CN108227634A - 机器学习装置、cnc装置以及机器学习方法 - Google Patents

机器学习装置、cnc装置以及机器学习方法 Download PDF

Info

Publication number
CN108227634A
CN108227634A CN201711328529.6A CN201711328529A CN108227634A CN 108227634 A CN108227634 A CN 108227634A CN 201711328529 A CN201711328529 A CN 201711328529A CN 108227634 A CN108227634 A CN 108227634A
Authority
CN
China
Prior art keywords
lathe
machine learning
learning device
vibration
chatter
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
CN201711328529.6A
Other languages
English (en)
Other versions
CN108227634B (zh
Inventor
松岛多佳彦
宫崎义人
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 CN108227634A publication Critical patent/CN108227634A/zh
Application granted granted Critical
Publication of CN108227634B publication Critical patent/CN108227634B/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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • 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
    • G05B13/027—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 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
    • G05B19/406—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G05B2219/33296—ANN for diagnostic, 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
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37433—Detected by acoustic emission, microphone
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明提供机器学习装置、CNC装置以及机器学习方法。机器学习装置(2)检测机床(10)中的工具(1a)产生振颤的预兆，机器学习装置(2)具有：状态观测部(21)，其除了观测所述工具(1a)的振动之外，还观测以下至少一个状态量：所述机床(10)本体的振动、设置有所述机床(10)的建筑物的振动、可听声、声发射、以及所述机床(10)的电动机控制电流值；以及学习部(22)，其根据所述状态观测部(21)观测到的所述状态量，制作学习模型。

Description

机器学习装置、CNC装置以及机器学习方法
技术领域
本发明涉及检测机床中的工具产生振颤的预兆的机器学习装置、CNC装置以及机器学习方法。
背景技术
以往，在通过CNC(Computer Numerical Control，计算机数控)装置而被控制的机床中，有时即使是相同的加工条件因工具磨损的发展而在特定加工路径(path)中产生振颤。具体来说，例如在螺纹切削那样的加工周期中，螺纹切削得越深则工具尖端(tip)的接触面积越大，因此，因磨损的发展而容易产生振颤。
产生这样的振颤(机床中的工具产生振颤)导致工件的加工不良。特别是，在通过机床进行夜间自动运转时，若在某个工件产生振颤，则此后所有的工件都产生振颤，从而产生大量的不良工件。因此，希望检测工具产生振颤，或者希望检测工具产生振颤的预兆，减少不良工件。
以往，例如日本特开2012-152835号公报(专利文献1)公开了如下振动判定装置：在一边使工具或者工件旋转一边进行加工的机床中，防止机床自身的振动、突发的干扰振动、加工引起的不稳定振动造成的误检测，提升振颤振动的检测精度。该振动判定装置在振动加速度的最大值连续规定时间以上超过阈值，且振动加速度的频率变化量在规定范围内时判定为振颤振动。
此外，以往例如日本特开2013-036912号公报(专利文献2)公开了如下振颤振动检测装置：通过能够防止振颤振动造成的加工不良和选定不产生振颤振动的加工条件等，可靠地进行振颤振动的检测。该振颤振动检测装置测定某个时间点的第一振动，测定该规定时间后的第二振动，运算第一以及第二振动的第一以及第二功率谱。然后，运算第二功率谱振动大小相对于第一功率谱振动大小的增加程度，在增加程度为规定值以上时，判定为产生了振颤振动。
如上所述，以往作为可靠地进行振颤振动的检测来减少工件加工不良的技术而提出了各种技术。但是，实际的产生振颤模式因加工程序或工具使用状况等不同而不同。
因此，例如在专利文献1所记载的技术中，使用振动加速度(以及其连续时间和变化量)作为判定参数来防止误检测，但是如果不根据加工特征设定适当的基准值(阈值)就难以取得足够的检测精度。
此外，例如在专利文献2所记载的技术中，通过对振动的全频率段以一定频率间隔将自某个时间点起的增加度与基准值(阈值)进行比较，不需要根据工具的使用状况来设定频率段。但是，如果不根据加工特征来设定适当的基准值(阈值)仍然难以取得足够的检测精度。
即，在专利文献1以及2所记载的技术中，针对因加工程序或工具状况而不同的产生振颤模式，难以进行可灵活应对且高精度的振颤检测。
发明内容
鉴于上述现有技术的课题，本发明的目的在于检测机床中的工具产生振颤的预兆从而减少不良工件。即，本发明的目的在于不是根据加工特征来进行适当的基准值研究和设定变更，而是容易地检测机床中的工具产生振颤的预兆从而减少不良工件。在本说明书中，主要说明加工中的振颤产生，但是该振颤产生大多源自工具破损，当然对工具破损的检测也很有效。
根据本发明的第一实施方式，提供一种检测机床中的工具产生振颤的预兆的机器学习装置，其具有：状态观测部，其除了观测所述工具的振动之外，还观测以下至少一个状态量：所述机床本体的振动、设置有所述机床的建筑物的振动、可听声、声发射、以及所述机床的电动机控制电流值；以及学习部，其根据所述状态观测部观测到的所述状态量，制作学习模型。
可以是，所述学习部根据特定的加工程序块的不包含所述产生振颤的正常时的所述状态量，进行无监督学习来制作所述学习模型。可以是，所述学习部生成并输出所述加工程序块的不包含所述产生振颤的正常时的正常时分数以及所述加工程序块的有所述产生振颤的预兆的非正常时分数，所述机器学习装置还具有：输出利用部，其判定基于所述加工程序块的所述状态量的分数符合所述正常时分数或者所述非正常时分数中的哪一个，感知所述机床中的工具产生振颤的预兆。
可以是，所述机器学习装置具有神经网络。可以是，所述机器学习装置能够与至少一个其他机器学习装置相连接，并在所述机器学习装置与至少一个所述其他机器学习装置之间，相互交换或者共享由所述机器学习装置的所述学习部制作出的学习模型。
可以是，所述机床具有设置于所述工具的支架或者刀头上的振动传感器，该振动传感器检测所述机床本体的振动，所述机床还具有检测所述可听声的可听声传感器以及检测所述声发射的声发射传感器中的至少一个。可以是，所述机床具有：振动传感器，其检测设置有所述机床的建筑物的振动。可以是，所述机床具有：电流值传感器，其检测所述机床的电动机控制电流值。可以是，所述电流值传感器设置于驱动所述机床的电动机的电动机放大器中。
根据本发明涉及的第二实施方式，提供一种CNC装置，其包含：学习器电路，其构成上述第一实施方式的机器学习装置，该CNC装置控制所述机床。可以是，所述CNC装置还具有：判定电路，其比较从所述学习器电路输出的分数与规定的判定基准值来进行判定；以及CPU，其根据来自所述判定电路的判定结果，向所述机床输出停止信号。可以是，所述CPU根据来自所述判定电路的判定结果向上位管理系统输出警报信号。
根据本发明涉及的第三实施方式，提供一种机器学习方法，用于检测机床中的工具产生振颤的预兆，其中，除了观测所述工具的振动之外，还观测以下至少一个状态量：所述机床本体的振动、设置有所述机床的建筑物的振动、可听声、声发射、以及所述机床的电动机控制电流值，根据观测到的所述状态量，通过无监督学习来制作学习模型。
附图说明
通过参照以下的附图，可以进一步明确本发明。
图1是示意性地表示本发明涉及的机器学习装置的一实施方式的图，
图2是示意性地表示应用本实施方式的CNC装置的一实施例的框图，
图3是用于说明图2所示的学习器电路的一例的图，并且
图4是用于说明图2所示的学习器电路的其他示例的图。
具体实施方式
以下，参照附图对本发明涉及的机器学习装置、CNC装置以及机器学习方法的实施方式进行详细叙述。图1是示意性地表示本发明涉及的机器学习装置的一实施方式的图。如图1所示，本实施方式的机器学习装置2包含：状态观测部21、学习部22以及输出利用部23。
作为环境1给予的输入数据，状态观测部21例如接收被CNC装置20控制的机床10中的工具的振动、机床10本体的振动、设置有机床10的建筑物的振动、可听声、声发射(AE：Acoustic Emission，AE波、弹性波)、以及机床10的电动机控制电流值。这里，从环境1到状态观测部21的输入数据，关于工具的振动以外，可以不是机床10本体的振动、设置有机床10的建筑物的振动、可听声、声发射以及机床10的电动机控制电流值这些全部，例如可以是工具的振动以及可听声、或者、工具的振动以及机床10的电动机控制电流值这样的至少一个。
学习部22通过无监督学习(unsupervised learning)来制作学习模型。学习部22例如在加工工件的特定程序中指定容易产生振颤的加工程序块，保存在该程序块的正常运转时的输入量来进行无监督学习。即，学习部22通过无监督学习，生成并输出不包含产生振颤的正常时的加工程序块的正常时分数。此外，学习部22还通过无监督学习生成并输出有振颤产生的预兆的非正常时的加工程序块的非正常时分数。
输出利用部23接收来自学习部22的输出分数判定是正常时分数还是非正常时分数，感知机床10中的工具产生振颤的预兆。即，将来自状态观测部21的输出数据输入到通过无监督学习而制作出的学习模型时获得的分数与正常时的学习模型的正常时分数进行比较如果输出异常(非正常)的分数，则CNC装置20可以将其判断为工具产生振颤(也包含工具破损等)。另外，机器学习装置2能够与至少一个其他机器学习装置相连接，可以在该机器学习装置2与至少一个其他机器学习装置之间相互交换或者共享由机器学习装置2的学习部22制作出的学习模型。
图2是示意性地表示应用本实施方式的CNC装置的一实施例的框图。如图2所示，在环境1(机床10)中，例如在机床10的工具1a的支架或者刀头(bite)上设置有检测工具1a的振动的振动传感器11、检测可听声的可听声传感器12、以及检测声发射的声发射传感器(AE传感器)13。此外，在驱动机床10的电动机(伺服电动机)的电动机放大器(伺服放大器)1b中设置有检测电动机的电流值的电流值传感器。
控制机床10的CNC装置20包含：学习器电路2a、分数判定电路2b以及CPU(MPU：运算处理装置)2c。另外，在图2中将参照图1进行了说明的机器学习装置2描述为学习器电路2a，但是当然，机器学习装置2构成为包含对应于学习器电路2a的神经网络和由CPU2c执行的程序。
这里，产生振颤模式根据加工程序或加工状况而发生变化，因此，与工具的振动传感器，可听声传感器、AE传感器的值以及机床(电动机)的电流值之间存在相关性。因此，如上所述，除了振动传感器的值之外，通过将可听声传感器、AE传感器的值以及电动机的电流值作为判定参数而输入，能够对各种产生振颤模式进行可灵活应对且高精度的产生振颤的预兆。即，虽然产生振颤模式与上述判定参数的相关性复杂，但是通过应用机器学习可以提取相关性。并且，通过指定加工程序块应用基于正常运转时输入数据的无监督机器学习，可以提取正常时的输入数据与加工程序的相关性，可以对通常运转时的异常输入(包含产生振颤振动的预兆时)可靠地检测振颤振动的预兆。
如图2所示，学习器电路2a接收来自设置于工具1a的支架或者刀头上的振动传感器11、可听声传感器12以及AE传感器13的工具1a的振动、可听声以及AE波(弹性波)、以及来自电动机放大器1b的电流值传感器的电动机的电流值。另外，学习器电路2a从机床10(环境1)接收的数据(状态量)除工具1a的振动以外，也可以不是可听声和AE波以及电动机放大器1b的电流值这些全部，如上所述还可以追加机床10本体的振动、设置有机床10的建筑物的振动。
分数判定电路2b接收来自学习器电路2a的分数、以及规定的判定基准值来进行比较。然后，分数判定电路2b根据判定基准值来判定实际进行加工时的学习器电路2a有关的、有可能包含产生振颤的通常时的加工程序块的通常时分数，将该判定结果输出给CPU2c。
CPU2c根据来自分数判定电路2b的判定结果，例如向电动机放大器1b(机床10)输出停止信号来停止机床10的动作，并且，向上位管理系统3输出警报信号。另外，学习器电路2a以及分数判定电路2b也可以位于CPU2c的内部。
这里，对学习以及判定方法的一例进行说明。即，作为一例，用户设计神经网络模型，在对想要进行振颤检测的加工程序块进行学习时，假设考虑学习器电路2a(机器学习装置2)的输出分数是A、B、C三个要素的情况。
学习结束后，准备产生了振颤时的数据，输入到学习器电路2a。将其输出分数与正常时的分数进行比较，决定正常时的分数范围。假设考虑按以下的条件1的方式来决定正常时的分数的情况。
A1＜A＜A2、B1＜B＜B2、C1＜C＜C2···(条件1)
这里，设分数判定器2b在成为不处于条件1的范围的分数时向CPU2c发送表示异常的信号。并且，CPU2c在从分数判定器接收到表示异常的信号时，向上位管理系统3输入警报，根据需要停止机床10。
接下来，对无监督学习进行说明。在本实施方式中只输入“正常时的数据”来进行学习。即，在本实施方式中，根据输入数据来判别“有/无产生振颤的预兆”这两种，因此如果仅使用其中一方的数据来学习其特征，则也能够自然而然地判别另一方。此外，在不挑剔地输入所有数据并进行分类的情况下，作为输入数据当然如果不增加异常时的数据则不进行充足的判定器学习，但是为了使判定器学习而收集足够量的异常时数据是困难的，是不现实的。
因此，在本实施方式中，应用仅将不包含产生振颤的“正常时的数据”作为输入来使用并学习其特征量这样的无监督学习，生成正常时的加工程序块的正常时分数。另外，本实施方式所应用的机器学习在学习过程中并不是应用“正常/非正常”的标签(label)，因此是无监督学习。
以下，对从输入数据到获得输出(分数)进行说明。图3是用于说明图2所示的学习器电路的一例的图，概念性地表示从输入数据到获得分数。如图3所示，在本实施方式中，假想将“神经网络”用作学习器电路2a，神经网络的模型可以应用一般模型。
如图3所示，将不包含产生振颤的“正常时的数据”给予到神经网络的输入部。这里，神经网络包含输入部、中间层以及输出部，中间层由多层构成。从神经网络的输出部输出特征量(分数)Z，在将“正常时的数据”给予到输入部的情况下，获得正常分数的集合。
图4是用于对图2所示的学习器电路的其他示例进行说明的图，概念性地表示自编码器(自动编码器)。如图4所示，神经网络构成为除了输入部、中间层以及输出部之外，还追加了反转输入部以及中间层而得的部分。
在图4所示的自编码器中，设置成：将输入数据(Xn)作为输入X给予到神经网络的输入部，从追加的中间层以及输入部取出从输出部输出的数据作为输出Y。由此，可以将输入数据Xn(输入X)与输出数据Yn(输出Y)的误差求出为||Xn-Yn||2。即，将输入数据直接用作正解标签来计算误差，以误差最小的方式进行学习，由此，可以在输出部提取输入的特征量。然后，通过将特定的加工程序块的正常时的输入数据给予到输入部，可以生成在输出部提取了其特征量而得的正常时分数，能够高精度地检测机床中的工具产生振颤的预兆。
另外，在实现本实施方式的无监督学习时，神经网络例如可以应用于k平均(k-means)法的非分层型聚类、或者分层型聚类的用于维度压缩的自动编码器(自编码器)等。另外，在将学习器电路2a实际构成为神经网络时，也可以使用广泛应用的计算机或者处理器，例如在应用GPGPU(General-Purpose computing on Graphics Processing Units，通用计算图形处理单元)或大规模PC簇等时，能够更高速地进行处理。
根据本发明涉及的机器学习装置、CNC装置以及机器学习方法获得如下效果：可以检测机床的工具产生振颤的预兆从而减少不良工件。
以上，对实施方式进行了说明，而这里所记载的所有示例和条件是以有助于理解应用于发明和技术的发明概念为目的而记载的，特别记载的示例和条件并不意味着限制发明的范围。此外，说明书中的记载也不表示发明的优点和缺点。虽然详细地记载了发明的实施方式，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 (13)

1.一种机器学习装置，其检测机床中的工具产生振颤的预兆，其特征在于，该机器学习装置具有：
状态观测部，其除了观测所述工具的振动之外，还观测以下至少一个状态量：所述机床本体的振动、设置有所述机床的建筑物的振动、可听声、声发射、以及所述机床的电动机控制电流值；以及
学习部，其根据所述状态观测部观测到的所述状态量，制作学习模型。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述学习部根据特定的加工程序块的不包含所述产生振颤的正常时的所述状态量，进行无监督学习来制作所述学习模型。
3.根据权利要求2所述的机器学习装置，其特征在于，
所述学习部生成并输出所述加工程序块的不包含所述产生振颤的正常时的正常时分数以及所述加工程序块的有所述产生振颤的预兆的非正常时分数，
所述机器学习装置还具有：输出利用部，其判定基于所述加工程序块的所述状态量的分数符合所述正常时分数或者所述非正常时分数中的哪一个，感知所述机床中的工具产生振颤的预兆。
4.根据权利要求1～3中任一项所述的机器学习装置，其特征在于，
所述机器学习装置具有神经网络。
5.根据权利要求1～4中任一项所述的机器学习装置，其特征在于，
所述机器学习装置能够与至少一个其他机器学习装置相连接，并在所述机器学习装置与至少一个所述其他机器学习装置之间，相互交换或者共享由所述机器学习装置的所述学习部制作出的学习模型。
6.根据权利要求1～5中任一项所述的机器学习装置，其特征在于，
所述机床具有设置于所述工具的支架或者刀头上的振动传感器，该振动传感器检测所述机床本体的振动，
所述机床还具有检测所述可听声的可听声传感器以及检测所述声发射的声发射传感器中的至少一个。
7.根据权利要求1～6中任一项所述的机器学习装置，其特征在于，
所述机床具有：振动传感器，其检测设置有所述机床的建筑物的振动。
8.根据权利要求1～7中任一项所述的机器学习装置，其特征在于，
所述机床具有：电流值传感器，其检测所述机床的电动机控制电流值。
9.根据权利要求8所述的机器学习装置，其特征在于，
所述电流值传感器设置于驱动所述机床的电动机的电动机放大器中。
10.一种CNC装置，其特征在于，
该CNC装置包含：学习器电路，其构成权利要求1～9中任一项所述的机器学习装置，
该CNC装置控制所述机床。
11.根据权利要求10所述的CNC装置，其特征在于，
所述CNC装置还具有：判定电路，其比较从所述学习器电路输出的分数与规定的判定基准值来进行判定；以及
CPU，其根据来自所述判定电路的判定结果，向所述机床输出停止信号。
12.根据权利要求11所述的CNC装置，其特征在于，
所述CPU根据来自所述判定电路的判定结果向上位管理系统输出警报信号。
13.一种机器学习方法，用于检测机床中的工具产生振颤的预兆，其特征在于，
除了观测所述工具的振动之外，还观测以下至少一个状态量：所述机床本体的振动、设置有所述机床的建筑物的振动、可听声、声发射、以及所述机床的电动机控制电流值，
根据观测到的所述状态量，通过无监督学习来制作学习模型。
CN201711328529.6A 2016-12-14 2017-12-13 机器学习装置、cnc装置以及机器学习方法 Active CN108227634B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-242580 2016-12-14
JP2016242580A JP6450738B2 (ja) 2016-12-14 2016-12-14 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法

Publications (2)

Publication Number Publication Date
CN108227634A true CN108227634A (zh) 2018-06-29
CN108227634B CN108227634B (zh) 2020-08-28

Family

ID=62201561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711328529.6A Active CN108227634B (zh) 2016-12-14 2017-12-13 机器学习装置、cnc装置以及机器学习方法

Country Status (4)

Country Link
US (1) US10496055B2 (zh)
JP (1) JP6450738B2 (zh)
CN (1) CN108227634B (zh)
DE (1) DE102017011290B4 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765846A (zh) * 2019-03-11 2019-05-17 哈尔滨理工大学 双转台五轴数控机床热误差建模温度敏感点的选择方法
CN111624947A (zh) * 2019-02-27 2020-09-04 发那科株式会社 颤振判定装置、机器学习装置以及系统
CN111752225A (zh) * 2019-03-28 2020-10-09 兄弟工业株式会社 机床、信息处理方法和存储介质
CN112241145A (zh) * 2019-07-16 2021-01-19 神通资讯科技股份有限公司 自动加工机的异常侦测系统及方法

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037330B2 (en) * 2017-04-08 2021-06-15 Intel Corporation Low rank matrix compression
TWI684080B (zh) * 2018-06-21 2020-02-01 高聖精密機電股份有限公司 智慧型調整系統及其方法
JP2020008481A (ja) * 2018-07-11 2020-01-16 オムロン株式会社 画像処理装置、画像処理方法及び画像処理プログラム
JP6987030B2 (ja) * 2018-07-18 2021-12-22 株式会社日立製作所 システム及び工作機械の異常又は加工作業に関する分析方法
JP7194965B2 (ja) * 2018-08-01 2022-12-23 中村留精密工業株式会社 工作機械
JP6856585B2 (ja) 2018-08-03 2021-04-07 ファナック株式会社 異常監視装置、異常監視方法及び制御装置
JP7056465B2 (ja) * 2018-08-23 2022-04-19 株式会社明電舎 異常予兆検出システム
JP6777696B2 (ja) * 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
JP7277152B2 (ja) 2019-01-22 2023-05-18 ファナック株式会社 工作機械の工具管理システム
JP7148421B2 (ja) * 2019-01-22 2022-10-05 ファナック株式会社 工作機械の予防保全システム
JP6949896B2 (ja) * 2019-03-27 2021-10-13 ファナック株式会社 砥石選定装置及び砥石選定方法
DE102019003081A1 (de) * 2019-04-26 2020-10-29 Stöber Antriebstechnik GmbH & Co. KG Verfahren zum Erkennen von drohenden Ausfällen von Komponenten von Maschinen, insbesondere von Antriebseinheiten
JP7473890B2 (ja) * 2019-07-30 2024-04-24 双葉電機工業株式会社 制御状態監視システムおよびプログラム
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
US11579598B2 (en) * 2019-10-17 2023-02-14 Mitsubishi Electric Research Laboratories, Inc. Manufacturing automation using acoustic separation neural network
JP2021094577A (ja) * 2019-12-17 2021-06-24 コニカミノルタ株式会社 金型異常検知装置、学習モデル生成装置、及び、これらのプログラム
DE102020007708A1 (de) * 2019-12-27 2021-07-01 Fanuc Corporation Komponenten, steuerung und industriemaschine
US20230038415A1 (en) * 2020-02-07 2023-02-09 Fanuc Corporation Diagnosis device
EP3893064A1 (en) * 2020-04-07 2021-10-13 GF Machining Solutions AG Method for predicting status of machining operation
JP2022039715A (ja) * 2020-08-28 2022-03-10 キヤノン株式会社 制御装置、インプリント装置および物品製造方法
WO2022090879A1 (en) * 2020-10-28 2022-05-05 Microlution Inc. System for access and organization of data from computer numerical control machine tools
CN112475904B (zh) * 2020-11-12 2021-09-28 安徽江机重型数控机床股份有限公司 一种基于热分析的数控铣镗床加工精度预测方法
WO2022230008A1 (ja) * 2021-04-26 2022-11-03 三菱電機株式会社 数値制御装置、学習装置及び、びびり振動の抑制方法
JP7407152B2 (ja) * 2021-08-20 2023-12-28 Ｌｉｎｅヤフー株式会社 情報処理装置、情報処理方法及び情報処理プログラム
DE102021214320A1 (de) * 2021-12-14 2023-06-15 Sms Group Gmbh Anlage zur spanenden Bearbeitung von Werkstücken sowie Verfahren zur Steuerung einer Werkzeugmaschine
CN114378653B (zh) * 2022-01-27 2022-12-13 上海机床厂有限公司 基于bp神经网络外圆磨削颤振在线识别和监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
CN1173653A (zh) * 1996-04-30 1998-02-18 朗迅科技公司 在机械系统中用于自适应抑制振动的设备和方法
CN102272562A (zh) * 2008-11-07 2011-12-07 卡斯公司 用于振动分析的方法和装置以及用于其的模式数据库和模式数据库的应用

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4559600A (en) * 1983-02-28 1985-12-17 Battelle Memorial Institute Monitoring machine tool conditions by measuring a force component and a vibration component at a fundamental natural frequency
JPS6462797A (en) * 1987-09-02 1989-03-09 Sharp Kk Periodical variance detector
JPH0453649A (ja) * 1990-06-18 1992-02-21 Okuma Mach Works Ltd 不規則回転速度切削方法
JP3439324B2 (ja) * 1997-06-26 2003-08-25 株式会社ノリタケカンパニーリミテド 砥石寿命判定装置
JP2003089037A (ja) * 2001-09-17 2003-03-25 Hitachi Via Mechanics Ltd 加工装置
US6845340B2 (en) * 2003-03-06 2005-01-18 Ford Motor Company System and method for machining data management
JP4411900B2 (ja) * 2003-08-08 2010-02-10 ソニー株式会社 電子機器間の相互成長システム、電子機器及びロボット装置
JP2005111603A (ja) * 2003-10-07 2005-04-28 Lazona Inc ロボットおよびロボット管理装置
JP2006102927A (ja) * 2004-09-30 2006-04-20 Waka Yamamoto 機械加工びびり振動予測方法及び機械加工びびり振動予測プログラムを記録した記録媒体。
US7930957B2 (en) * 2005-06-10 2011-04-26 Prototype Productions, Inc. Closed-loop CNC machine system and method
JP2008027210A (ja) * 2006-07-21 2008-02-07 Denso Corp 加工設備及び加工設備の制御方法
JP4321581B2 (ja) 2006-11-30 2009-08-26 パナソニック電工株式会社 工作機械総合監視装置
JP2011088268A (ja) * 2009-10-26 2011-05-06 Fanuc Ltd ファンモータを有する工作機械用モータ駆動装置
JP5674491B2 (ja) 2011-01-24 2015-02-25 オークマ株式会社 振動判定装置
JP5807437B2 (ja) 2011-08-10 2015-11-10 株式会社ジェイテクト びびり振動検出装置
JPWO2013105164A1 (ja) * 2012-01-13 2015-05-11 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
GB201204908D0 (en) * 2012-03-21 2012-05-02 Delcam Plc Method and system for testing a machine tool
EP2916187B1 (en) * 2014-03-05 2018-11-07 Mikron Agie Charmilles AG Improved database for chatter predictions
JP6092141B2 (ja) * 2014-03-10 2017-03-08 日本電信電話株式会社 データ解析装置、方法、及びプログラム
US20160070253A1 (en) * 2014-09-05 2016-03-10 Rolls-Royce Corporation Monitoring hole machining
JP2016083759A (ja) * 2014-10-28 2016-05-19 エヌティーエンジニアリング株式会社 作業機械の加工状態監視方法及びシステム
JP5997330B1 (ja) 2015-07-31 2016-09-28 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
JP6063013B1 (ja) 2015-08-27 2017-01-18 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
JP5992087B1 (ja) * 2015-12-28 2016-09-14 ファナック株式会社 機械の保全計画を作成する予防保全管理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
CN1173653A (zh) * 1996-04-30 1998-02-18 朗迅科技公司 在机械系统中用于自适应抑制振动的设备和方法
CN102272562A (zh) * 2008-11-07 2011-12-07 卡斯公司 用于振动分析的方法和装置以及用于其的模式数据库和模式数据库的应用

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624947A (zh) * 2019-02-27 2020-09-04 发那科株式会社 颤振判定装置、机器学习装置以及系统
CN111624947B (zh) * 2019-02-27 2024-03-12 发那科株式会社 颤振判定装置、机器学习装置以及系统
CN109765846A (zh) * 2019-03-11 2019-05-17 哈尔滨理工大学 双转台五轴数控机床热误差建模温度敏感点的选择方法
CN109765846B (zh) * 2019-03-11 2022-03-18 哈尔滨理工大学 双转台五轴数控机床热误差建模温度敏感点的选择方法
CN111752225A (zh) * 2019-03-28 2020-10-09 兄弟工业株式会社 机床、信息处理方法和存储介质
CN111752225B (zh) * 2019-03-28 2024-03-08 兄弟工业株式会社 机床、信息处理方法和存储介质
CN112241145A (zh) * 2019-07-16 2021-01-19 神通资讯科技股份有限公司 自动加工机的异常侦测系统及方法

Also Published As

Publication number Publication date
US20180164757A1 (en) 2018-06-14
JP2018094686A (ja) 2018-06-21
DE102017011290B4 (de) 2022-08-18
US10496055B2 (en) 2019-12-03
CN108227634B (zh) 2020-08-28
DE102017011290A1 (de) 2018-06-14
JP6450738B2 (ja) 2019-01-09

Similar Documents

Publication Publication Date Title
CN108227634A (zh) 机器学习装置、cnc装置以及机器学习方法
CN106392772B (zh) 机械学习装置、主轴更换判定装置、控制装置、机床
US20180264613A1 (en) Abnormality detection apparatus and machine learning apparatus
CN104898565B (zh) 改进的用于颤振预测的数据库
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
CN108227625A (zh) 工具寿命推断装置
Ma et al. A deep coupled network for health state assessment of cutting tools based on fusion of multisensory signals
CN108475052A (zh) 诊断设备、计算机程序和诊断系统
CN108115682A (zh) 机械学习装置、机器人系统以及机械学习方法
EP1927830A2 (en) Device for overall machine tool monitoring
JP6571704B2 (ja) 診断用データ取得システム、診断用システム、及び診断用データ取得プログラム
GB2446344A (en) Self-diagnostic process control loop for a process plant
CN109333160B (zh) 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法
Silva et al. The adaptability of a tool wear monitoring system under changing cutting conditions
CN108931959A (zh) 控制装置及机械学习装置
CN209297151U (zh) 异常因素确定装置
CN108284434A (zh) 机器学习装置、示教装置的冲击抑制系统及机器学习方法
US20240066653A1 (en) System and method for real-time monitoring and predicting wear of a cutting tool
Sharma et al. An approach for condition monitoring of a turning tool
Ratava et al. Fuzzy feed rate and cutting speed optimization in turning
Zhang et al. The development of an in-process surface roughness adaptive control system in turning operations
JP7310195B2 (ja) 診断装置、診断システム及び診断プログラム
Elbestawi et al. Tool condition monitoring in machining
Chelladurai et al. Development of neural network model to predict flank wear and chipping failure
Dimla et al. Investigation of a single-layer perceptron neural network to tool wear inception in a metal turning process

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