CN111125866A - 用于支持机床的学习模型生成装置、支持装置及机床系统 - Google Patents

Abstract

本发明涉及一种用于支持机床的学习模型生成装置、支持装置及机床系统。一种用于支持机床的学习模型生成装置，包括：第一非控制元素获取单元，被配置成获取第一非控制元素，该第一非控制元素包括工件的规格和工具的规格中的至少之一，并且该第一非控制元素不作为用于机床的加工控制元素；加工控制元素获取单元，被配置成获取用于机床的加工控制元素；以及实际质量元素获取单元，被配置成获取工件在加工之后的实际质量元素。该学习模型生成装置还包括：学习模型生成单元，被配置成通过其中第一非控制元素、加工控制元素和实际质量元素被设置为学习数据的机器学习来生成用于基于第一非控制元素和实际质量元素输出加工控制元素的学习模型。

Description

用于支持机床的学习模型生成装置、支持装置及机床系统

技术领域

本发明的一个或更多个实施方式涉及用于支持机床的学习模型生成装置、用于机床的支持装置以及机床系统。

背景技术

如下所述来确定机床的加工条件，特别地，机床的加工控制元素。加工控制元素为例如工件的转速、工具的进给速度等。首先，确定工件的规格，例如，工件的原始形状、工件的最终形状以及工件的材料。然后，确定加工控制元素以满足工件的目标质量元素。目标质量元素为诸如表面粗糙度的表面性质。此外，加工控制元素被确定成落入目标加工时间内。然而，确定加工控制元素是不容易的并且需要熟练知识、专有知识等。

此处，通常，除了表述“加工条件”意味着加工控制元素的情况之外，还可以在将非控制元素(例如，工件的规格或工具的规格)添加至加工控制元素的意义上使用表述“加工条件”。因此，在本说明书中，在不使用表述“加工条件”的情况下使用表述“加工控制元素”和“非控制元素”。

近年来，随着计算机加工速度的提高，人工智能得到了快速发展。例如，专利文献1陈述了通过机器学习来生成激光加工条件数据。具体地，机器学习装置学习机床的状态量以及加工结果与加工控制元素(加工条件)之间的关系，并且机器学习装置使用学习模型来输出加工控制元素(加工条件)。例如，机床的状态量是激光装置的光输出特性，该光输出特性示出了用于激光装置的光输出指令与从激光装置实际发射的光输出之间的关系。

专利文献1：JP-A-2017-164801

发明内容

然而，需要专利文献1中描述的机器学习装置来获取机床的状态量，但是状态量不易于获取。也就是说，状态量取决于加工进度而广泛地变化和改变，并且状态量是非常复杂的信息。

本发明的一方面的目的是提供一种能够在不使用机床的状态量的情况下生成用于输出机床的加工控制元素的学习模型的用于支持机床的学习模型生成装置。本发明的另一方面的目的是提供一种能够在不使用机床的状态量的情况下输出机床的加工控制元素的用于机床的支持装置和机床系统。

本发明的一个或更多个实施方式提供了一种用于支持机床的学习模型生成装置，包括：第一非控制元素获取单元，被配置成获取第一非控制元素，该第一非控制元素包括工件的规格和工具的规格中的至少之一并且该第一非控制元素不作为用于机床的加工控制元素；加工控制元素获取单元，被配置成获取用于机床的加工控制元素；实际质量元素获取单元，被配置成获取工件在加工之后的实际质量元素；以及学习模型生成单元，被配置成通过其中第一非控制元素、加工控制元素和实际质量元素被设置为学习数据的机器学习，来生成用于基于第一非控制元素和实际质量元素输出加工控制元素的学习模型。

本发明的一个或更多个实施方式提供了一种用于机床的支持装置，包括：用于支持如上所述的机床的学习模型生成装置；第二非控制元素获取单元，被配置成获取第二非控制元素，该第二非控制元素包括工件的规格和工具的规格中的至少之一，并且该第二非控制元素不作为用于机床的加工控制元素；目标质量元素获取单元，被配置成获取工件的目标质量元素；以及输出单元，被配置成通过使用学习模型来输出与第二非控制元素和目标质量元素对应的加工控制元素。

本发明的一个或更多个实施方式提供了一种机床系统，包括：多个机床；服务器，被配置成与多个机床通信；分别设置在多个机床中的多个边缘计算机，该多个边缘计算机被配置成与服务器通信，其中，服务器包括用于支持如上所述的机床的学习模型生成装置，其中，用于支持机床的学习模型生成装置基于从多个机床中的每一个获取的第一非控制元素、加工控制元素和实际质量元素来生成学习模型，其中，多个边缘计算机中的每一个包括用于如上所述的机床的支持装置，以及其中，用于支持机床的学习模型生成装置中的学习模型生成单元将所生成的学习模型存储在用于机床的支持装置中的学习模型存储单元中。

学习模型是允许基于第一非控制元素和实际质量元素来输出加工控制元素的模型。因此，为了输出加工控制元素，获取与第一非控制元素对应的信息以及与实际质量元素对应的信息就足够了。此外，可以容易地获取与第一非控制元素对应的信息以及与实际质量元素对应的信息。

根据用于机床的支持装置，可以通过获取与第一非控制元素对应的第二非控制元素以及与实际质量元素对应的目标质量元素来输出加工控制元素。

机床系统获取与多个机床有关的元素(所描述的非控制元素、加工控制元素和实际质量元素)并且通过使用这些元素来生成学习模型。因此，学习模型是考虑到与各种加工有关的信息而生成的。然后，学习模型被存储在设置在机床中的每一个中的边缘计算机中。因此，当加工控制元素是要通过设置在机床中的每一个中的边缘计算机来确定时，可以考虑在其他机床中进行加工。因此，可以确定更有效的加工控制元素。

附图说明

图1是示出机床系统的配置的图。

图2是作为机床的示例的磨床的平面图。

图3是机床系统中的支持装置的功能框图。

图4是示出支持装置的显示单元中的显示模式的示例的图。

具体实施方式

(1.机床系统1的配置)

将参照图1来描述机床系统1的配置。机床系统1可以支持确定机床2中的加工控制元素。机床系统1包括多个机床2、服务器3、多个边缘计算机4和检查装置5。此处，服务器3和边缘计算机4构成用于确定加工控制元素的支持系统6(图3所示)。

机床2是对工件W执行加工的机器。机床2是例如执行诸如切削、研磨、切割、锻造和弯曲的加工的机器。服务器3与多个机床2通信。服务器3收集来自多个机床2的各种信息并且服务器3基于所收集到的信息来执行算术处理。服务器3具有执行机器学习的功能。然后，服务器3生成通过机器学习获取的学习模型。

多个边缘计算机4中的每一个被设置在多个机床2中的每一个中。边缘计算机4可以使用由服务器3生成的学习模型来输出加工控制元素。也就是说，即使操作者不具有熟练知识或专有知识，操作者也可以通过使用边缘计算机4来有效地获得较好的加工控制元素。边缘计算机4可以被配置为与机床2分离的装置，或者可以被配置为并入机床2中的装置。

检查装置5对由多个机床2加工的工件W的质量进行检查。质量检查包括形状检查、表面粗糙度检查、振纹的存在/不存在等。除了测量值之外，检查装置5还可以获取工件W的图像。检查装置5可以与服务器3通信并且可以向服务器3发送检查结果。检查装置5被描述为与机床2分离的装置，检查装置5的某些功能或全部功能可以并入至机床2中。

(2.机床的配置)

将参照图2来描述机床2的示例的配置。机床2的示例包括磨床。磨床是用于对工件W进行研磨的机器。具有各种配置的磨床例如外圆磨床和凸轮磨床可以应用于机床2。在本实施方式中，机床2通过磨头纵向外圆磨床来例示。然而，台式纵向磨床可以应用于机床2。

机床2主要包括床身11、头座12、尾座13和纵向基座14、磨头15、磨轮16(工具)、尺寸测量装置17、磨轮校正装置18和冷却剂装置19以及控制装置20。

床身11固定在安装表面上。头座12设置在床身11沿X-轴方向的前侧(图2中的下侧)且沿Z-轴方向的一个端侧(图2中的左侧)的上表面上。头座12支承工件W使得工件W绕Z-轴可旋转。通过驱动设置在头座12上的马达12a来使工件W旋转。尾座13设置在床身11的位于尾座13沿Z-轴方向面向头座12的位置处的上表面上，也就是说，尾座13设置在床身11的位于沿X-轴方向的前侧(图2的下侧)且沿Z-轴方向的另一端侧(图2的右侧)的上表面上。也就是说，头座12和尾座13在工件W的两端处支承工件W使得工件W可旋转。

纵向基座14设置在床身11的上表面上并且纵向基座14沿Z-轴方向可移动。通过驱动设置在床身11上的马达14a来使纵向基座14移动。磨头15设置在纵向基座14的上表面上并且磨头15沿X轴方向可移动。通过驱动设置在纵向基座14上的马达15a来使磨头15移动。

磨轮16形成为盘形形状并且由磨头15支承使得磨轮16可旋转。通过驱动设置在磨头15上的马达16a来使磨轮16旋转。磨轮16是通过利用接合材料来固定多个磨粒而形成的。磨粒包括普通磨粒和超磨粒。作为普通磨粒，诸如氧化铝或碳化硅的陶瓷材料是众所周知的。超磨粒为金刚石或CBN。

尺寸测量装置17测量工件W的尺寸(直径)。磨轮校正装置18校正磨轮16的形状。磨轮校正装置18是对磨轮16执行修整的装置。磨轮校正装置18可以是执行除了修整之外或者替代修整而对磨轮16执行精整(dressing)的装置。磨轮校正装置18还具有测量磨轮16的尺寸(直径)的功能。

此处，修整是再成形操作并且是例如以下操作：当磨轮16通过研磨而被磨损时对磨轮16进行模制以匹配工件W的形状的操作；以及消除由于不均匀磨损而引起磨轮16的抖动的操作。精整是精整操作并且是调整磨粒的突出量或者创建磨粒的切削刃的操作。精整是对抛光、脱落和装载进行校正的操作并且精整通常在修整后执行。

冷却剂装置19根据磨轮16来向工件W的研磨点供应冷却剂。冷却剂装置19将回收的冷却剂冷却成具有预定温度并且再次将冷却剂供应至研磨点。

控制装置20基于NC程序来控制每个驱动装置。该NC程序是基于诸如工件W的形状和磨轮16的形状的非控制元素以及诸如工件W的转速和磨轮16的进给速度的加工控制元素而生成的。加工控制元素还包括冷却剂供应定时的信息、用于对磨轮16进行校正的定时信息等。

也就是说，控制装置20通过基于所生成的NC程序来控制马达12a、14a、15a、16a和冷却剂装置19来执行对工件W的研磨。特别地，控制装置20基于由尺寸测量装置17测量的工件W的直径来执行研磨，直到工件W具有最终形状为止。控制装置20在校正磨轮16的时刻通过控制马达14a、15a、16a和磨轮校正装置18来对磨轮16进行校正(修整和精整)。

(3.支持系统6的配置)

将参照图3来描述支持系统6的配置。如上所述，支持系统6是用于使用学习模型来确定加工控制元素的装置。特别地，在本实施方式中，支持系统6包括服务器3(用于支持机床的学习模型生成装置的示例)和多个边缘计算机4(用于机床的支持装置的示例)。也就是说，支持系统6基于与多个机床2有关的元素(下面描述的非控制元素、加工控制元素和实际质量元素)来生成学习模型，并且支持系统6使用学习模型在机床2中的每一个中输出加工控制元素。服务器3和边缘计算机4中的每一个包括处理器和存储器，并且处理器执行存储在存储器中的计算机程序。例如，服务器3的存储器存储用于执行用于支持机床的学习模型生成装置的功能的程序，并且边缘计算机4的存储器存储用于执行用于机床的支持装置的功能的程序。

然而，支持系统6可以仅设置在一个机床2中。在这种情况下，支持系统6基于与一个机床2有关的元素(下面描述的非控制元素、加工控制元素和实际质量元素)来生成学习模型，并且支持系统6使用学习模型在机床2中输出加工控制元素。

在本实施方式中，支持系统6包括服务器3和多个边缘计算机4。服务器3执行对机器学习的学习阶段的处理，并且多个边缘计算机4中的每一个执行对机器学习的推断阶段的处理。

服务器3与多个机床2中的每一个进行通信。服务器3包括第一非控制元素获取单元31、加工控制元素获取单元32、实际质量元素获取单元33和学习模型生成单元34。

第一非控制元素获取单元31从多个机床2中的每一个获取与多个机床2中的每一个中的加工有关的元素中不作为用于机床2的加工控制元素的第一非控制元素。第一非控制元素包括工件W的规格和磨轮16(工具)的规格。工件W的规格包括工件W的最终形状、工件W的原始形状和工件W的材料。工件W的规格可以包括取代工件W的原始形状的工件W的加工余量。应当注意的是，第一非控制元素可以包括如上所述的元素中的所有元素，或者可以仅是如上所述的元素中的一些元素。磨轮16的规格包括磨轮16的材料和磨轮16的形状。

加工控制元素获取单元32从多个机床2中的每一个获取与多个机床2中的每一个中的加工有关的元素中用于机床2的加工控制元素。加工控制元素是可以通过NC程序设置的参数，也就是说，可以通过控制驱动装置来调整的参数。加工控制元素包括例如工件W的转速、磨轮16相对于工件W的进给速度、加工步骤的切换位置和清磨(spark out)时间。加工步骤包括粗化步骤、精确研磨步骤、精细研磨步骤和清磨步骤。切换位置意味着对加工步骤进行切换时磨轮16的进给方向位置。应当注意的是，加工控制元素可以包括如上所述的元素中所有元素，或者可以仅是如上所述的元素中的一些元素。

实际质量元素获取单元33从检查装置5获取由检查装置5检测到的工件W在加工之后的实际质量元素。要获取的工件W是由多个机床2加工过的工件W。因此，实际质量元素获取单元33获取在多个机床2中加工后的工件W的实际质量元素。实际质量元素为例如工件W的加工劣化层的状态、工件W的表面性质以及工件W的振纹的状态。也就是说，检查装置5是用于检测加工劣化层的状态的检测器、用于检测表面性质的检测器、用于检测振纹的状态的检测器等。应当注意的是，实际质量元素可以包括除了如上所述的那些实际质量元素之外的质量元素。

加工劣化层的状态的数据可以是指示加工劣化层的存在/不存在的数据，或者可以是与加工劣化层的程度有关的分数。表面性质的数据可以是表面粗糙度本身的值，或者可以是与表面粗糙度的程度有关的分数。振纹的状态的数据可以是指示振纹的存在/不存在的数据，或者可以是与振纹的程度有关的分数。每个分数由例如具有多个等级的标记来表示。

此外，实际质量元素获取单元33可以获取与多个机床2中的每一个中的加工时间有关的数据作为实际质量元素中的一个元素。与加工时间有关的数据是例如指示工件W的实际加工时间相对于参考加工时间(与目标加工时间对应)是长还是短的数据。

学习模型生成单元34执行其中第一非控制元素、加工控制元素和实际质量元素被设置为学习数据的机器学习。学习模型生成单元34通过机器学习来生成与第一非控制元素、实际质量元素和加工控制元素有关的学习模型。换句话说，学习模型被用于基于第一非控制元素和实际质量元素来输出加工控制元素。

多个边缘计算机4中的每一个被设置在多个机床2中的每一个中。边缘计算机4可以与服务器3通信并且边缘计算机4可以与相应的机床2通信。边缘计算机4包括学习模型存储单元41、第二非控制元素获取单元42、目标质量元素获取单元43、输出单元44和显示单元45。

学习模型存储单元41通过学习模型生成单元34的发送来获取由学习模型生成单元34生成的学习模型。然后，学习模型存储单元41存储所获取的学习模型。此处，相同的学习模型被存储在边缘计算机4的每一个的学习模型存储单元41中。

第二非控制元素获取单元42通过来自操作者的输入来获取与相应的机床2中的加工有关的元素中不作为用于机床2的加工控制元素的第二非控制元素。操作者可以通过操作机床2来输入第二非控制元素，或者可以通过操作边缘计算机4来输入第二非控制元素。

第二非控制元素是与第一非控制元素对应的元素并且第二非控制元素与第一非控制元素基本上相同。第二非控制元素包括工件W的规格和磨轮16(工具)的规格。也就是说，第二非控制元素包括由操作者使用机床2要加工的工件W的规格以及附接至机床2的磨轮16的规格。

目标质量元素获取单元43通过来自操作者的输入来获取通过使用相应的机床2要加工的工件W的目标质量元素。操作者可以通过操作机床2来输入质量目标元素，或者可以通过操作边缘计算机4来输入目标质量元素。目标质量元素是与实际质量元素对应的元素并且目标质量元素与实际质量元素基本上相同。目标质量元素为例如加工劣化层的目标状态、目标表面性质以及振纹的目标状态。此外，目标质量元素可以包括目标加工时间。

输出单元44通过使用存储在学习模型存储单元41中的学习模型来输出加工控制元素。如上所述，加工控制元素是可以通过NC程序来调节的参数，也就是说，可以通过控制驱动装置来调整的参数。

此处，如上所述，学习模型与第一非控制元素、实际质量元素和加工控制元素有关。也就是说，学习模型可以在第一非控制元素和实际质量元素被输入时输出加工控制元素。因此，输出单元44接收与第一非控制元素对应的第二非控制元素以及与实际质量元素对应的目标质量元素。然后，输出单元44可以通过使用学习模型来输出与所输入的第二非控制元素和所输入的目标质量元素对应的加工控制元素。

此外，输出单元44可以仅输出具有一个模式的加工控制元素，或者可以输出具有多个模式的加工控制元素。例如，通过调整每个加工步骤(研磨步骤、精确研磨步骤，精细研磨步骤、清磨步骤)的切换位置以及每个加工步骤中磨轮16的进给速度可以获得相似的质量。因此，通过使用学习模型获得的结果不限于具有一个模式的加工控制元素，而且可以是具有多个模式的加工控制元素。

当存在满足多个目标质量元素中的所有目标质量元素的具有多个模式的加工控制元素时，在多个目标质量元素中可以存在优先级顺序。例如，可以按照优先级顺序将目标质量元素(与预先设置的预定条件对应)排序为加工劣化层的状态、振纹的状态和加工时间。在这种情况下，输出单元44可以输出具有多个模式的加工控制元素，并且输出单元44基于优先级顺序来输出多个模式的顺序。也就是说，输出单元44可以基于预先设置的预定条件来输出具有多个模式的加工控制元素的顺序。

显示单元45显示由输出单元44输出的输出信息。此处，边缘计算机4的显示装置可以应用于显示单元45，或者诸如机床2的操作面板的显示装置可以应用于显示单元45。此处，当输出单元44输出具有一个模式的加工控制元素时，显示单元45显示具有一个模式的加工控制元素。当输出单元44输出具有多个模式的加工控制元素时，显示单元45显示具有多个模式的加工控制元素。

图4示出了显示单元45的示例。图4示出了在输出单元44输出具有多个模式的加工控制元素并且目标质量元素的优先级顺序(预定条件)被预先设置的情况下的显示内容。目标质量元素可以按照优先级顺序被排序为加工劣化层的状态(第一)、振纹的状态(第二)和加工时间(第三)。在这种情况下，目标质量元素的优先级顺序被显示在显示单元45的左列中。

输出结果被显示在显示单元45的右列中。显示单元45中的输出结果以其中具有多个模式的加工控制元素被排列成对应于优先级顺序的状态被显示。此处，加工控制元素的所有模式A、B、C、D、E都满足图4中的目标质量元素。在这些模式中，模式A是在基于预定条件进行排序的情况下的最佳加工控制元素。

(4.效果)

当学习模型被预先生成时，操作者通过输入作为第二非控制元素的工件W的规格、磨轮16(工具)的规格以及目标质量元素可以容易地获取加工控制元素。因此，即使操作者不具有熟练知识或专有知识，也可以获得较适当的加工控制元素。因此，操作者可以容易地获取NC程序中的设置参数并且可以容易地创建NC程序。

此处，学习模型是允许基于第一非控制元素和实际质量元素来输出加工控制元素的模型。因此，为了输出加工控制元素，可以获取与第一非控制元素对应的信息以及与实际质量元素对应的信息。可以容易地获取作为与第一非控制元素对应的信息的第二非控制元素以及作为与实际质量元素对应的信息的目标质量元素。然后，可以通过预先获取与第一非控制元素对应的第二非控制元素以及与实际质量元素对应的目标质量元素来输出加工控制元素。

此外，机床系统1获取与多个机床2有关的元素(所描述的非控制元素、加工控制元素和实际质量元素)，并且机床系统1通过使用这些元素来生成学习模型。因此，学习模型是考虑到与各种加工有关的信息而生成的。然后，学习模型被存储在设置在机床2中的每一个中的边缘计算机4中。因此，当加工控制元素是要通过设置在机床2中的每一个中的边缘计算机4来确定时，可以考虑在其他机床2中进行加工。因此，可以确定更有效的加工控制元素。

Claims (7)

1.一种用于支持机床的学习模型生成装置，包括：

第一非控制元素获取单元，被配置成获取第一非控制元素，所述第一非控制元素包括工件的规格和工具的规格中的至少之一，并且所述第一非控制元素不作为用于机床的加工控制元素；

加工控制元素获取单元，被配置成获取用于所述机床的所述加工控制元素；

实际质量元素获取单元，被配置成获取所述工件在加工之后的实际质量元素；以及

学习模型生成单元，被配置成通过其中所述第一非控制元素、所述加工控制元素和所述实际质量元素被设置为学习数据的机器学习，来生成用于基于所述第一非控制元素和所述实际质量元素输出所述加工控制元素的学习模型。

2.根据权利要求1所述的用于支持机床的学习模型生成装置，

其中，所述工具包括被配置成对所述工件进行研磨的磨轮，以及

其中，所述加工控制元素包括所述工件的转速、所述磨轮相对于所述工件的进给速度、加工步骤的切换位置和清磨时间中的至少之一。

3.根据权利要求1或2所述的用于支持机床的学习模型生成装置，

其中，所述工件的规格包括所述工件的最终形状、所述工件的原始形状和所述工件的材料中的至少之一，以及

其中，所述工具的规格包括所述工具的材料和所述工具的形状中的至少之一。

4.根据权利要求1至3中任一项所述的用于支持机床的学习模型生成装置，其中，所述实际质量元素为所述工件的加工劣化层的状态、所述工件的表面性质和所述工件的振纹的状态中的至少之一。

5.一种用于机床的支持装置，包括：

根据权利要求1至4中任一项所述的用于支持机床的学习模型生成装置；

第二非控制元素获取单元，被配置成获取第二非控制元素，所述第二非控制元素包括所述工件的规格和所述工具的规格中的至少之一，并且所述第二非控制元素不作为用于机床的加工控制元素；

目标质量元素获取单元，被配置成获取所述工件的目标质量元素；以及

输出单元，被配置成通过使用所述学习模型来输出与所述第二非控制元素和所述目标质量元素对应的所述加工控制元素。

6.根据权利要求5所述的用于机床的支持装置，其中，所述输出单元输出具有多个模式的相应的加工控制元素，并且基于预先设置的预定条件来输出所述多个模式的顺序。

7.一种机床系统，包括：

多个机床；

服务器，被配置成与所述多个机床通信；

分别设置在所述多个机床中的多个边缘计算机，所述多个边缘计算机被配置成与所述服务器通信，

其中，所述服务器包括根据权利要求1至4中任一项所述的用于支持机床的学习模型生成装置，

其中，所述用于支持机床的学习模型生成装置基于从所述多个机床中的每一个获取的所述第一非控制元素、所述加工控制元素和所述实际质量元素来生成所述学习模型，

其中，所述多个边缘计算机中的每一个包括根据权利要求5或6所述的用于机床的支持装置，以及

其中，所述用于支持机床的学习模型生成装置中的所述学习模型生成单元将所生成的学习模型存储在所述用于机床的支持装置中的所述学习模型存储单元中。

Images