KR102558133B1 - 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법 - Google Patents

인공지능을 통한 가공 설비 최적 운전 조건 추적 방법 Download PDF

Info

Publication number
KR102558133B1
KR102558133B1 KR1020210090656A KR20210090656A KR102558133B1 KR 102558133 B1 KR102558133 B1 KR 102558133B1 KR 1020210090656 A KR1020210090656 A KR 1020210090656A KR 20210090656 A KR20210090656 A KR 20210090656A KR 102558133 B1 KR102558133 B1 KR 102558133B1
Authority
KR
South Korea
Prior art keywords
data
processing
processor
result
operating conditions
Prior art date
Application number
KR1020210090656A
Other languages
English (en)
Other versions
KR20230010281A (ko
Inventor
김철환
Original Assignee
주식회사 디엠테크컨설팅
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 주식회사 디엠테크컨설팅 filed Critical 주식회사 디엠테크컨설팅
Priority to KR1020210090656A priority Critical patent/KR102558133B1/ko
Publication of KR20230010281A publication Critical patent/KR20230010281A/ko
Application granted granted Critical
Publication of KR102558133B1 publication Critical patent/KR102558133B1/ko

Links

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
    • G05B19/4093—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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • 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
    • G05B23/0218—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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Numerical Control (AREA)

Abstract

본 발명은 가공 설비와 관련된 데이터를 수집하는 단계; 상기 데이터에 대한 기계학습을 통해, 상기 가공 설비의 최적 운전조건을 추출하는 단계; 및 상기 최적 운전조건을 상기 가공 설비에 입력하는 단계;를 포함하는 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법에 관한 것이다.

Description

인공지능을 통한 가공 설비 최적 운전 조건 추적 방법{Method of deriving optimal parameters for CNC machine through artificial intelligence}
본 발명은 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법에 관한 것이다.
CNC(Computerized Numerical Control), MCT(Machining Center Tool) 등의 가공 설비는 컴퓨터 마이크로 프로세서를 내장한 수치 제어 공작 기계로 정밀 부품을 정확한 수치로 대량 생산할 수 있는 설비이다. 제품이 소형화됨에 따라 가공물의 크기는 점차 작아지고 품질의 요건은 점차 강화되고 있다.
가공 설비의 특성상 가공이 진행될수록 공구의 마모가 발생하며, 마모에 대한 오프셋을 주기적으로 보정하지 않으면 제품의 품질에 문제가 발생된다. 이에 작업자는 작업의 표준 또는 경험에 따라 주기적으로 형상 및 마모에 대한 오프셋을 설정한다.
이러한 사용자 중심의 오프셋 관리는 최적의 운영 조건에 대한 검증 없이 경험적 판단을 통한 관리 체제로 인해, 또는 설정 입력에 대한 휴먼 에러로 인해 가공 품질이 저하되는 문제가 발생하고 있다.
종래 기술인 KR1908273에는 공작기계 가공정보를 추출하고 제어에 활용하는 내용이 개시되지만, 오프셋 설정시 발생하는 휴면 에러를 방지하는 내용까지는 언급되지 않는다.
KR1908273
본 발명은 상기한 문제점을 해결하기 위하여, 인공지능 알고리즘을 활용하여 주어진 조건에서의 가공 설비에 대한 최적의 운전 조건을 도출하는 방법을 제공하는데 목적이 있다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 달성하기 위하여, 본 발명의 실시예에 따른 인공지능을 통한 가공 설비 최적 운전조건 도출 방법은, 가공 설비와 관련된 데이터를 수집하고, 수집된 데이터에 대한 기계학습을 통해 가공 설비의 최적 운전조건을 추출한다.
본 발명의 실시예에 따른 인공지능을 통한 가공 설비 최적 운전조건 도출 방법은, 가공 설비와 관련된 데이터를 수집하는 단계; 상기 데이터에 대한 기계학습을 통해, 상기 가공 설비의 최적 운전조건을 추출하는 단계; 및 상기 최적 운전조건을 상기 가공 설비에 입력하는 단계;를 포함한다.
상기 데이터는, 가공 프로그램 정보, 툴 정보, 툴 카운트, 형상 및 마모 오프셋 설정 정보, 주축 및 부축 온도, 주축 및 부축 부하, 회전 및 지급 속도 및 측정 결과 데이터를 포함한다.
상기 추출하는 단계는, 수집된 데이터를 가공하는 단계; 및 가공된 데이터를 입력 데이터로 활용하여 기계 학습하고, 학습 결과에 기초하여, 최적 파라미터를 도출하는 단계;를 포함한다.
상기 가공하는 단계는, 수집된 데이터를 전처리하는 단계; 상기 가공 설비의 사이클을 기준으로 데이터를 구획하는 단계; 및 상기 구획된 구간에 따라 기계학습 데이터를 생성하는 단계;를 포함한다.
상기 학습하는 단계는, 랜덤 포레스트(Random Forest) 알고리즘을 이용하여, 상기 가공 설비 가공품의 양불 판정 결과를 예측하는 품질 판정 모델 학습 단계;를 포함한다.
상기 학습하는 단계는, 상기 가공 설비에 포함된 공구의 오프셋 보정값을 난수로 생성하여 몬테카를로(Monte-Carlo) 시뮬레이션을 수행하는 단계;를 포함한다.
상기 학습하는 단계는, 시뮬레이션 결과 적합한 영역의 오프셋 보정값에 기초하여, 자기 조직화 맵(SOFM) 알고리즘을 통해 최적 파라미터를 도출하는 단계;를 더 포함한다.
상기 학습하는 단계는, 오류역전파(Backpropagation) 알고리즘을 이용하여, 결과값을 검증하는 가공 결과 예측 모델을 학습하고, 상기 가공 결과 예측 모델에 상기 최적 파라미터를 입력하여 결과값을 검증하는 단계;를 더 포함한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따르면 다음과 같은 효과가 하나 혹은 그 이상 있다.
가공 설비의 최적의 운전 조건을 도출하고, 도출된 운전 조건에 따라 운영함으로써 가공품의 품질 향상을 도모하고 작업 효율을 증대하는 효과가 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 인공지능을 통한 가공 설비 최적 운전조건 도출 방법을 설명하는데 참조되는 도면이다.
도 2는 도 1의 S140 단계의 상세 플로우 차트이다.
도 3는 본 발명의 실시예에 따른 데이터를 가공하는 방법을 설명하는데 참조되는 도면이다.
도 4는 본 발명의 실시예에 따른 데이터를 설명하는데 참조되는 도면이다.
도 5 내지 도 8는 본 발명의 실시예에 따라 인공지능을 이용하여 가공 설비의 최적 운전조건을 추출하는 동작을 설명하는데 참조되는 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시예에 따른 인공지능을 통한 가공 설비 최적 파라미터 도출 방법을 설명하는데 참조되는 도면이다.
도 2는 도 1의 S140 단계의 상세 플로우 차트이다.
도 3는 본 발명의 실시예에 따른 데이터를 가공하는 방법을 설명하는데 참조되는 도면이다.
도 4는 본 발명의 실시예에 따른 데이터를 설명하는데 참조되는 도면이다.
도 5 내지 도 8는 본 발명의 실시예에 따라 인공지능을 이용하여 가공 설비의 최적 운전조건을 추출하는 동작을 설명하는데 참조되는 도면이다.
도면을 참조하면, 가공 설비는 컴퓨터 마이크로 프로세서를 내장하여, 정밀한 수치 제어를 통해 가공품을 생산하는 공작 기계로 설명될 수 있다. 예를 들면, 가공 설비는 CNC(Computerized Numerical Control), MCT(Machining Center Tool) 등이 있다.
작업자가 가공 설비에 작업물을 삽입하고, 가공을 위한 데이터(예를 들면, 치수 등)를 입력하고, 가공 프로그램을 선택하 한 후 가공 설비를 구동시키면 자동으로 가공물이 생산된다.
이러한 가공 설비에는 가공을 위한 공구가 포함된다. 공구는 기 설정된 프로그램에 따라 작업을 수행한다. 공구가 작업을 수행할 때, 금속간 발생되는 마찰에 의해 공구에 마모가 발생한다.
누적되는 작업 수행에 따라 마모는 지속적으로 발생하고, 가공물의 품질이 보장되기 위해서는 주기적인 공구에 대한 보정이 요구된다. 이러한 보정 중 하나가 오프셋 보정이다.
종래 기술에 따르면, 오프셋 보정은 표준으로 정해진 규정에 따라 이루어지거나 작업자의 경험에 의존한다. 이경우, 검증되지 않은 보정치의 설정 및 보정치에 대한 입력 시 휴먼 에러가 발생되어 가공 품질 문제가 발생되기도 한다.
본 발명의 실시예에 따른 인공지능을 통한 가공 설비 최적 파라미터 도출 방법은 이러한 종래 기술의 문제점을 해결한다.
인공지능을 통한 가공 설비 최적 파라미터 도출 방법(S100)은 적어도 하나의 프로세서에 의해 구현될 수 있다. 여기서, 프로세서는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
도 1을 참조하면, 프로세서는, 가공 설비와 관련된 데이터를 수집할 수 있다(S110). 프로세서는, 데이터를 가공 설비로부터 실시간 통신을 통해 수신할 수 있다. 여기서, 데이터는, 가공 설비에 포함된 센서로부터 획득되거나, 작업자 입력에 의해 생성될 수 있다.
도 4에 예시된 바와 같이, 데이터는, 가공 프로그램 정보, 툴 정보, 툴 카운트, 형상 및 마모 오프셋(X, Y, Z축) 설정 정보, 주축 및 부축 온도, 주축 및 부축 부하, 회전 및 지급 속도 및 측정 결과 데이터를 포함한다. 측정 결과 데이터는, 가공 완료후, 가공물의 치수를 측정하여 확보된 양불 판정 결과에 대한 데이터를 포함할 수 있다. 양불 여부는, 가공물의 양품 또는 불량품 여부를 의미한다.
프로세서는, 프로그램 및 사이클 변화를 감지할 수 있다(S120). 예를 들면, 프로세서는, 사용자에 의한 가공 프로그램 변화를 감지할 수 있다. 예를 들면, 프로세서는, 가공 설비의 가공 종료 시점을 감지할 수 있다.
프로세서는, 판단 조건을 정리할 수 있다(S130). 예를 들면, 프로세서는, 설비 정보, 가공 프로그램 및 툴카운트 정보를 정리할 수 있다.
프로세서는, 최적 운전 조건을 추출할 수 있다(S140). S140 단계에서, 프로세서는, S110 단계에서 수집한 데이터에 대한 기계학습을 통해, 가공 설비의 최적 운전조건을 추출할 수 있다. 예를 들면, 프로세서는, 판단 조건들에 대한 인자(예를 들면, 설비 정보, 가공 프로그램, 툴 카운트)를 통해 기 분석된 최적 형성 및 마모 오프셋 파라미터를 추출할 수 있다.
프로세서는, 운전조건을 자동으로 세팅할 수 있다(S150). 프로세서는, S140단계에서 추출된 최적 운전조건을 가공 설비에 입력할 수 있다. 예를 들면, 프로세서는, 가공 설비와의 통신을 통해, 형상 및 마모 오프셋 파라미터에 대응되는 접점에 추출된 값을 저장할 수 있다.
도 2를 참조하면, 최적 운전 조건을 추출하는 단계(S140)는, 데이터 가공 단계(S210) 및 데이터를 학습하고, 학습 결과에 기초하여 최적 파라미터를 도출하는 단계(S220)를 포함할 수 있다.
프로세서는, S110단계에서 수집된 데이터를 가공할 수 있다(S210).
도 3을 참조하여, 데이터 가공 단계(S210)를 설명하면, 프로세서는 원본 데이터를 수집할 수 있다(S110). 원본 데이터 수집 단계(S110)에 대한 설명은 상술한 바와 같다.
프로세서는 수집된 데이터를 스토리지에 저장할 수 있다.
프로세서는 수집된 데이터를 전처리할 수 있다(S320, S330).
프로세서는 수집된 데이터 중에 무효 데이터를 제거할 수 있다(S320). 예를 들면, 프로세서는 수집된 데이터 중에서 값이 NULL 인 데이터를 제거할 수 있다. 예를 들면, 프로세서는, 수집된 데이터 중에서 설비 이상 시의 데이터를 제거할 수 있다.
프로세서는 수집된 데이터 중에 이상치 데이터를 제거할 수 있다(S330). 예를 들면, 프로세서는, 수집된 데이터 중에서 설비 이상 시의 데이터를 제거할 수 있다. 예를 들면, 프로세서는, 수집된 데이터 중에서 IQR을 통한 outlier에 해당되는 데이터를 제거할 수 있다.
프로세서는 데이터를 구획할 수 있다(S340). 프로세서는, 수집된 데이터 중에서 무효 데이터 및 이상치 데이터가 제거된 데이터를 구획할 수 있다. 프로세서는, 가공 설비의 사이클을 기준으로 데이터를 구획할 수 있다. 예를 들면, 프로세서는, 가공 설비의 사이클의 시작과 종료를 기준으로 데이터를 구획할 수 있다.
프로세서는 기계 학습 데이터를 생성할 수 있다(S350). 프로세서는 구획된 구간에 따라 기계학습 데이터를 생성할 수 있다. 프로세서는 설비 가공조건, 파라미터 등의 정보와 판단 결과에 대한 정보를 매핑하여 학습데이터를 생성할 수 있다.
다시 도 2를 참조하면, 프로세서는 가공된 데이터를 입력 데이터로 활용하여 기계 학습하고, 학습 결과에 기초하여, 최적 파라미터를 도출할 수 있다(S220).
S220 단계는, 품질 판정 모델 학습 단계(S230, 도 5), 가공 결과 예측 모델 학습 단계(S240, 도 6), 시뮬레이션 수행 단계(S250, 도 7) 및 최적 파라미터 도출 단계(S260, 도 8)을 포함할 수 있다.
도 2 및 도 5를 참조하면, S230 단계에서, 프로세서는, 랜덤 포레스트(Random Forest) 알고리즘을 이용하여, 가공 설비 가공품 양불의 판정 결과를 예측하는 품질 판정 모델 학습을 수행할 수 있다.
프로세서는, 기계 학습 데이터 및 평가 데이터 세트를 추출(Extraction)하고, 전환(Transformation)하여 로딩(Loading)할 수 있다. 프로세서는 기계 학습 데이터의 피처(Feature)들 중 부분 세트(Set)를 추출하고(Bagging) 트리(Tree)를 학습할 수 있다. 프로세서는, 기계 학습 데이터를 통해 모델을 학습하고 평가 데이터를 통해 정확도를 산출하고 배깅(Bagging)을 반복할 수 있다. 이러한 과정을 통해, 프로세서는 최적의 피처 세트(Feature Set)를 획득하고 학습을 종료할 수 있다.
도 2 및 도 6을 참조하면, S240 단계에서, 프로세서는, 오류역전파(Backpropagation, 백프로파게이션) 알고리즘을 이용하여, 결과값을 검증하는 모델을 생성할 수 있다.
프로세서는, 오류역전파 알고리즘을 이용하여, 가공 조건(예를 들면, 프로그램, 툴카운트) 및 파라미터와 측정된 수치 결과를 통해 가공 조건에 따른 가공 수치 예측 모델을 생성할 수 있다. 프로세서는 기계 학습 데이터 및 평가 데이터 세트를 추출(Extraction)하고, 전환(Transformation)하여 로딩(Loading)할 수 있다. 프로세서는 기계 학습 데이터에 대한 입력값(input)과 출력값(output)을 정규화할 수 있다. 한편, 프로세서는 종료 조건(Early Stop) 조정을 통한 과학습(Over Fitting)을 방지할 수 있다.
도 2 및 도 7을 참조하면, S250 단계에서, 프로세서는 가공 설비에 포함된 공구의 오프셋 보정값을 난수로 생성하여 몬테카를로(Monte-Carlo) 시뮬레이션을 수행할 수 있다.
프로세서는 몬테카를로(Monte-Carlo) 시뮬레이션을 활용하여 품질 판정 모델(S230)을 통해 가공 조건 및 파라미터를 변경하면서 판정에 대한 결과를 획득할 수 있다. 프로세서는 가공 조건(예를 들면, 프로그램, 툴카운트) 및 파라미터에 대한 분포(Normal, Uniform)를 통해 독립변수를 생성할 수 있다. 프로세서는 품질 판정 모델(S230)의 판정 결과에 대한 반복 실험을 통해 결과를 도출할 수 있다.
도 2 및 도 8을 참조하면, S260 단계에서, 프로세서는, 시뮬레이션 결과 적합한 영역의 오프셋 보정값에 기초하여, 자기 조직화 맵(SOFM, Self-Organizing Feature Map) 알고리즘을 통해 최적 파라미터를 도출할 수 있다.
프로세서는, 품질 판정 모델(S230)의 양불 판정 결과를 통해 그룹을 구분할 수 있다. 프로세서는, 자기 조직화 맵 알고리즘을 통해 비지도 학습을 수행할 수 있다. 프로세서는, 가공 조건(예를 들면, 프로그램, 툴카운트)에 따른 결과를 통해 그룹을 구분하고 각 그룹의 중심을 도출할 수 있다. 프로세서는, 각 그룹의 중심에 대한 최적 파라미터를 도출할 수 있다.
이후에, 프로세서는, 가공 결과 예측 모델(S240)을 통해 최적 파라미터에 대한 가공 결과를 검증할 수 있다. 프로세서는, 오류역전파(Backpropagation) 알고리즘을 이용하여, 결과값을 검증하는 가공 결과 예측 모델을 학습하고(S240), 상기 가공 결과 예측 모델에 상기 최적 파라미터를 입력하여 결과값을 검증할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 프로세서 또는 제어부를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
S100 : 인공지능을 통한 가공 설비 최적 운전조건 도출 방법

Claims (8)

  1. 프로세서가, 가공 설비와 관련된 데이터를 수집하는 단계;
    프로세서가, 가공 설비의 가공 종료 시점 감지를 통해, 사이클 변화를 감지하는 단계;
    프로세서가, 상기 데이터에 대한 기계학습을 통해, 상기 가공 설비의 최적 운전조건을 추출하는 단계; 및
    프로세서가, 상기 최적 운전조건을 상기 가공 설비에 입력하는 단계;를 포함하고,
    상기 추출하는 단계는,
    수집된 데이터를 전처리하고, 상기 가공 설비의 상기 사이클을 기준으로 데이터를 구획하고, 상기 구획된 구간에 따라 기계학습 데이터를 생성함으로써, 수집된 데이터를 가공하는 단계; 및
    가공된 데이터를 입력 데이터로 활용하여 기계 학습하고, 학습 결과에 기초하여 최적 파라미터를 도출하는 단계;를 포함하고,
    상기 도출하는 단계는,
    상기 구획된 구간에 따라 생성된 기계학습 데이터를 인풋 데이터로 하는 랜덤 포레스트 알고리즘(Random Forest)을 이용하여, 가공품 양불 판정 결과를 예측하는 품질 판정 모델 학습을 수행하는 단계;
    가공 설비에 포함된 공구의 오프셋 보정값을 난수로 생성하고, 몬테카를(Monte-Carlo)로 시뮬레이션을 활용하여 상기 품질 판정 모델을 통해 가공 조건 및 파라미터를 변경하면서 판정에 대한 결과를 획득하는 단계; 및
    상기 가공 조건에 따른 결과를 통해 그룹을 구분하고 각 그룹의 중심을 도출한 후, 각 그룹의 중심에 대한 최적 파라미터를 도출하는 단계;를 포함하는 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법.
  2. 제 1항에 있어서,
    상기 데이터는,
    가공 프로그램 정보, 툴 정보, 툴 카운트, 형상 및 마모 오프셋 설정 정보, 주축 및 부축 온도, 주축 및 부축 부하, 회전 및 지급 속도 및 측정 결과 데이터를 포함하는 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1항에 있어서,
    상기 최적 파라미터는,
    시뮬레이션 결과 획득되는 오프셋 보정값에 기초하여, 자기 조직화 맵(SOFM) 알고리즘을 통해 도출되는 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법.
  8. 제 1항에 있어서,
    상기 학습 결과에 기초하여 최적 파라미터를 도출하는 단계는,
    백프로파게이션(Backpropagation) 알고리즘을 이용하여, 결과값을 검증하는 가공 결과 예측 모델을 학습하고, 상기 가공 결과 예측 모델에 상기 최적 파라미터를 입력하여 결과값을 검증하는 단계;를 더 포함하는 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법.

KR1020210090656A 2021-07-12 2021-07-12 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법 KR102558133B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210090656A KR102558133B1 (ko) 2021-07-12 2021-07-12 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090656A KR102558133B1 (ko) 2021-07-12 2021-07-12 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법

Publications (2)

Publication Number Publication Date
KR20230010281A KR20230010281A (ko) 2023-01-19
KR102558133B1 true KR102558133B1 (ko) 2023-07-21

Family

ID=85078230

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210090656A KR102558133B1 (ko) 2021-07-12 2021-07-12 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법

Country Status (1)

Country Link
KR (1) KR102558133B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020023040A (ja) * 2018-07-25 2020-02-13 株式会社ジェイテクト 研削品質推定モデル生成装置、研削品質推定装置、不良品質発生要因推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置
WO2020144939A1 (ja) * 2019-01-11 2020-07-16 パナソニックＩｐマネジメント株式会社 診断システム、診断方法、プログラム及び記録媒体
US20210046642A1 (en) * 2019-08-12 2021-02-18 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
KR102267009B1 (ko) * 2020-07-17 2021-06-18 (주)티케이에프 IoT 기반의 금속 가공 장치 제어 방법, 장치 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180014364A (ko) * 2016-07-29 2018-02-08 한국전자통신연구원 Cnc 공구 마모 보정 장치 및 방법
KR101908273B1 (ko) 2018-02-20 2018-10-17 주식회사 신명정보통신 공작기계 가공정보 추출 시스템
KR102373226B1 (ko) * 2019-12-04 2022-03-15 한국생산기술연구원 학습 기반의 공구 마모도 예측방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020023040A (ja) * 2018-07-25 2020-02-13 株式会社ジェイテクト 研削品質推定モデル生成装置、研削品質推定装置、不良品質発生要因推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置
WO2020144939A1 (ja) * 2019-01-11 2020-07-16 パナソニックＩｐマネジメント株式会社 診断システム、診断方法、プログラム及び記録媒体
US20210046642A1 (en) * 2019-08-12 2021-02-18 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
KR102267009B1 (ko) * 2020-07-17 2021-06-18 (주)티케이에프 IoT 기반의 금속 가공 장치 제어 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20230010281A (ko) 2023-01-19

Similar Documents

Publication Publication Date Title
CN110153802B (zh) 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法
TWI662278B (zh) 刀具磨耗監控方法
Wang et al. Thermal sensor selection for the thermal error modeling of machine tool based on the fuzzy clustering method
CN108803486A (zh) 基于并联深度学习网络的数控机床热误差预测与补偿方法
CN111289256B (zh) 一种数据驱动的船舶柴油机故障检测方法
TWI584134B (zh) 製程異因分析方法與製程異因分析系統
CN107066775B (zh) 一种刀具车削温升均值的预测方法
CN114237155A (zh) 一种多轴数控加工的误差预测及补偿方法、系统及介质
CN113997122B (zh) 一种刀具磨损监测方法及系统
Cao et al. Online monitoring machining errors of thin-walled workpiece: A knowledge embedded sparse Bayesian regression approach
CN114326593B (zh) 一种刀具寿命预测系统及方法
KR102558133B1 (ko) 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법
CN117075537B (zh) 车床监控方法、系统、电子设备及存储介质
CN116578832B (zh) 预测机械加工零件表面粗糙度的装置
JP2020187667A (ja) 情報処理装置及び情報処理方法
US11226613B2 (en) Anomaly detection device, anomaly detection server and anomaly detection method
TWI813372B (zh) 複材刀具切削監控系統及其監控方法
CN114227378B (zh) 一种夹具状态的检测方法、装置、终端和存储介质
CN116296956A (zh) 一种滚刀磨损检测方法和装置
Park et al. Prediction of the CNC tool wear using the machine learning technique
Liu et al. Selection of key temperature measuring points for thermal error modeling of CNC machine tools
CN114677052A (zh) 基于tarch模型的天然气负荷波动非对称性分析方法及系统
US20200117166A1 (en) Machining information recording device, machining information recording method and non-transitory computer readable medium recording program
Guo et al. A Hybrid clustering method for bridge structure health monitoring
WO2024084688A1 (ja) 学習装置、数値制御装置、加工結果予測方法および加工システム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant