Federated Learning for Distributed CNC Tool Wear Prediction

Tool wear prediction is an important task in CNC machining, where accurate monitoring of tool condition supports product quality and process reliability. Machine learning methods have shown potential for this task, but their use in industrial environments is limited by the distributed nature of machining data and by restrictions on data sharing between machines, sites, or organizations. Federated learning offers a suitable framework for this setting by enabling collaborative model training without transferring raw operational data. This paper investigates federated learning for CNC tool wear prediction. Tool trajectories are distributed across simulated clients to represent a federated learning scenario. The federated models are compared against centralized references and local client baselines. Results show that federated learning achieves performance close to centralized learning and improves significantly over local client models. These findings indicate that federated learning can support collaborative tool wear prediction in distributed CNC manufacturing environments.

한 줄 요약

분산된 CNC 공작기계 데이터 환경에서 툴 마모 예측을 위한 연방학습 프레임워크를 제안하고 MATWI 데이터셋을 기반으로 성능 검증.

핵심 기여도

MATWI 데이터셋을 사용한 연방학습 기반 툴 마모 예측 모델 평가.
연방학습 모델이 로컬 모델 대비 평균절대오차(MAE)에서 +13.2% 개선.
FedAvg 기반 연방학습 프로토콜을 센서 및 이미지 모달에 적용.
연방학습이 센터 모델과 유사한 성능을 유지하면서 데이터 공유 없이 학습 가능.

핵심 아이디어

CNC 공작기계의 툴 마모 예측은 센서 및 이미지 데이터를 기반으로 이루어지며, 데이터는 공장 내 여러 기계에 분산되어 존재한다. 기존 방법은 데이터를 중앙 집중화하여 학습하지만, 이는 비용이 많이 들고 보안 문제가 발생할 수 있다. 본 연구는 연방학습(Federated Learning, FL)을 도입하여, 각 클라이언트가 로컬 데이터를 유지하면서 모델 파라미터만 공유하는 방식으로 협업 학습을 수행한다. 이는 데이터 로컬성(data locality)과 프라이버시 보호를 동시에 달성할 수 있는 접근법이다. 연방학습은 FedAvg 알고리즘을 통해 클라이언트별로 학습된 모델 파라미터를 평균화하여 글로벌 모델을 업데이트하며, 센서와 이미지 데이터 모두 동일한 프로토콜을 적용할 수 있다.

기술적 접근법

**데이터셋**: MATWI 데이터셋 사용 (17개 툴 세트, 센서 및 이미지 데이터 포함).
**학습 프레임워크**: 수평 연방학습(Horizontal FL) 적용.
**모델 학습**: FedAvg 알고리즘을 사용한 파라미터 평균화.
**모델 평가**: 센트럴 모델, 로컬 모델, 연방 모델 간 비교.
**모달별 모델**: 센서 데이터는 신호 기반 모델, 이미지 데이터는 CNN 기반 모델 사용.
**평가 지표**: 평균절대오차(MAE, 단위: 마이크로미터).

주요 결과

**센서 모달**: 연방 모델의 MAE는 센트럴 모델과 유사, 로컬 모델 대비 +13.2% 개선.
**이미지 모달**: 연방 모델의 MAE는 센트럴 모델과 유사, 로컬 모델 대비 +15.6% 개선.
**마모 유형별 성능**: flank wear 예측에서 연방 모델과 센트럴 모델 성능 유사, adhesion 예측에서는 연방 모델이 센트럴 모델 대비 +2.1% 개선.
**로컬 모델 대비 개선 폭**: 센서 모달에서 Client B, C 대비 +13.2%, Client A 대비 +1.8% 개선.

의의 및 한계

본 연구는 CNC 제조 환경에서 데이터 공유 제약이 있는 상황에서도 연방학습을 통해 협업 모델 학습이 가능함을 실증적으로 보여준다. 연방학습은 데이터 로컬성을 유지하면서도, 센트럴 모델과 유사한 성능을 달성함으로써 산업 현장에서 실용적인 대안이 될 수 있다. 그러나 연방 모델은 센트럴 모델보다 약간 낮은 성능을 보이며, 이는 클라이언트 간 데이터 분포 차이와 업데이트 빈도에 영향을 받는다. 또한, adhesion과 같은 특정 마모 유형에서는 샘플 수가 적어 예측 오차가 크게 나타나는 한계가 있다.

실용적 활용

본 연구는 제조 공장 내 여러 기계, 생산 셀, 공장, 또는 조직 간 분산된 데이터 환경에서 툴 마모 예측을 위한 연방학습 시스템 구축에 활용될 수 있다. 특히, 데이터 공유가 제한되거나 보안이 중요한 산업 현장에서 데이터 로컬성을 유지하면서도 협업 학습을 통해 모델 성능을 향상시키는 데 기여할 수 있다. 센서 및 이미지 데이터를 모두 처리할 수 있는 연방학습 프레임워크는 다양한 모달의 모델 학습을 지원한다.