JP4501918B2 - Tool mounting abnormality detection device - Google Patents

Tool mounting abnormality detection device Download PDF

Info

Publication number
JP4501918B2
JP4501918B2 JP2006269510A JP2006269510A JP4501918B2 JP 4501918 B2 JP4501918 B2 JP 4501918B2 JP 2006269510 A JP2006269510 A JP 2006269510A JP 2006269510 A JP2006269510 A JP 2006269510A JP 4501918 B2 JP4501918 B2 JP 4501918B2
Authority
JP
Japan
Prior art keywords
tool
neural network
drive device
category
learning
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
Application number
JP2006269510A
Other languages
Japanese (ja)
Other versions
JP2008087094A (en
Inventor
和隆 池田
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.)
Panasonic Corp
Panasonic Electric Works Co Ltd
Original Assignee
Panasonic Corp
Matsushita Electric Works Ltd
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 Panasonic Corp, Matsushita Electric Works Ltd filed Critical Panasonic Corp
Priority to JP2006269510A priority Critical patent/JP4501918B2/en
Publication of JP2008087094A publication Critical patent/JP2008087094A/en
Application granted granted Critical
Publication of JP4501918B2 publication Critical patent/JP4501918B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Numerical Control (AREA)
  • Automatic Tool Replacement In Machine Tools (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Description

本発明は、モータのような駆動源を備える駆動装置に対して工具が着脱可能である工作機械において、工具の取付状態の不具合や工具の種類間違いのような異常を検出する工具の取付異常検出装置に関するものである。   The present invention relates to a tool mounting abnormality detection that detects an abnormality such as a failure in the mounting state of a tool or a wrong type of tool in a machine tool in which a tool can be attached to and detached from a driving device having a driving source such as a motor. It relates to the device.

従来から、数値制御工作機械の自動工具交換装置において、工具交換アームの交換動作の異常を監視する装置が提案されている（たとえば、特許文献１参照）。この装置は、工具交換アームの交換動作中の各位置における駆動モータのトルク波形パターンを検出し、工具交換アームの正常運転時における駆動モータのトルク波形パターンと比較して、工具交換動作の異常を検出するものである。トルク波形パターンの比較には、工具交換アームの交換動作中の同一位置でのトルク値の誤差量を求め、この誤差量が許容範囲内か否かによって工具交換動作について異常の有無を判断している。   Conventionally, in an automatic tool changer for a numerically controlled machine tool, a device for monitoring an abnormality in a change operation of a tool changer arm has been proposed (for example, see Patent Document 1). This device detects the torque waveform pattern of the drive motor at each position during the change operation of the tool change arm, and compares it with the torque waveform pattern of the drive motor during normal operation of the tool change arm. It is to detect. To compare torque waveform patterns, the error amount of the torque value at the same position during the tool change arm change operation is obtained, and whether there is an abnormality in the tool change operation is determined by whether this error amount is within the allowable range. Yes.

特許文献１に記載された装置は、工具交換アームの製作誤差に起因する工具交換動作の異常の有無を監視することによって、工作機械やワークの損傷を未然に防ぐという技術的課題を解決している。特許文献１には、工具マガジンに保管されている複数個の工具について工具の重量差を考慮し、交換する工具に合わせたトルク波形パターンを記憶させておき、工具交換時には交換する工具に合わせたトルク波形パターンを用いることも記載されている。
特開平１１−３３３６５７号公報 The apparatus described in Patent Document 1 solves the technical problem of preventing damage to machine tools and workpieces by monitoring the presence or absence of abnormal tool change operations caused by manufacturing errors of the tool change arm. Yes. In Patent Document 1, a torque waveform pattern corresponding to a tool to be replaced is stored for a plurality of tools stored in a tool magazine in consideration of the weight difference of the tool, and is adjusted to the tool to be replaced at the time of tool replacement. The use of a torque waveform pattern is also described.
JP-A-11-333657

ところで、特許文献１に記載された技術は、自動工具交換装置の異常の有無を検出するものであり、自動工具交換装置が正常に動作していれば、駆動装置に対して工具が正常に取り付けられるという前提に立っている。しかしながら、たとえ自動工具交換装置を用いる場合でも、工具マガジンに工具を保管する作業は人手を介して行うから、工具マガジンに工具を保管する際に、工具の場所や向きを間違えることがある。このような場合には、自動工具交換装置が正常に動作していたとしても、駆動装置に対して工具が誤って取り付けられるから、正常な加工工作が行われないという問題が生じる。したがって、駆動装置に工具を取り付けた状態において、工具の取付状態の不具合や工具の種類間違いのような異常を検出することが望まれている。   By the way, the technique described in Patent Document 1 detects the presence or absence of an abnormality in the automatic tool changer. If the automatic tool changer is operating normally, the tool is normally attached to the drive unit. It is based on the premise that However, even when an automatic tool changer is used, the work for storing the tool in the tool magazine is performed manually, and therefore, when storing the tool in the tool magazine, the location and orientation of the tool may be wrong. In such a case, even if the automatic tool changer is operating normally, the tool is erroneously attached to the drive unit, so that there is a problem that normal machining is not performed. Therefore, it is desired to detect an abnormality such as a failure in the mounting state of the tool or a wrong type of tool in a state where the tool is mounted on the driving device.

本発明は上記事由に鑑みて為されたものであり、その目的は、駆動装置に工具を取り付けた状態において工具の取付状態の不具合や工具の種類間違いを検出することが可能な工具の取付異常検出装置を提供することにある。   The present invention has been made in view of the above-mentioned reasons, and the purpose of the present invention is to detect abnormalities in the mounting state of a tool and wrong tool type in a state where the tool is mounted on a driving device. It is to provide a detection device.

請求項１の発明は、工具が駆動装置に対して着脱可能に装着される工作機械において駆動装置から発生する振動を検出する振動センサと、振動センサの出力である対象信号から複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量のカテゴリを分類するニューラルネットワークと、ニューラルネットワークによる分類結果を用いて駆動装置への工具の装着状態を判定する判定部とを備え、ニューラルネットワークは、工具を駆動装置に取り付けた状態で空転させかつ駆動装置に対する工具の取付状態が正常であるときの対象信号の特徴量のみを学習データに用い工具の取付状態をカテゴリとした学習が行われ、判定部は、工具を駆動装置に取り付けた状態で空転しているときに得られる対象信号の特徴量を、学習後のニューラルネットワークに検査データとして与えたときに発火したニューロンが正常のカテゴリに属していないときに駆動装置への工具の取付状態が異常であると判定することを特徴とする。 The invention of claim 1 comprises a vibration sensor for detecting vibration generated from the drive device in a machine tool in which the tool is detachably attached to the drive device, and a plurality of parameters from a target signal which is an output of the vibration sensor. A feature extraction unit that extracts a feature amount; a neural network that classifies the category of the feature amount extracted by the feature extraction unit; and a determination unit that determines a state of attachment of the tool to the drive device using a classification result by the neural network. The neural network is idled with the tool attached to the drive device, and only the feature quantity of the target signal when the tool attachment state to the drive device is normal is used as learning data, and the tool attachment state is classified as a category. Characteristics of the target signal obtained when learning is performed and the determination unit is idling with the tool attached to the drive device The mounting state of the tool to the drive device when the excited neuron does not belong to the normal categories and judging to be abnormal when given as test data to the neural network after learning.

請求項２の発明では、請求項１の発明において、前記工作機械は工具マガジンに保管された複数個の工具を指示された順序で自動的に交換する構成であって、前記ニューラルネットワークは工具別の学習データを用いて学習され、前記判定部は、工作機械において工具を交換する指示に同期して正常のカテゴリに属するニューロンを変更することを特徴とする。 According to a second aspect of the present invention, in the first aspect of the present invention, the machine tool is configured to automatically replace a plurality of tools stored in a tool magazine in a specified order, and the neural network is classified by tool. The learning unit is configured to change the neurons belonging to the normal category in synchronization with an instruction to change the tool in the machine tool.

請求項３の発明では、請求項１または請求項２の発明において、前記ニューラルネットワークは競合学習型ニューラルネットワークであることを特徴とする。 According to a third aspect of the present invention, in the first or second aspect of the present invention, the neural network is a competitive learning type neural network.

請求項１の発明の構成によれば、工具を駆動装置に正常に取り付けた状態で空転させたときの駆動装置の振動を振動センサで検出し、工具の取付状態が正常であるときの振動センサの出力の特徴量のみを学習データに用いてニューラルネットワークの学習を行い、一方、工具の取付に関する異常を判定する際には、駆動装置に工具を取り付けて空転させたときの振動センサの出力の特徴量をニューラルネットワークにより分類し、正常以外は異常と判定するから、実際に工具を装着しワークを加工する前の状態での異常の有無を判定することができる。つまり、駆動装置に取り付けた工具の種類の間違いや駆動装置への工具の取付位置のずれのような工具の取付状態の不具合、あるいは駆動装置に対する工具の取付向きの間違い、あるいはまた、工具の破損や駆動装置の異常などを異常として検出することができる。 According to the configuration of the first aspect of the present invention, the vibration sensor detects vibrations of the driving device when the tool is idled in a state where the tool is normally attached to the driving device, and the vibration sensor when the tool is attached normally. The neural network is trained using only the output feature value as learning data.On the other hand, when determining an abnormality related to the attachment of the tool, the output of the vibration sensor when the tool is idled and attached to the drive unit Since the feature amount is classified by the neural network and it is determined that the abnormality is not normal, it is possible to determine whether or not there is an abnormality in a state before the tool is actually mounted and the workpiece is processed. In other words, the wrong type of tool attached to the drive unit, the failure of the tool mounting state such as the displacement of the tool mounting position on the drive unit, the wrong mounting direction of the tool with respect to the drive unit, or the damage of the tool It is possible to detect an abnormality of a drive device or the like as an abnormality.

しかも、正常以外は以上と判定するから、異常の種類については分類することができないが、学習データの収集が容易であり、装置の導入から実使用までの期間を短くすることができる。また、異常の種類にかかわりなく正常以外は異常と判断することにより、異常の種類が不明であっても安全側の判断になり、工作機械やワークの破損の可能性を低減することができる。 Moreover, since it is determined as above except for normal, the type of abnormality cannot be classified, but learning data can be easily collected, and the period from introduction of the device to actual use can be shortened. In addition, by determining that an abnormality other than normal is abnormal regardless of the type of abnormality, even if the type of abnormality is unknown, it is determined on the safe side, and the possibility of damage to the machine tool or workpiece can be reduced.

請求項２の発明の構成によれば、工具の種類が異なる場合でも正常のカテゴリに属するニューロンの変更で対応するから、マシニングセンタのように多数個の工具を自動的に交換して加工工作を行う場合でも、工具の取付に関する異常を工具毎に監視することが可能になる。 According to the configuration of the second aspect of the invention, even when the types of tools are different, it is possible to respond by changing the neurons belonging to the normal category, so that machining is performed by automatically exchanging a number of tools as in a machining center. Even in this case, it is possible to monitor an abnormality related to the attachment of the tool for each tool.

請求項３の発明の構成によれば、競合学習型ニューラルネットワークを用いるから、構成が簡単である上に、カテゴリ毎の学習データを収集し、カテゴリ別に学習データを与えるだけで簡単に学習させることができる。 According to the configuration of the invention of claim 3 , since a competitive learning type neural network is used, the configuration is simple, and learning data for each category is collected, and learning is performed simply by providing learning data for each category. Can do.

以下に説明する実施形態は、工作機械として、マシニングセンタやターニングセンタのように、工具マガジンに保持された複数個の工具から使用する工具をプログラムに従って自動的に選択し、選択した工具を駆動装置に自動的に装着するものを想定するが、単機能の工作機械であっても駆動装置に対して工具が着脱可能に装着されるものであれば、本発明の技術思想は適用可能である。駆動装置としては、モータを駆動源に用いるものであればよく、駆動源と工具との間にギアボックスやベルトなどの適宜の伝達機構を設けてあってもよい。以下では、駆動装置としてハウジングを備えるスピンドルを想定する。   In the embodiment described below, as a machine tool, a tool to be used is automatically selected from a plurality of tools held in a tool magazine, such as a machining center and a turning center, according to a program, and the selected tool is used as a drive device. Although what is automatically mounted is assumed, even if it is a single-function machine tool, the technical idea of this invention is applicable if a tool is detachably mounted with respect to a drive device. The drive device may be any device that uses a motor as a drive source, and an appropriate transmission mechanism such as a gear box or a belt may be provided between the drive source and the tool. In the following, a spindle including a housing is assumed as a driving device.

本実施形態で説明する工具の取付異常検出装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、とくに必要がなければ単に「ニューラルネット」と呼ぶ）１を用いている。ニューラルネットワークとしては、教師有りのバックプロパゲーション型のものを用いることが可能であるが、競合学習型ニューラルネットワークはバックプロパゲーション型のニューラルネットワークよりも構成が簡単であり、カテゴリ毎の学習データを用いて学習させるだけでよく、一旦学習した後も追加学習によって学習を強化させることが可能である点で、この種の用途向けに適している。   As shown in FIG. 1, the tool attachment abnormality detection apparatus described in the present embodiment uses an unsupervised competitive learning type neural network (hereinafter simply referred to as “neural network” unless otherwise required) 1. . As a neural network, it is possible to use a back-propagation type with supervision, but a competitive learning type neural network is simpler in configuration than a back-propagation type neural network, and learning data for each category is used. This method is suitable for this kind of application in that it only needs to be used for learning, and learning can be strengthened by additional learning even after learning once.

ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。   As shown in FIG. 2, the neural network 1 includes two layers of an input layer 11 and an output layer 12, and each neuron N <b> 2 of the output layer 12 is coupled to all the neurons N <b> 1 of the input layer 11. Have. Although the neural network 1 is assumed to be realized by executing an appropriate application program on a sequential processing type computer, a dedicated neurocomputer can also be used.

ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した複数のパラメータからなる特徴量（検査データ）のカテゴリを分類する。   The operation of the neural network 1 includes a learning mode and an inspection mode. After learning using appropriate learning data in the learning mode, a feature amount (inspection) including a plurality of parameters generated from an actual target signal in the inspection mode. Data) category.

入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。   The degree of connection (weighting coefficient) between the neuron N1 in the input layer 11 and the neuron N2 in the output layer 12 is variable. In the learning mode, the learning data is input to the neural network 1 to learn the neural network 1, and the input layer The weighting coefficients of the 11 neurons N1 and the neurons N2 of the output layer 12 are determined. In other words, each neuron N2 in the output layer 12 is associated with a weight vector whose element is a weight coefficient between each neuron N1 in the input layer 11. Therefore, the weight vector has the same number of elements as the neuron N1 of the input layer 11, and the number of parameters of the feature quantity input to the input layer 11 matches the number of elements of the weight vector.

一方、検査モードでは、カテゴリを判定すべき検査データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと検査データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって検査データのカテゴリを知ることができる。   On the other hand, in the inspection mode, when the inspection data whose category is to be determined is given to the input layer 11 of the neural network 1, among the neurons N2 of the output layer 12, the neuron N2 having the smallest Euclidean distance between the weight vector and the inspection data. set a fire. If a category is associated with the neuron N2 of the output layer 12 in the learning mode, the category of the inspection data can be known from the category of the position of the fired neuron N2.

出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ４の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ４の各領域に学習データのカテゴリを対応付けておけば、検査データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ４により知ることができる。クラスタリングマップ４はニューラルネット１による分類結果を出力する出力部として機能する。   The neuron N2 of the output layer 12 is associated one-to-one with each region of the two-dimensional clustering map 4 having, for example, 6 × 6 regions. Therefore, if the learning data category is associated with each region of the clustering map 4 in the learning mode, the category corresponding to the neuron N2 fired by the inspection data can be known from the clustering map 4. The clustering map 4 functions as an output unit that outputs the classification result obtained by the neural network 1.

クラスタリングマップ４の各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。   When associating a category with each region of the clustering map 4 (substantially each neuron N2 of the output layer 12), the learned neural network 1 is operated in the opposite direction from the output layer 12 toward the input layer 11, and output. The data given to the input layer 11 is estimated for each neuron N2 of the layer 12, and the category of learning data having the closest Euclidean distance to the estimated data is used as the category of the neuron N2 in the output layer 12. In other words, as the category of each neuron N2 in the output layer 12, the category of learning data having the minimum Euclidean distance from the weight vector of each neuron N2 is used. Thereby, the category of learning data is reflected in the category of each neuron N2 of the output layer 12.

各カテゴリについて多数個（たとえば、１５０個）の学習データを与えることにより、類似度の高いカテゴリがクラスタリングマップ４上で近い位置に配置される。つまり、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ４上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。   By giving a large number (for example, 150) of learning data for each category, a category with a high degree of similarity is arranged at a close position on the clustering map 4. That is, among the neurons N2 in the output layer 12, the neurons N2 that have fired corresponding to the learning data belonging to the same category gather at close positions on the clustering map 4 to form a cluster composed of the set of neurons N2.

なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来の意味のクラスタリングマップ４であるが、本実施形態では学習前であってもクラスタリングマップ４と呼んでとくに区別しない。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部５に格納されており、必要に応じて学習データ記憶部５から読み出されてニューラルネット１に与えられる。   Note that the clustering map 4 having the original meaning is formed after the learning and the clusters are associated with each other. However, in the present embodiment, even before the learning, the clustering map 4 is called and is not particularly distinguished. The learning data given to the neural network 1 in the learning mode is stored in the learning data storage unit 5 and is read from the learning data storage unit 5 and given to the neural network 1 as necessary.

ところで、ニューラルネット１で検出しようとする情報は、駆動装置Ｘに対して工具Ｙが正常に装着されているか否かであるから、カテゴリとしては正常状態か異常状態かを分類することができればよく、異常の種類を検出しようとするときには異常の種類もカテゴリになる。また、駆動装置Ｘには複数個の工具Ｙを取り換えて装着するから、工具Ｙごとに正常と異常とを区別する必要がある。したがって、異常の種類についても識別しようとすれば、多種類のカテゴリが必要になり、学習データの収集に手間がかかるから、本実施形態では各工具Ｙについて正常状態のみのカテゴリを設定し、正常状態から逸脱する場合には異常と判定する。ただし、各種の異常状態について学習データを収集可能な場合には、異常の種類もカテゴリとして設定してもよい。   By the way, since the information to be detected by the neural network 1 is whether or not the tool Y is normally attached to the drive device X, it is sufficient that the category can be classified as normal or abnormal. When the type of abnormality is to be detected, the type of abnormality is also a category. In addition, since a plurality of tools Y are replaced and mounted on the driving device X, it is necessary to distinguish between normal and abnormal for each tool Y. Therefore, if an attempt is made to identify the type of abnormality, many types of categories are required, and it takes time and effort to collect learning data. Therefore, in this embodiment, only the normal state category is set for each tool Y, and normal When deviating from the state, it is determined as abnormal. However, when learning data can be collected for various abnormal states, the type of abnormality may be set as a category.

駆動装置Ｘに対して工具Ｙの装着状態を判定するために、駆動装置Ｘに密着するように取り付けた振動センサ２の出力を検査すべき対象信号として用いる。振動センサ２としては加速度ピックアップを用いており、振動センサ２は、図３に示すように、駆動装置Ｘのハウジング１３の外側面に密着させる形で取り付けられる。振動センサ２を駆動装置Ｘに取り付けるにあたっては、駆動装置Ｘの動作を妨げず、かつ駆動装置Ｘの動作によって取付状態の変化しないことが要求される。したがって、接着ないし溶着によって振動センサ２を駆動装置Ｘのハウジング１３に固着する。また、振動センサ２の着脱を可能とするために、振動センサ２を着脱可能に結合する保持具をハウジング１３に固着する構成を採用してもよい。   In order to determine the mounting state of the tool Y with respect to the driving device X, the output of the vibration sensor 2 attached so as to be in close contact with the driving device X is used as a target signal to be inspected. As the vibration sensor 2, an acceleration pickup is used, and the vibration sensor 2 is attached in close contact with the outer surface of the housing 13 of the driving device X as shown in FIG. In attaching the vibration sensor 2 to the drive device X, it is required that the operation of the drive device X is not hindered and the attachment state is not changed by the operation of the drive device X. Therefore, the vibration sensor 2 is fixed to the housing 13 of the driving device X by adhesion or welding. Further, in order to enable the vibration sensor 2 to be attached and detached, a configuration in which a holder that removably couples the vibration sensor 2 is fixed to the housing 13 may be employed.

振動センサ２から出力される電気信号は対象信号として特徴抽出部３に与えられ、特徴抽出部３では対象信号について複数のパラメータを持つ特徴量を抽出する。特徴量は対象信号において着目する属性に応じて適宜に取り出すことができるが、本実施形態では対象信号の周波数成分（周波数帯域ごとのパワー）に着目している。駆動装置Ｘはスピンドルであるから振動センサ２の出力は周期性を有しているが、振動センサ２の出力について時間軸上のどの部位から特徴量を抽出するかによって抽出される特徴量が変化するから、特徴抽出部３では特徴量を抽出する前に、振動センサ２の出力から特徴量を抽出する部位を揃えるための前処理が必要である。   The electrical signal output from the vibration sensor 2 is given to the feature extraction unit 3 as a target signal, and the feature extraction unit 3 extracts a feature quantity having a plurality of parameters for the target signal. The feature amount can be appropriately extracted according to the attribute of interest in the target signal, but in this embodiment, attention is paid to the frequency component (power for each frequency band) of the target signal. Since the drive device X is a spindle, the output of the vibration sensor 2 has periodicity, but the extracted feature value varies depending on which part of the output of the vibration sensor 2 is extracted on the time axis. Therefore, before the feature extraction unit 3 extracts the feature quantity, a pre-process for aligning the parts from which the feature quantity is extracted from the output of the vibration sensor 2 is necessary.

そこで、特徴抽出部３では、駆動装置Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、振動センサ２から出力された対象信号について時間軸方向の着目部分の切り出し（セグメンテーション）を行う。ここに、セグメンテーションの際に、１周期の対象信号から１区間分だけ信号を取り出すのではなく、適宜の単位時間ごとの複数区間に分割してもよい。特徴抽出部３では、区間ごとに複数個のパラメータからなる１セットの特徴量を抽出する。   Therefore, the feature extraction unit 3 uses a timing signal (trigger signal) synchronized with the operation of the driving device X, or uses a waveform characteristic of the target signal (for example, a start point and an end point of a group of target signals). As a result, the target portion in the time axis direction is segmented from the target signal output from the vibration sensor 2. Here, at the time of segmentation, a signal for one section may not be extracted from the target signal of one cycle, but may be divided into a plurality of sections for each appropriate unit time. The feature extraction unit 3 extracts a set of feature amounts including a plurality of parameters for each section.

上述の前処理を行うために、特徴抽出部３は振動センサ２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３の前処理では、必要に応じて周波数帯域を制限するなどしてノイズを低減させる。さらに、振動センサ２から出力される対象信号をデジタル信号に変換する機能も備える。   In order to perform the above-described preprocessing, the feature extraction unit 3 includes a buffer that temporarily stores a target signal given from the vibration sensor 2. In the preprocessing of the feature extraction unit 3, noise is reduced by limiting the frequency band as necessary. Furthermore, it also has a function of converting the target signal output from the vibration sensor 2 into a digital signal.

特徴抽出部３において周波数成分を抽出するには、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数を特徴量に用いるかは、対象とする駆動装置Ｘや抽出しようとする異常に応じて適宜に選択される。   In order to extract frequency components in the feature extraction unit 3, an FFT (Fast Fourier Transform) technique or a filter bank made up of a large number of bandpass filters is used. Which frequency is used for the feature amount is appropriately selected according to the target drive device X and the abnormality to be extracted.

特徴抽出部３から得られた特徴量は、学習モードの前に学習データを収集する際には学習データ記憶部５に格納され、検査モードの際には特徴量の抽出のたびにニューラルネット１に与えられ、特徴量を検査データとしてニューラルネット１が検査データのカテゴリを分類する。   The feature amount obtained from the feature extraction unit 3 is stored in the learning data storage unit 5 when learning data is collected before the learning mode, and the neural network 1 is extracted every time the feature amount is extracted in the inspection mode. The neural network 1 classifies the category of the inspection data by using the feature amount as the inspection data.

ここでは、学習データ記憶部５に格納されているデータをデータセットと呼び、データセットに含まれる各データは駆動装置Ｘに工具Ｙが正常に取り付けられた状態に対応しているものとする。つまり、学習データ記憶部５には正常状態のカテゴリのデータのデータセットが格納されているものとする。データセットを構成するデータの個数は学習データ記憶部５に格納可能な範囲内で任意であるが、上述のようにニューラルネット１の学習には１５０個程度のデータを用いるのが望ましい。   Here, the data stored in the learning data storage unit 5 is referred to as a data set, and each data included in the data set corresponds to a state in which the tool Y is normally attached to the driving device X. That is, it is assumed that the learning data storage unit 5 stores a data set of normal category data. The number of data constituting the data set is arbitrary as long as it can be stored in the learning data storage unit 5, but it is desirable to use about 150 data for learning of the neural network 1 as described above.

学習データ記憶部５には、正常状態のカテゴリを対応付けたデータセットのみが格納されているから、ニューラルネット１を学習モードとして学習データ記憶部５に格納された各データセットで学習を行うとニューラルネット１は正常状態のみの学習を行うことになる。言い換えると、クラスタリングマップ４のカテゴリは正常状態のみであるから、上述のように学習後に逆向きに動作させてカテゴリを設定する作業は省略することができる。   Since the learning data storage unit 5 stores only the data set associated with the normal category, when learning is performed with each data set stored in the learning data storage unit 5 using the neural network 1 as the learning mode. The neural network 1 performs learning only in the normal state. In other words, since the category of the clustering map 4 is only in the normal state, the operation of setting the category by operating in the reverse direction after learning as described above can be omitted.

上述のように学習を行えば、出力層１２の各ニューロンＮ２には、それぞれ入力層１１の各ニューロンＮ１との重み係数を要素とする重みベクトルが設定される。したがって、ニューラルネット１を検査モードとして１つのカテゴリの学習データを与えると、当該カテゴリに相当するニューロンＮ２が発火する。ただし、学習データにはばらつきがあるから、一つのカテゴリの学習データ（データセット）に対して発火するニューロンＮ２は１箇所に限られず、複数個のニューロンＮ２によるクラスタを形成する。   If learning is performed as described above, a weight vector having a weight coefficient as an element with each neuron N1 in the input layer 11 is set in each neuron N2 in the output layer 12. Accordingly, when learning data of one category is given using the neural network 1 as the inspection mode, the neuron N2 corresponding to the category is fired. However, since there is variation in learning data, the number of neurons N2 that fire for one category of learning data (data set) is not limited to one, and a cluster of a plurality of neurons N2 is formed.

学習モードによりニューラルネット１の学習を行った後に、ニューラルネット１を検査モードとして検査データを与えると、検査データが駆動装置Ｘへの工具Ｙの装着が正常状態であることを示しているときには、ニューラルネット１では正常のカテゴリに属するニューロンＮ２が発火し、当該位置のクラスタリングマップ４によって正常であることが示される。一方、検査データが正常状態ではない場合には、クラスタリングマップ４において正常の位置のニューロンＮ２が発火しないから、異常状態であると判断することができる。つまり、クラスタリングマップ４は判定部として機能する。   After the learning of the neural network 1 in the learning mode, when the inspection data is given by using the neural network 1 as the inspection mode, the inspection data indicates that the mounting of the tool Y on the driving device X is normal. In the neural network 1, the neuron N2 belonging to the normal category fires, and the clustering map 4 at the position indicates that it is normal. On the other hand, if the test data is not in the normal state, the neuron N2 at the normal position in the clustering map 4 does not fire, so it can be determined that the state is abnormal. That is, the clustering map 4 functions as a determination unit.

クラスタリングマップ４による判定結果が異常状態を示すときには、適宜の報知手段を用いて使用者に異常状態であることを提示するのが望ましい。異常状態の提示には、ランプを点灯させたり警報音を発生させたりすればよい。   When the determination result by the clustering map 4 indicates an abnormal state, it is desirable to present the user to the abnormal state using appropriate notification means. In order to present an abnormal condition, the lamp may be turned on or an alarm sound may be generated.

ニューラルネット１、特徴抽出部３、クラスタリングマップ４、学習データ記憶部５は報知手段とともに１つの筐体１４に収納され、振動センサ２とは別に配置される。筐体１４と振動センサ２とはセンサ線１５を介して接続される。センサ線１５は振動センサ２に付設されており、筐体１４に対してはコネクタなどによって着脱可能に接続される。また、センサ線１５を通して対象信号に雑音成分が混入しないように、センサ線１５にはシールド線を用いることが望ましい。   The neural network 1, the feature extraction unit 3, the clustering map 4, and the learning data storage unit 5 are housed in one housing 14 together with the notification unit, and are arranged separately from the vibration sensor 2. The housing 14 and the vibration sensor 2 are connected via a sensor line 15. The sensor line 15 is attached to the vibration sensor 2 and is detachably connected to the housing 14 by a connector or the like. Further, it is desirable to use a shield line for the sensor line 15 so that a noise component is not mixed into the target signal through the sensor line 15.

実際に使用するにあたっては、工具Ｙがワークを切削している期間の振動センサ２の出力から特徴量を抽出すると、特徴量にワークの相違による成分が含まれカテゴリの分類が困難になり、また工具Ｙが駆動装置Ｘに正常に取り付けられていない状態でワークを加工すると、ワークが破損するだけではなく駆動装置Ｘや工具Ｙの破損につながるから、工具Ｙを駆動装置Ｘに取り付けた状態で、ワークを加工する前に駆動装置Ｘを空転させ、このときに得られる振動センサ２の出力を対象信号に用いる。検査データだけではなく学習データも同様である。検査モードにおいて、空転時に工具Ｙの装着状態が異常であることが検出されたときには、ワークに工具Ｙが接触する前に駆動装置Ｘを停止させるとともに異常を通知する。   In actual use, if the feature amount is extracted from the output of the vibration sensor 2 during the period when the tool Y is cutting the workpiece, the feature amount includes a component due to the difference in the workpiece, and it becomes difficult to classify the category. If the workpiece is machined while the tool Y is not normally attached to the drive device X, the workpiece is not only damaged, but also the drive device X and the tool Y are damaged, so that the tool Y is attached to the drive device X. Before the workpiece is machined, the drive device X is idled and the output of the vibration sensor 2 obtained at this time is used as the target signal. The same applies to the learning data as well as the inspection data. In the inspection mode, when it is detected that the mounting state of the tool Y is abnormal during idling, the drive device X is stopped and the abnormality is notified before the tool Y contacts the workpiece.

上述のように空転時における振動センサ２の出力を用いて工具Ｙの駆動装置Ｘへの取付状態を判断することにより、工具Ｙが傾いている場合や工具Ｙの取付向きが間違っている場合（工具Ｙの回転方向において１８０度回転している場合など）などの異常状態を検出して、ワークに工具Ｙが接触する前に駆動装置Ｘを停止させることが可能になる。   As described above, by determining the attachment state of the tool Y to the driving device X using the output of the vibration sensor 2 at the time of idling, when the tool Y is tilted or the attachment direction of the tool Y is wrong ( It is possible to detect an abnormal state such as when the tool Y is rotated 180 degrees in the rotation direction of the tool Y, and to stop the driving device X before the tool Y contacts the workpiece.

図４に示すように、工具マガジン１６に複数種類の工具Ｙが保管されており、あらかじめ設定されたプログラムの指示に従って、工具交換アーム１７によって駆動装置４に装着される工具Ｙを順に取り換える場合には、学習データ記憶部５に格納する学習データのデータセットを工具Ｙごとに設けておき、工具Ｙごとの学習データによってニューラルネット１を学習させる。このように学習させたニューラルネット１では、クラスタリングマップ４において、複数種類の工具Ｙについて正常状態のカテゴリを対応付けた領域が生じるから、工具Ｙごとに正常か異常かの判定をすることが必要である。   As shown in FIG. 4, when a plurality of types of tools Y are stored in the tool magazine 16, the tools Y mounted on the drive device 4 are sequentially replaced by the tool changer arm 17 in accordance with instructions of a preset program. Prepares a data set of learning data to be stored in the learning data storage unit 5 for each tool Y, and causes the neural network 1 to learn using the learning data for each tool Y. In the neural network 1 learned in this way, in the clustering map 4, a region in which categories of normal states are associated with a plurality of types of tools Y is generated, so it is necessary to determine whether each tool Y is normal or abnormal. It is.

どの工具Ｙが駆動装置４に装着されるかはプログラムによって既知であるから、判定部としてクラスタリングマップ４に加えてプログラムの指示によりクラスタリングマップ４の領域を選択する領域選択部６を設けている。領域選択部６では、工具Ｙごとにクラスタリングマップ４のどの領域を正常状態として用いるかを選択し、ニューラルネット１に与えた検査データに対して、クラスタリングマップ４において選択した領域のニューロンＮ２が発火しなければ報知手段により異常を報知する。   Since which tool Y is attached to the driving device 4 is known by the program, an area selection unit 6 for selecting an area of the clustering map 4 by an instruction of the program is provided as a determination unit in addition to the clustering map 4. The region selection unit 6 selects which region of the clustering map 4 is used as a normal state for each tool Y, and the neuron N2 in the region selected in the clustering map 4 is ignited for the inspection data given to the neural network 1. If not, the notification means notifies the abnormality.

上述のように、工具マガジン１６に保管された複数個の工具Ｙをプログラムの指示に従って自動的に選択し駆動装置Ｘに装着する工作機械では、メンテナンスなどのために工具Ｙを人手によって工具マガジン１６に保管する際に、工具Ｙの保管位置を間違える可能性があるが、この種の間違いに対しても工具Ｙの間違いを検出できる可能性が高くなり、ワークを誤って加工したり、工具Ｙや駆動装置Ｘが破損したりするのを未然に防止できる。   As described above, in a machine tool that automatically selects a plurality of tools Y stored in the tool magazine 16 according to the instructions of the program and mounts them on the driving device X, the tool magazine 16 is manually selected for maintenance or the like. When storing the tool Y, there is a possibility that the storage position of the tool Y may be wrong. However, it is highly possible to detect the error of the tool Y even for this type of error. It is possible to prevent the drive device X from being damaged.

なお、上述の例では、振動センサ２の出力を対象信号に用いているが、駆動装置Ｘの駆動源がモータである場合には、モータの負荷電流を対象信号に用いることが可能であり、モータがサーボ制御されている場合にはモータに設けたエンコーダの出力を対象信号に用いてもよい。   In the above example, the output of the vibration sensor 2 is used as the target signal. However, when the drive source of the driving device X is a motor, the load current of the motor can be used as the target signal. When the motor is servo-controlled, the output of an encoder provided in the motor may be used as the target signal.

本発明の実施形態を示すブロック図である。It is a block diagram showing a preferred form status of the present invention. 同上に用いるニューラルネットの概略構成図である。It is a schematic block diagram of the neural network used for the same as the above. 同上の概略構成図である。It is a schematic block diagram same as the above. 同上の概略構成図である。It is a schematic block diagram same as the above.

符号の説明Explanation of symbols

１ ニューラルネット（競合学習型ニューラルネットワーク）
２ 振動センサ
３ 特徴抽出部
４ クラスタリングマップ（判定部）
５ 学習データ記憶部
６ 領域選択部
１１ 入力層
１２ 出力層
１３ ハウジング
１４ 筐体
１５ センサ線
１６ 工具マガジン
１７ 工具交換アーム
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 駆動装置 1 Neural network (competitive learning type neural network)
2 Vibration sensor 3 Feature extraction unit 4 Clustering map (determination unit)
DESCRIPTION OF SYMBOLS 5 Learning data memory | storage part 6 Area | region selection part 11 Input layer 12 Output layer 13 Housing 14 Case 15 Sensor line 16 Tool magazine 17 Tool exchange arm N1 neuron N2 neuron X drive device

Claims (3)

工具が駆動装置に対して着脱可能に装着される工作機械において駆動装置から発生する振動を検出する振動センサと、振動センサの出力である対象信号から複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量のカテゴリを分類するニューラルネットワークと、ニューラルネットワークによる分類結果を用いて駆動装置への工具の装着状態を判定する判定部とを備え、ニューラルネットワークは、工具を駆動装置に取り付けた状態で空転させかつ駆動装置に対する工具の取付状態が正常であるときの対象信号の特徴量のみを学習データに用い工具の取付状態をカテゴリとした学習が行われ、判定部は、工具を駆動装置に取り付けた状態で空転しているときに得られる対象信号の特徴量を、学習後のニューラルネットワークに検査データとして与えたときに発火したニューロンが正常のカテゴリに属していないときに駆動装置への工具の取付状態が異常であると判定することを特徴とする工具の取付異常検出装置。 In a machine tool in which a tool is detachably mounted on a drive device, a vibration sensor that detects vibrations generated from the drive device, and feature extraction that extracts a feature amount including a plurality of parameters from a target signal that is an output of the vibration sensor A neural network that classifies the category of the feature amount extracted by the feature extraction unit, and a determination unit that determines the mounting state of the tool on the drive device using the classification result by the neural network. Learning with the tool attachment state as a category using only the feature quantity of the target signal when the tool is attached to the drive device and the tool attachment state to the drive device is normal. The feature value of the target signal obtained when the tool is idling with the tool attached to the drive unit Mounting abnormality detection apparatus for a tool, characterized in that the attachment state of the tool to the drive device when the excited neuron when given as test data to the neural network does not belong to the normal categories is determined to be abnormal. 前記工作機械は工具マガジンに保管された複数個の工具を指示された順序で自動的に交換する構成であって、前記ニューラルネットワークは工具別の学習データを用いて学習され、前記判定部は、工作機械において工具を交換する指示に同期して正常のカテゴリに属するニューロンを変更することを特徴とする請求項１記載の工具の取付異常検出装置。 The machine tool is configured to automatically replace a plurality of tools stored in a tool magazine in an instructed order, the neural network is learned using tool-specific learning data, and the determination unit includes: 2. The tool attachment abnormality detection device according to claim 1, wherein neurons belonging to a normal category are changed in synchronization with an instruction to change a tool in a machine tool . 前記ニューラルネットワークは競合学習型ニューラルネットワークであることを特徴とする請求項１または請求項２記載の工具の取付異常検出装置。 Mounting abnormality detection equipment according to claim 1 or claim 2, wherein the tool, characterized in that said neural network is a competitive learning neural network.
JP2006269510A 2006-09-29 2006-09-29 Tool mounting abnormality detection device Expired - Fee Related JP4501918B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2006269510A JP4501918B2 (en) 2006-09-29 2006-09-29 Tool mounting abnormality detection device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006269510A JP4501918B2 (en) 2006-09-29 2006-09-29 Tool mounting abnormality detection device

Publications (2)

Publication Number Publication Date
JP2008087094A JP2008087094A (en) 2008-04-17
JP4501918B2 true JP4501918B2 (en) 2010-07-14

Family

ID=39371781

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006269510A Expired - Fee Related JP4501918B2 (en) 2006-09-29 2006-09-29 Tool mounting abnormality detection device

Country Status (1)

Country Link
JP (1) JP4501918B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019007721A1 (en) 2018-11-14 2020-05-14 Fanuc Corporation Device for detecting an anomaly when attaching a tool

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6406901B2 (en) * 2014-07-11 2018-10-17 株式会社Ｆｕｊｉ Anti-substrate working machine and head type identification method
JP6722372B2 (en) * 2016-03-24 2020-07-15 長崎県 Machine tool monitoring and predictive control system with tool recognition function
JP6499737B2 (en) * 2016-11-24 2019-04-10 ファナック株式会社 Telescopic cover abnormality occurrence estimation device and abnormality occurrence estimation method
DE102017127098B8 (en) 2016-11-24 2023-05-04 Fanuc Corporation Apparatus and method for assuming abnormality occurrence for telescope coverage
JP6703967B2 (en) * 2017-08-08 2020-06-03 Dmg森精機株式会社 Tool management device and machine tool equipped with the same
JP6568167B2 (en) * 2017-08-25 2019-08-28 ファナック株式会社 Anomaly detection device and machine learning device
JP7151108B2 (en) * 2018-03-15 2022-10-12 株式会社リコー Information processing device, information processing method and program
JP6987030B2 (en) * 2018-07-18 2021-12-22 株式会社日立製作所 Analytical method for system and machine tool abnormalities or machining work
JP7194965B2 (en) * 2018-08-01 2022-12-23 中村留精密工業株式会社 Machine Tools
JP7281264B2 (en) * 2018-09-28 2023-05-25 シチズン時計株式会社 Machine tool and its operating method
JP7108577B2 (en) * 2019-05-13 2022-07-28 株式会社日立製作所 Diagnostic device, diagnostic method and processing device
JP7176495B2 (en) * 2019-08-30 2022-11-22 ブラザー工業株式会社 Numerical controller and control method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121586A (en) * 1998-10-15 2000-04-28 Eiji Uchino Metal pipe discrimination method using neural network
JP2004330339A (en) * 2003-05-06 2004-11-25 Yamazaki Mazak Corp Compound machining lathe

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2961612B2 (en) * 1989-07-04 1999-10-12 豊田工機株式会社 Tool mounting device
JP3249111B2 (en) * 1990-02-21 2002-01-21 東芝タンガロイ株式会社 Tool life sensor
JP3187485B2 (en) * 1991-11-21 2001-07-11 日立ビアメカニクス株式会社 Numerically controlled machine tools
JPH11114707A (en) * 1997-10-17 1999-04-27 Nippei Toyama Corp Abnormality detecting device for tool clamp

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121586A (en) * 1998-10-15 2000-04-28 Eiji Uchino Metal pipe discrimination method using neural network
JP2004330339A (en) * 2003-05-06 2004-11-25 Yamazaki Mazak Corp Compound machining lathe

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019007721A1 (en) 2018-11-14 2020-05-14 Fanuc Corporation Device for detecting an anomaly when attaching a tool

Also Published As

Publication number Publication date
JP2008087094A (en) 2008-04-17

Similar Documents

Publication Publication Date Title
JP4501918B2 (en) Tool mounting abnormality detection device
JP4301278B2 (en) Machine tool machining dimension prediction device
JP4321581B2 (en) Machine tool comprehensive monitoring device
US20200370996A1 (en) System And Method For Operational-Data-Based Detection Of Anomaly Of A Machine Tool
CN109799784A (en) Cutter Abrasion detecting device, its detection method and cutter wear compensation method
Hong et al. Tool-wear monitoring during micro-end milling using wavelet packet transform and Fisher’s linear discriminant
US20060161391A1 (en) Knowledge-forming apparatus and parameter-retrieving method as well as program product
WO2017111072A1 (en) Diagnostic device, computer program, and diagnostic system
EP3394693A1 (en) Diagnostic device, computer program, and diagnostic system
CN102825504A (en) State detection method for main shaft of numerically-controlled machine tool
KR102373655B1 (en) Apparatus and method for diagnosing trouble of machine tool
Nikitin et al. CNC machines diagnostics
JP4886461B2 (en) Abnormality monitoring device
Kussul et al. Application of random threshold neural networks for diagnostics of micro machine tool condition
CN116307938A (en) Health state assessment method for feeding system of machining center
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
JPH068106A (en) Adaptive control system and state judgment device
Elbestawi et al. Tool condition monitoring in machining
JP7310195B2 (en) Diagnostic device, diagnostic system and diagnostic program
Reñones et al. Industrial application of a multitooth tool breakage detection system using spindle motor electrical power consumption
Ryabov et al. Lathe Machine as Industrie 4.0 Component (CPS)
JPS61164764A (en) Detecting device of cutting tool damage
CN118259622A (en) Intelligent processing control method for CNC lathe and electronic equipment
JP2008083865A (en) Emergency monitoring device
Lopes et al. Neural networks on predictive maintenance of turbomachinery

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20080108

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20090918

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20090929

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20091130

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20100330

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20100412

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130430

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees