회전 기계 가공은 정밀한 가공과 기술의 유연성으로 제조 산업에서 많이 쓰이는 가공법이다. 일반적으로 기계 공정에서 직접적으로 워크 피스(work piece)를 연삭하는 툴은 사이클이 늘어남에 따라 비례해서 점진적으로 성능이 저하된다⁽¹⁾. 점진적인 성능 저하는 툴의 고장 및 생산물의 불량으로 이어진다. 툴의 고장은 생산품의 성능 저하나 기계 고장 같은 경제적 피해를 남긴다⁽²⁾. 이런 측면에서 tool condition monitoring (TCM)은 결함을 사전에 예측하고 피해를 방지하는 중요한 역할을 한다. TCM을 평가하는 지표는 깨짐, 파손 그리고 측면 마모가 있다. 이 중 깨짐과 파손은 안정적 운행 상태에서 갑자기 나타나는 지표로 피해를 사전에 방지하기 어렵지만, 측면 마모는 서서히 발생하는 지표로 안정적 모니터링이 가능하다⁽³⁾.

이러한 TCM 모니터링 방법으로는 기존에는 통계학을 기반으로 한 기법들이 사용했었다. Mohamed 등⁽⁴⁾은 3축 가속도계, 3축 동력계 신호의 root mean square (RMS), 평균, 분산, 첨도, spectral mean, spectral kurtosis, wavelet energy와 energy ratio의 특징을 데이터 전처리를 통해 추출했고, 이들 중 툴 마모와 피어슨 상관 계수(Pierson correlation coefficient)가 가장 높게 측정된 wavelet energy의 비율인 energy ratio를 선택해서 파티클 필터(particle filter)의 입력 데이터로 사용해 TCM을 평가했다. Karandikar 등⁽⁵⁾은 동력계 신호의 전처리를 통해 특징을 추출하고, 그 중 결정계수가 높은 두 개의 특징을 선택해서 naïve bayesian의 입력 데이터로 사용해서 TCM을 평가하는 기법을 제안했다. 통계적인 기법은 이처럼 신호들을 사용할 때 데이터 전처리가 필요하고, 툴 마모와 상관 계수나 결정 계수를 통해서 선택해야 한다. 이런 일반화 되지 않은 특징 추출 및 선택 방식은 연구자에게 높은 통계학적 지식과 많은 시간을 요구한다는 단점이 있다.

통계적 기법 외에도 머신 러닝(machine learning)을 활용하여 TCM을 평가하는 연구도 진행되고 있다. Zhou 등⁽⁶⁾은 토크 신호의 huang-hilbert transform (HHT)으로 다양한 시간-주파수 영역 스펙트럼으로 변환 뒤, long short term memories(LSTM)으로 신호를 진단 후 TCM을 평가하는 기법을 제안했다. Kim 등⁽⁷⁾은 continuous wavelet transform(CWT)을 이용해 소음 신호를 전처리했고, 시간-주파수 영역의 스펙트럼으로 변환 후 convolution neural network(CNN)으로 패턴을 분류해 TCM을 평가하는 방법을 제안했다. 또, Liang Guo 등⁽⁸⁾은 두 개의 회전 기계에 대한 TCM을 평가하기 위해 시간, 주파수 및 시간-주파수 영역에서 14개의 전처리 기법을 제시했다. 추가적으로 각각의 특징과 시간의 경과에 따른 선형적 유사성 및 특징의 단조로움(monotonicity)을 평가하는 수식을 통해 제안하여 선별했고, LSTM으로 이를 진단했다. 이와 같이 머신 러닝을 활용한 TCM의 경우도 분석하는 모델이나 시스템에 따라 전처리 기법들이 다양하기 때문에 일반화된 기법을 확립하기 어렵다는 한계점이 있다.

이를 극복하기 위한 기법으로는 입력 데이터로 raw signal을 이용하는 딥 러닝(deep learning) 기법이 있다. Zhao 등⁽⁹⁾은 동력계와 가속도계 raw signal을 LSTM으로 진단하는 방법을 제시하였다. 또, Cai 등⁽¹⁰⁾은 밀링 머신 운행 시 습득한 전류, 가속도 및 음향 신호(acoustic emission signal)를 전처리하지 않고 LSTM으로 신호를 진단해 TCM을 평가하는 방법을 제시하였다. 하지만 노이즈를 포함한 방대한 정보를 이용해서 진단하기에는 정확도가 떨어지거나⁽⁹⁾, 이전 사이클의 플랭크 웨어(flank wear)를 입력 데이터로 사용해서⁽¹⁰⁾ 정확도를 올려야 된다는 단점이 있다. 이전 사이클의 플랭크 웨어를 넣기 위해서는 매 싸이클마다 표면 특성을 측정해야 해서 시간소요가 크고 공정자동화에 단점이 있다. 즉, 딥러닝 훈련(training)을 위해서는 많은 데이터가 필요한데, 이를 위해서 매번 플랭크 웨어를 측정하는 것은 TCM 방법의 성능 향상에는 도움이 될지 모르나 효율성 및 실시간 모니터링 등에는 큰 악영향을 준다.

이 논문에서는 이전 플랭크 웨어와 전처리를 이용하지 않고, LSTM을 기반으로 하는 정확도 높은 네트워크를 제안하고자 한다. 해당 네트워크는 실시간 TCM이 가능하고 이전 플랭크 웨어를 입력으로 넣은 기존 방법과 유사한 정확도를 가진 효율적인 네트워크를 제안하고자 한다. 기존 방법^(9,10)의 한계를 극복하기 위해 커널(kernel)이 다른 1D-CNN과 2D-CNN 네트워크를 LSTM 네트워크와 연결하는 방법을 제시하고자 한다. 이 방법론의 검증을 위해서 NASA 밀링 데이터⁽¹¹⁾를 사용하여 그 특성을 검증하고 전처리를 사용하지 않은 기존의 연구⁽¹⁰⁾와도 비교하고자 한다.

이 논문에서는 현대 산업에서 중요하게 사용되는 회전 기계 가공의 TCM을 복잡한 전처리 과정과 이전 싸이클의 플렝크 웨어의 측정 없이 1D-/2D-CNN과 적층 LSTM 딥 러닝 기법을 이용하여 수행할 수 있음을 확인하였다. 제한한 1D-CNN방법은 NASA 밀링 데이터셋을 이용한 시뮬레이션에서 이전 플랭크 웨어를 사용하고 전처리 방법을 사용한 경우의 값인 RMSE 0.045와 이전 플랭크 웨어와 전처리를 사용하지 않았음에도 불구하고 유사한 0.058의 성능을 보여줌을 확인하였다. 또한, 더욱 복잡한 2D-CNN 모델보다 1D-CNN 방법이 더욱 뛰어난 결과를 보여줌을 확인하였다. 즉, 기존과 같이 복잡한 방법이 아닌 1D-CNN기반의 적층 LSTM 네트워크를 구축하고 최적화된 하이퍼 파라미터값을 적용하면 월등한 효율성과 정확성의 TCM 예측 모델을 구축할 수 있음을 확인하였다.