KR102413182B1 - Machining model generation method of cutting force prediction through transfer learning - Google Patents

Machining model generation method of cutting force prediction through transfer learning Download PDF

Info

Publication number
KR102413182B1
KR102413182B1 KR1020200147105A KR20200147105A KR102413182B1 KR 102413182 B1 KR102413182 B1 KR 102413182B1 KR 1020200147105 A KR1020200147105 A KR 1020200147105A KR 20200147105 A KR20200147105 A KR 20200147105A KR 102413182 B1 KR102413182 B1 KR 102413182B1
Authority
KR
South Korea
Prior art keywords
data
monitoring data
spindle
prediction model
cutting
Prior art date
Application number
KR1020200147105A
Other languages
Korean (ko)
Other versions
KR20220060921A (en
Inventor
구정인
김혜인
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 KR1020200147105A priority Critical patent/KR102413182B1/en
Publication of KR20220060921A publication Critical patent/KR20220060921A/en
Application granted granted Critical
Publication of KR102413182B1 publication Critical patent/KR102413182B1/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
    • 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
    • G05B19/4069—Simulating machining process on screen
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하여, 피삭재를 절삭하는 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델을 생성하되, 공정 조건이 다른 제1 모니터링 데이터와 제2 모니터링 데이터를 이용하여 각각 가공 예측 모델을 생성하는 방법에 관한 것이다.The present invention includes one or more cutting tools including a plurality of tool blades mounted on a spindle to generate a machining prediction model for estimating the cutting force of a cutting machine for cutting a workpiece, but first monitoring data with different process conditions And it relates to a method of generating a machining prediction model using the second monitoring data, respectively.

Description

전이학습을 통한 절삭력 예측의 가공 모델 생성 방법{Machining model generation method of cutting force prediction through transfer learning}Machining model generation method of cutting force prediction through transfer learning

본 발명은 전이학습을 통한 절삭력 예측의 가공 모델 생성 방법에 관한 것이다.The present invention relates to a method of generating a machining model for predicting cutting force through transfer learning.

하향 밀링에서는 절삭 공구가 회전 방향으로 이송되며, 큰 칩 두께가 유리하고, 절삭 부하가 가공물을 커터로 당겨 절삭날을 절삭 영역에 유지하는 경향이 있다. 하향 밀링은 공작 기계, 지그 및 가공물이 허용하는 한 하향 밀링하는 것이 권장된다. 그러나 하향 밀링에서 공구가 가공물로 당겨지면 이송이 의도치 않게 증가해 과도한 칩 두께와 절삭날 파손이 발생할 수 있어 상향 밀링이 필요한 경우가 있다.In down milling, the cutting tool is fed in the direction of rotation, a large chip thickness is advantageous, and the cutting forces tend to pull the workpiece into the cutter and hold the cutting edge in the cutting area. Down-milling is recommended as far as machine tools, jigs and components allow. However, in down milling, when the tool is pulled into the workpiece, feed can be unintentionally increased, which can lead to excessive chip thickness and cutting edge breakage.

다만, 종래에는, 주로 절삭되는 방향인 하향 밀링에 대한 데이터가 많이 축적되어 있으나, 하향 밀링 대비 상향 밀링에 대한 데이터는 부족한 실정이다. 이에 따라, 상향 밀링을 수행할 때 절삭력을 예측하고, 정확하게 공정을 제어하는 것이 어려웠으며, 새롭게 상향 밀링에 대한 데이터를 축적하여 가공 모델을 생성하려면 비용과 시간이 많이 소비된다.However, in the prior art, although a lot of data on down milling, which is mainly a cutting direction, has been accumulated, data on up milling compared to down milling is insufficient. Accordingly, it is difficult to predict the cutting force and accurately control the process when performing up-milling, and it is costly and time-consuming to create a machining model by accumulating new data on up-milling.

예를 들어, 일본등록특허공보 제2019-145086호는 제어 장치, 기계 학습 장치 및 시스템에 관한 것으로, 절삭 분력 방향 데이터를 상태변수로 관측하고 학습하고, 다층 구조로 연산하여 학습모델을 구축하여 절삭가공의 가공조건을 결정하는 것에 대한 인식은 있으나, 절삭 분력 방향에 따른 데이터를 직접 수집하는 것에 대한 인식만 있다.For example, Japanese Patent Publication No. 2019-145086 relates to a control device, a machine learning device, and a system, which observes and learns cutting force direction data as a state variable, operates in a multi-layered structure, and builds a learning model for cutting There is awareness of determining the machining conditions of machining, but there is only awareness of directly collecting data according to the direction of the cutting force.

다른 예를 들어, 한국공개특허공보 제10-2020-0056635호는 지능형 가공 시뮬레이션을 이용한 가공 공정 모니터링 시스템 및 이를 이용한 모니터링 방법에 관한 것으로, 절삭가공에서의 데이터를 바탕으로 학습하고, 절삭력을 예측하는 것에 대한 인식은 있으나, 상향 밀링에서의 데이터를 축적하여 가공 모델을 생성하는 것에 대한 인식은 없다.For another example, Korean Patent Application Laid-Open No. 10-2020-0056635 relates to a machining process monitoring system using intelligent machining simulation and a monitoring method using the same. There is awareness, but there is no awareness of accumulating data from up-milling to create a machining model.

(특허문헌 1) 일본등록특허공보 제2019-145086호(Patent Document 1) Japanese Patent Publication No. 2019-145086

(특허문헌 2) 한국공개특허공보 제10-2020-0056635호(Patent Document 2) Korean Patent Publication No. 10-2020-0056635

(특허문헌 3) 일본등록특허공보 제6426667호(Patent Document 3) Japanese Patent Publication No. 6426667

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

구체적으로, 본 발명은 데이터가 충분히 축적되어 미리 학습된 가공 모델의 데이터를 이용하여, 데이터가 적은 다른 공정 조건 및 유사한 공정 조건의 가공 모델을 생성하기 위함이다. 특히, 본 발명은 하향 밀링 데이터로 생성한 가공 예측 모델을 이용하여, 상향 밀링일 때의 공정 조건을 예측하기 위함이다.Specifically, the present invention is to generate a processing model of other processing conditions and similar processing conditions with less data by using data of a processing model that has been sufficiently accumulated and learned in advance. In particular, the present invention is to predict a process condition in up-milling by using a machining prediction model generated from down-milling data.

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 추정하기 위한 가공 예측 모델을 생성하되, 공정 조건이 다른 제1 모니터링 데이터와 제2 모니터링 데이터를 이용하여 각각 가공 예측 모델을 생성하는 방법으로서, (a) 데이터 전처리부(100)에 제1 모니터링 데이터(10)가 입력되고, 상기 데이터 전처리부(100)는 상기 제1 모니터링 데이터(10)에서 변수 선택(feature selection)하여 변수 선택된 제1 데이터를 추출하고, 상기 데이터 전처리부(100)는 상기 제1 데이터를 모델링부(200)로 전송하는 단계; (b) 상기 모델링부(200)가 상기 제1 데이터로 다수의 제1 레이어를 포함하는 제1 가공 예측 모델을 생성하는 단계; (c) 상기 데이터 전처리부(100)에 상기 제1 모니터링 데이터(10)와 다른 공정 조건에서 수집되며, 상기 제1 모니터링 데이터(10)보다 데이터 양이 적은 제2 모니터링 데이터(20)가 입력되고, 상기 데이터 전처리부(100)는 상기 제2 모니터링 데이터(20)에서 변수 선택하여 변수 선택된 제2 데이터를 추출하고, 상기 제2 데이터를 상기 모델링부(200)로 전송하는 단계; 및 (d) 상기 모델링부(200)는 상기 (c)단계에서 전송된 제2 데이터로 제2 레이어를 생성하고, 이를 이용하여 제2 가공 예측 모델을 생성하되, 상기 (b)단계에서 생성된 상기 제1 가공 예측 모델을 이용한 전이 학습(transfer learning)을 수행하여 상기 제2 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 the spindle, machining prediction for estimating the cutting force of a cutting machine for cutting a workpiece A method of generating a model, but using the first monitoring data and the second monitoring data having different process conditions, respectively, is a method of generating a processing prediction model, (a) the first monitoring data 10 is input to the data pre-processing unit 100 The data pre-processing unit 100 extracts variable-selected first data by selecting a variable from the first monitoring data 10 , and the data pre-processing unit 100 models the first data by a modeling unit sending to (200); (b) generating, by the modeling unit 200, a first processing prediction model including a plurality of first layers as the first data; (c) the second monitoring data 20, which is collected under process conditions different from the first monitoring data 10, and having a smaller amount of data than the first monitoring data 10, is input to the data pre-processing unit 100; , the data pre-processing unit 100 selecting a variable from the second monitoring data 20, extracting the variable-selected second data, and transmitting the second data to the modeling unit 200; and (d) the modeling unit 200 generates a second layer with the second data transmitted in step (c), and uses this to generate a second processing prediction model, but generated in step (b) generating the second processing prediction model by performing transfer learning using the first processing prediction model; It provides a method comprising:

일 실시예는, 상기 (d)단계에서, 상기 모델링부(200)는 상기 제1 레이어를 상기 제2 레이어 사이로 삽입하는 전이 학습을 수행하여 상기 제2 가공 예측 모델을 생성하는 단계를 포함할 수 있다.In one embodiment, in step (d), the modeling unit 200 may include generating the second processed prediction model by performing transfer learning to insert the first layer between the second layers. have.

일 실시예는, 상기 제1 모니터링 데이터(10) 및 제2 모니터링 데이터(20)는 다른 공정조건에서 수집되는 스핀들 RPM, 절삭력, 스핀들 전압, 스핀들 전류, 스핀들의 X, Y방향 가속도 및 절삭 공구의 소음에 대한 데이터를 각각 포함할 수 있다.In one embodiment, the first monitoring data 10 and the second monitoring data 20 are the spindle RPM, cutting force, spindle voltage, spindle current, X and Y direction acceleration of the spindle and the cutting tool collected under different process conditions. Data on noise may be included, respectively.

일 실시예는, 상기 (b)단계에서, 상기 데이터 전처리부(100)가 상기 제1 모니터링 데이터(10)에서 절삭 공구의 소음, 스핀들 전압, 스핀들 전류, 및 스핀들의 X, Y방향 가속도를 상기 제1 데이터로 변수 선택하는 단계를 포함하고, 상기 (e)단계에서, 상기 데이터 전처리부(100)는 상기 제2 모니터링 데이터(20)에서 절삭 공구의 소음, 스핀들 전압, 스핀들 전류, 및 스핀들의 X, Y방향 가속도을 상기 제2 데이터로 변수 선택하는 단계를 포함할 수 있다.In one embodiment, in the step (b), the data preprocessor 100 calculates the noise of the cutting tool, the spindle voltage, the spindle current, and the X and Y direction acceleration of the spindle from the first monitoring data 10. and selecting a variable as the first data, and in step (e), the data preprocessor 100 determines the noise of the cutting tool, the spindle voltage, the spindle current, and the spindle in the second monitoring data 20 . The method may include selecting the X and Y-direction acceleration as a variable as the second data.

일 실시예는, 상기 제1 모니터링 데이터(10)는 하향 밀링 시 절삭 가공 기기에서 수집되는 모니터링 데이터이고, 상기 제2 모니터링 데이터(20)는 상향 밀링 시 절삭 가공 기기에서 수집되는 모니터링 데이터일 수 있다.In one embodiment, the first monitoring data 10 may be monitoring data collected from a cutting machine during down-milling, and the second monitoring data 20 may be monitoring data collected from a cutting machine during up-milling. .

일 실시예는, 시뮬레이션 데이터(30)는 상기 제2 모니터링 데이터(20)의 공정 조건과 동일한 조건으로 시뮬레이션한 데이터이고, 상기 (d) 단계는, 상기 데이터 전처리부(100)가 상기 제2 데이터에 시뮬레이션 데이터(30)를 포함시키는 단계를 포함할 수 있다.In one embodiment, the simulation data 30 is data simulated under the same process conditions as the process conditions of the second monitoring data 20 , and in step (d), the data pre-processing unit 100 performs the second data It may include the step of including the simulation data (30).

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

본 발명은 데이터가 충분히 축적된 가공 모델의 데이터를 전이학습하여 데이터가 적은 다른 공정 조건 및 유사한 공정 조건의 가공 모델을 생성할 수 있는 바, 생성되는 가공 모델의 신뢰도와 정확도를 증가시킬 수 있다. 가령, 본 발명은 하향 밀링을 할 때 미리 학습된 가공 모델의 데이터를 전이학습을 사용하여, 상향 밀링을 할 때의 가공 모델을 생성할 때 사용할 수 있으며, 밀링 외의 다른 공정에서 가공 모델을 생성하는데 사용될 수 있다.According to the present invention, it is possible to transfer-learning data of a machining model in which data is sufficiently accumulated to generate a machining model of other process conditions and similar process conditions with little data, thereby increasing the reliability and accuracy of the generated machining model. For example, the present invention can be used to generate a machining model for up-milling by using transfer learning using transfer learning data of a machining model learned in advance during down-milling, and to create a machining model in a process other than milling. can be used

또한, 본 발명은 기존에 축적된 데이터를 전이학습하여 가공 모델을 생성하는 바, 가공 모델을 생성하는 시간과 비용을 절약할 수 있다.In addition, the present invention generates a processing model by transfer learning of previously accumulated data, thereby saving time and cost for generating the processing model.

도 1은 본 발명에 따른 가공 예측 모델을 생성하는 방법을 설명하기 위한 모식도이다.
도 2은 본 발명에 따른 가공 예측 모델을 생성하는 방법을 설명하기 위한 순서도이다.
도 3 및 도 4는 본 발명에 따라 전이 학습된 모델인 제2 가공 예측 모델에서 예측한 절삭력과 실측한 절삭력을 비교하기 위한 도면이다.도 5는 본 발명에 따라 학습된 모델인 제1 가공 예측 모델에서 예측한 RPM과 실측한 RPM을 비교하기 위한 도면이다.1 is a schematic diagram for explaining a method of generating a machining prediction model according to the present invention.
2 is a flowchart illustrating a method of generating a machining prediction model according to the present invention.
3 and 4 are diagrams for comparing the cutting force predicted by the second machining prediction model, which is a transfer-trained model according to the present invention, and the actually measured cutting force. FIG. 5 is a first machining prediction which is a model learned according to the present invention It is a diagram for comparing the RPM predicted by the model and the measured RPM.

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 the description of 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, "공정 조건"이란, 공정을 수행할 때 입력되는 조건을 의미한다. 예를 들어, 공정 조건은 절삭 공정에서 공구가 절삭하는 방향인 절삭방향을 포함할 수 있고, 스핀들 RPM, 스핀들 이송속도, 절입 깊이, 절삭 폭 등이 포함될 수 있다,Hereinafter, "process conditions" means conditions input when performing a process. For example, the process conditions may include a cutting direction, which is a direction in which a tool cuts in a cutting process, and may include spindle RPM, spindle feed rate, depth of cut, cutting width, and the like.

이하, "가공 예측 모델"은 해당 공정에서 수행되는 가공의 출력을 예측할 수 있는 모델이다. 가령, 가공 예측 모델은 가공을 수행하지 않아도, 가공에서 출력되는 출력인 공구의 절삭력을 예측할 수 있다.Hereinafter, the "processing prediction model" is a model capable of predicting the output of processing performed in the corresponding process. For example, the machining prediction model may predict the cutting force of a tool, which is an output output from machining, even if machining is not performed.

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 3축 이상일 수 있다. 또한, 이하, "절삭 가공 기기의 다수의 축"은 절삭 가공 기기에 위치된 축을 의미한다.Hereinafter, the "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 assuming that it has three axes, but is not limited thereto and may be three or more axes. can In addition, hereinafter, "a plurality of axes of a cutting machine" means an axis located in the cutting machine.

이하, 본 발명에서는 절삭 가공을 가정하여 설명하나, 이에 제한되는 것은 아니고 본 발명에 따라 가공 예측 모델을 생성하는 방법은 다양하게 적용될 수 있다.Hereinafter, the present invention will be described on the assumption of cutting, but the present invention is not limited thereto, and the method of generating a machining prediction model according to the present invention may be variously applied.

본 발명에 따른 방법은 데이터 전처리부(100) 및 모델링부(200)를 포함하여 수행된다.The method according to the present invention is performed including the data preprocessing unit 100 and the modeling unit 200 .

도 1 및 도 2를 참조하여, 본 발명에 따른 구성과 모델을 생성하는 방법을 설명한다.1 and 2, a method for generating a configuration and a model according to the present invention will be described.

제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 공작기계에서 모니터링되는 데이터이다.The first monitoring data 10 and the second monitoring data 20 are data monitored by the machine tool.

제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 각각 다른 공정 조건에서 모니터링되는 데이터이다.The first monitoring data 10 and the second monitoring data 20 are data monitored under different process conditions, respectively.

즉, 제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 공정의 종류는 동일하나, 해당 공정에서 공정 조건이 다른 것으로, 예를 들어, 제1 모니터링 데이터(10)는 밀링 공정에서 공구의 절삭 방향이 하향인 하향 밀링을 수행할 때, 공작 기계에서 모니터링되는 데이터를 의미할 수 있고, 제2 모니터링 데이터(20)는 밀링 공정에서 공구의 절삭 방향이 상향인 상향 밀링 공정을 수행할 때, 공작 기계에서 모니터링되는 데이터를 의미할 수 있으나, 이에 제한되는 것은 아니다.That is, the first monitoring data 10 and the second monitoring data 20 have the same process type, but different process conditions in the process. For example, the first monitoring data 10 is a tool in the milling process. It may mean data monitored by the machine tool when performing down-milling in which the cutting direction of , may mean data monitored by the machine tool, but is not limited thereto.

이 때, 제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 공정 조건 중 어느 하나만 상이할 수 있고, 나머지는 동일하도록 설정될 수 있다. 예를 들어, 제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 절삭 방향만 상이하고, 스핀들 속도, 절입 깊이, 절삭 폭 등의 다른 공정 조건은 동일하도록 설정될 수 있으나 이에 제한되는 것은 아니다.At this time, the first monitoring data 10 and the second monitoring data 20 may be set so that only one of the process conditions may be different, and the rest may be set to be the same. For example, the first monitoring data 10 and the second monitoring data 20 are different only in the cutting direction, and other process conditions such as spindle speed, depth of cut, and cutting width may be set to be the same, but is limited thereto. not.

또한, 제1 모니터링 데이터(10)는 데이터가 미리 축적되며, 후술하는 제2 모니터링 데이터(20)보다 데이터의 양이 많다.In addition, the data of the first monitoring data 10 is accumulated in advance, and the amount of data is larger than that of the second monitoring data 20 , which will be described later.

제2 모니터링 데이터(20)는 제1 모니터링 데이터(10)와 다른 공정 조건에서 데이터가 수집되며, 후술하는 제1 모니터링 데이터(10)보다 데이터의 양이 적다.The second monitoring data 20 is data collected under process conditions different from those of the first monitoring data 10 , and the amount of data is smaller than that of the first monitoring data 10 to be described later.

제1 모니터링 데이터(10)와 제2 모니터링 데이터(20)는 각각 다른 공정 조건에서 수집된 CNC 정보, 동력계 정보, 센서 정보를 포함한다.The first monitoring data 10 and the second monitoring data 20 include CNC information, dynamometer information, and sensor information collected under different process conditions, respectively.

CNC 정보는 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 includes information on the time the machine is operated, the positions of multiple axes of the cutting machine, the load of the multiple axes of the cutting machine, the spindle RPM (mm/rev) installed in 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 position of the plurality of axes of the cutting machine and the load 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 정보는 설비에서 모니터링되는 절삭력에 대한 정보를 포함한다.The dynamometer information includes information about the cutting forces monitored in the machine.

이 때, 절삭력에 대한 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.In this case, the information on the cutting force is the cutting force on the X-axis, the Y-axis, and the Z-axis, and may include information on the X-axis cutting force, the Y-axis cutting force, and the Z-axis cutting force. In this case, the Y-axis cutting force may mean a main cutting force.

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

센서 정보는 설비에 부착된 센서에서 측정되는 정보를 포함한다.The sensor information includes information measured by a sensor attached to the equipment.

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.The sensor information 23 includes information on voltages of multiple axes and spindles of the cutting tool, currents, accelerations and noises of multiple axes and spindles of the machining tool.

이 때, 절삭 가공 기기의 다수의 축 및 스핀들의 전압과 전류는 각 절삭 가공 기기의 다수의 축 및 스핀들을 구동하기 위한 이송 테이블과 스핀들의 모터에서 각각 측정하는 값을 의미한다.At this time, the voltages and currents of the plurality of axes and spindles of the cutting machine mean values measured by the transfer table and the motor of the spindle for driving the plurality of axes and spindles of each cutting machine.

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 X, Y방향에서 가속도에 대한 정보를 포함한다.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 is Contains information about acceleration.

이 때, 소음에 대한 정보는 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.In this case, the information about noise is information collected by installing a device such as a noise meter in the cutting machine, and may include information about noise generated by the machine, including noise generated during cutting and machining. .

시뮬레이션 데이터(30)는 기존의 시뮬레이션을 통하여 미리 수집된 데이터를 의미한다. 시뮬레이션 데이터(30)는 공정 조건을 입력하여 시뮬레이션한 데이터로 절삭력에 대한 정보를 포함한다.The simulation data 30 means data collected in advance through an existing simulation. The simulation data 30 is data simulated by inputting process conditions and includes information on cutting force.

이 때, 시뮬레이션 데이터(30)는 모니터링 데이터(20)와 동일한 공정 조건으로 시뮬레이션한 공구 1회전에 따른 절삭 가공 기기의 다수의 축 별 절삭력을 포함한다. 이 때, 공정 조건은 스핀들 RPM 설정값, 스핀들 이송 속도, 절삭 폭 및 절입 깊이에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.At this time, the simulation data 30 includes the cutting force for each axis of the cutting machine according to one rotation of the tool simulated under the same process conditions as the monitoring data 20 . In this case, the process conditions may include, but are not limited to, information on a spindle RPM set value, a spindle feed rate, a cutting width, and an infeed depth.

이 때, 시뮬레이션 데이터(30)는 최대 주절삭력에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.At this time, the simulation data 30 may include information on the maximum main cutting force, but is not limited thereto.

시뮬레이션 데이터(30)는 미리 수집된 데이터로 모델링부(200)에 입력될 수 있다.The simulation data 30 may be input to the modeling unit 200 as pre-collected data.

시뮬레이션 데이터(30)는 제2 모니터링 데이터(20)와 동일한 공정 조건에서 수집한 데이터일 수 있으나, 이에 제한되는 것은 아니다. The simulation data 30 may be data collected under the same process conditions as the second monitoring data 20 , but is not limited thereto.

데이터 전처리부(100)가 후술하는 제2 데이터에 시뮬레이션 데이터(30)를 포함하여, 제2 가공 예측 모델을 생성할 수 있는 바, 생성되는 제2 가공 예측 모델의 예측 정확도를 더욱 높일 수 있다.Since the data preprocessor 100 may generate a second machining prediction model by including the simulation data 30 in second data to be described later, the prediction accuracy of the generated second machining prediction model may be further increased.

또한, 시뮬레이션 데이터(30)는 제1 모니터링 데이터(20)와 동일한 공정 조건에서 수집한 데이터를 더 포함할 수 있고, 이 경우에는 제1 가공 예측 모델을 생성하는데 더 사용될 수 있다. In addition, the simulation data 30 may further include data collected under the same process conditions as the first monitoring data 20 , and in this case, it may be further used to generate the first machining prediction model.

데이터 전처리부(100)으로 제1 모니터링 데이터(10) 및 제2 모니터링 데이터(20)가 각각 입력된다. 데이터 전처리부(100)는 입력된 데이터를 각각 변수 선택(feature selection)한다. 이에 대한 자세한 설명은 후술한다.The first monitoring data 10 and the second monitoring data 20 are respectively input to the data preprocessor 100 . The data pre-processing unit 100 selects each variable of the input data (feature selection). A detailed description thereof will be given later.

데이터 전처리부(100)는 상관관계를 바탕으로 입력된 데이터를 변수 선택할 수 있으나, 이에 제한되는 것은 아니다.The data preprocessor 100 may select the input data variable based on the correlation, but is not limited thereto.

모델링부(200)는 데이터 전처리부(100)로부터 변수 선택된 제1 모니터링 데이터(10)인 제1 데이터와 변수 선택된 제2 모니터링 데이터(20)인 제2 데이터를 전송받고, 제1 가공 예측 모델과 제2 가공 예측 모델을 모델링한다. 모델링부(200)는 데이터 전처리부(100)로부터 제1 데이터와 제2 데이터를 이용하여 모델링한다. 이에 대한 자세한 설명은 후술한다.The modeling unit 200 receives the first data that is the variable-selected first monitoring data 10 and the second data that is the variable-selected second monitoring data 20 from the data preprocessing unit 100, and the first processing prediction model and A second machining prediction model is modeled. The modeling unit 200 models using the first data and the second data from the data preprocessing unit 100 . A detailed description thereof will be given later.

이 때, 모델링부(200)에서 모델을 생성하는 방법은 특정한 방법에 제한되는 것은 아니다. 예를 들어, 모델링부(200)는 변수 선택된 데이터를 정규화(normalize)하여 인공신경망을 생성하여 가공 예측 모델을 생성할 수 있다. 또한 예를 들어, 모델링부(200)는 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 가공 예측 모델을 생성할 수 있다. 또한 예를 들어, 모델링부(200)는 변수 선택된 데이터를 랜덤 포레스트(random forest)를 수행하여 가공 예측 모델을 생성할 수 있다. 또한, 예를 들어, 모델링부(200)는 변수 선택된 데이터를 신경망(neural network)를 수행하여 가공 예측 모델을 생성할 수 있다In this case, the method of generating the model in the modeling unit 200 is not limited to a specific method. For example, the modeling unit 200 may generate an artificial neural network by normalizing variable-selected data to generate a processing prediction model. Also, for example, the modeling unit 200 may generate a machining prediction model by normalizing variable-selected data and performing LSTM. Also, for example, the modeling unit 200 may generate a processing prediction model by performing a random forest on the variable-selected data. Also, for example, the modeling unit 200 may generate a processing prediction model by performing a neural network on the variable-selected data.

이 때, LSTM, 랜덤 포레스트, 신경망은 이미 공지된 기술로, 이에 대한 자세한 설명은 생략한다. At this time, LSTM, random forest, and neural network are already known technologies, and detailed descriptions thereof will be omitted.

본 발명에 따라 제1 가공 예측 모델과 제2 가공 예측 모델을 생성하는 과정을 자세히 설명한다.A process of generating the first machining prediction model and the second machining prediction model according to the present invention will be described in detail.

데이터 전처리부(100)에 제1 모니터링 데이터(10)가 입력된다.The first monitoring data 10 is input to the data preprocessor 100 .

이 때, 데이터 전처리부(100)는 입력되는 제1 모니터링 데이터(10)에서 구간 별 통계량을 도출하여, 데이터의 양을 감소시킬 수 있다.At this time, the data preprocessor 100 may reduce the amount of data by deriving statistics for each section from the input first monitoring data 10 .

데이터 전처리부(100)는 제1 모니터링 데이터(10)에서 변수 선택하여 변수 선택된 제1 데이터를 추출한다.The data pre-processing unit 100 selects a variable from the first monitoring data 10 and extracts the variable-selected first data.

데이터 전처리부(100)는 제1 데이터를 모델링부(200)로 전송한다.The data preprocessor 100 transmits the first data to the modeling unit 200 .

이 때, 데이터 전처리부(100)는 입력된 제1 모니터링 데이터(10)에서 소음, 스핀들 전압, 스핀들 전류, 스핀들의 X, Y방향 가속도를 상관계수 기반으로 변수 선택할 수 있으며, 데이터 전처리부(100)는 상관계수가 서로 낮은 값을 변수 선택할 수 있다.At this time, the data preprocessor 100 may select a variable based on the correlation coefficient of noise, spindle voltage, spindle current, and X and Y direction acceleration of the spindle from the input first monitoring data 10 , and the data preprocessor 100 ) can select variables with low correlation coefficients.

이 때, 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 변수 선택할 수도 있으나, 이에 제한되는 것은 아니다.At this time, the data pre-processing unit 100 may select data for cutting force, current and voltage of a plurality of axes and spindles of the cutting machine, tool edge, number of tests, pass order, spindle RPM and spindle feed rate as variables, However, the present invention is not limited thereto.

이 때, 공구 엣지는 공구 날에 대한 정보를 의미하며, 테스트 수는 모니터링한 횟수를 의미한다.모델링부(200)가 제1 데이터로 다수의 제1 레이어를 포함하는 제1 가공 예측 모델을 생성한다.In this case, the tool edge means information on the tool edge, and the number of tests means the number of times monitored. The modeling unit 200 generates a first machining prediction model including a plurality of first layers as first data. do.

이 때, 모델링부(200)는 양방향 LSTM방법으로, 제1 가공 예측 모델을 생성할 수 있다.In this case, the modeling unit 200 may generate the first machining prediction model using the interactive LSTM method.

데이터 전처리부(100)에 제1 모니터링 데이터(10)와 다른 공정 조건에서 수집되는 제2 모니터링 데이터(20)가 입력된다.The second monitoring data 20 collected in a process condition different from the first monitoring data 10 is input to the data pre-processing unit 100 .

이 때, 데이터 전처리부(100)는 입력되는 제2 모니터링 데이터(20)에서 구간 별 통계량을 도출하여, 데이터의 양을 감소시킬 수 있다.At this time, the data preprocessor 100 may reduce the amount of data by deriving statistics for each section from the input second monitoring data 20 .

데이터 전처리부(100)는 제2 모니터링 데이터(20)에서 변수 선택하여 변수선택된 제2 데이터를 추출한다.The data pre-processing unit 100 selects a variable from the second monitoring data 20 and extracts the variable-selected second data.

데이터 전처리부(100)는 변수 선택된 제2 데이터를 모델링부(200)로 전송한다.The data preprocessing unit 100 transmits the variable-selected second data to the modeling unit 200 .

이 때, 데이터 전처리부(100)는 입력된 제2 모니터링 데이터(20)에서 소음, 스핀들 전압, 스핀들 전류, 가속도를 상관계수 기반으로 변수 선택할 수 있으며, 데이터 전처리부(100)는 상관계수가 서로 낮은 값을 변수 선택할 수 있다.At this time, the data pre-processing unit 100 may select variables based on the correlation coefficient for noise, spindle voltage, spindle current, and acceleration from the input second monitoring data 20 , and the data pre-processing unit 100 may have a correlation coefficient with each other. You can select a variable with a lower value.

이 때, 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 변수 선택할 수도 있으나, 이에 제한되는 것은 아니다.At this time, the data pre-processing unit 100 may select data for cutting force, current and voltage of a plurality of axes and spindles of the cutting machine, tool edge, number of tests, pass order, spindle RPM and spindle feed rate as variables, However, the present invention is not limited thereto.

모델링부(200)는 생성된 제1 가공 예측 모델을 이용한 전이 학습(transfer learning)을 수행하여 제2 가공 예측 모델을 생성한다.The modeling unit 200 generates a second processing prediction model by performing transfer learning using the generated first processing prediction model.

모델링부(200)에서 수행되는 전이 학습의 종류는 특정한 종류에 제한되는 것은 아니다.The type of transfer learning performed by the modeling unit 200 is not limited to a specific type.

구체적으로, 모델링부(200)는 변수 선택된 제2 데이터로 제2 레이어를 생성하는데, 제1 레이어를 제2 레이어에 삽입하는 전이학습(knowledge transfer)를 수행하여, 제2 가공 예측 모델을 생성한다.Specifically, the modeling unit 200 generates a second layer with the variable-selected second data, and performs transfer learning (knowledge transfer) of inserting the first layer into the second layer to generate a second processing prediction model. .

또한, 데이터 전처리부(100)가 제2 데이터에 시뮬레이션 데이터(30)를 포함시킬 수 있다. 이에 따라, 모델링부(200)는 변수 선택된 제2 모니터링 데이터(20)와 시뮬레이션 데이터(30)를 포함하는 제2 데이터로 제2 레이어를 생성할 수 있어, 생성되는 제2 가공 예측 모델의 예측의 정확도를 더욱 증가시킬 수 있다.Also, the data preprocessor 100 may include the simulation data 30 in the second data. Accordingly, the modeling unit 200 can generate the second layer with the second data including the variable-selected second monitoring data 20 and the simulation data 30, so that the prediction of the second machining prediction model is generated. Accuracy can be further increased.

제2 가공 예측 모델은 훈련 데이터를 통해 추가로 학습될 수 있다.The second machining prediction model may be further learned through training data.

훈련 데이터는 제1 모니터링 데이터(10) 및 제2 모니터링 데이터(20)와 다른 공정 조건에서 수집된 데이터일 수 있으나, 이에 제한 되는 것은 아니다. 가령, 훈련 데이터는 제2 모니터링 데이터(20)와 절삭 방향은 동일하고, 스핀들 RPM, 스핀들 이송속도, 절입 깊이 및 절삭폭 중 어느 하나의 값이 다른 데이터일 수 있다.The training data may be data collected in process conditions different from those of the first monitoring data 10 and the second monitoring data 20 , but is not limited thereto. For example, the training data may be data having the same cutting direction as the second monitoring data 20 and different values of any one of the spindle RPM, the spindle feed rate, the cutting depth, and the cutting width.

이후, 제2 가공 예측 모델이 훈련되지 않은 테스트 데이터를 예측할 수 있는지 테스트할 수 있다. 이에 대하여는 후술하는 도 3을 참조하여 설명한다.Thereafter, it may be tested whether the second machining prediction model can predict the untrained test data. This will be described with reference to FIG. 3 to be described later.

이 때, 훈련 데이터는 상향 밀링의 경우이며, 상향 밀링 데이터의 일부 조건은 스핀들 RPM, 스핀들 이송속도, 절입 깊이, 절삭폭을 의미한다.In this case, the training data is for up-milling, and some conditions of the up-milling data mean spindle RPM, spindle feed rate, depth of cut, and cutting width.

이 때, 테스트 데이터는 상향 밀링의 경우이나, 훈련 데이터로 훈련되지 않은 조건을 포함한다.In this case, the test data is the case of up-milling, but includes a condition that is not trained as the training data.

도 3을 참조하여, 본 발명에 따라 생성되는 제2 가공 예측 모델에서 예측되는 절삭력을 공구 동력계에서 실측한 절삭력과 비교한다. Referring to FIG. 3 , the cutting force predicted by the second machining prediction model generated according to the present invention is compared with the cutting force measured by the tool dynamometer.

도 3에서는 제2 가공 예측 모델이 훈련 데이터로 훈련을 한 뒤, 테스트 데이터의 일부 조건과 절삭력을 예측한다.In FIG. 3 , after the second machining prediction model is trained with training data, some conditions and cutting force of the test data are predicted.

도 3(a), (b), (c), (d), (e)는 각각 RPM이 3000mm/rev, 3500mm/rev, 4000 mm/rev, 4500 mm/rev 및 5000 mm/rev 에서 절삭력을 예측한 값을 나타낸 그래프로, x축이스핀들 RPM이고, y축이 절삭력(최대값)이고, 스핀들 이송속도 별로 x축의 구간을 분할한 것을 도시한다. 3(a), (b), (c), (d), and (e) show the cutting force at RPM of 3000mm/rev, 3500mm/rev, 4000mm/rev, 4500mm/rev and 5000mm/rev, respectively. As a graph showing the predicted value, the x-axis is the spindle RPM, the y-axis is the cutting force (maximum value), and the section on the x-axis is divided for each spindle feed rate.

예를 들어, 도 3(a)에서 스핀들의 이송속도가 달라짐에 따라 y축인 절삭력값이 하강했다가 상승하는 구간이 반복된다. 이에 대한 자세한 설명은 도 4를 참조하여 후술한다.For example, in FIG. 3(a) , a section in which the cutting force value, which is the y-axis, descends and then rises as the feed speed of the spindle is changed is repeated. A detailed description thereof will be described later with reference to FIG. 4 .

이 때, 도 3(a) 내지 (e)에서 주황색 그래프는 예측된 값을 나타내며, 파란색 그래프는 실측한 값을 의미한다.At this time, in FIGS. 3A to 3E , the orange graph indicates predicted values, and the blue graph indicates actual measured values.

도 3(a)는 본 발명에 따라 생성된 제2 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다. 도 3(a)에서, 3000RPM일 때, RMSE값이 109.10이며, MAPE값이 31.23이다.Figure 3 (a) is a second machining prediction model generated according to the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the case of additionally trained model, the process condition when the test data is 3000RPM A graph that predicts is shown. In Fig. 3(a), when 3000 RPM, the RMSE value is 109.10, and the MAPE value is 31.23.

RMSE는 평균 제곱근 편차를 의미하는 것으로, 모델이 예측되는 값과 관찰되는 값의 차이를 나타낸다. MAPE는 평균 절대 비율 오차를 의미하는 것으로, 오차가 예측값에서 차지하는 정도를 나타내는 지표이다. RMSE값과 MAPE값이 크면 모델에서 예측되는 값과 관찰되는 값의 차이가 큰 것을 의미하는 바, 모델의 정확도가 낮음을 의미한다.RMSE refers to the root mean square deviation, and represents the difference between the predicted value and the observed value of the model. MAPE refers to the mean absolute ratio error, and is an index indicating the degree to which the error occupies the predicted value. When the RMSE value and the MAPE value are large, it means that the difference between the value predicted by the model and the value observed is large, which means that the accuracy of the model is low.

도 3(b)는 본 발명에 따라 생성된 제2 가공 예측 모델을 훈련 데이터가 3000RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3500RPM일 때의 공정 조건을 예측한 그래프를 도시한다.도 3(b)에서, 3500RPM일 때, RMSE값이 51.86이며, MAPE값이 18.54이다.Figure 3 (b) is a second machining prediction model generated according to the present invention in the case of up-milling when the training data is 3000RPM, 4000RPM, 4500RPM, 5000RPM, in the additionally trained model, the process conditions when the test data is 3500RPM 3(b), at 3500 RPM, the RMSE value is 51.86 and the MAPE value is 18.54.

도 3(c)는 본 발명에 따라 생성된 제2 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 4000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.도 3(c)에서, 4000RPM일 때, RMSE값이 34.44이며, MAPE값이 12.53이다.도 3(d)는 본 발명에 따라 생성된 제2 가공 예측 모델을 훈련 데이터가 3000RPM, 3500RPM, 4000RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 4500RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 3 (c) is a second machining prediction model generated according to the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the model that is additionally trained, the process conditions when the test data is 4000RPM 3(c), at 4000 RPM, the RMSE value is 34.44 and the MAPE value is 12.53. It shows a graph predicting the process conditions at 4500 RPM, the test data, in the model additionally trained as the case of up-milling when the data are 3000RPM, 3500RPM, 4000RPM, and 5000RPM.

도 3(d)에서, 4500RPM일 때, RMSE값이 39.45이며, MAPE값이 14.23이다.도 3(e)는 본 발명에 따라 생성된 제2 가공 예측 모델을 훈련 데이터가 3000RPM, 3500RPM, 4000RPM, 4500RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 5000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.In Fig. 3(d), at 4500RPM, the RMSE value is 39.45 and the MAPE value is 14.23. Fig. 3(e) shows the training data of the second machining prediction model generated according to the present invention is 3000RPM, 3500RPM, 4000RPM, It shows a graph predicting the process conditions at 5000 RPM, the test data, in the model additionally trained as the case of up-milling at 4500 RPM.

도 3(e)에서, 5000RPM일 때, RMSE값이 71.77이며, MAPE값이 23.37이다.3(e), when 5000 RPM, the RMSE value is 71.77, and the MAPE value is 23.37.

도 4는 본 발명에 따라 생성되는 제2 가공 예측 모델에서 예측되는 절삭력을 공구 동력계에서 실측한 절삭력과 비교하기 위한 도면으로, 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.4 is a view for comparing the cutting force predicted by the second machining prediction model generated according to the present invention with the cutting force actually measured by the tool dynamometer. In the trained model, a graph predicting the process conditions at 3000 RPM, the test data, is shown.

도 4에서 본 발명에 따른 제2 가공 예측 모델에서 예측한 절삭력과 공구 동력계에서 측정한 절삭력을 비교한다. 도 4에서 x축에 스핀들 이송속도가 300mm/min, 350mm/min, 400mm/min, 450mm/min, 500mm/min을 구간 별로 도시하며, 이송속도가 300mm/min 일 때 변화되는 절입 깊이(Ap)와 절삭폭(Ae)을 도시한다.4, the cutting force predicted by the second machining prediction model according to the present invention is compared with the cutting force measured by the tool dynamometer. In Fig. 4, the spindle feed rates of 300mm/min, 350mm/min, 400mm/min, 450mm/min, and 500mm/min are shown for each section on the x-axis, and the depth of cut (Ap) changed when the feed rate is 300mm/min and cutting width (Ae) are shown.

도 5는 제1 가공 예측 모델에서 예측되는 절삭력 을 공구 동력계에서 실측한 값과 비교한다.Figure 5 compares the cutting force predicted in the first machining prediction model with the value actually measured in the tool dynamometer.

본 발명에 따라 생성된 제1 가공 예측 모델은 제1 데이터로 학습하여, 하향 밀링의 예측 정확도가 높은 모델이다. 도 5에서는 제1 가공 예측 모델에서 상향 밀링 데이터의 일부 조건을 예측할 수 있는지를 테스트한다. 데이터가 많이 축적된 하향 밀링 데이터를 학습 후 전이학습을 이용하지 않고 상향 밀링 데이터를 예측하여 상향 밀링 시 실측 값과 비교한다.The first machining prediction model generated according to the present invention is a model with high prediction accuracy of down milling by learning with the first data. In FIG. 5 , it is tested whether some conditions of up-milling data can be predicted in the first machining prediction model. After learning the down-milling data that has accumulated a lot of data, it is compared with the measured values during up-milling by predicting the up-milling data without using transfer learning.

도 5(a)는 본 발명에 따라 생성된 제1 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 5 (a) is a first machining prediction model generated according to the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the case of additionally trained model, the process conditions when the test data is 3000RPM A graph that predicts is shown.

도 5(a)에서, 3000RPM일 때, RMSE값이 119.89이며, MAPE값이 31.89이다.In Fig. 5(a), at 3000 RPM, the RMSE value is 119.89, and the MAPE value is 31.89.

도 5(b)는 본 발명에 따라 생성된 제1 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 5 (b) is the first machining prediction model generated in accordance with the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the additionally trained model, the process conditions when the test data is 3000RPM A graph that predicts

도 5(b)에서, 3500RPM일 때, RMSE값이 95.53이며, MAPE값이 34.52이다.In Fig. 5(b), when 3500 RPM, the RMSE value is 95.53, and the MAPE value is 34.52.

도 5(c)는 본 발명에 따라 생성된 제1 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 5 (c) is a first machining prediction model generated in accordance with the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the additionally trained model, the process conditions when the test data is 3000RPM A graph that predicts is shown.

도 5(c)에서, 4000RPM일 때, RMSE값이 80.98이며, MAPE값이 28.90이다.In Figure 5(c), when 4000RPM, RMSE value is 80.98, MAPE value is 28.90.

도 5(d)는 본 발명에 따라 생성된 제1 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 5 (d) is a first machining prediction model generated according to the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the case of additionally trained model, the process condition when the test data is 3000RPM A graph that predicts is shown.

도 5(d)에서, 4500RPM일 때, RMSE값이 52.91이며, MAPE값이 26.50이다.In Fig. 5(d), at 4500 RPM, the RMSE value is 52.91, and the MAPE value is 26.50.

도 5(e)는 본 발명에 따라 생성된 제1 가공 예측 모델을 훈련 데이터가 3500RPM, 4000RPM, 4500RPM, 5000RPM일 때 상향 밀링할 경우로 추가 학습시킨 모델에서, 테스트 데이터인 3000RPM일 때의 공정 조건을 예측한 그래프를 도시한다.Figure 5 (e) is the first machining prediction model generated according to the present invention in the case of up-milling when the training data is 3500RPM, 4000RPM, 4500RPM, 5000RPM In the model that is additionally trained, the process conditions when the test data is 3000RPM A graph that predicts is shown.

도 5(e)에서, 5000RPM일 때, RMSE값이 81.78이며, MAPE값이 33.76이다.In Fig. 5(e), at 5000 RPM, the RMSE value is 81.78, and the MAPE value is 33.76.

도 5(a), (b), (c), (d), (e)를 각각 도 3(a) , (b), (c), (d), (e)와 비교하면, 도 5(a), (b), (c), (d), (e)의 각각의 RMSE값과 MAPE값이 크다는 것을 알 수 있다.5 (a), (b), (c), (d), (e) is compared with FIGS. 3 (a) , (b), (c), (d), (e), respectively, in FIG. It can be seen that the RMSE and MAPE values of (a), (b), (c), (d), and (e) are large.

즉, 본 발명에 따라 상향 밀링일 때 훈련되지 않은 공정 조건에서 예측되는 절삭력은, 제1 가공 예측 모델에서 예측되는 절삭력보다 제2 가공 예측 모델에서 예측되는 절삭력 이 실제 공구 동력계에서 실측한 절삭력과 더 유사함을 알 수 있다. 이에 따라, 전이학습된 제2 가공 예측 모델에서 테스트 데이터를 예측하는 정확도가 높음을 알 수 있고, 전이학습된 제2 가공 예측 모델로도 훈련되지 않은 데이터인 테스트 데이터를 충분히 예측할 수 있음을 알 수 있다.That is, according to the present invention, when up-milling according to the present invention, the predicted cutting force under untrained process conditions is greater than the cutting force predicted by the first machining prediction model. It can be seen that similar Accordingly, it can be seen that the accuracy of predicting test data is high in the transfer-learned second processing prediction model, and it can be seen that the transfer-learned second processing prediction model can sufficiently predict the test data, which is the untrained data. have.

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: 제1 모니터링 데이터
20: 제2 모니터링 데이터
30: 시뮬레이션 데이터
100: 데이터 전처리부
200: 모델링부10: first monitoring data
20: second monitoring data
30: simulation data
100: data preprocessor
200: modeling unit

Claims (6)

스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하고 다수의 축으로 구동되어, 피삭재를 절삭하는 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델을 생성하되, 공정 조건이 다른 제1 모니터링 데이터와 제2 모니터링 데이터를 이용하여 각각 가공 예측 모델을 생성하는 방법으로서,
(a) 데이터 전처리부(100)는, 제1 모니터링 데이터(10)가 입력되면, 상기 제1 모니터링 데이터(10)에서 변수 선택(feature selection)하여 변수 선택된 제1 데이터를 추출하고, 상기 제1 데이터를 모델링부(200)로 전송하는 단계;
(b) 상기 모델링부(200)가 상기 제1 데이터로 다수의 제1 레이어를 포함하는 제1 가공 예측 모델을 생성하는 단계;
(c) 상기 데이터 전처리부(100)에 상기 제1 모니터링 데이터(10)와 다른 공정 조건에서 수집되며, 상기 제1 모니터링 데이터(10)보다 데이터 양이 적은 제2 모니터링 데이터(20)가 입력되고, 상기 데이터 전처리부(100)는 상기 제2 모니터링 데이터(20)에서 변수 선택하여 변수 선택된 제2 데이터를 추출하고, 상기 제2 데이터를 상기 모델링부(200)로 전송하는 단계; 및
(d) 상기 모델링부(200)는 상기 (c)단계에서 전송된 제2 데이터로 제2 레이어를 생성하고, 이를 이용하여 제2 가공 예측 모델을 생성하되, 상기 (b)단계에서 생성된 상기 제1 가공 예측 모델을 이용한 전이 학습(transfer learning)을 수행하여 상기 제2 가공 예측 모델을 생성하는 단계; 를 포함하고,
상기 제1 모니터링 데이터(10)는 하향 밀링 시 절삭 가공 기기에서 수집되는
모니터링 데이터이고, 상기 제2 모니터링 데이터(20)는 상향 밀링 시 절삭 가공 기기에서 수집되는 모니터링 데이터이고,
시뮬레이션 데이터(30)는 상기 제2 모니터링 데이터(20)의 공정 조건과 동일한 조건으로 시뮬레이션한 데이터이고,
상기 (d) 단계는,
상기 데이터 전처리부(100)가 상기 제2 데이터에 시뮬레이션 데이터(30)를
포함시키는 단계를 포함하는,
방법.
It 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 generate a machining prediction model for estimating the cutting force of a cutting machine that cuts a workpiece, but with different process conditions A method of generating each machining prediction model by using the 1 monitoring data and the second monitoring data,
(a) the data pre-processing unit 100, when the first monitoring data 10 is input, selects a variable from the first monitoring data 10 to extract the variable-selected first data, the first transmitting data to the modeling unit 200;
(b) generating, by the modeling unit 200, a first processing prediction model including a plurality of first layers as the first data;
(c) the second monitoring data 20, which is collected under process conditions different from the first monitoring data 10, and having a smaller amount of data than the first monitoring data 10, is input to the data pre-processing unit 100; , the data pre-processing unit 100 selecting a variable from the second monitoring data 20, extracting the variable-selected second data, and transmitting the second data to the modeling unit 200; and
(d) the modeling unit 200 generates a second layer with the second data transmitted in step (c), and generates a second machining prediction model using this, but the generated in step (b) generating the second processing prediction model by performing transfer learning using the first processing prediction model; including,
The first monitoring data 10 is collected from a cutting machine during down milling.
monitoring data, and the second monitoring data 20 is monitoring data collected from a cutting machine during up-milling,
The simulation data 30 is data simulated under the same conditions as the process conditions of the second monitoring data 20,
Step (d) is,
The data pre-processing unit 100 adds the simulation data 30 to the second data.
comprising the step of including,
Way.
 제1항에 있어서,
상기 (d)단계에서,
상기 모델링부(200)는 상기 제1 레이어를 상기 제2 레이어 사이로 삽입하는 전이 학습을 수행하여 상기 제2 가공 예측 모델을 생성하는 단계를 포함하는,
방법.
According to claim 1,
In step (d),
The modeling unit 200 includes the step of generating the second processing prediction model by performing transfer learning to insert the first layer between the second layer,
Way.
 제1항에 있어서,
상기 제1 모니터링 데이터(10) 및 제2 모니터링 데이터(20)는 다른 공정조건에서 수집되는 스핀들 RPM, 절삭력, 상기 절삭 가공 기기의 다수의 축 및 스핀들의 전류 및 전압, 스핀들의 X, Y방향 가속도 및 절삭 공구의 소음에 대한 데이터를 각각 포함하는,
방법.
According to claim 1,
The first monitoring data 10 and the second monitoring data 20 are spindle RPM, cutting force, current and voltage of a plurality of axes and spindles of the cutting machine, and acceleration in X and Y directions of the spindle, which are collected under different process conditions. and data on the noise of the cutting tool, respectively,
Way.
 제3항에 있어서,
상기 (b)단계에서,
상기 데이터 전처리부(100)가 상기 제1 모니터링 데이터(10)에서 절삭 공구의 소음, 스핀들 전압, 스핀들 전류 및 스핀들의 X, Y방향 가속도를 상기 제1 데이터로 변수 선택하는 단계를 포함하고,
상기 (c)단계에서,
상기 데이터 전처리부(100)는 상기 제2 모니터링 데이터(20)에서 절삭 공구의 소음, 스핀들 전압, 스핀들 전류 및 스핀들의 X, Y방향 가속도를 상기 제2 데이터로 변수 선택하는 단계를 포함하고,
방법.

4. The method of claim 3,
In step (b),
The data preprocessing unit 100 selects, as the first data, the noise of the cutting tool, the spindle voltage, the spindle current, and the X and Y direction acceleration of the spindle as the first data in the first monitoring data 10,
In step (c),
The data preprocessing unit 100 includes the step of selecting the noise of the cutting tool, the spindle voltage, the spindle current, and the X and Y direction acceleration of the spindle as the second data as the variable from the second monitoring data 20,
Way.

 삭제delete 삭제delete
KR1020200147105A 2020-11-05 2020-11-05 Machining model generation method of cutting force prediction through transfer learning KR102413182B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200147105A KR102413182B1 (en) 2020-11-05 2020-11-05 Machining model generation method of cutting force prediction through transfer learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200147105A KR102413182B1 (en) 2020-11-05 2020-11-05 Machining model generation method of cutting force prediction through transfer learning

Publications (2)

Publication Number Publication Date
KR20220060921A KR20220060921A (en) 2022-05-12
KR102413182B1 true KR102413182B1 (en) 2022-06-27

Family

ID=81590253

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147105A KR102413182B1 (en) 2020-11-05 2020-11-05 Machining model generation method of cutting force prediction through transfer learning

Country Status (1)

Country Link
KR (1) KR102413182B1 (en)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102226398B1 (en) * 2018-11-29 2021-03-15 한국생산기술연구원 Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김영민 외 2인, 전이학습 기반 가공동력 예측 모델링 방법(2020.04.) 1부.*
김혜인 외 1인, 밀링공정에서 전이학습을 활용한 절삭력 예측 모델링(2020.06.) 1부.*

Also Published As

Publication number Publication date
KR20220060921A (en) 2022-05-12

Similar Documents

Publication Publication Date Title
JP6426667B2 (en) Apparatus for detecting abnormality of tool of machine tool and method
EP1927830B1 (en) Device for overall machine tool monitoring and corresponding method therefor
EP2916187B1 (en) Improved database for chatter predictions
Boutros et al. Detection and diagnosis of bearing and cutting tool faults using hidden Markov models
Zhu et al. A cyber-physical production system framework of smart CNC machining monitoring system
CN105629920B (en) Processing monitoring system and method
US20210312262A1 (en) Method for predicting status of machining operation
Figiel et al. Safety requirements for mining systems controlled in automatic mode.
Godreau et al. Continuous improvement of HSM process by data mining
Kavana et al. Fault analysis and predictive maintenance of induction motor using machine learning
KR102413182B1 (en) Machining model generation method of cutting force prediction through transfer learning
CN111390648A (en) Turning tool abrasion judging method based on antagonistic neural network
Al–Habaibeh et al. Self-learning algorithm for automated design of condition monitoring systems for milling operations
Maeda et al. Method for automatically recognizing various operation statuses of legacy machines
KR102370446B1 (en) Machining prediction model generation method to estimate cutting force of cutting machine
US20200368871A1 (en) Method for predicting chatter of a machine tool
KR20220061340A (en) Method for predicting available remaining time of cutting tool
KR102373226B1 (en) Wear Rate Prediction Method of Tool Based on Learning
US8346383B2 (en) Method for determining the machining quality of components, particularly for metal cutting by NC machines
Ng et al. Analysis of shop floor performance through discrete event simulation: A case study
Elbestawi et al. Tool condition monitoring in machining-neural networks
Elbestawi et al. Tool condition monitoring in machining
KR102585246B1 (en) Method of diagnosing process abnormality using virtual processing
KR102589094B1 (en) Training data set configuration system and method for development of diagnosis model of the machine tool
CN101807266B (en) Method of finished product management for semiconductor manufacture

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant