KR20230061984A - Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템 - Google Patents

Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템 Download PDF

Info

Publication number
KR20230061984A
KR20230061984A KR1020210146789A KR20210146789A KR20230061984A KR 20230061984 A KR20230061984 A KR 20230061984A KR 1020210146789 A KR1020210146789 A KR 1020210146789A KR 20210146789 A KR20210146789 A KR 20210146789A KR 20230061984 A KR20230061984 A KR 20230061984A
Authority
KR
South Korea
Prior art keywords
machine tool
value
information
cnc machine
motor
Prior art date
Application number
KR1020210146789A
Other languages
English (en)
Inventor
박부영
Original Assignee
(주)시그너스
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 (주)시그너스 filed Critical (주)시그너스
Priority to KR1020210146789A priority Critical patent/KR20230061984A/ko
Publication of KR20230061984A publication Critical patent/KR20230061984A/ko

Links

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
    • 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
    • G05B19/406—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 monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • 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
    • 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

Landscapes

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

Abstract

본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 상태를 진단하기 위한 방법은, CNC 공작 기계에 기 장착된 머신 툴과 연관된 한 종류 이상의 계측 데이터를 수신하는 단계; 한 종류 이상의 계측 데이터를 기반으로 특징 데이터 셋(set)를 생성하는 단계; 특징 데이터 셋을 기반으로 상기 인공지능을 위해 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성하는 단계; 특징 데이터 셋과 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성하는 단계; 오차 벡터 정보를 기반으로 생성된 SPE(Squared Prediction Error) 정보와 미리 설정된 제1 임계 값을 비교하는 단계; 및 SPE 정보가 제1 임계 값보다 작은 경우, 머신 툴을 새 툴로 판단하는 단계를 포함한다.

Description

CNC 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템{METHOD FOR DIAGNOSING MACHINE TOOL STATUS OF COMPUTERIZED NUMERICALLY CONTROLLED MACHINE TOOL AND SYSTEM THEREFOR}
본 명세서는 인공지능 기반 CNC 공작기계의 툴 상태 진단을 위한 방법 및 이를 위한 진단 시스템에 관한 것으로, 더 구체적으로는 인공지능 기반 CNC 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템에 관한 것이다.
공작기계는 기계를 만드는 기계(Mother Machine)로 자본재산업의 핵심일 뿐만 아니라 산업구조의 고도화와 제조업 경쟁력 강화를 실현하기 위한 제품에 해당한다.
특히, 제조업의 부가가치 제고 및 성장 동력화를 위한 스마트공장의 고도화 및 확산이라는 국가 핵심 정책에 부응하기 위한 노력으로 공작기계 상태 진단 기술에 대한 수요가 높으나, 해당 기술을 확보하기 위하여는 연구개발에 많은 비용 및 시간이 요구될 뿐만 아니라 실제 스마트 공장 구축에 적용할 수 있는 솔루션을 가진 국내 공급업체는 극소수에 불과한 실정이다.
종래 제안으로 'CNC 공작기계의 공구 마모 간접 계측방법'에 관한 등록특허공보 제10-2180238 호를 참조할 수 있다.
본 명세서의 일 목적은, 인공지능 기반 CNC 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템을 제공하는데 있다.
본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 상태를 진단하기 위한 방법은, CNC 공작 기계에 기 장착된 머신 툴과 연관된 한 종류 이상의 계측 데이터를 수신하는 단계; 한 종류 이상의 계측 데이터를 기반으로 특징 데이터 셋(set)를 생성하는 단계; 특징 데이터 셋을 기반으로 상기 인공지능을 위해 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성하는 단계; 특징 데이터 셋과 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성하는 단계; 오차 벡터 정보를 기반으로 생성된 SPE(Squared Prediction Error) 정보와 미리 설정된 제1 임계 값을 비교하는 단계; 및 SPE 정보가 제1 임계 값보다 작은 경우, 머신 툴을 새 툴로 판단하는 단계를 포함한다.
한편, 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 머신 툴 상태 진단 시스템은, CNC 공작 기계 장치; CNC 공작 기계와 연동되는 판단 장치; 및 판단 장치의 결과를 시각화하는 알림장치를 포함하되, 판단 장치는, CNC 공작 기계 장치에 기 장착된 머신 툴과 연관된 한 종류 이상의 계측 데이터를 수신하도록 구현되고, 한 종류 이상의 계측 데이터를 기반으로 특징 데이터 셋(set)를 생성하도록 구현되고, 특징 데이터 셋을 기반으로 인공지능을 위해 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성하도록 구현되고, 특징 데이터 셋과 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성하도록 구현되고, 오차 벡터 정보를 기반으로 생성된 SPE(Squared Prediction Error) 정보와 미리 설정된 제1 임계 값을 비교하도록 구현되고, 그리고 SPE 정보가 제1 임계 값보다 작은 경우, 머신 툴을 새 제품으로 판단하도록 구현된다.
본 일 실시 예에 따르면, 별도의 음향 센서 또는 진동 센서의 설치 없이도 CNC 공작기계로부터 획득되는 로드 값 및 CNC 공작기계 내부 모터의 전류 값을 기반으로 머신 툴의 상태를 진단할 수 있기 때문에, 보다 효율적인 CNC 공작기계의 머신 툴 상태 진단을 위한 방법이 제공될 수 있다.
도 1은 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 블록도를 보여준다.
도 2는 본 일 실시 예에 따른 CNC 공작기계의 내부 구조를 설명하기 위한 도면이다.
도 3은 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 동작 흐름도를 설명하기 위한 개념도이다.
도 4는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템을 위해 사용되는 자동 인코더의 구조 및 학습 모델을 설명하기 위한 개념도이다.
도 5는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 동작 방법을 설명하기 위한 도면이다.
도 6a 및 도 6b는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 진단 결과를 설명하기 위한 시뮬레이션 결과 화면이다.
도 7은 본 발명의 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 판단 장치의 물리적 구성을 나타낸 도면이다.
전술한 특성 및 이하 상세한 설명은 모두 본 명세서의 설명 및 이해를 돕기 위한 예시적인 사항이다. 즉, 본 명세서는 이와 같은 실시 예에 한정되지 않고 다른 형태로 구체화될 수 있다. 다음 실시 형태들은 단지 본 명세서를 완전히 개시하기 위한 예시이며, 본 명세서가 속하는 기술 분야의 통상의 기술자들에게 본 명세서를 전달하기 위한 설명이다. 따라서, 본 명세서의 구성 요소들을 구현하기 위한 방법이 여럿 있는 경우에는, 이들 방법 중 특정한 것 또는 이와 동일성 있는 것 가운데 어떠한 것으로든 본 명세서의 구현이 가능함을 분명히 할 필요가 있다.
본 명세서에서 어떤 구성이 특정 요소들을 포함한다는 언급이 있는 경우, 또는 어떤 과정이 특정 단계들을 포함한다는 언급이 있는 경우는, 그 외 다른 요소 또는 다른 단계들이 더 포함될 수 있음을 의미한다. 즉, 본 명세서에서 사용되는 용어들은 특정 실시 형태를 설명하기 위한 것일 뿐이고, 본 명세서의 개념을 한정하기 위한 것이 아니다. 나아가, 발명의 이해를 돕기 위해 설명한 예시들은 그것의 상보적인 실시 예도 포함한다.
본 명세서에서 사용되는 용어들은 본 명세서가 속하는 기술 분야의 통상의 기술자들이 일반으로 이해하는 의미를 갖는다. 보편적으로 사용되는 용어들은 본 명세서의 맥락에 따라 일관적인 의미로 해석되어야 한다. 또한, 본 명세서에서 사용되는 용어들은, 그 의미가 명확히 정의된 경우가 아니라면, 지나치게 이상적이거나 형식적인 의미로 해석되지 않아야 한다. 이하 첨부된 도면을 통하여 본 명세서의 실시 예가 설명된다.
도 1은 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 블록도를 보여준다.
도 1을 참조하면, 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(100)은 공작기계 장치(110), 판단장치(120) 및 알림장치(130)를 포함할 수 있다.
도 1의 공작기계 장치(110)는 CNC 공작기계 및 미리 구비된 엣지 디바이스을 포함할 수 있다.
예를 들어, 공작기계 장치(110)에는 미리 결정된 직경(예로, 8ø을 갖는 머신 툴을 사용하여 금속판에 대한 선형 가공을 수행할 수 있다. 한편, 공작기계 장치(110)에 관하여는 후술되는 도 2를 참조하여 더 상세하게 설명된다.
본 명세서에서, 머신 툴은 특정 시간(예로, 50시간) 이상 가공에 사용된 것은 중고 툴로 정의하고, 특정 시간(예로, 50시간) 미만 가공에 사용된 것은 새 툴로 정의할 수 있다.
도 1의 판단장치(120)는 인공지능을 위해 미리 학습된 자동 인코더 모델을 포함할 수 있으며, 이에 대하여는 후술되는 도 4를 참조하여 더 상세하게 설명된다.
예를 들어, 판단장치(120)는 공작기계 장치(110)로부터 수신된 한 종류 이상의 계측 데이터(IN_CURRENT, IN_LOAD)를 기반으로 특징 데이터 셋(set)을 생성할 수 있다.
여기서, 제1 계측 데이터(IN_CURRENT)는 CNC 공작 기계로부터 획득되는 로드(Load) 값에 상응하고, 제2 계측 데이터(IN_LOAD)는 CNC 공작 기계의 모터에서 측정된 전류 값에 상응할 수 있다.
다만, 본 일 실시 예에 따른 한 종류 이상의 계측 데이터가 이에 한정되는 것은 아니며, CNC 공작 기계의 모터의 회전속도 값, CNC 공작 기계의 모터에서 측정된 전압 값 등을 더 포함할 수 있음은 이해될 것이다.
한편, 판단장치(120)는 특징 데이터 셋을 기반으로 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성할 수 있다.
또한, 판단장치(120)는 특징 데이터 셋과 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성할 수 있다.
한편, 판단장치(120)는 오차 벡터 정보를 기반으로 SPE(Squared Prediction Error) 정보를 생성할 수 있다. 또한, 판단장치(120)는 생성된 SPE 정보와 미리 설정된 제1 임계 값의 비교를 통하여 공작기계 장치(110)에 기 탑재된 머신 툴이 새 툴인지 중고 툴인지 여부를 판단할 수 잇다.
판단장치(120)에 의해 수행되는 인공지능 기반 CNC 공작기계의 툴 상태 진단 과정은 후술되는 도면들을 참조하여 더 상세하게 설명된다.
도 1의 알림장치(130)는 판단장치(120)에 의해 판단된 정보를 기반으로 사용자를 위한 시각적인 정보 혹은 U/I(User Inteface)에 따른 정보를 제공할 수 있도록 구현될 수 있다.
도 2는 본 일 실시 예에 따른 CNC 공작기계의 내부 구조를 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, 도 2의 공작기계 장치(210)는 도 1의 공작기계 장치(110)와 상응하는 구성으로 이해될 수 있다. 도 2의 공작기계 장치(210)는 CNC 공작기계(211)와 엣지 디바이스(213)를 포함할 수 있다.
예를 들어, CNC 공작기계(211)는 내부에 장착된 모터를 회전시켜 절단 툴로 재료를 가공하는 기계일 수 있다.
이 경우, CNC 공작기계(211)는 장착된 머신 툴(t)을 이용하여 절단(cutting), 보링(boring), 연삭(grinding), 전단(shearing) 또는 기타 변형(deformation) 작업을 수행할 수 있다.
한편, 장기간 작업에 따라 발생되는 CNC 공작기계(211)에 장착된 머신 툴(t)의 부러짐 현상 또는 절단 이(cutting tooth)의 마모 현상은 생산품 품질의 직접적인 영향을 줄 수 있다.
이에 따라, 본 명세서에 언급되는 기술과 같이, CNC 공작기계(211)로부터 계측되는 한 종류 이상의 데이터를 엣지 디바이스(213)를 통해 수집하여 머신 툴(t)의 부러짐 또는 마모에 따른 고장 발생을 예측할 수 있는 기술이 요구된다.
한편, 본 명세서에서 언급되는 한 종류 이상의 데이터는 CNC 공작기계(211)로부터 계측되는 로드(Load) 값 및 CNC 공작기계(211)의 모터의 회전속도 값, CNC 공작 기계(211)의 모터에서 측정된 전류 값 및 전압 값 중 적어도 하나와 연관될 수 있다.
도 3은 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 동작 흐름도를 설명하기 위한 개념도이다.
도 1 내지 도 3을 참조하면, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 공작기계 장치(310)와 판단장치(320)는 미리 설정된 프로토콜에 따라 상호 연동될 수 있다.
예를 들어, 판단장치(320)는 공작기계 장치(310)로부터 한 종류 이상의 계측 데이터를 수신할 수 있다.
여기서, 한 종류 이상의 계측 데이터는 CNC 공작 기계(예로, 도 2의 211)로부터 계측된 로드(Load) 값 및 CNC 공작 기계(예로, 도 2의 211)의 모터의 회전속도 값, CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값 및 전압 값 중 적어도 하나와 연관될 수 있다.
예를 들어, 판단장치(320)는 CNC 공작 기계(예로, 도 2의 211)로부터 계측된 로드(Load) 값 및 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값을 기반으로 특징 데이터 셋(set)을 생성할 수 있다.
본 명세서에서 언급되는, 특징 데이터 셋(set)은 CNC 공작 기계(예로, 도 2의 211)로부터 직접 수신된 로우데이터(Raw Data)에 대하여 전처리 작업이 수행된 데이터의 집합으로 이해될 수 있다.
즉, 특징 데이터 셋(set)은 새 툴과 중고 툴의 SPE 값을 명확히 구분하기 위하여 도입되는 개념이며, 하기 표 1과 같을 수 있다.
Figure pat00001
일 예로, 표 1의 순번 1 내지 5와 같이, 특징 데이터 셋은 로드 값을 기반으로 도출되는 평균 값, 최대 값, 최소 값, 중간 값 및 표준편차에 대한 정보를 포함할 수 있다.
다른 일 예로, 표 1의 순번 6 내지 8와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값을 기반으로 도출되는 모터의 U상 전류 RMS(Root Mean Square) 값, 모터의 U상 전류 최대값 및 모터의 U상 전류 표준편차 값을 포함할 수 있다.
다른 일 예로, 표 1의 순번 9 내지 11와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값을 기반으로 도출되는 모터의 V상 전류 RMS 값, 모터의 V상 전류 최대값 및 모터의 V상 전류 표준편차 값을 포함할 수 있다.
다른 일 예로, 표 1의 순번 12 내지 14와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값을 기반으로 도출되는 모터의 W상 전류 RMS 값, 모터의 W상 전류 최대값 및 모터의 W상 전류 표준편차 값을 포함할 수 있다.
다른 일 예로, 표 1의 순번 15와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 3상 전류의 RMS 값을 포함할 수 있다.
다른 일 예로, 표 1의 순번 16 내지 22와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 U상 전류 값이 대한 discrete wavelet decomposition를 통해 획득된 계수(coefficient) 정보를 포함할 수 있다.
다른 일 예로, 표 1의 순번 23 내지 29와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 V상 전류 값이 대한 discrete wavelet decomposition를 통해 획득된 계수(coefficient) 정보를 포함할 수 있다.
다른 일 예로, 표 1의 순번 23 내지 29와 같이, 특징 데이터 셋은 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 W상 전류 값이 대한 Discrete Wavelet decomposition를 통해 획득된 계수(coefficient) 정보를 포함할 수 있다.
한편, 판단장치(320)에는 미리 학습된 학습모델을 갖는 자동 인코더(이하, '자동 인코더 모델')에 기반한 인공지능이 탑재될 수 있다. 다시 말해, 판단장치(320)는 상기 표 1과 같은 특징 데이터 셋을 기반으로 자동 인코더 모델을 이용하여 한 종류 이상의 계측 데이터에 상응하는 하나 이상의 예측 벡터 정보를 생성할 수 있다.
도 4는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템을 위해 사용되는 자동 인코더의 구조 및 학습 모델을 설명하기 위한 개념도이다.
도 1 내지 도 4를 참조하면, 도 4의 자동 인코더(Auto-encoder)의 기본 구조는 Unsupervised 인공 신경망 구조이며, 학습된 네트워크의 인코딩 부분만 사용하는 차원 축소(Dimensionality reduction) 기법이 적용될 수 있다.
예를 들어, 인코더(encoder) 구간과 디코더(decoder) 구간에서 적용되는 함수는 하기 수학식 1과 같이 표현될 수 있다.
Figure pat00002
또한, 수학식 1에 대하여 하기 수학식 2 내지 수학식 4의 정의가 추가될 수 있다.
Figure pat00003
Figure pat00004
Figure pat00005
본 일 실시 예에 따른 도 4의 자동 인코더의 구조의 적용에 따라, 학습된 네트워크를 통해 노이즈가 제거될 수 있을 뿐만 아니라 신호의 재 구축을 통한 희소한 성분의 검출(Anomaly detection)이 용이해질 수 있다.
본 일 실시 예에 따르면, 자동 인코더의 학습은 모델의 입력과 출력이 같아지도록 학습이 반복될 수 있다. 또한, 인코더(encoder) 구간에서 데이터의 차원이 축소되면서 데이터가 분류될 수 있다.
본 일 실시 예에 따르면, 한 종류 이상의 계측 데이터에 포함된 값들이 일정 범위에서 특정 구간 동안 유지될 때 해당 계측 데이터를 이용하여 도 4의 자동 인코더 모델의 학습이 진행될 수 있다.
한편, 도 4의 과정을 반복적으로 거쳐 학습된 자동 인코더 모델은 앞선 도 3의 판단장치(320)에 탑재될 수 있음은 이해될 것이다.
도 5는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 동작 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 본 일 실시 예에 따르면, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)의 판단장치(예로, 도 1의 120)의 동작 관점에서 주로 설명된다.
도 1 내지 도 5를 참조하면, S510 단계에서, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 CNC 공작 기계(예로, 도 2의 211)에 기 장착된 머신 툴(예로, 도 2의 t)과 연관된 새롭게 계측된 한 종류 이상의 계측 데이터(예로, 도 7의
Figure pat00006
)를 수신할 수 있다.
예를 들어, 한 종류 이상의 계측 데이터는 CNC 공작 기계(예로, 도 2의 211)로부터 계측된 로드(Load) 값 및 CNC 공작 기계(예로, 도 2의 211)의 모터의 회전속도 값, CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값 및 전압 값 중 적어도 하나와 연관될 수 있다.
더 구체적으로는, 한 종류 이상의 계측 데이터는 CNC 공작 기계(예로, 도 2의 211)로부터 계측된 로드(Load) 값 및 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값과 연관될 수 있다.
S520 단계에서, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 판단 장치(예로, 도 1의 120)의 미리 학습된 자동 인코더 모델에 입력된 한 종류 이상의 계측 데이터(예로, 도 7의
Figure pat00007
)를 기반으로 특징 데이터 셋(예로, 도 7의
Figure pat00008
)을 생성할 수 있다.
예를 들어, 한 종류 이상의 계측 데이터가 CNC 공작 기계(예로, 도 2의 211)로부터 계측된 로드(Load) 값 및 CNC 공작 기계(예로, 도 2의 211)의 모터에서 측정된 전류 값과 연관될 때, 판단 장치(예로, 도 1의 120)는 상기 표 1과 같은 특징 데이터 셋(set)을 생성할 수 있다.
S530 단계에서, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 상기 표 1과 같은 특징 데이터 셋을 기반으로 하나 이상의 예측 벡터 정보를 생성할 수 있다.
S540 단계에서, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 특징 데이터 셋(예로, 도 7의
Figure pat00009
)과 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성할 수 있다.
예를 들어, 특징 데이터 셋(예로, 도 7의
Figure pat00010
) 중에서 어느 하나의 특징 데이터(예로, 도 7의 Actual data)와 예측 벡터 정보에 따른 예측 데이터(predicted data)의 오차 정보(즉, 잔차 정보;
Figure pat00011
)가 연산될 수 있다.
또한, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 연산된 오차정보(즉, 잔차 정보;
Figure pat00012
)에 대하여 하기 수학식 5를 적용하여 SPE(Squared Prediction Error) 정보를 생성할 수 있다.
Figure pat00013
S550 단계에서, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 SPE 정보가 미리 설정된 제1 임계 값(예로, 도 6의
Figure pat00014
)보다 작은지 여부를 판단할 수 있다.
일 예로, SPE 정보는 새롭게 계측된 한 종류 이상의 계측 데이터(예로, 도 7의
Figure pat00015
)와 연관될 수 있다. 또한, 제 1 임계 값(예로, 도 6의
Figure pat00016
)은 새 툴과 연관될 수 있다.
S560 단계에서, SPE 정보가 제 1 임계 값(예로, 도 6의
Figure pat00017
)보다 작다고 판단될 때, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 기 장착된 머신 툴(t)을 새 툴로 판단할 수 있다.
여기서, 새 툴은 특정 시간(예로, 50시간) 미만 가공 작업에 사용된 것을 의미하기 때문에, 머신 툴(t)이 정상 상태에서 동작하고 있음이 알림장치(예로, 도 1의 130)을 통해 관리자에게 알려질 수 있다.
S570 단계에서, SPE 정보가 제1 임계 값(예로, 도 6의
Figure pat00018
)보다 작지 않다고 판단될 때, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 SPE 정보가 미리 설정된 제2 임계 값(예로, 도 6의
Figure pat00019
)보다 큰지 여부를 판단할 수 있다.
일 예로, SPE 정보는 새롭게 계측된 한 종류 이상의 계측 데이터(예로, 도 6의
Figure pat00020
)와 연관될 수 있다. 또한, 제 2 임계 값(예로, 도 6의
Figure pat00021
)은 중고 툴과 연관될 수 있다.
예를 들어, 제 2 임계 값(예로, 도 6의
Figure pat00022
)은 제 1 임계 값(예로, 도 6의
Figure pat00023
)보다 큰 값으로 설정될 수 있다.
S580 단계에서, SPE 정보가 제 2 임계 값(예로, 도 6의
Figure pat00024
)보다 크다고 판단될 때, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템(예로, 도 1의 100)은 기 장착된 머신 툴(t)을 중고 툴로 판단할 수 있다.
본 일 실시 예에 따르면, 별도의 음향 센서 또는 진동 센서의 설치 없이도 CNC 공작기계로부터 획득되는 로드 값 및 CNC 공작기계 내부 모터의 전류 값을 기반으로 머신 툴의 상태를 진단할 수 있기 때문에, 보다 효율적인 CNC 공작기계의 머신 툴 상태 진단을 위한 방법이 제공될 수 있다.
도 6a 및 도 6b는 본 일 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템의 진단 결과를 설명하기 위한 시뮬레이션 결과 화면이다.
도 6a 및 도 6b를 참조하면, 파란 실선은 CNC 공작기계(211)에 새롭게 장착된 새 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00025
)를 의미하고, 빨간 점선은 새 툴(t)과 연관된 제1 임계 값(
Figure pat00026
)을 의미한다.
한편, 검은 실선은 CNC 공작기계(211)에 기 장착된 중고 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00027
)를 의미하고, 파란 점선은 중고 툴(t)과 연관된 제2 임계 값(
Figure pat00028
)을 의미한다.
도 6a를 참조하면, 별도의 전처리 작업 없이 CNC 공작기계(211)로부터 전달되는 로우데이터(Raw Data)로부터 획득된 SPE 정보와 제1 임계 값(
Figure pat00029
) 및 제2 임계 값(
Figure pat00030
)의 비교에 따른 툴 진단 결과가 도시된다.
도 6a의 경우, 새 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00031
)와 중고 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00032
) 사이에는 구분이 모호한 영역이 대다수를 차지한다. 이에 따라, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템에 의한 명확한 솔루션 제시가 어려울 수 있다.
이에 반하여, 도 6b를 참조하면, CNC 공작 기계(예로, 도 2의 211)로부터 직접 수신된 로우데이터(Raw Data)에 대하여 전처리 작업을 수행한 특징 데이터 셋(set)으로부터 획득된 SPE 정보와 제1 임계 값(
Figure pat00033
) 및 제2 임계 값(
Figure pat00034
)의 비교에 따른 툴 진단 결과가 도시된다.
도 6b의 경우, 새 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00035
)와 중고 툴(t)에 따라 생성되는 SPE 정보(
Figure pat00036
) 사이에는 명확한 구분이 가능해진다. 이에 따라, 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템에 의한 명확한 솔루션 제시가 가능해진다.
도 7은 본 발명의 실시 예에 따른 인공지능 기반 CNC 공작기계의 툴 상태 진단 과정을 설명하기 위한 도면이다.
도 7을 참조하면, 기 학습된 자동 인코더 모델에 새롭게 계측된 데이터(
Figure pat00037
)에 상응하는 SPE 정보(SPE(k))를 연산함으로써 CNC 공작기계(211)에 장착된 머신 툴(t)의 상태가 정상 상태의 새 툴인지 혹은 문제가 발생할 가능성이 높은 비정상 상태의 중고 툴인지 여부가 판단될 수 있다.
도 8은 본 발명의 실시 예에 따른 판단 장치의 물리적 구성을 나타낸 도면이다.
도 1 내지 도 8을 참조하면, 도 8의 판단장치(800)는 앞선 도 1의 판단장치(120)와 상응하는 구성으로 이해될 수 있다.
예를 들어, 도 8의 판단장치(800)는 버스(810), 디스플레이(820), 통신회로(830), 데이터베이스(840), 메모리(850), I/O 인터페이스(860) 및 프로세서(870)를 포함할 수 있다. 다른 실시 예에서, 판단장치(800)는 상기 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다.
일 예로, 버스(810)는 구성요소들(예로, 820 내지 870)을 서로 전기적으로 연결할 수 있다. 버스(810)는 구성요소들(예로, 820 내지 870) 간의 통신(예를 들면, 제어 메시지 및/또는 데이터)을 위한 회로를 포함할 수 있다.
일 예로, 디스플레이(820)는 각종 콘텐츠를 구성하는 텍스트, 이미지, 비디오, 아이콘 혹은 심볼 등을 표시할 수 있다. 디스플레이(820)는 터치스크린을 포함할 수 있으며, 전자펜 혹은 사용자 신체의 일부를 이용한 터치, 제스처, 근접 혹은 호버링(hovering) 입력을 수신할 수 있다.
예를 들면, 디스플레이(820)는 액정디스플레이(LCD), 발광다이오드(LED) 디스플레이, 유기 발광 다이오드(organic LED) 디스플레이 또는 마이크로 전자기기 시스템(micro-electromechanical systems, MEMS) 디스플레이, 또는 전자 종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(820)는 판단장치(800)에 포함되어 구현되거나, 판단장치(800)와 별도로 구현되되 상기 판단장치(800)에 기능적(operatively)으로 연결될 수 있다.
통신회로(830)는 판단장치(800)와 외부 장치들(예를 들면, 사용자 단말 (100))와의 통신 채널을 수립할 수 있다. 통신회로(830)는 입출력부로 언급될 수 있다. 예를 들면, 통신회로(830)는 무선 통신 혹은 유선 통신을 통하여 네트워크(580)에 액세스하여 외부장치들과 통신할 수 있다.
네트워크(880)는 도 1에 도시된 공작기계 장치(110) 또는 알림장치(130) 사이의 네트워크와 대응될 수 있다. 네트워크(880)는 통신 네트워크(telecommunications network), 컴퓨터 네트워크(computer network), 인터넷, 혹은 전화망(telephone network) 중 적어도 하나를 포함할 수 있다. 상기 네트워크(580)에 액세스하기 무선 통신 프로토콜은, 예를 들면, LTE(Long-Term Evolution), LTE-A(LTE Advanced), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), UMTS(Universal Mobile Telecommunications System), WiBro(Wireless Broadband), GSM(Global System for Mobile communications), 또는 5G 표준통신 프로토콜 중 적어도 하나를 사용할 수 있다.
데이터베이스(840)는 메모리(850) 상에 구현되거나 별도의 저장매체에 구현될 수 있다. 데이터베이스(840)는 공작기계 장치(110) 또는 알림장치(130)와 송수신한 데이터의 내용, 내역 등을 모두(또는 선택적으로) 저장할 수 있다.
메모리(850)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(850)는 판단장치(800)에 적어도 하나의 다른 구성요소에 관계된 명령 혹은 데이터를 저장할 수 있다. 예를 들면, 메모리(850)는 실행 시에, 프로세서(870)가 본 명세서에서 설명되는 다양한 동작을 수행하도록 하는 명령어(instructions)를 저장할 수 있다. 일 예로, 상기 명령어는 어플리케이션 프로그램의 패키지 파일에 포함될 수 있다.
I/O 인터페이스(860)는 사용자 혹은 다른 외부기기로부터 입력된 명령 혹은 데이터를 판단장치(800)의 다른 구성요소에 전달할 수 있는 역할을 수행할 수 있다. I/O 인터페이스(860)는 하드웨어 혹은 소프트웨어로 구현될 수 있으며, 사용자 인터페이스(UI) 및 외부 다른 장치와의 통신을 위한 단자를 포괄하는 개념으로 사용될 수 있다.
프로세서(870)는 중앙처리장치(CPU), 어플리케이션 프로세서(AP) 혹은 커뮤니케이션 프로세서(CP) 중 적어도 하나 이상을 포함할 수 있다. 프로세서(870)는 버스(810)를 통하여 메모리(850), 디스플레이(820) 및 통신회로(830)와 전기적으로 연결되며, 동작 중에, 메모리(850)에 저장된 명령어, 프로그램 혹은 소프트웨어에 따라 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 따라서, 상기 명령어, 어플리케이션 프로그램 혹은 소프트웨어의 실행은 프로세서(870)의 동작으로 이해될 수 있다.
상기 프로세서(870)의 동작들은 대표적인 예시로서, 본 발명의 기술사상은 이에 제한되지 않는다. 예컨대, 본 명세서에서 직간접적으로 기재된 판단장치(800)의 동작은 해당 판단장치(800)에 포함된 프로세서(870)의 동작으로 이해될 수 있다. 아울러, 판단장치(800)에서 이루어지는 동작 중 적어도 일부는 서버-클라이언트 아키텍쳐, 클라우드 컴퓨팅 및/또는 병렬 컴퓨팅 등을 통하여 제3의 장치에 의하여 수행될 수 있음은 본 발명이 속한 통상의 기술자에게 자명할 것이다.
.본 명세서의 상세한 설명에서는 구체적인 실시 예에 관하여 설명하였으나, 본 명세서의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능하다. 그러므로, 본 명세서의 범위는 상술한 실시 예에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 인공지능 기반 CNC 공작기계의 툴 상태 진단 시스템
110: 공작기계 장치
120: 판단장치
130: 알림장치

Claims (8)

  1. 인공지능 기반 CNC(computerized　numerically　controlled) 공작기계의 상태를 진단하기 위한 방법에 있어서,
    상기 CNC 공작 기계에 기 장착된 머신 툴과 연관된 한 종류 이상의 계측 데이터를 수신하는 단계;
    상기 한 종류 이상의 계측 데이터를 기반으로 특징 데이터 셋(set)를 생성하는 단계;
    상기 특징 데이터 셋을 기반으로 상기 인공지능을 위해 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성하는 단계;
    상기 특징 데이터 셋과 상기 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성하는 단계;
    상기 오차 벡터 정보를 기반으로 생성된 SPE(Squared Prediction Error) 정보와 미리 설정된 제1 임계 값을 비교하는 단계; 및
    상기 SPE 정보가 상기 제1 임계 값보다 작은 경우, 상기 머신 툴을 새 툴로 판단하는 단계를 포함하는 방법.
  2. 제1 항에 있어서,
    상기 SPE 정보가 상기 제1 임계 값보다 큰 경우, 상기 SPE 정보와 미리 설정된 제2 임계 값을 비교하는 단계; 및
    상기 SPE 정보가 상기 제2 임계 값보다 큰 경우, 상기 머신 툴을 중고 툴로 판단하는 단계를 더 포함하는 방법.
  3. 제1 항에 있어서,
    상기 제2 임계 값은 상기 제1 임계 값보다 큰 값으로 설정되는 방법.
  4. 제1 항에 있어서,
    상기 한 종류 이상의 계측 데이터는 상기 CNC 공작 기계로부터 획득되는 로드(Load) 값 및 상기 CNC 공작 기계의 모터의 회전속도 값, 상기 CNC 공작 기계의 모터에서 측정된 전류 값 및 전압 값 중 적어도 하나와 연관되는 방법.
  5. 제4 항에 있어서,
    상기 특징 데이터 셋은 상기 로드 값을 기반으로 도출되는 평균 값, 최대 값, 최소 값, 중간 값 및 표준편차에 대한 정보를 포함하는 방법.
  6. 제4 항에 있어서,
    상기 특징 데이터 셋은,
    상기 전류 값을 기반으로 도출되는 상기 모터의 U상 전류 RMS 값, 상기 모터의 U상 전류 최대값 및 상기 모터의 U상 전류 표준편차 값을 포함하고,
    상기 전류 값을 기반으로 도출되는 상기 모터의 V상 전류 RMS 값, 상기 모터의 V상 전류 최대값 및 상기 모터의 V상 전류 표준편차 값을 포함하고, 그리고
    상기 전류 값을 기반으로 도출되는 상기 모터의 W상 전류 RMS 값, 상기 모터의 W상 전류 최대값 및 상기 모터의 W상 전류 표준편차 값을 포함하는 방법.
  7. CNC 공작 기계 장치;
    상기 CNC 공작 기계와 연동되는 판단 장치; 및
    상기 판단 장치의 결과를 시각화하는 알림장치를 포함하되,
    상기 판단 장치는,
    상기 CNC 공작 기계 장치에 기 장착된 머신 툴과 연관된 한 종류 이상의 계측 데이터를 수신하도록 구현되고,
    상기 한 종류 이상의 계측 데이터를 기반으로 특징 데이터 셋(set)를 생성하도록 구현되고,
    상기 특징 데이터 셋을 기반으로 상기 인공지능을 위해 미리 학습된 자동 인코더 모델을 이용하여 하나 이상의 예측 벡터 정보를 생성하도록 구현되고,
    상기 특징 데이터 셋과 상기 예측 벡터 정보를 기반으로 오차 벡터 정보를 생성하도록 구현되고,
    상기 오차 벡터 정보를 기반으로 생성된 SPE(Squared Prediction Error) 정보와 미리 설정된 제1 임계 값을 비교하도록 구현되고, 그리고
    상기 SPE 정보가 상기 제1 임계 값보다 작은 경우, 상기 머신 툴을 새 제품으로 판단하도록 구현되는, 인공지능 기반 CNC 공작기계의 머신 툴 상태 진단 시스템.
  8. 제7 항에 있어서,
    상기 판단 장치는,
    상기 SPE 정보가 상기 제1 임계 값보다 큰 경우, 상기 SPE 정보와 미리 설정된 제2 임계 값을 비교하도록 구현되고, 그리고
    상기 SPE 정보가 상기 제2 임계 값보다 큰 경우, 상기 머신 툴을 중고 제품으로 판단하도록 구현되는, 인공지능 기반 CNC 공작기계의 머신 툴 상태 진단 시스템.
KR1020210146789A 2021-10-29 2021-10-29 Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템 KR20230061984A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210146789A KR20230061984A (ko) 2021-10-29 2021-10-29 Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210146789A KR20230061984A (ko) 2021-10-29 2021-10-29 Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템

Publications (1)

Publication Number Publication Date
KR20230061984A true KR20230061984A (ko) 2023-05-09

Family

ID=86409368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210146789A KR20230061984A (ko) 2021-10-29 2021-10-29 Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템

Country Status (1)

Country Link
KR (1) KR20230061984A (ko)

Similar Documents

Publication Publication Date Title
US11822906B2 (en) Industrial programming development with a converted industrial control program
US10607466B2 (en) Method to configure control system alarms by associating alarms to tags
EP3644153A1 (en) Active asset monitoring
US11494252B2 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
US20090037378A1 (en) Automatic generation of forms based on activity
US7869887B2 (en) Discoverable services
EP2733650A1 (en) Analyzing data in order to set manufacturing equipment parameters
US7644295B1 (en) Powering a human machine interface by way of USB
US20170364401A1 (en) Monitoring peripheral transactions
WO2021241315A1 (ja) 診断装置、サーバ、及び診断方法
CN111954240A (zh) 网络故障处理方法、装置及电子设备
EP3674946A1 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
KR20230061984A (ko) Cnc 공작기계의 머신 툴 상태 진단을 위한 방법 및 이를 위한 시스템
US10218722B2 (en) Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network
US11775403B2 (en) Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network
CN113448668A (zh) 一种跳过弹窗的方法、装置及电子设备
JP7471529B1 (ja) 診断システム及び診断方法
CN114996169B (zh) 设备诊断方法、装置、电子设备及存储介质
US20230091963A1 (en) Industrial automation project design telemetry
US20230418263A1 (en) Device configuration object template with user interaction for device properties generator
US20240086182A1 (en) Method for connecting a web socket session with an object instance with automation device association
CN113961287A (zh) 采煤机参数的远程修改方法、装置、设备和存储介质
Mooney et al. Data collection and networking capabilities enable pump predictive diagnostics
CN116859795A (zh) 电机驱动系统的控制方法、装置及设备
EP4323926A1 (en) Neural network based anomaly detection for time-series data

Legal Events

Date Code Title Description
E902 Notification of reason for refusal