KR20230054554A - Construction Method of tool wear estimation model based on change rate in tool wear - Google Patents

Construction Method of tool wear estimation model based on change rate in tool wear Download PDF

Info

Publication number
KR20230054554A
KR20230054554A KR1020210137688A KR20210137688A KR20230054554A KR 20230054554 A KR20230054554 A KR 20230054554A KR 1020210137688 A KR1020210137688 A KR 1020210137688A KR 20210137688 A KR20210137688 A KR 20210137688A KR 20230054554 A KR20230054554 A KR 20230054554A
Authority
KR
South Korea
Prior art keywords
tool wear
information
tool
data
spindle
Prior art date
Application number
KR1020210137688A
Other languages
Korean (ko)
Inventor
구정인
이재학
박경희
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020210137688A priority Critical patent/KR20230054554A/en
Publication of KR20230054554A publication Critical patent/KR20230054554A/en

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
    • B23Q15/16—Compensation for wear of the tool
    • 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
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • 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
    • 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]

Abstract

The present invention relates to a method for generating a tool wear estimation model based on tool wear change amount. The present invention provides the tool wear estimation model that learns the amount of change in tool wear, thereby increasing the accuracy and stability of tool breakage estimation. The present invention includes a data input step; a tool wear value measuring step; a tool wear change rate value calculating step; and a tool wear model generating step.

Description

공구마모 변화량 기반 공구마모 추정 모델 생성 방법{Construction Method of tool wear estimation model based on change rate in tool wear}Method of generating tool wear estimation model based on change rate of tool wear {Construction Method of tool wear estimation model based on change rate in tool wear}

본 발명은 공구마모 변화량 기반 공구마모 추정 모델 생성 방법에 관한 것이다.The present invention relates to a method for generating a tool wear estimation model based on tool wear variation.

다양한 산업현장에 사용되는 절삭가공은 장비, 소재, 공정 및 절삭공구 특성에 영향을 많이 받기 때문에 공정 최적화 및 이상상태 사전대응을 판단하는 것은 중요하다.Since the cutting process used in various industrial sites is greatly affected by the characteristics of equipment, materials, processes, and cutting tools, it is important to optimize the process and determine the preemptive response to abnormal conditions.

특히, 절삭가공에서 공구는 시간에 따라 마모되는데, 공구와 피삭재는 서로 접촉하며 절삭되는 바 공구의 마모된 정도는 피삭재의 절삭 품질에 직접적인 영향을 끼친다. 이에 따라, 공구의 마모도를 추정하고, 공구의 수명 및 잔여 시간을 예측하는 것은 절삭가공의 품질 및 생산성을 증가시키는데 있어 매우 중요하다.In particular, in cutting, tools are worn over time, and the tool and the workpiece contact each other, and the degree of wear of the cutting bar tool directly affects the cutting quality of the workpiece. Accordingly, estimating the degree of wear of the tool and predicting the tool life and remaining time are very important in increasing the quality and productivity of the cutting process.

도 1을 참조하면, 공구의 파손은 일반적으로 A구간 내지 C구간을 거치며, C 구간 이후에 공구가 파손된다.Referring to FIG. 1, tool breakage usually goes through section A to section C, and the tool is broken after section C.

종래에는, 도 1과 같은 시간에 따른 공구의 마모도를 학습한 모델을 이용하여, 공구의 마모도를 추정하는 것에 대한 인식은 있었다. 다만, 시간에 따른 공구 마모도의 그래프 파형을 학습하여 공구 파손을 예측하여 학습 데이터가 방대해지고, 파손 기준이 되는 공구 마모도값을 가정하기 어려운 문제가 있었다. 또한, 공구 마모도 값이 실제보다 과소/과대 추정 모두 가능성이 있기에 오차를 판단해서 계속 모델링 과정에서 피드백을 주는 작업이 필요하였다.Conventionally, there is a recognition of estimating the wear degree of a tool using a model in which the wear degree of a tool is learned over time as shown in FIG. 1 . However, there is a problem in that it is difficult to assume a tool wear value that is a tool wear value that is a breakage criterion because learning data is vast by learning a graph waveform of tool wear over time to predict tool breakage. In addition, since there is a possibility that the tool wear value may be underestimated or overestimated than the actual value, it was necessary to judge the error and continuously give feedback in the modeling process.

예를 들어, 일본등록특허공보 제6865908호는 공작 기계가 이용하는 절삭 공구의 마모량을 추정하는 수치 제어 장치 및 기계 학습 장치에 관한 것으로, 절삭 공구의 마모량을 계측한 결과인 마모량 계측 결과를 취득하여 공구 마모량을 학습한 학습 모델을 개시하나, 공구 마모량의 변화량을 학습하고자 하는 인식은 부족하였다.For example, Japanese Patent Registration No. 6865908 relates to a numerical control device and a machine learning device for estimating the amount of wear of a cutting tool used by a machine tool, and acquires the result of measuring the amount of wear, which is the result of measuring the amount of wear of a cutting tool. A learning model that learned the amount of wear was disclosed, but the recognition to learn the amount of change in the amount of tool wear was insufficient.

다른 예를 들어, 일본등록특허공보 제6836577호는 연마 공구 마모량 예측 장치, 기계 학습 장치 및 시스템에 관한 것으로, 마모량을 학습한 학습 모델을 개시하나, 공구 마모량의 변화량을 학습하고자 하는 인식은 부족하였다.As another example, Japanese Patent Registration No. 6836577 relates to an abrasive tool wear prediction device, a machine learning device and system, and discloses a learning model that learns the wear amount, but lacks awareness of learning the amount of change in tool wear. .

(특허문헌 1) 일본등록특허공보 제6865908호(Patent Document 1) Japanese Patent Registration No. 6865908

(특허문헌 2) 일본등록특허공보 제6836577호(Patent Document 2) Japanese Patent Registration No. 6836577

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been made to solve the above problems.

구체적으로, 본 발명은 공구 마모 변화량을 학습한 공구 마모 추정 모델을 개시하여, 공구 파손 추정의 정확도와 안정성을 증대시키기 위함이다.Specifically, the present invention is to increase the accuracy and stability of tool breakage estimation by disclosing a tool wear estimation model obtained by learning tool wear variation.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하고 다수의 축으로 구동되어 피삭재를 절삭하는 절삭 가공 기기의 공구 마모량을 추정하기 위한 공구 마모 추정 모델 생성 방법으로서, (a) 데이터 전처리부(100)에 공정 변수 데이터(10) 및 모니터링 데이터(20)가 입력되는 단계로서, 상기 공정 변수 데이터(10)는 절삭 공구 정보(13) 및 가공실험 정보(14)를 포함하고, 상기 절삭 공구 정보(13)는 공구날 수(number of tooth)에 대한 정보를 포함하고, 상기 가공실험 정보(14)는 미리 설정된 스핀들 RPM 설정값에 대한 정보를 포함하고, 상기 모니터링 데이터(20)는 CNC 정보(21) 및 센서 정보(22)를 포함하고, 상기 CNC 정보(21)는 측정되는 스핀들 RPM에 대한 정보를 포함하는, 데이터 입력 단계; (b) 마모 측정부(200)가 공구의 시간에 따른 공구마모도 값을 측정하는 단계; (c) 연산부(300)가 상기 마모 측정부(200)가 측정한 시간에 따른 공구마모도 값을 이용하여 공구 마모도 변화율 값을 연산하는 단계; 및 (d) 모델링부(400)가 상기 입력된 공정 변수 데이터(10)와 모니터링 데이터(20)를 입력 데이터로 하고 상기 공구 마모도 변화율 값을 출력 데이터로 하여 학습된 공구 마모 모델을 생성하는 단계; 를 포함하는, 방법을 제공한다.One embodiment of the present invention for solving the above problems is a tool wear amount of a cutting machine including one or more cutting tools including a plurality of tool blades mounted on a spindle and driven by a plurality of axes to cut a workpiece. As a tool wear estimation model generation method for estimating, (a) a step of inputting process variable data 10 and monitoring data 20 to a data pre-processing unit 100, wherein the process variable data 10 is a cutting tool information 13 and machining experiment information 14, wherein the cutting tool information 13 includes information on the number of teeth, and the machining experiment information 14 includes preset spindle RPM Data including information on set values, wherein the monitoring data 20 includes CNC information 21 and sensor information 22, and the CNC information 21 includes information on the measured spindle RPM. input step; (b) measuring, by the wear measurement unit 200, a tool wear value over time of a tool; (c) calculating, by the calculation unit 300, a tool wear change rate value using the tool wear value according to time measured by the wear measuring unit 200; and (d) generating, by the modeling unit 400, a learned tool wear model using the input process variable data 10 and the monitoring data 20 as input data and the tool wear change rate value as output data; Including, it provides a method.

일 실시예에 있어서, 상기 (d)단계 이후, (e) 상기 공구 마모 모델에 새로운 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력됨으로써, 상기 공구 마모 모델에서 공구 마모도 변화율 값이 출력되는 단계; (f) 제어부(500)가 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 이상이고 기설정된 횟수 이상이면 파손 위험으로 판단하는 단계; 및 (g) 상기 제어부(500)가 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 미만이거나 기설정된 횟수 미만이면 파손 정상으로 판단하는 단계; 를 포함할 수 있다.In one embodiment, after the step (d), (e) new process variable data 10 and monitoring data 20 are input to the tool wear model, so that the tool wear change rate value is output from the tool wear model step; (f) determining, by the control unit 500, that the tool wear rate change rate value output from the tool wear model is more than a preset value and is more than a preset number of times as a risk of breakage; and (g) determining, by the control unit 500, that the damage is normal when the tool wear rate change value output from the tool wear model is less than a preset value or less than a preset number of times; can include

일 실시예에 있어서, 상기 가공실험 정보(14)는 스핀들 이송 속도, 피삭재의 절삭 폭 및 피삭재의 절입 깊이에 대한 정보를 더 포함하고, 상기 센서 정보(23)는 상기 절삭 가공 기기에서 측정되는 스핀들의 각 축 및 스핀들의 3상 전류 및 전압, 스핀들의 X, Y방향 가속도 및 소음에 대한 정보를 더 포함하고, 상기 CNC정보(21)는 상기 절삭 가공 기기의 기기 동작 시간, 스핀들의 각 축의 위치, 스핀들의 각 축과 스핀들에 걸리는 부하, 및 스핀들 RPM에 대한 정보를 더 포함할 수 있다. In one embodiment, the machining experiment information 14 further includes information on the spindle feed speed, the cutting width of the workpiece, and the depth of cut of the workpiece, and the sensor information 23 is the spindle measured by the cutting machine. It further includes information on three-phase current and voltage of each axis and spindle, X, Y-direction acceleration and noise of the spindle, and the CNC information 21 includes the machine operation time of the cutting machine, the position of each axis of the spindle , loads applied to each axis of the spindle and the spindle, and information on the spindle RPM may be further included.

일 실시예에 있어서, 상기 공정 변수 데이터(10)는, 피삭재의 소재 정보를 포함하는 피삭재 정보(11) 및 가공하는 상기 절삭 가공 기기의 종류인 기기 종류를 포함하는 기기 정보(12)를 더 포함할 수 있다.In one embodiment, the process variable data 10 further includes workpiece information 11 including material information of a workpiece and machine information 12 including a machine type that is a type of the cutting machine to be processed. can do.

일 실시예에 있어서, 상기 (g)단계 이후, (h) 상기 제어부(500)가 상기 파손 위험으로 판단하면, 추가 학습부(600)는 상기 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 위험 데이터로 분류하는 단계;(i) 상기 제어부(500)가 상기 파손 정상으로 판단하면, 상기 추가 학습부(600)는 상기 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 정상 데이터로 분류하는 단계; 및 (j) 추가 학습부(600)는 상기 파손 위험 데이터와 상기 파손 위험 데이터를 이용하여 상기 공구 마모 모델을 추가 학습시키는 단계;를 포함할 수 있다.In one embodiment, after the step (g), (h) if the control unit 500 determines the risk of damage, the additional learning unit 600 calculates the new process variable data 10 and monitoring data 20 , Classifying the tool wear degree change rate value output from the tool wear model at that time as breakage risk data; Classifying the process variable data 10 and the monitoring data 20 and the tool wear change rate value output from the tool wear model at that time as damage normal data; and (j) further learning, by the additional learning unit 600, the tool wear model using the breakage risk data and the breakage risk data.

본 발명에 따라, 다음과 같은 효과가 달성된다. According to the present invention, the following effects are achieved.

본 발명은 공구 마모 변화량을 이용하여 학습하는 바, 공구 마모도를 이용하여 학습된 모델에 비해, 공구 파손 추정의 정확도와 안정성을 증대시킬 수 있다.Since the present invention learns using the amount of change in tool wear, it is possible to increase the accuracy and stability of tool breakage estimation compared to a model learned using the degree of tool wear.

또한, 본 발명에서는 공구 마모 변화량을 이용하여 학습된 공구 마모 추정 모델을 생성하는 바, 공구 마모도를 이용하여 학습할 때에 비해 학습 데이터의 크기를 감소시킬 수 있고, 공구 마모 추정 모델을 학습하는 속도를 증대시킬 수 있다.In addition, in the present invention, since a tool wear estimation model learned using tool wear variation is generated, the size of learning data can be reduced compared to learning using tool wear, and the speed of learning the tool wear estimation model can be increased. can increase

도 1은 종래의 공구 마모도를 도시한 도면이다.
도 2은 본 발명에 따른 공구 마모 추정 모델을 생성하기 위한 방법을 설명하기 위한 모식도이다.
도 3은 본 발명에 따른 공구 마모 추정 모델을 생성하는데 필요한 데이터를 설명하기 위한 도면이다.
도 4는 본 발명에 따른 공구 마모 추정 모델을 추가 학습하는 방법을 설명하기 위한 모식도이다.
도 5는 종래의 공구 마모도값을 학습한 공구 마모 추정 모델을 이용한 시뮬레이션 결과이다.
도 6은 본 발명에 따른 공구 마모 추정 모델을 이용한 시뮬레이션 결과이다.1 is a diagram showing a conventional tool wear.
2 is a schematic diagram for explaining a method for generating a tool wear estimation model according to the present invention.
3 is a diagram for explaining data required to generate a tool wear estimation model according to the present invention.
4 is a schematic diagram for explaining a method of additionally learning a tool wear estimation model according to the present invention.
5 is a simulation result using a tool wear estimation model obtained by learning a conventional tool wear value.
6 is a simulation result using a tool wear estimation model according to the present invention.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some cases, in order to avoid obscuring the concept of the present invention, well-known structures and devices may be omitted or may be shown in block diagram form centering on core functions of each structure and device.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, in describing the embodiments of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described later are terms defined in consideration of functions in the embodiment of the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification.

도 2 내지 도 6을 참조하여, 본 발명에 따른 공구 마모 모델 학습 방법에 대해 설명한다.Referring to FIGS. 2 to 6 , a tool wear model learning method according to the present invention will be described.

도 2를 참조하면, 본 발명에 따라 공구 마모 추정 모델을 생성하는 방법을 개략적으로 도시한다.Referring to Figure 2, it schematically illustrates a method of generating a tool wear estimation model according to the present invention.

도 3을 참조하면, 본 발명에서 공구 마모 추정 모델을 생성하기 위해, 사용되는 데이터를 도시한다.Referring to FIG. 3, data used to generate a tool wear estimation model in the present invention is shown.

공정 변수 데이터(10)는 절삭 가공에서 사용되는 공정 변수를 포함하는 데이터로, 공정에 영향을 주는 변수를 모두 포함하며, 미리 설정된다.The process variable data 10 is data including process variables used in cutting, includes all variables affecting the process, and is set in advance.

공정 변수 데이터(10)는 피삭재 정보(11), 기기 정보(12), 공구 정보(13) 및 가공 실험 정보(14)를 포함한다.The process variable data 10 includes workpiece information 11 , machine information 12 , tool information 13 , and machining experiment information 14 .

피삭재 정보(11)는 절삭 가공에서 절삭되는 피삭재에 대한 정보를 포함한다. The workpiece information 11 includes information on a workpiece to be cut in cutting.

피삭재 정보(11)는 피삭재의 소재에 대한 정보인 소재의 종류, 물성에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.The workpiece information 11 may include information on the type and physical properties of the workpiece, which is information on the workpiece material, but is not limited thereto.

기기 정보(12)는 절삭 가공 기기에서 절삭하는 다수의 기기 또는 기계에 대한 정보를 포함한다. The device information 12 includes information on a plurality of devices or machines that are cut in the cutting device.

기기 정보(12)는 절삭 가공 기기에서 사용되는 기기 또는 기계의 종류에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. The device information 12 may include information on the type of device or machine used in the cutting device, but is not limited thereto.

공구 정보(13)는 절삭 가공에서 절삭하는데 사용되는 공구에 대한 정보를 포함한다. The tool information 13 includes information about a tool used for cutting in cutting.

공구 정보(13)는 공구날 수(number of tooth)에 대한 정보를 포함한다. 절삭 가공에서는 공구날 수에 따라, 피삭재의 절삭 정도 및 절삭력이 달라진다. The tool information 13 includes information on the number of teeth. In cutting processing, the cutting degree and cutting force of a workpiece vary according to the number of tool blades.

가공 실험 정보(14)는 스핀들 RPM 설정값, 스핀들 이송 속도, 절삭 폭 및 절입 깊이에 대한 정보를 포함한다.The machining experiment information 14 includes information on the spindle RPM setting value, spindle feed speed, cutting width and depth of cut.

이 때, 스핀들 이송 속도는 분당 스핀들의 이동 거리를 의미한다.At this time, the spindle feed rate means the moving distance of the spindle per minute.

또한, 가공 실험 정보(14)는 이송 방향에 대한 정보를 더 포함할 수 있다.In addition, the machining experiment information 14 may further include information on the transfer direction.

모니터링 데이터(20)는 절삭 가공 기기에서 추출되는 데이터로, 해당 기기에서 모니터링되는 데이터이다.The monitoring data 20 is data extracted from a cutting machine, and is data monitored by the machine.

모니터링 데이터(20)는 CNC 정보(21), 센서 정보(22)를 포함한다.The monitoring data 20 includes CNC information 21 and sensor information 22 .

CNC 정보(21)는 CNC장치에 부착된 기기 자체에서 측정되는 정보에 관한 것이다.The CNC information 21 relates to information measured by the device itself attached to the CNC device.

CNC 정보(21)는 기기가 동작되는 시간, 각 축의 위치, 각 축의 부하, 기기에 장착된 스핀들 RPM(mm/rev), 스핀들 부하에 대한 정보를 포함한다.The CNC information 21 includes information about the operating time of the machine, the position of each axis, the load of each axis, the RPM (mm/rev) of the spindle mounted on the machine, and the spindle load.

이 때, 각 축의 위치와 각 축의 부하는 X축, Y축, Z축에 대한 이송 테이블의 위치 정보 및 부하 정보를 포함할 수 있으나 이에 제한되는 것은 아니다.At this time, the position of each axis and the load of each axis may include position information and load information of the transfer table for the X, Y, and Z axes, but are not limited thereto.

센서 정보(22)는 기기에 부착된 센서에 측정되는 정보를 포함한다.The sensor information 22 includes information measured by a sensor attached to the device.

센서 정보(22)는 각 축 및 스핀들의 전압, 각 축 및 스핀들의 전류, 가속도 및 소음에 대한 정보를 포함한다.The sensor information 22 includes information on voltage of each axis and spindle, current of each axis and spindle, acceleration, and noise.

이 때, 각 축 및 스핀들의 전압과 전류는 각 축 및 스핀들을 구동하기 위한 이송 테이블과 스핀들의 모터에서 각각 측정하는 값을 의미한다.At this time, the voltage and current of each axis and spindle mean values respectively measured by the transfer table for driving each axis and spindle and the motor of the spindle.

이 때, 각 축 및 스핀들의 전압과 전류에 대한 정보는 3상전압과 전류를 의미하나 이에 제한되는 것은 아니다.At this time, the information on voltage and current of each axis and spindle means three-phase voltage and current, but is not limited thereto.

이 때, 가속도에 대한 정보는 스핀들의 X축 및 Y축 방향에서 측정되는 가속도에 대한 정보를 포함한다.At this time, the information about the acceleration includes information about the acceleration measured in the X-axis and Y-axis directions of the spindle.

이 때, 소음에 대한 정보는 절삭 가공 기기에 소음 측정기와 같은 장치가 설치되어 수집되는 정보로서, 절삭 공구 및 가공 중 발생되는 소음을 비롯하여 기기에서 발생되는 소음에 대한 정보를 포함할 수 있다.In this case, the information on noise is information collected by installing a device such as a noise meter in the cutting machine, and may include information on noise generated from the cutting tool and the machine, including noise generated during processing.

데이터 전처리부(100)에 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력된다.Process variable data 10 and monitoring data 20 are input to the data pre-processing unit 100 .

또한, 마모 측정부(200)가 공구의 시간에 따른 공구마모도 값을 측정한다.In addition, the wear measuring unit 200 measures the tool wear value according to the time of the tool.

연산부(300)가 마모 측정부(200)가 측정한 시간에 따른 공구마모도 값을 이용하여 공구 마모도 변화율 값을 연산한다.The calculation unit 300 calculates a tool wear rate change rate value using the tool wear value over time measured by the wear measurement unit 200 .

모델링부(400)가 공정 변수 데이터(10)와 모니터링 데이터(20)를 입력 데이터로 하고, 공구 마모도 변화율 값을 출력 데이터로 학습된 공구 마모 모델을 생성한다.The modeling unit 400 uses the process variable data 10 and the monitoring data 20 as input data and generates a learned tool wear model using a tool wear rate change value as output data.

이 때, 모델링부(400)에서 공정 변수 데이터(10)와 모니터링 데이터(20), 공구 마모도 변화율 값을 학습하는 학습 방법의 종류는 특정한 방법에 제한되는 것은 아니다.At this time, the type of learning method for learning the process variable data 10, the monitoring data 20, and the tool wear change rate value in the modeling unit 400 is not limited to a specific method.

도 4를 참조하여, 공구 마모 모델을 추가 학습하는 방법에 대해 설명한다.Referring to FIG. 4, a method of additionally learning a tool wear model will be described.

공구 마모 모델에 새로운 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력되고, 공구 마모 모델에서 공구 마모도 변화율 값이 출력된다.New process variable data 10 and monitoring data 20 are input to the tool wear model, and a tool wear change rate value is output from the tool wear model.

제어부(500)가 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 이상이고 기설정된 횟수 이상이면 파손 위험으로 판단한다.The control unit 500 determines that the tool wear degree change rate value output from the tool wear model is more than a preset value and is more than a preset number of times, as a risk of breakage.

제어부(500)가 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 미만이거나 기설정된 횟수 미만이면 파손 정상으로 판단한다.The control unit 500 determines that the damage is normal when the tool wear degree change rate value output from the tool wear model is less than a preset value or less than a preset number of times.

제어부(500)가 파손 위험으로 판단하면, 추가 학습부(600)는 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 위험 데이터로 분류한다.When the control unit 500 determines that the risk of breakage is determined, the additional learning unit 600 converts the new process variable data 10 and monitoring data 20, the tool wear change rate value output from the tool wear model at that time, into the breakage risk data. Classify.

제어부(500)가 파손 정상으로 판단하면, 추가 학습부(600)는 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 정상 데이터로 분류한다.If the control unit 500 determines that the damage is normal, the additional learning unit 600 converts the new process variable data 10 and monitoring data 20, the tool wear change rate value output from the tool wear model at that time, into the damage normal data. Classify.

추가 학습부(600)는 파손 위험 데이터와 파손 위험 데이터를 이용하여 공구 마모 모델을 추가 학습시킨다.The additional learning unit 600 additionally learns the tool wear model using the breakage risk data and the breakage risk data.

이에 따라, 추가 학습된 공구 마모 모델은 다른 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력되면, 공구 마모도 변화율 값을 출력하고, 파손 위험 데이터 또는 파손 정상 데이터로 분류할 수 있다.Accordingly, the additionally learned tool wear model outputs a tool wear rate change value when other process variable data 10 and monitoring data 20 are input, and can be classified as breakage risk data or breakage normal data.

공구 마모 모델은 알람 발생부(미도시)와 연결되어, 파손 위험 데이터로 분류되면 알람을 발생시키도록 제어할 수 있다.The tool wear model may be connected to an alarm generating unit (not shown) to generate an alarm when it is classified as breakage risk data.

도 5는 종래의 공구 마모도 값을 학습한 모델에서 예측되는 마모도 값과, 실제 마모도 값을 도시한다.5 shows a wear value predicted from a model obtained by learning a conventional tool wear value and an actual wear value.

파란색 실선은 실제 마모도 값을 도시하며, 주황색 선은 예측된 마모도 값을 도시한다.The blue solid line shows the actual wear value, and the orange line shows the predicted wear value.

공구 마모도 값을 학습한 모델에서는 파손을 예측하기 위해, 특정한 공구 마모도 값인 파손 기준을 초과하는지 여부로 파손 여부를 예측하였다.In order to predict breakage in the model that learned the tool wear value, breakage was predicted by whether it exceeded the breakage criterion, which is a specific tool wear value.

다만, 추정되는 공구 마모도 값은 실제의 공구 마모도 값에 비해 과소/과대 추정 모두 가능성이 있기에 오차를 판단하는 것이 필요하였다.However, it was necessary to determine the error because the estimated tool wear value could be underestimated or overestimated compared to the actual tool wear value.

이에 따라, 공구 마모도 값을 학습한 모델에서, 파손 여부를 예측하려면 시간에 따른 공구 마모도 값을 정확하게 추정하여야 하는 것이 필요하고, 공구 마모도 값이 실제보다 과소/과대 추정 모두 가능성이 있기에 오차를 판단해서 모델링 과정에서 피드백을 주는 작업이 필요하였다.Accordingly, in the model that has learned the tool wear value, it is necessary to accurately estimate the tool wear value over time in order to predict breakage, and since there is a possibility that the tool wear value is underestimated or overestimated than the actual value, it is possible to determine the error It was necessary to give feedback during the modeling process.

도 6은 본 발명에 따라 공구 마모 변화율값을 학습한 모델에서 예측되는 마모도 변화율 값과, 실제 마모도 변화율 값을 도시한다.6 shows a wear change rate value predicted from a model obtained by learning a tool wear change rate value and an actual wear change rate value according to the present invention.

파란색 실선은 실제 마모 변화율값을 도시하며, 주황색 선은 예측된 마모 변화율 값을 도시한다.The blue solid line shows the actual wear change rate value, and the orange line shows the predicted wear change rate value.

본 발명에 따라, 공구 마모 변화율값을 학습한 모델에서는 파손을 예측하기 위해, 공구 마모도 값을 학습할 때와 달리 과소/과대 추정을 고려하지 않고, 공구 마모 변화율 값의 특정한 값을 초과하면 파손으로 판단할 수 있는 바, 파손 예측 안정성과 정확성이 증가되고, 학습과정에서의 모델링 속도가 증가될 수 있다.According to the present invention, in order to predict breakage in the model that learns the tool wear change rate value, unlike when learning the tool wear value, under/over estimation is not considered, and when a specific value of the tool wear change rate value is exceeded, it is considered as breakage. It can be judged that the damage prediction stability and accuracy are increased, and the modeling speed in the learning process can be increased.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but this is only exemplary, and those skilled in the art can make various modifications and equivalents from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the scope of protection of the present invention should be defined by the claims.

10: 공정 변수 데이터
11: 피삭재 정보
12: 기기 정보
13: 절삭 공구 정보
14: 가공실험 정보
20: 모니터링 데이터
21: CNC 정보
22: 센서 정보
20: 모니터링 데이터
100: 데이터 전처리부
200: 마모 측정부
300: 연산부
400: 모델링부
500: 제어부
600: 추가 학습부10: Process variable data
11: Workpiece information
12: Device Information
13: Cutting tool information
14: Machining experiment information
20: monitoring data
21: CNC Information
22: Sensor information
20: monitoring data
100: data pre-processing unit
200: wear measurement unit
300: calculation unit
400: modeling unit
500: control unit
600: additional learning unit

Claims (5)

스핀들에 장착되는 다수의 공구날을 포함하는 하나 이상의 절삭 공구를 포함하고 다수의 축으로 구동되어 피삭재를 절삭하는 절삭 가공 기기의 공구 마모량을 추정하기 위한 공구 마모 추정 모델 생성 방법으로서,
(a) 데이터 전처리부(100)에 공정 변수 데이터(10) 및 모니터링 데이터(20)가 입력되는 단계로서, 상기 공정 변수 데이터(10)는 절삭 공구 정보(13) 및 가공실험 정보(14)를 포함하고, 상기 절삭 공구 정보(13)는 공구날 수(number of tooth)에 대한 정보를 포함하고, 상기 가공실험 정보(14)는 미리 설정된 스핀들 RPM 설정값에 대한 정보를 포함하고, 상기 모니터링 데이터(20)는 CNC 정보(21) 및 센서 정보(22)를 포함하고, 상기 CNC 정보(21)는 측정되는 스핀들 RPM에 대한 정보를 포함하는, 데이터 입력 단계;
(b) 마모 측정부(200)가 공구의 시간에 따른 공구마모도 값을 측정하는 단계;
(c) 연산부(300)가 상기 마모 측정부(200)가 측정한 시간에 따른 공구마모도 값을 이용하여 공구 마모도 변화율 값을 연산하는 단계; 및
(d) 모델링부(400)가 상기 입력된 공정 변수 데이터(10)와 모니터링 데이터(20)를 입력 데이터로 하고 상기 공구 마모도 변화율 값을 출력 데이터로 하여 학습된 공구 마모 모델을 생성하는 단계; 를 포함하는,
방법.
A tool wear estimation model generation method for estimating the amount of tool wear of a cutting machine including one or more cutting tools including a plurality of tool blades mounted on a spindle and driven by a plurality of axes to cut a workpiece,
(a) Step of inputting process variable data 10 and monitoring data 20 to the data pre-processing unit 100, wherein the process variable data 10 includes cutting tool information 13 and machining experiment information 14 The cutting tool information 13 includes information on the number of teeth, the machining experiment information 14 includes information on a preset spindle RPM setting value, and the monitoring data 20 includes CNC information 21 and sensor information 22, and the CNC information 21 includes information about the measured spindle RPM, a data input step;
(b) measuring, by the wear measurement unit 200, a tool wear value over time of a tool;
(c) calculating, by the calculation unit 300, a tool wear change rate value using the tool wear value according to time measured by the wear measuring unit 200; and
(d) generating, by the modeling unit 400, a learned tool wear model using the input process variable data 10 and the monitoring data 20 as input data and the tool wear change rate value as output data; including,
method.
 제1항에 있어서,
상기 (d)단계 이후,
(e) 상기 공구 마모 모델에 새로운 공정 변수 데이터(10)와 모니터링 데이터(20)가 입력됨으로써, 상기 공구 마모 모델에서 공구 마모도 변화율 값이 출력되는 단계;
(f) 제어부(500)가 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 이상이고 기설정된 횟수 이상이면 파손 위험으로 판단하는 단계; 및
(g) 상기 제어부(500)가 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값이 기설정된 값 미만이거나 기설정된 횟수 미만이면 파손 정상으로 판단하는 단계; 를 포함하는,
방법.
According to claim 1,
After step (d),
(e) outputting a tool wear change rate value from the tool wear model by inputting new process variable data 10 and monitoring data 20 to the tool wear model;
(f) determining, by the control unit 500, that the tool wear rate change rate value output from the tool wear model is more than a preset value and is more than a preset number of times as a risk of breakage; and
(g) determining, by the control unit 500, that damage is normal when the value of the tool wear rate change rate output from the tool wear model is less than a preset value or less than a preset number of times; including,
method.
 제1항에 있어서,
상기 가공실험 정보(14)는 스핀들 이송 속도, 피삭재의 절삭 폭 및 피삭재의 절입 깊이에 대한 정보를 더 포함하고,
상기 센서 정보(23)는 상기 절삭 가공 기기에서 측정되는 스핀들의 각 축 및 스핀들의 3상 전류 및 전압, 스핀들의 X, Y방향 가속도 및 소음에 대한 정보를 더 포함하고,
상기 CNC정보(21)는 상기 절삭 가공 기기의 기기 동작 시간, 스핀들의 각 축의 위치, 스핀들의 각 축과 스핀들에 걸리는 부하, 및 스핀들 RPM에 대한 정보를 더 포함하는,
방법.
According to claim 1,
The machining experiment information 14 further includes information on the spindle feed speed, the cutting width of the workpiece, and the cutting depth of the workpiece,
The sensor information 23 further includes information on each axis of the spindle and the three-phase current and voltage of the spindle, acceleration in the X and Y directions of the spindle, and noise measured by the cutting machine,
The CNC information 21 further includes information about the machine operating time of the cutting machine, the position of each axis of the spindle, the load applied to each axis and spindle of the spindle, and spindle RPM,
method.
 제1항에 있어서,
상기 공정 변수 데이터(10)는,
피삭재의 소재 정보를 포함하는 피삭재 정보(11) 및 가공하는 상기 절삭 가공 기기의 종류인 기기 종류를 포함하는 기기 정보(12)를 더 포함하는,
방법.
According to claim 1,
The process variable data 10,
Further comprising workpiece information 11 including material information of the workpiece and device information 12 including a device type that is the type of the cutting device to be processed,
method.
 제3항에 있어서,
상기 (g)단계 이후,
(h) 상기 제어부(500)가 상기 파손 위험으로 판단하면, 추가 학습부(600)는 상기 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 위험 데이터로 분류하는 단계;
(i) 상기 제어부(500)가 상기 파손 정상으로 판단하면, 상기 추가 학습부(600)는 상기 새로운 공정 변수 데이터(10)와 모니터링 데이터(20), 그 때의 상기 공구 마모 모델에서 출력되는 공구 마모도 변화율 값을 파손 정상 데이터로 분류하는 단계; 및
(j) 추가 학습부(600)는 상기 파손 위험 데이터와 상기 파손 위험 데이터를 이용하여 상기 공구 마모 모델을 추가 학습시키는 단계;를 포함하는,
방법.
According to claim 3,
After the step (g),
(h) When the control unit 500 determines that the risk of breakage is determined, the additional learning unit 600 outputs the new process variable data 10 and monitoring data 20, and the tool wear value output from the tool wear model at that time. classifying the change rate value as breakage risk data;
(i) If the control unit 500 determines that the damage is normal, the additional learning unit 600 outputs the new process variable data 10 and monitoring data 20 and the tool wear model at that time. Classifying the wear change rate value as damage normal data; and
(j) further learning, by the additional learning unit 600, the tool wear model using the breakage risk data and the breakage risk data;
method.
KR1020210137688A 2021-10-15 2021-10-15 Construction Method of tool wear estimation model based on change rate in tool wear KR20230054554A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210137688A KR20230054554A (en) 2021-10-15 2021-10-15 Construction Method of tool wear estimation model based on change rate in tool wear

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210137688A KR20230054554A (en) 2021-10-15 2021-10-15 Construction Method of tool wear estimation model based on change rate in tool wear

Publications (1)

Publication Number Publication Date
KR20230054554A true KR20230054554A (en) 2023-04-25

Family

ID=86101848

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210137688A KR20230054554A (en) 2021-10-15 2021-10-15 Construction Method of tool wear estimation model based on change rate in tool wear

Country Status (1)

Country Link
KR (1) KR20230054554A (en)

Similar Documents

Publication Publication Date Title
JP6426667B2 (en) Apparatus for detecting abnormality of tool of machine tool and method
JP6450738B2 (en) Machine learning device, CNC device, and machine learning method for detecting sign of occurrence of tool vibration in machine tool
JP6649684B2 (en) An improved database for chatter prediction
JP5746128B2 (en) Machine tools with a function to determine the replacement time of maintenance parts
Landers et al. Process monitoring and control of machining operations
JP2019067136A (en) Numerical control system
CN105938352B (en) The numerical control device for avoiding main shaft from overheating
JP2020149505A (en) Grip force adjustment device and grip force adjustment system
JP2019145086A (en) Control device, mechanical learning device and system
CN110174873A (en) Servocontrol device
JP2023510463A (en) Methods for monitoring and/or predicting machining processes and/or machining results
KR101626458B1 (en) Apparatus for detecting malfunction of tool for machine tool
KR100548874B1 (en) Numerical control unit having function for detecting the nicked edge of tool
KR20230054554A (en) Construction Method of tool wear estimation model based on change rate in tool wear
KR102370446B1 (en) Machining prediction model generation method to estimate cutting force of cutting machine
JPH10228304A (en) Machining device
JP2000235411A (en) Numerical controller using machining information
JP2020191043A (en) Abnormality detector, abnormality detection server, and abnormality detection method
Armendia et al. Cyber-physical system to improve machining process performance
KR102429376B1 (en) Method for predicting available remaining time of cutting tool
KR20230059950A (en) Integrated estimation model for cutting force and tool wear
KR102585246B1 (en) Method of diagnosing process abnormality using virtual processing
KR101473580B1 (en) method for monitoring of cutting machine
KR102512875B1 (en) Tool path calibration model generation method and tool path calibration method using the same
KR101170323B1 (en) Monitoring method for condition of machining system with current value of spindle motor

Legal Events

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