A Study on Optimization of Autoencoder-based Latent Variables for Improving Surface Roughness Prediction

초정밀 부품의 수요 증대에 따라 표면품질 개선의 중요성이 증대되고 이에 따른 표면거칠기 예측 모델에 대한 연구도 활발히 진행되고 있다. 본 연구에서는 회전 전자기 표면연마 공정에서 표면거칠기 예측 모델을 최적화하기 위하여 오토인코더(AE)와 심층신경망(DNN)을 활용하였다. 소량의 데이터 분석에 적합한 k-fold 교차 검증법과 AE를 바탕으로 표면거칠기에 영향을 미치는 잠재적 특징을 추출하하였다. 예측 모델의 성능 최적화를 위하여 추출되는 잠재 변수의 개수를 변화시키며 예측 성능을 분석한 결과, 잠재 변수의 개수가 4개일 때 학습 데이터와 검증 데이터의 손실 함수 값이 가장 낮게 도출됨으로써 표면거칠기 예측 모델의 성능이 우수함을 확인할 수 있었다. 또한 단일 DNN 기반 예측모델보다 약 2배 이상의 높은 정확도를 나타냄을 확인하였다.