Natural visibility graph-based multiscale dispersion entropy for chatter identification in thin-walled parts finishing milling

기술 요약: 박판 부품의 정삭 밀링 내 채터 식별을 위한 자연 가시성 그래프 기반 다척도 분산 엔트로피

문제 정의
박판 부품은 약하고 시변적인 강성과 복잡한 구조로 인해 정삭 밀링 중 채터(chatter)에 매우 취약합니다. 이러한 현상은 가공 정밀도와 표면 품질을 심각하게 저하시킵니다. 안정성 로브 선도(SLD)가 이론적 예측을 제공하지만, 모델의 단순화와 환경적 복잡성으로 인해 실제 정삭 작업에서 채터를 방지하는 데는 한계가 있는 경우가 많습니다. 따라서 효과적인 실시간 탐지가 필요합니다. 그러나 박판 부품의 채터를 식별하는 것은 신호가 강한 비선형성과 비정상성(non-stationarity)을 보이기 때문에 특히 까다롭습니다. 초기 단계의 채터 성분은 매우 미약하여 주축 회전에 의해 유도된 주기적 성분에 의해 쉽게 가려질 수 있습니다. STFT, CWT와 같은 시계열-주파수 분석이나 VMD, EEMD와 같은 분해 기법은 파라미터 민감도, 하이젠베르크의 불확정성 원리, 또는 순시 주파수 추정의 편향 문제로 인해 약하고 시변적인 채터 신호를 정확하게 추출하는 데 불충분한 경우가 많습니다. 또한, 기존의 엔트로피 기반 특징 추출 방법은 이러한 약한 신호 내에 내재된 암묵적인 위상 관계를 포착하는 데 실패하는 경우가 많습니다.

방법론
본 논문은 신호 전처리, 특징 추출, 분류의 세 가지 주요 단계로 구성된 지능형 채터 식입니다 프레임워크를 제안합니다.

1. 신호 전처리 (GSST2): 지배적인 주기적 주축 신호로부터 약한 채터 성분을 분리하기 위해, 저자들은 2차 일반화 신크로스퀴징 변환(GSST2)을 사용합니다. 1차 방법(예: MSST)과 달리, GSST2는 고차 순시 주파수 추정을 활용하여 비선리적 주파수 궤적을 편향 없이 추적합니다. 이 방법은 시간-주파수 행렬에서 주축 회전 주파수 및 그 고조파에 해당하는 계수를 필터링하여, 채터 신호의 비선형 특성을 보존하면서 고충실도의 재구성을 가능하게 합니다.

2. 특징 추출 (NVG-MDE): 핵심 혁신은 자연 가시성 그래프 기반 다척도 분산 엔트로피(NVG-MDE)입니다.

   • 자연 가시성 그래프 (NVG): 재구성된 시계열은 데이터 포인트가 정점이 되고 가시성 조건이 엣지를 정의하는 그래프 신호로 매핑됩니다. 수평 가시성 그래프(HVG)와 달리, NVG는 진폭 값과 시간 간격 가중치를 모두 고려하여 더 많은 국부적 변동 정보를 보존합니다.
   • 다척도 분산 엔로피 (MDE): 엔트로피는 원시 시계열이 아닌 그래프 구조 상에서 계산됩니다. 이는 가중 인접 행렬으로부터 임베딩 행렬을 구축하고, 정규 누적 분포 함수를 통해 진폭을 범주로 매핑한 후, 결과적인 분산 패턴의 섀넌 엔트로피를 계산하는 과정을 포함합니다.
   • 다척도 분석: 다양한 시간 척도에서 신호 복잡성을 포착하기 위해, 그래프 변환 전에 시계열에 최대 거친 입도화(coarse-graining) 과정을 적용하여 여러 척도에 걸친 엔트로피 값을 생성합니다.

3. 분류 (COA-SVM): 추출된 NVG-MDE 특징은 서포트 벡터 머신(SVM) 분류기에 입력됩니다. 복잡하고 비정상적인 데이터에 대해 최적의 SVM 파라미터(패널티 계수 $c$ 및 커널 파라미터 $\sigma$)를 수동으로 선택하는 어려움을 극복하기 위해, 가재 최적화 알고리즘(COA)이 도입되었습니다. 가재의 여름 행동(열 회피, 경쟁 및 먹이 찾기)에서 영감을 얻은 COA는 분류 정확도를 극대화하고 지역 최적점(local optima)을 피하도록 SVM 파라미터를 최적화합니다.

주요 기여
본 논문은 세 가지 주요 기여를 설명합니다:

1. 전처리: GSST2를 적용하여 박판 부품 정삭 밀링 신호에서 노이즈를 제거하고 채터 성분을 추출함으로써, 주기적 간섭을 효과적으로 제거하였습니다.
2. 특징 표현: NVG-MDE를 제안하였으며, 이는 고전적인 엔트로피 측정 방식과 달리 신호 내의 암묵적 위상 관계와 진폭 분포를 포착하여 미세한 채터 조건을 구별하기 위한 더 정보력이 높은 특징 집합을 생성합니다.
3. 최적화: COA-SVM 모델을 개발하여 분류기 파라미터를 자동 최적화함으로써, 안정 상태, 미세 채터, 그리고 심각한 채터 조건을 정확하게 인식할 수 있도록 하였습니다.

결과
제안된 방법은 5축 공작 기계를 사용하여 TC4 박판 부품에 대한 정삭 밀링 실험을 통해 검증되었습니다. 다양한 절삭 파라미터(주축 속도 5000–8000 rpm 및 절삭 깊이 0.2–0.4 mm) 하에서 가속도 신호를 수집하였습니다.

• 전처리 검증: FFT 스펙트럼 비교 결과, GSST2는 채터 주파수를 보존하면서 주기적 성분(예: 주축 고조파)을 효과적으로 제거하였으며, 신호 재구성 충실도 측면에서 MSST 기반 방법보다 우수한 성능을 보였습니다.
• 특징 판별: 엔트로피 곡선은 NVG-MDE가 다양한 척도 인자(scale factor)에 대해 안정, 미세 채터, 심각한 채터 상태를 명확하게 구분할 수 있음을 보여주었습니다. 반면, HVG-MDE와 고전적 MDE는 미세 채터와 심각한 채터를 명확히 구분하는 데 실패했습니다.
• 분류 성능: NVG-MDE 특징을 활용한 COA-SVM 모델은 10회의 실험 실행 동안 평균 **90.08%**의 인식 정확도를 달お성했습니다. 이는 다른 최적화 알고리즘(SCSO-SVM, SO-SVM, WSO-SVM) 및 표준 SVM보다 뛰어난 성능입니다. T-SNE 시각화는 NVG-MDE 특징이 HVG-MDE 및 MDE에 비해 클래스 간의 더 나은 분리도를 제공함을 확인시켜 주었습니다.

의의 및 주장
저자들은 제안된 방법이 채터 특징이 미묘하고 추출하기 어려운 박판 정삭의 특정 과제를 해결한다고 주장합니다. 그래프 신호 상에 엔트로피를 정의함으로써, 이 방법은 시간 또는 주파수 영역에서는 보이지 않는 위상 관계를 성공적으로 포착합니다. 본 연구는 그래프 신호 상에 엔트로피를 정의하는 것이 밀링 채터 식별을 위한 실행 가능하고 효과적인 전략임을 입증합니다. 저자들은 이 방법이 효과적이긴 하지만, 그래프 신호 구축의 계산 효율성을 개선할 필요가 있으며, 향후 연구에서 다양한 절삭 파라미터 하에서의 강건성을 탐색하고 그래프 엔트로피 설정을 추가로 최적화할 것임을 겸허히 언급하였습니다.