KITECH 생산기술 전문지

"4차 산업혁명 시대의 스마트 제조 환경에서 생산 설비의 실시간 모니터링과 예측 정비(Predictive Maintenance)는 제조 경쟁력 확보의 핵심 요소로 부각되고 있다. 특히 자동차 부품 생산에 널리 활용되는 사출성형기는 고온·고압 환경에서 반복적인 사이클 운전을 수행하므로, 설비 상태의 실시간 파악과 이상 징후 조기 감지가 매우 중요하다. 종래의 설비 모니터링 시스템은 주로 임계값 기반 알람 방식을 채택하여, 센서 데이터가 미리 설정된 범위를 벗어날 경우 경고를 발생시키는 단순한 구조였다. 그러나 이러한 방식은 설비의 점진적 열화나 복합적 이상 상태를 감지하기 어렵고, 오경보(False Alarm)가 빈번하게 발생하는 한계가 있다. 최근 딥러닝 기술의 발전으로 다양한 기계학습 기반 예측 모델이 제안되고 있으나, 순수 데이터 기반 접근법은 물리적 해석이 어렵고, 학습 데이터 범위를 벗어난 외삽(Extrapolation) 상황에서 신뢰성이 저하되는 문제가 있다. 이에 대한 대안으로 물리 법칙을 신경망 학습 과정에 통합하는 물리정보신경망(PINN)이 주목받고 있다. 본 연구에서는 사출기계의 진동 특성을 모사하기 위해 감쇠 조화 진동자(Damped Harmonic Oscillator) 모델을 PINN의 물리 손실 함수에 통합하였다. 감쇠 조화 진동자는 질량-스프링-댐퍼 시스템의 거동을 기술하는 기본적인 진동 모델로서, 실제 기계 시스템의 동적 특성을 효과적으로 근사할 수 있다. 제안된 시스템은 온도, 습도, 3축 진동(변위 및 주파수), 사출물 무게 데이터를 실시간으로 수집하고, PINN 모델을 통해 무게 예측과 동적 안정도 추정을 동시에 수행한다. 이를 통해 사출 공정의 품질 관리와 설비 상태 진단을 통합적으로 지원하는 스마트 모니터링 시스템을 구현하였다."

키워드 물리정보신경망,자동차 부품 사출기계,상태 모니터링 시스템