딥러닝을 이용한 캠 열처리 공정 자동화에 관한 연구

A Study on the Automation of Cam Heat Treatment Process using Deep Learning

Abstract

In this paper, we propose a control method to solve the surface hardness non-uniformity due to flow non-uniformity occurring in the heat treatment process of marine CAM. In the water cooling method including the decarbonization method, an automation device for deformation control has been developed and applied. LSTM was used to estimate the water cooling conditions, and the proposed method was found to be meaningful by improving the prototype results.

1. 서론

선박용 중저속 엔진의 CAM&SHAFT를 생산하는데 있어서 2000년 후부터 정책의 다양화 및 생산의 효율화를 위하여 선진 메이저 기업은 국내의 기업들을 생산 기지화 하고 있다. 이러한 흐름의 국내에서는 일환으로 MAN Diesel Turbo사로부터 생산 공장 인증을 받아서 약 120종 이상의 CAM을 생산되고 있다. 하지만 최근 중국의 낮은 단가와 값싼 노동력을 앞세워 경쟁력이 강화된 중국에 위협 받고 있다. 중국은 최근 국가적인 투자와 국외 선진사를 자국에 유치하는 등의 정책을 동반한 결과 기술력이 향상되었으며, 품질 및 생산성도 경쟁력을 갖추게 되었다. 이러한 경쟁 구도는 선박의 건조 및 그와 관련된 기자재 등에도 영향을 주고 있다. 이러한 국면을 극복하기 위한 방안으로 고품질의 양산화 시스템을 갖추어 수요처에 보다 객관적이고 신뢰성 있는 품질을 보증함으로 경쟁에서 앞서 갈 필요성이 있다.

본 논문은 위의 상황에 대한 CAM 열처리 기술개발 공정에서 기존 대비 생산성을 약 10 % 이상 높이기 위한 공정개선을 목표로 하며, 특히 열처리와 관련된 부분을 개선하고자 한다.

선진 메이저 엔진생산 기업은 기존의 디젤 엔진에서 디젤과 LNG를 이용한 가동 방식인 2원화 엔진 및 친환경적인 LNG만을 사용한 1원화 엔진의 개발에 힘을 쏟고 있는 추세이고 이미 일부 적용된 모델이 사용되어지고 있다. 이러한 시장을 주도하는 엔진 개발사는 MAN Diesel Turbo SE(MAN), Wartsila사로 환경 규제에 대응되는 엔진을 개발하여 공급하고 있으며 이에 따라 급격하게 기술의 변화가 있는 요구되고 있다.

관련연구에 열처리 공정관리 및 ICT융합에 대해 꾸준한 연구가 이루어져 왔으며[1-2], 특히 고주파 에 의해서 탄소강의 표면경화 특성의 차이에 대한 연구가 병행되어 왔다[3-4]. 그리고 자동차에서 사용되는 부품 중 Sway bar link에 사용되는 볼 스터드의 고주파 열처리 시 고주파열처리 코일과의 사이간극에 따른 고주파 열처리 특성에 관하여 연구가 있다.

Fig. 1 Ball stud

세계 완성차 업체는 소비자의 요구와 각 국가의 환경정책에 따라 연비향상 및 배기가스 감축함과 동시에 고성능의 자동차를 개발하기 위하여 많은 연구를 하고 있다.

고주파 열처리에 대한 대부분의 연구가 실험적으로 이루어지고 있어 특정 제품에 맞는 열처리 조건을 구하기가 매우 어려움을 알 수 있다. 고주파 열처리 조건 중 고주파 열처리 코일과 피가열물 사이간극을 제외한 모든 조건은 동일하게 유지하여 열처리를 하고, 표면 경도와 유효경화 깊이 및 전경화 깊이를 측정하여 최적의 고주파 열처리 코일과 피가열물 사이 간극을 제시하였다[5].

본 논문에서 대상으로 하는 문제는 크게 3가지로 분류된다. 첫째 불균일 유량 수동 제어에 따른 표면 침탄 불균일 문제와 둘째 침탄로의 CAM 받침 트레이가 열처리 도중 파손되는 문제, 그리고 셋째 퀜칭(Quenching) 후 냉각 방법에 따른 경도 확보 문제이다.

이러한 문제를 해결하기 위해 본 연구에서는 수동제어 방식의 CAM열처리 시스템을 자동제어 및 온라인을 통한 실시간 모니터링과 통합 제어가 가능하도록 현장에 적용함으로써 품질 균일화를 구축하였다.

2. 시스템 구성

2.1 열처리 공정개선

열처리 지그를 포함하여 자동화 방식을 적용하는데 있어서 문제점에 대해 요약하면 아래의 표와 같이 요약될 수 있다.

표 1. 열처리에 따른 문제점 해결방안

표 2. 열처리에 변형의 대책

금속의 열처리 중 또는 후 변형은 필연적으로 나타난다. 변형은 단조 소재의 잔류 응력, 가공응력, 열처리 도중 발생되는 열응력에서 발생한다. 특히 담금질의 경우 앞서 언급한 조직 변태 과정에 일어나는 변형은 제어가 어려우므로, 이를 줄이기 위한 방법에 대하여 가장 빈번히 일어나는 담금질 열처리에서 변형 원인과 해결방안을 제시하였다.

본 연구에서 기계적 특성을 향상시키기 위하여 필요한 조직은 오스테나이트(Austenite)와 마르텐사이트(Martensite) 조직이다. 오스테나이트는 침탄된 CAM을 담금질로 약 850℃ 이상으로 승온하여 얻을 수 있는 조직이며, 마르텐사이트 조직은 오스테나이트 조직을 150℃ 이하로 냉각 시 얻을 수 있는 조직이다. 아래의 그림 2는 오스테나이트의 열처리 후 냉각조건에 따른 특성변화를 나타내고 있다.

Fig. 2 Characteristics change according to cooling conditions after heat treatment of austenite

2.2 열처리 시스템 변경

불균일한 유량 제어 문제는 PID 자동 비례 제어 방식으로 변환한 것으로 정밀한 유량 제어가 가능하다. CAM의 열처리는 가스 침탄법을 적용하였다. 이는 탄소 가스를 공급할 수 있는 메탄가스를 투입하여 열적 분해를 한 뒤 이를 CAM의 표면에 침투시키는 방식이다.

CAM의 침탄 열처리 시 보통 CAM을 적치하기 위에 지그에 올려 이를 침탄로 내로 투입한다. 보통 CAM하나의 무게는 20∼40kg 전후이며, 열처리 시 적치되는 CAM의 수는 20∼30개이므로 무게를 지그가 감당하여야 한다.

침탄 열처리는 CAM과 함께 지그에도 탄소가 침투된다. 탄소가 침투되는 지그는 사용이 지속될 경우 높은 고열과 적치 무게로 인해 서서히 손상 받기 시작하며, 열처리가 진행 또는 완료 후 꺼내는 과정에서 손상 받아 깨짐이 발생한다.

이를 해결하기 위한 방법으로 아래의 그림 3과 같이 일체형 지그를 설계 제작하여 현장 적용하였다. 일체형 지그의 설계는 1차적으로 CAM의 하중을 분산할 수 있는 모양으로 설계하고, 2차적으로 생산성을 높이기 위해 적치 높이를 조절하여 기존에 넣지 못하였던 CAM 제품을 넣을 수 있도록 하였다.

Fig. 3 Jig design and production

퀜칭(Quenching) 열처리 후 냉각과정에서 CAM의 경도를 요구하는 수요처 Spec을 만족하기 위해 수냉 방법을 이용하되 변형을 줄일 수 있는 방법을 이용하고자 하였다. 최소한의 변형을 발생시키는 방법으로 그림 4와 같이 침탄 트레이와 수냉 변형방지 방법을 함께 적용하였다.

Fig. 4 Change of cooling method

이는 기존의 유냉방법에 비해 제어에 어려운 단점이 있으나 전반적인 제품성능이 우위에 나타나고 있어서 향후 연구가 계속되어야 할 부분이다.

2.3 LSTM

Recurrent Neural Network(RNN)은 출력된 데이터가 다음 단계의 입력으로 가는 재귀형태로 이루어져 있다. 따라서 하나의 RNN 셀.(Cell)을 시간에 따라 연속적으로 붙여 놓은 형태로 표현할 수 있고 시간 t에서의 입력 패턴 뿐 아니라. 이전에 입력 받은 데이터의 경향성도 알 수 있다. 이를 이용하여 경향성 있는 데이터의 처리가 필요한 분야에 응용되고 있다[6, 7]

열처리에서도 제어기의 전류 변화, 온도 등 주변 환경이 지속적으로 영향을 미치므로 일반적인 RNN을 사용하여 추세를 파악하는데 사용할 수 있다. RNN의 구조는 그림 5와 같으며 히든 스테이트 h_t의 계산은 아래의 식(1)과 같다. 여기서 W 및 U는 각각 입력 x_t와 히든 스테이트 h_t에 대한 가중치이며 b는 편향치이다.

h_t = σ_h(W_hx_t + U_hh_t-1 + b_h)       (1)

Fig. 5 Structure of RNN

RNN에는 단점인 신경망이 진행될수록 h_t가 0에 수렴하는 문제를 보완한 LSTM(Long Short Term Memory) 신경망을 사용한다. LSTM은 RNN을 기반으로 하는 인공신경망으로 히든 스테이트 h_t뿐 아니라 덧셈연산을 통해 출력되는 셀 스테이트 c_t를 다음 스텝의 입력으로 사용함으로써 장기의존성 문제를 해결한 신경망구조이다. LSTM의 전체적인 구조는 그림 6과 같으며 히든 스테이트 h_t 및 셀 스테이트 c_t는 식 2의 망각게이트 f_t, 식 3의 입력게이트 i_t, 출력게이트를 통하여 생성한다.

f_t = σ_f(W_fx_t + U_fh_t-1 + b_f)       (2)

i_t = σ_i(W_ix_t + U_ih_t-1 + b_i)       (3)

c_t = f_{t °} c_t-1 + i_{t °} σ_c(W_cx_t + U_ch_t-1 + b_c)       (4)

Fig. 6 Structure of LSTM

식 4를 통하여 시간 t에서 셀 스테이트 c_t를 결정하며 _°는 Hadamard 연산을 의미한다.

o_t = σ_o(W_ox_t + U_oh_t-1 + b_o)       (5)

h_t = o_{t °} σ_h (c_t)       (6)

y_t = W_yh_t + b_y       (7)

출력게이트 o_t는 tanh를 활성화 함수 σ_o로 하여, 이때 히든 스테이트 h_t는 출력 게이트 o_t와 Hardamard 연산을 통해 구한다. LSTM 셀의 출력 스테이트 y_t는 식 7과 같다.

이와 같이 LSTM은 셀 스테이트 c_t와 히든 스테이트 h_t를 각 게이트를 통해 필요한 값만 선별적으로 취함으로써 장기의존성 문제를 해결하고 있다.

3. 실험

기존 CAM 열처리 유량의 수동 제어 방식을 자동제어 방식으로 변경하여 유량의 제어 및 스마트폰 앱을 통해 실시간으로 확인할 수 있도록 현장에 적용하여 실험을 진행하였다.

열처리 유량제어를 위한 CPU 및 전류 입출력 회로와 제어기는 아래의 그림 7, 8과 같다.

Fig. 7 Controller circuit

Fig. 8 Controller Unit

제작된 제어기가 적용된 침탄로 및 열처리 유량제어를 위한 제어기는 아래의 그림 9와 같다. 이를 통해 기존에 열처리로 운영이 작업 표준서에 따라 열처리 시간, 온도 및 CP 값을 수동 세팅하고 각각의 공정 단계마다 기록지 혹은 계기미터, 온도계를 육안 확인 하던 방식을 자동제어방식으로 변경하였다.

Fig. 9 Carburizing furnace and controller

그림 10에서와 같이 처음 시스템을 시작하기 전, 열처리의 생산에 영향을 미치는 주요한 공정변수CP(Carbon Potential), 값을 1.00으로 설정하고, LPG 유량 최대값을 10.0㎖ 로 설정하였다.

Fig. 10 CP value setting

이후 그림 11에서처럼 열처리 공정에서 시스템의 가동 진행사항을 살펴보면, 붉은색의 CP값의 증가에 따른 파란색의 LPG 유량의 제어상황을 확인할 수 있다. 이때 당초 CP값을 1.00을 유지하기 위하여 파란색 그래프에서처럼 LSTM을 통한 LPG 유량제어 데이터를 초당 1.7∼1.8㎖로 조정된 값으로 수렴하여 열처리가 되고 있음을 알 수 있다. 이는 열처리의 생산에 영향을 미치는 주요한 공정변수를 자동으로 제어될 수 있다는 것을 나타낸다.

Fig. 11 Gas flow control value

안정된 열처리 유량제어로 인한 결과물의 경도가 수요처의 요구조건을 만족하며 품질이 일정하게 유지되는 것을 아래의 표 3과 같이 알 수 있다.

표 3. Vickers hardness texture picture

기계적 특징에서도 인장강도, 항복강도, 연신율, 표면경도 및 유효경화 깊이, 형상치수 및 표면조도 측정에서도 안정되고 수요처의 요구조건을 상회하고 있음을 아래의 표 4와 같이 외부 성적서를 통해 확인할 수 있었다.

표 4. Surface hardness and effective curing depth

4. 결론

기존의 열처리 공정은 공정조건을 측정하기 위한 계측장비가 일부 설치되어 있으나 모두 독립적으로 설치되어 있고, 각종 공정조건 데이터를 수집하지 못하고 작업자가 직접 눈으로 확인하는 형태로 되어 있어, 생산되는 제품의 정밀한 품질관리가 매우 어렵다. 실제 생산된 제품의 품질은 작업자에 의해 좌우되는 측면이 있다. 각종 계측장비는 아날로그 방식으로 생산공정 작업자가 눈으로 확인만하고 있는 현실이어서 실제 생산된 제품의 품질관리를 위한 생산공정 데이터가 수집되고 있지 못하고 있다.

또한, 제품 출하 후 불량이 발생하였을 경우, 어떤 공정에서 불량이 발생하였는지 추적할 수 없는 현실이어서 생산성 저하와 원가 상승요인으로 작용하고 있다. 생산 공정 중 주요한 공정변수인 온도, CP(Carbon Potential), 메탄가스, LNG 및 Air, 속도 등을 정확하게 측정하지 못함으로 인해서 정밀한 품질관리가 이루어지지 않고 있다. 모니터링이 되지 못하기에 제품 생산 후 불량품이 발생한 다음 사후 조치하고 있는 실정이다.

본 연구에서는 선박용 엔진에 들어가는 CAM의 열처리를 자동 제어기를 사용하여 공정 모니터링과 함께 열처리의 생산에 영향을 미치는 주요한 공정변수들을 실시간으로 측정하고, 공정변수가 설정값을 유지하도록 자동 제어함으로써 공정의 최적화, 생산성 향상, 불량률 감소, 소재 절감 및 수율 감소의 효과를 얻을 수 있다.

특히 딥러닝의 LSTM을 기반으로 자동으로 제어함으로써 많은 데이터로부터 열처리 가스를 조정하여 상황별로 안정적인 품질을 유지할 수 있다는 것을 제안하였다.

제안하는 방법으로 인한 결과물의 성능 측정을 외부 공인기관으로부터 성적서를 발급받아 확인함으로써 신뢰할 만한 방법임을 확인할 수 있었다. 최근 부각되고 있는 딥러닝에 의한 데이터의 처리는 피드백 제어가 필요한 산업현장에서 유효성이 입증되고 있으며, 변화하는 환경에 대한 예측제어 방법에 대해 다양한 연구가 추가될 예정이다.