KR102547850B1 - 공작기계 수명 진단 장치 및 방법 - Google Patents

공작기계 수명 진단 장치 및 방법 Download PDF

Info

Publication number
KR102547850B1
KR102547850B1 KR1020200179532A KR20200179532A KR102547850B1 KR 102547850 B1 KR102547850 B1 KR 102547850B1 KR 1020200179532 A KR1020200179532 A KR 1020200179532A KR 20200179532 A KR20200179532 A KR 20200179532A KR 102547850 B1 KR102547850 B1 KR 102547850B1
Authority
KR
South Korea
Prior art keywords
data
normal
abnormal
feature data
machine tool
Prior art date
Application number
KR1020200179532A
Other languages
English (en)
Other versions
KR20220089157A (ko
Inventor
이창우
박병희
Original Assignee
건국대학교 산학협력단
창원대학교 산학협력단
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 건국대학교 산학협력단, 창원대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020200179532A priority Critical patent/KR102547850B1/ko
Publication of KR20220089157A publication Critical patent/KR20220089157A/ko
Application granted granted Critical
Publication of KR102547850B1 publication Critical patent/KR102547850B1/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
    • B23Q17/09—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은 공작기계 수명 진단 장치 및 방법에 관한 것으로, 상기 장치는 복수의 단위 시간들마다 공작기계의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집하는 공정 데이터 수집부; 기 정상 및 비정상 공정 데이터에서 적어도 하나의 특징 데이터를 각각 추출하여 정상 및 비정상 특징 데이터를 결정하는 특징 데이터 결정부; 기 적어도 하나의 특징 데이터에 관한 특징 조합을 결정하고 해당 특징 조합을 기준으로 상기 정상 및 비정상 특징 데이터의 공간 분포를 구축하는 공간 분포 구축부; 기 공간 분포를 이용하여 상기 정상 및 비정상 특징 데이터에 대한 무게 중심을 각각 결정하고 해당 무게 중심들 간의 거리를 산출하는 특징 데이터 분석부; 및 기 복수의 단위 시간들에서 상기 거리가 기 설정된 임계거리를 초과하는 상기 정상 및 비정상 공정 데이터를 결정하여 공작기계 수명 진단을 위한 학습 데이터를 구성하는 학습 데이터 결정부를 포함할 수 있다.

Description

공작기계 수명 진단 장치 및 방법{MACHINE TOOL LIFE DIAGNOSIS DEVICE AND METHOD}
본 발명은 진단 모델 개발을 위한 데이터 선별 기술에 관한 것으로, 보다 상세하게는 선별된 데이터를 이용하여 정확도 높은 진단 모델을 구축함으로써 공작기계에 대한 능동적 제어를 통해 공작기계의 생산성을 높일 수 있는 공작기계 수명 진단 장치 및 방법에 관한 것이다.
공작기계의 핵심 부품 중 하나인 스핀들의 경우, 이상이 발생한 경우 더 큰 문제를 야기시킬 수 있으며, 이러한 이상은 상기 스핀들의 수명이 다했음에도 불구하고, 계속적인 스핀들의 사용시에 과하게 발생할 수 있다.
따라서, 스핀들의 수명을 사전에 진단하여 주기적으로 교체하거나 수리하는 것이 필요한 실정이나, 현재까지는 스핀들의 수명을 사전에 진단하는 방법은 전무한 상황이다.
한편, 다양한 종류의 공작기계에서 발생할 수 있는 여러 가지 이상 현상은 공작기계의 용도, 사양, 크기 등에 따라 각기 다른 특성을 가지지만, 공작기계의 특성 때문에 공통적인 이상 원인과 특성을 가질 수 있다.
따라서, 공작기계의 작동 과정을 모니터링하고 해당 과정에서 수집된 정보를 분석하여 공작기계의 이상에 관한 정보를 획득할 수 있다면 향후 발생 가능한 피해를 사전에 예방할 수 있다.
한국공개특허 제10-2015-0089722호 (2015.08.05)
본 발명의 일 실시예는 선별된 데이터를 이용하여 정확도 높은 진단 모델을 구축함으로써 공작기계에 대한 능동적 제어를 통해 공작기계의 생산성을 높일 수 있는 공작기계 수명 진단 장치 및 방법을 제공하고자 한다.
본 발명의 일 실시예는 개발 모델의 정확도 향상을 위해 추출한 데이터 각각의 무게 중심점을 계산하여 가장 멀리 있는 데이터를 선택하여 합리적인 모델 개발 알고리즘을 제공할 수 있는 공작기계 수명 진단 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 공작기계 수명 진단 장치는 복수의 단위 시간들마다 공작기계의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집하는 공정 데이터 수집부; 기 정상 및 비정상 공정 데이터에서 적어도 하나의 특징 데이터를 각각 추출하여 정상 및 비정상 특징 데이터를 결정하는 특징 데이터 결정부; 기 적어도 하나의 특징 데이터에 관한 특징 조합을 결정하고 해당 특징 조합을 기준으로 상기 정상 및 비정상 특징 데이터의 공간 분포를 구축하는 공간 분포 구축부; 기 공간 분포를 이용하여 상기 정상 및 비정상 특징 데이터에 대한 무게 중심을 각각 결정하고 해당 무게 중심들 간의 거리를 산출하는 특징 데이터 분석부; 및 기 복수의 단위 시간들에서 상기 거리가 기 설정된 임계거리를 초과하는 상기 정상 및 비정상 공정 데이터를 결정하여 공작기계 수명 진단을 위한 학습 데이터를 구성하는 학습 데이터 결정부를 포함할 수 있다.
상기 공정 데이터 수집부는 상기 공작기계에 결합된 가속도 센서를 통해 가속도 기반의 공정 데이터를 상기 정상 및 비정상 공정 데이터로서 수집할 수 있다.
상기 공정 데이터 수집부는 상기 공작기계의 절삭 공정을 검출하고 상기 단위 시간 동안 상기 가속도 센서를 동작시켜 연속적인 공정 데이터를 수집할 수 있다.
상기 공정 데이터 수집부는 상기 연속적인 공정 데이터의 로컬 변곡 지점을 검출하여 상기 정상 및 비정상 공정 데이터를 이산적으로(discretely) 생성할 수 있다.
상기 특징 데이터 결정부는 상기 정상 및 비정상 공정 데이터에 관한 통계적 변수로서 첨도(kurtosis), 왜도(skewness), 표준편차(standard deviation) 및 평균(average)을 상기 적어도 하나의 특징 데이터로 결정할 수 있다.
상기 공간 분포 구축부는 첨도-왜도, 첨도-표준편차, 첨도-평균, 왜도-표준편차, 왜도-평균 및 평균-표준편차 중 어느 하나를 상기 특징 조합으로 결정할 수 있다.
상기 공간 분포 구축부는 상기 특징 조합의 각 특징 데이터를 독립된 차원에 대응시켜 형성되는 다차원 공간 상에 상기 정상 및 비정상 특징 데이터를 각각 배치하여 상기 공간 분포를 구축할 수 있다.
상기 특징 데이터 분석부는 상기 정상 및 비정상 특징 데이터를 포함하는 최소 경계 다각형을 각각 생성하고 상기 최소 경계 다각형을 이용하여 상기 무게 중심을 결정할 수 있다.
상기 특징 데이터 분석부는 다각형 집합의 각 다각형에 대응하여 상기 최소 경계 다각형을 각각 생성하고 복수의 최소 경계 다각형들 각각의 후보 무게 중심을 산출한 후 해당 후보 무게 중심들의 평균으로 상기 무게 중심을 결정할 수 있다.
상기 장치는 상기 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축하는 학습 모델 구축부; 및 상기 학습 모델을 이용하여 상기 라인센터 스핀들의 수명을 진단하는 수명 진단 수행부를 더 포함할 수 있다.
상기 학습 모델 구축부는 상기 학습 데이터를 정상 및 비정상 학습 데이터로 구분하여 상기 라인센터 스핀들의 정상 및 비정상에 관한 확률을 각각 출력하는 정상 및 비정상 학습 모델을 구축하고, 상기 수명 진단 수행부는 상기 정상 및 비정상에 관한 확률을 기초로 상기 라인센터 스핀들의 잔여 수명을 예측할 수 있다.
상기 수명 진단 수행부는 상기 잔여 수명에 따라 상기 라인센터 스핀들의 점검, 수리 및 교체에 관한 알림을 생성할 수 있다.
실시예들 중에서, 공작기계 수명 진단 방법은 복수의 단위 시간들마다 공작기계의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집하는 단계; 기 정상 및 비정상 공정 데이터에서 적어도 하나의 특징 데이터를 각각 추출하여 정상 및 비정상 특징 데이터를 결정하는 단계; 기 적어도 하나의 특징 데이터에 관한 특징 조합을 결정하고 해당 특징 조합을 기준으로 상기 정상 및 비정상 특징 데이터의 공간 분포를 구축하는 단계; 기 공간 분포를 이용하여 상기 정상 및 비정상 특징 데이터에 대한 무게 중심을 각각 결정하고 해당 무게 중심들 간의 거리를 산출하는 단계; 및 기 복수의 단위 시간들에서 상기 거리가 기 설정된 임계거리를 초과하는 상기 정상 및 비정상 공정 데이터를 결정하여 공작기계 수명 진단을 위한 학습 데이터를 구성하는 단계를 포함한다.
상기 특징 데이터를 결정하는 단계는 상기 정상 및 비정상 공정 데이터에 관한 통계적 변수로서 첨도(kurtosis), 왜도(skewness), 표준편차(standard deviation) 및 평균(average)을 상기 적어도 하나의 특징 데이터로 결정하는 단계를 포함할 수 있다.
상기 공간 분포를 구축하는 단계는 첨도-왜도, 첨도-표준편차, 첨도-평균, 왜도-표준편차, 왜도-평균 및 평균-표준편차 중 어느 하나를 상기 특징 조합으로 결정하는 단계를 포함할 수 있다.
상기 방법은 상기 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축하는 단계; 및 상기 학습 모델을 이용하여 상기 라인센터 스핀들의 수명을 진단하는 단계를 더 포함할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 공작기계 수명 진단 장치 및 방법은 선별된 데이터를 이용하여 정확도 높은 진단 모델을 구축함으로써 공작기계에 대한 능동적 제어를 통해 공작기계의 생산성을 높일 수 있다.
본 발명의 일 실시예에 따른 공작기계 수명 진단 장치 및 방법은 개발 모델의 정확도 향상을 위해 추출한 데이터 각각의 무게 중심점을 계산하여 가장 멀리 있는 데이터를 선택하여 합리적인 모델 개발 알고리즘을 제공할 수 있다.
도 1은 본 발명에 따른 공작기계 수명 진단 시스템을 설명하는 도면이다.
도 2는 도 1의 수명 진단 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 수명 진단 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 진단 모델 구축을 위한 학습 데이터 구성 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 진단 모델에 기초한 공작기계 수명 진단 방법을 설명하는 순서도이다.
도 6은 일 실시예에 따른 공작기계의 구성을 설명하는 도면이다.
도 7은 본 발명에 따른 데이터 선별을 위한 무게 중심과 거리 산출 과정을 설명하는 도면이다.
도 8은 본 발명에 따른 학습 데이터를 이용하여 구축된 모델들의 성능 비교를 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 공작기계 수명 진단 시스템을 설명하는 도면이다.
도 1을 참조하면, 공작기계 수명 진단 시스템(100)은 공작기계(110), 수명 진단 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
공작기계(110)는 다양한 기계, 기구 등을 만들 수 있는 장치로서 기계의 중요한 부분을 구현하기 위해 절삭, 소성가공 또는 전기적 가공을 수행할 수 있는 물리적 구조를 포함하여 구현될 수 있다. 좋은 성능을 가진 공작기계(110)는 형상 및 치수 등이 정확하고 표면의 요철이 적은 제품을 일관성 있게 생산할 수 있다. 공작기계(110)는 생산성을 높이기 위하여 단위 시간 동안 생산할 수 있는 개수, 즉 동작 속도가 증가되도록 고속화 기법이 적용될 수 있다. 또한, 공작기계(110)는 자동화 기법이 적용되어 사람의 동작 제어를 최소화할 수 있다.
일 실시예에서, 공작기계(110)는 동작의 자동화와 함께 부품 등의 이상을 효과적으로 검출하기 위한 다양한 센서들을 포함하여 구현될 수 있다. 공작기계(110)는 다양한 부품들로 구성될 수 있으며, 각 부품의 기능 및 동작 환경에 따라 진단을 위한 센서의 종류와 개수가 결정될 수 있다. 예를 들어, 공작기계(110)의 스핀들은 핵심적 부품에 해당할 수 있으며, 주로 절삭의 유형과 품질을 담당할 수 있다. 스핀들의 회전을 위한 베어링은 높은 가공력을 전달하는 과정에서 많은 부하가 누적될 수 있고, 이에 따라 공작기계(110)의 가공 정확도를 저하시키는 주요 요인으로 작용할 수 있다. 한편, 공작기계(110)의 구체적 실시예에 대해서는 도 6에서 보다 자세히 설명한다.
또한, 공작기계(110)는 수명 진단 장치(130)와 유선 또는 무선으로 연결될 수 있고, 복수의 공작기계(110)들은 수명 진단 장치(130)와 동시에 연결되어 동작할 수도 있다.
수명 진단 장치(130)는 공작기계(110)의 동작 과정을 모니터링하고 수집된 정보를 기초로 공작기계(110) 및 다양한 부품들의 이상을 진단 및 예측할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 수명 진단 장치(130)는 공작기계(110)의 다양한 센서들로부터 각 부품 및 동작에 관한 데이터를 수집할 수 있으며, 공작기계(110)의 동작 제어를 위한 제어 명령 또는 제어 모듈을 포함하여 구현될 수 있다. 수명 진단 장치(130)는 공작기계(110)와 데이터를 송·수신할 수 있으며, 다양한 정보들을 데이터베이스(150)를 통해 관리할 수 있다.
데이터베이스(150)는 수명 진단 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 공작기계(110)의 제어를 위한 제어 정보와 모니터링 정보를 저장할 수 있고, 공작기계(110)의 수명 진단을 위한 학습 데이터 및 학습 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 수명 진단 장치(130)가 공작기계(110)에 대한 진단 및 제어를 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 수명 진단 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 수명 진단 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 수명 진단 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 수명 진단 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 수명 진단 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 수명 진단 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 수명 진단 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 수명 진단 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 수명 진단 장치(130)는 공정 데이터 수집부(310), 특징 데이터 결정부(320), 공간 분포 구축부(330), 특징 데이터 분석부(340), 학습 데이터 결정부(350), 학습 모델 구축부(360), 수명 진단 수행부(370) 및 제어부(도 3에 미도시함)를 포함할 수 있다.
공정 데이터 수집부(310)는 복수의 단위 시간들마다 공작기계(110)의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집할 수 있다. 이를 위하여 공정 데이터 수집부(310)는 공작기계(110)에 설치된 다양한 센서들과 연동하여 공작기계(110)의 동작에 관한 공정 데이터를 수집할 수 있다. 공정 데이터 수집부(310)는 단위 시간으로 정의된 시간 구간마다 수집된 데이터를 독립적으로 관리할 수 있고, 데이터베이스(150)를 통해 저장할 수 있다. 한편, 공정 데이터는 공작기계(110)가 정상적으로 동작하는 정상 공정 과정에서 발생하는 정상 공정 데이터와 공작기계(110)가 비정상적으로 동작하는 비정상 공정 과정에서 발생하는 비정상 공정 데이터로 구분될 수 있다.
일 실시예에서, 공정 데이터 수집부(310)는 공작기계(110)에 결합된 가속도 센서를 통해 가속도 기반의 공정 데이터를 정상 및 비정상 공정 데이터로서 수집할 수 있다. 즉, 공정 데이터 수집부(310)는 가속도 센서를 통해 정상 베어링과 이상 베어링 상태에서 라인센터 스핀들에 관한 가속도 신호를 각각 정상 공정 데이터와 비정상 공정 데이터로서 수집할 수 있다.
일 실시예에서, 공정 데이터 수집부(310)는 공작기계(110)의 절삭 공정을 검출하고 단위 시간 동안 가속도 센서를 동작시켜 연속적인 공정 데이터를 수집할 수 있다. 공정 데이터 수집부(310)는 공작기계(110)의 특정 공정을 타겟팅하여 공정 데이터를 수집할 수도 있으며, 예를 들어 공작기계(110)가 절삭 공정을 수행하는 동안에만 가속도 센서를 제한적으로 동작시켜 공정 데이터를 수집할 수 있다. 따라서, 공정 데이터 수집을 위한 단위 시간은 절삭 공정의 평균 수행 시간을 기초로 설정될 수 있으나, 반드시 이에 한정되는 것이 아님은 물론이다.
일 실시예에서, 공정 데이터 수집부(310)는 연속적인 공정 데이터의 로컬 변곡 지점을 검출하여 정상 및 비정상 공정 데이터를 이산적으로(discretely) 생성할 수 있다. 가속도 센서를 통한 가속도 신호는 시계열에 따른 연속적인 공정 데이터에 해당할 수 있으며, 공정 데이터 수집부(310)는 연속적인 공정 데이터를 그대로 수집하는 대신 연속적인 공정 데이터의 특정 시점을 기준으로 이산적인 공정 데이터를 수집할 수도 있다. 특히, 공정 데이터 수집부(310)는 시간 축을 기준으로 신호의 세기에 관한 2차원 그래프 상에서 단위 시간 동안 발생하는 로컬 변곡 지점을 검출하고 해당 지점에서의 신호 데이터를 각각 정상 및 비정상 공정 데이터로서 수집할 수 있다.
특징 데이터 결정부(320)는 정상 및 비정상 공정 데이터에서 적어도 하나의 특징 데이터를 각각 추출하여 정상 및 비정상 특징 데이터를 결정할 수 있다. 수집된 정상 및 비정상 공정 데이터는 그 자체를 활용하여 분석 데이터로서 사용할 수도 있지만, 보다 정확도 높은 분석을 위해 특징 데이터 결정부(320)를 통해 기 정의된 특징 데이터를 추출할 수도 있다. 이때, 특징 데이터는 신호에 관한 범위, 크기, 구간 등 제한된 범위 내에서 도출되는 다양한 신호 정보에 해당할 수 있다.
일 실시예에서, 특징 데이터 결정부(320)는 정상 및 비정상 공정 데이터에 관한 통계적 변수로서 첨도(kurtosis), 왜도(skewness), 표준편차(standard deviation) 및 평균(average)을 적어도 하나의 특징 데이터로 결정할 수 있다. 특징 데이터 결정부(320)는 가속도 센서를 통해 수집된 가속도 신호의 특성을 고려하여 해당 단위 시간 동안의 특정 데이터에 관한 통계적 변수를 특징 데이터로 정의하여 사용할 수 있다. 예를 들어, 첨도, 왜도, 표준편차 및 평균은 대표적인 특징 데이터에 당할 수 있다. 특징 데이터 결정부(320)는 단위 시간 동안의 공정 데이터를 기초로 해당 단위 시간에 대응되는 정상 및 비정상 특징 데이터를 개별로 생성할 수 있다.
공간 분포 구축부(330)는 적어도 하나의 특징 데이터에 관한 특징 조합을 결정하고 해당 특징 조합을 기준으로 정상 및 비정상 특징 데이터의 공간 분포를 구축할 수 있다. 특징 조합은 기 정의된 특징 데이터의 개수 및 조합에 참여하는 특징 데이터의 개수에 따라 다양하게 정의될 수 있다. 예를 들어, 5개의 특징 데이터로 구성된 데이터 집합에 대해 2개의 특징 데이터에 관한 특징 조합은 5 * 4 / 2, 즉 총 10개로 구성될 수 있고, 3개의 특징 데이터에 관한 특징 조합은 5 * 4 * 3 / 3 * 2, 즉 총 10개로 구성될 수 있다.
또한, 특징 조합에 대한 공간은 특징 조합에 참여한 특징 데이터의 수에 따라 다차원 공간을 형성할 수 있다. 예를 들어, 공간 분포 구축부(330)는 특징 조합이 2개의 특징 데이터로 구성된 경우 2차원 공간 상에서 특징 데이터들에 관한 공간 분포를 결정할 수 있고, 특징 조합이 3개의 특징 데이터로 구성된 경우 3차원 공간 상에서 특징 데이터들에 관한 공간 분포를 결정할 수 있다.
일 실시예에서, 공간 분포 구축부(330)는 첨도-왜도, 첨도-표준편차, 첨도-평균, 왜도-표준편차, 왜도-평균 및 평균-표준편차 중 어느 하나를 특징 조합으로 결정할 수 있다. 즉, 공간 분포 구축부(330)는 첨도, 왜도, 표준편차 및 평균으로 구성된 특징 데이터 집합에 대해 2개의 특징 데이터들에 관한 특징 조합을 총 6개 정의할 수 있다. 즉, 공정 데이터들이 수집된 단위 시간마다 특징 데이터로서 첨도, 왜도, 표준편차 및 평균이 생성될 수 있고, 공간 분포 구축부(330)는 해당 특징 데이터들 중 특정 조합의 특징 데이터들로 공간 분포를 구축할 수 있다.
일 실시예에서, 공간 분포 구축부(330)는 특징 조합의 각 특징 데이터를 독립된 차원에 대응시켜 형성되는 다차원 공간 상에 정상 및 비정상 특징 데이터를 각각 배치하여 상기 공간 분포를 구축할 수 있다. 특징 조합이 2개의 특징 데이터로 구성되면 공간 분포 구축부(330)는 각 특징 데이터를 하나의 차원에 대응시킨 후 2차원 공간을 형성할 수 있으며, 정상 및 비정상 특징 데이터들을 해당 2차원 공간 상에 배치하여 공간 분포를 구축할 수 있다.
특징 데이터 분석부(340)는 공간 분포를 이용하여 정상 및 비정상 특징 데이터에 대한 무게 중심을 각각 결정하고 해당 무게 중심들 간의 거리를 산출할 수 있다. 정상 및 비정상 특징 데이터들은 공작기계(110)의 동작 특성에 따라 지역적 인접성을 가진 상태로 공간 상에 배치될 수 있다. 따라서, 특징 데이터 분석부(340)는 정상 특징 데이터와 비정상 특징 데이터의 공간 분포에 기초하여 각각의 무게 중심을 2차원 공간에서의 좌표 정보로 결정할 수 있다. 특징 데이터 분석부(340)는 정상 및 비정상 특징 데이터의 좌표 정보를 이용하여 무게 중심 사이의 거리를 산출할 수 있다.
일 실시예에서, 특징 데이터 분석부(340)는 정상 및 비정상 특징 데이터를 포함하는 최소 경계 다각형을 각각 생성하고 최소 경계 다각형을 이용하여 무게 중심을 결정할 수 있다. 특징 데이터 분석부(340)는 공간 분포에 대한 무게 중심을 산출하기 전 단계에서 무게 중심 산출을 위한 영역을 특정할 수 있다. 즉, 특징 데이터 분석부(340)는 정상 특징 데이터들을 포함하는 정상 영역 또는 비정상 데이터들을 포함하는 비정상 영역으로 구분하여 특정할 수 있으며, 무게 중심 산출을 고려하여 해당 영역들을 포함하는 최소 경계 다각형을 정의한 다음 최소 경계 다각형을 기준으로 무게 중심을 산출할 수도 있다.
이때, 최소 경계 다각형은 공간 상에 분포한 데이터들을 모두 포함하면서 최소 크기를 갖는 다각형에 해당할 수 있으며, 삼각형, 사각형, 오각형 등의 형상으로 정의될 수 있다. 한편, 최소 경계 다각형에 대한 무게 중심은 일반적인 다각형의 무게 중심 산출 공식이 적용되어 산출될 수 있다.
일 실시예에서, 특징 데이터 분석부(340)는 다각형 집합의 각 다각형에 대응하여 최소 경계 다각형을 각각 생성하고 복수의 최소 경계 다각형들 각각의 후보 무게 중심을 산출한 후 해당 후보 무게 중심들의 평균으로 무게 중심을 결정할 수 있다. 다각형 집합은 삼각형, 사각형, 오각형 등 다양한 개수의 꼭지점을 가진 다각형들의 집합으로 정의될 수 있다. 특징 데이터 분석부(340)는 특징 데이터들의 공간 분포에 대한 무게 중심 산출을 위해 특징 데이터를 포함하는 다양한 다각형을 정의하고 해당 다각형을 기준으로 무게 중심을 산출할 수 있다.
즉, 특징 데이터 분석부(340)는 최소 경계 다각형의 정의에 따라 다양한 무게 중심들을 산출할 수 있다. 만약 동일한 공간 분포에 대해 복수의 무게 중심들이 산출된 경우, 특징 데이터 분석부(340)는 해당 복수의 무게 중심들의 평균을 통해 하나의 무게중심을 결정할 수 있다.
학습 데이터 결정부(350)는 복수의 단위 시간들에서 무게 중심 간의 거리가 기 설정된 임계거리를 초과하는 정상 및 비정상 공정 데이터를 결정하여 공작기계 수명 진단을 위한 학습 데이터를 구성할 수 있다. 무게 중심은 정상 특징 데이터와 비정상 특징 데이터의 공간 분포에 관한 특징이 반영되어 산출되기 때문에, 학습 데이터 결정부(350)는 무게 중심 간의 거리에 따라 학습 모델 생성에 사용될 학습 데이터를 선택적으로 결정할 수 있다.
즉, 실험적으로 무게 중심 간의 거리가 길수록 해당 데이터들을 학습하여 생성된 학습 모델의 예측 또는 진단 정확도가 높다는 점을 활용하여, 학습 데이터 결정부(350)는 각 단위 시간에 대해 특징 데이터에 기초하여 산출된 무게 중심 간의 거리가 기 설정된 임계거리 이상인 경우 해당 특징 데이터들을 학습 데이터로 결정할 수 있다. 학습 데이터 결정부(350)는 각 단위 시간들에 대해 각각 소정의 조건을 충족하는 학습 데이터들 만을 제한적으로 수집할 수 있다. 이때, 학습 데이터 구성에 사용되는 임계거리는 수명 진단 장치(130)에 의해 사전에 설정될 수 있으며, 실험적으로 도출된 결과에 따라 특정 값으로 결정될 수 있다.
학습 모델 구축부(360)는 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축할 수 있다. 예를 들어, 학습 알고리즘은 SVM(Suport Vector Machine), KNN(K-Nearest Neighbor), 결정트리(Decision Tree) 등을 포함할 수 있다. 학습 모델 구축부(360)는 선별된 데이터들을 학습한 결과로서 생성된 학습 모델을 구축함으로써 공작기계(110), 특히 라인센터 스핀들에 대한 예측 정확도를 높일 수 있다.
일 실시예에서, 학습 모델 구축부(360)는 학습 데이터를 정상 및 비정상 학습 데이터로 구분하여 라인센터 스핀들의 정상 및 비정상에 관한 확률을 각각 출력하는 정상 및 비정상 학습 모델을 구축할 수 있다. 기본적으로, 선별된 학습 데이터는 정상 및 비정상 학습 데이터가 통합되어 학습에 사용될 수 있으나, 학습 모델 구축부(360)는 정상 학습 데이터와 비정상 학습 데이터를 소정의 비율로 혼합하여 각각 정상일 확률과 비정상일 확률을 출력하는 독립된 정상 및 비정상 학습 모델을 구축할 수도 있다. 즉, 정상 학습 모델은 정상일 때의 상태와 유사한 확률을 출력으로 생성할 수 있고, 비정상 학습 모델은 비정상일 때의 상태와 유사한 확률을 출력으로 생성할 수 있다.
수명 진단 수행부(370)는 학습 모델을 이용하여 라인센터 스핀들의 수명을 진단할 수 있다. 수명 진단 수행부(370)는 구축된 학습 모델을 통해 공작기계(110)의 이상을 진단할 수 있으며, 특히 라인센터 스핀들의 이상 진단과 수명 예측에 활용될 수 있다.
일 실시예에서, 수명 진단 수행부(370)는 정상 및 비정상에 관한 확률을 기초로 라인센터 스핀들의 잔여 수명을 예측할 수 있다. 진단 모델로 사용되는 학습 모델이 각각 정상 학습 모델과 비정상 학습 모델로 독립적으로 구축된 경우 수명 진단 수행부(370)는 각각의 모델이 출력하는 결과를 통합하여 라인센터 스핀들에 관한 이상 진단 및 잔여 수명을 예측할 수 있다.
일 실시예에서, 수명 진단 수행부(370)는 잔여 수명에 따라 라인센터 스핀들의 점검, 수리 및 교체에 관한 알림을 생성할 수 있다. 수명 진단 수행부(370)는 학습 모델에 의해 예측된 결과를 진단 결과로서 생성하여 제공할 수 있으며, 진단 결과에 따라 라인센터 스핀들에 관한 상태를 등급화 하고 그에 따른 등급별 정보를 제공하여 라인센터 스핀들에 대한 적절한 조치가 시행되도록 지원할 수 있다.
제어부(도 3에 미도시함)는 수명 진단 장치(130)의 전체적인 동작을 제어하고, 공정 데이터 수집부(310), 특징 데이터 결정부(320), 공간 분포 구축부(330), 특징 데이터 분석부(340), 학습 데이터 결정부(350), 학습 모델 구축부(360) 및 수명 진단 수행부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 진단 모델 구축을 위한 학습 데이터 구성 방법을 설명하는 순서도이다.
도 4를 참조하면, 수명 진단 장치(130)는 공정 데이터 수집부(310)를 통해 복수의 단위 시간들마다 공작기계(110)의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집할 수 있다(단계 S410). 수명 진단 장치(130)는 특징 데이터 결정부(320)를 통해 정상 및 비정상 공정 데이터에서 적어도 하나의 특징 데이터를 각각 추출하여 정상 및 비정상 특징 데이터를 결정할 수 있다(단계 S430). 수명 진단 장치(130)는 공간 분포 구축부(330)를 통해 적어도 하나의 특징 데이터에 관한 특징 조합을 결정하고 해당 특징 조합을 기준으로 정상 및 비정상 특징 데이터의 공간 분포를 구축할 수 있다(단계 S450).
또한, 수명 진단 장치(130)는 특징 데이터 분석부(340)를 통해 공간 분포를 이용하여 정상 및 비정상 특징 데이터에 대한 무게 중심을 각각 결정하고 해당 무게 중심들 간의 거리를 산출할 수 있다(단계 S470). 수명 진단 장치(130)는 학습 데이터 결정부(350)를 통해 복수의 단위 시간들에서 거리가 기 설정된 임계거리를 초과하는 정상 및 비정상 공정 데이터를 결정하여 공작기계 수명 진단을 위한 학습 데이터를 구성할 수 있다(단계 S490). 이때, 생성된 학습 데이터는 공작기계(110)의 수명 진단을 수행하는 학습 모델을 구축하는데 사용될 수 있다.
도 5는 본 발명에 따른 진단 모델에 기초한 공작기계 수명 진단 방법을 설명하는 순서도이다.
도 5를 참조하면, 수명 진단 장치(130)는 학습 데이터 결정부(350)를 통해 공작기계 수명 진단을 위한 학습 데이터를 구성할 수 있다(단계 S510). 또한, 수명 진단 장치(130)는 학습 모델 구축부(360)를 통해 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축할 수 있다(단계 S530). 또한, 수명 진단 장치(130)는 수명 진단 수행부(370)를 통해 학습 모델을 이용하여 상기 라인센터 스핀들의 수명을 진단할 수 있다(단계 S550).
이를 통해, 본 발명에 따른 수명 진단 장치(130)는 빅데이터를 수집하여 스마트 데이터를 구축할 수 있으며, 학습에 필요한 데이터 용량을 줄임으로써 학습에 필요한 컴퓨터의 성능이 낮더라도 원활하게 학습 모델을 개발할 수 있는 효과를 제공할 수 있다.
도 6은 일 실시예에 따른 공작기계의 구성을 설명하는 도면이다.
도 6을 참조하면, 일 실시예에 따른 공작기계(110)는 수명 진단 장치(130)에 연결되어 이상 진단 및 수명 진단에 대한 결과를 제공 받을 수 있다. 특히, 공작기계(110)는 핵심 구성으로 스핀들(640)을 포함하여 구현될 수 있으며, 스핀들(640)은 Y축 이송계(610) 및 Z축 이송계(630)에 의해 수직 및 수평(Y축) 방향으로 자유롭게 이동하도록 구현될 수 있다. 또한, 테이블(650)은 X축 이송계(670)에 의해 수평(X축) 방향으로 이동하도록 구현될 수 있다. 이때, Z축 이송계(630)는 컬럼(Column)(620)에 결합되어 동작하고, X축 이송계(670)는 베드(660)에 결합되어 동작할 수 있다.
한편, 공작기계(110)는 동작 특성 및 기능에 따라 다양한 구조와 형상으로 구현될 수 있으며, 이에 따라 각 구성들의 위치 및 결합 관계는 다양하게 변형될 수 있음은 물론이다.
도 7은 본 발명에 따른 데이터 선별을 위한 무게 중심과 거리 산출 과정을 설명하는 도면이다.
도 7을 참조하면, 수명 진단 장치(130)는 공작기계(110)로부터 수집된 정상 특징 데이터(710)와 비정상 특징 데이터(730)를 하나의 공간 상에 배치시켜 공간 분포를 구축할 수 있다. 수명 진단 장치(130)는 정상 특징 데이터(710)들의 공간 분포를 기초로 정상 특징 데이터(710)들에 관한 정상 무게 중심(720)과 비정상 특징 데이터(730)들에 관한 비정상 무게 중심(740)을 각각 산출할 수 있다.
또한, 수명 진단 장치(130)는 정상 무게 중심(720)과 비정상 무게 중심(740) 간의 무게 중심 거리(750)를 산출할 수 있으며, 무게 중심 거리(750)가 기 설정된 임계거리를 초과하는 경우 해당 특징 데이터들을 학습 데이터로 결정할 수 있다. 이때, 결정된 학습 데이터는 라인센터 스핀들의 수명 진단을 위한 학습 모델 구축을 위해 사용될 수 있으며, 학습 모델의 성능을 높이는데 기여할 수 있다. 즉, 무게 중심 거리(750)가 길수록 데이터의 분포가 뚜렷하여 진단 모델의 정확도를 높일 수 있다.
한편, 수명 진단 장치(130)는 특징 데이터들의 공간 분포를 구축한 이후 무게 중심을 산출하기 위하여 정상 특징 데이터(710)와 비정상 특징 데이터(730) 각각을 포함하는 최소 경계 다각형을 결정할 수 있다. 예를 들어, 도 7의 경우 정상 특징 데이터(710)를 포함하는 원형이 제1 최소 경계 다각형(760)으로 결정될 수 있고, 비정상 특징 데이터(730)를 포함하는 원형이 제2 최소 경계 다각형(770)으로 결정될 수 있다. 수명 진단 장치(130)는 각 최소 경계 다각형을 기준으로 다각형의 무게 중심 산출 공식을 적용하여 무게 중심을 구체적으로 산출할 수 있다.
한편, 무게 중심 산출 공식은 다음의 수학식 1과 같이 표현될 수 있다.
[수학식 1]
Figure 112020138723358-pat00001
Figure 112020138723358-pat00002
여기에서, cx는 x데이터의 중심(centroid of x data), cy는 y데이터의 중심(centroid of y data), A는 다각형의 넓이(area of polygon), x 및 y는 데이터에 해당할 수 있다.
또한, 무게 중심 간의 거리는 다음의 수학식 2와 같이 표현될 수 있다.
[수학식 2]
Figure 112020138723358-pat00003
여기에서, B는 비정상 무게 중심(740), F는 정상 무게 중심(720)에 해당할 수 있다.
도 8은 본 발명에 따른 학습 데이터를 이용하여 구축된 모델들의 성능 비교를 설명하는 도면이다.
도 8을 참조하면, 수명 진단 장치(130)를 통해 선별된 학습 데이터를 이용하여 수명 진단을 위한 모델을 구축한 경우 거리(Distance)가 멀어질수록 높은 정확도의 진단 모델이 구축되는 것을 확인할 수 있다. 도 8에서, 특징 조합(810) 중 하나인 Mean-Std(평균값, 표준편차)의 거리는 3387이며, 이때 진단 모델의 정확도는 100%임을 확인할 수 있다. 반면 다른 특징 조합(810)에 해당하는 Mean-Kurtosis(평균값, 첨도)의 거리는 2443이며, 이때 진단 모델의 정확도는 88,9%임을 확인할 수 있다.
한편, 진단 모델 구축에는 학습 모델(Learning model)로서 SVM(Support Vector Machine)이 사용될 수 있으며, 커널 함수(Kernel function)는 가우시안 함수(Gaussian function)가 사용되고 커널 스케일링(Kernel scaling)은 0.4로 설정될 수 있다.
본 발명에 따른 수명 진단 장치(130)는 데이터에서 추출된 특징 데이터 중 의미 있는 데이터를 선별하여 학습함으로써 정확도를 향상하고 데이터의 차원과 용량을 줄일 수 있다. 보다 구체적으로, 수명 진단 장치(130)는 추출한 특징 데이터의 무게 중심 간의 거리를 계산하여 가장 긴 거리(또는 상대적으로 긴 거리)를 가지는 데이터를 선별적으로 사용하여 학습 모델을 구축함으로써 학습 시간 절감과 정확도 향상을 동시에 달성할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 공작기계 수명 진단 시스템
610: Y축 이송계 620: 컬럼
630: Z축 이송계 640: 스핀들
650: 테이블 660: 베드
670: X축 이송계
710: 정상 특징 데이터 720: 정상 무게 중심
730: 비정상 특징 데이터 740: 비정상 무게 중심
750: 무게 중심 거리
760: 제1 최소 경계 다각형 770: 제2 최소 경계 다각형
810: 특징 조합

Claims (16)

  1. 복수의 단위 시간들마다 공작기계의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집하는 공정 데이터 수집부;
    상기 정상 및 비정상 공정 데이터에 관한 통계적 변수로서 첨도(kurtosis), 왜도(skewness), 표준편차(standard deviation) 및 평균(average)을 적어도 하나의 특징 데이터로 각각 추출하여 정상 및 비정상 특징 데이터를 결정하는 특징 데이터 결정부;
    상기 적어도 하나의 특징 데이터에 관한 첨도-왜도, 첨도-표준편차, 첨도-평균, 왜도-표준편차, 왜도-평균 및 평균-표준편차 중 어느 하나를 특징 조합으로 결정하고 해당 특징 조합을 기준으로 상기 정상 및 비정상 특징 데이터의 공간 분포를 구축하는 공간 분포 구축부;
    상기 공간 분포를 이용하여 상기 정상 및 비정상 특징 데이터에 대한 제1 및 제2 무게 중심을 각각 결정하고 해당 제1 및 제2 무게 중심들 간의 거리를 산출하는 특징 데이터 분석부;
    상기 복수의 단위 시간들에서 상기 거리가 기 설정된 임계거리를 초과하는 상기 정상 및 비정상 공정 데이터들만 제한적으로 수집하여 공작기계 수명 진단을 위한 학습 데이터를 구성하는 학습 데이터 결정부;
    상기 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축하는 학습 모델 구축부; 및
    상기 학습 모델을 이용하여 상기 라인센터 스핀들의 수명을 진단하고 잔여 수명을 예측하여 진단 결과로서 제공하며 상기 잔여 수명에 따라 상기 라인센터 스핀들의 점검, 수리 및 교체에 관한 알림을 생성하는 수명 진단 수행부;를 포함하되,
    상기 특징 데이터 분석부는 상기 정상 및 비정상 특징 데이터를 포함하는 최소 경계 다각형을 각각 생성하되, 다각형 집합의 각 다각형에 대응하여 상기 최소 경계 다각형을 각각 생성하고 상기 정상 및 비정상 특징 데이터에 대해 복수의 최소 경계 다각형들 각각의 후보 무게 중심을 산출한 후 해당 후보 무게 중심들의 평균으로 상기 제1 및 제2 무게 중심을 결정하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  2. 제1항에 있어서, 상기 공정 데이터 수집부는
    상기 공작기계에 결합된 가속도 센서를 통해 가속도 기반의 공정 데이터를 상기 정상 및 비정상 공정 데이터로서 수집하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  3. 제2항에 있어서, 상기 공정 데이터 수집부는
    상기 공작기계의 절삭 공정을 검출하고 상기 단위 시간 동안 상기 가속도 센서를 동작시켜 연속적인 공정 데이터를 수집하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  4. 제3항에 있어서, 상기 공정 데이터 수집부는
    상기 연속적인 공정 데이터의 로컬 변곡 지점을 검출하여 상기 정상 및 비정상 공정 데이터를 이산적으로(discretely) 생성하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서, 상기 공간 분포 구축부는
    상기 특징 조합의 각 특징 데이터를 독립된 차원에 대응시켜 형성되는 다차원 공간 상에 상기 정상 및 비정상 특징 데이터를 각각 배치하여 상기 공간 분포를 구축하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제1항에 있어서,
    상기 학습 모델 구축부는 상기 학습 데이터를 정상 및 비정상 학습 데이터로 구분하여 상기 라인센터 스핀들의 정상 및 비정상에 관한 확률을 각각 출력하는 정상 및 비정상 학습 모델을 구축하고,
    상기 수명 진단 수행부는 상기 정상 및 비정상에 관한 확률을 기초로 상기 라인센터 스핀들의 잔여 수명을 예측하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  12. 제11항에 있어서, 상기 수명 진단 수행부는
    상기 잔여 수명에 따라 상기 라인센터 스핀들의 점검, 수리 및 교체에 관한 알림을 생성하는 것을 특징으로 하는 공작기계 수명 진단 장치.
  13. 복수의 단위 시간들마다 공작기계의 정상 공정 및 비정상 공정을 각각 모니터링하여 정상 및 비정상 공정 데이터를 수집하는 단계;
    상기 정상 및 비정상 공정 데이터에 관한 통계적 변수로서 첨도(kurtosis), 왜도(skewness), 표준편차(standard deviation) 및 평균(average)을 적어도 하나의 특징 데이터로 각각 추출하여 정상 및 비정상 특징 데이터를 결정하는 단계;
    상기 적어도 하나의 특징 데이터에 관한 첨도-왜도, 첨도-표준편차, 첨도-평균, 왜도-표준편차, 왜도-평균 및 평균-표준편차 중 어느 하나를 특징 조합으로 결정하고 해당 특징 조합을 기준으로 상기 정상 및 비정상 특징 데이터의 공간 분포를 구축하는 단계;
    상기 공간 분포를 이용하여 상기 정상 및 비정상 특징 데이터에 대한 제1 및 제2 무게 중심을 각각 결정하고 해당 대한 제1 및 제2 무게 중심들 간의 거리를 산출하는 단계;
    상기 복수의 단위 시간들에서 상기 거리가 기 설정된 임계거리를 초과하는 상기 정상 및 비정상 공정 데이터들만 제한적으로 수집하여 공작기계 수명 진단을 위한 학습 데이터를 구성하는 단계;
    상기 학습 데이터에 학습 알고리즘을 적용하여 라인센터 스핀들의 수명 진단을 위한 학습 모델을 구축하는 단계; 및
    상기 학습 모델을 이용하여 상기 라인센터 스핀들의 수명을 진단하고 잔여 수명을 예측하여 진단 결과로서 제공하며 상기 잔여 수명에 따라 상기 라인센터 스핀들의 점검, 수리 및 교체에 관한 알림을 생성하는 단계;를 포함하되,
    상기 거리를 산출하는 단계는 상기 정상 및 비정상 특징 데이터를 포함하는 최소 경계 다각형을 각각 생성하되, 다각형 집합의 각 다각형에 대응하여 상기 최소 경계 다각형을 각각 생성하고 상기 정상 및 비정상 특징 데이터에 대해 복수의 최소 경계 다각형들 각각의 후보 무게 중심을 산출한 후 해당 후보 무게 중심들의 평균으로 상기 제1 및 제2 무게 중심을 결정하는 단계를 포함하는 것을 특징으로 하는 공작기계 수명 진단 방법.
  14. 삭제
  15. 삭제
  16. 삭제
KR1020200179532A 2020-12-21 2020-12-21 공작기계 수명 진단 장치 및 방법 KR102547850B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200179532A KR102547850B1 (ko) 2020-12-21 2020-12-21 공작기계 수명 진단 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200179532A KR102547850B1 (ko) 2020-12-21 2020-12-21 공작기계 수명 진단 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220089157A KR20220089157A (ko) 2022-06-28
KR102547850B1 true KR102547850B1 (ko) 2023-06-26

Family

ID=82268088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200179532A KR102547850B1 (ko) 2020-12-21 2020-12-21 공작기계 수명 진단 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102547850B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102589094B1 (ko) * 2022-10-26 2023-10-16 (재)대구기계부품연구원 공작기계의 진단 모델 개발을 위한 학습 데이터 셋 구성 시스템 및 그 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020011330A (ja) * 2018-07-18 2020-01-23 株式会社日立製作所 工作機械の状態判定システム及び工作機械の状態判定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150089722A (ko) 2014-01-28 2015-08-05 두산인프라코어 주식회사 소비전력을 이용한 공작기계의 고장 진단 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020011330A (ja) * 2018-07-18 2020-01-23 株式会社日立製作所 工作機械の状態判定システム及び工作機械の状態判定方法

Also Published As

Publication number Publication date
KR20220089157A (ko) 2022-06-28

Similar Documents

Publication Publication Date Title
US11237539B2 (en) System and method for operational-data-based detection of anomaly of a machine tool
US10572512B2 (en) Detection method and information processing device
JP5427107B2 (ja) 監視診断装置および監視診断方法
JP4931220B2 (ja) 検出装置、システム、プログラムおよび検出方法
JP7040851B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
JP5151732B2 (ja) 特性が似ていて形状が異なる設計形状を分類・表示する装置、方法、及びプログラム
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
KR20170078252A (ko) 시계열의 데이터를 모니터링 하는 방법 및 그 장치
KR102547850B1 (ko) 공작기계 수명 진단 장치 및 방법
KR20180131246A (ko) 빅데이터 분석을 통한 공정 관리 방법
JP7247021B2 (ja) 情報処理装置、予測判別システム、および予測判別方法
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
JP2012164314A (ja) 現象における変数の影響を決定する方法
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
JP2016080585A (ja) プラント状態解析装置
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
JP6792159B2 (ja) 並列処理パラメータ決定プログラム、並列処理パラメータ決定方法、および並列処理管理装置
KR102379026B1 (ko) 전자 장치 및 이의 프로세싱 유닛의 소모 전력 산출 방법
JP5157844B2 (ja) 故障箇所特定システム、故障箇所特定方法
JP7029056B2 (ja) 分割領域生成プログラム、分割領域生成装置、および分割領域生成方法
JP2023036469A5 (ko)
JP6691600B2 (ja) 全体統合解析モデル支援装置
JP5287170B2 (ja) 障害原因分析システム、障害原因分析方法
KR102634666B1 (ko) 롤투롤 공정의 롤 베어링 수명 예측 모델 구축 방법
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant