KR102500441B1 - 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법 - Google Patents

가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법 Download PDF

Info

Publication number
KR102500441B1
KR102500441B1 KR1020210163055A KR20210163055A KR102500441B1 KR 102500441 B1 KR102500441 B1 KR 102500441B1 KR 1020210163055 A KR1020210163055 A KR 1020210163055A KR 20210163055 A KR20210163055 A KR 20210163055A KR 102500441 B1 KR102500441 B1 KR 102500441B1
Authority
KR
South Korea
Prior art keywords
unit
processing
parameter
target
workpiece
Prior art date
Application number
KR1020210163055A
Other languages
English (en)
Inventor
이민우
Original Assignee
이민우
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 이민우 filed Critical 이민우
Priority to KR1020210163055A priority Critical patent/KR102500441B1/ko
Application granted granted Critical
Publication of KR102500441B1 publication Critical patent/KR102500441B1/ko

Links

Images

Classifications

    • 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
    • B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
    • 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
    • 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
    • B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
    • B23Q17/2409—Arrangements for indirect observation of the working space using image recording means, e.g. a camera
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법은, (a) 제작 대상 가공품의 형상 데이터를 획득하는 단계, (b) 상기 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 상기 형상 데이터에 기초하여 결정하는 단계 및 (c) 상기 복수의 단위 공정 각각의 수행 시, 상기 자재가 안착되는 지그와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치와 연계된 제2파라미터 중 적어도 하나를 상기 단위 공정 각각의 공정 특성에 기초하여 조정하는 단계를 포함할 수 있다.

Description

가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법{APPARATUS AND METHOD FOR INTELLIGENT PROCESSING BASED ON SHAPE ANALYSIS}
본원은 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법에 관한 것이다.
공작기계는 각종 절삭 가공방법 또는 비절삭 가공방법으로 금속 또는 비금속의 모재를 적당한 공구를 사용하여 형상 및 치수로 가공하거나 또는 더욱 정밀한 가공을 추가할 목적으로 사용되는 기계를 말한다. 이러한 공작기계는 산업 전반에 걸쳐 자동화 및 수치제어화(Numerical Control)가 급속히 진전되고 있으며, 이에 더해 컴퓨터 수치제어(Computerized Numerical Control)가 산업전반에서 폭넓게 도입되고 있다.
이러한 공작기계에서 모재의 가공은 주로 작업자가 생성한 가공 프로그램에 의해 이루어지고 있으며, 이러한 가공 프로그램에는 가공 시 사용할 공구의 종류, 공구의 이송속도 및 스핀들 회전속도 및 가공경로 등이 포함될 수 있다.
한편, 공구의 종류, 공구의 이송속도 및 스핀들 회전속도 및 가공경로 등을 판단하여 가공 프로그램을 생성하거나, 단순한 절삭 가공을 수동으로 진행하고자 하는 경우에는 작업자가 절삭 가공에 대한 폭넓은 지식이 요구된다는 어려움이 있었다.
특히, 현대에 이를 수록 공정 환경에 자동화를 통한 인원 감축, 생산 시간 단축, 고품질화, 비용 절감 경향이 점점 강해지고 있다. 제조업에서 절삭 가공은 여전히 제품 생산에 있어 많은 시간과 비용을 차지하고 있으며, 더불어 절삭 가공을 수행하는 공작 기계에 있어서 고성능화 및 각종 계측 장비를 이용한 절삭 가공 상태의 감시에 대한 필요성 역시 증대되고 있다.
특히 제품의 주기가 짧아지고 다품종 소량 가공물이 증가하는 추세이므로 가공 시간 단축이 생산성에서 차지하는 비중이 점차 커지고 있으며, 이에 따라 절삭 가공 장치의 동작에 대한 시뮬레이션을 통해 작업자에게 수행될 공정에 대한 세부 정보를 정확하게 제공하고 실제로 가공이 이루어지는 작업장에 마련된 상태 모니터링 센서 시스템 등을 통해 공정의 신뢰성 및 제조 요소의 고품질을 달성할 것이 요구된다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1515736호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 가공품의 형상 데이터에 기반하여 자재에 대하여 수행되는 공정을 복수의 단위 가공으로 분할하고, 각 단위 공정의 공정 특성에 부합하도록 공정 파라미터를 제어하는 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법은, (a) 제작 대상 가공품의 형상 데이터를 획득하는 단계, (b) 상기 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 상기 형상 데이터에 기초하여 결정하는 단계 및 (c) 상기 복수의 단위 공정 각각의 수행 시, 상기 자재가 안착되는 지그와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치와 연계된 제2파라미터 중 적어도 하나를 상기 단위 공정 각각의 공정 특성에 기초하여 조정하는 단계를 포함할 수 있다.
또한, 상기 형상 데이터는 상기 제작 대상 가공품의 외면 중 상기 자재로부터의 가공이 요구되는 적어도 하나의 기준 가공면에 대한 2차원 형상을 포함할 수 있다.
또한, 상기 (b) 단계는, (b1) 상기 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정하는 단계, (b2) 상기 기준 가공면의 유형에 따라 상기 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정하는 단계 및 (b3) 상기 공정 그룹 간의 수행 순서 및 상기 공정 그룹 내의 상기 복수의 단위 공정 간의 수행 순서를 결정하는 단계를 포함할 수 있다.
또한, 상기 공정 특성은, 상기 지그에 대하여 안착된 상태에서 상기 자재가 차지하는 공간 범위에 대한 상기 가공 대상 영역의 3차원적 위치 정보를 포함할 수 있다.
또한, 상기 (c) 단계는, 상기 복수의 단위 공정 중 상기 가공 장치를 이용하여 수행하려는 대상 단위 공정 직전에 수행된 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터를 고려하여 상기 대상 단위 공정에 대응하여 갱신될 상기 제1파라미터 및 상기 제2파라미터 중 적어도 하나의 변동값을 결정할 수 있다.
또한, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법은, (d) 상기 복수의 단위 공정 각각의 수행 시, 상기 가공 장치에 의해 상기 단위 공정이 수행되는 상기 자재를 프레임 내부에 포함하도록 공정 영상을 촬상하는 단계를 포함할 수 있다.
또한, 상기 (d) 단계는, 상기 가공 장치에 의해 수행되는 상기 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터에 기초하여 상기 공정 영상의 획득을 위한 촬영 파라미터를 조정하는 단계를 포함할 수 있다.
또한, 상기 자재는 외면에 스퍼터링 층이 형성될 수 있다.
또한, 상기 단위 공정은 상기 스퍼터링 층 중 적어도 일부를 제거하는 공정일 수 있다.
또한, 상기 가공 장치는 상기 스퍼터링 층 중 적어도 일부를 제거하기 위한 레이저 조사 장치일 수 있다.
또한, 상기 제2파라미터는, 상기 레이저 조사 장치에 의해 조사되는 광과 연계된 파워, 초점 위치, 조사 시간 및 이동 패턴 중 적어도 하나를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치는, 제작 대상 가공품의 형상 데이터를 획득하는 수집부, 상기 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 상기 형상 데이터에 기초하여 결정하는 공정 분석부 및 상기 복수의 단위 공정 각각의 수행 시, 상기 자재가 안착되는 지그와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치와 연계된 제2파라미터 중 적어도 하나를 상기 단위 공정 각각의 공정 특성에 기초하여 조정하는 제어부를 포함할 수 있다.
또한, 상기 공정 분석부는, 상기 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정하는 영역 설정부, 상기 기준 가공면의 유형에 따라 상기 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정하는 그룹핑부 및 상기 공정 그룹 간의 수행 순서 및 상기 공정 그룹 내의 상기 복수의 단위 공정 간의 수행 순서를 결정하는 순서 결정부를 포함할 수 있다.
또한, 상기 제어부는, 상기 복수의 단위 공정 중 상기 가공 장치를 이용하여 수행하려는 대상 단위 공정 직전에 수행된 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터를 고려하여 상기 대상 단위 공정에 대응하여 갱신될 상기 제1파라미터 및 상기 제2파라미터 중 적어도 하나의 변동값을 결정할 수 있다.
또한, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치는 상기 복수의 단위 공정 각각의 수행 시, 상기 가공 장치에 의해 상기 단위 공정이 수행되는 상기 자재를 프레임 내부에 포함하도록 공정 영상을 촬상하는 촬영부를 포함할 수 있다.
또한, 상기 촬영부는, 상기 가공 장치에 의해 수행되는 상기 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터에 기초하여 상기 공정 영상의 획득을 위한 촬영 파라미터를 조정할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 가공품의 형상 데이터에 기반하여 자재에 대하여 수행되는 공정을 복수의 단위 가공으로 분할하고, 각 단위 공정의 공정 특성에 부합하도록 공정 파라미터를 제어하는 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법을 제공할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치를 포함하는 지능형 가공 시스템의 개략적인 구성도이다.
도 2는 제작 대상 가공품의 형상 데이터로부터 도출되는 기준 가공면을 설명하기 위한 개념도이다.
도 3은 레이저 조사 장치에 해당하는 가공 장치 및 그에 기반하여 수행되는 단위 공정을 설명하기 위한 개념도이다.
도 4는 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치의 개략적인 구성도이다.
도 5는 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치의 공정 분석부에 대한 세부 구성도이다.
도 6은 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법에 대한 동작 흐름도이다.
도 7은 복수의 단위 공정을 결정하는 프로세스에 대한 세부 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법에 관한 것이다.
도 1은 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치를 포함하는 지능형 가공 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 지능형 가공 시스템(10)은, 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치(100)(이하, '가공 제어 장치(100)'라 한다.) 및 가공 장치(200)를 포함할 수 있다. 또한, 도면에는 도시되지 않았으나 지능형 가공 시스템(10)은 가공 장치(200)를 조작하는 작업자, 가공 장치(200) 등에 대한 유지 관리를 수행하는 관리자 등의 주체가 보유한 사용자 단말(미도시)을 포함할 수 있다.
가공 제어 장치(100), 가공 장치(200) 및 사용자 단말(미도시) 상호간은 네트워크(20)를 통해 통신할 수 있다. 네트워크(20)는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(20)의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(미도시)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
한편, 본원의 실시예에 관한 설명에서 가공 장치(200)는 투입되는 소정의 자재로부터 제작 대상 가공품을 제작하도록 동작하는 각종 설비를 폭넓게 포함할 수 있다. 이와 관련하여 본원의 일 실시예에 따르면, 가공 장치(200)로 투입되는 자재에는 외면에 스퍼터링 층이 형성되되, 가공 장치(200)에 의해 수행되는 가공은 스퍼터링 층 중 적어도 일부를 제거하는 공정을 포함할 수 있다.
가공 제어 장치(100)는 가공 장치(200)를 이용하여 제작하려는 제작 대상 가공품의 형상 데이터를 획득할 수 있다. 예를 들어, 가공 제어 장치(100)는 소정의 자재로부터 가공 장치(200)에 의해 제작되는 제작 대상 가공품의 3차원 형상을 반영하는 CAD 파일 등의 도면 데이터를 획득(수신)할 수 있다.
예를 들어 가공 제어 장치(100)는 제작 대상 가공품의 3차원 형상에 대한 정보를 포함하는 도면 데이터를 획득할 수 있다. 또한, 가공 제어 장치(100)는 제작 대상 가공품을 제작하기 위해 가공 장치(200)로 투입되는 자재의 형상에 대한 정보를 획득할 수 있다. 예를 들어, 가공 제어 장치(100)는 제작 대상 가공품에 대한 도면 데이터와 함께 해당 제작 대상 가공품에 대응하는 자재의 형상 정보를 포함하는 도면 데이터를 추가로 획득(수신)하거나 수신된 제작 대상 가공품에 대한 도면 데이터로부터 해당 제작 대상 가공품을 제작하기 위하여 투입될 자재의 형상을 예측(추정)하여 자재의 형상 정보를 간접적으로 획득하는 것일 수 있다.
또한, 가공 제어 장치(100)는 획득한 제작 대상 가공품에 대한 형상 정보에 기초하여 해당 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 결정할 수 있다.
구체적으로, 가공 제어 장치(100)는 도면 데이터에 기초하여 제작 대상 가공품의 외면에 대응되며, 자재로의 초기 상태로부터 가공이 요구되는 적어도 하나의 기준 가공면을 설정할 수 있다.
이와 관련하여 도 2는 제작 대상 가공품의 형상 데이터로부터 도출되는 기준 가공면을 설명하기 위한 개념도이다.
도 2를 참조하면, 가공 제어 장치(100)는 자재의 초기 상태에 대한 형상 정보를 기 보유하고, 자재의 형상 정보에 비추어 자재에 대하여 가공(예를 들면, 절삭 가공)이 요구되는 외면을 기준 가공면으로 설정할 수 있다. 보다 구체적으로 이해를 돕기 위해 예시하면, 가공 제어 장치(100)는 도 2와 같이 제작 대상 가공품의 외면 중 자재로부터의 가공이 요구되는 두 개의 기준 가공면(예를 들면, 가공 대상 영역 1a, 1b 및 1c를 포함하는 제1기준 가공면 및 가공 대상 영역 2a 및 2b를 포함하는 제2기준 가공면 등)을 설정할 수 있다.
예를 들어, 가공 제어 장치(100)는 자재의 형상 정보 및 금속 부품의 형상 정보 간의 상호 비교를 통해 자재의 초기 상태로부터 금속 부품의 형상 정보에 대응하는 형상으로 가공하기 위하여 가공 장치(200)에 의한 가공이 필요한 공간 범위를 3차원적으로 특정하고, 특정된 공간 범위에 맞닿는 초기 상태의 자재의 면을 기준 가공면으로 설정하도록 동작할 수 있다.
또한, 가공 제어 장치(100)는 설정된 기준 가공면에 대한 2차원 형상을 공간적으로 구획하여 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정할 수 있다.
본원의 일 실시예에 따르면, 가공 제어 장치(100)는 획득된 제작 가공 대상품에 대한 도면 데이터에 기초하여 제작 대상 가공품의 형상을 설정된 기준 가공면을 바라보도록 2차원적으로 회전된 화상 데이터(기준 가공면에 대한 2차원 형상)를 가공 장치(200)에 의한 단일 가공이 요구되는 영역으로 공간적으로 구획할 수 있다.
예시적으로 도 2를 참조하면, 가공 제어 장치(100)는 제1기준 가공면에 대한 2차원 형상에 기초하여 제1가공 대상 영역(1a) 내지 제3가공 대상 영역(1c)을 특정할 수 있으며, 이러한 제1가공 대상 영역(1a) 내지 제3가공 대상 영역(1c)을 각각 가공하기 위하여 가공 장치(200)가 수행하는 공정이 본원에서의 '단위 공정'을 의미하는 것일 수 있다.
또한, 가공 제어 장치(100)는 기준 가공면의 유형에 따라 분할 설정된 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정할 수 있다. 예를 들어, 가공 제어 장치(100)는 자재의 상면인 제1기준 가공면(도 2에 도시된 가공 대상 영역 1a, 1b, 1c를 포함하는 면)을 가공 대상으로 하는 단위 공정을 제1그룹으로 설정하고, 자재의 전면인 제2기준 가공면(도 2에 도시된 가공 대상 영역 2a, 2b를 포함하는 면)을 가공 대상으로 하는 단위 공정을 제2그룹으로 설정할 수 있다.
또한, 가공 제어 장치(100)는 설정된 공정 그룹 간의 수행 순서 및 공정 그룹 내의 복수의 단위 공정 간의 수행 순서를 결정할 수 있다.
본원의 일 실시예에 따르면, 공정 그룹 간의 수행 순서는 자재가 가공 장치(200)에 대하여 투입되는 방향(예를 들면, 가공 장치(200)로 투입되기 위하여 자재가 안착되는 지그(300)에 대하여 자재가 놓이는 방향 등), 각 공정 그룹에 포함된 단위 공정의 복잡도, 난이도 등을 고려하여 설정될 수 있다.
또한, 본원의 일 실시예에 따르면, 특정 공정 그룹 내의 단위 공정 간의 수행 순서는 해당 공정 그룹 이전에 수행된 공정 그룹에서 순서 상 마지막에 수행되는 단위 공정이 완료된 상태에서 자재가 배치되는 방향, 각 단위 공정의 복잡도, 난이도 등을 고려하여 설정될 수 있다.
또한, 본원의 일 실시예에 따르면, 가공 제어 장치(100)는 결정된 복수의 단위 공정 각각의 수행 시, 자재(1)가 안착되는 지그(300)와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치(200)와 연계된 제2파라미터 중 적어도 하나를 단위 공정 각각의 공정 특성에 기초하여 조정할 수 있다.
이와 관련하여, 본원의 일 실시예에 따르면, 제1파라미터 및 제2파라미터 중 적어도 하나를 조정하기 위하여 고려되는 공정 특성은 자재가 지그(300)에 안착된 상태에서 자재가 차지하는 공간 범위에 대한 가공 대상 영역의 3차원적 위치 정보를 포함할 수 있다.
달리 말해, 가공 제어 장치(100)는 가공 장치(200)에 의해 수행되거나 수행 예정인 단위 공정에 따른 기준 가공면 및 기준 가공면 내의 가공 대상 영역이 자재가 차지하는 전체 영역 중 상대적으로 차지하는 공간의 3차원 위치 정보를 고려하여 지그(300) 제어와 연계된 파라미터인 제1파라미터를 조정하거나 가공 장치(200) 측 제어와 연계된 파라미터인 제2파라미터를 조정하는 등의 선택적인 파라미터 조정을 수행할 수 있다. 다른 예로, 가공 제어 장치(100)는 따른 기준 가공면 및 기준 가공면 내의 가공 대상 영역이 차지하는 공간의 3차원 위치 정보를 고려하여 제1파라미터 및 제2파라미터를 함께 조정하는 제어를 수행할 수도 있다.
이와 관련하여, 본원에서 개시하는 가공 제어 장치(100)는 가공 장치(200)에 의해 단위 공정이 수행되는 자재(1)의 형태적 특성과 대상 단위 공정에 대하여 후속하여 연속적으로 다른 가공 대상 영역에 대하여 수행되는 단위 공정 간의 전환 용이성 등을 고려하여 제1파라미터 및 제2파라미터를 적절히 조정함으로써 전체 공정 프로세스에서 가공 장치(200)의 가공 모듈의 3차원적 이동 또는 지그(300)의 위치 제어 등을 위하여 요구되는 전체적인 리소스(예를 들면, 거동 시간, 구동 모터에 의해 소모되는 전력량 등)가 효율적으로 소모되도록 할 뿐만 아니라, 전체 공정이 완결되는 시간을 단축할 수 있다.
구체적으로 본원의 일 실시예에 따르면, 가공 제어 장치(100)는 복수의 단위 공정 중 상기 가공 장치를 이용하여 수행하려는 대상 단위 공정 직전에 수행된 단위 공정에 대응하여 결정된 제1파라미터 및 제2파라미터를 고려하여 대상 단위 공정에 대응하여 갱신될 제1파라미터 및 제2파라미터 중 적어도 하나의 변동값을 결정할 수 있다.
달리 말해, 가공 제어 장치(100)는 대상 단위 공정을 수행할 가공 대상 영역과 직전에 수행된 단위 공정의 대상이 된 가공 대상 영역 간의 상대적인 위치 차이 및 두 가공 대상 영역 각각에 단위 공정을 수행하기 위하여 설정될 수 있는 가공 장치(200) 측 가공 모듈과 지그(300) 간의 상대적인 위치 설정 상태를 고려하여 제1파라미터 및 제2파라미터의 전체적인 조정 수준이 상대적으로 적게 산출될 수 있도록 하는 변동값을 결정할 수 있다.
도 3은 레이저 조사 장치에 해당하는 가공 장치 및 그에 기반하여 수행되는 단위 공정을 설명하기 위한 개념도이다.
도 3을 참조하면, 가공 장치(200)는 본원의 구현예에 따라 자재의 외면에 형성된 스퍼터링 층 중 적어도 일부를 제거하기 위한 레이저 조사 장치를 포함할 수 있다.
한편, 가공 제어 장치(100)에 의해 조정되는 제1파라미터는 가공 장치(200)의 가공 모듈(예를 들면, 레이저 조사 모듈 등)에 대한 지그(300)에 대한 이격 거리, 가공 장치(200)의 가공 모듈(예를 들면, 레이저 조사 모듈 등)과 기준 가공면(도 3의 A)의 대향 방향 등을 상대적으로 지그(300) 측에서 조정하기 위한 파라미터를 의미할 수 있다. 달리 말해, 가공 제어 장치(100)는 지그(300)의 높이, 기울임 각도, 회전 방향 등을 포함하는 제1파라미터를 제어함으로써 지그(300)와 가공 제어 장치(200)의 가공 모듈(예를 들면, 레이저 조사 모듈 등) 간의 상대적인 위치 설정이 조정되도록 할 수 있다.
또한, 가공 제어 장치(100)에 의해 조정되는 제2파라미터는 가공 장치(200)의 가공 모듈(예를 들면, 레이저 조사 모듈 등)에 대한 지그(300)에 대한 이격 거리, 대향 방향 등을 상대적으로 가공 장치(200) 측에서 조정하기 위한 파라미터를 의미할 수 있다. 달리 말해, 가공 제어 장치(100)는 가공 모듈의 높이, 기울임 각도, 회전 방향 등을 포함하는 제2파라미터를 제어함으로써 지그(300)와 가공 제어 장치(200)의 가공 모듈(예를 들면, 레이저 조사 모듈 등) 간의 상대적인 위치 설정이 조정되도록 할 수 있다.
다른 예로, 가공 제어 장치(100)에 의해 조정되는 제2파라미터는, 레이저 조사 장치에 의해 조사되는 광과 연계된 파워, 초점 위치, 조사 시간 및 이동 패턴 중 적어도 하나를 포함할 수 있다.
또한, 가공 제어 장치(100)는 각각의 수행 순서가 결정된 단위 공정이 수행되는 가공 장치(200)의 동작 상태와 연계된 측정 데이터를 획득할 수 있다. 달리 말해, 가공 제어 장치(100)는 가공 장치(200)가 실제로 수행되는 시점의 가공 장치(200)의 동작 상태와 연계된 측정 데이터를 실시간 계측할 수 있다.
이와 관련하여, 본원에서 개시하는 가공 장치(200)에 의해 수행되는 공정(달리 말해, 복수의 단위 공정)은 절삭 가공을 포함할 수 있으며, 이와 관련하여 가공 제어 장치(100)에 의해 획득되는 측정 데이터는 가공 장치(200)에 탑재되는 절삭 모듈의 진동 데이터, 음향 데이터, 온도 데이터 및 배치 데이터 중 적어도 하나를 포함할 수 있다.
또한, 가공 제어 장치(100)는 전술한 측정 데이터와 함께 가공 장치(200)에 의해 단위 공정이 수행되는 과정을 촬영한 공정 영상을 획득할 수 있다. 달리 말해, 가공 제어 장치(100)는 복수의 단위 공정 각각의 수행 시, 가공 장치(200)에 의해 단위 공정이 수행되는 자재를 프레임 내부에 포함하도록 공정 영상을 촬상할 수 있다.
또한, 본원의 일 실시예에 따르면, 가공 제어 장치(100)는 단위 공정 각각의 공정 특성에 기초하여 해당 단위 공정이 수행되는 구간에 대한 설정을 조정할 수 있다. 예를 들어, 공정 영상을 촬영하기 위한 카메라 모듈(미도시)에 대하여 적용되는 촬영 설정은 자재에 대하여 설정되는 시야각 설정 및 배율 설정을 포함할 수 있다.
또한, 본원의 일 실시예에 따르면, 가공 제어 장치(100)는 가공 장치(200)에 의해 수행되는 단위 공정에 대응하여 결정된 제1파라미터 및 제2파라미터에 기초하여 공정 영상의 획득을 위한 촬영 설정(촬영 파라미터)를 조정할 수 있다.
예시적으로, 가공 제어 장치(100)는 앞서 설정된 복수의 단위 공정 각각의 가공 면적 정보, 가공 난이도 정보 등을 고려하여 촬영된 공정 영상이 해당 단위 공정을 수행하는 가공 장치(200)의 모듈(예를 들면, 절삭 모듈)의 구동 상태를 가장 적절하게 반영할 수 있도록 하는 촬영 설정을 단위 공정마다 가변하여 적용하도록 하는 능동 제어를 수행할 수 있다.
예를 들어, 가공 제어 장치(100)는 단위 공정에 대응하는 가공 대상 영역의 면적이 클수록 촬영 설정 중 배율 설정을 낮게 제어하여 전체적인 가공 대상 영역이 영상 내에 반영되도록 제어할 수 있다. 다른 예로, 가공 제어 장치(100)는 단위 공정에 대응하는 가공 난이도가 높을수록(예를 들면, 보다 정밀한 가공이 요구되는 경우 등) 배율 설정을 높이도록 제어하여 확대된 상태의 가공 대상 영역이 공정 영상에 반영되도록 하되, 시야각 설정이 절삭 모듈의 실시간 위치에 연동되도록 하여 높은 배율로 확대된 상태에서도 해당 단위 공정의 전체적인 흐름이 공정 영상 내에 반영되도록 제어할 수 있다.
또한, 가공 제어 장치(100)는 획득한 측정 데이터에 기초하여 복수의 단위 공정 각각이 수행되는 시간적 구간을 특정하고, 해당 구간에 기초하여 촬영된 공정 영상을 분할하여 저장할 수 있다. 달리 말해, 가공 제어 장치(100)는 공정 그룹 각각에 대응하는 분할 영상을 개별 생성할 수 있으나, 이에만 한정되는 것은 아니고, 공정 영상의 길이, 자재의 투입 수 등을 고려하여 각각의 단위 공정에 대응하는 분할 영상을 생성하도록 본원의 구현예에 따라 영상의 분할 단위가 능동적으로 결정될 수 있다.
또한, 본원의 일 실시예에 따르면, 가공 제어 장치(100)는 획득된 측정 데이터에 기초하여 앞서 설정된 단위 공정 간의 수행 순서에 부합하도록 가공 장치(200)가 구동되는지 여부를 모니터링 할 수 있다.
이하에서는, 가공 제어 장치(100)가 가공 장치(200)로부터 획득된 측정 데이터에 기초하여 가공 장치(200)의 이상을 탐지하기 위한 탐지 모델을 구축하고, 구축된 탐지 모델에 기초하여 가공 장치(200)의 이상(오작동, 결함 등)을 탐지하는 실시예에 관하여 설명하도록 한다.
가공 제어 장치(100)는 미리 설정된 모니터링 주기에 따라 시계열적으로 수집되는 측정 데이터를 획득할 수 있다. 구체적으로, 가공 제어 장치(100)는 가공 장치(200)에 대하여 설치되는 센서 모듈(미도시)로부터 해당 장비의 운영과 연계된 측정 데이터를 수신하는 것일 수 있다. 본원의 구현예에 따라 모니터링 대상이 되는 가공 장치(200)의 유형, 가공 장치(200)에 의해 제작되는 제품 유형 등에 기초하여 측정 데이터가 수집되는 모니터링 주기는 가변될 수 있으며, 이해를 돕기 위해 예시하면, 측정 데이터의 수집을 위한 모니터링 주기는 1분, 5분 등 수 분 단위로 결정될 수 있다.
또한, 가공 제어 장치(100)는 모니터링 대상이 되는 소정의 장비의 운영 시간 정보를 포함하는 장비운영 데이터를 획득할 수 있다. 이와 관련하여, 소정의 장비의 운영 시간 정보란 해당 장비가 전술한 금형 제작 장비인 경우, 해장 장비에서 생산되는 금형의 유형 및 장비의 동작 시간대 정보에 기초하여 복수의 사이클로 분할되는 것일 수 있다.
또한, 가공 제어 장치(100)는 가공 장치(200)에 대하여 수집되는 측정 데이터는 장비의 운영(운행)에 따른 온도 정보, 압력 정보, 위치 정보 등에 대한 시계열적인 변화를 반영하도록 수집되는 것일 수 있다. 구체적으로, 측정 데이터는 측정 데이터의 입력(수집) 시간 정보, 센서 모듈의 식별 정보, 장비의 소정 영역(하위 부품 등)에서 측정된 변위 정보, 압력 정보, 온도 정보 등을 포함할 수 있다. 또한, 본원의 일 실시예에 따르면, 측정 데이터는 해당 장비에 의한 하위 공정 별 수행 시간 정보(공정 개시 시간 정보, 공정 수행기간 정보 등)를 포함할 수 있다.
또한, 가공 장치(200)에 대한 장비운영 데이터는 장비운영 사이클에 대한 식별 정보, 사이클 내의 상대적 시간 정보, 해당 사이클에서 생산되는 제품에 대한 정보 등이 포함될 수 있다. 또한, 본원의 일 실시예에 따르면, 장비운영 데이터는 소정의 장비를 통해 제작되는 제작 대상 가공품의 유형 정보를 포함할 수 있다. 또한, 운영 시간 정보는 제작 대상 가공품의 유형 정보에 대응하여 복수의 시간대로 구분되는 것일 수 있다.
또한, 가공 제어 장치(100)는 수집된 측정 데이터를 장비운영 데이터에 기초하여 분할할 수 있다. 구체적으로, 가공 제어 장치(100)는 시계열적으로 연속하여 수집되는 측정 데이터를 수집된 장비운영 데이터에 기초하여 복수의 사이클에 대응하도록 분할할 수 있다. 예를 들어, 장비운영 데이터에 포함된 복수의 사이클 별로 사이클 번호가 할당되고, 측정 데이터는 복수의 사이클에 대응하는 시간대로 분할되어 각각 대응하는 사이클 번호가 할당되는 형태로 측정 데이터에 대한 전처리가 수행되는 것일 수 있다.
또한, 가공 제어 장치(100)는 측정 데이터의 수집 오류에 대한 전처리를 수행할 수 있다. 구체적으로, 측정 데이터의 수집 오류는 하나의 모니터링 주기에 대하여 복수 개의 측정 데이터가 중복하여 수집된 경우에 해당하는 제1유형 오류 및 측정 데이터가 수집되지 않은 모니터링 주기가 존재하는 경우에 해당하는 제2유형 오류를 포함할 수 있다.
이와 관련하여, 가공 제어 장치(100)는 수집 오류가 제1유형 오류이면, 해당 모니터링 주기에 대하여 중복하여 수집된 복수 개의 측정 데이터에 대한 평균을 계산하는 전처리를 수행할 수 있다. 또한, 가공 제어 장치(100)는 수집 오류가 제2유형 오류이되 측정 데이터의 미수집 기간이 미리 설정된 기간 이하이면, 선형 보간법을 적용하는 전처리를 수행할 수 있다. 또한, 가공 제어 장치(100)는 수집 오류가 제2유형 오류이되 측정 데이터의 미수집 기간이 미리 설정된 기간을 초과하면, 측정 데이터의 수집을 위한 장비가 미운영된 것으로 판단하여 운영 사이클을 구분하는 전처리를 수행할 수 있다.
또한, 가공 제어 장치(100)는 측정 데이터를 운영 시간 정보에 기초하여 구분되는 운영 사이클에 기초하여 분할하되, 운용 사이클 각각의 개시 시점으로부터 미리 설정된 구간 동안 수집된 초반부 측정 데이터와 운용 사이클 각각의 종료 시점까지 미리 설정된 구간 동안 수집된 후반부 측정 데이터는 제거하는 전처리를 수행할 수 있다.
이와 관련하여, 운영 사이클이 분리되는 시점 주변(달리 말해, 운영 사이클이 개시되는 시점 근방 및 운영 사이클이 종료되는 시점 근방)에서는 측정 데이터의 변동이 큰 폭으로 발생할 수 있으므로, 가공 제어 장치(100)는 운영 사이클에 대응하도록 분할된 측정 데이터에 대하여 추가적으로 초반부 측정 데이터 및 후반부 측정 데이터를 제거하여 운영 사이클 변동에 따른 측정 데이터의 불측의 변화가 이상패턴 및 정상패턴을 정의하는 과정 및 실제로 이상 탐지를 수행하는 과정에서 반영되지 않도록 전처리할 수 있다.
본원의 일 실시예에 따르면, 제거될 초반부 측정 데이터와 후반부 측정 데이터의 결정을 위한 미리 설정된 구간은 운영 사이클의 구분을 위한 설정 기간의 길이 정보에 기초하여 결정될 수 있다. 예시적으로, 초반부 및 후반부 측정 데이터 제거를 위한 미리 설정된 구간은 5분일 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 미리 설정된 구간은 해장 분석대상 장비에 대한 탐구 데이터 분석(Exploratory Data Analysis, EDA)에 의해 적절하게 결정되는 것일 수 있다.
또한, 가공 제어 장치(100)는 후술하는 탐지 모델의 구축 시, 손실(loss) 함수 값이 균등하게 계산되도록 서로 다른 측정 데이터를 정규화하는 전처리를 수행할 수 있다. 예시적으로, 정규화 전처리는 MinMax Scale을 의미하는 것일 수 있다.
가공 제어 장치(100)는 전처리가 완료된 측정 데이터를 적어도 둘 이상의 미리 생성된 이상치 판단 알고리즘에 입력하여 측정 데이터 중 정상으로 분류된 측정 데이터를 학습 데이터로 결정할 수 있다.
구체적으로, 가공 제어 장치(100)는 적어도 둘 이상의 이상치 판단 알고리즘이 모두 정상으로 분류한 상기 측정 데이터를 선별하여 학습 데이터로 결정할 수 있다. 여기서, 이상치 판단 알고리즘은 군집 기반 알고리즘, 밀도 기반 알고리즘, 분포 기반 알고리즘, 확률 기반 알고리즘 및 트리 기반 알고리즘을 포함할 수 있다.
본원의 일 실시예에 따르면, 이상치 판단 알고리즘은 마할라노비스 거리(Mahalanobis distance)와 연계된 분포 기반 알고리즘인 제1알고리즘, K-NN 알고리즘 및 전술한 마할라노비스 거리(Mahalanobis distance) 알고리즘이 결합된 군집 기반 알고리즘인 제2알고리즘, 가우시안 혼합 모델(Gaussian Mixture Model)과 연계된 확률 기반 알고리즘인 제3알고리즘, LOF(Local Outlier Factor)과 연계된 밀도 기반 알고리즘인 제4알고리즘 및 Isolation Forest와 연계된 트리 기반 알고리즘인 제5알고리즘 중 적어도 둘 이상을 포함할 수 있다.
또한, 분석 대상 데이터에 대한 정상패턴 또는 이상패턴을 구분하기 위한 탐지 모델의 생성을 위하여는, 정상패턴에 대응하는 학습 데이터와 이상패턴에 대응하는 학습 데이터가 명확히 구분되어 확보된 상태로 모델의 학습이 수행되는 것이 바람직할 수 있으나, 가공 장치(200)에 대한 분석 초기에 수집되는 측정 데이터는 정상패턴 또는 이상패턴에 대응하는 것으로 명확하게 구분되기 어려운 문제가 있으므로, 본원의 발명자는 정상 또는 이상에 대한 라벨이 할당되지 않은 상태로 시계열적으로 수집되는 측정 데이터 중에서 군집, 밀도, 확률, 트리 등의 다양한 척도를 기준으로 한 다각도의 분석 결과를 고려할 때, 보편적인 패턴을 보이는 것으로 평가될 수 있어 정상패턴에 대응하는 것으로 분류될 수 있는 측정 데이터를 선별하는 과정을 통해 탐지 모델의 구축을 위한 학습 데이터를 결정하였다.
이와 관련하여, 수집된 측정 데이터는 전술한 제1 내지 제5알고리즘 각각에 기초하여 정상 또는 이상으로 판단될 수 있으며, 이 때 가공 제어 장치(100)는 모든 알고리즘에 대하여 정상으로 판단된 측정 데이터를 정상으로 분류된 측정 데이터로 취급하여 후술하는 탐지 모델의 생성을 위한 학습 데이터로 활용할 수 있다.
구체적으로, 마할라노비스 거리(Mahalanobis distance)는 다변량 변수간의 상관 관계의 분포를 고려하여 측정되며, 마할라노비스 거리(Mahalanobis distance)를 기초로 한 제1알고리즘에 의하면, 데이터가 밀집하여 분포된 영역으로부터 멀리 떨어진 데이터일수록 이상치로 판단할 수 있다. 구체적으로, 다변량 데이터인 u와 v의 마할라노비스 거리는 하기 식 1에 의해 계산될 수 있다.
[식 1]
Figure 112021135549734-pat00001
이와 관련하여, 상기 식 1의 변수 u에 마할라노비스 거리를 계산하고자 하는 측정 데이터를 입력하고, 변수 v에 해당 측정 데이터에 대한 평균을 입력하여 계산하면, 중심으로부터 해당 측정 데이터가 얼마나 떨어져있는지를 평가할 수 있으며, 유클리디언 상으로는 동일한 거리에 위치하는 경우에도 다변량 변수 간의 상관 관계(correlation)에 따라 중심까지의 거리가 다르게 측정될 수 있는 특징을 갖는다.
또한, 제2알고리즘은 마할라노비스 거리의 계산에 선행하여, K-최근접 이웃 알고리즘(K-nearest neighbors algorithm, K-NN)에 기초하여 측정 데이터를 군집화할 수 있다. 이는 각 상태를 대표하는 군집을 생성하여 아무런 군집에 속하지 않고 군집에서 가장 벗어난 값을 탐색하기 위한 것으로, 달리 말해, 제2알고리즘은 데이터가 정규분포의 형태로 조밀한 군집을 이루는 경우에는 상대적으로 이상 상태를 탐색하기 용이하나, 현실적으로 정규분포로 이루어진 데이터가 획득될 가능성이 낮다는 것과 마할라노비스 거리만을 기초로 이상치를 판단하는 경우에는 단순히 중심에서 멀리 떨어진 값으로만 이상치가 선정될 가능성이 높다는 것을 함께 고려하여 마할라노비스 거리 및 K-NN 알고리즘을 병합한 것일 수 있다.
또한, 제3알고리즘과 관련하여, 가우시안 혼합 모형은 실수 값을 출력하는 확률변수(X)가 k개 클래스의 카테고리 확률변수(Z)의 값에 따라 상이한 기댓값과 분산을 가지는 복수의 가우시안 정규분포들로 이루어진 모형을 의미할 수 있다. 또한, 이러한 가우시안 혼합 모형(모델)은 모든 데이터가 유한개의 가우스 분포를 혼합하여 생성된 것으로 가정하는 확률론적 모델로서, 주어진 데이터를 가지고 기댓값 최대화(Expectation Maximization, EM) 알고리즘을 적용해 파라미터를 추정하도록 동작할 수 있다.
또한, 제4알고리즘과 관련하여, Local Outlier Factor(LOF)는 주변부에 위치한 데이터(샘플)들보다 작은 밀도를 가진 데이터를 이상치로 판단하는 기법으로, 통계적으로 평균 및 표준편차를 연산하고, 이에 크게 벗어나는 값을 이상치로 판단하는 것으로 이해될 수 있다. 구체적으로, LOF에 의하면, 소정의 데이터에 대한 근접 이웃 데이터까지의 거리인 K-거리(K-distance)에 기초하여 도달 거리(reachability distance) 및 국부 도달 밀도(local reachability density)를 계산하고, 이에 기초하여 LOF를 연산할 수 있다.
또한, 제5알고리즘과 관련하여, Isolation Forest는 회귀 트리(Regression tree) 기반의 스플릿(split)으로 모든 데이터 관측치를 고립시키는 기법으로서, 임의로 선택된 차원을 통해 공간을 분할할 수 있다. 군집 내부에 있는 정상치의 경우 공간 내에 한 점만 남기고 완전히 고립시키려면 많은 횟수의 공간 분할을 수행해야 하지만, 군집에서 멀리 떨어진 이상치는 적은 횟수의 공간 분할만으로 고립시킬 수 있는 특징을 이용하여 비정상 데이터는 기준 노드(root node)로부터 가까운 뎁스(depth)로 고립될 수 있고, 정상 데이터는 트리 종단 노드(tree terminal node)에 가까운 뎁스(depth)로 고립될 수 있다. 따라서, 소정의 데이터가 고립되는 종단 노드(terminal node; leaf node)까지의 거리를 이상치 척도(outlier score)로 정의하며, 그 평균거리(depth)가 짧을수록 이상치 척도가 높아질 수 있다. 또한, 이상치 척도는 0 내지 1의 범위로 정규화되므로, 통상적으로 1에 가까운 데이터일 수록 이상치로 정의될 수 있다.
또한, 가공 제어 장치(100)는 결정된 학습 데이터(달리 말해, 적어도 둘 이상의 이상치 판단 알고리즘이 모두 정상으로 분류한 측정 데이터)를 기초로 학습을 수행하여 입력되는 분석 대상 데이터를 정상패턴 또는 이상패턴으로 구분하는 탐지 모델을 생성할 수 있다.
본원의 일 실시예에 따르면, 탐지 모델은 LSTM 기반 모델 및 오토인코더(AutoEncoder, AE) 기반 모델이 병합된 모델로 생성될 수 있다.
오토인코더(Autoencoder)는 입력받은 값을 그대로 재현해 출력하는 것을 목표(태스크)로 학습하는 알고리즘으로서, 은닉층(hidden layer)의 뉴런 수를 입력층(input layer)의 수보다 적게 배치하여 데이터를 압축(차원 축소)하거나, 입력 데이터에 노이즈(noise)를 추가한 후 원본 입력을 복원할 수 있도록 신경망을 학습시키는 등의 다양한 구조의 오토인코더가 존재한다.
이러한 제약은 오토인코더가 입력을 단순히 바로 출력하지 못하도록 방지하며, 데이터를 효율적으로 표현하는 방법을 학습하도록 하기 위한 것으로서, 구체적으로 오토인코더에는 입력을 내부 표현으로 변환하는 인코더(Encoder)와 내부 표현을 출력으로 변환하는 디코더(Decoder)를 포함한다. 또한, 오토인코더에 의한 출력은 입력의 재구성(Reconstruction)으로 달리 표현될 수 있으며, 손실함수는 입력과 출력의 차이로 계산될 수 있다. 도 7에 도시된 바와 같이 입력층보다 작은 은닉층을 갖는 오토인코더를 특히 Undercomplete Autoencoder라고 지칭할 수 있으며, 이러한 형태의 오토인코더는 입력 데이터에서 가장 중요한 특성(feature)을 학습할 수 있다.
이와 관련하여, 본원에서 개시하는 탐지 모델은 소정의 모니터링 주기에 대응하여 수집된 시계열적 데이터인 측정 데이터를 학습하기 위하여 시계열 분석 알고리즘인 LSTM 기반 모델의 구조를 갖는 것과 더불어, 정상으로 분류된 측정 데이터만을 선별한 학습 데이터를 기초로 학습을 수행하는 과정에서, 학습 데이터인 정상 데이터를 표현(설명)할 수 있는 다양한 잠재 특징을 탐지 모델이 학습할 수 있도록 오토인코더 기반 모델의 구조를 함께 갖는 것으로 이해될 수 있다.
특히, LSTM(Long Short Term Memory networks) 알고리즘은 딥러닝 분야에서 사용되는 인공 재귀 신경 네트워크(RNN) 아키텍처의 하나로, 피드 포워드 신경망과 달리 피드백 연결이 존재한다. 따라서, LSTM 알고리즘에 의하면 단일 데이터 포인트뿐만 아니라 전체 데이터 시퀀스에 대한 학습 및 처리를 수행할 수 있다는 이점이 있다.
이러한 LSTM 알고리즘은 시계열 데이터를 기반으로 예측을 분류, 처리 및 예측하는 데 적합하며, LSTM은 전통적인 RNN을 통한 훈련에서 발생 가능한 Vanishing Gradient 문제를 해소하는 장점이 있다.
본원에서 개시하는 가공 제어 장치(100)는 수집된 측정 데이터에 대하여 명확하게 부여된 라벨이 존재하지 않고, 정상 데이터와 이상 데이터의 경계가 비교적 뚜렷하지 않은 특징과 정상 데이터의 수와 이상 데이터의 수가 크게 차이나는 특징(달리 말해, 이상 데이터가 정상 데이터에 비하여 매우 적은 빈도로 발생하는 특징)을 고려하여 비지도 학습의 일종인 LSTM 모델 및 AutoEncoder 모델을 활용하여 탐지 모델을 생성하도록 설계된 것일 수 있다.
가공 제어 장치(100)는 학습 데이터에 대한 복원율의 분포 정보에 기초하여 정상패턴과 이상패턴의 구분을 위한 기준인 임계 복원율을 결정할 수 있다. 여기서, 복원율은 평균 제곱 오차(Mean Squared Error, MSE)에 기초하여 계산될 수 있다.
이와 관련하여, 본원에서 개시하는 가공 제어 장치(100)에 의해 구축되는 탐지 모델은 정상 데이터인 학습 데이터만을 활용하여 학습을 수행하므로, 오토인코더 구조의 모델에 입력된 신규 데이터(예를 들면, 분석 대상 데이터)가 잘 복원되는 경우(달리 말해, 오토인코더의 출력이 입력과 유사하게 잘 복원(재구성)되는 경우), 해당 신규 데이터는 정상패턴에 대응되는 것이고, 반대로, 입력된 신규 데이터가 잘 복원되지 않으면, 해당 신규 데이터는 이상패턴에 대응되는 것으로 판단할 수 있다.
따라서, 입력되는 신규 데이터에 대한 복원 정도를 평가하기 위하여, 평균 제곱 오차(MSE) 기반의 복원율이 고려될 수 있으며, 평균 제곱 오차(MSE)의 값이 높을수록 해당 신규 데이터가 잘 복원되지 않아 이상패턴의 경향에 부합하는 것으로 판단되고, 반대로 평균 제곱 오차(MSE)의 값이 낮을수록 해당 신규 데이터는 잘 복원되어 정상패턴의 경향에 부합하는 것으로 판단될 수 있다.
도 4는 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 장치의 개략적인 구성도이다.
도 4를 참조하면, 가공 제어 장치(100)는 수집부(110), 공정 분석부(120), 제어부(130) 및 촬영부(140)를 포함할 수 있다.
수집부(110)는 제작 대상 가공품의 형상 데이터를 획득할 수 있다. 여기서, 형상 데이터는 제작 대상 가공품의 외면 중 자재로부터의 가공이 요구되는 적어도 하나의 기준 가공면에 대한 2차원 형상을 포함할 수 있다.
공정 분석부(120)는 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 획득한 형상 데이터에 기초하여 결정할 수 있다.
도 5를 참조하면, 공정 분석부(120)는 영역 설정부(121), 그룹핑부(122) 및 순서 결정부(123)를 포함할 수 있다.
영역 설정부(121)는 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정할 수 있다.
그룹핑부(122)는 기준 가공면의 유형에 따라 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정할 수 있다.
순서 결정부(123)는 공정 그룹 간의 수행 순서 및 동일한 공정 그룹 내의 복수의 단위 공정 간의 수행 순서를 결정할 수 있다.
제어부(130)는 복수의 단위 공정 각각의 수행 시, 자재가 안착되는 지그(300)와 연계된 제1파라미터 및 단위 공정을 수행하는 가공 장치(200)와 연계된 제2파라미터 중 적어도 하나를 단위 공정 각각의 공정 특성에 기초하여 조정할 수 있다.
여기서, 공정 특성은, 지그(300)에 대하여 안착된 상태에서 자재(1)가 차지하는 공간 범위에 대한 가공 대상 영역의 3차원적 위치 정보를 포함할 수 있다.
촬영부(140)는 복수의 단위 공정 각각의 수행 시, 가공 장치(200)에 의해 단위 공정이 수행되는 자재(1)를 프레임 내부에 포함하도록 공정 영상을 촬상할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 6은 본원의 일 실시예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법에 대한 동작 흐름도이다.
도 6에 도시된 가공품 형상 분석 기반의 지능형 가공 제어 방법은 앞서 설명된 가공 제어 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 가공 제어 장치(100)에 대하여 설명된 내용은 가공품 형상 분석 기반의 지능형 가공 제어 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 6을 참조하면, 단계 S11에서 수집부(110)는 제작 대상 가공품의 형상 데이터를 획득할 수 있다. 여기서, 형상 데이터는 제작 대상 가공품의 외면 중 자재로부터의 가공이 요구되는 적어도 하나의 기준 가공면에 대한 2차원 형상을 포함할 수 있다.
다음으로, 단계 S12에서 공정 분석부(120)는 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 획득한 형상 데이터에 기초하여 결정할 수 있다.
다음으로, 단계 S13에서 제어부(130)는 복수의 단위 공정 각각의 수행 시, 자재가 안착되는 지그(300)와 연계된 제1파라미터 및 단위 공정을 수행하는 가공 장치(200)와 연계된 제2파라미터 중 적어도 하나를 단위 공정 각각의 공정 특성에 기초하여 조정할 수 있다.
다음으로, 단계 S14에서 촬영부(140)는 복수의 단위 공정 각각의 수행 시, 가공 장치(200)에 의해 단위 공정이 수행되는 자재(1)를 프레임 내부에 포함하도록 공정 영상을 촬상할 수 있다.
상술한 설명에서, 단계 S11 내지 S14는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 7은 복수의 단위 공정을 결정하는 프로세스에 대한 세부 동작 흐름도이다.
도 7에 복수의 단위 공정을 결정하는 프로세스는 앞서 설명된 가공 제어 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 가공 제어 장치(100)에 대하여 설명된 내용은 도 7에 대한 설명에도 동일하게 적용될 수 있다.
도 7을 참조하면, 단계 S121에서 영역 설정부(121)는 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정할 수 있다.
다음으로, 단계 S122에서 그룹핑부(122)는 기준 가공면의 유형에 따라 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정할 수 있다.
다음으로, 단계 S123에서 순서 결정부(123)는 공정 그룹 간의 수행 순서 및 동일한 공정 그룹 내의 복수의 단위 공정 간의 수행 순서를 결정할 수 있다.
상술한 설명에서, 단계 S121 내지 S123는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 가공품 형상 분석 기반의 지능형 가공 제어 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 가공품 형상 분석 기반의 지능형 가공 제어 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 지능형 가공 시스템
100: 가공품 형상 분석 기반의 지능형 가공 제어 장치
110: 수집부
120: 공정 분석부
121: 영역 설정부
122: 그룹핑부
123: 순서 결정부
130: 제어부
140: 촬영부
200: 가공 장치
300: 지그
20: 네트워크

Claims (17)

  1. 가공품 형상 분석 기반의 지능형 가공 제어 방법으로서,
    (a) 제작 대상 가공품의 형상 데이터를 획득하는 단계;
    (b) 상기 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 상기 형상 데이터에 기초하여 결정하는 단계;
    (c) 상기 복수의 단위 공정 각각의 수행 시, 상기 자재가 안착되는 지그와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치와 연계된 제2파라미터 중 적어도 하나를 상기 단위 공정 각각의 공정 특성에 기초하여 조정하는 단계; 및
    (d) 상기 복수의 단위 공정 각각의 수행 시, 상기 가공 장치에 의해 상기 단위 공정이 수행되는 상기 자재를 프레임 내부에 포함하도록 공정 영상을 촬상하는 단계,
    를 포함하고,
    상기 (c) 단계는,
    상기 복수의 단위 공정 중 상기 가공 장치를 이용하여 수행하려는 대상 단위 공정 직전에 수행된 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터를 고려하여 상기 대상 단위 공정에 대응하여 갱신될 상기 제1파라미터 및 상기 제2파라미터 중 적어도 하나의 변동값을 결정하되,
    상기 변동값은,
    상기 대상 단위 공정을 수행할 가공 대상 영역과 상기 대상 단위 공정 직전에 수행된 단위 공정의 대상이 된 가공 대상 영역 간의 상대적인 위치 차이 및 두 가공 대상 영역 각각에서 단위 공정을 수행하기 위하여 설정될 수 있는 상기 가공 장치 측의 가공 모듈과 지그 간의 상대적인 위치 설정 상태를 고려하여 상기 제1파라미터의 조정 수준 및 상기 제2파라미터의 조정 수준을 포함하는 전체 조정 수준이 상대적으로 적게 산출되도록 하는 값으로 결정되고,
    상기 (d) 단계는,
    상기 가공 장치에 의해 수행되는 상기 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터에 기초하여 상기 공정 영상의 획득을 위한 촬영 파라미터를 조정하는 단계,
    를 포함하되,
    상기 촬영 파라미터를 조정하는 단계는,
    상기 가공 대상 영역의 면적이 클수록 배율 설정을 낮게 제어하고, 상기 단위 공정에 대응하는 가공 난이도가 높을수록 상기 배율 설정을 높게 제어하고, 시야각 설정이 상기 가공 모듈의 실시간 위치에 연동되도록 제어하는 것인, 지능형 가공 제어 방법.
  2. 제1항에 있어서,
    상기 형상 데이터는 상기 제작 대상 가공품의 외면 중 상기 자재로부터의 가공이 요구되는 적어도 하나의 기준 가공면에 대한 2차원 형상을 포함하고,
    상기 (b) 단계는,
    (b1) 상기 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정하는 단계;
    (b2) 상기 기준 가공면의 유형에 따라 상기 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정하는 단계; 및
    (b3) 상기 공정 그룹 간의 수행 순서 및 상기 공정 그룹 내의 상기 복수의 단위 공정 간의 수행 순서를 결정하는 단계,
    를 포함하는 것인, 지능형 가공 제어 방법.
  3. 제2항에 있어서,
    상기 공정 특성은, 상기 지그에 대하여 안착된 상태에서 상기 자재가 차지하는 공간 범위에 대한 상기 가공 대상 영역의 3차원적 위치 정보를 포함하는 것인, 지능형 가공 제어 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 자재는 외면에 스퍼터링 층이 형성되고, 상기 단위 공정은 상기 스퍼터링 층 중 적어도 일부를 제거하는 공정인 것을 특징으로 하는, 지능형 가공 제어 방법.
  8. 제7항에 있어서,
    상기 가공 장치는 상기 스퍼터링 층 중 적어도 일부를 제거하기 위한 레이저 조사 장치이고,
    상기 제2파라미터는, 상기 레이저 조사 장치에 의해 조사되는 광과 연계된 파워, 초점 위치, 조사 시간 및 이동 패턴 중 적어도 하나를 포함하는 것인, 지능형 가공 제어 방법.
  9. 가공품 형상 분석 기반의 지능형 가공 제어 장치로서,
    제작 대상 가공품의 형상 데이터를 획득하는 수집부;
    상기 제작 대상 가공품을 제작하기 위하여 투입되는 소정의 자재에 대하여 수행될 복수의 단위 공정을 상기 형상 데이터에 기초하여 결정하는 공정 분석부;
    상기 복수의 단위 공정 각각의 수행 시, 상기 자재가 안착되는 지그와 연계된 제1파라미터 및 상기 단위 공정을 수행하는 가공 장치와 연계된 제2파라미터 중 적어도 하나를 상기 단위 공정 각각의 공정 특성에 기초하여 조정하는 제어부; 및
    상기 복수의 단위 공정 각각의 수행 시, 상기 가공 장치에 의해 상기 단위 공정이 수행되는 상기 자재를 프레임 내부에 포함하도록 공정 영상을 촬상하는 촬영부,
    를 포함하고,
    상기 제어부는,
    상기 복수의 단위 공정 중 상기 가공 장치를 이용하여 수행하려는 대상 단위 공정 직전에 수행된 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터를 고려하여 상기 대상 단위 공정에 대응하여 갱신될 상기 제1파라미터 및 상기 제2파라미터 중 적어도 하나의 변동값을 결정하되,
    상기 변동값은,
    상기 대상 단위 공정을 수행할 가공 대상 영역과 상기 대상 단위 공정 직전에 수행된 단위 공정의 대상이 된 가공 대상 영역 간의 상대적인 위치 차이 및 두 가공 대상 영역 각각에서 단위 공정을 수행하기 위하여 설정될 수 있는 상기 가공 장치 측의 가공 모듈과 지그 간의 상대적인 위치 설정 상태를 고려하여 상기 제1파라미터의 조정 수준 및 상기 제2파라미터의 조정 수준을 포함하는 전체 조정 수준이 상대적으로 적게 산출되도록 하는 값으로 결정되고,
    상기 촬영부는,
    상기 가공 장치에 의해 수행되는 상기 단위 공정에 대응하여 결정된 상기 제1파라미터 및 상기 제2파라미터에 기초하여 상기 공정 영상의 획득을 위한 촬영 파라미터를 조정하되,
    상기 가공 대상 영역의 면적이 클수록 배율 설정을 낮게 제어하고, 상기 단위 공정에 대응하는 가공 난이도가 높을수록 상기 배율 설정을 높게 제어하고, 시야각 설정이 상기 가공 모듈의 실시간 위치에 연동되도록 제어하는 것인, 지능형 가공 제어 장치.
  10. 제9항에 있어서,
    상기 형상 데이터는 상기 제작 대상 가공품의 외면 중 상기 자재로부터의 가공이 요구되는 적어도 하나의 기준 가공면에 대한 2차원 형상을 포함하고,
    상기 공정 분석부는,
    상기 기준 가공면 각각에 대한 2차원 형상을 공간적으로 구획하여 상기 복수의 단위 공정에 각각 대응하는 가공 대상 영역을 설정하는 영역 설정부;
    상기 기준 가공면의 유형에 따라 상기 복수의 단위 공정을 분류하기 위한 공정 그룹을 설정하는 그룹핑부; 및
    상기 공정 그룹 간의 수행 순서 및 상기 공정 그룹 내의 상기 복수의 단위 공정 간의 수행 순서를 결정하는 순서 결정부,
    를 포함하는 것인, 지능형 가공 제어 장치.
  11. 제10항에 있어서,
    상기 공정 특성은, 상기 지그에 대하여 안착된 상태에서 상기 자재가 차지하는 공간 범위에 대한 상기 가공 대상 영역의 3차원적 위치 정보를 포함하는 것인, 지능형 가공 제어 장치.
  12. 삭제
  13. 삭제
  14. 삭제
  15. 제9항에 있어서,
    상기 자재는 외면에 스퍼터링 층이 형성되고, 상기 단위 공정은 상기 스퍼터링 층 중 적어도 일부를 제거하는 공정인 것을 특징으로 하는, 지능형 가공 제어 장치.
  16. 제15항에 있어서,
    상기 가공 장치는 상기 스퍼터링 층 중 적어도 일부를 제거하기 위한 레이저 조사 장치이고,
    상기 제2파라미터는, 상기 레이저 조사 장치에 의해 조사되는 광과 연계된 파워, 초점 위치, 조사 시간 및 이동 패턴 중 적어도 하나를 포함하는 것인, 지능형 가공 제어 장치.
  17. 제1항 내지 제3항, 제7항 및 제8항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
KR1020210163055A 2021-11-24 2021-11-24 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법 KR102500441B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210163055A KR102500441B1 (ko) 2021-11-24 2021-11-24 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210163055A KR102500441B1 (ko) 2021-11-24 2021-11-24 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102500441B1 true KR102500441B1 (ko) 2023-02-16

Family

ID=85325908

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210163055A KR102500441B1 (ko) 2021-11-24 2021-11-24 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102500441B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020069492A (ja) * 2018-10-30 2020-05-07 ファナック株式会社 加工条件設定装置及び三次元レーザ加工システム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020069492A (ja) * 2018-10-30 2020-05-07 ファナック株式会社 加工条件設定装置及び三次元レーザ加工システム

Similar Documents

Publication Publication Date Title
Brion et al. Generalisable 3D printing error detection and correction via multi-head neural networks
Amini et al. MLCPM: A process monitoring framework for 3D metal printing in industrial scale
KR102464891B1 (ko) 지능형 금속부품 가공 제어 장치 및 방법
CN116088419B (zh) 基于参数优化的数控机床加工控制方法、系统及相关设备
CN112437451B (zh) 一种基于生成对抗网络的无线网络流量预测方法和设备
WO2020176733A1 (en) Sensor based build segmentation in additive manufacturing
CN110889260B (zh) 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质
WO2020044110A2 (en) A method for building a model of a physical system
Amini et al. Process monitoring of 3D metal printing in Industrial Scale
CN108537825B (zh) 一种基于迁移学习回归网络的目标跟踪方法
Gramegna et al. Smart factory competitiveness based on real time monitoring and quality predictive model applied to multi-stages production lines
US11472115B2 (en) In-situ monitoring system assisted material and parameter development for additive manufacturing
CN117501288A (zh) 监控工业环境的系统和方法
KR102500441B1 (ko) 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법
García-Moreno A fast method for monitoring molten pool in infrared image streams using gravitational superpixels.
Behnke et al. Comparison of early stopping neural network and random forest for in-situ quality prediction in laser based additive manufacturing
KR102622569B1 (ko) 지능형 제조 설비 제어 장치 및 그의 제어 방법
Hallmann et al. A method for analyzing the influence of process and design parameters on the build time of additively manufactured components
CN113377630B (zh) 一种通用的kpi异常检测框架实现方法
Abhilash et al. Digital twin-driven additive manufacturing: Advancements and future prospects
Okaro et al. Automatic Fault Detection for Selective Laser Melting using Semi-Supervised Machine Learning
Nickchen et al. Opportunities of 3D Machine Learning for Manufacturability Analysis and Component Recognition in the Additive Manufacturing Process Chain
Trinks et al. Image mining for real time quality assurance in rapid prototyping
JP2023516776A (ja) 製造プロセスのためのシステム、方法及び媒体
Meng et al. Performance prediction of a modular product variant with RS-SVM

Legal Events

Date Code Title Description
GRNT Written decision to grant