선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 추출된 특징 데이터는 퍼지 C-means 알고리즘을 이용하여 3개의 클러스터로 패턴 분류를 실시하였으며, 분류된 클러스터를 가장 잘 대표하는 클러스터 센터를 구하였다. 그리고 퍼지 C-means 알고리즘으로 계산된 퍼지 등급에 따라 엔이상 상태의태를 비교함으로써 이상상태의 감시에 퍼지 패턴인식의 활용 가능성을 검토하였다.
제안 방법
- A16061과 같은 연질재료에서 미세 홈 가공시 홈의 깊이량에 따른 칩 배출이 엔드밀에 미치는 영향을 조사하기 위하여 회전수와 절삭깊이량을 고정하고, 이송속도를 변화 시켜 AE 신호를 획득하였으며, 그 결과를 Fig. 6에 나타내었다.
- A16061의 경우는 이상 신호의 발생시 CCD를 통하여 공구상태를 비교하였으며, 획득된 원신호 및 주파수 해석을 통하여 공구 상태와의 관계를 살펴보았다.
- STD11의 가공 시 각각의 조건에 따른 AE 신호를 획득하여 AE RMS, AE hit, AE energy# 분석하였다. A16061의 경우는 이상 신호의 발생시 CCD를 통하여 공구상태를 비교하였으며, 획득된 원신호 및 주파수 해석을 통하여 공구 상태와의 관계를 살펴보았다.
- AE 센서는 잡음에 강인한 차동형으로 응답 주파수특성이 넓은 주파수 범위에서도 균일한 감도를 나타내는 광대역 센서를 사용하였으며, 전치증폭기 (Pre-amplifier)는 100 ~ 1200 kHz의 대역 통과 필터를 사용하였다. 또한 마이크로 이상 상태 이상상태 발생 시 측정 신호와 비교하기 위하여 CCD 카메라 와전 용지 그를 가공기에 부착하였다.
- 2 미세가공에서 마이크로 공구의 이상 상태를 실시간으로 진단하는 것은 가공공정의 자동화와 신뢰성을 증가시키는데 중요한 역할을 수행한다. 이를 위해 본 연구에서는 마이크로 엔드밀로 STD11과 A16061의 가 공시가공조건에 따른 AE의 여러 가지 파라미터를 사용하여 특성을 평가하였다. 또한 마이크로 엔드밀의 응착 및 파손과 같은 이상 상태의 발생 시 AE 원신호 및 주파수 분석을 통하여 특징을 추출하고, 이를 바탕으로 보다 효율적인 미세공구의 상태 감시를 위하여 퍼지 C-means 알고리즘 1*을 활용하였다.
- 주축회전수를 20, 000rpm으로 일정하게 두고, 이송속도와 절삭깊 이량을 변화 시 켜 AE 특성을 파악하였다.
- 특징 추출을 위한 전처리 과정으로 각각의 AE 신호를 RMS와 주파수 분석을 실시하였으며, 분석된 결과를 토대로 엔드밀의 상태 특성을 잘 나타내는 데이터를 추출하였다. 추출된 특징 데이터는 퍼지 C-means 알고리즘을 이용하여 3개의 클러스터로 패턴 분류를 실시하였으며, 분류된 클러스터를 가장 잘 대표하는 클러스터 센터를 구하였다. 그리고 퍼지 C-means 알고리즘으로 계산된 퍼지 등급에 따라 엔이상 상태의태를 비교함으로써 이상상태의 감시에 퍼지 패턴인식의 활용 가능성을 검토하였다.
- 10은 패턴 인식의 과정을 나타낸 것으로, 데이터의 수집, 인식을 위한 전처리, 특징 추출, 패턴 분류의 과정을 거쳐 패턴 인식을 하게 된다. 특징 추출을 위한 전처리 과정으로 각각의 AE 신호를 RMS와 주파수 분석을 실시하였으며, 분석된 결과를 토대로 엔드밀의 상태 특성을 잘 나타내는 데이터를 추출하였다. 추출된 특징 데이터는 퍼지 C-means 알고리즘을 이용하여 3개의 클러스터로 패턴 분류를 실시하였으며, 분류된 클러스터를 가장 잘 대표하는 클러스터 센터를 구하였다.
- 퍼지 C-means 알고리즘에서 c 값은 필요에 따라 물리적 메커니즘을 가장 잘 반영할 수 있도록 정해야 하므로, 공구의 상태에 따라 상(Fine), 중 (Adh- esion), 하(Broken tool)의 3가지 클러스터로 설정하여 패턴 분류를 실시하였다.
대상 데이터
- 미세 홈 가공실험은 고속가공기에서 수행하였으며, 가공조건을 Table 2에 나타내었다. 주축회전수를 20, 000rpm으로 일정하게 두고, 이송속도와 절삭깊 이량을 변화 시 켜 AE 특성을 파악하였다.
- 실험에 사용된 공작물은 미세 홈 가공에서 가공조건에 따른 AE 특성을 관찰하기 위하여 절삭성 및 칩배출이 용이한 STD11 을 사용하였고, 마이크로 엔드밀의 미소 응착과 칩 배출의 불안정성에 따른 공구파손 등 공구의 이상 상태의 발생 시 AE 특성을 파악하기 위하여 A16061을 사용하였다.
데이터처리
- AE 주파수 분석은 공구의 이상상태의 발생 시 결함의 특징을 파악하기 위해 특징 주파수를 추출하였고, 주줄된 특징 데이터는 퍼지 C-means 알고리즘을 이용하여 패턴 분류를 실시하였으며, 계산된 퍼지 등급에 따라 공구 상태와 비교하였다.
이론/모형
- 이를 위해 본 연구에서는 마이크로 엔드밀로 STD11과 A16061의 가 공시가공조건에 따른 AE의 여러 가지 파라미터를 사용하여 특성을 평가하였다. 또한 마이크로 엔드밀의 응착 및 파손과 같은 이상 상태의 발생 시 AE 원신호 및 주파수 분석을 통하여 특징을 추출하고, 이를 바탕으로 보다 효율적인 미세공구의 상태 감시를 위하여 퍼지 C-means 알고리즘 1*을 활용하였다.
성능/효과
- 1) AE RMS는 이송속도 및 절삭깊이량이 증가함에 따라 증가함을 알 수 있었으며, AE hit는 안정된 상태에서 변화가 미미하지만 이상상태에서 변화가 급격히 크게 나타남으로 이상 상태 감시에 유효한 파라미 터이다.
- 2) AE 신호를 획득하여 주파수 분석의 결과 결함 발생시 90 ~ 100kHz 주파수 대역의 진폭이 증가함을 알 수 있었고, 공구파손 시에는 90 ~ 100kHz 주파수 대역의 진폭 증가와 더불어 80아 曲 대역의 고주파 신호가 발생한다.
- 3) AE RMS와 주파수 특성으로부터 유효 파라미터들이 추출되었고, 퍼지 C-tneans 알고리즘을 이용한 패턴 인식의 결과 클러스터 센터와 퍼지 등급은 마이크로 엔드밀의 정상, 응착, 파손상태를 잘 분류해 냈다.
- 가공된 홈의 깊이가 깊을수록 AE RMS값이 증가함을 볼 수 있으며, 또한 가공된 홈의 깊이 0.06 mm, 0.1mm에서 이송속도 2mm/sec일 때가 오히려 3mm /sec일 때보다 AE RMS 값이 다소 증가하는 것을 볼 수 있다. 이는 가공된 홈의 깊이가 깊고 이송속도가 느릴수록 칩 배출이 불안정하여 나타나는 것으로 볼 수 있을 것이다.
- 3 이하의 경우 가공정지나 알람을 통해 실시간 제어를 기대할 수 있다. 따라서 AE RMS와 주파수 분석을 이용한 퍼지 C-means 알고리즘의 패턴 분류 및 퍼지 등급을 이용하여 공구 상태의 감시가 가능할 것으로 사료된다.
- 3은 이송속도 변화에 따른 AE hit와 AE energy의 평균값을 나타내고 있다. 이송속도가 증가함에 따라 AE hit는 거의 일정하지만, AE 에너지는 감소하는 경향을 보였다. 이는 이송속도의 증가에 따라 유사한 주파수가 발생하지만 공구와 소재와의 접촉되는 시간이 감소하여 나타나는 현상으로 사료된다.
- 그래프에 서중 실의 원으로 표시된 것은 퍼지 C-means 알고리즘을 사용하여 계산된 3개의 클러스터를 대표하는 센터 값을 의미하는 것으로, 각각의 데이터가 센터값과의 거리가 가까울수록 해당 클러스터에 속하는 정도가 높은 것이다. 중공의 원으로 표시된 것은 패턴 분류를 위해 선정된 30개의 데이터를 나타내는 것이며, 분류된 결과로부터 3가지 상태의 평가데이터들은 신뢰성 있게 분류가 되었음을 확인할 수 있다. Table 4는 계산된 클러스터 센터를 나타낸 것으로 패턴 분류된 클러스터의 센터값은 공구의 상태를 나타내는 값으로 고려할 수 있으므로, 도출된 센터값을 활용하면 공구의 상태에 대한 인 프로세스(In-Process) 감시를 기대할 수 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.