KR102373655B1 - Apparatus and method for diagnosing trouble of machine tool - Google Patents
Apparatus and method for diagnosing trouble of machine tool Download PDFInfo
- Publication number
- KR102373655B1 KR102373655B1 KR1020200058233A KR20200058233A KR102373655B1 KR 102373655 B1 KR102373655 B1 KR 102373655B1 KR 1020200058233 A KR1020200058233 A KR 1020200058233A KR 20200058233 A KR20200058233 A KR 20200058233A KR 102373655 B1 KR102373655 B1 KR 102373655B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- failure
- pip
- machine tool
- unit
- Prior art date
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- B23Q17/0995—Tool life management
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Numerical Control (AREA)
Abstract
본 발명은 공작기계의 고장 진단 방법에 관한 것으로, 보다 공작기계의 동작데이터를 수집하는 데이터 수집부; 상기 데이터수집부에서 수집된 데이터를 PIP(Perceptually Important Points) 방법으로 간략화된 PIP데이터를 생성하는 PIP데이터 생성부; 상기 PIP데이터 생성부에서 생성한 상기 PIP데이터의 위치를 조정하는 위치조정부; 및 상기 위치조정부에서 위치가 조정된 상기 PIP데이터를 신경망에 인가하여 상기 공작기계의 고장을 진단하는 진단부;로 구성되어 높은 정확도 및 신뢰도로 고장을 판단할 수 있다.The present invention relates to a method for diagnosing a machine tool failure, comprising: a data collecting unit for collecting operation data of the machine tool; a PIP data generation unit for generating simplified PIP data using the data collected by the data collection unit using a PIP (Perceptually Important Points) method; a position adjusting unit for adjusting the position of the PIP data generated by the PIP data generating unit; and a diagnosis unit for diagnosing a failure of the machine tool by applying the PIP data whose position is adjusted by the position adjustment unit to a neural network.
Description
본 발명은 공작기계의 고장 진단 방법에 관한 것으로, 보다 상세하게는 전처리된 공작기계의 동작데이터를 신경망에 인가하여 공작기계의 고장을 진단하는 방법에 관한 것이다.The present invention relates to a method for diagnosing machine tool failure, and more particularly, to a method for diagnosing machine tool failure by applying preprocessed operation data of the machine tool to a neural network.
공작기계는 소재를 가공하여 원하는 형상을 만드는 기계이다. 이러한 공작기계는 특히 소재를 정확하게 가공하기 위해서 원하는 속도로 운동할 수 있는 회전계 부품과, 정확한 위치로 이송할 수 있는 이송계 부품들로 구성되어 있다.A machine tool is a machine that processes a material to make a desired shape. In particular, in order to precisely process a material, such a machine tool is composed of a rotation system part that can move at a desired speed and a feed system part that can be transferred to an accurate position.
이러한 공작기계의 높은 가공 생산성과 품질향상을 위해 공작기계는 고속, 고정밀 추세에 있으며, 최근에는 기계 효율을 높이기 위하여 지능화 기술을 요구 받고 있다. 지능화를 위한 기술로서 공작기계의 공정 상태를 실시간 감시할 수 있는 모니터링 기술이 필요하며, 공작기계의 공구 수명을 결정하는 기술이 필요하다.In order to improve the machining productivity and quality of these machine tools, machine tools are in the trend of high speed and high precision. As a technology for intelligence, a monitoring technology that can monitor the process status of a machine tool in real time is required, and a technology that determines the tool life of the machine tool is required.
공구의 수명을 결정하기 위해서는 공구의 상태를 측정해야 하며, 이러한 측정 방법으로는 크게 직접적 방법과 간접적 방법 2가지로 분류될 수 있다. 직접적 방법은 실제 측정 장비를 이용하여 공구의 마모에 대해 직접적으로 측정하는 기법으로 레이저 및 초음파 등이 해당된다. 이러한 기법은 생산과정을 중단하고 정적으로 측정이 되어야 하므로 시간적 측면과 생산성 저하와 같은 비효율적인 문제점을 가지고 있다. In order to determine the life of a tool, it is necessary to measure the state of the tool, and these measuring methods can be broadly classified into two types: a direct method and an indirect method. The direct method is a technique for directly measuring tool wear using actual measuring equipment, and includes laser and ultrasonic waves. This technique has inefficiencies in terms of time and productivity, as it has to stop the production process and measure statically.
반면에 간접적 방법은 동적인 상태에서 측정이 가능하여 많이 선호되고 있으며, 대표적으로는 음향방출(AE, Acoustic Emission)의 측정과 절삭력의 변화, 주축의 부하 변화, 진동계를 이용한 변화 그리고 조도 측정 등이 있다.On the other hand, the indirect method is preferred because it can be measured in a dynamic state. Representatively, the measurement of acoustic emission (AE), the change in cutting force, the change in the load of the main shaft, the change using a vibrometer, and the measurement of illuminance are used. there is.
공작기계에서 소재를 가공하는 공구는 생산제품의 품질을 좌우하는 요소로써 공구 파손과 공구 마모가 대표적인 공작기계의 고장 원인으로 지목되며, 파손되고 마모된 공구를 사용하게 되면 공작기계를 이용하여 생산되는 공작물의 불량을 야기할 수 있다. 공구 파손은 공구가 깨져 못 쓰게 되는 현상을 말하며 깨지는 과정에서 공작물과 공작기계에 치명적 손상을 초래한다. 공구 마모는 공작물을 생산하는 과정에 마찰로 인해 공구가 닳게 되어 피할 수 없이 발생하며, 일정 한도 이상 마모된 공구로 생산할 시에는 공작물의 품질이 목표 범위에 도달하지 못하게 되어 불량품을 생산할 수 있어서 공구의 수명을 주기적으로 확인해야 한다.Tools that process materials in machine tools are factors that determine the quality of manufactured products, and tool breakage and tool wear are cited as the main causes of machine tool failure. It may cause a defect in the work piece. Tool breakage refers to a phenomenon in which a tool becomes unusable and causes fatal damage to workpieces and machine tools in the process of breaking. Tool wear is unavoidable because the tool is worn out due to friction in the process of producing the workpiece. The lifespan should be checked periodically.
현재 공구의 수명을 확인하는 방법은 현장의 작업자들이 주기적으로 공장의 공작기계들을 정지시키고, 공작물의 치수를 확인하여 불량의 경우 각각의 공구들을 직접 확인하여 경험적으로 남은 수명을 확인하고 수명이 남은 경우 위치를 보정하고, 그렇지 못한 경우 공구를 교체한다. 그러나 이 방법은 정확성이 떨어져 정확히 남은 수명을 확인할 수 없다.The method of checking the current tool life is that workers in the field periodically stop the machine tools in the factory, check the dimensions of the workpiece, and in case of defects, directly check each tool to check the remaining life experience. Correct the position, if not, replace the tool. However, this method lacks accuracy and cannot accurately determine the remaining life.
그래서 현장에서는 어쩔 수 없이 공구마다 최대 생산 가능 횟수를 90% 정도로 설정하여 도달하면 교체를 진행한다. 이러한 교체 및 공구의 수명을 확인하기 위한 공작기계의 정지가 생산성을 떨어뜨리게 되고, 공구의 수명을 100% 사용하지 못하고 미리 교체하여 공구를 불필요하게 소모한다.Therefore, in the field, the maximum number of production possible for each tool is set at about 90%, and when it is reached, replacement is carried out. Such replacement and stopping of the machine tool to check the life of the tool reduces productivity, and the tool life is not used 100% and is replaced in advance to consume the tool unnecessarily.
본 발명은 상술한 종래 기술에서의 문제점을 개선하기 위한 것으로서 공작기계의 동작데이터를 이용하여 신경망 학습을 수행하며, 신경망을 이용하여 공작기계의 공구 마모와 관련되는 고장을 진단하는 장치 및 진단 방법을 제공하는데 그 목적이 있다.The present invention is to improve the problems in the prior art described above, and performs neural network learning using operation data of a machine tool, and provides an apparatus and a diagnostic method for diagnosing a failure related to tool wear of a machine tool using the neural network. Its purpose is to provide
상술한 과제를 해결하기 위한 본 발명에서의 공작기계의 고장을 진단하는 장치에 있어서, 공작기계의 동작데이터를 수집하는 데이터 수집부; 상기 데이터수집부에서 수집된 데이터를 PIP(Perceptually Important Points) 방법으로 간략화된 PIP데이터를 생성하는 PIP데이터 생성부; 상기 PIP데이터 생성부에서 생성한 상기 PIP데이터의 위치를 조정하는 위치조정부; 및 상기 위치조정부에서 위치가 조정된 상기 PIP데이터를 신경망에 인가하여 상기 공작기계의 고장을 진단하는 진단부;로 구성될 수 있다.In an apparatus for diagnosing a machine tool failure in the present invention for solving the above-described problem, the apparatus comprising: a data collecting unit for collecting operation data of the machine tool; a PIP data generation unit for generating simplified PIP data using the data collected by the data collection unit using a PIP (Perceptually Important Points) method; a position adjusting unit for adjusting the position of the PIP data generated by the PIP data generating unit; and a diagnosis unit for diagnosing a failure of the machine tool by applying the PIP data whose position is adjusted by the position adjustment unit to a neural network.
또한, 상기 데이터 수집부는, 수집된 상기 동작데이터를 정상데이터와 고장데이터로 분류하는 데이터분류부; 및 상기 고장데이터와 유사한 가상고장데이터를 생성하는 데이터생성부;로 구성될 수 있다.In addition, the data collection unit, a data classification unit for classifying the collected operation data into normal data and failure data; and a data generation unit that generates virtual failure data similar to the failure data.
또한, 상기 신경망는, LSTM(Long Short Term Memory)-RNN(Recurrent Neural Networks)으로 구성되며, 상기 데이터분류부에서 분류한 정상데이터와 고장데이터 및 상기 데이터생성부에서 생성된 가상고장데이터를 이용하여 상기 신경망의 학습을 수행할 수 있다.In addition, the neural network is composed of LSTM (Long Short Term Memory)-RNN (Recurrent Neural Networks), and using the normal data and failure data classified by the data classification unit and the virtual failure data generated by the data generation unit, the Neural networks can be trained.
또한, 상기 PIP데이터 생성부는, 인접한 두 개의 점 사이에 가장 거리가 큰 점을 진단하는 PIP-ED 방법을 이용하여 간략화를 할 수 있다.In addition, the PIP data generating unit may simplify using the PIP-ED method for diagnosing a point having the greatest distance between two adjacent points.
또한, 상기 위치조정부는, 상기 PIP데이터에서 각각의 솟구치는 부분의 시작점, 최고점, 종료점을 찾아 x축 데이터를 저장하고, 상기 각각의 솟구치는 부분의 최고점 평균을 기준으로 타겟점을 설정하며, 상기 시작점부터 상기 최종점까지의 데이터에 대하여 상기 최고점에서 타겟점을 뺀 절댓값만큼 이동하여 위치를 조정할 수 있다.In addition, the position adjustment unit stores the x-axis data by finding the start point, the highest point, and the end point of each soaring part in the PIP data, and sets the target point based on the average of the highest point of each soaring part, from the starting point The position can be adjusted by moving the data up to the final point by an absolute value obtained by subtracting the target point from the highest point.
또한, 상기 공작기계의 고장 진단 장치의 동작을 복수회 수행하여 고장으로 판단되는 횟수가 기설정된 횟수 이상일 경우에만 최종 고장으로 판단할 수 있다.In addition, it is possible to determine the final failure only when the number of times determined to be a failure by performing the operation of the failure diagnosis apparatus of the machine tool is greater than or equal to a predetermined number of times.
본 발명의 다른 일 실시예에 따른 공작기계의 고장 진단 방법은 공작기계의 고장 진단 방법에 있어서, 상기 공작기계의 동작데이터를 수집하는 단계; 수집된 상기 동작데이터를 PIP(Perceptually Important Points) 방법으로 간략화된 PIP데이터를 생성하는 단계; 상기 PIP데이터의 위치를 조정하는 단계; 및 위치가 조정된 상기 PIP데이터를 신경망에 인가하여 상기 공작기계의 고장을 진단하는 단계;를 포함할 수 있다.A machine tool failure diagnosis method according to another embodiment of the present invention comprises the steps of: collecting operation data of the machine tool; generating simplified PIP data using the collected motion data in a PIP (Perceptually Important Points) method; adjusting the position of the PIP data; and diagnosing a failure of the machine tool by applying the adjusted PIP data to a neural network.
또한, 상기 공작기계의 동작데이터를 수집하는 단계는, 수집된 상기 동작데이터를 정상데이터와 고장데이터로 분류하는 단계; 및 상기 고장데이터와 유사한 가상고장데이터를 생성하는 단계;를 포함할 수 있다.In addition, the step of collecting the operation data of the machine tool may include: classifying the collected operation data into normal data and failure data; and generating virtual failure data similar to the failure data.
또한, 상기 신경망은, LSTM(Long Short Term Memory)-RNN(Recurrent Neural Networks)으로 구성되며, 상기 정상데이터, 고장데이터 및 가상고장데이터 이용하여 상기 신경망의 학습을 수행하는 단계를 더 포함할 수 있다.In addition, the neural network is composed of LSTM (Long Short Term Memory)-RNN (Recurrent Neural Networks), and may further include the step of performing learning of the neural network using the normal data, failure data, and virtual failure data. .
또한, 상기 PIP 방법은, 인접한 두 개의 점 사이에 가장 거리가 큰 점을 진단하는 PIP-ED 방법을 이용하여 간략화를 수행할 수 있다.In addition, the PIP method may be simplified by using the PIP-ED method for diagnosing a point having the greatest distance between two adjacent points.
또한, 상기 데이터의 위치를 조정하는 단계는, 상기 PIP데이터에서 각각의 솟구치는 부분의 시작점, 최고점, 종료점을 찾아 x축 데이터를 저장하는 단계; 상기 각각의 솟구치는 부분의 최고점 평균을 기준으로 타겟점을 설정하는 단계; 및 상기 시작점부터 상기 최종점까지의 데이터에 대하여 상기 최고점에서 타겟점을 뺀 절댓값만큼 이동하여 위치를 조정하는 단계;를 포함할 수 있다.In addition, the step of adjusting the position of the data may include: locating the starting point, the highest point, and the ending point of each soaring part in the PIP data and storing the x-axis data; setting a target point based on the average of the highest points of each of the soaring parts; and adjusting the position by moving the data from the starting point to the final point by an absolute value obtained by subtracting the target point from the highest point.
또한, 상기 공작기계의 고장 진단 방법을 복수회 수행하여 고장으로 판단되는 횟수가 기설정된 횟수 이상일 경우에만 최종 고장으로 판단할 수 있다.In addition, it is possible to determine the final failure only when the number of times determined to be a failure by performing the method for diagnosing the failure of the machine tool a plurality of times is greater than or equal to a predetermined number of times.
상기와 같은 본 발명의 공작기계의 고장 진단 방법은 잡음 등의 불필요한 데이터를 제거하는 전처리 수행 후에 신경망을 이용하여 고장을 진단하고, 이동출력빈도를 이용하여 고장을 최종 판단함으로써 높은 정확도 및 신뢰도로 고장을 판단할 수 있다.The method for diagnosing a machine tool failure according to the present invention as described above uses a neural network to diagnose a failure after performing pre-processing to remove unnecessary data such as noise, and finally determines the failure using the movement output frequency, resulting in a failure with high accuracy and reliability. can be judged
또한, 공작기계의 실시간 동작신호를 이용하여 고장을 진단할 수 있어 고장 진단을 위하여 공작기계의 동작을 정지시킬 필요가 없으며, 고장 진단을 위한 인력이 필요하지 않기 때문에 공작기계의 운용 비용이 감소될 수 있다.In addition, since the failure can be diagnosed using the real-time operation signal of the machine tool, there is no need to stop the operation of the machine tool for failure diagnosis, and the operation cost of the machine tool can be reduced because no manpower is required for failure diagnosis. can
또한, 공작기계의 공구파손, 공구마멸과 같은 공구손상을 파악하여 공작물 및 기계에 치명적 손상을 방지할 수 있으며, 공구의 수명을 최대한도로 사용할 수 있고, 치명적 손상이 발생하기 이전에 손상을 파악하여 교체함으로써 기계정지시간을 감소시킬 수 있는 효과가 있다.In addition, it is possible to prevent fatal damage to the workpiece and machine by identifying tool damage such as tool breakage and tool wear of the machine tool, use the tool life to the maximum, and identify damage before fatal damage occurs. It has the effect of reducing the machine downtime by replacing it.
또한, 공작기계의 치명적인 손상을 방지함에 따라 공장의 생산량 증가, 품질 증가, 일의 효율성 증대가 가능하며, 공작기계의 손상을 모니터링할 수 있음에 따라 공장자동화에 큰 기여를 수행할 수 있는 효과가 있다.In addition, by preventing fatal damage to machine tools, it is possible to increase production, quality, and work efficiency of the factory, and by monitoring machine tool damage, it is possible to make a great contribution to factory automation. there is.
도 1은 본 발명의 일 실시예에 따른 공작기계의 고장 진단 장치의 구조를 나타내는 블록도이다.
도 2a 및 도2b는 본 발명의 일 일 실시예에 따른 공작기계의 고장 진단 장치를 위한 동작데이터들의 특징맵을 나타내는 나타내는 도면이다.
도 3는 본 발명의 일 실시예에서 사용되는 PIP 방법들의 계산 방법을 도식화한 도면이다.
도 4는 본 발명의 일 실시예에 따른 공작기계의 고장 진단 장치의 위치조정알고리즘을 설명하는 도면이다.
도 5a 내지 5e는 본 발명의 일 실시예에 따른 공작기계의 고장 진단 장치의 신경망의 동작 방법을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 공작기계의 고장 진단을 위한 신경망 학습 방법을 나타내는 순서도이다.
도 7는 본 발명의 일 실시예에 따른 공작기계의 고장 진단의 고장 진단 방법을 나타내는 순서도이다.1 is a block diagram showing the structure of a failure diagnosis apparatus for a machine tool according to an embodiment of the present invention.
2A and 2B are diagrams illustrating a feature map of operation data for a failure diagnosis apparatus of a machine tool according to an embodiment of the present invention.
3 is a diagram schematically illustrating a calculation method of PIP methods used in an embodiment of the present invention.
4 is a view for explaining a position adjustment algorithm of the apparatus for diagnosing a machine tool failure according to an embodiment of the present invention.
5A to 5E are diagrams for explaining a method of operating a neural network of an apparatus for diagnosing a failure of a machine tool according to an embodiment of the present invention.
6 is a flowchart illustrating a neural network learning method for diagnosing a failure of a machine tool according to an embodiment of the present invention.
7 is a flowchart illustrating a fault diagnosis method for fault diagnosis of a machine tool according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can apply various transformations and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail. However, this is not intended to limit the specific embodiments of the present invention, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
공간적으로 상대적인 용어인 아래(below, beneath, lower), 위(above, upper) 등은 도면에 도시되어 있는 바와 같이 하나의 구성 요소들과 다른 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 구성 요소의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 구성 요소를 뒤집을 경우, 다른 구성 요소의 아래(below, beneath)로 기술된 구성 요소는 다른 구성 요소의 위(above, upper)에 놓일 수 있다. 따라서, 예시적인 용어인 아래는 아래와 위의 방향을 모두 포함할 수 있다. 구성 요소는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.Spatially relative terms such as below, beneath, lower, above, etc. will be used to easily describe the correlation between one component and other components, as shown in the drawings. can Spatially relative terms should be understood as terms including different directions of components when used in addition to the directions shown in the drawings. For example, when a component shown in the drawing is turned over, a component described as below (below, beneath) other components may be placed above (above, upper) other components. Accordingly, the example term below may include both downward and upward directions. Components may also be oriented in other orientations, and thus spatially relative terms may be interpreted according to orientation.
본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As used in the present invention, the expression indicating a part such as “part” or “part” means a device in which the component may include a specific function, software that may include a specific function, or a device that may include a specific function. And it means that it can represent a combination of software, but it is not necessarily limited to the expressed function, which is provided to help a more general understanding of the present invention, and a person with ordinary knowledge in the field to which the present invention belongs If it is, various modifications and variations are possible from these base materials.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the described embodiments, and not only the claims to be described later but also all of the claims and equivalents or equivalent modifications will be said to belong to the scope of the spirit of the present invention. .
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 일 실시예에 따른, 공작기계의 고장 진단 방법에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a method for diagnosing a machine tool failure according to a preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings.
최근 고정밀 공작기계는 공작물에 대한 공구의 위치를 설정하기 위하여 CNC(computer numerical control)를 부착하고 있다. CNC란 컴퓨터를 이용하여 선반이나 절삭기 등 공작 기계에 의한 가공을 제어하기 위한 시스템으로써 일반적으로 AutoCAD 등의 프로그램으로 설계한 공작물의 수치 사이즈를 공작기계에 전달하면 공작기계의 CNC에서 공작물의 수치 사이즈에 따라 공구의 위치를 설정하여 공구를 절삭, 가공하는 시스템을 통칭할 수 있다. 이러한 CNC는 대다수 내장 이더넷을 포함하고 있으며, 이러한 이더넷은 전력선, 통신선 등을 이용하여 외부의 컴퓨터와 같은 시스템과 통신을 수행할 수 있다.Recently, a high-precision machine tool is attached to a CNC (computer numerical control) to set the position of the tool with respect to the workpiece. CNC is a system for controlling machining by machine tools such as lathes and cutting machines using a computer. In general, when the numerical size of a workpiece designed with a program such as AutoCAD is transmitted to the machine tool, the CNC of the machine tool can calculate the numerical size of the workpiece. It can be collectively referred to as a system that cuts and processes the tool by setting the position of the tool accordingly. Most of these CNCs include built-in Ethernet, and such Ethernet can communicate with an external system such as a computer using a power line or a communication line.
본 발명의 일 실시예에서는 이러한 내장 이더넷을 통해 통신을 수행할 수 있으나, 내장 이더넷이 없는 경우에는 추가적으로 통신부(미도시)를 설치하여 외부의 시스템과 통신을 수행할 수 있다.In an embodiment of the present invention, communication may be performed through such a built-in Ethernet, but if there is no built-in Ethernet, a communication unit (not shown) may be additionally installed to communicate with an external system.
본 발명의 일 실시예에서 동작데이터는 공작기계의 주축 토크 데이터를 의미하고 있으나, 이에 한정하지 않고 공작기계가 동작하며 수집될 수 있는 공작물의 오차율, 모터의 동작 신호, 공작기계의 동작 시간, 소음, 진동 등의 공작기계에서 발생하는 모든 상태정보를 이용할 수 있다.In an embodiment of the present invention, the operation data refers to the spindle torque data of the machine tool, but is not limited thereto, and the error rate of the workpiece that can be collected while the machine tool operates, the operation signal of the motor, the operation time of the machine tool, and the noise All status information generated by machine tools such as , vibration, etc. can be used.
본 발명의 일 실시예에서는 고장이라 함은 대표적으로 공작기계의 공작 툴의 마모를 대표 실시예로 설정하여 설명하고 있으나, 이에 한정하지 않고 공작기계의 고장 진단이 필요한 모든 부품을 의미할 수 있다.In one embodiment of the present invention, the failure is typically described by setting the wear of the machine tool of the machine tool as a representative embodiment, but is not limited thereto, and may mean all parts that require fault diagnosis of the machine tool.
도 1은 본 발명의 일 실시예에 따른 공작기계의 고장 진단 장치의 구조를 나타내는 블록도이다.1 is a block diagram showing the structure of a failure diagnosis apparatus for a machine tool according to an embodiment of the present invention.
본 발명의 일 실시예에서의 고장 진단 장치는 실시간으로 공작기계의 고장을 진단하기 위하여 데이터 수집부(100), 전처리부(200), 진단부(300), 결정부(400)을 포함하여 구성될 수 있다.The failure diagnosis apparatus in one embodiment of the present invention is configured to include a
데이터 수집부(100)는 공작기계의 CNC 내장 이더넷을 통해 실시간으로 데이터를 수집할 수 있다. 이렇게 수집된 데이터는 패킷 데이터이며, 패킷 데이터 속에는 공작기계의 상태 정보와 주축 모터의 토크 데이터가 포함되어 있을 수 있다.The
상기 상태 정보는 일반적으로 8비트(1바이트) 단위로 전송되며, 예를 들어, “01”은 긴급 정지, “09”는 가공품을 가공 완료한 후 대기, “0B 또는 “6B”는 가공품의 가공 중 신호 등으로 표현될 수 있다.The status information is generally transmitted in units of 8 bits (1 byte), for example, “01” is an emergency stop, “09” is waiting after processing the workpiece, and “0B or 6B” is the processing of the workpiece. It can be expressed as a medium signal or the like.
또한, 주축 모터의 토크 데이터는 16비트(2바이트)로 구성될 수 있으며, 10진수로 표현하면 0부터 65,535의 숫자로 표현될 수 있다.In addition, the torque data of the main shaft motor may be composed of 16 bits (2 bytes), and expressed as a decimal number may be expressed as a number from 0 to 65,535.
본 발명의 일 실시예에서는 상기의 패킷 데이터 중 토크 데이터를 동작데이터로 수집할 수 있다. In an embodiment of the present invention, talk data among the packet data may be collected as motion data.
데이터 수집부(100)는 동작데이터를 수집하면 데이터분류부(110)에서 데이터를 분류하고, 분류한 데이터를 기반으로 신경망 학습을 위한 학습용 데이터를 데이터생성부(120)에서 생성할 수 있다.When the
데이터분류부(110)는 CNC 내의 이더넷으로부터 획득한 패킷 데이터에서 토크 데이터를 분류할 수 있다. The
데이터분류부(110)에서 분류된 토크 데이터는 크게 두 가지 종류의 토크 데이터로 분류될 수 있으며, 두 가지 종류는 정상 토크 데이터와 고장 토크 데이터이다.The torque data classified by the
이러한 정상 토크 데이터와 고장 토크 데이터 또한 데이터분류부(110)에서 분류할 수 있다.Such normal torque data and fault torque data may also be classified by the
도 2는 본 발명의 일 실시예에 따른 공작기계의 고장 진단 장치를 위한 동작데이터들의 특징맵을 나타내는 도면으로써, 구체적으로 도 2a는 데이터분류부(110)에서 분류한 실제 정상 토크 데이터와 실제 고장 토크 데이터이며, 도 2b는 실제 정상 토크 데이터와 실제 고장 토크 데이터 이외에 데이터생성부(120)에서 생성한 가상 고장 토크 데이터를 표시하고 있다.2 is a view showing a characteristic map of operation data for a failure diagnosis apparatus of a machine tool according to an embodiment of the present invention. Specifically, FIG. 2a is a diagram showing actual normal torque data classified by the
구체적으로, 도 2a를 참조하면, 데이터분류부(110)는 수집된 데이터에 대하여 정상 토크 데이터와 고장 토크 데이터를 분류하며, 파란색 O는 실제 정상 토크 데이터이고, 빨간색 X는 실제 고장 토크 데이터를 나타내고 있다. 이러한 데이터는 도 2a에서 확인할 수 있듯이 정상 토크 데이터의 수가 압도적으로 많게 되며, 이에 따라 신경망 학습을 수행하기에 표본이 되는 고장 토크 데이터의 수가 상대적으로 매우 적을 수 있다.Specifically, referring to FIG. 2A , the
데이터생성부(120)는 이러한 데이터 불균형을 해소하기 위하여 가상 고장 토크 데이터를 생성할 수 있다. 도 2b를 참조하면, 실제 정상 토크 데이터는 파란색 O로 표시하고, 실제 고장 토크 데이터는 검은색 X로 표시하였으며, 가상 고장 토크 데이터는 초록색의 ◇로 표시하고 있다. 가상 고장 토크 데이터는 실제 고장 토크 데이터와 유사한 특징을 가지는 데이터로써, 신경망 학습을 위한 데이터로 활용될 수 있다.The
즉, 본 발명의 신경망 학습을 수행하는 과정에서는 공작기계에서 데이터가 전송되면 데이터 수집부(100)는 데이터분류부(110)에서 데이터를 실제 정상 토크 데이터와 실제 고장 토크 데이터로 분류하고, 데이터생성부(120)에서 실제 고장 토크 데이터를 이용하여 가상 고장 토크 데이터를 생성한 후에 실제 정상 토크 데이터, 실제 고장 토크 데이터 및 가상 고장 토크 데이터를 이용하여 학습을 진행하며, 학습된 신경망을 이용하여 공작기계의 고장을 진단하는 과정에서는 공작기계에서 데이터가 전송되면 데이터 수집부(100)에서 데이터를 수집하면 바로 전처리부(200)로 전달할 수 있다.That is, in the process of performing neural network learning of the present invention, when data is transmitted from the machine tool, the
또는, 필요에 따라 공작기계의 고장을 진단하는 과정에서 데이터 분류부(110)를 이용하여 실제 정상 토크 데이터와 실제 고장 토크 데이터를 1차 분류를 수행한 후에 신경망을 이용하여 확인할 수 있으며, 이외에도 다양한 형태로 활용할 수 있다.Alternatively, if necessary, in the process of diagnosing the failure of the machine tool, the actual normal torque data and the actual failure torque data may be first classified using the
데이터 수집부(100)의 데이터분류부(110)와 데이터생성부(120)는 기설정된 기준으로 데이터를 분류 및 생성할 수 있으나, 이러한 동작을 수행하는 경우에 정확한 데이터의 분류 및 데이터의 생성을 수행하기에는 신뢰도가 떨어지는 문제가 발생할 수 있다.The
본 발명의 일 실시예에서는 정확한 데이터의 분류 및 생성을 위하여 데이터분류부(110) 및 데이터생성부(120)가 생성적 대립 신경망(Generative Adversarial Network, GAN)으로 구성될 수 있다.In an embodiment of the present invention, the
GAN은 크게 생성부와 비교부로 구성되는 신경망으로써, 생성부는 입력된 데이터와 유사 데이터를 생성하고, 비교부에서 입력된 데이터와 생성된 데이터를 비교하여 유산한 데이터를 생성하는 방향으로 학습을 진행하는 신경망이다.GAN is a neural network largely composed of a generator and a comparison part. The generator generates similar data to the input data, and the comparison part compares the input data with the generated data to generate aborted data. is a neural network
데이터분류부(110)는 사전에 학습된 GAN을 활용하여 공작기계의 동작데이터를 정상데이터와 고장데이터로 분류하고, 데이터생성부(120)는 GAN의 생성부를 활용하여 유사 데이터를 생성할 수 있다.The
데이터 수집부(100)에서 수집된 데이터를 전처리부(200)에서 PIP데이터 생성부(210)와 위치조정부(220)를 통해 진단부(300)에서 공작기계의 고장을 진단하도록 동작데이터를 전처리할 수 있다.The data collected by the
데이터 전처리란 잡음이 포함된 데이터, 불완전한 데이터, 모순된 데이터들을 처리하여 동작 효율을 증가시키기 위한 것으로써, 데이터 내의 잡음을 제거하고 빈 데이터는 삭제, 모순된 데이터는 수정하는 방법, 다양한 데이터들을 일관성 있는 하나의 데이터로 통합하는 방법, 데이터 변환으로 데이터에 로그를 씌우거나 평균, 구간화하여 정확도와 효율을 개선하는 방법, 또는 집계, 중복제거, 군집화와 같은 과정을 통해 데이터의 크기를 축소하는 방법 등을 활용할 수 있다.Data preprocessing is to increase operational efficiency by processing noise-containing data, incomplete data, and contradictory data. A method of consolidating data into a single data that exists, a method of improving accuracy and efficiency by logging, averaging, or binning data through data transformation, or a method of reducing the size of data through processes such as aggregation, deduplication, and clustering etc. can be used.
본 발명의 일 실시예에서 사용되는 동작 데이터는 시계열 데이터(time-series data)로써 높은 고차원성 및 연속성을 가지고 있어 잡음이 많이 포함되어 있으며 이로 인하여 계산량의 증가가 발생할 수 있다. 이러한 시계열 데이터의 처리 효율을 증가시키기 위해서는 데이터의 크기를 축소하면서도 데이터의 중요한 특징점을 유지시키기 위하여 PIP(Perceptually Important Points) 방법을 사용할 수 있다.Motion data used in an embodiment of the present invention is time-series data and has high dimensionality and continuity, and thus contains a lot of noise, which may increase the amount of calculation. In order to increase the processing efficiency of such time series data, a PIP (Perceptually Important Points) method can be used to reduce the size of the data while maintaining important characteristic points of the data.
PIP데이터 생성부(210)는 PIP방법을 활용하여 데이터 수집부(100)에서 수집한 공작기계의 시계열 동작데이터의 x축 및 y축 크기를 감소하고, 형태의 단순화를 수행하여 데이터의 크기를 축소하면서도 데이터의 중요한 특징점을 유지시킬 수 있다.The PIP
PIP 방법은 PIP-VD(Vertical Distance), PIP-PD(Perpendicular Distance), PIP-ED(Euclidean Distance) 방법으로 크게 3가지 방식을 포함할 수 있으며, 이하에서 도3을 참조하여 구체적으로 설명하도록 한다.The PIP method may include three types of PIP-VD (Vertical Distance), PIP-PD (Perpendicular Distance), and PIP-ED (Euclidean Distance) methods, and will be described in detail with reference to FIG. 3 below. .
도 3의 (a)는 PIP-VD 방법에 관한 것으로, PIP-VD는 인접한 2개의 PIP들을 연결한 직선과 y축 방향으로 그은 직선들 중 수직으로 가장 거리가 먼 점을 진단하는 방법으로 하기의 수학식 1을 이용하여 획득할 수 있다.3 (a) relates to the PIP-VD method, which is a method for diagnosing the point that is vertically the furthest from a straight line connecting two adjacent PIPs and a straight line drawn in the y-axis direction. It can be obtained using
상기 수학식 1에서 yk는 y축 좌표이고, xk는 x축 좌표를 의미할 수 있다.In
도 3의 (b)는 PIP-PD 방법에 관한 것으로, 인접한 2개의 PIP들을 연결한 직선과 수직으로 가장 거리가 먼 점을 진단하는 방법으로 하기의 수학식 2를 이용하여 획득할 수 있다.3 (b) relates to a PIP-PD method, which is a method for diagnosing a point that is vertically furthest from a straight line connecting two adjacent PIPs, and can be obtained using
상기 수학식 2에서 yk는 y축 좌표이고, xk는 x축 좌표를 의미할 수 있다.In
도 3의 (c)는 PIP-ED 방법에 관한 것으로, 인접한 두 개의 점 사이에 가장 거리가 먼 점을 진단하는 방법으로 하기의 수학식 3을 이용하여 획득할 수 있다.3(c) relates to a PIP-ED method, which is a method for diagnosing a point having the longest distance between two adjacent points, which may be obtained using
상기 수학식 3에서 yk는 y축 좌표이고, xk는 x축 좌표를 의미할 수 있다.In
본 발명의 일 실시예에서는 도 3의 (c)방법인 PIP-ED 방법을 활용하여 동작데이터를 간략화하는 전처리를 수행하고 있으나, 이에 한정하지 않고, PIP-VD 및 PIP-PD 방법을 이용할 수도 있다.In an embodiment of the present invention, preprocessing for simplifying operation data is performed using the PIP-ED method, which is the method (c) of FIG. 3 , but the present invention is not limited thereto, and PIP-VD and PIP-PD methods may be used. .
PIP데이터 생성부(210)에서 전처리된 데이터는 PIP방법을 활용하여 단순화함에 따라 주요 특징점을 보존하고는 있으나, 실제 데이터와 그 형태 및 위치가 변동되게 된다. 이러한 위치 변화로 인하여 공작기계의 고장을 진단하는 과정에서 오차가 발생할 수 있으므로, 위치조정부(220)에서 위치를 조정하여 정확성을 개선하여야 한다.The data pre-processed by the PIP
도 4는 본 발명의 일 실시예에서의 위치조정부(220)에서 위치조정알고리즘을 통한 PIP데이터 생성부(210)에서 생성한 PIP데이터의 위치를 조정하기 위한 도면이다.4 is a diagram for adjusting the position of the PIP data generated by the PIP
도 4를 참조하여 PIP데이터의 위치 조정 방법을 설명하면, PIP데이터에서 빨간색으로 표시된 상승하는 부분의 시작점(, , ..., ), 초록색으로 표시된 최고점( , , ..., ), 파란색으로 표시된 종료점( , , ..., )을 찾은 뒤에 시작점, 최고점, 종료점 각각의 x축 데이터를 저장할 수 있다. The method of adjusting the position of PIP data is described with reference to FIG. 4, the starting point ( , , ..., ), the highest point in green ( , , ..., ), the end point shown in blue ( , , ..., ), you can save the x-axis data of each starting point, peak, and ending point.
저장된 데이터의 각각 솟구치는 부분의 최고점( , , ..., ) 평균을 기준으로 타겟점( , , ..., )을 설정할 수 있다. 타겟점이 설정되면, ()부터 종료점()까지의 데이터를 최고점과 타겟점 간의 차이의 절댓값()만큼 이동하여 위치를 조절할 수 있다.The highest point of each soaring part of the stored data ( , , ..., ) based on the average of the target point ( , , ..., ) can be set. When the target point is set, ( ) to the end point ( ) to the absolute value of the difference between the highest point and the target point ( ) to adjust the position.
즉, 최고점과 타겟점 사이의 차잇값이 양수이면 시작점부터 이동하고, 최고점과 타겟점 사이의 차잇값이 음수이면 종료점부터 이동하여 데이터가 겹치는 상황을 제거할 수 있으며, 이러한 이동을 첫번째 값부터 n번째 값까지 반복하여 PIP데이터의 위치를 조정할 수 있다.That is, if the difference value between the highest point and the target point is positive, it moves from the start point, and if the difference value between the highest point and the target point is negative, it moves from the end point to remove the data overlapping situation. The position of the PIP data can be adjusted by repeating up to the second value.
전처리부(200)에서 전처리가 완료된 동작데이터는 진단부(300)에서 공작기계의 고장을 진단할 수 있다.The operation data that has been pre-processed in the
진단부(300)는 LSTM(Long Short Term Memory) 메모리 셀을 이용하는 순환신경망(Recurrent Neural Network)(이하, LSTM-RNN)으로 구성될 수 있다.The
인공신경망(Artificial Neural Network)은 시계열 데이터 (time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥러닝(deep learning)모델로서, 입력층(input layer)에 데이터가 입력되면 은닉층(hidden layer)에서 연산을 수행하여 출력층(output layer)에서 출력을 진행하는 일반적인 신경망과는 달리 은닝측 값을 신경망 내부에 위치하는 메모리에 기억을 수행한 후에 다음 순서의 입력 데이터로 활용하여 학습에 이용하는 신경망을 이야기할 수 있다. 이러한 구조적 특징으로 인하여 순환신경망은 손글씨, 음성신호, 센서 데이터와 같이 시간 정보를 포함하는 데이터가 존재하는 경우에 효과적으로 활용될 수 있다.An artificial neural network is a deep learning model for learning data that changes over time, such as time-series data. Unlike general neural networks that perform calculations in the hidden layer and output in the output layer, the hidden values are stored in the memory located inside the neural network and then used as input data for the next order to learn We can talk about the neural network used for Due to these structural features, the cyclic neural network can be effectively utilized when data including time information, such as handwriting, voice signals, and sensor data, exist.
이러한 인공신경망의 한 종류에 해당하는 순환신경망(Recurrent Neural Network)(이하, RNN)은 RNN 기본 메모리 셀(이하, RNN메모리)을 이용하거나 LSTM을 이용하는 방법을 대표적으로 활용할 수 있다.A recurrent neural network (hereinafter, RNN), which is one type of such artificial neural networks, can typically utilize a method using an RNN basic memory cell (hereinafter, an RNN memory) or using an LSTM.
RNN메모리는 기준시점의 입력과 이전시점의 출력을 하이퍼볼릭 탄젠트 (hyperbolic tangent)인 tanh함수를 활용하여 계산함으로써 출력을 생성할 수 있다. 그러나, RNN메모리는 학습 과정에서 주요 정보가 여러 시간 단계를 지나가면서 기억을 못하는 기울기 소실 문제(Vanishing Gradient Problem)가 발생하여 학습의 진행이 중지될 수 잇는 문제가 있을 수 있다. 즉, 기울기 소실 문제로 인하여 변화량이 작다면 기울기가 거의 0이 되어 훈련이 진행될수록 주요 정보를 기억하지 못하게 되고 먼 과거의 상태는 현재 시점의 학습에 아무 도움이 되지 못하게 되어 학습효율이 급격하게 작아지는 문제가 발생할 수 있다.The RNN memory can generate an output by calculating the input of the base time and the output of the previous time by using the tanh function, which is a hyperbolic tangent. However, in the RNN memory, there may be a problem in that the vanishing gradient problem occurs, in which the main information cannot be remembered as it passes through several time steps in the learning process, and the progress of learning may be stopped. In other words, if the amount of change is small due to the gradient loss problem, the gradient becomes almost 0, and as the training progresses, the main information cannot be remembered. There may be problems with losing.
상기와 같은 RNN메모리의 문제점을 해결하기 위하여 RNN의 메모리 셀로 LSTM을 활용하는 방법이 대두되고 있으며, 본 발명의 일 실시예 역시 LSTM을 활용하는 RNN, LSTM-RNN을 활용하여 동작할 수 있다. In order to solve the above RNN memory problem, a method of using an LSTM as a memory cell of an RNN is emerging, and an embodiment of the present invention can also be operated by using an RNN using an LSTM and an LSTM-RNN.
이하에서는 도 5a 내지 도 5e를 참조하여 LSTM-RNN의 동작 방법을 설명하도록 한다.Hereinafter, an operation method of the LSTM-RNN will be described with reference to FIGS. 5A to 5E .
도 5a는 LSTM-RNN에 사용되는 메모리 셀의 전체 모습이며, LSTM-RNN은 4개의 게이트로 구성될 수 있다.5A is an overall view of a memory cell used in an LSTM-RNN, and the LSTM-RNN may include four gates.
도 5b는 4개의 게이트 중 제1 게이트인 Forget Gate의 동작을 나타내는 도면으로써 Forget Gate는 셀 상태를 기억할지 여부를 결정할 수 있다. Forget Gate는 하기의 수학식 4을 이용하여 같이 , 와 바이어스의 가중 합에 시그모이드 함수(Sigmoid function)를 거친 형태로 계산을 통해 를 구하는 동작을 수행하여 해당 정보를 기억할지 잊을지 결정할 수 있다.5B is a diagram illustrating an operation of a Forget Gate, which is a first gate among four gates, and the Forget Gate may determine whether to store a cell state. Forget Gate is as follows using
상기 수학식 4에서, ft는 Forget gate의 출력, σ는 시그모이드 함수, Wf는 가중치, ht-1은 이전의 단기 상태, xt는 현재 입력, bf는 Forget gate의 편향일 수 있다.In
도 5c는 4개의 게이트 중 제2 게이트인 Input Gate의 동작을 나타내는 도면으로써 Input Gate는 새로운 정보를 셀 상태에 저장할지 여부를 결정할 수 있다. Input Gate는 하기의 수학식 5를 이용하여 같이 하이퍼볼릭 탄젠트(hyperbolic tangent)인 tanh 함수를 거쳐 셀에 업데이트할 값()을 결정할 수 있으며, 하기의 수학식 6을 이용하여 업데이트할 값()을 셀에 갱신할지 결정할 수 있다.FIG. 5C is a diagram illustrating an operation of an input gate, which is a second gate among four gates, and the input gate may determine whether to store new information in a cell state. The input gate uses the following Equation 5 to pass the tanh function, which is a hyperbolic tangent, to the value to be updated in the cell ( ) can be determined, and the value to be updated using Equation 6 below ( ) to update the cell.
상기 수학식 5에서, 는 장기 상태 후보 값이고, WC는 가중치, ht-1은 이전의 단기 상태, xt는 현재 입력, bC는 편향일 수 있다. In Equation 5 above, may be a long-term state candidate value, W C may be a weight, h t-1 may be a previous short-term state, x t may be a current input, and b C may be a bias.
상기 수학식 6에서, it는 Update gate의 출력, σ는 시그모이드 함수, ht-1은 이전의 단기 상태, xt는 현재 입력, bi는 Input gate의 편향일 수 있다.In Equation 6, i t may be an output of the update gate, σ may be a sigmoid function, h t-1 may be a previous short-term state, x t may be a current input, and b i may be a bias of the input gate.
도 5d는 4개의 게이트 중 제3 게이트인 Update Gate의 동작을 나타내는 도면으로써, Update Gate는 이전 시간에서의 업데이트할 값(Ct-1)을 지금 시간에서의 업데이트할 값(Ct)으로 갱신할 수 있다. Update Gate는 하기의 수학식 7을 이용하여 Ct-1에 ft를 곱한 후에 를 더한 값을 업데이트할 값(Ct)으로 갱신하여 셀에 저장될 수 있다.5D is a view showing the operation of the Update Gate, which is the third gate among the four gates. The Update Gate updates the value to be updated at the previous time (C t-1 ) to the value to be updated at the current time (C t ). can do. After the update gate is multiplied by f t by C t-1 using Equation 7 below, It can be stored in the cell by updating the value plus the value to be updated (C t ).
상기 수학식 7에서 Ct는 장기 상태 값, ft는 Forget gate의 출력, Ct-1은 이전 시간대에서의 장기 상태 값, it는 Update gate의 편향, 는 장기 상태 후보 값일 수 있다.In Equation 7, C t is the long-term state value, f t is the output of the Forget gate, C t-1 is the long-term state value in the previous time period, i t is the bias of the Update gate, may be a long-term state candidate value.
도 5e는 4개의 게이트 중 제4 게이트인 Output Gate의 동작을 나타내는 도면으로써, Output Gate는 정보를 출력하기 위한 게이트일 수 있다. Output Gate는 하기의 수학식 8을 이용하여 셀 상태에서 어떠한 부분을 출력할지 결정하기 위하여 시그모이드 함수(Sigmoid function)를 거친 뒤에 하기의 수학식 9를 이용하여 -1과 1 사이의 값을 갖도록 셀 상태에 하이퍼볼릭 탄젠트(hyperbolic tangent)인 tanh 함수를 거쳐 정보를 출력할 수 있다.5E is a diagram illustrating an operation of an Output Gate, which is a fourth gate among four gates, and the Output Gate may be a gate for outputting information. The Output Gate has a value between -1 and 1 using Equation 9 below after going through a sigmoid function to determine which part to output in the cell state using Equation 8 below. Information can be output through the tanh function, which is a hyperbolic tangent to the cell state.
상기 수학식 8에서 Ot는 Output gate의 출력, σ는 시그모이드 함수, Wo는 가중치, ht-1은 이전의 단기 상태, xt는 현재 입력, bo는 Output gate 편향일 수 있다.In Equation 8, O t is the output of the output gate, σ is a sigmoid function, W o is a weight, h t-1 is a previous short-term state, x t is a current input, and b o is an output gate bias. .
상기 수학식 9에서 ht-1은 이전의 단기 상태, Ot는 Output gate의 출력, Ct는 업데이트할 장기 상태 값일 수 있다.In Equation 9, h t-1 may be a previous short-term state, O t may be an output of an output gate, and C t may be a long-term state value to be updated.
본 발명의 일 실시예에서의 진단부(300)는 상기와 같은 동작 과정을 포함하는 LSTM-RNN으로 구성될 수 있으며, LSTM-RNN은 150개의 입력층, 100개의 LSTM 메모리 셀로 구성되는 은닉층 및 출력층으로 구성될 수 있다. 입력층, 은닉층, 출력층은 고정된 값이 아니며 처리해야 하는 동작데이터의 크기, 주기, 측정 신호 간격 등에 따라 유동적으로 변화 또는 설정될 수 있으며, 본 발명의 일 실시예에서는 LSTM-RNN을 이용하여 설명하고 있으나, 인공신경망, 컨볼루션 신경망, 기계학습, 딥러닝 등 다양한 종류의 학습을 통한 성능향상이 가능한 모든 종류의 프로세서를 이용할 수 있다.The
본 발명의 일 실시예에서, 진단부(300)는 LSTM-RNN으로 구성되어 있으므로 신경망에 대한 학습을 필요로 할 수 있다.In an embodiment of the present invention, since the
본 발명의 일 실시예에서 사용된 RNN 모델은 매니-투-원(Many to One) 구조와 LSTM 메모리 셀 구조를 이용하여 구성될 수 있다.The RNN model used in an embodiment of the present invention may be constructed using a many-to-one structure and an LSTM memory cell structure.
매니-투-원 구조란 시계열 데이터를 토큰화(Tokenzisation)하여 RNN을 수행하고, 마지막 토큰의 출력이 생성되면 출력과 정답(정상값) 간의 로스(loss)를 계산한 후에 오차역전파방법을 이용하여 학습을 진행함으로써 손실함수를 최소화하여 정답을 찾아가는 구조이다.In the many-to-one structure, RNN is performed by tokenizing time series data, and when the output of the last token is generated, the loss between the output and the correct answer (normal value) is calculated and then the error backpropagation method is used. It is a structure to find the correct answer by minimizing the loss function by proceeding with learning.
본 발명의 일 실시예에서 사용되는 LSTM-RNN은 실제 토크 데이터와 가상토크데이터를 PIP-ED 처리를 수행하여 데이터를 축소하고 잡음을 제거한 PIP데이터를 생성하고, PIP데이터의 위치를 조정한 위치조정데이터를 신경망의 입력 데이터로 사용할 수 있다. 위치조정데이터는 입력층을 통해 신경망에 입력되면 LSTM 메모리 셀을 통해 은닉층에서 신경망 동작을 수행하며 로스를 계산하고, 출력된 데이터는 정방향 및 역방향 연결을 가진 일련의 아크가 동일 시작 노드와 끝 노드를 가지는 Fully-Connected로 인가될 수 있다. Fully-Connected는 모든 노드에서의 출력을 연결하여 출력층에 위치하는 sotfmax 함수로 전달하면 softmax 함수는 출력 값을 받아 확률 벡터로 출력하여 출력 로스를 계산할 수 있다. Softmax함수를 통해 계산된 출력 로스는 분류기(classification)에서 입력과 출력 간의 로스 차이를 통해 학습을 수행할 수 있다.The LSTM-RNN used in an embodiment of the present invention performs PIP-ED processing on real torque data and virtual torque data to generate PIP data from which data is reduced and noise is removed, and the position of PIP data is adjusted. The data can be used as input data for the neural network. When the positioning data is input to the neural network through the input layer, the neural network operation is performed in the hidden layer through the LSTM memory cell and the loss is calculated. Branches can be certified as Fully-Connected. Fully-Connected connects the outputs from all nodes and passes them to the sotfmax function located in the output layer, then the softmax function receives the output value and outputs it as a probability vector to calculate the output loss. The output loss calculated through the Softmax function can be learned through the loss difference between the input and the output in the classifier.
본 발명의 일 실시예에서 데이터 수집부(100)는 데이터분류부(110)에서 분류한 실제 정상 토크 데이터 및 실제 고장 토크 데이터와 함께 데이터생성부(120)에서 생성한 가상 고장 토크 데이터를 이용하여 LSTM-RNN의 학습을 실시할 수 있다.In an embodiment of the present invention, the
또한, 진단부(300)의 학습이 완료되면 전처리부(200)에서 전처리된 데이터를 활용하여 공작기계의 고장을 진단할 수 있다.In addition, when the learning of the
이때, 데이터 수집부(100)에서 수집한 공작기계의 동작데이터를 바로 전처리부(200)에서 전처리하여 진단부(300)에서 공작기계의 고장을 진단하거나, 데이터 수집부(100)에서 수집한 공작기계의 동작데이터를 데이터분류부(110)에서 1차 분류한 후에 고장으로 의심되는 데이터만을 전처리부(200)에서 전처리하여 진단부(300)에서 공작기계의 동작을 진단할 수 있다.At this time, the machine tool operation data collected by the
RNN을 이용하여 고장을 진단하더라도 100%의 정확성을 가지고 진단하는 것이 아니기 때문에 정상적인 데이터를 고장 데이터로 분류하거나 고장 데이터를 정상적인 데이터로 분류하는 오류가 발생할 수 있다.Even if a failure is diagnosed using an RNN, an error may occur in classifying normal data as failure data or classifying failure data as normal data because the diagnosis is not performed with 100% accuracy.
이러한 오류로 인하여 고장이 발생하였으나 이를 지나쳐 공작기계에 큰 고장을 야기하거나 정상작동 중 고장으로 판단하여 가동을 중지하는 경우 생산량에 차질을 발생하여 경제적 손실을 야기할 수 있으므로 산업현장에서 고장을 판단하는 방법은 최대한 100%의 정확도를 가지는 것이 중요하다.A failure occurred due to such an error, but excessively it causes a major failure of the machine tool, or if it is judged as a failure during normal operation and stops the operation, it may cause a setback in production and economic loss. It is important that the method has 100% accuracy as much as possible.
본 발명의 일 실시예에서는 공작기계의 고장을 최대한 높은 확률로 정확하게 진단하기 위하여 결정부(400)는 이동출력빈도를 이용하여 진단부(300)에서 진단한 공작기계의 고장이 정상적으로 진단되었는지 판단할 수 있다.In one embodiment of the present invention, in order to accurately diagnose the failure of the machine tool with the highest possible probability, the
이동출력빈도는 최근에 동작한 판단 기준수(N)에 대하여 판단 기준수 내에서 결정기준수(Ns)의 횟수를 만족하는 경우 결과 값을 출력하는 방법을 말할 수 있다.The movement output frequency may refer to a method of outputting a result value when the number of determination criteria Ns is satisfied within the determination reference number with respect to the recently operated determination reference number N.
본 발명의 일 실시예에서의 이동출력빈도는 진단부(300)에서 진단된 N개의 정상 또는 고장 진단 결과 중에서 Ns개 이상이 고장으로 진단되면 결정부(400)에서 최종 고장으로 결정하여 사용자에게 고장 신호를 출력하는 방법일 수 있다.In an embodiment of the present invention, the movement output frequency is determined by the
예를 들어, 하기의 표 1을 참조하면, N을 5로 설정하고, Ns를 3으로 설정하여 최근 진단한 5개의 진단 결과 데이터에 대하여 그 중 3개 이상이 고장으로 진단되면 최종 결과를 고장으로 판단하는 경우의 수에 대한 것이다. For example, referring to Table 1 below, if N is set to 5 and Ns is set to 3, and three or more of the five diagnostic result data recently diagnosed as a failure, the final result is regarded as a failure. It is about the number of cases to judge.
본 발명의 일 실시예에서는 N을 5로, Ns를 3으로 설정하여 예시하고 있으나, 이는 고정된 것이 아니며, 공작기계의 동작 시간, 최근 고장 발생 빈도, 공작물의 정밀도, 고장 진단 발생 확률, 및 사용자의 경험 등을 토대로 설정을 변경할 수 있다.In an embodiment of the present invention, N is set to 5 and Ns is set to 3, but this is not fixed, and the operation time of the machine tool, the frequency of recent failures, the precision of the work, the probability of occurrence of failure diagnosis, and the user You can change the settings based on your experience.
상기 표 1을 참조하면, RNN의 정확도가 90%일 경우, 정상으로 분류될 확률은 이고, 고장으로 분류될 확률은 이며, 상기 표1의 고장상태일 확률을 이용하여 계산하면 오류 발생 확률을 예측할 수 있다. 예를 들어, 상기 표 1의 8번 상태인 정상, 정상, 고장, 고장, 고장으로 판단되어 최종상태가 고장상태로 판단되었으며, 8번 상태의 오류율은 로 계산되어 최종적으로 0.081, 8.1%의 오류 발생확률을 포함할 수 있다. Referring to Table 1 above, when the accuracy of the RNN is 90%, the probability of being classified as normal is and the probability of being classified as a failure is , and the error occurrence probability can be predicted by calculating using the probability of a failure state in Table 1. For example, the 8th state of Table 1 was determined as normal, normal, faulty, faulty, and failed, and the final state was determined to be a faulty state, and the error rate of the 8th state was It is calculated as , and can finally include the probability of error occurrence of 0.081 and 8.1%.
상기의 예시를 기반으로 다시 설명하면, 진단부(300)의 RNN 정확도가 90% 즉, 오류 발생확률이 10%인 경우에, 결정부(400)에서 이동출력빈도를 활용하여 오류 발생확률을 8.1%로 낮출 수 있음을 확인할 수 있으며, RNN의 정확도가 증가할수록, 이동출력빈도의 판단기준 수를 증가시켜 샘플 수를 증가시킬수록 오류 발생확률이 반비례하여 작아짐을 확인할 수 있다.Explaining again based on the above example, when the RNN accuracy of the
즉, 본 발명은 신경망을 이용하여 공작기계의 고장을 진단하며, 신뢰성을 높이기 위하여 신경망의 판단 결과를 조합하여 최종 판단을 수행함으로써 보다 정확한 공작기계의 고장을 진단할 수 있다.That is, the present invention diagnoses a machine tool failure using a neural network, and can more accurately diagnose a machine tool failure by combining the results of the neural network decision to make a final decision in order to increase reliability.
최종적으로 공작기계의 고장 또는 정상이 판단되면 판단결과를 디스플레이, 모바일 단말 등을 이용하여 관리자에게 결과를 통지하거나 서버(미도시)에 저장하는 형태로 보관을 수행할 수 있다. 또한, 고장으로 판단되면 공작기계에 경광등, 스피커 등의 장치를 부착하여 소리, 빛 등으로 즉시 주변에 고장을 알리거나 관리자 단말 및 사용자 단말에 진동, 소리, 빛 등의 경고를 제공할 수 있다.Finally, when the failure or normality of the machine tool is determined, the determination result may be stored in the form of notifying the administrator of the result using a display or a mobile terminal or storing the result in a server (not shown). In addition, when it is determined that a failure is detected, a device such as a warning light or a speaker is attached to the machine tool to immediately notify the surroundings with sound, light, etc.
도 6은 본 발명의 일 실시예에 따른 공작기계의 고장 진단을 위한 신경망 학습 방법을 나타내는 순서도이다.6 is a flowchart illustrating a neural network learning method for diagnosing a failure of a machine tool according to an embodiment of the present invention.
공작기계의 CNC 내장 이더넷을 통해 실시간으로 데이터를 수집할 수 있다(S110).Data can be collected in real time through the CNC built-in Ethernet of the machine tool (S110).
상기 수집된 데이터는 패킷 데이터로써 공작기계의 상태 정보와 주축 모터의 토크 데이터가 포함될 수 있으며, 본 발명의 일 실시예에서는 주축 모터의 토크 데이터만을 이용하여 고장을 진단하는 방법을 설명하고 있으나, 이에 한정하지 않고, 공작기계와 관련된 다양한 데이터를 수집하여 고장을 진단할 수 있다.The collected data may include state information of the machine tool and torque data of the main shaft motor as packet data. In an embodiment of the present invention, a method for diagnosing a failure using only the torque data of the main shaft motor is described. Without limitation, it is possible to diagnose a failure by collecting various data related to the machine tool.
수집된 데이터는 실제 정상 데이터와 실제 고장 데이터로 분류할 수 있다(S120).The collected data may be classified into actual normal data and actual failure data (S120).
수집된 데이터를 실제 정상 데이터와 실제 고장 데이터로 분류하기 위하여 생성적 적대 신경망(GAN)을 이용하여 분류할 수 있으며, 이에 한정하지 않고 데이터를 분류할 수 있는 방법이라면 무엇이든지 활용할 수 있다.In order to classify the collected data into actual normal data and actual failure data, a generative adversarial neural network (GAN) can be used to classify the collected data.
수집된 데이터 중 실제 정상 데이터에 반하여 상대적으로 실제 고장 데이터의 수가 매우 적게 되므로 신경망 학습을 수행하기에 한계가 있을 수 있으며, 이를 위하여 가상 고장 데이터를 생성할 수 있다(S130).Since the number of actual failure data is relatively small in contrast to the actual normal data among the collected data, there may be a limit to performing neural network learning, and for this purpose, virtual failure data may be generated (S130).
가상 고장 데이터는 생성적 적대 신경망(GAN) 내의 생성부를 활용하여 생성할 수 있으나, 이에 한정하지 않고, 기계학습, 딥러닝, 콘볼루션 신경망, 인공 신경망, SVM 등의 유사 데이터를 생성할 수 있는 방법이라면 무엇이든지 활용할 수 있다.The virtual failure data can be generated by using the generator in the generative adversarial neural network (GAN), but is not limited thereto, and similar data such as machine learning, deep learning, convolutional neural network, artificial neural network, and SVM can be generated. If anything, you can use it.
실제 정상 데이터, 실제 고장 데이터 및 가상 고장 데이터는 PIP방법을 통하여 잡음을 제거하는 한편 간략화시키는 전처리를 수행할 수 있다(S140).The actual normal data, the actual failure data, and the virtual failure data may be pre-processed to remove noise and simplify the PIP method (S140).
본 발명의 일 실시예에서는 PIP-ED 방법을 활용하여 간략화를 수행하였으나, PIP 방법인 PIP-VD, PIP-PD 방법을 활용할 수 있다.In an embodiment of the present invention, simplification is performed by using the PIP-ED method, but PIP-VD and PIP-PD methods, which are PIP methods, may be used.
자세한 PIP 방법은 상기의 도 3의 설명을 참조하도록 하며, 이 부분에서는 구체적인 설명은 생략하도록 한다.For a detailed PIP method, refer to the description of FIG. 3, and a detailed description thereof will be omitted.
PIP 방법을 통해 간략화된 PIP데이터는 간략화 과정에서 원래의 위치에 비하여 좌우로 일정 간격 이동되어 위치할 수 있으며, 이러한 데이터를 바로 활용하는 경우, 오차 발생으로 인하여 정확한 학습을 수행할 수 없으므로 위치조정알고리즘을 활용하여 PIP데이터의 위치를 조정할 수 있다(S150).The PIP data simplified through the PIP method can be moved to the left and right at a certain interval compared to the original position during the simplification process, and when using these data directly, accurate learning cannot be performed due to an error, so the positioning algorithm can be used to adjust the position of the PIP data (S150).
위치조정알고리즘은 PIP데이터에서 상승하는 부분의 시작점, 최고점, 상승 종료점을 찾은 후에 최고점의 평균을 기준으로 타겟점을 설정하고, 시작점과 종료점을 타겟점과 최고점의 차이만큼 x축 방향으로 이동시켜 위치를 조절하는 방법이다.The positioning algorithm sets the target point based on the average of the highest points after finding the starting point, the highest point, and the rising end point of the rising part in the PIP data, and moves the starting point and the ending point in the x-axis direction by the difference between the target point and the highest point. way to control it.
위치가 조정된 PIP데이터는 LSTM메모리 셀로 구성되는 회귀신경망에 인가되어 학습을 수행할 수 있다(S160).The position-adjusted PIP data may be applied to a regression neural network composed of LSTM memory cells to perform learning (S160).
도 7는 본 발명의 일 실시예에 따른 공작기계의 고장 진단의 진단 방법을 나타내는 순서도이다.7 is a flowchart illustrating a diagnosis method for diagnosing a failure of a machine tool according to an embodiment of the present invention.
공작기계의 CNC 내장 이더넷을 통해 실시간으로 데이터를 수집할 수 있다(S210).Data can be collected in real time through the CNC built-in Ethernet of the machine tool (S210).
상기 수집된 데이터는 패킷 데이터로써 공작기계의 상태 정보와 주축 모터의 토크 데이터가 포함될 수 있으며, 본 발명의 일 실시예에서는 주축 모터의 토크 데이터만을 이용하여 고장을 진단하는 방법을 설명하고 있으나, 이에 한정하지 않고, 공작기계와 관련된 다양한 데이터를 수집하여 고장을 진단할 수 있다.The collected data may include state information of the machine tool and torque data of the main shaft motor as packet data. In an embodiment of the present invention, a method for diagnosing a failure using only the torque data of the main shaft motor is described. Without limitation, it is possible to diagnose a failure by collecting various data related to the machine tool.
수집된 데이터는 바로 전처리를 수행하거나, GAN으로 구성되는 데이터 분류부(110)을 이용하여 1차 분류를 수행할 수 있으며, 사용자의 편의에 따라 동작을 설정할 수 있다.The collected data may be pre-processed immediately or primary classification may be performed using the
수집된 데이터는 PIP방법을 통하여 잡음을 제거하는 한편 간략화시키는 전처리를 수행할 수 있다(S220).The collected data may be subjected to pre-processing to reduce noise while simplifying the noise through the PIP method (S220).
본 발명의 일 실시예에서는 PIP-ED 방법을 활용하여 간략화를 수행하였으나, PIP 방법인 PIP-VD, PIP-PD 방법을 활용할 수 있다.In an embodiment of the present invention, simplification is performed by using the PIP-ED method, but PIP-VD and PIP-PD methods, which are PIP methods, may be used.
자세한 PIP 방법은 상기의 도 3의 설명을 참조하도록 하며, 이 부분에서는 구체적인 설명은 생략하도록 한다.For a detailed PIP method, refer to the description of FIG. 3, and a detailed description thereof will be omitted.
PIP 방법을 통해 간략화된 PIP데이터는 간략화 과정에서 원래의 위치에 비하여 좌우로 일정 간격 이동되어 위치할 수 있으며, 이러한 데이터를 바로 활용하는 경우, 오차 발생으로 인하여 정확한 학습을 수행할 수 없으므로 위치조정알고리즘을 활용하여 PIP데이터의 위치를 조정할 수 있다(S230).The PIP data simplified through the PIP method can be moved to the left and right at a certain interval compared to the original position during the simplification process, and when using these data directly, accurate learning cannot be performed due to an error, so the positioning algorithm can be used to adjust the position of the PIP data (S230).
위치조정알고리즘은 PIP데이터에서 상승하는 부분의 시작점, 최고점, 상승 종료점을 찾은 후에 최고점의 평균을 기준으로 타겟점을 설정하고, 시작점과 종료점을 타겟점과 최고점의 차이만큼 x축 방향으로 이동시켜 위치를 조절하는 방법이다.The positioning algorithm sets the target point based on the average of the highest points after finding the starting point, the highest point, and the rising end point of the rising part in the PIP data, and moves the starting point and the ending point in the x-axis direction by the difference between the target point and the highest point. way to control it.
위치가 조정된 PIP데이터는 LSTM메모리 셀로 구성되는 회귀신경망에 인가되어 공작기계의 고장을 진단할 수 있다(S240).The position-adjusted PIP data is applied to a regression neural network composed of LSTM memory cells to diagnose machine tool failure (S240).
많은 샘플 데이터를 이용하여 신경망 학습을 수행하더라도 신경망의 판단이 100%의 정확도를 가질 수 없으며, 이로 인하여 정상적인 데이터를 고장 데이터로 분류하거나 고장 데이터를 정상적인 데이터로 분류하는 오류가 발생할 수 있다.Even if neural network learning is performed using a lot of sample data, the judgment of the neural network cannot have 100% accuracy, which may cause an error in classifying normal data as faulty data or classifying faulty data as normal data.
고장 진단 정확도를 증가시키기 위하여 이동출력빈도를 이용하여 최종적인 고장을 판단할 수 있다(S250).In order to increase the failure diagnosis accuracy, a final failure may be determined using the movement output frequency (S250).
이동출력빈도란 일정 횟수의 판단 결과를 수집하고, 수집된 결과에서 고장 또는 정상 비율을 계산하여 기설정된 비율과 비교하여 최종 결과를 제공하는 방법으로, 본 발명의 일 실시예에서는 최근 N번의 고장 진단 결과를 종합하고 N번의 고장 진단 결과중에 Ns회 이상이 고장일 경우 최종 고장으로 판단할 수 있다.The moving output frequency is a method of collecting the determination result of a certain number of times, calculating a failure or normal rate from the collected results, comparing it with a preset rate, and providing the final result. In an embodiment of the present invention, the latest N failure diagnosis Combining the results, it can be judged as a final failure if Ns or more failures are found among the N number of failure diagnosis results.
상기에서 설명한 바와 같이 본 발명은 공작기계의 동작데이터를 수집하여 PIP방법으로 전처리하고, PIP데이터의 위치를 조정한 후에 LSTM-RNN을 이용하여 고장을 진단하며, 이동출력빈도를 이용하여 최종 고장을 판단함으로써 높은 정확도 및 신뢰도로 고장을 판단할 수 있으며, 실시간으로 데이터를 수집하여 고장을 판단함으로써 불필요한 정비 시간 및 고장 진단을 위한 인력 낭비를 방지할 수 있다.As described above, the present invention collects the operation data of the machine tool, pre-processes it by the PIP method, adjusts the position of the PIP data, diagnoses the failure using the LSTM-RNN, and determines the final failure using the movement output frequency. By judging, failures can be determined with high accuracy and reliability, and by collecting data in real time to determine failures, unnecessary maintenance time and waste of manpower for failure diagnosis can be prevented.
또한, 고장을 실시간으로 정확하게 진단함으로써 공작기계의 공구 파손, 공구마멸과 같은 공구손상을 즉시 파악하여 기계의 치명적 손상을 방지할 수 있으며, 공구의 수명을 최대한으로 활용함으로써 경제적 이득을 가져올 수 있다.In addition, by accurately diagnosing a failure in real time, it is possible to immediately identify tool damage such as tool breakage and tool wear of the machine tool, thereby preventing fatal machine damage, and bringing economic benefits by maximizing the life of the tool.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, with respect to the present invention, the preferred embodiments have been looked at. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.
100: 데이터 수집부
110: 데이터 분류부
120: 데이터 생성부
200: 전처리부
210: PIP데이터 생성부
220: 위치조정부
300: 탐지부
400: 결정부100: data collection unit
110: data classification unit
120: data generation unit
200: preprocessor
210: PIP data generation unit
220: position adjustment unit
300: detection unit
400: decision part
Claims (12)
상기 데이터수집부에서 수집된 데이터를 PIP(Perceptually Important Points) 방법으로 간략화된 PIP데이터를 생성하는 PIP데이터 생성부;
상기 PIP데이터 생성부에서 생성한 상기 PIP데이터의 위치를 조정하는 위치조정부; 및
상기 위치조정부에서 위치가 조정된 상기 PIP데이터를 신경망에 인가하여 상기 공작기계의 고장을 진단하는 진단부;
를 포함하는 고장 진단 장치.A data collection unit for collecting operation data of the machine tool;
a PIP data generation unit for generating simplified PIP data using the data collected by the data collection unit using a PIP (Perceptually Important Points) method;
a position adjusting unit for adjusting the position of the PIP data generated by the PIP data generating unit; and
a diagnosis unit for diagnosing a failure of the machine tool by applying the PIP data whose position is adjusted by the position adjustment unit to a neural network;
A fault diagnosis device comprising a.
상기 데이터 수집부는,
수집된 상기 동작데이터를 정상데이터와 고장데이터로 분류하는 데이터분류부; 및
상기 고장데이터와 유사한 가상고장데이터를 생성하는 데이터생성부;
를 포함하는 고장 진단 장치.According to claim 1,
The data collection unit,
a data classification unit for classifying the collected operation data into normal data and failure data; and
a data generation unit for generating virtual failure data similar to the failure data;
A fault diagnosis device comprising a.
상기 신경망는,
LSTM(Long Short Term Memory)-RNN(Recurrent Neural Networks)으로 구성되며,
상기 데이터분류부에서 분류한 정상데이터와 고장데이터 및 상기 데이터생성부에서 생성된 가상고장데이터를 이용하여 상기 신경망의 학습을 수행하는 것을 특징으로 하는 고장 진단 장치.3. The method of claim 2,
The neural network is
Consists of Long Short Term Memory (LSTM)-RNN (Recurrent Neural Networks),
The failure diagnosis apparatus according to claim 1, wherein the neural network is learned by using the normal data and failure data classified by the data classification unit and the virtual failure data generated by the data generation unit.
상기 PIP데이터 생성부는,
인접한 두 개의 점 사이에 가장 거리가 먼 점을 진단하는 PIP-ED 방법을 이용하여 간략화하는 것을 특징으로 하는 고장 진단 장치.According to claim 1,
The PIP data generation unit,
A failure diagnosis device, characterized in that it is simplified using the PIP-ED method for diagnosing the point that is the furthest between two adjacent points.
상기 위치조정부는,
상기 PIP데이터에서 각각의 솟구치는 부분의 시작점, 최고점, 종료점을 찾아 x축 데이터를 저장하고, 상기 각각의 솟구치는 부분의 최고점 평균을 기준으로 타겟점을 설정하며, 상기 시작점부터 상기 최고점까지의 데이터에 대하여 상기 최고점에서 타겟점을 뺀 절댓값만큼 이동하여 위치를 조정하는 것을 특징으로 하는 고장 진단 장치.According to claim 1,
The positioning unit,
Find the start point, the highest point, and the end point of each soaring part in the PIP data, store the x-axis data, set the target point based on the average of the highest point of each soaring part, and the data from the starting point to the highest point A failure diagnosis apparatus, characterized in that the position is adjusted by moving by an absolute value obtained by subtracting the target point from the highest point.
상기 공작기계의 고장 진단 장치의 동작을 복수회 수행하여 고장으로 판단되는 횟수가 기설정된 횟수 이상일 경우에만 최종 고장으로 판단하는 것을 특징으로 하는 고장 진단 장치.According to claim 1,
A failure diagnosis apparatus, characterized in that the final failure is determined only when the number of times determined as failures by performing the operation of the failure diagnosis apparatus of the machine tool is greater than or equal to a predetermined number of times.
상기 공작기계의 동작데이터를 수집하는 단계;
수집된 상기 동작데이터를 PIP(Perceptually Important Points) 방법으로 간략화된 PIP데이터를 생성하는 단계;
상기 PIP데이터의 위치를 조정하는 단계; 및
위치가 조정된 상기 PIP데이터를 신경망에 인가하여 상기 공작기계의 고장을 진단하는 단계;
를 포함하는 고장 진단 방법.In the method for diagnosing a machine tool failure,
collecting operation data of the machine tool;
generating simplified PIP data using the collected motion data in a PIP (Perceptually Important Points) method;
adjusting the position of the PIP data; and
diagnosing a failure of the machine tool by applying the adjusted PIP data to a neural network;
A fault diagnosis method comprising a.
상기 공작기계의 동작데이터를 수집하는 단계는,
수집된 상기 동작데이터를 정상데이터와 고장데이터로 분류하는 단계; 및
상기 고장데이터와 유사한 가상고장데이터를 생성하는 단계;
를 포함하는 고장 진단 방법.8. The method of claim 7,
The step of collecting operation data of the machine tool comprises:
classifying the collected operation data into normal data and failure data; and
generating virtual failure data similar to the failure data;
A fault diagnosis method comprising a.
상기 신경망은,
LSTM(Long Short Term Memory)-RNN(Recurrent Neural Networks)으로 구성되며,
상기 정상데이터, 고장데이터 및 가상고장데이터 이용하여 상기 신경망의 학습을 수행하는 단계를 더 포함하는 것을 특징으로 하는 고장 진단 방법.9. The method of claim 8,
The neural network is
Consists of Long Short Term Memory (LSTM)-RNN (Recurrent Neural Networks),
The method for diagnosing failure, characterized in that it further comprises the step of performing learning of the neural network using the normal data, the failure data, and the virtual failure data.
상기 PIP 방법은,
인접한 두 개의 점 사이에 가장 거리가 먼 점을 진단하는 PIP-ED 방법을 이용하여 간략화하는 것을 특징으로 하는 고장 진단 방법.8. The method of claim 7,
The PIP method is
A fault diagnosis method characterized in that it is simplified using the PIP-ED method for diagnosing the point that is the furthest between two adjacent points.
상기 데이터의 위치를 조정하는 단계는,
상기 PIP데이터에서 각각의 솟구치는 부분의 시작점, 최고점, 종료점을 찾아 x축 데이터를 저장하는 단계;
상기 각각의 솟구치는 부분의 상기 최고점 평균을 기준으로 타겟점을 설정하는 단계; 및
상기 시작점부터 상기 최고점까지의 데이터에 대하여 상기 최고점에서 타겟점을 뺀 절댓값만큼 이동하여 위치를 조정하는 단계;
를 포함하는 고장 진단 방법.8. The method of claim 7,
Adjusting the location of the data includes:
finding the start point, the highest point, and the end point of each soaring part in the PIP data and storing the x-axis data;
setting a target point based on the average of the highest points of each of the soaring parts; and
adjusting the position by moving the data from the starting point to the highest point by an absolute value obtained by subtracting the target point from the highest point;
A fault diagnosis method comprising a.
상기 공작기계의 고장 진단 방법을 복수회 수행하여 고장으로 판단되는 횟수가 기설정된 횟수 이상일 경우에만 최종 고장으로 판단하는 것을 특징으로 하는 고장 진단 방법.8. The method of claim 7,
A failure diagnosis method, characterized in that the final failure is determined only when the number of times determined to be a failure by performing the method for diagnosing the failure of the machine tool a plurality of times is greater than or equal to a predetermined number of times.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200058233A KR102373655B1 (en) | 2020-05-15 | 2020-05-15 | Apparatus and method for diagnosing trouble of machine tool |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200058233A KR102373655B1 (en) | 2020-05-15 | 2020-05-15 | Apparatus and method for diagnosing trouble of machine tool |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210141087A KR20210141087A (en) | 2021-11-23 |
KR102373655B1 true KR102373655B1 (en) | 2022-03-15 |
Family
ID=78695250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200058233A KR102373655B1 (en) | 2020-05-15 | 2020-05-15 | Apparatus and method for diagnosing trouble of machine tool |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102373655B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230155660A (en) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | Apparatus and method of processing data for failure diagnosis of mechanical equipment |
KR20230155659A (en) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | Apparatus and method of processing data for failure diagnosis of mechanical equipment |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230096364A (en) * | 2021-12-23 | 2023-06-30 | (주)아이티공간 | Predictive maintenance method of device using Generative Adversarial Network algorithm |
CN117111589B (en) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | Fault diagnosis method for numerical control machine tool control system based on Petri network |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180048218A (en) | 2016-10-31 | 2018-05-10 | 현대위아 주식회사 | Machine tool breakdown diagnosis system based on Machine Learning, and method thereof |
KR101936283B1 (en) | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | Diagnostic and prognostics method for machine fault |
-
2020
- 2020-05-15 KR KR1020200058233A patent/KR102373655B1/en active IP Right Grant
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230155660A (en) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | Apparatus and method of processing data for failure diagnosis of mechanical equipment |
KR20230155659A (en) | 2022-05-03 | 2023-11-13 | 동국대학교 산학협력단 | Apparatus and method of processing data for failure diagnosis of mechanical equipment |
Also Published As
Publication number | Publication date |
---|---|
KR20210141087A (en) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102373655B1 (en) | Apparatus and method for diagnosing trouble of machine tool | |
US20180307203A1 (en) | Machining defect factor estimation device | |
JP6140331B1 (en) | Machine learning device and machine learning method for learning failure prediction of main shaft or motor driving main shaft, and failure prediction device and failure prediction system provided with machine learning device | |
US10635081B2 (en) | Tool state estimation apparatus and machine tool | |
TWI625615B (en) | Prediction model building method and associated predicting method and computer software product | |
US20180164757A1 (en) | Machine learning device, cnc device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool | |
CN110153802B (en) | Tool wear state identification method based on convolution neural network and long-term and short-term memory neural network combined model | |
EP0509817B1 (en) | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis | |
US9378183B2 (en) | Monitoring diagnostic device and monitoring diagnostic method | |
US20070198222A1 (en) | System and method to combine and weight multiple sensors with overlapping sensing range to create a measurement system utilized in a high integrity or safety environment | |
CN112328703B (en) | Numerical control equipment health state diagnosis device and method based on incremental learning | |
CN109420932B (en) | Abnormality detection device | |
CN111340250A (en) | Equipment maintenance device, method and computer readable storage medium | |
JP2019079356A (en) | Abnormality detection system and abnormality detection method | |
US11940357B2 (en) | System for predicting anomalies of machining | |
Godreau et al. | Continuous improvement of HSM process by data mining | |
Hassan et al. | Intelligent machining: real-time tool condition monitoring and intelligent adaptive control systems | |
JP2018120347A (en) | Data analysis device and data analysis method | |
CN108393744B (en) | Multi-sensing monitoring method for cutter state | |
CN111788042A (en) | Predictive analysis of robots | |
CN111381558A (en) | Processing equipment error correction method and system | |
CN108242411B (en) | Method and system for managing defects on a line | |
CN116307938B (en) | Health state assessment method for feeding system of machining center | |
Askari et al. | An adaptive constrained clustering approach for real-time fault detection of industrial systems | |
CN111381562A (en) | Error correction method and system for arc corner machining equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |