JP4501918B2 - 工具の取付異常検出装置 - Google Patents

工具の取付異常検出装置 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
English (en)
Other versions
JP2008087094A (ja
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/ja
Publication of JP2008087094A publication Critical patent/JP2008087094A/ja
Application granted granted Critical
Publication of JP4501918B2 publication Critical patent/JP4501918B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Automatic Tool Replacement In Machine Tools (AREA)
  • Machine Tool Sensing Apparatuses (AREA)
  • Numerical Control (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。
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。
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
本発明の実施形態を示すブロック図である。 同上に用いるニューラルネットの概略構成図である。 同上の概略構成図である。 同上の概略構成図である。
符号の説明
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

Claims (3)

  1. 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。
  2. 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。
  3. 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。
JP2006269510A 2006-09-29 2006-09-29 工具の取付異常検出装置 Expired - Fee Related JP4501918B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2006269510A JP4501918B2 (ja) 2006-09-29 2006-09-29 工具の取付異常検出装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006269510A JP4501918B2 (ja) 2006-09-29 2006-09-29 工具の取付異常検出装置

Publications (2)

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

Family

ID=39371781

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006269510A Expired - Fee Related JP4501918B2 (ja) 2006-09-29 2006-09-29 工具の取付異常検出装置

Country Status (1)

Country Link
JP (1) JP4501918B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019007721A1 (de) 2018-11-14 2020-05-14 Fanuc Corporation Vorrichtung zur Erfassung einer Anomalie bei der Anfügung eines Werkzeugs

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6406901B2 (ja) * 2014-07-11 2018-10-17 株式会社Fuji 対基板作業機およびヘッド種識別方法
JP6722372B2 (ja) * 2016-03-24 2020-07-15 長崎県 工具認識機能を有した工作機械監視予測制御装置
DE102017127098B8 (de) 2016-11-24 2023-05-04 Fanuc Corporation Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung
JP6499737B2 (ja) * 2016-11-24 2019-04-10 ファナック株式会社 テレスコピックカバーの異常発生推定装置及び異常発生推定方法
JP6703967B2 (ja) 2017-08-08 2020-06-03 Dmg森精機株式会社 工具管理装置およびこれを備えた工作機械
JP6568167B2 (ja) 2017-08-25 2019-08-28 ファナック株式会社 異常検知装置及び機械学習装置
JP7151108B2 (ja) * 2018-03-15 2022-10-12 株式会社リコー 情報処理装置、情報処理方法およびプログラム
JP6987030B2 (ja) * 2018-07-18 2021-12-22 株式会社日立製作所 システム及び工作機械の異常又は加工作業に関する分析方法
JP7194965B2 (ja) * 2018-08-01 2022-12-23 中村留精密工業株式会社 工作機械
JP7281264B2 (ja) * 2018-09-28 2023-05-25 シチズン時計株式会社 工作機械及びその作動方法
JP7108577B2 (ja) * 2019-05-13 2022-07-28 株式会社日立製作所 診断装置と診断方法および加工装置
JP7176495B2 (ja) * 2019-08-30 2022-11-22 ブラザー工業株式会社 数値制御装置及び制御方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121586A (ja) * 1998-10-15 2000-04-28 Eiji Uchino ニューラルネットワークを用いた金属管判別方法
JP2004330339A (ja) * 2003-05-06 2004-11-25 Yamazaki Mazak Corp 複合加工旋盤

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2961612B2 (ja) * 1989-07-04 1999-10-12 豊田工機株式会社 工具取付装置
JP3249111B2 (ja) * 1990-02-21 2002-01-21 東芝タンガロイ株式会社 工具寿命の感知装置
JP3187485B2 (ja) * 1991-11-21 2001-07-11 日立ビアメカニクス株式会社 数値制御工作機械
JPH11114707A (ja) * 1997-10-17 1999-04-27 Nippei Toyama Corp ツールクランプ異常検知装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121586A (ja) * 1998-10-15 2000-04-28 Eiji Uchino ニューラルネットワークを用いた金属管判別方法
JP2004330339A (ja) * 2003-05-06 2004-11-25 Yamazaki Mazak Corp 複合加工旋盤

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019007721A1 (de) 2018-11-14 2020-05-14 Fanuc Corporation Vorrichtung zur Erfassung einer Anomalie bei der Anfügung eines Werkzeugs

Also Published As

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

Similar Documents

Publication Publication Date Title
JP4501918B2 (ja) 工具の取付異常検出装置
JP4301278B2 (ja) 工作機械の加工寸法予測装置
JP4321581B2 (ja) 工作機械総合監視装置
US11237539B2 (en) System and method for operational-data-based detection of anomaly of a machine tool
Čuš et al. Real-time cutting tool condition monitoring in milling
CN109799784A (zh) 刀具磨耗检测装置、其检测方法及刀具磨耗补偿方法
US20060161391A1 (en) Knowledge-forming apparatus and parameter-retrieving method as well as program product
Hong et al. Tool-wear monitoring during micro-end milling using wavelet packet transform and Fisher’s linear discriminant
EP3394693A1 (en) Diagnostic device, computer program, and diagnostic system
CN102825504A (zh) 数控机床主轴状态检测方法
KR102373655B1 (ko) 공작기계의 고장 진단 장치 및 진단 방법
KR20220068799A (ko) 자동화설비의 고장 검출 시스템 및 그 방법
CN113678076A (zh) 用于监控铣削工艺的方法和装置
Nikitin et al. CNC machines diagnostics
JP2008097361A (ja) 異常監視装置
CN116307938A (zh) 一种加工中心进给***健康状态评估方法
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
JPH068106A (ja) 適応制御システムおよび状態判定装置
Elbestawi et al. Tool condition monitoring in machining
JP7310195B2 (ja) 診断装置、診断システム及び診断プログラム
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 (ja) 切削工具の損傷検出装置
Kim et al. Monitoring of Machining Process of Machine Tool based on Artificial Neural Network using Serial Data
JP2008083865A (ja) 異常監視装置

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