KR20230029132A - 딥러닝 신경망을 이용한 기계요소 해석 장치 - Google Patents

Abstract

본 발명의 해석 장치는 사용자로부터 기어의 형상과 경계조건을 입력받는 입력부; 기계요소 해석 학습 모델이 저장된 저장부; 및 상기 기어의 형상과 경계조건을 상기 학습 모델에 전달하여 기어를 해석하고 그 결과를 출력하는 처리부를 포함하고, 상기 학습 모델은, 복수의 기어 형상을 모델링하는 단계; 모델링된 각 기어 형상에 유한 요소 해석을 실시하여 응력분포, 응력 및 변형률로 구성된 학습 데이터 세트를 취득하는 단계; 모델링된 각 기어 형상에 피로 해석을 실시하여 굽힘 피로와 표면 피로에 대한 학습 데이터 세트를 취득하는 단계; 및 상기 학습 데이터 세트를 이용하여 상기 학습 모델을 학습시키는 단계;를 포함하는 방법으로 학습된다.

Description

딥러닝 신경망을 이용한 기계요소 해석 장치{Apparatus for analysing mechanical elements based on deep learning neural network}

본 발명은 기계요소 해석 장치에 관한 것으로, 보다 구체적으로는, 기어에 대한 응력, 변형률 등을 작은 컴퓨팅 자원을 사용하여 짧은 시간 내에 해석할 수 있는 딥러닝 신경망을 이용한 기계요소 해석 장치에 관한 것이다.

기계를 구성하는 중요 요소로서 볼트, 너트, 나사, 기어, 베어링, 스프링, 축, 브레이크 등이 있는데, 이중 기어는 두 축 사이에서 힘을 전달할 때 서로 미끄럼이 없이 잘 돌아가도록 원통에 돌기를 붙인 장치이다. 기어는 속도비가 정확하고 동력의 전달 효율이 높아 동력전달용 요소로 가장 널리 사용되고 있다. 기어의 허용토크, 허용 가능한 힘은 기어가 주어진 시스템에서 안정적으로 작동할 수 있는지 여부를 판단하는 지표가 되므로 정확한 해석을 진행하지 않을 경우, 물적 피해와 더 나아가 인적 피해가 발생할 수 있다.

기존 기어를 해석하는 방법에는 유한요소 해석 프로그램을 이용하는 방법과 이론식으로 계산을 진행하는 방법이 있다. 유한요소 해석 상용 프로그램으로 Ansys, COMSOL, Abaqus^TM가 널리 사용되며, 이러한 상용 프로그램은 간단한 공학 문제부터 복잡한 문제까지 해석할 수 있으나 프로그램의 라이센스 비용이 고가이고 계산에 많은 시간이 소요되는 문제가 있다. 또한 프로그램을 사용함에 있어, 숙련도가 요구되므로 프로그램을 이용한 해석은 많은 시간과 비용이 요구된다. 이론 해석의 경우, 관련 분야 비전공자에겐 접근이 난해하며, 관련 공학 지식에 대한 높은 이해도를 요구한다.

본 발명은 상술한 문제점을 해결하기 위하여 창출된 것으로, 고가의 상용 기계해석 프로그램을 사용하지 않고 보다 빠르고 정확하게 기계요소를 해석할 수 있는 딥러닝 신경망을 이용한 해석 장치와 그 동작 방법을 제공하는 것을 목적으로 한다.

본 발명에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 해석 장치는, 사용자로부터 기어의 형상과 경계조건을 입력받는 입력부; 기계요소 해석 학습 모델이 저장된 저장부; 및 상기 기어의 형상과 경계조건을 상기 학습 모델에 전달하여 기어를 해석하고 그 결과를 출력하는 처리부를 포함하고, 상기 학습 모델은, 복수의 기어 형상을 모델링하는 단계; 모델링된 각 기어 형상에 유한 요소 해석을 실시하여 응력분포, 응력 및 변형률로 구성된 학습 데이터 세트를 취득하는 단계; 모델링된 각 기어 형상에 피로 해석을 실시하여 굽힘 피로와 표면 피로에 대한 학습 데이터 세트를 취득하는 단계; 및 상기 학습 데이터 세트를 이용하여 상기 학습 모델을 학습시키는 단계;를 포함하는 방법으로 학습된다.

본 발명의 다른 실시예에 따른 해석 장치는 학습 모델이 오토인코더형 신경망과 회귀 신경망을 포함하고, 학습 모델을 학습시키는 단계는 응력분포에 관한 학습 데이터 세트를 이용하여 오토인코더형 신경망을 학습시키고, 응력, 변형률, 굽힘 피로 및 표면 피로에 관한 학습 데이터 세트를 이용하여 회귀 신경망을 학습시키는 것을 특징으로 한다.

본 발명의 또 다른 실시예에 따른 해석 장치는 학습 데이터 세트를 6:2:2로 구분하여 학습, 검증, 테스트하는 것을 특징으로 한다.

본 발명의 또 다른 실시예에 따른 해석 장치는 회귀 신경망을 학습시키는 과정에서 하이퍼 파라미터를 조절하는 것을 특징으로 한다.

본 발명에서 이루고자 하는 기술적 과제들의 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자 에게 명확하게 이해될 수 있을 것이다.

본 상세한 설명에 개시된 다양한 실시예에 따르면, 본 발명은 고가의 상용 프로그램을 사용하지 않고도, 기계요소를 딥러닝 신경망 기반 해석 모델을 사용하여 신속하고 정확하게 해석하는 효과를 달성한다.

특히, 유한요소 해석을 이용하여 기어의 응력 분포, 변형률을 계산하는 경우 형상 제작 및 해석 전반에 있어 약20~30분 정도 소요되지만, 본 발명은 기어의 형상과 경계 조건을 입력하는 것만으로 약 1초 이내에 기어의 해석이 가능한 효과를 달성한다.

본 발명에서 이루고자 하는 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과 들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도1은 기어 형상 모델을 나타낸다.
도2는 기어의 모델링 구조 및 단순화 형태를 나타낸다.
도3은 기어 해석을 위한 형상과 경계 조건을 나타낸다.
도4는 메쉬 형상과 본-미세스 응력 분포 이미지를 나타낸다.
도5는 오코인코더형 신경망 구조를 나타낸다.
도6은 회귀 신경망 구조를 나타낸다.
도7은 응력 분포 예측 신경망 훈련 결과를 도시한다.
도8은 응력, 변형률 예측 신경망 훈련 결과를 나타낸다.
도9는 피로 특성 예측 신경망 훈련 결과를 나타낸다.
도10은 본-미세스 응력 분포 예측 결과를 나타낸다.
도11은 응력과 변형률을 예측하는 신경망의 예측 결과를 나타낸다.
도12는 예측 결과를 검증하기 위한 실험 장치의 개략도이다.
도13은 실험에 사용한 휘스톤 브릿지의 실물과 등가 회로도이다.
도14는 스트레인 게이지가 부착된 기어를 도시한다.
도15는 기어의 각 사이클에서 굽힘 피로에 따른 허용 가능한 토크 예측과 Ground Truth값을 나타낸다.
도16은 기어의 각 사이클에서 표면 피로에 따른 허용 토크 예측과 Ground Truth값을 나타낸다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 본 발명이 속하는 기술분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재하였다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "…부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 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 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 발명에 따른 실시예는 딥러닝 신경망을 학습시키기 위한 데이터를 얻는 과정, 이렇게 습득된 데이터로 딥러닝 신경망을 훈련시키는 과정, 훈련된 신경망을 이용하여 해석을 수행하는 과정으로 나누어 설명한다.

1. 기어 모델링

신경망 학습에 필요한 데이터를 얻기 위하여, 첫 번째 단계로 기어 형상을 제작하였다. 기어 형상은 현재 시판중인 스톡스퍼 기어 카탈로그를 참고하여 제작하였으나, 실제 기어를 보고 작성하여도 좋고, 다른 회사의 기어 카탈로그를 참조하여도 좋다. 도1은 제작한 모델 형상을 나타낸다.

2. 데이터 세트 제작

제작된 모델 형상에 대하여 유한요소 해석과 피로 해석을 하여, 딥러닝 신경망 훈련에 사용할 데이터 세트를 제작한다.

2.1 유한요소 해석

유한요소 해석 진행시, 모델링 구조 및 단순화 형태는 도2에 도시한다. 노드는 약 20만개를 사용하여 해석을 진행하였으며, 2차 사면체 요소를 사용하여 해석을 진행하였다.

유한요소 해석법은 복잡한 형상을 유한개의 메쉬로 나누어 해석을 진행한다. 우선, 수학식 1과 수학식 2로 표현되는 변형률과 변위, 요소 응력과 변형률의 관계로부터 형상 행렬을 만들고, 이로부터 수학식 3과 같이 요소 강성행렬을 구성한다. 다음, 수학식 4와 수학식 5에서와 같이, 요소의 체적력과 표면력 처리를 통하여, 주어진 조건에서 형상이 받는 응력과 변형률을 계산한다. 본 분야에서 통상의 지식을 가진 자는 각 수학식의 의미와 각 수학식을 이용한 계산을 용이하게 수행할 수 있으므로, 각 수학식 및 이를 이용한 계산 과정에 대한 상세한 설명은 생략한다.

여기서, ε는 요소의 변형률, B는 변형률 변위 행렬이고, d는 요소 절점 변위 벡터이다.

σ는 요소 응력, D는 응력-변형률 행렬이다.

여기서, k는 요소 강성 행렬이고, T는 행렬의 전치(Transpose)를 나타낸다.

여기서, fb는 요소 체적력이고, N는 형상 함수 행렬이고, X는 중량 밀도이며, T는 행렬의 전치를 나타낸다.

여기서, fs는 요소 표면력이고, N는 형상 함수 행렬이고, {T}는 중량 밀도이며, T는 행렬의 전치를 나타낸다.

형상과 경계조건은 도3에 도시하였으며, 이때의 메쉬 형상과, 본-미세스(Von-Moisses) 응력 분포 형상은 도4에 도시한다. 이러한 과정을 수행한 유한요소 해석 결과로부터 얻은 본-미세스 응력분포, 응력, 변형률 결과를 훈련 데이터 세트로 사용한다.

2.2 피로 해석

기어의 피로 해석을 실시한다. 피로 해석은 기어의 이빨에 파괴가 생기게 되는 굽힘 피로와 기어의 표면이 마모가 되는 기어의 표면 피로에 대하여 진행한다.

기어의 굽힘 피로 강도는 기어가 굽힘에 대해 최대로 받을 수 있는 응력이며, 굽힘 피로 강도는 수학식 6과 같이 나타낼 수 있다.

여기서, Sn는 굽힘 피로 강도이고,Sn'은 굽힘 내구 한도, C_L은 하중 계수, C_G는 구배 수계, C_S는 표면 계수, k_r은 신뢰도 계수,k_t는 온도 계수 k_ms는 평균 응력계수 이다.

또한 루이스(Lewis) 식으로 알려진 기어의 굽힘 응력은 기어가 특정 피로 상황에서 굽힘에 대해 실제로 받는 응력이며, 수학식 7로 나타낼 수 있다.

여기서, Ft는 수직방향 하중,K₀는 과부하 계수, P는 기어의 피치, b는 이폭, J는 기어의 형상 계수,Kv는 속도 계수,Ko는 과부하 계수, Km은 설치계수이다.

기어에 허용 가능한 외력은 기어에 굽힘 파손이 일어나지 않는 최대 허용 가능한 힘이며, 피로 강도와 응력이 같을 때의 힘이다. 상기 수학식 6과 수학식 7로부터 구할 수 있는, 기어에 허용 가능한 외력은 수학식 8과 같은 형태로 나타낼 수 있다.

여기서, Sn'은 굽힘 내구 한도, C_L은 하중계수, C_G는 구배 계수, Cs는 표면 계수, kr은 신뢰도 계수, kt는 온도계수, kms는 평균 응력 계수, b는 이폭, J는 기어의 형상계수, P는 피치, Kv는 속도 계수, Ko는 과부하 계수, Km은 설치 계수이다.

기어의 마모와 관련된 표면 피로 강도는 기어의 표면이 최대로 받을 수 있는 응력이며 수학식 9로 나타낼 수 있다.

여기서, SH 는 표면 피로 강도,Sfe는 표면 내구한도, C_Li는 수명 계수, C_R은 신뢰도 계수이다.

또한 기어의 표면이 특정 피로 상황에서 실제로 받는 응력인 기어의 표면 응력은 헤르츠 식으로 알려진 바와 같이 수학식 10과 같이 나타낼 수 있다.

여기서,σH 는 표면 응력, Cp는 탄성 계수, Ft는 수직 방향 하중, b는 이폭, dp는 피니언 지름 I는 형상계수, Kv는 속도계수, Ko는 과부하 계수, Km은 설치 계수 이다.

상기 수학식 9와 수학식 10으로부터 유도한 수학식 11은 표면 마모에 대하여 허용 가능한 외력을 나타낸다.

여기서, Sfe 표면 내구한도, C_Li는 수명계수, C_R은 신뢰도 계수, Cp는 탄성 계수, b는 이폭, dp는 피니언 지름, I는 형상계수, Kv는 속도 계수, Ko는 과부하 계수, Km은 설치 계수 이다.

제작한 기어 형상에 대하여, 수학식 8과 수학식11을 사용하여 허용 가능한 외력을 구하고, 이를 허용 가능한 토크로 변경하여 데이터 세트를 획득한다. 데이터 세트를 제작하는 과정에서, 응력 분포, 응력, 변형률, 기어의 굽힘 피로 조건에서 각 사이클(수명)의 허용 가능한 토크를 구하고, 이를 이용하여 딥러닝 신경망을 훈련하였다.

2.3 딥러닝 신경망 모델 구조

본 실시예는 2개의 신경망을 사용하여 훈련을 진행하였다. 도5에 도시한 오토인코더형 신경망 구조를 이용하여, 본-미세스 응력 분포를 예측하였으며, 도6에 도시한 회귀 신경망을 이용하여 응력과 변형률 예측을 하였으며, 또한, 회귀 신경망을 이용하여, 굽힘 피로와 표면 피로에 대하여, 기어의 각 사이클에서 허용 가능한 토크를 예측하였다.

본 발명의 실시예는 응력 분포의 예측을 위해 오토인코더형 신경망을 제작하고, 응력-변형률, 피로 수명과 같은 정량적 값의 예측을 위해 회귀 신경망을 제작하였다. 상기 3종류의 데이터 모두를 한 번에 예측하는 신경망을 구축하면 하나의 신경망만을 훈련시켜도 되는 장점이 있으나, 훈련이 완료되는 시점에서 가장 많은 시간이 소요되는 데이터 종류에 신경망의 성능이 결정되어 버린다. 이러한 점에 대한 해결책으로, 구글넷(Google Net)과 같은 형태로 신경망의 중간에 출력 결과를 얻을 수 있는 구조를 추가할 수 있지만, 이때의 학습된 파라미터는 예측하고자 하는 데이터에 대하여 최적의 결과라고 보기 어렵다. 이와 달리, 본 발명의 실시예는 3종류 데이터를 예측하기 위하여 각각의 예측 데이터에 대한 3가지 신경망을 사용하여, 모든 학습 파라미터들을 예측 데이터 마다 최적화하였다.

인공 신경망의 파라미터를 업데이트하는 과정에서 많이 사용되는 Adam Optimizer, RmsProp Optimzer 등은 전체 데이터 세트를 미니 배치 크기로 나누어 훈련하고, 미니 배치의 훈련이 완료될 때 파라미터를 업데이트한다.

본 발명의 실시예에 따른 신경망 중 오토인코더형 신경망은 응력 분포 예측 훈련에 많은 시간을 필요로 하나, 회귀 신경망은 응력-변형률 예측과 피로 예측시 과도한 시간을 필요로 하지 않는다.

본 발명의 다른 실시예에 따르면, 훈련 결과에 대한 예측 정확도를 높이기 위하여 하이퍼 파라미터 조절을 진행할 수 있다. 많은 컴퓨팅이 요구되는 경우(응력 분포 예측) 훈련 시간이 길어 조절이 어렵지만, 회귀 신경망(응력-변형률 예측, 피로 예측)의 경우 많은 계산 능력을 요구하지 않으므로, 반복적인 훈련을 통한 예측 결과를 바탕으로 한 피드백을 이용하여, 보다 많은 하이퍼 파라미터를 조절할 수 있고, 상대적으로 짧은 시간 이내에, 신경망의 완성도를 높일 수 있다.

이상의 신경망은 기어의 형상과 경계조건을 입력 데이터로 하여 훈련된다. 이때, 전체 데이터 세트는 약 12만개를 제작하였으며, 훈련, 검증, 테스트를 6대 2대 2로 분할하여 훈련을 진행하였다. 신경망 훈련 및 예측은 Microsoft사의 가상머신을 이용하였으며, Tesla T4 그래픽 카드를 이용하여 실시하였다.

2.3.1 신경망 훈련 결과

2.3.1.1 응력 분포 예측 결과

도7은 응력 분포 예측 신경망 훈련 결과를 도시하고, 도10은 본-미세스 응력 분포 예측 결과를 나타낸다. 도7과 도10에 도시한 바와 같이, 딥러닝 신경망을 이용하여 예측한 응력 분포는 정답 데이터인 Ground Truth와 매우 유사하고, 이때의 신경망 정확도는 99.20%이다.

2.3.1.2 응력, 변형률 예측 결과

도8은 응력, 변형률 예측 신경망 훈련 결과를 나타내며, 도11은 응력과 변형률을 예측하는 신경망의 예측 결과를 나타내고, 표1은 응력 변형률 예측 결과를 나타낸다. 도11에 도시한 바와 같이, 응력, 변형률은 Ground Truth 선을 따라 군집화를 이루었으며, 특히 변형률 예측에서 높은 군집화 정도를 보였다. 이때의 신경망 정확도는 99.65%로 높은 정확도를 얻을 수 있었다.

2.3.2 실험을 통한 예측 결과 검증

도12는 예측 결과를 검증하기 위한 실험 장치이다. 실험 장치는 휘스톤 브릿지 회로, 앰프, 기어, 분동, 멀티미터로 구성된다. 도13은 실험에 사용한 휘스톤 브릿지의 실물과 등가 회로도를 나타내며, 도14는 스트레인 게이지가 부착된 기어를 나타낸다. 실험에 사용된 각 구성요소는 통상의 기술자에게 주지된 사항이므로 상세한 설명은 생략한다.

도14에 도시된 스트레인 게이지에서 전압 변화를 측정하고, 측정된 전압을 이용하여, 수학식12를 이용하여 변형률을 계산하였다. 측정된 전압의 변화를 표2에 나타내고, 수학식12를 이용하여 측정한 변형률과 신경망 예측 결과를 표3에 나타내었다.

여기서, Vin은 입력 전압이고, △V는 측정된 전압의 변화이고, GF는 스트레인 게이지의 게이지 펙터이며, Camp는 앰프의 증폭 비이다.

표3에 나타낸 바와 같이, 신경망의 예측 결과와 측정된 변형률을 비교해 볼 경우, 상당히 유사함을 확인할 수 있으며 이때의 오차율은 약11%이다.

2.3.3 피로 예측

다음 굽힘과 표면 피로에 대하여, 기어의 각 사이클에서 허용 가능한 토크를 신경망으로 예측한 결과에 대하여 설명한다.

도15는 기어의 각 사이클(10⁴ 내지 10¹¹)에서 굽힘 피로에 따른 허용 가능한 토크 예측과 Ground Truth값을 나타낸다. 각 사이클에서 토크 예측값과 Ground Truth값이 거의 일치함을 나타낸다.

도16은 기어의 각 사이클(10⁴ 내지 10¹¹)에서 표면 피로에 따른 허용 토크 예측과 Ground Truth값을 나타낸다. 각 사이클에서 토크 예측값과 Ground Truth값이 거의 일치함을 나타낸다.

본 발명에 따른 해석 장치는 해석 속도가 매우 빠르다는 장점이 있다. 일반적으로 유한요소 해석을 이용한 해석 결과를 얻으려면, 메쉬와 노드 개수에 따라서 해석 시간이 결정되는데, 사용되는 Solver와 반복 정도에 따라 해석 시간이 결정된다. 유한 요소 해석법을 이용하면, 형상을 유한개의 요소로 나누고, 형상 행렬과 강성 행렬을 구성한 후 Solver를 이용하여 해석을 진행한다.

상용프로그램을 이용한 유한요소 해석 결과와 본 발명에 따른 해석 결과를 각 요소별로 대비하면 아래 표4와 같다.

이상과 같이, 기존 유한요소 해석을 이용하여 응력 분포, 변형률을 구하는 경우, 형상 제작 및 해석 전반에 있어서 약 20~30분 정도 소요가 되지만, 본 발명에 따른 해석 장치는 단순히 기어의 형상과 경계 조건을 입력하면 대략 1초 이내에 해석을 완료하고, 해석의 과정은 10초 이내에 완료할 수 있다.

딥러닝 신경망은 훈련을 위해 많은 데이터와 시간이 소요되지만, 기 훈련된 신경망을 이용하면 입력 데이터에 대한 분류나 예측을 매우 빠르게 진행 할 수 있다. 따라서 본 발명의 해석 장치는 훈련된 학습 모델을 이용하여, 유한요소 해석과 같이 높은 컴퓨팅 능력을 필요로 하는 경우에도, 빠른 시간 내에 결과를 얻을 수 있다.

본 발명에 따른 해석 장치는 20,000개의 데이터 세트로 딥러닝 신경망을 훈련하여 얻은 해석 모델은 사용한 결과 약 2초 이내에 해석 결과를 얻는 장점이 있다. 일반적인 상용 프로그램을 이용하여 모델링과 유한요소 해석을 진행할 경우, 약 20분이 소요되는 점에 대하여, 시간적으로나 컴퓨팅 자원 면에서 많은 이득이 있다.

상술한 일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

또한 상술한 실시예는 컴퓨터로 읽을 수 있는 저장 매체에 저장된 명령어(instructions)를 포함하는 S/W 프로그램으로 구현될 수 있다.

본 상세한 설명에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

상술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 권리 범위는 특허청구범위에 의하여 확정되어야 하며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 권리 범위에 포함되는 것으로 해석되어야 한다.

Claims (4)

1. 사용자로부터 기어의 형상과 경계조건을 입력받는 입력부;
   기계요소 해석 학습 모델이 저장된 저장부; 및
   상기 기어의 형상과 경계조건을 상기 학습 모델에 전달하여 기어를 해석하고 그 결과를 출력하는 처리부를 포함하고,
   상기 학습 모델은,
   복수의 기어 형상을 모델링하는 단계;
   모델링된 각 기어 형상에 유한 요소 해석을 실시하여 응력분포, 응력 및 변형률로 구성된 학습 데이터 세트를 취득하는 단계;
   모델링된 각 기어 형상에 피로 해석을 실시하여 굽힘 피로와 표면 피로에 대한 학습 데이터 세트를 취득하는 단계; 및
   상기 학습 데이터 세트를 이용하여 상기 학습 모델을 학습시키는 단계;를 포함하는 방법으로 학습되는 딥러닝 신경망을 이용한 기계요소 해석 장치.
2. 청구항1에 있어서,
   상기 학습 모델은 오토인코더형 신경망과 회귀 신경망을 포함하고,
   상기 학습 모델을 학습시키는 단계는 상기 응력분포에 관한 학습 데이터 세트를 이용하여 상기 오토인코더형 신경망을 학습시키고, 상기 응력, 변형률, 굽힘 피로 및 표면 피로에 관한 학습 데이터 세트를 이용하여 회귀 신경망을 학습시키는 것을 특징으로 하는 딥러닝 신경망을 이용한 기계요소 해석 장치.
3. 청구항1에 있어서,
   상기 학습 모델을 학습시키는 단계는 상기 학습 데이터 세트를 6:2:2로 구분하여 학습, 검증, 테스트하는 것을 특징으로 하는 딥러닝 신경망을 이용한 기계요소 해석 장치.
4. 청구항2에 있어서,
   상기 회귀 신경망을 학습시키는 과정은 하이퍼 파라미터 조절 단계를 더 포함하는 것을 특징으로 하는 딥러닝 신경망을 이용한 기계요소 해석 장치.
   

Images