TW202219843A - 機械學習裝置、洗淨預測裝置、及洗淨系統 - Google Patents

機械學習裝置、洗淨預測裝置、及洗淨系統 Download PDF

Info

Publication number
TW202219843A
TW202219843A TW110140403A TW110140403A TW202219843A TW 202219843 A TW202219843 A TW 202219843A TW 110140403 A TW110140403 A TW 110140403A TW 110140403 A TW110140403 A TW 110140403A TW 202219843 A TW202219843 A TW 202219843A
Authority
TW
Taiwan
Prior art keywords
cleaning
processing
machine
conditions
prediction
Prior art date
Application number
TW110140403A
Other languages
English (en)
Inventor
小川賢一
永富隆志
Original Assignee
日商發那科股份有限公司
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 日商發那科股份有限公司 filed Critical 日商發那科股份有限公司
Publication of TW202219843A publication Critical patent/TW202219843A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35111—Automatically search for clean up regions, generate clean up tool pass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49049—Coolant serves as lubrication and also to take away swarf, chips

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Numerical Control (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Auxiliary Devices For Machine Tools (AREA)

Abstract

本發明會生成以下之學習完畢模型：免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。 一種機械學習裝置，具備：輸入資料取得部，取得輸入資料，前述輸入資料包含任意的工作機械對任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件加工前述工件之加工機內洗淨的洗淨條件、表示根據前述加工條件進行加工前的前述加工機內之髒污程度的狀態資訊；標籤取得部，取得以包含於前述輸入資料之前述加工條件來加工並以前述洗淨條件來洗淨之後的前述加工機內的狀態資訊，來作為標籤資料；及學習部，利用藉由前述輸入資料取得部所取得的輸入資料、及藉由前述標籤取得部所取得的標籤資料，來執行監督式學習，並生成學習完畢模型。

Description

機械學習裝置、洗淨預測裝置、及洗淨系統
本發明是有關於一種機械學習裝置、洗淨預測裝置、及洗淨系統。
在洗淨裝置(例如，固定在工作機械內部之構成、或被機器人等把持而可動之構成等)將加工機內洗淨的情況下，一般會以事先決定之頻率來將加工機內洗淨。 在專利文獻1~3中，已提出有一種使用視覺感測器來計測切屑的堆積量，並判斷是否進行洗淨(清掃)之技術。 先前技術文獻 專利文獻
專利文獻1：日本特開2016-168661號公報 專利文獻2：日本特開2017-013182號公報 專利文獻3：日本特開2017-104943號公報
發明欲解決之課題
在以經決定之頻率來將加工機內洗淨的情況下，決定該頻率的是作業人員，且是以切屑的形狀、或已加工之工件的數量與堆積量為依據，並基於經驗地決定。 又，以視覺感測器所進行之確認切屑的堆積量的方法，也是由作業人員基於經驗地決定：是否要在每次加工工件時都以視覺感測器來確認、或是在加工數個工件後以視覺感測器來確認。 又，在將加工機內洗淨(清掃)的期間或以視覺感測器來確認切屑的堆積量的期間，會無法以加工機來加工工件。 因此，為了提升工件的生產性，必須儘量減少耗費在加工以外之時間，且必須儘可能地減少加工機內的洗淨次數或以視覺感測器所進行之確認的時間。
於是，所期望的是生成以下之學習完畢模型：免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。 用以解決課題之手段
(1)本揭示之機械學習裝置的一態樣具備： 輸入資料取得部，取得輸入資料，前述輸入資料包含任意的工作機械對任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件加工前述工件之加工機內洗淨的洗淨條件、表示根據前述加工條件進行加工前的前述加工機內之髒污程度的狀態資訊； 標籤取得部，取得以包含於前述輸入資料之前述加工條件來加工且以前述洗淨條件來洗淨之後的前述加工機內的狀態資訊，來作為標籤資料；及 學習部，利用藉由前述輸入資料取得部所取得的輸入資料、及藉由前述標籤取得部所取得的標籤資料，來執行監督式學習，並生成學習完畢模型。
(2)本揭示之洗淨預測裝置的一態樣具備： 學習完畢模型，藉由(1)之機械學習裝置所生成； 輸入部，在藉由工作機械所進行的加工之前，輸入接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之前述工作機械的加工機內的狀態資訊；及 預測部，將藉由前述輸入部所輸入之前述接下來要進行的加工條件、前述洗淨條件、與前述當前之加工機內的狀態資訊輸入到前述學習完畢模型，來預測以前述接下來要進行的加工條件來加工且以前述洗淨條件來洗淨之後的前述加工機內的狀態資訊。
(3)本揭示之洗淨系統的一態樣具備：(2)之洗淨預測裝置；及洗淨裝置。 發明效果
根據一態樣，可以生成以下之學習完畢模型：免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。
用以實施發明之形態
＜第1實施形態＞ 針對本實施形態的構成，利用圖式來詳細地說明。在此，例示以下情況：依據接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械的加工機內之髒污的程度，來決定工件生產數最多的洗淨時間點。再者，如後述，本發明也可適用於以下情況：依據接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械的加工機內之髒污的程度，來決定以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定的洗淨的洗淨次數。
圖1是顯示第1實施形態之洗淨系統的功能性構成例的功能方塊圖。如圖1所示，洗淨系統1具有工作機械10、洗淨預測裝置20、以及機械學習裝置30。
工作機械10、洗淨預測裝置20、以及機械學習裝置30亦可透過未圖示的連接介面而相互直接連接。又，工作機械10、洗淨預測裝置20、以及機械學習裝置30亦可透過LAN(區域網路，Local Area Network)或網際網路等之未圖示的網路而相互連接。在此情況下，工作機械10、洗淨預測裝置20、以及機械學習裝置30具備有用於藉由所述之連接來相互進行通訊之未圖示的通訊部。再者，如後述，工作機械10亦可設成包含洗淨預測裝置20以及機械學習裝置30。
工作機械10是對所屬技術領域的通常知識者來說周知的工作機械，且以組入的方式而具有洗淨裝置101、測定裝置102、以及控制裝置103。工作機械10依據控制裝置103的動作指令來動作。再者，洗淨裝置101以及控制裝置103亦可和工作機械10為獨立之裝置。
洗淨裝置101是對所屬技術領域的通常知識者來說周知的洗淨裝置。例如，洗淨裝置101會依據控制裝置103執行洗淨程式所生成之控制指令，來使包含於洗淨裝置101之泵(未圖示)運轉並從包含於洗淨裝置101之洗淨噴嘴(未圖示)噴射冷卻劑等之洗淨液，藉此以預定之洗淨來將工作機械10的加工機內洗淨。 在此，預定之洗淨是指：因應於工作機械10的種類或加工內容，而在洗淨程式中事先設定有洗淨加工機內的洗淨條件(例如，洗淨噴嘴的角度或噴射量、加工機內的地點、洗淨路徑、洗淨時間等)之洗淨。並且，在洗淨條件中，預定之洗淨是基本的洗淨之單位，且也設定有預定之洗淨的洗淨次數。 圖2A是顯示工作機械10的加工機內之從側面所觀看到的切屑堆積的情形之一例的圖。圖2B是顯示加工機內之從上面所觀看的預定的洗淨之一例的圖。再者，在圖2B中，下側是工作機械10的門側。 如圖2B所示，洗淨裝置101是例如依據洗淨程式，讓在(1)至(6)之洗淨路徑中移動洗淨噴嘴之預定的洗淨重複進行包含於洗淨條件之洗淨次數，藉此去除工作機械10的加工機內的切屑。 又，洗淨裝置101亦可設成安裝於機器人(未圖示)、或內置於機器人(未圖示)，來洗淨工作機械10的加工機內。在此情況下，工作機械10亦可包含機器人控制裝置(未圖示)。
測定裝置102亦可設成例如：從預定的位置來測定以工作機械10加工工件後之工作機械10的加工機內的整體、或至少1個關注點之加工機內之髒污的程度。具體而言，測定裝置102亦可設成：利用周知的手法(例如日本專利特開2018-153872號公報等)，依據和事先測定未附著有髒污的加工機內而取得之加工機內的整體或至少1個關注點的測定值之差，來將加工機內的洗淨對象的各部分的差分之量(面積、體積等)、或該差分的亮度之比率(%)等計算為加工機內之髒污的程度。再者，測定裝置102可使用視覺感測器、紅外線雷射、超音波儀器等。
控制裝置103是對所屬技術領域的通常知識者來說周知的數值控制裝置，其依據控制資訊來生成動作指令，並將所生成的動作指令發送到工作機械10、洗淨裝置101以及測定裝置102。藉此，控制裝置103會控制工作機械10、洗淨裝置101以及測定裝置102的動作。又，控制裝置103亦可透過未圖示之工作機械10的通訊部來將該控制資訊也輸出至洗淨預測裝置20。再者，控制資訊包含設定於控制裝置103之加工程式、洗淨程式以及參數之值。 又，控制裝置103亦可透過未圖示之工作機械10的通訊部，將狀態資訊也輸出至洗淨預測裝置20，前述狀態資訊是顯示藉由測定裝置102所測定出之當前的工作機械10的加工機內之髒污的程度之資訊。
洗淨預測裝置20亦可在運用階段中，在藉由工作機械10進行工件的加工前，取得以下資料：包含在來自控制裝置103的控制資訊之接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械10的加工機內的狀態資訊。洗淨預測裝置20可以藉由將所取得的加工條件、洗淨條件、以及當前之加工機內的狀態資訊輸入至由後述之機械學習裝置30所提供的學習完畢模型，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的工作機械10的加工機內的狀態資訊。
再者，加工機內之髒污的程度，其主要原因在於：因為以工作機械10的工具來加工工件而大量地產生且蓄積之切屑。於是，亦可為了考慮切屑的產生，而在加工條件中含有：工作機械10的種類、工件的材質(鐵系、非鐵系)、切削工具的種類、主軸旋轉數、進給速度、切入量以及工件生產數。再者，切削工具的種類是和切屑的形狀有關之條件，主軸旋轉數、進給速度、切入量則是和切屑的量有關之條件。 又，在狀態資訊中，是如後述地包含加工機內之髒污的程度。 在此，在說明洗淨預測裝置20之前，針對「加工機內之髒污的程度」、以及用於生成學習完畢模型的機械學習來說明。
＜關於加工機內之髒污的程度＞ 如上述，「加工機內之髒污的程度」是在加工機內之洗淨對象的各部分的差分之量(面積、體積等)、或該差分的亮度之比率(%)等，其是測定裝置102依據和以下的測定值之差來計算：事先測定未附著有髒污的加工機內而取得之加工機內的整體或至少1個關注點的測定值。亦即，在剛洗淨後的工作機械10的「加工機內之髒污的程度」為「0%」。並且，「加工機內之髒污的程度」為對應於以下之值：隨著工作機械10反覆進行工件的加工而藉由測定裝置102所測定出之加工機內的洗淨對象的各部分的差分之量(面積、體積等)、或該差分的亮度之比率(%)。再者，將事先設定好之最大容許極限值設為γ。
＜機械學習裝置30＞ 機械學習裝置30是例如事先取得以下資料來作為輸入資料：任意的工作機械所進行之對加工中的任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件加工工件之加工機內洗淨之洗淨條件、表示根據加工條件進行加工前的加工機內的髒污程度的狀態資訊。 又，機械學習裝置30會將以取得之輸入資料中的加工條件來加工並以洗淨條件來洗淨之後的加工機內的狀態資訊(加工機內之髒污的程度)取得，來作為標籤(正確答案)。 機械學習裝置30是藉由已取得之輸入資料與標籤的組合的訓練資料來進行監督式學習，並建構後述之學習完畢模型。 藉由如此進行，機械學習裝置30可以將建構出的學習完畢模型提供至洗淨預測裝置20。 針對機械學習裝置30來具體地說明。
如圖1所示，機械學習裝置30具有輸入資料取得部301、標籤取得部302、學習部303以及記憶部304。 輸入資料取得部301會在學習階段中，透過未圖示之通訊部，從控制裝置103等取得以下資料來作為輸入資料：藉由任意的工作機械所進行之對加工中的任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件來加工工件之加工機內洗淨之洗淨條件、表示根據加工條件進行加工前的加工機內之髒污程度的狀態資訊。輸入資料取得部301會對記憶部304輸出所取得之輸入資料。
標籤取得部302會取得表示以輸入資料中的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度之資料，來作為標籤資料(正確答案資料)，並對記憶部304輸出所取得的標籤資料。
學習部303會將上述之輸入資料與標籤的組合受理為訓練資料，並使用已受理之訓練資料來進行監督式學習，藉此建構學習完畢模型250，前述學習完畢模型250是依據接下來要進行的加工條件、洗淨條件(例如預定之洗淨的洗淨次數)、當前之加工機內之髒污的程度，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度。 並且，學習部303會對洗淨預測裝置20提供所建構出的學習完畢模型250。 再者，所期望的是大量準備用於進行監督式學習的訓練資料。亦可例如在顧客的工廠等從實際運轉中的各式各樣的地點之工作機械10的各個控制裝置103取得訓練資料。
圖3是顯示提供至圖1之洗淨預測裝置20的學習完畢模型250之一例的圖。在此，如圖3所示，學習完畢模型250例示多層類神經網路，前述多層類神經網路將工作機械的種類或工件的材質等之接下來要進行的加工條件、預定之洗淨的洗淨次數之洗淨條件、當前之加工機內之髒污的程度的狀態資訊作為輸入層，並將表示以接下來要進行的加工條件來加工且以洗淨條件來洗淨之後的加工機內的「髒污的程度」之資料作為輸出層。 在此，如上述，在接下來要進行的加工條件中，包含工作機械的種類、工件的材質(鐵系、非鐵系)、切削工具的種類、主軸旋轉數、進給速度、切入量、以及工件生產數。 再者，作為洗淨條件，雖然是設成預定之洗淨的洗淨次數，但亦可為洗淨時間(=(預定之洗淨的洗淨時間)×(洗淨次數))。
又，學習部303亦可設成在建構出學習完畢模型250之後，於已取得新的訓練資料的情況下，藉由對學習完畢模型250進一步進行監督式學習，來更新曾經建構的學習完畢模型250。
上述之監督式學習可以用線上學習方式來進行，亦可用批量學習(batch learning)方式來進行，且亦可用小批量學習方式來進行。 線上學習是指在每次進行由工作機械10所進行之工件的加工並製作訓練資料時，立即進行監督式學習之學習方法。又，批量學習是指在重複進行由工作機械10所進行之工件的加工且製作訓練資料的期間，收集對應於重複進行之內容的複數筆訓練資料，並且使用所收集到的全部的訓練資料來進行監督式學習之學習方法。此外，小批量學習是指每當積累線上學習與批量學習的中間的某種程度的訓練資料時，即進行監督式學習之學習方法。
記憶部304是RAM(隨機存取記憶體，Random Access Memory)等，其記憶藉由輸入資料取得部301所取得之輸入資料、藉由標籤取得部302所取得之標籤資料、以及藉由學習部303所建構出的學習完畢模型250等。 以上，針對用於生成洗淨預測裝置20所具備之學習完畢模型250的機械學習進行了說明。 其次，針對運用階段中的洗淨預測裝置20來說明。
＜運用階段中的洗淨預測裝置20＞ 如圖1所示，運用階段中的洗淨預測裝置20是包含輸入部201、預測部202、意思決定部203、通知部204以及記憶部205而構成。 再者，洗淨預測裝置20為了實現圖1之功能方塊的動作，而具備CPU(中央處理單元，Central Processing Unit)等未圖示之運算處理裝置。又，洗淨預測裝置20具備保存有各種控制用程式的ROM(唯讀記憶體，Read Only Memory)或HDD等的未圖示的輔助記憶裝置、或用於保存運算處理裝置執行程式後暫時需要之資料的RAM這類的未圖示的主記憶裝置。
並且，在洗淨預測裝置20中，運算處理裝置會從輔助記憶裝置讀入OS或應用軟體，並一邊使讀入之OS或應用軟體展開到主記憶裝置，一邊進行依據這些OS或應用軟體之運算處理。洗淨預測裝置20依據此運算結果來控制各個硬體。藉此，可實現由圖1之功能方塊所進行的處理。亦即，洗淨預測裝置20可以藉由讓硬體與軟體協同合作來實現。
在由工作機械10進行工件的加工前，輸入部201會從例如控制裝置103的控制資訊輸入以下資料：接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之髒污的程度的狀態資訊。輸入部201會對預測部202輸出：已取得之接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之髒污的程度的狀態資訊。
預測部202會將接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之髒污的程度的狀態資訊輸入至圖3的學習完畢模型250，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之「髒污的程度」的狀態資訊。 再者，為了藉由後述之意思決定部203來決定工件生產數最多的洗淨時間點，而將洗淨條件中的預定之洗淨的洗淨次數設為「0」。亦即，預測部202會預測加工機內的洗淨變得必要之洗淨時間點即將來臨前的加工機內之髒污的程度。
意思決定部203依據藉由預測部202所預測出之加工機內之髒污的程度的狀態資訊，來決定工件生產數最多的洗淨時間點。 具體而言，意思決定部203是依據加工機內之髒污的程度的預測值與事先設定的閾值之比較，來判定是否是加工機內的洗淨為必要之洗淨時間點。 圖4是顯示加工機內之髒污的程度之一例的圖。如圖4所示，例如加工機內之髒污的程度在剛洗淨後是「0%」，藉由工作機械10重複加工工件，其髒污的程度會因此而增加。例如，在加工機內之髒污的程度小於預定之比率α的情況下，工作機械10可以以所期望的加工品質來加工工件。另一方面，在髒污的程度為預定之比率α以上的情況下，工作機械10無法以所期望的加工品質來加工工件。 在以下的說明中，是以加工機內之髒污的程度即預定之比率α為閾值。再者，預定之比率α(以下，也稱為「閾值α」)亦可因應於工作機械10所設置之工廠的環境、或工作機械10的加工內容等來適當設定。 又，如後述，在加工機內之髒污的程度小於預定之比率β的情況下，可以視為加工機內沒有切屑，並將加工機內之髒污的程度即預定之比率β設為表示不需要加工機內之洗淨且無切屑之狀態的閾值。在此，設為：γ＞α＞β。
意思決定部203會判定藉由預測部202所預測之加工機內之髒污的程度是否小於閾值α。在例如所預測出之加工機內之髒污的程度小於閾值α的情況下，意思決定部203會進行：每次1個(預定的數量)地增加接下來要進行的加工條件的工件生產數，並令預測部202預測增加了工件生產數之以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值α的範圍內，工件生產數最多的洗淨時間點。
另一方面，在所預測出之加工機內之髒污的程度成為閾值α以上的情況下，意思決定部203會進行：每次1個(預定的數量)地減少接下來要進行的加工條件的工件生產數，並令預測部202預測減少了工件生產數之以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值α的範圍內，工件生產數最多的洗淨時間點。
通知部204亦可將藉由意思決定部203所決定出之工件生產數最多的洗淨時間點，輸出至包含於工作機械10及/或控制裝置103之液晶顯示器等的輸出裝置(未圖示)。 藉由如此進行，通知部204可以向使用者(操作人員)推薦藉由意思決定部203所決定出之工件生產數最多的洗淨時間點。又，通知部204亦可透過揚聲器(未圖示)而藉由聲音來通知。
記憶部205是ROM或HDD等，且亦可將學習完畢模型250和各種控制用程式一起記憶。
＜運用階段中的洗淨預測裝置20的預測處理＞ 其次，針對本實施形態之洗淨預測裝置20的預測處理之動作來說明。 圖5是說明運用階段中的洗淨預測裝置20之預測處理的流程圖。
在步驟S11中，在由工作機械10進行工件的加工前，輸入部201會從控制裝置103的控制資訊輸入以下資料：接下來要進行的加工條件、預定之洗淨的洗淨次數「0」的洗淨條件、當前之加工機內之髒污的程度的狀態資訊。
在步驟S12中，預測部202將接下來要進行的加工條件、預定之洗淨的洗淨次數「0」的洗淨條件、當前之加工機內之髒污的程度的狀態資訊輸入至學習完畢模型250，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之「髒污的程度」的狀態資訊。
在步驟S13中，意思決定部203會決定：在步驟S12中所預測出之加工機內之髒污的程度之預測值小於閾值α的範圍內，工件生產數最多的洗淨時間點。例如，在所預測出之加工機內之髒污的程度小於閾值α的情況下，意思決定部203會進行：每次1個(預定的數量)地增加接下來要進行的加工條件的工件生產數，並令預測部202預測增加了工件生產數之以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值α的範圍內，工件生產數最多的洗淨時間點。 另一方面，在所預測出之加工機內之髒污的程度成為閾值α以上的情況下，意思決定部203會進行：每次1個(預定的數量)地減少接下來要進行的加工條件的工件生產數，並令預測部202預測減少了工件生產數之以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度比閾值α更小的範圍內，工件生產數最多的洗淨時間點。
在步驟S14中，通知部204會通知已在步驟S13中決定之工件生產數最多的洗淨時間點。
藉由以上，第1實施形態之洗淨預測裝置20在由工作機械10進行工件的加工前，會將有關於該加工之接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之包含髒污的程度的狀態資訊輸入至學習完畢模型250，來預測加工且洗淨後的加工機內之髒污的程度的狀態資訊。並且，洗淨預測裝置20依據所預測出之加工機內之髒污的程度的預測值與閾值之比較，來決定工件生產數最多的洗淨時間點。 藉此，洗淨預測裝置20可以免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。 又，洗淨預測裝置20藉由利用學習完畢模型250，變得不需要作業人員判斷加工機內之洗淨的必要性，而可以減輕作業人員的負擔。 以上，已針對第1實施形態進行了說明。
＜第2實施形態＞ 其次，針對第2實施形態來說明。如上述，第1實施形態之洗淨預測裝置20依據接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械的加工機內之髒污的程度，來決定工件生產數最多的洗淨時間點。相對於此，第2實施形態之洗淨預測裝置20a在以下之點和第1實施形態不同：依據接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械的加工機內之髒污的程度，來決定以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定的洗淨的洗淨次數。再者，藉由該加工條件加工後之加工機內之髒污的程度的預測值是設為小於閾值α。又，藉由設成在加工機內之髒污的程度小於閾值α的範圍內工件生產數最多的加工條件，可以決定出在工件生產數最多的洗淨時間點之加工機內的洗淨中最少之預定的洗淨的洗淨次數。 藉此，第2實施形態之洗淨預測裝置20a可以免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。 以下，針對第2實施形態來說明。
圖6是顯示第2實施形態之洗淨系統的功能性構成例的功能方塊圖。再者，針對具有和圖1之洗淨系統1的要素同樣的功能之要素，會附上相同的符號，並省略詳細的說明。 如圖6所示，洗淨系統1A具有工作機械10、洗淨預測裝置20a以及機械學習裝置30。 工作機械10包含洗淨裝置101、測定裝置102以及控制裝置103。 洗淨裝置101、測定裝置102以及控制裝置103具有和第1實施形態之洗淨裝置101、測定裝置102以及控制裝置103同樣的功能。 機械學習裝置30包含輸入資料取得部301、標籤取得部302、學習部303以及記憶部304。 輸入資料取得部301、標籤取得部302、學習部303以及記憶部304具有和第1實施形態之輸入資料取得部301、標籤取得部302、學習部303以及記憶部304同樣的功能。 洗淨預測裝置20a包含輸入部201、預測部202、意思決定部203a、通知部204以及記憶部205。 輸入部201、預測部202、通知部204以及記憶部205具有和第1實施形態之輸入部201、預測部202、通知部204以及記憶部205同樣的功能。
意思決定部203a依據藉由預測部202所預測出之加工且洗淨之後之加工機內之髒污的程度的狀態資訊，來決定以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。 具體而言，意思決定部203a是依據加工機內之髒污的程度的預測值、與事先設定之表示加工機內沒有切屑的閾值β之比較，來判定在加工機內是否有切屑。意思決定部203a在藉由預測部202所預測出之加工機內之髒污的程度為閾值β以上的情況下，會判定為在加工機內有切屑。在此情況下，意思決定部203a例如會以讓預測出之加工機內之髒污的程度成為小於閾值β的方式，每次1次(預定的數量)地增加所輸入之洗淨條件中的預定之洗淨的洗淨次數，並令預測部202預測在增加了預定之洗淨的洗淨次數的洗淨條件下加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值β的範圍內，以接下要來進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。 另一方面，意思決定部203a在藉由預測部202所預測出之加工機內之髒污的程度小於閾值β的情況下，會判定為在加工機內沒有切屑。在此情況下，意思決定部203a例如會每次1次(預定的數量)地減少所輸入之洗淨條件中的預定之洗淨的洗淨次數，並令預測部202預測在減少了預定之洗淨的洗淨次數的洗淨條件下加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值β的範圍內，以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。
＜運用階段中的洗淨預測裝置20a的預測處理＞ 其次，針對本實施形態之洗淨預測裝置20a的預測處理之動作來說明。 圖7是說明運用階段中的洗淨預測裝置20a之預測處理的流程圖。
在步驟S21中，在由工作機械10進行工件的加工前，輸入部201會從控制裝置103的控制資訊輸入以下資料：接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之髒污的程度的狀態資訊。
在步驟S22中，預測部202將接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、當前之加工機內之髒污的程度的狀態資訊輸入至學習完畢模型250，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之「髒污的程度」的狀態資訊。
在步驟S23中，意思決定部203a會決定：在步驟S22中所預測出之加工機內之髒污的程度的預測值小於閾值β的範圍內，在以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。例如，意思決定部203a會每次1次(預定的數量)地增加在步驟S21所輸入之洗淨條件中的預定之洗淨的洗淨次數，並令預測部202預測在增加了預定之洗淨的洗淨次數的洗淨條件下加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值β的範圍內，以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。另一方面，意思決定部203a在藉由預測部202所預測出之加工機內之髒污的程度小於閾值β的情況下，會每次1次(預定的數量)地減少所輸入之洗淨條件中的預定之洗淨的洗淨次數，並令預測部202預測在減少了預定之洗淨的洗淨次數的洗淨條件下加工機內之髒污的程度，來決定在所預測出之加工機內之髒污的程度小於閾值β的範圍內，以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。
在步驟S24中，通知部204會通知已在步驟S23中決定之最少之預定之洗淨的洗淨次數。
藉由以上，第2實施形態之洗淨預測裝置20a在由工作機械10進行工件的加工之前，會將有關於該加工之接下來要進行的加工條件、預定之洗淨的洗淨次數的洗淨條件、包含當前之加工機內之髒污的程度的狀態資訊輸入至學習完畢模型250，來預測加工並洗淨後的加工機內之髒污的程度的狀態資訊。並且，洗淨預測裝置20a依據所預測出之加工機內之髒污的程度的預測值與閾值之比較，而決定以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定之洗淨的洗淨次數。 藉此，洗淨預測裝置20a可以免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。 又，洗淨預測裝置20a藉由利用學習完畢模型250，變得不需要作業人員判斷加工機內之洗淨的必要性，而可以減輕作業人員的負擔。 以上，已針對第2實施形態進行了說明。
以上，雖然已說明了第1實施形態以及第2實施形態，但洗淨預測裝置20、20a以及機械學習裝置30並非限定於上述實施形態之裝置，且包含在可以達成目的之範圍內的變形、改良等。
＜變形例1＞ 在上述之第1實施形態以及第2實施形態中，雖然機械學習裝置30是作為和工作機械10、控制裝置103以及洗淨預測裝置20、20a不同的裝置來例示，但是亦可設成工作機械10、控制裝置103、或洗淨預測裝置20、20a具備機械學習裝置30的一部分或全部的功能。
＜變形例2＞ 又，例如，在上述之第1實施形態以及第2實施形態中，雖然洗淨預測裝置20、20a作為和工作機械10或控制裝置103不同的裝置來例示，但亦可設成工作機械10或控制裝置103具備洗淨預測裝置20、20a的一部分或全部的功能。 或者，亦可設成例如伺服器具備洗淨預測裝置20的輸入部201、預測部202、意思決定部203、通知部204以及記憶部205的一部分或全部。又，亦可設成例如伺服器具備洗淨預測裝置20a的輸入部201、預測部202、意思決定部203a、通知部204以及記憶部205的一部分或全部。又，亦可在雲端上利用虛擬伺服器功能等，而實現洗淨預測裝置20、20a的各個功能。 此外，洗淨預測裝置20、20a亦可設為將洗淨預測裝置20、20a的各個功能適當地分散至複數個伺服器之分散處理系統。
＜變形例3＞ 又，例如，在上述之第2實施形態中，控制裝置103雖然如圖2B所示，在洗淨程式中將洗淨次數每一次的預定之洗淨的內容設定為相同，並使洗淨裝置101將預定之洗淨進行洗淨次數，但並非限定於此。例如，由於工作機械10的加工機內的切屑會隨著洗淨次數增加而減少，因此控制裝置103亦可在洗淨程式中改變洗淨次數每一次的預定之洗淨的內容。 圖8A是顯示第1次的預定之洗淨的一例的圖。圖8B是顯示第2次的預定之洗淨的一例的圖。 如圖8A所示，控制裝置103是依據洗淨程式而進行在(1)至(4)的洗淨路徑中移動洗淨裝置101的洗淨噴嘴的預定之洗淨，來去除加工機內的切屑。控制裝置103會令測定裝置102對第1次的預定之洗淨後的加工機內進行測定。控制裝置103亦可依據測定裝置102之測定結果，而例如如圖8B所示，在僅加工機內之左下之處殘留有切屑的情況下，將僅去除該處的切屑之洗淨路徑設定於洗淨程式來作為第2次的預定之洗淨。 藉由如此進行，洗淨預測裝置20a可以更加縮短洗淨時間。
＜變形例4＞ 又，例如，在上述之第1實施形態以及第2實施形態中，雖然洗淨預測裝置20、20a使用從機械學習裝置30所提供之學習完畢模型250，而預測出以從1個工作機械10取得之接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度，但並非限定於此。例如，如圖9所示，伺服器50亦可記憶藉由機械學習裝置30所生成之學習完畢模型250，並且和已連接於網路60之m個洗淨預測裝置20B(1)~20B(m)共享學習完畢模型250(m為2以上之整數)。藉此，即使配置有新的工作機械以及洗淨預測裝置，也可以適用學習完畢模型250。 再者，洗淨預測裝置20B(1)~20B(m)的每一個會和工作機械10A(1)~10A(m)的每一個連接。 又，工作機械10A(1)~10A(m)的每一個對應於圖1之工作機械10。洗淨預測裝置20B(1)~20B(m)的每一個對應於圖1的洗淨預測裝置20或圖6的洗淨預測裝置20a。 或者，如圖10所示，伺服器50亦可例如作為洗淨預測裝置20、20a而動作，並對已連接於網路60之工作機械10A(1)~10A(m)的每一個，預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內之髒污的程度。藉此，即便配置新的工作機械仍然可以適用學習完畢模型250。
再者，第1實施形態以及第2實施形態中的包含於洗淨預測裝置20、20a、以及機械學習裝置30的各個功能，可以藉由硬體、軟體或這些的組合來各自實現。在此，所謂的藉由軟體來實現意指：藉由電腦讀入程式來執行而實現之作法。
包含於洗淨預測裝置20、20a、以及機械學習裝置30的各個構成部，可以藉由包含電子電路等之硬體、軟體、或這些的組合來實現。在藉由軟體來實現的情況下，是將構成此軟體的程式安裝於電腦。又，這些程式可以藉由記錄於可移除式媒體(removable media)來分發給使用者，亦可藉由透過網路來下載至使用者的電腦來分發。又，在以硬體來構成的情況下，可以將包含於上述之裝置的各個構成部的功能的一部分或全部以例如ASIC(特殊應用積體電路，Application Specific Integrated Circuit)、閘陣列(gate array)、FPGA(現場可程式閘陣列，Field Programmable Gate Array)、CPLD(複雜可程式邏輯元件，Complex Programmable Logic Device)等之積體電路(IC)來構成。
程式可以使用各種類型的非暫時的電腦可讀取媒體(Non-transitory computer readable medium)來保存，並供給至電腦。非暫時的電腦可讀取媒體包含各種類型之有實體的記錄媒體(Tangible storage medium)。非暫時的電腦可讀取媒體的例子包含：磁性記錄媒體(例如軟式磁碟、磁帶、硬磁碟驅動機)、光磁記錄媒體(例如光碟)、CD-ROM(唯讀記憶體，Read Only Memory)、CD-R、CD-R/W、半導體記憶體(例如mask ROM(遮罩唯讀記憶體)、PROM(可程式化唯讀記憶體，Programmable ROM)、EPROM(可抹除可程式唯讀記憶體，Erasable PROM)、快閃ROM、RAM)。又，程式亦可藉由各種類型之暫時的電腦可讀取媒體(Transitory computer readable medium)來供給至電腦。暫時的電腦可讀取媒體的例子包含電氣訊號、光訊號、及電磁波。暫時的電腦可讀取媒體可以透過電線以及光纖等之有線通訊通道、或無線通訊通道，將程式供給至電腦。
再者，記述記錄於記錄媒體之程式的步驟當然包含沿著其順序以時間序列方式進行之處理，但並不一定要以時間序列方式進行處理，也包含並行或個別地執行之處理。
若將以上內容換句話說，即本揭示之機械學習裝置、洗淨預測裝置、以及洗淨系統可以採取具有如下之構成的各式各樣的實施形態。
(1)本揭示之機械學習裝置30具備： 輸入資料取得部301，取得輸入資料，前述輸入資料包含任意的工作機械對任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件加工前述工件之加工機內洗淨的洗淨條件、表示根據加工條件進行加工前的加工機內之髒污程度的狀態資訊； 標籤取得部302，取得以包含在輸入資料之加工條件來加工且以洗淨條件來洗淨之後的加工機內的狀態資訊，來作為標籤資料；及 學習部303，利用藉由輸入資料取得部301所取得的輸入資料、及藉由標籤取得部302所取得的標籤資料，來執行監督式學習，並生成學習完畢模型250。 根據此機械學習裝置30，可以生成如下之學習完畢模型：能夠免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。
(2)在(1)中所記載之機械學習裝置30中，亦可為：加工條件至少包含工作機械的種類、工件的材質、切削工具的種類、主軸旋轉數、進給速度、切入量、以及表示加工之工件的數量之工件生產數，且洗淨條件至少包含預定之洗淨的洗淨次數。 藉由如此進行，機械學習裝置30可以生成可以精度良好地預測工作機械10的加工機內之髒污的程度之學習完畢模型250。
(3)本揭示之洗淨預測裝置20具備： 學習完畢模型250，藉由(1)或(2)中記載之機械學習裝置30所生成； 輸入部201，在藉由工作機械10所進行的加工之前，輸入接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之工作機械10的加工機內的狀態資訊；及 預測部202，將藉由輸入部201所輸入之接下來要進行的加工條件、洗淨條件、當前之加工機內的狀態資訊輸入到學習完畢模型250，來預測以接下來要進行的加工條件來加工並以洗淨條件來洗淨之後的加工機內的狀態資訊。 根據此洗淨預測裝置20，可以免除加工中的由視覺感測器所進行之確認，且以儘可能較少的洗淨頻率來防止切屑的堆積。
(4)在(3)中所記載之洗淨預測裝置20中，亦可具備意思決定部203，前述意思決定部203依據藉由預測部202所預測出之包含在加工機內的狀態資訊中的預測值、與事先設定的閾值之比較，來決定工件生產數最多的洗淨時間點。 藉由如此進行，洗淨預測裝置20可以儘可能地減少耗費在洗淨之時間。
(5)在(3)中所記載之洗淨預測裝置20a中，亦可具備意思決定部203，前述意思決定部203依據預測部202所預測出之包含在加工機內的狀態資訊中的預測值、與事先設定的閾值之比較，來決定以接下來要進行的加工條件來加工之後的加工機內的洗淨中最少之預定的洗淨的洗淨次數。 藉由如此進行，洗淨預測裝置20a可以儘可能地減少耗費在洗淨之時間。
(6)在(5)中所記載之洗淨預測裝置20a中，預定之洗淨亦可因應於已決定之前述洗淨次數的次數來改變洗淨內容。 藉由如此進行，洗淨預測裝置20a可以更加縮短洗淨時間。
(7)在(3)至(6)中任一項所記載之洗淨預測裝置20、20a中，亦可將學習完畢模型250設置在伺服器50，前述伺服器50可透過網路60被洗淨預測裝置20、20a以可存取的方式連接。 藉由如此進行，即使配置新的工作機械10，洗淨預測裝置20、20a仍然可以適用學習完畢模型250。
(8)在(3)至(7)中任一項所記載之洗淨預測裝置20、20a中，亦可具備(1)或(2)中所記載之機械學習裝置30。 藉由如此進行，洗淨預測裝置20、20a可以發揮和(1)至(7)中任一項同樣的效果。
(9)本揭示之洗淨系統1、1A具備(3)至(8)中任一項所記載之洗淨預測裝置20、20a及洗淨裝置101。 此洗淨系統1、1A可以發揮和(1)至(8)中任一項同樣的效果。
(10)在(9)中所記載之洗淨系統1、1A中，洗淨裝置101亦可設置於工作機械10的加工機內。 藉由如此進行，洗淨系統1、1A可以發揮和(1)至(8)中任一項同樣的效果。
(11)在(9)中所記載之洗淨系統1、1A中，亦可將洗淨裝置101安裝於機器人、或內置於機器人。 藉由如此進行，洗淨系統1、1A可以發揮和(1)至(8)中任一項同樣的效果。
1,1A:洗淨系統 10,10A(1)~10A(m):工作機械 101:洗淨裝置 102:測定裝置 103:控制裝置 20,20a,20B(1)~20B(m):洗淨預測裝置 201:輸入部 202:預測部 203,203a:意思決定部 204:通知部 205:記憶部 250:學習完畢模型 30:機械學習裝置 301:輸入資料取得部 302:標籤取得部 303:學習部 304:記憶部 50:伺服器 60:網路 α,β:比率 γ:最大容許極限值 S11~S14,S21~S24:步驟
圖1是顯示第1實施形態之洗淨系統的功能性構成例的功能方塊圖。 圖2A是顯示工作機械的加工機內之從側面所觀看到的切屑堆積的情形之一例的圖。 圖2B是顯示加工機內之從上面所觀看到的預定的洗淨之一例的圖。 圖3是顯示提供至圖1之洗淨預測裝置的學習完畢模型之一例的圖。 圖4是顯示加工機內之髒污的程度之一例的圖。 圖5是說明運用階段中的洗淨預測裝置之預測處理的流程圖。 圖6是顯示第2實施形態之洗淨系統的功能性構成例的功能方塊圖。 圖7是說明運用階段中的洗淨預測裝置之預測處理的流程圖。 圖8A是顯示第1次的預定之洗淨的一例的圖。 圖8B是顯示第2次的預定之洗淨的一例的圖。 圖9是顯示洗淨系統的構成之一例的圖。 圖10是顯示洗淨系統的構成之一例的圖。
1:洗淨系統
10:工作機械
101:洗淨裝置
102:測定裝置
103:控制裝置
20:洗淨預測裝置
201:輸入部
202:預測部
203:意思決定部
204:通知部
205:記憶部
250:學習完畢模型
30:機械學習裝置
301:輸入資料取得部
302:標籤取得部
303:學習部
304:記憶部

Claims (11)

  1. 一種機械學習裝置，具備： 輸入資料取得部，取得輸入資料，前述輸入資料包含任意的工作機械對任意的工件之任意的加工條件、用於藉由任意的洗淨裝置來將已根據該加工條件加工前述工件之加工機內洗淨的洗淨條件、表示根據前述加工條件進行加工前的前述加工機內之髒污程度的狀態資訊； 標籤取得部，取得以包含於前述輸入資料之前述加工條件來加工並以前述洗淨條件來洗淨之後的前述加工機內的狀態資訊，來作為標籤資料；及 學習部，利用藉由前述輸入資料取得部所取得的輸入資料、藉由前述標籤取得部所取得的標籤資料，來執行監督式學習，並生成學習完畢模型。
  2. 如請求項1之機械學習裝置，其中前述加工條件至少包含工作機械的種類、工件的材質、切削工具的種類、主軸旋轉數、進給速度、切入量、以及表示加工之工件的數量之工件生產數， 且前述洗淨條件至少包含預定之洗淨的洗淨次數。
  3. 一種洗淨預測裝置，具備： 學習完畢模型，藉由如請求項1或2之機械學習裝置所生成； 輸入部，在藉由工作機械所進行的加工之前，輸入接下來要進行的加工條件、預定之洗淨的洗淨條件、當前之前述工作機械的加工機內的狀態資訊；及 預測部，將藉由前述輸入部所輸入之前述接下來要進行的加工條件、前述洗淨條件、前述當前之加工機內的狀態資訊輸入到前述學習完畢模型，來預測以前述接下來要進行的加工條件來加工且以前述洗淨條件來洗淨之後的前述加工機內的狀態資訊。
  4. 如請求項3之洗淨預測裝置，其具備意思決定部，前述意思決定部依據藉由前述預測部所預測出之包含在前述加工機內的狀態資訊中的預測值、與事先設定的閾值之比較，來決定工件生產數最多的洗淨時間點。
  5. 如請求項3之洗淨預測裝置，其具備意思決定部，前述意思決定部依據前述預測部所預測出之包含在前述加工機內的狀態資訊中的預測值、與事先設定的閾值之比較，來決定以前述接下來要進行的加工條件來加工之後的前述加工機內的洗淨中最少之前述預定之洗淨的洗淨次數。
  6. 如請求項5之洗淨預測裝置，其中前述預定之洗淨會因應於已決定之前述洗淨次數的次數來改變洗淨內容。
  7. 如請求項3至6中任一項之洗淨預測裝置，其將前述學習完畢模型設置於伺服器，前述伺服器可透過網路被前述洗淨預測裝置以可存取的方式連接。
  8. 如請求項3至7中任一項之洗淨預測裝置，其具備如請求項1或2之機械學習裝置。
  9. 一種洗淨系統，具備： 如請求項3至8中任一項之洗淨預測裝置；及 洗淨裝置。
  10. 如請求項9之洗淨系統，其中前述洗淨裝置設置於前述工作機械的加工機內。
  11. 如請求項9之洗淨系統，其是將前述洗淨裝置安裝於機器人、或內置於前述機器人。
TW110140403A 2020-11-09 2021-10-29 機械學習裝置、洗淨預測裝置、及洗淨系統 TW202219843A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020186745 2020-11-09
JP2020-186745 2020-11-09

Publications (1)

Publication Number Publication Date
TW202219843A true TW202219843A (zh) 2022-05-16

Family

ID=81457229

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110140403A TW202219843A (zh) 2020-11-09 2021-10-29 機械學習裝置、洗淨預測裝置、及洗淨系統

Country Status (6)

Country Link
US (1) US20230376002A1 (zh)
JP (1) JP7453409B2 (zh)
CN (1) CN116367958A (zh)
DE (1) DE112021004645T5 (zh)
TW (1) TW202219843A (zh)
WO (1) WO2022097624A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7483162B1 (ja) 2023-07-26 2024-05-14 三菱電機株式会社 切粉堆積領域推定装置、切粉除去装置、切粉堆積領域推定方法及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6181687B2 (ja) 2015-03-13 2017-08-16 ファナック株式会社 加工により発生した切粉を除去可能な加工機システム
JP6618724B2 (ja) 2015-07-01 2019-12-11 株式会社Ｆｕｊｉ 工作機械、ワーク清掃方法
JP6356655B2 (ja) 2015-12-10 2018-07-11 ファナック株式会社 加工屑を除去する機能を有する加工システム
JP6502983B2 (ja) 2017-03-15 2019-04-17 ファナック株式会社 洗浄工程最適化装置及び機械学習装置
JP6652549B2 (ja) * 2017-12-26 2020-02-26 ファナック株式会社 切粉除去装置及び情報処理装置
JP7000376B2 (ja) 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置

Also Published As

Publication number Publication date
JP7453409B2 (ja) 2024-03-19
US20230376002A1 (en) 2023-11-23
WO2022097624A1 (ja) 2022-05-12
DE112021004645T5 (de) 2023-06-29
JPWO2022097624A1 (zh) 2022-05-12
CN116367958A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
JP6502983B2 (ja) 洗浄工程最適化装置及び機械学習装置
KR101923268B1 (ko) 가공 조건을 조정하면서 가공을 실시하는 와이어 방전 가공기
CN108121295B (zh) 预测模型建立方法及其相关预测方法与计算机程序产品
JP6926472B2 (ja) 解析装置および解析システム
JP6756676B2 (ja) 製造システム
JP2019111637A (ja) 切粉除去装置及び情報処理装置
JP2005536887A (ja) 製造中にデバイスの電気パラメータを予測する方法および装置
TW202219843A (zh) 機械學習裝置、洗淨預測裝置、及洗淨系統
Mourtzis et al. Machine availability monitoring for adaptive holistic scheduling: a conceptual framework for mass customization
JP6502998B2 (ja) 回路構成最適化装置及び機械学習装置
JP7000376B2 (ja) 機械学習装置、予測装置、及び制御装置
CN112859751A (zh) 机器学习装置、消耗电力预测装置和控制装置
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
Wang et al. A computational framework for cloud-based machine prognosis
US6732007B1 (en) Method and apparatus for implementing dynamic qualification recipes
JP6264725B2 (ja) 生産ラインにおける生産物の品質分析装置
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
JP2003162309A (ja) 加工物の製造方法、製造装置及び製造用プログラム
US6868353B1 (en) Method and apparatus for determining wafer quality profiles
Jang et al. Economic in-line inspection sampling strategy with learning effects
CN112060520B (zh) 机器学习装置、预测装置以及控制装置
Massaro et al. Predictive Maintenance and Engineered Processes in Mechatronic Industry: An Italian Case Study
Nieoczym Application of a transportation flux for determining qualitative indices
JPWO2022059595A5 (zh)
WO2022059595A1 (ja) 情報処理装置、及び情報処理方法