기술 요약: 박판 부품의 가공 오차 분포 예측을 위한 시뮬레이션 보조 프레임워크

1. 문제 정의

항공우주 분야에서 높은 비강도와 경량성으로 인해 매우 중요한 박판(Thin-walled) 부품은 생산 과정에서 상당한 가공 오차를 겪게 된다. 단순한 치수 오차와 달리, 이 부품들은 불균일한 절삭력, 재료의 불균질성, 공구 마모, 그리고 낮은 구조적 강성의 복잡한 결합으로 인해 공간적으로 불균일한 오차 분포를 나타낸다.

기존의 데이터 기반 접근 방식은 이러한 오차 분포를 예측하는 데 있어 세 가지 주요 과제에 직면해 있다:

1. 강한 시공간적 상관관계: 가공 오차, 절삭력, 재료 제거는 시간과 공간에 따라 동적으로 진화하므로, 통합된 매핑 관계를 설정하기 어렵다.
2. 복잡한 다요인 결합: 절삭 상태, 공정 파라미터, 툴패스(toolpaths), 그리고 국부적 강성 변화 사이의 상호작용이 동적으로 일어나므로 안정적인 상태 표현을 구축하기가 복잡하다.
3. 실제 데이터의 한계: 가공 실험의 높은 비용과 시간 소모로 인해 모든 시나리오를 포괄하는 데이터 샘양 확보가 제한적이다. 또한, 유한 요소(FE) 시뮬레이션과 실제 가공 간의 차이로 인해 시뮬레이션 데이터를 직접 적용하는 데 어려움이 있다.

기존 연구들은 주로 이상 상태를 식별하는 데 집중할 뿐, 오차의 공간적 분포를 예측하는 데에는 미흡하며, 다양한 툴패스 하에서 운전 조건, 공정 신호, 표면 오차 분포를 연관시키는 통합된 프레임워크가 부족하다.

2. 방법론

저자들은 절삭 시공간 특징의 동적 결합을 기반으로 한 시뮬레이션 보조 예측 프레임워크를 제안한다. 이 방법론은 세 가지 핵심 구성 요소로 이루어진다:

A. 시공간 분포 모델링

공정 데이터와 기하학적 위치 간의 고립 문제를 해결하기 위해, 본 연구는 시공간 분포 모델을 구축한다:

• 이산화(Discretization): 가공 공정을 시간 단계(time-step) 간격과 공간적 "가공 단위"(절삭 폭에 의해 경계가 지어지는 시간 단계별 제거 체적 영역)로 나눈다.
• 데이터 연관: 운전 조건 데이터, 상태 데이터(절삭력), 오차 분포를 이러한 가공 단위에 매핑한다.
• 특징 추출: 절삭력 신호를 전처리(노이즈 제거, 보간)하고 다음을 특징짓는 **변동 특징(fluctuation features)**으로 변환한다:
  • 불안정성(Instability): 르베그 적분(Lebesgue integration)을 사용하여 상한 및 하한 엔벨로프 사이의 면적으로 계산한다.
  • 추세(Trend): 노이즈가 제거된 시리즈의 평균 진폭과 평균 절삭력의 비율로부터 도출한다.
  • 무작위성(Randomness): GARCH(자기회귀 조건부 이분산성) 모델의 조건부 분산을 사용하여 모델링한다.
• 시각화: 이러한 특징들을 매핑하여 시공간 분포 히트맵을 생성한다.

B. 동적 특징 결합

비선형 결합을 처리하기 위해, 프레임워크는 공정 표현 특징을 추출하고 정리한다:

• 특징 추출: 사전 학습된 ResNet-18을 사용하여 슬라이딩 윈도우 방식으로 시공간 히트맵으로부터 특징을 추출한다.
• 특징 라이브러리 구축: 추출된 특징들을 K-means++(실루엣 계수에 의해 결정된 클러스터 수 $K$ 사용)를 사용하여 클러스터링함으로써 "공정 표현 특징 라이브러리"를 형성한다.
• 동적 결합: 툴패스를 따라 가공 영역을 라이브러리의 가장 유사한 특징 클래스와 매칭한다. 이들은 순차적으로 배열되어 가공 상태의 동적 변화를 나타내는 특징 결합 행렬을 형성한다.

C. 사전 학습-미세 조정 기반의 트랜스포머(Transformer) 예측

시공간 의존성을 처리하는 능력을 활용하기 위해 트랜스포머 아키텍처가 오차 분포 예측에 채택된다:

• 시공간 인코딩: 입력 특징에 시간적 인코딩(진화 추세 포착)과 공간적 인코딩(위치 특정 효과 포착)을 직접 통합한다.
• 시뮬레이션 보조 전략:
  • 사전 학습(Pretraining): 일반적인 시공간 변화 패턴을 학습하기 위해 대규모 유한 요소 시뮬레이션 데이터(TC4 블레이드 밀링)를 사용하여 모델을 사전 학습시킨다.
  • 미세 조정(Fine-tuning): 사전 학습된 모델을 제한된 실제 가공 데이터(CMM으로 측정됨)를 사용하여 미세 조정함으로써, 특정 운전 조건 및 툴패스에 대한 파라미터를 교정한다.

3. 실험 검증

본 프레임워크는 TC4 (Ti-6Al-4V) 박판 에어로 엔진 블레이드를 대상으로 한 5축 밀링 실험을 통해 검증되었다.

• 설정: Mikron 700U 가공 센터를 사용하였으며, 절삭 깊이, 이송 속도, 주축 속도의 9가지 파라미터 조합에 대한 직교 실험 설계와 두 가지 서로 다른 툴패스(Path1 및 Path2)를 적용하였다.
• 데이터: 다이나모미터를 통해 절삭력을 기록하였고, CMM을 통해 표면 오차를 측정하였다. 사전 학습을 위해 동일한 조건 하에서 유한 요소 시뮬레이션(Abaqus/Explicit)을 수행하였다.
• 평가: 하나의 파라미터 그룹이 평가 세트로 사용되고 나머지 그룹이 사전 학습 및 미세 조정에 사용되는 조건-그룹별 교차 검증 전략을 사용하였다.

4. 주요 결과

• 예측 정확도: 프레임워크는 Path1에서 13.67%, Path2에서 **12.15%**의 평균 상대 오차를 달enc성하였다. 평균 절대 편차는 각각 0.010 mm와 0.009 mm였다.
• 공간적 추세: 모델은 가공 오차의 주요 공간적 변화 추세를 성공적으로 포착하였으나, 국부적인 불일치(예: 특정 지점에서 최대 0.045 mm의 절대 편차)가 관찰되었다.
• 절제 연구(Ablation Study):
  • 시뮬레이션 보조 사전 학습: 이 단계를 제거했을 경우(실제 데이터로만 처음부터 학습), 상대 오차가 Path1의 경우 ~49%, Path2의 경우 ~47%로 급격히 증가하였다.
  • 공간적 인코딩: 공간적 인코딩을 제거하면 오차가 약 6~12 퍼센트 포인트 증가하며, 위치 편차 및 국부 영역의 정렬 불량을 초래하였다.
  • 특징 라이브러리: K-means 기반의 특징 라이브러리 구축을 제거하면 오차가 약 14 퍼센트 포인트 증가하여, 유사한 가공 상태를 조직화하는 것의 가치를 입증하였다.

5. 의의 및 주장

본 논문은 제안된 프레임워크가 가공 품질 분석 및 후속 공정 최적화 연구를 위한 실행 가능한 참조를 제공한다고 주장한다. 주요 의의는 다음과 같다:

1. 데이터 부족 문제 해결: 사전 학습-미세 조정 전략을 활용함으로써, 시뮬레이션 데이터를 학습 부트스트래핑에 효과적으로 활용하여 대규모 실제 가공 데이터에 대한 의존도를 낮춘다.
2. 위치 인식 모델링: 단순한 상태 식별을 넘어, 운전 조건, 공정 신호, 그리고 기하학적 위치를 연관시키는 통합된 시공간 매핑을 구축하여 공간적 오차 분포 예측을 실현한다.
3. 동적 표현: 공정 표현 특징의 동적 결합을 통해, 모델이 작업물의 서로 다른 영역에 걸친 가공 요인들의 복잡하고 비선형적인 결합을 특징지을 수 있게 한다.

저자들은 현재의 검증이 특정 재료(TC4), 제한된 범위의 절삭 파라미터, 그리고 두 개의 툴패스에 국한되어 있음을 겸허히 밝힌다. 또한, 매우 복잡한 절삭 상태 변화가 있는 영역에서는 국부적인 예측 편차가 지속될 수 있음을 인정하며, 더 넓은 벤치마크 비교와 온라인 예측 및 폐루프 보정(closed-loop compensation)에 대한 향후 연구 계획을 언급하였다.