Diagnosis of wear of milling tools considering runout effect by adopting with machine learning and wavelet

Abstract

생산 현장에서의 비용절감 문제는 생산공학 및 기계공학에서는 가장 중요한 이슈이다. 제품의 품질은 높이고, 생산 시간과 비용을 동시에 절감시키려는 노력은 모든 가공 연구의 궁극적인 목적으로 인식되고 있다. 특히 가공 연구중에서 현재까지도 각광받고 있는 분야 중 하나는 공구를 연구하는 분야로, 가공 공정의 효율과 가공된 제품의 품질에 직접적으로 큰 영향을 미치는 요소이기 때문이다. 때문에 가공 모니터링에서 공구 상태 진단은 가장 많은 관심을 받고 있으며, 가장 개선하기 어려운 부분으로 손꼽힌다. 공구 마모의 진행에 의한 가공 품질은 공구 교체로 문제를 해결 할 수 있지만, 잦은 공구 교체는 생산성과 비용 측면에서 좋지 않다. 이를 피하기 위해 공구의 마모를 정확하게 파악하는 모델이 필요한 것은 물론이며, 공구 마모에 영향을 주는 공구-홀더-스핀들의 런아웃 성분을 반드시 포함해야 한다. 이러한 일련의 복잡한 과정은 현재 주목받고 있는 인공지능을 통해서 특성 분석이 용이해지고 있어 인공지능과의 연계도 수행되고 있다. 이를 위해 본 연구에서는 기본적인 스핀들의 특성과 더불어 공구 끝단의 런아웃을 측정하여 절삭력 분석 및 마모 모델 시뮬레이션을 통해 마모 값을 예측하였다. 그리고 실제 가공 실험 결과를 통해 추출된 가공력 신호의 Wavelet 스펙트럼 데이터를 만들어 특성 분석을 수행하였다. 이를 바탕으로 Deep Neural Network (DNN)을 이용하여 인공지능을 이용한 각 날의 마모량을 예측할 수 있는 모델을 만들고 그 실증성을 입증하였다.|The cost issue at the cutting process is the most important issue in production engineering and mechanical engineering. Efforts to raise the quality of products and reduce production time and costs at the same time are recognized as the ultimate purpose of all processing research. In particular, one of the areas that is still in the spotlight from the processing research present day is the field of studying tool condition monitoring, which directly affects the efficiency of the machining process and the quality of the products. Therefore, tool status diagnosis in tool condition monitoring is receiving the most attention and is considered the most difficult part to improve. The machining quality by progress of tool wear can solve the problem by tool replacement, but frequent tool replacement is not good in terms of productivity and cost. To avoid this, a model that accurately identifies tool wear is required, and must include the tool-holder-spindle runout components that affect tool wear. This series of complex processes is also being linked to artificial intelligence as it makes it easier to analyze characteristics through artificial intelligence, which is currently drawing attention. For this purpose, the characteristics of the spindle as well as the runout of the tool tip were measured to predict wear values through analysis of cutting force and simulation of wear model. In addition, the Wavelet spectral data of the cutting force signal extracted from the experiment results and the characteristic analysis was performed. Based on spectral data, Deep Neural Network (DNN) was used to create a model that can predict the wear land on each flute using artificial intelligence and demonstrate it.