3D 가공 특징 인식을 Fusion CAM 자동화로 연결할 때 확인한 것

CAD의 면과 연결 관계를 AI 입력으로 만들기

STEP 모델에서 면·엣지와 곡면 종류를 읽고 맞닿은 면의 볼록·오목 관계를 그래프로 표현했습니다. 포켓이나 구멍처럼 여러 면이 만드는 특징을 다루려면 면 하나의 모양만으로는 알 수 없고, 면끼리 어떻게 붙어 있는지도 알아야 합니다.

직접 맡은 범위는 형상 분석, 학습용 라벨링 프로그램, 가공 특징 인식 AI, 가공 전략 설계와 Fusion 적용입니다. 디지털 트윈(MDT)에서는 협력 기관한국기계연구원이 수행한 시뮬레이션의 결과 시각화만 담당했습니다.

평균 점수와 부품 단위 오류 함께 보기

면 몇 개만 잘못 분류해도 가공 특징의 묶음이 달라집니다. 면 단위 지표와 함께 모든 면을 맞힌 부품 수, 클래스별 오류와 부품 계열별 결과를 확인했습니다. 평균이 좋아졌어도 특정 계열의 오류가 늘어난 후보는 채택하지 않았습니다.

라벨을 수정해 좋아진 결과와 학습 변경으로 좋아진 결과도 분리했습니다. 입력·증강·라벨을 한꺼번에 바꾸면 어떤 변경이 효과가 있었는지 설명하기 어렵기 때문입니다.

• 형상 계열을 기준으로 데이터 분할과 평가 범위를 확인합니다.
• 학습 때 만든 입력과 추론 입력이 같은 기준인지 확인합니다.
• STEP을 저장했다 다시 읽어도 라벨이 유지되는지 확인합니다.

인식 결과로 Fusion CAM 작업 만들기

인식 결과만으로는 가공 공정이 완성되지 않습니다. 가공 방향, 클램핑, 공정 순서, 공구와 절삭 조건을 정한 뒤 이를 Fusion의 셋업과 공구, 작업으로 만들었습니다.

공구만 바꾸면 되는 경우와 작업을 새로 만들어야 하는 경우를 나눴고, 적용과 공구 변경, 오류 복구를 자동 회귀 테스트로 확인했습니다. 한 번 만들어지는지만 보지 않고, 바꾼 뒤에도 같은 결과가 나오는지 봤습니다.

협력 기관의 시뮬레이션 결과 시각화

AI의 기본 면 분류와 형상 조합 분석으로 스톡·블라인드홀·쓰루홀·오픈포켓·클로즈포켓·챔퍼·필렛·카운터보어·카운터싱크의 9종을 식별합니다. 전체 사례에는 학습에 사용한 실제 STEP 모델 6개의 라벨과 피쳐별 Fusion 가공 경로가 있습니다.

결과 뷰어에서는 절삭력과 칩 두께를 공정·NC 구간별로 보고, 3D로 설계 모델과 가공 결과를 비교합니다. 공개 예시의 공차 기준은 설계 대비 ±0.15mm입니다. 가공면 파상도와 형상 오차 맵은 해당 출력이 있는 분석에서만 표시합니다.

독립 테스트셋 25부품·1,346면의 면 정확도(99.33%)와 소재 시뮬레이션, 기준 STEP 비교까지 확인했습니다. 실제 주문 부품으로 한 현장 평가, 조도 실측, 도면 공차 읽기, CNC 가공 품질 확인은 하지 않았습니다.