DE102019001177B4 - Controller, machine learning device and system - Google Patents
Controller, machine learning device and system Download PDFInfo
- Publication number
- DE102019001177B4 DE102019001177B4 DE102019001177.5A DE102019001177A DE102019001177B4 DE 102019001177 B4 DE102019001177 B4 DE 102019001177B4 DE 102019001177 A DE102019001177 A DE 102019001177A DE 102019001177 B4 DE102019001177 B4 DE 102019001177B4
- Authority
- DE
- Germany
- Prior art keywords
- cutting
- learning
- data
- machining
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 83
- 238000005520 cutting process Methods 0.000 claims abstract description 282
- 238000003754 machining Methods 0.000 claims abstract description 162
- 230000006870 function Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 description 44
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 239000010720 hydraulic oil Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0961—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring power, current or torque of a motor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/002—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring the holding action of work or tool holders
- B23Q17/005—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring the holding action of work or tool holders by measuring a force, a pressure or a deformation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36069—Display, on machining error, display error message and correct program
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49225—Adapt machining conditions as function of workpiece cutting resistance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Numerical Control (AREA)
Abstract
Steuergerät (1), das eine Werkzeugmaschine (2) zum Durchführen des Schneidens eines Werkstücks, geklemmt auf eine Bearbeitungsspannvorrichtung, durch ein Werkzeug steuert, wobei das Steuergerät (1) umfasst:eine maschinelle Lernvorrichtung (100), die Bearbeitungsbedingungsdaten (S1) zur Angabe von Bearbeitungsbedingungen für das Schneiden, Spindeldrehmomentdaten (S2) zur Angabe des Spindeldrehmoments während des Schneidens und Schneidkraftkomponenten-Richtungsdaten (S3) zur Angabe von Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen eine Schneidkraft als Zustandsvariablen (S) zur Darstellung eines Istzustands einer Umgebung beobachtet und die ein Lernen oder eine Entscheidungsfindung unter Verwendung eines Lernmodells zum Modellieren der Bearbeitungsbedingungen für das Schneiden, bei dem die Schneidkraft, die das Halten durch eine Klemmkraft von der Bearbeitungsspannvorrichtung ermöglicht, auf das Werkstück ausgeübt wird, auf der Basis der Zustandsvariablen (S) durchführt.A control device (1) that controls a machine tool (2) for performing cutting of a workpiece clamped on a machining jig by a tool, the control device (1) comprising:a machine learning device (100) for specifying the machining condition data (S1). of machining conditions for cutting, spindle torque data (S2) for indicating the spindle torque during cutting and cutting force component direction data (S3) for indicating cutting force component direction information on cutting resistance to a cutting force as state variables (S) for representing an actual state of an environment observed and the a Learning or decision making using a learning model for modeling the machining conditions for cutting in which the cutting force enabling holding by a clamping force from the machining jig is applied to the workpiece is performed based on the state variable (S).
Description
HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION
1. Gebiet der Erfindung1. Field of the invention
Die vorliegende Erfindung betrifft ein Steuergerät, eine maschinelle Lernvorrichtung und ein System.The present invention relates to a controller, a machine learning device and a system.
2. Beschreibung des Stands der Technik2. Description of the prior art
In Werkzeugmaschinen wird eine Bearbeitung an einem auf einer Bearbeitungsspannvorrichtung befestigten Werkstück durchgeführt. In Verfahren zum Befestigen solch eines Werkstücks wird das Werkstück häufig durch Betätigung eines Zylinders mit Hydraulikdruck oder Luftdruck als Antriebsquelle geklemmt und gelöst (siehe beispielsweise
Allgemein wird die von einer Bearbeitungsspannvorrichtung auf ein Werkstück ausgeübte Klemmkraft unter Berücksichtigung des Schneidwiderstands gegen jedes Werkzeug und eines Sicherheitsfaktors ermittelt. Dann kann ein größerer Zylinder als erforderlich entsprechend dem Sicherheitsfaktor gewählt werden, der festgelegt wird, so dass Probleme wie höhere Kosten für die Bearbeitungsspannvorrichtung oder eine Zunahme des Gewichts der Bearbeitungsspannvorrichtung verursacht werden können.Generally, the clamping force exerted by a machining fixture on a workpiece is determined taking into account the cutting resistance to each tool and a safety factor. Then, a larger cylinder than required may be selected according to the safety factor set, so that problems such as higher cost of the machining jig or an increase in the weight of the machining jig may be caused.
Einer der Faktoren, der die Berücksichtigung des Sicherheitsfaktors erfordert, ist die Änderung der Klemmkraft. Allgemein werden Luftdruck und Hydraulikdruck für die zu verwendende Klemmkraft in Bearbeitungsspannvorrichtungen verwendet.One of the factors that requires consideration of the safety factor is the change in clamping force. Generally, air pressure and hydraulic pressure are used for the clamping force to be used in machining fixtures.
Bei der Verwendung von Luftdruck wird üblicherweise geteilte Primärluft (werksseitige Luft) verwendet und die Verwendung einer großen Luftmenge für ein Ziel verringert vorübergehend Luftdrücke an den anderen Stellen, so dass eine Änderung in den Drücken bewirkt wird. Üblicherweise führt der Anbau eines Lufttanks zu höheren Ausrüstungskosten.When using air pressure, split primary air (factory air) is commonly used and using a large amount of air for one target temporarily reduces air pressures at the other locations, causing a change in pressures. Typically, adding an air tank results in higher equipment costs.
Bei der Verwendung von Hydraulikdruck bewirkt beispielsweise eine Änderung der Temperatur des Hydrauliköls eine Änderung der kinetischen Viskosität. Ein Anstieg der Temperatur des Hydrauliköls bewirkt eine Abnahme der kinetischen Viskosität und eine Zunahme der Leckraten von Drehgelenken, Zylindern u. Ä. Somit tritt ein Absinken des Hydraulikdrucks auf. Daher kann üblicherweise eine Kühlvorrichtung angeschlossen werden, um einen Anstieg der Öltemperatur zu verringern, was höhere Ausrüstungskosten bewirkt.For example, when using hydraulic pressure, a change in the temperature of the hydraulic oil causes a change in the kinetic viscosity. An increase in hydraulic oil temperature causes a decrease in kinetic viscosity and an increase in leak rates from swivel joints, cylinders, etc. This results in a drop in hydraulic pressure. Therefore, a cooling device can usually be connected to reduce an increase in oil temperature, resulting in higher equipment costs.
ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION
Aus den zuvor beschriebenen Gründen ist es Aufgabe der Erfindung, ein Steuergerät, eine maschinelle Lernvorrichtung und ein System bereitzustellen, die mit einer Änderung in der Klemmkraft ohne kostspielige Ausrüstung umgehen können.For the reasons described above, it is an object of the invention to provide a controller, a machine learning device and a system that can deal with a change in clamping force without expensive equipment.
Gelöst wird diese Aufgabe durch ein Steuergerät mit den Merkmalen des Patentanspruchs 1, durch eine maschinelle Lernvorrichtung mit den Merkmalen des Patentanspruchs 7 und durch ein System mit den Merkmalen des Patentanspruchs 10.This task is solved by a control device with the features of
Ein Aspekt der Erfindung ist ein Steuergerät, das eine Werkzeugmaschine zum Durchführen des Schneiden eines Werkstücks, geklemmt auf einer Bearbeitungsspannvorrichtung, durch ein Werkzeug steuert und das eine maschinelle Lernvorrichtung zum Lernen von Bearbeitungsbedingungen für das Schneiden, unter denen eine Schneidkraft, die das Halten durch eine Klemmkraft von der Bearbeitungsspannvorrichtung ermöglicht, auf das Werkstück ausgeübt wird, umfasst. Die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die Bearbeitungsbedingungsdaten zur Angabe der Bearbeitungsbedingung für das Schneiden, Spindeldrehmomentdaten zur Angabe eines Spindeldrehmoments während des Schneidens und Schneidkraftkomponenten-Richtungsdaten zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen die Schneidkraft als Zustandsvariablen zur Darstellung eines Istzustands einer Umgebung beobachtet; eine Ermittlungsdaten-Erfassungseinheit, die Werkstückqualität-Ermittlungsdaten zum Ermitteln der Qualität des auf der Basis der Bearbeitungsbedingungen für das Schneiden bearbeiteten Werkstücks und Zykluszeit-Ermittlungsdaten zum Ermitteln der erforderlichen Zeit zum Bearbeiten des Werkstücks als Ermittlungsdaten zur Angabe eines Ergebnisses des Ermittelns zur Eignung der Bearbeitung des Werkstücks erfasst; und eine Lerneinheit, die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen für das Schneiden unter Verwendung der Zustandsvariablen und der Ermittlungsdaten verknüpft und lernt.One aspect of the invention is a controller that controls a machine tool for performing cutting of a workpiece clamped on a machining jig by a tool, and that includes a machine learning device for learning machining conditions for cutting under which a cutting force that requires holding by a Clamping force allows the machining clamping device to be exerted on the workpiece. The machine learning device includes: a state observation unit that observes machining condition data for indicating the machining condition for cutting, spindle torque data for indicating a spindle torque during cutting, and cutting force component direction data for indicating the cutting force component direction information on cutting resistance to the cutting force as state variables for representing an actual state of an environment ; a determination data acquisition unit, the workpiece quality determination data for determining the quality of the workpiece processed based on the machining conditions for cutting and cycle time determination data for determining the time required for machining the workpiece as determination data for indicating a result of determining the suitability of the machining workpiece recorded; and a learning unit that combines and learns cutting force component direction information about the spindle torque and cutting resistance during cutting and the machining conditions for cutting using the state variables and the determination data.
Ein weiterer Aspekt der Erfindung ist ein Steuergerät, das eine Werkzeugmaschine zum Durchführen des Schneidens eines Werkstücks, geklemmt auf eine Bearbeitungsspannvorrichtung, durch ein Werkzeug steuert und das eine maschinelle Lernvorrichtung umfasst zum Beobachten der Bearbeitungsbedingungsdaten zur Angabe von Bearbeitungsbedingung für das Schneiden, Spindeldrehmomentdaten zur Angabe des Spindeldrehmoments während des Schneidens und Schneidkraftkomponenten-Richtungsdaten zur Angabe von Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen eine Schneidkraft als Zustandsvariablen zur Darstellung eines Istzustands einer Umgebung und zum Durchführen eines Lernens oder einer Entscheidungsfindung unter Verwendung eines Lernmodells zum Modellieren der Bearbeitungsbedingungen für das Schneiden, bei dem die Schneidkraft, die das Halten durch eine Klemmkraft von der Bearbeitungsspannvorrichtung ermöglicht, auf das Werkstück auf ausgeübt wird, der Basis der Zustandsvariablen.Another aspect of the invention is a control device that controls a machine tool for performing cutting of a workpiece clamped on a machining clamping device. controlled by a tool and comprising a machine learning device for observing the machining condition data for indicating machining condition for cutting, spindle torque data for indicating the spindle torque during cutting, and cutting force component direction data for indicating cutting force component direction information on cutting resistance to a cutting force as state variables for representing a actual state of an environment and for performing learning or decision making using a learning model for modeling the machining conditions for cutting in which the cutting force enabling holding by a clamping force from the machining jig is applied to the workpiece on the basis of the state variable .
Ein weiterer Aspekt der Erfindung ist eine maschinelle Lernvorrichtung, die Bearbeitungsbedingungsdaten zur Angabe von Bearbeitungsbedingungen zum Schneiden eines auf einer Bearbeitungsspannvorrichtung geklemmten Werkstücks durch ein Werkzeug, Spindeldrehmomentdaten zur Angabe des Spindeldrehmoments während des Schneidens und Schneidkraftkomponenten-Richtungsdaten zur Angabe von Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen eine Schneidkraft als Zustandsvariablen zur Darstellung eines Istzustands einer Umgebung beobachtet und die ein Lernen oder eine Entscheidungsfindung unter Verwendung eines Lernmodells zum Modellieren der Bearbeitungsbedingungen für das Schneiden, bei dem die Schneidkraft, die das Halten durch eine Klemmkraft vom der Bearbeitungsspannvorrichtung ermöglicht, auf das Werkstück ausgeübt wird, auf der Basis der Zustandsvariablen durchführt.Another aspect of the invention is a machine learning device that includes machining condition data for indicating machining conditions for cutting a workpiece clamped on a machining jig by a tool, spindle torque data for indicating spindle torque during cutting, and cutting force component direction data for indicating cutting force component direction information for cutting resistance against a Cutting force is observed as a state variable to represent an actual state of an environment and which involves learning or decision making using a learning model for modeling the machining conditions for cutting, in which the cutting force, which enables holding by a clamping force from the machining jig, is applied to the workpiece , based on the state variables.
Ein weiterer Aspekt der Erfindung ist ein System, in dem eine Mehrzahl von Vorrichtungen miteinander durch ein Netzwerk verbunden ist und die Mehrzahl von Vorrichtungen wenigstens das im ersten Aspekt beschriebene Steuergerät umfasst, das eine erste Werkzeugmaschine steuert.Another aspect of the invention is a system in which a plurality of devices are connected to one another through a network and the plurality of devices includes at least the control device described in the first aspect that controls a first machine tool.
Gemäß einem Aspekt der Erfindung können die Bearbeitungsbedingungen wie eine Schneidvorschubgeschwindigkeit und eine Drehzahl einer Spindel in Reaktion auf eine Änderung in der Klemmkraft unter Verwendung eines maschinellen Lernverfahrens und ohne Verwendung von kostspieliger Ausrüstung angepasst werden, so dass eine genaue Bearbeitung erzielt werden kann.According to one aspect of the invention, machining conditions such as a cutting feed rate and a rotational speed of a spindle can be adjusted in response to a change in clamping force using a machine learning method and without using expensive equipment, so that accurate machining can be achieved.
KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
Die zuvor beschriebenen und weitere Aufgaben und Merkmale der Erfindung gehen aus der folgenden Beschreibung der Ausführungsformen in Bezug auf die beigefügten Zeichnungen hervor.
-
1 zeigt eine schematische Hardwarekonfiguration zur Darstellung eines Steuergeräts gemäß einer ersten Ausführungsform. -
2 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung des Steuergeräts gemäß der ersten Ausführungsform. -
3 zeigt ein Diagramm zur Darstellung einer Beziehung zwischen Bearbeitungsbedingungsdaten S1, Spindeldrehmomentdaten S2 und Schneidkraftkomponenten-Richtungsdaten S3. -
4 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines Modus des Steuergeräts. -
5 zeigt ein schematisches Fließbild zur Darstellung eines Modus eines maschinellen Lernverfahrens. -
6A zeigt ein Diagramm zur Darstellung von Neuronen. -
6B zeigt ein Diagramm zur Darstellung eines neuronalen Netzes. -
7 zeigt ein Diagramm zur Darstellung eines Beispiels eines Systems mit einer dreischichtigen Struktur umfassend einen Cloud-Server, FOG-Server und Edge-Computer. -
8 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines Modus eines Systems, in dem ein Steuergerät integriert ist. -
9 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines weiteren Modus eines Systems, in dem Steuergeräte integriert sind. -
10 zeigt eine schematische Hardwarekonfiguration zur Darstellung eines in9 dargestellten Computers. -
11 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines weiteren Modus eines Systems, in dem Steuergeräte integriert sind.
-
1 shows a schematic hardware configuration to represent a control device according to a first embodiment. -
2 shows a schematic functional block diagram to represent the control device according to the first embodiment. -
3 1 shows a diagram showing a relationship between machining condition data S1, spindle torque data S2 and cutting force component direction data S3. -
4 shows a schematic functional block diagram to represent a mode of the control unit. -
5 shows a schematic flow diagram to illustrate one mode of a machine learning process. -
6A shows a diagram to represent neurons. -
6B shows a diagram to represent a neural network. -
7 shows a diagram illustrating an example of a system with a three-tier structure including a cloud server, FOG server and edge computers. -
8th shows a schematic functional block diagram to represent a mode of a system in which a control device is integrated. -
9 shows a schematic functional block diagram to represent another mode of a system in which control devices are integrated. -
10 shows a schematic hardware configuration to represent an in9 computer shown. -
11 shows a schematic functional block diagram to represent another mode of a system in which control devices are integrated.
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMENDETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS
Nachfolgend sind Ausführungsformen der Erfindung in Verbindung mit den Zeichnungen beschrieben.Embodiments of the invention are described below in conjunction with the drawings.
Eine im Steuergerät 1 gemäß der Ausführungsform enthaltene CPU 11 ist ein Prozessor, der das Steuergerät 1 allgemein steuert. Die CPU 11 liest in einem ROM 12 gespeicherte Systemprogramme über einen Bus 20 aus und steuert das gesamte Steuergerät 1 gemäß den Systemprogrammen. Temporäre Berechnungsdaten und Anzeigedaten, verschiedene Arten von von einem Bediener durch eine nicht dargestellte Eingabeeinheit eingegebenen Daten u. Ä. werden vorübergehend in einem RAM 13 gespeichert.A
Ein nichtflüchtiger 14 Speicher ist als ein Speicher ausgebildet, der beispielsweise über einen Backup durch eine nicht dargestellte Batterie verfügt und in dem der Speicherstatus erhalten bleibt, selbst wenn das Steuergerät 1 ausgeschaltet wird. Im nichtflüchtigen Speicher 14 werden durch eine Schnittstelle 15 von externer Ausrüstung 72 gelesene Programme, durch eine Anzeige-/MDI-Einheit 70 eingegebene Programme und verschiedene Arten von Daten (beispielsweise Informationen zu Werkzeugen wie Arten von Werkzeugen und Lebensdauer der Werkzeuge, Informationen zur Bearbeitung wie Schneidbedingungen, Informationen zu Werkstücken wie Werkstückmaterialien, Drehmomente einer Spindel u. Ä.), erfasst von verschiedenen Teilen des Steuergeräts 1 oder Robotern, gespeichert. Die Programme und die verschiedenen Arten von Daten, die im nichtflüchtigen Speicher 14 gespeichert werden, können im RAM 13 zur Ausführung/Verwendung entpackt werden. Verschiedene Systemprogramme wie allgemein bekannte Analyseprogramme (umfassend Systemprogramme zum Steuern der Interaktion mit einer nachfolgend beschriebenen maschinellen Lernvorrichtung 100) wurden vorab in das ROM 12 geschrieben.A non-volatile 14 memory is designed as a memory that has, for example, a backup by a battery (not shown) and in which the memory status is retained even if the
Die Schnittstelle 15 ist eine Schnittstelle zum Verbinden zwischen dem Steuergerät 1 und der externen Ausrüstung 72 wie einem Adapter. Programme, verschiedene Parameter u. Ä. werden von einer Seite der externen Vorrichtung 72 ausgelesen. Die im Steuergerät 1 bearbeiteten Programme, verschiedenen Parameter u. Ä. können in externen Speichermitteln durch die externe Ausrüstung 72 gespeichert werden. Ein Programmable Machine Controller (PMC) 16 gibt Signale aus und übt dadurch Kontrolle über die Werkzeugmaschine und Peripheriegeräte für die Werkzeugmaschine durch eine E/A-Einheit 17 gemäß im Steuergerät 1 gespeicherten Sequenzprogrammen aus. Der PMC 16 empfängt Signale von verschiedenen Schaltern o. Ä. einer an einer Haupteinheit der Werkzeugmaschine angeordneten Bedienkonsole, führt die erforderliche Signalverarbeitung für die Signale durch und liefert anschließend die Signale an die CPU 11.The
Die Anzeige-/MDI-Einheit 70 ist eine manuelle Dateneingabevorrichtung umfassend eine Anzeige, eine Tastatur u. Ä. Eine Schnittstelle 18 empfängt Anweisungen und Daten von der Tastatur der Anzeige-/MDI-Einheit 70 und leitet die Anweisungen und die Daten an die CPU 11 weiter. Eine Schnittstelle 19 ist mit einer Bedienkonsole 71 umfassend deinen manuellen Impulsgeber o. Ä., der zum manuellen Antrieb jeder Achse verwendet wird, verbunden.The display/
Achssteuerschaltungen 30 zum Steuern von Achsen der Werkzeugmaschine empfangen Wegstreckenanweisungen für die Achsen von der CPU 11 und geben Anweisungen für die Achsen an Servoverstärker 40 aus. Die Servoverstärker 40 empfangen die Anweisungen und treiben Servomotoren 50 an, welche die in der Werkzeugmaschine enthaltenen Achsen bewegen. Die Servomotoren 50 für die Achsen nehmen Positions-/Drehzahlgeber auf, melden Positions-/Drehzahlrückmeldesignale von den Positions-/Drehzahlgebern an die Achssteuerschaltungen 30 zurück und führen eine Regelung von Positionen und Drehzahlen durch. Obwohl die Achssteuerschaltungen 30, die Servoverstärker 40 und die Servomotoren 50 jeweils als nur ein Element in der Hardwarekonfiguration von
Eine Spindelsteuerschaltung 60 empfängt eine Spindeldrehanweisung für eine Spindel der Werkzeugmaschine und gibt ein Spindeldrehzahlsignal an einen Spindelverstärker 61 aus. Der Spindelverstärker 61 empfängt das Spindeldrehzahlsignal, dreht einen Spindelmotor 62 für die Spindel mit einer Drehzahl auf der Basis der Anweisung und treibt dadurch ein Werkzeug an. Ein Positionscodierer 63 ist mit dem Spindelmotor 62 gekoppelt und gibt Rückimpulse synchron mit der Drehung der Spindel aus. Die Rückimpulse werden von der CPU 11 gelesen.A
Eine Schnittstelle 21 ist zum Herstellen einer Verbindung zwischen dem Steuergerät 1 und der maschinellen Lernvorrichtung 100 vorgesehen. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101, der die gesamte maschinelle Lernvorrichtung 100 steuert, ein RIM 102, in dem die Systemprogramme u. Ä. gespeichert werden, ein RAM 103 zum vorübergehenden Speichern in der Verarbeitung in Bezug auf maschinelles Lernen und einen nichtflüchtigen Speicher 104, der zum Speichern eines Lernmodells o. Ä. verwendet wird. Die maschinelle Lernvorrichtung 100 kann Informationen (beispielsweise Informationen zu den Werkzeugen wie die Arten der Werkzeuge und die Lebensdauer der Werkzeuge, Informationen zur Bearbeitung wie die Schneidbedingungen, Informationen zu Werkstücken wie Werkstückmaterialien, das Drehmoment der Spindel u. Ä.) beobachten, die vom Steuergerät 1 durch die Schnittstelle 21 erfasst werden können. In Reaktion auf eine von der maschinellen Lernvorrichtung 100 ausgegebene Änderungsanweisung für Bearbeitungsbedingungen steuert das Steuergerät 1 den Betrieb der Werkzeugmaschine.An
Das Steuergerät 1 der Ausführungsform umfasst eine Steuereinheit 34, die eine Werkzeugmaschine 2 auf der Basis der von der maschinellen Lernvorrichtung 100 ausgegebenen Änderungsanweisung für Bearbeitungsbedingungen steuert. Die Steuereinheit 34 steuert allgemein den Betrieb der Werkzeugmaschine 2 gemäß Anweisungen auf der Basis von Programmen o. Ä., steuert aber bei Ausgabe der Änderungsanweisung für Bearbeitungsbedingungen von der maschinellen Lernvorrichtung 100 die Werkzeugmaschine 2 so, dass von der maschinellen Lernvorrichtung 100 ausgegebene Bearbeitungsbedingungen statt der Anweisungen auf der Basis der Programme o. Ä. erfüllt werden.The
Die im Steuergerät 1 enthaltene maschinelle Lernvorrichtung 100 umfasst wiederum Software (etwa einen Lernalgorithmus) und Hardware (etwa den Prozessor 101), die zum Selbstlernen durch sogenanntes maschinelles Lernen an den Bearbeitungsbedingungen zum Schneiden entsprechend Schneidkraftkomponenten-Richtungsinformationen zu Spindeldrehmoment und Schneidwiderstand während des Schneidens dienen. Was die im Steuergerät 1 enthaltene maschinelle Lernvorrichtung 100 lernt, entspricht einer Modellstruktur, die eine Korrelation zwischen den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und zum Schneidwiderstand während des Schneidens und den Bearbeitungsbedingungen zum Schneiden darstellt.The
Wie als die Funktionsblöcke in
Die Bearbeitungsbedingungsdaten S1 von den von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S können als die Bearbeitungsbedingungen zum Schneiden erfasst werden. Beispiele der Bearbeitungsbedingungen zum Schneiden umfassen eine tatsächliche Schneidvorschubgeschwindigkeit, eine Drehzahl der Spindel, eine Schneidtiefe, einen Neigungswinkel u. Ä. in der Bearbeitung durch die Werkzeugmaschine 2. Die Bearbeitungsbedingungen zum Schneiden können von einem Programm, das den Betrieb der Werkzeugmaschine 2 steuert, von für das Steuergerät 1 und im nichtflüchtigen Speicher 14 gespeicherten Bearbeitungsparametern o. Ä. erfasst werden.The machining condition data S1 from the state variables S observed by the
Als die Bearbeitungsbedingungsdaten S1 können die von der maschinellen Lernvorrichtung 100 in einem vorhergehenden Lernzyklus auf der Basis eines Ergebnisses des Lernens durch die Lerneinheit 110 für die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens im vorhergehenden Lernzyklus erfassten Bearbeitungsbedingungen zum Schneiden ohne Änderung verwendet werden. In solch einem Verfahren kann die maschinelle Lernvorrichtung 100 vorübergehend die Bearbeitungsbedingungen zum Schneiden für jeden Lernzyklus in einem RAM 103 speichern und die Zustandsbeobachtungseinheit 106 kann die Bearbeitungsbedingungen zum Schneiden im vorhergehenden Lernzyklus als die Bearbeitungsbedingungsdaten S1 eines aktuellen Lernzyklus vom RAM 103 erfassen.As the machining condition data S1, the machining conditions for cutting without change detected by the
Die Spindeldrehmomentdaten S2 von den von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen können als eine Last auf den Spindelmotor, der die Spindel der Werkzeugmaschine 2 antreibt, erfasst werden. Die Spindeldrehmomentdaten S2 können von der Werkzeugmaschine 2 erfasst werden.The spindle torque data S2 from the state variables observed by the
Die Schneidkraftkomponenten-Richtungsdaten S3 von den von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S können als eine Richtung einer Schneidkraftkomponente in Bezug auf eine Richtung des Spindeldrehmoments während des Schneidens erfasst werden. Die Richtung der Schneidkraftkomponente in Bezug auf die Richtung des Spindeldrehmoments kann auf der Basis eines Winkels (Neigungswinkels) einer Schneidkante des Werkzeugs in Bezug auf das Werkstück ermittelt werden und kann aus einer Spezifikation (Winkel der Schneidkante in Bezug auf eine Richtung der Spindel) des Werkzeugs und einem Winkel (Winkel der Spindel) des Werkzeugs in Bezug auf das geschnittene Werkstück berechnet werden.The cutting force component direction data S3 from the state variables S observed by the
Wenn die Lerneinheit 110 Online-Lernen ausführt, kann die Zustandsbeobachtungseinheit 106 nacheinander die Zustandsvariablen von Einheiten der Werkzeugmaschine 2, einem Sensor 3 und dem Steuergerät 1 erfassen. Wenn die Lerneinheit 110 Offline-Lernen ausführt, speichert das Steuergerät 1 vorzugsweise während der Bearbeitung des Werkstücks erfasste Informationen als Protokolldaten im nichtflüchtigen Speicher 14 und die Zustandsbeobachtungseinheit 106 erfasst die Zustandsvariablen vorzugsweise durch Analysieren der aufgezeichneten Protokolldaten.When the
Die Ermittlungsdaten-Erfassungseinheit 108 kann ein Ergebnis der Ermittlung zur Qualität des auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden bearbeiteten Werkstücks als die Werkstückqualität-Ermittlungsdaten D1 verwenden. Als die Werkstückqualität-Ermittlungsdaten D1 zur Verwendung durch die Ermittlungsdaten-Erfassungseinheit 108 werden beispielsweise vorzugsweise Daten, ob ein Versatz einer Position des auf einem Tisch durch eine Spannvorrichtung montierten Werkstücks fehlt (geeignet) oder vorhanden ist (ungeeignet), o. Ä. im Online-Lernen verwendet oder es werden vorzugsweise Daten, ob Maßfehler von Teilen des bearbeiteten Werkstücks kleiner gleich vorgegebenen Schwellen sind (geeignet) oder die Schwellen überschreiten (ungeeignet), o. Ä. im Offline-Lernen verwendet.The determination
Die Ermittlungsdaten-Erfassungseinheit 108 kann ein Ergebnis des Ermittelns zur erforderlichen Zeit für die Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden als die Zykluszeit-Ermittlungsdaten D2 verwenden. Als die von der Ermittlungsdaten-Erfassungseinheit 108 zu verwendenden Zykluszeit-Ermittlungsdaten D2 wird beispielsweise vorzugsweise ein Ergebnis des Ermittelns auf der Basis von entsprechend festgelegten Kriterien, etwa ob die erforderliche Zeit für die Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden kürzer (geeignet) oder länger (ungeeignet) als eine vorgegebene Schwelle ist, verwendet.The determination
Die Ermittlungsdaten-Erfassungseinheit 108 ist eine wesentliche Konfiguration in einer Phase des Lernens durch die Lerneinheit 110, ist aber nicht notwendigerweise eine wesentliche Konfiguration nach dem Abschluss des Lernens durch die Lerneinheit 110 mit Verknüpfung der Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und der Bearbeitungsbedingungen zum Schneiden. Wenn die maschinelle Lernvorrichtung 100, die das Lernen abgeschlossen hat, an einen Kunden verschickt wird, kann beispielsweise ein Verschicken mit Entfernen der Ermittlungsdaten-Erfassungseinheit 108 durchgeführt werden.The determination
Bezüglich der Lernzyklen der Lerneinheit 110 basieren die Zustandsvariablen S, die gleichzeitig an der Lerneinheit 110 eingegeben werden, auf Daten zum Zeitpunkt einen Lernzyklus vor dem Erfassen der Ermittlungsdaten D. Während die im Steuergerät 1 enthaltene maschinelle Lernvorrichtung 100 mit dem Lernen fortfährt, werden das Erfassen der Spindeldrehmomentdaten S2 und der Schneidkraftkomponenten-Richtungsdaten S3, die Bearbeitung des Werkstücks durch die Werkzeugmaschine 2 auf der Basis der auf der Basis der erfassten Daten ermittelten Bearbeitungsbedingungsdaten S1 und das Erfassen der Ermittlungsdaten D somit wiederholt in der Umgebung ausgeführt.Regarding the learning cycles of the
Die Lerneinheit 110 lernt die Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens gemäß einem beliebigen Lernalgorithmus, der allgemein als maschinelles Lernen bezeichnet wird. Die Lerneinheit 110 kann wiederholt das Lernen auf der Basis einer Datenmenge umfassend die Zustandsvariablen S und die Ermittlungsdaten D wie zuvor beschrieben ausführen. Während des Wiederholens des Lernzyklus für die Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens werden die Zustandsvariablen S von den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens im vorhergehenden Lernzyklus und den im vorhergehenden Lernzyklus ermittelten Bearbeitungsbedingungen zum Schneiden wie zuvor beschrieben erfasst und die Ermittlungsdaten D basieren auf Ergebnissen des Ermittelns zur Eignung der Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden.The
Beim Ausführen des Online-Lernens wiederholt die Lerneinheit 110 nacheinander das Lernen unter Verwendung beispielsweise der während der Bearbeitung erfassten Zustandsvariablen S und der Werkstückqualität-Ermittlungsdaten D1 wie etwa der von einem Abstandssensor erfassten Daten zum Versatz der Montageposition des Werkstücks o. Ä. Beim Ausführen des Offline-Lernens kann die Lerneinheit 110 vorzugsweise eine Reihe der Zustandsvariablen S für jeden spezifizierten Zyklus entlang des Verlaufs der Bearbeitung durch Analysieren der während der Bearbeitung aufgezeichneten Protokolldaten erzeugen, kann eine Stelle identifizieren, an der eine starke Änderung in den Spindeldrehmomentdaten S2 in den Zustandsvariablen aufgetreten ist, kann die Werkstückqualität-Ermittlungsdaten D1 wie die Maßfehler der Teile des bearbeiteten Werkstücks, die als ungeeignete Daten ermittelt wurden, der Zustandsvariable S an der Stelle zuweisen (geeignete Daten zu den anderen Zustandsvariablen S zuweisen), kann beispielsweise Ergebnisse des Ermittelns zu den Zykluszeit-Ermittlungsdaten D2 verteilen und allen Zustandsvariablen S zuweisen und kann das Lernen unter Verwendung der Reihe der Zustandsvariablen S und der erzeugten Ermittlungsdaten D wie zuvor beschrieben durchführen.When executing the online learning, the
Das Wiederholen solch eines Lernzyklus ermöglicht der Lerneinheit 110 das Identifizieren solch einer Charakteristik, welche die Korrelation zwischen den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und den Bearbeitungsbedingungen zum Schneiden beinhaltet. Obwohl die Korrelation zwischen den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und den Bearbeitungsbedingungen zum Schneiden im Wesentlichen unbekannt ist, wenn der Lernalgorithmus gestartet wird, interpretiert die Lerneinheit 110 die Korrelation durch schrittweises Identifizieren der Charakteristik mit fortschreitendem Lernen. Wenn die Korrelation zwischen den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und den Bearbeitungsbedingungen zum Schneiden auf einem Niveau interpretiert ist, die zu einem bestimmten Grad zuverlässig ist, werden Ergebnisse des Lernens, die wiederholt von der Lerneinheit 110 ausgegeben werden, zur Aktionsauswahl (das heißt Entscheidungsfindung) verwendbar gemacht, wie die Bearbeitungsbedingungen zum Schneiden zu einem Istzustand (das heißt die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens) zu ermitteln sind. Das heißt die Lerneinheit 110 kann ein schrittweises Annähern an eine optimale Lösung der Korrelation mit einer Aktion, wie die Bearbeitungsbedingungen zum Schneiden in Bezug auf die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens festgelegt werden, mit Fortschritt des Lernalgorithmus erreichen.Repeating such a learning cycle enables the
Eine Entscheidungsfindungseinheit 122 ermittelt die Bearbeitungsbedingungen zum Schneiden auf der Basis des Ergebnisses des Lernens durch die Lerneinheit 110 und gibt die ermittelten Bearbeitungsbedingungen zum Schneiden an die Steuereinheit 34 aus. Wenn die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens an der maschinellen Lernvorrichtung 100 in einer Phase eingegeben werden, in der das Lernen durch die Lerneinheit 110 verwendbar gemacht wird, gibt die Entscheidungsfindungseinheit 122 die Bearbeitungsbedingungen zum Schneiden (etwa die Schneidvorschubgeschwindigkeit, die Drehzahl der Spindel, die Schneidtiefe und den Neigungswinkel) aus. Die von der Entscheidungsfindungseinheit 122 ausgegebenen Bearbeitungsbedingungen zum Schneiden sind Bearbeitungsbedingungen, bei denen eine Schneidkraft, die das Halten des Werkstücks in einem Bereich der Klemmkraft von der Spannvorrichtung ermöglicht, auf das Werkstück ausgeübt wird. Die Entscheidungsfindungseinheit 122 ermittelt die geeigneten Bearbeitungsbedingungen zum Schneiden auf der Basis der Zustandsvariablen S und der Ergebnisse des Lernens durch die Lerneinheit 110.A
In der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 wie zuvor beschrieben lernt die Lerneinheit 110 die Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens gemäß dem maschinellen Lernalgorithmus unter Verwendung der von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S und der von der Ermittlungsdaten-Erfassungseinheit 108 erfassten Ermittlungsdaten D. Die Zustandsvariablen S bestehen aus Daten wie den Bearbeitungsbedingungsdaten S1, den Spindeldrehmomentdaten S2 und den Schneidkraftkomponenten-Richtungsdaten S3 und die Ermittlungsdaten D werden eindeutig durch Analyse von aus dem Messen des Werkstück resultierenden Informationen und vom Steuergerät 1 von der Werkzeugmaschine 2 erfassten Informationen ermittelt. Gemäß der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 ermöglicht daher die Verwendung der Ergebnisse des Lernens durch die Lerneinheit 110 das automatische und genaue Festlegen der Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens.In the
Da die Bearbeitungsbedingungen zum Schneiden automatisch ermittelt werden können, können geeignete Wert der Bearbeitungsbedingungen zum Schneiden unmittelbar nur durch Erfassen der Schneidkraftkomponenten-Richtungsinformationen (Schneidkraftkomponenten-Richtungsdaten S3) zum Spindeldrehmoment (Spindeldrehmomentdaten S2) und Schneidwiderstand während des Schneidens ermittelt werden. Somit können die Bearbeitungsbedingungen zum Schneiden wirksam ermittelt werden.Since the machining conditions for cutting can be automatically determined, appropriate values of the machining conditions for cutting can be directly determined only by detecting the cutting force component direction information (cutting force component direction data S3) on the spindle torque (spindle torque data S2) and cutting resistance during cutting. Thus, the processing conditions for cutting can be effectively determined.
Als eine Modifikation der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 kann die Zustandsbeobachtungseinheit 106 Hydrauliköl-Zustandsdaten S4 zur Angabe einer Temperatur des Hydrauliköls zusätzlich zu den Bearbeitungsbedingungsdaten S1, den Spindeldrehmomentdaten S2 und den Schneidkraftkomponenten-Richtungsdaten S2 als die Zustandsvariablen S beobachten. Wenn Hydraulikdruck für die Klemmkraft von der Spannvorrichtung verwendet wird, kann eine Änderung in der Temperatur des Hydrauliköls eine Ursache für die Abnahme im Hydraulikdruck sein und die Genauigkeit des Lernens durch die Lerneinheit 110 kann durch Beobachten der Temperatur als die Zustandsvariable S erhöht werden.As a modification of the
Als eine weitere Modifikation der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 kann die Zustandsbeobachtungseinheit 106 Werkzeug-Zustandsdaten S5 zur Angabe eines Zustands eines Werkzeugs zusätzlich zu den Bearbeitungsbedingungsdaten S1, den Spindeldrehmomentdaten S2 und den Schneidkraftkomponenten-Richtungsdaten S2 als die Zustandsvariablen S beobachten. Die auf das Werkzeug ausgeübte Schneidkraft unterscheidet sich je nach Art des Werkzeugs, Lebensdauer des Werkzeugs (Stumpfheit der Schneidkante) o. Ä. selbst unter den gleichen Schneidbedingungen und somit kann die Genauigkeit des Lernens durch die Lerneinheit 110 durch Beobachten der Art des Werkzeugs, der Lebensdauer des Werkzeugs o. Ä. als die Zustandsvariable S erhöht werden.As a further modification of the
Als eine weitere Modifikation der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 kann die Zustandsbeobachtungseinheit 106 Werkstück-Materialdaten S6 zur Angabe des Materials des Werkstücks zusätzlich zu den Bearbeitungsbedingungsdaten S1, den Spindeldrehmomentdaten S2 und den Schneidkraftkomponenten-Richtungsdaten S2 als die Zustandsvariablen S beobachten. Die auf das Werkzeug ausgeübte Schneidkraft (Reaktionskraft vom Werkstück) unterscheidet sich je nach Material des Werkstücks selbst unter den gleichen Schneidbedingungen und somit kann die Genauigkeit des Lernens durch die Lerneinheit 110 durch Beobachten des Materials des Werkstücks als die Zustandsvariable S erhöht werden.As a further modification of the
In der maschinellen Lernvorrichtung 100 mit der zuvor beschriebenen Konfiguration besteht keine bestimmte Beschränkung zum Lernalgorithmus, der von der Lerneinheit 110 ausgeführt wird, und es kann ein Lernalgorithmus verwendet werden, der allgemein für maschinelles Lernen bekannt ist.
In der im in
Nachfolgend ist ein Beispiel des Algorithmus für das verstärkende Lernen, das von der Lerneinheit 110 ausgeführt wird, beschrieben. Der Algorithmus des Beispiels, das als Q-Lernen bezeichnet wird, ist ein Verfahren zum Verwenden eines Zustands s eines Aktors und einer Aktion a, die der Aktor im Zustand s wählen kann, als unabhängige Variablen, und Lernen einer Funktion Q(s, a) zur Darstellung eines Werts der Aktion, wenn die Aktion a im Zustand s gewählt wird. Die optimale Lösung besteht im Wählen der Aktion a, welche die Wertfunktion Q im Zustand s maximiert. Das Q-Lernen wird in einem Zustand gestartet, in dem die Korrelation zwischen dem Zustand s und der Aktion a unbekannt ist, und die Wertfunktion Q wird wiederholt aktualisiert, um ein Annähern an die Lösung durch Wiederholen der Wahl von verschiedenen Aktionen a in einem beliebigen Zustand s nach dem Trial-and-Error-Prinzip zu bewirken. Die Wertfunktion Q kann an die optimale Lösung in vergleichsweise kurzer Zeit durch eine Konfiguration angenähert werden, in der eine Belohnung r (das heißt Gewicht einer Aktion a) gemäß einer Änderung in der Umgebung (das heißt der Zustand s) als ein Ergebnis der Wahl der Aktion a im Zustand s und durch Führen des Lernens zur Wahl der zu einer höheren Belohnung r führenden Aktion a erzielt wird.An example of the reinforcement learning algorithm executed by the
Ein Aktualisierungsausdruck für die Wertfunktion Q kann allgemein als folgender Ausdruck 1 ausgedrückt werden. In Ausdruck 1 stellen st und at jeweils den Zustand und die Aktion zum Zeitpunkt t dar und der Zustand wird zu st + 1 durch die Aktion at geändert. rt + 1 stellt die als ein Ergebnis der Änderung des Zustands von st zu st + 1 erzielte Belohnung dar. Ein Ausdruck von maxQ bedeutet Q zum Zeitpunkt, zu dem die Aktion a, die den größten Wert Q erzeugt (voraussichtlich diesen zum Zeitpunkt erzeugt), zum Zeitpunkt t + 1 ergriffen wird. α und γ stellen jeweils einen Lernkoeffizienten und eine Abschlagsrate dar und werden beliebig in den Bereichen von 0 < α ≤ 1 und 0 < γ ≤ 1 festgelegt.
Wenn die Lerneinheit 110 Q-Lernen ausführt, entsprechen die von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S und die von der Ermittlungsdaten-Erfassungseinheit 108 erfassten Ermittlungsdaten D dem Zustand s im Aktualisierungsausdruck, die Aktion, wie die Bearbeitungsbedingungen zum Schneiden gemäß dem Istzustand ermittelt werden (das heißt die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens), entspricht der Aktion a im Aktualisierungsausdruck und die von der Belohnungsberechnungseinheit 112 ermittelte Belohnung R entspricht der Belohnung r im Aktualisierungsausdruck. Somit aktualisiert die Wertfunktion-Aktualisierungseinheit 114 wiederholt die Funktion Q zum Darstellen des Werts der Bearbeitungsbedingungen zum Schneiden gemäß dem Istzustand durch das Q-Lernen unter Verwendung der Belohnung R.When the
Die von der Belohnungsberechnungseinheit 112 ermittelte Belohnung R kann positiv (Plus) sein, wenn das Ergebnis des Ermittelns zur Eignung der Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden nach dem Ermitteln der Bearbeitungsbedingungen zum Schneiden „geeignet“ ist (beispielsweise wenn das Werkstück ohne Versatz bearbeitet wurde oder wenn die Zykluszeit für die Bearbeitung des Werkstücks kürzer ist als die vorgegebene Schwelle oder die Zykluszeit im vorhergehenden Lernzyklus), oder kann negativ (Minus) sein, wenn beispielsweise das Ergebnis des Ermittelns zur Eignung der Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden nach dem Ermitteln der Bearbeitungsbedingungen zum Schneiden „ungeeignet“ ist (beispielsweise wenn ein Versatz des Werkstücks aufgetreten ist oder wenn die Zykluszeit für die Bearbeitung des Werkstücks länger ist als die vorgegebene Schwelle oder die Zykluszeit im vorhergehenden Lernzyklus). Absolutwerte der positiven Belohnung R und der negativen Belohnung R können gleich oder verschieden sein. Bezüglich der Bedingungen für das Ermitteln kann das Ermitteln unter Verwendung einer Kombination einer Mehrzahl von in den Ermittlungsdaten D enthaltenen Werten erfolgen.The reward R determined by the
Die Ergebnisse des Ermittelns zur Eignung der Bearbeitung des Werkstücks auf der Basis der festgelegten Bearbeitungsbedingungen zum Schneiden können nicht nur auf zwei Weisen von „geeignet“ und „ungeeignet“ festgelegt werden, sondern in einer Mehrzahl von Stufen. Wenn beispielsweise die Schwelle der Zykluszeit für die Bearbeitung des Werkstücks Tmax ist, kann eine Konfiguration verwendet werden, in der die Belohnung R = 5 für die Zykluszeit T eines Montagevorgangs durch einen Bediener, der 0 ≤ T < Tmax/5 erfüllt, die Belohnung R = 3 für Tmax/5 ≤ T < Tmax/2, die Belohnung R = 1 für Tmax/2 ≤ T < Tmax oder die Belohnung R = -3 (Minus-Belohnung) für Tmax ≤ T verteilt wird.The results of determining the suitability of machining the workpiece based on the specified machining conditions for cutting can be determined not only in two ways of "suitable" and "unsuitable" but in a plurality of stages. For example, if the threshold of the cycle time for machining the workpiece is T max , a configuration can be used in which the reward R = 5 for the cycle time T of an assembly operation by an operator who satisfies 0 ≤ T < T max /5 Reward R = 3 for T max /5 ≤ T < T max /2, the reward R = 1 for T max /2 ≤ T < T max or the reward R = -3 (minus reward) for T max ≤ T becomes.
Ferner kann eine Konfiguration verwendet werden, in der die zu verwendende Schwelle für das Ermitteln so festgelegt wird, dass sie vergleichsweise groß in einer frühen Phase des Lernens ist, und in der die zu verwendende Schwelle für das Ermitteln mit fortschreitendem Lernen abnimmt.Further, a configuration may be used in which the threshold to be used for detection is set to be comparatively large at an early stage of learning, and in which the threshold to be used for detection decreases as learning progresses.
Die Wertfunktion-Aktualisierungseinheit 114 kann eine Aktionswerttabelle aufweisen, in der die Zustandsvariablen S, die Ermittlungsdaten D und die Belohnungen R in Verknüpfung mit Aktionswerten (etwa numerischen Werten), dargestellt durch die Funktion Q, organisiert sind. In dieser Konfiguration entspricht das Verhalten durch die Wertfunktion-Aktualisierungseinheit 114 zum Aktualisieren der Funktion Q dem Verhalten durch die Wertfunktion-Aktualisierungseinheit 114 zum Aktualisieren der Aktionswerttabelle. Zu Beginn des Q-Lernens ist die Korrelation zwischen dem Istzustand der Umgebung und den Bearbeitungsbedingungen zum Schneiden unbekannt. In der Aktionswerttabelle wurden daher die verschiedenen Zustandsvariablen S, die Ermittlungsdaten D und die Belohnungen R in Verknüpfung mit den beliebig ermittelten Aktionswerten (Funktion Q) vorbereitet. Bei Erhalt der Ermittlungsdaten D kann die Belohnungsberechnungseinheit 112 unmittelbar die entsprechende Belohnung R berechnen und der berechnete Wert R wird in die Aktionswerttabelle geschrieben.The value
Mit fortschreitendem Q-Lernen unter Verwendung der Belohnungen R gemäß den Ergebnissen des Ermittelns zur Eignung des Betriebs der Werkzeugmaschine 2 wird das Lernen so geführt, dass die zu einer höheren Belohnung R führende Aktion gewählt werden kann. Anschließend erfolgen das Neuschreiben der Aktionswerte (Funktion Q) zu den im Istzustand zu ergreifenden Aktionen und das Aktualisieren der Aktionswerttabelle gemäß dem Zustand der Umgebung (das heißt den Zustandsvariablen S und den Ermittlungsdaten D), die sich als ein Ergebnis des Ausführens der gewählten Aktion im Istzustand ändert. Durch das Wiederholen der Aktualisierung werden die in der Aktionswerttabelle angegebenen Aktionswerte (Funktion Q) neugeschrieben, so dass sie größer für geeignetere Aktionen sind (in der vorliegenden Erfindung Aktionen zum Ermitteln der Bearbeitungsbedingungen zum Schneiden, bei denen die Schneidkraft, die das Halten des Werkstücks im Bereich der Klemmkraft von der Spannkraft ermöglicht, auf das Werkstück ausgeübt wird, so dass eine Abnahme in der Schneidvorschubgeschwindigkeit, eine Abnahme in der Drehzahl der Spindel, eine Abnahme in der Schneidtiefe und eine Zunahme im Neigungswinkel in solch einem Ausmaß erfolgen, dass die Zykluszeit für die Bearbeitung des Werkstücks nicht zu sehr verlängert wird). Somit wird die Korrelation zwischen dem Istzustand der Umgebung (den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens) und der entsprechenden Aktion (den Bearbeitungsbedingungen zum Schneiden), die unbekannt war, schrittweise geklärt. Das heißt die Beziehung zwischen den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidmoment während des Schneidens und den Bearbeitungsbedingungen zum Schneiden wird schrittweise durch die Aktualisierung der Aktionswerttabelle an die optimale Lösung angenähert.As Q-learning progresses using the rewards R according to the results of determining the suitability of operation of the
Nachfolgend ist in Bezug auf
Für den Fortschritt des verstärkenden Lernens wie zuvor beschrieben kann beispielsweise ein neuronales Netz verwendet werden.
Die in
Im in
In
In
Es kann ein sogenanntes Deep-Learning-Verfahren unter Verwendung eines neuronalen Netzes, das drei oder mehr Schichten bildet, verwendet werden.A so-called deep learning method using a neural network that forms three or more layers can be used.
In der im Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 kann das neuronale Netz als die Wertfunktion im Q-Lernen verwendet werden und der Wert (Ergebnis y) der relevanten Aktion im relevanten Zustand kann durch Berechnen in einer mehrschichtigen Struktur durch die Lerneinheit 110 gemäß dem zuvor beschriebenen neuronalen Netz unter Verwendung der Zustandsvariablen S und der Aktion a als die Eingabe x verwendet werden. Betriebsmodi des neuronalen Netzes umfassen einen Lernmodus und einen Wertvorhersagemodus. Die Gewichte w können unter Verwendung von Lerndatensätzen im Lernmodus gelernt werden und es kann beispielsweise eine Wertbeurteilung zur Aktion unter Verwendung der gelernten Gewicht w im Wertvorhersagemodus erfolgen. Im Wertvorhersagemodus können ebenfalls Erfassung, Klassifizierung, Inferenz u. Ä. durchgeführt werden.In the
Die zuvor beschriebene Konfiguration des Steuergeräts 1 kann als ein maschinelles Lernvorfahren (oder eine Software) beschrieben werden, die vom Prozessor 101 ausgeführt wird. Das maschinelle Lernverfahren ist ein maschinelles Lernverfahren zum Lernen der Bearbeitungsbedingungen zum Schneiden und umfasst das Veranlassen einer CPU eines Computers zum Beobachten der Bearbeitungsbedingungsdaten S1, der Spindeldrehmomentdaten S2 und der Schneidkraftkomponenten-Richtungsdaten S3 als die Zustandsvariablen S zur Darstellung des Istzustands der Umgebung, in der die Werkzeugmaschine 2 in Betrieb ist, zum Erfassen der Ermittlungsdaten D zur Angabe des Ergebnisses des Ermittelns zur Eignung der Bearbeitung des Werkstücks auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden und zum Verknüpften und Lernen der Spindeldrehmomentdaten S2, der Schneidkraftkomponenten-Richtungsdaten S3 und der Bearbeitungsbedingungen zum Schneiden unter Verwendung der Zustandsvariablen S und der Ermittlungsdaten D.The previously described configuration of the
Als nachfolgende zweite bis vierte Ausführungsform sind Ausführungsformen beschrieben, in denen das Steuergerät 1 gemäß der ersten Ausführungsform mit einer Mehrzahl von Vorrichtungen umfassend einen Cloud-Server, einen Hostcomputer, FOG-Computer und Edge-Computer (Robotersteuergeräte, Steuergeräte o. Ä.) durch ein verdrahtetes oder drahtloses Netzwerk verbunden ist. Als nachfolgende zweite bis vierte Ausführungsform werden wie als ein Beispiel in
Im System 170 mit einer zuvor beschriebenen Konfiguration kann das Steuergerät 1 umfassend die maschinelle Lernvorrichtung 100 automatisch und genau die Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens für jede der Werkzeugmaschinen 2 unter Verwendung der Ergebnisse des Lernens durch die Lerneinheit 110 ermitteln. Ferner kann eine Konfiguration bereitgestellt werden, in der die maschinelle Lernvorrichtung 100 des Steuergeräts 1 die Bearbeitungsbedingungen zum Schneiden, die allen Werkzeugmaschinen 2 gemein sind, auf der Basis der Zustandsvariablen S und der Ermittlungsdaten D, die für jede der Mehrzahl von Werkzeugmaschinen 2 erfasst werden, lernt und Ergebnisse von solchem Lernen für den Betrieb aller Werkzeugmaschinen 2 gemein macht. Gemäß dem System 170 können somit Geschwindigkeit und Zuverlässigkeit des Lernens der Bearbeitungsbedingungen zum Schneiden mit unterschiedlicheren Datensätzen (umfassend die Zustandsvariablen S und die Ermittlungsdaten D), verwendet als Eingabe, verbessert werden.In the
Im System 170 mit einer zuvor beschriebenen Konfiguration erfasst der Computer 5 umfassend die maschinelle Lernvorrichtung 100' als Ergebnisse des maschinellen Lernens durch die im Steuergerät 1, das jede Werkzeugmaschine 2 steuert, enthaltene maschinelle Lernvorrichtung 100 vom Steuergerät 1 erhaltene Lernmodelle. Die im Computer 5 enthaltene maschinelle Lernvorrichtung 100' erzeugt neu ein optimiertes oder vereinfachtes Lernmodell durch einen Prozess des Optimierens oder Vereinfachens von Wissen auf der Basis der Mehrzahl von Lernmodellen und verteilt das erzeugte Lernmodell an das Steuergerät 1, das jede Werkzeugmaschine 2 steuert.In the
Als ein Beispiel der Optimierung oder Vereinfachung des Lernmodells durch die maschinelle Lernvorrichtung 100' kann die Erzeugung eines destillierten Modells auf der Basis der Mehrzahl von von jedem Steuergerät 1 erfassten Lernmodellen genommen werden. In diesem Beispiel erzeugt die maschinelle Lernvorrichtung 100' gemäß der Ausführungsform neu das Lernmodell (destilliertes Modell) durch Erzeugen von Eingabedaten zur Eingabe an den Lernmodellen und durch Ausführen des Lernens von vorne unter Verwendung von aus der Eingabe von solchen Eingabedaten an jedem Lernmodell resultierender Ausgabe. (Solch ein Lernprozess wird als Destillation bezeichnet.) In der Destillation werden die ursprünglichen Lernmodelle als Lehrermodelle bezeichnet und das neu erzeugte destillierte Modell wird als Schülermodell bezeichnet. Das auf solch eine Weise erzeugte destillierte Modell ist im Allgemeinen kleiner als die ursprünglichen Lernmodelle, kann aber eine Genauigkeit erzielen, die der Genauigkeit der ursprünglichen Lernmodelle entspricht. Daher eignet sich das destillierte Modell zum Verteilen auf anderen Computern durch externe Speichermedien, ein Netzwerk o. Ä.As an example of optimization or simplification of the learning model by the machine learning device 100', generation of a distilled model based on the plurality of learning models acquired by each
Als ein weiteres Beispiel der Optimierung oder Vereinfachung des Lernmodells durch die maschinelle Lernvorrichtung 100' ist in einem Prozess der Destillation der Mehrzahl von von jedem Steuergerät 1 erfassten Lernmodellen das Analysieren einer Verteilung der Ausgabe der Lernmodelle als Reaktion auf die Eingabedaten durch ein allgemeines statistisches Verfahren, das Extrahieren von Ausreißern in einem Satz der Eingabedaten und der Ausgabedaten und das Durchführen der Destillation unter Verwendung des Satzes der Eingabedaten und der Ausgabedaten, aus dem die Ausreißer ausgeschlossen wurden, denkbar. Durch solch einen Prozess können außergewöhnliche Schätzergebnisse vom Satz der Eingabedaten und der Ausgabedaten ausgeschlossen werden, der von jedem Lernmodell erfasst wird, und somit kann das destillierte Modell unter Verwendung des Satzes der Eingabedaten und der Ausgabedaten erzeugt werden, aus dem die außergewöhnlichen Schätzergebnisse ausgeschlossen wurden. Als das auf solch eine Weise erzeugte destillierte Modell kann ein universales destilliertes Modell für die Werkzeugmaschinen 2, die von der Mehrzahl von Steuergeräten 1 gesteuert werden, von den von der Mehrzahl von Steuergeräten 1 erzeugten Lernmodellen erzeugt werden.As another example of optimization or simplification of the learning model by the machine learning device 100', in a process of distilling the plurality of learning models acquired from each
Ein weiteres allgemeines Verfahren zum Optimieren oder Vereinfachen des Lernmodells (Analyse von jedem Lernmodell und Optimieren von Hyperparametern der Lernmodelle auf der Basis von Ergebnissen der Analyse o. Ä.) kann entsprechend eingeführt werden.Another general method for optimizing or simplifying the learning model (analyzing each learning model and optimizing hyperparameters of the learning models based on results of the analysis, etc.) can be introduced accordingly.
Im Betrieb des Systems gemäß der Ausführungsform kann beispielsweise die maschinelle Lernvorrichtung 100' auf einem für eine Mehrzahl von Werkzeugmaschinen 2 (Steuergeräten 1) als Edges angeordnetem FOG-Computer angeordnet sein und die von jeder Werkzeugmaschine 2 (Steuergerät 1) erzeugten Lernmodelle können umfassend auf dem FOG-Computer gespeichert werden, der Optimierung oder Vereinfachung auf der Basis der Mehrzahl von gespeicherten Lernmodellen unterzogen werden und anschließend in einer Speichervorrichtung gespeichert werden. Anschließend können die optimierten oder vereinfachten Lernmodelle, die gespeichert wurden, gegebenenfalls an die Werkzeugmaschinen 2 (Steuergeräte 1) weiterverteilt werden.In operation of the system according to the embodiment, for example, the machine learning device 100 'can be arranged on a FOG computer arranged as edges for a plurality of machine tools 2 (control devices 1), and the learning models generated by each machine tool 2 (control device 1) can be comprehensively on the FOG computers are stored, subjected to optimization or simplification based on the plurality of stored learning models, and then stored in a storage device. The optimized or simplified learning models that have been saved can then be distributed to the machine tools 2 (control devices 1), if necessary.
Im System gemäß der Ausführungsform können die auf dem FOG-Computer umfassend gespeicherten Lernmodelle, die optimierten oder vereinfachten Lernmodelle auf dem FOG-Computer o. Ä. auf einem Hostcomputer oder einem Cloud-Server auf einer noch höheren Ebene gesammelt werden und können zur Anwendung auf geistige Arbeit in Werken oder bei Herstellern der Werkzeugmaschinen 2 verwendet werden (etwa zum Bilden oder Weiterverteilung eines universaleren Lernmodells auf einem übergeordneten Server, Support für Wartungsarbeiten auf der Basis der Ergebnisse der Analyse der Lernmodelle, Analyse der Leistung o. Ä. von jeder Werkzeugmaschine 2 oder Anwendung zur Entwicklung einer neuen Maschine).In the system according to the embodiment, the learning models comprehensively stored on the FOG computer, the optimized or simplified learning models on the FOG computer, or the like. on a host computer or a cloud server at an even higher level and can be used for application to intellectual work in factories or at machine tool manufacturers 2 (for example, to form or redistribute a more universal learning model on a higher-level server, support for maintenance work on the basis of the results of the analysis of the learning models, analysis of the performance or similar of each
Eine im Computer 5 enthaltene CPU 511 ist ein Prozessor, der den Computer 5 allgemein steuert. Die CPU 511 liest in einem ROM 512 gespeicherte Systemprogramme über einen Bus 520 aus und steuert den gesamten Computer 5 gemäß den Systemprogrammen. Temporäre Berechnungsdaten, verschiedene Arten von von einem Bediener durch eine Eingabevorrichtung 531 eingegebenen Daten u. Ä. werden vorübergehend in einem RAM 513 gespeichert.A
Ein nichtflüchtiger 514 Speicher ist als ein Speicher, der beispielsweise über einen Backup durch eine nicht dargestellte Batterie verfügt, ein Solid State Drive (SSD) o. Ä. ausgebildet und der Speicherstatus im nichtflüchtigen Speicher 514 bleibt auch dann erhalten, wenn der Computer 5 ausgeschaltet wird. Der nichtflüchtige Speicher 514 verfügt über einen Einstellungsbereich, in dem Konfigurationsinformationen zum Betrieb des Computers 5 gespeichert werden. Die von der Eingabevorrichtung 531 eingegebenen Daten, die von den (Steuergeräten für die) Werkzeugmaschinen 2 erfassten Lernmodelle, durch eine externe Speichervorrichtung oder ein nicht dargestelltes Netzwerk gelesene Daten u. Ä. werden im nichtflüchtigen Speicher 514 gespeichert. Die Programme und die verschiedenen Arten von Daten, die im nichtflüchtigen Speicher 514 gespeichert werden, können im RAM 513 zur Ausführung/Verwendung entpackt werden. Systemprogramme umfassend allgemein bekannte Analyseprogramme zur Analyse von verschiedenen Arten von Daten o. Ä. wurden vorab in das ROM 512 geschrieben.A non-volatile 514 memory is a memory that has, for example, a backup by a battery (not shown), a solid state drive (SSD) or the like. trained and the memory status in the
Der Computer 5 ist durch eine Schnittstelle 516 mit dem Netzwerk 172 verbunden. Wenigstens eine Werkzeugmaschine 2, andere Computer u. Ä. sind mit dem Netzwerk 172 verbunden, um eine Dateninteraktion mit dem Computer 5 durchzuführen.The
Auf einer Anzeigevorrichtung 530 werden als Ergebnisse des Ausführens von auf einen Speicher gelesenen Daten, Programmen o. Ä. ermittelte Daten durch eine Schnittstelle 517 ausgegeben und angezeigt. Die Eingabevorrichtung 531 bestehend aus einer Tastatur, einem Zeigegerät o. Ä. liefert Anweisungen, Daten o. Ä. auf der Basis der Bedienung durch einen Bediener an die CPU 511 durch eine Schnittstelle 518.On a
Die maschinelle Lernvorrichtung 100 ist die gleiche wie die in Bezug auf
Im System 170 mit einer zuvor beschriebenen Konfiguration führt jedes der Steuergeräte 1 umfassend die maschinellen Lernvorrichtungen 100 maschinelles Lernen auf der Basis von von der zu steuernden Werkzeugmaschine 2 erfassten Zustandsdaten oder Ermittlungsdaten und von anderen Werkzeugmaschinen 2 (nicht umfassend die maschinelle Lernvorrichtung 100) erfassten Zustandsdaten oder Ermittlungsdaten aus und erzeugt ein Lernmodell. Das auf solch eine Weise erzeugte Lernmodell wird nicht nur zum Ermitteln von geeigneten Bearbeitungsbedingungen zum Schneiden im Bearbeitungsbetrieb der Objektwerkzeugmaschine 2 verwendet, sondern wird ebenfalls zum Ermitteln von geeigneten Bearbeitungsbedingungen zum Schneiden im Bearbeitungsbetrieb durch (das Steuergerät) eine(r) Werkzeugmaschine 2, die nicht die maschinelle Lernvorrichtung 100 umfasst, als Reaktion auf eine Anforderung von der Werkzeugmaschine 2 verwendet. Wenn ein Steuergerät 1 umfassend die maschinelle Lernvorrichtung 100, die kein Lernmodell erzeugt hat, neu eingeführt wird, kann ein Lernmodell von einem anderen Steuergerät 1 durch das Netzwerk 172 erfasst und verwendet werden.In the
Im System gemäß der Ausführungsform können die Daten und die Lernmodelle zur Verwendung für das Lernen zwischen der Mehrzahl von Werkzeugmaschinen 2 (Steuergeräten 1) als sogenanntes Edges geteilt und von dieser verwendet werden, so dass eine Zunahme der Effizienz des maschinellen Lernens und ein Kostensenkung für das maschinelle Lernen (etwa durch die Einführung der maschinellen Lernvorrichtung 100 nur in einem Steuergerät, das eine Werkzeugmaschine 2 steuert, und Teilen der maschinellen Lernvorrichtung 100 mit anderen Werkzeugmaschinen 2) erzielt werden kann.In the system according to the embodiment, the data and the learning models for use for learning can be shared and used by the plurality of machine tools 2 (controllers 1) as so-called edges, thereby increasing the efficiency of machine learning and reducing the cost thereof machine learning (for example by introducing the
Obgleich die Ausführungsformen der Erfindung zuvor beschrieben wurden, ist die Erfindung nicht auf Beispiele der zuvor beschriebenen Ausführungsformen beschränkt und kann auf verschiedene Weisen mit geeigneten Modifikationen ausgeführt werden.Although the embodiments of the invention have been described above, the invention is not limited to examples of the above-described embodiments and can be carried out in various ways with appropriate modifications.
Beispielsweise sind die Lernalgorithmen und die arithmetischen Algorithmen, die von der maschinellen Lernvorrichtung 100 ausgeführt werden, Steueralgorithmen, die vom Steuergerät 1 ausgeführt werden und diese sind nicht die zuvor beschriebenen beschränken und es können verschiedene Algorithmen verwendet werden.For example, the learning algorithms and the arithmetic algorithms executed by the
Obgleich das Steuergerät 1 und die maschinelle Lernvorrichtung 100 als Vorrichtungen mit verschiedenen CPUs für die Ausführungsformen beschrieben wurden, kann die maschinelle Lernvorrichtung 100 unter Verwendung der im Steuergerät 1 enthaltenen CPU 11 und der im ROM 12 gespeicherten Systemprogramme ausgeführt werden.Although the
Obgleich die Ausführungsformen der Erfindung zuvor beschrieben wurden, ist die Erfindung nicht auf die Beispiele der zuvor beschriebenen Ausführungsformen beschränkt und kann auf andere Weisen mit geeigneten Modifikationen ausgeführt werden.Although the embodiments of the invention have been described above, the invention is not limited to the examples of the above-described embodiments and may be embodied in other ways with appropriate modifications.
Claims (13)
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-027089 | 2018-02-19 | ||
JP2018027089 | 2018-02-19 | ||
JP2018242793A JP6781242B2 (en) | 2018-02-19 | 2018-12-26 | Controls, machine learning devices and systems |
JP2018-242793 | 2018-12-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102019001177A1 DE102019001177A1 (en) | 2019-09-12 |
DE102019001177B4 true DE102019001177B4 (en) | 2024-01-18 |
Family
ID=67689127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019001177.5A Active DE102019001177B4 (en) | 2018-02-19 | 2019-02-18 | Controller, machine learning device and system |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110174871B (en) |
DE (1) | DE102019001177B4 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230166376A1 (en) * | 2020-04-13 | 2023-06-01 | Sumitomo Electric Industries, Ltd. | Cutting system, display system, processing apparatus, processing method, and processing program |
CN113835396B (en) * | 2021-11-26 | 2022-03-04 | 四川省机械研究设计院(集团)有限公司 | CNC (computer numerical control) cutter monitoring method and system and scheduling management method and system |
CN115556099B (en) * | 2022-09-29 | 2024-04-09 | 华南理工大学 | Sustainable learning industrial robot fault diagnosis system and method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09201742A (en) | 1996-01-25 | 1997-08-05 | Okuma Mach Works Ltd | Pallet fixing method and device |
DE102016117773A1 (en) | 2015-09-28 | 2017-03-30 | Fanuc Corporation | Machine tool that produces optimal acceleration / deceleration |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4261563B2 (en) * | 2006-09-08 | 2009-04-30 | ファナック株式会社 | Machining origin setting method and machine tool for implementing the method |
JP6259412B2 (en) * | 2015-03-19 | 2018-01-10 | ファナック株式会社 | A numerical controller that performs reciprocating turning in a combined fixed cycle. |
JP5997330B1 (en) * | 2015-07-31 | 2016-09-28 | ファナック株式会社 | Machine learning apparatus capable of determining whether or not spindle replacement is required, spindle replacement determination apparatus, control apparatus, machine tool and production system, and machine learning method |
JP5969676B1 (en) * | 2015-09-30 | 2016-08-17 | ファナック株式会社 | Machine learning device and machine learning method for optimizing frequency of tool correction of machine tool, and machine tool including the machine learning device |
JP6330789B2 (en) * | 2015-11-18 | 2018-05-30 | トヨタ自動車株式会社 | Position measuring device |
JP6542713B2 (en) * | 2016-06-09 | 2019-07-10 | ファナック株式会社 | Machine learning device, numerical controller and machine learning method for learning an abnormal load detection threshold |
CN106697187B (en) * | 2016-12-26 | 2018-10-09 | 武汉理工大学 | Ship power system Work condition analogue based on intelligent cabin and diagnostic test platform |
CN107650126B (en) * | 2017-11-07 | 2020-11-20 | 成都卡诺普自动化控制技术有限公司 | Six-axis industrial robot dynamics parameter automatic adaptation method |
-
2019
- 2019-02-18 DE DE102019001177.5A patent/DE102019001177B4/en active Active
- 2019-02-19 CN CN201910122356.5A patent/CN110174871B/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09201742A (en) | 1996-01-25 | 1997-08-05 | Okuma Mach Works Ltd | Pallet fixing method and device |
DE102016117773A1 (en) | 2015-09-28 | 2017-03-30 | Fanuc Corporation | Machine tool that produces optimal acceleration / deceleration |
Also Published As
Publication number | Publication date |
---|---|
CN110174871A (en) | 2019-08-27 |
CN110174871B (en) | 2023-08-15 |
DE102019001177A1 (en) | 2019-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018006946B4 (en) | Control and machine learning device | |
DE102017002607B4 (en) | Processing machine system that determines the acceptance / rejection of workpieces | |
DE102018001893B4 (en) | Cleaning process optimization device and machine learning device | |
DE102016010064B4 (en) | Numerical control with machining condition adjustment function to reduce the occurrence of chatter or tool wear / breakage | |
DE102017010799B4 (en) | Machine learning device for learning a processing sequence of a robot system with a plurality of laser processing robots, associated robot system and machine learning method for learning a processing sequence of the robot system with a plurality of laser processing robots | |
DE102018005008B4 (en) | CONTROL DEVICE AND MACHINE LEARNING DEVICE | |
DE102018010054A1 (en) | Control and machine learning device | |
DE102018004330B4 (en) | Control and machine learning device | |
DE102017011544A1 (en) | Control and machine learning device | |
DE102020100316B4 (en) | DETERMINATION DEVICE | |
DE102018007630A1 (en) | NUMERICAL CONTROL SYSTEM | |
DE102018004048B4 (en) | Control and machine learning device | |
DE102018010086A1 (en) | Chip removal device and information processing device | |
DE102016011402A1 (en) | A machine learning method and machine learning apparatus for teaching operation commands to an electric motor and machine tool machine tool | |
DE102019001044A1 (en) | CONTROL DEVICE AND MACHINE LEARNING DEVICE | |
DE102019001177B4 (en) | Controller, machine learning device and system | |
DE102019002156A1 (en) | Controller and machine learning device | |
DE102019102250A1 (en) | Predicting the wear of the polishing tool, machine learning device and system | |
DE102018006024A1 (en) | Controller and machine learning device | |
DE102018007642A1 (en) | Numerical control system | |
DE102016106085A1 (en) | Machine tool management system | |
DE102010017763A1 (en) | Device for displaying the toolpath for machine tools | |
DE102019001783A1 (en) | CONTROL, MACHINE LEARNING DEVICE AND SYSTEM | |
DE102020106239A1 (en) | GRIPPING FORCE ADJUSTMENT DEVICE AND GRIPPING FORCE ADJUSTMENT SYSTEM | |
DE102017009822A1 (en) | Machine learning device and processing time prediction device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |