CN106560751A - 机器学习装置、机器学习方法及具备机器学习装置的机床 - Google Patents

机器学习装置、机器学习方法及具备机器学习装置的机床 Download PDF

Info

Publication number
CN106560751A
CN106560751A CN201610872858.6A CN201610872858A CN106560751A CN 106560751 A CN106560751 A CN 106560751A CN 201610872858 A CN201610872858 A CN 201610872858A CN 106560751 A CN106560751 A CN 106560751A
Authority
CN
China
Prior art keywords
interval
instrument
machine
machine learning
lathe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610872858.6A
Other languages
English (en)
Other versions
CN106560751B (zh
Inventor
汤川史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN106560751A publication Critical patent/CN106560751A/zh
Application granted granted Critical
Publication of CN106560751B publication Critical patent/CN106560751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • 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
    • G05B13/029—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 using neural networks and expert systems
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39166—Coordinate activity by sending pheromone messages between robots, no central 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49166—Compensation for measured deviation of tool path, as function of lenght of path
    • 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
    • G05B2219/49307—Learn, learn operational zone, feed, speed to avoid tool breakage

Abstract

本发明提供一种机器学习装置、机器学习方法及具备机器学习装置的机床，能够使机床的工具修正的频度最佳化。机器学习器具有：状态观测部，其将修正工具的时间间隔、通过机床加工后的工件的加工误差量以及机床的机械运转率作为状态变量进行观测；学习部，其根据状态观测部观测到的工具修正间隔、工件加工误差量以及机械运转率，学习与工具修正间隔的变更有关的行为价值。

Description

机器学习装置、机器学习方法及具备机器学习装置的机床
技术领域
本发明涉及一种在机床中使应该修正工具的定时最佳化的机器学习装置以及机器学习方法，以及具备该机器学习装置的机床。
背景技术
近年来，在机床中要求高精度加工的情况越来越多，因此，进行考虑机床的工具的刀尖磨损量、机床的热位移的影响来对该工具的刀尖位置进行修正的所谓工具修正。
在以前的机床中，进行该工具修正的频度很多时候由操作者根据经验来确定。具体来说，进行通过机床加工后的工件尺寸的抽检，根据该检查的结果由操作者判断是否需要进行工具修正。
另外，为了减轻操作者的劳力，还提案了自动进行工具修正的技术。例如在日本特开平07-104813号公报中记载了一种数值控制装置，其具有：在每次执行工具修正时将这些修正数据作为履历数据进行存储的修正数据存储单元、对于由数值控制机床指令的加工程序的工具数据自动地指令工具修正的工具修正指令单元。
并且，在日本特开2005-202844号公报中记载了一种数值控制装置，其具备：输入用于修正工具移动量的初始修正量的初始修正量输入单元、在每次执行工具移动量的修正时将该修正量作为履历数据进行存储的修正量存储处理单元、根据初始修正量输入单元输入的修正量和履历数据来决定修正量的工具修正量决定单元、以及根据决定的修正量修正工具移动量的修正单元。
以前的工具修正主要是为了维持加工精度而进行。即，在工具修正的频度过低时，工件的加工精度会降低，根据情况会产生加工不良品。但是另一方面，在工具修正的频度过高时，会产生机床的运转率降低这样的问题。因此虽然在工具修正的频度中存在最佳值，但是以往没有从加工精度和运转率这两个观点出发，提出用于求出工具修正频度的最佳值的有效方法和手段。
发明内容
因此，本发明的目的在于提供一种能够使机床的工具修正频度最佳化的机器学习装置以及机器学习方法，以及具备该机器学习装置的机床。
为了达成上述目的，本发明的一个方式提供了一种机器学习装置，其学习与工具修正间隔的变更相关的行为价值，所述工具修正间隔是在机床中修正工具的时间间隔，所述机器学习装置具有：状态观测部，其将所述机床的工具修正间隔、通过所述机床加工后的工件的加工误差量以及所述机床的机械运转率作为状态变量进行观测；学习部，其将所述状态观测部观测到的所述工具修正间隔、所述加工误差量以及所述机械运转率与所述工具修正间隔的变化量关联起来进行学习。
在优选的实施方式中，所述学习部具有：回报计算部，其根据所述工具修正间隔、所述加工误差量以及所述机械运转率来计算回报；函数更新部，其根据所述工具修正间隔、所述加工误差量、所述机械运转率以及所述回报来生成或更新行为价值表。
在优选的实施方式中，机器学习装置还具有意图决定部，其根据所述行为价值表来决定所述工具修正间隔的变化量。
在优选的实施方式中，所述回报计算部在所述工件的加工误差量增大时，或者在所述机械运转率降低时给予负的回报，在所述工件的加工误差量减小时，或者在所述机械运转率上升时给予正的回报。
在优选的实施方式中，所述学习部通过多层结构运算所述状态观测部观测到的状态变量。
在优选的实施方式中，所述函数更新部使用通过其他的机器学习装置更新后的行为价值表来更新自己的所述行为价值表。
另外本发明提供具备所述机器学习装置的机床。
在优选的实施方式中，所述状态观测部还观测所述机床内部的温度，所述学习部将所述状态观测部观测到的所述工具修正间隔、所述加工误差量、所述机械运转率以及所述机床内部的温度与所述工具修正间隔的变化量关联起来进行学习。
本发明的另一方式提供了一种机器学习方法，其学习与工具修正间隔的变更相关的行为价值，所述工具修正间隔是在机床中修正工具的时间间隔，所述机器学习方法具有：将所述机床的工具修正间隔、通过所述机床加工后的工件的加工误差量以及所述机床的机械运转率作为状态变量进行观测的步骤；将所述状态观测部观测到的所述工具修正间隔、所述加工误差量以及所述机械运转率与所述工具修正间隔的变化量关联起来进行学习的步骤。
在优选的实施方式中，进行所述学习的步骤具有：根据所述工具修正间隔、所述加工误差量以及所述机械运转率来计算回报的步骤；根据所述工具修正间隔、所述工件的加工误差量、所述机械运转率以及所述回报生成或更新行为价值表的步骤。
附图说明
通过参照附图对以下的实施例进行说明，本发明的上述以及其它的目的以及特征会变得更清楚。在这些图中：
图1是表示本发明的包含学习控制装置的机床的概要结构的图。
图2是说明工具修正过程的一个例子的图。
图3是说明本发明的机器学习的基本想法的图。
图4是说明机器学习装置(智能体)与机床的工件加工部(环境)之间关系的图。
图5是说明图1的机床的强化学习的处理的一个例子的流程图。
图6是表示通过机器学习生成/更新的行为价值表的具体例子的图。
图7是表示通过机器学习生成/更新的行为价值表的具体例子的图。
图8是表示通过机器学习生成/更新的行为价值表的具体例子的图。
图9是表示通过机器学习生成/更新的行为价值表的具体例子的图。
图10是说明图1的机床的强化学习的处理的一个例子的流程图。
图11是说明在图1的机床的强化学习中还使用机床内的温度的处理的一个例子的流程图。
图12是表示神经元模型的示意图。
图13是表示具有三层权重的神经网络的示意图。
具体实施方式
图1是表示本发明的一实施方式的机床10的概要结构的功能框图。图示例子的机床10例如为NC车床等数值控制机床，其具有具备卡盘12的主轴14、由刀具台16保持的工具18，对卡盘12所抓持的被加工物(例如圆筒状的工件)20进行机械加工。
机床10具有控制机床10的动作的数值控制装置等控制装置22、后述的进行机器学习的机器学习器(机器学习装置)24。此外，机器学习器24可以如图示例子那样组装在控制装置22内，也可以构成为与控制装置不同的其他结构要素。
机器学习器24具有：状态观测部26，其将修正工具18的时间间隔(下面称为工具修正间隔)、通过机床10加工的工件20的加工误差量、以及机床10的机械运转率作为状态变量进行观测；学习部28，其将状态观测部26观测到的工具修正间隔、加工误差量、以及机械运转率与工具修正间隔的变化量关联起来进行学习。具体来说，学习部28根据状态观测部26观测到的工具修正间隔、工件加工误差量以及机械运转率来进行与工具修正间隔的变更相关的行为价值的学习(后述的行为价值表的生成或更新)。
此外，如以下所述那样，学习部28可进行有教师学习、无教师学习、半有教师学习、强化学习、转换、多任务学习等各种机器学习，下面说明学习部进行强化学习。
学习部28具有：回报计算部30，其根据状态观测部26观测到的状态(工具修正间隔、工件加工误差量以及机械运转率)计算回报；函数更新部32(人工智能)，其根据回报计算部30计算出的回报，对工具修正间隔变更的行为价值函数(例如后述的行为价值表)进行更新。
另外，机器学习器24具有意图决定部34，其根据学习部28的学习结果来决定并输出工具修正间隔的变化量。意图决定部34可以不包含在机器学习器24中，例如可以包含在控制装置22中。
另一方面，控制装置22具有：修正间隔变更部36，其根据从意图决定部34输出的工具修正间隔的变化量变更工具修正间隔；加工误差量检测部38，其根据在经过相当于变更后的工具修正间隔的时间后测定的加工完工件的尺寸，来检测工件的加工误差量；运转率计算部，其计算机床10的运转率。此外，如果经过了相当于变更后的工具修正间隔的时间，可以输出促使操作者进行加工完工件的尺寸测定的警报。另外，根据加工完工件的尺寸测定结果，存在不应进行工具修正而应进行工具更换的情况(即工具的磨损量大，工具修正无法应对的情况)，但是在本专利中将这种情况也包含在工具修正中。
另外，控制装置22可以任意地具有检测机床10内的温度的机床内温度检测部42。修正间隔变更部36、加工误差量检测部38、运转率计算部40以及机床内温度检测部42的功能可以由控制装置22以外的其他结构要素来承担，在这种情况下，可将来自该其他的结构要素的检测数据、计算数据存储在控制装置22内的存储器等存储部(未图示)中。
在此，一边参照图2一边说明工具修正的具体例子。工具的修正间隔(修正频度)可以根据工具磨损的进展状况来决定，可以根据上述的工件的加工误差量推定工具的磨损状况。
例如，如图2所示，在工具18的长度(工具长度)由于随着机械加工产生的磨损从初始长度L0缩短了LW时，进行使工具18的刀尖向工件20移动长度LCO的工具修正的情况下，设定工具修正量LCO以使加工后的工件20的直径d与dmin(dmin是工件直径d的最小允许尺寸)相等。因此，紧接工具修正后加工的工件的直径为dmin，在此之后，直到进行下次的工具修正为止，由于工具磨损的进展加工完的工件直径渐渐变大。
然后，如果加工完的工件直径达到了dmax(dmax是工件直径d的最大允许尺寸)应该进行工具修正时，在根据设定的工具修正间隔实际进行工具修正紧前的工具直径为da的情况下，计算dmax与da之间的差分。在后述的回报计算中，该差分(工具加工误差量)越小，给予越大的回报。即在该例子中，求出工具修正间隔的变化量，以便在工件的加工误差没有偏离预定公差的极限定时进行工具修正。
此外，可以除了上述的磨损状况以外，还考虑热膨胀度来决定工具的修正频度。例如，由于工具的切入深度不同切削阻力发生变化，随之工件的温度也发生变化，因此通过使用上述的机床内温度检测部42来测定工件的温度，或者根据工件附近的机床内部的温度来推定工件温度，可以计算工件的热膨胀量。
以下，说明机器学习器24的机器学习(强化学习)。图3说明本发明的机器学习的基本想法。一般来说，如图3中的曲线图44所示那样，工具修正间隔越长，通过机床加工后的工件的加工误差量越大，另一方面，如曲线图46所示，工具修正间隔越长机床的机械运转率越高。这里的机械运转率通过实际运转时间相对于调度表上的运转预定时间的比来表示，实际运转时间是从该运转预定时间减去包含工具修正所需要的时间等的停机时间得到的时间。
根据图3可知，在将工具修正间隔作为变量时，工件加工误差量和机械运转率处于所谓的权衡关系，在本发明中，通过机器学习求出最佳的工具修正间隔。在图3中例举了进行曲线图48所示的将工具修正间隔作为参数的回报计算，对得到较高的回报的工具修正间隔进行学习的强化学习，由区域50包围的区域(回报高的区域)成为学习目标部分。
然后，说明图1的机床10中的机器学习(强化学习)的一个例子。此外如图4所示，本实施方式的机器学习器24相当于强化学习中的智能体。另一方面，修正间隔变更部36、加工误差量检测部38、运转率计算部40以及机床内温度检测部42具有检测或计算环境状态(在这里是指工具修正间隔、工件加工误差量、机械运转率以及机床内温度)的功能。
图5是说明图1的机床10的强化学习方法的一个例子的流程图。首先在步骤S1中，根据后述的行为价值表来决定工具的修正间隔(修正频度)。然后，计算所决定的工具修正间隔的机械运转率(步骤S2)，并求出与计算结果对应的回报(步骤S3)。在这里作为一个例子，根据适当的两个阈值(即第一阈值和大于第一阈值的第二阈值)对求出的机械运转率进行分类，使针对低于第一阈值的运转率的回报为0，针对高于第二阈值的运转率的回报为+10，针对第一阈值以上且第二阈值以下的运转率的回报为+5。
接着，求出在步骤S1中决定的工具修正间隔的工件的加工误差量(步骤S4)，并求出与计算结果对应的回报(步骤S5)。在这里作为一个例子，根据适当的两个阈值(即第三阈值和大于第三阈值的第四阈值)对求出的加工误差量进行分类，使针对低于第三阈值的误差量的回报为+10，针对高于第四阈值的误差量的回报为-20，针对第三阈值以上且第四阈值以下的误差量的回报为-10。
最后，将机械运转率相关的回报与加工误差量相关的回报进行累计，将累计后的回报作为针对步骤S1中决定的工具修正间隔的回报，来更新行为价值表(步骤S6)。在变更工具修正间隔时，重复步骤S1～S6的处理。
在图5的例子中，上述的回报计算部30在工件加工误差量增大时、或者在机械运转率降低时给予负的回报，在工件加工误差量减少时、或者在机械运转率上升时给予正的回报，由此可以学习工具修正的最佳间隔(频度)。
图6～图9表示通过上述的机器学习生成/更新的行为价值表的具体例子。在此，将工具的修正间隔设定为5个阶段，按照修正间隔由长到短(修正频度由低到高)的顺序标记为条件A、B、C、D以及E。在此，关于条件B、C以及D，在下次决定工具修正间隔(行为)时考虑了两种处理方法(延长或缩短修正间隔)，因此行为价值表包含8个模式。
在图6中如箭头52所示，首先，当工具修正间隔符合条件B时，选择缩短下次的修正间隔的行为(模式)。作为该选择的结果，工具修正间隔符合条件C，因此在图7中如箭头54或56所示，回报为-5。因此如图7所示，作为在图6中通过箭头52表示的模式的行为价值，设定为-5(即更新行为价值表)。
在图7中，当工具修正间隔符合条件C时，选择进一步缩短下次的修正间隔的行为(即箭头56所示的模式)。作为该选择的结果，工具修正间隔符合条件D，因此在图8中如箭头58或者60所示，回报为+15。因此如图8所示，作为在图7中通过箭头56表示的模式的行为价值，设定+15(即更新行为价值表)。
通过重复进行上述那样的选择/更新，可以得到图9所示的，针对各模式设定了行为价值的行为价值表，能够决定最佳的工具修正间隔。
图10是说明图1的机床10的强化学习方法的其他例子的流程图。图10的例子表示了使用多层神经网络等多层结构对通过状态观测部观测到的状态变量进行运算，进行深层学习的情况，在这样的深层学习中可以同时进行多个回报计算，可实时更新行为价值表。
详细来说，在图10所示的例子中，并行处理在图5中说明的与机械运转率相关的回报计算(步骤S2、S3)和与工件加工误差相关的回报计算(步骤S4、S5)，并追加将各个回报进行相加的步骤S7。图10的流程图的其他部分与图5的流程图相同即可，在此省略详细的说明。
图11是说明作为在回报计算中使用的变量，除了上述的机械运转率以及工件加工误差量之外，还使用机床内温度的例子的流程图。如上所述，根据机床内的温度工件的热膨胀量发生变化，因此可以使用机床内温度检测部42等求出机床10内的温度变化量，并求出与计算结果对应的回报(步骤S8、S9)。在此作为一个例子，根据适当的两个阈值(即，第五阈值和大于第五阈值的第六阈值)对求出的温度变化量进行分类，使针对低于第五阈值的温度变化量的回报为+10，针对高于第六阈值的温度变化量的回报为-20，针对第五阈值以上且第六阈值以下的温度变化量的回报为-10。
图11所示的处理(步骤S8～S9)可在图5的流程图中可插入到步骤S3和步骤S4之间，或者可插入到步骤S5和步骤S6之间，又或者在图10的流程图中可以插入到步骤S7和步骤S6之间。在这样进行回报计算时，由于还考虑温度变化量(更具体地说，温度变化量越小给予越高的回报)，可以进一步提高机器学习的精度和可靠性。
此外，在上述的实施方式中，通过机器学习装置24(函数更新部32)生成或更新后的行为价值表也可以在其他同种类的机器学习装置中使用。换句话说，机器学习装置24可以使用由同种类的其他机器学习装置生成或更新后的行为价值表来生成或更新自己的行为价值表。如此，即使不花费时间更新行为价值表，也可以使用充分进行了学习的行为价值表。
在此，对图1所示的机器学习装置24进行详细说明。机器学习装置24具有如下的功能：通过解析而从装置输入的数据集合中抽出其中有用的规则和知识表现、判断基准等，输出其判断结果，并且学习知识。该方法多种多样，大致区分为“有教师学习”、“无教师学习”、“强化学习”。并且，在实现这些方法的基础上，还具有学习特征量本身的提取的被称为“深层学习”的方法。
“有教师学习”是通过向学习装置大量地赋予某个输入和结果(标签)的数据组合，学习这些数据组中具有的特征，可归纳性地获得根据输入推定结果的模型，即其关系性。在本实施方式中，可以在根据机械运转率以及工件加工误差量推定最佳工具修正间隔的部分等中使用。可以使用后述的神经网络等的算法来实现。
“无教师学习”是以下的方法：通过大量地向学习装置仅赋予输入数据，来学习输入数据怎样分布，即使不赋予对应的教师输出数据，也可学习针对输入数据进行压缩、分类、整形等的装置。能够按照彼此相似来对这些数据组所具有的特征进行分类。使用该结果，设置某种基准来进行使该基准成为最佳的输出的分配，由此能够实现输出的预测。另外，作为“无教师学习”和“有教师学习”中间的问题设定，具有被称为“半有教师学习”的方法，仅存在一部分的输入和输出的数据的组合，除此之外仅为输入的数据的情况相当于该“半有教师学习”。在本实施方式中，能够通过无教师学习来使用即使不实际使磁化器进行工作也能够取得的数据，并高效地进行学习。
以下那样设定强化学习的问题。
·机床(控制装置)观测环境的状态，决定行为。
·环境按照某种规则进行变化，并且有时自己的行为对环境赋予变化。
·每次行为时返回回报信号。
·期望最大化的是将来的回报的总和。
·从完全不知道或者不完全知道行为引起的结果的状态起开始学习。机床(控制装置)实际进行动作后才能够得到该结果来作为数据。即，需要一边试错一边探索最佳的行为。
·能够将事先学习(上述的有教师学习、或称为逆强化学习的方法)的状态作为初始状态，从好的开始地点起开始进行学习。
“强化学习”是指如下的方法：不仅学习判定和分类，还学习行为，由此基于行为对环境赋予的相互作用来学习适当的行为，即进行用于使将来得到的回报成为最大的学习。这种情况在本实施方式中，表示为能够获得对未来产生影响的行为。例如在作为强化学习之一的Q学习的情况下继续进行说明，但是并不限于此。
Q学习是在某环境状态s下，对选择行为a的价值Q(s、a)进行学习的方法。即，在某状态s时，选择价值Q(s、a)最高的行为a来作为最佳的行为即可。但是，最初对于状态s和行为a的组合，完全不知道价值Q(s、a)的正确值。因此，智能体(行为主体)在某状态s下选择各种行为a，针对此时的行为a赋予回报。由此，智能体学习了更好的行为选择，即学习了正确的价值Q(s、a)。
作为行为的结果，期望使将来得到的回报的总和最大化，因此以最终成为Q(s，a)＝E[Σγtrt]为目标(对于按照最佳的行为进行了状态变化的时候得到期待值。当然，因为不清楚这些，所以必须一边探索一边学习)。这样的价值Q(s、a)的更新式例如能够通过下式来表示。
在此，st表示时刻t的环境状态，at表示时刻t的行为。通过行为at，状态变化为st+1。rt+1表示通过该状态的变化而得到的回报。另外，带有max的项是在状态st+1下，在选择了此时知道的Q值最高的行为a时的Q值乘以γ的项。γ是0＜γ≤1的参数，被称为折扣率。a是学习系数，范围是0＜α≤1。
该式子表示基于作为尝试at的结果而返回的回报rt+1，对状态st下的行为at的评价值Q(st、at)进行更新的方法。表示了与状态s下的行为a的评价值Q(st、at)相比，如果基于回报rt+1+行为a的下一个状态下的最佳的行为max a的评价值Q(st+1、max at+1)大，则增大Q(st、at)，反之如果小，则减小Q(st、at)。即，使某种状态下的某种行为的价值接近基于作为结果立即返回的回报和该行为的下一个状态下的最佳的行为的价值。
关于Q(s、a)在计算机上的表现方法，具有针对全部的状态行为对(s、a)，将该值作为表(行为价值表)进行保存的方法、准备对Q(s、a)进行近似的函数的方法。在后者的方法中，上述的更新式能够通过使用随机梯度下降法等方法调整近似函数的参数来实现。作为近似函数，能够使用后述的神经网络。
作为有教师学习、无教师学习、以及强化学习中的价值函数的近似算法，能够使用神经网络。神经网络例如由实现神经网络的运算装置以及存储器等构成，该神经网络模拟图12所示的神经元模型。
如图12所示，神经元输出与多个输入x(在此作为一个例子，为输入x1～输入x3)相对的输出y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出下式表现的输出y。此外，输入x、输出y以及权重w全是矢量。
在这里，θ为偏置，fk为激活函数。
接着，参照图13对具有将上述神经元进行组合后的三层的权重的神经网络进行说明。图13是表示具有D1～D3的三层权重的神经网络的示意图。
如图13所示，从神经网络的左侧输入多个输入x(在此作为一个例子，输入x1～输入x3)，从右侧输出结果y(在此作为一个例子，结果y1～结果y3)。
具体来说，关于输入x1～输入x3，针对三个神经元N11～N13分别乘以对应的权重来进行输入。将这些输入乘以的权重统一标记为w1。
神经元N11～N13分别输出z11～z13。将这些z11～z13统一标记为特征矢量z1，能够视为抽出了输入矢量的特征量的矢量。该特征矢量z1是权重w1和权重w2之间的特征矢量。
关于z11～z13，针对两个神经元N21、N22分别乘以对应的权重。将这些特征矢量乘以的权重统一标记为w2。
神经元N21、N22分别输出z21、z22。将这些统一标记为特征矢量z2。该特征矢量z2是权重w2和权重w3之间的特征矢量。
关于特征矢量z21、z22，针对三个神经元N31～N33分别乘以对应的权重来进行输入。将这些特征矢量乘以的权重统一标记为w3。
最后，神经元N11～N13分别输出结果y1～结果y3。
在神经网络的动作中，具有学习模式和价值预测模式，在学习模式中使用学习数据组来学习权重w，使用其参数在预测模式中进行行为判断(虽然为了方便记载为预测，但是能够进行检测、分类、推论等多种多样的任务)。
既能够即时学习在预测模式中实际得到的数据，并将该数据反映到下次的行为中(在线学习)，也能够使用预先收集的数据群来进行总结学习，以后一直使用该参数进行检测模式(批量学习)。在这中间，能够在每次积累了一定程度数据时间隔学习模式。
权重w1～w3能够通过误差逆传播法(反向传播)进行学习。误差的信息从右侧进入流向左侧。误差逆传播法是如下方法：针对各神经元调整(学习)各个权重，从而减小输入了输入x时的输出y和真实的输出y(教师)之间的差。
这样的神经网络可以在三层以上进一步增加层(称为深层学习)。能够阶段性地进行输入的特征抽出，并仅从教师数据自动地获得返回结果的运算装置。
通过本发明，能够将工件的加工误差量与机床的运转率双方作为状态变量，来进行对工具修正间隔的变化量的行为价值进行决定的机器学习，因此可以使工具修正的频度最佳化，并可以将加工误差抑制在预期的范围内，同时提高机床的运转率。

Claims (10)

1.一种机器学习装置，其学习与工具修正间隔的变更相关的行为价值，所述工具修正间隔是在机床中修正工具的时间间隔，所述机器学习装置的特征在于，具有：
状态观测部，其将所述机床的工具修正间隔、通过所述机床加工后的工件的加工误差量以及所述机床的机械运转率作为状态变量进行观测；
学习部，其将所述状态观测部观测到的所述工具修正间隔、所述加工误差量以及所述机械运转率与所述工具修正间隔的变化量关联起来进行学习。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述学习部具有：
回报计算部，其根据所述工具修正间隔、所述加工误差量以及所述机械运转率来计算回报；
函数更新部，其根据所述工具修正间隔、所述加工误差量、所述机械运转率以及所述回报来生成或更新行为价值表。
3.根据权利要求2所述的机器学习装置，其特征在于，
还具有意图决定部，其根据所述行为价值表来决定所述工具修正间隔的变化量。
4.根据权利要求2或3所述的机器学习装置，其特征在于，
所述回报计算部在所述加工误差量增大时，或者在所述机械运转率降低时给予负的回报，在所述加工误差量减小时，或者在所述机械运转率上升时给予正的回报。
5.根据权利要求1至4中的任意一项所述的机器学习装置，其特征在于，
所述学习部通过多层结构运算所述状态观测部观测到的状态变量。
6.根据权利要求2至4中的任意一项所述的机器学习装置，其特征在于，
所述函数更新部使用通过其他的机器学习装置更新后的行为价值表来更新自己的所述行为价值表。
7.一种机床，其特征在于，具备权利要求1至6中的任意一项所述的机器学习装置。
8.根据权利要求7所述的机床，其特征在于，
所述状态观测部还观测所述机床内部的温度，
所述学习部将所述状态观测部观测到的所述工具修正间隔、所述加工误差量、所述机械运转率以及所述机床内部的温度与所述工具修正间隔的变化量关联起来进行学习。
9.一种机器学习方法，其学习与工具修正间隔的变更相关的行为价值，所述工具修正间隔是在机床中修正工具的时间间隔，所述机器学习方法的特征在于，具有：
将所述机床的工具修正间隔、通过所述机床加工后的工件的加工误差量以及所述机床的机械运转率作为状态变量进行观测的步骤；
将观测到的所述工具修正间隔、所述加工误差量以及所述机械运转率与所述工具修正间隔的变化量关联起来进行学习的步骤。
10.根据权利要求9所述的机器学习方法，其特征在于，
进行所述学习的步骤具有：
根据所述工具修正间隔、所述加工误差量以及所述机械运转率来计算回报的步骤；
根据所述工具修正间隔、所述加工误差量、所述机械运转率以及所述回报生成或更新行为价值表的步骤。
CN201610872858.6A 2015-09-30 2016-09-30 机器学习装置、机器学习方法及具备机器学习装置的机床 Active CN106560751B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015193017A JP5969676B1 (ja) 2015-09-30 2015-09-30 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP2015-193017 2015-09-30

Publications (2)

Publication Number Publication Date
CN106560751A true CN106560751A (zh) 2017-04-12
CN106560751B CN106560751B (zh) 2018-02-27

Family

ID=56701641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610872858.6A Active CN106560751B (zh) 2015-09-30 2016-09-30 机器学习装置、机器学习方法及具备机器学习装置的机床

Country Status (4)

Country Link
US (1) US10121107B2 (zh)
JP (1) JP5969676B1 (zh)
CN (1) CN106560751B (zh)
DE (1) DE102016011532B4 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108994818A (zh) * 2017-06-07 2018-12-14 发那科株式会社 控制装置以及机器学习装置
CN109032078A (zh) * 2017-06-12 2018-12-18 发那科株式会社 机器学习装置、控制装置以及计算机可读介质
CN109283887A (zh) * 2017-07-21 2019-01-29 发那科株式会社 机器学习装置、数值控制装置、数值控制系统以及机器学习方法
CN109399122A (zh) * 2017-08-18 2019-03-01 发那科株式会社 控制装置以及机器学习装置
CN109581972A (zh) * 2017-09-29 2019-04-05 发那科株式会社 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组
CN109613886A (zh) * 2017-10-04 2019-04-12 发那科株式会社 热位移校正系统
CN110138296A (zh) * 2018-02-08 2019-08-16 发那科株式会社 机器学习装置和方法、伺服电动机控制装置和系统
CN110174871A (zh) * 2018-02-19 2019-08-27 发那科株式会社 控制装置、机器学习装置以及系统
CN110370076A (zh) * 2019-08-08 2019-10-25 合肥学院 基于加工机床的自由曲面原位测量方法
CN110501972A (zh) * 2018-05-16 2019-11-26 发那科株式会社 热位移校正装置
CN114341752A (zh) * 2019-09-02 2022-04-12 山崎马扎克公司 控制装置、机床、算出方法和程序
CN114690707A (zh) * 2021-12-01 2022-07-01 南京工业大学 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5969676B1 (ja) * 2015-09-30 2016-08-17 ファナック株式会社 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
KR102123173B1 (ko) * 2016-03-28 2020-06-15 두산공작기계 주식회사 공작기계의 열변위 보정 파라메터 자동 변환 장치 및 변환 방법
JP6514166B2 (ja) 2016-09-16 2019-05-15 ファナック株式会社 ロボットの動作プログラムを学習する機械学習装置，ロボットシステムおよび機械学習方法
CN106557072B (zh) * 2016-11-21 2019-03-15 广州中国科学院工业技术研究院 数控加工设备执行程序的辅助编程方法
JP6346253B2 (ja) 2016-12-05 2018-06-20 ファナック株式会社 工作機械及び機械学習装置
JP6457472B2 (ja) * 2016-12-14 2019-01-23 ファナック株式会社 制御システム及び機械学習装置
JP6877989B2 (ja) * 2016-12-22 2021-05-26 オークマ株式会社 工作機械の温度推定方法及び熱変位補正方法
JP6404893B2 (ja) 2016-12-22 2018-10-17 ファナック株式会社 工具寿命推定装置
JP6506245B2 (ja) 2016-12-26 2019-04-24 ファナック株式会社 組付動作を学習する機械学習装置および部品組付システム
JP6464203B2 (ja) * 2017-01-10 2019-02-06 ファナック株式会社 工作機械の機械学習装置および熱変位補正装置
JP6457563B2 (ja) 2017-01-24 2019-01-23 ファナック株式会社 数値制御装置及び機械学習装置
JP6453921B2 (ja) 2017-02-03 2019-01-16 ファナック株式会社 学習モデル構築装置、及び制御情報最適化装置
JP2018126796A (ja) 2017-02-06 2018-08-16 セイコーエプソン株式会社 制御装置、ロボットおよびロボットシステム
JP2018126798A (ja) 2017-02-06 2018-08-16 セイコーエプソン株式会社 制御装置、ロボットおよびロボットシステム
JP2018126797A (ja) 2017-02-06 2018-08-16 セイコーエプソン株式会社 制御装置、ロボットおよびロボットシステム
JP6490124B2 (ja) 2017-03-07 2019-03-27 ファナック株式会社 レーザ加工装置および機械学習装置
JP6546213B2 (ja) * 2017-04-13 2019-07-17 ファナック株式会社 回路構成最適化装置及び機械学習装置
JP6592039B2 (ja) 2017-07-04 2019-10-16 ファナック株式会社 熱変位補正装置
JP6626064B2 (ja) * 2017-10-31 2019-12-25 ファナック株式会社 試験装置及び機械学習装置
JP6659652B2 (ja) * 2017-10-31 2020-03-04 ファナック株式会社 加工条件調整装置及び機械学習装置
JP2019086928A (ja) * 2017-11-06 2019-06-06 ファナック株式会社 制御装置及び機械学習装置
JP2019111604A (ja) * 2017-12-22 2019-07-11 セイコーエプソン株式会社 制御装置、ロボット、およびロボットシステム
JP6802208B2 (ja) * 2018-03-23 2020-12-16 ファナック株式会社 熱変位補正システム及び計算機
CN111954582B (zh) * 2018-04-17 2021-09-03 三菱电机株式会社 机器学习装置
DE102019006725B4 (de) 2018-10-02 2023-06-01 Fanuc Corporation Steuereinrichtung und Steuersystem
JP6940474B2 (ja) * 2018-12-05 2021-09-29 ファナック株式会社 工作機械
CN109754070B (zh) * 2018-12-28 2022-10-21 东莞钜威软件科技有限公司 基于神经网络的绝缘阻值计算方法及电子设备
JP7302226B2 (ja) * 2019-03-27 2023-07-04 株式会社ジェイテクト 研削盤の支援装置及び支援方法
US11645498B2 (en) 2019-09-25 2023-05-09 International Business Machines Corporation Semi-supervised reinforcement learning
CN111639461B (zh) * 2020-05-26 2022-10-18 浙江大学 针对工业不均衡数据的刀具磨损状态检测方法
KR102266388B1 (ko) * 2020-12-01 2021-06-17 주식회사 엠케이 CNC 가공용 qc 데이터가 활용되는 품질검사 및 캘리브레이션 통합모듈
KR20230018067A (ko) * 2021-07-29 2023-02-07 한화정밀기계 주식회사 선반 제어 장치 및 방법
DE102022116969A1 (de) 2022-07-07 2024-01-18 Schaeffler Technologies AG & Co. KG Verfahren zur dynamischen Erkennung von Ratcheting bei einem kollaborativen Roboter mittels Künstlicher Intelligenz und dynamischer Kompensation der Trajektorien

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5019763A (en) * 1988-07-29 1991-05-28 Kabushiki Kaisha Okuma Tekkosho Learning control method in numerical control machine tool
JPH04135209A (ja) * 1990-09-27 1992-05-08 Toyoda Mach Works Ltd 数値制御装置の加工条件作成機能の学習方法
JPH05138497A (ja) * 1991-11-14 1993-06-01 Fanuc Ltd 工具の摩耗補正方式
JP2005202844A (ja) * 2004-01-19 2005-07-28 Murata Mach Ltd 数値制御装置
CN1758034A (zh) * 2004-10-08 2006-04-12 欧姆龙株式会社 知识作成装置及参数搜索方法
CN102576428A (zh) * 2009-09-24 2012-07-11 株式会社东芝 保养方策确定装置及保养方策确定程序
US20150168938A1 (en) * 2013-12-16 2015-06-18 The University Of Tokyo Controller for Spindle Motor

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3125791B2 (ja) * 1990-03-09 2001-01-22 株式会社日立製作所 受注生産システム
EP0633536A1 (en) * 1993-07-09 1995-01-11 International Business Machines Corporation Diagnosis method and system for predictive machine maintenance
JPH07104813A (ja) 1993-10-04 1995-04-21 Fanuc Ltd 数値制御装置
JPH0957579A (ja) * 1995-08-22 1997-03-04 Toshiba Mach Co Ltd Ｎｃ工作機械における動的工具摩耗補正方法
EP1195668B1 (de) * 2000-09-27 2004-03-10 LIEBHERR-VERZAHNTECHNIK GmbH Prozessüberwachung zur Verschleisserkennung an Verzahnungswerkzeugen
JP2004249718A (ja) * 2003-01-30 2004-09-09 Toshiba Mach Co Ltd 産業機械の表示装置及び履歴収集システム
JP4299805B2 (ja) * 2005-04-25 2009-07-22 ファナック株式会社 テーブル形式データを用い工具補正を行う数値制御装置
US9114708B2 (en) * 2011-12-22 2015-08-25 Scania Cv Ab Method and module for determining of reference values for a vehicle control system
JP5681224B2 (ja) * 2013-03-07 2015-03-04 ファナック株式会社 部品点検時期通知機能を有する機械の数値制御装置
JP5969676B1 (ja) * 2015-09-30 2016-08-17 ファナック株式会社 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP6193961B2 (ja) * 2015-11-30 2017-09-06 ファナック株式会社 機械の送り軸の送りの滑らかさを最適化する機械学習装置および方法ならびに該機械学習装置を備えたモータ制御装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5019763A (en) * 1988-07-29 1991-05-28 Kabushiki Kaisha Okuma Tekkosho Learning control method in numerical control machine tool
JPH04135209A (ja) * 1990-09-27 1992-05-08 Toyoda Mach Works Ltd 数値制御装置の加工条件作成機能の学習方法
JPH05138497A (ja) * 1991-11-14 1993-06-01 Fanuc Ltd 工具の摩耗補正方式
JP2005202844A (ja) * 2004-01-19 2005-07-28 Murata Mach Ltd 数値制御装置
CN1758034A (zh) * 2004-10-08 2006-04-12 欧姆龙株式会社 知识作成装置及参数搜索方法
CN102576428A (zh) * 2009-09-24 2012-07-11 株式会社东芝 保养方策确定装置及保养方策确定程序
US20150168938A1 (en) * 2013-12-16 2015-06-18 The University Of Tokyo Controller for Spindle Motor

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108994818A (zh) * 2017-06-07 2018-12-14 发那科株式会社 控制装置以及机器学习装置
CN108994818B (zh) * 2017-06-07 2020-07-28 发那科株式会社 控制装置以及机器学习装置
CN109032078B (zh) * 2017-06-12 2020-04-14 发那科株式会社 机器学习装置、控制装置以及计算机可读介质
CN109032078A (zh) * 2017-06-12 2018-12-18 发那科株式会社 机器学习装置、控制装置以及计算机可读介质
US10705506B2 (en) 2017-06-12 2020-07-07 Fanuc Corporation Reinforcement learning to allocate processes to a machine tool controller
CN109283887A (zh) * 2017-07-21 2019-01-29 发那科株式会社 机器学习装置、数值控制装置、数值控制系统以及机器学习方法
CN109283887B (zh) * 2017-07-21 2021-05-04 发那科株式会社 机器学习装置、数值控制装置、数值控制系统以及机器学习方法
CN109399122A (zh) * 2017-08-18 2019-03-01 发那科株式会社 控制装置以及机器学习装置
CN109399122B (zh) * 2017-08-18 2021-03-16 发那科株式会社 控制装置以及机器学习装置
CN109581972B (zh) * 2017-09-29 2021-10-26 发那科株式会社 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组
US11080610B2 (en) 2017-09-29 2021-08-03 Fanuc Corporation Numerical control system that detects an abnormality in an operation state
CN109581972A (zh) * 2017-09-29 2019-04-05 发那科株式会社 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组
CN109613886B (zh) * 2017-10-04 2022-04-01 发那科株式会社 热位移校正系统
CN109613886A (zh) * 2017-10-04 2019-04-12 发那科株式会社 热位移校正系统
CN110138296A (zh) * 2018-02-08 2019-08-16 发那科株式会社 机器学习装置和方法、伺服电动机控制装置和系统
CN110138296B (zh) * 2018-02-08 2021-08-06 发那科株式会社 机器学习装置和方法、伺服电动机控制装置和系统
CN110174871A (zh) * 2018-02-19 2019-08-27 发那科株式会社 控制装置、机器学习装置以及系统
CN110174871B (zh) * 2018-02-19 2023-08-15 发那科株式会社 控制装置、机器学习装置以及系统
CN110501972B (zh) * 2018-05-16 2021-06-08 发那科株式会社 热位移校正装置
CN110501972A (zh) * 2018-05-16 2019-11-26 发那科株式会社 热位移校正装置
CN110370076A (zh) * 2019-08-08 2019-10-25 合肥学院 基于加工机床的自由曲面原位测量方法
CN114341752A (zh) * 2019-09-02 2022-04-12 山崎马扎克公司 控制装置、机床、算出方法和程序
CN114690707A (zh) * 2021-12-01 2022-07-01 南京工业大学 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法
CN114690707B (zh) * 2021-12-01 2023-08-18 南京工业大学 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法

Also Published As

Publication number Publication date
US20170091667A1 (en) 2017-03-30
JP2017068566A (ja) 2017-04-06
US10121107B2 (en) 2018-11-06
DE102016011532A1 (de) 2017-03-30
JP5969676B1 (ja) 2016-08-17
CN106560751B (zh) 2018-02-27
DE102016011532B4 (de) 2020-09-10

Similar Documents

Publication Publication Date Title
CN106560751B (zh) 机器学习装置、机器学习方法及具备机器学习装置的机床
CN106557069B (zh) 机械学习装置和方法以及具有该机械学习装置的机床
JP6470251B2 (ja) 数値制御装置及び機械学習装置
CN108345273B (zh) 数值控制装置及机器学习装置
CN106557075B (zh) 生成最佳的加速/减速的机床
CN106552974B (zh) 具有移动轴异常负载警告功能的线放电加工机
CN108227482A (zh) 控制系统以及机器学习装置
CN108723889A (zh) 加减速控制装置
CN110347120A (zh) 控制装置以及机器学习装置
JP6659652B2 (ja) 加工条件調整装置及び機械学習装置
CN110501973B (zh) 模拟装置
CN109254562A (zh) 控制装置以及学习装置
CN107301489A (zh) 实施生产计划的生产系统
CN108931959A (zh) 控制装置及机械学习装置
CN109794657A (zh) 控制装置以及机器学习装置
CN109725597A (zh) 测试装置以及机器学习装置
CN110531705A (zh) 可编程控制器以及机器学习装置
CN110389556A (zh) 控制装置以及控制方法
CN108736881A (zh) 电路结构最优化装置以及机器学习装置
US11579000B2 (en) Measurement operation parameter adjustment apparatus, machine learning device, and system
US10698380B2 (en) Numerical controller
CN107511823A (zh) 机器人作业轨迹优化分析的方法
CN110174871A (zh) 控制装置、机器学习装置以及系统
JP6829271B2 (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
Dave et al. Modelling of cutting forces as a function of cutting parameters in milling process using regression analysis and artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant