DE102018005008B4

DE102018005008B4 - Steuervorrichtung und maschinelle lernvorrichtung

Info

Publication number: DE102018005008B4
Application number: DE102018005008.5A
Authority: DE
Inventors: Kazuo Sato
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-06-30
Filing date: 2018-06-22
Publication date: 2022-06-30
Anticipated expiration: 2038-06-23
Also published as: CN109213074A; JP2019012392A; DE102018005008A1; CN109213074B; US10839317B2; JP6572265B2; US20190005413A1

Abstract

Steuervorrichtung (1; 2), die eine Kollision einer Spindel, die in einer Werkzeugmaschine enthalten ist, detektiert, wobei die Steuervorrichtung (1; 2) umfasst:eine maschinelle Lernvorrichtung (100; 120), die einen Zustand der Spindel während einer normalen Bearbeitung ohne Kollision der Spindel erlernt, wobeidie maschinelle Lernvorrichtung (100; 120) umfassteine Zustandsbeobachtungseinheit (106), die geschätzte Lastmomentdaten (S1) der Spindel, die einen geschätzten Lastmomentwert für die Spindel angeben, und Spindelbeschleunigungsdaten (S2), die einen Beschleunigungswert der Spindel angeben, als Zustandsvariablen (S) beobachtet, die einen aktuellen Zustand einer Umgebung darstellen, undeine Lerneinheit (110), die eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung unter Verwendung der Zustandsvariablen erlernt.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Steuervorrichtung und eine maschinelle Lernvorrichtung und betrifft insbesondere eine Steuervorrichtung und eine maschinelle Lernvorrichtung, die in der Lage sind, eine Spindelkollision zu detektieren.
Beschreibung der verwandten Technik
In einer Werkzeugmaschine, die durch eine Steuervorrichtung gesteuert wird, kann eine Spindel mit einem Werkstück, einer Aufspannvorrichtung oder dergleichen auf Grund einer fehlerhaften Betätigung einer Maschine durch einen Bediener, eines Programmierfehlers, eines Einstellfehlers für ein zu verwendendes Werkzeug oder dergleichen kollidieren. Wenn eine Spindelkollision vorkommt, kann die Werkzeugmaschine dann ausfallen. Andererseits gibt es einen Fall, bei dem vielleicht kein Problem bei den Betätigungen der Werkzeugmaschine zum Zeitpunkt der Spindelkollision vorzufinden ist, doch ein Versagen der Werkzeugmaschine später nach Ablauf eines gewissen Zeitraums durch die Detektion des Vorkommens anormaler Geräusche von der Spindel oder eine Verringerung der Bearbeitungsgenauigkeit für ein Werkstück vorzufinden ist. Im letztgenannten Fall können Informationen über Koordinatenwerte und die tatsächliche Drehzahl der Spindel der Werkzeugmaschine, einen Werkzeugversatz, der durch die Steuervorrichtung bei der Bearbeitung durch die Werkzeugmaschine eingestellt wird, Bearbeitungsprogramme in Betrieb und dergleichen in einer Speichervorrichtung, die in der Steuervorrichtung enthalten ist, unter Verwendung einer Technik, die beispielsweise in der internationalen Veröffentlichung Nr. WO 00 / 10 769 A1 veröffentlicht wird, gespeichert werden, und es kann durch die Analyse der Informationen indirekt geschätzt werden, dass die Spindel in der Vergangenheit kollidiert ist und dass das Versagen durch die Kollision der Spindel verursacht wurde.
Dabei ist als ein Verfahren zum direkten Detektieren einer Spindelkollision in der Werkzeugmaschine, die durch die Steuervorrichtung gesteuert wird, das Verfahren unter Verwendung einer Funktion zum Detektieren einer anormalen Belastung, mit dem das Vorkommen einer anormalen Belastung an der Spindel detektiert wird, denkbar. Bei der Funktion zum Detektieren einer anormalen Belastung, falls ein Wert (geschätztes Lastmoment), der durch Subtrahieren eines theoretischen Stromwertes, der mit der Bearbeitung zusammenhängt, von einem Arbeitsstromwert, der für jede Steuerachse gleich oder größer als ein gegebener Wert ist, wird bestimmt, dass eine Spindelkollision vorgekommen ist, und der Steuervorrichtung wird ein Alarm gemeldet (Japanische Patent-Auslegeschrift Nr. JP 2016 - 193 469 A und dergleichen).
Als ein anderes Verfahren des direkten Detektierens einer Spindelkollision in der Werkzeugmaschine, die durch die Steuervorrichtung gesteuert wird, ist das Verfahren unter Verwendung eines Beschleunigungssensors denkbar. Zur Verwendung des Beschleunigungssensors für die Detektion einer Spindelkollision ist der Beschleunigungssensor an der Spindel montiert, und ein Sensorwert an dem Beschleunigungssensor wird auf einer Seite der Steuervorrichtung ausgelesen. Für den Fall, dass der Sensorwert, der ausgelesen wurde, gleich oder größer als ein gegebener Wert ist, wird bestimmt, dass eine Spindelkollision vorgekommen ist, und es wird ein Alarm ausgelöst.
Bei den beiden Verfahren unter Verwendung der Funktion zum Detektieren einer anormalen Belastung und dem Verfahren unter Verwendung des Beschleunigungssensors ist es jedoch schwierig, einen Referenzwert zur Bestimmung als Kollision der Spindel zu finden. Für den Fall, dass ein Referenzwert des geschätzten Lastmoments für die Bestimmung als Kollision der Spindel in der Funktion zum Detektieren einer anormalen Belastung niedrig eingestellt ist, kann fälschlicherweise verstanden werden, dass eine Spindelkollision vorgekommen ist, obwohl eine normale Bearbeitung durchgeführt wird. Für den Fall, dass ein Referenzwert des geschätzten Lastmoments für die Bestimmung als Kollision der Spindel hoch eingestellt wird, kann es sein, dass eine Spindelkollision, die tatsächlich vorgekommen ist, nicht detektiert wird. Dies gilt auch für das Verfahren unter Verwendung des Beschleunigungssensors.
Für den Fall, dass eine Spindelkollision basierend auf einem Arbeitsstrom bestimmt wird, ist es insbesondere schwierig, zwischen einer Schwerzerspanung und der Spindelkollision zu unterscheiden. Für den Fall, dass eine Spindelkollision unter Verwendung des Beschleunigungssensors bestimmt wird, ist es insbesondere schwierig, zwischen einer schnellen Zustellung mit einer hohen Geschwindigkeit und der Spindelkollision zu unterscheiden.
KURZDARSTELLUNG DER ERFINDUNG
Eine Aufgabe der vorliegenden Erfindung besteht darin, eine Steuervorrichtung und eine maschinelle Lernvorrichtung bereitzustellen, die eine Spindelkollision genau detektieren, ohne die Bemühung, einen Referenzwert einzustellen, der für die Bestimmung der Spindelkollision verwendet wird.
Diese Aufgabe wird erfindungsgemäß durch eine Steuervorrichtung und eine maschinelle Lernvorrichtung gemäß den unabhängigen Ansprüchen 1 und 8 gelöst. Bevorzugte Ausführungsformen sind in den abhängigen Ansprüchen genannt.
Bei der Erfindung werden eine Detektion einer anormalen Last an einer Spindel und eine Detektion einer Beschleunigung der Spindel kombiniert verwendet, und eine maschinelle Lernvorrichtung wird in eine Steuervorrichtung eingeführt, wobei die maschinelle Lernvorrichtung eine Beziehung zwischen geschätzten Lastmomentwerten für die Spindel und Beschleunigungswerten der Spindel während einer normalen Bewegung der Spindel erlernt. Die erfindungsgemäße Steuervorrichtung bewirkt, dass die maschinelle Lernvorrichtung eine Bestimmung über eine Kollision der Spindel basierend auf einem geschätzten Lastmomentwert für die Spindel und einem Beschleunigungswert der Spindel vornimmt und einen Alarm für die Kollision der Spindel basierend auf einem Ergebnis der Bestimmung auslöst.
Ein Aspekt der Erfindung ist die Steuervorrichtung, die eine Kollision der Spindel detektiert, die in der Werkzeugmaschine enthalten ist, und die Steuervorrichtung umfasst die maschinelle Lernvorrichtung, die einen Zustand einer Spindel während einer normalen Bearbeitung ohne die Kollision der Spindel erlernt. Die maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die geschätzte Lastmomentdaten der Spindel, die einen geschätzten Lastmomentwert für die Spindel angeben, und Spindelbeschleunigungsdaten, die einen Beschleunigungswert der Spindel angeben, als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, beobachtet, und eine Lerneinheit, die eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung unter Verwendung der Zustandsvariablen erlernt.
Ein anderer Aspekt der Erfindung ist die maschinelle Lernvorrichtung, die den Zustand der Spindel während einer normalen Bearbeitung ohne die Kollision der Spindel, die in der Werkzeugmaschine enthalten ist, erlernt. Die maschinelle Lernvorrichtung umfasst die Zustandsbeobachtungseinheit, welche die geschätzten Lastmomentdaten der Spindel, die einen geschätzten Lastmomentwert für die Spindel angeben, und die Spindelbeschleunigungsdaten, die einen Beschleunigungswert der Spindel angeben, als die Zustandsvariablen, die den aktuellen Zustand der Umgebung darstellen, beobachtet, und die Lerneinheit, welche die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung unter Verwendung der Zustandsvariablen erlernt.
Gemäß der vorliegenden Erfindung kann eine Spindelkollision ohne Ausprobieren zum Einstellen eines Referenzwertes einer anormalen Belastung und eines Referenzwertes der Beschleunigung zur Bestimmung als Spindelkollision genau detektiert werden, und somit kann die Mühe, die sich ein Bediener bei der Einstellung macht, vermieden werden.
Figurenliste
Die zuvor beschriebenen und andere Aufgaben und Merkmale der Erfindung werden aus der folgenden Beschreibung der Ausführungsformen mit Bezug auf die beiliegenden Zeichnungen hervorgehen. Es zeigen:

1 eine schematische Hardware-Konfiguration, die eine Steuervorrichtung gemäß einer ersten Ausführungsform abbildet;
2 ein schematisches Funktionsblockdiagramm, das die Steuervorrichtung gemäß der ersten Ausführungsform abbildet;
3 ein schematisches Funktionsblockdiagramm, das einen Betriebsmodus der Steuervorrichtung abbildet;
4 ein Diagramm, das ein Bestimmungsverfahren unter Verwendung eines Nachbarschaftsverfahrens abbildet;
5A ein Diagramm, das Neuronen abbildet;
5B ein Diagramm, das ein neuronales Netzwerk abbildet;
6 ein schematisches Funktionsblockdiagramm, das eine Steuervorrichtung gemäß einer zweiten Ausführungsform abbildet;
7 ein schematisches Funktionsblockdiagramm, das einen Betriebsmodus eines Systems abbildet, in dem Steuervorrichtungen integriert sind; und
8 ein schematische Funktionsblockdiagramm, das eine andere Betriebsart eines Systems abbildet, in dem Steuervorrichtungen integriert sind.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachstehend werden Ausführungsformen der Erfindung in Verbindung mit den Zeichnungen beschrieben.
1 ist eine schematische Hardware-Konfiguration, welche die Hauptbestandteile einer Steuervorrichtung gemäß einer ersten Ausführungsform abbildet. Die Steuervorrichtung 1 kann als numerische Steuerung umgesetzt werden, die eine Werkzeugmaschine steuert, die beispielsweise eine Spindel umfasst. Eine CPU 11, die in der Steuervorrichtung 1 gemäß der Ausführungsform enthalten ist, ist ein Prozessor, der im Allgemeinen die Steuervorrichtung 1 steuert. Die CPU 11 liest Systemprogramme, die in einem ROM 12 gespeichert sind, über einen Bus 20 aus und steuert die gesamte Steuervorrichtung 1 in Übereinstimmung mit Systemprogrammen. Provisorische Rechendaten und Anzeigedaten, diverse Datenarten, die durch einen Bediener über eine nicht abgebildete Eingabeeinheit eingegeben werden, und dergleichen, werden provisorisch in einem RAM 13 gespeichert.
Ein nicht flüchtiger Speicher 14 ist als Speicher konfiguriert, der beispielsweise durch eine nicht abgebildete Batterie gesichert ist, und indem der Speicherzustand behalten bleibt, selbst wenn die Steuervorrichtung 1 ausgeschaltet wird. Diverse Datenarten (wie etwa Bearbeitungsbedingungen und Abtastdaten von geschätzten Lastmomentwerten und Beschleunigungssensorwerten während der normalen Bearbeitung (ohne Spindelkollision)), die durch den Bediener über die nicht abgebildete Eingabeeinheit eingegeben werden, Bearbeitungsprogramme zur Steuerung, die über eine nicht abgebildete Schnittstelle eingegeben werden, und dergleichen werden in dem nicht flüchtigen Speicher 14 gespeichert. Die Programme, die diversen Datenarten und dergleichen, die in dem nicht flüchtigen Speicher 14 gespeichert werden, können in dem RAM 13 zur Ausführung/Verwendung dekomprimiert werden. Die diversen Systemprogramme, die für Betätigungen der Steuervorrichtung 1 notwendig sind (wozu Systemprogramme zum Steuern der Interaktion mit einer maschinellen Lernvorrichtung 100, die noch beschrieben wird, gehören), wie etwa Systemprogramme zum Analysieren und Ausführen der Bearbeitungsprogramme, wurden im Voraus in den ROM 12 geschrieben.
Achsensteuerschaltungen 30 zum Steuern der Achsen, die in der Werkzeugmaschine enthalten sind, empfangen Verfahrstreckenanweisungen für die Achsen von der CPU 11 und geben Anweisungen für Achsen an Servoverstärker 40 aus. Die Servoverstärker 40 empfangen die Anweisungen und treiben Servomotoren 50 an, welche die Achsen, die in der Werkzeugmaschine enthalten sin, bewegen. Die Servomotoren 50 für die Achsen nehmen Detektoren für Position/ Drehzahl/ Drehmoment auf, führen Rückführsignale für Position/ Drehzahl/ Drehmoment von den Detektoren für Position/ Drehzahl/ Drehmoment zu den Achsensteuerschaltungen 30 zurück, und führen eine Regelung an den Positionen/ Drehzahlen/ Drehmomenten durch. Die CPU 11 kann die Beschleunigung jeder Achse unter Verwendung von Rückführwerten der Positionen und der Drehzahlen, die zu den Achsensteuerschaltungen 30 zurückgeführt werden, berechnen. Obwohl die Achsensteuerschaltungen 30, die Servoverstärker 40 und die Servomotoren 50 jeweils als nur ein Element in der Hardware-Konfiguration aus 1 abgebildet sind, ist eine Anzahl der Achsensteuerschaltungen 30, der Servoverstärker 40 und der Servomotoren 50, die tatsächlich bereitgestellt werden, gleich einer Anzahl der zu steuernden Achsen, die in der Werkzeugmaschine enthalten sind.
Eine Spindelsteuerschaltung 60 empfängt Spindelrotationsanweisungen für die Werkzeugmaschine und gibt Spindeldrehzahlsignale an einen Spindelverstärker 61 aus. Der Spindelverstärker 61 empfängt die Spindeldrehzahlsignale, dreht einen Spindelmotor 62 der Werkzeugmaschine mit einer Drehzahl basierend auf den Anweisungen und treibt dadurch ein Werkzeug an.
Ein Positionsgeber 63 ist mit dem Spindelmotor 62 gekoppelt und gibt synchronisiert mit der Rotation der Spindel Rücklaufimpulse aus. Die Rücklaufimpulse werden durch die CPU 11 gelesen.
Eine Schnittstelle 21 ist dazu gedacht, eine Verbindung zwischen der Steuervorrichtung 1 und der maschinellen Lernvorrichtung 100 herzustellen. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101, der die ganze maschinelle Lernvorrichtung 100 steuert, einen ROM 102, in dem die Systemprogramme und dergleichen gespeichert sind, einen RAM 103 zur provisorischen Speicherung bei der Verarbeitung bezüglich des maschinellen Lernens und einen nicht flüchtigen Speicher 104, der zur Speicherung eines Lernmodells oder dergleichen verwendet wird. Die maschinelle Lernvorrichtung 100 kann diverse Informationsarten beobachten (wie etwa die Bearbeitungsbedingungen und die geschätzten Lastmomentwerte oder die Beschleunigung der Servomotoren 50, welche die Achsen für die Bewegung der Spindel antreiben), die durch die Steuervorrichtung 1 anhand der Schnittstelle 21 erfasst werden können. Als Reaktion auf ein Ergebnis der Bestimmung über die Spindelkollision, das von der maschinellen Lernvorrichtung 100 ausgegeben wird, löst die Steuervorrichtung 1 einen Alarm aus oder übt eine Haltesteuerung an den Servomotoren 50 oder dergleichen aus.
2 ist ein schematisches Funktionsblockdiagramm, das die Steuervorrichtung 1 und die maschinelle Lernvorrichtung 100 gemäß der ersten Ausführungsform abbildet. Die maschinelle Lernvorrichtung 100 umfasst Software (wie etwa Lernalgorithmen) und Hardware (wie etwa den Prozessor 101) zum Selbstlernen durch so genanntes maschinelles Lernen an Betriebsbedingungen der Spindel (Bedingungen, die basierend auf dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel verstanden werden) während der normalen Bearbeitung (ohne Spindelkollision). Was die maschinelle Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, lernt, entspricht einer Modellstruktur, die eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während des normalen Betriebs der Spindel darstellt.
Wie als Funktionsblöcke in 2 dargestellt, umfasst die maschinelle Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, eine Zustandsbeobachtungseinheit 106, die Zustandsvariablen S beobachtet, die geschätzte Lastmomentdaten der Spindel S1, die den geschätzten Lastmomentwert für die Spindel während der normalen Bearbeitung angeben (ohne Spindelkollision), und Spindelbeschleunigungsdaten S2, die den Beschleunigungswert der Spindel während der normalen Bearbeitung (ohne Spindelkollision) angeben, umfassen, und eine Lerneinheit 110, die eine Korrelation zwischen den Betriebsbedingungen der Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) unter Verwendung der Zustandsvariablen S erlernt.
Die Zustandsbeobachtungseinheit 106 kann beispielsweise als eine Funktion des Prozessors 101 konfiguriert sein. Alternativ kann die Zustandsbeobachtungseinheit 106 als Software konfiguriert sein, die dazu gedacht ist zu bewirken, dass der Prozessor 101 funktioniert, und die beispielsweise in dem ROM 102 gespeichert ist.
Als die geschätzten Lastmomentdaten der Spindel S1 unter den Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 106 beobachtet werden, können beispielsweise Werte verwendet werden, die aus den Rückführwerten der Drehmomente der Servomotoren 50 berechnet werden, welche die Achsen für die Bewegung der Spindel antreiben. In einer so genannten Trainingsperiode für die maschinelle Lernvorrichtung 100 ist es jedoch erwünscht, Abtastdaten zu verwenden, die basierend auf vorgegebenen Bedingungen aus den geschätzten Lastmomentwerten für die Spindel während der normalen Bearbeitung (ohne Spindelkollision) entnommen werden, die unter Verwendung eines nicht abgebildeten Datenaufzeichners oder dergleichen während der Bearbeitung in der Vergangenheit aufgezeichnet wurden.
Als Spindelbeschleunigungsdaten S2 unter den Zustandsvariablen S kann die Beschleunigung der Spindel, die aus den Rückführwerten der Positionen oder der Drehzahlen der Servomotoren 50, welche die Achsen für die Bewegung der Spindel antreiben, berechnet wird, oder die Beschleunigung der Spindel, die unter Verwendung des Beschleunigungssensors, der an der Spindel montiert ist, oder dergleichen detektiert wird, verwendet werden. In der so genannten Trainingsperiode für die maschinelle Lernvorrichtung 100 ist es jedoch erwünscht, Abtastdaten zu verwenden, die basierend auf vorgegebenen Bedingungen aus den Beschleunigungswerten für die Spindel während der normalen Bearbeitung (ohne Spindelkollision) entnommen werden, die unter Verwendung des nicht abgebildeten Datenaufzeichners oder dergleichen während der Bearbeitung in der Vergangenheit aufgezeichnet wurden.
Die Lerneinheit 110 kann beispielsweise als eine Funktion des Prozessors 101 konfiguriert sein. Alternativ kann die Lerneinheit 110 als Software konfiguriert sein, die dazu gedacht ist zu bewirken, dass der Prozessor 101 funktioniert, und die beispielsweise in dem ROM 102 gespeichert ist. Die Lerneinheit 110 erlernt die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel während der normalen Bearbeitung (ohne Spindelkollision) und den Beschleunigungswerten der Spindel während der gleichen Periode in Übereinstimmung mit einem erwünschten Lernalgorithmus, was gattungsgemäß als maschinelles Lernen bezeichnet wird. Die Lerneinheit 110 ist in der Lage, das Lernen, das auf einem Datensatz basiert, der die zuvor beschriebenen Zustandsvariablen S umfasst, iterativ auszuführen.
Durch eine Iteration eines derartigen Lernzyklus interpretiert Lerneinheit 110 automatisch ein Merkmal (Cluster-Satz), das die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel (geschätzten Lastmomentdaten der Spindel S1) während der normalen Bearbeitung (ohne Spindelkollision) und den Beschleunigungswerten der Spindel (Spindelbeschleunigungsdaten S2) während der gleichen Periode bedingt. Obwohl die Korrelation zwischen den geschätzten Lastmomentdaten der Spindel S1 und den Spindelbeschleunigungsdaten S2 im Wesentlichen unbekannt ist, wenn der Lernalgorithmus gestartet wird, interpretiert die Lerneinheit 110 die Korrelation, indem sie das Merkmal allmählich identifiziert, wenn das Lernen fortschreitet. Wenn die Korrelation zwischen den geschätzten Lastmomentdaten der Spindel S1 und den Spindelbeschleunigungsdaten S2 auf einem Niveau interpretiert wird, das einigermaßen zuverlässig ist, werden die Ergebnisse des Lernens, die durch die Lerneinheit 110 iterativ ausgegeben werden, für die Bestimmung eines aktuellen Zustands (d.h. den geschätzten Lastmomentwert für die Spindel und den derzeitigen Beschleunigungswert der Spindel), ob die Spindel normal funktioniert oder nicht (ob die Spindel nicht normal funktioniert), verwendbar gemacht. D.h. durch die Lerneinheit 110 kann ein Korrelationsmodell zwischen den geschätzten Lastmomentwerten für die Spindel während der normalen Bearbeitung (ohne Spindelkollision) und den Beschleunigungswerten der Spindel während der gleichen Periode, in dem Maße wie der Lernalgorithmus fortschreitet, allmählich näher an eine optimale Lösung gebracht werden.
In der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, wie zuvor beschrieben, erlernt die Lerneinheit 110 die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel während der normalen Bearbeitung (ohne Spindelkollision) und den Beschleunigungswerten der Spindel während der gleichen Periode in Übereinstimmung mit dem maschinellen Lernalgorithmus unter Verwendung der Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 106 beobachtet werden. Die Zustandsvariablen S werden unter Verwendung der geschätzten Lastmomentdaten der Spindel S1 und der Spindelbeschleunigungsdaten S2, die dem Einfluss von Störungen widerstehen, konfiguriert und werden basierend auf den Betriebsbedingungen der Servomotoren 50, die durch die Steuervorrichtung 1 erfasst werden, eindeutig gefunden. Gemäß der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, ermöglicht es daher die Verwendung der Ergebnisse des Lernens durch die Lerneinheit 110, automatisch und genau zu bestimmen, ob die Betriebsbedingungen der Spindel die Betriebsbedingungen während der normalen Bearbeitung (ohne Spindelkollision) sind oder nicht, aus einer Beziehung zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel, ohne Berechnung oder Schätzung.
Vorausgesetzt, dass die Normalität/Abnormalität der Betriebsbedingungen der Spindel ohne Berechnung oder Schätzung automatisch bestimmt werden kann, kann sofort bestimmt werden, ob die Betriebsbedingungen der Spindel der Werkzeugmaschine die Betriebsbedingungen während der normalen Bearbeitung (ohne Spindelkollision) sind oder nicht, nur durch das Verständnis des geschätzten Lastmomentwertes für die Spindel (der geschätzten Lastmomentdaten der Spindel S1) und des Beschleunigungswertes der Spindel (der Spindelbeschleunigungsdaten S2).
Bei einer Variante der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, ist die Zustandsbeobachtungseinheit 106 ferner in der Lage, die Bearbeitungsbedingungsdaten S3, welche die Bedingungen der Bearbeitung, wie etwa das Material eines zu bearbeitenden Werkstücks, eine Art eines Werkzeugs, das für die Bearbeitung verwendet wird, und die Steifigkeit der Werkzeugmaschine, umfassen, als Zustandsvariablen S zu beobachten.
Bei einer derartigen Betätigung können die Bearbeitungsbedingungsdaten S3 aus Einstellwerten erfasst werden, die mit den Bearbeitungsbedingungen zusammenhängen, die in die Steuervorrichtung 1 über die nicht abgebildete Eingabeeinheit eingegeben werden.
Die Variante ermöglicht es, dass die maschinelle Lernvorrichtung 100 ferner eine Korrelation mit den Bearbeitungsbedingungen zusätzlich zu den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel interpretiert und einen Fall berücksichtigt, bei dem der geschätzte Lastmomentwert für die Spindel und der Beschleunigungswert der Spindel in Übereinstimmung mit den Bearbeitungsbedingungen variieren.
Bei einer anderen Variante der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, ist die Zustandsbeobachtungseinheit 106 ferner in der Lage, durch die Spindel erzeugte Geräuschdaten S4, die eine Information über durch die Spindel erzeugte Geräusche, wie etwa Größen und Frequenzen von Geräuschen, die durch die Spindel erzeugt werden, umfassen, als Zustandsvariablen S zu beobachten.
Wie für die durch die Spindel erzeugten Geräuschdaten S4 kann ein Schallsensor oder dergleichen neben der Spindel der Werkzeugmaschine bereitgestellt werden, und die Werte, die durch den bereitgestellten Schallsensor detektiert werden, können beispielsweise durch die Steuervorrichtung 1 erfasst werden.
Die Variante ermöglicht es, dass die maschinelle Lernvorrichtung 100 ferner eine Korrelation mit der Information über die durch die Spindel erzeugten Geräusche zusätzlich zu den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel zu interpretieren und eine Spindelkollision genauer zu detektieren.
Bei einer anderen Variante der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, ist die Lerneinheit 110 in der Lage, die Zustandsvariablen S, die für jede von einer Mehrzahl von Werkzeugmaschinen, welche die gleiche Bearbeitung durchführen, erfasst werden, zu verwenden und dadurch die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) in den Werkzeugmaschinen zu erlernen. Gemäß dieser Konfiguration, da die Menge der Datensätze, welche die Zustandsvariablen S umfassen, die innerhalb einer gegebenen Periode erfasst werden können, erhöht werden kann, können Geschwindigkeit und Zuverlässigkeit des Erlernens der Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) in den Werkzeugmaschinen mit vielfältigeren Datensätzen, die als Eingabe verwendet werden, verbessert werden.
In der maschinellen Lernvorrichtung 100, welche die obige Konfiguration aufweist, gibt es keine bestimmte Einschränkung für den Lernalgorithmus, der durch die Lerneinheit 110 ausgeführt wird, und es kann ein Lernalgorithmus, der öffentlich für das maschinelle Lernen bekannt ist, verwendet werden. 3 bildet einen Betriebsmodus der Steuervorrichtung 1, die in 2 abgebildet ist, und eine Konfiguration, welche die Lerneinheit 110 umfasst, die unbetreutes Lernen als ein Beispiel des Lernalgorithmus durchführt, ab. Das unbetreute Lernen ist eine Technik, bei der nur eine große Menge von Eingangsdaten an eine Lernvorrichtung gegeben wird, und bei der ein Korrelationsmodell zum Schätzen einer notwendigen Ausgabe für eine frische Eingabe durch Identifizierung eines Merkmals erlernt wird, das eine Korrelation zwischen Elementen der Eingangsdaten bedingt. Beim unbetreuten Lernen können Kompression, Klassifizierung, Formatierung und dergleichen für die Eingangsdaten ohne Bereitstellung von Lehrerdaten, die den Eingabedaten entsprechen, durchgeführt werden.
Bei der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, die in 3 abgebildet ist, umfasst die Lerneinheit 110 eine Modellaktualisierungseinheit 114, die ein Korrelationsmodell M zur Bestimmung aus den Zustandsvariablen S dahingehend aktualisiert, ob sich die Spindel der Werkzeugmaschine unter den Bedingungen der normalen Bearbeitung befindet oder nicht. Die Lerneinheit 110 erlernt die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) in der Werkzeugmaschine mit iterierten Aktualisierungen des Korrelationsmodells M durch die Modellaktualisierungseinheit 114.
Ein anfänglicher Wert des Korrelationsmodells M ist ein vereinfachter Ausdruck (beispielsweise durch eine lineare Funktion) der Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel beispielsweise während der normalen Bearbeitung (ohne Spindelkollision) in der Werkzeugmaschine und wird an die Lerneinheit 110 gegeben, bevor das unbetreute Lernen beginnt. Die Modellaktualisierungseinheit 114 identifiziert ein Korrelationsmerkmal, das die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) in der Werkzeugmaschine bedingt, aus einer großen Menge der Zustandsvariablen S, die an die Lerneinheit 110 gegeben werden, und aktualisiert das Korrelationsmodell M in Übereinstimmung mit einer vorbestimmten Aktualisierungsregel beispielsweise basierend auf dem Korrelationsmerkmal.
Die Steuervorrichtung 1 und die maschinelle Lernvorrichtung 100 der Erfindung bieten den Vorzug, dass die Verwendung des unbetreuten Lernens die Notwendigkeit des Erhebens von Daten, die sich aus der Spindelkollision ergeben, aufhebt. Das Verwenden des betreuten Lernens bewirkt die Notwendigkeit für die Zustandsvariablen S ohne Spindelkollision und die Zustandsvariablen S mit Spindelkollision. Es ist jedoch notwendig, die Spindel der Werkzeugmaschine absichtlich zur Kollision zu bringen, um die letztgenannten Zustandsvariablen S zu erfassen, und es gibt Bedenken, dass eine erhebliche Anzahl von Werkzeugmaschinen zum Versagen gebracht werden könnten, um eine große Anzahl von Daten zu erfassen. Bei der Erfindung unter Verwendung des unbetreuten Lernens kann in dieser Hinsicht das Korrelationsmodell M, das betriebsfähig ist, ohne absichtliche Kollision der Spindeln der Werkmaschinen erstellt werden.
Zur Umsetzung des zuvor beschriebenen unbetreuten Lernens kann ein Nachbarschaftsverfahren verwendet werden. Für den Fall, dass die Zustandsbeobachtungseinheit 106, die in der maschinellen Lernvorrichtung 100 enthalten ist, eine Grafik verwendet, in der eine senkrechte Achse den geschätzten Lastmomentwert für die Spindel darstellt und in der eine waagerechte Achse beispielsweise den Beschleunigungswert der Spindel darstellt, beispielsweise als das Korrelationsmodell M, das basierend auf den Zustandsvariablen S aktualisiert wird, die in der Trainingsperiode der maschinellen Lernvorrichtung 100 beobachtet werden, bilden die geschätzten Lastmomentwerte für die Spindel und die Beschleunigungswerte der Spindel während der normalen Bearbeitung (ohne Spindelkollision) Cluster-Sätze bilden, die jeweils eine Tendenz aufweisen, wie in 4 abgebildet. Bei einem Beispiel aus 4 werden ein Cluster-Satz von Schnittvorschub und ein Cluster-Satz der schnellen Zustellung gebildet. Bei dem Nachbarschaftsverfahren wird ein Paar (Probe) aus dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel, die durch die Zustandsbeobachtungseinheit 106 während des Betriebs beobachtet werden, in der Grafik des Korrelationsmodells M eingezeichnet, und ein Cluster, zu dem die Probe gehört, kann basierend darauf bestimmt werden, zu welchem Cluster Punkte gehören, die in k in der Nähe eines Punkts der Probe nummeriert sind. Für den Fall, dass sich die Punkte, die in k nummeriert sind, nicht innerhalb eines vorbestimmten Abstands r von dem Punkt der Probe befinden, kann bestimmt werden, dass die Probe nicht zu einem der Cluster gehört. Beispielsweise für den Fall von k = 5 gibt es fünf Paare aus dem geschätzten Lastmomentwert und der Beschleunigung der Spindel in dem Schnittvorschub während der normalen Bearbeitung (ohne Spindelkollision) in der Nähe einer Probe A in 4, und daher gehört die Probe A zu dem Cluster des Schnittvorschubs bei der normalen Bearbeitung. Fünf Paare aus dem geschätzten Lastmomentwert und der Beschleunigung der Spindel bei der schnellen Zustellung während der normalen Bearbeitung (ohne Spindelkollision) gibt es in der Nähe einer Probe B, und die Probe B gehört daher zu dem Cluster der schnellen Zustellung bei der normalen Bearbeitung. In 4 dagegen gibt es kein Paar aus dem geschätzten Lastmomentwert und der Beschleunigung der Spindel während der normalen Bearbeitung (ohne Spindelkollision) in der Nähe (innerhalb des Abstands r) einer Probe C, und daher kann nicht bestimmt werden, dass die Probe C ein Paar aus dem geschätzten Lastmomentwert und der Beschleunigung der Spindel ist, das unter einer Bedingung mit einer Spindelkollision erfasst wird.
Für die zuvor beschriebene Umsetzung des unbetreuten Lernens kann ein neuronales Netzwerk verwendet werden. 5A bildet schematisch ein Neuronenmodell ab. 5B bildet schematisch ein Modell eines neuronalen Netzwerks mit drei Ebenen ab, das durch die Kombination der Neuronen, die in 5A abgebildet sind, konfiguriert wird. Das neuronale Netzwerk kann unter Verwendung von Arithmetikeinheiten, Speichervorrichtungen und dergleichen, die beispielsweise nach einem Neuronenmodell modelliert sind, konfiguriert werden.
Die in 5A abgebildeten Neuronen geben ein Ergebnis y einer Mehrzahl von Eingaben x (beispielsweise die Eingaben x₁ bis x₃) aus. Die Eingaben x₁ bis x₃ werden mit Gewichtungen w (w₁ bis w₃) multipliziert, die den Eingaben × entsprechen. Somit geben die Neuronen die Ausgabe y aus, die durch die nachstehende Gleichung ausgedrückt wird. In der Gleichung 2 sind alle Eingaben x, die Ausgabe y und die Gewichtungen w Vektoren. θ ist ein systematischer Fehler und f_k ist eine Aktivierungsfunktion. $y = ƒ_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
In dem neuronalen Netzwerk mit drei Ebenen, das in 5B abgebildet ist, wird eine Mehrzahl von Eingaben x (beispielsweise die Eingaben x1 bis x3) von der linken Seite aus eingegeben, und die Ergebnisse y (beispielsweise die Ergebnisse y₁ bis y₃) werden von der rechten Seite aus ausgegeben. Bei dem in der Zeichnung abgebildeten Beispiel werden die Eingaben x1, x2 und x3 jeweils mit entsprechenden Gewichtungen (insgesamt mit w₁ dargestellt) multipliziert, und die Eingaben x1, x2 und x3 werden jeweils in drei Neuronen N11, N12 und N13 eingegeben.
In 5B sind die Ausgaben der Neuronen N11 bis N13 insgesamt mit z1 dargestellt. Die z1 können als Merkmalsvektoren angesehen werden, in denen Merkmalsbeträge der Eingangsvektoren entnommen werden. Bei dem in der Zeichnung abgebildeten Beispiel werden die Merkmalsvektoren z1 jeweils mit entsprechenden Gewichtungen (insgesamt mit w2 dargestellt) multipliziert und werden jeweils in die beiden Neuronen N21 und N22 eingegeben. Die Merkmalsvektoren z1 stellen ein Merkmal zwischen den Gewichtungen w1 und den Gewichtungen w2 dar.
In 5B sind die Ausgaben der Neuronen N21 und N22 insgesamt mit z2 dargestellt. Die z2 kann als Merkmalsvektoren angesehen werden, in denen Merkmalsbeträge der Merkmalsvektoren z1 entnommen werden. Bei dem in der Zeichnung abgebildeten Beispiel wird jeder der Merkmalsvektoren z2 mit entsprechenden Gewichtungen (insgesamt mit w3 dargestellt) multipliziert, und jeweils in die drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalsvektoren z2 stellen Merkmale zwischen den Gewichtungen w2 und den Gewichtungen w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Es ist auch möglich, eine Technik des so genannten tiefgehenden Lernens unter Verwendung eines neuronalen Netzwerks, das drei oder mehrere Ebenen bildet, zu verwenden.
Bei der maschinellen Lernvorrichtung 100, die in der Steuervorrichtung 1 enthalten ist, führt die Lerneinheit 110 Berechnungen einer Struktur mit mehreren Ebenen bezüglich des zuvor beschriebenen neuronalen Netzwerks mit den Zustandsvariablen S, die als Eingaben x verwendet werden, aus, so dass die Zugehörigkeit oder nicht zu einem Satz der Paare aus geschätzten Lastmomenten für die Spindel und der Beschleunigung der Spindel während der normalen Bearbeitung (Ergebnis y) ausgegeben werden kann. Die Betriebsmodi des neuronalen Netzwerks umfassen einen Lernmodus zur Verwendung in der Trainingsperiode und einen Wertvorhersagemodus zur Verwendung in einer Betriebsperiode. Die Gewichtungen w können unter Verwendung von Lerndatensätzen im Lernmodus erlernt werden, und eine Wertbeurteilung über das Verhalten kann unter Verwendung der erlernten Gewichtungen w beispielsweise im Wertvorhersagemodus erfolgen. Im Wertvorhersagemodus können auch Detektion, Klassifizierung, Inferenz und dergleichen durchgeführt werden.
Die zuvor beschriebene Konfiguration der Steuervorrichtung 1 kann als maschinelles Lernverfahren (bzw. als Software) beschrieben werden, das durch den Prozessor 101 ausgeführt wird. Das maschinelle Lernverfahren ist ein maschinelles Lernverfahren, durch das die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) erlernt wird, und umfasst das Bewirken, dass eine CPU eines Computers die geschätzten Lastmomentdaten der Spindel S1 und die Spindelbeschleunigungsdaten S2 als Zustandsvariablen S beobachtet, die einen aktuellen Zustand der Umgebung darstellen, in der die Bearbeitung durch die Werkzeugmaschine durchgeführt wird, und das Bewirken, dass die CPU des Computers die geschätzten Lastmomentwerte für die Spindel und die Beschleunigungswerte der Spindel während der normalen Bearbeitung (ohne Spindelkollision) unter Verwendung der Zustandsvariablen S verknüpft und erlernt.
6 bildet eine Steuervorrichtung 2 gemäß einer zweiten Ausführungsform ab. Die Steuervorrichtung 2 umfasst eine maschinelle Lernvorrichtung 120 und eine Einheit 3 zum Erfassen von Zustandsdaten, die als Zustandsdaten S0 die geschätzten Lastmomentdaten der Spindel S1 und die Spindelbeschleunigungsdaten S2 unter den Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 106 beobachtet werden, erfasst. Die Einheit 3 zum Erfassen von Zustandsdaten ist in der Lage, die Zustandsdaten 1SO aus Einheiten in der Steuervorrichtung 2, geeigneten Daten, die durch einen Bediener eingegeben werden, oder dergleichen zu erfassen.
Die maschinelle Lernvorrichtung 120, die in der Steuervorrichtung 2 enthalten ist, umfasst die Software (wie etwa Lernalgorithmen) und die Hardware (wie etwa den Prozessor 101) für das Selbstlernen durch das maschinelle Lernen an der Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision), und umfasst zusätzlich Software (wie etwa arithmetische Algorithmen) und Hardware (wie etwa den Prozessor 101) zur Ausgabe an die Steuervorrichtung 2 eines Ergebnisses einer Bestimmung der Normalität/Abnormalität eines Bearbeitungsvorgangs, der dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel entspricht, die eingegeben werden, basierend auf den Ergebnissen des Lernens. Die maschinelle Lernvorrichtung 120, die in der Steuervorrichtung 2 enthalten ist, kann eine Konfiguration aufweisen, bei der ein gemeinsamer Prozessor die ganze Software, wie etwa die Lernalgorithmen und die arithmetischen Algorithmen, ausführt.
Eine Bestimmungseinheit 122 kann beispielsweise als eine Funktion des Prozessors 101 konfiguriert sein. Alternativ kann die Bestimmungseinheit 122 als Software konfiguriert sein, die dazu gedacht ist zu bewirken, dass der Prozessor 101 funktioniert, und die beispielsweise in dem ROM 102 gespeichert ist. Die Bestimmungseinheit 122 gibt das Ergebnis der Bestimmung der Normalität/Abnormalität des Bearbeitungsvorgangs, der dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel entspricht, basierend auf den Ergebnissen des Lernens durch die Lerneinheit 110 aus. Wenn die Bestimmungseinheit 122 das Ergebnis R der Bestimmung an die Steuervorrichtung 2 ausgibt, kann die Steuervorrichtung 2 einen Alarm für eine Spindelkollision auslösen oder kann als Reaktion entsprechend eine Haltesteuerung auf die zu steuernde Werkzeugmaschine ausüben.
Die maschinelle Lernvorrichtung 120, die in der Steuervorrichtung 2 enthalten ist, welche die obige Konfiguration aufweist, erreicht Wirkungen, die den Wirkungen der zuvor beschriebenen maschinellen Lernvorrichtung 100 entsprechen. Insbesondere ist die maschinelle Lernvorrichtung 120 in der Lage, den Zustand der Umgebung durch eine Ausgabe von der Bestimmungseinheit 122 zu ändern. Bei der maschinellen Lernvorrichtung 100 dagegen kann eine Funktion, die der Bestimmungseinheit zur Wiedergabe der Ergebnisse des Lernens durch die Lerneinheit 110 in der Umgebung entspricht, in einer externen Vorrichtung gesucht werden.
7 bildet ein System 170 gemäß einer Ausführungsform ab, die eine Werkzeugmaschine 160 umfasst. Das System 170 umfasst eine Mehrzahl von Werkzeugmaschinen 160, 160', die mindestens den gleichen Vorgang durchführen, und ein drahtgebundenes oder drahtloses Netzwerk 172, das die Werkzeugmaschinen 160, 160' verbindet. Mindestens eine der Mehrzahl von Werkzeugmaschinen 160 ist als die Werkzeugmaschine 160 konfiguriert, welche die Steuervorrichtung 2 umfasst. Das System 170 kann die Werkzeugmaschinen 160' umfassen, welche die Steuervorrichtung 2 nicht umfassen. Die Werkzeugmaschinen 160, 160' weisen jeweils einen Mechanismus auf, der für den Vorgang zum gleichen Zweck notwendig ist.
In dem System 170, das die obige Konfiguration aufweist, sind die Werkzeugmaschinen 160, welche die Steuervorrichtung 2 umfassen, aus der Mehrzahl von Werkzeugmaschinen 160, 160' in der Lage, den Zustand der Normalität/Abnormalität des Bearbeitungsvorgangs, der dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel entspricht, unter Verwendung der Ergebnisse des Lernens durch die Lerneinheit 110 ohne Berechnung oder Schätzung automatisch und genau zu bestimmen oder zu schätzen. Des Weiteren kann eine Konfiguration übernommen werden, bei der die Steuervorrichtung 2 der mindestens einen Werkzeugmaschine 160 die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und die Beschleunigungswerte der Spindel während der normalen Bearbeitung (ohne Spindelkollision) erlernt, die allen Werkzeugmaschinen 160, 160' gemeinsam ist, basierend auf den Zustandsvariablen S, die für jede der anderen Mehrzahl von Werkzeugmaschinen 160, 160' erfasst werden, und alle Werkzeugmaschinen 160, 160' teilen sich die Ergebnisse dieses Lernens. Folglich können gemäß dem System 170 die Geschwindigkeit und Zuverlässigkeit des Lernens der Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) mit diversen Datensätzen (welche die Zustandsvariablen S umfassen), die als Eingaben verwendet werden, verbessert werden.
8 bildet ein System 170' gemäß einer anderen Ausführungsform ab, das die Werkzeugmaschinen 160' umfasst. Das System 170' umfasst die maschinelle Lernvorrichtung 120 (oder 100), die Mehrzahl von Werkzeugmaschinen 160', welche die gleiche mechanische Konfiguration aufweisen, und das drahtgebundene oder drahtlose Netzwerk 172, das die Werkzeugmaschinen 160' und die maschinelle Lernvorrichtung 120 (oder 100) verbindet.
Bei dem System 170', das die obige Konfiguration aufweist, ist die maschinelle Lernvorrichtung 120 (oder 100) in der Lage, die Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) zu erlernen, die allen Werkzeugmaschinen 160' gemeinsam ist, basierend auf den Zustandsvariablen S und den Bestimmungsdaten D, die für jede der Mehrzahl von Werkzeugmaschinen 160' erfasst werden, und den Zustand der Normalität/Abnormalität des Bearbeitungsvorgangs, der dem geschätzten Lastmomentwert für die Spindel und dem Beschleunigungswert der Spindel entspricht, unter Verwendung der Ergebnisse des Lernens ohne Berechnung oder Schätzung automatisch und genau zu bestimmen.
Das System 170' kann eine Konfiguration aufweisen, bei der die maschinelle Lernvorrichtung 120 (oder 100) beispielsweise in einem Cloud-Server vorliegt, der in dem Netzwerk 172 eingerichtet ist. Gemäß dieser Konfiguration kann eine notwendige Anzahl von Werkzeugmaschinen 160' bei Bedarf an die maschinelle Lernvorrichtung 120 (oder 100) angeschlossen werden, unabhängig von Stellen, an denen, und Perioden, in denen die Mehrzahl von Werkzeugmaschinen 160' vorliegt.
Ein Bediener, der das System 170, 170' einschaltet, ist in der Lage, eine Bestimmung vorzunehmen, ob ein Erfolgsniveau des Lernens durch die maschinelle Lernvorrichtung 120 (oder 100) der Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung (ohne Spindelkollision) ein gefordertes Niveau erreicht oder nicht, zu einem geeigneten Zeitpunkt nach dem Beginn des Lernens durch die maschinelle Lernvorrichtung 120 (oder 100).
Obwohl die Ausführungsformen der Erfindung zuvor beschrieben wurden, ist die Erfindung nicht auf die Beispiele der zuvor beschriebenen Ausführungsformen eingeschränkt und kann auf diverse Art und Weise mit geeigneten Änderungen ausgebildet sein.
Beispielsweise sind die Lernalgorithmen, die durch die Lernvorrichtungen 100, 120 ausgeführt werden, die arithmetischen Algorithmen, die durch die maschinelle Lernvorrichtung 120 ausgeführt werden, die Steueralgorithmen, die durch die Steuervorrichtungen 1, 2 ausgeführt werden, und dergleichen nicht auf die obigen eingeschränkt, und es können diverse Algorithmen verwendet werden.
Obwohl die Steuervorrichtung 1 (oder 2) und die maschinelle Lernvorrichtung 100 (oder 120) als Vorrichtungen, die verschiedene CPUs aufweisen, für die Ausführungsformen beschrieben wurden, kann die maschinelle Lernvorrichtung 100 (oder 120) unter Verwendung der CPU 11, die in der Steuervorrichtung 1 (oder 2) enthalten ist, und der Systemprogramme, die in dem ROM 12 gespeichert sind, umgesetzt werden.
Obwohl die Ausführungsformen der Erfindung zuvor beschrieben wurden, ist die Erfindung nicht auf die zuvor beschriebenen Beispiele der Ausführungsformen eingeschränkt, und kann mit geeigneten Änderungen andersartig ausgebildet sein.

Claims

Steuervorrichtung (1; 2), die eine Kollision einer Spindel, die in einer Werkzeugmaschine enthalten ist, detektiert, wobei die Steuervorrichtung (1; 2) umfasst: eine maschinelle Lernvorrichtung (100; 120), die einen Zustand der Spindel während einer normalen Bearbeitung ohne Kollision der Spindel erlernt, wobei die maschinelle Lernvorrichtung (100; 120) umfasst eine Zustandsbeobachtungseinheit (106), die geschätzte Lastmomentdaten (S1) der Spindel, die einen geschätzten Lastmomentwert für die Spindel angeben, und Spindelbeschleunigungsdaten (S2), die einen Beschleunigungswert der Spindel angeben, als Zustandsvariablen (S) beobachtet, die einen aktuellen Zustand einer Umgebung darstellen, und eine Lerneinheit (110), die eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung unter Verwendung der Zustandsvariablen erlernt.
Steuervorrichtung (1; 2) nach Anspruch 1, wobei die Zustandsvariablen (S) ferner Bearbeitungsbedingungsdaten umfassen, welche Bedingungen der Bearbeitung in der Werkzeugmaschine angeben, und die Lerneinheit (110) eine Korrelation zwischen den geschätzten Lastmomenten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung und den Bedingungen der Bearbeitung erlernt.
Steuervorrichtung (1; 2) nach Anspruch 1, wobei die Zustandsvariablen (S) ferner durch die Spindel erzeugte Geräuschdaten umfassen, die eine Information über Geräusche angeben, die durch die Spindel erzeugt werden, und die Lerneinheit (110) eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung und der Information über die Geräusche, die durch die Spindel erzeugt werden, erlernt.
Steuervorrichtung (1) nach einem der Ansprüche 1 bis 3, wobei die Lerneinheit (110) eine Modellaktualisierungseinheit (114) umfasst, die ein Korrelationsmodell (M) zur Bestimmung eines Zustands der Normalität oder Abnormalität einer Bearbeitung durch die Werkzeugmaschine basierend auf den Zustandsvariablen aktualisiert.
Steuervorrichtung (1; 2) nach einem der Ansprüche 1 bis 4, wobei die Lerneinheit (110) den Zustand der Spindel während der normalen Bearbeitung ohne Kollision der Spindel durch unbetreutes Lernen erlernt.
Steuervorrichtung (2) nach einem der Ansprüche 1 bis 5, ferner umfassend: eine Bestimmungseinheit (122), die ein Ergebnis der Bestimmung des Zustands der Normalität oder Abnormalität der Bearbeitung durch die Werkzeugmaschine basierend auf Ergebnissen des Lernens durch die Lerneinheit (110) ausgibt.
Steuervorrichtung (1; 2) nach einem der Ansprüche 1 bis 6, wobei die maschinelle Lernvorrichtung (100; 120) in einem Cloud-Server vorhanden ist.
Maschinelle Lernvorrichtung (100; 120), die einen Zustand einer Spindel während einer normalen Bearbeitung ohne Kollision einer Spindel, die in einer Werkzeugmaschine enthalten ist, erlernt, wobei die maschinelle Lernvorrichtung (100; 120) umfasst: eine Zustandsbeobachtungseinheit (106), die geschätzte Lastmomentdaten (S1) der Spindel, die einen geschätzten Lastmomentwert für die Spindel angeben, und Spindelbeschleunigungsdaten (S2), die einen Beschleunigungswert der Spindel angeben, als Zustandsvariablen (S), die einen aktuellen Zustand einer Umgebung darstellen, beobachtet; und eine Lerneinheit (110), die eine Korrelation zwischen den geschätzten Lastmomentwerten für die Spindel und den Beschleunigungswerten der Spindel während der normalen Bearbeitung unter Verwendung der Zustandsvariablen (S) erlernt.