KR20200114231A - 볼트 축력 예측 방법 - Google Patents

Abstract

본 발명은 데이터 취득장치에 의해 취득한 볼트 축력에 대한 학습 신호를 신호처리 및 분석장치에 의해 변환 및 분석하는 단계, 상기 변환 및 분석하는 단계에 의해 신호 특징에 따라 그룹별로 구별된 학습 신호를 예측하고자 하는 판별 신호와 비교하는 단계 및 상기 비교하는 단계에 의해 상기 그룹별로 구별된 학습 신호 중 가장 유사한 그룹의 신호에 해당하는 축력을 상기 판별 신호의 축력으로 예측하는 단계를 포함하는 볼트 축력 예측 방법으로서, 본 발명에 의하면, 볼트 축력을 비교적 간단하고, 정확도가 보다 향상되어 실시간 예측이 가능하게 한다.

Description

볼트 축력 예측 방법{METHOD FOR PREDICTION AXIAL FORCE OF A BOLT}

본 발명은 체결 수단으로서 결합되는 볼트의 체결력을 예측하는 방법에 관한 것이다.

볼트는 부품간 체결에 중요한 요소로 사용된다.

강 구조물의 접합부에는 규정에 적합한 볼트를 사용하여야 하고, 볼트의 축력은 엄격하게 관리되어야 한다.

한국산업규격(Korean industrial Standards; KS)은 볼트의 종류를 토크계수에 따라 A종과 B종으로 분류하고, 적합한 토크계수를 규정하고 있다.

KS규격은 A종 볼트에 대해서는 토크계수의 평균값이 0.11~0.15에 적합하도록, B종 볼트에 대해서는 토크계수의 평균값이 0.15~0.19에 적합하도록 규정하고 있다.

볼트의 체결 축력은 토크값, 토크계수 및 볼트의 직경으로부터 계산될 수 있고, 토크값을 조절함으로써 원하는 체결 축력을 얻을 수 있다.

볼트의 축력 관리를 위하여 조임 방법이 사용되고 있으며, 일반적으로 볼트의 조임 방법은 토크제어방식(Torque control method)과 너트 회전각 방식(turn of the nut method)으로 분류된다.

너트 회전각 방식은 너트의 회전각도를 이용하기 때문에 축력의 산포가 상대적으로 적은 이점이 있다.

이에 비해, 토크제어방식은 토크값의 상한 및 하한을 결정하고 토크렌치를 이용하여 볼트를 조이기 때문에 작업성이 우수한 이점이 있다.

그러나, 볼트의 토크계수는 일정하게 유지되지 않고, 물리적 요인인 볼트의 길이 및 환경적 요인인 온도와 같은 여러 가지 요인으로 인해 변경될 수 있다.

따라서, 토크제어방식은 토크계수의 변화로 인하여 축력의 산포가 큰 단점이 있다.

또한, 현장에서는 토크렌치를 사용하여 볼트를 조인 후, 별도의 계측장치를 사용하여 조여진 볼트의 축력을 측정하는 것이 요구되는 불편함이 있다.

따라서, 볼트가 적절한 체결력을 유지하기 위하여 볼트 체결력을 예측하는 것은 중요하다.

한편, 최근 인공지능을 이용한 각종 예측 기술들이 등장하고 있다.

그 중에서도 볼트의 체결력에 대하여 인공 신경망을 통한 예측 기술이 제안되었으며, 도 1은 그러한 인공 신경망법을 이용한 축력 예측 방법을 도시한 것이다.

도 1과 같은 종래 인공 신경망을 이용한 축력 예측법은 센서부를 통해 취득한 신호에서 Cepstral Coefficient 와 STFT(Short Time Fourier Transformation)를 각각 도출한다.

Cepstral Coefficient의 경우 취득한 신호를 소음의 영향을 줄이기 위해 고주파대역만을 하이패스필터를 사용하여 추출한다.

그 후에 각각의 프레임에 대푯값을 뽑은 후 수백 개로 등분된 주파수영역에 각각 이등변 삼각형 형태 분포의 가중치를 곱한 후 합산하여 구한다.

산출된 값에 Log를 취하고 Discrete Cosine Transform을 거쳐서 Cepstral Coefficient를 도출한다.

STFT의 경우 취득 신호를 짧은 시간을 기준으로 50%의 겹침구간을 가지면서 Fast Fourier Transform을 거쳐 수백 여개의 프레임을 갖는 주파수 영역 데이터로 변환된다.

이러한 Cepstral Coefficient 및 STFT된 데이터의 특징은 Supervised Signal로 입력되며 비용 함수를 이용한 경사하강법을 통해 다층 Weight Matrix Layer를 형성하며 이를 이용하여 축력 예측값을 표시한다.

그러나, 이와 같은 종래의 예측 기술은 다소 복잡하여 실시간 축력 예측이 어렵고 정확도도 낮은 한계가 있다.

이상의 배경기술에 기재된 사항은 발명의 배경에 대한 이해를 돕기 위한 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

KR 2009-0015359 A KR 411094 B1 KR 317522 B1

본 발명은 상술한 문제점을 해결하고자 안출된 것으로서, 본 발명은 비교적 간단하고, 정확도가 보다 향상되어 실시간 예측이 가능한 볼트 축력 예측 방법을 제공하는 데 그 목적이 있다.

본 발명의 일 관점에 의한 볼트 축력 예측 방법은, 데이터 취득장치에 의해 취득한 볼트 축력에 대한 학습 신호를 신호처리 및 분석장치에 의해 변환 및 분석하는 단계, 상기 변환 및 분석하는 단계에 의해 신호 특징에 따라 그룹별로 구별된 학습 신호를 예측하고자 하는 판별 신호와 비교하는 단계 및 상기 비교하는 단계에 의해 상기 그룹별로 구별된 학습 신호 중 가장 유사한 그룹의 신호에 해당하는 축력을 상기 판별 신호의 축력으로 예측하는 단계를 포함한다.

여기서, 상기 변환 및 분석하는 단계는 입력된 학습 신호를 비선형 함수인 tanh 함수를 적용하여 신호 처리하는 것을 특징으로 한다.

그리고, 상기 학습 신호로 입력되는 시계열 데이터는 각각의 노드마다 가중치가 적용되고, 상기 변환 및 분석하는 단계는 상기 가중치를 Adam Optimization 에 의해 최적화하는 것을 특징으로 한다.

이러한 상기 Adam Optimization 은 손실 함수에 의해 계산되는 손실값을 줄이는 방향을 추적함으로써 상기 가중치를 최적화하는 것을 특징으로 한다.

또한, 상기 손실 함수에 의해 계산되는 손실값은 하기 수학식과 같은 것을 특징으로 한다.

여기서, 상기 Class 유사도는 0~1의 값을 가지고, 상기 Class 번호는 1~31의 값을 가지는 것을 특징으로 한다.

본 발명의 볼트 축력 예측 방법에 의하면, 비선형 함수, 손실함수 및 Adam Optimization을 이용한 순환 신경망법에 의해서 판별신호의 축력을 예측함으로써, 손실값을 최소화하고 예측 정확도를 보다 높일 수 있다.

도 1은 종래의 볼트 축력 예측 방법을 도시한 것이다.
도 2는 본 발명에 의한 볼트 축력 예측 방법을 도시한 것이다.
도 3a 내지 도 7은 본 발명에 의한 볼트 축력 예측 방법의 세부 단계를 구체적으로 설명하기 위한 도면이다.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시 예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.

본 발명의 바람직한 실시 예를 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지의 기술이나 반복적인 설명은 그 설명을 줄이거나 생략하기로 한다.

도 2는 본 발명에 의한 볼트 축력 예측 방법을 도시한 것이고, 도 3a 내지 도 7은 본 발명에 의한 볼트 축력 예측 방법의 세부 단계를 구체적으로 설명하기 위한 도면이다.

이하, 도 2 내지 도 7을 참조하여 본 발명의 일 실시예에 의한 볼트 축력 예측 방법을 설명하기로 한다.

본 발명은 순환 신경망법을 적용하여 기존의 인공지능을 이용한 볼트 축력 예측 방법에 비해 비교적 간단하고, 정확도를 향상시켜 볼트 축력을 실시간 예측하기 위한 것이다.

도 2를 통해 전체적으로 살펴보면, 먼저 데이터 취득장치를 통해서 시계열 데이터를 취득하여(S10), 취득된 시계열 데이터를 신호처리 및 분석장치(S20)에 의해 분석하여 볼트 축력 예측값을 도출하는 과정(S30)에 의한다.

여기서, 취득한 시계열 데이터는 체결정도에 따른 정보를 담고 있다.

시계열 데이터 분석단계는 우선, 학습 신호 데이터를 Input Gate에 넣으면(S21) 비선형 함수를 통해 시계열 사이의 정보를 주고 받으며(S22), Forget Gate로 들어간다(S23). Forget Gate에서는 시계열 앞쪽 데이터가 뒤쪽 데이터에 미치는 영향력을 판단한다. 영향력이 주요한 경우 가중치를 높게 주고 미미한 경우 기억에서 없애버린다.

그리고, 손실함수를 이용한(S24) Adam Optimization 기법을 통해(S25) Input Gate 에서 유효한 분석과 Forget Gate에서 영향력을 잘 분석하는 방향으로 가중치를 최적화 한다. 분석을 마친 시계열 데이터는 체결력 그룹별 Probability vector로 나타내어지며(S26), 이를 예측 대상이 되는 판별 신호 데이터와 비교함으로써, 가장 높은 확률을 가지는 그룹의 체결력으로 해당 판별 신호의 예측값을 표시한다(S30).

부연하면, 체결력을 측정할 수 있도록 세팅된 실험실의 실부품 데이터를 이용하여 학습 모델을 구성하고, 실부품 데이터에서 적용한 데이터 처리 방법과 동일한 방법으로 데이터를 가공한 후 학습 모델에 실제 공장에서 가공 데이터를 입력하고 판별을 진행하게 된다.

이 때 볼트의 체결력을 원하는 구간 단위(Ex: 50 kN에서 80 kN까지 1 kN씩)로 Class를 부여한다. 부여된 Class가 갖는 특징은 체결력 별로 상이하게 되며 입력된 신호와의 특징 비교를 통하여 가장 유사도가 높은 Class로 입력신호를 판별하는 방식으로 체결력을 예측하게 되는 것이다.

이하, 도 3a 내지 도 7을 참고하여, 본 발명의 볼트 축력 예측 방법의 세부 단계를 보다 구체적으로 설명한다.

도 3a 내지 도 3c는 학습 신호 데이터를 생성, 입력 및 처리하는 과정을 나타낸 것이다.

학습 신호 데이터인 입력 신호의 STFT(Short Time Fourier Transformation)를 뽑으면 체결시간이 진행되면서 주파수가 증가하는 것을 알 수 있다. 볼트의 체결성분이 8000Hz까지 존재하는데 한 시간 대역의 주파수 변화를 0Hz부터 8000Hz까지를 추출하면 주파수에 따른 Amplitude로 구성된 새로운 시계열을 얻을 수가 있다. 이 때 3stage 체결이 1.25초 동안 진행 되는데 이 시간을 특정시간(0.035초)으로 분할하면 총 35구간(t1~t35)이 생성된다.

이를 모든 구간에 전부 적용하여 새로운 시계열을 만든 후 Amplitude Limit을 걸어서 데이터를 자르면 주파수가 증가할수록 더 많은 데이터가 쌓이게 된다. 이렇게 전 구간 데이터를 합치면 시간에 따라서 주파수가 증가하는 새로운 시계열을 얻을 수 있게 되는데 이것이 LSTM(Long Short Term Memory)에 입력으로 들어갈 시계열이 된다. 체결력이 높을수록 주파수 성분이 크므로 더 많은 성분이 쌓인 시계열이 생성되어 체결력에 따른 특성을 반영한 시계열을 가지게 된다.

이렇게 입력된 신호의 비선형 함수에 의한 학습 과정이 도 4a 내지 도 6에 나타낸 과정으로 진행된다.

레이어의 구성은 도 5와 같으며, 생성된 시계열을 LSTM Layer의 Input Gate에 넣어주면 순차적으로 입력이 된다. 각각의 노드에서는 이전 시간의 노드에 가중치를 곱한 값과 현재 시간의 노드에 가중치를 곱한 후 더해서 각 셀(cell)의 메커니즘을 나타낸 도 6과 같이 비선형 함수인 tanh함수를 씌우는 작업을 거치는데, 이렇게 하면 최적화 시 Adam Optimizer가 사용하는 기울기 값이 너무 작아져 사라지는 문제를 해결할 수 있고 시계열 사이의 특징도 명확하게 분석할 수 있다.

다음으로 분석이 끝난 시계열은 Forget Gate로 들어가게 되는데 시간대별 중요도를 가중치 값으로 분석하게 된다. 앞 시간의 데이터가 뒷 시간에 영향을 주지 못하면 Forget Gate에서 가중치를 낮게 줘서 잊어버리게 된다. 덴스 레이어(Dense Layer)는 시계열 정보를 종합하여 50kN~81kN의 31 Class 중 판별신호에 대해 각 Class와의 유사도를 측정함으로써, 측정한 유사도 중 가장 높은 유사도를 얻은 Class를 판별 체결력으로 확정한다.

이와 같은 순환 신경망법의 경우 이전 데이터의 입력 정보에 대한 가중치를 정하는 것이 중요하고, 도 7이 손실 함수를 이용한 Adam Optimization 과정을 설명하기 위한 것이다. 여기서, 손실값은 다음 수학식으로 표현될 수 있다.

판별신호를 판별하기 위해 가장 중요한 것은 LSTM Layer 와 Dense Layer 의 가중치 값을 학습을 통해 최적화 하는 것이다. 이를 위해 매 학습 시 마다 손실값을 계산하는데 Parameter 로 Dense Layer를 이용하여 모든 정보를 종합하여 만든 최종 출력값인 유사도와 시계열의 정답 Class 값을 사용한다. 유사도의 경우 0~1 사이의 값을 가지고 Class 번호인 k는 1~31 사이이다. 이 손실값이 0으로 갈수록 학습이 잘 되었다고 할 수 있는데 0으로 가는 경로를 찾는 방법이 Adam Optimizer이다.

Adam Optimizer는 가중치 값 한 개가 미소만큼 변할 때 손실값에 미치는 영향을 계산하여 손실값을 줄이는 방향을 조금씩 찾아 움직인다. 그러기 위해서는 기울기 값을 사용해야 하는데 특히 Adam Optimizer는 기울기의 지수평균과 기울기 제곱 값의 지수평균을 계산하여 경로를 찾아간다. 이와 같은 반복학습을 통해서 경로를 계속해서 찾아가면 가중치들이 충분히 갱신되어 손실값이 줄어들고 예측 정확도가 높아지게 된다.

본 발명은 이와 같이 비선형 함수, 손실함수 및 Adam Optimization을 이용한 순환 신경망법에 의해서 판별신호의 축력을 예측함으로써, 손실값을 최소화하고 예측 정확도를 보다 높일 수 있다.

이상과 같은 본 발명은 예시된 도면을 참조하여 설명되었지만, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정 예 또는 변형 예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이며, 본 발명의 권리범위는 첨부된 특허청구범위에 기초하여 해석되어야 할 것이다.

S10 : 데이터 취득
S20 : 신호처리 및 분석
S30 : 축력 예측값 산출

Claims (6)

1. 데이터 취득장치에 의해 취득한 볼트 축력에 대한 학습 신호를 신호처리 및 분석장치에 의해 변환 및 분석하는 단계;
   상기 변환 및 분석하는 단계에 의해 신호 특징에 따라 그룹별로 구별된 학습 신호를 예측하고자 하는 판별 신호와 비교하는 단계; 및
   상기 비교하는 단계에 의해 상기 그룹별로 구별된 학습 신호 중 가장 유사한 그룹의 신호에 해당하는 축력을 상기 판별 신호의 축력으로 예측하는 단계를 포함하는,
   볼트 축력 예측 방법.
2. 청구항 1에 있어서,
   상기 변환 및 분석하는 단계는 입력된 학습 신호를 비선형 함수인 tanh 함수를 적용하여 신호 처리하는 것을 특징으로 하는,
   볼트 축력 예측 방법.
3. 청구항 1에 있어서,
   상기 학습 신호로 입력되는 시계열 데이터는 각각의 노드마다 가중치가 적용되고, 상기 변환 및 분석하는 단계는 상기 가중치를 Adam Optimization 에 의해 최적화하는 것을 특징으로 하는,
   볼트 축력 예측 방법.
4. 청구항 3에 있어서,
   상기 Adam Optimization 은 손실 함수에 의해 계산되는 손실값을 줄이는 방향을 추적함으로써 상기 가중치를 최적화하는 것을 특징으로 하는,
   볼트 축력 예측 방법.
5. 청구항 4에 있어서,
   상기 손실 함수에 의해 계산되는 손실값은 하기 수학식과 같은 것을 특징으로 하는,
   볼트 축력 예측 방법.
   

   
6. 청구항 5에 있어서,
   상기 Class 유사도는 0~1의 값을 가지고, 상기 Class 번호는 1~31의 값을 가지는 것을 특징으로 하는,
   볼트 축력 예측 방법.

Images