연성 금속(예: 알루미늄)의 드릴링 중 출구 버(exit burr)가 형성되는 과정은 정밀 제조 및 제조 자동화에 있어 중요하다. 드릴링 버는 제거하기 어렵기 때문에, 다양한 버 유형을 예측하거나 버의 여러 특성을 고려한 버 최소화 방안을 구현하기 위한 방법을 고안해야 한다. 본 연구에서는 항공 및 자동차 산업에서 널리 사용되는 알루미늄-7075의 드릴링 동안 버의 형성을 예측하기 위해, 이송, 절삭 속도 및 드릴 직경을 포함한 드릴링 공정 조건뿐 아니라 인공신경망을 구현하였다. 드릴링 조건을 바탕으로 버 크기 및 유형과 같은 주요 출구 버 특성을 실험적으로 분류하였다. 알루미늄 7075 가공재에서는 세 가지 서로 다른 출구 버 유형(균일 버, 캡이 있는 균일 버, 일시적 버)이 관찰되었다. 분류 결과는 버 관리도(burr control charts)와 경험적 방정식을 사용하여 추가로 분석하였으며, 이를 통해 드릴링 조건이 버 유형 전반에 미치는 영향을 이해할 수 있다. 또한 음향 방출(acoustic emission, AE) 센서 모니터링 방안을 활용하여 드릴링 중 버 형성에 민감한 시계열 신호를 샘플링하였다. 이후 기계학습 및 딥러닝이라는 인공지능 기법을 사용하여 버 유형을 예측하였다. 먼저, 역전파(backpropagation, BP) 신경망을 드릴링 조건과 AE 신호를 입력 벡터로 하여 구성하였다. 비교 예측을 위해, 샘플링된 AE 데이터로부터 스펙트로그램 이미지 입력을 얻기 위해 합성곱 신경망(convolution neural network, CNN)을 구현하였다. 제안된 방식은 민감한 센서 모니터링 구성을 활용하고 고도화된 인공지능 기법을 적용함으로써 드릴링 버 유형을 예측하는 데 유용하며, 예측 결과가 실험 결과와 잘 일치하였다. 아울러 CNN 모델은 일반적으로 수행되는 제조 공정에서도 효과를 보였는데, 버 유형을 BP 네트워크 모델보다 더 높은 정확도로 예측하였다(0.9375 대 0.8571).

본 연구는 자기 연마 가공(MAF)을 사용하여 코팅된 표면 위의 AFM 스크래치 나노패턴에 적합한 표면 마감 공정을 조사한다. 먼저, 특수 설계된 AFM 가공 장치를 이용하여 IZO 코팅된 파이렉스 유리에서 나노스케일 패터닝을 수행하였다. AFM 가공 후에는 적층체(pile-ups)와 같은 불균일한 표면 형상이 생성되며, 코팅 재료에서는 최종 형상이 종종 더 복잡해진다. 이러한 이유로 MAF를 코팅 재료의 적층체/잔사에 대한 나노스케일 제거 및 설계를 위한 공정으로 적용하였고, 설계된 실험(DOE)을 활용하여 마감 공정의 최적 공정 조건을 도출하였다. 공정은 코팅-기판(유리) 경계 검출뿐 아니라 연마 상태/깊이 모니터링을 위해 음향 방출(Acoustic Emission, AE)을 사용하여 모니터링하였다. 실험 결과는 제안된 공정이 다양한 재료 구성에서 나노스케일 선택적 마감 기법으로서의 가능성을 시사한다.