KR102429376B1 - 절삭 공구의 가용 잔여 시간 예측 방법 - Google Patents

절삭 공구의 가용 잔여 시간 예측 방법 Download PDF

Info

Publication number
KR102429376B1
KR102429376B1 KR1020200147106A KR20200147106A KR102429376B1 KR 102429376 B1 KR102429376 B1 KR 102429376B1 KR 1020200147106 A KR1020200147106 A KR 1020200147106A KR 20200147106 A KR20200147106 A KR 20200147106A KR 102429376 B1 KR102429376 B1 KR 102429376B1
Authority
KR
South Korea
Prior art keywords
data
tool
information
time
cutting force
Prior art date
Application number
KR1020200147106A
Other languages
English (en)
Other versions
KR20220061340A (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 KR1020200147106A priority Critical patent/KR102429376B1/ko
Publication of KR20220061340A publication Critical patent/KR20220061340A/ko
Application granted granted Critical
Publication of KR102429376B1 publication Critical patent/KR102429376B1/ko

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
    • 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
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0995—Tool life management
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Numerical Control (AREA)

Abstract

본 발명은, 스핀들에 장착되는 다수의 공구날을 포함하는 절삭 공구를 포함하고 다수의 축으로 구동되어, 피삭재를 절삭하는 절삭 가공 기기의 가용 잔여 시간을 예측하기 위한 방법으로서, (a) 공구 사용 시간 회귀부(100)에, 시간에 따른 공구 마모도값을 다수 포함하는 마모도 데이터가 입력되는 단계; (b) 상기 공구 사용 시간 회귀부(100)는 상기 마모도 데이터로부터 시간에 따른 공구 마모도값의 평균 분포를 연산하는 단계;(c) 상기 공구 사용 시간 회귀부(100)는 상기 연산된 평균 분포를 회귀 분석하고, 상기 회귀 분석된 결과 현재의 공구 마모도값을 입력하여 현재의 공구 사용 시간을 확인하는 단계;(d) 모수 추정부(200)에 상기 (a)단계의 상기 마모도 데이터가 입력되면, 상기 모수 추정부(200)는 상기 마모도 데이터를 공구 수명 분포로 변환하는 단계;(e) 상기 모수 추정부(200)는 상기 공구 수명 분포에서 모수를 추정하고, 상기 추정된 모수로부터 평균 고장 시간(MTTF)를 연산하는 단계; 및 (f) 연산부(300)는 상기 공구 사용 시간 회귀부(100)로부터 상기 공구 사용 시간을 수신하고, 상기 모수 추정부(200)로부터 상기 평균 고장 시간(MTTF)을 수신하여, 상기 평균 고장 시간(MTTF)으로부터 상기 공구 사용 시간을 감산하여 공구 잔여 시간을 연산하는 단계;를 포함하는 방법에 관한 것이다.

Description

절삭 공구의 가용 잔여 시간 예측 방법{Method for predicting available remaining time of cutting tool}
본 발명은 절삭 공구의 가용 잔여 시간 예측 방법에 관한 것이다.
다양한 산업현장에 사용되는 절삭가공은 장비, 소재, 공정 및 절삭공구 특성에 영향을 많이 받기 때문에 공정 최적화 및 이상상태 사전대응을 판단하는 것은 중요하다.
특히, 절삭가공에서 공구는 시간에 따라 마모되는데, 공구와 피삭재는 서로 접촉하며 절삭되는 바 공구의 마모된 정도는 피삭재의 절삭 품질에 직접적인 영향을 끼친다. 이에 따라, 공구의 마모도를 추정하고, 공구의 수명 및 잔여 시간을 예측하는 것은 절삭가공의 품질 및 생산성을 증가시키는데 있어 매우 중요하다.
다만, 종래에는 다수의 실험을 비롯한 데이터를 축적하여 생성된 모델로 공구의 수명을 예측하는 것에 대한 인식은 있으나, 공구의 현재 마모도를 통해 신속하게 공구의 수명 및 잔여 시간을 예측하는 것에 대한 인식은 부족하였다.
예를 들어, 일본공개특허공보 제2019-82836호는 공구수명예측장치에 관한 것으로, 정보 취득용 공구를 이용하여, 공구의 수명에 도달할 때까지 공작물에 가공을 하여 취득한 가공정보에 기반하여 결정된 연산모델을 이용하여, 수명 예측대상인 공구의 수명을 예측할 수 있으나, 마모도를 통해 공구 수명을 예측하는 것에 대한 인식은 없다.
예를 들어, 한국등록특허공보 제10-1662820호는 선형 회귀 분석에 기반한 툴 마모 및 수명을 추정하는 시스템 및 방법에 관한 것으로, 절삭 툴의 마모 영역을 캡쳐한 이미지를 통해 미리 결정된 선형 회귀 분석식에 대립하여 회귀 분석 결과인 종속변수를 예측하는 과정을 통해 툴 마모를 추정하여 마모도를 추정하는 것이나, 마모도를 통해 공구 수명을 예측하는 것에 대한 인식은 없다.
(특허문헌 1) 일본공개특허공보 제2019-82836호
(특허문헌 2) 한국등록특허공보 제10-1662820호
(특허문헌 3) 한국등록특허공보 제10-1526313호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
구체적으로, 본 발명은 공구의 수명 및 잔여 시간을 예측하기 위해 별도의 학습된 모델을 사용하지 않고, 공구의 현재 마모도를 통해 신속하게 공구의 수명 및 잔여 시간을 예측하기 위함이다.
또한, 본 발명은 공구의 현재 마모도를 통해 현재의 공구 사용 시간을 추정하고, 신뢰도(R(t)) 및 고장률(h(t))을 예측하기 위함이다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 스핀들에 장착되는 다수의 공구날을 포함하는 절삭 공구를 포함하고 다수의 축으로 구동되어, 피삭재를 절삭하는 절삭 가공 기기의 가용 잔여 시간을 예측하기 위한 방법으로서, (a) 공구 사용 시간 회귀부(100)에, 시간에 따른 공구 마모도값을 다수 포함하는 마모도 데이터가 입력되는 단계; (b) 상기 공구 사용 시간 회귀부(100)는 상기 마모도 데이터로부터 시간에 따른 공구 마모도값의 평균 분포를 연산하는 단계;(c) 상기 공구 사용 시간 회귀부(100)는 상기 연산된 평균 분포를 회귀 분석하고, 상기 회귀 분석된 결과 현재의 공구 마모도값을 입력하여 현재의 공구 사용 시간을 확인하는 단계;(d) 모수 추정부(200)에 상기 (a)단계의 상기 마모도 데이터가 입력되면, 상기 모수 추정부(200)는 상기 마모도 데이터를 공구 수명 분포로 변환하는 단계;(e) 상기 모수 추정부(200)는 상기 공구 수명 분포에서 모수를 추정하고, 상기 추정된 모수로부터 평균 고장 시간(MTTF)를 연산하는 단계; 및 (f) 연산부(300)는 상기 공구 사용 시간 회귀부(100)로부터 상기 공구 사용 시간을 수신하고, 상기 모수 추정부(200)로부터 상기 평균 고장 시간(MTTF)을 수신하여, 상기 평균 고장 시간(MTTF)으로부터 상기 공구 사용 시간을 감산하여 공구 잔여 시간을 연산하는 단계;를 포함하는 방법을 제공한다.
일 실시예는, 제1항에 있어서, 상기 (d) 단계에서의 상기 공구 수명 분포는 와이블 분포(Weibull Distribution)이고, 상기 모수는 형상 모수와 척도 모수를 포함하고, 상기 평균 고장 시간(MTTF)은 하기의 식 1으로 표현되고,
Figure 112020118445672-pat00001
<식 1>
상기 α는 척도 모수이고, 상기 β는 형상 모수일 수 있다.
일 실시예는, 상기 연산부(300)는 상기 모수 추정부(200)로부터 상기 모수를 수신하고, 상기 연산부(300)는 각각 하기의 식 2 및 3으로부터 각각 고장률(h(t))과 신뢰도(R(t))를 연산하고,
Figure 112020118445672-pat00002
<식 2>
Figure 112020118445672-pat00003
<식 3>
상기 t는 공구 사용 시간일 수 있다.
일 실시예는, 상기 (c)단계에서의 현재의 공구 마모도값은, 절삭력을 시뮬레이션 하기 위한 가공 예측 모델로부터 예측되는 값일 수 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는 전술한, 상기 가공 예측 모델을 생성하는 방법을 더 포함하며, 이는, 상기 (a)단계 이전에, (g) 데이터 전처리부(400)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)가 입력되는 단계; (h) 상기 데이터 전처리부(400)가 상기 공정 변수 데이터(10)와 상기 모니터링 데이터(20)를 포함하는 통합 데이터 셋을 생성하고, 상기 데이터 전처리부(400)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계; 및 (i) 상기 데이터 전처리부(400)는 상기 변수 선택된 데이터를 모델링부(500)로 전송하고, 상기 모델링부(500)가 상기 데이터 전처리부(400)로부터 상기 변수 선택된 데이터를 모델링하여 상기 가공 예측 모델을 생성하는 단계; 를 포함할 수 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는 전술한, 상기 가공 예측 모델을 생성하는 방법을 더 포함하며, 이는, 상기 (a)단계 이전에, (j) 데이터 전처리부(400)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; (k) 상기 데이터 전처리부(400)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; (l)상기 데이터 전처리부(400)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계; 및 (m) 상기 데이터 전처리부(400)는 상기 변수 선택된 데이터를 모델링부(500)로 전송하는 단계; 를 포함할 수 있다.
일 실시예는, 상기 데이터 전처리부(400)는, (k1) 상기 데이터 전처리부(400)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; (k2) 상기 데이터 전처리부(400)는 상기 (a)단계에서 입력된 모니터링 데이터(20)에서, 상기 설정된 상기 모니터링 데이터 주기마다 기설정된 횟수만큼의 상기 절삭력 측정 정보를 추출하는 단계; (k3) 상기 데이터 전처리부(400)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 (k4) 상기 데이터 전처리부(400)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.
본 발명에 따라, 다음과 같은 효과가 달성된다.
본 발명은 공구의 수명 및 잔여 시간을 예측하기 위해 별도의 학습된 모델을 사용하지 않고, 공구의 현재 마모도를 통해 신속하게 공구의 수명 및 잔여 시간을 예측할 수 있다.
또한, 본 발명은 공구의 현재 마모도를 통해 현재의 공구 사용 시간을 추정하고, 신뢰도(R(t)) 및 고장률(h(t))을 예측할 수 있다.
또한, 본 발명은 가공 예측 모델을 생성할 수 있고, 생성된 가공 예측 모델을 통해 공구의 현재 마모도를 예측될 수 있다.
도 1은 본 발명에 따른 구성요소를 설명하기 위한 모식도이다.
도 2은 본 발명에 따라 가공 예측 모델을 생성하여, 가공 예측 모델을 통해 공구 마모도를 예측하는 것을 설명하기 위한 도면이다.
도 3은 본 발명에 따라 공구 실험 정보로부터 평균 분포를 추정하는 것을 설명하기 위한 도면이다.
도 4는 본 발명의 평균 분포를 와이블 분포를 통하여 표시한 것을 설명하기 위한 도면이다.
도 5는 본 발명에서 가공 예측 모델을 생성하는데, 사용되는 데이터를 설명하기 위한 도면이다.
도 6은 본 발명에서 가공 예측 모델을 생성하는 과정을 설명하기 위한 도면이다.
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.
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.
본 발명에 따른 시스템은, 공구 사용 시간 회귀부(100), 모수 추정부(200), 연산부(300), 데이터 전처리부(400) 및 모델링부(500)를 포함한다.
도 1 내지 도 4를 참조하여, 본 발명에서 공구 잔여 시간을 연산하는 과정을 설명한다.
공구 사용 시간 회귀부(100)로 현재의 공구 마모도값과 마모도 데이터가 입력된다.
이 ‹š, 현재의 공구 마모도값은 300 μm일 수 있으나, 이에 제한되는 것은 아니다. 또한, 현재의 공구 마모도값은 공구의 크기 및 재질에 따라 다르게 설정된 값일 수 있으며, 또는 후술하는 가공 예측 모델로부터 측정한 현재 공구의 마모도를 의미할 수 있다.
공구 사용 시간 회귀부(100)는 현재의 공구 마모도값과 마모도 데이터를 입력받아, 입력된 공구 마모도값으로부터 공구 사용 시간을 분석한다.
마모도 데이터는 다수 회 실험한 시간에 따른 공구 마모도에 대한 분포를 포함한다.
이 때, 시간에 따른 공구 마모도에 대한 분포는 시간(sec)을 x축으로 하며, 마모도값(μm)을 y축으로 하는 그래프 상에 표현되는 다수의 점을 의미한다. 이는, 도 3(a)의 다수의 점으로 도시된다.
공구 사용 시간 회귀부(100)는 마모도 데이터의 각각의 분포에서 시간에 따른 공구 마모도값을 평균하여, 평균 분포를 연산한다. 이는 도 3(a)의 mean으로 표시된 평균 분포로 도시된다.
공구 사용 시간 회귀부(100)는 연산된 평균 분포를 회귀 분석하여, 회귀 분석된 결과를 연산한다. 도 3(b)에서 연산된 평균 분포를 회귀 분석하는 것을 도시한다.
공구 사용 시간 회귀부(100)는 회귀 분석된 결과에서 현재의 공구 마모도값에 도달하는 시간을 확인하고, 확인된 시간을 공구 사용 시간으로 결정할 수 있다.
이 때, 현재의 공구 마모도값은 후술하는 데이터 전처리부(400)와 모델링부(500)를 통해 생성된 가공 예측 모델에서 예측된 값일 수 있으나 이에 제한되는 것은 아니다. 예를 들어, 공구 마모도는 공구로부터 직접 측정된 값일 수도 있다.
모수 추정부(200)는 마모도 데이터를 입력받는다.
모수 추정부(200)는 마모도 데이터를 공구 수명 분포로 변환한다. 여기서, 공구 수명 분포는 와이블 분포를 의미한다.
모수 추정부(200)는 변환된 공구 수명 분포에서 모수를 추정하고, 상기 추정된 모수로부터 평균 고장 시간(MTTF)를 연산한다.
이 때, 모수란 분포의 형태로부터 결정되는 값으로, 본 발명의 모수는 척도 모수와 형상 모수를 의미한다. 척도 모수는 척도 또는 특성 수명은 데이터의 63.2 백분위수이며, 척도는 와이블 곡선의 분계점에 상대적인 위치를 정의한다. 또한, 형상 모수는 데이터가 어떻게 분포되어 있는지 설명하는 것으로, 형상 값이 낮으면(1) 오른쪽으로 치우친 곡선이며, 형상 값이 높으면(10) 왼쪽으로 치우친 곡선을 나타낸다.
이하, 수식에서 α는 척도 모수를 의미하고, β는 형상 모수를 의미한다.
Figure 112020118445672-pat00004
연산부(300)는 공구 사용 시간 회귀부(100)로부터 공구 사용 시간을 입력받고, 모수 추정부(200)로부터 평균 고장 시간(MTTF)을 입력받아, 평균 고장 시간(MTTF)에서 공구 사용 시간을 감산하여, 공구 잔여 시간을 연산한다.
또한, 연산부(300)는 모수 추정부(200)로부터 결정되는 모수를 입력받아, 신뢰도(R(t))와 고장률(h(t))을 연산할 수 있다. 하기의 수식에서 t는 공구 사용 시간을 의미한다.
Figure 112020118445672-pat00005
Figure 112020118445672-pat00006
본 발명의 다른 실시예에 따르면, 현재의 공구 마모도값은 후술하는 과정을 통해 생성된 가공 예측 모델로부터 예측된 값일 수 있다.
이하, 도 5 및 도 6을 참조하여, 가공 예측 모델을 생성하는 과정을 설명하며, 이하 절삭 가공 기기는 3축 가공 기기인 것을 가정하여 설명되나 이에 제한되는 것은 아니다.
도 5를 참조하여, 데이터 전처리부(400)에 입력되는 데이터를 설명한다.
공정 변수 데이터(10)는 절삭 가공에서 사용되는 공정 변수를 포함하는 데이터로, 공정에 영향을 주는 변수를 모두 포함할 수 있다.
공정 변수 데이터(10)는 피삭재 정보(11), 기기 정보(12), 공구 정보(13), 가공 실험 정보(14)를 포함한다.
피삭재 정보(11)는 절삭 가공에서 절삭되는 피삭재에 대한 정보를 포함한다. 피삭재 정보(11)는 피삭재의 소재에 대한 정보인 소재의 종류, 물성에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.
기기 정보(12)는 절삭 가공에서 절삭하는 기기 또는 기계에 대한 정보를 포함한다.
기기 정보(12)는 해당 가공에서 사용되는 기기 또는 기계의 종류에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.
공구 정보(13)는 절삭 가공에서 절삭하는데 사용되는 공구에 대한 정보를 포함한다. 공구 정보(13)는 공구날 수(number of tooth)에 대한 정보를 포함한다. 절삭 가공에서는 공구날 수에 따라, 피삭재의 절삭 정도 및 절삭력이 달라진다.
가공 실험 정보(14)는 패스 순서(pass sequence), 스핀들 RPM 설정값, 스핀들 이송 속도, 절삭 폭 및 절입 깊이에 대한 정보를 포함한다.
이 때, 스핀들 이송 속도는 분당 스핀들의 이동 거리를 의미한다.
또한, 가공 실험 정보(14)는 이송 방향에 대한 정보를 더 포함할 수 있다.
모니터링 데이터(20)는 절삭 가공 기기에서 추출되는 데이터로, 해당 기기에서 모니터링되는 데이터이다.
모니터링 데이터(20)는 CNC 정보(21), 동력계 정보(22), 센서 정보(23)를 포함한다.
CNC 정보(21)는 CNC장치에 부착된 기기 자체에서 측정되는 정보에 관한 것이다.
CNC 정보(21)는 기기가 동작되는 시간, 각 축의 위치, 각 축의 부하, 기기에 장착된 스핀들 RPM(mm/rev), 스핀들 부하에 대한 정보를 포함한다.
이 때, 각 축의 위치와 각 축의 부하는 X축, Y축, Z축에 대한 이송 테이블의 위치 정보 및 부하 정보를 포함할 수 있으나 이에 제한되는 것은 아니다.
동력계 정보(22)는 기기에서 모니터링되는 절삭력 측정 정보를 포함한다.
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.
이 때, 절삭력 측정 정보는 스핀들에 체결된 공구의 절삭력을 의미하는 것이나, 이에 제한되는 것은 아니다.
센서 정보(23)는 기기에 부착된 센서에 측정되는 정보를 포함한다.
센서 정보(23)는 각 축 및 스핀들의 전압, 각 축 및 스핀들의 전류, 가속도 및 소음에 대한 정보를 포함한다.이 때, 각 축 및 스핀들의 전압과 전류는 각 축 및 스핀들을 구동하기 위한 이송 테이블과 스핀들의 모터에서 각각 측정하는 값을 의미한다.
이 때, 각 축 및 스핀들의 전압과 전류에 대한 정보는 3상 전압과 전류를 의미하나, 이에 제한되는 것은 아니다.이 때, 가속도에 대한 정보는 X축, Y축 방향에서 측정되는 가속도에 대한 정보를 포함한다.
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.
시뮬레이션 데이터(30)는 기존의 시뮬레이션을 통하여 미리 수집된 데이터를 의미한다.
시뮬레이션 데이터(30)는 공정 변수를 입력하여 시뮬레이션한 데이터로 절삭력 시뮬레이션 정보를 포함한다.
시뮬레이션 데이터(30)는 시간에 따른 절삭력 시뮬레이션 정보를 포함한다.
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 각 축별 절삭력을 포함한다.
이 때, 절삭력 시뮬레이션 정보는 주기를 갖는 값일 수 있으나 이에 제한되는 것은 아니다.
이하, 데이터 전처리부(400)가 공정 변수 데이터(10)와 모니터링 데이터(20)를 입력받아, 가공 예측 모델을 생성하는 것을 설명한다.
데이터 전처리부(400)는 데이터를 변수 선택(feature selection)하여 입력된 데이터를 최적화한다.
데이터 전처리부(400)는 변수 선택된 데이터를 모델링부(500)로 전송한다.
데이터 전처리부(400)에는 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력된다.
데이터 전처리부(400)에서 입력되는 공정 변수 데이터(10)로 공구날 주파수를 획득할 수 있고, 이로부터 모니터링 데이터의 주기를 연산할 수 있다.
데이터 전처리부(400)는 연산된 모니터링 데이터의 주기를 확인하여, 모니터링 데이터(20)에서 모니터링 데이터(20)를 기설정된 횟수만큼 추출할 수 있다.
이후, 데이터 전처리부(400)는 추출된 모니터링 데이터(20)를 변수 선택한다.
이 때, 데이터 전처리부(400)에는 후술하는 바와 같이 시뮬레이션 데이터(30)가 더 입력되어 생성될 수도 있다.
이 때, 입력되는 공정 변수 데이터(10)는 공구날 수(number of tooth)에 대한 정보를 포함하는 공구 정보(13) 및 가공 실험 정보(14)를 포함한다.
또한, 입력되는 모니터링 데이터(20)는 스핀들 RPM에 대한 정보를 포함하는 CNC정보(21), 절삭력에 대한 정보를 포함하는 동력계 정보(22) 및 센서 정보(23)를 포함할 수 있다.
데이터 전처리부(400)는 모니터링 데이터(20)에서 상관 계수를 기반으로 변수 선택을 한다.
이 때, 데이터 전처리부(400)는 상관 계수가 높은 변수들을 그룹화하여, 그룹화된 변수들 중 대표 변수를 선택할 수 있다.
데이터 전처리부(400)는 절삭력, 전류, 전압, 공구 엣지, 테스트 수, 패스 순서, RPM 및 스핀들 이송속도에 대한 데이터를 추출할 수 있다.
이 때, 공구 엣지는 공구 날에 대한 정보를 의미하며, 테스트 수는 모니터링한 횟수를 의미한다.
또한, 데이터 전처리부(400)에는 전술한 공정 변수 데이터(10)와 모니터링 데이터(20)와 함께 기저장된 시뮬레이션 데이터(30)가 더 입력될 수 있다.
이 경우, 데이터 전처리부(400)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.
데이터 전처리부(400)는 시뮬레이션 데이터(30)에 대한 데이터를 함께 이용하여 통합 데이터 셋을 생성하고, 가공 예측 모델을 생성하는 바, 가공 예측 모델의 절삭력 예측 정확도가 더욱 증대될 수 있다. 이에 대한 자세한 설명은 후술한다.
모델링부(500)는 데이터 처리부(400)로부터 변수 선택된 데이터를 모델링하여 가공 예측 모델을 생성한다.
도 6을 참조하여, 시뮬레이션 데이터(30)를 포함하여 가공 예측 모델을 생성하는 것을 설명한다.
데이터 전처리부(400)는 공정 변수 데이터(10) 중 공구 정보(13)와 가공실험 정보(14)로부터 공구날 주파수(Tooth passing frequency)를 연산한다.
데이터 전처리부(400)는 연산된 공구날 주파수의 역수는 모니터링 데이터 주기로 설정한다.
이 때, 공구날 주파수(Tooth passing frequency)는 (공구날 수Х스핀들 RPM 설정값)/60이다.
이 경우, 절삭력 추정의 정확도를 높이기 위해, 데이터 전처리부(400)에 피삭재 정보(11)와 기기 정보(12)가 추가로 입력될 수 있으나, 이에 제한되는 것은 아니다.
데이터 전처리부(400)에 입력되는 모니터링 데이터(20)로는 CNC정보(21), 동력계 정보(22) 및 센서 정보(23)를 포함한다.
CNC정보(21)는 각 축 및 스핀들의 전류에 대한 정보를 포함한다.
이 때, CNC정보(21)에 기기가 동작되는 시간, 각 축의 위치, 각 축의 부하, 스핀들 RPM에 대한 정보가 더 포함될 수 있다.
데이터 전처리부(400)는 입력되는 모니터링 데이터(20)에서 노이즈를 제거하고, 기기의 시작 시점을 판단한다.
데이터 전처리부(400)는 입력된 모니터링 데이터(20)에서 설정된 모니터링 데이터 주기마다 기설정된 횟수만큼의 절삭력 측정 정보를 추출한다.
이 때, 기설정된 횟수는 10회의 주기를 의미할 수 있으나 이에 제한되는 것은 아니다.
또한, 데이터 전처리부(400)는 입력되는 시뮬레이션 데이터(30)에서 반복되는 주기를 확인하고, 기설정된 횟수만큼의 시뮬레이션 데이터(30)를 추출한다.
이 때, 데이터 전처리부(400)는 자기 상관 함수(autocorrelation function)를 통해, 시뮬레이션 데이터(30)에서 반복되는 주기를 획득할 수 있다.
이후, 데이터 전처리부(400)는 추출한 절삭력 측정 정보와 추출한 절삭력 시뮬레이션 정보를 동기화하여 절삭력 동기화 정보를 생성한다.
이 때, 동기화란 상호 상관 함수(cross correlation function)를 통한 방식으로 수행될 수 있으나, 이에 제한되는 것은 아니다.
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.
데이터 전처리부(400)는 모니터링 데이터(20)와 절삭력 동기화 정보를 포함하는 통합 데이터 셋을 생성한다.
이 때, 생성되는 통합 데이터 셋에는 절삭력 동기화 정보가 포함되는 바, 모니터링 데이터(20)에는 절삭력 측정 정보를 제외한다.
이 때, 데이터 전처리부(400)는 공정 변수 데이터(10) 중 공구 정보(13)가 추가로 입력된 후, 통합 데이터 셋을 생성할 수 있다.
데이터 전처리부(400)는 통합데이터 셋에 포함된 정보를 각각 서로 상관 계수를 기반으로 변수 선택을 한다. 즉, 데이터 전처리부(400)에서 통합 데이터 셋에포함되는 정보 중 서로 상관 관계가 높은 변수들을 판단한다.
이 때, 데이터 전처리부(400)는 상관 계수가 높은 변수들을 그룹화하여, 그룹화된 변수들 중에서 대표 변수를 선택할 수 있다.
상관 계수를 기반으로 변수를 선택하는 것은 이미 공지된 기술인 바, 이에 대한 자세한 설명은 생략한다.
데이터 전처리부(400)는 절삭력, 각 축 및 스핀들의 전류와 전압, 공구 엣지, 테스트 수, 패스 순서, 스핀들 RPM 및 스핀들 이송속도에 대한 데이터를 추출한다.
모델링부(500)는 데이터 전처리부(400)로부터 변수 선택된 데이터를 모델링하여 절삭력을 추정하는 가공 예측 모델을 생성한다.
모델링부(500)는 변수 선택된 데이터를 정규화(normalize)하여 인공신경망을 생성하여 가공 예측 모델을 생성할 수 있다.
또한, 모델링부(500)는 변수 선택된 데이터를 정규화하고 LSTM을 수행하여 가공 예측 모델을 생성할 수 있다.
또한, 모델링부(500)는 변수 선택된 데이터를 랜덤 포레스트(random forest)를 수행하여 가공 예측 모델을 생성할 수 있다.
또한, 모델링부(200)는 변수 선택된 데이터를 신경망(neural network)를 수행하여 가공 예측 모델을 생성할 수 있다
이상, 가공 예측 모델을 생성하는 과정을 설명하였으며, 이를 토대로 현재의 공구 마모도값을 예측할 수 있다.
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.
10: 공정 변수 데이터
11: 피삭재 정보
12: 기기 정보
13: 공구 정보
14: 가공 실험 정보
20: 모니터링 데이터
21: CNC 정보
22: 동력계 정보
23: 센서 정보
30: 시뮬레이션 데이터
100: 공구 사용 시간 회귀부
200: 모수 추정부
300: 연산부
400: 데이터 전처리부
500: 모델링부

Claims (7)

  1. 스핀들에 장착되는 다수의 공구날을 포함하는 절삭 공구를 포함하고 다수의 축으로 구동되어, 피삭재를 절삭하는 절삭 가공 기기의 가용 잔여 시간을 예측하기 위한 방법으로서,
    (a) 공구 사용 시간 회귀부(100)에, 시간에 따른 공구 마모도값을 다수 포함하는 마모도 데이터가 입력되는 단계;
    (b) 상기 공구 사용 시간 회귀부(100)는 상기 마모도 데이터로부터 시간에 따른 공구 마모도값의 평균 분포를 연산하는 단계;
    (c) 상기 공구 사용 시간 회귀부(100)는 상기 연산된 평균 분포를 회귀 분석하고, 상기 회귀 분석된 결과 현재의 공구 마모도값을 입력하여 현재의 공구 사용 시간을 확인하는 단계;
    (d) 모수 추정부(200)에 상기 (a)단계의 상기 마모도 데이터가 입력되면, 상기 모수 추정부(200)는 상기 마모도 데이터를 공구 수명 분포로 변환하는 단계;
    (e) 상기 모수 추정부(200)는 상기 공구 수명 분포에서 모수를 추정하고, 상기 추정된 모수로부터 평균 고장 시간(MTTF)를 연산하는 단계; 및
    (f) 연산부(300)는 상기 공구 사용 시간 회귀부(100)로부터 상기 공구 사용 시간을 수신하고, 상기 모수 추정부(200)로부터 상기 평균 고장 시간(MTTF)을 수신하여, 상기 평균 고장 시간(MTTF)으로부터 상기 공구 사용 시간을 감산하여 공구 잔여 시간을 연산하는 단계;를 포함하는,
    방법.
  2. 제1항에 있어서,
    상기 (d) 단계에서의 상기 공구 수명 분포는 와이블 분포(Weibull Distribution)이고,
    상기 모수는 형상 모수와 척도 모수를 포함하고,
    상기 평균 고장 시간(MTTF)은 하기의 식 1으로 표현되고,
    Figure 112020118445672-pat00007
    <식 1>
    상기 α는 척도 모수이고, 상기 β는 형상 모수인,
    방법.
  3. 제2항에 있어서,
    상기 연산부(300)는 상기 모수 추정부(200)로부터 상기 모수를 수신하고,
    상기 연산부(300)는 각각 하기의 식 2 및 3으로부터 각각 고장률(h(t))과 신뢰도(R(t))를 연산하고,
    Figure 112020118445672-pat00008
    <식 2>
    Figure 112020118445672-pat00009
    <식 3>
    상기 t는 공구 사용 시간인,
    방법.
  4. 제1항에 있어서,
    상기 (c)단계에서의 현재의 공구 마모도값은,
    가공 예측 모델로부터 예측되는 값인,
    방법.
  5. 제4항에 있어서,
    상기 가공 예측 모델을 생성하는 방법을 더 포함하며, 이는,
    상기 (a)단계 이전에,
    (g) 데이터 전처리부(400)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)가 입력되는 단계;
    (h) 상기 데이터 전처리부(400)가 상기 공정 변수 데이터(10)와 상기 모니터링 데이터(20)를 포함하는 통합 데이터 셋을 생성하고, 상기 데이터 전처리부(400)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계; 및
    (i) 상기 데이터 전처리부(400)는 상기 변수 선택된 데이터를 모델링부(500)로 전송하고, 상기 모델링부(500)가 상기 데이터 전처리부(400)로부터 상기 변수 선택된 데이터를 모델링하여 상기 가공 예측 모델을 생성하는 단계; 를 포함하는,
    방법.
  6. 제4항에 있어서,
    상기 가공 예측 모델을 생성하는 방법을 더 포함하며, 이는,
    상기 (a)단계 이전에,
    (j) 데이터 전처리부(400)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;
    (k) 상기 데이터 전처리부(400)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;
    (l)상기 데이터 전처리부(400)가 상기 통합 데이터 셋에서 변수 선택(feature selection)하는 단계; 및
    (m) 상기 데이터 전처리부(400)는 상기 변수 선택된 데이터를 모델링부(500)로 전송하는 단계; 를 포함하는,
    방법.
  7. 제6항에 있어서,
    상기 데이터 전처리부(400)는,
    (k1) 상기 데이터 전처리부(400)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;
    (k2) 상기 데이터 전처리부(400)는 상기 (a)단계에서 입력된 모니터링 데이터(20)에서, 상기 설정된 상기 모니터링 데이터 주기마다 기설정된 횟수만큼의 상기 절삭력 측정 정보를 추출하는 단계;
    (k3) 상기 데이터 전처리부(400)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
    (k4) 상기 데이터 전처리부(400)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.
KR1020200147106A 2020-11-05 2020-11-05 절삭 공구의 가용 잔여 시간 예측 방법 KR102429376B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200147106A KR102429376B1 (ko) 2020-11-05 2020-11-05 절삭 공구의 가용 잔여 시간 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200147106A KR102429376B1 (ko) 2020-11-05 2020-11-05 절삭 공구의 가용 잔여 시간 예측 방법

Publications (2)

Publication Number Publication Date
KR20220061340A KR20220061340A (ko) 2022-05-13
KR102429376B1 true KR102429376B1 (ko) 2022-08-05

Family

ID=81583171

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147106A KR102429376B1 (ko) 2020-11-05 2020-11-05 절삭 공구의 가용 잔여 시간 예측 방법

Country Status (1)

Country Link
KR (1) KR102429376B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291564B (zh) * 2022-10-08 2023-01-10 成都飞机工业（集团）有限责任公司 一种基于切削体积的数控加工刀具寿命评价方法
CN117592976B (zh) * 2024-01-19 2024-04-26 山东豪泉软件技术有限公司 一种刀具剩余寿命预测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243369A (ja) * 2011-05-23 2012-12-10 Nippon Telegr & Teleph Corp <Ntt> ハードディスクドライブ寿命推定システム、ハードディスクドライブ寿命推定方法
JP2018103284A (ja) * 2016-12-22 2018-07-05 ファナック株式会社 工具寿命推定装置
JP2019139755A (ja) * 2018-02-06 2019-08-22 ファナック株式会社 研磨工具摩耗量予測装置、機械学習装置及びシステム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243369A (ja) * 2011-05-23 2012-12-10 Nippon Telegr & Teleph Corp <Ntt> ハードディスクドライブ寿命推定システム、ハードディスクドライブ寿命推定方法
JP2018103284A (ja) * 2016-12-22 2018-07-05 ファナック株式会社 工具寿命推定装置
JP2019139755A (ja) * 2018-02-06 2019-08-22 ファナック株式会社 研磨工具摩耗量予測装置、機械学習装置及びシステム

Also Published As

Publication number Publication date
KR20220061340A (ko) 2022-05-13

Similar Documents

Publication Publication Date Title
US20200356069A1 (en) Machine tool management system
KR102429376B1 (ko) 절삭 공구의 가용 잔여 시간 예측 방법
Plaza et al. Surface roughness monitoring by singular spectrum analysis of vibration signals
Abellan-Nebot et al. A review of machining monitoring systems based on artificial intelligence process models
CN104898565B (zh) 改进的用于颤振预测的数据库
CN108723889B (zh) 加减速控制装置
US20210239577A1 (en) System for estimating the state of wear of a cutting tool during machining
US20190369596A1 (en) Analysis device, analysis method, and non-transitory computer readable medium recording an analysis program
D'Emilia et al. Mechatronics applications of measurements for smart manufacturing in an industry 4.0 scenario
KR20190055079A (ko) 에러 전파의 추정 방법
KR102370446B1 (ko) 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법
KR20200026108A (ko) 가공 환경 추정 장치
CN105807716A (zh) 再制造机床健康监测系统
KR102373226B1 (ko) 학습 기반의 공구 마모도 예측방법
EP3807731B1 (en) Workpiece surface quality issues detection
Aruväli et al. In-process determining of the working mode in CNC turning
KR20130074403A (ko) 계측기 신뢰성 평가 장치 및 그의 동작 방법
KR20180035549A (ko) 회전체 설비 고장발생 위험도 지수 평가 장치 및 그 방법
US20210239563A1 (en) System of indirect estimation of the condition of wear of a cutting tool
JP6739502B2 (ja) データ解析装置、データ解析方法、制御プログラム、および記録媒体
US20040093191A1 (en) System and method for performing modal analysis of at least one remote structure
CN114830052A (zh) 用于确定机器的动态特性的方法和系统
Brundage et al. Qualifying evaluations from human operators: Integrating sensor data with natural language logs
KR20230059950A (ko) 절삭력 및 공구 마모도 통합 추정 모델
Wang et al. Milling-tool wear-condition prediction with statistic analysis and echo-state networks

Legal Events

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