KR102353574B1

KR102353574B1 - Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템

Info

Publication number: KR102353574B1
Application number: KR1020200011265A
Authority: KR
Inventors: 박경국
Original assignee: 스퀘어네트 주식회사
Priority date: 2020-01-30
Filing date: 2020-01-30
Publication date: 2022-01-21
Also published as: KR20210097491A

Abstract

본 발명은 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 CNC 공작기계에 구비되는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 있어서, 가동 중인 CNC 공작기계로부터 실시간으로 공구 관련 공정 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집되는 공구 관련 공정 데이터를 저장하고, 하기 모델 관리부에서 생성되는 예측 데이터를 저장하는 데이터 저장부; 사용자의 설정에 따라 상기 데이터 저장부로부터 사용자가 설정한 데이터 구간의 공구 관련 공정 데이터를 전송 받아 GAN(Generative Adversarial Networks) 모델을 학습시킨 후, 학습된 GAN 모델을 기반으로 정상 데이터 여부의 판별 기준이 되는 예측 데이터를 생성하고, 직전의 GAN 모델을 상기 학습된 GAN 모델로 수정 저장하는 모델 관리부; 및 상기 데이터 저장부로부터 전송 받은 예측 데이터와 공구 관련 공정 데이터를 사용자가 동시에 확인할 수 있도록 디스플레이에 시간대별로 표시하며, 사용자가 해당 CNC 공작기계에 적용된 GAN 모델을 조회하거나, 데이터 구간을 설정하고, GAN 모델의 학습, 적용 또는 수정을 명령할 수 있도록 되어 있는 사용자 인터페이스부;를 포함하고, 사용자가 상기 사용자 인터페이스부의 디스플레이에 표시되는 공구 관련 공정 데이터의 값이 동 시간대에 표시되는 예측 데이터의 값의 범위를 벗어나는 경우 비정상 데이터로 판별하는 것을 특징으로 한다.

Description

CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템{Tool-related abnormal data detection system of CNC machines}

본 발명은 적은 양의 공정 데이터를 기반으로도 CNC 공작기계의 공구 관련 비정상 데이터를 탐지할 수 있는 시스템에 관한 것이다.

CNC 공장기계의 공구는 지속 사용에 따라 마모, 파손 등 결함이 발생할 수 있으며, 이러한 공구의 결함은 절삭 중인 제품의 불량을 야기할 수 있어 공구에 대한 교체 등의 관리가 필요하다. 통상적으로 CNC 공작기계의 공구 관리는 실험을 통해 산출된 공구별 적정 사용횟수에 근거하여 주기적으로 교체해줌으로써 이루어지는데 이는 CNC 공장기계의 공구의 마모 정도를 실시간으로 계측하는 것이 어렵기 때문이다. 하지만, 이와 같은 관리방법은 실제 공구 사용횟수가 적정 사용횟수보다 적지만 공구에 극심한 마모가 발생한 경우 절삭 작업 중인 제품의 불량을 야기할 수 있으며, 반대로 실제 공구 사용횟수가 적정 사용횟수에 도달했지만 공구의 마모가 거의 없는 경우 불필요한 공구 교체로 생산성을 저하시키고, 공구 관리 비용의 낭비가 발생하는 문제가 있다.

이에 대한 대안으로 CNC 공장기계의 공구 상태의 탐지를 숙련된 작업자가 해당 CNC 공장기계의 가동 상황을 진동, 전력 등의 공정 데이터를 통해 수시로 육안으로 체크하는 것으로 이루어지고 있으나, 아무리 숙련된 작업자로도 사람인 이상 판독 시 실수로 인해 비정상 데이터를 놓치는 상황이 종종 발생하며, 실시간으로 쏟아지는 방대한 공정 데이터에 대해 사람이 육안으로 정확하게 비정상 데이터를 탐지하는 데는 한계가 있고, 비정상 데이터 탐지 과정에 많은 시간이 소요되는 문제가 있다.

이에 실시간으로 쏟아지는 방대한 공정 데이터에 대해 사람이 직접 육안으로 판정하지 않고, 딥 러닝 모델을 이용하여 CNC 공장기계의 공구 관련 비정상 데이터를 탐지하는 기술이 시도되고 있으나, 기존의 지도 학습 딥 러닝 모델로는 방대한 공정 데이터가 구비되기 어려운 환경에서는 탐지의 정확성 및 신뢰성을 담보할 수 없는 문제가 있다.

본 발명은 상기와 같은 문제점을 해결하기 위해 도출 된 것으로, CNC 공작기계에 대한 방대한 공정 데이터를 확보하기 어려운 중소 규모의 공장에서도 신속하고 정확하게 실시간으로 CNC 공작기계의 공구의 이상 여부를 탐지할 수 있는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템을 제공하는 것을 그 목적으로 한다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적과제들은 하기의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 과제를 해결하기 위한 본 발명은 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 CNC 공작기계에 구비되는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 있어서, 가동 중인 CNC 공작기계로부터 실시간으로 공구 관련 공정 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집되는 공구 관련 공정 데이터를 저장하고, 하기 모델 관리부에서 생성되는 예측 데이터를 저장하는 데이터 저장부; 사용자의 설정에 따라 상기 데이터 저장부로부터 사용자가 설정한 데이터 구간의 공구 관련 공정 데이터를 전송 받아 GAN(Generative Adversarial Networks) 모델을 학습시킨 후, 학습된 GAN 모델을 기반으로 정상 데이터 여부의 판별 기준이 되는 예측 데이터를 생성하고, 직전의 GAN 모델을 상기 학습된 GAN 모델로 수정 저장하는 모델 관리부; 및 상기 데이터 저장부로부터 전송 받은 예측 데이터와 공구 관련 공정 데이터를 사용자가 동시에 확인할 수 있도록 디스플레이에 시간대별로 표시하며, 사용자가 해당 CNC 공작기계에 적용된 GAN 모델을 조회하거나, 데이터 구간을 설정하고, GAN 모델의 학습, 적용 또는 수정을 명령할 수 있도록 되어 있는 사용자 인터페이스부;를 포함하고, 사용자가 상기 사용자 인터페이스부의 디스플레이에 표시되는 공구 관련 공정 데이터의 값이 동 시간대에 표시되는 예측 데이터의 값의 범위를 벗어나는 경우 비정상 데이터로 판별하는 것을 특징으로 한다.

본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 의하면, 비지도 학습 기반의 GAN 모델을 비정상 데이터 탐지용 예측데이터 산출에 적용하기 때문에 CNC 공작기계에 대한 방대한 공정 데이터를 확보하기 어려운 중소 규모의 공장에서도 신속하고 정확하게 실시간으로 CNC 공작기계의 공구의 이상 여부를 탐지할 수 있는 효과가 있다.

도 1은 본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템의 일예를 도식적으로 도시한 것이다.
도 2는 본 발명의 공구 관련 공정 데이터의 형태를 예시로 나타낸 것이다.
도 3은 본 발명의 데이터 저장부에서 실시간 공구 관련 공정 데이터에 대해 타임 인덱스 구간 별로 데이터 시작 지점을 동기화한 형태의 예시를 나타낸 것이다.
도 4는 본 발명의 데이터 저장부에서 시작 지점이 동기화된 데이터에 대해 관심영역(ROI)을 구분하여 분류하는 과정을 나타낸 것이다.
도 5는 본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템을 이용하여 탐지된 비정상 데이터 구간을 도시한 그래프의 일예를 나타낸 것이다.
도 6은 본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템의 사용자 인터페이스부의 일예를 나타낸 것이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

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.

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.

이하에서는 본 발명에 대해 상세히 설명하되, 필요한 경우 발명의 이해를 돕기 위해 도면을 참고하여 설명하도록 한다. 하기 도면 및 도면에 관한 설명은 본 발명의 이해를 돕기 위한 일예에 지나지 않으며, 이에 의해 본 발명의 범위가 제한되는 것은 아니다.

도 1에 도시된 본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 의하면, 본 발명은 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 관한 것으로, 보다 구체적으로 CNC 공작기계에 구비되는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 있어서, 가동 중인 CNC 공작기계로부터 실시간으로 공구 관련 공정 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집되는 공구 관련 공정 데이터를 저장하고, 하기 모델 관리부에서 생성되는 예측 데이터를 저장하는 데이터 저장부; 사용자의 설정에 따라 상기 데이터 저장부로부터 사용자가 설정한 데이터 구간의 공구 관련 공정 데이터를 전송 받아 GAN(Generative Adversarial Networks) 모델을 학습시킨 후, 학습된 GAN 모델을 기반으로 정상 데이터 여부의 판별 기준이 되는 예측 데이터를 생성하고, 직전의 GAN 모델을 상기 학습된 GAN 모델로 수정 저장하는 모델 관리부; 및 상기 데이터 저장부로부터 전송 받은 예측 데이터와 공구 관련 공정 데이터를 사용자가 동시에 확인할 수 있도록 디스플레이에 시간대별로 표시하며, 사용자가 해당 CNC 공작기계에 적용된 GAN 모델을 조회하거나, 데이터 구간을 설정하고, GAN 모델의 학습, 적용 또는 수정을 명령할 수 있도록 되어 있는 사용자 인터페이스부;를 포함하고, 사용자가 상기 사용자 인터페이스부의 디스플레이에 표시되는 공구 관련 공정 데이터의 값이 동 시간대에 표시되는 예측 데이터의 값의 범위를 벗어나는 경우 비정상 데이터로 판별하는 것을 특징으로 한다.

본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템은 CNC 공작기계의 설비에 장착되는 컴퓨터에 의해 구현되는 것으로서, 실시간으로 수집되는 해당 CNC 공작기계의 공구 관련 공정 데이터를 기반으로 GAN(Generative Adversarial Networks) 모델을 학습시키고, 학습된 GAN 모델을 이용하여 해당 CNC 공작기계로부터 실시간으로 수집되는 공구 관련 공정 데이터의 이상 여부를 판정하고, 이를 통해 해당 CNC 공작기계의 공구의 결함 여부를 사용자가 신속하고 신뢰도 높게 확인할 수 있도록 하는 시스템에 관한 것이다. 상기 GAN 모델은 '생성적 적대 신경망(Generative Adversarial Networks)' 모델로서, 두 종류의 신경망 모델을 서로 대립적으로 경쟁을 통해 학습시키고 점차적으로 실제에 근접한 결과 데이터를 생성하는 알고리즘 모델이다. 상기 두 종류의 신경망 모델은 실제 데이터를 학습하고 이를 바탕으로 거짓 데이터(fake data)를 생성하는 생성자(Generator)와 상기 생성자가 생성한 데이터가 실제인지 거짓인지 여부를 판별하도록 학습하는 감별자(Discriminator)로 구성되어 있다. 상기 생성자는 학습을 통해 감별자를 속이게 끔 최대한 실제에 가까운 거짓 데이터를 생성하는 것을 목적으로 하고, 상기 감별자는 상기 생성자의 거짓 데이터에 속지 않도록 최대한 정교하게 판별할 수 있도록 학습하는 것을 목적으로 하며, 상기 생성자와 감별자가 대립적으로 학습해 가면서 궁극적으로는 상기 감별자가 잘 속을 정도로 최대한 실제와 같은 거짓 데이터를 생성자가 생성하도록 하는 딥러닝 알고리즘 모델이다.

본 발명에서 상기 데이터 수집부는 가동 중인 CNC 공작기계로부터 실시간으로 공구 관련 공정 데이터를 수집하는 것으로서, 상기 공구 관련 공정 데이터는 공구의 이상 유무 상태를 나타내는 데이터라면 특별히 제한적인 것은 아니나, 외부 센서 데이터가 아니면서, 전류 데이터와 같이 설비 자체에서 유래되고, 공구의 이상 유무 상태를 시계열적으로 반영할 수 있는 데이터인 것이 바람직하다. 이는 외부 센서 데이터의 경우 주변 환경에 따라 센서의 정확도가 일정하지 않아 데이터의 신뢰도 및 정확도가 떨어지는 문제가 있기 때문이다.

상기 데이터 수집부에서 실시간으로 수집한 공구 관련 공정 데이터는 시계열 데이터로 구성된다. 도 2는 상기 공구 관련 공정 데이터의 형태를 예시로 나타낸 것으로, 데이터 항목으로 타임스탬프(timestamp), 해당 공구의 ID, 해당 공구의 사용횟수, 변수 값(x1, x2, .....)이 있다. 상기 실시간 데이터는 타임스탬프의 시계열 순서대로 나열되어 정리된다. 상기 변수 값은 CNC 공작기계의 공구 관련 공정 데이터의 값으로서, 예를 들면 x1은 전류 값, x2는 진동 값이 될 수 있다.

본 발명에서 상기 데이터 저장부는 상기 데이터 수집부에서 수집되는 공구 관련 공정 데이터를 저장하는 것으로서, 상기 데이터 저장부는 상기 데이터 수집부에서 수집된 실시간 공구 관련 공정 데이터를 공구 ID 및 사용횟수 별로 분류하고, 분류된 데이터에 대해 특정 타임 인덱스(Time Index) 구간 별로 각각 최대값에 대응하는 타임 인덱스(Time Index)들을 찾은 후 평균값을 산출하고, 상기 평균값과 해당 타임 인덱스(Time Index) 구간의 최대값에 대응하는 타임 인덱스(Time Index)들의 차이만큼 데이터의 시작 지점을 동기화하여 저장하는 것이 바람직하다. 이는 실제로 다양한 절삭 작업에 대해 CNC 공정이 반복적으로 이루어지면 작업 마다 작업 주기가 미세하게 차이가 생기거나, 데이터의 전송에 지연이 발생하는 경우가 생기는 등 여러 가지 변수가 생기기 때문에 실제로 수집되는 원본 데이터는 도 3의 예에서 확인할 수 있는 바와 같이 데이터의 시작 지점이 다양하게 분포하는 부정확한 데이터를 수집하게 되므로, 결과적으로 CNC 공작기계의 공구 상태에 대한 간접 계측 결과의 신뢰도 및 정확도를 저하시키기 때문이다. 나아가, 상기 데이터 저장부는 데이터의 시작 지점이 동기화된 데이터에 대해 타임 인덱스(Time Index) 별로 표준편차값을 산출하고, 상기에서 산출된 표준편차값이 특정 임계값을 넘는 타임 인덱스(Time Index) 구간을 관심영역(region of interest, ROI)으로 구분하여 분류하는 것이 더욱 더 바람직하다. 이는 CNC 공작기계에서 복수의 공구를 사용하여 작업을 하는 경우, 작업 도중 공구 간 교체가 이루어지는 상황이 발생하는데, 이 경우 도 4에서 확인할 수 있는 바와 같이 공구가 교체를 위해 이동하는 구간이 발생하게 되고, 공구가 교체를 위해 이동하는 구간에는 실제 작업이 이루어지는 구간이 아님에도 불구하고 전류 데이터 등 공정 데이터가 생성되기 때문에 이러한 작업과 무관한 데이터들이 혼재하게 되면 결과적으로 CNC 공작기계의 공구 상태의 간접 계측 결과의 신뢰도 및 정확도를 현저히 저하시키게 되기 때문이며, 따라서 본 발명에서는 실시간으로 수집되는 공구 관련 공정 데이터 중 작업과 무관한 구간의 데이터는 배제시키고, 실제 작업과 관련된 데이터 구간만을 관심영역(Region of Interest, ROI)으로 분류하여 후속 과정의 분석 대상 데이터로 삼는 것이다. 예를 들면, 도 4에서 ROI 1, ROI 2, ROI 3로 표시된 데이터 구간이 실제 CNC 작업 구간과 관련된 관심영역으로 분류된 공구 관련 공정 데이터에 해당한다.

본 발명에서 상기 모델 관리부는 사용자의 설정에 따라 상기 데이터 저장부로부터 사용자가 설정한 데이터 구간의 공구 관련 공정 데이터를 전송 받아 GAN(Generative Adversarial Networks) 모델을 학습시킨 후, 학습된 GAN 모델을 기반으로 정상 데이터 여부의 판별 기준이 되는 예측 데이터를 생성하고, 직전의 GAN 모델을 상기 학습된 GAN 모델로 수정 저장하는 역할을 하는 것으로서, 공장 내부의 CNC 공작기계 별로 GAN 모델을 적용, 수정, 삭제 등 관리한다. 본 발명은 생성자(Generator)와 감별자(Discriminator)간 대립적인 학습을 통해 최대한 실제와 가까운 예측 데이터를 생성하는 GAN 모델을 이용함으로써 적은 양의 공정 데이터를 기반으로 하여도 충분히 정확도가 높은 예측 데이터를 생성할 수 있게 된다. 상기 학습된 GAN 모델을 기반으로 생성되는 예측 데이터는 도 5에 나타난 바와 같이 그래프 상에 최대값(파란색 윗 점선)과 최소값(파란색 아래 점선)의 점선으로 표시되며, 이 경우 실제 공구 관련 공정 데이터가 시간대 별로 상기 최대값과 최소값의 사이에 포함되는지 여부로 정상 데이터 여부를 판별하게 된다.

본 발명에서 상기 사용자 인터페이스부는 상기 데이터 통지부로부터 통지 받은 예측 데이터 및 공구 관련 공정 데이터를 사용자가 동시에 확인할 수 있도록 디스플레이에 시간대별로 표시하며, 또한 도 6의 예시에 나타난 바와 같이 사용자가 해당 CNC 공작기계에 적용된 GAN 모델을 조회하거나, 데이터 구간을 설정하고, GAN 모델의 학습ㅇ적용ㅇ수정을 명령할 수 있도록 되어 있는 것으로서, 사용자가 상기 사용자 인터페이스부의 디스플레이에 표시되는 공구 관련 공정 데이터의 값이 동 시간대에 표시되는 예측 데이터의 값의 범위를 벗어나는 경우 비정상 데이터로 판별하는 것을 특징으로 한다. 가령, 도 5에서 600분 이전까지는 실시간으로 수집되는 실제 공구 관련 공정데이터(녹색 실선)가 예측 데이터의 최대값과 최소값(파란색 점선)의 범위 내에 포함되는 것으로 확인되어 정상 데이터로 판별되나, 600분을 초과하는 시점부터는 실시간으로 수집되는 실제 공구 관련 공정데이터(녹색 실선)가 예측 데이터의 최대값과 최소값(파란색 점선)의 범위를 벗어나는 것으로 확인되어 비정상 데이터로 판별되어 사용자가 해당 CNC 공작 기계의 공구에 결함이 발생한 것으로 판단하고 필요한 조치를 취하게 된다.

본 발명에 따른 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 의하면, 비지도 학습 기반의 GAN 모델을 비정상 데이터 탐지용 예측데이터 산출에 적용하기 때문에 CNC 공작기계에 대한 방대한 공정 데이터를 확보하기 어려운 중소 규모의 공장에서도 신속하고 정확하게 실시간으로 CNC 공작기계의 공구의 이상 여부를 탐지할 수 있다.

이상에 설명한 바와 같이, 본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 본 발명의 범위는 상기의 상세한 설명보다는 후술할 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

CNC 공작기계에 구비되는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템에 있어서,
가동 중인 CNC 공작기계로부터 실시간으로 공구 관련 공정 데이터를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집되는 공구 관련 공정 데이터를 저장하고, 하기 모델 관리부에서 생성되는 예측 데이터를 저장하는 데이터 저장부;
사용자의 설정에 따라 상기 데이터 저장부로부터 사용자가 설정한 데이터 구간의 공구 관련 공정 데이터를 전송 받아 GAN(Generative Adversarial Networks) 모델을 학습시킨 후, 학습된 GAN 모델을 기반으로 정상 데이터 여부의 판별 기준이 되는 예측 데이터를 생성하고, 직전의 GAN 모델을 상기 학습된 GAN 모델로 수정 저장하는 모델 관리부; 및
상기 데이터 저장부로부터 전송 받은 예측 데이터와 공구 관련 공정 데이터를 사용자가 동시에 확인할 수 있도록 디스플레이에 시간대별로 표시하며, 사용자가 해당 CNC 공작기계에 적용된 GAN 모델을 조회하거나, 데이터 구간을 설정하고, GAN 모델의 학습, 적용 또는 수정을 명령할 수 있도록 되어 있는 사용자 인터페이스부;를 포함하고,
상기 데이터 저장부는 상기 데이터 수집부에서 수집된 실시간 공구 관련 공정 데이터를 공구 ID 및 사용횟수 별로 분류하고, 분류된 데이터에 대해 특정 타임 인덱스(Time Index) 구간 별로 각각 최대값에 대응하는 타임 인덱스(Time Index)들을 찾은 후 평균값을 산출하고, 상기 평균값과 해당 타임 인덱스(Time Index) 구간의 최대값에 대응하는 타임 인덱스(Time Index)들의 차이만큼 데이터의 시작 지점을 동기화하여 저장하며,
사용자가 상기 사용자 인터페이스부의 디스플레이에 표시되는 공구 관련 공정 데이터의 값이 동 시간대에 표시되는 예측 데이터의 값의 범위를 벗어나는 경우 비정상 데이터로 판별하는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템.
삭제
제 1항에 있어서,
상기 데이터 저장부는 데이터의 시작 지점이 동기화된 데이터에 대해 타임 인덱스(Time Index) 별로 표준편차값을 산출하고, 상기에서 산출된 표준편차값이 특정 임계값을 넘는 타임 인덱스(Time Index) 구간을 관심영역(region of interest, ROI)으로 구분하여 분류하는 것을 특징으로 하는 CNC 공작기계의 공구 관련 비정상 데이터 탐지 시스템.