CN109213074A - 控制装置以及机器学习装置 - Google Patents
控制装置以及机器学习装置 Download PDFInfo
- Publication number
- CN109213074A CN109213074A CN201810701511.4A CN201810701511A CN109213074A CN 109213074 A CN109213074 A CN 109213074A CN 201810701511 A CN201810701511 A CN 201810701511A CN 109213074 A CN109213074 A CN 109213074A
- Authority
- CN
- China
- Prior art keywords
- main shaft
- mentioned
- control device
- load torque
- state
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 66
- 230000001133 acceleration Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work
- B23Q17/2208—Detection or prevention of collisions
-
- 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
- B23Q5/00—Driving or feeding mechanisms; Control arrangements therefor
- B23Q5/02—Driving main working members
- B23Q5/04—Driving main working members rotary shafts, e.g. working-spindles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4061—Avoiding collision or forbidden zones
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37237—Tool collision, interference
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49153—Avoid collision, interference between tools moving along same axis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及控制装置以及机器学习装置。控制装置具备学习主轴没有碰撞的正常加工时的主轴的状态的机器学习装置,上述机器学习装置具备:状态观测部,其将表示主轴的推定负荷转矩值的主轴推定负荷转矩数据以及表示主轴的加速度值的主轴加速度数据作为表示环境的当前状态的状态变量进行观测;以及学习部,其使用状态变量来学习正常加工时的上述主轴的推定负荷转矩值与上述主轴的加速度值之间的相关性。
Description
技术领域
本发明涉及控制装置以及机器学习装置,特别涉及能够检测主轴碰撞的控制装置以及机器学习装置。
背景技术
在由控制装置控制的加工机中,由于作业人员进行的机器误操作或程序错误、使用工具的设定错误等原因,主轴有时与夹具等发生碰撞。当发生了主轴的碰撞时,在该时间点加工机有时会产生故障,但是在主轴碰撞的时间点加工机的动作中没有发现问题,之后经过一段时间后从主轴产生异常声音,或者检测出工件的加工精度下降的情况,由此有时会判断加工机发生了故障。后者的情况下,例如使用国际公开第00/10769号所公开的技术,在控制装置所具备的存储装置内保存在加工机主轴的坐标值、实际速度、在该加工机进行的加工中由控制装置设定的工具补偿(offset)、动作过程中的加工程序等信息,通过分析这些而能够间接地推定主轴在过去发生碰撞,并且该主轴的碰撞是故障的原因。
另一方面,作为在由控制装置进行控制的加工机中直接检测主轴碰撞的方法,考虑使用检测主轴产生了异常负荷的情况的异常负荷检测功能。异常负荷检测功能为以下功能,即在从按照每个控制轴进行监视的负荷电流值减去了与加工相关的理论上的电流值后得到的值(推定负荷转矩)在一定值以上时,判断为产生了主轴碰撞,并将警报通知给控制装置(日本特开2016-193469号公报等)。
另外,作为由控制装置进行控制的加工机中直接检测主轴碰撞的其他方法,考虑使用加速度传感器的方法。在将加速度传感器用于主轴碰撞的检测时,在主轴上安全加速度传感器,在控制装置侧读出加速度传感器的传感器值,当读出的传感器值为一定值以上时,判断为发生了主轴碰撞从而产生警报。
但是,关于异常负荷检测功能、使用加速度传感器的方法的任意一个,难以求出视为发生了主轴碰撞的基准值。即,在异常负荷检测功能中,在将视为发生了主轴碰撞的推定负荷转矩的基准值设定为较低时,会有在进行正常的加工时误认为发生了主轴碰撞的情况,另外,在将视为发生了主轴碰撞的推定负荷转矩的基准值设定为较高时,与主轴发生了碰撞无关而能够产生无法对其进行检测的情况。这在使用了利用加速度传感器的情况下也同样。
特别是在通过负荷电流判断主轴碰撞的情况下,难以区别重切削时和主轴碰撞,当使用加速度传感器判断主轴碰撞时,难以区别高速的快进和主轴碰撞。
发明内容
因此本发明的目的为提供对主轴碰撞的判定所使用的基准值的设定不施加劳动力而高精度地检测主轴碰撞的控制装置以及机器学习装置。
本发明中,将合并使用主轴的异常负荷检测以及加速度检测,学习主轴正常移动时的主轴的推定负荷转矩值与主轴的加速度值之间的关系的机器学习装置导入控制装置。本发明的控制装置根据主轴的推定负荷转矩值以及主轴的加速度值来使机器学习装置判定主轴的碰撞,并根据判定出的结果产生主轴碰撞的警报。
并且,本发明的一个方式为检测加工机所具备的主轴的碰撞的控制装置,具备学习上述主轴没有碰撞的正常加工时的主轴状态的机器学习装置,上述机器学习装置具备:状态观测部,其将表示上述主轴的推定负荷转矩值的主轴推定负荷转矩数据以及表示上述主轴的加速度值的主轴加速度数据作为表示环境的当前状态的状态变量进行观测;以及学习部,其使用上述状态变量来学习正常加工时的上述主轴的推定负荷转矩值与上述主轴的加速度值之间的相关性。
另外,本发明的其他方式为在学习加工机所具备的主轴没有碰撞的正常加工时的主轴状态的机器学习装置中,具备:状态观测部,其将表示上述主轴的推定负荷转矩值的主轴推定负荷转矩数据以及表示上述主轴的加速度值的主轴加速度数据作为表示环境的当前状态的状态变量进行观测;以及学习部,其使用上述状态变量来学习正常加工时的上述主轴的推定负荷转矩值与上述主轴的加速度值之间的相关性。
根据本发明,能够不试错地设定视为主轴碰撞的异常负荷的基准值以及加速度的基准值而高精度地检测主轴碰撞,因此能够减轻作业人员的设定所花费的劳动力。
附图说明
参照附图根据以下实施例的说明来明确本发明的上述以及其他目的、特征。这些附图中:
图1是第一实施方式的控制装置的概略硬件结构图。
图2是第一实施方式的控制装置的概略功能框图。
图3是表示控制装置的一个方式的概略功能框图。
图4是说明近邻法的判定方法的图。
图5A是说明神经元的图。
图5B是说明神经网络的图。
图6是第二实施方式的控制装置的概略功能框图。
图7是表示组装了控制装置的***的一个方式的概略功能框图。
图8是表示组装了控制装置的***的其他方式的概略功能框图。
具体实施方式
以下使用附图说明本发明的实施方式。
图1是表示第一实施方式的控制装置的主要部件的概略硬件结构图。控制装置1例如能够作为控制具备了主轴的加工机的数值控制装置而安装。本实施方式的控制装置1所具备的CPU11是整体控制控制装置1的处理器。CPU11经由总线20读出存储在ROM12中的***程序,根据该***程序来控制控制装置1整体。在RAM13中暂时存储临时的计算数据和显示数据、由操作员经由未图示的输入部输入的各种数据等。
非易失性存储器14例如作为由未图示的电池进行备份等,即使控制装置1的电源被切断也保持存储状态的存储器而构成。在非易失性存储器14中存储操作员经由未图示的输入部输入的各种数据(例如加工条件、正常加工(主轴没有碰撞)时的推定负荷转矩值和加速度传感器值的采样数据等)、经由未图示的接口而输入的控制用的加工程序等。非易失性存储器14中存储的程序和各种数据在执行时/使用时可以被扩展到RAM13中。另外,用于分析并执行加工程序的***程序等控制装置1的动作所需要的各种***程序(包括用于控制与后述的机器学习装置100的交换的***程序)被预先写入到ROM12中。
用于控制加工机所具备的轴的轴控制电路30接收来自CPU11的轴的移动指令量,并将轴的指令输出给伺服放大器40。伺服放大器40接收该指令,驱动使加工机所具备的轴进行移动的伺服电动机50。轴的伺服电动机50内置有位置/速度/转矩检测器,并将来自该位置/速度/转矩检测器的位置/速度/转矩反馈信号反馈给轴控制电路30,进行位置/速度/转矩的反馈控制。CPU11能够使用被反馈到该轴控制电路30的位置/速度的反馈值分别计算轴的加速度。另外,在图1的硬件结构图中仅分别表示了一个轴控制电路30、一个伺服放大器40、一个伺服电动机50,但实际会准备成为控制对象的加工机所具备的轴的数量。
主轴控制电路60接收对加工机的主轴旋转指令,将主轴速度信号输出给主轴放大器61。主轴放大器61接受该主轴速度信号,以被指令的转速使加工机的主轴电动机62旋转,驱动工具。
位置编码器63与主轴电动机62连接,位置编码器63与主轴的旋转同步地输出反馈脉冲,通过CPU11读取该反馈脉冲。
接口21是用于连接控制装置1和机器学习装置100的接口。机器学习装置100具备统一控制机器学习装置100整体的处理器101、存储了***程序等的ROM12、用于暂时存储机器学习相关的各个处理的RAM103以及学习模型等的存储所使用的非易失性存储器104。机器学习装置100能够观测通过控制装置1经由接口21能够取得的各个信息(例如加工条件、驱动使主轴移动的轴的伺服电动机50的推定负荷转矩值和加速度等)。另外,控制装置1接受从机器学习装置100输出的主轴碰撞判定结果,产生警报,或进行伺服电动机50的停止控制等。
图2是第一实施方式的控制装置1和机器学习装置100的概略功能框图。机器学习装置100包括用于通过所谓的机器学习亲自学习正常加工(主轴没有碰撞)时的主轴的动作状态(根据主轴的推定负荷转矩值以及主轴的加速度值所把握的状态)的软件(学习算法等)以及硬件(处理器101等)。控制装置1所具备的机器学习装置100所学习的内容相当于表示主轴正常动作时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性的模型构造。
如图2的功能框图所示,控制装置1所具备的机器学习装置100具备:状态观测部106,其观测状态变量S,该状态变量S包括表示正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值的主轴推定负荷转矩数据S1以及表示正常加工(主轴没有碰撞)时的主轴的加速度值的主轴加速度数据S2;以及学习部110,其使用状态变量S来学习正常加工(主轴没有碰撞)时的主轴的动作状态与主轴的加速度值之间的相关性。
状态观测部106例如能够构成为处理器101的一个功能。或者状态观测部106例如能够构成为用于使处理器101发挥功能的ROM102中所存储的软件。
在状态观测部106所观测到的状态变量S中的主轴推定负荷转矩数据S1例如能够使用根据驱动使主轴移动的轴的伺服电动机50的转矩的反馈值计算出的值,但是在机器学习装置100的所谓训练期中,优选利用根据预定的条件从过去的加工时使用未图示的数据记录器等进行记录的正常加工(主轴没有碰撞)时的主轴推定负荷转矩值中提取出的采样数据。
状态变量S中的主轴加速度数据S2能够使用根据驱动使主轴移动的轴的伺服电动机50的位置或速度反馈值计算出的主轴加速度,或者利用使用通过安装在主轴上的加速度传感器等检测出的主轴加速度,但是在机器学习装置100的所谓训练期中,优选利用根据预定的条件从过去的加工时中使用未图示的数据记录器等进行记录的正常加工(主轴没有碰撞)时的主轴的加速度值中提取出的采样数据。
学习部110例如能够构成为处理器101的一个功能。或者,学习部110例如能够构成为用于使处理器101发挥功能的ROM102中所存储的软件。学习部110按照被统称为机器学习的任意学习算法来学习正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与此时的主轴的加速度值之间的相关性。学习部110能够反复执行基于包括上述状态变量S的数据集合的学习。
通过重复这样的学***,则学习部110反复输出的学习结果能够用于判断针对当前状态(即当前的主轴推定负荷转矩值以及主轴的加速度值)主轴是否正常动作或不是(主轴没有正常动作)。即学习部110随着学习算法的推进,能够使正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与此时的主轴的加速度值之间的相关性模型逐渐接近最佳解。
如上所述,控制装置1所具备的机器学习装置100使用状态观测部26观测到的状态变量S,由学习部110按照机器学习算法来学习正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与此时的主轴的加速度值之间的相关性。状态变量S由主轴推定负荷转矩数据S1、主轴加速度数据S2这样的难以受到干扰的影响的数据构成,根据控制装置1所取得的伺服电动机50的动作状态而被唯一地求出。因此,根据控制装置1所具备的机器学习装置100,通过使用学习部110的学习结果,能够根据主轴的推定负荷转矩值以及主轴的加速度值之间的关系而不依靠运算或估算来自动且准确地判定主轴的动作状态是否是正常加工(主轴没有碰撞)时的状态。
然后,如果能够不依靠运算或估算来自动地判定主轴的动作状态是正常/异常,则只要掌握主轴的推定负荷转矩值(主轴推定负荷转矩数据S1)、主轴的加速度值(主轴加速度数据S2),就能够迅速地判定加工机的主轴动作状态是否是正常加工(主轴没有碰撞)时的状态。
作为控制装置1所具备的机器学习装置100的一个变形例,状态观测部106能够进一步将包括成为加工对象的工件的材质、加工所使用的工具的种类、加工机的刚性等加工相关的条件的加工条件数据S3作为状态变量S来进行观测。
这种情况下,加工条件数据S3能够从经由未图示的输入部输入到控制装置1中的加工条件相关的设定值来取得加工条件。
根据上述变形例,机器学习装置100除了能够解释主轴的推定负荷转矩值与主轴的加速度值之间的相关性,还能够进一步解释与加工条件之间的相关性,从而即使在主轴的推定负荷转矩值和主轴的加速度值根据加工条件而发生变化的情况下也能够对应。
作为控制装置1所具备的机器学习装置100的其他变形例,状态观测部106能够进一步将包括从主轴发出的声音的大小、从主轴发出的声音的频率等这样的主轴产生声音相关的信息的主轴产生声音数据S4作为状态变量S来进行观测。
主轴产生声音数据S4例如为在加工机的主轴附近设置声音传感器等,经由控制装置1取得由所设置的声音传感器检测出的值即可。
根据上述变形例,机器学习装置100除了能够解释主轴的推定负荷转矩值与主轴的加速度值之间的相关性,还能够进一步解释与主轴产生声音相关的信息之间的相关性,从而能够高精度检测主轴的碰撞。
作为控制装置1所具备的机器学习装置100的其他变形例,学习部110能够使用关于进行相同加工的多个加工机而分别得到的状态变量S来学习这些加工机的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性。根据该结构,能够增加包括在一定时间得到的状态变量S的数据集合的量,所以能够将更多样的数据集合作为输入,提高加工机正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性的学习的速度和可靠性。
在具有上述结构的机器学习装置100中,不特别限定学习部110所执行的学习算法而能够采用公知的学习算法作为机器学习。图3是图2所示的控制装置1的一个方式,表示作为学习算法的一例而具备执行无监督学习的学习部110的结构。无监督学习是只将输入数据大量地赋予学习装置,由此识别暗示输入数据的要素间的相关性的特征,从而学习用于推定针对新的输入的所需的输出的相关性模型的方法。在无监督学习中,即使不赋予输入数据所对应的教师数据也能够对输入数据进行压缩、分类、整形等。
在图3所示的控制装置1所具备的机器学习装置100中,学习部110具备更新用于根据状态变量S判定加工机的主轴是否位于正常加工的状态的相关性模型M的模型更新部114。学习部110通过由模型更新部114重复相关性模型M的更新来学习加工机的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性。
相关性模型M的初始值例如是作为将加工机的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性简化(例如通过一次函数)而表现的值,在无监督学习开始前被赋予学习部110。模型更新部114从被赋予学习部110的大量状态变量S识别出暗示加工机的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值之间的相关性的相关性特征,并根据该相关性特征,按照例如预先决定好的更新规则来更新相关性模型M。
在本发明的控制装置1以及机器学习装置100中具有以下优点,即通过使用无监督学习,不需要收集使主轴碰撞的数据。在采用了有监督学习时,需要主轴没有碰撞时的状态变量S与主轴碰撞时的状态变量S,但是担心为了取得后者的状态变量S需要特意使加工机的主轴发生碰撞,为了取得更多的数据而使相当数量的加工机的主轴产生故障。这一点在本发明中使用无监督学习,因此能够不使各种加工机的主轴碰撞而能够构筑可以承受运用的相关性模型M。
在安装上述的无监督学习时,能够使用近邻法。作为根据机器学习装置100所具备的状态观测部106在机器学习装置100的训练期所观测到的状态变量S进行更新的相关性模型M,例如在使用将主轴的推定负荷转矩值设为纵轴、将主轴的加速度值设为横轴的图表时,如图4所示,正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴的加速度值形成具备了某个倾向的聚类集合。在图4的例子中,形成切削进给的聚类集合和快进的聚类集合。在近邻法中,在运用时当在相关性模型M的图表上描绘状态观测部106所观测到的主轴推定负荷转矩值以及主轴加速度值的组(标本)时,能够通过位于标本点附近的k个点属于哪个聚类来判定标本所属的聚类。另外,当在离标本的点预先决定的预定距离r以内没有k个点时,能够判定标本不属于任何一个聚类。例如在k=5时,图4中在标本A的附近存在5个正常加工(主轴没有碰撞)时的切削进给的主轴的推定负荷转矩值与加速度之间的组,因此标本A属于正常加工时的切削进给的聚类,并且在标本B的附近存在5个正常加工(主轴没有碰撞)时的快进的主轴的推定负荷转矩值与加速度之间的组,因此标本A属于正常加工时的快进的聚类。另一方面,图4中在标本C的附近(距离r以内)不存在正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与加速度之间的组,所以能够判定标本C是主轴碰撞时所取得的主轴的推定负荷转矩值与加速度之间的组。
在安装上述无监督学习时,能够使用神经网络。图5A示意地表示神经元的模型。图5B示意地表示组合图5A所示的神经元而构成的三层神经网络的模型。神经网络例如由模拟了神经元的模型的运算装置和存储装置等构成。
图5A所示的神经元输出针对多个输入x(这里作为一例为输入x1~输入x3)的结果y。对各个输入x1~x3乘以与该输入x对应的权重w(w1~w3)。由此,神经元输出通过以下数学式2表现的输出y。另外,在数学式2中,输入x、输出y以及权重w都是向量。另外,θ是偏置(bias),fk是激活函数。
[数学式2]
图5B所示的三层神经网络从左侧输入多个输入x(这里作为一例为输入x1~输入x3),从右侧输出结果y(这里作为一例为结果y1~y3)。在图示的例子中,对输入x1、x2、x3分别乘以对应的权重(用w1统称表示),将各个输入x1、x2、x3都输入到3个神经元N11、N12、N13。
在图5B中,用z1统称表示神经元N11~N13各自的输出。z1能够视为提取出输入向量的特征量的特征向量。在图示的例子中,对特征向量z1分别乘以对应的权重(用w2统称表示),将各个特征向量z1都输入到2个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
在图5B中,用z2统称表示神经元N21~N22各自的输出。z2能够视为提取出特征向量z1的特征量的特征向量。在图示的例子中,对特征向量z2分别乘以对应的权重(用w3统称表示),将各个特征向量z2都输入到3个神经元N31、N32、N33。特征向量z2表示权重w2与权重w3之间的特征。最后,神经元N31~N33分别输出结果y1~y3。
另外,能够使用所谓深层学习的方法,该方法使用形成三层以上的层的神经网络。
在控制装置1所具备的机器学习装置100中,将状态变量S作为输入x,由学习部110进行按照上述神经网络的多层构造的运算,由此能够输出是否属于正常加工时的主轴的推定负荷转矩与主轴加速之间的组的集合(结果y)。另外,神经网络的动作模式中具有训练期所使用的学习模式和运用期所使用的价值预测模式,例如在学习模式中使用学习数据集学习权重w,能够使用学习后的权重w在价值预测模式中进行行为的价值判断。另外,在价值预测模式中还能够进行检测、分类、推断等。
上述控制装置1的结构能够记述为由处理器101执行的机器学习方法(或软件)。该机器学习方法是学习正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值之间的相关性的机器学习方法,具有:计算机的CPU将主轴的推定负荷转矩数据S1以及主轴加速度数据S2作为表示加工机进行加工的环境的当前状态的状态变量S进行观测的步骤;以及使用状态变量S将正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值关联起来进行学习的步骤。
图6表示第二实施方式的控制装置2。控制装置2具备机器学习装置120、取得状态观测部106观测到的状态变量S的主轴推定负荷转矩数据S1以及主轴加速度数据S2作为状态数据S0的状态数据取得部3。状态数据取得部3能够从控制装置2的各部、作业人员进行的适当的数据输入等来取得状态数据S0。
控制装置2所具有的机器学习装置120除了包括通过机器学习亲自学习正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值之间的相关性的软件(学习算法等)以及硬件(处理器101等)以外,还包括将根据学习结果输入的针对主轴的推定负荷转矩值以及主轴的加速度值的加工动作的正常/异常的判定结果输出给控制装置2的软件(运算算法等)以及硬件(处理器101等)。控制装置2所包括的机器学习装置120也能够具有由1个公共的处理器执行学习算法、运算算法等所有软件的结构。
判定部122例如能够构成为处理器101的一个功能。或者,判定部122例如能够构成为使处理器101发挥功能的存储在ROM102中的软件。判定部122根据学习部110学习的结果,输出针对主轴的推定负荷转矩值以及主轴的加速度值的加工动作的正常/异常的判定结果。在判定部122将判定结果R输出给控制装置2时,与此对应,控制装置2能够根据需要产生主轴碰撞的警报,或能够进行成为控制对象的加工机的停止控制。
具有上述结构的控制装置2所具备的机器学习装置120具有与上述机器学习装置100相同的效果。特别是机器学习装置120能够根据判定部122的输出使环境的状态变化。另一方面,在机器学习装置100中,能够对外部装置要求相当于用于将学习部110的学习结果反映给环境的判定部的功能。
图7表示具备加工机160的一个实施方式的***170。***170具备至少进行相同作业的多个加工机160、160’以及将这些加工机160、160’相互连接的有线/无线网络172,多个加工机160中的至少一个构成为具备上述控制装置2的加工机160。另外,***170能够包括不具备控制装置2的加工机160’。加工机160、160’具有为了进行相同目的的作业所需要的机构。
在具有上述结构的***170中,多个加工机160、160’中具备控制装置2的加工机160使用学习部110的学习结果,不依赖运算和估算等而能够自动且准确地判定针对主轴的推定负荷转矩值以及主轴的加速度值的加工动作的正常/异常的状态。另外,至少一个加工机160的控制装置2能够构成为,根据针对其他多个加工机160、160’分别得到的状态变量S,学习所有的加工机160、160’所共同的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值之间的相关性,并且所有的加工机160、160’共享该学习结果。因此,根据***170,能够将更多样的数据集合(包括状态变量S)作为输入,提高正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值之间的相关性的学习速度和可靠性。
图8表示具备了加工机160’的其他实施方式的***170’。***170’具备机器学习装置120(或20)、具有相同的机器结构的多个加工机160’以及将这些加工机160’与机器学习装置120(或100)相互连接的有线/无线网络172。
具有上述结构的***170’,机器学习装置120(或100)根据对于多个加工机160’分别得到的状态变量S以及判定数据D,学习所有的加工机160’所共通的正常加工(主轴没有碰撞)时的主轴的推定负荷转矩值与主轴加速度值之间的相关性,并使用该学习结果,不依赖运算和估算等而能够自动且准确地判定针对主轴的推定负荷转矩值以及主轴的加速度值的加工动作的正常/异常的状态。
***170’能够具有机器学习装置120(或100)存在于在网络172中准备的云服务器中的结构。根据该结构,不管多个加工机160’各自存在的场所和时期,都能够在需要时将需要数量的加工机160’与机器学习装置120(或100)进行连接。
操作***170、170’的作业人员能够在机器学***。
以上,说明了本发明的实施方式,但是本发明不只限于上述实施方式的例子,能够通过加以适当的变更以各种方式来实施。
例如,机器学习装置100、120执行的学习算法、机器学习装置120执行的运算算法、控制装置1、2执行的控制算法等不限于以上所述,能够采用各种算法。
此外,在上述实施方式中说明了控制装置1(或2)和机器学习装置100(或120)具有不同的CPU的装置,但是,机器学习装置100(或120)也可以通过控制装置1(或2)所具备的CPU11、ROM12中存储的***程序来实现。
以上,说明了本发明的实施方式,但是本发明不只限于上述实施方式的例子,能够通过加以适当的变更以其他方式来实施。
Claims (8)
1.一种控制装置,检测加工机所具备的主轴的碰撞,其特征在于,
该控制装置具备学习上述主轴没有碰撞的正常加工时的主轴的状态的机器学习装置,
上述机器学习装置具备:
状态观测部,其将表示上述主轴的推定负荷转矩值的主轴推定负荷转矩数据以及表示上述主轴的加速度值的主轴加速度数据作为表示环境的当前状态的状态变量进行观测;以及
学习部,其使用上述状态变量来学习正常加工时的上述主轴的推定负荷转矩值与上述主轴的加速度值之间的相关性。
2.根据权利要求1所述的控制装置,其特征在于,
上述状态变量还包括表示上述加工机的与加工相关的条件的加工条件数据,
上述学习部学习正常加工时的上述主轴的推定负荷转矩值、上述主轴的加速度值以及上述与加工相关的条件之间的相关性。
3.根据权利要求1所述的控制装置,其特征在于,
上述状态变量还包括表示与从上述主轴发出的声音相关的信息的主轴产生声音数据,
上述学习部学习正常加工时的上述主轴的推定负荷转矩值、上述主轴的加速度值以及与从上述主轴发出的声音相关的信息之间的相关性。
4.根据权利要求1~3中的任意一项所述的控制装置,其特征在于,
上述学习部具备:模型更新部,其根据上述状态变量来更新用于判定上述加工机进行加工的正常/异常的状态的相关性模型。
5.根据权利要求1~4中的任意一项所述的控制装置,其特征在于,
上述学习部通过无监督学习来学习上述主轴没有碰撞的正常加工时的主轴的状态。
6.根据权利要求1~5中的任意一项所述的控制装置,其特征在于,
该控制装置还具备:判定部,其根据上述学习部的学习结果输出判定上述加工机进行加工的正常/异常的状态的结果。
7.根据权利要求1~6中的任意一项所述的控制装置,其特征在于,
上述机器学习装置存在云服务器中。
8.一种机器学习装置,学习加工机所具备的主轴没有碰撞的正常加工时的主轴的状态,其特征在于,
该机器学习装置具备:
状态观测部,其将表示上述主轴的推定负荷转矩值的主轴推定负荷转矩数据以及表示上述主轴的加速度值的主轴加速度数据作为表示环境的当前状态的状态变量进行观测;以及
学习部,其使用上述状态变量来学习正常加工时的上述主轴的推定负荷转矩值与上述主轴的加速度值之间的相关性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-128393 | 2017-06-30 | ||
JP2017128393A JP6572265B2 (ja) | 2017-06-30 | 2017-06-30 | 制御装置及び機械学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213074A true CN109213074A (zh) | 2019-01-15 |
CN109213074B CN109213074B (zh) | 2021-06-04 |
Family
ID=64661740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810701511.4A Active CN109213074B (zh) | 2017-06-30 | 2018-06-29 | 控制装置以及机器学习装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10839317B2 (zh) |
JP (1) | JP6572265B2 (zh) |
CN (1) | CN109213074B (zh) |
DE (1) | DE102018005008B4 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087378A (zh) * | 2019-12-20 | 2022-09-20 | 德沃康科技集团有限公司 | 电动家具驱动装置 |
US12051988B2 (en) | 2019-12-20 | 2024-07-30 | Dewertokin Technology Group Co., Ltd | Electric motor furniture drive |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020049449A1 (en) * | 2018-09-03 | 2020-03-12 | Hsd S.P.A. | Operating device for a machine tool |
JP6959278B2 (ja) * | 2019-02-27 | 2021-11-02 | ファナック株式会社 | びびり振動判定装置、機械学習装置及びシステム |
CN113748597B (zh) * | 2019-04-16 | 2024-05-10 | 三菱电机株式会社 | 电动机控制装置 |
DE102019208624A1 (de) | 2019-06-13 | 2020-12-17 | Deckel Maho Seebach Gmbh | Steuervorrichtung zum einsatz an einer numerisch gesteuerten werkzeugmaschine und werkzeugmaschine mit einer steuervorrichtung |
JP7256703B2 (ja) * | 2019-06-21 | 2023-04-12 | ファナック株式会社 | 制御装置、制御システム、及び機械学習装置 |
EP3998460B1 (de) | 2019-12-16 | 2023-01-25 | Sick Ag | Gebervorrichtung und verfahren zur bestimmung einer kinematischen grösse |
JP2022039715A (ja) * | 2020-08-28 | 2022-03-10 | キヤノン株式会社 | 制御装置、インプリント装置および物品製造方法 |
JP6900564B1 (ja) * | 2020-09-02 | 2021-07-07 | Dmg森精機株式会社 | 工作機械および情報処理装置 |
CN116018244A (zh) * | 2020-10-05 | 2023-04-25 | 三菱电机株式会社 | 机器人的碰撞检测装置 |
DE102021129148A1 (de) | 2021-11-09 | 2023-05-11 | TRUMPF Werkzeugmaschinen SE + Co. KG | Verfahren und Vorrichtung zur Kollisionsvermeidung bei der Werkstückbearbeitung durch eine mehrachsige Bearbeitungsmaschine |
CN114083325B (zh) * | 2021-11-19 | 2022-10-21 | 珠海格力智能装备有限公司 | 一种机床防撞机的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007164406A (ja) * | 2005-12-13 | 2007-06-28 | Oita Univ | 学習機構付意思決定システム |
CN101156118A (zh) * | 2005-04-01 | 2008-04-02 | 西门子公司 | 用于在机器的机器元件与物体发生接触时产生明确反应的方法和控制装置 |
US20100030521A1 (en) * | 2007-02-14 | 2010-02-04 | Murad Akhrarov | Method for analyzing and classifying process data |
CN102326066A (zh) * | 2009-03-31 | 2012-01-18 | 日立建机株式会社 | 作业机械的学习诊断***、状态诊断装置及状态学习装置 |
CN102615551A (zh) * | 2011-01-31 | 2012-08-01 | 德克尔马霍普夫龙滕有限公司 | 一种设有碰撞监测装置的机床 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN103901817A (zh) * | 2012-12-25 | 2014-07-02 | 发那科株式会社 | 机床的负载显示装置 |
CN104981323A (zh) * | 2013-03-07 | 2015-10-14 | 三菱重工业株式会社 | 机床的异常诊断装置及异常诊断方法 |
JP2016193469A (ja) * | 2015-04-01 | 2016-11-17 | 中村留精密工業株式会社 | 工作機械の当接検出方法及び装置 |
CN106411210A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 电动机控制装置、机械学习装置及其方法 |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2506214B2 (ja) * | 1990-01-17 | 1996-06-12 | オークマ株式会社 | 数値制御工作機械の衝突検出装置 |
WO2000010769A1 (fr) * | 1998-08-24 | 2000-03-02 | Okuma Corporation | Procede et appareil permettant de collecter des registres d'evenements concernant des operations d'usinage a commande numerique |
JP4301278B2 (ja) * | 2006-09-29 | 2009-07-22 | パナソニック電工株式会社 | 工作機械の加工寸法予測装置 |
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 |
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 |
DE102016008987B4 (de) | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
JP6063016B1 (ja) * | 2015-09-29 | 2017-01-18 | ファナック株式会社 | 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械 |
-
2017
- 2017-06-30 JP JP2017128393A patent/JP6572265B2/ja active Active
-
2018
- 2018-06-22 DE DE102018005008.5A patent/DE102018005008B4/de active Active
- 2018-06-29 CN CN201810701511.4A patent/CN109213074B/zh active Active
- 2018-06-29 US US16/022,830 patent/US10839317B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101156118A (zh) * | 2005-04-01 | 2008-04-02 | 西门子公司 | 用于在机器的机器元件与物体发生接触时产生明确反应的方法和控制装置 |
JP2007164406A (ja) * | 2005-12-13 | 2007-06-28 | Oita Univ | 学習機構付意思決定システム |
US20100030521A1 (en) * | 2007-02-14 | 2010-02-04 | Murad Akhrarov | Method for analyzing and classifying process data |
CN102326066A (zh) * | 2009-03-31 | 2012-01-18 | 日立建机株式会社 | 作业机械的学习诊断***、状态诊断装置及状态学习装置 |
CN102615551A (zh) * | 2011-01-31 | 2012-08-01 | 德克尔马霍普夫龙滕有限公司 | 一种设有碰撞监测装置的机床 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN103901817A (zh) * | 2012-12-25 | 2014-07-02 | 发那科株式会社 | 机床的负载显示装置 |
CN104981323A (zh) * | 2013-03-07 | 2015-10-14 | 三菱重工业株式会社 | 机床的异常诊断装置及异常诊断方法 |
JP2016193469A (ja) * | 2015-04-01 | 2016-11-17 | 中村留精密工業株式会社 | 工作機械の当接検出方法及び装置 |
CN106411210A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 电动机控制装置、机械学习装置及其方法 |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087378A (zh) * | 2019-12-20 | 2022-09-20 | 德沃康科技集团有限公司 | 电动家具驱动装置 |
US12051988B2 (en) | 2019-12-20 | 2024-07-30 | Dewertokin Technology Group Co., Ltd | Electric motor furniture drive |
Also Published As
Publication number | Publication date |
---|---|
DE102018005008B4 (de) | 2022-06-30 |
US10839317B2 (en) | 2020-11-17 |
DE102018005008A1 (de) | 2019-01-03 |
JP6572265B2 (ja) | 2019-09-04 |
CN109213074B (zh) | 2021-06-04 |
JP2019012392A (ja) | 2019-01-24 |
US20190005413A1 (en) | 2019-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213074A (zh) | 控制装置以及机器学习装置 | |
CN108628253A (zh) | 异常检测装置以及机器学习装置 | |
US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
CN110187694B (zh) | 故障预测装置以及机器学习装置 | |
JP6431017B2 (ja) | 機械学習により外力の検出精度を向上させた人協調ロボットシステム | |
US20170185056A1 (en) | Controller having learning function for detecting cause of noise | |
CN107305370B (zh) | 设定与产品的异常相关的变量的判定值的生产*** | |
US20170277174A1 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
CN110515351A (zh) | 异常检测器 | |
US10684608B2 (en) | Abnormality detection apparatus and machine learning device | |
CN108733027A (zh) | 加工不良原因推定装置 | |
Brecher et al. | Use of NC kernel data for surface roughness monitoring in milling operations | |
US20190294144A1 (en) | Abnormality detection device | |
JP7101131B2 (ja) | 数値制御システム | |
JP2020138265A (ja) | びびり振動判定装置、機械学習装置及びシステム | |
US10962957B2 (en) | Collision position estimation device and machine learning device | |
US10747197B2 (en) | Abnormally factor identification apparatus | |
JP7134062B2 (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
JP6603260B2 (ja) | 数値制御装置 | |
WO2023047545A1 (ja) | 追加学習データ選定装置及びコンピュータ読み取り可能な記録媒体 | |
WO2024154205A1 (ja) | 特異データ判定装置、及び特異データ判定方法 |
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 |