Federated Learning for Distributed CNC Tool Wear Prediction

기계들이 서로 더 똑똑해지기 위해 대화를 나누지만, 자신들의 비밀 레시피는 절대 공유하지 않는 세상을 상상해 보세요. 이것이 바로 컴퓨터 과학의 한 분야인 **머신러닝(Machine Learning)**의 핵심입니다. 머신러닝은 소프트웨어가 엄격한 지시를 따르는 대신 예시로부터 학습하는 방식입니다. 보통 컴퓨터가 잘 학습하려면 수천 권의 교과서를 읽는 학생처럼 방대한 양의 데이터가 필요합니다. 하지만 실제 산업 현장에서 그 데이터는 종종 여러 공장에 흩어져 있거나, 개인정보 보호 규칙에 의해 가로막혀 있거나, 혹은 이동시키기에 너무 거대하여 묶여 있는 경우가 많습니다. 이때 등장하는 영리한 해결책이 바로 **연합 학습(Federated Learning)**입니다. 이것을 맛있는 수프 레시피를 완성하려는 요리사 집단의 모습에 비유해 봅시다. 각자의 비밀 재료를 중앙 주방으로 보내는 대신(이는 위험하거나 불가능할 수 있습니다), 각자의 주방에서 작은 냄비에 수프를 끓이고, 맛을 본 뒤, 맛을 개선하는 방법에 대한 '지침'만을 헤드 셰프에게 보냅니다. 헤드 셰프는 이 지침들을 섞어 마스터 레시피를 만들고, 이를 다시 돌려보내며 이 과정을 반복합니다. 결과는 어떨까요? 누구도 서로의 비밀 재료를 보지 못한 채, 모두가 더 맛있는 수프를 얻게 됩니다. 이 논문은 아주 중요한 질문을 던집니다. 이 "비밀 레시피" 방식이 실제로 금속 절삭 도구가 부서지기 직전을 예측하는 데 효과적일까요, 아니면 공장 현장의 무질서한 현실 속에서 실패하고 마는 화려한 아이디어에 불과할까요?

---

지친 드릴 비트의 이야기

CNC 가공의 세계에서 기계는 자동차, 휴대폰, 항공기 부품을 깎아내기 위해 날카로운 금속 도구를 사용합니다. 하지만 이 도구들은 무적 이 아닙니다. 연필심처럼 시간이 지나면서 무뎌지거나, 이가 빠지거나, 마모됩니다. 만약 도구가 너무 많이 마모되면, 만들어지는 부품은 폐기물이 되고 기계 자체가 고장 날 수도 있습니다. 따라서 공장들은 도구를 언제 교체해야 할지 정확히 알아야 합니다.

오랫동안 전문가들은 컴퓨터를 이용해 이러한 마모를 예측하려고 노력해 왔습니다. 하지만 문제가 하나 있습니다. 단일 공장은 컴퓨터를 잘 가르칠 만큼 충분한 데이터를 가지고 있지 않을 수 있으며, 데이터가 너무 크거나, 너무 민감하거나, 혹은 너무 위험해서 모든 민감한 기계 데이터를 중앙 클라우드로 보낼 수도 없습니다. 여기서 우리의 논문이 등장합니다. 마스트리흐트 대학교(Maastricht University) 연구팀은 연합 학습이 이 문제를 해결할 수 있는지 테스트하기로 했습니다. 그들은 서로의 원시 데이터를 공유하지 않고도 서로 다른 공장들이 협력하여 초스마트한 "마모 예측기"를 구축할 수 있는지 확인하고자 했습니다.

실험: 가상 공장 게임

이를 테스트하기 위해 연구진은 실제 공장을 짓는 대신, 17개의 서로 다른 절삭 도구 세트의 기록을 담고 있는 MATWI라는 특별한 데이터셋을 사용했습니다. 각 세트는 새것처럼 날카로운 상태부터 마모되고 부서진 상태까지, 하나의 물리적 도구의 전체 수명을 나타냅니다. 이 데이터는 "멀티모달(multimodal)" 방식으로, 두 가지 형태의 데이터를 제공합니다:

1. 센서 데이터: 기계를 위한 청진기처럼, 도구가 절삭하는 동안의 진동, 소음, 힘을 기록합니다.
2. 이미지 데이터: 절삭이 끝난 후 도구의 가장자리를 찍은 사진과 같습니다.

연구진은 이 17개의 도구 세트를 세 개의 가상의 "클라이언트"(A 공장, B 공장, C 공장이라고 부릅시다) 사이에 나누어 배치하여 시뮬레이션을 설정했습니다.

• "로컬(Local)" 팀: 각 공장은 오직 자신의 데이터만을 사용하여 자체적인 AI를 훈련했습니다.
• "중앙 집중형(Centralized)" 팀: A, B, C의 모든 데이터를 결합하여 하나의 거대한 모델을 훈련시키는 가상의 슈퍼 공장입니다. 이것이 "골드 스탠다드(gold standard)"이자 가능한 최선의 결과입니다.
• "연합(Federated)" 팀: 세 공장이 "비밀 레시피" 게임을 수행했습니다. 그들은 로컬에서 훈련한 뒤 모델 업데이트를 중앙 서버로 보내고, 결합된 새로운 모델을 다시 받았습니다. 이 과정은 여러 라운드(센서는 최대 100라운드, 이미지는 30라운드)에 걸쳐 진행되었습니다.

게임을 시작하기 전, 팀은 데이터를 정제해야 했습니다. 연구진은 도구가 움직이지만 실제로 절삭하고 있지 않은 상태(이를 "에어 컷(air cuts)"이라 부름)에서는 센서가 단순히 노이즈만 기록한다는 것을 깨달았습니다. 그래서 그들은 지루한 부분을 잘라내고 오직 "활발한 절삭" 순간만을 유지하는 스마트 필터를 개발했습니다. 그 결과 센서 모델이 훨씬 정교해졌으며, 오차율이 크게 감소함을 발견했습니다.

결과: 팀워크가 보상을 가져왔는가?

가장 큰 질문은 이것이었습니다: 연합 팀이 데이터를 공유하지 않고도 "중앙 집중형" 골드 스탠다드에 근접할 수 있을까요?

판결: 네, 놀라울 정도로 근접했습니다!

• 고립된 플레이어들을 압도하다: 연합 모델은 혼자서 배우려고 노력한 개별 공장들보다 훨씬 뛰어났습니다. 예를 들어, 이미지 테스트에서 연합 모델의 총 오차는 18.73 µm였는데, 이는 개별 공장들의 오차 범위(29.97 µm ~ 52.69 µm)보다 낮았습니다. 이는 지식(모델 업데이트)을 공유하는 것이 고립되어 있는 것보다 훨씬 낫다는 것을 증명합니다.
• 골드 스탠다드를 따라잡다: 연합 모델이 "갓 모드(God Mode)"인 중앙 집중형 모델을 완전히 따라잡지는 못했지만, 매우 근접했습니다.
  • 센서 데이터의 경우, 중앙 집중형 모델의 총 오차는 16.40 µm였고, 연합 모델은 17.90 µm였습니다. 아주 미세한 차이입니다!
  • 이미지 데이터의 경우, 중앙 집중형 모델은 18.06 µm, 연합 모델은 18.73 µm였습니다. 역시 거의 차이가 없었습니다.

미묘한 차이: 논문은 연합 모델이 이미지를 사용했을 때 "부착(adhesion, 물질이 도구에 달라붙는 현상)"을 예측하는 데 약간 더 나은 성능을 보였지만, 센서를 사용했을 때는 부착 예측 성능이 약간 떨어졌다고 언급합니다. 이는 타당한 결과인데, 부착은 시각적인 현상(찌꺼기가 눈에 보임)인 반면, 센서는 도구가 무뎌지는 진동(플랭크 웨어, flank wear)을 느끼는 데 더 적합하기 때문입니다.

이것이 미래에 의미하는 바

이 논문은 연합 학습이 실용적인 절충안이라는 결론을 내립니다. 이는 공장들이 개인정보 보호 규칙을 어기거나 테라바이트 단위의 데이터를 이동시키지 않고도 더 나은 AI 도구를 만들기 위해 협력할 수 있음을 시사합니다. 연합 방식이 중앙 집중형 버전을 완벽하게 일치시키는 마법의 탄환은 아니지만(여전히 작은 격차가 존재함), 혼자 일하는 것보다는 엄청난 발전입니다.

저자들은 이것이 특정 데이터셋을 사용한 시뮬레이션임을 주의 깊게 밝히고 있습니다. 실제 세상에서 더 많은 공장과 더 무질서한 데이터가 등장한다면 상황이 더 어려워질 수 있다고 경고합니다. 또한 현재 방식이 설계 단계부터 프라이버시를 보호하고 있지만, 해커들에게 100% 완벽하게 안전한 것은 아니므로 향후 추가적인 보안 계층이 필요할 수 있다고 지적합니다. 하지만 현재로서는 이야기가 명확합니다. "비밀 재료" 대신 "배운 교훈"을 공유함으로써, 기계는 자신의 마모와 손상을 훨씬 더 빠르고 정확하게 예측하는 법을 배울 수 있습니다. 이는 효율성을 위한 승리이며, 프라이버시를 위한 승리이자, 공장 현장을 원활하게 가동하기 위한 승리입니다.