CN111830907B - 机器学习装置、预测装置以及控制装置 - Google Patents
机器学习装置、预测装置以及控制装置 Download PDFInfo
- Publication number
- CN111830907B CN111830907B CN202010312271.6A CN202010312271A CN111830907B CN 111830907 B CN111830907 B CN 111830907B CN 202010312271 A CN202010312271 A CN 202010312271A CN 111830907 B CN111830907 B CN 111830907B
- Authority
- CN
- China
- Prior art keywords
- cutting fluid
- machining
- learning
- prediction
- unit
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 239000002173 cutting fluid Substances 0.000 claims abstract description 171
- 238000003754 machining Methods 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims description 63
- 238000012423 maintenance Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000002637 fluid replacement therapy Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 239000007788 liquid Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000005520 cutting process Methods 0.000 description 9
- 244000005700 microbiome Species 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000010979 pH adjustment Methods 0.000 description 4
- 230000000844 anti-bacterial effect Effects 0.000 description 3
- 239000003899 bactericide agent Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000003002 pH adjusting agent Substances 0.000 description 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- -1 e.g. Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000010721 machine oil Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000002335 preservative effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000011550 stock solution Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
-
- 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
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
-
- 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
- G05B2219/33321—Observation learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49049—Coolant serves as lubrication and also to take away swarf, chips
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49215—Regulate temperature of coolant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Auxiliary Devices For Machine Tools (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Numerical Control (AREA)
Abstract
本发明提供机器学习装置、预测装置以及控制装置,预测加工后的切削液的状态。机器学习装置(50)具有:输入数据取得部(501),其取得输入数据,所述输入数据包含任意机床(20)进行的加工中的针对任意工件的任意加工条件、与表示所述加工条件涉及的加工前的切削液的状态的状态信息;标签取得部(502),其取得表示所述输入数据所包含的所述加工条件涉及的加工后的所述切削液的状态信息的标签数据;以及学习部(503),其使用由所述输入数据取得部(502)取得的输入数据与由所述标签取得部(502)取得的标签数据来执行监督学习,生成学习完成模型(405)。
Description
技术领域
本发明涉及机器学习装置、预测装置以及控制装置。
背景技术
在使用工具进行工件的加工的机床中,从切削液排出口排出切削液来进行加工。在工件的切削加工中,切削液的作用尤为重要。切削液具有如下作用:通过从切削液排出口被排出,不仅进行工具或工件的冷却、加工时的润滑,还将加工时产生的切屑冲走。
切削液从容器供给到机床,朝向工件或者其周边排出之后,返回到容器再次供给到机床。因此,为了除去切削液中所含的切屑等而使用了过滤器等。但是,过滤器等无法完全除去切屑等,因此,切削液随着使用而逐渐被污染。该切削液的污染造成机床的加工品质的降低,因此,切削液在所定的时刻进行全液更换。
因此,已知如下技术:在切削液的配管内配置压力传感器,在由压力传感器测量的包含在切削液中的切屑产生的冲击压力达到所定的冲击压力时,报知切削液的更换时期。或者,已知如下技术:对切屑等造成的切削液的不纯度、与温度或切削液的液压等的检测信息之间的相关关系进行机器学习,参照获得的相关关系,对从机床新接收到的检测信息所对应的切削液的不纯度进行检测。例如,参照专利文献1、2。
切削液的污染不限于工件的切屑等,切削液的浓度或pH值的变化、机械的工作油等的混入、细菌等微生物产生所导致的臭气等也成为原因。并且,有时切削液的浓度或pH值、微生物产生所导致的臭气,可以不通过切削液的更换,而通过添加水或杀菌剂等的维护来应对。
但是,对切削液进行维护还是进行全液更换的判断以及其时期的判断,要求操作员有相对的经验,对于操作员来说成为较大的负担。
专利文献1:日本特开2001-219338号公报
专利文献2:日本特开2018-97494号公报
发明内容
因此,希望预测加工后的切削液的状态(例如,浓度、pH值、臭气等级等)。
(1)本公开的机器学习装置的一种方式,具有:输入数据取得部,其取得输入数据,所述输入数据包含任意机床进行的加工中的针对任意工件的任意加工条件、与表示所述加工条件涉及的加工前的切削液的状态的状态信息;标签取得部,其取得表示所述输入数据所包含的所述加工条件涉及的加工后的所述切削液的状态信息的标签数据;以及学习部,其使用由所述输入数据取得部取得的输入数据与由所述标签取得部取得的标签数据来执行监督学习,生成学习完成模型。
(2)本公开的预测装置的一种方式,具有:学习完成模型,其由(1)的机器学习装置生成;输入部,其先于机床进行的加工,输入针对作为加工对象的工件的此后要进行的加工条件、切削液的当前的状态信息;以及预测部,其将由所述输入部输入的所述此后要进行的加工条件与所述当前的状态信息输入到所述学习完成模型,预测所述此后要进行的加工条件涉及的加工后的所述切削液的状态信息。
(3)在(2)的预测装置的一种方式中具有(1)的机器学习装置。
(4)本公开的控制装置的一种方式具有(2)或(3)的预测装置。
根据一种方式,可以预测加工后的切削液的状态。
附图说明
图1是表示一实施方式有关的数值控制***的功能结构例的功能框图。
图2是表示提供给图1的预测装置的学习完成模型的一例的图。
图3是表示切削液的浓度的一例的图。
图4是表示切削液的pH值的一例的图。
图5是表示切削液的臭气等级的一例的图。
图6是表示评价值的一例的图。
图7是对运用阶段的预测装置的预测处理进行说明的流程图。
图8是表示数值控制***的结构的一例的图。
图9是表示数值控制***的结构的一例的图。
符号说明
10 控制装置;
20 机床;
30 容器;
40 预测装置;
50 机器学习装置;
401 输入部;
402 预测部;
403 决定部;
440 学习完成模型;
501 输入数据取得部;
502 标签取得部;
503 学习部。
具体实施方式
以下,使用附图对本公开的一实施方式进行说明。
<一实施方式>
图1是表示一实施方式有关的数值控制***的功能结构例的功能框图。如图1所示,数值控制***具有:控制装置10、机床20、容器30、预测装置40以及机器学习装置50。
控制装置10、机床20、预测装置40以及机器学习装置50可以经由未图示的连接接口相互直接连接。此外,控制装置10、机床20、预测装置40以及机器学习装置50也可以经由LAN(Local Area Network:局域网)或因特网等未图示的网络相互连接。该情况下,控制装置10、机床20、预测装置40以及机器学习装置50具有用于通过这样的连接相互进行通信的未图示的通信部。另外,像后面描述那样,控制装置10也可以包含预测装置40以及机器学习装置50。此外,机床20也可以包含控制装置10。
另外,控制装置10与容器30可以经由未图示的连接接口相互直接连接,也可以经由未图示的网络而相互连接。此外,机床20与容器30可以通过供给切削液的配管或软管等而连接。
控制装置10对于本领域技术人员来说是公知的数值控制装置。控制装置10根据控制信息而生成动作指令,将生成的动作指令发送给机床20以及容器30。由此,控制装置10可以控制机床20的动作,并且驱动配置在容器30的泵(未图示),使切削液在与机床20之间循环。此外,控制装置10也可以将所述控制信息输出给预测装置40。另外,控制信息包含设定给控制装置10的加工程序以及参数的值。
此外,控制装置10像后面描述那样,可以从机床20取得在机床20中测量出的周围环境温度的温度数据、周围环境湿度的湿度数据。此外,控制装置10可以从容器30取得表示在容器30中测量出的切削液的状态的状态信息。并且,控制装置10可以将取得的温度数据、湿度数据以及切削液的状态信息输出给预测装置40。
机床20是根据控制装置10的动作指令来进行动作的加工用的机械。机床20可以具有测量机床20的周围环境温度的温度传感器201和测量周围环境湿度的湿度传感器202。机床20可以将表示基于控制装置10的动作指令的动作状态的信息、周围环境温度的温度数据、以及周围环境湿度的湿度数据输出给控制装置10。
另外,例如可以与后述的预测装置40所请求的预测精度对应地适当设定温度传感器201以及湿度传感器202的采样时间。
容器30是贮存供机床20使用的切削液的容器。容器30可以具有:浓度传感器301、pH传感器302、臭气传感器303、温度传感器304以及液量传感器305。
浓度传感器301测量切削液的浓度。另外,切削液的浓度是“0%”~“100%”的范围的值。
pH传感器302测量切削液的pH值。另外,切削液的pH值是“0”以上的值。
臭气传感器303测量切削液的臭气等级。另外,切削液的臭气主要因切削液中产生的细菌等微生物造成的腐败或霉菌产生所导致。因此,臭气等级例如在“热咖啡”时为“260”,在“机械油”时为“210”~“270”的值。此外,臭气等级例如在FRB(Fiber ReinforcedPlastics)工场的恶臭产生源或用地边界,为“150”~“1300”的值。
温度传感器304测量容器内的切削液的管理温度。
液量传感器305测量容器内的切削液的液量。
另外,浓度传感器301、pH传感器302、臭气传感器303、温度传感器304以及液量传感器305的采样时间与温度传感器201以及湿度传感器202的情况一样,例如可以与后述的预测装置40所请求的预测精度对应地适当设定。
并且,容器30分别将测量出的切削液的浓度、pH值、臭气等级、管理温度以及液量输出给控制装置10。
预测装置40可以在运用阶段,先于机床20进行的加工,取得来自控制装置10的控制信息所包含的针对加工对象工件的此后要进行的加工条件。此外,预测装置40可以从控制装置10取得容器30的切削液的当前的状态信息。预测装置40将取得的此后要进行的加工条件与切削液当前的状态信息输入到从后述的机器学习装置50提供的学习完成模型,由此,可以预测加工后的切削液的状态信息。
另外,像后面所描述那样,状态信息中包含切削液的浓度、pH值以及臭气等级。此外,状态信息中可以包含切削液的浓度、pH值以及臭气等级,并且还可以包含切削液的管理温度等。
在对预测装置40进行说明之前,对用于生成学习完成模型的机器学习进行说明。
<机器学习装置50>
机器学习装置50例如作为输入数据而预先取得任意机床进行的切削加工中的针对任意工件的任意加工条件、所述加工条件涉及的加工前的切削液的至少包含浓度、pH值以及臭气等级的状态信息。
此外,机器学习装置50作为标签(正确答案)而取得表示所取得的输入数据中的加工条件涉及的加工后的切削液的浓度、pH值以及臭气等级的数据。
机器学习装置50通过所取得的输入数据与标签的组的训练数据来进行监督学习,构建后述的学习完成模型。
通过这样,机器学习装置50可以将构建出的学习完成模型提供给预测装置40。
对机器学习装置50进行具体说明。
如图1所示,机器学习装置50具有:输入数据取得部501、标签取得部502、学习部503以及存储部504。
输入数据取得部501在学习阶段,作为输入数据而从控制装置10等经由未图示的通信部取得针对作为任意的切削对象的工件的加工条件、与所述加工条件涉及的加工前的切削液的至少包含浓度、pH值以及臭气等级的状态信息。输入数据取得部501将取得的输入数据输出给存储部504。
标签取得部502作为标签数据(正确答案数据)而取得表示输入数据中的加工条件涉及的加工后的切削液的浓度、pH值以及臭气等级的数据,将所取得的标签数据输出给存储部504。
学习部503接受上述的输入数据与标签的组来作为训练数据,使用接受的训练数据进行监督学习,由此,构建根据针对加工对象工件此后要进行的加工条件、切削液当前的浓度、pH值以及臭气等级的状态信息,来预测加工后的切削液的浓度、pH值以及臭气等级的学习完成模型450。
并且,学习部503将构建出的学习完成模型450提供给预测装置40。
另外,希望准备多个用于进行监督学习的训练数据。例如,可以从在顾客的工场等实际运转的各种场所的控制装置10的每一个取得训练数据。
图2是表示提供给图1的预测装置40的学习完成模型450的一例的图。这里,关于学习完成模型450,如图2所示,例示出如下多层神经网络:以针对加工对象工件的加工时间或加工种类等此后要进行的加工条件、切削液当前的浓度、pH值以及臭气等级的状态信息为输入层,以表示所述加工条件涉及的加工后的切削液的“浓度”、“pH值”以及“臭气等级”的数据为输出层。
这里,在此后要进行的加工条件中包含针对加工对象工件的加工时间、加工种类(钻孔、切片等)、工件的大小、要加工的工件的数量、工件(被削材)的材质(不锈钢或合金钢等金属、陶瓷等非金属)、工具的种类。此外,此后要进行的加工条件中还可以包含由温度传感器201测量出的当前的周围环境温度、由湿度传感器202测量出的当前的周围环境湿度、由温度传感器304测量出的当前的容器30内的管理温度、由液量传感器305测量出的当前容器30内的液量、以及从前次更换切削液起的经过时间等。
另外,工件的大小可以通过输入到控制装置10的CAD(Computer-AidedDesign)附图或根据NC程序等解析所得的加工路径而取得。
此外,学习部503在构建出学习完成模型450后,在取得了新的训练数据的情况下,对学习完成模型450进一步进行监督学习,由此,可以对一次构建出的学习完成模型450进行更新。
上述监督学习可以通过在线学习来进行。此外,监督学习也可以通过批量学习来进行。此外,监督学习还可以通过小批量学习来进行。
所谓在线学习是如下学习方法:每当进行基于机床20的加工并制作训练数据时,立即进行监督学习。此外,所谓批量学习是如下学习方法:在重复进行基于机床20的加工并制作训练数据的期间,收集重复对应的多个训练数据,使用收集到的全部训练数据进行监督学习。并且,所谓小批量学习是介于在线学习与批量学习中间的、每当积攒某种程度训练数据时进行监督学习的学习方法。
存储部504是RAM(Random Access Memory:随机存取存储器)等,存储由输入数据取得部501取得的输入数据、由标签取得部502取得的标签数据、以及由学习部503构建出的学习完成模型450等。
以上,对用于生成预测装置40具有的学习完成模型450的机器学习进行了说明。
接下来,对运用阶段的预测装置40进行说明。
<运用阶段的预测装置40>
如图1所示,运用阶段的预测装置40包含输入部401、预测部402、决定部403、通知部404以及存储部405而构成。
另外,预测装置40为了实现图1的功能块的动作而具有CPU(CentralProcessingUnit:中央处理单元)等未图示的运算处理装置。此外,预测装置40具有存储了各种控制用程序的ROM(Read Only Memory:只读存储器)或HDD等未图示的辅助存储装置、用于存储运算处理装置执行程序时暂时需要的数据的RAM这样的未图示的主存储装置。
并且,在预测装置40中,运算处理装置从辅助存储装置读入OS或应用软件,一边将读入的OS或应用软件在主存储装置中展开,一边进行基于这些OS或应用软件的运算处理。根据该运算结果,预测装置40控制各硬件。由此,实现图1的功能块的处理。也就是说,可以通过硬件与软件协作来实现预测装置40。
输入部401先于机床20进行的加工,例如从控制装置10的控制信息输入针对所述加工有关的加工对象工件的此后要进行的加工条件、切削液当前的浓度、pH值以及臭气等级的状态信息。输入部401将取得的此后要进行的加工条件、切削液当前的状态信息输出给预测部402。
预测部402将此后要进行的加工条件、切削液当前的状态信息输入到图2的学习完成模型450,预测加工后的切削液的“浓度”、“pH值”以及“臭气等级”的状态信息。
决定部403根据由预测部402预测出的加工后的切削液的浓度、pH值以及臭气等级的状态信息,来判定对切削液进行维护还是进行全液更换。
更具体来说,决定部403根据切削液的浓度、pH值以及臭气等级的每一个的预测值与阈值的比较,来判定进行针对切削液的维护的最佳时期。
此外,决定部403可以使用切削液的浓度、pH值以及臭气等级的预测值,计算后述的评价值,并根据计算出的评价值,判定代替维护而进行切削液的全液更换的最佳时期。
通知部404可以将由决定部403判定出的进行针对切削液的维护的最佳时期或者进行切削液的全液更换的最佳时期推荐给用户。通知部404也可以通知给控制装置10和/或机床20所包含的液晶显示器等输出装置(未图示)。此外,通知部404也可以经由扬声器(未图示)通过声音来进行通知。
<浓度相关的维护>
图3是表示切削液的浓度的一例的图。如图3所示,例如,切削液作为初始值而以浓度“20%”贮存在容器30中,因蒸发或切屑等的混入使其浓度变化。例如,在浓度是“10%”~“30%”的范围的适当值时,切削液恰当地发挥功能。另一方面,在浓度是所述适当值的范围外时,切削液不会恰当地发挥功能。该情况下,操作员需要调整切削液的浓度,以使切削液的浓度为适当值。
以下的说明中,将浓度“10%”设为下限的阈值α1,将浓度“30%”设为上限的阈值α2。另外,阈值α1、α2可以与加工对象工件的材质、或设置机床20或容器30的环境等对应地适当设定。
决定部403判定由预测部402预测出的浓度是否为下限的阈值α1与上限的阈值α2之间的范围的适当值。在预测出的浓度是适当值时,决定部403判定为在由输入部401输入的加工条件涉及的加工前,不进行切削液的浓度调整的维护。
另一方面,在预测出的浓度比下限的阈值α1低时,决定部403将输入的加工条件涉及的加工前判定为进行加切削液的原液等来提升浓度的浓度调整的维护的时期。此外,在预测出的浓度比上限的阈值α2高时,决定部403将输入的加工条件涉及的加工前判定为进行加水等来降低浓度的浓度调整的维护的时期。
通知部404可以将判定出的浓度调整的维护的指示输出给控制装置10和/或机床20所包含的液晶显示器等输出装置(未图示)。
<pH值相关的维护>
图4是表示切削液的pH值的一例的图。如图4所示,例如,切削液作为初始值以pH值“9”的碱性贮存在容器30中,因蒸发或切屑等的混入使其pH值变化。例如,在pH值是“8”~“11”的范围的适当值时,切削液恰当地发挥功能。另一方面,在pH值是所述适当值的范围外时,切削液不会恰当地发挥功能。该情况下,操作员需要调整切削液的pH值,以使切削液的pH值为适当值。
在以下的说明中,将pH值“8”设为下限的阈值β1,将pH值“11”设为上限的阈值β2。另外,阈值β1、β2可以与加工对象工件的材质、设置机床20或容器30的环境等对应地适当设定。
决定部403判定由预测部402预测出的pH值是否是下限的阈值β1与上限的阈值β2之间的范围的适当值。在预测出的pH值是适当值时,决定部403判定为在由输入部401输入的加工条件涉及的加工前不进行切削液的pH调整的维护。
另一方面,在预测出的pH值比下限的阈值β1低时,决定部403将输入的加工条件涉及的加工前判定为进行添加pH调整剂等来提升pH值的pH调整的维护的时期。此外,在预测出的pH值比上限的阈值β2高时,决定部403将输入的加工条件涉及的加工前判定为进行添加pH调整剂等来降低pH值的pH调整的维护的时期。
另外,在预测出的pH值比下限的阈值β1低,是pH值“7”的中性附近时,可能产生细菌等微生物。因此,决定部403可以将输入的加工条件涉及的加工前判定为进行添加pH调整剂和杀菌剂等的维护的时期。
通知部404可以将判定出的pH调整的维护的指示输出给控制装置10和/或机床20所包含的液晶显示器等输出装置(未图示)。
<臭气等级相关的维护>
图5是表示切削液的臭气等级的一例的图。如图5所示,例如,切削液作为初始值以臭气等级“130”贮存在容器30中,因蒸发或切屑等的混入、细菌等微生物的产生使得其臭气等级变化。例如,在臭气的主要原因设为微生物的产生时,在臭气等级是比“1000”小的适当值时,表示切削液中不怎么产生微生物,在臭气等级是“1000”以上时,表示微生物大量产生。该情况下,操作员需要调整切削液的臭气等级,以使切削液的臭气等级为适当值以下。
在以下的说明中,将臭气等级“1000”设为阈值γ。另外,阈值γ可以与设置机床20或容器30的环境等对应地适当设定。
决定部403判定由预测部402预测出的臭气等级是否是比阈值γ小的适当值。在预测出的臭气等级是比阈值γ小的适当值时,决定部403判定为在由输入部401输入的加工条件涉及的加工前不进行调整切削液的臭气等级的维护。
另一方面,在预测出的臭气等级是阈值γ以上时,决定部403将输入的加工条件涉及的加工前判定为进行添加杀菌剂和/或防腐剂等来降低臭气等级的维护的时期。
通知部404可以将判定出的臭气等级的维护的指示通知给控制装置10和/或机床20所包含的液晶显示器等输出装置(未图示)。
<评价值>
决定部403如所述那样,例如使用式(1),对由预测部402预测出的切削液的浓度、pH值以及臭气等级的预测值进行加权相加来计算评价值E。另外,ε1、ε2、ε3是加权系数。
E=ε1×浓度+ε2×pH值+ε3×臭气等级···(1)
图6是表示评价值E的一例的图。决定部403例如在评价值E比预先设定的阈值Th小,切削液的浓度、pH值以及臭气等级的所有预测值是适当值时,判定为不进行调整切削液的浓度、pH值以及臭气等级的维护。另一方面,决定部403在评价值E比阈值Th小,切削液的浓度、pH值以及臭气等级中有的预测值并非适当值时,将输入的加工条件涉及的加工前判定为进行对预测值并非适当值的切削液的浓度、pH值或者臭气等级进行调整的维护的时期。
此外,决定部403在评价值E是阈值Th以上时,将输入的加工条件涉及的加工前判定为进行切削液的全液更换的时期。
并且,通知部404可以将判定出的维护、或者切削液的全液更换的指示输出给控制装置10和/或机床20所包含的液晶显示器等输出装置(未图示)。
存储部405是ROM或HDD等,可以存储各种控制用程序和学习完成模型450。
<运用阶段的预测装置40的预测处理>
接下来,对本实施方式有关的预测装置40的预测处理有关的动作进行说明。
图7是对运用阶段的预测装置40的预测处理进行说明的流程图。
在步骤S11中,输入部401先于机床20进行的加工,从控制装置10的控制信息中取得针对加工对象的工件的此后要进行的加工条件,并且输入切削液当前的浓度、pH值以及臭气等级的状态信息。
在步骤S12中,预测部402将通过步骤S11取得的、此后要进行的加工条件与切削液的状态信息输入到学习完成模型450,预测加工后的切削液的浓度、pH值以及臭气等级的状态信息。
在步骤S13中,决定部403使用通过步骤S12预测出的加工后的切削液的浓度、pH值以及臭气等级的预测值和式(1)来计算评价值E。
在步骤S14中,决定部403判定通过步骤S13计算出的评价值E是否比阈值Th小。在评价值E比阈值Th小时,处理向步骤S15转移,在评价值E为阈值Th以上时,处理向步骤S16转移。
在步骤S15中,决定部403根据通过步骤S12预测出的加工后的切削液的浓度、pH值以及臭气等级的每一个的预测值与阈值的比较,将加工前判定为进行针对切削液的维护的时期。
在步骤S16中,决定部403将加工前判定为进行切削液的全液更换的时期。
在步骤S17中,通知部404通知由步骤S15或者步骤S16决定出的维护或者全液更换的指示。
通过以上,一实施方式有关的预测装置40先于机床20的加工,将针对所述加工有关的加工对象工件的此后进行的加工条件、包含切削液的当前的浓度、pH值以及臭气等级的状态信息输入到学习完成模型450,预测加工后的切削液的浓度、pH值以及臭气等级的状态信息。并且,预测装置40根据预测出的加工后的切削液的浓度、pH值、臭气等级的每一个的预测值或评价值E与阈值的比较,可以事先检测加工中是否需要进行切削液的维护或者切削液的全液更换。
即,预测装置40可以将此后进行的加工条件涉及的加工前检测为切削液的维护或者切削液的全液更换的最佳时期。
由此,数值控制***能够实现考虑了切削液的维护或者切削液的更换的时期的生产计划的管理。此外,数值控制***可以避免切削液的效果降低的状态下的加工造成的工具寿命的恶化或加工精度的降低。
特别是在针对多个工件进行相同加工的工场、或具有通过多个机床20共享利用1个容器30的集中管理型的容器的工场,通过考虑了切削液的维护或者切削液的更换的时期的生产计划的管理,可以避免切削液的效果降低的状态下的加工造成的、工具寿命的恶化或加工精度的降低,是有效的。
此外,预测装置40可以判断能够通过切削液的维护来应对,还是需要切削液的全液更换,因此,可以抑制切削液的无用的废液处理的成本、或新的切削液的购买成本。
此外,预测装置40通过使用学习完成模型450,操作员不需要判断切削液的维护或者切削液的更换的必要性,可以减轻操作员的负担。
以上,对一实施方式进行了说明,但预测装置40以及机器学习装置50并非限定于上述的实施方式,包含可以达成目的的范围内的变形、改良等。
<变形例1>
在上述的实施方式中,例示出机器学习装置50为与控制装置10、机床20以及预测装置40不同的装置,但是也可以设置成控制装置10、机床20或者预测装置40具有机器学习装置50的一部分或者全部的功能。
<变形例2>
此外例如,在上述实施方式中,例示出预测装置40为与控制装置10或机床20不同的装置,但是也可以设置成控制装置10或者机床20具有预测装置40的一部分或者全部的功能。
或者,还可以设置成例如,服务器具有预测装置40的输入部401、预测部402、决定部403、通知部404以及存储部405的一部分或者全部。此外,也可以在云上利用虚拟服务器功能等来实现预测装置40的各功能。
并且,预测装置40可以作为将预测装置40的各功能适当分散到多个服务器的、分散处理***。
<变形例3>
此外例如,在上述实施方式中,预测装置40的决定部403根据预测出的加工后的切削液的浓度、pH值、臭气等级的每一个的预测值或评价值E与阈值的比较,将加工前判定为切削液的维护或者切削液的更换的时期,但是不限于此。
例如,在加工条件所包含的要加工的工件的数量有多个(例如10个等)时,决定部403可以调整要加工的工件的数量,以使加工后的切削液的浓度、pH值、臭气等级的预测值维持适当值,或者评价值E不超过阈值Th。
更具体来说,决定部403例如在以此后进行的加工条件来加工多个工件,从而使加工后的切削液的浓度、pH值、臭气等级的某一个预测值从适当值偏离,或者评价值E超过阈值Th时,进一步(通过操作员的指示)逐个减少加工条件的“要加工的工件的数量”,并且使预测部402预测加工后的切削液的浓度、pH值、臭气等级,由此,可以维持适当值,或者搜索不超过阈值Th的工件的数量k(例如6个等)。另外,k是1以上的整数。
并且,决定部403例如将针对k个工件的加工后判定为进行切削液的维护或者切削液的全液更换的时期。由此,图1的数值控制***可以在决定出的时期即适于暂停的阶段,使机床20停止而进行切削液的维护或者切削液的全液更换。
由此,数值控制***可以在加工开始前,事先预测进行怎样程度的加工时需要进行切削液的维护或者切削液的全液更换的时刻。并且,数值控制***可以避免加工中产生切削液的维护或者切削液的全液更换的必要性,可以避免加工品质的降低。
<变形例4>
此外,例如在上述实施方式中,预测装置40使用从机器学习装置50提供的学习完成模型450,预测从1个控制装置10取得的此后进行的加工条件涉及的加工后的切削液的浓度、pH值、臭气等级,但是不限于此。例如,如图8所示,服务器60可以存储由机器学习装置50生成的学习完成模型450,与连接到网络70的m个预测装置40A(1)-40A(m)共享学习完成模型450(m是2以上的整数)。由此,即使配置新的机床、控制装置以及预测装置,也可以应用学习完成模型450。
另外,预测装置40A(1)-40A(m)的每一个与控制装置10A(1)-10A(m)的每一个连接,控制装置10A(1)-10A(m)的每一个与机床20A(1)-20A(m)的每一个连接。
此外,控制装置10A(1)-10A(m)的每一个对应于图1的控制装置10。机床20A(1)-20A(m)的每一个对应于图1的机床20。预测装置40A(1)-40A(m)的每一个对应于图1的预测装置40。
或者,如图9所示,服务器60例如可以作为预测装置40进行动作,针对与网络70连接的控制装置10A(1)-10A(m)的每一个,预测此后进行的加工条件涉及的加工后的切削液的浓度、pH值、臭气等级。由此,即使配置新的机床以及控制装置也可以应用学习完成模型450。
另外,一实施方式的预测装置40以及机器学习装置50所包含的各功能可以通过硬件、软件或者它们的组合分别实现。这里,所谓通过软件实现,表示计算机读入程序来执行从而实现。
可以使用各种类型的非瞬态的计算机可读介质(Non-transitorycomputerreadable medium)来存储程序并将其提供给计算机。非瞬态的计算机可读介质包含各种类型的有形的记录介质(tangible storage medium)。非瞬态的计算机可读介质的示例包含:磁记录介质(例如,软盘、磁带、硬盘驱动器)、光磁记录介质(例如,光磁盘)、CD-ROM(Read Only Memory,只读存储器)、CD-R、CD-R/W、半导体存储器(例如,包含掩膜ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪速ROM、RAM(random access memory,随机存取存储器))。此外,可以通过各种类型的瞬态的计算机可读介质(transitorycomputer readable medium)将程序供给到计算机。瞬态的计算机可读介质的示例包含电信号、光信号以及电磁波。瞬态的计算机可读介质可以经由电线和光纤等有线通信路或者无线通信路将程序供给到计算机。
另外,对记录在记录介质中的程序进行记述的步骤,按其顺序以时间序列进行的处理当然未必以时间序列进行处理,还包含並列或者个别执行的处理。
换言之,本公开的机器学习装置、预测装置以及控制装置可以取得具有以下那样的结构的各种实施方式。
(1)本公开的机器学习装置50具有:输入数据取得部501,其取得输入数据,所述输入数据包含任意机床进行的加工中的针对任意工件的任意加工条件、与表示所述加工条件涉及的加工前的切削液的状态的状态信息;标签取得部502,其取得表示输入数据所包含的加工条件涉及的加工后的切削液的状态信息的标签数据;以及学习部503,其使用由输入数据取得部501取得的输入数据与由标签取得部502取得的标签数据来执行监督学习,生成学习完成模型450。
根据该机器学习装置50,可以生成预测加工后的切削液的状态的学习完成模型450。
(2)加工条件可以至少包含要加工的工件的数量,状态信息可以至少包含切削液的浓度、pH值以及臭气等级。
通过这样,可以避免在加工中需要进行切削液的维护或者全液更换。
(3)本公开的预测装置40具有:学习完成模型450,其由机器学习装置50生成;输入部401,其先于机床20进行的加工,输入针对加工对象工件的此后要进行的加工条件、切削液的当前的状态信息;以及预测部402,其将由输入部401输入的此后要进行的加工条件与当前的状态信息输入到学习完成模型450,预测此后要进行的加工条件涉及的加工后的切削液的状态信息。
根据该预测装置40,可以预测加工后的切削液的状态。
(4)还可以具有:决定部403,其根据由预测部402预测出的切削液的状态信息所包含的某一个预测值与预先设定的阈值的比较,来判定进行切削液的维护的时期。
通过这样,预测装置40可以避免在加工中产生维护的必要性,可以避免加工品质的降低。
(5)在切削液的状态信息所包含的某一个预测值并非适当值时,决定部403可以变更加工条件,以使切削液的状态信息所包含的全部预测值为适当值。
通过这样,可以在加工开始前,事先预测进行怎样程度的加工时需要进行切削液的维护的时期。
(6)还可以具有:决定部403,其对由预测部402预测出的切削液的状态信息所包含的预测值进行加权相加来计算评价值E,根据计算出的评价值E与预先设定的阈值Th的比较,来判定对切削液进行全液更换的时期。
通过这样,预测装置40可以避免加工中产生全液更换的必要性,可以避免加工品质的降低。
(7)还可以具有:决定部403,其对由预测部402预测出的切削液的状态信息所包含的预测值进行加权相加来计算评价值E,根据计算出的评价值E与预先设定的阈值Th的比较,来判定进行切削液的维护的时期或者对切削液进行全液更换的时期。
通过这样,预测装置40可以避免加工中产生切削液的维护或者全液更换的必要性,可以避免加工品质的降低。
(8)在评价值E是阈值以上时,决定部403可以变更加工条件,以使评价值E比所述阈值小。
通过这样,可以在加工开始前,事先预测进行怎样程度的加工时需要进行切削液的全液更换的时期。
(9)决定部403可以调整加工条件所包含的工件的数量。
通过这样,能够在加工开始前,在适于暂停加工的阶段停止机床20来安排切削液的维护或者切削液的全液更换的计划。
(10)还可以在以能够从预测装置40经由网络70访问的方式连接的服务器60中具备学习完成模型450。
通过这样,即使配置新的控制装置10、机床20以及预测装置40也可以应用学习完成模型450。
(11)还可以具有机器学习装置50。
通过这样,可以获得与上述(1)~(10)的某一个同样的效果。
(12)本公开的控制装置10还可以具有预测装置40。
根据该控制装置10,可以获得与上述(1)~(11)的某一个同样的效果。
Claims (5)
1.一种预测装置,其特征在于,具有:
学习完成模型,其由机器学习装置生成;
输入部,其先于机床进行的加工,输入针对作为加工对象的工件的此后进行的加工条件和切削液的当前的状态信息;
预测部,其将由所述输入部输入的所述此后进行的加工条件和所述当前的状态信息输入到所述学习完成模型,预测所述此后进行的加工条件涉及的加工后的所述切削液的状态信息;以及
决定部,其对由所述预测部预测出的所述切削液的状态信息所包含的预测值进行加权相加来计算评价值,根据计算出的所述评价值与预先设定的阈值的比较来判定进行所述切削液的维护的时期或者对所述切削液进行全液更换的时期,
所述机器学习装置具有:
输入数据取得部,其取得输入数据,所述输入数据包含任意机床进行的加工中的针对任意工件的任意加工条件、与表示所述加工条件涉及的加工前的切削液的状态的状态信息;
标签取得部,其取得表示所述输入数据所包含的所述加工条件涉及的加工后的所述切削液的状态信息的标签数据;以及
学习部,其使用由所述输入数据取得部取得的输入数据与由所述标签取得部取得的标签数据,执行监督学习,生成用于预测加工后的所述切削液的状态信息的学习完成模型,
所述加工条件至少包含要加工的工件的加工时间、加工的种类、工件的大小、要加工的工件的数量、工件的材质以及工具的种类,
所述状态信息至少包含所述切削液的浓度、pH值以及臭气等级。
2.根据权利要求1所述的预测装置,其特征在于,
在所述评价值是阈值以上时,所述决定部变更所述加工条件,以使所述评价值变为比阈值小。
3.根据权利要求1所述的预测装置,其特征在于,
在以能够从所述预测装置经由网络访问的方式连接的服务器中具备所述学习完成模型。
4.根据权利要求1所述的预测装置,其特征在于,
所述预测装置具有所述机器学习装置。
5.一种控制装置,其特征在于,
具有权利要求1~4中任一项所述的预测装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019081832A JP7000376B2 (ja) | 2019-04-23 | 2019-04-23 | 機械学習装置、予測装置、及び制御装置 |
JP2019-081832 | 2019-04-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111830907A CN111830907A (zh) | 2020-10-27 |
CN111830907B true CN111830907B (zh) | 2024-07-02 |
Family
ID=72913676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010312271.6A Active CN111830907B (zh) | 2019-04-23 | 2020-04-20 | 机器学习装置、预测装置以及控制装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11583968B2 (zh) |
JP (1) | JP7000376B2 (zh) |
CN (1) | CN111830907B (zh) |
DE (1) | DE102020204412A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202219843A (zh) | 2020-11-09 | 2022-05-16 | 日商發那科股份有限公司 | 機械學習裝置、洗淨預測裝置、及洗淨系統 |
AR124563A1 (es) * | 2021-01-04 | 2023-04-12 | Amgen Inc | Mitigación o prevención inteligente de deficiencias de rendimiento de un equipo |
US11951578B1 (en) * | 2022-12-02 | 2024-04-09 | National Kaohsiung University Of Science And Technology | Cutting fluid digital monitoring management system and method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000000721A (ja) * | 1998-06-11 | 2000-01-07 | Makino Milling Mach Co Ltd | 放電加工機の加工液管理方法及び装置 |
JP2018124929A (ja) * | 2017-02-03 | 2018-08-09 | ファナック株式会社 | 学習モデル構築装置、及び制御情報最適化装置 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2566345B2 (ja) | 1991-05-27 | 1996-12-25 | 洋太郎 畑村 | 加工機械 |
JPH0775937A (ja) * | 1993-09-07 | 1995-03-20 | Sodick Co Ltd | 工作機械及びその制御方法 |
JP2001219338A (ja) | 2000-02-04 | 2001-08-14 | Toshiba Ceramics Co Ltd | 加工液の汚濁度管理方法および汚濁度管理装置 |
JP4334310B2 (ja) * | 2003-09-30 | 2009-09-30 | 三菱電機株式会社 | 放電加工装置 |
JP2006021570A (ja) * | 2004-07-06 | 2006-01-26 | Fujitsu Ten Ltd | 消耗劣化品管理装置および消耗劣化品管理方法 |
CN103901927A (zh) * | 2012-12-27 | 2014-07-02 | 山重建机有限公司 | 一种机床用切削液自动控制装置 |
JP5667230B2 (ja) * | 2013-03-15 | 2015-02-12 | ファナック株式会社 | 工作機械の切削液管理装置 |
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 |
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
JP6140228B2 (ja) | 2015-08-27 | 2017-05-31 | ファナック株式会社 | 加工条件を調整しながら加工を行うワイヤ放電加工機 |
JP6235543B2 (ja) | 2015-09-30 | 2017-11-22 | ファナック株式会社 | 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法 |
JP6309936B2 (ja) * | 2015-11-17 | 2018-04-11 | ファナック株式会社 | クーラント監視機能を有する制御装置 |
WO2017090098A1 (ja) | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
JP6625914B2 (ja) | 2016-03-17 | 2019-12-25 | ファナック株式会社 | 機械学習装置、レーザ加工システムおよび機械学習方法 |
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 |
JP6950262B2 (ja) | 2016-08-09 | 2021-10-13 | 株式会社ジェイテクト | 工作機械システムのクーラント液の汚濁評価装置 |
JP6557198B2 (ja) * | 2016-09-06 | 2019-08-07 | ファナック株式会社 | 数値制御装置 |
JP6382911B2 (ja) | 2016-11-01 | 2018-08-29 | ファナック株式会社 | ワイヤ放電加工機 |
JP6444959B2 (ja) | 2016-11-01 | 2018-12-26 | ファナック株式会社 | ワイヤ放電加工機 |
JP6675297B2 (ja) | 2016-12-09 | 2020-04-01 | Dmg森精機株式会社 | 情報処理方法、情報処理システム、および情報処理装置 |
JP6412093B2 (ja) | 2016-12-26 | 2018-10-24 | ファナック株式会社 | 学習モデル構築装置およびオーバーヒート予知装置 |
JP6502983B2 (ja) | 2017-03-15 | 2019-04-17 | 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 |
JP6530779B2 (ja) | 2017-04-20 | 2019-06-12 | ファナック株式会社 | 加工不良要因推定装置 |
JP6603260B2 (ja) * | 2017-04-27 | 2019-11-06 | ファナック株式会社 | 数値制御装置 |
JP7021868B2 (ja) | 2017-06-02 | 2022-02-17 | 株式会社ディスコ | 加工廃液処理装置 |
JP2019008675A (ja) | 2017-06-27 | 2019-01-17 | ファナック株式会社 | 故障予測装置及び機械学習装置 |
JP6608890B2 (ja) * | 2017-09-12 | 2019-11-20 | ファナック株式会社 | 機械学習装置、ロボットシステム及び機械学習方法 |
-
2019
- 2019-04-23 JP JP2019081832A patent/JP7000376B2/ja active Active
-
2020
- 2020-04-03 US US16/839,395 patent/US11583968B2/en active Active
- 2020-04-06 DE DE102020204412.0A patent/DE102020204412A1/de active Pending
- 2020-04-20 CN CN202010312271.6A patent/CN111830907B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000000721A (ja) * | 1998-06-11 | 2000-01-07 | Makino Milling Mach Co Ltd | 放電加工機の加工液管理方法及び装置 |
JP2018124929A (ja) * | 2017-02-03 | 2018-08-09 | ファナック株式会社 | 学習モデル構築装置、及び制御情報最適化装置 |
Also Published As
Publication number | Publication date |
---|---|
US20200338677A1 (en) | 2020-10-29 |
CN111830907A (zh) | 2020-10-27 |
JP2020179433A (ja) | 2020-11-05 |
JP7000376B2 (ja) | 2022-01-19 |
US11583968B2 (en) | 2023-02-21 |
DE102020204412A1 (de) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830907B (zh) | 机器学习装置、预测装置以及控制装置 | |
US10695884B2 (en) | Tool wear monitoring and predicting method | |
JP6404893B2 (ja) | 工具寿命推定装置 | |
US20190152011A1 (en) | Predictive cutting tool failure determination | |
JP6309936B2 (ja) | クーラント監視機能を有する制御装置 | |
JP2016045808A (ja) | 異常検知システム及び半導体デバイスの製造方法 | |
JP2019111637A (ja) | 切粉除去装置及び情報処理装置 | |
EP3864475B1 (en) | Method and system for monitoring tool wear to estimate rul of tool in machining | |
WO2020235581A1 (ja) | 基板処理システム | |
US20190179299A1 (en) | Hydrocyclone Wear Maintenance Control System | |
Wang et al. | A computational framework for cloud-based machine prognosis | |
JP7328364B2 (ja) | 機械学習装置、加工状態予測装置、及び制御装置 | |
KR102045617B1 (ko) | 설비 이상 모니터링 장치 및 방법 | |
Yang et al. | A cyber-physical scheme for predicting tool wear based on a hybrid dynamic neural network | |
US20230376002A1 (en) | Machine learning device, cleaning prediction device, and cleaning system | |
KR20170054957A (ko) | 해양플랜트 예지보전 시스템 및 이를 사용한 해양플랜트 예지보전방법 | |
TW201713456A (zh) | 製造效率最佳化平台及刀具狀態監測及預測方法 | |
Li et al. | A deep learning based method for cutting parameter optimization for band saw machine | |
EP4143645A1 (en) | Contextual data modeling and dynamic process intervention for industrial plants | |
Ratnayake | Framework for computing machining parameter settings in CNC machines: an industrial case study | |
JP7527279B2 (ja) | 基板処理システム | |
JP7120958B2 (ja) | ドレッシング推定装置、及び制御装置 | |
JP7369856B2 (ja) | 工具状態学習装置、工具状態推定装置、制御装置、工具状態学習方法、及び工具状態推定方法 | |
Srivastava | Condition-based maintenance of CNC turning machine | |
US20230141708A1 (en) | System And Method for Predicting End of Run for Equipment and Components of Such Equipment Based on Field Inspection and Operational Data |
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 |