CN111571302B - 切削液量调整装置和*** - Google Patents
切削液量调整装置和*** Download PDFInfo
- Publication number
- CN111571302B CN111571302B CN202010097077.0A CN202010097077A CN111571302B CN 111571302 B CN111571302 B CN 111571302B CN 202010097077 A CN202010097077 A CN 202010097077A CN 111571302 B CN111571302 B CN 111571302B
- Authority
- CN
- China
- Prior art keywords
- cutting fluid
- data
- learning
- machining
- amount
- 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
- 239000002173 cutting fluid Substances 0.000 title claims abstract description 686
- 238000003754 machining Methods 0.000 claims abstract description 130
- 238000010801 machine learning Methods 0.000 claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 28
- 238000011156 evaluation Methods 0.000 description 16
- 239000003595 mist Substances 0.000 description 16
- 230000006399 behavior Effects 0.000 description 14
- 238000005520 cutting process Methods 0.000 description 11
- 230000001276 controlling effect Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000997 High-speed steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/10—Arrangements for cooling or lubricating tools or work
- B23Q11/1038—Arrangements for cooling or lubricating tools or work using cutting liquids with special characteristics, e.g. flow rate, quality
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/10—Arrangements for cooling or lubricating tools or work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
- B23Q11/0042—Devices for removing chips
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Numerical Control (AREA)
- Auxiliary Devices For Machine Tools (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明提供一种切削液量调整装置和***。切削液量调整装置至少取得表示机床的加工状态的数据、以及与从切削液供给装置供给的切削液相关的数据,根据取得的数据制作机器学习所使用的数据,根据所制作的数据执行与机床进行工件的加工的环境中的从切削液喷嘴喷出的切削液的喷出量相关的机器学习的处理。
Description
技术领域
本发明涉及切削液量调整装置和***。
背景技术
在具备至少一个切削液喷嘴的机床中,在工件的切削加工等中向该工件喷洒水溶性或非水溶性的切削液,由此提高工具的润滑性,冷却工具或工件,清洗切屑等。在机床对工件的加工中使用的切削液的量根据加工条件、加工内容、切削液的性质、环境温度等而不同。因此,工作人员根据经验设定在工件加工中使用的每单位时间的适当的切削液的喷出量。
通常,工作人员设定的每单位时间的切削液的喷出量在工件的加工中不变更。因此,例如从喷出切削液的喷嘴对不向工件施加切削液的位置也喷出预定量的切削液,这成为降低切削液的使用效率的原因。针对这样的问题,在日本特开2017-113849号公报中,公开了根据从喷嘴喷出切削液的喷出范围和工件的形状调整从各个喷嘴喷出的切削液的量的技术。
但是,在工件的加工中产生的切削热根据工具的种类、加工条件、加工目的(粗加工还是精加工)、工件的材质等而不同,因此不考虑它们就难以为了冷却工具、工件而将切削液的喷出量调整为适当的切削液的喷出量。
另外,切削液有水溶性的切削液、非水溶性的切削液、粘度不同的切削液等各种种类。冷却效果、润滑效果根据切削液的种类而不同,另外,根据切削液的温度,冷却效果也产生不同。因此,工作人员或机床必须考虑到这些各种条件,调整从各喷嘴喷出的切削液的量。
发明内容
因此,本发明的目的在于:提供一种切削液量调整装置和***,其能够考虑到通过工件的加工产生的切削热、切削液的种类、切削液的温度等,调整为适当的切削液的喷出量。
本发明是一种切削液量调整装置,其调整向加工工件的机床的加工区域供给切削液的切削液供给装置所具备的至少一个切削液喷嘴喷出的切削液的喷出量,本调整装置具备:数据取得部,其至少取得表示上述机床的加工状态的数据、以及与从上述切削液供给装置供给的切削液相关的数据;预处理部,其根据上述数据取得部取得的数据,制作机器学习所使用的数据;机器学习装置,其根据上述预处理部制作的数据,执行与上述机床进行上述工件的加工的环境中的从上述切削液喷嘴喷出的切削液的喷出量相关的机器学习的处理。
或者,本发明是一种切削液调整***,其由多个装置经由网络相互连接而成,上述多个装置包括至少具备学习部的切削液量调整装置。
根据本发明的一个方式,能够考虑到通过工件的加工产生的切削热、切削液的种类、切削液的温度等进行适当的切削液的喷出量的调整。
附图说明
根据参照附图的以下的实施例的说明,能够了解本发明的上述以及其他目的和特征。
图1是本发明的一个实施方式的切削液量调整装置的概要硬件结构图。
图2是本发明的第一实施方式的控制装置的概要功能框图。
图3是说明与工件相关的状态数据的图。
图4是说明与切削液喷嘴相关的状态数据的图。
图5是说明第一实施方式的学习部的动作的图。
图6是本发明的第二实施方式的切削液量调整装置的概要功能框图。
图7是说明喷出量决定部的动作的图。
图8是说明本发明的第三实施方式的学习部的动作的图。
图9是本发明的第四实施方式的切削液量调整装置的概要功能框图。
图10是本发明的第五实施方式的切削液量调整装置的概要功能框图。
图11是本发明的第六实施方式的切削液量调整装置的概要功能框图。
图12是表示包含云服务器、雾计算机、边缘计算机的3层构造的***的例子的图。
图13是在计算机上实现的形式的切削液量调整装置的概要硬件结构图。
图14是本发明的第七实施方式的切削液量调整***的概要结构图。
图15是本发明的第八实施方式的切削液量调整***的概要结构图。
图16是本发明的第九实施方式的切削液量调整***的概要结构图。
具体实施方式
以下,与附图一起说明本发明的实施方式。
图1是表示本发明的一个实施方式的具备机器学习装置的切削液量调整装置的主要部分的概要硬件结构图。例如可以在控制机床的控制装置上实现本实施方式的切削液量调整装置1。另外,可以作为与控制机床的控制装置一起设置的个人计算机、经由有线/无线网络与该控制装置连接的管理装置、边缘计算机、雾计算机、云服务器等计算机来实现本实施方式的切削液量调整装置1。在本实施方式中,表示在控制机床的控制装置上实现切削液量调整装置1的情况的例子。
切削液量调整装置1具备CPU(中央处理单元)11、ROM(只读存储器)12、RAM(随机存取存储器)13、非易失性存储器14。切削液量调整装置1还具备接口15、PMC(可编程机床控制器)16、I/O单元(输入输出单元)17以及其他的接口18、19、21。切削液量调整装置1经由I/O单元17与供给切削液的切削液供给装置3连接。切削液量调整装置1还具备伺服电动机50、主轴电动机62、显示器/MDI(手动数据输入)单元70以及操作盘71。
本实施方式的切削液量调整装置1具备的CPU11是整体地控制切削液量调整装置1的处理器。CPU11经由总线20读出存储在ROM12中的***程序,依照该***程序控制切削液量调整装置1的整体。在RAM13中临时存储临时的计算数据、显示数据、操作者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例如构成为被未图示的电池备份等即使切削液量调整装置1的电源切断也保持存储状态的存储器。
在非易失性存储器14中,存储有经由接口15从外部设备72读入的程序、经由显示器/MDI单元70输入的程序、从切削液量调整装置1的各部、机床、切削液供给装置3等取得的各种数据。作为存储在非易失性存储器14中的各种数据的例子,可以列举工具的种类等与工具相关的信息、主轴转速、进给速度、切削量等与切削条件相关的信息、粗加工、精加工等与加工工序相关的信息、工件材质、工件形状等与工件相关的信息、切削液的种类、温度等与切削液相关的信息、与各喷嘴的喷出范围相关的信息、与切削液的喷出量相关的信息。
可以在执行时/利用时,将存储在非易失性存储器14中的程序、各种数据展开到RAM13中。另外,在ROM12中预先写入有公知的分析程序等各种***程序。预先写入到ROM12中的***程序包括用于控制与后述的机器学习装置100的收发的***程序。
接口15是用于将切削液量调整装置1与适配器等外部设备72连接的接口。经由接口15从外部设备72侧向调整装置1侧读入程序、各种参数等。另外,可以将在切削液量调整装置1内编辑的程序、各种参数等经由外部设备72存储到外部存储单元。PMC16通过内置于切削液量调整装置1的时序程序,与在机床和切削液供给装置3等那样的机床的***设备之间经由I/O单元17进行信号的输入输出并进行控制。
切削液供给装置3是向机床的加工范围供给切削液的装置。切削液供给装置3具备:液罐,其贮存切削液;泵,其从该液罐经由切削液供给路径供给切削液;至少一个切削液喷嘴,其与该切削液供给路径连接,向机床的加工范围喷出切削液。切削液量调整装置1根据从PMC16输出的信号,调整从各切削液喷嘴供给的切削液的喷出量。另外,切削液供给装置3经由PMC16向CPU11传递从各切削液喷嘴喷出的切削液的量。
显示器/MDI单元70是具备显示器、键盘等的手动数据输入装置。接口18接受来自显示器/MDI单元70的键盘的指令、数据并传递到CPU11。接口19与具备在手动驱动各轴时使用的手动脉冲发生器等的操作盘71连接。
切削液量调整装置1还具备:轴控制电路30,其用于控制机床的各轴;伺服放大器40,其用于伺服电动机50的驱动。轴控制电路30接受来自CPU11的轴的移动量指令,将轴的指令输出到伺服放大器40。伺服放大器40接受该指令,驱动使机床具备的轴移动的伺服电动机50。轴的伺服电动机50内置位置/速度检测器,将来自该位置/速度检测器的位置/速度反馈信号反馈到轴控制电路30,进行位置/速度的反馈控制。
此外,在图1的硬件结构图中,仅将轴控制电路30、伺服放大器40、伺服电动机50各示出一个,但实际上按照成为控制对象的机床所具备的轴的个数来准备。例如,如果是具备3个直线轴的机床,则轴控制电路30、伺服放大器40、伺服电动机50都各准备3个,如果是5轴加工机,则对切削液量调整装置1各准备5个。
切削液量调整装置1还具备主轴控制电路60、用于主轴电动机62的旋转的主轴放大器61。主轴控制电路60接受对机床的主轴的主轴旋转指令,将主轴速度信号输出到主轴放大器61。主轴放大器61接受该主轴速度信号,使主轴的主轴电动机62按照所指示的转速旋转,而驱动工具。主轴电动机62耦合有位置编码器63,位置编码器63与主轴的旋转同步地输出反馈脉冲,该反馈脉冲被CPU11读取。
切削液量调整装置1具备机器学习装置100。切削液量调整装置1的接口21是用于将调整装置1和机器学习装置100连接起来的接口。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ROM102、用于进行与机器学习相关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。
机器学习装置100能够经由接口21观测能够通过切削液量调整装置1取得的各信息。作为能够通过机器学习装置100观测的信息,例如可以列举工具的种类等与工具相关的信息、主轴转速、进给速度、切削量等与切削条件相关的信息、粗加工、精加工等与加工工序相关的信息、工件材质、工件形状等与工件相关的信息、切削液的种类、温度等与切削液相关的信息、与各喷嘴的喷出范围相关的信息、与切削液的喷出量相关的信息。另外,切削液量调整装置1接受从机器学习装置100输出的信息,进行机床、切削液喷出装置的控制、向显示器/MDI单元70的显示、经由未图示的网络向其他装置发送信息等处理动作。
图2是第一实施方式的切削液量调整装置1和机器学习装置100的概要功能框图。本实施方式的切削液量调整装置1具备机器学习装置100进行有监督学习的情况下所需要的结构(学习模式)。通过由图1所示的切削液量调整装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***程序,控制切削液量调整装置1和机器学习装置100的各部的动作,来实现图2所示的各功能模块。
本实施方式的切削液量调整装置1具备控制部32、数据取得部34、预处理部36,切削液量调整装置1具备的机器学习装置100具备学习部110。
另外,在图1所示的非易失性存储器14上设置有存储从机床2、切削液供给装置3等取得的数据的取得数据存储部52,在图1所示的机器学习装置100的非易失性存储器104上设置有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。
图1所示的切削液量调整装置1具备的CPU11执行从ROM12读出的***程序,主要进行CPU11利用RAM13、非易失性存储器14进行的运算处理、经由轴控制电路30、主轴控制电路60以及PMC16进行的机床2和切削液供给装置3的控制处理,来实现控制部32。控制部32是根据存储在图1所示的非易失性存储器14的控制用程序54控制机床2和切削液供给装置3的动作的功能单元。
控制部32具有用于进行控制机床2的各部所需要的普通控制使得通过控制用程序54在每个控制周期向驱动机床2具备的各轴的伺服电动机50(图1)、主轴电动机(图1)输出移动指令等的功能。另外,控制部32向切削液供给装置3输出调整从各个切削液喷嘴喷出的切削液的量的指令。
进而,控制部32从机床2和切削液供给装置3接受与机床2的加工状态、从切削液供给装置3供给的切削液的状态相关的信息,向数据取得部34输出。在控制部32从机床和切削液供给装置3取得并输出到数据取得部34的数据中,可以列举工具的种类等与工具相关的信息、主轴转速、进给速度、切削量等与切削条件相关的信息、粗加工、精加工等与加工工序相关的信息、工件材质、工件形状等与工件相关的信息、切削液的种类、温度等与切削液相关的信息、与各喷嘴的喷出范围相关的信息、与切削液的喷出量相关的信息等。
图1所示的切削液量调整装置1具备的CPU11执行从ROM12读出的***程序,主要进行CPU11利用RAM13、非易失性存储器14进行的运算处理,由此实现数据取得部34。数据取得部34是将从控制部32输入的与机床2的加工状态相关的数据、与从切削液供给装置3供给的切削液的状态相关的数据、由工作人员从显示器/MDI单元70输入的与对切削液量的评价相关的数据等存储到取得数据存储部52的功能单元。
数据取得部34使从控制部32输入的与机床2的加工状态相关的数据、与从切削液供给装置3供给的切削液的状态相关的数据和与对从各切削液喷嘴喷出的切削液量的评价相关的数据关联起来。数据取得部34将相互关联了的上述数据作为取得数据,存储到取得数据存储部52。
图1所示的切削液量调整装置1具备的CPU11执行从ROM12读出的***程序,主要进行CPU11利用RAM13、非易失性存储器14进行的运算处理,由此实现预处理部36。预处理部36是根据数据取得部34取得的数据制作机器学习装置100的机器学习所使用的学习数据的功能单元。
预处理部36制作将数据取得部34取得(然后存储到取得数据存储部52)的数据变换为在机器学习装置100中处理的统一形式(数值化、采样等)所得的学习数据。例如,预处理部36在机器学习装置100进行有监督学习的情况下,制作该学习中的预定形式的状态数据S和标签数据L的组作为学习数据。
作为本实施方式的预处理部36制作的状态数据S,至少包括下述的7种数据S1~S7。更具体地说,状态数据S至少包括:包含与用于机床2对工件的加工的工具相关的信息的工具数据S1、包含与机床2对工件的加工中的加工条件相关的信息的加工条件数据S2、包含与通过机床2加工的工件相关的信息的工件数据S3、包含与通过切削液供给装置3向机床2的加工区域供给的切削液相关的信息的切削液数据S4、包含与机床2对工件的加工工序相关的信息的加工工序数据S5、包含与切削液供给装置3具备的切削液喷嘴的切削液的喷出位置相关的信息的切削液喷出位置数据S6、包含从切削液供给装置3具备的切削液喷嘴喷出的切削液的量的切削液喷出量数据S7。
将工具数据S1定义为表示机床2对工件的加工所使用的工具的类别、工具的材质的数据列。关于工具的类别,可以如切削刀具、铣制刀具、钻孔刀具等那样与工具的形状、加工时的使用方法对应地对工具进行分类,并分别用能够唯一识别的数值表示。另外,对于工具的材质,例如可以分别用能够唯一识别的数值表示高速钢、超硬合金等那样的工具材质。取得由工作人员对切削液量调整装置1、机床2设定的与工具相关的信息,根据该取得的与工具相关的信息制作工具数据S1即可。
将加工条件数据S2定义为以在机床2对工件的加工中设定或指示的主轴转速、进给速度、切削量等加工条件为要素的数据列。对于这些加工条件,可以使用以预定的单位表示各个加工条件的值的数值。对于各个加工条件的值,通过控制用程序54指示或被设定为控制用的缺省值,因此取得它们进行制作即可。
将工件数据S3定义为表示通过机床2加工的工件的材质、加工中的工件的形状的数据列。关于工件的材质,例如可以分别用能够唯一识别的数值表示铝、铁等那样的工件材质。对于加工中的工件的形状,例如可以如图3示例的那样,将机床2具备的工作台分割为预定的区域,表示为表示载置在该工作台上的工件在各区域中的高度(该区域中的高度的平均值)的数据列。
此外,在图3的例子中,为了简化说明,从侧面观察工作台,将该工作台分割为横着排列的多个区域。但是,实际上也可以将工作台上表面的二维平面分割为多个矩形区域,将工件的形状表示为表示各个矩形区域内的工件的高度的数据列。根据由工作人员对切削液量调整装置1、机床2设定的与工件相关的信息、在加工开始前测定的工件的形状、从CAD/CAM装置取得的数据、分析控制用程序54而得到的与加工过程相关的数据等,制作工件数据S3即可。
将切削液数据S4定义为表示向机床2的加工区域喷出的切削液的种类、切削液的温度的数据列。关于切削液的种类,例如可以分别用能够唯一识别的数值表示水溶性A1种类、不溶性N1种类等那样的切削液的种类。对于切削液的温度,使用以预定的单位表示切削液的温度值的数值即可。取得由工作人员对切削液量调整装置1、机床2设定的与切削液相关的信息、通过切削液供给装置3具备的传感器等检测出的值等,根据该取得的与切削液相关的信息制作切削液数据S4即可。
将加工工序数据S5定义为表示机床2对工件的加工的工序的数据。关于加工的工序,例如可以分别用能够唯一识别的数值表示粗加工、中精加工、精加工等那样的加工工序。根据在加工开始前从CAD/CAM装置取得的数据、分析控制用程序54得到的与加工工序相关的数据等,制作加工工序数据S5即可。
将切削液喷出位置数据S6定义为表示切削液供给装置3具备的各个切削液喷嘴对切削液的喷出位置的数据列。例如可以如图4示例的那样,将机床2具备的工作台分割为预定的区域,将切削液喷嘴对切削液的喷出位置表示为表示从切削液喷嘴喷出的切削液施加到哪个区域的数据列。
在图4的例子中,切削液喷嘴301a向区域a和区域b喷出切削液302。因此,可以将切削液302施加到各区域的情况设为1,将没有施加切削液302的情况设为0,而将与切削液喷嘴301a有关的切削液喷出位置数据S6表达为(1,1,0,0,0)等。此外,在图4的例子中,为了简化说明,从侧面观察工作台,将该工作台分割为横着排列的多个区域。但是,实际上也可以将工作台上表面的二维平面分割为多个矩形区域,将切削液302的喷出位置表示为表示是否对各个矩形区域施加切削液302的数据列。可以与切削液喷嘴的配置对应地,由工作人员预先从显示器/MDI单元70设定切削液喷出位置数据S6。
将切削液喷出量数据S7定义为表示从切削液供给装置3具备的各个切削液喷嘴喷出的切削液的量的数据。从切削液喷嘴喷出的切削液的量,可以用预定的单位的数值表示每单位时间的切削液的喷出量。或者,例如也可以用以多个级别(10级别)表示从切削液喷嘴喷出的切削液的量的数值来表示。可以根据从切削液供给装置3取得的各切削液喷嘴的切削液的喷出量,来制作切削液喷出量数据S7。
预处理部36制作的标签数据L至少包含在取得上述状态数据S的加工的状态下与表示从各个切削液喷嘴喷出的切削液的喷出量是否充分的评价相关的数据、即喷出量合适与否数据L1。
将喷出量合适与否数据L1定义为针对各个切削液喷嘴取得与表示切削液的喷出量是否充分的评价相关的标签值的数据。作为一个例子,可以基于观察机床2对工件的加工状况的工作人员使用显示器/MDI单元70进行的输入操作来制作喷出量合适与否数据L1。基于工作人员的输入操作的制作,既可以是工作人员针对各个切削液喷嘴直接输入切削液的喷出量是否充分,也可以由工作人员调整从任意一个切削液喷嘴喷出的切削液的量,在该状态下同一加工状态持续预定时间的情况下,针对调整了喷出量的切削液喷嘴,设为调整后的切削液的量是充分的量,来制作喷出量合适与否数据L1。另外,例如也可以使用安装在机床2的热成像仪等温度传感器测量工件的各部分的温度,根据其测量结果制作喷出量合适与否数据L1。
也可以在图4所示的例子中,测量区域a~区域e中的工件的温度,在区域c的位置的温度没有充分下降的情况下,针对切削液喷嘴301b、301c、301d,制作设为喷出量不充分的标签值。此外,该情况下的切削液喷嘴301b、301c、301d都是向区域c施加切削液302的切削液喷嘴。进而,例如也可以使用安装在机床2的视觉传感器、距离传感器等,根据是否从工件的各部分充分除去了切屑,来制作喷出量合适与否数据L1。
对于学习部110,图1所示的切削液量调整装置1具备的处理器101执行从ROM102读出的***程序。主要通过由处理器101进行使用RAM103、非易失性存储器104的运算处理来实现它。本实施方式的学习部110使用预处理部36制作的学习数据进行机器学习。学习部110通过公知的有监督学习的方法,生成学习与机床2的加工状态和切削液供给装置3的切削液的供给状态对应的从切削液喷嘴喷出的切削液的喷出量的评价所得的学习模型。学习部110进而将所生成的学习模型存储到学习模型存储部130。
作为学习部110进行的有监督学习的方法,可以列举多层感知(multilayerperceptron)法、循环神经网络(recurrent neural network)法、长短期记忆(Long Short-Term Memory)法、卷积神经网络(convolutional neural network)法等。
本实施方式的学习部110针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量的评价与机床2的加工状态和从切削液供给装置3供给的切削液的状态关联起来而学习所得的学习模型。例如,在如图4所示有5个切削液喷嘴的情况下,学习部110生成学习各个切削液喷嘴的喷出量所得的5个学习模型。
图5是表示学习部110使用状态数据S和标签数据L对每个切削液喷嘴分别制作学习模型的概要的图。如图5所示,关于状态数据S中的工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5,能够在多个切削液喷嘴之间共通地使用。在图5中,用附图标记3010表示上述各切削液喷嘴共通的状态数据。
学习部110向这些状态数据追加分别对每个切削液喷嘴制作的切削液喷出位置数据S6、切削液喷出量数据S7以及喷出量数据L1,生成利用了这些数据的各个切削液喷嘴用的学习模型。在图5中,分别用附图标记3011a和3011b表示切削液喷嘴301a和301b所特有的状态数据(数据S6和S7)。另外,分别用附图标记3012a和3012b表示切削液喷嘴301a和301b的标签数据(喷出量合适与否数据L1)。进而,分别用附图标记3013a和3013b表示各切削液喷嘴301a和301b用的学习模型。
这样,本实施方式的学习部110生成的学习模型,针对各个切削液喷嘴,在提供了机床2的加工状态和从切削液供给装置3供给的切削液的状态时,推定在这样的状态下从切削液喷嘴喷出的切削液的喷出量是否充分。
此外,学习部110在学习的阶段是必需的结构,但在学习部110对从切削液喷嘴喷出的切削液的喷出量的评价的学习完成后,不一定是必需的结构。例如在向顾客发货学习完成了的机器学习装置100等情况下,也可以卸下学习部110后发货。
具有上述结构的本实施方式的切削液量调整装置1针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量的评价与机床2的加工状态以及从切削液供给装置3供给的切削液的状态关联起来学习所得的学习模型。然后,能够使用这样生成的学习模型,由后述的推定部120根据从机床2和切削液供给装置3取得的状态数据S,进行为了决定在所取得的状态下更适当的从各切削液喷嘴喷出的切削液的量所需要的推定处理。
作为本实施方式的切削液量调整装置1的变形例子,预处理部36也可以在工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6、切削液喷出量数据S7以外,还制作表示机床2的主轴的位置的主轴位置数据S8作为状态数据。可以将主轴位置数据S8定义为例如图3示例的表示在机床2的工作台上的哪个区域上有主轴的数据。在机床2的工件的加工中,在安装在主轴的工具与工件的接触位置产生大量的热。因此,通过将主轴位置数据S8追加到学习所使用的数据,能够学习与对工具与工件接触的位置的切削液的喷出量相关的信息。进而,通过将主轴位置数据S8追加到学习所使用的数据,能够在对工具与工件接触的位置的切削液的喷出量的推定中灵活利用。
图6是第二实施方式的切削液量调整装置1和机器学习装置100的概要功能框图。本实施方式的切削液量调整装置1具备机器学习装置100推定从各个切削液喷嘴喷出的切削液的喷出量的评价的情况下所需要的结构(推定模式)。由图1所示的切削液量调整装置1具备的CPU11以及机器学习装置100的处理器101执行各个***程序,控制切削液量调整装置1和机器学习装置100的各部的动作,由此实现图6所示的各功能模块。
本实施方式的切削液量调整装置1除了具备控制部32、数据取得部34、预处理部36以外,还具备喷出量决定部38。切削液量调整装置1具备的机器学习装置100特别具备推定部120。另外,在图1所示的非易失性存储器14上设置有存储从机床2、切削液供给装置3等取得的数据的取得数据存储部52。在图1所示的机器学习装置100的非易失性存储器104上设置有存储通过在第一实施方式中说明的学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、数据取得部34具有与第一实施方式的控制部32、数据取得部34相同的功能。
本实施方式的预处理部36在机器学习装置100使用学习模型推定从各个切削液喷嘴喷出的切削液的喷出量的评价的阶段,将数据取得部34取得的数据变换为在机器学习装置100中处理的统一形式。变换形式例如可以是数值化或采样。通过这样的变换,本实施方式的预处理部36制作机器学习装置100的推定所使用的预定形式的状态数据S。
本实施方式的预处理部36在制作状态数据S时,制作表示针对从喷出量决定部38指示的切削液喷嘴所指示的喷出量的切削液喷出量数据S7。例如,预处理部36根据数据取得部34取得的数据,制作工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6,进而根据来自喷出量决定部38的指令,针对所指示的切削液喷嘴,制作表示所指示的喷出量的切削液喷出量数据S7。预处理部36也可以在推定的初期,针对各个切削液喷嘴,制作表示预先确定的切削液的喷出量的切削液喷出量数据S7。
对于推定部120,图1所示的切削液量调整装置1具备的处理器101执行从ROM102读出的***程序。主要通过由处理器101进行使用RAM103、非易失性存储器104的运算处理来实现它。推定部120根据预处理部36制作的状态数据S,使用存储在学习模型存储部130中的学习模型,推定从各个切削液喷嘴喷出的切削液的喷出量的评价。
在本实施方式的推定部120中,向通过学习部110生成(换言之,决定了参数)的学习模型输入从预处理部36输入的状态数据S,由此推定从各个切削液喷嘴喷出的切削液的喷出量的评价并输出。推定部120推定出的结果被输出到喷出量决定部38。
图1所示的切削液量调整装置1具备的CPU11执行从ROM12读出的***程序,主要由CPU11进行使用RAM13、非易失性存储器14的运算处理,由此实现喷出量决定部38。喷出量决定部38是根据通过推定部120推定出的从各个切削液喷嘴喷出的切削液的喷出量的评价的推定结果,决定从各个切削液喷嘴喷出的切削液的量的功能单元。
喷出量决定部38针对各个切削液喷嘴,参照从推定部120输出的喷出量的评价的推定结果。在该推定结果表示“喷出量充分”的情况下,喷出量决定部38向预处理部36发出指示使其制作将该切削液喷嘴的喷出量降低1个级别的状态数据S。另一方面,在该推定结果表示“喷出量不充分”的情况下,喷出量决定部38向预处理部36发出指示使其制作将该切削液喷嘴的喷出量提高1个级别的状态数据S。喷出量决定部38重复进行这样的处理,针对各个切削液喷嘴,探索得到“喷出量充分”这样的推定结果的最小的切削液的喷出量。喷出量决定部38进而将探索出的切削液的喷出量决定为该切削液喷嘴的切削液的喷出量。
使用图7说明喷出量决定部38决定切削液喷嘴的切削液的喷出量的流程。在图7的例子中,假设能够10个级别地调整切削液喷嘴的切削液的喷出量3020。在决定切削液喷嘴的切削液的喷出量(在图7的情况下,为切削液喷嘴301a的切削液的喷出量)3020时,首先预处理部36制作包含表示预先确定的喷出量(例如最大值×1.0)的切削液喷出量数据S7的状态数据S。
推定部120根据预处理部36制作的状态数据S、即数据3010、3011a,推定该切削液的喷出量3020的评价。在此,在推定部120输出了“喷出量充分”这样的推定结果3022的情况下,喷出量决定部38向预处理部36发出指示使其制作将喷出量3020降低1个级别的状态数据S。预处理部36根据来自喷出量决定部38的指示,制作将喷出量3020降低1个级别的状态数据S,推定部120根据所制作的状态数据S推定喷出量3020的评价。重复进行它,在来自推定部120的评价即推定结果3022从“喷出量充分”变为“喷出量不充分”的情况下,喷出量决定部38判断为此时的上一个向预处理部36指示的级别的切削液的喷出量3020是适当的切削液的喷出量(评价为“喷出量充分”的最少的切削液的喷出量)。喷出量决定部38基于该判断,将该喷出量决定为切削液喷嘴的切削液的喷出量。喷出量决定部38针对全部的切削液喷嘴执行这样的处理。
喷出量决定部38对切削液的喷出量的探索可以如上述那样从喷出量的最大值开始探索。或者,也可以从喷出量的最小值开始向上探索切削液的喷出量,或从喷出量的中间值向上下开始探索。另外,也可以使用二分探索等公知的算法来探索喷出量的最小值。
喷出量决定部38如果决定了全部切削液喷嘴的切削液的喷出量3020,则向控制部32发出指示使其将切削液的喷出量调整为所决定的喷出量。
具有上述结构的本实施方式的切削液量调整装置1能够将从各个切削液喷嘴喷出的切削液的量调整为能够充分冷却工件等并且最少的量。
作为本实施方式的切削液量调整装置1的变形例子,预处理部36也可以在工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6、切削液喷出量数据S7以外,还制作表示机床2的主轴的位置的主轴位置数据S8作为状态数据。可以将主轴位置数据S8定义为例如图3示例的表示在机床2的工作台上的哪个区域上有主轴的数据。在机床2的工件的加工中,在安装在主轴的工具与工件的接触位置产生大量的热。因此,通过在切削液的喷出量的推定中使用主轴位置数据S8,能够推定向工具与工件接触的位置喷出的切削液的充分量。
以下,说明本发明的第三实施方式的切削液量调整装置1。本实施方式的切削液量调整装置1具备与图2所示的第一实施方式相同的功能模块。本实施方式的切削液量调整装置1具备机器学习装置100进行有监督学习的情况下所需要的结构(学习模式)。
本实施方式的控制部32、数据取得部34具有与第一实施方式的控制部32、数据取得部34相同的功能。
本实施方式的预处理部36制作工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6作为状态数据S。另外,本实施方式的预处理部36制作与在取得上述状态数据S的加工的状态下从各个切削液喷嘴喷出的切削液的适当的喷出量相关的数据即适当喷出量数据L2,作为标签数据L。
将适当喷出量数据L2定义为针对各个切削液喷嘴取得与当前的机床2和切削液供给装置3的状态对应的适当的切削液的喷出量作为标签值的数据。例如也可以基于观察机床2对工件的加工状况的熟练的工作人员使用显示器/MDI单元70的输入操作而制作适当喷出量数据L2。例如,也可以由工作人员调整从任意一个切削液喷嘴喷出的切削液的量,在该状态下同一加工状态持续预定时间的情况下,根据这时从各个切削液喷嘴喷出的切削液的喷出量,制作适当喷出量数据L2。
本实施方式的学习部110使用预处理部36制作的学习数据进行机器学习。学习部110通过公知的有监督学习的方法,生成学习与机床2的加工状态和切削液供给装置3的切削液的供给状态对应的从切削液喷嘴喷出的切削液的喷出量所得的学习模型。然后,学习部110将生成的学习模型存储到学习模型存储部130。作为学习部110进行的有监督学习的方法,可以列举多层感知(multilayer perceptron)法、循环神经网络(recurrent neuralnetwork)法、长短期记忆(Long Short-Term Memory)法、卷积神经网络(convolutionalneural network)法等。
本实施方式的学习部110针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量与机床2的加工状态和从切削液供给装置3供给的切削液的状态关联起来而学习所得的学习模型。例如,在如图4所示有5个切削液喷嘴的情况下,学习部110生成学习各个切削液喷嘴的喷出量所得的5个学习模型。
图8是表示学习部110使用状态数据S和标签数据L对每个切削液喷嘴301分别制作学习模型3013的概要的图。如图8所示,关于状态数据S中的工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5,能够在多个切削液喷嘴之间共通地使用。学习部110向这些共通的状态数据3010追加分别对每个切削液喷嘴301制作的切削液喷出位置数据S6(各切削液喷嘴的状态数据3011)、以及适当喷出量数据L2(各切削液喷嘴的标签数据3012),生成利用了这些数据的各个切削液喷嘴用的学习模型3013。
这样,本实施方式的学习部110生成的学习模型针对各个切削液喷嘴,在提供了机床2的加工状态和从切削液供给装置3供给的切削液的状态时,推定在这样的状态下从切削液喷嘴喷出的更适当的切削液的喷出量。
此外,学习部110在学习的阶段是必需的结构,但在学习部110对从切削液喷嘴喷出的切削液的喷出量的评价的学习完成后,不一定是必需的结构。例如在向顾客发货学习完成了的机器学习装置100等情况下,也可以卸下学习部110后发货。
具有上述结构的本实施方式的切削液量调整装置1针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量与机床2的加工状态和从切削液供给装置3供给的切削液的状态关联起来学习所得的学习模型。
本实施方式的切削液量调整装置1必须根据工作人员设定的从各切削液喷嘴喷出的适当的切削液的喷出量进行学习,因此存在难以收集充分的学习所需要的学习数据的方面。但是,一旦充分的机器学习完成,则使用这样生成的学习模型,后述的推定部120能够根据从机床2和切削液供给装置3取得的状态数据S,直接推定所取得的状态下的从各切削液喷嘴喷出的更适当的切削液的量。
图9是第四实施方式的切削液量调整装置1和机器学习装置100的概要功能框图。本实施方式的切削液量调整装置1具备机器学习装置100推定从各个切削液喷嘴喷出的切削液的喷出量的评价的情况下所需要的结构(推定模式)。由图1所示的切削液量调整装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***程序,控制切削液量调整装置1和机器学习装置100的各部的动作,由此实现图9所示的各功能模块。
本实施方式的切削液量调整装置1具备控制部32、数据取得部34、预处理部36以及喷出量决定部38。切削液量调整装置1具备的机器学习装置100具备推定部120。另外,在图1所示的非易失性存储器14上,设置有存储从机床2、切削液供给装置3等取得的数据的取得数据存储部52。在图1所示的机器学习装置100的非易失性存储器104上,设置有存储通过在第一实施方式中说明的学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、数据取得部34具有与第二实施方式的控制部32、数据取得部34相同的功能。
本实施方式的预处理部36在机器学习装置100使用学习模型推定从各个切削液喷嘴喷出的切削液的喷出量的评价的阶段,将数据取得部34取得的数据变换为在机器学习装置100中处理的统一形式。变换形式例如可以是数值化或采样。通过这样的变换,本实施方式的预处理部36制作机器学习装置100的推定所使用的预定的形式的状态数据S。本实施方式的预处理部36根据数据取得部34取得的数据,制作工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6。
本实施方式的推定部120根据预处理部36制作的状态数据S,使用存储在学习模型存储部130中的学习模型,推定从各个切削液喷嘴喷出的切削液的喷出量的评价。在本实施方式的推定部120中,向通过学习部110生成(决定了参数)的学习模型输入从预处理部36输入的状态数据S。推定部120进而根据输入的状态数据S,推定从各个切削液喷嘴喷出的更适当的切削液的喷出量并输出。推定部120推定出的结果被输出到喷出量决定部38。
本实施方式的喷出量决定部38将通过推定部120推定出的从各个切削液喷嘴喷出的切削液的喷出量的推定结果决定为从各个切削液喷嘴喷出的切削液的量。喷出量决定部38进而向控制部32发出指示使其将切削液的喷出量调整为所决定的喷出量。
具有上述结构的本实施方式的切削液量调整装置1能够将从各个切削液喷嘴喷出的切削液的量调整为能够充分冷却工件等并且最少的量。
图10是第五实施方式的切削液量调整装置1和机器学习装置100的概要功能框图。本实施方式的切削液量调整装置1具备机器学习装置100进行有监督学习的情况下所需要的结构(学习模式)。通过由图1所示的切削液量调整装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***程序,控制切削液量调整装置1和机器学习装置100的各部的动作,来实现图10所示的各功能模块。
本实施方式的切削液量调整装置1具备控制部32、数据取得部34、预处理部36,切削液量调整装置1具备的机器学习装置100具备包含第一学习部112、第二学习部114的学习部110。另外,在图1所示的非易失性存储器14上,设置有存储从机床2、切削液供给装置3等取得的数据的取得数据存储部52,在图1所示的机器学习装置100的非易失性存储器104上,设置有存储通过第一学习部112、第二学习部114的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、数据取得部34、预处理部36具有与第一实施方式的控制部32、数据取得部34、预处理部36相同的功能。
本实施方式的学习部110具备第一学习部112和第二学习部114。第一学习部112与在第一实施方式中说明的学习部110同样,进行使用预处理部36制作的学习数据的机器学习,针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量的评价与机床2的加工状态和从切削液供给装置3供给的切削液的状态关联起来而学习所得的第一学习模型。第一学习部112生成的第一学习模型针对各个切削液喷嘴,在提供了机床2的加工状态和从切削液供给装置3供给的切削液的状态时,推定在这样的状态下从切削液喷嘴喷出的切削液的喷出量是否充分。
第二学习部114与在第三实施方式中说明的学习部110同样,进行使用学习数据的机器学习,针对各个切削液喷嘴,生成使从该切削液喷嘴喷出的切削液的喷出量与机床2的加工状态和从切削液供给装置3供给的切削液的状态关联起来而学习所得的第二学习模型。第二学习部114分析第一学习部112生成的第一学习模型的学习结果。第二学习部114根据该分析结果进行机器学习,生成第二学习模型。第二学习部114例如对第一学习模型执行与在第二实施方式中说明的喷出量决定部38执行的处理同样的处理,针对各个切削液喷嘴,探索与机床2和切削液供给装置3的状态对应的得到“喷出量充分”这样的推定结果的最小的切削液的喷出量。然后,第二学习部114使用机床2和切削液供给装置3的状态、探索出的切削液的喷出量进行机器学习,针对各个切削液喷嘴,生成第二学习模型。
本实施方式的切削液量调整装置1使用通过与第一实施方式所示的切削液量调整装置1具备的学习部110同样的机器学习方法生成的第一学习模型,生成与第三实施方式所示的切削液量调整装置1具备的学习部110同样的机器学习方法所使用的学习数据。切削液量调整装置1进而使用所生成的学习数据生成第二学习模型。在第一实施方式所示的切削液量调整装置1中,能够比较容易地制作学习数据而进行学习,另一方面,为了使用所得到的学习模型决定切削液喷嘴的切削液的喷出量,必须进行探索处理。另一方面,在第三实施方式所示的切削液量调整装置1中,能够使用学习模型直接推定更适当的切削液喷嘴的切削液的喷出量,另一方面,存在难以收集学习数据的问题。
本实施方式的切削液量调整装置1通过组合这2个学习方法,能够比较容易地收集学习数据,并能够使用收集到的学习数据生成能够直接推定更适当的切削液喷嘴的切削液的喷出量的学习模型。这样生成的学习模型(第二学习模型)例如能够用于第四实施方式的切削液量调整装置1中的切削液喷嘴的切削液的喷出量的推定。
图11是第六实施方式的切削液量调整装置1和机器学习装置100的概要功能框图。通过由图1所示的切削液量调整装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***程序,控制切削液量调整装置1和机器学习装置100的各部的动作,来实现图11所示的各功能模块。
本实施方式的切削液量调整装置1具备控制部32、数据取得部34、预处理部36。切削液量调整装置1具备的机器学习装置100除了具备学习部110以外,还具备意图决定部122。另外,在图1所示的非易失性存储器14上,设置有存储从机床2、切削液供给装置3等取得的数据的取得数据存储部52。在图1所示的机器学习装置100的非易失性存储器104上,设置有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、数据取得部34具有与第一实施方式的控制部32、数据取得部34相同的功能。
本实施方式的预处理部36在机器学习装置100进行强化学习的情况下,制作该学习中的预定形式的状态数据S和判定数据D的组,作为学习数据。预处理部36制作工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6、切削液喷出量数据S7作为状态数据S。另外,预处理部36制作用于判定在取得上述状态数据S的加工的状态下从各个切削液喷嘴喷出的切削液的喷出量的数据即喷出量判定数据D1、用于判定工件的冷却状态、切屑的清洗状态的数据即工件状态判定数据D2,作为判定数据D。
将喷出量判定数据D1定义为成为用于针对各个切削液喷嘴判定切削液的喷出量是否充分少的基准的数据。喷出量判定数据D1例如可以是表示调整从切削液喷嘴喷出的切削液的量的结果为从切削液喷嘴喷出的切削液的量增加了还是减少了的数据。喷出量判定数据D1可以是包含从切削液喷嘴喷出的切削液的量的增减的程度的数据。
将工件状态判定数据D2定义为成为用于判定工件的温度是否被充分冷却、或者工件的表面是否没有附着切屑等的基准的数据。例如也可以基于观察机床2对工件的加工状况的工作人员使用显示器/MDI单元70的输入操作而制作工件状态判定数据D2。例如,也可以在工件的表面附着有切屑时,由工作人员操作显示器/MDI单元70,输入在附着有该切屑的工件的位置存在问题,由此判断为对应的位置的从切削液喷嘴喷出的切削液的量少,并制作表示该信息的工件状态判定数据D2。
另外,例如也可以使用安装在机床2的热成像仪等温度传感器测量工件的各部分的温度,根据其测量结果制作工件状态判定数据D2。也可以在图4所示的例子中,测量区域a~区域e中的工件的温度,并制作以下这样的工件状态判定数据D2,即在区域c的位置的温度没有充分下降的情况下,针对切削液喷嘴301b、301c、301d(都是向区域c施加了切削液的切削液喷嘴)设为喷出量少,在不是这样的情况下设为喷出量恰当。
进而,例如也可以使用安装在机床2的视觉传感器、距离传感器等,根据是否从工件的各部分充分除去了切屑,来制作工件状态判定数据D2。在工件状态判定数据D2中,也可以包含冷却的程度、与切屑的剩余情况对应的程度。
本实施方式的学习部110使用预处理部36制作的学习数据进行机器学习。学习部110通过公知的强化学习的方法,针对各个切削液喷嘴,生成学习与机床2的加工状态和切削液供给装置3的切削液的供给状态对应的从切削液喷嘴喷出的切削液的喷出量的调整行为所得的学习模型。学习部110进而将所生成的学习模型存储到学习模型存储部130。强化学习是以下的方法,即试错地反复进行观测存在学习对象的环境的当前状态(即输入),并且在当前状态下执行规定的行为(即输出),对该行为赋予任意的回报这样的循环,学习回报的总计最大化那样的方案作为最优解。回报的总计最大化那样的方案,在本申请的机器学习装置100中表示从切削液喷嘴喷出的切削液的喷出量的调整行动。作为学习部110进行的强化学习的方法,可以列举Q学习等。
在学习部110的Q学习中,对于回报R,例如可以在喷出量判定数据D1表示“切削液量减少了”的情况下设为正(+)的回报R,在喷出量判定数据D1表示“切削液量增加了”的情况下设为负(-)的回报R。另外,对于回报R,例如可以在工件状态判定数据D2表示“切削液量适当”的情况下设为正(+)的回报R,在工件状态判定数据D2表示“切削液量少”的情况下设为负(-)的回报R。进而,对于回报R,也可以与操作判定数据D1、工件状态判定数据D2所示的程度的大小对应地,设为更大的正(+)的回报R或负(-)的回报R。
学习部110也可以构成为使用神经网络作为价值函数Q(学习模型),将状态数据S和行为a作为神经网络的输入,输出该状态下的该行为a的价值(结果y)。在这样构成的情况下,也可以使用具备输入层、中间层、输出层这3层的神经网络作为学习模型,但也可以构成为通过利用使用了成为3层以上的层的神经网络的所谓的深度学习的方法,进行更有效的学习和推理。将学习部110生成的学习模型存储到设置于非易失性存储器104上的学习模型存储部130。存储在学习模型存储部130中的学习模型被用于意图决定部122决定从切削液喷嘴喷出的切削液的喷出量的调整行为。
此外,学习部110在学习的阶段是必需的结构,但在学习部110对从切削液喷嘴喷出的切削液的喷出量的调整行为的学习完成后,不一定是必需的结构。例如在向顾客发货学习完成了的机器学习装置100等情况下,也可以卸下学习部110后发货。
图1所示的切削液量调整装置1具备的处理器101执行从ROM102读出的***程序,主要由处理器101进行使用RAM103、非易失性存储器104的运算处理,由此实现意图决定部122。意图决定部122根据从预处理部36输入的状态数据S,使用存储在学习模型存储部130中的学习模型,求出从切削液喷嘴喷出的切削液的喷出量的调整行为的最优解。意图决定部122还输出作为最优解求出的从切削液喷嘴喷出的切削液的喷出量的调整行为。
在本实施方式的意图决定部122中,向通过学习部110的强化学习生成(决定了参数)的学习模型输入从预处理部36输入的状态数据S(工具数据S1、加工条件数据S2、工件数据S3、切削液数据S4、加工工序数据S5、切削液喷出位置数据S6、切削液喷出量数据S7)、从切削液喷嘴喷出的切削液的喷出量的调整行为(每个切削液喷嘴的切削液的喷出量的决定)作为输入数据,由此能够计算出在当前的状态下采取该行为的情况下的回报。因此,意图决定部122针对当前能够采取的切削液的喷出量的调整行为进行这样的回报的计算,对计算出的多个回报进行比较,将计算出最大回报的从切削液喷嘴喷出的切削液的喷出量的调整行为决定为最优解。也可以将意图决定部122决定的从切削液喷嘴喷出的切削液的喷出量的调整行为的最优解输入到喷出量决定部38,用于决定从切削液喷嘴喷出的切削液的喷出量。除此以外,例如也可以将该调整行动的最优解显示输出到显示器/MDI单元70,或经由未图示的有线/无线网络发送输出到雾计算机、云计算机等,由此进行利用。
在具有上述结构的切削液量调整装置1中,能够在机床2和切削液供给装置3动作的环境中,适当地调整从切削液喷嘴喷出的切削液的喷出量。
在以下的第七~第九实施方式中,说明作为经由有线/无线的网络与包括云服务器或主机计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相互连接的***的一部分来实现第一~第六实施方式的切削液量调整装置1的实施方式。
如图12示例的那样,在以下的第七~第九实施方式中,设想构成为在多个装置分别与网络连接的状态下在逻辑上分为包含云服务器6等的层、包含雾计算机7等的层、包含边缘计算机8(单元9所包含的机器人控制器、控制装置等)等的层的3层的***。在这样的***中,也可以在云服务器6、雾计算机7、边缘计算机8的任意一个上实现本发明的一个方式的切削液量调整装置1。通过该结构,切削液量调整装置1能够在与多个装置的各个之间经由网络相互共享在机器学习的处理中使用的数据而进行分散学习,或者将生成的学习模型收集到雾计算机7、云服务器6而进行大规模分析,或者进而进行所生成的学习模型的相互再利用等。
在图12示例的***中,在各地的工厂分别设置多个单元9,按照预定的单位(以工厂为单位、以同一制造商的多个工厂为单位等),由上位层的雾计算机7管理各个单元9。另外,可以在更上位层的云服务器6中对这些雾计算机7收集、分析后的数据进行收集、分析等,在各个边缘计算机8的控制等中灵活利用作为其结果而得到的信息。
图13是在云服务器、雾计算机等计算机上实现切削液量调整装置的情况下的概要硬件结构图。
本实施方式的在计算机上实现的切削液量调整装置1’具备CPU311、ROM312、RAM313、非易失性存储器314。切削液量调整装置1’还具备接口317、318、319、321。切削液量调整装置1’具备的上述构成要素经由总线320相互连接。
CPU311是整体地控制切削液量调整装置1’的处理器。CPU311经由总线320读出存储在ROM312中的***程序,依照该***程序控制切削液量调整装置1’的整体。在RAM13中临时存储各种数据等。临时存储在RAM313中的各种数据例如是临时的计算数据、显示数据、操作者经由未图示的输入部输入的各种数据。
非易失性存储器314例如构成为被未图示的电池备份等而即使切削液量调整装置1’的电源切断也保持存储状态的存储器。在非易失性存储器314中,存储有经由输入装置371输入的程序、经由切削液量调整装置1’的各部或网络5从机器人取得的各种数据。可以在执行时/利用时,将存储在非易失性存储器314中的程序、各种数据展开到RAM313中。另外,在ROM312中预先写入有公知的分析程序等各种***程序。预先写入到ROM312中的***程序包括用于控制与后述的机器学习装置100的收发的***程序。
切削液量调整装置1’经由网络319与有线/无线的网络5连接。网络5至少连接有一个机床2’(具备控制装置的机床)、其他切削液量调整装置1、边缘计算机8、雾计算机7、云服务器6等。经由网络5,在切削液量调整装置1’和与网络5连接的各要素之间相互进行数据的收发。
本实施方式的切削液量调整装置1’还经由接口317与显示装置370连接,经由接口318与输入装置371连接。
将读入到存储器上的各数据、作为执行程序等的结果而得到的数据等经由接口317输出显示到显示装置370。另外,由键盘、指点设备等构成的输入装置371经由接口318向CPU311传递基于工作人员的操作的指令、数据等。
接口321是用于连接切削液量调整装置1’和机器学习装置100的接口。对于机器学习装置100,具有与图1说明的结构相同的结构。
这样,在云服务器、雾计算机等计算机上实现切削液量调整装置1’的情况下,除了从机床2’和切削液供给装置3取得信息、经由网络5收发向切削液供给装置3发出的从切削液喷嘴喷出的切削液的喷出量的调整指令这一点以外,切削液量调整装置1’具有的功能与在第一~第六实施方式中说明的相同。
这时,机床2’具备控制装置,因此切削液量调整装置1’具备的控制部32不进行机床2’的控制,而从机床2’具备的控制装置取得与该机床2’的加工状态相关的信息。另外,切削液量调整装置1’具备的控制部32经由机床2’具备的控制装置对切削液供给装置3进行间接控制,并且经由机床2’具备的控制装置取得切削液的供给状态。
图14是具备切削液量调整装置1’的第七实施方式的切削液量调整***的概要结构图。切削液量调整***500具备多个切削液量调整装置1,1’、多个机床2’、以及将这些切削液量调整装置1、1’、机床2’相互连接起来的网络5。
在切削液量调整***500中,具备机器学习装置100的切削液量调整装置1’使用学习部110的学习结果,根据机床2’的加工状态和切削液供给装置3的切削液的供给状态,在成为调整对象的切削液供给装置3中调整从各个切削液喷嘴喷出的切削液的量。另外,至少一个切削液量调整装置1’根据其他多个切削液量调整装置1、1’分别得到的状态变量S和标签数据L或判定数据D,学习全部切削液量调整装置1、1’共通的与机床2、2’的加工状态和切削液供给装置3的切削液的供给状态对应的从各个切削液喷嘴喷出的切削液的量的调整。在切削液量调整***500中,可以构成为全部切削液量调整装置1、1’共享该学习结果。因此,根据切削液量调整***500,能够将更多样的数据集合(包括状态数据S和标签数据L或判定数据D)作为输入,提高学习的速度、可靠性。
图15是在不同的装置上实现机器学习装置和切削液量调整装置的第八实施方式的***的概要结构图。第八实施方式的切削液量调整***500’具备作为云服务器、主机计算机、雾计算机等计算机的一部分实现的至少一台机器学习装置100、多个切削液量调整装置1”、将这些切削液量调整装置1”和计算机相互连接起来的网络5。此外,在图15中,表示出作为雾计算机7的一部分而实现机器学习装置100的例子。另外,计算机的硬件结构与图13所示的切削液量调整装置1’的概要硬件结构相同,CPU311、RAM313、非易失性存储器314等普通计算机具备的硬件经由总线320连接而构成。
在具有上述结构的切削液量调整***500’中,机器学习装置100根据针对多个切削液量调整装置1”分别得到的状态变量S和标签数据L或判定数据D,学习全部切削液量调整装置1”共通的与机床2的加工状态和切削液供给装置3的切削液的供给状态对应的从切削液供给装置3具备的各个切削液喷嘴喷出的切削液的量的调整。机器学习装置100进而能够使用该学习结果,调整从切削液供给装置3具备的各个切削液喷嘴喷出的切削液的量。根据切削液量调整***500’的结构,能够与多个切削液量调整装置1”各自存在的地点、时期无关地,在必要时将必要个数的切削液量调整装置1”与机器学习装置100连接。
图16是具备机器学习装置100’和切削液量调整装置1的第九实施方式的切削液量调整***500”的概要结构图。切削液量调整***500”具备在边缘计算机、雾计算机、主机计算机、云服务器等计算机上实现的至少一台机器学习装置100’、多个切削液量调整装置1、将这些切削液量调整装置1和计算机相互连接起来的有线/无线的网络5。此外,在图16中,表示出作为雾计算机7的一部分实现机器学习装置100’的例子。
在具有上述结构的切削液量调整***500”中,具备机器学习装置100’的雾计算机7从各个切削液量调整装置1取得作为该切削液量调整装置1具备的机器学习装置100的机器学习的结果而得到的学习模型。然后,雾计算机7具备的机器学习装置100’通过根据这些多个学习模型进行知识的优化、高效化的处理,新生成优化或乃至高效化了的学习模型。机器学习装置100’进而向各个切削液量调整装置1发布所生成的学习模型。
作为机器学习装置100’进行的学习模型的优化或高效化的例子,可以列举根据从各切削液量调整装置1取得的多个学习模型生成蒸馏模型。在该情况下,本实施例的机器学习装置100’制作向学习模型输入的输入数据。接着,机器学习装置100’使用作为将该输入数据输入到各个学习模型的结果而得到的输出,从1开始进行学习,由此新生成学习模型(蒸馏模型)。如上述说明的那样,经由外部存储介质、网络5向切削液量调整装置1、其他计算机发布这样生成的蒸馏模型而灵活运用。
作为机器学习装置100’进行的学习模型的优化或高效化的其他例子,也可以考虑经过下述的过程。就是机器学习装置100’在对从各切削液量调整装置1取得的多个学习模型进行蒸馏的过程中,通过普通的统计方法分析各学习模型针对输入数据的输出数据的分布,提取出输入数据和输出数据的组的例外值,使用排除了该例外值的输入数据和输出数据的组进行蒸馏。通过经过这样的过程,能够从由各个学习模型得到的输入数据和输出数据的组中排除例外的推定结果,使用排除了例外的推定结果的输入数据和输出数据的组生成蒸馏模型。与通过多个切削液量调整装置1生成的学习模型相比,能够将这样生成的蒸馏模型作为更通用的学习模型而灵活运用。
此外,也能够适当地导入其他普通的学习模型的优化或高效化的方法。例如,该方法是分析各学习模型,根据其分析结果对学习模型的超参数(hyperparameter)进行优化。
在本实施例的切削液量调整***500”中,例如也可以将机器学习装置100’配置在针对作为边缘计算机的多个切削液量调整装置1设置的雾计算机7上,在雾计算机7上汇总地存储通过各个切削液量调整装置1生成的学习模型。雾计算机7的机器学习装置100’可以进行以下这样的应用,即在根据存储的多个学习模型进行优化或高效化的基础上,根据需要向各切削液量调整装置1重新发布优化或高效化后的学习模型。
另外,在本实施例的切削液量调整***500”中,例如可以在更上位的主机计算机、云服务器上收集汇总地存储在雾计算机7上的学习模型、在雾计算机7上优化或高效化了的学习模型,使用这些学习模型应用到工厂、切削液量调整装置1的厂商的智力劳动。作为这样的向智力劳动的应用,例如可以列举在上位服务器中构筑和重新发布更通用的学习模型、根据学习模型的分析结果支持维护工作、分析各个切削液量调整装置1的性能等、应用到新机械的开发。
以上,说明了本发明的实施方式,但本发明并不只限于上述实施方式的例子,通过施加适当的变更,能够以各种形式实施。
例如在上述实施方式中,将切削液量调整装置1和机器学习装置100说明为具备不同的CPU(处理器)的装置,但也可以通过切削液量调整装置1具备的CPU11、存储在ROM12中的***程序来实现机器学习装置100。
Claims (7)
1.一种切削液量调整装置,其调整从切削液供给装置所具备的至少一个切削液喷嘴喷出的切削液的喷出量,该切削液供给装置向加工工件的机床的加工区域供给切削液,其特征在于,该切削液量调整装置具备:
数据取得部,其至少取得表示上述机床的加工状态的数据、以及与从上述切削液供给装置供给的切削液相关的数据;
预处理部,其根据上述数据取得部取得的数据,制作机器学习所使用的数据;以及
机器学习装置,其根据上述预处理部制作的数据,执行与上述机床进行上述工件的加工的环境中的从上述切削液喷嘴喷出的切削液的喷出量相关的机器学习的处理,
上述预处理部制作状态数据和标签数据作为上述机器学习装置的有监督学习所使用的数据,该状态数据至少包括包含与用于上述机床对上述工件的加工的工具相关的信息的工具数据、包含与上述机床对上述工件的加工的加工条件相关的信息的加工条件数据、包含与通过上述机床加工的上述工件相关的信息的工件数据、包含与通过上述切削液供给装置向上述机床的加工区域供给的切削液相关的信息的切削液数据、包含与上述机床对上述工件的加工工序相关的信息的加工工序数据、包含与上述切削液喷嘴的切削液的喷出位置相关的信息的切削液喷出位置数据、包含从上述切削液供给装置具备的切削液喷嘴喷出的切削液的量的切削液喷出量数据,该标签数据至少包括表示从上述切削液喷嘴喷出的切削液的喷出量合适与否的喷出量合适与否数据,
上述机器学习装置具备:
学习部,其根据上述状态数据和上述标签数据,生成使上述机床的加工状态以及从上述切削液供给装置供给的切削液的状态与从切削液喷嘴喷出的切削液的喷出量的合适与否关联起来所得的学习模型。
2.一种切削液量调整装置,其调整从切削液供给装置所具备的至少一个切削液喷嘴喷出的切削液的喷出量,该切削液供给装置向加工工件的机床的加工区域供给切削液,其特征在于,该切削液量调整装置具备:
数据取得部,其至少取得表示上述机床的加工状态的数据、以及与从上述切削液供给装置供给的切削液相关的数据;
预处理部,其根据上述数据取得部取得的数据,制作机器学习所使用的数据;以及
机器学习装置,其根据上述预处理部制作的数据,执行与上述机床进行上述工件的加工的环境中的从上述切削液喷嘴喷出的切削液的喷出量相关的机器学习的处理,
上述预处理部制作状态数据作为上述机器学习装置的推定所使用的数据,该状态数据至少包括包含与用于上述机床对上述工件的加工的工具相关的信息的工具数据、包含与上述机床对上述工件的加工的加工条件相关的信息的加工条件数据、包含与通过上述机床加工的上述工件相关的信息的工件数据、包含与通过上述切削液供给装置向上述机床的加工区域供给的切削液相关的信息的切削液数据、包含与上述机床对上述工件的加工工序相关的信息的加工工序数据、包含与上述切削液喷嘴的切削液的喷出位置相关的信息的切削液喷出位置数据、包含从上述切削液供给装置具备的切削液喷嘴喷出的切削液的量的切削液喷出量数据,
上述机器学习装置具备:
学习模型存储部,其存储使上述机床的加工状态以及从上述切削液供给装置供给的切削液的状态与从切削液喷嘴喷出的切削液的喷出量的合适与否关联起来所得的学习模型;以及
推定部,其根据上述状态数据,使用存储在上述学习模型存储部中的学习模型,推定从上述切削液喷嘴喷出的切削液的喷出量的合适与否,
上述切削液量调整装置还具备:
喷出量决定部,其探索上述推定部推定为合适的最小的切削液的喷出量,将探索出的切削液的喷出量决定为从上述切削液喷嘴喷出的切削液的量。
3.一种切削液量调整装置,其调整从切削液供给装置所具备的至少一个切削液喷嘴喷出的切削液的喷出量,该切削液供给装置向加工工件的机床的加工区域供给切削液,其特征在于,该切削液量调整装置具备:
数据取得部,其至少取得表示上述机床的加工状态的数据、以及与从上述切削液供给装置供给的切削液相关的数据;
预处理部,其根据上述数据取得部取得的数据,制作机器学习所使用的数据;以及
机器学习装置,其根据上述预处理部制作的数据,执行与上述机床进行上述工件的加工的环境中的从上述切削液喷嘴喷出的切削液的喷出量相关的机器学习的处理,
上述预处理部制作状态数据和标签数据作为上述机器学习装置的有监督学习所使用的数据,该状态数据至少包括包含与用于上述机床对上述工件的加工的工具相关的信息的工具数据、包含与上述机床对上述工件的加工的加工条件相关的信息的加工条件数据、包含与通过上述机床加工的上述工件相关的信息的工件数据、包含与通过上述切削液供给装置向上述机床的加工区域供给的切削液相关的信息的切削液数据、包含与上述机床对上述工件的加工工序相关的信息的加工工序数据、包含与上述切削液喷嘴的切削液的喷出位置相关的信息的切削液喷出位置数据、包含从上述切削液供给装置具备的切削液喷嘴喷出的切削液的量的切削液喷出量数据,该标签数据至少包括表示从上述切削液喷嘴喷出的切削液的喷出量的合适与否的喷出量合适与否数据,
上述机器学习装置具备:
第一学习部,其根据上述状态数据和上述标签数据,生成使上述机床的加工状态以及从上述切削液供给装置供给的切削液的状态与从切削液喷嘴喷出的切削液的喷出量的合适与否关联起来所得的第一学习模型;以及
第二学习部,其根据使用上述第一学习部生成的第一学习模型进行的推定处理的结果,生成使上述机床的加工状态以及从上述切削液供给装置供给的切削液的状态与从切削液喷嘴喷出的切削液的喷出量关联起来所得的第二学习模型。
4.一种切削液量调整***,由多个装置经由网络相互连接而成,其特征在于,
上述多个装置至少包括作为权利要求1或3所述的切削液量调整装置的第一切削液量调整装置。
5.根据权利要求4所述的切削液量调整***,其特征在于,
上述多个装置包括具备机器学习装置的计算机,
上述计算机取得通过上述第一切削液量调整装置的上述学习部中的学习而生成的至少一个学习模型,
上述计算机具备的机器学习装置进行基于所取得的上述学习模型的优化或高效化。
6.根据权利要求4所述的切削液量调整***,其特征在于,
上述多个装置包括与上述第一切削液量调整装置不同的第二切削液量调整装置,
与上述第二切削液量调整装置共享上述第一切削液量调整装置具备的学习部的学习结果。
7.根据权利要求4所述的切削液量调整***,其特征在于,
上述多个装置包括与上述第一切削液量调整装置不同的第二切削液量调整装置,
在上述第一切削液量调整装置具备的学习部的学习中,能够经由上述网络利用在上述第二切削液量调整装置中观测到的数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019026946A JP7053518B2 (ja) | 2019-02-18 | 2019-02-18 | 切削液量調整装置及び切削液量調整システム |
JP2019-026946 | 2019-02-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111571302A CN111571302A (zh) | 2020-08-25 |
CN111571302B true CN111571302B (zh) | 2024-05-14 |
Family
ID=71843923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097077.0A Active CN111571302B (zh) | 2019-02-18 | 2020-02-17 | 切削液量调整装置和*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11679463B2 (zh) |
JP (1) | JP7053518B2 (zh) |
CN (1) | CN111571302B (zh) |
DE (1) | DE102020103585A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112846921A (zh) * | 2021-03-02 | 2021-05-28 | 东莞市通圣机械有限公司 | 一种切削液智能调配*** |
CN113634656B (zh) * | 2021-10-13 | 2021-12-14 | 美正电子科技(南通)有限公司 | 一种电子产品金属零件冲裁装置 |
TWI817798B (zh) * | 2022-10-31 | 2023-10-01 | 財團法人工業技術研究院 | 熱溫升的刀具健康度評估方法 |
KR102629912B1 (ko) * | 2023-03-07 | 2024-01-29 | 신성식 | 뉴럴 네트워크를 이용하여 절삭 공정에 사용되는 절삭유의 분사를 제어하는 방법 및 시스템 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013193175A (ja) * | 2012-03-21 | 2013-09-30 | Mitsubishi Heavy Ind Ltd | 冷却装置、加工装置、および、冷却油流量決定方法 |
CN104044010A (zh) * | 2013-03-15 | 2014-09-17 | 发那科株式会社 | 机床的切削液管理装置 |
CN107199397A (zh) * | 2016-03-17 | 2017-09-26 | 发那科株式会社 | 机器学习装置、激光加工***以及机器学习方法 |
JP2018153872A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 洗浄工程最適化装置及び機械学習装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009075737A (ja) * | 2007-09-19 | 2009-04-09 | Nec Corp | 半教師あり学習方法、半教師あり学習装置及び半教師あり学習プログラム |
US9616540B2 (en) * | 2011-02-08 | 2017-04-11 | The University Of Utah Research Foundation | System and method for dispensing a minimum quantity of cutting fluid |
DE102011013151A1 (de) * | 2011-03-05 | 2012-09-06 | Walter Mauch | Verfahren zur Kühlmittelversorgung, Schaltanordnung und Werkzeugmaschine |
JP2017113849A (ja) | 2015-12-25 | 2017-06-29 | オークマ株式会社 | 数値制御工作機械 |
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 |
JP6457563B2 (ja) * | 2017-01-24 | 2019-01-23 | ファナック株式会社 | 数値制御装置及び機械学習装置 |
JP6464220B2 (ja) | 2017-03-21 | 2019-02-06 | ファナック株式会社 | 機械学習装置及び熱変位補正装置 |
-
2019
- 2019-02-18 JP JP2019026946A patent/JP7053518B2/ja active Active
-
2020
- 2020-02-11 US US16/787,074 patent/US11679463B2/en active Active
- 2020-02-12 DE DE102020103585.3A patent/DE102020103585A1/de active Pending
- 2020-02-17 CN CN202010097077.0A patent/CN111571302B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013193175A (ja) * | 2012-03-21 | 2013-09-30 | Mitsubishi Heavy Ind Ltd | 冷却装置、加工装置、および、冷却油流量決定方法 |
CN104044010A (zh) * | 2013-03-15 | 2014-09-17 | 发那科株式会社 | 机床的切削液管理装置 |
CN107199397A (zh) * | 2016-03-17 | 2017-09-26 | 发那科株式会社 | 机器学习装置、激光加工***以及机器学习方法 |
JP2018153872A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 洗浄工程最適化装置及び機械学習装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2020131342A (ja) | 2020-08-31 |
US11679463B2 (en) | 2023-06-20 |
JP7053518B2 (ja) | 2022-04-12 |
DE102020103585A1 (de) | 2020-08-20 |
CN111571302A (zh) | 2020-08-25 |
US20200262019A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111571302B (zh) | 切削液量调整装置和*** | |
CN111624951B (zh) | 加工条件调整装置以及加工条件调整*** | |
CN111687652B (zh) | 握持力调整装置以及握持力调整*** | |
US10585417B2 (en) | Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load | |
US10101735B2 (en) | Modular system for real-time evaluation and monitoring of a machining production-line overall performances calculated from each given workpiece, tool and machine | |
CN112262017B (zh) | 工作机械的加工尺寸预测装置、***及方法、工作机械的设备异常判定装置及记录介质 | |
Tönshoff et al. | Developments and trends in monitoring and control of machining processes | |
US9778646B2 (en) | Robot controller for controlling robot which supplies and discharges workpiece | |
US10268187B2 (en) | Manufacturing cell machine management system based on component degree of consumption | |
US11300949B2 (en) | Data processing device of production equipment | |
JP2019082836A (ja) | 工具寿命予測装置 | |
CN101477351A (zh) | 具有三级加工自优化功能的智能数控方法 | |
JP6781242B2 (ja) | 制御装置、機械学習装置及びシステム | |
CN110355462A (zh) | 加工条件调整装置以及机器学习装置 | |
Tugengol’d et al. | Monitoring and control of tools in multifunctional machine tools | |
Safarov et al. | Energy planning in production shops with numerically controlled machine tools | |
CN110174871A (zh) | 控制装置、机器学习装置以及*** | |
KR100548874B1 (ko) | 공구의 날 빠짐 검지기능을 갖는 수치제어장치 | |
JP6833090B2 (ja) | 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
JP2020191043A (ja) | 異常検出装置、異常検出サーバ及び異常検出方法 | |
KR20230063751A (ko) | 인공지능 기반의 cnc 공작기계의 공구 마모 예측 방법, 장치, 시스템 | |
Szafarczyk | Monitoring and automatic supervision in manufacturing systems | |
Stryczek et al. | A fuzzy control strategy in the turning process | |
Ghasempoor et al. | Automatic adjustment of cutting conditions in rough turning |
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 |