An Intelligent CNC Machine Tool Based on Random Forests Parameters Prediction Model

현대 제조업의 세계에서 디지털 설계가 물리적인 금속이나 플라스틱 부품으로 변환되는 여정은 컴퓨터 수치 제어, 즉 CNC라고 알려진 특정 유형의 자동화 기계에 크게 의존합니다. 이 기계들은 산업의 일꾼으로서, 인간의 손으로는 따라 할 수 없는 정밀도로 복잡한 형상을 깎아낼 수 있습니다. 이를 작동시키기 위해 엔지니어들은 G-코드라고 불리는 일련의 지침을 작성해야 하며, 이 코드는 기계의 절삭 공구가 어떻게 움직여야 하는지, 얼마나 빨리 회전해야 하는지, 그리고 재료를 얼마나 깊게 파고들어야 하는지를 정확하게 알려줍니다. 수십 년 동안 이러한 속도와 피드(speeds and feeds)를 설정하는 일은 숙련된 전문가들의 전유물이었습니다. 이 전문가들은 수년간의 경험과 일반적인 경험칙에 의존하여 기계가 어떻게 작동해야 할지를 결정합니다. 이 방식은 효과적이긴 하지만, 느리고 일관성이 없으며, 단순히 서로 다른 작업자가 서로 다른 습관을 가지고 있다는 이유로 동일한 작업이라도 서로 다른 기계에서 다른 설정이 사용되는 결과를 초래하곤 합니다. 제품이 점점 더 복잡해지고 생산 주기가 짧아짐에 따라, 업계는 인간의 전문성에서 오는 품질을 잃지 않으면서도 이러한 설정을 더 빠르고 신뢰성 있게 만드는 방법을 찾고 있습니다.

크로아티아의 풀라 대학교(University of Pula) 연구팀은 인간의 경험과 자동화된 효율성 사이의 간극을 메울 새로운 방법을 제안했습니다. 연구진은 전문가나 기계를 대체하려고 시도하는 대신, 공장 현장 자체로부터 학습하는 시스템을 개발했습니다. 연구진은 작업장에서 세 대의 서로 다른 밀링 머신으로부터 데이터를 수집하여, 이전에 성공했던 251건의 가공 작업을 분석했습니다. 그들은 과거 작업의 G-코드 파일을 읽어 어떤 종류의 절삭이 이루어졌는지, 어떤 재료가 사용되었는지, 그리고 어떤 크기의 공구가 사용되었는지를 식별하는 컴퓨터 프로그램을 구축했습니다. 이러한 기록을 연구함으로써, 그들은 새로운 테스트되지 않은 프로그램을 보고 과거에 잘 작동했던 사례를 바탕으로 최적의 속도와 피드 설정을 제안할 수 있는 디지털 모델을 만들었습니다. 이 접근 방식은 새로운 하드웨어나 값비싼 센서를 필요로 하지 않습니다. 단지 운영자가 이미 작성하고 테스트한 프로그램에 이미 존재하는 정보를 활용할 뿐입니다.

그들의 방법의 핵심은 랜덤 포레스트(random forest)라고 불리는 일종의 컴퓨터 학습을 포함합니다. 각기 조금씩 다른 관점을 가진 전문가 집단이 문제에 대한 최선의 답을 두고 투표하는 모습을 상상해 보십시오. 이 경우, "전문가"는 과거 작업의 데이터를 분석하는 수학적 결정 트리(decision trees)입니다. 연구진은 네 가지 핵심 정보를 시스템에 입력했습니다: 사용 중인 특정 기계, 절삭 중인 재료의 종류, 수행 중인 작업의 종류, 그리고 절삭 공구의 직경입니다. 그러면 시스템은 네 가지 중요한 설정값, 즉 공구가 얼마나 빨리 회전해야 하는지, 기계가 얼마나 빨리 움직여야 하는지, 절삭 폭은 얼마여야 하는지, 그리고 얼마나 깊게 들어가야 하는지를 예측하는 법을 학습합니다. 연구는 네 가지 흔한 유형의 밀링 작업, 즉 구멍 뚫기(drilling), 표면 평탄화(flattening), 윤곽 절삭(cutting outlines), 그리고 포켓 파내기(hollowing out pockets)에 초점을 맞췄습니다. 그들은 이 시스템을 공학용 플라스틱, 구체적으로 폴리프로필렌과 두 종류의 폴리에틸렌으로 만든 부품에 대해 테스트했습니다.

결과는 시스템이 작업장의 숨겨진 패턴을 놀라운 정확도로 학습할 수 있음을 보여주었습니다. 모델은 기계의 정체 자체가 공구 회전 속도를 결정하는 데 가장 중요한 요소라는 것을 발견했습니다. 이는 타당한데, 기계마다 출력 수준과 기계적 한계가 다르기 때문입니다. 견고하고 무거운 기계는 가벼운 기계보다 더 높은 속도를 감당할 수 있습니다. 절삭 공구의 크기는 기계의 이동 속도와 절삭 깊이를 결정하는 지배적인 요인이었습니다. 작업의 종류 또한 모든 예측에서 중요한 역할을 했습니다. 흥ari롭게도, 절삭 중인 플라스틱의 구체적인 종류는 대부분의 설정에 거의 영향을 미치지 않았는데, 이는 기계의 성능과 공구의 크기가 재료보다 훨씬 더 영향력이 크다는 것을 시사합니다. 시스템은 특히 절삭 폭을 예측하는 데 뛰어났으며, 원래의 성공적인 프로그램에서 사용된 값과 거의 완벽하게 일치했습니다. 절삭 깊이에 대해서는 확신이 다소 떨어졌는데, 이는 절삭 깊이가 한 번의 패스(pass)에서 제거해야 할 재료의 양에 따라 달라지는 경우가 많으며, 코드만으로는 항상 명확하지 않은 세부 사항이기 때문입니다.

가장 드러나는 발견 중 하나는 인간의 습관이 과정에 얼마나 많은 영향을 미치는가였습니다. 연구진은 서로 다른 작업자가 동일한 기계로 동일한 재료를 절삭할 때도 매우 다른 속도와 피드를 선택한다는 점을 주목했습니다. 어떤 작업자는 공격적으로 기계의 한계까지 몰아붙이는 반면, 다른 작업자는 속도보다는 안전을 우선시하며 보수적으로 행동할 수 있습니다. 이러한 개인적 선호도는 기존의 규칙들이 포착하지 못하는 넓은 범위의 데이터를 만들어냈습니다. 그러나 새로운 시스템은 이러한 다양한 인간의 경험을 하나의 일관된 권장 사항으로 합성할 수 있었습니다. 이 시스템은 단 하나의 "정답"을 강요하는 것이 아니라, 작업장의 집단적 역사를 바탕으로 가장 확률 높은 최적의 설정을 제안합니다. 연구진은 이 모델을 2단계 워크플로우에 통합했습니다. 첫째, 시스템이 새로운 G-코드 프로그램을 분석하고 개선된 매개변수를 제안합니다. 둘째, 이 제안을 인간 운영자에게 제시하며, 운영자는 조언을 수락, 거부 또는 수정할 수 있는 완전한 권한을 유지합니다. 이는 최종 결정이 인간의 손에 남아 있음을 보장하며, 운영자의 판단을 존중하는 동시에 데이터에 기반한 시작점을 제공합니다.

이 연구는 머신러닝 모델이 제조 현장에 축적된 지식을 효과적으로 추출하여 새로운 상황에 적용할 수 있음을 확인시켜 줍니다. 251건의 작업을 세 대의 서로 다른 기계에 걸쳐 분석함으로써, 연구진은 스핀들 속도와 절삭 폭에 대해 높은 신뢰도로 가공 매개변수를 예측할 수 있음을 입증했습니다. 시스템은 기계의 정체성과 공구 직경이 이러한 결정의 주요 동력임을 성공적으로 식별했습니다. 이 모델이 비록 절삭 깊이가 모호한 경우처럼 인간의 직관을 완벽하게 대체할 수는 없지만, 셋업 시간을 줄이고 생산 품질을 표준화하는 강력한 도구를 제공합니다. 이 접근 방식은 하드웨어 수정이 필요하지 않으며 공장이 이미 사용 중인 소프트웨어와 함께 작동합니다. 제조업이 더욱 유연하고 자동화된 시스템으로 나아감에 따라, 이 방법은 과거의 성공을 활용하여 미래의 성과를 개선하고, 숙련된 운영자의 지혜가 전체 생산 라인에 걸쳐 보존되고 공유되도록 하는 실질적인 방법을 제시합니다.