KR102019376B1 - 지능형 철강 제품 절단 가공 시스템 및 방법 - Google Patents
지능형 철강 제품 절단 가공 시스템 및 방법 Download PDFInfo
- Publication number
- KR102019376B1 KR102019376B1 KR1020180136517A KR20180136517A KR102019376B1 KR 102019376 B1 KR102019376 B1 KR 102019376B1 KR 1020180136517 A KR1020180136517 A KR 1020180136517A KR 20180136517 A KR20180136517 A KR 20180136517A KR 102019376 B1 KR102019376 B1 KR 102019376B1
- Authority
- KR
- South Korea
- Prior art keywords
- cutting
- steel product
- information
- processing
- state information
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
- G05B19/40937—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
- G05B19/40938—Tool management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
지능형 철강 제품 절단 가공 시스템에 관한 것이며, 지능형 철강 제품 절단 가공 시스템은 사용자 단말로부터 상기 철강 제품의 절단 가공 요청 정보를 수신하는 수신부, 상기 절단 가공 요청 정보에 기반하여 복수의 절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 제어부, 상기 철강 제품의 가공 상태 정보를 수집하는 센싱부 및 수집된 상기 철강 제품의 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단하는 판단부를 포함하되, 상기 제어부는 상기 판단부의 판단 결과에 기반하여 상기 복수의 절단 가공 장비 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다.
Description
본원은 지능형 철강 제품 절단 가공 시스템 및 방법에 관한 것이다.
일반적으로, 절단장치는 물건을 절단하는 데 쓰이는 기계를 말하는 것으로, 목재나 철재 및 비철금속을 용도에 따라 사용자가 원하는 길이로 절단시키는데 사용된다.
절단장치의 종류는 유압의 강한 압력을 이용하여 강한 경도의 절삭날을 하강시켜 절단시키는 프레스 형태의 절단기와, 모재를 고정척에 고정한 상태로 절삭날을 회전하면서 이송하여 모재를 절단하는 공작기계와, 회전되는 톱니형태의 절삭구를 회전하면서 상하 또는 전후로 이송하여 모재를 절단하는 절단기로 나눈다.
절단장치 중에 톱니형태의 절삭구를 이용하여 금속 및 비금속을 절단하는 절단기는 형태가 단순하고 절단능률이 뛰어나 널리 사용되고 있다.
밀링기는 공작물을 작업대에 설치하고 밀링머신의 주축에 절삭바이트를 체결한 다음, 절삭바이트가 고속 회전하는 상태에서 작업대를 전, 후, 좌, 우, 상, 하로 수동 조정·확인하면서 요구하는 치수로 공작물을 절삭가공(평면깍기, 측면깍기, 홈깍기, 기어깍기 등) 여러 가지 가공을 할 수 있다.
철강, 자동차와 같은 다양한 소재 산업 분야에서 정밀 가공에서 조직 관찰의 필수 요소인 연마(Grinding)와 정마(Polishing)에 대한 관심이 높아지고 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1605658 호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 개별적으로 구비된 장치 각각이 독립적으로 제어되어, 사용자가 요구하는 절단 및 가공이 정확하게 이루어 지지 않는 문제점을 해결할 수 있는 지능형 철강 제품 절단 가공 시스템 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 사용자 단말로부터 철강 제품의 절단 가공 요청 정보를 수신하는 수신부, 복수의 절단 가공 장비에 구비되어, 철강 제품의 가공 상태 정보를 수집하는 센싱부, 수집된 상기 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단하는 판단부 및 상기 절단 가공 요청 정보 및 판단 결과에 기반하여 복수의 절단 가공 장비 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성하는 제어부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 센싱부는 상기 철강 제품의 이미지 가공 상태 정보를 수집하기 위한 촬영부를 포함하되, 상기 촬영부는 상기 철강 제품의 초기 상태 및 상기 복수의 절단 가공 장비를 거쳐 가공된 철강 제품의 이미지 상태 정보를 수집할 수 있다.
본원의 일 실시예에 따르면, 판단부는 수집된 상기 철강 제품의 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고 상기 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 학습을 통해 구축된 인공신경망에 기초하여, 상기 철강 제품의 절단 가공 요청 정보와의 일치 여부를 판단할 수 있다.
본원의 일 실시예에 따르면, 상기 인공신경망은, 딥러닝 알고리즘에 적용 가능한 상태로 전처리된 상기 철강 제품의 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고 상기 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습을 통해 판단 모델을 구축할 수 있다.
본원의 일 실시예에 따르면, 상기 복수의 절단 가공 장비는, 상기 철강 제품을 이송하는 이송부, 상기 이송부로부터 공급된 상기 철강 제품을 상기 철강 제품의 절단 가공 요청 정보에 기반하여 절단하는 절단부, 상기 절단부를 거쳐 가공된 상기 철강 제품을 절삭 가공하는 밀링부, 상기 밀링부를 거쳐 가공된 상기 철강 제품의 평활도 및 평탄도를 유지하고 광택을 높이기 위해 상기 철강 제품의 표면을 연마하는 연마부를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 제어부는, 기 철강 제품의 가공 정보에 기반하여 톱날을 이용하여 상기 철강 제품을 절단하는 제1절단부 및 열을 이용하여 상기 철강 제품을 절단하는 제2절단부 중 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 상기 제어부는, 상기 철강 제품이 제1 절단 가공 장치를 거쳐 가공된 제 1상태 정보 및 제1 이미지 상태 정보를 기반으로 학습된 상기 판단부의 판단 결과에 기반하여 제2절단 가공 장치의 동작을 제어하는 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 상기 제어부는, 상기 철강제품이 상기 제2절단 가공 장치를 거쳐 가공된 제 2상태 정보 및 제2 이미지 상태 정보를 기반으로 학습된 상기 판단부의 판단 결과에 기반하여 제3절단 가공 장치의 동작을 제어하는 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 상기 절단 가공 요청 정보는, 상기 철강 제품의 소재, 규격, 형상, 밀링 조도 및 사용 용도 중 적어도 어느 하나를 포함할 수 있다.
본원의 일 실시예에 따르면, 제1사용자 단말로부터 상기 철강 제품의 절단 가공 요청 정보를 수신한 경우, 제1사용자 정보 및 상기 절단 가공 요청 정보로부터 가공 요청 패턴을 산출하는 패턴 산출부, 상기 가공 요청 패턴에 기초하여 신규 철강 제품 절단 가공에 대한 맞춤형 가공 정보를 추천하는 추천부 및 상기 맞춤형 가공 정보를 상기 제1사용자 단말로 전송하는 통신부를 더 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 추천부는, 제1사용자의 업종, 판매 형태, 판매 상품 종류, 상품 규모, 생산 종류 중 적어도 어느 하나를 포함하는 사용자 정보를 고려하여 상기 맞춤형 가공 정보를 생성할 수 있다.
본원의 일 실시예에 따르면, 상기 상태 정보는, 상기 철강 제품이 복수의 절단 가공 장비를 거친 이후 변화된 상기 철강 제품의 정보를 포함할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 제1 측면에 따른 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법은, 사용자 단말로부터 상기 철강 제품의 절단 가공 요청 정보를 수신하는 단계, 상기 절단 가공 요청 정보에 기반하여 복수의 절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 단계, 상기 철강 제품의 가공 상태 정보를 수집하는 단계, 수집된 상기 철강 제품의 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단하는 단계를 포함하되, 상기 제어 신호를 생성하는 단계는, 판단 결과에 기반하여 상기 복수의 절단 가공 장비 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 복수의 절단 가공 장비에서 제1 절단 가공 장비에서 가공되기 전 상태 정보 및 제1 절단 가공 장비에서 가공된 후의 상태 정보를 기반으로 제2절단 가공장비의 동작을 제어하는 제어 신호로부터 제2 절단 가공장비를 제어함으로써, 사용자가 요청한 절단 가공 요청 정보에 보다 정확한 철강 제품을 절단 가공할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 절단 가공 시스템의 개략적인 시스템도이다.
도 2는 본원의 일 실시예에 따른 절단 가공 시스템의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 복수의 절단 가공 장비의 개략적인 블록도이다.
도 4는 본원의 일 실시예에 따른 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법에 대한 동작 흐름도이다.
도 2는 본원의 일 실시예에 따른 절단 가공 시스템의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 복수의 절단 가공 장비의 개략적인 블록도이다.
도 4는 본원의 일 실시예에 따른 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 “간접적으로 연결”되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 절단 가공 시스템에 관한 것으로서, 사용자로부터 제공받은 철강 제품의 절단 가공 요청 정보에 기반하여, 초기의 철강 제품을 절단 및 가공하는 장비 각각을 제어하여, 철강 제품의 절단 가공 요청 정보와 가장 적합한 철강 제품을 생성하고자 한다.
도 1은 본원의 일 실시예에 따른 절단 가공 시스템의 개략적인 시스템도이다.
절단 가공 시스템(1)은 사용자 단말(3)로부터 철강 제품의 가공 요청 정보를 수신할 수 있다.
철강제품은 형상에 따라 크게 봉형(棒形)강류, 판재(板材)류, 강관(鋼管)류, 주강(鑄鋼)품과 단강(鍛鋼)품 등으로 구분된다. 봉형강류는 나뭇가지 모양으로 길게 가공하여 생산된 제품을 말한다. 대표 제품은 봉강(棒鋼), 형강(形鋼), 철근, 선재(線材) 등이다. 봉강은 단면이 원형, 정방형, 육각형 등으로 압연 혹은 단조된 것으로 소정의 길이로 절단한 강재를 의미하는데, 일반 기계부품, 선박, 차량용 각종 부품 및 볼트, 너트의 소재로 사용된다. 특히 형강(section)은 단면의 형상을 ㄱ, ㄷ, H, I자 모양으로 가공한 것인데 형강제품의 50~60%는 H형강으로 철골조 건축물의 소재로 많이 사용된다. 그리고 선재는 단면이 원형으로 압연된 코일 형태의 강재이다. 못, 철사, 철망 및 피아노 선 등 각종 선형 제품을 생산하는 재료로 사용된다. 넓적하게 생긴 판재류는 두꺼운 판자모양의 후판(厚板), 압연 정도에 따라 열연강판과 냉연강판, 표면처리강판 및 전기강판 등으로 구분된다. 후판은 대부분 조선용으로 사용되는데, 초대형 유조선 제작 시 보통 3만 5천 톤의 후판이 사용된다고 한다. 한편, 열연, 냉연, 표면처리강판은 압연과 도금처리 등 추가 공정 여부에 따라 구분되는데 주로 자동차, 가전, 사무용품, 가구, 건축 등 거의 모든 분야에 사용된다.
강관류는 각종 파이프류를 의미한다. 크게 강판을 둥글게 말아 접합부를 용접해 생산하는 용접강관과 이음매 없이 만든 무계목(Seamless)강관으로 구분된다. 특히 무계목강관은 생산 가능한 두께의 제한이 없어 용접강관으로 사용할 수 없는 고온,고압,부식 등 특수 환경의 용도에 사용되고 있다.
주강품은 전기로 등에서 생산된 용강을 일정 형상을 갖춘 주형에 주입해 만드는데, 주로 기계부품, 공구용품 및 롤(Roll) 제조에 사용된다. 그리고 단강품은 강괴, 빌릿 등 소재를 가열해 프레스로 누르거나 해머로 두들겨서 만든 강을 말한다. 압연강재나 주강품보다 강도가 우수해 높은 강도를 요하는 자동차, 선박, 철도차량의 부품 및 압연 용기 등에 사용되고 있다.
본원의 일 실시예에 따르면, 절단 가공 시스템(1)은 사용자 단말(3)로 철강 제품의 절단 가공 요청 메뉴를 제공할 수 있다. 예를 들어, 절단 가공 시스템(1)이 제공하는 애플리케이션 프로그램을 사용자 단말(3)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 제품의 절단 가공 요청 메뉴가 제공될 수 있다.
달리 말해, 사용자 단말(3)에 제공된 제품의 절단 가공 요청 메뉴는, 철강 제품의 성분, 소재, 규격(예를 들어, 두께(T), 폭(W), 길이(L)), 수량, 형상(모양). 밀링 조도, 사용 용도 중 적어도 어느 하나를 선택 입력할 수 있는 요청 항목을 포함할 수 있다.
절단 가공 시스템(1)은 사용자 단말(3)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
본원의 일 실시예에 따르면, 사용자 단말(3)은 네트워크를 통해 절단 가공 시스템(1)과 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.
절단 가공 시스템(1) 및 사용자 단말(3) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
절단 가공 시스템(1)은 절단 가공 요청 정보에 기반하여 복수의 절단 가공 장비(2)의 동작을 제어하는 제어신호를 생성할 수 있다. 절단 가공 시스템(1)은 복수의 센서의 센싱 결과에 기반하여 제어신호를 생성할 수 있으며, 센싱 결과와 사용자가 요구한 절단 가공 요청 정보를 비교하여 제어신호를 생성할 수 있다.
도 2는 본원의 일 실시예에 따른 절단 가공 시스템의 개략적인 블록도이고, 도 3은 본원의 일 실시예에 따른 복수의 절단 가공 장비의 개략적인 블록도이다.
도 2를 참조하면, 절단 가공 시스템(1)은 수신부(11), 센싱부(12), 판단부(13), 제어부(14), 산출부(15), 추천부(16) 및 통신부(17)를 포함할 수 있다.
수신부(11)는 사용자 단말(3)로부터 철강 제품의 절단 가공 요청 정보를 수신할 수 있다. 예시적으로 철강 제품의 절단 가공 요청 정보는, 철강 제품의 성분, 소재, 규격(예를 들어, 두께(T), 폭(W), 길이(L)), 수량, 형상(모양). 밀링 조도, 사용 용도 중 적어도 어느 하나를 포함할 수 있다. 철강 제품의 절단 가공 요청 정보는 철강 제품의 성분, 소재, 규격(예를 들어, 두께(T), 폭(W), 길이(L)), 수량, 형상(모양). 밀링 조도, 사용 용도 중 적어도 어느 하나를 포함하는 CAD 파일 정보일 수 있다. 달리 말해, 철강 제품의 절단 가공 요청 정보는 복수의 절단 가공 장비를 거쳐 생산될 철강 제품을 프로그램을 이용하여 설계한 캐드 파일에 관한 정보일 수 있다.
또한, 본원의 일 실시예에 따르면, 사용자 단말(3)로부터 수신한 철강 제품의 성분, 소재, 규격(예를 들어, 두께(T), 폭(W), 길이(L)), 수량, 형상(모양). 밀링 조도, 사용 용도 중 적어도 어느 하나를 선택 입력할 수 있는 요청 항목정보에 기반하여, 외부 서버로부터 CAD 파일 정보를 수신할 수 있다. 외부 서버는, 3D 설계 데이터와 컴퓨터 수치제어 공작법을 이용하여 철강 제품의 절단 가공 생성 정보를 제공하는 장치일 수 있으나 이에 한정되는 것은 아니다. 외부 서버는, 3D CAD 데이터를 저장한 데이터베이스일 수 있다. 달리 말해, 외부 서버는, 지속적으로 요청한 사용자의 경우, 사용자의 단말 정보과 연계하여, 절단 가공 요청 정보를 저장할 수 있다. 수신부(11)는 사용자 단말(3)로부터 사용자가 복수의 절단 가공 요청 정보 중 사용 용도만 선택하는 입력을 수신한 경우, 외부 서버로부터 해당 정보를 제공하고, 사용자 단말과 연계된 이전의 절단 가공 요청 정보에 기반하여 3D CAD(Computer-Aided Design) 정보를 수신할 수 있다.
센싱부(12)는 복수의 절단 가공 장비(2)에 구비되고, 철강 제품의 가공 상태 정보를 수집할 수 있다. 가공 상태 정보는, 철강 제품의 두께, 폭, 길이, 소재(성분, 종류), 밀링 조도를 포함할 수 있다. 센싱부(12)는 철강 제품의 이미지 가공 상태 정보를 수집하기 위한 촬영부(미도시)를 포함할 수 있다. 촬영부(미도시)는 복수의 절단 가공 장비(2)에 가공되기 전 초기의 철강 제품의 이미지 상태 정보 및 복수의 절단 가공 장비(2)에 가공된 후의 철강 제품의 이미지 상태 정보 등을 수집할 수 있다.
본원의 일 실시예에 따르면, 센싱부(12)는 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 근접 센서, 컬러 센서, 조도 센서, 온도 및 습도 센서, 중 적어도 어느 하나를 포함할 수 있다. 센싱부(12)는 철강 제품의 규격, 형상, 밀링의 조도, 광택의 정도, 각도, 소재의 종류 등을 수집할 수 있다. 센싱부(12)는 복수의 절단 가공 장비의 동작 정보를 수집할 수 있다. 센싱부(12)는 복수의 절단 가공 장비의 평행도 직각도를 센싱할 수 있다. 센싱부(12)는 복수의 절단 가공 장비의 속도, 온도, 윤활유의 양, 바이스의 동작, 톱날 장력의 정도, 빗짤림 감지 등을 센싱할 수 있다.
판단부(13)는 수집된 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단할 수 있다. 판단부(13)는 센싱부(12)로부터 제공받은 복수의 절단 가공 장비(2)에서 가공된 이후의 가공 상태 정보에 기반하여 절단 가공 요청 정보와의 비교를 통해 가공 일치 여부를 판단할 수 있다.
판단부(13)는 수집된 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고, 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 학습을 통해 구축된 인공신경망에 기초하여 절단 가공 요청 정보와의 일치 여부를 판단할 수 있다.
인공신경망은 딥러닝 알고리즘에 적용 가능한 상태로 전처리된 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고, 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습을 통해 판단 모델을 구축할 수 있다.
본원의 일 실시예에 따르면, 판단부(13)는 복수의 가공 상태 정보 및 이미지 가공 상태 정보를 획득할 수 있다. 판단부(13)는 가공 상태 정보 및 이미지 가공 상태 정보를 복수의 절단 가공 장비에 구비된 센싱부(12)로부터 제공받을 수 있다. 가공 상태 정보 및 이미지 가공 상태 정보는 복수의 절단 가공 장비를 거치기 이전 상태 정보와 복수의 절단 가공 장비를 거친 이후의 상태 정보를 포함할 수 있다.
판단부(13)는 이미지 가공 상태 정보를 센싱부(12)로부터 센싱된 가공 상태 정보에 포함된 가공 상태 수치화 정보에 연계하여 데이터 세트를 생성할 수 있다. 판단부(13)는 인공신경망 학습에 요구되는 학습용 데이터 세트 및 인공신경망의 학습의 진행 정보를 검증하기 위한 검증용 데이터 세트로 분류하여 데이터 세트를 생성할 수 있다. 이때, 검증용 데이터 세트는 학습용 데이터 세트와 중복되지 않은 데이터 세트일 수 있다. 검증용 데이터 세트는 신규 데이터 세트가 전처리 과정을 거친 후 인공신경망의 입력으로 되는 경우, 인공신경망의 성능 평가에 활용되는 데이터일 수 있다.
판단부(13)는 딥러닝 알고리즘에 적용 가능하도록 데이터 세트를 전처리할 수 있다. 판단부(13)는 데이터 세트에 포함된 가공 상태 이미지를 이용하여 철강 제품을 중심으로 하여 철강 제품이 포함되지 않은 이미지의 주변부 영역을 자르고, 딥러닝 알고리즘에 작용 가능한 사이즈로 자르는 과정을 수행할 수 있다. 또한, 판단부(13)는 가공 상태 이미지를 상하좌우 방향으로 평행 이 이동(Shift) 시킬 수 있다. 또한, 판단부(13)는 가공 상태 이미지를 뒤집을(flipping) 수 있다. 또한, 판단부(13)는 가공 상태 이미지의 색상을 조정할 수 있다. 판단부(13)는 복수의 전처리 과정 중 적어도 어느 하나를 수행하여 가공 상태 이미지를 딥러닝 알고리즘에 적용 가능한 상태로 전처리할 수 있다.
또한, 판단부(13)는 가공 상태 이미지 데이터의 데이터 수를 증가시키기 위해 이미지 데이터를 증폭시킬 수 있다. 판단부(13)는 이미지 데이터를 증폭시키기 위해 가공 상태 이미지 데이터의 회전, 뒤집기, 자르기 및 소음 섞기 중 적어도 어느 하나를 적용하여 가공 상태 이미지 데이터를 증폭시킬 수 있다.
판단부(13)는 전처리 과정을 거친 데이터 세트를 입력으로 하고 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 학습을 통한 인공신경망을 구축할 수 있다. 판단부(13)는 전처리 과정을 거치 데이터 세트를 입력으로 하고 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습을 통한 훈련 모델을 구축할 수 있다.
또한, 판단부(13)는 전처리 과정을 거친 데이터 세트는 합성곱신경망의 입력으로 하고, 완전연결 심층 신경망은 합성곱신경망의 출력 및 가공 상태 정보의 수치화 정보를 입력으로 하여 훈련 모델을 구축할 수 있다. 합성곱신경망은 복수의 가공 상태 이미지로부터 복수의 특징 패턴을 출력하고, 복수의 특징 패턴은 완전연결 심층 신경망에 의해 최종 분류될 수 있다.
판단부(13)는 신규 데이터 세트를 전처리 과정을 거친 후 인공신경망을 통해 가공 일치 여부를 수행할 수 있다. 또한, 판단부(13)는 인공신경망을 통해 수집된 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단할 수 있으나, 이에 한정되는 것은 아니다.
달리 말해, 판단부(13)는 미리 구축된 인공신경망을 이용하여 센싱부(12)를 통해 수집되는 철강 제품의 가공 상태 정보 및 이미지 가공 상태 정보를 이용하여 철강 제품의 절단 가공 요청 정보와의 일치 여부를 판단할 수 있다.
또한, 판단부(13)는 3D CAD를 이용하여 미리 시뮬레이션한 결과를 기반으로 센싱부(12)의 철강 제품의 가공 상태 정보 및 이미지 가공 상태 정보와의 일치 여부를 판단할 수 있다.
도 3을 참조하면, 복수의 절단가공 장비(2)는 이송부(21), 절단부(22), 밀링부(23), 및 연마부(24)를 포함할 수 있으나, 이에 한정되는 것은 아니다.
이송부(21)는 철강 제품을 이송할 수 있다. 이송부(21)는 컨베이어일 수 있다. 이송부(21)는 철강 제품을 제1 절단 가공 장비에서 제2절단가공장비로 이송할 수 있다.
절단부(22)는 톱날을 이용하여 철강 제품을 절단하는 제1 절단부 및 열을 이용하여 철강 제품을 절단하는 제2절단부를 포함할 수 있다.
절단부(22)는 이송부로부터 공급된 철강 제품을 절단 가공 요청 정보에 기반하여 절단할 수 있다. 절단부(22)는 철강 제품을 일정한 길이로 절단하는 컷터를 이용한 절단장치일 수 있다. 절단부(22)는 띠 모양 강철판의 한쪽 가장자리에 톱니를 내고 그 양쪽 끝을 접합하여 둥근 고리 모양을 만든 것으로 띠 톱 기계에 장착하여, 고속으로 회전시켜 금속을 절단하는 밴드쏘우(Bandsaw)일 수 있다. 또한, 절단부(22)는 열을 이용하여 특정 형상으로 철강 제품을 절단하기 위한 절단장치일 수 있다. 달리 말해, 절단부(22)는 철강 제품을 절단할 수 있는 절단장치일 수 있다.
밀링부(23)는 절단부를 거쳐 가공된 철강 제품을 절삭 가공할 수 있다. 밀링은 밀링머신으로 밀링커터를 사용하여 공작물을 절삭하는 가공법이다. 밀링부(23)는 철강 제품의 양 측면을 가공하는 밀링기, 4면을 가공할 수 있는 밀링기, 수평 밀링머신, 수직 밀링머신 등을 포함할 수 있으나, 밀링부(23)의 구성이 이에 한정되는 것은 아니다.
연마부(24)는 밀링부(23)를 거쳐 가공된 철강 제품의 평활도 및 평탄도를 유지하고, 광택을 높이기 위해 철강 제품의 표면을 연마할 수 있다.
제어부(14)는 절단 가공 요청 정보 및 판단 결과에 기반하여 복수의 절단 가공 장비(2)의 동작을 제어하는 제어 신호를 생성할 수 있다.
제어부(14)는 복수의 절단 가공 장비(2)의 동작을 제어하는 제어 신호에 초기 신호를 절단 가공 요청 정보에 기반하여 생성할 수 있다. 이후 복수의 절단 가공 장비(2)의 동작을 제어하는 제어 신호는 판단부(13)에서 판단되는 결과에 기반하여, 동작을 제어하는 제어 신호가 업데이트되어 제공될 수 있다. 달리 말해, 제1 절단 가공 장비는 초기 설정 값에 의해 제어될 수 있다. 이후, 제어부(14)는 제1절단 가공 장비를 거친 철강 제품의 상태 정보에 기반하여 판단 결과에 의해, 제2절단 가공 장비의 제어 신호를 생성할 수 있다.
예를 들어, 복수의 절단 가공 장비(2)의 동작을 제어하는 제어 신호는 규격에 맞도록 철강 제품을 위치시키고, 절단부(22)에 위치시키고, 절단부(22)를 동작시키는 제어 신호일 수 있다. 또한, 제어부(14)는 밀링부(23) 밀링 조도에 기반하여 밀링부(23)가 동작하도록 하는 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면 제어부(14)는 철강 제품의 가공 정보에 포함된 철강 제품의 소재(성분) 정보에 기반하여 톱날을 이용하여 철강 제품을 절단하는 제1 절단부 및 열을 이용하여 철강 제품을 절단하는 제2절단부 중 어느 하나의 동작을 제어하는 제어신호를 생성할 수 있다. 달리 말해, 센싱부(12)에 의해 철강 제품이 스틸강, 스텐레스, 알루미늄, 특수강 등 적어도 어느 하나로 구분될 수 있다. 제어부(14)는 상기와 같이 구분된 철강 제품의 소재(성분) 정보에 기반하여, 철강 제품의 절단에 적합한 제1절단부(미도시) 및 제2절단부(미도시)에 의해 절단될 수 있도록 제어 신호를 생성할 수 있다. 달리 말해, 제어부(14)는 철강 제품의 소재(성분) 정보에 기반하여 1절단부(미도시) 및 제2절단부(미도시)가 동작할 수 있도록 제어신호를 생성할 수 있다.
제어부(14)는 철강 제품이 제1 절단 가공 장치를 거쳐 가공된 제 1상태 정보 및 제1 이미지 상태 정보를 기반으로 학습된 판단부의 판단 결과에 기반하여 제2절단 가공 장치의 동작을 제어하는 제어 신호를 생성할 수 있다.
제어부(14)는 철강제품이 제2절단 가공 장치를 거쳐 가공된 제 2상태 정보 및 제2 이미지 상태 정보를 기반으로 학습된 판단부의 판단 결과에 기반하여 제3절단 가공 장치의 동작을 제어하는 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 센싱부(12)는 철강 제품을 초기의 상태 즉, 절단부(22)를 거치기 이전에 상태에서 소재(성분)을 센싱하여 정보를 추출할 수 있다. 센싱부(12)는 추출된 철강 제품의 소재(성분) 정보를 제어부(14)로 제공할 수 있다. 제어부(14)는 철강 제품의 소재(성분) 정보에 기반하여 이송부(21)에 위치한 철강 제품이 제1절단부(미도시) 또는 제2절단부(미도시)에 의해 가공될 것인지를 판단하고, 이송부(21)의 제어신호를 제1절단부(미도시) 또는 제2절단부(미도시)로 향하도록 생성할 수 있다.
예를 들어, 철강 제품이 톱날을 이용하여 철강 제품을 절단하는 제1절단부(미도시)에 의해 절단되는 것이 적합한 경우, 제어부(14)는 이송부(21)에 위치한 철강 제품이 제1절단부(미도시)로 향하도록 제어신호를 생성할 수 있다. 센싱부(12)는 철강 절단부(22)에서 가공되기 이전의 제 1상태 정보를 추출할 수 있다. 이때 추출되는 상태 정보는, 철강 제품의 규격, 밀링 조도 등을 포함할 수 있다. 제어부(14)는 절단 가공 요청 정보에 포함된 규격 정보에 기반하여 철강 제품을 절단하기 위한 절단부(22)의 제어 신호를 생성할 수 있다. 센싱부(12)는 제어부(14)의 제어 신호에 의해 동작된 절단부(22)를 거쳐 나온 철강 제품의 제2 상태정보인 규격, 밀링 조도, 이미지 가공 상태 정보를 획득할 수 있다. 제어부(14)는 센싱부(12)에서 제공받은 제2상태 정보에 기반하여, 밀링부(23)에서의 제어 신호를 생성할 수 있다.
예를 들어, 절단 가공 요청 정보에 포함된 규격 정보가 두께(T) 71T, 폭(W) 700mm일 경우, 판단부(13)는 센싱부(12)에서 제공받은 제 2 상태 정보와의 비교를 통해 일치 여부를 판단할 수 있다. 제어부(14)는 절단부(22)를 거쳐 나온 철강 제품이 밀링부(23)를 거쳐 나온 이후의 제3상태정보와 절단 가공 요청 정보가 일치하도록 밀링부(23)의 동작 제어 신호를 생성할 수 있다. 또한, 제어부(14)는 밀링부(23)에서 가공된 철강 제품의 판단 결과(제3상태정보)에 기반하여 연마부(24)의 동작을 제어하는 제어 신호를 생성할 수 있다. 예를 들어, 밀링부(23)에서 가공된 철강 제품의 판단 결과(제3상태정보)가 일치하는 경우, 연마부(24)를 거치지 않고, 사용자가 요구하는 가공 요청 정보와 일치하기 때문에, 연마부(24)가 동작하지 않도록 제어 신호를 생성할 수 있다. 달리 말해, 제어부(14) 밀링부(23)를 거쳐 나온 철강 제품이 이송부(21)를 통해 최종 생성 철강 제품으로 구분되도록 제어 신호를 생성할 수 있다. 반면, 밀링부(23)에서 가공된 철강 제품의 판단 결과가 일치하지 않는 경우, 철강 제품이 연마부(24)에 구비되어 가공되도록 연마부(24)의 제어 신호를 생성할 수 있다.
즉, 제어부(14)는 사용자 단말로부터 제공받은 철강 제품의 절단 가공 요청 정보와 최종적으로 생성되는 철강 제품의 상태 정보가 일치하도록, 복수의 절단 가공 장비 각각의 제어신호를 생성할 수 있다.
다시 한번 말하자면, 센싱부(12)는 절단부(22)에서 가공되기 이전의 철강 제품의 상태인 제1상태정보를 센싱할 수 있다. 제어부(14)는 제1상태정보에 기반하여 절단부(22)의 동작을 제어하는 제어 신호를 생성할 수 있다. 센싱부(12)는 절단부(22)에서 가공된 후의 철강 제품 상태인 제2상태 정보를 센싱할 수 있다. 판단부(13)는 제2상태 정보와 가공 요청 정보와의 일치 여부를 판단할 수 있다. 제어부(14)는 판단 결과에 기반하여 밀링부(23)의 동작을 제어하는 제어 신호를 생성할 수 있다. 센싱부(12)는 밀링부(23)에서 가공된 후의 철강 제품 상태인 제3상태 정보를 센싱할 수 있다. 판단부(13)는 제3상태 정보와 가공 요청 정보와의 일치 여부를 판단할 수 있다. 제어부(14)는 판단 결과에 기반하여 연마부(24)의 동작을 제어하는 제어 신호를 생성할 수 있다. 센싱부(12)는 연마부(23)에서 가공된 후의 철강 제품 상태인 제4상태 정보를 센싱할 수 있다. 판단부(13)는 제4상태 정보와 가공 요청 정보와의 일치 여부를 판단할 수 있다. 제어부(14)는 판단 결과에 기반하여 복수의 절단 가공 장비 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다. 제어부(14)는 제4상태 정보에 기반하여 최종적으로 절단 가공 요청 정보와 일치하도록 복수의 절단 가공 장비 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다. 판단부(13)의 판단 결과, 제4 상태 정보와 절단 가공 요청 정보가 일치하는 경우, 제어부(14)는 복수의 절단 가공 장비가 중단되도록 제어 신호를 생성할 수 있다.
본원의 일 실시예에 따르면, 산출부(15)는 제1 사용자 정보 및 절단 가공 요청 정보로부터 가공 요청 패턴을 산출할 수 있다. 산출부(15)는 제1사용자 단말과 연계된 제1사용자 정보 및 절단 가공 요청 정보를 입력으로 하는 비지도 학습 기반의 패턴 산출 모델을 구축하여 개인 사용자(기업 사용자)의 가공 요청 패턴을 산출할 수 있다. 산출부(15)는 제1 사용자 정보 및 절단 가공 요청 정보를 정형화하여 비지도 학습 기반의 패턴 산출 모델을 입력으로 사용할 수 있다. 정형화는 예들 들어, 철강 제품 절단 가공 요청 일자, 요청 시간, 요청 주기, 철강 제품의 종류, 용도, 규격을 수치화한 것일 수 있다. 예시적으로, 산출부(15)는 철강 제품의 종류(소재) 및 용도에 대해 종류 및 용도 각각에 따라 코드를 부여하여 수치화할 수 있다.
산출부(15)는 비지도 학습 기반의 군집 알고리즘에 기초하여 가공 요청 패턴을 산출할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아닌 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 산출부(15)는 군집 알고리즘에 기초하여 가공 요청 패턴을 군집하여 산출할 수 있고, 분리도에 기초하여 새로운 요청 패턴 및 가공 요청 패턴을 검출할 수 있다. 예시적으로 상기 비지도 학습을 위한 군집 알고리즘에는 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있다.
또한, 산출부(15)는 상술한 알고리즘 외에도 Extra Tree 알고리즘, XG Boost 알고리즘 및 Deep Learning 알고리즘, K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘과 같은 군집 알고리즘을 통해 비지도 학습을 수행할 수 있다. Random Forest 알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree 알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결 과를 다음 트리에 적용하는 boost 방식의 알고리즘이다. Deep Learning 알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K 개의 군집으로 반복 세분화하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한, EM & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화하는 기법을 의미한다.
추천부(16)는 가공 요청 패턴에 기초하여 신규 철강 제품 절단 가공에 대한 맞춤형 가공 정보를 추천할 수 있다. 예시적으로, 어느 사용자의 가공 요청 패턴이 산출되면, 다음에 요청할 철강 제품의 종류와 용도가 결정되어 맞춤형 목재 정보로서 생성될 수 있다. 달리 말해, 추천부(16)는 가공 요청 패턴에 기초하여 신규 철강 제품 절단 가공 요청 정보에 대한 맞춤형 가공 정보를 추천 정보를 생성하여 통신부(17)를 통해 사용자 단말(3)로 전송할 수 있다.
또한, 추천부(16)는 제1사용자의 업종, 판매 형태, 판매 상품 종류, 상품 규모, 생산 종류 중 적어도 어느 하나를 포함하는 사용자 정보를 고려하여 맞춤형 가공 정보를 생성할 수 있다. 달리 말해, 철강 제품의 절단 가공 요청 정보로서 사용 용도만을 수신하였으나, 제1사용자가 이전에 절단 가공을 요청한 정보가 있는 경우 이전 기록에 기반하여 맞춤형 가공 정보를 추천할 수 있다.
통신부(17)는 맞춤형 가공 정보를 제1사용자 단말(철강 제품 절단 요청 사용자)로 전송할 수 있다. 또한, 통신부(17)는 최종 절단 가공이 완료된 경우, 사용자 단말(예를 들어, 철강 제품 절단 요청 사용자 및 관리자)로 알림 메시지를 전송할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 4는 본원의 일 실시예에 따른 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법에 대한 동작 흐름도이다.
도 4에 도시된 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법은 앞서 설명된 절단 가공 시스템(1)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 절단 가공 시스템(1)에 대하여 설명된 내용은 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법에 대한 설명에도 동일하게 적용될 수 있다.
단계 S401에서 절단 가공 시스템(1)은 사용자 단말(3)로부터 철강 제품의 절단 가공 요청 정보를 수신할 수 있다.
단계 S402에서 절단 가공 시스템(1)은 절단 가공 요청 정보에 기반하여 복수의 절단 가공 장비(2)의 동작을 제어하는 제어 신호를 생성할 수 있다.
단계 S403에서 절단 가공 시스템(1)은 철강 제품의 가공 상태 정보를 수집할 수 있다.
단계 S404에서 절단 가공 시스템(1)은 수집된 철강 제품의 가공 상태 정보 및 절단 가공 요청 정보를 비교하여 가공 일치 여부를 판단할 수 있다. 이때, 절단 가공 시스템(1)은 판단 결과에 기반하여 복수의 절단 가공 장비(2) 중 적어도 어느 하나의 동작을 제어하는 제어 신호를 생성할 수 있다.
상술한 설명에서, 단계 S401 내지 S404은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
1: 절단 가공 시스템
11: 수신부 12: 제어부
13: 센싱부 14: 판단부
2: 복수의 절단 가공 장비
21: 이송부 22: 절단부
23: 밀링부 24: 연마부
3: 사용자 단말
11: 수신부 12: 제어부
13: 센싱부 14: 판단부
2: 복수의 절단 가공 장비
21: 이송부 22: 절단부
23: 밀링부 24: 연마부
3: 사용자 단말
Claims (13)
- 지능형 철강 제품 절단 가공 시스템에 있어서,
사용자 단말로부터 철강 제품의 절단 가공 요청 정보를 수신하는 수신부;
복수의 절단 가공 장비에 구비되어, 철강 제품의 가공 상태 정보를 수집하는 센싱부;
수집된 상기 가공 상태 정보 및 절단 가공 요청 정보를 구축된 인공신경망에 적용하여 가공 일치 여부를 판단하는 판단부; 및
상기 절단 가공 요청 정보 및 판단 결과에 기반하여 복수의 절단 가공 장비 중 적어도 어느 하나의 복수의 절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 제어부를 포함하되,
상기 센싱부는
복수의 절단 가공 장비 각각에 구비되어, 상기 철강 제품의 초기 이미지 상태 정보 및 상기 복수의 절단 가공 장비를 거쳐 가공된 철강 제품의 이미지 상태 정보를 포함하는 철강 제품의 이미지 가공 상태 정보를 수집하기 위한 촬영부를 포함하고,
상기 판단부는,
상기 이미지 가공 상태 정보를 상기 센싱부로부터 센싱된 가공 상태 정보에 포함된 가공 상태 수치화 정보와 연계하여 인공신경망 학습에 요구되는 학습용 데이터 세트 및 인공신경망의 학습의 진행 정보를 검증하기 위한 검증용 데이터 세트로 분류하여 데이터 세트를 생성하되,
상기 인공신경망은,
딥러닝 알고리즘에 적용 가능한 상태로 전처리된 상기 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습을 통해 구축된 판단 모델을 포함하되,
상기 판단부는,
상기 전처리된 이미지 가공 상태 정보의 데이터 수를 증가시키기 위해 상기 이미지 가공 상태 정보의 데이터를 회전, 뒤집기, 자르기 및 소음 섞기 중 적어도 어느 하나를 적용하여 이미지 가공 상태 정보의 데이터를 증폭시키는 전처리를 수행하는 것인, 절단 가공 시스템. - 삭제
- 제1항에 있어서,
상기 판단부는,
수집된 상기 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고 상기 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 학습을 통해 구축된 인공신경망에 기초하여, 상기 절단 가공 요청 정보와의 일치 여부를 판단하는, 절단 가공 시스템. - 삭제
- 제1항에 있어서,
상기 복수의 절단 가공 장비는,
상기 철강 제품을 이송하는 이송부;
상기 이송부로부터 공급된 상기 철강 제품을 상기 절단 가공 요청 정보에 기반하여 절단하는 절단부;
상기 절단부를 거쳐 가공된 상기 철강 제품을 절삭 가공하는 밀링부;
상기 밀링부를 거쳐 가공된 상기 철강 제품의 평활도 및 평탄도를 유지하고 광택을 높이기 위해 상기 철강 제품의 표면을 연마하는 연마부;
를 포함하는, 절단 가공 시스템. - 제5항에 있어서,
상기 제어부는,
상기 철강 제품의 가공 정보에 기반하여 톱날을 이용하여 상기 철강 제품을 절단하는 제1절단부 및 열을 이용하여 상기 철강 제품을 절단하는 제2절단부 중 어느 하나의 동작을 제어하는 제어 신호를 생성하는 것인, 절단 가공 시스템. - 제6항에 있어서,
상기 제어부는,
상기 철강 제품이 제1 절단 가공 장비를 거쳐 가공된 제 1상태 정보 및 제1 이미지 상태 정보를 기반으로 학습된 상기 판단부의 판단 결과에 기반하여 제2절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 것인, 절단 가공 시스템. - 제7항에 있어서,
상기 제어부는,
상기 철강 제품이 상기 제2절단 가공 장비를 거쳐 가공된 제 2상태 정보 및 제2 이미지 상태 정보를 기반으로 학습된 상기 판단부의 판단 결과에 기반하여 제3절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 것인, 절단 가공 시스템. - 제1항에 있어서,
상기 절단 가공 요청 정보는,
상기 철강 제품의 소재, 규격, 형상, 수량, 밀링 조도 및 사용 용도 중 적어도 어느 하나를 포함하는 것인, 절단 가공 시스템. - 제1항에 있어서,
제1사용자 단말로부터 상기 절단 가공 요청 정보를 수신한 경우,
제1사용자 정보 및 상기 절단 가공 요청 정보로부터 가공 요청 패턴을 산출하는 산출부;
상기 가공 요청 패턴에 기초하여 신규 철강 제품 절단 가공 요청 정보에 대한 맞춤형 가공 정보를 추천하는 추천부; 및
상기 맞춤형 가공 정보를 상기 제1사용자 단말로 전송하는 통신부를 더 포함하는, 절단 가공 시스템. - 제10항에 있어서,
상기 추천부는,
제1사용자의 업종, 판매 형태, 판매 상품 종류, 상품 규모, 생산 종류 중 적어도 어느 하나를 포함하는 사용자 정보를 고려하여 상기 맞춤형 가공 정보를 생성하는 것인, 절단 가공 시스템. - 제1항에 있어서,
상기 상태 정보는,
상기 철강 제품이 복수의 절단 가공 장비를 거친 이후 변화된 상기 철강 제품의 정보를 포함하는 정보인 것인, 절단 가공 시스템. - 지능형 철강 제품 절단 가공 시스템의 철강 제품 절단 가공 방법에 있어서,
사용자 단말로부터 절단 가공 요청 정보를 수신하는 단계;
상기 절단 가공 요청 정보에 기반하여 복수의 절단 가공 장비의 동작을 제어하는 제어 신호를 생성하는 단계;
상기 철강 제품의 가공 상태 정보를 수집하는 단계;
수집된 상기 가공 상태 정보 및 절단 가공 요청 정보를 구축된 인공신경망에 적용하여 가공 일치 여부를 판단하는 단계를 포함하되,
상기 제어 신호를 생성하는 단계는, 판단 결과에 기반하여 상기 복수의 절단 가공 장비 중 적어도 어느 하나의 복수의 절단 가공 장비의 동작을 제어하는 제어 신호를 생성하되,
상기 수집하는 단계는,
상기 철강 제품의 이미지 가공 상태 정보를 수집하는 단계를 포함하되,
상기 철강 제품의 이미지 가공 상태 정보를 수집하는 단계는, 복수의 절단 가공 장비 각각에 구비된 촬영부로부터 상기 철강 제품의 초기 이미지 상태 정보 및 상기 복수의 절단 가공 장비를 거쳐 가공된 철강 제품의 이미지 상태 정보를 수집하고,
상기 판단하는 단계는,
상기 이미지 가공 상태 정보를 수집된 가공 상태 정보에 포함된 가공 상태 수치화 정보에 연계하여 인공신경망 학습에 요구되는 학습용 데이터 세트 및 인공신경망의 학습의 진행 정보를 검증하기 위한 검증용 데이터 세트로 분류하여 데이터 세트를 생성하되,
상기 인공신경망은,
딥러닝 알고리즘에 적용 가능한 상태로 전처리된 상기 가공 상태 정보 및 이미지 가공 상태 정보를 입력으로 하고 철강 제품의 가공 결과에 관한 항목을 출력으로 하는 합성곱신경망(Convolutional Neural Networks) 및 완전연결 심층 신경망 (Fully-connected Neural Networks)의 학습을 통해 구축된 판단 모델을 포함하되,
상기 판단하는 단계는,
상기 전처리된 이미지 가공 상태 정보의 데이터 수를 증가시키기 위해 상기 이미지 가공 상태 정보의 데이터를 회전, 뒤집기, 자르기 및 소음 섞기 중 적어도 어느 하나를 적용하여 이미지 가공 상태 정보의 데이터를 증폭시키는 전처리를 수행하는 것인, 절단 가공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180136517A KR102019376B1 (ko) | 2018-11-08 | 2018-11-08 | 지능형 철강 제품 절단 가공 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180136517A KR102019376B1 (ko) | 2018-11-08 | 2018-11-08 | 지능형 철강 제품 절단 가공 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102019376B1 true KR102019376B1 (ko) | 2019-09-06 |
Family
ID=67950022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180136517A KR102019376B1 (ko) | 2018-11-08 | 2018-11-08 | 지능형 철강 제품 절단 가공 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102019376B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102147609B1 (ko) * | 2019-12-12 | 2020-08-24 | 박성룡 | 프레스 금형용 철강 제조 공정을 위한 제어 방법 및 장치 |
| KR102193189B1 (ko) * | 2020-02-12 | 2020-12-18 | 주식회사 삼도 | 절삭 공구 제조 방법 |
| KR102500442B1 (ko) * | 2022-02-10 | 2023-02-16 | 윤춘기 | 지능형 챔버용 금속 부품 생산 시스템 및 방법 |
| KR102643333B1 (ko) * | 2023-02-13 | 2024-03-04 | 정현석 | 지능형 알루미늄 부품 가공 시스템 및 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63180424A (ja) * | 1987-01-20 | 1988-07-25 | Fuji Tool & Die Co Ltd | インプツトシヤフトの加工方法 |
| JP2961622B2 (ja) * | 1990-09-29 | 1999-10-12 | 豊田工機株式会社 | インテリジェント加工システム |
| KR20010032067A (ko) * | 1998-09-14 | 2001-04-16 | 마키노 지로 | 가공 처리 장치 |
| KR20130074820A (ko) * | 2011-12-23 | 2013-07-05 | 삼성중공업 주식회사 | 절단 장비 및 그 제어 방법 |
| KR20180007657A (ko) * | 2016-07-13 | 2018-01-23 | 삼성전자주식회사 | 뉴럴 네트워크를 위한 방법 및 그 방법을 수행하는 장치 |
-
2018
- 2018-11-08 KR KR1020180136517A patent/KR102019376B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63180424A (ja) * | 1987-01-20 | 1988-07-25 | Fuji Tool & Die Co Ltd | インプツトシヤフトの加工方法 |
| JP2961622B2 (ja) * | 1990-09-29 | 1999-10-12 | 豊田工機株式会社 | インテリジェント加工システム |
| KR20010032067A (ko) * | 1998-09-14 | 2001-04-16 | 마키노 지로 | 가공 처리 장치 |
| KR20130074820A (ko) * | 2011-12-23 | 2013-07-05 | 삼성중공업 주식회사 | 절단 장비 및 그 제어 방법 |
| KR20180007657A (ko) * | 2016-07-13 | 2018-01-23 | 삼성전자주식회사 | 뉴럴 네트워크를 위한 방법 및 그 방법을 수행하는 장치 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102147609B1 (ko) * | 2019-12-12 | 2020-08-24 | 박성룡 | 프레스 금형용 철강 제조 공정을 위한 제어 방법 및 장치 |
| KR102193189B1 (ko) * | 2020-02-12 | 2020-12-18 | 주식회사 삼도 | 절삭 공구 제조 방법 |
| KR102500442B1 (ko) * | 2022-02-10 | 2023-02-16 | 윤춘기 | 지능형 챔버용 금속 부품 생산 시스템 및 방법 |
| KR102643333B1 (ko) * | 2023-02-13 | 2024-03-04 | 정현석 | 지능형 알루미늄 부품 가공 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102019376B1 (ko) | 지능형 철강 제품 절단 가공 시스템 및 방법 | |
| Zhang et al. | Modeling and optimization of medium-speed WEDM process parameters for machining SKD11 | |
| Mehnen et al. | Design for wire and arc additive layer manufacture | |
| Vazquez et al. | Swarm intelligent selection and optimization of machining system parameters for microchannel fabrication in medical devices | |
| Taherkhani et al. | Achieving maximum dimensional accuracy and surface quality at the shortest possible time in single-point incremental forming via multi-objective optimization | |
| Ulutan et al. | Multiobjective optimization of experimental and simulated residual stresses in turning of nickel-alloy IN100 | |
| Perig et al. | Effect of 2θ-punch shape on material waste during ECAE through a 2θ-die | |
| Malaga et al. | Material selection for metal additive manufacturing process | |
| Campi et al. | An analytical cost estimation model for the design of axisymmetric components with open-die forging technology | |
| Ullah et al. | A review on part geometric precision improvement strategies in double-sided incremental forming | |
| Zhbankov et al. | Forging of ingots without hot tops | |
| Huang et al. | Optimization of oval–round pass design using genetic algorithm | |
| JP5673567B2 (ja) | 製造プロセスの能率予測方法、装置及びプログラム | |
| Poursina et al. | Optimum pre-form dies in two-stage forging | |
| Jagtap et al. | An experimental study on geometric accuracy in hybrid incremental sheet forming | |
| Pholdee et al. | Optimization of flatness of strip during coiling process based on evolutionary algorithms | |
| Huang et al. | Development of energy-saving optimization for the oval-edging oval pass design using genetic algorithm | |
| Ragab et al. | Effect of extrusion temperature on the surface roughness of solid state recycled aluminum alloy 6061 chips during turning operation | |
| Ding et al. | Computer-integrated manufacturing system for tube bending | |
| Bataev et al. | Digital Transformation of Industry: A Model of Economic Efficiency of Introduction of Industrial Robots in Russia | |
| Zhuang et al. | The influences of process parameters on the preliminary roll-forging process of the AISI-1045 automobile front axle beam | |
| Kumar et al. | Experimental analysis of tool geometry and tool rotation in SPIF process on AA7075-O alloy using ML and ANN approach | |
| Piat et al. | A Framework to Optimize Laser Welding Process by Machine Learning in a SME Environment | |
| Chakraborty et al. | Analysis and optimization of die geometry for forging dies in railway wheel manufacturing | |
| Thakkar et al. | Prediction of longitudinal facial crack in steel thin slabs funnel mold using different machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |