기계학습 기법을 이용한 CNC 공구 마모도 예측에 관한 연구
A Study on the Prediction of CNC Tool Wear Using Machine Learning Technique
0
조회
0
다운로드
14
인용
0
참고문헌
키워드
초록
4차 산업혁명이 주목받고 있다. 특히 스마트 팩토리는 제조 분야에서 그 필요성이 강조되고 있다. 현재 제조 분야에서 CNC(Computerized Numeric Controller: 컴퓨터 수치 제어)에 관한 연구가 활발히 진행 중이다. 국내에서는 CNC 설비에 음향 센서, 진동 센서 등 여러 가지 센서를 부착하여 소음, 진동 등 설비 관련 데이터를 수집하는 방안에 관한 연구가 존재한다. 본 연구는 CNC 머신에서 발생하는 데이터를 중심으로 머신러닝 기법을 활용하여 설비 가동 조건이 공구 마모도에 미치는 영향을 분석한다. CNC 설비에서 발생하는 X축, Y축, Z축의 힘, 이동 속도 등 다양한 데이터를 수집한다. 데이터 탐색 기법을 통해 데이터의 특성 및 분포를 분석하였다. 데이터를 RF(Random Forest), XGB(Extreme Gradient Boost), SVM(Support Vector Machine)을 이용하여 CNC 설비 가동 조건이 공구 마모도에 미치는 영향을 분석하였다. 본 연구의 결과는 CNC 설비 가동에서 최적의 조건을 찾고, 이를 바탕으로 품질 향상 및 기계 손상을 예방하는데 활용될 수 있을 것으로 기대된다.
Abstract
The fourth industrial revolution is noted. It is a smarter factory. At present, research on CNC (Computerized Numeric Controller) is actively underway in the manufacturing field. Domestic CNC equipment, acoustic sensors, vibration sensors, etc. This study can improve efficiency through CNC. Collect various data such as X-axis, Y-axis, Z-axis force, moving speed. Data exploration of the characteristics of the collected data. You can use your data as Random Forest (RF), Extreme Gradient Boost (XGB), and Support Vector Machine (SVM). The result of this study is CNC equipment.
참고문헌 (15)
- J. H. Ryu, "Monitoring of Milling Processes through Measurement of Power Consumption", Master, pp.2019
- 김정준, "음향센서를 활용한 CNC 공구떨림 감지 및 안정화 기법", 한국정보전자통신기술학회 논문지, 12(2), pp.120~126 (2019), 한국정보전자통신기술학회
- Y C Liu, "Remaining Useful Life Prediction of Cutting Tools Based on Support Vector Regression", IOP Conference Series:Materials Science and Engineering, pp.1~8 (2019), IOP Publishing
- J. H. Oh, "Prediction of Housing Price using Machine Learning: Focusing on MARS", Korea Housing Association 2017 Spring Conference, pp.153~171 (2017), the Korean Association for Housing Policy Studies
- Akhilesh Kumar, "An HMM and polynomial regression based approach for remaining useful life and health state estimation of cutting tools", Computers & Industrial Engineering, 128, pp.1008~1014 (2019), Elsevier BV[DOI]
- 정성택, "금형강의 하향절삭 시 절삭력 예측 및 실험에 대한 연구", 한국생산제조학회지, 27(4), pp.346~350 (2018), 한국생산제조학회[DOI]
- Dazhong Wu, "A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests", Journal of Manufacturing Science and Engineering, 139(7), pp.1~19 (2017), ASME International[DOI]
- Rui Zhao, "Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks", Sensors, 17(2), pp.273~ (2017), MDPI AG[DOI]
- 강성현, "실시간 설비데이터를 활용한 휴대폰 메탈 프레임 공정의 다변량 모니터링", 대한산업공학회지, 42(6), pp.395~403 (2016), 대한산업공학회[DOI]
- AMIT JAIN, "Data Driven Models for Prognostics of High Speed Milling Cutters", International Journal of Performability Engineering, 12(1), pp.3~12 (2016)[DOI]
- T. Benkedjouh, "Health assessment and life prediction of cutting tools based on support vector regression", Journal of Intelligent Manufacturing, 26(2), pp.213~223 (2015), Springer Science and Business Media LLC[DOI]
- A. Gouarir, "In-process Tool Wear Prediction System Based on Machine", 8th CIRP Conference on High Performance Cutting, pp.501~504 (2018), Procedia CIRP
- 김혜진, "IoT센서로 수집된 균질 시간 데이터를 이용한기계학습 기반의 품질관리 및 데이터 보정", 한국융합학회논문지, 10(4), pp.17~23 (2019), 한국융합학회[DOI]
- 배성완, "기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로", 부동산학연구, 24(1), pp.69~85 (2018), 한국부동산분석학회[DOI]
- H. J. KIM., "Estimating the Performance of Random Forest versus Multiple Regression for Predicting Prices of the Apartments", International Journal of Geo-Information, 7(5), pp.1~16 (2019)[DOI]