CN110174871B - 控制装置、机器学习装置以及系统 - Google Patents

控制装置、机器学习装置以及系统 Download PDF

Info

Publication number
CN110174871B
CN110174871B CN201910122356.5A CN201910122356A CN110174871B CN 110174871 B CN110174871 B CN 110174871B CN 201910122356 A CN201910122356 A CN 201910122356A CN 110174871 B CN110174871 B CN 110174871B
Authority
CN
China
Prior art keywords
machining
cutting
learning
workpiece
control device
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
CN201910122356.5A
Other languages
English (en)
Other versions
CN110174871A (zh
Inventor
小川贤一
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
Priority claimed from JP2018242793A external-priority patent/JP6781242B2/ja
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN110174871A publication Critical patent/CN110174871A/zh
Application granted granted Critical
Publication of CN110174871B publication Critical patent/CN110174871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • 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
    • B23Q17/0961—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 power, current or torque of a motor
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • B23Q17/002—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring the holding action of work or tool holders
    • B23Q17/005—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring the holding action of work or tool holders by measuring a force, a pressure or a deformation
    • 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
    • G05B2219/36069—Display, on machining error, display error message and correct 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
    • G05B2219/49225—Adapt machining conditions as function of workpiece cutting resistance
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种控制装置、机器学习装置以及系统。不使用高价设备就能够应对夹紧力的变化。控制装置具备机器学习装置，该机器学习装置观测表示切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行学习或决策，上述学习模型是对向工件施加通过加工夹具的夹紧力能够抑制住的范围的切削力的切削加工的加工条件进行模型化而得到的模型。

Description

控制装置、机器学习装置以及系统
技术领域
本发明涉及控制装置、机器学习装置以及系统。
背景技术
在机床中，将工件固定在加工夹具上进行加工，作为工件的固定方法，大多对驱动源使用液压、空气压来使缸体进行动作从而对工件进行夹紧/松开(例如日本特开平09-201742号公报)。这时，如果夹紧力不足，则由于切削阻力使得工件移动，加工精度变得不良。
一般对于每个刀具的切削阻力考虑安全系数来决定加工夹具对工件的夹紧力。这时，有时根据所设定的安全系数选择大于需要的缸体，存在加工夹具价格上升、加工夹具的重量增加等问题。
作为必须考虑安全系数的因素之一，具有夹紧力的变动。一般对于加工夹具所采用的夹紧力使用空气压和液压。
在使用空气压的情况下，通常将一次空气(工厂空气)进行分支来使用，如果在某个分支目的地大量使用空气，则其他地方的空气压力暂时下降，压力变动。通常附带空气罐而成为高价设备。
在使用液压的情况下，例如由于工作液的温度变化导致动力粘度变化。如果工作液的温度变高，则动力粘度变小，旋转接头、缸体等的泄漏量增大。由此，液压的压力降低。因此，通常为了抑制工作液温度上升，有时附带冷却装置，但成为高价设备。
发明内容
因此，希望一种不使用高价设备就能够应对夹紧力的变动的控制装置、机器学习装置以及系统。
本发明的一个实施例是一种控制装置，其控制通过工具对被夹紧在加工夹具上的工件进行切削加工的机床，该控制装置具备机器学习装置，该机器学习装置学习向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件，上述机器学习装置具备：状态观测部，其观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量；判定数据取得部，其取得用于判定根据上述切削加工的加工条件进行了加工的工件的品质的工件品质判定数据、以及判定上述工件的加工所花费的时间的周期时间判定数据，来作为表示上述工件的加工的合适与否判定结果的判定数据；学习部，其使用上述状态变量和上述判定数据，使切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件关联起来来进行学习。
本发明的另一个实施例是一种控制装置，其控制通过工具对被夹紧在加工夹具上的工件进行切削加工的机床，该控制装置具备机器学习装置，该机器学习装置观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行学习或决策，上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型。
本发明的另一个实施例是一种机器学习装置，其观测通过工具对被夹紧在加工夹具上的工件进行切削加工时的表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行学习或决策，上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型。
本发明的另一个实施例是一种系统，其经由网络将多个装置相互连接，上述多个装置至少包含控制第一机床的权利要求1所述的控制装置。
根据本发明的一个实施例，通过使用机器学习的技术，不使用高价设备就能够与夹紧力的变动对应地调整切削进给速度、主轴转速等加工条件来实现高精度的加工。
附图说明
通过参照附图说明以下的实施例，本发明的上述以及其他的目的和特征变得明确。在这些附图中：
图1是第一实施方式的控制装置的概要硬件结构图。
图2是第一实施方式的控制装置的概要功能框图。
图3是表示加工条件数据S1、主轴转矩数据S2以及切削分力方向数据S3的关系的图。
图4是表示控制装置的一个方式的概要功能框图。
图5是表示机器学习方法的一个方式的概要流程图。
图6A是说明神经元的图。
图6B是说明神经网络的图。
图7是表示包含云服务器、雾服务器、边缘计算机的3层构造的系统的例子的图。
图8是表示安装了控制装置的系统的一个方式的概要功能框图。
图9是表示安装了控制装置的系统的另一个方式的概要功能框图。
图10是图9所示的计算机的概要硬件结构图。
图11是表示安装了控制装置的系统的另一个方式的概要功能框图。
具体实施方式
以下，与附图一起说明本发明的实施方式。
图1是表示一实施方式的控制装置的主要部分的概要硬件结构图。控制装置1例如可以作为控制机床的控制装置来实现。另外，控制装置1例如可以作为与控制机床的控制装置一起设置的个人计算机、经由有线/无线的网络与控制装置连接的单元计算机、边缘计算机、雾计算机、主计算机、云服务器等计算机来实现。在本实施方式中，表示作为控制机床的控制装置来实现控制装置1时的例子。
本实施方式的控制装置1所具备的CPU11是整体地控制控制装置1的处理器。CPU11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控制装置1。在RAM13中暂时存储临时的计算数据、显示数据、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构成为例如由未图示的电池进行支援等，即使控制装置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，存储有经由接口15从外部设备72读入的程序、经由显示器/MDI单元70输入的程序、从控制装置1的各部或机器人取得的各种数据(例如工具的种类、工具的寿命等与工具相关的信息、切削条件等与加工相关的信息、工件的材质等与工件相关的信息、主轴的转矩值等)。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之间的收发的系统程序)。
接口15是用于将控制装置1与适配器等外部设备72连接起来的接口。从外部设备72侧读入程序、各种参数等。另外，可以经由外部设备72将在控制装置1内编辑的程序、各种参数等存储到外部存储单元中。PMC(可编程设备控制器)16通过内置于控制装置1中的时序程序，经由I/O单元17向机床以及该机床的周边设备输出信号来进行控制。另外，接受在机床的主体配备的操作盘的各种开关等的信号，在进行了必要的信号处理后传递给CPU11。
显示器/MDI单元70是具备显示器、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，并将其传递给CPU11。接口19与操作盘71连接，该操作盘71具备在手动驱动各轴时使用的手动脉冲发生器等。
用于控制机床的各轴的轴控制电路30接受来自CPU11的轴的移动指令量，向伺服放大器40输出轴的指令。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内置有位置速度检测器，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。此外，在图1的硬件结构图中，轴控制电路30、伺服放大器40以及伺服电动机50只各表示了一个，但实际上按照作为控制对象的机床所具备的轴的数量(例如如果是具备线性3轴的机床，则为3个，如果是5轴加工机，则为5个)来准备。
主轴控制电路60接受针对机床主轴的主轴旋转指令，向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，以指令的转速使主轴的主轴电动机62旋转从而驱动工具。向主轴电动机62连结位置编码器63，位置编码器63与主轴的旋转同步地输出反馈脉冲，由CPU11读取该反馈脉冲。
接口21是用于将控制装置1与机器学习装置100连接起来的接口。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的临时存储的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能够经由接口21观测控制装置1能够取得的各信息(例如工具的种类、工具的寿命等与工具相关的信息、切削条件等与加工相关的信息、工件材质等与工件相关的信息、主轴的转矩值等)。另外，控制装置1接受从机器学习装置100输出的加工条件的变更指令来控制机床的动作。
图2是第一实施方式的控制装置1和机器学习装置100的概要功能框图。通过由图1所示的控制装置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来控制控制装置1和机器学习装置100的各部的动作，来实现图2所示的各功能模块。
本实施方式的控制装置1具备控制部34，该控制部34根据从机器学习装置100输出的加工条件的变更指令控制机床2。控制部34一般按照程序等的指令来控制机床2的动作，但如果这时从机器学习装置100输出了加工条件的变更指令，则取代上述程序等的指令，控制机床2使得成为从机器学习装置100输出的加工条件。
另一方面，控制装置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)，该软件以及硬件用于通过所谓的机器学习来自己学习与切削加工中的主轴转矩和切削阻力的切削分力方向信息相对的切削加工的加工条件。控制装置1所具备的机器学习装置100学习的内容相当于表示切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件之间的相关性的模型构造。
如在图2中功能模块所示那样，控制装置1所具备的机器学习装置100具备：状态观测部106，其观测表示切削加工的加工条件的加工条件数据S1、表示切削加工中的主轴转矩的主轴转矩数据S2、以及表示切削阻力的切削分力方向信息的切削分力方向数据S3，来作为表示环境的当前状态的状态变量S；判定数据取得部108，其取得包含用于判定根据所决定的切削加工的加工条件进行了加工的工件的品质的工件品质判定数据D1、以及用于判定工件的加工所花费的时间的周期时间判定数据D2的判定数据D；学习部110，其使用状态变量S和判定数据D，使切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件关联起来来进行学习。
能够作为切削加工的加工条件，来取得状态观测部106所观测的状态变量S中的加工条件数据S1。关于切削加工的加工条件，例如例示机床2的加工中的实际切削进给速度、主轴转速、切入量、前角(rake angle)等，能够从控制机床2的动作的程序、在控制装置1中设定并存储在非易失性存储器14中的加工参数等取得。
关于加工条件数据S1，可以直接使用机器学习装置100根据学习部110的学习结果针对前一个学习周期中的切削加工中的主轴转矩以及切削阻力的切削分力方向信息在该学习周期中决定的切削加工的加工条件。在采取这样的方法的情况下，可以使机器学习装置100在每个学习周期将切削加工的加工条件暂时存储在RAM103中，状态观测部106从RAM103中取得上一个学习周期中的切削加工的加工条件来作为本次的学习周期的加工条件数据S1。
可以作为对用于驱动机床2的主轴的主轴电动机施加的负荷，来取得状态观测部106所观测的状态变量S中的主轴转矩数据S2。可以从机床2取得主轴转矩数据S2。
可以作为与切削加工中的主轴转矩的方向相对的切削分力的方向，来取得状态观测部106所观测的状态变量S中的切削分力方向数据S3。能够根据工具的刀尖相对于工件的角度(前角)，求出与主轴转矩的方向相对的切削分力的方向，能够根据工具的规格(刀尖相对于主轴方向的角度)、切削时的工具相对于工件的角度(主轴的角度)来计算。
图3表示加工条件数据S1、主轴转矩数据S2、切削分力方向数据S3的关系。一般，能够使用二维切削模型等公知的模型，来计算工件对切削工具的反作用力。在图3的例子中，工具的刀尖向切削方向行进的速度即切削进给速度Vp是通过程序等指令的指令切削进给速度F与通过主轴的旋转而产生的刀尖的移动速度的切削进给方向分量的速度之间的合成速度，能够使用指令切削进给速度F、主轴转速S、主轴相对于切削进给方向的倾斜等来计算，另外，能够使用主轴转矩R、前角α、主轴相对于切削进给方向的倾斜等来计算向切削进给方向的反作用力即切削分力P。
状态观测部106在学习部110进行在线学习的情况下，可以从机床2、传感器3、控制装置1的各部逐次取得各状态变量。另一方面，在学习部110进行离线学习的情况下，可以由控制装置1将在工件的加工过程中取得的各信息作为日志数据存储在非易失性存储器14中，状态观测部106对记录的日志数据进行分析来取得各状态变量。
判定数据取得部108能够使用根据所决定的切削加工的加工条件进行了加工时的工件的品质的判定结果，来作为工件品质判定数据D1。作为判定数据取得部108使用的工件品质判定数据D1，例如在在线学习中，使用通过夹具设置在工作台上的工件的位置没有偏离(合适)还是产生了偏离(不合适)这样的数据即可，另外，在离线学习中，使用加工后的工件的各部分的尺寸误差收敛在预先决定的阈值以下(合适)还是超出了阈值(不合适)这样的数据即可。
另外，判定数据取得部108能够使用根据所决定的切削加工的加工条件进行的工件加工所花费的时间的判定结果，来作为周期时间判定数据D2。作为判定数据取得部108使用的周期时间判定数据D2，例如使用根据所决定的切削加工的加工条件进行的工件加工所花费的时间比预先决定的预定的阈值短(合适)还是长(不合适)这样的根据适当设定的判定基准判定出的结果即可。
此外，判定数据取得部108在学习部110进行学习的阶段是必需的结构，但在学习部110进行的使切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件关联起的学习完成后，并非是必需的结构。例如，在将学习已完成的机器学习装置100向顾客出货等情况下，也可以将判定数据取得部108卸下而进行出货。
在按照学习部110的学习周期进行考虑时，向学习部110同时输入的状态变量S成为基于取得了判定数据D的前一个学习周期的数据的状态变量S。这样，在控制装置1所具备的机器学习装置100推进学习的期间，在该环境中，重复地执行主轴转矩数据S2以及切削分力方向数据S3的取得、机床2基于根据取得的各数据决定的加工条件S1进行的工件加工、判定数据D的取得。
学习部110依照被统称为机器学习的任意的学习算法，学习与切削加工中的主轴转矩和切削阻力的切削分力方向信息相对的切削加工的加工条件。学习部110能够基于包含上述状态变量S和判定数据D的数据集合反复执行学习。在与切削加工中的主轴转矩和切削阻力的切削分力方向信息相对的切削加工的加工条件的学习周期的重复过程中，如上述那样从前一个周期的切削加工中的主轴转矩和切削阻力的切削分力方向信息、以及在前一个周期中决定的切削加工的加工条件来取得状态变量S，另外，使判定数据D为根据所决定的切削加工的加工条件进行的工件加工的合适与否判定结果。
学习部110在进行在线学习时，例如使用在加工中取得的状态变量S、通过距离传感器等取得的工件的设置位置的偏离等工件品质判定数据D1，逐次地重复学习。另外，学习部110在进行离线学习时，例如分析在加工过程中记录的日志数据，按照加工的流程生成每个预定周期的状态变量S的序列，并且确定在该状态变量中主轴转矩数据S2发生了急剧变化的位置，向该位置的状态变量S分配被判定为不合适的加工后的工件各部的尺寸误差等的工件品质判定数据D1(对于其他状态变量S设为合适)。另外，对于周期时间判定数据D2，向全部状态变量S分配该判定结果即可，使用这样生成的状态变量S和判定数据D的序列进行学习。
通过重复这样的学习周期，学习部110能够识别出暗示了切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件之间的相关性的特征。在开始学习算法时，切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件之间的相关性是未知的，但学习部110随着推进学习，逐渐识别特征来解释相关性。如果将切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件之间的相关性解释到能够以某种程度信任的水准，则学习部110反复输出的学习结果能够用于进行针对当前状态(即，切削加工中的主轴转矩和切削阻力的切削分力方向信息)应该如何决定切削加工的加工条件的行为的选择(即决策)。即，伴随着学习算法的进行，学习部110能够使得与以下行为的相关性逐渐接近最优解，该行为是指针对切削加工中的主轴转矩和切削阻力的切削分力方向信息，应该如何设定切削加工的加工条件。
决策部122根据学习部110学习的结果，决定切削加工的加工条件，向控制部34输出所决定的切削加工的加工条件。在成为了能够利用学习部110的学习的状态的阶段，如果向机器学习装置100输入了切削加工中的主轴转矩和切削阻力的切削分力方向信息，则决策部122输出切削加工的加工条件(切削进给速度、主轴转速、切入量、前角等)。决策部122输出的切削加工的加工条件是向工件施加在夹具的夹紧力的范围内能够抑制住的切削力的加工条件。决策部122根据状态变量S和学习部110学习的结果，决定适当的切削加工的加工条件。
如上述那样，在控制装置1所具备的机器学习装置100中，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，由学习部110按照机器学习算法，学习与切削加工中的主轴转矩和切削阻力的切削分力方向信息相对的切削加工的加工条件。状态变量S由加工条件数据S1、主轴转矩数据S2、以及切削分力方向数据S3这样的数据构成，另外，通过对测量工件而得到的信息、控制装置1从机床2取得的信息进行分析，而唯一地求出判定数据D。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，能够自动并且正确地决定与切削加工中的主轴转矩和切削阻力的切削分力方向信息对应的切削加工的加工条件。
另外，如果能够自动地决定切削加工的加工条件，则仅通过掌握切削加工中的主轴转矩(主轴转矩数据S2)和切削阻力的切削分力方向信息(切削分力方向数据S3)，就能够迅速地决定切削加工的加工条件的适当的值。因此，能够高效地决定切削加工的加工条件。
作为控制装置1所具备的机器学习装置100的一个变形例，状态观测部106除了观测加工条件数据S1、主轴转矩数据S2以及切削分力方向数据S3以外，还可以观测表示工作液的温度的工作液状态数据S4来作为状态变量S。在对夹具的夹紧力使用液压的情况下，工作液的温度的变化有可能成为液压的压力降低的原因，因此通过观测工作液的温度来作为状态变量S，能够提高学习部110的学习精度。
作为控制装置1所具备的机器学习装置100的另一变形例，状态观测部106除了观测加工条件数据S1、主轴转矩数据S2、以及切削分力方向数据S3以外，还可以观测表示工具的状态的工具状态数据S5来作为状态变量S。即使是相同的切削条件，由于工具的种类、工具的寿命(刀尖钝的程度)的不同，向工件施加的切削力产生不同，因此通过观测工具状态数据来作为状态变量S，能够提高学习部110的学习的精度。
作为控制装置1所具备的机器学习装置100的另一变形例，状态观测部106除了观测加工条件数据S1、主轴转矩数据S2、以及切削分力方向数据S3以外，还可以观测表示工件的材质的工件材质数据S6来作为状态变量S。即使是相同的切削条件，根据工件的材质，向工件施加的切削力(来自工件的反作用力)也产生不同，因此通过观测工件材质数据来作为状态变量S，能够提高学习部110的学习精度。
在具有上述结构的机器学习装置100中，学习部110所执行的学习算法并没有特定限定，可以采用作为机器学习而公知的学习算法。图4是图2所示的控制装置1的一个方式，表示了具备作为学习算法的一个例子执行强化学习的学习部110的结构。强化学习是以下的方法：观测学习对象所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为(即输出)，以试错的方式反复执行对该行为赋予某种回报的循环，学习回报的统计最大化的方案(在本申请的机器学习装置中为切削加工的加工条件)来作为最优解。
在图4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S决定切削加工的加工条件，求出与机床2根据所决定的切削加工的加工条件进行的工件加工的适合与否判定结果(相当于在取得了状态变量S的下一个学习周期中使用的判定数据D)相关联的回报R；价值函数更新部114，其使用回报R来对表示切削加工的加工条件的价值的函数Q进行更新。学习部110通过由价值函数更新部114反复进行函数Q的更新，来学习与切削加工中的主轴转矩以及切削阻力的切削分力方向信息相对的切削加工的加工条件。
说明学习部110执行的强化学习的算法的一个例子。该例子的算法作为Q学习(Q-learning)而公知，是指以下的方法：将行为主体的状态s以及在该状态s下行为主体能够选择的行为a作为独立变量，学习用于表示在状态s下选择了行为a时的行为价值的函数Q(s，a)。在状态s下选择价值函数Q最高的行为a为最优解。在状态s与行为a之间的相关性为未知的状态下开始Q学习，重复进行在任意的状态s下选择各种行为a的试错，由此反复更新价值函数Q使其趋近最优解。在此，在作为在状态s下选择了行为a的结果使得环境(即状态s)发生变化时，得到与该变化对应的回报(即行为a的加权)r，引导学习使得选择得到更高回报r的行为a，由此能够在比较短时间内使价值函数Q趋近最优解。
一般可以如下述的式1那样表示价值函数Q的更新公式。在式1中，st和at分别是时刻t的状态和行为，由于行为at，状态变化为st+1。rt+1是通过状态从st变化为st+1而得到的回报。maxQ的项表示在时刻t+1进行了成为最大价值Q(认为是在时刻t)的行为a时的Q。α和γ分别是学习系数和折扣率，在0<α≤1、0<γ≤1的范围内任意地设定。
(式1)
在学习部110执行Q学习的情况下，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(即切削加工中的主轴转矩和切削阻力的切削分力方向信息)相对的切削加工的加工条件的行为相当于更新式的行为a，回报计算部112求出的回报R相当于更新式的回报r。由此，价值函数更新部114通过使用了回报R的Q学习，反复更新用于表示与当前状态相对的切削加工的加工条件的价值的函数Q。
关于回报计算部112求出的回报R，例如可以设为以下的回报R，即为在决定了切削加工的加工条件后进行的基于所决定的切削加工的加工条件进行的工件加工的合适与否判定的判定结果被判定为“合适”的情况(例如，工件未偏离地进行了加工的情况、工件加工的周期时间比预先确定的阈值或前一个学习周期的周期时间短的情况等)下，设为正的回报R，在决定了切削加工的加工条件后进行的基于所决定的切削加工的加工条件进行的工件加工的合适与否判定的判定结果被判定为“不合适”的情况(例如工件发生了偏离的情况、工件的加工的周期时间比预先确定的阈值或前一个学习周期的周期时间长的情况等)下，设为负的回报R。正负的回报R的绝对值既可以相互相同，也可以不同。另外，作为判定的条件，可以组合判定数据D中包含的多个值来进行判定。
另外，可以不只是“合适”与“不合适”这两种，而将根据设定的切削加工的加工条件进行的工件加工的合适与否判定结果设定为多个阶段。作为例子，可以构成为在工件加工的周期时间的阈值是Tmax的情况下，在工作人员的组装作业的周期时间T为0≤T<Tmax/5时，赋予回报R＝5，在Tmax/5≤T<Tmax/2时，赋予回报R＝3，在Tmax/2≤T<Tmax时，赋予回报R＝1，在Tmax≤T时，赋予回报R＝﹣3(负的回报)。
并且，也可以在学习的初始阶段将判定所使用的阈值设定得比较大，随着学习进行，缩小判定所使用的阈值。
价值函数更新部114可具有将状态变量S、判定数据D以及回报R与用函数Q表示的行为价值(例如数值)关联起来进行整理后的行为价值表。在该情况下，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更新行为价值表的行为含义相同。在开始Q学习时，环境的当前状态与切削加工的加工条件之间的相关性是未知的，因此在行为价值表中，通过与随机决定的行为价值的值(函数Q)相关联的方式准备各种状态变量S、判定数据D、回报R。此外，回报计算部112如果知道判定数据D，则能够马上计算出与之对应的回报R，将计算出的值R写入到行为价值表中。
当使用与机床2的动作的合适与否判定结果相对应的回报R推进Q学习时，向选择得到更高回报R的行为的方向引导学习，与作为在当前状态下执行所选择的行为的结果而发生变化的环境的状态(即状态变量S和判定数据D)对应地，写入与在当前状态下进行的行为有关的行为价值的值(函数Q)来更新行为价值表。通过重复进行该更新，以越是适当的行为(在本发明的情况下，是指在不使与工件加工相关的周期时间极端变长的范围内降低切削进给速度、或降低主轴转速、减少切入量、增大前角等，决定向工件施加在夹具的夹紧力的范围内能够抑制住的切削力的切削加工的加工条件的行为)值越大的方式写入在行为价值表中显示的行为价值的值(函数Q)。如此，未知环境的当前状态(切削加工中的主轴转矩和切削阻力的切削分力方向信息)和与之相对的行为(切削加工的加工条件)之间的相关性逐渐变得明确。即，通过行为价值表的更新，切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件之间的关系逐渐趋近最优解。
并且，参照图5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114一边参照该时间点的行为价值表，一边随机地选择切削加工的加工条件来作为在状态观测部106观测到的状态变量S所示的当前状态下进行的行为。接着，价值函数更新部114在步骤SA02中，取得状态观测部106正在观测的当前状态的状态变量S，在步骤SA03中，取得判定数据取得部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，根据判定数据D，判断切削加工的加工条件是否适当，在适当的情况下，在步骤SA05中，将回报计算部112求出的正的回报R用于函数Q的更新式，接着，在步骤SA06中，使用当前状态下的状态变量S、判定数据D、回报R、行为价值的值(更新后的函数Q)来更新行为价值表。当在步骤SA04中判断为切削加工的加工条件不适当的情况下，在步骤SA07中，将回报计算部112求出的负的回报R用于函数Q的更新式，接着，在步骤SA06中，使用当前状态下的状态变量S、判定数据D、回报R、行为价值的值(更新后的函数Q)来更新行为价值表。学习部110通过重复进行步骤SA01～SA07来反复更新行为价值表，从而推进切削加工的加工条件的学习。此外，针对判定数据D中包含的各个数据，执行步骤SA04～步骤SA07的求出回报R的处理和价值函数的更新处理。
在进行上述强化学习时，例如可以应用神经网络。图6A示意地表示神经元的模型。图6B示意地表示组合图6A所示的神经元而构成的三层的神经网络的模型。神经网络例如可以由对神经元的模型进行模拟的运算装置、存储装置等构成。
图6A所示的神经元输出与多个输入x(在这里作为一个例子为输入x1～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，神经元输出由下式2表现的输出y。另外，在式2中，输入x、输出y以及权重w全部为向量。另外，θ为偏置，fk为激活函数。
(式2)
图6B所示的三层的神经网络从左侧输入多个输入x(在这里作为一个例子为输入x1～输入x3)，从右侧输出结果y(在这里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(全体由w1表示)，向三个神经元N11、N12、N13都输入各个输入x1、x2、x3。
在图6B中，神经元N11～N13的各个输出全体由z1表示。能够将z1看做是提取了输入向量的特征量而得到的特征向量。在图示的例子中，对特征向量z1分别乘以对应的权重(全体由w2表示)，将各个特征向量z1均输入给两个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
在图6B中，神经元N21～N22的各个输出全体由z2表示。能够将z2看做是提取了特征向量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(全体由w3表示)，将各个特征向量z2均输入给三个神经元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。
另外，也可以采用使用了三层以上的神经网络的所谓的深度学习的方法。
在控制装置1所具备的机器学习装置100中，能够将神经网络用作Q学习中的价值函数，将状态变量S和行为a作为输入x，由学习部110按照上述神经网络进行多层构造的运算，由此能够输出某个状态下的该行为的价值(结果y)。另外，在神经网络的动作模式中存在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组来学习权重w，在价值预测模式下使用学习到的权重w来进行行为的价值判定。另外，在价值预测模式下还能够进行检测、分类、推论等。
能够将上述控制装置1的结构记载为由处理器101执行的机器学习方法(或软件)。该机器学习方法是学习切削加工的加工条件的机器学习方法，由计算机的CPU执行如下步骤：观测加工条件数据S1、主轴转矩数据S2以及切削分力方向数据S3，来作为表示机床2进行动作的环境的当前状态的状态变量S；取得表示根据所决定的切削加工的加工条件进行的工件加工的合适与否判定结果的判定数据D；使用状态变量S和判定数据D，将主轴转矩数据S2以及切削分力方向数据S3与切削加工的加工条件关联起来进行学习。
在以下的第二～第四实施方式中，说明第一实施方式的控制装置1经由有线/无线的网络与包含云服务器、主计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相互连接的实施方式。如图7例示的那样，在以下的第二～第四实施方式中，假设在将多个装置分别与网络相连接的状态下逻辑上分为以下三层而构成的系统，上述三层为包含云服务器6等的层、包含雾服务器7等的层、以及包含边缘计算机8(单元9中包含的机器人控制器、控制装置等)等的层。在这样的系统中，控制装置1还能够安装在云计算机6、雾计算机7、边缘计算机8中的任意一个装置上，能够在与多个装置中的各个装置之间经由网络相互共享学习数据来进行分散学习，或者将生成的学习模型收集到雾计算机7、云服务器6中来进行大规模的分析，并且能够相互再利用所生成的学习模型。在图7例示的系统中，在各地的工厂中分别设置多个单元9，由上位层的雾计算机7以预定的单位(工厂单位、相同制造业商的多个工厂单位等)来管理各单元9。而且，能够在上位层的云服务器6中进一步对这些雾计算机7收集、分析后的数据进行收集、分析等，能够将作为结果而得到的信息灵活用于各边缘计算机的控制等。
图8表示具备控制装置1的第二实施方式的系统170。系统170具备作为边缘计算机、雾计算机、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相互连接起来的有线/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的控制装置1能够使用学习部110的学习结果，对每个机床2分别自动并且正确地求出与切削加工中的主轴转矩和切削阻力的切削分力方向信息相对的切削加工的加工条件。另外，控制装置1的机器学习装置100能够根据针对多个机床2分别得到的状态变量S和判定数据D，学习对于全部机床2通用的切削加工的加工条件，并在全部的机床2的动作中共享该学习结果。因此，根据系统170，将更多样的数据集合(包含状态变量S和判定数据D)作为输入，能够提高切削加工的加工条件的学习速度和可靠性。
图9表示具备控制装置1的第三实施方式的系统170。系统170具备在边缘计算机、雾计算机、主计算机、云服务器等计算机5上安装的至少一台机器学习装置100’、作为用于控制机床2的控制装置(边缘计算机)安装的至少一台控制装置1、将计算机5和机床2相互连接起来的有线/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的计算机5从控制各个机床2的控制装置1，取得作为该控制装置1所具备的机器学习装置100进行的机器学习的结果而得到的学习模型。然后，计算机5所具备的机器学习装置100’基于这些多个学习模型进行知识的最优化、提高效率的处理，新生成最优化或提高了效率的学习模型，向控制各个机床2的控制装置1发布所生成的学习模型。
作为机器学习装置100’进行的学习模型的最优化或提高效率的例子，可以举出根据从各控制装置1取得的多个学习模型生成蒸馏模型。在该情况下，本实施方式的机器学习装置100’生成向学习模型输入的输入数据，使用作为向各个学习模型输入了该输入数据后的结果而得到的输出，从1开始进行学习(将这样的学习步骤称为蒸馏)，由此新生成学习模型(蒸馏模型)。在该蒸馏中，还将原始的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。这样生成的蒸馏模型的大小一般比原始的学习模型小，但仍然得出与原始的学习模型同等的正确度，因此更适于经由外部存储介质、网络等向其他计算机进行发布。
作为由机器学习装置100’进行的学习模型的最优化或提高效率的其它例子，在对于从各控制装置1取得的多个学习模型进行蒸馏的过程中，还考虑通过一般的统计方法来分析与输入数据相对的各学习模型的输出的分布，提取输入数据与输出数据的数据集的离群值，使用排除了该离群值的输入数据与输出数据的数据集来进行蒸馏。通过经由这样的过程，能够从通过各学习模型得到的输入数据与输出数据的数据集中排除例外的推定结果，使用排除了例外的推定结果的输入数据与输出数据的数据集来生成蒸馏模型。关于这样生成的蒸馏模型，能够从多个控制装置1生成的学习模型生成针对由该控制装置1控制的机机床2通用的蒸馏模型。
此外，还能够适当地导入其它一般的学习模型的最优化或提高效率的方法(分析各学习模型，根据该分析结果使学习模型的超参数最优化等)。
在本实施方式的系统中，能够进行以下的运用：例如在对于作为边缘计算机的多个机床2(控制装置1)设置的雾计算机上配置机器学习装置100’，将由各机床2(控制装置1)生成的学习模型汇集存储到雾计算机上，在基于存储的多个学习模型进行了最优化或提高效率之后向存储装置进行保存，根据需要将保存的已最优化或提高了效率的学习模型再次向各机床2(控制装置1)发布。
另外，在本实施方式的系统中，例如，把在雾计算机上汇集存储的学习模型、在雾计算机上已最优化或提高了效率的学习模型进一步汇集到上位的主机计算机或云服务器上，使用这些学习模型能够用于在工厂、机床2的制造商的知识性作业(上位服务器构筑以及再发布更加通用的学习模型、基于学习模型的分析结果对于维修作业的辅助、各机床2的性能等的分析、用于开发新设备等)。
图10是图9所示的计算机5的概要硬件结构图。
计算机5具备的CPU511是整体地控制计算机5的处理器。CPU511经由总线520读出存储在ROM512中的系统程序，依照该系统程序控制整个计算机5。在RAM513中暂时存储临时的计算数据、工作人员经由输入装置531输入的各种数据等。
非易失性存储器514例如由使用未图示的电池进行支援的存储器、SSD(SolidState Drive：固态硬盘)等构成，即使计算机5的电源被切断也保持存储状态。在非易失性存储器514中存储：存储与计算机5的动作有关的设定信息的设定区域、从输入装置531输入的数据、从各机床2(的控制装置)取得的学习模型、经由未图示的外部存储装置或网络读入的数据等。存储在非易失性存储器514中的程序、各种数据在执行时/使用时可以在RAM 513中展开。另外，在ROM 512中预先写入了包含用于分析各种数据的公知的分析程序等在内的系统程序。
计算机5经由接口516与网络172相连接。在网络172上连接至少一个机床2、其它计算机等，在与计算机5之间相互交换数据。
在显示装置530上经由接口517输出并显示读入到存储器上的各数据、作为执行程序等的结果而得到的数据等。另外，由键盘、定点设备等构成的输入装置531将基于操作人员进行的操作的指令、数据等经由接口518传送给CPU511。
此外，关于机器学习装置100，除了与计算机5的CPU 511协作来用于学习模型的最优化或提高效率这一点以外，与在图1中说明的相同。
图11表示具备控制装置1的第四实施方式的系统170。系统170具备作为用于控制机床2的控制装置(边缘计算机)而安装的多个控制装置1、将多台机床2(控制装置1)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的控制装置1基于从作为控制对象的机床2取得的状态数据、判定数据、以及从(不具备机器学习装置100的)其它机床2取得的状态数据、判定数据来进行机器学习，生成学习模型。这样生成的学习模型除了用于决定自己的机床2的加工动作中的恰当的切削加工的加工条件以外，还用于根据来自不具备机器学习装置100的机床2的请求，决定该机床2(的控制装置)进行的加工动作中的恰当的切削加工的加工条件。另外，在新导入了具备生成学习模型之前的机器学习装置100的控制装置1时，还能够经由网络172从其它控制装置1取得学习模型来进行使用。
在本实施方式的系统中，在作为所谓的边缘计算机的多个机床2(控制装置1)之间能够共享地有效使用用于学习的数据、学习模型，因此能够提高机器学习的效率，降低机器学习花费的成本(仅在用于控制机床2的一台控制装置中导入机器学习装置100，在与其它机床2之间进行共享等)。
以上，说明了本发明的实施方式，但本发明并不仅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执行的学习算法、运算算法、控制装置1执行的控制算法等并不限于上述情况，可以采用各种算法。
另外，在上述实施方式中，说明了控制装置1和机器学习装置100是具有不同的CPU的装置，但是机器学习装置100也可以通过控制装置1所具备的CPU 11以及存储在ROM 12中的系统程序来实现。
以上说明了本发明的实施方式，但本发明并不限于上述实施方式的例子，通过施加适当的变更能够以其他方式来实施。

Claims (13)

1.一种控制装置，其控制通过工具对在加工夹具上被夹紧的工件进行切削加工的机床，其特征在于，
上述控制装置具备机器学习装置，该机器学习装置观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削加工的切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行决策，上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型。
2.一种控制装置，其控制通过工具对在加工夹具上被夹紧的工件进行切削加工的机床，其特征在于，
上述控制装置具备机器学习装置，该机器学习装置观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削加工的切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行学习或决策，上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型，
上述机器学习装置具备：
状态观测部，其观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量；
判定数据取得部，其取得用于判定根据上述切削加工的加工条件进行了加工的工件的品质的工件品质判定数据、以及判定上述工件的加工所花费的时间的周期时间判定数据，来作为表示上述工件的加工的合适与否判定结果的判定数据；
学习部，其使用上述状态变量和上述判定数据，使切削加工中的主轴转矩和切削阻力的切削分力方向信息与切削加工的加工条件关联起来进行学习。
3.根据权利要求2所述的控制装置，其特征在于，
上述学习部具备：
回报计算部，其求出与上述合适与否判定结果相关联的回报；
价值函数更新部，其使用上述回报，更新表示与切削加工中的主轴转矩以及切削阻力的切削分力方向信息相对的切削加工的加工条件的价值的函数，
上述工件的品质越高以及上述工件的加工所花费的时间越短，上述回报计算部赋予越高的回报。
4.根据权利要求2或3所述的控制装置，其特征在于，
上述学习部通过多层构造计算上述状态变量和上述判定数据。
5.根据权利要求1所述的控制装置，其特征在于，
上述机器学习装置具备：
状态观测部，其观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量；
学习部，其具备将切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件关联起来进行学习而得到的上述学习模型；以及
决策部，其根据上述状态观测部观测到的状态变量以及上述学习模型，决定切削加工的加工条件。
6.根据权利要求1～3中的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。
7.一种机器学习装置，其特征在于，
观测通过工具对在加工夹具上被夹紧的工件进行切削加工时的表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削加工的切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行决策，
上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型。
8.一种机器学习装置，其特征在于，
观测通过工具对在加工夹具上被夹紧的工件进行切削加工时的表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削加工的切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型来进行学习或决策，
上述学习模型是对向上述工件施加通过上述加工夹具的夹紧力能够抑制住的范围的切削力的上述切削加工的加工条件进行模型化而得到的模型，
所述机器学习装置具备：
状态观测部，其观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量；
判定数据取得部，其取得用于判定根据上述切削加工的加工条件进行了加工的工件的品质的工件品质判定数据、以及用于判定上述工件的加工所花费的时间的周期时间判定数据，来作为表示上述工件的加工的合适与否判定结果的判定数据；
学习部，其使用上述状态变量和上述判定数据，生成将切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件关联起来进行学习而得到的上述学习模型。
9.根据权利要求7所述的机器学习装置，其特征在于，具备：
状态观测部，其观测表示上述切削加工的加工条件的加工条件数据、表示切削加工中的主轴转矩的主轴转矩数据、以及表示针对上述切削力的切削阻力的切削分力方向信息的切削分力方向数据，来作为表示环境的当前状态的状态变量；
学习部，其具备将切削加工中的主轴转矩以及切削阻力的切削分力方向信息与切削加工的加工条件关联起来进行学习而得到的上述学习模型；以及
决策部，其根据上述状态观测部观测到的状态变量以及上述学习模型，决定切削加工的加工条件。
10.一种系统，其经由网络将多个装置相互连接，其特征在于，
上述多个装置至少包含控制第一机床的权利要求2所述的控制装置。
11.根据权利要求10所述的系统，其特征在于，
上述多个装置包含具备机器学习装置的计算机，
上述计算机取得通过上述控制装置的上述学习部的学习而生成的至少一个学习模型，
上述机器学习装置根据所取得的上述学习模型进行最优化或提高效率。
12.根据权利要求10所述的系统，其特征在于，
上述多个装置包含与上述第一机床不同的第二机床，
与上述第二机床共享控制上述第一机床的控制装置所具备的学习部的学习结果。
13.根据权利要求10所述的系统，其特征在于，
上述多个装置包含与上述第一机床不同的第二机床，
在控制上述第一机床的控制装置所具备的学习部的学习中，能够经由上述网络使用在上述第二机床中观测到的数据。
CN201910122356.5A 2018-02-19 2019-02-19 控制装置、机器学习装置以及系统 Active CN110174871B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018027089 2018-02-19
JP2018-027089 2018-02-19
JP2018-242793 2018-12-26
JP2018242793A JP6781242B2 (ja) 2018-02-19 2018-12-26 制御装置、機械学習装置及びシステム

Publications (2)

Publication Number Publication Date
CN110174871A CN110174871A (zh) 2019-08-27
CN110174871B true CN110174871B (zh) 2023-08-15

Family

ID=67689127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910122356.5A Active CN110174871B (zh) 2018-02-19 2019-02-19 控制装置、机器学习装置以及系统

Country Status (2)

Country Link
CN (1) CN110174871B (zh)
DE (1) DE102019001177B4 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115297983A (zh) * 2020-04-13 2022-11-04 住友电气工业株式会社 切削系统、显示系统、处理装置、处理方法以及处理程序
CN113835396B (zh) * 2021-11-26 2022-03-04 四川省机械研究设计院(集团)有限公司 Cnc刀具监测方法和系统及调度管理方法和系统
CN115556099B (zh) * 2022-09-29 2024-04-09 华南理工大学 一种可持续学习的工业机器人故障诊断系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138831A (zh) * 2006-09-08 2008-03-12 发那科株式会社 加工原点设定方法及用于实施该方法的机床
CN105988419A (zh) * 2015-03-19 2016-10-05 发那科株式会社 进行复合形固定周期的往复车削的数值控制装置
CN106392772A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习装置、主轴更换判定装置、控制装置、机床
CN106560751A (zh) * 2015-09-30 2017-04-12 发那科株式会社 机器学习装置、机器学习方法及具备机器学习装置的机床
CN106697187A (zh) * 2016-12-26 2017-05-24 武汉理工大学 基于智能机舱的船舶动力系统工况模拟和诊断实验平台
CN107491038A (zh) * 2016-06-09 2017-12-19 发那科株式会社 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
CN107650126A (zh) * 2017-11-07 2018-02-02 成都卡诺普自动化控制技术有限公司 六轴工业机器人动力学参数自动适应方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3168159B2 (ja) 1996-01-25 2001-05-21 オークマ株式会社 パレット固定方法及び装置
JP6219897B2 (ja) 2015-09-28 2017-10-25 ファナック株式会社 最適な加減速を生成する工作機械
JP6330789B2 (ja) * 2015-11-18 2018-05-30 トヨタ自動車株式会社 位置測定装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138831A (zh) * 2006-09-08 2008-03-12 发那科株式会社 加工原点设定方法及用于实施该方法的机床
CN105988419A (zh) * 2015-03-19 2016-10-05 发那科株式会社 进行复合形固定周期的往复车削的数值控制装置
CN106392772A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习装置、主轴更换判定装置、控制装置、机床
CN106560751A (zh) * 2015-09-30 2017-04-12 发那科株式会社 机器学习装置、机器学习方法及具备机器学习装置的机床
CN107491038A (zh) * 2016-06-09 2017-12-19 发那科株式会社 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
CN106697187A (zh) * 2016-12-26 2017-05-24 武汉理工大学 基于智能机舱的船舶动力系统工况模拟和诊断实验平台
CN107650126A (zh) * 2017-11-07 2018-02-02 成都卡诺普自动化控制技术有限公司 六轴工业机器人动力学参数自动适应方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑家佳 ; 何彦 ; .基于功率预测的数控机床粗车过程中进给系统调速模型.组合机床与自动化加工技术.2017,(01),全文. *

Also Published As

Publication number Publication date
DE102019001177A1 (de) 2019-09-12
CN110174871A (zh) 2019-08-27
DE102019001177B4 (de) 2024-01-18

Similar Documents

Publication Publication Date Title
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
JP6680756B2 (ja) 制御装置及び機械学習装置
CN107491038B (zh) 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
JP6219897B2 (ja) 最適な加減速を生成する工作機械
CN109581972B (zh) 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组
CN110174871B (zh) 控制装置、机器学习装置以及系统
CN111687652B (zh) 握持力调整装置以及握持力调整系统
JP6077617B1 (ja) 最適な速度分布を生成する工作機械
JP6557285B2 (ja) 制御装置及び機械学習装置
US11822308B2 (en) Polishing tool wear amount prediction device, machine learning device, and system
CN111624951A (zh) 加工条件调整装置以及加工条件调整系统
JP2019207576A (ja) 寿命予測装置及び機械学習装置
WO2016065491A1 (en) Method for optimizing the productivity of a machining process of a cnc machine
CN109794657B (zh) 控制装置以及机器学习装置
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
JP2019139755A (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
US20200101603A1 (en) Controller and control system
JP2019185125A (ja) 制御装置及び機械学習装置
US20190121319A1 (en) Life estimation device and machine learning device
JP2019188558A (ja) 工具選定装置及び機械学習装置
JP2019141869A (ja) 制御装置及び機械学習装置
JP2019200661A (ja) シミュレーション装置
JP2020131342A (ja) 切削液量調整装置及び切削液量調整システム
CN109507879B (zh) 控制装置以及机器学习装置
CN116745710A (zh) 具备机床的加工系统、修正加工系统中的参数的参数的修正方法、修正加工程序的程序修正系统以及程序的修正方法

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