KR20020016178A - 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 - Google Patents
뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 Download PDFInfo
- Publication number
- KR20020016178A KR20020016178A KR1020000049348A KR20000049348A KR20020016178A KR 20020016178 A KR20020016178 A KR 20020016178A KR 1020000049348 A KR1020000049348 A KR 1020000049348A KR 20000049348 A KR20000049348 A KR 20000049348A KR 20020016178 A KR20020016178 A KR 20020016178A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- tool
- cutting
- studied
- fuzzy
- Prior art date
Links
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
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q2717/00—Arrangements for indicating or measuring
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템에 관한 것으로, 지능형 공작기계의 절삭 가공중 상태를 모니터링하고 이상진단을 파악하는데 있어서, 센서 데이터와 절삭 변수 지수를 이용하여 공구의 상태를 판별할 수 있도록 뉴럴 네트워크를 학습시킨 학습된 뉴럴 네트워크 단계와 상기 학습된 뉴럴 네트워크를 재학습시키는 퍼지 추론 시스템(FIS) 단계와 상기 퍼지 추론 시스템을 통해 지식으로 학습된 뉴럴 네트워크를 이용하여 공정의 모든 특성과 복잡함을 언어적으로 표현하기 위한 퍼지 규칙 또는 멤버쉽 함수를 조절할 수 있는 최적화 단계로 구성함으로써, 첫째, 공구상태 모니터링 시스템으로써 지능형 공작기계의 핵심을 확보할 수 있고, 둘째, 공장 자동화의 최하위 단위인 공작기계에 대한 무인화의 기본이 되며, 셋째, FMS나 FMC의 기본기술을 확보할 수 있으며, 넷째, 절삭 가공중의 공정 계측기술을 확립할 수 있다. 또한 확립된 공정 계측기술을 공장자동화에 응용함으로써, 다양한 기구에 대한 자동화 및 무인화를 실현할 수 있다.
Description
본 발명은 공구의 점진적인 마모상태를 모니터링 할 수 있도록 한 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템에 관한 것이다.
일반적으로 공구 상태 모니터링 시스템이란 현재 절삭 작업 중인 공구의 마모 정도를 측정하는 시스템으로 자동화된 생산 시스템에서 매우 중요한 요소이다.
이를 측정할 수 있는 방법은 측정형태에 따라서 공구마모에 직접적으로 발생하는 현상을 측정하는 직접측정법과 공구의 마모에 따라서 변하는 공구의 특성을 이용한 간접측정법이 있다.
대개 직접측정법은 측정의 정확도가 간접측정법에 비해 높으나 장치가 복잡하고 비용이 많이 드는 등으로 현장에 직접 적용하기는 실용상에 곤란한 문제점이 있으며, 간접측정법은 측정이 용이하나 직접측정법에 비하여 신뢰도가 낮은 문제점이 있었다.
이에 본 발명은 상기한 바와 같은 제문제점을 해결하기 위해 안출된 것으로서, 작업자가 직접 작업중 공구의 상태를 관찰하는 것을 없애고, 공구 파손상태를 작업중에 판단 및 예측함으로써 재료의 파손 및 결함을 방지하고, 이상이 발생하였을 때 짧은 시간 내에 대처할 수 있도록 한 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템을 제공하는데 그 목적이 있다.
상기의 목적을 달성하기 위한 본 발명에 따른 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템은 지능형 공작기계의 절삭 가공중 상태를 모니터링 하고 이상진단을 파악하는데 있어서, 센서 데이터와 절삭 변수 지수를 이용하여 공구의 상태를 판별할 수 있도록 뉴럴 네트워크를 학습시킨 학습된 뉴럴 네트워크 단계와 상기 학습된 뉴럴 네트워크를 재학습시키는 퍼지 추론 시스템(FIS) 단계와 상기 퍼지 추론 시스템을 통해 지식으로 학습된 뉴럴 네트워크를 이용하여 공정의 모든 특성과 복잡함을 언어적으로 표현하기 위한 퍼지 규칙 또는 멤버쉽 함수를 조절할 수 있는 최적화 단계로 구성함을 특징으로 한다.
도1은 본 발명에 따른 공구상태 모니터링 시스템의 과정을 도시한 예시도,
도2는 본 발명에 따른 공구상태 모니터링 시스템에 사용되는 뉴로퍼지
시스템을 도시한 예시도,
도3은 도구 상태 판별을 위한 뉴럴 네트워크를 도시한 예시도,
도4는 반복학습에 따른 성능 곡선을 도시한 예시도,
도5는 최적화 되기 이전의 각 입력변수들의 멤버쉽 함수를 도시한 예시도,
도6은 멤버쉽 함수의 LR 변수화를 도시한 예시도,
도7은 퍼지 멤버쉽 함수의 조정을 도시한 예시도,
도8은 퍼지 멤버쉽 함수의 조정전후를 도시한 예시도.
이하, 본 발명을 첨부한 예시도면을 참고하여 자세히 설명한다.
도1내지 도8에 도시된 바와 같이, 본 발명에 따른 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템은 지능형 공작기계의 절삭 가공중 상태를 모니터링 하고 이상진단을 파악하는데 있어서, 센서 데이터와 절삭 변수 지수를 이용하여 공구의 상태를 판별할 수 있도록 뉴럴 네트워크를 학습시킨 학습된 뉴럴 네트워크 단계와 상기 학습된 뉴럴 네트워크를 재학습시키는 퍼지 추론 시스템(FIS) 단계와 상기 퍼지 추론 시스템을 통해 지식으로 학습된 뉴럴 네트워크를 이용하여 공정의 모든 특성과 복잡함을 언어적으로 표현하기 위한 퍼지 규칙 또는 멤버쉽 함수를 조절할 수 있는 최적화 단계로 구성한다.
여기서, 공구의 상태를 판별하기 위한 뉴럴 네트워크는 센서들의 데이터와 절삭 변수 지수(CPI)를 이용하여 공구의 상태를 판별할 수 있도록 뉴럴 네트워크를 학습시켜 학습된 뉴럴 네트워크이다.
즉, 공구상태 판정을 위한 뉴럴 네트워크의 학습은 백프로퍼게이션 알고지즘을 사용하였으며, 학습을 위한 패턴은 도5에 도시된 바와 같이, 각 패턴은 3가지의 센서입력(음향방출, Force, Current)과 절삭 변수 지수(CPI)로 이루어져 있으며, 이는 실제 절삭작업에서 얻을 수 있는 데이터들이다.
성능지수는 sum of square error를 사용하였으며, 허용오차 한계는 0.05로정하였다.
이상의 조건으로 뉴럴 네트워크를 학습시켰을 때 416회의 학습 후, 원하는 조건을 만족시켰으며 이때의 공구 상태 판별률은 96%이며, 반복학습에 따른 성능 곡선은 도4에 도시된 바와 같다.
따라서, 학습된 뉴럴 네트워크에 각각의 센서 데이터와 절삭 변수 지수(CPI)를 제공하면 공구의 상태를 판별할 수 있다.
또한, 상기 퍼지 추론 시스템(FIS)은 뉴럴 네트워크의 입력으로 사용된 음향방출, Force, Current, 절삭변수지수(CPI)를 입력으로 가지며, 마찬가지로 공구의 상태를 출력으로 가진다.
공구상태 판별을 위한 FIS의 입력인 음향방출, Force, Current, 절삭변수지수(CPI)는 각각의 언어적 변수들을 가지며, 각각의 언어적 변수들의 범위는 각 입력 변수들의 최대, 최소값에 대하여 범위[0,1]로 정규화하며, 이렇게 생성된 최적화 되지 않은 각 입력변수들의 초기 멤버쉽 함수는 도5에 도시된 바와 같다.
도5에 도시된 바와 같이, 정의된 입력변수들의 멤버쉽 함수들은 각각 다음과 같은 함수 LR(Cj, αj, βj)로 표현할 수 있으며, 이때 Cj는 멤버쉽 함수의 중심값을, αj βj는 삼각형 멤버쉽 함수를 구성하는 좌우 선분의 기울기를 나타낸다. 이를 도면으로 표현하면 도6에 도시된 바와 같다.
이는 멤버쉽 함수를 나타내는 삼각형 퍼지변수들의 구성 요소들을 변수화하여 이후 최적화 과정에서 이용하기 위함이다.
상기한 바와 같이 구성된 최적화 시키기 전의 FIS에 센서 데이터와 절삭 변수 지수(cutting parameter index)를 입력으로 주었을 때 60%의 공구 상태 판별률을 보여주었다.
따라서 공구 상태에 관한 특성으로 학습된 뉴럴 네트워크를 이용하여 함수 LR에 포함된 변수들을 적절히 조절함으로써 최적화를 행할 수 있다.
우선 최적화 과정을 간략히 살펴보면 다음과 같다.
① 입력 변수들의 데이터를 학습된 뉴럴 네트워크와 FIS에 입력으로 가한다.
이에 따른 뉴럴 네트워크의 출력과 FIS의 출력을 비교하여, 그 차이를 판별 오차로 설정한다.
② 기준 오차보다 큰 오차를 발생시키는 FIS의 규칙들을 선정한다.
③ 선정된 규칙들에서 각 입력 변수들의 언어변수를 나열한다.
④ 학습 집합속에 포함되어 있는 모든 입력 패턴들에 대해 ①에서 ③까지의 과정을 반복한다.
⑤ 과정 ④를 마쳤을 때 가장 많이 나열된 언어 변수의 멤버쉽 함수를 조절한다.
⑥ 모든 입력 패턴에 대하여 오차가 기준치 이하로 될 때까지 과정 ①에서 ⑤까지를 반복한다.
오차 기준은 0.2를 선정하였으며, 판별오차는 과정 ①에서 살펴보았듯이 학습된 뉴럴 네트워크의 출력과 FIS의 출력의 차로 결정된다.
이상에서 살펴본 일련의 최적화 과정은 가장 많은 오차를 발생시키는 언어변수의 멤버쉽 함수를 조절하는 것이다.
즉, 오차와 오차의 발생빈도를 근간으로 하여 최적화를 실행한다.
결론적으로, 공구의 마모상태를 검출하는 것은 그 과정이 매우 복잡하고 수학적인 모델을 구하기가 매우 어려워 공정의 특성을 획득하기가 쉽지 않다.
따라서, 공구상태 모니터링 시스템의 상태 판별 알고리즘은 지식이나 경험의 적용이 가능하고 추론기능을 가지는 뉴로-퍼지를 이용하였다.
이는 신경회로망이 가지는 강력한 학습 및 분류기능과 병렬처리에 의한 빠른 계산의 장점을 이용하고, 또한 퍼지이론이 가지는 추론기능 및 이로 인한 강인성 및 유연성을 확보할 수 있기 때문이다.
이는 공구상태 모니터링 시스템이 다양한 환경에서도 사용가능 하도록 하기 위한 필수적인 사항이다.
이상에서 상술한 바와 같은 각 구성요소의 장점들을 수용한 본 발명에 따른 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템은 수차례의 반복학습을 통하여 성능을 향상시킬 수 있으며, 가상의 상태들을 이용한 시뮬레이션에서 공구의 마모상태를 판별할 수 있는 작용효과가 있다.
이상에서 설명한 바와 같이, 본 발명에 따른 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템은 다음과 같은 효과가 있다.
첫째, 공구상태 모니터링 시스템으로써 지능형 공작기계의 핵심을 확보할 수 있다. 이는 가공중 발생되는 공구의 상태변화를 진단함으로써 가공정밀도의 향상을 기대할 수 있다.
둘째, 공장 자동화의 최하위 단위인 공작기계에 대한 무인화의 기본이 된다. 즉, 공장 자동화 및 무인화공장 실현의 기초가 되며, 시스템의 안정화 및 생산성 향상을 위한 기반 기술이다.
셋째, FMS(Flexible Manufacturing System)나 FMC(Flexible Manufacturing Cell)의 기본기술을 확보할 수 있다. 이는 공작기계의 안정성 및 고신뢰성을 유지하고, 현재 산업사회에서 요구하고 있는 다품종 소량생산의 유연성을 확보할 수 있다.
넷째, 절삭 가공중의 공정 계측기술을 확립할 수 있다. 또한 확립된 공정 계측기술을 공장자동화에 응용함으로써, 다양한 기구에 대한 자동화 및 무인화를 실현할 수 있다.
Claims (1)
- 지능형 공작기계의 절삭 가공중 상태를 모니터링 하고 이상진단을 파악하는데 있어서,센서 데이터와 절삭 변수 지수를 이용하여 공구의 상태를 판별할 수 있도록 뉴럴 네트워크를 학습시킨 학습된 뉴럴 네트워크 단계와 상기 학습된 뉴럴 네트워크를 재학습시키는 퍼지 추론 시스템 단계와 상기 퍼지 추론 시스템을 통해 지식으로 학습된 뉴럴 네트워크를 이용하여 공정의 모든 특성과 복잡함을 언어적으로 표현하기 위한 퍼지 규칙 또는 멤버쉽 함수를 조절할 수 있는 최적화 단계로 구성함을 특징으로 하는 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000049348A KR20020016178A (ko) | 2000-08-24 | 2000-08-24 | 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000049348A KR20020016178A (ko) | 2000-08-24 | 2000-08-24 | 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20020016178A true KR20020016178A (ko) | 2002-03-04 |
Family
ID=19685007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020000049348A KR20020016178A (ko) | 2000-08-24 | 2000-08-24 | 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20020016178A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180040452A (ko) * | 2016-10-12 | 2018-04-20 | 삼성에스디에스 주식회사 | 설비 노화 지수를 이용한 이상 감지 방법 및 장치 |
| KR102193189B1 (ko) * | 2020-02-12 | 2020-12-18 | 주식회사 삼도 | 절삭 공구 제조 방법 |
-
2000
- 2000-08-24 KR KR1020000049348A patent/KR20020016178A/ko not_active Application Discontinuation
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180040452A (ko) * | 2016-10-12 | 2018-04-20 | 삼성에스디에스 주식회사 | 설비 노화 지수를 이용한 이상 감지 방법 및 장치 |
| KR102193189B1 (ko) * | 2020-02-12 | 2020-12-18 | 주식회사 삼도 | 절삭 공구 제조 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10254750B2 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
| Rowlands et al. | An approach of fuzzy logic evaluation and control in SPC | |
| Liu et al. | Intelligent classification and measurement of drill wear | |
| Haber et al. | Intelligent process supervision for predicting tool wear in machining processes | |
| CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| Seborg | A perspective on advanced strategies for process control | |
| Haber et al. | Toward intelligent machining: hierarchical fuzzy control for the end milling process | |
| Tandon et al. | A novel artificial neural networks force model for end milling | |
| CN113741343A (zh) | 一种机床双轴同步控制方法、系统和机床 | |
| US10037024B2 (en) | Automated stochastic method for feature discovery and use of the same in a repeatable process | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| US6314413B1 (en) | Method for controlling process events using neural network | |
| KR20020016178A (ko) | 뉴로퍼지를 이용한 절삭작업에서의 공구상태 모니터링시스템 | |
| US20240085890A1 (en) | Method and System for Measuring Components and Program | |
| CN117446581A (zh) | 一种基于可变pid算法的张力控制方法 | |
| CN112799382A (zh) | 一种机器人微机电系统故障诊断方法及系统 | |
| Lingarkar et al. | Knowledge-based adaptive computer control in manufacturing systems: a case study | |
| CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
| Hamrol | Process diagnostics as a means of improving the efficiency of quality control | |
| Kocian et al. | Implementation of fuzzy logic control based on plc | |
| CN112688836B (zh) | 基于深度自编码网络的能源路由设备在线动态感知方法 | |
| Collins et al. | Automated PI tuning for a weigh belt feeder via unfalsified control | |
| Huang et al. | An in-process adaptive control of surface roughness in end milling operations | |
| Isermann | Integration of fault detection and diagnosis methods | |
| CN111897203A (zh) | 基于数据驱动和机理建模状态监测的加热器经济调节方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |