Surface Roughness Prediction Using Hierarchical Neural Network in Rotational Electro-magnetic Finishing

Abstract

자기에너지를 이용한 연마는 고정된 공구를 가지는 기존의 연마 방법으로 가공할 수 없는 표면을 처리할 수 있어 많은 연구가 진행되고 있다. 또한, 공정 성능을 높이기 위해 초음파, 진동 등을 추가로 적용하는 복합 공정이 제시되고 있다. 이러한 복합 공정은 표면 품위 향상에 작용하는 변수들이 많아 공정의 특성 및 예측 모델을 이론적으로 제시하기가 어려운 실정이다. 이러한 어려움을 극복하기 위해 최근 딥 러닝이 큰 주목을 받고 있다. 본 연구는 복합 자기연마의 일종인 회전 전자기연마를 이용하여 STS316의 표면거칠기 예측 모델을 개발하였다. 예측 모델 개발에 앞서 공정 변수의 유의성과 특성을 분석하기 위해 다구찌 방법과 분산분석을 실시하였다. 신호 대 잡음비를 이용하여 도출한 최적 조건은 핀의 길이가 3 mm, 핀의 직경이 0.7 mm, 핀의 양이 1.4 kg, 희석 액의 양이 1.0 l, 회전 속도가 1,400 rpm, 그리고 공정 시간이 30 min 일 때로 나타났다. 최적 수준의 조합으로 도출된 최적 조건을 이용하여 공정 성능을 평가한 결과 실험을 통해 나온 표면거칠기 계수의 값이 0.318에서 0.397로 24.8% 향상 되었다. 분산 분석을 통해 핀의 직경이 공정 성능의 변동에 가장 큰 영향을 미치는 것으로 나타났으며 변동에 미치는 기여율은 43.52% 로 나타났다. 회전 전자기연마의 예측 모델 개발을 위해 회귀 분석과 딥 러닝을 활용하였다. 회귀 모델의 형태는 다중 선형 모델, 2차 다항 회귀 모델, 그리고 레벨-로그 회귀 모델의 성능을 비교하여 결정하였으며 2차 다항 회귀 모델이 결정 계수와 제곱오차평균이 각각 0.920과 0.443×10-3으로 가장 좋은 성능을 보였다. 딥 러닝 모델로 심층신경망과 심층신뢰망을 사용하였으며 구조에 따른 성능 비교를 통해 구조를 결정하였다. 심층신경망과 심층신뢰망의 구조는 각각 [7, 21, 14, 1]과 [7, 14, 14, 1]로 결정되었다. 제시된 세 모델에 대한 예측 성능을 비교한 결과 심층신뢰망이 학습 데이터에 대한 결정 계수 0.990, 검증 데이터에 대한 결정 계수 0.934, 그리고 학습에 참여하지 않은 새로운 수준의 데이터에 대한 제곱오차평균 2.909×10-3로 가장 좋은 성능을 보였다. 또한 제시된 심층신뢰망에 유전자 알고리즘을 적용하여 최적 조건과 결과를 도출하였다. 심층신뢰망을 활용하여 도출된 최적 조건은 핀의 길이가 3 mm, 핀의 직경이 0.7 mm, 핀의 양이 1.258 kg, 희석 액의 양이 1.0 l, 회전 속도가 1,322 rpm, 그리고 공정 시간이 35.5 min 일 때로 나타났고 이때의 표면거칠기는 초기 표면거칠기 대비 53% 향상되었다. 이러한 결과를 바탕으로 심층신뢰망을 이용한 모델이 회전 전자기연마의 예측 모델로 적합함을 확인하였고 이를 활용하여 최적화를 수행하여 공정 성능을 높일 수 있음을 입증하였다. 이를 제조 분야에 적용할 경우 공정 효율을 높일 수 있을 것으로 기대된다.