CN110888398B - 控制装置、cnc装置以及控制方法 - Google Patents
控制装置、cnc装置以及控制方法 Download PDFInfo
- Publication number
- CN110888398B CN110888398B CN201910842338.4A CN201910842338A CN110888398B CN 110888398 B CN110888398 B CN 110888398B CN 201910842338 A CN201910842338 A CN 201910842338A CN 110888398 B CN110888398 B CN 110888398B
- Authority
- CN
- China
- Prior art keywords
- unit
- control device
- machine
- motor
- instruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 114
- 230000006870 function Effects 0.000 claims abstract description 107
- 238000011156 evaluation Methods 0.000 claims abstract description 103
- 230000015556 catabolic process Effects 0.000 claims abstract description 62
- 238000006731 degradation reaction Methods 0.000 claims abstract description 62
- 238000003860 storage Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 6
- 230000006866 deterioration Effects 0.000 claims description 25
- 238000007689 inspection Methods 0.000 abstract description 13
- 230000006399 behavior Effects 0.000 description 64
- 238000012545 processing Methods 0.000 description 55
- 238000012546 transfer Methods 0.000 description 44
- 238000010586 diagram Methods 0.000 description 23
- 238000012937 correction Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000003754 machining Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05B19/406—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
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B19/4062—Monitoring servoloop, e.g. overload of servomotor, loss of feedback or reference
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
-
- 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
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42271—Monitor parameters, conditions servo for maintenance, lubrication, repair purposes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种控制装置、CNC装置以及控制方法。控制装置具备:机器学习部,其对决定成为电动机的驱动对象的机械的驱动部的动作特性的控制参数进行机器学习,并将控制参数设定到控制电动机的电动机控制装置;运行状况检查动作指示部,其输出驱动电动机控制装置的运行状况检查动作的指示;动作评价部,其从根据运行状况检查动作的指示而驱动的电动机控制装置或机械取得表示动作特性的信息,根据利用了信息的评价函数计算评价值,将评价值与执行运行状况检查动作时的时刻信息或电动机的动作信息对应地存储到存储部;劣化推定部,其根据在进行运行状况检查动作时通过动作评价部计算出的评价值和存储在存储部中的评价值,推定动作特性的劣化。
Description
技术领域
本发明涉及为了推定成为电动机的驱动对象的机械的驱动部的动作特性的劣化而进行驱动控制电动机的电动机控制装置的运行状况检查动作的控制装置、使用了该控制装置的CNC(计算机数字控制)装置、以及控制装置的控制方法。
背景技术
例如在专利文献1~专利文献3中,记载了检测机床或工业机械等机械的故障或异常的装置。
专利文献1记载了一种机器学习装置,其能够在机床的主轴或驱动主轴的电动机发生故障之前检测出该故障的预兆。具体地说,机器学习装置学习机床的主轴或驱动主轴的电动机的故障预测,该机器学习装置具备:状态观测部,其观测状态变量,该状态变量包含控制电动机的电动机控制装置的输出数据、检测电动机的状态的检测器的输出数据、以及测定主轴或电动机的状态的测定器的输出数据中的至少一个;判定数据取得部,其取得判定主轴或电动机的故障的有无或故障的程度所得的判定数据;学习部,其依照根据状态变量和判定数据的组合而制作的数据集,学习主轴或电动机的故障预测。
专利文献2记载了能够与状况对应地进行准确的故障预测的故障预测***。具体地说,故障预测***具备学习与工业机械的故障关联的条件的机器学习装置。机器学习装置具备:状态观测部,其在工业机械的动作中或静止中观测由传感器的输出数据、控制软件的内部数据、或根据它们得到的计算数据等构成的状态变量;判定数据取得部,其取得表示工业机械的故障的有无或故障的程度的判定数据;学习部,其依照根据状态变量和判定数据的组合而制作的训练数据集,通过监督学习来学习与工业机械的故障关联的条件。
专利文献3记载了能够提高诊断精度的机床的工具的异常检测装置。具体地说,异常检测装置具备:取得部,其取得与工具有关的多个测定值作为测定数据(振动信息、切削力信息、声音信息、主轴负荷、电动机电流、功率值等);正常模型部,其通过1类机器学习来学习在正常状态的加工时取得的测定数据,制作正常模型;异常诊断部,其一边在制作正常模型后的加工时取得测定数据,一边根据正常模型诊断该测定数据是正常还是异常;再诊断部,其通过与异常诊断部不同的方法对通过异常诊断部诊断为异常的测定数据进行再诊断。
专利文献1~专利文献3记载了通过机器学习来检测机床或工业机械的故障或异常的装置,但由于信息处理量多,所以机器学习需要一定的学习时间,为了进行机器学习,机械的运转效率降低。
专利文献1:日本特开2017-188030号公报
专利文献2:日本特开2017-120649号公报
专利文献3:日本特开2018-24055号公报
发明内容
本发明的目的在于:提供不进行机器学习就能够推定机床或工业机械等机械的驱动部的动作特性的劣化的控制装置、使用了该控制装置的CNC装置、以及控制装置的控制方法。
(1)本发明的控制装置(例如后述的控制装置500)具备:
机器学习部(例如后述的机器学习部550),其对决定成为电动机(例如后述的伺服电动机300)的驱动对象的机械(例如后述的机械400)的驱动部的动作特性的控制参数进行机器学习,并将上述控制参数设定到控制上述电动机的电动机控制装置(例如后述的伺服控制装置200);
运行状况检查动作指示部(例如后述的运行状况检查动作指示部510),其输出为了取得上述驱动部的动作特性而驱动上述电动机控制装置的运行状况检查动作的指示;
动作评价部(例如后述的动作评价部520),其从根据上述运行状况检查动作的指示而驱动的上述电动机控制装置或上述机械取得表示上述驱动部的动作特性的信息,根据利用了该信息的评价函数计算评价值,并将上述评价值与执行上述运行状况检查动作时的时刻信息或上述电动机的动作信息对应地存储到存储部(例如后述的存储部530);
劣化推定部(例如后述的劣化推定部540),其根据在进行上述运行状况检查动作时通过上述动作评价部计算出的评价值和存储在上述存储部中的上述评价值,推定上述机械的驱动部的动作特性的劣化。
(2)也可以在上述(1)的控制装置中,上述劣化推定部根据上述机械的驱动部的动作特性的劣化的推定结果,向上述机器学习部指示上述控制参数的机器学习。
(3)也可以在上述(1)或(2)的控制装置中,上述劣化推定部根据上述机械的驱动部的动作特性的劣化的推定结果,向通知上述机械的驱动部的动作特性的劣化的报告部(例如后述的报告部560)指示报告。
(4)也可以在上述(1)~(3)的任意一个的控制装置中,上述运行状况检查动作指示部在输入预定的信号时或按照规定的时间表输出运行状况检查动作的指示。
(5)也可以在上述(1)~(4)的任意一个的控制装置中,上述运行状况检查动作指示部将上述运行状况检查动作的指示发送到向上述电动机控制装置输出控制指令的数值控制装置。
(6)本发明的CNC装置具备:上述(5)的控制装置;电动机控制装置,其控制电动机;数值控制装置,其根据从该控制装置输出的运行状况检查动作的指示,向上述电动机控制装置输出控制指令。
(7)本发明的控制方法通过控制装置执行,该控制装置具备存储部(例如后述的存储部530)、对决定成为电动机(例如后述的伺服电动机300)的驱动对象的机械(例如后述的机械400)的驱动部的动作特性的控制参数进行机器学习,并将上述控制参数设定到控制上述电动机的电动机控制装置的机器学习部(例如后述的机器学习部550),该控制方法包括:
输出为了取得上述驱动部的动作特性而驱动上述电动机控制装置的运行状况检查动作的指示的运行状况检查动作指示步骤;
从根据上述运行状况检查动作的指示而驱动的上述电动机控制装置或上述机械取得表示上述驱动部的动作特性的信息,根据利用了该信息的评价函数计算评价值,并将上述评价值与执行上述运行状况检查动作时的时刻信息或上述电动机的动作信息对应地存储到存储部的动作评价步骤;
根据在进行上述运行状况检查动作时在上述动作评价步骤中计算出的评价值和存储在上述存储部中的上述评价值,推定上述机械的驱动部的动作特性的劣化的劣化推定步骤。
(8)也可以在上述(7)的控制装置的控制方法中,上述劣化推定步骤还包括:根据在上述劣化推定步骤中推定出的上述机械的驱动部的动作特性的劣化的推定结果,向上述机器学习部指示上述控制参数的机器学习的机器学习指示步骤。
(9)也可以在上述(7)的控制装置的控制方法中,上述劣化推定步骤还包括:根据在上述劣化推定步骤中上述机械的驱动部的动作特性的劣化的推定结果,通知上述机械的驱动部的动作特性的劣化的报告步骤。
根据本发明,不进行机器学习就能够推定机床或工业机械等机械的驱动部的动作特性的劣化。
附图说明
图1是表示本发明的第一实施方式的包括机械的控制装置的机械控制***的框图。
图2是表示机械控制***中的数值控制装置、伺服控制装置以及机械的结构的框图。
图3是用于说明带圆角的方形的移动轨迹的图。
图4是表示伺服控制装置的滤波器的传递函数的系数ω、τ以及σ的基于机器学习的调整、此后的机械的时效劣化发生的情况下的带圆角的方形的移动轨迹的图。
图5是表示在公式3的评价函数中使用的位置偏差e的例子的特性图。
图6是表示在公式4的评价函数中使用的位置偏差e的例子的特性图。
图7是表示出厂前的机器学习时的评价值由于时效劣化而上升的状况、再学习时的评价值由于时效劣化而再次上升的状况的特性图。
图8是表示本实施方式的控制装置的动作的流程图。
图9是用于说明圆形的移动轨迹的图。
图10是用于说明方形的移动轨迹的图。
图11是用于说明八角形的移动轨迹的图。
图12是用于说明星形的移动轨迹的图。
图13是表示本发明的第一实施方式的机器学习部的框图。
图14是表示本发明的第二实施方式的机械控制***中的数值控制装置、伺服控制装置以及机械的结构的框图。
图15是表示机械控制***的其他结构例子的框图。
附图标记说明
10、10A:机械控制***;20、20-1~20-n:CNC装置;100:数值控制装置;200:伺服控制装置;300:伺服电动机;400、400-1~400-n:机械;500、500-1~500-n:控制装置;510:运行状况检查动作指示部;520:动作评价部;530:存储部;540:劣化推定部;550:机器学习部;560:报告部。
具体实施方式
以下,使用附图详细说明本发明的实施方式。
(第一实施方式)
图1是表示本发明的第一实施方式的包括机械的控制装置的机械控制***的框图,图2是表示机械控制***中的数值控制装置、伺服控制装置以及机械的结构的框图。
如图1所示,机械控制***10具备数值控制装置100、伺服控制装置200、伺服电动机300、机械400以及控制装置500。伺服控制装置200为电动机控制装置。数值控制装置100、伺服控制装置200以及伺服电动机300构成CNC装置20。此外,控制装置500也可以包含在CNC装置20中。机械400为伺服电动机300的驱动对象。
首先,在说明控制装置500之前,先说明数值控制装置100、伺服控制装置200以及机械400。
数值控制装置100具备数值控制处理部101和存储部102。存储部102存储有运行状况检查用的加工程序、机器学习用的加工程序、以及实际进行加工处理的情况下的加工程序。数值控制处理部101从控制装置500的运行状况检查动作指示部510接受运行状况检查动作的指示,从存储部102读出运行状况检查用的加工程序,生成成为控制指令的位置指令,输出到伺服控制装置200。
另外,数值控制处理部101在机器学习时或实际的加工处理时,从控制装置500的机器学习部550接受机器学习执行指示,或从操作者接受加工执行指示,从存储部102读出机器学习用或实际的加工处理用的加工程序,生成位置指令,输出到伺服控制装置200。此外,数值控制处理部101也可以代替从机器学习部550,而从劣化推定部540接受机器学习执行指示。
伺服控制装置200如图2所示,具备:滤波器201、减法器202、位置控制部203、加法器204、微分器205、位置前馈处理部206、减法器207、速度控制部208以及积分器209。减法器202、位置控制部203、加法器204、减法器207、速度控制部208、伺服电动机300、旋转编码器310以及积分器209构成位置反馈环路。另外,减法器207、速度控制部208、伺服电动机300以及旋转编码器310构成速度反馈环路。
滤波器210是抑制机械400的振动的减振滤波器,例如使用数学公式(1)(以下表示为公式1)所示的带阻滤波器。
在数学公式1中,系数s是拉普拉斯变换中的指数函数的自变量即时间的系数,系数ω是屏蔽中心角频率,系数τ是带宽比,系数g是g=στ。如果设屏蔽中心频率为fc,屏蔽频带宽度为fw,则用ω=2πfc表示系数ω,用τ=fw/fc表示系数τ。系数σ是减振系数(0<σ≤1)。滤波器201的传递函数的系数ω、τ以及σ是通过成为电动机控制装置的伺服控制装置决定机械400的驱动部的动作特性的控制参数。
[公式1]
从数值控制处理部101对滤波器201输入位置指令。在此,滤波器201被设置在位置反馈环路和速度反馈环路之外,但也可以设置在位置反馈环路或速度反馈环路之中。例如,也可以将滤波器201连接到后述的速度控制部208的输出侧或加法器204的输出侧。滤波器201的结构并没有特别限定,但理想的是二阶以上的IIR滤波器。
减法器202求出从滤波器201输出的整形后的位置指令与位置反馈的检测位置的差,将该差作为位置偏差输出到位置控制部203、后述的机器学习部550以及动作评价部520。动作评价部520使用位置偏差进行运行状况检查动作,机器学习部550使用位置偏差进行机器学习。
位置控制部203将位置偏差乘以位置增益Kp所得的值作为速度指令值输出到加法器204。
微分器205将对位置指令值进行微分并乘以常数α所得的值输出到位置前馈处理部206。位置前馈处理部206对微分器205的输出进行数学公式(2)(以下表示为公式2)所示的传递函数G(s)所示的位置前馈处理,将其处理结果作为位置前馈项输出到加法器204。公式2的系数ai、bj(X≥i,j≥0,X是自然数)是传递函数G(s)的各系数。
[公式2]
加法器204将速度指令值和位置前馈处理部206的输出值(位置前馈项)相加,作为前馈控制后的速度指令值输出到减法器207。减法器207求出加法器204的输出与速度反馈的速度检测值的差,将该差作为速度偏差,输出到速度控制部208。
速度控制部208将速度偏差乘以积分增益K1v并积分所得的值加上速度偏差乘以比例增益K2v所得的值,作为转矩指令输出到伺服电动机300。
通过旋转编码器310检测伺服电动机300的旋转角度位置,将速度检测值作为速度反馈(速度FB)输入到减法器207。速度检测值在积分器209中进行积分而成为位置检测值,将位置检测值作为位置反馈(位置FB)输入到减法器202。
如以上那样,构成伺服控制装置200。
伺服电动机300被伺服控制装置200进行旋转控制,驱动机械400。
机械400是机床、工业机械等。伺服电动机300也可以包含在机床、工业机械等机械400中。在图2中,将机械400表示为机床,示出了机床的一部分。如图2所示,机械400具备与伺服电动机300的旋转轴连结的滚珠丝杆401、与滚珠丝杆401螺合的螺母402、与螺母402连接的工作台403。滚珠丝杆401、螺母402以及工作台403构成驱动部。通过伺服电动机300的旋转驱动,与滚珠丝杆401螺合的螺母402向滚珠丝杆401的轴方向移动。
在机械400中,在装载被加工物(工件)的工作台403向X轴方向和Y轴方向移动的情况下,针对X轴方向和Y轴方向分别设置图2所示的伺服控制装置200和伺服电动机300。在使工作台向3轴以上的方向移动的情况下,针对各个轴方向,设置伺服控制装置200和伺服电动机300。
接着,说明控制装置500。
首先,说明控制装置500的运行状况检查动作的目的。在此,运行状况检查动作是指以下的动作,即使用运行状况检查用的加工程序驱动伺服控制装置,取得表示机械的驱动部的动作特性的信息,根据利用了该信息的评价函数求出评价值,根据评价值推定机械的时效劣化。此外,作为动作特性的劣化的一个例子,列举了因机械的使用造成的时效劣化,但并不限于此,例如也包括由于温度、湿度、振动等周围环境的变化而产生的动作特性的劣化。
存储在数值控制装置100的存储部102中的运行状况检查用的加工程序是通过伺服控制装置200对伺服电动机300的控制而工作台403上的特定点的移动轨迹ML成为图3所示那样的带圆角的方形(a square with quarter arc)那样的加工程序。在图3所示的移动轨迹ML中,在位置P1处,使工作台向Y轴方向移动的伺服电动机如果超过位置P1则减速,在位置P2处停止旋转。另一方面,在位置P1处,使工作台向X轴方向移动的伺服电动机开始旋转,在位置P2处转速成为恒定。运行状况检查用的加工程序不将工件装载到工作台403,不进行工件的加工地动作。
图4是表示伺服控制装置200的滤波器201的传递函数的系数ω、τ以及σ的基于机器学习的调整、此后产生了机械400的时效劣化的情况下的带圆角的方形的移动轨迹的图。如图4所示,在没有调整伺服控制装置200的滤波器201的传递函数的系数ω、τ以及σ的状态下,如果使用运行状况检查用的加工程序使伺服控制装置200动作,则在工作台403上的特定点的移动轨迹ML1中,在方形的带圆角部分产生被称为象限突起的突起。在机械400的出厂之前,使用包括运行状况检查用的加工程序的机器学习用的程序使伺服控制装置200动作,使得在移动轨迹中不产生象限突起,同时,控制装置500的后述的机器学习部550对伺服控制装置200的滤波器201的传递函数的系数ω、τ以及σ的最优值进行机器学习,将传递函数的系数ω、τ以及σ调整为最优值,使得成为没有象限突起的移动轨迹ML2。但是,由于因机械400的使用造成的时效劣化,在保持出厂时设定的滤波器201的传递函数的系数ω、τ以及σ的情况下,机械产生振动等,如移动轨迹ML3那样产生象限突起。
因此,控制装置500通过运行状况检查动作推定机械的时效劣化。然后,根据时效劣化的推定结果,通过再次机器学习(称为再学习)调整滤波器201的传递函数的系数ω、τ以及σ。
控制装置500也可以根据时效劣化的推定结果,代替基于机器学习的滤波器201的系数的调整,或与系数的调整一起,进行向操作者(Operator:操作员)或管理者报告等的处理。
此外,机器学习由于信息处理量多而需要一定的学习时间,因此如果频繁地进行再学习,则为了再学习而机械的运转效率降低。另外,如果频繁地进行报告,则作为监视报告的操作者的操作员或管理者的负荷增大。
因此,控制装置500进行运行状况检查动作,使得在必要时进行再学习或报告。
接着,说明控制装置500的结构和动作。
控制装置500如图1所示,具备运行状况检查动作指示部510、动作评价部520、存储部530、劣化推定部540、机器学习部550以及报告部560。
运行状况检查动作指示部510在机械400的启动时或根据来自操作者的执行指示,向数值控制装置100的数值控制处理部101发送运行状况检查动作的指示。在启动时,向运行状况检查动作指示部510输入启动信号,或在从操作者指示执行时,向运行状况检查动作指示部510输入执行指示信号。启动信号和执行指示信号与预定的信号对应。运行状况检查动作指示部510也可以按照操作者设定的预定的时间表,向数值控制处理部101发送运行状况检查动作的指示。
数值控制处理部101如果接受了运行状况检查动作的指示,则从存储部102读出运行状况检查用的加工程序,生成位置指令并输出到伺服控制装置200。伺服控制装置200根据位置指令,对伺服电动机300进行旋转控制。
动作评价部520取得伺服控制装置200的减法器202的输出即位置偏差e,使用评价函数求出评价值EA。
评价函数例如可以使用以下所示的公式3或公式4的评价函数。公式3中的系数Ca、系数Cb以及公式4中的系数Cc、系数Cd分别是加权系数。公式4中的系数t0是从伺服电动机300的速度指令值变化到位置偏差e收敛为预定的范围为止的时间。此外,评价函数并不限于公式3或公式4所示的评价函数。例如,公式3和公式4的位置偏差e的绝对值的时间积分也可以使用位置偏差e的绝对值的平方的时间积分、位置偏差e的绝对值的集合的最大值。
[公式3]
Ca×∫|e|dt+Cb×∫|de/dt|dt
[公式4]
Cc×∫|e|dt+Cd×∫t0dt
图5是表示在公式3的评价函数中使用的位置偏差e的例子的特性图。图6是表示在公式4的评价函数中使用的位置偏差e的例子的特性图。
在公式3的评价函数中,图5的虚线所示的位置偏差与实线所示的位置偏差相比,振动少,|de/dt|的时间积分的值小,评价值小。因此,被评价为更良好的结果。在公式4的评价函数中,图6的虚线所示的位置偏差与实线所示的位置偏差相比,瞬间的偏差大,但静态偏差小,t0的时间积分的值小,评价值小。因此,被评价为更良好的结果。
将根据公式3或公式4的评价函数求出的评价值EA输出到劣化推定部540和存储部530。
动作评价部520使存储部530在出厂前的机器学习后对应地存储通过使用运行状况检查用的加工程序使伺服控制装置200动作而得到的基于位置偏差e的评价值EB和执行运行状况检查动作时的时刻信息或伺服电动机300的动作信息。另外,动作评价部520使存储部530在出厂后对应地存储每次使用运行状况检查用的加工程序使伺服控制装置200动作而得到的基于位置偏差e的评价值EA和执行运行状况检查动作时的时刻信息或伺服电动机300的动作信息。另外,动作评价部520同样在再学习后,对应地存储每次使用运行状况检查用的加工程序使伺服控制装置200动作而得到的基于位置偏差e的评价值EA和执行运行状况检查动作时的时刻信息或伺服电动机300的动作信息。
劣化推定部540取得动作评价部520计算出的评价值EA和执行运行状况检查动作时的时刻信息、以及存储在存储部530中的出厂前的机器学习后的执行运行状况检查动作时的时刻信息和评价值EB、出厂后的执行运行状况检查动作时的时刻信息和评价值EA的集合,根据这些评价值EB和EA、以及时刻信息,例如通过线性近似,制作图7所示那样的劣化推定特性(劣化推定特性直线)。另外,劣化推定部540同样地制作再学习后的劣化推定特性(劣化推定特性直线)。图7是表示出厂前的机器学习后的评价值由于时效劣化而上升的状况、再学习时的评价值由于时效劣化而再次上升的状况的特性图。
在求出劣化推定特性的情况下,也可以设想n次曲线,使用最小二乘法确定其系数,求出劣化推定特性曲线。此外,也可以使用伺服电动机300的移动量等动作信息,来代替执行运行状况检查动作时的时刻信息。
劣化推定部540根据劣化推定特性直线或劣化推定特性曲线,推定机械400的驱动部的动作特性的劣化,根据该推定结果向机器学***之前(例如成为劣化判定水平的数周之前),向机器学***。
劣化推定部540在再学习后,同样求出劣化推定特性直线,根据劣化推定特性直线推定下次的学习时期,向机器学习部550发送机器学习指示。
劣化推定部540也可以代替发送机器学习指示,或与发送机器学习指示同时地向报告部560发送报告指示。
此外,劣化推定部540也可以与向机器学习部550发送机器学习指示同时地,向数值控制装置100的数值控制处理部101发送机器学习执行指示。在该情况下,机器学习部550可以不向数值控制处理部101发送机器学习执行指示。
报告部560如果接受了报告指示,则向液晶显示装置显示或者经由通信部向便携终端发送检修的建议、或劣化的警告等,由此向操作者或管理者进行报告。此外,在机器学习部550进行再学习而不向操作者或管理者进行报告的情况下,也可以没有报告部560。接受了报告的操作者(操作员:Operator)也可以在机械不进行加工的定时向机器学习部550进行再学习的机器学习指示。
机器学习部550如果接受了机器学习指示,则向数值控制装置100的数值控制处理部101发送机器学习执行指示。数值控制处理部101如果接受了机器学习执行指示,则从存储部102读出机器学习用的加工程序,生成位置指令并输出到伺服控制装置200。伺服控制装置200根据位置指令对伺服电动机300进行旋转控制。
机器学习部550取得伺服控制装置200的减法器202的输出即位置偏差e,对伺服控制装置200的滤波器201的传递函数的系数ω、τ以及σ的最优值进行机器学习,将传递函数的系数ω、τ以及σ调整为最优值。将在后面详细说明该机器学习。
图8是表示本实施方式的控制装置500的运行状况检查动作的流程图。
首先,动作评价部520在步骤S11中,取得根据运行状况检查动作的指示而驱动的伺服控制装置200的减法器202的输出即位置偏差e,使用评价函数求出评价值EA。
接着,劣化推定部540在步骤S12中,使用出厂前的机器学习后的评价值,制作劣化推定特性(劣化推定特性直线)。劣化推定部540在步骤S13中,根据劣化推定特性直线推定学习时期,向机器学习部550发送机器学习指示。
机器学习部550在步骤S14中,根据机器学习指示进行机器学习。
在步骤S15中,根据操作者的指示等,控制装置500判断是否继续进行时效劣化的推定,在继续进行的情况(步骤S15的是的情况)下,返回到步骤S11,动作评价部520直到根据下一个运行状况检查动作的指示而得到位置偏差e为止等待。
在不继续进行时效劣化的推定的情况(步骤S15的否的情况)下,结束控制装置500的运行状况检查动作。
接着,说明控制装置500的机器学习部550。
<机器学习部550>
机器学习部550执行机器学习用的加工程序,使用从减法器202得到的位置偏差对滤波器201的传递函数的系数ω、τ以及σ进行机器学习(以下称为学习),使得位置偏差变小。机器学习部550为机器学习装置。在出厂前进行机器学习部550的学习,但在出厂后进行再学习。
在此,通过学习时的加工程序指定的移动轨迹例如除了图3所示的带圆角的方形以外,还有图9~图12所示的圆形、方形、八角形以及星形等。适当地组合图3和图9~图12所示的学习时的加工程序而进行学习。
根据这样的通过学习时的加工程序指定的移动轨迹,能够评价使工作台向X轴方向或/和Y轴方向移动的伺服电动机的旋转方向反转、或从旋转状态停止的情况下产生的振动,调查对位置偏差的影响。
通过在学习时执行图3和图9~图12所示的学习时的加工程序,数值控制信息处理部1011例如顺序地输出位置指令值,使得成为带圆角的方形、圆形、方形、八角形以及星形的移动轨迹。
机器学习部550将包含滤波器201的传递函数的系数ω、τ以及σ的值、以及通过执行学习时的加工程序而取得的伺服控制装置200的位置偏差信息的指令以及反馈等伺服状态作为状态S,进行将该状态s下的系数ω、τ以及σ的调整作为行为a的Q学习(Q-learning)。如本技术领域的技术人员公知的那样,在Q学习中,其目的在于:在某状态S时,从能够采取的行为A中选择价值Q(S,A)最高的行为A作为最优的行为。
具体地说,引擎(机器学习装置)在某状态s下选择各种行为A,根据针对这时的行为a所赋予的回报,选择更好的行为,由此学习正确的价值Q(S,A)。
另外,希望使将来得到的回报的合计最大化,因此目标是最终成为Q(S,A)=E[Σ(γt)rt]。在此,E[]表示期待值,t是时刻,γ是后述的被称为折扣率的参数,rt是时刻t的回报,Σ是基于时刻t的合计。该公式中的期待值是依照最优的行为而状态变化的情况下的期待值。例如可以通过以下的数学公式5(以下表示为公式5)来表示这样的价值Q(S,A)的更新公式。
[公式5]
在上述公式2中,St表示时刻t的环境的状态,At表示时刻t的行为。通过行为At,状态变化为St+1。rt+1表示由于该状态的变化而得到的回报。另外,带max的项为在状态St+1下选择这时知道的Q值最高的行为A的情况下的Q值乘以γ所得的结果。在此,γ是0<γ≤1的参数,被称为折扣率。另外,α是学习系数,为0<α≤1的范围。
上述的公式2表示根据行为At的结果而返回的回报rt+1更新状态St下的行为At的价值Q(St,At)的方法。
机器学习部550根据滤波器201的传递函数的系数ω、τ以及σ,观测包括包含通过执行学习时的加工程序而得到的伺服控制装置200的位置偏差信息的指令和反馈等伺服状态的状态信息S,决定行为A。状态信息与反馈信息对应。机器学习部550在每次进行行为A时,返回回报r。
在此,如下这样设定回报r。
在根据行为信息A将状态信息S修正为状态信息S`的情况下,在基于与状态信息S`相关的修正后的系数ω、τ以及σ而动作的伺服控制装置200的位置偏差e的评价函数的值比基于与根据行为信息A进行修正前的状态信息S相关的修正前的系数ω、τ以及σ而动作的伺服控制装置200的位置偏差e的评价函数的值大的情况下,将回报的值设为负的值。评价函数例如可以使用在动作评价部520中使用的公式3或公式4的评价函数。但是,在机器学习中使用的评价函数也可以使用与在动作评价部520中使用的评价函数不同的评价函数。
另一方面,在基于与根据行为信息A修正后的状态信息S`相关的修正后的系数ω、τ以及σ而动作的伺服控制装置200的位置偏差e的评价函数的值比基于与根据行为信息A进行修正前的状态信息S相关的修正前的系数ω、τ以及σ而动作的伺服控制装置200的位置偏差e的评价函数的值小的情况下,将回报的值设为正的值。
在Q学习中,机器学习部505例如试错地搜索将来的回报r的合计最大的最优的行为A。由此,机器学习部505能够根据系数ω、τ以及σ,针对包括包含通过执行学习时的加工程序而取得的伺服控制装置200的位置偏差信息的指令、反馈等伺服状态的状态S,选择最优的行为A(即最优的滤波器201的传递函数的系数ω、τ以及σ的值)。
图13是表示机器学习部的框图。
为了进行上述的强化学习,如图13所示,机器学习部505具备状态信息取得部551、学习部552、行为信息输出部553、价值函数存储部554以及最优化行为信息输出部555。
状态信息取得部551根据滤波器201的传递函数的系数ω、τ以及σ,从伺服控制装置200取得包括包含通过执行学习时的加工程序而取得的伺服控制装置200的位置偏差信息的指令、反馈等伺服状态的成为反馈信息的状态信息S。该状态信息S相当于Q学习中的环境状态S。
状态信息取得部551向学习部552输出所取得的状态信息S。
此外,最初,预先由用户生成开始Q学习的时刻的系数ω、τ以及σ。
学习部552是学习在某环境状态S下选择某行为A的情况下的价值Q(S,A)的部分。具体地说,学习部552具备回报输出部5521、价值函数更新部5522以及行为信息生成部5523。
回报输出部5521是计算在某状态S下选择了行为A的情况下的回报的部分。在此,用e(S)表示状态S下的状态变量即位置偏差,用e(S`)表示与根据行为信息A(滤波器201的传递函数的系数ω、τ以及σ)而从状态S变化后的状态信息S`相关的状态变量即位置偏差。
评价函数f例如使用与在动作评价部520中使用的评价函数相同的公式3或公式4的评价函数。
这时,在基于与根据行为信息A修正后的状态信息S`相关的修正后的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S`))比基于与根据行为信息A进行修正前的状态信息S相关的修正前的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S))大的情况下,回报输出部5521将回报的值设为负的值。
另一方面,在基于与根据行为信息A修正后的状态信息S`相关的修正后的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S`))比基于与根据行为信息A进行修正前的状态信息S相关的修正前的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S))小的情况下,回报输出部5521将回报的值设为正的值。
此外,在基于与根据行为信息A修正后的状态信息S`相关的修正后的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S`))和基于与根据行为信息A进行修正前的状态信息S相关的修正前的滤波器201而伺服控制装置200动作时的评价函数f的值f(e(S))相等的情况下,回报输出部5521将回报的值设为0。
另外,作为执行行为A后的状态S`的评价函数f的值f(e(S`))比以前的状态S下的评价函数f的值f(e(S))大的情况下的负的值,也可以与比例对应地增大负的值。即,使负的值与状态S`的评价函数f的值f(e(S`))的值变大的程度对应地变大即可。相反,作为执行行为A后的状态S`的评价函数f的值f(e(S`))比以前的状态S下的评价函数f的值f(e(S))小的情况下的正的值,也可以与比例对应地增大正的值。即,使正的值与f(e(S`))的值变小的程度对应地变大即可。
价值函数更新部5522根据状态S、行为A、将行为A应用于状态S的情况下的状态S`、如上述那样计算出的回报的值r进行Q学习,由此更新价值函数存储部554存储的价值函数Q。
此外,价值函数Q的更新既可以通过在线学习进行,也可以通过批处理学习进行,还可以通过小批处理学习进行。
在线学习是在每次通过将某行为A应用于当前的状态S而状态S转移到新的状态S`时立即进行价值函数Q的更新的学习方法。另外,批处理学习是以下的学习方法,即重复地通过将某行为A应用于当前的状态S而使状态S转移到新的状态S`,由此收集学习用的数据,使用收集到的全部学习用数据进行价值函数Q的更新。进而,小批处理学习是在线学习和批处理学习的中间的、在每次蓄积某种程度的学习用数据时进行价值函数Q的更新的学习方法。
行为信息生成部5523针对当前的状态S选择Q学习的过程中的行为A。行为信息生成部5523在Q学习的过程中,为了进行修正系数ω、τ以及σ的动作(相当于Q学习中的行为A)而生成行为信息A,将生成的行为信息A输出到行为信息输出部553。更具体地说,行为信息生成部5523例如向行为信息输出部553输出对状态S所包含的系数ω、τ以及σ递增地加上或减去的行为信息A。该行为信息A成为系数ω、τ以及σ的修正信息。
行为信息生成部5523在应用系数ω、τ以及σ的增加或减少,转移到状态S`,并返回了正的回报(正的值的回报)的情况下,也可以采取以下策略,即作为下一个行为A`,选择与上次的行为同样地对系数ω、τ以及σ递增地加上或减去等位置偏差的值变得更小那样的行为A`。
另外,相反地,在返回了负的回报(负的值的回报)的情况下,行为信息生成部5523也可以采取以下策略,即作为下一个行为A`,选择与上次的行为相反地对系数ω、τ以及σ递增地加上或减去等位置偏差变得比上次的值小那样的行为A`。
行为信息输出部553是向滤波器201发送成为从学习部552输出的行为信息A的系数的修正信息的部分。滤波器201如上述那样,根据该行为信息对当前的状态S、即当前设定的传递函数的系数ω、τ以及σ进行微修正,由此转移到下一个状态S`(即修正后的系数ω、τ以及σ)。
价值函数存储部554是存储价值函数Q的存储装置。价值函数Q例如也可以针对每个状态S、行为A存储为表(以下称为行为价值表)。通过价值函数更新部5522更新存储在价值函数存储部554中的价值函数Q。
最优化行为信息输出部555根据通过由价值函数更新部5522进行Q学习而更新的价值函数Q,生成用于使滤波器201进行价值Q(S,A)成为最大的动作的行为信息A(以下称为“最优化行为信息”)。
在该最优化行为信息中,与行为信息输出部553在Q学习的过程中输出的行为信息同样地,包含修正滤波器201的传递函数的系数ω、τ以及σ的信息。
在伺服控制装置200中能够进行动作,使得根据系数的修正信息修正系数ω、τ以及σ,减小位置偏差的值。
通过如以上那样利用机器学习部550,能够简化伺服控制装置200对滤波器201的传递函数的系数ω、τ以及σ的调整。
以上,说明了数值控制装置100、伺服控制装置200以及控制装置500所包含的功能模块。
为了实现这些功能模块,数值控制装置100、伺服控制装置200以及控制装置500具备CPU(中央处理单元)等运算处理装置。另外,伺服控制装置200还具备存储了应用程序软件、OS(操作***)等各种控制用程序的HDD(硬盘驱动器)等辅助存储装置、用于存储运算处理装置在执行程序时临时需要的数据的RAM(随机存取存储器)这样的主存储装置。
另外,在数值控制装置100、伺服控制装置200以及控制装置500中,运算处理装置从辅助存储装置读入应用程序软件、OS,将读入的应用程序软件、OS展开到主存储装置,同时进行基于这些应用程序软件、OS的运算处理。另外,根据该运算结果控制各装置具备的各种硬件。由此,实现本实施方式的功能模块。即,通过硬件和软件协作,能够实现本实施方式。
对于机器学习部550,伴随机器学习的运算量多,因此例如可以在个人计算机中安装GPU(图形处理单元),通过被称为GPGPU(基于图形处理单元的通用计算:General-Purpose computing on Graphics Processing Units)的技术,在伴随机器学习的运算处理中利用GPU,由此使得能够进行高速处理。进而,为了进行更高速的处理,也可以使用多台这样的安装了GPU的计算机来构筑计算机集群,通过该计算机集群所包含的多个计算机进行并行处理。
(第二实施方式)
图14是表示本发明的第二实施方式的机械控制***中的数值控制装置、伺服控制装置以及机械的结构的框图。
本实施方式的机械控制***除了伺服控制装置的结构以外,具有与图1和图2所示的机械控制***10相同的结构。
本实施方式中的伺服控制装置200A与图2所示的伺服控制装置200不同,没有滤波器201,而具备二次微分器210、速度前馈处理部211以及加法器213。
二次微分器210向速度前馈处理部211输出对位置指令值进行微分并乘以常数β所得的值。速度前馈处理部211针对二次微分器210的输出进行数学公式6(以下表示为公式6)所示的传递函数H(s)所示的速度前馈处理,将其处理结果作为前馈项,输出到加法器213。公式6的系数ci、dj(X≥i、j≥0,X是自然数)是传递函数H(s)的各系数。
[公式6]
机器学习部550执行学习用的加工程序,使用从减法器202得到的位置偏差学习速度前馈处理部211的传递函数H(s)的各系数ci、dj(i、j≥0)的值,使得位置偏差变小。具体地说,如在第一实施方式中详细说明的那样,机器学习部550将包含伺服控制装置200中的速度前馈处理部211的传递函数的各系数ci、dj(i、j≥0)的值以及通过执行学习时的加工程序而取得的伺服控制装置200的位置偏差信息和位置指令在内的指令以及反馈等伺服状态作为状态S,学习选择该状态S下的速度前馈处理部211的传递函数的各系数ci、dj的值的调整作为行为A的价值Q。
在此,通过学习时的加工程序指定的移动轨迹的形状例如是图11所示的八角形。根据图11所示的移动轨迹的位置P3和位置P4,评价在线性控制中变更转速时的振动,调查对位置偏差的影响,由此进行传递函数H(s)的系数的学习。
在此,机器学习部550学习速度前馈处理部211的传递函数H(s)的系数ci、dj(i、j≥0)的值,但也可以代替它而学习位置前馈处理部206的传递函数G(s)的系数ai、bj(i、j≥0)的值,还可以学习传递函数H(s)的系数和传递函数G(s)的系数的双方。速度前馈处理部211的传递函数H(s)的系数ci、dj(i、j≥0)和位置前馈处理部206的传递函数G(s)的系数ai、bj(i、j≥0)是通过成为电动机控制装置的伺服控制装置决定机械400的驱动部的动作特性的控制参数。
理想的是在学习传递函数H(s)的系数和传递函数G(s)的系数的双方的情况下,机器学习部550分别进行速度前馈处理部211的传递函数的系数的学习和位置前馈处理部206的传递函数的系数的学习,在位置前馈处理部206的传递函数的系数的学习之前,先进行位于比位置前馈处理部206更内侧(内环路)的速度前馈处理部211的传递函数的系数的学习。具体地说,将位置前馈处理部206的传递函数的系数固定,学习速度前馈处理部211的传递函数的系数的最优值。然后,机器学习部505将速度前馈处理部211的传递函数的系数固定为通过学习得到的最优值,学习位置前馈处理部206的传递函数的系数。
由此,能够在通过学习而最优化了的速度前馈项的条件下,进行与位置前馈处理部206的传递函数的系数的最优化相关的学习,能够抑制位置偏差的变动。
本实施方式中的运行状况检查用的加工程序可以使用图11所示的移动轨迹为八角形的加工程序,但只要是能够评价在线性控制中变更转速时的振动的形状,则也可以使用其他形状。本实施方式中的控制装置500的动作与在第一实施方式中说明了的动作相同。
能够通过硬件、软件或它们的组合来实现上述的数值控制装置、伺服控制装置以及控制装置所包含的各结构部。另外,也能够通过硬件、软件或它们的组合来实现通过上述伺服控制装置和控制装置所包含的各结构部各自的协作而进行的伺服控制方法和控制方法。在此,通过软件来实现意味着通过由计算机读入并执行程序来实现。
能够使用各种类型的非瞬态的计算机可读介质(non-transitory computerreadable medium)存储程序并供给计算机。非瞬态的计算机可读介质包括各种类型的有实体的记录介质(tangible storage medium)。非瞬态的计算机可读介质的例子包括磁记录介质(例如软盘、硬盘驱动器)、光磁记录介质(例如光磁盘)、CD-ROM(只读存储器)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(可编程ROM)、EPROM(可擦写PROM)、闪速ROM、RAM(随机存取存储器))。另外,也可以通过各种类型的瞬态的计算机可读介质(transitorycomputer readable medium)向计算机供给程序。
上述的实施方式是本发明的适当的实施方式,但本发明的范围并不只限于上述实施方式,在不脱离本发明的主要内容的范围内能够以实施了各种变更的形式实施。
在上述实施方式中,说明了使用伺服电动机作为电动机、使用伺服控制装置作为电动机控制装置的例子。但并不限于此,例如也可以使用步进电动机作为电动机,使用不进行伺服控制的控制装置作为电动机控制装置。
另外,在上述实施方式中,控制装置从伺服控制装置取得作为表示机械的驱动部的动作特性的信息的位置偏差,但在该信息是机械的驱动部的加速度信息的情况下,也可以从安装在机械的加速度传感器取得。即,能够从伺服控制装置或机械取得表示机械的驱动部的动作特性的信息。
另外,在上述实施方式中,将从数值控制装置向电动机控制装置输出的控制指令说明为位置指令,但并不限于位置指令,例如也可以是速度指令。
另外,机械控制***的结构除了图1的结构以外,还有以下的结构。
<控制装置设置在CNC装置的外部的变形例子>
图15是表示机械控制***的其他结构例子的框图。图15所示的机械控制***10A与图1所示的机械控制***10的不同点在于:n(n为2以上的自然数)个控制装置500-1~500-n经由网络600与n个CNC装置20A-1~20A-n连接。CNC装置20A-1~20A-n与机械400-1~400-n连接。CNC装置20A-1~20A-n分别具有与图1所示的CNC装置20相同的结构。控制装置500-1~500-n分别具有与图1所示的控制装置500相同的结构。另外,机械400-1~400-n分别具有与图2所示的机械400的结构相同的结构。
在此,CNC装置20A-1与控制装置500-1一对一成组地可通信地连接。对于CNC装置20A-2~20A-n与控制装置500-2~500-n,也与CNC装置20A-1与控制装置500-1同样地连接。在图15中,CNC装置20A-1~20A-n与控制装置500-1~500-n的n个组经由网络600连接,但对于CNC装置20A-1~20A-n与控制装置500-1~500-n的n个组,各个组的CNC装置和控制装置也可以经由连接接口直接连接。这些CNC装置20A-1~20A-n与控制装置500-1~500-n的n个组例如既可以多组地设置在同一工厂中,也可以分别设置在不同的工厂中。
此外,网络600例如是在工厂内构筑的LAN(局域网)、因特网、公用电话网或它们的组合。对于网络600中的具体的通信方式、是有线连接和无线连接的哪个等,并没有具体限定。
<***结构的自由度>
在上述变形例子中,CNC装置20A-1~20A-n与控制装置500-1~500-n分别一对一成组地可通信地连接,但例如也可以是一台控制装置经由网络600可通信地与多个CNC装置连接,实施各CNC装置的运行状况检查动作和机器学习。
这时,也可以为将一台控制装置的各功能适当地分散到多个服务器的分散处理***。另外,也可以在云上利用虚拟服务器功能等实现一台控制装置的各功能。
另外,在存在与n台相同型号、相同规格或同一系列的CNC装置20A-1~20A-n分别对应的n个控制装置500-1~500-n的情况下,也可以构成为共享各控制装置500-1~500-n的运行状况检查动作或/和机器学习的结果。由此,能够构筑更适合的模型。
Claims (7)
1.一种控制装置,其特征在于,具备:
机器学习部,其对决定成为电动机的驱动对象的机械的驱动部的动作特性的控制参数进行机器学习,并将上述控制参数设定到控制上述电动机的电动机控制装置;
运行状况检查动作指示部,其输出为了取得上述驱动部的动作特性而驱动上述电动机控制装置的运行状况检查动作的指示;
动作评价部,其从根据上述运行状况检查动作的指示而驱动的上述电动机控制装置或上述机械取得表示上述驱动部的动作特性的信息,根据利用了该信息的评价函数计算评价值,并将上述评价值与执行上述运行状况检查动作时的时刻信息或上述电动机的动作信息对应地存储到存储部;以及
劣化推定部,其根据在进行上述运行状况检查动作时通过上述动作评价部计算出的评价值和存储在上述存储部中的上述评价值,推定上述机械的驱动部的动作特性的劣化,
其中,上述劣化推定部根据上述机械的驱动部的动作特性的劣化的推定结果,向上述机器学习部指示上述控制参数的机器学习。
2.根据权利要求1所述的控制装置,其特征在于,
上述劣化推定部根据上述机械的驱动部的动作特性的劣化的推定结果,向通知上述机械的驱动部的动作特性的劣化的报告部指示报告。
3.根据权利要求1或2所述的控制装置,其特征在于,
上述运行状况检查动作指示部在输入预定的信号时或按照预定的时间表输出运行状况检查动作的指示。
4.根据权利要求1或2所述的控制装置,其特征在于,
上述运行状况检查动作指示部将上述运行状况检查动作的指示发送到向上述电动机控制装置输出控制指令的数值控制装置。
5.一种CNC装置,其特征在于,具备:
权利要求4所述的控制装置;
电动机控制装置,其控制电动机;以及
数值控制装置,其根据从该控制装置输出的运行状况检查动作的指示,向上述电动机控制装置输出控制指令。
6.一种通过控制装置执行的控制方法,该控制装置具备:存储部;机器学习部,其对决定成为电动机的驱动对象的机械的驱动部的动作特性的控制参数进行机器学习,并将上述控制参数设定到控制上述电动机的电动机控制装置,其特征在于,
通过控制装置执行以下步骤:
运行状况检查动作指示步骤,输出为了取得上述驱动部的动作特性而驱动上述电动机控制装置的运行状况检查动作的指示;
动作评价步骤,从根据上述运行状况检查动作的指示而驱动的上述电动机控制装置或上述机械取得表示上述驱动部的动作特性的信息,根据利用了该信息的评价函数计算评价值,并将上述评价值与执行上述运行状况检查动作时的时刻信息或上述电动机的动作信息对应地存储到存储部;以及
劣化推定步骤,根据在进行上述运行状况检查动作时在上述动作评价步骤中计算出的评价值和存储在上述存储部中的上述评价值,推定上述机械的驱动部的动作特性的劣化,
上述劣化推定步骤还包括:
机器学习指示步骤,根据在上述劣化推定步骤中推定出的上述机械的驱动部的动作特性的劣化的推定结果,向上述机器学习部指示上述控制参数的机器学习。
7.根据权利要求6所述的控制方法,其特征在于,
上述劣化推定步骤还包括:
报告步骤,根据在上述劣化推定步骤中上述机械的驱动部的动作特性的劣化的推定结果,通知上述机械的驱动部的动作特性的劣化。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018169921A JP6856591B2 (ja) | 2018-09-11 | 2018-09-11 | 制御装置、cnc装置及び制御装置の制御方法 |
JP2018-169921 | 2018-09-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110888398A CN110888398A (zh) | 2020-03-17 |
CN110888398B true CN110888398B (zh) | 2024-04-30 |
Family
ID=69621688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910842338.4A Active CN110888398B (zh) | 2018-09-11 | 2019-09-06 | 控制装置、cnc装置以及控制方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11287801B2 (zh) |
JP (1) | JP6856591B2 (zh) |
CN (1) | CN110888398B (zh) |
DE (1) | DE102019213431A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7187397B2 (ja) * | 2019-07-18 | 2022-12-12 | オークマ株式会社 | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム |
CN112034715B (zh) * | 2020-09-17 | 2021-07-13 | 福州大学 | 一种基于改进q学习算法的电机伺服***无模型反馈控制器设计方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049407A (ja) * | 2000-08-01 | 2002-02-15 | Yaskawa Electric Corp | モータ制御装置 |
JP2008217155A (ja) * | 2007-02-28 | 2008-09-18 | Fuji Heavy Ind Ltd | 制御パラメータの自動適合システム |
CN101470433A (zh) * | 2007-12-27 | 2009-07-01 | 大隈株式会社 | 机械诊断方法及机械诊断装置 |
JP2009149425A (ja) * | 2007-12-21 | 2009-07-09 | Mitsubishi Electric Corp | エレベータ制御装置 |
CN102640066A (zh) * | 2009-12-25 | 2012-08-15 | 三菱重工业株式会社 | 控制参数调整方法及调整装置 |
JP2015014247A (ja) * | 2013-07-05 | 2015-01-22 | 公益財団法人鉄道総合技術研究所 | 劣化度合評価方法およびプログラム |
CN105103437A (zh) * | 2013-03-29 | 2015-11-25 | 松下知识产权经营株式会社 | 电动机驱动装置的伺服调整方法 |
CN105171525A (zh) * | 2014-04-15 | 2015-12-23 | 三菱重工业株式会社 | 机床的诊断方法及*** |
CN106647258A (zh) * | 2015-10-28 | 2017-05-10 | 发那科株式会社 | 具有进行学习控制器的自动调整的功能的伺服控制装置 |
CN107834912A (zh) * | 2017-11-08 | 2018-03-23 | 郑州精益达汽车零部件有限公司 | 一种电动乘客门控制器及控制方法 |
CN108021026A (zh) * | 2017-11-10 | 2018-05-11 | 明阳智慧能源集团股份公司 | 一种风力发电机组故障预警及控制参数在线优化方法 |
CN108073137A (zh) * | 2016-11-11 | 2018-05-25 | 发那科株式会社 | 数值控制装置 |
CN108352798A (zh) * | 2015-11-12 | 2018-07-31 | 三菱电机株式会社 | 电机控制装置及使用了该电机控制装置的电梯 |
CN108363356A (zh) * | 2017-01-26 | 2018-08-03 | 发那科株式会社 | 行动信息学习装置、行动信息最优化***以及计算机可读介质 |
WO2018151215A1 (ja) * | 2017-02-20 | 2018-08-23 | 株式会社安川電機 | 制御装置及び制御方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4627553B2 (ja) * | 2008-03-28 | 2011-02-09 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
JP5591400B2 (ja) * | 2011-05-31 | 2014-09-17 | 三菱電機株式会社 | 駆動機械の負荷特性推定装置 |
EP3214514B1 (en) * | 2014-10-27 | 2019-09-11 | Makino Milling Machine Co., Ltd. | Machine tool control method and machine tool control device |
JP5956619B2 (ja) * | 2015-01-13 | 2016-07-27 | ファナック株式会社 | 加工条件に応じてパラメータを調整するパラメータ自動調整装置 |
JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP6444851B2 (ja) * | 2015-12-24 | 2018-12-26 | ファナック株式会社 | ノイズの発生原因を検出する学習機能を有する制御装置 |
JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
JP6542713B2 (ja) * | 2016-06-09 | 2019-07-10 | ファナック株式会社 | 異常負荷検出の閾値を学習する機械学習器,数値制御装置および機械学習方法 |
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 |
JP6346253B2 (ja) * | 2016-12-05 | 2018-06-20 | ファナック株式会社 | 工作機械及び機械学習装置 |
JP6386523B2 (ja) * | 2016-12-15 | 2018-09-05 | ファナック株式会社 | Nandフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法 |
JP6659647B2 (ja) * | 2017-09-29 | 2020-03-04 | ファナック株式会社 | 数値制御システム及び逆流防止弁状態検知方法 |
DE112017001162B4 (de) * | 2017-11-10 | 2022-06-15 | Mitsubishi Electric Corporation | Servosteuerungsvorrichtung |
JP6567205B1 (ja) * | 2018-06-14 | 2019-08-28 | 三菱電機株式会社 | 機械学習装置、補正パラメータ調整装置および機械学習方法 |
-
2018
- 2018-09-11 JP JP2018169921A patent/JP6856591B2/ja active Active
-
2019
- 2019-08-27 US US16/552,155 patent/US11287801B2/en active Active
- 2019-09-04 DE DE102019213431.9A patent/DE102019213431A1/de active Pending
- 2019-09-06 CN CN201910842338.4A patent/CN110888398B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049407A (ja) * | 2000-08-01 | 2002-02-15 | Yaskawa Electric Corp | モータ制御装置 |
JP2008217155A (ja) * | 2007-02-28 | 2008-09-18 | Fuji Heavy Ind Ltd | 制御パラメータの自動適合システム |
JP2009149425A (ja) * | 2007-12-21 | 2009-07-09 | Mitsubishi Electric Corp | エレベータ制御装置 |
CN101470433A (zh) * | 2007-12-27 | 2009-07-01 | 大隈株式会社 | 机械诊断方法及机械诊断装置 |
CN102640066A (zh) * | 2009-12-25 | 2012-08-15 | 三菱重工业株式会社 | 控制参数调整方法及调整装置 |
CN105103437A (zh) * | 2013-03-29 | 2015-11-25 | 松下知识产权经营株式会社 | 电动机驱动装置的伺服调整方法 |
JP2015014247A (ja) * | 2013-07-05 | 2015-01-22 | 公益財団法人鉄道総合技術研究所 | 劣化度合評価方法およびプログラム |
CN105171525A (zh) * | 2014-04-15 | 2015-12-23 | 三菱重工业株式会社 | 机床的诊断方法及*** |
CN106647258A (zh) * | 2015-10-28 | 2017-05-10 | 发那科株式会社 | 具有进行学习控制器的自动调整的功能的伺服控制装置 |
CN108352798A (zh) * | 2015-11-12 | 2018-07-31 | 三菱电机株式会社 | 电机控制装置及使用了该电机控制装置的电梯 |
CN108073137A (zh) * | 2016-11-11 | 2018-05-25 | 发那科株式会社 | 数值控制装置 |
CN108363356A (zh) * | 2017-01-26 | 2018-08-03 | 发那科株式会社 | 行动信息学习装置、行动信息最优化***以及计算机可读介质 |
WO2018151215A1 (ja) * | 2017-02-20 | 2018-08-23 | 株式会社安川電機 | 制御装置及び制御方法 |
CN107834912A (zh) * | 2017-11-08 | 2018-03-23 | 郑州精益达汽车零部件有限公司 | 一种电动乘客门控制器及控制方法 |
CN108021026A (zh) * | 2017-11-10 | 2018-05-11 | 明阳智慧能源集团股份公司 | 一种风力发电机组故障预警及控制参数在线优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110888398A (zh) | 2020-03-17 |
DE102019213431A1 (de) | 2020-03-12 |
US20200081411A1 (en) | 2020-03-12 |
US11287801B2 (en) | 2022-03-29 |
JP6856591B2 (ja) | 2021-04-07 |
JP2020042585A (ja) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及*** | |
JP5997330B1 (ja) | 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 | |
US10481566B2 (en) | Machine learning device, servo control device, servo control system and machine learning method | |
JP6474449B2 (ja) | 調整装置及び調整方法 | |
WO2018151215A1 (ja) | 制御装置及び制御方法 | |
US20190227502A1 (en) | Machine learning device, servo motor controller, servo motor control system, and machine learning method | |
US20180373223A1 (en) | Machine learning apparatus, servo control apparatus, servo control system, and machine learning method | |
JP6928669B2 (ja) | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 | |
JPWO2019106875A1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
CN110376964B (zh) | 机器学习装置、控制装置以及机器学习方法 | |
US11126149B2 (en) | Control parameter adjusting device and adjusting method using machine learning | |
CN110658785B (zh) | 输出装置、控制装置、以及评价函数值的输出方法 | |
CN110888398B (zh) | 控制装置、cnc装置以及控制方法 | |
JP6748135B2 (ja) | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 | |
CN110941242B (zh) | 电动机控制装置 | |
CN112445181A (zh) | 机器学习装置、伺服控制装置、伺服控制***以及机器学习方法 | |
CN111552237B (zh) | 机器学习装置、控制装置、以及机器学习的搜索范围的设定方法 | |
JP2020035213A (ja) | 機械学習装置、制御システム及び機械学習方法 | |
CN111722530B (zh) | 机器学习装置、控制***以及机器学习方法 | |
CN113126538B (zh) | 电子设备及其控制方法 | |
CN109828512A (zh) | 机台诊断方法及其*** | |
WO2023026433A1 (ja) | 診断装置、及びプログラムを記録した記録媒体 | |
JP3641457B2 (ja) | 製品の制御装置及び方法 | |
CN116915092A (zh) | 一种双轴伺服驱动器负载惯量推定方法及应用 |
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 |