Feb 02, 2024
은둔
Scientific Reports 12권, 기사 번호: 10733(2022) 이 기사 인용 681 액세스 측정항목 세부 정보 전형적인 기계 제품인 유압 장비는 다양한 분야에서 광범위하게 사용되어 왔습니다.
Scientific Reports 12권, 기사 번호: 10733(2022) 이 기사 인용
681 액세스
측정항목 세부정보
유압기기는 대표적인 기계제품으로 다양한 분야에서 널리 사용되고 있습니다. 어셈블리 편차 데이터의 정확한 획득과 안전한 전송은 PLM 중심 가치 사슬 협업에서 유압 장비 제조업체에게 가장 중요한 문제입니다. 기존 편차 예측 방법은 주로 제품 설계 및 조립 단계에 집중된 조립 품질 관리에 사용됩니다. 그러나 서비스 단계에서 발생하는 실제 조립 편차는 장비 유지 관리 및 공차 설계를 안내하는 데 사용될 수 있습니다. 본 논문에서는 관찰 가능한 어셈블리 편차를 기반으로 고충실도 예측 및 개인 정보 보호 방법을 제안합니다. 어셈블리 기능 편차를 예측하기 위해 계층적 그래프 주의 네트워크(HGAT)가 설정되었습니다. 어셈블리 편차 프라이버시 보호를 위한 그래프 주의 네트워크 모델을 생성하기 위해 계층적 일반화 표현 및 차등 프라이버시 재구성 기술도 도입되었습니다. 어셈블리 부품의 정의된 수정 필요 지수를 계산하기 위해 파생 그라데이션 행렬이 설정됩니다. 두 가지 개인 정보 보호 전략은 노드 표현 및 인접 관계의 어셈블리 개인 정보를 보호하도록 설계되었습니다. 제안된 방법의 효율성과 우수성은 4열 유압 프레스를 사용한 사례 연구를 통해 입증되었습니다.
PLM(제품-수명주기-관리) 중심의 가치사슬 협업1,2은 경제 세계화 속에서 경쟁력을 향상시키는 최신 방법이 되었습니다. 기계제품의 지능적인 진단과 유지보수는 가장 중요한 부분 중 하나입니다. 유압 장비는 제조 산업에서 중요한 역할을 합니다3. 장기간 사용 후에는 이상적인 위치에서 벗어난 변형으로 인해 각 부품의 편차가 이론값과 크게 다를 수 있습니다4. 기존 유지 관리 방법은 거의 맹목적이고 시간 소모적이며 힘듭니다. 복잡한 어셈블리에서는 측정 가능한 편차가 제한되어 있기 때문입니다. 완전한 편차는 조립 유지 관리에 대한 풍부한 지침 정보를 제공합니다. 따라서, 특징 그래프6,7를 기반으로 알려지지 않은 편차를 예측하기 위해 기계 학습 방법의 새로운 분야인 그래프 모델5이 제안되었습니다. 여기서 본 연구는 조립 이탈 예측을 위한 개인 정보 보호에 중점을 둡니다. 데이터 프라이버시8는 편차가 민감하고 그래프 모델에서 파생된 장비 정보 유출을 방지해야 하기 때문에 매우 중요합니다. 기존 연구는 제품 설계9,10,11 및 조립 단계12,13,14의 편차 할당에 중점을 두고 있습니다. 예를 들어 Stefan et al.15은 제품 개념 설계 단계에서 공차 평가를 위한 방법을 제안했습니다. 이를 통해 설계자는 최종 형상을 정의하기 전에 공차를 평가할 수 있습니다. Zhou et al.16은 어셈블리 피처 인접 행렬과 기하학적 피처 공차 행렬을 기반으로 한 어셈블리 시퀀스 편차 전파 모델을 제안했습니다. 다양한 조립 순서의 누적 편차가 제품 조립 품질에 미치는 영향을 정확하고 효과적으로 평가할 수 있습니다. 또한 Liu et al.17은 가공 오류 전파 네트워크를 기반으로 한 변동 평가 및 식별 방법을 제안했습니다. 공작물의 가공 공정에서 변동의 원인을 식별할 수 있습니다. 그러나 기존의 편차 예측 방법은 주로 조립 품질 관리에 사용됩니다. 대부분의 연구는 설계 단계에 초점을 맞추고 사용 중 기하학적 특징 편차를 고려하지 않습니다. 변형을 무시하고 이러한 연구는 강체 조립 범주에 속합니다. 게다가 서비스 단계에서 발생한 편차는 제품 유지 관리를 안내하거나 공차 할당을 개선하는 데 사용되지 않습니다18.
또한 기계 어셈블리는 기능 그래프19,20,21로 간주될 수 있습니다. 인공지능의 발달로 기계학습 알고리즘22,23을 그래프 영역24,25,26으로 일반화하는 유망한 분야가 있다. 그리고 어셈블리의 누락된 편차는 해당 특성 그래프를 기반으로 예측될 것으로 예상됩니다. 본 논문에서는 유압 장비의 알려지지 않은 조립 편차를 예측하기 위해 계층적 그래프 주의 네트워크(HGAT)27,28,29를 제안하고 장비 유지 관리를 위해 파생 기울기 행렬을 정의합니다. 한편, 제안된 HGAT 방법의 계층적 메커니즘은 그래프 구조 정보를 활용하는데 유리하다. 반면, 인접 노드의 가중치는 편차 예측의 정확도를 더욱 향상시킵니다.