CN111618656A - 机床的加工不良发生预测*** - Google Patents
机床的加工不良发生预测*** Download PDFInfo
- Publication number
- CN111618656A CN111618656A CN202010117293.7A CN202010117293A CN111618656A CN 111618656 A CN111618656 A CN 111618656A CN 202010117293 A CN202010117293 A CN 202010117293A CN 111618656 A CN111618656 A CN 111618656A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- various
- information
- data
- failure occurrence
- 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.)
- Pending
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
- G05B19/406—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/098—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G05B2219/33—Director till display
- G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
-
- 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
- G05B2219/34477—Fault prediction, analyzing signal trends
-
- 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
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50276—Detect wear or defect tool, breakage and change tool
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种机床的不良发生预测***,能够高效且有效地确定导致不良发生的主要原因,并且能够高精度且可靠地预测出不良的发生。具备:信息数据蓄积部(1),其用于蓄积与机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部(2),其从信息数据蓄积部(1)提取在加工品中产生了不良品时的各种信息、各种数据;以及不良发生预测部(3),其基于由不良品发生信息数据提取部(2)提取出的各种信息、各种数据以及实时地获取到的与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测。
Description
技术领域
本发明涉及一种机床的加工不良发生预测***。
背景技术
以往,针对由机床加工出的加工品,在进行去毛刺作业、清洗作业之后,实施外观检查、螺丝检查、三维测定检查等各种检查。由此,能够排除不良品,将可靠性高的加工品作为产品出厂(例如参照专利文献1)。
此时,提出如下方法并实用化:例如在任意的部位、通过任意的方法测量加工时的工具形状、工具抖动量、主轴负荷、加工面状态、振动、切削声音等,监视该测量结果的推移,在该测量结果超过了所设定的阈值时判断为不良品,并且确定产生了不良品的主要原因来进行应对。
现有技术文献
专利文献
专利文献1:日本特开2015-203646号公报
发明内容
发明要解决的问题
然而,存在以下问题:在加工时的工具形状、工具抖动量、主轴负荷、加工面状态、振动、切削声音等的测量值缓慢地变化进而超过阈值的情况下,在达到不良之前能够进行对应,但是在突然超过阈值的情况下难以事先进行应对。
另外,对于确定不良或导致不良的主要原因,需要大量的知识和经验,能够确定该主要原因的人员有限。
本发明鉴于上述情况,目的在于提供一种机床的不良发生预测***,能够高效且有效地确定导致不良发生的主要原因,并且能够高精度且可靠地预测出不良发生。
用于解决问题的方案
本发明人发现一种能够高效且有效地确定导致不良发生的主要原因并且能够高精度且可靠地预测出不良发生的方法,并完成了本发明。
(1)本发明是用于预测在利用机床得到的加工品中是否会产生不良品的***,其特征在于,具备:信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,其中,所述各种数据包括所述机床的加工时的振动和声音中的至少一方的测量数据,所述不良发生预测部构成为对所述测量数据进行统计处理来预测不良发生。
(2)本发明是用于预测在利用机床得到的加工品中是否会产生不良品的***,其特征在于,具备:信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,其中,所述各种数据包括所述机床的加工时的主轴电动机和伺服电动机中的至少一方的测量数据,所述不良发生预测部构成为对所述测量数据进行统计处理来预测不良发生。
(3)本发明是用于预测在利用机床得到的加工品中是否会产生不良品的***,其特征在于,具备:信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,其中,所述各种数据包括所述机床的加工时的加工部位和工具中的至少一方的图像数据,所述不良发生预测部构成为针对所述图像数据至少使用机器学习、阈值判断以及统计处理中的至少一者来预测不良发生。
(4)本发明是用于预测在利用机床得到的加工品中是否会产生不良品的***,其特征在于,具备:信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,其中,所述各种数据包括由环境传感器检测出的测量数据,该环境传感器用于测量设置了所述机床的工厂内的环境要素即气流、温度、湿度、气压、照度以及空气污染度中的至少包括所述气流的所述环境要素,所述不良发生预测部构成为针对所述测量数据至少使用机器学习、阈值判断以及统计处理中的至少一者来预测不良发生。
发明的效果
根据本发明,不良发生预测部对各种测量数据进行机器学习、阈值判断、统计处理,能够高效且有效地确定导致不良发生的主要原因,并且能够高精度且可靠地预测出不良发生。由此,能够将不良品的产生抑制得较少,实现制造成品率的提高,并且能够提供可靠性高的产品(加工品)。
附图说明
图1是示出本发明的一个实施方式所涉及的机床的加工不良发生预测***的框图。
图2是示出本发明的一个实施方式所涉及的机床的加工不良发生预测***的图。
附图标记说明
1:信息数据蓄积部;2:不良品发生信息数据提取部;3:不良发生预测部;4:不良原因确定部;5:警告部;6:机床异常停止部;7:统计处理部;8:阈值比较部;9:机器学习部;A:机床的不良发生预测***。
具体实施方式
以下,参照图1和图2,来说明本发明的一个实施方式所涉及的机床的加工不良发生预测***。
在此,本实施方式涉及一种在机床进行的加工工序中,能够高效且有效地确定导致不良发生的主要原因,并且能够高精度且可靠地预测出不良发生的机床的不良发生预测***。
具体地说,如图1和图2所示,本实施方式的机床的加工不良发生预测***A具备:信息数据蓄积部1,其用于蓄积与机床的加工运转有关的各种信息、各种数据;不良品发生信息数据提取部2,其从信息数据蓄积部1提取在加工品中产生了不良品时的各种信息、各种数据;不良发生预测部3,其基于由不良品发生信息数据提取部2提取出的各种信息、各种数据以及实时地获取到的与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测;不良原因确定部4,其基于不良发生预测部3的处理判断来确定不良原因;警告部5,其在由不良发生预测部4预测为会发生不良时,发出警告;以及机床异常停止部6,其使加工中断来阻止不良的发生。
另外,在本实施方式的机床的不良发生预测***A中,不良发生预测部4具备:统计处理部7,其通过对各种数据进行统计处理来预测不良发生;阈值比较部8,其通过对各种数据进行阈值判断来预测不良发生;以及机器学习部9,其通过对各种数据进行基于AI(人工智能)的机器学习来预测不良发生。
在此,对于本实施方式中的各种信息,能够列举加工品的种类等的信息、工具信息、工具更换信息、机床修理信息、程序变更信息等。
作为本实施方式中的各种数据,例如能够列举机床的加工时的振动和声音中的至少一方的测量数据、机床的加工时的主轴电动机和伺服电动机中的至少一方的测量数据、机床的加工时的加工部位和工具中的至少一方的图像数据、由环境传感器检测出的测量数据等,该环境传感器用于测量设置了机床的工厂内的环境要素即气流、温度、湿度、气压、照度以及空气污染度中的至少包括气流的环境要素。
更具体地说,作为机床的加工时的振动、声音的测量数据,例如对用于支承工具的主轴等机床的机构、伸缩罩(telescopic cover)、ATC门(shutter)等安装振动传感器(振动检测部),并在它们附近设置声音传感器(声音检测部),检测获取并存储加工时的振动、声音、异常/不良发生时的振动、声音(振动波形、声音波形)。
作为机床的加工时的主轴电动机和伺服电动机的测量数据,例如检测获取并存储加工时的电流值、转矩。
作为机床的加工时的加工部位和工具中的至少一方的图像数据,通过由CCD摄像机等摄像单元进行拍摄来获取并存储加工面、工具形状等的图像。
作为由环境传感器测量的空气污染度,能够列举PM2.5的浓度等。
而且,在本实施方式的机床的不良发生预测***A中,在通过阈值判断进行不良预测的情况下,根据发生了异常/不良时的测量数据、图像数据等来预先设定各种测量数据、图像处理数据的阈值,根据实时地获取到的测量数据、图像处理数据达到阈值或未达到阈值等状况,来进行不良发生的预测。
此外,本发明人确认出:如果使用加工时的加工部位和工具中的至少一方的图像数据、由环境传感器测量出的气流、温度、湿度、气压、照度、空气污染度等的测量数据作为用于通过阈值判断进行不良预测的数据,则预测精度高,是优选的。
在通过机器学习进行不良预测的情况下,基于发生了异常/不良时的测量数据、过去获取到的测量数据,来随时监视并分析AI实时地获取到的测量数据,来进行不良发生的预测。
此外,本发明人确认出:如果使用加工时的加工部位和工具中的至少一方的图像数据、由环境传感器测量出的气流、温度、湿度、气压、照度、空气污染度等的测量数据作为用于通过机器学习进行不良预测的数据,则预测精度高,是优选的。
在通过统计处理进行不良预测的情况下,基于发生了异常/不良时的测量数据、过去获取到的测量数据来进行统计处理,将该统计处理数据与实时地获取到的测量数据进行比较并进行分析,来进行不良发生的预测。
此外,本发明人确认出:如果使用加工时的振动、声音的测量数据、加工时的主轴电动机、伺服电动机的测量数据、加工时的加工部位和工具中的至少一方的图像数据、由环境传感器测量出的气流、温度、湿度、气压、照度、空气污染度等的测量数据作为用于通过机器学习进行不良预测的数据,则预测精度高,是优选的。
作为统计处理的具体的一例,测量加工时的振动、声音的测量数据、加工时的主轴电动机、伺服电动机的测量数据、加工时的加工部位和工具中的至少一方的图像数据、由环境传感器测量出的气流、温度、湿度、气压、照度、空气污染度等的测量数据,获取这些加工时的测量数据的经时波形数据,求出平均、最大、最小、方差(标准偏差)、峰度(Kurtosis)、畸变度等,来进行不良预测。例如,针对主轴电动机的转矩指令值的方差和峰度随着工具使用时间的经过(工具磨损的加剧)而上下变动(方差上升、峰度下降)。根据这样的关系性来进行不良预测。
因而,根据本实施方式的机床的不良发生预测***A,不良发生预测部3对各种测量数据进行机器学习、阈值判断、统计处理,能够高效且有效地确定导致不良发生的主要原因,并且能够高精度且可靠地预测出不良发生。由此,能够将不良品的产生抑制得较少,实现制造成品率的提高,并且能够提供可靠性高的产品(加工品)。
以上,说明了本发明所涉及的机床的不良发生预测***的一个实施方式,但是本发明不限于上述的一个实施方式,在不脱离其主旨的范围内能够进行适当的变更。
Claims (4)
1.一种机床的不良发生预测***,用于预测在利用机床得到的加工品中是否会产生不良品,该机床的不良发生预测***具备:
信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;
不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及
不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,
其中,所述各种数据包括所述机床的加工时的振动和声音中的至少一方的测量数据,
所述不良发生预测部构成为对所述测量数据进行统计处理来预测不良发生。
2.一种机床的不良发生预测***,用于预测在利用机床得到的加工品中是否会产生不良品,该机床的不良发生预测***具备:
信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;
不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及
不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,
其中,所述各种数据包括所述机床的加工时的主轴电动机和伺服电动机中的至少一方的测量数据,
所述不良发生预测部构成为对所述测量数据进行统计处理来预测不良发生。
3.一种机床的不良发生预测***,用于预测在利用机床得到的加工品中是否会产生不良品,该机床的不良发生预测***具备:
信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;
不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及
不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,
其中,所述各种数据包括所述机床的加工时的加工部位和工具中的至少一方的图像数据,
所述不良发生预测部构成为针对所述图像数据至少使用机器学习、阈值判断以及统计处理中的至少一者来预测不良发生。
4.一种机床的不良发生预测***,用于预测在利用机床得到的加工品中是否会产生不良品,该机床的不良发生预测***具备:
信息数据蓄积部,其用于蓄积与所述机床的加工运转有关的各种信息、各种数据;
不良品发生信息数据提取部,其从所述信息数据蓄积部提取在所述加工品中产生了所述不良品时的所述各种信息、所述各种数据;以及
不良发生预测部,其基于由所述不良品发生信息数据提取部提取出的所述各种信息、所述各种数据以及实时地获取到的所述与机床的加工运转有关的各种信息、各种数据,来进行不良发生预测,
其中,所述各种数据包括由环境传感器检测出的测量数据,该环境传感器用于测量设置了所述机床的工厂内的环境要素即气流、温度、湿度、气压、照度以及空气污染度中的至少包括所述气流的所述环境要素,
所述不良发生预测部构成为针对所述测量数据至少使用机器学习、阈值判断以及统计处理中的至少一者来预测不良发生。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019033728A JP7060535B2 (ja) | 2019-02-27 | 2019-02-27 | 工作機械の加工不良発生予測システム |
JP2019-033728 | 2019-02-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111618656A true CN111618656A (zh) | 2020-09-04 |
Family
ID=72141769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117293.7A Pending CN111618656A (zh) | 2019-02-27 | 2020-02-25 | 机床的加工不良发生预测*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11307558B2 (zh) |
JP (1) | JP7060535B2 (zh) |
CN (1) | CN111618656A (zh) |
DE (1) | DE102020202458A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022059A (zh) * | 2022-01-06 | 2022-02-08 | 锱云(上海)物联网科技有限公司 | 产品的不良原因分析方法、***、终端设备和存储介质 |
CN114918679A (zh) * | 2022-06-24 | 2022-08-19 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7148421B2 (ja) | 2019-01-22 | 2022-10-05 | ファナック株式会社 | 工作機械の予防保全システム |
JP7277152B2 (ja) * | 2019-01-22 | 2023-05-18 | ファナック株式会社 | 工作機械の工具管理システム |
JP7331369B2 (ja) * | 2019-01-30 | 2023-08-23 | 日本電信電話株式会社 | 異常音追加学習方法、データ追加学習方法、異常度算出装置、指標値算出装置、およびプログラム |
US20220092473A1 (en) * | 2020-09-18 | 2022-03-24 | Samsung Display Co., Ltd. | System and method for performing tree-based multimodal regression |
JP7244555B2 (ja) * | 2021-02-22 | 2023-03-22 | Dmg森精機株式会社 | 工具診断システム及びそれを備える工作機械 |
CN113569903B (zh) * | 2021-06-09 | 2024-04-09 | 西安电子科技大学 | 数控机床刀具磨损预测方法、***、设备、介质、终端 |
DE102022122203B3 (de) | 2022-09-01 | 2023-12-07 | Canon Production Printing Holding B.V. | Verfahren zum Vorhersagen eines Wartungszustandes einer Druckmaschine |
KR102626346B1 (ko) * | 2023-09-04 | 2024-01-17 | 주식회사 올니스 | 공작 기계의 공구 마모 및 파손 상태 여부를 감지하는 방법 및 장치 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5402183B2 (ja) * | 2009-04-10 | 2014-01-29 | オムロン株式会社 | 監視装置、監視装置の制御方法、および制御プログラム |
JP6340236B2 (ja) | 2014-04-15 | 2018-06-06 | 三菱重工工作機械株式会社 | 工作機械の診断方法及びシステム |
JP2017068553A (ja) * | 2015-09-30 | 2017-04-06 | 株式会社三次元メディア | 解析システム |
JP6722372B2 (ja) * | 2016-03-24 | 2020-07-15 | 長崎県 | 工具認識機能を有した工作機械監視予測制御装置 |
JP6944097B2 (ja) * | 2016-11-04 | 2021-10-06 | 株式会社Kmc | 生産管理システム及び生産管理方法 |
WO2018146768A1 (ja) * | 2017-02-09 | 2018-08-16 | 三菱電機株式会社 | 不良要因推定装置および不良要因推定方法 |
JP6487475B2 (ja) * | 2017-02-24 | 2019-03-20 | ファナック株式会社 | 工具状態推定装置及び工作機械 |
US10234848B2 (en) * | 2017-05-24 | 2019-03-19 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
JP6366875B1 (ja) * | 2017-06-06 | 2018-08-01 | 三菱電機株式会社 | 情報処理装置および加工不良特定方法 |
US20200242495A1 (en) * | 2019-01-25 | 2020-07-30 | General Electric Company | System and methods for correcting build parameters in an additive manufacturing process based on a thermal model and sensor data |
-
2019
- 2019-02-27 JP JP2019033728A patent/JP7060535B2/ja active Active
-
2020
- 2020-02-25 CN CN202010117293.7A patent/CN111618656A/zh active Pending
- 2020-02-25 US US16/801,095 patent/US11307558B2/en active Active
- 2020-02-26 DE DE102020202458.8A patent/DE102020202458A1/de active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022059A (zh) * | 2022-01-06 | 2022-02-08 | 锱云(上海)物联网科技有限公司 | 产品的不良原因分析方法、***、终端设备和存储介质 |
CN114918679A (zh) * | 2022-06-24 | 2022-08-19 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
CN114918679B (zh) * | 2022-06-24 | 2024-04-12 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
Also Published As
Publication number | Publication date |
---|---|
JP7060535B2 (ja) | 2022-04-26 |
US11307558B2 (en) | 2022-04-19 |
US20200272125A1 (en) | 2020-08-27 |
DE102020202458A1 (de) | 2020-09-17 |
JP2020138254A (ja) | 2020-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111618656A (zh) | 机床的加工不良发生预测*** | |
JP6404893B2 (ja) | 工具寿命推定装置 | |
CN108572006B (zh) | 状态诊断装置 | |
US20190210176A1 (en) | Abnormality-detecting device and method for tool of machine tool | |
JP2008097363A (ja) | 異常診断方法及びその装置 | |
JP5243695B2 (ja) | 加工器具用の装置の検査方法 | |
US20160299492A1 (en) | Machine tool management system | |
JP6722372B2 (ja) | 工具認識機能を有した工作機械監視予測制御装置 | |
CN108573368B (zh) | 管理装置以及可读取记录介质 | |
US20200089191A1 (en) | Method for monitoring cutting-tool abrasion | |
US20190258223A1 (en) | Failure prediction device and machine learning device | |
US20210154790A1 (en) | Anomaly detection device, method of detecting anomaly, and program | |
KR20230005064A (ko) | 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치 | |
JP7324110B2 (ja) | 診断装置及び診断方法 | |
TWI571716B (zh) | 診斷裝置及診斷方法 | |
KR101626458B1 (ko) | 공작기계의 공구이상 검출장치 | |
CN113537751A (zh) | 影响磨加工产品质量要素的确定方法和装置 | |
CN112241144B (zh) | 机床的诊断模型的再学习与否判定方法及装置、可读存储介质 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
US10955829B2 (en) | System and a method to enable zero defect production | |
KR102303406B1 (ko) | 산업설비의 이상유무 진단장치 및 방법 | |
EP4008605A1 (en) | Method and device for diagnosing a railroad switch with a point machine | |
JP7346216B2 (ja) | シール部の摩耗量推定装置及び工作機械 | |
KR102559773B1 (ko) | 공작기계의 공구 마모 및 파손 감지 장치 및 그 방법 | |
WO2023139790A1 (ja) | 診断装置及びコンピュータ読み取り可能な記録媒体 |
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 |