JP3076548B2 - Tool wear detecting device and method - Google Patents
Tool wear detecting device and methodInfo
- Publication number
- JP3076548B2 JP3076548B2 JP10072898A JP7289898A JP3076548B2 JP 3076548 B2 JP3076548 B2 JP 3076548B2 JP 10072898 A JP10072898 A JP 10072898A JP 7289898 A JP7289898 A JP 7289898A JP 3076548 B2 JP3076548 B2 JP 3076548B2
- Authority
- JP
- Japan
- Prior art keywords
- tool
- machine tool
- neural network
- image
- cutting
- 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.)
- Expired - Fee Related
Links
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、工作機械の運転中
に工具の摩耗状態を判定して、工具や製品の劣化や破損
の可能性を事前に検知するための工具摩耗検知装置およ
び方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a tool wear detecting apparatus and method for judging a wear state of a tool during operation of a machine tool to detect in advance the possibility of deterioration or breakage of a tool or a product. .
【０００２】[0002]
【従来の技術】工作機械を用いた加工コストを低減する
ために、無人自動運転や１人が複数の工作機械を担当す
ることによる省力化が求められている。こうした作業の
自動化において、運転時間が長時間になると工具の摩耗
や破損が生ずる可能性が出てくる。工具の摩耗状況の判
断は熟練作業者の勘や経験に頼るところが大きいため自
動化が難しく、担当者は工作機械の運転状況を頻繁に見
回る必要があり、無人化や省力化の障害となっている。
また、こうした作業者が熟練するまでには相当の教育時
間や経験時間が要求される。2. Description of the Related Art In order to reduce the processing cost using a machine tool, there is a demand for unmanned automatic operation and labor saving by one person in charge of a plurality of machine tools. In the automation of such work, if the operation time is long, there is a possibility that tool wear or breakage may occur. Judgment of tool wear status depends heavily on the intuition and experience of skilled workers, so automation is difficult, and personnel need to frequently check the operation status of machine tools, which is an obstacle to unmanned operation and labor saving .
In addition, considerable training time and experience time are required for such workers to become skilled.
【０００３】加工状態の自動検知に関する先行技術の一
例として、特開昭６１−２９３７５３号があり、そこで
はプリント基板の穴あけ加工中に工具から放射される赤
外線を検知して、工具の温度分布値が設定値以上になる
と加工動作を停止させる手法が記載されている。[0003] As an example of the prior art relating to the automatic detection of the machining state, there is Japanese Patent Application Laid-Open No. 61-29353, in which infrared rays emitted from a tool during boring of a printed circuit board are detected and the temperature distribution value of the tool is detected. A method is described in which the machining operation is stopped when is greater than or equal to a set value.
【０００４】[0004]
【発明が解決しようとする課題】しかしながら、工具が
摩耗した場合の温度分布は、種々の条件、たとえば工作
機械の運転条件や被切削材料等によって大きく変化する
ため、工具の温度分布値を設定値と単に比較しただけで
は摩耗状況を即断することはできない。たとえば、工具
の摩耗が進行しているにも拘らず、検出した温度分布が
低いために摩耗と判断できず、破損事故が突然発生した
り、あるいは検出した温度分布が高いために摩耗が進行
していないにも拘らず、加工が自動停止したりすること
になる。However, the temperature distribution when the tool is worn varies greatly depending on various conditions, for example, the operating conditions of the machine tool and the material to be cut. It is not possible to judge the situation of wear simply by comparing with. For example, despite the progress of tool wear, the detected temperature distribution is low, so it cannot be determined that the wear has occurred, and a breakage accident has occurred suddenly or the detected temperature distribution is high, and wear has progressed. In spite of that, the processing automatically stops.
【０００５】本発明の目的は、種々の条件が変化しても
工具の摩耗状況を確実に検知できる工具摩耗検知装置お
よび方法を提供することである。An object of the present invention is to provide a tool wear detecting device and method capable of reliably detecting a tool wear state even when various conditions change.
【０００６】[0006]
【課題を解決するための手段】本発明は、工作機械に装
着された工具の切削中における温度分布を検出するため
の撮像カメラと、検出された温度分布画像に画像処理を
施して、画像データにおける工具高温部の最高輝度、面
積、周囲長、最大長さおよび最小長さのいずれか１つ以
上から成る画像特徴量を算出するための画像処理手段
と、該画像特徴量ならびに、刃先の曲率半径、切削速
度、工具送り速度および切込み深さのいずれか１つ以上
から成る工作機械運転条件に関するデータを関連付けて
蓄積するためのデータ蓄積手段と、データ蓄積手段に蓄
積されたデータによって教示され、現時点の画像特徴量
および工作機械運転条件に基づいて切削中工具の摩耗状
態を判定するためのニューラルネットワークとを備える
ことを特徴とする工具摩耗検知装置である。According to the present invention, there is provided an imaging camera for detecting a temperature distribution during cutting of a tool mounted on a machine tool, and an image processing apparatus for performing image processing on the detected temperature distribution image to obtain image data. Image processing means for calculating an image feature amount comprising any one or more of the maximum brightness, area, perimeter, maximum length, and minimum length of the tool high-temperature portion, and the image feature amount and the curvature of the cutting edge Data storage means for storing in association with data relating to machine tool operating conditions comprising at least one of a radius, a cutting speed, a tool feed speed and a cutting depth; and data taught by data stored in the data storage means. A neural network for determining the wear state of the cutting tool based on the current image feature amount and the operating conditions of the machine tool. It is a 耗検 intelligence apparatus.
【０００７】本発明に従えば、工具の温度分布画像から
所定の画像特徴量を算出し、工作機械の運転条件ととも
にニューラルネットワークに入力することによって、切
削中工具の摩耗状態を確実に判定することができる。ニ
ューラルネットワークは一般に学習機能を備えており、
画像特徴量、工作機械の運転条件および工具の摩耗状態
の関連性を蓄積したデータを用いて教示することが可能
であり、こうしたデータが多いほど判定精度がより向上
する。また、画像特徴量として画像データにおける工具
高温部の最高輝度、面積、周囲長、最大長さおよび最小
長さを用いることによって、これらの数値は画像処理に
よって比較的容易に定量化でき、しかも工具と被切削材
料との接触面積や接触圧、摩擦の大小などに依存するた
め、工具の摩耗状態を定量的に判断できる。また、工作
機械の運転条件として刃先の曲率半径、切削速度、工具
送り速度および切込み深さを用いることによって、切削
状態を比較的容易に定量化できるため、工具の摩耗状態
を定量的に判断できる。According to the present invention, a predetermined image feature amount is calculated from a temperature distribution image of a tool, and the calculated image feature amount is input to a neural network together with operating conditions of a machine tool, thereby reliably determining the wear state of a tool during cutting. Can be. Neural networks generally have a learning function,
It is possible to teach using data in which the relationship between the image feature amount, the operating condition of the machine tool, and the wear state of the tool is accumulated. The more such data, the more the determination accuracy is improved. In addition, by using the maximum brightness, area, perimeter, maximum length, and minimum length of the high temperature part of the tool in the image data as the image feature amount, these numerical values can be relatively easily quantified by image processing, and the tool The wear state of the tool can be quantitatively determined because it depends on the contact area, the contact pressure, the magnitude of friction, and the like between the tool and the material to be cut. Further, by using the radius of curvature of the cutting edge, the cutting speed, the tool feed speed and the cutting depth as operating conditions of the machine tool, the cutting state can be relatively easily quantified, so that the wear state of the tool can be quantitatively determined. .
【０００８】また、工具の摩耗状態が種々の条件に依存
し、複雑に関与する場合であっても、ニューラルネット
ワークは豊富な蓄積データによる教示によって一定の結
論を導き出すことができるため、人間の勘や経験に頼る
ところでも確実な判定結果が得られる。そのため、工作
機械の担当者はそれほど熟練を要せず、加工作業の省力
化を促進できる。Further, even when the wear state of the tool depends on various conditions and is involved in a complicated manner, the neural network can draw a certain conclusion by teaching with abundant accumulated data. And reliable judgment results can be obtained even when relying on experience. Therefore, the person in charge of the machine tool does not require much skill, and it is possible to promote labor saving of the machining operation.
【０００９】また本発明は、ニューラルネットワークが
摩耗ありと判定した場合に、工作機械の運転を停止する
ための運転停止手段を備えることを特徴とする。Further, the present invention is characterized by comprising an operation stopping means for stopping the operation of the machine tool when it is determined that the neural network is worn.
【００１０】本発明に従えば、工具の摩耗ありと判定し
た場合に工作機械の運転を停止することによって、工具
や製品の劣化や破損を未然に防止できる。そのため、作
業者の監視が届かない場合や無人自動運転を行なう場合
でも工具や材料のロスを低減化できる。According to the present invention, when it is determined that the tool is worn, the operation of the machine tool is stopped, so that deterioration and breakage of the tool and the product can be prevented. Therefore, loss of tools and materials can be reduced even when the monitoring of the worker does not arrive or when unattended automatic operation is performed.
【００１１】[0011]
【００１２】[0012]
【００１３】[0013]
【００１４】[0014]
【００１５】また本発明は、工作機械に装着された工具
の切削中における温度分布を検出する工程と、検出され
た温度分布画像に画像処理を施して、画像データにおけ
る工具高温部の最高輝度、面積、周囲長、最大長さおよ
び最小長さのいずれか１つ以上から成る画像特徴量を算
出する工程と、該画像特徴量ならびに、刃先の曲率半
径、切削速度、工具送り速度および切込み深さのいずれ
か１つ以上から成る工作機械運転条件に関するデータを
関連付けて蓄積する工程と、蓄積されたデータによって
ニューラルネットワークを教示する教示工程と、教示さ
れたニューラルネットワークを用いて、現時点の画像特
徴量および工作機械運転条件に基づいて切削中工具の摩
耗状態を判定する工程とを含むことを特徴とする工具摩
耗検知方法である。The present invention also provides a step of detecting a temperature distribution during cutting of a tool mounted on a machine tool, and performing image processing on the detected temperature distribution image to obtain a maximum brightness of a high temperature portion of the tool in the image data. Calculating an image feature amount comprising at least one of an area, a perimeter, a maximum length, and a minimum length; and the image feature amount, a radius of curvature of a cutting edge, a cutting speed, a tool feed speed, and a cutting depth. A step of associating and storing data relating to a machine tool operating condition comprising at least one of the following, a teaching step of teaching a neural network by the stored data, and a current image feature amount using the taught neural network. And a step of determining a wear state of the cutting tool based on the operating conditions of the machine tool.
【００１６】本発明に従えば、工具の温度分布画像から
所定の画像特徴量を算出し、工作機械の運転条件ととも
にニューラルネットワークに入力することによって、切
削中工具の摩耗状態を確実に判定することができる。ニ
ューラルネットワークは学習機能を備えており、画像特
徴量、工作機械の運転条件および工具の摩耗状態の関連
性を蓄積したデータを用いて教示することが可能であ
り、こうしたデータが多いほど判定精度がより向上す
る。また、画像特徴量として画像データにおける工具高
温部の最高輝度、面積、周囲長、最大長さおよび最小長
さを用いることによって、これらの数値は画像処理によ
って比較的容易に定量化でき、しかも工具と被切削材料
との接触面積や接触圧、摩擦の大小などに依存するた
め、工具の摩耗状態を定量的に判断できる。また、工作
機械の運転条件として刃先の曲率半径、切削速度、工具
送り速度および切込み深さを用いることによって、切削
状態を比較的容易に定量化できるため、工具の摩耗状態
を定量的に判断できる。According to the present invention, a predetermined image feature amount is calculated from a temperature distribution image of a tool, and the calculated image feature amount is input to a neural network together with operating conditions of a machine tool, thereby reliably determining a wear state of a tool during cutting. Can be. The neural network has a learning function, and it is possible to teach using the accumulated data of the relationship between the image features, the operating conditions of the machine tool, and the wear state of the tool. Better. In addition, by using the maximum brightness, area, perimeter, maximum length, and minimum length of the high temperature part of the tool in the image data as the image feature amount, these numerical values can be relatively easily quantified by image processing, and the tool The wear state of the tool can be quantitatively determined because it depends on the contact area, the contact pressure, the magnitude of friction, and the like between the tool and the material to be cut. Further, by using the radius of curvature of the cutting edge, the cutting speed, the tool feed speed and the cutting depth as operating conditions of the machine tool, the cutting state can be relatively easily quantified, so that the wear state of the tool can be quantitatively determined. .
【００１７】また、工具の摩耗状態が種々の条件に依存
し、複雑に関与する場合であっても、ニューラルネット
ワークは豊富な蓄積データによる教示によって一定の結
論を導き出すことができるため、人間の勘や経験に頼る
ところでも確実な判定結果が得られる。そのため、工作
機械の担当者はそれほど熟練を要せず、加工作業の省力
化を促進できる。Further, even when the wear state of the tool depends on various conditions and is involved in a complicated manner, the neural network can draw a certain conclusion by teaching with abundant accumulated data. And reliable judgment results can be obtained even when relying on experience. Therefore, the person in charge of the machine tool does not require much skill, and it is possible to promote labor saving of the machining operation.
【００１８】また本発明は、前記教示工程において、工
作機械を停止した状態でニューラルネットワークを教示
することを特徴とする。Further, the present invention is characterized in that in the teaching step, the neural network is taught while the machine tool is stopped.
【００１９】本発明に従えば、工作機械の稼働中に摩耗
判定およびデータ蓄積を行ない、その後工作機械を停止
した状態で、稼働中に蓄積されたデータを用いてニュー
ラルネットワークを教示する、いわゆるオフライン教示
を行なうことによって、手動によるきめ細かい教示が可
能になるため、判定精度を向上でき、各種条件の変化に
対して柔軟な対応ができる。また、ニューラルネットワ
ークの更新も工作機械の停止中に手動で行なうことがで
きる。According to the present invention, wear determination and data accumulation are performed during the operation of the machine tool, and then the neural network is taught using the data accumulated during the operation while the machine tool is stopped. By performing the teaching, it is possible to perform detailed manual teaching, so that the determination accuracy can be improved and a flexible response to changes in various conditions can be achieved. Further, the updating of the neural network can also be performed manually while the machine tool is stopped.
【００２０】また本発明は、前記教示工程において、工
作機械を稼働した状態でニューラルネットワークを教示
することを特徴とする。Further, the present invention is characterized in that in the teaching step, the neural network is taught while the machine tool is operating.
【００２１】本発明に従えば、工作機械の稼働中に摩耗
判定およびデータ蓄積を行ないながら、稼働中に蓄積さ
れるデータを用いてニューラルネットワークを教示す
る、いわゆるオンライン教示を行なうことによって、自
動的に判定精度を向上でき、各種条件の変化に対して迅
速な対応ができ、しかも担当者の教示作業を省くことが
できる。また、ニューラルネットワークの更新も工作機
械の稼働中に自動的に行なうことができる。According to the present invention, by performing a so-called online teaching, in which a neural network is taught using data accumulated during operation while performing wear determination and data accumulation while the machine tool is operating, In addition, the accuracy of determination can be improved, quick response to changes in various conditions can be made, and the teaching work of the person in charge can be omitted. Further, the updating of the neural network can be automatically performed during the operation of the machine tool.
【００２２】[0022]
【発明の実施の形態】図１は、本発明の実施の一形態の
構成を示すブロック図である。撮像カメラとして、たと
えば赤外線カメラ１を用いて、工作機械に装着された工
具の切削中における温度分布を検出する。得られた赤外
線画像における輝度は工具の温度分布に対応する。FIG. 1 is a block diagram showing a configuration of an embodiment of the present invention. As an imaging camera, for example, an infrared camera 1 is used to detect a temperature distribution during cutting of a tool mounted on a machine tool. The luminance in the obtained infrared image corresponds to the temperature distribution of the tool.
【００２３】赤外線カメラ１から出力される温度分布画
像は画像処理ルーチン２に取り込まれ、工具高温部の最
高輝度、面積、周囲長、最大長さ、最小長さ等の画像特
徴量を算出する。The temperature distribution image output from the infrared camera 1 is taken into an image processing routine 2 to calculate image features such as the maximum brightness, area, perimeter, maximum length, and minimum length of the high temperature portion of the tool.
【００２４】次に画像処理ルーチン２で算出された画像
特徴量は、工作機械の運転条件に関するデータとともに
ニューラルネットワーク判定ルーチン３に取り込まれ、
現時点での画像特徴量と運転条件および工具の摩耗状態
を判定する。さらに、これらのデータは互いに関連付け
て蓄積され、ニューラルネットワーク教示ルーチン５か
らの要求に応じて過去から現在までに蓄積したデータを
教示用データとして提供する。Next, the image feature quantity calculated in the image processing routine 2 is taken into the neural network determination routine 3 together with data on the operating conditions of the machine tool.
The image feature amount, the operating condition, and the wear state of the tool at the present time are determined. Further, these data are accumulated in association with each other, and the data accumulated from the past to the present is provided as teaching data in response to a request from the neural network teaching routine 5.
【００２５】ニューラルネットワーク教示ルーチン５で
は、こうした教示用データに基づいてニューラルネット
ワーク判定ルーチン３のニューロン間の結合の強さを修
正して、教示済みニューラルネットワークを生成し、こ
の判定ルーチン３へ提供する。こうした教示工程は、工
作機械が停止した状態で実施する。ニューラルネットワ
ークは一般に学習機能を備えており、画像特徴量、工作
機械の運転条件および工具の摩耗状態の関連性を蓄積し
たデータを用いて教示することが可能であり、こうした
データが多いほど判定精度がより向上する。In the neural network teaching routine 5, the strength of the connection between the neurons in the neural network determining routine 3 is corrected based on the teaching data to generate a taught neural network, which is provided to the determining routine 3. . Such a teaching process is performed with the machine tool stopped. Neural networks generally have a learning function, and can teach using data that stores the relationship between image features, machine tool operating conditions, and tool wear conditions. Is more improved.
【００２６】データ蓄積および教示の繰り返しによっ
て、より賢くなったニューラルネットワーク判定ルーチ
ン３は、現時点での画像特徴量および工作機械の運転条
件に基づいて現時点での工具の摩耗状態および摩耗無し
状態の適合度を計算する。The neural network determination routine 3 which has become smarter by repeating the data accumulation and the teaching is adapted to the current tool wear state and the wear-free state based on the current image features and the operating conditions of the machine tool. Calculate the degree.
【００２７】次に摩耗判定ルーチン４では、摩耗適合度
に基づいて工具に「摩耗あり」または「摩耗無し」のい
ずれかを決定する。Next, in the wear determination routine 4, the tool is determined to be either "worn" or "no wear" based on the degree of wear suitability.
【００２８】図２は、赤外線画像の一例を示す説明図で
ある。これは回転している被切削製品Ｗに切削バイト等
の工具２１が当接して切削している状態を赤外線カメラ
１で撮像したときの赤外線画像である。工具２１の先端
は加工熱によって最も高温になっており、画像上では高
い輝度データを持つ高輝度部ＰＡ（図２で二重斜線で示
す）として現われる。工具２１の先端から根元に行くに
つれて温度は徐々に低下し、画像上では高輝度部ＰＡの
周囲を囲むように高温部ＰＢ（図２で斜線で示す）が現
われる。高温部ＰＢからさらに根元に行くにつれて温度
は低下し、中温部ＰＣが現われる。こうした高輝度部Ｐ
Ａおよび高温部ＰＢの温度分布のピーク値や大きさが工
具の摩耗に大きな影響を与える。FIG. 2 is an explanatory diagram showing an example of an infrared image. This is an infrared image obtained when the infrared camera 1 captures a state in which the tool 21 such as a cutting tool is in contact with the rotating workpiece W and is cutting. The tip of the tool 21 has the highest temperature due to the processing heat, and appears on the image as a high-luminance part PA (shown by double oblique lines in FIG. 2) having high luminance data. The temperature gradually decreases from the tip of the tool 21 toward the root, and a high-temperature portion PB (shown by oblique lines in FIG. 2) appears around the high-luminance portion PA on the image. The temperature decreases further from the high temperature part PB to the root, and a medium temperature part PC appears. Such a high brightness part P
The peak value and size of the temperature distribution of A and the high temperature portion PB have a great influence on tool wear.
【００２９】画像処理ルーチン２で算出する画像特徴量
として、１）高温部ＰＢの最高輝度：赤外線画像の輝度
データを所定のビット数、たとえば８ビット（２５６レ
ベル）の深さで表現したとき最も大きな輝度データ、
２）高温部ＰＢの面積：赤外線画像の輝度データを所定
閾値で２値化したとき、閾値以上の輝度データを持つ画
素数、３）高温部ＰＢの周囲長：高温部ＰＢの周囲の長
さを画素単位でカウントした数値、４）高温部ＰＢの最
大長さ：高温部ＰＢを工具２１の長手方向に対して垂直
な方向に沿って計測して、画素単位でカウントした数
値、５）高温部ＰＢの最小長さ：高温部ＰＢを工具２１
の長手方向に沿って計測して、画素単位でカウントした
数値、等が例示できる。この他にも画像の輝度分布を定
量化できる各種パラメータを画像特徴量として適宜追
加、変更して使用できる。The image feature quantity calculated by the image processing routine 2 is as follows: 1) Maximum brightness of the high-temperature portion PB: When the brightness data of the infrared image is expressed by a predetermined number of bits, for example, 8 bits (256 levels). Large brightness data,
2) Area of high-temperature portion PB: number of pixels having luminance data equal to or more than the threshold value when luminance data of an infrared image is binarized by a predetermined threshold value 3) Perimeter of high-temperature portion PB: length around high-temperature portion PB 4) Maximum length of high temperature portion PB: Numerical value obtained by measuring high temperature portion PB along a direction perpendicular to the longitudinal direction of tool 21 and counting in pixel units, 5) High temperature Minimum length of part PB: high temperature part PB with tool 21
Numerical values measured along the longitudinal direction and counted in pixel units can be exemplified. In addition, various parameters that can quantify the luminance distribution of an image can be appropriately added or changed as an image feature amount and used.
【００３０】なお、赤外線画像には工具２１の画像だけ
でなく、高温となって飛散する切り屑や油、被切削製品
Ｗの高温部の画像も含まれる。そのため、赤外線画像か
ら高温部ＰＢを抽出する際に単に２値化処理しただけで
は高温部ＰＢ以外の部分も検出してしまう可能性があ
る。この対策として、比較的小さな外乱、たとえば１画
素分のノイズについては、膨張・収縮処理によって除去
できる。また、切り屑は比較的大きなノイズとなるが、
工具２１の画像が常に一定の位置に存在する静止画像で
あるのに対して、切り屑は絶えず位置を変化させる動画
像であるため、所定時間間隔で撮像された２つの２値化
画像同士を重ねてＡＮＤ処理を施すことによって工具２
１の画像だけを抽出することができる。The infrared image includes not only an image of the tool 21 but also an image of chips and oil which are scattered due to high temperature, and an image of a high temperature portion of the workpiece W. Therefore, when the high-temperature portion PB is extracted from the infrared image, a portion other than the high-temperature portion PB may be detected by simply performing the binarization process. As a countermeasure, relatively small disturbance, for example, noise for one pixel, can be removed by expansion / contraction processing. Also, chips produce relatively large noise,
While the image of the tool 21 is a still image that is always present at a fixed position, the chip is a moving image that constantly changes its position. Therefore, two binarized images captured at a predetermined time interval are compared with each other. Tool 2
Only one image can be extracted.
【００３１】ニューラルネットワーク判定ルーチン３に
入力される工作機械の運転条件として、１）刃先の曲率
半径：工具２１の刃先の曲率半径をｍｍ単位で表した数
値、２）切削速度：被切削製品Ｗと工具２１とが接触す
る位置での回転線速度（ｍ／分）または被切削製品Ｗを
保持するチャック部の回転速度（回転／分）、３）工具
送り速度：被切削製品Ｗを保持するチャック部が１回転
したときに工具２１が移動する距離をｍｍ単位で表した
数値、４）切込み深さ：工具２１の刃先が被切削製品Ｗ
に食い込んでいる深さをｍｍ単位で表した数値、等が例
示できる。この他にも切削作業の内容を定量化できる各
種パラメータを工作機械の運転条件として適宜追加、変
更して使用できる。The operating conditions of the machine tool input to the neural network determination routine 3 include: 1) radius of curvature of the cutting edge: a numerical value expressing the radius of curvature of the cutting edge of the tool 21 in mm; 2) cutting speed: product W to be cut Linear velocity (m / min) at the position where the tool 21 and the tool 21 are in contact with each other, or the rotation speed (rotation / min) of the chuck portion holding the workpiece W, 3) tool feed speed: holding the workpiece W Numerical value representing the distance that the tool 21 moves when the chuck portion makes one rotation in mm unit. 4) Cutting depth: The cutting edge of the tool 21 is the product W to be cut.
The numerical value which expressed the depth which bites into into in mm unit, etc. can be illustrated. In addition, various parameters that can quantify the content of the cutting operation can be appropriately added or changed as operating conditions of the machine tool and used.
【００３２】図３は、ニューラルネットワーク判定ルー
チン３での動作内容を示す説明図である。ニューラルネ
ットワークは、１つの入力データを１つのニューロンと
して割り当てた入力層と、１つのニューロンから複数の
ニューロンが派生して、各ニューロン同士の関わり合い
を結合の強さとして数値化し、この重み付け演算によっ
て総合的な判断を行なう隠れ層と、最終的に「摩耗あ
り」または「摩耗無し」の２値判定を出力する出力層と
で構成される。FIG. 3 is an explanatory diagram showing the contents of the operation in the neural network determination routine 3. In the neural network, an input layer in which one input data is assigned as one neuron and a plurality of neurons are derived from one neuron, and the relationship between each neuron is quantified as a connection strength, and this weighting operation is performed. It is composed of a hidden layer for making a comprehensive judgment and an output layer for finally outputting a binary judgment of “wear” or “no wear”.
【００３３】上述した画像特徴量および工作機械の運転
条件を入力層へ入力するために、０〜１の範囲で変化す
るように正規化（無次元化）を行なう。正規化の方法と
して、１）各数値とも実際の運用上で取り得る最大値お
よび最小値を予め設定しておいて、装置の運用中に得ら
れる数値から最小値を引算し、さらに最大値と最小値と
の差で除算する方法、２）各数値に関して、既に得られ
た過去のデータを統計処理して平均値および標準偏差を
予め算出しておいて、装置の運用中に得られる数値から
平均値を引算し、標準偏差で除算する方法、などが例示
できる。In order to input the above-mentioned image features and the operating conditions of the machine tool to the input layer, normalization (dimensioning) is performed so as to change in the range of 0 to 1. As a normalization method, 1) For each numerical value, a maximum value and a minimum value that can be obtained in actual operation are set in advance, and the minimum value is subtracted from the numerical value obtained during operation of the device, and further, the maximum value is obtained. 2) For each numerical value, an average value and a standard deviation are calculated in advance by statistically processing the past data already obtained, and the numerical value obtained during operation of the apparatus. , A method of subtracting the average value from, and dividing by the standard deviation.
【００３４】ニューラルネットワークは、各ニューロン
を伝わるデータの大きさと工具摩耗状態との関係を数値
化して適合度として判定するため、この適合度の判定向
上を図るために学習機能を有する。したがって、新たな
切削作業を開始した場合に、開始当初は判定精度はあま
り高くないが、作業時間が長くなるにつれて学習を積む
ことによって急速に判定精度が向上し、ある程度時間が
経過すると作業員の監視がなくても安全に工作機械を運
転することができる。The neural network has a learning function to digitize the relationship between the size of data transmitted through each neuron and the tool wear state and determine the degree of conformity, and to improve the determination of the degree of conformity. Therefore, when a new cutting operation is started, the accuracy of the judgment is not very high at the beginning, but as the working time increases, the accuracy of the judgment improves rapidly by accumulating learning, and after a certain amount of time, the worker's Machine tools can be operated safely without monitoring.
【００３５】こうした学習機能を実現する手法として、
いわゆる誤差逆伝播法が知られている。ニューラルネッ
トワークに入力パターンと目標出力とのパターン対が提
示されると、入力パターンによるニューラルネットワー
クの出力と目標出力との差が減少するようにニューロン
間の重みを調整する。教示のときは、入力パターンと目
標出力パターンから成る対の集合を使用して、ニューラ
ルネットワークに繰り返し提示する。教示が終了する
と、ニューラルネットワークの動作テストを行なう。As a method for realizing such a learning function,
A so-called error back propagation method is known. When a pattern pair of an input pattern and a target output is presented to the neural network, the weight between neurons is adjusted so that the difference between the output of the neural network and the target output due to the input pattern is reduced. At the time of teaching, a set of pairs consisting of an input pattern and a target output pattern is used and repeatedly presented to the neural network. When the teaching is completed, an operation test of the neural network is performed.
【００３６】誤差逆伝播法の学習アルゴリズムには、順
伝播ステップとその後に実行される逆伝播ステップとが
あり、両者とも教示中のパターン提示が行なわれる度に
実行される。順伝播ステップは、ニューラルネットワー
クの入力層へ入力パターンを提示することから始まっ
て、活性化レベルの計算が隠れ層を通じて順方向に伝播
していく間継続する。各層での全ての処理ユニット（ニ
ューロン）では、処理ユニットの入力の総和を重み付け
で計算して、閾値関数によって出力を計算し、後段へ出
力する。そして、最終の出力層での出力パターンがニュ
ーラルネットワーク全体の出力となる。The learning algorithm of the error backpropagation method includes a forward propagation step and a backpropagation step executed thereafter, both of which are executed every time a pattern during teaching is presented. The forward propagation step begins by presenting the input pattern to the input layer of the neural network and continues as the activation level calculation propagates forward through the hidden layer. In all the processing units (neurons) in each layer, the sum of the inputs of the processing units is calculated by weighting, the output is calculated by a threshold function, and output to the subsequent stage. Then, the output pattern in the final output layer is the output of the entire neural network.
【００３７】次に出力層での出力パターンと目標出力パ
ターンとを比較して、ある程度の差が出たり、エラーが
ある場合には、逆伝播ステップが始まる。逆伝播ステッ
プでは、各処理ユニット間におけるエラー値と重みの変
化分を計算するものであり、出力層から始めて隠れ層の
中を逆方向にたどるように順番に計算を行ない、出力パ
ターンと目標出力パターンとの差が減少するように各処
理ユニット間での重みを修正する。Next, the output pattern in the output layer is compared with the target output pattern. If there is a certain difference or there is an error, the back propagation step starts. In the backpropagation step, the change in the error value and the weight between the processing units is calculated. The calculation is performed in order from the output layer to the hidden layer in the reverse direction, and the output pattern and the target output are calculated. The weight between the processing units is corrected so that the difference from the pattern is reduced.
【００３８】本実施形態では、教示用データとして「摩
耗あり」と「摩耗無し」の２通りの状態を用いており、
学習においては出力層での教示データとの平均二乗誤差
が充分に小さくなるまで学習を繰り返す。In this embodiment, two states of "wear" and "no wear" are used as teaching data.
In the learning, the learning is repeated until the mean square error with the teaching data in the output layer becomes sufficiently small.
【００３９】図４は、本発明に係る工具摩耗検知装置の
一例を示す構成図である。大型旋盤２０の回転チャック
部には被切削製品Ｗが装着され、切削バイト等の工具２
１が移動ステージ２２に取り付けられ、被切削製品Ｗの
回転とともに移動ステージ２２が一定速度で移動するこ
とによって被切削製品Ｗが所望の形状に切削される。FIG. 4 is a block diagram showing an example of the tool wear detecting device according to the present invention. The workpiece to be cut W is mounted on the rotary chuck portion of the large lathe 20 and the tool 2 such as a cutting tool is attached.
1 is attached to the moving stage 22, and the moving stage 22 moves at a constant speed with the rotation of the cutting target product W, thereby cutting the cutting target product W into a desired shape.
【００４０】赤外線カメラ１は、カメラ台２３とともに
移動ステージ２２に固定され、切削中の工具２１から発
する赤外線を検出して、温度分布に対応する輝度データ
から成る赤外線画像データを出力する。The infrared camera 1 is fixed to the moving stage 22 together with the camera stand 23, detects infrared rays emitted from the tool 21 during cutting, and outputs infrared image data consisting of luminance data corresponding to the temperature distribution.
【００４１】画像処理装置１０は、図１で説明した画像
処理ルーチン２、ニューラルネットワーク判定ルーチン
３、摩耗判定ルーチン４、およびニューラルネットワー
ク教示ルーチン５を実行するものであり、赤外線カメラ
１からの赤外線画像や画像処理ルーチン２で抽出した画
像特徴量やニューラルネットワーク判定ルーチン３での
判定結果、教示用データなど種々のデータがモニタ１２
やパソコン（パーソナルコンピュータ）１１に出力され
る。The image processing apparatus 10 executes the image processing routine 2, the neural network determination routine 3, the wear determination routine 4, and the neural network teaching routine 5 described with reference to FIG. Various data such as the image feature quantity extracted in the image processing routine 2, the determination result in the neural network determination routine 3, and the teaching data are displayed on the monitor 12.
And a personal computer (personal computer) 11.
【００４２】モニタ１２では、画像処理装置１０から供
給される赤外線画像や画像特徴量、判定結果などを表示
する。パソコン１１は、画像処理装置１０の動作を制御
するものであり、画像処理装置１０から供給される画像
特徴量、判定結果、教示用データや操作員によって入力
される工作機械の運転条件などを取り込んで、画像特徴
量、工作機械の運転条件および判定結果に関するデータ
を関連付けて蓄積したり、教示済みニューラルネットワ
ークを生成して画像処理装置１０へ出力する。また、パ
ソコン１１のモニタにも赤外線画像や画像特徴量、判定
結果、教示用データ等を表示することができる。なお、
工作機械の運転条件は、大型旋盤２０などの工作機械と
オンライン接続によって入力することも可能である。The monitor 12 displays an infrared image, image feature quantity, determination result, and the like supplied from the image processing apparatus 10. The personal computer 11 controls the operation of the image processing apparatus 10 and captures image feature amounts, determination results, teaching data, operating conditions of the machine tool input by the operator, and the like supplied from the image processing apparatus 10. Then, data relating to the image feature amount, the operating condition of the machine tool, and the determination result are stored in association with each other, or a taught neural network is generated and output to the image processing apparatus 10. Further, an infrared image, an image feature amount, a determination result, teaching data, and the like can be displayed on the monitor of the personal computer 11. In addition,
The operating conditions of the machine tool can be input by online connection with a machine tool such as the large lathe 20.
【００４３】画像処理装置１０のニューラルネットワー
ク判定ルーチン３が工具の摩耗状態を「摩耗あり」と判
定した場合には、大型旋盤２０の動作を制御する旋盤制
御装置１３に制御信号を出力して、旋盤制御装置１３は
大型旋盤２０に停止信号を出力すると、大型旋盤２０は
自動的に停止する。When the neural network determination routine 3 of the image processing apparatus 10 determines that the wear state of the tool is "wear", a control signal is output to the lathe control apparatus 13 for controlling the operation of the large lathe 20, When the lathe control device 13 outputs a stop signal to the large lathe 20, the large lathe 20 automatically stops.
【００４４】図５は、工具摩耗検知装置の動作を示すフ
ローチャートである。まずステップａ１において、パソ
コン１１に工作機械の運転条件などを入力して、ステッ
プａ２で大型旋盤２０の運転を開始する。ステップａ３
で赤外線カメラ１が出力する工具２１の赤外線画像を画
像処理装置１０に取り込んで、ステップａ４で画像処理
装置１０が画像処理ルーチン２によって上述の画像特徴
量を算出する。ステップａ５ではパソコン１１が画像特
徴量、工作機械の運転条件、ニューラルネットワークの
判定結果等を教示用データとして関連付けて蓄積する。
こうして工具２１による切削作業の間ステップａ３〜ａ
５を繰り返して、教示用データを採取する。FIG. 5 is a flowchart showing the operation of the tool wear detecting device. First, in step a1, the operating conditions of the machine tool and the like are input to the personal computer 11, and the operation of the large lathe 20 is started in step a2. Step a3
In step a4, the infrared image of the tool 21 output from the infrared camera 1 is taken into the image processing apparatus 10, and the image processing apparatus 10 calculates the above-described image feature amount by the image processing routine 2 in step a4. In step a5, the personal computer 11 correlates and accumulates image feature amounts, operating conditions of the machine tool, determination results of the neural network, and the like as teaching data.
Thus, during the cutting operation by the tool 21, the steps a3 to a3 are performed.
5 is repeated to collect teaching data.
【００４５】次にステップｂ１において、パソコン１１
は、蓄積した教示用データや教示済みニューラルネット
ワークを生成して、画像処理装置１０に供給する。Next, at step b1, the personal computer 11
Generates the stored teaching data and the taught neural network, and supplies them to the image processing apparatus 10.
【００４６】次にステップｃ１以降は、教示用データの
採取と同様であり、まずステップｃ１において、パソコ
ン１１に工作機械の運転条件などを入力して、ステップ
ｃ２で大型旋盤２０の運転を開始する。ステップｃ３で
赤外線カメラ１が出力する工具２１の赤外線画像を画像
処理装置１０に取り込んで、ステップｃ４で画像処理装
置１０が画像処理ルーチン２によって上述の画像特徴量
を算出する。ステップｃ５では教示されたニューラルネ
ットワークが工具の摩耗状態を判定する。ステップｃ６
ではパソコン１１が画像特徴量、工作機械の運転条件、
ニューラルネットワークの判定結果等を教示用データと
して関連付けて蓄積する。こうして実際の運用中におい
てもステップｃ３〜ｃ６を繰り返して、教示用データを
採取しながら工具摩耗状態を判定し、データ蓄積と学習
を繰り返すことによって判定精度が徐々に向上する。Next, the steps after step c1 are the same as the collection of the teaching data. First, in step c1, the operating conditions of the machine tool are input to the personal computer 11, and the operation of the large lathe 20 is started in step c2. . In step c3, the infrared image of the tool 21 output from the infrared camera 1 is fetched into the image processing apparatus 10, and in step c4, the image processing apparatus 10 calculates the above-described image feature amount by the image processing routine 2. In step c5, the taught neural network determines the wear state of the tool. Step c6
In the PC 11, the image feature amount, the operating condition of the machine tool,
The determination result of the neural network and the like are associated and stored as teaching data. Thus, even during the actual operation, the steps c3 to c6 are repeated, the tool wear state is determined while collecting the teaching data, and the determination accuracy is gradually improved by repeating data accumulation and learning.
【００４７】こうして監視者の目が届かない場合であっ
ても、ニューラルネットワークによる判定によって工具
の摩耗や破損を未然に防止することができる。Thus, even in the case where the observer cannot reach the eyes, the wear and breakage of the tool can be prevented beforehand by the judgment by the neural network.
【００４８】なお、上述したニューラルネットワークの
教示形態には、工作機械の停止中に行なうオフライン教
示と、工作機械の稼働中に行なうオンライン教示とがあ
る。The above-described neural network teaching forms include off-line teaching performed while the machine tool is stopped, and online teaching performed while the machine tool is operating.
【００４９】オフライン教示の場合、工作機械の稼働中
に摩耗判定およびデータ蓄積を行ない、その後工作機械
を停止した状態で、稼働中に蓄積されたデータを用いて
ニューラルネットワークを教示することによって、手動
によるきめ細かい教示が可能になるため、判定精度を向
上でき、各種条件の変化に対して柔軟な対応ができる。
また、ニューラルネットワークの更新も工作機械の停止
中に手動で行なうことができる。In the case of off-line teaching, wear judgment and data accumulation are performed during the operation of the machine tool, and then, while the machine tool is stopped, the neural network is taught by using the data accumulated during the operation, whereby manual operation is performed. This makes it possible to improve the accuracy of judgment and to flexibly respond to changes in various conditions.
Further, the updating of the neural network can also be performed manually while the machine tool is stopped.
【００５０】オンライン教示の場合、工作機械の稼働中
に摩耗判定およびデータ蓄積を行ないながら、稼働中に
蓄積されるデータを用いてニューラルネットワークを教
示することによって、自動的に判定精度を向上でき、各
種条件の変化に対して迅速な対応ができ、しかも担当者
の教示作業を省くことができる。また、ニューラルネッ
トワークの更新も工作機械の稼働中に自動的に行なうこ
とができる。In the case of online teaching, the accuracy of the judgment can be automatically improved by teaching the neural network using the data accumulated during the operation while performing the wear judgment and data accumulation during the operation of the machine tool. It is possible to promptly respond to changes in various conditions and to omit the teaching work of the person in charge. Further, the updating of the neural network can be automatically performed during the operation of the machine tool.
【００５１】[0051]
【発明の効果】以上詳説したように本発明によれば、工
具の温度分布画像から所定の画像特徴量を算出し、工作
機械の運転条件とともにニューラルネットワークに入力
することによって、切削中工具の摩耗状態を確実に判定
することができ、ニューラルネットワークの学習が進む
ほど判定精度がより向上する。そのため、工作機械の担
当者はそれほど熟練を要せず、加工作業の省力化を促進
できる。As described above in detail, according to the present invention, a predetermined image characteristic amount is calculated from a temperature distribution image of a tool, and the calculated image characteristic amount is input to a neural network together with the operating conditions of the machine tool, whereby wear of the tool during cutting is reduced. The state can be reliably determined, and the more the neural network learns, the more the determination accuracy improves. Therefore, the person in charge of the machine tool does not require much skill, and it is possible to promote labor saving of the machining operation.
【００５２】また、工具の摩耗ありと判定した場合に工
作機械の運転を停止することによって、工具や製品の劣
化や破損を未然に防止でき、作業者の監視が届かない場
合や無人自動運転を行なう場合でも工具や材料のロスを
低減化できる。By stopping the operation of the machine tool when it is determined that the tool is worn, deterioration or breakage of the tool or product can be prevented beforehand. Even when performing, the loss of tools and materials can be reduced.
【００５３】また、画像特徴量として画像データにおけ
る工具高温部の最高輝度、面積、周囲長、最大長さおよ
び最小長さのいずれか１つ以上を用いることによって、
工具の摩耗状態を定量的に判断できる。Further, by using any one or more of the maximum brightness, area, perimeter, maximum length and minimum length of the high temperature part of the tool in the image data as the image feature amount,
The wear state of the tool can be quantitatively determined.
【００５４】また、工作機械の運転条件として刃先の曲
率半径、切削速度、工具送り速度および切込み深さのい
ずれか１つ以上を用いることによって、工具の摩耗状態
を定量的に判断できる。Further, by using any one or more of the radius of curvature of the cutting edge, the cutting speed, the tool feed speed and the cutting depth as the operating conditions of the machine tool, the wear state of the tool can be quantitatively determined.
【００５５】また、工作機械の停止中に行なうオフライ
ン教示または工作機械の稼働中に行なうオンライン教示
を用いることによって、判定精度の向上や各種条件の変
化への対応が図られる。Further, by using the offline teaching performed while the machine tool is stopped or the online teaching performed while the machine tool is operating, it is possible to improve the determination accuracy and cope with changes in various conditions.
【図１】本発明の実施の一形態の構成を示すブロック図
である。FIG. 1 is a block diagram showing a configuration of an embodiment of the present invention.
【図２】赤外線画像の一例を示す説明図である。FIG. 2 is an explanatory diagram illustrating an example of an infrared image.
【図３】ニューラルネットワーク判定ルーチン３での動
作内容を示す説明図である。FIG. 3 is an explanatory diagram showing an operation content in a neural network determination routine 3;
【図４】本発明に係る工具摩耗検知装置の一例を示す構
成図である。FIG. 4 is a configuration diagram illustrating an example of a tool wear detection device according to the present invention.
【図５】工具摩耗検知装置の動作を示すフローチャート
である。FIG. 5 is a flowchart showing the operation of the tool wear detection device.
１ 赤外線カメラ ２ 画像処理ルーチン ３ ニューラルネットワーク判定ルーチン ４ 摩耗判定ルーチン ５ ニューラルネットワーク教示ルーチン １０ 画像処理装置 １１ パソコン １２ モニタ １３ 旋盤制御装置 ２０ 大型旋盤 ２１ 工具 ２２ 移動ステージ ２３ カメラ台 DESCRIPTION OF SYMBOLS 1 Infrared camera 2 Image processing routine 3 Neural network determination routine 4 Wear determination routine 5 Neural network teaching routine 10 Image processing device 11 Personal computer 12 Monitor 13 Lathe control device 20 Large lathe 21 Tool 22 Moving stage 23 Camera stand
フロントページの続き (72)発明者 平嶋 理 兵庫県明石市川崎町１番１号 川崎重工 業株式会社 明石工場内 (72)発明者 中村 洋一 兵庫県明石市川崎町１番１号 川崎重工 業株式会社 明石工場内 (72)発明者 片岡 幹彦 兵庫県明石市川崎町１番１号 川崎重工 業株式会社 明石工場内 (72)発明者 米澤 豊作 兵庫県加古郡播磨町新島８番地 川崎重 工業株式会社 播磨工場内 (72)発明者 足立 達朗 兵庫県加古郡播磨町新島８番地 川崎重 工業株式会社 播磨工場内 (56)参考文献 特開 平10−15782（ＪＰ，Ａ) 特開 昭61−142056（ＪＰ，Ａ) 特開 平３−49850（ＪＰ，Ａ) 松村隆，ＣＡＥを用いた加工精度補償 システムの開発に関する研究，東京電機 大学総合研究所年報，平成９年５月31 日，第16号，105−110頁 (58)調査した分野(Int.Cl.7，ＤＢ名) B23Q 17/09 B23Q 17/24 ＪＩＣＳＴファイル（ＪＯＩＳ)Continued on the front page (72) Inventor Osamu Hirashima 1-1, Kawasaki-cho, Akashi-shi, Hyogo Kawasaki Heavy Industries, Ltd. Inside the Akashi Plant (72) Inventor Yoichi Nakamura 1-1-1, Kawasaki-cho, Akashi-shi, Hyogo Kawasaki Heavy Industries, Ltd. Inside the Akashi Plant (72) Inventor Mikihiko Kataoka 1-1, Kawasaki-cho, Akashi-shi, Hyogo Kawasaki Heavy Industries, Ltd. Inside the Akashi Plant (72) Inventor Toyosaku Yonezawa 8-8 Niijima, Harima-cho, Kako-gun, Hyogo Kawasaki Heavy Industries, Ltd. Harima Factory (72) Inventor Tatsuro Adachi 8 Harima, Harima-cho, Kako-gun, Hyogo Prefecture Kawasaki Heavy Industries, Ltd. Harima Factory (56) References JP-A-10-15782 (JP, A) JP-A-61-142056 ( JP, A) JP-A-3-49850 (JP, A) Takashi Matsumura, Research on development of machining accuracy compensation system using CAE, Tokyo Denki University Research Institute Annual Report, May 31, 1997, No. 16, , pp. 105-110 (58) investigated the field (Int.Cl. 7, DB name) B23Q 17/09 B23Q 17/24 JICS File (JOIS)
Claims (5)
ける温度分布を検出するための撮像カメラと、 検出された温度分布画像に画像処理を施して、画像デー
タにおける工具高温部の最高輝度、面積、周囲長、最大
長さおよび最小長さのいずれか１つ以上から成る画像特
徴量を算出するための画像処理手段と、 該画像特徴量ならびに、刃先の曲率半径、切削速度、工
具送り速度および切込み深さのいずれか１つ以上から成
る工作機械運転条件に関するデータを関連付けて蓄積す
るためのデータ蓄積手段と、 データ蓄積手段に蓄積されたデータによって教示され、
現時点の画像特徴量および工作機械運転条件に基づいて
切削中工具の摩耗状態を判定するためのニューラルネッ
トワークとを備えることを特徴とする工具摩耗検知装
置。1. An imaging camera for detecting a temperature distribution during cutting of a tool mounted on a machine tool, and performing image processing on the detected temperature distribution image to obtain a maximum brightness of a tool high-temperature portion in image data; Image processing means for calculating an image feature amount comprising at least one of an area, a perimeter, a maximum length, and a minimum length; and the image feature amount, a radius of curvature of a cutting edge, a cutting speed, and a tool feed speed. Data storage means for associating and storing data relating to a machine tool operating condition comprising at least one of a depth of cut and a depth of cut; taught by data stored in the data storage means;
A neural network for determining a wear state of a cutting tool based on a current image feature amount and a machine tool operating condition.
定した場合に、工作機械の運転を停止するための運転停
止手段を備えることを特徴とする請求項１記載の工具摩
耗検知装置。2. The tool wear detecting device according to claim 1, further comprising operation stop means for stopping the operation of the machine tool when the neural network determines that there is wear.
ける温度分布を検出する工程と、 検出された温度分布画像に画像処理を施して、画像デー
タにおける工具高温部の最高輝度、面積、周囲長、最大
長さおよび最小長さのいずれか１つ以上から成る画像特
徴量を算出する工程と、 該画像特徴量ならびに、刃先の曲率半径、切削速度、工
具送り速度および切込み深さのいずれか１つ以上から成
る工作機械運転条件に関するデータを関連付けて蓄積す
る工程と、 蓄積されたデータによってニューラルネットワークを教
示する教示工程と、 教示されたニューラルネットワークを用いて、現時点の
画像特徴量および工作機械運転条件に基づいて切削中工
具の摩耗状態を判定する工程とを含むことを特徴とする
工具摩耗検知方法。3. A step of detecting a temperature distribution during cutting of a tool mounted on a machine tool, and performing image processing on the detected temperature distribution image to obtain the maximum brightness, area, and surroundings of the high temperature portion of the tool in the image data. Calculating an image feature amount comprising at least one of a length, a maximum length, and a minimum length; and the image feature amount and any one of a radius of curvature of a cutting edge, a cutting speed, a tool feed speed, and a cutting depth. A step of associating and storing data relating to one or more machine tool operating conditions; a teaching step of teaching a neural network with the stored data; and a current image feature amount and machine tool using the taught neural network. Determining a wear state of the cutting tool based on the operating conditions.
した状態でニューラルネットワークを教示することを特
徴とする請求項３記載の工具摩耗検知方法。4. The tool wear detecting method according to claim 3, wherein in the teaching step, the neural network is taught while the machine tool is stopped.
した状態でニューラルネットワークを教示することを特
徴とする請求項３記載の工具摩耗検知方法。5. The tool wear detecting method according to claim 3, wherein in the teaching step, the neural network is taught while the machine tool is operating.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10072898A JP3076548B2 (en) | 1998-03-20 | 1998-03-20 | Tool wear detecting device and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10072898A JP3076548B2 (en) | 1998-03-20 | 1998-03-20 | Tool wear detecting device and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11267949A JPH11267949A (en) | 1999-10-05 |
| JP3076548B2 true JP3076548B2 (en) | 2000-08-14 |
Family
ID=13502639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10072898A Expired - Fee Related JP3076548B2 (en) | 1998-03-20 | 1998-03-20 | Tool wear detecting device and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3076548B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111421386A (en) * | 2020-05-14 | 2020-07-17 | 常州信息职业技术学院 | Method for monitoring wear state of micro-milling cutter based on manifold learning method |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5622528B2 (en) * | 2009-12-01 | 2014-11-12 | 株式会社ニデック | Manufacturing method of intraocular lens |
| CN105196114B (en) * | 2015-11-05 | 2016-08-24 | 西安科技大学 | Tool wear realtime on-line monitoring method based on wavelet analysis and neutral net |
| JP6557183B2 (en) * | 2016-06-28 | 2019-08-07 | ファナック株式会社 | Cutting tool life judging device, life judging method and program |
| JP6426667B2 (en) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | Apparatus for detecting abnormality of tool of machine tool and method |
| JP6487475B2 (en) * | 2017-02-24 | 2019-03-20 | ファナック株式会社 | Tool state estimation device and machine tool |
| JP6698604B2 (en) | 2017-09-29 | 2020-05-27 | ファナック株式会社 | Numerical control system and tool state detection method |
| US11494887B2 (en) * | 2018-03-09 | 2022-11-08 | Schlumberger Technology Corporation | System for characterizing oilfield tools |
| WO2019186620A1 (en) * | 2018-03-26 | 2019-10-03 | 株式会社Ｆｕｊｉ | Abnormality sign detection device and machine tool |
| JP6717875B2 (en) * | 2018-04-26 | 2020-07-08 | ファナック株式会社 | Numerical control device |
| CN108620950B (en) * | 2018-05-08 | 2021-02-02 | 华中科技大学无锡研究院 | Method and system for monitoring machining state of turning tool |
| JP7227455B2 (en) * | 2018-10-31 | 2023-02-22 | 三菱マテリアル株式会社 | Cutting management system and information processing device |
| CN109571141A (en) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | A kind of Monitoring Tool Wear States in Turning based on machine learning |
| CN109500657B (en) * | 2018-11-14 | 2020-07-10 | 华中科技大学 | Vision-based broken cutter detection method and system |
| KR101987448B1 (en) * | 2018-11-27 | 2019-06-12 | 삼영플랜트주식회사 | System for Separating Aggregate Image and Method thereof |
| TW202026096A (en) | 2019-01-02 | 2020-07-16 | 財團法人工業技術研究院 | Tool life prediction system and method thereof |
| JP6959279B2 (en) * | 2019-02-28 | 2021-11-02 | ファナック株式会社 | Machine tools and machining change methods |
| JP7401207B2 (en) * | 2019-06-21 | 2023-12-19 | ファナック株式会社 | Machine learning device, robot system, and machine learning method for learning tool status |
| CN111291518B (en) * | 2020-01-21 | 2024-04-09 | 上海电气集团股份有限公司 | BP neural network-based breaker cutter wear degree judging method |
| DE112021002094T5 (en) * | 2020-04-02 | 2023-01-26 | Fanuc Corporation | A tool condition learning device, a tool condition estimation device, a control device, a tool condition learning method, and a tool condition estimation method |
| DE102020208132A1 (en) | 2020-06-30 | 2021-12-30 | Siemens Aktiengesellschaft | Method for subtractive machining of a workpiece and machining system |
| CN114425719B (en) * | 2021-12-15 | 2023-12-26 | 哈尔滨理工大学 | Ball end milling cutter detection device and method based on CCD camera |
| CN114833636B (en) * | 2022-04-12 | 2023-02-28 | 安徽大学 | Cutter wear monitoring method based on multi-feature space convolution neural network |
| CN115062674B (en) * | 2022-07-28 | 2022-11-22 | 湖南晓光汽车模具有限公司 | Tool arrangement and tool changing method and device based on deep learning and storage medium |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61293753A (en) * | 1985-06-20 | 1986-12-24 | Hitachi Seiko Ltd | Processing condition monitoring device for printed circuit board boring machine |
| JPS61142056A (en) * | 1985-11-29 | 1986-06-28 | Hitachi Ltd | Cutting tool abnormality detecting means in machine tool |
| JP2754760B2 (en) * | 1989-07-13 | 1998-05-20 | オムロン株式会社 | Tool damage detection device |
| JPH1015782A (en) * | 1996-07-04 | 1998-01-20 | Sumitomo Electric Ind Ltd | Abnormality detector for cutting tool |
-
1998
- 1998-03-20 JP JP10072898A patent/JP3076548B2/en not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 松村隆，ＣＡＥを用いた加工精度補償システムの開発に関する研究，東京電機大学総合研究所年報，平成９年５月３１日，第１６号，１０５−１１０頁 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111421386A (en) * | 2020-05-14 | 2020-07-17 | 常州信息职业技术学院 | Method for monitoring wear state of micro-milling cutter based on manifold learning method |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11267949A (en) | 1999-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3076548B2 (en) | Tool wear detecting device and method | |
| Sanjay et al. | Modeling of tool wear in drilling by statistical analysis and artificial neural network | |
| CN108500736B (en) | Tool state estimation device and machine tool | |
| CN107797516B (en) | Numerical controller | |
| JP6453805B2 (en) | Production system for setting judgment values for variables related to product abnormalities | |
| US10996650B2 (en) | Numerical control system | |
| Čuš et al. | Real-time cutting tool condition monitoring in milling | |
| US20190041808A1 (en) | Controller and machine learning device | |
| CN108846581A (en) | A kind of machine tool reliability evaluation system and method | |
| DE102020115631A1 (en) | Machine learning device, robot system and machine learning method for learning a state of a tool | |
| JP6940542B2 (en) | Grip force adjustment device and grip force adjustment system | |
| DE102018006550B4 (en) | Abnormality detection device | |
| CN113732558B (en) | Online detection method and device for typical quality problems of robot welding | |
| US10962953B2 (en) | Adjustment of a deviation of an axis position of driving unit of machine tool | |
| US20200249650A1 (en) | Numerical control system | |
| JP6863951B2 (en) | Wire disconnection predictor | |
| Oguamanam et al. | A machine vision system for wear monitoring and breakage detection of single-point cutting tools | |
| DE102019001177B4 (en) | Controller, machine learning device and system | |
| KR20230114818A (en) | Iot based intelligent monitoring and diagnosis method and device for machine tool | |
| JP2021018753A (en) | Abnormality detector, abnormality detection method, and abnormality detection program | |
| JP3020771B2 (en) | Plant control device | |
| DE102019128707A1 (en) | Robot system | |
| Hamrol | Process diagnostics as a means of improving the efficiency of quality control | |
| Giriraj et al. | Prediction of tool wear in high speed machining using acoustic emission technique and neural network | |
| KR102191510B1 (en) | Monitoring method for machining flow |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |