자기 누설 자속 검사(MLFT, Magnetic Leakage Flux Test) 예측
자기 누설 자속 검사(MLFT, Magnetic Leakage Flux Test) 예측은 단순히 결과를 예측하는 것을 넘어, "문제 발생 전 예방", "데이터 기반 운영 의사결정", "품질 및 설비 효율 극대화"를 가능하게 합니다.
결과적으로 총제조원가 절감, 가동시간 증가, 고객 만족도 향상이라는 비즈니스 가치를 동시에 달성할 수 있습니다.
미소정보기술 회사 소개
프로젝트 배경
AC 자기 누설 자속 검사(MLFT, Magnetic Leakage Flux Test)는 비파괴 검사법으로, 소재에 8 kHz 정도의 고주파 자극을 걸어(Yoke) 특수강 환봉의 표면 결함 부위에서 누설된 자속(leakage flux)을 검출 프로브로 측정합니다. 프로브가 받는 신호는 진폭·위상 차분(differential detection) 및 동기 위상 검파(phase demodulation), 대역 통과 필터(BPF)를 거쳐 결함 신호(Signal)와 잡음(Noise)을 분리하고, 최종적으로 진폭 판단(level judgment)과 길이 판단(length judgment) 로 결함 유무를 판정합니다.

AC 자기 누설 자속 검사(MLFT)는 다음 네 단계로 이루어집니다.
  1. 고주파 자기장 인가
    검사하려는 강봉에 Yoke를 대고 약 8 kHz의 교번 전류를 흘려 재료 내부에 고주파 자기장을 형성합니다. 이 자기장은 결함이 없는 부위는 부드럽게 통과하지만, 균열이나 흠집 등 결함 부위에서는 자속이 새어나오게 됩니다.
  1. 누설 자속 검출 및 차동 검출
    표면에서 누설된 자속(leakage flux)은 감지 프로브(sensing probe)가 μV~mV 단위의 전압 신호로 받아들입니다. 이 프로브는 ±α 위치에 두 개 이상 배치되어 외부 잡음(기계 진동, 전기 스파크 등)을 상쇄하고 결함으로 인한 신호만 증폭하는 차동 검출 방식을 사용합니다.
  1. 위상 검파와 대역 통과 필터링
    프로브가 받은 신호는 먼저 동기 위상 검파(phase demodulation) 를 거쳐 원하는 위상 성분만 추출합니다. 이어서 대역 통과 필터(BPF) 로 결함 신호가 주로 나타나는 주파수 대역만 통과시켜, 기계적·전기적 잡음을 효과적으로 제거합니다.
  1. 진폭 및 길이 판단으로 최종 판정
    필터링된 신호의 진폭(level judgment) 이 설정된 임계값을 넘으면 결함으로 간주하고, 신호가 연속적으로 유지되는 길이(length judgment) 를 확인해 결함의 크기와 길이를 평가합니다. 이때 프로브 간격(pitch, 13 mm) 단위를 기준으로 얼마나 길게 신호가 지속됐는지 검사합니다.
자기 누설 자속 검사(MLFT, Magnetic Leakage Flux Test)
MLFT 검사 이해 하기
🔍 MLFT 검사란?
MLFT는 금속 재료 안에 생긴 결함(균열, 흠 등)을 파괴하지 않고 찾아내는 비파괴 검사 기술입니다. 자기장을 활용해 재료의 이상 유무를 판단합니다.
⚙️ 어떻게 작동하나요?
  1. 자기장 주입
  • 검사할 금속에 고주파 자기장(보통 8kHz)을 넣습니다.
  • 이때 "Yoke"라는 장치를 통해 강한 자기장이 금속에 흐르게 됩니다.
  1. 결함이 있는 곳에서 자기 누설 발생
  • 금속에 균열이 있으면 그 부분에서 자기장이 밖으로 새어 나옵니다 (자기 누설, Magnetic Leakage).
  • 이 자기 누설이 없으면 금속은 정상 상태입니다.
  1. Probe(센서)로 신호 감지
  • Probe가 금속 표면을 스캔하면서 자기 누설이 있는지 확인합니다.
  • 누설 자기장이 있는 부분에서는 전압 신호가 발생합니다.
  1. 신호 분석 (Gain/Phase/Filter)
  • 잡음을 줄이고 진짜 결함 신호만 골라내기 위해 신호 증폭(Gain), 위상 조절(Phase), 필터링(Filter) 등을 수행합니다.
  1. 결과 판단
  • 신호 크기(진폭)가 미리 설정한 임계값 이상이면 결함으로 판단합니다.
  • 결함의 크기나 길이도 분석할 수 있습니다.
🧪 왜 '누설'이 중요한가요?
결함이 없으면 자기장이 고르게 흐르지만, 결함이 생기면 그 부분에서 자기장이 삐져나오면서 비정상적인 전기 신호가 생깁니다. 이 신호가 결함의 '증거'가 됩니다.
📏 결함을 감지할 수 있는 최소 길이
  • Probe의 감도에 따라, 결함은 최소 17mm 이상 길어야 100% 감지가 가능합니다.
  • 이보다 짧으면 감도가 떨어지고 놓칠 수 있습니다.
🧰 검사 장비 구성 요소
  • Yoke: 자기장 공급 장치
  • Probe: 신호 감지 센서
  • Ceramic Shoe: 금속과 Probe 사이 마찰을 줄여주는 부품
  • Probe Gap: 센서와 재료 사이 거리, 감도에 영향
필요하다면 그림을 추가하거나 시뮬레이션 기반으로도 설명드릴 수 있습니다!
특수강 생산 공정
특수강 용도
비즈니스 가치
불량률 감소 – 품질 비용 절감
사전 경고: 실제 검사 전·중에 "이번 배치에서 신호가 기준치를 벗어날 가능성"을 알려 줌으로써, 불량이 대량 발생하기 전에 공정 조건을 조정할 수 있습니다.
스크랩·재작업 감소: 불량이 발생한 후 추적·수리하는 비용(재료비, 인건비, 설비 가동 중단 손실)이 크게 줄어듭니다.
예지 보전 강화 – 설비 가동률 극대화
고장 예측: A-OR/B-OR 신호의 이상 패턴을 미리 포착해 "프로브 교체"나 "교정(CAL)" 시점을 알려 줍니다.
계획 정비: 돌발 고장이 아닌, 계획된 정비 일정으로 전환되어 비가동 손실을 최소화합니다.
운영 효율 향상 – 의사결정 지원
데이터 기반 가이드: 매일 혹은 매배치마다 예측 결과를 대시보드(또는 알람)로 제공해, 현장 운영자가 직관적으로 공정 상태를 파악하고 즉각 조치할 수 있습니다.
추가 인력·장비 부담 감소: 숙련된 검사원이 모든 바(Bar)를 일일이 확인하던 반복 업무가 줄어들어, 더 핵심적인 유지보수·품질개선 활동에 인력을 배치할 수 있습니다.
경쟁력 강화 – 차별화된 서비스·제품 제공
고객 신뢰도 상승: 높은 품질 안정성을 바탕으로 고객 불만·클레임이 줄어들고, 브랜드 평판이 좋아집니다.
신시장 개척: 예측 모델을 포함한 "스마트 검사 솔루션" 패키지로 제안하여, 차별화된 부가서비스를 통해 새로운 매출 기회를 만들 수 있습니다.
현재 문제점
세라믹슈의 마모시점 예측
기존 예측 모델의 정확도가 낮아 조기 경고가 어려우며, 이로 인해 예상치 못한 장비 고장이 발생할 위험이 큽니다. 또한, 데이터 수집 및 분석 프로세스가 비효율적이고 자동화되지 않아 신속한 대응에 한계가 있습니다.
검사 설비의 정합성 저조
동일 강종/크기 중복 검사 결과 상이로 인해 신뢰도가 떨어지고, 품질 관리에 어려움을 겪고 있습니다. 이러한 문제들은 생산 효율성과 제품 신뢰성에 직접적인 영향을 미쳐 개선이 시급합니다.
캘리브레이션·센터링 이슈
프로브 감도 편차를 주기적으로 보정(CAL)해야 하며, 세라믹 슈·프로브 간 갭 높이 변화에 따라 dB값이 달라집니다. 미보정 상태나 센터링 불량 시 채널 간 신호 불균형으로 오탐·미탐이 발생합니다.
고가의 검사 장비 정품 소모품
정품 소모품은 비용 부담이 크지만, 검사 정확성과 장비 수명을 위해 반드시 사용해야 합니다. 저품질 또는 비정품 사용 시 장비 고장 및 품질 저하 위험이 높아집니다.
목적
품질 예측 및 이상 탐지
과거 패턴과 자재·치수 정보를 함께 모델링하면, 정상 신호 범위를 학습하여 비정상(이상) 신호를 자동으로 감지할 수 있습니다.
공정 최적화
신호 예측 모델을 활용해 실제 검사 전에 결과를 예측하고, 검사 파라미터(속도, 전류 등)를 자동 조정하면 검사 효율과 정확도를 높일 수 있습니다.
사전 경고
예측 모델이 특정 조건에서 센서 신호가 기준치를 벗어날 것을 미리 알려주면, 불량 발생 전 사전 조치를 취할 수 있습니다.
입력(Features) 구성
모델링 전략
Baseline (간단 회귀)
A-OR[t] = α·A-OR[t-1] + β 와 같은 선형 회귀 또는 ARIMA, Prophet 모델
목표: 최소한의 복잡도로 기준 성능 확인
부스팅 계열 다중출력 회귀
MultiOutputRegressor + CatBoostRegressor (또는 XGBoost)
각 출력(A-OR, B-OR)을 동시에 학습해 상관관계도 반영
빠른 학습 속도, 피처 중요도 해석 가능
딥러닝 시계열 모델
LSTM 또는 Temporal Convolution Network(TCN) 기반의 Encoder–Decoder
입력: [static_features] + [seq_length × time_series_features]
출력: (2,) 형태의 연속값 벡터
또는 Transformer 기반 시계열 회귀 (예: Informer, Autoformer)
하이브리드 Late-Fusion
부스팅 모델의 예측 + 시계열 딥러닝 모델 예측 → 가중합(fusion)
서로 다른 강점을 결합해 안정성 극대화
학습 및 평가
Train/Validation Split
시계열 교차 검증(Rolling-origin split)
예: 처음 60% → 학습, 다음 20% → 검증, 마지막 20% → 테스트
평가지표 (Regression)
MAE (Mean Absolute Error)
RMSE (Root Mean Squared Error)
MAPE (Mean Absolute Percentage Error)
하이퍼파라미터 튜닝
부스팅: learning rate, depth, iterations
딥러닝: hidden size, layers, sequence length, learning rate
데이터 파이프라인 예시
원시 CSV 데이터
초기 데이터 수집
파싱 및 메타 정보 결합
데이터 구조화
결측치/이상치 처리
데이터 정제
시계열 윈도잉 & 파생 피처 생성
특성 엔지니어링
Train/Val/Test 분할
데이터셋 준비
모델 학습 & 평가
알고리즘 적용
실시간 추론
예측 결과 활용
결론
도메인 지식 결합의 중요성
단순히 과거 시계열만 쓰는 것보다, 자재 종류·치수·본수 같은 도메인 지식을 결합하면 예측 정확도가 크게 올라갑니다.
다양한 비즈니스 가치 창출
이 모델을 통해 검사 자동화, 불량 사전 예방, 공정 모니터링 등 다양한 부가 가치를 낼 수 있어요.
단계적 접근 권장
초기에는 간단한 회귀 모델부터 시작하여 점차 복잡도를 높여보시고, 예측 성능과 실무적 효용을 비교해보시길 추천드립니다.
특수강 생산 고객사
Aiffelthon 계획 (변경 가능)
킥오프 및 Phase 1: 도메인 이해·요구사항 정의 (7/18–8/1)
  • 7/18 킥오프 미팅 – 팀원 소개, 일정·커뮤니케이션 채널 확정 – 세부 목표(예: A-OR, B-OR 값 예측) 재확인
  • 7/19–7/24 도메인 워크숍 – MLFT 원리, 장비 구성, 흐름도 리뷰(첨부 PDF) – Probe 감지 길이·Calibration 파라미터 실험
  • 7/25–7/31 요구사항 정리 – 데이터 수집 계획 수립(센서 로그, CAL 결과 등) – 평가 지표(정확도, 재현율, 예측 오차) 확정
Phase 2: 데이터 수집·전처리 (8/4–8/15)
  • 8/1–8/7 데이터 확보 – 과거 MLFT 검사 로그 추출 및 정제 – 주요 변수(강종, 크기, 본수, CAL 값) 매핑
  • 8/8–8/14 전처리 파이프라인 구현 – 이상치 제거(리젝션 레벨) 및 필터링 – 피처 엔지니어링: Probe 특성 반영 변수 생성
Phase 3: 모델링·프로토타입 개발 (8/18–9/5)
  • 8/15–8/21 기초 모델링 – 회귀/분류 모델(예: CatBoost, Random Forest) 테스트 – 교차검증을 통한 하이퍼파라미터 튜닝
  • 8/22–8/31 고도화 – 딥러닝(예: LSTM) 적용 검토 – 다중 채널 예측(Probe A, B) 모델 통합
  • 9/1–9/4 내부 데모 – 중간 결과 공유, 피드백 반영
Phase 4: 검증·최종 발표 준비 (9/8–9/17)
  • 9/5–9/11 결과 검증 – 테스트셋 평가 및 성능 리포트 작성 – 핵심 발견사항 및 시사점 정리
  • 9/12–9/14 발표 자료 작성 – 데모 시연 스크립트, 핵심 데이터 시각화 – Q&A 준비
  • 9/15–9/17 최종발표 및 제출 – Aiffelthon 최종 발표(포스터/영상 또는 현장 발표) – 코드·보고서·결과물 패키징 후 제출
4. 사후 정리 및 후속 계획 (9/18 이후)
  • 후속 회고: 주요 성과·개선점 정리
  • 비즈니스 적용 방안 검토: PoC 확장, 투자 유치, 제품화 일정 수립
  • 지속 개발 로드맵: 장기 기능 추가, 운영화 계획
프로젝트 협의 일정
R1) 7/18 11:00, Introduction (Teams Meeting)
R2) 7/21, 22, 24: 1500~1600 비즈니스 도메인, 요구사항 정의 (Teams Meeting)
R3) 7/23: 15:00~16:00 데이터 이해 (Teams Meeting)
R4) 매주 목요일: 16:00~17:00 Weekly update (Teams Meeting)
* Offline Meeting 필요시 별도 공지 드릴 예정 입니다.
* Daily Communication 은 Discord 팀별 서버 통해서 진행 예정 입니다.
GitHub Prototype 공유, Google cloud data 공유 예정
7월
8월
9월
MLFT 검사 과정과 데이터 생성
Datasets Visualization 1
Unwrapped Cylindrical Surface (Heatmap) - before alignment
Unwrapped Cylindrical Surface (Heatmap) - after alignment
Datasets Visualization 2
Channel A1 ~ A5, B1 ~ B5
Datasets Visualization 3
Complete Surface + Points
Datasets Visualization 4