WO2018030033A1 - 工作機械の工具の異常検知装置及び方法 - Google Patents
工作機械の工具の異常検知装置及び方法 Download PDFInfo
- Publication number
- WO2018030033A1 WO2018030033A1 PCT/JP2017/024447 JP2017024447W WO2018030033A1 WO 2018030033 A1 WO2018030033 A1 WO 2018030033A1 JP 2017024447 W JP2017024447 W JP 2017024447W WO 2018030033 A1 WO2018030033 A1 WO 2018030033A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- tool
- measurement data
- machine
- abnormality detection
- unit
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q2220/00—Machine tool components
- B23Q2220/006—Spindle heads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q2717/00—Arrangements for indicating or measuring
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25255—Neural network
-
- 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
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- 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
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
-
- 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
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50276—Detect wear or defect tool, breakage and change tool
Definitions
- the present invention relates to an abnormality detection apparatus and method for detecting an abnormality of a tool of a machine tool.
- Patent Documents 1 to 3 a method has been proposed in which various signals during machining are measured in real time and tool abnormality diagnosis is performed based on the threshold value.
- Patent Documents 1 to 3 the diagnostic signals to be acquired are different from each other. For example, as illustrated in FIG. 13, a threshold is set for a spindle load that is one of the diagnostic signals, and the comparison with the threshold is performed. Abnormal diagnosis is performed by doing. However, such signals (machining load (spindle load), cutting force, cutting vibration, etc.) depend on cutting conditions (tool type, workpiece material, cutting depth (chip discharge amount), feed rate, spindle speed, etc.). Therefore, it is difficult to set a threshold value. Therefore, Patent Document 3 discloses a method for determining a threshold value for abnormality diagnosis. As described above, in the conventional abnormality diagnosis, it is difficult to set the threshold value, and the abnormality diagnosis is performed using the threshold value that is difficult to set. Therefore, improvement in the diagnosis accuracy cannot be expected.
- the present invention has been made in view of the above problems, and an object of the present invention is to provide a tool tool tool abnormality detection device and method capable of improving diagnosis accuracy.
- An abnormality detection device for a tool of a machine tool for solving the above-mentioned problem, An abnormality detection device for detecting an abnormality of a tool of a machine tool, An acquisition unit that acquires a plurality of measurement values related to the tool as measurement data; A first learning unit that learns the measurement data acquired during processing in a normal state by one class of machine learning and creates a normal model; A diagnostic unit for diagnosing whether the measurement data is normal or abnormal based on the normal model while acquiring the measurement data during processing after the normal model creation; It has a re-diagnosis part which re-diagnosis the measurement data diagnosed as abnormal by the diagnosis part by a method different from the diagnosis part.
- the first learning unit learns the measurement data that has not been diagnosed as abnormal by the diagnostic unit and the measurement data that has not been diagnosed as abnormal by the rediagnosis unit by the machine learning of the one class, and The normal model is updated.
- an abnormality detection device for a tool of a machine tool for solving the above-described problem,
- the image processing apparatus When the measurement data is diagnosed as abnormal by the diagnosis unit or the re-diagnosis unit, the image processing apparatus further includes a processing unit that stops machining by the tool.
- the first learning unit adds setting data related to machining conditions and cutting information at the time of machining, learns by the machine learning of the one class, and creates or updates the normal model.
- An abnormality detection device for a tool of a machine tool according to a fifth invention for solving the above-described problem,
- the machine tool tool abnormality detection device If the one-class machine learning is a one-class support vector machine with a kernel method introduced, the machine learning creates an identification function for diagnosing whether the measurement data is normal or abnormal and inputs the measurement data
- the apparatus further includes a predicting unit that predicts, as the tool replacement time, a time point when the value changes from a positive value to 0 based on a change with time of the discriminant function value.
- An abnormality detection device for a tool of a machine tool for solving the above-described problem,
- a second learning unit that learns a plurality of measurement data accumulated and diagnosed as abnormal in the diagnostic unit by multi-class machine learning, and creates a diagnostic model;
- a classification unit that classifies the state of the measurement data based on the diagnostic model and classifies the abnormal state of the tool while acquiring the measurement data during processing after the diagnostic model is created.
- An abnormality detection device for a tool of a machine tool according to a seventh invention for solving the above-described problem In the tool tool abnormality detection apparatus according to the sixth aspect of the invention, the second learning unit, after creating the diagnostic model, learns the measurement data diagnosed as abnormal by the diagnostic unit by the multi-class machine learning and updates the diagnostic model. To do.
- An abnormality detection method for a tool of a machine tool for solving the above-described problem, An abnormality detection method for detecting an abnormality of a tool of a machine tool, An acquisition step of acquiring a plurality of measurement values related to the tool as measurement data; A first learning step of learning the measurement data acquired during machining in a normal state by one class of machine learning to create a normal model; A diagnostic step of diagnosing whether the measurement data is normal or abnormal based on the normal model while acquiring the measurement data during processing after the normal model is created; A rediagnosis step of rediagnosing the measurement data diagnosed as abnormal in the diagnosis step by a method different from the diagnosis step.
- An abnormality detection method for a tool of a machine tool according to a ninth invention that solves the above-described problem,
- the machine tool tool abnormality detection method according to the eighth invention In the first learning step, the measurement data that has not been diagnosed as abnormal by the diagnosis unit and the measurement data that has not been diagnosed as abnormal by the rediagnosis unit are learned by the machine learning of the one class, and The normal model is updated.
- An abnormality detection method for a tool of a machine tool according to a tenth invention for solving the above-described problem In the machine tool tool abnormality detection method according to the eighth or ninth invention, The method further includes a processing step of stopping machining by the tool when the measurement data is diagnosed as abnormal in the diagnosis step or the re-diagnosis step.
- An abnormality detection method for a tool of a machine tool according to an eleventh invention for solving the above-described problem In the tool tool abnormality detection method according to any one of the eighth to tenth inventions, In the first learning step, setting data related to machining conditions and cutting information at the time of machining is added, and learning is performed by the machine learning of the one class to create or update the normal model.
- An abnormality detection method for a tool of a machine tool for solving the above-described problem,
- the one-class machine learning is a one-class support vector machine with a kernel method introduced
- the machine learning creates an identification function for diagnosing whether the measurement data is normal or abnormal and inputs the measurement data
- the method further includes a predicting step of predicting a time point when the value is changed from a positive value to 0 based on a change with time of the discriminant function as a replacement time of the tool.
- An abnormality detection method for a tool of a machine tool according to a thirteenth invention for solving the above-described problem In the machine tool tool abnormality detection method according to any one of the eighth to twelfth inventions, A second learning step of learning a plurality of measurement data accumulated and diagnosed as abnormal in the diagnosis step by multi-class machine learning to create a diagnosis model; A classifying step of classifying the state of the measurement data based on the diagnostic model while classifying the abnormal state of the tool while acquiring the measurement data during processing after the diagnostic model is created. And
- a tool tool abnormality detection method that solves the above-described problem,
- the machine tool tool abnormality detection method In the machine tool tool abnormality detection method according to the thirteenth aspect,
- the second learning step after the creation of the diagnostic model, the measurement data diagnosed as abnormal in the diagnostic step is learned by the multi-class machine learning, and the diagnostic model is updated. To do.
- FIG. 1 It is a block diagram which shows an example (Example 1) of embodiment of the abnormality detection apparatus of the tool of the machine tool which concerns on this invention. It is a perspective view which shows an example of the machine tool of a diagnostic object. It is a figure explaining the normal data space by 1 class machine learning. It is a figure explaining the processing flow of the abnormality detection method implemented with the abnormality detection apparatus of the tool of the machine tool shown in FIG. It is a block diagram which shows another example (Example 2) of embodiment of the abnormality detection apparatus of the tool of the machine tool which concerns on this invention. It is a figure explaining the correlation between the data in the abnormality detection apparatus of the tool of the machine tool shown in FIG. It is a figure explaining the change of the normal data space by setting data addition.
- FIG. 3 It is a block diagram which shows another example (Example 3) of embodiment of the abnormality detection apparatus of the tool of the machine tool which concerns on this invention. It is a figure explaining the prediction replacement
- FIG. 4 It is a block diagram which shows another example (Example 4) of embodiment of the abnormality detection apparatus of the tool of the machine tool which concerns on this invention.
- FIG. 2 a portal machine is illustrated in FIG. 2 as a machine tool to be diagnosed, but the present invention is also applicable to other machine tools that use tools.
- FIG. 1 is a configuration diagram illustrating a tool abnormality detection device for a machine tool according to the present embodiment
- FIG. 2 is a perspective view illustrating an example of a machine tool to be diagnosed
- 3 is a diagram for explaining a normal data space by one-class machine learning
- FIG. 4 explains a processing flow of an abnormality detection method performed by the tool abnormality detection device for a machine tool shown in FIG. FIG.
- the machine tool to be diagnosed is a portal machine 10.
- the portal machine 10 includes a bed 11, a table 12, a column portion 13, a cross rail 14, a saddle 15, a ram 16, a main shaft 17, an attachment 18, a tool unit 19, a tool T, and the like.
- the bed 11 is installed horizontally on the floor, and a table 12 and a column unit 13 are installed on the bed 11.
- the table 12 is a table on which a workpiece (not shown) as a workpiece is placed, and is provided on the bed 11 so as to be movable in one horizontal direction.
- the column portion 13 has a gate shape arranged so as to straddle the bed 11, and includes two left columns 13 ⁇ / b> L and a right column 13 ⁇ / b> R that are vertically provided on the left and right sides of the bed 11.
- the cross rail 14 is attached to horizontally traverse the left column 13L and the right column 13R, and is provided so as to be movable in the vertical direction along the vertical sliding surfaces of the left column 13L and the right column 13R.
- the saddle 15 is attached to the cross rail 14 and is provided so as to be movable in the horizontal direction along the horizontal sliding surface of the cross rail 14.
- the ram 16 is held by the saddle 15 and is guided by the vertical sliding surface of the saddle 15 so as to be movable in the vertical direction.
- the main shaft 17 is disposed inside the ram 16 and can be rotated by a main shaft motor 24 described later. Further, a tool unit 19 having a tool T is attached to the main shaft 17 via an attachment 18.
- an abnormality of the tool T for example, abnormalities in the tool T itself such as tool wear, tool breakage, chipping, and chipping, and abnormalities in the machining state due to the tool T are detected.
- a vibration sensor 21 that measures the vibration of the tool T (main shaft 17)
- a cutting dynamometer 22 that measures the cutting force of the tool T (main shaft 17)
- a sound sensor 23 for measuring sound is provided.
- a spindle load 44 and a power value 46 are measured from the spindle motor 24 that drives the spindle 17.
- the motor current 45 and the power value 46 are measured from the feed motor 25 that drives the ram 16.
- the feed motor 25 that drives the ram 16 is illustrated as a representative, but a plurality of feed motors are provided corresponding to the moving direction (for example, XYZ directions).
- the vibration measured by the vibration sensor 21 is obtained as vibration information 41
- the cutting force measured by the cutting dynamometer 22 is taken as cutting force information 42
- the sound measured by the sound sensor 23 is obtained as sound information 43 by the abnormality detection device 30A.
- the spindle load 44, the motor current 45, and the power value 46 are also acquired by the acquisition unit 40A and used for machine learning and diagnosis described later.
- vibration information 41, cutting force information 42, sound information 43, spindle load 44, motor current 45, and power value 46 are collectively referred to as measurement data. Further, here, the vibration information 41, the cutting force information 42, the sound information 43, the spindle load 44, the motor current 45, and the power value 46 are illustrated as the measurement data. However, if the measurement data is related to the tool T, Other measurement data may be added.
- the abnormality detection device 30A detects an abnormality of the tool T of the portal machine 10 in addition to the acquisition unit 40A described above, a normal model unit 31 (first learning unit), and an abnormality diagnosis unit 32 (diagnosis unit). , An abnormality processing unit 33 (processing unit) and a rediagnosis unit 34.
- the normal model unit 31 creates a normal model by one class of machine learning using measurement data acquired during normal processing, and updates the normal model after the creation.
- the abnormality diagnosis unit 32 performs an abnormality diagnosis of the measurement data based on the normal model created by the normal model unit 31 while acquiring measurement data at the time of machining after the normal model is created.
- the abnormality processing unit 33 performs abnormality processing such as issuing an alarm, displaying an alarm, or displaying the alarm when the measurement data is diagnosed as abnormal by the abnormality diagnosis unit 32 and the rediagnosis unit 34. The machining with the tool T is stopped. Further, the rediagnosis unit 34 performs rediagnosis on the measurement data diagnosed as abnormal by the abnormality diagnosis unit 32 by a method different from that of the abnormality diagnosis unit 32.
- a computer or the like can be used as the above-described abnormality detection device 30A, and the device configuration includes an input device, a communication device, an arithmetic device, a storage device, an output device, and the like.
- the measurement data described above is acquired using an input device or a communication device, and the acquired measurement data is subjected to arithmetic processing (diagnosis and machine learning) by an arithmetic device, and a normal model is created at the time of normal diagnosis Alternatively, it is updated and stored in the storage device, and when an abnormality is diagnosed, the above-described abnormality processing is performed using the output device or the communication device.
- a program for diagnosis, machine learning, and abnormality processing is also stored in the storage device.
- the preliminary process is performed previously. Specifically, when the portal machine 10 and the tool T are in a normal state, the machining is performed with a predetermined machining pattern, and the measurement data measured at that time and acquired by the acquisition unit 40A is obtained.
- a normal model is created by one class of machine learning (first learning step).
- the predetermined processing pattern is preferably a processing pattern actually used, but may be any other processing pattern such as a basic operation processing pattern.
- machine learning is applied to detect an abnormality of the tool T.
- one class normal model
- one class Is used for a class of machine learning that can be diagnosed.
- By adopting one class of machine learning as the machine learning it is possible to diagnose an abnormality only with measurement data at the time of normal machining.
- 1 class machine learning 1 class support vector machine method (hereinafter, 1 class SVM method) or invariant analysis can be applied.
- 1 class SVM method 1 class support vector machine method
- a one-class SVM method using a kernel method is used.
- kernel ⁇ is an inner product of vector data in the feature space.
- a Gaussian kernel represented by the following formula (1) is used.
- x and z are vector data in the feature space
- ⁇ is a kernel parameter. It is.
- L is the number of training data.
- ⁇ i is closely related to the training data x i, is called a support vector x i to be the ⁇ i> 0.
- sgn ⁇ is a sign function, and when the diagnosis value a ⁇ 0 by the discrimination function g (x), that is, when the measurement data x belongs to the same class as the training data x i , “+1 ”And“ ⁇ 1 ”when the diagnostic value a ⁇ 0, that is, when the measurement data x does not belong to the same class as the training data x i .
- X sv corresponds to ⁇ i where 0 ⁇ i ⁇ 1 / ( ⁇ l).
- most of ⁇ i is 0, so that non-zero ⁇ i and corresponding training data x i , that is, support vector x i play an important role in identification. is there.
- FIG. 3 shows a normal data space in which normal measurement data (training data) is mapped in a mapping space (feature space) of the one-class SVM method. Will be generated. Then, information on the mapping space in which the normal data space is generated is stored in the storage device as a normal model.
- FIG. 3 shows a two-dimensional mapping space with two parameters (measurement data 1 and measurement data 2) for the sake of simplicity.
- Step S1 In the portal machine 10, the workpiece is processed, and measurement data (vibration information 41, cutting force information 42, sound) measured by the vibration sensor 21, cutting dynamometer 22, sound sensor 23, spindle motor 24, and feed motor 25.
- Information 43, spindle load 44, motor current 45, power value 46) are acquired by acquisition unit 40A (acquisition process). At this time, it is unknown whether the measurement data is normal or abnormal.
- Step S2 The abnormality diagnosis unit 32 diagnoses whether the measurement data measured at the time of machining is normal or abnormal by the one-class SVM method based on the normal model created by the normal model unit 31 (diagnosis process). That is, it is diagnosed whether the measurement data measured at the time of processing belongs to the same class as the training data (normal data space). This is not a diagnosis based on a threshold value of each measurement data as in the prior art.
- Step S3 ⁇ S4 If the measurement data measured at the time of processing belongs to the same class as the training data, that is, if f (x) ⁇ 0 in the above equation (3), it is diagnosed as normal and the process proceeds to step S5.
- Step S5 Since the normal model unit 31 sequentially reflects the measurement data diagnosed as normal in the normal model, the normal model unit 31 updates the normal model by the one-class SVM method using the measurement data (first learning step). As described above, by performing operation while performing additional learning (automatic update of a normal model), it is possible to realize an optimal diagnosis and to enhance a judgment model (normal model).
- Step S3 On the other hand, if the measurement data measured at the time of machining does not belong to the same class as the training data, that is, if f (x) ⁇ 0 in the above equation (3), an abnormality is diagnosed and the process proceeds to step S7. .
- Step S7 When the abnormality is diagnosed, the abnormality processing unit 33 stops the machining with the tool T of the portal machine 10 (processing step). At this time, the abnormality processing unit 33 may issue an alarm or display an alarm, for example. In this case, it is determined that some abnormality, such as tool wear, tool breakage, chipping, or chipping, has occurred in the tool T itself, and it is presumed that a machining state abnormality by the tool T has also occurred.
- some abnormality such as tool wear, tool breakage, chipping, or chipping
- steps S1 to S7 are performed in real time, and the measurement data at the time of machining is monitored.
- an abnormality is diagnosed, the machining is stopped and the accuracy or damage of the workpiece is in real time. Can be suppressed.
- abnormality detection of the tool T is performed by in-process processing using machine learning.
- Step S8 ⁇ S9 When there is no abnormal urgency, the process does not proceed directly to step S7, but proceeds to step S8 and step S9.
- the rediagnosis unit 34 performs rediagnosis on the measurement data diagnosed as abnormal by the abnormality diagnosis unit 32 by a method different from that of the abnormality diagnosis unit 32 (rediagnosis step). If the re-diagnosis unit 34 diagnoses the abnormality again, the process proceeds to step S7, and an abnormality process such as stopping the machining is performed. On the other hand, if it is diagnosed again as normal by rediagnosis by the rediagnosis unit 34, the process proceeds to step S5, and the normal model is updated by the one-class SVM method using the measurement data at that time.
- the re-diagnosis method is different from the one-class SVM method.
- the diagnosis may be performed by another class of machine learning such as invariant analysis.
- diagnosis may be made based on the measured numerical value of the processing surface accuracy using a contact-type processing accuracy measuring device or a non-contact processing accuracy measuring device such as a camera or a laser.
- the tool wear state may be directly diagnosed using a tool shape inspection device using a camera or the like.
- the measurement data may be diagnosed based on a threshold value, or an operator skilled in the portal machine 10 may make a diagnosis.
- FIG. 5 is a configuration diagram illustrating the tool abnormality detection device for the machine tool according to the present embodiment.
- FIG. 6 is a diagram for explaining the correlation between data in the tool abnormality detection apparatus for the machine tool shown in FIG.
- the portal machine 10 described in the first embodiment is a machine tool to be diagnosed.
- the abnormality detection device 30B of the present embodiment has the same configuration as the abnormality detection device 30A described in the first embodiment (see FIG. 1 and the like) except for the acquisition unit 40B illustrated in FIG. Therefore, the overlapping description about the portal machine 10 and the abnormality detection device 30B is omitted here.
- the portal machine 10 has the vibration sensor 21, the cutting dynamometer 22, the sound sensor 23, the spindle motor 24, and the feed motor 25.
- the measured data (vibration information 41, cutting force information 42, sound information 43, spindle load 44, motor current 45, power value 46) is acquired by the acquisition unit 40B of the abnormality detection device 30B.
- data related to machining conditions and cutting information is added for machine learning and diagnosis.
- the data is input to the portal machine 10 and stored therein. 26
- the spindle speed 51, feed speed 52, machining allowance 53, workpiece material 54, and tool type 55 are acquired by the acquisition unit 40B of the abnormality detection device 30B, and machine learning and diagnosis are performed. It is used for.
- the workpiece material 54 for example, a material or the like is input
- the tool type 55 for example, a material, coating, peripheral speed, the number of teeth, or the like is input.
- the spindle speed 51, feed speed 52, machining allowance 53, workpiece material 54, and tool type 55 are collectively referred to as setting data. Further, here, the spindle rotation speed 51, the feed speed 52, the machining allowance 53, the workpiece material 54, and the tool type 55 are exemplified as the setting data. However, the machining conditions and cutting information related to the change in the measurement data described above. Other setting data may be added to the setting data.
- the normal model unit 31 of the abnormality detection device 30B creates a normal model by one class of machine learning using the setting data described above together with the measurement data acquired during normal processing. After creation, the normal model is updated.
- pre-processing is performed in advance, and when the portal machine 10 and the tool T are in a normal state, 1 class machine using the measurement data measured at that time and measured by the acquisition unit 40B and the setting data set as the machining conditions and cutting information at that time A normal model is created through learning.
- the predetermined processing pattern a processing pattern that is actually used is preferable, and as one class of machine learning, a one-class SVM method in which a kernel method is introduced is used.
- machine learning is performed using setting data in addition to measurement data, but the setting data has a correlation as shown in FIG. 6 with respect to the measurement data.
- the spindle speed 51, the feed speed 52, and the machining allowance 53 which are machining condition setting data
- change the vibration information 41, the cutting force information 42, the sound information 43, the spindle, which are measurement data
- the load 44, the motor current 45, and the power value 46 change.
- the vibration information 41, the cutting force information 42, the sound information 43, and the spindle load 44 that are the measurement data change corresponding to the changes.
- the mapping space of the one-class SVM method with an increased setting data dimension In the feature space, a normal data space in which normal measurement data and setting data (training data) are mapped is generated. Then, information on the mapping space in which the normal data space is generated is stored in the storage device as a normal model.
- FIG. 7 shows a three-dimensional mapping space with three parameters (measurement data 1, measurement data 2, and setting data 1) for the sake of simplicity.
- diagnosis can be performed using a normal model that takes into account the correlation between data related to machining. That is, the diagnosis is performed in consideration of the correlation between the machining condition and cutting information setting data and the measurement data at the time of machining.
- the present embodiment is not a diagnosis based on the threshold value of each measurement data as in the prior art, as described above, the correlation between the setting data and the measurement data even if the machining data and the cutting information setting data are changed. Diagnosis can be performed in consideration of the relationship, and an appropriate diagnosis according to the change can be performed, and the versatility can be improved and a more advanced diagnosis can be performed.
- the present embodiment is different from the first embodiment as described above, the same processing flow as the processing flow described in the first embodiment (see FIG. 4) can be applied to the abnormality detection method of the present embodiment. .
- FIG. 8 is a configuration diagram illustrating a tool abnormality detection device for a machine tool according to the present embodiment.
- FIG. 9 is a diagram for explaining a predicted replacement time based on the result of diagnosis by the tool abnormality detection device for the machine tool shown in FIG.
- the portal machine 10 described in the first embodiment is a machine tool to be diagnosed.
- the abnormality detection device 30C of the present embodiment has the same configuration as the abnormality detection device 30A described in the first embodiment (see FIG. 1 and the like) except for the replacement prediction unit 35 shown in FIG. Therefore, the overlapping description about the portal machine 10 and the abnormality detection device 30C is omitted here.
- the abnormality detection device 30C includes the normal model unit 31, the abnormality diagnosis unit 32, the abnormality processing unit 33, the rediagnosis unit 34, and the acquisition unit 40A. And an exchange prediction unit 35 (prediction unit).
- the replacement prediction unit 35 predicts the replacement time of the tool T based on the result of diagnosing a plurality of times of measurement data by the abnormality diagnosis unit 32. Specifically, the replacement time is predicted based on the change over time of the diagnostic value a obtained by inputting the measurement data x to the discriminant function g (x) shown in Equation (3).
- the diagnostic value a corresponds to the position of the measurement data x in the mapping space shown in FIG. 3, and the position of the diagnostic value a increases from the inside of the normal data space to the normal data space as the diagnostic value a approaches 0 from the positive value.
- the diagnostic value a is 0, it is on the boundary of the normal data space, and when the diagnostic value a is a negative value, it is outside the normal data space.
- a graph indicated by a solid line for a plurality of diagnostic values a from the previous tool change t0 to the current t1 is obtained.
- a plurality of diagnostic values a from the previous tool change time t0 to the current time t1 are a> 0 and are included in the normal region, but tend to decrease with time. If this tendency is extended by extrapolation, a graph indicated by a broken line can be created, and the diagnostic value a can be predicted to be 0 at time t2.
- the prediction is performed by the extrapolation method, but may be performed by another suitable method.
- the time when the diagnostic value a deviates from the normal region is predicted as the replacement time of the tool T based on the temporal change of the diagnostic value a.
- the time t2 is predicted as the predicted replacement time of the tool T, the tool T may be replaced before this time t2.
- the present embodiment is different from the first embodiment as described above, the same processing flow as the processing flow described in the first embodiment (see FIG. 4) can be applied to the abnormality detection method of the present embodiment.
- the prediction of the replacement time by the replacement prediction unit 35 may be performed at the time of diagnosis in step S2 described above.
- the replacement prediction unit 35 shown in the present embodiment may be provided in the abnormality detection device 30B (see FIG. 5 and the like) shown in the second embodiment.
- setting data is used in addition to measurement data. It is possible to predict the replacement time of the tool T by performing machine learning.
- FIG. 10 is a configuration diagram illustrating a tool abnormality detection device for a machine tool according to the present embodiment.
- FIG. 11 is a diagram for explaining the processing flow of the abnormality detection method performed by the tool abnormality detection device for a machine tool shown in FIG. 10, and
- FIG. 12 shows a plurality of abnormality data spaces by multi-class machine learning. It is a figure explaining.
- the portal machine 10 described in the first embodiment is a machine tool to be diagnosed.
- the abnormality detection device 30D of the present embodiment has the same configuration as the abnormality detection device 30A (see FIG. 1 and the like) described in the first embodiment, except for the diagnosis model unit 36 and the abnormality classification unit 37 shown in FIG. . Therefore, the overlapping description about the portal machine 10 and the abnormality detection device 30D is omitted here.
- the abnormality detection device 30D includes the normal model unit 31, the abnormality diagnosis unit 32, the abnormality processing unit 33, the rediagnosis unit 34, and the acquisition unit 40A.
- the diagnostic model unit 36 (second learning unit) and the abnormality classification unit 37 (classification unit) are included.
- the diagnosis model unit 36 creates a diagnosis model by multi-class machine learning using a plurality of measurement data accumulated by diagnosing an abnormality in the abnormality diagnosis unit 32, and updates the diagnosis model after the creation.
- the abnormality classification unit 37 classifies the state of the measurement data based on the diagnostic model created by the diagnostic model unit 36 while acquiring the measurement data at the time of machining after the diagnostic model is created. State classification is implemented.
- multi-class machine learning is applied to classify the abnormal state of the tool T.
- multi-class machine learning can be applied.
- a multi-class SVM method a decision tree, a random forest, a neural network, or the like can be applied.
- mapping space shown in FIG.
- a plurality of abnormal data spaces 1 to 4 as shown in FIG. 12 can be created for other spaces (abnormal data spaces).
- Abnormal data spaces 1 to 4 shown in FIG. 12 are obtained by mapping measurement data (training data) diagnosed as abnormal, and different abnormal causes correspond to each other. Then, information on the mapping space in which the abnormal data spaces 1 to 4 are also generated is stored in the storage device as a diagnostic model.
- FIG. 12 also shows a two-dimensional mapping space with two parameters (measurement data 1 and measurement data 2) for the sake of simplicity.
- the state of the measurement data can be classified using the diagnostic model, and the abnormal state of the tool T can be classified. it can.
- steps S1 to S9 are the same as the processing flow described in the first embodiment (see FIG. 4), and therefore, redundant description is omitted here.
- Step S10 When the measurement data measured during processing is diagnosed as abnormal through steps S1 to S6, the measurement data is accumulated in the storage device, and the diagnosis model unit 36 uses the accumulated measurement data to A diagnostic model is created by machine learning. If a diagnostic model has been created, the diagnostic model is updated by multi-class machine learning each time using the measurement data newly measured and diagnosed as abnormal (second learning step).
- Step S11 If a diagnostic model is created in the diagnostic model unit 36, thereafter, the measurement data measured at the time of machining is diagnosed also in the abnormality classification unit 37, and based on the diagnostic model created in the diagnostic model unit 36, The state is classified by multi-class machine learning, and the abnormal state of the tool T is classified (classification step).
- Step S12 ⁇ S13 When the measurement data measured at the time of processing belongs to the normal data space, it is diagnosed as normal and the process proceeds to step S5 described above.
- Step S12 ⁇ S14-1 to 4 On the other hand, if the measurement data measured at the time of processing does not belong to the normal data space, it is diagnosed as abnormal, but it is further diagnosed whether it belongs to the abnormal data space 1 to 4 or other abnormal data space. If the data belongs to the abnormal data spaces 1 to 4, it can be classified into abnormal 1 to 4 according to the space to which the data belongs.
- the abnormal data space 1 For example, if it belongs to the abnormal data space 1, it is abnormal 1, the cause is tool wear, if it belongs to the abnormal data space 2, it is abnormal 2, the cause is tool breakage, and it belongs to the abnormal data space 3.
- the case is an abnormality 3, the cause is chipping, the case 4 belongs to the abnormality data space 4, the cause is an abnormality 4, and the cause is a defect.
- the abnormal data spaces 1 to 4 are illustrated corresponding to the abnormalities 1 to 4, but these numbers increase or decrease according to the number to be classified.
- the abnormality processing unit 33 stops the machining with the tool T of the portal machine 10 or issues an alarm or displays an alarm according to the abnormalities 1 to 4. You can do it.
- diagnosis model unit 36 and the abnormality classification unit 37 shown in the present embodiment may be provided in the abnormality detection device 30B (see FIG. 5 and the like) shown in the second embodiment.
- machine learning can be performed to classify the abnormal state of the tool T.
- diagnosis model unit 36 and the abnormality classification unit 37 shown in the present embodiment may be provided in the abnormality detection device 30C (see FIG. 8 and the like) shown in the third embodiment. Along with the classification, it is possible to predict the replacement time of the tool T.
- the replacement prediction unit 35 shown in the third embodiment is replaced with the abnormality detection device 30B shown in the second embodiment (see FIG. 5 and the like). May be provided.
- the present invention is suitable for detecting abnormalities in tools of machine tools such as a machining center, a large machining center, a gear machine, and a grinding machine.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
診断精度の向上が可能な工作機械の工具の異常検知装置及び方法を提供する。そのため、工作機械(10)の工具の異常を検知する異常検知装置(30A)は、工具に関係する複数の測定値を、測定データ(振動情報(41)、切削力情報(42)、音情報(43)、主軸負荷(44)、モータ電流(45)、電力値(46))として取得する取得部(40A)と、正常な状態の加工時に取得した測定データを、1クラスの機械学習で学習して、正常モデルを作成する正常モデル部(31)と、正常モデル作成後の加工時に測定データを取得しながら、正常モデルに基づいて、当該測定データが正常か異常かを診断する異常診断部(32)と、異常診断部(32)で異常と診断された測定データを、異常診断部(32)とは異なる方法で再診断する再診断部(34)とを有する。
Description
本発明は、工作機械の工具の異常を検知する異常検知装置及び方法に関する。
工作機械における加工/研削において、工具の摩耗や欠損が発生すると、加工ワークにおける加工精度悪化が発生し、不良ワークが発生する。不良ワークの発生により、歩留まり率が悪化すると共に、加工ワークによっては高価な場合もあり、その場合には高額な仕損が発生することもある。そのため、加工中の各種信号をリアルタイムで測定し、その閾値により、工具の異常診断を行う手法が提案されている(特許文献1~3)。
上記特許文献1~3では、取得する診断信号は各々異なるが、例えば、図13に例示するように、診断信号の1つである主軸負荷に対して閾値設定を行い、その閾値との比較を行うことで異常診断を行っている。ところが、このような信号(加工負荷(主軸負荷)、切削力、切削振動など)は、切削条件(工具種類、ワーク素材、切込み量(切粉排出量)、送り速度、主軸回転数など)により変化するため、閾値の設定が困難であり、そのため、上記特許文献3では、異常診断のための閾値を決定する方法が開示されている。このように、従来の異常診断は、その閾値の設定が困難であり、設定が困難な閾値を用いて異常診断をしているため、その診断精度の向上は望めなかった。
本発明は上記課題に鑑みなされたもので、診断精度の向上が可能な工作機械の工具の異常検知装置及び方法を提供することを目的とする。
上記課題を解決する第1の発明に係る工作機械の工具の異常検知装置は、
工作機械の工具の異常を検知する異常検知装置であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得部と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習部と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断部と、
前記診断部で異常と診断された前記測定データを、前記診断部とは異なる方法で再診断する再診断部とを有する
ことを特徴とする。
工作機械の工具の異常を検知する異常検知装置であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得部と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習部と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断部と、
前記診断部で異常と診断された前記測定データを、前記診断部とは異なる方法で再診断する再診断部とを有する
ことを特徴とする。
上記課題を解決する第2の発明に係る工作機械の工具の異常検知装置は、
上記第1の発明に記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする。
上記第1の発明に記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする。
上記課題を解決する第3の発明に係る工作機械の工具の異常検知装置は、
上記第1又は第2の発明に記載の工作機械の工具の異常検知装置において、
前記診断部又は前記再診断部で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理部を更に有する
ことを特徴とする。
上記第1又は第2の発明に記載の工作機械の工具の異常検知装置において、
前記診断部又は前記再診断部で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理部を更に有する
ことを特徴とする。
上記課題を解決する第4の発明に係る工作機械の工具の異常検知装置は、
上記第1~第3のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする。
上記第1~第3のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする。
上記課題を解決する第5の発明に係る工作機械の工具の異常検知装置は、
上記第1~第4のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測部を更に有する
ことを特徴とする。
上記第1~第4のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測部を更に有する
ことを特徴とする。
上記課題を解決する第6の発明に係る工作機械の工具の異常検知装置は、
上記第1~第5のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記診断部で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習部と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類部とを更に有する
ことを特徴とする。
上記第1~第5のいずれか1つの発明に記載の工作機械の工具の異常検知装置において、
前記診断部で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習部と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類部とを更に有する
ことを特徴とする。
上記課題を解決する第7の発明に係る工作機械の工具の異常検知装置は、
上記第6の発明に記載の工作機械の工具の異常検知装置において、
前記第2の学習部は、前記診断モデルの作成後、前記診断部で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする。
上記第6の発明に記載の工作機械の工具の異常検知装置において、
前記第2の学習部は、前記診断モデルの作成後、前記診断部で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする。
上記課題を解決する第8の発明に係る工作機械の工具の異常検知方法は、
工作機械の工具の異常を検知する異常検知方法であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得工程と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習工程と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断工程と、
前記診断工程で異常と診断された前記測定データを、前記診断工程とは異なる方法で再診断する再診断工程とを有する
ことを特徴とする。
工作機械の工具の異常を検知する異常検知方法であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得工程と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習工程と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断工程と、
前記診断工程で異常と診断された前記測定データを、前記診断工程とは異なる方法で再診断する再診断工程とを有する
ことを特徴とする。
上記課題を解決する第9の発明に係る工作機械の工具の異常検知方法は、
上記第8の発明に記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする。
上記第8の発明に記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする。
上記課題を解決する第10の発明に係る工作機械の工具の異常検知方法は、
上記第8又は第9の発明に記載の工作機械の工具の異常検知方法において、
前記診断工程又は前記再診断工程で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理工程を更に有する
ことを特徴とする。
上記第8又は第9の発明に記載の工作機械の工具の異常検知方法において、
前記診断工程又は前記再診断工程で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理工程を更に有する
ことを特徴とする。
上記課題を解決する第11の発明に係る工作機械の工具の異常検知方法は、
上記第8~第10のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする。
上記第8~第10のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする。
上記課題を解決する第12の発明に係る工作機械の工具の異常検知方法は、
上記第8~第11のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測工程を更に有する
ことを特徴とする。
上記第8~第11のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測工程を更に有する
ことを特徴とする。
上記課題を解決する第13の発明に係る工作機械の工具の異常検知方法は、
上記第8~第12のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記診断工程で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習工程と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類工程とを更に有する
ことを特徴とする。
上記第8~第12のいずれか1つの発明に記載の工作機械の工具の異常検知方法において、
前記診断工程で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習工程と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類工程とを更に有する
ことを特徴とする。
上記課題を解決する第14の発明に係る工作機械の工具の異常検知方法は、
上記第13の発明に記載の工作機械の工具の異常検知方法において、
前記第2の学習工程は、前記診断モデルの作成後、前記診断工程で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする。
上記第13の発明に記載の工作機械の工具の異常検知方法において、
前記第2の学習工程は、前記診断モデルの作成後、前記診断工程で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする。
本発明によれば、診断精度の向上を図ることができる。
以下、図1~図12を参照して、本発明に係る工作機械の工具の異常検知装置及び方法の実施形態のいくつかを説明する。なお、ここでは、診断対象の工作機械として、門形加工機を図2に例示するが、本発明は、工具を使用する他の工作機械にも適用可能である。
[実施例1]
図1は、本実施例の工作機械の工具の異常検知装置を示す構成図であり、図2は、診断対象の工作機械の一例を示す斜視図である。また、図3は、1クラス機械学習による正常データ空間を説明する図であり、図4は、図1に示した工作機械の工具の異常検知装置で実施する異常検知方法の処理フローを説明する図である。
図1は、本実施例の工作機械の工具の異常検知装置を示す構成図であり、図2は、診断対象の工作機械の一例を示す斜視図である。また、図3は、1クラス機械学習による正常データ空間を説明する図であり、図4は、図1に示した工作機械の工具の異常検知装置で実施する異常検知方法の処理フローを説明する図である。
まず、図2を参照して、診断対象の工作機械の構成を説明する。本実施例において、診断対象の工作機械は、門形加工機10である。この門形加工機10は、ベッド11、テーブル12、コラム部13、クロスレール14、サドル15、ラム16、主軸17、アタッチメント18、工具ユニット19、工具Tなどを有している。
ベッド11は床面上に水平に設置されており、ベッド11上にはテーブル12及びコラム部13が設置されている。テーブル12は被加工物であるワーク(図示省略)を載せる台であり、ベッド11上において一つの水平方向に移動可能に設けられている。コラム部13はベッド11を跨ぐように配置された門形の形状であり、ベッド11の左右に垂直に立設された2つの左コラム13L及び右コラム13Rを有している。クロスレール14は左コラム13L及び右コラム13Rを水平に横断するように取り付けられており、左コラム13L及び右コラム13Rの鉛直方向摺動面に沿って鉛直方向に移動可能に設けられている。
サドル15はクロスレール14に取り付けられており、クロスレール14の水平方向摺動面に沿って水平方向に移動可能に設けられている。ラム16はサドル15に把持されており、サドル15の鉛直方向摺動面に案内されて鉛直方向に移動可能に設けられている。主軸17はラム16の内部に配置されており、後述する主軸モータ24によって回転可能である。また、主軸17には、アタッチメント18を介して、工具Tを有する工具ユニット19が装着されている。
上述した構成を有する門形加工機10には、その工具Tの異常を検知するため、例えば、工具摩耗、工具折損、チッピング、欠損などの工具T自身の異常や工具Tによる加工状態の異常を検知するため、図1に示すように、工具T(主軸17)の振動を測定する振動センサ21、工具T(主軸17)の切削力を測定する切削動力計22、工具T(主軸17)の音を測定する音センサ23が設けられている。また、主軸17を駆動する主軸モータ24からは、主軸負荷44や電力値46が測定されている。また、例えば、ラム16を駆動する送りモータ25からは、モータ電流45や電力値46が測定されている。なお、ここでは、ラム16を駆動する送りモータ25を代表して例示しているが、送りモータは移動方向(例えば、XYZ方向)に対応して、複数設けられている。
そして、振動センサ21で測定した振動は振動情報41として、切削動力計22で測定した切削力は切削力情報42として、音センサ23で測定した音は音情報43として、異常検知装置30Aの取得部40Aで取得され、また、上述した主軸負荷44、モータ電流45、電力値46も取得部40Aで取得され、後述する機械学習、診断に用いられている。
なお、以降、振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46をまとめて測定データと呼ぶ。また、ここでは、測定データとして、振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46を例示しているが、工具Tに関係する測定データであれば、他の測定データを追加しても良い。
異常検知装置30Aは、門形加工機10の工具Tの異常を検知するため、上述した取得部40Aに加えて、正常モデル部31(第1の学習部)、異常診断部32(診断部)、異常処理部33(処理部)、再診断部34を有している。
異常検知装置30Aにおいて、正常モデル部31は、正常な状態の加工時に取得した測定データを用いて、1クラスの機械学習により、正常モデルを作成し、作成後は、正常モデルを更新している。また、異常診断部32は、正常モデル作成後の加工時に測定データを取得しながら、正常モデル部31で作成した正常モデルに基づいて、当該測定データの異常診断を実施する。また、異常処理部33は、異常診断部32、再診断部34で測定データが異常と診断されたときに、異常処理、例えば、警報を発したり、アラームを表示したり、門形加工機10の工具Tによる加工を停止したりする。また、再診断部34は、異常診断部32で異常と診断された測定データについて、異常診断部32とは異なる方法で再診断を実施する。
なお、上述した異常検知装置30Aとしては、コンピュータなどが使用可能であり、その装置構成としては、入力装置、通信装置、演算装置、記憶装置、出力装置などを有している。例えば、上述した測定データは、入力装置又は通信装置を用いて取得され、取得された測定データは、演算装置で演算処理(診断及び機械学習)が行われ、正常診断のとき、正常モデルが作成又は更新されて、記憶装置に記憶され、異常診断のときは、出力装置又は通信装置を用いて、上述した異常処理が行われる。また、診断、機械学習及び異常処理のためのプログラムも記憶装置に記憶されている。
そして、上述した異常検知装置30Aの正常モデル部31では、予め、事前処理が行われている。具体的には、予め、門形加工機10及び工具Tが正常な状態のときに、所定の加工パターンで加工が行われ、その際に測定されて、取得部40Aで取得された測定データを用いて、1クラスの機械学習により、正常モデルを作成している(第1の学習工程)。所定の加工パターンとしては、実際に使用する加工パターンが好ましいが、基本的動作の加工パターンなど、他の任意の加工パターンでも良い。
上述したように、本実施例では、工具Tの異常を検知するために機械学習を適用しているが、異常な状態での測定データの取得は困難な場合が多いため、1クラス(正常モデル)で診断可能な1クラスの機械学習を使用している。機械学習として1クラスの機械学習を採用することで、正常な状態の加工時の測定データのみで異常診断が可能となる。
1クラスの機械学習としては、1クラスサポートベクターマシン法(以降、1クラスSVM法)やインバリアント解析などが適用可能である。ここでは、一例として、カーネル法を導入した1クラスSVM法が使用されている。
ここで、カーネル法を導入した1クラスSVM法について説明をする。まず、カーネルκは特徴空間におけるベクトルデータ同士の内積である。ここでの1クラスSVM法では、一例として、下記式(1)に示すガウスカーネルを用いており、下記式(1)において、x、zは特徴空間におけるベクトルデータであり、σはカーネル・パラメータである。
そして、カーネル法を導入した1クラスSVM法では、下記式(2)に示す評価関数に対して最適なαを求めている。
上記式(2)において、xi(i=1、2、…、l)、xj(j=1、2、…、l)はトレーニングデータであり、これらのデータを与えることにより、最適なαを求める機械学習(トレーニング)を行う。また、lはトレーニングデータの数である。また、νはトレーニングデータを外れ値とみなす割合の上限値(ソフトマージン)であり、0<ν≦1の範囲である。例えば、ν=0.1に設定すると、最大で全トレーニングデータの10%が外れ値とみなされる。また、αiは、トレーニングデータxiと密接に関連しており、αi>0となるxiをサポートベクトルと呼ぶ。トレーニングによって得られたαiを用いることにより、下記式(3)中に示す、正常か異常かを正負で識別する識別関数g(x)を作成することができ、この識別関数g(x)を用いて、SVM識別器が完成する。
上記式(3)において、sgn{}は符号関数であり、識別関数g(x)による診断値a≧0のとき、即ち、測定データxがトレーニングデータxiと同じクラスに属するときに「+1」を返し、診断値a<0のとき、即ち、測定データxがトレーニングデータxiと同じクラスに属さないときに「-1」を返す。またxsvは、0<αi<1/(νl)なるαiに対応するものである。なお、実際には、αiの大半は0になるため、識別の際に重要な役割を果たすのは非ゼロのαiと、それに対応するトレーニングデータxi、つまり、サポートベクトルxiのみである。
以上説明した1クラスSVM法により機械学習を行うと、例えば、図3に示すように、1クラスSVM法の写像空間(特徴空間)において、正常な測定データ(トレーニングデータ)を写像した正常データ空間を生成することになる。そして、正常データ空間が生成された写像空間の情報が、正常モデルとして、記憶装置に記憶される。なお、図3では、図を簡単にするため、2つのパラメータ(測定データ1及び測定データ2)による2次元の写像空間を示している。
次に、図1~図3と共に、図4に示す処理フローも参照して、本実施例の異常検知方法を説明する。
(ステップS1)
門形加工機10において、ワークの加工を行い、振動センサ21、切削動力計22、音センサ23、主軸モータ24、送りモータ25で測定された測定データ(振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46)を、取得部40Aで取得する(取得工程)。この時点において、測定データが正常か異常かは不明である。
門形加工機10において、ワークの加工を行い、振動センサ21、切削動力計22、音センサ23、主軸モータ24、送りモータ25で測定された測定データ(振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46)を、取得部40Aで取得する(取得工程)。この時点において、測定データが正常か異常かは不明である。
(ステップS2)
異常診断部32は、正常モデル部31で作成した正常モデルに基づいて、加工時に測定された測定データについて、1クラスSVM法により、正常か異常かを診断する(診断工程)。つまり、加工時に測定された測定データが、トレーニングデータ(正常データ空間)と同じクラスに属するかどうかを診断する。これは、従来のような、各測定データの閾値による診断ではない。
異常診断部32は、正常モデル部31で作成した正常モデルに基づいて、加工時に測定された測定データについて、1クラスSVM法により、正常か異常かを診断する(診断工程)。つまり、加工時に測定された測定データが、トレーニングデータ(正常データ空間)と同じクラスに属するかどうかを診断する。これは、従来のような、各測定データの閾値による診断ではない。
(ステップS3→S4)
加工時に測定された測定データが、トレーニングデータと同じクラスに属する場合、つまり、上記式(3)において、f(x)≧0の場合には、正常と診断し、ステップS5へ進む。
加工時に測定された測定データが、トレーニングデータと同じクラスに属する場合、つまり、上記式(3)において、f(x)≧0の場合には、正常と診断し、ステップS5へ進む。
(ステップS5)
正常モデル部31は、正常と診断された測定データを正常モデルに逐次反映するため、当該測定データを用いて、1クラスSVM法により、正常モデルを更新する(第1の学習工程)。このように、追加学習(正常モデルの自動更新)を行いながら運用することで、最適な診断を実現することができ、また、判断モデル(正常モデル)の高度化を行うことができる。
正常モデル部31は、正常と診断された測定データを正常モデルに逐次反映するため、当該測定データを用いて、1クラスSVM法により、正常モデルを更新する(第1の学習工程)。このように、追加学習(正常モデルの自動更新)を行いながら運用することで、最適な診断を実現することができ、また、判断モデル(正常モデル)の高度化を行うことができる。
(ステップS3→S6)
一方、加工時に測定された測定データが、トレーニングデータと同じクラスに属さない場合、つまり、上記式(3)において、f(x)<0の場合には、異常と診断し、ステップS7へ進む。
一方、加工時に測定された測定データが、トレーニングデータと同じクラスに属さない場合、つまり、上記式(3)において、f(x)<0の場合には、異常と診断し、ステップS7へ進む。
(ステップS7)
異常と診断した場合、異常処理部33は、門形加工機10の工具Tによる加工を停止する(処理工程)。この際、異常処理部33は、例えば、警報を発したり、アラームを表示したりしても良い。この場合、工具T自身に何らかの異常、例えば、工具摩耗、工具折損、チッピング、欠損などの異常が発生していると判断され、工具Tによる加工状態の異常も発生していると推測される。
異常と診断した場合、異常処理部33は、門形加工機10の工具Tによる加工を停止する(処理工程)。この際、異常処理部33は、例えば、警報を発したり、アラームを表示したりしても良い。この場合、工具T自身に何らかの異常、例えば、工具摩耗、工具折損、チッピング、欠損などの異常が発生していると判断され、工具Tによる加工状態の異常も発生していると推測される。
上述したステップS1~S7は、リアルタイムで行われており、加工時の測定データを監視し、異常と診断した場合には、加工を停止することにより、加工ワークの精度悪化や損傷などをリアルタイムで抑制することができる。このようにして、機械学習を用いたインプロセス処理による工具Tの異常検知が行われている。
(ステップS8→S9)
異常に緊急性がないときには、ステップS7へ直接進まず、ステップS8及びステップS9へ進む。この場合、再診断部34は、異常診断部32で異常と診断された測定データについて、異常診断部32とは異なる方法で再診断を行う(再診断工程)。再診断部34で再び異常と診断された場合には、ステップS7へ進み、加工を停止するなどの異常処理を行う。一方、再診断部34での再診断により、改めて正常と診断された場合には、ステップS5へ進み、その時の測定データを用いて、1クラスSVM法により、正常モデルを更新する。
異常に緊急性がないときには、ステップS7へ直接進まず、ステップS8及びステップS9へ進む。この場合、再診断部34は、異常診断部32で異常と診断された測定データについて、異常診断部32とは異なる方法で再診断を行う(再診断工程)。再診断部34で再び異常と診断された場合には、ステップS7へ進み、加工を停止するなどの異常処理を行う。一方、再診断部34での再診断により、改めて正常と診断された場合には、ステップS5へ進み、その時の測定データを用いて、1クラスSVM法により、正常モデルを更新する。
再診断の方法としては、1クラスSVM法とは異なる方法で行う。例えば、インバリアント解析などの他の1クラスの機械学習により診断しても良い。また、接触式の加工精度測定器や、カメラやレーザなどによる非接触の加工精度測定器などを用いて、加工面精度の測定数値により診断しても良い。また、カメラなどによる工具形状検査装置などを用いて、工具摩耗の状況を直接診断しても良い。更には、閾値により測定データを診断したり、門形加工機10に熟練した作業員が診断したりしても良い。
[実施例2]
図5は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図6は、図5に示した工作機械の工具の異常検知装置おけるデータ間の相関関係を説明する図である。
図5は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図6は、図5に示した工作機械の工具の異常検知装置おけるデータ間の相関関係を説明する図である。
本実施例でも、一例として、実施例1で説明した門形加工機10(図2など参照)を、診断対象の工作機械とする。また、本実施例の異常検知装置30Bは、図5に示す取得部40Bを除き、実施例1で説明した異常検知装置30A(図1など参照)と同等の構成である。そのため、ここでは、門形加工機10、異常検知装置30Bについて、重複する説明は省略する。
門形加工機10は、実施例1で説明したように、振動センサ21、切削動力計22、音センサ23、主軸モータ24、送りモータ25を有しており、本実施例でも、それらで測定された測定データ(振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46)を異常検知装置30Bの取得部40Bで取得している。
上述した測定データに加えて、本実施例では、加工条件及び切削情報に関係するデータを機械学習、診断のために追加しており、例えば、門形加工機10に入力されて、その記憶部26に記憶された加工条件及び切削情報から、主軸回転数51、送り速度52、取り代53、ワーク材質54、工具種別55が異常検知装置30Bの取得部40Bで取得されて、機械学習、診断に用いられている。ワーク材質54としては、例えば、素材などが入力され、工具種別55としては、例えば、素材、コーティング、周速、刃数などが入力される。
なお、以降、主軸回転数51、送り速度52、取り代53、ワーク材質54、工具種別55をまとめて設定データと呼ぶ。また、ここでは、設定データとして、主軸回転数51、送り速度52、取り代53、ワーク材質54、工具種別55を例示しているが、上述した測定データの変化に関係する加工条件及び切削情報の設定データであれば、他の設定データを追加しても良い。
そして、本実施例において、異常検知装置30Bの正常モデル部31は、正常な状態の加工時に取得した測定データと共に上述した設定データを用いて、1クラスの機械学習により、正常モデルを作成し、作成後は、正常モデルを更新している。
つまり、本実施例においても、上述した異常検知装置30Bの正常モデル部31では、予め、事前処理が行われており、予め、門形加工機10及び工具Tが正常な状態のときに、所定の加工パターンで加工が行われ、その際に測定されて、取得部40Bで取得された測定データと、その際に加工条件及び切削情報として設定された設定データとを用いて、1クラスの機械学習により、正常モデルを作成している。ここでも、所定の加工パターンとしては、実際に使用する加工パターンが好ましく、また、1クラスの機械学習としては、カーネル法を導入した1クラスSVM法が使用されている。
このように、本実施例では、測定データに加えて、設定データも用いて、機械学習を行っているが、設定データは、測定データに対して、図6に示すような相関関係がある。例えば、加工条件の設定データである主軸回転数51、送り速度52、取り代53が変化すると、その変化に対応して、測定データである振動情報41、切削力情報42、音情報43、主軸負荷44、モータ電流45、電力値46が変化する。また、切削情報の設定データであるワーク材質54、工具種別55が変化すると、その変化に対応して、測定データである振動情報41、切削力情報42、音情報43、主軸負荷44が変化する。
このような相関関係に基づいて、1クラスSVM法による機械学習を行うと、本実施例の場合、例えば、図7に示すように、設定データの次元を増やした1クラスSVM法の写像空間(特徴空間)において、正常な測定データ及び設定データ(トレーニングデータ)を写像した正常データ空間を生成することになる。そして、正常データ空間が生成された写像空間の情報が、正常モデルとして、記憶装置に記憶される。なお、図7では、図を簡単にするため、3つのパラメータ(測定データ1、測定データ2及び設定データ1)による3次元の写像空間を示している。
機械学習によって、図7に示すような正常モデルを作成することにより、加工に関係するデータ同士の相関関係を考慮した正常モデルを用いて、診断を実施することが可能になる。つまり、加工条件及び切削情報の設定データと加工時の測定データとの相関関係を考慮して、診断を実施することになる。
従来は、加工条件及び切削情報の設定データを変更すると、変更した設定データに相関する測定データに対し、新たな閾値を設定する必要があった。例えば、送り速度52の設定が変更されると、主軸負荷44が変化し、振動情報41なども変化することになり、主軸負荷44や振動情報41などに対して、新たな閾値を設定する必要があり、また、取り代53、つまり、切込み量の設定が増やされると、主軸負荷44が増加し、振動情報41なども増加することになり、主軸負荷44や振動情報41などに対して、新たな閾値を設定する必要があった。
一方、本実施例は、従来のような、各測定データの閾値による診断ではないので、加工条件及び切削情報の設定データが変更されても、上述したように、設定データと測定データとの相関関係を考慮して、診断を実施することができ、変更に応じた適切な診断が可能になり、汎用性が高く、より高度な診断が可能になる。
本実施例は、実施例1とは、上述した違いがあるが、本実施例の異常検知方法については、実施例1で説明した処理フロー(図4参照)と同じ処理フローが適用可能である。
[実施例3]
図8は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図9は、図8に示した工作機械の工具の異常検知装置で診断した結果に基づく予測交換時期を説明する図である。
図8は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図9は、図8に示した工作機械の工具の異常検知装置で診断した結果に基づく予測交換時期を説明する図である。
本実施例でも、一例として、実施例1で説明した門形加工機10(図2など参照)を、診断対象の工作機械とする。また、本実施例の異常検知装置30Cは、図8に示す交換予測部35を除き、実施例1で説明した異常検知装置30A(図1など参照)と同等の構成である。そのため、ここでは、門形加工機10、異常検知装置30Cについて、重複する説明は省略する。
異常検知装置30Cは、実施例1で説明したように、正常モデル部31、異常診断部32、異常処理部33、再診断部34、取得部40Aを有しており、更に、本実施例では、交換予測部35(予測部)を有している。
交換予測部35は、複数回の測定データを異常診断部32で診断した結果に基づいて、工具Tの交換時期を予測している。具体的には、式(3)中に示した識別関数g(x)に測定データxを入力した診断値aの経時的な変化に基づいて、交換時期を予測している。
ここで、診断値aについて、上述した図3を参照して説明する。診断値aは、図3に示した写像空間における測定データxの位置に対応しており、その位置は、診断値aが正の値から0に近づくほど、正常データ空間の内側から正常データ空間の境界線に近づき、診断値aが0のときに、正常データ空間の境界線上となり、診断値aが負の値のときに、正常データ空間の外側となる。
そして、このような診断値aの経時変化を時間軸に沿ってプロットすると、図9に示すように、前回の工具交換時t0から現在t1までの複数の診断値aについて、実線で示すグラフを作成することができる。図9において、前回の工具交換時t0から現在t1までの複数の診断値aは、a>0であり、正常領域に含まれているが、時間の経過と共に減少する傾向がある。この傾向を外挿法で延長すると、破線で示すグラフを作成することができ、時間t2の時点で診断値aが0となることが予測できる。なお、ここでは、予測を外挿法で行っているが、他の好適な方法で行っても良い。
このように、診断値aの経時変化に基づいて、診断値aが正常領域から逸脱する時期、つまり、診断値aが正の値から0になる時点を、工具Tの交換時期として予測することができる。ここでは、時間t2が工具Tの予測交換時期と予測されるので、この時間t2より前に、工具Tを交換すれば良い。これにより、工具交換の遅れ(工具の摩耗劣化)による加工精度の悪化を未然に防ぐと共に、必要以上に早い時期での工具交換を抑制することができ、最適な工具管理が可能になる。
本実施例は、実施例1とは、上述した違いがあるが、本実施例の異常検知方法については、実施例1で説明した処理フロー(図4参照)と同じ処理フローが適用可能であり、交換予測部35による交換時期の予測は、上述したステップS2での診断の際に行えば良い。
また、本実施例で示した交換予測部35を、実施例2で示した異常検知装置30B(図5など参照)に設けても良く、その場合、測定データに加えて、設定データも用いて、機械学習を行って、工具Tの交換時期の予測を行うことが可能である。
[実施例4]
図10は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図11は、図10に示した工作機械の工具の異常検知装置で実施する異常検知方法の処理フローを説明する図であり、図12は、多クラス機械学習による複数の異常データ空間を説明する図である。
図10は、本実施例の工作機械の工具の異常検知装置を示す構成図である。また、図11は、図10に示した工作機械の工具の異常検知装置で実施する異常検知方法の処理フローを説明する図であり、図12は、多クラス機械学習による複数の異常データ空間を説明する図である。
本実施例でも、一例として、実施例1で説明した門形加工機10(図2など参照)を、診断対象の工作機械とする。また、本実施例の異常検知装置30Dは、図10に示す診断モデル部36及び異常分類部37を除き、実施例1で説明した異常検知装置30A(図1など参照)と同等の構成である。そのため、ここでは、門形加工機10、異常検知装置30Dについて、重複する説明は省略する。
異常検知装置30Dは、実施例1で説明したように、正常モデル部31、異常診断部32、異常処理部33、再診断部34、取得部40Aを有しており、更に、本実施例では、診断モデル部36(第2の学習部)、異常分類部37(分類部)を有している。
診断モデル部36は、異常診断部32で異常と診断して蓄積した複数の測定データを用いて、多クラスの機械学習により、診断モデルを作成し、作成後は、診断モデルを更新している。また、異常分類部37は、診断モデル作成後の加工時に測定データを取得しながら、診断モデル部36で作成した診断モデルに基づいて、当該測定データの状態を分類することにより、工具Tの異常状態の分類を実施している。
本実施例では、工具Tの異常状態を分類するため、多クラスの機械学習を適用している。ここでは、異常診断部32で異常と診断して蓄積した複数の測定データを用いているので、多クラスの機械学習が適用可能である。多クラスの機械学習としては、多クラスSVM法、決定木、ランダムフォレスト、ニューラルネットワークなどが適用可能である。
上述した1クラスSVM法に加えて、多クラスの機械学習、例えば、多クラスSVM法を併用して、機械学習を行うと、本実施例の場合、図3に示した写像空間(特徴空間)における正常データ空間に加えて、それ以外の空間(異常データ空間)について、例えば、図12に示すような複数の異常データ空間1~4を作成することができる。図12に示す異常データ空間1~4は、異常と診断された測定データ(トレーニングデータ)を写像したしたものであり、各々相違する異常原因が対応することになる。そして、異常データ空間1~4も生成された写像空間の情報が、診断モデルとして、記憶装置に記憶される。なお、図12でも、図を簡単にするため、2つのパラメータ(測定データ1及び測定データ2)による2次元の写像空間を示している。
このように、機械学習によって、図12に示すような診断モデルを作成することにより、当該診断モデルを用いて、測定データの状態を分類して、工具Tの異常状態の分類を実施することができる。
次に、図10と共に、図11に示す処理フローも参照して、本実施例の異常検知方法を説明する。なお、ステップS1~S9については、実施例1で説明した処理フロー(図4参照)と同等であるので、ここでは、重複する説明は省略する。
(ステップS10)
ステップS1~S6を経て、加工時に測定された測定データが異常と診断された場合、当該測定データを記憶装置に蓄積し、蓄積した複数の測定データを用いて、診断モデル部36は、多クラス機械学習により、診断モデルを作成する。診断モデルが作成されていれば、新たに測定されて、異常と診断された測定データを用いて、その都度、多クラス機械学習により、診断モデルを更新する(第2の学習工程)。
ステップS1~S6を経て、加工時に測定された測定データが異常と診断された場合、当該測定データを記憶装置に蓄積し、蓄積した複数の測定データを用いて、診断モデル部36は、多クラス機械学習により、診断モデルを作成する。診断モデルが作成されていれば、新たに測定されて、異常と診断された測定データを用いて、その都度、多クラス機械学習により、診断モデルを更新する(第2の学習工程)。
(ステップS11)
診断モデル部36において、診断モデルが作成されていれば、以降は、加工時に測定された測定データは、異常分類部37でも診断が行われ、診断モデル部36で作成した診断モデルに基づいて、多クラス機械学習により、その状態が分類されて、工具Tの異常状態の分類が行われる(分類工程)。
診断モデル部36において、診断モデルが作成されていれば、以降は、加工時に測定された測定データは、異常分類部37でも診断が行われ、診断モデル部36で作成した診断モデルに基づいて、多クラス機械学習により、その状態が分類されて、工具Tの異常状態の分類が行われる(分類工程)。
(ステップS12→S13)
加工時に測定された測定データが、正常データ空間に属する場合には、正常と診断し、上述したステップS5へ進む。
加工時に測定された測定データが、正常データ空間に属する場合には、正常と診断し、上述したステップS5へ進む。
(ステップS12→S14-1~4)
一方、加工時に測定された測定データが、正常データ空間に属さない場合には、異常と診断するが、更に、異常データ空間1~4か、又は、それら以外の異常データ空間に属するかどうか診断することができ、異常データ空間1~4に属する場合には、属する空間に応じて、異常1~4に分類することができる。
一方、加工時に測定された測定データが、正常データ空間に属さない場合には、異常と診断するが、更に、異常データ空間1~4か、又は、それら以外の異常データ空間に属するかどうか診断することができ、異常データ空間1~4に属する場合には、属する空間に応じて、異常1~4に分類することができる。
例えば、異常データ空間1に属す場合は異常1であり、その原因は工具摩耗であり、異常データ空間2に属す場合は異常2であり、その原因は工具折損であり、異常データ空間3に属す場合は異常3であり、その原因はチッピングであり、異常データ空間4に属す場合は異常4であり、その原因は欠損であるなどのように、工具Tの異常の原因に応じて、異常を分類することができる。なお、本実施例では、異常1~4に対応して異常データ空間1~4を例示しているが、これらの数は分類される数に応じて増減する。
異常1~4のいずれかに診断された場合、異常処理部33は、異常1~4に応じて、門形加工機10の工具Tによる加工を停止したり、警報を発したり、アラームを表示したりすれば良い。
このように、本実施例では、工具Tの正常/異常の診断に加え、多クラスの機械学習を併用することで、工具Tの異常状態の分類(異常原因)の推定が可能になる。
なお、本実施例で示した診断モデル部36、異常分類部37を、実施例2で示した異常検知装置30B(図5など参照)に設けても良く、その場合、測定データに加えて、設定データも用いて、機械学習を行って、工具Tの異常状態の分類を行うことが可能である。
また、本実施例で示した診断モデル部36、異常分類部37を、実施例3で示した異常検知装置30C(図8など参照)に設けても良く、その場合、工具Tの異常状態の分類と共に、工具Tの交換時期の予測を行うことが可能である。
更には、本実施例で示した診断モデル部36、異常分類部37に加えて、実施例3で示した交換予測部35を、実施例2で示した異常検知装置30B(図5など参照)に設けても良い。
本発明は、マシニングセンタ、大型マシニングセンタ、歯車機械、研削機械などの工作機械の工具の異常検知に好適なものである。
10 門形加工機
21 振動センサ
22 切削動力計
23 音センサ
24 主軸モータ
25 送りモータ
26 記憶部
30A、30B、30C、30D 異常検知装置
31 正常モデル部
32 異常診断部
33 異常処理部
34 再診断部
35 交換予測部
36 診断モデル部
37 異常分類部
40A、40B 取得部
21 振動センサ
22 切削動力計
23 音センサ
24 主軸モータ
25 送りモータ
26 記憶部
30A、30B、30C、30D 異常検知装置
31 正常モデル部
32 異常診断部
33 異常処理部
34 再診断部
35 交換予測部
36 診断モデル部
37 異常分類部
40A、40B 取得部
Claims (14)
- 工作機械の工具の異常を検知する異常検知装置であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得部と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習部と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断部と、
前記診断部で異常と診断された前記測定データを、前記診断部とは異なる方法で再診断する再診断部とを有する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項1に記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項1又は請求項2に記載の工作機械の工具の異常検知装置において、
前記診断部又は前記再診断部で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理部を更に有する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項1から請求項3のいずれか1つに記載の工作機械の工具の異常検知装置において、
前記第1の学習部は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項1から請求項4のいずれか1つに記載の工作機械の工具の異常検知装置において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測部を更に有する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項1から請求項5のいずれか1つに記載の工作機械の工具の異常検知装置において、
前記診断部で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習部と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類部とを更に有する
ことを特徴とする工作機械の工具の異常検知装置。 - 請求項6に記載の工作機械の工具の異常検知装置において、
前記第2の学習部は、前記診断モデルの作成後、前記診断部で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする工作機械の工具の異常検知装置。 - 工作機械の工具の異常を検知する異常検知方法であって、
前記工具に関係する複数の測定値を、測定データとして取得する取得工程と、
正常な状態の加工時に取得した前記測定データを、1クラスの機械学習で学習して、正常モデルを作成する第1の学習工程と、
前記正常モデル作成後の加工時に前記測定データを取得しながら、前記正常モデルに基づいて、当該測定データが正常か異常かを診断する診断工程と、
前記診断工程で異常と診断された前記測定データを、前記診断工程とは異なる方法で再診断する再診断工程とを有する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項8に記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、前記診断部で異常と診断されなかった前記測定データ及び前記再診断部では異常と診断されなかった前記測定データを、前記1クラスの機械学習で学習して、前記正常モデルを更新する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項8又は請求項9に記載の工作機械の工具の異常検知方法において、
前記診断工程又は前記再診断工程で前記測定データが異常と診断されたとき、前記工具による加工を停止させる処理工程を更に有する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項8から請求項10のいずれか1つに記載の工作機械の工具の異常検知方法において、
前記第1の学習工程は、加工時の加工条件及び切削情報に関係する設定データを加えて、前記1クラスの機械学習で学習して、前記正常モデルを作成又は更新する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項8から請求項11のいずれか1つに記載の工作機械の工具の異常検知方法において、
前記1クラスの機械学習がカーネル法を導入した1クラスサポートベクターマシンである場合、当該機械学習により、前記測定データが正常か異常かを正負で診断する識別関数を作成し、前記測定データを入力した前記識別関数の値の経時変化に基づいて、前記値が正の値から0になる時点を、前記工具の交換時期として予測する予測工程を更に有する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項8から請求項12のいずれか1つに記載の工作機械の工具の異常検知方法において、
前記診断工程で異常と診断されて蓄積された複数の前記測定データを、多クラスの機械学習で学習して、診断モデルを作成する第2の学習工程と、
前記診断モデル作成後の加工時に前記測定データを取得しながら、前記診断モデルに基づいて、当該測定データの状態を分類して、前記工具の異常状態を分類する分類工程とを更に有する
ことを特徴とする工作機械の工具の異常検知方法。 - 請求項13に記載の工作機械の工具の異常検知方法において、
前記第2の学習工程は、前記診断モデルの作成後、前記診断工程で異常と診断された前記測定データを、前記多クラスの機械学習で学習して、前記診断モデルを更新する
ことを特徴とする工作機械の工具の異常検知方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201780047991.0A CN109562500B (zh) | 2016-08-10 | 2017-07-04 | 机床的工具的异常检测装置及方法 |
US16/324,044 US10525563B2 (en) | 2016-08-10 | 2017-07-04 | Abnormality-detecting device and method for tool of machine tool |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016157278A JP6426667B2 (ja) | 2016-08-10 | 2016-08-10 | 工作機械の工具の異常検知装置及び方法 |
JP2016-157278 | 2016-08-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018030033A1 true WO2018030033A1 (ja) | 2018-02-15 |
Family
ID=61162093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2017/024447 WO2018030033A1 (ja) | 2016-08-10 | 2017-07-04 | 工作機械の工具の異常検知装置及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10525563B2 (ja) |
JP (1) | JP6426667B2 (ja) |
CN (1) | CN109562500B (ja) |
WO (1) | WO2018030033A1 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019186620A1 (ja) * | 2018-03-26 | 2019-10-03 | 株式会社Fuji | 異常予兆検出装置および工作機械 |
CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
EP3584649A1 (en) * | 2018-06-18 | 2019-12-25 | Hitachi, Ltd. | Facility state determination device, facility state determination method, and facility managment system |
WO2020038815A1 (de) * | 2018-08-20 | 2020-02-27 | Siemens Aktiengesellschaft | Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen |
EP3629118A1 (en) * | 2018-09-30 | 2020-04-01 | 4dot Mechatronic Systems s.r.o. | Diagnostic system of machine tools |
WO2020080093A1 (ja) * | 2018-10-18 | 2020-04-23 | 株式会社日立製作所 | 監視システムおよび監視方法 |
JP2020095425A (ja) * | 2018-12-12 | 2020-06-18 | 横河電機株式会社 | 検出装置、検出方法、および、検出プログラム |
CN113646718A (zh) * | 2019-03-27 | 2021-11-12 | 日产自动车株式会社 | 异常探测装置及异常探测方法 |
TWI762773B (zh) * | 2018-10-12 | 2022-05-01 | 日商愛德萬測試股份有限公司 | 解析裝置、解析方法及記錄有解析程式的記錄媒體 |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
JP6780595B2 (ja) * | 2017-07-18 | 2020-11-04 | 横河電機株式会社 | 機器情報提供装置、機器情報提供方法、機器情報提供プログラム及び記録媒体 |
KR102025145B1 (ko) * | 2017-09-01 | 2019-09-25 | 두산중공업 주식회사 | 플랜트 데이터 예측 장치 및 방법 |
JP6698603B2 (ja) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | 数値制御システム、及び運転状態異常検知方法 |
JP6810097B2 (ja) * | 2018-05-21 | 2021-01-06 | ファナック株式会社 | 異常検出器 |
WO2019226715A1 (en) * | 2018-05-21 | 2019-11-28 | Promptlink Communications, Inc. | Techniques for assessing a customer premises equipment device |
US11826865B2 (en) * | 2018-06-15 | 2023-11-28 | Mitsubishi Electric Corporation | Machine tool machining dimensions prediction device, machine tool equipment abnormality determination device, machine tool machining dimensions prediction system, and machine tool machining dimensions prediction method |
JP7144213B2 (ja) * | 2018-06-27 | 2022-09-29 | アズビル株式会社 | マスフローコントローラの診断装置および診断方法 |
JP6615963B1 (ja) * | 2018-08-31 | 2019-12-04 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
JP6856591B2 (ja) * | 2018-09-11 | 2021-04-07 | ファナック株式会社 | 制御装置、cnc装置及び制御装置の制御方法 |
CN109298680A (zh) * | 2018-09-13 | 2019-02-01 | 成都数之联科技有限公司 | 一种数控机床刀具检测的数据采集*** |
JP7205751B2 (ja) * | 2018-11-02 | 2023-01-17 | オムロン株式会社 | 噛み込み検知システム |
JP7175752B2 (ja) * | 2018-12-27 | 2022-11-21 | 株式会社クボタ | 機械設備の診断方法及び機械設備の診断装置 |
JP7224176B2 (ja) * | 2018-12-27 | 2023-02-17 | 株式会社クボタ | マンホールポンプの診断方法及びマンホールポンプの診断装置 |
JP2020119267A (ja) * | 2019-01-24 | 2020-08-06 | 株式会社荏原製作所 | 情報処理装置、情報処理プログラム、および情報処理方法 |
JP6975188B2 (ja) | 2019-02-07 | 2021-12-01 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
JP7136329B2 (ja) * | 2019-03-27 | 2022-09-13 | 日本電気株式会社 | 異常検知装置、制御方法、及びプログラム |
JP7279473B2 (ja) * | 2019-04-03 | 2023-05-23 | 株式会社豊田中央研究所 | 異常検知装置、異常検知方法、および、コンピュータプログラム |
KR102644428B1 (ko) * | 2019-05-03 | 2024-03-06 | 현대자동차 주식회사 | 용접건 관리 시스템 및 그 방법 |
KR102235808B1 (ko) * | 2019-06-05 | 2021-04-02 | 조만영 | 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램 |
JP7342444B2 (ja) * | 2019-06-18 | 2023-09-12 | 株式会社ジェイテクト | 加工工具の異常検知装置 |
JP7401207B2 (ja) * | 2019-06-21 | 2023-12-19 | ファナック株式会社 | ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法 |
CN110153801B (zh) * | 2019-07-04 | 2020-09-29 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
JP7454921B2 (ja) * | 2019-07-11 | 2024-03-25 | Juki株式会社 | 縫い目検査装置、縫い目検査方法、及びコンピュータプログラム |
TW202105100A (zh) * | 2019-07-16 | 2021-02-01 | 神通資訊科技股份有限公司 | 自動加工機之異常偵測系統及方法 |
CN110405537B (zh) * | 2019-07-17 | 2022-02-08 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
JP7187397B2 (ja) | 2019-07-18 | 2022-12-12 | オークマ株式会社 | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム |
WO2021046738A1 (zh) * | 2019-09-11 | 2021-03-18 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
JP2021060633A (ja) * | 2019-10-02 | 2021-04-15 | ファナック株式会社 | 診断装置 |
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 |
FR3106770B1 (fr) * | 2020-02-03 | 2022-02-11 | Airbus | Systeme d’estimation indirecte de l’état d’usure d’un outil coupant |
DE112021002094T5 (de) * | 2020-04-02 | 2023-01-26 | Fanuc Corporation | Werkzeugzustands-Lernvorrichtung, eine Werkzeugzustands-Schätzungsvorrichtung, eine Steuervorrichtung, ein Verfahren zum Erlernen des Werkzeugzustands und ein Verfahren zur Schätzung des Werkzeugzustands |
EP3893066A1 (de) * | 2020-04-09 | 2021-10-13 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum betrieb einer maschine mit einem werkzeug |
WO2021235217A1 (ja) * | 2020-05-18 | 2021-11-25 | 住友電気工業株式会社 | 判定装置、切削工具システムおよび判定方法 |
CN112008543B (zh) * | 2020-07-20 | 2022-11-01 | 上海大制科技有限公司 | 一种焊枪电极帽修磨异常诊断方法 |
US20230376727A1 (en) * | 2020-10-29 | 2023-11-23 | Nec Corporation | Information processing device, information processing method, and recording medium |
US20220187164A1 (en) * | 2020-12-15 | 2022-06-16 | University Of Cincinnati | Tool condition monitoring system |
JP7332645B2 (ja) * | 2021-03-17 | 2023-08-23 | 芝浦機械株式会社 | 工具の形状異常検出装置、工具の形状異常検出方法 |
KR102656853B1 (ko) * | 2021-05-20 | 2024-04-17 | 주식회사 유성티앤엠 | 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법 |
CN113210824B (zh) * | 2021-05-26 | 2022-09-02 | 上海大制科技有限公司 | 一种伺服焊枪驱动的异常检测方法及设备 |
WO2022258240A1 (de) | 2021-06-09 | 2022-12-15 | Kistler Holding Ag | Verfahren zur spanenden bearbeitung eines werkstückes |
DE102021119985A1 (de) * | 2021-08-02 | 2023-02-02 | Prüftechnik Dieter Busch GmbH | Überwachungsvorrichtung und Überwachungsverfahren zur Erfassung eines Diagnosezustands |
JP7287528B1 (ja) | 2022-03-30 | 2023-06-06 | 凸版印刷株式会社 | 資材管理システム、資材管理方法、資材管理装置、及びプログラム |
CN114670062B (zh) * | 2022-05-31 | 2022-08-23 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及*** |
WO2024033978A1 (ja) * | 2022-08-08 | 2024-02-15 | 住友電気工業株式会社 | 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08328651A (ja) * | 1995-06-06 | 1996-12-13 | Hitachi Ltd | データ収集方法及び装置 |
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
WO2011089649A1 (ja) * | 2010-01-22 | 2011-07-28 | 株式会社日立製作所 | 診断装置及び診断方法 |
JP2013203646A (ja) * | 2012-03-29 | 2013-10-07 | Sumitomo Metal Mining Co Ltd | 高純度硫酸ニッケルの製造方法 |
JP5845374B1 (ja) * | 2015-08-05 | 2016-01-20 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6274553A (ja) * | 1985-09-25 | 1987-04-06 | Kawasaki Steel Corp | 切削工具の異常検出方法 |
US5579232A (en) * | 1993-03-29 | 1996-11-26 | General Electric Company | System and method including neural net for tool break detection |
JP3393908B2 (ja) * | 1993-12-24 | 2003-04-07 | 株式会社東芝 | 回転機械の音響・振動診断装置及び方法 |
US7076472B2 (en) * | 2002-08-05 | 2006-07-11 | Edwin Addison | Knowledge-based methods for genetic network analysis and the whole cell computer system based thereon |
US20070094166A1 (en) * | 2002-08-05 | 2007-04-26 | Edwin Addison | Knowledge-based methods for genetic network analysis and the whole cell computer system based thereon |
US8494978B2 (en) * | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
JP2010142934A (ja) * | 2008-12-22 | 2010-07-01 | Nihon Id System Kk | ツーリングホルダ振れ検出システム |
JP5414703B2 (ja) * | 2011-01-20 | 2014-02-12 | 東京エレクトロン株式会社 | 処理装置の異常診断方法及びその異常診断システム |
JP5710391B2 (ja) | 2011-06-09 | 2015-04-30 | 株式会社日立製作所 | 工作機械の加工異常検知装置及び加工異常検知方法 |
JP5831216B2 (ja) | 2011-12-27 | 2015-12-09 | Jfeスチール株式会社 | 工具損傷検出方法及び装置 |
US9980738B2 (en) * | 2013-09-25 | 2018-05-29 | University of Pittsburgh—of the Commonwealth System of Higher Education | Surgical tool monitoring system and methods of use |
JP6340236B2 (ja) * | 2014-04-15 | 2018-06-06 | 三菱重工工作機械株式会社 | 工作機械の診断方法及びシステム |
JP6501156B2 (ja) | 2014-08-11 | 2019-04-17 | 日立金属株式会社 | 工具異常検知方法 |
EP3256916B1 (en) * | 2015-02-12 | 2023-10-11 | Glowforge Inc. | Moving material during laser fabrication |
US10245698B2 (en) * | 2016-05-06 | 2019-04-02 | Massachusetts Institute Of Technology | Method and apparatus for efficient use of CNC machine shaping tool including cessation of use no later than the onset of tool deterioration by monitoring audible sound during shaping |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
-
2016
- 2016-08-10 JP JP2016157278A patent/JP6426667B2/ja active Active
-
2017
- 2017-07-04 WO PCT/JP2017/024447 patent/WO2018030033A1/ja active Application Filing
- 2017-07-04 CN CN201780047991.0A patent/CN109562500B/zh active Active
- 2017-07-04 US US16/324,044 patent/US10525563B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08328651A (ja) * | 1995-06-06 | 1996-12-13 | Hitachi Ltd | データ収集方法及び装置 |
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
WO2011089649A1 (ja) * | 2010-01-22 | 2011-07-28 | 株式会社日立製作所 | 診断装置及び診断方法 |
JP2013203646A (ja) * | 2012-03-29 | 2013-10-07 | Sumitomo Metal Mining Co Ltd | 高純度硫酸ニッケルの製造方法 |
JP5845374B1 (ja) * | 2015-08-05 | 2016-01-20 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019186620A1 (ja) * | 2018-03-26 | 2019-10-03 | 株式会社Fuji | 異常予兆検出装置および工作機械 |
JP7000560B2 (ja) | 2018-03-26 | 2022-01-19 | 株式会社Fuji | 異常予兆検出装置および工作機械 |
JPWO2019186620A1 (ja) * | 2018-03-26 | 2021-02-18 | 株式会社Fuji | 異常予兆検出装置および工作機械 |
US10908595B2 (en) | 2018-06-18 | 2021-02-02 | Hitachi, Ltd. | Facility state determination device, facility state determination method, and facility management system |
EP3584649A1 (en) * | 2018-06-18 | 2019-12-25 | Hitachi, Ltd. | Facility state determination device, facility state determination method, and facility managment system |
US11244250B2 (en) | 2018-08-20 | 2022-02-08 | Siemens Aktiengesellschaft | Determining states of an apparatus using support vector machines |
CN112585548A (zh) * | 2018-08-20 | 2021-03-30 | 西门子股份公司 | 借助于支持向量机确定设备状态 |
WO2020038815A1 (de) * | 2018-08-20 | 2020-02-27 | Siemens Aktiengesellschaft | Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen |
CN112585548B (zh) * | 2018-08-20 | 2022-04-19 | 西门子股份公司 | 用于确定设备的状态的***和方法以及包括该***的设备 |
EP3629118A1 (en) * | 2018-09-30 | 2020-04-01 | 4dot Mechatronic Systems s.r.o. | Diagnostic system of machine tools |
TWI762773B (zh) * | 2018-10-12 | 2022-05-01 | 日商愛德萬測試股份有限公司 | 解析裝置、解析方法及記錄有解析程式的記錄媒體 |
WO2020080093A1 (ja) * | 2018-10-18 | 2020-04-23 | 株式会社日立製作所 | 監視システムおよび監視方法 |
JP2020095425A (ja) * | 2018-12-12 | 2020-06-18 | 横河電機株式会社 | 検出装置、検出方法、および、検出プログラム |
US11392737B2 (en) | 2018-12-12 | 2022-07-19 | Yokogawa Electric Corporation | Detection apparatus, detection method, and recording medium that records detection program |
CN113646718A (zh) * | 2019-03-27 | 2021-11-12 | 日产自动车株式会社 | 异常探测装置及异常探测方法 |
CN113646718B (zh) * | 2019-03-27 | 2024-04-30 | 日产自动车株式会社 | 异常探测装置及异常探测方法 |
CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109562500B (zh) | 2019-11-26 |
CN109562500A (zh) | 2019-04-02 |
US20190210176A1 (en) | 2019-07-11 |
US10525563B2 (en) | 2020-01-07 |
JP6426667B2 (ja) | 2018-11-21 |
JP2018024055A (ja) | 2018-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018030033A1 (ja) | 工作機械の工具の異常検知装置及び方法 | |
CN108500736B (zh) | 工具状态推定装置以及机床 | |
JP6404893B2 (ja) | 工具寿命推定装置 | |
JP6340236B2 (ja) | 工作機械の診断方法及びシステム | |
JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
EP3001265A1 (en) | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor | |
CN106020116A (zh) | 具有对机器人进行异常诊断的功能的机器人控制装置 | |
EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
JP2023510463A (ja) | 加工プロセスおよび/または加工結果を監視および/または予測するための方法 | |
KR101865897B1 (ko) | 서포트 벡터 머신을 이용한 회전체 수명 진단방법 | |
US20210154790A1 (en) | Anomaly detection device, method of detecting anomaly, and program | |
KR102491716B1 (ko) | 가공 환경 추정 장치 | |
JP7271872B2 (ja) | 異常判定装置、異常判定システムおよび異常判定方法 | |
CN117196417B (zh) | 一种立式加工机床加工数据智能分析管理*** | |
JP7187397B2 (ja) | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム | |
JP7154100B2 (ja) | 工作機械の加工異常検出装置 | |
WO2019207855A1 (ja) | 故障予兆診断システム及び故障予兆診断方法 | |
Herrera-Granados et al. | An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance | |
Adikaram et al. | An Automatic Density Cluster Generation Method to Identify the Amount of Tool Flank Wear via Tool Vibration | |
JP7455488B2 (ja) | 基準器の校正値の診断方法及び診断装置 | |
KR20230054554A (ko) | 공구마모 변화량 기반 공구마모 추정 모델 생성 방법 | |
TWM531604U (zh) | 加工裝置 | |
CN107255997B (zh) | 一种基于温度检测的机床运动补偿方法 | |
KR20230072741A (ko) | 딥러닝 기반 공작기계 이상 동작 진단 시스템 및 방법 | |
Granados et al. | An experimental study of multi-sensor tool wear monitoring and its application to predictive maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17839107 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 17839107 Country of ref document: EP Kind code of ref document: A1 |