KR102226398B1 - Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System - Google Patents
Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System Download PDFInfo
- Publication number
- KR102226398B1 KR102226398B1 KR1020180150948A KR20180150948A KR102226398B1 KR 102226398 B1 KR102226398 B1 KR 102226398B1 KR 1020180150948 A KR1020180150948 A KR 1020180150948A KR 20180150948 A KR20180150948 A KR 20180150948A KR 102226398 B1 KR102226398 B1 KR 102226398B1
- Authority
- KR
- South Korea
- Prior art keywords
- processing
- data
- information
- learning
- combination data
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 238000010801 machine learning Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 17
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
Abstract
본 발명에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은, 가공에 요구되는 기초가공정보를 수집하는 (a)단계, 상기 기초가공정보를 처리하는 (b)단계, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계 및 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함한다.The method for diagnosing workability based on learning for optimizing a production system according to the present invention includes steps (a) of collecting basic processing information required for processing, step (b) of processing the basic processing information, and step (b). (C) step of deriving a plurality of integrated data sets for each processing experiment condition by reflecting the processing tool information in the basic processing information processed by the process, and a plurality of parameter sets by combining at least some of the plurality of cutting condition parameters that affect the cutting force. (D) of deriving, step (e) of deriving a plurality of combination data by selecting and combining any one of the plurality of integrated data sets and one of the plurality of parameter sets, and the accuracy of the plurality of combination data Step (f) of verifying, step (g) of extracting representatively selected combination data from among the plurality of combination data whose accuracy is verified by the step (f), and under preset conditions based on the optimal combination data It includes (h) step of diagnosing processability.
Description
본 발명은 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 관한 것으로서, 보다 상세하게는 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 대상의 가공성 및 가공 추이를 정밀하게 예측할 수 있도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 관한 것이다.The present invention relates to a learning-based processability diagnosis method for optimizing a production system, and more particularly, to accurately predict processability and processing trends of an object by diagnosing processability from multiple angles using a plurality of learning models and data. It relates to a learning-based processability diagnosis method for optimizing the production system.
다품종 생산이 주를 이루는 현대 공정 시스템 하에서는, 맞춤형 생산요구에 대하여 적시에 대응할 수 있는 솔루션이 요구된다.Under the modern process system where multi-product production is dominated, a solution capable of responding to customized production needs in a timely manner is required.
특히 절삭가공 분야는 장비, 소재 및 공구 특성에 영향을 많이 받으므로, 공정의 최적화 및 이벤트 발생에 대한 사전 대응이 매우 중요한 이슈이다.In particular, the cutting processing field is highly influenced by the characteristics of equipment, materials and tools, so process optimization and proactive response to events are very important issues.
그리고 이와 같은 절삭가공 공정에서의 최우선적인 목표 중 하나는, 최적 조건에서의 효율적 가공을 통한 생산성 제고이다.And one of the overriding goals in such a cutting process is to improve productivity through efficient machining under optimal conditions.
종래의 경우, 이와 같은 목표를 달성하기 위해서는 가공공구를 통해 실제 가공 공정을 수행하며 장기간에 걸쳐 수집된 데이터를 통해 시행착오 방식으로 최적 조건을 찾아 나가는 방법을 이용할 수밖에 없었다.In the conventional case, in order to achieve such a goal, the actual machining process was performed through a machining tool, and the method of finding the optimum condition through trial and error through data collected over a long period of time had to be used.
다만, 이와 같은 방법은 충분히 의미있는 데이터 풀이 갖춰질 때까지 시간이 소요될 수밖에 없고, 실제 최적 조건에 해당하는지를 확인하기 어려워 생산성 향상이 매우 제한적이었다. 또한 가공 환경 및 설비가 교체될 경우에는 다시 새롭게 데이터를 수집하여야 하는 문제가 있었다.However, such a method inevitably takes time until a sufficiently meaningful data pool is established, and it is difficult to confirm whether the actual optimal condition is met, and thus productivity improvement is very limited. In addition, when the processing environment and equipment are replaced, there is a problem that data must be newly collected again.
따라서 이와 같은 문제점들을 해결하기 위한 방법이 요구된다.Therefore, a method for solving these problems is required.
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 생산시스템을 최적화시킬 수 있도록 하는 가공성 진단방법을 제공하기 위한 목적을 가진다.The present invention is an invention conceived to solve the problems of the prior art, and it is an object of the present invention to provide a processability diagnosis method capable of optimizing a production system by diagnosing processability from multiple angles using a plurality of learning models and data. Have.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other problems that are not mentioned will be clearly understood by those skilled in the art from the following description.
상기한 목적을 달성하기 위한 본 발명의 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은, 가공에 요구되는 기초가공정보를 수집하는 (a)단계, 상기 기초가공정보를 처리하는 (b)단계, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계 및 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함하며, 상기 (b)단계는, 상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계, 상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계 및 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하되, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하도록 하는 (b-3)단계를 포함한다.A learning-based processability diagnosis method for optimizing a production system of the present invention for achieving the above object includes the step (a) of collecting basic processing information required for processing, the step (b) of processing the basic processing information, Step (c) of deriving a plurality of integrated data sets for each machining experiment condition by reflecting the machining tool information in the basic machining information processed in step (b), at least some of the plurality of cutting condition parameters affecting the cutting force. (D) of deriving a plurality of parameter sets by combining, (e) of selecting and combining any one of the plurality of integrated data sets and one of the plurality of parameter sets to derive a plurality of combination data, the plurality of (F) verifying the accuracy of the combination data, step (g) extracting representatively selected combination data from among the plurality of combination data whose accuracy has been verified by the step (f), and the optimal combination data It includes (h) step of diagnosing workability under a preset condition, and the step (b) includes the step (b-1) of extracting simulation machining data by performing a machining simulation through the basic machining information, the Step (b-2) of performing actual processing using basic processing information and extracting actual processing data, and the simulation processing data and the actual processing data so that the simulation processing data and the actual processing data are compatible with each other. Including the step (b-3) of synchronizing to derive synchronization sample data, calculating a period of each of the simulated processing data and the actual processing data, and performing synchronization according to the calculated period to derive the synchronization sample data. do.
삭제delete
삭제delete
삭제delete
또한 상기 (e)단계는, 상기 복수의 통합 데이터 세트와 상기 복수의 파라미터 세트에 대해 서로 1:1 매칭을 수행하도록 할 수 있다.In addition, in step (e), 1:1 matching may be performed with respect to the plurality of integrated data sets and the plurality of parameter sets.
그리고 상기 (f)단계는, 복수 개의 학습모델을 정의하는 (f-1)단계, 상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계, 상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계 및 상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계를 포함할 수 있다.And the (f) step, (f-1) of defining a plurality of learning models, (f-2) of substituting the plurality of combination data into the plurality of learning models, and using the plurality of combination data. Thus, it may include a step (f-3) of performing actual processing and a step (f-4) of verifying accuracy by comparing the result values of the (f-2) and (f-3) steps.
또한 상기 (g)단계는, 상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 선택하도록 할 수 있다.In addition, in step (g), the optimal combination data having the highest accuracy among the plurality of combination data may be selected as a representative.
그리고 상기 기초가공정보는, 가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.In addition, the basic cost process report may include information of at least one of a material to be processed, a type of processing facility, a type of processing tool, and processing test conditions.
또한 상기 가공공구정보는, 가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함할 수 있다.In addition, the processing tool information may include at least one of a type of a processing tool for performing processing, a shape of a processing tool, a size of a processing tool, a weight of the processing tool, and a processing angle of the processing tool.
그리고 상기 절삭조건 파라미터는, 공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.In addition, the cutting condition parameter may include information on at least one of a supply current, a supply voltage, a rotational speed of the processing tool, and a moving speed of the processing tool.
상기한 과제를 해결하기 위한 본 발명의 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은 산업 현장의 생산성, 품질 고도화를 위한 솔루션을 제공함으로써 생산시스템의 부가가치 제고를 통해 산업현장의 니즈를 충족시킬 수 있는 장점이 있다.The learning-based processability diagnosis method for optimizing the production system of the present invention to solve the above problems can satisfy the needs of the industrial site through the enhancement of the added value of the production system by providing a solution for improving the productivity and quality of the industrial site. There is an advantage.
그리고 본 발명은 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 대상의 가공성 및 가공 추이를 정밀하게 예측할 수 있는 장점이 있다.In addition, the present invention has the advantage of accurately predicting the processability and processing trend of an object by diagnosing processability from multiple angles using a plurality of learning models and data.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.
도 1은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법의 각 단계를 나타낸 도면;
도 2는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 기초가공정보를 처리하기 위한 과정을 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 통합 데이터 세트를 복수 개 도출하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 복수 개의 파라미터 세트를 도출하는 과정을 나타낸 도면;
도 5는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 복수 개의 조합데이터를 도출하는 과정을 나타낸 도면; 및
도 6은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 조합데이터에 대한 정확성을 검증하기 위한 과정을 나타낸 도면이다.1 is a view showing each step of a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention;
2 is a view showing a process for processing basic processing information in a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention;
3 is a diagram illustrating a process of deriving a plurality of integrated data sets in a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention;
4 is a diagram illustrating a process of deriving a plurality of parameter sets in a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention;
5 is a diagram illustrating a process of deriving a plurality of combination data in a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention; And
6 is a diagram showing a process for verifying accuracy of combined data in a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.Hereinafter, preferred embodiments of the present invention in which the object of the present invention can be realized in detail will be described with reference to the accompanying drawings. In the description of the present embodiment, the same names and the same reference numerals are used for the same components, and additional descriptions thereof will be omitted.
도 1은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법의 각 단계를 나타낸 도면이다.1 is a diagram showing each step of a learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은 가공에 요구되는 기초가공정보를 수집하는 (a)단계와, 상기 기초가공정보를 처리하는 (b)단계와, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계와, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계와, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계와, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계와, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계와, 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함한다.As shown in Figure 1, the learning-based processability diagnosis method for optimizing a production system according to an embodiment of the present invention includes the step (a) of collecting basic processing information required for processing, and processing the basic processing information. Step (b) and step (c) of deriving a plurality of integrated data sets for each processing experiment condition by reflecting the processing tool information in the basic processing information processed by the step (b), and a plurality of factors affecting the cutting force. Step (d) of deriving a plurality of parameter sets by combining at least some of the cutting condition parameters, and a plurality of combination data by selecting and combining any one of the plurality of integrated data sets and one of the plurality of parameter sets. (E) of deriving, (f) of verifying the accuracy of the plurality of combination data, and extracting representatively selected combination data from among the plurality of combination data whose accuracy is verified by the (f) step. (g) and (h) diagnosing workability under preset conditions based on the optimal combination data.
이하에서는 이들 각 단계에 대해 보다 자세히 설명하도록 한다.Hereinafter, each of these steps will be described in more detail.
먼저, 상기 (a)단계에서는, 수행하고자 하는 가공 공정에 요구되는 기초가공정보를 수집하게 된다.First, in step (a), basic processing information required for a processing process to be performed is collected.
본 실시예의 경우 상기 기초가공정보는 가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함할 수 있다. 상기 기초가공정보는 상기 나열된 다양한 정보 외에도 가공 공정에 요구되는 기타 다양한 정보를 더 포함할 수 있음은 물론이다.In the present embodiment, the basic cost process report may include information of at least one of a material to be processed, a type of a processing facility, a type of a processing tool, and a processing experiment condition. It goes without saying that the basic cost process report may further include various other information required for a processing process in addition to the various information listed above.
상기와 같이 기초가공정보를 수집한 후, 상기 기초가공정보를 처리하는 (b)단계가 수행된다. 이와 같은 (b)단계는 상기 기초가공정보를 임의의 프로세서가 처리 가능한 형태로서 가공 처리하는 과정이다.After collecting the basic processing information as described above, step (b) of processing the basic processing information is performed. This step (b) is a process of processing the basic processing information in a form that can be processed by an arbitrary processor.
그리고 본 실시예의 경우 도 2에 도시된 바와 같이, 상기 (b)단계는 상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계와, 상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계와, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하는 (b-3)단계를 포함할 수 있다.And in the case of the present embodiment, as shown in FIG. 2, the step (b) includes a step (b-1) of extracting simulation processing data by performing a processing simulation through the basic processing information, and using the basic processing information. It may include a step (b-2) of performing actual processing and extracting actual processing data, and (b-3) of synchronizing the simulation processing data and the actual processing data to derive synchronization sample data. .
즉 상기 (b-1)단계는 상기 수집된 기초가공정보를 통해 가공 시뮬레이션을 수행하고, 상기 (b-2)단계는 상기 수집된 기초가공정보를 통해 실가공을 수행하게 된다.That is, in step (b-1), processing simulation is performed using the collected basic processing information, and in step (b-2), actual processing is performed through the collected basic processing information.
이에 따라 상기 (b-1)단계에서는 시뮬레이션 가공데이터가 추출될 수 있으며, 상기 (b-2)단계에서는 실체 가공데이터가 추출될 수 있다. 다만, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터는 서로 호환되지 않는 형태일 수 있으므로 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 (b-3)단계를 통해 각 데이터를 동기화시키게 된다.Accordingly, in step (b-1), simulation processing data may be extracted, and in step (b-2), actual processing data may be extracted. However, since the simulation processing data and the actual processing data may be in a form that is not compatible with each other, the simulation processing data and the actual processing data may be compatible with each other. Each data is synchronized through step (b-3).
이때 상기 (b-3)단계는, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하는 과정을 거칠 수 있다.In this case, the step (b-3) may go through a process of calculating a period of each of the simulated processing data and the actual processing data, and performing synchronization according to the calculated period to derive the synchronization sample data.
다음으로, 상기 (b)단계에 의해 동기화 샘플데이터 형태로 처리된 기초가공정보에 가공공구정보를 반영하여, 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계가 수행된다.Next, step (c) of deriving a plurality of integrated data sets for each processing experiment condition is performed by reflecting the processing tool information to the basic processing information processed in the form of synchronized sample data in step (b).
본 단계의 경우 도 3에 도시된 바와 같이 (b-3)단계에 의해 도출된 동기화 샘플데이터에 가공공구정보를 반영하게 되며, 이때 상기 가공공구정보는 가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함할 수 있다.In the case of this step, as shown in Fig. 3, the processing tool information is reflected in the synchronized sample data derived by step (b-3), and the processing tool information is the type of processing tool for performing processing, and the processing It may include at least one or more of the shape of the tool, the size of the processing tool, the weight of the processing tool, and the processing angle of the processing tool.
이에 따라 상기 가공공구정보와 동기화샘플데이터의 조합에 의해 n개의 통합 데이터 세트가 생성될 수 있으며, 본 실시예에서는 설명의 편의를 위해 복수의 통합 데이터 세트에 순차적으로 일련번호를 붙여 제1통합데이터 세트(D1), 제2통합데이터 세트(D2), 제3통합데이터 세트(D3), 제4통합데이터 세트(D4)와 같이 제n통합 데이터 세트 형태로 명명하였다.Accordingly, n integrated data sets may be generated by a combination of the processing tool information and synchronization sample data. In this embodiment, the first integrated data is sequentially assigned to a plurality of integrated data sets for convenience of explanation. A set (D 1 ), a second integrated data set (D 2 ), a third integrated data set (D 3 ), and a fourth integrated data set (D 4 ) were named in the form of an n-th integrated data set.
다음으로, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계가 수행된다.Next, step (d) of deriving a plurality of parameter sets by combining at least some of the plurality of cutting condition parameters affecting the cutting force is performed.
본 단계의 경우 도 4에 도시된 바와 같이 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터에 속한 각 항목을 임의로 조합하여 다양한 파라미터 세트를 도출하게 되며, 이때 상기 절삭조건 파라미터는 공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.In this step, as shown in Fig. 4, various parameter sets are derived by randomly combining each item belonging to a plurality of cutting condition parameters that affect the cutting force, and the cutting condition parameters are supply current, supply voltage, and machining. It may include information of at least any one or more of the rotational speed of the tool and the moving speed of the machining tool.
이에 따라 각 항목 간의 조합에 의해 n개의 파라미터 세트가 생성될 수 있으며, 본 실시예에서는 설명의 편의를 위해 복수의 파라미터 세트에 순차적으로 일련번호를 붙여 제1파라미터 세트(P1), 제2파라미터 세트(P2), 제3파라미터 세트(P3), 제4파라미터 세트(P4)와 같이 제n파라미터 세트 형태로 명명하였다.Accordingly, n parameter sets may be generated by a combination of each item. In this embodiment, a first parameter set (P 1 ) and a second parameter are sequentially assigned serial numbers to a plurality of parameter sets for convenience of explanation. A set (P 2 ), a third parameter set (P 3 ), and a fourth parameter set (P 4 ) were named in the form of an nth parameter set.
이후, (c)단계에 의해 도출된 복수 개의 통합 데이터 세트 중 어느 하나와, (d)단계에 의해 도출된 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계가 수행된다.Thereafter, step (e) of deriving a plurality of combined data by selecting and combining any one of the plurality of integrated data sets derived by step (c) and the plurality of parameter sets derived by step (d). Is performed.
본 단계에서는 도 5에 도시된 바와 같이, n개의 통합 데이터 세트와 n개의 파라미터 세트에 대해 각각 1:1 매칭을 수행할 수 있으며, 이에 따라 n×n개의 조합데이터를 도출할 수 있다. 본 발명에서는 이와 같은 조합데이터를 이용하여 학습 기반의 가공성 진단을 수행할 수 있다.In this step, as shown in FIG. 5, 1:1 matching may be performed for each of n integrated data sets and n parameter sets, and accordingly, n×n combination data can be derived. In the present invention, learning-based machinability diagnosis may be performed using such combination data.
상기와 같이 복수의 조합데이터를 도출한 이후에는, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계와, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계와, 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계가 순차적으로 수행될 수 있다.After deriving a plurality of combination data as described above, a representative selection of the plurality of combination data verified by the step (f) of verifying the accuracy of the plurality of combination data and the accuracy of the plurality of combination data Step (g) of extracting the combination data and step (h) of diagnosing workability under preset conditions based on the optimal combination data may be sequentially performed.
또한 상기 (f)단계는 도 6에 도시된 바와 같이, 복수 개의 학습모델을 정의하는 (f-1)단계와, 상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계와, 상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계와, 상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계를 포함할 수 있다.In addition, the step (f) includes a step (f-1) of defining a plurality of learning models, and a step (f-2) of substituting the plurality of combination data into the plurality of learning models, as shown in FIG. And, (f-3) performing actual processing using the plurality of combined data, and verifying accuracy by comparing the result values of the (f-2) and (f-3) steps (f It may include step -4).
상기 (f-1)단계는 복수 개의 학습모델을 지정하는 단계로서, 상기 학습모델은 본 분야에서 기 공지된 자가학습 모델, 비공개된 상태의 자가학습 모델 및 추후 개발될 자가학습 모델 중 적어도 어느 하나 이상을 선택적으로 포함할 수 있다.The step (f-1) is a step of designating a plurality of learning models, wherein the learning model is at least one of a self-learning model known in the art, a self-learning model in a closed state, and a self-learning model to be developed later. It may optionally include the above.
또한 상기 (f-2)단계는 상기 복수 개의 학습모델에 상기 (e)단계에 의해 도출된 복수 개의 조합데이터를 대입하여 결과값을 산출하며, 상기 (f-3)단계는 이와 달리 상기 복수 개의 조합데이터를 통해 실가공을 수행하여 결과값을 산출하게 된다.In addition, in step (f-2), a result value is calculated by substituting a plurality of combination data derived from step (e) into the plurality of learning models, and the step (f-3) is different from that of the plurality of learning models. The result is calculated by performing actual processing through the combined data.
그리고 상기 (f-4)단계는, 상기 (f-2)단계에서 산출된 결과값 및 상기 (f-3)단계에서 산출된 결과값을 상호 대비하여 정확성을 검증하게 된다.In the step (f-4), the accuracy is verified by comparing the result value calculated in the step (f-2) and the result value calculated in the step (f-3).
이후 상기 (g)단계에서는 상기 (f)단계 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 추출하게 되며, 상기 (h)단계에서는 이와 같이 추출된 최적 조합데이터를 기초로 하여 기 설정된 조건을 대입하고, 해당 조건 하에서의 가공성을 진단할 수 있게 된다.Thereafter, in the step (g), the optimal combination data with the highest accuracy among the plurality of combination data whose accuracy is verified by the step (f) is representatively extracted, and in the step (h), the extracted optimal combination data Based on, it is possible to substitute a preset condition and diagnose the processability under the corresponding condition.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.As described above, preferred embodiments according to the present invention have been examined, and the fact that the present invention can be embodied in other specific forms without departing from its spirit or scope other than the above-described embodiments is known to those skilled in the art. It is self-evident to them. Therefore, the above-described embodiments are to be regarded as illustrative rather than restrictive, and accordingly, the present invention is not limited to the above description and may be modified within the scope of the appended claims and their equivalents.
D1~D4: 통합 데이터 세트
P1~P4: 파라미터 세트D 1 to D 4 : Integrated data set
P 1 ~ P 4 : Parameter set
Claims (10)
상기 기초가공정보를 임의의 프로세서가 처리 가능한 형태로 가공 처리하는 (b)단계;
상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 n개 도출하는 (c)단계;
절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 n개의 파라미터 세트를 도출하는 (d)단계;
상기 n개의 통합 데이터 세트 중 어느 하나 및 상기 n개의 파라미터 세트 중 어느 하나가 1:1 매칭되도록 선택 조합하여 nХn개의 조합데이터를 도출하는 (e)단계;
상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계;
상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 최적 조합데이터를 추출하는 (g)단계; 및
상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계;
를 포함하며,
상기 (b)단계는,
상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계;
상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계; 및
상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하되, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하도록 하는 (b-3)단계;
를 포함하는,
생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.(A) step of collecting basic processing information required for processing;
(B) processing the basic processing information in a form that can be processed by an arbitrary processor;
Step (c) of deriving n integrated data sets for each processing experiment condition by reflecting the processing tool information in the basic processing information processed in step (b);
(D) deriving n parameter sets by combining at least some of the plurality of cutting condition parameters affecting the cutting force;
(E) deriving nХn combination data by selecting and combining any one of the n unified data sets and any one of the n parameter sets to match 1:1;
(F) verifying the accuracy of the plurality of combined data;
(G) extracting representatively selected optimal combination data from among the plurality of combination data whose accuracy has been verified by the (f) step; And
(H) diagnosing workability under preset conditions based on the optimal combination data;
Including,
The step (b),
(B-1) extracting simulation processing data by performing processing simulation through the basic processing information;
(B-2) performing actual processing using the basic processing information and extracting actual processing data; And
Synchronizing the simulation processing data and the actual processing data to derive synchronization sample data so that the simulation processing data and the actual processing data are compatible with each other, and calculating a period of each of the simulation processing data and the actual processing data, (B-3) performing synchronization according to the calculated period to derive the synchronization sample data;
Containing,
Learning-based processability diagnosis method for production system optimization.
상기 (f)단계는,
복수 개의 학습모델을 정의하는 (f-1)단계;
상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계;
상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계; 및
상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계;
를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.The method of claim 1,
The step (f),
(F-1) defining a plurality of learning models;
(F-2) substituting the plurality of combination data into the plurality of learning models;
(F-3) performing actual processing using the plurality of combination data; And
(F-4) verifying accuracy by comparing the result values of the (f-2) and (f-3) steps;
A learning-based processability diagnosis method for optimizing a production system comprising a.
상기 (g)단계는,
상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 선택하도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.The method of claim 1,
The step (g),
A learning-based processability diagnosis method for optimizing a production system in which an optimal combination data with the highest accuracy is selected as a representative of the plurality of combination data.
상기 기초가공정보는,
가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.The method of claim 1,
The basic price fair report,
A learning-based processability diagnosis method for optimizing a production system that includes at least one or more information of a material to be processed, a type of processing facility, a type of processing tool, and a processing experiment condition.
상기 가공공구정보는,
가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.The method of claim 1,
The processing tool information,
A learning-based machinability diagnosis method for optimizing a production system that includes at least one or more of the type of processing tool, the shape of the processing tool, the size of the processing tool, the weight of the processing tool, and the processing angle of the processing tool.
상기 절삭조건 파라미터는,
공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.The method of claim 1,
The cutting condition parameter is,
A learning-based processability diagnosis method for optimizing a production system that includes information of at least one of a supply current, a supply voltage, a rotation speed of a processing tool, and a movement speed of a processing tool.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180150948A KR102226398B1 (en) | 2018-11-29 | 2018-11-29 | Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180150948A KR102226398B1 (en) | 2018-11-29 | 2018-11-29 | Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200065159A KR20200065159A (en) | 2020-06-09 |
| KR102226398B1 true KR102226398B1 (en) | 2021-03-15 |
Family
ID=71082396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180150948A KR102226398B1 (en) | 2018-11-29 | 2018-11-29 | Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102226398B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102413182B1 (en) * | 2020-11-05 | 2022-06-27 | 한국생산기술연구원 | Machining model generation method of cutting force prediction through transfer learning |
| KR102674249B1 (en) * | 2022-02-03 | 2024-06-12 | 한국생산기술연구원 | Method for checking the abnormality of reflow devices |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006102843A (en) * | 2004-10-01 | 2006-04-20 | Toshiba Corp | Optimum machining apparatus and optimum machining method |
| KR101846793B1 (en) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | Method of planning a manufacturing process by collecting and analyzing data from machine, and system using the same |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140083198A (en) | 2012-12-24 | 2014-07-04 | 주식회사 포스코 | Measuring method of machinability for mold steel |
| KR20170123755A (en) * | 2016-04-29 | 2017-11-09 | 유한책임회사 랩오투원 | Svm . |
-
2018
- 2018-11-29 KR KR1020180150948A patent/KR102226398B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006102843A (en) * | 2004-10-01 | 2006-04-20 | Toshiba Corp | Optimum machining apparatus and optimum machining method |
| KR101846793B1 (en) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | Method of planning a manufacturing process by collecting and analyzing data from machine, and system using the same |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200065159A (en) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | State of AI-based monitoring in smart manufacturing and introduction to focused section | |
| CN107544462B (en) | For diagnosing the method and system of the failure of wind power generating set | |
| KR102226398B1 (en) | Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System | |
| US20090265693A1 (en) | Method and system for test run prioritization for software code testing in automated test execution | |
| CN110262279A (en) | Control system and control method | |
| JP2002530659A (en) | IC test software system for mapping logic functional test data of a logic integrated circuit to a physical representation | |
| CN108628263A (en) | Control system, control device, computer readable storage medium and control method | |
| CN111340250A (en) | Equipment maintenance device, method and computer readable storage medium | |
| US9384117B2 (en) | Machine and methods for evaluating failing software programs | |
| US20090276074A1 (en) | Method and system for machining process control | |
| CN107908559A (en) | A kind of Test Case Design method and device | |
| CN107923731A (en) | Analyzed using the device malfunction of spatial warping similarity | |
| US6459949B1 (en) | System and method for corrective action tracking in semiconductor processing | |
| US7386359B2 (en) | Device and method for testing machine tools and production machines | |
| CN107122907B (en) | Method for analyzing symbolized quality characteristics of mechanical and electrical products and tracing fault reasons | |
| US20100131091A1 (en) | A method and relative device for the management of technological recipe information to aid in defining process flows, in particular for the development and production of micro-and nanotechnology devices in cleanroom laboratories | |
| US10394699B1 (en) | Method and system for reusing a refinement file in coverage grading | |
| US7698245B2 (en) | Applying rules to validating data for a machine arrangement | |
| CN110221592A (en) | Build functional failure of electromechanical diagnostic method, apparatus and system | |
| CN110221144A (en) | Build functional failure of electromechanical reason localization method | |
| Bodhe et al. | Diagnostic Fail Data Minimization Using an $ N $-Cover Algorithm | |
| JP5520211B2 (en) | Recipe report card framework and method | |
| Pomeranz et al. | Observation point placement for improved logic diagnosis based on large sets of candidate faults | |
| JP2008117380A (en) | Method and program for supporting diagnostic process | |
| James et al. | Improving design for reliability with in-service data analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |