CN109960219B - 控制装置以及机器学习装置 - Google Patents

控制装置以及机器学习装置 Download PDF

Info

Publication number
CN109960219B
CN109960219B CN201811601640.2A CN201811601640A CN109960219B CN 109960219 B CN109960219 B CN 109960219B CN 201811601640 A CN201811601640 A CN 201811601640A CN 109960219 B CN109960219 B CN 109960219B
Authority
CN
China
Prior art keywords
machining
pid control
learning
spindle
environment
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
CN201811601640.2A
Other languages
English (en)
Other versions
CN109960219A (zh
Inventor
宇野宏祐
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 CN109960219A publication Critical patent/CN109960219A/zh
Application granted granted Critical
Publication of CN109960219B publication Critical patent/CN109960219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • 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
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • 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
    • G05B2219/37252—Life of tool, service life, decay, wear estimation
    • 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
    • G05B2219/37254—Estimate wear of subsystem of machine with measures from other subsystems
    • 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
    • G05B2219/42018—Pid learning controller, gains adapted as function of previous error

Landscapes

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

Abstract

本发明提供控制装置以及机器学习装置，控制装置所具备的机器学习装置能够决定PID控制的参数，该PID控制的参数能够不将循环时间增大到所要以上而延长工具的寿命该机器学习装置具备：状态观测部，其将表示加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境有关的加工环境数据作为表示环境的当前状态的状态变量来进行观测；判定数据取得部，其将表示加工中的上述工具寿命的消耗的适当与否判定结果的工具寿命判定数据以及表示加工的循环时间的适当与否判定结果的循环时间判定数据作为判定数据来进行取得；以及学习部，其将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习。

Description

控制装置以及机器学习装置
技术领域
本发明涉及控制装置以及机器学习装置。
背景技术
作为进行机床涉及的加工时的现有技术，有一种通过将主轴负载设为输入值的PID控制来控制进给速度超驰的智能自适应控制的技术(例如日本特表平09-500331号公报)。通过使用该技术，如图8所示，在负载低的部分，谋求超驰的增加、循环时间的短缩，在负载高的部分，减少超驰，防止工具破损、过热。PID控制的输出一般能够通过数式1计算。另外，在数式1中将PID控制开始时的时刻设为t0。
[数式1]
Figure BDA0001922646200000011
O(t)：输出值
eL(t)：控制对象的目标与当前(时刻t)的值的差分
Kp：PID控制的比例项的增益
Ki：PID控制的积分项的增益
Kd：PID控制的微分项的增益
C：PID控制的偏移
图7表示使用了现有技术的PID控制的反馈控制的框图的例子。在以主轴的负载成为恒定的方式控制进给速度的情况下，将输出值O(t)设为进给速度(超驰)，将eL(t)设为目标主轴负载与时刻t的主轴负载的差分，通过对常数设定适当的值，从而能够使主轴负载接近目标。在没有进行切削的状态即主轴的空转时，即使提高进给速度而主轴负载也不变动，因此希望只在切削中即主轴负载达到恒定值以上时进行控制。
在PID控制中，根据控制对象的状态(在机床中，例如机器结构或工具的种类、工件材质、切入量等)来调整参数(数式1、图7的Kp、Ki、Kd的增益等)，从而能够进行符合该状态的适当的反馈控制。PID控制是一般的反馈控制，因此想到多个例如极限灵敏度法等这种经验增益的设定方法。另外，在日本特开平07-036506号公报、国际公开第2007/049412号中公开了一种为了补偿PID控制的动作而使用神经网络的技术。
在尝试使用智能自适应控制将主轴负载保持为目标负载而延长工具寿命的情况下，需要变更PID控制的参数，并需要确认该参数的变更会给工具寿命怎样带来影响。但是，如果不实际使用到工具的寿命为止则无法了解参数变更的影响给工具寿命带来的影响。另一方面，为了使PID控制的参数最优化，而需要重复以下作业，即该作业为熟练的作业人员根据经验来设定参数，并尝试使用所设定的参数来实际进行加工，观察该结果而进一步调整参数的作业，成为作业人员的负担的作业。并且，这样的2个问题相结合，会产生必须要花费相应的时间直到能够掌握PID控制的参数和工具寿命的关系的问题。
发明内容
因此，本发明的目的在于提供一种能够决定PID控制的参数的控制装置以及机器学习装置，该PID控制的参数不将循环时间增大到所需以上且能够延长工具的寿命
本发明中，针对控制机床的控制装置导入机器学习装置，通过机器学习来学习及决定PID控制的参数，该PID控制的参数不会将机床的加工循环时间增大到所需以上且能够延长工具寿命，由此解决上述问题。
然后，本发明的一个方式为一种控制装置，其为进行PID控制的数值控制装置，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，该控制装置具备机器学习装置，该机器学习装置学习与上述加工的加工条件以及加工环境相对应的上述PID控制的参数，上述机器学习装置具备：状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其将表示上述加工中的上述工具的寿命的消耗的适当与否判定结果的工具寿命判定数据以及表示上述加工中的循环时间的适当与否判定结果的循环时间判定数据作为判定数据进行取得；以及学习部，其使用上述状态变量和上述判定数据，将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习。
本发明的其他方式为一种控制装置，其为进行PID控制的数值控制装置，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，该控制装置具备机器学习装置，该机器学习装置学习了与上述加工的加工条件以及加工环境相对应的上述PID控制的参数，上述机器学习装置具备：状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；学习部，其将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习；以及推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来输出PID控制的参数。
本发明的其他方式为一种机器学习装置，其学习在进行PID控制时的与加工的加工条件以及加工环境相对应的上述PID控制的参数，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器进时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，该机器学习装置具备：状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及上述加工的加工环境的加工环境数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其将表示上述加工中的上述工具寿命的消耗的适当与否判定结果的工具寿命判定数据以及表示上述加工中的循环时间的适当与否判定结果的循环时间判定数据作为判定数据进行取得；以及学习部，其使用上述状态变量和上述判定数据，将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习。
本发明的其他方式为一种机器学习装置，其学习了在进行PID控制时的与加工的加工条件以及加工环境相对应的上述PID控制的参数，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，该机器学习装置具备：状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及上述加工的加工环境的加工环境数据作为表示环境的当前状态的状态变量进行观测；学习部，其将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习；以及推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来输出PID控制的参数。
根据本发明，通过应用机器学习并计算PID控制的参数而能够将较难的PID控制的参数调整自动化，通过设定适当的PID控制的参数能够某种程度地维持循环时间而谋求工具的长寿命化。
附图说明
通过参照附图的以下实施例的说明来明确本发明的上述内容以及其他目的以及特征。这些附图中：
图1是第一实施方式的控制装置的概略性硬件结构图。
图2是第一实施方式的控制装置的概略性功能框图。
图3是表示控制装置的一个方式的概略性功能框图。
图4是表示机器学习方法的一个方式的概略性流程图。
图5A是说明神经元的图。
图5B是说明神经网络的图。
图6是表示组装了控制装置的系统的一个方式的概略性功能框图。
图7是使用了现有技术的PID控制的反馈控制的框图的例子。
图8是例示现有技术的智能自适应控制的主轴负载与进给速度的推移的图。
具体实施方式
以下，说明本发明的实施方式和附图。
图1是表示第一实施方式的控制装置的主要部件的概略性硬件结构图。控制装置1例如能够作为控制机床的控制装置进行安装。
本实施方式的控制装置1所具备的CPU11是整体控制控制装置1的处理器。CPU11经由总线20读出被存储在ROM12中的系统/程序，并根据该系统/程序来控制控制装置1整体。在RAM13中临时存储有临时的计算数据或显示数据、由操作员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构成为如下存储器：例如通过未图示的电池而被备份等，即使断开控制装置1的电源也可以保持存储状态。非易失性存储器14中存储有经由接口15从外部设备72读入的加工程序、经由显示器/MDI单元70输入的加工程序、从控制装置1的各部分或机床取得的各种数据(例如机床的加工条件、工具或工件的信息、机床的各轴位置等)。非易失性存储器14中存储的加工程序或各种数据在执行时/使用时可以在RAM13中展开。另外，在ROM12中被预先写入有公知的分析程序等各种系统/程序(包括用于控制与后述的机器学习装置100的交换的系统/程序)。
接口15是用于连接控制装置1和适配器等外部设备72的接口。从外部设备72侧读入程序或各种参数等。另外，在控制装置1内编辑的加工程序或各种参数等能够经由外部设备72存储在外部存储单元中。PMC(Programmable Machine Controller，可编程机器控制器)16通过内置在控制装置1的时序程序将信号经由I/O单元17输出到机床以及该机床的外围装置(例如工具更换用的机器人手等的制动器)并进行控制。另外，接受配置于机床的主体的操作盘的各种开关等的信号，进行必要的信号处理后传输给CPU11。
显示器/MDI单元70是具备显示屏或键盘等的手动数据输入装置，接口18接受来自显示器/MDI单元70的键盘的指令、数据并传输给CPU11。接口19与操作盘71连接，该操作盘71具备在通过手动驱动各轴时所使用的手动脉冲发生器等。
用于控制机床所具备的轴的轴控制电路30接受来自CPU11的轴的移动指令量，并将轴的指令输出伺服放大器40。伺服放大器40接受该指令，驱动使机床所具备的轴移动的伺服电动机50。轴的伺服电动机50内置位置/速度检测器，将来自该位置/速度检测器的位置/速度反馈信号反馈到轴控制电路30，进行位置/速度的反馈控制。
另外，在图1的硬件结构图中仅表示轴控制电路30、伺服放大器40、伺服电动机50为各1个，但是可以按照实际上成为控制对象的机床所具备的轴的数量来准备。
主轴控制电路60接受向制造机器的主轴旋转指令，将主轴速度信号输出到主轴放大器61。主轴放大器61接收该主轴速度信号，以指令的转速旋转制造机器的主轴电动机62，从而驱动工具。在主轴电动机62上结合有位置编码器63，位置编码器63与主轴的旋转同步地输出反馈脉冲，并通过CPU11读取该反馈脉冲。
接口21是用于连接控制装置1和机器学习装置100的接口。机器学习装置100具备统一控制机器学习装置100整体的处理器101、存储有系统/程序等的ROM12、用于进行机器学习所涉及的各处理的临时存储的RAM103以及存储学习模型等所使用的非易失性存储器104。机器学习装置100能够观测可通过控制装置1经由接口21取得的各个信息(例如加工程序、机床的加工条件、工具或工件的信息、机床的各轴位置等)。另外，控制装置1接受从机器学习装置100输出的PID控制的参数推定值，从而控制机床。
图2是第一实施方式的控制装置1和机器学习装置100的概略性功能框图。能够通过图1示出的控制装置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，控制控制装置1以及机器学习装置100的各部的动作来实现图2所示的各个功能块。
本实施方式的控制装置1具备：工具寿命推定部32，其根据从机床2取得的(并且存储在非易失性存储器14中的)数据来推定工具的寿命；以及控制部34，其根据存储在非易失性存储器14中的加工程序以及从机器学习装置100输出的PID控制的参数推定值来控制机床2(所具备的伺服电动机50以及主轴电动机62)。
工具寿命推定部32是根据从机床2取得的主轴负载乃至进给速度来推定安装在主轴上的工具的寿命的功能单元。一般而言，在通过相同的加工条件(工具、进给速度、主轴转速、切入量等)加工工件时，存在工具的寿命变得越短而施加给主轴的负载越有变大的倾向。因此，预先进行实验等，按照每个加工条件求出主轴负载与工具寿命之间的关系，通过公式或表等形式存储在非易失性存储器14中。并且，工具寿命推定部32使用存储在非易失性存储器14中的公式或表等来推定工具的寿命。另外，在本实施方式中，控制部34通过PID控制来控制机床2的轴的动作，因此考虑主轴负载成为恒定的情况，并按照加工条件以及每个目标主轴负载来求出进给速度与工具寿命之间的关系，并通过公式或表等形式存储在非易失性存储器14中，工具寿命推定部32使用该公式或表等来推定工具的寿命。
控制部34是通过PID控制来控制机床2的各轴的功能单元。控制部34通过使用了预先设定的、或基于从机器学习装置100输出的值而设定的各个参数(增益Kp、Ki、Kd、空气切割进给速度、超驰的上限下限等)的PID控制来控制机床2的各轴。
另一方面，控制装置1所具备的机器学习装置100包括用于通过所谓的机器学习来自行学习与机床2进行加工的加工条件以及加工环境相对应的PID控制的适当的参数的推定的软件(学习算法等)以及硬件(处理器101等)。控制装置1具备的机器学习装置100所学习的内容相当于表示机床2进行加工的加工条件以及加工环境与PID控制的适当的参数之间的相关性的模型结构。
如图2的功能块所示，控制装置1所具备的机器学习装置100具备：状态观测部106，其将包括表示控制机床2进行的加工的PID控制的参数的参数数据S1、表示机床2进行加工的加工条件的加工条件数据S2以及表示机床2进行加工的加工环境的加工环境数据S3的数据作为表示环境的当前状态的状态变量S来进行观测；判定数据取得部108，其取得判定数据D，该判定数据D包括表示在根据被设定的PID控制参数进行的机床2的加工中所消耗的工具寿命的工具寿命判定数据D1以及表示循环时间的循环时间判定数据D2；以及学习部110，其使用状态变量S和判定数据D，将机床2进行加工的加工条件以及加工环境与PID控制的适当参数关联起来进行学习。
状态观测部106观测的状态变量S中的PID控制参数数据S1能够作为控制机床2进行的加工的PID控制的参数进行取得。作为控制机床2进行的加工的PID控制的参数例如例示有PID控制的增益Kp、Ki、Kd、空气切割进给速度、超驰的上限值/下限值等。
就PID控制参数数据S1而言，针对机器学习装置100根据学习部110的学习结果在前一个的学习周期由机床2进行的加工的加工条件以及加工环境，能够直接使用在该学习周期中决定的PID控制的参数。在采取这种方法的情况下，机器学习装置100可以在每个学习周期将PID控制的参数临时存储在RAM103中，状态观测部106从RAM103取得前一个的学习周期的PID控制的参数作为此次学习周期的PID控制参数数据S1。
状态观测部106观测的状态变量S中的加工条件数据S2能够作为在控制装置1中设定的加工条件以及从加工程序取得的加工条件进行取得。作为在控制装置1中设定的加工条件以及从加工程序取得的加工条件，例如例示有工具种类、切入量、进给速度、主轴转速等。
状态观测部106观测的状态变量S中的加工环境数据S2能够作为在控制装置1中设定的加工环境以及从机床2或传感器等取得的加工环境进行取得。作为在控制装置1中设定的加工环境以及从机床2或传感器等取得的加工环境，例如列具有机床2的机器结构、工件素材、环境温度、环境湿度等。
判定数据取得部108能够使用在根据设定的PID控制参数进行的机床2的加工中消耗的工具寿命作为工具寿命判定数据D1。作为判定数据取得部108所使用的工具寿命判定数据D1，可以使用以下的值，即该值为表示在根据设定的PID控制参数而成的状态下，根据实际进行加工时取得的加工所涉及的数据，计算通过工具寿命推定部32推定出的工具寿命在一个学习周期消耗了多少，且将该值和预定的阈值相比较而优异多少(少消耗了多少工具寿命)乃至恶化多少(多消耗了多少工具寿命)的值，也可以求出切削进给距离单位周围的工具寿命的消耗量、切削进给时间单位周围的工具寿命的消耗量、在通过相同PID控制的参数设定下而继续下降的情况下通过1个工具能够加工的工件数量等的能够判定工具寿命的消耗的值，并将该值作为工具寿命判定数据D1进行使用。
另外，判定数据取得部108能够使用根据设定的PID控制参数进行的机床2的加工的循环时间作为循环时间判定数据D2。作为判定数据取得部108所使用的循环时间判定数据D2，可以使用表示根据设定的PID控制参数进行的机床2的加工时的基于实际进给速度等而推定出的一个工件的加工所花费的时间或能够在预先决定的预定时间内进行加工的工件的个数等的值。
另外，判定数据取得部108在学习部110的学习阶段中成为必需的结构，但在学习部110将加工条件以及加工环境与PID控制的适当参数关联起来的学习完成后则不是必须的结构。例如，在将完成学习的机器学习装置100交货给顾客的情况下等，可以将判定数据取得部108卸下来进行出货。
在以学习部110的学习周期进行考虑的情况下，同时输入到学习部110的状态变量S基于取得判定数据D的一学习周期前的数据而成。如此，在控制装置1所具备的机器学习装置100进行学习的期间，在环境中，重复实施加工条件数据S2以及加工环境数据S3的取得、通过基于由取得的各个数据而推定出的PID控制参数数据S1的PID控制进行控制的机床2的加工、判定数据D的取得。
学习部110根据被总称为机器学习的任意学习算法来学习与机床2进行加工的加工条件以及加工环境相对应的PID控制的参数。学习部110能够反复执行基于包括上述状态变量S和判定数据D的数据集合的学习。在与机床2进行加工的加工条件以及加工环境相对应的PID控制的参数的学习循环的反复中，如上所述从一学习周期前的机床2进行加工的加工条件以及加工环境、以及在一学习周期前决定的PID控制的参数中取得状态变量S，另外，判定数据D作为根据所设定的PID控制的参数而控制的机床2的加工的适当与否判定结果。
通过重复进行此种学习循环，学习部110能够自动识别暗示机床2进行加工的加工条件以及加工环境与PID控制的参数之间的相关性的特征。在学习算法开始时，机床2进行加工的加工条件以及加工环境与PID控制的参数的相关性实质上是未知的，但是学习部110随着学习的推进而逐渐识别特征并解释相关性。机床2进行的加工的加工条件以及加工环境与PID控制的参数之间的相关性如果被解释到某一程度可信赖的水平，则学习部110反复输出的学习结果能够用于针对当前状态(即机床2进行的加工的加工条件以及加工环境)来进行应该怎样设定PID控制的参数的行动的选择(即决策)。即学习部110随着学习算法的推进，能够使得与针对机床2进行加工的加工条件以及加工环境应该怎样地设定PID控制的参数的行动之间的相关性逐渐地接近最优解。
推定结果输出部122根据学习部110学习出的结果来决定PID控制的参数，并将决定出的PID控制的参数输出到控制部34。推定结果输出部122在学习部110进行的学习完成的状态中，如果机床2进行加工的加工条件以及加工环境被输入到机器学习装置100，则输出PID控制的参数。
如上所述，控制装置1所具备的机器学习装置100使用状态观测部106观测到的状态变量S和判定数据取得部108取得的判定数据D，学习部110根据机器学习算法来学习与机床2进行加工的加工条件以及加工环境相对应的PID控制的参数。状态变量S由PID控制参数数据S1、加工条件数据S2以及加工环境S3的数据构成，另外判定数据D能够通过控制装置1分析从机床2取得的信息而被唯一地求出。因此，根据控制装置1所具备的机器学习装置100，通过使用学习部110的学习结果，能够自动且准正确地进行与机床2进行加工的加工条件以及加工环境对应的PID控制的参数的设定。
并且，如果能够自动地进行PID控制的参数的设定，则只要掌握机床2进行加工的加工条件(加工条件数据S2)以及加工环境(加工环境数据S3)，就能够迅速地决定PID控制的参数的适当的值。因此能够有效地进行PID控制的参数的设定。
作为本实施方式的控制装置1所具备的机器学习装置100的一个变形例，状态观测部106还可以将表示主轴的目标负载的目标负载作为加工条件数据S2进行观测。目标负载能够使用作业人员对控制装置1设定的值。
根据上述变形例，机器学习装置100考虑作为加工条件数据S2而观测到的目标负载，能够学习以及决定PID控制的参数，所以能够根据设定的目标负载来决定适当的PID控制的参数。
作为本实施方式的控制装置1所具备的机器学习装置100的其它变形例，可以使用目标负载作为PID控制的参数。此时，状态观测部106可以将目标负载也作为PID控制的参数数据S1进行观测，也可以将表示通过一个工具能够加工的工件数的可加工的工件数判定数据D3作为判定数据取得部108用于判定机床2进行的加工的适当与否的判定数据D来使用。
根据上述变形例，机器学习装置100通过使用目标负载作为PID控制的参数，由此在观测到的加工条件以及加工环境中，除了其它的PID控制的参数外还能够决定适当的目标负载。作业人员在控制装置中预先设定通过一个工具可加工的工件数的判定基准，由此为了在所设定的判定基准范围中安排工具而自动设定适当的目标负载，并能够控制机床2。
作为本实施方式的控制装置1所具备的机器学习装置100的其它变形例，可以使用表示PID控制的稳定性的PID控制稳定性数据D4作为判定数据取得部108用于判定机床2进行的加工的适当与否的判定数据D。判定数据取得部108能够使用PID控制中的进给速度的振动产生的有无或目标负载到达时间等作为PID控制稳定性数据D4。
根据上述变形例，机器学习装置100由于能够通过PID控制稳定性数据D4来判定PID控制的稳定性，因此能够进行尽量不选择控制动作不稳定的PID控制的参数的学习。
在具有上述结构的机器学习装置100中，能够不特别限定于学习部110所执行的学习算法，而采用公知的学习算法作为机器学习。图3是图2所示的控制装置1的一个方式，表示具备执行作为学习算法的一例的强化学习的学习部110的结构。强化学习为观测学习对象存在的环境的当前状态(即输入)，并在当前状态下执行预定的行动(即输出)，试错地反复进行对该行动给与什么样的回报的循环，将回报的统计最大化的手段(在本申请的机器学习装置中PID控制的参数)学习为最优解的方法。
在图3所示的控制装置1所具备的机器学习装置100中，学习部110具备：回报计算部112，其根据状态变量数据S决定PID控制的参数，求出与在进行决定出的PID参数的设定的情况下的机床2进行加工的适当与否判定结果(相当于取得状态变量S的在下一个学习周期中使用的判定数据D)相关联的回报R；以及价值函数更新部114，其使用回报R来更新表示PID控制的参数价值的函数Q。学习部110通过价值函数更新部114重复更新函数Q来学习与机床2进行加工的加工条件以及加工环境的PID控制的参数。
说明学习部110执行的强化学习算法的一例。该例子的算法作为Q学习(Q-learning)而被知道，是一种将行动主体的状态s和在该状态s下行动主体能够选择的行动a作为独立变量来学习表示在状态s下选择出行动a的情况下的行动价值的函数Q(s，a)的方法。选择在状态s下价值函数Q成为最高的行动a为最优解。在状态s与行动a之间的相关性为未知状态下开始Q学习，重复在任意状态s下选择各种行动a的试错，由此反复更新价值函数Q，并接近最优解。在此，够成为当作为在状态s下选择了行动a的结果而环境(即状态s)发生了变化时，得到与该变化对应的回报(即行动a的权重)r，为了选择得到更高的回报r的行动a而诱导学习，由此能够使价值函数Q在比较短的时间接近最优解。
价值函数Q的更新式一般能够如下述的数式2所示。在数式2中，st以及at分别是时刻t的状态以及行动，状态通过行动at而变化为st+1。rt+1是通过将状态从st变化为st+1而得到的回报。maxQ的项表示在时刻t+1进行了成为最大的价值Q(在时刻t考虑的)的行动a时的Q。α以及γ分别是学习系数以及折扣率，在0<α≤1、0<γ≤1中任意设定。
Figure BDA0001922646200000121
当学习部110执行Q学习时，状态观测部106观测到的状态变量S以及判定数据取得部108取得的判定数据D相当于更新式的状态s，应该如何决定与当前状态(即运送机床2进行加工的加工条件以及加工环境)对应的PID控制的参数的行动相当于更新式的行动a，回报计算部112求出的回报R相当于更新式的回报r。因此，价值函数更新部114通过使用了回报R的Q学习，来反复更新表示与当前状态相对应的PID控制的参数价值的函数Q。
回报计算部112求出的回报R，例如在决定了PID控制的参数后，在基于设定的PID控制的参数的机床2的加工的适当与否判定结果被判定为“适当”的情况下(例如当工具寿命的消耗比预先决定的阈值要小时，加工的循环时间缩短时等)，设为正(+)的回报R，在决定了PID控制的参数后，在基于设定的PID控制的参数的机床2的加工的适当与否判定结果判定为“不适当”时(例如当道具寿命的消耗比预先决定的阈值要大时，加工的循环时间延长时等)，设为负(-)的回报R。正负的回报R的绝对值可以相互相同，也可以不同。另外，作为判定的条件，可以将判定数据D中包括的多个值组合来进行判定。
另外，不仅能够将基于设定的PID控制的参数的机床2的加工的适当与否判定结果设定为“适当”以及“不适当”两种，还能够设定为多个阶段。作为例子，当消耗量的阈值作为机床2进行加工的工具寿命的指标为Lmax的情况下，机床2进行加工中的工具寿命的消耗L能够构成为，当0≤L<Lmax/5时赋予回报R＝5，当Lmax/5≤L<Lmax/2时赋予回报R＝3，当Lmax/2≤1≤Lmax时赋予回报R＝2，当Lmax≤L1时赋予回报R＝1。另外，例如在通过PID控制，而轴的进给速度进行振动或未到达目标负载的情况下等赋予大的负回报，这样可以配合学习目的来适当调整回报的赋予。并且，也可以构成为学习的初始阶段较大地设定判定中使用的阈值，随着学习的推进来而缩小判定所使用的阈值。
价值函数更新部114能够具有将状态变量S、判定数据D和回报R与由函数Q表示的行动价值(例如数值)关联起来整理出的行动价值表。此时，价值函数更新部114更新函数Q的行为与价值函数更新部114更新行动价值表的行为意思相同。在Q学习开始时，环境的当前状态与PID控制的参数之间的相关性是未知的，所以在行动价值表中，通过与随机决定的行动价值的值(函数Q)关联的方式准备各种状态变量S、判定数据D和回报R。另外，如果知道判定数据D，则回报计算部112能够立刻计算出与其对应的回报R，计算出的值R被写入行动价值表中。
如果使用与机床2进行加工的适当与否判定结果对应的回报R来推进Q学习，则学习被引导到选择得到更高回报R的行动的方向，根据作为在当前状态下执行选择出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)，改写关于在当前状态下进行的行动的行动价值的值(函数Q)并更新行动价值表。通过重复该更新，在行动价值表中显示的行动价值的值(函数Q)被改写为越是适当的行动(本发明的情况下，在机床2进行加工的循环时间没有增大的范围中抑制工具寿命的消耗的行动)越成为大的值。这样，未知的环境的当前状态(机床2进行加工的加工条件以及加工环境)和其所对应的行动(PID控制参数的决定)之间的相关性逐渐变得明确。即，通过行动价值表的更新，使机床2进行加工的加工条件以及加工环境与PID控制参数之间的关系逐渐接近最优解。
参照图4，进一步说明学习部110执行的上述Q学习的流程(即机器学习方法的一个方式)。首先，在步骤SA01中，价值函数更新部114一边参照在该时间点的行动价值表，一边随机地选择PID控制的参数作为在由状态观测部106观测到的状态变量S所表示的当前状态下进行的行动。接着，价值函数更新部114在步骤SA02中取入状态观测部106观测的当前状态的状态变量S，在步骤SA03中，取入判定数据取得部108取得的当前状态的判定数据D。接着，价值函数更新部114在步骤SA04中基于判定数据D判断PID控制的参数是否适当，在适当的情况下，则在步骤SA05中，将回报计算部112求出的正的回报R应用于函数Q的更新式，接着，在步骤SA06中，使用当前状态的状态变量S以及判定数据D、回报R、行动价值的值(更新后的函数Q)来更新行动价值表。在步骤SA04中判断为PID控制的参数为不适当时，在步骤SA07中，将回报计算部112求出的负的回报R应用于函数Q的更新式，接着，在步骤SA06中，使用当前状态的状态变量S以及判定数据D、回报R、行动价值的值(更新后的函数Q)来更新行动价值表。学习部110通过重复进行步骤SA01～SA07来反复更新行动价值表，并推进PID控制的参数的学习。另外，针对判定数据D中包括的各个数据而执行从步骤SA04到步骤SA07的求出回报R的处理以及价值函数的更新处理。
在推进上述强化学习时，例如能够应用神经网络。图5A示意地表示神经元的模型。图5B示意地表示将图5A所示的神经元组合构成的三层神经网络的模型。神经网络例如能够通过模拟神经元的模型的运算装置或存储装置等构成。
图5A所示的神经元输出与多个输入x(这里作为一例为输入x1～输入x3)相对应的结果y。对各个输入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数式3表现的输出y。另外，在数式3中，输入x、输出y以及权重w都是向量。另外，θ是偏置，fk是激活函数。
Figure BDA0001922646200000141
图5B所示的三层神经网络从左侧输入多个输入x(这里作为一例为，输入x1～输入x3)，从右侧输出结果y(这里作为一例为，结果y1～y3)。在图示的例子中，对输入x1、x2、x3分别乘以对应的权重(用w1统称表示)，各输入x1、x2、x3都被输入到3个神经元N11、N12、N13中。
图5B中，用z1统称表示神经元N11～N13的各输出。z1能够视为提取输入向量的特征量而得的特征向量。在图示的例子中，乘以与特征向量z1分别对应的权重(用w2统称表示)，各特征向量z1都被输入到2个神经元N21、N22中。特征向量z1表示权重w1与权重w2之间的特征。
图5B中，用z2统称表示神经元N21～N22的各输出。z2能够视为提取特征向量z1的特征量而得的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(用w3统称表示)，各特征向量z2都被输入到3个神经元N31、N32、N33中。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。
另外，也能够使用一种使用了组成三层以上的层的神经网络的所谓深层学习的方法。
在控制装置1所具备的机器学习装置100中，将神经网络作为Q学习中的价值函数进行使用，将状态变量S和行动a作为输入x，学习部110进行按照上述神经网络的多层结构的运算，由此能够输出该状态的该行动的价值(结果y)。另外，神经网络的动作模式中有学习模式和价值预测模式，例如在学习模式中使用学习数据集来学习权重w，能够使用学习出的权重w在价值预测模式中进行行动的价值判断。另外，在价值预测模式中也能够进行检测、分类、推论等。
上述控制装置1的结构能够记述为处理器101执行的机器学习方法(或软件)。该机器学习方法是学习PID控制的参数的机器学习方法，具有：计算机的CPU将PID控制参数数据S1、加工条件数据S2以及加工环境数据S3作为表示在机床2中进行加工的环境的当前状态的状态变量S进行观测的步骤；取得表示基于决定出的PID控制的参数的机床2的加工的适当与否判定结果的判定数据D的步骤；以及使用状态变量S和判定数据D，将加工条件数据S2、加工环境数据S3以及加工环境数据S4与PID控制的参数关联起来进行学习的步骤。
图6表示具备控制装置1的第二实施方式的系统170。系统170具备作为单元计算机或主计算机、云服务器等的计算机的一部分而进行安装的至少1台控制装置1、成为控制对象的多个机床2、将控制装置1和机床2相互连接的有线/无线的网络172。
具有上述结构的系统170的具备机器学习装置100的控制装置1使用学习部110的学习结果，按照每个机床2自动且正确地求出与机床2进行加工的加工条件以及加工环境对应的PID控制的参数。另外，可以构成为控制装置1的机器学习装置100根据针对多个机床2分别得到的状态变量S以及判定数据D，来学习与所有的机床2共通的PID控制的参数，并且在所有的机床2进行的加工中共享该学习结果。因此，根据系统170，能够将更多样的数据集合(包括状态变量S以及判定数据D)作为输入，提高PID控制的参数的学习的速度或可靠性。
以上，说明了本发明的实施方式，但是本发明不只限于上述实施方式的例子，而能够通过增加适当的变更来以各种方式实施。
例如，机器学习装置100所执行的学习算法和运算算法、控制装置1所执行的控制算法等不限于上述情况，而能够采用各种算法。
另外，在上述实施方式中作为控制装置1和机器学习装置100具有不同的CPU的装置进行了说明，但是也可以通过控制装置1所具备的CPU、存储在ROM12中的系统/程序来实现机器学习装置100。
以上，说明了本发明的实施方式，但是本发明不只限于上述实施方式的例子，而能够通过增加适当的变更来以各种方式实施。

Claims (7)

1.一种控制装置，其为进行PID控制的数值控制装置，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器进行加工时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，其特征在于，
该控制装置具备机器学习装置，该机器学习装置学习与上述加工的加工条件以及加工环境相对应的上述PID控制的参数，
上述机器学习装置具备：
状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；
判定数据取得部，其将表示上述加工中的上述工具的寿命的消耗的适当与否判定结果的工具寿命判定数据以及表示上述加工中的循环时间的适当与否判定结果的循环时间判定数据作为判定数据进行取得；以及
学习部，其使用上述状态变量和上述判定数据，将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习。
2.根据权利要求1所述的控制装置，其特征在于，
上述学习部具备：
回报计算部，其求出与上述适当与否判定结果关联的回报；以及
价值函数更新部，其使用上述回报来更新表示与上述加工的加工条件以及加工环境相对应的PID控制的参数的价值的函数，
上述工具寿命的消耗越少或者上述加工的循环时间越短则上述回报计算部越赋予高的回报。
3.根据权利要求1或2所述的控制装置，其特征在于，
上述学习部以按照神经网络的多层结构来运算上述状态变量和上述判定数据。
4.一种控制装置，其为进行PID控制的数值控制装置，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器进行加工时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，其特征在于，
该控制装置具备机器学习装置，该机器学习装置与上述加工的加工条件以及加工环境相对应地学习了在加工的循环时间不大幅度增大的范围内抑制工具寿命的消耗的上述PID控制的参数，
上述机器学习装置具备：
状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；
学习部，其学习了在不会将机床的加工循环时间增大到所需以上且能够延长工具寿命的PID控制的参数相对于上述加工的加工条件以及加工环境的相关性；以及
推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来输出PID控制的参数。
5.根据权利要求1～4中任意一项所述的控制装置，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，其学习在进行PID控制时的与加工的加工条件以及加工环境相对应的上述PID控制的参数，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器进行加工时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，其特征在于，
该机器学习装置具备：
状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；
判定数据取得部，其将表示上述加工中的上述工具寿命的消耗的适当与否判定结果的工具寿命判定数据以及表示上述加工中的循环时间的适当与否判定结果的循环时间判定数据作为判定数据进行取得；以及
学习部，其使用上述状态变量和上述判定数据，将上述加工的加工条件以及加工环境与PID控制的参数关联起来进行学习。
7.一种机器学习装置，其学习了在进行PID控制时的与加工的加工条件以及加工环境相对应的在加工的循环时间不大幅度增大的范围内抑制工具寿命的消耗的上述PID控制的参数，该PID控制在根据加工程序来控制具备具有工具的主轴和驱动该主轴的轴的机器进行加工时，以上述主轴的主轴负载成为恒定的方式控制上述轴的移动速度，其特征在于，
该机器学习装置具备：
状态观测部，其将表示上述加工中的PID控制的参数的PID控制参数数据、表示上述加工的加工条件的加工条件数据以及与上述加工的加工环境相关的加工环境数据作为表示环境的当前状态的状态变量进行观测；
学习部，其学习了在不会将机床的加工循环时间增大到所需以上且能够延长工具寿命的PID控制的参数相对于上述加工的加工条件以及加工环境的相关性；以及
推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来输出PID控制的参数。
CN201811601640.2A 2017-12-26 2018-12-26 控制装置以及机器学习装置 Active CN109960219B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-250018 2017-12-26
JP2017250018A JP6680756B2 (ja) 2017-12-26 2017-12-26 制御装置及び機械学習装置

Publications (2)

Publication Number Publication Date
CN109960219A CN109960219A (zh) 2019-07-02
CN109960219B true CN109960219B (zh) 2021-07-06

Family

ID=66768182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811601640.2A Active CN109960219B (zh) 2017-12-26 2018-12-26 控制装置以及机器学习装置

Country Status (4)

Country Link
US (1) US10895852B2 (zh)
JP (1) JP6680756B2 (zh)
CN (1) CN109960219B (zh)
DE (1) DE102018010054A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6474449B2 (ja) * 2017-04-07 2019-02-27 ファナック株式会社 調整装置及び調整方法
JP6748135B2 (ja) * 2018-03-19 2020-08-26 ファナック株式会社 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
US10977579B2 (en) * 2018-08-27 2021-04-13 Vmware, Inc. Adversarial automated reinforcement-learning-based application-manager training
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
JP6932160B2 (ja) * 2019-07-22 2021-09-08 株式会社安川電機 機械学習方法及び産業用機器のパラメータ又は産業用機器により制御される機器の内部状態の推定方法
CH716583A1 (de) * 2019-09-13 2021-03-15 Reishauer Ag Verfahren zur Überwachung eines Bearbeitungsprozesses, bei dem Zahnflanken vorverzahnter Werkstücke mit einer Feinbearbeitungsmaschine bearbeitet werden.
CN112631120B (zh) * 2019-10-09 2022-05-17 Oppo广东移动通信有限公司 Pid控制方法、装置和视频编解码系统
DE112019007734T5 (de) * 2019-10-24 2022-06-15 Mitsubishi Electric Corporation Numerisches Steuerungsgerät, Maschinelles-Lernen-Gerät und numerisches Steuerungsverfahren
DE102019130609A1 (de) * 2019-11-13 2021-05-20 Ford Global Technologies, Llc Verfahren zum Bestimmen eines Reglers für eine Regelstrecke
JP7192748B2 (ja) * 2019-11-25 2022-12-20 トヨタ自動車株式会社 搬送システム、学習済みモデル生成方法、学習済みモデル、制御方法およびプログラム
EP4067766A4 (en) * 2019-11-26 2023-05-03 Daikin Industries, Ltd. MACHINE LEARNING DEVICE, DEMAND CONTROL SYSTEM AND AIR CONDITIONING CONTROL SYSTEM
US11423305B2 (en) * 2020-02-26 2022-08-23 Deere & Company Network-based work machine software optimization
CN115461191B (zh) * 2020-04-27 2023-07-28 三菱电机株式会社 加工装置及寿命推定方法
CN115244477B (zh) * 2020-07-21 2023-08-18 三菱电机株式会社 数控装置及机器学习装置
DE112022000464T5 (de) 2021-03-02 2023-10-05 Fanuc Corporation Numerische steuerung und computerlesbares speichermedium
WO2022186135A1 (ja) * 2021-03-02 2022-09-09 ファナック株式会社 数値制御装置、およびコンピュータ読み取り可能な記憶媒体
CN113485443B (zh) * 2021-08-10 2023-12-22 北京北航天宇长鹰无人机科技有限公司 基于深度学习的无人机控制方法、存储介质及设备
KR102512782B1 (ko) * 2021-09-17 2023-03-21 최득식 절삭 공구의 수명 변화 예측 기반의 절삭 공구 제어 장치 및 방법
GB2620635A (en) * 2022-07-15 2024-01-17 Ucl Business Ltd PID tuning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930337A (zh) * 2012-10-31 2013-02-13 贵州大学 切削加工中切削用量的预测方法
CN103760820A (zh) * 2014-02-15 2014-04-30 华中科技大学 数控铣床加工过程状态信息评价装置
CN105425586A (zh) * 2015-11-11 2016-03-23 西安交通大学 一种铣削加工振动的在线主动抑制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL104250A (en) 1992-12-28 1995-10-31 Omat Ltd Controller for processing machines operated by means of a digital control computer
JP3062606B2 (ja) 1993-07-16 2000-07-12 株式会社日立製作所 ニューラルネットワークを用いた適応制御装置
JP3711976B2 (ja) * 2002-12-04 2005-11-02 トヨタ自動車株式会社 適合値生成装置、適合手順制御プログラム、及び適合値生成プログラム
JP2007049412A (ja) 2005-08-10 2007-02-22 Canon Inc 画像処理装置および画像処理装置の制御方法
JP4918682B2 (ja) 2005-10-27 2012-04-18 国立大学法人山口大学 超音波モータの制御方法、超音波モータ制御装置及び超音波モータを制御するためのプログラム
US9971317B2 (en) * 2014-03-26 2018-05-15 Rockwell Automation Technologies, Inc. Cloud-level industrial controller loop gain tuning based on industrial application type

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930337A (zh) * 2012-10-31 2013-02-13 贵州大学 切削加工中切削用量的预测方法
CN103760820A (zh) * 2014-02-15 2014-04-30 华中科技大学 数控铣床加工过程状态信息评价装置
CN105425586A (zh) * 2015-11-11 2016-03-23 西安交通大学 一种铣削加工振动的在线主动抑制方法

Also Published As

Publication number Publication date
CN109960219A (zh) 2019-07-02
US20190196417A1 (en) 2019-06-27
DE102018010054A1 (de) 2019-06-27
JP2019117458A (ja) 2019-07-18
US10895852B2 (en) 2021-01-19
JP6680756B2 (ja) 2020-04-15

Similar Documents

Publication Publication Date Title
CN109960219B (zh) 控制装置以及机器学习装置
CN109002012B (zh) 控制装置以及机器学习装置
CN108931959B (zh) 控制装置及机械学习装置
CN108241342B (zh) 数值控制装置以及机器学习装置
CN109794657B (zh) 控制装置以及机器学习装置
CN110355462B (zh) 加工条件调整装置以及机器学习装置
CN110297510B (zh) 驱动装置以及机器学习装置
CN109955115B (zh) 切屑去除装置以及信息处理装置
CN108994818B (zh) 控制装置以及机器学习装置
CN110549005B (zh) 加工条件调整装置以及机器学习装置
CN109725606B (zh) 加工条件调整装置以及机器学习装置
CN110543653A (zh) 寿命预测装置以及机器学习装置
US20190299406A1 (en) Controller and machine learning device
JP6841852B2 (ja) 制御装置及び制御方法
JP2019141869A (ja) 制御装置及び機械学習装置
CN110501973B (zh) 模拟装置
CN110125955B (zh) 控制装置以及机器学习装置
CN110174871B (zh) 控制装置、机器学习装置以及系统
CN109507879B (zh) 控制装置以及机器学习装置
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