Physics-constrained identification of equivalent interfacial friction coefficients and load-transfer behavior in a wedge-loading planetary traction drive

기술 요약: 웨지 로딩형 행성 트랙션 드라이브의 등가 계면 마찰 계수 및 하중 전달 거동의 물리 제약 기반 식별

문제 정의
웨지 로딩형 행성 트랙션 드라이브(WPTD)는 고압 롤링 접촉 내의 탄성 유체 윤활(EHL) 영역을 통해 토크를 전달한다. 이러한 시스템은 높은 출력 밀도와 낮은 진동을 제공하지만, 내부 상태 변수, 즉 다중 트랙션 접촉 계면의 등가 계면 마찰 계수와 적응형 로딩 분지의 실시간 접촉 참여 상태를 직접 측정하는 것은 매우 어렵다. 기존의 기계적 모델은 주로 순방향 모델(forward-looking)로서, 구조적 구성과 마찰 특성을 이미 알고 있는 입력값으로 취급하여 시스템 응답을 예측한다. 결과적으로, 측정 가능한 시스템 수준의 변수(속도 및 토크)로부터 이러한 내부 상태 의존적 파라미터를 식별할 수 있는 물리적으로 일관된 역문제 해결 방법이 부족한 실정이다. 순수 데이터 기반 접근 방식은 데이터가 희소하거나 노이즈가 있는 경우 물리적으로 일관된 결과를 생성하지 못하는 경우가 많으며, 고충실도 유한 요소(FE) 모델은 조밀한 운전 격자에 걸친 빠른 파라미터 역산에 사용하기에는 계산 비용이 너무 높다.

방법론
본 연구는 준정적 기계 모델링, 유한 요소 분석, 그리고 물리 정보 신경망(PINN)을 통합하는 물리 제약 기반 역산 프레임워크를 제안한다.

1. 준정적 기계 모델링: 법선 하중, 접선 트랙션 힘, 접촉 참여, 그리고 입력-출력 토크 평형 사이의 결합을 설명하는 준정적 모델을 구축하였다. 이 모델은 5개의 핵심 트랙션 접촉 계면($C_1$–$C_5$)을 정의하며, 두 개의 적응형 로딩 분지의 상태(접촉 또는 분리)를 나타내기 위해 접촉 참여 계수($\lambda$)를 도입한다.
2. 유한 요소(FE) 검증 및 샘플 생성: 로딩 메커니즘(특히 로딩 롤러 사이의 중심 거리 변화)의 구성 보상 정보를 추출하고 접촉 하중 분포를 검증하기 위해 FE 모델을 개발하였다. 이 과정은 강체 가설로 인한 편차를 수정하였다. 검증된 모델을 사용하여 입력 속도 5006000 rpm, 출력 토크 5350 N·m 범위를 커버하는 720개의 물리 강화 이론 샘플을 생성하였다.
3. PINN 구조 및 학습: 입력 변수(입력/출력 속도 및 토크)와 직접 출력(5개의 등가 계면 마찰 계수 및 2개의 접촉 참여 상태)을 갖는 PINN을 구축하였다. 네트워크는 이론적 샘플과 실험적 앵커링 세트(88개 샘플)로 구성된 하이브리드 데이터셋을 사용하여 학습되었다. 실험 세트는 운전 조건은 제공하지만 내부 파라미터에 대한 정답(ground-truth) 레이블은 제공하지 않는다.
4. 물리 제약 손실 함수: 다음으로 구성된 복합 손실 함수를 최소화하도록 학습 목표를 설정하였다:
   • 마찰 계수 감독: 준정적 모델의 이론적 참조 값을 기반으로 함.
   • 기계적 평형 잔차: 역산된 파라미터가 물리 법칙을 만족하도록 보장하는 11개의 구성 요소 수준 잔차(힘 및 모멘트 평형).
   • 접촉 상태 정규화: 저하중에서는 접촉 참여 상태가 1에 가깝게 유지되도록 유도하고, 고하중에서는 분리를 허용하는 소프트 프라이어(soft prior).
   • 결정적으로, 실험적 전달 효율은 학습 중 감독 레이블로 사용되지 않았다.

주요 기여

• 역산 프레임워크: 복잡한 WPTD 내에서 내부 트리볼로지 상태를 직접 측정하지 않고도 등가 계면 마찰 계수를 식별하고 접촉 참여 상태를 추론할 수 있는 비침습적 방법을 개발하였다.
• 물리 강화 데이터 생성: 로딩 메커니즘의 구성 변화를 보상하기 위해 FE 검증으로 증강된 데이터셋을 생성하여 물리적으로 일관된 학습 타겟을 제공하였다.
• 후처리 효율 검증: 역산된 내부 상태로부터 전달 효율을 계산한 후, 이를 실험 데이터와 비교하여 모델이 단순히 효율 곡선을 피팅하는 것이 아니라 물리적 메커니즘을 학습하도록 하는 사후 검증 전략을 수립하였다.
• 상대적 마찰-하중 결합 지수: 서로 다른 트랙션 계면의 전체 마찰-하중 결합에 대한 기여도를 순위 매기기 위해 지표($I_{c,i} = \mu_i \sigma_i$)를 도입하여 계면 수준의 최적화를 용이하게 하였다.

결과

• 모델 정확도: 준정적 모델은 FE 결과와 강력한 일치성을 보였으며, 트랙션 계면의 법선 하중 오차는 2% 미만이었고, 보상된 로딩 롤러 중심 거리의 최대 상대 오차는 7.99%였다.
• 효율 예측: 500, 3000, 6000 rpm에서의 실험 데이터에 대한 사후 검증 결과, 제안된 PINN은 물리적 제약이 없는 베이스라인 인공 신경망(ANN)보다 성능이 현저히 우수했다. PINN은 후처리된 전달 효율의 제곱평균제곱근 오차(RMSE)를 각각 52.86%, 64.27%, 63.06% 감소시켰으며, $R^2$ 값은 0.980 이상을 유지하였다.
• 물리적 일관성: 역산된 마찰 계수와 후처리된 헤르츠 접촉 응력은 샘플 범위 내에서 이론적 경향을 잘 따랐으며, 샘플 외 영역에서도 연속성을 유지하였다.
• 계면 분석: 분석 결과, 선 롤러-플래닛 롤러 계면($C_1$)과 우측 로딩 분지 계면($C_3, C_5$)이 마찰-하중 결합의 주요 기여자임을 확인하였으며, 각각 전체 결합 강도의 약 47%, 29%, 21%를 차지하였다. 좌측 로딩 분지 계면($C_2, C_4$)의 기여도는 1.2% 미만이었다.
• 고속 외삽: 모델을 6500~10000 rpm으로 외삽하였다. 결과는 주요 기여 계면이 안정적($C_1, C_3, C_5$)임을 나타냈으며, 일정 하중 조건에서 속도가 증가함에 따라 상대적 마찰-하중 결합 강도가 감소함을 보여주었다. 단, 이러한 고속 결과는 실험적 확증이 아닌 모델 기반의 경향성으로 제시되었다.

의의 및 주장
본 논문은 제안된 프레임워크가 희소한 실험 조건 하에서 WPTD의 내부 트리볼로지 상태를 식별하는 역문제를 성공적으로 해결했다고 주장한다. 학습 과정에 기계적 평형 제약을 직접 삽입함으로써, 이 방법은 식별된 파라미터가 물리적으로 일관되도록 보장하여 후처리된 시스템 수준의 효율 예측 신뢰도를 높인다. 본 연구는 계면 수준의 파라미터에 관한 결과가 직접적인 국부 마찰 또는 응력의 실험적 측정값이 아니라, 물리적 일관성 검사 및 해석 도구로 사용됨을 강조한다. 저자들은 6500~10000 rpm에 대한 고속 외삽을 향후 실험 계획 및 구조 최적화를 위한 예비 가이드로 제시하며, 고속 효율 및 마찰 동력 손실에 대한 확정적인 결론을 위해서는 추가적인 고속 벤치 테스트 및 결합 열-윤활-기계 분석이 필요함을 명시적으로 언급하였다.