CN108227633B - 数值控制装置以及机器学习装置 - Google Patents

数值控制装置以及机器学习装置 Download PDF

Info

Publication number
CN108227633B
CN108227633B CN201711328509.9A CN201711328509A CN108227633B CN 108227633 B CN108227633 B CN 108227633B CN 201711328509 A CN201711328509 A CN 201711328509A CN 108227633 B CN108227633 B CN 108227633B
Authority
CN
China
Prior art keywords
machine
abnormality
unit
database
machine learning
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
Application number
CN201711328509.9A
Other languages
English (en)
Other versions
CN108227633A (zh
Inventor
久保守
松川都志德
村田耕一
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 CN108227633A publication Critical patent/CN108227633A/zh
Application granted granted Critical
Publication of CN108227633B publication Critical patent/CN108227633B/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
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G05B2219/33009—ART adaptive resonance theory, place input patterns in clusters during learning
    • 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
    • G05B2219/33322—Failure driven learning
    • 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
    • G05B2219/34013—Servocontroller
    • 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
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding

Abstract

本发明提供一种数值控制装置以及机器学习装置，其通过捕捉数据的时间性变化的机器学习进行异常预测。数值控制装置具备机器学习装置，该机器学习装置具备：学习部，其基于数据记录装置取得的与机械的动作有关的时间序列数据以及与机械中产生的异常有关的异常信息，对机械中产生了异常时的机械的动作的倾向进行机器学习；预测部，其基于所述学习部的机器学习的结果，并基于所述数据记录装置取得的与机械的当前的动作有关的时间序列数据，预测机械中产生的异常。

Description

数值控制装置以及机器学习装置
技术领域
本发明涉及数值控制装置以及机器学习装置，尤其涉及基于机器学习进行异常预测的数值控制装置以及机器学习装置。
背景技术
图6是说明数据记录装置的图。数据记录装置是周期性收集数值控制装置内的各种数据(模式、电动机负载、冷却风扇旋转速度等)且存储到存储装置的装置。数据记录装置能够设定作为收集对象的数据的种类或周期等，并且能够以表或图形的形式显示收集到数据。通过使用数据记录装置，用户在数值控制装置产生警报等异常时对数据记录装置收集到的数据进行分析，由此能够确定异常的原因。如此，数据记录装置能够用于消除在数值控制装置等中产生异常的原因，因此有助于提高机床的运转率。
在对使用数据记录装置记录的数据进行解析从而检测异常的方法中，主要有计算最大值、最小值、平均值等统计值且将计算出的统计值与过去的数据相比较的方法、或目视(基于经验和直觉)检查离群值等的方法等。然而，若是一个简单的情况则熟练者能够人工调查数据，但是数据量大且因素复杂的异常难以通过人工进行调查。例如，在注射成型机中发生电动机速度的警报时，一般而言，首先怀疑与电动机速度直接相关的异常，但是如图7所示的用于在异常产生时推定异常产生原因的决定树所示，根据状况，也存在用于流入树脂的流路的堵塞成为原因的情况，即使熟练者也难以这样的原因。
因此，作为现有技术，开发出使用计算机等自动检测异常的技术。例如，在日本特开2011-145846号公报中公开了如下的技术：使用根据从传感器等取得的数据通过线性预测(回归分析)而求出的近似式的系数的时间序列行为来检测异常。另外，在国际公开第2010/082322号中公开如下技术：求出通过回归分析预测的正常时的数据与当前的数据的偏离度，通过对成为偏离度超过阈值的原因的数据项目进行排序来检测异常。
另外，在日本特开2016-062598号公报中公开了基于异常时和当前的数据的时间变化对图案进行分析，通过各图案中的数据相似性对异常进行预测的技术。并且，在日本特开2007-272545号公报中公开了如下技术：将前次的工件加工时的控制结果(坐标值)与根据本次的命令判断出的预测值(预测坐标值)进行比较，在不相同的情况下通知异常。
当前在使用机器学习来预测异常的方法中，将学习数据作为快照进行处理，未确立捕捉数据的时间性变化的方法。另外，在现有技术中以来自传感器的数据输入为主，也未确立对于数值控制装置中的模式切换、覆盖等手动操作以及指令的数据进行处理的异常检测方法。
发明内容
因此，本发明的目的在于提供一种通过捕捉了数据的时间性变化的机器学习进行异常预测的数值控制装置以及机器学习装置。
根据本发明导入到数值控制装置的机器学习装置在异常产生时对异常产生紧前的一定期间的收集数据进行回归分析来求出第1近似多项式，通过聚类将基于求出的第1近似多项式的系数而生成的特征向量进行分类，另一方面，对于当前的收集数据也进行回归分析并求出第2近似多项式，判定基于求出的第2近似多项式生成的特征向量属于哪个集群，并且对于在所属的集群内产生的异常进行评分来生成排序，按排序的顺序进行通知，由此解决上述课题。并且，本发明的控制机械的数值控制装置具备：数据记录装置，其取得与所述机械的动作有关的信息来作为时间序列数据；机器学习装置，其基于所述数据记录装置取得的时间序列数据，对于在所述机械中产生了异常时的所述机械的动作的倾向进行机器学习，所述机器学习装置具备：状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；异常观测部，其取得与所述机械中产生的异常有关的异常信息；学习部，其基于所述状态观测部取得的输入数据和所述异常观测部取得的异常信息，对产生了所述异常时的所述机械的动作的倾向进行机器学习；数据库，其存储所述学习部进行了机器学习的结果，所述学习部具备：分析部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，将生成的特征向量与所述异常信息关联起来存储到所述数据库；聚类部，其对所述分析部生成的特征向量进行聚类，将聚类的结果存储到所述数据库。
另外，本发明的对控制对象的机械中要产生的异常进行预测的数值控制装置具备：数据记录装置，其取得与所述机械的动作有关的信息来作为时间序列数据；机器学习装置，其基于所述数据记录装置取得的时间序列数据预测所述机械的异常产生；异常预测通知部，其通知所述机器学习装置对于所述机械的异常产生的预测结果，所述机器学习装置具备：数据库，其存储对产生了所述异常时的所述机械的动作的倾向进行了机器学习的结果，状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；预测部，其基于所述状态观测部取得的输入数据和所述数据库中存储的机器学习的结果，预测所述机械的异常产生，在所述数据库中，与表示在所述机械中产生了异常时的所述机械的动作的倾向的特征向量相关联地存储与所述异常有关的异常信息，并且存储了对所述特征向量进行了聚类的结果，所述预测部具备：相似集群判定部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，判定生成的特征向量与所述数据库中存储的哪个集群接近；异常排序决定部，其对属于如下集群的特征向量所关联的异常生成排序信息，并将生成的排序信息作为所述机械的异常产生的预测结果进行输出，所述集群是由所述相似集群判定部判定为接近所述特征向量的集群。
本发明的机器学习装置，其基于控制机械的数值控制装置所具备的数据记录装置取得的表示与所述机械的动作有关的信息的时间序列数据，对在所述机械中产生了异常时的所述机械的动作的倾向进行机器学习，所述机器学习装置具备：状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；异常观测部，其取得与所述机械中产生的异常有关的异常信息；学习部，其基于所述状态观测部取得的输入数据和所述异常观测部取得的异常信息，对产生了所述异常时的所述机械的动作的倾向进行机器学习；数据库，其存储所述学习部进行了机器学习的结果，所述学习部具备：分析部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，将生成的特征向量与所述异常信息关联起来存储到所述数据库；聚类部，其对所述分析部生成的特征向量进行聚类，将聚类的结果存储到所述数据库。
本发明的机器学习装置，其基于数据记录装置取得的表示与机械的动作有关的信息的时间序列数据，对通过具备所述数据记录装置的数值控制装置控制的所述机械中要产生的异常进行预测，所述机器学习装置具备：数据库，其存储对产生了所述异常时的所述机械的动作的倾向进行了机器学习的结果，状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；预测部，其基于所述状态观测部取得的输入数据和所述数据库中存储的机器学习的结果，预测所述机械的异常产生，在所述数据库中，与表示在所述机械中产生了异常时的所述机械的动作的倾向的特征向量相关联地存储与所述异常有关的异常信息，并且存储了对所述特征向量进行了聚类的结果，所述预测部具备：相似集群判定部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，判定生成的特征向量与所述数据库中存储的哪个集群接近；异常排序决定部，其对属于如下集群的特征向量所关联的异常生成排序信息，并将生成的排序信息作为所述机械的异常产生的预测结果进行输出，所述集群是由所述相似集群判定部判定为接近所述特征向量的集群。
根据本发明，通过对数据记录器的收集数据进行统计性的解析，即使是因素复杂的异常也能够自动且容易地预测，从而能够减少机床的停机时间。另外，通过将学习的时间只限定在异常产生时，从而能够将计算成本抑制得较低。并且，通过对有可能产生的异常进行排序并进行通知，从而能够快速确认重要的异常的迹象。
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他的目的以及特征会变得明确。在这些附图中：
图1是表示一般的数值控制装置的主要部分的硬件结构图。
图2是本发明的一实施方式的数值控制装置的概要功能框图。
图3A是对本发明的一实施方式的分析部所进行的处理进行说明的图(1)。
图3B是对本发明的一实施方式的分析部所进行的处理进行说明的图(2)。
图4是对本发明的一实施方式的聚类部所进行的处理进行说明的图。
图5说明本发明的一实施方式的相似集群判定部进行的处理。
图6对数据记录装置的动作进行说明。
图7是对现有技术的异常解析的问题进行说明的图。
具体实施方式
以下，一并说明本发明的实施方式和附图。
图1是表示一般的数值控制装置和由该数值控制装置驱动控制的机床的主要部分的硬件构成图。数值控制装置1所具备的CPU11是整体控制数值控制装置1的处理器。CPU11经由总线20读出ROM12中存储的系统程序，根据该系统程序来控制整个数值控制装置1。在RAM13中存储有临时的计算数据、显示数据以及操作者经由后述的显示器/MDI单元70输入的各种数据等。
非易失性存储器14例如通过未图示的电池进行备用供电等，构成为即使数值控制装置1的电源断开也能保持存储状态的存储器。在非易失性存储器14中存储有经由接口15读入的加工程序、经由后述的显示器/MDI单元70输入的加工程序。在非易失性存储器14中还存储有为了运行加工程序而使用的加工程序运行处理用程序等，这些程序在执行时在RAM13中展开。另外，在ROM12中预先写入了各种系统程序，其用于执行生成以及编辑加工程序所需要的编辑模式的处理等。
接口15是用于将数值控制装置1与适配器等外部设备72连接的接口。从外部设备72侧读入加工程序和各种参数等。另外，能够将数值控制装置1内编辑的加工程序经由外部设备72存储在外部存储单元。PMC(可编程序机器控制器)16通过内置在数值控制装置1中的顺序程序，经由I/O单元17向机床的周边装置(例如，工具更换用机械手的执行器)输出信号来对其进行控制。并且，接受在机床的主体配备的操作盘的各种开关等的信号，在进行所需要的信号处理后交给CPU11。
显示器/MDI单元70是具备显示屏和键盘等的手动数据输入装置，接口18接收来自显示器/MDI单元70的键盘的指令、数据并将其交给CPU11。接口19与具备手动脉冲发生器等的操作盘71相连接。
用于对机床所具备的轴进行控制的轴控制电路30接受来自CPU11的轴的移动指令量，并将轴的指令输出给伺服放大器40。伺服放大器40接受该指令，驱动使机床具备的轴移动的伺服电动机50。轴的伺服电动机50内置有位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈到轴控制电路30，从而进行位置速度的反馈控制。
另外，在图1的硬件构成图中虽然轴控制电路30、伺服放大器40、伺服电动机50每个仅表示了一个，但是实际上可以根据机床所具备的轴的数量来准备。
主轴控制电路60接受向机床的主轴旋转指令，向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，使机床的主轴电动机62以指令的旋转速度旋转，从而驱动工具。
将位置编码器63与主轴电动机62连结，位置编码器63与主轴的旋转同步地输出反馈脉冲，由CPU11读取该反馈脉冲。
图2是表示本发明的一实施方式的数值控制装置的概要功能构成图。
如图2所示，本实施方式的数值控制装置1具备：数据记录装置80、机器学习装置100、异常预测通知部200。
数据记录装置80能够经由数值控制装置1具备的PMC16取得从数值控制装置1或在机床的各部分设置的设备取得的数据(电动机的负载等)或来自传感器的信号，并作为时间序列数据进行记录。数据记录装置80可以使用一般公知的数据记录装置。
本实施方式的数值控制装置1所具有的机器学习装置100具备：状态观测部110、异常观测部120、学习部130、预测部140以及数据库160。
状态观测部110将数据记录装置80记录的时间序列数据作为输入数据定期进行收集。在数据记录装置80记录的时间序列数据中还含有数值控制装置1的动作模式、执行中的指令等。
异常观测部120对数值控制装置1检测到的异常(通常与警报等一起通知)进行观测来取得异常信息，该异常信息包含该异常的种类、该异常的开始时刻、解决异常的结束时刻等。
学习部130基于状态观测部110取得的输入数据和异常观测部120取得的异常信息进行机器学习，并将该学习结果存储到数据库160。在学习部130中，作为进行机器学习的功能单元具备分析部132和聚类部134。
图3A、图3B、图4对学习部130进行的机器学习的步骤进行说明。
学习部130将状态观测部110取得的预定周期的输入数据临时存储到机器学习装置100具备的未图示的第1存储缓冲器上。输入数据包含电动机压力和电动机位置、电动机速度等多个时间序列数据。并且，当异常观测部120取得表示产生异常的异常信息时，学习部130向分析部132进行指令，对于在第1存储缓冲器上存储的预定周期的输入数据中包含的多个时间序列数据中的各个时间序列数据，使用最小二乘法或神经网络等，求出近似地表示时间(t)与该数据的值之间的关系的非线性多项式(图3A(i)(ii))。另外，在成为对象的数据以位信号(Bit signal)等的方式表示0/1值时，无法用非线性多项式进行近似，取而代之可以使用伯努利分布(p(x＝1)＝μx(1-μ)1-x)等。接着，学习部130生成将分析部132求出的多个时间序列数据的近似多项式的系数相连结的特征向量(图3B(iii))，将生成的特征向量与异常信息(异常的种类和异常的开始时刻、结束时刻)关联起来存储到数据库160中(图3B(iv))。
当对数据库160存储了一定量的特征向量和异常信息的组时，学习部130对聚类部134进行指令，通过K平均法或混合高斯分布等对数据库160中存储的全部的特征向量进行聚类来进行分类，并将分类结果存储到数据库160。图4表示通过聚类部134对异常产生时的特征向量进行了聚类的例子(另外，在图4中，为了便于观察而将特征向量记载为二维，但是，实际上特征向量可以表示为更高维度的向量)。在图4所示的各集群中并非仅包含产生了一种异常时的特征向量，可包含产生多种异常时的特征向量，但是在各个集群中包含从数据记录装置80观测到的时间序列数据来看时相似的状况的特征向量，因此可能含有异常产生倾向相似的特征向量。
预测部140是基于状态观测部110取得的输入数据和学习部130在数据库160中存储的学习结果(特征向量进行聚类后的结果)对异常的产生进行预测的功能单元。在预测部140中，作为用于进行异常预测的功能单元，具备相似集群判定部142和异常排序决定部144。
预测部140将状态观测部110取得的预定周期的输入数据临时存储在机器学习装置100具备的未图示的第2存储缓冲器上。预测部140对于相似集群判定部142在每个预定的周期基于第2存储缓冲器上存储的预定周期的输入数据，与分析部132相同地生成特征向量。并且，相似集群判定部142将生成的当前的特征向量与数据库160中存储的聚类的结果进行比较，如图5所示，判定最接近当前特征向量的集群。在最接近当前的特征向量的集群的判定中，例如可以将各个集群的中心值与当前的特征向量的距离进行比较，选择中心值最接近当前特征向量的集群，此外可以使用别的统计的方法。在与全部的集群的距离为预定的阈值以上时，相似集群判定部142可以判定为不存在与当前的特征向量接近的集群。在此种判定的情况下，意味着当前不是产生异常的状况。
当判定出最接近当前的特征向量的集群时，预测部140对异常排序决定部144进行指令，使得生成最接近当前特征向量的集群内的异常排序。异常排序决定部144参照数据库160，基于与最接近当前特征向量的集群内的特征向量相关联的异常的种类和异常的开始时间、结束时间，使用以下的数1的式子等对各异常的种类进行评分。在数1的式子中，关于重要度，根据产生该异常时的紧急性等对于各异常的种类设定0～1的值即可，例如机械警报或伺服警报等重要的异常设定1，除此之外设定小于1的值等即可。另外，数1的式子是评分的一例，作为异常的评分，可以在认为是适当的范围内进行设计上的变更，例如对于异常产生的次数和产生时间的重要的方面进行加权来进行计算等。
【数1】
集群内的异常的种类的排序＝集群内的异常的种类的产生次数
×(异常的结束时间－异常的开始时间)×重要度
并且，当针对最接近当前的特征向量的集群内的异常的种类的评分完成时，异常排序决定部144按照评分从高到低的顺序对各异常的种类生产排序并将其输出。
异常预测通知部200控制数值控制装置1的显示器/MDI单元70等，向用户通知从异常排序决定部144输出的异常的种类的排序。异常预测通知部200可以通知异常的种类排序第1位的异常，也可以通知位于排序上位的预定数目的异常的种类。通过进行这样的通知，用户能够掌握从排序高的异常的种类产生的可能性较高，从而有助于之后用户在机械的运行作业或检查作业等中的判断。另外，异常预测通知部200可以从通知对象中去除产生异常的评分未达到预定的阈值的异常。
以上，对本发明的实施方式进行了说明，但是本发明并不仅限于上述的实施方式的例子，可通过适当的变更以各种方式实施。
例如，在上述的实施方式中表示了机器学习装置100具备学习部130和预测部140这两者的结构，但是在通过具备学习部130的机器学习装置100进行了充分的学习且对于数据库160积蓄了预定量以上的特征向量及其聚类的结果时，可以停止机器学习装置100中的学习部130的学习(删除相当于学习部130的部分)，使预测部140根据来自数据记录装置80的输入仅预测异常产生。
相反，也可以构成为在机器学习装置100不进行预测(删除相当于预测部140的部分)，构成机器学习装置100仅进行学习。可以使用如此构成的数值控制装置1来积累经验从而积蓄学习结果，并将积蓄的数据复制到作为产品出货的数值控制装置1中组装的机器学习装置的数据库160中。
另外，机器学习装置100或数据记录装置80并不需要必须内置在数值控制装置1中，可以通过在数值控制装置1的外部进行连接的状态构成。另外，机器学习装置100可以根据需要从数值控制装置1去除而与其他的数值控制装置连接等，从而单独运用。
以上，说明了本发明的实施方式，但是本发明并未限定于上述的实施方式的例子，通过适当的变更，能够以其他的方式实施。

Claims (4)

1.一种控制机械的数值控制装置，其特征在于，具备：
数据记录装置，其取得与所述机械的动作有关的信息来作为时间序列数据；
机器学习装置，其基于所述数据记录装置取得的时间序列数据，对于在所述机械中产生了异常时的所述机械的动作的倾向进行机器学习，
所述机器学习装置具备：
状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；
异常观测部，其取得与所述机械中产生的异常有关的异常信息；
学习部，其基于所述状态观测部取得的输入数据和所述异常观测部取得的异常信息，对产生了所述异常时的所述机械的动作的倾向进行机器学习；
数据库，其存储所述学习部进行了机器学习的结果，
所述学习部具备：
分析部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，将生成的特征向量与所述异常信息关联起来存储到所述数据库；
聚类部，其对所述分析部生成的特征向量进行聚类，将聚类的结果存储到所述数据库。
2.一种对控制对象的机械中要产生的异常进行预测的数值控制装置，其特征在于，具备：
数据记录装置，其取得与所述机械的动作有关的信息来作为时间序列数据；
机器学习装置，其基于所述数据记录装置取得的时间序列数据预测所述机械的异常产生；
异常预测通知部，其通知所述机器学习装置对于所述机械的异常产生的预测结果，
所述机器学习装置具备：
数据库，其存储对产生了所述异常时的所述机械的动作的倾向进行了机器学习的结果，
状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；
预测部，其基于所述状态观测部取得的输入数据和所述数据库中存储的机器学习的结果，预测所述机械的异常产生，
在所述数据库中，与表示在所述机械中产生了异常时的所述机械的动作的倾向的特征向量相关联地存储与所述异常有关的异常信息，并且存储了对所述特征向量进行了聚类的结果，
所述预测部具备：
相似集群判定部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，判定生成的特征向量与所述数据库中存储的哪个集群接近；
异常排序决定部，其对属于由所述相似集群判定部判定为接近所述特征向量的集群的特征向量所关联的异常生成排序信息，并将生成的排序信息作为所述机械的异常产生的预测结果进行输出。
3.一种机器学习装置，其基于控制机械的数值控制装置所具备的数据记录装置取得的表示与所述机械的动作有关的信息的时间序列数据，对在所述机械中产生了异常时的所述机械的动作的倾向进行机器学习，其特征在于，
所述机器学习装置具备：
状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；
异常观测部，其取得与所述机械中产生的异常有关的异常信息；
学习部，其基于所述状态观测部取得的输入数据和所述异常观测部取得的异常信息，对产生了所述异常时的所述机械的动作的倾向进行机器学习；
数据库，其存储所述学习部进行了机器学习的结果，
所述学习部具备：
分析部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，将生成的特征向量与所述异常信息关联起来存储到所述数据库；
聚类部，其对所述分析部生成的特征向量进行聚类，将聚类的结果存储到所述数据库。
4.一种机器学习装置，其基于数据记录装置取得的表示与机械的动作有关的信息的时间序列数据，对通过具备所述数据记录装置的数值控制装置控制的所述机械中要产生的异常进行预测，其特征在于，
所述机器学习装置具备：
数据库，其存储对产生了所述异常时的所述机械的动作的倾向进行了机器学习的结果，
状态观测部，其取得所述数据记录装置取得的时间序列数据来作为输入数据；
预测部，其基于所述状态观测部取得的输入数据和所述数据库中存储的机器学习的结果，预测所述机械的异常产生，
在所述数据库中，与表示在所述机械中产生了异常时的所述机械的动作的倾向的特征向量相关联地存储与所述异常有关的异常信息，并且存储了对所述特征向量进行了聚类的结果，
所述预测部具备：
相似集群判定部，其求出所述输入数据中包含的时间序列数据的近似式，基于求出的近似式生成特征向量，判定生成的特征向量与所述数据库中存储的哪个集群接近；
异常排序决定部，其对属于由所述相似集群判定部判定为接近所述特征向量的集群的特征向量所关联的异常生成排序信息，并将生成的排序信息作为所述机械的异常产生的预测结果进行输出。
CN201711328509.9A 2016-12-13 2017-12-13 数值控制装置以及机器学习装置 Active CN108227633B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-241680 2016-12-13
JP2016241680A JP6386520B2 (ja) 2016-12-13 2016-12-13 数値制御装置及び機械学習装置

Publications (2)

Publication Number Publication Date
CN108227633A CN108227633A (zh) 2018-06-29
CN108227633B true CN108227633B (zh) 2019-12-20

Family

ID=62201528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711328509.9A Active CN108227633B (zh) 2016-12-13 2017-12-13 数值控制装置以及机器学习装置

Country Status (4)

Country Link
US (1) US11112768B2 (zh)
JP (1) JP6386520B2 (zh)
CN (1) CN108227633B (zh)
DE (1) DE102017129227B4 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI641934B (zh) * 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
JP7002411B2 (ja) * 2018-06-18 2022-01-20 株式会社日立製作所 設備状態判定装置、設備状態判定方法、及び設備管理システム
EP3594861B1 (en) * 2018-07-09 2024-04-03 Tata Consultancy Services Limited Systems and methods for classification of multi-dimensional time series of parameters
DE112018007741B4 (de) * 2018-07-11 2024-02-01 Mitsubishi Electric Corporation Maschinenlernvorrichtung und vorrichtung zur erzeugung vonprogrammen für eine numerisch gesteuerte bearbeitung
JP7032261B2 (ja) * 2018-07-24 2022-03-08 日立グローバルライフソリューションズ株式会社 異常検知システムおよび異常検知方法
US10769006B2 (en) * 2018-07-31 2020-09-08 Cisco Technology, Inc. Ensemble risk assessment method for networked devices
CN109434562A (zh) * 2018-09-30 2019-03-08 天津大学 基于划分聚类的铣削刀具磨损状态识别方法
JP6885911B2 (ja) * 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP6787971B2 (ja) * 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
EP3661041B1 (de) * 2018-11-27 2021-09-15 Siemens Energy Global GmbH & Co. KG Verfahren zur überwachung eines transformators
JP6933630B2 (ja) * 2018-12-06 2021-09-08 ファナック株式会社 処理時間監視装置
JP7119978B2 (ja) * 2018-12-20 2022-08-17 オムロン株式会社 制御装置およびプログラム
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
US11621966B1 (en) * 2019-02-15 2023-04-04 DataVisor, Inc. Detection of malicious user accounts of an online service using feature analysis
WO2020188696A1 (ja) * 2019-03-18 2020-09-24 三菱電機株式会社 異常検知装置および異常検知方法
IT201900004617A1 (it) * 2019-03-27 2020-09-27 Milano Politecnico Apparato di monitoraggio per identificazione di anomalie e percorsi di degrado in una macchina utensile
JP2021051698A (ja) * 2019-09-26 2021-04-01 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体
JP2021092970A (ja) * 2019-12-10 2021-06-17 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体
JP7425094B2 (ja) * 2020-02-07 2024-01-30 ファナック株式会社 診断装置
TWI749742B (zh) * 2020-08-31 2021-12-11 國立虎尾科技大學 工具機主軸診斷方法
JP2022066086A (ja) * 2020-10-16 2022-04-28 オムロン株式会社 軌道生成装置、軌道生成方法、及び軌道生成プログラム
JP7359174B2 (ja) * 2021-03-01 2023-10-11 横河電機株式会社 測定データ記録装置、生成装置、システム、装置、方法およびプログラム
CN116981923A (zh) 2021-04-02 2023-10-31 日立建机株式会社 机械的状态检测装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332528A (ja) * 1993-05-26 1994-12-02 Matsushita Electric Works Ltd 故障診断方法
US7539549B1 (en) 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP3780508B2 (ja) * 2002-03-22 2006-05-31 株式会社ジェイテクト 工作機械の異常診断装置、異常診断方法及び異常診断プログラム
JP2007272545A (ja) 2006-03-31 2007-10-18 Brother Ind Ltd 数値制御装置及び数値制御装置による異常処理方法
CA2643219C (en) * 2007-12-21 2017-08-22 Knight, Inc. System, method and program product to screen for longitudinal-seam anomalies
JP5108116B2 (ja) 2009-01-14 2012-12-26 株式会社日立製作所 装置異常監視方法及びシステム
WO2011082322A2 (en) 2009-12-30 2011-07-07 Intergraph Technologies Company A system and method for transmission of files within a secured network
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2013011987A (ja) * 2011-06-28 2013-01-17 Toshiba Corp 異常状態検知装置及び異常状態検知方法
US8943361B2 (en) * 2012-07-03 2015-01-27 International Business Machines Corporation Geospatial optimization for resilient power management equipment
TWI641934B (zh) 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
KR101591193B1 (ko) 2014-09-17 2016-02-02 엘에스산전 주식회사 Plc 로그 데이터를 이용한 이상 발생 예측 시스템
JP2016173782A (ja) * 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム

Also Published As

Publication number Publication date
CN108227633A (zh) 2018-06-29
DE102017129227B4 (de) 2022-03-10
JP2018097616A (ja) 2018-06-21
JP6386520B2 (ja) 2018-09-05
DE102017129227A1 (de) 2018-06-14
US20180164781A1 (en) 2018-06-14
US11112768B2 (en) 2021-09-07

Similar Documents

Publication Publication Date Title
CN108227633B (zh) 数值控制装置以及机器学习装置
US10981315B2 (en) State determination device
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
US11048227B2 (en) Abnormality detection device of machine tool
CN110187694B (zh) 故障预测装置以及机器学习装置
US10996650B2 (en) Numerical control system
CN109213074B (zh) 控制装置以及机器学习装置
CN110196573B (zh) 异常因素确定装置
US10761063B2 (en) Apparatus and method for presuming abnormality occurrence for telescopic cover
US11731332B2 (en) State determination device and state determination method
JP7012888B2 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
CN112240784A (zh) 异常判定装置以及异常判定系统
CN111506019A (zh) 数值控制系统
US20200254671A1 (en) State determination device and state determination method
CN111788042A (zh) 机器人的预见性分析
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
JP2020191043A (ja) 異常検出装置、異常検出サーバ及び異常検出方法
US20230191513A1 (en) Tool diagnostic device
US20230251645A1 (en) Abnormality detection device
CN110774318A (zh) 处理装置及处理部分的处理方法
JP7184997B2 (ja) 状態判定装置及び状態判定方法
CN113454553B (zh) 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法
CN116583798A (zh) 异常分类装置
JP3257214B2 (ja) 生産管理装置
WO2020179063A1 (ja) 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム

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