계층적 컨볼루션 신경망을 이용한 공작기계의 공구 상태 진단
Machine Tool State Monitoring Using Hierarchical Convolution Neural Network
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
공작기계 상태 진단은 기계의 상태를 자동으로 감지하는 프로세스이다. 실제로 가공의 효율과 제조공정에서 제품의 품질은 공구 상태에 영향을 받으며 마모 및 파손된 공구는 공정 성능에 보다 심각한 문제를 일으키고 제품의 품질 저하를 일으킬 수 있다. 따라서 적절한 시기에 공구가 교체될 수 있도록 공구 마모 진행 및 공정 중 파손 방지 시스템 개발이 필요하다. 본 논문에서는 공구의 적절한 교체 시기 등을 진단하기 위해 딥러닝 기반의 계층적 컨볼루션 신경망을 이용하여 5가지 공구 상태를 진단하는 방법을 제안한다. 기계가 공작물을 절삭할 때 발생하는 1차원 음향 신호를 주파수 기반의 전력스펙트럼밀도 2차원 영상으로 변환하여 컨볼루션 신경망의 입력으로 사용한다. 학습 모델은 계층적 3단계를 거쳐 5가지 공구 상태를 진단한다. 제안한 방법은 기존의 방법과 비교하여 높은 정확도를 보였고, 실시간 연동을 통해 다양한 공작기계를 모니터링할 수 있는 스마트팩토리 고장 진단 시스템에 활용할 수 있을 것이다.
Abstract
Machine tool state monitoring is a process that automatically detects the states of machine. In the manufacturing process, the efficiency of machining and the quality of the product are affected by the condition of the tool. Wear and broken tools can cause more serious problems in process performance and lower product quality. Therefore, it is necessary to develop a system to prevent tool wear and damage during the process so that the tool can be replaced in a timely manner. This paper proposes a method for diagnosing five tool states using a deep learning-based hierarchical convolutional neural network to change tools at the right time. The one-dimensional acoustic signal generated when the machine cuts the workpiece is converted into a frequency-based power spectral density two-dimensional image and use as an input for a convolutional neural network. The learning model diagnoses five tool states through three hierarchical steps. The proposed method showed high accuracy compared to the conventional method. In addition, it will be able to be utilized in a smart factory fault diagnosis system that can monitor various machine tools through real-time connecting.
참고문헌 (11)
- 안영진, "다중 센서를 이용한 CNC 선반에서의 실시간 공구파손 감시에 관한 연구", 한국트라이볼로지학회지, 28(3), pp.130~135 (2012), 한국트라이볼로지학회
- 김재혁, "CNC 머시닝센터의 스핀들부하를 이용한 법선방향 절삭력 추정", 한국생산제조학회지, 28(6), pp.343~349 (2019), 한국생산제조학회[DOI]
- 박병희, "딥 러닝을 활용한 공구 상태 진단", 한국정밀공학회지, 37(6), pp.415~420 (2020), 한국정밀공학회[DOI]
- D. Y. Lee, "Development of Deburring Spindle up to 80,000 rpm for Precision Finishing", Korean Society for Precision Engineering Conference, pp.441~442 (2017)
- I. S. Yook, "Development of the Air Bearing Spindle for Precision Machining for Metal case of the Smart-phone", Korean Society for Precision Engineering Conference, pp.280~281 (2016)
- 박철훈, "자기베어링이 적용된 미세홀 가공용 드릴링 스핀들 개발", 한국소음진동공학회논문집, 27(4), pp.510~517 (2017), 한국소음진동공학회[DOI]
- 신현준, "시분할 특징 융합 합성곱 신경망을 이용한 스마트폰 사용자의 행동 검출", 한국정보통신학회논문지, 24(9), pp.1224~1230 (2020), 한국정보통신학회[DOI]
- 윤성재, "인공지능 모델을 이용한 공작기계의 스핀들 고장 진단", 대한기계학회논문집 A, 45(5), pp.401~408 (2021), 대한기계학회
- J. Shi, "Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the load of a tumbling mill", Control Engineering Practice, 84, pp.238~246 (2019)
- 이경민, "Automatic Machine Fault Diagnosis System using Discrete Wavelet Transform and Machine Learning", 멀티미디어학회논문지, 20(8), pp.1299~1311 (2017), 한국멀티미디어학회[DOI]
- M. Zhao, "Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes", IEEE Transactions on Industrial Electronics, 65(5), pp.4290~4300 (2018)