CN109693146B - 寿命推定装置以及机器学习装置 - Google Patents

Abstract

本发明提供一种寿命推定装置以及机器学习装置。用于推定对旋转台的旋转进行夹紧的夹紧机构的寿命的装置具备机器学习装置。该机器学习装置观测旋转台的运转状态数据以及该旋转台的运转履历数据，来作为表示环境的当前状态的状态变量，另外，取得表示夹紧机构的寿命的寿命数据来作为标签数据。然后，使用这些观测到的状态变量和取得的标签数据，将运转状态数据以及运转履历数据与寿命数据关联起来进行学习。

Description

寿命推定装置以及机器学习装置

技术领域

本发明涉及寿命推定装置以及机器学习装置，特别涉及推定旋转台的夹紧机构的寿命的寿命推定装置以及机器学习装置。

背景技术

在具备由旋转台、保持该旋转台的夹紧机构以及驱动旋转台的驱动电动机构成的旋转分度装置的机床中，将工件放置并固定在旋转台上，在进行工件的加工时，通过驱动电动机使旋转台旋转而定位到预定的角度位置，驱动夹紧机构而在该定位位置夹紧旋转台。这样的夹紧机构例如具备制动盘，通过向该制动盘的压力接触等来进行夹紧动作。

在具备上述构造的夹紧机构中，在重复进行夹紧动作的过程中，由于保持夹紧状态的期间的加工负荷等那样的各种外部因素，在包括盖、活塞、制动盘、空气阀等在内的夹紧机构的各部会产生磨损、劣化等。如果夹紧机构的各部的磨损发展，则夹紧性能降低，最终达到夹紧机构的寿命。如果夹紧机构达到寿命，则在加工时无法将工件固定在定位位置，因此在旋转动作或加工时产生异常警报，旋转台或机床变得无法使用。为此，需要预先预测达到寿命的情况，在达到寿命之前进行夹紧机构的维护。

作为预测夹紧机构的寿命的现有技术，例如在日本特开2016-020008号公报中公开了以下的技术，即计算在夹紧了旋转台时对制动器施加的干扰转矩，求出与计算出的干扰转矩对应的系数，累计计算该系数，在该系数的累计计算值达到预先设定的值时，报告制动盘达到寿命。

但是，在考虑夹紧机构寿命的情况下，不只是如日本特开2016-020008号公报所公开的那样考虑制动盘的磨损，还需要结合盖、活塞、空气阀等其他部分的状态来进行考虑。为此，为了自动并且正确地判断夹紧机构的寿命，需要考虑其他各种外部因素，仅通过像日本特开2016-020008号公报所记载的那样简单地使用根据干扰转矩计算出的系数，难以正确地判断寿命。

发明内容

因此，本发明的目的在于，提供一种能够自动并且正确地推定夹紧机构的寿命的寿命推定装置以及机器学习装置。

本发明的寿命推定装置通过汇集至少一个旋转台运转中的数据，来收集夹具和/或工件重量、夹紧/松开频度、气源压力、旋转轴的速度、旋转轴的载荷、运转时间等数据，基于收集到的数据进行机器学习，由此推定旋转台的夹紧装置的寿命，从而解决上述问题。

另外，本发明的一个形式的寿命推定装置推定对旋转台的旋转进行夹紧或松开的夹紧机构的寿命，该寿命推定装置具备：机器学习装置，其学习与上述旋转台的状态相对的上述夹紧机构的寿命的推定；状态观测部，其观测与上述旋转台的运转状态相关的运转状态数据、与上述旋转台的运转履历相关的运转履历数据，来作为表示环境的当前状态的状态变量；标签数据取得部，其取得表示上述夹紧机构的寿命的寿命数据来作为标签数据；学习部，其使用上述状态变量和上述标签数据，将上述运转状态数据以及运转履历数据与上述寿命数据关联起来进行学习。

上述学习部可具备：误差计算部，其计算根据上述状态变量推定上述夹紧机构的寿命的相关性模型与根据预先准备的训练数据识别的相关性特征之间的误差；模型更新部，其更新上述相关性模型使得缩小上述误差。

上述学习部可以通过多层构造计算上述状态变量和上述标签数据。

上述寿命推定装置还可具备推定结果输出部，该推定结果输出部根据上述学习部的学习结果，输出上述夹紧机构的寿命的推定结果。

上述机器学习装置能够存在于云服务器中。

本发明一个形式的机器学习装置学习与旋转台的状态相对的夹紧机构的寿命的推定，该夹紧机构对上述旋转台的旋转进行夹紧或松开，该机器学习装置具备：状态观测部，其观测与上述旋转台的运转状态相关的运转状态数据以及与上述旋转台的运转履历相关的运转履历数据，来作为表示环境的当前状态的状态变量；标签数据取得部，其取得表示上述夹紧机构的寿命的寿命数据来作为标签数据；学习部，其使用上述状态变量和上述标签数据，将上述运转状态数据以及运转履历数据与上述寿命数据关联起来进行学习。

根据本发明，能够自动并且正确地推定旋转台的夹紧机构的寿命，能够通过夹紧机构的尽早修理来避免停机时间。

附图说明

图1是一个实施方式的寿命推定装置的概要硬件结构图。

图2是一个实施方式的寿命推定装置的概要功能框图。

图3是表示预处理部执行的预处理的例子的图。

图4是表示寿命推定装置的一个形式的概要功能框图。

图5A是说明神经元的图。

图5B是说明神经网络的图。

图6是表示组合了寿命推定装置的系统的一个方式的概要功能框图。

具体实施方式

图1是表示第一实施方式的寿命推定装置的主要部分的概要硬件结构图。

寿命推定装置1例如既可以作为对具备旋转台的加工机进行控制的控制装置来实现，也可以作为经由网络与具备旋转台的加工机连接的单元计算机、主计算机、云服务器等计算机来实现。该寿命推定装置1所具备的CPU11是对寿命推定装置1进行整体控制的处理器，经由总线20读出存储在ROM12中的系统程序，依照该系统程序控制整个寿命推定装置1。在RAM13中暂时存储了临时的计算数据、操作者经由未图示的输入部输入的各种数据等。

非易失性存储器14例如构成为通过未图示的电池进行支援等，即使寿命推定装置1的电源被切断也保持存储状态的存储器。在非易失性存储器14中，存储有操作者经由未图示的输入部输入的各种数据、经由接口19从加工机70取得的各种数据(例如，在安装在加工机70的旋转台的动作的控制中使用的设定值、夹具和工件的重量、旋转台的维护信息等)、经由未图示的接口输入的控制用程序等。也可以在执行时/使用时将存储在非易失性存储器14中的程序、各种数据在RAM13中展开。另外，在ROM12中预先写入了系统程序，该系统程序包括用于对从加工机70取得的与旋转台的动作有关的信息进行分析的公知的分析程序、用于控制与后述的机器学习装置100之间的交换的系统程序等。

能够经由接口19从加工机70取得与旋转台的运转相关的数据。从加工机70取得的与旋转台的运转相关的数据例如包含由程序等指示的夹紧/松开的次数、在旋转台的夹紧/松开中使用的泵的气源压力、旋转台的旋转轴速度、对旋转台施加的负荷、旋转台的运转时间等。

接口21是用于将寿命推定装置1与机器学习装置100进行连接的接口。机器学习装置100具备控制整个机器学习装置100的处理器101、存储了系统程序等的ROM102、用于进行与机器学习相关的各处理中的暂时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测能够经由接口21由寿命推定装置1取得的各信息(在安装在加工机70的旋转台的动作的控制中使用的设定值、夹具和工件的重量、旋转台的维护信息、夹紧/松开的次数、旋转台的夹紧/松开所使用的泵的气源压力、旋转台的旋转轴速度、对旋转台施加的负荷、旋转台的运转时间等)。另外，寿命推定装置1接受从机器学习装置100输出的旋转台的夹紧机构的寿命的推定并在显示器60中进行显示。

图2是第一实施方式的寿命推定装置1和机器学习装置100的概要功能框图。

图1所示的寿命推定装置1所具备的CPU11以及机器学习装置100的处理器101执行各自的系统程序，控制寿命推定装置1和机器学习装置100的各部的动作，由此实现图2所示的各功能模块。

本实施方式的寿命推定装置1具备：预处理部32，其根据在非易失性存储器14中积蓄的与旋转台的运转状态和运转履历相关的数据，生成机器学习装置100的学习所使用的数据；显示部34，其在显示器60显示从机器学习装置100输出的旋转台的夹紧机构的寿命的推定结果。显示部34例如可以在从机器学习装置100输出的旋转台的夹紧机构的寿命为预先决定的预定的时间以下时，在显示器60中显示旋转台的夹紧机构的寿命的推定结果。

预处理部32根据(例如过去从加工机70取得)在非易失性存储器14中积蓄的与旋转台的运转状态和运转履历相关的数据，生成机器学习装置100的学习所使用的数据。

图3是说明预处理部32执行的预处理的例子的图。预处理部32从旋转台的夹紧机构达到寿命从而进行了旋转台维护的时刻(对于进行了维护的时刻以及维护内容，例如根据进行维护的操作者经由加工机70的输入装置输入的维护信息等来确定)开始进行追溯，收集与旋转台的运转状态和运转履历相关的数据，然后针对预先决定的直到寿命为止的每个剩余时间(在图3中为t1、t2、t3)进行分类，生成以旋转台的运转状态以及运转履历与直到寿命为止的剩余时间为一组的数据集。然后，将这样生成的数据集用于机器学习装置100的学习。

另一方面，寿命推定装置1所具备的机器学习装置100包含软件(学习算法等)以及硬件(处理器101等)，其用于通过所谓的机器学习来自己学习与安装在加工机70中的旋转台的运转状态相对的该旋转台的夹紧机构的寿命的推定。寿命推定装置1所具备的机器学习装置100所学习的内容相当于一种模型构造，该模型构造表示安装在加工机70的旋转台的运转状态与旋转台的夹紧机构的寿命之间的相关性。

如在图2中用功能模块所示那样，寿命推定装置1所具备的机器学习装置100具备：状态观测部106，其观测表示旋转台的运转状态的运转状态数据S1和表示旋转台的运转履历的运转履历数据S2来作为表示环境的当前状态的状态变量S；标签数据取得部108，其取得包含寿命数据L1的标签数据L，该寿命数据L1表示直到需要进行旋转台的夹紧机构的维护为止的期间即寿命；学习部110，其使用状态变量S和标签数据L，将运转状态数据S1与旋转台的运转状态和输送机正在输送的输送物的状态关联起来进行学习；推定结果输出部122，其输出使用学习部110的已学习模型根据旋转台的运转状态、运转履历推定出的旋转台的寿命。

状态观测部106在学习部110进行学习时，从预处理部32取得作为状态变量S的运转状态数据S1和运转履历数据S2。另外，在使用学习部110的学习结果来推定旋转台的夹紧机构的寿命时，状态观测部106从加工机70取得作为状态变量S的运转状态数据S1和运转履历数据S2。

例如，作为与旋转台的运转相关的数据集，能够取得状态观测部106观测的状态变量S中的运转状态数据S1。在与旋转台的运转相关的数据中，例如包含安装在旋转台的夹具和工件的重量、夹紧/松开的频度、旋转台的夹紧/松开所使用的泵的气源压力、旋转台的旋转轴速度、对旋转台施加的负荷等。只要是与旋转台的运转相关联的数据，对于运转状态数据S1能够使用与各个旋转台的运转环境对应的各种数据。在运转状态数据S1中包含的各个与运转状态相关的数据例如可以是单体的数值(例如，夹具重量等)，也可以是以预定周期对在预定期间内变化的值进行采样而得到的值的序列(例如对旋转台施加的负荷等)。

作为从未图示的输入装置输入或者从加工机70取得的与旋转台的运转相关的履历，能够取得状态变量S中的运转履历数据S2。在该运转履历数据S2中例如包含旋转台的累积运转时间、累积夹紧/松开次数等。只要是与旋转台的运转的履历关联的数据，对于运转履历数据S2能够使用与各个旋转台的运转环境对应的各种数据。

标签数据取得部108在学习部110进行学习时，从预处理部32取得寿命数据L1来作为标签数据L，该寿命数据L1是与直到需要进行旋转台的夹紧机构的维护为止的期间即寿命相关的数据。关于该寿命数据L1，取得图3例示的达到寿命为止的剩余时间来作为寿命数据L1。标签数据取得部108在学习部110进行学习时使用，在学习部110的学习完成之后，无需设为机器学习装置100的所需结构。

学习部110依照被统称为机器学习的任意的学习算法，学习与状态变量S(表示旋转台的运转状态的运转状态数据S1以及表示旋转台的运转履历的运转履历数据S2)相对的标签数据L(表示直到需要进行旋转台的夹紧机构的维护为止的期间即寿命的寿命数据L1)。学习部110例如能够学习状态变量S中包含的运转状态数据S1以及运转履历数据S2与标签数据L中包含的寿命数据L1之间的相关性。学习部110能够基于包含状态变量S和标签数据L的数据集合来反复执行学习。

在学习部110的学习中，希望根据从分别开始使用多个旋转台直到夹紧机构达到寿命为止得到的数据(如图3例示的那样，根据直到一个旋转台达到寿命为止取得的数据，取得多个每个剩余寿命的数据)来执行多个学习循环。通过重复进行这样的学习循环，学习部110自动地解释旋转台的运转状态(运转状态数据S1)以及旋转台的运转履历(运转履历数据S2)与直到需要进行旋转台的夹紧机构的维护为止的期间即寿命(寿命数据L1)之间的相关性。在学习算法的开始时，寿命数据L1相对于运转状态数据S1以及运转履历数据S2的相关性实质上是未知的，但是随着学习部110进行学习，逐渐解释了寿命数据L1相对于运转状态数据S1以及运转履历数据S2的相关性，通过使用作为其结果而得到的已学习模型，能够解释寿命数据L1相对于运转状态数据S1以及运转履历数据S2的相关性。

推定结果输出部122基于学习部110学习的结果(已学习模型)，根据从加工机70得到的旋转台的运转状态和运转履历，推定安装在该加工机70中的旋转台的夹紧机构的寿命，并输出所推定出的旋转台的夹紧机构的寿命。

在具有上述结构的机器学习装置100中，学习部110执行的学习算法并没有特别限定，可以采用作为机器学习而公知的学习算法。

图4是图2所示的寿命推定装置1的另一方式，表示了具备作为学习算法的其他例子执行监督学习的学习部110的结构。监督学习是指以下的方法，赋予输入以及与该输入对应的输出的已知的数据集(称为训练数据)，根据这些训练数据来识别特征，该特征暗示了输入与输出之间的相关性，由此来学习用于推定与新的输入相对的所需输出的相关性模型。

在图4所示的寿命推定装置1所具备的机器学习装置100中，学习部110具备：误差计算部112，其计算相关性模型M与根据从过去的旋转台的运转数据以及维护的结果得到的训练数据T而识别的相关性特征之间的误差E，其中，上述相关性模型M用于根据从加工机70得到的旋转台的运转状态以及运转履历来推定安装在该加工机70中的旋转台的夹紧机构的寿命；模型更新部114，其更新相关性模型M使得缩小误差E。学习部110通过由模型更新部114重复进行相关性模型M的更新，来学习根据从加工机70得到的旋转台的运转状态以及运转履历推定安装在该加工机70中的旋转台的夹紧机构的寿命。

例如，简化状态变量S与标签数据L1之间的相关性(例如使用一次函数)来表现相关性模型M的初始值，在监督学习开始前向学习部110提供该相关性模型M的初始值。在本发明中如上所述，关于训练数据T，可以使用过去取得的与旋转台的运转相关的数据以及与维护相关的数据，在使用寿命推定装置1时随时提供给学习部110。误差计算部112根据随时提供给学习部110的训练数据T，识别暗示了从加工机70取得的旋转台的运转状态以及运转履历与安装在该加工机70中的旋转台的夹紧机构的寿命之间的相关性的相关性特征，并求出该相关性特征与当前状态下的状态变量S以及标签数据L所对应的相关性模型M之间的误差E。模型更新部114例如依照预先决定的更新规则，向误差E变小的方向更新相关性模型M。

在下一个学习循环，误差计算部112依照更新后的相关性模型M，使用状态变量S来进行旋转台的夹紧机构的寿命的推定，求出该推定的结果与实际取得的标签数据L之间的误差E，模型更新部114再次更新相关性模型M。如此未知环境的当前状态和与该当前状态相对的推定之间的相关性逐渐变得明确。

在进行上述的监督学习时，能够使用神经网络。图5A示意地表示神经元的模型。图5B示意地表示组合图5A所示的神经元而构成的三层神经网络的模型。神经网络例如能够由模仿了神经元模型的运算装置、存储装置等构成。

图5A所示的神经元输出与多个输入x(在此作为一个例子，为输入x1～输入x3)相对的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出通过以下的式(1)表现的结果y。此外，在式(1)中，输入x、结果y以及加权w全部是向量。另外，θ是偏差，fk是激活函数。

在图5B所示的三层的神经网络中，从左侧输入多个输入x(在此作为一个例子，为输入x1～输入x3)，从右侧输出结果y(在此作为一个例子，为结果y1～结果y3)。在图示的例子中，对输入x1、x2、x3分别乘以对应的权重(统一用w1表示)，将各个输入x1、x2、x3都输入给三个神经元N11、N12、N13。

在图5B中，统一用z1表示神经元N11～N13的各个输出。z1能够看作是提取输入向量的特征量而得到的特征向量。在图示的例子中，对各个特征向量z1分别乘以对应的权重(统一用w2表示)，将各个特征向量z1都输入到两个神经元N21、N22。特征向量z1表示权重W1与权重W2之间的特征。

进而，统一用z2表示神经元N21～N22的各个输出。z2可以看作是提取特征向量z1的特征量而得到的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(统一用w3表示)，将各个特征向量z2都输入到三个神经元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。

此外，还能够使用采用了三层以上的神经网络的所谓的深度学习的方法。

在寿命推定装置1所具备的机器学习装置100中，将状态变量S作为输入x，学习部110按照上述神经网络进行多层构造的运算，由此能够根据安装在加工机70的旋转台的运转状态以及运转履历的值(输入x)，推定该旋转台的寿命(结果y)。此外，在神经网络的动作模式中具有学习模式和价值预测模式，例如，能够在学习模式下使用学习数据集来学习权重w，使用所学习的权重w在价值预测模式下进行行为的价值判断。此外，在价值预测模式下，还能够进行检测、分类、推论等。

能够将上述的机器学习装置100的结构记述为由处理器101分别执行的机器学习方法(或软件)。该机器学习方法是根据安装在加工机70的旋转台的运转状态以及运转履历来学习该旋转台的寿命的推定的机器学习方法，包含：处理器101观测安装在加工机70的旋转台的运转状态(运转状态数据S1)以及运转履历(运转履历数据S2)来作为表示当前状态的状态变量S的步骤；取得旋转台的寿命(寿命数据L1)来作为标签数据L的步骤；使用状态变量S和标签数据L，将运转状态数据S1以及运转履历数据S2与旋转台的寿命关联起来进行学习的步骤。

能够将通过机器学习装置100的学习部110进行学习而得到的已学习模型作为与机器学习相关的软件的一部分即程序模块来使用。能够由具备CPU、GPU等处理器和存储器的计算机来使用本发明的已学习模型。更具体地说，计算机的处理器以如下方式进行动作：依照来自存储器中存储的已学习模型的指令，将安装在加工机70的旋转台的运转状态以及运转履历作为输入来进行运算，根据运算结果输出该旋转台的寿命的推定结果。能够经由外部存储介质、网络等在其他计算机中复制并使用本发明的已学习模型。

另外，在将本发明的已学习模型复制到其他计算机并在新的环境中使用时，还能够根据在该环境中得到的新的状态变量、标签数据，对上述已学习模型进行进一步的学习。在这样的情况下，能够得到从基于该环境的已学习模型派生出的已学习模型(以下称为派生模型)。本发明的派生模型在根据安装在加工机70的旋转台的运转状态以及运转履历输出该旋转台的寿命的推定结果这一点上与原来的已学习模型相同，但在输出比原来的已学习模型更适合新环境的结果这一点上不同。此外，也能够经由外部存储介质、网络等在其他的计算机中复制并使用该派生模型。

并且，还能够使用针对装入了本发明的已学习模型的机器学习装置的输入而得到的输出，在其他机器学习装置中生成从1开始进行学习而得到的已学习模型(以下称为蒸馏模型)，并使用该蒸馏模型(将这样的学习过程称为蒸馏)。在蒸馏中，还将原来的已学习模型称为教师模型，将新生成的蒸馏模型称为学生模型。虽然蒸馏模型的大小一般比原来的已学习模型小，但是能够得出与原来的已学习模型同等的正确度，因此更适合于经由外部存储介质、网络等向其他计算机发布。

图6表示具备寿命推定装置1的一实施方式的系统170。

系统170具备作为单元计算机、主计算机、云服务器等计算机的一部分而安装的至少一台寿命推定装置1、多个加工机70、将寿命推定装置1与加工机70相互连接的有线/无线的网络172。

在具有上述结构的系统170中，具备机器学习装置100的寿命推定装置1能够使用学习部110的学习结果，自动并且正确地推定与安装在加工机70的旋转台的运转状态和运转履历对应的该旋转台的寿命。另外，能够构成为寿命推定装置1的机器学习装置100根据针对多个加工机70分别得到的状态变量S以及标签数据L，学习对于全部的加工机70通用的旋转台的寿命的推定，在全部的加工机70中使用该学习结果。因此，根据系统170，能够将更多样的数据集合(包含状态变量S以及标签数据L)作为输入，提高旋转台的寿命的推定的学习速度和可靠性。

以上，说明了本发明的实施方式，但本发明并不只限于上述实施方式的例子，通过施加适当的变更能够以各种方式来实施。

例如，机器学习装置100所执行的学习算法、运算算法、寿命推定装置1所执行的算法等并不限于上述的算法，可以采用各种算法。

另外，在上述实施方式中，将寿命推定装置1和机器学习装置100说明为具有不同的CPU的装置，但是也可以通过寿命推定装置1所具备的CPU11、在ROM12中存储的系统程序来实现机器学习装置100。

Claims (6)

1.一种寿命推定装置，其推定对旋转台的旋转进行夹紧或松开的夹紧机构的直到需要维护为止的期间，其特征在于，

上述寿命推定装置具备：

机器学习装置，其学习与上述旋转台的运转状态相对的上述夹紧机构的直到需要维护为止的期间的推定；

状态观测部，其观测与上述旋转台的运转状态相关的运转状态数据以及与上述旋转台的运转履历相关的运转履历数据，来作为表示环境的当前状态的状态变量；

标签数据取得部，其取得表示上述夹紧机构的直到需要维护为止的期间的寿命数据来作为标签数据；以及

学习部，其使用上述状态变量和上述标签数据，学习上述运转状态数据以及运转履历数据与上述寿命数据之间的相关性，

所述运转状态数据包含安装在旋转台的夹具和工件的重量、夹紧或松开的频度、旋转台的旋转轴速度、对旋转台施加的负荷中的至少一个。

2.根据权利要求1所述的寿命推定装置，其特征在于，

上述学习部具备：

误差计算部，其计算根据上述状态变量推定上述夹紧机构的直到需要维护为止的期间的相关性模型与根据预先准备的训练数据识别的相关性特征之间的误差；以及

模型更新部，其更新上述相关性模型使得缩小上述误差。

3.根据权利要求1或2所述的寿命推定装置，其特征在于，

上述学习部通过多层构造运算上述状态变量和上述标签数据。

4.根据权利要求1或2所述的寿命推定装置，其特征在于，

上述寿命推定装置还具备推定结果输出部，该推定结果输出部根据上述学习部的学习结果，输出上述夹紧机构的直到需要维护为止的期间的推定结果。

5.根据权利要求1或2所述的寿命推定装置，其特征在于，

上述机器学习装置存在于云服务器中。

6.一种机器学习装置，其学习与旋转台的运转状态相对的对上述旋转台的旋转进行夹紧或松开的夹紧机构的直到需要维护为止的期间的推定，其特征在于，

上述机器学习装置具备：

状态观测部，其观测与上述旋转台的运转状态相关的运转状态数据以及与上述旋转台的运转履历相关的运转履历数据，来作为表示环境的当前状态的状态变量；

标签数据取得部，其取得表示上述夹紧机构的直到需要维护为止的期间的寿命数据来作为标签数据；以及

学习部，其使用上述状态变量和上述标签数据，学习上述运转状态数据以及运转履历数据与上述寿命数据之间的相关性，

所述运转状态数据包含安装在旋转台的夹具和工件的重量、夹紧或松开的频度、旋转台的旋转轴速度、对旋转台施加的负荷中的至少一个。

Images