. 데이터 전처리 및 특징 추출

• 이상치 제거: 시각적 분석을 통해 힘 신호 데이터의 이상치를 제거.
• 특징 추출: X 및 Y 방향 힘 신호에서 12 가지 통계적 특징 (평균, 중앙값, 왜도, 첨도, 표준오차, 분산, 최대/최소값, 범위, 합계, 표준편차, 최빈값 등) 추출.
• 특징 선택: 의사결정나무 (Decision Tree) 기반 중요도 분석을 통해 상위 10 가지 특징 (최소값, 왜도, 중앙값, 합계, 평균, 첨도 등) 을 선택.

다. 데이터 증강 (Data Augmentation)

• 목적: 제 2 종 오류 (Type II error) 감소 및 모델 견고성 향상.
• 방식: 원시 신호가 아닌 특징 공간 (feature space) 에서 수행. 각 특징 벡터에 국소 통계적 산포 (표준편차 등) 에 기반한 작은 교란 (perturbation, $\epsilon$) 을 추가하여 샘플 수를 늘림.
• 효과: 클래스 경계 근처의 샘플 밀도를 높여 KNN 분류기의 결정 경계를 명확히 함.

라. 분류 모델 및 최적화

• 알고리즘: K-최근접 이웃 (KNN) 분류기 사용. 비모수적 (non-parametric) 이며 국소 데이터 구조를 잘 보존하고 점진적 학습이 가능함.
• 하이퍼파라미터 튜닝: GridSearchCV 를 활용하여 최적의 조합 탐색.
  • 최적 파라미터: 이웃 수 ($n\_neighbors$) = 4, 거리 척도 = 맨해튼 거리 (Manhattan distance), 가중치 = 거리 기반 (distance-based weighting).
• 모델 비교: 기본 파라미터를 사용한 'Vanilla KNN'과 튜닝된 'Tuned KNN'을 비교.

마. 모델 해석 가능성 (Interpretability)

• 접근법: 모델 무관 (Model-agnostic) 화이트박스 프레임워크 도입.
• 도구: LIME (Local Interpretable Model-agnostic Explanations) 활용.
  • 글로벌 해석: 전체 데이터에 대한 특징의 중요도 (Global feature influence) 분석.
  • 로컬 해석: 개별 예측 사례에 대한 설명 (Instance-level explanation) 제공. 이를 통해 모델이 왜 특정 공구 상태를 판별했는지 투명하게 설명 가능.

3. 주요 결과 (Key Results)

가. 힘 신호 방향별 성능 비교

• X 방향 (이송 방향): 증강된 데이터를 사용할 때 최대 정확도 96% 달성. 제 2 종 오류가 3.04% 에서 0.14% 로 극적으로 감소.
• Y 방향 (수직 방향): 증강 데이터 사용 시 정확도 78% 에 그쳤으며, 제 2 종 오류가 6.41% 로 상대적으로 높음.
• 이유: 슬롯팅 공정에서 이송 방향 (X) 은 공구와 공작물 간의 직접적이고 지속적인 상호작용을 반영하여 마모에 더 민감하게 반응함. 반면 Y 방향은 진동, 공구 런아웃 등 외부 요인의 영향을 더 많이 받아 신호 변동성이 큼.

나. 모델 성능 평가

• 튜닝된 KNN 모델: 테스트 정확도 95%, 학습 정확도 98% 달성.
• 제 2 종 오류 제거: 하이퍼파라미터 튜닝 (거리 기반 가중치 등) 을 통해 테스트 세트에서 제 2 종 오류를 완전히 제거 (0%) 함.
• 일반화 능력: Vanilla KNN 은 과적합 (overfitting) 경향이 있었으나, Tuned KNN 은 미지 데이터에 대한 일반화 성능이 우수함.

다. 특징 중요도 및 해석

• 글로벌 중요도: 왜도 (Skewness) 가 가장 중요한 특징으로 나타남 (공구 마모로 인한 힘 분포의 비대칭성 증가 반영). 그 다음으로 최대값, 최빈값, 표준오차 등이 중요함.
• 로컬 해석: LIME 을 통해 개별 데이터 포인트에 대해 어떤 특징 (예: 왜도, 첨도) 이 '불량' 판정에 기여했는지 시각화 가능. 이는 유지보수 결정의 신뢰성을 높임.

4. 주요 기여 (Key Contributions)

1. 모델 무관 화이트박스 접근법: KNN 분류기에 모델 무관 해석 도구 (LIME) 를 결합하여, 높은 예측 성능과 동시에 의사결정 과정의 투명성 (Transparency) 을 확보함.
2. 제 2 종 오류 최소화 전략: 특징 공간 기반의 데이터 증강과 하이퍼파라미터 튜닝을 통해 TCM 에서 치명적인 제 2 종 오류를 획기적으로 줄임 (X 방향 기준 0.14% → 0%).
3. 힘 신호 방향성 분석: 밀링 공정에서 X 방향 힘 신호가 Y 방향보다 공구 상태 모니터링에 훨씬 효과적임을 실증적으로 입증하고 그 물리적/기계적 근거를 제시.
4. 실용적 의사결정 지원: 전역적 특징 중요도와 국소적 예측 설명을 제공하여, 단순한 '마모 감지'를 넘어 '어떤 특징이 문제인지' 파악하여 유지보수 계획 (공구 교체 시기, 가공 조건 조정 등) 을 수립할 수 있도록 지원.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 밀링 공정의 절삭력 데이터를 활용한 TCM 시스템에 KNN 분류기와 모델 무관 해석 가능성을 통합한 새로운 패러다임을 제시합니다.

• 실무적 가치: 공구 마모를 실시간으로 정확히 감지하여 계획되지 않은 가동 중단을 방지하고, 불필요한 공구 교체를 줄여 생산 비용을 절감할 수 있습니다.
• 신뢰성: 블랙박스 모델의 단점을 보완하여, 작업자와 엔지니어가 AI 의 판단을 신뢰하고 수용할 수 있는 기반을 마련했습니다.
• 향후 과제: 공구 마모 측정의 표준화 (ISO 8688 등) 와 반복성 검증이 필요하며, 향후 연구에서는 이러한 표준화된 마모 데이터를 활용한 프레임워크의 확장성이 요구됩니다.

결론적으로, 본 연구는 KNN 분류의 강력한 예측 능력과 모델 무관 해석 도구의 투명성을 결합하여, 밀링 공정에서 안전하고 효율적인 공구 유지보수 의사결정을 지원하는 효과적인 솔루션을 제시했습니다.