http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
가공 시간 저감을 위한 유한 임펄스 응답 필터 적용 5축 코너 스무딩 알고리즘
이준수(J.-S. Lee),이재호(J. H. Lee),황순홍(S.-H. Hwang),임종민(J.-M. Lim),민병권(B.-K. Min) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
복잡한 형상 가공의 수요가 늘면서 높은 기구학적 자유도로 이를 정밀하게 가공할 수 있는 5 축 공작기계의 수요가 늘어나고 있다. 일반적으로 5 축 가공 경로는 연속적인 G01 지령을 보간하여 생성된다. G01 지령은 코너에서 가공 표면조도를 악화시키고 가공 시간이 늘어나기에 고정밀 보간을 위해서 코너 스무딩 기법이 적용된다. 본 연구에서는 가공 시간을 최소화하는 5 축 코너 스무딩 알고리즘을 제안한다. 블록의 속도 프로파일을 생성하고 이를 중첩하여 코너 스무딩을 하는 기존의 방식은 중첩 시에 최대로 계획된 가속도와 저크가 변동하여 고려하기 힘들고 가감속 시간을 조절하는데 제한이 있는 한계가 있다. 반면에 제안한 방법은 코너에서의 허용 가속도와 저크를 최대한으로 활용하고 가감속 시간을 최소화하여 전체 가공 시간을 최소화한다. 이를 위하여 3 차 유한 임펄스 응답 필터를 사용하여 직선 이송 지령과 회전 이송 지령이 동기화된 속도 프로파일을 생성하였다. 기구학적 제한 조건과 최대 허용 코너 오차를 만족하는 코너 별 유한 임펄스 응답 필터의 지연 시간의 범위를 계산하였다. 계산한 범위 내에서 가공 시간을 최소화하는 지연 시간 및 속도 프로파일 간의 중첩 시간을 선정하였다. 이후 해당 코너의 인접한 두 속도 프로파일을 선정된 시간만큼 중첩하여 전체 가공 시간을 최소화하도록 코너 스무딩을 하였다. 제안한 코너 스무딩 기법을 적용한 알고리즘으로 5 축 공구 경로 생성 시뮬레이션을 수행하였다.
권순원(S. W. Kwon),송인서(I. S. Song),이선우(S. W. Lee),이준수(J. S. Lee),김주형(J. H. Kim),임강민(G. M. Lim),권장우(J. W. Kwon) 한국재활복지공학회 2020 재활복지공학회논문지 Vol.14 No.2
본 연구에서는 기계학습을 활용하여 열화상 이미지 데이터 셋에 대한 부적합 이미지 판별 시스템을 구현하였다. 해당 시스템은 재활 환자용 맞춤형 웨어러블 의료기기 제품을 제작하는 3D프린터 설비의 이상을 미연에 방지하기 위한 이상 진단 자동화 시스템의 전처리단계에 필수적으로 활용된다. 이를 위해 먼저 FLIR (Forward Looking Infrared) 열화상 카메라를 통해 얻은 비디오 데이터를 열의 온도 정보를 포함하는 PNG (Portable Network Graphics)포맷의 이미지 형태로 추출해내는 프로세스를 개발하였고, 이 이미지 데이터셋을 기반으로 기계학습 모델인 SVM (Support Vector Machine)과 딥러닝(Deep Learning) Network를 훈련시키고 각각의 성능을 비교하였다. 연구를 위한 데이터 셋은 열이 발생되는 각종 기계설비 12개를 대상으로 수집하였다. In this paper, we implemented an inappropriate image detection system for thermal image dataset using machine learning. This system is essential for the preprocessing stage in constructing an automatic diagnosis system for abnormal diagnosis to prevent abnormalities in 3D printer equipment for manufacturing wearable medical device products for rehabilitation patients. To conduct the research, we developed a process to extract video data from FLIR thermal imaging cameras into an image in png format that includes thermal temperature information. Based on this image dataset, we trained the machine learning models Support Vector Machine and Deep Learning Network and compared their performance. The dataset for the system collected 12 heat-generating facilitys.