$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

계층적 컨볼루션 신경망을 이용한 공작기계의 공구 상태 진단
Machine Tool State Monitoring Using Hierarchical Convolution Neural Network 원문보기

한국융합신호처리학회논문지 = Journal of the Institute of Convergence Signal Processing, v.23 no.2, 2022년, pp.84 - 90  

이경민 (신라대학교 컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

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 ▼ AI-Helper 아이콘AI-Helper

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 performanc...

주제어

#공작기계 상태 진단   #딥러닝   #계층적 컨볼루션 신경망   #음향 신호   #전력스펙트럼밀도  

참고문헌 (12)

  1. Y. J. An and J. Y. Kim, "A Study on Real-time Tool？Breakage Monitoring on CNC Lathe Using Fusion？Sensor," Tribology and Lubricants, vol. 28, no. 3, pp.？130~135, 2012. 

  2. J. H. Kim, J. S. Yoon, and D. Y. Lee, "Estimation of？Tangential Cutting Force using Spindle Load of CNC？Machining Center," Journal of the Korean Society of？Manufacturing Technology Engineers, vol. 28 no. 6,？pp. 343-349, 2019. 

  3. B. H. Park, Y. J. Lee, and C. W. Lee, "Tool？Condition Monitoring Using Deep Learning in？Machining Process," Journal of the Korean Society？for Precision Engineering, vol. 37, no. 6, pp. 415-420,？2020. 

    상세보기

  4. D. Y. Lee and S. J. Yun, "Development of Deburring？Spindle up to 80,000 rpm for Precision Finishing,"？Korean Society for Precision Engineering Conference,？pp. 441-442, 2017. 

  5. I. S. Yook, D. H. Lee, G. S. Han, W. K. Han, and J.？H. Hwang, "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. 

  6. C. H. Park and T. G. Yoon, "Development of Drilling？Spindle for Micro-hole Machining with Magnetic？Bearings," Transactions of the Korean Society for？Noise and Vibration Engineering, vol. 27, no. 4, pp.？510-517, 2017. 

    상세보기

  7. M. Saimurugan and K.I. Ramachandran, "Detection？The Behavior of Smartphone Users using Time-division？Feature Fusion Convolutional Neural Network,"？Journal of The Korean Institute of Information and？Communication Engineering, vol. 24, no. 9, pp.？1224-1230, 2020. 

  8. S. J. Yoon, M. Y. Lee, J. H. Lee, S. H. Lee, and J. C.？Na, "Fault Diagnosis Using Artificial Intelligence for？the Spindle of Machine Tools," Transactions of the？Korean Society of Mechanical Engineers, vol. 45, no.？5, pp. 401-408, 2021. 

    상세보기

  9. J. Shi, G. Si, S. Li, B. Oresanya, and Y. Zhang,？"Feature extraction based on the fractional Fourier？transform for vibration signals with application to？measuring the load of a tumbling mill," Control？Engineering Practice, vol. 84, pp. 238-246, 2019. 

  10. K. M. Lee, C. Vununu, K. S. Moon, S. H. Lee, and K.？R. Kwon, "Automatic machine fault diagnosis system？using discrete wavelet transform and machine？learning," Journal of Korea Multimedia Society, vol.？20, no. 8, pp. 1299-1311, 2017. 

  11. M. Zhao, M. Kang, B. Tang, and M. Pecht, "Deep？Residual Networks with Dynamically Weighted Wavelet？Coefficients for Fault Diagnosis of Planetary？Gearboxes," IEEE Transactions on Industrial？Electronics, vol. 65, issue 5, pp. 4290-4300, 2018. 

  12. K. M. Lee, "A Machine Fault Diagnosis System？based on Convolution Neural Network using Acoustic？Power Spectral Density," Ph. D. dissertation, Pukyong？National University, Busan, Republic of Korea, 2019. 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로