CN108237439A - 学习模型构筑装置以及过热预测装置 - Google Patents

学习模型构筑装置以及过热预测装置 Download PDF

Info

Publication number
CN108237439A
CN108237439A CN201711404593.8A CN201711404593A CN108237439A CN 108237439 A CN108237439 A CN 108237439A CN 201711404593 A CN201711404593 A CN 201711404593A CN 108237439 A CN108237439 A CN 108237439A
Authority
CN
China
Prior art keywords
overheat
drive motor
spindle drive
machining
learning model
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
CN201711404593.8A
Other languages
English (en)
Other versions
CN108237439B (zh
Inventor
政川高志
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 CN108237439A publication Critical patent/CN108237439A/zh
Application granted granted Critical
Publication of CN108237439B publication Critical patent/CN108237439B/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0985—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring temperature
    • 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
    • G06N3/045—Combinations of 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
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42152—Learn, self, auto tuning, calibrating, environment adaptation, repetition
    • 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
    • G05B2219/49206—Compensation temperature, thermal displacement, use measured temperature
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

本发明涉及学习模型构筑装置以及过热预测装置。在应用于进行切削加工的机床的学习模型构筑装置中，构筑用于学习切削加工时的主轴电动机的加工后的温度关联信息的学习模型。学习模型构筑装置(20)具备输入主轴电动机的当前温度以及切削加工的条件的输入部(21)。此外，具备：学习部(23)，其将主轴电动机的当前温度及切削加工的条件、与切削加工后的主轴电动机的温度即标签的组作为监督数据进行接受，并进行基于该监督数据的机器学习，由此构筑用于学习切削加工时的主轴电动机的加工后的温度关联信息的学习模型。

Description

学习模型构筑装置以及过热预测装置
技术领域
本发明涉及应用于通过安装有刀具并通过主轴电动机旋转的主轴、以及使该主轴与被加工物进行相对移动的进给轴来进行切削加工的机床的学习模型构筑装置以及过热预测装置。
背景技术
以往，在数值控制机床中，使驱动机床所具备的进给轴以及主轴的电动机的加减速度或最高速度变大，由此，缩短加工时间而提高生产性。若进行这样的控制，则在由电动机以及放大器构成的各轴的驱动装置中流过较大的电流，此外每个单位时间的电动机的加减速次数变多，其结果是，使驱动装置发热。在现有技术中，若因发热使驱动装置的温度上升至预定温度，则发出警报并使机床停止，由此来防止驱动装置因热而受损。
然而，在加工中若机床停止，则加工效率降低，存在发生加工不良的情况。尤其是在机床进行无人运转的情况下，操作者需要使机床恢复，从而也有可能使机床长时间保持停止。为了避免这样的不良状况，以往，通过设定在预定的每个单位时间的最大加减速次数的范围内具有余量的加速度，来避免驱动装置过热。
然而，驱动装置的温度上升由于工件的重量或材质、加工负荷、周围温度等而有所不同，因此即使在最大加减速次数内驱动装置也有可能成为过热。此外，即使在超过最大加减速次数而进行加工的情况下，同样有可能成为过热。因此，在专利文献1和专利文献2中公开了防止驱动装置的过热并能够继续进行运转的装置或方法。
在专利文献1中公开了若驱动部的温度成为预定温度以上，则限制加速度并抑制驱动部的输出的技术。然而，在专利文献1所记载的发明中若不进行动作则无法获知修正后的加工条件是否合适，即使降低加工条件也有可能成为过热。
在专利文献2中公开了根据驱动单元的温度或加减速次数，将进给轴的加减速时间常数控制为不会过热的适当值的方法。然而，在专利文献2的所记载的发明中，如[0020]段等所记载的那样，需要预先通过实验求出并存储加工时间与电动机温度的关系(温度曲线)、加减速时间常数与温度的上升率(温度曲线的斜率)的关系的步骤。进而，温度曲线的斜率仅通过加减速时间常数无法决定，至少还依赖于对电动机施加的负荷。因此，只要未确定是施加何种程度的负荷的加工，则无法预测不成为过热的适当的加减速时间常数。另外，专利文献2所记载的发明是与进给轴的控制相关的发明，并且在专利文献2中并未对主轴转速的控制有所记载。
专利文献
专利文献1：日本特开2003-5836号公报
专利文献2：日本特开平9-179623号公报
发明内容
在机床中，例如重复进行频繁的加减速的切削加工会因几个原因的交织而使主轴电动机的温度，容易引起过热。一般来说，是否成为过热依赖于使用哪个主轴系统(主轴电动机、主轴、进给轴、工具装备等)进行何种频率、负荷的切削加工。因此，难以事先发现用于预测过热的恰当的阈值。
本发明的目的在于，鉴于这样的问题，提供可以根据主轴电动机的当前温度或切削加工的条件来构筑用于学习切削加工时的主轴电动机的加工后的温度关联信息(温度、温度上升值等)的学习模型的学习模型构筑装置、以及根据该学习模型来预测主轴电动机是否过热的过热预测装置。
技术方案(1)：本发明所涉及的学习模型构筑装置(例如，后述的学习模型构筑装置20)应用于通过安装有刀具并通过主轴电动机旋转的主轴、以及进给该主轴的进给轴来进行切削加工的机床(例如，后述的机床15)，其中，该学习模型构筑装置具备：输入单元(例如，后述的输入部21)，其输入所述主轴电动机的当前温度以及切削加工的条件；以及学习单元(例如，后述的学习部23)，其将所述主轴电动机的当前温度和切削加工的条件与作为切削加工后的所述主轴电动机的温度的标签的组作为监督数据进行接受，进行基于该监督数据的机器学习，由此构筑用于学习切削加工时的所述主轴电动机的加工后的温度关联信息的学习模型。
技术方案(2)：在技术方案(1)的学习模型构筑装置中，所述温度关联信息也可以是温度或温度上升值。
技术方案(3)：在技术方案(1)或技术方案(2)的学习模型构筑装置中，所述切削加工的条件也可以是所述主轴的加减速的频率、转速、切削负荷、切削时间。
技术方案(4)：本发明所涉及的过热预测装置(例如，后述的过热预测装置30)具备：过热预测单元(例如，后述的过热预测部31)，其基于技术方案(1)至技术方案(3)中任一项的学习模型构筑装置所构筑的学习模型，根据所述主轴电动机的当前温度以及切削加工的条件，来预测所述主轴电动机是否过热。
技术方案(5)：在技术方案(4)的过热预测装置中，也可以具备：过热预测结果输出单元(例如，后述的过热预测结果输出部32)，其输出基于所述过热预测单元的过热预测结果。
技术方案(6)：在技术方案(4)或技术方案(5)的过热预测装置中，也可以具备：加工条件修正单元(例如，后述的加工条件修正部33)，其在所述过热预测单元预测为所述主轴电动机过热的情况下，重新考虑切削加工的条件，并计算出所述主轴电动机不过热的修正条件。
技术方案(7)：在技术方案(6)的过热预测装置中，所述加工条件修正单元也可以通过降低所述主轴的加减速的频率，来计算出所述主轴电动机不过热的修正条件。
技术方案(8)：在技术方案(6)的过热预测装置中，所述加工条件修正单元也可以通过降低所述主轴的转速，来计算出所述主轴电动机不过热的修正条件。
技术方案(9)：在技术方案(6)至技术方案(8)中的任一项的过热预测装置中，也可以具备：选项提示单元(例如，后述的选项提示部34)，其将所述加工条件修正单元计算出的多个修正条件作为选项进行提示。
根据本发明，可以根据主轴电动机的当前温度或切削加工的条件来构筑用于学习切削加工时的主轴电动机的加工后的温度关联信息的学习模型。此外，可以根据该学习模型来预测主轴电动机是否过热。
附图说明
图1是表示本发明第1实施方式所涉及的过热预测系统的框图。
图2是表示本发明第1实施方式所涉及的学习模型构筑装置以及过热预测装置的细节的框图。
图3是表示本发明第1实施方式所涉及的机床以及数值控制装置的细节的框图。
图4是表示本发明第1实施方式所涉及的过热预测系统中的机器学习时的动作的流程图。
图5是表示本发明第1实施方式所涉及的过热预测系统中的过热预测时的动作的流程图。
图6是表示本发明第2实施方式所涉及的过热预测系统中的过热预测时的动作的流程图。
附图标记说明
15机床；16主轴电动机；20学习模型构筑装置；21输入部(输入单元)；23学习部(学习单元)；30过热预测装置；31过热预测部(过热预测单元)；32过热预测结果输出部(过热预测结果输出单元)；33加工条件修正部(加工条件修正单元)；34选项提示部(选项提示单元)。
具体实施方式
[第1实施方式]
下面，根据附图对本发明第1实施方式进行说明。图1是表示本实施方式所涉及的过热预测系统的框图。图2是表示本实施方式所涉及的学习模型构筑装置以及过热预测装置的细节的框图。图3是表示本实施方式所涉及的机床以及数值控制装置的细节的框图。
＜过热预测系统的结构＞
首先，对本实施方式所涉及的过热预测系统100的结构进行说明。如图1所示，过热预测系统100具备：n台数值控制装置10、n台机床15、学习模型构筑装置20、m台过热预测装置30以及网络40。另外，n和m为任意的自然数。
在此，数值控制装置10和机床15为一对一的组，并可通信地连接。这些数值控制装置10和机床15的组例如可以在相同的工厂内设置有多个组，也可以分别设置于不同的工厂内。
此外，机床15、学习模型构筑装置20、过热预测装置30分别与网络40连接，并可以经由网络40相互进行通信。网络40例如是在工厂内构筑的LAN(Local Area Network：局域网)、因特网、公共电话网，或者是它们的组合。对于网络40中的具体的通信方式、是有线连接和无线连接中的某一个等，并不特别进行限定。
接着，根据图2对过热预测系统100所包含的这些装置的功能进行说明。在此，图2是表示各装置所包含的功能模块的框图。另外，各数值控制装置10分别具有相同的功能，因此在图2中仅示出了1台。同样地，各机床15、各过热预测装置30也分别具有相同的功能，因此在图2中仅示出了1台。此外，对于存在于各装置间的网络40，省略其图示。
如图3所示，机床15通过安装有刀具(未图示)并通过主轴电动机16旋转的主轴(未图示)、以及进给该主轴的进给轴(未图示)，来进行切削加工。即，该刀具通过对主轴进行驱动的主轴电动机16旋转，通过对进给轴进行驱动的进给轴电动机(未图示)来进给。在切削加工中，进给轴的动作与主轴的动作同步，因此通过控制主轴电动机16，自动地控制进给轴。
此外，在主轴电动机16中设有对该主轴电动机16的温度进行检测的温度检测部17。另外，温度检测部17既可以内置于主轴电动机16内，此外也可以设置于主轴电动机16的附近。或者，也可以根据流过主轴电动机16的电流值来推定主轴电动机16的温度，以替代通过温度检测部17直接检测出主轴电动机16的温度。
如图2和图3所示，数值控制装置10向机床15送出控制信号，由此来进行控制以便使机床15进行预定的切削加工。在数值控制装置10中存储有根据工件(未图示)的加工内容而决定的多个加工程序11。并且，数值控制装置10具备：读取解释部12，其通过读取并解释加工程序11，来提取切削加工的条件(主轴加减速的频率、转速、切削负荷、切削时间)并输出至过热预测装置30；电动机控制部13，其根据位置指令数据生成驱动机床15的主轴电动机16的动作指令；以及电动机驱动放大器14，其放大动作指令并输出至机床15的主轴电动机16。
如图2所示，学习模型构筑装置20通过监督机器学习，来构筑用于学习作为切削加工时的主轴电动机16的加工后的温度关联信息的温度的学习模型。因此，学习模型构筑装置20具备：输入部21、标签取得部22、学习部23和学习模型存储部24。
输入部21输入主轴电动机16的当前温度以及切削加工的条件。在此，主轴电动机16的当前温度为温度检测部17的输出值，切削加工的条件为读取解释部12的输出值。标签取得部22取得切削加工后的主轴电动机的温度即标签。学习部23接受主轴电动机16的当前温度及切削加工的条件、与标签的组作为监督数据，进行基于该监督数据的机器学习，由此构筑用于学习切削加工时的主轴电动机16的加工后的温度的学习模型。学习模型存储部24存储由学习部23构筑的学习模型。
另外，学习部23也可以按照由包含多层神经网络的神经网络所构筑的学习模型来进行机器学习。
如图2所示，过热预测装置30预测主轴电动机16是否过热。因此，过热预测装置30具备：过热预测部31、过热预测结果输出部32、加工条件修正部33和选项提示部34。如图3所示，该过热预测装置30输入数值控制装置10的读取解释部12的输出值和机床15的温度检测部17的输出值，并将切削加工的条件输出至数值控制装置10的电动机控制部13。
过热预测部31基于学习模型构筑装置20所构筑的学习模型，根据主轴电动机16的当前温度和切削加工的条件，预测主轴电动机16是否过热。过热预测结果输出部32输出过热预测部31预测出的结果。
加工条件修正部33在过热预测部31预测到主轴电动机16的过热的情况下，对切削加工的条件进行重新考虑，并计算使主轴电动机16不过热的修正条件。对于其具体的计算方法，随后进行说明。
选项提示部34将这样由加工条件修正部33计算出的多个修正条件作为选项进行提示。
＜机器学习时的动作＞
接着，对本实施方式所涉及的过热预测系统100中的机器学习时的动作进行说明。图4是表示该机器学习时的学习模型构筑装置20的动作的流程图。
首先，在步骤S11中，学习模型构筑装置20的输入部21从任意的数值控制装置10取得主轴电动机16的当前温度以及切削加工的条件来作为输入数据，并进行输入。
接着，在步骤S12中，学习模型构筑装置20的标签取得部22取得切削加工后的主轴电动机的温度即标签。
之后，在步骤S13中，学习模型构筑装置20的学习部23接受主轴电动机16的当前温度和切削加工的条件、与标签的组作为监督数据。接着，在步骤S14中，学习模型构筑装置20的学习部23使用该监督数据执行机器学习。
然后，在步骤S15中，学习模型构筑装置20的学习部23判定是结束机器学习，还是重复进行机器学习。在此，可以任意地决定使机器学习结束的条件。例如，可以在仅重复进行了预先决定的次数的机器学习的情况下，使机器学习结束。
在此，在重复进行机器学习的情况下，学习模型构筑装置20返回到步骤S11，重复进行同样的动作。另一方面，在结束机器学习的情况下，在步骤S16中，学习模型构筑装置20将通过直至该时刻为止的机器学习所构筑的学习模型经由网络40发送至各过热预测装置30。
此外，学习模型构筑装置20的学习模型存储部24存储该学习模型。由此，在由新设置的过热预测装置30请求学习模型的情况下，可以向该过热预测装置30发送学习模型。此外，在取得了新的监督数据的情况下，可以对学习模型进行更进一步的机器学习。
＜过热预测时的动作＞
接着，对本实施方式的过热预测系统100中的过热预测时的动作进行说明。图5是表示该过热预测时的过热预测装置30的动作的流程图。
首先，在步骤S21中，过热预测装置30的过热预测部31经由网络40接收由学习模型构筑装置20构筑的学习模型，由此取得学习模型。此外，在步骤S22中，过热预测装置30的过热预测部31取得主轴电动机16的当前温度以及切削加工的条件作为判定数据。
然后，在步骤S23中，过热预测装置30的过热预测部31基于由学习模型构筑装置20构筑的学习模型，根据主轴电动机16的当前温度以及切削加工的条件，预测主轴电动机16是否过热。
进而，在步骤S24中，过热预测装置30的过热预测部31将该过热预测结果(大致分为表示过热的结果，或者表示不过热的结果)输出至过热预测结果输出部32。接受这些后，过热预测结果输出部32输出该过热预测结果。作为该输出方法，例如可以考虑将过热预测结果显示于画面(未图示)的方法等。
这样，在本实施方式中，可以在学习模型构筑装置20中，根据主轴电动机的当前温度、切削加工的条件，来构筑用于学习切削加工时的主轴电动机16的加工后的温度的学习模型。
此外，在过热预测装置30中，可以根据由学习模型构筑装置20构筑的学习模型，来预测主轴电动机16是否过热。
关于这一点，现有方法(专利文献1所记载的方法)是当驱动部的温度为预定温度以上时，限制加速度来抑制驱动部的输出，但若不动作则无法获知修正后的加工条件是否适当，即使降低加工条件也有可能依旧成为过热，而本申请可以通过机器学习检测加工条件是否成为过热。
此外，现有方法(专利文献2所记载的方法)需要预先通过实验求出并存储加减速时间常数与温度上升率(温度曲线的斜率)的关系的步骤，并且温度曲线的斜率仅通过加减速时间常数无法决定，至少还依赖于向电动机施加的负荷，因此只要不确定施加何种程度的负荷的加工，就无法找出不会成为过热的恰当的加减速时间常数。对此，由于在本发明中，对于如果进行什么样的加工则主轴温度将如何变化进行学习，因此可以不进行事先实验就预测出不会成为过热的适当的加工条件。
如上所述，因此在本发明中，在是否成为过热依赖于使用哪个主轴系统来进行何种程度的频率、负荷的加工的切削加工中，可以准确地预测过热。
此外，如图1所示，多个数值控制装置10均经由网络40与学习模型构筑装置20相连接，因此对于由任意1台机床15构筑的学习模型，其他任意机床15也能够使用。此时，即使用于切削加工的工具装备(刀具)按机床15而不同，由于工具装备的不同表现为主轴的切削负荷的差，因此只要主轴系统的其他要素(主轴电动机16、主轴、进给轴等)的规格没有不同，则多个机床15仍可以共享学习模型。
[第2实施方式]
下面，根据附图对本发明第2实施方式进行说明。图6是表示本实施方式所涉及的过热预测系统中的过热预测时的动作的流程图。
在上述的第1实施方式中针对如下情况进行了说明：对于过热预测装置30中的过热预测时的动作，当过热预测部31预测出主轴电动机16是否过热后，在输出该过热预测结果的时刻，结束处理。
对此，在第2实施方式中，当输出过热预测结果后，在预测为过热的情况下，改变切削加工的条件来计算出主轴电动机16不过热的修正条件。进而，将这些多个修正条件作为选项进行提示。另外，对于过热预测系统100的结构，与上述的第1实施方式相同。
即，若对本实施方式中的过热预测时的动作进行说明，首先，在步骤S31中，过热预测装置30的过热预测部31经由网络40接收由学习模型构筑装置20构筑的学习模型，由此取得学习模型。此外，在步骤S32中，过热预测装置30的过热预测部31取得主轴电动机16的当前温度以及切削加工的条件。
然后，在步骤S33中，过热预测装置30的过热预测部31基于由学习模型构筑装置20构筑的学习模型，根据主轴电动机16的当前温度以及切削加工的条件，预测主轴电动机16是否过热。
进而，在步骤S34中，过热预测装置30的过热预测部31将该过热预测结果输出至过热预测结果输出部32。接受这些后，过热预测结果输出部32输出该过热预测结果(大致分为表示过热的结果，或者表示不过热的结果)。作为该输出方法，例如考虑将过热预测结果显示于画面(未图示)的方法等。
接着，在步骤S35中，过热预测装置30判定过热预测结果是否是表示过热的结果。然后，若过热预测结果为表示不过热的结果，则结束处理。另一方面，在过热预测结果为表示过热的结果的情况下，在步骤S36中，过热预测装置30的加工条件修正部33重新考虑切削加工的条件，并计算出几个主轴电动机16不过热的修正条件(例如5个)。
具体地，例如通过将在切削加工的条件(主轴加减速的频率、转速、切削负荷、切削时间等)中的几个条件变更为增大，由此计算出主轴电动机16不过热的修正条件。例如，可以考虑降低主轴加减速的频率，或降低主轴的转速。在该情况下，若降低主轴转速则加工时间延长，因此也可以提高其他加工的切削条件以便抵消加工时间延长。
进而，在步骤S37中，过热预测装置30的选项提示部34将这样计算出的多个修正条件作为选项来对操作员进行提示。作为该提示方法，例如可以考虑将多个修正条件显示于画面(未图示)的方法等。并且，在操作员参照该提示内容选择修正条件时，该修正条件从过热预测装置30输出至数值控制装置10的电动机控制部13，因此机床15按照该修正条件执行切削加工。
此时，如上所述，向操作员提示的修正条件是将切削加工的条件变更为增大而计算出的，因此接近当前的加工条件。因此，可以在主轴电动机16不过热的范围内最大限地提高生产性，并且执行切削加工。
因此，在本实施方式中，除了实现与上述第1实施方式相同的效果外，还实现如下的效果。
即，即使在通过过热预测装置30预测到主轴电动机16过热的情况下，也可以避免过热的发生，并且继续进行切削加工。因此，可以避免因机床15的停止所造成的加工效率的下降或加工不良的发生等情况。
[其他实施方式]
上述的实施方式为本发明的优选实施方式，但本发明的范围并不限定于上述实施方式，在不脱离本发明主旨的范围内，可以实施各种进行变更后的方式。
例如，在上述的第1实施方式、第2实施方式中说明了如下的情况：学习模型构筑装置20构筑用于学习作为切削加工时的主轴电动机16的加工后的温度关联信息的温度的学习模型。但是，该温度关联信息并不限定于温度，也可以是温度上升值。
此外，在上述的第1实施方式、第2实施方式中说明了如下的情况：作为切削加工的条件，采用主轴加速度的频率、转速、切削负荷、切削时间。但是，例如也可以将外部气温(主轴的环境温度)追加为切削加工的条件。
此外，在上述的第1实施方式、第2实施方式中说明了通过机床15进行切削加工的情况。但是，即使在通过机床15进行对切削加工补充了其他加工(例如，开孔加工)的一连串加工的情况下，也可以同样地采用本发明。
此外，在上述的第1实施方式、第2实施方式中说明了如下的情况：数值控制装置10的读取解释部12读取并解释加工程序11，由此提取切削加工的条件并输出至过热预测装置30。但是，该切削加工的条件也可以由操作员通过手动输入来进行输入。例如，主轴的切削负荷根据工件的种类(材料)而不同，因此若在加工程序11中未记述有工件的种类，则无法从程序11中提取主轴的切削负荷，因此优选由操作员进行手动输入。此外，通常若切削加工中所使用的工具装备(刀具)的锐度变差，则主轴的切削负荷增大，但这无法从程序11中提取出，因此在该情况下也优选由操作员通过手动输入来进行输入。
进而，在上述的第2实施方式中说明了如下的情况：在预测到主轴电动机16的过热的情况下，以不发生过热的新条件来进行切削加工。但是，在预测到主轴电动机16的过热的情况下，也可以向操作员警告该内容。或者，也可以临时停止接下来的加工，等待主轴系统(主轴电动机16、主轴、进给轴、工具装备等)冷却。

Claims (9)

1.一种学习模型构筑装置，其应用于通过安装有刀具并通过主轴电动机旋转的主轴、以及进给该主轴的进给轴来进行切削加工的机床，其特征在于，该学习模型构筑装置具备：
输入单元，其输入所述主轴电动机的当前温度以及切削加工的条件；以及
学习单元，其将所述主轴电动机的当前温度和切削加工的条件与作为切削加工后的所述主轴电动机的温度的标签的组作为监督数据进行接受，并进行基于该监督数据的机器学习，由此构筑用于学习切削加工时的所述主轴电动机的加工后的温度关联信息的学习模型。
2.根据权利要求1所述的学习模型构筑装置，其特征在于，
所述温度关联信息为温度或温度上升值。
3.根据权利要求1或2所述的学习模型构筑装置，其特征在于，
所述切削加工的条件为所述主轴的加减速的频率、转速、切削负荷、切削时间。
4.一种过热预测装置，其特征在于，
该过热预测装置具备：过热预测单元，其基于由权利要求1至3中任一项所述的学习模型构筑装置所构筑的学习模型，根据所述主轴电动机的当前温度以及切削加工的条件，来预测所述主轴电动机是否过热。
5.根据权利要求4所述的过热预测装置，其特征在于，
该过热预测装置具备：过热预测结果输出单元，其输出基于所述过热预测单元的过热预测结果。
6.根据权利要求4或5所述的过热预测装置，其特征在于，
该过热预测装置具备：加工条件修正单元，其在所述过热预测单元预测为所述主轴电动机过热的情况下，重新考虑切削加工的条件，并计算出所述主轴电动机不过热的修正条件。
7.根据权利要求6所述的过热预测装置，其特征在于，
所述加工条件修正单元通过降低所述主轴的加减速的频率，来计算出所述主轴电动机不过热的修正条件。
8.根据权利要求6所述的过热预测装置，其特征在于，
所述加工条件修正单元通过降低所述主轴的转速，来计算出所述主轴电动机不过热的修正条件。
9.根据权利要求6至8中任一项所述的过热预测装置，其特征在于，
该过热预测装置具备：选项提示单元，其将所述加工条件修正单元计算出的多个修正条件作为选项进行提示。
CN201711404593.8A 2016-12-26 2017-12-22 学习模型构筑装置以及过热预测装置 Active CN108237439B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016251221A JP6412093B2 (ja) 2016-12-26 2016-12-26 学習モデル構築装置およびオーバーヒート予知装置
JP2016-251221 2016-12-26

Publications (2)

Publication Number Publication Date
CN108237439A true CN108237439A (zh) 2018-07-03
CN108237439B CN108237439B (zh) 2019-10-08

Family

ID=62510441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711404593.8A Active CN108237439B (zh) 2016-12-26 2017-12-22 学习模型构筑装置以及过热预测装置

Country Status (4)

Country Link
US (1) US20180181114A1 (zh)
JP (1) JP6412093B2 (zh)
CN (1) CN108237439B (zh)
DE (1) DE102017223693A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830907A (zh) * 2019-04-23 2020-10-27 发那科株式会社 机器学习装置、预测装置以及控制装置
CN112686512A (zh) * 2020-12-24 2021-04-20 泰州可以信息科技有限公司 变化幅度承受程度识别系统及方法
CN113748386A (zh) * 2019-09-05 2021-12-03 阿里巴巴集团控股有限公司 散热控制与模型训练方法、设备、系统及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US11762374B2 (en) * 2020-05-20 2023-09-19 Mitsubishi Electric Corporation Data generation device, machine learning system, and machining state estimation system
WO2022064666A1 (ja) * 2020-09-28 2022-03-31 三菱電機株式会社 数値制御装置および学習装置
CN113732784B (zh) * 2021-08-23 2022-05-10 深圳华数机器人有限公司 数控机床的伺服电机的选型匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007100967A (ja) * 2005-09-30 2007-04-19 Daikin Ind Ltd 冷凍装置
CN101219521A (zh) * 2006-11-30 2008-07-16 松下电工株式会社 用于整个机床监测的装置
CN105081879A (zh) * 2015-08-27 2015-11-25 成都飞机工业（集团）有限责任公司 一种数控机床主轴的故障诊断与预测的方法
CN105938352A (zh) * 2015-03-02 2016-09-14 发那科株式会社 避免主轴过热的数值控制装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03163603A (ja) * 1989-11-21 1991-07-15 Okuma Mach Works Ltd 数値制御装置
JP2853023B2 (ja) * 1995-12-22 1999-02-03 株式会社牧野フライス製作所 数値制御による機械装置の制御方法および装置
US6401004B1 (en) * 1996-11-07 2002-06-04 Kabushiki Kaisha Mori Seiki Seisakusho Method and device for analyzing NC program for NC machining
JP2003005836A (ja) 2001-06-22 2003-01-08 Yamazaki Mazak Corp 自己保護機能付き駆動装置
JP2003208205A (ja) * 2002-01-15 2003-07-25 Okuma Corp 数値制御装置
US9104650B2 (en) * 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
CA2800792C (en) * 2012-01-06 2016-10-25 Sears Brands, Llc Programmable portable power tool with brushless dc motor
JP5628994B2 (ja) * 2013-01-21 2014-11-19 ファナック株式会社 モータがオーバーヒート温度に達するまでの時間を推定する時間推定手段を有する工作機械の制御装置
JP5727572B2 (ja) * 2013-10-10 2015-06-03 ファナック株式会社 モータ温度に応じて動作を変更する工作機械の制御装置及び制御方法
JP6234187B2 (ja) * 2013-11-27 2017-11-22 三菱電機株式会社 数値制御装置
JP5863919B1 (ja) * 2014-09-30 2016-02-17 ファナック株式会社 工作機械の制御装置
JP6457778B2 (ja) * 2014-10-24 2019-01-23 オークマ株式会社 数値制御装置
JP6010204B1 (ja) * 2015-10-26 2016-10-19 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置
US10078062B2 (en) * 2015-12-15 2018-09-18 Palo Alto Research Center Incorporated Device health estimation by combining contextual information with sensor data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007100967A (ja) * 2005-09-30 2007-04-19 Daikin Ind Ltd 冷凍装置
CN101219521A (zh) * 2006-11-30 2008-07-16 松下电工株式会社 用于整个机床监测的装置
CN105938352A (zh) * 2015-03-02 2016-09-14 发那科株式会社 避免主轴过热的数值控制装置
CN105081879A (zh) * 2015-08-27 2015-11-25 成都飞机工业（集团）有限责任公司 一种数控机床主轴的故障诊断与预测的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830907A (zh) * 2019-04-23 2020-10-27 发那科株式会社 机器学习装置、预测装置以及控制装置
CN113748386A (zh) * 2019-09-05 2021-12-03 阿里巴巴集团控股有限公司 散热控制与模型训练方法、设备、系统及存储介质
CN113748386B (zh) * 2019-09-05 2023-01-17 阿里云计算有限公司 散热控制与模型训练方法、设备、系统及存储介质
CN112686512A (zh) * 2020-12-24 2021-04-20 泰州可以信息科技有限公司 变化幅度承受程度识别系统及方法

Also Published As

Publication number Publication date
DE102017223693A1 (de) 2018-06-28
JP6412093B2 (ja) 2018-10-24
JP2018106379A (ja) 2018-07-05
US20180181114A1 (en) 2018-06-28
CN108237439B (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN108237439B (zh) 学习模型构筑装置以及过热预测装置
US10935952B2 (en) Automation operating and management system
US10585417B2 (en) Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load
US10386816B2 (en) Manufacturing management system for changing abnormality detection condition according to manufacturing period-of-time information
US10423152B2 (en) Information processing apparatus for processing machining information between plurality of manufacturing cells
KR102334965B1 (ko) 공장 자동화 설비의 효율적 관리와 생산성 향상을 위한 예지 보전 시스템
US9429933B2 (en) Numerical controller for machine having component inspection timing notification function
WO2016086360A1 (en) Wind farm condition monitoring method and system
US20170131710A1 (en) Method and system for machine tool health early warning monitoring
JP2019082836A (ja) 工具寿命予測装置
JP6867358B2 (ja) 状態判定装置及び状態判定方法
CN111687652A (zh) 握持力调整装置以及握持力调整系统
JP2008546084A (ja) 生産機械のための評価装置の動作方法
JP2016018445A (ja) 複数軸を備えた機械を制御する制御装置を含む制御システム
CN105938352B (zh) 避免主轴过热的数值控制装置
CN110196573A (zh) 异常因素确定装置
JP2019106158A (ja) 生産管理システム
CN111788042A (zh) 机器人的预见性分析
KR102403362B1 (ko) 조임 툴 내 에너지 흐름 모니터링 방법, 모니터링 노드 및 컴퓨터 프로그램
US11404975B2 (en) Electronic control system for a frequency converter with a use value
US20230305076A1 (en) Monitoring of a converter
JP2019111648A (ja) 機械学習装置及び熱変位補正装置
CN105278450A (zh) 进行重复加工的数值控制装置
US20240094717A1 (en) Method for a model-based determination of model parameters
CN108693841B (zh) 制造系统以及制造方法

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