레이저 피닝 품질 자동 분류를 위한 음향 신호 활용

초록

본 연구는 저비용 USB 마이크로폰으로 촬영한 레이저 충격 피닝(LSP) 과정의 음향 신호를 분석해, 각 레이저 펄스를 정상(OK) 혹은 결함(NOT OK)으로 자동 분류하는 방법을 제시한다. RMS, 스펙트럼 중심주파수, 고주파 에너지 비율 등 15개의 특징을 추출하고, 랜덤 포레스트 모델을 학습시켜 테스트 데이터에서 100% 정확도를 달성하였다. 물층 유무에 따른 감쇠 차이를 주요 구분 요인으로 활용하며, 실시간 비파괴 품질 검사를 가능하게 한다.

상세 분석

이 논문은 레이저 충격 피닝(LSP) 공정의 품질 관리를 기존의 파괴 시험이나 주관적 판단에 의존하던 방식에서 벗어나, 실시간으로 비파괴적인 음향 신호 기반 자동 분류 체계로 전환한다는 점에서 혁신적이다. 44 kHz 샘플링 레이트의 USB 콘덴서 마이크를 사용해 알루미늄 합금(AA2024) 판재에서 발생하는 음향 파형을 수집했으며, 물층이 있는 경우와 없는 경우 각각 99개의 샘플을 확보하였다. 신호 전처리는 평균 + 3σ 기준의 진폭 임계값을 이용해 펄스를 검출하고, 0.4 s 길이의 구간을 추출한다.

특징 추출 단계에서는 전역 RMS, 스펙트럼 중심주파수, 6 kHz 이상 고주파 에너지 비율 등 3개의 전역 특성과, 메인 펄스 이후 5개의 시간 구간별 에너지 비율 및 고주파 비율, 그리고 300 ms~1 s 구간 내 2차 피크 개수 등 12개의 구간 특성을 포함한 총 15개의 변수를 정의한다. 이러한 변수들은 물층이 존재할 때 발생하는 캐비테이션과 고주파 성분이 강화되는 현상을 정량화한다.

분류 모델로는 랜덤 포레스트를 선택했으며, 300개의 트리와 클래스 균형 가중치를 적용해 과적합을 방지하였다. 데이터는 60 % 학습, 20 % 검증, 20 % 테스트로 분할했으며, 검증 단계에서 100 % 정확도를 기록하고 테스트에서도 동일한 성능을 유지했다. 특징 중요도 분석 결과, 전역 RMS(총 에너지)가 가장 큰 기여를 했으며, 이는 물층이 없을 때 감쇠가 적어 에너지가 크게 측정되는 현상과 일치한다. 반면 스펙트럼 중심주파수와 초기 구간 고주파 비율은 물층이 있을 때 높은 값으로 나타나, 캐비테이션에 의한 고주파 성분이 품질을 구분하는 핵심 지표임을 확인했다.

실험은 단일 재료·형상·마이크 위치에서 수행되었으며, 실제 산업 현장에 적용하려면 재료 종류, 부품 형상, 환경 소음, 마이크 설치 각도 등에 대한 추가 검증이 필요하다. 그러나 저비용 센서와 간단한 신호 처리·머신러닝 파이프라인을 통해 실시간 알람 기능을 구현할 수 있다는 점은 LSP 공정의 자동화와 품질 보증에 큰 잠재력을 제공한다.