CN110543653A - 寿命预测装置以及机器学习装置 - Google Patents
寿命预测装置以及机器学习装置 Download PDFInfo
- Publication number
- CN110543653A CN110543653A CN201910457087.8A CN201910457087A CN110543653A CN 110543653 A CN110543653 A CN 110543653A CN 201910457087 A CN201910457087 A CN 201910457087A CN 110543653 A CN110543653 A CN 110543653A
- Authority
- CN
- China
- Prior art keywords
- lifetime
- life
- related data
- unit
- replacement
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims description 53
- 238000004519 manufacturing process Methods 0.000 claims description 47
- 230000001186 cumulative effect Effects 0.000 claims description 37
- 238000002790 cross-validation Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 description 23
- 238000003754 machining Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 238000005520 cutting process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B19/4062—Monitoring servoloop, e.g. overload of servomotor, loss of feedback or reference
-
- 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
- G05B2219/32371—Predict failure time by analysing history fault logs of same machines in databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明提供一种寿命预测装置以及机器学习装置。寿命预测装置所具备的机器学习装置观测与消耗部件的寿命相关联的寿命关联数据来作为状态变量,根据该寿命关联数据生成消耗部件的更换寿命的概率模型,使用该生成的概率模型来预测基于寿命关联数据的消耗部件的更换寿命。
Description
技术领域
本发明涉及一种预测机床的消耗部件的寿命的寿命预测装置以及机器学习装置。
背景技术
在构成机床、机器人等制造机械的部件中,刀具、液晶面板、电动机的绝缘电阻、轴承、齿轮、传送带、过滤器等那样的由于磨损、劣化、疲劳等原因无法发挥功能而需要更换的消耗部件的寿命根据条件而变动,因此难以推定寿命。
作为用于推定制造机械的消耗部件中的刀具的寿命的代表性的方法,例如可知泰勒的寿命方程式(日本特开平11-170102号公报等)。在使用泰勒的寿命方程式推定刀具寿命时,根据加工中所使用的刀具、工件的材质等加工条件来决定常数,通过将所决定的常数用于泰勒的寿命方程式,能够在各种加工条件下推定刀具寿命。此外,还提出了根据加工时间、加工次数等推定刀具寿命的技术(日本特开2002-224925号公报等)。
在使用泰勒的寿命方程式的方法中,如上那样需要根据加工条件计算基于刀具、工件的常数,在加工条件频繁变化的机床中常数决定变得复杂,存在缺乏实用性的问题。此外,在基于加工时间、加工次数进行寿命推定的方法中,均根据基于实际加工的经验来进行推定,因此在加工条件仍频繁变化的状况下无法高精度地预测寿命。因此,现状是由操作员检测刀具,根据经验等判断寿命。
作为用于提高寿命预测精度的现有技术,在日本特开2018-103284号公报(2018年7月5日公开)中展示了如下的技术:收集直到操作员判断为刀具的寿命耗尽从而更换了刀具为止的每单位时间的加工信息,通过机器学习(聚类分析)对留有刀具寿命时的加工信息进行分类,求出当前的加工信息是否属于上述聚类来判断是否留有刀具寿命。通过使用该方法,无需进行繁杂的寿命方程式的计算,能够高精度地推定刀具寿命。
此外,在日本特开2017-117013号公报中展示了如下的技术:随时收集表示部件状态的数据,提取过去更换部件时表示出一定倾向的数据,在上次的部件更换时与当前的数据的倾向类似时,判定为到达了部件的更换时期,或通过预测未来的数据值来推定下次的更换时期。通过使用该方法,能够根据现实的运转状况来推测部件寿命,削减无用的检查。
然而,在上述的日本特开2018-103284号公报展开的技术中,需要大量的为了进行聚类分析而聚集的数据,难以收集寿命长的刀具的数据,因此存在直到寿命推测开始为止需要时间的问题。此外,仅进行有/无刀具寿命的判定,并且需要对预先收集的信息进行取舍选择,因此需要进行研究来真正查明对寿命产生影响的数据。
此外,在上述的日本特开2017-117013号公报展开的技术中,为了调查表示部件状态的数据的倾向,需要随时收集数据,存在为了保存数据而需要大容量存储器的问题。此外,关于在寿命判定中提取的数据,仅能够使用表示出所决定的一定倾向的数据,但是在不知道该数据是否真正对寿命产生影响的数据情况下被使用。并且,无法适用于部件更换成本、部件库存数等难以预测倾向的数据。
发明内容
因此,本发明的目的在于,提供一种即使在收集到的数据少的阶段也能够以预定的精度预测制造机械的消耗部件的寿命的寿命预测装置以及机器学习装置。
在本发明中,在制造机械的消耗部件的寿命预测中导入了统计性的机器学习的方法。本发明的寿命预测装置在由于压力、疲劳而发生故障的机床的消耗部件(刀具、液晶面板、电动机、轴承、齿轮、传送带、过滤器等)的寿命预测中,根据在更换消耗部件时推定与寿命之间的关联而得到的信息(寿命关联数据),通过机器学习使寿命概率模型最佳化。关于在此所说的与消耗部件的寿命之间的关联,例如在刀具的情况下,如工件硬度(HV)、冷却液种类(pH)、进给速度、主轴转速、刀尖温度、切削时间、切削距离、切削阻力(进给轴、主轴放大器电流值)等那样,表示与消耗部件的寿命(消耗)之间的直接关联,或者如更换部件成本、部件库存数等那样,表示与消耗部件的寿命(消耗)之间的经济性关联等。在本发明中,观测这样的寿命关联数据,使用根据观测到的寿命关联数据逐渐对寿命概率模型的参数进行更新的贝叶斯推断(Baysian inference)等方法,能够以较少的观测数据量进行学习。
本发明的寿命预测装置根据这样最佳化的寿命概率模型,基于将各寿命关联数据作为要素的向量(特征向量)来求出寿命概率分布,基于将求出的寿命概率分布上的原点与平均进行连结的直线来进行近似分布,由此实时地以数值来推定当前寿命用尽的概率值。
此外,本发明的寿命预测装置还设置如下的结构:在集中了所收集的寿命关联数据的时间点,通过机器学习(特征选择算法)选择真正对寿命产生影响的数据种类(特征)。
本发明的一方式的寿命预测装置预测制造机械的消耗部件的更换寿命,其具备对所述消耗部件的更换寿命进行学习的机器学习装置。并且,所述机器学习装置具备:状态观测部,其观测与所述消耗部件的寿命相关联的寿命关联数据中的设定为观测对象的寿命关联数据来作为状态变量;状态变量存储部,其存储作为状态变量由所述状态观测部观测到的寿命关联数据;以及寿命概率预测部,其根据作为状态变量由所述状态观测部观测到的寿命关联数据生成所述消耗部件的更换寿命的概率模型,使用所生成的概率模型来预测基于由所述状态观测部作为状态变量而观测的寿命关联数据的所述消耗部件的更换寿命。
所述寿命概率预测部可具备概率模型最佳化部,该概率模型最佳化部根据作为状态变量由所述状态观测部观测到的寿命关联数据,更新所述概率模型的参数来使其最佳化。
所述寿命概率预测部可具备累积分布计算部,该累积分布计算部根据作为状态变量由所述状态观测部观测到的寿命关联数据来生成更换寿命的累积概率分布,并使用所生成的累积概率分布来预测所述消耗部件的更换寿命,更换寿命的累积概率分布是根据所述概率模型累积了所述消耗部件的更换概率密度的累积概率分布。
所述机器学习装置还可具备特征选择部,该特征选择部选择所述状态观测部设为观测对象的寿命关联数据,该特征选择部具备:交叉验证部,其通过交叉验证来计算根据寿命关联数据生成的所述消耗部件的更换寿命的概率模型的泛化能力;以及特征削减部,其根据由所述交叉验证部计算出的概率模型的泛化能力,确定所述状态变量存储部中存储的寿命关联数据中的与所述消耗部件的寿命之间的关联性低的寿命关联数据的种类,并从所述状态观测部设为观测对象的寿命关联数据中删除所确定的与所述消耗部件的寿命之间的关联性低的寿命关联数据的种类。
本发明的一方式的机器学习装置对制造机械的消耗部件的更换寿命进行学习,所述机器学习装置具备:状态观测部,其观测与所述消耗部件的寿命相关联的寿命关联数据中的被设定为观测对象的寿命关联数据来作为状态变量;状态变量存储部,其存储作为状态变量由所述状态观测部观测到的寿命关联数据;以及寿命概率预测部,其根据作为状态变量由所述状态观测部观测到的寿命关联数据生成所述消耗部件的更换寿命的概率模型,使用所生成的概率模型来预测基于由所述状态观测部作为状态变量而观测的寿命关联数据的所述消耗部件的更换寿命。
所述寿命概率预测部可具备概率模型最佳化部,该概率模型最佳化部根据作为状态变量由所述状态观测部观测到的寿命关联数据,更新所述概率模型的参数来使其最佳化。
所述寿命概率预测部可具备累积分布计算部,该累积分布计算部根据作为状态变量由所述状态观测部观测到的寿命关联数据来生成更换寿命的累积概率分布,并使用所生成的累积概率分布来预测所述消耗部件的更换寿命,所述更换寿命的累积概率分布是根据所述概率模型累积了所述消耗部件的更换概率密度的累积概率分布。
所述机器学习装置还可具备特征选择部,该特征选择部选择所述状态观测部设为观测对象的寿命关联数据,该特征选择部具备:交叉验证部,其通过交叉验证来计算根据寿命关联数据生成的所述消耗部件的更换寿命的概率模型的泛化能力;以及特征削减部,其根据由所述交叉验证部计算出的概率模型的泛化能力,确定所述状态变量存储部中存储的寿命关联数据中的与所述消耗部件的寿命之间的关联性低的寿命关联数据的种类,并从所述状态观测部设为观测对象的寿命关联数据中删除所确定的与所述消耗部件的寿命之间的关联性低的寿命关联数据的种类。
根据本发明,实时地以数值知晓当前的寿命耗尽的概率,由此对于不熟练的操作员而言不用每次确认部件的状态而能够掌握更换部件的头绪,对于熟练的操作员而言,能够防止部件更换的预测错误和忘记部件更换。
此外,根据本发明,通过机器学习来提取真正对寿命产生影响的数据种类,因此期待机器学习的结果,最初只要选择全部的好像有关系的数据即可,由此与现有技术相比,能够降低最初导入时选择数据所需要的成本。
附图说明
图1是第一实施方式的寿命预测装置的概要性硬件结构图。
图2是图1的寿命预测装置的概要性功能框图。
图3表示使用概率密度函数将寿命关联数据和消耗部件的更换概率模型化的例子。
图4表示使用多维概率密度函数将寿命关联数据和消耗部件的更换概率模型化的例子。
图5说明使用了多维概率密度函数的消耗部件的更换概率的计算方法。
图6说明基于交叉验证的泛化能力的计算方法的例子。
图7说明特征削减处理中的收敛条件的例子。
图8是图1的寿命预测装置中的概率模型最佳化部执行的处理的概要流程图。
图9是图1的寿命预测装置中的累积分布计算部执行的处理的概要流程图。
图10是图1的寿命预测装置中的特征削减部执行的处理的概要流程图。
图11是图1的寿命预测装置中的交叉验证部执行的处理的概要流程图。
具体实施方式
图1是表示本发明的一实施方式的寿命预测装置的主要部分的概要硬件结构图。
关于寿命预测装置1,可以作为对机器人或机床等制造机械进行控制的控制装置来进行安装,或者作为与控制制造机械的控制装置并设的个人计算机、或经由网络与控制装置连接的单元计算机、主机计算机、云服务器等计算机来进行安装。图1示出了作为用于控制制造机械的制造装置而安装了寿命预测装置1时的例子。
本实施方式的寿命预测装置1所具备的CPU11是对寿命预测装置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,并按照该系统程序对整个寿命预测装置1进行控制。RAM13中暂时存储临时的计算数据或显示数据、操作员经由输入部输入的各种数据等。
非易失性存储器14构成为例如通过电池(未图示)进行支援等,即使寿命预测装置1的电源被切断也保持存储状态的存储器。非易失性存储器14中存储经由接口15从外部设备72读入的控制用程序、经由显示器/MDI单元70输入的控制用程序、从寿命预测装置1的各部或制造机械2(参照图2)取得的各种数据(例如,工件的硬度、冷却液类型、进给速度、主轴转速、刀尖温度、切削时间、切削距离、切削阻力(进给轴、主轴放大器电流值)、更换部件成本、部件库存数等)。关于在非易失性存储器14中存储的控制用程序、各种数据,在执行时/利用时可以在RAM13中展开。此外,在ROM12中预先写入了公知的解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之间的输入输出的系统程序)。
接口15是用于将寿命预测装置1与USB装置等外部设备72连接的接口。从外部设备72侧读入控制用程序、各种参数等。此外,能够将在寿命预测装置1内编辑的控制用程序、各种参数等经由外部设备72存储在外部存储单元(未图示)。可编程机床控制器(PMC)16通过内置在寿命预测装置1的顺序程序,经由I/O单元17向机床(未图示)以及该机床的周边装置(例如,刀具更换用机械臂这样的致动器)输出信号来进行控制。此外,接受在机床本体配备的操作盘的各种开关等的信号,在进行必要的信号处理后交给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、数据并交给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所使用的手动脉冲发生器等。
用于对制造机械所具备的轴进行控制的轴控制电路30接受来自CPU11的轴移动指令量,并将轴的指令输出给伺服放大器40。伺服放大器40接受该指令来驱动用于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/速度反馈信号反馈给轴控制电路30,来进行位置/速度的反馈控制。另外,在图1的硬件结构图中,轴控制电路30、伺服放大器40、伺服电动机50仅示出了1个,但实际上按照成为控制对象的制造机械所具备的轴数来进行准备。
主轴控制电路60接受向制造机械的主轴旋转指令,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,使制造机械的主轴电动机62以指令的旋转速度进行旋转从而驱动刀具。对主轴电动机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,该反馈脉冲被CPU11读取。
接口21是用于将寿命预测装置1与机器学习装置100进行连接的接口。将用于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有关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104经由总线105进行连接而构成机器学习装置100。机器学习装置100能够经由接口21观测寿命预测装置1可取得的各信息(例如,由操作员输入的加工条件(工件材质、加工种类、切入量、切削量等)、刀具信息、切削条件(主轴转速、进给速度)、动作状态(加工时的主轴负荷等)等)。此外,寿命预测装置1在显示器/MDI单元70中显示从机器学习装置100输出的制造机械所具备的消耗部件的寿命的预测。
图2是第一实施方式的寿命预测装置1和机器学习装置100的概要性功能框图。
图2所示的各功能模块通过由图1所示的寿命预测装置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寿命预测装置1以及机器学习装置100的各部的动作来实现。
本实施方式的寿命预测装置1具备数值控制部34和顺序控制部36,数值控制部34根据在非易失性存储器14中存储的控制用程序(数值控制用程序)、加工条件、切削条件等的设定来控制制造机械2所具备的伺服电动机50、主轴电动机62等电动机,并且检测这些电动机的状态,顺序控制部36根据顺序程序来控制制造机械2的周边装置(未图示),并检测来自制造机械2以及周边装置的信号。向机器学习装置100输出数值控制部34在控制中使用的加工条件和切削条件等、数值控制部34取得的制造机械2所具备的电动机的状态、以及顺序控制部36取得的从制造机械2和周边装置检测出的信号。
另一方面,寿命预测装置1所具备的机器学习装置100具备:状态观测部130,其观测从数值控制部34以及顺序控制部36输出的各数据来作为表示制造机械2的动作状态的状态变量;寿命概率预测部140,其根据状态观测部130观测到的状态变量来预测制造机械2的消耗部件的寿命概率;以及特征选择部150,其对寿命概率预测部140构筑的概率模型进行解析,选择尤其与制造机械2的消耗部件的寿命相关联的状态变量来作为表示该消耗部件的寿命特征的数据,此外,在非易失性存储器104(图1)上确保用于存储状态观测部130观测到的状态变量的状态变量存储部200。
状态观测部130观测从数值控制部34以及顺序控制部36输出的各数据中的被设定为观测对象的数据(寿命关联数据),来作为表示制造机械2的动作状态的状态变量。对于状态观测部130应该设定为观测对象的寿命关联数据根据作为更换寿命的预测对象的消耗部件而不同。例如,如果预测在作为制造机械2的加工中心用于加工的刀具的更换寿命,则将工件的硬度、切削时间、进给速度、主轴转速等设为观测对象,另一方面,如果预测在作为制造机械2的放电加工机中所使用的离子交换过滤器的更换寿命,则优选将加工液的种类、过滤时间等设为观测对象。但是,在本发明的寿命预测装置1中,随着运转的持续通过特征选择部150选择作为观测对象而恰当的寿命关联数据,因此在最初的阶段,将能够观测的全部的寿命关联数据设定为观测对象即可。即,状态观测部130在初始阶段将操作员指定为观测对象的寿命关联数据作为状态变量进行观测,然后,在通过特征选择部150选择了表示消耗部件的寿命特征的寿命关联数据后,观测特征选择部150选择出的寿命关联数据来作为状态变量。
寿命概率预测部140根据作为状态变量由状态观测部130观测的寿命关联数据,构筑/更新制造机械2的每个消耗部件的概率模型,并使用所构筑的概率模型来预测消耗部件的寿命。在本发明中,一般使用中心极限定理(所有概率分布收敛为高斯分布),并且在由于压力或疲劳而发生故障的部件的寿命分布中一般使用高斯分布,因此假定状态观测部130观测到的各个寿命关联数据与制造机械2的消耗部件的更换概率之间的关系遵从高斯分布,使用例如通过以下的式(1)所例示的部件更换概率密度函数来将寿命关联数据xi(i=1,2,…,n、n为寿命关联数据的个数)与表示消耗部件的更换概率的概率密度函数fj(xi)(j=1,2,…,m、m为消耗部件的个数)之间的关系模型化(图3)。在式(1)中,xi为寿命关联数据、μij为第j个消耗部件的部件更换时的寿命关联数据xi的平均、σij 2值为第j个消耗部件的部件更换时的寿命关联数据xi的方差。另外,在将式(1)所示的部件更换概率密度函数用作概率模型的情况下,以各个寿命关联数据与消耗部件的更换概率之间具有正的相关性(正比例)为前提,对于与消耗部件的更换概率之间具有负的相关性的寿命关联数据,预先对该寿命关联数据进行预处理(例如,取倒数等),变换为与消耗部件的更换概率之间的正的相关性来使用。
寿命概率预测部140在最初构筑概率模型时,对于式(1)所示的概率密度函数fj(xi)的参数即平均μij和方差σij 2使用设定为初始值的值,之后在运用制造机械2的过程中根据状态观测部130观测到的状态变量来更新这些参数,由此使制造机械2的消耗部件的更换概率的概率模型最佳化。另外,关于式(1)所示的概率密度函数fj(xi)的参数即平均μij和方差σij 2的初始值,例如由操作员从显示器/MDI单元70输入,或者传送其他装置的已学习的参数等来使用即可,通过最初赋予某种程度可靠的概率密度函数fj(xi)的参数,即使从未收集寿命关联数据的阶段,也能够以预定的精度预测制造机械2的消耗部件的更换寿命。
作为起到概率模型的最佳化作用的功能单元的概率模型最佳化部142基于在更换制造机械2的消耗部件紧前由状态观测部130观测到的寿命关联数据xi,使用以下的式(2)以及式(3)来更新概率密度函数fj(xi)的参数。在式(2)以及式(3)中,xi为寿命关联数据,N为观测数据的累积总数(>0),μij0、σij0为各参数的初始值,μij、σij为更新前的各参数,μijN、σijN为更新后的参数。另外,将由状态观测部130观测到并在概率模型的最佳化中已使用的寿命关联数据xi存储在状态变量存储部200中。
寿命概率预测部140根据这样模型化的制造机械2的消耗部件的更换概率密度函数fj(xi),实时地预测制造机械2的消耗部件的更换概率。更具体地说,寿命概率预测部140所具备的累积分布计算部144针对各个更换概率密度函数fj(xi),在标准化为寿命关联数据xi的平均=0,方差=1后,生成以下的式(4)所示的将各寿命关联数据xi作为要素的多维高斯分布的概率密度函数fpj(x),利用该多维高斯分布实时地预测制造机械2的消耗部件的更换概率。在式(4)中,向量x是将各寿命关联数据xi作为要素的向量(特征向量),D为向量x的维数,T是表示为转置矩阵的符号。
图4通过图表例示了累积分布计算部144生成的多维高斯分布。
另外,在图4中,为了便于说明示出了使用2个寿命关联数据时的多维高斯分布,但实际上成为使用了更多寿命关联数据的多维图表。累积分布计算部144求出如上所述生成的消耗部件的更换概率的多维高斯分布中的、进行标准化前的向量x的原点即标准化前原点在已标准化的区域中映现的点Oj。
接着,如图5所示,累积分布计算部144求出将标准化前原点的位置Oj与多维高斯分布的中心进行连接的基准直线Lbj(即,将向量Oj向正反两方向延长而得的直线),并且求出当前从状态观测部130观测到的寿命关联数据的点xs相对于基准直线Lbj垂下的垂线Lvj与基准直线Lbj的交点位置的向量xmj(即,求出向量Oj与(向量xs-向量xmj)的内积成为0的向量xmj)。并且,累积分布计算部144求出以下的式(5)示出的从标准化前原点的位置Oj沿着基准直线Lbj对制造机械2的消耗部件的更换概率密度进行累积而得到的消耗部件的更换寿命的累积概率分布gbj(x,Oj),使用求出的消耗部件的更换寿命的累积概率分布gbj(x,Oj)来计算在向量xmj的位置的制造机械2的消耗部件的更换概率。例如,可以将累积分布计算部144计算出的制造机械2的消耗部件的更换概率输出到显示器/MDI单元70,也可以经由网络(未图示)发送给单元计算机、主机计算机、云服务器等计算机来使用。
特征选择部150对寿命概率预测部140构筑的概率模型进行解析来选择尤其与制造机械2的消耗部件的寿命相关联的状态变量来作为表示该消耗部件的寿命特征的数据。特征选择部150根据在状态变量存储部200中存储的寿命关联数据来执行特征选择,并进行寿命关联数据的种类(特征)的削减。以下,表示了使用公知的贪心搜索算法的特征选择的例子,但只要是能够进行特征选择的方法则可以是任意的方法,例如也可以利用遗传算法等。
作为特征选择部150所具备的功能单元的特征削减部152对于在状态变量存储部200中存储的各个寿命关联数据的每个种类(工件的材质、进给速度等),在临时排除了该寿命关联数据的种类后,对交叉验证部154进行指令从而对该排除了数据种类的寿命关联数据进行公知的交叉验证,评价该概率模型的泛化能力。
例如在赋予了排除了第k个寿命关联数据的种类时的寿命关联数据种类的组(x1,x2,…,x(k-1),x(k+1),…,xn)的集合时,交叉验证部154将该寿命关联数据的组的集合随机划分为2个组,将一方设为训练数据,将另一方设为测试数据,在生成根据训练数据而最佳化的概率模型后,计算测试数据针对该概率模型的适合度来作为表示泛化能力的值。例如,如在图6中所例示的那样,在该适合度的计算中使用如下那样的简单的基准来进行评价即可,该简单的基准为从使用训练数据而生成的概率模型的中心开始在预定距离内,存在多少个测试数据。交叉验证部154反复进行预定次数(验证次数)的针对所赋予的寿命关联数据的组的集合进行的训练数据与测试数据的划分以及使用划分后的训练数据和测试数据进行的泛化能力的计算,输出作为其结果而计算出的多个泛化能力的计算值的平均值或累计值,来作为与排除了寿命关联数据的种类时的寿命关联数据相关的最终的泛化能力值。
然后,特征削减部152选择在排除了第1个寿命关联数据种类时的寿命关联数据的泛化能力值、排除了第2个寿命关联数据种类时的寿命关联数据的泛化能力值、……、排除了第n个寿命关联数据种类时的寿命关联数据的泛化能力值这样的多个泛化能力值中计算出最高泛化能力值时的寿命关联数据种类的组。然后,对于此时被排除的寿命关联数据种类,看做与制造机械2的消耗部件的寿命之间的关联性弱,从状态观测部130观测的状态变量中进行删除。然后,对于剩余的作为观测对象的寿命关联数据的种类,进一步针对各个寿命关联数据的每个种类在排除了该寿命关联数据的种类后,对交叉验证部154进行指令来进行交叉验证,评价概率模型的泛化能力。
特征削减部152反复进行这样的处理,如图7所示,在削减前后的概率模型的最大的泛化能力的差为预先决定的预定的规定幅度以下时判断为其泛化能力收敛,并结束特征选择的处理。然后,特征选择部150仅将最终剩下的寿命关联数据的种类设为以后的状态观测部130的状态观测对象,用于推定制造机械2的消耗部件的更换寿命。
图8是概率模型最佳化部142执行的处理的概要流程图。在预先决定的预定的每个周期(例如,寿命预测装置1的每个控制周期)执行图8的流程图所示的处理。
[步骤SA01]概率模型最佳化部142判定是否进行了制造机械2的消耗部件的更换。在进行了消耗部件的更换的情况下将处理转移到步骤SA02,在未进行消耗部件的更换的情况下结束本次周期的处理。
[步骤SA02]概率模型最佳化部142针对状态观测部130观测的寿命关联数据的每个种类反复执行步骤SA03~SA05。
[步骤SA03]概率模型最佳化部142取得状态观测部130刚刚观测到寿命关联数据。
[步骤SA04]概率模型最佳化部142使用在步骤SA03中取得的寿命关联数据,更新与被设为更换对象的消耗部件有关的概率模型的参数。
[步骤SA05]概率模型最佳化部142将在步骤SA03中取得的寿命关联数据存储在状态变量存储部200。
图9是累积分布计算部144执行的处理的概要流程图。在预先决定的预定的每个周期(例如,寿命预测装置1的每个控制周期)执行图9的流程图所示的处理。
[步骤SB01]累积分布计算部144将各个寿命关联数据标准化为平均=0、方差=1。
[步骤SB02]累积分布计算部144生成以寿命关联数据xi为要素的多维高斯分布的概率密度函数fpj(x)。
[步骤SB03]累积分布计算部144取得状态观测部130观测到的寿命关联数据。
[步骤SB04]累积分布计算部144根据在步骤SB02中生成的多维高斯分布的概率密度函数fpj(x)生成消耗部件的更换寿命的累积概率分布,使用所生成的累积概率分布来计算基于在步骤SB03中取得的寿命关联数据的制造机械2的消耗部件的更换寿命的概率。
[步骤SB05]累积分布计算部144输出在步骤SB04中计算出的制造机械2的消耗部件的更换寿命的概率。
图10是特征削减部152执行的处理的概要流程图。基于来自操作员的指示,或者在预先决定的预定的定时(例如,观测到的寿命关联数据超过了预定数量的定时等)执行图10的流程图所示的处理。
[步骤SC01]特征削减部152从状态变量存储部200取得寿命关联数据。
[步骤SC02]特征削减部152针对寿命关联数据的每个种类反复执行步骤SC03~SC04。
[步骤SC03]特征削减部152从在步骤SC01中取得的寿命关联数据中临时排除寿命关联数据种类t。
[步骤SC04]特征削减部152向交叉验证部154进行指令,使得在步骤SC04中根据排除了寿命关联数据种类t后的寿命关联数据,通过交叉验证来计算根据该寿命关联数据生成的概率模型的泛化能力。
[步骤SC05]特征削减部152判定在步骤SC02~SC04中计算出的各泛化能力中的最大值是否已收敛。在已收敛的情况下结束本处理,在未收敛的情况下将处理返回到SC06。
[步骤SC06]特征削减部152把计算出在步骤SC02~SC04中计算出的泛化能力中的最大值时排除的寿命关联数据种类t从寿命关联数据的观测对象中删除,并赋予表示从状态变量存储部200中已删除或者不使用的标记等,将处理转移到步骤SC02。
图11是交叉验证部154执行的处理的概要流程图。根据来自特征削减部152的指令来执行图11的流程图所示的处理。
[步骤SD01]交叉验证部154按照预先决定的验证次数来反复执行步骤SD02~SD04。
[步骤SD02]交叉验证部154将从特征削减部152赋予的寿命关联数据随机划分为训练数据和测试数据。
[步骤SD03]交叉验证部154生成根据训练数据最佳化的概率模型。
[步骤SD04]交叉验证部154使用在步骤SD03中生成的概率模型和测试数据,计算表示特征削减部152赋予的寿命关联数据的泛化能力的值。
[步骤SD05]交叉验证部154对在步骤SD01~SD04中计算出的验证次数数量的泛化能力的计算值进行累计,将累计得到的值作为最终的泛化能力值输出。
以上,对本发明的实施方式进行了说明,但本发明并不限于上述的实施方式的例子,通过增加适当的变更能够以各种方式实施。
例如,关于机器学习装置100的各部执行的学习算法,只要能够达成同样的目标,则并不限于上述的说明,可采用各种算法。
Claims (8)
1.一种寿命预测装置,其预测制造机械的消耗部件的更换寿命,其特征在于,
所述寿命预测装置具备机器学习装置,该机器学习装置对所述消耗部件的更换寿命进行学习,
所述机器学习装置具备:
状态观测部,其观测与所述消耗部件的寿命相关联的寿命关联数据中的被设定为观测对象的寿命关联数据来作为状态变量;
状态变量存储部,其存储作为状态变量由所述状态观测部观测到的寿命关联数据;以及
寿命概率预测部,其根据作为状态变量由所述状态观测部观测到的寿命关联数据生成所述消耗部件的更换寿命的概率模型,使用所生成的概率模型来预测基于由所述状态观测部作为状态变量而观测的寿命关联数据的所述消耗部件的更换寿命。
2.根据权利要求1所述的寿命预测装置,其特征在于,
所述寿命概率预测部具备概率模型最佳化部,该概率模型最佳化部根据作为状态变量由所述状态观测部观测到的寿命关联数据,更新所述概率模型的参数来使其最佳化。
3.根据权利要求1或2所述的寿命预测装置,其特征在于,
所述寿命概率预测部具备累积分布计算部,该累积分布计算部根据作为状态变量由所述状态观测部观测到的寿命关联数据来生成更换寿命的累积概率分布,并使用所生成的累积概率分布来预测所述消耗部件的更换寿命,所述更换寿命的累积概率分布是根据所述概率模型累积了所述消耗部件的更换概率密度的累积概率分布。
4.根据权利要求1~3中的任意一项所述的寿命预测装置,其特征在于,
所述机器学习装置还具备特征选择部,该特征选择部选择所述状态观测部设为观测对象的寿命关联数据,
所述特征选择部具备:
交叉验证部,其通过交叉验证来计算根据寿命关联数据生成的所述消耗部件的更换寿命的概率模型的泛化能力;以及
特征削减部,其根据由所述交叉验证部计算出的概率模型的泛化能力,确定所述状态变量存储部中存储的寿命关联数据中的与所述消耗部件的寿命之间的关联低的寿命关联数据的种类,并从所述状态观测部设为观测对象的寿命关联数据中删除所确定的与所述消耗部件的寿命之间的关联低的寿命关联数据的种类。
5.一种机器学习装置,其对制造机械的消耗部件的更换寿命进行学习,其特征在于,具备:
状态观测部,其观测与所述消耗部件的寿命相关联的寿命关联数据中的被设定为观测对象的寿命关联数据来作为状态变量;
状态变量存储部,其存储作为状态变量由所述状态观测部观测到的寿命关联数据;以及
寿命概率预测部,其根据作为状态变量由所述状态观测部观测到的寿命关联数据生成所述消耗部件的更换寿命的概率模型,使用所生成的概率模型来预测基于由所述状态观测部作为状态变量而观测的寿命关联数据的所述消耗部件的更换寿命。
6.根据权利要求5所述的机器学习装置,其特征在于,
所述寿命概率预测部具备概率模型最佳化部,该概率模型最佳化部根据作为状态变量由所述状态观测部观测到的寿命关联数据,更新所述概率模型的参数来使其最佳化。
7.根据权利要求5或6所述的机器学习装置,其特征在于,
所述寿命概率预测部具备累积分布计算部,该累积分布计算部根据作为状态变量由所述状态观测部观测到的寿命关联数据来生成更换寿命的累积概率分布,并使用所生成的累积概率分布来预测所述消耗部件的更换寿命,所述更换寿命的累积概率分布是根据所述概率模型累积了所述消耗部件的更换概率密度的累积概率分布。
8.根据权利要求5~7中的任意一项所述的机器学习装置,其特征在于,
所述机器学习装置还具备特征选择部,该特征选择部选择所述状态观测部设为观测对象的寿命关联数据,
所述特征选择部具备:
交叉验证部,其通过交叉验证来计算根据寿命关联数据生成的所述消耗部件的更换寿命的概率模型的泛化能力;以及
特征削减部,其根据由所述交叉验证部计算出的概率模型的泛化能力,确定所述状态变量存储部中存储的寿命关联数据中的与所述消耗部件的寿命之间的关联低的寿命关联数据的种类,并从所述状态观测部设为观测对象的寿命关联数据中删除所确定的与所述消耗部件的寿命之间的关联低的寿命关联数据的种类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-102812 | 2018-05-29 | ||
JP2018102812A JP6863930B2 (ja) | 2018-05-29 | 2018-05-29 | 寿命予測装置及び機械学習装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543653A true CN110543653A (zh) | 2019-12-06 |
Family
ID=68576328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457087.8A Pending CN110543653A (zh) | 2018-05-29 | 2019-05-29 | 寿命预测装置以及机器学习装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11402817B2 (zh) |
JP (1) | JP6863930B2 (zh) |
CN (1) | CN110543653A (zh) |
DE (1) | DE102019003601A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139255A (zh) * | 2021-05-14 | 2021-07-20 | 河南科技大学 | 一种球柱联合转台轴承疲劳寿命计算方法 |
CN114654002A (zh) * | 2022-04-30 | 2022-06-24 | 吉安满坤科技股份有限公司 | 一种带有双刃镀膜铣刀的pcb板机械钻孔加工装置 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202026096A (zh) * | 2019-01-02 | 2020-07-16 | 財團法人工業技術研究院 | 刀具壽命預測系統及其方法 |
JP7268722B2 (ja) * | 2019-03-27 | 2023-05-08 | 日産自動車株式会社 | 異常検知装置、及び異常検知方法 |
JP7277303B2 (ja) * | 2019-07-30 | 2023-05-18 | ファナック株式会社 | 予測装置 |
US11455531B2 (en) * | 2019-10-15 | 2022-09-27 | Siemens Aktiengesellschaft | Trustworthy predictions using deep neural networks based on adversarial calibration |
JP7383982B2 (ja) * | 2019-10-30 | 2023-11-21 | 株式会社ジェイテクト | 工具寿命予測システム |
EP3929682B1 (en) * | 2020-06-25 | 2023-10-18 | Volkswagen Ag | Estimating a mechanical degradation of a machine |
CN111774934A (zh) * | 2020-06-30 | 2020-10-16 | 华中科技大学无锡研究院 | 基于端到端模型的刀具健康状况监测方法、装置及系统 |
CN111993158B (zh) * | 2020-08-28 | 2022-08-23 | 深圳市玄羽科技有限公司 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
JP6952318B1 (ja) * | 2021-08-20 | 2021-10-20 | 株式会社Mazin | 推定負荷利用方法および推定負荷利用システム |
CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机系统剩余寿命的方法和系统 |
WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822218A (en) * | 1996-08-27 | 1998-10-13 | Clemson University | Systems, methods and computer program products for prediction of defect-related failures in integrated circuits |
JPH11170102A (ja) | 1997-10-10 | 1999-06-29 | Toyoda Mach Works Ltd | 高速切削方法 |
JP3597040B2 (ja) * | 1998-04-06 | 2004-12-02 | 株式会社リコー | 画像形成装置 |
US6738748B2 (en) * | 2001-04-03 | 2004-05-18 | Accenture Llp | Performing predictive maintenance on equipment |
JP2002224925A (ja) | 2001-01-31 | 2002-08-13 | Toshiba Corp | 工具交換作業支援装置 |
EP2998894B1 (en) * | 2005-07-11 | 2021-09-08 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system |
JP4885008B2 (ja) * | 2007-02-23 | 2012-02-29 | 三菱重工業株式会社 | 保守計画方法 |
US8266356B2 (en) * | 2009-12-10 | 2012-09-11 | Hewlett-Packard Development Company, L.P. | Interconnecting computing modules to form an integrated system |
US8655472B2 (en) * | 2010-01-12 | 2014-02-18 | Ebara Corporation | Scheduler, substrate processing apparatus, and method of transferring substrates in substrate processing apparatus |
US9240360B2 (en) * | 2012-07-25 | 2016-01-19 | International Business Machines Corporation | Run-to-run control utilizing virtual metrology in semiconductor manufacturing |
JP6178591B2 (ja) * | 2013-03-06 | 2017-08-09 | 富士機械製造株式会社 | 工具異常判別システム |
JP5530020B1 (ja) | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
WO2016076899A1 (en) * | 2014-11-14 | 2016-05-19 | Medidata Solutions, Inc. | System and method for determining subject conditions in mobile health clinical trials |
JP5849167B1 (ja) * | 2015-04-09 | 2016-01-27 | 株式会社日立パワーソリューションズ | 異常検知方法およびその装置 |
JP6772454B2 (ja) * | 2015-12-04 | 2020-10-21 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
JP6301902B2 (ja) | 2015-12-21 | 2018-03-28 | ファナック株式会社 | 保守時期予測システム及び保守時期予測装置 |
JP6404893B2 (ja) | 2016-12-22 | 2018-10-17 | ファナック株式会社 | 工具寿命推定装置 |
US10638979B2 (en) * | 2017-07-10 | 2020-05-05 | Glysens Incorporated | Analyte sensor data evaluation and error reduction apparatus and methods |
US10657709B2 (en) * | 2017-10-23 | 2020-05-19 | Fit3D, Inc. | Generation of body models and measurements |
-
2018
- 2018-05-29 JP JP2018102812A patent/JP6863930B2/ja active Active
-
2019
- 2019-05-22 DE DE102019003601.8A patent/DE102019003601A1/de active Pending
- 2019-05-24 US US16/421,627 patent/US11402817B2/en active Active
- 2019-05-29 CN CN201910457087.8A patent/CN110543653A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机系统剩余寿命的方法和系统 |
WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139255A (zh) * | 2021-05-14 | 2021-07-20 | 河南科技大学 | 一种球柱联合转台轴承疲劳寿命计算方法 |
CN113139255B (zh) * | 2021-05-14 | 2022-11-01 | 河南科技大学 | 一种球柱联合转台轴承疲劳寿命计算方法 |
CN114654002A (zh) * | 2022-04-30 | 2022-06-24 | 吉安满坤科技股份有限公司 | 一种带有双刃镀膜铣刀的pcb板机械钻孔加工装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190369598A1 (en) | 2019-12-05 |
JP2019207576A (ja) | 2019-12-05 |
DE102019003601A1 (de) | 2019-12-05 |
JP6863930B2 (ja) | 2021-04-21 |
US11402817B2 (en) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543653A (zh) | 寿命预测装置以及机器学习装置 | |
CN109960219B (zh) | 控制装置以及机器学习装置 | |
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 | |
CN108241342B (zh) | 数值控制装置以及机器学习装置 | |
CN109581962B (zh) | 数值控制系统 | |
US9964931B2 (en) | Numerical controller with machining condition adjustment function which reduces chatter or tool wear/breakage occurrence | |
CN111624947B (zh) | 颤振判定装置、机器学习装置以及系统 | |
US10962960B2 (en) | Chip removal apparatus and information processing apparatus | |
CN108345273B (zh) | 数值控制装置及机器学习装置 | |
CN106552974B (zh) | 具有移动轴异常负载警告功能的线放电加工机 | |
CN108931959B (zh) | 控制装置及机械学习装置 | |
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 | |
CN109613886B (zh) | 热位移校正系统 | |
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 | |
JP6781242B2 (ja) | 制御装置、機械学習装置及びシステム | |
CN110347120A (zh) | 控制装置以及机器学习装置 | |
US20190258982A1 (en) | Control device and machine learning device | |
CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
JP6940425B2 (ja) | 制御装置及び機械学習装置 | |
EP4316714A1 (en) | Processing-condition estimation device | |
WO2022224450A1 (ja) | 機械学習装置、加減速調整装置及びコンピュータ読み取り可能な記憶媒体 | |
CN117042905A (zh) | 加工条件调整装置 |
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 |