KR20210100399A - 인공 지능을 이용한 가공품질 예측 시스템 및 방법 - Google Patents
인공 지능을 이용한 가공품질 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210100399A KR20210100399A KR1020200014328A KR20200014328A KR20210100399A KR 20210100399 A KR20210100399 A KR 20210100399A KR 1020200014328 A KR1020200014328 A KR 1020200014328A KR 20200014328 A KR20200014328 A KR 20200014328A KR 20210100399 A KR20210100399 A KR 20210100399A
- Authority
- KR
- South Korea
- Prior art keywords
- processing
- quality prediction
- artificial intelligence
- data
- machining
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 118
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000003754 machining Methods 0.000 claims description 37
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000003746 surface roughness Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004439 roughness measurement Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
- G05B19/4145—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by using same processor to execute programmable controller and numerical controller function [CNC] and PC controlled NC [PCNC]
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- General Factory Administration (AREA)
Abstract
인공 지능을 이용한 가공품질 예측 시스템 및 방법이 개시된다. 가공품질 예측 시스템은, 데이터 저장부, 인공지능모듈 생성부, 가공품질 예측부를 포함한다. 데이터 저장부는 가공장비에 대한 실제 입력정보를 저장하고, 인공지능모듈 생성부는 실제 입력정보를 이용하여 가공 결과물의 가공품질을 예측하는 인공지능 모듈을 생성하며, 가공품질 예측부는 인공지능 모듈을 이용하여 명령코드 생성기준에 대응하는 기준 품질예측정보를 산출한다. 또한, 데이터 저장부는 가공장비로 전송되는 명령코드 및 가공장비에서 전송되는 양산 데이터를 더 저장하고, 가공품질 예측부는 명령코드 및 양산 데이터를 이용하여 가공 결과물의 양산 품질예측정보를 더 산출한다.
Description
본 발명은 공장 자동화 관련 기술에 관한 것으로서, 더욱 상세하게는 수치제어 공작기계를 사용하는 무인공장에서 가공 결과물의 가공품질을 정확하게 예측할 수 있도록 하는 시스템 및 방법에 관한 것이다.
정보 기술의 발전과 함께 공장 자동화를 통한 무인 공장의 등장이 증가하고 있다. 수치제어 공작기계를 사용하는 무인공장을 그 대표적인 예로 들 수 있으며, 이와 같은 공장에서는 수치제어 공작기계가 원격 제어를 통해 제어되고 있다.
그런데, 무인공장에의 수치제어 공작기계의 경우에도, 치수 등과 같은 일부 가공품질의 측정에 대해서는 자동화가 가능하지만, 표면 거칠기와 같은 다른 가공품질의 경우 측정의 자동화가 어려워 샘플 테스트를 통해 가공품질의 측정을 수행하고 있다.
한편, 일반적으로 공작장비를 이용한 가공 결과물의 품질을 검증하기 위해서는 공작장비 내에 추가적인 센서를 부착하여 데이터를 취득 활용하는 방법들이 많이 사용되고 있다.
이에 따라, 사용할 공작장비에 적합한 센서가 설치되지 않은 경우에는 필요한 정보를 확보하기 위해 추가적인 센서를 부착함으로써 장비 자체를 새로 제작해야 하는 경우가 발생할 수 있다. 게다가, 상황에 따라서는 공작장비에 추가적인 센서를 부착할 수조차 없는 경우도 있어 가공 결과물의 품질 검증에 어려움을 겪을 수 있다.
본 발명은 상술한 종래의 문제점을 해결하기 위해 안출된 것으로서, 추가적인 센서를 부착하지 않고서도 가공품질의 전수 조사가 어려운 가공물품에 대해 가공품질을 효과적으로 예측할 수 있도록 해 주는 시스템 및 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위해 본 발명에 따른 가공품질 예측 시스템은, 데이터 저장부, 인공지능모듈 생성부, 및 가공품질 예측부를 포함한다.
데이터 저장부는 가공장비에 대한 실제 입력정보를 저장하고, 인공지능모듈 생성부는 실제 입력정보를 이용하여 가공 결과물의 가공품질을 예측하는 인공지능 모듈을 생성하며, 가공품질 예측부는 생성된 인공지능 모듈을 이용하여 명령코드 생성기준에 대응하는 기준 품질예측정보를 산출한다.
또한, 데이터 저장부는 가공장비로 전송되는 명령코드 및 가공장비에서 전송되는 양산 데이터를 더 저장하고, 가공품질 예측부는 명령코드 및 양산 데이터를 이용하여 가공 결과물의 양산 품질예측정보를 더 산출한다.
이와 같은 구성에 의하면, 가공장비에서 획득가능한 데이터를 활용하여 추가적인 센서를 부착하지 않고서도 전수 조사가 어려운 가공 결과물의 가공품질을 효과적으로 예측할 수 있게 된다.
또한, 실제 가공장비를 구동하기 위한 명령을 활용하고 명령 코드의 기준을 제시함으로써, 작업자들의 숙련치에 관계없는 균일한 가공 결과물을 확보할 수 있게 된다.
이때, 가공장비는 CNC를 사용하는 가공장비이고, 명령코드는 G-code일 수 있다. 또한, 가공품질은 가공 결과물의 표면 거칠기를 포함할 수 있다.
또한, 인공지능 모듈은 딥러닝을 이용하여 가공 결과물의 가공품질을 예측할 수 있고, 딥러닝은 ANN(Artificial Neural Networks)의 Regression 모델을 사용하여 값을 추정할 수 있으며, 사용용도에 따라 Classification 모델을 사용할 수 있다.
또한, 딥러닝에 적용되는 입력데이터의 전처리 상황에 따라 CNN(Convolutional Neural Networks)의 기법 또는 RNN(Recurrent Neural Networks)로 활용될 수 있다.
이와 같은 구성에 의하면, 딥러닝 기반 학습으로 실제 수치제어 공작기계에서 취득되는 데이터를 활용하여 공작기계가 가진 특성을 반영한 딥러닝 모델을 구축할 수 있게 된다.
또한, 데이터 저장부는 양산 품질예측정보를 더 저장하고, 인공지능모듈 생성부는 명령코드 및 양산 품질예측정보를 이용하여 예측 인공지능 모듈을 개선할 수 있다. 이와 같은 구성에 의하면, 가장 최근 데이터를 활용하여 주기적으로 학습하여 학습 모델을 자동적으로 재생성할 수 있게 된다.
또한, 실제 입력정보를 이용하여 가상 입력정보를 생성하는 가상 입력정보 생성부를 더 포함하며, 인공지능 모듈 생성부는 가상 입력정보를 더 이용하여 인공지능모듈을 생성할 수 있다. 이와 같은 구성에 의하면, 딥러닝을 위한 데이터가 부족한 환경에서도 딥러닝의 예측 정확도를 향상시킬 수 있게 된다.
이때, 가상 입력정보 생성부는 인공 지능을 이용하여 가상 입력 정보를 생성할 수 있다.
아울러, 상기 시스템을 방법의 형태로 구현한 발명이 함께 개시된다.
본 발명에 의하면, 가공장비에서 획득가능한 데이터를 활용하여 추가적인 센서를 부착하지 않고서도 전수 조사가 어려운 가공 결과물의 가공품질을 효과적으로 예측할 수 있게 된다.
또한, 실제 가공장비를 구동하기 위한 명령을 활용하고 명령 코드의 기준을 제시함으로 작업자들의 숙련치에 관계없는 균일한 가공 결과물을 확보할 수 있게 된다.
또한, 딥러닝 기반 학습으로 실제 수치제어 공작기계에서 취득되는 데이터를 활용하여 공작기계가 가진 특성을 반영한 딥러닝 모델을 구축 할 수 있게 된다.
또한, 가장 최근 데이터를 활용하여 주기적으로 학습하여 학습 모델을 자동으로 재생성할 수 있게 된다.
또한, 딥러닝을 위한 데이터가 부족한 환경에서도 딥러닝의 예측정확도를 향상시킬 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 가공품질 예측 시스템의 개략적인 블록도.
도 2는 도 1의 가공품질 예측 시스템의 일 구현 예를 도시한 도면.
도 3은 도 2의 시스템에서의 가공품질 예측 과정을 설명하기 위한 도면.
도 4는 선정된 입력파라미터를 활용한 ANN(Artificial Neural Network)의 구조 및 적용 예를 도시한 도면.
도 2는 도 1의 가공품질 예측 시스템의 일 구현 예를 도시한 도면.
도 3은 도 2의 시스템에서의 가공품질 예측 과정을 설명하기 위한 도면.
도 4는 선정된 입력파라미터를 활용한 ANN(Artificial Neural Network)의 구조 및 적용 예를 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명한다.
도 1은 본 발명의 일 실시예에 따른 가공품질 예측 시스템의 개략적인 블록도이다. 도 1에서, 가공품질 예측 시스템(100)은 데이터 저장부(110), 인공지능모듈 생성부(120), 가공품질 예측부(130), 및 가상 입력정보 생성부(140)를 포함한다.
본 발명은 기본적으로 2단계로 구현할 수 있으며, offline 작업의 1단계와 online 작업의 2 단계로 구현될 수 있다.
1단계는 '기존 누적되어있는 G-code를 활용하여 딥러닝 모델(1) 생성 -> 품질 기준을 만족하는 G-code 결정'의 단계이다. 이를 위해, 데이터 저장부(110)는 가공장비에 대한 실제 입력정보를 저장하고, 인공지능모듈 생성부(120)는 실제 입력정보를 이용하여 가공 결과물의 가공품질을 예측하는 인공지능 모듈을 생성하며, 가공품질 예측부(130)는 인공지능 모듈을 이용하여 명령코드 생성기준에 대응하는 기준 품질예측정보를 산출한다.
이때, 가상 입력정보 생성부(140)는 실제 입력정보를 이용하여 가상 입력정보를 생성하며, 인공지능 모듈 생성부(120)는 가상 입력정보를 더 이용하여 인공지능모듈을 생성할 수 있다.
2단계는 '1단계 결과로 나온 G-code 기준, 실제 수치제어 공작기계에서 취득되는 데이터를 활용하여 품질예측 -> 결과물 IoT 서버 업로드 -> 결과물을 새로운 Data로 활용하여 딥러닝 모델(2) 재생성(update)'의 단계이다.
이를 위해, 데이터 저장부(110)는 가공장비로 전송되는 명령코드 및 가공장비에서 전송되는 양산 데이터를 더 저장하고, 가공품질 예측부(130)는 명령코드 및 양산 데이터를 이용하여 가공 결과물의 양산 품질예측정보를 더 산출하며, 데이터 저장부(110)는 다시 양산 품질예측정보를 더 저장한다.
한편, 본 발명은 추가적인 3단계를 더 포함할 수 있다. 3단계는 '업데이트 된 딥러닝 모델을 1단계와 2단계에 재배치하여 활용함으로써 딥러닝 모델의 성능 향상 및 신뢰성 확보'의 단계이다.
이를 위해, 인공지능모듈 생성부(120)는 명령코드 및 양산 품질예측정보를 이용하여 예측 인공지능 모듈을 개선한다.
도 2는 도 1의 가공품질 예측 시스템의 일 구현 예를 도시한 도면이고, 도 3은 도 2의 가공품질 예측 시스템에서의 가공품질 예측 과정을 설명하기 위한 도면이다. 도 2 및 도 3에서, 수치제어 공작기계의 표면 거칠기 측정 및 가공 파라미터 선정 장치 적용 절차는 다음과 같다.
1단계: offline Process(품질기준에 따른 G-code 표준화)
업체 누적 데이터 확보 -> 데이터 DB화 (IoT Platform) -> 데이터 생성용 딥러닝 학습 -> 가상데이터 생성 -> 가상데이터/실제데이터 가공품질예측서버 취합 -> 가공품질예측 딥러닝 모델생성 -> 작업자 평가 G-code 결정
2단계: Online Process(실가공에 취합되는 데이터에 따른 가공품질예측)
결정된 G-Code DB화(IoT Platform) -> 결정된 G-code에 따른 양산가공 -> 양산 데이터 취득(IoT Platform) -> 가공품질예측서버 데이터 취합 -> 딥러닝 모델을 이용한 가공품질예측 결과물 생성
3단계: Update Process
딥러닝 모델을 이용한 가공품질예측 결과물 데이터 취합(IoT Platform) -> IoT Platform에 누적된 새로운 실제가공데이터 가공품질예측서버 Data Update -> 누적된 Data활용 가공품질예측모델 학습 Update
각 단계를 보다 구체적으로 설명하자면, 다음과 같다.
1단계: offline Process(품질기준에 따른 G-code 표준화)
업체 누적 데이터 확보: 이 시스템이 적용될 공장은 기본적으로 IoT Platform과 Data DB의 구축이 전산자동화 처리되어 있을 확률이 낮으며 작업자 또는 관리자의 개별관리에 데이터누적이 되어 있으므로, 이를 IoT Platform 형식에 맞추어 바꾼 후 Data DB화를 수행한다.
데이터 생성용 딥러닝 학습: 딥러닝은 기본적으로 데이터 기반으로 학습하여 예측결과물을 내어놓으므로 누적 데이터가 적은 환경에서는 예측정확도가 낮을 수밖에 없는 결과를 나타낸다.
이를 보완하기 위하여 실제 데이터와 유사한 가상데이터를 생성해 Data DB화를 하여 딥러닝의 예측정확도를 보전해주며, 가상데이터를 생성해주는 방식은 ANN(Artificial Neural Networks)의 regression과 GAN(Generative Adversarial Networks) algorithm을 이용한 딥러닝을 예로 들 수 있다.
가상데이터 생성: 실제데이터를 기반으로한 ANN의 regression 또는 GAN algorithm의 딥러닝을 이용하여 실제데이터와 흡사한 타당성을 지니는 가상데이터를 생성한다.
가상데이터/실제데이터 가공품질예측서버 취합: 누적되어 있는 실제데이터와 실제데이터를 기반으로 생성한 가상데이터를 취합한 후, 가공품질예측모델을 학습할 가공품질예측서버에 적합한 형태로 가공한다.
가공품질예측 딥러닝 모델생성: 취합된 실제데이터, 가상데이터를 활용하여 가공품질예측모델을 생성하며 가공품질예측모델은 ANN(Artificial Neural Networks)또는 데이터 전처리를 통하여 CNN(Convolution Neural Network), RNN(Recurrent Neural Networks)등으로 학습될 수 있다.
작업자 평가 G-code 결정: 작업자는 G-code의 작업 명령을 결정하기 전 학습된 가공품질예측 딥러닝 모델을 사용하여 측정작업 없이 가공품질을 예측할 수 있으며, 품질의 기준을 만족하는 작업자의 G-Code 작업명령을 결정할 수 있다
가공품질예측모델: 가공품질예측모델은 CPU 및 GPU를 사용할 수 있는 인공지능 알고리즘을 이용하여 학습하며, 노드 수는 입력파라미터의 배수이상 100개 이하, 은닉층은 5층으로 제한되고, 적용되는 알고리즘을 학습 후 결과를 각 알고리즘별 비교 후 최적의 예상 결과치를 적용하며, 이 작업은 자동으로 수행이 된다.
도 4는 선정된 입력파라미터를 활용한 ANN(Artificial Neural Network)의 구조 및 적용 예를 도시한 도면이다. ANN에 적용되는 입력데이터는 작업자 data(G-code 정보), IoT DB data, CNC 취득 data로 구분될 수 있다. 입력데이터는 적합한 파라미터로 전처리 후 입력데이터로 활용되며, 뉴럴네트워크(Artificial Neural Network)는 Cost Function과 Activate Function, ANN Structure의 구성을 비교 후 최고의 예측정확도 값을 저장한다.
도 4에 도시된 가공품질예측모델은 CNC(Computerized Numerical Control)를 사용한 공작기계로 제품을 제작시 사용되는 G-code 및 CNC에서 취득되는 데이터(input)를 활용하여 품질(표면 거칠기, output)의 결과값을 예측하는 모델이 될 수 있으며, 이는 다른 품종으로 확대될 수 있다.
대표적으로, 제지공정 내 A4의 양품(output)을 평가하기 위한 재료조합(input), 기어의 치형가공의 치수를 만족(output)하는 기계명령어(input), 제철공정 내 강의 강성을 만족(output)하는 재료조합(input), 사출/주조 공정 내 양품(output)을 만족하는 온도, 습도, 재료조합(input) 등을 예로 들 수 있다.
이와 같이, 실제 공장에서 취득되는 데이터를 입력데이터로 활용함으로써, 각 공장 및 공정에 맞는 가공품질예측이 최적화될 수 있으며, 실제공장의 상태가 반영된 가공품질예측모델 개발이 될 수 있다.
또한, 개발된 가공품질예측모델은 IoT Platform을 기반으로 개발된 MES(Manufacturing Execution System)에 탑재되어 태블릿 또는 PC의 Web browser를 통하여 원격접속 및 사용할 수 있다.
2단계: Online Process(실가공에 취합되는 데이터에 따른 가공품질예측)
결정된 G-Code DB화 : 가공품질예측모델을 사용하여 결정된 작업자의 G-Code 작업명령은 IoT Platform을 통하여 DB화될 수 있다.
결정된 G-Code에 따른 양산가공: 작업자에 의하여 최종 결정된 G-Code는 실제 제품을 생산하기 위한 명령어로 사용되어 제품의 양산가공을 시행한다.
양산 데이터 취득: 양산가공이 시행될 때 CNC 수치제어장비에서 발생하는 데이터는 IoT Platform으로 데이터 취합을 시행하며 CNC 수치제어 장치와 OPC 서버를 연결하여 CNC 수치제어 장치 전용 프로토콜(FANUC사의 경우 FOCAS 프로토콜 사용)을 OPC 서버용 스마트공장용 표준 프로토콜로 변환한 후 IoT Platform으로 전송하여 데이터를 취득한다.
취득되는 데이터는 CNC 수치제어 공작기계 장치에서 센서 설치 없이 취득될 수 있는 현재 가공하고 있는 Tool의 정보, 사용횟수, G-code 일람, 가공 중 발생하는 전류, Load information 등이 포함될 수 있으며 각 데이터 값은 데이터 경향에 따라 현시 값, 평균 값, 최대/최소 값, 표준편차 값 등이 될 수 있다.
가공품질예측서버 데이터 취합: 가공품질예측서버에서는 현재 CNC에서 가공중인 제품의 품질을 평가하기 위하여 IoT Platform의 취합된 데이터를 가공품질예측모델에서 필요한 데이터(input)를 획득한 후, 가공품질예측모델의 입력데이터에 맞게 전처리 과정을 시행한다.
딥러닝 모델을 이용한 가공품질 예측 결과물 생성: 가공품질예측모델의 입력데이터에 맞게 전처리된 데이터는 가공품질예측 딥러닝 모델을 이용하여 가공품질 예측 결과물을 생성하며, CNC를 이용한 가공의 가공품질예측결과물은 표면 거칠기, 치수 등이 될 수 있다.
3단계: Update Process
딥러닝 모델을 이용한 가공품질 예측 결과물 데이터 취합: 가공품질예측모델을 통하여 예측된 품질결과는 데이터 누적을 위하여 IoT Platform으로 DB화 작업이 이루어 질 수 있다.
IoT Platform에 누적된 새로운 실제 가공데이터 가공품질예측서버 Data update: 양산가공이 수행됨에 따라 획득, 누적되는 새로운 데이터를 활용하여 가공품질예측 딥러닝 모델은 지속하여 새로운 버전으로 업데이트되어야 하며 딥러닝 모델을 새로운 버전으로 학습하기 위하여, IoT Platform에 누적된 새로운 데이터를 실제 딥러닝모델 학습을 수행하는 가공품질예측서버로 데이터 업데이트 수행을 하여야 한다.
누적된 Data 활용 가공품질예측모델 학습 update: 가공품질예측서버에 새로이 누적되는 Data와 기존에 학습에 적용된 가상데이터, 실제 데이터를 이용하여 가공품질예측 딥러닝 모델은 지속적으로 버전업데이트 수행하여야 하고, 이때 업데이트 된 새로운 가공품질예측 딥러닝 모델은 다시 가공명령의 기준을 정의하는 1단계의 품질기준에 따른 G-code 표준화와 실제 가공에의 품질을 평가하기 위한 2단계의 실가공에 취합되는 데이터에 따른 가공품질예측에서 재사용될 수 있다.
정리하면, 본 발명은 수치제어 공작기계를 사용하는 무인공장에서 품질을 스마트하게 예측하고 실제 작업에 사용되는 명령코드(G-code)의 기준을 제시하고자 하는 발명이다. 본 발명을 구현하기 위하여 2가지 단계로 구현될 수 있으며 그 단계는 Offline작업과 online 작업으로 구분될 수 있다.
Offline 작업과 Online 작업의 구분은 실제 수치제어 공작기계에서 취득되는 데이터의 활용여부에 따라 구분될 수 있으며, 본 발명에는 수치제어 공작기계의 스핀들 회전속도(Spindle speed), 이송속도(Feed rate), 가공부하(Load information), 가공 툴 정보(직경, 사용차수), 가공조건 정보(Width of Cut, Depth of Cut) 등의 데이터가 활용될 수 있다.
모든 데이터는 Offline으로 입력하여 사용할 수 있으며, 이 중 스핀들 회전속도, 이송속도, 가공부하, 가공 툴 정보는 실제 수치제어 공작기계에서 취득되는 데이터로 대체(Online) 될 수 있다.
또한, 취합된 데이터는 예측에 적합한 특징으로 추출 및 재가공되고, 결정된 데이터는 딥러닝 알고리즘에서 입력 데이터로 취급하고 학습하여 딥러닝 모델을 생성하며, 이후 수치제어 공작기계를 활용한 제품 생성에 획득되는 데이터를 딥러닝 모델에 입력하고 품질을 예측하여 추가 측정 작업 없이 전수 검사한 효과를 거둘 수 있게 된다.
또한, 학습된 딥러닝 모델은 Offline 활용으로 품질수준을 만족하는 수치제어 공작기계의 작업의 명령코드(G-code) 기준을 제시해주는 방향으로 활용할 수 있다.
본 발명에 의하면, 추가적인 센서를 부착하지 않고 수치제어 공작기계 컨트롤러에서 취득 가능한 데이터를 활용하여, 데이터에 대한 신뢰성을 확보할 수 있다. 또한, 딥러닝 기반 학습으로 실제 수치제어 공작기계에서 취득되는 데이터를 활용하여, 공작기계가 가진 특성을 반영한 딥러닝 모델을 구축할 수 있다. 또한, 가장 최근 데이터를 활용하여 주기적으로 학습하여, 학습 모델을 자동으로 재생성하며, 실제 수치제어 공작기계를 구동하기 위한 명령(G-code)을 활용하여 작업자에 친숙한 활용과 G-code의 기준을 제시함으로써 실제 작업자들의 숙련치에 관계없는 균일한 결과물을 확보할 수 있게 된다.
본 발명이 비록 일부 바람직한 실시예에 의해 설명되었지만, 본 발명의 범위는 이에 의해 제한되어서는 아니 되고, 특허청구범위에 의해 뒷받침되는 상기 실시예의 변형이나 개량에도 미쳐야할 것이다.
100: 가공품질 예측 시스템
110: 데이터 저장부
120: 인공지능모듈 생성부
130: 가공품질 예측부
140: 가상 입력정보 생성부
110: 데이터 저장부
120: 인공지능모듈 생성부
130: 가공품질 예측부
140: 가상 입력정보 생성부
Claims (9)
- 가공장비에 대한 실제 입력정보를 저장하는 데이터 저장부;
상기 실제 입력정보를 이용하여 가공 결과물의 가공품질을 예측하는 인공지능 모듈을 생성하는 인공지능모듈 생성부; 및
상기 인공지능 모듈을 이용하여 명령코드 생성기준에 대응하는 기준 품질예측정보를 산출하는 가공품질 예측부를 포함하며,
상기 데이터 저장부는 상기 가공장비로 전송되는 명령코드 및 상기 가공장비에서 전송되는 양산 데이터를 더 저장하고,
상기 가공품질 예측부는 상기 명령코드 및 상기 양산 데이터를 이용하여 가공 결과물의 양산 품질예측정보를 더 산출하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 1에 있어서,
상기 데이터 저장부는 상기 양산 품질예측정보를 더 저장하고,
상기 인공지능모듈 생성부는 상기 명령코드 및 상기 양산 품질예측정보를 이용하여 상기 예측 인공지능 모듈을 개선하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 1에 있어서,
상기 실제 입력정보를 이용하여 가상 입력정보를 생성하는 가상 입력정보 생성부를 더 포함하며,
상기 인공지능 모듈 생성부는 상기 가상 입력정보를 더 이용하여 상기 인공지능모듈을 생성하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 3에 있어서,
상기 가상 입력정보 생성부는 인공 지능을 이용하여 상기 가상 입력 정보를 생성하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 1에 있어서,
상기 가공장비는 CNC를 사용하는 가공장비이고, 상기 명령코드는 G-code인 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 5에 있어서,
상기 가공품질은 상기 가공 결과물의 표면 거칠기를 포함하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 1에 있어서,
상기 인공지능 모듈은 딥러닝을 이용하여 가공 결과물의 가공품질을 예측하는 것을 특징으로 하는 가공품질 예측 시스템.
- 청구항 7에 있어서,
상기 딥러닝은 100개 이하의 노드 및 5층 이하의 은닉층을 가지는 인공 신경망을 이용하여 수행되는 것을 특징으로 하는 가공품질 예측 시스템.
- 가공품질 예측 시스템이 수행하는 예측 방법으로서,
가공장비에 대한 실제 입력정보를 저장하는 단계;
상기 실제 입력정보를 이용하여 가공 결과물의 가공품질을 예측하는 인공지능 모듈을 생성하는 단계;
상기 인공지능 모듈을 이용하여 명령코드 생성기준에 대응하는 기준 품질예측정보를 산출하는 단계;
상기 가공장비로 전송되는 명령코드 및 상기 가공장비에서 전송되는 양산 데이터를 저장하는 단계; 및
상기 명령코드 및 상기 양산 데이터를 이용하여 가공 결과물의 양산 품질예측정보를 산출하는 단계를 포함하는 것을 특징으로 하는 가공품질 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200014328A KR20210100399A (ko) | 2020-02-06 | 2020-02-06 | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200014328A KR20210100399A (ko) | 2020-02-06 | 2020-02-06 | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210100399A true KR20210100399A (ko) | 2021-08-17 |
Family
ID=77466235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200014328A KR20210100399A (ko) | 2020-02-06 | 2020-02-06 | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210100399A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240025792A (ko) | 2022-08-19 | 2024-02-27 | (주)더블유앤이케이 | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101676538B1 (ko) | 2014-11-25 | 2016-11-15 | 현대위아 주식회사 | 표면 거칠기 분석 장치 및 분석방법 |
-
2020
- 2020-02-06 KR KR1020200014328A patent/KR20210100399A/ko active Search and Examination
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101676538B1 (ko) | 2014-11-25 | 2016-11-15 | 현대위아 주식회사 | 표면 거칠기 분석 장치 및 분석방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240025792A (ko) | 2022-08-19 | 2024-02-27 | (주)더블유앤이케이 | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111624951B (zh) | 加工条件调整装置以及加工条件调整系统 | |
| US7463945B2 (en) | Electronic fingerprints for machine control and production machines | |
| US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
| KR101754721B1 (ko) | 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 | |
| CN101477351B (zh) | 具有三级加工自优化功能的智能数控方法 | |
| CN112418455B (zh) | 一种设备故障预测与健康管理系统 | |
| JP2019162712A (ja) | 制御装置、機械学習装置及びシステム | |
| CN111506019B (zh) | 数值控制系统 | |
| CN111687652A (zh) | 握持力调整装置以及握持力调整系统 | |
| CN117170308B (zh) | 一种基于指令序列分析的机床动态误差补偿方法及系统 | |
| CN112183919A (zh) | 质量预测系统和质量预测方法 | |
| JP2020135757A (ja) | 制御装置、制御方法、及び制御プログラム | |
| JP2020131342A (ja) | 切削液量調整装置及び切削液量調整システム | |
| Tugengol’d et al. | Monitoring and control of tools in multifunctional machine tools | |
| KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
| KR20220152709A (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
| CN104081298A (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
| EP3969230A1 (en) | Artificial intelligence in discrete manufacturing | |
| CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
| EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
| Oborski | Integration of machine operators with shop floor control system for Industry 4.0 | |
| Can et al. | Automated continuous learn and improvement process of energy efficiency in manufacturing | |
| Sawangsri et al. | Concept and development of IoT-based e-maintenance platform for demonstrated system | |
| Reuter et al. | Adaptive inspection planning using a digital twin for quality assurance | |
| Zhiqiang et al. | Smart Factory of Industry 4.0: Connection Infrastructure, Data Acquisition, Data Processing, and Applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |