MTConnect를 활용한 수치제어 프로그램의 에너지 예측 모델링

2.1 공정상황 속성데이터

공정상황은 1장에 설명하였다. 선행연구를 통해서 공작기계, 가공소재, 공구, 절삭유의 선택이 가공동력 및 사용에너지에 영향을 미치는 것으로 파악되었으므로,^3,7-9 이를 공정상황 속성데이터로 정의한다. 그 외의 다른 속성들(예: 가공소재의 모양)도 포함 가능하나, 본 논문에서는 문제 단순화를 위하여, 상기 4개만을 공정상황 데이터로 적용한다. 가공소재 모양이 복잡해질수록, 가공소재와 가공공구간 접촉시점 산출이 어려워 가공동력의 적용시간 판별에 어려움이 있기 때문이다.

추가적으로, 공정상황은 NC 프로그램 블록별로 수행하고자 하는 가공공정, 가공전략(공구이송 전략), NC 코드, 코드유형(접근, 가공, 후퇴 등)을 포함한다. NC 프로그램 상의 블록들은 저마다 고유의 목적이 있다. 예를 들어, 어떤 블록은 포켓공정의 윤곽평행 가공전략에서 직선보간을 위한, 다른 블록은 슬롯공정의 단방향 전략에서 직선보간 다음의 후퇴를 위한 코드유형일 수 있다. 따라서, 분류기준의 세밀화를 위해서는 NC 프로그램 블록별 코드유형의 단위까지 분할해야한다. 왜냐하면 코드유형 ‘가공’은 가공소재와 공구와의 접촉이 발생하므로 기계동력과 절삭동력이 동시에 작용하기 때문이다. 반면, ‘후퇴’는 가공동력이 작용하지 않고 기계동력만 소요되므로, 서로 다른 성질의 가공동력이 작용되기 때문이다. 본 논문에서의 공정상황 데이터는 아래와 같다.

Machining Context AD = {공작기계(Machine Tool), 가공소재(Workpiece), 절삭공구(Cutting Tool), 절삭유(Coolant), 가공공정(Machining Operation), 가공전략(Machining Strategy), NC 코드(NC Code), 코드유형(Code Type)}

2.2 모형 속성데이터

NC 프로그램 블록별로 공정상황 속성데이터가 정의되면, 각 블록에 해당하는 에너지 모델에 대한 입력변수와 출력변수의 정의가 필요하다. 이는 동일한 공정상황내에서 그동안 축적된 입력변수와 출력변수 데이터로부터 두 변수간의 관계를 수치적으로 표현하기 위함이다. 공정계획 중 결정되는 공정파라미터는 가공동력을 결정하는 주요 파라미터이므로, 입력변수는 이송속도, 주축회전수, 절삭깊이 및 절삭폭(밀링가공 경우), 출력변수는 가공동력으로 정의한다.

정리하면, 공정상황 속성데이터를 통해 모델의 분류기준을 설정하고, 각 분류기준별로 입력변수와 출력변수간 회귀모형 또는 기계학습모형을 수립함으로써, 에너지 모델을 생성하는 것이다.

Input AD = {이송속도(Feedrate), 주축회전수(Spindle Speed), 절삭깊이(Cutting Depth), 절삭폭(Cutting Width)}

Output AD = {가공동력(Machining Power)}

3.1 데이터 수집

에너지 모델링 첫 단계는 데이터 수집 즉, 속성데이터 실제값들인 인스턴스 획득을 위한 데이터 소스를 판단하고, 이로부터 속성데이터 인스턴스를 가져오는 과정이다. 각 속성데이터는 어떤 활동에 의해 생성되는지에 따라 데이터 소스가 정의된다. 일반적으로, 공정계획 활동은 공작기계, 가공소재, 사용공구, 절삭유, 가공공정, 가공전략, 공정파라미터 등을 결정하므로 이와 관련된 인스턴스를 생성한다. NC 프로그래밍 활동에서는 공작기계 운용에 필요한 NC 코드, 공구위치 등과 관련된 인스턴스를 생성한다. 한편, 기계가공 활동에서는 제품 생산과 함께 공작기계 운용의 모니터링을 위한 각종 측정항목 (예. 실제 축위치, 실제 이송속도, 실제 주축회전수, 부하, 가공동력) 인스턴스를 생성한다. 따라서, 에너지 모델링에 필요한 속성데이터 인스턴스들은 해당 공정계획, NC 프로그램 및 기계가공 활동에서 생성되는 데이터 소스로부터 수집할 수 있다.

예를 들어, Fig. 3(a)는 ISO14649 프로그램으로부터 공정계획과 관련된 인스턴스를 수집하는 예이다. ISO14649는 공정계획 데이터의 정보화와 표준화를 위해 제정된 국제표준으로서, 객체(Entity)와 속성(Attribute)을 이용하여 공정계획 데이터를 계층적으로 표현할 수 있다.¹⁰ 이 프로그램으로부터, 공작기계, 가공소재, 가공공구, 절삭유, 가공공정, 가공전략(파란색 상자) 및 이송속도, 주축회전수, 절삭깊이, 절삭폭(주황색 상자) 속성데이터 인스턴스를 수집한다. Fig. 3(b)는 ISO6983기반 NC 프로그램으로부터 NC 프로그래밍과 관련된 인스턴스를 수집하는 예이다. ISO6983은 NC 프로그램 관련 코드 및 표현방법 정의를 위한 국제표준이다.¹¹ 이 프로그램으로부터 NC 코드 및 코드유형 속성데이터 인스턴스를 수집한다. 코드유형은 ISO14649 프로그램에서 정의된 가공형상과 가공전략, 그리고 ISO6983 프로그램의 NC 코드로부터 결정할 수 있다. 예를 들어, 양의 y축 방향 슬롯 형상을 가공할 때, 단방향 가공전략하에서 공구이송방향이 양의 y축이면 코드유형 ‘가공’, 음의 y축이면 코드유형 ‘후퇴’로 판별할 수 있다.

Fig. 3

Examples of data collection from ISO14649, ISO6983 programs and MTConnect documents

한편, Fig. 3(c)는 MTConnect 문서로부터 기계가공과 관련된 인스턴스를 수집하는 예이다. MTConnect는 이기종 공작기계간 데이터 수집 및 공유를 위한 표준으로써⁶, 기계내 구성 시스템의 운용에 대한 측정항목 데이터를 표현할 수 있다. MTConnect 문서는 타임스탬프(Timestamp)가 존재하는 시계열 형태의 동적인 데이터로써, MTConnect 에이전트에서 공작기계 제어기 및 측정 기기들로부터 수집된 원시데이터(Raw Data)를 MTConnect 규약을 준수하여 생성한다. 이러한 MTConnect 문서로부터 가공동력 속성데이터 인스턴스를 수집한다(주황색 상자). MTConnect 문서는 MTConnect 에이전트에서의 직접적인 획득 또는 전송받는 데이터베이스 및 제조 어플리케이션에서의 간접적인 획득이 가능하다. Nam, et al.,¹²에서는 이러한 데이터 수집 구조를 잘 설명하고 있다.

3.2 데이터 전처리

두 번째 단계는 데이터 전처리 과정으로써, 수집된 속성데이터 인스턴스 중에서 누락된 또는 불필요한 인스턴스를 제거하여 정제된 데이터를 생성하는 것이며, 이는 보다 정확성 높은 에너지 모델을 생성하기 위함이다. 특히, 원시 기계가공 데이터에는 인스턴스 유실 및 오류가 존재할 수 밖에 없으므로, 모델 예측력의 불확실성을 가중시키기 때문에 이들을 제거해야 한다.

예를 들어, 최소 기계동력 보다 작은 가공동력 값은 오류데이터라 판별하여 제거해야 한다. 또 다른 예는 가공동력 상한치가 4,000 W를 소요하는 공작기계의 경우, 어떤 측정값이 6,000 W면 오류데이터로 간주하여 제거할 필요가 있다. 이러한 오류데이터를 판단하기 위한 완벽한 기법은 없으므로, 속성데이터 인스턴스에 대한 주의 깊은 분석을 통해서 선별해야 한다.

3.3 데이터 동기화

세 번째 단계는 공정계획, NC 프로그래밍 및 기계가공 중 수집된 속성데이터 인스턴스를 하나로 연결하여 훈련 데이터셋을 생성하는 데이터 동기화 과정이다. 이는 공정상황에 따른 맞춤형 에너지 모델을 생성하기 위함이다. 구체적으로, 동일 공정상황 조건하에서 입출력 속성데이터 인스턴스를 모아서 에너지 모델 생성에 필요한 데이터셋을 만드는 것이다. 예를 들어, 1개의 NC 프로그램에 36개의 다른 공정상황 집합이 존재한다면, 다음 에너지 모델 생성단계에서 36개의 기계학습 모형의 생성이 필요하다. 이때, 각 기계학습 모형에 대한 입력 및 출력 속성데이터 인스턴스를 수집하고 하나의 데이터셋으로 만들어주어야 그 기계학습 모형 생성이 가능하다.

Fig. 4는 MTConnect 문서와 공정계획(ISO14649) 및 NC (ISO6983) 프로그램들을 이용하여 데이터 동기화를 실시하는 예이다. 이 때, 이 세 개의 문서를 동기화 시키는 열쇠는 MTConnect 문서 상의 축 위치 데이터이다. 왜냐하면, 가공동력이 측정된 타임스탬프가 존재하고, 그 타임스탬프와 일치하거나 근접했을 때의 축 위치 데이터가 존재하는데, 그 위치를 지령한 NC 프로그램 내의 블록을 역추적할 수 있기 때문이다. 나아가, NC 프로그램은 공정계획 프로그램으로부터 생성되기 때문에, 그 블록이 어떤 가공형상, 가공공정 및 가공전략에 의한 것인지 역추적이 가능하다. Fig. 4와 같이, MT Connect 문서에서 2,811.5W가 측정된 동일 타임스탬프에서의 축 위치는 (-6.071, 47.808, -1.500)이며, 이는 ISO6983 프로그램의 N101 블록 수행 중 발생된 측정항목임을 알 수 있다. N101 블록은 ISO14649 프로그램의 슬롯 형상(# 3400)을 위한 가공공정(# 500)을 위해 생성되었음을 추적할 수 있다. 이러한 데이터 동기화 과정에 의한 훈련 데이터셋은 Fig. 4 하단부 표와 같은 형태로 만들어진다.

Fig. 4

An example of data synchronization

3.4 에너지 예측 모델 생성

네 번째 단계는 훈련 데이터셋으로부터 회귀모형 또는 기계학습 기법을 활용하여 공정상황별 에너지 모델을 생성하는 과정이다. 이렇게 생성된 에너지 모델은 특정한 저장소에 저장된다.

Fig. 4 하단부 표와 같이 동일 공정상황 집합의 훈련 데이터셋으로부터 통계적으로 유의한 수치적 모형을 만들 수 있다. 이 때, 다항회귀, 베이시안 회귀 등 다양한 회귀모형 기법 또는 인공신경망(Artificial Neural Network)과 같은 기계학습 기법의 활용도 가능하다. 특히, 인공신경망은 학습구간에서 입력 및 출력데이터에 의해 학습되며, 정보처리 단위인 뉴런과 뉴런들을 이어주는 가중치의 결정을 수행함으로써, 새로운 입력 데이터에 대한 예측 출력 데이터를 산출하는데 활용되는 기법이다.¹³ Fig. 5는 하나의 공정상황에 해당하는 입력 속성데이터와 출력 속성데이터를 인공신경망 기법을 사용하여 관계를 나타낸 수식 구조체이다. 이와 같은 계량화된 수식을 통하여, 입력 속성데이터를 넣으면 그에 해당하는 출력 속성데이터의 계산이 가능해진다.

Fig. 5

A structure of artificial neural network for an energy model

이러한 방법으로 생성된 에너지 모델에 대한 성능의 측정이 필요하다. 즉, 정형화되고 정량적인 방법을 통하여 생성된 에너지 모델의 예측력이 주어진 임계치를 보장하는지를 측정해야 한다. 에너지 모델의 예측력을 평가하기 위해 데이터 분할, 교차확인 방법 등을 활용할 수 있다. 그리고, 예측값과 실제값간의 차이에 대한 평균제곱근오차(Root Mean Square Error, RMSE) 등을 계산함으로써, 모델의 예측력에 대한 성능 측정이 가능하다.

3.5 에너지 모델 사용

다섯 번째 단계는 공정상황별로 생성되었던 에너지 모델을 호출하고 재조합하여 NC 프로그램에 대한 에너지값의 예측을 실시하는 과정이다. NC 프로그램이 존재한다는 것은 출력 속성데이터를 제외한 공정상황 및 입력 속성데이터 인스턴스가 존재한다는 의미이므로, 에너지 예측이 가능해진다.

Fig. 6은 에너지 모델의 재조합 예이다. 하나의 NC 블록에 대하여 주어진 공정상황에 대응되는 에너지 모델을 호출하고, 그 때의 공정파라미터인 입력 속성데이터값을 입력하면 에너지 모델을 통하여 가공동력을 계산할 수 있다. 같은 방법으로 각 공정상황별 에너지 모델에 해당 입력 속성데이터 값을 입력하면 NC 프로그램에 대한 가공동력 예측값을 산출할 수 있게 된다.

Fig. 6

An example of energy model use

사실, 지금까지 설명한 출력변수는 가공동력이다. 가공동력과 에너지는 다른 측정단위를 사용하므로, 본 논문의 목적인 에너지 예측을 곧바로 수행할 수는 없다. 가공동력의 식으로부터 에너지를 산출하기 위하여 델타에너지(Delta Energy) 개념 도입이 필요하다. 델타에너지란 단위시간(일반적으로, 측정주기)과 가공동력의 곱으로써, 측정값인 가공동력으로부터 스칼라량인 에너지로의 전환을 가능하게 한다. 선행연구에서는 이러한 개념을 적용하여 가공동력과 에너지간 전환이 가능하도록 하였다.⁴ 예를 들어, 단위시간(측정주기)을 1초로 정의했을 때, 가공동력이 2,000 W이면 델타에너지는 2,000W·1 sec = 2,000 J로 전환된다. 이러한 과정을 통해서, NC 프로그램 한 개에 대한 구분구적법을 통한 델타에너지의 합을 구하면 그 NC 프로그램에 의해 소비된 에너지 값을 산출할 수 있다. 즉, Fig. 6에서 가공시간(Time)축과 예측가공 동력(Power)값에 의해 생성되는 면적이 에너지 값이 되는 것이다. 여기서, 가공시간은 에너지 산출에 주요한 값 중의 하나이다. NC 프로그램만 주어진 경우, 블록별 가공시간을 산출해야 하나 이송계의 가감속 등으로 인하여 정확한 가공시간의 산출이 어렵다. 가공시간의 산출을 위해서는 (1) 제안된 모델링 기술을 유사하에 가공시간으로 적용하는 방법, (2) 공구경로 이송길이, 가감속 그래프, 이송속도를 이용한 이론적 계산 방법, (3) 시뮬레이터를 이용한 이산적 계산 방법 등이 필요하다.

4.1 실험설정

본 실험에서는 2.5차원 밀링형상 가공용 NC 프로그램 실행에 따른 사용된 에너지 예측을 실시한다. Fig. 7은 실험에서 가공된 13개 밀링 가공형상이 포함된 파트 및 공구경로를 보여준다. Table 1은 실험설정을 나타낸다. Table 2는 12번의 실험을 위해 사용된 공정파라미터 - 이송속도(Feedrate), 주축회전수(Spindle Speed), 절삭깊이(Cutting Depth) - 목록을 나타낸다. 여기서, 공정파라미터는 추천절삭 조건표에서 제공하는 일정 범위 이내에서 무작위로 설정되었다. 모든 가공형상의 깊이는 6 mm로 가공되며, 절삭폭은 Table 1의 공구직경 8 mm로 고정되지만, 절삭깊이는 Table 2와 같이 가변된다.

Fig. 7

A test part for experiments

Table 1

Setup of experiments

Table 2

A list of process parameters

4.2 데이터 수집

4.1절의 실험설정은 공작기계, 가공소재, 공구, 절삭유의 공정상황은 동일하지만, 가공공정, 가공전략, NC 코드, 코드유형의 공정상황은 NC 프로그램 블록별로 가변되게 한다. 12번의 실험(Trial)을 위한 ISO14649 프로그램들과 ISO6983기반(Fanuc용) 프로그램을 생성하고, 가공을 통하여 MTConnect 문서를 수집하였다(Fig. 4 상단부 그림은 이들을 일부 발췌한 것임). MTConnect 문서의 수집은 MTConnect어댑터를 통해 제어기와 MTConnect 에이전트를 연결하고, MTConnect 에이전트에서 MTConnect 규약에 맞추어 출력된 MTConnect 문서를 수집함으로써 이루어졌다. 동력측정기(Power Meter)는 평균 0.365초 단위로 가공동력을 측정한다. 즉, 델타에너지 계산을 위한 단위시간은 0.365초로 설정된다.

4.3 데이터 전처리 및 동기화

ISO14649, ISO6983 프로그램 및 MTConnect 문서에 대한 데이터 전처리를 실시한다. 단, 급송이송 중의 가공동력은 전체 에너지량에는 크게 영향을 미치지 않으므로⁴, NC 코드 G00에 의한 급속이송은 실험에서 배제한다. 또한, MTConnect 문서에서 가공동력 값이 누락되거나 1,500 W 미만의 데이터는 배제한다. 이는 실험 공작기계의 최소동력이 1,500W로 관찰되었기 때문이다. 그리고, 전체 데이터셋 중에서 최상위 0.5% 이상 또는 최하위 0.5% 이하 가공동력 데이터들은 이상치라 판별하여 에너지 모델링에서 배제한다.

이러한 데이터 전처리 과정을 통해 얻어진 데이터셋에 대하여 데이터 동기화를 실시한다. Fig. 4 하단부는 데이터 동기화 결과의 발췌이다. 주어진 NC 프로그램들에 대한 데이터 동기화를 실시한 결과, 51개의 상이한 공정상황 집합이 산출된다. 예를 들어, Fig. 7 Profile 1 형상의 공정상황 속성데이터는 ‘공작기계’, ‘가공소재’, ‘공구’, ‘절삭유’, ‘가공공정’, ‘가공전략’은 동일하나, NC 프로그램 블록별 ‘NC 코드’, ‘코드유형’ 차이로 인하여 접근, X축 직선보간, Y축 직선보간, 원호보간, 후퇴 등 5개 공정상황 집합이 발생한다. 동일한 방법으로, 다른 12개 형상에서는 46개 공정상황 집합이 산출된다.

4.4 에너지 모델링

51개의 공정상황 집합별로 에너지 모델을 산출한다. 본 실험에서는, 데이터 마이닝 소프트웨어인 KNIME을 이용하였으며, 인공신경망 기법을 이용하여 에너지 모델을 생성한다.¹⁴ 예를 들어, Fig. 7 Profile 1 형상의 공정상황별 에너지 모델은 식(1)과 같으며, 접근(a), X축 직선보간(b), Y축 직선보간(c), 원호보간(d) 및 후퇴(e) 등 5개의 에너지 모델들이 존재한다. 동일한 방법으로 나머지 46개의 공정상황별 에너지 예측식을 산출하였다. 여기서, 각 공정파라미터 계수값은 최소-최대값을 0 - 1 스케일을 조정하여 나타낸다.

Fig. 8은 1번 실험의 Profile 1, Slot 2, Pocket 1 가공용 NC 블록들 중 일부에 대한 실제 측정 가공동력과 예측 가공동력을 표현한 그래프이다. 측정 가공동력은 NC 블록별로 상이한 가공동력을 소요함과 동시에, 장착 오류, 공구 변형 및 알려지지 않은 오류 등 다양한 원인에 의해 동일 NC 블록에서도 변동이 발생한다. 한편, 예측 가공동력은 NC 블록별로 상이한 가공동력으로 예측하면서 동일 NC 블록에서는 단일값으로 측정 가공동력의 추세를 반영한다.

Fig. 8

Measured and predicted power values for trial 1

Table 3은 12번의 실험에 대한 NC 프로그램별 측정 에너지와 예측 에너지의 비교결과를 나타낸다. 이 표에는 측정 및 예측 델타에너지간의 차이를 측정한 평균제곱근오차 및 전체 측정·예측 에너지간의 차이를 측정한 상대적 전체 오차(Relative Total Error)를 포함한다. 이 측정결과는 에너지 예측 값이 실제 측정 에너지 값을 근접하게 예측하고 있음을 나타낸다.

Table 3

Comparison of measured roughness data

4.5 고찰

1장에서 소개된 기존의 이론적 및 실험적 방법과 비교하여, 본 논문의 제안된 방법은 실제 가공현장에서의 실용성(Practicability)를 높일 수 있는 장점이 있다. 선행연구들의 관심영역은 공정파라미터와 에너지와의 상관관계를 밝히는 것이었기 때문에, NC 프로그램 실행 동안 소비되는 에너지의 예측이 어려웠다. 또한, 실험계획법에 의거하여 소수 개의 공구경로만을 대상으로 에너지 예측을 실시하여 실제 현장에서의 적용이 어려웠다. 반면, 제안된 기술은 누적된 데이터를 사용하여 실험계획법 없이 NC 프로그램 실행에 따른 에너지 예측을 가능하게 한다. 따라서, 가공현장에서 사용되는 NC 프로그램에 대하여 예측력 높은 에너지 모델을 제공해 줄 수 있는 장점이 있다.

다만, 본 실험에서는 12번의 가공에 주어진 NC 프로그램들에 에너지 모델을 적용하여 실측값과 예측값을 비교한 것이므로, 가공시간은 주어진 실측 가공시간 값을 사용하였다. 그러나, 새로운 NC 프로그램에 대한 에너지 예측에는 가공시간의 산출 또한 요구되는 바, 3.5절에서 언급한 가공시간 산출 방법을 함께 활용하는 것이 필요하다.