| 1 |
1
복수 회의 공구마모실험을 통해 가공기계로부터 복수 개의 모니터링데이터를 획득하는 (a)단계;상기 모니터링데이터로부터 절삭력에 관계된 절삭데이터를 포함하는 데이터셋을 추출하는 (b)단계;상기 가공기계에 장착되는 공구에 대해 마모도를 기준으로 데이터 라벨링을 수행하고, 상기 공구의 마모도데이터를 상기 데이터셋에 추가하는 (c)단계;상기 데이터셋에 포함된 복수의 데이터를 기 설정된 변환데이터 형태로 변환하는 (d)단계; 및상기 변환데이터를 임의로 선택된 소프트웨어를 통해 모델링하여 공구의 마모도를 예측하는 (e)단계;를 포함하는 학습 기반의 공구 마모도 예측방법
|
| 2 |
2
제1항에 있어서,상기 (a)단계는,상기 모니터링데이터에 대해 선형 보간을 적용하여 데이터 정제를 수행하는 학습 기반의 공구 마모도 예측방법
|
| 3 |
3
제1항에 있어서,상기 (b)단계는,상기 모니터링데이터로부터 실제 절삭이 행해진 부분만을 선택하여 선별하고, 이를 기반으로 상기 데이터셋을 추출하는 학습 기반의 공구 마모도 예측방법
|
| 4 |
4
제1항에 있어서,상기 (c)단계는,스플라인 보간을 통해 마모로 추정되는 마모추정함수를 획득하는 (c-1)단계;상기 마모추정함수를 통해 상기 복수 회의 공구마모실험에 대한 마모도를 산출하는 (c-2)단계;기 설정된 기준마모도를 기준으로 하여, 상기 기준마모도 이상의 마모도를 가지는 공구는 파손공구로 분류하고, 상기 기준마모도 미만의 마모도를 가지는 공구는 정상공구로 분류하여 데이터 라벨링을 수행하는 (c-3)단계; 및상기 마모도 정보를 및 공구의 파손여부 정보를 포함하는 마모도데이터를 상기 데이터셋에 추가하는 (c-4)단계;를 포함하는 학습 기반의 공구 마모도 예측방법
|
| 5 |
5
제1항에 있어서,상기 (d)단계는,GASF(Gaussian Angular Summation Field), FFT(Fast Fourier Transform) 및 DWT(Discrete Wavelet Transform) 중 적어도 어느 하나의 기법을 적용하여 상기 데이터셋에 포함된 복수의 데이터를 기 설정된 변환데이터 형태로 변환하는 학습 기반의 공구 마모도 예측방법
|
| 6 |
6
제1항에 있어서,상기 (e)단계 이후에는,예측 결과에 대한 유효성을 확인하는 (f)단계가 더 수행되는 학습 기반의 공구 마모도 예측방법
|
| 7 |
7
제1항에 있어서,상기 (f)단계 이후에는,상기 (f)단계의 유효성 확인 결과를 반영하여 최적 예측모델을 도출하는(g)단계가 더 수행되는 학습 기반의 공구 마모도 예측방법
|
