가공 공정 툴웨어 예측을 위한 불확실성 인지 딥러닝

Uncertainty-Aware Deep Learning for Tool Wear Prediction

연구 내용

가공 센서 데이터에서 툴웨어를 확률적으로 예측해 교체 의사결정을 지원하는 불확실성 인지 연구

본 분야는 밀링·턴닝 등 가공 공정에서 툴웨어가 표면 품질과 신뢰성에 미치는 영향을 줄이기 위해 데이터 기반 예측을 수행합니다. 원시 센서 측정치로부터 CNN 기반 다중스케일 특징을 추출하고, variational inference를 적용해 예측 분포와 불확실성을 함께 산출합니다. 또한 다중 가공 조건에서의 성능 저하를 완화하기 위해 domain-invariant 표현을 학습하는 Bayesian feature extractor와 adversarial learning을 결합한 mixture density network 기반 예측 구조를 사용합니다. 스마트 제조 관점에서 스마트폰 센서를 활용한 불확실성 인지 툴웨어 예측으로 입력 데이터 제약에도 적용 가능한 방법을 제시합니다.

관련 프로젝트

0건

연구 흐름

초기에는 툴웨어 예측을 딥러닝 기반 회귀로 다루면서, 다중스케일 특징 추출과 Bayesian learning을 결합해 불확실성을 포함한 예측으로 확장했습니다. 이후 공정이 여러 조건에서 운영되는 현실 문제를 반영하여 multi-domain 상황에서 도메인 불변 표현을 학습하고, mixture density network로 확률적 출력까지 제공하는 구조를 구축했습니다. 최근에는 현장 적용성을 높이기 위해 스마트폰 센서 기반 데이터로도 uncertainty-aware 툴웨어 예측이 가능함을 검증하는 방향으로 연구를 확장했습니다.

활용 가능성

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

확률적 툴웨어 예측기
툴 교체 시점 산정
다중조건 공정 적응 모델
불확실성 기반 품질 리스크 관리
스마트폰 센서 기반 모니터링
공구 수명 디지털 피드백
가공 파라미터 추천 입력
도메인 불변 표현 학습
예측 성능 안정화 모듈
제로 결함(ZDM) 공정 지원