인공지능으로 모니터링이 가능한 항공기 반자동 드릴링 작업

항공기에 드릴로 많은 구멍을 뚫어야 할 경우, 품질을 보장할 수 있는 자동화 기술이 필요하다. 이에 함부르크 공대 연구원들이 인공 지능을 이용한 반자동 드릴링 프로세스를 개발했다.

볼프강 힌체(Wolfgang Hintze): 함부르크 공과대학 생산 관리 및 기술 연구소(IPMT) 석좌 교수

얀 메넨(Jan Mehnen), 라스 쾨트너(Lars Köttner), 공학 박사

데니스 로마넨코(Denys Romanenko): IPMT 연구 직원

핵심 내용

  • 작업자의 개개인의 특성이 다르기 때문에 오류 가능성은 상존한다. 작업 특성상 자동화가 어려운 경우 품질이 저하될 수 있다.
  • 이러한 작업 가운데 하나가 바로 항공기 리벳 제작이며, 이때 리벳 구멍을 대량으로 고품질로 드릴링하는 것이 관건이다.
  • 드릴링이 반자동으로 이루어지기 때문에 오류 가능성이 여전히 남아있다. 이를 피하기 위해 인공지능 기반의 접근 방식을 개발했다.

항공기 제작에서 대부분의 리벳 구멍 작업은 공간의 특성상 완전한 자동화가 불가능하기 때문에 이를 위해 휴대용 반자동 및 완전 수동 드릴링 머신을 통해 작업이 이루어진다. 하지만 새로 개발된 ADU(semiautomation Advanced Drilling Units, 반자동 고급 드릴링 장치)로 지능형 공정 설계가 가능하다. 또한 통합 센서 데이터를 평가하여 온라인 상태 모니터링에 제공한다.

이하에서는 ML(기계 학습)이 내부 센서 데이터를 기반으로 ADC 센서 데이터에 적용되어 절삭 부하와 공정 조건을 예측하는 방법을 보여준다. 이 과정에서 프로세스 힘을 예측하기 위해 선형 회귀, 인공 신경망, 의사 결정 트리 방법을 제시한다. 또한, ‘K-Nearest-Neighbor-Method’는 재료, 이송 속도, 윤활 상태를 예측하는 데 사용된다. 이 자동 프로세스 모니터링은 수동 제어와 재작업을 최소화하고, 결과적으로 종합적으로 품질이 보증되고 서비스 수명을 적합하게 활용하게 된다. 따라서 항공기 구조물의 반자동 드릴링 작업에서 생산성 한계를 상당 부분 극복할 수 있다.

그림 2: ADU를 이용한 리벳 드릴링을 위한 템플링의 디지털 트윈을 우측 상단에서 확인할 수 있다.

프로세스 예측을 통한 제어

항공기 제작에는 쉘, 폐쇄 구조, 동체 섹션, 최종 조립 과정에 정밀한 리벳 구멍 작업이 필요하다. 예를 들어, 에어버스 A350 XWB는 항공기당 230,000개 이상의 리벳 구멍이 필요하다[1]. 이 가운데 약 1/3이 반자동으로 이루어진다. 이는 ADU를 수동으로 한 드릴링 위치에서 다음 드릴링 위치로 옮기고, 드릴링 템플릿에 고정된다는 의미이다. ADU를 이용하는 이러한 드릴링 템플릿은 그림 2의 오른쪽 상단 모니터에 표시된다. 항공기 생산에서 제기되는 높은 품질 요건으로 인해 안전과 관련된 구성 요소에 결함이 있는 경우, 비용이 급속도로 증가하거나 불량품으로 이어진다. 2015년 에어버스 A350 XWB에서 발생한 제조 편차는 약 4억 유로(원화로 5천4백억 원)의 비용을 초래하였고, 이 결함 가운데 절반이 드릴링과 관련이 있었다. 이러한 제조 편차는 유지 보수, 예비 부품 제공 및 운영에 영향을 미칠 수 있기 때문에, 경우에 따라 이를 고객에게 보고해야 한다[1]. 드릴링 오류를 식별하려면 복잡한 제어가 필요하며, 특정 상황에서는 재 작업과 청소 작업이 뒤따른다. 따라서 이 연구의 목적은 리벳 구멍의 후속 검사 및 청소와 관련된 번거로움뿐만 아니라 불량 및 재작업 비용을 최소화하는 것이다.

이는 머신 러닝을 통해 내부 ADU 센서 데이터에서 프로세스 힘을 예측하고, 프로세스 속성을 인식함으로써 달성할 수 있다. 이를 위해 훈련된 모델은 ADU를 사용하는 반자동 드릴링 시 공정 가운데 모니터링에 사용될 것이다. 드릴링은 개수와 반복성이 확보되어야 이상적인 데이터 소스가 되기 때문에, 머신 러닝을 활용하는 것이 유리하다. 모델은 머신(에지 컴퓨팅)에서 로컬로 계산하거나 주 서버에서 중앙에서 계산할 수 있다. ADU의 위치 파악(예: 초음파)과 함께 계산된 프로세스 속성을 저장된 속성과 비교할 수 있다. 이른바 ‘SmartADU’와 메인 서버를 통한 다른 시스템의 연결은 [2]에 설명되어 있고, 그림 1에서 확인할 수 있다.

그림 3: f = 0.05mm의 피드에 대한 해당 모터 전류를 사용한 시간 경과에 따른 이송력 Ff 및 절삭 토크 Mc(왼쪽). 서로 다른 피드에 대한 두 개의 해당 모터 전류 IFM 및 ISM의 평활 곡선(오른쪽). [4] 참조.

적절한 데이터 처리

드릴링 작업에서 모델로부터 확인되는 프로세스 힘은 이송력과 절삭 토크이다. 이러한 방식으로 고가의 공구의 마모 상태, 공정 한계 조건, 실제로 실행되는 공정 매개변수 및 현재 처리된 재료를 결정할 수 있기 때문에 그 예측이 합리적이다. 특히 차세대 ADU인 ‘SmartADU’를 이용한 예측에는 하나의 유성 기어에 함께 작용하는 두 개의 전기 모터가 특히 유용하다. 그 가운데 하나는 주로 이송 동작에 동력을 제공하고 다른 하나는 드릴링 스핀들의 회전을 보장한다. 이송력 Ff과 이송 모터 전류 IFM, 절삭 토크 MC 및 스핀들 모터 전류 ISM 간의 관계는 그림 3에 나와 있다.

힘 예측의 특성으로 사용된 기능은 비교를 위해 생성된 벤치마크 모델에 반영된다. 이는 선형 회귀(LR), 인공 신경망(영어 약어 = ANN) 및 의사 결정 트리(DT)를 모두 매핑한다. 선택한 기능은 평활 전류 신호, 이송 속도 및 가공 시간이다. 표준화된 가공 시간 t(각 홀에 대해 0 ~ 1)를 고려하면 다양한 드릴링 상황(공구 진입, 전체 절단, 공구 출구)을 구별할 수 있다. 이송 속도 f의 값은 역전되며, 이는 기계적 출력과 전기적 출력 간의 관계의 결과이다. LR, ANN 및 DT의 머신 러닝 방법을 위해 IFM, ISM, 1/f와 t의 조합 그리고 2차 항 및 교호작용(예: IFM 2 또는 IFM × ISM)을 속성으로 테스트하였다. 또한 하이퍼 파라미터라고 하는 방법 별 설정이 체계적으로 변경되었다. 이것들은 ANN에 대한 뉴런과 레이어의 수, 선형(및 2차) 회귀 항 유형, DT의 최소 시트 크기였다. 해당 모델은 Matlab에서 구현되었다. 방법 테스트를 위해 티타늄 드릴링 구멍의 훈련 데이터만 이송력과 절삭 토크를 예측하는 데 사용하였다. 응용 사례에서 알루미늄에 뚫은 드릴링 구멍 데이터도 있었다.

‘K-Nearest-Neighbor-Method’는 프로세스 속성을 식별하는 데 사용되었다. 이를 사용하여 이산 상태를 구별하기 위해 클러스터링할 수 있다. 피드와 윤활 상태 및 재료를 예측하는 모델을 훈련시켰다. 프로세스 힘의 예측과 달리 회귀는 없었지만 분류는 이루어졌다. 데이터가 준비된 후(평활화, 동기화, 표준화) 홀드아웃 검증에 따라 적절하게 세트로 나눴다. 훈련, 검증 및 테스트 세트의 데이터 분포는 [5]에서 설명한 것과 유사한 60, 20 및 20%의 세트 크기로 각각 수행되었다.

그림 4: 티타늄(실선) 및 알루미늄(점선)의 드릴링 구멍 데이터를 사용하여 조사한 ML 방법에서 이송력 및 절삭 토크 예측. [4] 참조.

결론

그림 4에서 볼 수 있듯이 LR은 일반적으로 예측 오차(RMSE)가 낮기 때문에 티타늄의 프로세스 힘 예측뿐만 아니라 알루미늄 드릴링 홀의 프로세스 힘 예측에도 적합하였다. 훈련과 예측에는 작은 모델 크기와 짧은 컴퓨팅 시간이 유리하다. ANN은 티타늄에 대한 테스트 세트에서 가장 낮은 RMSE를 보였다. 이는 평균적인 모델 크기와 컴퓨팅 시간으로 이어졌다. 하지만 알루미늄의 이송력 예측은 높은 RMSE를 보였고, 따라서 예측을 일반화하기에는 맞지 않았다. 알루미늄 DT는 컴퓨팅 시간은 짧고, 모델 크기는 커서 신뢰할 수 없어 적합하지 않았다.

그림 5: 피드, 최소량 윤활(MQL) 및 재료의 실제 상태 및 예측 상태의 패턴.

공정 특성의 예측은 그림 5에 나와 있다. ‘K-Nearest-Neighbor 방법’을 사용하여 이송 속도 최대 오류율 14%, 건식 가공과 완전 윤활 간의 차이 오류율 4~6%인 재료 오류율이 4~5%가 예측된다. 전기 모터의 무부하 전류가 드릴을 거의 방해하지 않기 때문에 예측 오류는 일반적으로 드릴의 전체 절단에 영향을 미치지 않았다.

이는 머신 러닝 방법이 반자동 ADC를 사용하여 리벳 드릴링 공정에 성공적으로 적용될 수 있음을 의미한다. 따라서 온라인 공정 모니터링을 위한 기반이 마련되었으며, 이는 추가 센서의 도움으로 향후 IPMT에서 더욱 발전될 것이다.

참고 문헌

[1] Airbus Group: 품질 – 더 나은 드릴링. ONE – Airbus News For Airbus People, P. 28, (2015).

[2] Hintze, W., Loedding, H., Friedewald, A., Mehnen, J., Romanenko, D., Moeller, C., Brillinger, C., Sikorra, J. N.: Digital assistance systems for smart drilling units in aircraft structural assembly. 7th International Workshop on Aircraft Systems Technologies, pp. 255-266, (2019).

[3] Mehnen, J.; Hintze, W.: 항공 산업의 반자동 리벳 홀 드릴링 시 기계 학습을 통한 프로세스 모니터링. METAV-Digital 2021 “지능형 제조”영역 웹 세션, 2021년 4월 8일 강의

[4] Köttner, L.; Mehnen, J.; Romanenko, D.; Bender, S.; Hintze, W.: Process monitoring using machine learning for semi-automatic drilling of rivet holes in the aerospace industry. In: Behrens, B.-A.; Brosius, A.; Hintze, W.; Ihlenfeldt, S.; Wulfsberg, J. P. (Eds.): Production at the leading edge of technology, Proceedings of the 10th Congress of the German Academic Association for Production Technology (WGP), Dresden, September 23 – September 24, Springer-Verlag, Berlin, 2020, P. 497-507, ISBN 978-3-662-62137-0

[5] Caggiano, A., Rimpault, X., Teti, R., Balazinski, M., Chatelain, J. F., Nele, L.: Machine learning approach based on fractal analysis for optimal tool life exploitation in CFRP composite drilling for aeronautical assembly. CIRP Annals 67.1, pp. 483-486, (2018).