[논문]고속가공에서 2중 신경망을 이용한 표면거칠기 예측과 가공DB 구축 효율화 방안

원종률; 남성호; 유송민; 이석우; 최헌종

문제 정의

본 연구에서는 절삭시 복합적인 가공특성을 내포하고 있는 요인이 최종 가공특성에 미치는 영향을 분석.활용하기 위하여 절삭력 데이터를 표면 거칠기 예측에 활용할 수 있는 2중 신경망 예측방법을 제시하였다.
본 연구에서는 가공인자와 절삭력 데이터의 조합을 신경망의 입력 패턴으로 사용하여 2중 신경망에 의한 학습을 통하여 미지의 가공인자에 대한 표면거칠기를 예측하기 위한 절차를 제시하였다. 가공인자 뿐만 아니라 절삭력 데이터 포함할 경우 표면 거칠기 예측률이 크게 향상됨을 통하여 고속가공 영역에서 표면 거칠기에 미치는 복합된 절삭메카니 즘을 잘 반영함을 알 수 있었다.
이러한 문제점에 대한 대안으로써 불분명한 개념을 수학적으로 계산하는 퍼지 이론이나 학습과정을 거쳐 임의 의 값을 계산흐I는 신경망, 의사결정 모듈을 포함한 전문가시스템(expert system)의 개념들을 생산시스템과 접목시키고자 하는 연구들이 수행되었다.㈤侦5旳 이러한 일련의 과정은 기존의 생산영역에서 얻은 데이터를 바탕으로 새로운 생산영역에 적용하여 미지의 값을 추론해 내는 방식으5, 직접 경험하지 못한 생산조건에서 최적의 생산조건을 선정하는데 그 목적이 있다.

제안 방법

본 연구에서는 절삭시 복합적인 가공특성을 내포하고 있는 요인이 최종 가공특성에 미치는 영향을 분석.활용하기 위하여 절삭력 데이터를 표면 거칠기 예측에 활용할 수 있는 2중 신경망 예측방법을 제시하였다. 또한, 신뢰성 있는 예측을 위한 학습데이터를 최소한의 가공조건 조합하에서 확보하기 위하여 실험계획법을 적용함으로써 실제 가공시스템에 적용될 수 있는 효율적인 방안임을 기술한다.
1은 미지의 가공인자 조합에 대한 표면 거칠기 예측에 절삭력 데이터 활용하기 위하여 설계된 2중 신경망의 구조를 도식적으로 나타낸 그림이다. 본 연구에서의 신경망구조는 주어진 가공인자 조합에 대하여 절삭력을 예측하기 위한 신명망 예측 단계와 가공인자와 예측된 절삭력을 통하여 최종적으로 표면 거칠기 Ra를 예측하기 위한 신명망 예측 단계의 2중 구조로 되어 있다.
한편, 본 연구에서는 이러한 신경망을 이용한 표면 거칠기 예측에 있어서 신뢰도 있는 학습 데이터 확보에 필요한 실험 조합을 제한하기 위하여 가공인자의 조합을 실험계획법의 직교배열표에 의하여 랜덤하게 산정하였다.
가공조건은 Table 1과 같이 주축회전속도(spindle speed), 이송속도(feedrate), Z축 절입 깊이(depth of cut), X-Y축 절입깊이(X-Y pitch)를 가공인자로 선정하였으며 각각의 인 자를 4수준계 직교배열표를 이용하여 조합한 후 실험순서를 랜덤하게 선정하였다. 조건에 따른 가공특성 파악을 위하여 Fig.
가공조건은 Table 1과 같이 주축회전속도(spindle speed), 이송속도(feedrate), Z축 절입 깊이(depth of cut), X-Y축 절입깊이(X-Y pitch)를 가공인자로 선정하였으며 각각의 인 자를 4수준계 직교배열표를 이용하여 조합한 후 실험순서를 랜덤하게 선정하였다. 조건에 따른 가공특성 파악을 위하여 Fig. 2와 보는 바와 같이 구역별로 상이한 조건을 부가하여 직선 평면가공을 수행하였다.
첫번째 단계에서 A, B, C, D의 가공인자 조합에 대하여 절삭력 성분 % % &을 예측하기 위한최적의 신경망 조건은 Table 2와 같다. 총 48가지 조합의 실험결과에 대하여 임의의 1 가지 조합에 대한 측정결과를 테스트 패턴으로 하고, 나머지 47가지 조합에 대한 측정결과를 학습데이터로 사용하여 신경망 예측을 수행하였다.
두번째 단계에서는 가공인자와 절삭력 성분 데이터 - A, B, C, D, % & 氏를 입력 노드로 하고 표면 거칠기 Ra 를 출력 노드로 하여 표면거칠기값 예측이 수행된다. Table 4는 이러한 신경 망 학습의 학습 조건을 나타낸 것이다.

대상 데이터

본 논문에서 사용된 고속가공기는 독일의 Roeders GmbH사의 RP-800으로 42,000rpm의 최대 주축회전속도, 60, 000mm/min의 최대 급송이송속도 사양을 가진 3축 밀링가공기이다. 공구는 Jabro-To이사의 #, 2날 볼 엔드밀 JH-110을 사용하였고 시편은 금형산업에서 가장 많이 사용되는 재질 중의 하나인 비열처리된 SKD-61 을 사용하였다.
본 논문에서 사용된 고속가공기는 독일의 Roeders GmbH사의 RP-800으로 42,000rpm의 최대 주축회전속도, 60, 000mm/min의 최대 급송이송속도 사양을 가진 3축 밀링가공기이다. 공구는 Jabro-To이사의 #, 2날 볼 엔드밀 JH-110을 사용하였고 시편은 금형산업에서 가장 많이 사용되는 재질 중의 하나인 비열처리된 SKD-61 을 사용하였다.
Table 4는 이러한 신경 망 학습의 학습 조건을 나타낸 것이다. 첫 번째 단계와유사하게 총48가지 조합의 실험결과에 대하여 임의의 1 가지 조합에 대한 값들을 테스트 패턴으로 하고, 나머지 47 가지 조합에 대한 값들을 학습데이 터로 사용하였다. 학습시의 절삭력 데이터는 실제 측정값이 사용되며, 예측을 위한 테스 트 패턴으로는 첫번째 단계에서 추정된 예측값이 사용된다.

이론/모형

각 가공조건에 따른 절삭력은 Kistler 9256A 공구동력계를 사용하였으며, 신경망 학습 데이터로 사용되는 각 축 절삭력 성분은 일정한 측정시간 동안의 RMS값이 사용된다.

성능/효과

활용하기 위하여 절삭력 데이터를 표면 거칠기 예측에 활용할 수 있는 2중 신경망 예측방법을 제시하였다. 또한, 신뢰성 있는 예측을 위한 학습데이터를 최소한의 가공조건 조합하에서 확보하기 위하여 실험계획법을 적용함으로써 실제 가공시스템에 적용될 수 있는 효율적인 방안임을 기술한다.
4는 절삭력 데이터를 활용한 2단계 신경 망을 이용한 표면거칠기 예측결과를 나타내는 것으로 미지의 가공인자 조합 A, B, C, D에 대하여 첫번째 단계에서 예즉된 절삭력 성분을 이용한 표면거칠기 예측결과의 검증을 위하여 실제 절삭력 데에터를 이용하여 예측된 결과와 비교한 결과이다. 이러한 결 과는본 연구에서 제시된 2중 신경망 예측에 의하여 정교한 표면거칠기 예측이 가능함을 알 수 있다.
본 연구에서는 가공인자와 절삭력 데이터의 조합을 신경망의 입력 패턴으로 사용하여 2중 신경망에 의한 학습을 통하여 미지의 가공인자에 대한 표면거칠기를 예측하기 위한 절차를 제시하였다. 가공인자 뿐만 아니라 절삭력 데이터 포함할 경우 표면 거칠기 예측률이 크게 향상됨을 통하여 고속가공 영역에서 표면 거칠기에 미치는 복합된 절삭메카니 즘을 잘 반영함을 알 수 있었다. 또한, 실험계획법을 통하여 한정된 수의 실험데이터만을 신경망 학습에 사용함으로써 충분한 정확도의 예측이 가능하고, 향후 최적조건 선정 프로그램에 효과적으로 적용될 수 있을 것으로 기대된다.

후속연구

그러나, 이러한 절삭조건 선정 방법론들은 지식영역의한 계와 넓은 변수를 포함하는 데이터가 필요하다는 점과 결과에 대한 이유의 해석이 난해하고, 효율적이고 체계적으로 가공데이터를 DB화하고 이를 활용하여 가공특성을 예측하는 접근방법이 미흡하다는 측면에서도 앞으로의 연구가 더 진행되어야 한다.
이러한 방법으로 수행된 신경망 예측의 6 경우에 대한 절삭력 성분의 예측 결과는 Table 3과 같다. 절삭력 성분들은 충분한 정확도 내에서 예측이 가능함을 알 수 있으며, 이후 2단계 신경망의 예측을 위한 테스트 패턴의 인자로 사용될 수 있음을 기대할 수 있다.
가공인자 뿐만 아니라 절삭력 데이터 포함할 경우 표면 거칠기 예측률이 크게 향상됨을 통하여 고속가공 영역에서 표면 거칠기에 미치는 복합된 절삭메카니 즘을 잘 반영함을 알 수 있었다. 또한, 실험계획법을 통하여 한정된 수의 실험데이터만을 신경망 학습에 사용함으로써 충분한 정확도의 예측이 가능하고, 향후 최적조건 선정 프로그램에 효과적으로 적용될 수 있을 것으로 기대된다.

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

[국내논문] 고속가공에서 2중 신경망을 이용한 표면거칠기 예측과 가공DB 구축 효율화 방안
Prediction of Surface Roughness using double ANN and the Efficient Machining Database Building Scheme in High Speed Machining 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 고속가공에서 2중 신경망을 이용한 표면거칠기 예측과 가공DB 구축 효율화 방안 Prediction of Surface Roughness using double ANN and the Efficient Machining Database Building Scheme in High Speed Machining 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 고속가공에서 2중 신경망을 이용한 표면거칠기 예측과 가공DB 구축 효율화 방안
Prediction of Surface Roughness using double ANN and the Efficient Machining Database Building Scheme in High Speed Machining 원문보기

AI 본문요약
AI-Helper