다중센서 데이터 및 인공지능을 활용한 선삭가공 공구 상태 모니터링 기법 = Tool Condition Monitoring in Turning Process Using Multi-Sensor Data and Artificial Intelligence

국문 초록 (Abstract)

제조 산업은 가공 공정의 복잡화 및 제조 인력 부족으로 인해 공정의 자동화 기술의 적용이 확대되고 있으며, 이에 각 단위 가공의 안정적인 품질 유지에 대한 중요성이 부각되고 있다. 가공 품질은 공구 상태에 영향을 받으며, 특히 단일 절삭날으로 회전하는 재료를 가공하는 선삭에서 공구 상태 변화는 가공 형상 오차, 표면 정밀도 저하, 불량률 증가로 직결되는 중요한 요소이다. 이에 제조 산업에서 선삭 공구 상태 모니터링(Tool Condition Monitoring, TCM) 기술 개발이 요구된다. 기존 선삭 TCM 연구에서는 다양한 센서 신호와 딥러닝 기법이 활용되어 왔으나, 대규모 학습 데이터 확보의 어려움과 공정 조건 변화에 따른 성능 저하로 인해 실제 산업 현장 적용에는 제약이 존재한다. 따라서 소규모 데이터 환경에서도 안정적으로 동작하며 다양한 환경에서 유연하게 적용 가능한 머신러닝 기법을 활용한 실용적 방법 개발이 필요하다.
따라서 본 연구에서는, 저차원 소규모 데이터 기반으로 유효한 결과를 도출 가능하며 이상치에 강건한 머신러닝 기법인 서포트 벡터 머신(Support Vector Machine, SVM) 및 서포트 벡터 회귀(Support Vector Regression, SVR)를 활용한 선삭 공구 상태 모니터링 방법을 제안하고 실험을 통해 실 적용성을 검증하고자 하였다.
본 연구에서 제안하는 방법은 다중 센서 데이터와 SVM을 활용한 선삭 공구 교체 시점 분류 방법과, SVR을 활용한 공구 마모량 예측 방법이다. 실험에서는 절삭 가공 모니터링에서 재료 제거 특성을 반영하는 음향방출(Acoustic Emission, AE) 센서와 가공 중 진동을 검츨하는 가속도 센서를 선정 및 활용하였다. 가공 실험을 수행하며 센서 데이터를 수집하고, 동시에 가공 품질 지표인 표면 거칠기와 공구 상태 지표인 공구 마모 데이터를 수집하였다. 수집된 센서 데이터로부터 시간 영역 및 주파수 영역의 특징인자를 추출하였으며, 가공 품질 데이터를 기준으로 SVM을 이용한 공구 상태 분류 모델을 학습하고, 공구 마모 데이터를 기준으로 SVR을 이용한 마모량 예측 모델을 학습하였다. 또한 RFECV(Recursive Feature Elimination with Cross Validation) 알고리즘을 적용하여 입력 특징인자 조합 최적화를 수행함으로써 계산 복잡도를 감소시키는 동시에 예측 성능 향상을 도모하였다.
본 연구의 결과를 통해 제안한 인공지능 및 다중 센서 데이터를 활용한 선삭 공구 상태 모니터링 방법이 소규모 데이터 환경에서도 높은 정확도로 선삭 공구 상태 분류와 공구 마모 예측이 가능함과, 필요에 따라 보다 경량화된 모델의 구축 가능성을 확인하였다. 이는 무인·자동화 생산 환경에서 공구 상태를 자율적으로 판단하고 교체 시점을 결정하기 위한 실용적 기술적 기반을 제공하며, 향후 다양한 절삭 공정 조건 및 센서 구성으로의 확장 적용에도 활용될 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

The manufacturing industry has been increasingly adopting automation technologies due to thegrowing complexity of machining processes and shortages in skilled manufacturing labor.
Accordingly, the importance of maintaining stable quality in each individual machining operation hasbecome more prominent. Machining quality is significantly influenced by tool condition, andparticularly in turning processes—where a rotating workpiece is machined using a single cuttingedge—changes in tool condition directly lead to form errors, degradation of surface integrity, andincreased defect rates. Consequently, the development of Tool Condition Monitoring (TCM)technologies for turning processes is strongly required in the manufacturing industry.
In conventional turning TCM studies, various sensor signals and deep learning techniques havebeen widely employed. However, practical application in industrial environments remains limited dueto difficulties in securing large-scale training datasets and performance degradation caused byvariations in machining conditions. Therefore, there is a need to develop practical methods based onmachine learning techniques that can operate reliably under small-sample conditions and be flexiblyapplied across diverse environments.
Accordingly, this study proposes a turning tool condition monitoring method based on Support Vector Machine (SVM) and Support Vector Regression (SVR), which are machine learningtechniques known to be effective for low-dimensional, small-sample data and robust against outliers.
Experimental validation was conducted to verify the practical applicability of the proposed approach.
The proposed method consists of a tool replacement timing classification approach using multisensor data and SVM, and a tool wear amount prediction approach using SVR. In the experiments, an Acoustic Emission (AE) sensor, which reflects material removal characteristics during machining, andan accelerometer, which detects vibration during cutting, were selected and utilized. During turningexperiments, sensor data were collected along with machining quality indicators, including surfaceroughness, and tool condition indicators, specifically tool wear data. From the acquired sensor signals,time-domain and frequency-domain features were extracted. Based on machining quality data, an SVM-based tool condition classification model was trained, while an SVR-based tool wear predictionmodel was developed using tool wear data. Furthermore, the Recursive Feature Elimination with Cross Validation (RFECV) algorithm was applied to optimize the combination of input features,thereby reducing computational complexity and improving prediction performance.
Experimental results demonstrate that the proposed turning tool condition monitoring method,which integrates artificial intelligence and multi-sensor data, achieves high accuracy in both toolcondition classification and tool wear prediction even under small-sample data environments. Inaddition, the feasibility of constructing more lightweight models according to application requirementswas confirmed. These findings provide a practical technological foundation for autonomouslyassessing tool condition and determining tool replacement timing in unmanned and automatedmanufacturing environments, and the proposed approach is expected to be extendable to a wide rangeof machining conditions and sensor configurations in future applications.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구동향 2
• 1.3 연구목적 및 차별성 3
• 제2장 선삭가공 공구 상태 모니터링 방법 4
• 2.1 데이터 수집 실험 6
• 2.2 주파수계열 변환 9
• 2.3 특징인자 추출 11
• 2.4 SVM을 활용한 공구 교체 시점 판단 모델 학습 14
• 2.5 SVR을 활용한 공구 마모 예측 모델 학습 17
• 2.6 특징인자 조합 최적화 및 테스트 20
• 제3장 결과 및 분석 23
• 3.1 표면거칠기 및 공구마모 추이 23
• 3.2 AE 센서 데이터 경향 25
• 3.3 가속도 센서 데이터 경향 27
• 3.4 SVM을 활용한 공구 교체 시점 판단 모델 학습 및 테스트 결과 30
• 3.5 SVR을 활용한 공구 마모 예측 모델 학습 및 테스트 결과 31
• 제4장 결론 36
• 참고문헌 38
• abstract 40