모듈형 전문가 시스템 개발을 위한 알루미늄 CNC 절삭조건 학습에 관한 연구 = A Study on the Learning of Aluminum CNC Cutting Conditions for the Development of Modular Expert System

국문 초록 (Abstract)

최근 숙련된 인력 부족으로 인해 기계 공학 분야에서도 전문가 시스템에 관한 연구가 진행되고 있다. 그러나 장비 및 재료명 같은 현장 노하우는 데이터 정규화가 어렵기 때문에 인공신경망 학습에 적합한 데이터와 모델을 개발하는 것은 여전히 난제이다. 이러한 이유로 학습 자료를 이진수가 아닌 십진수 형태로 변환하는 연구가 있었으나, 대량의 십진수 데이터를 학습시키는 것은 쉽지 않다. 각 업체별로 주로 가공하는 재료가 정해져 있다는 점을 고려하여, 재질별 특성화된 '모듈형 전문가 시스템'을 만드는 것이 하나의 대안이 되었다. 또한 모듈형 전문가 시스템을 CNC 가공 장비에 탑재함으로써 사용자의 편의성을 높일 필요가 있었다. 본 연구에서는 이러한 문제를 해결하기 위해 마이크로컨트롤러에 탑재 가능한 인공신경망 모델을 개발하고 TinyML 라이브러리를 활용하여 실수 연산에 적합한 소형 컨트롤러에서 추론 시스템을 구현하였다. 연구 결과 메모리 제약이 있는 마이크로컨트롤러 특성상 인공신경망 모델을 줄였으나 학습이 가능하고, 추론 성능도 양호함을 확인하였다.

다국어 초록 (Multilingual Abstract)

Due to the recent shortage of skilled personnel, research on expert systems is also being conducted in the field of mechanical engineering. However, on site know-how-such as equipment and material names-is difficult to normalize, making it challenging to develop data and models suitable for neural-network training. For this reason, studies have attempted to convert training data into decimal rather than binary form, but processing large volumes of decimal data remains difficult. Considering that a company uses only a few types of materials for machining, a modular expert system specialized by material emerged as one solution. Moreover, embedding such a modular expert system into CNC machining equipment was necessary to improve user's convenience. In this study, I addressed these challenges by developing a neural-network model small enough to deploy on a micro-controller and implementing an inference system on a compact controller optimized for floating-point operations using the TinyML library. In this study indicate that, despite the memory constraints of micro-controllers, the reduced-size model can still be trained effectively and delivers satisfactory inference performance.