Physics-guided machine learning for trochoidal milling: force and power prediction and limits of cross-diameter generalisation

기술 요약: 트로코이달 밀링을 위한 물리 기반 머신러닝

문제 정의
트로코이달 밀링은 특히 AA7075-T651과 같은 절삭이 어려운 합금에 대해 경량 항공우주 구조물의 고효율 가공을 위한 핵심 전략으로 부상했습니다. 그러나 공구 경로를 따라 끊임없이 변화하는 공구-공작물 맞물림(engagement)과 미절삭 칩 두께로 인해 절삭력과 스핀들 동력을 예측하는 것은 매우 까다롭습니다. 전통적인 메커니즘 모델은 맞물림 기하학적 형상을 실시간으로 복잡하게 업데이트해야 하므로, 다양한 공구 경로와 공구 직경에 적용하는 데 한계가 있습니다. 또한, 기존의 데이터 기반 접근 방식은 단일 공구 직경에 의존하거나 물리적 해석 능력이 결여된 순수 블랙박스 모델에 의존하는 경우가 많습니다. 본 연구는 예비 공정 스크리닝을 지원하기 위해 어떤 물리 정보 기반 기술자(descriptor)가 예측 모델링을 가장 잘 뒷받{ 수 있는지 결정하기 위해 여러 공구 기하학적 형상 간의 입력 표현을 체계적으로 비교하는 데 구체적인 격차를 두고 있습니다.

연구 방법론
본 연구는 세 가지 엔드밀 직경(8, 10, 12 mm)을 사용하여 AA7075-T651 알루미늄 합금에 대해 72회의 가공 테스트를 수행하는 실험 및 데이터 기반 접근 방식을 채택했습니다.

• 실험 설계: 공구 직경, 치당 이송량($f_z$), 반경 방향 맞물림($a_e$), 축 방향 절삭 깊이($a_p$), 궤도 직경($D_{orb}$)을 변화시켰습니다. 직경 간 비교 가능성을 보장하기 위해 무차원 기술자를 사용하여 파라미터를 정규화했습니다: 정규화된 축 방향 맞물림($\lambda$), 정규화된 반경 방향 맞물림($\mu$), 궤도 직경 비율($\delta$).
• 데이터 수집: 압전형 다이너모미터를 통해 절삭력(평면 내 $F_{xy}$ 및 축 방향 $F_z$)을 동기식으로 측정하였으며, 스핀들 동력은 머신 모니터링 시스템을 통해 기록되었습니다.
• 특징 추출: 다섯 가지 견고한 출력 지표를 추출했습니다: 평균 평면 내 힘($F_{xy,mean}$), 최대 평면 내 힘($F_{xy,max}$), 강건한 피크-투-피크 평면 내 힘($F_{xy,ptp}$), 최대 축 방향 힘($F_{z,max}$), 그리고 평균 스핀들 동력($P_{mean}$).
• 모델링 프레框架: 세 가지 물리 정보 기반 입력 구조를 구축하고 5-겹 교차 검증을 포함한 최소 제곱 부스팅 회귀 트리(LSBoost)를 사용하여 비교했습니다:
  1. 최소형 (5개 변수): $D, \lambda, \mu, \delta, f_z$.
  2. 하이브리드형 (5+2개 변수): 최소 세트에 최대 미절삭 칩 두께($h_{max}$)와 단순화된 심각도 기술자($MRR^* = a_e \cdot a_p \cdot f_z$)를 추가.
  3. 확장형 (5+4개 변수): 하이브리드 세트에 원시 맞물림 변수($a_e, a_p$)를 추가.
• 검증: 모델은 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 결정 계수($R^2$)를 사용하여 평가되었습니다. 교차 직경 일반화 능력을 테스트하기 위해 특정 "직경 제외(leave-one-diameter-out)" 프로토콜을 사용했습니다.

주요 결과

• 모델 성능: 하이브리드(5+2) 모델이 예측 정확도와 입력 중복성 사이에서 가장 좋은 종합적인 절충안을 제공했습니다. 이 모델은 평균 평면 내 힘($F_{xy,mean}$)에 대한 $R^2$를 0.241(최소형)에서 0.364로, 평균 스핀들 동력($P_{mean}$)에 대한 $R^2$를 0.374에서 0.473으로 개선했습니다. 확장형(5+4) 모델은 대부분의 대상에 대해 하이브리드 모델과 비슷하거나 더 낮은 성능을 보였는데, 이는 추가된 원시 변수들이 새로운 정보를 제공하기보다 주로 중복성을 다시 도입했음을 나타냅니다.
• 대상 변수의 예측 가능성: 평균적인 시스템 수준의 응답은 피크 기반 응답보다 훨씬 더 예측 가능했습니다. $P_{mean}$이 가장 잘 예측된 대상($R^2 = 0.473$)이었고, 그 다음은 $F_{xy,mean}$이었습니다. $F_{xy,ptp}$는 중간 정도의 예측력을 보였으며($R^2 = 0.263$), $F_{xy,max}$는 약하게 예측되었습니다($R^2 = 0.069$). 특히, 세 가지 모델 구조 모두 최대 축 방향 힘($F_{z,max}$)에 대해 음수의 $R^2$ 값을 나타냈는데, 이는 테스트 수준의 기술자가 축 방향 피크를 지배하는 과도적(transient) 국부 현상(예: 진동, 런아웃)을 포착할 수 없음을 의미합니다.
• 알고리즘 비교: 비선형 트리 앙상블(LSBoost)은 모든 대상에 대해 다중 선형 회귀보다 우수한 성능을 보였으며, 이는 공정의 비선형성을 확인시켜 줍니다. 그러나 LSBoost와 배깅 트리(bagged trees) 간의 성능 차이는 작았으며, 이는 주요한 이점이 특정 부스팅 알고리즘보다는 비선형 트리 기반 표현을 사용하는 것에서 왔음을 시사합니다.
• 교차 직경 일반화: 모델은 학습되지 않은 공구 직경에 대해 일반화에 실패했습니다. 두 개의 직경으로 학습하고 나머지 하나로 테스트했을 때, 평균 $R^2$는 약 -2.6으로 떨어졌습니다. 입력에서 원시 공구 직경을 제거해도 개선되지 않았는데, 이는 정규화된 기술자만으로는 직경에 따른 강성 및 동적 응답의 변화를 완전히 포착할 수 없음을 시사합니다.

의의 및 주장
본 논문은 압축적이고 물리적으로 동기화된 특징 세트가 더 크고 해석력이 낮은 모델을 사용하지 않고도 트로코이달 밀링 조건의 예비 스크리닝을 효과적으로 지원할 수 있다고 주장합니다. 구체적으로, 본 연구는 다음을 입증합니다:

1. 하이브리드 기술자가 우수함: 최소 기하학적 세트에 물리적으로 유도된 심각도 지표($h_{max}$ 및 $MRR^*$)를 추가하면 평균 힘과 동력의 예측이 개선되는 반면, 원시 맞물림 변수를 추가하면 중복성이 발생합니다.
2. 글로벌 기술자의 한계: 최대 축 방향 힘($F_{z,max}$)을 예측하지 못한다는 점은 진단적 결과로서, 글로벌한 테스트 수준의 입력이 국부적이고 과도적인 기계적 사건을 포착하기에는 불충분하다는 것을 보여줍니다.
3. 적용 범위: 제안된 모델은 테스트된 공구 직경 범위 내에서의 보간(interpolation)에는 적합하지만, 완전히 새로운 공구 크기에 대해서는 현재 일반화될 수 없습니다. 저자들은 하이브리드 모델이 공정 계획을 위한 최적의 성능과 복잡성 간의 균형을 제공하지만, 그 적용은 학습 데이터에 나타난 조건으로 제한된다고 결론지었습니다.

본 연구는 현재의 데이터 기반 접근 방식의 한계를 해결하는 것이 아니라, 오히려 시간 분해형 맞물림 기술자와 진동, 런아웃과 같은 추가적인 실험 변수를 포함한 향후 연구의 필요성을 강조함으로써 현재의 경계를 정의하는 데 목적이 있습니다.