KR102042156B1 - 3d 프린터의 건전성 진단 방법 및 장치 - Google Patents

3d 프린터의 건전성 진단 방법 및 장치 Download PDF

Info

Publication number
KR102042156B1
KR102042156B1 KR1020170168652A KR20170168652A KR102042156B1 KR 102042156 B1 KR102042156 B1 KR 102042156B1 KR 1020170168652 A KR1020170168652 A KR 1020170168652A KR 20170168652 A KR20170168652 A KR 20170168652A KR 102042156 B1 KR102042156 B1 KR 102042156B1
Authority
KR
South Korea
Prior art keywords
data
printer
feature
health
acceleration data
Prior art date
Application number
KR1020170168652A
Other languages
English (en)
Other versions
KR20190068349A (ko
Inventor
이상원
김정섭
이창수
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020170168652A priority Critical patent/KR102042156B1/ko
Priority to US16/214,536 priority patent/US11506574B2/en
Publication of KR20190068349A publication Critical patent/KR20190068349A/ko
Application granted granted Critical
Publication of KR102042156B1 publication Critical patent/KR102042156B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/227—Driving means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/245—Platforms or substrates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C37/00—Component parts, details, accessories or auxiliary operations, not covered by group B29C33/00 or B29C35/00
    • B29C2037/90—Measuring, controlling or regulating
    • B29C2037/903—Measuring, controlling or regulating by means of a computer

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)

Abstract

본 발명은 3D 프린터의 건전성 진단 방법 및 장치에 관한 것으로, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계, 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계, 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 단계를 포함하는 3D 프린터의 건전성 진단 방법을 개시한다.

Description

3D 프린터의 건전성 진단 방법 및 장치{Method and apparatus for diagnosing soundness of three-dimensional printer}
본 발명은 3D 프린터(three-dimensional printer)의 진단 기술에 관한 것으로, 보다 상세하게는, 3D 프린터의 건전성 진단 방법 및 장치에 관한 것이다.
일반적으로 3차원의 입체 형상을 가진 시제품(Prototype)을 제작하기 위해서는 도면에 의존하는 수작업에 의해 이루어지는 목합 제작방식과 CNC(Computerized Numerical Control) 밀링에 의한 제작방식 등이 있다. 그러나 목합 제작방식은 수작업에 의하므로 정교한 수치제어가 어렵고 많은 시간이 소요된다. CNC 밀링에 의한 제작방식은 정교한 수치제어가 가능하지만 공구간섭에 의하여 가공하기 어려운 형상이 많다.
따라서, 제품의 디자이너 및 설계자가 만들어낸 3차원 모델링에서 생성된 데이터를 저장한 컴퓨터를 이용하여 3차원 입체 형상의 시제품을 제작하는 이른바 3차원 프린터 방식이 등장하게 되었다. 시제품 개발 단계에서 프로토 타입의 제조 또는 다품종 소량 생산 시 간단하고 저렴한 비용으로 물체의 입체 형상을 출력하기 위한 3차원 프린팅 기술이 각광받고 있다. 3차원 프린팅은 물체의 입체 형상을 3차원 그래픽 설계 프로그램을 통해 분석하여 2차원 단면 형상 데이터의 조합으로 생성한 후 이러한 2차원 단면형상 데이터 정보에 따라 ABS(Acrylonitrile Butadiene Styrene)나 PLA(PolyLactic Acid)와 같은 열가소성 수지 등의 원료물질을 다양한 방법으로 출력 베드에 형성하여 물체의 입체 형상을 구현하는 기술이다.
이러한 3차원 프린터 방식에는 광경화성 수지에 레이저 광선을 주사하여 주사된 부분이 경화되는 원리를 이용한 SLA(StereoLithograhhic Apparatus) 방식과, SLA에서의 광경화성 수지 대신에 기능성 고분자 또는 금속분말을 사용하며 레이저 광선을 주사하여 고결(固結)시켜 성형하는 원리를 이용한 SLS(Selective Laser Sintering) 방식과, 접착제가 칠해져 있는 종이를 원하는 단면으로 레이저 광선을 이용하여 절단하여 한 층씩 적층하여 성형하는 LOM(Laminated Object Manufacturing) 방식과, 잉크젯(Ink-Jet) 프린터 기술을 이용한 BPM(Ballistic Particle Manufacturing)과 가열된 노즐을 사용 조형 재료를 녹여 층층이 쌓아올려 조형하는 FDM(Fused deposition modeling) 방식 등이 있다. FDM 방식은 3차원 프린팅의 종류에는 원료물질을 압출하여 출력 베드에 순차적으로 적층하여 입체 형상을 구현한다. 이러한 FDM 방식은 FFF(Fused Filament Fabrication) 방식으로 지칭되기도 한다.
종래의 적층 조형 방식인 FDM 방식 또는 FFF 방식을 사용하는 3차원 프린터는 원료물질을 압출할 때, 원료물질이 되는 열가소성 수지를 실타래 형태로 출력 노즐 유니트에 공급한다. 그리고 출력 노즐 유니트 내의 공급 롤러가 회전하여 원료물질을 히터부로 이송시킨다. 이송된 원료물질이 히터부에서 녹아 점성이 생기고 액화된 원료물질을 노즐에서 사출하여 출력 베드에 적층시키는 원리이다.
한국 공개특허공보 제10-2015-0099026호(2015년08월31일 공개)
3D 프린터는 벨트, 볼트, 플레이트 등 다양한 구성부품으로부터 고장이 발생된다. 이러한 고장이 발생될 때 작업자의 육안으로 출력물의 외부 형상을 확인한 후 3D 프린팅 공정을 중단하거나, 공정 후 오프라인 상태에서 계측 장비를 통해 외부 및 내부 품질 불량을 확인함으로써 장비의 고장을 판단한다. 하지만, 작업자의 경험에 의존할 경우, 객관적이고 일관성 있는 장비의 고장 진단이 어렵다. 새로운 작업자들은 다시 경험을 쌓아야 하는 문제점을 가지고 있다. 또한, 공정 후 계측 장비를 통해 고장 진단을 할 경우, 공정 중단으로 인한 시간 및 소재의 낭비가 심하므로 전체 공정의 효율적 측면에서도 많은 문제점을 가지고 있다.
본 발명의 실시 예들은 3D 프린팅 공정에서 3D 프린터에 부착된 센서(예컨대, 가속도 센서, 음향 방출 센서 등)를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출하고 도출된 특징요소를 바탕으로 기계학습론을 적용한 장비 건전성 진단 모델을 이용하여 3D 프린터 부품의 장비 건전성을 객관적이고 일관성 있게 진단할 수 있는, 3D 프린터의 건전성 진단 방법 및 장치를 제공하고자 한다.
본 발명의 실시 예들은 3D 프린터의 건전성 진단 결과를 기초로 하여 3D 프린터의 주요 부품의 고장 여부를 정확하게 진단하고 예측할 수 있는, 3D 프린터의 건전성 진단 방법 및 장치를 제공하고자 한다.
본 발명의 일 실시 예에 따르면, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계; 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계; 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 단계를 포함하는 3D 프린터의 건전성 진단 방법이 제공될 수 있다.
상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함할 수 있다.
상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함할 수 있다.
상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함할 수 있다.
상기 방법은, X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함할 수 있다.
상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함할 수 있다.
상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나를 포함할 수 있다.
상기 적어도 하나를 수집 데이터로 수집하는 단계는, 상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다.
상기 적어도 하나의 특징요소를 도출하는 단계는, 상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출할 수 있다.
상기 방법은, 상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측하는 단계를 더 포함할 수 있다.
한편, 본 발명의 다른 실시 예에 따르면, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 데이터 수집부; 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 특징요소 도출부; 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 건전성 진단부를 포함하는 3D 프린터의 건전성 진단 장치가 제공될 수 있다.
상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함할 수 있다.
상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함할 수 있다.
상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함할 수 있다.
X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함할 수 있다.
상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함할 수 있다.
상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나 이상을 포함할 수 있다.
상기 데이터 수집부는, 상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다.
상기 특징요소 도출부는, 상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출할 수 있다.
상기 건전성 진단부는, 상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측할 수 있다.
본 발명의 실시 예들은 3D 프린팅 공정에서 3D 프린터에 부착된 센서(예컨대, 가속도 센서, 음향 방출 센서 등)를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출하고 도출된 특징요소를 바탕으로 기계학습론을 적용한 장비 건전성 진단 모델을 이용하여 3D 프린터 부품의 장비 건전성을 객관적이고 일관성 있게 진단할 수 있다.
본 발명의 실시 예들은 3D 프린터의 건전성 진단 결과를 기초로 하여 3D 프린터의 주요 부품의 고장 여부를 정확하게 진단하고 예측할 수 있다.
본 발명의 실시 예들은 온라인으로 3D 프린터의 부품이나 장비에 대해 건전성을 진단함으로써, 3D 프린팅에 소요되는 시간 및 소재를 절약할 수 있다.
본 발명의 실시 예들은 3D 프린터의 장비/부품 고장을 예측하여 예방정비를 수행하는데 기여할 수 있으며, 이를 통해 출력물의 품질 또한 향상될 수 있다.
또한, 본 발명의 실시 예들은 건전성 진단 대상이 되는 3D 프린터의 3D 프린팅 공정 모니터링을 통한 다운타임을 최소화할 수 있고, 생산성을 향상시킬 수 있다.
더 나아가, 본 발명의 실시 예들은 3D 프린터를 동작시키기 위한 작업인력 교육비용을 절감할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 다른 실시 예에 따른 3D 프린터의 건전성 진단 장치를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치의 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 수집된 수집 데이터를 설명하기 위한 도면이다.
도 5 내지 도 10은 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 도출된 특징요소를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치에서 사용되는 확률신경망 이론 기반의 장비 건전성 진단 모델을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치를 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 건전성 진단 장치(100)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102, 103, 104)와 음향 방출 센서(101) 중 적어도 하나를 통해 수집된 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하여 3D 프린터 부품의 건전성을 진단한다.
우선, 본 발명의 일 실시 예에 사용되는 FDM 방식의 3D 프린터(10)를 살펴보기로 한다. FDM 방식의 3D 프린터의 원재료인 필라멘트(Filament)는 열에 녹는 물질을 가는 실 형태로 가공하여 스플(Spool)에 감아서 사용한다. FDM 방식의 3D 프린터는 필라멘트를 이송시키는 피더(Feeder)와 필라멘트(Filament)를 녹여서 분사하기 위한 노즐을 탑재하고 인쇄위치로 이동시키는 캐리어 및 출력물을 적재 및 인쇄 위치를 이동시키는 배드를 포함한다. 스풀에 감겨져 있는 필라멘트는 피더를 통하여 연속으로 이송시켜서 노즐로 주입된다. 노즐에 주입된 필라멘트는 노즐에서 발생하는 열에 의해 액체상태로 되어 노즐 밖으로 분사되어 출력물을 적재하는 배드에 쌓이게 된다. 분사된 액체상태의 필라멘트는 캐리어와 배드의 이동에 의해 이미지가 형성되어 결과로써 3차원 출력물이 형성되도록 동작된다.
FDM 방식의 3D 프린터(10)는 X축, Y축, Z축 구동부를 포함한다. X축, Y축, Z축 구동부는 모터로부터 발생한 동력을 캐리어 및 배드에 전달하여 히터노즐을 해당 인쇄위치로 이동시킨다. 3D 프린터(10)의 부품에는 이러한 이동 동작을 위해 벨트, 볼트 및 플레이트 중에서 적어도 하나의 다양한 구성 부품이 포함될 수 있다.
본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 3D 프린터(10)에 부착된 각 센서를 이용하여 수집 데이터를 수집한 후, 센서 데이터의 특징요소를 도출한다. 예컨대, 3D 프린터(10)에는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)가 포함된 각 축의 가속도 센서, 또는 음향 방출 센서(101) 등이 부착될 수 있다. 그리고 건전성 진단 장치(100)는 도출된 특징요소를 바탕으로 기계학습론을 적용한 장비 건전성 진단 모델을 이용하여 3D 프린터 부품의 장비 건전성을 객관적이고 일관성 있게 진단할 수 있다.
변형 예로, 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 2개의 제1 및 제2 증폭기(105, 106)와 아날로그/디지털(A/D) 컨버터(107)를 포함할 수 있다. 제1 증폭기(105)는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)와 연결되고, 각축의 가속도 센서에서 측정된 각축의 가속도 데이터 신호를 증폭시킨다. 또한, 제2 증폭기(106)는 음향 방출 센서(101)와 연결되고, 음향 방출 센서(101)에서 측정된 음향 방출 데이터 신호를 증폭시킨다. 그리고 A/D 컨버터(107)는 제1 및 제2 증폭기(105, 106)와 A/D 컨버터(107)와 연결되고, 증폭시킨 아날로그 신호를 디지털 신호로 변환하여 건전성 진단 장치(100)로 전달한다.
이를 통해, 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 적어도 하나의 센서(101 내지 104)를 통해 수집한 수집 데이터를 이용하여 압출 적층 조형 기반 3D 프린터의 공정을 모니터링 및 기계학습을 적용한 3D 프린터의 주요 부품에 대한 건전성 진단 모델을 구축할 수 있다. 3D 프린터의 건전성 진단 장치(100)는 구축된 건전성 진단 모델을 기반으로 건전성을 정확하게 진단함으로써, 주관적인 작업자의 경험 및 공정 중단 후 오프라인 측정에 의존하지 않는 강건한 온라인 장비 건전성 진단 장치를 제공할 수 있다.
도 2는 본 발명의 다른 실시 예에 따른 3D 프린터의 건전성 진단 장치를 설명하기 위한 도면이다.
도 1에 도시된 건전성 진단 장치는 X축 가속도 센서(102), Y축 가속도 센서(103), Z축 가속도 센서(104)와 음향 방출 센서(101)를 3D 프린터(10)에 부착하여 각각의 수집 데이터를 수집한다.
이와 다르게, 도 2에 도시된 본 발명의 다른 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 3D 프린터(10)에 부착하고, X축 가속도 센서(102) 및 Y축 가속도 센서(103) 중 적어도 하나를 통해 수집된 가속도 데이터를 수집 데이터로 수집한다. 즉, 본 발명의 다른 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 도 1과 다르게 Z축 가속도 센서(104)와 음향 방출 센서(101)를 제외한 2개의 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 통해 수집 데이터를 수집한다.
본 발명의 다른 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 3D 프린터(10)에 부착된 X축 가속도 센서(102) 및 Y축 가속도 센서(103)를 이용하여 수집 데이터를 수집한 후, 각 센서 데이터의 특징요소를 도출한다. 그리고 건전성 진단 장치(100)는 X축 가속도 데이터 및 Y축 가속도 데이터에 대해 도출된 X축 가속도 특징요소와 Y축 가속도 특징요소를 바탕으로 기계학습론을 적용한 장비 건전성 진단 모델을 이용하여 3D 프린터 부품의 장비 건전성을 객관적이고 일관성 있게 진단할 수 있다.
변형 예로, 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 1개의 제1 증폭기(105)와 A/D 컨버터(107)를 포함할 수 있다. 제1 증폭기(105)는 X축 가속도 센서(102), Y축 가속도 센서(103)와 연결되고, 각축의 가속도 센서에서 측정된 각축의 가속도 데이터 신호를 증폭시킨다. 그리고 A/D 컨버터(107)는 제1 증폭기(105)와 A/D 컨버터(107)와 연결되고, 증폭시킨 아날로그 신호를 디지털 신호로 변환하여 건전성 진단 장치(100)로 전달한다.
도 3은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치의 구성을 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 데이터 수집부(110), 특징요소 도출부(120) 및 건전성 진단부(130)를 포함한다.
이하, 도 3의 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.
데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102 내지 104)와 음향 방출 센서(101) 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집한다. 데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다. 이와 같이, 무선통신을 이용하여 수집 데이터를 수집하는 것은 3D 프린터의 건전성 진단 장치가 3D 프린터의 부품의 건전성을 원격에서 진단하기 위함이다. 일례로, 데이터 수집부(110)는 압출 적층 조형 공정 기반 3D 프린터(10)에 부착된 각 센서를 통해 센서 데이터 즉, 수집 데이터를 수집할 수 있다.
여기서, 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함할 수 있다. 적어도 하나의 가속도 센서는 X축 가속도 센서(102), Y축 가속도 센서(103) 및 Z축 가속도 센서(104) 중에서 적어도 하나의 가속도 센서를 포함할 수 있다. 또한, 적어도 하나의 가속도 센서는 음향 방출 센서(101)를 포함할 수 있다.
특징요소 도출부(120)는 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출한다. 특징요소 도출부(120)는 수집된 수집 데이터 즉, 센서 데이터를 기반으로 3D 프린터 부품의 정상 및 고장 상태의 특징요소를 도출할 수 있다. 특징요소 도출부(120)에서 도출된 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함할 수 있다.
여기서, 특징요소 도출부(120)는, 3D 프린터(10)의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 가속도 데이터의 특징요소 및 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출할 수 있다.
건전성 진단부(130)는 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나와 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 3D 프린터 부품의 건전성을 진단한다. 즉, 건전성 진단부(130)는 도출된 특징요소 및 3D 프린터 부품의 고장 상태 간 상관관계를 분석하고, 그 분석 결과를 기초로 하여 모델링할 수 있다. 건전성 진단부(130)는 기계학습을 적용한 3D 프린터 부품의 건전성 진단 모델을 학습하고, 그 학습된 건전성 진단 모델을 통해 3D 프린터 부품의 건전성 진단 모델을 검증할 수 있다.
여기서, 건전성 진단부(130)는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의할 수 있다. 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함할 수 있다.
이후, 건전성 진단부(130)는, 3D 프린터 부품의 건전성 진단 결과를 이용하여 3D 프린터 부품의 고장을 예측할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 수집된 수집 데이터를 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 건전성 진단 장치(100)는 압출 적층 조형 기반 3D 프린팅 공정에서 3D 프린터(10)에 부착된 각 축의 가속도 센서를 이용하여 X축, Y축 및 Z축 가속도 데이터와, 음향 방출 데이터 중에서 적어도 하나의 센서 데이터를 수집한다.
도 4의 (a)에는 3D 프린터(10)에 부착된 X축 가속도 센서(102)에서 측정된 X축 가속도 데이터가 도시되어 있다. 도 4의 (a)에 나타난 X축 가속도 데이터에서 청색으로 표시된 X축 가속도 데이터(401)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 X축 가속도 데이터(402 내지 404)는 X축에 대해서 3D 프린터의 부품의 건전성이 기준치보다 낮거나 부품이 고장난 상태를 나타낸다.
도 4의 (b)에는 3D 프린터(10)에 부착된 Y축 가속도 센서(103)에서 측정된 Y축 가속도 데이터가 도시되어 있다. 도 4의 (b)에 나타난 Y축 가속도 데이터에서 청색으로 표시된 Y축 가속도 데이터(411)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 Y축 가속도 데이터(412 내지 414)는 Y축에 대해서 3D 프린터의 부품의 건전성이 기준치보다 낮거나 부품이 고장난 상태를 나타낸다.
도 4의 (c)에는 3D 프린터(10)에 부착된 Z축 가속도 센서(104)에서 측정된 Z축 가속도 데이터가 도시되어 있다. 도 4의 (c)에 나타난 Z축 가속도 데이터에서 청색으로 표시된 Z축 가속도 데이터(421)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 Z축 가속도 데이터(422 내지 424)는 Z축에 대해서 3D 프린터의 부품의 건전성이 기준치보다 낮거나 부품이 고장난 상태를 나타낸다.
도 4의 (d)에는 3D 프린터에 부착된 음향 방출 센서(101)에서 측정된 음향 방출 데이터가 도시되어 있다. 도 4의 (d)에 나타난 음향 방출 데이터에서 청색으로 표시된 음향 방출 데이터(431)는 정상 상태를 나타낸다. 반면, 적색으로 표시된 음향 방출 데이터(432 내지 434)는 음향 방출 측면에 대해서 3D 프린터의 부품의 건전성이 기준치보다 낮거나 부품이 고장난 상태를 나타낸다.
도 5 내지 도 10은 본 발명의 일 실시 예에 따른 3D 프린터의 정상 및 고장 상태에 대해 도출된 특징요소를 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따른 건전성 진단 장치(100)는 3D 출력물의 적층 층수인 총 8층에 해당하는 전체 대량 데이터를 층별로 데이터를 나누어 이에 해당하는 적어도 하나의 특징요소를 도출할 수 있다. 전체 대량 데이터에는 압출 적층 조형 기반 3D 프린팅 공정에서 3D 프린터에 부착된 각 축의 가속도 센서(102 내지 104) 및 음향 방출 센서(101)를 이용하여 X축, Y축, Z축 가속도와 음향 방출 데이터 중에서 적어도 하나를 수집한 데이터일 수 있다.
여기서, 적어도 하나의 특징요소에는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나가 포함될 수 있다.
본 발명의 일 실시 예에 따른 건전성 진단 장치에서 특징요소가 도출된 후, 장비 부품 건전성을 정상 및 이상상태로 판단할 수 있는 X축, Y축, Z축 가속도 데이터와 음향 방출 데이터에 대한 특징요소가 도 5 내지 도 10에 특징요소별로 도시되어 있다.
도 5의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 RMS 특징요소가 도시되어 있다.
도 5의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 RMS 특징요소가 도시되어 있다.
도 6의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 Max 특징요소가 도시되어 있다.
도 6의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 Max 특징요소가 도시되어 있다.
도 7의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 크래스트 팩터 특징요소가 도시되어 있다.
도 7의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 크래스트 팩터 특징요소가 도시되어 있다.
도 8의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 분산 특징요소가 도시되어 있다.
도 8의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 분산 특징요소가 도시되어 있다.
도 9의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 첨도 특징요소가 도시되어 있다.
도 9의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 첨도 특징요소가 도시되어 있다.
도 10의 (A)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 X축 가속도의 비대칭도 특징요소가 도시되어 있다.
도 10의 (B)에는 (a) 느슨한 벨트, (b) 풀린 벨트, (c) 기울어진 플레이트에 대해 Y축 가속도의 비대칭도 특징요소가 도시되어 있다.
이와 같이, 본 발명의 일 실시 예에 따른 건전성 진단 장치(100)는 3D 프린터(10)에 부착된 가속도 센서 및 음향 방출 센서로부터 3D 프린팅 공정 중 X축, Y축, Z축 가속도와 음향 데이터를 수집한 후, 출력물의 적층 층수인 총 8층에 해당하는 데이터를 층별로 나누어 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소를 각각 도출할 수 있다.
각 특징요소는 장비 부품 고장에 따라 정상상태(파란색)와 이상상태(빨간색)로 나타난다. 이상상태는 3D 프린터의 대표적인 부품 고장 상태인 느슨한 벨트, 풀린 볼트, 기울어진 플레이트 중에서 적어도 하나가 포함될 수 있다.
도 11은 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치에서 사용되는 확률신경망 이론 기반의 장비 건전성 진단 모델을 설명하기 위한 도면이다.
본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 장치(100)는 유의미한 X축 및 Y축 가속도 데이터의 특징요소를 기반으로 확률 신경망(Probabilistic Neural Network, PNN) 기계학습론을 적용한 장비 건전성 진단 모델을 구축하여 3D 프린터(10)의 장비 부품의 건전성 진단을 수행한다.
여기서, 확률 신경망 기반의 기계학습론이 적용된 장비 건전성 진단 모델은 입력된 개체가 어느 클래스에 속하는지를 판단할 수 있다. 두 개 이상의 훈련 패턴에서 학습된 알고리즘으로 장비 건전성 진단 모델이 구축된다. 건전성 진단 장치(100)는 이러한 장비 건전성 진단 모델을 통해, 새로운 입력 신호에 대해 기존 클래스에 속한 신호들과의 거리행렬에 근거하여 그 신호가 해당 클래스에 속할 확률을 계산하고 분류할 수 있다. 이러한 확률 신경망은 은닉층(1120)에서의 패턴 매핑을 통한 신경망의 구성 및 학습을 요구하지 않기 때문에 신경망 구조의 불확실성이 낮아지고 또한 연산 시간을 상당히 감소시키게 된다.
도 11에는 입력값이 X축 및 Y축 가속도 데이터의 RMS 특징요소로 특정되어 있다. 하지만, 특정 특징요소로 한정되지 않고, 다른 특징요소도 입력될 수 있다. 확률 신경망 기반의 기계학습론이 적용된 장비 건전성 진단 모델은 입력층(Input layer, 1110), 은닉층(Hidden layer, 1120), 출력(Output layer, 1130)을 포함할 수 있다. 또한, 은닉층(1120)에는 패턴층(Pattern layer, 1121) 및 합산층(Summation layer, 1122)이 포함될 수 있다.
입력층(1110)은 분산층의 한 종류로서 모든 훈련 유형에 동일한 입력 유형 데이터를 입력받는다. 이후, 학습층(1120)은 각 입력 유형에 대한 가중치 벡터와 입력 유형 간의 내적을 구한다. 이후, 학습층(1120)은 이를 비선형 활성화 함수에입력하여 비선형 연산을 수행한다. 그리고 합산층(1130)은 학습층(1120)에서 계산한 비선형 출력 결과를 합산한다. 이후, 최종적으로 출력층(1140)은 입력 유형이 특정 훈련 유형에의 해당 여부를 0과 1로 구성된 2진수로 출력할 수 있다.
위에서 언급한 바와 같이, 3D 프린터의 건전성 진단 장치(100)는 특징요소 도출 후 정상 및 이상상태의 장비 부품 건전성을 판단할 수 있는 X축 및 Y축 가속도의 RMS 특징요소를 바탕으로 확률 신경망 기계학습이론을 적용한 장비 부품 건전성 진단 모델을 이용하여 3D 프린터(10)의 장비 부품의 건전성을 진단한다.
도 11에 도시된 장비 건전성 진단 모델을 이용하여 3D 프린터 부품의 고장 진단을 수행한 결과를 살펴보기로 한다.
입력 변수는 X축 및 Y축 가속도의 특징요소이며, 출력 변수는 3D 프린터(10)의 고장 상태 값으로 [표 1]과 같이 높은 진단률을 보였다. 예컨대, 고상 상태는 느슨한 벨트는 1, 풀린 벨트는 2, 기울어진 플레이트는 3, 정상 상태는 4로 나타낼 수 있다.
총 데이터 판별 진단 오차 진단률
16 14 2 87.5%
도 12는 본 발명의 일 실시 예에 따른 3D 프린터의 건전성 진단 방법을 설명하기 위한 흐름도이다.
단계 S101에서, 건전성 진단 장치(100)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서(102 내지 104)와 음향 방출 센서(101) 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집한다. 데이터 수집부(110)는 3D 프린터(10)에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집할 수 있다. 여기서, 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함할 수 있다. 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함할 수 있다.
단계 S102에서, 건전성 진단 장치(100)는 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출한다. 여기서, 건전성 진단 장치(100)는 도출된 적어도 하나의 특징요소 중에서 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 특징요소를 선택할 수 있다.
단계 S103에서, 건전성 진단 장치(100)는 특징요소와 상관관계를 분석하여 모니터링 및 장비 건전성 진단 모델을 트레이닝한다. 여기서, 장비 건전성 진단 모델의 트레이닝 과정을 살펴보면, 건전성 진단 장치(100)는 도출된 특징요소 및 3D 프린터 부품의 고장 상태 간 상관관계를 분석하고, 그 분석 결과를 기초로 하여 건전성 진단 모델을 모델링할 수 있다.
단계 S104에서, 건전성 진단 장치(100)는 가속도 데이터의 특징요소와 음향 데이터의 특징요소 중 적어도 하나와 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 3D 프린터 부품의 건전성을 진단할 수 있다. 여기서, 건전성 진단 장치(100)는 3D 프린터 부품의 건전성을 진단할 때, 트레이닝된 장비 건전성 진단 모델을 이용한다. 이와 같이, 건전성 진단 장치(100)는 기계학습을 적용한 3D 프린터 부품의 건전성 진단 모델을 학습하고, 그 학습된 건전성 진단 모델을 통해 3D 프린터 부품의 건전성 진단 모델을 검증할 수 있다.
이후, 건전성 진단 장치(100)는 3D 프린터 부품의 건전성 진단 결과를 이용하여 3D 프린터 부품의 고장을 예측할 수 있다.
이와 같이, 본 발명의 실시 예에 따른 3D 프린터 부품의 건전성 진단 방법은 향후 3D 프린터의 장비나 부품 고장을 예측하여 예방정비를 수행하는 데 기여할 수 있다. 이를 통해, 3D 프린터 부품의 건전성 진단 방법은 출력물의 품질 또한 향상시킬 수 있다. 또한, 3D 프린터 부품의 건전성 진단 방법은 이를 다양한 산업현장에 확장 및 적용하여 장비 다운타임 최소화 및 생산성을 향상시킬 수 있다.
상술한 본 발명의 실시 예들에 따른 3D 프린터 부품의 건전성 진단 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 본 발명의 실시 예들에 따른 자동화 디지털 분석 방법은, 프로세서에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체로서, 상기 명령어들은 상기 프로세서로 하여금, 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 상기 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하고, 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하고, 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하도록 구성되는, 컴퓨터 판독 가능한 저장 매체를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상, 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.
지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가되어질 수 있다.
이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.
전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.
전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.
전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.
이상 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 3D 프린터
101: 음향 방출 센서
102: X축 가속도 센서
103: Y축 가속도 센서
104: Z축 가속도 센서
105: 제1 증폭기
106: 제2 증폭기
107: A/D 컨버터
100: 건전성 진단 장치
110: 데이터 수집부
120: 특징요소 도출부
130: 건전성 진단부

Claims (20)

  1. 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계;
    상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계; 및
    상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 단계를 포함하고,
    상기 3D 프린터 부품의 건전성을 진단하는 단계는, 확률 신경망(Probabilistic Neural Network, PNN) 기계학습론을 적용한 입력층, 은닉층 및 출력층으로 구축된 장비 건전성 진단 모델을 통해, 상기 입력층으로 입력된 상기 도출된 적어도 하나의 특징요소가 상기 은닉층을 거친 상기 출력층의 클래스에 속한 신호들과의 거리행렬에 근거하여 해당 클래스에 속할 확률을 계산하여 상기 3D 프린터 부품의 정상 상태와 이상 상태를 분류하는, 3D 프린터의 건전성 진단 방법.
  2. 제1항에 있어서,
    상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함하는 3D 프린터의 건전성 진단 방법.
  3. 제1항에 있어서,
    상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함하는 3D 프린터의 건전성 진단 방법.
  4. 제1항에 있어서,
    상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함하는 3D 프린터의 건전성 진단 방법.
  5. 제1항에 있어서,
    X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함하는 3D 프린터의 건전성 진단 방법.
  6. 제1항에 있어서,
    상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함하는 것을 특징으로 하는 3D 프린터의 건전성 진단 방법.
  7. 제1항에 있어서,
    상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나를 포함하는 3D 프린터의 건전성 진단 방법.
  8. 제1항에 있어서,
    상기 적어도 하나를 수집 데이터로 수집하는 단계는,
    상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집하는 3D 프린터의 건전성 진단 방법.
  9. 제1항에 있어서,
    상기 적어도 하나의 특징요소를 도출하는 단계는,
    상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 3D 프린터의 건전성 진단 방법.
  10. 제1항에 있어서,
    상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측하는 단계를 더 포함하는 3D 프린터의 건전성 진단 방법.
  11. 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 데이터 수집부;
    상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 특징요소 도출부; 및
    상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 건전성 진단부를 포함하고,
    상기 건전성 진단부는, 상기 3D 프린터 부품의 건전성을 진단하는 단계는, 확률 신경망(Probabilistic Neural Network, PNN) 기계학습론을 적용한 입력층, 은닉층 및 출력층으로 구축된 장비 건전성 진단 모델을 통해, 상기 입력층으로 입력된 상기 도출된 적어도 하나의 특징요소가 상기 은닉층을 거친 상기 출력층의 클래스에 속한 신호들과의 거리행렬에 근거하여 해당 클래스에 속할 확률을 계산하여 상기 3D 프린터 부품의 정상 상태와 이상 상태를 분류하는, 3D 프린터의 건전성 진단 장치.
  12. 제11항에 있어서,
    상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함하는 3D 프린터의 건전성 진단 장치.
  13. 제11항에 있어서,
    상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함하는 3D 프린터의 건전성 진단 장치.
  14. 제11항에 있어서,
    상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함하는 3D 프린터의 건전성 진단 장치.
  15. 제11항에 있어서,
    X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함하는 3D 프린터의 건전성 진단 장치.
  16. 제11항에 있어서,
    상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함하는 것을 특징으로 하는 3D 프린터의 건전성 진단 장치.
  17. 제11항에 있어서,
    상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나 이상을 포함하는 3D 프린터의 건전성 진단 장치.
  18. 제11항에 있어서,
    상기 데이터 수집부는,
    상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집하는 3D 프린터의 건전성 진단 장치.
  19. 제11항에 있어서,
    상기 특징요소 도출부는,
    상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 3D 프린터의 건전성 진단 장치.
  20. 제11항에 있어서,
    상기 건전성 진단부는,
    상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측하는 3D 프린터의 건전성 진단 장치.
KR1020170168652A 2017-12-08 2017-12-08 3d 프린터의 건전성 진단 방법 및 장치 KR102042156B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170168652A KR102042156B1 (ko) 2017-12-08 2017-12-08 3d 프린터의 건전성 진단 방법 및 장치
US16/214,536 US11506574B2 (en) 2017-12-08 2018-12-10 Methods and apparatuses for diagnosing health state of three-dimensional printer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170168652A KR102042156B1 (ko) 2017-12-08 2017-12-08 3d 프린터의 건전성 진단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190068349A KR20190068349A (ko) 2019-06-18
KR102042156B1 true KR102042156B1 (ko) 2019-11-07

Family

ID=66734711

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170168652A KR102042156B1 (ko) 2017-12-08 2017-12-08 3d 프린터의 건전성 진단 방법 및 장치

Country Status (2)

Country Link
US (1) US11506574B2 (ko)
KR (1) KR102042156B1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11034092B2 (en) * 2019-06-17 2021-06-15 International Business Machines Corporation 3D-printed object with dynamic augmented-reality textures
CN110370649B (zh) * 2019-07-11 2021-05-11 中国科学院自动化研究所 3d打印设备的在线监测装置、系统
KR102250268B1 (ko) * 2019-08-26 2021-05-10 한국과학기술연구원 3d 바이오프린팅을 위한 바이오잉크 및 그의 프린팅가능성 예측 방법
KR102236149B1 (ko) * 2019-12-31 2021-04-06 한국과학기술원 3d 프린팅 시스템 및 이의 실시간 피드백 공정제어 방법
US11928371B2 (en) * 2020-07-08 2024-03-12 Vmware, Inc. 3D printing verification using audio snippets
JP7415850B2 (ja) 2020-08-24 2024-01-17 株式会社明電舎 構造系異常診断装置および構造系異常診断方法
CN114778158B (zh) * 2022-04-13 2023-03-31 青岛博瑞科增材制造有限公司 一种3d打印装置的自检系统及方法
US20230415411A1 (en) * 2022-06-28 2023-12-28 General Electric Company Methods and systems for manipulating an additive build assembly

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016032075A1 (ko) * 2014-08-29 2016-03-03 이상호 3d 프린터 제어장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050104241A1 (en) * 2000-01-18 2005-05-19 Objet Geometried Ltd. Apparatus and method for three dimensional model printing
KR101507929B1 (ko) * 2013-09-03 2015-04-07 자동차부품연구원 자동차 허브 베어링 모니터링 시스템 및 모니터링 방법
KR101572185B1 (ko) 2014-02-21 2015-11-26 (주) 디토스 Fdm 3d 프린터의 필라멘트 이송의 자동 감시 장치 및 감시 방법
US20160236420A1 (en) * 2015-02-17 2016-08-18 Michael Daniel Armani Printbed
US10889068B1 (en) * 2016-10-06 2021-01-12 Stratasys, Inc. Rotational position error compensation of print heads in a 3D printer and methods thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016032075A1 (ko) * 2014-08-29 2016-03-03 이상호 3d 프린터 제어장치

Also Published As

Publication number Publication date
US20190178755A1 (en) 2019-06-13
US11506574B2 (en) 2022-11-22
KR20190068349A (ko) 2019-06-18

Similar Documents

Publication Publication Date Title
KR102042156B1 (ko) 3d 프린터의 건전성 진단 방법 및 장치
US11084276B2 (en) Method to monitor additive manufacturing process for detection and in-situ correction of defects
Hertlein et al. Prediction of selective laser melting part quality using hybrid Bayesian network
JP6340236B2 (ja) 工作機械の診断方法及びシステム
Uhlmann et al. Cluster identification of sensor data for predictive maintenance in a Selective Laser Melting machine tool
EP1880258B1 (en) Neural network using spatially dependent data for controlling a web-based process
US20160091393A1 (en) Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor
KR101754721B1 (ko) 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법
CN111695858B (zh) 一种模具全生命周期管理系统
JP2018536092A (ja) 付加製造方法および装置
CN112004658B (zh) 用于提供三维打印生产质量预测的方法和系统
Song et al. Material waste of commercial FDM printers under realistic conditions
Fang et al. Process monitoring, diagnosis and control of additive manufacturing
Kelley et al. New fault diagnosis procedure and demonstration on hydraulic servo-motor for single faults
Ransikarbum et al. Evaluation of assembly part build orientation in additive manufacturing environment using data envelopment analysis
WO2022106631A1 (en) A system and method for extrusion based manufacturing of a structure
WO2001075539A1 (de) Verfahren und system zur adaptiven steuerung komplexer fertigungsketten
Duc et al. Design of industrial system using digital numerical control
WO2012048700A1 (de) Verfahren zur fehler- und ausschussvermeidung beim betrieb einer fertigungsmaschine
CN113646114B (zh) 检测增材制造中的故障的方法
Liao et al. A self-aware machine platform in manufacturing shop floor utilizing MTConnect data
Heymann et al. Machine Learning Pipeline for Predictive Maintenance in Polymer 3D Printing
Luangpaiboon et al. A decision support tool for intelligent manufacturing systems via an elevator kinematic optimisation based method
GB2149551A (en) Apparatus for monitoring the operation of a system
Becker et al. Online error detection in additive manufacturing: a review

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right