KR20220067710A - Method for selecting tools for CNC machine - Google Patents

Method for selecting tools for CNC machine Download PDF

Info

Publication number
KR20220067710A
KR20220067710A KR1020200154230A KR20200154230A KR20220067710A KR 20220067710 A KR20220067710 A KR 20220067710A KR 1020200154230 A KR1020200154230 A KR 1020200154230A KR 20200154230 A KR20200154230 A KR 20200154230A KR 20220067710 A KR20220067710 A KR 20220067710A
Authority
KR
South Korea
Prior art keywords
tool
data
input information
automatic machine
processing
Prior art date
Application number
KR1020200154230A
Other languages
Korean (ko)
Inventor
전근수
최정민
강상균
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 KR1020200154230A priority Critical patent/KR20220067710A/en
Publication of KR20220067710A publication Critical patent/KR20220067710A/en

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Numerical Control (AREA)

Abstract

The present invention relates to a tool selection method of an automatic machine tool, which improves workability of a processing operation, comprising: an input information configuration step; a suitability criterion deriving step of deriving a tool criterion; and a suitable tool selection step of selecting a tool corresponding to a suitability criterion.

Description

자동공작기계의 공구선정방법{Method for selecting tools for CNC machine}Method for selecting tools for CNC machine

본 발명은 인공지능모델로 학습된 데이터를 이용하여 사용공구를 선정하는 공구선정방법에 관한 것이다.The present invention relates to a tool selection method for selecting a tool to be used using data learned by an artificial intelligence model.

일반적으로, 공작기계는 산업 공정의 핵심 장비 중 하나로 금속 등의 소재를 가공하는 용도로 널리 사용되고 있으며, 자동제어 시스템과 연동되는 형태로 발전되었다.In general, a machine tool is one of the core equipment of an industrial process and is widely used for processing materials such as metal, and has been developed to be linked with an automatic control system.

한편, 종래에는 공작기계를 자동제어하는 시스템에 있어서, 절삭공구를 선정할 때 작업자의 경험 혹은 특정 조건을 데이터베이스에서 검색하여 공구를 선정하였다.Meanwhile, in the prior art, in a system for automatically controlling a machine tool, when selecting a cutting tool, the operator's experience or specific conditions were searched in a database to select the tool.

그러나, 작업자의 경험을 바탕으로 공구를 선정 할 경우 작업자 판단에 의해 가공속도, 조도 등 생산, 품질의 차이가 발생하고, 특정 조건을 데이터베이스에서 검색하여 사용 할 경우에도 미세한 조건을 반영하는데 어려움이 있어 생산, 품질에 차이가 발생하였다.However, when selecting a tool based on the operator's experience, there is a difference in production and quality such as machining speed and roughness depending on the operator's judgment. There was a difference in production and quality.

본 발명은 상술한 바와 같은 문제점을 해결하기 위한 것으로서, CNN(Convolutional Neural Network)을 기반으로 하는 딥러닝방식으로 학습된 인공지능모델을 이용하여 가공에 적합한 사용공구를 선정하는 자동공작기계의 공구선정방법을 제공하기 위한 것이다.The present invention is to solve the above problems, and tool selection of an automatic machine tool that selects a tool suitable for machining using an artificial intelligence model learned by a deep learning method based on CNN (Convolutional Neural Network) to provide a way.

상기 목적을 이루기 위하여 제공되는 본 발명에 따른 자동공작기계의 공구선정방법은, 특정 가공공정 데이터, 가공영역 데이터, 가공형상 데이터, 공구리스트 데이터를 이용하여 입력정보를 구성하는 입력정보 구성단계와, 상기 입력정보 구성단계에서 구성된 입력정보를 인공지능모델이 학습하여, 특정 가공공정 및 가공영역, 가공형상에 적합한 공구기준을 도출하는 적합기준 도출단계와, 상기 적합기준 도출단계에서 도출된 공구기준과 공구리스트 데이터를 비교하여 적합기준에 해당되는 공구를 선정하는 적합공구 선정단계를 포함하여 이루어진다.A tool selection method of an automatic machine tool according to the present invention provided to achieve the above object includes an input information configuration step of configuring input information using specific processing process data, processing area data, processing shape data, and tool list data; The artificial intelligence model learns the input information configured in the input information configuration step and derives a tool standard suitable for a specific machining process, machining area, and machining shape, Comparing the tool list data, it includes a suitable tool selection step to select a tool that meets the eligibility criteria.

상기 가공공정 데이터는 가공대상물의 형상, 가공대상물의 재질, 가공공정의 종류를 입력값으로 사용하여 도출된다.The processing data is derived using the shape of the object to be processed, the material of the object to be processed, and the type of the processing process as input values.

상기 공구리스트 데이터는 여러종류의 공구에 대한 각각의 규격정보를 포함하여 이루어진다.The tool list data includes standard information for various types of tools.

상기 입력정보 구성단계에서는 가공영역에 대한 데이터, 가공형상에 대한 데이터, 여러종류의 공구에 대한 각각의 규격정보를 Z-MAP 데이터로 변환하여 입력한다.In the input information configuration step, data on the machining area, data on the machining shape, and standard information on various types of tools are converted into Z-MAP data and input.

상기 적합기준 도출단계에서 인공지능모델에 의한 입력정보 학습은 CNN (Convolutional Neural Network)을 기반으로 하는 딥러닝방식으로 이루어진다.In the step of deriving the fitness criterion, the learning of the input information by the artificial intelligence model is performed in a deep learning method based on a Convolutional Neural Network (CNN).

상기 입력정보 구성단계에서는 가공영역에 대한 데이터, 가공형상, 사용공구를 촬영하여 취득된 이미지 자료를 입력정보로 사용할 수 있다.In the input information configuration step, image data obtained by photographing data about a processing area, a processing shape, and a tool to be used may be used as input information.

본 발명에 따른 자동공작기계의 공구선정방법에 의하면 인공지능모델을 이용하여 각각의 작업에 작용되는 공구를 정확하고 효율적으로 선정할 수 있게 됨으로써 공작기계를 이용한 가공작업의 작업성이 향상된다는 이점이 있다.According to the tool selection method of an automatic machine tool according to the present invention, it is possible to accurately and efficiently select a tool for each operation using an artificial intelligence model, thereby improving the workability of the machining operation using the machine tool. have.

도 1: 본 발명에 따른 자동공작기계의 공구선정방법의 알고리즘을 나타낸 순서도
도 2: 본 발명에 적용되는 Z-MAP 데이터의 구성원리를 나타내기 위한 물체개념도
도 3: 본 발명에 적용되는 Z-MAP 데이터의 구성원리에 의한 Z-MAP 데이터 표본Figure 1: A flow chart showing the algorithm of the tool selection method of the automatic machine tool according to the present invention
Figure 2: A conceptual diagram of an object for showing the principle of Z-MAP data applied to the present invention
Figure 3: Z-MAP data sample according to the principle of Z-MAP data applied to the present invention

이하, 본 발명의 실시를 위한 구체적인 내용을 도 1 부터 도 3 까지 참조하여 상세하게 설명한다.Hereinafter, specific contents for carrying out the present invention will be described in detail with reference to FIGS. 1 to 3 .

본 발명에 따른 자동공작기계의 공구선정방법은, 도 1에 나타난 것과 같이 특정 가공공정 데이터, 가공영역 데이터, 가공형상 데이터, 공구리스트 데이터를 이용하여 입력정보를 구성하는 입력정보 구성단계(S10)와, 상기 입력정보 구성단계(S10)에서 구성된 입력정보를 인공지능모델이 학습하여, 특정 가공공정 및 가공영역, 가공형상에 적합한 공구기준을 도출하는 적합기준 도출단계(S20)와, 상기 적합기준 도출단계(S20)에서 도출된 공구기준과 공구리스트 데이터를 비교하여, 상기 적합기준 도출단계(S20)에서 도출된 공구기준에 해당되는 공구를 선정하는 적합공구 선정단계(S30)를 포함하여 이루어진다.In the tool selection method of an automatic machine tool according to the present invention, as shown in FIG. 1 , an input information configuration step (S10) of configuring input information using specific processing process data, processing area data, processing shape data, and tool list data And, the artificial intelligence model learns the input information configured in the input information configuration step (S10), and a conformity standard deriving step (S20) of deriving a tool standard suitable for a specific machining process, machining area, and machining shape, and the conformity standard Comparing the tool standard derived in the derivation step (S20) with the tool list data, a suitable tool selection step (S30) of selecting a tool corresponding to the tool standard derived in the conformity standard deriving step (S20) is included.

상기 가공공정 데이터는 가공대상물의 형상, 가공대상물의 재질, 가공공정의 종류를 입력값으로 사용하여 도출되며, 상기 공구리스트 데이터는 여러종류의 공구에 대한 각각의 규격정보를 포함한다.The processing data is derived using the shape of the object to be processed, the material of the object to be processed, and the type of the processing process as input values, and the tool list data includes standard information for various types of tools.

상기 입력정보 구성단계에서는 가공영역 데이터, 가공형상 데이터, 여러종류 공구의 각각의 규격정보를 Z-MAP 데이터로 변환하여 입력하게 된다.In the input information configuration step, machining area data, machining shape data, and standard information of various types of tools are converted into Z-MAP data and input.

상기 적합기준 도출단계에서 인공지능모델에 의한 입력정보 학습은 CNN (Convolutional Neural Network)을 기반으로 하는 딥러닝방식으로 이루어진다.In the step of deriving the fitness criterion, the learning of the input information by the artificial intelligence model is performed in a deep learning method based on a Convolutional Neural Network (CNN).

여기서, 상기 Z-MAP 데이터는 3차원 입체형상을 X-Y 평면상에서 일정한 크기의 격자들로 분할하고, 격자들에 대한 높이인 Z 좌표값을 지정하는 형태의 자료구조를 가지고 있다.Here, the Z-MAP data has a data structure in which a three-dimensional three-dimensional shape is divided into grids of a certain size on the X-Y plane, and a Z coordinate value that is a height of the grids is specified.

따라서, Z-MAP 데이터의 자료구조는 기본적으로 2차원 배열로 구성되며, 원하는 정밀도를 얻기 위해서는 많은 기억용량과 계산시간을 필요로 하지만, 자료구조가 단순하면서 실제 입체형상을 매우 효과적으로 표현할 수 있다.Therefore, the data structure of Z-MAP data is basically composed of a two-dimensional array, and it requires a lot of storage capacity and calculation time to obtain the desired precision, but the data structure is simple and the actual three-dimensional shape can be expressed very effectively.

예시적으로 도 2와 같이 공구(10)의 시작점(101)의 높이값이 0 이라 할 때 이를 기준으로 공구(10)의 끝점(102) 및 이와 접하는 가공대상물(20)의 돌출부(22)의 하단(221)의 높이값이 10 이며, 가공대상물(20)의 기저부(24)의 상면(241)의 높이값이 20, 가공대상물(20)의 기저부(24)의 저면(242)의 높이값이 25 라 할 때, 이에 따른 Z-MAP 데이터는 도 3 과 같이 이루어진다. For example, when the height value of the starting point 101 of the tool 10 is 0 as shown in FIG. 2 , the end point 102 of the tool 10 and the protrusion 22 of the workpiece 20 in contact therewith The height value of the lower end 221 is 10, the height value of the upper surface 241 of the base part 24 of the object 20 is 20, and the height value of the bottom surface 242 of the base part 24 of the object 20 is a height value When this is 25, the Z-MAP data according to this is made as shown in FIG. 3 .

상기 학습단계는 CNN(Convolutional Neural Network)기반으로 하는 딥러닝방식으로 이루어지는데, 상기 CNN(Convolutional Neural Network)은 주어진 이미지 데이터로부터 이미지의 패턴을 학습하고 분류하는데 유용한 알고리즘이다. The learning step is performed in a deep learning method based on a Convolutional Neural Network (CNN), which is an algorithm useful for learning and classifying image patterns from given image data.

상술한 바와 같은 본 발명에 의하여 공구가 선정되는 과정에 대하여 설명하면 다음과 같다.The process of selecting a tool according to the present invention as described above will be described as follows.

우선, 입력정보 구성단계(S10)에서 구성된 입력정보, 즉 가공공정 데이터, 가공영역 데이터, 가공형상 데이터, 공구리스트 데이터를 인공지능모델이 학습하여, 적합기준 도출단계(S20)에서 적합기준을 도출하게 된다.First, the artificial intelligence model learns the input information configured in the input information configuration step (S10), that is, the machining process data, the machining area data, the machining shape data, and the tool list data, and derives the conformity standard in the conformity standard deriving step (S20) will do

그리고, 적합공구 선정단계(S30)에서, 도출된 적합기준에 해당되는 공구를 선정하게 되는데, 이때에는 공구리스트에 포함된 여러종류의 공구의 규격정보와 상기 적합기준을 순차적으로 비교하여 각 공구에 대한 적합정도를 판단한다.And, in the suitable tool selection step (S30), a tool corresponding to the derived compliance criterion is selected. judge the degree of suitability for

이어서, 상기 적합기준에 대하여 적합정도가 가장 높은 이른바 최적합 공구를 선정하여 작업에 적용하게 된다. Then, the so-called best fit tool with the highest degree of conformity with respect to the conformity criteria is selected and applied to the work.

상기 적합공구 선정단계(S30)에서는 비교 대상이 되는 공구와 적합기준의 비교값을 저장하는 세부단계를 더욱 포함할 수 있다. The suitable tool selection step ( S30 ) may further include a detailed step of storing a comparison value between the tool to be compared and the fitness standard.

한편, 상기 입력정보 구성단계(S10)에서는 가공영역, 가공대상물형상, 공구를 촬영하여 취득된 이미지 자료를 입력정보로 사용할 수 있다.Meanwhile, in the input information configuration step ( S10 ), image data obtained by photographing the processing area, the shape of the object to be processed, and the tool may be used as input information.

S10: 입력정보 구성단계
S20: 적합기준 도출단계
S30: 적합공구 선정단계S10: Input information configuration step
S20: Conformity Criteria Derivation Step
S30: Appropriate tool selection stage

Claims (6)

특정 가공공정 데이터, 가공영역 데이터, 가공형상 데이터, 공구리스트 데이터를 이용하여 입력정보를 구성하는 입력정보 구성단계와,
상기 입력정보 구성단계에서 구성된 입력정보를 인공지능모델이 학습하여, 특정 가공공정 및 가공영역, 가공형상에 적합한 공구기준을 도출하는 적합기준 도출단계,
상기 적합기준 도출단계에서 도출된 공구기준과 공구리스트 데이터를 비교하여 적합기준에 해당되는 공구를 선정하는 적합공구선정단계
를 포함하여 이루어지는 자동공작기계의 공구선정방법.
An input information configuration step of configuring input information using specific processing process data, processing area data, processing shape data, and tool list data;
A conformance standard derivation step in which the artificial intelligence model learns the input information configured in the input information configuration step, and derives a tool standard suitable for a specific machining process, machining area, and machining shape;
A suitable tool selection step in which a tool corresponding to the eligibility criterion is selected by comparing the tool list data derived in the success criterion deriving step
Tool selection method for automatic machine tools, including
 제1항에 있어서, 상기 가공공정 데이터는
가공대상물의 형상, 가공대상물의 재질, 가공공정의 종류를 입력값으로 사용하여 도출되는 것
을 특징으로 하는 자동공작기계의 공구선정방법.
According to claim 1, wherein the processing data is
Derived by using the shape of the object to be processed, the material of the object to be processed, and the type of processing process as input values
A tool selection method of an automatic machine tool, characterized in that
 제2항에 있어서, 상기 공구리스트 데이터는
여러종류의 공구에 대한 각각의 규격정보를 포함하는 것
을 특징으로 하는 자동공작기계의 공구선정방법. The method of claim 2, wherein the tool list data is
Containing specification information for each type of tool
A tool selection method of an automatic machine tool, characterized in that 제3항에 있어서,
상기 입력정보 구성단계에서는 가공영역에 대한 데이터, 가공형상에 대한 데이터, 여러종류의 공구에 대한 각각의 규격정보를 Z-MAP 데이터로 변환하여 입력하는 것
을 특징으로 하는 자동공작기계의 공구선정방법.
4. The method of claim 3,
In the input information configuration step, the data on the machining area, the data on the machining shape, and each standard information on various types of tools are converted into Z-MAP data and inputted.
A tool selection method of an automatic machine tool, characterized in that
 제4항에 있어서,
상기 적합기준 도출단계에서 인공지능모델에 의한 입력정보 학습은 CNN (Convolutional Neural Network)을 기반으로 하는 딥러닝방식으로 이루어지는 것
을 특징으로 하는 자동공작기계의 공구선정방법.
5. The method of claim 4,
In the step of deriving the fitness criteria, the input information learning by the artificial intelligence model is performed in a deep learning method based on CNN (Convolutional Neural Network).
A tool selection method of an automatic machine tool, characterized in that
 제1항에 있어서,
상기 입력정보 구성단계에서는 가공영역에 대한 데이터, 가공형상, 사용공구를 촬영하여 취득된 이미지 자료를 입력정보로 사용하는 것
을 특징으로 하는 자동공작기계의 공구선정방법.The method of claim 1,
In the input information configuration step, the image data obtained by photographing the data about the processing area, the processing shape, and the tool used are used as input information.
A tool selection method of an automatic machine tool, characterized in that
KR1020200154230A 2020-11-18 2020-11-18 Method for selecting tools for CNC machine KR20220067710A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200154230A KR20220067710A (en) 2020-11-18 2020-11-18 Method for selecting tools for CNC machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200154230A KR20220067710A (en) 2020-11-18 2020-11-18 Method for selecting tools for CNC machine

Publications (1)

Publication Number Publication Date
KR20220067710A true KR20220067710A (en) 2022-05-25

Family

ID=81797049

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200154230A KR20220067710A (en) 2020-11-18 2020-11-18 Method for selecting tools for CNC machine

Country Status (1)

Country Link
KR (1) KR20220067710A (en)

Similar Documents

Publication Publication Date Title
US20200241505A1 (en) Subtractive machining work center
Fainguelernt et al. Computer aided tolerancing and dimensioning in process planning
CN101893873B (en) Method and device for generating control data for controlling cutter arranged on machine tool
EP0503642A2 (en) Method and apparatus for solids-based machining
KR20060085651A (en) Machining information creating device, program, and machining information creating method
CN110171000A (en) Bevel cutting method, device and control equipment
CN1137829A (en) Interactive machine control system and method
CN106054814B (en) Computer aided building method based on image grayscale
JP6980151B1 (en) Machining program generator, machining program generation method and machine learning method
Gönnheimer et al. Generation of identifiable CNC reference runs with high information content for machine learning and analytic approaches to parameter identification
CN116224902B (en) Intelligent tool changing decision control system
US6957123B2 (en) Automatic programming apparatus
KR20220067710A (en) Method for selecting tools for CNC machine
CN105807720B (en) Phone mould forming part numerical control programming and automation Working control device
KR101405039B1 (en) Manufacturing process automation method and system
JP5322881B2 (en) Processing simulation device and optimum process determination device
Ssemakula et al. The prospects of process sequence optimization in CAPP systems
CN116851930A (en) Three-dimensional five-axis curved surface laser cutting track generation method and device
CN113626948B (en) Automatic process step design method based on knowledge reasoning
JPH0631590A (en) Preparation of tool transfer passage for nc working
JP5441604B2 (en) Optimal process determination device and optimal process determination method
Shyu et al. A mini CIM system for turning
Vukelic et al. Intelligent design and optimization of machining fixtures
CN113110299B (en) Automatic production method of cutting die capable of realizing continuous machining
KR102594887B1 (en) Material discrimination apparatus for machine tool workpieces and method thereof

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application