JP7134062B2 - 工作機械の異常診断システム、異常診断方法、異常診断プログラム - Google Patents
工作機械の異常診断システム、異常診断方法、異常診断プログラム Download PDFInfo
- Publication number
- JP7134062B2 JP7134062B2 JP2018199438A JP2018199438A JP7134062B2 JP 7134062 B2 JP7134062 B2 JP 7134062B2 JP 2018199438 A JP2018199438 A JP 2018199438A JP 2018199438 A JP2018199438 A JP 2018199438A JP 7134062 B2 JP7134062 B2 JP 7134062B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- abnormality
- master
- abnormality diagnosis
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Numerical Control (AREA)
Description
しかし、切削工具の状態や、前加工の状態によってはプログラム通りに加工を行なっても、ワークが求める仕様を満たして完成しない場合がある。加えて、工具の損傷によりワークが除去できない状況でも、送り軸は動作し続けて工具とワークとが衝突と同じ状況になり、工具やワークだけでなく機械が損傷を受けることになる。そこで、加工の状態を最も表していると考えられる主軸モータの負荷を監視し、送り軸を停止するなどといったことが一般的に行われている。
ところが、正常加工時と異常加工時の主軸モータの負荷の差が、正常加工時の主軸モータの負荷の変化に比べて小さい場合、一定のしきい値の超過により異常と判断することは困難である。そこで、特許文献1では、圧入加工において正常時の圧力変化の波形をベース波形として記録し、ベース波形からオフセットしたしきい値を設けて、繰り返し加工を行う際に、しきい値を超えるか否かによって異常を検出している。
前記工作機械の動作情報と、前記工作機械に取り付けられた各種センサの出力情報との少なくとも一方を機械情報として取得する機械情報取得部と、
前記機械情報を記録する記憶部と、
記録された前記機械情報から、異常度合いを推定する推定モデルを作成するモデル作成部と、
作成した前記推定モデルによって前記機械情報の異常度合いを随時推定し、その推定値の時間変化と、加工形態に合わせて時間変化するように設定したしきい値とを比較することで異常の有無を判断する異常診断部と、
前記構成において、加工形態間での同一性を判断する加工形態判断部と、を含み、前記異常診断部は、前記加工形態判断部によって同一と判断された加工を繰り返し行う際、診断対象の加工が正常に完了した際の前記機械情報を前記推定モデルによって随時推定した前記推定値の時系列波形を元に、前記しきい値を設定することを特徴とする。
請求項2に記載の発明は、請求項1の構成において、前記モデル作成部は、前記加工形態判断部にて判断した前記加工形態の変化が所定の範囲内となるデータを教師データとして抽出し、前記教師データより前記推定モデルを作成することを特徴とする。
請求項3に記載の発明は、請求項1の構成において、前記異常診断部は、正常動作時の前記機械情報を前記推定モデルで推定することで得られる時系列波形をマスタ波形として前記記憶部へ記録すると共に、前記マスタ波形が所定の識別可能区間設定しきい値を下回る区間を、アルゴリズムを用いてデータ処理が可能な識別可能区間として前記記憶部へ記録し、前記推定値の時間変化と前記しきい値との比較を前記識別可能区間でのみ行うことを特徴とする。
請求項4に記載の発明は、請求項3の構成において、前記モデル作成部は、前記識別可能区間の前記機械情報を教師データとして抽出すると共に、前記教師データを用いて前記推定モデルの更新を行うことを特徴とする。
上記目的を達成するために、請求項5に記載の発明は、工具又はワークを回転させる回転軸と、前記工具と前記ワークとを相対的に移動させる送り軸とを有し、プログラムされた指令に基づいて前記工具によって前記ワークの加工を行う工作機械において、異常を診断する方法であって、
前記工作機械の動作情報と、前記工作機械に取り付けられた各種センサの出力情報との少なくとも一方を機械情報として取得する機械情報取得ステップと、
前記機械情報を記録する記録ステップと、
記録された前記機械情報から、異常度合いを推定する推定モデルを作成するモデル作成ステップと、
作成した前記推定モデルによって前記機械情報の異常度合いを随時推定し、その推定値の時間変化と、加工形態に合わせて時間変化するように設定したしきい値とを比較することで異常の有無を判断する異常診断ステップと、を実行すると共に、
前記構成において、前記モデル作成ステップでは、
前記工作機械の動作が正常であったか否かを示す動作結果と前記機械情報とを紐付けたラベル済みデータを作成するラベル済みデータ作成ステップと、
前記ラベル済みデータより、前記動作結果に対応する特徴が含まれる箇所のみを抽出したマスタデータを作成するマスタデータ作成ステップと、
前記マスタデータより前記動作結果を推定するマスタモデルを作成もしくは、既存の学習済みのマスタモデルを採用するマスタモデル設定ステップと、
前記マスタモデルによって前記ラベル済みデータを推定し、推定結果より前記動作結果に対応する特徴が含まれる箇所を抽出することで追加教師データを作成する追加教師データ作成ステップと、
前記マスタデータと前記追加教師データとから前記動作結果を推定する再学習モデルを作成する再学習モデル作成ステップと、
前記再学習モデルの推定性能評価を前記マスタモデルによって行うモデル性能評価ステップと、
前記推定性能が前記マスタモデルより劣る場合は、前記マスタモデルを前記推定モデルとして採用する一方、前記推定性能が前記マスタモデルを上回る場合は、前記マスタモデルを再学習モデルによって更新し、前記追加教師データ作成ステップ及び前記再学習モデル作成ステップを繰り返す再学習実施判定ステップと、を実行することを特徴とする。
請求項6に記載の発明は、請求項5の構成において、前記再学習実施判定ステップ後に実行する前記追加教師データ作成ステップでは、推定結果に対して特徴が含まれる箇所を抽出する際の抽出用しきい値を再設定し、前記モデル性能評価ステップにおける評価結果に応じて前記抽出用しきい値の変更を行うことを特徴とする。
上記目的を達成するために、請求項7に記載の発明は、工作機械の異常診断プログラムであって、コンピュータに、請求項5又は6に記載の工作機械の異常診断方法を実行させることを特徴とする。
特に、請求項1に記載の発明によれば、上記効果に加えて、しきい値の有効範囲や設定を区間ごとに行う必要が無いため容易にしきい値を決定することができる。また、有効な加工範囲が不明確な推定モデルを使用しても、実際の識別結果からしきい値を決定するので、容易かつ有効に行うことができる。
特に、請求項2に記載の発明によれば、上記効果に加えて、大量のデータの様々なバリエーションのデータよりモデルを作成する必要が無いためモデルの作成が容易となる。
特に、請求項3に記載の発明によれば、上記効果に加えて、推定モデルを使用する際に、適用範囲を把握していなくても識別を行うことができる。
特に、請求項4に記載の発明によれば、上記効果に加えて、少ないデータであっても有効に学習が行える箇所のデータを教師データとして抽出可能であるため、推定モデルの精度向上に対してデータを有効活用できる。また、計算コストも削減できるため、大規模な計算機を用いなくても推定モデルのチューニングができる。さらに、異常検出対象に合わせて微調整が行えるのでより精度良く異常検出を行うことができる。
特に、請求項5に記載の発明によれば、上記効果に加えて、推定性能を維持したまま適用範囲を拡大した推定モデルが、詳細なラベリングを行わなくても作成可能となる。また、有効な学習データの選別にかかるコストの削減や、動作結果に対応した特徴量を含まない大量のデータを用いる事による計算コストの増大も削減することが可能となる。
特に、請求項6に記載の発明によれば、上記効果に加えて、抽出用しきい値の再設定により、追加教師データとする範囲が小さく変更されて推定精度の改善が期待できる。
[形態1]
図1は、本発明に関する工作機械1の一例を示した説明図である。
工作機械1は、回転軸としての主軸2を有し、テーブル上には工作物3が搭載されている。主軸2に取り付けられた工具が回転し、送り軸によって工作物3と相対運動することで切削加工を行う。
工作機械1の制御装置内には、異常診断システムを構成する異常診断装置4が設けられている。この異常診断装置4の内部には、工作機械1の主軸2、送り軸、工具交換軸や周辺機器の駆動負荷や速度、振動値、温度などの動作情報や、取り付けられた各種センサの出力情報を取得する機械情報取得部5が設けられている。
まず、S1にて、機械情報取得部5にて取得された機械情報を記録情報として記憶部8に記録する(機械情報取得ステップ及び記録ステップ)。機械情報としては加工形態を判断できる情報も合わせて記録すると良い。例えば、加工に使用する工具情報や加工を行う際の主軸2の回転速度指令、相対運動の速度指令や、工作物3への切り込み量などの加工を行うための指令情報などが良い。
図6は図5で示すワーク加工時の主軸負荷の時間変化を示したものである。監視設定入力部10からの入力により、安定した加工が行えそうな箇所には低めの、加工が不安定になりそうな箇所には高めのしきい値を引く等、加工形態に合わせて時間変化するしきい値の定義を人為的に行う。また、前述の様に時間変化する値を人為的に与える代わりに、S3にて作成された推定モデルを用いて前記主軸負荷の時間変化の識別を行うと、図7に示すような出力値が得られる。この出力値をベースにオフセットした値をしきい値とすることで、有効な監視を行うことができる。図5に示す加工では、図3で示すモデル作成範囲とは異なる加工も含まれるため、図8に示すように複数回の加工のデータの識別を行う事でより安定して異常を検出することができる。前記オフセット値は、監視設定入力部10より与えても良いし、推定結果の平均値や分散値などから求めても良い。
また、モデル作成部6は、加工形態判断部7にて判断した加工形態の変化が所定の範囲内となるデータを教師データとして抽出し、教師データより推定モデルを作成するので、大量のデータの様々なバリエーションのデータよりモデルを作成する必要が無いためモデルの作成が容易となる。
次に、本発明の他の形態を説明する。但し、形態1と同じ構成部には同じ符号を付して重複する説明は省略する。
図9に示す異常診断装置4Aでは、加工形態判断部を備えておらず、工作機械1若しくは他の工作機械にて取得した既存データを入力するための既存データ入力部14を備えている点が形態1と異なる。
この異常診断装置4Aにおける異常診断処理の手順を図10に示すフローチャートに基づいて説明する。
まず、S11にて推定モデルの作成を行う。機械情報取得部5にて取得された機械情報を記録情報として記憶部8に記録する(機械情報取得ステップ及び記録ステップ)。記憶部8には、機械情報取得部5以外にも、既存データ入力部14から既存データを入力しても良い。既存データは推定モデルの性能を向上させるために、同一の加工条件で加工に取得したデータでも良いし、異なる加工条件や治工具、他の機台で取得したデータでも良い。
そして、モデル作成部6にて記憶部8に記録された情報を教師データとして推定モデルの作成を行う(モデル作成ステップ)。ここで加工が安定している範囲を教師データとして抽出する点と、具体的な推定モデルの作成方法とは形態1と同じである。
さらに、S13では、識別可能区間設定を行う。ここではマスタ波形に識別可能区間設定しきい値を設定し、マスタ波形が識別可能区間設定しきい値以下になった区間を、識別可能区間とする。例えば図11に一点鎖線で示すように、マスタ波形に識別可能区間設定しきい値(0.2)を設け、下回った範囲である10~26sec、42~53sec、65~75secを識別可能区間とする。
S24では、推定モデルの更新を行うために教師データの抽出を行う。教師データの抽出は、加工状態が正常と確認されているデータの識別可能区間によって行う。図12に示す推定結果の場合、10~26sec、42~53sec、65~75secの範囲を再学習用の教師データとする。
次に、S25では、S24にて抽出した教師データを基に推定モデルの更新を行う。例えば、ニューラルネットワークを用いる場合には、前述の推定モデルのウェイト及びバイアスを初期値として用いる事で元の推定モデルの特性を残しつつ今回の診断対象に合わせてファインチューニングすることができる。
ここでは推定モデルがS25にて、識別可能区間に合わせて更新されているため、識別可能区間全体の異常度がさがり、しきい値にマージンを設ける必要が無く、より感度良く異常を識別することができる。
特にここでは、少ないデータであっても有効に学習が行える箇所のデータを教師データとして抽出可能であるため、推定モデルの精度向上に対してデータを有効活用できる。また、計算コストも削減できるため、大規模な計算機を用いなくても推定モデルのチューニングができる。さらに、異常検出対象に合わせて微調整が行えるのでより精度良く異常検出を行うことができる。
まず、S31では、記憶部8に記録された記録情報に、工作機械1の動作が正常であったか否かを示す動作結果を付加したラベル済みデータを作成する(ラベル済みデータ作成ステップ)。
次に、S32ではマスタデータの作成を行う(マスタデータ作成ステップ)。マスタデータは、動作結果に紐付いた特徴が含まれる箇所のみを抽出していく。動作結果の判別に有効な特徴が含まれない箇所を排除したデータを作成することで、推定モデルの構築を効率化して行うことができる。図3に示したワークWをエンドミルTにて側面加工したデータを元に推定モデルを作成する場合を例に説明すると、エアカット部やアプローチ部の情報は、加工状態の正常、異常によって明確な特徴量が存在しない場合が多く、モデルの構築を複雑化させる。よって、推定モデルの構築を効率良く行うために、図4の10~20秒の間のように加工状態が定常である箇所をマスタデータとすることが有効である。
S33にて作成されたマスタモデルを用いて、前述の主軸負荷を推定したところ、図7に示すような、推定結果(異常度)が得られる。そこで、図16に示すように抽出用しきい値を設け、推定結果が抽出用しきい値を下回った範囲である10~26sec、42~53sec、65~75secを追加学習データとして抽出する。
次に、S36では、作成されたマスタモデルの評価を行う(モデル性能評価ステップ)。マスタモデルの評価は、マスタデータの推定を行い、実際の動作結果と一致するかによって行う。
次に、S37では、S36での評価結果を基に、マスタモデルの再学習を行うか否かを判断する(再学習実施判定ステップ)。ここではマスタモデルに対して再学習モデルの推定性能が劣る場合は、追加教師データが有効でなかったと判断し、S38で、再学習モデルではなく、マスタモデルを採用する(採用モデル決定ステップ)。一方、マスタモデルの推定性能を低下させずに再学習が行えた場合は、適用できる加工の拡大に成功したと判断し、マスタモデルを再学習モデルにて更新し、S34~S37のステップを繰り返して再度、追加教師データを作成することで、適用範囲の拡大を進めていくことができる。また、適用範囲の拡大と推定精度はトレードオフの関係にあるため、厳密な監視よりも、適用範囲の拡大を重視する場合には、マスタモデルから性能低下に対してある程度許容する範囲を設けても良い。
なお、本事例では、マスタモデルの作成工程を一連の流れに含めて説明しているが、推定対象にあう、既存の推定モデルを用いても良い。
このように上記形態の推定モデルの作成方法によれば、推定性能を維持したまま適用範囲を拡大した推定モデルが、詳細なラベリングを行わなくても作成可能となる。また、有効な学習データの選別にかかるコストの削減や、動作結果に対応した特徴量を含まない大量のデータを用いる事による計算コストの増大も削減することが可能となる。
特に、推定結果を判定する抽出用しきい値の設定を同時に行うので、学習を行うとともに有効な抽出用しきい値を設定することができる。
Claims (7)
- 工具又はワークを回転させる回転軸と、前記工具と前記ワークとを相対的に移動させる送り軸とを有し、プログラムされた指令に基づいて前記工具によって前記ワークの加工を行う工作機械において、異常を診断するシステムであって、
前記工作機械の動作情報と、前記工作機械に取り付けられた各種センサの出力情報との少なくとも一方を機械情報として取得する機械情報取得部と、
前記機械情報を記録する記憶部と、
記録された前記機械情報から、異常度合いを推定する推定モデルを作成するモデル作成部と、
作成した前記推定モデルによって前記機械情報の異常度合いを随時推定し、その推定値の時間変化と、加工形態に合わせて時間変化するように設定したしきい値とを比較することで異常の有無を判断する異常診断部と、
加工形態間での同一性を判断する加工形態判断部と、を含み、
前記異常診断部は、前記加工形態判断部によって同一と判断された加工を繰り返し行う際、診断対象の加工が正常に完了した際の前記機械情報を前記推定モデルによって随時推定した前記推定値の時系列波形を元に、前記しきい値を設定することを特徴とする工作機械の異常診断システム。 - 前記モデル作成部は、前記加工形態判断部にて判断した前記加工形態の変化が所定の範囲内となるデータを教師データとして抽出し、前記教師データより前記推定モデルを作成することを特徴とする請求項1に記載の工作機械の異常診断システム。
- 前記異常診断部は、正常動作時の前記機械情報を前記推定モデルで推定することで得られる時系列波形をマスタ波形として前記記憶部へ記録すると共に、前記マスタ波形が所定の識別可能区間設定しきい値を下回る区間を、アルゴリズムを用いてデータ処理が可能な識別可能区間として前記記憶部へ記録し、
前記推定値の時間変化と前記しきい値との比較を前記識別可能区間でのみ行うことを特徴とする請求項1に記載の工作機械の異常診断システム。 - 前記モデル作成部は、前記識別可能区間の前記機械情報を教師データとして抽出すると共に、前記教師データを用いて前記推定モデルの更新を行うことを特徴とする請求項3に記載の工作機械の異常診断システム。
- 工具又はワークを回転させる回転軸と、前記工具と前記ワークとを相対的に移動させる送り軸とを有し、プログラムされた指令に基づいて前記工具によって前記ワークの加工を行う工作機械において、異常を診断する方法であって、
前記工作機械の動作情報と、前記工作機械に取り付けられた各種センサの出力情報との少なくとも一方を機械情報として取得する機械情報取得ステップと、
前記機械情報を記録する記録ステップと、
記録された前記機械情報から、異常度合いを推定する推定モデルを作成するモデル作成ステップと、
作成した前記推定モデルによって前記機械情報の異常度合いを随時推定し、その推定値の時間変化と、加工形態に合わせて時間変化するように設定したしきい値とを比較することで異常の有無を判断する異常診断ステップと、を実行すると共に、
前記モデル作成ステップでは、
前記工作機械の動作が正常であったか否かを示す動作結果と前記機械情報とを紐付けたラベル済みデータを作成するラベル済みデータ作成ステップと、
前記ラベル済みデータより、前記動作結果に対応する特徴が含まれる箇所のみを抽出したマスタデータを作成するマスタデータ作成ステップと、
前記マスタデータより前記動作結果を推定するマスタモデルを作成もしくは、既存の学習済みのマスタモデルを採用するマスタモデル設定ステップと、
前記マスタモデルによって前記ラベル済みデータを推定し、推定結果より前記動作結果に対応する特徴が含まれる箇所を抽出することで追加教師データを作成する追加教師データ作成ステップと、
前記マスタデータと前記追加教師データとから前記動作結果を推定する再学習モデルを作成する再学習モデル作成ステップと、
前記再学習モデルの推定性能評価を前記マスタモデルによって行うモデル性能評価ステップと、
前記推定性能が前記マスタモデルより劣る場合は、前記マスタモデルを前記推定モデルとして採用する一方、前記推定性能が前記マスタモデルを上回る場合は、前記マスタモデルを再学習モデルによって更新し、前記追加教師データ作成ステップ及び前記再学習モデル作成ステップを繰り返す再学習実施判定ステップと、
を実行することを特徴とする工作機械の異常診断方法。 - 前記再学習実施判定ステップ後に実行する前記追加教師データ作成ステップでは、推定結果に対して特徴が含まれる箇所を抽出する際の抽出用しきい値を再設定し、前記モデル性能評価ステップにおける評価結果に応じて前記抽出用しきい値の変更を行うことを特徴とする請求項5に記載の工作機械の異常診断方法。
- コンピュータに、請求項5又は6に記載の工作機械の異常診断方法を実行させるための異常診断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018199438A JP7134062B2 (ja) | 2018-10-23 | 2018-10-23 | 工作機械の異常診断システム、異常診断方法、異常診断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018199438A JP7134062B2 (ja) | 2018-10-23 | 2018-10-23 | 工作機械の異常診断システム、異常診断方法、異常診断プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020067776A JP2020067776A (ja) | 2020-04-30 |
JP7134062B2 true JP7134062B2 (ja) | 2022-09-09 |
Family
ID=70390392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018199438A Active JP7134062B2 (ja) | 2018-10-23 | 2018-10-23 | 工作機械の異常診断システム、異常診断方法、異常診断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7134062B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021261418A1 (ja) * | 2020-06-24 | 2021-12-30 | ファナック株式会社 | 工具診断装置、および工具診断方法 |
WO2022030061A1 (ja) * | 2020-08-04 | 2022-02-10 | 三菱電機株式会社 | 非稼働要因特定装置、方法、及び、プログラム |
KR102270202B1 (ko) * | 2020-11-30 | 2021-06-28 | 주식회사 비스텔 | 설비 모니터링 시스템의 모델 업데이트 방법 |
CN118219064A (zh) * | 2024-05-27 | 2024-06-21 | 山东迪格重工机械有限公司 | 一种基于数据监测的机床用安全报警装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007245342A (ja) | 2000-10-16 | 2007-09-27 | Makino Milling Mach Co Ltd | 工具の刃先位置の測定方法及び装置、ワークの加工方法並びに工作機械 |
JP2017220111A (ja) | 2016-06-09 | 2017-12-14 | ファナック株式会社 | 異常負荷検出の閾値を学習する機械学習器,数値制御装置および機械学習方法 |
-
2018
- 2018-10-23 JP JP2018199438A patent/JP7134062B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007245342A (ja) | 2000-10-16 | 2007-09-27 | Makino Milling Mach Co Ltd | 工具の刃先位置の測定方法及び装置、ワークの加工方法並びに工作機械 |
JP2017220111A (ja) | 2016-06-09 | 2017-12-14 | ファナック株式会社 | 異常負荷検出の閾値を学習する機械学習器,数値制御装置および機械学習方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020067776A (ja) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7134062B2 (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
US11237539B2 (en) | System and method for operational-data-based detection of anomaly of a machine tool | |
TWI640390B (zh) | 刀具磨耗監測與預測方法 | |
JP6649684B2 (ja) | びびり予測のための改良型データベース | |
Caggiano et al. | Cloud manufacturing framework for smart monitoring of machining | |
US6845340B2 (en) | System and method for machining data management | |
Huang et al. | Tool wear detection and fault diagnosis based on cutting force monitoring | |
JP6572265B2 (ja) | 制御装置及び機械学習装置 | |
WO2012169300A1 (ja) | 工作機械の加工異常検知装置及び加工異常検知方法 | |
JP6342593B1 (ja) | 工作機械管理システムおよび工作機械の管理方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及*** | |
WO2008142386A1 (en) | Machining process monitor | |
TWI518469B (zh) | 加工監控系統及方法 | |
JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
Lim et al. | Vibration-based fault diagnostic platform for rotary machines | |
JP6708676B2 (ja) | 異常要因特定装置 | |
JP6777696B2 (ja) | 加工環境推定装置 | |
JP2021056880A (ja) | 診断装置及び診断方法 | |
Rubio et al. | Cutting parameters analysis for the development of a milling process monitoring system based on audible energy sound | |
JPH10228304A (ja) | 加工装置 | |
JP7154100B2 (ja) | 工作機械の加工異常検出装置 | |
KR102360004B1 (ko) | 진동 신호 기반의 기계 상태 관리 시스템 | |
Elbestawi et al. | Tool condition monitoring in machining | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
Isermann | Integration of fault detection and diagnosis methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220414 |
|
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: 20220802 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220830 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7134062 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |