기술 요약: 순환형 공장을 위한 불확실성 인지 기능적 동작 예측 및 재료 피로 평가

1. 문제 정의

순환 경제로의 전환은 반품된 제품을 여러 수명 주기 동안 재사용할 수 있는 제조 시스템을 요구합니다. 그러나 반품된 제품(예: 중고 전동 공구)은 이질적인 열화 상태, 사용 이력 및 잔여 성능을 가진 채로 "순환형 공장(Circular Factory, CF)"에 유입됩니다. 동질적인 집단 가정을 기반으로 하거나 고정된 운전 조건을 사용하는 기존의 신뢰성 평가는 개별 사례별 재배치 결정을 내리기에 불충천합니다.

현재의 예후 및 건전성 관리(PHM) 접근 방식에는 다음과 같은 결정적인 격차가 존재합니다:

• 기능과 재료의 분리: 시스템 수준의 기능 예측(도구가 작동할 것인가?)이 부품 수준의 재료 피로 평가(임계 부품이 파손될 것인가?)와 연결되는 경우가 드뭅니다.
• 불확실성 및 이력: 기존 방법들은 가변적인 사용 이력을 다루는 데 어려움을 겪으며, 규정된 미래 사용 시나리오 하에서의 리스크 평가에 필요한 불확실성 인지 예측을 제공하지 못하는 경우가 많습니다.
• 의사결정 지원: 재배치 결정은 단순히 현재의 검사 결과에만 기초해서는 안 되며, 특정 미래 서비스 조건 하에서 기능적 동작과 재료적 무결성이 어떻게 진화할지를 고려해야 합니다.

본 논문은 반품된 앵글 그라인더의 사례 연구를 통해, 기능적 동작 예측과 재료 피로 평가를 연결하여 개별 사례별 재배치 결정을 지원하는 통합 프레임워크를 제안함으로써 이러한 과제를 해결합니다.

2. 방법론

제안된 프레임워크는 두 가지 상호 보완적인 파이프라인인 기능적 동작 예측과 재료 피로 평가를 단일 스트리밍 신뢰성 워크플로우로 통합합니다.

2.1. 시스템 기능적 동작 예측

기능적 브랜치는 도구의 미래 상태를 조건부 시퀀스 학습 문제로 모델링합니다.

• 입력: 모델은 현재 상태 벡터(열적, 전기적, 회전 및 클리어런스와 같은 기하학적 변수)와 최근 사용 이력(힘 및 토크 윈도우)을 입력으로 받습니다.
• 아키텍처:
  • 인코더(Encoders): 1D 합성곱 신경망(CNN)은 힘-토크 윈도우로부터 국부적인 시간적 패턴(피크, 과도 현상)을 추출합니다. 다층 퍼셉트론(MLP)은 현재 상태 벡터를 인코딩합니다.
  • 순환 백본(Recurrent Backbone): 융합된 표현은 LSTM 네트워크에 의해 처리됩니다. LSTM은 알려진 초기 조건에 예측치를 고정하기 위해 절대값이 아닌 증분(increment)을 예측합니다.
  • 출력 헤드(Output Head): 확률적 헤드는 9가지 기능 변수(예: 모터 전류, 속도, 클리어런스 등)에 대한 가우시안 평균과 분산을 출력합니다.
• 학습: 모델은 가중치 적용 가우시안 음의 로그 가능도(NLL) 손실 함수를 사용하여 학습되며, 이를 통해 기대값과 예측 불확실성을 모두 추정할 수 있습니다.
• 시나리오 조건화: 프레임워크는 미래의 사용 윈도우를 규정함으로써 "시나리오 조건부 추론"을 허용하며, 이를 통해 계획되거나 가상의 운전 조건 하에서의 신뢰성을 평가할 수 있습니다.

2.2. 부품 재료 피로 평가

재료 브랜치는 동일한 운전 하중 이력을 사용하여 출력 샤프트의 잔여 피로 능력을 평가합니다.

• 응력 재구성: 유한 요소 분석(FEA)을 사용하여 외부 힘-토크 하중을 국부 노치 응력(notch stress)으로 매핑합니다. 보간 모델은 측정된 시간 이력을 임계 노치에서의 응력-시간 이력으로 변환합니다.
• 피로 모델링:
  • 개시(Initiation): 회전 굽힘 데이터에 적합된 Basquin 유형의 S-N 곡선과 Palmgren-Miner 법칙 및 하이백(Haibach) 확장(서브 리밋 사이클용)을 결와하여 누적 손상을 추정합니다.
  • 전파(Propagation): Paris 법칙 기반의 균열 성장 모델은 초기 균열 크기($a_0$)에서 임계 크기($a_c$, 표면 경화 깊이로 제한됨)까지의 균열 수명을 추정합니다.
• 통합: 재료 모델은 누적 손상과 재료 신뢰성 추정치($R_{mat}$)를 출력합니다.

.3. 스트리밍 신뢰성 통합

스트리밍 리플레이 알고리즘(Algorithm 3)은 두 브랜치를 통합합니다:

• 데이터 윈도우를 순차적으로 처리하며 기능적 신뢰성($R_{func}$), 재료 신뢰성($R_{mat}$), 그리고 시스템 신뢰성($R_{sys} = \min(R_{func}, R_{mat})$)을 업데이트합니다.
• 관측 공백이 있는 경우, 누락된 사이클에 대해 손상 추정치를 전파하여 처리합니다.
• 각 검사 시점에서 "지배적 브랜치"(기능적 vs 재료적)를 식별하여 재배치를 제한하는 요인을 결정합니다.

3. 주요 기여

1. 통합된 기능-재료 공간: 본 논문은 현재 시스템 상태, 최근 사용 이력, 재료 열화를 공통된 표현으로 결합하여 개별 사례별 재배치를 위한 프레임워크를 구축했습니다.
2. 불확실성 인지 예측: 가우시안 NLL로 학습된 LSTM 아키텍처는 기대되는 기능적 응답과 그 불확실성을 모두 예측하여 임계값 기반의 신뢰성 평가를 용이하게 합니다.
3. 시나리오 조건부 추론: 미래 사용 윈도우를 사전에 규정할 수 있는 능력은 명시적이고 계획된 운전 조건 하에서의 기능적 동작 및 신뢰성 평가를 가능하게 합니다.
4. 통합된 재료 평가: 부품 수준의 피로는 응력 재구성, S-N/Miner 손상 평가 및 Paris 법칙 균열 성장 분석을 통해 시스템 수준의 사용 이력과 직접 연결되어 통합되었습니다.
5. 스트리밍 워크플로우: 통합된 알고리즘은 신뢰성 궤적을 실시간으로 업데이트하여 반품된 제품에 대한 동적인 의사결정을 지원합니다.

4. 결과

본 프레임워크는 테스트 벤치(400 운영 시간)의 실험 데이터와 출력 샤프트의 재료 테스트를 이용한 앵글 그라인더 케이스 스터디를 통해 검증되었습니다.

4.1. 기능 예측 성능

• 정확도: 모델은 홀드아웃 테스트 데이터의 9개 출력에 대해 2% 오차 범위 내의 평균 정확도 0.9652를 달성했습니다.
• 변수별 성능:
  • 열 변수(기어박스 및 스테이터 온도)는 거의 완벽하게 예측되었습니다 ($R^2 \approx 0.9999$).
  • 동적 변수(구동 모터 전류 및 부하 속도)가 가장 까다로웠으나, 여전히 높은 전역적 추세 포착 능력을 보여주었습니다 ($R^2 = 0.9750$ 및 $0.9924$). 다만, 엄격한 국부 허용 오차 기준으로는 낮았습니다 (0.9174 및 0.8675).
• 아키텍처 비교: 이 짧은 이력 환경에서는 기존의 LSTM이 GRU 및 xLSTM보다 우수한 성능을 보였는데, 이는 CNN에 의해 국부 패턴이 사전 추출될 때 단순한 순환 블록이 갖는 안정성 때문인 것으로 보입니다.
• 입력 민감도: 절제 연구(Ablation study) 결과, 토크 이력을 포함하는 것이 모터 전류 및 부하 속도 예측을 크게 개선함을 확인하였으며, 이는 정적 검사 데이터보다 부하 이력 데이터가 필수적임을 강조합니다.

4.2. 신뢰성 및 불확실성

• 보정(Calibration): (충분한 초과 이벤트가 존재하는 유일한 변수인) 구동 모터 전류의 경우, 예측된 초과 확률은 실제 관측된 비율과 밀접하게 일치했습니다 (예: 예측 0.0600 vs 관측 0.0646). 기대 보정 오차(ECE)는 매우 낮았습니다 (0.0085–0.0086).
• 생존 분석: Weibull 분석 결과, 모터 전류 초과에 대한 B10 수명은 5.22 상대적 단계(relative steps)로 나타났습니다.

4.3. 재료 피로 및 재사용성

• 명목 조건: 명목 서비스 응력(약 2.88 MPa 노치 응력) 하에서 출력 샤프트는 무시할 만한 Miner 손상을 보였으며, 이는 높은 재사용성을 나타냅니다.
• 고하중 이벤트에 대한 민감도: Paris 법칙 분석은 드문 고하중 이벤트에 대한 극도로 높은 민감도를 드러냈습니다.
  • 명목 부하: 약 31회의 잠재적 재사용 사이클.
  • 1.2배 증폭 (상위 10% 응력): 약 20회 사이클.
  • 1.6배 증폭: 약 3회 사이클.
  • 2.0배 증폭: 약 1회 사이클.
• 시사점: 재료의 재사용성은 평균 사용량이 아니라 부하 스펙트럼의 상위 꼬리(upper tail) 부분에 의해 결정됩니다.

4.4. 통합 리플레이

18개의 검사 파일을 대상으로 한 순차적 리플레이 결과, 기능적 브랜치와 재료 브랜치가 일관되게 작동함을 보여주었습니다. 테스트된 시나리오에서 $R_{func}$와 $R_{mat}$ 모두 1.0(안전)을 유지했으며, 재료 브랜치는 동률(tie) 상황에서만 지배적 제한 요소로 식별되었습니다. 구동 모터 전류가 주요 기능적 리스크 지표로 남았습니다.

5. 의의 및 주장

본 논문은 측정된 운전 하중을 단일 스트리밍 워크플로우 내에서 미래의 기능적 충족 및 잔여 구조적 피로 수명 모두와 연결하는 최초의 통합 평가 프레임워크를 제공한다고 주장합니다.

• 의사결정 패러다임의 전환: 본 연구는 검사 기반의 분류에서 예측 기반의 재배치로의 전환을 지원합니다. 제품의 적합성은 단순히 현재 상태가 아니라, 예상되는 미래 기능과 부품의 건전성에 달려 있다고 주장합니다.
• 사례별 특이성: 이 프레임워크는 집단 수준의 가정에서 벗어나 이질적인 이력을 가진 개별 제품에 대한 결정을 가능하게 합니다.
• 한계점: 저자들은 본 프레임워크가 일관된 워크플로우 통합을 입증했으나, 특정 케이스 스터디의 부하가 피로 임계 영역보다 훨씬 낮았기 때문에 기능적 저하와 재료 피로 사이의 강력한 물리적 결합을 보여주지는 못했다고 명시했습니다. 즉, 결과는 이 특정 데이터셋에서의 강력한 물리적 저하 궤적보다는 방법론과 워크플로우의 타당성을 입증하는 데 중점을 둡니다.
• 향 향후 과제: 논문은 견고한 적용을 위해 이질적인 실제 반품 제품에 대한 검증, 보정을 위한 더 풍부한 이벤트 중심의 저하 데이터, 그리고 개선된 부하-응력 재구성 방법이 필요하다고 결론짓습니다.