Deep Learning-Driven Multi-Objective Optimization of Surface Finish and Tool Wear in CNC Dry Turning

제조업의 세계에서 머신 숍(machine shop)은 끊임없는 협상의 장입니다. 금속을 회전시켜 모양을 만드는 기계인 선반은 매번 절삭을 시작할 때마다 어려운 선택에 직면하는 인간 작업자에 의해 유도되어야 합니다. 작업자는 완성된 부품이 엔진이나 도구에 누설이나 피로를 유발할 수 있는 미세한 스크래치 없이 완벽하게 매끄럽기를 원합니다. 그러나 그 매끄러움을 만들어내는 설정값들은 종-종 절삭 공구를 훨씬 더 빨리 마모시켜, 공장이 값비싼 교체 비용을 지불하게 만듭니다. 이 미세한 표면과 오래 지속되는 공구 사이의 절충안은 금속 선삭(turning)의 핵심적인 문제입니다. 수십 년 동안 작업자들은 망가진 부품이나 부서진 공구에 돈을 낭비하는 것을 피하기 위해, 중간 지점을 찾고자 낡은 핸드북과 보수적인 추측에 의존해 왔습니다. 하지만 금속을 깎는 물리 법칙은 복잡하고 비선형적입니다. 기계가 회전하는 속도, 금속을 이송하는 속도, 그리고 절삭 깊이 사이의 관계는 단순하고 직선적인 경로를 따르지 않습니다. 규칙이 이토록 복잡할 때, 오래된 추측은 자주 실패하며, 결과적으로 부품이 너무 거칠어지거나 공구가 너무 빨리 마모되는 결과를 초래합니다.

다레살람 대학교의 연구팀은 더 많은 추측이 아니라, 데이터가 스스로 말하게 하는 현대적인 접근 방식을 통해 이 문제를 해결하기로 했습니다. 그들은 탄자니아 공장에서 사용되는 특정 유형의 중량급 선반을 위한 디지털 가이드를 구축하기로 했으며, 이는 작업자에게 최상의 결과를 얻기 위해 기계를 어떻게 설정해야 하는지 정확히 알려줄 수 있는 것입니다. 교과서에 나오는 단순한 공식에 의존하는 대신, 그들은 딥 뉴럴 네트워크(deep neural network)라고 알려진 일종의 인공지능을 사용했습니다. 이 기술을 하나의 고정된 규칙만을 따르는 경직된 계산기가 아니라, 일련의 사례로부터 복잡한 패턴을 학습할 수 있는 매우 유연한 두뇌라고 생각하십시오. 연구진은 이 유연한 두뇌가 전통적인 방식보다 표면 매끄러움과 공구 마모 사이의 절충안을 더 잘 찾아낼 수 있는지 확인하고자 했습니다.

시스템을 학습시키기 위해 연구팀은 생산용 CNC 선반에서 정교하게 계획된 27번의 실험을 수행했습니다. 그들은 지역에서 흔히 쓰이는 재료인 중탄소강 바를 사용하였고, 단 한 종류의 코팅된 카바이드 절삭 공구를 사용했습니다. 각 실행마다 세 가지 주요 설정을 변화시켰습니다: 금속이 회전하는 속도, 공구가 금속을 따라 이동하는 속도, 그리고 절삭 깊이입니다. 각 실행이 끝난 후, 그들은 높은 정밀도로 두 가지를 측정했습니다: 남겨진 표면의 거칠기와 절삭 공구 날의 마모량입니다. 이 작지만 완전한 데이터 세트가 연구의 토대가 되었습니다. 그 후 그들은 작업을 두 갈래 길로 나누었습니다. 한쪽 길에서는 데이터를 수년 동안 공장에서 사용해 온 전통적이고 단순한 수학 공식에 맞추었습니다. 다른 쪽 길에서는 딥 뉴럴 네트워크를 훈련시켜 동일한 27개의 숫자 속에 숨겨진 패턴을 학습하게 했습니다.

결과는 각 방법이 기계를 얼마나 잘 이해하고 있는지에 대한 명확한 차이를 보여주었습니다. 전통적인 공식은 표면 거칠기를 예측하는 데는 준수했지만, 공구 마모에 있어서는 현저히 어려움을 겪었습니다. 연구진은 공구의 마모가 설정들 사이의 복잡한 상호작용에 의해 발생한다는 것을 발견했는데, 이는 단순한 공식으로는 포착할 수 없는 구조였습니다. 공식들이 이러한 미묘한 연결 고리들을 놓쳤기 때문에, 그들은 가장 중요한 영역에서 심각한 오류를 범했습니다. 즉, 가장 매끄러운 마무리가 실제보다 훨씬 더 거칠 것이라고 작업자에게 알려준 것입니다. 구체적으로, 기존 모델은 실제 실험실에서 달성된 것보다 40%나 높은 최소 거칠기 값을 예측했습니다. 이것은 단순한 실수가 아니었습니다. 이는 전통적인 가이드가 최상의 결과를 숨기고 있으며, 완벽한 마무리가 실제로 도달 가능한 범위 안에 있음에도 불구하고 불가능하다고 작업자에게 말하고 있다는 것을 의미했습니다.

반면, 딥 뉴럴 네트워크는 전체 그림을 보았습니다. 그것은 단순한 공식이 놓친 복잡한 상호작용을 학습했고, 공구 마모를 훨씬 더 높은 정확도로 예측했습니다. 연구진이 이 더 똑똑한 모델을 사용하여 최적의 설정을 탐색했을 때, 결과는 극적으로 변했습니다. 새로운 가이드는 기존 가이드가 제시했던 것보다 28% 더 고운 마무리를 향한 경로를 보여주었습니다. 그것은 기계가 2.361 마이크로미터의 표면 거칠기를 만들어낼 수 있는 '스위트 스팟(sweet spot)'을 찾아냈는데, 이는 전통적인 모델이 완전히 간과했던 수준의 매끄러움이었습니다. 이 연구는 유연한 학습 모델을 사용하는 것이 경직된 공식보다 훨씬 더 넓은 범위의 고품질 옵션을 노출할 수 있음을 입증했습니다.

더 나은 지도를 손에 넣은 후, 팀은 이 많은 옵션 중 무엇이 실제 작업자를 위한 최선의 권장 사항인지 결정해야 했습니다. 그들은 고전적인 딜레마에 직면했습니다: 절대적으로 가장 매끄러운 마무리를 주는 설정은 공구를 더 빨리 마모시키는 반면, 공구를 아끼는 설정은 표면을 약간 더 거칠게 만든다는 점이었습니다. 이를 해결하기 위해 그들은 곡선의 '무릎(knee)' 지점, 즉 최소한의 추가 비용으로 최대의 이득을 얻는 지점을 찾는 의사결정 방법을 사용했습니다. 그들은 이 특정 기계와 재료에 대해, 목표가 무엇이든 상관없이 이송 속도(feed rate)와 절삭 깊이는 항상 동일한 두 가지 특정 값으로 설정되어야 한다는 것을 발견했습니다. 유일하게 변해야 하는 설정은 주축 속도(spindle speed)뿐이었습니다. 이는 작업자의 업무를 엄청나게 단순화했습니다. 세 가지 변수를 조절하는 대신, 작업자는 단 하나의 다이얼만 돌리면 되었습니다.

연구진은 또한 이 권장 사항이 작업자의 우선순위에 얼마나 민감한지도 테스트했습니다. 그들은 질문했습니다: 만약 공장이 표면 마무보다 속도를 더 중요하게 생각한다면, 혹은 그 반대라면 어떻게 될까? 그들은 권장 사항이 놀라울 정도로 견고하다는 것을 발견했습니다. 작업자가 표면 마감을 전체 중요도의 55% 이상으로 우선순위를 두지 않는 한, 최적의 설정은 공구를 아끼는 느린 속도로 유지되었습니다. 오직 마무리가 절대적인 최우선 순위가 되었을 때만 권장 사항이 가장 빠른 속도로 급격히 변했습니다. 이러한 안정성은 공장이 선호도의 미세한 변화마다 설정을 계속 다시 계산할 필요 없이, 대부분의 생산 요구 사항에 대해 단 하나의 확고한 권장 사항에 의존할 수 있음을 의미합니다.

본 연구는 단순한 공식에 의존하는 기존 방식이 돈과 품질을 낭비하고 있다는 결론을 내립니다. 실제 생산 기계에서 얻은 실전 데이터로 훈련된 딥 러닝 모델을 사용함으로써, 연구진은 더 정확할 뿐만 아니라 기계가 할 수 있는 능력에 대해 더 정직한 도구를 제공했습니다. 그들은 기존 모델의 편향이 단순히 이론적인 오류가 아니라, 작업자가 선택할 수 있는 메뉴를 왜곡하는 실질적인 오류였음을 보여주었습니다. 새로운 접근 방식은 명확하고 데이터에 기반한 경로를 제공하여, 복잡하고 혼란스러운 절충안을 누구나 따를 수 있는 단순하고 신뢰할 수 있는 지침으로 바꾸어 놓았습니다.