KR102559773B1 - Device for detecting wear and breakage of tools included in machine tool - Google Patents

Abstract

본 발명은 전력에 의해 구동하는 모터(2), 상기 모터(2)에 의해 회동하는 스핀들(3), 상기 스핀들(3)의 일측에 구비되어, 상기 스핀들(3)에 의해 회동하며, 공작물을 가공하는 공구(4)를 포함하는 설비(1)에서 상기 공구(4)의 마모 및 이상 여부를 감지하기 위한 것으로, 공작물 가공 시, 상기 설비(1)로부터 발생하는 사운드를 감지하는 사운드 센서(11), 상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 기계 학습하여, 상기 공구(4)의 교체 주기를 예측하고, 상기 공구(4)의 이상 여부를 판단하는 엣지 컨트롤러(20), 상기 엣지 컨트롤러(20)에 의해 처리된 다수의 데이터를 분류하여 저장하는 클라우드 서비스(35) 및 상기 클라우드 서비스(35)에 저장된 다수의 데이터를 모니터링하는 모니터링 장치(40)를 포함하고, 상기 설비 데이터는 공구 번호, 제품의 가공 횟수, 상기 공구(4)의 사용 횟수, 상기 스핀들(3)의 속도, 피드 레이트(Feed Rate), G코드, 검사 데이터, 설비명 및 상기 설비(1)의 상태 데이터를 포함하고, 상기 설비(1)의 상태 데이터는 시작, 종료 및 리셋을 포함하는 것을 특징으로 한다.The present invention is for detecting wear and abnormality of a tool (4) in a facility (1) including a motor (2) driven by electric power, a spindle (3) rotated by the motor (2), and a tool (4) provided on one side of the spindle (3), rotated by the spindle (3), and processing a workpiece. An edge controller 20 that predicts the replacement cycle of the tool 4 and determines whether or not the tool 4 is abnormal by machine learning sound data and facility data acquired from the facility 1, a cloud service 35 that classifies and stores a plurality of data processed by the edge controller 20, and a monitoring device 40 that monitors a plurality of data stored in the cloud service 35. (3) includes speed, feed rate, G code, inspection data, equipment name, and state data of the facility 1, and the state data of the facility 1 includes start, end, and reset Characterized in that.

Description

공작기계의 공구 마모 및 파손 감지 장치 및 그 방법{Device for detecting wear and breakage of tools included in machine tool}Tool wear and breakage detection device and method for machine tools {Device for detecting wear and breakage of tools included in machine tool}

본 발명은 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법에 관한 것으로, 더욱 자세하게는 IoT 센서에 의해 취득된 센서 데이터 및 설비로부터 취득된 설비 데이터를 기계 학습하여, 공구의 교체 주기를 예측하고, 상기 공구의 이상 여부를 판단하기 위한 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법에 관한 것이다.The present invention relates to an apparatus and method for detecting tool wear and damage in a machine tool, and more particularly, to an apparatus and method for detecting tool wear and damage in a machine tool for predicting a tool replacement cycle by machine learning sensor data acquired by an IoT sensor and facility data acquired from a facility, and determining whether the tool is abnormal.

공작기계는 자동차, 선박, 항공기, 정밀기계, 일반기계 등 다양한 정밀가공 산업에 적용되어, 기반 산업을 지탱하는 핵심 설비이다. 그러나, 공작기계의 보존 및 관리는 작업자의 경험 또는 능력에 의존할 수 밖에 없는 실정이다.Machine tools are applied to various precision processing industries such as automobiles, ships, aircraft, precision machinery, and general machinery, and are key facilities that support the basic industries. However, the maintenance and management of machine tools is a situation that cannot help but depend on the experience or ability of the operator.

그리고, 공작기계에 로딩 로봇이 설치된 경우에도 숙련 기능공은 한정된 대수의 공작기계만을 운용할 수 있고, 초보 기능공은 숙련 기능공보다 적은 대수의 공작기계만을 운용할 수 있다는 한계가 있다. 또한, 초보 기능공이 1~2개월 이상의 숙련 기간을 이수할 때까지는 제품의 생산성 및 품질이 저하된다는 한계가 있다.In addition, even when the loading robot is installed in the machine tool, there is a limit in that skilled technicians can operate only a limited number of machine tools, and novice technicians can operate only a smaller number of machine tools than skilled technicians. In addition, there is a limit that the productivity and quality of the product decrease until the novice craftsman completes a training period of 1 to 2 months or more.

일반적으로, 기존의 공작기계의 공구관리 시스템은 툴 카운터 및 PLC 기반의 전류부하 측정기를 포함하여 구성된다.In general, a tool management system of an existing machine tool includes a tool counter and a PLC-based current load measuring device.

먼저, 툴 카운터는 단순히 제품의 생산 갯수를 기반으로 한 것으로, 작업자의 경험에 의해 설정 및 운영된다.First, the tool counter is simply based on the number of products produced, and is set and operated by the operator's experience.

그리고, 전류부하 측정기는 측정값이 부하의 상한값을 초과하거나, 하한값에 미치지 못하는 경우에 반응하도록 설정된다. 이로 인해, 기존의 전류부하 측정기는 일시적이거나, 특이한 초과값에도 반응할 수 있다. And, the current load meter is set to react when the measured value exceeds the upper limit value of the load or does not fall below the lower limit value. Because of this, conventional current load meters can react to transient or unusual excess values.

따라서, 기존의 공구관리 시스템은 실패율이 높아, 제품의 생산성이 현저히 저하될 수 있어, 실제 가공현장에는 적용하기 어렵다는 문제점이 있었다. 또한, 기존의 공구관리 시스템은 설치 비용이 클 뿐만 아니라, 실효성이 떨어진다는 문제점이 있었다. Therefore, the existing tool management system has a high failure rate, and the productivity of the product may be significantly lowered, so that it is difficult to apply it to an actual machining site. In addition, the existing tool management system has a problem in that the installation cost is high and the effectiveness is low.

한편, 공구의 생애주기는 신규 공구를 공작기계에 장착한 시점부터 교체하는 시점까지의 시간 간격을 의미한다. 그리고, 공작 기계에 장착되는 공구는 제품의 가공 횟수에 따라 마모도가 점차 증가하는 경향이 있다. On the other hand, the life cycle of a tool means a time interval from the time a new tool is mounted on a machine tool to the time it is replaced. In addition, a tool mounted on a machine tool tends to gradually increase wear according to the number of times a product is processed.

그러나, 기존의 공구관리 시스템에서는 공구의 불량, 과다 사용 및 공구의 교체주기 초과로 인해 공구가 필요 이상으로 마모 또는 파손된 경우, 공작기계에 심각한 손상을 초래할 수 있다는 문제점이 있었다.However, in the existing tool management system, when a tool is worn or damaged more than necessary due to defective tool, excessive use, and excessive tool replacement cycle, there is a problem in that a machine tool may be seriously damaged.

KRKR 10-2019-0116280 10-2019-0116280 AA

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 IoT 센서에 의해 취득된 센서 데이터 및 설비로부터 취득된 설비 데이터를 기계 학습하여, 공구의 교체 주기를 예측하고, 상기 공구의 이상 여부를 판단하기 위한 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법을 제공하는데 있다.The present invention has been made to solve the above problems, and an object of the present invention is to predict a tool replacement cycle by machine learning sensor data acquired by an IoT sensor and facility data acquired from a facility, and to provide a tool wear and damage detection device and method of a machine tool for determining whether or not the tool is abnormal.

또한, 본 발명의 목적은 IoT 센서에 의해 취득된 사운드, 부하전류 및 3축 진동 데이터 등의 센서 데이터 및 설비로부터 취득한 설비 데이터를 공구의 마모에 따른 시계열 데이터로 디지털화하여, 데이터베이스에 저장할 수 있는 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법을 제공하는데 있다.In addition, an object of the present invention is to digitize sensor data such as sound, load current, and 3-axis vibration data acquired by an IoT sensor and equipment data acquired from equipment into time-series data according to tool wear, and to provide a tool wear and breakage detection device and method for a machine tool that can be stored in a database.

또한, 본 발명의 목적은 센서 및 설비 데이터를 전처리한 후, 기계 학습을 통해 분석 및 검증하여, 공구의 교체 주기 및 마모도를 산출하고, 공구의 이상 여부를 사전에 파악할 수 있어, 실시간으로 공작기계를 모니터링할 수 있는 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법을 제공하는데 있다.In addition, an object of the present invention is to pre-process sensor and facility data, analyze and verify through machine learning, calculate tool replacement cycle and degree of wear, and determine whether or not the tool is abnormal in advance. It is to provide an apparatus and method for detecting tool wear and damage of a machine tool that can monitor a machine tool in real time.

상기와 같은 기술적인 문제점을 해결하기 위하여, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)는 전력에 의해 구동하는 모터(2), 상기 모터(2)에 의해 회동하는 스핀들(3), 상기 스핀들(3)의 일측에 구비되어, 상기 스핀들(3)에 의해 회동하며, 공작물을 가공하는 공구(4)를 포함하는 설비(1)에서 상기 공구(4)의 마모 및 이상 여부를 감지하기 위한 것으로, 공작물 가공 시, 상기 설비(1)로부터 발생하는 사운드를 감지하는 사운드 센서(11), 상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 기계 학습하여, 상기 공구(4)의 교체 주기를 예측하고, 상기 공구(4)의 이상 여부를 판단하는 엣지 컨트롤러(20), 상기 엣지 컨트롤러(20)에 의해 처리된 다수의 데이터를 분류하여 저장하는 클라우드 서비스(35) 및 상기 클라우드 서비스(35)에 저장된 다수의 데이터를 모니터링하는 모니터링 장치(40)를 포함하고, 상기 설비 데이터는 공구 번호, 제품의 가공 횟수, 상기 공구(4)의 사용 횟수, 상기 스핀들(3)의 속도, 피드 레이트(Feed Rate), G코드, 검사 데이터, 설비명 및 상기 설비(1)의 상태 데이터를 포함하고, 상기 설비(1)의 상태 데이터는 시작, 종료 및 리셋을 포함하는 것을 특징으로 한다.In order to solve the above technical problems, an apparatus 5 for detecting tool wear and damage of a machine tool according to the present invention is provided on one side of a motor 2 driven by electric power, a spindle 3 rotated by the motor 2, and a tool 4 rotated by the spindle 3 and detecting wear and abnormality of the tool 4 in a facility 1 including a tool 4 for processing a workpiece, the facility 1 A sound sensor 11 detecting sound generated from the sound sensor 11, machine learning of sound data acquired by the sound sensor 11 and equipment data obtained from the facility 1, predicting the replacement cycle of the tool 4, and determining whether the tool 4 is abnormal An edge controller 20 that classifies and stores a plurality of data processed by the edge controller 20, and a monitoring device 40 that monitors a plurality of data stored in the cloud service 35 , The equipment data includes a tool number, the number of times of product processing, the number of times of using the tool 4, the speed of the spindle 3, a feed rate, G code, inspection data, equipment name, and state data of the equipment 1, and the state data of the equipment 1 includes start, end, and reset.

또한, 상기 엣지 컨트롤러(20)는 상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 실시간으로 수집하는 데이터 수집부(22), 상기 데이터 수집부(22)에 의해 수집된 사운드 및 설비 데이터가 가공일시 및 제품의 가공 횟수를 기준으로 로컬 저장부에 저장되는 데이터 저장부(23), 다수의 사운드 데이터 중에서 정상 데이터를 식별하여, 학습모델이 학습 가능하도록 가공 처리하는 데이터 가공부(24), 상기 데이터 가공부(24)에 의해 가공 처리된 다수의 정상 데이터 및 상기 데이터 저장부(23)에 저장된 다수의 설비 데이터를 제품의 가공단위에 따라 분류하여, 데이터셋을 구축하는 데이터셋 구축부(25), 상기 데이터셋 구축부(25)에 의해 구축된 데이터셋을 이용하여 상기 학습 모델을 학습시키는 데이터셋 학습부(26), 상기 데이터셋 학습부(26)에 의해 학습된 상기 학습 모델을 이용하여 사운드 및 설비 데이터를 바탕으로 상기 공구(4)의 교체주기 및 마모도를 산출하는 산출부(29) 및 상기 모니터링 장치(40)가 상기 데이터 저장부(23)에 저장된 설비 데이터, 상기 산출부(29)에 의해 산출된 상기 공구(4)의 교체 주기 및 마모도 데이터를 디스플레이하도록 제어하는 제어부(30)를 포함하는 것을 특징으로 한다.In addition, the edge controller 20 includes a data collection unit 22 that collects sound data acquired by the sound sensor 11 and equipment data acquired from the facility 1 in real time, a data storage unit 23 that stores sound and facility data collected by the data collection unit 22 in a local storage unit based on the processing date and number of times of product processing, a data processing unit 24 that identifies normal data among a plurality of sound data and processes them so that the learning model can learn, and the data processing unit A dataset building unit 25 that classifies a plurality of normal data processed by 24 and a plurality of equipment data stored in the data storage unit 23 according to the processing unit of the product and builds a data set, a dataset learning unit 26 that learns the learning model using the data set built by the data set building unit 25, and a replacement cycle and wear of the tool 4 based on sound and equipment data using the learning model learned by the data set learning unit 26 It is characterized in that it includes a control unit 30 that controls the calculation unit 29 and the monitoring device 40 to display the facility data stored in the data storage unit 23, the replacement cycle of the tool 4 calculated by the calculation unit 29, and wear data.

또한, 상기 제품의 가공단위는 1개의 제품에 대한 가공 시작시간부터 가공 종료시간까지의 시간 간격이고, 상기 공구(4)의 교체 주기는 상기 공구(4)의 수명, 상기 공구(4)의 사용 횟수 및 상기 공구(4)의 마모율을 포함하고, 상기 공구(4)의 마모율은 상기 공구(4)의 수명을 상기 공구(4)의 사용 횟수로 나눈 값으로 산출되고, 상기 공구(4)의 마모도는 상기 공구(4)의 수평 방향의 마모도인 x축 마모도 및 공구(4)의 중력의 반대 방향의 마모도인 z축 마모도를 포함하는 것을 특징으로 한다.In addition, the processing unit of the product is a time interval from the processing start time to the processing end time for one product, the replacement cycle of the tool 4 includes the life of the tool 4, the number of times the tool 4 is used, and the wear rate of the tool 4, The wear rate of the tool 4 is calculated by dividing the life of the tool 4 by the number of times the tool 4 is used, and the wear degree of the tool 4 is the wear degree of the tool 4 in the horizontal direction, x-axis wear It is characterized in that it includes the z-axis wear, which is the wear of the tool 4 in the opposite direction of gravity.

또한, 상기 데이터 가공부(24)는 OCC(One-class classification, 단항 분류)를 이용하여 다수의 사운드 데이터 중에서 정상 데이터를 식별하고, 상기 다수의 사운드 데이터 중에서 정상 데이터가 아닌 비정상 데이터를 불량 처리하고, 상기 정상 데이터는 사전에 설정된 기준 구간 이내에 속하는 사운드 데이터인 것을 특징으로 한다.In addition, the data processing unit 24 identifies normal data among a plurality of sound data by using OCC (One-class classification), and processes abnormal data that is not normal data among the plurality of sound data as bad, and the normal data is sound data that falls within a preset reference interval.

또한, 상기 엣지 컨트롤러(30)는 시간에 따른 다수의 정상 데이터를 그래프로 표시하고, 상기 그래프를 분석하여, 일정한 기준 패턴을 추출하는 패턴 추출부(27), 다수의 기준 패턴에서 시프트 상태가 일치하지 않는 기준 패턴을 교정하기 위해 동적 시간 워핑을 적용하여 보정 작업을 수행하는 보정부(28), 상기 데이터 수집부(22)에 의해 실시간으로 수집된 다수의 사운드 데이터를 보간법을 이용하여 이산 신호에서 연속 신호의 형태로 변경하는 신호 변환부(31), 상기 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터의 이상 여부를 판별하는 이상 판별부(32) 및 이상 발생 시, 관리자의 호출이 가능하도록 경보음을 표출하는 알람부(33)를 더 포함하는 것을 특징으로 한다.In addition, the edge controller 30 displays a plurality of normal data over time as a graph, analyzes the graph, and extracts a constant reference pattern. A correction unit 28 performs a correction operation by applying dynamic time warping to correct reference patterns whose shift states do not match among the plurality of reference patterns. , an abnormality determination unit 32 that determines whether the plurality of sound data converted by the signal conversion unit 31 is abnormal, and an alarm unit 33 that outputs an alarm so that a manager can call when an abnormality occurs. Characterized in that it further includes.

또한, 상기 패턴 추출부(27)는 상기 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터로부터 실제 패턴을 추출하고, 상기 이상 판별부(32)는 실제 패턴을 기준 패턴과 비교하여, 상기 실제 패턴과 상기 기준 패턴이 일치하지 않는 경우, 상기 실제 패턴에 대한 다수의 사운드 데이터를 이상으로 판별하고, 상기 제어부(30)는 다수의 사운드 데이터가 이상으로 판별된 경우, 상기 설비(1)의 가동이 즉시 중지되도록 제어하고, 상기 알람부(33)가 경보음을 표출하도록 제어하는 것을 특징으로 한다.In addition, the pattern extraction unit 27 extracts an actual pattern from a plurality of sound data converted by the signal conversion unit 31, the abnormality determination unit 32 compares the actual pattern with a reference pattern, and if the actual pattern and the reference pattern do not match, determines a plurality of sound data for the actual pattern as abnormal, and the control unit 30 controls the operation of the equipment 1 to immediately stop when the plurality of sound data is determined to be abnormal, and the alarm unit 33 sounds an alarm It is characterized by controlling to express.

또한, 공작기계의 공구 마모 및 파손 감지 방법은 다수의 사운드 및 설비 데이터를 전처리하여, 학습모델이 공구(4)의 교체주기 및 마모도를 산출하도록 학습시키고, 기준 패턴을 추출하는 제 1단계, 실시간으로 수집된 사운드 및 설비 데이터에 대해 상기 공구(4)의 교체주기 및 마모도를 산출하는 제 2단계 및 실시간으로 수집된 사운드 데이터에 대해 상기 공구(4)의 이상 여부를 판별하는 제 3단계를 포함하고, 상기 제 1단계는 데이터 수집부(22)가 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 다수 수집하는 제 1-1단계, 데이터 가공부(24)가 OCC를 이용하여 다수의 사운드 데이터 중에서 사전에 설정된 기준 구간 이내에 속하는 사운드 데이터를 정상 데이터로 식별하는 제 1-2단계, 상기 데이터 가공부(24)가 상기 다수의 사운드 데이터 중에서 상기 제 1-2단계에서 식별된 정상 데이터가 아닌 비정상 데이터를 불량 처리하는 제 1-3단계, 상기 데이터 가공부(24)가 상기 제 1-2단계에서 식별된 다수의 정상 데이터를 학습모델이 학습 가능하도록 처리하는 제 1-4단계, 데이터셋 구축부(25)가 상기 제 1-1단계에서 수집된 다수의 설비 데이터 및 상기 제 1-4단계에서 처리된 다수의 정상 데이터를 제품의 가공단위에 따라 분류하여, 데이터셋을 구축하는 제 1-5단계, 데이터셋 학습부(26)가 상기 제 1-5단계에서 구축된 데이터셋을 이용하여 상기 학습 모델을 학습시키는 제 1-6단계, 패턴 추출부(27)가 상기 제 1-2단계에서 식별된 다수의 정상 데이터를 시간에 따라 그래프로 표시하고, 상기 그래프를 분석하여, 일정한 기준 패턴을 다수 추출하는 제 1-7단계 및 상기 패턴 추출부(27)가 상기 제 1-7단계에서 추출된 다수의 기준 패턴에서 시프트 상태가 일치하지 않는 기준 패턴을 교정하기 위해 동적 시간 워핑을 적용하여 보정 작업을 수행하는 제 1-8단계를 포함하는 것을 특징으로 한다.In addition, the method for detecting tool wear and damage in a machine tool includes a first step of pre-processing a plurality of sound and equipment data, learning a learning model to calculate the replacement cycle and wear of the tool 4, and extracting a reference pattern, a second step of calculating the replacement cycle and wear of the tool 4 based on sound and equipment data collected in real time, and a third step of determining whether the tool 4 is abnormal based on the sound data collected in real time. Step 1-1 of collecting a lot of sound data acquired by the sound sensor 11 and equipment data acquired from the facility 1, Step 1-2 of the data processing unit 24 identifying sound data that falls within a preset reference interval among the plurality of sound data as normal data using OCC, Step 1-3 of the data processing unit 24 processing the abnormal data that is not normal data identified in the step 1-2 from among the plurality of sound data as bad, the data processing unit 1-4 steps in which (24) processes the plurality of normal data identified in steps 1-2 so that the learning model can be learned; Steps 1 to 6 of learning, steps 1 to 6 in which the pattern extractor 27 displays a plurality of normal data identified in steps 1 to 2 in a graph according to time, analyzes the graph, and extracts a plurality of constant reference patterns, and steps 1 to 8 in which the pattern extractor 27 performs a correction operation by applying dynamic time warping to correct reference patterns whose shift states do not match among the plurality of reference patterns extracted in steps 1 to 7.

또한, 상기 제 2단계는 상기 데이터 수집부(22)가 상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 사전에 설정된 기준 시간별로 수집하는 제 2-1단계, 산출부(29)가 상기 제 1-6단계에서 학습된 상기 학습 모델을 이용하여 사운드 및 설비 데이터를 바탕으로 상기 공구(4)의 교체주기 및 마모도를 산출하는 제 2-2단계 및 제어부(30)가 상기 제 1-1단계에서 수집된 설비 데이터, 상기 제 2-2단계에서 산출된 상기 공구(4)의 교체 주기 및 마모도 데이터를 모니터링 장치(40)가 디스플레이하도록 제어하는 제 2-3단계를 포함하는 것을 특징으로 한다.In addition, the second step is a 2-1 step in which the data collection unit 22 collects the sound data acquired by the sound sensor 11 and the equipment data acquired from the facility 1 for each preset standard time, a 2-2 step in which the calculation unit 29 calculates the replacement cycle and the degree of wear of the tool 4 based on the sound and facility data using the learning model learned in the 1-6 steps, and the control unit 30 in the 1-1 step It is characterized in that it comprises a 2-3 step of controlling the collected equipment data, the replacement cycle of the tool 4 and the wear data calculated in the 2-2 step so that the monitoring device 40 is displayed.

또한, 상기 제 3단계는 신호 변환부(31)가 제 2-1단계에서 수집된 다수의 사운드 데이터를 보간법을 이용하여 이산 신호에서 연속 신호의 형태로 변경하는 제 3-1단계 및 이상 판별부(32)가 상기 제 3-1단계에서 변환된 다수의 사운드 데이터로부터 실제 패턴을 추출하는 제 3-2단계, 상기 이상 판별부(32)가 상기 제 3-2단계에서 추출된 실제 패턴과 상기 제 1-7단계에서 추출된 기준 패턴이 일치하지 않는 경우, 상기 실제 패턴에 대한 다수의 사운드 데이터를 이상으로 판별하는 제 3-3단계, 상기 제어부(30)가 상기 제 3-3단계에서 이상으로 판별된 다수의 사운드 데이터에 대해, 해당 설비(1)의 가동이 즉시 중지되도록 제어하는 제 3-4단계 및 상기 제어부(30)가 알람부(33)가 경보음을 표출하도록 제어하는 제 3-5단계를 포함하는 것을 특징으로 한다.In addition, the 3rd step is a 3-1st step in which the signal conversion unit 31 converts the plurality of sound data collected in the 2-1st step into a continuous signal form from discrete signals using an interpolation method and the 3-2nd step in which the anomaly determination unit 32 extracts an actual pattern from the plurality of sound data converted in the 3-1st step, and the anomaly determination unit 32 extracts the actual pattern extracted in the 3-2nd step and the standard extracted in the 1-7th step When the patterns do not match, a 3-3 step of determining a plurality of sound data for the actual pattern as abnormal, a 3-4 step of controlling the controller 30 to immediately stop the operation of the facility 1 for the plurality of sound data determined to be abnormal in the 3-3 step, and a 3-5 step of the controller 30 controlling the alarm unit 33 to emit an alarm sound.

본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법에서는 공구의 교체 주기 및 마모도를 실시간으로 산출하여, 모니터링할 수 있어, 공구의 교체 비용을 절감할 수 있는 효과가 있다.In the apparatus and method for detecting tool wear and tear of a machine tool according to the present invention, the tool replacement cycle and wear degree can be calculated and monitored in real time, thereby reducing tool replacement costs.

또한, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법에서는 공구의 이상 여부를 예측하여, 이상 발생 시, 공작기계의 가동을 중지시키고, 알람을 통해 관리자에게 알려줄 수 있어, 공구의 사용 횟수를 극대화하고, 공작기계의 손상을 미연에 방지할 수 있다.In addition, in the apparatus and method for detecting tool wear and damage of a machine tool according to the present invention, it is possible to predict whether a tool is abnormal, to stop the operation of the machine tool when an abnormality occurs, and to notify a manager through an alarm, thereby maximizing the number of times of tool use and preventing damage to the machine tool in advance.

또한, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법에서는 제품의 생산성을 향상시키고, 기계 가공 비용을 절감할 수 있어, 기계 가공 제품의 가격 경쟁력을 확보할 수 있는 효과가 있다.In addition, the apparatus and method for detecting tool wear and damage of a machine tool according to the present invention can improve product productivity and reduce machining costs, thereby securing price competitiveness of machined products.

도 1은 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)의 구성도이다.
도 2는 도 1에 도시된 공작기계의 공구 마모 및 파손 감지 장치(5)의 블록도이다.
도 3은 도 2에 도시된 엣지 컨트롤러(20)의 데이터 흐름도이다.
도 4는 데이터 수집부(22)에 의해 수집되는 센서 및 설비 데이터의 일례를 도시한 도면이다.
도 5는 설비 데이터 및 공구의 교체 주기의 일례를 도시한 도면이다.
도 6은 도 5에 도시된 공구(4)의 교체주기의 일례를 도시한 상세도이다.
도 7은 엣지 컨트롤러(20)의 이상 판별 과정에 대한 개념도이다.
도 8은 엣지 컨트롤러(20)의 기준 패턴 추출 과정에 대한 블록도이다.
도 9는 도 7에 도시된 엣지 컨트롤러(20)의 이상 판별 과정에 대한 블록도이다.
도 10은 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 방법에 대한 순서도이다.
도 11은 도 10에 도시된 사운드 데이터 전처리 및 학습, 기준패턴 추출 과정에 대한 순서도이다.
도 12는 도 10에 도시된 공구(4)의 교체주기 및 마모도 산출 단계에 대한 순서도이다.
도 13는 도 10에 도시된 공구(4)의 이상 여부를 판별하는 단계에 대한 순서도이다.1 is a block diagram of an apparatus 5 for detecting tool wear and tear of a machine tool according to the present invention.
FIG. 2 is a block diagram of a tool wear and breakage detection device 5 of the machine tool shown in FIG. 1 .
FIG. 3 is a data flow diagram of the edge controller 20 shown in FIG. 2 .
4 is a diagram showing an example of sensor and facility data collected by the data collection unit 22 .
5 is a diagram showing an example of equipment data and tool replacement cycles.
FIG. 6 is a detailed view showing an example of a replacement cycle of the tool 4 shown in FIG. 5 .
7 is a conceptual diagram of an abnormality determination process of the edge controller 20.
8 is a block diagram of a reference pattern extraction process of the edge controller 20.
FIG. 9 is a block diagram of an abnormality determination process of the edge controller 20 shown in FIG. 7 .
10 is a flowchart of a method for detecting tool wear and damage of a machine tool according to the present invention.
FIG. 11 is a flowchart of sound data pre-processing and learning and reference pattern extraction processes shown in FIG. 10 .
FIG. 12 is a flowchart of a step of calculating the replacement cycle and wear degree of the tool 4 shown in FIG. 10 .
FIG. 13 is a flowchart of a step of determining whether the tool 4 shown in FIG. 10 is abnormal.

본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)는 전력에 의해 구동하는 모터(2), 상기 모터(2)에 의해 회동하는 스핀들(3), 상기 스핀들(3)의 일측에 구비되어, 상기 스핀들(3)에 의해 회동하며, 공작물을 가공하는 공구(4)를 포함하는 설비(1)에서 공구(4)의 마모 및 이상 여부를 감지하기 위해 적용된다.An apparatus 5 for detecting tool wear and damage of a machine tool according to the present invention is applied to detect wear and abnormality of a tool 4 in a facility 1 including a motor 2 driven by electric power, a spindle 3 rotated by the motor 2, and a tool 4 rotated by the spindle 3 and provided on one side of the spindle 3 to process a workpiece.

도 1은 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)의 구성도이다.1 is a block diagram of an apparatus 5 for detecting tool wear and tear of a machine tool according to the present invention.

도 1을 참조하면, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)는 IoT 센서(10), 엣지 컨트롤러(20), 클라우드 서비스(35) 및 모니터링 장치(40)를 포함하여 구성된다.Referring to FIG. 1 , an apparatus 5 for detecting tool wear and damage of a machine tool according to the present invention includes an IoT sensor 10, an edge controller 20, a cloud service 35, and a monitoring device 40.

먼저, IoT 센서(10)는 설비(1)의 일측에 구비되어, 설비(1)에 대해 센서 데이터를 취득한다.First, the IoT sensor 10 is provided on one side of the facility 1 and acquires sensor data for the facility 1.

여기서, 센서 데이터는 공작물 가공시 발생하는 사운드, 모터(2)의 부하 전류, 공구(4)의 3축(x축, y축, z축) 진동, 공구(4)의 공간 좌표, 모터(2)의 속도 및 가속도 데이터를 포함하여 구성될 수 있다. Here, the sensor data may include sound generated during workpiece processing, load current of the motor 2, 3-axis (x-axis, y-axis, z-axis) vibration of the tool 4, spatial coordinates of the tool 4, and speed and acceleration data of the motor 2.

여기서, IoT 센서(10)는 공작물 가공 시, 설비(1)로부터 발생하는 사운드를 감지하는 사운드 센서(11)를 포함하여 구성될 수 있다.Here, the IoT sensor 10 may include a sound sensor 11 that detects sound generated from the facility 1 when processing a workpiece.

그리고, 엣지 컨트롤러(20)는 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 기계 학습하여, 공구의 교체 주기를 예측하고, 공구(4)의 이상 여부를 판단한다.Then, the edge controller 20 machine-learns the sound data acquired by the sound sensor 11 and the equipment data obtained from the equipment 1, predicts the tool replacement cycle, and determines whether the tool 4 is abnormal.

여기서, 설비(1)는 CNC 선반, 밀링 등의 공작기계를 포함할 수 있다. 그리고, 설비 데이터는 공구 번호, 제품의 가공 횟수, 공구의 사용 횟수, 스핀들의 속도, 피드 레이트(Feed Rate), G코드 및 검사 데이터를 포함하여 구성된다. Here, the facility 1 may include machine tools such as CNC lathes and milling. In addition, the equipment data includes a tool number, the number of times of product processing, the number of times of tool use, a spindle speed, a feed rate, a G code, and inspection data.

이때, 피드 레이트는 공구(4)의 이송 속도이고, 검사 데이터는 작업자에 의해 입력된 공구(4)의 치수 데이터를 의미한다. 그리고, 스핀들(3)은 일측에 공구(4)가 장착되어, 모터(2)에 의해 고속 회동하는 장치를 의미한다.At this time, the feed rate is the feed speed of the tool 4, and the inspection data means dimensional data of the tool 4 input by the operator. In addition, the spindle 3 means a device in which a tool 4 is mounted on one side and rotated at high speed by a motor 2 .

예를 들어, 공구 번호는 08번, 제품의 가공 횟수는 22회, 공구의 사용 횟수는 45회, 스핀들의 속도는 860rpm, 피드 레이트는 172mm/min, G 코드는 G1Z-3, M81일 수 있다.For example, the tool number is 08, the number of times the product is processed is 22 times, the number of times the tool is used is 45 times, the spindle speed is 860 rpm, the feed rate is 172 mm/min, and the G codes are G1Z-3 and M81.

그리고, 클라우드 서비스(35)는 엣지 컨트롤러(20)에 의해 처리된 다수의 데이터를 분류하여 저장한다.And, the cloud service 35 classifies and stores a plurality of data processed by the edge controller 20 .

그리고, 모니터링 장치(40)는 클라우드 서비스(35)에 저장된 다수의 데이터를 모니터링한다. 이때, 모니터링 장치(40)는 퍼스널 컴퓨터의 앱, 모바일 앱 등으로 구현될 수 있다.Also, the monitoring device 40 monitors a plurality of data stored in the cloud service 35 . In this case, the monitoring device 40 may be implemented as an app of a personal computer, a mobile app, or the like.

한편, IoT 센서(10)는 전류 센서(12), 진동 센서(13), 자이로 센서(14), 속도 센서(15), 가속도 센서(16)를 더 포함하여 구성될 수 있다. Meanwhile, the IoT sensor 10 may further include a current sensor 12, a vibration sensor 13, a gyro sensor 14, a speed sensor 15, and an acceleration sensor 16.

먼저, 전류 센서(12)는 공구(4)를 회동시키기 위한 모터(2)의 부하 전류를 감지한다.First, the current sensor 12 senses the load current of the motor 2 for rotating the tool 4 .

그리고, 진동 센서(13)는 공구(4)의 3축 진동값을 감지한다.And, the vibration sensor 13 detects the 3-axis vibration value of the tool 4 .

그리고, 자이로 센서(14)는 공구(4)의 위치를 감지하여, 공간 좌표로 표시한다.Then, the gyro sensor 14 detects the position of the tool 4 and displays it in spatial coordinates.

그리고, 속도 센서(15)는 공구(4)를 회동시키기 위한 모터(2)의 속도를 감지한다.And, the speed sensor 15 senses the speed of the motor 2 for rotating the tool 4 .

그리고, 가속도 센서(16)는 공구(4)를 회동시키기 위한 모터(2)의 가속도를 감지한다.And, the acceleration sensor 16 detects the acceleration of the motor 2 for rotating the tool 4 .

도 2는 도 1에 도시된 공작기계의 공구 마모 및 파손 감지 장치(5)의 블록도이고, 도 3은 도 2에 도시된 엣지 컨트롤러(20)의 데이터 흐름도이다.FIG. 2 is a block diagram of the device 5 for detecting tool wear and tear of the machine tool shown in FIG. 1 , and FIG. 3 is a data flow diagram of the edge controller 20 shown in FIG. 2 .

도 2 및 도 3을 참조하면, 엣지 컨트롤러(20)는 통신부(21), 데이터 수집부(22), 데이터 저장부(23), 데이터 가공부(24), 데이터셋 구축부(25), 데이터셋 학습부(26), 산출부(29) 및 제어부(30)를 포함하여 구성된다.2 and 3, the edge controller 20 includes a communication unit 21, a data collection unit 22, a data storage unit 23, a data processing unit 24, a data set building unit 25, a data set learning unit 26, a calculation unit 29, and a control unit 30.

먼저, 통신부(21)는 엣지 컨트롤러(20)와 IoT 센서(10), 클라우드 서비스(35) 및 모니터링 장치(40) 간에 데이터를 송수신하는 역할을 한다. 이때, 통신부(21)는 근거리 통신 모듈인 블루투스 모듈의 형태로 구현될 수 있다.First, the communication unit 21 serves to transmit and receive data between the edge controller 20, the IoT sensor 10, the cloud service 35, and the monitoring device 40. At this time, the communication unit 21 may be implemented in the form of a Bluetooth module that is a short-range communication module.

도 4는 데이터 수집부(22)에 의해 수집되는 센서 및 설비 데이터의 일례를 도시한 도면이다. 4 is a diagram showing an example of sensor and facility data collected by the data collection unit 22 .

도 4를 참조하면, 데이터 수집부(22)는 IoT 센서(10)에 의해 취득된 센서 데이터 및 설비(1)로부터 취득된 설비 데이터를 실시간으로 수집한다.Referring to FIG. 4 , the data collection unit 22 collects sensor data acquired by the IoT sensor 10 and facility data acquired from the facility 1 in real time.

구체적으로, 데이터 수집부(22)는 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 실시간으로 수집한다.Specifically, the data collection unit 22 collects sound data acquired by the sound sensor 11 and equipment data acquired from the equipment 1 in real time.

그리고, 데이터 저장부(23)에서는 데이터 수집부(22)에 의해 수집된 센서 및 설비 데이터가 가공일시 및 제품의 가공 횟수를 기준으로 로컬 저장부에 저장된다.And, in the data storage unit 23, the sensor and equipment data collected by the data collection unit 22 are stored in the local storage unit based on the date and time of processing and the number of times of product processing.

구체적으로, 데이터 저장부(23)에서는 데이터 수집부(22)에 의해 수집된 사운드 및 설비 데이터가 가공일시 및 제품의 가공 횟수를 기준으로 로컬 저장부에 저장된다.Specifically, in the data storage unit 23, sound and equipment data collected by the data collection unit 22 are stored in a local storage unit based on the processing date and number of products.

예를 들어, 데이터 저장부(23)에 저장되는 파일은 사운드 30dB, 전류 1.31A, x축 가속도 0.002701g, y축 가속도 0.0042g, z축 가속도 -0.00238g, 제품의 가공 횟수 834321회, 공구번호 10번을 포함하여 구성될 수 있다.For example, the file stored in the data storage unit 23 may include sound of 30dB, current of 1.31A, x-axis acceleration of 0.002701g, y-axis acceleration of 0.0042g, z-axis acceleration of -0.00238g, product processing count of 834321 times, and tool number 10.

그리고, 데이터 가공부(24)는 다수의 사운드 데이터 중에서 정상 데이터를 식별하여, 학습모델이 학습 가능하도록 가공 처리한다.Then, the data processing unit 24 identifies normal data among a plurality of sound data and processes it so that the learning model can be learned.

그리고, 데이터셋 구축부(25)는 데이터 가공부(24)에 의해 가공 처리된 다수의 정상 데이터 및 데이터 저장부(23)에 저장된 다수의 설비 데이터를 제품의 가공단위에 따라 분류하여, 데이터셋을 구축한다.Then, the data set building unit 25 classifies the plurality of normal data processed by the data processing unit 24 and the plurality of equipment data stored in the data storage unit 23 according to the processing unit of the product, and builds a data set.

여기서, 제품의 가공단위는 1개의 제품에 대한 가공 시작시간부터 가공 종료시간까지의 시간 간격을 의미한다.Here, the processing unit of a product means the time interval from the processing start time to the processing end time for one product.

그리고, 데이터셋 학습부(26)는 데이터셋 구축부(25)에 의해 구축된 데이터셋을 이용하여 학습 모델을 학습시킨다.Then, the dataset learning unit 26 learns the learning model using the dataset built by the dataset building unit 25 .

도 5는 설비 데이터 및 공구의 교체 주기의 일례를 도시한 도면이고, 도 6은 도 5에 도시된 공구(4)의 교체주기의 일례를 도시한 상세도이다.FIG. 5 is a diagram showing an example of a replacement cycle of equipment data and tools, and FIG. 6 is a detailed view showing an example of a replacement cycle of the tool 4 shown in FIG. 5 .

도 5 및 도 6을 참조하면, 산출부(29)는 데이터셋 학습부(26)에 의해 학습된 학습 모델을 이용하여 사운드 및 설비 데이터를 바탕으로 공구(4)의 교체주기 및 마모도를 산출한다.Referring to FIGS. 5 and 6 , the calculation unit 29 calculates the replacement cycle and wear of the tool 4 based on sound and facility data using the learning model learned by the dataset learning unit 26 .

여기서, 설비 데이터는 설비명 및 설비의 상태 데이터를 더 포함하여 구성될 수 있다. 이때, 설비의 상태 데이터는 시작(Start), 종료(End) 및 리셋(Reset)을 포함하여 구성될 수 있다.Here, the equipment data may further include a equipment name and state data of the equipment. At this time, the state data of the facility may be composed of Start, End, and Reset.

도 5를 참조하면, 설비 데이터는 설비명 DCT INPUT 2-1, 설비의 상태 시작, 제품의 가공 횟수 84,978회, 공구 번호 08, 커팅 시간 18,096hr, 스핀들(3) 속도 1,401rpm, 피드 레이트 227mm/min로 구성될 수 있다.Referring to FIG. 5, equipment data may include equipment name DCT INPUT 2-1, equipment status start, product processing count 84,978, tool number 08, cutting time 18,096 hr, spindle 3 speed 1,401 rpm, and feed rate 227 mm/min.

그리고, 공구의 교체 주기는 공구의 수명, 공구의 사용 횟수 및 공구의 마모율을 포함하여 구성된다. 이때, 공구의 마모율은 공구의 수명을 공구의 사용 횟수로 나눈 값으로 산출된다. And, the tool replacement cycle includes the life of the tool, the number of uses of the tool, and the wear rate of the tool. At this time, the wear rate of the tool is calculated by dividing the life of the tool by the number of times the tool is used.

도 6을 참조하면, 공구의 수명은 400회, 공구의 사용 횟수는 358회, 공구의 마모율은 358/400*100=90%일 수 있다.Referring to FIG. 6 , the life of the tool may be 400 times, the number of uses of the tool may be 358 times, and the wear rate of the tool may be 358/400*100=90%.

그리고, 공구의 마모도는 x축 마모도 및 z축 마모도를 포함하여 구성된다. 이때, x축 마모도는 공구(4)의 수평 방향(x축 방향)의 마모도이고, z축 마모도는 공구(4)의 중력의 반대 방향(z축 방향)의 마모도를 의미한다.And, the wear degree of the tool is composed of x-axis wear and z-axis wear. At this time, the x-axis wear is the wear of the tool 4 in the horizontal direction (x-axis direction), and the z-axis wear is the wear of the tool 4 in the opposite direction of gravity (z-axis).

도 6을 참조하면, x축 마모도는 -0.020mm, z축 마모도는 -0.045mm일 수 있다.Referring to FIG. 6 , the x-axis abrasion may be -0.020 mm and the z-axis abrasion may be -0.045 mm.

그리고, 제어부(30)는 모니터링 장치(40)가 데이터 저장부(23)에 저장된 설비 데이터, 산출부(29)에 의해 산출된 공구의 교체 주기 및 마모도 데이터를 디스플레이하도록 제어한다.In addition, the control unit 30 controls the monitoring device 40 to display equipment data stored in the data storage unit 23, tool replacement cycle and wear data calculated by the calculation unit 29.

이때, 모니터링 장치(40)가 디스플레이하는 설비 데이터는 설비명, 설비의 상태, 제품의 가공 횟수, 공구 번호, 커팅 시간, 스핀들의 속도, 피드 레이트를 포함하여 구성될 수 있다.At this time, the facility data displayed by the monitoring device 40 may include a facility name, a facility state, a product processing number, a tool number, a cutting time, a spindle speed, and a feed rate.

예를 들어, 모니터링 장치(40)가 디스플레이하는 설비 데이터는 제품의 가공 횟수 87,987회, 공구 번호 08번, 커팅 시간 18,096hr, 스핀들의 속도 1,401rpm, 피드 레이트 227mm/min 등을 포함하여 구성될 수 있다.For example, the equipment data displayed by the monitoring device 40 may include the number of product processing 87,987 times, tool number 08, cutting time 18,096 hr, spindle speed 1,401 rpm, feed rate 227 mm/min, and the like.

그리고, 모니터링 장치(40)가 디스플레이하는 공구의 교체 주기 데이터는 공구의 수명 300회, 공구의 사용 횟수 258회, 공구의 마모율 86%를 포함하여 구성될 수 있고, 모니터링 장치(40)가 디스플레이하는 마모도 데이터는 x축 마모도 0.000mm, z축 마모도 0.1405mm를 포함하여 구성될 수 있다.In addition, the tool replacement cycle data displayed by the monitoring device 40 may include the life of the tool 300 times, the number of times the tool is used 258 times, and the wear rate of the tool 86%.

이때, 공구의 마모율 데이터는 원형 차트로 표시될 수 있다.In this case, the tool wear rate data may be displayed as a circular chart.

한편, 데이터 가공부(24)는 OCC(One-class classification, 단항 분류)를 이용하여 다수의 사운드 데이터 중에서 정상 데이터를 식별하고, 다수의 사운드 데이터 중에서 정상 데이터가 아닌 비정상 데이터를 불량 처리한다.Meanwhile, the data processing unit 24 identifies normal data among a plurality of sound data using OCC (One-class classification), and processes abnormal data other than normal data among a plurality of sound data as bad.

이때, 정상 데이터는 데이터가 사전에 설정된 기준 구간 이내에 속하는 사운드 데이터를 의미한다.At this time, the normal data means sound data whose data falls within a preset reference interval.

여기서, OCC는 CNN(Convolutional Neural Network) 계열의 준지도 이상 탐지(Semi-supervised anomaly detection) 기법을 의미한다.Here, OCC means a semi-supervised anomaly detection technique based on a convolutional neural network (CNN).

한편, 엣지 컨트롤러(20)는 패턴 추출부(27) 및 보정부(28)를 더 포함하여 구성될 수 있다.Meanwhile, the edge controller 20 may further include a pattern extraction unit 27 and a correction unit 28 .

먼저, 패턴 추출부(27)는 시간에 따른 다수의 정상 데이터를 그래프로 표시하고, 상기 그래프를 분석하여, 일정한 기준 패턴을 추출한다.First, the pattern extraction unit 27 displays a plurality of normal data over time as a graph, analyzes the graph, and extracts a predetermined reference pattern.

그리고, 보정부(28)는 다수의 기준 패턴에서 시프트 상태가 일치하지 않는 기준 패턴을 교정하기 위해 경우, 동적 시간 워핑(DTW, Dynamic Time Warping)을 적용하여 보정 작업을 수행한다.Further, the correction unit 28 performs a correction operation by applying dynamic time warping (DTW) in order to correct reference patterns whose shift states do not match among the plurality of reference patterns.

한편, 데이터 수집부(22)는 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 사전에 설정된 기준 시간별로 수집한다.On the other hand, the data collection unit 22 collects the sound data acquired by the sound sensor 11 and the equipment data acquired from the facility 1 for each reference time set in advance.

도 7은 엣지 컨트롤러(20)의 이상 판별 과정에 대한 개념도이고, 도 8은 엣지 컨트롤러(20)의 기준 패턴 추출 과정에 대한 블록도이고, 도 9는 도 8에 도시된 엣지 컨트롤러(20)의 이상 판별 과정에 대한 블록도이다.7 is a conceptual diagram of an abnormality determination process of the edge controller 20, FIG. 8 is a block diagram of a reference pattern extraction process of the edge controller 20, and FIG. 9 is a block diagram of an abnormality determination process of the edge controller 20 shown in FIG.

도 7 내지 도 9를 참조하면, 엣지 컨트롤러(20)는 신호 변환부(31), 이상 판별부(32) 및 알람부(33)를 더 포함하여 구성될 수 있다.Referring to FIGS. 7 to 9 , the edge controller 20 may further include a signal conversion unit 31 , an abnormality determination unit 32 and an alarm unit 33 .

신호 변환부(31)는 데이터 수집부(22)에 의해 실시간으로 수집된 다수의 사운드 데이터를 보간법을 이용하여 이산 신호에서 연속 신호의 형태로 변경한다.The signal conversion unit 31 converts a plurality of sound data collected in real time by the data collection unit 22 from a discrete signal to a continuous signal using an interpolation method.

이때, 이산 신호(Discrete Signal)는 다수의 사운드 데이터를 시간에 따라 샘플링한 신호이고, 연속 신호(Continuous Signal)는 이산 신호를 연속 함수의 형태로 변환한 신호를 의미한다.In this case, the discrete signal is a signal obtained by sampling a plurality of sound data according to time, and the continuous signal refers to a signal obtained by converting the discrete signal into a continuous function.

이때, 보간법은 제한된 수의 샘플링 신호로부터 관측값이 없는 지점에 대한 신호를 추정하는 방법을 의미한다. 그리고, 상기 보간법은 라그랑지안 다항식 보간법(Lagrange Polynomial interpolation), 선형 보간법(Linear Interpolation) 등을 포함할 수 있다.In this case, the interpolation method means a method of estimating a signal for a point where there is no observation value from a limited number of sampling signals. And, the interpolation method may include Lagrange polynomial interpolation, linear interpolation, and the like.

한편, 패턴 추출부(27)는 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터로부터 실제 패턴을 추출한다.Meanwhile, the pattern extractor 27 extracts an actual pattern from a plurality of sound data converted by the signal converter 31 .

그리고, 이상 판별부(32)는 학습 모델을 이용하여 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터의 이상 여부를 판별한다.Then, the anomaly determination unit 32 determines whether a plurality of sound data converted by the signal conversion unit 31 are abnormal by using the learning model.

구체적으로, 이상 판별부(32)는 실제 패턴을 기준 패턴과 비교하여, 상기 실제 패턴과 기준 패턴이 일치하지 않는 경우, 상기 실제 패턴에 대한 다수의 사운드 데이터를 이상으로 판별한다.Specifically, the abnormality determination unit 32 compares the actual pattern with the reference pattern, and if the actual pattern and the reference pattern do not match, discriminates a plurality of sound data for the actual pattern as abnormal.

그리고, 알람부(33)는 이상 발생 시, 관리자의 호출이 가능하도록 경보음을 표출한다.And, the alarm unit 33 expresses an alarm so that a manager can call when an abnormality occurs.

그리고, 제어부(30)는 다수의 사운드 데이터가 이상으로 판별된 경우, 설비(1)의 가동이 즉시 중지되도록 제어하고, 알람부(33)가 경보음을 표출하도록 제어한다.In addition, when a plurality of sound data is determined to be abnormal, the control unit 30 controls the operation of the facility 1 to immediately stop, and controls the alarm unit 33 to output an alarm sound.

다음으로, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 방법에 대해 설명하기로 한다.Next, a method for detecting tool wear and damage of a machine tool according to the present invention will be described.

도 10은 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 방법에 대한 순서도이다.10 is a flowchart of a method for detecting tool wear and damage of a machine tool according to the present invention.

도 10을 참조하면, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 방법은 다음과 같다.Referring to FIG. 10 , a method for detecting tool wear and damage of a machine tool according to the present invention is as follows.

먼저, 다수의 사운드 및 설비 데이터를 전처리하여, 학습모델이 공구(4)의 교체주기 및 마모도를 산출하도록 학습시키고, 기준 패턴을 추출한다.(S100)First, a plurality of sound and equipment data are preprocessed, the learning model is trained to calculate the replacement cycle and wear of the tool 4, and a reference pattern is extracted. (S100)

그 이후, 실시간으로 수집된 사운드 및 설비 데이터에 대해 공구(4)의 교체주기 및 마모도를 산출한다.(S200)After that, the replacement cycle and wear of the tool 4 are calculated for the sound and facility data collected in real time. (S200)

그 이후, 실시간으로 수집된 사운드 데이터에 대해 공구(4)의 이상 여부를 판별한다.(S300)After that, it is determined whether or not the tool 4 is abnormal for the sound data collected in real time. (S300)

도 11은 도 10에 도시된 사운드 데이터 전처리 및 학습, 기준패턴 추출 과정에 대한 순서도이다.FIG. 11 is a flowchart of sound data pre-processing and learning and reference pattern extraction processes shown in FIG. 10 .

도 11을 참조하면, 사운드 데이터를 전처리하여 학습하고, 기준패턴을 추출 하는 S100단계는 다음과 같다.Referring to FIG. 11, steps S100 of preprocessing and learning sound data and extracting a reference pattern are as follows.

먼저, 데이터 수집부(22)는 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 다수 수집한다.(S101)First, the data collection unit 22 collects a plurality of sound data acquired by the sound sensor 11 and equipment data acquired from the equipment 1. (S101)

S101단계에서 수집된 사운드 및 설비 데이터는 가공일시 및 제품의 가공 횟수를 기준으로 데이터 저장부(23)의 로컬 저장부로 저장된다.The sound and facility data collected in step S101 are stored as a local storage unit of the data storage unit 23 based on the processing date and number of products.

그 이후, 데이터 가공부(24)는 OCC를 이용하여 다수의 사운드 데이터 중에서 사전에 설정된 기준 구간 이내에 속하는 사운드 데이터를 정상 데이터로 식별한다.(S102)Thereafter, the data processing unit 24 uses OCC to identify sound data belonging to a preset reference section among a plurality of sound data as normal data (S102).

그 이후, 데이터 가공부(24)는 다수의 사운드 데이터 중에서 S102단계에서 식별된 정상 데이터가 아닌 비정상 데이터를 불량 처리한다.(S103)After that, the data processing unit 24 processes abnormal data, not normal data, identified in step S102 among a plurality of sound data as bad. (S103)

그 이후, 데이터 가공부(24)는 S102단계에서 식별된 다수의 사운드 데이터를 식별하여, 학습모델이 학습 가능하도록 처리한다.(S104)After that, the data processing unit 24 identifies a plurality of sound data identified in step S102 and processes them so that the learning model can learn. (S104)

그 이후, 데이터셋 구축부(25)는 S101단계에서 수집된 다수의 설비 데이터, S104단계에서 처리된 다수의 정상 데이터를 제품의 가공단위에 따라 분류하여, 데이터셋을 구축한다.(S105)After that, the dataset construction unit 25 classifies the plurality of facility data collected in step S101 and the plurality of normal data processed in step S104 according to the processing unit of the product, and builds a dataset (S105).

그 이후, 데이터셋 학습부(26)는 S105단계에서 구축된 데이터셋을 이용하여 학습 모델을 학습시킨다.(S106)After that, the dataset learning unit 26 learns the learning model using the dataset built in step S105. (S106)

그 이후, 데이터 가공부(24)는 S106단계에서 식별된 다수의 정상 데이터를 시간에 따라 그래프로 표시하고, 그래프를 분석하여 일정한 기준 패턴을 추출한다.(S107)Thereafter, the data processing unit 24 displays a plurality of normal data identified in step S106 as a graph over time, analyzes the graph, and extracts a certain reference pattern. (S107)

그 이후, 데이터 가공부(24)는 S107단계에서 추출된 다수의 기준 패턴에서 시프트 상태가 일치하지 않는 기준 패턴을 교정하기 위해 동적 시간 워핑을 적용하여 보정 작업을 수행한다.(S108)After that, the data processing unit 24 performs a correction operation by applying dynamic time warping to correct the reference patterns whose shift states do not match among the plurality of reference patterns extracted in step S107 (S108).

도 12는 도 10에 도시된 공구(4)의 교체주기 및 마모도 산출 단계에 대한 순서도이다.FIG. 12 is a flowchart of a step of calculating the replacement cycle and wear degree of the tool 4 shown in FIG. 10 .

도 12를 참조하면, 실시간으로 수집된 사운드 및 설비 데이터에 대해 공구(4)의 교체주기 및 마모도를 산출하는 S200단계는 다음과 같다.Referring to FIG. 12 , step S200 of calculating the replacement cycle and wear of the tool 4 for sound and facility data collected in real time is as follows.

먼저, 데이터 수집부(22)는 사운드 센서(11)에 의해 취득된 사운드 데이터 및 설비(1)로부터 취득된 설비 데이터를 사전에 설정된 기준 시간별로 수집한다.(201)First, the data collection unit 22 collects the sound data acquired by the sound sensor 11 and the equipment data acquired from the equipment 1 for each preset reference time (201).

그 이후, 산출부(29)는 S106단계에서 학습된 학습 모델을 이용하여 201단계에서 수집된 사운드 및 설비 데이터에 대해 공구(4)의 교체주기 및 마모도를 산출한다.(S202)After that, the calculation unit 29 calculates the replacement cycle and wear of the tool 4 for the sound and equipment data collected in step 201 using the learning model learned in step S106. (S202)

그 이후, 제어부(30)는 S101단계에서 수집된 설비 데이터, S202단계에서 산출부(29)에 의해 산출된 공구의 교체 주기 및 마모도 데이터를 모니터링 장치(40)가 디스플레이하도록 제어한다.(S203)After that, the controller 30 controls the monitoring device 40 to display the facility data collected in step S101 and the tool replacement cycle and wear data calculated by the calculator 29 in step S202 (S203).

도 13는 도 10에 도시된 공구(4)의 이상 여부를 판별하는 단계에 대한 순서도이다.FIG. 13 is a flowchart of a step of determining whether the tool 4 shown in FIG. 10 is abnormal.

도 13을 참조하면, 다수의 사운드 및 설비 데이터를 바탕으로, 공구(4)의 이상 여부를 판별하는 S200단계는 다음과 같다.Referring to FIG. 13 , based on a plurality of sound and facility data, step S200 of determining whether or not the tool 4 is abnormal is as follows.

그 이후, 신호 변환부(31)는 S201단계에서 수집된 다수의 사운드 데이터를 보간법을 이용하여 이산 신호에서 연속 신호의 형태로 변경한다.(202)Thereafter, the signal conversion unit 31 converts the plurality of sound data collected in step S201 into a continuous signal form from a discrete signal using an interpolation method (202).

그 이후, 이상 판별부(32)는 S202단계에서 변환된 다수의 사운드 데이터로부터 실제 패턴을 추출한다.(203)After that, the anomaly determination unit 32 extracts an actual pattern from the plurality of sound data converted in step S202. (203)

그 이후, 이상 판별부(32)는 S203단계에서 추출된 실제 패턴과 S103단계에서 추출된 기준 패턴이 일치하지 않는 경우, 실제 패턴에 대한 다수의 사운드 데이터를 이상으로 판별한다.(204)After that, if the actual pattern extracted in step S203 and the reference pattern extracted in step S103 do not match, the abnormality determining unit 32 determines a plurality of sound data for the actual pattern as abnormal (204).

그 이후, 제어부(30)는 S204단계에서 이상으로 판별된 다수의 사운드 데이터에 대해, 해당 설비(1)의 가동이 즉시 중지되도록 제어한다.(205)After that, the control unit 30 controls the operation of the facility 1 to be immediately stopped for the plurality of sound data determined to be abnormal in step S204. (205)

그 이후, 제어부(30)는 알람부(33)가 경보음을 표출하도록 제어한다.(206)After that, the control unit 30 controls the alarm unit 33 to display an alarm sound. (206)

한편, 이상 판별부(30)는 데이터 수집부(22)에 의해 수집된 사운드 데이터로부터 잡음 데이터를 판별할 수 있다.Meanwhile, the abnormality determination unit 30 may determine noise data from the sound data collected by the data collection unit 22 .

이때, 잡음 데이터는 공구의 마모 또는 이상 여부와 상관 없는 데이터를 의미한다.In this case, the noise data refers to data irrespective of whether the tool is worn or abnormal.

그리고, 이상 판별부(30)는 상기 사운드 데이터를 잡음 데이터 및 상기 잡음 데이터가 아닌 리얼 데이터로 각각 구분할 수 있다.In addition, the abnormality determining unit 30 may classify the sound data into noise data and real data other than the noise data.

그리고, 이상 판별부(30)는 잡음 데이터의 평균이 리얼 데이터의 평균 이상인 경우, 제1 주의 신호를 생성한다.Further, the anomaly determination unit 30 generates a first caution signal when the average of the noise data is higher than the average of the real data.

이때, 잡음 데이터의 평균은 시간별로 각각 측정된 잡음 데이터(dB)의 합을 잡음 데이터의 개수로 나눈 값을 의미한다.In this case, the average of the noise data means a value obtained by dividing the sum of noise data (dB) measured for each time by the number of noise data.

마찬가지로, 리얼 데이터의 평균은 시간별로 각각 측정된 리얼 데이터의 합을 리얼 데이터의 개수로 나눈 값을 의미한다.Similarly, the average of real data means a value obtained by dividing the sum of real data measured at each time by the number of real data.

한편, 이상 판별부(30)는 기준 패턴으로부터 시간에 따른 사운드 데이터의 기준 증감 구간을 각각 파악한다.On the other hand, the abnormality determination unit 30 determines each reference increase/decrease interval of sound data according to time from the reference pattern.

이때, 기준 증감 구간은 기준 패턴에서 시간에 따라 사운드 데이터가 증가하는 기준 증가 구간 및 기준 패턴에서 시간에 따라 사운드 데이터가 감소하는 기준 감소 구간을 포함할 수 있다. In this case, the reference increase/decrease section may include a reference increase section in which sound data increases with time in the reference pattern and a reference decrease section in which sound data decreases with time in the reference pattern.

그리고, 이상 판별부(30)는 실제 패턴으로부터 시간에 따른 사운드 데이터의 실제 증감 구간을 각각 파악한다.Then, the anomaly determination unit 30 identifies the actual increase/decrease intervals of the sound data over time from the actual pattern.

이때, 실제 증감 구간은 실제 패턴에서 시간에 따라 사운드 데이터가 증가하는 증가 구간 및 실제 패턴에서 시간에 따라 사운드 데이터가 감소하는 감소 구간을 포함할 수 있다. In this case, the actual increase/decrease section may include an increase section in which sound data increases with time in the actual pattern and a decrease section in which sound data decreases with time in the actual pattern.

예를 들어, 실제 증감 구간은 제1 증가 구간, 제1 감소 구간, 제2 증가 구간, 제2 감소 구간, 제3 증가 구간, 제3 감소 구간 등으로 표현될 수 있다. For example, the actual increase/decrease interval may be expressed as a first increase interval, a first decrease interval, a second increase interval, a second decrease interval, a third increase interval, and a third decrease interval.

그리고, 이상 판별부(30)는 다수의 기준 증감 구간 및 실제 증감 구간을 각각 매칭시킨 후, 매칭된 기준 증감 구간 및 실제 증감 구간이 사전에 설정된 기준 횟수 이상 미일치 시, 제2 주의 신호를 생성한다.Then, the abnormal determination unit 30 matches a plurality of reference increase/decrease intervals and actual increase/decrease intervals, respectively, and when the matched reference increase/decrease intervals and actual increase/decrease intervals do not match a preset reference number of times or more, a second caution signal is generated.

이때, 매칭된 기준증감 구간 및 실제 증감 구간이 미일치하는 경우는 기준증감 구간은 증가하는 반면에, 실제 증감 구간은 감소하는 경우, 기준증감 구간은 감소하는 반면에, 실제 증감 구간은 증가하는 경우일 수 있다. At this time, if the matched reference increase/decrease interval and the actual increase/decrease interval do not match, the reference increase/decrease interval increases while the actual increase/decrease interval decreases, while the reference increase/decrease interval decreases while the actual increase/decrease interval increases.

이때, 매칭된 기준증감 구간 및 실제 증감 구간이 미일치하는 경우는 기준 증감 구간 및 실제 증감 구간이 각각 증가하거나, 각각 감소하더라도, 기준 증감 구간 및 시제 증감 구간의 기울기의 차이가 사전에 설정된 기준 차이 이상인 경우일 수 있다.At this time, if the matched reference increase/decrease interval and the actual increase/decrease interval do not match, even if the reference increase/decrease interval and the actual increase/decrease interval increase or decrease, respectively, the difference between the slope of the reference increase/decrease interval and the temporal increase/decrease interval is set in advance. It may be a case of difference greater than the difference.

이때, 기울기는 기준 증감 구간 또는 실제 증감 구간에서 사운드 데이터의 차이를 시간 간격으로 나눈 값을 의미한다.In this case, the slope means a value obtained by dividing a difference between sound data by a time interval in a reference increase/decrease interval or an actual increase/decrease interval.

그리고, 이상 판별부(30)는 실제 패턴에서 시간에 따른 다수의 사운드 데이터의 실제 오차를 계산한다.Then, the anomaly determination unit 30 calculates the actual error of a plurality of sound data according to time in the actual pattern.

이때, 실제 오차는 기준 패턴에서 산출된 사운드 데이터의 평균에서 실제 패턴에서 추출된 사운드 데이터를 차감한 값의 절댓값을 의미한다. In this case, the actual error means an absolute value obtained by subtracting the sound data extracted from the actual pattern from the average of the sound data calculated from the reference pattern.

그리고, 이상 판별부(30)는 상기 실제 오차가 사전에 설정된 기준 오차 이상인 경우, 경고 신호를 생성한다.In addition, the abnormal determination unit 30 generates a warning signal when the actual error is equal to or greater than a preset reference error.

그리고, 이상 판별부(30)는 실제 오차의 제곱의 합이 사전에 설정된 세팅 합 이상인 경우, 위험 신호를 생성한다.Also, the abnormality determining unit 30 generates a danger signal when the sum of the squares of the actual errors is equal to or greater than a preset setting sum.

그리고, 이상 판별부(30)는 실제 패턴에서 사전에 설정된 기준 시간간격이 아닌 구간에서도 사전에 설정된 기준 크기 이상의 사운드 데이터가 사전에 설정된 세팅 시간간격 이상의 사간 동안 발생 시, 심각 신호를 생성한다. In addition, the anomaly determination unit 30 generates a serious signal when sound data having a preset standard size or more occurs for a period of time equal to or longer than a preset standard time interval even in a section other than a preset standard time interval in the actual pattern.

그리고, 알람부(31)는 이상 판별부(30)에 의해 생성된 제1 주의 신호, 제2 주의 신호, 경고 신호, 위험 신호 및 심각 신호를 경보음을 통해 각각 표출한다.Also, the alarm unit 31 outputs the first warning signal, the second warning signal, the warning signal, the danger signal, and the serious signal generated by the abnormal determination unit 30 through alarm sounds.

이때, 알람부(31)에 의해 표출되는 경보음의 크기는 심각 신호, 위험 신호, 경고 신호, 제2 주의 신호, 제1 주의 신호 순으로 크게 설정된다.At this time, the volume of the alarm sound expressed by the alarm unit 31 is set to be higher in the order of serious signal, danger signal, warning signal, second warning signal, and first warning signal.

이를 통해, 사용자는 공구의 이상 여부를 단계별로 보다 확실히 파악할 수 있다.Through this, the user can more clearly determine whether or not the tool is abnormal step by step.

본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)에서는 공구의 교체 주기 및 마모도를 실시간으로 산출하여, 모니터링할 수 있어, 공구(4)의 교체 비용을 절감할 수 있는 효과가 있다.In the tool wear and damage detection device 5 of the machine tool according to the present invention, the replacement cycle and wear of the tool can be calculated and monitored in real time, so that the replacement cost of the tool 4 can be reduced.

또한, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)에서는 공구(4)의 이상 여부를 예측하여, 이상 발생 시, 공작기계의 가동을 중지시키고, 알람을 통해 관리자에게 알려줄 수 있어, 공구의 사용 횟수를 극대화하고, 공작기계의 손상을 미연에 방지할 수 있다.In addition, the apparatus 5 for detecting tool wear and damage of a machine tool according to the present invention predicts whether the tool 4 is abnormal, stops the operation of the machine tool when an abnormality occurs, and informs the manager through an alarm, thereby maximizing the number of times the tool is used and preventing damage to the machine tool in advance.

또한, 본 발명에 의한 공작기계의 공구 마모 및 파손 감지 장치(5)에서는 제품의 생산성을 향상시키고, 기계 가공 비용을 절감할 수 있어, 기계 가공 제품의 가격 경쟁력을 확보할 수 있는 효과가 있다.In addition, the apparatus 5 for detecting tool wear and damage of a machine tool according to the present invention has an effect of improving product productivity and reducing machining costs, thereby securing price competitiveness of machined products.

1: 설비 5: 공구 마모 및 파손 감지장치
10: IoT 센서 11: 사운드 센서
12: 전류 센서 13: 진동 센서
14: 자이로 센서 15: 속도 센서
16: 가속도 센서 20: 엣지 컨트롤러
21: 통신부 22: 데이터 수집부
23: 데이터 저장부 24: 데이터 가공부
25: 데이터셋 구축부 26: 데이터셋 학습부
27: 산출부 28: 제어부
29: 신호 변환부 30: 이상 판별부
31: 알람부 35: 클라우드 서비스
40: 모니터링 장치 1: Facility 5: Tool Wear and Breakage Detector
10: IoT sensor 11: sound sensor
12: current sensor 13: vibration sensor
14: gyro sensor 15: speed sensor
16: acceleration sensor 20: edge controller
21: communication unit 22: data collection unit
23: data storage unit 24: data processing unit
25: Dataset building unit 26: Dataset learning unit
27: calculation unit 28: control unit
29: signal conversion unit 30: abnormality determination unit
31: alarm unit 35: cloud service
40: monitoring device

Claims (9)

전력에 의해 구동하는 모터(2), 상기 모터(2)에 의해 회동하는 스핀들(3), 상기 스핀들(3)의 일측에 구비되어, 상기 스핀들(3)에 의해 회동하며, 공작물을 가공하는 공구(4)를 포함하는 설비(1)에서 상기 공구(4)의 마모 및 이상 여부를 감지하기 위한 공작기계의 공구 마모 및 파손 감지 장치(5)에 있어서,
공작물 가공 시, 상기 설비(1)로부터 발생하는 사운드를 감지하는 사운드 센서(11);
상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 기계 학습하여, 상기 공구(4)의 교체 주기를 예측하고, 상기 공구(4)의 이상 여부를 판단하는 엣지 컨트롤러(20);
상기 엣지 컨트롤러(20)에 의해 처리된 다수의 데이터를 분류하여 저장하는 클라우드 서비스(35); 및
상기 클라우드 서비스(35)에 저장된 다수의 데이터를 모니터링하는 모니터링 장치(40);를 포함하고,
상기 설비 데이터는
공구 번호, 제품의 가공 횟수, 상기 공구(4)의 사용 횟수, 상기 스핀들(3)의 속도, 피드 레이트(Feed Rate), G코드, 검사 데이터, 설비명 및 상기 설비(1)의 상태 데이터를 포함하고,
상기 설비(1)의 상태 데이터는
시작, 종료 및 리셋을 포함하고,
상기 엣지 컨트롤러(20)는
상기 사운드 센서(11)에 의해 취득된 사운드 데이터 및 상기 설비(1)로부터 취득된 설비 데이터를 실시간으로 수집하는 데이터 수집부(22);
상기 데이터 수집부(22)에 의해 수집된 사운드 및 설비 데이터가 가공일시 및 제품의 가공 횟수를 기준으로 로컬 저장부에 저장되는 데이터 저장부(23);
다수의 사운드 데이터 중에서 정상 데이터를 식별하여, 학습모델이 학습 가능하도록 가공 처리하는 데이터 가공부(24);
상기 데이터 가공부(24)에 의해 가공 처리된 다수의 정상 데이터 및 상기 데이터 저장부(23)에 저장된 다수의 설비 데이터를 제품의 가공단위에 따라 분류하여, 데이터셋을 구축하는 데이터셋 구축부(25);
상기 데이터셋 구축부(25)에 의해 구축된 데이터셋을 이용하여 상기 학습 모델을 학습시키는 데이터셋 학습부(26);
상기 데이터셋 학습부(26)에 의해 학습된 상기 학습 모델을 이용하여 사운드 및 설비 데이터를 바탕으로 상기 공구(4)의 교체주기 및 마모도를 산출하는 산출부(29); 및
상기 모니터링 장치(40)가 상기 데이터 저장부(23)에 저장된 설비 데이터, 상기 산출부(29)에 의해 산출된 상기 공구(4)의 교체 주기 및 마모도 데이터를 디스플레이하도록 제어하는 제어부(30);를 포함하고,
상기 제품의 가공단위는
1개의 제품에 대한 가공 시작시간부터 가공 종료시간까지의 시간 간격이고,
상기 공구(4)의 교체 주기는
상기 공구(4)의 수명, 상기 공구(4)의 사용 횟수 및 상기 공구(4)의 마모율을 포함하고,
상기 공구(4)의 마모율은
상기 공구(4)의 수명을 상기 공구(4)의 사용 횟수로 나눈 값으로 산출되고,
상기 공구(4)의 마모도는
상기 공구(4)의 수평 방향의 마모도인 x축 마모도 및 공구(4)의 중력의 반대 방향의 마모도인 z축 마모도이고,
상기 데이터 가공부(24)는
OCC(One-class classification, 단항 분류)를 이용하여 다수의 사운드 데이터 중에서 정상 데이터를 식별하고, 상기 다수의 사운드 데이터 중에서 정상 데이터가 아닌 비정상 데이터를 불량 처리하고,
상기 정상 데이터는
사전에 설정된 기준 구간 이내에 속하는 사운드 데이터이고,
상기 엣지 컨트롤러(30)는
시간에 따른 다수의 정상 데이터를 그래프로 표시하고, 상기 그래프를 분석하여, 일정한 기준 패턴을 추출하는 패턴 추출부(27);
다수의 기준 패턴에서 시프트 상태가 일치하지 않는 기준 패턴을 교정하기 위해 동적 시간 워핑을 적용하여 보정 작업을 수행하는 보정부(28);
상기 데이터 수집부(22)에 의해 실시간으로 수집된 다수의 사운드 데이터를 보간법을 이용하여 이산 신호에서 연속 신호의 형태로 변경하는 신호 변환부(31);
상기 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터의 이상 여부를 판별하는 이상 판별부(32); 및
이상 발생 시, 관리자의 호출이 가능하도록 경보음을 표출하는 알람부(33);를 더 포함하고,
상기 패턴 추출부(27)는
상기 신호 변환부(31)에 의해 변환된 다수의 사운드 데이터로부터 실제 패턴을 추출하고,
상기 이상 판별부(32)는
실제 패턴을 기준 패턴과 비교하여, 상기 실제 패턴과 상기 기준 패턴이 일치하지 않는 경우, 상기 실제 패턴에 대한 다수의 사운드 데이터를 이상으로 판별하고,
상기 제어부(30)는
다수의 사운드 데이터가 이상으로 판별된 경우, 상기 설비(1)의 가동이 즉시 중지되도록 제어하고, 상기 알람부(33)가 경보음을 표출하도록 제어하고,
상기 이상 판별부(30)는
상기 데이터 수집부(22)에 의해 수집된 사운드 데이터로부터 잡음 데이터를 판별하고,
상기 이상 판별부(30)는
상기 사운드 데이터를 잡음 데이터 및 상기 잡음 데이터가 아닌 리얼 데이터로 각각 구분하고,
상기 이상 판별부(30)는
잡음 데이터의 평균이 리얼 데이터의 평균 이상인 경우, 제1 주의 신호를 생성하고,
상기 이상 판별부(30)는
기준 패턴으로부터 시간에 따른 사운드 데이터의 기준 증감 구간을 각각 파악하고,
상기 이상 판별부(30)는
실제 패턴으로부터 시간에 따른 사운드 데이터의 실제 증감 구간을 각각 파악하고,
상기 이상 판별부(30)는 다수의 기준 증감 구간 및 실제 증감 구간을 각각 매칭시킨 후, 매칭된 기준 증감 구간 및 실제 증감 구간이 사전에 설정된 기준 횟수 이상 미일치 시, 제2 주의 신호를 생성하고,
상기 이상 판별부(30)는
실제 패턴에서 시간에 따른 다수의 사운드 데이터의 실제 오차를 계산하고,
상기 이상 판별부(30)는
상기 실제 오차가 사전에 설정된 기준 오차 이상인 경우, 경고 신호를 생성하고,
상기 이상 판별부(30)는
실제 오차의 제곱의 합이 사전에 설정된 세팅 합 이상인 경우, 위험 신호를 생성하고,
상기 이상 판별부(30)는
실제 패턴 확인 시, 사전에 설정된 기준 시간간격을 벗어난 구간에서 사전에 설정된 기준 크기 이상의 사운드 데이터가 사전에 설정된 세팅 시간간격 이상의 시간 동안 발생 시, 심각 신호를 생성하고,
상기 알람부(31)는
상기 이상 판별부(30)에 의해 생성된 제1 주의 신호, 제2 주의 신호, 경고 신호, 위험 신호 및 심각 신호를 경보음을 통해 각각 표출하고,
상기 알람부(31)에 의해 표출되는 경보음의 크기는
심각 신호, 위험 신호, 경고 신호, 제2 주의 신호, 제1 주의 신호 순으로 크게 설정되고,
상기 잡음 데이터는
공구의 마모 또는 이상 여부와 상관없는 데이터이고,
상기 기준 증감 구간은
기준 패턴에서 시간에 따라 사운드 데이터가 증가하는 기준 증가 구간 및
기준 패턴에서 시간에 따라 사운드 데이터가 감소하는 기준 감소 구간을 포함하고,
상기 실제 증감 구간은
실제 패턴에서 시간에 따라 사운드 데이터가 증가하는 증가 구간
및 실제 패턴에서 시간에 따라 사운드 데이터가 감소하는 감소 구간을 포함하고,
상기 매칭된 기준 증감 구간 및 실제 증감 구간이 미일치하는 경우는 기준 증감 구간은 증가하고, 실제 증감 구간은 감소하는 경우,
또는, 기준 증감 구간은 감소하고, 실제 증감 구간은 증가하는 경우, 또는, 기준 증감 구간 및 실제 증감 구간이 각각 증가하거나, 각각 감소하더라도, 기준 증감 구간 및 실제 증감 구간의 기울기의 차이가 사전에 설정된 기준 차이 이상인 경우이고,
상기 실제 오차는
기준 패턴에서 산출된 사운드 데이터의 평균에서 실제 패턴에서 추출된 사운드 데이터를 차감한 값의 절댓값인 것을 특징으로 하는 공작기계의 공구 마모 및 파손 감지 장치.A motor (2) driven by electric power, a spindle (3) rotated by the motor (2), provided on one side of the spindle (3), rotated by the spindle (3), and a tool (4) for processing a workpiece. In a tool wear and breakage detection device (5) of a machine tool for detecting wear and abnormality of the tool (4) in the equipment (1).
A sound sensor 11 for detecting sound generated from the facility 1 when processing a workpiece;
An edge controller 20 for machine learning the sound data acquired by the sound sensor 11 and the equipment data obtained from the equipment 1 to predict the replacement cycle of the tool 4 and determine whether the tool 4 is abnormal;
a cloud service 35 for classifying and storing a plurality of data processed by the edge controller 20; and
A monitoring device 40 for monitoring a plurality of data stored in the cloud service 35; includes,
The facility data is
Includes tool number, number of times of product processing, number of times of use of the tool 4, speed of the spindle 3, feed rate, G code, inspection data, equipment name, and state data of the equipment 1,
The state data of the facility 1 is
Includes startup, shutdown and reset;
The edge controller 20 is
a data collection unit 22 that collects sound data acquired by the sound sensor 11 and equipment data acquired from the equipment 1 in real time;
a data storage unit (23) for storing the sound and equipment data collected by the data collection unit (22) in a local storage unit based on the processing date and number of products;
A data processing unit 24 that identifies normal data among a plurality of sound data and processes the data so that the learning model can learn;
A dataset building unit 25 for constructing a dataset by classifying the plurality of normal data processed by the data processing unit 24 and the plurality of equipment data stored in the data storage unit 23 according to the processing unit of the product;
a dataset learning unit 26 for learning the learning model using the dataset built by the dataset building unit 25;
a calculation unit 29 that calculates a replacement cycle and wear of the tool 4 based on sound and facility data using the learning model learned by the dataset learning unit 26; and
A control unit 30 controlling the monitoring device 40 to display the equipment data stored in the data storage unit 23, the replacement cycle of the tool 4 calculated by the calculation unit 29, and wear data,
The processing unit of the product is
It is the time interval from the processing start time to the processing end time for one product,
The replacement cycle of the tool 4 is
Including the life of the tool 4, the number of times of use of the tool 4, and the wear rate of the tool 4,
The wear rate of the tool 4 is
It is calculated by dividing the life of the tool 4 by the number of times the tool 4 is used,
The degree of wear of the tool 4 is
X-axis wear, which is the wear degree in the horizontal direction of the tool 4, and z-axis wear, which is the wear degree in the opposite direction of the gravity of the tool 4,
The data processing unit 24 is
Identifies normal data among a plurality of sound data using OCC (One-class classification, unary classification), and processes abnormal data that is not normal data among the plurality of sound data as defective;
The normal data is
sound data belonging to a preset reference interval;
The edge controller 30 is
a pattern extractor 27 that displays a plurality of normal data over time as a graph, analyzes the graph, and extracts a predetermined reference pattern;
a correction unit 28 performing a correction operation by applying dynamic time warping in order to correct reference patterns whose shift states do not match among a plurality of reference patterns;
a signal conversion unit 31 that converts the plurality of sound data collected in real time by the data collection unit 22 from a discrete signal into a continuous signal using an interpolation method;
an abnormality determining unit 32 that determines whether or not the plurality of sound data converted by the signal converting unit 31 are abnormal; and
When an abnormality occurs, an alarm unit 33 that outputs an alarm sound so that a manager can be called; further includes,
The pattern extraction unit 27
Extracting an actual pattern from a plurality of sound data converted by the signal conversion unit 31;
The abnormal determination unit 32
The actual pattern is compared with a reference pattern, and when the actual pattern and the reference pattern do not match, a plurality of sound data for the actual pattern is determined as abnormal;
The controller 30 is
When a plurality of sound data is determined to be abnormal, the operation of the facility 1 is controlled to immediately stop, and the alarm unit 33 is controlled to emit an alarm sound,
The abnormal determination unit 30
determining noise data from the sound data collected by the data collection unit 22;
The abnormal determination unit 30
Dividing the sound data into noise data and real data other than the noise data, respectively;
The abnormal determination unit 30
When the average of the noise data is greater than the average of the real data, a first caution signal is generated;
The abnormal determination unit 30
Identify each reference increase/decrease section of sound data over time from the reference pattern;
The abnormal determination unit 30
Identify the actual increase/decrease intervals of the sound data over time from the actual pattern,
The abnormality determination unit 30 matches a plurality of reference increase/decrease intervals and actual increase/decrease intervals, respectively, and then generates a second caution signal when the matched reference increase/decrease intervals and actual increase/decrease intervals do not match a preset reference number or more,
The abnormal determination unit 30
Calculate the actual error of multiple sound data over time in the real pattern;
The abnormal determination unit 30
When the actual error is greater than or equal to a preset reference error, a warning signal is generated;
The abnormal determination unit 30
generating a danger signal when the sum of the squares of the actual errors is greater than or equal to the preset setting sum;
The abnormal determination unit 30
When checking the actual pattern, a serious signal is generated when sound data of a preset standard size or more occurs for a period of time longer than a preset standard time interval in a section outside the preset standard time interval,
The alarm unit 31 is
A first warning signal, a second warning signal, a warning signal, a danger signal, and a serious signal generated by the abnormal determination unit 30 are respectively expressed through alarm sounds;
The volume of the alarm sound expressed by the alarm unit 31 is
It is set in the order of serious signal, danger signal, warning signal, second caution signal, and first caution signal,
The noise data is
It is data irrespective of tool wear or abnormality,
The reference increase/decrease interval is
A reference increasing section in which sound data increases with time in the reference pattern; and
Including a reference reduction section in which sound data decreases with time in the reference pattern;
The actual increase/decrease interval is
An increasing section in which sound data increases with time in the actual pattern.
and a decreasing section in which the sound data decreases with time in the actual pattern;
If the matched reference increase/decrease interval and the actual increase/decrease interval do not match, the reference increase/decrease interval increases and the actual increase/decrease interval decreases,
Alternatively, when the reference increase/decrease interval decreases and the actual increase/decrease interval increases, or when the reference increase/decrease interval and the actual increase/decrease interval increase or decrease, respectively, the difference between the slope of the reference increase/decrease interval and the actual increase/decrease interval is greater than or equal to a preset reference difference,
The actual error is
A tool wear and breakage detection device for a machine tool, characterized in that the absolute value of the value obtained by subtracting the sound data extracted from the actual pattern from the average of the sound data calculated from the reference pattern. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete