Physics-Informed Neural Network with Adaptive Path Compensation for Intelligent Corner Error Prediction in Wire Electrical Discharge Machining

고정밀 부품 제조의 세계에는 와이어 방전 가공(wire electrical discharge machining)이라는 기술이 있습니다. 얇고 움직이는 와이어가 마치 톱처럼 작동한다고 상상해 보십시오. 하지만 마찰로 절단하는 대신, 미세하고 제어된 불꽃을 보내 금속을 녹여서 재료를 제거합니다. 이 방식은 아주 미세한 실수만으로도 부품을 망칠 수 있는 항공우주 및 의료 기기 분야에 사용되는 단단한 재료를 성형하는 데 필수적입니다. 그러나 와이어가 날카로운 모퉁이를 돌려고 할 때 어려움을 겪습니다. 와이어는 장력을 받고 있고 빠르게 움직이기 때문에 방향을 즉각적으로 바꿀 수 없으며, 당겨지는 밧줄처럼 곡선 구간에서 약간 휘어지며 뒤처지게 됩니다. 동시에, 불꽃에서 발생하는 강렬한 열은 금속을 팽창시키고 와이어와 가공물 사이의 간격을 변화시킵니다. 이러한 물리적 실체들이 결합하여 최종 형상이 날카롭고 정확한 대신 둥글거나 어긋나게 되는 '코너 오차(corner error)'를 만들어냅니다. 수십 년 동안 엔지니어들은 기계 설정을 미세하게 조정하거나 와이어가 지나가는 경로를 수동으로 조정하여 이를 해결하려 노력해 왔지만, 이러한 솔루션들은 종종 끝없는 시행착오를 요구하며 실시간으로 발생하는 복잡한 물리학을 반영하지 못했습니다.

인도와 에티오피아의 연구진은 컴퓨터에게 실험 데이터와 함께 물리학 법칙을 이해하도록 가르침으로써 이 문제를 해결하는 새로운 방법을 개발했습니다. 그들은 단순히 과거의 수치에 기반해 답을 추측하는 것이 아니라, 와이어가 어떻게 휘어지는지 그리고 열이 금속을 통해 어떻게 이동하는지를 실제로 '아는' 시스템을 만들었습니다. 표준적인 컴퓨터 학습 모델에 와이어의 변위와 열팽창을 지배하는 수학적 규칙을 결합함으로써, 그들은 와이어가 절단을 시작하기도 전에 코너에서 얼마만큼의 오차가 발생할지를 정확히 예측할 수 있는 도구를 구축했습니다. 컴퓨터가 오차를 예측하면, 시스템은 지연 현상과 열에 의한 영향을 보상하기 위해 딱 적절한 양의 추가 거리를 더하여 와이어가 지나갈 경로를 자동으로 조정합니다. 그들이 '적응형 경로 보상을 갖춘 물리 정보 신경망(physics-informed neural network with adaptive path compensation)'이라고 부르는 이 접근 방식은 기계가 실시간으로 자신의 궤적을 스스로 수정할 수 있게 하여, 한때 추측에 의존했던 공정을 정밀하고 지능적인 작업으로 탈바꿈시켰습니다.

이 아이디어를 테스트하기 위해 연구진은 산업계에서 흔히 사용되는 재료인 스테인리스강을 대상으로 일련의 실험을 수행했습니다. 그들은 다양한 속도와 전압 등 다양한 조건 하에서 서로 다른 각도로 모퉁이를 절단하도록 기계를 설정하고, 27번의 별도 테스트 실행 결과를 기록했습니다. 그런 다음 이 데이터를 와이어의 거동을 설명하는 물리 방정식과 함께 새로운 시스템에 입력했습니다. 시스템은 놀라운 정확도로 코너 오차의 크기를 예측하는 법을 배웠습니다. 연구진이 이 새로운 방법을 기존의 전통적인 통계 모델 및 표준 컴퓨터 학습 프로그램과 비교했을 때, 차이는 명확했습니다. 전통적인 모델은 약 72%에서 87%의 확률로 정답을 맞혔으나, 새로운 물리 인식 시스템은 96%의 정확도를 달랐습니다. 더욱 중요한 점은, 새로운 시스템이 자동 경로 보정을 적용했을 때 실제 코너 오차의 크기를 31% 줄였다는 것이며, 이는 근본적인 물리학을 이해하는 것이 단순히 숫자를 살펴보는 것보다 더 나은 결과를 가져온다는 것을 입증했습니다.

연구진은 또한 자신들의 시스템이 왜 그렇게 잘 작동했는지 정확히 이해하기 위해, 어떤 부분이 핵심적인 역할을 했는지 세부적으로 분석했습니다. 그들은 컴퓨터의 학습 과정에 추가된 물리적 규칙들이 상당 부분의 개선을 이끌어냈으며, 시스템이 데이터에는 부합하지만 물리 법칙에는 어긋나는 엉뚱한 추측을 하지 않도록 돕는다는 것을 발견했습니다. 자동 경로 조정 또한 예측을 실질적인 해결책으로 바꾸어 놓았기에 매우 중요했습니다. 이 두 요소를 결합함으로써, 시스템은 표준 컴퓨터 학습 모델보다 훨씬 뛰어난 성능을 보여주었습니다. 이 연구는 정밀 제조의 미래가 단순히 더 많은 데이터를 수집하는 것이 아니라, 기계가 작동하는 물리적 세계를 존중하도록 가르치는 데 있다는 것을 시사합니다. 가공되지 않은 실험 데이터와 자연의 근본적인 법칙 사이의 간극을 메꿈으로써, 이 새로운 방법은 현대 기술이 의존하는 복잡한 부품에서 더 날카롭고 정확한 모서리를 제작할 수 있는 신뢰할 수 있는 길을 제시합니다.