비대칭적 서포트벡터회귀를 적용한 공구마모예측과 제품표면거칠기예측 :Tool Wear Prediction and Product Surface Roughness Prediction by Asymmetric Support Vector Regression

최수진

추천

검색

자료유형: 학위논문

저자정보: 최수진 (공주대학교, 공주대학교 일반대학원)

지도교수: 이동주

발행연도: 2021

저작권: 공주대학교 논문은 저작권에 의해 보호받습니다.

이용수18

이 논문의 연구 히스토리 (2)

2021

서포트벡터 회귀를 이용한 실시간 제품표면거칠기 예측

최수진 , 이동주 산업경영시스템학회지 2021.09 학술저널

비대칭적 서포트벡터회귀를 적용한 공구마모예측과 제품표면거칠기예측

최수진 산업시스템공학과 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

5G·IoT 기술과 인공지능 기술의 발전은 금형제조 현장의 첨단스마트화를 촉진하고 있다. 특히, 공작기계에 적용되는 시스템에서 최적의 가공환경을 찾아내기 위해서는 설비 모니터링과 데이터 분석이 필수적이다.
CNC 절삭가공은 고속 고경도 장시간 무인 운용을 위한 공구마모와 파손 감지 예측이 중요하므로 가공 장비에서 수집된 생산정보 데이터 분석을 공구수명 관리에 적용할 수 있는 방법론 개발이 필요하다.
본 연구에서는 머시닝센터 가공에서 다양한 센서를 통해 데이터를 취득하여 실시간으로 공구마모, 파손과 제품표면거칠기를 예측하는 기계학습 방법을 연구하였고, 이를 통해 공구교체가 필요한 적정시기를 결정할 수 있을 것이다. 실시간으로 공구마모와 제품표면거칠기 예측을 위해 기계학습 기법인 SVR(Support Vector Regression)을 이용하여 과대, 과소, 중립 예측이 가능하도록 GSVQR(Generalized Support Vector Quantile Regression)기법을 개발하였다. GSVQR을 적용함으로써 보수적인 결정을 위해서는 공구마모와 제품표면거칠기를 과대예측하고, 모험적인 결정을 위해서는 과소예측하고, 일반적인 예측을 위해서는 중립예측을 할 수 있다. 실험에서는 금형특수강 재료의 평엔드밀 가공에서 광학측정에 의해 관찰된 공구 마모값 및 형상변화 데이터와 전류, x축, y축, z축 가속도 데이터를 취득하였다. 공구마모와 제품표면거칠기의 관계는 통계적으로 유의했다. 커널은 선형커널과 RBF커널을 사용하였고 RBF커널을 사용한 경우 예측의 정확도가 높은 것으로 나타났다. 제품표면거칠기 예측을 위해 독립변수에 공구마모량 포함의 경우와 미포함의 경우를 비교해 보았고 정확도는 큰 차이가 없음으로 나타났다. 실시간으로 공구마모량을 측정 하는 것은 매우 어려우므로, 공구마모량 데이터 없이 가속도와 전류 데이터만으로 실시간 제품표면거칠기를 예측할 수 있을 것으로 기대된다.

The development of 5G·IoT technology and artificial intelligence technology is accelerating the smartization of mold manufacturing fields. Especially, facility monitoring and data analysis are essential to find the optimal processing environment in the systems for machining tools. In CNC machining, it is important to predict tool wear and breakage for high-speed, high-hardness, long-term unmanned operation, so it is necessary to develop a methodology that can apply the analysis of production information data collected from processing equipment to tool life management. In this study, a machine learning method for predicting tool wear, breakage and product surface roughness in real time by acquiring data through various sensors in machining center processing was studied. As a result, It will be possible to determine an appropriate tool replacement time. SVR (Support Vector Regression), a machine learning technique, was used to predict tool wear and product surface roughness in real time, and the Generalized Support Vector Quantile Regression (GSVQR) technique was developed to enable over-prediction, under-prediction, and neutral prediction. By applying GSVQR, it is possible to overestimate tool wear and product surface roughness for conservative decisions, underestimate for risky decisions, and make neutral predictions for general predictions. In the experiment, tool wear and shape change data observed by optical measurement in flat end mill machining of special mold steel materials, and current, x-axis, y-axis, and z-axis acceleration data were collected. The relationship between tool wear and product surface roughness was statistically significant. As the kernel, a linear kernel and an RBF kernel were used, and the case of using the RBF kernel showed high prediction accuracy. For the prediction of product surface roughness, the case where the amount of tool wear was included in the independent variable and the case where the amount of tool wear was not included were compared, and there was no significant difference in accuracy. It is very difficult to measure tool wear in real time. In other words, it is expected that the product surface roughness can be predicted in real time only with acceleration and current data without tool wear data.

#공구마모예측 #서포트벡터회귀 #제품표면거칠기예측 #GSVQR #SVR

제1장 서론 1
1.1 연구배경 1
1.2 연구동향 6
1.2.1 SVR 6
1.2.2 공구마모예측 8
1.2.3 표면거칠기예측 10
1.3 연구목적 12
1.4 연구내용 14
제2장 비대칭적서포트벡터회귀 16
2.1 기존의SVR 16
2.1.1 SoftMargin 16
2.1.2 SVQR 18
2.2 제안하는GSVQR 19
제3장 가공시스템의고도화 28
3.1 공작물세팅시스템 28
3.2 공구수명관리시스템 29
3.3 표준화조건설정 31
제4장 실험연구 36
4.1 실험장치 36
4.1.1 고속가공머시닝센터 36
4.1.2 진동전류센서 37
4.1.3 광학비전측정기 39
4.1.4 표면조도복합측정기 41
4.2 실험재료 42
4.3 실험방법 43
4.3.1 CAM가공프로그래밍 43
4.3.2 실험데이터취득 44
4.3.3 공구마모량측정 46
4.3.4 표면거칠기측정 48
4.4 공구마모진행분석 50
제5장 예측및고찰 51
5.1 공구마모예측및고찰 51
5.2 공구마모와표면거칠기상관관계 54
5.3 제품표면거칠기예측및고찰 57
제6장 결론 62
References 64
Abstract 67
Appendix 71
A. NC Monitoring System Vibration Spectrum 71
B. Tool Wear Measurement Result 74
C. Surface Roughness Measurement Result 85

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)