KR102370446B1 - Machining prediction model generation method to estimate cutting force of cutting machine - Google Patents

Machining prediction model generation method to estimate cutting force of cutting machine Download PDF

Info

Publication number
KR102370446B1
KR102370446B1 KR1020200147104A KR20200147104A KR102370446B1 KR 102370446 B1 KR102370446 B1 KR 102370446B1 KR 1020200147104 A KR1020200147104 A KR 1020200147104A KR 20200147104 A KR20200147104 A KR 20200147104A KR 102370446 B1 KR102370446 B1 KR 102370446B1
Authority
KR
South Korea
Prior art keywords
information
data
cutting force
cutting
machine
Prior art date
Application number
KR1020200147104A
Other languages
Korean (ko)
Inventor
구정인
박경희
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200147104A priority Critical patent/KR102370446B1/en
Application granted granted Critical
Publication of KR102370446B1 publication Critical patent/KR102370446B1/en

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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned 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
    • G05B19/18—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
    • G05B19/182—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 the machine tool function, e.g. thread cutting, cam making, tool direction control
    • 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
    • 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
    • G05B19/416—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 control of velocity, acceleration or deceleration
    • G05B19/4163—Adaptive control of feed or cutting velocity

Abstract

A cutting processing device of the present invention comprises one or more cutting tools comprising a plurality of tool blades mounted on a spindle. Provided is a machining prediction model generating method for estimating the cutting force of the cutting processing machine which cuts a workpiece.

Description

절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법{Machining prediction model generation method to estimate cutting force of cutting machine}Machining prediction model generation method to estimate cutting force of cutting machine

본 발명은 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법에 관한 것이다.The present invention relates to a method of generating a machining prediction model for estimating the cutting force of a cutting machine.

다양한 산업현장에 사용되는 절삭가공은 장비, 소재, 공정 및 절삭공구 특성에 영향을 많이 받기 때문에 공정 최적화 및 이상상태 사전대응을 판단하는 것은 중요하다.Since cutting used in various industrial sites is greatly affected by the characteristics of equipment, materials, processes and cutting tools, it is important to determine process optimization and preemptive response to abnormal conditions.

절삭력은 공구마모, 표면조도, 공작기계 이상진단 등의 예측/진단에 기초적인 정보를 제공하는 바, 공정을 최적화하고 사전대응을 위해 절삭가공 공정에서 절삭력을 예측하는 것은 매우 중요한 문제이다.Cutting force provides basic information for predicting/diagnosing tool wear, surface roughness, and machine tool abnormality diagnosis, so it is very important to predict cutting force in the cutting process to optimize the process and take a proactive response.

종래에는 압전 소자를 이용한 공구동력계로 절삭력을 측정하지만 고가의 비용금액과 피삭재의 크기 제한으로 인해 현장에서의 적용이 어렵다는 문제가 있었고, 절삭력을 예측하기 위해 최적화된 학습 모델을 생성하는 것에 대한 인식은 부족하였다.In the past, cutting force was measured with a tool dynamometer using a piezoelectric element, but there was a problem in that it was difficult to apply in the field due to the high cost and size limitation of the work piece. was lacking.

예를 들어, 한국공개특허공보 제10-2019-0141811는 스마트 조정 시스템 및 그 방법에 관한 것으로, 절삭기기를 제어하기 위한 기술로 학습모델을 구축한 다음 절삭기기를 제어하는 것에 대한 인식은 있으나, 절삭력을 예측하기 위해 변수를 최적화하는 과정을 포함하지는 않고, 절삭력을 예측하기 위해 최적화된 모델을 생성하는 것에 대한 인식은 없다.For example, Korean Patent Application Laid-Open No. 10-2019-0141811 relates to a smart adjustment system and a method thereof, and there is a perception of controlling a cutting device after establishing a learning model with a technology for controlling a cutting device, It does not involve the process of optimizing variables to predict cutting force, and there is no awareness of generating an optimized model to predict cutting force.

다른 예를 들어, 한국공개특허공보 제10-2018-0054154호는 공작기계의 진동 적응 제어방법에 관한 것으로, 공작기계, 공구 및 공작물 정보를 인공지능에 입력하나, 절삭력을 예측하기 위해 변수를 최적화하는 과정을 포함하지는 않고, 절삭력을 예측하기 위해 최적화된 모델을 생성하는 것에 대한 인식은 없다.For another example, Korean Patent Application Laid-Open No. 10-2018-0054154 relates to a vibration adaptive control method of a machine tool, inputting machine tool, tool and workpiece information into artificial intelligence, but optimizing variables to predict cutting force There is no awareness of generating an optimized model to predict cutting force.

(특허문헌 1) 한국공개특허공보 제10-2019-0141811호(Patent Document 1) Korean Patent Publication No. 10-2019-0141811

(특허문헌 2) 한국공개특허공보 제10-2018-0054154호(Patent Document 2) Korean Patent Publication No. 10-2018-0054154

(특허문헌 3) 일본등록특허공보 제6063016호(Patent Document 3) Japanese Patent Publication No. 6063016

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been devised to solve the above problems.

구체적으로, 본 발명은 절삭력 추정을 위해 변수를 최적화하여, 절삭력 추정을 위한 최적의 가공 예측 모델을 생성하기 위함이다.Specifically, the present invention is to optimize a variable for estimating the cutting force to generate an optimal machining prediction model for estimating the cutting force.

본 발명은 기기에서 모니터링되는 데이터와 기존에 축적된 시뮬레이션 데이터를 바탕으로, 정확한 가공 예측 모델을 생성하기 위함이다. The present invention is to generate an accurate machining prediction model based on data monitored by the device and simulation data accumulated previously.

또한, 본 발명은 통합 데이터 셋을 생성한 후 변수 선택을 하여, 처리하는 데이터의 속도를 증가시키기 위함이다.In addition, the present invention is to increase the speed of processing data by selecting a variable after creating an integrated data set.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하여, 피삭재를 절삭하는 절삭 가공 기기의 절삭력을 추정 하기 위한 가공 예측 모델 생성 방법으로서, (a) 데이터 전처리부(100)에 공구날 수(number of tooth)에 대한 정보를 포함하는 절삭 공구 정보(13)와, 미리 설정된 스핀들 RPM 설정값에 대한 정보를 포함하는 가공실험 정보(14)를 포함하는 공정 변수 데이터(10), 측정되는 스핀들 RPM에 대한 정보를 포함하는 CNC정보(21), 측정되는 절삭력 측정 정보를 포함하는 동력계 정보(22) 및 센서 정보(23)를 포함하는 모니터링 데이터(20), 시간에 따른 절삭력 시뮬레이션 정보를 포함하는 기저장된 시뮬레이션 데이터(30)가 입력되는 단계; (b) 상기 데이터 전처리부(100)가 상기 모니터링 데이터(20)가 포함하는 상기 절삭력 측정 정보와 상기 시뮬레이션 데이터(30)가 포함하는 상기 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성하고, 상기 공정 변수 데이터(10), 상기 모니터링 데이터(20) 및 상기 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성하는 단계; (c) 상기 데이터 전처리부(100)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계; (d) 상기 데이터 전처리부(100)는 상기 변수 선택된 데이터를 모델링부(200)로 전송하는 단계; 및 (e) 상기 모델링부(200)는 변수 선택된 데이터를 모델링하여 절삭력을 추정하는 가공 예측 모델을 생성하는 단계; 를 포함하는, 방법을 제공한다.One embodiment of the present invention for solving the above problems, including one or more cutting tools including a plurality of tool blades mounted on a spindle, machining prediction for estimating the cutting force of a cutting machine for cutting a work-piece As a model generation method, (a) cutting tool information 13 including information on the number of tooth in the data preprocessing unit 100, and machining including information on a preset spindle RPM setting value Process variable data 10 including experimental information 14, CNC information 21 including information on measured spindle RPM, dynamometer information 22 including measured cutting force measurement information, and sensor information 23 Monitoring data including the 20, the pre-stored simulation data 30 including the cutting force simulation information according to time is input; (b) the data preprocessor 100 synchronizes the cutting force measurement information included in the monitoring data 20 and the cutting force simulation information included in the simulation data 30 to generate cutting force synchronization information, and the process Generating an integrated data set including the variable data (10), the monitoring data (20), and the cutting force synchronization information; (c) the data preprocessor 100 selecting a variable from the integrated data set (feature selection); (d) transmitting, by the data pre-processing unit 100, the variable-selected data to the modeling unit 200; and (e) generating, by the modeling unit 200, a machining prediction model for estimating cutting force by modeling the variable-selected data; It provides a method comprising:

일 실시예는, 상기 절삭력 시뮬레이션 정보는 주기를 갖는 값이며, 상기 (b)단계는, (b1) 상기 데이터 전처리부(100)는, 상기 입력된 상기 공구 정보(13)와 상기 가공실험 정보(14)로 공구날 주파수(Tooth passing frequency)를 연산하고, 상기 연산된 공구날 주파수의 역수를 모니터링 데이터 주기로 설정하는 단계; (b2) 상기 데이터 전처리부(100)는 상기 (a)단계에서 입력된 모니터링 데이터(20)에서, 상기 설정된 상기 모니터링 데이터 주기마다 기설정된 횟수만큼의 상기 절삭력 측정 정보를 추출하는 단계; (b3) 상기 데이터 전처리부(100)는, 상기 (a)단계에서 입력된 상기 시뮬레이션 데이터(30)에서 상기 절삭력 시뮬레이션 정보의 주기를 판단하고, 상기 판단된 절삭력의 주기마다 상기 기설정된 횟수만큼의 절삭력 시뮬레이션 정보를 추출하는 단계; 및 (b4) 상기 데이터 전처리부(100)는 상기 (b2)단계에서 추출한 절삭력 측정 정보와 상기 (b3)단계에서 추출한 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성하고, 상기 입력된 모니터링 데이터(20)와 상기 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성하는 단계; 를 포함할 수 있다.In one embodiment, the cutting force simulation information is a value having a cycle, and in step (b), (b1) the data pre-processing unit 100, the input tool information 13 and the machining experiment information ( 14) calculating a tool passing frequency, and setting a reciprocal number of the calculated tool blade frequency as a monitoring data period; (b2) extracting, by the data pre-processing unit 100, the cutting force measurement information a predetermined number of times for each set monitoring data period from the monitoring data 20 input in the step (a); (b3) The data pre-processing unit 100 determines the period of the cutting force simulation information from the simulation data 30 input in the step (a), and the predetermined number of times for each period of the determined cutting force. extracting cutting force simulation information; and (b4) the data preprocessor 100 synchronizes the cutting force measurement information extracted in the step (b2) and the cutting force simulation information extracted in the step (b3) to generate cutting force synchronization information, and the input monitoring data 20 ) and generating an integrated data set including the cutting force synchronization information; may include

일 실시예는, 상기 (c)단계는, 상기 데이터 전처리부(100)가 상기 통합데이터 셋에 포함된 정보를 각각 서로 상관계수를 기반으로, 다수의 데이터 중 절삭력, 절삭 가공 기기의 다수의 축 및 스핀들의 3상 전류 및 전압, 절삭 공구의 공구날 정보, 스핀들 RPM, 및 스핀들 이송 속도를 추출하여 변수 선택하는 단계를 포함할 수 있다.In one embodiment, in the step (c), the data pre-processing unit 100 compares the information included in the integrated data set with each other based on a correlation coefficient, cutting force among a plurality of data, and a plurality of axes of the cutting machine and extracting three-phase current and voltage of the spindle, tool edge information of the cutting tool, spindle RPM, and spindle feed rate to select variables.

일 실시예는, 상기 가공실험 정보(14)는 절삭 공구의 이송 속도, 피삭재의 절삭 폭 및 피삭재의 절입 깊이에 대한 정보를 더 포함하고, 상기 센서 정보(23)는 기기에서 측정되는 절삭 가공 기기의 다수의 축 및 스핀들의 3상 전류 및 전압, 스핀들의 X, Y방향 가속도 및 소음에 대한 정보를 더 포함하고, 상기 CNC정보(21)는 기기 동작 시간, 절삭 가공 기기의 다수의 축의 위치, 절삭 가공 기기의 다수의 축과 스핀들에 걸리는 부하, 스핀들 RPM에 대한 정보를 더 포함할 수 있다.In one embodiment, the machining experiment information 14 further includes information on the feed rate of the cutting tool, the cutting width of the work material, and the cutting depth of the work material, and the sensor information 23 is a cutting machine measured by the machine. It further includes information on a plurality of axes and three-phase current and voltage of the spindle, acceleration and noise in the X and Y directions of the spindle, and the CNC information 21 includes machine operation time, location of a plurality of axes of the cutting machine, It may further include information about a load applied to a plurality of axes and spindles of the cutting machine, and spindle RPM.

일 실시예는, 상기 공정 변수 데이터(10)는, 피삭재의 소재 정보를 포함하는 피삭재 정보(11) 및 가공하는 기기 종류를 포함하는 기기 정보(12)를 더 포함할 수 있다.In one embodiment, the process variable data 10 may further include workpiece information 11 including material information of the workpiece and machine information 12 including the type of machine to be processed.

일 실시예는, 상기 (e)단계는, 상기 모델링부(200)가 상기 변수 선택된 데이터를 정규화(normalize)하고 인공신경망을 생성하여 상기 가공 예측 모델을 생성하는 단계를 포함할 수 있다.In one embodiment, the step (e) may include the step of the modeling unit 200 normalizing the variable-selected data and generating an artificial neural network to generate the processed prediction model.

일 실시예는, 상기 (e)단계는, 상기 모델링부(200)가 상기 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 상기 가공 예측 모델을 생성하는 단계를 포함할 수 있다.In one embodiment, the step (e) may include the step of the modeling unit 200 normalizing the variable-selected data and performing LSTM to generate the machining prediction model.

일 실시예는, 상기 (e)단계는, 상기 모델링부(200)가 상기 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 상기 가공 예측 모델을 생성하는 단계를 포함할 수 있다.In one embodiment, the step (e) may include the step of the modeling unit 200 normalizing the variable-selected data and performing LSTM to generate the machining prediction model.

일 실시예는, 상기 (e)단계는, 상기 모델링부(200)가 상기 변수 선택된 데이터를 랜덤 포레스트(random forest) 또는 신경망(neural network)을 수행하여 상기 가공 예측 모델을 생성하는 단계를 포함할 수 있다.In one embodiment, the step (e) may include the step of the modeling unit 200 generating the processing prediction model by performing a random forest or a neural network on the variable-selected data. can

본 발명에 따라, 다음과 같은 효과가 달성된다. According to the present invention, the following effects are achieved.

본 발명은 기기에서 모니터링되는 데이터와 기존에 축적된 시뮬레이션 데이터를 바탕으로 정확한 가공 예측 모델을 생성할 수 있고, 절삭력을 예측할 수 있다.The present invention can generate an accurate machining prediction model based on data monitored by the machine and previously accumulated simulation data, and can predict cutting force.

또한, 본 발명은 절삭력 예측을 위해 변수를 최적화하여, 절삭력 예측을 위한 최적의 가공 예측 모델을 생성하기 위함이다.In addition, the present invention is to optimize a variable for predicting a cutting force to generate an optimal machining prediction model for predicting a cutting force.

또한, 본 발명은 통합 데이터 셋을 생성한 후 변수 선택을 하여, 처리하는 데이터의 속도를 증가시킬 수 있다.In addition, the present invention can increase the speed of data to be processed by selecting a variable after creating an integrated data set.

또한, 본 발명은 실시간으로 공정 조건을 최적화할 수 있고, 공정에서 발생하는 문제상황에 대해 사전대응을 할 수 있다.In addition, the present invention can optimize process conditions in real time, and can take a proactive response to problem situations occurring in the process.

도 1은 본 발명에 따른 구성요소를 개략적으로 설명하기 위한 모식도이다.
도 2는 본 발명에서 사용되는 데이터를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 가공 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명에서 사용되는 데이터의 수치와 정보를 나타낸 표이다.
도 5는 본 발명에서 상관계수 기반으로 변수 선택하는 것을 설명하기 위한 도면이다.
도 6은 본 발명에 따라 생성된 모델을 이용하여 절삭력을 예측한 결과를 설명하기 위한 도면이다.1 is a schematic diagram for schematically explaining components according to the present invention.
2 is a diagram for explaining data used in the present invention.
3 is a view for explaining a method of generating a machining prediction model according to the present invention.
4 is a table showing numerical values and information of data used in the present invention.
5 is a diagram for explaining variable selection based on a correlation coefficient in the present invention.
6 is a view for explaining a result of predicting a cutting force using a model generated according to the present invention.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some cases, well-known structures and devices may be omitted or shown in block diagram form focusing on core functions of each structure and device in order to avoid obscuring the concept of the present invention.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. In addition, in describing the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

이하, "기기"란 절삭가공에서 사용되는 공작기계를 의미하나, 이에 제한되는 것은 아니다.Hereinafter, "machine" means a machine tool used in cutting, but is not limited thereto.

이하, 본 발명에서는 가공 예측 모델을 생성하기 위해, 절삭 가공에서 사용되는 데이터를 수집하여, 가공 예측 모델을 생성하는 것으로 설명하였으나 이에 제한되는 것은 아니고, 다른 종류의 가공에도 적용될 수 있다.Hereinafter, the present invention has been described as generating a machining prediction model by collecting data used in cutting to generate a machining prediction model, but is not limited thereto, and may be applied to other types of machining.

이하, 본 발명에서 기재하는 "축"은 CNC 공작기계에서 사용되는 미리 주지된 방향의 축을 의미하는 것이고, 본 발명의 CNC 공작기계는 3축인 것을 가정하여 설명하나, 이에 제한되는 것은 아니고 3축이상일 수 있다. 또한, "절삭 가공 기기의 다수의 축"은 절삭 가공 기기에 위치된 축을 의미한다Hereinafter, "axis" described in the present invention means an axis in a known direction used in a CNC machine tool, and the CNC machine tool of the present invention will be described on the assumption that it is three axes, but is not limited thereto and may be three or more axes. can Also, "multiple axes of a cutting machine" means axes located in the machine.

본 발명에 따른 가공 예측 모델 생성 방법은 데이터 전처리부(100), 모델링부(200)를 포함한다.The method for generating a machining prediction model according to the present invention includes a data preprocessing unit 100 and a modeling unit 200 .

도 1 및 도 2를 참조하여, 본 발명에 따른 구성요소를 전체적으로 설명한다.1 and 2, the components according to the present invention will be described as a whole.

본 발명은 절삭 가공에서 가공 변수로부터, 절삭력을 예측하기 위해 가공 예측 모델을 생성한다.The present invention generates a machining prediction model to predict a cutting force from a machining variable in a cutting process.

본 발명에서 가공 예측 모델을 생성하기 위해, 데이터는 공정 변수 데이터(10), 모니터링 데이터(20), 시뮬레이션 데이터(30)를 사용한다.In the present invention, in order to generate a machining prediction model, the data uses the process variable data 10 , the monitoring data 20 , and the simulation data 30 .

공정 변수 데이터(10)는 절삭 가공에서 사용되는 공정 변수를 포함하는 데이터로, 공정에 영향을 주는 변수를 모두 포함하며, 미리 설정된다.The process variable data 10 is data including process variables used in cutting, including all variables affecting the process, and is preset.

공정 변수 데이터(10)는 피삭재 정보(11), 기기 정보(12), 공구 정보(13), 가공 실험 정보(14)를 포함한다.The process variable data 10 includes workpiece information 11 , machine information 12 , tool information 13 , and machining experiment information 14 .

피삭재 정보(11)는 절삭 가공에서 절삭되는 피삭재에 대한 정보를 포함한다. The work material information 11 includes information on the work material to be cut in the cutting process.

피삭재 정보(11)는 피삭재의 소재에 대한 정보인 소재의 종류, 물성에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.The workpiece information 11 may include information on the type and physical properties of the workpiece, which is information on the material of the workpiece, but is not limited thereto.

기기 정보(12)는 절삭 가공 기기에서 절삭하는 다수의 기기 또는 기계에 대한 정보를 포함한다. The machine information 12 includes information about a plurality of machines or machines cut by the cutting machine.

기기 정보(12)는 절삭 가공 기기에서 사용되는 기기 또는 기계의 종류에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. The device information 12 may include information on the type of device or machine used in the cutting machine, but is not limited thereto.

공구 정보(13)는 절삭 가공에서 절삭하는데 사용되는 공구에 대한 정보를 포함한다. The tool information 13 includes information about a tool used for cutting in a cutting process.

공구 정보(13)는 공구날 수(number of tooth)에 대한 정보를 포함한다. 절삭 가공에서는 공구날 수에 따라, 피삭재의 절삭 정도 및 절삭력이 달라진다. The tool information 13 includes information on the number of tool teeth. In cutting, the cutting degree and cutting force of the workpiece vary according to the number of tool teeth.

가공 실험 정보(14)는 패스 순서(pass sequence), 스핀들 RPM 설정값, 스핀들 이송 속도, 절삭 폭 및 절입 깊이에 대한 정보를 포함한다.Machining experiment information 14 includes information on pass sequence, spindle RPM set value, spindle feed rate, cutting width and depth of cut.

이 때, 스핀들 이송 속도는 분당 스핀들의 이동 거리를 의미한다.In this case, the spindle feed rate means the movement distance of the spindle per minute.

또한, 가공 실험 정보(14)는 이송 방향에 대한 정보를 더 포함할 수 있다.In addition, the processing experiment information 14 may further include information on the transport direction.

모니터링 데이터(20)는 절삭 가공 기기에서 추출되는 데이터로, 해당 기기에서 모니터링되는 데이터이다.The monitoring data 20 is data extracted from a cutting machine, and is data monitored by the machine.

모니터링 데이터(20)는 CNC 정보(21), 동력계 정보(22), 센서 정보(23)를 포함한다.The monitoring data 20 includes CNC information 21 , dynamometer information 22 , and sensor information 23 .

CNC 정보(21)는 CNC장치에 부착된 기기 자체에서 측정되는 정보에 관한 것이다.The CNC information 21 relates to information measured by the device itself attached to the CNC device.

CNC 정보(21)는 기기가 동작되는 시간, 절삭 가공 기기의 다수의 축의 위치, 절삭 가공 기기의 다수의 축의 부하, 기기에 장착된 스핀들 RPM(mm/rev), 스핀들 부하에 대한 정보를 포함한다.The CNC information 21 includes information on the operating time of the machine, the positions of the multiple axes of the cutting machine, the load of the multiple axes of the cutting machine, the spindle RPM (mm/rev) mounted on the machine, and the spindle load. .

이 때, 절삭 가공 기기의 다수의 축의 위치와 절삭 가공 기기의 다수의 축의 부하는 X축, Y축, Z축에 대한 이송 테이블의 위치 정보 및 부하 정보를 포함할 수 있으나 이에 제한되는 것은 아니다.In this case, the positions of the plurality of axes of the cutting machine and the loads of the plurality of axes of the cutting machine may include, but are not limited to, location information and load information of the feed table with respect to the X-axis, Y-axis, and Z-axis.

동력계 정보(22)는 기기에서 모니터링되는 절삭력 측정 정보를 포함한다.The dynamometer information 22 includes cutting force measurement information monitored by the machine.

이 때, 절삭력 측정 정보는 X축, Y축, Z축에 대한 절삭력으로 X축 절삭력, Y축 절삭력, Z축 절삭력에 관한 정보를 포함할 수 있다. 이 때, Y축 절삭력은 주절삭력을 의미할 수 있다.At this time, the cutting force measurement information may include information about the X-axis cutting force, the Y-axis cutting force, and the Z-axis cutting force as the cutting force for the X-axis, the Y-axis, and the Z-axis. In this case, the Y-axis cutting force may mean a main cutting force.

이 때, 절삭력 측정 정보는 스핀들에 체결된 공구의 절삭력을 의미하는 것이나, 이에 제한되는 것은 아니다.In this case, the cutting force measurement information means the cutting force of the tool fastened to the spindle, but is not limited thereto.

센서 정보(23)는 기기에 부착된 센서에 측정되는 정보를 포함한다.The sensor information 23 includes information measured by a sensor attached to the device.

센서 정보(23)는 절삭 가공 기기의 다수의 축 및 스핀들의 전압, 절삭 가공 기기의 다수의 축 및 스핀들의 전류, 가속도 및 소음에 대한 정보를 포함한다.이 때, 절삭 가공 기기의 다수의 축 및 스핀들의 전압과 전류는 절삭 가공 기기의 다수의 축 및 스핀들을 구동하기 위한 이송 테이블과 스핀들의 모터에서 각각 측정하는 값을 의미한다.The sensor information 23 includes information on voltages of multiple axes and spindles of the cutting machine, currents, accelerations, and noises of multiple axes and spindles of the cutting machine. And the voltage and current of the spindle mean values measured by the motor of the feed table and the spindle for driving a plurality of axes and spindles of the cutting machine, respectively.

이 때, 절삭 가공 기기의 다수의 축 및 스핀들의 전압과 전류에 대한 정보는 에서 3상전압과 전류를 의미하나 이에 제한되는 것은 아니다.이 때, 가속도에 대한 정보는 스핀들의 X축 및 Y축 방향에서 측정되는 가속도에 대한 정보를 포함한다.이 때, 소음에 대한 정보는 절삭 가공 기기에 소음 측정기와 같은 장치가 설치되어 수집되는 정보로서, 절삭 공구 및 가공 중 발생되는 소음을 비롯하여 기기에서 발생되는 소음에 대한 정보를 포함할 수 있다.At this time, information on voltage and current of a plurality of axes and spindles of the cutting machine means three-phase voltage and current in , but is not limited thereto. In this case, information on acceleration includes X-axis and Y-axis of the spindle. Includes information on acceleration measured in the direction. At this time, information on noise is information collected by installing a device such as a noise meter in the cutting machine, and the noise generated by the machine, including cutting tools and noise generated during machining. It may include information about the noise being made.

시뮬레이션 데이터(30)는 기존의 시뮬레이션을 통하여 미리 수집된 데이터를 의미한다.The simulation data 30 refers to data collected in advance through an existing simulation.

시뮬레이션 데이터(30)는 공정 변수를 입력하여 시뮬레이션한 데이터로 절삭력 시뮬레이션 정보를 포함한다.The simulation data 30 is data simulated by inputting process variables and includes cutting force simulation information.

시뮬레이션 데이터(30)는 시간에 따른 절삭력 시뮬레이션 정보를 포함한다.The simulation data 30 includes cutting force simulation information according to time.

이 때, 절삭력 시뮬레이션 정보는 주기를 갖는 값일 수 있으나 이에 제한되는 것은 아니다.In this case, the cutting force simulation information may be a value having a period, but is not limited thereto.

이 때, 절삭력 시뮬레이션 정보는 전술한 가공 실험 정보(14)인 스핀들 RPM 설정값, 스핀들 이송 속도, 절삭 폭 및 절입 깊이에 대한 정보와 동일한 조건에서에서 시뮬레이션한 공구 1회전에 따른 절삭 가공 기기의 다수의 축 별 절삭력을 포함한다.At this time, the cutting force simulation information is the above-described machining experiment information 14, the spindle RPM set value, the spindle feed rate, the cutting width, and the cutting depth. includes cutting force for each axis of

도 3을 참조하여, 본 발명에 따른 가공 예측 모델을 생성하는 과정을 설명한다.A process of generating a machining prediction model according to the present invention will be described with reference to FIG. 3 .

데이터 전처리부(100)가 모니터링 데이터(20)가 포함하는 절삭력 측정 정보와 시뮬레이션 데이터(30)가 포함하는 절삭력 시뮬레이션 정보를 동기화(cross correlation function)하여 절삭력 동기화 정보를 생성하고, 공정 변수 데이터(10), 모니터링 데이터(20) 및 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성한다.The data pre-processing unit 100 generates cutting force synchronization information by synchronizing cutting force measurement information included in the monitoring data 20 and cutting force simulation information included in the simulation data 30 (cross correlation function), and process variable data 10 ), monitoring data 20, and an integrated data set including cutting force synchronization information are generated.

구체적으로, 데이터 전처리부(100)는 공정 변수 데이터(10) 중 공구 정보(13)와 가공실험 정보(14)로부터 공구날 주파수(Tooth passing frequency)를 연산한다.Specifically, the data preprocessor 100 calculates a tool passing frequency from the tool information 13 and the machining experiment information 14 of the process variable data 10 .

데이터 전처리부(100)는 연산된 공구날 주파수의 역수는 모니터링 데이터 주기로 설정한다.The data preprocessor 100 sets the reciprocal of the calculated tool blade frequency as the monitoring data period.

이 때, 공구날 주파수(Tooth passing frequency)는 (공구날 수Х 스핀들 RPM 설정값)/60이다. At this time, the tool passing frequency is (number of tool teeth Х spindle RPM setting value)/60.

이 경우, 절삭력 추정의 정확도를 높이기 위해, 데이터 전처리부(100)에 피삭재 정보(11)와 기기 정보(12)가 추가로 입력될 수 있으나, 이에 제한되는 것은 아니다.In this case, in order to increase the accuracy of estimating the cutting force, the workpiece information 11 and the machine information 12 may be additionally input to the data preprocessor 100 , but the present invention is not limited thereto.

데이터 전처리부(100)에 입력되는 모니터링 데이터(20)로는 CNC정보(21), 동력계 정보(22) 및 센서 정보(23)를 포함한다.The monitoring data 20 input to the data preprocessor 100 includes CNC information 21 , dynamometer information 22 , and sensor information 23 .

CNC정보(21)는 절삭 가공 기기의 다수의 축 및 스핀들의 전류에 대한 정보를 포함한다. The CNC information 21 includes information on currents of a plurality of axes and spindles of the cutting machine.

이 때, CNC정보(21)에 기기가 동작되는 시간, 절삭 가공 기기의 다수의 축의 위치, 절삭 가공 기기의 다수의 축의 부하, 스핀들 RPM에 대한 정보가 더 포함될 수 있다.In this case, the CNC information 21 may further include information about the time the machine is operated, the positions of the plurality of axes of the cutting machine, the load of the plurality of axes of the machining machine, and the spindle RPM.

데이터 전처리부(100)는 입력되는 모니터링 데이터(20)에서 노이즈를 제거하고, 기기의 시작 시점을 판단한다.The data preprocessor 100 removes noise from the input monitoring data 20 and determines the start time of the device.

데이터 전처리부(100)는 입력된 모니터링 데이터(20)에서 설정된 모니터링 데이터 주기마다 기설정된 횟수만큼의 절삭력 측정 정보를 추출한다.The data preprocessor 100 extracts cutting force measurement information for a preset number of times for each set monitoring data period from the input monitoring data 20 .

이 때, 기설정된 횟수는 10회의 주기를 의미할 수 있으나 이에 제한되는 것은 아니다.In this case, the preset number may mean 10 cycles, but is not limited thereto.

또한, 데이터 전처리부(100)는 입력되는 시뮬레이션 데이터(30)에서 반복되는 주기를 확인하고, 기설정된 횟수만큼의 시뮬레이션 데이터(30)를 추출한다.In addition, the data pre-processing unit 100 checks a cycle repeated in the input simulation data 30 , and extracts the simulation data 30 for a preset number of times.

이 때, 데이터 전처리부(100)는 자기 상관 함수(autocorrelation function)를 통해, 시뮬레이션 데이터(30)에서 반복되는 주기를 획득할 수 있다.In this case, the data preprocessor 100 may obtain a cycle repeated in the simulation data 30 through an autocorrelation function.

이후, 데이터 전처리부(100)는 추출한 절삭력 측정 정보와 추출한 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성한다.Thereafter, the data preprocessor 100 generates cutting force synchronization information by synchronizing the extracted cutting force measurement information and the extracted cutting force simulation information.

이 때, 동기화란 상호 상관 함수(cross correlation function)를 통한 방식으로 수행될 수 있으나, 이에 제한되는 것은 아니다.In this case, the synchronization may be performed through a cross correlation function, but is not limited thereto.

즉, 모니터링 데이터(20)에서 모니터링된 절삭력 측정 정보뿐만 아니라, 시뮬레이션 데이터(30)가 포함하는 절삭력 시뮬레이션 정보를 이용하는 바, 본 발명에서 절삭력에 대한 정보의 정확도가 증대된다.That is, since the cutting force simulation information included in the simulation data 30 as well as the monitored cutting force measurement information in the monitoring data 20 is used, the accuracy of the information on the cutting force is increased in the present invention.

데이터 전처리부(100)는 모니터링 데이터(20)와 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성한다.The data preprocessor 100 generates an integrated data set including the monitoring data 20 and cutting force synchronization information.

이 때, 생성되는 통합 데이터 셋에는 절삭력 동기화 정보가 포함되는 바, 모니터링 데이터(20)에는 절삭력 측정 정보를 제외한다.At this time, the generated integrated data set includes cutting force synchronization information, and the monitoring data 20 excludes cutting force measurement information.

이 때, 데이터 전처리부(100)는 공정 변수 데이터(10) 중 공구 정보(13)가 추가로 입력된 후, 통합 데이터 셋을 생성할 수 있다.In this case, the data preprocessor 100 may generate an integrated data set after the tool information 13 of the process variable data 10 is additionally input.

도 5에는 상관 계수를 기반으로 변수 선택하는 것이 도시된다.5 shows variable selection based on a correlation coefficient.

데이터 전처리부(100)는 통합데이터 셋에 포함된 정보를 각각 서로 상관 계수를 기반으로 변수 선택을 한다. 즉, 데이터 전처리부(100)에서 통합 데이터 셋에포함되는 정보 중 서로 상관 관계가 높은 변수들을 판단한다. The data preprocessor 100 selects variables based on correlation coefficients with each other for information included in the integrated data set. That is, the data preprocessor 100 determines variables having a high correlation with each other among information included in the integrated data set.

이 때, 데이터 전처리부(100)는 상관 계수가 높은 변수들을 그룹화하여, 그룹화된 변수들 중에서 대표 변수를 선택할 수 있다.In this case, the data preprocessor 100 may group variables having a high correlation coefficient and select a representative variable from among the grouped variables.

상관 계수를 기반으로 변수를 선택하는 것은 이미 공지된 기술인 바, 이에 대한 자세한 설명은 생략한다.Since selecting a variable based on the correlation coefficient is a known technique, a detailed description thereof will be omitted.

데이터 전처리부(100)는 절삭력, 절삭 가공 기기의 다수의 축 및 스핀들의 전류와 전압, 공구 엣지, 테스트 수, 패스 순서, 스핀들 RPM 및 스핀들 이송 속도에 대한 데이터를 추출한다.The data preprocessor 100 extracts data on cutting force, current and voltage of a plurality of axes and spindles of the cutting machine, tool edge, number of tests, pass sequence, spindle RPM, and spindle feed rate.

이 때, 공구 엣지는 공구 날에 대한 정보를 의미하며, 테스트 수는 모니터링한 횟수를 의미한다.At this time, the tool edge means information about the tool edge, and the number of tests means the number of times monitored.

모델링부(200)는 데이터 전처리부(100)로부터 변수 선택된 데이터를 모델링하여 절삭력을 추정하는 가공 예측 모델을 생성한다.The modeling unit 200 generates a machining prediction model for estimating the cutting force by modeling the data selected by the variable from the data preprocessing unit 100 .

모델링부(200)는 변수 선택된 데이터를 정규화(normalize)하여 인공신경망을 생성하여 가공 예측 모델을 생성할 수 있다.The modeling unit 200 may generate an artificial neural network by normalizing the variable-selected data to generate a processing prediction model.

또한, 모델링부(200)는 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 가공 예측 모델을 생성할 수 있다.Also, the modeling unit 200 may generate a machining prediction model by normalizing variable-selected data and performing LSTM.

또한, 모델링부(200)는 변수 선택된 데이터를 랜덤 포레스트(random forest)를 수행하여 가공 예측 모델을 생성할 수 있다.Also, the modeling unit 200 may generate a processing prediction model by performing a random forest on the variable-selected data.

또한, 모델링부(200)는 변수 선택된 데이터를 신경망(neural network)를 수행하여 가공 예측 모델을 생성할 수 있다In addition, the modeling unit 200 may generate a processing prediction model by performing a neural network on the variable-selected data.

도 6를 참조하여, 본 발명에 따라 생성된 가공 예측 모델로 추정한 절삭력 값을 설명한다.With reference to FIG. 6 , a cutting force value estimated by the machining prediction model generated according to the present invention will be described.

도 6(a)는 x축이 RPM(mm/rev)이고, y축이 절삭력(N)인 그래프로, 일반적으로 사용되는 모델에 비해 본 발명에서 실제 절삭력 값과 유사한 것을 도시한다.6( a ) is a graph in which the x-axis is RPM (mm/rev) and the y-axis is the cutting force (N), which is similar to the actual cutting force value in the present invention compared to a generally used model.

도 6(a)는 도 6(b) 및 도 6 (d)를 개략적으로 비교하기 위한 그래프이다. 도 6(a)에서 본 발명에 따른 가공 예측 모델에 따라 예측한 절삭력값을 도시한 그래프가 기존의 모델에 따라 예측한 절삭력값보다 실제 절삭력값과 더 차이가 없음을 알 수 있다.6(a) is a graph for schematically comparing FIGS. 6(b) and 6(d). It can be seen that the graph showing the cutting force value predicted according to the machining prediction model according to the present invention in FIG. 6( a ) is no more different from the actual cutting force value than the cutting force value predicted according to the existing model.

계속하여, 도 6(b) 내지 도 6(d)를 설명한다.Subsequently, Figs. 6(b) to 6(d) will be described.

도 6(b)는 x축이 시간이고 y축이 절삭력인 그래프로, 검은색의 그래프가 공구동력계로 측정한 실제 절삭력 값이며, 적색의 그래프가 본 발명에 따른 가공 예측 모델에 따라 예측한 절삭력 값이다. 6(b) is a graph in which the x-axis is time and the y-axis is the cutting force, the black graph is the actual cutting force value measured with a tool dynamometer, and the red graph is the cutting force predicted according to the machining prediction model according to the present invention. is the value

도 6(b)에서 실제 절삭력 값과 예측 절삭력 값의 차이는 약 5% 내외로 도시된다.In FIG. 6(b) , the difference between the actual cutting force value and the predicted cutting force value is shown to be about 5%.

이 때, 도 6(b)에서 x축의 시간은 (1=1/12800s)로 도시되었으며, 절삭력은 N의 단위로 도시된다.At this time, in FIG. 6(b), the time on the x-axis is shown as (1=1/12800s), and the cutting force is shown in units of N.

도 6(c)는 도 6(b)의 그래프를 변환한 것으로 x축이 실제 절삭력이고 y축이 예측 절삭력인 그래프로, 공구동력계에서 측정한 실제 절삭력 대비 오차를 가시화하기 위한 그래프이다. 도 6(c)에서 공구동력계로 측정한 절삭력을 대각선으로 표현되는 바, 대각선(diagonal)에 일치할수록 절삭력 예측의 정확도가 높음을 의미하는데, 도 6(c)에서는 모델에서 예측된 절삭력 값이 실제 절삭력 값과 거의 일치함을 나타낸다. 6(c) is a graph converted from the graph of FIG. 6(b). The x-axis is the actual cutting force and the y-axis is the predicted cutting force. It is a graph for visualizing the error compared to the actual cutting force measured by the tool dynamometer. In Fig. 6(c), the cutting force measured by the tool dynamometer is expressed as a diagonal line, meaning that the more it matches the diagonal, the higher the accuracy of the cutting force prediction. In Fig. 6(c), the cutting force value predicted by the model is It shows that the cutting force value is almost identical.

도 6(d)는, x축이 시간이고 y축이 절삭력인 그래프로, 검은색의 그래프가 공구동력계로 측정한 실제 절삭력 값이며, 적색 그래프가 기존의 모델로 예측한 절삭력 값이다.6(d) is a graph in which the x-axis is time and the y-axis is the cutting force. The black graph is the actual cutting force value measured with a tool dynamometer, and the red graph is the cutting force value predicted by the existing model.

이 때, 도 6(d)에서 x축의 시간은 (1=1/12800s)로 도시되었으며, 절삭력은 N의 단위로 도시된다.At this time, in FIG. 6(d), the time on the x-axis is shown as (1=1/12800s), and the cutting force is shown in units of N.

이 때, 기존의 모델은 regression 기반으로 학습된 모델을 의미한다.In this case, the existing model means a model trained based on regression.

도 6(d)에서 실제 절삭력 값과 예측 절삭력 값의 차이는 약 20% 내외로 도시된다. 이에 따라, 도 6(d)와 도 6(b)를 비교하면 본 발명에 따른 가공 예측 모델에 따라 예측한 절삭력 값이 기존의 모델로 예측한 절삭력 값에 비해 약 15% 이상 더 정확한 것을 알 수 있다.In FIG. 6( d ), the difference between the actual cutting force value and the predicted cutting force value is shown to be about 20%. Accordingly, comparing FIGS. 6(d) and 6(b), it can be seen that the cutting force value predicted according to the machining prediction model according to the present invention is more than about 15% more accurate than the cutting force value predicted by the existing model. there is.

도 6(e)는 도 6(d)의 그래프를 변환한 것으로 x축이 실제 절삭력이고 y축이 예측 절삭력인 그래프로, 공구동력계에서 측정한 실제 절삭력 대비 오차를 설명하기 위한 그래프로, 도 6(d)에서 공구동력계로 측정한 절삭력을 대각선으로 표현되나, 기존의 모델에 따라 예측한 절삭력 값은 대각선과 이격되어, 본 발명에 따른 가공 예측 모델을 통해 예측한 절삭력 값에 비해 오차가 큰 값을 보여준다.6(e) is a graph converted from the graph of FIG. 6(d). The x-axis is the actual cutting force and the y-axis is the predicted cutting force. It is a graph to explain the error compared to the actual cutting force measured by the tool dynamometer, In (d), the cutting force measured with a tool dynamometer is expressed in a diagonal line, but the cutting force value predicted according to the existing model is spaced apart from the diagonal, and the error is larger than the cutting force value predicted through the machining prediction model according to the present invention. shows

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art can make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

10: 공정 변수 데이터
11: 피삭재 정보
12: 기기 정보
13: 절삭 공구 정보
14: 가공실험 정보
20: 모니터링 데이터
21: CNC 정보
22: 동력계 정보
23: 센서 정보
30: 시뮬레이션 데이터
100: 데이터 전처리부
200: 모델링부10: Process variable data
11: Workpiece information
12: Device information
13: Cutting tool information
14: Processing experiment information
20: monitoring data
21: CNC Information
22: Dynamometer Information
23: sensor information
30: simulation data
100: data preprocessor
200: modeling unit

Claims (8)

스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하고 다수의 축으로 구동되어 피삭재를 절삭하는 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법으로서,
(b) 데이터 전처리부(100)에 미리 수집된 공구날 수(number of tooth)에 대한 정보를 포함하는 절삭 공구 정보(13)와, 미리 설정된 스핀들 RPM 설정값에 대한 정보를 포함하는 가공실험 정보(14)를 포함하는 공정 변수 데이터(10), 측정되는 스핀들 RPM에 대한 정보를 포함하는 CNC정보(21), 측정되는 절삭력 측정 정보를 포함하는 동력계 정보(22) 및 센서 정보(23)를 포함하는 모니터링 데이터(20), 시간에 따른 절삭력 시뮬레이션 정보를 포함하는 기저장된 시뮬레이션 데이터(30)가 입력되면, 상기 데이터 전처리부(100)가 상기 모니터링 데이터(20)가 포함하는 상기 절삭력 측정 정보와 상기 시뮬레이션 데이터(30)가 포함하는 상기 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성하고, 상기 공정 변수 데이터(10), 상기 모니터링 데이터(20) 및 상기 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성하는 단계;
(c) 상기 데이터 전처리부(100)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계;
(d) 상기 데이터 전처리부(100)는 상기 변수 선택된 데이터를 모델링부(200)로 전송하는 단계; 및
(e) 상기 모델링부(200)는 변수 선택된 데이터를 모델링하여 절삭력을 추정하는 가공 예측 모델을 생성하는 단계; 를 포함하고,
상기 절삭력 시뮬레이션 정보는 주기를 갖는 값이며,
상기 (b)단계는,
(b1) 상기 데이터 전처리부(100)는, 상기 입력된 상기 공구 정보(13)와 상기
가공실험 정보(14)로 공구날 주파수(Tooth passing frequency)를 연산하고, 상기 연산된 공구날 주파수의 역수를 모니터링 데이터 주기로 설정하는 단계;
(b2) 상기 데이터 전처리부(100)는 입력된 상기 모니터링 데이터(20)에서, 상기 설정된 상기 모니터링 데이터 주기마다 기설정된 횟수만큼의 상기 절삭력 측정 정보를 추출하는 단계;
(b3) 상기 데이터 전처리부(100)는, 입력된 상기 시뮬레이션 데이터(30)에서 상기 절삭력 시뮬레이션 정보의 주기를 판단하고, 상기 판단된 절삭력의 주기마다 상기 기설정된 횟수만큼의 절삭력 시뮬레이션 정보를 추출하는 단계; 및
(b4) 상기 데이터 전처리부(100)는 상기 (b2)단계에서 추출한 절삭력 측정
정보와 상기 (b3)단계에서 추출한 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성하고, 상기 입력된 모니터링 데이터(20)와 상기 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성하는 단계; 를 포함하는,
방법.
A method of generating a machining prediction model for estimating the cutting force of a cutting machine that includes one or more cutting tools including a plurality of tool blades mounted on a spindle and is driven by a plurality of axes to cut a workpiece, comprising:
(b) cutting tool information 13 including information on the number of tooth collected in advance in the data pre-processing unit 100, and machining experiment information including information on a preset spindle RPM setting value Process variable data (10) including (14), CNC information (21) including information about the measured spindle RPM, dynamometer information (22) including measured cutting force measurement information, and sensor information (23) When the pre-stored simulation data 30 including monitoring data 20 and time-dependent cutting force simulation information are input, the data preprocessor 100 performs the cutting force measurement information included in the monitoring data 20 and the To generate cutting force synchronization information by synchronizing the cutting force simulation information included in the simulation data 30, and to generate an integrated data set including the process variable data 10, the monitoring data 20, and the cutting force synchronization information step;
(c) the data preprocessor 100 selecting a variable from the integrated data set (feature selection);
(d) transmitting, by the data pre-processing unit 100, the variable-selected data to the modeling unit 200; and
(e) generating, by the modeling unit 200, a machining prediction model for estimating cutting force by modeling variable-selected data; including,
The cutting force simulation information is a value having a period,
Step (b) is,
(b1) The data pre-processing unit 100, the input tool information 13 and the
calculating a tool passing frequency using the machining experiment information 14, and setting a reciprocal number of the calculated tool blade frequency as a monitoring data period;
(b2) extracting, by the data pre-processing unit 100, the cutting force measurement information for a preset number of times for each of the set monitoring data period from the inputted monitoring data 20;
(b3) the data preprocessing unit 100 determines the period of the cutting force simulation information from the inputted simulation data 30, and extracts the cutting force simulation information for each period of the determined cutting force for the predetermined number of times step; and
(b4) The data preprocessor 100 measures the cutting force extracted in the step (b2)
generating cutting force synchronization information by synchronizing the information with the cutting force simulation information extracted in step (b3), and generating an integrated data set including the input monitoring data 20 and the cutting force synchronization information; containing,
method.
 삭제delete 제1항에 있어서,
상기 (c)단계는,
상기 데이터 전처리부(100)가 상기 통합데이터 셋에 포함된 각각의 정보를 서로 상관계수를 기반으로, 다수의 데이터 중 절삭력, 상기 절삭 가공 기기의 다수의 축 및 스핀들의 3상 전류 및 전압, 절삭 공구의 공구날 정보, 스핀들 RPM 및 스핀들 이송 속도를 추출하여 변수 선택하는 단계를 포함하는,
방법.
The method of claim 1,
Step (c) is,
The data preprocessor 100 compares each information included in the integrated data set with each other based on a correlation coefficient, cutting force among a plurality of data, three-phase current and voltage of a plurality of axes and spindles of the cutting machine, and cutting Including the step of selecting a variable by extracting the tool edge information of the tool, the spindle RPM and the spindle feed rate,
method.
 제1항에 있어서,
상기 가공실험 정보(14)는 스핀들 이송 속도, 피삭재의 절삭 폭 및 피삭재의 절입 깊이에 대한 정보를 더 포함하고,
상기 센서 정보(23)는 기기에서 측정되는 상기 절삭 가공 기기의 다수의 축 및 스핀들의 3상 전류 및 전압, 스핀들의 X, Y방향 가속도 및 소음에 대한 정보를 더 포함하고,
상기 CNC정보(21)는 기기 동작 시간, 상기 절삭 가공 기기의 다수의 축의 위치, 상기 절삭 가공 기기의 다수의 축과 스핀들에 걸리는 부하, 스핀들 RPM에 대한 정보를 더 포함하는,
방법.
The method of claim 1,
The machining experiment information 14 further includes information on the spindle feed speed, the cutting width of the workpiece and the cutting depth of the workpiece,
The sensor information 23 further includes information about three-phase currents and voltages of a plurality of axes and spindles of the cutting machine, and acceleration and noise in X and Y directions of the spindle, which are measured by the machine,
The CNC information 21 further includes information about machine operation time, positions of a plurality of axes of the cutting machine, loads applied to a plurality of axes and spindles of the cutting machine, and spindle RPM,
method.
 제1항에 있어서,
상기 공정 변수 데이터(10)는,
피삭재의 소재 정보를 포함하는 피삭재 정보(11) 및 가공하는 기기 종류를 포함하는 기기 정보(12)를 더 포함하는,
방법.
The method of claim 1,
The process variable data 10 is,
Further comprising workpiece information 11 including material information of the workpiece and machine information 12 including the type of machine to be processed,
method.
 제1항에 있어서,
상기 (e)단계는,
상기 모델링부(200)가 상기 변수 선택된 데이터를 정규화(normalize)하고 인공신경망을 생성하여 상기 가공 예측 모델을 생성하는 단계를 포함하는,
방법.
The method of claim 1,
Step (e) is,
Comprising the step of generating, by the modeling unit 200, normalizing the variable-selected data and generating an artificial neural network to generate the processing prediction model,
method.
 제1항에 있어서,
상기 (e)단계는,
상기 모델링부(200)가 상기 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 상기 가공 예측 모델을 생성하는 단계를 포함하는,
방법.
According to claim 1,
Step (e) is,
Comprising the step of generating the processing prediction model by the modeling unit 200 normalizing the variable-selected data and performing LSTM,
method.
 제1항에 있어서,
상기 (e)단계는,
상기 모델링부(200)가 상기 변수 선택된 데이터를 랜덤 포레스트(random forest)를 수행하여 상기 가공 예측 모델을 생성하는 단계를 포함하는,
방법.
The method of claim 1,
Step (e) is,
Comprising the step of the modeling unit 200 performing a random forest (random forest) on the variable-selected data to generate the processing prediction model,
method.
KR1020200147104A 2020-11-05 2020-11-05 Machining prediction model generation method to estimate cutting force of cutting machine KR102370446B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200147104A KR102370446B1 (en) 2020-11-05 2020-11-05 Machining prediction model generation method to estimate cutting force of cutting machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200147104A KR102370446B1 (en) 2020-11-05 2020-11-05 Machining prediction model generation method to estimate cutting force of cutting machine

Publications (1)

Publication Number Publication Date
KR102370446B1 true KR102370446B1 (en) 2022-03-08

Family

ID=80812370

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147104A KR102370446B1 (en) 2020-11-05 2020-11-05 Machining prediction model generation method to estimate cutting force of cutting machine

Country Status (1)

Country Link
KR (1) KR102370446B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925596A (en) * 2022-04-20 2022-08-19 永得利科技（无锡）有限公司 Method for optimizing casting platform finish milling parameters based on wafer test equipment

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김영민 외 2인, 전이학습 기반 가공동력 예측 모델링 방법(2020.04.) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925596A (en) * 2022-04-20 2022-08-19 永得利科技（无锡）有限公司 Method for optimizing casting platform finish milling parameters based on wafer test equipment
CN114925596B (en) * 2022-04-20 2023-10-20 永得利科技（无锡）有限公司 Optimization method for finish milling machining parameters of casting platform based on wafer test equipment

Similar Documents

Publication Publication Date Title
EP2916187B1 (en) Improved database for chatter predictions
Schmitz et al. Exploring once-per-revolution audio signal variance as a chatter indicator
JP2018094686A (en) Machine learning device, cnc device and machine learning method detecting sign of occurrence of chattering of tool in machine tool
CN108723889B (en) Acceleration/deceleration control device
CN108490880A (en) A kind of numerical control machine tool cutting cutting-tool wear state method of real-time
Brecher et al. Use of NC kernel data for surface roughness monitoring in milling operations
Zhong et al. Predictive control considering model uncertainty for variation reduction in multistage assembly processes
KR102370446B1 (en) Machining prediction model generation method to estimate cutting force of cutting machine
CN105938352B (en) The numerical control device for avoiding main shaft from overheating
KR102429376B1 (en) Method for predicting available remaining time of cutting tool
Al–Habaibeh et al. Self-learning algorithm for automated design of condition monitoring systems for milling operations
Denkena et al. Simulation based process monitoring for single item production without machine external sensors
CN105676790B (en) Laser machine control method and device
Zuperl et al. A cyber-physical system for smart fixture monitoring via clamping simulation
KR20210070438A (en) Wear Rate Prediction Method of Tool Based on Learning
US20040093191A1 (en) System and method for performing modal analysis of at least one remote structure
CA2714402A1 (en) Method for determining the machining quality of components, particularly for metal cutting by nc machines
KR102413182B1 (en) Machining model generation method of cutting force prediction through transfer learning
KR102585246B1 (en) Method of diagnosing process abnormality using virtual processing
KR20230054554A (en) Construction Method of tool wear estimation model based on change rate in tool wear
KR102512875B1 (en) Tool path calibration model generation method and tool path calibration method using the same
Mühlbauer et al. Automated data labeling and anomaly detection using airborne sound analysis
Lamraoui et al. Cyclostationarity analysis of instantaneous angular speeds for monitoring chatter in high speed milling
Mauthner et al. Method for data-driven nc-code optimization based on dexel material removal simulation and tool holder vibration measurements
Mauthner et al. Development of a CAM-in-the-loop system for cutting parameter optimization using an instrumented tool holder

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