머신러닝 알고리즘을 이용한 절단 품질 실시간 모니터링에 관한 연구 : A Study on Cutting Quality Real-time Monitoring Using Machine Learning Algorithm

국문 초록 (Abstract)

최근 들어 4차 산업과 지능형공장, 및 스마트 제조에 대한 사회적 관심이 고조되고 있으며, 센서 데이터를 수집 및 축적하여 유의미한 정보를 창출할 수 있는 빅데이터와 인공지능 등이 핵심 기술이다. 4차 산업혁명에는 C.P.S (Cyber- Physical System)들이 연계되어 미래지향적이다. 공장에서부터 적용된 지능형공장(Intelligent factory) 및 스마트생산(Smart production)으로 달성한 생산성 향상이 목적이다. 4차 산업혁명 시대에 도입되면서 글로벌 생산 체계가 ‘Industry 4.0’로 전환에 따른 산업용 제조 설비가 수요 급증하고 있다. 그에 따른 제조시설 현대화, 자동화, Cycle Time 단축, 품질개선 노력으로 인해 전 세계적으로 산업용 자동화 설비의 수요가 늘고 있다. ICT 및 컴퓨팅 기술발전에 따라 산업용 자동화 설비의 활용 범위가 확대되고 있다.
현재 우리나라는 높은 기술력을 바탕으로 제조업에서의 경쟁력을 가지고 있으나 제조기업의 혁신활동은 상대적으로 낮은 편이며 특히 공정혁신을 통한 경쟁력 제고가 필요한 시점이다. 국내 제조 산업은 최신 ICT 기술을 적용한 스마트 팩토리를 도입함으로써 제품의 생산성 향상과 작업 공정 및 운영의 효율성에 영향을 미치는 자동화 설비를 위한 기술개발에 큰 노력을 기울이고 있다. 디지털 트윈에 사용되는 모델을 정의하기 위해 시뮬레이션 기술은 현실 시스템의 성질을 나타내는 디지털 모델을 구현하고, 이 모델을 사용하여 시스템 운영을 위한 디지털 모델을 선정을 위해 프로그램의 연결된 빅데이터를 이용하는데, 이때 대표적인 방법이 머신러닝이다. 머신러닝은 프로그래밍 없이 컴퓨터가 학습하는 능력을 갖추게 하는 데이터 분석기법으로써 여러 제조업 분야에 적용이 할 수 있고, 실험데이터를 이용하여 제조공정을 표현하기 위한 모델을 유도하는 방법이 가능하다. 이전 연구에서 금속 재료의 절단은 기계적인 절단이나 절삭법이 있으나 현재 사용하는 금속 재료의 다양화에 따른 기계적인 절단 및 절삭으로는 감당하기 어려워 절단에 대한 새로운 접근이 필요하게 되었다.
현재 대부분의 연구가 생산성 향상에 초점을 맞춘 자동화 설비개발에 집중되어있다. 절단기계인 플라즈마 기계의 특성을 고려한 실시간 데이터에 대한 내용의 연구는 미흡한 실정이다. 또한 대부분의 절단은 기계적 절단을 적용한 공정이 대부분이며, 여러 변수가 절단품질에 미치는 영향을 분석한 연구만 진행되고 있어 현재까지 절단 품질 예측을 위한 모델 선정과 최적의 절단 형상을 위한 다양한 기법들에 대한 관련된 연구가 전무한 실정이다. 따라서 최근 산업현장에서 많이 쓰이고 있는 플라스마 절단결함 예측모델의 최적화에 관한 연구가 시급한 것으로 사료된다.
본 연구에서는 배관 제조 산업에 많이 사용되는 SA576-70 재질의 평판을 플라즈마 절단공정을 수행함으로써, 절단시 획득한 기계적, 형상적 데이터를 활용하여 플라즈마 절단공정의 최적화를 최종목표로 하였다. 이를 위해 다양한 조건에서의 플라즈마 절단실험을 수행하며, 실시간으로 획득한 데이터를 활용하여 고품질의 기계적 특성을 확보하기 위한 표면거칠기을 제안하고자 한다. 또한 실시간으로 획득한 데이터를 활용하여 절단 공정변수와 표면거칠기의 형상간의 결함 예측모델(HMM)을 개발하여 개발된 예측모델의 품질을 확인하고자 품질을 예측할 수 있는 기법(Mahalanobis Distance)을 도입하여 요구하는 품질에 따른 최적의 절단 공정변수를 선정하였다. 아울러 개발된 최적의 예측모델을 이용하여 플라즈마 절단공정의 최적 공정변수를 선정하며, 선정된 공정변수에 따른 표면거칠기의 3차원 형상의 예측모델을 선정하고자 하였으며, 결함을 개선할 수 있는 고품질의 플라즈마 절단공정을 규명하고자 하였다.

다국어 초록 (Multilingual Abstract)

In recent years, social interest in the 4th industry, intelligent factories, and smart manufacturing has been rising, and big data and artificial intelligence that can generate information by collecting and accumulating sensor data are core technologies. In the fourth industrial revolution, C.P.S (Cyber-Physical System) is connected and future-oriented. As the 4th Industrial Revolution enters, industrial manufacturing facilities are rapidly increasing as the global production system shifts to Industry 4.0. The demand for industrial automation equipment is increasing worldwide due to modernization of manufacturing facilities, automation, reduction of cycle time, and quality improvement efforts. With the development of ICT and computing technology, the scope of application of industrial automation facilities is expanding.
At present, Korea has a competitive edge in manufacturing industry based on high technology, but the innovation activities of manufacturing companies are relatively low. In particular, it is time to enhance competitiveness with innovations in the process. The domestic manufacturing industry is making great efforts to develop technologies for automation facilities that affect the productivity of products and the efficiency of work processes and operations by introducing smart factories applying the laTest ICT technology. To define the model used for the digital twin, simulation techniques implement a digital model that represents the nature of the real system. This model is used to connect the program's connected big data to select a digital model for the system operation. The representative method is machine learning. Machine learning is a data analysis method that enables a computer to learn without programming, and can be applied to various manufacturing fields, and it is possible to derive a model for representing a manufacturing process using experimental data. In the previous study, the cutting of metal materials had mechanical cutting or cutting methods, but mechanical cutting and cutting due to the diversification of the metal materials currently used are difficult to handle and thus a new approach to cutting has been required.
Currently, most of the research is focused on the development of automated facilities that focus on improving productivity. The study on the contents of the real-time data considering the characteristics of the plasma machine, which is a cutting machine, is insufficient. In addition, most of the cutting process is the process of applying mechanical cutting, and only the research that analyzes the effect of various variables on the cutting quality has been conducted. There is no related research on this. Therefore, it is urgent to study the optimization of the plasma cutting defect prediction model which is widely used in the industrial field recently.
In this study, the final target was to optimize the plasma cutting process using the mechanical and shape data obtained during cutting by performing the plasma cutting process on the SA576-70 plate, which is widely used in the pipe manufacturing industry. Plasma cutting experiments are performed under various conditions, and surface roughness is proposed to secure high quality mechanical properties using data obtained in real time. In addition, we attempted to confirm the quality of the predictive model developed by developing a defect prediction model (HMM) between cutting process variables and the shape of the surface roughness using data acquired in real time. Mahalanobis distance was selected to select the optimum cutting process parameters according to the required quality. In addition, the optimal process model for the plasma cutting process was selected using the developed optimal predictive model, and the three-dimensional shape of the surface roughness was estimated according to the selected process variable. Accordingly, the present inventors attempted to identify a high quality plasma cutting process capable of improving defects.

목차 (Table of Contents)

• Nomenclatures ⅲ
• List of Tables ⅶ
• List of Figures ⅷ
• Abstract ⅹ
• 제 1장 서 론 1
• 제 1절 연구 배경 1
• 제 2절 연구목적 및 방법 7
• 제 2장 관련 이론 9
• 제 1절 플라즈마 절단법 9
• 2.1.1 플라즈마 절단법의 원리 9
• 2.1.2 플라즈마 절단법의 장치 및 응용 11
• 2.1.3 표면 거칠기의 표시 13
• 제 2절 머신러닝 기반 플라즈마 절단부 예측기법 16
• 2.2.1 실험계획법 16
• 2.2.2 머신러닝 18
• 2.2.3 MD알고리즘(Mahalanobis-Distance) 22
• 2.2.4 GMM(Gaussian Mixture Model) 25
• 2.2.5 HMM(Hidden Markov Model) 29
• 2.2.6 CHMM(Continuous Hidden Markov Model) 33
• 2.2.7 Auto Regressive Burg Coefficient Model 36
• 2.2.8 K-means clustering 38
• 2.2.9 시계열 분석법 40
• 제 3장 플라즈마 절단실험 46
• 제 1절 실험 개요 46
• 3.1.1 실험장치 구성 46
• 3.1.2 실험재료 및 방법 47
• 3.1.3 실험계획 49
• 제 2절 실험결과 및 고찰 51
• 3.2.1 절단실험 및 결과 51
• 3.2.2 절단변수 변화에 따른 표면거칠기 형상의 영향 63
• 제 4장 결과 및 고찰 64
• 제 1절 플라즈마 절단부 결함 진단 64
• 4.1.1 플라즈마 절단부 결함 진단 64
• 4.1.2 마할라노비스 거리(MD)를 이용한 절단품질 분석 74
• 4.1.3 HMM 및 마할라노비스 거리 계산을 결합한 절단품질 분석 87
• 제 2절 최적의 표면거칠기 예측모델 선정 104
• 제 3절 결함 예측모델의 실시간 결함형상 예측 110
• 제 5장 결 론 112
• 참 고 문 헌 114
• 영 문 초 록 120