KR20210022464A - 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법 - Google Patents

딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법 Download PDF

Info

Publication number
KR20210022464A
KR20210022464A KR1020190102017A KR20190102017A KR20210022464A KR 20210022464 A KR20210022464 A KR 20210022464A KR 1020190102017 A KR1020190102017 A KR 1020190102017A KR 20190102017 A KR20190102017 A KR 20190102017A KR 20210022464 A KR20210022464 A KR 20210022464A
Authority
KR
South Korea
Prior art keywords
thermal displacement
displacement correction
data
temperature
correction coefficient
Prior art date
Application number
KR1020190102017A
Other languages
English (en)
Inventor
김인탁
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 KR1020190102017A priority Critical patent/KR20210022464A/ko
Publication of KR20210022464A publication Critical patent/KR20210022464A/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
    • 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
    • B23Q15/18—Compensation of tool-deflection due to temperature or force
    • 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
    • G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B23Q2220/00—Machine tool components
    • B23Q2220/006—Spindle heads
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49206—Compensation temperature, thermal displacement, use measured temperature
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49219—Compensation temperature, thermal displacement

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

본 발명은 온도 변화 데이터 및 변위 변화 데이터를 이용하여 인공신경망을 통해 연 변위 계수를 산출하고 이에 따른 보정 값을 제공할 수 있는 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법에 대한 것으로, 딥러닝 기반의 인경 신경망으로 이루어진 열변위 보정 모델과 변위 보정 모델을 이용하여 장비의 각 구성부의 온도 데이터 및 변위 데이터를 통해 생성한 시계열 변위 데이터를 연산함으로써 미리 설정된 일정 구간 동안의 온도 및 변위 데이터를 입력 값으로 하는 2차원 입력 데이터를 이용한 열전도 시간 또는 온도에 따른 기구물의 변형 지연시간을 반영하여 산출한 열 변위 계수 및 위치 보정 값을 제공할 수 있으며, 이에 따라 장비의 가공 정밀도를 향상시키는 효과를 제공할 수 있다.

Description

딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법{thermal deformation compensating factor calculating apparatus using deep learning and method therefor}
본 발명은 딥러닝 기법을 이용한 열변위 보정계수 산출에 대한 것으로 더욱 자세하게는 공작 기계와 같은 고온, 고압의 상황에서 동작하는 장비들의 경우 장비운용 상황에서 운동면의 마찰로 인해 각종 구동부위에서 열이 발생하게 되고, 이에 따른 기구부의 변형이 가공정도에 악영향을 미치게 되어 장비의 성능이 좌우되는 문제를 해결하기 위하여, 온도 변화 데이터 및 변위 변화 데이터를 이용하여 인공신경망을 통해 연 변위 계수를 산출하고 이에 따른 보정 값을 제공할 수 있는 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법에 대한 것이다.
종래의 기술에 따르면 일반적으로 공작 기계와 같은 금속 구조물 장비의 경에는 장시간 운전하면 운동면의 마찰로 인해 각종 구동부위에서 열이 발생하게 되고 이에 따른 기구부의 변형이 가공정도에 악영향을 미치게 되었다.
특히, 고속/고정밀도 추세에 따라 주축의 높은 RPM회전 및 이송계의 고속화는 기구부에 열을 발생시키는 원인이 되어 장비의 성능을 좌우할수 밖에 없으며, 가공중에 안내면, 구동계, 공작물과의 접촉부위 등에서 열이 발생하는 상황을 피하기 어렵다.
그 뿐만 아니라 가공칩과 절삭유 등도 상당한 열을 가지면서 순환하여 공작기계 각부의 온도를 상승시키며, 스핀들 모터는 전기, 자기적인 영향에 의해 열이 발생되며, 스핀들 베어링은 접촉저항에 의해 열이 발생되고, 주축이 송용 볼 스크류는 부하저항에 의해 열이 발생하게 되고, 절삭유는 가공물과 공구에 의해 열을 가지면서 순환하게 되어 공구 및 공작물의 온도를 상승시킬 수밖에 없다
위와 같이 종래의 공작기계에서 필연적으로 발생되는 열은 각부의 안내면에 열팽창을 가져오게 되어 치수변화를 가져오게 되며, 특히 볼 스크류의 열변위는 회전 전달의 이송거리인 리드에 변화를 가져오게 되어 가공정밀도를 저하시키는 주 원인이 되어 왔다.
이를 해결하고자 종래에는 각 부위의 온도 값을 기반으로 재질의 팽창계수에 따라 위치 변화가 필요한 보정 값을 수하는 방법이 사용되었으나, 정확도가 상대적으로 떨어지며 해당 보정 값이 정확한지에 대한 피드백을 할 수 없어 그 정확한 성능 또는 확인하지 못하는 어려움이 존재하였다.
본 발명은 장비의 운용으로 발생한 열로 인하여 발생한 열 팽창을 예측하고 이에 따른 장비 각 구성부의 위치를 보정하기 위한 보정 값을 산출하기 위하여, 장비의 각 구성부의 온도 데이터 및 변위 데이터를 측정하여 시계열 변위 데이터 생성를 생성하고, 생성된 시계열 변위 데이터를 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출함으로써 열 변위 보정 계수 및 이에 따라 보정 값을 계산하여 장비의 각 구성부 별로 위치 보상 정보를 제공하는데 그 목적이 있다.
본 발명의 실시 예에 따르면 열변위 보정 계수 산출부를 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 인공 신경망으로 구현된 딥러닝 기반의 열변위 보정 모델을 이용하여, 미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정하여 온도 또는 변위 데이터를 생성하는 데이터 입력부; 측정된 온도 또는 변위 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성하는 시계열 변위 데이터 생성부; 및 상기 생성된 시계열 열변위 데이터를 상기 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출할 수 있다.
본 발명의 일 실시 예에 따르면 상기 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 재입력함으로써 상기 열변위 보정 모델을 학습하는 모델 학습부를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성하는 열변위 보정 테이블 생성부; 각 구성부에 부착된 센서로부터 실시간 온도 값을 수집하는 실시간 센서 데이터 수집부; 및 상기 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출하는 변위 보정 수행부를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행하는 위치 보상 수행부를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN 구조일수 있다.
본 발명의 일 실시 예에 따르면 상기 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출하고, 상기 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출할 수 있다.
본 발명의 일 실시 예에 따르면 상기 시계열 변위 데이터 생성부는, 시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행할 수 있다.
본 발명의 실시 예에 따르면 딥러닝 기법을 이용한 열변위 보정계수 산출방법은 인공 신경망으로 구현된 딥러닝 기반의 열변위 보정 모델을 이용하여, 미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정하여 온도 또는 변위 데이터를 생성하는 단계; 측정된 온도 또는 변위 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성하는 단계; 및 상기 생성된 시계열 열변위 데이터를 상기 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 재입력함으로써 상기 열변위 보정 모델을 학습하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성하는 단계; 각 구성부에 부착된 센서로부터 실시간 온도 값을 수집하는 단계; 및 상기 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면 상기 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN 구조일수 있다.
본 발명의 일 실시 예에 따르면 상기 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출하고, 상기 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출할 수 있다
본 발명의 일 실시 예에 따르면 상기 시계열 열변위 데이터를 생성하는 단계는, 시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행할 수 있다.
본 발명의 실시 예에 따르면 딥러닝 기반의 인경 신경망으로 이루어진 열변위 보정 모델과 변위 보정 모델을 이용하여 장비의 각 구성부의 온도 데이터 및 변위 데이터를 통해 생성한 시계열 변위 데이터를 연산함으로써 미리 설정된 일정 구간 동안의 온도 및 변위 데이터를 입력 값으로 하는 2차원 입력 데이터를 이용한 열전도 시간 또는 온도에 따른 기구물의 변형 지연시간을 반영하여 산출한 열 변위 계수 및 위치 보정 값을 제공할 수 있으며, 이에 따라 장비의 가공 정밀도를 향상시키는 효과를 제공할 수 있다.
도 1은 본 발명의 제1 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 2는 본 발명의 제2 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 3은 본 발명의 제3 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 4는 본 발명의 제4 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 5는 본 발명의 일 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치와 장비 간의 데이터 흐름을 보여주는 도면이다.
도 6은 본 발명의 일 실시 예에 따라 온도 및 변위량 데이터를 이용하여 시계열 열변위 데이터를 생성하는 것을 보여주는 도면이다.
도 7은 본 발명의 일 실시 예에 따라 시계열 열변위 데이터를 CNN 기반의 열변위 보정 모델에 입력하여 연산하는 과정을 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 열변위 보정 계수를 산출하는 세부 프로세스를 나타낸 흐름도이다.
도 9는 본 발명의 일 실시 예에 따른 장비 위치보상의 세부 프로세스를 나타낸 흐름도이다.
도 10은 본 발명의 실시 예에 딥러닝 기법을 이용한 열변위 보정계수 산출방법의 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 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.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 도면을 참조하여 본 발명의 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법에 대하여 설명한다.
도 1은 본 발명의 제1 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 1을 참조하면 본 발명의 제1 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 데이터 입력부(100), 시계열 변위 데이터 생성부(200), 열변위 보정 계수 산출부(300)를 포함할 수 있다.
본 발명의 실시 예에 따르면 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 인공 신경망으로 구현된 딥러닝 기반의 열변위 보정 모델을 이용하여 열변위 보정 계수를 산출할 수 있다.
데이터 입력부(100)는 미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정하여 온도 또는 변위 데이터를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 데이터 입력부(100)는 장비의 각 구성부에 위치한 온도 센서 또는 변위 센서를 이용하여 온도 값 및 변위량 데이터를 수집할 수 있다.
여기서 온도 센서 및 변위 센서는 각각 센서가 부착된 부분의 온도 값 및 변위 값을 측정할 수 있는 것이라면 제한 없이 사용될 수 있다.
본 발명의 일 실시 예에 따르면 온도 센서 및 변위 센서는 장비 운용 시 열이 많이 발생하거나 정밀도에 영향을 줄 수 있는 장비의 구성부에 부착될 수 있으며, 복수의 센서가 부착되어 이를 통해 센싱된 데이터를 획득할 수 있다.
본 발명의 일 실시 예에 따르면 미리 설정된 기준(측정 주기, 측정 범위 등)에 따라 장비의 각 구성부에 부착된 온도 또는 변위 센서로부터 측정된 데이터를 수신할 수 있다.
본 발명의 일 실시 예에 따르면 장비의 각 구성부에 부착된 온도 또는 변위 센서로부터의 측정은 장비의 운용이 정지된 상태에서 이루어질 수 있으나, 이에 한정되지 아니하고, 장비가 운용되고 잇는 상태에서도 측정이 이루어 질 수 있다.
시계열 변위 데이터 생성부(200)는 측정된 온도 또는 변위 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 시계열 변위 데이터 생성부(200)는 장비의 각 구성부에 부착된 온도 또는 변위 센서가 미리 설정된 주기에 따라 지속적으로 측정한 데이터 구간을 미리 설정된 일정 구간만큼 분할하여 다수의 시간 단위 별 데이터를 생성할 수 있다.
상기 실시 예에 따르면 시계열 변위 데이터 생성부(200)는 각 시간 단위 별 변위 데이터 및 온도 데이터를 그룹핑하여 각 시간 단위 별 시간의 흐름에 따른 온도와 변위의 변화량에 대한 정보가 포함되어 있는 시계열 변위 데이터를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행할 수 있다.
시계열 변위 데이터의 생성에 대해서는 도 6을 참조하여 더 자세하게 설명하도록 한다.
열변위 보정 계수 산출부(300)는 생성된 시계열 열변위 데이터를 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출할 수 있다.
본 발명의 일 실시 예에 따르면 생성된 복수의 시계열 열변위 데이터를 인공 신경망을 통해 형성된 열변위 보정 모델에 입력하여 열변위 보정계수를 산출할 수 있다.
또한 본 발명의 일 실시 예에 따르면 산출된 결과를 통해 열변위 보정 모델을 지속적으로 학습시켜 그 정확도를 높일 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN 구조로 이루어진 것일 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN(Convolution Neural Network) 구조일수 있으며, CNN 구조인 경우 다수의 합성곱 연산 레이어를 통해 각 특징 점을 추출하여 열 변위 보정 계수를 추출할 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출할 수 있고, 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출할 수 있다.
상기 실시 예에 따르면 열변위 보정 모델은 다수의 합성곱 레이어를 통해 각각 특징점들을 추출해낼 수 있으며, 추출된 특징점을 열변위 보정 연산을 수행할 수 있는 인공 신명망에 입력하여 열변위 보정 계수를 산출할 수 있다.
도 2는 본 발명의 제2 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 2를 참조하면 본 발명의 제2 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 본 발명의 제1 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치에 모델 학습부(400)를 더 포함할 수 있다.
모델 학습부(400)는 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 열변위 보정 모델에 재입력함으로써 열변위 보정 모델을 학습하여 그 정확성을 향상시킬 수 있다.
본 발명의 일 실시 예에 따르면 모델 학습부(400)는 산출된 열변위 보정 계수를 테스트 검정하여 그 결과에 따라 열변위 보정 모델을 교정할 수 있으며, 이후 교정된 열변위 보정 모델로 학습을 지속적으로 수행할 수 있다.
도 3은 본 발명의 제3 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 3을 참조하면 본 발명의 제3 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 본 발명의 제1 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치에 열변위 보정 테이블 생성부(500), 실시간 센서 데이터 수집부(600), 변위 보정 수행부(700)를 더 포함할 수 있다.
열변위 보정 테이블 생성부(500)는 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부를 대상으로 각 시간 단위 별로 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성할 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 테이블을 이용하여 장비의 각 구성부 별로 온도의 변화량에 따라 각 구성부의 위치가 보상 되어야할 보정 값을 산출할 수 있다.
실시간 센서 데이터 수집부(600)는 각 구성부에 부착된 센서로부터 실시간 온도 값을 수집할 수 있다.
본 발명의 일 실시 예에 따르면 현재 상태에서 장비의 각 구성부의 위치 보상 값을 산출할 수 있도록 각 구성부에 부착된 온도 센서로부터 실시간 온도 값을 수집할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부에 부착된 온도 센서로부터 실시간 온도 값을 일정 구간별로 나누어 수집할 수 있다.
변위 보정 수행부(700)는 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출할 수 있다.
본 발명의 일 실시 예에 따르면 변위 보정 수행부(700)는 보정 값을 도출하기 위하여 인공 신경망을 이용한 연산을 수행할 수 있으며, 수집된 실시간 온도 데이터 및 온도의 변화량에 매칭되는 열변위 보정 테이블 열변위 보정 계수를 이용하여 장비의 각 구성부의 위치 보상에 필요한 보정 값을 산출할 수 있다.
도 4는 본 발명의 제4 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치의 구성도이다.
도 4를 참조하면 본 발명의 제4 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치는 본 발명의 제3 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치에 위치 보상 수행부(800)를 더 포함할 수 있다.
위치 보상 수행부(800)는 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부별로 위치 보상을 수행하여 열전도 시간 또는 온도에 따른 기구물의 변형 지연시간을 반영함으로써, 장비의 가공 정밀도를 향상시킬 수 있다.
도 5는 본 발명의 일 실시 예에 따른 딥러닝 기법을 이용한 열변위 보정계수 산출장치와 장비 간의 데이터 흐름을 보여주는 도면이다.
도 5를 참조하면 본 발명의 일 실시 예에 따른 열변위 보정계수 산출장치와 장비 간의 데이터 흐름이 나타나 있다.
본 발명의 일 실시 예에 따르면 열변위 보정계수 산출장치는 크게 위치 보상 제어 장치와 열변위 보정 값 계산장치로 나누어 질 수 있으며, 위치 보상 제어 장치는 장비의 각 구성부에 부착되어 있는 온도 센서와 변위 센서로부터 온도 및 변위 데이터를 입력 받을 수 있으며, 해당 데이터를 열변위 보정 값 계산장치로 전달할 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 값 계산장치는 측정된 온도 또는 변위량 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성할 수 있으며, 생성된 시계열 열변위 데이터를 상기 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출할 수 있다.
상기 실시 예에 따르면 열변위 보정 값 계산장치는 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성하고 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출할 수 있다.
본 발명의 일 실시 예에 따르면 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 산출하기 위하여 열변위 보정 모델을 이용하여 연산을 수행할 수 있다.
본 발명의 일 실시 예에 따르면 위치 보상 제어 장치는 열변위 보정 값 계산장치로부터 보정 값을 수신하여 도출된 보정 값을 이용하여 각 구성부의 위치를 제어하여 구성부 별로 위치 보상을 수행할 수 있다.
도 6은 본 발명의 일 실시 예에 따라 온도 및 변위량 데이터를 이용하여 시계열 열변위 데이터를 생성하는 것을 보여주는 도면이다.
도 6을 참조하면 온도 및 변위 데이터를 이용하여 시계열 열변위 데이터를 생성하는 방법이 개시되어 있다.
본 발명의 일 실시 예에 따르면 인공 신경망을 통해 온도 및 변위 데이터로 시간에 따른 변화 값이 측정된 시점에서 일정 시간이전까지의 구간에 대한 데이터를 수집하여 시간의 흐름이 나타나는 시계열 열변위 데이터를 생성할 수 있다.
도 7은 본 발명의 일 실시 예에 따라 시계열 열변위 데이터를 CNN 기반의 열변위 보정 모델에 입력하여 연산하는 과정을 나타낸 도면이다.
도 7을 참조하면 시계열 열변위 데이터를 CNN 기반의 열변위 보정 모델에 입력하여 연산하는 과정이 나타나 있으며, 시계열 열변위 데이터를 이용하여 효율적으로 열변위 보정량을 학습시키기 위하여 CNN기법을 이용하여 데이터의 특징점을 추출하고, 추출된 데이터를 가지고 인공 신경망에 입력하여 딥러닝을 통해 연산하는 방법으로 열변위 보정 계수를 도출할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 열변위 보정 계수를 산출하는 세부 프로세스를 나타낸 흐름도이다.
도 8을 참조하면 본 발명의 일 실시 예에 따른 열변위 보정 계수를 산출하는 세부 프로세스가 나타나 있다.
상기 실시 예에 따르면 미리 설정된 기준 데이터를 이용하여 장비의 구동으로 인해 발생한 열을 특정하기 위해 온도 센서를 이용하여 온도 데이터를 획득하고, 장지 각 구성부의 변위 데이터를 획득하여, 이를 바탕으로 시계열 변위 데이터를 생성하고 CNN을 통한 열변위 보정 모델(결과모델)을 통해 열변위 보정 계수를 산출할 수 있다.
상기 실시 예에 따르면 산출된 열변위 보정 계수를 이용하여 열변위 보정 모델을 학습시킴으로써 정확도를 향상시킬 수 있다.
도 9는 본 발명의 일 실시 예에 따른 장비 위치보상의 세부 프로세스를 나타낸 흐름도이다.
도 9를 참조하면 본 발명의 일 실시 예에 따른 장비 위치보상의 세부 프로세스가 나타나 있으며, 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성할 수 있다.
상기 실시 예에 따르면 장비의 운용을 시작한 후 실시간 온도 데이터를 수집하고 실시간 온도 데이터 및 열변위 보정 테이블을 이용하여 보정 값을 도출할 수 있다.
상기 실시 예에 따르면 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행할 수 있다.
도 10은 본 발명의 실시 예에 딥러닝 기법을 이용한 열변위 보정계수 산출방법의 흐름도이다.
미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정한다(S10).
본 발명의 일 실시 예에 따르면 미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정할 수 있다.
본 발명의 일 실시 예에 따르면 장비의 각 구성부에 위치한 온도 센서 또는 변위 센서를 이용하여 온도 값 및 변위량 데이터를 수집할 수 있다.
본 발명의 일 실시 예에 따르면 온도 센서 및 변위 센서는 장비 운용 시 열이 많이 발생하거나 정밀도에 영향을 줄 수 있는 장비의 구성부에 부착될 수 있으며, 복수의 센서가 부착되어 이를 통해 센싱된 데이터를 획득할 수 있다.
본 발명의 일 실시 예에 따르면 미리 설정된 기준(측정 주기, 측정 범위 등)에 따라 장비의 각 구성부에 부착된 온도 또는 변위 센서로부터 측정된 데이터를 수신할 수 있다.
본 발명의 일 실시 예에 따르면 장비의 각 구성부에 부착된 온도 또는 변위 센서로부터의 측정은 장비의 운용이 정지된 상태에서 이루어질 수 있으나, 이에 한정되지 아니하고, 장비가 운용되고 잇는 상태에서도 측정이 이루어 질 수 있다.
측정된 온도 또는 변위량 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터및 온도 값을 그룹핑하여 시계열 열변위 데이터를 생성한다(S20).
본 발명의 일 실시 예에 따르면 장비의 각 구성부에 부착된 온도 또는 변위 센서가 미리 설정된 주기에 따라 지속적으로 측정한 데이터 구간을 미리 설정된 일정 구간만큼 분할하여 다수의 시간 단위 별 데이터를 생성할 수 있다.
상기 실시 예에 따르면 각 시간 단위 별 변위 데이터및 온도 값 데이터를 그룹핑하여 각 시간 단위 별 시간의 흐름에 따른 온도와 변위의 변화량에 대한 정보가 포함되어 있는 시계열 변위 데이터를 생성할 수 있다.
본 발명의 일 실시 예에 따르면 시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행할 수 있다.
생성된 시계열 열변위 데이터를 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출한다(S30).
본 발명의 일 실시 예에 따르면 생성된 시계열 열변위 데이터를 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출할 수 있다.
본 발명의 일 실시 예에 따르면 생성된 복수의 시계열 열변위 데이터를 인공 신경망을 통해 형성된 열변위 보정 모델에 입력하여 열변위 보정계수를 산출할 수 있다.
또한 본 발명의 일 실시 예에 따르면 산출된 결과를 통해 열변위 보정 모델을 지속적으로 학습시켜 그 정확도를 높일 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN(Convolution Neural Network) 구조일수 있으며, CNN 구조인 경우 다수의 합성곱 연산 레이어를 통해 각 특징 점을 추출하여 열 변위 보정 계수를 추출할 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출할 수 있고, 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출할 수 있다.
상기 실시 예에 따르면 열변위 보정 모델은 다수의 합성곱 레이어를 통해 각각 특징점들을 추출해낼 수 있으며, 추출된 특징점을 열변위 보정 연산을 수행할 수 있는 인공 신명망에 입력하여 열변위 보정 계수를 산출할 수 있다.
본 발명의 일 실시 예에 따르면 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 열변위 보정 모델에 재입력함으로써 열변위 보정 모델을 학습하여 그 정확성을 향상시킬 수 있다.
산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성한다(S40).
본 발명의 일 실시 예에 따르면 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부를 대상으로 각 시간 단위 별로 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성할 수 있다.
본 발명의 일 실시 예에 따르면 열변위 보정 테이블을 이용하여 장비의 각 구성부 별로 온도의 변화량에 따라 각 구성부의 위치가 보상 되어야할 보정 값을 산출할 수 있다.
구성부에 부착된 센서로부터 실시간 온도 값을 수집한다(S50).
본 발명의 일 실시 예에 따르면 각 구성부에 부착된 센서로부터 실시간 온도 값을 수집할 수 있다.
본 발명의 일 실시 예에 따르면 현재 상태에서 장비의 각 구성부의 위치 보상 값을 산출할 수 있도록 각 구성부에 부착된 온도 센서로부터 실시간 온도 값을 수집할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부에 부착된 온도 센서로부터 실시간 온도 값을 일정 구간별로 나누어 수집할 수 있다.
실시간 온도 값 및 열변위 보정 테이블을 학습된 변위 보정 모델에 입력하여 보정 값을 도출한다(S60).
본 발명의 일 실시 예에 따르면 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출할 수 있다.
본 발명의 일 실시 예에 따르면 보정 값을 도출하기 위하여 인공 신경망을 이용한 연산을 수행할 수 있으며, 수집된 실시간 온도 데이터 및 온도의 변화량에 매칭되는 열변위 보정 테이블 열변위 보정 계수를 이용하여 장비의 각 구성부의 위치 보상에 필요한 보정 값을 산출할 수 있다.
도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행한다(S70).
본 발명의 일 실시 예에 따르면 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행할 수 있다.
본 발명의 일 실시 예에 따르면 각 구성부별로 위치 보상을 수행하여 열전도 시간 또는 온도에 따른 기구물의 변형 지연시간을 반영함으로써, 장비의 가공 정밀도를 향상시킬 수 있다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (14)

  1. 인공 신경망으로 구현된 딥러닝 기반의 열변위 보정 모델을 이용하여,
    미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정하여 온도 또는 변위 데이터를 생성하는 데이터 입력부;
    측정된 온도 또는 변위 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성하는 시계열 변위 데이터 생성부; 및
    상기 생성된 시계열 열변위 데이터를 상기 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출하는 열변위 보정 계수 산출부를 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  2. 제 1 항에 있어서,
    상기 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 재입력함으로써 상기 열변위 보정 모델을 학습하는 모델 학습부를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  3. 제 1 항에 있어서,
    상기 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성하는 열변위 보정 테이블 생성부;
    각 구성부에 부착된 센서로부터 실시간 온도 값을 수집하는 실시간 센서 데이터 수집부; 및
    상기 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출하는 변위 보정 수행부를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  4. 제 3 항에 있어서,
    상기 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행하는 위치 보상 수행부를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  5. 제 1 항에 있어서,
    상기 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN 구조로 이루어진 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  6. 제 5 항에 있어서,
    상기 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출하고, 상기 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출하는 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  7. 제 1 항에 있어서 상기 시계열 변위 데이터 생성부는,
    시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행하는 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출장치.
  8. 인공 신경망으로 구현된 딥러닝 기반의 열변위 보정 모델을 이용하여,
    미리 설정된 기준에 따라 장비의 운용 이후 각 구성부에 대한 변위량 및 온도 값을 측정하여 온도 또는 변위 데이터를 생성하는 단계;
    측정된 온도 또는 변위 데이터를 미리 설정된 일정 구간만큼 분할하고, 분할된 구간 동안의 변위 데이터 및 온도 데이터를 그룹핑하여 시계열 열변위 데이터를 생성하는 단계; 및
    상기 생성된 시계열 열변위 데이터를 상기 열변위 보정 모델에 입력하여 열변위 보정 계수를 산출하는 단계를 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  9. 제 8 항에 있어서,
    상기 산출된 열변위 보정 계수를 테스트 검정하여 그 결과를 재입력함으로써 상기 열변위 보정 모델을 학습하는 단계를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  10. 제 8 항에 있어서,
    상기 산출된 열변위 보정 계수를 이용하여 각 구성부별 시간의 변화에 따른 변위 보정 값을 가지는 열변위 보정 테이블을 생성하는 단계;
    각 구성부에 부착된 센서로부터 실시간 온도 값을 수집하는 단계; 및
    상기 실시간 온도 값 및 열변위 보정 테이블을 이용하여 보정 값을 도출하는 단계를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  11. 제 10 항에 있어서,
    상기 도출된 보정 값을 이용하여 각 구성부별로 위치 보상을 수행하는 단계를 더 포함하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  12. 제 8 항에 있어서,
    상기 열변위 보정 모델은 합성곱 연산을 수행하는 다수의 연산 레이어를 가지고 있는 CNN 구조로 이루어진 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  13. 제 12 항에 있어서,
    상기 열변위 보정 모델은 열변위 보정량의 학습을 위해 CNN 구조를 활용해 데이터의 특징점을 추출하고, 상기 추출된 특징점 데이터를 인공 신경망에 입력하여 열변위 보정 계수를 산출하는 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
  14. 제 8 항에 있어서 상기 시계열 열변위 데이터를 생성하는 단계는,
    시계열 열변위 데이터를 생성하기 위하여 장비의 구동에 따른 온도 및 변위 데이터를 미리 설정한 구간 동안의 데이터를 축적하고 상기 축적된 데이터를 분할사여 시간 단위 별 온도와 변위의 변화량을 측정하여, 상기 측정 결과를 시간 단위별로 그룹핑을 수행하는 것을 특징으로 하는 딥러닝 기법을 이용한 열변위 보정계수 산출방법.
KR1020190102017A 2019-08-20 2019-08-20 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법 KR20210022464A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102017A KR20210022464A (ko) 2019-08-20 2019-08-20 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102017A KR20210022464A (ko) 2019-08-20 2019-08-20 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210022464A true KR20210022464A (ko) 2021-03-03

Family

ID=75151400

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102017A KR20210022464A (ko) 2019-08-20 2019-08-20 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20210022464A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113103068A (zh) * 2021-04-19 2021-07-13 大连理工大学 一种基于深度迁移学习的刀具状态监测方法
CN113103068B (zh) * 2021-04-19 2022-03-29 大连理工大学 一种基于深度迁移学习的刀具状态监测方法

Similar Documents

Publication Publication Date Title
US20200293021A1 (en) Method of optimizing machining simulation condition, machining simulation device, machining simulation system and program
Ratchev et al. An advanced FEA based force induced error compensation strategy in milling
CN110262394B (zh) 一种数控加工中轮廓误差的补偿方法
TWI649648B (zh) 加工機熱補償控制系統及其方法
US9849529B2 (en) Wire electrical discharge machine having upper/lower guide thermal displacement correction function
JP5811102B2 (ja) 熱変位補正装置および熱変位補正方法
JP7158195B2 (ja) 工具摩耗判定装置
MXPA00011163A (es) Metodo de control para un robot industrial.
JP7303065B2 (ja) 機械学習装置、制御システム及び機械学習方法
CN112147951B (zh) 机加工设备热误差补偿方法及其装置、系统、介质、终端
CN110989494A (zh) 基于触发式测头的薄壁零件加工误差测量与补偿方法
CN104209808A (zh) 机床及其控制方法
JP2009545040A (ja) 工作機械におけるポジション依存性の可撓性を補償する方法および装置
JP2019101683A (ja) シミュレーションの条件の適正化方法、製造工程シミュレーション装置、製造工程シミュレーションシステム及びプログラム
KR20210022464A (ko) 딥러닝 기법을 이용한 열변위 보정계수 산출장치 및 그 방법
CN106272410B (zh) 一种机器人加工在线厚度补偿方法
EP3807731B1 (en) Workpiece surface quality issues detection
CN109765844B (zh) 一种数控机床温度误差补偿估算方法及装置
Putz et al. Implementation and demonstration of characteristic diagram as well as structure model based correction of thermo-elastic tool center point displacements
JP2019130627A (ja) 熱変位補正装置及び機械学習装置
CN109597352A (zh) 数控机床及其控制系统与方法
KR20230033507A (ko) 가공부하 기반 절삭 이송속도 최적화시스템 및 이를 이용한 절삭 이송속도 최적화방법
JP2017170532A (ja) 工作機械の熱変位補正方法、工作機械
TWI410767B (zh) 機械裝置之具有參數學習的控制器及其參數學習方法
JP6553907B2 (ja) 工作機械

Legal Events

Date Code Title Description
E601 Decision to refuse application