Online Monitoring and Prediction of Surface Status Using Convolutional Neural Network and AE in Rotational Electro-magnetic Finishing

Abstract

표면거칠기는 가공품의 표면품질 및 성능을 나타내는 중요한 지표이다. 최근 초정밀, 초미세 가공품의 표면정도 향상이 요구됨에 따라 표면연마 공정에 대한 새로운 연구의 필요성과 정확한 표면품질 예측모델의 중요성이 증대되고 있다. 본 연구에서는 가공품의 표면정도를 향상시키고자 자기에너지와 운동에너지를 기반으로 하는 회전 전자기연마(Rotational electro-magnetic abrasive finishing, REMF)공정을 수행하고자 한다. 일반적으로 가공품의 표면품질을 평가하기 위하여 표면연마 공정 후 접촉 및 비접촉 측정방식을 이용하여 표면거칠기를 측정한다. 이를 바탕으로 수학적 예측모델을 제안하고 공정변수와 표면품질의 관계를 평가한다. 그러나 일반적인 표면거칠기 측정방법은 실시간으로 표면의 상태를 확인할 수 없고, 연마공정의 비선형성을 나타내지 못하기 때문에 예측모델의 정확도를 신뢰할 수 없다. 따라서 연마공정 중 STS316 표면의 상태를 실시간으로 확인하고, 표면거칠기 예측모델의 신뢰성 및 정확도 향상을 위하여 새로운 연구방법이 요구된다. 본 연구에서는 AE센서를 이용하여 실시간 표면상태 모니터링 시스템을 구축하고, 시간영역 기반의 전압 실효값(Root mean square, RMS)과 시간-주파수영역을 대표하는 웨이블릿 변환 기반 scalogram 이미지를 활용하여 신호의 특징을 추출하였다. 이를 바탕으로 공정변수와 표면거칠기의 비선형적 관계를 표현할 수 있는 deep neural network(DNN) 및 convolutional neural network(CNN) 분석을 활용한 표면거칠기 예측모델을 개발하였고, 최적 예측모델을 제시하고자 각 예측모델의 R2, MSE, F-test 값을 비교 분석하였다. REMF 공정에서 공정변수가 STS316 표면정도에 미치는 영향을 평가하기 위하여 혼합 직교배열표 L18을 이용하였고, 각 공정조건 별 표면거칠기 변화 비(Change in surface roughness, SR)를 바탕으로 표면가공성을 평가하였다. 실험 결과, 연마입자의 길이가 3mm, 연마입자의 직경이 0.7mm, 연마입자의 총 무게 2.0kg, 회전속도 1,800rpm, 공정시간이 10min일 때 STS316 표면거칠기의 값이 1.57에서 0.81microns 로 가장 큰 변화를 나타내었다. 또한 분산분석을 통해 표면품위 향상에 가장 큰 영향을 미친 공정변수는 연마입자의 직경으로 약 32%의 기여도를 나타냈고, 연마입자의 직경, 가공시간, 회전속도 순으로 표면거칠기 향상에 영향을 미쳤음을 확인할 수 있었다. 또한 연마입자의 길이와 직경이 각각 유의수준 95 및 90%로 신뢰수준 범위 내 있음을 알 수 있었다. 시간영역 기반 RMS 값과 SR 비교 결과, RMS 값이 증가할수록 SR이 선형적으로 증가함으로써 표면거칠기 향상에 긍정적 영향을 미침을 확인할 수 있었다. 이를 바탕으로 DNN 기반 9개의 표면거칠기 예측모델 개발 결과, 학습 데이터셋의 R2 값과 MSE 값이 각각 0.950~0.977과 0.0003~0.0005, 검증 데이터셋의 R2 값과 MSE 값이 각각 0.814~0.895와 0.002~0.004를 가짐으로써 DNN 기반 표면거칠기 예측모델의 성능이 우수한 것으로 판단할 수 있었다. 또한 도출된 예측성능의 비교결과, 검증 데이터셋에서 가장 높은 R2 값 0.895과 낮은 MSE 값 2.590x10-3을 가지는 [6, 18, 12, 1] 구조의 표면거칠기 예측모델이 높은 신뢰성을 가짐을 알 수 있었다. 본 연구에서는 시간영역에서 데이터의 손실로 인해 유발되는 예측모델 성능의 한계를 극복하기 위해서 시간-주파수영역을 대표하는 웨이블릿 변환을 적용하였다. 연속신호 웨이블릿 변환을 기반으로 각 공정조건에 따라 계측된 신호의 정보를 Scalogram으로 변환하고 이를 CNN 예측 모델의 학습인자로 활용하였다. CNN 모델 평가 결과, 학습 데이터셋의 R2 값과 MSE 값이 각각 0.986과 0.190x10-3, 검증 데이터셋의 R2 값과 MSE 값이 각각 0.951과 2.229x10-3을 가짐으로써 DNN 예측모델 대비 뛰어난 예측성능을 지님을 확인할 수 있었다. 또한 추가 검증실험 결과, 평균 MSE 값이 0.003로 REMF 공정에 대한 설명력이 높은 것으로 판단할 수 있었다.