| 1 |
1
3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 단계; 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 단계; 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 단계를 포함하고,상기 3D 프린터 부품의 건전성을 진단하는 단계는, 확률 신경망(Probabilistic Neural Network, PNN) 기계학습론을 적용한 입력층, 은닉층 및 출력층으로 구축된 장비 건전성 진단 모델을 통해, 상기 입력층으로 입력된 상기 도출된 적어도 하나의 특징요소가 상기 은닉층을 거친 상기 출력층의 클래스에 속한 신호들과의 거리행렬에 근거하여 해당 클래스에 속할 확률을 계산하여 상기 3D 프린터 부품의 정상 상태와 이상 상태를 분류하는, 3D 프린터의 건전성 진단 방법
|
| 2 |
2
제1항에 있어서,상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함하는 3D 프린터의 건전성 진단 방법
|
| 3 |
3
제1항에 있어서,상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함하는 3D 프린터의 건전성 진단 방법
|
| 4 |
4
제1항에 있어서,상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함하는 3D 프린터의 건전성 진단 방법
|
| 5 |
5
제1항에 있어서,X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함하는 3D 프린터의 건전성 진단 방법
|
| 6 |
6
제1항에 있어서,상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함하는 것을 특징으로 하는 3D 프린터의 건전성 진단 방법
|
| 7 |
7
제1항에 있어서,상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나를 포함하는 3D 프린터의 건전성 진단 방법
|
| 8 |
8
제1항에 있어서,상기 적어도 하나를 수집 데이터로 수집하는 단계는, 상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집하는 3D 프린터의 건전성 진단 방법
|
| 9 |
9
제1항에 있어서,상기 적어도 하나의 특징요소를 도출하는 단계는, 상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 3D 프린터의 건전성 진단 방법
|
| 10 |
10
제1항에 있어서,상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측하는 단계를 더 포함하는 3D 프린터의 건전성 진단 방법
|
| 11 |
11
3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나를 통해, 3D 프린팅 공정 중의 3D 프린터 부품의 움직임에 따른 가속도 데이터와 음향 데이터 중 적어도 하나를 수집 데이터로 수집하는 데이터 수집부; 상기 가속도 데이터와 음향 데이터 중 적어도 하나를 이용해, 상기 3D 프린터 부품의 정상 상태 및 이상 상태를 판단하기 위한 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 특징요소 도출부; 및 상기 가속도 데이터의 특징요소와 상기 음향 데이터의 특징요소 중 적어도 하나와 상기 3D 프린터 부품의 정상 상태와 이상 상태 간의 상관관계를 기계학습을 이용해 분석하여 상기 3D 프린터 부품의 건전성을 진단하는 건전성 진단부를 포함하고, 상기 건전성 진단부는, 상기 3D 프린터 부품의 건전성을 진단하는 단계는, 확률 신경망(Probabilistic Neural Network, PNN) 기계학습론을 적용한 입력층, 은닉층 및 출력층으로 구축된 장비 건전성 진단 모델을 통해, 상기 입력층으로 입력된 상기 도출된 적어도 하나의 특징요소가 상기 은닉층을 거친 상기 출력층의 클래스에 속한 신호들과의 거리행렬에 근거하여 해당 클래스에 속할 확률을 계산하여 상기 3D 프린터 부품의 정상 상태와 이상 상태를 분류하는, 3D 프린터의 건전성 진단 장치
|
| 12 |
12
제11항에 있어서,상기 3D 프린터 부품은 상기 3D 프린터의 플레이트, 벨트 및 볼트 중 적어도 하나를 포함하는 3D 프린터의 건전성 진단 장치
|
| 13 |
13
제11항에 있어서,상기 적어도 하나의 가속도 센서는 X축 가속도 센서, Y축 가속도 센서 및 Z축 가속도 센서 중에서 적어도 하나의 가속도 센서를 포함하는 3D 프린터의 건전성 진단 장치
|
| 14 |
14
제11항에 있어서,상기 가속도 데이터의 특징요소는 X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터 중에서 적어도 하나의 가속도 데이터의 특징요소를 포함하는 3D 프린터의 건전성 진단 장치
|
| 15 |
15
제11항에 있어서,X축 가속도 데이터의 특징요소, Y축 가속도 데이터의 특징요소 및 Z축 가속도 데이터의 특징요소 중에서 적어도 하나의 가속도 데이터를 상기 3D 프린터 부품의 정상 상태의 경우와 이상 상태의 경우로 나누어서 정의하는 단계를 더 포함하는 3D 프린터의 건전성 진단 장치
|
| 16 |
16
제11항에 있어서,상기 이상 상태는 느슨한 벨트, 풀린 볼트 및 기울어진 플레이트 중 적어도 하나의 이상 상태를 포함하는 것을 특징으로 하는 3D 프린터의 건전성 진단 장치
|
| 17 |
17
제11항에 있어서,상기 특징요소는 RMS(root mean square) 특징요소, 최대(Maximum) 특징요소, 크래스트 팩터(Crest factor) 특징요소, 분산(Variance) 특징요소, 첨도(Kurtosis) 특징요소 및 비대칭도(Skewness) 특징요소 중에서 적어도 하나 이상을 포함하는 3D 프린터의 건전성 진단 장치
|
| 18 |
18
제11항에 있어서,상기 데이터 수집부는, 상기 3D 프린터에 부착된 적어도 하나의 가속도 센서와 음향 방출 센서 중 적어도 하나와 무선통신을 이용하여 수집 데이터를 수집하는 3D 프린터의 건전성 진단 장치
|
| 19 |
19
제11항에 있어서,상기 특징요소 도출부는, 상기 3D 프린터의 출력물의 적층 층수에 해당하는 수집 데이터를 층별로 나누어 상기 가속도 데이터의 특징요소 및 상기 음향 데이터의 특징요소 중 적어도 하나의 특징요소를 도출하는 3D 프린터의 건전성 진단 장치
|
| 20 |
20
제11항에 있어서,상기 건전성 진단부는, 상기 3D 프린터 부품의 건전성 진단 결과를 이용하여 상기 3D 프린터 부품의 고장을 예측하는 3D 프린터의 건전성 진단 장치
|
