[논문]머신러닝을 이용한 CNC 가공 불량 발생 예측 모델

한용희

doi:10.15207/jkcs.2022.13.02.249

머신러닝을 이용한 CNC 가공 불량 발생 예측 모델
Prediction Model of CNC Processing Defects Using Machine Learning 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.13 no.2, 2022년, pp.249 - 255

한용희 (숭실대학교 벤처중소기업학과)

초록
AI-Helper

본 연구는 최근 가공 불량 예측 방법으로 주목받고 있는 머신러닝 기반의 모델을 이용하여 CNC 가공 불량 발생의 실시간 예측을 위한 분석 프레임워크를 제안하고, 해당 프레임워크에 기반하여 XGBoost, CatBoost, LightGBM, 랜덤 포레스트, Extra Trees, SVM, k-최근접 이웃, 로지스틱 회귀 모델을 CNC 설비에 기본 내장된 센서들로부터 추출된 데이터에 적용 및 분석하였다. 분석 결과 XGBoost, CatBoost, LightGBM 모델이 동일하게 가장 우수한 정확도, 정밀도, 재현율, F1 점수, AUC 값을 보였으며, 이 중 LightGBM 모델이 소요 실행 시간이 가장 짧은 것으로 나타났다. 이러한 짧은 소요 실행 시간은 실 시스템 구축 비용 절감, 빠른 불량 예측에 따른 CNC 장비 파손 확률 감소, 전체적인 CNC 활용률 증가 등의 실무적 장점을 가지므로 LightGBM 모델이 기본 센서들만 설치된 CNC 설비에 적용 시 가공 불량 예측에 가장 효과적으로 판단된다. 또한 소요 실행 시간 및 컴퓨팅 파워의 제약이 없는 상황에서는 LightGBM, Extra Trees, k-최근접 이웃, 로지스틱 회귀 모형으로 구성된 앙상블 모델을 적용할 경우 분류 성능이 최대화됨을 확인하였다.

Abstract ▼ AI-Helper

This study proposed an analysis framework for real-time prediction of CNC processing defects using machine learning-based models that are recently attracting attention as processing defect prediction methods, and applied it to CNC machines. Analysis shows that the XGBoost, CatBoost, and LightGBM models have the same best accuracy, precision, recall, F1 score, and AUC, of which the LightGBM model took the shortest execution time. This short run time has practical advantages such as reducing actual system deployment costs, reducing the probability of CNC machine damage due to rapid prediction of defects, and increasing overall CNC machine utilization, confirming that the LightGBM model is the most effective machine learning model for CNC machines with only basic sensors installed. In addition, it was confirmed that classification performance was maximized when an ensemble model consisting of LightGBM, ExtraTrees, k-Nearest Neighbors, and logistic regression models was applied in situations where there are no restrictions on execution time and computing power.

주제어

표/그림 (4)

그림 Fig. 1. Proposed Analytical Procedure
표 Table 1. Confusion Matrix
표 Table 2. Evaluation Results
표 Table 3. Feature Importances

참고문헌 (16)

S. H. Kang & S. B. Kim. (2016). Multivariate Monitoring of the Metal Frame Process in Mobile Device Manufacturing, Journal of Korean Institute of Industrial Engineers, 42(6), 395-403. DOI : 10.7232/JKIIE.2016.42.6.395

원문보기 상세보기
J. S. Kong. (2018), Optimization of the Tool Life Prediction Using Genetic Algorithm, Journal of the Korea Academia-Industrial cooperation Society, 19(11), 338-343. DOI : 10.5762/KAIS.2018.19.11.338

원문보기 상세보기
D. J. Oh, B. S. Sim, & W. Lee. (2021). Tool Wear Monitoring during Milling Using an Autoassociative Neural Network, Transactions of the Korean Society of Mechanical Engineers - A, 45(4), 285-291. DOI : 10.3795/KSME-A.2021.45.4.285

상세보기
R. Teti, K. Jemielniak, G. O'Donnell, & D. Dornfeld. (2010). Advanced Monitoring of Machining Operations, CIRP Annals, 59(2), 717-739. DOI : 10.1016/j.cirp.2010.05.010

상세보기
Y. C. Liu, X. F. Hu, & S. X. Sun. (2019, July). Remaining Useful Life Prediction of Cutting Tools Based on Support Vector Regression, IOP Conference Series: Materials Science and Engineering, 576, 1-8. DOI : 10.1088/1757-899X/576/1/012021

상세보기
P. Stavropoulos, A. Papacharalampopoulos, E. Vasiliadis, & G. Chryssolouris. (2016). Tool Wear Predictability Estimation in Milling Based on Multi-sensorial Data, The International Journal of Advanced Manufacturing Technology, 82(1-4), 509-521. DOI : 10.1007/s00170-015-7317-6

상세보기
X. Li, A. Djordjevich & P. K. Venuvinod. (2000). Current-sensor-based Feed Cutting Force Intelligent Estimation and Tool Wear Condition Monitoring, IEEE Transactions on Industrial Electronics, 47(3), 697-702. DOI : 10.1109/41.847910

상세보기
K. Lee, S. Park, S. Sung, & D. Park. (2019). A Study on the Prediction of CNC Tool Wear Using Machine Learning Technique, Journal of the Korea Convergence Society, 10(11), 15-21. DOI : 10.15207/JKCS.2019.10.11.015

원문보기 상세보기
J. V. Abellan-Nebot & F. R. Subiron. (2010). A Review of Machining Monitoring Systems Based on Artificial Intelligence Process Models, The International Journal of Advanced Manufacturing Technology, 47(1), 237-257. DOI : 10.1007/s00170-009-2191-8

상세보기
C. Drouillet, J. Karandikar, C. Nath, A. C. Journeaux, M. El Mansori, & T. Kurfess. (2016). Tool Life Predictions in Milling Using Spindle Power with the Neural Network Technique, Journal of Manufacturing Processes, 22, 161-168. DOI : 10.1016/j.jmapro.2016.03.010

상세보기
da Silva, R. H. L., M. B. da Silva, & A. Hassui. (2016). A Probabilistic Neural Network Applied in Monitoring Tool Wear in the End Milling Operation via Acoustic Emission and Cutting Power Signals, Machining Science and Technology, 20(3), 386-405. DOI : 10.1080/10910344.2016.1191026

상세보기
J. A. Duro, J. A. Padget, C. R. Bowen, H. A. Kim, & A. Nassehi. (2016). Multi-sensor Data Fusion Framework for CNC Machining Monitoring, Mechanical Systems and Signal Processing, 66, 505-520. DOI : 10.1016/j.ymssp.2015.04.019

상세보기
A. J. Torabi, M. J. Er, X. Li, B. S. Lim, L. Zhai, R. J. Oentaryo, & J. M. Zurada. (2013). A Survey on Artificial Intelligence-based Modeling Techniques for High Speed Milling Processes, IEEE Systems Journal, 9(3), 1069-1080. DOI : 10.1109/JSYST.2013.2282479

상세보기
S. T. Jung, S. H. Kim, H. J. Kim, & S. Y. Baek. (2018). Prediction and Experiments of Cutting Forces in Down Milling of Hardened Mold Steel, Journal of the Korean Society of Manufacturing Technology Engineers, 27(4), 346-350. DOI : 10.7735/ksmte.2018.27.4.346

상세보기
Ministry of SMEs and Startups of Korea. (2020). CNC Machine AI Dataset. Korea AI Manufacturing Platform (KAMP). https://https://kamp-ai.kr
A. Geron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증