CN107045293B - 机械学习器及方法、数值控制装置、机床系统、制造系统 - Google Patents
机械学习器及方法、数值控制装置、机床系统、制造系统 Download PDFInfo
- Publication number
- CN107045293B CN107045293B CN201710031351.2A CN201710031351A CN107045293B CN 107045293 B CN107045293 B CN 107045293B CN 201710031351 A CN201710031351 A CN 201710031351A CN 107045293 B CN107045293 B CN 107045293B
- Authority
- CN
- China
- Prior art keywords
- operation menu
- operator
- information
- learning
- machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003754 machining Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 33
- 230000006399 behavior Effects 0.000 description 26
- 210000002569 neuron Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000002787 reinforcement Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
-
- 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
- G05B13/0275—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 fuzzy logic only
-
- 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
- G05B19/409—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 using manual data input [MDI] or by using control panel, e.g. controlling functions with the panel; characterised by control panel details or by setting parameters
-
- 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
- G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32128—Gui graphical user interface
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36133—MMI, HMI: man machine interface, communication
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36137—Configuration of display device, operator panel
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明提供学习操作菜单的显示的机械学习器及方法、数值控制装置、机床系统、制造系统。机械学习器(2)对操作员(6)进行检测,并与登记有操作员的信息的数据库通信,来对基于所述操作员的信息的操作菜单的显示进行学习,该机械学习器具有:状态观测部(21),其对所述操作菜单的操作历史记录进行观测;以及学习部(22),其根据由所述状态观测部(21)观测到的所述操作菜单的操作历史记录来学习所述操作菜单的显示。
Description
技术领域
本发明涉及学习操作菜单的显示的机械学习器、数值控制装置、机床系统、制造系统以及机械学习方法。
背景技术
以往,例如,关于控制机床的数值控制装置(NC(Numerical Control)装置),各种各样的人(操作员)使用了该数值控制装置的操作菜单。这里,作为操作员例如包括机床制造商(MTB(Machine Tool Builder))的开发人员或负责人员、作业员(用户)以及服务人员(服务工程师)这样的各种各样的身份以及权限级别的人。
在本说明书中,在NC装置中还包含计算机数值控制装置(CNC装置)等。此外,NC装置的操作菜单例如为显示于具有触摸(位置输入)功能的液晶面板那样的显示装置上,按照显示于该显示装置的内容而发生变化。另外,显示操作菜单的显示装置例如能够一体地设置于NC装置,但是也能够通过有线或者无线而设置于远离NC装置的位置,或者还能够在机床的附近等操作显示装置的操作菜单。
而以往例如提出了如下内容:将功能图标呈矩阵状地配置为单元,用户根据图标的使用次数将功能图标按所希望的配置来排序(例如,日本特开2009-181501号公报)。此外,还提出了如下内容:在显示导航装置的菜单时,能够不使用户困扰而按照适合于当前用户状况的顺序来对菜单项目进行排序(例如,日本特开2010-127814号公报)。并且,例如还考虑了如下内容:对操作机床的作业员设定权限级别,根据该权限级别而改变操作菜单(例如,日本特开2009-086964号公报)。
如上所述,例如还考虑了如下内容:只在根据菜单的使用次数来进行排列的情况下,平时除了操作机械的作业员之外,例如服务人员等进行操作时,对想要使用的菜单的访问变得繁琐。此外,还考虑了如下方法:在对操作员进行了检测之后,例如,针对每个操作员根据使用次数来对菜单进行排序,而此时为了获得用户易于利用的菜单画面,就需要操作员在某种程度上操作机械使机器进行学习。
此外,通过事先准备根据参数来确定菜单显示项目顺序的表格,显示适合于状况的菜单时,不能够针对从预料状况发生的变化动态地进行对应,因此,每当增加要操作的人的身份或权限级别时需要手动地重新制作表格。
本发明是鉴于以上现有技术的问题而提出的,其目的在于提供一种能够显示适合于各操作员的操作菜单的机械学习器、数值控制装置、机床系统、制造系统以及机械学习方法。
发明内容
根据本发明涉及的第一实施方式,提供一种机械学习器,其对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其中,所述机械学习器具有:状态观测部,其对所述操作菜单的操作历史记录进行观测;以及学习部,其根据由所述状态观测部观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示。
优选的是,所述操作菜单的操作历史记录包含:所述操作菜单的访问次数、以及所述操作菜单的转化信息。优选的是,所述状态观测部还包含以下信息中的至少一个信息:当前选择的操作菜单的信息、表示机床是否在加工运转中的信息、数值控制装置以及所述机床的警报信息、以及表示是否在程序编辑中的信息。可以是,所述机械学习器还具有:意图决定部,其参照所述学习部学习而得的操作菜单的显示,来决定显示于显示装置的操作菜单的位置以及顺序。
可以是,所述学习部具有:回报计算部,其根据所述状态观测部的输出来计算回报;以及价值函数更新部,其根据所述状态观测部以及所述回报计算部的输出,对应于所述回报来更新价值函数,该价值函数决定所述显示装置所显示的操作菜单的位置以及顺序的价值。优选的是,在从配置于易于访问的所述操作菜单的位置以及顺序的菜单进行操作时,所述回报计算部给予正回报,在从配置于难以访问的所述操作菜单的位置以及顺序的菜单进行操作时,所述回报计算部给予负回报。
可以是,所述学习部具有:误差计算部,其根据所述状态观测部的输出、以及输入的教师数据,来计算误差;以及学习模型更新部,其根据所述状态观测部以及所述误差计算部的输出来更新学习模型,该学习模型决定显示于显示装置的操作菜单的位置以及顺序的误差。可以是,所述机械学习器具有神经网络。可以是,所述操作员的信息包含该操作员的身份或者权限级别的信息,基于所述操作员的信息的操作菜单根据所述操作员的身份或者权限级别的信息而变化。
根据本发明涉及的第二实施方式,提供一种数值控制装置,其中,该数值控制装置具有:检测部,其对所述操作员进行检测;通信部,其与登记有所述操作员的信息的数据库进行通信;上述第一实施方式涉及的机械学习器;以及显示装置,其对由所述机械学习器学习而得的操作菜单进行显示。
根据本发明涉及的第三实施方式,提供一种机床系统,其中,该机床系统具有:数值控制装置、由所述数值控制装置控制的机床、以及上述第一方式涉及的机械学习器。
根据本发明涉及的第四实施方式,提供一种制造系统,其具有多个上述第三实施方式涉及的机床系统,其中,所述机械学习器设置于各个的所述机床系统中,设置于多个所述机床系统的多个所述机械学习器经由通信介质相互共享或者交换数据。可以是,所述机械学习器存在于云服务器上。
根据本发明涉及的第五实施方式,提供一种机械学习方法,用于对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其中,对所述操作菜单的操作历史记录进行观测,根据所述观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示。优选的是,所述操作菜单的操作历史记录包含:所述操作菜单的访问次数、以及所述操作菜单的转化信息。
附图说明
图1是概略性地表示本发明涉及的机床系统的第一实施方式的框图。
图2是表示本发明涉及的数值控制装置的第一实施方式的框图。
图3是模式性地表示神经元模型的图。
图4是模式性地表示组合图3所示的神经元而构成的三层神经网络的图。
图5是表示图1所示的机械学习器的动作的一例的流程图。
图6A以及图6B是用于对通过图5所示的机械学习器学习而得的操作菜单显示进行说明的图(其一)。
图7A以及图7B是用于对通过图5所示的机械学习器学习而得的操作菜单显示进行说明的图(其二)。
图8A以及图8B是用于对通过图5所示的机械学习器学习而得的操作菜单显示进行说明的图(其三)。
图9是概略性地表示本发明涉及的机床系统的其他实施方式的框图。
具体实施方式
以下参照附图,对本发明涉及的机械学习器、数值控制装置、机床系统、制造系统以及机械学习方法的实施方式进行详细描述。图1是概略性地表示本发明涉及的机床系统的第一实施方式的框图。
如图1所示,机床系统包含:机床1、机械学习器2以及数值控制装置(NC装置、CNC装置)3。这里,机床1例如包含:车床、钻床、镗床、铣床、磨床、齿轮加工机床、齿轮精加工机床、加工中心、放电加工机、冲床、激光加工机、运送机以及注射成形机等,通过数值控制装置3而被控制。另外,在图1中,机械学习器2与数值控制装置3分开地设置,但是也可以作为数值控制装置3的一部分来设置。此外,显示装置30例如是具有触摸功能的液晶面板,显示数值控制装置3的操作菜单。该显示装置30可以一体地设置于数值控制装置3中,也可以通过有线或者无线方式设置于离开数值控制装置3的位置。
机械学习器2例如对显示装置30中的操作菜单显示进行学习,其包含:状态观测部21、学习部22以及意图决定部25。状态观测部21对操作菜单的操作历史记录,例如操作菜单的访问次数以及操作菜单的转化信息这样的状态量(状态变量)进行观测。此外,状态观测部21能够将以下信息中的至少一个作为状态量来进行观测:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置以及机床的警报信息、表示是否是程序编辑中的信息。
这里,状态观测部21例如能够从数值控制装置3收到操作菜单的访问次数、操作菜单的转化信息、当前选择的操作菜单的信息、表示机床1是否是加工运转中的信息、数值控制装置3的警报信息、以及表示是否是程序的编辑中的信息等信息。并且,状态观测部21例如能够从机床1收到表示机床1是否是加工运转中的信息和机床的警报信息等信息。
学习部22根据由状态观测部21观测到的状态量来学习操作菜单显示,其包含回报计算部23以及价值函数更新部24。回报计算部23根据状态观测部21的输出来计算回报,价值函数更新部24根据状态观测部21以及回报计算部23的输出对应于回报来更新价值函数,该价值函数决定显示装置30要显示的操作菜单的位置以及顺序的价值。这里,回报计算部23例如在从配置于易于访问的操作菜单的位置以及顺序的菜单进行操作时给予正回报,在从配置于难以访问的操作菜单的位置以及顺序的菜单进行操作时给予负回报。这些在后面参照图5来进行说明。
图2是表示本发明涉及的数值控制装置的第一实施方式的框图,表示图1所示的机械学习器2内置于数值控制装置3的示例。此外,图2还展示了多个机械学习器2(21、22、…、2n)经由通信介质相互共享或者交换数据的情况。
如图2所示,数值控制装置3包含显示上述的操作菜单的显示装置30、检测部31、通信部32以及机械学习器2(21)。检测部31根据操作员6进行的规定操作,例如根据操作员6进行的规定代码输入,或者根据操作员6举起的IC卡的读取等来检测操作员6。通信部32根据检测部31的输出,例如与设置于数值控制装置3外部的数据库5进行通信。
这里,在数据库5中登记有操作员6的信息,例如,预先登记有操作员6的身份或权限级别。即,在针对机械学习器2的来自通信部32的输出数据D1中包含有对应于检测部31检测出的操作员6的操作员6的信息、例如操作员6是机床制造商的开发人员或负责人员、或者作业员(用户)、或者服务工程师这样的身份以及权限级别的信息。
这里,作为检测部31并不限定于操作员6操作的键盘以及IC卡的读取器,只要能够检测操作员6,还可以使用已知的各种输入设备或传感器等。另外,在本实施例中,例如优选的是根据检测出的操作员6的身份或权限级别这样的操作员6的信息,来改变操作菜单。即,优选的是机械学习器2根据操作员的身份或权限级别来学习该操作员的身份或权限级别的最佳操作菜单,而显示于显示装置30。
此外,如图2所示,多个机械学习器2(21~2n)也可以构成为经由通信介质相互共享或者交换数据。例如,在具有多个分别被数值控制装置3控制的机床1的机床工场中,即,在具有多个机床系统(1、2)的制造系统中,各个机床系统的机械学习器2(21~2n)能够经由通信介质相互共享或者交换数据。另外,机械学习器2(21~2n)例如还能够不设置于各个数值控制装置3中,而设置于云服务器上。
如参照图1说明那样,机械学习器2(状态观测部21)例如作为显示装置30的输出数据D2,收到操作菜单的操作历史记录(状态量:例如操作菜单的访问次数以及操作菜单的转化信息等)进行机械学习(例如,强化学习),对用于控制显示于显示装置30的操作菜单的变更数据D3(操作量:例如菜单显示的顺序以及菜单显示的位置等)进行控制。另外,图2是简单的示例,当然可以进行各种变形以及变更。
根据本实施方式,例如,在操作员首次操作机械(机床系统)时,如果对与操作员接近的身份或者权限级别的人的操作历史记录进行学习,则能够进行从最初到某种程度适当的菜单显示。此外,每当增加进行操作的人的身份或者权限级别时,即使不制作专用的表格也能够进行接下来适当的菜单显示。
而机械学习器2具有如下功能:通过解析从输入到装置的数据集合中提取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,并且进行知识学习(机械学习)。机械学习的方法是多种多样的,但是大致例如分类为“有教师学习”、“无教师学习”、以及“强化学习”。并且,在实现这些方法的基础上,存在对特征量本身的提取进行学习的、称为“深度学习(Deep Learning)”的方法。
另外,图1所示的机械学习器2应用了“强化学习(Q学习)”,此外,参照图9而在后面进行描述的机械学习器4应用了“有教师学习”。这些机械学习(机械学习器2、4)能够使用广泛使用的计算机或者处理器,但是例如在应用GPGPU(General-Purpose computing onGraphics Processing Units,通用计算图形处理器)或大规模PC群等时,实现更高速处理。
首先,所谓有教师学习是通过将教师数据,即某种输入与结果(标签)的数据组大量地给予到机械学习器,学习这些数据集中的特征,能够归纳性地获得从输入推定出结果的模型(误差模型),即其相关性。例如,能够使用后述的神经网络等算法来实现。
此外,所谓无教师学习是如下技术:通过只将输入数据大量地给予到机械学习器,学习输入数据进行怎样的分布,即使不给予对应的教师输出数据,也能学习针对输入数据进行压缩、分类、整形等,通过这样的装置进行学习。例如,能够将处于这些数据集之中的特征聚类于相似者中等。使用其结果来进行设定某个基准而使其为最佳化这样的输出分配,由此,能够实现预测输出。
另外,作为无教师学习和有教师学习中间的问题设定而被称为半有教师学习,其例如对应于如下情况:仅存在一部分输入和输出的数据组,除此之外仅有输入数据。在本实施方式中,在无教师学习中能够利用即使实际上不使机床系统(机床1以及数值控制装置3)动作也能够获得的数据(图像数据和模拟数据等)来高效地进行学习。
接下来,对强化学习进行说明。首先,以如下方式来考虑设定强化学习的问题。
·机床系统(即,机床以及数值控制装置:在以下的记载中,为了使说明简略化而称为数值控制装置)观测环境的状态,决定行为。
·环境按照某种规则进行变化,并且自身行为有时也对环境给予变化。
·每次进行行为时反馈回来回报信号。
·想要最大化的是到将来的(折扣)回报的总和。
·从完全不知道行为引起的结果或者从只是不完全知道的状态起,开始学习。即,以数值控制装置实际动作开始,能够将其结果获得为数据。也就是说,需要一边试错一边探索最佳的行为。
·可以将模仿人类动作这样事前学习(上述的称为有教师学习、逆强化学习这样的技术)了的状态设为初始状态,来从较好的开始点起开始学习。
这里,所谓强化学习是用于如下学习的方法:不单进行判定和分类,还通过学习行为而在行为给予环境的相互作用基础上学习适当的行为,即,使将来获得的回报最大化。以下,作为示例,以Q学习的情况继续说明,但是并非局限于Q学习。
Q学习是在某种环境状态s下学习选择行为a的价值Q(s、a)的方法。也就是说,在某种状态s时,将价值Q(s、a)最高的行为a选择为最佳行为。但是,最开始对于状态s与行为a的组合来说,完全不知道价值Q(s、a)的正确值。因此,智能体(行为主体)在某种状态s下选择各种各样的行为a,并针对当时的行为a给予回报。由此,智能体继续学习更好的行为选择,即学习正确的价值Q(s、a)。
并且,行为的结果是想要使到将来获得的回报的总和最大化,所以目标是最终成为Q(s、a)=E[Σ(γt)rt]。这里,按最佳行为改变状态时得到期望值,由于不知道期望值,因此不得不一边探索一边学习。这样的价值Q(s、a)的更新式例如可以通过如下数学式(1)来表示。
在上述的数学式(1)中,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。此外,带有max的项是:在状态st+1下,将γ乘以选择出当时知道的Q值最高的行为a时的Q值。这里,γ是0<γ≤1的参数,被称为折扣率。α是学习系数,设α的范围为0<α≤1。
上述的数学式(1)表示如下方法:根据试行at的结果而反馈回来的回报rt+1,更新状态st下的行为at的评价值Q(st、at)。即,表示了:若回报rt+1+行为a导致的下一状态下的最佳行为max a的评价值Q(st+1、max at+1)比状态s下的行为a的评价值Q(st、at)大,则增大Q(st、at),反之如果小,则减小Q(st、at)。也就是说,使某种状态下的某种行为价值,接近在作为结果即时反馈回来的回报和该行为导致的下一状态下的最佳的行为价值。
这里,Q(s、a)在计算机上的表现方法有以下方法:针对所有的状态行为对(s、a)将其值保存为表格的方法、以及准备近似Q(s、a)这样的函数的方法。在后者的方法中,可以通过随机梯度下降法(Stochastic gradient descent method)等方法来调整近似函数的参数来实现上述的数学式(1)。另外,作为近似函数,可以使用后述的神经网络。
此外,作为强化学习中的价值函数的近似算法,可以使用神经网络。图3是示意性地表示神经元模型的图,图4是示意性地表示将图3所示的神经元组合而构成的三层神经网络的图。即,例如由模拟了图3所示那样的神经元模型的运算装置以及存储器等来构成神经网络。
如图3所示,神经元输出针对多个输入x(在图3中,作为一个示例,输入x1~x3)的输出(结果)y。对各输入x(x1、x2、x3)乘以与该输入x对应的权值w(w1、w2、w3)。由此,神经元输出由如下数学式(2)表现的结果y。另外,输入x、结果y以及权值w都是向量。此外,在下述的数学式(2)中,θ是偏置(bias),fk是激活函数(activation function)。
参照图4,对组合了图3所示的神经元而构成的三层神经网络进行说明。如图4所示,从神经元网络的左侧输入多个输入x(这里作为一例是输入x1~输入x3),从右侧输出结果y(这里作为一例,结果y1~结果y3)。具体来说,输入x1、x2、x3乘以对应的权值而被输入到三个神经元N11~N13的每一个。与这些输入相乘的权值统一标记为W1。
神经元N11~N13分别输出z11~z13。在图4中,这些z11~z13可以被统一标记为特征向量Z1,看作是提取出输入向量的特征量而得的向量。该特征向量Z1是权值W1与权值W2间的特征向量。z11~z13乘以对应的权值而被输入到两个神经元N21以及N22的每一个。与这些特征向量相乘的权值被统一标记为W2。
神经元N21、N22分别输出z21、z22。在图4中,这些z21、z22被统一标记为特征向量Z2。该特征向量Z2是权值W2与权值W3之间的特征向量。z21、z22乘以对应的权值而被输入到三个神经元N31~N33的每一个。与这些特征向量相乘的权值被统一标记为W3。
最后,神经元N31~N33分别输出结果y1~结果y3。在神经网络的动作中有学习模式和价值预测模式。例如,在学习模式中使用学习数据集来学习权值W,在预测模式中使用其参数进行数值控制装置的行为判断。另外,为了方便而写为预测,但是也可以是检测、分类、推论等多种多样的任务。
这里,可以是在预测模式下对实际运行数值控制装置而获得的数据进行即时学习,并反映到下一行为中(在线学习),也可以是使用预先收集好的数据组来进行汇总学习,以后一直用该参数进行检测模式(批量学习)。或者,每当积攒了其中间的某种程度数据时,就可以插入学习模式。
此外,可以通过误差反传播法(back propagation)来学习权值W1~W3。另外,误差信息从右侧进入流向左侧。误差反传播法是如下技术:针对各神经元调整(学习)各自的权值使得降低输入了输入x时的输出y与真的输出y(教师)之间的差分。这样的神经网络还可以在三层以上进一步增加层(称为深层学习)。此外,可以阶段性地进行输入的特征提取,仅从教师数据自动地获得用于反馈结果的运算装置。
因此,如上所述,本实施例的机械学习器2例如为了实施Q学习,而具有状态观测部21、学习部22以及意图决定部25。但是,应用于本发明的机械学习方法并不局限于Q学习。此外,机械学习(机械学习器2)例如如上所述,能够通过应用GPGPU和大规模PC群来实现。
图5是表示图1所示的机械学习器的动作的一例的流程图。如图5所示,若机械学习开始(学习开始),则在步骤ST1中,取得操作员的身份或者权限级别,向步骤ST2前进。在步骤ST2中取得操作历史记录,向步骤ST3前进。这里,在操作历史记录中例如包含菜单的访问次数以及转化信息。
在步骤ST3中,进行菜单显示,在步骤ST4中,操作员选择菜单,在步骤ST5中,判定是否从易于操作的位置的菜单进行了操作。若判定为从难以操作的位置的菜单进行了操作,则向步骤ST8前进来设定负回报,若判定为从易于操作的位置的菜单进行了操作,则向步骤ST6前进设定正回报。
这样,通过步骤ST6以及ST8设定的回报通过步骤ST7中的回报计算而被汇总,然后,向步骤ST9前进,根据步骤ST7计算出的回报来更新行为价值表。
即,价值函数更新部24更新价值函数(行为价值表)。然后,例如意图决定部25根据价值函数更新部24更新而得的价值函数,决定显示于显示装置30的操作菜单的位置以及顺序。另外,若步骤ST9的处理结束,则返回到步骤ST1重复同样的处理。这样,根据本实施方式,能够显示适合于各操作员的操作菜单。
图6A~图8B是用于对图5所示的机械学习器学习而得的操作菜单显示进行说明的图。这里,图6A以及图6B是根据操作菜单的访问次数(状态量),对更新(学习)操作菜单的方式进行说明的图,图7A~图8B是根据操作菜单的转化信息(状态量),对学习操作菜单的方式进行说明的图。此外,为了使说明简略化,在各图(显示操作菜单的显示装置30的显示画面300)中,例如作为操作菜单,将易于操作的位置设为上侧以及左侧,将难以操作的位置设为下侧以及右侧。
图6A表示初始状态的操作菜单(主画面),图6B表示某个操作员(例如,机床制造商(MTB)的负责人员)访问的示例。另外,参考符号P1~P6表示在显示装置30的显示画面300上显示的操作菜单的各图标的位置。如图6A所示,在初始状态的操作菜单中,在显示画面300的位置P1显示“浏览器”图标,在位置P2显示“备忘录”图标,然后,在位置P3显示“指南”图标。此外,在显示画面300的位置P4显示“NC操作”图标,在位置P5显示“保养”图标,然后,在位置P6显示“设定”图标。
这里,“浏览器”图标在参照互联网时使用,“备忘录”图标在显示备忘录画面时使用,然后,“指南”图标在参照指南时使用。这些“浏览器”、“备忘录”以及“指南”图标在行方向排列而构成“目录A”。此外,“NC操作”图标在进行加工程序的制作以及加工状况的确认等时使用,“保养”图标在进行机械的警报信息的确认等时使用,然后,“设定”图标在进行参数的设定等时使用。这些“NC操作”、“保养”以及“设定”图标在行方向排列而构成“目录B”。
如图6B所示,例如,在MTB的负责人员作为操作员6访问操作菜单(显示画面300)时,各图标的操作次数是“浏览器”图标2次、“备忘录”图标1次、“指南”图标3次、“NC操作”图标5次、“保养”图标1次,然后“设定”图标10次,在该情况下,构成“目录A”的图标的合计操作次数为6次,构成“目录B”的图标的合计操作次数为16次,因此,将“目录B”变更为比“目录A”更容易操作的上侧的行。
并且,在各“目录A”以及“目录B”中,按图标的操作次数从多到少的顺序,从容易操作的左侧开始排列。即,在位置P1显示“设定”图标,在位置P2显示“NC操作”图标,然后,在位置P3显示“保养”图标。此外,在位置P4显示“指南”图标,在位置P5显示“浏览器”图标,在位置P6显示“备忘录”图标。
图7A以及图7B例如示出了在MTB的负责人员为操作员6,对图6中的“设定”图标进行了操作(例如,触摸操作)之后,显示于显示画面300的操作菜单的示例,能够通过“下一页”以及“上一页”图标来选择<第一页>以及<第二页>两个显示画面(操作菜单)。另外,参考符号P11~P15以及P21~P25表示在显示装置30的显示画面300上显示的<第一页>以及<第二页>的操作菜单的各图标的位置。这里,<第一页>的显示画面中的“下一页”图标固定于位置P15,<第二页>的显示画面中的“上一页”固定于位置P25。
然后,MTB的负责人员为操作员6,根据过去操作图标『A』~『H』的操作次数,进行基于机械学习器2的机械学习,例如,进行图8A以及图8B所示那样的操作菜单显示。例如,各图标『A』~『H』的操作次数是,『A』图标10次、『B』图标8次、『C』图标7次、『D』图标5次、『E』图标6次、『F』图标9次、『G』图标4次,然后『H』图标3次,在该情况下,如图8A所示,从容易操作的<第一页>的左侧向右侧,按照操作次数从多到少的顺序,在位置P11排列『A』,在位置P12排列『F』,在位置P13排列『B』,在位置P14排列『C』,在位置P15排列『下一页』图标,并且,如图8B所示,从<第二页>的左侧向右侧,按操作次数从多到少的顺序,在位置P21排列『E』,在位置P22排列『D』,在位置P23排列『G』,在位置P24排列『H』,然后在P25排列<上一页>图标。
在以上的说明中,对操作历史记录(操作菜单的访问次数以及转化信息)和操作菜单简略化地进行了说明,但是输入到机械学习器2的状态量(操作历史记录等)、从机械学习器2输出的操作量(学习得到的操作菜单等)、和操作员6的身份以及权限级别等可以进行各种变形以及变更。
图9是概略性地表示本发明涉及的机床系统的其他实施方式的框图,表示应用了有教师学习。从图9与上述图1的比较可知,应用了图9所示的有教师学习的机床系统是在应用了图1所示的Q学习(强化学习)的机床系统中提供教师数据(带结果(标签)数据)。
如图9所示,应用了有教师学习的机床系统中的机械学习器4具有:状态观测部41、学习部42、意图决定部45。学习部42包含误差计算部43、学习模型更新部(误差模型更新部)44。另外,在本实施方式的机床系统中,也是机械学习器4根据操作菜单的操作历史记录来学习操作菜单显示。
即,状态观测部41与图1中的状态观测部21同样地,对操作菜单的操作历史记录例如操作菜单的访问次数以及操作菜单的转化信息这样的状态量进行观测。此外,状态观测部41能够将以下信息中的至少一个作为状态量来进行观测:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置和机床的警报信息、以及表示是否是程序的编辑中的信息。
如图9所示,学习部42包含误差计算部43以及学习模型更新部44,误差计算部43以及学习模型更新部44分别相当于应用了图1所示的Q学习的机床系统中的回报计算部23以及价值函数更新部24。其中,关于向本实施方式中的误差计算部43从外部输入教师数据、通过学习模型更新部44来更新学习模型以减小该教师数据与学习模型(误差模式)之间的差异的结构等方面,与参照图1所说明的内容不同。
即,误差计算部43收到状态观测部41的输出以及教师数据,对带结果(标签)数据与安装于学习部42的学习模型之间的误差进行计算。这里,作为教师数据例如可以是在通过同一机床系统进行相同作业时,保存在实际进行作业的规定日的前一日之前所获得的带标签数据,在该规定日作为教师数据提供给误差计算部43。
或者,还可以是通过存储卡或通信线路将通过在机床系统(数值控制装置或机床等)的外部进行的模拟等而获得的数据、或者其他机床系统的带标签数据作为教师数据提供给该机床系统的误差计算部43。并且,还可以是将教师数据(带标签数据)保持于例如内置于学习部42的闪存(Flash Memory)等非易失性存储器中,直接通过学习部42来使用保持于该非易失性存储器内的带标签数据。
以上,在考虑了具有多个机床系统的制造系统的情况下,例如机械学习器2(4)分别设置于每一个机床系统,设置于多个机床系统的多个机械学习器2(4)能够经由通信介质相互共享或者交换数据。此外,机械学习器2(4)还能够存在于云服务器上。
以上,作为本发明涉及的机械学习器不仅是“强化学习”,还可以应用“有教师学习”、或者“无教师学习”和“半有教师学习”等各种机械学习方法。
根据本发明涉及的机械学习器、数值控制装置、机床系统、制造系统以及机械学习方法,获得能够显示适合于各操作员的操作菜单这样的效果。
以上,对实施方式进行了说明,但是这里所记载的全部示例和条件是以帮助应用于发明以及技术的发明概念的理解为目的而记载的,特别是所记载的示例和条件并不用于限制发明范围。此外,说明书中的记载也并非是表示发明的优点以及缺点。对发明的实施方式进行了详细记载,但是应当理解在不脱离发明的精神以及范围的情况下可以进行各种变更、置换、变形。
Claims (11)
1.一种机械学习器,其对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其特征在于,
所述机械学习器具有:
状态观测部,其对所述操作菜单的操作历史记录进行观测;以及
学习部,其根据由所述状态观测部观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示,
所述学习部具有:
回报计算部,其根据所述状态观测部的输出来计算回报;以及
价值函数更新部,其根据所述状态观测部以及所述回报计算部的输出,对应于所述回报来更新价值函数,该价值函数决定显示装置所显示的操作菜单的位置以及顺序的价值,
其中,所述操作员的信息包含该操作员的身份或者权限级别的信息,基于所述操作员的信息的操作菜单根据所述操作员的身份或者权限级别的信息而变化;
所述操作员的身份或者权限级别的信息包含所述操作员是机床制造商的开发人员或负责人员、或者用户、或者服务工程师的信息;并且
所述机械学习器根据所述操作员的身份或权限级别、作为状态量的操作菜单的访问次数以及作为状态量的操作菜单的转化信息进行机械学习,从而确定适合所述操作员的最佳操作菜单,并将所述最佳操作菜单进行显示,
其中,所述操作菜单的转化信息包括如下内容中的一个或多个:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置和机床的警报信息、以及表示是否是程序的编辑中的信息。
2.根据权利要求1所述的机械学习器,其特征在于,
在从配置于易于访问的所述操作菜单的位置以及顺序的菜单进行操作时,所述回报计算部给予正回报,
在从配置于难以访问的所述操作菜单的位置以及顺序的菜单进行操作时,所述回报计算部给予负回报。
3.一种机械学习器,其对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其特征在于,
所述机械学习器具有:
状态观测部,其对所述操作菜单的操作历史记录进行观测;以及
学习部,其根据由所述状态观测部观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示,
所述学习部具有:
误差计算部,其根据所述状态观测部的输出、以及输入的教师数据,来计算误差;以及
学习模型更新部,其根据所述状态观测部以及所述误差计算部的输出来更新学习模型,该学习模型决定显示于显示装置的操作菜单的位置以及顺序的误差,
其中,所述操作员的信息包含该操作员的身份或者权限级别的信息,基于所述操作员的信息的操作菜单根据所述操作员的身份或者权限级别的信息而变化;
所述操作员的身份或者权限级别的信息包含所述操作员是机床制造商的开发人员或负责人员、或者用户、或者服务工程师的信息;并且
所述机械学习器根据所述操作员的身份或权限级别、作为状态量的操作菜单的访问次数以及作为状态量的操作菜单的转化信息进行机械学习,从而确定适合所述操作员的最佳操作菜单,并将所述最佳操作菜单进行显示,
其中,所述操作菜单的转化信息包括如下内容中的一个或多个:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置和机床的警报信息、以及表示是否是程序的编辑中的信息。
4.根据权利要求1至3中任一项所述的机械学习器,其特征在于,
所述机械学习器还具有:意图决定部,其参照所述学习部学习而得的操作菜单的显示,来决定显示于显示装置的操作菜单的位置以及顺序。
5.根据权利要求1至3中任一项所述的机械学习器,其特征在于,
所述机械学习器具有神经网络。
6.一种数值控制装置,其特征在于,该数值控制装置具有:
检测部,其对操作员进行检测;
通信部,其与登记有所述操作员的信息的数据库进行通信;
权利要求1至5中任一项所述的机械学习器;以及
显示装置,其对由所述机械学习器学习而得的操作菜单进行显示。
7.一种机床系统,其特征在于,该机床系统具有:
数值控制装置、由所述数值控制装置控制的机床、以及权利要求1至5中任一项所述的机械学习器。
8.一种制造系统,其具有多个权利要求7所述的机床系统,其特征在于,
所述机械学习器设置于各个的所述机床系统中,
设置于多个所述机床系统的多个所述机械学习器经由通信介质相互共享或者交换数据。
9.根据权利要求8所述的制造系统,其特征在于,
所述机械学习器存在于云服务器上。
10.一种机械学习方法,用于对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其特征在于,
对所述操作菜单的操作历史记录进行观测,
根据所观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示,
所述学习所述操作菜单的显示包括:
根据所观测到的所述操作菜单的操作历史记录来计算回报;以及
根据所观测到的所述操作菜单的操作历史记录以及所计算出的所述回报来更新价值函数,该价值函数决定显示装置所显示的操作菜单的位置以及顺序的价值,
其中,所述操作员的信息包含该操作员的身份或者权限级别的信息,基于所述操作员的信息的操作菜单根据所述操作员的身份或者权限级别的信息而变化;
所述操作员的身份或者权限级别的信息包含所述操作员是机床制造商的开发人员或负责人员、或者用户、或者服务工程师的信息;并且
所述机械学习方法根据所述操作员的身份或权限级别、作为状态量的操作菜单的访问次数以及作为状态量的操作菜单的转化信息进行机械学习,从而确定适合所述操作员的最佳操作菜单,并将所述最佳操作菜单进行显示,
其中,所述操作菜单的转化信息包括如下内容中的一个或多个:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置和机床的警报信息、以及表示是否是程序的编辑中的信息。
11.一种机械学习方法,用于对操作员进行检测,并与登记有操作员的信息的数据库进行通信,来对基于所述操作员的信息的操作菜单的显示进行学习,其特征在于,
对所述操作菜单的操作历史记录进行观测,
根据所观测到的所述操作菜单的操作历史记录,来学习所述操作菜单的显示,
所述学习所述操作菜单的显示包括:
根据所观测到的所述操作菜单的操作历史记录、以及输入的教师数据,来计算误差;以及
根据所观测到的所述操作菜单的操作历史记录以及所计算出的所述误差来更新学习模型,该学习模型决定显示于显示装置的、基于所观测到的所述操作菜单的操作历史记录的操作菜单的位置及顺序和基于所输入的教师数据的操作菜单的位置及顺序的误差,
其中,所述操作员的信息包含该操作员的身份或者权限级别的信息,基于所述操作员的信息的操作菜单根据所述操作员的身份或者权限级别的信息而变化;
所述操作员的身份或者权限级别的信息包含所述操作员是机床制造商的开发人员或负责人员、或者用户、或者服务工程师的信息;并且
所述机械学习方法根据所述操作员的身份或权限级别、作为状态量的操作菜单的访问次数以及作为状态量的操作菜单的转化信息进行学习,从而确定适合所述操作员的最佳操作菜单,并将所述最佳操作菜单进行显示,
其中,所述操作菜单的转化信息包括如下内容中的一个或多个:当前选择的操作菜单的信息、表示机床是否是加工运转中的信息、数值控制装置和机床的警报信息、以及表示是否是程序的编辑中的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-020684 | 2016-02-05 | ||
JP2016020684A JP2017138881A (ja) | 2016-02-05 | 2016-02-05 | 操作メニューの表示を学習する機械学習器,数値制御装置,工作機械システム,製造システムおよび機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107045293A CN107045293A (zh) | 2017-08-15 |
CN107045293B true CN107045293B (zh) | 2021-10-19 |
Family
ID=59382591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710031351.2A Active CN107045293B (zh) | 2016-02-05 | 2017-01-17 | 机械学习器及方法、数值控制装置、机床系统、制造系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10949740B2 (zh) |
JP (1) | JP2017138881A (zh) |
CN (1) | CN107045293B (zh) |
DE (1) | DE102017000770A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521725A (zh) * | 2016-11-04 | 2024-02-06 | 渊慧科技有限公司 | 加强学习系统 |
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 |
CN107942929B (zh) * | 2017-12-13 | 2020-08-28 | 深圳普菲特信息科技股份有限公司 | 基于神经网络计算技术的数控车床的控制方法 |
WO2019155564A1 (ja) * | 2018-02-08 | 2019-08-15 | 株式会社日立製作所 | 情報提供システムおよび情報提供方法 |
US11934639B2 (en) | 2018-03-27 | 2024-03-19 | Nippon Telegraph And Telephone Corporation | Adaptive interface providing apparatus, adaptive interface providing method, and program |
EP3561615B1 (en) * | 2018-04-23 | 2021-07-14 | Omron Corporation | Method for operating an automation system and automation system |
KR102396255B1 (ko) * | 2018-05-03 | 2022-05-10 | 손영욱 | 클라우드 기반 인공지능 음성인식을 이용한 맞춤형 스마트팩토리 생산관리 통합 서비스 제공 방법 |
JP7090243B2 (ja) | 2018-05-08 | 2022-06-24 | 千代田化工建設株式会社 | プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 |
CN112384867B (zh) * | 2018-07-11 | 2021-10-29 | 三菱电机株式会社 | 机器学习装置、数控加工程序生成装置及机器学习方法 |
JP6923499B2 (ja) * | 2018-11-05 | 2021-08-18 | ファナック株式会社 | 情報処理装置 |
CN111538235A (zh) | 2019-02-07 | 2020-08-14 | 松下知识产权经营株式会社 | 学习装置以及切断加工评价系统 |
JP6904994B2 (ja) * | 2019-02-26 | 2021-07-21 | ファナック株式会社 | 画面作成装置及び画面作成システム |
JP6962964B2 (ja) | 2019-04-15 | 2021-11-05 | ファナック株式会社 | 機械学習装置、画面予測装置、及び制御装置 |
JP7364431B2 (ja) | 2019-11-06 | 2023-10-18 | ファナック株式会社 | 機械学習装置、予測装置、及び制御装置 |
JP7321408B1 (ja) * | 2022-12-28 | 2023-08-04 | 三菱電機株式会社 | 数値制御装置、学習装置、推論装置および数値制御装置の操作画面表示方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004249840A (ja) * | 2003-02-20 | 2004-09-09 | Nissan Motor Co Ltd | 車両用表示制御装置 |
JP2009070071A (ja) * | 2007-09-12 | 2009-04-02 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001356805A (ja) * | 2000-06-12 | 2001-12-26 | Ricoh Co Ltd | 操作装置 |
JP2004355392A (ja) * | 2003-05-29 | 2004-12-16 | Fuji Electric Holdings Co Ltd | 画面自律最適化装置、最適化方法、記録媒体、プログラム |
JP2006035388A (ja) | 2004-07-28 | 2006-02-09 | Riyuukoku Univ | 学習装置およびそれを備えた動作物体、学習方法、学習プログラムおよびそれを記録したコンピュータ読取り可能な記録媒体 |
JP4836911B2 (ja) * | 2007-09-28 | 2011-12-14 | ファナック株式会社 | オペレータのレベルに応じた操作を可能とする数値制御装置 |
JP2009129366A (ja) | 2007-11-27 | 2009-06-11 | Fuji Heavy Ind Ltd | 車両の感性推定システム |
JP2009181501A (ja) * | 2008-01-31 | 2009-08-13 | Toshiba Corp | 移動通信機器 |
JP4627553B2 (ja) * | 2008-03-28 | 2011-02-09 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
JP2009271771A (ja) | 2008-05-08 | 2009-11-19 | Yamato Scale Co Ltd | 運転操作装置 |
JP2010127814A (ja) * | 2008-11-28 | 2010-06-10 | Xanavi Informatics Corp | ナビゲーション装置、および、そのメニュー表示方法 |
JP5413286B2 (ja) | 2010-04-12 | 2014-02-12 | 三菱電機株式会社 | Nc工作機械 |
JP2012004181A (ja) | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
JP5713589B2 (ja) * | 2010-06-30 | 2015-05-07 | 東洋機械金属株式会社 | 成形機 |
TW201327074A (zh) * | 2011-12-28 | 2013-07-01 | Foxnum Technology Co Ltd | 數控機床工具機及其控制方法 |
JP5810116B2 (ja) | 2013-03-14 | 2015-11-11 | 古河電気工業株式会社 | 二次電池状態検出装置および二次電池状態検出方法 |
EP3132434B1 (en) * | 2014-04-18 | 2021-08-11 | Gentex Corporation | Trainable transceiver and cloud computing system architecture systems and methods |
US9128995B1 (en) * | 2014-10-09 | 2015-09-08 | Splunk, Inc. | Defining a graphical visualization along a time-based graph lane using key performance indicators derived from machine data |
-
2016
- 2016-02-05 JP JP2016020684A patent/JP2017138881A/ja active Pending
-
2017
- 2017-01-17 CN CN201710031351.2A patent/CN107045293B/zh active Active
- 2017-01-27 DE DE102017000770.5A patent/DE102017000770A1/de active Pending
- 2017-01-31 US US15/420,265 patent/US10949740B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004249840A (ja) * | 2003-02-20 | 2004-09-09 | Nissan Motor Co Ltd | 車両用表示制御装置 |
JP2009070071A (ja) * | 2007-09-12 | 2009-04-02 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
Also Published As
Publication number | Publication date |
---|---|
DE102017000770A1 (de) | 2017-08-10 |
US10949740B2 (en) | 2021-03-16 |
US20170228644A1 (en) | 2017-08-10 |
JP2017138881A (ja) | 2017-08-10 |
CN107045293A (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045293B (zh) | 机械学习器及方法、数值控制装置、机床系统、制造系统 | |
CN107024917B (zh) | 发现制造机械的异常的原因的单元控制装置 | |
JP6059375B1 (ja) | 生産制御システムおよび統合生産制御システム | |
US11701772B2 (en) | Operation prediction system and operation prediction method | |
CN108345273B (zh) | 数值控制装置及机器学习装置 | |
CN106552974B (zh) | 具有移动轴异常负载警告功能的线放电加工机 | |
CN106560997B (zh) | 机械学习装置以及电动机控制装置 | |
DE102017011350A1 (de) | Maschinenlernvorrichtung, lebensdauerprognosevorrichtung, numerische steuereinrichtung, produktionssystem und maschinenlernverfahren zum prognostizieren einer lebensdauer eines nand-flash-speichers | |
CN106557069A (zh) | 机械学习装置和方法以及具有该机械学习装置的机床 | |
EP3462268A1 (en) | Classification modeling for monitoring, diagnostics optimization and control | |
DE102016015017A1 (de) | Steuervorrichtung mit Lernfunktion zum Erfassen einer Rauschursache | |
CN110303492A (zh) | 控制装置、机器学习装置以及系统 | |
CN110347120A (zh) | 控制装置以及机器学习装置 | |
JP2017130094A (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
CN113518999A (zh) | 具有可解释性的基于语义的生产设施优化装置 | |
JP6203808B2 (ja) | ファンモータの清掃間隔を学習する機械学習器、モータ制御システムおよび機械学習方法 | |
Qing et al. | A survey on explainable reinforcement learning: Concepts, algorithms, challenges | |
JP6703020B2 (ja) | 制御装置及び機械学習装置 | |
CN108080751A (zh) | 数值控制装置 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
JP6898479B2 (ja) | 操作メニューの表示を学習する機械学習器,数値制御装置,工作機械システム,製造システムおよび機械学習方法 | |
CN112654943A (zh) | 制造系统设计辅助装置 | |
CN108375967A (zh) | 控制装置 | |
Creighton et al. | Optimising discrete event simulation models using a reinforcement learning agent | |
Kádár | Intelligent approaches to manage changes and disturbances in manufacturing systems |
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 |