DE102019117921A1 - TOOTH CONTACT ADJUSTMENT QUANTITY APPARATUS, MACHINE LEARNING DEVICE AND ROBOTIC SYSTEM - Google Patents

TOOTH CONTACT ADJUSTMENT QUANTITY APPARATUS, MACHINE LEARNING DEVICE AND ROBOTIC SYSTEM Download PDF

Info

Publication number
DE102019117921A1
DE102019117921A1 DE102019117921.1A DE102019117921A DE102019117921A1 DE 102019117921 A1 DE102019117921 A1 DE 102019117921A1 DE 102019117921 A DE102019117921 A DE 102019117921A DE 102019117921 A1 DE102019117921 A1 DE 102019117921A1
Authority
DE
Germany
Prior art keywords
contact position
tooth contact
position setting
setting amount
power transmission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019117921.1A
Other languages
German (de)
Inventor
Shuusuke WATANABE
Shinji MIZOKAMI
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
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of DE102019117921A1 publication Critical patent/DE102019117921A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H2057/0081—Fixing of, or adapting to transmission failure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/02—Gearboxes; Mounting gearing therein
    • F16H57/023—Mounting or installation of gears or shafts in the gearboxes, e.g. methods or means for assembly
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/02—Gearboxes; Mounting gearing therein
    • F16H57/038—Gearboxes for accommodating bevel gears
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39295—Learn position correction values to be added to reference values

Abstract

Eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, die die Verarbeitung bezüglich der Schätzung einer Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus nach dieser Erfindung darstellen, umfassend: eine Maschinenlernvorrichtung, die eine Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für die Dimensionsdaten von Teilen ausführt, die den Leistungsübertragungsmechanismus darstellt, wobei die Maschinenlernvorrichtung Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus beobachten, als eine Zustandsvariable beobachtet, die einen aktuellen Zustand einer Umgebung anzeigen, und die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für die Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, bei der Montage des Leistungsübertragungsmechanismus durch Ausführung der Verarbeitung bezüglich Maschinenlernen auf Grundlage der beobachteten Zustandsvariable ausführt.

Figure DE102019117921A1_0000
A tooth contact position setting amount estimating device that executes the processing for estimating a tooth contact position setting amount for dimensional data of parts constituting a power transmission mechanism according to this invention, comprising: a machine learning device that executes processing regarding the estimation of the tooth contact position setting amount for dimension data of parts constituting the power transmission mechanism, wherein the machine learning device observes part dimension data, which is dimension data of parts observing the power transmission mechanism, as a state variable indicating a current state of an environment, and the processing related to estimating the tooth contact position setting amount for the dimension data of parts representing the power transmission mechanism in which Assembly of the power transmission mechanism by executing the Performs machine learning processing based on the observed state variable.
Figure DE102019117921A1_0000

Description

ALLGEMEINER STAND DER TECHNIKGENERAL PRIOR ART

Gebiet der ErfindungField of the Invention

Diese Erfindung bezieht sich auf eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, eine Maschinenlernvorrichtung, und ein Robotersystem. Diese Erfindung bezieht sich speziell auf eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, eine Maschinenlernvorrichtung und ein Robotersystem zum Schätzen einer Zahnkontaktpositionseinstellungsmenge von Zahnrädern, die in einer Struktur verwendet werden, um Leistung über Wellen zu übertragen, deren Axiallinien sich überkreuzen.This invention relates to a tooth contact position setting amount estimator, a machine learning device, and a robot system. This invention relates specifically to a tooth contact position adjustment amount estimator, a machine learning device, and a robot system for estimating a tooth contact position adjustment amount of gears used in a structure to transmit power over shafts whose axial lines cross.

Beschreibung des Stands der TechnikDescription of the Prior Art

Ein Kegelrad wird in einer Struktur zum Übertragen von Leistung über Wellen verwendet, deren Axiallinien sich überkreuzen. Ein Schneckenrad wird in einer Struktur zum Übertragen von Leistung über Wellen verwendete, deren Axiallinien voneinander entfernt sind. Wenn der Zahnkontakt der Zahnräder, die an jeder Welle montiert sind, und die ineinander eingreifen, nicht angemessen ist, kann es zu ungewöhnlichen Geräuschen, Schwingungen und ungewöhnlicher Abnutzung der Zähne kommen. Es ist wichtig, die Form der Zahnräder für geeigneten Zahnkontakt zu optimieren. Die Positionen, in denen die Zahnräder montiert sind, können sich durch einen Abmessungsfehler der Teile, die mit den Zahnrädern montiert sind, unterscheiden.A bevel gear is used in a structure to transmit power over shafts whose axial lines cross. A worm wheel is used in a structure for transmitting power via shafts with their axial lines apart. If the tooth contact of the gears, which are mounted on each shaft and which mesh with one another, is not adequate, unusual noises, vibrations and unusual wear of the teeth can occur. It is important to optimize the shape of the gears for proper tooth contact. The positions where the gears are mounted can differ due to a dimensional error of the parts that are mounted with the gears.

6 ist ein Diagramm, das eine Getriebestruktur unter Verwendung von Kegelrädern illustriert. In 6 wird die Leistung auf der Eingangsseite durch die Kegelräder, deren Axiallinien in einem rechten Winkel angeordnet sind, an die Ausgangsseite übertragen. Die Kegelräder sind auf einem Reduzierer bzw. einem Halter montiert. Der Reduzierer oder Halter ist an einem Gehäuse montiert. So ändert sich der Zahnkontakt der Kegelräder durch einen Dimensionsfehler der montierten Teile, wie etwa der Kegelräder oder des Halters. Wenn etwa die Welle, die an dem Kegelrad an der Eingangsseite montiert ist, in 6 kurz ist, unterscheidet sich das Kegelrad auf der Eingangsseite und das Kegelrad an der Ausgangsseite voneinander bezüglich ihrer Eingriffsposition. In diesem Fall kommt es zu dem Problem, dass ungewöhnliche Geräusche, Schwingungen oder ungewöhnliche Abnutzung der Zähne auftritt. In einem solchen Fall muss der Zahnkontakt eingestellt werden. Eine Zahnkontaktpositionseinstellscheibe wird zwischen die Teile wie etwa die Zahnräder oder den Halter eingelegt, um den Zahnkontakt einzustellen ( JP 2016-142379 A , JP 2013 - 160361 A ). 6 FIG. 12 is a diagram illustrating a gear structure using bevel gears. In 6 the power on the input side is transmitted to the output side through the bevel gears, the axial lines of which are arranged at a right angle. The bevel gears are mounted on a reducer or holder. The reducer or holder is mounted on a housing. The tooth contact of the bevel gears changes due to a dimensional error of the assembled parts, such as the bevel gears or the holder. For example, if the shaft mounted on the bevel gear on the input side is in 6 is short, the bevel gear on the input side and the bevel gear on the output side differ from each other with respect to their engagement position. In this case, there is a problem that unusual noise, vibration, or unusual wear of the teeth occurs. In such a case, the tooth contact must be stopped. A tooth contact position adjusting washer is inserted between the parts such as the gears or the holder to adjust the tooth contact ( JP 2016-142379 A . JP 2013 - 160361 A ).

Die Veröffentlichung des japanischen Patents Nr. 3586997 offenbart eine Technik zur Bestimmung der Zahnkontakteinstellung in einer Bildverarbeitung, beispielsweise als eine konventionelle Technik zum Einstellen des Zahnkontakts zwischen Zahnrädern.The publication of the Japanese Patent No. 3586997 discloses a technique for determining tooth contact adjustment in image processing, for example as a conventional technique for adjusting tooth contact between gears.

Eine Dimensionsvariation besteht jedoch in den Teilen wie etwa den Zahnrädern oder dem Halter. So ist eine optimale Montageposition für jedes Teil unterschiedlich. In dem Zahnkontakteinstellungsverfahren wird die optimale Zahnkontaktpositionseinstellungsmenge (wie etwa die Dicke der Scheibe oder die Anzahl der Scheiben) endgültig durch einen erfahrenen Montagearbeiter bestimmt. So besteht ein Problem, dass es lange dauert, bis ein unerfahrener Arbeiter die optimale Zahnkontaktpositionseinstellungsmenge bestimmt hat.However, one dimension variation is in the parts such as the gears or the holder. So an optimal assembly position is different for each part. In the tooth contact setting process, the optimal tooth contact position setting amount (such as the thickness of the washer or the number of washers) is finally determined by an experienced assembler. So there is a problem that it takes a long time for an inexperienced worker to determine the optimal tooth contact position setting amount.

Zahnkontakt zwischen den Zahnrädern wird durch ein Bild in JP 2016-142379 A bewertet, aber der Zahnkontakt muss bewertet werden, während die Zahnräder tatsächlich montiert sind. Wenn festgestellt wird, dass die Zahnkontaktposition nicht angemessen ist, erfolgt ein Schritt der Entfernung der montierten Teile und des Einsetzens einer Scheibe, so verringert die Produktivität oder Arbeitseffizienz sich in der in JP 2016 - 142379 A offenbarten Technik.Tooth contact between the gears is shown by an image in JP 2016-142379 A rated, but the tooth contact must be rated while the gears are actually mounted. If it is determined that the tooth contact position is not appropriate, a step of removing the assembled parts and inserting a washer will decrease the productivity or work efficiency in the JP 2016 - 142379 A disclosed technology.

Es ist daher ein Ziel dieser Erfindung, eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung bereitzustellen, die in der Lage ist, die Dicke oder Anzahl der Scheiben zu bestimmen, die verwendet werden sollen, bevor ein Leistungsübertragungsmechanismus, eine Maschineniernvorrichtung und ein Robotersystem montiert wird.It is therefore an object of this invention to provide a tooth contact position adjustment amount estimator capable of determining the thickness or number of disks to be used before a power transmission mechanism, a machine kidney device, and a robot system is assembled.

KURZDARSTELLUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, eine Maschinenlernvorrichtung und ein Robotersystem laut dieser Erfindung lösen zumindest einige der obigen Probleme. Nach einer Ausführungsform dieser Erfindung erfolgt Maschinenlernen, wobei Eingabedaten und Ausgabedaten, die den Eingabedaten entsprechen, als Lehrdaten verwendet werden. Die Eingabedaten sind Dimensionsdaten von teilen wie Zahnrädern, die eine Struktur zum Übertragen von Leistung über Wellen darstellen, deren Axiallinien sich überkreuzen. Die Ausgabedaten zeigen die optimale Zahnkontaktpositionseinstellungsmenge an, wenn die Teile montiert werden. Ein gelerntes Modell, das als Ergebnis des Maschinenlernens erfasst wurde, wird verwendet, um die Zahnkontaktpositionseinstellungsmenge aus den Teildimensionsdaten zu schätzen. Die Dicke oder Anzahl der Scheiben wird auf Grundlage der geschätzten Zahnkontaktpositionseinstellungsmenge bestimmt. Dadurch wird der Montagepositionsanpassungsschritt ist erleichtert und die Montage wird effizient ausgeführt.A tooth contact position setting amount estimator, a machine learning device, and a robot system according to this invention solve at least some of the above problems. According to one embodiment of this invention, machine learning takes place, wherein input data and output data which correspond to the input data are used as teaching data. The input data is dimension data of parts such as gears, which is a structure for transmitting power through shafts whose axial lines cross each other. The output data shows the optimal tooth contact position setting amount when the parts are assembled. A learned model that is acquired as a result of machine learning is used to estimate the tooth contact position setting amount from the partial dimension data. The thickness or number of the washers is determined based on the estimated tooth contact position setting amount. This will make the Assembly position adjustment step is facilitated and assembly is carried out efficiently.

Nach einem Aspekt dieser Erfindung wird eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung bereitgestellt, die die Verarbeitung bezüglich der Schätzung einer Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus darstellen, umfassend: eine Maschinenlernvorrichtung, die eine Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus darstellt, wobei die Maschinenlernvorrichtung Teiledimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus beobachten, als eine Zustandsvariable beobachtet, die einen aktuellen Zustand einer Umgebung anzeigen, und die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, bei der Montage des Leistungsübertragungsmechanismus durch Ausführung der Verarbeitung bezüglich Maschinenlernen auf Grundlage der beobachteten Zustandsvariable ausführen.According to one aspect of this invention, there is provided a tooth contact position setting amount estimating device that performs the processing related to estimating a tooth contact position setting amount for dimensional data of parts constituting a power transmission mechanism, comprising: a machine learning device that performs processing related to the tooth contact position setting amount for dimensional data of parts that is one Power transmission mechanism, wherein the machine learning device observes part dimension data, which is dimension data of parts observing the power transmission mechanism, as a state variable indicating a current state of an environment, and the processing for estimating the tooth contact position setting amount for dimension data of parts representing the power transmission mechanism, when assembling the power transmission mecha Execute by executing machine learning processing based on the observed state variable.

Nach einem anderen Aspekt dieser Erfindung wird eine Maschineniernvorrichtung bereitgestellt, die eine Verarbeitung bezüglich der Schätzung einer Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus darstellt, wobei die Maschinenlernvorrichtung Teiledimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus beobachten, als eine Zustandsvariable beobachtet, die einen aktuellen Zustand einer Umgebung anzeigen, und die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, bei der Montage des Leistungsübertragungsmechanismus durch Ausführung der Verarbeitung bezüglich Maschinenlernen auf Grundlage der beobachteten Zustandsvariable ausführen.According to another aspect of this invention, there is provided a machine kidney device that performs processing on estimating a tooth contact position setting amount for dimensional data of parts, which is a power transmission mechanism, wherein the machine learning device observes part dimension data, which is dimension data of parts that observe the power transmission mechanism, as a state variable that indicate a current state of an environment and perform the processing of estimating the tooth contact position setting amount for dimensional data of parts constituting the power transmission mechanism when assembling the power transmission mechanism by executing the machine learning processing based on the observed state variable.

Nach einem anderen Aspekt dieser Erfindung wird ein Robotersystem bereitgestellt, das eine Steuerung umfasst, die die Anzahl der Scheiben bestimmt, die zur Montage eines Leistungsübertragungsmechanismus verwendet wird, und einen Roboter anweist, eine vorgegebene Anzahl von Scheiben auf den Teilen auf Grundlage der Zahnkontaktpositionseinstellungsmenge, die durch die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung geschätzt wurde, zu montieren.According to another aspect of this invention, there is provided a robot system that includes a controller that determines the number of disks used to assemble a power transmission mechanism and instructs a robot to have a predetermined number of disks on the parts based on the tooth contact position setting amount was estimated by the tooth contact position setting amount estimator.

Nach einem anderen Aspekt dieser Erfindung ist ein Zahnkontaktpositionseinstellungsmengenschätzsystem bereitgestellt, in dem mehrere Vorrichtungen miteinander über ein Netzwerk verbunden sind, wobei die mehreren Vorrichtungen mindestens eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung umfassen, die mit einer Lerneinheit ausgestattet ist.According to another aspect of this invention, there is provided a tooth contact position setting amount estimation system in which a plurality of devices are connected to each other via a network, the plurality of devices including at least one tooth contact position setting amount estimation device equipped with a learning unit.

Nach der vorliegenden Erfindung wird die Dicke oder Anzahl der Scheiben auf Grundlage der geschätzten Zahnkontaktpositionseinstellungsmenge bestimmt. So werden die Belastung eines Arbeiters im Montagepositionsanpassungsschritt erleichtert und die Montage wird effizient ausgeführt.According to the present invention, the thickness or number of the disks is determined based on the estimated tooth contact position setting amount. In this way, the load on a worker in the assembly position adjustment step is relieved and assembly is carried out efficiently.

Figurenlistelist of figures

Die obigen und andere Ziele und Eigenschaften der vorliegenden Erfindung werden aus den folgenden Beschreibungen der Ausführungsformen mit Verweis auf die beiliegenden Zeichnungen klar, wobei:

  • 1 ist ein schematisches Hardwarekonfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach einer ersten Ausführungsform;
  • 2 ist ein Diagramm, das eine schematische Konfiguration eines Robotersystems umfasst;
  • 3 ist ein schematisches Funktionsblockdiagramm der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach der ersten Ausführungsform;
  • 4 ist ein Diagramm, das beispielhafte Teiledimensionsdaten illustriert;
  • 5 ist ein schematisches Funktionsblockdiagramm, das eine Form der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach der zweiten Ausführungsform illustriert;
  • 6 ist ein Diagramm, das einen beispielhaften Leistungsübertragungsmechanismus illustriert;
  • 7 ist ein Diagramm, das ein beispielhaftes System einer dreischichtigen Struktur illustriert, die einen Cloudserver, einen Fogcomputer und einen Edgecomputer umfasst;
  • 8 ist ein schematisches Hardwarekonfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, die auf einem Computer umgesetzt ist;
  • 9 ist ein schematisches Konfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach einer dritten Ausführungsform;
  • 10 ist ein schematisches Konfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach einer vierten Ausführungsform; und
  • 11 ist ein schematisches Konfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach einer fünften Ausführungsform.
The above and other objects and features of the present invention will become apparent from the following descriptions of the embodiments with reference to the accompanying drawings, in which:
  • 1 11 is a schematic hardware configuration diagram of a tooth contact position setting amount estimating device according to a first embodiment;
  • 2 Fig. 4 is a diagram including a schematic configuration of a robot system;
  • 3 Fig. 10 is a schematic functional block diagram of the tooth contact position setting amount estimating device according to the first embodiment;
  • 4 FIG. 12 is a diagram illustrating exemplary part dimension data;
  • 5 Fig. 12 is a schematic functional block diagram illustrating a form of the tooth contact position setting amount estimating device according to the second embodiment;
  • 6 FIG. 12 is a diagram illustrating an exemplary power transmission mechanism;
  • 7 FIG. 12 is a diagram illustrating an exemplary system of a three-layer structure that includes a cloud server, a fog computer, and an edge computer;
  • 8th Fig. 12 is a schematic hardware configuration diagram of a tooth contact position setting amount estimator implemented on a computer;
  • 9 FIG. 11 is a schematic configuration diagram of a tooth contact position setting amount estimating device according to a third embodiment; FIG.
  • 10 FIG. 12 is a schematic configuration diagram of a tooth contact position setting amount estimating device according to a fourth embodiment; and
  • 11 FIG. 12 is a schematic configuration diagram of a tooth contact position setting amount estimating device according to a fifth embodiment.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMENDETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS

Ausführungsformen dieser Erfindung werden nachfolgend mit Verweis auf die Zeichnungen beschrieben.Embodiments of this invention are described below with reference to the drawings.

1 ist ein schematisches Hardwarekonfigurationsdiagramm, das eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 nach der ersten Ausführungsform illustriert. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 wird auf einem Computer wie einem Personal Computer umgesetzt, der für ein Robotersystem bereitgestellt ist, um eine Maschine herzustellen, oder auf einem Zellencomputer, einem Hostcomputer, einem Edgeserver und einem Cloudserver, die mit dem Robotersystem über ein verkabeltes/drahtloses Netzwerk verbunden ist. Nach dieser Ausführungsform wird die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 auf einem Personal Computer umgesetzt, der für ein Robotersystem 2 bereitgestellt wurde. 1 Fig. 10 is a schematic hardware configuration diagram showing a tooth contact position setting amount estimator 1 illustrated according to the first embodiment. The tooth contact position setting amount estimator 1 is implemented on a computer, such as a personal computer, provided for a robotic system to make a machine, or on a cellular computer, a host computer, an edge server and a cloud server connected to the robotic system via a wired / wireless network. According to this embodiment, the tooth contact position adjustment amount estimator 1 implemented on a personal computer for a robot system 2 was provided.

Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 ist mit dem Robotersystem 2, die in 2 illustriert ist, über eine Schnittstelle 19 verbunden. Das Robotersystem 2 umfasst eine Steuerung 2A und einen Roboter 2B, der durch die Steuerung 2A gesteuert wird. Der Roboter 2B montiert die Teile, die zuvor durch eine Teilezufuhrvorrichtung oder dergleichen zugeführt und angeordnet wurden, um damit einen Leistungsübertragungsmechanismus zu montieren. Bei der Montage der Teile montiert das Robotersystem 2 nur die erforderlichen Getriebeeinstellungsscheiben an den Teilen. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 erfasst Dimensionsdaten der jeweiligen teile, die zuvor über die Schnittstelle 19 in die Steuerung 2A eingegeben wurden. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 gibt die Zahnkontaktpositionseinstellungsmenge als ein Schätzergebnis mit der Steuerung 2A über die Schnittstelle 19. Die Steuerung 2A bestimmt die Anzahl der Scheiben, die an den Teilen montiert werden sollen, oder der Dicke einer Scheibe auf der Grundlage der Zahnkontaktpositionseinstellungsmenge, die von der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 eingegeben wird. Eine detaillierte Konfiguration des Robotersystems 2 zur Montage eines Leistungsübertragungsmechanismus ist bekannt, und daher wird eine ausführliche Beschreibung davon in dieser Vorgabe weggelassen.The tooth contact position setting amount estimator 1 is with the robot system 2 , in the 2 is illustrated via an interface 19 connected. The robot system 2 includes a controller 2A and a robot 2 B by the controller 2A is controlled. The robot 2 B assembles the parts previously fed and arranged by a parts feeder or the like to thereby assemble a power transmission mechanism. The robot system assembles the parts 2 only the required gear shims on the parts. The tooth contact position setting amount estimator 1 captures dimensional data of the respective parts, previously via the interface 19 in the controller 2A have been entered. The tooth contact position setting amount estimator 1 gives the tooth contact position setting amount as an estimation result with the controller 2A over the interface 19 , The control 2A determines the number of disks to be mounted on the parts or the thickness of a disk based on the tooth contact position adjustment amount by the tooth contact position adjustment amount estimator 1 is entered. A detailed configuration of the robot system 2 for mounting a power transmission mechanism is known, and therefore a detailed description thereof is omitted from this specification.

Eine zentrale Prozessoreinheit (CPU) 11, die für die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 bereitgestellt wurde, ist ein Prozessor für die vollständige Steuerung der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1. Die CPU 11 liest ein Systemprogramm, das in einem reinen Lesespeicher (ROM) 12 gespeichert ist, um einen Bus 20 aus. Die CPU 11 steuert die gesamte Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 nach dem Systemprogramm. Temporäre Berechnungsdaten oder Anzeigedaten oder verschiedene Datenpunkte, die durch einen Arbeiter über eine Eingabevorrichtung 71 eingegeben werden, werden temporär in einem Direktzugriffsspeicher (RAM) 13 gespeichert.A central processor unit (CPU) 11 that for the tooth contact position setting amount estimator 1 is a processor for complete control of the tooth contact position adjustment amount estimator 1 , The CPU 11 reads a system program that is stored in a read-only memory (ROM) 12 is saved to a bus 20 out. The CPU 11 controls the entire tooth contact position setting amount estimator 1 according to the system program. Temporary calculation data or display data or various data points created by a worker via an input device 71 entered, are temporarily stored in a random access memory (RAM) 13 saved.

Ein nichtflüchtiger Speicher 14 wird beispielsweise durch eine Batterie gestützt (nicht dargestellt). Der nichtflüchtige Speicher 14 ist ein Speicher, in dem gespeicherte Zustände erhalten bleiben, auch, wenn die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 ausgeschaltet wird. Der nichtflüchtige Speicher 14 weist einen Einstellungsbereich auf, in dem die Einstellungsinformationen für die Funktionen der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 gespeichert sind. Der nichtflüchtige Speicher 14 speichert die Programmeingabe von der Eingabevorrichtung 71, den Programmen, die von der externen Speichervorrichtung (nicht dargestellt) eingelesen wurden, oder Dimensionsdaten der jeweiligen teile, die von dem Robotersystem 2 über die Schnittstelle 19 erfasst werden. Die Programme oder die verschiedenen Datenpunkte der Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können bei Ausführung/Verwendung in den RAM 13 geladen werden. Ferner werden verschiedene Systemprogramme, wie etwa ein bekanntes Analyseprogramm (einschließlich eines Systemprogramms zur Steuerung der Kommunikation mit einer Maschinenlernvorrichtung 100, die nachfolgend beschrieben wird) zuvor in den ROM 12 geschrieben.A non-volatile memory 14 is supported, for example, by a battery (not shown). The non-volatile memory 14 is a memory in which stored states are maintained even when the tooth contact position setting amount estimator 1 is turned off. The non-volatile memory 14 has a setting area in which the setting information for the functions of the tooth contact position setting amount estimating device 1 are saved. The non-volatile memory 14 stores the program input from the input device 71 , the programs read from the external storage device (not shown), or dimensional data of the respective parts obtained from the robot system 2 over the interface 19 be recorded. The programs or the various data points of the data stored in the non-volatile memory 14 can be stored in RAM when executed / used 13 Loading. Various system programs such as a known analysis program (including a system program for controlling communication with a machine learning device 100 , which will be described below) previously in the ROM 12 written.

Eine Anzeigevorrichtung 70 zeigt darauf jeden Datenpunkt an, der in den Speicher gelesen wurde, oder alle Daten, die aufgrund eines ausgeführten Programms oder dergleichen erfasst wurden. Daten oder dergleichen, die von der nachfolgend beschriebenen Maschinenlernvorrichtung 100 ausgegeben werden, werden in die Anzeigevorrichtung 70 über eine Schnittstelle 17 eingegeben. Die Anzeigevorrichtung 70 zeigt die Eingabedaten oder dergleichen darauf an. Die Eingabevorrichtung 71 ist konfiguriert von einer Tastatur oder eine Zeigevorrichtung. Die Eingabevorrichtung 71 empfängt Befehle auf Grundlage von Arbeiteroperationen, Daten und dergleichen. Die Eingabevorrichtung 71 gibt die empfangenen Befehle, Daten und dergleichen an die CPU 11 über eine Schnittstelle 18 weiter.A display device 70 then displays each data point that has been read into memory or all data that has been acquired due to an executed program or the like. Data or the like generated by the machine learning device described below 100 are output to the display device 70 via an interface 17 entered. The display device 70 displays the input data or the like thereon. The input device 71 is configured from a keyboard or a pointing device. The input device 71 receives commands based on worker operations, data, and the like. The input device 71 gives the received commands, data and the like to the CPU 11 via an interface 18 further.

Eine Schnittstelle 21 verbindet jeden Teil der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 mit der Maschinenlernvorrichtung 100 in der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1. Die Maschinenlernvorrichtung 100 umfasst einen Prozessor 101, einen ROM 102, einen RAM 103 und einen nichtflüchtigen Speicher 104. Der Prozessor 101 steuert die gesamte Maschinenlernvorrichtung 100. Der ROM 102 steuert ein Systemprogramm und dergleichen. Der RAM 103 speichert temporäre Daten in jeder Verarbeitung für Maschinenlernen. Der nichtflüchtige Speicher 104 speichert ein Lernmodell und dergleichen. Die Maschinenlernvorrichtung 100 beobachtet jeden Informationspunkt (wie etwa Dimensionsdaten jedes Teils, das von dem Robotersystem 2 erfasst wird), der in der Lage ist, von der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 über die Schnittstelle 21 erfasst zu werden. Ferner veranlasst die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 die Anzeigevorrichtung 70, die Informationen zu der Zahnkontaktpositionseinstellungsmenge, die durch die Maschinenlernvorrichtung 100 geschätzt wurde, anzuzeigen. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 gibt die Information zur Zahnkontaktpositionseinstellungsmenge, die durch die Maschinenlernvorrichtung 100 geschätzt wurde, an das Robotersystem 2 aus. An interface 21 connects each part of the tooth contact position setting amount estimator 1 with the machine learning device 100 in the tooth contact position setting amount estimator 1 , The machine learning device 100 includes a processor 101 , a ROM 102 , a RAM 103 and a non-volatile memory 104 , The processor 101 controls the entire machine learning device 100 , The ROM 102 controls a system program and the like. The RAM 103 stores temporary data in every processing for machine learning. The non-volatile memory 104 stores a learning model and the like. The machine learning device 100 observes each information point (such as dimensional data of each part that is generated by the robot system 2 capable of being detected by the tooth contact position setting amount estimator 1 over the interface 21 to be captured. Furthermore, the tooth contact position adjustment amount estimator causes 1 the display device 70 , the information on the tooth contact position setting amount by the machine learning device 100 was estimated to display. The tooth contact position setting amount estimator 1 provides the tooth contact position setting amount information by the machine learning device 100 was estimated to the robot system 2 out.

3 ist ein schematisches Funktionsblockdiagramm der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 nach der ersten Ausführungsform. Die CPU 11 für die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 und den Prozessor 101 der Maschinenlernvorrichtung 100, die in 1 illustriert sind, bereitgestellt ist, führt jeweils die Systemprogramme aus, und steuert damit die Funktion jedes Teils, sodass jede Funktion eines Funktionsblocks wie in 3 illustriert, umgesetzt wurde. 3 Fig. 10 is a schematic functional block diagram of the tooth contact position setting amount estimator 1 according to the first embodiment. The CPU 11 for the tooth contact position adjustment amount estimator 1 and the processor 101 the machine learning device 100 , in the 1 are illustrated, each executes the system programs and thus controls the function of each part, so that each function of a function block as in FIG 3 was illustrated, implemented.

Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 umfasst eine Ausgabeeinheit 34 zur Ausgabe der Information zur Zahnkontaktpositionseinstellungsmenge, die durch die Maschinenlernvorrichtung 100 geschätzt wurde, nach außen. Die Ausgabeeinheit 34 kann das Schätzergebnis der Zahnkontaktpositionseinstellungsmengenausgabe beispielsweise von der Maschinenlernvorrichtung 100 an die Anzeigevorrichtung 70 ausgeben. Die Konfiguration wird verwendet, wenn der Arbeiter etwa die Anzahl der Scheiben, die zur Montage eines Leistungsübertragungsmechanismus in dem Robotersystem 2 verwendet werden, einstellen muss. Ferner kann die Ausgabeeinheit 34 kann das Schätzergebnis der Zahnkontaktpositionseinstellungsmengenausgabe beispielsweise von der Maschinenlernvorrichtung 100 an das Robotersystem 2 direkt ausgeben. Die Konfiguration wird verwendet, wenn der die Zahnkontakteinstellungsmengenschätzungsvorrichtung 1 die Anzahl der Scheiben, die zur Montage eines Leistungsübertragungsmechanismus in dem Robotersystem 2 über eine Kommunikationsleitung einstellt.The tooth contact position setting amount estimator 1 includes an output unit 34 for outputting the information on the tooth contact position setting amount by the machine learning device 100 was valued to the outside. The output unit 34 For example, the estimation result of the tooth contact position setting amount output from the machine learning device 100 to the display device 70 output. The configuration is used when the worker is about the number of disks required to assemble a power transmission mechanism in the robot system 2 must be used. Furthermore, the output unit 34 For example, the estimation result of the tooth contact position setting amount output from the machine learning device 100 to the robot system 2 spend directly. The configuration is used when the tooth contact adjustment amount estimation device 1 the number of disks used to assemble a power transmission mechanism in the robot system 2 via a communication line.

Andererseits führt die Maschinenlernvorrichtung 100, die für die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 bereitgestellt wurde, Maschinenlernen aus, um die Zahnkontaktpositionseinstellungsmenge für die Dimensionsdaten der Teile zu schätzen, die einen Leistungsübertragungsmechanismus darstellen, der durch das Robotersystem 2 montiert wurde. Die Maschinenlernvorrichtung 100 umfasst Software (wie etwa einen Lernalgorithmus) und Hardware (wie etwa den Prozessor 101) zur Ausführung von Maschinenlernen. Die Maschinenlernvorrichtung 100 lernt eine Modellstruktur, die eine Korrelation zwischen den Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, und der Zahnkontaktpositionseinstellungsmenge, anzeigt.On the other hand, the machine learning device guides 100 that for the tooth contact position setting amount estimator 1 has been provided, machine learning to estimate the tooth contact position setting amount for the dimensional data of the parts, which constitute a power transmission mechanism by the robot system 2 was assembled. The machine learning device 100 includes software (such as a learning algorithm) and hardware (such as the processor) 101 ) to carry out machine learning. The machine learning device 100 learns a model structure that indicates a correlation between the dimensional data of the parts constituting the power transmission mechanism and the tooth contact position setting amount.

Wie in 3 gezeigt, enthält die Maschinenlernvorrichtung 100 eine Zustandsbeobachtungseinheit 106, eine Labeldatenerfassungseinheit 108, eine Lerneinheit 110 und eine Schätzergebnisausgabeeinheit 122. Die Zustandsbeobachtungseinheit 106 beobachtet Teiledimensionsdaten S1, die die Dimensionen von Teilen, die einen Leistungsübertragungsmechanismus darstellen, der durch das Robotersystem 2 montiert wird, als eine Statusvariable S anzeigen, die einen aktuellen Zustand einer Umgebung anzeigt. Die Labeldatenerfassungseinheit 108 erfasst Labeldaten L einschließlich Zahnkontaktpositionseinstellungsmengendaten L1. Die Lerneinheit 110 assoziiert und lernt die Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, und die geschätzte Zahnkontaktpositionseinstellungsmenge durch Verwendung der Zustandsvariable S und der Labeldaten L.As in 3 shown includes the machine learning device 100 a condition monitoring unit 106 , a label data acquisition unit 108 , a learning unit 110 and an estimation result output unit 122 , The condition monitoring unit 106 observes part dimension data S1 that are the dimensions of parts that constitute a power transmission mechanism that is provided by the robotic system 2 mounted as a status variable S, which indicates a current state of an environment. The label data acquisition unit 108 acquires label data L including tooth contact position setting amount data L1 , The learning unit 110 associates and learns the dimensional data of the parts constituting the power transmission mechanism and the estimated tooth contact position setting amount by using the state variable S and the label data L.

Die Teiledimensionsdaten S1 in der Zustandsvariable S, die durch die Zustandsbeobachtungseinheit 106 beobachtet wird, sind Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, der von dem Robotersystem 2 erfasst wird. Wie in 4 illustriert, können die Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, als eine Matrix definiert werden, wobei die Dimensionsdaten der jeweiligen Teile Elemente sind. Die Dimensionen der Teile werden durch Verwendung einer 3D-Messvorrichtung oder dergleichen beobachtet, bevor die Teile dem Robotersystem 2 zugeführt werden. Die Dimensionen der Teile, die den Leistungsübertragungsmechanismus darstellen, können durch ein Bild jedes Teils gemessen werden, das zuvor durch eine Bildgebungsvorrichtung aufgenommen wird. Die gemessenen Dimensionsdaten der Teile werden in dem Speicher des Robotersystems 2 über ein Netzwerk oder eine externe Vorrichtung wie etwa eine USB-Vorrichtung gespeichert. Wenn das Robotersystem 2 mit einem Sensor versehen ist, wie etwa einer 3D-Messvorrichtung oder einer Bildgebungsvorrichtung, können die Dimensionsdaten jedes Teils gemessen werden, wenn das Teil dem Robotersystem 2 zugeführt wird.The part dimension data S1 in the state variable S by the state observation unit 106 Dimensional data of the parts that represent the power transmission mechanism that is observed by the robot system 2 is recorded. As in 4 As illustrated, the dimensional data of the parts constituting the power transmission mechanism can be defined as a matrix, the dimensional data of the respective parts being elements. The dimensions of the parts are observed by using a 3D measuring device or the like before the parts enter the robot system 2 be fed. The dimensions of the parts that constitute the power transmission mechanism can be measured by an image of each part that is previously captured by an imaging device. The measured dimensional data of the parts are stored in the memory of the robot system 2 over a network or an external device such as a USB device is stored. If the robot system 2 is provided with a sensor, such as a 3D measuring device or an imaging device, the dimensional data of each part can be measured when the part is connected to the robot system 2 is fed.

Die Labeldatenerfassungseinheit 108 erfasst als Einstellungsmengendaten L1 die Daten zur Zahnkontaktpositionseinstellungsmenge, die von dem Robotersystem 2 zum Zeitpunkt der Montage eines Leistungsübertragungsmechanismus während des Lernens erfasst werden. Die Labeldatenerfassungseinheit 108 kann als Einstellungsmengendaten L1 die Daten zu der Zahnkontaktpositionseinstellungsmenge erfassen, die durch den Arbeiter über die Eingabevorrichtung 71 eingegeben wird. Die Einstellungsmengendaten L1 können die Distanz zwischen einer Referenzposition für die Einstellung der Zahnkontaktposition und einen vorgegebenen Teil des Getriebes anzeigen. Ferner können die Einstellmengendaten L1 die Anzahl der eingesetzten Scheiben anzeigen. Mehrere Punkte der Einstellmengendaten L1 können von einem Leistungsübertragungsmechanismus erfasst werden. Beispielsweise erfasst im Fall des Leistungsübertragungsmechanismus, der in 6 illustriert ist, die Labeldatenerfassungseinheit 108 zwei Einstellmengen, einschließlich der Einstellmenge y1 an der Eingabeseite und die Einstellmenge y2 an der Ausgabeseite als die Einstellmengendaten L1. Die Labeldatenerfassungseinheit 108 wird zum Lernen verwendet. So ist die Labeldatenerfassungseinheit 108 möglicherweise nicht entscheidend für die Maschinenlernvorrichtung 100, wenn das Lernen abgeschlossen ist.The label data acquisition unit 108 recorded as setting amount data L1 the tooth contact position setting amount data from the robot system 2 be recorded at the time of assembling a power transmission mechanism during learning. The label data acquisition unit 108 can be used as setting amount data L1 collect the data on the tooth contact position setting amount by the worker via the input device 71 is entered. The setting amount data L1 can display the distance between a reference position for setting the tooth contact position and a predetermined part of the transmission. Furthermore, the set amount data L1 show the number of discs used. Several points in the setting quantity data L1 can be captured by a power transmission mechanism. For example, in the case of the power transmission mechanism included in 6 is illustrated, the label data acquisition unit 108 two setting amounts, including the setting amount y1 on the input side and the setting amount y2 on the output side as the set amount data L1 , The label data acquisition unit 108 is used for learning. So is the label data collection unit 108 may not be critical to the machine learning device 100 when the learning is complete.

Die Lerneinheit 110 lernt eine Korrelation zwischen der Zustandsvariable S (den Teildimensionsdaten S1, die die Dimensionen der Teile anzeigen, die den Leistungsübertragungsmechanismus darstellen) und den Labeldaten L (den Zahnkontaktpositionseinstellungsmengendaten L1) nach einem Lernalgorithmus. Beispielsweise lernt die Lerneinheit 110 eine Korrelation zwischen den Teiledimensionsdaten S1, die in der Zustandsvariable S enthalten sind, und den Einstellmengendaten L1, die in den Labeldaten L enthalten sind. Die Lerneinheit 110 führt wiederholt ein Lernen auf Grundlage einer Sammlung von Daten aus, die die Zustandsvariable S und die Labeldaten L umfassen. Die Lerneinheit 110 führt Maschinenlernen durch Verwendung der Einstellmengendaten L1, die durch die Labeldatenerfassungseinheit 108 erfasst wurden, und Teiledimensionsdaten S1 der Teile aus, die den Leistungsübertragungsmechanismus darstellen, der den Einstellmengendaten L1 entspricht.The learning unit 110 learns a correlation between the state variable S (the partial dimension data S1 showing the dimensions of the parts that constitute the power transmission mechanism) and the label data L (the tooth contact position setting amount data L1 ) according to a learning algorithm. For example, the learning unit learns 110 a correlation between the part dimension data S1 , which are contained in the state variable S and the setting quantity data L1 that in the label data L are included. The learning unit 110 repeatedly performs learning based on a collection of data that the state variable S and the label data L include. The learning unit 110 guides machine learning by using the setting amount data L1 by the label data acquisition unit 108 and part dimension data S1 of the parts that constitute the power transmission mechanism, the adjustment amount data L1 equivalent.

Die Lerneinheit 110 führt Maschinenlernen online mit dem Robotersystem 2 aus. Ferner kann die Lerneinheit 110 die Daten akkumuliert erfassen, wenn ein Leistungsübertragungsmechanismus durch das Robotersystem 2 über eine externe Vorrichtung, wie etwa eine USB Vorrichtung (nicht dargestellt) montiert wird. Das heißt, die Lerneinheit kann Lernen offline ausführen. In diesem Fall erfassen, wenn die Daten, die von der externen Vorrichtung erfasst werden (nicht dargestellt) etwa in dem nichtflüchtigen Speicher 14 gespeichert werden, die Zustandsbeobachtungseinheit 106 und die Labeldatenerfassungseinheit 108 die Zustandsvariable S bzw. die Labeldaten L, aus den gespeicherten Daten. Die Lerneinheit 110 führt Maschinenlernen auf Grundlage der erfassten Daten durch.The learning unit 110 conducts machine learning online with the robot system 2 out. Furthermore, the learning unit 110 collect the data accumulated when a power transmission mechanism through the robot system 2 via an external device such as a USB device (not shown). This means that the learning unit can carry out learning offline. In this case, capture when the data captured by the external device (not shown) is roughly in the non-volatile memory 14 be saved, the state observation unit 106 and the label data acquisition unit 108 the state variable S or the label data L , from the stored data. The learning unit 110 carries out machine learning on the basis of the recorded data.

Der Lernzyklus wird wiederholt, sodass die Lerneinheit 110 interpretiert automatisch eine Korrelation zwischen den Dimensionsdaten (den Teiledimensionsdaten S1) der Teile, die den Leistungsübertragungsmechanismus darstellen, und der Zahnkontaktpositionseinstellungsmenge (den Einstellmengendaten L1). Die Korrelation zwischen den Teiledimensionsdaten S1 und den Einstellmengendaten L1 ist zu Beginn des Lernalgorithmus im Wesentlichen unbekannt. Die Lerneinheit 110 interpretiert die Korrelation zwischen den Teiledimensionsdaten S1 und den Einstellmengendaten L1 schrittweise bei fortschreitendem Lernen. Infolgedessen erfasst die Lerneinheit 110 ein gelerntes Modell, das die Korrelation zwischen den Teiledimensionsdaten S1 und den Einstellmengendaten L1 erfasst.The learning cycle is repeated so that the learning unit 110 automatically interprets a correlation between the dimension data (the part dimension data S1 ) of the parts constituting the power transmission mechanism and the tooth contact position setting amount (the setting amount data L1 ). The correlation between the part dimension data S1 and the setting amount data L1 is essentially unknown at the beginning of the learning algorithm. The learning unit 110 interprets the correlation between the part dimension data S1 and the setting amount data L1 step by step as learning progresses. As a result, the learning unit captures 110 a learned model that shows the correlation between the part dimension data S1 and the setting amount data L1 detected.

Die Schätzergebnisausgabeeinheit 122 schätzt die Zahnkontaktpositionseinstellungsmenge auf Grundlage der Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, durch Verwendung des Ergebnisses (gelerntes Modell), das durch die Lerneinheit 110 gelernt wird. Die Schätzergebnisausgabeeinheit 122 gibt die geschätzte Zahnkontaktpositionseinstellungsmenge aus. Das Schätzergebnis der Zahnkontaktpositionseinstellungsmenge, die durch die Schätzergebnisausgabeeinheit 122 ausgegeben wird, wird durch die Ausgabeeinheit 34 an die Anzeigevorrichtung 70 ausgegeben, um darauf angezeigt zu werden. Der Arbeiter betätigt das Schätzergebnis, das an der Anzeigevorrichtung 70 angezeigt wird, und stellt die Zahnkontaktpositionseinstellungsmenge ein. Ferner kann die Ausgabeeinheit 34 kann das Schätzergebnis der Zahnkontaktpositionseinstellungsmenge, die von der Schätzergebnisausgabeeinheit 122 ausgegeben wurde, das Robotersystem 2 ausgeben. In diesem Fall bestimmt die Steuerung 2A des Robotersystems 2 die Anzahl der Scheiben, die für die Montage des Leistungsübertragungsmechanismus auf Grundlage des Eingabeschätzergebnisses der Zahnkontaktpositionseinstellungsmenge ausgegeben montiert wurde. Die Steuerung 2A des Robotersystems 2 gibt einen Steuerbefehl zur Montage einer bestimmten Anzahl von Scheiben an den Roboter 2B aus. Der Roboter 2B montiert den Leistungsübertragungsmechanismus in Reaktion auf den Steuerbefehl. Die Schätzergebnisausgabeeinheit 122 wird zur Schätzung der Zahnkontaktpositionseinstellungsmenge verwendet. So ist die Schätzergebnisausgabeeinheit 122 möglicherweise nicht wesentlich für die Maschinenlernvorrichtung 100, wenn nur die Lerneinheit 110 das Lernen ausführt.The estimation result output unit 122 estimates the tooth contact position setting amount based on the dimensional data of the parts constituting the power transmission mechanism by using the result (learned model) by the learning unit 110 is learned. The estimation result output unit 122 outputs the estimated tooth contact position setting amount. The estimation result of the tooth contact position setting amount by the estimation result output unit 122 is output by the output unit 34 to the display device 70 to be displayed on it. The worker operates the estimation result on the display device 70 is displayed and sets the tooth contact position setting amount. Furthermore, the output unit 34 may be the estimation result of the tooth contact position setting amount by the estimation result output unit 122 was issued, the robot system 2 output. In this case, the controller determines 2A of the robot system 2 the number of disks that have been assembled for assembling the power transmission mechanism based on the input estimation result of the tooth contact position setting amount. The control 2A of the robot system 2 gives a control command to mount a certain number of panes on the robot 2 B out. The robot 2 B assembles the power transmission mechanism in response to the control command. The estimation result output unit 122 is used to estimate the tooth contact position setting amount. So is the estimation result output unit 122 may not be essential to the machine learning device 100 if only the learning unit 110 does the learning.

Der Lernalgorithmus, der durch die Lerneinheit 110 ausgeführt wurde, ist nicht speziell eingeschränkt, und ein bekannter Lernalgorithmus wird zum Maschinenlernen eingesetzt. 5 illustriert eine zweite Ausführungsform der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1, die in 3 illustriert ist. Die Lerneinheit 110 führt Lernen durch Verwendung eines überwachten Lernalgorithmus durch. In dem überwachten Lernen wird ein bekannter Datensatz (als Lehrdaten bezeichnet), der eine Eingabe und eine Ausgabe, die der Eingabe entspricht, an die Lerneinheit 110 ausgegeben. Die Lehrdaten sind beispielsweise ein Datensatz mit Dimensionsdaten (Eingabe) jedes der Teile, die in der Vergangenheit erfasst wurden, und Daten (Ausgabe), die die Zahnkontaktpositionseinstellungsmenge anzeigen, die für jeden Posten der Dimensionsdaten eingestellt wurde. Die Lerneinheit 110 identifiziert die Eigenschaften, die eine Korrelation zwischen der Eingabe und der Ausgabe der Lehrdaten anzeigt. Dadurch leitet die Lerneinheit 110 ein Korrelationsmodell ab, um eine Ausgabe für eine neue Eingabe zu schätzen.The learning algorithm by the learning unit 110 is not particularly limited, and a known learning algorithm is used for machine learning. 5 illustrates a second embodiment of the tooth contact position adjustment amount estimator 1 , in the 3 is illustrated. The learning unit 110 performs learning using a supervised learning algorithm. In the supervised learning, a known data set (referred to as teaching data), which has an input and an output corresponding to the input, is sent to the learning unit 110 output. The teaching data is, for example, a data set with dimension data (input) of each of the parts that have been acquired in the past and data (output) indicating the tooth contact position setting amount that has been set for each item of the dimension data. The learning unit 110 identifies the properties that indicate a correlation between the input and output of the teaching data. This leads the lesson 110 a correlation model to estimate output for a new input.

Die Lerneinheit 110 umfasst eine Fehlerberechnungseinheit 112 und eine Modellupdateeinheit 114. Die Fehlerberechnungseinheit 112 berechnet einen Fehler E zwischen einem Korrelationsmodell M zum Schätzen der Zahnkontaktpositionseinstellungsmenge und einer Korrelationseigenschaft, die durch die Lehrdaten T identifiziert wird. Die Modellupdateeinheit 114 aktualisiert das Korrelationsmodell M zum Verringern des Fehlers E. Die Modellupdateeinheit 114 in der Lerneinheit 110 aktualisiert damit wiederholt das Korrelationsmodell M, um die Schätzung der Zahnkontaktpositionseinstellungsmenge zu lernen. Das heißt, die Lerneinheit 110 führt damit Maschinenlernen aus, um das Korrelationsmodell M abzuleiten, um die Korrelation zwischen den Teiledimensionsdaten und der optimalen Zahnkontaktpositionseinstellungsmenge für die Teiledimensionsdaten anzuzeigen.The learning unit 110 comprises an error calculation unit 112 and a model update unit 114 , The error calculation unit 112 calculates an error e between a correlation model M for estimating the tooth contact position setting amount and a correlation property by the teaching data T is identified. The model update device 114 updates the correlation model M to reduce the error e , The model update device 114 in the lesson 110 repeatedly updates the correlation model M to learn the estimation of the tooth contact position setting amount. That is, the learning unit 110 thus executes machine learning to the correlation model M derived to display the correlation between the part dimension data and the optimal tooth contact position setting amount for the part dimension data.

Beispielsweise wird die Korrelation zwischen der Zustandsvariable S und den Labeldaten L zu Beginn des Lernens vereinfacht (beispielsweise durch eine lineare Funktion) und als Korrelationsmodell M ausgedrückt. Das vereinfachte Korrelationsmodell M wird an die Lerneinheit 110 gegeben, bevor das überwachte Lernen beginnt. Nach dieser Ausführungsform werden die Teiledimensionsdaten des Leistungsübertragungsmechanismus, die in der Vergangenheit erfasst wurden, und die Daten zu der Zahnkontaktpositionseinstellungsmenge für die Lehrdaten T verwendet. Wenn die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 bedient wird, werden die Lehrdaten T regelmäßig an die Lerneinheit 110 gegeben. Die Fehlerberechnungseinheit 112 identifiziert die Korrelationseigenschaften, die die Korrelation zwischen den Teiledimensionsdaten des Leistungsübertragungsmechanismus und der Zahnkontaktpositionseinstellungsmenge anzeigen, durch die Lehrdaten T, die an die Lerneinheit 110 gegeben werden. Die Fehlerberechnungseinheit 112 findet den Fehler E zwischen der identifizierten Korrelationseigenschaft und dem Korrelationsmodell M, das der Zustandsvariable S entspricht, und den Labeldaten L im aktuellen Zustand. Die Modellupdateeinheit 114 aktualisiert das Korrelationsmodell M zum Verringern des Fehlers E etwa nach einer vorgegebenen Updateregel.For example, the correlation between the state variable S and the label data L simplified at the beginning of learning (e.g. by a linear function) and as a correlation model M expressed. The simplified correlation model M is sent to the learning unit 110 given before supervised learning begins. According to this embodiment, the power transmission mechanism part dimension data acquired in the past and the tooth contact position setting amount data for the teaching data T used. When the tooth contact position setting amount estimator 1 is operated, the teaching data T regularly to the learning unit 110 given. The error calculation unit 112 identifies the correlation properties indicating the correlation between the part dimension data of the power transmission mechanism and the tooth contact position setting amount by the teaching data T to the lesson 110 are given. The error calculation unit 112 finds the error e between the identified correlation property and the correlation model M , which corresponds to the state variable S, and the label data L in the current state. The model update device 114 updates the correlation model M to reduce the error E, for example, according to a predetermined update rule.

In dem nächsten Lernzyklus schätzt die Fehlerberechnungseinheit 112 die Zahnkontaktpositionseinstellungsmenge durch Verwendung der Zustandsvariable S nach dem aktualisierten Korrelationsmodell M. Die Fehlerberechnungseinheit 112 findet den Fehler E zwischen dem Schätzergebnis der Zahnkontaktpositionseinstellungsmenge und den tatsächlich erfassten Labeldaten L. Die Modellupdateeinheit 114 aktualisiert das Korrelationsmodell M, um den Fehler erneut zu verringern. So wird die unbekannte Korrelation zwischen dem aktuellen Zustand der Umgebung und der Schätzung dafür schrittweise klar. Das heißt, die Korrelation zwischen den Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, und die Zahnkontaktpositionseinstellungsmengendaten für die Dimensionsdaten wird schrittweise klar.In the next learning cycle, the error calculation unit estimates 112 the tooth contact position setting amount by using the state variable S according to the updated correlation model M , The error calculation unit 112 finds the error e between the estimation result of the tooth contact position setting amount and the label data actually acquired L , The model update device 114 updates the correlation model M to reduce the error again. In this way, the unknown correlation between the current state of the environment and the estimate for it gradually becomes clear. That is, the correlation between the dimensional data of the parts constituting the power transmission mechanism and the tooth contact position setting amount data for the dimensional data gradually becomes clear.

Die Lerneinheit 110 kann ein neurales Netz zum Durchführen des überwachten Lernens verwenden. Ein neurales Netz, das die drei Schichten Eingabeschicht, Mittelschicht und Ausgabeschicht umfasst, kann beispielsweise als neurales Netz verwendet werden. Ferner kann die Lerneinheit 110 Lernen unter Verwendung eines neuralen Netzes mit drei oder mehr Schichten oder Tiefenlernen ausführen. Die Lerneinheit 110 kann effektiveres Lernen und Schätzung durch Verwendung von Tiefenlernen ausführen.The learning unit 110 can use a neural network to perform supervised learning. A neural network, which comprises the three layers input layer, middle layer and output layer, can for example be used as a neural network. Furthermore, the learning unit 110 Carry out learning using a neural network with three or more layers or deep learning. The learning unit 110 can perform more effective learning and estimation by using deep learning.

Eine Konfiguration der Maschineniernvorrichtung 100 kann als ein Maschinenlernverfahren (oder Software) beschrieben werden, das durch den Prozessor 101 ausgeführt wird. Das Maschinenlernverfahren ist das Lernen der Schätzung der Zahnkontaktpositionseinstellungsmenge aus den Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, der durch das Robotersystem 2 montiert wird, und der Prozessor 101 führt in dem Maschinenlernverfahren, einen Schritt der Beobachtung der Dimensionsdaten (Teiledimensionsdaten S1) der Teile aus, die den Leistungsübertragungsmechanismus, der durch das Robotersystem 2 montiert wurde, als eine Zustandsvariable S darstellen, die einen aktuellen Zustand anzeigt, einen Schritt der Erfassung der Zahnkontaktpositionseinstellungsmenge (Einstellmengendaten L1) als Labeldaten L, und einen Schritt des Assoziierens und Lernens der Dimensionsdaten der Teile, die den Leistungsübertragungsmechanismus darstellen, der durch das Robotersystem 2 und die Zahnkontaktpositionseinstellungsmenge montiert wird, indem die Zustandsvariable S und die Labeldaten L verwendet werden.A configuration of the machine kidney device 100 can be described as a machine learning process (or software) developed by the processor 101 is performed. The machine learning method is learning the estimation of the tooth contact position setting amount from the dimensional data of the parts that represent the power transmission mechanism by the robot system 2 is mounted, and the processor 101 leads in the machine learning process, a step of observing the dimension data (part dimension data S1 ) of the parts that make up the power transmission mechanism by the robotic system 2 was mounted as a state variable S representing a current state, a step of acquiring the tooth contact position setting amount (setting amount data L1 ) as label data L , and a step of associating and learning the dimensional data of the parts constituting the power transmission mechanism by the robot system 2 and the tooth contact position setting amount is assembled by the state variable S and the label data L be used.

In dritten bis fünften Ausführungsformen, die nachfolgend beschrieben sind, wird der Fall beschrieben, an dem die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 nach den ersten und zweiten Ausführungsformen als ein Teil eines Systems umgesetzt wird, in dem die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 über ein verkabeltes/drahtloses Netzwerk mit mehreren Vorrichtungen verbunden ist, wie etwa mit einem Cloudserver, einem Hostcomputer, einem Fogcomputer und einem Edgecomputer (Robotersteuerung, Steuerung und so weiter). Wie beispielhaft in 7 dargestellt, sind in den folgenden dritten bis fünften Ausführungsformen je mehrere Vorrichtungen konfiguriert, logisch in drei Lagen unterteilt zu sein, das heißt eine Lage, die einen Cloudserver 6 und so weiter enthält, eine Lage, die Fogcomputer 7 und so weiter enthält, und eine Lage, die Edgecomputer 8 (Robotersteuerung, die in einer Zelle 9 enthalten sind, Steuerung und so weiter) enthält, und so weiter, wobei jede der mehreren Vorrichtungen mit dem Netzwerk verbunden ist. In dem oben beschriebenen System kann die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 auf jedem aus Cloudserver 6, den Fogcomputern 7 und den Edgecomputern 8 umgesetzt werden. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 kann Lerndaten, die bei der Verarbeitung bezüglich Maschinenlernen verwendet werden, unter den mehreren Vorrichtungen über das Netzwerk teilen und beispielsweise verteiltes Lernen ausführen. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 kann das erzeugte Lernmodell in den Fogcomputern 7 oder dem Cloudserver 6 für Analyse im großen Umfang sammeln. Weiter kann die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 gegenseitig das erzeugte Lernmodell wiederverwenden. In einem System, das beispielhaft in 7 dargestellt ist, werden mehrere Zellen 9 für jede Fabrik an zahlreichen Orten bereitgestellt. Die Fogcomputer 7, die die obere Schicht der Zelle 9 darstellen, verwalten die jeweiligen Zellen 9 in vorgegebenen Einheiten (wie etwa pro Fabrik oder durch mehrere Fabriken desselben Herstellers). Der Cloudserver 6, der die obere Schicht des Fogcomputers 7 darstellt, erfasst und analysiert dann die Daten, die durch diese Fogcomputer 7 erfasst und analysiert wurden. Die durch die Analyse entstehenden Informationen können verwendet werden, um jeden Edgecomputer zu steuern und so weiter.In third to fifth embodiments described below, the case where the tooth contact position setting amount estimating device is described 1 according to the first and second embodiments is implemented as part of a system in which the tooth contact position setting amount estimator 1 is connected to multiple devices via a wired / wireless network, such as a cloud server, a host computer, a fog computer, and an edge computer (robot controller, controller, and so on). As exemplified in 7 shown, in the following third to fifth embodiments, a plurality of devices are configured to be logically divided into three layers, that is to say one layer containing a cloud server 6 and so on, contains a location that Fogcomputer 7 and so on, and a location containing edge computers 8th (Robot control in a cell 9 control, and so on), and so on, each of the plurality of devices connected to the network. In the system described above, the tooth contact position adjustment amount estimator can 1 on everyone from cloudserver 6 , the fog computers 7 and the edge computers 8th be implemented. The tooth contact position setting amount estimator 1 can share learning data used in machine learning processing among the multiple devices over the network, and can perform distributed learning, for example. The tooth contact position setting amount estimator 1 can the generated learning model in the fog computers 7 or the cloud server 6 collect for analysis on a large scale. Further, the tooth contact position adjustment amount estimator can 1 mutually reuse the generated learning model. In a system that is exemplary in 7 is shown, multiple cells 9 provided in numerous locations for each factory. The fog computers 7 that are the top layer of the cell 9 represent, manage the respective cells 9 in predetermined units (such as per factory or through multiple factories of the same manufacturer). The cloud server 6 which is the top layer of the fog computer 7 represents, then captures and analyzes the data generated by these fog computers 7 were recorded and analyzed. The information generated by the analysis can be used to control each edge computer and so on.

8 illustriert ein schematisches Hardwarekonfigurationsdiagramm einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1, die auf einem Computer wie einem Cloudserver, einem Fogcomputer und so weiter umgesetzt ist. 8th FIG. 4 illustrates a schematic hardware configuration diagram of a tooth contact position adjustment amount estimator 1 that is implemented on a computer such as a cloud server, a fog computer and so on.

Eine zentrale Prozessoreinheit (CPU) 311, die für die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' bereitgestellt wurde, die auf einem Computer nach der Ausführungsform umgesetzt ist, ist ein Prozessor für die vollständige Steuerung der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1'. Die CPU 311 liest ein Systemprogramm, das in einem reinen Lesespeicher (ROM) 312 gespeichert ist, um einen Bus 320 aus. Die CPU 311 steuert die gesamte Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 nach dem Systemprogramm. Temporäre Berechnungsdaten oder Anzeigedaten oder verschiedene Datenpunkte, die durch einen Arbeiter über eine Eingabevorrichtung 371 eingegeben werden, werden temporär in einem Direktzugriffsspeicher (RAM) 313 gespeichert.A central processor unit (CPU) 311 that for the tooth contact position setting amount estimator 1' which is implemented on a computer according to the embodiment is a processor for full control of the tooth contact position setting amount estimator 1' , The CPU 311 reads a system program that is stored in a read-only memory (ROM) 312 is saved to a bus 320 out. The CPU 311 controls the entire tooth contact position setting amount estimator 1 according to the system program. Temporary calculation data or display data or various data points created by a worker via an input device 371 entered, are temporarily stored in a random access memory (RAM) 313 saved.

Ein nichtflüchtiger Speicher 314 wird beispielsweise durch eine Batterie gestützt (nicht dargestellt). Der nichtflüchtige Speicher 314 ist ein Speicher, in dem gespeicherte Zustände erhalten bleiben, auch, wenn die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 ausgeschaltet wird. Der nichtflüchtige Speicher 314 speichert die Programme, die über die Eingabevorrichtung 371 eingegeben wurden. Der nichtflüchtige Speicher 314 speichert verschiedene Datenpunkte, die von dem Robotersystem 2 und dergleichen über jeden Teil der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' oder ein Netzwerk 5 erfasst wurden. Die Programme oder die verschiedenen Datenpunkte der Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können bei Ausführung/Verwendung in den RAM 313 geladen werden. Ferner werden verschiedene Systemprogramme, wie etwa ein bekanntes Analyseprogramm (einschließlich eines Systemprogramms zur Steuerung der Kommunikation mit einer Maschinenlernvorrichtung 100, die nachfolgend beschrieben wird) zuvor in den ROM 312 geschrieben.A non-volatile memory 314 is supported, for example, by a battery (not shown). The non-volatile memory 314 is a memory in which stored states are maintained even when the tooth contact position setting amount estimator 1 is turned off. The non-volatile memory 314 stores the programs through the input device 371 have been entered. The non-volatile memory 314 stores various data points from the robot system 2 and the like about each part of the tooth contact position setting amount estimator 1' or a network 5 were recorded. The programs or the various data points of the data stored in the non-volatile memory 14 can be stored in RAM when executed / used 313 Loading. Various system programs such as a known analysis program (including a system program for controlling communication with a machine learning device 100 , which will be described below) previously in the ROM 312 written.

Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' ist mit einem verkabelten/drahtlosen Netzwerk 5 über eine Schnittstelle 319 verbunden. Mindestens ein Robotersystem 2, eine andere Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1, ein Edgecomputer 8, ein Fogcomputer 7, ein Cloudserver 6 und so weiter sind mit dem Netzwerk 5 verbunden. Diese Vorrichtungen, die mit dem Netzwerk 5 verbunden sind, tauschen gegenseitige Daten mit der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' aus.The tooth contact position setting amount estimator 1' is with a wired / wireless network 5 via an interface 319 connected. At least one robot system 2 , another tooth contact position setting amount estimator 1 , an edge computer 8th , a fog computer 7 , a cloud server 6 and so on with the network 5 connected. These devices that are connected to the network 5 are connected, exchange mutual data with the tooth contact position setting amount estimator 1' out.

Eine Anzeigevorrichtung 370 zeigt darauf jeden Datenpunkt an, der in den Speicher gelesen wurde, oder alle Daten, die aufgrund eines ausgeführten Programms oder dergleichen erfasst wurden, die über eine Schnittstelle 317 ausgegeben werden. Die Eingabevorrichtung 371 ist konfiguriert von einer Tastatur oder eine Zeigevorrichtung. Die Eingabevorrichtung 371 gibt Befehle auf Grundlage der Operationen des Arbeiters, Daten und dergleichen über eine Schnittstelle 318 an die CPU 311 weiter.A display device 370 then displays each data point that has been read into memory or all data that has been acquired due to an executed program or the like, via an interface 317 be issued. The input device 371 is configured from a keyboard or a pointing device. The input device 371 gives commands based on the operations of the worker, data and the like via an interface 318 to the CPU 311 further.

Eine Schnittstelle 321 ist eine Schnittstelle, die jeden Teil der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' mit der Maschinenlernvorrichtung 100 verbindet. Die Maschinenlernvorrichtung 100 weist dieselbe Konfiguration auf wie in 1 beschrieben.An interface 321 is an interface that each part of the tooth contact position setting amount estimator 1' with the machine learning device 100 combines. The machine learning device 100 has the same configuration as in 1 described.

Wie oben beschrieben, sind in einem Fall, in dem die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' auf einem Computer wie einem Cloudserver und einem Fogcomputer umgesetzt ist, Funktionen, die mit der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' bereitgestellt sind, gleich, wie die Funktionen, die in den ersten und zweiten Ausführungsformen beschrieben sind, außer, dass Informationen aus dem Robotersystem 2 und Befehle zum Einstellen einer Zahnkontaktpositionseinstellmenge an das Robotersystem über ein Netzwerk 5 ausgetauscht werden.As described above, in a case where the tooth contact position setting amount estimator is 1' on a computer such as a cloud server and a fog computer, functions using the tooth contact position setting amount estimator 1' are provided, same as the functions described in the first and second embodiments, except that information from the robot system 2 and commands for setting a tooth contact position setting amount to the robot system via a network 5 be replaced.

9 ist ein schematisches Hardwarekonfigurationsdiagramm nach der dritten Ausführungsform, das ein Zahnkontaktpositionseinstellmengenschätzsystem illustriert, das mit der Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' versehen ist. Ein Zahnkontaktpositionseinstellmengenschätzsystem 500 ist mit mehreren Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1, 1', mehreren Robotersystemen 2 und einem Netzwerk 5 versehen, das die mehreren Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1, 1' und die mehreren Robotersysteme 2 verbindet. 9 FIG. 12 is a schematic hardware configuration diagram according to the third embodiment, illustrating a tooth contact position setting amount estimation system that is provided with the tooth contact position setting amount estimating device 1' is provided. A tooth contact position adjustment amount estimation system 500 is with multiple tooth contact position adjustment amount estimators 1 . 1' , several robot systems 2 and a network 5 provided that the plurality of tooth contact position setting amount estimators 1 . 1' and the multiple robot systems 2 combines.

In dem Zahnkontaktpositionseinstellmengenschätzsystem 500, schätzt die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1', die mit einer Maschinenlernvorrichtung 100 ausgestattet ist, die Zahnkontaktpositionseinstellmenge bei der Montage eines Leistungsübertragungsmechanismus durch das Robotersystem 2 unter Verwendung eines Lernergebnisses durch die Lerneinheit 110. Mindestens eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' lernt die Zahnkontaktpositionseinstellmenge, die allen Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1, 1' gemeinsam ist, bei der Montage eines Leistungsübertragungsmechanismus durch das Robotersystem 2 auf Grundlage einer Zustandsvariablen und Labeldaten, die durch jede der mehreren anderen Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1, 1' erfasst werden. Die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' ist konfiguriert, das Lernergebnis unter allen der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1, 1' zu teilen. Daher kann nach dem Zahnkontaktpositionseinstellmengenschätzsystem 500 die Geschwindigkeit und Zuverlässigkeit des Lernsystems unter Verwendung einer verschiedenen Erfassung von Daten (einschließlich der Zustandsvariablen S und Labeldaten L) als Eingabe verbessert werden.In the tooth contact position setting amount estimation system 500 , estimates the tooth contact position setting amount estimator 1' using a machine learning device 100 is the tooth contact position setting amount when assembling a power transmission mechanism by the robot system 2 using a learning outcome by the learning unit 110 , At least one tooth contact position adjustment amount estimator 1' learns the tooth contact position setting amount that all tooth contact position setting amount estimators 1 . 1' is common in the assembly of a power transmission mechanism by the robot system 2 based on a state variable and label data generated by each of the several other tooth contact position adjustment amount estimators 1 . 1' be recorded. The tooth contact position setting amount estimator 1' is configured, the learning result among all of the tooth contact position setting amount estimators 1 . 1' to share. Therefore, according to the tooth contact position setting amount estimation system 500 the speed and reliability of the learning system using a variety of data acquisition (including the state variables S and label data L ) can be improved as input.

10 ist ein schematisches Konfigurationsdiagramm nach der vierten Ausführungsform, das ein System illustriert, in dem eine Maschinenlernvorrichtung und eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung auf verschiedenen Vorrichtungen umgesetzt sind. Ein Zahnkontaktpositionseinstellmengenschätzsystem 500' umfasst mindestens eine Maschinenlernvorrichtung 100, die auf einem Teil eines Computers umgesetzt ist, wie etwa einem Cloudserver, einem Hostcomputer, einem Fogcomputer und so weiter (10 illustriert ein Beispiel einer Maschinenlernvorrichtung 100, die als ein Teil eines Fogcomputers 7 umgesetzt ist) und mehrere Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1". Ferner ist das Zahnkontaktpositionseinstellmengenschätzsystem 500' mit einem Netzwerk 5 versehen, das die mehreren Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1" und einen Computer verbindet. Die Hardwarekonfiguration des Computers ist dieselbe wie die schematische Hardwarekonfiguration der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1' wie in 8 beschrieben, bei denen Hardware wie eine CPU 311, ein RAM 313 und ein nichtflüchtiger Speicher 314, die für einen allgemeinen Computer bereitgestellt sind, miteinander über einen Bus 320 verbunden sind. 10 12 is a schematic configuration diagram according to the fourth embodiment, illustrating a system in which a machine learning device and a tooth contact position setting amount estimating device are implemented on different devices. A tooth contact position adjustment amount estimation system 500 ' comprises at least one machine learning device 100 implemented on part of a computer, such as a cloud server, a host computer, a fog computer, and so on ( 10 illustrates an example of a machine learning device 100 that as part of a fog computer 7 is implemented) and a plurality of tooth contact position setting amount estimators 1" , Furthermore, the tooth contact position adjustment amount estimation system 500 ' with a network 5 provided that the plurality of tooth contact position setting amount estimators 1" and connects a computer. The hardware configuration of the computer is the same as the schematic hardware configuration of the tooth contact position setting amount estimators 1' as in 8th described where hardware is like a CPU 311 , a RAM 313 and a non-volatile memory 314 provided for a general computer are connected to each other via a bus 320 are connected.

In dem oben strukturierten Zahnkontaktpositionseinstellmengenschätzsystem 500', lernt die Maschinenlernvorrichtung 100 des Zahnkontaktpositionseinstellmengenschätzsystems 500' auf Grundalge der Zustandsvariable S und der Labeldaten L, die für jede der mehreren Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1" erfasst wurde, die Zahnkontaktpositionseinstellmenge, die allen Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1" gemein ist, bei der Montage eines Leistungsübertragungsmechanismus durch das Robotersystem 2. Das Zahnkontaktpositionseinstellmengenschätzsystem 500' kann unter Verwendung des Lernergebnisses die Zahnkontaktpositionseinstellmenge bei der Montage eines Leistungsübertragungsmechanismus durch das Robotersystem 2 anpassen. Nach dem Zahnkontaktpositionseinstellmengenschätzsystem 500' kann bezüglich der Ausführungsform jede der erforderlichen Anzahl von Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1" unabhängig von einem bestehenden Ort oder einer Zeit bei Bedarf mit der Maschinenlernvorrichtung 100 verbunden werden.In the tooth contact position setting amount estimation system structured above 500 ' , learns the machine learning device 100 the tooth contact position setting amount estimation system 500 ' based on the state variable S and the label data L for each of the plurality of tooth contact position setting amount estimators 1" was detected, the tooth contact position setting amount that all tooth contact position setting amount estimators 1" is common when assembling a Power transmission mechanism through the robot system 2 , The tooth contact position adjustment amount estimation system 500 ' can, using the learning result, the tooth contact position setting amount when assembling a power transmission mechanism by the robot system 2 to adjust. According to the tooth contact position setting amount estimation system 500 ' may, in the embodiment, any of the required number of tooth contact position adjustment amount estimators 1" regardless of an existing location or time when needed with the machine learning device 100 get connected.

11 ist ein schematisches Konfigurationsdiagramm nach der fünften Ausführungsform, das ein Zahnkontaktpositionseinstellmengenschätzsystem 500" illustriert, das mit einer Maschinenlernvorrichtung 100' und einer Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1' versehen ist. Ein Zahnkontaktpositionseinstellmengenschätzsystem 500" ist mit mindestens einer Maschinenlernvorrichtung 100, die an einem Computer wie einem Edgecomputer, einem Fogcomputer, Hostcomputer und einem Cloudserver (11 illustriert ein Beispiel einer Maschinenlernvorrichtung 100, die als ein Teil eines Fogcomputers 7 umgesetzt ist) umgesetzt ist, und mehreren Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 versehen. Ferner ist das Zahnkontaktpositionseinstellmengenschätzsystem 500" mit einem verkabelten/drahtlosen Netzwerk 5 versehen, das die Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 und den Computer verbindet. In dem oben strukturierten Zahnkontaktpositionseinstellmengenschätzsystem 500" erfasst der mit der Maschinenlernvorrichtung 100' versehene Fogcomputer 7 von jeder der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 Lernmodelle, die als Ergebnis des Maschinenlernens durch die Maschinenlernvorrichtung 100', die in den Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 enthalten ist, erfasst wurde. Die Maschinenlernvorrichtung 100', die in dem Fogcomputer 7 enthalten ist, optimiert dann das Wissen und führt die Verarbeitung zum Verbessern der Effizienz basierend auf den mehreren dieser Lernmodelle durch, um neue optimierte, effizienzverbesserte Lernmodelle zu erzeugen. Die Maschinenlernvorrichtung 100' verteilt die erzeugen Lernmodells auf jede der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1. 11 FIG. 10 is a schematic configuration diagram according to the fifth embodiment, which is a tooth contact position setting amount estimation system 500 ' illustrates that with a machine learning device 100 ' and a tooth contact position adjustment amount estimator 1' is provided. A tooth contact position adjustment amount estimation system 500 ' is with at least one machine learning device 100 connected to a computer such as an edge computer, a fog computer, host computer and a cloud server ( 11 illustrates an example of a machine learning device 100 that as part of a fog computer 7 is implemented) and a plurality of tooth contact position setting amount estimators 1 Mistake. Furthermore, the tooth contact position adjustment amount estimation system 500 ' with a wired / wireless network 5 provided that the tooth contact position setting amount estimators 1 and connects the computer. In the tooth contact position setting amount estimation system structured above 500 ' captured with the machine learning device 100 ' provided fog computers 7 of each of the tooth contact position adjustment amount estimators 1 Learning models as a result of machine learning through the machine learning device 100 ' that in the tooth contact position setting amount estimators 1 is included. The machine learning device 100 ' that in the fogcomputer 7 is included, then optimizes the knowledge and performs the efficiency improvement processing based on the multiple of these learning models to generate new optimized, efficiency-improved learning models. The machine learning device 100 ' distributes the generated learning model to each of the tooth contact position setting amount estimators 1 ,

Ein Beispiel der Optimierung oder Effizienzverbesserung der Lernmodelle, die durch die Maschinenlernvorrichtung 100' durchgeführt werden, ist die Erzeugung eines destillierten Modells basierend auf mehreren Lernmodellen, die von jeder der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 erfasst werden. Die Maschinenlernvorrichtung 100' nach der vorliegenden Ausführungsform Eingabedaten, die in die Lernmodelle eingegeben werden sollen, und lernt dann durch Verwendung einer Ausgabe, die als ein Ergebnis der Eingabe der Eingabedaten in jedes Lernmodell erfasst werden, wodurch ein neues Lernmodell erzeugt wird (destilliertes Modell). Wie oben beschrieben, wird das so erzeugte destillierte Modell an ein externes Speichermedium verteilt, oder über ein Netzwerk an die Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 und anderen Computer verteilt und genutzt.An example of the optimization or efficiency improvement of the learning models by the machine learning device 100 ' is to create a distilled model based on multiple learning models from each of the tooth contact position adjustment amount estimators 1 be recorded. The machine learning device 100 ' according to the present embodiment, input data to be input into the learning models, and then learns by using an output acquired as a result of inputting the input data into each learning model, thereby creating a new learning model (distilled model). As described above, the distilled model thus generated is distributed to an external storage medium, or to the tooth contact position setting amount estimators via a network 1 and other computers distributed and used.

Ein weiteres Beispiel der Optimierung oder Effizienzverbesserung der Lernmodelle, die durch die Maschinenlernvorrichtung 100' durchgeführt werden, kann wie folgt sein. Zuerst wird im Verlauf des Durchführens der Destillation auf mehrere Lernmodelle, die von jeder der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 erfasst wurden, eine Ausgabedatenverteilung jedes Lernmodells für Eingabedaten durch einen allgemeinen statistischen Plan analysiert. Als nächstes werden Ausreißer aus Sätzen von Eingabedaten und Ausgabedaten extrahiert. Als nächstes erfolgt die Destillierung durch Verwendung von Sätzen von Eingabedaten und Ausgabedaten mit Ausnahme der Ausreißer. Indem dieser Kurs angewendet wird, werden außergewöhnliche Schätzergebnisse aus den Sätzen der Eingabedaten und Ausgabedaten ausgeschlossen, die aus jedem Lernmodell erfasst werden. Namentlich kann ein destilliertes Modell durch Verwendung von Sätzen von Eingabedaten und Ausgabedaten unter Ausschluss der außergewöhnlichen Schätzergebnisse erzeugt werden. Ein destilliertes Modell, das in dieser Weise erzeugt wird, kann allgemeiner verwendet werden, als ein Lernmodell, das in mehreren der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 erzeugt wird.Another example of the optimization or efficiency improvement of the learning models by the machine learning device 100 ' can be done as follows. First, in the course of performing the distillation, several learning models are used by each of the tooth contact position setting amount estimators 1 an output data distribution of each learning model for input data was analyzed by a general statistical plan. Next, outliers are extracted from sets of input data and output data. Next, distillation is done using sets of input and output data with the exception of the outliers. By applying this course, exceptional estimation results are excluded from the sets of input and output data that are gathered from each learning model. In particular, a distilled model can be created using sets of input data and output data to the exclusion of the extraordinary estimation results. A distilled model generated in this way can be used more generally than a learning model used in several of the tooth contact position adjustment amount estimators 1 is produced.

Es ist zu beachten, dass jedes der anderen allgemeine Pläne der Optimierung oder Effizienzverbesserung der Lernmodelle (wie etwa die Analyse jedes Lernmodells und die Optimierung eines Hyperparameters der Lernmodelle basierend auf dem Analyseergebnis) wie angemessen eingeführt werden können.It should be noted that any of the other general plans for optimizing or improving efficiency of the learning models (such as analyzing each learning model and optimizing a hyperparameter of the learning models based on the analysis result) can be implemented as appropriate.

In dem Zahnkontaktpositionseinstellmengenschätzsystem 500" nach der vorliegenden Ausführungsform ist die Maschinenlernvorrichtung 100' auf einem Fogcomputer 7 angeordnet, der für mehrere der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 als Edgecomputer installiert ist. Lernmodelle, die durch die Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 erzeugt werden, werden kollektiv auf dem Fogcomputer 7 gespeichert. Die Optimierung und Verbesserung der Effizienz erfolgen basierend auf den mehreren gespeicherten Lernmodellen. Dann können die optimierten, effizienzverbesserten Lernmodelle nach Bedarf an jede der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 umverteilt werden.In the tooth contact position setting amount estimation system 500 ' according to the present embodiment, the machine learning device 100 ' on a fog computer 7 arranged for several of the tooth contact position setting amount estimators 1 installed as edge computer. Learning models by the tooth contact position setting amount estimators 1 are generated collectively on the fog computer 7 saved. Efficiency is optimized and improved based on the multiple saved learning models. Then, the optimized, efficiency-improved learning models can be applied to each of the tooth contact position setting amount estimators as needed 1 be redistributed.

Außerdem können in dem Zahnkontaktpositionseinstellmengenschätzsystem 500" nach dieser Ausführungsform beispielsweise Lernmodelle, die kollektiv auf dem Fogcomputer 7 gespeichert sind, und Lernmodelle, die auf dem Fogcomputer 7 optimiert oder effizienzverbessert sind, auf einen weiteren oberen Hostcomputer oder Cloudserver erfasst werden. In diesem Fall kann durch Verwendung dieser Lernmodelle die Anwendung auf intellektuelle Aufgaben in Fabriken oder beim Hersteller der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 erfolgen (wie etwa Aufbau und Umverteilung weiterer vielseitiger Lernmodelle an einem oberen Server, Unterstützung für Wartung basierend auf dem Ergebnis der Analyse der Lernmodelle, Analyse der Leistung jeder der Zahnkontaktpositionseinstellungsmengenschätzvorrichtungen 1 und anderer, und Anwendung auf die neue Maschinenentwicklung).In addition, in the tooth contact position adjustment amount estimation system 500 ' to this embodiment, for example, learning models that collectively on the fog computer 7 and learning models stored on the fog computer 7 optimized or improved efficiency, can be recorded on another upper host computer or cloud server. In this case, by using these learning models, application to intellectual tasks in factories or at the manufacturer of the tooth contact position setting amount estimators can be made 1 (such as building and redistributing other versatile learning models on an upper server, support for maintenance based on the result of analyzing the learning models, analyzing the performance of each of the tooth contact position setting amount estimators 1 and others, and application to the new machine development).

Die Ausführungsformen dieser Erfindung wurden oben beschrieben, wobei diese Erfindung jedoch nicht auf die obigen Ausführungsformen beschränkt ist und nach Bedarf geändert werden kann, um in verschiedenen Aspekten umgesetzt zu werden.The embodiments of this invention have been described above, but this invention is not limited to the above embodiments and can be changed as necessary to be implemented in various aspects.

Beispielsweise sind der Lernalgorithmus oder Berechnungsalgorithmus, der durch die Maschinenlernvorrichtung 100 ausgeführt wird, der Steueralgorithmus, der durch die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 ausgeführt wird, und dergleichen nicht auf die obigen beschränkt, und verschiedene Algorithmen können eingesetzt werden.For example, the learning algorithm or calculation algorithm is by the machine learning device 100 the control algorithm executed by the tooth contact position adjustment amount estimator 1 and the like are not limited to the above, and various algorithms can be used.

Ferner weisen die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 und die Maschinenlernvorrichtung 100 in der obigen Ausführungsform jeweils verschiedene CPUs auf, aber die Maschinenlernvorrichtung 100 kann auch durch die CPU 11, die für die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung 1 bereitgestellt ist, und das Systemprogramm, das in dem ROM 12 gespeichert ist, umgesetzt werden.Furthermore, the tooth contact position setting amount estimating device 1 and the machine learning device 100 in the above embodiment, different CPUs each, but the machine learning device 100 can also by the CPU 11 that for the tooth contact position setting amount estimator 1 and the system program stored in the ROM 12 saved, implemented.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

  • JP 2016142379 A [0003, 0006]JP 2016142379 A [0003, 0006]
  • JP 2013 [0003]JP 2013 [0003]
  • JP 160361 A [0003]JP 160361 A [0003]
  • JP 3586997 [0004]JP 3586997 [0004]
  • JP 2016 [0006]JP 2016 [0006]
  • JP 142379 A [0006]JP 142379 A [0006]

Claims (13)

Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, die die Verarbeitung bezüglich der Schätzung einer Zahnkontaktpositionseinstellmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus darstellen, umfassend: eine Maschinenlernvorrichtung, die die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellmenge für die Dimensionsdaten von Teilen ausführt, die den Leistungsübertragungsmechanismus darstellen, wobei die Maschinenlernvorrichtung Teiledimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus beobachten, als eine Zustandsvariable beobachtet, die einen aktuellen Zustand einer Umgebung anzeigen, und die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, bei der Montage des Leistungsübertragungsmechanismus durch Ausführung der Verarbeitung bezüglich Maschinenlernen auf Grundlage der beobachteten Zustandsvariable ausführen.A tooth contact position setting amount estimating device that executes the processing related to estimating a tooth contact position setting amount for dimensional data of parts constituting a power transmission mechanism, comprising: a machine learning device that executes the processing for estimating the tooth contact position setting amount for the dimensional data of parts that constitute the power transmission mechanism, wherein the machine learning device observes part dimension data, which is dimension data of parts that observe the power transmission mechanism, as a state variable that indicates a current state of an environment, and the processing for estimating the tooth contact position setting amount for dimension data of parts that represent the power transmission mechanism, when assembling the power transmission mechanism by executing the machine learning processing based on the observed state variable. Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach Anspruch 1, wobei die Maschinenlernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die die Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus darstellen, als die Zustandsvariable beobachtet, die den aktuellen Zustand der Umgebung anzeigt; eine Labeldatenerfassungseinheit, die Zahnkontaktpositionseinstellmengendaten, die bei der Montage des Leistungsübertragungsmechanismus angepasst wurden, als Labeldaten erfasst; und eine Lerneinheit, die die Zahnkontaktpositionseinstellmenge bei der Montage des Leistungsübertragungsmechanismus für die Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, durch Verwendung der Zustandsvariable und der Labeldaten lernt.Tooth contact position setting amount estimator after Claim 1 wherein the machine learning apparatus includes: a state observation unit that observes the part dimension data, the dimension data of parts that represent the power transmission mechanism, as the state variable indicating the current state of the environment; a label data acquisition unit that acquires tooth contact position setting amount data that was adjusted when the power transmission mechanism was assembled as label data; and a learning unit that learns the tooth contact position setting amount when assembling the power transmission mechanism for the dimensional data of parts constituting the power transmission mechanism by using the state variable and the label data. Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach Anspruch 2, wobei die Lerneinheit umfasst: eine Fehlerberechnungseinheit, die einen Fehler zwischen einem Korrelationsmodell zum Schätzen der Zahnkontaktpositionseinstellmenge bei der Montage des Leistungsübertragungsmechanismus aus der Zustandsvariable und einer Korrelationseigenschaft, die durch zuvor vorbereitete Lehrdaten identifiziert wurde, berechnet; und eine Modellupdateeinheit, die das Korrelationsmodell aktualisiert, um den Fehler zu verringern.Tooth contact position setting amount estimator after Claim 2 , wherein the learning unit comprises: an error calculation unit that calculates an error between a correlation model for estimating the tooth contact position setting amount when assembling the power transmission mechanism from the state variable and a correlation property identified by previously prepared teaching data; and a model update unit that updates the correlation model to reduce the error. Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach Anspruch 2 oder 3, wobei die Lerneinheit die Zustandsvariable und die Labeldaten in einer mehrschichtigen Struktur berechnet.Tooth contact position setting amount estimator after Claim 2 or 3 , whereby the learning unit calculates the state variable and the label data in a multilayered structure. Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach Anspruch 1, wobei die Maschinenlernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die die Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die einen Leistungsübertragungsmechanismus darstellen, als eine Zustandsvariable beobachtet, die den aktuellen Zustand einer Umgebung anzeigt; eine Lerneinheit, die eine Zahnkontaktpositionseinstellmenge bei der Montage eines Leistungsübertragungsmechanismus für Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, gelernt hat; und eine Schätzergebnisausgabeeinheit, die eine Zahnkontaktpositionseinstellmenge bei der Montage eines Leistungsübertragungsmechanismus auf Grundlage einer Zustandsvariable, die durch die Zustandsbeobachtungseinheit beobachtet wird, und ein Lernergebnis durch die Lerneinheit schätzt und ausgibt.Tooth contact position setting amount estimator after Claim 1 wherein the machine learning apparatus includes: a state observation unit that observes the part dimension data, the dimension data of parts that constitute a power transmission mechanism, as a state variable indicating the current state of an environment; a learning unit that has learned a tooth contact position setting amount when assembling a power transmission mechanism for dimensional data of parts constituting the power transmission mechanism; and an estimation result output unit that estimates and outputs a tooth contact position setting amount when assembling a power transmission mechanism based on a state variable observed by the state observation unit and a learning result by the learning unit. Maschinenlernvorrichtung, die die Verarbeitung bezüglich der Schätzung einer Zahnkontaktpositionseinstellmenge für Dimensionsdaten von Teilen ausführt, die einen Leistungsübertragungsmechanismus darstellen, wobei die Maschinenlernvorrichtung Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus beobachten, als eine Zustandsvariable beobachtet, die einen aktuellen Zustand einer Umgebung anzeigen, und die Verarbeitung bezüglich der Schätzung der Zahnkontaktpositionseinstellungsmenge für Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, bei der Montage des Leistungsübertragungsmechanismus durch Ausführung der Verarbeitung bezüglich Maschinenlernen auf Grundlage der beobachteten Zustandsvariable ausführt.A machine learning device that performs the processing of estimating a tooth contact position setting amount for dimensional data of parts constituting a power transmission mechanism, wherein the machine learning device observes part dimension data, the dimensional data of parts that observe the power transmission mechanism, as a state variable indicating a current state of an environment. and executes the processing of estimating the tooth contact position setting amount for dimensional data of parts constituting the power transmission mechanism when assembling the power transmission mechanism by executing the machine learning processing based on the observed state variable. Maschinenlernvorrichtung nach Anspruch 6, ferner umfassend: eine Zustandsbeobachtungseinheit, die die Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus darstellen, als die Zustandsvariable beobachtet, die den aktuellen Zustand der Umgebung anzeigt; eine Labeldatenerfassungseinheit, die die Zahnkontaktpositionseinstellmengendaten, die bei der Montage des Leistungsübertragungsmechanismus angepasst wurden, als die Labeldaten erfasst; und eine Lerneinheit, die die Zahnkontaktpositionseinstellmenge bei der Montage des Leistungsübertragungsmechanismus für die Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, durch Verwendung der Zustandsvariable und der Labeldaten lernt.Machine learning device after Claim 6 , further comprising: a state observation unit that observes the part dimension data, the dimension data of parts that represent the power transmission mechanism, as the state variable indicating the current state of the environment; a label data acquisition unit that acquires the tooth contact position setting amount data that was adjusted when the power transmission mechanism was assembled as the label data; and a learning unit that learns the tooth contact position setting amount when assembling the power transmission mechanism for the dimensional data of parts constituting the power transmission mechanism by using the state variable and the label data. Maschineniernvorrichtung nach Anspruch 6, ferner umfassend: eine Zustandsbeobachtungseinheit, die die Teildimensionsdaten, die Dimensionsdaten von Teilen sind, die den Leistungsübertragungsmechanismus darstellen, als die Zustandsvariable beobachtet, die den aktuellen Zustand der Umgebung anzeigt; eine Lerneinheit, die die Zahnkontaktpositionseinstellmenge bei der Montage eines Leistungsübertragungsmechanismus für die Dimensionsdaten von Teilen, die den Leistungsübertragungsmechanismus darstellen, gelernt hat; und eine Schätzergebnisausgabeeinheit, die die Zahnkontaktpositionseinstellmenge bei der Montage des Leistungsübertragungsmechanismus auf Grundlage der Zustandsvariable, die durch die Zustandsbeobachtungseinheit beobachtet wird, und ein Lernergebnis durch die Lerneinheit schätzt und ausgibt. Machine kidney device after Claim 6 , further comprising: a state observation unit that observes the part dimension data, the dimension data of parts that represent the power transmission mechanism, as the state variable indicating the current state of the environment; a learning unit that has learned the tooth contact position setting amount when assembling a power transmission mechanism for the dimensional data of parts constituting the power transmission mechanism; and an estimation result output unit that estimates and outputs the tooth contact position setting amount when assembling the power transmission mechanism based on the state variable observed by the state observation unit and a learning result by the learning unit. Robotersystem, umfassend eine Steuerung, die die Anzahl der Scheiben bestimmt, die zur Montage eines Leistungsübertragungsmechanismus verwendet wird, und einen Roboter anweist, eine vorgegebene Anzahl von Scheiben auf den Teilen auf Grundlage der Zahnkontaktpositionseinstellungsmenge, die durch die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung nach Anspruch 5 geschätzt wurde, zu montieren.A robotic system comprising a controller that determines the number of disks used to assemble a power transmission mechanism and instructs a robot to have a predetermined number of disks on the parts based on the tooth contact position adjustment amount determined by the tooth contact position adjustment amount estimator Claim 5 was estimated to assemble. Zahnkontaktpositionseinstellmengenschätzsystem, in dem mehrere Vorrichtungen miteinander über ein Netzwerk verbunden sind, wobei die mehreren Vorrichtungen mindestens eine Zahnkontaktpositionseinstellungsmengenschätzvorrichtung, die die Zahnkontaktpositionseinstellungsmengenschätzvorrichtung ist, nach einem der Ansprüche 2 bis 4 umfassen.A tooth contact position setting amount estimation system in which a plurality of devices are connected to each other via a network, the plurality of devices according to one of the at least one tooth contact position setting amount estimation device that is the tooth contact position setting amount estimation device Claims 2 to 4 include. Zahnkontaktpositionseinstellmengenschätzsystem nach Anspruch 10, wobei die mehreren Vorrichtungen einen Computer umfassen, der mit einer Maschinenlernvorrichtung versehen ist, wobei der Computer ein Lernmodell als mindestens eines der Ergebnisse des Lernens durch die erste Zahnkontaktpositionseinstellungsmengenschätzvorrichtung und die Maschinenlernvorrichtung erfasst und die Optimierung oder Effizienzverbesserung basierend auf dem Lernmodell durchführt.Tooth contact position adjustment amount estimation system according to Claim 10 wherein the plurality of devices include a computer provided with a machine learning device, the computer acquiring a learning model as at least one of the results of learning by the first tooth contact position setting amount estimating device and the machine learning device, and performing the optimization or efficiency improvement based on the learning model. Zahnkontaktpositionseinstellmengenschätzsystem nach Anspruch 10, wobei die mehreren Vorrichtungen eine zweite Zahnkontaktpositionseinstellungsmengenschätzvorrichtung umfassen, die sich von der ersten Zahnkontaktpositionseinstellungsmengenschätzvorrichtung unterscheidet, und das Ergebnis des Lernens durch die erste Zahnkontaktpositionseinstellungsmengenschätzvorrichtung mit der zweiten Zahnkontaktpositionseinstellungsmengenschätzvorrichtung geteilt wird.Tooth contact position adjustment amount estimation system according to Claim 10 wherein the plurality of devices include a second tooth contact position setting amount estimator different from the first tooth contact position setting amount estimator, and the result of learning is shared by the first tooth contact position setting amount estimator with the second tooth contact position setting amount estimator. Zahnkontaktpositionseinstellmengenschätzsystem nach Anspruch 10, wobei die mehreren Vorrichtungen eine zweite Zahnkontaktpositionseinstellungsmengenschätzvorrichtung umfassen, die sich von der ersten Zahnkontaktpositionseinstellungsmengenschätzvorrichtung unterscheidet, und Daten, die von der zweiten Zahnkontaktpositionseinstellungsmengenschätzvorrichtung beobachtet werden, zum Lernen der ersten Zahnkontaktpositionseinstellungsmengenschätzvorrichtung über ein Netzwerk verwendet werden können.Tooth contact position adjustment amount estimation system according to Claim 10 wherein the plurality of devices include a second tooth contact position setting amount estimator different from the first tooth contact position setting amount estimator, and data observed by the second tooth contact position setting amount estimator can be used to learn the first tooth contact position setting amount estimator over a network.
DE102019117921.1A 2018-07-10 2019-07-03 TOOTH CONTACT ADJUSTMENT QUANTITY APPARATUS, MACHINE LEARNING DEVICE AND ROBOTIC SYSTEM Pending DE102019117921A1 (en)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018131001 2018-07-10
JP2018-131001 2018-07-10
JP2019099547A JP7060546B2 (en) 2018-07-10 2019-05-28 Tooth contact position adjustment amount estimation device, machine learning device, robot system and tooth contact position adjustment amount estimation system
JP2019-099547 2019-05-28

Publications (1)

Publication Number Publication Date
DE102019117921A1 true DE102019117921A1 (en) 2020-01-16

Family

ID=69170743

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019117921.1A Pending DE102019117921A1 (en) 2018-07-10 2019-07-03 TOOTH CONTACT ADJUSTMENT QUANTITY APPARATUS, MACHINE LEARNING DEVICE AND ROBOTIC SYSTEM

Country Status (3)

Country Link
JP (1) JP7060546B2 (en)
CN (1) CN110703682A (en)
DE (1) DE102019117921A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS586997A (en) 1981-07-02 1983-01-14 Toray Ind Inc Composition for matte coating by electrodeposition
JP2013160361A (en) 2012-02-08 2013-08-19 Nissan Motor Co Ltd Vehicle gear transmission device
JP2016142379A (en) 2015-02-04 2016-08-08 株式会社ショーワ Power transmission device

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2615910B2 (en) * 1988-09-22 1997-06-04 トヨタ自動車株式会社 How to select shims for differential gear teeth
JP3922400B2 (en) * 1997-03-11 2007-05-30 本田技研工業株式会社 Backlash shim selection method and apparatus
JPWO2012043284A1 (en) * 2010-09-27 2014-02-06 三菱重工業株式会社 Azimuth propeller
CN102749193B (en) * 2012-07-09 2015-07-15 沈阳黎明航空发动机(集团)有限责任公司 Colouring examination method for high-precision central-driving bevel gear
JP6488753B2 (en) * 2015-02-20 2019-03-27 日本電気株式会社 Information processing method
JP6240689B2 (en) * 2015-07-31 2017-11-29 ファナック株式会社 Machine learning device, robot control device, robot system, and machine learning method for learning human behavior pattern
JP6148316B2 (en) * 2015-07-31 2017-06-14 ファナック株式会社 Machine learning method and machine learning device for learning failure conditions, and failure prediction device and failure prediction system provided with the machine learning device
CN106895814B (en) * 2015-12-17 2019-12-06 湖南中联重科车桥有限公司 pad selecting method and pad selecting device of integral axle main transmission system
JP6131343B1 (en) * 2016-01-06 2017-05-17 株式会社 みずほ銀行 Advice output system, advice output method and advice output program
CN106372335A (en) * 2016-09-05 2017-02-01 重庆茂捷汽车变速器有限公司 Method for automatically selecting and matching gasket of automobile transmission shaft based on web technology
CN116992917A (en) * 2016-10-10 2023-11-03 渊慧科技有限公司 System and method for selecting actions
JP6469065B2 (en) * 2016-10-28 2019-02-13 ファナック株式会社 Machine learning device and machining time prediction device
JP6457472B2 (en) * 2016-12-14 2019-01-23 ファナック株式会社 Control system and machine learning device
WO2018154790A1 (en) * 2017-02-27 2018-08-30 ファーストアカウンティング株式会社 Accounting device, accounting system, accounting method, and accounting program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS586997A (en) 1981-07-02 1983-01-14 Toray Ind Inc Composition for matte coating by electrodeposition
JP2013160361A (en) 2012-02-08 2013-08-19 Nissan Motor Co Ltd Vehicle gear transmission device
JP2016142379A (en) 2015-02-04 2016-08-08 株式会社ショーワ Power transmission device

Also Published As

Publication number Publication date
CN110703682A (en) 2020-01-17
JP7060546B2 (en) 2022-04-26
JP2020012551A (en) 2020-01-23

Similar Documents

Publication Publication Date Title
DE102016010064B4 (en) Numerical control with machining condition adjustment function to reduce the occurrence of chatter or tool wear / breakage
DE102017108169B4 (en) Production system that defines a determination value of a variable in relation to a product deviation
DE102017011350A1 (en) MACHINE LEARNING DEVICE, LIFE PERFORMANCE DEVICE, NUMERICAL CONTROL DEVICE, PRODUCTION SYSTEM AND MACHINE PROCESSING FOR PROGNOSTICATING A LIFE OF A NAND FLASH MEMORY
DE102016009032A1 (en) Machine learning unit, spindle replacement judgment apparatus, control, machine tool, production system and machine learning method capable of judging the necessity of a spindle replacement
DE102016009106A1 (en) Machining device equipped with control with processing time measuring function and measuring function on the machine
DE102018202654A1 (en) Machine learning device, servo control device, servo control system, and machine learning method
DE102019001783A1 (en) CONTROL, MACHINE LEARNING DEVICE AND SYSTEM
DE102006028992A1 (en) Electronic control device
DE102019204861A1 (en) MACHINE LEARNING DEVICE; CONTROL DEVICE AND MACHINE LEARNING
DE102018201157B4 (en) Learning model construction device and control information optimization device
DE102020102406A1 (en) MANAGEMENT DEVICE AND MANAGEMENT SYSTEM
DE102020118225A1 (en) Anomaly determination device and anomaly determination system
DE112018001886T5 (en) Control device, control procedure and control program
EP2881822A1 (en) Computer-implemented method and system for automatic monitoring and status detection of entire process stages in a process unit
DE112012006178T5 (en) parameter setting
DE102019106728B4 (en) HEAT SHIFT CORRECTION SYSTEM AND COMPUTER
DE102019006725A1 (en) Control device and control system
DE102019104922A1 (en) COLLISION POSITION ESTIMATOR AND MACHINE LEARNING DEVICE
DE102019001760A1 (en) INFORMATION PROCESSING DEVICE, MECHANICAL LEARNING DEVICE AND SYSTEM
DE102017123090A1 (en) Robot system and maintenance method for tracking information of a module
DE102017125103A1 (en) ADJUSTMENT DEVICE AND ADJUSTMENT SYSTEM FOR CONFIGURING ADJUSTMENTS FOR A MULTIPLE OF MACHINES
DE102020103042A1 (en) MANAGEMENT DEVICE AND MANAGEMENT SYSTEM
DE102020104952A1 (en) MANAGEMENT DEVICE AND MANAGEMENT SYSTEM
DE102019001177B4 (en) Controller, machine learning device and system
DE102018001028B4 (en) Numerical control

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: HL KEMPNER PATENTANWAELTE, SOLICITORS (ENGLAND, DE

Representative=s name: HL KEMPNER PATENTANWALT, RECHTSANWALT, SOLICIT, DE

R012 Request for examination validly filed
R016 Response to examination communication