DE102017127098A1

DE102017127098A1 - Gerät und verfahren zum annehmen eines anormalitätsauftretens für teleskopabdeckung

Info

Publication number: DE102017127098A1
Application number: DE102017127098.1A
Authority: DE
Inventors: Noboru Kurokami; Naoki Sato
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2016-11-24
Filing date: 2017-11-17
Publication date: 2018-05-24
Anticipated expiration: 2037-11-18
Also published as: DE102017127098B8; CN108108516B; CN108108516A; US20180143162A1; DE102017127098B4; US10761063B2

Abstract

Ein Gerät zur Annahme eines Anormalitätsauftretens, das das Auftreten einer Anormalität in einer Teleskopabdeckung, die an einer Werkzeugmaschine angebracht ist, annimmt, führt überwachtes Lernen auf der Basis einer Merkmalquantität aus, die aus einer physikalischen Größe extrahiert wird, die während einer Betätigung der Werkzeugmaschine erfasst wird, und auf Informationen in Zusammenhang mit einer Anormalität, die in der Teleskopabdeckung auftritt, und speichert das Resultat des Lernens. Das Gerät zur Annahme eines Anormalitätsauftretens nimmt eine Anormalität, die in der Teleskopabdeckung während der Betätigung der Werkzeugmaschine auftreten kann, auf der Basis des Resultats des Lernens und der Merkmalquantität, die aus der physikalischen Größe extrahiert wird, an.

Description

STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft ein Gerät und ein Verfahren zum Annehmen eines Anormalitätsauftretens für eine Teleskopabdeckung und insbesondere eine Technik, die das Auftreten einer Anormalität, wie eines Bruchs in einer Teleskopabdeckung, und Verschleiß oder Brechen von Pufferteilen vorhersagt.
Beschreibung des Stands der Technik
Eine Teleskopabdeckung ist dazu bestimmt, interne Mechanismen einer Werkzeugmaschine (Vorrichtung) vor Spänen und einer Schneidflüssigkeit, die erzeugt werden, wenn die Werkzeugmaschine Bearbeitung ausführt, zu schützen. Die Teleskopabdeckung hat einen Aufbau, der eine mehrstufige metallische Abdeckung unter Verwenden eines teleskopischen Elements, wie eines Stromabnehmers, zum Öffnen/Schließen der Abdeckung antreibt.
Beim Verwenden während einer langen Zeitspanne, kann die Teleskopabdeckung in diversen Zuständen brechen. 1 zeigt die typischen gebrochenen Zustände der Teleskopabdeckung. Die Abschnitte, die von den unterbrochenen Linien umgeben sind, zeigen die gebrochenen Abschnitte. 1 zeigt (I) den Zustand, in dem die Oberfläche der metallischen Abdeckung zerbrochen ist. 1 zeigt (II) den Zustand, in dem der Stromabnehmer zum Antreiben der metallischen Abdeckung zerbrochen ist. 1 (III) zeigt den Zustand, in dem eine abgestürzte metallische Abdeckung von einer anderen metallischen Abdeckung aufgefangen wurde und zerbrochen ist. Ein solches Brechen wird durch diverse Faktoren verursacht, wie zum Beispiel durch Alterungsverschlechterung jedes der Teile, veranlasst durch Ermüdung oder Abnutzung, eine lockere oder gelöste Befestigungsschraube, Verformung, die durch ein Abstürzen eines Werkstücks verursacht wird, und Fehlbetätigung.
Für andere Teleskopabdeckungen als die, die einen Stromabnehmeraufbau haben, haben die teleskopischen Plattenabdeckungen, die in der Teleskopabdeckung enthalten sind, ein stationäres Teil und ein bewegbares Teil. Zum Verringern des Aufpralls, wenn die Betätigung des bewegbaren Teils gestartet und gestoppt wird, ist es üblich, Pufferteile zu verwenden, die aus Kautschuk, Harz, Schaumstoff oder dergleichen hergestellt sind, und solche Pufferteile an den inneren Abschnitten der Plattenabdeckungen anzubringen. Da die Pufferteile der Teleskopabdeckung ständig dem Aufprall unterliegen, während das bewegbare Teil der Teleskopabdeckung in Betrieb ist, erfahren die Pufferteile Abnutzung oder Bruch. Die Pufferelemente, die normalerweise implizit als Verbrauchsgüter konzipiert werden, erfordern regelmäßiges Prüfen und Ersetzen von Teilen. Aufgrund von Einschränkungen in Zusammenhang mit einer Nutzung, Umgebung und der Struktur der Plattenabdeckungen, sind die Pufferelemente jedoch typischerweise an inneren Abschnitten der Plattenabdeckungen, wie oben beschrieben, angebracht.
2 zeigt ein Beispiel einer Teleskopabdeckung, an der Pufferelemente angebracht sind. In 2 zeigt (I) den Zustand, in dem die Teleskopabdeckung an den vier Seiten des Tisches einer Werkzeugmaschine angebracht ist. Andererseits ist (II) in 2 eine Ansicht, die die Zustände der Pufferelemente, die an den inneren Abschnitten der Teleskopabdeckung angebracht sind (jeder der Abschnitte, die von den gepunkteten Linien umgeben sind, entspricht einem nicht sichtbaren Abschnitt unter einer anderen Plattenabdeckung, die auf durchscheinende Art gezeigt ist) zeigt. Wie in 2 in (II) gezeigt, sind die Pufferelemente an den Abschnitten der Teleskopabdeckung angebracht, die miteinander zusammenstoßen, wenn die Teleskopabdeckung aufgebreitet oder zusammengezogen wird. Wenn die Pufferelemente folglich verschlissen oder zerbrochen sind, prallen die Plattenabdeckungen miteinander zusammen und brechen während des Ausbreitens oder des Zusammenziehens der Teleskopabdeckung. Obwohl das Brechen und der Verschleiß der Pufferelemente anhand regelmäßiger Prüfung und des Ersetzens von Teilen vermieden werden können, erfordern das Erkennen des Zustands und das Ersetzen der Pufferteile das Entfernen der Plattenabdeckungen oder dergleichen und können nicht ohne Weiteres ausgeführt werden. Einige Benutzer führen eventuell keinen Prüfvorgang aus und setzen den Gebrauch der Pufferteile fort. In einem solchen Fall werden die Pufferteile nicht nur verschlissen oder zerbrochen, sondern die Hauptkörper der Plattenabdeckungen können zerbrechen.
Das Auftreten eines solchen Brechens stört nicht nur den sicheren und beständigen Betrieb der Werkzeugmaschine, sondern schafft auch signifikanten Zeitaufwand und Kosten von Reparaturen.
Die japanische Patentanmeldung Nr. 2016-68183 offenbart eine bekannte Technik, bei der, wenn eine Anormalität bei einer Ausbreit-/Zusammenziehbetätigung einer Teleskopabdeckung auftritt, ihr Zustand sofort erfasst wird. Gemäß der Technik werden ein Lichtsender und ein Lichtempfänger in der Teleskopabdeckung vorgesehen und, wenn Licht, das von dem Lichtsender erzeugt wird, von einem Plattenkörper blockiert und von dem Lichtempfänger nicht empfangen wird, wird bestimmt, dass eine Anormalität aufgetreten ist.
Die oben beschriebene Technik erlaubt es jedoch nur, eine Anormalität, wie eine Änderung der zuvor angenommenen Form eines zuvor angenommenen Elements zu erfassen. Außerdem erzielt man beim Auftreten nur den Effekt, der ein frühzeitiges Erkennen des Auftretens einer Anormalität erlaubt. Es ist unmöglich, den Effekt des Erkennens eines Ereignisses zu erhalten, das zu dem Auftreten einer Anormalität führt, und eine Situation, in der eine Anormalität auftreten kann, vorherzusagen.
KURZDARSTELLUNG DER ERFINDUNG
Die vorliegende Erfindung wurde verwirklicht, um ein solches Problem zu lösen, und eine Aufgabe der Erfindung ist das Bereitstellen eines Geräts und eines Verfahrens zum Annehmen eines Anormalitätsauftretens, die es erlauben, das Auftreten einer Anormalität, wie eines Bruchs, und Verschleiß oder Brechen von Pufferteilen in einer Teleskopabdeckung vorherzusagen.
Ein Gerät zum Annehmen eines Anormalitätsauftretens für eine Teleskopabdeckung gemäß der vorliegenden Erfindung nimmt das Auftreten einer Anormalität in Zusammenhang mit einer Teleskopabdeckung, die an einer Vorrichtung angebracht ist, an und weist eine Lernresultatspeichereinheit auf, die ein Lernresultat eines überwachten Lernens speichert, das auf der Basis einer Merkmalquantität ausgeführt wird, die aus einer physikalischen Größe extrahiert wird, die während eines Betätigens der Vorrichtung erfasst wird, und auf der Basis von Informationen in Zusammenhang mit einer Anormalität, die in der Teleskopabdeckung auftritt, eine Erfassungseinheit einer physikalischen Größe, die die physikalische Größe während des Betätigens der Vorrichtung erfasst, eine Merkmalquantitätsextraktionseinheit, die die Merkmalquantität der physikalischen Größe auf der Basis der physikalischen Größe extrahiert, die von der Erfassungseinheit einer physikalischen Größe erfasst wird, eine Anormalitätsannahmeeinheit, die eine Anormalität, die in der Teleskopabdeckung während der Betätigung der Vorrichtung auftreten kann, auf der Basis des Lernresultats, das in der Lernresultatspeichereinheit gespeichert ist, und auf der Basis der Merkmalquantität, die von der Merkmalquantitätsextraktionseinheit extrahiert wird, annimmt, und eine Annahmeresultatausgabeeinheit, die die Anormalität, die von der Anormalitätsannahmeeinheit angenommen wird, ausgibt, auf.
Das Gerät zur Annahme eines Anormalitätsauftretens kann ferner eine Einheit zum überwachten Lernen aufweisen, die überwachtes Lernen auf der Basis der Merkmalquantität ausführt, die aus der physikalischen Größe extrahiert wird, die während der Betätigung der Vorrichtung erfasst wird, und auf der Basis der Informationen, die mit der Anormalität, die in der Teleskopabdeckung auftritt, zusammenhängen, und ein Resultat des Lernens in der Lernresultatspeichereinheit speichert.
Die Merkmalquantität der physikalischen Größe kann ein Zahlenwert sein, der ein Merkmal der physikalischen Größe zeigt.
Die physikalische Größe kann ein Schall und/oder eine Schwingung sein, die von der Vorrichtung erzeugt wird, und/oder ein Stromwert in der Vorrichtung.
Die Erfassungseinheit der physikalischen Menge kann die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem Bearbeitungsprogramm, während der Betätigung der Vorrichtung basierend auf einem vorbestimmten Block, der im Voraus unter Blöcken in dem Bearbeitungsprogramm definiert wird, oder während der Betätigung der Vorrichtung basierend auf einem Bestimmungsprogramm erfassen.
Ein Annahmeverfahren für Anormalitätsauftreten für eine Teleskopabdeckung gemäß der vorliegenden Erfindung ist ein Verfahren, das eine Anormalität in einer Teleskopabdeckung, die an einer Vorrichtung angebracht ist, annimmt und die Schritte des Betätigens der Vorrichtung mit der Teleskopabdeckung, die daran angebracht ist, das Erfassen einer physikalischen Größe in Zusammenhang mit der Vorrichtung, wenn die Vorrichtung betätigt wird, das Extrahieren einer Merkmalquantität der erfassten physikalischen Größe, das Ausführen überwachten Lernens, und das Annehmen einer Anormalität, die in der Teleskopabdeckung auftreten kann, auf der Basis eines Lernresultats des überwachten Lernens, wenn eine willkürliche Merkmalquantität der physikalischen Größe eingegeben wird, aufweist.
Die Merkmalquantität der physikalischen Größe kann ein Zahlenwert sein, der ein Merkmal der physikalischen Größe zeigt.
Die physikalische Größe kann ein Schall und/oder eine Schwingung sein, die von der Vorrichtung erzeugt wird, und/oder ein Stromwert in der Vorrichtung.
Die physikalische Größe kann während der Betätigung der Vorrichtung basierend auf einem Bearbeitungsprogramm, während der Betätigung der Vorrichtung basierend auf einem vorbestimmten Block, der im Voraus unter Blöcken in dem Bearbeitungsprogramm definiert wird, oder während der Betätigung der Vorrichtung basierend auf einem Bestimmungsprogramm erfasst werden..
Die vorliegende Erfindung kann das Gerät zum Annehmen eines Anormalitätsauftretens und das Annahmeverfahren eines Anormalitätsauftretens bereitstellen, die es erlauben, das Auftreten einer Anormalität, wie eines Bruchs, in einer Teleskopabdeckung, oder Verschleiß/Brechen eines Pufferteils vorherzusagen. Durch Einführen des Geräts zum Annehmen eines Anormalitätsauftretens gemäß der vorliegenden Erfindung, ist es für einen Benutzer einer Werkzeugmaschine möglich zu erkennen, dass die Teleskopabdeckung oder das Pufferteil, das an der Teleskopabdeckung angebracht ist, verschlissen oder zerbrochen ist, und dass eine Plattenabdeckung Reparatur und Wartung benötigt, ohne regelmäßiges Prüfen und Ersetzen von Teilen auszuführen. Das erlaubt es, geplante vorbeugende Wartung auszuführen, bevor die Maschine plötzlich versagt/stoppt, und führt zu einer verbesserten Betriebsrate und beständig aufrechterhaltener Produktion. Da außerdem nur ein Verbrauchselement, wie das Pufferteil, ersetzt werden kann, wenn das Pufferteil verschlissen oder zerbrochen ist, ist es möglich, darauffolgendes Brechen der Plattenabdeckung selbst zu verhindern. Das führt zu verringerten Wartungskosten und verringertem Zeitaufwand.
Figurenliste

1 ist eine Ansicht, die ein Beispiel eines gebrochenen Zustands einer Teleskopabdeckung zeigt;
2 ist eine Ansicht, die ein Beispiel der Teleskopabdeckung, an der Pufferelemente angebracht sind, zeigt;
die 3A und 3B sind Ansichten, die eine Übersicht des Betriebs einer Lernmaschine, die überwachtes Lernen ausführt, veranschaulichen (3A zeigt ein Lernstadium und 3B zeigt ein Vorhersagestadium basierend auf dem Resultat des Lernens);
4 ist eine Skizze, die ein Modell eines Neurons zeigt;
5 ist eine Skizze, die ein neuronales Netzwerk zeigt, das ein dreischichtiges Gewicht hat;
6 ist ein Blockschaltbild, das eine schematische Konfiguration eines Geräts zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung zeigt,
7 ist eine Ansicht, die die Übersicht des Betriebs des Geräts zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung in dem Lernstadium und in dem Vorhersagestadium zeigt, und
8 ist eine Ansicht, die ein Beispiel korrekter Antwortinformation y zeigt.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Die vorliegende Erfindung verwendet maschinelles Lernen, um das Auftreten einer Anormalität in einer Teleskopabdeckung mit hoher Präzision anzunehmen. Bei dem maschinellen Lernen der vorliegenden Erfindung werden Merkmale aus diversen physikalischen Größen (wie Schwingung, Schall und Strom), die bei dem Auftreten einer Anormalität und während einer normalen Zeit erzeugt werden, extrahiert werden, und die Beziehungen zwischen den Mengen der extrahierten Merkmale und der Anormalität (wie die Position und den Zustand des Bruchs einer Teleskopabdeckung und den Verschleißzustand oder die Bruchposition eines Pufferteils) der aufgetreten ist, maschinell gelernt werden.
Zunächst wird eine kurze Beschreibung des maschinellen Lernens, das bei der vorliegenden Erfindung verwendet wird, gegeben.
Maschinelles Lernen
Maschinelles Lernen wird durch Extrahieren aus einem Datensatz, der in eine Vorrichtung eingegeben wird, die das maschinelle Lernen ausführt (unten eine Lernmaschine genannt) einer nützlichen Regel, eines Wissensausdrucks, eines Kriteriums zur Bestimmung oder dergleichen, die darin enthalten sind, durch deren/dessen Analyse und Ausgeben des Resultats der Analyse während Wissen gelernt wird, umgesetzt. Es gibt diverse Verfahren für maschinelles Lernen, die grob in „überwachtes Lernen“, „unüberwachtes Lernen“ und „Verstärkungslernen“ gegliedert sind. Es gibt auch ein Verfahren, das „tiefes Lernen“ genannt wird, das das Extrahieren von Merkmalquantitäten selbst beim Umsetzen solcher Verfahren lernt.
Das „überwachtes Lernen“ ist ein Modell, das eine große Anzahl von Eingabe-Resultat (Label)-Datenpaaren zu einer Lernmaschine gibt, um es der Lernmaschine zu erlauben, die Merkmale zu erlernen, die in den Datensätzen enthalten sind, und die Resultate aus den Eingaben abzuleiten, das heißt ein Verfahren, das induktiv die Beziehungen zwischen ihnen erfasst. Das kann durch Verwenden eines Algorithmus für ein neuronales Netzwerk, das unten beschrieben ist, oder dergleichen umgesetzt werden.
Das „unüberwachte Lernen“ ist ein Verfahren, das nur eine große Menge von Eingabedaten zu einer Lernmaschine gibt, um es der Lernmaschine zu erlauben zu lernen, wie die Eingabedaten verteilt sind, und Kompression, Klassifizierung, Formen oder dergleichen auf den Eingabedaten auszuführen, ohne die entsprechenden Lehrer-Ausgabedaten zu geben. Das Verfahren erlaubt das Clustern ähnlicher Merkmale, die in den Datensätzen und dergleichen enthalten sind. Durch Verwenden des Resultats, wird ein bestimmtes Kriterium bereitgestellt, und die Zuordnung von Ausgaben, die das Kriterium optimieren, wird ausgeführt, um das Vorhersagen der Ausgaben zu erlauben.
Als eine dazwischen liegende Problemlösung zwischen dem „unüberwachten Lernen“ und dem „überwachten Lernen“ gibt es ein Verfahren, das „halb überwachtes Lernen“ genannt wird, das dem Fall entspricht, in dem einige von Datensätzen Eingabe-Ausgabedatenpaare aufweisen, während andere Datensätze nur Eingabedaten aufweisen. Bei der vorliegenden Ausführungsform werden Daten, die ohne tatsächliches Betreiben einer Werkzeugmaschine erfasst werden, zum unüberwachten Lernen verwendet, um das Ausführen effizienten Lernens zu erlauben.
Das „Verstärkungslernen“ ist ein Verfahren, das es einer Lernmaschine erlaubt, nicht nur Bestimmung oder Klassifizierung zu lernen, sondern auch eine Verhaltensweise, um eine zweckdienliches Verhaltensweise durch die Wechselwirkung zwischen der Verhaltensweise und einer Umgebung zu lernen, das heißt, eine in der Zukunft erhaltbare Belohnung. Beim Verstärkungslernen wird es der Lernmaschine erlaubt, das Lernen in einem Zustand zu starten, in dem die Lernmaschine nichts weiß oder ein Resultat, das durch eine Verhaltensweise verursacht wird, nur unvollständig weiß. Alternativ wird es der Lernmaschine auch erlaubt, das Lernen ausgehend von einem guten Startpunkt zu starten, an dem die Lernmaschine in einem Ausgangszustand vorab gelernt hat, eine menschliche Verhaltensweise nachzuahmen (ein Verfahren wie umgekehrtes Verstärkungslernen oder das oben beschriebene überwachte Lernen).
Die vorliegende Erfindung zielt darauf ab, es der Lernmaschine zu erlauben, die Beziehung zwischen einer Merkmalquantität, die aus der physikalischen Größe extrahiert wird, die während des Betätigens einer Teleskopabdeckung erfasst wird, und einer Anormalität (wie die Position, an der Brechen einer Teleskopabdeckung oder Verschleiß oder Brechen von Pufferteilen aufgetreten ist, oder den Zustand eines solchen Brechens), die in der Teleskopabdeckung aufgetreten ist, zu lernen. Die vorliegende Erfindung verwendet einen Algorithmus für das überwachte Lernen in Anbetracht solcher Tatsachen, dass Lernen basierend auf spezifizierten Daten ausgeführt werden kann, und dass es erforderlich ist, einen anormalen Zustand der Teleskopabdeckung auf der Basis des Lernresultats zu bestimmen.
Die 3A und 3B sind Ansichten, die die Übersicht über den Betrieb der Lernmaschine, die das überwachte Lernen ausführt, veranschaulichen.
Der Betrieb der Lernmaschine, die das überwachte Lernen ausführt, kann grob in zwei Stadien gegliedert werden, nämlich ein Lernstadium und ein Vorhersagestadium. An dem Lernstadium (3A), wenn die Lehrerdaten, die die Werte von Zustandsvariablen (erklärende Variablen, die in 3A x₁, x₂, x₃, ... sind), die als Eingabedaten verwendet werden, und der Wert einer Zielvariablen (y in 3A), die als Ausgabedaten verwendet wird, zu der Lernmaschine, die das überwachte Lernen ausführt, gegeben wird, lernt die Lernmaschine das Ausgeben des Werts der Zielvariablen, wenn die Werte der Zustandsvariablen in sie eingegeben werden. Indem ihr eine große Anzahl solcher Lehrerdatenelemente gegeben wird, wird es der Lernmaschine erlaubt, ein Vorhersagemodell (Funktion f, die das Mapping ausführt) zum Ausgeben des Werts der Zielvariablen, die den Werten der Zustandsvariablen entspricht, zu bilden.
Wenn sie neue Eingabedaten (Zustandsvariablen) an dem Vorhersagestadium (3B) erhält, sagt die Lernmaschine, die das überwachte Lernen ausführt, Ausgabedaten (Zielvariable) in Übereinstimmung mit dem Lernresultat (gebildetes Vorhersagemittel) vorher und gibt die vorhergesagten Ausgabedaten aus.
Als ein Beispiel des Lernens, das von der Lernmaschine, die das überwachte Lernen ausführt, ausgeführt wird, gibt es ein Verfahren, das zum Beispiel eine Regressionsformel, wie unten in der Formel (1) gezeigt, als das Vorhersagemodell (Funktion f, die das Mapping ausführt) verwendet. Bei dem Verfahren, das die Regressionsformel verwendet, setzt die Lernmaschine das Lernen fort, indem die jeweiligen Werte individueller Koeffizienten a₀, a₁, a₂, a₃, ... derart angepasst werden, dass der Wert der Zielvariablen (korrekte Antwortinformation) y erhalten wird, wenn die jeweiligen Werte der individuellen Zustandsvariablen x₁, x₂, x₃, ... in der Formel (1) der Regressionsformel bei dem Lernprozess zugeordnet werden. $y = a_{0} + a_{1} x_{1} + a_{2} x_{2} + a_{3} x_{3} + \cdot \cdot \cdot + a_{n} x_{n}$
Als ein anderes Beispiel des Lernens, das von der Lernmaschine, die das überwachte Lernen ausführt, ausgeführt wird, gibt es ein Verfahren, das zum Beispiel ein neuronales Netzwerk als das Vorhersagemodell (Funktion f, die das Mapping ausführt) verwendet. Das neuronale Netzwerk weist eine Rechenoperationsvorrichtung, einen Speicher und dergleichen auf, die ein neuronales Netzwerk umsetzen, das ein Modell eines Neurons, wie zum Beispiel in 4 gezeigt, darstellt. 4 ist eine Skizze, die ein Modell eines Neurons zeigt.
Wie in 4 gezeigt, gibt das Neuron korrekte Antwortinformation y aus, die einer Eingabe x (die zum Beispiel die Vielzahl von Eingaben x₁ bis x₃ ist) entspricht. Die Eingaben x₁ bis x₃ werden mit jeweiligen Gewichten w (w₁ bis w₃), die der Eingabe x entsprechen, multipliziert. Das Neuron gibt daher die korrekte Antwortinformation y, die von der Formel (2) die unten gezeigt ist, ausgegeben wird, aus. Zu bemerken ist, dass in Formel (2) jede der Eingaben x die korrekte Antwortinformation y und das Gewicht w ein Vektor ist, θ eine Vorspannung ist und fk eine Aktivierungsfunktion ist. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Als eine Anwendung des Verfahrens, das das neuronale Netzwerk zum Lernen, das von der Lernmaschine, die das überwachte Lernen ausführt, ausgeführt wird, gibt es ein Verfahren, das ein neuronales Netzwerk verwendet, das dreischichtige Gewichte hat, die durch Kombinieren der Neuronen, die oben als das Vorhersagemodell (Funktion f, die das Mapping ausführt) beschrieben sind, verwendet. 5 ist eine Skizze, die ein neuronales Netzwerk zeigt, das Gewicht in drei Schichten D1 bis D3 hat. Bei dem Beispiel, das in 5 gezeigt ist, wird die Eingabe x (die zum Beispiel die Vielzahl von Eingaben x₁ bis x₃ ist) in das neuronale Netzwerk ausgehend von seiner linken Seite eingegeben, während korrekte Antwortinformation y (die zum Beispiel die Vielzahl korrekter Antwortinformationselemente y₁ bis y₃ ist) aus dem neuronalen Netzwerk zu seiner rechten Seite ausgegeben wird.
Insbesondere werden die Eingaben x₁ bis x₃ mit jeweiligen Gewichten multipliziert, die drei Neuronen N₁₁ bis N₁₃ entsprechen und zu den jeweiligen Neuronen N₁₁ bis N₁₃ eingegeben. In 5 sind die jeweiligen Gewichte, mit welchen diese Eingaben multipliziert werden (Gewichte mit welchen die Eingaben x₁ bis x₃, die zu den jeweiligen Neuronen einzugeben sind, multipliziert werden) kollektiv als eine Matrix w₁ gezeigt. Die Neuronen N₁₁ bis N₁₃ erzeugen jeweilige Ausgaben z₁₁ bis z₁₃. Diese Ausgaben z₁₁ bis z₁₃ sind gemeinsam als ein Merkmalvektor z₁ gezeigt, der als ein Vektor betrachtet werden kann, der aus der Extraktion der Merkmalquantität eines Eingabevektors resultiert. Der Merkmalvektor z₁ ist ein Merkmalvektor zwischen den Gewichten w₁ und w₂.
Die Merkmalvektoren z₁₁ bis z₁₃ werden mit jeweiligen Gewichten multipliziert, die zwei Neuronen N₂₁ und N₂₂ entsprechen, und zu den jeweiligen Neuronen N₂₁ und N₂₂ eingegeben. In 5 werden jeweilige Gewichte, mit welchen diese Merkmalvektoren multipliziert werden (Gewichte, mit welchen die jeweiligen Elemente der Merkmalvektoren, die zu den jeweiligen Neuronen einzugeben sind, multipliziert werden) gemeinsam als eine Matrix w₂ gezeigt. Die Neuronen N₂₁ und N₂₂ erzeugen jeweilige Ausgaben z₂₁ und z₂₂. Diese Ausgaben z₂₁ und z₂₂ sind kollektiv als ein Merkmalvektor z₂ gezeigt. Der Merkmalvektor z₂ ist ein Merkmalvektor zwischen den Gewichten w₂ und w₃.
Die Merkmalvektoren z₂₁ und z₂₂ werden mit jeweiligen Gewichten multipliziert, die drei Neuronen N₃₁ bis N₃₃ entsprechen, und zu den jeweiligen Neuronen N₃₁ bis N₃₃ eingegeben. In 5 werden jeweilige Gewichte, mit welchen diese Merkmalvektoren multipliziert werden (Gewichte, mit welchen die jeweiligen Elemente der Merkmalvektoren, die zu den jeweiligen Neuronen einzugeben sind, multipliziert werden) gemeinsam als eine Matrix w₃ gezeigt.
Schließlich geben die Neuronen N₃₁ bis N₃₃ jeweils korrekte Antwortinformationselemente y₁ bis y₃ aus.
Das Funktionieren des neuronalen Netzwerks, das in den 3 und 4 gezeigt ist, hat einen Lernmodus (der dem Lernstadium in 3A entspricht) und einen Vorhersagemodus (der dem Vorhersagestadium in 3B entspricht). In dem Lernmodus wird unter Verwenden eines Lerndatensatzes jedes der Gewichte w gelernt. In dem Vorhersagemodus wird unter Verwenden des Parameters die Vorhersage einer Anormalität in der Teleskopabdeckung ausgeführt (aus praktischen Gründen wird der Begriff „Vorhersage“ verwendet, aber diverse Aufgaben, wie Erfassen, Klassifizierung und Ableitung sind möglich).
Zu bemerken ist, dass es auch möglich ist, entweder sofort Daten zu lernen, die durch tatsächliches Bewegen der Teleskopabdeckung in dem Vorhersagemodus und Wiedergeben des Resultats des Lernens auf dem darauffolgenden Verhalten (Online-Lernen) erhalten werden, oder kollektives Lernen unter Verwenden von Datengruppen, die im Voraus gesammelt werden, auszuführen und anschließend das Ausführen eines Erfassungsmodus unter Verwenden resultierender Parameter (Batch-Lernen) fortzusetzen. Als ein dazwischenliegendes Verfahren zwischen dem Online-Lernen und dem Batch-Lernen ist es auch möglich, intermittierend einen Lernmodus jedes Mal auszuführen, wenn eine bestimmte Menge von Daten gesammelt wird.
Die Gewichte w₁ bis w₃ können in Übereinstimmung mit einem Fehlerrückführungsverfahren gelernt werden. Informationen über einen Fehler treten von der rechten Seite ein und fließen zu der linken Seite. Das Fehlerrückführungsverfahren passt (lernt) für jedes der Neuronen das Gewicht des Neurons an, um den Unterschied zwischen der korrekten Antwortinformation y, die ausgegeben wird, wenn die Eingabe x eingegeben wird, und der tatsächlichen korrekten Antwortinformation y (Lehrer) zu verringern.
Es ist auch möglich, die Schichten des neuronalen Netzwerks auf mehr als drei Schichten zu erhöhen (was tiefes Lernen genannt wird). Es ist möglich, automatisch, nur aus den Lehrerdaten, eine Rechenoperationsvorrichtung zu erfassen, die schrittweise die Merkmale der Eingaben extrahiert und die Regression der Resultate ausführt.
Als andere Algorithmen für das überwachte Lernen sind diverse Verfahren, wie ein Verfahren des kleinsten Quadrats, ein schrittweises Verfahren, SVM und Entscheidungsbaumlernen bekannt. Als ein Verfahren, das an die vorliegende Erfindung anzuwenden ist, kann jeder beliebige überwachte Lernalgorithmus verwendet werden. Jeder der anderen überwachten Lernalgorithmen, das Verfahren, das die oben gezeigte Regressionsformel verwendet, das Verfahren, das das oben beschriebene neuronale Netzwerk verwendet und dergleichen sind bekannt, so dass eine ausführlichere Beschreibung jedes dieser Algorithmen in der vorliegenden Spezifikation weggelassen wird.
Nächstfolgend wird eine spezifische Beschreibung eines Geräts und eines Verfahrens zum Annehmen von Anormalitätsauftreten für eine Teleskopabdeckung der vorliegenden Erfindung unter Verwenden des überwachten Lernens, das oben beschrieben ist, gegeben.
Ausführungsform
6 ist ein Blockschaltbild, das eine schematische Konfiguration eines Geräts 1 zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung in einer Ausführungsform der vorliegenden Erfindung zeigt.
Typischerweise kann das Gerät 1 zur Annahme eines Anormalitätsauftretens als ein Datenverarbeitungsgerät, wie ein Computer, der mit einem Sensor 2, der unten beschrieben ist, über eine Kommunikationsleitung, eine Signalleitung oder dergleichen verbunden ist, verkörpert werden. Das Gerät 1 zur Annahme eines Anormalitätsauftretens weist eine Maschine 10 zum überwachten Lernen 10 (gepunkteter Rahmen in der Zeichnung), eine Erfassungseinheit einer physikalischen Größe 20, eine Merkmalquantitätsextraktionseinheit 30 und eine Annahmeresultatausgabeeinheit 40 auf.
Der Sensor weist diverse Sensoren auf, wie einen Schwingungssensor oder einen Schallsensor, der an einer Werkzeugmaschine oder an der Teleskopabdeckung angebracht ist, und ein Messinstrument (nicht gezeigt), das mit einem beliebigen der genannten diversen Sensoren verbunden ist, eine numerische Steuerung, die fähig ist, die Position, Geschwindigkeit, Beschleunigung oder Last (Stromwert) eines Motors, der jede der Achsen der Werkzeugmaschine antreibt, einen Stromwert darin usw. oder dergleichen zu erfassen. Der Sensor 2 weist daher ein beliebiges technisches Mittel auf, das fähig ist, diverse physikalische Größen, die mit der Werkzeugmaschine oder der Teleskopabdeckung zusammenhängen, zu erfassen und die erfassten physikalischen Größen als Sensorwerte zu dem Gerät 1 zur Annahme eines Anormalitätsauftretens auszugeben.
Die Erfassungseinheit einer physikalischen Größe 20 erfasst die Sensorwerte, die von dem Sensor 2 in dem Gerät 1 zur Annahme eines Anormalitätsauftretens ausgegeben werden. Die erfassten Sensorwerte weisen Messdaten auf, wie den Schall oder Schwingung, der/die von der Werkzeugmaschine oder der Teleskopabdeckung erzeugt wird, wenn sich jede der Achsen der Werkzeugmaschine bewegt (während eines schnellen Quervorgangs oder eines Schneidvorschubvorgangs), und die Position, Geschwindigkeit, Beschleunigung oder Last (Stromwert) eines Motors, der jede der Achsen der Werkzeugmaschine antreibt. Zu bemerken ist, dass die Erfassungseinheit einer physikalischen Größe 20 auch konfiguriert sein kann, um die Sensorwerte von dem Sensor 2 zu erfassen, wenn die Maschine zum überwachten Lernen 10 in dem Lernstadium in Betrieb ist.
Die Merkmalquantitätsextraktionseinheit 30 extrahiert eine Merkmalquantität von jedem der Sensorwerte, die von der Erfassungseinheit einer physikalischen Größe 20 erfasst werden. Die Merkmalquantität, die von der Merkmalquantitätsextraktionseinheit 30 extrahiert wird, kann auch eine Menge sein, die unter Verwenden eines herkömmlichen typischen statistischen Verfahrens quantifiziert werden kann, wie zum Beispiel der Höchstwert, der Mindestwert, der Mittelwert und der Varianzwert der Wellenformdaten eines Schalls, einer Schwingung oder ein Stromwert eines Motors, der jede der Achsen einer Werkzeugmaschine antreibt, das Timing einer Änderung der Schräge der Wellenformdaten oder der Wert (Zeit oder Position) einer physikalischen Größe in dem Zeitpunkt. Alternativ kann die Form selbst des Änderungsmusters eines Sensorwerts während einer gegebenen Zeitspanne ebenfalls als die Merkmalquantität verwendet werden. Ebenfalls alternativ kann die Merkmalquantität auch aus jedem einer Vielzahl physikalischer Größensätze extrahiert werden.
Wie zum Beispiel in „Ensemble Learning with Neural Networks to Classify Traffic Sounds“ von Asato Shimotaki und fünf anderen, 47th Proceedings of the Japan Joint Automatic Control Conference (veröffentlicht am 11. Januar 2005) gezeigt, unterteilt die Merkmalquantitätsextraktionseinheit 30 gleichmäßig Wellenformdaten, die eine Änderung des Schalldrucks zeigen, in eine Vielzahl von Intervallen entlang einer Zeitachse. Die Wellenformdaten, die mit einer vorbestimmten Rate abgetastet werden, werden in Intervalle, die jeweils eine vorbestimmte Anzahl von Abtastungen aufweisen, geteilt. Dann wird der Gesamtwert der Schalldrücke in dem Intervall als ein Intervallschalldruck angenommen, und ein FFT (Fast Fourier Transformation)-Prozess wird auf jedem der Intervallschalldrücke ausgeführt. Schließlich, was die Vielzahl erhaltener Frequenzcharakteristiken betrifft, kann ein Höchstwert an jeder der Frequenzen als eine Merkmalquantität verwendet werden. Um die Menge an anschließendem Rechnen zu verringern, kann die Merkmalquantitätsextraktionseinheit 30 auch den Mittelwert einer vorbestimmten Anzahl mehrfacher Merkmalquantitäten, die derart erhalten werden, berechnen und den Mittelwert als eine Merkmalquantität, die eine reduzierte Anzahl von Dimensionen hat, verwenden. Die Merkmalquantitätsextraktionseinheit 30 kann diese Merkmalquantitäten auch derart normalisieren, dass die normalisierten Merkmalquantitäten in einen Bereich von 0 bis 1 fallen, und kann die resultierenden Merkmalquantitäten als eine abschließende Eingabe zu der Lernmaschine 10 verwenden.
Die Merkmalquantitätsextraktionseinheit 30 kann auch das Merkmalquantitätenextraktionsverfahren, das oben beschrieben ist, an die Wellenformdaten von Schwingung, Strom und dergleichen anwenden und die jeweiligen Merkmalquantitäten der physikalischen Größen extrahieren. Zu bemerken ist, dass die physikalischen Größen und die Merkmalquantitäten, die jeweils oben beschrieben sind, nur beispielhaft sind. Als eine Merkmalquantität kann ein beliebiger Wert verwendet werden, solange der Wert das Merkmal einer physikalischen Größe zeigen kann.
Das Gerät 1 zur Annahme eines Anormalitätsauftretens weist die Maschine 10 zum überwachten Lernen (gepunkteter Rahmen in den Zeichnungen) auf. Zu dem Gerät 1 zur Annahme eines Anormalitätsauftretens werden diverse physikalische Größen, die von dem Sensor 2 ausgegeben werden, übertragen. Eine Einheit 11 zum überwachten Lernen, eine Lernresultatspeichereinheit 12 und eine Anormalitätsannahmeeinheit 13, die jeweils in der Maschine 10 zum überwachten Lernen enthalten sind, bilden den Hauptteil der Maschine 10 zum überwachten Lernen.
Wenn die Maschine 10 zum überwachten Lernen in dem Lernstadium eingestellt ist, führt die Einheit 11 zum überwachten Lernen aus und speichert das Resultat des Lernens in der Lernresultatspeichereinheit 12. Wie in (I) der 7 gezeigt, empfängt die Einheit 11 zum überwachten Lernen bei der vorliegenden Ausführungsform als Eingaben die Merkmalquantitäten, die von der Merkmalquantitätsextraktionseinheit 30 extrahiert werden, und die korrekte Antwortinformation y als die Lehrerdaten, und führt das überwachte Lernen aus. Die korrekte Antwortinformation y zeigen den Inhalt des Anormalitätsauftretens in der Teleskopabdeckung.
Bei dem Lernen, das von der Einheit 11 zum überwachten Lernen ausgeführt wird, kann es möglich sein, die Merkmalquantität, die aus der physikalischen Größe extrahiert wird, wenn die Teleskopabdeckung gemäß einer Anweisung von einem typischen Werkzeugmaschinenprogramm in Betrieb ist, zu verwenden. In einem solchen Fall können jedoch diverse Störungen, die während des Bearbeitens auftreten, möglicherweise die Präzision des Lernens verringern. Wenn eine solche Situation zu vermeiden ist, kann es auch möglich sein, ein Bestimmungsprogramm im Voraus vorzubereiten, das eine Werkzeugmaschine veranlasst, in einem Betriebsmuster zu arbeiten, das immer leichtes Bestimmen zum Beispiel des gebrochenen Zustands der Teleskopabdeckung oder des verschlissenen/gebrochenen Zustands eines Pufferteils erlaubt (wie zum Beispiel ein Betriebsmuster, das einen Tisch veranlasst, sich abwechselnd von vorn nach hinten und von einer Seite zur anderen Seite zu Grenzpositionen zu bewegen), und die Merkmalquantität, die aus der erfassten physikalischen Größe extrahiert wird, wenn es dem Bestimmungsprogramm erlaubt wird zu laufen (zum Beispiel bevor das Bearbeiten gestartet wird) für das Lernen zu verwenden. Es kann auch in Betracht gezogen werden, dass, sogar wenn die Merkmalquantität, die aus der physikalischen Größe extrahiert wird, die erfasst wird, wenn das Bearbeitungsprogramm ausgeführt wird, für das Lernen verwendet wird, das von der Einheit 11 zum überwachten Lernen ausgeführt wird, einen Block zu verwenden, der eine Anweisung zum Ausgeben eines Signals oder dergleichen gibt, der vorab platziert wird, bevor oder nachdem ein Block der eine Anweisung zum Ausführen eines Vorgangs ausgibt, der das problemlose Bestimmen des gebrochenen Zustands der Teleskopanordnung oder des verschlissenen/gebrochenen Zustands des Pufferteils erlaubt, und die Merkmalquantität, die aus der physikalischen Größe, die während des Vorgangs in dem Bereich erfasst wird, in dem das Signal erfasst wird, zum Lernen zu verwenden.
8 zeigt ein Beispiel der korrekten Antwortinformation y. Wenn eine Anormalität in der Teleskopabdeckung auftritt, gibt ein Techniker, der eine Aktion, wie eine Reparatur, unternommen hat, eine Zeit des Anormalitätsauftretens, ein Teil des Anormalitätsauftretens, den Inhalt der Anormalität, die unternommene Aktion und dergleichen als Wartungsinformationen zu der Eingabevorrichtung der Werkzeugmaschine oder dergleichen ein. Die eingegebenen Wartungsinformationen werden in dem Speicherbereich (nicht gezeigt) einer Vorrichtung innerhalb oder außerhalb des Geräts 1 zur Annahme eines Anormalitätsauftretens gespeichert. Die korrekte Antwortinformation y, die in 8 gezeigt ist, ist ein Code, der durch Codieren des Teils des Anormalitätsauftretens, des Inhalts einer Anormalität, der unternommene Aktion und dergleichen als Textdaten, die in den Wartungsinformationen enthalten sind, erhalten wird. Der Code kann eingegeben werden, wenn der Techniker die Wartungsinformationen produziert, oder kann auch anschließend von dem Techniker durch Analysieren der Wartungsinformationen erzeugt werden.
Die Einheit 11 zum überwachten Lernen empfängt als eine Eingabe ein Paar aus einem Element der korrekten Antwortinformation y (das heißt eine der Aufzeichnungen in der Tabelle, die in 8 gezeigt ist) und einer Merkmalquantität, die aus der physikalischen Größe erzeugt wird, die erfasst wird, wenn die Anormalität, die dem korrekten Antwortinformationselement y entspricht, aufgetreten ist. Genauer genommen kann das korrekte Antwortinformationselement mit der Merkmalquantität gepaart werden, die der Zeitspanne entspricht, während der eine physikalische Größe unter physikalischen Größen, die während einer vorbestimmten Zeitspanne um die Zeit des Anormalitätsauftretens in dem korrekten Antwortinformationselement y erfasst wird, einen Pegel (wie Schalldruckpegel) von nicht weniger als einem vorbestimmten Wert erreicht hat.
Die Einheit 11 zum überwachten Lernen empfängt auch als eine Eingabe ein Paar aus einer Merkmalquantität, die aus der physikalischen Größe erzeugt wird, die erfasst wird, wenn keine Anormalität aufgetreten ist, und dem korrekten Antwortinformationselement y, das kein Anormalitätsauftreten anzeigt (siehe 8). Die Einheit 11 zum überwachten Lernen kann als eine Eingabe eine Merkmalquantität, die einem Intervall vor oder nach dem oben erwähnten Intervall, während dem die Anormalität aufgetreten ist, empfangen, oder kann auch eine Merkmalquantitäten empfangen, die regelmäßig oder in einem willkürlichen Zeitpunkt erzeugt wird und während des oben erwähnten Intervalls, während dem die Anormalität aufgetreten ist, nicht erzeugt wird.
Wenn die Einheit 11 zum überwachten Lernen daher die Merkmalquantität und das korrekte Antwortinformationselement y empfängt, kann die Einheit 11 zum überwachten Lernen unter Verwenden eines überwachten Lernverfahrens des Identifikationstyps verkörpert werden. In diesem Fall ist es zweckdienlich, dass unter Verwenden eines neuronalen Netzwerks eine nicht lineare Entscheidungsgrenze, die es erlaubt, das korrekte Antwortinformationselement y, das auf der Basis der Eingabe x zu identifizieren ist, erzeugt und als die Funktion f verwendet wird.
Die Lernresultatspeichereinheit 12 speichert das Resultat des Lernens, das durch die Einheit 11 zum überwachten Lernen auf der Basis der Lehrerdaten ausgeführt wird. Wenn zum Beispiel die oben gezeigte Regressionsformel als das Vorhersagemodell verwendet wird, speichert die Lernresultatspeichereinheit 12 die Regressionsformel, die erhalten wird, als das Lernresultat. Wenn zum Beispiel das Lernverfahren unter Verwenden des neuronalen Netzwerks, das oben beschrieben ist, als das Vorhersagemodell verwendet wird, speichert die Lernresultatspeichereinheit 12 die Parameter des erhaltenen neuronalen Netzwerks als das Lernresultat. Die Lernresultatspeichereinheit 12 gibt das gespeicherte Lernresultat als Reaktion auf eine Anfrage von außen her aus. Diese Funktion erlaubt es auch, das Lernresultat, das in der Lernresultatspeichereinheit 12 gespeichert ist, zu einem anderen Gerät zur Annahme eines Anormalitätsauftretens oder dergleichen zu übertragen und darin zu verwenden.
Wie in (II) der 7 gezeigt, nimmt die Anormalitätsannahmeeinheit 13, wenn die Maschine 10 zum überwachten Lernen an dem Vorhersagestadium ist, das Teil des Anormalitätsauftretens, den Inhalt der Anormalität, die zu unternehmende Aktion und dergleichen auf der Basis des Lernresultats, das in der Lernresultatspeichereinheit 12 gespeichert wird, und unter Verwenden der physikalischen Größe, die von der Erfassungseinheit einer physikalischen Größe 20 erfasst wird, und der Merkmalquantität, die von der Merkmalquantitätsextraktionseinheit 30 extrahiert wird, an.
Bei der Annahme einer Anormalität, die von der Anormalitätsannahmeeinheit 13 ausgeführt wird, kann es möglich sein, die Merkmalquantität, die aus der physikalischen Größe extrahiert wird, wenn die Teleskopabdeckung gemäß einer Anweisung von einem typischen Werkzeugmaschinenprogramm arbeitet, zu verwenden. Auf dieselbe Art wie während des Lernens, kann es jedoch auch möglich sein, ein Bestimmungsprogramm im Voraus vorzubereiten, das eine Werkzeugmaschine veranlasst, in einem Betriebsmuster zu arbeiten, das immer leichtes Bestimmen zum Beispiel des gebrochenen Zustands der Teleskopabdeckung oder des verschlissenen/gebrochenen Zustands eines Pufferteils (wie zum Beispiel ein Betriebsmuster, das einen Tisch veranlasst, abwechselnd von vorn nach hinten und von einer Seite zur anderen Seite zu Grenzpositionen zu kippen) erlaubt, und eine Anormalität in der Teleskopabdeckung auf der Basis der Merkmalquantität anzunehmen, die aus der physikalischen Größe extrahiert wird, die erfasst wird, wenn es dem Bestimmungsprogramm erlaubt wird zu laufen (zum Beispiel bevor das Bearbeiten gestartet wird). Sogar wenn die Merkmalquantität, die aus der physikalischen Größe extrahiert wird, die erfasst wird, wenn das Maschinenprogramm ausgeführt wird, für die Annahme einer Anormalität, die von der Anormalitätsannahmeeinheit 13 ausgeführt wird, verwendet wird, kann es auch möglich sein, vorab einen Block zu platzieren, der eine Anweisung zum Ausgeben eines Signals oder dergleichen gibt, bevor oder nachdem ein Block, der eine Anweisung zum Ausführen eines Vorgangs gibt, die problemloses Bestimmen des gebrochenen Zustands der Teleskopabdeckung oder des verschlissenen/zerbrochenen Zustands des Pufferelements erlaubt, und die Merkmalquantitäten, die aus der physikalischen Größe extrahiert wird, die während des Betriebs in dem Bereich extrahiert wird, in dem das Signal zur Annahme einer Anormalität in der Teleskopabdeckung erfasst wird, zu verwenden.
Dann gibt die Annahmeresultatausgabeeinheit 40 das Teil des Anormalitätsauftretens, den Inhalt der Anormalität, die zu unternehmende Aktion und dergleichen, die von der Anormalitätsannahmeeinheit 13 angenommen werden, zu einer Anzeigevorrichtung (nicht gezeigt) aus. Die Annahmeresultatausgabeeinheit 40 kann auch derart konfiguriert sein, dass, wenn Anormalitätsauftreten angenommen wird, das angenommene Anormalitätsauftreten als eine Warnung ausgegeben wird. Das erlaubt es einem Techniker, eine Aktion zum Verhüten eines Anormalitätsauftretens auf der Basis des Inhalts der Warnung zu unternehmen.
Obwohl oben die Ausführungsform der vorliegenden Erfindung beschrieben wurde, ist die vorliegende Erfindung nicht nur auf das Beispiel in der oben beschriebenen Ausführungsform beschränkt. Die vorliegende Erfindung kann in diversen Formen durch Hinzufügen, Modifizieren oder Entfernen eines geeigneten Elements umgesetzt werden. Die physikalische Größe, die Merkmalquantitäten und die Lehrerdaten, die in den oben beschriebenen Ausführungsformen erwähnt sind, sind nur beispielhaft. Es ist möglich, eine physikalische Größe, eine Merkmalquantität und Lehrerdaten zu verwenden, die jeweils den Betriebszustand oder anormalen Zustand der Teleskopabdeckung zeigen.
Die Ausführungsform, die oben beschrieben ist, zeigt die Form, in der aus praktischen Gründen das Erlernen und Annehmen unter Verwenden der physikalischen Größe, der Merkmalquantitäten und der Lehrerdaten, die jeweils mit einer Teleskopabdeckung verbunden sind, ausgeführt wird, aber die vorliegende Erfindung ist nicht darauf beschränkt. Das Gerät 1 zur Annahme eines Anormalitätsauftretens kann zum Beispiel das Lernen effizient vornehmen, indem physikalische Größen, Merkmalquantitäten und Lehrerdaten gesammelt werden, die jeweils mit einer Vielzahl von Teleskopabdeckungen desselben Typs, die sich in einem Werk oder an einer Vielzahl von Orten befinden, assoziiert sind, und das Lernen und Annehmen ausführen.
Bei der oben beschriebenen Ausführungsform wird das Gerät 1 zur Annahme eines Anormalitätsauftretens auch mit der Einheit 11 zum überwachten Lernen versehen. Wenn jedoch angenommen wird, dass zum Beispiel das Resultat des Lernens, das bei einem anderen Gerät 1 zur Annahme eines Anormalitätsauftretens ausgeführt wird, in die Lernresultatspeichereinheit 12 kopiert und verwendet wird, die Einheit 11 zum überwachten Lernen nicht zu installieren ist. Wenn eine solche Konfiguration verwendet wird, kann ein Merkmal einer neuen Teleskopabdeckung nicht gelernt werden. Wenn das existierende Lernresultat jedoch an eine Teleskopabdeckung desselben Typs durch Verwenden des existierenden Lernresultats angewandt wird, kann zweckdienliche Anormalitätsannahme ohne Eingliedern eines Mechanismus zum Lernen ausgeführt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2016068183 [0007]

Claims

Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung zum Annehmen des Auftretens einer Anormalität in Zusammenhang mit einer Teleskopabdeckung, die an einer Vorrichtung angebracht ist, wobei das Gerät zur Annahme eines Anormalitätsauftretens Folgendes umfasst: eine Lernresultatspeichereinheit, die ein Lernresultat überwachten Lernens speichert, das auf der Basis einer Merkmalquantität, die aus einer physikalischen Größe extrahiert wird, die während einer Betätigung der Vorrichtung erfasst wird, und auf der Basis von Informationen in Zusammenhang mit einem Anormalitätsauftreten in der Teleskopabdeckung ausgeführt wird; eine Erfassungseinheit einer physikalischen Größe, die die physikalische Größe während des Betätigens der Vorrichtung erfasst; eine Merkmalquantitätsextraktionseinheit, die die Merkmalquantitäten der physikalischen Größe auf der Basis der physikalischen Größe, die von der Erfassungseinheit einer physikalischen Größe erfasst wird, extrahiert; eine Anormalitätsannahmeeinheit, die eine Anormalität, die in der Teleskopabdeckung während der Betätigung der Vorrichtung auftreten kann, auf der Basis des Lernresultats, das in der Lernresultatspeichereinheit gespeichert ist, und auf der Basis der Merkmalquantität, die von der Merkmalquantitätsextraktionseinheit extrahiert wird, annimmt, und eine Annahmeresultatausgabeeinheit, die die von der Anormalitätsannahmeeinheit angenommene Anormalität ausgibt.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach Anspruch 1, ferner umfassend: eine Einheit zum überwachten Lernen, die überwachtes Lernen auf der Basis der Merkmalquantität, die aus der physikalischen Größe, die während der Betätigung der Vorrichtung erfasst wird, extrahiert wird, und auf der Basis der Informationen, die mit der Anormalität, die in der Teleskopabdeckung auftritt, zusammenhängen, ausführt und ein Resultat des Lernens in der Lernresultatspeichereinheit speichert.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach Anspruch 1 oder 2, wobei die Merkmalquantität der physikalischen Größe ein Zahlenwert ist, der ein Merkmal der physikalischen Größe zeigt.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach einem der Ansprüche 1 bis 3, wobei die physikalische Größe ein Schall und/oder eine Schwingung ist, der/die von der Vorrichtung erzeugt wird, und ein Stromwert in der Vorrichtung.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach einem der Ansprüche 1 bis 4, wobei die Erfassungseinheit der physikalischen Größe die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem Bearbeitungsprogramm erfasst.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach Anspruch 5, wobei die Erfassungseinheit der physikalischen Größe die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem vorbestimmten Block, der vorab unter Blöcken in dem Bearbeitungsprogramm definiert ist, erfasst.
Gerät zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach einem der Ansprüche 1 bis 4, wobei die Erfassungseinheit der physikalischen Größe die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem Bestimmungsprogramm erfasst.
Verfahren zur Annahme eines Anormalitätsauftretens für das Annehmen eines Auftretens einer Anormalität in Zusammenhang mit einer Teleskopabdeckung, die an einer Vorrichtung angebracht ist, wobei das Verfahren zur Annahme eines Anormalitätsauftretens Folgendes umfasst: Betätigen der Vorrichtung mit der daran angebrachten Teleskopabdeckung; Erfassen einer physikalischen Größe in Zusammenhang mit der Vorrichtung, wenn die Vorrichtung betätigt wird; Extrahieren einer Merkmalquantität der erfassten physikalischen Größe; Ausführen überwachten Lernens, das als Eingaben korrekte Antwortinformation in Zusammenhang mit einer Anormalität, die in der Teleskopabdeckung und der extrahierten Merkmalquantität auftritt, empfängt, und Annehmen einer Anormalität, die in der Teleskopabdeckung auftreten kann, auf der Basis eines Lernresultats des überwachten Lernens, wenn eine willkürliche Merkmalquantität der physikalischen Größe eingegeben wird.
Verfahren zur Annahme eines Anormalitätsauftretens nach Anspruch 5, wobei die Merkmalquantität der physikalischen Größe ein Zahlenwert ist, der ein Merkmal der physikalischen Größe zeigt.
Verfahren zur Annahme eines Anormalitätsauftretens nach Anspruch 5 oder 6, wobei die physikalische Größe ein Schall und/oder eine Schwingung, der/die von der Vorrichtung erzeugt wird, und ein Stromwert in der Vorrichtung ist.
Verfahren zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach einem der Ansprüche 8 bis 10, wobei die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem Bearbeitungsprogramm erfasst wird.
Verfahren zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach Anspruch 11, wobei die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem vorbestimmten Block, der vorab unter Blöcken in dem Bearbeitungsprogramm definiert wird, erfasst wird.
Verfahren zur Annahme eines Anormalitätsauftretens für eine Teleskopabdeckung nach einem der Ansprüche 8 bis 10, wobei die physikalische Größe während der Betätigung der Vorrichtung basierend auf einem Bestimmungsprogramm erfasst wird.