Improving data-driven tool condition monitoring for smart machining

다국어 초록 (Multilingual Abstract)

Data-driven Tool Condition Monitoring (TCM) technologies have demonstrated high performance in laboratory environments, yet frequently experience significant performance degradation in actual manufacturing settings. This dissertation addresses three fundamental challenges limiting the on-site deployability of data-driven TCM as follows. First, data scarcity from costly and time-consuming measurements. Second, low adaptability to dynamic process variations. Third, the absence of systematic sensor validity evaluation methods.
To overcome these limitations, this research proposes a comprehensive framework comprising three methodologies. First, a Multi-Task Learning (MTL)-based tool wear prediction model addresses data scarcity by leveraging the strong physical correlation between cutting force and tool wear. The proposed hard parameter sharing structure enables effective learning with sparse labels, achieving significant performance improvements while reducing computational costs compared to conventional Single-Task Learning approaches.
Second, a dimensional error estimation and real-time compensation methodology addresses measurement delay problems. Through correlation analysis and feature importance evaluation, key features are identified from monitoring signals, and a sliding window-based neural network model enables real-time dimensional error prediction. The compensation strategy maintains dimensional precision within specified tolerances throughout machining operations.
Third, a Sensor Validity Index (SVI) based on frequency domain analysis addresses machining environment heterogeneity. The SVI quantifies spectrum contrast between in-cut (i.e., cutting) and out-of-cut (i.e., non-cutting) segments at machining-relevant frequencies, providing objective criteria for sensor selection. Additionally, a hierarchical tag-based process classification algorithm based on the digital-thread framework is proposed. It structures monitoring data across multiple levels, enabling systematic tool-specific condition tracking and overcoming limitations of conventional time-series data storage.
The proposed techniques are validated through field application at an industrial machining center and demonstrate practical value through integration with commercial monitoring platforms. This research provides a methodological foundation for building robust data-driven intelligent monitoring systems in smart manufacturing environments and contributes to bridging the performance gap between laboratory research and industrial applications.

국문 초록 (Abstract)

데이터 기반 공구 상태 모니터링(Tool Condition Monitoring, TCM) 기술은 실험실 환경에서 높은 성능을 보여 왔으나, 실제 제조 현장에서는 성능이 크게 저하되는 경우가 빈번하다. 본 학위논문은 데이터 기반 TCM의 현장 적용성을 제한하는 세 가지 근본적 과제를 다음과 같이 다룬다. 첫째, 비용과 시간이 많이 소요되는 측정으로 인해 발생하는 데이터 부족 문제. 둘째, 공정 변동이 동적으로 발생하는 환경에 대한 낮은 적응성. 셋째, 센서 유효성을 체계적으로 평가할 수 있는 방법의 부재이다.

이러한 한계를 극복하기 위해, 본 연구는 세 가지 방법론으로 구성된 포괄적 프레임워크를 제안한다. 첫째, 절삭력과 공구 마모 간의 강한 물리적 상관관계를 활용하여 데이터 부족 문제를 해결하는 다중 과제 학습(Multi-Task Learning, MTL) 기반 공구 마모 예측 모델을 제안한다. 제안하는 하드 파라미터 공유(hard parameter sharing) 구조는 희소한 라벨 환경에서도 효과적인 학습을 가능하게 하며, 기존 단일 과제 학습(Single-Task Learning) 접근 대비 계산 비용을 줄이면서도 유의미한 성능 향상을 달성한다.

둘째, 치수 오차 추정 및 실시간 보정 방법론을 통해 측정 지연 문제를 해결한다. 상관분석과 특성 중요도 평가를 통해 모니터링 신호로부터 핵심 특성을 도출하고, 슬라이딩 윈도우 기반 신경망 모델을 사용하여 치수 오차를 실시간으로 예측한다. 또한 제안한 보정 전략은 가공 과정 전반에 걸쳐 치수 정밀도를 요구 공차 범위 내로 유지한다.

셋째, 주파수 영역 분석에 기반한 센서 유효성 지수(Sensor Validity Index, SVI)를 제안하여 가공 환경의 이질성 문제를 해결한다. SVI는 가공과 관련된 주파수 대역에서 절삭 구간(in-cut, 즉 절삭 중)과 비절삭 구간(out-of-cut, 즉 비절삭 상태) 간 스펙트럼 대비(contrast)를 정량화함으로써, 센서 선택을 위한 객관적 기준을 제공한다. 추가로, 디지털 스레드(digital-thread) 프레임워크에 기반한 계층적 태그 기반 공정 분류 알고리즘을 제안한다. 이는 모니터링 데이터를 다수의 계층 수준으로 구조화하여, 공구별 상태를 체계적으로 추적할 수 있게 하고 기존 시계열 데이터 저장 방식의 한계를 극복한다.

제안한 기법들은 산업용 머시닝 센터에서의 현장 적용을 통해 검증되었으며, 상용 모니터링 플랫폼과의 통합을 통해 실용적 가치를 입증하였다. 본 연구는 스마트 제조 환경에서 강건한 데이터 기반 지능형 모니터링 시스템 구축을 위한 방법론적 기반을 제공하며, 실험실 연구와 산업 적용 간 성능 격차를 해소하는 데 기여한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Smart Manufacturing Technologies in Machining Process 1
• 1.2 Smart Manufacturing under Practical Constraints 4
• 1.3 Research Motivation 7
• 1.4 Outlook of This Dissertation 8
• Chapter 2. Literature Review 10
• 2.1 Concept of TCM 10
• 2.2 Necessity of TCM 13
• 2.3 Types of TCM Methods 14
• 2.4 Limitations of Existing TCM Technologies and Proposed Solutions 19
• Chapter 3. Multi-Task Learning for Tool Wear and Cutting Force Estimation 21
• 3.1 Problem Definition: Label Scarcity and Imbalance in TCM 21
• 3.2 Research Background 24
• 3.3 Proposed Methodology 31
• 3.4 Data Preprocessing for Input Features 40
• 3.5 Model Construction 43
• 3.6 Experimental Validation 46
• 3.7 Summary 66
• Chapter 4. Dimensional Error Estimation and Compensation Using Monitoring Signals 68
• 4.1 Problem Definition: Disconnection between Tool Wear and Defective Product 68
• 4.2 Dimensional Error Compensation Methodology 70
• 4.3 Data Processing and Feature Extraction 77
• 4.4 Dimensional Error Compensation Results 81
• 4.5 Summary 88
• Chapter 5. Sensor Validity Assessment Using Frequency-Domain Analysis 90
• 5.1 Problem Definition: Decrease of Model Reliability Depending on Process Condition Variation 90
• 5.2 Sensor Effectiveness Evaluation Based on SVI 93
• 5.3 Sensor Validity Verification Using SVI 103
• Chapter 6. Conclusion and Future Work 114
• 6.1 Summary of Research 114
• 6.2 Research Contributions 117
• 6.3 Limitations of Research 118
• 6.4 Future Research Framework 118
• 6.5 Conclusion 122
• References 124