CN108115682B - 机械学习装置、机器人***以及机械学习方法 - Google Patents
机械学习装置、机器人***以及机械学习方法 Download PDFInfo
- Publication number
- CN108115682B CN108115682B CN201711184024.7A CN201711184024A CN108115682B CN 108115682 B CN108115682 B CN 108115682B CN 201711184024 A CN201711184024 A CN 201711184024A CN 108115682 B CN108115682 B CN 108115682B
- Authority
- CN
- China
- Prior art keywords
- robot
- laser processing
- processing
- laser
- learning 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/08—Devices involving relative movement between laser beam and workpiece
- B23K26/0869—Devices involving movement of the laser head in at least one axial direction
- B23K26/0876—Devices involving movement of the laser head in at least one axial direction in at least two axial directions
- B23K26/0884—Devices involving movement of the laser head in at least one axial direction in at least two axial directions in at least in three axial directions, e.g. manipulators, robots
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
- B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
- B23K26/382—Removing material by boring or cutting by boring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/005—Manipulators for mechanical processing tasks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Plasma & Fusion (AREA)
- Robotics (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明提供学习激光加工机器人的加工顺序的机械学习装置、机器人***以及机械学习方法。学习激光加工机器人(1、R1、R2)的加工顺序的机械学习装置(2)具有:状态观测部(21),其将所述激光加工机器人(1、R1、R2)的激光加工点的等离子光以及所述激光加工机器人(1、R1、R2)的激光加工点的加工声音中的至少一个作为状态变量来进行观测;判定数据取得部(22),其获取所述激光加工机器人(1、R1、R2)执行处理的周期时间作为判定数据;以及学习部(23),其根据所述状态观测部(21)的输出以及所述判定数据取得部(22)的输出,学习所述激光加工机器人(1、R1、R2)的加工顺序。
Description
技术领域
本发明涉及学习激光加工机器人的加工顺序的机械学习装置、机器人***以及机械学习方法。
背景技术
近年来,利用激光进行焊接、切割以及打孔等的激光加工机器人在各种领域被利用。例如,在焊接(激光焊接)汽车车体时,使用一台或者多台激光加工机器人。
这样的激光加工机器人例如由作业员(示教员、人)来调整激光加工条件,以作业员所设定的加工条件以及加工顺序来进行加工。即,为了使周期时间最短,示教员示教焊接部位以及焊接加工顺序等。
但是,作业员例如难以示教周期时间最短的焊接部位以及焊接加工顺序等的最优解。并且,在使用多台激光加工机器人时,由于在各机器人相互不干扰的情况下示教利用哪个机器人以怎样的顺序在哪个部位进行这样的内容,因此,示教内容远远比使用一台激光加工机器人的情况复杂,高效地示教最优解就变得更为困难。
以往,例如日本特开平10-039909号公报公开了如下多台机器人的作业计划方法:为了使多台机器人的作业计划自动化而减轻劳动量,通过使作业分组化(group),以组为单位进行作业顺序和对机器人的作业的分配,减少了针对机器人与作业的组合的解的搜索数量,并且能够容易且自动地以比较现实的时间获得与最优解相差不大的最良解。
此外,以往日本特开2002-116817号公报公开了如下任务分配方法:在由多个机械实施由多个任务构成的作业时,应用使用了遗传算法的运算来求出将各任务分配给哪个机械的处理,由此,能够将任务适当分配给各机械。
并且,以往日本特开2005-108144号公报公开了如下机器人的校正数据确认装置:在机器人进行实际的作业时,通过将示教的示教数据与实际的数据进行比较来进行确认,由此区分是由传感器引起的问题还是由工件或夹具引起的问题从而探明其不良原因。
如上所述,以往例如在通过激光加工机器人对汽车车体进行激光焊接时,由人(作业员)示教焊接部位和顺序等。但是,例如难以以周期时间最短的方式来进行示教,并且在使用多台激光加工机器人时,示教内容复杂,因此,高效地示教最优解变得更为困难。
并且,例如在通过一台或者多台激光加工机器人对汽车车体进行激光焊接时,即使斟酌提案的各种技术,也难以高效地示教最优解。另外,在本说明书中,作为激光加工机器人,以激光焊接机器人为例进行说明,但是激光加工机器人不局限于用于进行激光加工的机器人,例如,进行激光切割等的机器人自然也包含于激光加工机器人之中。
发明内容
鉴于上述以往技术的课题,本发明的目的在于提供一种机械学习装置、机器人***以及机械学习方法,能够学习激光加工机器人的加工顺序并高效地示教最优解。
根据本发明涉及的第一实施方式,提供一种机械学习装置,其学习激光加工机器人的加工顺序,该机械学习装置具有:状态观测部,其将所述激光加工机器人的激光加工点的等离子光以及所述激光加工机器人的激光加工点的加工声音中的至少一个作为状态变量来进行观测;判定数据取得部,其获取所述激光加工机器人执行处理的周期时间作为判定数据;以及学习部,其根据所述状态观测部的输出以及所述判定数据取得部的输出,学习所述激光加工机器人的加工顺序。
可以是,所述判定数据取得部还获取所述激光加工机器人进行激光加工的加工速度、激光的焦点距离、加工工具的姿势以及辅助气体的流量中的至少一个作为所述判定数据。可以是,所述机械学习装置还具有:意图决定部,其根据所述学习部学习到的所述激光加工机器人的加工顺序,决定所述激光加工机器人的动作。
可以是,所述学习部具有:回报计算部,其根据所述状态观测部的输出以及所述判定数据取得部的输出来计算回报;以及价值函数更新部,其根据所述状态观测部的输出、所述判定数据取得部的输出以及所述回报计算部的输出来更新价值函数,该价值函数用于决定所述激光加工机器人的加工顺序的价值。可以是,所述回报计算部在所述周期时间长时设定负回报,在所述周期时间短时设定正回报。
可以是,所述回报计算部还在所述激光加工点的等离子光远离等离子光适当值时设定负回报,在所述激光加工点的等离子光接近所述等离子光适当值时设定正回报,或者,所述回报计算部在所述激光加工点的加工声音远离加工声音适当值时设定负回报,在所述激光加工点的加工声音接近所述加工声音适当值时设定正回报。可以是,所述回报计算部还在所述激光加工机器人进行激光加工的加工速度慢时设定负回报,在所述激光加工机器人进行激光加工的加工速度快时设定正回报。
可以是,所述机械学习装置具有神经网络。可以是,所述机械学习装置被设置给各所述激光加工机器人,并能够与至少一个其他机械学习装置相连,所述机械学习装置在与至少一个所述其他机械学习装置之间相互交换或者共享机械学习的结果。可以是,所述机械学习装置设置于云服务器或者雾服务器上。
根据本发明涉及的第二实施方式,提供一种机器人***,其具有:激光加工机器人控制装置;由所述激光加工机器人控制装置控制的所述激光加工机器人;以及上述第一实施方式的机械学习装置。可以是,设置多台所述激光加工机器人,所述判定数据取得部获取进行多台所述激光加工机器人有关的***整体的处理的***周期时间作为所述判定数据,所述学习部学习多台所述激光加工机器人有关的***整体的加工顺序。可以是,所述激光加工机器人具有以下传感器中的至少一个传感器:光传感器,其在规定波长范围内检测所述激光加工机器人的激光加工点的等离子光;以及声音传感器,其在规定频率范围内检测所述激光加工机器人的激光加工点的加工声音。
根据本发明涉及的第三实施方式提供一种学习激光加工机器人的加工顺序的机械学习方法,将所述激光加工机器人的激光加工点的等离子光以及所述激光加工机器人的激光加工点的加工声音中的至少一个作为状态变量来进行观测,获取所述激光加工机器人执行处理的周期时间作为判定数据,根据观测到的所述状态变量以及获取到的所述判定数据,学习所述激光加工机器人的加工顺序。
根据本发明涉及的第四实施方式提供一种对激光加工机器人进行的激光加工的状态进行监视的方法,对所述激光加工机器人进行激光加工时的激光加工点的加工声音进行检测,提取所述激光加工点的加工声音中的规定频率范围,根据提取出的规定频率范围的所述激光加工点的加工声音,对所述激光加工机器人进行的激光加工的状态进行监视。
附图说明
通过参照以下附图可以进一步明确地理解本发明。
图1是用于对应用本发明的机器人***的一例进行说明的图,
图2是表示本发明涉及的机器人***的一实施方式的框图,
图3是表示本发明涉及的机械学习装置的一实施例的框图,
图4是示意性地表示神经元模型的图,
图5是示意性地表示将图4所示的神经元组合而构成的三层神经网络的图,
图6A以及图6B是用于对两台激光加工机器人的加工顺序与周期时间的关系的一例进行说明的图,
图7是用于对本发明涉及的机器人***的激光加工机器人的加工工具进行说明的图,
图8A以及图8B是用于对观测本发明涉及的机器人***的激光加工机器人的激光加工时的状态进行说明的图,
图9是表示图3所示的机械学习装置的处理的一例的流程图,并且,
图10是表示图3所示的机械学习装置的处理的其他示例的流程图。
具体实施方式
以下,参照附图对本发明涉及的机械学习装置、机器人***以及机械学习方法的实施方式进行详细叙述。图1是用于对应用本发明的机器人***的一例进行说明的图,是用于说明通过两台激光加工机器人对汽车车体进行激光焊接的机器人***的图。
在图1中,附图标记1(R1、R2)表示激光加工机器人(机器人),10表示激光振荡器,11表示光纤,12表示加工工具(激光加工头),13表示机器人控制部(激光加工机器人控制装置),并且,100表示汽车车体。机器人R1、R2(1)分别由机器人控制部13控制,例如,设置成对安装于机器人1的手臂末端部的加工工具(激光加工头)12的动作进行控制。
由激光振荡器10生成的激光光线(光纤激光光线)经由光纤11供给到各机器人1(R1、R2)的激光加工头12,由此,进行例如对汽车车体100的激光焊接。另外,在图1中示出了通过两台机器人R1、R2(1)对汽车车体100进行激光焊接的状况,机器人1的数量可以是一台,或者可以是三台以上。
图2是表示本发明涉及的机器人***的一实施方式的框图,参照图1所说明的机器人***包含在环境4中。即,如图2所示,本实施方式的机器人***包含:参照图1所说明的机器人1(R1、R2)、激光振荡器10、光纤11、加工工具12以及机器人控制部13和机械学习装置2。
这里,机械学习装置2可以设置给各机器人1(机器人控制部13:边缘),例如,可以设置给具有多个机器人1(机器人***)的每个工场(例如,雾服务器)、或者可以设置给经由互联网等通信线路与多个工场相连接的云服务器。另外,设置给各机器人的机械学习装置例如可以设置成:能够与至少一个其他机械学习装置相连接,该机械学习装置在与该至少一个其他机械学习装置之间相互交换或者共享机械学习的结果。
图3是本发明涉及的机械学习装置的一实施例的框图。如图2以及图3所示,本实施例的机械学习装置2进行强化学习,具有:状态观测部21、判定数据取得部22、学习部23以及意图决定部24,学习部23具有:回报计算部231以及价值函数更新部232。
状态观测部21将机器人(激光加工机器人)1的激光加工点的等离子光以及机器人1的激光加工点的加工声音中的至少一个作为状态变量进行观测。这里,激光加工点的等离子光例如由安装于机器人1的手臂末端部的加工工具12上设置的光传感器(光电传感器)来检测,此外,激光加工点的加工声音由设置于加工工具12的声音传感器(麦克风)来检测。另外,参照图8A以及图8B在后面对激光加工点的等离子光以及加工声音的检测进行详细叙述。
判定数据取得部22获取机器人1执行处理的周期时间作为判定数据。这里,例如在通过图1所示那样的两台机器人1(R1、R2)进行激光焊接时,可以将由两台机器人进行的激光焊接全部设定为周期时间。另外,判定数据取得部22还可以获取将机器人1进行激光加工的加工速度、激光的焦点距离、加工工具12的姿势以及辅助气体的流量中的至少一个作为判定数据。
学习部23根据状态观测部21的输出以及判定数据取得部22的输出,学习机器人1的加工顺序,学习部23包含回报计算部231以及价值函数更新部232。回报计算部231根据状态观测部21的输出以及判定数据取得部22的输出来计算回报,价值函数更新部232根据状态观测部21的输出、判定数据取得部22的输出以及回报计算部231的输出来更新价值函数,该价值函数用于决定机器人1的加工顺序的价值。另外,意图决定部24根据学习部23学习到的机器人1的加工顺序,决定机器人1的动作。
即,回报计算部231例如在周期时间长时设定负回报,在周期时间短时设定正回报。此外,回报计算部231例如可以在激光加工点的等离子光远离等离子光适当值时设定负回报,在激光加工点的等离子光接近等离子光适当值时设定正回报,或者,在激光加工点的加工声音远离加工声音适当值时设定负回报,在激光加工点的加工声音接近加工声音适当值时设定正回报。并且,回报计算部231也可以在机器人1进行激光加工的加工速度(V)慢时设定负回报,在机器人进行激光加工的加工速度快时设定正回报。
机械学习装置2具有如下功能:通过解析从输入到装置的数据集合中提取出其中有用的规则和知识表现、判断基准等,输出其判断结果,并且进行知识学习(机械学习)。机械学习的方法是多种多样的,但是大致分类为例如“有教师学习”、“无教师学习”以及“强化学习”。并且,在实现这些方法的基础上,存在对特征量本身的提取进行学习的、称为“深度学习(Deep Learning)”的方法。
另外,图3所示的机械学习装置2应用了“强化学习(Q学习)”。该机械学习装置2可以使用广泛应用的计算机或者处理器,例如,在应用GPGPU(General-Purpose computingon Graphics Processing Units)或大规模PC簇等时,能够更高速地进行处理。这里,关于机械学习的整体进行概略说明。
首先,所谓有教师学习是通过将教师数据即某种输入与结果(label)的数据组大量地给予到机械学习装置,学习这些数据集(data set)中的特征,能够归纳性地获得从输入推定结果的模型(误差模型)即其相关性。例如,能够使用后述的神经网络等算法来实现。
此外,所谓无教师学习是如下技术:通过只将输入数据大量地给予到机械学习装置,学习输入数据进行怎样的分布,即使不给予对应的教师输出数据,也能学习针对输入数据进行压缩、分类、整形等的装置。例如,可以将处于这些数据集之中的特征聚类于相似者之间等。使用其结果来进行设定某个基准而使其为最佳这样的输出分配,由此,可以实现预测输出。
另外,作为无教师学习和有教师学习中间的问题设定而被称为半有教师学习,其例如对应于如下情况:仅存在一部分输入和输出的数据组,除此之外仅有输入数据。
接下来,对强化学习进行说明。首先,作为强化学习的问题设定,考虑如下。
·机器人***(即,激光加工机器人1以及激光加工机器人控制装置(机器人控制部:例如包括机械学习装置2))13观测环境的状态,决定行为。
·环境按照某种规则进行变化,并且自身的行为有时也对环境给予变化。
·每次进行行为时反馈回来回报信号。
·想要最大化的是到将来的(折扣)回报的总和。
·从完全不知道行为引起的结果或者从只是不完全知道的状态起,开始学习。即,以机器人控制部实际动作开始,能够将其结果获得为数据。也就是说,需要一边试错一边探索最佳的行为。
·可以将模仿人类动作这样事前学习(所述的称为有教师学习、逆强化学习这样的技术)了的状态设为初始状态,来从较好的开始点起开始学习。
这里,所谓强化学习是用于如下学习的方法:不单进行判定和分类,还通过学习行为而在行为给予环境的相互作用基础上学习适当的行为,即,使将来获得的回报最大化。以下,作为示例,以Q学习的情况继续说明,但是并非局限于Q学习。
Q学习是在某种环境状态s下学习选择行为a的价值Q(s、a)的方法。也就是说,在某种状态s时,将价值Q(s、a)最高的行为a选择为最佳行为。但是,最开始对于状态s与行为a的组合来说,完全不知道价值Q(s、a)的正确值。因此,智能体(行为主体)在某种状态s下选择各种各样的行为a,并针对当时的行为a给予回报。由此,智能体继续学习更好的行为选择,即学习正确的价值Q(s、a)。
并且,行为的结果是想要使到将来获得的回报的总和最大化,所以目标是最终成为Q(s、a)=E[Σ(γt)rt]。这里,按最佳行为改变状态时得到期望值,由于不知道期望值,因此不得不一边探索一边学习。这样的价值Q(s、a)的更新式例如可以通过如下数学式(1)来表示。
在上述的数学式(1)中,st表示时刻t的环境状态,at表示时刻t的行为。通过行为at,状态变化为st+1。rt+1表示通过该状态的变化而得到的回报。此外,带有max的项是:在状态st+1下,将γ乘以选择出当时知道的Q值最高的行为a时的Q值。这里,γ是0<γ≤1的参数,被称为折扣率。α是学习系数,设α的范围为0<α≤1。
上述的数学式(1)表示如下方法:根据试行at的结果而反馈回来的回报rt+1,更新状态st下的行为at的评价值Q(st、at)。即,表示了:若回报rt+1+行为a导致的下一状态下的最佳行为max a的评价值Q(st+1、max at+1)比状态s下的行为a的评价值Q(st、at)大,则增大Q(st、at),反之如果小,则减小Q(st、at)。也就是说,使某种状态下的某种行为价值,接近在作为结果即时反馈回来的回报和该行为导致的下一状态下的最佳的行为价值。
这里,Q(s、a)在计算机上的表现方法有以下方法:针对所有的状态行为对(s、a),将其值保存为表格的方法、以及准备近似Q(s、a)这样的函数的方法。在后者的方法中,可以通过随机梯度下降法(Stochastic gradient descent method)等方法来调整近似函数的参数来实现上述的数学式(1)。另外,作为近似函数,可以使用后述的神经网络。
此外,作为强化学习中的价值函数的近似算法,可以使用神经网络。图4是示意性地表示神经元模型的图,图5是示意性地表示将图4所示的神经元组合而构成的三层的神经网络的图。即,例如由模拟了图4所示那样的神经元模型的运算装置以及存储器等来构成神经网络。
如图4所示,神经元输出针对多个输入x(在图4中,作为一个示例,输入x1~x3)的输出(结果)y。对各输入x(x1、x2、x3)乘以与该输入x对应的权值w(w1、w2、w3)。由此,神经元输出由如下数学式(2)表现的结果y。另外,输入x、结果y以及权值w都是向量。此外,在下述的数学式(2)中,θ是偏置(bias),fk是激活函数(activation function)。
参照图5,对组合了图4所示的神经元而构成的三层的神经网络进行说明。如图5所示,从神经网络的左侧输入多个输入x(这里作为一例是输入x1~输入x3),从右侧输出结果y(这里作为一例,结果y1~结构y3)。具体来说,输入x1、x2、x3乘以对应的权值而被输入到三个神经元N11~N13的每一个。与这些输入相乘的权值统一标记为W1。
神经元N11~N13分别输出z11~z13。在图5中,这些z11~z13可以被统一标记为特征向量Z1,看作是提取出输入向量的特征量而得的向量。该特征向量Z1是权值W1与权值W2间的特征向量。z11~z13乘以对应的权值而被输入到两个神经元N21以及N22的每一个。与这些特征向量相乘的权值被统一标记为W2。
神经元N21、N22分别输出z21、z22。在图5中,这些z21、z22被统一标记为特征向量Z2。该特征向量Z2是权值W2与权值W3之间的特征向量。z21、z22乘以对应的权值而被输入到三个神经元N31~N33的每一个。与这些特征向量相乘的权值被统一标记为W3。
最后,神经元N31~N33分别输出结果y1~结果y3。在神经网络的动作中有学习模式和价值预测模式。例如,在学习模式中使用学习数据集来学习权值W,在预测模式中使用其参数进行机器人控制部的行为判断。另外,为了方便而写为预测,但是也可以是检测、分类、推论等多种多样的任务。
这里,可以是在预测模式下对实际运行机器人控制部而获得的数据进行即时学习,并反映到下一行为中(在线学习),也可以是使用预先收集好的数据组来进行汇总学习,以后一直用该参数进行检测模式(批量学习)。或者,每当积攒了其中间的某种程度数据时,就可以***学习模式。
此外,能够通过误差反传播法(back propagation)来学习权值W1~W3。另外,误差信息从右侧进入流向左侧。误差反传播法是如下技术:针对各神经元调整(学习)各自的权值使得降低输入了输入x时的输出y与真的输出y(教师)之间的差量。这样的神经网络还可以在三层以上进一步增加层(称为深层学习)。此外,还能够阶段性地进行输入的特征提取,仅从教师数据自动地获得用于反馈结果的运算装置。
这里,通过参照图3进行说明可以明确,本实施例的机械学习装置2例如为了实施Q学习而具有:状态观测部21、判定数据取得部22、学习部23、以及意图决定部24。其中,应用于本发明的机械学习方法并非局限于Q学习,此外,机械学习装置2如上所述例如是通过应用GPGPU或大规模PC簇等能够实现的装置。
图6A以及图6B是用于对两台激光加工机器人的加工顺序与周期时间的关系的一例进行说明的图,图6A表示加工顺序交换前,图6B表示加工顺序交换后。另外,可以通过进行模拟来确认这样的加工顺序的交换。在图6A以及图6B中附图标记P1~P4表示加工(激光焊接处理)所需的期间(时间),M1~M5表示将安装于机器人1的手臂末端部的加工工具(激光加工头)12移动至规定位置所需的期间,T1~T6表示机器人1既不加工也不移动的待机期间。
如图6A所示,在交换加工顺序前,第一机器人R1以P1→M1→P2→M2→T1这样的方式进行动作,第二机器人R2以M3→T2→P3→M4→T3→P4→M5这样的方式进行动作,两台机器人R1以及R2在时刻EPa结束两者的处理。此时,例如图6B所示,若交换第一机器人R1的“P1→M1”与“P2→M2”的顺序,则第一机器人R1以P2→M2→T4→P1→M1→T6这样的方式进行动作,第二机器人R2以M3→T2→P3→M4→T5→P4→M5这样的方式进行动作,两台机器人R1以及R2在时刻EPb结束两者的处理。
即,从图6B与图6A的比较中能够明确:两台机器人R1以及R2进行相同的加工P1~P4以及移动M1~M5的处理,而通过交换第一机器人R1的“P1→M1”与“P2→M2”的顺序而将整体的处理时间(周期时间)缩短Ts(Ts=EPa-EPb)。在图6A以及图6B中,为了说明而以简略化的处理为例,但是实际上需要进行基于各种因素的复杂处理,本实施方式的机械学习装置学习这样的激光加工机器人的加工顺序。
图7是用于对本发明涉及的机器人***的激光加工机器人的加工工具进行说明的图。加工工具(激光加工头)12例如安装于机器人(激光加工机器人)1的手臂末端部,进行针对工件W(例如,汽车车体100)的激光加工(例如,激光焊接)。在加工工具12中,例如加工工具12(激光加工机器人1)进行激光加工时的加工速度V、激光的焦点距离D、加工工具12的姿势Ps以及辅助气体的流量F这样的加工条件被调整成适当值。另外,加工速度V、焦点距离D、姿势Ps以及流量F可以分别通过已知的加工监视传感器的输出而被求出。
之后,参照图9以及图10所示的流程图进行详细叙述,调整加工条件以使加工监视传感器的输出为适当值,例如上述的机械学习装置2的学习部23中的回报计算部231在机器人1进行的处理时间(***周期时间)长时设定负回报,在周期时间短时设定正回报。此外,回报计算部231在加工监视传感器的输出远离适当值时设定负回报,在加工监视传感器的输出接近适当值时设定正回报。并且,回报计算部231可以在机器人1进行激光加工的加工速度V慢时设定负回报,在机器人1进行激光加工的加工速度V快时设定正回报。
图8A以及图8B是用于对观测本发明涉及的机器人***的激光加工机器人中的激光加工时的状态进行说明的图,图8A表示观测激光加工点的等离子光的状况,图8B表示观测激光加工点的加工声音的状况。
首先,如图8A所示,在加工工具(激光加工头)12上设置有使规定波长范围的光通过的光滤波器31以及光电传感器(photo sensor)32,在规定波长范围内检测来自激光加工点Pp的等离子光而输出信号Sp。为了该检测信号Sp收纳于预先设定的下限值与上限值的设定范围内(设定下限值<Sp<设定上限值),可以变更加工条件(例如,加工速度V以及激光输出等)。
此外,如图8B所示,在加工工具12上设置有检测声音的麦克风(声音传感器)41,检测来自激光加工点Pp的加工声音。这里,麦克风41的输出通过FFT变换部42而被高速傅里叶变换(FFT:Fast Fourier Transform),并且,通过信号滤波部43输出规定频率范围的检测信号Ss。为了该检测信号Ss收纳于预先设定的下限值与上限值的设定范围内(设定下限值<Ss<设定上限值),可以变更加工条件(例如,加工速度V以及激光输出等)。
这里,作为对激光加工机器人1进行的激光加工的状态进行监视的方法,还可以对机器人1进行激光加工时的激光加工点Pp的加工声音进行检测,提取该激光加工点Pp的加工声音中的规定频率范围,然后根据提取出的规定频率范围内的激光加工点Pp的加工声音,对机器人1进行的激光加工的状态进行监视。
图9是表示图3所示的机械学习装置的处理的一例的流程图。如图9所示,在机械学习开始(学习开始)时,在步骤ST1中,根据行为价值表决定加工条件和加工顺序,向步骤ST2前进,判定***周期时间。这里,例如根据此前经验或作为假设而得到的结果等,预先制作初始状态的行为价值表。
在步骤ST2中,在判定为***周期时间长时,向步骤ST3a前进设定负回报(-5),在判定为***周期时间标准时,向步骤ST3b前进设定零回报(0),在判定为***周期时间短时,向步骤ST3c前进设定正回报(+5)。
并且,向步骤ST4前进对由步骤ST3a~ST3c设定的回报进行累积计算,向步骤ST5前进更新行为价值表,再次返回到步骤ST1重复同样的处理。
图10是表示图3所示的机械学习装置的处理的其他示例的流程图,相当于对上述图9的流程图追加了基于加工监视传感器的输出的判定、以及基于加工速度的判定。如图10所示,在机械学习开始(学习开始)时,在步骤ST1中根据行为价值表决定加工条件和加工顺序,进行步骤ST2、ST12以及ST22的处理。
即,在步骤ST12中,进行加工监视传感器的输出与适当值的判定。具体来说,在步骤ST12中,例如,在判定为从光电传感器输出的激光加工点的等离子光的值远离适当值(等离子光适当值)时,向步骤ST13a前进设定负回报(-10),在判定为激光加工点的等离子光标准时,向步骤ST13b前进设定零回报(0),并且,在判定为激光加工点的等离子光接近等离子光适当值时,向步骤ST13c前进设定正回报(+10)。并且,向步骤ST14前进对由步骤ST13a~ST13c设定的回报进行累积运算,向步骤ST6前进。
或者,在步骤ST12中,例如在判定为激光加工点的加工声音远离适当值(加工声音适当值)时,向步骤ST13a前进设定负回报(-10),在判定为激光加工点的加工声音标准时,向步骤ST13b前进设定零回报(0),并且,在判定为激光加工点的加工声音接近加工声音适当值时,向步骤ST13c前进设定正回报(+10)。并且,向步骤ST14前进对由步骤ST13a~ST13c设定的回报进行累积运算,向步骤ST6前进。
此外,在步骤ST22中,判定机器人(激光加工头)进行激光加工的加工速度。即,在步骤ST22中,在判定为加工速度慢时,向步骤ST23a前进设定负回报(-5),在判定为加工速度标准时,向步骤ST23b前进设定零回报(0),并且,在判定为加工速度快时,向步骤ST23c前进设定正回报(+5)。并且,向步骤ST24前进对由步骤ST23a~ST23c设定的回报进行累积运算,向步骤ST6前进。
另外,步骤ST2、ST3a~ST3c以及步骤ST4与参照图9所进行的说明一样,在步骤ST4中在累积了由步骤ST3a~ST3c设定的回报之后,向步骤ST6前进。另外,在步骤ST6中,还对由步骤ST14、ST24以及ST4累积而得的回报进行累积运算,向步骤ST5前进更新行为价值表,再次返回到步骤ST1重复同样的处理。
这里,回报值由各自的判定项目赋予权重,但是这些可以分别变更为适当的值。即,步骤ST12的加工监视传感器的输出与适当值的判定被赋予较大的权重(『-10、0、+10』),步骤ST22中的激光加工机器人进行激光加工的加工速度的判定以及步骤ST2中的***周期时间(周期时间)的判定被赋予相同的权重(『-5、0、+5』),但也可以适当变更。此外,各判定项目涉及的权重也可以在正侧与负侧变更,或者还可以对所有项目设定相同的权重。
以上,如详细叙述那样,根据本实施方式涉及的机械学习装置、机器人***以及机械学习方法,可以学习激光加工机器人的加工顺序而高效地示教最优解。由此,能够缩短激光加工机器人涉及的处理时间(周期时间),通过最佳的加工条件来进行加工。另外,本实施方式的应用以激光焊接为例,当然还可以广泛应用于进行激光切割等激光加工的机器人。
根据本发明涉及的机械学习装置、机器人***以及机械学习方法,获得可以学习激光加工机器人的加工顺序而高效地示教最优解这样的效果。
以上,对实施方式进行了说明,而这里所记载的所有示例和条件是以帮助理解发明以及应用于技术的发明概念为目的而记载的,特别是所记载的示例和条件并不意味着限制发明范围。此外,说明书所示的记载并不表示发明的优点和缺点。详细地记载了发明的实施方式,但是在不脱离发明的精神以及范围的情况下还可以进行各种变更、置换、变形。
Claims (12)
1.一种机械学习装置,其学习具有多个激光加工机器人的机器人***中***整体的加工顺序,其特征在于,该机械学习装置具有:
状态观测部,其将各个所述激光加工机器人的激光加工点的等离子光以及各个所述激光加工机器人的激光加工点的加工声音中的至少一个作为状态变量来进行观测;
判定数据取得部,其获取执行由所述多个激光加工机器人进行的***整体的处理的***周期时间作为判定数据;以及
学习部,其根据所述状态观测部的输出以及所述判定数据取得部的输出,学习由所述多个激光加工机器人进行的***整体的加工顺序。
2.根据权利要求1所述的机械学习装置,其特征在于,
所述判定数据取得部还获取各个所述激光加工机器人进行激光加工的加工速度、激光的焦点距离、加工工具的姿势以及辅助气体的流量中的至少一个作为所述判定数据。
3.根据权利要求1或2所述的机械学习装置,其特征在于,
所述机械学习装置还具有:意图决定部,其根据所述学习部学习到的由所述多个激光加工机器人进行的***整体的加工顺序,决定各个所述激光加工机器人的动作。
4.根据权利要求1或2所述的机械学习装置,其特征在于,
所述学习部具有:
回报计算部,其根据所述状态观测部的输出以及所述判定数据取得部的输出来计算回报;以及
价值函数更新部,其根据所述状态观测部的输出、所述判定数据取得部的输出以及所述回报计算部的输出来更新价值函数,该价值函数用于决定由所述多个激光加工机器人进行的***整体的加工顺序的价值。
5.根据权利要求4所述的机械学习装置,其特征在于,
所述回报计算部在所述***周期时间长时设定负回报,在所述***周期时间短时设定正回报。
6.根据权利要求4所述的机械学习装置,其特征在于,
所述回报计算部还在所述激光加工点的等离子光远离等离子光适当值时设定负回报,在所述激光加工点的等离子光接近所述等离子光适当值时设定正回报,或者,
所述回报计算部在所述激光加工点的加工声音远离加工声音适当值时设定负回报,在所述激光加工点的加工声音接近所述加工声音适当值时设定正回报。
7.根据权利要求4所述的机械学习装置,其特征在于,
所述回报计算部还在各个所述激光加工机器人进行激光加工的加工速度慢时设定负回报,在各个所述激光加工机器人进行激光加工的加工速度快时设定正回报。
8.根据权利要求1或2所述的机械学习装置,其特征在于,
所述机械学习装置具有神经网络。
9.根据权利要求1或2所述的机械学习装置,其特征在于,
所述机械学习装置设置于云服务器或者雾服务器上。
10.一种机器人***,其特征在于,具有:
激光加工机器人控制装置;
由所述激光加工机器人控制装置控制的所述多个激光加工机器人;以及
权利要求1~9中任一项所述的机械学习装置。
11.根据权利要求10所述的机器人***,其特征在于,
所述激光加工机器人具有以下传感器中的至少一个传感器:
光传感器,其在规定波长范围内检测所述激光加工机器人的激光加工点的等离子光;以及
声音传感器,其在规定频率范围内检测所述激光加工机器人的激光加工点的加工声音。
12.一种学习具有多个激光加工机器人的机器人***中***整体的加工顺序的机械学习方法,其特征在于,
将各个所述激光加工机器人的激光加工点的等离子光以及各个所述激光加工机器人的激光加工点的加工声音中的至少一个作为状态变量来进行观测,
获取执行由所述多个激光加工机器人进行的***整体的处理的***周期时间作为判定数据,
根据观测到的所述状态变量以及获取到的所述判定数据,学习由所述多个激光加工机器人进行的***整体的加工顺序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-231678 | 2016-11-29 | ||
JP2016231678A JP6438450B2 (ja) | 2016-11-29 | 2016-11-29 | レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108115682A CN108115682A (zh) | 2018-06-05 |
CN108115682B true CN108115682B (zh) | 2019-11-15 |
Family
ID=62117305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184024.7A Active CN108115682B (zh) | 2016-11-29 | 2017-11-23 | 机械学习装置、机器人***以及机械学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10518357B2 (zh) |
JP (1) | JP6438450B2 (zh) |
CN (1) | CN108115682B (zh) |
DE (1) | DE102017010799B4 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6470456B1 (ja) * | 2017-09-13 | 2019-02-13 | 日東電工株式会社 | 偏光膜、偏光板、および偏光膜の製造方法 |
WO2019244484A1 (ja) * | 2018-06-22 | 2019-12-26 | 三菱電機株式会社 | レーザ加工装置 |
JPWO2020031948A1 (ja) * | 2018-08-06 | 2021-08-10 | 国立大学法人 東京大学 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
JP6810110B2 (ja) | 2018-08-24 | 2021-01-06 | ファナック株式会社 | 加工条件調整装置及び機械学習装置 |
JP6740299B2 (ja) * | 2018-08-24 | 2020-08-12 | ファナック株式会社 | 加工条件調整装置及び機械学習装置 |
JP6770032B2 (ja) * | 2018-08-24 | 2020-10-14 | ファナック株式会社 | レーザ加工システム、及びレーザ加工方法 |
JP6838017B2 (ja) | 2018-08-31 | 2021-03-03 | ファナック株式会社 | レーザ加工のための教示装置、教示方法、及び教示プログラム |
CN109116854B (zh) * | 2018-09-16 | 2021-03-12 | 南京大学 | 一种基于强化学习的多组机器人协作控制方法及控制*** |
CN109290679A (zh) * | 2018-10-10 | 2019-02-01 | 南京理工大学 | 适于自动检测焊缝的激光焊接***及其工作方法 |
CN109702768A (zh) * | 2018-10-10 | 2019-05-03 | *** | 学习型机器人动作数据采集方法 |
WO2020152757A1 (ja) | 2019-01-21 | 2020-07-30 | 三菱電機株式会社 | 加工状態検出装置、レーザ加工機および機械学習装置 |
US11829118B2 (en) * | 2019-04-23 | 2023-11-28 | Dassault Systemes Simulia Corp. | Machine learning based on virtual (V) and real (R) data |
DE112020002341B4 (de) | 2019-06-13 | 2024-06-20 | Mitsubishi Electric Corporation | Bearbeitungsfehler-Erkennungsvorrichtung, Laserschneidvorrichtung und Funkenerodiervorrichtung |
JP7401207B2 (ja) * | 2019-06-21 | 2023-12-19 | ファナック株式会社 | ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法 |
JP6835151B2 (ja) * | 2019-06-28 | 2021-02-24 | 株式会社安川電機 | 評価装置、評価方法、評価システムおよび評価プログラム |
JP7261682B2 (ja) * | 2019-07-17 | 2023-04-20 | 株式会社日立製作所 | 溶接作業データ蓄積装置、溶接作業支援システムおよび溶接ロボット制御装置 |
CN115776929A (zh) | 2020-07-10 | 2023-03-10 | 发那科株式会社 | 用于激光加工的示教装置和示教方法 |
JP7474653B2 (ja) * | 2020-07-16 | 2024-04-25 | 株式会社日立製作所 | 組立作業順序計画装置、及び組立作業順序計画方法 |
JP2022103968A (ja) * | 2020-12-28 | 2022-07-08 | 東京ロボティクス株式会社 | 動作スケジュール生成装置、方法、プログラム及びシステム |
JP7507712B2 (ja) * | 2021-03-18 | 2024-06-28 | 株式会社日本製鋼所 | 強化学習方法、コンピュータプログラム、強化学習装置及び成形機 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5045669A (en) * | 1990-03-02 | 1991-09-03 | General Electric Company | Method and apparatus for optically/acoustically monitoring laser materials processing |
CN1476951A (zh) * | 2002-07-31 | 2004-02-25 | 尤尼泰克米亚奇国际公司 | 激光焊接监控器 |
CN103282153A (zh) * | 2011-01-10 | 2013-09-04 | 弗罗纽斯国际有限公司 | 用于学习/检查焊接机器人的运动过程的方法、焊接机器人及用于焊接机器人的控制装置 |
CN103464344A (zh) * | 2013-09-23 | 2013-12-25 | 电子科技大学中山学院 | 一种经济型喷涂机器人喷枪轨迹规划方法 |
CN104010774A (zh) * | 2011-09-15 | 2014-08-27 | 康富真信息技术股份有限公司 | 用于自动生成机器人程序的***和方法 |
CN104379308A (zh) * | 2012-06-29 | 2015-02-25 | 三菱电机株式会社 | 机器人控制装置以及机器人控制方法 |
CN104889986A (zh) * | 2014-03-04 | 2015-09-09 | 发那科株式会社 | 机器人控制装置 |
WO2015185049A1 (de) * | 2014-06-03 | 2015-12-10 | ArtiMinds Robotics GmbH | Verfahren und system zur programmierung eines roboters |
CN105328699A (zh) * | 2014-08-05 | 2016-02-17 | 罗伯特·博世有限公司 | 智能机器人焊接***和方法 |
WO2016060716A2 (en) * | 2014-07-16 | 2016-04-21 | Google Inc. | Real-time determination of object metrics for trajectory planning |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62114786A (ja) * | 1985-11-14 | 1987-05-26 | Fujitsu Ltd | 加工状態監視方法 |
JP2984218B2 (ja) | 1996-07-23 | 1999-11-29 | 川崎重工業株式会社 | 複数台ロボットの作業計画方法 |
JP4626043B2 (ja) | 2000-10-11 | 2011-02-02 | Jfeエンジニアリング株式会社 | タスク割付方法およびこれを適用した制御装置 |
JP2005108144A (ja) | 2003-10-02 | 2005-04-21 | Fanuc Ltd | ロボットの補正データ確認装置 |
JP5073955B2 (ja) * | 2006-03-23 | 2012-11-14 | 株式会社総合車両製作所 | レーザ溶接方法 |
CN102292187B (zh) * | 2008-11-21 | 2015-12-09 | 普雷茨特两合公司 | 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头 |
JP5997330B1 (ja) * | 2015-07-31 | 2016-09-28 | ファナック株式会社 | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 |
-
2016
- 2016-11-29 JP JP2016231678A patent/JP6438450B2/ja active Active
-
2017
- 2017-11-10 US US15/808,921 patent/US10518357B2/en active Active
- 2017-11-22 DE DE102017010799.8A patent/DE102017010799B4/de active Active
- 2017-11-23 CN CN201711184024.7A patent/CN108115682B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5045669A (en) * | 1990-03-02 | 1991-09-03 | General Electric Company | Method and apparatus for optically/acoustically monitoring laser materials processing |
CN1476951A (zh) * | 2002-07-31 | 2004-02-25 | 尤尼泰克米亚奇国际公司 | 激光焊接监控器 |
CN103282153A (zh) * | 2011-01-10 | 2013-09-04 | 弗罗纽斯国际有限公司 | 用于学习/检查焊接机器人的运动过程的方法、焊接机器人及用于焊接机器人的控制装置 |
CN104010774A (zh) * | 2011-09-15 | 2014-08-27 | 康富真信息技术股份有限公司 | 用于自动生成机器人程序的***和方法 |
CN104379308A (zh) * | 2012-06-29 | 2015-02-25 | 三菱电机株式会社 | 机器人控制装置以及机器人控制方法 |
CN103464344A (zh) * | 2013-09-23 | 2013-12-25 | 电子科技大学中山学院 | 一种经济型喷涂机器人喷枪轨迹规划方法 |
CN104889986A (zh) * | 2014-03-04 | 2015-09-09 | 发那科株式会社 | 机器人控制装置 |
WO2015185049A1 (de) * | 2014-06-03 | 2015-12-10 | ArtiMinds Robotics GmbH | Verfahren und system zur programmierung eines roboters |
WO2016060716A2 (en) * | 2014-07-16 | 2016-04-21 | Google Inc. | Real-time determination of object metrics for trajectory planning |
CN105328699A (zh) * | 2014-08-05 | 2016-02-17 | 罗伯特·博世有限公司 | 智能机器人焊接***和方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102017010799B4 (de) | 2021-03-25 |
US20180147665A1 (en) | 2018-05-31 |
US10518357B2 (en) | 2019-12-31 |
DE102017010799A1 (de) | 2018-05-30 |
JP6438450B2 (ja) | 2018-12-12 |
CN108115682A (zh) | 2018-06-05 |
JP2018086711A (ja) | 2018-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108115682B (zh) | 机械学习装置、机器人***以及机械学习方法 | |
US11511420B2 (en) | Machine learning device, robot system, and machine learning method for learning operation program of robot | |
CN110315505A (zh) | 机器学习装置及方法、机器人控制装置、机器人视觉*** | |
JP6616170B2 (ja) | コアシートの積層動作を学習する機械学習器、積層コア製造装置、積層コア製造システムおよび機械学習方法 | |
JP6453805B2 (ja) | 製品の異常に関連する変数の判定値を設定する生産システム | |
CN106557069B (zh) | 机械学习装置和方法以及具有该机械学习装置的机床 | |
CN106560751B (zh) | 机器学习装置、机器学习方法及具备机器学习装置的机床 | |
CN107102619A (zh) | 机器学习装置、工业机械单元、制造***及机器学习方法 | |
CN106814698B (zh) | 具备芯焊接位置决定功能的线放电加工机的仿真装置 | |
CN109002012A (zh) | 控制装置以及机器学习装置 | |
JP6506245B2 (ja) | 組付動作を学習する機械学習装置および部品組付システム | |
Campbell et al. | The A-Design approach to managing automated design synthesis | |
CN108202327A (zh) | 机器学习装置、机器人***以及机器学习方法 | |
Chen et al. | Data fusion neural network for tool condition monitoring in CNC milling machining | |
JP6174669B2 (ja) | 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム | |
CN107866809A (zh) | 学习最优物品把持路径的机器学习装置以及机器学习方法 | |
CN107704984A (zh) | 具有传感器和机械学习部的作业管理*** | |
US20170228644A1 (en) | Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu | |
CN106990760B (zh) | 单元控制装置、以及生产*** | |
CN108994818A (zh) | 控制装置以及机器学习装置 | |
CN110171159A (zh) | 控制装置以及机器学习装置 | |
Kakati et al. | Prediction of optimum cutting parameters to obtain desired surface in finish pass end milling of aluminium alloy with carbide tool using artificial neural network | |
CN110340884A (zh) | 测定动作参数调整装置、机器学习装置以及*** | |
Al-Amin et al. | Sensor data based models for workforce management in smart manufacturing | |
Balijepalli et al. | Value-addition of haptics in operator training for complex machining tasks |
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 |