JP6952318B1 - 推定負荷利用方法および推定負荷利用システム - Google Patents
推定負荷利用方法および推定負荷利用システム Download PDFInfo
- Publication number
- JP6952318B1 JP6952318B1 JP2021134610A JP2021134610A JP6952318B1 JP 6952318 B1 JP6952318 B1 JP 6952318B1 JP 2021134610 A JP2021134610 A JP 2021134610A JP 2021134610 A JP2021134610 A JP 2021134610A JP 6952318 B1 JP6952318 B1 JP 6952318B1
- Authority
- JP
- Japan
- Prior art keywords
- tool
- feature amount
- probability
- estimated
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003754 machining Methods 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims abstract description 41
- 230000007704 transition Effects 0.000 claims abstract description 39
- 230000010365 information processing Effects 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims description 98
- 238000000227 grinding Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 239000002184 metal Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001125 extrusion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 239000010730 cutting oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
Images
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
- Numerical Control (AREA)
Abstract
Description
旋盤やマシニングセンタによる切削加工においては、切削工具を繰り返し使用することにより、工具摩耗が進行する結果、材料の加工品質に影響を及ぼす。加えて、摩耗した切削工具を使用し続けることにより、切削工具そのものに欠損や折れが生じてしまう。
このような切削工具の状態変化は、切削工具に加わる負荷変動を監視することによって検出が試みられてきた。
また、研削盤による研削加工においては、工具としての回転砥石に加わる負荷変動を監視することで、回転砥石の交換時期を最適化する試みがなされてきた。
また、特許文献2では、回転砥石の負荷変動から砥石と加工対象とが接する面の接線方向の力を推定し、それを利用してドレスタイミングを最適化する方法を開示している。
また、特許文献2に記載の方法では、回転砥石に加わる負荷の実測値からノイズを除去する方法についての言及がなされていないため、開示されている方法を実環境での研削加工から得られる負荷変動のデータに適用した際に、最適なドレスタイミングを見誤るおそれがある。
工作機械の工具に加わる負荷の変動を推定し、推定した負荷の情報を利用する、センサと情報処理装置とを用いた推定負荷利用方法であって、
情報処理装置が、
工具を駆動する装置に取り付けられた工具に加わる負荷の変動を計測するセンサから得られたデータを特徴量に変換するステップと、
工具による加工ごとに得られる特徴量に対して、負荷の変動による成分と外乱による変動による成分とを機械学習により推定し、加工ごとの特徴量のばらつきが従う確率分布または確率密度関数の推移を推定するステップと、
推定した確率分布または確率密度関数の推移の結果に基づいて、特徴量がとり得る値の確率を算出するステップと、
確率の値と、予め設定した特徴量が正常値とみなせる確率とを比較することにより、特徴量の異常検知を行うステップと
を有する。
工作機械の工具に加わる負荷の変動を推定し、推定した負荷の情報を利用する、センサと情報処理装置とを用いた推定負荷利用方法であって、
情報処理装置が、
工具を駆動する装置に取り付けられた工具に加わる負荷の変動を計測するセンサから得られたデータを特徴量に変換するステップと、
工具による加工ごとに得られる特徴量に対して、負荷の変動による成分と外乱による変動による成分とを機械学習により推定し、加工ごとの特徴量のばらつきが従う確率分布または確率密度関数の推移を推定するステップと、
推定した確率分布または確率密度関数の推移の結果に基づいて、特徴量がとり得る値の確率を算出するステップと、
特徴量の値と、所定の閾値とを比較することにより、工具の交換時期を判定または予測するステップと
を有する。
工作機械の工具に加わる負荷の変動を推定し、推定した負荷の情報を利用する、センサと情報処理装置とを備える推定負荷利用システムであって、
情報処理装置は、
工具を駆動する装置に取り付けられた工具に加わる負荷の変動を計測するセンサからデータを得て、得られたデータを特徴量に変換し、
工具による加工ごとに得られる特徴量に対して、負荷の変動による成分と外乱による変動による成分とを機械学習により推定し、加工ごとの特徴量のばらつきが従う確率分布または確率密度関数の推移を推定し、
推定した確率分布または確率密度関数の推移の結果に基づいて、特徴量がとり得る値の確率を算出し、
確率の値と、予め設定した特徴量が正常値とみなせる確率とを比較することにより、特徴量の異常検知を行う。
工作機械の工具に加わる負荷の変動を推定し、推定した負荷の情報を利用する、センサと情報処理装置とを備える推定負荷利用システムであって、
情報処理装置は、
工具を駆動する装置に取り付けられた工具に加わる負荷の変動を計測するセンサからデータを得て、得られたデータを特徴量に変換し、
工具による加工ごとに得られる特徴量に対して、負荷の変動による成分と外乱による変動による成分とを機械学習により推定し、加工ごとの特徴量のばらつきが従う確率分布または確率密度関数の推移を推定し、
推定した確率分布または確率密度関数の推移の結果に基づいて、特徴量がとり得る値の確率を算出し、
特徴量の値と、所定の閾値とを比較することにより、工具の交換時期を判定または予測する。
推定負荷利用システム1は、センサ109と、PC10と、表示器107とから構成されている。なお、表示器107は無い構成であってもよい。
センサ109は、モータの負荷変動を検出するために、例えば、工作機械(NC旋盤、立型マシニングセンタ等)の工具を駆動する装置に取り付けられる。例えば、トルクメータ、電流計、電力計等である。
情報処理装置としてのPC(Personal Computer)1は、AD変換器(ADC)101、メモリ102、中央演算装置(CPU:Central Processing Unit)103、および、ストレージ(記憶部)104によって構成されている。その他の同等の機能を有する情報処理装置であってもよい。
表示装置としての表示器107は、表示機構と入力機構を備え、所定のスタンドにより支持されたり、工作機械2に所定の治具により固定されていることであってもよい。表示器107は、PC10と有線又は無線により接続されている。例えば、PC用ディスプレイ、タブレット端末やスマートフォン等である。
メモリ102上に展開されたデジタルデータは、CPU103において後述する方法に従った処理が行われる。処理結果はメモリ102に記録され、CPU103における情報処理に逐次的に使用される。その後、不要になった情報はメモリ102から消去される。
メモリ102に記録されたCPU103の情報処理結果は、ストレージ104にも保存される。ストレージ104の上には、データベース(DB)105と入出力管理部106が構築される。メモリ102のデータがストレージ104に保存される際には、DB105上に保存される。その後、DB105に蓄積されたデータは必要に応じて、メモリ102又は入出力管理部106に呼び出される。
DB105に保存された、CPU103による情報処理結果は、入出力管理部106を経由してストレージ104と接続された外部機器によって呼び出すことが可能である。外部機器とは、例えば、本実施の形態においては表示器107である。表示器107には、後述する方法により処理された結果が表示される。
ストレージ104に蓄積されたデータは、入出力管理部106を経由してクラウド環境108に転送することも可能である。クラウド環境108に転送されたデータは適切な処理を行うことにより、遠隔地同士での情報共有や一括管理に利用される。
加工対象の金属棒(以降、「被削体」とよぶ。)201は、チャック202によって、主軸203に固定されている。主軸203がモータによって駆動されることにより、被削体201は回転運動を行う。
主軸203の対面側には、切削工具204(204−a、204−b、204−c)が据え付けられた回転工具台205と一体になった芯押台206が配置されている。
芯押台206は、内部に備えられたモータに駆動されることにより、X軸およびZ軸方向に移動する。
回転工具台205をモータで回転させることにより、被削体201に対向する切削工具204が切り替わる。例えば、初期の状態において被削体201に対向する切削工具が切削工具204−aであった場合に、回転工具台205が回転することにより、被削体201に対向する切削工具は切削工具204―bに変更される。同様にして、回転工具台205の回転により、被削体201に対向する切削工具は切削工具204―cに変更される。(なお、異なる種類の切削工具への「変更」と、切削工具の「交換(新品への)」とは異なる概念として説明する。)。
主軸203がモータに駆動されることで被削体201が回転運動を行っている状態で、芯押台206がモータによってX軸およびZ軸方向に移動することにより、切削工具204−a(切削工具204−aが被削体201に対向している場合)の先端が被削体201に接触する。その後、芯押台206がモータに駆動されることにより、切削工具204−aの先端が被削体201に対して相対運動を行うことで、被削体201の接触部分が除去される。被削体201が所望の形状に加工されるように、切削工具204−aと被削体201に相対運動が行われる。
以上の説明において、被削体201を切削工具204−aで加工する場合を対象としたが、加工中に切削工具204を変更することで、切削工具204−bや切削工具204−cも使用した、複数種類の切削工具204による加工を行うことも可能である。
複数種類の切削工具204を用いた加工においては、切削工具204は役割ごとに選定される。例えば、所望する被削体201の加工形状に応じて、切削工具204−aを粗加工用の切削工具に、切削工具204−bを溝切り用の切削工具に、切削工具204−cを仕上げ加工用の切削工具に選定することであってもよい。また、図2において、切削工具204は、切削工具204−a、切削工具204−b、切削工具204−cの3種類が図示されているが、一般的なNC旋盤での切削加工と同様に、本実施の形態において使用される切削工具204の種類は3種類に限定されるものではない。
加工対象の金属片(以降、「被削体」とよぶ。)301は、モータによってXおよびY軸方向に運動可能な位置決めステージ302の上に固定されている。被削体301の上方には、切削工具303−aが主軸304に固定されて対向している。主軸304はモータによってZ軸方向に運動する。
主軸304がモータに駆動されることで切削工具303−aが回転運動を行っている状態で、位置決めステージ302によるXおよびY軸方向方向の運動、ならびに、主軸304よるZ軸方向の運動によって、被削体301に対して接触しながら相対運動を行うことによって、被削体301の接触部分が除去されることにより、所望する形状に加工される。
被削体301の加工は切削工具303−aのみならず、切削工具303−bや切削工具303−cによっても行われる。その際の切削工具303の変更は、工具変更機305のカートリッジが回転することで、工具変更用アーム306に変更対象の切削工具303が設置され、この状態の工具変更用アーム306が主軸304に固定された切削工具303−aと、変更対象の切削工具303−bや切削工具303−cとを変更することにより、主軸304に固定される切削工具303が変更される。変更された切削工具303−aは、工具変更アーム306によって、工具変更機305に戻され設置される。
以上の一連の動作が切削加工中に行われることにより、立形マシニングセンタにおいて、複数種類の切削工具を用いた切削加工が実現される。
切削加工に使用される切削工具の種類は、図3に示した切削工具303−a、切削工具303−bおよび切削工具303−cの3種類に限定されるものではなく、必要に応じて適切な種類の切削工具が使用される。例えば、ミーリング加工用のエンドミル、穴あけ加工用のドリル、ねじ切り加工用のタップといった、加工種別ごとに適切な切削工具303が選定される。
図2中の被削体201、または、図3中の被削体301を、所望の形状に加工するためのNCプログラムが、NC装置401にインストールされる。一般に、NC装置はNCプログラムに従って所定のモータを制御するための信号を生成する役割を担う。
図4では、NCプログラムに従ってNC装置401から出力された信号が、インバータ402およびサーボアンプ403に入力される。インバータ402からはモータ404−0に対する回転数制御信号が、サーボアンプ403−1からはモータ404−1に対する位置制御信号が出力される。サーボアンプとモータとの対はそれぞれ、対象となる工作機械に応じてN個(Nは1以上の整数である。)、すなわち、サーボアンプ403−1、403−2、・・・、403−N、ならびに、モータ404−1、404−2、・・・、404−Nが使用されるが、各Nに対する信号の流れは同一視できるため、以降はサーボアンプ403−1およびモータ404−1についてのみ説明する。
一般に、切削加工が行われることにより、被削体ならびに切削工具は負荷を受けることになるが、それぞれが受ける負荷はモータのトルクにも影響を及ぼす。したがって、負荷の変動を相殺するためにインバータおよびサーボアンプは適切な制御信号を生成する。
モータ404−0が受ける負荷変動に対するインバータ402の制御信号をセンサ109−0で、同様に、モータ404−1が受ける負荷変動に対するサーボアンプ403−1の制御信号をセンサ109−1で計測する。ここで、センサ109−0およびセンサ109−1(・・・、−N)は、図1中のセンサ109に対応する。
センサ109−0およびセンサ109−1がそれぞれ計測した、モータ404−0およびモータ404−1の負荷変動は、PC10に入力される。その後、PC10の内部でデータ処理が行われ、処理結果は表示器107に出力されて表示される。
切削加工中にセンサ109で収集された、モータ負荷の時刻歴波形501は電圧値として記録される(例えば、負荷推定の対象とするモータ404に流れる電流を計測する場合、モータ404に接続された導線に流れる電流に誘導された磁場による2次電流が発生するが、センサ109として磁気式の電流センサを使用して、当該電流センサは、2次電流が流れる予め抵抗値が分かっている抵抗器での電圧降下の値として、対象とするモータ404に流れる電流を計測する。)。
図5において、NCプログラムの開始信号502−aと同502−bが隣接する時間は、1回あたりの加工時間503−aである。同様に、NCプログラムの開始信号502−bと同502−cが隣接する時間は、1回あたりの加工時間503−bである。
加工時間503−aおよび加工時間503−bのそれぞれにおける、モータ負荷の時刻歴波形501を切り出すことで、被削体1個ごとの加工におけるモータ負荷を抽出することができる。
ここでは、加工時間503−aおよび加工時間503−b、すなわち、2個の被削体の加工時間を抽出する場合について説明したが、加工する被削体の個数は2個に限定されることなく、任意の個数に対して同様の説明が成り立つ。
加工時間ごとに切り出されたモータ負荷の時刻歴波形501は、適当な非負関数によって該当する加工回数を代表する特徴量に変換される。例えば、絶対値の最大値、絶対値の平均値、分散といったものが考えられる。加工回数を重ねるごとに切削工具が摩耗して劣化すると、被削体に接触する切削工具の表面の摩擦が大きくなり、すなわち抵抗力が大きくなり、負荷も大きくなるから、これらの特徴量の値は、加工回数に対して増加傾向を示すはずである。この、加工回数に対する、当該特徴量の推移を、以下では、負荷推移と呼ぶ。
十分な加工回数に対する特徴量の値が得られれば、それを用いて負荷推移に対応する回帰曲線を同定することが可能である。
切削加工においては、被削体や切削工具の金属組織の不均質性や固定方法のばらつき、切削油の噴出具合のばらつき等の、種々の外乱の影響によるばらつきが発生する。これらのばらつきの存在を考慮して、回帰曲線に外乱によるノイズ項を加えると、特徴量をy、加工回数をn、ノイズをεとしたときに、回帰曲線は
y = f(n; w)+ε
で与えられる。ここで、f(n; w)は回帰曲線を表す関数であり、wは回帰曲線を表す関数のパラメータである。負荷推移の同定において、回帰曲線を表す関数としては、加工回数nに対する単調増加性を満たすことが求められる。ここでは、経験的に知られている工具摩耗曲線にしたがって、べき乗関数
f(n; w) = αnβ
で負荷推移を推定する。ここで、αとβはパラメータであり、wはこれらの組に相当するので、
w=(α,β)
である。また、ノイズεがしたがう確率密度関数をp(ε)とする。一般的には、p(ε)は正規分布やスチューデントのt分布で与えられることが多く、本実施の形態においても、慣例に従うものとする。
加工回数ごとの特徴量ynが得られた際に、回帰曲線のパラメータであるαとβが推定される。ここでは、機械学習としてのベイズ学習の方法にしたがって回帰曲線のパラメータを推定するため、αとβを確率的パラメータとみなし、それぞれがしたがう事前分布をp(α)、および、p(β)によって与える。N回分の特徴量が得られたときに、Y=(y1, y2, …, yN)とすると、ベイズの定理よりパラメータαとβの事後分布は
p(α,β|Y) = p(Y|α,β)p(α)p(β)/p(Y)
によって求められる。パラメータαとβのそれぞれの事後分布、p(α|Y)およびp(β|Y)は、p(α,β|Y)をβおよびαについて周辺化することで求められる。パラメータαとβの事後分布p(α,β|Y)は、具体的にはマルコフ連鎖モンテカルロ法や変分ベイズ法といった、ベイズ学習の方法によって求められる。事後分布の、平均値、中央値、最頻値のいずれかの推定値によって、得られた特徴量に対する回帰式のパラメータは推定される。
上記のベイズ学習に基づいたパラメータ推定は、ノイズεがしたがう確率密度関数に対しても適用可能である。例えば、εの確率密度関数p(ε)が平均0、分散σの正規分布で与えられた際には、分散の事後分布p(σ|Y)が同様の方法で求められる。これにより、特徴量Yが得られた後の分散σが推定される。
図6に示すように、推定された回帰曲線601は、確率を表すバンド幅に応じて、上側のバンド曲線602―uと下側のバンド曲線602−lとあわせて表示される。確率を表すバンド幅は回帰曲線に付随するノイズがしたがう確率密度関数によって決定される。例えば、ノイズが従う確率密度関数が平均0、分散σの正規分布で与えられるときに、バンド幅を確率95%で設定した場合には、上側のバンド曲線602−uは、回帰曲線601に対して2σを加算したものとして表示される。同様に、下側のバンド曲線602−lは、回帰曲線601に対して2σを減算したものとして表示される。
上側のバンド曲線602−uと下側のバンド曲線602−lとで囲まれた領域内において、新たに得られた加工回数に対する特徴量の点群603が、回帰曲線601に沿う様子を表示することにより、負荷推移を監視することができる。
この方法によれば、ある加工回数における特徴量の異常判定を、上側のバンド曲線602−u、または、下側のバンド曲線602−lからの逸脱によって、確率的に評価することが可能である。特に切削加工においては、上側のバンド曲線602−u、または、下側のバンド曲線602−lからの逸脱によって、切削工具の欠損や折れの検出が可能となる。すなわち、工作機械の切削工具に加わる負荷変動推移を、切削工具の負荷を表す特徴量が従う確率分布または確率密度関数の推移により推定することによって、切削工具の摩耗や異常の発生を予測することができる。
また、図7に示すように、回帰曲線601に対して、例えば、所定の閾値ライン604に基づいて閾値判定を行うことで、加工回数に対する特徴量のイベント検出、例えば、切削工具の交換時期の判定が可能となる。図7では、加工回数605の値がN、例えば、N=100として、100回で新品の切削工具への交換が必要と推定することとなる。
ここでは、ノイズが従う確率密度関数を正規分布としたが、これは説明の都合上の措置に過ぎず、一般的な状況においては、正規分布以外の確率密度関数に対しても、同様の説明が成立する。
N’回分の特徴量、Y’=(y’1,y’2,…,y’N’)が新たに得られたとすると、ベイズの定理により、パラメータαとβの事後分布は、
p(α,β|Y’) = p(Y’|α,β)p(α,β|Y)/p(Y’)
として推定される。ここで、パラメータαとβの事前分布として与えられるp(α,β|Y)は、先に与えられた特徴量Yの情報を反映している。事後分布p(α,β|Y’)の、平均値、中央値、最頻値のいずれかの推定値によって、特徴量Y’が得られた際の回帰曲線のパラメータが推定される。すなわち、新たに特徴量が得られるごとに、ベイズの定理によって更新される事後分布を通して、逐次的に過去の情報が回帰曲線のパラメータに反映されていく。
回帰曲線のパラメータを加工回数に依存して変化するパラメータに拡張することにより、回帰曲線の逐次予測を行うことができる。一例として、回帰曲線のパラメータβを加工回数に依存したパラメータβnに拡張すると、加工回数nに対するβnの変化の様子は
βn+1 = g(βn)+ε’
で与えられる。ここでgはnに対するβnの変化を表す関数で、ε’はノイズ項である。関数gは対象に応じて適切に設計されるものであり、例えば、
g(βn) = γβn - δβn 3
といったものが考えられる。ここで、γとδはパラメータである。回帰曲線の式と、加工回数Nに対するβnの変化をあらわす式を組合せたものは状態空間モデルとなるため、逐次ベイズフィルタリングを行うことにより、n回目の加工における特徴量ynが取得された時点で、n+1回目以降の加工に対する回帰曲線と上下のバンド曲線を逐次的に更新しながら予測することができる。
回帰曲線601、上側のバンド曲線602−u、下側のバンド曲線602−l、および、加工回数に対する特徴量の点群603は、図6に示したものと同一のものである。
n回目の加工までの特徴量を使用して、逐次、機械学習としてのベイズフィルタリングを行うことにより、n+1回目以降の加工に対する予測回帰曲線701、上側の予測バンド曲線702−u、下側の予測バンド曲線702−lが得られる。切削工具交換の目安となる特徴量の値704と、予測回帰曲線701との交点に対応する加工回数705から、切削工具交換時期を推定することができる。すなわち、図6では、加工回数605の値がN、例えば、N=100として推定されていたが、より精緻な加工回数705の値がn´、例えば、n´=90として得られるということである。例えば、n´=90であったとすると、n回目(例えば、n=50)までの加工が終了した時点において、残りn’−n回(例えば、90回―50回=40回)の加工に切削工具を使用することができるという予測結果を得ることもできる。
本実施の形態における情報処理結果の、図6、図7および図8に示される表示方法は、図1および図4の表示器107に出力されることであってよい。すわなち、表示器107としての使用が想定される、PC用ディスプレイ、タブレット端末やスマートフォン等といった装置の画面上に、図6、図7および図8に示す情報処理結果が表示されることであってよい。
図9は、第一の推定負荷利用方法の流れを示すフローチャートである。
例えば、工作機械としての研削盤に取り付けられた、工具としての研削砥石の負荷推移に対して本発明を適用することにより、段取り工程における砥石のツルーイング(振れ取り)やドレッシング(目立て)の回数最適化や、砥石の寿命(ドレスタイミング)推定を行うことができる。
また、工作機械としての射出成形機に取り付けられた、金型の押出しピンの負荷推移に対して本発明を適用することにより、工具としての押出しピンの摺動不良を検出することができる。
また、工作機械としてのプレス機械のストリッパ、ガイドポスト、プシュ等の繰り返し負荷を受ける工具としての部品に加わる負荷推移に対して本発明を適用することにより、これらの部品の摩耗進行を推定することができる。
10 PC
101 AD変換器
102 メモリ
103 中央演算装置
104 ストレージ
105 データベース
106 入出力管理部
107 表示器
108 クラウド
109−0、109−1、・・・、109−N センサ
201 被削体
202 チャック
203 主軸
204−a、204−b、204−c 切削工具
205 回転工具台
206 芯押台
301 被削体
302 位置決めステージ
303−a、303−b、303−c 切削工具
304 主軸
305 工具変更機
306 工具変更アーム
401 NC装置
402 インバータ
403−1、・・・、403−N サーボアンプ
404−0、404−1、・・・、404−N モータ
Claims (8)
- 工作機械の工具に加わる負荷の変動を推定し、前記推定した前記負荷の情報を利用する、センサと情報処理装置とを用いた推定負荷利用方法であって、
前記情報処理装置が、
前記工具を駆動する装置に取り付けられた前記工具に加わる前記負荷の前記変動を計測する前記センサから得られたデータを特徴量に変換するステップと、
前記工具による加工ごとに得られる前記特徴量に対して、前記負荷の前記変動による成分と外乱による変動による成分とを機械学習により推定し、前記加工ごとの前記特徴量のばらつきが従う確率分布または確率密度関数の推移を推定するステップと、
前記推定した前記確率分布または前記確率密度関数の推移の結果に基づいて、前記特徴量がとり得る値の確率を算出するステップと、
前記確率の値と、予め設定した前記特徴量が正常値とみなせる確率とを比較することにより、前記特徴量の異常検知を行うステップと
を有する推定負荷利用方法。 - 工作機械の工具に加わる負荷の変動を推定し、前記推定した前記負荷の情報を利用する、センサと情報処理装置とを用いた推定負荷利用方法であって、
前記情報処理装置が、
前記工具を駆動する装置に取り付けられた前記工具に加わる前記負荷の前記変動を計測する前記センサから得られたデータを特徴量に変換するステップと、
前記工具による加工ごとに得られる前記特徴量に対して、前記負荷の前記変動による成分と外乱による変動による成分とを機械学習により推定し、前記加工ごとの前記特徴量のばらつきが従う確率分布または確率密度関数の推移を推定するステップと、
前記推定した前記確率分布または前記確率密度関数の推移の結果に基づいて、前記特徴量がとり得る値の確率を算出するステップと、
前記特徴量の値と、所定の閾値とを比較することにより、前記工具の交換時期を判定または予測するステップと
を有する推定負荷利用方法。 - 前記加工ごとの前記特徴量の前記ばらつきが従う前記確率分布または前記確率密度関数のパラメータの推移を機械学習により逐次的に予測することで、前記確率分布または前記確率密度関数の推移を逐次的に予測するステップ
をさらに有する請求項1または請求項2に記載の推定負荷利用方法。 - 前記情報処理装置と接続された表示装置をさらに用い、
前記表示装置が、前記確率分布または前記確率密度関数の平均値と、指定した確率に対応した値とを表示するステップと、
前記特徴量の前記異常検知に基づいて、前記工具の異常検知の通知を表示するステップと
をさらに有する請求項1に記載の推定負荷利用方法。 - 前記情報処理装置と接続された表示装置をさらに用い、
前記表示装置が、前記確率分布または前記確率密度関数の平均値と、指定した確率に対応した値とを表示するステップと、
前記工具の前記判定または前記予測された前記交換時期を表示するステップと
をさらに有する請求項2に記載の推定負荷利用方法。 - 前記特徴量が前記工具の摩耗を表す前記特徴量であり、
前記推移を推定するステップにおいて、前記特徴量の前記ばらつきが従う前記確率分布または前記確率密度関数の推移により前記摩耗の進行を推定し、
前記工作機械および前記工具が下記の組み合わせのいずれか1つである、
(1)前記工作機械が切削加工を行う前記工作機械、かつ、前記工具は前記切削加工を行う前記工作機械に取り付けられた切削工具、
(2)前記工作機械が研削加工を行う前記工作機械、かつ、前記工具は前記研削加工を行う前記工作機械に取り付けられた研削砥石、
(3)前記工作機械が成形加工を行う前記工作機械、かつ、前記工具は前記成形加工を行う前記工作機械に取り付けられた金型の成形品押出装置、
(4)前記工作機械がプレス加工を行う前記工作機械、かつ、前記工具は前記プレス加工を行う工作機械に取り付けられた金型の加工品押出装置、
請求項1から5のいずれか1項に記載の推定負荷利用方法。 - 工作機械の工具に加わる負荷の変動を推定し、前記推定した前記負荷の情報を利用する、センサと情報処理装置とを備える推定負荷利用システムであって、
前記情報処理装置は、
前記工具を駆動する装置に取り付けられた前記工具に加わる前記負荷の前記変動を計測する前記センサからデータを得て、得られた前記データを特徴量に変換し、
前記工具による加工ごとに得られる前記特徴量に対して、前記負荷の前記変動による成分と外乱による変動による成分とを機械学習により推定し、前記加工ごとの前記特徴量のばらつきが従う確率分布または確率密度関数の推移を推定し、
前記推定した前記確率分布または前記確率密度関数の推移の結果に基づいて、前記特徴量がとり得る値の確率を算出し、
前記確率の値と、予め設定した前記特徴量が正常値とみなせる確率とを比較することにより、前記特徴量の異常検知を行う
推定負荷利用システム。 - 工作機械の工具に加わる負荷の変動を推定し、前記推定した前記負荷の情報を利用する、センサと情報処理装置とを備える推定負荷利用システムであって、
前記情報処理装置は、
前記工具を駆動する装置に取り付けられた前記工具に加わる前記負荷の前記変動を計測する前記センサからデータを得て、得られた前記データを特徴量に変換し、
前記工具による加工ごとに得られる前記特徴量に対して、前記負荷の前記変動による成分と外乱による変動による成分とを機械学習により推定し、前記加工ごとの前記特徴量のばらつきが従う確率分布または確率密度関数の推移を推定し、
前記推定した前記確率分布または前記確率密度関数の推移の結果に基づいて、前記特徴量がとり得る値の確率を算出し、
前記特徴量の値と、所定の閾値とを比較することにより、前記工具の交換時期を判定または予測する
推定負荷利用システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021134610A JP6952318B1 (ja) | 2021-08-20 | 2021-08-20 | 推定負荷利用方法および推定負荷利用システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021134610A JP6952318B1 (ja) | 2021-08-20 | 2021-08-20 | 推定負荷利用方法および推定負荷利用システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6952318B1 true JP6952318B1 (ja) | 2021-10-20 |
JP2023028734A JP2023028734A (ja) | 2023-03-03 |
Family
ID=78150281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021134610A Active JP6952318B1 (ja) | 2021-08-20 | 2021-08-20 | 推定負荷利用方法および推定負荷利用システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6952318B1 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002530768A (ja) * | 1998-11-25 | 2002-09-17 | フェデラル−モーグル コーポレイション | 診断ルールベースツール状態モニタシステム |
WO2017171051A1 (ja) * | 2016-04-01 | 2017-10-05 | 日本電信電話株式会社 | 異常音検出学習装置、音響特徴量抽出装置、異常音サンプリング装置、これらの方法及びプログラム |
JP2019207576A (ja) * | 2018-05-29 | 2019-12-05 | ファナック株式会社 | 寿命予測装置及び機械学習装置 |
JP2020015106A (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 工具摩耗判定装置 |
US20200089191A1 (en) * | 2018-09-18 | 2020-03-19 | Industrial Technology Research Institute | Method for monitoring cutting-tool abrasion |
JP2020149368A (ja) * | 2019-03-13 | 2020-09-17 | 株式会社日立情報通信エンジニアリング | 異常検知装置、異常検知方法、及び異常検知システム |
JP6837622B1 (ja) * | 2020-07-10 | 2021-03-03 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
JP2021082126A (ja) * | 2019-11-21 | 2021-05-27 | 三菱重工業株式会社 | 異常検出装置、異常検出方法およびプログラム |
-
2021
- 2021-08-20 JP JP2021134610A patent/JP6952318B1/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002530768A (ja) * | 1998-11-25 | 2002-09-17 | フェデラル−モーグル コーポレイション | 診断ルールベースツール状態モニタシステム |
WO2017171051A1 (ja) * | 2016-04-01 | 2017-10-05 | 日本電信電話株式会社 | 異常音検出学習装置、音響特徴量抽出装置、異常音サンプリング装置、これらの方法及びプログラム |
JP2019207576A (ja) * | 2018-05-29 | 2019-12-05 | ファナック株式会社 | 寿命予測装置及び機械学習装置 |
JP2020015106A (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 工具摩耗判定装置 |
US20200089191A1 (en) * | 2018-09-18 | 2020-03-19 | Industrial Technology Research Institute | Method for monitoring cutting-tool abrasion |
JP2020149368A (ja) * | 2019-03-13 | 2020-09-17 | 株式会社日立情報通信エンジニアリング | 異常検知装置、異常検知方法、及び異常検知システム |
JP2021082126A (ja) * | 2019-11-21 | 2021-05-27 | 三菱重工業株式会社 | 異常検出装置、異常検出方法およびプログラム |
JP6837622B1 (ja) * | 2020-07-10 | 2021-03-03 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023028734A (ja) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799784B (zh) | 刀具磨耗检测装置、其检测方法及刀具磨耗补偿方法 | |
CN109909804B (zh) | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
US9212961B2 (en) | Grinding abnormality monitoring method and grinding abnormality monitoring device | |
JP5411055B2 (ja) | 工具寿命検出方法、および工具寿命検出装置 | |
JP3883485B2 (ja) | 工具折損あるいは予知検出装置 | |
US11745298B2 (en) | Method for correcting tool parameters of a machine tool for machining of workpieces | |
CN104035394B (zh) | 具有部件检修时期通知功能的机械的数值控制装置 | |
CN111113149A (zh) | 机床 | |
JP6629672B2 (ja) | 加工装置 | |
CN112824988A (zh) | 异常检测装置、异常检测方法以及程序 | |
JP7380107B2 (ja) | 品質予測システム | |
CN114326593B (zh) | 一种刀具寿命预测***及方法 | |
JP6952318B1 (ja) | 推定負荷利用方法および推定負荷利用システム | |
JP5821615B2 (ja) | 研削異常監視方法および研削異常監視装置 | |
CN105388836A (zh) | 数值控制装置 | |
JP2015208812A (ja) | 研削加工装置及び方法 | |
CN115952696B (zh) | 一种基于仿真预测与代价模型的刀具全生命周期管理方法 | |
JP2022093204A (ja) | 工作機械の電流計測システムおよびその方法 | |
JP6962632B1 (ja) | 工作機械の電流計測システムおよびその方法 | |
JP2011121139A (ja) | 工具異常検知装置および検知方法 | |
Bonci et al. | Machine learning for monitoring and predictive maintenance of cutting tool wear for clean-cut machining machines | |
Matsumura et al. | Tool life prediction in end milling using a combination of machining simulation and tool wear progress data | |
JP2020191043A (ja) | 異常検出装置、異常検出サーバ及び異常検出方法 | |
JP5821616B2 (ja) | 研削異常監視方法および研削異常監視装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210820 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210820 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210912 |
|
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: 20210916 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210916 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6952318 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |