CN108108516A - 伸缩罩的异常发生推定装置以及异常发生推定方法 - Google Patents
伸缩罩的异常发生推定装置以及异常发生推定方法 Download PDFInfo
- Publication number
- CN108108516A CN108108516A CN201711176139.1A CN201711176139A CN108108516A CN 108108516 A CN108108516 A CN 108108516A CN 201711176139 A CN201711176139 A CN 201711176139A CN 108108516 A CN108108516 A CN 108108516A
- Authority
- CN
- China
- Prior art keywords
- physical quantity
- telescopic cover
- abnormal
- learning
- described device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/08—Protective coverings for parts of machine tools; Splash guards
- B23Q11/0816—Foldable coverings, e.g. bellows
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/20—Investigating the presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Numerical Control (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种伸缩罩的异常发生推定装置以及异常发生推定方法。对安装在机床上的伸缩罩的异常的发生进行推定的异常发生推定装置,基于从在机床运转时所取得的物理量提取出的特征量以及与发生在伸缩罩的异常有关的信息进行有教师学习,并存储其学习结果。基于该学习结果和所提取的所述物理量的特征量,推定机床运转时能够发生在伸缩罩的异常。
Description
技术领域
本发明涉及一种伸缩罩的异常发生推定装置以及异常发生推定方法,尤其涉及预知伸缩罩的断裂、缓冲部件(cushion)的磨损/破损等异常的发生的技术。
背景技术
伸缩罩是用于从在机床(装置)进行加工之际产生的切屑、切削液保护机床的内部机构的罩。该伸缩罩具有如下构造:通过伸缩器等伸缩部件对多层式的金属制罩进行驱动,而使罩开闭。
伸缩罩若长期使用,则有时以各种状态破损。在图1中示出了伸缩罩的典型的破损状态。由虚线包围的部位是破损部位。图1的(Ⅰ)表示金属制罩的表面破损后的状态。(Ⅱ)表示用于驱动金属制罩的伸缩器(pantagraph)断裂后的状态。(Ⅲ)是脱落的金属制罩与其他金属制罩钩挂、破损后的状态。这样的破损例如是因由各部的疲劳、磨损导致的经年劣化、由固定螺钉的松动、脱落、工件的落下导致的变形、操作错误等各种原因而产生的。
另外,在除了伸缩器构造以外的伸缩罩中,构成伸缩罩的伸缩状的钣金罩由固定部和可动部构成,为了对可动部的动作开始时、动作停止时的冲击进行缓和,而使用橡胶、树脂、海绵等缓冲部件,这些缓冲部件一般安装于钣金罩内部。伸缩罩的缓冲部件在伸缩罩的可动部动作的期间始终受到冲击,因此,发生磨损、破损。该缓冲部件通常以作为耗材进行更换为前提被设计,因此,需要定期的检修、部件更换,但出于在使用环境上的制约,另外,出于钣金罩的构造上的制约,一般如所述那样安装于钣金罩内部。
在图2示出了安装有缓冲部件的伸缩罩的一个例子。图2的(Ⅰ)表示在机床的工作台的四边安装有伸缩罩的状态。另外,图2的(Ⅱ)是表示伸缩罩内部的缓冲部件的安装状态的图(以虚线表示的部分是使进入其他钣金罩之下而看不见的部分透射的部分)。如图2的(Ⅱ)所示,缓冲部件安装于在伸缩罩伸缩之际所碰撞的部分。因此,若缓冲部件产生磨损、破损,则在伸缩罩伸缩时钣金罩彼此碰撞而钣金罩自身破损。缓冲部件的破损、磨损能够以定期的检修、部件更换来避免,但缓冲部件的状态确认、部件更换需要拆卸钣金罩来进行等,无法简便地进行,因此,在使用者中也存在疏忽检修作业而持续使用的情况,在那样的情况下,其结果,有时不仅导致缓冲部件的磨损、破损,而且也导致钣金罩主体破损。
因此,若产生这样的破损,则不仅机床的安全且稳定的运转产生故障,而且修理也需要大量的时间和成本。
因此,在日本特开2016-68183号公报中公开了在伸缩罩的伸缩动作产生了异常的情况下紧急地对其状态进行检测的技术。在该技术中,在伸缩罩内部设置有发光部和受光部,在发光部所产生的光被板体阻断而受光部无法接受光的情况下,判断为产生了异常。
然而,在所述的技术中,只能检测预先设想好的构件的、预先设想好的形态的变形等异常。另外,原则上只不过获得在产生了异常时能够尽早对其检测这样的效果,无法捕捉与异常的产生相关连的现象而获得预知异常的发生事态这样的效果。
发明内容
本发明是为了解决这样的问题点而提出的,其目的在于提供一种能够预知伸缩罩的断裂、缓冲部件的磨损/破损等异常的发生的异常发生推定装置以及异常发生推定方法。
本发明的伸缩罩的异常发生推定装置推定与安装在装置上的伸缩罩有关的异常的发生,该伸缩罩的异常发生推定装置具备:学习结果存储部,其存储基于从所述装置运转时所取得的物理量提取出的特征量以及与发生在所述伸缩罩的异常有关的信息进行有教师学习而得的学习结果;物理量取得部,其在所述装置运转时取得所述物理量;特征量提取部,其基于由所述物理量取得部取得的所述物理量来提取出所述物理量的特征量;异常推定部,其基于存储在所述学习结果存储部中的所述学习结果以及由所述特征量提取部提取出的所述特征量,推定所述装置运转时能够发生在所述伸缩罩的异常;以及推定结果输出部,其输出由所述异常推定部推定出的所述异常。
所述异常发生推定装置还具备:有教师学习部,其基于从所述装置运转时所取得的所述物理量提取出的特征量以及与发生在所述伸缩罩的异常有关的信息进行有教师学习,并将该学习的结果存储于所述学习结果存储部。
所述物理量的特征量是表示所述物理量的特征的数值。
所述物理量是所述装置发出的声音、振动和所述装置的电流值中的至少任一个。
在所述装置基于加工程序运转时,所述物理量取得部取得所述物理量,在所述装置基于所述加工程序的程序块内的预先决定的预定程序块运转时,所述物理量取得部取得所述物理量。此外,在所述装置基于判定用程序运转时,所述物理量取得部取得所述物理量。
本发明的伸缩罩的异常发生推定方法是推定与安装在装置上的伸缩罩有关的异常的发生的方法,该异常发生推定方法包括如下步骤:在安装有所述伸缩罩的状态下使所述装置运转;在所述装置运转时取得与所述装置有关的物理量;提取出所述取得的物理量的特征量;进行以与发生在所述伸缩罩的异常有关的信息即正解信息以及所述提取出的特征量为输入的有教师学习;以及在输入了所述物理量的任意的特征量时,基于所述有教师学习的学习结果推定能够发生在所述伸缩罩的异常。
所述物理量的特征量是表示该物理量的特征的数值。
所述物理量是所述装置发出的声音、振动和所述装置的电流值中的至少任一个。
在所述装置基于加工程序运转时取得所述物理量,在所述装置基于所述加工程序的程序块内的预先决定的预定程序块运转时取得所述物理量,此外,在所述装置基于判定用程序运转时取得所述物理量。
根据本发明,能够提供一种能够预知伸缩罩的断裂、缓冲部件的磨损/破损等异常的发生的异常发生推定装置以及异常发生推定方法。通过导入本发明的异常发生推定装置,机床的使用者不进行定期的检修、部件更换,就能够识别因伸缩罩本身、安装到该伸缩罩的缓冲部件磨损、破损而需要钣金罩的维护,在机床突然破损·停止之前,可以计划性地实施预防保养,实现运转率的提高、稳定的生产的维持。另外,在缓冲部件磨损、破损后的时间点,能够仅进行缓冲部件等耗材的部件更换,因此,能够防止之后钣金罩其自身破损,而实现保养费用的降低、保养时间的削减。
附图说明
图1是表示伸缩罩的破损状态的一例的图。
图2是表示安装有缓冲部件的伸缩罩的一例的图。
图3A和图3B是说明进行有教师学习的机械学习器的动作概要的图(图3A表示学习阶段,图3B表示基于学习结果的预测阶段)。
图4是表示神经元模型的示意图。
图5是表示具有3层权重的神经网络的示意图。
图6是表示伸缩罩的异常发生推定装置的概要结构的框图。
图7是表示伸缩罩的异常发生推定装置的学习阶段和预测阶段中的动作概要的图。
图8是表示正解信息y的一个例子的图。
具体实施方式
在本发明中,通过利用机械学习,对伸缩罩的异常的发生进行高精度地推定。在本发明的机械学习中,从在异常发生时和正常时发生的各种物理量(振动、声音、电流等)进行特征提取,对该提取出的特征量与发生了的异常(伸缩罩破损的位置、状态、缓冲部件的磨损状态/破损位置等)之间的关系进行机械学习。
首先,简单地说明在本发明中所使用的机械学习。
<1.机械学习>
通过分析从向进行机械学习的装置(以下称为机械学习器)输入的数据的集合提取出存在于其中的有用的规则、知识表述、判断基准等,输出其分析结果,并且进行知识的学习,从而实现机械学习。机械学习的方法是各种各样的,大致分成“有教师学习”、“无教师学习”、“强化学习”。而且,存在在实现这些方法的基础上对特征量其本身的提取进行学习的称为“深层学习”的方法。
“有教师学***)的数据组大量地提供给机械学习器,使该机械学习器学习这些数据组所具有的特征,获得根据输入对结果进行推定的模型,即,归纳性地获得该输入与该结果的关系性。这能够使用随后论述的神经网络等算法来实现。
“无教师学习”是如下方法:通过仅将输入数据大量地提供给学习装置,使学习装置学习输入数据进行怎样的分布,不提供所对应的教师输出数据,而使装置针对输入数据进行压缩、分类、整形等。能够对这些数据组所具有的特征相似的数据组彼此进行聚类等。使用其结果,设置某些基准而使其成为最佳的输出分配,从而能够实现输出的预测。
另外,作为“无教师学习”与“有教师学习”中间的问题设定,也存在被称为“半有教师学习”的问题设定,这相当于仅一部分数据集(set)包括输入和输出的数据的组、除此之外的数据集仅包括输入数据的情况。在本实施方式中,能够以无教师学习利用即使实际上不使加工机动作也能够取得的数据,高效地进行学习。
“强化学习”是如下方法:不仅通过判定、分类,也通过对行为进行学习,基于行为与环境的相互作用来对恰当的行为进行学习,即为了使将来获得的报酬最大而进行学习。在强化学习中,机械学习器能够从完全不知晓行为所引起的结果的状态、或从完全地知晓的状态开始学习。另外,也能够将以模拟人的动作的方式进行了事先学习(反向强化学习、前述的有教师学习这样的方法)的状态作为初始状态,从较佳的开始地点使学习开始。
在本发明中,以对从在伸缩罩动作时所取得的物理量所提取的特征量与在伸缩罩中发生的异常(伸缩罩的破损、缓冲部件的磨损/破损等发生了的位置、破损的状态等)之间的相关性进行学习为目的,考虑可进行基于所明示的数据的学习、需要基于学习结果对伸缩罩的异常状态进行判定等,来采用有教师学习的算法。
图3A和图3B是说明进行有教师学习的机械学习器的动作概要的图。
进行有教师学习的机械学习器的动作能够大致分为学习阶段和预测阶段这两个阶段。进行有教师学习的机械学习器若在学习阶段(图3A)中提供包括用作输入数据的状态变量(说明变量、图3A中的x1、x2、x3、…)的值、以及用作输出数据的目标变量(图3A中的y)的值的教师数据,则在输入了该状态变量的值时,对输出该目标变量的值的情况进行学习。然后,通过提供几个这样的教师数据,机械学习器构筑用于输出与状态变量的值对应的目标变量的值的预测模型(进行映射的函数f)。
另外,在进行有教师学习的机械学习器在预测阶段(图3B)中被提供了新的输入数据(状态变量)时,按照学习结果(所构筑的预测模型)对输出数据(目标变量)进行预测并输出。
作为进行有教师学习的机械学习器的学习的一个例子,例如存在将下述的式(1)所示那样的回归式用作预测模型(进行映射的函数f)的方法。在使用回归式的方法中,在学习过程中将式(1)中的各状态变量x1、x2、x3、…所取的值代入回归式时,通过对各系数a0、a1、a2、a3、…的值进行调整来进行学习,以获得目标变量(正解信息)y的值。
y=a0+a1x1+a2x2+a3x3+…+anxn ......(1)
另外,作为进行有教师学习的机械学习器的学习的另一个例子,例如存在将神经网络用作预测模型(进行映射的函数f)的方法。神经网络例如由实现图4所示那样的模拟神经元模型的神经网络的运算装置和存储器等构成。图4是表示神经元的模型的示意图。
如图4所示,神经元输出针对输入x(在此,作为一个例子,是多个输入x1~x3)的正解信息y。各输入x1~x3乘以与该输入x相对应的权重w(w1~w3)。由此,神经元将由下述的式(2)表述的正解信息y输出。此外,在式(2)中,输入x、正解信息y和权重w全部是向量。另外,θ是偏置,fk是激活函数。
而且,作为将神经网络用于进行有教师学习的机械学习器的学习的方法的应用,存在将具有组合上述的神经元而成的3层权重的神经网络用作预测模型(进行映射的函数f)的方法。图5是表示具有D1~D3这3层权重的神经网络的示意图。在图5所示的例中,输入x(在此,作为一个例子,多个输入x1~x3)从神经网络的左侧被输入,正解信息y(在此,作为一个例子,多个正解信息y1~y3)从右侧被输出。
具体而言,输入x1~x3乘以所对应的权重后被分别输入至3个神经元N11~N13。在图5中,对这些输入相乘的权重(分别与向各神经元输入的输入x1~x3相乘的权重)统一标记为矩阵w1。神经元N11~N13分别输出z11~z13。这些z11~z13统一标记为特征向量z1,能够视为提取了输入向量的特征量而成的向量。该特征向量z1是权重w1与权重w2之间的特征向量。
特征向量z11~z13被乘以所对应的权重后分别被输入至两个神经元N21、N22。在图5中,与这些特征向量相乘的权重(与向各神经元输入的各个特征向量的要素相乘的权重)统一标记为矩阵w2。神经元N21、N22分别输出z21、z22。这些统一标记为特征向量z2。该特征向量z2是权重w2与权重w3之间的特征向量。
特征向量z21、z22被乘以所对应的权重后分别被输入至3个神经元N31~N33。在图5中,与这些特征向量相乘的权重(与向各神经元输入的各个特征向量的要素相乘的权重)统一标记为矩阵w3。
最后,神经元N31~N33分别输出正解信息y1~y3。
图4、图5所示的神经网络的动作存在学习模式(与图3A的学习阶段相对应)和预测模式(与图3B的预测阶段相对应),在学习模式中,使用学习数据集来对各权重w进行学习,使用其参数在预测模式下进行伸缩罩的异常预测(出于方便,写成预测,但可以是检测、分类、推论等各种任务)。
此外,对以预测模式实际上使伸缩罩运动而获得的数据进行即时学习,也能够使学习结果反映于下一个行为(在线学习),另外,使用预先收集到的数据群而进行统一的学习,以后也能够一直以其参数进行检测模式(批量学习)。作为在线学习与批量学习之间的中间的方法,也能够在每次积存一定程度数据时间歇地进行学习模式。
能够通过误差逆传播法(反向传播)来学习权重w1~w3。误差信息从右侧进入,向左侧流动。误差逆传播法是如下方法:针对各神经元,调整(学习)各权重,以便缩小在输入了输入x时所输出的正解信息y与真正的正解信息y(教师)之间的差值。
神经网络也可以进一步将层增加到3层以上(称为深层学习)。阶段性地进行输入的特征提取,能够仅从教师数据自动地获得使结果回归的运算装置。
此外,作为有教师学***方法、逐步法、SVM、决策树学习等各种方法也是公知的,作为适用于本发明的方法,也可以采用任一有教师学习算法。这些其他有教师学习算法、使用上述的回归式的方法、使用神经网络的方法等各有教师学习算法是公知的,因此,省略本说明书中的各算法的更详细的说明。
接着,对使用了上述的有教师学习的本发明的伸缩罩的异常发生推定装置和异常检测方法进行具体的说明。
<2.实施方式>
图6是表示本发明的一实施方式中的伸缩罩的异常发生推定装置1的概要结构的框图。
典型的是异常发生推定装置1能够安装为经由通信线路、信号线等与随后论述的传感器2连接的计算机等信息处理装置。异常发生推定装置1具有有教师机械学习器10(图中的虚线框)、物理量取得部20、特征量提取部30、推定结果输出部40。
传感器2包括安装到机床、伸缩罩的振动传感器、声音传感器等各种传感器、与上述各种传感器连接的测定器(未图示)、或能够取得对机床的各轴进行驱动的电动机的位置、速度、加速度、负荷(电流值)等的数值控制装置等。即、传感器2包括取得与机床、伸缩罩有关的各种物理量、能够作为传感器值向异常发生推定装置1输出的所有的技术手段。
物理量取得部20在异常发生推定装置1内取得传感器2所输出的传感器值。取得的传感器值包括在机床的各轴移动时(快速进给时和切削进给时)机床或伸缩罩所发生的声音或振动、驱动机床的各轴的电动机的位置、速度、加速度、负荷(电流值)等实测数据。此外,在有教师机械学习器10在学习阶段动作的情况下,物理量取得部20也可以从传感器2取得传感器值。
特征量提取部30从物理量取得部20所取得的传感器值中提取特征量。特征量提取部30要提取的特征量例如也可以是声音、振动和驱动机床的各轴的电动机的电流的波形数据的最大值、最小值、平均值、分散值、波形数据的斜率变化的定时以及该时刻的物理量的值(时刻、位置)等、能够使用以往的一般的统计方法来进行数值化的特征量。或者,也可以将固定期间内的传感器值的变化图案的形状其本身作为特征量。或者,也可以按照多个物理量的组提取特征量。
例如,像下潼亚里等5人所著的“基于使用了神经网的集体学***均值进行计算,也能够将该平均值作为削减次元数后的特征量。而且,特征量提取部30也能够以使这些特征量处于0~1的范围的方式进行正规化而作为针对机械学习器10的最终的输入。
另外,特征量提取部30也可以将上述的特征量提取方法适用于振动和电流等的波形数据,提取各物理量的特征量。此外,上述的物理量和特征量是一个例子,只要是能够表示物理量的特征的值,也可以将任意的值用作特征量。
异常发生推定装置1具备有教师机械学习器10(图中的虚线框)。从传感器2输出的各种物理量被发送到异常发生推定装置1。有教师机械学习器10所具备的有教师学习部11、学习结果存储部12和异常推定部13构成有教师机械学习器10的主要部分。
有教师学习部11在有教师机械学习器10设定于学习阶段的情况下进行有教师学习,将其学习结果存储于学习结果存储部12。如图7的(Ⅰ)所示,本实施方式的有教师学习部11将特征量提取部30所提取的特征量和作为有教师数据的正解信息y作为输入,进行有教师学习。正解信息y是表示在伸缩罩中发生的异常的内容的信息。
在有教师学习部11的学习中,也可以使用从根据通常的加工程序的指令伸缩罩动作时所取得的物理量提取的特征量,但在这样的情况下,也存在加工时产生的各种干扰使学习的精度降低的可能性。因此,在要避免这样的事态的情况下,例如预先准备以易于判定伸缩罩的破损、缓冲部件的磨损/破损的状态的动作模式(例如,使工作台在前后左右交替地移动到极限位置的动作模式等)使机床动作的判定用程序,将从在(例如开始加工之前等)使该判定用程序动作时所取得的物理量提取出的特征量使用于学习。另外,也可以考虑如下情况:即使在有教师学习部11的学习中使用从执行加工程序时所取得的物理量提取出的特征量的情况下,也预先在用于指令易于判定伸缩罩的破损、缓冲部件的磨损/破损的状态的动作的程序块的前后输入指令信号等的输出的程序块,将从在检测到该信号的范围的动作时所取得的物理量提取的特征量使用于学习。
在图8中示出了正解信息y的一个例子。在伸缩罩中发生了异常之际,进行修理等应对的作业者将异常发生时刻、异常发生位置、异常内容、所实施的措施等作为维护信息输入至机床的输入装置等。所输入的维护信息被储存于异常发生推定装置1内或外部装置的未图示的存储区域。图8所示的正解信息y是将这些维护信息中的、作为字符数据的异常发生部位、异常内容、所实施的措施等代码化而成的。代码既可以在作业者制作维护信息之际输入,也可以在对维护信息进行分析而事后生成。
有教师学***(声压水平等)为预先确定好的值以上的区间相对应的特征量和该正解信息作为一组。
另外,有教师学习部11将根据在未发生异常时所取得的物理量所生成的特征量与表示没有异常发生的正解信息y(参照图8)为一组输入。有教师学习部11既可以将与上述的异常发生时的区间前后的区间相对应的特征量作为输入,也可以将在定期或随机时刻生成的特征量且并不是在上述的异常发生时的区间所生成的特征量作为输入。
在如此输入特征量和正解信息y的情况下,通过采用识别型的有教师学习方法,可安装有教师学习部11,在该情况下,使用神经网络并基于输入x生成对正解信息y进行识别的非线性识别面而设为函数f即可。
学习结果存储部12存储有教师学习部11基于教师数据进行学习的结果。例如,作为预测模型而使用上述的回归式的情况下,学习结果存储部12存储作为学习结果而获得的回归式,作为预测模型而利用使用上述的神经网络的学习方法的情况下,学习结果存储部12存储作为学习结果而获得的神经网络的参数。学习结果存储部12根据来自外部的请求输出所存储的学习结果。利用该功能,也可以将学习结果存储部12所存储的学习结果传送给其他异常发生推定装置等而利用。
如图7的(Ⅱ)所示,异常推定部13在有教师机械学习器10处于预测阶段的情况下,基于存储于学习结果存储部12的学习结果,使用物理量取得部20所取得的物理量以及特征量提取部30所提取的特征量来推定异常发生位置、异常的内容、应该实施的措施等。
在由异常推定部13进行的异常的推定中,使用从在根据通常的加工程序的指令而伸缩罩动作时所取得的物理量提取的特征量,但与学习时同样地,也可以预先准备以易于判定例如伸缩罩的破损、缓冲部件的磨损/破损的状态的动作模式(例如,使工作台在前后左右交替地移动到极限位置的动作模式等)使机床动作的判定用程序,基于从在(例如开始加工之前等)使该判定用程序动作时所取得的物理量提取出的特征量对伸缩罩的异常进行推定,另外,即使是由异常推定部13进行的异常的推定中使用从在执行加工程序时所取得的物理量提取出的特征量的情况下,也在对易于判定伸缩罩的破损、缓冲部件的磨损/破损的状态的动作进行指令的程序块的前后预先放入对信号等的输出进行指令的程序块,将从在检测到该信号的范围的动作时所取得的物理量提取出的特征量使用于伸缩罩的异常的推定。
并且,推定结果输出部40将异常推定部13推定出的异常发生位置、异常的内容、应该实施的措施等向显示装置(未图示)输出。推定结果输出部40在异常发生被推定出的情况下,也可以将该宗旨作为警告而输出,操作者能够基于所警告的内容来采取用于预防异常发生的措施。
以上,至此对本发明的实施方式进行了说明,但本发明并不只限定于上述的实施方式的例子,通过对适当的要素进行追加、变更或删除,能够以各种形态实施。例如,在上述的实施方式中所列举的物理量、特征量以及教师数据仅是一个例子,能够采用表示伸缩罩的运转状态、异常状态的物理量、特征量以及教师数据。
另外,在上述的实施方式中,出于方便,示出了使用1个伸缩罩的物理量、特征量以及教师数据来进行学习和推定的形态,但本发明并不限定于此。例如,异常发生推定装置1通过对位于工厂内或多个基地内的多个同一类型的伸缩罩的物理量、特征量以及教师数据进行收集,并进行学习和推定,从而能够高效地进行学习。
而且,在上述的实施方式中,在异常发生推定装置1具有有教师学习部11,然而,例如在假定了将由其他异常发生推定装置1学习的学习结果向学习结果存储部12复制来使用的情况下,无需安装有教师学习部11。在如此构成的情况下,无法学习新的伸缩罩的特征,但在适用于同一类型的伸缩罩的情况下,不装入学习用的机构,可以通过使用现有的学习结果来进行优选的异常推定。
Claims (13)
1.一种伸缩罩的异常发生推定装置,其推定与安装在装置上的伸缩罩有关的异常的发生,其特征在于,该伸缩罩的异常发生推定装置具备:
学习结果存储部,其存储基于从所述装置运转时所取得的物理量提取出的特征量以及与发生在所述伸缩罩的异常有关的信息进行有教师学习而得的学习结果;
物理量取得部,其在所述装置运转时取得所述物理量;
特征量提取部,其基于由所述物理量取得部取得的所述物理量来提取出所述物理量的特征量;
异常推定部,其基于存储在所述学习结果存储部中的所述学习结果以及由所述特征量提取部提取出的所述特征量,推定所述装置运转时能够发生在所述伸缩罩的异常;以及
推定结果输出部,其输出由所述异常推定部推定出的所述异常。
2.根据权利要求1所述的伸缩罩的异常发生推定装置,其特征在于,
该伸缩罩的异常发生推定装置还具备:有教师学习部,其基于从所述装置运转时所取得的所述物理量提取出的特征量以及与发生在所述伸缩罩的异常有关的信息进行有教师学习,并将该学习的结果存储于所述学习结果存储部。
3.根据权利要求1或2所述的伸缩罩的异常发生推定装置,其特征在于,
所述物理量的特征量是表示所述物理量的特征的数值。
4.根据权利要求1~3中任一项所述的伸缩罩的异常发生推定装置,其特征在于,
所述物理量是所述装置发出的声音、振动和所述装置的电流值中的至少任一个。
5.根据权利要求1~4中任一项所述的伸缩罩的异常发生推定装置,其特征在于,
在所述装置基于加工程序运转时,所述物理量取得部取得所述物理量。
6.根据权利要求5所述的伸缩罩的异常发生推定装置,其特征在于,
在所述装置基于所述加工程序的程序块内的预先决定的预定程序块运转时,所述物理量取得部取得所述物理量。
7.根据权利要求1~4中任一项所述的伸缩罩的异常发生推定装置,其特征在于,
在所述装置基于判定用程序运转时,所述物理量取得部取得所述物理量。
8.一种异常发生推定方法,其是与安装在装置上的伸缩罩有关的异常发生推定方法,其特征在于,该异常发生推定方法包括如下步骤:
在安装有所述伸缩罩的状态下使所述装置运转;
在所述装置运转时取得与所述装置有关的物理量;
提取出所述取得的物理量的特征量;
进行以与发生在所述伸缩罩的异常有关的信息即正解信息以及所述提取出的特征量为输入的有教师学习;以及
在输入了所述物理量的任意的特征量时,基于所述有教师学习的学习结果推定能够发生在所述伸缩罩的异常。
9.根据权利要求8所述的异常发生推定方法,其特征在于,
所述物理量的特征量是表示该物理量的特征的数值。
10.根据权利要求8或9所述的异常发生推定方法,其特征在于,
所述物理量是所述装置发出的声音、振动和所述装置的电流值中的至少任一个。
11.根据权利要求8~10中任一项所述的伸缩罩的异常发生推定方法,其特征在于,
在所述装置基于加工程序运转时取得所述物理量。
12.根据权利要求11所述的伸缩罩的异常发生推定方法,其特征在于,
在所述装置基于所述加工程序的程序块内的预先决定的预定程序块运转时取得所述物理量。
13.根据权利要求8~10中任一项所述的伸缩罩的异常发生推定方法,其特征在于,
在所述装置基于判定用程序运转时取得所述物理量。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-227720 | 2016-11-24 | ||
JP2016227720 | 2016-11-24 | ||
JP2017174459A JP6499737B2 (ja) | 2016-11-24 | 2017-09-12 | テレスコピックカバーの異常発生推定装置及び異常発生推定方法 |
JP2017-174459 | 2017-09-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108108516A true CN108108516A (zh) | 2018-06-01 |
CN108108516B CN108108516B (zh) | 2020-06-26 |
Family
ID=62069096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711176139.1A Active CN108108516B (zh) | 2016-11-24 | 2017-11-22 | 伸缩罩的异常发生推定装置以及异常发生推定方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10761063B2 (zh) |
CN (1) | CN108108516B (zh) |
DE (1) | DE102017127098B8 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110405537A (zh) * | 2019-07-17 | 2019-11-05 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
CN112714895A (zh) * | 2018-10-01 | 2021-04-27 | 株式会社椿本链条 | 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732606B2 (en) * | 2016-05-13 | 2020-08-04 | Ricoh Company, Ltd. | Information processing apparatus, information processing method, and information processing system |
JP6445088B2 (ja) * | 2017-05-24 | 2018-12-26 | ファナック株式会社 | テレスコピックカバー |
JP6698724B2 (ja) | 2018-03-06 | 2020-05-27 | ファナック株式会社 | 衝突位置推定装置及び機械学習装置 |
JP7148421B2 (ja) * | 2019-01-22 | 2022-10-05 | ファナック株式会社 | 工作機械の予防保全システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030205892A1 (en) * | 2002-05-01 | 2003-11-06 | Andrews Craig D. | Protective assembly for a trailer |
CN1748823A (zh) * | 2004-09-15 | 2006-03-22 | 雅马哈发动机株式会社 | 车辆控制装置和车辆 |
CN103370162A (zh) * | 2011-03-10 | 2013-10-23 | 弗罗纽斯国际有限公司 | 用于监测电弧过程的装置和方法 |
CN105388852A (zh) * | 2014-08-29 | 2016-03-09 | 兄弟工业株式会社 | 数控装置、机床和控制方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000052183A (ja) | 1998-08-11 | 2000-02-22 | Okuma Corp | カバー装置の損傷防止装置 |
JP3905405B2 (ja) | 2002-03-22 | 2007-04-18 | 株式会社ジェイテクト | 切粉堆積検知方法および装置 |
JP4501918B2 (ja) | 2006-09-29 | 2010-07-14 | パナソニック電工株式会社 | 工具の取付異常検出装置 |
JP4321581B2 (ja) * | 2006-11-30 | 2009-08-26 | パナソニック電工株式会社 | 工作機械総合監視装置 |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP4890596B2 (ja) | 2009-07-21 | 2012-03-07 | 株式会社ナベル | テレスコピックカバー |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
JP2016068183A (ja) | 2014-09-29 | 2016-05-09 | 株式会社ナベル | 工作機械用遮蔽装置 |
JP6778547B2 (ja) | 2016-08-15 | 2020-11-04 | オークマ株式会社 | テレスコカバー装置 |
-
2017
- 2017-11-17 DE DE102017127098.1A patent/DE102017127098B8/de active Active
- 2017-11-21 US US15/819,001 patent/US10761063B2/en active Active
- 2017-11-22 CN CN201711176139.1A patent/CN108108516B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030205892A1 (en) * | 2002-05-01 | 2003-11-06 | Andrews Craig D. | Protective assembly for a trailer |
CN1748823A (zh) * | 2004-09-15 | 2006-03-22 | 雅马哈发动机株式会社 | 车辆控制装置和车辆 |
CN103370162A (zh) * | 2011-03-10 | 2013-10-23 | 弗罗纽斯国际有限公司 | 用于监测电弧过程的装置和方法 |
CN105388852A (zh) * | 2014-08-29 | 2016-03-09 | 兄弟工业株式会社 | 数控装置、机床和控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112714895A (zh) * | 2018-10-01 | 2021-04-27 | 株式会社椿本链条 | 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型 |
CN110405537A (zh) * | 2019-07-17 | 2019-11-05 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
CN110405537B (zh) * | 2019-07-17 | 2022-02-08 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102017127098A1 (de) | 2018-05-24 |
DE102017127098B8 (de) | 2023-05-04 |
CN108108516B (zh) | 2020-06-26 |
US20180143162A1 (en) | 2018-05-24 |
DE102017127098B4 (de) | 2023-03-16 |
US10761063B2 (en) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108516A (zh) | 伸缩罩的异常发生推定装置以及异常发生推定方法 | |
US8781982B1 (en) | System and method for estimating remaining useful life | |
JP5943357B2 (ja) | 検出装置、検出方法、およびプログラム | |
CN107545095A (zh) | 用于飞行器大修期间的结构修理的预测方法和*** | |
CN110738360A (zh) | 一种设备剩余寿命预测方法及*** | |
US20080140361A1 (en) | System and method for equipment remaining life estimation | |
US20170228644A1 (en) | Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu | |
JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
JP6514342B2 (ja) | オンライン予測システムおよび方法 | |
JP6499737B2 (ja) | テレスコピックカバーの異常発生推定装置及び異常発生推定方法 | |
Wang et al. | An evolving neuro-fuzzy technique for system state forecasting | |
Wang et al. | An evolving fuzzy predictor for industrial applications | |
CN107301489A (zh) | 实施生产计划的生产*** | |
JP6333868B2 (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
CN110303492A (zh) | 控制装置、机器学习装置以及*** | |
Garg et al. | A two-phase approach for reliability and maintainability analysis of an industrial system | |
JP6647473B1 (ja) | 異常検知装置および異常検知方法 | |
EP4068140A1 (en) | Method and system for optimizing a simulation model using machine learning | |
CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
Ghiasi et al. | Optimum feature selection for SHM of benchmark structures using efficient AI mechanism | |
CN110520702A (zh) | 监视电子设备的热健康 | |
CN108803690A (zh) | 数值控制装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |