KR20180048218A - Machine tool breakdown diagnosis system based on Machine Learning, and method thereof - Google Patents

Machine tool breakdown diagnosis system based on Machine Learning, and method thereof Download PDF

Info

Publication number
KR20180048218A
KR20180048218A KR1020160179402A KR20160179402A KR20180048218A KR 20180048218 A KR20180048218 A KR 20180048218A KR 1020160179402 A KR1020160179402 A KR 1020160179402A KR 20160179402 A KR20160179402 A KR 20160179402A KR 20180048218 A KR20180048218 A KR 20180048218A
Authority
KR
South Korea
Prior art keywords
machine tool
information
cloud server
learning
machine
Prior art date
Application number
KR1020160179402A
Other languages
Korean (ko)
Inventor
김문현
김경환
Original Assignee
현대위아 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대위아 주식회사 filed Critical 현대위아 주식회사
Publication of KR20180048218A publication Critical patent/KR20180048218A/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • 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
    • B23Q17/0952—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 during machining
    • B23Q17/0957—Detection of tool breakage
    • 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
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • 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
    • G06N3/0427—
    • 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
    • G06N99/005—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Disclosed are a system and a method to diagnose fault of a machine tool based on machine learning, acquiring periodic state and sensor information of each machine tool to store the information in a cloud server, and classifying a fault state through distance analysis among pieces of multidimensional information to reinforce a neural network using supervised learning, so as to diagnose a fault of a machine tool. According to the present invention, the system comprises: one or more machine tools; a machine tool diagnosis device acquiring periodic state and sensor information with respect to one or more machine tools to transmit the information to a central cloud server; and a server analyzing an operation state of each machine tool through frequency analysis, historical pattern analysis, and distance analysis among pieces of simple multidimensional information, determining a score through a learning neural network based on an analyzed signal, and selecting a score corresponding to the most suitable fault state. In case the score exceeds a set threshold, the server uses the supervised learning to update the neural network so as to diagnose the fault of the machine tool.

Description

기계학습 기반 공작기계 고장 진단 시스템 및 방법{Machine tool breakdown diagnosis system based on Machine Learning, and method thereof}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a machine tool breakdown diagnosis system,

본 발명은 기계학습 기반 공작기계 고장 진단 시스템 및 방법에 관한 것으로서, 더욱 자세하게는 개별 공작기계의 주기적인 상태 정보와 센서 정보를 취득해 클라우드 서버에 저장해 두고, 다차원 정보 간 거리분석을 통해 고장 상태를 분류하여 전문가 학습(Supervised Learning)을 이용한 신경망을 강화함으로써 공작기계의 고장을 진단할 수 있도록 하는, 기계학습 기반 공작기계 고장 진단 시스템 및 방법에 관한 것이다.More particularly, the present invention relates to a system and method for diagnosing machine tool failure based on machine learning, and more particularly, to a system and method for diagnosing machine tool failure based on machine learning that periodically acquires periodic status information and sensor information of individual machine tools and stores the information in a cloud server. And more particularly, to a system and method for diagnosing a machine-based machine tool failure, which enables diagnosis of a machine tool failure by reinforcing a neural network using supervised learning.

일반적으로 공작기계는 소재를 가공하여 원하는 형상을 만드는 기계이다. 이러한 공작기계는 전기 에너지를 동력원으로 사용하는 수많은 부품의 조립체이다. 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 produce a desired shape. Such machine tools are assemblies of numerous components that use electrical energy as a power source. The machine tool is composed of a rotary part that can move at a desired speed to accurately process the material and a transfer part that can be transported to the correct position.

이러한 구동계통뿐만 아니라, 공작기계를 구성하고 있는 주변 부품들 역시 전기에너지를 사용하여 동작을 한다. 전기에너지를 기계에너지의 형태로 변환하여 사용하는 이러한 부품들은 에너지를 변환하는 과정에 의해서 일정한 손실을 가질 수밖에 없다. 이러한 손실은 입력대비 출력의 형태인 효율로 나타낼 수 있다. 공작기계가 고장나거나 노후 되었을 때에는 일반적으로 손실이 많아져서 출력이 저하되는 현상이 나타날 수 있다.In addition to these drive systems, peripheral components that make up a machine tool also operate using electrical energy. These components, which convert electrical energy into mechanical energy form, are forced to have a certain loss by the process of energy conversion. This loss can be expressed as efficiency in the form of input versus output. When the machine tool breaks down or becomes old, the loss generally increases and the output may decrease.

공작기계의 구동부품의 속도와 위치는 수치제어(NC: Numerical Control) 코드의 지령대로 동작하는 방식으로 결정된다. 이때, 출력은 고정되고 입력이 가변적인 형태이다. The speed and position of the driven parts of the machine tool are determined in a manner that operates according to the instructions of the numerical control (NC) code. At this time, the output is fixed and the input is variable.

특히, 스핀들 모터와 같은 부품은 지령된 속도에 도달하기까지 많은 전기에너지를 소비한다. 공작기계는 그와 관련된 계통이 단순 고장이 아닌 기계의 마모나 노후화가 진행된 상태이면 동일한 운동을 하기 위해서는 더 많은 에너지를 사용할 수밖에 없다. 종래의 Particularly, parts such as spindle motors consume a lot of electrical energy until reaching the commanded speed. The machine tool is forced to use more energy in order to perform the same exercise if the related system is not a simple failure but the machine is worn or aged. Conventional

단순히 전력량을 누적하여 측정하는 방법과 상평형 검사 등의 단순한 전기적 검사로는 구동계통의 마모나 노후화로 인한 고장 현상을 파악할 수 없다.It is impossible to grasp the fault phenomenon caused by wear and aging of the drive system simply by accumulating electric power and by simple electrical inspection such as phase balance inspection.

한국 공개특허공보 제10-2015-0089722호(공개일 : 2015년08월05일)Korean Patent Publication No. 10-2015-0089722 (published on Aug. 05, 2015)

전술한 문제점을 해결하기 위한 본 발명의 목적은, 공작기계를 사용하는 사업분야에서, 공작기계의 이상 상태를 실시간으로 장비 기종별, 지역별, 시간별, 사용별에 따른 진단 결과를 경향까지 고려해 판단함으로써 보다 정확한 진단을 할 수 있으며, 이에 다른 서비스 수리기간, 비용을 절약할 수 있으며, 장비 상태(기종, 지역, 시간, 사용 등)의 경향을 기계학습을 통해 미리 판단함으로써, 고장이 나기 전에 서비스를 할 수 있어 고객 만족도를 향상시킬 수 있도록 하는, 기계학습 기반 공작기계 고장 진단 시스템 및 방법을 제공함에 있다.It is an object of the present invention to solve the above-mentioned problems and to provide an apparatus and a method for evaluating an abnormality of a machine tool in a business field using a machine tool in consideration of the tendency of a diagnosis result according to equipment type, region, It is possible to diagnose more accurately and save other service repair period and cost, and by pre-judging the trend of machine condition (machine type, area, time, use, etc.) through machine learning, And to provide a system and method for diagnosing machine tool failure based on machine learning, which can improve customer satisfaction.

전술한 목적을 달성하기 위한 본 발명에 따른 공작기계 진단 장치는, 동작할 공작 기계를 설정하고, 설정된 공작 기계를 이송축 또는 회전축에 대해 구동시키는 공작기계 구동부; 상기 공작 기계의 소비전력을 측정 시간의 변화 추이에 따라 측정하는 소비전력 측정부; 상기 측정된 소비전력과 정상 소비전력 패턴을 비교하거나, 상기 측정된 소비전력에 대한 신호 파형이 이상 파형에 해당되는지를 확인하여 정상 동작 또는 이상 동작인지를 판단하고, 이상 동작으로 판단되는 경우에 전력 계층도의 이상 동작 여부를 고장 계통별로 분석하는 소비전력 분석부; 및 상기 측정된 소비전력 및 상기 판단된 정상 동작 또는 이상 동작에 대한 고장 진단 결과를 출력하는 출력부를 포함할 수 있다.According to an aspect of the present invention, there is provided a machine tool diagnostic apparatus comprising: a machine tool driving unit for setting a machine tool to be operated and driving the set machine tool to a transfer shaft or a rotary shaft; A power consumption measuring unit for measuring the power consumption of the machine tool according to a change in measurement time; And judges whether the signal waveform of the measured power consumption corresponds to the abnormal waveform to determine whether it is a normal operation or an abnormal operation, A power consumption analyzing unit for analyzing abnormal operation of the hierarchical level by fault system; And an output unit for outputting the measured power consumption and the diagnostic result of the determined normal operation or abnormal operation.

또한, 상기 이송축과 상기 회전축에 대한 정보와, 상기 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수집하는 정보수집 모듈부; 및 상기 수집된 정보를 무선 또는 유선의 통신망을 통해 상기 중앙 클라우드 서버에 전송하는 정보전송 모듈부를 더 포함할 수 있다.The information collection module may collect information on the transport axis and the rotation axis, and information on the temperature, pressure, humidity, tilt, and position of the surroundings of the machine tool. And an information transmission module for transmitting the collected information to the central cloud server through a wireless or wired communication network.

한편, 전술한 목적을 달성하기 위한 본 발명에 따른 중앙 클라우드 서버는, 공작기계 진단장치로부터 하나 이상의 공작기계에 대한 수집 정보를 수신하는 중앙 클라우드 서버로서, 하나 이상의 공작기계에 대해 상기 공작기계 진단장치로부터 수신한 수집 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 저장하고 있는 수집정보 데이터베이스; 상기 장비별, 지역별, 시간별로 구분된 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석하는 패턴분석 모듈부; 상기 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화하는 패턴학습 모듈부; 상기 공작기계 진단장치로부터 새로운 정보를 수신한 경우에, 새로운 정보를 상기 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단하는 판단 모듈부; 및 상기 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에 전문가 진단 결과를 수신해 재학습하여 기계 학습을 강화하는 학습강화 모듈부를 포함할 수 있다.According to another aspect of the present invention, there is provided a central cloud server for collecting information about at least one machine tool from a machine tool diagnostic apparatus, the central cloud server comprising: A collection information database for storing the collection information received from the plurality of devices, the plurality of devices, and the time; A pattern analysis module for analyzing patterns by performing frequency analysis, histogram analysis, and distance analysis in order to learn collected information classified by equipment, region, and time; A pattern learning module for grouping the patterned information into an abnormal state and a normal state through machine learning; A judgment module for comparing the new information with the abnormal state and the group of the normal state and calculating a similarity score when the new information is received from the machine tool diagnosing apparatus and judging the diagnosis result using the similarity score; And a learning enhancement module unit for receiving and re-learning an expert diagnosis result when the similarity score for the new information exceeds a threshold, thereby enhancing machine learning.

그리고, 상기 판단 모듈부에서 판단한 진단 결과를 사용자 단말기에 전송 출력하거나, 상기 전문가 진단 결과를 수신하여 화면으로 출력하거나, 상기 진단 결과의 재학습에 필요한 패턴 분석 화면 및 재학습 입력 화면을 제공하는 출력 모듈부를 더 포함할 수 있다.An output for outputting the diagnostic result determined by the determination module unit to the user terminal, receiving the expert diagnosis result and outputting the result to the screen, or providing a pattern analysis screen and re-learning input screen necessary for re- And may further include a module section.

한편, 전술한 목적을 달성하기 위한 본 발명에 따른 중앙 클라우드 서버의 공작기계 고장 진단 방법은, (a) 중앙 클라우드 서버가 공작기계 진단장치로부터 하나 이상의 공작기계에 대한 상태 정보와 센서 정보를 수신하는 단계; (b) 중앙 클라우드 서버가 상기 상태 정보와 센서 정보를 바탕으로, 주파수 분석과, 히스토리컬 패턴(historical Pattern) 분석, 단순 다차원 정보 간 거리분석을 통해 개별 공작기계들의 동작 상태를 분석하는 단계; (c) 중앙 클라우드 서버가 상기 분석된 정보를 학습 신경망을 통해 학습하여 유사도 점수(Score)를 결정하고, 이에 근거해 공작기계의 고장을 판단하는 단계; 및 (d) 중앙 클라우드 서버가 상기 결정된 유사도 점수가 임계(Threshold) 값을 초과하는 경우에 전문가 학습(Supervised Learning)을 이용해 신경망을 업데이트하는 단계를 포함할 수 있다.According to another aspect of the present invention, there is provided a method of diagnosing a machine tool failure in a central cloud server, the method comprising the steps of: (a) receiving, from a machine tool diagnosing apparatus, status information and sensor information of one or more machine tools, step; (b) analyzing an operation state of the individual machine tools through a frequency analysis, a historical pattern analysis, and a simple multidimensional information distance analysis based on the state information and the sensor information of the central cloud server; (c) determining, by the central cloud server, the analyzed information through the learning neural network to determine a similarity score, and determining a failure of the machine tool based on the score; And (d) updating the neural network using Supervised Learning if the central cloud server exceeds the determined threshold value of similarity score.

또한, 상기 (a) 단계에서 상기 중앙 클라우드 서버는, 상기 공작기계 진단장치로부터 이송축과 회전축에 대한 정보와, 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수신할 수 있다.In addition, in the step (a), the central cloud server may receive information about a transport axis and a rotation axis from the machine tool diagnostic apparatus and information on the temperature, pressure, humidity, tilt and position of the surroundings of the machine tool .

또한, 상기 (b) 단계에서 상기 중앙 클라우드 서버는, 상기 하나 이상의 공작기계에 대해 상기 공작기계 진단장치로부터 수신한 상기 수집된 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 수집정보 데이터베이스에 저장하고, 패턴분석 모듈부가 상기 장비별, 지역별, 시간별로 구분된 상기 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석하며, 상기 (c) 단계에서 패턴학습 모듈부가 상기 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화하며, 판단 모듈부가 상기 공작기계 진단장치로부터 새로운 정보를 수신한 경우에, 새로운 정보를 상기 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단하며, 상기 (d) 단계에서 학습강화 모듈부가 상기 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에 전문가 진단 결과를 수신해 재학습하여 기계 학습을 강화할 수 있다.In the step (b), the central cloud server divides the collected information received from the machine tool diagnosing apparatus for the at least one machine tool by a plurality of regions, a plurality of equipment, and a time, And analyzes the patterns by performing frequency analysis, histogram analysis, and distance analysis in order to learn the collection information classified by the equipment, region, and time by the pattern analysis module. In step (c) Wherein the pattern information is grouped into an abnormal state and a normal state through machine learning, and when the determination module receives new information from the machine tool diagnostic apparatus, comparing the new information with the abnormal state and the normal state group The degree of similarity score is calculated, the diagnosis result is determined using the similarity score, and in the step (d) Additional modules can strengthen the similarity score for the new information to enhance the learning machine to relearn to receive a professional diagnosis results in the case of exceeding the threshold.

본 발명의 다른 양상들, 장점들 및 특징들은 다음의 섹션들: 도면의 간단한 설명, 상세한 설명 및 청구범위를 포함하는 전체 출원 명세서에 기재된 내용에 기초하여 보다 명백해질 것이다.Other aspects, advantages and features of the present invention will become more apparent on the basis of the following description in the entire specification, including the following sections: Brief Description of the Drawings, Detailed Description, and Claims.

본 발명에 의하면, 공작기계를 사용하는 사업분야에서, 공작기계의 이상 상태를 실시간으로 장비 기종별, 지역별, 시간별, 사용별에 따른 진단 결과를 경향까지 고려해 판단함으로써 보다 정확한 진단을 할 수 있으며, 이에 다른 서비스 수리기간, 비용을 절약할 수 있다. According to the present invention, in a business field using a machine tool, it is possible to make a more accurate diagnosis by judging the abnormality status of the machine tool in real time considering the tendency of the diagnosis results according to the machine type, region, Therefore, other service repair period, cost can be saved.

또한, 공작기계의 고장 상태를 정확히 파악해, 수리기간, 비용을 절약할 수 있으며, 고장의 상태를 파악해 Before 서비스를 진행해 고객의 만족도를 향상시킬 수 있다.In addition, it is possible to accurately grasp the failure state of the machine tool, to save repair period and cost, and to grasp the state of failure and to improve the satisfaction of the customer by carrying out before service.

그리고, 장비 상태(기종, 지역, 시간, 사용 등)의 경향을 기계학습을 통해 미리 판담함으로써, 고장이 나기 전에 서비스를 할 수 있어 고객 만족도를 향상 시킬 수 있다.In addition, by preliminarily teaching the machine condition (machine type, area, time, use, etc.) through machine learning, it is possible to perform service before a malfunction and improve customer satisfaction.

도 1은 본 발명의 실시예에 따른 공작기계 고장 진단 시스템의 전체적인 구성을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 공작기계 진단장치의 내부 구성을 개략적으로 나타낸 구성도이다.
도 3은 본 발명의 실시예에 따른 중앙 클라우드 서버의 내부 구성을 개략적으로 나타낸 구성도이다.
도 4는 본 발명의 실시예에 따른 공작기계 고장 진단 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.1 is a block diagram schematically showing the overall configuration of a machine tool failure diagnosis system according to an embodiment of the present invention.
2 is a block diagram schematically showing an internal configuration of a machine tool diagnostic apparatus according to an embodiment of the present invention.
3 is a block diagram schematically illustrating an internal configuration of a central cloud server according to an embodiment of the present invention.
4 is a flowchart illustrating a method of diagnosing a machine tool failure according to an embodiment of the present invention.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings, which will be readily apparent to those skilled in the art to which the present invention pertains. The present invention may be embodied in many different forms and is not limited to the embodiments described herein.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly illustrate the present invention, parts not related to the description are omitted, and the same or similar components are denoted by the same reference numerals throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우 뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is referred to as being "connected" to another part, it includes not only "directly connected" but also "electrically connected" with another part in between . Also, when an element is referred to as "comprising ", it means that it can include other elements as well, without departing from the other elements unless specifically stated otherwise.

어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.If any part is referred to as being "on" another part, it may be directly on the other part or may be accompanied by another part therebetween. In contrast, when a section is referred to as being "directly above" another section, no other section is involved.

제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.The terms first, second and third, etc. are used to describe various portions, components, regions, layers and / or sections, but are not limited thereto. These terms are only used to distinguish any moiety, element, region, layer or section from another moiety, moiety, region, layer or section. Thus, a first portion, component, region, layer or section described below may be referred to as a second portion, component, region, layer or section without departing from the scope of the present invention.

여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to limit the invention. The singular forms as used herein include plural forms as long as the phrases do not expressly express the opposite meaning thereto. Means that a particular feature, region, integer, step, operation, element and / or component is specified and that the presence or absence of other features, regions, integers, steps, operations, elements, and / It does not exclude addition.

"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90˚ 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.Terms indicating relative space such as "below "," above ", and the like may be used to more easily describe the relationship to other portions of a portion shown in the figures. These terms are intended to include other meanings or acts of the apparatus in use, as well as intended meanings in the drawings. For example, when inverting a device in the figures, certain portions that are described as being "below" other portions are described as being "above " other portions. Thus, an exemplary term "below" includes both up and down directions. The device can be rotated by 90 degrees or rotated at different angles, and terms indicating relative space are interpreted accordingly.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms including technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Commonly used predefined terms are further interpreted as having a meaning consistent with the relevant technical literature and the present disclosure, and are not to be construed as ideal or very formal meanings unless defined otherwise.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein.

도 1은 본 발명의 실시예에 따른 공작기계 고장 진단 시스템의 전체적인 구성을 개략적으로 나타낸 구성도이다.1 is a block diagram schematically showing the overall configuration of a machine tool failure diagnosis system according to an embodiment of the present invention.

도 1을 참조하면, 본 발명에 따른 공작기계 고장 진단 시스템(100)은, 하나 이상의 공작 기계(110~114); 하나 이상의 공작기계에 대해 주기적으로 상태 정보와 센서 정보를 획득해 중앙 클라우드 서버(130)에 전송하는 공작기계 진단장치(120); 및 상태 정보와 센서 정보를 바탕으로, 주파수 분석과, 히스토리컬 패턴(historical Pattern) 분석, 단순 다차원 정보 간 거리분석을 통해 개별 공작기계들의 동작 상태를 분석하고, 분석된 신호를 학습 신경망을 통해 점수(Score)를 결정하며, 가장 적합한 고장 상태에 해당하는 점수를 선택해, 정해진 임계(Threshold) 값을 초과하는 경우에 전문가 학습(Supervised Learning)을 이용해 신경망을 강화하여, 공작기계의 고장을 진단하는 중앙 클라우드 서버(130)를 포함한다.Referring to FIG. 1, a machine tool failure diagnosis system 100 according to the present invention includes at least one machine tool 110 to 114; A machine tool diagnostic apparatus 120 that periodically acquires status information and sensor information for one or more machine tools and transmits the status information and sensor information to the central cloud server 130; Based on the state information and the sensor information, the operation state of the individual machine tools is analyzed through frequency analysis, historical pattern analysis, and simple multi-dimensional information distance analysis. (Score), selects the score corresponding to the most suitable fault condition, and enhances the neural network by using supervised learning when a predetermined threshold value is exceeded, And a cloud server 130.

여기서, 공작기계 진단장치(120)는 진단 신호를 취득할 때, 개별 공작기계의 특성 정보를 취득하기 위해 주기적인 NC의 상태 정보와 센서(Sensor) 정보를 임베디드(Embedded) 장치, DAQ 보드를 통해 취득할 수 있다.In order to acquire the characteristic information of the individual machine tool, the machine tool diagnostic apparatus 120 periodically acquires NC status information and sensor information through an embedded device, a DAQ board, .

또한, 공작기계 진단장치(120)는 공작기계의 기종, 위치 기반의 판단을 위해 인터넷에 연결된 모든 공작기계의 취득된 신호를 중앙 클라우드 서버(130)에 전송해 누적한다.In addition, the machine tool diagnostic apparatus 120 transmits signals acquired from all machine tools connected to the Internet to the central cloud server 130 for accumulation and accumulation in order to determine the machine type and location based on the machine tool.

중앙 클라우드 서버(130)는 하나 이상 다수의 공작기계 진단장치(120)로부터 수신한 많은 양의 정보를 분석하기 위해 주파수 분석, historical Pattern 분석, 단순 다차원 정보간 거리 분석을 통해 신호를 단순화 한다.The central cloud server 130 simplifies the signal through frequency analysis, historical pattern analysis, and simple multi-dimensional information distance analysis to analyze a large amount of information received from one or more machine tool diagnostics devices 120.

이어, 중앙 클라우드 서버(130)는 분석된 신호를 학습된 신경망(Neural Network)을 통해 유사도 점수(Score)를 결정하고, 가장 적합한 분류(고장상태)를 선택한다.Then, the central cloud server 130 determines a similarity score (Score) through the learned neural network (Neural Network) and selects the most appropriate classification (failure state).

또한, 중앙 클라우드 서버(130)는 분류별 점수(Score)가 정해진 임계값(Threshold)을 초과할 때는 전문가 학습(Supervised Learning)을 이용해 신경망을 강화한다.In addition, the central cloud server 130 enhances the neural network by using supervised learning when the score of the classification exceeds a predetermined threshold value.

그리고, 중앙 클라우드 서버(130)는 새로운 정보가 들어오면 전술한 과정을 통해 정보의 진단 결과를 출력하는 것이다.When new information is received, the central cloud server 130 outputs the diagnostic result of the information through the process described above.

도 2는 본 발명의 실시예에 따른 공작기계 진단장치의 내부 구성을 개략적으로 나타낸 구성도이다.2 is a block diagram schematically showing an internal configuration of a machine tool diagnostic apparatus according to an embodiment of the present invention.

도 2를 참조하면, 본 발명에 따른 공작기계 진단장치(120)는, 공작기계 구동부(210), 소비전력 측정부(220), 소비전력 분석부(230), 정보수집 모듈부(240), 제어부(250), 정보전송 모듈부(260) 및 출력부(270)를 포함한다.2, a machine tool diagnosis apparatus 120 according to the present invention includes a machine tool driving unit 210, a power consumption measuring unit 220, a power consumption analyzing unit 230, an information collecting module 240, A control unit 250, an information transmission module unit 260, and an output unit 270.

공작기계 구동부(210)는 사용자의 선택에 따라 동작할 공작 기계를 설정하고, 설정된 공작 기계를 이송축 또는 회전축에 대해 구동시킨다.The machine tool driving unit 210 sets a machine tool to be operated according to a user's selection and drives the set machine tool with respect to a feed shaft or a rotation shaft.

소비전력 측정부(220)는 공작 기계의 소비전력을 측정 시간의 변화 추이에 따라 측정한다.The power consumption measuring unit 220 measures the power consumption of the machine tool in accordance with the change in the measurement time.

소비전력 분석부(230)는 측정된 소비전력과 정상 소비전력 패턴을 비교하거나, 측정된 소비전력에 대한 신호 파형이 이상 파형에 해당되는지를 확인하여 정상 동작 또는 이상 동작인지를 판단하고, 이상 동작으로 판단되는 경우에 전력 계층도의 이상 동작 여부를 고장 계통별로 분석한다.The power consumption analyzing unit 230 compares the measured power consumption with the normal power consumption pattern or determines whether the signal waveform for the measured power consumption corresponds to the abnormal waveform to determine whether the operation is normal operation or abnormal operation, , It is analyzed whether or not the abnormal operation of the power hierarchy diagram is performed for each failure system.

정보수집 모듈부(240)는 이송축과 회전축에 대한 정보와, 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수집한다. 이때, 정보수집 모듈부(240)는 공작기계 주변에 설치된 각종 센서를 통해 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수집한다.The information collection module 240 collects information on the transport axis and the rotation axis, and information on the temperature, pressure, humidity, tilt, and position of the surroundings of the machine tool. At this time, the information collecting module 240 collects information on the ambient temperature, pressure, humidity, tilt and position of the machine tool through various sensors installed around the machine tool.

제어부(250)는 공작 기계의 동작을 제어하고, 측정된 소비전력에 따라 공작기계의 정상 동작이나 이상 동작을 판단하며, 수집된 정보를 중앙 클라우드 서버(130)에 전송하도록 제어한다.The control unit 250 controls the operation of the machine tool, determines normal operation or abnormal operation of the machine tool according to the measured power consumption, and controls the collected information to be transmitted to the central cloud server 130.

정보전송 모듈부(260)는 수집된 정보를 제어부(250)의 제어에 따라 무선 또는 유선의 통신망을 통해 중앙 클라우드 서버(130)에 전송한다.The information transmission module 260 transmits the collected information to the central cloud server 130 through a wireless or wired communication network under the control of the controller 250. [

출력부(270)는 측정된 소비전력 및 판단된 정상 동작 또는 이상 동작에 대한 고장 진단 결과를 출력한다.The output unit 270 outputs the measured power consumption and the diagnosis result of the normal operation or the abnormal operation that has been determined.

도 3은 본 발명의 실시예에 따른 중앙 클라우드 서버의 내부 구성을 개략적으로 나타낸 구성도이다.3 is a block diagram schematically illustrating an internal configuration of a central cloud server according to an embodiment of the present invention.

도 3을 참조하면, 본 발명에 따른 중앙 클라우드 서버(130)는 수집정보 데이터베이스(310), 패턴분석 모듈부(320), 패턴학습 모듈부(330), 판단 모듈부(340), 학습강화 모듈부(350) 및 출력 모듈부(360)를 포함한다.3, the central cloud server 130 includes a collection information database 310, a pattern analysis module 320, a pattern learning module 330, a determination module 340, Unit 350 and an output module unit 360. The output module unit 360 includes an input /

수집정보 데이터베이스(310)는 하나 이상의 공작기계에 대해 공작기계 진단장치(120)로부터 수신한 상기 수집 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 저장하고 있다.The collection information database 310 stores the collection information received from the machine tool diagnostic apparatus 120 for one or more machine tools by a plurality of regions, a plurality of equipment, and a time.

패턴분석 모듈부(320)는 장비별, 지역별, 시간별로 구분된 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석한다.The pattern analysis module 320 analyzes patterns by performing frequency analysis, histogram analysis, and distance analysis to learn collection information classified by equipment, region, and time.

패턴학습 모듈부(330)는 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화한다.The pattern learning module 330 groups the patterned information into an abnormal state and a normal state through machine learning.

판단 모듈부(340)는 공작기계 진단장치로부터 새로운 정보를 수신한 경우에, 새로운 정보를 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단한다.When the new information is received from the machine tool diagnostic apparatus, the determination module 340 compares the new information with the abnormal state and the normal state group to calculate the similarity score, and determines the diagnostic result using the similarity score.

학습강화 모듈부(350)는 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에 전문가 진단 결과를 수신해 재학습하여 기계 학습을 강화한다.The learning enhancement module unit 350 receives and re-learns the expert diagnosis result when the similarity score for new information exceeds the threshold, thereby enhancing the machine learning.

출력 모듈부(360)는 판단 모듈부에서 판단한 진단 결과를 사용자 단말기에 전송 출력하거나, 각 전문가 단말기로부터 전문가 진단 결과를 수신하여 화면으로 출력하거나, 진단 결과의 재학습에 필요한 패턴 분석 화면 및 재학습 입력 화면을 제공할 수 있다.The output module 360 outputs the diagnosis result determined by the determination module to the user terminal, or receives the expert diagnosis result from each expert terminal and outputs the result to the screen. Alternatively, the output module 360 outputs a pattern analysis screen and re- An input screen can be provided.

도 4는 본 발명의 실시예에 따른 공작기계 고장 진단 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.4 is a flowchart illustrating a method of diagnosing a machine tool failure according to an embodiment of the present invention.

도 4를 참조하면, 본 발명에 따른 공작기계 고장 진단 장치(100)는, 공작기계 진단장치(120)가 하나 이상의 공작기계에 대해 상태 정보와 센서 정보를 획득한다(S410).Referring to FIG. 4, in the machine tool failure diagnosis apparatus 100, the machine tool diagnosis apparatus 120 obtains status information and sensor information for one or more machine tools (S410).

여기서, 공작기계 진단장치(120)는, 정보수집 모듈부(240)가 공작 기계에 설치되거나 또는 그 주변에 설치된 각종 센서를 통해 이송축과 회전축에 대한 정보와, 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 획득하는 것이다.Here, the machine tool diagnosing apparatus 120 may be configured such that the information collecting module unit 240 collects information about the feed shaft and the rotary shaft through various sensors installed in or around the machine tool, Pressure, humidity, slope, and location.

이어, 공작기계 진단장치(120)는 획득한 정보를 중앙 클라우드 서버(130)에 전송한다(S420).Then, the machine tool diagnostic apparatus 120 transmits the acquired information to the central cloud server 130 (S420).

여기서, 공작기계 진단장치(120)는, 정보전송 모듈부(260)가 상기 획득된 정보를 무선 또는 유선의 통신망을 통해 중앙 클라우드 서버(130)에 전송할 수 있다.Here, the machine tool diagnosing apparatus 120 may transmit the obtained information to the central cloud server 130 through a wireless or wired communication network.

이어, 중앙 클라우드 서버(130)는 상태 정보와 센서 정보를 바탕으로, 주파수 분석과, 히스토리컬 패턴(historical Pattern) 분석, 단순 다차원 정보 간 거리분석을 통해 개별 공작기계들의 동작 상태를 분석한다(S430).Then, the central cloud server 130 analyzes the operation states of the individual machine tools through frequency analysis, historical pattern analysis, and simple multi-dimensional information distance analysis based on the state information and the sensor information (S430 ).

여기서, 중앙 클라우드 서버(130)는, 하나 이상의 공작기계에 대해 공작기계 진단장치(120)로부터 수신한 상기 수집 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 수집정보 데이터베이스(310)에 저장한다.Here, the central cloud server 130 divides the collected information received from the machine tool diagnostic apparatus 120 into a plurality of regions, a plurality of equipment, and a time for one or more machine tools, .

이때, 패턴분석 모듈부(320)는 수집정보 DB(310)에 저장된 장비별, 지역별, 시간별로 구분된 상기 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석하는 것이다.At this time, the pattern analysis module 320 analyzes the patterns by performing frequency analysis, histogram analysis, and distance analysis to learn the collected information classified by equipment, region, and time stored in the collection information DB 310 .

이어, 중앙 클라우드 서버(130)는 상기 분석된 정보를 학습 신경망을 통해 학습하여 유사도 점수(Score)를 결정하고, 이에 근거해 공작기계의 고장을 판단한다(S440).Then, the central cloud server 130 determines the similarity score (Score) by learning the analyzed information through the learning neural network, and determines the failure of the machine tool based on the score (S440).

여기서, 중앙 클라우드 서버(130)는, 패턴학습 모듈부(330)가 상기 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화하고, 판단 모듈부(340)가 공작기계 진단장치(120)로부터 새로운 정보를 수신한 경우에, 새로운 정보를 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단하는 것이다.In this case, the central cloud server 130 groups the patterned information into an abnormal state and a normal state through the machine learning, and the determination module 340 controls the machine tool diagnostic apparatus 120 The new information is compared with the abnormal state and the group in the normal state to calculate the similarity score and the diagnosis result is determined using the similarity score.

이어, 중앙 클라우드 서버(130)는 상기 결정된 유사도 점수가 임계(Threshold) 값을 초과하는 경우에, 전문가 학습(Supervised Learning)을 이용해 신경망을 업데이트한다(S450).If the determined similarity score exceeds the threshold value, the central cloud server 130 updates the neural network using the supervised learning (S450).

이때, 중앙 클라우드 서버(130)는, 학습강화 모듈부(350)가 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에, 각 전문가 단말기로부터 전문가 진단 결과를 수신해 재학습하여 학습 신경망의 기계 학습을 강화할 수 있다.At this time, when the learning enhancing module unit 350 receives the expert diagnosis result from each expert terminal and re-learns the learning result, the central cloud server 130 re- .

전술한 바와 같이 본 발명에 의하면, 개별 공작기계의 주기적인 상태 정보와 센서 정보를 취득해 클라우드 서버에 저장해 두고, 다차원 정보 간 거리분석을 통해 고장 상태를 분류하여 전문가 학습(Supervised Learning)을 이용한 신경망을 강화함으로써 공작기계의 고장을 진단할 수 있도록 하는, 기계학습 기반 공작기계 고장 진단 시스템 및 방법을 실현할 수 있다.As described above, according to the present invention, periodic state information and sensor information of individual machine tools are acquired and stored in a cloud server, and the fault state is classified through the analysis of the distance between the multi-dimensional information, Based machine tool failure diagnosis system and method capable of diagnosing a failure of a machine tool by enhancing the machine learning-based machine tool failure diagnosis system and method.

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the present invention as defined by the following claims and their equivalents. Only. It is intended that the present invention covers the modifications and variations of this invention provided they come within the scope of the appended claims and their equivalents. .

100 : 공작기계 고장 진단 시스템 110 : 공작 기계
120 : 공작기계 진단장치 130 : 중앙 클라우드 서버
210 : 공작기계 구동부 220 : 소비전력 측정부
230 : 소비전력 분석부 240 : 정보수집 모듈부
250 : 제어부 260 : 정보전송 모듈부
270 : 출력부 310 : 수집정보 데이터베이스
320 : 패턴분석 모듈부 330 : 패턴학습 모듈부
340 : 판단 모듈부 350 : 학습강화 모듈부
360 : 출력 모듈부100: Machine tool failure diagnosis system 110: Machine tool
120: Machine tool diagnosis device 130: Central cloud server
210: machine tool driving part 220: power consumption measuring part
230: power consumption analysis unit 240: information collection module unit
250: control unit 260: information transmission module unit
270: output unit 310: collection information database
320: pattern analysis module unit 330: pattern learning module unit
340: Judgment module part 350: Learning enhancement module part
360: output module section

Claims (7)

동작할 공작 기계를 설정하고, 설정된 공작 기계를 이송축 또는 회전축에 대해 구동시키는 공작기계 구동부;
상기 공작 기계의 소비전력을 측정 시간의 변화 추이에 따라 측정하는 소비전력 측정부;
상기 측정된 소비전력과 정상 소비전력 패턴을 비교하거나, 상기 측정된 소비전력에 대한 신호 파형이 이상 파형에 해당되는지를 확인하여 정상 동작 또는 이상 동작인지를 판단하고, 이상 동작으로 판단되는 경우에 전력 계층도의 이상 동작 여부를 고장 계통별로 분석하는 소비전력 분석부; 및
상기 측정된 소비전력 및 상기 판단된 정상 동작 또는 이상 동작에 대한 고장 진단 결과를 출력하는 출력부;
를 포함하는 공작기계 진단 장치.
A machine tool driving unit for setting a machine tool to be operated and driving the set machine tool with respect to a feed shaft or a rotary shaft;
A power consumption measuring unit for measuring the power consumption of the machine tool according to a change in measurement time;
And judges whether the signal waveform of the measured power consumption corresponds to the abnormal waveform to determine whether it is a normal operation or an abnormal operation, A power consumption analyzing unit for analyzing abnormal operation of the hierarchical level by fault system; And
An output unit for outputting the measured power consumption and a fault diagnosis result for the determined normal operation or abnormal operation;
And the machine tool diagnostic apparatus.
제 1 항에 있어서,
상기 이송축과 상기 회전축에 대한 정보와, 상기 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수집하는 정보수집 모듈부; 및
상기 수집된 정보를 무선 또는 유선의 통신망을 통해 상기 중앙 클라우드 서버에 전송하는 정보전송 모듈부;
를 더 포함하는, 공작기계 진단 장치.
The method according to claim 1,
An information collecting module for collecting information on the transporting shaft and the rotating shaft and information on the temperature, pressure, humidity, tilt and position of the surroundings of the machine tool; And
An information transmission module for transmitting the collected information to the central cloud server through a wireless or wired communication network;
The machine tool diagnostic apparatus further comprising:
공작기계 진단장치로부터 하나 이상의 공작기계에 대한 수집 정보를 수신하는 중앙 클라우드 서버로서,
하나 이상의 공작기계에 대해 상기 공작기계 진단장치로부터 수신한 수집 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 저장하고 있는 수집정보 데이터베이스;
상기 장비별, 지역별, 시간별로 구분된 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석하는 패턴분석 모듈부;
상기 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화하는 패턴학습 모듈부;
상기 공작기계 진단장치로부터 새로운 정보를 수신한 경우에, 새로운 정보를 상기 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단하는 판단 모듈부; 및
상기 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에 전문가 진단 결과를 수신해 재학습하여 기계 학습을 강화하는 학습강화 모듈부;
를 포함하는, 중앙 클라우드 서버.
A central cloud server for receiving collection information for one or more machine tools from a machine tool diagnostic device,
A collection information database for storing collection information received from the machine tool diagnostic device for at least one machine tool by a plurality of regions, a plurality of machines, and a time;
A pattern analysis module for analyzing patterns by performing frequency analysis, histogram analysis, and distance analysis in order to learn collected information classified by equipment, region, and time;
A pattern learning module for grouping the patterned information into an abnormal state and a normal state through machine learning;
A judgment module for comparing the new information with the abnormal state and the group of the normal state and calculating a similarity score when the new information is received from the machine tool diagnosing apparatus and judging the diagnosis result using the similarity score; And
A learning enhancement module for receiving and re-learning an expert diagnosis result when the similarity score for the new information exceeds a threshold, thereby enhancing machine learning;
A central cloud server.
제 3 항에 있어서,
상기 판단 모듈부에서 판단한 진단 결과를 사용자 단말기에 전송 출력하거나, 상기 전문가 진단 결과를 수신하여 화면으로 출력하거나, 상기 진단 결과의 재학습에 필요한 패턴 분석 화면 및 재학습 입력 화면을 제공하는 출력 모듈부;
를 더 포함하는, 중앙 클라우드 서버.
The method of claim 3,
An output module unit for outputting the diagnostic result determined by the determination module unit to the user terminal, receiving the expert diagnosis result and outputting the result to the screen, or providing a pattern analysis screen and re-learning input screen necessary for re- ;
And a central cloud server.
(a) 중앙 클라우드 서버가 공작기계 진단장치로부터 하나 이상의 공작기계에 대한 상태 정보와 센서 정보를 수신하는 단계;
(b) 중앙 클라우드 서버가 상기 상태 정보와 센서 정보를 바탕으로, 주파수 분석과, 히스토리컬 패턴(historical Pattern) 분석, 단순 다차원 정보 간 거리분석을 통해 개별 공작기계들의 동작 상태를 분석하는 단계;
(c) 중앙 클라우드 서버가 상기 분석된 정보를 학습 신경망을 통해 학습하여 유사도 점수(Score)를 결정하고, 이에 근거해 공작기계의 고장을 판단하는 단계;
(d) 중앙 클라우드 서버가 상기 결정된 유사도 점수가 임계(Threshold) 값을 초과하는 경우에 전문가 학습(Supervised Learning)을 이용해 신경망을 업데이트하는 단계;
를 포함하는 중앙 클라우드 서버의 공작기계 고장 진단 방법.
(a) the central cloud server receiving status information and sensor information for one or more machine tools from a machine tool diagnostic device;
(b) analyzing an operation state of the individual machine tools through a frequency analysis, a historical pattern analysis, and a simple multidimensional information distance analysis based on the state information and the sensor information of the central cloud server;
(c) determining, by the central cloud server, the analyzed information through the learning neural network to determine a similarity score, and determining a failure of the machine tool based on the score;
(d) updating the neural network using Supervised Learning if the central cloud server exceeds the determined threshold value of similarity score;
A method for diagnosing a machine tool failure of a central cloud server,
제 5 항에 있어서,
상기 (a) 단계에서 상기 중앙 클라우드 서버는, 상기 공작기계 진단장치로부터 이송축과 회전축에 대한 정보와, 공작 기계에 대한 주변의 온도, 압력, 습도, 기울기 및 위치에 대한 정보를 수신하는, 중앙 클라우드 서버의 공작기계 고장 진단 방법.
6. The method of claim 5,
In the step (a), the central cloud server may receive information about a transfer axis and a rotation axis from the machine tool diagnostic apparatus, information about the temperature, pressure, humidity, tilt, and position of the periphery of the machine tool, A method for diagnosing machine tool failure in a cloud server.
제 5 항에 있어서,
상기 (b) 단계에서 상기 중앙 클라우드 서버는,
상기 하나 이상의 공작기계에 대해 상기 공작기계 진단장치로부터 수신한 상기 수집된 정보를 다수의 지역별, 다수의 장비별 및 시간 별로 구분하여 수집정보 데이터베이스에 저장하고, 패턴분석 모듈부가 상기 장비별, 지역별, 시간별로 구분된 상기 수집 정보를 학습하기 위해 주파수 분석과 히스토그램 분석, 거리 분석을 수행하여 패턴을 분석하며,
상기 (c) 단계에서 상기 중앙 클라우드 서버는, 패턴학습 모듈부가 상기 패턴화 된 정보를 기계 학습을 통해 이상 상태와 정상 상태로 그룹화하며, 판단 모듈부가 상기 공작기계 진단장치로부터 새로운 정보를 수신한 경우에, 새로운 정보를 상기 이상 상태와 정상 상태의 그룹과 비교해 유사도 점수를 산출하고, 유사도 점수를 이용해 진단 결과를 판단하며,
상기 (d) 단계에서 상기 중앙 클라우드 서버는, 학습강화 모듈부가 상기 새로운 정보에 대한 유사도 점수가 임계점을 초과하는 경우에 전문가 진단 결과를 수신해 재학습하여 기계 학습을 강화하는, 중앙 클라우드 서버의 공작기계 고장 진단 방법.6. The method of claim 5,
In the step (b), the central cloud server,
The method of claim 1, wherein the information on the at least one machine tool is stored in a collection information database by dividing the collected information received from the machine tool diagnostic apparatus into a plurality of regions, In order to learn the collected information classified by time, frequency analysis, histogram analysis, and distance analysis are performed to analyze the pattern,
In the step (c), the pattern learning module groups the patterned information into an abnormal state and a normal state through machine learning, and when the determination module receives new information from the machine tool diagnostic device The new information is compared with the abnormal condition group and the normal condition group to calculate the similarity score, the diagnosis result is determined using the similarity score,
In the step (d), the central cloud server may receive the expert diagnosis result and reinitialize the machine learning when the learning enhancement module receives the expert diagnosis result when the similarity score to the new information exceeds a critical point. Machine fault diagnosis method.
KR1020160179402A 2016-10-31 2016-12-26 Machine tool breakdown diagnosis system based on Machine Learning, and method thereof KR20180048218A (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160143178 2016-10-31
KR20160143178 2016-10-31

Publications (1)

Publication Number Publication Date
KR20180048218A true KR20180048218A (en) 2018-05-10

Family

ID=62184087

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160179402A KR20180048218A (en) 2016-10-31 2016-12-26 Machine tool breakdown diagnosis system based on Machine Learning, and method thereof

Country Status (1)

Country Link
KR (1) KR20180048218A (en)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110456732A (en) * 2019-08-06 2019-11-15 武汉恒力华振科技有限公司 A kind of punching machine fault monitoring system with learning functionality
CN110509109A (en) * 2019-07-16 2019-11-29 西安交通大学 Tool Wear Monitoring method based on multiple dimensioned depth convolution loop neural network
KR20190136518A (en) 2018-05-31 2019-12-10 주식회사 지오네트 Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification
CN110561191A (en) * 2019-07-30 2019-12-13 西安电子科技大学 Numerical control machine tool cutter abrasion data processing method based on PCA and self-encoder
KR102095389B1 (en) 2018-12-24 2020-03-31 강릉원주대학교산학협력단 Fault diagnosis system of a faculty using energy
KR20200066083A (en) * 2018-11-30 2020-06-09 주식회사 딥바이오 Method for providing diagnosis system using semi-supervised machine learning and diagnosis system using the method
KR102162427B1 (en) * 2020-03-13 2020-10-06 (주)아이준 Method for monitering abnormality judgment of machine tool
CN111890125A (en) * 2020-06-30 2020-11-06 厦门嵘拓物联科技有限公司 Cutter state online monitoring method and management system
KR20210031618A (en) * 2019-09-12 2021-03-22 아즈빌주식회사 Information presentation apparatus, information presentation method, and information presentation system
KR20210062162A (en) * 2019-11-21 2021-05-31 한국수력원자력 주식회사 Device for tracking defect location based on deep learning
CN113458873A (en) * 2021-07-01 2021-10-01 太原科技大学 Method for predicting wear loss and residual life of cutter
KR20210141087A (en) 2020-05-15 2021-11-23 인제대학교 산학협력단 Apparatus and method for diagnosing trouble of machine tool
KR20220040737A (en) 2020-09-24 2022-03-31 (주)아이준 System for monitering abnormality judgment of machine tool and Method thereof
KR20220134161A (en) * 2021-03-26 2022-10-05 (주)유코아시스템 Machine sound recording apparatus and abnormality detection system of machine equipment comprising the same
KR20220148017A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis data collecting system based on machine learning and method thereof
KR20220148029A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis model update system based on machine learning and method thereof
KR20230158785A (en) 2022-05-12 2023-11-21 주식회사 디엔솔루션즈 Collecting data synchronization system of machine tool based on machine learning and method thereof
CN117111589A (en) * 2023-10-23 2023-11-24 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
CN117707051A (en) * 2024-02-04 2024-03-15 工业云制造(四川)创新中心有限公司 Cloud manufacturing supporting method with autonomous learning capability
CN117707050A (en) * 2023-12-25 2024-03-15 上海滨捷机电有限公司 Cloud computing-based numerical control machine tool real-time monitoring and data analysis system and method

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190136518A (en) 2018-05-31 2019-12-10 주식회사 지오네트 Performance Prediction System of Power Feed Water Heater by Applying Machine Learning and Path Classification
WO2020111754A3 (en) * 2018-11-30 2020-10-15 주식회사 딥바이오 Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same
KR20200066083A (en) * 2018-11-30 2020-06-09 주식회사 딥바이오 Method for providing diagnosis system using semi-supervised machine learning and diagnosis system using the method
KR102095389B1 (en) 2018-12-24 2020-03-31 강릉원주대학교산학협력단 Fault diagnosis system of a faculty using energy
CN110509109A (en) * 2019-07-16 2019-11-29 西安交通大学 Tool Wear Monitoring method based on multiple dimensioned depth convolution loop neural network
CN110509109B (en) * 2019-07-16 2021-04-13 西安交通大学 Cutter wear monitoring method based on multi-scale depth convolution cyclic neural network
CN110561191A (en) * 2019-07-30 2019-12-13 西安电子科技大学 Numerical control machine tool cutter abrasion data processing method based on PCA and self-encoder
CN110456732B (en) * 2019-08-06 2021-09-28 武汉恒力华振科技有限公司 Punch press fault monitoring system with learning function
CN110456732A (en) * 2019-08-06 2019-11-15 武汉恒力华振科技有限公司 A kind of punching machine fault monitoring system with learning functionality
KR20210031618A (en) * 2019-09-12 2021-03-22 아즈빌주식회사 Information presentation apparatus, information presentation method, and information presentation system
KR20210062162A (en) * 2019-11-21 2021-05-31 한국수력원자력 주식회사 Device for tracking defect location based on deep learning
KR102162427B1 (en) * 2020-03-13 2020-10-06 (주)아이준 Method for monitering abnormality judgment of machine tool
WO2021182698A1 (en) * 2020-03-13 2021-09-16 (주)아이준 Method for monitoring abnormality detection of machine tool
KR20210141087A (en) 2020-05-15 2021-11-23 인제대학교 산학협력단 Apparatus and method for diagnosing trouble of machine tool
CN111890125B (en) * 2020-06-30 2021-06-22 厦门嵘拓物联科技有限公司 Cutter state online monitoring method and management system
CN111890125A (en) * 2020-06-30 2020-11-06 厦门嵘拓物联科技有限公司 Cutter state online monitoring method and management system
KR20220040737A (en) 2020-09-24 2022-03-31 (주)아이준 System for monitering abnormality judgment of machine tool and Method thereof
KR20220134161A (en) * 2021-03-26 2022-10-05 (주)유코아시스템 Machine sound recording apparatus and abnormality detection system of machine equipment comprising the same
KR20220148017A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis data collecting system based on machine learning and method thereof
KR20220148029A (en) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 Machine tool abnormality diagnosis model update system based on machine learning and method thereof
CN113458873A (en) * 2021-07-01 2021-10-01 太原科技大学 Method for predicting wear loss and residual life of cutter
KR20230158785A (en) 2022-05-12 2023-11-21 주식회사 디엔솔루션즈 Collecting data synchronization system of machine tool based on machine learning and method thereof
CN117111589A (en) * 2023-10-23 2023-11-24 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
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
CN117707050A (en) * 2023-12-25 2024-03-15 上海滨捷机电有限公司 Cloud computing-based numerical control machine tool real-time monitoring and data analysis system and method
CN117707050B (en) * 2023-12-25 2024-05-07 上海滨捷机电有限公司 Cloud computing-based numerical control machine tool real-time monitoring and data analysis system and method
CN117707051A (en) * 2024-02-04 2024-03-15 工业云制造(四川)创新中心有限公司 Cloud manufacturing supporting method with autonomous learning capability
CN117707051B (en) * 2024-02-04 2024-04-16 工业云制造(四川)创新中心有限公司 Cloud manufacturing supporting method with autonomous learning capability

Similar Documents

Publication Publication Date Title
KR20180048218A (en) Machine tool breakdown diagnosis system based on Machine Learning, and method thereof
JP6810097B2 (en) Anomaly detector
CN108572006B (en) Condition diagnosing device
WO2016176111A1 (en) Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
JP2018119924A (en) Diagnostic device
CN111474475B (en) Motor fault diagnosis system and method
US20110060569A1 (en) Real-Time, Model-Based Autonomous Reasoner and Method of Using the Same
US20180259947A1 (en) Management device and non-transitory computer-readable medium
KR20190062739A (en) Method, algorithm and device for Data analytics for predictive maintenance using multiple sensors
CN103324155A (en) System monitoring
KR20220062547A (en) Sensor Agnostic Mechanical Mechanical Fault Identification
KR102545672B1 (en) Method and apparatus for machine fault diagnosis
JP4417318B2 (en) Equipment diagnostic equipment
US20220121182A1 (en) Operation evaluation device, operation evaluation method, and program
CN115668084A (en) Diagnostic device, server, and diagnostic method
CN116880454A (en) Intelligent diagnosis system and method for vehicle faults
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
US20220019209A1 (en) Asset condition monitoring method with automatic anomaly detection
US11339763B2 (en) Method for windmill farm monitoring
CN116302628A (en) Apparatus and method for interpreting a prediction of at least one fault of a system
US10733533B2 (en) Apparatus and method for screening data for kernel regression model building
CN109932904A (en) Monitoring abnormal state and control system based on feature selecting and pivot control
CN111382946B (en) Autonomous evaluation method and system for health state of equipment and industrial internet equipment
CN117786373B (en) Equipment operation diagnosis system based on big data corrugated paper processing
US12007745B2 (en) Apparatus for predicting equipment damage