[논문]공작기계의 절삭용 인서트의 잔여 유효 수명 예측 모형

최원근; 김흥섭; 고봉진

doi:10.12673/jant.2023.27.1.111

공작기계의 절삭용 인서트의 잔여 유효 수명 예측 모형
Machine Learning Model for Predicting the Residual Useful Lifetime of the CNC Milling Insert 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.27 no.1, 2023년, pp.111 - 118

최원근 (국립창원대학교 전기전자제어공학부) , 김흥섭 (국립창원대학교 산업시스템공학과) , 고봉진 (국립창원대학교 전기전자제어공학부)

초록
AI-Helper

스마트팩토리의 구축을 위해서는 제조환경에서 여러 센서 및 기기 등을 연결하여 데이터를 수집하고, 데이터 분석을 통해 생산설비 등의 장애를 진단하거나 예측하여야 한다. 본 논문에서는 공작기계에서 제품을 가공하기 위해 사용되는 절삭용 인서트의 잔여 유효 수명을 예측하기 위해 진동 신호를 기반으로 한 가중화 k-최근접이웃(Weighted k-NN) 알고리즘, 의사결정나무(Decision Tree), 서포트벡터회귀(SVM), XGBoost, 랜덤포레스트(Random forest), 1차원 합성곱신경망(1D-CNN), 그리고 진동 신호를 FFT한 주파수 스펙트럼에 대해 알아보았다. 연구결과, 주파수 스펙트럼으로는 잔여 유효수명의 정확한 예측에 대해서는 신빙성있는 기준을 제공하지 못한다는 것을 알수 있었고, 예측 모델 중 가중화 k-최근접이웃 알고리즘이 MAE가 0.0013, MSE가 0.004, RMSE가 0.0192로 가장 우수한 성능을 나타내었다. 이는 가중화 k-최근접이웃 알고리즘에 의해 예측되는 인서트의 잔여 유효 수명의 오차가 0.001초 수준으로 평가되어, 실제 산업현장에 적용이 가능한 수준으로 사료된다.

Abstract ▼ AI-Helper

For the implementation of a smart factory, it is necessary to collect data by connecting various sensors and devices in the manufacturing environment and to diagnose or predict failures in production facilities through data analysis. In this paper, to predict the residual useful lifetime of milling insert used for machining products in CNC machine, weight k-NN algorithm, Decision Tree, SVR, XGBoost, Random forest, 1D-CNN, and frequency spectrum based on vibration signal are investigated. As the results of the paper, the frequency spectrum does not provide a reliable criterion for an accurate prediction of the residual useful lifetime of an insert. And the weighted k-nearest neighbor algorithm performed best with an MAE of 0.0013, MSE of 0.004, and RMSE of 0.0192. This is an error of 0.001 seconds of the remaining useful lifetime of the insert predicted by the weighted-nearest neighbor algorithm, and it is considered to be a level that can be applied to actual industrial sites.

주제어

표/그림 (10)

그림 그림 1. 공작기계 Fig. 1. CNC machine.
그림 그림 3. 인서트 교체 직후의 진동 데이터 파형 Fig. 3. Vibration data waveform after Insert replacement.
그림 그림 4. 인서트 교체 직전의 진동 데이터 파형 Fig. 4. Vibration data waveform before Insert replacement.
그림 그림 5. 인서트 교체 직후의 주파수 스펙트럼 Fig. 5. Frequency spectrum after Insert replacement.
그림 그림 6. 인서트 교체 직전의 진동 데이터 파형 Fig. 6. Frequency spectrum before Insert replacement.
그림 그림 2. 가공된 제품 Fig. 2. Processed product.
표 표 1. 진동 신호에 대한 통계적/물리적 특성치 Table 1. Statistical and physical features of vibration signals.
표 표 2. 후보 모형들의 하이퍼 파라미터 Table 2. Hyper-parameters for alternative models.
표 표 3. 후보 모형들의 하이퍼 파라미터 Table 3. Hyper-parameters for alternative models.
그림 그림 7. 인서트의 잔여 유효 수명 예측 예시 Fig. 7. Examples of predicting the RUL of Inserts.

AI 본문요약
AI-Helper

제안 방법

데이터 전처리의 첫 번째 단계는 진동 신호의 수집 시간을 바탕으로 모형의 반응변수(Response variable)로 활용할 절삭용 인서트의 잔여 유효 수명을 지정하는 것이며, 총 수명 시간에서 사용 수명시간(Working lifetime)을 제외하는 변환을 수행하였다. 이때, 진동 신호가 수집되지 않은 결측치(Missing values)가 존재하는 인서트에 대해서는 결측치 구간을 고려하여 잔여 유효 수명을 변환하였다.
즉, 하이퍼 파라미터 탐색에 있어 격자 탐색법은 안정성은 우수하지만, 탐색 격자를 세분화할수록 계산시간이 증가하는 특성이 있으며, 무작위탐색법은 계산시간 측면에서는 격자 탐색법보다 유리할 수 있으나 탐색 결과에 대한 신뢰성이 부족하다. 따라서 본 연구는 격자 탐색법을 통해 넓은 영역에서 최적 하이퍼 파라미터 조합이 위치할 수 있는 격자를 탐색(전역 탐색)하고, 해당 격자 내에서는 무작위탐색법을 이용하여 보다 세부적으로 최적 하이퍼 파라미터 탐색(지역 탐색)을 시도하였다. 각 모형을 위해 탐색된 하이퍼 파라미터들은 표 2와 같다.
기계학습 모델링에서 각 모형의 하이퍼 파라미터는 모형의 성능에 상당한 영향을 미치는 중요한 요소이다. 따라서 본 연구에서는 각 모형을 위한 최적의 하이퍼 파라미터들의 조합을 효율적으로 탐색하기 위해 격자 탐색법(Grid search method)과 무작위 탐색법(Random search method)을 상호보완적으로 활용하였다. 즉, 하이퍼 파라미터 탐색에 있어 격자 탐색법은 안정성은 우수하지만, 탐색 격자를 세분화할수록 계산시간이 증가하는 특성이 있으며, 무작위탐색법은 계산시간 측면에서는 격자 탐색법보다 유리할 수 있으나 탐색 결과에 대한 신뢰성이 부족하다.
본래의 특성치들은 상이한 수치적 크기를 갖으며, 이는 예측 모형이 상대적으로 큰 크기를 갖는 특성치들에 편향되게 학습되거나 학습 과정의 수렴성이 저하되는 원인이 된다. 따라서 본 연구에서는 최대-최소 정규화를 적용하여 모든 특성치들이 [0, 1] 범위에서 정의되도록 변환하였다.
본 연구는 수집된 진동 신호를 바탕으로 실시간으로 인서트의 잔여 유효 수명 예측을 수행하기 위해 시간 영역에서의 통계적, 물리적 특성치들을 활용하였다. 통계적 특성치로는 진동신호의 절대 평균, 평균, 분산, 왜도(Skewness)와 첨도(Kurtosis)가 고려되었으며, 물리적 특성치로는 진동 신호의 Peak-to-Peak, 제곱평균제곱근(RMS; Root Mean Square), Impulse factor(IF)와 Shape factor(SF)가 고려되었다.
본 연구에서는 수집된 공작기계의 절삭용 인서트의 진동 신호 데이터를 이용하여 인서트의 잔여 유효 수명을 실시간으로 예측하기 위해 진동 데이터에 대한 시간 영역의 통계적, 물리적 특성치들을 이용하여 가중화 k-최근접이웃 알고리즘, 의사결정나무 모형, 서포트벡터회귀 등 6종을 모형에 대해 검토 하였다. 수집된 데이터를 바탕으로 한 후보 모형들에 대한 예측 성능 평가에서 가중화 k-최근접이웃 알고리즘이 평균절대오차는 0.
데이터 전처리의 첫 번째 단계는 진동 신호의 수집 시간을 바탕으로 모형의 반응변수(Response variable)로 활용할 절삭용 인서트의 잔여 유효 수명을 지정하는 것이며, 총 수명 시간에서 사용 수명시간(Working lifetime)을 제외하는 변환을 수행하였다. 이때, 진동 신호가 수집되지 않은 결측치(Missing values)가 존재하는 인서트에 대해서는 결측치 구간을 고려하여 잔여 유효 수명을 변환하였다. 두 번째 단계에서는, 모형에서 설명변수(Explanatory variables)로 활용할 표 1에 제시된 특성치들에 대해 식 (1)과 같은 최대-최소 정규화(Min-Max normalization)를 수행하였다.

대상 데이터

본 연구를 위해 그림 1의 현대 WIA SE2200L 공작기계에서 그림 2에서와 같은 모터하우징을 멀티툴로 가공하는 공정 중 인서트로 가공 시의 진동을 Digiducer사의 333D01 진동 센서를 사용하여 0.000125초단위로 X 축과 Y축의 진동 데이터를 수집하였다.

데이터처리

본 연구는 수집된 진동 신호를 바탕으로 실시간으로 인서트의 잔여 유효 수명 예측을 수행하기 위해 시간 영역에서의 통계적, 물리적 특성치들을 활용하였다. 통계적 특성치로는 진동신호의 절대 평균, 평균, 분산, 왜도(Skewness)와 첨도(Kurtosis)가 고려되었으며, 물리적 특성치로는 진동 신호의 Peak-to-Peak, 제곱평균제곱근(RMS; Root Mean Square), Impulse factor(IF)와 Shape factor(SF)가 고려되었다. 선행연구의 고찰을 통해 잔여 유효 수명을 예측하기 위한 후보 모형으로는 가중화 k-최근접이웃(Weighted k-NN; Weighted k-Nearest Neighbor) 알고리즘, 의사결정나무(Decision Tree) 모형, 서포트 벡터회귀, 앙상블 학습(Ensemble learning) 모형 중 XGBoost 모형, 랜덤포레스트 모형, 그리고 딥러닝 모형 중 1차원 합성곱신경망(1D-CNN; 1 Dimension Convolutional Neural Network) 모형으로 고려하였다.

이론/모형

이때, 진동 신호가 수집되지 않은 결측치(Missing values)가 존재하는 인서트에 대해서는 결측치 구간을 고려하여 잔여 유효 수명을 변환하였다. 두 번째 단계에서는, 모형에서 설명변수(Explanatory variables)로 활용할 표 1에 제시된 특성치들에 대해 식 (1)과 같은 최대-최소 정규화(Min-Max normalization)를 수행하였다. 본래의 특성치들은 상이한 수치적 크기를 갖으며, 이는 예측 모형이 상대적으로 큰 크기를 갖는 특성치들에 편향되게 학습되거나 학습 과정의 수렴성이 저하되는 원인이 된다.
본 연구에서는 표 1에 제시된 진동 신호의 통계적/물리적 특성치를 바탕으로 절삭용 인서트의 잔여 유효 수명을 예측하기 위한 후보 모형(총 6개)으로 가중화 k-최근접이웃 알고리즘, 의사결정나무 모형, 서포트벡터회귀, 앙상블 학습 모형 중 XGBoost 모형, 랜덤포레스트 모형, 그리고 딥러닝 모형 중 1차원 합성곱신경망 모형을 선정하였다.
통계적 특성치로는 진동신호의 절대 평균, 평균, 분산, 왜도(Skewness)와 첨도(Kurtosis)가 고려되었으며, 물리적 특성치로는 진동 신호의 Peak-to-Peak, 제곱평균제곱근(RMS; Root Mean Square), Impulse factor(IF)와 Shape factor(SF)가 고려되었다. 선행연구의 고찰을 통해 잔여 유효 수명을 예측하기 위한 후보 모형으로는 가중화 k-최근접이웃(Weighted k-NN; Weighted k-Nearest Neighbor) 알고리즘, 의사결정나무(Decision Tree) 모형, 서포트 벡터회귀, 앙상블 학습(Ensemble learning) 모형 중 XGBoost 모형, 랜덤포레스트 모형, 그리고 딥러닝 모형 중 1차원 합성곱신경망(1D-CNN; 1 Dimension Convolutional Neural Network) 모형으로 고려하였다.

성능/효과

각 후보 모형에 의한 절삭용 인서트의 잔여 유효 수명 예측 성능은 표 3과 같이 나타났다. 가장 우수하게 평가된 후보 모형은 가중화 k-최근접이 알고리즘이었으며, 평균절대오차는 0.0013, 평균제곱오차는 0.004, 평균제곱근오차는 0.0192로 나타났다. 즉, 가중화 k-최근접이웃 알고리즘에 의한 절삭용 인서트의 잔여 유효 수명 예측치의 평균적인 오차는 실제값 대비 0.
본 연구에서는 수집된 공작기계의 절삭용 인서트의 진동 신호 데이터를 이용하여 인서트의 잔여 유효 수명을 실시간으로 예측하기 위해 진동 데이터에 대한 시간 영역의 통계적, 물리적 특성치들을 이용하여 가중화 k-최근접이웃 알고리즘, 의사결정나무 모형, 서포트벡터회귀 등 6종을 모형에 대해 검토 하였다. 수집된 데이터를 바탕으로 한 후보 모형들에 대한 예측 성능 평가에서 가중화 k-최근접이웃 알고리즘이 평균절대오차는 0.0013, 평균제곱오차는 0.004, 평균제곱근오차는 0.0192로 가장 우수한 성능을 나타내었다. 이는 가중화 k-최근접이웃 알고리즘에 의해 예측되는 인서트의 잔여 유효 수명의 오차가 0.
0192로 나타났다. 즉, 가중화 k-최근접이웃 알고리즘에 의한 절삭용 인서트의 잔여 유효 수명 예측치의 평균적인 오차는 실제값 대비 0.001초 정도의 수준임을 의미한다. XGBoost 모형의 평균 오차는 1.

후속연구

001초 수준으로 평가된 것으로, 실제 산업현장에 적용이 가능한 수준으로 판단된다. 또한, 제안된 모형은 제품을 가공 중인 절삭용 인서트의 진동 패턴에 따라 잔여 유효 수명에 대한 실시간 예측을 통해 인서트 교환 시점에 대한 의사결정 정보를 제공하며, 이는 가공품의 불량률 감소와 가공 중 공구 파손 등에 의한 안전사고를 방지하는데 기여할 것으로 기대된다.
이에 따라 진동 외에도 음향, 절삭력 등 잔여 유효 수명에 대한 보다 다양한 특성치들을 식별하기 위한 연구가 필요할 것으로 사료된다. 뿐만아니라 정밀 가공품을 대상으로 절삭용 공구의 마모도에 따른 표면 거칠기 등 가공품의 품질 요소의 변화를 예측할 수 있는 모형에 대한 연구가 필요할 것으로 사료된다. 이러한 연구는 공구의 진동, 음향, 절삭력 등의 특성치를 바탕으로 공구 마모도를 예측하고, 예측된 마모도를 바탕으로 가공품의 품질 요소를 예측하는 형태가 될 수 있을 것이다.
뿐만아니라 정밀 가공품을 대상으로 절삭용 공구의 마모도에 따른 표면 거칠기 등 가공품의 품질 요소의 변화를 예측할 수 있는 모형에 대한 연구가 필요할 것으로 사료된다. 이러한 연구는 공구의 진동, 음향, 절삭력 등의 특성치를 바탕으로 공구 마모도를 예측하고, 예측된 마모도를 바탕으로 가공품의 품질 요소를 예측하는 형태가 될 수 있을 것이다. 이러한 기계학습 모형은 정밀 가공품 공정의 스마트화에 유용하게 활용될 수 있을 것이다.
향후 연구 방향으로는, 본 연구에서는 절삭용 인서트의 진동 패턴에 대한 특성치 산정 단위를 잔여 유효 수명의 예측 단위인 1초로 부여하였지만, 초고속의 절삭가공 공정에 사용되는 공구에 있어서는 보다 짧은 시간 단위로 특성치를 산정하고, 잔여 유효 수명을 예측할 수 있어야 할 것으로 판단된다. 이에 따라 진동 외에도 음향, 절삭력 등 잔여 유효 수명에 대한 보다 다양한 특성치들을 식별하기 위한 연구가 필요할 것으로 사료된다. 뿐만아니라 정밀 가공품을 대상으로 절삭용 공구의 마모도에 따른 표면 거칠기 등 가공품의 품질 요소의 변화를 예측할 수 있는 모형에 대한 연구가 필요할 것으로 사료된다.
향후 연구 방향으로는, 본 연구에서는 절삭용 인서트의 진동 패턴에 대한 특성치 산정 단위를 잔여 유효 수명의 예측 단위인 1초로 부여하였지만, 초고속의 절삭가공 공정에 사용되는 공구에 있어서는 보다 짧은 시간 단위로 특성치를 산정하고, 잔여 유효 수명을 예측할 수 있어야 할 것으로 판단된다. 이에 따라 진동 외에도 음향, 절삭력 등 잔여 유효 수명에 대한 보다 다양한 특성치들을 식별하기 위한 연구가 필요할 것으로 사료된다.

참고문헌 (26)

Elvis Hozdic, "Smart Factory for Industry 4.0 : A？review,"International Jounal of Manufacturing Technologies,？Vol. 7, No. 1, pp. 28-35, 2015.
S.Wang, J.Wan, and C.Zhang, "Implementing Smart Factory？of Industry 4.0: An Outlook," International Journal of？Distributed Sensor Networks, Vol. 12, Iss: 1, pp. 1-40,？2016.
M. Pech, J.Vrcholta, and J. Bednar "Predictive Maintenance？and Intelligent Sensor in Smart Factory:Review," Sensors？(Multidisciplinary Digital Publishing Institute),Vol. 21, Iss:？4, pp. 1-40, Feb. 2021.
W.G Ha, N.H Choi, The 4th Industrial Revolution, ETRI？easy IT, 2016.
J.H. Yoon, M.J. Jung, and B.J. Ko,"Implementation of？Monitoring System for Smart Factory," Journal of Advanced？Navigation Technology, Vol. 22, No. 5, pp. 485-489, Oct.？2018.
D. S. Lim, B. S. Yang, B. H. An, A. Tan, and D. J. Kim,？"Condition Classification for Small Reciprocating？Compressors Using Wavelet Transform and Artificial Neural？Network," Journal of Power System Engineering, Vol. 7,？No. 2, pp. 29-35, 2003.
Y. B. Son, J. H. Ha, and J. W. Lee, "An experimental study？on the noise source identification of rotary compressor,"？Transactions of the Korean Society for Noise and Vibration？Engineering, Vol. 25, No. 11, pp. 723-730, 2015.

원문보기 상세보기
J. U. Ko, J. H. Jung, M. Kim, H. B. Kong, and B. D. Youn,？"Noise Robust Fault Diagnosis Technique to Simultaneously？Learn Classification and Denoising," Proceedings of The？Korean Soc. of Mech. Eng.(KSME), pp. 165-167, 2018.
D. Verstraete, A. Ferrada, E. L. Droguett, V. Meruane, and？M. Modarres, "Deep learning enabled fault diagnosis using？time-frequency image analysis of rolling element bearings,"？Shock and Vibration, Vol. 2017, 2017.
H. B. Yang, J. A. Zhang, L. L. Chen, H. L. Zhang, and S. L.？Liu, "Fault diagnosis of reciprocating compressor based on？convolutional neural networks with multisource raw？vibration signals," Mathematical Problems in Engineering,？Vol. 2019, 2019.

상세보기
S. I. Kim, Y. Noh, Y. J. Kang, S. Park, and B. Ahn, "Fault？classification model based on time domain feature extraction？of vibration data," Journal of the Computational Structural？Engineering Institute of Korea, Vol. 34, No. 1, pp. 25-33,？2021.

원문보기 상세보기
T. Benkedjouh, K. Medjaher, N. Zerhouni, and S. Rechak,？"Health assessment and life prediction of cutting tools based？on support vector regression," Journal of Intelligent？Manufacturing, Vol. 26, No. 2, pp. 213-223, 2015.

상세보기
The Prognostics and Health Management Society, 2010？Conference Data Challenge, Accessed 18 October 2014.？Available:https://www.phmsociety.org/competition/phm/10.
A.K. Jain, and B.K. LAD, "Data driven models for？prognostics of high speed milling cutters," International？Journal of Performability Engineering, Vol. 12, No. 1, pp.？3-11, 2016.

상세보기
D. Wu, C. Jennings, J. Terpenny, R. X. Gao, and S.？Kumara, "A comparative study on machine learning？algorithms for smart manufacturing: tool wear prediction？using random forests," Journal of Manufacturing Science？and Engineering, Vol. 139, No. 7, 2017.

상세보기
R. Zhao, R. Yan, J. Wang, and K. Mao, "Learning to？monitor machine health with convolutional bi-directional？LSTM networks," Sensors, Vol. 17, No. 2, pp. 273, 2017.

상세보기
A. Kumar, R. B. Chinnam, and F. Tseng, "An HMM and？polynomial regression based approach for remaining useful？life and health state estimation of cutting tools," Computers？& Industrial Engineering, Vol. 128, pp. 1008-1014, 2019.

상세보기
K. Lee, S. Park, S. Sung, and D. Park, "A Study on the？Prediction of CNC Tool Wear Using Machine Learning？Technique," Journal of the Korea Convergence Society, Vol.？10, No. 11, pp. 15-21, 2019.

원문보기 상세보기
Saxena, N. Chowdhury, and S. Devendiran, "Assessment of？gearbox fault detection using vibration signal analysis and？acoustic emission technique," Journal of Mechanical and Civil？Engineering, Vol. 7, No. 4, pp. 52-60, 2013.
W. Caesarendra and T. Tjahjowidodo, "A review of feature？extraction methods in vibration-based condition monitoring？and its application for degradation trend estimation of？low-speed slew bearing," Machines, Vol. 5, No. 4, pp. 21,？2017.

상세보기
S. I. Kim, Y. Noh, Y. J. Kang, S. Park, and B. Ahn, "Fault？classification model based on time domain feature extraction of？vibration data," Journal of the Computational Structural？Engineering Institute of Korea, Vol. 34, No. 1, pp. 25-33,？2021.

원문보기 상세보기
T. Hothorn, K. Hornik, and A. Zeileis, "Unbiased recursive？partitioning: A conditional inference framework," Journal of？Computational and Graphical statistics, Vol. 15, No. 3, pp.？651-674,

상세보기
J. Kim, S. Oh, and K. Seo, "Comparison of MLR and SVR？Based Linear and Nonlinear Regressions - Compensation for？Wind Speed Prediction," The Transactions of the Korean？Institute of Electrical Engineers, Vol. 65, No. 5, pp. 851-856,？2016.

원문보기 상세보기
S. Seo and H. Kim, "Quality Prediction Model for？Manufacturing Process of Free-Machining 303-series Stainless？Steel Small Rolling Wire Rods," Journal of Korean Society of？Industrial and Systems Engineering, Vol. 44, No. 4, pp. 12-22,？2021.

원문보기 상세보기
H. J. Lee, H. A, Kang, S. H. Lee, C. H. Lee, and S. B. Park,？"Optimization of 1D CNN Model Factors for ECG Signal？Classification," Journal of The Korea Society of Computer？and Information, Vol. 26, No. 7, pp. 29-36, 2021.
R. Diaz-Uriarte, and S. A. De Andres, "Gene selection and？classification of microarray data using random forest," BMC？bioinformatics, Vol. 7, No. 1, pp. 1-13, 2006.？

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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