Research on thermal error modeling of high-speed motorized spindles based on SC-ANFIS

정밀 가공은 금속을 매우 정교하게 깎아내는 예술로, 완벽한 부품과 결함이 있는 부품 사이의 차이가 육안으로는 보이지 않는 미세한 단위인 마이크로미터 단위로 측정됩니다. 이 작업을 수행하는 기계에 있어 가장 큰 적은 무딘 도구나 흔들리는 손이 아니라 바로 열입니다. 고속 모터가 공작 기계 내부에서 회전함에 따라, 마찰과 전기 저항은 금속 부품을 팽창시키는 온기를 발생시킵니다. 이러한 팽창은 균일하게 일어나지 않습니다. 기계는 예측하기 어려운 방식으로 휘거나 변형되며, 이는 절삭 도구를 의도한 경로에서 미세하게 벗어나게 만듭니다. 단 몇 마이크로미터의 작은 변화만으로도 항공기 엔진이나 의료 기기에 들어갈 부품을 망가뜨릴 수 있습니다. 수십 년 동안 엔지니어들은 기계의 여러 지점에서 온도를 측정하고 그 수치를 이용해 기계가 얼마나 팽창했을지 추측함으로써 이 문제에 대응하려 노력해 왔습니다. 그러나 열과 움직임 사이의 관계는 복잡하며 기계가 회전하는 속도에 따라 달라지기 때문에, 단순한 추측은 신뢰하기 어렵습니다.

후난 대학교의 연구진과 산업 파트너들은 특히 세라믹 볼 베어링을 사용하는 고속 구동 스핀들을 위해, 이러한 열적 변위를 예측하는 새로운 방법을 개발하여 이 문제를 해결했습니다. 복잡한 조건에서 자주 실패하는 전통적인 수학 공식에 의존하는 대신, 그들은 인간이 패턴으로부터 학습하는 방식을 모방한 방법론을 채택했습니다. 그들의 접근 방식은 두 가지 주요 단계로 구성됩니다. 첫째, 어떤 온도 센서가 실제로 중요한지를 파악하는 것이고, 둘째, 그 온도 데이터와 기계의 움직임을 연결하는 스마트 컴퓨터 모델을 사용하는 것입니다. 연구진은 10개의 가능한 위치 중 단 3개의 핵심적인 온도 지점만을 신중하게 선택하고, 그 데이터를 특화된 학습 시스템에 입력함으로써, 기계가 서로 다른 속도로 작동할 때도 기존 방식보다 훨씬 높은 정확도로 기계의 열적 드리프트(thermal drift)를 예측할 수 있음을 발견했습니다.

이 과제를 이해하려면 먼저 기계 자체를 살펴보아야 합니다. 연구진은 모터와 절삭 도구가 하나의 회전축에 통합된 소형 유닛인 특정 유형의 구동 스핀들을 연구했습니다. 내부의 세라믹 볼 베어링과 내장된 모터는 강렬한 열을 발생시킵니다. 기계가 작동하면 이 열은 고르게 퍼지지 않습니다. 이는 베어링과 모터 근처에 핫스팟(hot spots)을 형성하여 금속이 불균일한 패턴으로 팽창하게 만듭니다. 이 보이지 않는 열을 매핑하기 위해, 팀은 먼저 컴퓨터 시뮬레이션을 사용하여 온도 분포를 시각화하였고, 이를 통해 전방 및 후방 베어링과 모터 하우징이 주요 열 응력원임을 확인했습니다. 그 후, 그들은 스핀들의 전방 하우징부터 후방 베어링 챔버까지 전략적 위치에 10개의 온도 센서를 배치한 물리적 테스트 리그를 구축했습니다. 또한 스핀들 팁이 가열됨에 따라 실제로 얼마나 이동하는지를 측정하기 위한 고정밀 센서도 설치했습니다.

연구팀은 스핀들을 3,000에서 15,000 RPM 사이의 다섯 가지 서로 다른 속도로 각각 2시간 동안 회전시키는 실험을 수행했습니다. 기계가 예열됨에 따라 센서들은 5초마다 온도 변화를 기록했고, 변위 센서는 스핀들 팁이 얼마나 이동했는지를 추적했습니다. 데이터는 명확한 패턴을 보여주었습니다. 낮은 속도에서는 온도가 완만하게 상승하고 기계가 천천히 팽창했습니다. 그러나 속도가 높아질수록 열이 더 빠르게 축적되었고, 기계 각 부위 간의 온도 차이는 더욱 극심해졌습니다. 최고 속도에서 스핀들의 전방과 후방 사이의 온도 차이는 섭씨 10도를 초과했으며, 이는 표준 방정식으로는 모델링하기 어려운 복잡한 열 환경을 조성했습니다.

연구진이 직면한 첫 번째 난관은 예측 모델을 위해 10개의 온도 센서 중 어떤 것을 사용할지 결정하는 것이었습니다. 10개를 모두 사용하는 것은 많은 노이즈와 혼란을 야 l 수 있는데, 많은 센서가 서로 너무 유사한 온도를 측정하기 때문입니다. 이를 해결하기 위해 그들은 2단계 필터링 과정을 채택했습니다. 먼저, 시간 경과에 따른 온도 변화의 유사성을 기준으로 센서들을 그룹화하여, 10개의 지점을 세 개의 뚜렷한 구역으로 클러스터링했습니다. 그다음, 각 구역에서 어떤 센서가 실제 스핀들의 움직임과 가장 밀접하게 연관되어 있는지 분석했습니다. 이 과정을 통해 중복되는 센서들을 제거하고, 전방 하우징, 모터 근처, 후방 베어링에 위치한 단 3개의 '민감한' 지점만을 선택할 수 있었습니다. 이 세 지점은 추가적인 데이터의 혼란 없이 전체 시스템의 필수적인 열적 거동을 포착해 냈습니다.

입력 데이터가 간소화되자, 연구진은 예측 모델로 눈을 돌렸습니다. 전통적인 방식은 데이터를 엄격하게 정의된 범주에 강제로 끼워 맞추려 하기 때문에, 기계가 예상치 못한 방식으로 작동할 때 오류가 발생할 수 있습니다. 팀은 대신 감쇄 클러스터링 적응형 신경-퍼지 추론 시스템(subtractive clustering adaptive neuro-fuzzy inference system)이라 불리는 시스템을 사용했습니다. 쉽게 말해, 이것은 무엇을 찾아야 할지 정확히 알려주지 않아도 데이터의 패턴을 인식하도록 학습하는 컴퓨터 프로그램입니다. 이 시스템은 세 개의 선택된 온도와 그로 인한 열적 드리프트 사이의 관계를 스캔하여, 기계의 거동을 지배하는 가장 중요한 '규칙'들을 자동으로 식별합니다. 시스템을 혼란스럽게 만드는 거대하고 다루기 힘든 규칙 집합을 만드는 기존 모델과 달리, 이 새로운 방식은 데이터가 가장 밀집된 클러스터에 집중함으로써 가장 효율적인 규칙 세트를 찾아냅니다. 이를 통해 모델은 다양한 작동 속도에 빠르게 적응하고, 열적 조건이 매우 비선형적인 상황에서도 정확도를 유지할 수 있습니다.

연구 결과는 놀라웠습니다. 연구진은 모든 스핀들 속도에 대해 표준 신경망 및 선형 회귀를 포함한 여러 일반적인 예측 방법들과 이 새로운 모델을 비교 테스트했습니다. 낮은 속도에서는 모든 모델이 준수한 성능을 보였으나, 속도가 높아지고 열적 거동이 복잡해짐에 따라 기존 모델들은 실패하기 시작했습니다. 기존 모델들의 예측값은 실제 측정값에서 벗어나 오차가 크게 증가했습니다. 반면, 새로운 모델은 정밀도를 유지했습니다. 기계의 열적 거동이 가장 혼란스러웠던 7,500 RPM의 최고 속도에서도, 새 모델은 열적 드리프트를 1.6 마이크로미터 미만의 오차로 예측했습니다. 이는 기존 방법들이 30% 이상의 더 큰 오차를 냈던 것과 비교하면 상당한 개선입니다. 다양한 속도 범위에서 정확도를 유지하는 이 모델의 능력은, 모델이 단순히 특정 데이터를 암기하는 것이 아니라 기계의 열 팽창에 내재된 물리 법칙을 성공적으로 학습했음을 시사합니다.

이 연구의 의의는 고정밀 제조를 더욱 신뢰할 수 있게 만드는 데 있습니다. 열로 인해 기계가 얼마나 팽창할지를 정확하게 예측함으로써, 엔지니어들은 기계가 실시간으로 움직임을 자동 조정하도록 프로그래밍하여, 최종 제품에 영향을 미치기 전에 열적 오차를 효과적으로 상쇄할 수 있습니다. 본 연구는 스마트한 센서 선택과 고급 패턴 인식의 조합이 오랫동안 업계를 괴롭혀온 문제를 해결할 수 있음을 보여주었습니다. 연구진은 정밀한 작업을 수행하기 위해 반드시 방대한 센서 배열이나 복잡한 물리적 시뮬레이션이 필요한 것이 아니라, 적절한 데이터를 식별하고 유연한 학습 시스템을 사용하는 집중적인 접근 방식이 차세대 정밀 도구에 필요한 견고함을 제공할 수 있음을 입증했습니다. 이러한 접근 방식은 단 한 번의 열적 오차로도 막대한 비용이 발생할 수 있는 항공우주 및 자동차 제조 분야에서 극한의 정확도를 유지하기 위한 실질적인 경로를 제시합니다.