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 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.