기상 카메라로 찍은 공구 이미지를 딥러닝이 분석해 새 공구·정상 마모·파손을 자동으로 판정합니다. 작업자 감에 의존하던 공구 교체를 데이터로 바꿉니다.
CNN 기반 딥러닝 모델이 공구 이미지를 분석해 마모 상태, 손상 여부, 수명 단계를 자동으로 판단합니다.
공구를 탈착하지 않고 기상 카메라 이미지로 바로 진단하므로 측정 때문에 가공을 오래 멈출 필요가 없습니다.
대구기계부품연구원과의 공동연구로 모은 절삭공구 이미지 데이터를 바탕으로 학습한 모델입니다.
진단 결과와 마모 이력을 플랫폼에서 함께 관리해 불필요한 조기 교체와 파손 후 교체를 모두 줄입니다.
공구를 회전시키며 측정 날의 여유면이 카메라 정면에 오는 순간을 촬영합니다.
공구 이미지와 센서 신호 데이터로 각각 학습한 모델의 진단 결과를 함께 비교해, 결과가 같을 때 최종 판정해 신뢰성을 높입니다.
날마다 새 공구 · 정상 마모 · 파손을 자동으로 판정하고, 측정 주기별 결과와 이미지를 저장합니다.
AiTCD는 협력사 에임즈(AIMS)의 AI 기반 절삭공구 상태진단 솔루션입니다. 기상 카메라로 얻은 공구 이미지를 딥러닝 모델이 분석해, 지금 이 공구가 새 공구인지, 정상적으로 마모되고 있는지, 파손되었는지를 자동으로 판정합니다.
지금까지 공구 교체는 작업자의 경험이나 정해진 가공 수량에 맞춰 이루어지는 경우가 많았습니다. AiTCD는 실제 공구 이미지를 근거로 판단하므로 아직 쓸 수 있는 공구를 일찍 버리거나, 파손된 공구로 계속 가공하는 일을 줄여 줍니다.
| AiTCD공구 상태진단지금 보는 제품 | AiTWM공구 마모량 계측자세히 보기 → | |
|---|---|---|
| 알려 주는 것 | 공구가 어떤 상태인지 (등급 판정) | 마모가 얼마나 진행됐는지 (수치 계측) |
| 결과 형태 | 새 공구(New) / 정상 마모(Worn) / 파손(Breakage) | 평균 여유면 마모 VBmean, 최대 여유면 마모 VBmax (mm) |
| 판단 근거 | 공구 이미지 + 센서 신호 데이터로 학습한 딥러닝 모델 | 공구 이미지로 학습한 딥러닝 예측 모델 |
| 이럴 때 | 파손 공구를 놓치지 않고, 교체 시점을 판단할 때 | 공구 수명 관리, 마모 추이 분석, 가공 조건 비교 |
| 진단 방식 | 이미지 기반 CNN 딥러닝 모델 |
|---|---|
| 판정 항목 | 새 공구(New) / 정상 마모(Worn) / 파손 등 공구 상태 |
| 이미지 입력 | On-Machine Vision System 카메라 모듈 또는 사용자 이미지 입력 |
| 진행 단계 | ① 공구 이미지 획득 → ② 사전 학습된 딥러닝 모델 판정 → ③ 공구 상태진단(자동화) |
| 데이터 관리 | 진단 결과·마모 이력 플랫폼 통합 관리 |
| 연동 | On-Machine Vision System, 로봇 시스템 |
| 학습 데이터 | 공구 이미지 + 센서 신호 데이터 (각 진단 결과가 일치할 때 최종 판정) |
| 상세 사양 | 적용 공구·판정 등급 구성은 협의 (문의) |
※ 사양은 제조사 사정에 따라 예고 없이 변경될 수 있습니다. 상세 사양은 브로셔를 참고하거나 문의해 주세요.
시료를 보내주시거나 방문하시면 직접 비교 시연해 드립니다.