KR102226398B1 - 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법 - Google Patents

생산시스템 최적화를 위한 학습 기반의 가공성 진단방법 Download PDF

Info

Publication number
KR102226398B1
KR102226398B1 KR1020180150948A KR20180150948A KR102226398B1 KR 102226398 B1 KR102226398 B1 KR 102226398B1 KR 1020180150948 A KR1020180150948 A KR 1020180150948A KR 20180150948 A KR20180150948 A KR 20180150948A KR 102226398 B1 KR102226398 B1 KR 102226398B1
Authority
KR
South Korea
Prior art keywords
processing
data
information
learning
combination data
Prior art date
Application number
KR1020180150948A
Other languages
English (en)
Other versions
KR20200065159A (ko
Inventor
박경희
최영재
이동윤
윤주성
이주연
구정인
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 KR1020180150948A priority Critical patent/KR102226398B1/ko
Publication of KR20200065159A publication Critical patent/KR20200065159A/ko
Application granted granted Critical
Publication of KR102226398B1 publication Critical patent/KR102226398B1/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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은, 가공에 요구되는 기초가공정보를 수집하는 (a)단계, 상기 기초가공정보를 처리하는 (b)단계, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계 및 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함한다.

Description

생산시스템 최적화를 위한 학습 기반의 가공성 진단방법{Machinability Diagnostic Method based on Machine Learning for Optimizing Manufacturing System}
본 발명은 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 관한 것으로서, 보다 상세하게는 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 대상의 가공성 및 가공 추이를 정밀하게 예측할 수 있도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 관한 것이다.
다품종 생산이 주를 이루는 현대 공정 시스템 하에서는, 맞춤형 생산요구에 대하여 적시에 대응할 수 있는 솔루션이 요구된다.
특히 절삭가공 분야는 장비, 소재 및 공구 특성에 영향을 많이 받으므로, 공정의 최적화 및 이벤트 발생에 대한 사전 대응이 매우 중요한 이슈이다.
그리고 이와 같은 절삭가공 공정에서의 최우선적인 목표 중 하나는, 최적 조건에서의 효율적 가공을 통한 생산성 제고이다.
종래의 경우, 이와 같은 목표를 달성하기 위해서는 가공공구를 통해 실제 가공 공정을 수행하며 장기간에 걸쳐 수집된 데이터를 통해 시행착오 방식으로 최적 조건을 찾아 나가는 방법을 이용할 수밖에 없었다.
다만, 이와 같은 방법은 충분히 의미있는 데이터 풀이 갖춰질 때까지 시간이 소요될 수밖에 없고, 실제 최적 조건에 해당하는지를 확인하기 어려워 생산성 향상이 매우 제한적이었다. 또한 가공 환경 및 설비가 교체될 경우에는 다시 새롭게 데이터를 수집하여야 하는 문제가 있었다.
따라서 이와 같은 문제점들을 해결하기 위한 방법이 요구된다.
한국공개특허 제 10-2014-0083198호
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 생산시스템을 최적화시킬 수 있도록 하는 가공성 진단방법을 제공하기 위한 목적을 가진다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 목적을 달성하기 위한 본 발명의 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은, 가공에 요구되는 기초가공정보를 수집하는 (a)단계, 상기 기초가공정보를 처리하는 (b)단계, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계 및 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함하며, 상기 (b)단계는, 상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계, 상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계 및 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하되, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하도록 하는 (b-3)단계를 포함한다.
삭제
삭제
삭제
또한 상기 (e)단계는, 상기 복수의 통합 데이터 세트와 상기 복수의 파라미터 세트에 대해 서로 1:1 매칭을 수행하도록 할 수 있다.
그리고 상기 (f)단계는, 복수 개의 학습모델을 정의하는 (f-1)단계, 상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계, 상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계 및 상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계를 포함할 수 있다.
또한 상기 (g)단계는, 상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 선택하도록 할 수 있다.
그리고 상기 기초가공정보는, 가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.
또한 상기 가공공구정보는, 가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함할 수 있다.
그리고 상기 절삭조건 파라미터는, 공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.
상기한 과제를 해결하기 위한 본 발명의 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은 산업 현장의 생산성, 품질 고도화를 위한 솔루션을 제공함으로써 생산시스템의 부가가치 제고를 통해 산업현장의 니즈를 충족시킬 수 있는 장점이 있다.
그리고 본 발명은 복수의 학습모델 및 데이터를 이용하여 가공성을 다각도로 진단함에 따라 대상의 가공성 및 가공 추이를 정밀하게 예측할 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법의 각 단계를 나타낸 도면;
도 2는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 기초가공정보를 처리하기 위한 과정을 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 통합 데이터 세트를 복수 개 도출하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 복수 개의 파라미터 세트를 도출하는 과정을 나타낸 도면;
도 5는 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 복수 개의 조합데이터를 도출하는 과정을 나타낸 도면; 및
도 6은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법에 있어서, 조합데이터에 대한 정확성을 검증하기 위한 과정을 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법의 각 단계를 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법은 가공에 요구되는 기초가공정보를 수집하는 (a)단계와, 상기 기초가공정보를 처리하는 (b)단계와, 상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계와, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계와, 상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계와, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계와, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계와, 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계를 포함한다.
이하에서는 이들 각 단계에 대해 보다 자세히 설명하도록 한다.
먼저, 상기 (a)단계에서는, 수행하고자 하는 가공 공정에 요구되는 기초가공정보를 수집하게 된다.
본 실시예의 경우 상기 기초가공정보는 가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함할 수 있다. 상기 기초가공정보는 상기 나열된 다양한 정보 외에도 가공 공정에 요구되는 기타 다양한 정보를 더 포함할 수 있음은 물론이다.
상기와 같이 기초가공정보를 수집한 후, 상기 기초가공정보를 처리하는 (b)단계가 수행된다. 이와 같은 (b)단계는 상기 기초가공정보를 임의의 프로세서가 처리 가능한 형태로서 가공 처리하는 과정이다.
그리고 본 실시예의 경우 도 2에 도시된 바와 같이, 상기 (b)단계는 상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계와, 상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계와, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하는 (b-3)단계를 포함할 수 있다.
즉 상기 (b-1)단계는 상기 수집된 기초가공정보를 통해 가공 시뮬레이션을 수행하고, 상기 (b-2)단계는 상기 수집된 기초가공정보를 통해 실가공을 수행하게 된다.
이에 따라 상기 (b-1)단계에서는 시뮬레이션 가공데이터가 추출될 수 있으며, 상기 (b-2)단계에서는 실체 가공데이터가 추출될 수 있다. 다만, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터는 서로 호환되지 않는 형태일 수 있으므로 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 (b-3)단계를 통해 각 데이터를 동기화시키게 된다.
이때 상기 (b-3)단계는, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하는 과정을 거칠 수 있다.
다음으로, 상기 (b)단계에 의해 동기화 샘플데이터 형태로 처리된 기초가공정보에 가공공구정보를 반영하여, 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계가 수행된다.
본 단계의 경우 도 3에 도시된 바와 같이 (b-3)단계에 의해 도출된 동기화 샘플데이터에 가공공구정보를 반영하게 되며, 이때 상기 가공공구정보는 가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함할 수 있다.
이에 따라 상기 가공공구정보와 동기화샘플데이터의 조합에 의해 n개의 통합 데이터 세트가 생성될 수 있으며, 본 실시예에서는 설명의 편의를 위해 복수의 통합 데이터 세트에 순차적으로 일련번호를 붙여 제1통합데이터 세트(D1), 제2통합데이터 세트(D2), 제3통합데이터 세트(D3), 제4통합데이터 세트(D4)와 같이 제n통합 데이터 세트 형태로 명명하였다.
다음으로, 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계가 수행된다.
본 단계의 경우 도 4에 도시된 바와 같이 절삭력에 영향을 주는 복수 개의 절삭조건 파라미터에 속한 각 항목을 임의로 조합하여 다양한 파라미터 세트를 도출하게 되며, 이때 상기 절삭조건 파라미터는 공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함할 수 있다.
이에 따라 각 항목 간의 조합에 의해 n개의 파라미터 세트가 생성될 수 있으며, 본 실시예에서는 설명의 편의를 위해 복수의 파라미터 세트에 순차적으로 일련번호를 붙여 제1파라미터 세트(P1), 제2파라미터 세트(P2), 제3파라미터 세트(P3), 제4파라미터 세트(P4)와 같이 제n파라미터 세트 형태로 명명하였다.
이후, (c)단계에 의해 도출된 복수 개의 통합 데이터 세트 중 어느 하나와, (d)단계에 의해 도출된 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계가 수행된다.
본 단계에서는 도 5에 도시된 바와 같이, n개의 통합 데이터 세트와 n개의 파라미터 세트에 대해 각각 1:1 매칭을 수행할 수 있으며, 이에 따라 n×n개의 조합데이터를 도출할 수 있다. 본 발명에서는 이와 같은 조합데이터를 이용하여 학습 기반의 가공성 진단을 수행할 수 있다.
상기와 같이 복수의 조합데이터를 도출한 이후에는, 상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계와, 상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계와, 상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계가 순차적으로 수행될 수 있다.
또한 상기 (f)단계는 도 6에 도시된 바와 같이, 복수 개의 학습모델을 정의하는 (f-1)단계와, 상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계와, 상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계와, 상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계를 포함할 수 있다.
상기 (f-1)단계는 복수 개의 학습모델을 지정하는 단계로서, 상기 학습모델은 본 분야에서 기 공지된 자가학습 모델, 비공개된 상태의 자가학습 모델 및 추후 개발될 자가학습 모델 중 적어도 어느 하나 이상을 선택적으로 포함할 수 있다.
또한 상기 (f-2)단계는 상기 복수 개의 학습모델에 상기 (e)단계에 의해 도출된 복수 개의 조합데이터를 대입하여 결과값을 산출하며, 상기 (f-3)단계는 이와 달리 상기 복수 개의 조합데이터를 통해 실가공을 수행하여 결과값을 산출하게 된다.
그리고 상기 (f-4)단계는, 상기 (f-2)단계에서 산출된 결과값 및 상기 (f-3)단계에서 산출된 결과값을 상호 대비하여 정확성을 검증하게 된다.
이후 상기 (g)단계에서는 상기 (f)단계 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 추출하게 되며, 상기 (h)단계에서는 이와 같이 추출된 최적 조합데이터를 기초로 하여 기 설정된 조건을 대입하고, 해당 조건 하에서의 가공성을 진단할 수 있게 된다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
D1~D4: 통합 데이터 세트
P1~P4: 파라미터 세트

Claims (10)

  1. 가공에 요구되는 기초가공정보를 수집하는 (a)단계;
    상기 기초가공정보를 임의의 프로세서가 처리 가능한 형태로 가공 처리하는 (b)단계;
    상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 n개 도출하는 (c)단계;
    절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 n개의 파라미터 세트를 도출하는 (d)단계;
    상기 n개의 통합 데이터 세트 중 어느 하나 및 상기 n개의 파라미터 세트 중 어느 하나가 1:1 매칭되도록 선택 조합하여 nХn개의 조합데이터를 도출하는 (e)단계;
    상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계;
    상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 최적 조합데이터를 추출하는 (g)단계; 및
    상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계;
    를 포함하며,
    상기 (b)단계는,
    상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계;
    상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계; 및
    상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터가 서로 호환될 수 있도록 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하되, 상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하도록 하는 (b-3)단계;
    를 포함하는,
    생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 (f)단계는,
    복수 개의 학습모델을 정의하는 (f-1)단계;
    상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계;
    상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계; 및
    상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계;
    를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
  7. 제1항에 있어서,
    상기 (g)단계는,
    상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 선택하도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
  8. 제1항에 있어서,
    상기 기초가공정보는,
    가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
  9. 제1항에 있어서,
    상기 가공공구정보는,
    가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
  10. 제1항에 있어서,
    상기 절삭조건 파라미터는,
    공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법.
KR1020180150948A 2018-11-29 2018-11-29 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법 KR102226398B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180150948A KR102226398B1 (ko) 2018-11-29 2018-11-29 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180150948A KR102226398B1 (ko) 2018-11-29 2018-11-29 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법

Publications (2)

Publication Number Publication Date
KR20200065159A KR20200065159A (ko) 2020-06-09
KR102226398B1 true KR102226398B1 (ko) 2021-03-15

Family

ID=71082396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180150948A KR102226398B1 (ko) 2018-11-29 2018-11-29 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법

Country Status (1)

Country Link
KR (1) KR102226398B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102413182B1 (ko) * 2020-11-05 2022-06-27 한국생산기술연구원 전이학습을 통한 절삭력 예측의 가공 모델 생성 방법
KR102674249B1 (ko) * 2022-02-03 2024-06-12 한국생산기술연구원 리플로우 장비의 이상 여부 확인 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006102843A (ja) * 2004-10-01 2006-04-20 Toshiba Corp 最適加工装置及び最適加工方法
KR101846793B1 (ko) * 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140083198A (ko) 2012-12-24 2014-07-04 주식회사 포스코 금형용 강재의 절삭가공성 평가 방법
KR20170123755A (ko) * 2016-04-29 2017-11-09 유한책임회사 랩오투원 Svm 알고리즘을 이용한 선박 성능 분석 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006102843A (ja) * 2004-10-01 2006-04-20 Toshiba Corp 最適加工装置及び最適加工方法
KR101846793B1 (ko) * 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Also Published As

Publication number Publication date
KR20200065159A (ko) 2020-06-09

Similar Documents

Publication Publication Date Title
Ding et al. State of AI-based monitoring in smart manufacturing and introduction to focused section
CN107544462B (zh) 用于诊断风力发电机组的故障的方法及***
KR102226398B1 (ko) 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
US20090265693A1 (en) Method and system for test run prioritization for software code testing in automated test execution
CN110262279A (zh) 控制***以及控制方法
CN108628263A (zh) 控制***、控制装置、计算机可读存储介质以及控制方法
CN111340250A (zh) 设备检修装置、方法及计算机可读存储介质
US9384117B2 (en) Machine and methods for evaluating failing software programs
CN107908559A (zh) 一种测试案例设计方法及装置
CN107923731A (zh) 使用空间扭曲相似度的工具故障分析
US20090276074A1 (en) Method and system for machining process control
US6459949B1 (en) System and method for corrective action tracking in semiconductor processing
JP2008546084A (ja) 生産機械のための評価装置の動作方法
CN107122907B (zh) 一种机电产品符号化质量特性的分析与故障原因追溯方法
US20100131091A1 (en) A method and relative device for the management of technological recipe information to aid in defining process flows, in particular for the development and production of micro-and nanotechnology devices in cleanroom laboratories
US10394699B1 (en) Method and system for reusing a refinement file in coverage grading
US20220414555A1 (en) Prediction system, information processing apparatus, and information processing program
Donhauser et al. Rolling-reactive optimization of production processes in a calcium silicate masonry unit plant using online simulation
US7698245B2 (en) Applying rules to validating data for a machine arrangement
CN110221144A (zh) 建筑机电故障原因定位方法
JP5520211B2 (ja) レシピレポートカードフレームワーク及び方法
Pomeranz et al. Observation point placement for improved logic diagnosis based on large sets of candidate faults
JP2008117380A (ja) 診断プロセス支援方法とそのためのプログラム
James et al. Improving design for reliability with in-service data analysis
JP2021047139A (ja) 試験装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)