CN109581972B - 数值控制***、数值控制装置、运转状态异常检查方法及学习模型组 - Google Patents
数值控制***、数值控制装置、运转状态异常检查方法及学习模型组 Download PDFInfo
- Publication number
- CN109581972B CN109581972B CN201811138370.6A CN201811138370A CN109581972B CN 109581972 B CN109581972 B CN 109581972B CN 201811138370 A CN201811138370 A CN 201811138370A CN 109581972 B CN109581972 B CN 109581972B
- Authority
- CN
- China
- Prior art keywords
- learning model
- machine tool
- state
- unit
- operating 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.)
- Active
Links
Images
Classifications
-
- 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
- G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34013—Servocontroller
-
- 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
- G05B2219/49307—Learn, learn operational zone, feed, speed to avoid tool breakage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种数值控制***、数值控制装置、运转状态异常检查方法及学习模型组,数值控制***检测表示机床的运转状态的状态量,根据该检测出的状态量制作表征加工运转的状态的特征量,根据该特征量推断针对机床的运转状态的评价值,且基于该推断出的评价值检查机床的运转的异常状态。而且,通过使用了特征量的机械学习生成或更新学习模型,将该学习模型与机床的加工运转的条件的组合关联起来进行存储。
Description
技术领域
本发明涉及数值控制***,特别涉及切换学习模型来进行机床的运转状态的异常检查的数值控制***。
背景技术
在通过使工具和工件相对移动来加工工件的机床(例如加工中心、车床等)中,具有以下技术:在工件的加工中对使主轴旋转的马达(主轴马达)、使工具移动的马达(进给轴马达)施加了大负荷的情况下、检测出异常温度的情况下、检查到冲击、异常音的情况下,判断为机床的运转状态处于异常的状态(例如,参照日本特开2009-080752号公报、日本特开2008-110435号公报、日本特开2007-072879号公以及日本特开平09-076144号公报)。
但是,即使欲在加工中从外部基于可观测的信息判断机床的运转状态的异常,在机床的运转状态异常时,从外部观测的加工的状态信息根据加工内容(粗加工、精加工等)而不同。更详细地,根据加工使用的包含主轴转速、进给速度等的马达的动作模式、加工使用的工具的种类、加工的工件的材质等的不同而不同。因此,存在以下问题:对应这些各种状况,做成能够用于机床的运转状态的异常的检测的通用的机械学习器(通用的学习模型),需要在各种状况下检测大量的状态信息,而这是困难的。
发明内容
因此,本发明的目的在于提供一种数值控制***,即使在工件加工时的马达的动作模式、工具、工件等不同的情况下,也能够更广泛地检查机床的运转状态的异常。
本发明的数值控制***中,通过设置加工时的马达的包括动作模式的运转条件、加工使用的工具的种类、加工的工件的种类等条件切换使用的学习模型的机构,从而解决上述课题。
本发明的数值控制***具有多个学习模型,从它们中,根据加工时的机床的运转条件、环境条件等选择一个学习模型,对该选择出的学习模型进行基于加工时检测出的状态量的机械学习,另外,将这样制作的学习模型根据加工时的机床的运转条件、环境条件等区分开使用,从而进行机床的运转状态的异常检查。
本发明的一方案的数值控制***检查加工工件的机床的运转状态的异常,而且,具备:条件指定部,其指定上述机床的加工运转的条件;状态量检测部,其检测表示上述机床的运转状态的状态量;推断计算部,其根据上述状态量来推断针对上述机床的运转状态的评价值;异常***,其基于上述评价值来检查上述机床的运转状态的异常;学习模型生成部,其通过使用了上述状态量的机械学习来生成或更新学习模型;以及学习模型存储部,其将上述学习模型生成部生成的至少一个学习模型与由上述条件指定部指定的条件的组合关联起来进行存储。而且,上述推断计算部构成为,基于上述条件指定部指定的加工运转的条件而选择性地使用存储于上述学习模型存储部的学习模型中的至少一个学习模型,并计算针对上述机床的运转状态的评价值。
也可以是,上述数值控制***还具备特征量制作部,该特征量制作部根据状态量检测部检测出的状态量来制作表征上述机床的运转状态的特征量,上述推断计算部根据上述特征量来推断针对上述机床的运转状态的评价值,上述学习模型生成部通过使用了上述特征量的机械学习来生成或更新学习模型。
也可以是,上述学习模型生成部通过对上述学习模型存储部存储的现有的学习模型实施改变来生成新的学习模型。
也可以是,上述学习模型存储部将上述学习模型生成部生成的学习模型编码而存储,且在由上述推断计算部读取学习模型时,将进行了编码的学习模型解码。
本发明的其它方案的数值控制***检查加工工件的机床的运转状态的异常,且具备:条件指定部,其指定上述机床的加工运转的条件;状态量检测部,其检测表示上述机床的运转状态的状态量;推断计算部,其根据上述状态量来推断针对上述机床的运转状态的评价值;异常***,其基于上述评价值来检查上述机床的运转状态的异常;以及学习模型存储部,其存储与上述机床的加工运转的条件的组合预先关联起来的至少一个学习模型。而且,上述推断计算部构成为,基于上述条件指定部指定的加工运转的条件而选择性地使用存储于上述学习模型存储部的学习模型中的至少一个学习模型,并计算针对上述机床的运转状态的评价值。
也可以是,上述数值控制***还具备特征量制作部,该特征量制作部根据上述状态量来制作表征上述机床的运转状态的特征量,上述推断计算部根据上述特征量来推断针对上述机床的运转状态的评价值。
本发明的一方案的数值控制装置具备上述的条件指定部和状态量检测部。
本发明的一方案的运转状态异常检查方法执行:指定加工工件的机床的加工运转的条件的步骤;检测表示上述机床的运转状态的状态量的步骤;根据上述状态量来推断针对上述机床的运转状态的评价值的步骤;基于上述评价值来检查上述机床的运转状态的异常的步骤;以及通过使用了上述状态量的机械学习来生成或更新学习模型的步骤。而且,进行上述推断的步骤基于在指定上述条件的步骤中指定的加工运转的条件,从与上述机床的加工运转的条件的组合预先关联起来的至少一个上述学习模型中选择使用的学习模型,并使用所选择的学习模型来计算针对上述机床的运转状态的评价值。
也可以是,上述运转状态异常检查方法还执行根据上述状态量来制作表征上述机床的运转状态的特征量的步骤,进行上述推断的步骤根据上述特征量来推断针对上述机床的运转状态的评价值,生成或更新上述学习模型的步骤通过使用了上述特征量的机械学习来生成或更新学习模型。
本发明的其它方案的运转状态异常检查方法执行:指定加工工件的机床的加工运转的条件的步骤;检测表示上述机床的运转状态的状态量的步骤;根据上述状态量来推断针对上述机床的运转状态的评价值的步骤;以及基于上述评价值来检查上述机床的运转状态的异常的步骤。而且,进行上述推断的步骤基于在指定上述条件的步骤中指定的加工运转的条件,从与上述机床的加工运转的条件的组合预先关联起来的至少一个学习模型中选择使用的学习模型,并使用所选择的学习模型来计算针对上述机床的运转状态的评价值。
也可以是,上述运转状态异常检查方法还执行根据述状态量来制作表征上述机床的运转状态的特征量的步骤,进行上述推断的步骤根据上述特征量来推断针对上述机床的运转状态的评价值。
本发明的一方案的学习模型组是将多个学习模型的每一个与机床的加工运转的条件的组合关联起来而成。而且,上述多个学习模型的每一个是基于表示在上述机床的加工运转的条件下进行的上述机床的运转状态的状态量而生成或更新的学习模型,基于对上述机床设定的条件从上述多个学习模型中选择一个学习模型,所选择的学习模型用于推断针对上述机床的运转状态的评价值的处理。
通过本发明,能够使与加工时的机床的运转条件、环境条件相应地选择出的学习模型基于在各个条件下检测出的状态量进行机械学习,因此能够一边防止过度学习,一边进行效率良好的机械学习,另外,机床的运转状态的异常检查使用根据加工时的机床的运转条件、环境条件等选择出的学习模型,因此能够提高机床的运转状态的异常检查的精度。
附图说明
图1是本发明的第一实施方式的数值控制***的概略性的功能块图。
图2是本发明的第二实施方式的数值控制***的概略性的功能块图。
图3是本发明的第三实施方式的数值控制***的概略性的功能块图。
图4是本发明的第四实施方式的数值控制***的概略性的功能块图。
图5是本发明的第五实施方式的数值控制***的概略性的功能块图。
图6是表示本发明的第五实施方式的数值控制***的变形例的概略性的功能块图。
图7是本发明的第六实施方式的数值控制***的概略性的功能块图。
图8是在图5~图7的任一项所示的数值控制***上执行的处理的概略性的流程图。
图9是在图1~图4的任一项所示的数值控制***上执行的处理的概略性的流程图。
图10是表示本发明的一实施方式的数值控制装置及机械学习装置的主要部分的概略性的硬件结构图。
具体实施方式
图1是第一实施方式的数值控制***1的概略性的功能块图。
图1所示的各功能块通过构成数值控制***1的数值控制装置、单元计算机、主计算机、云服务器等计算机具备的CPU、GPU等处理器按照各个***、程序控制装置的各部的动作来实现。
本实施方式的数值控制***1至少具备成为状态的观察、推断对象的作为边界设备的数值控制部100、进行对边界设备的状态的推断的推断处理部200、以及存储并管理多个学习模型的学习模型存储部300。该数值控制***1还具备基于推断处理部200对边界设备的状态推断出的结果检查机床的运转状态的异常的异常***400、以及进行存储于学习模型存储部300的学习模型的制作及更新的学习模型生成部500。
本实施方式的数值控制部100通过执行存储于未图示的存储器的加工程序块来控制对工件进行加工的机床。数值控制部100例如作为数值控制装置而安装,顺序读取并解析存储于未图示的存储器的加工程序块,基于解析出的结果算出每个控制周期的马达120的移动量,根据算出的每个控制周期的移动量来控制马达120。由数值控制部100控制的机床具备被马达120驱动的机构部130,通过该机构部130驱动,从而工具和工件相对移动,工件被加工。此外,图1中进行了省略,但马达120仅准备机床的机构部130具备的轴的数量。机构部130包含例如用作进给轴的滚珠丝杆、用作主轴的机构。有时也通过多个马达驱动单一的机构部。
数值控制部100具备的条件指定部110指定数值控制部100(及由该数值控制部100控制的机床)执行的加工运转的条件(加工条件、运转条件、环境条件等)。对加工运转设定的条件例如包含加工时的马达的动作模式(主轴转速、进给速度等)、加工使用的工具的种类、表示成为加工的对象的工件的硬度、材质等的工件信息等。条件指定部110根据需要对数值控制部100的各部指定(输出)由加工程序指示的条件、作业者经过未图示的输入装置对数值控制部100设定的条件、经由网络等连接的其它计算机对数值控制部100设定的条件、或者由另外设置于数值控制部100的传感器等设备检测出的条件等,并且也对学习模型存储部300、学习模型生成部500指定(输出)这些条件。条件指定部110具有将作为边界设备的数值控制部100的当前的加工运转的条件作为用于选择学习模型的条件而通知给数值控制***1的各部的功能。
数值控制部100具备的状态量检测部140将数值控制部100(及由该数值控制部100控制的机床)的加工运转的状态作为状态量而检测。检测的加工运转的状态量包含例如主轴的负荷(电流值)、进给轴的负荷(电流值)、主轴转速、进给轴速度、进给轴位置、马达120的温度、振动值、声音等。状态量检测部140例如将流通于对数值控制部100、该数值控制部100控制的机床的机构部130进行驱动的马达120的电流值、由另外设置于各部的传感器等的设备检测到的检测值作为状态量而检测。状态量检测部140检测出的状态量输出至推断处理部200及学习模型生成部500。
推断处理部200观测作为边界设备的数值控制部100(及由该数值控制部100控制的机床)的状态,基于观测到的结果推断数值控制部100的状态(加工的状态)。推断处理部200能够作为例如数值控制装置、单元计算机、主计算机、云服务器、或者机械学习装置等而安装。
推断处理部200具备的特征量制作部210基于状态量检测部140检测出的状态量制作表示由数值控制部100控制的机床的运转状态的特征的特征量。特征量制作部210制作的表示机床的运转状态的特征的特征量是用作在数值控制部100(及由该数值控制部100控制的机床)执行的加工运转中检查机床的运转状态的异常时的判断的材料的信息。另外,特征量制作部210制作的表示机床的运转状态的特征的特征量为后述的推断计算部220进行使用了学习模型的推断时的输入数据。特征量制作部210制作的表示机床的运转状态的特征的特征量例如可以是状态量检测部140检测出的在过去的预定时间段以预定的采样周期对主轴的负荷进行采样而得到的特征量,另外,也可以是状态量检测部140检测出的马达120的振动值的过去的预定时间段内的峰值,例如,也可以是将状态量检测部140检测出的各状态量向时间序列的频率区域积分变换、进行振幅或功率密度的标准化、向传递函数适合、向特定的时间或频宽降维等这样的信号处理的组合。特征量制作部210将状态量检测部140检测出的状态量以推断计算部220能够处理的方式进行前处理而正规化。
推断处理部200具备的推断计算部220基于根据当前的机床的运转状态的条件从存储于学***台应用存储于学习模型存储部300的学习模型来实现。推断计算部220例如可以用于进行使用了多层神经网络的推断处理,另外,也可以用于进行作为贝叶斯网络、支持向量机、混合高斯模型等机械学习使用了公知的学习算法的推断处理。推断计算部220例如也可以用于进行使用了有监督学习、无监督学习、强化学习等学习算法的推断处理。另外,推断计算部220也可以基于各种学习算法分别进行推断处理。推断计算部220构成基于从存储于机械学习的学习模型存储部300的多个学习模型中选择出的一个学习模型的机械学习器,通过执行作为该机械学习器的输入数据而使用了特征量制作部210制作的特征量的推断处理,从而推断数值控制部100(及由该数值控制部100控制的机床)执行的机床的运转状态的评价值。作为推断计算部220推断出的结果的评价值,例如可以表示机床的运转状态的正常/异常的分类、表示机床的运转状态的异常的部位(马达120的轴承异常、马达120与机构部130之间的连结部的破损等)的信息、当前的机床的运转状态与正常时的机床的运转状态的分布的差距等的状态。
本实施方式的学习模型存储部300能够存储与由条件指定部110指定的加工运转的条件的组合取得了关联的多个学习模型。学习模型存储部300例如能够作为数值控制装置、单元计算机、主计算机、云服务器、数据库服务器等而安装。
学习模型存储部300存储有与由条件指定部110指定的加工运转的条件(加工条件、运转条件、环境条件等)的组合取得了关联的多个学习模型1、2、…、N。在此所说的加工运转的条件(加工条件、运转条件、环境条件等)的组合是指与各个条件取得的值、值的范围、值的列举相关的组合,例如,在将条件的组合设为主轴转速、进给速度、工具种类、工件信息的组合的情况下,能够将(主轴旋转速:500~1000[min-1],进给速度:200~300[mm/min],钻具,铝/钢铁)用作加工运转的条件的组合之一。
存储于学习模型存储部300的学习模型作为能够构成适于推断计算部220的推断处理的一个学习模型的信息而存储。存储于学习模型存储部300的学习模型在例如为使用了多层神经网络的学习算法的学习模型的情况下,能够存储为各层的神经元(感知器)数、各层的神经元(感知器)间的加权参数等,另外,在为使用了贝叶斯网络的学习算法的学习模型的情况下,能够存储为构成贝叶斯网络的节点和节点间的转移概率等。存储于学习模型存储部300的学习模型的每一个可以是使用了相同的学习算法的学习模型,另外也可以是使用了不同的学习算法的学习模型,只要能够利用于推断计算部220的推断处理,可以是使用了任意的学习算法的学习模型。
学习模型存储部300可以对一个加工运转的条件的组合关联一个学习模型而存储,另外,也可以对一个加工运转的条件的组合关联使用了二以上的不同的学习算法的学习模型而存储。学习模型存储部300可以对其组合的范围重叠的多个加工运转的条件的组合的每一个关联使用了不同的学习算法的学习模型而存储。此时,学习模型存储部300对与加工运转的条件的组合对应的学习模型进一步确定必要处理能力、学习算法的种类等利用条件,从而例如能够对加工运转的条件的组合选择与能够执行的推断处理、处理能力不同的推断计算部220相应的学习模型。
若学习模型存储部300从外部接受包含加工运转的条件的组合的学习模型的读出/写入要求,则读取、写入与该加工运转的条件的组合取得关联而存储的学习模型。此时,学习模型的读出/写入要求可以包含推断计算部220能够执行的推断处理、处理能力的信息,该情况下,学习模型存储部300读出、写入与加工运转的条件的组合以及推断计算部220能够执行的推断处理、处理能力取得了关联的学习模型。学习模型存储部300也可以具备针对于来自外部的学习模型的读出/写入要求,基于从条件指定部110指定的条件,读出、写入与该条件(的组合)取得了关联的学习模型的功能。通过设置这样的功能,无需在推断计算部220、学习模型生成部500设置基于从条件指定部110指定的条件请求学习模型的功能。
此外,学习模型存储部300可以将学习模型生成部500生成的学习模型编码化而存储,在由推断计算部220读出学习模型时,将编码化的学习模型解码化。
异常***400基于由推断处理部200推断出的机床的运转状态的评价值,检查在数值控制部100(及由该数值控制部100控制的机床)发生的异常。异常***400进行与推断计算部220输出的作为推断结果的评价值的内容相应的机床的运转状态的正常/异常的检查。异常***400例如可以在由推断处理部200推断出的当前的机床的运转状态分类到异常的情况下,检查为机床的运转状态异常,在除此之外的情况下,检查为机床的运转状态正常。异常***400例如也可以在当前的机床的运转状态与正常时的机床的运转状态的分布的差距超过预先确定的预定的阈值的情况下,测探为机床的运转状态异常,在除此之外的情况下,检查为机床的运转状态正常。
异常***400可以在检查为机床的运转状态异常的情况下,通过未图示的显示装置、灯、声音输出装置等对作业者通知机床的运转状态的异常。另外,异常***400也可以在检查为机床的运转状态异常的情况下,对数值控制部100发送指令,以中止加工。
学习模型生成部500基于由条件指定部110指定的加工运转的条件和由特征量制作部210制作的表示机床的运转状态的特征的特征量,进行存储于学习模型存储部300的学习模型的生成及更新(机械学习)。学习模型生成部500基于由条件指定部110指定的加工运转的条件,选择成为生成及更新的对象的学习模型,并对该选择出的学习模型进行基于由特征量制作部210制作的表示加工运转状态的特征的特征量的机械学习。学习模型生成部500在与由条件指定部110指定的加工运转的条件(的组合)取得了关联的学习模型未存储于学习模型存储部300的情况下,新生成与该条件(的组合)取得了关联的学习模型,另一方面,在与由条件指定部110指定的加工运转的条件(的组合)取得了关联的学习模型存储于学习模型存储部300的情况下,进行对该学习模型的机械学习,从而更新该学习模型。学习模型生成部500在与由条件指定部110指定的加工运转的条件(的组合)取得了关联的学习模型在学习模型存储部300存储有多个的情况下,可以对各个学习模型进行机械学习,另外,也可以基于能够由学习模型生成部500执行的学习处理、处理能力,仅对一部分学习模型进行机械学习。
学习模型生成部500也可以对存储于学习模型存储部300的学习模型进行改变而生成新的学习模型。作为学习模型生成部500对学习模型的改变的例,例如,示例蒸馏模型的生成。蒸馏模型是使用针对装入有学习完毕模型的机械学习器的输入而能得到的输出,通过在其它机械学习器从一开始进行学习而得到学习完毕模型。学习模型生成部500能够将经由这样的工序(称为蒸馏工序)得到的蒸馏模型作为新的学习模型存储于学习模型存储部300而利用。一般而言,蒸馏模型相比原始的学习完毕模型,大小较小,尽管如此,由于能得到与原始的学习完毕模型同等的准确率,因此更适于经由网络等配置于其它计算机。作为学习模型生成部500对学习模型的改变的其它例,可以考虑学习模型的统合。学习模型生成部500也可以在与加工运转的条件(的组合)取得关联而存储的两个以上的学习模型的构造类似的情况下,例如,在各加权参数的值处于预先确定的预定的阈值内的情况下,统合与这些学习模型取得了关联的加工运转的条件(的组合),而且与之对应地存储构造类似的两个以上的学习模型的任一个。
图2是第二实施方式的数值控制***1的概略性的功能块图。
本实施方式的数值控制***1中,将各功能块安装于一台数值控制装置2上。通过这样构成,本实施方式的数值控制***1例如能够根据数值控制装置2控制的机床的加工运转中的马达120的动作模式、加工使用的工具的种类、工件的材质等条件使用不同的学习模型来推断机床的运转状态,检测机床的运转状态的异常。另外,能够通过一台数值控制装置2生成/更新与加工运转的条件相应的各个学习模型。
图3是第三实施方式的数值控制***1的概略性的功能块图。
本实施方式的数值控制***1中,将数值控制部100、推断处理部200、以及异常***400安装于数值控制装置2上,另外,将学习模型存储部300及学习模型生成部500安装于与数值控制装置2经由标准的接口、网络而连接的机械学习装置3上。机械学习装置3可以安装于单元计算机、主计算机、云服务器、数据库服务器上。通过这样构成,能够将作为比较简单的处理的使用了学习完毕的模型的推断处理在数值控制装置2上执行,将作为比较复杂的处理的学习模型的生成/更新的处理在机械学习装置3上执行。因此,能够不妨碍在数值控制装置2执行的机床的控制的处理地进行数值控制***1的使用。
图4是第四实施方式的数值控制***1的概略性的功能块图。
本实施方式的数值控制***1中,将数值控制部100安装于数值控制装置2上,将推断计算部220、学习模型存储部300、学习模型生成部500安装于与数值控制装置2经由标准的接口、网络连接的机械学习装置3上。而且,另外准备异常***400。此外,在本实施方式的数值控制***1中,将状态量检测部140检测的状态量假定为能够直接用于推断计算部220的推断处理、学习模型生成部500对学习模型的生成/更新处理的数据,省略了特征量制作部210的结构。通过这样构成,能够将使用了学习完毕的模型的推断处理及学习模型的生成/更新的处理在机械学习装置3上执行。因此,能够不妨碍在数值控制装置2执行的机床的控制的处理地进行数值控制***1的使用。
图5是第五实施方式的数值控制***1的概略性的功能块图。
本实施方式的数值控制***1中,将各功能块安装于一台数值控制装置2上。此外,在本实施方式的数值控制***1中,在学习模型存储部300已经存储有与加工运转的条件的组合取得了关联的多个学习完毕的学习模型,假定为不进行学习模型的生成/更新,省略学习模型生成部500的结构。通过这样构成,本实施方式的数值控制***1例如能够根据安装于数值控制装置2控制的机床的工具的种类、工件的材质等条件而使用不同的学习模型来推断机床的运转状态,并且检测机床的运转状态的异常。另外,不进行随便的学习模型的更新,因此例如能够作为交付给客户的数值控制装置2的结构而采用。
图6是表示第五实施方式的数值控制***1的变形例的概略性的功能块图。
该变形例的数值控制***1中,将学习模型存储部300不安装于数值控制装置2,而安装于与数值控制装置2连接的外部存储器4。本变形例中,将容量大的学习模型存储于外部存储器4,从而能够利用大量的学习模型,并且能够不经由网络等而读出学习模型,因此能够有效地用于推断处理需要即时性的情况。
图7是第六实施方式的数值控制***1的概略性的功能块图。
本实施方式的数值控制***1中,将数值控制部100安装于数值控制装置2上,将推断计算部220、学习模型存储部300安装于与数值控制装置2经由标准的接口、网络连接的机械学习装置3上。机械学习装置3也可以安装于单元计算机、主计算机、云服务器、数据库服务器上。此外,本实施方式的数值控制***1中,在学习模型存储部300中已经存储有与加工运转的条件的组合取得了关联的多个学习完毕的学习模型,假定为不进行学习模型的生成/更新,省略学习模型生成部500的结构。另外,在本实施方式的数值控制***1中,将状态量检测部140检测的状态量假定为能够直接用于推断计算部220的推断处理的数据,省略特征量制作部210的结构。通过这样构成,本实施方式的数值控制***1例如能够根据数值控制装置2控制的机床的加工运转中的马达120的动作模式、加工使用的工具的种类、工件的材质等条件而使用不同的学习模型来推断机床的运转状态,并检测机床的运转状态的异常。另外,由于不进行随便的学习模型的更新,因此例如能够作为交付给顾客的数值控制装置2的结构而采用。
图8是在本发明的数值控制***1执行的处理的概略性的流程图。图8所示的流程图示例了不进行数值控制***1的学习模型的更新的情况(第五、六实施方式)的处理流。
·[步骤SA01]条件指定部110指定数值控制部100(及由该数值控制部100控制的机床)的加工运转的条件。
·[步骤SA02]状态量检测部140将数值控制部100(及由该数值控制部100控制的机床)的机床的运转状态作为状态量而检测。
·[步骤SA03]特征量制作部210基于在步骤SA02检测出的状态量,制作表示机床的运转状态的特征的特征量。
·[步骤SA04]推断计算部220将与在步骤SA01指定的加工运转的条件对应的学习模型作为推断使用的学习模型,从存储于学习模型存储部300的多个学习模型中选择而读出。
·[步骤SA05]推断计算部220基于在步骤SA04读出的学习模型和在步骤SA03制作的特征量,推断机床的运转状态的评价值。
·[步骤SA06]异常***400基于在步骤SA05推断出的评价值,检查机床的运转状态的异常。
图9是在本发明的数值控制***1执行的处理的概略性的流程图。图9所示的流程图示例了进行数值控制***1的学习模型的生成、更新的情况(第一~四实施方式)的处理流。
·[步骤SB01]条件指定部110指定数值控制部100(及由该数值控制部100控制的机床)的加工运转的条件。
·[步骤SB02]状态量检测部140将数值控制部100(及由该数值控制部100控制的机床)的机床的运转状态作为状态量而检测。
·[步骤SB03]特征量制作部210基于在步骤SB02检测出的状态量,制作表示机床的运转状态的特征的特征量。
·[步骤SB04]推断计算部220将与在步骤SB01指定的加工运转的条件对应的学习模型作为推断使用的学习模型,从存储于学习模型存储部300的多个学习模型中选择而读出。
·[步骤SB05]学习模型生成部500判断学习模型存储部300是否生成了与在步骤SB01指定的加工运转的条件对应的学习完毕的学习模型。在生成了学习完毕的学习模型的情况下,将处理转移至步骤SB07,在未生成学习完毕的学习模型的情况下,将处理转移至步骤SB06。
·[步骤SB06]学习模型生成部500基于在步骤SB03制作的特征量,进行与在步骤SB01指定的加工运转的条件对应的学习模型的生成、更新,并将处理转移至步骤SB01。
·[步骤SB07]推断计算部220基于在步骤SB04读出的学习模型和在步骤SB03制作的特征量,推断机床的运转状态的评价值。
·[步骤SB08]异常***400基于在步骤SB05推断出的评价值,检查机床的运转状态的异常。
图10是表示本发明的一实施方式的数值控制装置及机械学习装置的主要部分的概略性的硬件结构图。本实施方式的数值控制装置2具备的CPU11是整体控制数值控制装置2的处理器。CPU11读取存储于ROM12的***、程序,根据该***、程序控制整个数值控制装置2。在RAM13中临时存储临时的计算数据、显示数据、操作人员经由未图示的输入部输入的各种数据等。
显示器70由液晶显示装置等构成。显示器70还能够显示表示工具的磨损状况的推断评价值、其经历。作为提出的***的实现形态,能够通过阈值判定方式、趋势图判定方式、脱离检查方式等各种方法得到最终结果,通过将得到该结果的过程的一部分可视化,能够赋予与实际在生产现场运转机床的作业者的工业的直观上一致的结果。
用于控制机床具备的轴的轴控制电路30从CPU11接受轴的移动指令量,并输出至伺服放大器40。伺服放大器40接受该指令,驱动使加工机具备的轴移动的马达120。轴的马达120内置位置、速度检测器,将来自该位置、速度检测器的位置、速度反馈信号反馈至轴控制电路30,进行位置、速度的反馈控制。此外,图1的硬件结构图中,轴控制电路30、伺服放大器40、马达120仅分别示出了一个,但实际上,准备成为控制对象的加工机具备的轴的数量。
接口21是用于连接数值控制装置2和机械学习装置3的接口。机械学习装置3具备统括控制整个机械学习装置3的处理器80、存储有***、程序、学习模型等的ROM81、用于进行机械学习的各处理的临时存储的RAM82。机械学习装置3经由接口84及接口21在与数值控制装置2之间进行各种数据的交换。
以上对本发明的实施方式进行了说明,但本发明不仅被限定于上述的实施方式的例,通过施加适当的变更,能够以各种方式实施。
Claims (6)
1.一种数值控制***,其检查加工工件的机床的运转状态的异常,
上述数值控制***的特征在于,具备:
条件指定部,其指定上述机床的加工运转中的条件;
状态量检测部,其检测上述机床的表示上述机床的运转状态的状态量;
特征量制作部,其根据状态量检测部检测出的状态量来制作表征上述机床的运转状态的特征量;
推断计算部,其根据上述特征量来推断针对上述机床的运转状态的评价值;
异常***,其基于上述评价值来检查上述机床的运转状态的异常;
学习模型生成部,其通过使用了上述特征量的机械学习来生成或更新学习模型;以及
学习模型存储部,其将上述学习模型生成部生成的至少一个学习模型与由上述条件指定部指定的条件的组合以及包括为了使用该学习模型所需的推断处理或处理能力的利用条件关联起来进行存储,
上述推断计算部基于上述条件指定部指定的加工运转中的条件以及该推断计算部能够执行的推断处理或处理能力,而从存储于上述学习模型存储部的学习模型中选择性地使用至少一个学习模型,并计算针对上述机床的运转状态的评价值。
2.根据权利要求1所述的数值控制***,其特征在于,
上述学习模型生成部通过对上述学习模型存储部存储的现有的学习模型实施改变来生成新的学习模型。
3.根据权利要求1或2所述的数值控制***,其特征在于,
上述学习模型存储部将上述学习模型生成部生成的学习模型编码而存储,且在由上述推断计算部读取学习模型时,将进行了编码的学习模型解码。
4.一种数值控制***,其检查加工工件的机床的运转状态的异常,
上述数值控制***的特征在于,具备:
条件指定部,其指定上述机床的加工运转中的条件;
状态量检测部,其检测上述机床的表示上述机床的运转状态的状态量;
特征量制作部,其根据上述状态量来制作表征上述机床的运转状态的特征量;
推断计算部,其根据上述特征量来推断针对上述机床的运转状态的评价值;
异常***,其基于上述评价值来检查上述机床的运转状态的异常;以及
学习模型存储部,其存储与上述机床的加工运转中的条件的组合以及包括为了使用该学习模型所需的推断处理或处理能力的利用条件预先关联起来的至少一个学习模型,
上述推断计算部基于上述条件指定部指定的加工运转中的条件以及该推断计算部能够执行的推断处理或处理能力,而从存储于上述学习模型存储部的学习模型中选择性地使用至少一个学习模型,并计算针对上述机床的运转状态的评价值。
5.一种运转状态异常检查方法,其执行:
指定加工工件的机床的加工运转中的条件的步骤;
检测上述机床的表示上述机床的运转状态的状态量的步骤;
根据上述状态量来制作表征上述机床的运转状态的特征量的步骤;
根据上述特征量来推断针对上述机床的运转状态的评价值的步骤;
基于上述评价值来检查上述机床的运转状态的异常的步骤;以及
通过使用了上述特征量的机械学习来生成或更新学习模型的步骤,
上述运转状态异常检查方法的特征在于,
进行上述推断的步骤基于在指定上述条件的步骤中指定的加工运转中的条件以及能够执行的推断处理或处理能力,从与上述机床的加工运转中的条件的组合以及包括所需的推断处理或处理能力的利用条件预先关联起来的至少一个上述学习模型中选择使用的学习模型,并使用所选择的学习模型来计算针对上述机床的运转状态的评价值。
6.一种运转状态异常检查方法,其执行:
指定加工工件的机床的加工运转中的条件的步骤;
检测表示上述机床的运转状态的状态量的步骤;
根据上述状态量来制作表征上述机床的运转状态的特征量的步骤;
根据上述特征量来推断针对上述机床的运转状态的评价值的步骤;以及
基于上述评价值来检查上述机床的运转状态的异常的步骤,
上述运转状态异常检查方法的特征在于,
进行上述推断的步骤基于在指定上述条件的步骤中指定的加工运转中的条件以及能够执行的推断处理或处理能力,从与上述机床的加工运转中的条件的组合以及包括所需的推断处理或处理能力的利用条件预先关联起来的至少一个学习模型中选择使用的学习模型,并使用所选择的学习模型来计算针对上述机床的运转状态的评价值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-191864 | 2017-09-29 | ||
JP2017191864A JP6698603B2 (ja) | 2017-09-29 | 2017-09-29 | 数値制御システム、及び運転状態異常検知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581972A CN109581972A (zh) | 2019-04-05 |
CN109581972B true CN109581972B (zh) | 2021-10-26 |
Family
ID=65728172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811138370.6A Active CN109581972B (zh) | 2017-09-29 | 2018-09-28 | 数值控制***、数值控制装置、运转状态异常检查方法及学习模型组 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11080610B2 (zh) |
JP (1) | JP6698603B2 (zh) |
CN (1) | CN109581972B (zh) |
DE (1) | DE102018007630A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6474449B2 (ja) * | 2017-04-07 | 2019-02-27 | ファナック株式会社 | 調整装置及び調整方法 |
JP7389314B2 (ja) * | 2019-03-05 | 2023-11-30 | ダイキン工業株式会社 | 空気調和装置の制御システム |
JP7016450B2 (ja) * | 2019-06-06 | 2022-02-04 | 三菱電機株式会社 | 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム |
DE102019208372A1 (de) * | 2019-06-07 | 2020-12-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen |
JP2021015573A (ja) * | 2019-07-16 | 2021-02-12 | ファナック株式会社 | 異常判定装置及び異常判定システム |
WO2021049028A1 (ja) * | 2019-09-13 | 2021-03-18 | 三菱電機株式会社 | 数値制御装置、および機械学習装置 |
JP7483341B2 (ja) | 2019-09-26 | 2024-05-15 | キヤノン株式会社 | 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体 |
JP7313292B2 (ja) * | 2020-01-27 | 2023-07-24 | 三菱電機株式会社 | プラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法 |
DE102020112848A1 (de) | 2020-05-12 | 2021-11-18 | fos4X GmbH | Verfahren zur Erfassung von Daten |
US20210356361A1 (en) * | 2020-05-15 | 2021-11-18 | Deere & Company | Fault detection technique for a bearing |
DE102020210530A1 (de) | 2020-08-19 | 2022-02-24 | Kuka Deutschland Gmbh | Überwachung bei einem robotergestützten Prozess |
TWI749742B (zh) * | 2020-08-31 | 2021-12-11 | 國立虎尾科技大學 | 工具機主軸診斷方法 |
SE544532C2 (en) * | 2020-12-18 | 2022-07-05 | Husqvarna Ab | Improved fault detection methods for power tools |
JP2023110670A (ja) * | 2022-01-28 | 2023-08-09 | 三菱重工航空エンジン株式会社 | 工具損傷確率推定装置、工具損傷確率推定方法、及び、プログラム |
CN117707051B (zh) * | 2024-02-04 | 2024-04-16 | 工业云制造(四川)创新中心有限公司 | 一种具备自主学习能力的云制造支撑方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
WO2014045030A1 (en) * | 2012-09-18 | 2014-03-27 | The University Of Nottingham | Improvements in or relating to abrasive machining |
CN106022977A (zh) * | 2016-08-09 | 2016-10-12 | 国网山西省电力公司电力科学研究院 | 一种变电站工作现场安全分析方法 |
CN106560751A (zh) * | 2015-09-30 | 2017-04-12 | 发那科株式会社 | 机器学习装置、机器学习方法及具备机器学习装置的机床 |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
WO2017111072A1 (en) * | 2015-12-25 | 2017-06-29 | Ricoh Company, Ltd. | Diagnostic device, computer program, and diagnostic system |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0976144A (ja) | 1995-09-14 | 1997-03-25 | Fanuc Ltd | 工作機械における加工状態監視方法 |
US7341410B2 (en) * | 2003-03-10 | 2008-03-11 | Foster-Miller, Inc. | Dynamical instrument for machining |
WO2005015332A2 (en) * | 2003-08-07 | 2005-02-17 | Sikorsky Aircraft Corporation | Virtual load monitoring system and method |
JP4109280B2 (ja) | 2005-09-08 | 2008-07-02 | ファナック株式会社 | サーボモータによって駆動制御される可動部を有する機械 |
JP4276252B2 (ja) | 2006-10-31 | 2009-06-10 | ファナック株式会社 | 工具とワークの接触検知機構を有する工作機械 |
JP4897632B2 (ja) | 2007-09-27 | 2012-03-14 | ファナック株式会社 | 衝突検出機能を有する工作機械の制御装置 |
US20100257838A1 (en) * | 2009-04-09 | 2010-10-14 | General Electric Company | Model based health monitoring of aeroderivatives, robust to sensor failure and profiling |
JP6156566B2 (ja) * | 2015-12-25 | 2017-07-05 | 株式会社リコー | 診断装置、診断方法、プログラムおよび診断システム |
JP6840953B2 (ja) * | 2016-08-09 | 2021-03-10 | 株式会社リコー | 診断装置、学習装置および診断システム |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
EP3605405A4 (en) * | 2017-03-21 | 2020-12-02 | Preferred Networks, Inc. | SERVER DEVICE, TRAINED MODEL DELIVERY PROGRAM, TRAINED MODEL DELIVERY PROCESS, AND DRIVEN MODEL DELIVERY SYSTEM |
US10452052B2 (en) * | 2017-07-13 | 2019-10-22 | Autodesk, Inc. | Method and system for processing machine data before completion of machining |
US9977425B1 (en) * | 2017-07-14 | 2018-05-22 | General Electric Company | Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part |
JP6698604B2 (ja) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | 数値制御システム、及び工具状態検知方法 |
US20190152011A1 (en) * | 2017-11-21 | 2019-05-23 | General Electric Company | Predictive cutting tool failure determination |
JP6711854B2 (ja) * | 2018-02-22 | 2020-06-17 | ファナック株式会社 | 故障予測装置及び機械学習装置 |
-
2017
- 2017-09-29 JP JP2017191864A patent/JP6698603B2/ja active Active
-
2018
- 2018-09-25 US US16/141,133 patent/US11080610B2/en active Active
- 2018-09-26 DE DE102018007630.0A patent/DE102018007630A1/de active Pending
- 2018-09-28 CN CN201811138370.6A patent/CN109581972B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
WO2014045030A1 (en) * | 2012-09-18 | 2014-03-27 | The University Of Nottingham | Improvements in or relating to abrasive machining |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN106560751A (zh) * | 2015-09-30 | 2017-04-12 | 发那科株式会社 | 机器学习装置、机器学习方法及具备机器学习装置的机床 |
WO2017111072A1 (en) * | 2015-12-25 | 2017-06-29 | Ricoh Company, Ltd. | Diagnostic device, computer program, and diagnostic system |
CN106022977A (zh) * | 2016-08-09 | 2016-10-12 | 国网山西省电力公司电力科学研究院 | 一种变电站工作现场安全分析方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190101891A1 (en) | 2019-04-04 |
US11080610B2 (en) | 2021-08-03 |
CN109581972A (zh) | 2019-04-05 |
DE102018007630A1 (de) | 2019-04-04 |
JP2019067136A (ja) | 2019-04-25 |
JP6698603B2 (ja) | 2020-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581972B (zh) | 数值控制***、数值控制装置、运转状态异常检查方法及学习模型组 | |
CN109581962B (zh) | 数值控制*** | |
CN109960219B (zh) | 控制装置以及机器学习装置 | |
JP6863930B2 (ja) | 寿命予測装置及び機械学習装置 | |
CN109571897B (zh) | 数值控制*** | |
CN109613886B (zh) | 热位移校正*** | |
CN111506019B (zh) | 数值控制*** | |
CN108931959B (zh) | 控制装置及机械学习装置 | |
JP6734318B2 (ja) | 駆動装置及び機械学習装置 | |
JP6781242B2 (ja) | 制御装置、機械学習装置及びシステム | |
CN110347120A (zh) | 控制装置以及机器学习装置 | |
JP2019141869A (ja) | 制御装置及び機械学習装置 | |
CN109794657A (zh) | 控制装置以及机器学习装置 | |
CN109725597B (zh) | 测试装置以及机器学习装置 | |
CN110174871B (zh) | 控制装置、机器学习装置以及*** | |
JP7425191B2 (ja) | 工具診断装置 | |
JP6940425B2 (ja) | 制御装置及び機械学習装置 |
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 |