CN108573310B - 精加工量预测装置以及机器学习装置 - Google Patents

精加工量预测装置以及机器学习装置 Download PDF

Info

Publication number
CN108573310B
CN108573310B CN201810186456.XA CN201810186456A CN108573310B CN 108573310 B CN108573310 B CN 108573310B CN 201810186456 A CN201810186456 A CN 201810186456A CN 108573310 B CN108573310 B CN 108573310B
Authority
CN
China
Prior art keywords
finishing
component
amount
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
Application number
CN201810186456.XA
Other languages
English (en)
Other versions
CN108573310A (zh
Inventor
门仓宏充
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 CN108573310A publication Critical patent/CN108573310A/zh
Application granted granted Critical
Publication of CN108573310B publication Critical patent/CN108573310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • 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
    • 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
    • G05B13/048—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 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
    • 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
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31407—Machining, work, process finish time estimation, calculation
    • 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
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/36219—Calculate machining information, like time, surface to be machined from program
    • 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
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

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

Abstract

本发明提供一种精加工量预测装置以及机器学习装置，加工量预测装置具备的机器学习装置观测表示部件各部分精加工量的精加工量数据和表示安装有该部件的机械中各部分精度的精度数据作为表示环境的当前状态的状态变量，进而，获取表示安装有精加工后部件的机械中各部分精度的适宜与否判定结果的判定数据，这样，使用这些状态变量和判定数据，与精度数据相关联地学习部件各部分的精加工量。

Description

精加工量预测装置以及机器学习装置
技术领域
本发明涉及精加工量预测装置以及机器学习装置。
背景技术
在进行需要极高精度的部件精加工时，有时由熟练工进行手动加工。
作为其一个例子，给出线放电加工机的例子。图9是线放电加工机的加工槽1的剖视图。在设置线放电加工机时，配置在加工槽1内载置工件的工作台2的上表面希望尽可能为平面且为水平，而由于车间地面的倾斜或其他原因，这样直接设置会导致有时工作台2的上表面不能保持水平、平面度。这种情况下，取下工作台2的上部，在向工作台2的下部安装时以工作台2的上表面成为水平的方式研磨该工作台2的上部的安装面。
此时，作业人员针对工作台2上表面的各部分，使用距离传感器等测定装置测定距离预定基准位置的偏差量，看到该测定结果的作业人员基于经验判断对工作台2的上部的安装面的各部分适宜研磨多大程度，并基于判断的结果研磨工作台2的上部的安装面的各部分。图10A是例举由测定装置测定到的工作台2的上表面的各部分距离基准位置的偏差量的图，另外图10B是例举对该工作台2的上部的安装面的各部分的研磨次数的图。
另外，作为其他例子，给出刮削(scraping)机床的导向件的例子。通常，机床在底座上设有至少一个在正交2轴方向、正交3轴方向能移动的移动台。另一方面，构成机床的各构造物为了实现稳定的加工而具有相当的重量，装配各构造物时，由于各构造物的自重、作用于各构造物间的力，产生它们变形的现象。
例如，如图11所示，如果使设在底座3上的工作台5沿着导轨4向X轴方向移动，则导轨4的端部受到工作台5和载置于工作台5上的工件(未图示)的重量，导致导轨4弹性变形，发生工作台5不笔直移动的情况。
于是，作业人员使用距离传感器等测定装置测定使工作台5移动时工作台在Z轴方向上距离预定基准位置的偏差量，看到该测定结果的作业人员基于经验判断对导轨4的上部的各部分适宜刮削多大程度，如图12所示对导轨4的上部的各部分进行研磨(日本特开平10-156715号公报等)。通过该刮削，工作台5笔直移动。
在进行上述那样的研磨、刮削等精加工的情况下，即使仅单纯地以通过测定装置测定的距离基准位置的偏差量进行了各部分的精加工，由于各部分受到机械的结构、对其他部分进行的精加工的影响，存在不能实现以设想精度进行精加工的问题。
发明内容
因此，本发明的目的在于提供一种在进行加工面的精密调整的精加工中，基于测定结果来预测精加工量的精加工量预测装置以及机器学习装置。
本发明的一种方式提供的精加工量预测装置预测进行安装到机械的部件的各部分的精加工情况下该部件各部分的精加工量，具备：学习所述精加工中部件各部分的精加工量的机器学习装置。该机器学习装置具备：状态观测部，其观测精加工量数据以及精度数据作为表示环境的当前状态的状态变量，其中精加工量数据表示所述精加工中部件各部分的精加工量，精度数据表示开始该精加工前测定的安装有该部件的机械各部分的精度；判定数据获取部，其获取判定数据，该判定数据表示安装有所述精加工后部件的机械中各部分精度的适宜与否判定结果；以及学习部，其使用所述状态变量和所述判定数据，与所述精度数据相关联地学习所述精加工中部件各部分的精加工量。
所述状态观测部能还观测识别所述部件的品种的品种信息，来作为所述状态变量，所述学习部与所述精度数据以及所述品种信息两者相关联地学习所述精加工中部件各部分的精加工量。
所述学习部能具备：回报计算部，其求出与所述适宜与否判定结果相关联的回报；以及价值函数更新部，其使用所述回报，更新表示所述精加工中部件各部分精加工量的价值的函数。
所述学习部能具备：误差计算部，其计算从所述状态变量以及所述判定数据导出所述精加工中部件各部分的精加工量的相关性模型与从预先准备的教师数据识别的相关性特征之间的误差，以及模型更新部，其以使所述误差缩小的方式更新所述相关性模型。
所述学习部可以通过多层构造运算所述状态变量和所述判定数据。
所述精加工量预测装置能进一步具备决策部，其基于所述学习部进行的学习结果，显示或者输出所述精加工中部件各部分的精加工量。
所述学习部能使用针对多个工业机械分别得到的所述状态变量以及所述判定数据，学习该多个工业机械各自的所述精加工中部件各部分的精加工量。
本发明的一种方式提供的机器学习装置，学习在进行安装于机械的部件各部分的精加工时该部件各部分的精加工量，其具备：状态观测部，其观测表示所述精加工中部件各部分的精加工量的精加工量数据以及表示该精加工开始前测定的安装有该部件的机械的各部分的精度的精度数据，来作为表示环境的当前状态的状态变量；判定数据获取部，其获取表示安装有所述精加工后的部件的机械的各部分的精度的适宜与否判定结果的判定数据；以及学习部，其使用所述状态变量和所述判定数据，与所述精度数据相关联地学习所述精加工中部件各部分的精加工量。
根据本发明，在进行加工面精密加工的精加工中能基于测量结果自动预测各部分的精加工量。
附图说明
图1是第一实施方式的精加工量预测装置的概要功能框图。
图2是表示精加工量预测装置的一种方式的概要功能框图。
图3是表示机器学习方法的一种方式的概要流程图。
图4是表示精加工量预测装置的另一种方式的概要功能框图。
图5A是说明神经元的图。
图5B是说明神经网络的图。
图6是第二实施方式的精加工量预测装置的概要功能框图。
图7是表示装配系统的一种方式的概要功能框图。
图8是表示装配系统的另一种方式的概要功能框图。
图9是线放电加工机的加工槽的剖视图。
图10A是例举由测定装置测量的工作台上表面的各部分距离基准位置的偏差量的图。
图10B是例举对工作台的上部的安装面的各部分进行研磨的次数的图。
图11是例举机床的工作台的移动偏差的图。
图12是例举通过刮刀修正了偏差的机床的工作台的移动的图。
具体实施方式
图1是第一实施方式的精加工量预测装置10的概要功能框图。
精加工量预测装置10具备机器学习装置20，该机器学习装置20包括：用于通过所谓的机器学习来自主学习在进行需要极高精度的部件精加工时的对该部件各部位的精加工量(研磨次数、研磨量、刮研次数等)的软件(学习算法等)以及硬件(计算机的CPU等)。精加工量预测装置10具备的机器学习装置20所学习的对部件各部位的精加工量相当于表示安装该部件并使用的机械的各部分的精度(与基准位置的偏差)与对该部件各部位的精加工量之间的相关性的模型构造。
如图1中功能框所示，精加工量预测装置10具备的机器学习装置20具备状态观测部22、判定数据获取部24以及学习部26。状态观测部22观测精加工量数据S1以及安装有成为精加工对象的部件(未图示)的机械(未图示)的各部分的精度数据S2，来作为表示环境的当前状态的状态变量S，其中，该精加工量数据S1表示对成为精加工对象的部件(未图示)进行的该部件各部分的精加工量。判定数据获取部24获取判定数据D，该判定数据D表示在进行了精加工的部件安装于机械的状态下该机械各部分的精度的是否合适的判定结果。学习部26使用状态变量S和判定数据D，与精度数据S2相关联地学习精加工量数据S1所表示的部件各部分的精加工量。
状态观测部22例如能作为计算机的CPU的一个功能来构成。或者，状态观测部22例如能构成为用于使计算机的CPU发挥功能的软件。状态观测部22观测的状态变量S中，精加工量数据S1例如能由熟练的作业者申报并赋予精加工量预测装置10的精加工量申报数据来获取。该精加工量数据S1例如包括对部件各部的研磨次数、研磨量、刮研次数等精加工量。
另外，状态变量S中的精度数据S2例如能在将成为精加工对象的部件安装于机械状态下通过附设于该机械的第一测定装置(未图示)进行实测来获取。
例如，在成为精加工对象的部件为线放电加工机的工作台的情况下，第一测定装置能在安装了该工作台的状态下测定设置在该工作台上表面的多个标记的位置，或者测定该工作台四个角部的位置，或者测定存在于该工作台上表面的其他多个可注目点(既有或者后加)的位置。另外，或者，例如在成为精加工对象的部件为使机床的工作台滑动的导轨的情况下，第一测定装置能在工作台载置于该导轨的状态下使该工作台移动至多个坐标位置，并测定工作台在各个坐标位置上的位置。第一测定装置求出这些测定部位的实测位置与该测定部位的预定基准位置的差，能根据该求出的差运算安装有成为精加工对象的部件(未图示)的机械的各部分的精度数据S2。该运算例如由精加工量预测装置10进行，也能由状态观测部22自身来进行。作为该第一测定装置，能采用使用红外线激光、超声波、静电电容等的非接触式位移计、具有触头的接触式位移计等。
判定数据获取部24例如能作为计算机的CPU的一个功能来构成。或者，判定数据获取部24能构成为用于使计算机的CPU发挥功能的软件。判定数据获取部24获取的判定数据D能在对部件进行精加工后将该部件安装在机械的状态下例如通过附设于该机械的第一测定装置进行实测来获取。判定数据D是表示在状态变量S的前提下执行精加工时的结果的指标，间接表示进行了精加工的环境的当前状态。
这样，在精加工量预测装置10具备的机器学习装置20推进机器学习期间、环境中，实施由第一测定装置进行的安装有成为精加工对象部件的机械各部分的精度的测定、对该部件的精加工的实施、以及由第一测定装置进行的安装有精加工后部件的机械各部分的精度的再测定。
学习部26能作为例如计算机的CPU的一个功能来构成。或者，学习部26能构成为用于使计算机的CPU发挥功能的软件。学习部26根据总称为机器学习的任意学习算法，学习对成为精加工对象的部件进行的该部件各部分的精加工量。学习部26能针对成为精加工对象的多个部件反复执行基于数据集合的学习，该数据集合包括前述的状态变量S和判定数据D。在针对多个部件的学习周期的反复期间，状态变量S中的精加工量数据S1被设为此前的学习周期中得到的精加工量的值，另外判定数据D被设为基于在该学习周期中得到的精加工量的针对精加工的适宜与否的判定结果。
通过反复这样的学习周期，学习部26能自动识别暗示了机械各部分的精度(精度数据S2)与对部件各部分的精加工量之间的相关性的特征。
在学习算法开始时，精度数据S2与部件各部分的精加工量的相关性实质上是未知的，学习部26随着学习的推进逐渐识别特征来解释相关性。如果解释为精度数据S2与部件各部分的精加工量的相关性达到某种程度的可信赖水准，则学习部26反复输出的学习结果能用于进行针对当前状态的(即与基准位置具有偏差)机械的部件应以什么程度来设定该部件各部分的精加工量这样的行动的选择(即决策)。即学习部26能随着学习算法的进行，使成为精加工对象的部件的当前状态与对该当前状态的部件的各部分应进行何种程度加工量的精加工这一行动之间的相关性逐渐接近最佳解。
如上所述，精加工量预测装置10具备的机器学习装置20中，学习部26使用状态观测部22观测到的状态变量S和判定数据获取部24获取的判定数据D，根据机器学习算法，学习成为精加工对象的部件的各部分的精加工量。状态变量S由精加工量数据S1以及精度数据S2等难以受到外部干扰影响的数据构成。另外，通过将精加工后的部件安装于机械，能唯一地求出判定数据D。精度数据S2例如依赖于作为第一测定装置的能力的机械各部分的测定精度，然而可期待能观测本身高精度的精度数据S2。另外，判定数据D也同样地依赖于第一测定装置的测定精度，期待能获取高精度的判定数据D。因此，根据精加工量预测装置10具备的机器学习装置20，通过使用学习部26的学习结果，能不依靠运算、目测地，自动地正确求出与安装有部件的机械的各部分的精度对应的该部件的各部分的精加工量。
如果能不依靠运算、目测地自动求出部件各部分的精加工量，通过在开始部件的精加工前实测安装有该部件的机械的各部分的位置并获取距离基准位置的偏差(精度数据S2)，能迅速确定部件各部分的精加工量。因此，能提高对部件的精加工速度。
作为精加工量预测装置10具备的机器学习装置20的一个变形例，状态观测部22还能观测识别对象部件的品种的品种信息S3，作为状态变量S之一。品种信息S3例如能包括机械的种类、部件的种类等信息。品种信息S3能进一步包括部件的制造批次号、制造企业的识别信息。例如能将品种信息S3以条形码等识别符显示在部件上。状态观测部22例如能根据条形码阅读器的输出获取品种信息S3。学习部26能与精度数据S2以及品种信息S3这两者相关联地学习部件各部分的精加工量。
根据上述变形例，能学习与安装有部件的机械的各部分的距离基准位置的偏差和品种这两者对应的部件各部分的最佳精加工量。例如即使关于两个部件的机械各部分的距离基准位置的偏差(精度数据S2)相同，在该部件的材料等(品种信息S3)不同的情况下，能产生部件各部分的精加工量的程度微妙不同的状况。根据上述结构，即使在该种状况下，也能根据材料等(品种信息S3)使部件各部分的精加工量最佳。或者，有时也在推进学习期间能发现机械各部分的距离基准位置的偏差(精度数据S2)与部件的材料等(品种信息S3)的相关性。该情况下，能根据品种信息S3某种程度预测精度数据S2，因此即使在第一测定装置对机械各部分的测定精度低的情况下，也能使学习适当收敛，从而使部件各部分的精加工量最佳。
作为精加工量预测装置10具备的机器学习装置20的另一个变形例，学习部26能使用针对具有同一机械结构的多个机械分别得到的状态变量S以及判定数据D，学习这些机械各自的部件各部分的精加工量。根据该结构，能增加包括在一定时间得到的状态变量S和判定数据D的数据集合的量，因此能以更加多样的数据集合作为输入，提高部件各部分的精加工量的学习速度、可靠性。
具有上述结构的机器学习装置20中，学习部26执行的学习算法不受特殊限定，例如能采用有监督学习、无监督学习、强化学习、神经网络等作为机器学习所公知的学习算法。
图2是图1所示精加工量预测装置10的一种方式，表示具备学习部26的结构，该学习部26执行强化学习作为学习算法的一个例子。强化学习是下述方法：观测学习对象所存在的环境的当前状态(即输入)并且在当前状态下执行预定的行动(即输出)，试错性反复进行对该行动赋予某种回报的循环，将回报的总计实现最大化的策略(本申请的机器学习装置中为部件各部分的精加工量)作为最佳解来学习。
图2所示精加工量预测装置10具备的机器学习装置20中，学习部26具备回报计算部28和价值函数更新部30，该回报计算部28求出与机械各部分的精度的适宜与否判定结果(相当于在下一学习周期中使用的判定数据D)相关联的回报R，其中该机械上安装有通过基于状态变量S进行精加工而得到的精加工后部件，该价值函数更新部30使用回报R，更新表示在执行精加工时采用的部件各部分的精加工量的价值的函数Q。学习部26通过由价值函数更新部30反复更新函数Q，来学习部件各部分的精加工量。
说明学习部26执行的强化学习算法的一个例子。该例子的算法作为Q学习(Q-learning)为人们所知，是学习函数Q(s,a)的方法，该函数Q(s,a)表示以行动主体的状态s和在该状态s下由行动主体可选的行动a为独立变量，在状态s下选择行动a的情况下行动的价值。选择在状态s下价值函数Q最高的行动a，这为最佳解。在状态s与行动a的相关性为未知的状态下开始Q学习，反复进行在任意状态s下选择各种行动a的试错，由此来反复更新价值函数Q，接近最佳解。此处，构成为，作为在状态s下选择行动a的结果，环境(即状态s)发生了变化时，能得到与该变化对应的回报(即行动a的加权)r，以选择能得到更高回报r的行动a的方式引导学习，从而能在较短时间使价值函数Q接近最佳解。
价值函数Q的更新式通常能由下述的式(1)表示。式(1)中，st以及at分别为在时刻t的状态以及行动，通过行动at导致状态变化为st+1。rt+1为因状态从st变化为st+1而得到的回报。maxQ项表示进行(在时刻t认为)在时刻t+1达到最大价值Q的行动a时的Q。α以及γ分别为学习系数以及折扣率，在0<α≤1、0<γ≤1的范围内任意设定。
Figure BDA0001590410130000081
在学习部16执行Q学习的情况下，状态观测部22观测到的状态变量S以及判定数据获取部24获取的判定数据D相当于更新式的状态s，对当前状态的(即与基准位置具有偏差)机械的部件应如何变更该部件各部分的精加工量这一行动相当于更新式的行动a，回报计算部28求取的回报R相当于更新式的回报r。因此价值函数更新部30通过使用回报R的Q学习，来反复更新表示当前状态下部件各部分的精加工量的价值的函数Q。
例如在部件各部分的精加工量确定后基于该精加工量执行了精加工时，在安装有精加工后部件的机械的各部分的精度被判定为“适宜”的情况下(即，安装有精加工后的部件的机械中各部分的距离基准位置的偏差收敛于允许范围的情况下)，能使回报计算部28所求的回报R为正(+)的回报R；在部件各部分的精加工量确定后基于该精加工量执行了精加工时，在安装有精加工后部件的机械中各部分的精度被判定为“否”的情况下(即，安装有精加工后部件的机械中各部分的距离基准位置的偏差超出允许范围的情况下)，能使回报计算部28所求的回报R为负(-)的回报R。正负回报R的绝对值可以彼此相同也可不同。
此时，可以针对安装有精加工后部件的机械各部分，分别判定距离基准位置的偏差是否收敛于允许范围，在所有部分距离基准位置的偏差收敛于允许范围的情况下，判定为“适宜”，也可以在机械各部分的距离基准位置的偏差的总和收敛于允许范围的情况下判定为“适宜”。另外，也可以将它们组合起来进行判定。
另外，安装有部件的机械中各部分精度的适宜与否判定结果不仅仅是“适宜”以及“否”这两种，能根据位置的偏差大小设定为多个阶段。例如，能构成如下：在允许范围的最大值为Tmax的情况下，安装有进行精加工后部件的机械中各部分的距离基准位置的偏差U为0≤U<Tmax/5时，赋予回报R＝5，在Tmax/5≤U<Tmax/2时赋予回报R＝2，在Tmax/2≤U≤Tmax时赋予回报R＝1。进而，还能构成为在学习的初期阶段将Tmax设定得较大，随着学习的进行使Tmax缩小。
价值函数更新部30能具有将状态变量S、判定数据D和回报R与由函数Q所示行动价值(例如数值)相关联地整理得到的行动价值表。该情况下，价值函数更新部30更新函数Q这一行为与价值函数更新部30更新行动价值表这一行为是相同意义。在开始Q学习时，环境的当前状态与部件各部分的精加工量的相关性是未知的，因此在行动价值表中，以与随机确定的行动价值的值(函数Q)相关联的方式准备各种状态变量S、判定数据D和回报R。而且回报计算部28只要知道判定数据D就能立即算出与其对应的回报R，该算出的值R被写入行动价值表。
当使用与安装有部件的机械中各部分精度的适宜与否判定结果对应的回报R来推进Q学习时，则学习被引导至选择能得到更高回报R的行动的方向，根据作为在当前状态下执行所选择的行动的结果而发生变化的环境的状态(即状态变量S以及判定数据D)，将对应于在当前状态下要进行的行动的行动价值的值(函数Q)改写，来更新行动价值表。通过反复该更新，显示于行动价值表中的行动价值的值(函数Q)以越是适宜的行动则值越大的方式被改写。这样，未知环境的当前状态(安装有部件的机械各部分的精度)和对其采取的行动(确定部件各部分的精加工量)的相关性逐渐明了。即通过更新行动价值表，开始部件精加工前在安装有部件的机械各部分产生的偏差的状态与部件各部分的精加工量的关系逐渐接近最佳解。
参照图3，进一步说明学习部26执行的上述Q学习的流程(即机器学习方法的一种方式)。
首先在步骤SA01中，价值函数更新部30在参照该时间点的行动价值表的同时，作为在状态观测部22观测到的状态变量S所表示的当前状态下要进行的行动，随机选择部件各部分的精加工量。接着价值函数更新部30在步骤SA02中取入状态观测部22观测的当前状态的状态变量S，在步骤SA03中取入判定数据获取部24获取的当前状态的判定数据D。
接着，价值函数更新部30在步骤SA04中基于判定数据D判定精加工中部件各部分的精加工量是否适当，在适当的情况下，在步骤SA05中，将回报计算部28求出的正的回报R适用于函数Q的更新式，接着在步骤SA06中，使用当前状态下状态变量S以及判定数据D、回报R和行动价值的值(更新后的函数Q)更新行动价值表。步骤SA04中，在判断为精加工中部件各部分的精加工量不适当的情况下，在步骤SA07中，将回报计算部28求出的负的回报R适用于函数Q的更新式，接着在步骤SA06中，使用当前状态下状态变量S以及判定数据D、回报R和行动价值的值(更新后的函数Q)更新行动价值表。
学习部26通过反复步骤SA01～SA07中的处理来反复更新行动价值表，从而进行部件各部分精加工量的学习。
图4是图1所示精加工量预测装置10的另一种方式，表示具备学习部26的结构，该学习部26执行作为学习算法的另一例子的有监督学习。
不同于在输入与输出的关系为未知的状态下开始学习的前述强化学习，有监督学习是下述方法：预先给予大量的输入和与其对应的输出的已知数据集合(称为教师数据)，由这些教师数据识别暗示输入与输出的相关性的特征，学习用于推定相对于新的输入所需要的输出的相关性模型(本申请的机器学习装置20中为部件各部分的精加工量)。
图4所示精加工量预测装置10具备的机器学习装置20中，学习部26具备误差计算部32和模型更新部34，其中，该误差计算部32计算相关性模型M与由预先准备的教师数据T识别的相关性特征的误差E，其中相关性模型M根据状态变量S以及判定数据D导出部件各部分的精加工量，该模型更新部34以缩小该误差E的方式更新相关性模型M。学习部26通过由模型更新部34反复更新相关性模型M来学习部件各部分的精加工量。
相关性模型M的初始值例如是单纯地(例如以一次函数)来表达状态变量S以及判定数据D与部件各部分的精加工量之间的相关性，在开始有监督学习之前赋予给学习部26。教师数据T例如能由通过记录过去对部件的精加工中熟练作业者确定的部件各部分精加工量而积累的经验值(安装有部件的机械中各部分的精度与对应的部件各部分的精加工量的已知数据集合)构成，在有监督学习开始前赋予给学习部26。
误差计算部32根据赋予学习部26的大量的教师数据T来识别暗示安装有部件的机械中各部分的精度与部件各部分的精加工量之间的相关性的相关性特征，求出该相关性特征与对应于当前状态下状态变量S以及判定数据D的相关性模型M之间的误差E。模型更新部34根据例如预定的更新规则，向误差E减小的方向更新相关性模型M。
在下一学习周期中，误差计算部32使用通过根据更新后的相关性模型M试行安装工序而变化后的状态变量S以及判定数据D，针对与这些变化后的状态变量S以及判定数据D对应的相关性模型M求出误差E，模型更新部34再次更新相关性模型M。这样，未知环境的当前状态(安装有部件的机械中各部分的精度)与对其采取的行动(部件各部分的精加工量)的相关性逐渐明了。即通过更新相关性模型M，对部件开始精加工前安装有该部件的机械中各部分所产生的距离基准位置的偏差的状态与为了取消该距离基准位置的偏差而对该部件进行的精加工中部件各部分的精加工量之间的关系逐渐接近最佳解。
而且，精加工量预测装置10具备的机器学习装置20中，还能构成为，在学习的初期阶段，学习部26执行有监督学习，在学习进行了某种程度的阶段，以有监督学习中得到的部件各部分的精加工量为初始值，由学习部26执行强化学习。强化学习中的初始值具有某种程度的可靠性，因此即使在前述那样要求高精度的精加工的情况下，也能比较迅速地达到最佳解。
在推进前述的强化学习、有监督学习时，例如能采用神经网络取代Q学习。图5A示意地表示神经元的模型。图5B示意地表示组合图5A所示神经元而构成的三层神经网络模型。神经网络例如能由模拟了神经元模型而得的运算装置、存储装置来构成。
图5A所示神经元相对于多个输入x(此处作为一个例子为输入x1～输入x3)输出结果y。各输入x1～x3与对应于该输入x的权重w(w1～w3)相乘。由此，神经元输出由下述式子(2)表达的输出y。而且，式子(2)中，输入x、输出y以及权重w均为向量。另外，θ为偏置，fk为激活函数。
Figure BDA0001590410130000121
图5B所示三层神经网络中，从左侧输入多个输入x(此处作为一个例子为输入x1～输入x3)，从右侧输出结果y(此处作为一个例子为结果y1～结果y3)。图示的例子中，输入x1、x2、x3分别与对应的权重(统一由w1表示)相乘，各个输入x1、x2、x3均被输入三个神经元N11、N12、N13。
图5B中，神经元N11～N13各自的输出统一由z1表示。z1能视为提取了输入向量的特征量得到的特征向量。图示的例子中，特征向量z1分别与对应的权重(统一由w2表示)相乘，各个特征向量z1均被输入两个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
图5B中，神经元N21～N22各自的输出统一由z2表示。z2能视为提取特征向量z1的特征量所得的特征向量。图示的例子中，特征向量z2分别与对应的权重(统一由w3表示)相乘，各个特征向量z2均被输入三个神经元N31、N32、N33。特征向量z2表示权重w2与权重w3之间的特征。最后神经元N31～N33分别输出结果y1～y3。
精加工量预测装置10具备的机器学习装置20中，通过以状态变量S和判定数据D作为输入x，学习部26进行根据上述神经网络的多层构造的运算，能输出部件各部分的精加工量(结果y)。
而且，神经网络的动作模式具有学习模式和价值预测模式，例如在学习模式下使用学习数据集合学习权重w，使用该学习到的权重w以价值预测模式能进行行动的价值判断。另外，价值预测模式下，还能进行检测、分类、推论等。
上述的精加工量预测装置10的结构能表述为计算机的CPU所执行的机器学习方法(或者软件)。该机器学习方法是进行部件精加工时学习该部件各部分精加工量的机器学习方法，具有下述步骤：计算机的CPU观测精加工量数据S1以及精度数据S2作为表示进行部件精加工的环境的当前状态的状态变量S，其中精加工量数据S1表示对部件进行的精加工中该部件各部分的精加工量，精度数据S2表示安装有精加工对象部件的机械各部分的精度；计算机的CPU获取判定数据D，该判定数据D表示安装有精加工后部件的机械中各部分精度的适宜与否判定结果；以及计算机的CPU使用状态变量S和判定数据D，与精度数据S2相关联地学习部件各部分的精加工量。
图6表示第二实施方式提供的精加工量预测装置40。
精加工量预测装置40具备机器学习装置50和状态数据获取部42，该状态数据获取部42获取状态观测部22观测的状态变量S的精加工量数据S1以及精度数据S2作为状态数据S0。状态数据获取部42获取的状态数据S0还能包括品种信息S3。状态数据获取部42能由附设于机械的前述第一测定装置、作业人员进行的适当的数据输入，获取状态数据S0。
精加工量预测装置40具有的机器学习装置50除了包括用于通过机器学习来自主学习对部件的精加工中该部件各部分的精加工量的软件(学习算法等)以及硬件(计算机的CPU等)，还包括用于对学习到的部件各部分的精加工量进行显示或者作为向进行该精加工的工业机械的指令而输出的软件(运算算法等)以及硬件(计算机的CPU等)。精加工量预测装置40包括的机器学习装置50还能构成为由一个通用CPU执行学习算法、运算算法等所有软件。
决策部52例如能作为计算机的CPU的一个功能来构成。或者决策部52能构成为例如使计算机的CPU发挥功能的软件。决策部52将学习部26学习到的部件各部分的精加工量例如作为图10B中例示的去除量等显示给作业人员，或者生成向基于学习部26学习到的部件各部分的精加工量进行精加工的工业机械的指令值C，并作为该生成的指令值C输出。在决策部52显示部件各部分的精加工量，并在作业人员基于此进行了精加工的情况下，另外，在决策部52对工业机械输出了指令值C的情况下，环境的状态(精加工量数据S1)与此对应地变化。
状态观测部22在下一学习周期中观测包括在决策部52向环境显示或者输出部件各部分的精加工量后变化的精加工量数据S1的状态变量S。学习部26使用变化后的状态变量S，例如通过更新价值函数Q(即行动价值表)，从而学习部件各部分的精加工量。
决策部52在学习到的部件各部分的精加工量的前提下，对应于状态变量S进行部件各部分精加工量的显示或者对工业机械输出指令值C。通过反复该周期，机器学习装置50推进部件各部分精加工量的学习，逐渐提高部件各部分精加工量的可靠性。
具有上述结构的精加工量预测装置40具备的机器学习装置50具有与前述机器学习装置20同等的效果。尤其是机器学习装置50能根据决策部52的输出使环境的状态变化。另一方面，机器学习装置20能对外部装置(例如工业机械的控制装置)要求相当于用于向环境反映学习部26的学习结果的决策部的功能。
图7表示具备工业机械60的一个实施方式提供的装配系统70。装配系统70具备具有同一机械结构的多个工业机械60、60’和将这些工业机械60、60’彼此连接的网络72，多个工业机械60、60’中的至少一个能构成为具备上述的精加工量预测装置40的工业机械60。另外，装配系统70能包括不具备精加工量预测装置40的工业机械60’。工业机械60、60’具有需要对机构所具备的部件进行精加工的通常工业机械具备的结构。
具有上述结构的装配系统70中，多个工业机械60、60’中具备精加工量预测装置40的工业机械60使用学习部26的学习结果，能不依靠运算、目测地自动地正确求出与安装有精加工对象的部件的机械中各部分的精度对应的该部件各部分的精加工量。另外，至少一个工业机械60的精加工量预测装置40能构成为基于针对其他多个工业机械60、60’分别得到的状态变量S以及判定数据D，学习所有工业机械60、60’通用的部件各部分的精加工量，使该学习结果由所有工业机械60、60’共享。因此，根据装配系统70，能以更加多样的数据集合(包括状态变量S以及判定数据D)为输入，提高部件各部分精加工量的学习速度、可靠性。
图8表示具备工业机械60’的另一实施方式提供的装配系统70’。该装配系统70’具备机器学习装置50(或者20)、具有同一机械结构的多个工业机械60’、以及将这些工业机械60’与机器学习装置50(或者20)彼此连接的网络72。
具有上述结构的装配系统70’中，机器学习装置50(或者20)基于针对多个工业机械60’分别得到的状态变量S以及判定数据D，学习所有工业机械60’通用的部件各部分的精加工量，并使用该学习结果，不依靠运算、目测地自动地正确求出与安装有精加工对象部件的机械中各部分的精度对应的部件各部分的精加工量。
装配系统70’能具有机器学习装置50(或者20)存在于网络72所提供的云服务器的结构。根据该结构，不论多个工业机械60’分别存在的场所、时期如何，能在必要时将必要数量的工业机械60’连接到机器学习装置50(或者20)。
从事于装配系统70、70’的作业人员能在机器学习装置50(或者20)开始学习后的适当时期，执行机器学习装置50(或者20)对部件各部分精加工量的学习达成度(即部件各部分精加工量的可靠性)是否达到了要求水平的判断。
以上说明了本发明的实施方式，但是本发明不仅局限于上述的实施方式，而是通过施加适宜的变更能以各种方式来实施。
例如，机器学习装置20、50执行的学习算法、机器学习装置50执行的运算算法、精加工量预测装置10、40执行的控制算法等不局限于上述的算法，而是能采用各种算法。

Claims (7)

1.一种精加工量预测装置，其预测在进行安装于机械的部件各部分的精加工时该部件各部分的精加工量，其特征在于，
该精加工量预测装置具备：学习所述精加工中部件各部分的精加工量的机器学习装置，
所述机器学习装置具备：
状态观测部，其观测表示所述精加工中部件各部分的精加工量的精加工量数据以及表示该精加工开始前测定的安装有该部件的机械的各部分的精度的精度数据，来作为表示环境的当前状态的状态变量，其中，所述精加工包括研磨和刮削，所述精加工量数据包括所述部件的各部分的研磨次数、研磨量和刮削次数中的至少一个；
判定数据获取部，其获取表示安装有所述精加工后的部件的机械的各部分的精度的适宜与否判定结果的判定数据；以及
学习部，其使用所述状态变量和所述判定数据，与所述精度数据相关联地学习所述精加工中部件各部分的精加工量，从而识别机械各部分的精度与对部件各部分的精加工量之间的相关性的特征，
所述学习部具备：
误差计算部，其计算从所述状态变量以及所述判定数据导出所述精加工中部件各部分的精加工量的相关性模型与从预先准备的教师数据识别的相关性特征之间的误差，以及
模型更新部，其以使所述误差缩小的方式更新所述相关性模型，
其中，所述教师数据由通过记录过去对部件的精加工中熟练作业者确定的部件各部分精加工量而积累的经验值构成。
2.根据权利要求1所述的精加工量预测装置，其特征在于，
所述状态观测部还观测品种信息，来作为所述状态变量，所述品种信息包括：识别所述机械的种类的机械种类信息、识别所述部件的品种的部件品种信息、所述部件的制造批次号、和制造所述部件的制造企业的识别信息，
所述学习部与所述精度数据以及所述品种信息这两者相关联地学习所述精加工中部件各部分的精加工量。
3.根据权利要求1或2所述的精加工量预测装置，其特征在于，
所述学习部具备：
回报计算部，其求出与所述适宜与否判定结果相关联的回报；以及
价值函数更新部，其使用所述回报，更新表示所述精加工中部件各部分的精加工量的价值的函数。
4.根据权利要求1所述的精加工量预测装置，其特征在于，
所述学习部通过多层构造来运算所述状态变量和所述判定数据。
5.根据权利要求1所述的精加工量预测装置，其特征在于，
该精加工量预测装置还具备：决策部，其基于所述学习部的学习结果，显示或者输出所述精加工中部件各部分的精加工量。
6.根据权利要求1所述的精加工量预测装置，其特征在于，
所述学习部使用针对多个工业机械的每一个而得到的所述状态变量以及所述判定数据，学习该多个工业机械各自的所述精加工中部件各部分的精加工量。
7.一种机器学习装置，其学习在进行安装于机械的部件各部分的精加工时该部件各部分的精加工量，其特征在于，
该机器学习装置具备：
状态观测部，其观测表示所述精加工中部件各部分的精加工量的精加工量数据以及表示该精加工开始前测定的安装有该部件的机械的各部分的精度的精度数据，来作为表示环境的当前状态的状态变量，其中，所述精加工包括研磨和刮削，所述精加工量数据包括所述部件的各部分的研磨次数、研磨量和刮削次数中的至少一个；
判定数据获取部，其获取表示安装有所述精加工后的部件的机械的各部分的精度的适宜与否判定结果的判定数据；以及
学习部，其使用所述状态变量和所述判定数据，与所述精度数据相关联地学习所述精加工中部件各部分的精加工量，从而识别机械各部分的精度与对部件各部分的精加工量之间的相关性的特征，
所述学习部具备：
误差计算部，其计算从所述状态变量以及所述判定数据导出所述精加工中部件各部分的精加工量的相关性模型与从预先准备的教师数据识别的相关性特征之间的误差，以及
模型更新部，其以使所述误差缩小的方式更新所述相关性模型，
其中，所述教师数据由通过记录过去对部件的精加工中熟练作业者确定的部件各部分精加工量而积累的经验值构成。
CN201810186456.XA 2017-03-08 2018-03-07 精加工量预测装置以及机器学习装置 Active CN108573310B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017044274A JP6499689B2 (ja) 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置
JP2017-044274 2017-03-08

Publications (2)

Publication Number Publication Date
CN108573310A CN108573310A (zh) 2018-09-25
CN108573310B true CN108573310B (zh) 2021-03-12

Family

ID=61192794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810186456.XA Active CN108573310B (zh) 2017-03-08 2018-03-07 精加工量预测装置以及机器学习装置

Country Status (6)

Country Link
US (1) US10921789B2 (zh)
EP (1) EP3372342B1 (zh)
JP (1) JP6499689B2 (zh)
KR (1) KR20180103002A (zh)
CN (1) CN108573310B (zh)
TW (1) TWI709089B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020049817A (ja) * 2018-09-27 2020-04-02 セイコーエプソン株式会社 印刷装置、学習装置、学習方法、及び、プログラム
JP7205751B2 (ja) * 2018-11-02 2023-01-17 オムロン株式会社 噛み込み検知システム
CN109732450B (zh) * 2019-02-27 2021-02-26 重庆理工大学 一种基于神经网络的叶片抛磨加工方法
JP7057303B2 (ja) * 2019-03-14 2022-04-19 ファナック株式会社 加工シミュレート装置及び加工シミュレートプログラム
JP7302226B2 (ja) * 2019-03-27 2023-07-04 株式会社ジェイテクト 研削盤の支援装置及び支援方法
CA3135451A1 (en) * 2019-03-29 2020-10-08 Saint-Gobain Abrasives, Inc. Performance grinding solutions
JP7047812B2 (ja) * 2019-05-16 2022-04-05 セイコーエプソン株式会社 情報処理装置、印刷装置、学習装置及び情報処理方法
JP7081565B2 (ja) * 2019-05-16 2022-06-07 セイコーエプソン株式会社 情報処理装置、印刷装置、学習装置及び情報処理方法
US11222284B2 (en) * 2019-06-10 2022-01-11 The Boeing Company Laminate nonconformance management system
US11669077B2 (en) * 2019-07-03 2023-06-06 Mitsubishi Electric Corporation Machine learning apparatus, numerical control apparatus, wire electric discharge machine, and machine learning method
JP6661065B1 (ja) * 2019-07-05 2020-03-11 三菱電機株式会社 機械学習装置、ワイヤ放電加工システム、および機械学習方法
JP6856162B2 (ja) * 2019-09-24 2021-04-07 ダイキン工業株式会社 制御システム
JP7351702B2 (ja) * 2019-10-04 2023-09-27 ファナック株式会社 ワーク搬送システム
JP7368170B2 (ja) 2019-10-08 2023-10-24 ファナック株式会社 表面仕上げ装置
WO2021193663A1 (ja) * 2020-03-25 2021-09-30 シチズン時計株式会社 切削装置及び学習済みモデル生成方法
US11780047B2 (en) * 2020-06-24 2023-10-10 Applied Materials, Inc. Determination of substrate layer thickness with polishing pad wear compensation
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
KR20220148017A (ko) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 기계학습 기반 공작기계 이상진단 데이터 수집 시스템 및 수집 방법
US11715300B1 (en) * 2022-01-28 2023-08-01 Robert Bosch Gmbh Systems and methods for providing product assembly step recognition using augmented reality
KR20230158785A (ko) 2022-05-12 2023-11-21 주식회사 디엔솔루션즈 기계학습 기반 공작기계의 수집데이터 동기화 시스템 및 동기화 방법
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106002490A (zh) * 2016-05-12 2016-10-12 西北工业大学 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2880567B2 (ja) * 1990-08-27 1999-04-12 豊田工機株式会社 加工診断装置
JP2961621B2 (ja) * 1990-09-27 1999-10-12 豊田工機株式会社 数値制御装置の加工条件作成機能の学習方法
JP2880569B2 (ja) 1990-09-27 1999-04-12 豊田工機株式会社 加工条件自動作成機能を有する数値制御装置
JPH0768456A (ja) * 1993-09-03 1995-03-14 Osaka Kiko Co Ltd 修正研磨加工方法
JP3159889B2 (ja) * 1995-04-28 2001-04-23 株式会社日平トヤマ カム研削盤
JPH09212218A (ja) * 1996-01-30 1997-08-15 Nippei Toyama Corp 非真円体の研削装置
JPH10156715A (ja) 1996-11-27 1998-06-16 Okuma Mach Works Ltd 研削盤の砥石台及びこの研削盤を用いた研削加工方法
JP3378834B2 (ja) * 1999-07-08 2003-02-17 川崎重工業株式会社 仕上げ加工方法および装置
CN101738981B (zh) * 2009-12-04 2011-06-15 清华大学 基于机器学习的机器人磨削方法
EP2872955A4 (en) * 2012-07-10 2016-08-10 Matitiahu Tiano MODULAR SYSTEM FOR REAL-TIME EVALUATION AND MONITORING OF THE TOTAL PERFORMANCE OF A MACHINING PRODUCTION LINE CALCULATED FROM ALL INDIVIDUAL WORKPIECES, TOOLS AND MACHINES
JP2017030067A (ja) * 2015-07-30 2017-02-09 ファナック株式会社 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
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
JP6140228B2 (ja) 2015-08-27 2017-05-31 ファナック株式会社 加工条件を調整しながら加工を行うワイヤ放電加工機
JP6438366B2 (ja) * 2015-08-28 2018-12-12 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置
JP6063016B1 (ja) * 2015-09-29 2017-01-18 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械
CN105867305B (zh) * 2016-05-13 2018-06-12 南京航空航天大学 基于加工特征的复杂结构件数控加工状态实时监控方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106002490A (zh) * 2016-05-12 2016-10-12 西北工业大学 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An efficient error compensation system for CNC multi-axis machines;Shih-Ming Wang等;《MACHINE TOOLS & MANUFACTURE》;20021231;1235-1245 *
An in-process surface recognition system based on neural networks in end milling cutting operations;Yu-Hsuan Tsai等;《MACHINE TOOLS & MANUFACTURE》;19991231;583-605 *

Also Published As

Publication number Publication date
CN108573310A (zh) 2018-09-25
JP6499689B2 (ja) 2019-04-10
EP3372342B1 (en) 2021-08-25
US20180259946A1 (en) 2018-09-13
JP2018144207A (ja) 2018-09-20
US10921789B2 (en) 2021-02-16
TW201843620A (zh) 2018-12-16
EP3372342A1 (en) 2018-09-12
KR20180103002A (ko) 2018-09-18
TWI709089B (zh) 2020-11-01

Similar Documents

Publication Publication Date Title
CN108573310B (zh) 精加工量预测装置以及机器学习装置
CN108621154B (zh) 清洗工序最优化装置以及机器学习装置
CN108723889B (zh) 加减速控制装置
CN108241342B (zh) 数值控制装置以及机器学习装置
CN108345273B (zh) 数值控制装置及机器学习装置
CN109955115B (zh) 切屑去除装置以及信息处理装置
JP6219897B2 (ja) 最適な加減速を生成する工作機械
JP6169655B2 (ja) 工作機械、シミュレーション装置、及び機械学習器
CN106552974B (zh) 具有移动轴异常负载警告功能的线放电加工机
CN108803499B (zh) 控制装置以及机器学习装置
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
JP6557285B2 (ja) 制御装置及び機械学習装置
JP6767416B2 (ja) 加工条件調整装置及び機械学習装置
CN110347120A (zh) 控制装置以及机器学习装置
JP2019168973A (ja) 駆動装置及び機械学習装置
CN108732963B (zh) 控制装置及机器学习装置
JP2019141869A (ja) 制御装置及び機械学習装置
CN109254562A (zh) 控制装置以及学习装置
CN108687766B (zh) 机器人的控制装置、机器学习装置以及机器学习方法
JP6940425B2 (ja) 制御装置及び機械学習装置

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