KR20190001371A - Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법 - Google Patents

Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법

Info

Publication number
KR20190001371A
KR20190001371A KR1020170081257A KR20170081257A KR20190001371A KR 20190001371 A KR20190001371 A KR 20190001371A KR 1020170081257 A KR1020170081257 A KR 1020170081257A KR 20170081257 A KR20170081257 A KR 20170081257A KR 20190001371 A KR20190001371 A KR 20190001371A
Authority
KR
South Korea
Prior art keywords
machining process
code
type
machining
neural network
Prior art date
Application number
KR1020170081257A
Other languages
English (en)
Inventor
전근수
김준수
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 KR1020170081257A priority Critical patent/KR20190001371A/ko
Publication of KR20190001371A publication Critical patent/KR20190001371A/ko

Links

Images

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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • 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
    • G05B19/40931—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 geometry
    • G05B19/40935—Selection of predetermined shapes and defining the dimensions with parameter input
    • 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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31339—From parameters, build processes, select control elements and their connection
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35175—Select machining parameters with fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Numerical Control (AREA)

Abstract

본 발명은 작업자가 입력한 가공 조건을 통해 생성한 NC 코드에서, X, Y, Z 좌표값, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM 등의 데이터를 신경망 알고리즘에 입력하여, 신경망 알고리즘을 통해 학습한 결과에 기초하여 황삭, 중삭, 정삭, 면삭, 포켓, 홀 등의 가공 공정 종류와 공정 파라미터를 결정하여 출력할 수 있도록 하는, NC 데이터를 이용한 가공 공정 판별 시스템 및 그 방법이 개시된다.
개시된 가공 공정 판별 시스템은, 사용자에 의해 선택된 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는 입력부; 상기 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정하는 데이터 처리부; 및 상기 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력하는 출력부를 포함한다.
본 발명에 의하면, NC 프로그램을 활용한 공정 판별 시스템을 통해 초보 작업자가 현재 작성된 가공 조건의 적합도를 확인하고 수정할 수 있으며, 소재 조건을 반영하여 가공 조건을 추천할 수 있다.

Description

ＮＣ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법{Process discrimination system using a numerical control data, and method thereof}
본 발명은 NC 데이터를 이용한 가공 공정 판별 시스템 및 그 방법에 관한 것으로서, 더욱 자세하게는 작업자가 입력한 가공 조건을 통해 생성한 NC(numerical control) 코드에서, X, Y, Z 좌표값, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM 등의 데이터를 신경망 알고리즘에 입력하여, 신경망 알고리즘을 통해 학습한 결과에 기초하여 황삭, 중삭, 정삭, 면삭, 포켓, 홀 등의 가공 공정 종류와 공정 파라미터를 결정하여 출력할 수 있도록 하는, NC 데이터를 이용한 가공 공정 판별 시스템 및 그 방법에 관한 것이다.
일반적으로 공작기계 가공에는 절삭 가공을 위한 공작기계의 수치제어(NUMARICAL CONTROL, 이하 NC)가 급속히 진전되고 있다. 최근에는 수치제어 프로그램이 탑재된 컴퓨터를 이용하여 공작기계를 자동으로 제어함으로써 수치제어(NC)를 한층 더욱 발전시킨 컴퓨터 수치제어(CNC: COMPUTER NUMARICAL CONTROL)가 적용된 공작기계가 급속도로 보급되고 있는 추세이다.
컴퓨터 수치제어 공작기계는 수치제어 프로그램에 의해 작동되므로 숙련된 NC 프로그래머가 요구되며, NC 프로그래머는 가공 프로그램을 프로그래밍을 하여야 한다. 현재 컴퓨터 수치제어 공작기계에서 가공 프로그램 작성은 CNC에서 제공되는 편집기를 사용하여 사용자가 직접 MDI(Manual Data Input) 조작 패널(Panel)의 키를 이용하여 문자 및 숫자의 조합으로 입력하는 방식을 사용하고 있다.
상술한 바와 같이, 사용자가 일반적인 가공 프로그램을 작성 시에 형상 정보와 가공 조건 값에 대한 명령어를 일일이 입력해야 하므로 여러가지 공정을 입력해야 할 경우에는 많은 시간이 소요된다.
한편, 공작기계에서 홀을 가공할 경우에는 단일 공정으로 홀을 생성하지 않고 동일한 중심 좌표를 공유하는 여러 가지 공정을 통해서 홀을 생성한다. 또한, 태핑 가공을 하기 위해서는 우선 탭의 중심점을 맞춰주는 센터 드릴링 가공이 선행되고, 그 이후에 드릴링 가공 및 태핑 가공이 이어져서 결과적으로 탭 형상이 완성된다. 즉, 임의의 형상을 얻기 위해서는 여러가지 필수적으로 선행되어야 하는 공정의 개수에 비례하여 수치 제어(NC)코드의 프로그래밍이 복잡해진다.
이때, 여러가지 공정에 대해서 각각의 공정별로 일일이 형상 정보와 가공 조건 값을 입력해야 하는 번거로움이 있는데, 이를 보완하기 위하여 종래에는 복합 형상을 가지는 특수 공구를 사용하거나, 대화형 프로그램과 같은 자동 수치제어(NC)코드를 생성하는 방법이 대두되었다.
그러나, 종래의 대화형 프로그램은 입력한 형상 정보에 맞는 공구가 공구 데이터베이스에 없는 경우에는 공구가 추천되지 않아 세부적인 공구의 파라미터 및 가공 조건 등을 직접 입력해야 하는 번거로움이 있었다.
또한, 각 공정별 가공 조건을 추천하는 종래의 기술은 이전 공정의 조건을 반영하여 공정 조건을 추천하는데 한계가 있다. 즉, 종래 기술에서 각 공정별 가공 조건을 추천하는 방법으로 이전 공정을 통해 변경된 형상을 반영하여 가공 조건을 제시하지 않는다. 따라서 사용자가 가공 조건을 변경함으로써 작업자의 숙련도에 영향을 많이 받게 되는 문제점이 있다.
그리고, 작업자가 입력한 가공 조건을 통해 시뮬레이션이 가능하지만, 충돌 및 경로를 확인하는 작업으로 한정되어 있으며, 가공 조건을 추천하기 위한 데이터를 수집하는 방법이 존재하지 않는다.
한국 공개특허공보 제10-2014-0085982호(공개일 : 2014.07.08)
전술한 문제점을 해결하기 위한 본 발명의 목적은, 작업자가 입력한 가공 조건을 통해 생성한 NC 코드에서, X, Y, Z 좌표값, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM 등의 데이터를 신경망 알고리즘에 입력하여, 신경망 알고리즘을 통해 학습한 결과에 기초하여 황삭, 중삭, 정삭, 면삭, 포켓, 홀 등의 가공 공정 종류와 공정 파라미터를 결정하여 출력할 수 있도록 하는, NC 데이터를 이용한 가공 공정 판별 시스템 및 그 방법을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 가공 공정 판별 시스템은, 사용자에 의해 선택된 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는 입력부; 상기 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정하는 데이터 처리부; 및 상기 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력하는 출력부를 포함한다.
본 발명의 실시예에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여 가공 공정의 종류를 판별할 수 있다.
본 발명의 실시예에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서 상기 가공 공정의 종류를 판별할 수 있다.
본 발명의 실시예에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터를 결정하며, 상기 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이 및 절입량을 포함할 수 있다.
본 발명의 실시예에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터와, 상기 가공 공정의 종류에 대한 가공 조건의 적합도를 결정하여 출력할 수 있다.
한편, 전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 NC 데이터를 이용한 가공 공정 판별 방법은, (a) 입력부를 통해 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는 단계; (b) 데이터 처리부에서 상기 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정하는 단계; 및 (c) 출력부에서 상기 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력하는 단계를 포함한다.
본 발명의 실시예에 따른 상기 (b) 단계에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여 가공 공정의 종류를 판별할 수 있다.
본 발명의 실시예에 따른 상기 (b) 단계에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서 상기 가공 공정의 종류를 판별할 수 있다.
본 발명의 실시예에 따른 상기 (b) 단계에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터를 결정하며, 상기 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이, 절입량을 포함할 수 있다.
본 발명의 실시예에 따른 상기 (b) 단계에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터와, 상기 가공 공정의 종류에 대한 가공 조건의 적합도를 결정할 수 있다.
본 발명의 다른 양상들, 장점들 및 특징들은 다음의 섹션들: 도면의 간단한 설명, 상세한 설명 및 청구범위를 포함하는 전체 출원 명세서에 기재된 내용에 기초하여 보다 명백해질 것이다.
본 발명에 의하면, NC 프로그램을 활용한 공정 판별 시스템을 통해 초보 작업자가 현재 작성된 가공 조건의 적합도를 확인하고 수정할 수 있다.
또한, 이전 공정으로 변경된 소재 조건을 반영하여 가공 조건을 추천할 수 있다.
또한, 본 발명을 통해 가공 조건을 추천할 수 있는 데이터의 수집이 가능하다는 장점이 있다.
그리고, CAM 혹은 대화형 프로그램 등을 사용하여 만들어진 NC 프로그램의 경우, NC 에서 특정 공정의 위치를 찾기 위해 주석 혹은 공구 번호에 의존하고 있지만, 본 발명에서는 NC 프로그램 코드를 통해 공정의 종류를 제공함으로써 사용자가 편집하고자 하는 위치를 보다 편하게 이동할 수 있어 가공 작업의 효율을 높일 수 있다.
도 1은 본 발명의 실시예에 따른 가공 공정 판별 시스템의 주요 구성을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따라 입력받는 NC 코드의 한 예를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 NC 데이터를 이용한 가공 공정 판별 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 데이터 처리부에서 신경망 알고리즘을 통해 학습한 결과를 출력하는 예를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 가공 공정의 종류를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 가공 공정의 종류에 적합한 파라미터로서 가공 조건의 적합도를 나타낸 도면이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우 뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.
제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.
여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.
"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 본 발명의 실시예에 따른 가공 공정 판별 시스템의 주요 구성을 개략적으로 나타낸 구성도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 가공 공정 판별 시스템(100)은, 입력부(110)와 데이터 처리부(120) 및 출력부(130)를 포함한다.
입력부(110)는 사용자에 의해 선택된 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는다.
여기서, NC 코드는 도 2에 도시된 바와 같이, 작업자의 의해 선택된 가공 공정의 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 데이터로서, 동일 기술분야에서 일반적으로 알려져 있으므로 자세한 설명은 생략한다. 도 2는 본 발명의 실시예에 따라 입력받는 NC 코드의 한 예를 나타낸 도면이다. 도 2에서, 좌측은 NC 코드를 나타내고, 우측은 NC 코드에 따른 X, Y, Z 축의 신호 특성(Feature)을 나타낸다.
또한, 입력부(110)는 NC 데이터를 신경망 알고리즘을 통해 학습하여 가공 공정의 종류를 판별한 이후에는 해당 가공 공정의 종류에 적합한 파라미터를 판별하기 위해 NC 데이터와 더불어 가공 공정의 종류를 입력받을 수 있다.
데이터 처리부(120)는 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정한다.
여기서, 신경망(neural network) 알고리즘은 복잡한 다중 입력과 방향성 피드백 루프와 단방향 또는 양방향 그리고 다양한 계층 등 여러가지 종류가 있다. 전반적으로 이들 시스템의 알고리즘은 각각 함수의 제어와 연결을 결정하게 된다. 대부분의 시스템은 "가중치"와 다양한 신경들의 연결을 시스템의 매개 변수를 수정하는데 사용된다. 인공 신경망은 자동적으로 외부의 훈련으로부터 자동적으로 학습을 하거나 스스로 데이터를 사용해서 발전 될 수 있다.
본 발명의 실시예에 따른 신경망 알고리즘은, 전방 전달 신경망(Feedforward neural network), 방사 신경망(Radial basis function network), 코헨 자기조직 신경망(kohonen self-organizing network), 순환 인공 신경망(Recurrent neural network) 등을 포함하는 다수의 신경망 알고리즘 중 하나로 구현할 수 있다.
전방 전달 신경망은 가장 간단한 방법의 인공 신경망 방법이다. 신경망 정보가 입력 노드에서 은닉노드를 거쳐 출력 노드까지 전달 되며 순환 경로가 존재하지 않는 그래프를 형성한다. 다양한 방법의 구조가 존재하는데 이진 구조, 퍼셉트론, 시그모이드 등등 여러가지 방법으로 구성 할 수 있다.
방사상 인공 신경망은 다차원의 공간의 보간법에 매우 강력한 능력을 가지고 있다. 방사 함수는 다 계층의 시그모이드 함수를 은닉 노드에서 사용하는 형태를 대체할 수 있다.
자기조직 신경망 알고리즘은 대표적인 신경망 알고리즘 중 하나로 대부분의 신경망 알고리즘이 지도(supervised) 학습방법을 사용하는 것과는 대조적으로 자율(unsupervised) 학습방법과 경쟁(competitive) 학습방법을 사용한다. 신경망은 입력층과 경쟁층으로 나뉘고, 경쟁층의 각 뉴런은 연결강도 벡터와 입력벡터가 얼마나 가까운가를 계산한다. 그리고 각 뉴런들은 학습할 수 있는 특권을 부여 받으려고 서로 경쟁하는데 거리가 가장 가까운 뉴런이 승리하게 된다. 이 승자 뉴런이 출력신호를 보낼 수 있는 유일한 뉴런이다. 또한 이 뉴런과 이와 인접한 이웃 뉴런들만이 제시된 입력 벡터에 대하여 학습이 허용된다.
순환 인공 신경망은 전방 신경망과 정 반대의 동작을 한다. 노드들 간의 양방향 데이터가 이동하며, 데이터는 선형적으로 전달이 된다. 데이터가 후방 노드에서 전방노드로 전달하여 연산이 수행될 수 도 있다.
본 발명의 실시예에서, 신경망 알고리즘은 도 4에 도시된 바와 같이 f1(x) 신경망 알고리즘과, f2(x) 신경망 알고리즘을 포함한다.
즉, 데이터 처리부(120)는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 NC 코드를 제1 신경망 알고리즘(f1(x))을 통해 학습하여 가공 공정의 종류를 판별할 수 있다.
또한, 데이터 처리부(120)는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 NC 코드를 제1 신경망 알고리즘(f1(x))을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서, 가공 공정의 종류를 판별할 수 있다.
또한, 데이터 처리부(120)는, 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘(f2(x))에 입력하여 학습한 결과에 기초하여, 가공 공정의 종류에 적합한 파라미터를 결정하며, 이때의 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이 및 절입량 등을 포함할 수 있다.
그리고, 데이터 처리부(120)는, 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘(f2(x))에 입력하여 학습한 결과에 기초하여, 가공 공정의 종류에 적합한 파라미터와, 가공 공정의 종류에 대한 가공 조건의 적합도를 결정할 수 있다.
출력부(130)는 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력한다.
도 3은 본 발명의 실시예에 따른 NC 데이터를 이용한 가공 공정 판별 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 3을 참조하면, 본 발명의 실시예에 따른 가공 공정 판별 시스템(100)은, 입력부(110)를 통해 NC(numerical control) 코드를 입력받는다(S310).
이때, 입력부(110)는 작업자(사용자)에 의해 데이터를 선택 입력받는 장치 뿐만 아니라, 원격지에 있는 가공 장치로부터 NC 데이터를 전송받아 입력받을 수 있으며, 이 경우에 입력부(110)는 통신부가 될 수 있다.
이어, 데이터 처리부(120)는 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정한다(S320).
여기서, 데이터 처리부(120)는 도 4에 도시된 바와 같이 제1 신경망 알고리즘(f1(x))과, 제2 신경망 알고리즘(f2(x))을 구비한다. 도 4는 본 발명의 실시예에 따른 데이터 처리부에서 신경망 알고리즘을 통해 학습한 결과를 출력하는 예를 나타낸 도면이다.
즉, 데이터 처리부(120)는 도 4에 도시된 바와 같이, NC 데이터를 제1 신경망 알고리즘(f1(x))에 입력하여 학습한 후 가공 공정의 종류를 출력하고, 또한 NC 데이터와 가공 공정의 종류를 제2 신경망 알고리즘(f2(x))에 입력하여 학습한 후 해당 가공 공정의 종류에 적합한 파라미터를 출력하는 것이다.
이때, 데이터 처리부(120)는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 NC 코드를 f1(x) 신경망 알고리즘을 통해 학습하여, 도 5에 도시된 바와 같이 황삭 포켓 공정, 정삭 포켓 공정, 윤곽 공정 등 가공 공정의 종류를 판별하여 출력할 수 있다. 도 5는 본 발명의 실시예에 따른 가공 공정의 종류를 나타낸 도면이다. 도 5에 도시된 바와 같이, 가공 공정의 종류에 따라 NC 데이터의 X, Y, Z 위치 값에 의해 생성되는 경로는 해당 가공 공정을 판단할 만한 특징들을 가지고 있다. 도 5에서, 황삭 포켓 공정은 특정 높이를 가진 육면체 형상을 절삭하는 가공 공정이고, 정삭 포켓 공정은 특정 높이를 가진 육면체의 잔삭을 절삭하는 가공 공정이며, 윤곽 공정은 사각형의 테두리를 절삭하는 가공 공정을 나타낸다.
즉, 데이터 처리부(120)는, NC 코드, 즉 X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 NC 코드를 f1(x) 신경망 알고리즘을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서 가공 공정의 종류를 판별할 수 있다. 여기서, f1(x) 신경망 알고리즘은 NC 프로그램에 의해 추출된 데이터들의 정보로 학습시킨 신경망으로서 NC 데이터를 입력받아 학습한 후 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정의 종류를 판별하는 것이다.
또한, 데이터 처리부(120)는, 도 4에 도시된 바와 같이 NC 코드와, 가공 공정의 종류를 f2(x) 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 가공 공정의 종류에 적합한 파라미터를 결정할 수 있다. 이때, 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이, 절입량 등을 포함한다.
즉, 데이터 처리부(120)는, NC 코드와, 현재의 가공 공정의 종류를 f2(x) 신경망 알고리즘에 입력하여 학습하고, 상기 선택 입력된 가공 공정의 종류에 적합한 파라미터로서, 도 6에 도시된 바와 같이 선택 입력된 가공 공정에 대한 가공 조건의 적합도를 결정할 수 있다. 도 6은 본 발명의 실시예에 따른 가공 공정의 종류에 적합한 파라미터로서 가공 조건의 적합도를 나타낸 도면이다.
이어, 출력부(130)는 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력한다(S330).
즉, 데이터 처리부(120)는 가공 공정의 파라미터로서 도 6에 도시된 바와 같이 선택 입력된 가공 공정의 종류에 대한 가공 조건의 적합도를 출력부(130)를 통해 화면 상에 출력하는 것이다.
예를 들면, 도 6에서, 데이터 처리부(120)는 f2(x) 신경망 알고리즘에 가공 공정의 종류로서 황삭 공정을 입력한 경우에, 학습한 결과에 기초하여 황삭 공정에 적합한 공구 파라미터로서 R20 공구와 적합도 100%를 결정하는 것이다. 이는 황삭 공정에 대해 R10 공구를 사용하면 가공 조건의 적합도가 50%인 반면에 황삭 공정에 대해 R20 공구를 사용하면 가공 조건의 적합도가 100%가 되므로, 데이터 처리부(120)는 적합한 파라미터로서 R20 공구와 적합도 100%를 결정한 것이다.
또한, 도 6에서, 데이터 처리부(120)는 f2(x) 신경망 알고리즘에 가공 공정의 종류로서 정삭 가공을 입력한 경우에, 학습한 결과에 기초하여 정삭 공정에 적합한 공구 파라미터로서 R10 공구와 적합도 100%를 결정하는 것이다. 이는 정삭 공정에 R10 공구를 사용하면 가공 조건의 적합도가 100%인 반면에 정삭 공정에 R20 공구를 사용하면 가공 조건의 적합도가 50%로 반감이 되므로, 데이터 처리부(120)는 정삭 공정에 적합한 파라미터로서 R10 공구와 적합도 100%를 결정한 것이다.
이때, f2(x) 신경망 알고리즘은 NC 데이터와 가공 공정의 종류를 입력받아 학습한 후 도 6에 도시된 바와 같이 입력받은 가공 공정의 종류에 대해 가공 공정의 파라미터로서 예컨대, 각 공정에 적합한 공구와, 각 공구 별로 가공 조건의 적합도를 판별하게 되는 것이다.
이에 따라, 출력부(130)는 데이터 처리부(120)에서 신경망 알고리즘을 통해 결정된 가공 공정의 종류 또는 가공 공정에 적합한 파라미터를 작업자(사용자)가 인식할 수 있도록 화면이나 음성 등으로 출력하는 것이다.
전술한 바와 같이 본 발명에 의하면, 작업자가 입력한 가공 조건을 통해 생성한 NC 코드에서, X, Y, Z 좌표값, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM 등의 데이터를 신경망 알고리즘에 입력하여, 신경망 알고리즘을 통해 학습한 결과에 기초하여 황삭, 중삭, 정삭, 면삭, 포켓, 홀 등의 가공 공정 종류와 공정 파라미터를 결정하여 출력할 수 있도록 하는, NC 데이터를 이용한 가공 공정 판별 시스템 및 그 방법을 실현할 수 있다.
본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 가공 공정 판별 시스템
110 : 입력부
120 : 데이터 처리부
130 : 출력부

Claims (10)

  1. 사용자에 의해 선택된 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는 입력부;
    상기 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정하는 데이터 처리부; 및
    상기 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력하는 출력부;
    를 포함하는, 가공 공정 판별 시스템.
  2. 제 1 항에 있어서,
    상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여 가공 공정의 종류를 판별하는, 가공 공정 판별 시스템.
  3. 제 1 항에 있어서,
    상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서 상기 가공 공정의 종류를 판별하는, 가공 공정 판별 시스템.
  4. 제 1 항에 있어서,
    상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터를 결정하며, 상기 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이 및 절입량을 포함하는, 가공 공정 판별 시스템.
  5. 제 1 항에 있어서,
    상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터와, 상기 가공 공정의 종류에 대한 가공 조건의 적합도를 결정하여 출력하는, 가공 공정 판별 시스템.
  6. (a) 입력부를 통해 공정 유형에 대응되는 형상 정보 및 가공 조건에 따라 생성된 NC(numerical control) 코드를 입력받는 단계;
    (b) 데이터 처리부에서 상기 입력받은 NC 코드를 신경망 알고리즘을 통해 학습하고 처리하여 가공 공정의 종류와 공정 파라미터를 결정하는 단계; 및
    (c) 출력부에서 상기 결정된 가공 공정의 종류 또는 가공 공정의 파라미터를 음성 또는 화면으로 출력하는 단계;
    를 포함하는, NC 데이터를 이용한 가공 공정 판별 방법.
  7. 제 6 항에 있어서,
    상기 (b) 단계에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여 가공 공정의 종류를 판별하는, NC 데이터를 이용한 가공 공정 판별 방법.
  8. 제 6 항에 있어서,
    상기 (b) 단계에서 상기 데이터 처리부는, X 좌표, Y 좌표, Z 좌표, 회전축, G 코드, M 코드, 피드(Feed), 드웰(Dwell), RPM, 공구 직경, 공구 길이를 포함하는 상기 NC 코드를 제1 신경망 알고리즘을 통해 학습하여, 황삭, 중삭, 정삭, 면삭, 포켓, 홀, 윤곽 공정 중 하나의 가공 공정으로서 상기 가공 공정의 종류를 판별하는, NC 데이터를 이용한 가공 공정 판별 방법.
  9. 제 6 항에 있어서,
    상기 (b) 단계에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터를 결정하며, 상기 파라미터는 피드(Feed), RPM, 공구 직경, 공구 길이, 절입량을 포함하는, NC 데이터를 이용한 가공 공정 판별 방법.
  10. 제 6 항에 있어서,
    상기 (b) 단계에서 상기 데이터 처리부는, 상기 입력받은 NC 코드 및 가공 공정의 종류를 제2 신경망 알고리즘에 입력하여 학습한 결과에 기초하여, 상기 가공 공정의 종류에 적합한 파라미터와, 상기 가공 공정의 종류에 대한 가공 조건의 적합도를 결정하는, NC 데이터를 이용한 가공 공정 판별 방법.
KR1020170081257A 2017-06-27 2017-06-27 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법 KR20190001371A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170081257A KR20190001371A (ko) 2017-06-27 2017-06-27 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170081257A KR20190001371A (ko) 2017-06-27 2017-06-27 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190001371A true KR20190001371A (ko) 2019-01-04

Family

ID=65017826

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170081257A KR20190001371A (ko) 2017-06-27 2017-06-27 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR20190001371A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889107A (zh) * 2018-09-11 2020-03-17 青岛海信电器股份有限公司 密码输入方法、设备、客户端设备和虚拟现实设备
CN111222185A (zh) * 2019-12-31 2020-06-02 Oppo广东移动通信有限公司 移动终端及其可视角度调节方法
CN111273611A (zh) * 2020-01-06 2020-06-12 襄阳科威电气有限公司 一种数控机床信息录入方法及其智能数控系统
CN111624951A (zh) * 2019-02-28 2020-09-04 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111857054A (zh) * 2020-07-15 2020-10-30 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
KR20220096342A (ko) * 2020-12-31 2022-07-07 현대위아 주식회사 공작기계용 애플리케이션 추천 방법
JP7181440B1 (ja) * 2022-04-25 2022-11-30 ファナック株式会社 診断用データ収集装置、診断用データ収集方法、記録媒体、及び制御装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889107A (zh) * 2018-09-11 2020-03-17 青岛海信电器股份有限公司 密码输入方法、设备、客户端设备和虚拟现实设备
CN111624951A (zh) * 2019-02-28 2020-09-04 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111624951B (zh) * 2019-02-28 2024-04-23 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111222185A (zh) * 2019-12-31 2020-06-02 Oppo广东移动通信有限公司 移动终端及其可视角度调节方法
CN111273611A (zh) * 2020-01-06 2020-06-12 襄阳科威电气有限公司 一种数控机床信息录入方法及其智能数控系统
CN111857054A (zh) * 2020-07-15 2020-10-30 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
CN111857054B (zh) * 2020-07-15 2021-10-08 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
KR20220096342A (ko) * 2020-12-31 2022-07-07 현대위아 주식회사 공작기계용 애플리케이션 추천 방법
JP7181440B1 (ja) * 2022-04-25 2022-11-30 ファナック株式会社 診断用データ収集装置、診断用データ収集方法、記録媒体、及び制御装置

Similar Documents

Publication Publication Date Title
KR20190001371A (ko) Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법
Amaitik et al. An intelligent process planning system for prismatic parts using STEP features
US9964931B2 (en) Numerical controller with machining condition adjustment function which reduces chatter or tool wear/breakage occurrence
D’addona et al. Genetic algorithm-based optimization of cutting parameters in turning processes
US5485390A (en) Inductive-deductive process design for machined parts
US20030187624A1 (en) CNC control unit with learning ability for machining centers
CN105652800B (zh) 工具路径曲线化方法以及工具路径曲线化装置
CN102890476B (zh) 深孔钻编程方法及系统
Rashid et al. Surface roughness prediction for CNC milling process using artificial neural network
JPWO2020121477A1 (ja) 機械学習装置、加工プログラム生成装置および機械学習方法
EP4115249A1 (en) Systems and methods for automated prediction of machining workflow in computer aided manufacturing
Monostori et al. Hybrid AI solutions and their application in manufacturing
CN107491036B (zh) 机床加工能耗控制方法及加工机床
JPWO2020012581A1 (ja) 機械学習装置、数値制御加工プログラム生成装置および機械学習方法
CN109116810A (zh) 数值控制装置
WO2021029036A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
WO2000019350A1 (en) Self organizing industrial control system using bidding
CN105137919B (zh) 一种生成特征阵列数控宏程序的方法
Morozov Neuro-fuzzy approach for the calibration of high-precision embedded systems
Barclay et al. Generating milling tool paths for prismatic parts using genetic programming
Epureanu et al. Reconfigurable machine tool programming–a new approach
Joo et al. Dynamic planning model for determining cutting parameters using neural networks in feature-based process planning
Dereli et al. Determination of optimal turret-index positions of cutting tools by using genetic algorithms
Mohammadian et al. Adaptive two layer fuzzy control of a mobile robot system
Hailu et al. Embedding knowledge in reinforcement learning