http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Transfer Learning 기반 밀링공정 절삭력 예측 성능 비교
김혜인(H. I. Kim),김희수(H. S. Kim),구정인(J. I. Koo) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.5월
최근 대용량 데이터의 수집 및 저장이 용이해짐에 따라 데이터 내 패턴을 분석하고 그 의미를 도출하는데 용이한 Deep Learning 은 기계 상태 모니터링 및 결함 진단, 제조 프로세스 모델링 및 품질 예측과 같은 스마트 제조의 다양한 측면에서 물리학 기반 모델을 보완하기 위해 사용되고 있다. 하지만 제조 현장에서 Deep Learning을 활용하고자 할 때 현장으로부터 사용할 수 있는 데이터의 양이 적어 적용이 어려운데 이는 Deep Learning의 성능이 네트워크 훈련을 위한 데이터의 양, 다양성 및 정확성에 크게 좌우되기 때문이다. 이러한 문제를 해결하기 위해 본 연구에서는 Transfer Learning을 이용하여 소스 도메인에서 훈련된 Deep Learning 네트워크를 데이터의 양이 상대적으로 적은 특정 타겟 도메인에 적용할 수 있도록 모델을 재사용하는 방법을 제안하고자 한다. 제안된 방법론을 검증하기 위해 Transfer Learning의 적용 유무 및 사전 학습 데이터의 양에 따라 지식전이의 영향력이 얼마나 변동되는 지절삭력 예측 성능을 통해 비교하였다. 실험에 사용된 데이터는 SM45C 소재의 밀링 유형 별 가공 데이터를 CNC 모니터링 시스템을 통해 수집하였으며 Tree 기반 알고리즘을 통해 Feature Importance를 도출하여 중요도가 높은 변수를 선택하여 분석에 사용하였다.
다중 작업 학습 기반의 밀링 공정에서의 절삭력 및 공구 마모 예측
김혜인(H. I. Kim),천수민(S. M. Cheon),구정인(J. I. Koo) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
최근 제조업에서 가공 상태 모니터링 및 결함 진단 등 다양한 측면에서 물리학 기반 모델을 보완하기 위해 딥러닝을 접목하고 있지만 단일 작업에 대한 예측만 수행할 수 있어 다양한 데이터 수집을 위해서는 실험 비용이 증가하고 반복 작업을 해야 하는 한계점이 존재한다. 이러한 문제를 해결하기 위해 본 연구에서는 가공 상태를 파악할 수 있는 요소인 절삭력과 공구마모 상태를 예측하는 합성곱 신경망(Convolution Neural Network, CNN)기반 다중 작업학습 방법(Multi-Task Learning, MTL)을 제안하고자 한다. 각각 다른 특성이 하나의 신경망을 통해 다양한 작업을 동시에 수행하고 작업 간 상호적으로 영향을 미치면서 학습하는 방식인 다중 작업 학습(MTL)기법은 각 작업의 정보를 공유하며 과적합을 억제할 수 있어 예측 정확도 향상 및 분석 시간 단축이 가능하기에 실질적으로 제조 현장에서 사용 가능한 모델을 구축할 수 있다. 제안된 방법론 검증을 위해 Doosan NX5500II 장비에서 SM45C 소재의 가공 데이터를 모니터링 시스템을 통해 수집하여 사용하였으며, 다중 작업 학습 기법의 적용 유무에 따른 예측 성능 향상 정도 및 분석 시간을 비교하였다. 그 결과 다중 작업 학습 모델이 단일 작업에 대한 독립적인 합성곱 신경망 모델 보다 성능이 우수하며 모든 경우의 분석 시간이 단축되는 것을 확인하였다.