음향방출 기반 절삭가공 결함·모드 예측 딥러닝

Deep Learning for Acoustic Emission–based Cutting Defect and Mode Prediction

연구 내용

절삭가공 중 발생하는 음향방출(AE) 시계열을 센서 기반으로 수집하고, 신경망 모델로 버 유형과 연성-취성 전이를 예측하는 연구

절삭가공 과정에서 생성되는 고주파 탄성파인 음향방출 신호를 공정 중에 계측하고, 가공 조건과 결함 발생의 관계를 학습하여 품질을 예측합니다. 드릴링에서는 출구 버의 유형과 크기 특성을 구분하기 위해 가공 조건 및 AE 신호를 입력으로 하며, 분류 성능을 높이기 위해 신경망 구조를 비교·적용합니다. 마이크로 엔드 밀링에서는 깨지기 쉬운 박막 재료에서 연성 모드 유지 여부를 판별하기 위해 AE 기반 특징을 추출하고 CNN으로 모드 전이를 식별합니다. 이를 통해 비파괴 공정 모니터링 기반의 정밀 제조 제어를 지향합니다.

관련 프로젝트

0건

연구 흐름

초기에는 드릴링에서 발생하는 출구 버를 공정 조건과 AE 신호로 연계하여 유형을 예측하는 방향으로 연구를 수행했습니다. 이후 버 형성에 민감한 시계열 구간을 신호 처리·특징화한 뒤, 딥러닝을 통해 분류 정확도를 개선하는 체계를 확립했습니다. 다음 단계에서는 연성-취성 절삭 모드가 품질에 직접 영향을 주는 미세 가공으로 확장하여, 박막 재료의 취성 전이를 AE 모니터링과 CNN 기반 분류로 판별하는 연구를 진행했습니다. 최근에는 공정 중 계측 기반의 비파괴 모드 제어로 적용 범위를 넓히고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

드릴링 버 유형 자동 예측
버 최소화 공정 조건 탐색
연성-취성 전이 기반 절삭 제어
취성 박막 가공 실시간 모니터링
AE 센서 기반 품질 보증
가공 조건-결함 매핑 모델 구축
이상 징후 조기 탐지
비파괴 공정 검증 절차
정밀 제조 라인 폐루프 제어
센서 데이터 기반 공정 최적화