💻 computer science

A Tool Wear Prediction Method Based on Multi-Scale Temporal Feature Fusion

본 논문은 다중 스케일 시계열 특징 융합, 전역-지역 특징 모델링, 그리고 추세-세부 사항 분해를 통합하여 복잡한 신호 역학을 효과적으로 포착함으로써 기존 베이스라인 모델들과 비교하여 교차 공구 검증에서 우수한 정확도와 일반화 성능을 달성하는 새로운 공구 마모 예측 모델인 GLDformer를 제안한다.

원저자: Chen Jinguo, Sun Da, He Genghuang, Luo Manting, Chen Youxing, Li Miao, Zhang Qinkun, Chen Linhan

게시일 2026-10-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chen Jinguo, Sun Da, He Genghuang, Luo Manting, Chen Youxing, Li Miao, Zhang Qinkun, Chen Linhan

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 제조업의 세계에서 절삭 공구는 정밀함의 숨은 영웅입니다. 항공기 엔진의 부품을 성형하든 의료용 임플란트를 제작하든, 날카로운 공구는 매끄러운 표면과 정확한 치수를 보장합니다. 하지만 도구는 영원히 지속되지 않습니다. 금속을 베어 나갈 때, 공구는 '마모'라고 알려진 과정을 통해 서서히 무뎌집니다. 이러한 점진적인 퇴화는 위험합니다. 너무 마모된 공구는 부러질 수 있으며, 이는 깎고 있는 값비싼 부품을 망가뜨릴 뿐만 아니라 기계 자체에 손상을 줄 수도 있습니다. 이를 방지하기 위해 엔지니어들은 오랫동안 기계의 소리에 귀를 기울이려 노력해 왔습니다. 장비에 센서를 부착함으로써, 그들은 공구가 무뎌짐에 따라 발생하는 진동, 힘, 소리의 미묘한 변화를 "들을" 수 있습니다. 이 신호들은 공구와 가공물 사이의 지속적인 대화와 같지만, 그 언어는 매우 복합적입니다. 신호에는 공구가 노후화됨을 보여주는 느리고 꾸준한 변화와, 절삭 과정의 거칠기로 인해 발생하는 갑작스럽고 날카로운 스파이크가 혼재되어 있습니다. 수년간 이러한 신호를 읽도록 설계된 컴퓨터 프로그램들은 이 느린 이야기와 갑작스러운 사건을 동시에 이해하는 데 어려움을 겪었으며, 종종 너무 늦기 전까지 경고 신호를 놓치곤 했습니다.

중국의 대학 연구진은 이 대화에 귀를 기울이는 새로운 방법, 즉 신호의 모든 뉘앙스에 주목하는 방법을 개발했습니다. 그들은 기계에서 흘러나오는 데이터를 통해 공구가 정확히 얼마나 마모되었는지 예측하도록 설계된 정교한 소프트웨어 모델인 GLDformer라는 시스템을 만들었습니다. 데이터를 하나의 단순한 패턴으로 강제하려 하는 대신, 그들의 접근 방식은 신호를 다양한 시간 척도를 가진 풍부한 태피스트리로 취급합니다. 이 모델은 공구 수명의 느리고 꾸준한 흐름을 살피는 동시에, 절삭 과정의 빠르고 혼란스러운 떨림을 추적합니다. 이러한 서로 다른 리듬을 분리한 다음 다시 하나로 엮음으로써, 모델은 놀라운 명확성으로 공구 상태의 전체 그림을 볼 수 있습니다.

연구진은 밀링 머신과 관련된 공개 챌린지의 잘 알려진 데이터 모음을 사용하여 이 아이디어를 테스트했습니다. 그들은 각 도구의 날카로웠던 순간부터 폐기될 때까지의 전체 기록을 가진 세 가지 특정 공구에 집중했습니다. 테스트를 진정으로 엄격하게 만들기 위해, 그들은 "leave-one-tool-out(하나의 도구를 제외한 학습)"이라는 방법을 사용했습니다. 이는 컴퓨터에 두 개의 도구로 학습시킨 후, 컴퓨터가 한 번도 본 적 없는 세 번째 도구의 마모를 예측하도록 요청하는 것을 의미합니다. 이는 실제 공장에서 새로운 도구가 컴퓨터가 학습한 도구와 약간 다르게 작동할 수 있기 때문에 매우 중요한 테스트입니다. 만약 시스템이 알 수 없는 도구의 마모를 예측할 수 있다면, 이는 해당 방법이 실제 현장에서 사용할 만큼 견고하다는 것을 증명합니다.

결과는 놀라웠습니다. 새 모델이 보지 못했던 도구를 바라보았을 때, 평균 오차는 단 6.07에 불과했습니다. 이를 체감할 수 있게 설명하자면, 모델은 머리카락 너비의 10분의 1도 안 되는 오차를 보였습니다. 이 수준의 정밀도는 훨씬 더 큰 오차를 보였던 기존의 최선 방법들보다 현저히 뛰어난 것이었습니다. 또한 모델은 공구 수명의 전반적인 추세를 일치시키는 데 있어 매우 높은 정확도를 보였으며, 공구가 건강한 상태인지 아니면 유효 수명의 끝에 빠르게 다다르고 있는지를 정확히 식риста 식별해 냈습니다.

이 접근 방식이 그토록 효과적인 이유는 센서 데이터에 숨겨진 다양한 유형의 정보를 처리하는 방식에 있습니다. 연구진은 표준 컴퓨터 모델이 장기적인 추세와 단기적인 노이즈가 포함된 신호를 접할 때 자주 혼란을 겪는다는 점을 깨달았습니다. 그들의 해결책은 병렬로 작동하는 두 개의 뚜렷한 "두뇌"를 갖춘 시스템을 구축하는 것이었습니다. 시스템의 한 부분은 전체 시퀀스에 집중하여 공구의 연령과 성능 사이의 장기적인 관계를 이해합니다. 다른 부분은 확대하여 신호의 작은 국소적 조각들을 조사함으로써 단일 절삭 중에 발생하는 즉각적이고 날카로운 변동을 포착합니다. 그 후 스마트한 전환 메커니즘이 어느 시점에 각 관점에 얼마만큼의 무게를 둘지 결정하여, 이들을 하나의 일관된 이해로 결합합니다.

나아가, 이 모델은 느리고 꾸준한 감소와 빠르고 불규칙한 진동을 분리하는 특별한 단계를 포함하고 있습니다. 시끄러운 오케스트라 속에서 단 하나의 악기 소리를 듣는다고 상상해 보십시오. 만약 소리의 크기에만 집중한다면 멜로디를 놓칠 수 있습니다. 이와 유사하게, 이 모델은 공구가 마모되는 느린 "멜로디"를 절삭 과정의 "노이즈"로부터 격리합니다. 이 두 구성 요소를 별도로 분석한 다음 재결합함으로써, 시스템은 중요한 세부 사항을 뭉뚱그리거나 일시적인 스파이크에 의해 주의가 분산되는 흔한 실수를 피합니다. 이러한 분리는 모델이 절삭 과정이 혼란스러워질 때도 차분하고 정확함을 유지할 수 있게 합니다.

연구진은 또한 이러한 특별한 기능들을 하나씩 제거했을 때 어떤 일이 일어나는지 테스트했습니다. 국소적인 세부 사항을 살피는 부분을 제거했을 때 모델의 정확도가 크게 떨어졌는데, 이는 작고 날카로운 변동이 올바른 예측에 필수적임을 입증합니다. 장기적인 추세를 살피는 부분을 제거했을 때는 모델이 공구의 전반적인 수명을 이해하지 못했습니다. 그리고 느린 추세와 빠른 노이즈를 분리하는 단계를 제거했을 때는 공구가 빠르게 마모될 때 특히 더 큰 오차를 냈습니다. 이러한 테스트들은 모든 부분이 핵심적인 역할을 수행하며, 이러한 다양한 관점의 결합이 높은 성능을 이끌어내는 원동력임을 확인시켜 주었습니다.

이 연구는 도구의 수명이 느린 변화와 빠른 사건의 혼합임을 인정함으로써, 데이터의 복잡성을 존중하는 것이 어떻게 산업용 기계 모니터링을 위한 더 나은 도구를 만들 수 있는지 보여줍니다. 이 모델은 단순히 추측하는 것이 아니라, 신호와 노이즈, 추세와 사건을 구별하는 법을 배웁니다. 비록 이 연구가 특정되고 통제된 조건 하에서 수행되었지만, 완전히 새로운 도구의 마모를 예측해 낸 성공은 이 방법이 현대 제조업의 도구 상자에 강력한 추가 요소가 될 수 있음을 시사합니다. 이는 기계가 원활하게 작동하도록 유지하고, 예기치 않은 고장을 방지하며, 우리가 의존하는 제품들이 최고의 정밀도로 만들어지도록 보장하는 길을 제시합니다.

기술 요약: 다중 스케일 시간적 특징 융합 기반의 공구 마모 예측 방법

문제 정의
표준 트랜스포머(Transformer) 아키텍처는 다중 스케일의 국소적 변동, 장기 의존성, 그리고 서서히 변화하는 열화 성분을 포함하는 다중 센서 절삭 신호의 복잡한 특성을 동시에 특징짓는 데 어려움을 겪는 경우가 많습니다. 기존의 간접 모니터링 방식은 수작업으로 추출된 특징(handcrafted features)이나 딥러닝에 기반하든 상관없이 다음과 같은 한계에 직면합니다. 전통적인 모델은 도메인 전문 지식과 특정 신호 처리 전략에 크게 의존하는 반면, 딥러닝 접근 방식(CNN, RNN)은 제한된 수용 영역(receptive fields)이나 재귀적 계산 병목 현상으로 인해 어려움을 겪을 수 있습니다. 또한, 엄격한 데이터 격리 프로토콜 하에서 서로 다른 공구에 대해 견고한 일반화 성능을 유지하면서 추세(trend)와 세부(detail) 성분을 명시적으로 분리하고 재결합하는 통합된 프레임워크가 부족한 실정입니다.

방법론: GLDformer
저자들은 전역-국소 특징 모델링(global-local feature modeling)과 다중 스케일 추세-세부 분해를 통합하도록 설계된 공구 마모 예측 모델인 GLDformer를 제안합니다. 방법론은 다음 단계로 진행됩니다:

데이터 전처리 및 특징 구축:
- PHM Society 2010 데이터셋(3축 절삭력, 3축 진동, 음향 방출)의 원시 신호는 안정적인 절삭 단계를 유지하기 위해 초기 및 말기 2.5%를 제거하여 처리됩니다.
- 신호는 100개의 연속적인 시간 윈도우로 나뉩니다. 각 윈도우에 대해 센서 채널당 세 가지 통계적 특징(최대값, 평균, 분산)이 추출되어, 윈도우당 21차원의 특징 벡터가 생성됩니다.
- 정보 누출을 방지하기 위해 특징은 엄격하게 훈련 세트를 기준으로 Min-Max 스케일링을 통해 정규화됩니다.
다중 스케일 합성곱 임베딩 (Multi-Scale Convolutional Embedding):
- 표준 선형 투영 대신, 모델은 **다중 스케일 합성곱 토크나이저(Multi-Scale Conv Tokenizer)**를 사용하여 다양한 수용 영역(미세 조정, 중거리, 광범위한 컨텍스트)에서 국소적 패턴을 포착하는 커널 크기 3, 7, 15의 세 개의 병렬 1D 합성곱 브랜치를 채택합니다.
- 이 출력들은 결합(concatenate)되고, 정규화된 후, 초기 시퀀스 표현을 형성하기 위해 GELU 활성화 함수와 드롭아웃(Dropout)을 통과합니다.
전역-국소 이중 브랜치 게이티드 퓨전 (Global-Local Dual-Branch Gated Fusion):
- 모델은 임베딩된 특징을 처리하기 위해 이중 브랜치 아키텍처를 사용합니다:
  - 전역 브랜치(Global Branch): 100개 시간 윈도우 전체의 장기 의존성을 모델링하는 트랜스포머 인코더 레이어로 구성됩니다.
  - 국소 브랜치(Local Branch): 국소 역학을 포착하기 위해 스택된 LocalConvBlocks(depthwise 및 pointwise 합성곱 사용)로 구성됩니다.
- **적응형 게이팅 메커니즘(Adaptive Gating Mechanism)**은 이 두 브랜치를 융합합니다. 결합된 전역 및 국소 특징에 Sigmoid 활성화를 적용하여 생성된 게이팅 행렬은 각 타임 스텝과 특징 차원에 대해 전역 정보와 국소 정보 사이의 균형을 동적으로 제어합니다.
다중 스케일 추세-세부 적응형 모델링 (Multi-Scale Trend-Detail Adaptive Modeling):
- 추세와 변동의 상호 마스킹 문제를 해결하기 위해, 전용 모듈이 융합된 특징을 분해합니다.
- 추세 추출(Trend Extraction): 세 개의 depthwise 합성곱(커널 5, 11, 21)이 서서히 변화하는 추세 성분을 추출합니다.
- 세부 추출(Detail Extraction): 세부 성분은 잔차( $D = H_F - T$ )로 계산됩니다.
- 적응형 재결합(Adaptive Recombination): 게이팅 메커니즘은 잔차 합산(residual addition)을 통해 재결합하기 전, 컨텍스트에 따라 추세와 세부 성분에 동적으로 가중치를 부여합니다.
예측 헤드 (Prediction Head):
- 시간적 어텐션 풀링 (Temporal Attention Pooling): 단순 평균이 아닌 정보가 풍부한 시간 윈도우에 집중합니다.
- 잔차 회귀 (Residual Regression): 최종 예측은 메인 브랜치 출력(어텐션된 특징)과 보조 브량 출력(전역 평균 풀링)을 결합합니다. 0.1의 가중치가 부여된 보조 브랜치는 과도한 편차를 방지하기 위해 전체 마모 수준에 대한 귀납적 편향(inductive bias)을 제공합니다.

주요 기여

통합 프레임워크: 본 논문은 단일 트랜스포머 기반 아키텍처 내에서 다중 스케일 국소 변동, 장기 의존성, 그리고 서서히 변화하는 성분을 명시적으로 조율하는 프레임워크를 도입합니다.
새로운 아키텍처 구성 요소:
- 국소 컨텍스트를 더 잘 인코딩하기 위해 선형 투영을 대체하는 다중 스케일 합성곱 토크나이저를 사용합니다.
- 전역 및 국소 표현 사이의 콘텐츠 의존적 선택을 허용하는 게이티드 퓨전 메커니즘을 제공합니다.
- 추세와 세부를 명시적으로 분리하고 재결합하는 추세-세부 분해 모듈을 도입합니다.
엄격한 검증 전략: 본 연구는 PHM2010 데이터셋(공구 C1, C4, C6 사용)에 대해 Leave-One-Tool-Out (LOTO) 교차 검증 전략을 채택합니다. 이는 훈련, 검증, 테스트 데이터가 서로 격리되도록 하여, 미지의 공구에 대한 일반화 능력을 엄격하게 평가합니다.

실험 결과
모델은 LSTM, BiLSTM-Attention, CNN, GRU 및 표준 트랜스포머를 포함한 베이스라인 모델들과 비교 평가되었습니다.

성능 지표: GLDformer는 평균 MAE 6.07 μm, RMSE 8.25 μm, R² 0.94를 달성했습니다.
개선 사항: 베이스라인들과 비교했을 때, GLDformer는 MAE를 30.9%, RMSE를 28.5% 감소시켰으며, R²는 약 0.05 향상되었습니다.
절제 연구 (Ablation Studies):
- **국소 합성곱 브랜치(Local Convolutional Branch)**를 제거했을 때 가장 큰 성능 저하(MAE +50.6%)가 발생하여, 미세한 국소 변동을 포착하는 것의 필요성을 입증했습니다.
- **트랜스포머 브랜치(Transformer Branch)**를 제거하면 MAE가 44.7% 증가하여, 장기 의존성 모델링의 중요성을 확인했습니다.
- **추세 분해 모듈(Trend Decomposition Module)**을 제거하면 RMSE가 32.4% 증가하여, 큰 예측 오차를 억제하는 역할을 확인했습니다.
- 다중 스케일 토크나이저를 선형 투영으로 대체할 경우 성능이 저하되어, 임베딩 단계에서의 다중 스케일 특징 추출의 이점을 검증했습니다.

의의 및 주장
본 논문은 GLDformer가 단일 스케일 또는 단일 시간 모델링 방식의 한계를 해결함으로써, 미지의 공구에 대한 공구 마모 예측의 정확도와 일반화 능력을 효과적으로 향 향상시킨다고 주장합니다. 저자들은 국소 특징, 장기 상관관계, 그리고 명시적인 추세-세부 분리의 상호 보완적 역할이 공구 마모 진화를 특징짓는 데 결정적이라고 단언합니다.

본 연구는 실험적 검증이 고정된 작동 조건 하의 세 가지 공구로 제한되었다는 점과, 특정 공구(예: Tool C4)의 말기 단계에서 가속화된 마모 단계를 과소평가하는 경향이 있다는 점을 언급하며 한계를 인정합니다. 저자들은 향후 연구에서 다양한 공구 및 공정 조건에 대한 모델의 적용 가능성을 조사해야 한다고 제안합니다. 본 연구는 산업용 절삭 신호에 내재된 복잡한 시간적 역학을 처리하는 견고한 방법을 제공하며, 다중 센서 공구 상태 모니터링을 위한 실행 가능한 접근 방식을 제시합니다.

기술 요약: 다중 스케일 시간적 특징 융합 기반의 공구 마모 예측 방법

유사한 논문