소재제거가공에서의 다중센서 기반 실시간 공구상태 모니터링 및 수명예측 = Multi-Sensor Based Real-Time Tool Condition Monitoring and Tool Life Prediction in Material Removal Machining

국문 초록 (Abstract)

최근 제조업은 생산성 향상, 원가 절감, 무인 자동화라는 구조적 요구에 직면하고 있으며, 이러한 환경 변화 속에서 공구 상태 모니터링(Tool Condition Monitoring, TCM)은 스마트 제조를 실현하는 핵심 기반 기술로 자리매김하고 있다. 기존의 공구 상태 평가는 작업자의 경험과 육안 검사에 의존하 는 방식이 주를 이루어 왔으나, 이는 돌발적인 공구 파손, 품질 불량, 설비 손상 등 다양한 위험을 내포하고 있다. 이에 따라 실시간 공구 마모 감지, 이상 상태 진단, 잔여 유효 수명(Remaining Useful Life, RUL) 예측이 가능한 자동화된 공구 상태 모니터링(TCM) 시스템의 필요성이 급격히 증가하고 있 다. 본 연구는 기존 단일 센서 기반 공구 상태 모니터링(TCM) 기술의 한계를 극복하기 위해, 다중센서를 융합한 실시간 공구 상태 모니터링 및 수명 예측 시스템을 제안하고, 이를 대표적 전통 가공 공정인 밀링(Milling)과 비전통 가공 공정인 연마 워터젯 가공(Abrasive Waterjet Machining, AWJM)에 적용 하여 그 범용성과 신뢰성을 실험적으로 검증하였다. 본 시스템의 핵심 목적은 공정 중 발생하는 다양 한 물리적 신호를 종합적으로 분석함으로써 공구 마모와 손상을 정밀하게 진단하고, 장기적으로는 데 이터 기반 예지보전을 실현하는 데 있다. 공구 상태 모니터링(TCM) 시스템은 음향 방출(Acoustic Emission, AE) 센서, 진동 측정을 위한 가속 도 센서, 절삭력을 측정하는 동력계, 그리고 스핀들 부하 상태를 반영하는 전류 센서로 구성된 이종 다중센서 구조를 채택하였다. 각 센서는 공구 열화와 관련된 상이한 물리 현상을 감지하며, 절삭력은 기계적 부하 변화를, 진동은 채터 및 동적 불안정을, AE는 미세 파손 및 돌발 손상을, 전류는 전체 절삭 부하 변화를 반영한다. 이러한 복합 신호를 융합함으로써 단일 센서 기반 시스템 대비 진단 정 확도와 신뢰성이 크게 향상되었다. 특히 본 연구에서는 실시간 적용을 위해 하드웨어 기반 신호 전처리 구조를 도입하였다. IEPE 증폭 기, 대역통과 필터, RMS-DC 변환기 등의 아날로그 전처리 모듈을 이용하여 신호의 특징을 디지털 변 환 이전 단계에서 추출함으로써 연산 부하와 통신 지연을 최소화하였다. AE 신호는 포락선 검출과 RMS 연산을 통해 고주파 데이터를 저주파 특징 신호로 변환하였고, 가속도 신호는 절삭 주파수 성분 만을 분리하도록 필터링하였다. 전류 신호는 스핀들 속도 변동의 영향을 최소화하기 위해 고역통과 필터와 오더 트래킹 기법을 적용하여 부하 특성만을 안정적으로 추출하였다. 특징 추출은 시간 영역, 주파수 영역, 시간-주파수 영역을 포괄하는 다영역 분석 방식으로 수행되었 다. 시간 영역에서는 평균값, RMS, 피크값, 왜도, 첨도 등의 통계적 특징을 활용하였으며, 주파수 영 역에서는 FFT 기반 스펙트럼 분석과 치형 통과 주파수 성분을 분석하였다. 시간-주파수 영역에서는 STFT 및 웨이블릿 변환을 통해 공정 중 신호 변화를 동적으로 추적하였다. 이러한 특징들은 공구 마 모의 진행 상태와 돌발 손상을 동시에 감지하는 핵심 지표로 활용되었다. 밀링 가공 실험은 Ti-6Al-4V 티타늄 합금과 주철을 대상으로 5축 머시닝센터에서 수행되었다. 실험 결과, 공구 마모가 진행됨에 따라 절삭력과 전류 RMS 값은 점진적으로 증가하였고, AE RMS 값과 가속 도 스펙트럼 에너지는 감소하는 경향을 나타내어 마모 진행에 대한 명확한 단조 특성이 확인되었다. 또한 돌발적인 치핑이나 파손이 발생할 경우 AE 신호에서 순간적인 버스트 신호가 발생하였으며, 전류 신호에서도 급격한 피크 변화와 주파수 대역 이동이 관찰되었다. 전류 신호의 통계 분석 결과, 왜도와 첨도는 증폭률 변화에도 안정적으로 유지되어 공구 상태 분류에 매우 강인한 특징으로 확인되었다. 본 시스템은 즉각적인 이상 감지를 위한 고속 경로(fast-path)와 장기 열화 추세 기반 수명 예측을 위한 정상 경로(steady-path)로 구성된 이중 모니터링 구조를 적용하였다. 고속 경로는 100 ms 이내 의 응답 속도로 임계값 기반 이상 상태를 감지하여 설비 보호와 안전 확보를 수행하며, 정상 경로는 SVR(Support Vector Regression) 및 LSTM(Long Short-Term Memory) 기반 회귀 모델을 이용해 장기적 인 마모 추세를 분석하고 잔여 유효 수명(RUL)을 예측한다. 연마재 워터젯 가공(AWJM) 공정에서는 노즐이 절삭 공구에 해당하며, 연마 입자의 지속적인 충돌로 인해 침식 마모가 발생한다. 본 연구에서는 혼합 챔버 인근에 고감도 AE 센서를 설치하여 단일 센서 기반으로 노즐 상태 모니터링을 수행하였다. 실험 결과, 노즐의 정상 마모가 진행될수록 AE RMS 값은 점진적으로 감소하였으며, 정렬 불량이나 국부 손상 발생 시 AE RMS 값은 급격히 증가하고 변동성도 크게 증가하는 것으로 나타났다. 주파수 영역 분석에서는 특정 주파수 대역(약 120 kHz, 260 kHz, 360 kHz)이 노즐 상태 판별에 효과적인 특징 구간임이 확인되었다. 잔여 유효 수명(RUL) 예측 측면에서, 밀링 공구는 AE RMS 평균값의 감소 추세를 기반으로 다항 곡선 피팅 및 LSTM 모델을 적용하여 수명을 예측하였고, 연마재 워터젯 가공(AWJM) 노즐은 AE RMS 값과 노 즐 직경 확대, 질량 손실 간의 강한 상관성을 기반으로 SVR 및 LSTM 모델을 이용한 수명 예측을 수행 하였다. 특히 AE RMS 0.6 V를 품질 저하 임계값으로 설정한 결과, 약 100시간 내외에서 발생한 실제 노즐 파손 시점을 95~105시간 범위로 정확히 예측할 수 있음을 확인하였다. 본 연구는 특정 공정에 국한되지 않고, 절삭 가공과 연마 침식이라는 상이한 재료 제거 메커니즘에 모두 적용 가능한 일반화된 공구상태 모니터링(TCM) 프레임워크를 제시하였다는 점에서 학술적·산업 적 의미를 가진다. 또한 비침습적 센서 설치 방식, EMI 차폐 케이블, 모듈형 신호 처리 구조 등 실제 산업 현장 적용을 고려한 시스템 설계를 통해 실용성을 확보하였다. 향후 연구로는 딥러닝 기반 분류 모델의 고도화, 산업 현장 실증을 통한 데이터 확대, 선삭·드릴링 등 다양한 공정으로의 확장, 그리고 사이버 물리 생산 시스템(CPS)과의 연계를 통한 통합 예지보전 체계 구축이 제시된다. 본 연구에서 개발한 다중 센서 기반 공구상태 모니터링(TCM) 및 잔여 유효 수 명(RUL) 예측 기술은 향후 스마트 제조 환경에서 공구 관리 자동화, 생산 품질 향상, 비가동 시간 최 소화, 유지보수 비용 절감이라는 핵심 과제를 해결하는 핵심 기반 기술로 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

In recent years, the manufacturing industry has faced increasing demands for productivity improvement, cost reduction, and unmanned automation. Within this industrial environment, Tool Condition Monitoring (TCM) has emerged as a core enabling technology for smart manufacturing. Conventional tool condition assessment has largely relied on operator experience and visual inspection, which inherently involves a high risk of unexpected tool breakage, product defects, and machine damage. As a result, the necessity for automated TCM systems capable of real-time wear detection, abnormal state diagnosis, and Remaining Useful Life (RUL) prediction has grown rapidly. This study proposes a real-time multi-sensor–based tool condition monitoring and life prediction system to overcome the limitations of conventional single-sensor TCM approaches. The proposed system is experimentally validated through its application to both a representative traditional machining process, milling, and a non-traditional machining process, abrasive waterjet machining (AWJM), thereby demonstrating its generality and reliability. The primary objective of the proposed system is to accurately diagnose tool wear and damage by comprehensively analyzing multiple physical signals generated during machining, and further to realize data-driven predictive maintenance. The TCM system adopts a heterogeneous multi-sensor configuration consisting of acoustic emission (AE) sensors, accelerometers for vibration measurement, dynamometers for cutting force measurement, and current sensors for spindle load monitoring. Each sensor reflects different physical phenomena associated with tool degradation: cutting force represents mechanical load variations, vibration indicates chatter and dynamic instability, AE captures micro-fracture and sudden failure events, and current signals reflect overall cutting load conditions. By fusing these complementary signals, the diagnostic accuracy and reliability of the system are significantly enhanced compared with conventional single-sensor monitoring systems. To ensure real-time applicability, this study introduces a hardware-based signal preprocessing structure. Analog preprocessing modules, including IEPE amplifiers, band-pass filters, and RMS-DC converters, extract signal features before analog-to-digital conversion, thereby minimizing computational burden and communication delay. High-frequency AE signals are transformed into low-frequency feature signals through envelope detection and RMS calculation. Acceleration signals are filtered to isolate cutting-related frequency components, while current signals are processed using high-pass filtering and order tracking to ensure stable load feature extraction regardless of spindle speed variations. Feature extraction is conducted through a multi-domain analysis framework that includes time-domain, frequency-domain, and time–frequency-domain features. In the time domain, statistical indices such as mean, RMS, peak value, skewness, and kurtosis are utilized. In the frequency domain, FFT-based spectral analysis and tooth-passing frequency components are examined. In the time–frequency domain, Short-Time Fourier Transform (STFT) and wavelet transforms are employed to dynamically track signal evolution during machining. These features serve as key indicators for simultaneously detecting progressive wear and sudden tool damage. Milling experiments were conducted on a 5-axis machining center using Ti-6Al-4V titanium alloy and cast iron. The experimental results demonstrated distinct monotonic degradation trends: as tool wear progressed, cutting force and current RMS values gradually increased, whereas AE RMS values and acceleration spectral energy gradually decreased. When sudden chipping or tool breakage occurred, impulsive AE burst signals and abrupt current peaks accompanied by frequency band shifts were clearly observed. Statistical analysis of current signals indicated that skewness and kurtosis remained stable even under varying amplification gains, confirming their robustness for tool state classification. The proposed monitoring system employs a dual-path architecture consisting of a fast-path and a steady-path. The fast-path detects abnormal conditions using threshold-based logic with a response time within 100 ms, ensuring equipment protection and operational safety. The steady-path performs long-term degradation analysis and RUL prediction using regression-based models such as Support Vector Regression (SVR) and Long Short-Term Memory (LSTM) networks. In the AWJM process, the nozzle functions as the cutting tool and experiences erosion wear due to continuous abrasive particle impacts. In this study, a high-sensitivity AE sensor was installed near the mixing chamber for single-sensor nozzle condition monitoring. The experimental results showed that, under normal wear conditions, the AE RMS value gradually decreased as nozzle erosion progressed. In contrast, abrupt increases in AE RMS and signal variability were observed under misalignment or localized damage. Frequency-domain analysis revealed that specific frequency bands (approximately 120 kHz, 260 kHz, and 360 kHz) were effective for discriminating nozzle condition states. For RUL prediction, milling tool life was estimated using polynomial curve fitting and LSTM models based on AE RMS degradation trends. For AWJM nozzles, strong correlations between AE RMS reduction, nozzle diameter expansion, and mass loss were identified, and SVR and LSTM models were applied for life prediction. By defining an AE RMS threshold of 0.6 V as the tool quality degradation limit, the system successfully predicted the actual failure timing at approximately 95–105 hours, which closely matched the - xxiii - observed failure near 100 hours. This research establishes a generalized TCM framework applicable to diverse material removal processes, including both cutting-based and erosion-based mechanisms. In addition, the practicality of the proposed system is enhanced through non-invasive sensor installation, EMI-shielded cabling, and a modular signal processing structure suitable for industrial environments. Future research directions include the advancement of deep learning–based classification models, expanded industrial field validation for large-scale data acquisition, extension to additional machining processes such as turning and drilling, and integration with cyber-physical production systems (CPS) for comprehensive predictive maintenance platforms. The proposed multi-sensor– based TCM and RUL prediction technology is expected to serve as a core foundation for intelligent manufacturing environments that enable automated tool management, improved production quality, reduced downtime, and lower maintenance costs.

목차 (Table of Contents)

• I. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 범위 12
• 1.2.1 연구의 핵심 문제 및 연구 제안 방향 12
• 1.2.2 연구 범위 및 기술적 제안 15
• 1.3 논문의 구성 19
• II. 소재 제거 가공 공구 상태 메커니즘 22
• 2.1 절삭공구 마모/파손 메커니즘 22
• 2.1.1 플랭크(Flank) 마모 메커니즘 22
• 2.1.2 크레이터(Crater) 마모 메커니즘 27
• 2.1.3 절삭공구 치핑 및 파손 메커니즘 31
• 2.2 워터젯 가공 노즐 상태 메커니즘 35
• 2.2.1 노즐 마모 및 파손 메커니즘 35
• 2.2.2 노즐 마모 거동 특성 41
• 2.3 공구 상태 신호 검출 기법 46
• 2.3.1 물리량과 센서 신호 관계 46
• 2.3.2 센서별 신호 전처리 기법 51
• 2.3.3 특징추출 및 이벤트 기반 지표 56
• 2.4 공구 교체 시점 및 수명 모니터링 64
• 2.4.1 공구 상태 및 수명 예지 기법 64
• 2.4.2 실시간성 확보와 저지연 대책 67
• III. 실시간 공구 상태 모니터링 시스템 설계 및 제작 70
• 3.1 TCM 시스템 설계 요구사항 70
• 3.1.1 TCM 시스템 공통 설계 인자 70
• 3.1.2 밀링 공정 센서 및 신호처리 설계 73
• 3.1.3 AWJM 공정 센서 및 신호처리 설계 76
• 3.2 하드웨어 구성 80
• 3.2.1 압전소자 기반 TCM 센서 및 동작 원리 80
• 3.2.2 압전소자용 센서 아날로그 회로 구성 83
• 3.3 알고리즘 및 실시간 처리 구현 93
• 3.4 시스템 통합 검증 98
• IV. 밀링 가공에서의 공구 상태 모니터링 실험 및 결과 ·· 103
• 4.1 밀링 가공 실험 103
• 4.2 실험 조건 및 신호처리 107
• 4.3 결과 분석 및 고찰 116
• 4.3.1 절삭공구 마모 특성과 상태 진단 116
• 4.3.2 다중센서 기반 마모 및 손상 분류 120
• 4.3.3 다중센서 기반 잔여 유효 수명 예측 127
• 4.3.4 고찰 131
• V. 연마재 워터젯 가공에서의 노즐 상태 모니터링 실험 및 결과· 133
• 5.1 연마재 워터젯 가공 실험 133
• 5.2 실험 조건 및 신호처리 137
• 5.3 결과 분석 및 고찰 141
• 5.3.1 노즐 마모 거동 특성 및 상태 진단 141
• 5.3.2 AE RMS 기반 마모 및 손상 분류 144
• 5.3.3 AE RMS 기반 잔여 유효 수명 예측 151
• 5.3.4 고찰 155
• VI. 결론 및 향후 연구 방향 156
• 6.1 연구 결과 요약 156
• 6.2 향후 연구 방향 158
• [참고문헌] 161