CN114424129A - 控制*** - Google Patents

控制*** Download PDF

Info

Publication number
CN114424129A
CN114424129A CN202080066165.2A CN202080066165A CN114424129A CN 114424129 A CN114424129 A CN 114424129A CN 202080066165 A CN202080066165 A CN 202080066165A CN 114424129 A CN114424129 A CN 114424129A
Authority
CN
China
Prior art keywords
data
machine tool
state data
machining
workpiece
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
Application number
CN202080066165.2A
Other languages
English (en)
Inventor
松本畅二
原田真征
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN114424129A publication Critical patent/CN114424129A/zh
Pending legal-status Critical Current

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
    • 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
    • G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/33037—Learn parameters of network offline, not while controlling system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34013—Servocontroller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
    • 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
    • G05B2219/49061—Calculate optimum operating, machining conditions and adjust, adapt them
    • 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
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • 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
    • G05B2219/49398—Repeat same operations on machined part until machining reaches its finishing
    • 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
    • G05B2219/50211—Finish machining, spark out, rough out

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)

Abstract

提出一种对所制造的工件的质量进行了考虑的机床的控制技术。本公开的一个方面涉及一种控制***，包括：状态观测部，收集与机床相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上；精度结果观测部，取得由该机床得到的工件的精度数据；训练部，利用收集的该状态数据和取得的该精度数据对机器学习模型进行训练；以及指令确定部，在对分多次对相同部位进行加工的工件进行加工时，利用该训练完成的机器学习模型，根据在由该机床进行的多次加工之中的、于最终完成前的特定时间点的该工件的加工的期间收集的该状态数据，确定针对该机床的指令数据，并且根据该指令数据使该机床对该工件执行最终完成加工。

Description

控制***
技术领域
本公开涉及一种机床的控制技术。
背景技术
在使用机床进行的机械加工中，为了在最佳条件下对工件进行加工，使用了根据施加在工具上的负载扭矩的变化来控制工具的进给速度的自适应控制。
另一方面，随着近些年的机器学习技术的进展，机器学习模型被应用于各种技术领域。例如，在日本特开2018-153901号公报中公开了在具有热膨胀的机械元件的机床中，对该机械元件的热位移量预测计算公式进行设定的机器学习装置、以及基于设定的热位移量预测公式对机械元件的校正量进行计算的热位移校正装置。
<现有技术文献>
<专利文献>
专利文献1：日本特开2018-153901号公报
发明内容
<本公开要解决的问题>
然而，在上述的传统的机床控制技术中，未对所制造的工件的质量进行考虑。
在本公开中，提出一种对所制造的工件的质量进行了考虑的机床的控制技术。
<用于解决问题的手段>
本公开的一个实施方式涉及一种控制***，包括：状态观测部，收集与机床相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上；精度结果观测部，取得由所述机床得到的工件的精度数据；训练部，利用收集的所述状态数据和取得的所述精度数据对机器学习模型进行训练；以及指令确定部，在对分多次对相同部位进行加工的工件进行加工时，利用所述训练完成的机器学习模型，根据在由所述机床进行的多次加工之中的、于最终完成前的特定时间点的所述工件的加工的期间收集的所述状态数据，确定针对所述机床的指令数据，并且根据所述指令数据使所述机床对所述工件执行最终完成加工。
根据本实施方式，能够对所制造的工件的质量进行考虑以对机床进行控制。
在一个实施例中，在所述多次加工之中的、于所述最终完成前的特定时间点的工件的加工的期间收集的所述状态数据可以包括所述机床的主轴马达负载和各轴马达负载中的一者以上。
在一个实施例中，所述加工状态数据可以包括所述机床的主轴马达负载、各轴马达负载及主轴振动、以及作为在工件加工时预先设定的加工条件的进给速度、转数及切削量中的一者以上。
在一个实施例中，所述设备状态数据可以包括机床内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度、各轴伺服马达温度、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力中的一者以上。
在一个实施例中，所述材料状态数据可以包括材料硬度、材料强度以及加工前尺寸中的一者以上。
在一个实施例中，所述精度数据可以包括加工后的所述工件的尺寸、粗糙度以及几何精度中的一者以上。
在一个实施例中，所述训练部可以在预定的再训练定时对所述机器学习模型进行再训练，所述指令确定部可以利用经所述再训练的机器学习模型确定所述指令数据。
根据本实施例，能够对机器学习模型动态地进行再训练。
在一个实施例中，所述指令确定部可以根据针对在由所述机床对工件进行加工的期间收集的状态数据的来自多元线性回归分析模型、多元非线性回归分析模型及神经网络的所述精度数据的预测值与由所述机床进行的加工后的所述工件的所述精度数据的实测值之间的误差，选择所述多元线性回归分析模型、所述多元非线性回归分析模型或所述神经网络作为所述训练完成的机器学习模型。
根据本实施例，能够根据预测值与实测值的误差选择合适的机器学习模型。
在一个实施例中，所述指令值确定部可以在选择回归分析模型的情况下，通过对所述回归模型的回归方程的逆模型进行求解来确定所述指令数据。
本公开的一个实施方式涉及一种模型生成装置，包括：状态观测部，收集与机床相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上；精度结果观测部，取得由所述机床得到的工件的精度数据；以及训练部，利用收集的所述状态数据和取得的所述精度数据对机器学习模型进行训练。
根据本实施方式，能够对所制造的工件的质量进行考虑以对机床进行控制。
在一个实施例中，所述机器学习模型可以包括多元线性回归分析模型、多元非线性回归分析模型及神经网络中的一者以上。
根据本实施例，能够选择性地使用各种机器学习模型。
在一个实施例中，所述训练部可以利用收集的所述状态数据和取得的所述精度数据对所述多元线性回归分析模型、所述多元非线性回归分析模型及所述神经网络中的一者以上进行训练。
在一个实施例中，所述加工状态数据可以包括所述机床的主轴马达负载、各轴马达负载及主轴振动、以及作为在工件加工时预先设定的加工条件的进给速度、转数及切削量中的一者以上。
在一个实施例中，所述设备状态数据可以包括机床内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度、各轴伺服马达温度、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力中的一者以上。
在一个实施例中，所述材料状态数据可以包括材料硬度、材料强度以及加工前尺寸中的一者以上。
在一个实施例中，所述精度数据可以包括加工后的所述工件的尺寸、粗糙度以及几何精度中的一者以上。
本公开的另一个实施方式涉及一种控制装置，包括：状态观测部，收集与机床相关的状态数据，该状态数据包括由所述机床对工件进行加工的期间的加工状态数据、设备状态数据以及材料状态数据中的一者以上；以及指令确定部，利用训练完成的机器学习模型，根据收集的所述状态数据确定针对所述机床的指令数据。
根据本实施方式，能够对所制造的工件的质量进行考虑以对机床进行控制。
在一个实施例中，所述学习完成的机器学习模型可以利用关于所述机床收集的状态数据和关于由所述机床得到的工件取得的精度数据进行训练而成。
在一个实施例中，所述指令确定部可以根据针对在由所述机床对工件进行加工的期间收集的状态数据的来自多元线性回归分析模型、多元非线性回归分析模型及神经网络的所述精度数据的预测值与由所述机床进行的加工后的所述工件的所述精度数据的实测值之间的误差，选择所述多元线性回归分析模型、所述多元非线性回归分析模型或所述神经网络作为所述训练完成的机器学习模型。
根据本实施例，能够根据预测值与实测值的误差选择合适的机器学习模型。
在一个实施例中，所述指令数据可以指示所述状态数据的任意的数据项的值。
本公开的另一个实施方式涉及一种控制***，包括：状态观测部，收集与机床相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上；精度结果观测部，取得由所述机床得到的工件的精度数据；训练部，利用收集的所述状态数据和取得的所述精度数据对机器学习模型进行训练；以及指令确定部，利用所述训练完成的机器学习模型，根据在由所述机床对工件进行加工的期间收集的所述状态数据，确定针对所述机床的指令数据。
根据本实施方式，能够对所制造的工件的质量进行考虑以对机床进行控制。
在一个实施例中，所述训练部可以在预定的再训练定时对所述机器学习模型进行再训练，所述指令确定部可以利用经所述再训练的机器学习模型确定所述指令数据。
根据本实施例，能够对机器学习模型动态地进行再训练。
附图说明
图1是示出根据本公开的一个实施例的利用机器学习模型进行的机床的控制处理的示意图。
图2是示出根据本公开的一个实施例的模型生成装置的功能构成的框图。
图3是示出根据本公开的一个实施例的作为一个示例的多元线性回归分析模型的图。
图4是示出根据本公开的一个实施例的作为一个示例的神经网络的图。
图5是示出根据本公开的一个实施例的模型生成处理的流程图。
图6是示出根据本发明的一个实施例的控制装置的功能构成的框图。
图7是示出根据本公开的一个实施例的利用作为一个示例的多元线性回归方程进行的指令数据的确定的图。
图8是示出根据本公开的一个实施例的控制处理的流程图。
图9是示出根据本公开的一个实施例的控制***的功能构成的框图。
图10是示出根据本公开的一个实施例的控制处理的流程图。
图11是示出根据本公开的一个实施例的控制处理的流程图。
图12是示出根据本公开的一个实施例的模型生成装置、控制装置及控制***的硬件构成的框图。
具体实施方式
以下，对实施方式进行说明。
在以下的实施方式中，公开了一种模型生成装置和控制装置，该模型生成装置生成机器学习模型，该机器学习模型用于对加工状态数据、设备状态数据及材料状态数据等与机床相关的各种状态数据与由该机床得到的工件的精度数据之间的关系进行预测，该控制装置使用由模型生成装置生成的机器学习模型对机床进行控制。
[本公开的概要]
如图1所示，根据本公开的实施例的模型生成装置100使用加工状态数据、设备状态数据及材料状态数据等与机床50相关的各种状态数据、以及由机床50得到的工件的精度数据作为训练数据，对用于对状态数据与精度数据的关系进行预测的机器学习模型1～N进行训练。例如，训练对象的机器学习模型1～N可以包括多元线性回归分析模型、多元非线性回归分析模型以及神经网络中的一者以上。在机器学习模型1～N的训练后，模型生成装置100将训练完成的机器学习模型1～N提供给控制装置200。控制装置200使用训练完成机器学习模型1～N，根据输入的状态数据生成用于对机床50进行控制的指令数据，并根据生成的指令数据对机床50进行控制。
这样一来，通过除了与机床50相关的状态数据以外还将表示工件的质量的精度数据导入至机器学习模型的训练中，使得所生成的机器学习模型能够确定用于制造确保了一定质量的工件的指令数据。
此外，可以收集用于表示由根据该指令数据所控制的机床所加工的工件的质量的精度数据，并将所收集的精度数据作为反馈数据提供给模型生成装置100。响应于机床50的一个工件(work)的制造完成等预定的更新事件的发生，模型生成装置100可以对机器学习模型1～N使用反馈数据进行再训练。由此，能够使用经过适时地进行再训练的机器学习模型1～N来确定适合各个时间点的状态的指令数据，并且能够稳定地制造确保了一定的质量的工件。
[模型生成装置]
首先，参照图2～图4对根据本公开的一个实施例的模型生成装置100进行说明。图2是示出根据本公开的一个实施例的模型生成装置100的功能构成的框图。
如图2所示，模型生成装置100具有状态观测部110、精度结果观测部120以及训练部130。
状态观测部110收集与机床50相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上。具体来说，状态观测部110在由机床50对工件(work)进行加工处理的期间，预先取得加工状态数据、设备状态数据以及材料状态数据中的一者以上，以用作用于对机器学习模型1～N进行训练的训练数据。
例如，加工状态数据可以包括机床50的主轴马达负载、各轴马达负载及主轴振动、以及作为在工件加工时预先设定的加工条件的进给速度、转数及切削量中的一者以上。在此，主轴马达负载、各轴马达负载及主轴振动与由机床50对工件进行加工时的加工负载相关，进给速度、转数及切削量与在机床50的工件加工中由操作员等设定的加工条件相关。需要说明的是，进给速度、转数及切削量等加工条件的各数据项可以作为用于对机床50的动作进行控制的指令数据被控制装置200使用。
另外，设备状态数据例如可以包括机床50内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度、各轴伺服马达温度、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力中的一者以上。在此，机床50内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度及马达温度等温度数据可以通过安装温度计等传感器来测定，也可以使用通过由机床制造商或设备制造商独自预先设置的传感器测量的状态数据。另外，工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力等工具相关数据可以在该工具的安装期间和使用期间设定或测定。需要说明的是，工具直径、工具长度、工具使用次数等工具数据的各数据项可以作为用于对机床50进行设定的指令数据被控制装置200使用。
此外，材料状态数据可以包括材料硬度、材料强度以及加工前尺寸中的一者以上。该材料状态数据可以在将材料投入机床50的期间设定或测定。
认为该些加工状态数据、设备状态数据以及材料状态数据会对由机床50进行的加工处理产生影响，并且认为工件的精度取决于加工状态数据、设备状态数据以及材料状态数据。然而，状态数据不限于加工状态数据、设备状态数据以及材料状态数据，还可以包括被认为会对由机床50进行的加工处理或工件的精度产生影响的其他任意的适当的数据。另外，加工状态数据、设备状态数据以及材料状态数据不限于上述的数据项，也可以由被认为会对由机床50进行的加工处理或工件的精度产生影响的其他任意的适当的数据项构成。虽然在本实施例中，机床50通过切削等来制造工件，但是根据本公开的机床50不限于此，也可以是对其他任意的类型的工件进行加工、处理、制造等的装置。另外，根据本公开的机床50可以是执行磨削加工、塑性加工等其他类型的加工、处理、制造等的装置。状态数据可以由与机床50和工件的类型相应的适当的数据项构成。
精度结果观测部120取得由机床50得到的工件的精度数据。具体来说，精度结果观测部120对表示在基于上述状态数据的加工状态、设备状态及材料状态下由机床50制造的工件(work)的质量的精度数据进行测定，以用作用于对机器学***整度等)以及几何精度中的一者以上。精度数据可以通过使用任意的合适的测定装置等对加工后的工件进行测定来生成和取得。测定出的精度数据与加工处理时的加工状态数据、设备状态数据及材料状态数据相关联。
训练部130利用收集的状态数据和取得的精度数据对机器学习模型进行训练。具体来说，训练部130使用由状态观测部110预先收集的包括加工状态数据、设备状态数据及材料状态数据中的一者以上的状态数据、以及由精度结果观测部120预先取得的精度数据作为训练数据，对多个机器学习模型1～N进行训练。
在一个实施例中，该些机器学习模型1～N可以包括多元线性回归分析模型、多元非线性回归分析模型及神经网络中的一者以上。
例如，在多元线性回归分析模型的训练中，准备大量成对的状态数据和精度数据作为训练数据。训练部130以状态数据的各数据项作为解释变量，并以精度数据作为目标变量，针对准备的训练数据执行多元线性回归分析，并且导出以解释变量的值作为自变量，并以要输出的值作为目标变量的值的线性的回归方程。需要说明的是，多元线性回归分析是众所周知的统计分析方法，在此省略多元线性回归方程的导出的具体处理的说明。
此外，训练部130可以按照以下方式，以将要由控制装置200输出的指令数据的各数据项(例如进给速度、转数、切削量、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数等)作为解的方式，对导出的多元线性回归方程进行变形。一般来说，如图3所示，多元线性回归方程表示为
y＝b1x1+b2x2+…+bkxk+e
。在此，xi是表示状态数据的各数据项的解释变量，y是表示精度数据的目标变量。另外，bi是偏回归系数，e是误差。例如，在xj是表示指令数据的某一数据项的解释变量的情况下，训练部130通过将多元线性回归方程变形为
xj＝(y-b1x1-…-bj-1xj-1-bj+1xj+1-…-bkxk-e)/bj
，从而能够导出指令数据xj。以此方式，训练部130可以针对指令数据的各数据项xj，如上所述对多元线性回归方程进行变形，以导出指令数据的各数据项xj的函数。
在多元非线性回归分析模型的训练中，准备大量成对的状态数据和精度数据作为训练数据。训练部130以状态数据的各数据项作为解释变量，并以精度数据作为目标变量，针对准备的训练数据执行多元非线性回归分析，并且导出以解释变量的值作为自变量，并以要输出的值作为目标变量的值的非线性的回归方程。多元线性回归方程由一阶函数的形式表示，而多元非线性回归方程由解释变量为二阶以上的高阶函数的形式表示。多元非线性回归方程一般表示为
y＝f(x1,x2,…,xk)
，例如，可以表示为
y＝b1x1 α1+b2x2 α2+…+bkxk αk+e
。在此，xi是表示状态数据的各数据项的解释变量，y是表示精度数据的目标变量。另外，bi是偏回归系数，e是误差。另外，α1、α2、…αk是正整数。需要说明的是，多元非线性回归分析也是众所周知的统计分析方法，在此省略多元非线性回归方程的导出的具体处理的说明。
与多元线性回归方程不同，多元非线性回归方程并不一定需要能够针对解释变量进行解析求解。因此，例如，可以将指令数据以外的状态数据和精度数据的值代入导出的多元非线性回归方程，并且使用任意的数值计算方法来求出指令数据的值。
在神经网络的训练中，准备大量成对的状态数据和精度数据作为训练数据。训练部130向具有任意适当的网络架构的神经网络输入状态数据，并且根据来自神经网络的输出与对应于输入的状态数据的精度数据之间的误差，例如通过误差反向传播法对神经网络的参数进行更新。训练部130重复上述的参数更新处理，直到满足针对准备的所有训练数据的参数更新处理均结束等预定的结束条件，并且取得最终的神经网络作为训练完成机器学习模型。如图4(a)所示，经以此方式训练的机器学习模型能够根据状态数据xi(1≤i≤k)预测精度数据y。
另外，训练部130可以使用准备的训练数据，取得用于根据状态数据和精度数据来预测指令数据的神经网络。例如，为了提供状态数据的某一数据项作为指令数据xj，训练部130可以使用训练数据中的除了该指令数据xj以外的状态数据xi和精度数据y作为输入用的训练数据，并且使用指令数据xj作为输出用的训练数据，对具有任意合适的网络架构的神经网络进行训练。经以此方式训练的神经网络能够根据状态数据和精度数据预测指令数据。以此方式，训练部130能够取得训练完成机器学习模型，该训练完成机器学习模型用于针对指令数据的各数据项根据状态数据和精度数据预测该数据项的值。如图4(b)所示，经以此方式训练的机器学习模型能够根据状态数据xi(1≤i≤j-1，j+1≤i≤k)和精度数据y预测指令数据xj。
需要说明的是，在上述的实施例中，虽然精度数据由单一的数据项构成，但是本公开的精度数据不限于此，也可以由多个数据项构成。在此情况下，多元回归方程表示为
yk＝fk(x1,x2,…,xk)
。另外，用于根据状态数据输出精度数据的神经网络可以针对精度数据的各数据项分别生成，也可以由用于输出所有数据项的网络架构构成。
[模型生成处理]
接着，参照图5对根据本公开的一个实施例的模型生成处理进行说明。该模型生成处理由模型生成装置100实现，具体来说，可以通过由模型生成装置100的处理器执行程序来实现。图5是示出根据本公开的一个实施例的模型生成处理的流程图。
如图5所示，在步骤S101中，模型生成装置100收集与机床50相关的状态数据。具体来说，模型生成装置100预先收集与机床50相关的状态数据，并将收集的状态数据保存在存储器等存储装置中，以用作机器学习模型的训练数据。例如，状态数据可以包括机床50的加工状态数据、设备状态数据以及材料状态数据中的一者以上，并且可以由机床50的操作者设定，或者可以在由机床50进行的加工处理中取得，或者可以由传感器检测。
在步骤S102中，模型生成装置100取得工件的精度数据。具体来说，模型生成装置100取得在各个状态数据下由机床50加工的工件的精度数据，并且将取得的精度数据与状态数据相关联并将其保存在存储器等存储装置中，以用作机器学习模型的训练数据。例如，精度数据可以包括加工后的工件的尺寸、粗糙度以及几何精度中的一者以上，并且可以从用于对加工后的工件进行测定的测定仪器等取得。然而，根据本公开的精度数据不限于此，可以根据机床50和工件的类型指示其他适当的数据项。
在步骤S103中，模型生成装置100利用状态数据和精度数据对机器学习模型进行训练。具体来说，模型生成装置100使用在步骤S101中收集的状态数据和在步骤S102中取得的精度数据作为训练数据，生成多元线性回归分析模型、多元非线性回归分析模型及神经网络。
在多元线性回归分析模型的生成中，模型生成装置100可以通过导出以状态数据作为解释变量，并以精度数据作为目标变量的多元线性回归方程，并对导出的多元线性回归方程进行变形，从而导出用于求出各指令数据的函数。
在多元非线性回归分析模型的生成中，模型生成装置100导出以状态数据作为解释变量，并以精度数据作为目标变量的多元非线性回归方程。在此，在导出的多元非线性回归方程能够解析求解的情况下，模型生成装置100可以通过对导出的多元非线性回归方程进行变形，从而导出用于求出各指令数据的函数。
在神经网络的生成中，模型生成装置100利用训练数据对用于根据状态数据来输出精度数据的神经网络进行训练。此外，模型生成装置100可以利用训练数据对用于根据状态数据和精度数据来输出各指令数据的神经网络进行训练。
模型生成装置100将经训练的机器学习模型提供给控制装置200，以用于机床50的后续控制。
[控制装置]
接着，将参照图6和图7对根据本公开的一个实施例的控制装置200进行说明。控制装置200使用机器学习模型对机床50的加工处理进行控制，该机器学习模型由模型生成装置100使用针对机床50收集的状态数据和针对由机床50制造的工件所取得的精度数据作为训练数据训练而成。图6是示出根据本发明的一个实施例的控制装置200的功能构成的框图。
如图6所示，控制装置200具有状态观测部210和指令确定部220。
状态观测部210收集与机床相关的状态数据，该状态数据包括由机床50对工件进行加工的期间的加工状态数据、设备状态数据以及材料状态数据中的一者以上。具体来说，状态观测部210在由机床50对工件进行加工之前和加工期间，收集加工状态数据、设备状态数据及材料状态数据中的一者以上。
例如，状态观测部210可以收集机床50的主轴马达负载、各轴马达负载及主轴振动、以及作为在工件加工时预先设定的加工条件的进给速度、转数及切削量中的一者以上作为加工状态数据。机床50的主轴马达负载、各轴马达负载及主轴振动可以在工件的加工期间从机床50的动作数据收集，进给速度、转数及切削量可以在工件的加工之前由操作者设定。
另外，状态观测部210可以收集机床50内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度、各轴伺服马达温度、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力中的一者以上作为设备状态数据。环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度及各轴伺服马达温度可以通过在工件的加工之前和加工期间安装温度计等传感器来收集，也可以使用通过由机床制造商或设备制造商独自预先设置的传感器测量的状态数据。另外，工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力可以在工件的加工之前从该工具的工具数据收集。
另外，状态观测部210可以收集材料硬度、材料强度以及加工前尺寸中的一者以上作为材料状态数据。材料硬度、材料强度以及加工前尺寸可以从针对加工对象的材料预先保存的材料状态数据提取。
指令确定部220利用训练完成机器学习模型根据收集的状态数据确定针对机床50的指令数据。具体来说，指令确定部220使用由模型生成装置100提供的训练完成机器学习模型，将收集的状态数据和给定的精度数据输入至机器学习模型中，并且由机器学习模型确定用于对机床50进行控制的指令数据。
指令数据可以是指示用于机器学习模型的训练数据的状态数据的任意的数据项的值的数据，例如可以是进给速度、转数、切削量、工具直径、工具长度、工具使用次数等。然而，根据本公开的指令数据不限于此，也可以是与机床50和工件的类型相应的与机床50的控制相关的任意适当的数据项。
例如，在通过模型生成装置100的多元线性回归分析导出如图7(a)所示的多元线性回归方程的情况下，模型生成装置100通过对导出的多元线性回归方程进行变形，从而能够导出用于求出如图7(b)所示的作为指令数据的加工余量校正值的等价函数。指令确定部220通过在图7(b)所示的加工余量校正值的函数中，将作为精度数据的加工精度a1设定为零，并进一步将作为状态数据的主轴马达负载设定为恒定值，从而能够根据图7(c)所示的公式确定加工余量校正值。指令确定部220将确定的用于指示加工余量校正值的指令数据发送至机床50。认为机床50通过根据接收到的加工余量校正值和主轴马达负载的设定值进行动作，从而能够制造加工误差几乎为零的工件。
在此，虽然参照多元线性回归分析模型对由指令确定部220进行的指令数据的确定处理进行了说明，但是本领域技术人员可以理解，也可以同样地基于多元非线性回归分析模型和神经网络来确定指令数据。例如，在多元非线性回归分析模型中，指令确定部220可以向导出的多元非线性回归方程输入指令数据的解释变量xj以外的状态数据的解释变量xi的值和目标变量y的设定值，并通过数值计算来计算解释变量xj的值。另外，在神经网络中，指令确定部220可以向用于输出指令数据xj的训练完成神经网络输入指令数据xj以外的状态数据xi的值和精度数据y的设定值，并取得指令数据xj的值。
在一个实施例中，指令确定部220可以根据针对在由机床50对工件进行加工的期间收集的状态数据的来自多元线性回归分析模型、多元非线性回归分析模型及神经网络的精度数据的预测值与由机床50进行的加工后的工件的精度数据的实测值之间的误差，选择多元线性回归分析模型、多元非线性回归分析模型或神经网络作为训练完成机器学习模型。具体来说，如果从模型生成装置100提供多元线性回归分析模型、多元非线性回归分析模型及神经网络的多个训练完成机器学习模型，则指令确定部220使用所提供的训练完成机器模型之中的预测精度最高的训练完成机器学习模型来确定指令数据。例如，指令确定部220可以将在通过分别使用多元线性回归分析模型、多元非线性回归分析模型及神经网络确定的指令数据所进行的控制下由机床50制造的工件的精度的测定结果与多元线性回归分析模型、多元非线性回归分析模型及神经网络各模型各自的精度数据的预测值进行比较，并使用其误差为最小的机器学习模型，确定用于后续的加工处理的指令数据。
[控制处理]
接着，参照图8，对根据本公开的一个实施例的控制处理进行说明。该控制处理由控制装置200实现，具体来说，可以通过由控制装置200的处理器执行程序来实现。图8是示出根据本公开的一个实施例的控制处理的流程图。
如图8所示，在步骤S201中，控制装置200收集与机床50相关的状态数据。具体来说，控制装置200在由机床50进行加工处理之前和加工处理期间，收集与机床50相关的状态数据，并将收集的状态数据保存在存储器等存储装置中。例如，状态数据可以包括机床50的加工状态数据、设备状态数据及材料状态数据中的一者以上，并且可以由机床50的操作者设定，或者可以在由机床50进行加工处理的期间取得，或者可以由传感器检测。
在步骤S202中，控制装置200利用训练完成机器学习模型根据状态数据确定针对机床50的指令数据。具体来说，控制装置200使用由模型生成装置100提供的训练完成机器学习模型，将收集的状态数据和给定的精度数据输入至机器学习模型，并从机器学习模型确定用于对机床50进行控制的指令数据。
例如，在使用训练完成多元线性回归分析模型的情况下，控制装置200可以向由模型生成装置100提供的多元线性回归方程输入指令数据以外的状态数据的收集的值和精度数据的设定值，并计算指令数据的值。
另外，在使用训练完成多元非线性回归分析模型的情况下，控制装置200可以向由模型生成装置100提供的多元非线性回归方程输入指令数据以外的状态数据的收集的值和精度数据的设定值，并计算指令数据的值。
另外，在使用训练完成神经网络的情况下，控制装置200可以向由模型生成装置100提供的用于输出指令数据的神经网络输入指令数据以外的状态数据的收集的值和精度数据的设定值，并预测指令数据的值。
控制装置200将如此确定的指令数据发送至机床50。当取得用于指示在由该指令数据进行的控制下制造的工件的精度的测定结果时，控制装置200可以将取得的测定结果与精度数据的设定值进行比较，并将其误差最小的机器学习模型用于确定后续的加工处理中的指令数据。
[控制***]
接着，参照图9～图11，对根据本公开的一个实施例的控制***300进行说明。控制***300兼具上述的模型生成装置100和控制装置200的功能，对机器学习模型进行训练，并使用训练而成的机器学习模型确定指令数据。例如，控制***300可以实现为包括模型生成装置100和控制装置200的物理构成或功能构成两者。图9是示出根据本公开的一个实施例的控制***300的功能构成的框图。
如图9所示，控制***300具有状态观测部310、精度结果观测部320、训练部330以及指令确定部340。
状态观测部310收集与机床50相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上。具体来说，状态观测部310收集与机床50相关的状态数据，以便收集用于对机器学习模型进行训练的训练数据。此外，状态观测部310收集加工处理之前和加工处理期间的与机床50相关的状态数据，以便使用训练完成机器学习模型来对机床50进行控制。
精度结果观测部320取得由机床50得到的工件的精度数据。具体来说，精度结果观测部320收集由机床50制造的工件的精度数据，以收集用于对机器学习模型进行训练的训练数据。此外，精度结果观测部320收集由根据由指令确定部340确定的指令数据所控制的机床50制造的工件的精度数据。
训练部330利用收集的状态数据和取得的精度数据对机器学习模型进行训练。具体来说，训练部330使用由通过状态观测部310收集的状态数据和通过精度结果观测部320取得的精度数据成对构成的训练数据，对将被指令确定部340使用的机器学习模型进行训练。例如，如上所述，机器学习模型可以包括多元线性回归分析模型、多元非线性回归分析模型及神经网络中的一者以上，并且如上所述被模型生成装置100的训练部130进行训练。
指令确定部340利用训练完成的机器学习模型，根据在由机床50对工件进行加工的期间收集的状态数据，确定针对机床50的指令数据。具体来说，与控制装置200的指令确定部220同样，指令确定部340使用由训练部330训练的机器学习模型，根据由状态观测部310在加工处理之前和加工处理期间收集的与机床50相关的状态数据和精度数据的设定值，确定指令数据。指令确定部340将确定的指令数据发送至机床50。
在一个实施例中，指令确定部340可以在对分多次对相同部位进行加工的工件进行加工时，利用训练完成的机器学习模型，根据在由机床50进行的多次加工之中的、于最终完成前的特定时间点的工件的加工的期间收集的状态数据，确定针对机床50的指令数据，并且根据指令数据使机床50对工件执行最终完成加工。即，在一般的工件的加工中，工件通过多次工序逐渐形成最终产品。由于要求精确的加工精度的阶段是最终完成阶段，因此可以对机器学习模型进行训练和使用以实现最终完成。例如，训练部330可以使用最终完成时的状态数据和精度数据作为训练数据，对机器学习模型进行训练。状态观测部310在最终完成前的特定时间点收集工件的状态数据，指令确定部340使用训练完成的机器学习模型，根据收集的状态数据确定针对机床50的指令数据，并向机床50发送指令数据。在此，收集的状态数据可以包括机床50的主轴马达负载和各轴马达负载中的一者以上。当接收到指令数据时，机床50根据接收到的指令数据对工件执行最终完成。
图10是示出根据本公开的一个实施例的控制处理的流程图。该控制处理由控制***300实现，具体来说，可以通过由控制***300的处理器执行程序来实现。
如图10所示，在步骤S301中，控制***300收集与机床相关的状态数据。具体来说，控制***300预先收集与机床50相关的状态数据，以用作机器学习模型的训练数据。例如，状态数据可以包括机床50的加工状态数据、设备状态数据及材料状态数据中的一者以上，并且可以由机床50的操作者设定，或者可以在由机床50进行的加工处理期间取得，或者可以由传感器检测。
在步骤S302中，控制***300取得工件的精度数据。具体来说，控制***300取得在各状态数据下由机床50加工的机床的精度数据，以用作机器学习模型的训练数据。例如，精度数据可以包括加工后的所述工件的尺寸、粗糙度以及几何精度中的一者以上，并且可以由用于对加工后的工件进行测定的测定仪器等取得。然而，根据本公开的精度数据不限于此，可以根据机床50和工件的类型指示其他适当的数据项。
在步骤S303中，控制***300利用状态数据和精度数据对机器学习模型进行训练。具体来说，控制***300使用在步骤S301中收集的状态数据和在步骤S302中取得的精度数据作为训练数据，生成多元线性回归分析模型、多元非线性回归分析模型及神经网络。
在步骤S304中，控制***300利用训练完成的机器学习模型根据状态数据确定针对机床50的指令数据。具体来说，控制***300使用在步骤S303中训练而成的机器学习模型，将收集的状态数据和给定的精度数据输入至机器学习模型，并由机器学习模型确定用于对机床50进行控制的指令数据。
在一个实施例中，控制***300可以在对分多次对相同部位进行加工的工件进行加工时，利用训练完成的机器学习模型，根据在由机床50进行的多次加工之中的、于最终完成前的特定时间点的工件的加工的期间收集的状态数据，确定针对机床50的指令数据，并且根据指令数据使机床50对工件执行最终完成加工。控制***300可以使用最终完成时的状态数据和精度数据作为训练数据，对机器学习模型进行训练。在此，收集的状态数据可以包括机床50的主轴马达负载和各轴马达负载中的一者以上。控制***300在最终完成前的特定时间点收集工件的状态数据，使用训练完成的机器学习模型，根据收集的状态数据确定针对机床50的指令数据，并向机床50发送指令数据。当从控制***300接收到指令数据时，机床50根据接收到的指令数据对工件执行最终完成。
在一个实施例中，训练部330可以在预定的再训练定时对机器学习模型进行再训练，指令确定部340可以利用经再训练的机器学习模型确定指令数据。例如，每次制造预定数量的工件时，训练部330可以从精度结果观测部320取得所制造的工件的精度数据，并将取得的精度数据、在该工件的制造时使用的指令数据及状态数据导入至现有的训练数据，并利用更新后的训练数据对机器学习模型进行再训练。指令确定部340可以基于经再训练的机器学习模型，确定用于后续的加工处理的指令数据。这样一来，通过使用最新的状态数据和精度数据作为训练数据对机器学习模型动态地进行再训练，从而能够利用更精确的指令数据对机床50进行控制。
图11是示出根据本公开的一个实施例的控制处理的流程图。该控制处理由控制***300实现，具体来说，可以通过由控制***300的处理器执行程序来实现。需要说明的是，图11中的步骤S401～S404与图10的步骤S301～S304相同，为了避免重复而省略其说明。
在步骤S405中，控制***300根据指令数据使机床50执行加工处理。具体来说，控制***300将在步骤S404中确定的指令数据发送至机床50，以对机床50的动作进行控制。
在步骤S406中，控制***300取得由机床50制造的工件的精度数据。具体来说，控制***300使测定仪器对制造的工件的精度进行测定，并从测定仪器取得指示测定结果的精度数据。
在步骤S407中，控制***300判断是否存在进一步的工件，在存在进一步的工件的情况下(步骤S407：是)，则返回步骤S401，使用在步骤S406中取得的精度数据对机器学习模型进行再训练。另一方面，在不存在进一步的工件的情况下(步骤S407：否)，控制***300结束该控制。
如上所述，当在最终完成时使用机器学习模型的情况下，控制***300可以在执行工件的最终完成之前，使用预定数量的最近加工完成的工件的最终完成时的状态数据和精度数据作为训练数据以对机器学习模型动态地进行再训练，并利用经再训练的机器学习模型执行该工件的最终完成加工。由此，能够基于反映了最近的状态数据的机器学习模型来确定指令数据，并实现更精确的最终完成加工。
[模型生成装置和控制装置的硬件构成]
模型生成装置100、控制装置200及控制***300例如可以具有如图12所示的硬件构成。即，模型生成装置100、控制装置200及控制***300具有经由总线B相互连接的驱动器装置101、辅助存储装置102、存储器装置103、CPU(Central Processing Unit：中央处理单元)104、接口装置105以及通信装置106。
包括用于实现模型生成装置100、控制装置200及控制***300中的上述各种功能和处理的程序在内的各种计算机程序可以由CD-ROM(Compact Disk-Read Only Memory)等记录介质107提供。当将存储有程序的记录介质107设置在驱动器装置101中时，程序从记录介质107经由驱动器装置101安装到辅助存储装置102中。但是，程序不一定必须从记录介质107安装，也可以经由网络等从任意的外部装置下载。辅助存储装置102对安装的程序进行存储，并且对所需的文件和数据进行存储。在存在程序的启动指示的情况下，存储器装置103从辅助存储装置102读出并存储程序和数据。用作处理器的CPU104根据存储在存储器装置103中的程序和执行程序所需的参数等各种数据，执行上述的模型生成装置100、控制装置200及控制***300的各种功能和处理。接口装置105用作用于连接到网络或外部装置的通信接口。通信装置106执行用于与外部装置进行通信的各种通信处理。
然而，模型生成装置100、控制装置200及控制***300不限于上述的硬件构成，也可以通过其他任意适当的硬件构成来实现。
虽然以上对实施方式进行了说明，但是应当理解，在不脱离权利要求书的宗旨及范围的情况下，可以对形态或细节进行各种变更。
本申请以于2019年9月24日提交的日本发明专利申请第2019-173431号作为要求优先权的基础，并在本申请中援引该第2019-173431号的全部内容。
符号说明
50 机床；
100 模型生成装置；
110、210、310 状态观测部；
120、320 精度结果观测部；
130、330 训练部；
200 控制装置；
220、340 指令确定部；
300 控制***。

Claims (9)

1.一种控制***，包括：
状态观测部，收集与机床相关的状态数据，该状态数据包括加工状态数据、设备状态数据以及材料状态数据中的一者以上；
精度结果观测部，取得由所述机床得到的工件的精度数据；
训练部，利用收集的所述状态数据和取得的所述精度数据对机器学习模型进行训练；以及
指令确定部，在对分多次对相同部位进行加工的工件进行加工时，利用所述训练完成的机器学习模型，根据在由所述机床进行的多次加工之中的、于最终完成前的特定时间点的所述工件的加工的期间收集的所述状态数据，确定针对所述机床的指令数据，并且根据所述指令数据使所述机床对所述工件执行最终完成加工。
2.根据权利要求1所述的控制***，其中，
在所述多次加工之中的、于所述最终完成前的特定时间点的工件的加工的期间收集的所述状态数据包括所述机床的主轴马达负载和各轴马达负载中的一者以上。
3.根据权利要求1或2所述的控制***，其中，
所述加工状态数据包括所述机床的主轴马达负载、各轴马达负载及主轴振动、以及作为在工件加工时预先设定的加工条件的进给速度、转数及切削量中的一者以上。
4.根据权利要求1至3中任一项所述的控制***，其中，
所述设备状态数据包括机床内部或周围的环境温度、冷却水温度、冷却水流量、冷却水浓度、夹具温度、主轴冷却油温度、滚珠丝杠温度、各轴伺服马达温度、工具直径、工具长度、工具直径或工具长度的校正量、工具使用次数、工具安装状态以及工件抓力中的一者以上。
5.根据权利要求1至4中任一项所述的控制***，其中，
所述材料状态数据包括材料硬度、材料强度以及加工前尺寸中的一者以上。
6.根据权利要求1至5中任一项所述的控制***，其中，
所述精度数据包括加工后的所述工件的尺寸、粗糙度以及几何精度中的一者以上。
7.根据权利要求1至6中任一项所述的控制***，其中，
所述训练部在预定的再训练定时对所述机器学习模型进行再训练，
所述指令确定部利用经所述再训练的机器学习模型确定所述指令数据。
8.根据权利要求1至7中任一项所述的控制***，其中，
所述指令确定部根据针对在由所述机床对工件进行加工的期间收集的状态数据的来自多元线性回归分析模型、多元非线性回归分析模型及神经网络的所述精度数据的预测值与由所述机床进行的加工后的所述工件的所述精度数据的实测值之间的误差，选择所述多元线性回归分析模型、所述多元非线性回归分析模型或所述神经网络作为所述训练完成的机器学习模型。
9.根据权利要求1至8中任一项所述的控制***，其中，
所述指令值确定部在选择回归分析模型的情况下，通过对所述回归模型的回归方程的逆模型进行求解来确定所述指令数据。
CN202080066165.2A 2019-09-24 2020-09-15 控制*** Pending CN114424129A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019173431 2019-09-24
JP2019-173431 2019-09-24
PCT/JP2020/034977 WO2021060090A1 (ja) 2019-09-24 2020-09-15 制御システム

Publications (1)

Publication Number Publication Date
CN114424129A true CN114424129A (zh) 2022-04-29

Family

ID=75166972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080066165.2A Pending CN114424129A (zh) 2019-09-24 2020-09-15 控制***

Country Status (4)

Country Link
EP (1) EP4035829B1 (zh)
JP (1) JP6856162B2 (zh)
CN (1) CN114424129A (zh)
WO (1) WO2021060090A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114278423B (zh) * 2021-06-28 2023-10-13 天津大学 一种基于预测性扩张状态观测器的冷却液温度预测控制方法
WO2023031984A1 (ja) * 2021-08-30 2023-03-09 三菱電機株式会社 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
JP2023132196A (ja) 2022-03-10 2023-09-22 富士フイルム株式会社 情報処理装置、情報処理方法及び情報処理プログラム
EP4383019A1 (en) * 2022-12-08 2024-06-12 Hitachi, Ltd. Virtual sensor

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000276460A (ja) * 1999-03-24 2000-10-06 Fuji Electric Co Ltd 電力需要量予測方法
JP2009151383A (ja) * 2007-12-18 2009-07-09 Nippon Steel Corp 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体
JP2010264499A (ja) * 2009-05-18 2010-11-25 Nippon Steel Corp 制御モデルのパラメータ最適化方法
US20150161520A1 (en) * 2013-12-05 2015-06-11 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
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
CN107491038A (zh) * 2016-06-09 2017-12-19 发那科株式会社 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
CN108227482A (zh) * 2016-12-14 2018-06-29 发那科株式会社 控制***以及机器学习装置
CN108573310A (zh) * 2017-03-08 2018-09-25 发那科株式会社 精加工量预测装置以及机器学习装置
JP2018153901A (ja) * 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置
JP2018190127A (ja) * 2017-05-01 2018-11-29 日本電信電話株式会社 判定装置、分析システム、判定方法および判定プログラム
CN108920812A (zh) * 2018-06-28 2018-11-30 江苏大学 一种机械加工表面粗糙度预测方法
US20190101892A1 (en) * 2017-09-29 2019-04-04 Fanuc Corporation Numerical control system

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0839427A (ja) * 1994-07-22 1996-02-13 Toyoda Mach Works Ltd 研削装置
JP5569935B2 (ja) * 2010-07-23 2014-08-13 日本電信電話株式会社 ソフトウェア検出方法及び装置及びプログラム
JP6063013B1 (ja) * 2015-08-27 2017-01-18 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
JP6756676B2 (ja) * 2017-07-27 2020-09-16 ファナック株式会社 製造システム
JP6781242B2 (ja) * 2018-02-19 2020-11-04 ファナック株式会社 制御装置、機械学習装置及びシステム
JP2019173431A (ja) 2018-03-29 2019-10-10 株式会社Ｌｉｘｉｌ サッシ枠
JP2020069599A (ja) * 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械の支援装置および工作機械システム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000276460A (ja) * 1999-03-24 2000-10-06 Fuji Electric Co Ltd 電力需要量予測方法
JP2009151383A (ja) * 2007-12-18 2009-07-09 Nippon Steel Corp 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体
JP2010264499A (ja) * 2009-05-18 2010-11-25 Nippon Steel Corp 制御モデルのパラメータ最適化方法
US20150161520A1 (en) * 2013-12-05 2015-06-11 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
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
CN107491038A (zh) * 2016-06-09 2017-12-19 发那科株式会社 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
CN108227482A (zh) * 2016-12-14 2018-06-29 发那科株式会社 控制***以及机器学习装置
CN108573310A (zh) * 2017-03-08 2018-09-25 发那科株式会社 精加工量预测装置以及机器学习装置
JP2018153901A (ja) * 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置
JP2018190127A (ja) * 2017-05-01 2018-11-29 日本電信電話株式会社 判定装置、分析システム、判定方法および判定プログラム
US20190101892A1 (en) * 2017-09-29 2019-04-04 Fanuc Corporation Numerical control system
CN108920812A (zh) * 2018-06-28 2018-11-30 江苏大学 一种机械加工表面粗糙度预测方法

Also Published As

Publication number Publication date
WO2021060090A1 (ja) 2021-04-01
EP4035829B1 (en) 2024-07-24
JP2021057030A (ja) 2021-04-08
JP6856162B2 (ja) 2021-04-07
EP4035829A4 (en) 2022-11-09
EP4035829A1 (en) 2022-08-03

Similar Documents

Publication Publication Date Title
CN114424129A (zh) 控制***
JP6680756B2 (ja) 制御装置及び機械学習装置
CN108628256B (zh) 机械学习装置以及热位移修正装置
JP6063016B1 (ja) 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械
JP6557285B2 (ja) 制御装置及び機械学習装置
US20170091667A1 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN108723889B (zh) 加减速控制装置
JP6734318B2 (ja) 駆動装置及び機械学習装置
TW201843620A (zh) 精加工量預測裝置及機器學習裝置
JP6756676B2 (ja) 製造システム
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
CN110355462B (zh) 加工条件调整装置以及机器学习装置
JP2019139755A (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
CN109794657B (zh) 控制装置以及机器学习装置
JP2019141869A (ja) 制御装置及び機械学習装置
CN110501972B (zh) 热位移校正装置
CN102467113B (zh) 机械装置的具有参数学习的控制器及其参数学习方法
CN110174871A (zh) 控制装置、机器学习装置以及***
US11556142B2 (en) Warm-up evaluation device, warm-up evaluation method, and warm-up evaluation program
EP4078304B1 (en) Reduction of friction within a machine tool
CN108693841B (zh) 制造***以及制造方法
US20190179272A1 (en) A method, system, computer program product and computer data-base for controlling an industrial process or machine
WO2023153446A1 (ja) 提案装置、提案システム、提案方法、及び、プログラム
WO2022224450A1 (ja) 機械学習装置、加減速調整装置及びコンピュータ読み取り可能な記憶媒体
CN116475839A (zh) 机床的加工精度诊断装置以及加工精度诊断方法

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