DE102019001177B4 - Controller, machine learning device and system - Google Patents

Controller, machine learning device and system Download PDF

Info

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
Application number
DE102019001177.5A
Other languages
German (de)
Other versions
DE102019001177A1 (en
Inventor
Kenichi Ogawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2018242793A external-priority patent/JP6781242B2/en
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of DE102019001177A1 publication Critical patent/DE102019001177A1/en
Application granted granted Critical
Publication of DE102019001177B4 publication Critical patent/DE102019001177B4/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 JP H09 - 201 742 A ). Dann kann eine unzureichende Klemmkraft ein Bewegen des Werkstücks aufgrund des Schneidwiderstands ermöglichen und zu einer ungenauen Bearbeitung führen.In machine tools, machining is carried out on a workpiece attached to a machining clamping device. In methods for fastening such a workpiece, the workpiece is often clamped and released by actuating a cylinder with hydraulic pressure or air pressure as a driving source (see, for example, JP H09 - 201 742 A ). Then, insufficient clamping force may allow the workpiece to move due to cutting resistance and result in inaccurate machining.

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.

DE 10 2016 117 773 A1 offenbart weiteren Stand der Technik. DE 10 2016 117 773 A1 discloses further state of the art.

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 patent claim 1, by a machine learning device with the features of patent claim 7 and by a system with the features of patent claim 10.

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 in 9 dargestellten Computers.
  • 11 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines weiteren Modus eines Systems, in dem Steuergeräte integriert sind.
The above-described and further objects and features of the invention emerge from the following description of the embodiments with reference to the accompanying drawings.
  • 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 in 9 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.

1 zeigt eine schematische Hardwarekonfiguration zur Darstellung von wesentlichen Teilen eines Steuergeräts gemäß einer Ausführungsform. Ein Steuergerät 1 kann als ein Steuergerät ausgeführt sein, das beispielsweise eine Werkzeugmaschine steuert. Das Steuergerät 1 kann als ein mit einem Steuergerät, das eine Werkzeugmaschine steuert, integrierter Personalcomputer oder ein Computer wie ein Zellenrechner, ein Edge-Computer, ein FOG-Computer, ein Host-Computer oder ein Cloud-Server, der mit einem Steuergerät über ein verdrahtetes oder drahtloses Netzwerk verbunden ist, ausgeführt sein. Als Ausführungsform ist ein Beispiel offenbart, in dem das Steuergerät 1 als ein Steuergerät ausgeführt ist, das eine Werkzeugmaschine steuert. 1 shows a schematic hardware configuration to represent essential parts of a control device according to an embodiment. A control device 1 can be designed as a control device that controls, for example, a machine tool. The control unit 1 can be used as one a control device that controls a machine tool, integrated personal computer or a computer such as a cellular computer, an edge computer, a FOG computer, a host computer or a cloud server that is connected to a control device via a wired or wireless network, be carried out. An example is disclosed as an embodiment in which the control device 1 is designed as a control device that controls a machine tool.

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 CPU 11 included in the controller 1 according to the embodiment is a processor that generally controls the controller 1. The CPU 11 reads system programs stored in a ROM 12 via a bus 20 and controls the entire control device 1 according to the system programs. Temporary calculation data and display data, various kinds of data inputted by an operator through an unillustrated input unit, and the like. are temporarily stored in a RAM 13.

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 control device 1 is switched off. In the non-volatile memory 14, programs read from external equipment 72 through an interface 15, programs entered through a display/MDI unit 70, and various kinds of data (for example, tool information such as types of tools and tool life, machining information such as Cutting conditions, information about workpieces such as workpiece materials, torques of a spindle, etc.), recorded by various parts of the control device 1 or robots, are stored. The programs and various types of data stored in non-volatile memory 14 can be unpacked in RAM 13 for execution/use. Various system programs such as well-known analysis programs (including system programs for controlling interaction with a machine learning device 100 described below) were written into the ROM 12 in advance.

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 interface 15 is an interface for connecting between the control device 1 and the external equipment 72 such as an adapter. Programs, various parameters, etc. are read from one side of the external device 72. The programs, various parameters, etc. processed in the control unit 1. may be stored in external storage means by the external equipment 72. A Programmable Machine Controller (PMC) 16 outputs signals and thereby exercises control over the machine tool and peripheral devices for the machine tool through an I/O unit 17 according to sequence programs stored in the control unit 1. The PMC 16 receives signals from various switches or similar. an operating console arranged on a main unit of the machine tool, carries out the necessary signal processing for the signals and then delivers the signals to the CPU 11.

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/MDI unit 70 is a manual data input device including a display, a keyboard, and the like. An interface 18 receives instructions and data from the keyboard of the display/MDI unit 70 and forwards the instructions and data to the CPU 11. An interface 19 is connected to a control console 71 comprising your manual pulse generator or the like, which is used to manually drive each axis.

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 1 dargestellt sind, ist eine Zahl der Achssteuerschaltungen 30, der Servoverstärker 40 und der Servomotoren 50, die tatsächlich vorhanden sind, gleich einer Zahl der Achsen (beispielsweise drei für die Werkzeugmaschine umfassend drei lineare Achsen oder fünf für eine Fünfachsen-Verarbeitungsmaschine), die in der zu steuernden Werkzeugmaschine enthalten sind.Axis control circuits 30 for controlling axes of the machine tool receive distance instructions for the axes from the CPU 11 and output instructions for the axes to servo amplifiers 40. The servo amplifiers 40 receive the instructions and drive servo motors 50, which move the axes contained in the machine tool. The servo motors 50 for the axes receive position/speed sensors, report position/speed feedback signals from the position/speed sensors back to the axis control circuits 30 and carry out control of positions and speeds. Although the axis control circuits 30, the servo amplifiers 40 and the servo motors 50 each act as just one element in the hardware configuration of 1 As shown in FIG machine tool to be controlled are included.

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 spindle control circuit 60 receives a spindle rotation instruction for a spindle of the machine tool and outputs a spindle speed signal to a spindle amplifier 61. The spindle amplifier 61 receives the spindle speed signal, rotates a spindle motor 62 for the spindle at a speed based on the instruction, and thereby drives a tool. A position encoder 63 is coupled to the spindle motor 62 and outputs return pulses in synchronism with the rotation of the spindle. The return pulses are read by the CPU 11.

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 interface 21 is provided for establishing a connection between the control device 1 and the machine learning device 100. The machine learning device 100 includes a processor 101 that controls the entire machine learning device 100, a RIM 102 in which the system programs and the like. a RAM 103 for temporarily storing in processing related to machine learning, and a non-volatile memory 104 for storing a learning model or the like. is used. The machine learning device 100 can observe information (for example, information about the tools such as the types of tools and the life of the tools, information about machining such as the cutting conditions, information about workpieces such as workpiece materials, the torque of the spindle, and the like) received from the controller 1 can be detected through the interface 21. In response to a machining condition change instruction issued from the machine learning device 100, the controller 1 controls the operation of the machine tool.

2 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung des Steuergeräts 1 und der maschinellen Lernvorrichtung 100 gemäß der ersten Ausführungsform. In 2 dargestellte Funktionsblöcke sind durch die im in 1 dargestellten Steuergerät 1 enthaltene CPU 11 und einen Prozessor 101 der maschinellen Lernvorrichtung 100 ausgeführt, die entsprechende Systemprogramme ausführen und die den Betrieb von Einheiten im Steuergerät 1 und in der maschinellen Lernvorrichtung 100 steuern. 2 shows a schematic functional block diagram for illustrating the control device 1 and the machine learning device 100 according to the first embodiment. In 2 Function blocks shown are represented by the in 1 CPU 11 contained in the control device 1 shown and a processor 101 of the machine learning device 100, which execute corresponding system programs and which control the operation of units in the control device 1 and in the machine learning device 100.

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 controller 1 of the embodiment includes a control unit 34 that controls a machine tool 2 based on the machining condition change instruction output from the machine learning device 100. The control unit 34 generally controls the operation of the machine tool 2 according to instructions based on programs or the like, but when the machining condition change instruction is output from the machine learning device 100, controls the machine tool 2 so that machining conditions output from the machine learning device 100 instead of the Instructions based on the programs or similar. be fulfilled.

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 machine learning device 100 contained in the control device 1 in turn includes software (such as a learning algorithm) and hardware (such as the processor 101), which are used for self-learning through so-called machine learning on the machining conditions for cutting according to cutting force component direction information on spindle torque and cutting resistance during cutting. What the machine learning device 100 included in the controller 1 learns corresponds to a model structure that represents a correlation between the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting.

Wie als die Funktionsblöcke in 2 dargestellt umfasst die im Steuergerät 1 enthaltene maschinelle Lernvorrichtung 100 eine Zustandsbeobachtungseinheit 106, eine Ermittlungsdaten-Erfassungseinheit 108 und eine Lerneinheit 110. Die Zustandsbeobachtungseinheit 106 beobachtet Zustandsvariablen S zur Darstellung eines Istzustands einer Umgebung umfassend Bearbeitungsbedingungsdaten S1 zur Angabe der Bearbeitungsbedingung zum Schneiden, Spindeldrehmomentdaten S2 zur Angabe des Spindeldrehmoments während des Schneidens und Schneidkraftkomponenten-Richtungsdaten S3 zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand. Die Ermittlungsdaten-Erfassungseinheit 108 erfasst Ermittlungsdaten D umfassend Werkstückqualität-Ermittlungsdaten D1 zum Ermitteln der Qualität eines auf der Basis der ermittelten Bearbeitungsbedingungen zum Schneiden bearbeiteten Werkstücks und Zykluszeit-Ermittlungsdaten D2 zum Ermitteln der erforderlichen Zeit zum Bearbeiten des Werkstücks. Die Lerneinheit 110 verknüpft und lernt die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen zum Schneiden unter Verwendung der Zustandsvariablen S und der Ermittlungsdaten D.Like as the function blocks in 2 shown, the machine learning device 100 contained in the control device 1 comprises a state observation unit 106, a determination data acquisition unit 108 and a learning unit 110. The state observation unit 106 observes state variables S to represent an actual state of an environment, comprising machining condition data S1 to indicate the machining condition for cutting, spindle torque data S2 to indicate of spindle torque during cutting and cutting force component direction data S3 to indicate the cutting force component direction information on cutting resistance. The determination data acquisition unit 108 acquires determination data D including work quality determination data D1 for determining the quality of a workpiece machined for cutting based on the determined machining conditions and cycle time determination data D2 for determining the required time for machining the workpiece. The learning unit 110 combines and learns the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting using the state variable S and the determination data D.

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 state observation unit 106 can be detected as the machining conditions for cutting. Examples of the machining conditions for cutting include an actual cutting feed rate, a rotation speed of the spindle, a cutting depth, an inclination angle, and the like. in machining by the machine tool 2. The machining conditions for cutting can be determined by a program that controls the operation of the machine tool 2, by machining parameters stored for the control device 1 and in the non-volatile memory 14, or the like. be recorded.

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 machine learning device 100 in a previous learning cycle based on a result of learning by the learning unit 110 for the cutting force component direction information on the spindle torque and cutting resistance during cutting in the previous learning cycle can be used. In such a method, the machine learning device 100 may temporarily store the machining conditions for cutting for each learning cycle in a RAM 103, and the state observation unit 106 may acquire the machining conditions for cutting in the previous learning cycle as the machining condition data S1 of a current learning cycle from the RAM 103.

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 state observation unit 106 can be detected as a load on the spindle motor that drives the spindle of the machine tool 2. The spindle torque data S2 can be captured by the machine tool 2.

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 state observation unit 106 can be detected as a direction of a cutting force component with respect to a direction of spindle torque during cutting. The direction of the cutting force component with respect to the direction of the spindle torque may be determined based on an angle (inclination angle) of a cutting edge of the tool with respect to the workpiece, and may be determined from a specification (angle of the cutting edge with respect to a direction of the spindle) of the tool and an angle (angle of the spindle) of the tool with respect to the cut workpiece.

3 zeigt ein Diagramm zur Darstellung einer Beziehung zwischen den Bearbeitungsbedingungsdaten S1, den Spindeldrehmomentdaten S2 und den Schneidkraftkomponenten-Richtungsdaten S3. Allgemein kann eine Reaktionskraft vom Werkstück gegen das Schneidwerkzeug unter Verwendung eines allgemein bekannten Modells wie eines zweidimensionalen Schneidmodells berechnet werden. In einem Beispiel von 3 ist eine Schneidvorschubgeschwindigkeit Vp, bei der sich die Schneidkante des Werkzeugs in einer Schneidrichtung bewegt, eine synthetisierte Geschwindigkeit einer Anweisungs-Schneidvorschubgeschwindigkeit F auf der Basis einer Anweisung von einem Programm o. Ä. und eine Geschwindigkeit als eine Komponente in einer Schneidvorschubrichtung einer durch Drehung der Spindel bewirkten Bewegungsgeschwindigkeit der Schneidkante und kann unter Verwendung der Anweisungs-Schneidvorschubgeschwindigkeit F, der Drehzahl S der Spindel, einer Neigung der Spindel in Bezug auf die Schneidvorschubrichtung u. Ä. berechnet werden. Eine Schneidkraftkomponente P, die eine Reaktionskraft in der Schneidvorschubrichtung ist, kann unter Verwendung des Spindeldrehmoments R, eines Neigungswinkels α, der Neigung der Spindel in Bezug auf die Schneidvorschubrichtung u. Ä. berechnet werden. 3 Fig. 12 is a diagram showing a relationship between the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S3. In general, a reaction force from the workpiece against the cutting tool can be calculated using a well-known model such as a two-dimensional cutting model. In an example of 3 is a cutting feed rate V p at which the cutting edge of the tool moves in a cutting direction, a synthesized speed of an instruction cutting feed rate F based on an instruction from a program or the like. and a speed as a component in a cutting feed direction of a moving speed of the cutting edge caused by rotation of the spindle, and can be determined using the instruction cutting feed speed F, the rotational speed S of the spindle, an inclination of the spindle with respect to the cutting feed direction, and the like. be calculated. A cutting force component P, which is a reaction force in the cutting feed direction, can be determined using the spindle torque R, an inclination angle α, the inclination of the spindle with respect to the cutting feed direction, and the like. be calculated.

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 learning unit 110 carries out online learning, the state observation unit 106 can sequentially acquire the state variables of units of the machine tool 2, a sensor 3 and the control device 1. When the learning unit 110 performs offline learning, the controller 1 preferably stores information acquired during machining of the workpiece as log data in the non-volatile memory 14, and the state observation unit 106 preferably acquires the state variables by analyzing the recorded log data.

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 data acquisition unit 108 may use a result of determination of the quality of the workpiece machined for cutting based on the determined machining conditions as the workpiece quality determination data D1. As the workpiece quality determination data D1 for use by the determination data acquisition unit 108, for example, data on whether an offset of a position of the workpiece mounted on a table by a jig is absent (suitable) or present (unsuitable), or the like is preferably used. used in online learning or preferably data as to whether dimensional errors of parts of the machined workpiece are less than or equal to specified thresholds (suitable) or exceed the thresholds (unsuitable), etc. used in offline learning.

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 data acquisition unit 108 may use a result of determining the required time for machining the workpiece based on the determined machining conditions for cutting as the cycle time determination data D2. As the cycle time determination data D2 to be used by the determination data acquisition unit 108, for example, it is preferable to use a result of determining based on appropriately set criteria, such as whether the required time for machining the workpiece is shorter (suitable) based on the determined machining conditions ) or longer (unsuitable) than a given threshold is used.

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 data acquisition unit 108 is an essential configuration in a phase of learning by the learning unit 110, but is not necessarily an essential configuration after the completion of learning by the learning unit 110 with association of the cutting force component direction information to the spindle torque and cutting resistance during cutting and the Processing conditions for cutting. For example, when the machine learning device 100 that has completed learning is shipped to a customer, a Ver send by removing the determination data acquisition unit 108.

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 learning unit 110, the state variables S that are simultaneously input to the learning unit 110 are based on data at the time of one learning cycle before acquiring the determination data D. While the machine learning device 100 included in the controller 1 continues learning, the acquisition the spindle torque data S2 and the cutting force component direction data S3, the machining of the workpiece by the machine tool 2 based on the machining condition data S1 determined based on the acquired data, and the acquisition of the determination data D are thus repeatedly carried out in the environment.

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 learning unit 110 learns the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting according to any learning algorithm commonly referred to as machine learning. The learning unit 110 may repeatedly perform learning based on a data set including the state variables S and the determination data D as described above. During the repetition of the learning cycle for the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting, the state variables S from the cutting force component direction information on the spindle torque and cutting resistance during cutting in the previous learning cycle and the machining conditions for cutting determined in the previous learning cycle as described above, and the determination data D is based on results of determining the suitability of machining the workpiece based on the determined machining conditions for cutting.

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 learning unit 110 sequentially repeats the learning using, for example, the state variable S detected during machining and the workpiece quality detection data D1 such as the workpiece mounting position offset data detected by a distance sensor, or the like. When performing offline learning, the learning unit 110 may preferably generate a series of the state variables S for each specified cycle along the course of machining by analyzing the log data recorded during machining, may identify a location where a sharp change in the spindle torque data S2 in occurred in the state variables, the workpiece quality determination data D1 such as the dimensional errors of the parts of the machined workpiece which were determined to be unsuitable data can be assigned to the state variable S at the point (assign appropriate data to the other state variables S), for example, results of the determination to the cycle time determination data D2 and assign to all the state variables S and can perform the learning using the series of state variables S and the generated determination data D as described above.

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 learning unit 110 to identify such a characteristic, which includes the correlation between the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting. Although the correlation between the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting is essentially unknown when the learning algorithm is started, the learning unit 110 interprets the correlation by gradually identifying the characteristic as learning progresses. When the correlation between the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting is interpreted at a level that is reliable to a certain degree, results of learning repeatedly output from the learning unit 110 become the action selection (i.e., decision making) how to determine the machining conditions for cutting to an actual state (i.e., the cutting force component direction information on the spindle torque and cutting resistance during cutting). That is, the learning unit 110 can achieve a gradual approach to an optimal solution of the correlation with an action of how to set the machining conditions for cutting with respect to the cutting force component direction information on the spindle torque and cutting resistance during cutting as the learning algorithm progresses.

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 decision making unit 122 determines the machining conditions for cutting based on the result of learning by the learning unit 110 and outputs the determined machining conditions for cutting to the control unit 34. When the cutting force component direction information about the spindle torque and cutting resistance during cutting is inputted to the machine learning device 100 at a stage where the When learning is made usable by the learning unit 110, the decision making unit 122 outputs the machining conditions for cutting (such as the cutting feed speed, the rotation speed of the spindle, the cutting depth and the inclination angle). The machining conditions for cutting output from the decision making unit 122 are machining conditions in which a cutting force enabling the workpiece to be held within a range of the clamping force from the chuck is applied to the workpiece. The decision making unit 122 determines the appropriate machining conditions for cutting based on the state variable S and the results of learning by the learning unit 110.

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 machine learning device 100 included in the controller 1 as described above, the learning unit 110 learns the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting according to the machine learning algorithm using the state variables S observed by the state observation unit 106 and that of the Determination data D acquired by the determination data acquisition unit 108. The state variables S consist of data such as the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S3, and the determination data D is uniquely determined by analyzing information resulting from measuring the workpiece and from the control device 1 Machine tool 2 recorded information determined. Therefore, according to the machine learning device 100 included in the controller 1, using the results of learning by the learning unit 110 enables the machining conditions for cutting to be set automatically and accurately according to the cutting force component direction information on the spindle torque and cutting resistance during cutting.

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 machine learning device 100 included in the controller 1, the state observation unit 106 may observe hydraulic oil state data S4 indicating a temperature of the hydraulic oil in addition to the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S2 as the state variables S. When hydraulic pressure is used for the clamping force from the clamping device, a change in the temperature of the hydraulic oil may be a cause of the decrease in hydraulic pressure, and the accuracy of learning by the learning unit 110 can be increased by observing the temperature as the state variable S.

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 machine learning device 100 included in the controller 1, the state observation unit 106 may observe tool state data S5 for indicating a state of a tool in addition to the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S2 as the state variables S. The cutting force exerted on the tool differs depending on the type of tool, tool life (dullness of the cutting edge), etc. even under the same cutting conditions, and thus the accuracy of learning by the learning unit 110 can be determined by observing the type of tool, the life of the tool, or the like. can be increased as the state variable S.

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 machine learning device 100 included in the controller 1, the state observation unit 106 may observe workpiece material data S6 indicating the material of the workpiece in addition to the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S2 as the state variables S. The cutting force applied to the tool (reaction force from the workpiece) differs depending on the material of the workpiece even under the same cutting conditions, and thus the accuracy of learning by the learning unit 110 can be increased by observing the material of the workpiece as the state variable S.

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. 4 zeigt einen Modus des in 2 dargestellten Steuergeräts 1 und eine Konfiguration umfassend die Lerneinheit 110, die verstärkendes Lernen als ein Beispiel des Lernalgorithmus ausführt. Das verstärkende Lernen ist ein Verfahren, bei dem ein Zyklus umfassend das Beobachten eines Istzustands (das heißt einer Eingabe) einer Umgebung, in dem ein Lernobjekt vorhanden ist, das Ausführen einer spezifizierten Aktion (das heißt einer Ausgabe) im Istzustand und das Erteilen einer Belohnung irgendeiner Art für die Aktion auf eine Trial-and-Error-Weise wiederholt wird und bei dem ein Maß (die Bearbeitungsbedingungen zum Schneiden in der maschinellen Lernvorrichtung der Anwendung), das eine Summe von solchen Belohnungen maximiert, als eine optimale Lösung gelernt wird.In the machine learning device 100 having the above-described configuration, there is no particular limitation on the learning algorithm executed by the learning unit 110, and a learning algorithm generally known for machine learning can be used. 4 shows a mode of the in 2 illustrated control device 1 and a configuration comprising the learning unit 110, which carries out reinforcement learning as an example of the learning algorithm. Reinforcement learning is a process in which a cycle comprising observing an actual state (i.e. an input) of an environment in which a learning object exists, performing a specified action (i.e. an output) as is and giving a reward of some kind for the action is repeated in a trial-and-error manner and at which a measure (the machining conditions for cutting in the machine Application learning device) that maximizes a sum of such rewards as an optimal solution is learned.

In der im in 4 dargestellten Steuergerät 1 enthaltenen maschinellen Lernvorrichtung 100 umfasst die Lerneinheit 110 eine Belohnungsberechnungseinheit 112 und eine Wertfunktion-Aktualisierungseinheit 114. Die Belohnungsberechnungseinheit 112 ermittelt eine Belohnung R in Bezug auf das Ergebnis (entsprechend den in einem Lernzyklus folgend auf die Erfassung der Zustandsvariablen S zu verwendenden Ermittlungsdaten D) des Ermittelns zur Eignung der Bearbeitung des Werkstücks durch die Werkzeugmaschine 2 auf der Basis der auf der Basis der Zustandsvariablen S ermittelten Bearbeitungsbedingungen zum Schneiden. Der Wertfunktion-Aktualisierungseinheit 114 aktualisiert eine Funktion Q zur Darstellung der Bearbeitungsbedingungen zum Schneiden unter Verwendung der Belohnung R. Die Lerneinheit 110 lernt die Bearbeitungsbedingungen zum Schneiden gemäß den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens durch Wiederholen der Aktualisierung der Funktion Q durch die Wertfunktion-Aktualisierungseinheit 114.In the in the in 4 In the machine learning device 100 contained in the machine learning device 100 shown in the control device 1 shown, the learning unit 110 comprises a reward calculation unit 112 and a value function updating unit 114. The reward calculation unit 112 determines a reward R in relation to the result (corresponding to the determination data D to be used in a learning cycle following the acquisition of the state variable S ) of determining the suitability of the machining of the workpiece by the machine tool 2 on the basis of the machining conditions for cutting determined on the basis of the state variable S. The value function updating unit 114 updates a function Q to represent the machining conditions for cutting using the reward R. The learning unit 110 learns the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting by repeating the updating of the function Q by the Value function update unit 114.

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 learning unit 110 is described below. The algorithm of the example, called Q-learning, is a method of using a state s of an actor and an action a that the actor can choose in state s as independent variables, and learning a function Q(s, a ) to represent a value of the action when action a is chosen in state s. The optimal solution is to choose the action a that maximizes the value function Q in state s. The Q-learning is started in a state where the correlation between the state s and the action a is unknown, and the value function Q is repeatedly updated to approximate the solution by repeating the choice of different actions a in an arbitrary one State s according to the trial-and-error principle. The value function Q can be approximated to the optimal solution in a comparatively short time by a configuration in which a reward r (i.e. weight of an action a) according to a change in the environment (i.e. the state s) as a result of the choice of Action a in state s and by guiding learning to choose the action a leading to a higher reward r.

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. Q ( s t , a t ) ← Q ( s t , a t ) + α ( r t + 1 + γ max a Q ( s t + 1 , a ) − Q ( s t , a t ) )

Figure DE102019001177B4_0001
An update expression for the value function Q can generally be expressed as the following expression 1. In Expression 1, s t and at represent the state and action at time t, respectively, and the state is changed to s t + 1 by the action at. r t + 1 represents the reward achieved as a result of the change in state from s t to s t + 1. An expression of maxQ means Q at the time when the action a that produces the greatest value Q (presumably this at generated at time) is taken at time t + 1. α and γ represent a learning coefficient and a discount rate, respectively, and are arbitrarily set in the ranges of 0 < α ≤ 1 and 0 < γ ≤ 1. Q ( s t , a t ) ← Q ( s t , a t ) + α ( r t + 1 + γ Max a Q ( s t + 1 , a ) − Q ( s t , a t ) )
Figure DE102019001177B4_0001

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 learning unit 110 executes Q-learning, the state variables S observed by the state observation unit 106 and the determination data D acquired by the determination data acquisition unit 108 correspond to the state s in the update expression, the action of determining the machining conditions for cutting according to the actual state (i.e is the cutting force component direction information on the spindle torque and cutting resistance during cutting), corresponds to the action a in the update expression, and the reward R determined by the reward calculation unit 112 corresponds to the reward r in the update expression. Thus, the value function updating unit 114 repeatedly updates the function Q to represent the value of the machining conditions for cutting according to the current state through the Q learning using the reward R.

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 reward calculation unit 112 may be positive (plus) if the result of determining the suitability of machining the workpiece based on the determined machining conditions for cutting after determining the machining conditions for cutting is “suitable” (for example, if the workpiece was machined without offset or if the cycle time for machining the workpiece is shorter than the predetermined threshold or the cycle time in the previous learning cycle), or may be negative (minus) if, for example, the result of determining the suitability of machining the workpiece on the basis the determined machining conditions for cutting are “unsuitable” after determining the machining conditions for cutting (e.g. if an offset of the workpiece has occurred or if the cycle time for machining the workpiece is longer than the specified threshold or the cycle time in the previous learning cycle). Absolute values of the positive reward R and the negative reward R can be the same or different. Regarding the conditions for the determination, the determination may be carried out using a combination of a plurality of values contained in the determination data D.

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 function update unit 114 may include an action value table in which the state variables S, the discovery data D, and the rewards R are organized in association with action values (such as numerical values) represented by the function Q. In this configuration, the behavior by the value function update unit 114 for updating the function Q corresponds to the behavior by the value function update unit 114 for updating the action value table. At the beginning of Q-learning, the correlation between the actual state of the environment and the machining conditions for cutting is unknown. The various state variables S, the determination data D and the rewards R were therefore prepared in the action value table in conjunction with the arbitrarily determined action values (function Q). Upon receiving the determination data D, the reward calculation unit 112 can immediately calculate the corresponding reward R, and the calculated value R is written into the action value table.

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 machine tool 2, the learning is guided so that the action leading to a higher reward R can be selected. This is followed by rewriting the action values (function Q) for the actions to be taken in the current state and updating the action value table according to the state of the environment (i.e. the state variables S and the determination data D) that are as a result of executing the selected action in Current status changes. By repeating the update, the action values (function Q) specified in the action value table are rewritten to be larger for more suitable actions (in the present invention, actions for determining the machining conditions for cutting in which the cutting force that maintains the workpiece in the Range of clamping force allows from the clamping force to be applied to the workpiece so that a decrease in the cutting feed rate, a decrease in the rotational speed of the spindle, a decrease in the cutting depth and an increase in the inclination angle occur to such an extent that the cycle time for the processing of the workpiece is not extended too much). Thus, the correlation between the actual state of the environment (the cutting force component direction information on the spindle torque and cutting resistance during cutting) and the corresponding action (the machining conditions for cutting), which was unknown, is gradually clarified. That is, the relationship between the cutting force component direction information on the spindle torque and cutting torque during cutting and the machining conditions for cutting is gradually approximated to the optimal solution by updating the action value table.

Nachfolgend ist in Bezug auf 5 der Ablauf des Q-Lernens (das heißt eines Modus des maschinellen Lernverfahrens), das von der Lerneinheit 110 ausgeführt wird, beschrieben. In Schritt SA01 wählt zunächst die Wertfunktion-Aktualisierungseinheit 114 beliebig die Bearbeitungsbedingungen zum Schneiden als die im Istzustand, angegeben durch die von der Zustandsbeobachtungseinheit 106 beobachtete Zustandsvariable S, zu ergreifenden Aktionen, während eine Bezugnahme auf die Aktionswerttabelle zum aktuellen Zeitpunkt erfolgt. Anschließend nimmt die Wertfunktion-Aktualisierungseinheit 114 die Zustandsvariable S im von der Zustandsbeobachtungseinheit 106 beobachteten Istzustand in Schritt SA02 entgegen und nimmt die Ermittlungsdaten D im von der Ermittlungsdaten-Erfassungseinheit 108 erfassten Istzustand in Schritt SA03 entgegen. Danach ermittelt die Wertfunktion-Aktualisierungseinheit 114 in Schritt SA04, ob die Bearbeitungsbedingungen zum Schneiden geeignet waren oder nicht, auf der Basis der Ermittlungsdaten D. Wenn die Bearbeitungsbedingungen zum Schneiden geeignet waren, wendet die Wertfunktion-Aktualisierungseinheit 114 die von der Belohnungsberechnungseinheit 112 ermittelte positive Belohnung R auf den Aktualisierungsausdruck für die Funktion Q in Schritt SA05 an und aktualisiert anschließend die Aktionswerttabelle unter Verwendung der Zustandsvariablen S und der Ermittlungsdaten D im aktuellen Zustand, der Belohnung R und des Aktionswerts (aktualisierte Funktion Q) in Schritt SA06. Wenn in Schritt SA04 ermittelt wird, dass die Bearbeitungsbedingungen zum Schneiden nicht geeignet waren, wird die von der Belohnungsberechnungseinheit 112 ermittelte negative Belohnung R auf den Aktualisierungsausdruck für die Funktion Q in Schritt SA07 angewendet und die Aktionswerttabelle wird anschließend unter Verwendung der Zustandsvariablen S und der Ermittlungsdaten D im Istzustand, der Belohnung R und des Aktionswerts (aktualisierte Funktion Q) in Schritt SA06 aktualisiert. Durch Wiederholen von Schritt SA01 und SA07 aktualisiert die Lerneinheit 110 wiederholt die Aktionswerttabelle und fährt mit dem Lernen der Bearbeitungsbedingungen zum Schneiden fort. Ein Prozess zum Ermitteln der Belohnung R und ein Prozess zum Ermitteln der Wertfunktion von Schritt SA04 bis Schritt SA07 werden für alle in den Ermittlungsdaten D enthaltenen Daten ausgeführt.Below is in relation to 5 the flow of Q-learning (that is, a mode of the machine learning method) carried out by the learning unit 110 is described. In step SA01, first, the value function updating unit 114 arbitrarily selects the machining conditions for cutting as the actions to be taken in the actual state indicated by the state variable S observed by the state observation unit 106 while referring to the action value table at the current time. The value function updating unit 114 then accepts the state variable S in the actual state observed by the state observation unit 106 in step SA02 and accepts the determination data D in the actual state detected by the determination data acquisition unit 108 in step SA03. Thereafter, in step SA04, the value function updating unit 114 determines whether or not the machining conditions were suitable for cutting based on the determination data D. If the machining conditions were suitable for cutting were suitable, the value function updating unit 114 applies the positive reward R determined by the reward calculation unit 112 to the update expression for the function Q in step SA05 and then updates the action value table using the state variable S and the determination data D in the current state, the reward R and the action value (updated function Q) in step SA06. If it is determined in step SA04 that the machining conditions were not suitable for cutting, the negative reward R determined by the reward calculation unit 112 is applied to the update expression for the function Q in step SA07, and the action value table is then calculated using the state variable S and the determination data D in the current state, the reward R and the action value (updated function Q) updated in step SA06. By repeating steps SA01 and SA07, the learning unit 110 repeatedly updates the action value table and continues learning the machining conditions for cutting. A process for determining the reward R and a process for determining the value function from step SA04 to step SA07 are executed for all the data included in the determination data D.

Für den Fortschritt des verstärkenden Lernens wie zuvor beschrieben kann beispielsweise ein neuronales Netz verwendet werden. 6A zeigt schematisch ein Modell von Neuronen. 6B zeigt schematisch ein Modell eines durch Kombinieren der in 6A dargestellten Neuronen aufgebauten dreischichtigen neuronalen Netzes. Das neuronale Netz kann unter Verwendung von arithmetischen Einheiten, Speichervorrichtungen u. Ä. gebildet werden, die beispielsweise nach einem Neuronenmodell modelliert werden.For example, a neural network can be used to advance reinforcement learning as described above. 6A shows schematically a model of neurons. 6B shows schematically a model of a by combining the in 6A The three-layer neural network is constructed using the neurons shown. The neural network can be implemented using arithmetic units, memory devices, and the like. are formed, which are modeled, for example, according to a neuron model.

Die in 6A dargestellten Neuronen geben ein Ergebnis y einer Mehrzahl von Eingaben x (beispielsweise Eingaben x1 bis x3) aus. Die Eingaben x1 bis x3 werden mit Gewichten w (w1 bis w3) entsprechend den Eingaben x multipliziert. Somit geben die Neuronen die durch den folgenden Ausdruck 2 ausgedrückte Ausgabe y aus. In Ausdruck 2 sind die Eingaben x, die Ausgabe y und die Gewichte w sämtlich Vektoren. θ ist eine Verzerrung und fk ist eine Aktivierungsfunktion. y = f k ( ∑ i = 1 n x i w i − θ )

Figure DE102019001177B4_0002
In the 6A The neurons shown output a result y of a plurality of inputs x (for example inputs x 1 to x 3 ). The inputs x 1 to x 3 are multiplied by weights w (w 1 to w 3 ) corresponding to the inputs x. Thus, the neurons output the output y expressed by the following expression 2. In Expression 2, the inputs x, the output y, and the weights w are all vectors. θ is a distortion and f k is an activation function. y = f k ( ∑ i = 1 n x i w i − θ )
Figure DE102019001177B4_0002

Im in 6B dargestellten dreischichtigen neuronalen Netz wird eine Mehrzahl von Eingaben x (beispielsweise Eingaben x1 bis x3) an einer linken Seite eingegeben und Ergebnisse y (beispielsweise Ergebnisse y1 bis y3) werden an einer rechten Seite eingegeben. In einem in der Zeichnung dargestellten Beispiel werden die Eingaben x1, x2 und x3 jeweils mit entsprechenden Gewichten (allgemein als w1 dargestellt) multipliziert und die Eingaben x1, x2 und x3 werden jeweils an drei Neuronen N11, N12 und N13 eingegeben.Im in 6B In the three-layer neural network shown, a plurality of inputs x (e.g., inputs x1 to x3) are input on a left side and results y (e.g., results y1 to y3) are input on a right side. In an example shown in the drawing, the inputs x1, x2 and x3 are each multiplied by corresponding weights (generally shown as w1) and the inputs x1, x2 and x3 are input to three neurons N11, N12 and N13, respectively.

In 6B sind Ausgaben von den Neuronen N11 bis N13 allgemein als z1 dargestellt. z1 kann als Merkmalsvektoren betrachtet werden, in denen Merkmalsmengen der Eingabevektoren extrahiert werden. Im in der Zeichnung dargestellten Beispiel werden die Merkmalsvektoren z1 jeweils mit entsprechenden Gewichten (allgemein als w2 dargestellt) multipliziert und jeweils an zwei Neuronen N21 und N22 eingegeben. Die Merkmalsvektoren z1 stellen Merkmale zwischen den Gewichten w1 und den Gewichten w2 dar.In 6B Outputs from neurons N11 to N13 are generally shown as z1. z1 can be viewed as feature vectors, in which feature sets of the input vectors are extracted. In the example shown in the drawing, the feature vectors z1 are each multiplied by corresponding weights (generally shown as w2) and input to two neurons N21 and N22. The feature vectors z1 represent features between the weights w1 and the weights w2.

In 6B sind Ausgaben von den Neuronen N21 und N22 allgemein als z2 dargestellt. z2 kann als Merkmalsvektoren betrachtet werden, in denen Merkmalsmengen der Eingabevektoren z1 extrahiert werden. Im in der Zeichnung dargestellten Beispiel werden die Merkmalsvektoren z2 jeweils mit entsprechenden Gewichten (allgemein als w3 dargestellt) multipliziert und jeweils an drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalsvektoren z2 stellen Merkmale zwischen den Gewichten w2 und den Gewichten w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils Ergebnisse y1 bis y3 aus.In 6B Outputs from neurons N21 and N22 are generally shown as z2. z2 can be viewed as feature vectors in which feature sets of the input vectors z1 are extracted. In the example shown in the drawing, the feature vectors z2 are each multiplied by corresponding weights (generally shown as w3) and input to three neurons N31, N32 and N33. The feature vectors z2 represent features between the weights w2 and the weights w3. Finally, the neurons N31 to N33 output results y1 to y3, respectively.

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 machine learning device 100 included in the controller 1, the neural network can be used as the value function in Q-learning, and the value (result y) of the relevant action in the relevant state can be calculated in a multi-layer structure by the learning unit 110 according to the previously described neural network using the state variable S and the action a as the input x. Operating modes of the neural network include a learning mode and a value prediction mode. The weights w can be learned using learning data sets in the learning mode and, for example, a value judgment about the action can be made using the learned weight w in the value prediction mode. In the value prediction mode, detection, classification, inference, etc. can also be performed. be performed.

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 controller 1 can be described as a machine learning ancestor (or software) executed by the processor 101. The machine learning method is a machine learning method ren for learning the machining conditions for cutting and includes causing a CPU of a computer to observe the machining condition data S1, the spindle torque data S2 and the cutting force component direction data S3 as the state variables S to represent the actual state of the environment in which the machine tool 2 is in operation, for acquiring the determination data D for indicating the result of determining the suitability of machining the workpiece based on the determined machining conditions for cutting and for combining and learning the spindle torque data S2, the cutting force component direction data S3 and the machining conditions for cutting using the state variables S and the investigation data D.

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 7 dargestellt Systeme angenommen, die jeweils so ausgebildet sind, dass sie logisch in drei Ebenen getrennt sind. Die drei Ebenen bestehen aus einer Schicht umfassend einen Cloud-Server 6 o. Ä., einer Schicht umfassend FOG-Computer (FOG-Server) 7 o. Ä. und einer Schicht umfassend Edge-Computer 8 (in Zellen 9 enthaltene Robotersteuergeräte, Steuergeräte o. Ä.), wobei die Mehrzahl von Vorrichtungen jeweils mit dem Netzwerk verbunden ist. In solch einem System kann das Steuergerät 1 auf einer beliebigen Vorrichtung von Cloud-Server 6, FOG-Computern 7 und Edge-Computern 8 ausgeführt sein und es ist zu verteiltem Lernen mit Teilen von Lerndaten mit der Mehrzahl von Vorrichtungen durch das Netzwerk, Analyse in großem Umfang mit einer Sammlung von erzeugten Lernmodellen auf den FOG-Computern 7 oder dem Cloud-Server 6 und gegenseitiger Wiederverwendung der erzeugten Lernmodelle o. Ä. fähig. Im als Beispiel in 7 dargestellten System ist eine Mehrzahl von Zellen 9 in jedem Werk in verschiedenen Bereichen angeordnet und ein FOG-Computer 7 auf einer höheren Schicht verwaltet jede Zelle 9 in einer spezifizierten Einheit (Einheit eines Werks, Einheit einer Mehrzahl von Werken des gleichen Herstellers o. Ä.). Von den FOG-Computern 7 gesammelte und analysierte Daten können vom Cloud-Server 6 auf einer noch höheren Schicht gesammelt und analysiert werden und resultierende Informationen können zur Steuerung über jeden der Edge-Computer o. Ä. verwendet werden.As the following second to fourth embodiments, embodiments are described in which the control device 1 according to the first embodiment operates with a plurality of devices including a cloud server, a host computer, FOG computers and edge computers (robot control devices, control devices or the like). connected to a wired or wireless network. As the following second to fourth embodiments, as an example in 7 presented systems are assumed, which are each designed in such a way that they are logically separated into three levels. The three levels consist of a layer comprising a cloud server 6 or similar, a layer comprising FOG computers (FOG servers) 7 or similar. and a layer comprising edge computers 8 (robot controllers, controllers or the like contained in cells 9), the plurality of devices each being connected to the network. In such a system, the controller 1 may be implemented on any device of cloud server 6, FOG computers 7 and edge computers 8 and is capable of distributed learning with sharing learning data with the plurality of devices through the network, analysis in on a large scale with a collection of generated learning models on the FOG computers 7 or the cloud server 6 and mutual reuse of the generated learning models or similar. capable. Im as an example in 7 In the system shown, a plurality of cells 9 in each plant are arranged in different areas, and a FOG computer 7 at a higher layer manages each cell 9 in a specified unit (unit of a plant, unit of a plurality of plants of the same manufacturer, or the like. ). Data collected and analyzed by the FOG computers 7 can be collected and analyzed by the cloud server 6 at an even higher layer and resulting information can be used for control via any of the edge computers or the like. be used.

8 zeigt ein System 170 gemäß der zweiten Ausführungsform, die das Steuergerät 1 umfasst. Das System 170 umfasst wenigstens ein als einen Abschnitt eines Computers, etwa eines Edge-Computers, eines FOG-Computers, eines Hostcomputers oder eines Cloud-Servers ausgeführtes Steuergerät 1, eine Mehrzahl von zu steuernden Werkzeugmaschinen 2 und ein verdrahtetes oder drahtloses Netzwerk 172, welches das Steuergerät 1 und die Werkzeugmaschinen 2 miteinander verbindet. 8th shows a system 170 according to the second embodiment, which includes the control device 1. The system 170 includes at least one controller 1 implemented as a portion of a computer, such as an edge computer, a FOG computer, a host computer or a cloud server, a plurality of machine tools 2 to be controlled, and a wired or wireless network 172, which connects the control unit 1 and the machine tools 2 with each other.

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 system 170 with a configuration described above, the controller 1 including the machine learning device 100 can automatically and accurately determine the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting for each of the machine tools 2 using the results of learning by the learning unit 110 determine. Further, a configuration may be provided in which the machine learning device 100 of the controller 1 determines the machining conditions for cutting common to all the machine tools 2 based on the state variable S and the determination data D acquired for each of the plurality of machine tools 2. learns and makes the results of such learning common to the operation of all machine tools 2. Thus, according to the system 170, the speed and reliability of learning the machining conditions for cutting can be improved with more different data sets (including the state variables S and the detection data D) used as input.

9 zeigt ein System 170 gemäß der dritten Ausführungsform, die das Steuergerät 1 umfasst. Das System 170 umfasst wenigstens eine auf einem Computer 5, etwa einem Edge-Computer, einem FOG-Computer, einem Hostcomputer oder einem Cloud-Server, ausgeführte maschinelle Lernvorrichtung 100', wenigstens ein als ein Steuergerät (Edge-Computer) ausgeführtes Steuergerät 1, das Werkzeugmaschinen 2 steuert, und ein verdrahtetes oder drahtloses Netzwerk 172, das den Computer 5 und die Werkzeugmaschinen 2 miteinander verbindet. 9 shows a system 170 according to the third embodiment, which includes the control device 1. The system 170 comprises at least one machine learning device 100' running on a computer 5, such as an edge computer, a FOG computer, a host computer or a cloud server, at least one control device 1 running as a control device (edge computer), that controls machine tools 2, and a wired or wireless network 172 that connects the computer 5 and the machine tools 2 to each other.

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 system 170 having a configuration described above, the computer 5 comprising the machine learning device 100′ acquires machine learning results obtained by the machine learning device 100 from the controller 1 included in the controller 1 that controls each machine tool 2. The machine learning device 100' included in the computer 5 newly generates an optimized or simplified learning model through a process of optimizing or simplifying knowledge based on the plurality of learning models dents and distributes the generated learning model to the control unit 1, which controls each machine tool 2.

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 controller 1 can be taken. In this example, the machine learning device 100′ according to the embodiment newly generates the learning model (distilled model) by generating input data for input to the learning models and executing learning from scratch using output resulting from inputting such input data to each learning model. (Such a learning process is called distillation.) In distillation, the original learning models are called teacher models and the newly created distilled model is called student model. The distilled model generated in such a way is generally smaller than the original learning models, but can achieve an accuracy equivalent to the accuracy of the original learning models. Therefore, the distilled model is suitable for distribution to other computers through external storage media, a network, etc.

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 controller 1, analyzing a distribution of the output of the learning models in response to the input data by a general statistical method, Extracting outliers in a set of input data and output data and performing distillation using the set of input data and output data from which the outliers were excluded is conceivable. Through such a process, exceptional estimation results can be excluded from the set of input data and output data captured by each learning model, and thus the distilled model can be generated using the set of input data and output data from which the exceptional estimation results have been excluded. As the distilled model generated in such a manner, a universal distilled model for the machine tools 2 controlled by the plurality of controllers 1 can be generated from the learning models generated by the plurality of controllers 1.

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 machine tool 2 or application for the development of a new machine).

10 zeigt eine schematische Hardwarekonfiguration zur Darstellung des in 9 dargestellten Computers 5. 10 shows a schematic hardware configuration to represent the in 9 shown computer 5.

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 CPU 511 included in the computer 5 is a processor that generally controls the computer 5. The CPU 511 reads out system programs stored in a ROM 512 via a bus 520 and controls the entire computer 5 according to the system programs. Temporary calculation data, various types of data inputted by an operator through an input device 531, and the like. are temporarily stored in a RAM 513.

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 non-volatile memory 514 is retained even when the computer 5 is switched off. The non-volatile memory 514 has a setting area in which configuration information for the operation of the computer 5 is stored. The one from the input device 531 entered data, the learning models acquired by the (control devices for the) machine tools 2, data read by an external storage device or a network (not shown), etc. are stored in non-volatile memory 514. The programs and various types of data stored in non-volatile memory 514 can be unpacked in RAM 513 for execution/use. System programs include well-known analysis programs for analyzing various types of data or the like. were pre-written into ROM 512.

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 computer 5 is connected to the network 172 through an interface 516. At least one machine tool 2, other computers, etc. are connected to the network 172 to perform data interaction with the computer 5.

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 display device 530, data, programs, or the like are displayed as results of executing data read into a memory. determined data is output and displayed through an interface 517. The input device 531 consisting of a keyboard, a pointing device or similar. provides instructions, data, etc. based on operation by an operator to the CPU 511 through an interface 518.

Die maschinelle Lernvorrichtung 100 ist die gleiche wie die in Bezug auf 1 beschriebene maschinelle Lernvorrichtung 100, wobei sie jedoch zum Optimieren oder Vereinfachen der Lernmodelle in Zusammenarbeit mit der CPU 511 des Computers 5 dient.The machine learning device 100 is the same as that in relation to 1 machine learning device 100 described, but serves to optimize or simplify the learning models in cooperation with the CPU 511 of the computer 5.

11 zeigt ein System 170 gemäß der vierten Ausführungsform, die das Steuergerät 1 umfasst. Das System 170 umfasst eine Mehrzahl von Steuergeräten 1, ausgeführt als Steuergeräte (Edge-Computer), die Werkzeugmaschinen 2 steuern, und ein verdrahtetes oder drahtloses Netzwerk 172, das die Mehrzahl von Werkzeugmaschinen 2 (Steuergeräte 1) miteinander verbindet. 11 shows a system 170 according to the fourth embodiment, which includes the control device 1. The system 170 includes a plurality of control devices 1, implemented as control devices (edge computers), which control machine tools 2, and a wired or wireless network 172 which connects the plurality of machine tools 2 (control devices 1) to one another.

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 system 170 with a configuration described above, each of the control devices 1 including the machine learning devices 100 performs machine learning based on state data or determination data acquired from the machine tool 2 to be controlled and state data acquired from other machine tools 2 (not including the machine learning device 100). Determination data and creates a learning model. The learning model generated in such a way is not only used to determine suitable machining conditions for cutting in the machining operation of the object machine tool 2, but is also used to determine suitable machining conditions for cutting in the machining operation by (the control device) a machine tool 2 that is not the machine learning device 100 includes, used in response to a request from the machine tool 2. When a controller 1 including the machine learning device 100 that has not generated a learning model is newly introduced, a learning model may be acquired and used by another controller 1 through the network 172.

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 machine learning device 100 only in a control unit that controls a machine tool 2 and sharing the machine learning device 100 with other machine tools 2).

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 machine learning device 100 are control algorithms executed by the controller 1, and these are not limited to those described above, and various algorithms may be used.

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 controller 1 and the machine learning device 100 have been described as devices having different CPUs for the embodiments, the machine learning device 100 can be executed using the CPU 11 included in the controller 1 and the system programs stored in the ROM 12.

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)

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.Control device (1) that controls a machine tool (2) for carrying out cutting of a work piece, clamped on a machining clamping device, controlled by a tool, the control device (1) comprising: a machine learning device (100), the machining condition data (S1) for indicating machining conditions for cutting, spindle torque data (S2) for indicating the spindle torque during the 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 which involves 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). Steuergerät (1) nach Anspruch 1, wobei die maschinelle Lernvorrichtung (100) umfasst eine Zustandsbeobachtungseinheit (106), welche die Bearbeitungsbedingungsdaten (S1) zur Angabe der Bearbeitungsbedingung für das Schneiden, die Spindeldrehmomentdaten (S2) zur Angabe des Spindeldrehmoments während des Schneidens und die Schneidkraftkomponenten-Richtungsdaten (S3) zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen die Schneidkraft als die Zustandsvariablen (S) zur Darstellung des Istzustands der Umgebung beobachtet, eine Ermittlungsdaten-Erfassungseinheit (108), die Werkstückqualität-Ermittlungsdaten (D1) zum Ermitteln der Qualität des auf der Basis der Bearbeitungsbedingungen für das Schneiden bearbeiteten Werkstücks und Zykluszeit-Ermittlungsdaten (D2) zum Ermitteln der erforderlichen Zeit zum Bearbeiten des Werkstücks als Ermittlungsdaten (D) zur Angabe eines Ergebnisses des Ermittelns zur Eignung der Bearbeitung des Werkstücks erfasst, und eine Lerneinheit (110), die das Lernmodell erzeugt, für das die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen für das Schneiden unter Verwendung der Zustandsvariablen (S) und der Ermittlungsdaten (D) zum Lernen verknüpft wurden.Control unit (1). Claim 1 , wherein the machine learning device (100) includes a state observation unit (106) which provides the machining condition data (S1) for indicating the machining condition for cutting, the spindle torque data (S2) for indicating the spindle torque during cutting, and the cutting force component direction data (S3). Specifying the cutting force component direction information on the cutting resistance against the cutting force as the state variables (S) for representing the actual state of the environment observed, a determination data acquisition unit (108), the workpiece quality determination data (D1) for determining the quality of the workpiece quality on the basis of the machining conditions for the cutting of the machined workpiece and cycle time determination data (D2) for determining the required time for machining the workpiece are recorded as determination data (D) for indicating a result of determining the suitability of machining the workpiece, and a learning unit (110) that generates the learning model , for which the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting were linked using the state variable (S) and the detection data (D) for learning. Steuergerät (1) nach Anspruch 2, wobei die Lerneinheit (110) umfasst eine Belohnungsberechnungseinheit (112), die eine Belohnung (R) in Bezug auf das Ergebnis des Ermittelns zur Eignung ermittelt, und eine Wertfunktion-Aktualisierungseinheit (114), welche die Belohnung (R) zum Aktualisieren einer Funktion (Q) zur Darstellung eines Werts der Bearbeitungsbedingungen für das Schneiden entsprechend den Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens verwendet, und die Belohnungsberechnungseinheit (112) eine umso höhere Belohnung (R) verteilt, je höher die Qualität das Werkstücks wird und je kürzer die erforderliche Zeit für die Bearbeitung des Werkstücks wird.Control unit (1). Claim 2 , wherein the learning unit (110) comprises a reward calculation unit (112) that determines a reward (R) in relation to the result of the suitability determination, and a value function updating unit (114) that uses the reward (R) to update a function (Q) is used to represent a value of the machining conditions for cutting according to the cutting force component direction information on the spindle torque and cutting resistance during cutting, and the reward calculation unit (112) distributes a higher reward (R) the higher the quality of the workpiece becomes and depending the time required to process the workpiece becomes shorter. Steuergerät (1) nach Anspruch 2 oder 3, wobei die Lerneinheit (110) die Berechnung der Zustandsvariablen (S) und der Ermittlungsdaten (D) in einer mehrschichtigen Struktur durchführt.Control unit (1). Claim 2 or 3 , wherein the learning unit (110) carries out the calculation of the state variables (S) and the determination data (D) in a multi-layer structure. Steuergerät (1) nach Anspruch 1, wobei die maschinelle Lernvorrichtung (100) umfasst eine Zustandsbeobachtungseinheit (106), welche die Bearbeitungsbedingungsdaten (S1) zur Angabe der Bearbeitungsbedingung für das Schneiden, die Spindeldrehmomentdaten (S2) zur Angabe des Spindeldrehmoments während des Schneidens und die Schneidkraftkomponenten-Richtungsdaten (S3) zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen die Schneidkraft als die Zustandsvariablen (S) zur Darstellung des Istzustands der Umgebung beobachtet, eine Lerneinheit (110), die das Lernmodell umfasst, für das die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen für das Schneiden zum Lernen verknüpft wurden, und eine Entscheidungsfindungseinheit (122), welche die Bearbeitungsbedingungen für das Schneiden auf der Basis der von der Zustandsbeobachtungseinheit (106) beobachteten Zustandsvariablen (S) und des Lernmodells ermittelt.Control unit (1). Claim 1 , wherein the machine learning device (100) includes a state observation unit (106) which provides the machining condition data (S1) for indicating the machining condition for cutting, the spindle torque data (S2) for indicating the spindle torque during cutting, and the cutting force component direction data (S3). Indication of the cutting force component direction information on the cutting resistance against the cutting force as the state variables (S) for representing the actual state of the environment observed, a learning unit (110) which includes the learning model for which the cutting force component direction information on the spindle torque and cutting resistance during cutting and the Machining conditions for cutting were linked for learning, and a decision-making unit (122) which determines the machining conditions for cutting based on the state variables (S) observed by the state observation unit (106) and the learning model. Steuergerät (1) nach einem der Ansprüche 1 bis 4, wobei sich die maschinelle Lernvorrichtung (100) auf einem Cloud-Server (6) befindet.Control unit (1) according to one of the Claims 1 until 4 , wherein the machine learning device (100) is located on a cloud server (6). Maschinelle Lernvorrichtung (100), die Bearbeitungsbedingungsdaten (S1) zur Angabe von Bearbeitungsbedingungen zum Schneiden eines auf einer Bearbeitungsspannvorrichtung geklemmten Werkstücks durch ein Werkzeug, 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.Machine learning device (100), the machining condition data (S1) for indicating machining conditions for cutting a workpiece clamped on a machining jig by a tool, spindle torque data (S2) for indicating the spindle torque during cutting, and cutting force component direction data (S3) for indicating cutting force component Directional information on cutting resistance to a cutting force as state variables (S) to represent an actual state of an environment is observed and learning or decision making using a learning model to model the processing conditions for the snow the one 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). Maschinelle Lernvorrichtung (100) nach Anspruch 7, umfassend: eine Zustandsbeobachtungseinheit (106), welche die Bearbeitungsbedingungsdaten (S1) zur Angabe der Bearbeitungsbedingungen für das Schneiden, die Spindeldrehmomentdaten (S2) zur Angabe des Spindeldrehmoments während des Schneidens und die Schneidkraftkomponenten-Richtungsdaten (S3) zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen die Schneidkraft als die Zustandsvariablen (S) zur Darstellung des Istzustands der Umgebung beobachtet; eine Ermittlungsdaten-Erfassungseinheit (108), die Werkstückqualität-Ermittlungsdaten (D1) zum Ermitteln der Qualität des auf der Basis der Bearbeitungsbedingungen für das Schneiden bearbeiteten Werkstücks und Zykluszeit-Ermittlungsdaten (D2) zum Ermitteln der erforderlichen Zeit zum Bearbeiten des Werkstücks als Ermittlungsdaten (D) zur Angabe eines Ergebnisses des Ermittelns zur Eignung der Bearbeitung des Werkstücks erfasst; und eine Lerneinheit (110), die das Lernmodell erzeugt, für das die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen für das Schneiden unter Verwendung der Zustandsvariablen (S) und der Ermittlungsdaten (D) zum Lernen verknüpft wurden.Machine learning device (100) according to Claim 7 , comprising: a condition observation unit (106) which contains the machining condition data (S1) for indicating the machining conditions for cutting, the spindle torque data (S2) for indicating the spindle torque during cutting, and the cutting force component direction data (S3) for indicating the cutting force component direction information Cutting resistance versus cutting force observed as the state variables (S) to represent the actual state of the environment; a determination data acquisition unit (108), the workpiece quality determination data (D1) for determining the quality of the workpiece machined based on the machining conditions for cutting, and cycle time determination data (D2) for determining the time required for machining the workpiece as determination data (D ) recorded to indicate a result of determining the suitability of machining the workpiece; and a learning unit (110) that generates the learning model for which the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting have been linked using the state variable (S) and the determination data (D) for learning. Maschinelle Lernvorrichtung (100) nach Anspruch 7, umfassend: eine Zustandsbeobachtungseinheit (106), welche die Bearbeitungsbedingungsdaten (S1) zur Angabe der Bearbeitungsbedingungen für das Schneiden, die Spindeldrehmomentdaten (S2) zur Angabe des Spindeldrehmoments während des Schneidens und die Schneidkraftkomponenten-Richtungsdaten (S3) zur Angabe der Schneidkraftkomponenten-Richtungsinformationen zum Schneidwiderstand gegen die Schneidkraft als die Zustandsvariablen (S) zur Darstellung des Istzustands der Umgebung beobachtet; eine Lerneinheit (110), die das Lernmodell umfasst, für das die Schneidkraftkomponenten-Richtungsinformationen zum Spindeldrehmoment und Schneidwiderstand während des Schneidens und die Bearbeitungsbedingungen für das Schneiden zum Lernen verknüpft wurden; und eine Entscheidungsfindungseinheit (122), welche die Bearbeitungsbedingungen für das Schneiden auf der Basis der von der Zustandsbeobachtungseinheit (106) beobachteten Zustandsvariablen (S) und des Lernmodells ermittelt.Machine learning device (100) according to Claim 7 , comprising: a condition observation unit (106) which contains the machining condition data (S1) for indicating the machining conditions for cutting, the spindle torque data (S2) for indicating the spindle torque during cutting, and the cutting force component direction data (S3) for indicating the cutting force component direction information Cutting resistance versus cutting force observed as the state variables (S) to represent the actual state of the environment; a learning unit (110) comprising the learning model for which the cutting force component direction information on the spindle torque and cutting resistance during cutting and the machining conditions for cutting have been linked for learning; and a decision making unit (122) which determines the processing conditions for cutting based on the state variables (S) observed by the state observation unit (106) and the learning model. System (170), wobei eine Mehrzahl von Vorrichtungen miteinander durch ein Netzwerk (172) verbunden ist und die Mehrzahl von Vorrichtungen wenigstens das Steuergerät (1) nach Anspruch 1, das eine erste Werkzeugmaschine (2) steuert, umfasst.System (170), wherein a plurality of devices are connected to one another through a network (172) and the plurality of devices according to at least the control device (1). Claim 1 which controls a first machine tool (2). System (170) nach Anspruch 10, wobei die Mehrzahl von Vorrichtungen einen Computer (5) umfassend eine maschinelle Lernvorrichtung (100') umfasst, der Computer (5) wenigstens ein durch Lernen in der Lerneinheit (110) des Steuergeräts (1) nach Anspruch 2 erzeugtes Lernmodell erfasst, und die maschinelle Lernvorrichtung (100') eine Optimierung oder Vereinfachung auf der Basis des erfassten Lernmodells durchführt.System (170) after Claim 10 , wherein the plurality of devices comprises a computer (5) comprising a machine learning device (100 '), the computer (5) according to at least one by learning in the learning unit (110) of the control device (1). Claim 2 generated learning model is detected, and the machine learning device (100 ') carries out an optimization or simplification based on the detected learning model. System (170) nach Anspruch 10, wobei die Mehrzahl von Vorrichtungen eine zweite Werkzeugmaschine (2) umfasst, die sich von der ersten Werkzeugmaschine (2) unterscheidet, und ein Ergebnis des Lernens durch die im Steuergerät (1) nach Anspruch 2, das die erste Werkzeugmaschine (2) steuert, enthaltene Lerneinheit (110) mit der zweiten Werkzeugmaschine (2) geteilt wird.System (170) after Claim 10 , wherein the plurality of devices comprises a second machine tool (2), which is different from the first machine tool (2), and a result of the learning by the control device (1). Claim 2 , which controls the first machine tool (2), contained learning unit (110) is shared with the second machine tool (2). System (170) nach Anspruch 10, wobei die Mehrzahl von Vorrichtungen eine zweite Werkzeugmaschine (2) umfasst, die sich von der ersten Werkzeugmaschine (2) unterscheidet, und in der zweiten Werkzeugmaschine (2) beobachtete Daten zum Lernen durch die Lerneinheit (110) des Steuergeräts (1) nach Anspruch 2, das die erste Werkzeugmaschine (2) durch das Netzwerk (172) steuert, verwendbar sind.System (170) after Claim 10 , wherein the plurality of devices comprises a second machine tool (2), which is different from the first machine tool (2), and data observed in the second machine tool (2) for learning by the learning unit (110) of the control device (1). Claim 2 , which controls the first machine tool (2) through the network (172), can be used.
DE102019001177.5A 2018-02-19 2019-02-18 Controller, machine learning device and system Active DE102019001177B4 (en)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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