본 연구는 핵심 투명 전도성 산화물(TCO) 재료인 불소 도핑 산화주석(fluorine-doped tin oxide, FTO) 박막의 마이크로 밀링을 위한 실시간 음향 방출(acoustic emission, AE) 모니터링 시스템을 제시한다. 이 시스템은 마이크로 밀링 공정 중 발생하는 고주파 탄성파를 포착하기 위해 AE 센서를 사용한다. 우리는 실험적 분석과 이론적 분석을 결합하여 다양한 밀링 파라미터가 AE 신호에 미치는 영향을 규명하고자 하였다. FTO와 같은 취성 재료에서 연성 모드 절삭을 보장하는 데 있어 중요한 과제를 해결하기 위해, 연성 및 취성 가공 모드 간 전이를 식별하기 위해 합성곱 신경망(convolutional neural network, CNN)을 적용하였다. AE 신호에서 에너지 기반 특징을 추출하여 CNN을 학습하였으며, 97.37%의 분류 정확도를 달성하였다. 이러한 높은 정확도는 복잡한 마이크로 가공 데이터를 해석하기 위해 AE 센싱과 딥러닝을 통합하는 접근이 효과적임을 보여준다. 본 결과는 이 결합 기법이 취약한 전도성 박막의 마이크로 밀링에서 공정 제어 및 이해를 향상시키기 위한 강력하고 비파괴적이며 지능적인 모니터링 솔루션을 제공함을 확인하였다.

본 연구에서는 다층 구조를 갖는 폴리비닐리덴 플루오라이드(PVDF) 기반의 유연한 음향방출(AE) 센서를 설계하고 제작하였다. 이 센서는 은(Ag) 전극층을 포함한 PVDF 필름 코어, 유연한 에폭시 수지, 그리고 폴리이미드 보호층으로 구성되며, 기계적 유연성과 AE 감도를 동시에 확보하도록 모든 층을 구조화하였다. 정량적 보정은 국제 표준 ISO 12713 및 ISO 12714에 따라 수행하였고, 주파수 응답 특성은 고속 푸리에 변환(fast fourier transform, FFT)을 사용하여 분석하였다. 절대 감도는 기준 센서와의 비교를 통해 평가하였으며, 동적 성능은 반복적인 연필심 리드 브레이크(pencil lead break, PLB) 시험을 통해 검증하였다. 본 연구는 기존의 PZT 기반 센서에 비해 더 우수한 적응성을 가지면서도 비용 효율적인 AE 센서를 구현할 수 있음을 보여주며, 정밀 공정 모니터링 및 구조 건전성 진단 시스템에 적용될 잠재력 또한 제시한다.