| 1 |
1
가공에 요구되는 기초가공정보를 수집하는 (a)단계;상기 기초가공정보를 처리하는 (b)단계;상기 (b)단계에 의해 처리된 기초가공정보에 가공공구정보를 반영하여 가공실험조건 별 통합 데이터 세트를 복수 개 도출하는 (c)단계;절삭력에 영향을 주는 복수 개의 절삭조건 파라미터 중 적어도 일부를 조합하여 복수 개의 파라미터 세트를 도출하는 (d)단계;상기 복수 개의 통합 데이터 세트 중 어느 하나 및 상기 복수 개의 파라미터 세트 중 어느 하나를 선택 조합하여 복수 개의 조합데이터를 도출하는 (e)단계;상기 복수 개의 조합데이터에 대한 정확성을 검증하는 (f)단계;상기 (f)단계에 의해 정확성이 검증된 상기 복수 개의 조합데이터 중 대표적으로 선택된 조합데이터를 추출하는 (g)단계; 및상기 최적 조합데이터를 기초로 하여 기 설정된 조건 하에서의 가공성을 진단하는 (h)단계;를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 2 |
2
제1항에 있어서,상기 (b)단계는,상기 기초가공정보를 통해 가공 시뮬레이션을 수행하여 시뮬레이션 가공데이터를 추출하는 (b-1)단계; 및상기 기초가공정보를 이용하여 실가공을 수행하고, 실체 가공데이터를 추출하는 (b-2)단계;를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 3 |
3
제2항에 있어서,상기 (b)단계는,상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터를 동기화하여 동기화 샘플데이터를 도출하는 (b-3)단계를 더 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 4 |
4
제3항에 있어서,상기 (b-3)단계는,상기 시뮬레이션 가공데이터 및 상기 실체 가공데이터 각각의 주기를 산출하고, 산출된 주기에 따라 동기화를 수행하여 상기 동기화 샘플데이터를 도출하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 5 |
5
제1항에 있어서,상기 (e)단계는,상기 복수의 통합 데이터 세트와 상기 복수의 파라미터 세트에 대해 서로 1:1 매칭을 수행하도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 6 |
6
제1항에 있어서,상기 (f)단계는,복수 개의 학습모델을 정의하는 (f-1)단계;상기 복수 개의 학습모델에 상기 복수 개의 조합데이터를 대입하는 (f-2)단계;상기 복수 개의 조합데이터를 이용하여 실가공을 수행하는 (f-3)단계; 및상기 (f-2)단계 및 상기 (f-3)단계의 결과값을 대비하여 정확성을 검증하는 (f-4)단계;를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 7 |
7
제1항에 있어서,상기 (g)단계는,상기 복수 개의 조합데이터 중 정확성이 가장 높은 최적 조합데이터를 대표적으로 선택하도록 하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 8 |
8
제1항에 있어서,상기 기초가공정보는,가공대상의 소재, 가공설비의 종류, 가공공구의 종류 및 가공실험 조건 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 9 |
9
제1항에 있어서,상기 가공공구정보는,가공을 수행하기 위한 가공공구의 종류, 가공공구의 형태, 가공공구의 크기, 가공공구의 무게 및 가공공구의 가공 각도 중 적어도 어느 하나 이상을 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
| 10 |
10
제1항에 있어서,상기 절삭조건 파라미터는,공급 전류, 공급 전압, 가공공구의 회전속도 및 가공공구의 이동속도 중 적어도 어느 하나 이상의 정보를 포함하는 생산시스템 최적화를 위한 학습 기반의 가공성 진단방법
|
