Machine learning enables roughness-driven inverse design of milling processes

기술 요약: 밀링 공정을 위한 머신러닝 기반 역설계

문제 정의
본 논문은 밀링 공정의 역설계 문제, 구체적으로 목표 표면 거칠기를 달 달성하기 위한 최적의 가공 및 공구 파라미터를 결정하는 과제를 다룬다. 순방향 예측 모델(파라미터에서 거칠기로 매핑)은 이미 잘 확립되어 있으나, 역설계는 가공 데이터에 내재된 "일대다(many-to-one)" 매핑 문제로 인해 복잡하다. 복잡한 비선형 상호작용과 보상 효과로 인해 서로 다른 입력 파라미터 조합(예: 절삭 속도, 이송 속도, 공구 기하학적 형상)이 동일하거나 거의 동일한 표면 거칠기 결과를 생성할 수 있다. 입력과 출력을 단순히 맞바꾸어 직접 역방향 머신러닝 모델을 학습시키는 방식은 물리적으로 실현 가능하거나 최적인 파라미터 세트를 나타내지 못하고 "평균화된" 예측을 내놓는 경 Tendency가 있다. 또한, 견고한 머신러닝 모델을 학습시키기 위한 고품질 실험 데이터셋의 부족은 중요한 장벽이 된다.

방법론
저자들은 직접적인 역모델 학습에 의존하지 않고 역설계 문제를 해결하기 위해, 순방향 학습된 머신러닝 모델을 베이지안 최적화(Bayesian Optimization, BO)와 결합한 프레임워크를 제안한다. 이 방법론은 다음 단계들을 통해 진행된다:

1. 합성 데이터셋 생성:

   • 전방 솔루션 방법(Forward Solution Method, FSM)에 기반한 고충실도 계산 프레임워크를 사용하여 10,000개의 샘플로 구성된 데이터셋을 생성한다.
   • FSM은 표면 토포그래피를 시뮬레이션하기 위해 절삭날, 피삭재, 시간을 이산화한다. 이는 6개의 입력 파라미터인 절삭 속도($v_c$), 이송 속도($f_z$), 인서트 개수($z$), 인서트 반경($r_i$), 반경 방향 런아웃($\varepsilon_r$), 축 방향 런아웃($\varepsilon_a$)을 포함하는 운동학적 방정식을 고려한다.
   • 출력값은 평균 표면 거칠기($S_a$)와 최대 표면 높이($S_z$)이다.
   • 계산 모델은 HT300 회색 주철의 페이스 밀링 실험 데이터와 비교하여 검증되었으며, 약 7%의 평균 상대 오차를 보였다.

2. 다중성 분석 (Multiplicity Analysis):

   • 노이즈가 있는 밀도 기반 공간 클러스터링(DBSBN)을 사용한 탐색적 분석을 통해 일대다 관계의 존재를 확인한다. 서로 다른 입력 구성이 유사한 표면 특성을 생성함을 보여줌으로써, 직접적인 역회귀(inverse regression)를 피해야 할 필요성을 입증한다.

3. 순방향 모델 학습:

   • 합성 데이터셋에 대해 순방향 매핑(파라미터 $\to$ 거칠기)을 학습시키기 위해 두 가지 ML 모델을 학습시킨다.
     • 심층 신경망 (DNN): ReLU 활성화 함수, 배치 정규화, 드롭아웃을 사용하는 깔때기형 구조(512, 256, 128개의 노드를 가진 3개의 은닉층)의 완전 연결 네트워크.
     • 랜덤 포레스트 (RF): 결정 트리의 앙상블.
   • 두 모델 모두 단일 출력($S_a$) 및 다중 출력($S_a, S_z$) 시나리오에 대해 하이퍼파라미터 튜닝(예: 학습률, 깊이, 트리의 수)을 위해 Optuna를 사용하여 최적화된다. RF 모델은 일반적으로 DNN보다 낮은 검증 평균 제곱 오차(MSE)를 나타냈다.

4. 베이지안 최적화를 통한 역설계:

   • 학습된 ML 모델은 베이지안 최적화 루프 내에서 미분 가능하고 빠른 대리 모델(proxy) 역할을 한다.
   • 목적은 예측된 거칠기와 사용자 지정 목표 사이의 편차를 최소화하는 것이다.
   • BO가 지역 최적점(local optima)으로 수렴하는 경향과 공구 파라미터의 이산적 특성을 해결하기 위해, 본 프레임워크는 이산 변수(인서트 개수 및 반경)를 명시적으로 열거하고 각 조합에 대해 별도의 최적화를 실행한다. 또한, 광범위한 연속 파라미터 공간 탐색을 장려하기 위해 다양성 페널티(diversity penalty)가 포함된다.

주요 결과
프레임워크는 서로 다른 거칠기 분포 영역을 타겟팅하는 두 가지 케이스 스터디를 통해 평가되었다:

• 케이스 1 (낮은 거칠기): 목표 $S_a = 2, S_z = 10$. 프레임워크는 다양한 실행 가능한 솔루션을 성공적으로 식별했다. RF 모델은 계산 참조값 대비 $S_a$에 대해 2.12%, $S_z$에 대해 1.93%의 평균 상대 오차를 달성하여 DNN(각각 4.96%, 3.74%)보다 우수한 성능을 보였다.
• 케이스 2 (높은 거칠기): 목표 $S_a = 6, S_z = 33$. 데이터 분포가 희소한 이 영역에서도 프레임워크는 유효한 파라미터 세트를 식별했다. RF 모델은 $S_a$에 대해 1.1%, $S_z$에 대해 2.7%의 평균 상대 오차를 유지하며 높은 정확도를 보였다.

두 시나리오 모두에서 상위 성능을 보이는 설계 후보들은 참조 계산 결과와 비교했을 때 평균 상대 오차가 5% 미만이었다. 본 연구는 이 특정 맥로에서 RF 모델이 DNN보다 일반적으로 우수한 예측 정확도와 견고성을 제공함을 입증한다.

의의 및 주장
본 논문은 일대다 매핑의 한계와 데이터 부족 문제를 극복하는 밀링 공정의 역설계를 위한 견고한 방법론을 제시한다고 주장한다. 순방향 ML 모델을 베이지안 최적화와 통합함으로써, 이 접근 방식은 직접 역회귀에 내재된 평균화된 예측의 함정을 피한다. 프레임워크는 특정 표면 품질 목표를 충족하는 다양하고 최적인 가공 및 공구 파라미터 조합을 성공적으로 식별한다.

저자들은 제안된 방법이 제조 설계에서의 시행착오를 줄이는 데 특히 가치가 있다고 강조한다. 현재 연구는 기하학적 모델로부터 생성된 합성 데이터에 의존하고 있지만, 프레임워크는 추가적인 제약 조건(예: 특정 공구 선택 또는 런아웃 오차 무시)을 포함할 수 있을 만큼 유연하며, 향후 절삭력이나 진동과 같은 물리적 현상을 포함하도록 확장될 수 있다고 언급한다. 결론적으로, 본 머신러닝 기반 역설계 파이프라인은 허용 가능한 예측 오차 내에서 공정 파라미터를 결정하는 신뢰할 수 있는 경로를 제공하여, 보다 효율적이고 지능적인 제조 계획을 촉진한다.