KR102594887B1 - 공작기계 공작물의 재질 판별 장치 및 그 방법 - Google Patents

공작기계 공작물의 재질 판별 장치 및 그 방법 Download PDF

Info

Publication number
KR102594887B1
KR102594887B1 KR1020210182886A KR20210182886A KR102594887B1 KR 102594887 B1 KR102594887 B1 KR 102594887B1 KR 1020210182886 A KR1020210182886 A KR 1020210182886A KR 20210182886 A KR20210182886 A KR 20210182886A KR 102594887 B1 KR102594887 B1 KR 102594887B1
Authority
KR
South Korea
Prior art keywords
workpiece
data
machining
machine tool
feature data
Prior art date
Application number
KR1020210182886A
Other languages
English (en)
Other versions
KR20230093892A (ko
Inventor
최정민
전근수
강상균
Original Assignee
현대위아 주식회사
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 현대위아 주식회사 filed Critical 현대위아 주식회사
Priority to KR1020210182886A priority Critical patent/KR102594887B1/ko
Publication of KR20230093892A publication Critical patent/KR20230093892A/ko
Application granted granted Critical
Publication of KR102594887B1 publication Critical patent/KR102594887B1/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
    • B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
    • 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
    • B23Q15/013—Control or regulation of feed movement
    • 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
    • B23Q17/2452—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves for measuring features or for detecting a condition of machine parts, tools or workpieces
    • 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
    • G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • 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
    • G05B19/40937—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 concerning programming of machining or material parameters, pocket machining

Abstract

본 발명은 공작기계 공작물의 재질 판별 장치 및 그 방법이 개시된다. 본 발명의 공작기계 공작물의 재질 판별 장치는, 공작기계의 제어기로부터 주기적으로 장비정보를 수집하는 장비정보 수집부; 장비정보 수집부로부터 입력된 실행되고 있는 가공 프로그램에 대해 공정별 블록 범위를 추출하고, 추출된 공정별 블록 범위를 기준으로 주기적으로 수집된 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출하여 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 제어부; 및 제어부에서 예측된 공작물의 재질을 출력하는 출력부;를 포함하는 것을 특징으로 한다.

Description

공작기계 공작물의 재질 판별 장치 및 그 방법{MATERIAL DISCRIMINATION APPARATUS FOR MACHINE TOOL WORKPIECES AND METHOD THEREOF}
본 발명은 공작기계 공작물의 재질 판별 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 공작기계의 가공 프로그램과 공작물 가공 중에 수집된 절삭조건 및 가공부하를 기반으로 딥러닝 알고리즘을 이용하여 공작물의 재질을 판별하는 공작기계 공작물의 재질 판별 장치 및 그 방법에 관한 것이다.
일반적으로, 주조, 단조 등으로 만든 기계부품을 가공하는 기계로 수치제어가 가능한 공작기계(machine tools)가 사용된다.
여기서, 공작기계는 수치 제어 장치를 결합한 자동화 공작기계(numerical control type machine tool)와, 소형 컴퓨터를 내장한 NC 공작기계. 가공형상ㆍ가공조건ㆍ가공동작 등의 데이터를 컴퓨터에 의해 자동 프로그래밍을 하여 NC데이터로 변환시키고 펄스 신호화 된 상태로 보유하고 필요에 따라서 공작기계를 가동하는 CNC 공작기계(computerized numerically controlled machine tool) 등이 있다.
그리고 이러한 공작기계는, 워크에 대한 공구의 가공 경로정보 (공구궤적)과, 공구의 회전속도와 이송속도를 포함하는 가공 조건을 포함하는 NC 데이터가 작성되어, 그 NC 데이터에 기초를 두어서 공작기계가 작동해서 워크에 절삭 가공이 실시된다.
즉, 공작기계의 가공은 작업자가 소재의 재질과 공구의 크기 및 형상 그리고 가공량 등을 고려하여 공구회전속도와 이송속도를 지령함으로써 이루어진다.
뿐만 아니라 절삭가공의 세밀한 제어를 위해서는 공구회전속도와 이송속도 입력값 이외에 가속도, 저크, 허용공차 등의 상세한 가공조건의 설정이 필요하다.
따라서 장비제작 업체는 상세한 가공조건을 쉽게 설정하도록 1단계에서 10단계까지 파라미터를 세분화하여 작업자가 원하는 단계를 선택하면 그 단계에 맞는 파라미터가 자동으로 설정되도록 하는 기능을 제공하고 있다.
본 발명의 배경기술은 대한민국 특허공보 제10-2182204호(2020.11.24. 공고, 공작기계 가공조건 자동선택방법)에 개시되어 있다.
이와 같이 공작기계에서 데이터를 취득하고, 데이터를 가시화 하거나 이상여부를 판단하는 수준의 기술은 보편적으로 사용되고 있는 상황이다.
하지만 공작기계의 다양한 장비, 가공 프로그램 간의 비교 분석, 사용 중인 절삭 조건의 적절성 등을 판단하기 위해서는 공작기계에서 취득 가능한 축 위치, 가공 부하, 절삭조건, 가공 프로그램 등의 정보 외에 소재 재질에 대한 정보가 필수적이다.
그러나 종래 공작기계 가공 중에 사용된 공작물의 재질을 수집하는 방법으로 가공 프로그램의 데이터를 수집한 후에 사용자가 직접 수작업으로 재질을 할당하거나, 가공 프로그램을 생성할 때 미리 약속된 규약에 따라 소재 재질 정보를 가공 프로그램에 주석으로 명시에 두는 방법이 적용되고 있다.
이와 같이 공작물의 재질을 수집하는 방법은 가공 프로그램 생성 시 또는 가공 프로그램 데이터 수집 후에 사용자가 직접 공작물의 재질을 입력하는 과정이 필요한 방법이다.
따라서 사용자가 직접 공작물의 재질을 입력해야 하는 불편함이 발생하고, 입력 누락에 대한 위험성도 존재할 뿐만 아니라 불성실한 데이터 입력으로 입력된 공작물 재질 데이터의 정확성을 장담할 수 없는 문제점이 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 공작기계의 가공 프로그램과 공작물 가공 중에 수집된 절삭조건 및 가공부하를 기반으로 딥러닝 알고리즘을 이용하여 공작물의 재질을 판별하는 공작기계 공작물의 재질 판별 장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 공작기계 공작물의 재질 판별 장치는, 공작기계의 제어기로부터 주기적으로 장비정보를 수집하는 장비정보 수집부; 장비정보 수집부로부터 입력된 실행되고 있는 가공 프로그램에 대해 공정별 블록 범위를 추출하고, 추출된 공정별 블록 범위를 기준으로 주기적으로 수집된 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출하여 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 제어부; 및 제어부에서 예측된 공작물의 재질을 출력하는 출력부;를 포함하는 것을 특징으로 한다.
본 발명에서 장비정보는, 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 가공이 시작되면 현재 실행되고 있는 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 개별 공정의 블록 범위를 추출하고, 공정별 축별 가공 영역, 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상에 대한 경로 데이터를 분석하는 가공 프로그램 분석부; 가공이 종료되면 가공 프로그램 분석부에서 추출된 개별 공정의 블록 범위를 기준으로 장비정보 수집부로부터 주기적으로 수집된 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출하는 입력 데이터 생성부; 및 입력 데이터 생성부로부터 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 입력 받아 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 공작물 재질 예측부;를 포함하는 것을 특징으로 한다.
본 발명에서 입력 데이터 생성부는, 공정별 데이터로 그룹화하여 평균값, 최대값 및 히스토그램 중 어느 하나 이상을 계산하여 공정별 가공 피쳐 데이터를 생성하는 것을 특징으로 한다.
본 발명에서 입력 데이터 생성부는, 가공 프로그램으로부터 공정별 가공 영역, 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상으로부터 공정별 경로 피쳐 데이터를 추출하는 것을 특징으로 한다.
본 발명에서 공작물 재질 예측부에서 분류모델은, 피쳐 데이터와 공작물의 재질이 매칭되어 있는 학습 데이터를 이용하여 지도 학습으로 사전 학습하여 사용되는 것을 특징으로 한다.
본 발명에서 공작물 재질 예측부는, 공작물의 재질별 확률로 예측하는 것을 특징으로 한다.
본 발명에서 공작물 재질 예측부는, 공정별 예측된 공작물의 재질의 예측 결과의 평균이나 예측 횟수가 더 많은 재질을 선택하는 앙상블 기법을 적용하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 공작기계 공작물의 재질 판별 방법은, 장비정보 수집부가 공작기계의 제어기로부터 주기적으로 장비정보를 수집하는 단계; 공작기계의 구동상태에 따라 가공이 시작되면 제어부가 장비정보로부터 현재 실행되고 있는 가공 프로그램에 대해 개별 공정의 블록 범위를 추출하는 단계; 제어부가 장비정보로부터 공정별 경로 데이터를 분석하는 단계; 제어부가 가공이 종료되면 추출된 개별 공정의 블록 범위를 기준으로 장비정보를 나누어 공정별 데이터로 그룹화하는 단계; 제어부가 그룹화한 공정별 가공 피쳐 데이터를 생성하는 단계; 제어부가 공정별 경로 데이터를 분석한 결과로부터 공정별 경로 피쳐 데이터를 추출하는 단계; 제어부가 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 단계; 및 제어부가 공작물의 재질 예측결과를 출력하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서 장비정보는, 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에서 개별 공정의 블록 범위를 추출하는 단계는, 제어부가 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 개별 공정의 블록 범위를 추출하는 것을 특징으로 한다.
본 발명에서 공정별 경로 데이터를 분석하는 단계는, 제어부가 공정별 축별 가공 영역, 절삭 이송 길이, 절상 이송 변화량 및 급이송 길이 중 어느 하나 이상으로부터 공정별 경로 데이터를 추출하는 것을 특징으로 한다.
본 발명에서 분류모델은, 피쳐 데이터와 공작물의 재질이 매칭되어 있는 학습 데이터를 이용하여 지도 학습으로 사전 학습하여 사용되는 것을 특징으로 한다.
본 발명에서 공작물의 재질을 예측하는 단계는, 제어부가 공작물의 재질별 확률로 예측하는 것을 특징으로 한다.
본 발명에서 공작물의 재질을 예측하는 단계는, 제어부가 공정별 예측된 공작물의 재질의 예측 결과의 평균이나 예측 횟수가 더 많은 재질을 선택하는 앙상블 기법을 적용하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 공작기계 공작물의 재질 판별 장치 및 그 방법은 공작기계의 가공 프로그램과 공작물 가공 중에 수집된 절삭조건 및 가공부하를 기반으로 딥러닝 알고리즘을 이용하여 공작물의 재질을 판별할 수 있어 공작기계 가공 데이터 수집과 함께 가공에 사용된 공작물의 재질을 수집할 수 있고, 공작물의 재질 입력을 사용자가 직접으로 수행하지 않고, 장비 데이터 수집 과정에 포함하여 자동화할 수 있어 오입력, 입력 누락 등에 대한 위험성이 줄어, 수집된 데이터의 품질이 향상될 뿐만 아니라 가공 데이터와 재질 데이터를 조합한 다양한 분석을 수행할 수 있어 데이터의 활용성이 향상된다.
또한, 본 발명은 가공 부하가 너무 낮거나 높은 경향을 보일 때 예측된 공작물의 재질을 출력함으로써 실제 재질과 맞지 않을 경우 절삭조건을 변경하도록 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치에서 경로 데이터를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치에서 딥러닝 분류모델을 나타낸 구성도이다.
도 4는 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 공작기계 공작물의 재질 판별 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치에서 경로 데이터를 나타낸 예시도이며, 도 3은 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치에서 딥러닝 분류모델을 나타낸 구성도이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 장치는, 장비정보 수집부(10), 제어부(20) 및 출력부(30)를 포함할 수 있다.
장비정보 수집부(10)는 공작기계의 제어기로부터 주기적으로 장비정보를 수집할 수 있다.
여기서, 장비정보는 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함할 수 있다.
이때 공작기계의 구동상태는 가공 진행여부를 판단할 수 있고, 가공 프로그램 블록 번호는 각 시점에 수집된 데이터가 어떤 공정에 해당되는 데이터인지 판단할 수 있다.
제어부(20)는 장비정보 수집부(10)로부터 입력된 실행되고 있는 가공 프로그램에 대해 공정별 블록 범위를 추출하고, 추출된 공정별 블록 범위를 기준으로 주기적으로 수집된 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출하여 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측할 수 있다.
보다 구체적으로 제어부(20)는 가공 프로그램 분석부(210), 입력 데이터 생성부(220) 및 공작물 재질 예측부(230)를 포함할 수 있다.
가공 프로그램 분석부(210)는 공작기계의 구동상태로부터 가공이 시작되면 현재 실행되고 있는 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 개별 공정의 블록 범위를 추출하고, 공정별 축별 가공 영역, 절삭 이송 길이, 절상 이송 변화량 및 급이송 길이 중 어느 하나 이상에 대한 경로 데이터를 분석할 수 있다.
이와 같이 가공 프로그램 분석부(210)는 가공 프로그램을 공정별로 나누고, 공정의 경로 데이터를 뽑아내는 역할을 수행한다.
여기서 가공 프로그램은 여러 개의 공정으로 구성되어 있고, 각 공정에는 서로 다른 공구가 사용되거나 공정 종료 시 원점 복귀가 이루어지므로, 공구교환 코드 또는 원점 복귀 코드를 기준으로 가공 프로그램을 분리하면 공정별 가공 프로그램을 얻을 수 있고, 공정별 블록 번호 범위를 입력 데이터 생성부(230)에 제공함으로써 장비정보 수집부(10)에서 수집한 데이터를 공정별로 분리할 수 있다.
또한 가공 프로그램의 각 블록은 각 축별 좌표지령을 갖고 있으므로, 가공 프로그램 분석부(210)는 이전 블록과 현재 블록의 좌표지령을 이용해 현재 블록의 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상을 계산할 수 있다.
또한, 공정별 좌표지령의 축별 최대값, 최소값으로 박스 형태의 가공 영역을 계산 할 수 있다.
따라서, 가공 프로그램 분석부(210)는 가공 프로그램의 처음에서 끝까지 한 블록씩 해석하여 공정을 구분하고, 각 공정에 속하는 블록의 축 좌표를 계산함으로써, 공정별 전체 절삭이송 길이, 전체 절삭이송 변화량, 전체 급이송 길이, 가공 영역 중 어느 하나 이상으로 구성된 경로 데이터를 생성할 수 있다.
도 2에 도시된 바와 같이 (a)는 선삭 황삭 공정의 가공 경로 예시이고, (b)는 선반 홈 공정의 가공 경로 예시로, 선삭 황삭 공정의 경우 X방향 보다는 Z방향의 절삭이송 거리가 크고, 선반 홈 공정은 X 방향의 절삭이송 거리가 큰 것을 확인할 수 있다. 또한, 절삭이송 블록의 좌표를 이용해 초록색 영역과 같이 절삭 영역을 계산 할 수 있음을 확인 할 수 있다.
입력 데이터 생성부(220)는 가공이 종료되면 가공 프로그램 분석부(210)에서 추출된 개별 공정의 블록 범위를 기준으로 장비정보 수집부(10)로부터 주기적으로 수집된 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출할 수 있다.
즉, 입력 데이터 생성부(220)는 장비정보 수집부(10)에서 수집된 장비정보와 가공 프로그램 분석부(210)에서 받은 공정별 데이터를 이용하여 공작물 재질 예측부(230)의 입력 데이터를 생성한다.
즉, 가공 프로그램 분석부(210)에서 받은 공정별 블록 번호를 기준으로 장비정보 수집부(10)에서 취득한 전체 가공 데이터를 각 취득 시간별 프로그램 블록 번호를 이용해 공정별 데이터로 나누어 그룹화하고 분리된 공정별 부하 데이터의 평균값, 최대값 및 일정 간격별 히스토그램 중 어느 하나 이상을 계산하여 각 구간별 도수 비율을 이용해 부하 데이터의 분포를 얻는다.
또한, 분리된 공정별 절삭조건 데이터에서 절삭 이송시의 피드와 주축속도를 선정하여 절삭조건 데이터를 얻는 과정을 통해 가공 데이터의 특징을 담고 있는 가공 피쳐(feature) 데이터를 생성한다.
공정별 경로 피쳐(feature) 데이터는 가공 프로그램 분석부(210)에서 생성된 공정별 가공영역의 면적 대비 절삭이송 거리, 절삭이송 변화량, 급이송 거리의 비율을 계산하여 추출할 수 있다.
이때 하나의 가공 프로그램은 여러 개의 공정으로 구성되므로, 한 번의 가공에서 여러 개의 입력 피쳐 데이터가 생성될 수 있다.
공작물 재질 예측부(230)는 입력 데이터 생성부(220)로부터 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 입력받아 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측할 수 있다.
공작물 재질 예측부(230)는 도 3에 도시된 바와 같이 딥러닝의 머신러닝 분류모델을 통해 공정별 부하 데이터, 절삭조건 데이터, 축별 절삭이송 거리, 축별 절삭이송 변화량 및 축별 급이송 거리 중 어느 하나 이상을 입력으로 하여 저탄소강, 중탄소강, 고탄소강, 서스강, 고서스강, 회주철, 덕타일주철, 알루미늄, 황동 등과 같은 공작물의 재질별 확률을 예측할 수 있다.
공작물 재질 예측부(230)는 입력 데이터 생성부(220)에서 생성된 모든 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 순차적으로 분류모델에 입력하여 각각의 출력을 구할 수 있다. 이때 공정별로 예측된 공작물의 재질이 상이할 수 있으므로 예측 결과의 평균 또는 예측 횟수가 더 많은 재질을 선택하는 등의 앙상블 기법을 적용할 수 있다.
이때 공작물 재질 예측부(230)는 분류모델의 학습 과정에 따라 공작물의 재질의 경도 같은 물성치를 예측할 수도 있고, 공작물의 재질과 함께 공정에 사용된 공구의 재질을 예측할 수도 있다.
분류모델은 피쳐 데이터와 이미 알고 있는 공작물 재질이 매칭되어 있는 학습 데이터를 이용하여 딥러닝 학습 알고리즘으로 학습하는 과정이 사전에 개발 과정에서 이루어질 수 있다.
출력부(30)는 제어부(20)에서 예측된 공작물의 재질을 출력할 수 있다.
이와 같이 예측결과를 출력하여 가공에 사용된 공작물의 재질을 수집할 수 있도록 하여 공작물의 재질 입력을 사용자가 직접으로 수행하지 않고, 장비 데이터 수집 과정에 포함하여 자동화할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의한 공작기계 공작물의 재질 판별 장치에 따르면, 공작기계의 가공 프로그램과 공작물 가공 중에 수집된 절삭조건 및 가공부하를 기반으로 딥러닝 알고리즘을 이용하여 공작물의 재질을 판별할 수 있어 공작기계 가공 데이터 수집과 함께 가공에 사용된 공작물의 재질을 수집할 수 있고, 공작물의 재질 입력을 사용자가 직접으로 수행하지 않고, 장비 데이터 수집 과정에 포함하여 자동화할 수 있어 오입력, 입력 누락 등에 대한 위험성이 줄어, 수집된 데이터의 품질이 향상될 뿐만 아니라 가공 데이터와 재질 데이터를 조합한 다양한 분석을 수행할 수 있어 데이터의 활용성이 향상되고, 가공 부하가 너무 낮거나 높은 경향을 보일 때 예측된 공작물의 재질을 출력함으로써 실제 재질과 맞지 않을 경우 절삭조건을 변경하도록 할 수 있다.
도 4는 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 방법을 설명하기 위한 흐름도이다.
도 4에 도시된 바와 같이 본 발명의 일 실시예에 따른 공작기계 공작물의 재질 판별 방법에서는 먼저, 장비정보 수집부(10)가 공작기계의 제어기로부터 주기적으로 장비정보를 수집한다(S10).
여기서, 장비정보는 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함할 수 있다.
이때 공작기계의 구동상태는 가공 진행여부를 판단할 수 있고, 가공 프로그램 블록 번호는 각 시점에 수집된 데이터가 어떤 공정에 해당되는 데이터인지 판단할 수 있다.
S10 단계에서 수집된 장비정보로부터 공작기계의 구동상태에 판단한다(S20).
S20 단계에서 공작기계의 구동상태를 판단하여 가공이 시작되면, 제어부(20)는 장비정보로부터 현재 실행되고 있는 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 개별 공정의 블록 범위를 추출한다(S30).
여기서 가공 프로그램은 여러 개의 공정으로 구성되어 있고, 각 공정에는 서로 다른 공구가 사용되거나 공정 종료시 원점 복귀가 이루어지므로, 공구교환 코드 또는 원점복귀 코드를 기준으로 가공 프로그램을 분리하면 공정별 가공 프로그램을 얻을 수 있다.
또한, 제어부(20)는 장비정보로부터 공정별 경로 데이터를 분석한다(S40).
가공 프로그램의 각 블록은 각 축별 좌표지령을 갖고 있으므로, 가공 프로그램 분석부(210)는 이전 블록과 현재 블록의 좌표지령을 이용해 현재 블록의 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상을 계산할 수 있다.
또한, 공정별 좌표지령의 축별 최대값, 최소값으로 박스 형태의 가공 영역을 계산 할 수 있다.
따라서, 가공 프로그램 분석부(210)는 가공 프로그램의 처음에서 끝까지 한 블록씩 해석하여 공정을 구분하고, 각 공정에 속하는 블록의 축 좌표를 계산함으로써, 공정별 전체 절삭이송 길이, 전체 절삭이송 변화량, 전체 급이송 길이 및 가공 영역 중 어느 하나 이상으로 구성된 경로 데이터를 생성할 수 있다.
S20 단계에서 공작기계의 구동상태를 판단하여 가공이 완료되면, 제어부(20)는 S30 단계에서 추출된 개별 공정의 블록 범위를 기준으로 장비정보를 나누어 공정별 데이터로 그룹화한다(S50).
S50 단계에서 공정별 데이터로 그룹화한 후 제어부(20)는 공정별 가공 피쳐 데이터를 생성한다(S60).
즉, 제어부(20)는 분리된 공정별 부하 데이터의 평균값, 최대값 및 일정 간격별 히스토그램 중 어느 하나 이상을 계산하여 각 구간별 도수 비율을 이용해 부하 데이터의 분포를 얻는다.
또한, 분리된 공정별 절삭조건 데이터에서 절삭 이송시의 피드와 주축속도를 선정하여 절삭조건 데이터를 얻는 과정을 통해 가공 데이터의 특징을 담고 있는 가공 피쳐(feature) 데이터를 생성한다.
그리고, 제어부(20)는 S40 단계에서 공정별 경로 데이터를 분석한 결과로부터 공정별 경로 피쳐 데이터를 추출한다(S70).
여기서 공정별 경로 피쳐(feature) 데이터는 공정별 가공영역의 면적 대비 절삭이송 거리, 급이송 거리의 비율을 계산하여 추출할 수 있다.
이때 하나의 가공 프로그램은 여러 개의 공정으로 구성되므로, 한 번의 가공에서 여러 개의 입력 피쳐 데이터가 생성될 수 있다.
이후 제어부(20)는 S60 단계에서 생성한 공정별 가공 피쳐 데이터와 S70 단계에서 추출한 공정별 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측한다(S80).
여기서 제어부(20)는 딥러닝의 머신러닝 분류모델을 통해 공정별 부하 데이터, 절삭조건 데이터, 축별 절삭이송 거리, 축별 절삭이송 변화량 및 축별 급이송 거리 중 어느 하나 이상을 입력으로 하여 저탄소강, 중탄소강, 고탄소강, 서스강, 고서스강, 회주철, 덕타일주철, 알루미늄, 황동 등과 같은 공작물의 재질별 확률을 예측할 수 있다.
이때 제어부(20)는 분류모델의 학습 과정에 따라 공작물의 재질의 경도 같은 물성치를 예측할 수도 있고, 공작물의 재질과 함께 공정에 사용된 공구의 재질을 예측할 수도 있다.
여기서 분류모델은 피쳐 데이터와 이미 알고 있는 공작물 재질이 매칭되어 있는 학습 데이터를 이용하여 딥러닝 학습 알고리즘으로 학습하는 과정이 사전에 개발 과정에서 이루어질 수 있다.
S80 단계에서 공작물의 재질을 예측한 후 제어부(20)는 예측결과를 출력한다(S90).
이와 같이 예측결과를 출력하여 가공에 사용된 공작물의 재질을 수집할 수 있도록 하여 공작물의 재질 입력을 사용자가 직접으로 수행하지 않고, 장비 데이터 수집 과정에 포함하여 자동화할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의한 공작기계 공작물의 재질 판별 방법에 따르면, 공작기계의 가공 프로그램과 공작물 가공 중에 수집된 절삭조건 및 가공부하를 기반으로 딥러닝 알고리즘을 이용하여 공작물의 재질을 판별할 수 있어 공작기계 가공 데이터 수집과 함께 가공에 사용된 공작물의 재질을 수집할 수 있고, 공작물의 재질 입력을 사용자가 직접으로 수행하지 않고, 장비 데이터 수집 과정에 포함하여 자동화할 수 있어 오입력, 입력 누락 등에 대한 위험성이 줄어, 수집된 데이터의 품질이 향상될 뿐만 아니라 가공 데이터와 재질 데이터를 조합한 다양한 분석을 수행할 수 있어 데이터의 활용성이 향상되고, 가공 부하가 너무 낮거나 높은 경향을 보일 때 예측된 공작물의 재질을 출력함으로써 실제 재질과 맞지 않을 경우 절삭조건을 변경하도록 할 수 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
10 : 장비정보 수집부
20 : 제어부
30 : 출력부
210 : 가공 프로그램 분석부
220 : 입력 데이터 생성부
230 : 공작물 재질 예측부

Claims (15)

  1. 공작기계의 제어기로부터 주기적으로 장비정보를 수집하는 장비정보 수집부;
    상기 장비정보 수집부로부터 입력된 실행되고 있는 가공 프로그램에 대해 공정별 블록 범위를 추출하고, 추출된 상기 공정별 블록 범위를 기준으로 주기적으로 수집된 상기 장비정보를 나누어 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 상기 가공 프로그램으로부터 상기 공정별 경로 피쳐 데이터를 추출하여 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 제어부; 및
    상기 제어부에서 예측된 상기 공작물의 재질을 출력하는 출력부;를 포함하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  2. 제 1항에 있어서, 상기 장비정보는, 상기 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  3. 제 1항에 있어서, 상기 제어부는,
    가공이 시작되면 현재 실행되고 있는 상기 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 상기 개별 공정의 블록 범위를 추출하고, 공정별 축별 가공 영역, 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상에 대한 경로 데이터를 분석하는 가공 프로그램 분석부;
    가공이 종료되면 상기 가공 프로그램 분석부에서 추출된 상기 개별 공정의 블록 범위를 기준으로 상기 장비정보 수집부로부터 주기적으로 수집된 상기 장비정보를 나누어 상기 공정별 데이터로 그룹화하여 공정별 가공 피쳐 데이터를 생성하고, 상기 가공 프로그램으로부터 공정별 경로 피쳐 데이터를 추출하는 입력 데이터 생성부; 및
    상기 입력 데이터 생성부로부터 상기 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 입력받아 딥러닝의 분류모델을 사용하여 상기 공작물의 재질을 예측하는 공작물 재질 예측부;를 포함하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  4. 제 3항에 있어서, 상기 입력 데이터 생성부는, 상기 공정별 데이터로 그룹화하여 평균값, 최대값 및 히스토그램 중 어느 하나 이상을 계산하여 상기 공정별 가공 피쳐 데이터를 생성하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  5. 제 3항에 있어서, 상기 입력 데이터 생성부는, 상기 가공 프로그램으로부터 공정별 가공 영역, 절삭 이송 길이, 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상으로부터 상기 공정별 경로 피쳐 데이터를 추출하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  6. 제 3항에 있어서, 상기 공작물 재질 예측부에서 상기 분류모델은, 피쳐 데이터와 상기 공작물의 재질이 매칭되어 있는 학습 데이터를 이용하여 지도 학습으로 사전 학습하여 사용되는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  7. 제 3항에 있어서, 상기 공작물 재질 예측부는, 상기 공작물의 재질별 확률로 예측하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  8. 제 3항에 있어서, 상기 공작물 재질 예측부는, 공정별 예측된 상기 공작물의 재질의 예측 결과의 평균이나 예측 횟수가 더 많은 재질을 선택하는 앙상블 기법을 적용하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 장치.
  9. 장비정보 수집부가 공작기계의 제어기로부터 주기적으로 장비정보를 수집하는 단계;
    상기 공작기계의 구동상태에 따라 가공이 시작되면 제어부가 상기 장비정보로부터 현재 실행되고 있는 가공 프로그램에 대해 개별 공정의 블록 범위를 추출하는 단계;
    상기 제어부가 상기 장비정보로부터 공정별 경로 데이터를 분석하는 단계;
    상기 제어부가 가공이 종료되면 추출된 상기 개별 공정의 블록 범위를 기준으로 상기 장비정보를 나누어 공정별 데이터로 그룹화하는 단계;
    상기 제어부가 그룹화한 공정별 가공 피쳐 데이터를 생성하는 단계;
    상기 제어부가 상기 공정별 경로 데이터를 분석한 결과로부터 공정별 경로 피쳐 데이터를 추출하는 단계;
    상기 제어부가 상기 공정별 가공 피쳐 데이터와 경로 피쳐 데이터를 기반으로 딥러닝의 분류모델을 사용하여 공작물의 재질을 예측하는 단계; 및
    상기 제어부가 상기 공작물의 재질 예측결과를 출력하는 단계;를 포함하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  10. 제 9항에 있어서, 상기 장비정보는, 상기 공작기계의 구동상태, 주축 부하, 이송축 부하, 주축속도, 이송피드, 가공 프로그램 및 가공 프로그램 블록 번호 중 어느 하나 이상을 포함하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  11. 제 9항에 있어서, 상기 개별 공정의 블록 범위를 추출하는 단계는, 상기 제어부가 상기 가공 프로그램에 대해 공구 교환 코드 또는 원점 복귀 코드를 기준으로 분할하여 상기 개별 공정의 블록 범위를 추출하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  12. 제 9항에 있어서, 상기 공정별 경로 데이터를 분석하는 단계는, 상기 제어부가 공정별 축별 가공 영역, 절삭 이송 길이, 및 절삭 이송 변화량 및 급이송 길이 중 어느 하나 이상으로부터 상기 공정별 경로 데이터를 추출하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  13. 제 9항에 있어서, 상기 분류모델은, 피쳐 데이터와 상기 공작물의 재질이 매칭되어 있는 학습 데이터를 이용하여 지도 학습으로 사전 학습하여 사용되는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  14. 제 9항에 있어서, 상기 공작물의 재질을 예측하는 단계는, 상기 제어부가 상기 공작물의 재질별 확률로 예측하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
  15. 제 9항에 있어서, 상기 공작물의 재질을 예측하는 단계는, 상기 제어부가 공정별 예측된 상기 공작물의 재질의 예측 결과의 평균이나 예측 횟수가 더 많은 재질을 선택하는 앙상블 기법을 적용하는 것을 특징으로 하는 공작기계 공작물의 재질 판별 방법.
KR1020210182886A 2021-12-20 2021-12-20 공작기계 공작물의 재질 판별 장치 및 그 방법 KR102594887B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210182886A KR102594887B1 (ko) 2021-12-20 2021-12-20 공작기계 공작물의 재질 판별 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210182886A KR102594887B1 (ko) 2021-12-20 2021-12-20 공작기계 공작물의 재질 판별 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20230093892A KR20230093892A (ko) 2023-06-27
KR102594887B1 true KR102594887B1 (ko) 2023-10-26

Family

ID=86946909

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210182886A KR102594887B1 (ko) 2021-12-20 2021-12-20 공작기계 공작물의 재질 판별 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102594887B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080458A (ja) 2011-09-21 2013-05-02 Nippon Steel & Sumitomo Metal 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6091487A (ja) * 1983-10-25 1985-05-22 Sharp Corp 図形入力装置
JPH1128647A (ja) * 1997-07-07 1999-02-02 Toshiba Mach Co Ltd 工具交換時期判定方法および装置
JP3868611B2 (ja) * 1997-12-09 2007-01-17 株式会社アマダ ワーク識別装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013080458A (ja) 2011-09-21 2013-05-02 Nippon Steel & Sumitomo Metal 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体

Also Published As

Publication number Publication date
KR20230093892A (ko) 2023-06-27

Similar Documents

Publication Publication Date Title
CN111687652B (zh) 握持力调整装置以及握持力调整系统
US6937942B2 (en) Method and apparatus of detecting tool abnormality in a machine tool
US20080109097A1 (en) Machining step generating apparatus
CN108027604A (zh) 用于优化地控制机床的方法和控制设备
JP2019145086A (ja) 制御装置、機械学習装置及びシステム
TWI684080B (zh) 智慧型調整系統及其方法
US10274938B2 (en) Numerical control unit and NC program creating unit
KR100600648B1 (ko) 자동공작장치용 최적가공 컨트롤러와 상기 컨트롤러가설치된 자동공작장치
KR102594887B1 (ko) 공작기계 공작물의 재질 판별 장치 및 그 방법
Petrakov et al. IMachining technology analysis for contour milling
CN111598364B (zh) 用于机械零部件的数字化工艺编排系统
CN116569117A (zh) 机器学习装置、加工程序生成装置及机器学习方法
US10248100B2 (en) Numerical controller
JPH0631590A (ja) Ｎｃ加工用工具移動経路の作成方法
Ratnayake Framework for computing machining parameter settings in CNC machines: an industrial case study
Onwubolu Optimization of milling operations for the selection of cutting conditions using Tribes
JP2005138162A (ja) プレス金型形状面の加工方法
KR100270666B1 (ko) 부하제어용 고속가공 제어기 및 그 제어방법
JP3264054B2 (ja) Ｎｃ文作成方法
JP2017001153A (ja) エンドミルを用いた加工システム及び加工方法
JP2763923B2 (ja) Ｎｃデータ作成装置
JP2023110515A (ja) 切削加工データ解析システム
Petrakov et al. Simulating turning cycles on CNC lathe machines
KR20230150294A (ko) 가공 시스템 및 가공물의 제조 방법
KR19990074236A (ko) 선삭 시스템 및 그의 공구경로 생성방법

Legal Events

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