CN111506019B - 数值控制系统 - Google Patents
数值控制系统 Download PDFInfo
- Publication number
- CN111506019B CN111506019B CN202010077045.4A CN202010077045A CN111506019B CN 111506019 B CN111506019 B CN 111506019B CN 202010077045 A CN202010077045 A CN 202010077045A CN 111506019 B CN111506019 B CN 111506019B
- Authority
- CN
- China
- Prior art keywords
- unit
- state
- context
- machine tool
- extraction
- 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
Links
- 238000000605 extraction Methods 0.000 claims abstract description 105
- 238000003754 machining Methods 0.000 claims abstract description 96
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000013075 data extraction Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 46
- 239000000284 extract Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 64
- 238000010801 machine learning Methods 0.000 description 26
- 238000000034 method Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000005520 cutting process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05B2219/33001—Director is the nc controller, computer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种数值控制系统。数值控制系统具备：取得机床的加工运转中的上下文的上下文取得部、检测机床各轴的控制状态量的状态量检测部、使用基于上述上下文的提取模式来从状态量中提取状态数据的状态数据提取部、根据所述状态数据生成体现机床的运转状态的特征的特征量的特征量生成部、基于所述特征量来计算运转状态的评价值的推理计算部、以及基于所述计算的结果来判定运转状态的异常判定部。上述数值控制系统即使在加工时的电动机的动作模式、工具、工件不同的情况下，也能够更大范围地检测运转状态的异常。
Description
技术领域
本发明涉及数值控制系统，特别涉及切换学习模型来进行机床的运转状态的判定的数值控制系统。
背景技术
具有以下技术：在通过使工具与工件相对移动来加工工件的机床(例如加工中心、车床等)中，在工件的加工中对使主轴旋转的电动机(主轴电动机)或使工具移动的电动机(进给轴电动机)施加了大的负荷的情况下、检测出异常温度的情况下、检测到冲击或异常声音的情况下等，判断机床的运转状态处于异常状态(例如日本特开2009-080752号公报、日本特开2008-110435号公报、日本特开2007-072879号公报、日本特开09-076144号公报等)。
然而，即使想要基于在加工中能够从外部观测的信息来判断机床的运转状态的异常，在机床的运转状态异常时，从外部观测的加工的状态信息也因加工内容(粗加工、精加工等)而不同。更详细而言，从外部观测的加工的状态信息根据包含在加工中使用的主轴旋转速度、进给速度等的电动机的动作模式、在加工中使用的工具的种类、加工的工件的材质等而不同。因此，与这些各种状况对应地制作能够用于机床的运转状态的异常检测的通用的机器学习器(通用的学习模型)，需要在各种状况下检测出的大量状态信息，因此是困难的。
发明内容
因此，期望即使在加工时的电动机的动作模式、工具、工件等不同的情况下，也能够更大范围地检测机床的运转状态的异常的数值控制系统。
在本发明的一个方式的数值控制系统中，根据表示包含加工时的电动机的动作模式的运转状况、加工所使用的工具的种类、要加工的工件的种类等状况的上下文，变更机器学习所涉及的处理(学习或推理)中使用的状态数据的提取方法，由此解决上述课题。更具体而言，本发明的一个方式的数值控制系统使用基于上下文的提取模式，从加工时检测出的状态量中提取状态数据，或者根据该上下文从多个提取模式中选择用于状态数据的提取的提取模式。
并且，本发明的一个方式是判定机床的运转状态的数值控制系统，其具备：上下文取得部，其取得所述机床的加工运转中的上下文；状态量检测部，其检测所述机床的各轴的控制状态量；状态数据提取部，其使用基于所述上下文取得部取得的加工运转中的上下文的提取模式，从所述状态量中提取状态数据；特征量生成部，其根据所述状态数据，生成体现所述机床的运转状态的特征的特征量；推理计算部，其基于所述特征量来计算所述机床的运转状态的评价值；以及异常判定部，其基于所述推理计算部的计算结果来判定所述机床的运转状态。
根据本发明的一个方式，通过根据加工时的机床的运转状况、环境状况等的上下文来选择提取模式，能够进行与状况相应的适当的状态数据的提取，因此能够高效地进行与机器学习相关的处理(学习或推理)。
附图说明
本发明的上述及其它目的以及特征将通过参照附图的以下的实施例的说明而变得明确。在这些图中：
图1是表示一实施方式的数值控制系统的主要部分的概略的硬件结构图。
图2是第1实施方式的数值控制系统的概略的功能框图。
图3A是对本发明的一个方式的不使用提取模式的情况下的状态数据的提取处理进行说明的图。
图3B是对本发明的一个方式的不使用提取模式的情况下的状态数据的提取处理进行说明的图。
图3C是对本发明的一个方式的不使用提取模式的情况下的状态数据的提取处理进行说明的图。
图4A是对本发明的一个方式的使用了提取模式的情况下的状态数据的提取处理进行说明的图。
图4B是对本发明的一个方式的使用了提取模式的情况下的状态数据的提取处理进行说明的图。
图4C是对本发明的一个方式的使用了提取模式的情况下的状态数据的提取处理进行说明的图。
图5是第2实施方式的数值控制系统的概略功能框图。
图6是第3实施方式的数值控制系统的概略功能框图。
图7是表示第4实施方式的数值控制系统的变形例的概略功能框图。
图8是第5实施方式的数值控制系统的概略功能框图。
具体实施方式
以下，结合附图说明本发明的实施方式。
图1是表示构成本发明的一实施方式的数值控制系统1的数值控制装置以及机器学习装置的主要部分的概略的硬件结构图。本实施方式的数值控制装置2所具备的CPU11是整体控制数值控制装置2的处理器。CPU11读出存储在ROM12中的系统程序，按照该系统程序对数值控制装置2整体进行控制。在RAM13中暂时存储临时的计算数据、显示数据、操作员经由未图示的输入部输入的各种数据等。另外，数值控制装置2也可以具备非易失性存储器14。非易失性存储器14由未图示的电池备份，即使数值控制装置的电源断开也保持存储状态。另外，数值控制装置2具备I/O单元17，经由I/O单元17向外部装置输出信号。
显示器70由液晶显示装置等构成。也可以在显示器70上显示表示工具的磨损状况的推理评价值的立即值或履历。作为提出的系统的实现方式，能够通过阈值判定方式、趋势图判定方式、反常值检测方式等各种方法得到最终结果。通过使得到该最终结果的过程的一部分可视化，使实际在生产现场运转机床的作业者能够得到与工业上的直观相一致的结果。
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，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，驱动使加工机所具备的轴移动的电动机120。轴的电动机120内置有位置速度检测器，向轴控制电路30反馈来自该位置速度检测器的位置速度反馈信号，并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、电动机120仅分别示出了1个，但实际上按照成为控制对象的加工机所具备的轴的数量来准备。
接口21是用于连接数值控制装置2和机器学习装置3的接口。机器学习装置3具备对机器学习装置3整体进行控制的处理器80、存储了系统程序、学习模型等的ROM81、用于进行机器学习所涉及的各处理中的临时存储的RAM82。机器学习装置3经由接口84以及接口21与数值控制装置2之间进行各种数据的交换。另外，机器学习装置3的处理结果也可以显示于显示器72来进行确认。另外，机器学习装置3也可以具备非易失性存储器83。非易失性存储器83由未图示的电池备份，即使机器学习装置3的电源断开也保持存储状态。
图2是第一实施方式的数值控制系统1的概略的功能框图。通过构成图1所示的数值控制系统1的数值控制装置2或在雾计算机、云服务器等计算机上构成的机器学习装置3所具备的CPU11、GPU等处理器80按照各系统程序来控制装置各部的动作来实现图2所示的各功能块。
本实施方式的数值控制系统1，至少在作为成为状态的观察、推理对象的边缘设备的数值控制装置2上具备数值控制部100、上下文取得部110、状态量检测部140。另外，数值控制系统1具备对边缘设备的状态进行推理的推理处理部400、存储并管理多个特征模型的特征模型存储部350。本实施方式的数值控制系统1还具备：根据由状态量检测部140检测出的状态量提取用于推理等处理的状态数据的状态数据提取部210、根据推理处理部400对边缘设备的状态进行推理的结果来检测机床的运转状态的异常的异常判定部240、关于边缘设备的状态由推理处理部400将推理计算显示于显示器等的推理计算显示部250、以及进行存储于特征模型存储部350的特征模型的生成以及更新的特征模型生成部230。
本实施方式的数值控制部100通过执行存储于未图示的存储器的加工程序的程序块来控制对工件进行加工的机床。数值控制部100依次读出并解析在未图示的存储器中存储的加工程序的程序块，根据解析出的结果计算每个控制周期的电动机120的移动量，按照计算出的每个控制周期的移动量来控制电动机120。由数值控制部100控制的机床具备由电动机120驱动的机构部130。通过驱动该机构部130，使工具与工件相对地移动来对工件进行加工。另外，虽然在图2中省略，但按机床的机构部130所具备的轴的数量来准备电动机120。机构部130包括例如作为进给轴使用的滚珠丝杠、作为主轴使用的机构。也存在由多个电动机驱动单一机构部的情况。
上下文取得部110取得数值控制部100(以及由该数值控制部100控制的机床)执行的加工运转中的上下文(加工状况、运转状况、环境状况等)，将取得的上下文输出给机器学习装置3。作为加工运转中的上下文，例如可举出加工时的电动机的动作模式(主轴转速、进给速度等)、当前正在进行的加工的目的(粗加工、精加工等)、当前正在进行的可动部的驱动目的(快速进给、切削进给等)、加工所使用的工具的种类、表示成为加工的对象的工件的硬度或材质等的工件信息等。
上下文取得部110取得基于由加工程序指示的加工条件、作业者经由未图示的输入装置对数值控制部100设定的设定信息、通过网络等连接的其他计算机对数值控制部100设定的设定信息、或者通过在数值控制部100中另外设置的传感器等设备检测出的信息、从PLC(Programmable Logic Controller，可编程逻辑控制器)取得的信号的值等而综合判断的加工运转中的上下文。然后，上下文取得部110将该加工运转中的上下文输出到特征模型存储部350、状态数据提取部210、特征模型生成部230。上下文取得部110具有将作为边缘设备的数值控制部100的当前的加工运转中的上下文作为用于选择提取模式的加工运转中的上下文，通知给数值控制系统1的各部的作用。
状态量检测部140将数值控制部100(以及由该数值控制部100控制的机床)的加工运转的状态检测为加工运转的状态量。作为加工运转的状态量，例如例示主轴的负荷(电流值)、进给轴的负荷(电流值)、主轴转速、进给轴速度、进给轴位置、电动机120的温度、振动值、声音等。状态量检测部140例如将在数值控制部100、驱动该数值控制部100所控制的机床的机构部130的电动机120中流动的电流值、在各部另行设置的传感器等设备检测出的检测值作为加工运转的状态量进行检测。状态量检测部140检测出的加工运转的状态量被输出到状态数据提取部210。
状态数据提取部210从状态量检测部140检测出的加工运转的状态量中提取推理处理部400的推理处理等所使用的状态数据。状态数据提取部210基于从上下文取得部110输入的加工运转中的上下文，以预定的提取模式从状态量检测部140检测出的加工运转的状态量中提取用于推理处理等的状态数据。
状态数据提取部210所使用的提取模式是基于加工运转中的上下文来决定参数的预定的数据加工方法。上述提取模式例如可以是基于加工运转中的上下文求出的时间序列数据的提取区间的设定、数据的选择、基于加工运转中的上下文的状态量的比例变更等的数据加工等。在本实施方式中，状态数据提取部210所使用的提取模式只要预先由作业者登记在存储器上即可。
以下，使用图3A～图3C和图4A～图4C对基于加工运转中的上下文的预定的提取模式而从状态量提取状态数据的方法进行说明。图3A～图3C是将从加工中的机床检测安装了工具的主轴电动机的速度和转矩的时间序列数据作为状态量的例子。图3A、图3B和图3C各自的主轴电动机的速度和转矩的时间序列数据的组是在使主轴电动机驱动的预定的定时取得的。在本提取方法中，考虑从该状态量提取主轴电动机以约4000rpm的恒定速度旋转，空转时的预定长度的时间序列数据作为向机器学习器输入的状态数据的情况。在这样的情况下，例如主轴电动机以约4000rpm旋转，取得转矩值表示比预定的阈值低的值的预定区间的时间序列数据作为状态数据即可。例如，如果提取图3A和图3B中由虚线包围的区间的时间序列数据，则能够取得目标状态数据。
然而，在这样的处理中，在所取得的状态量中未明确表示值的变化的情况下，有时难以取得目标状态数据。例如，如图3所示的例子那样，在空转时和加工时的转矩值缺乏转矩的变化的情况下，如果没有很好地设定与转矩相关的阈值，则如图3C所示，主轴电动机以约4000rpm的恒定速度旋转，但有时将安装于主轴的工具未空转(加工)的区间的时间序列数据误提取为目标状态数据。
图4A～图4C是从加工中的机床检测安装了工具的主轴电动机的速度和转矩的时间序列数据，并且取得切削信号作为加工运转中的上下文之一的例子。在图4A～图4C的例子中，能够取得作为表示是否处于加工中的信号的切削信号作为加工运转中的上下文，利用该上下文来确定从加工运转的状态量提取状态数据的区间。例如，在预先设定了“将加工运转的上下文的切削信号从空转(0.0)切换为切削(1.0)之前的预定区间作为状态数据进行提取”这样的提取模式的情况下，在图4A～图4C的任一个中都能够没有问题地提取目标状态数据。
本实施方式的推理处理部400观测作为边缘设备的数值控制部100(以及由该数值控制部100控制的机床)的状态，对基于该观测的结果的数值控制部100的状态(加工的状态)进行推理。
推理处理部400所具备的特征量生成部410基于状态数据提取部210提取出的状态数据，生成表示数值控制部100的机床的运转状态的特征的特征量。特征量生成部410生成的表示机床的运转状态的特征的特征量，是在数值控制部100(以及由该数值控制部100控制的机床)执行的加工运转中作为检测机床的运转状态的异常时的判断的素材而有用的信息。另外，特征量生成部410生成的表示机床的运转状态的特征的特征量，是后述的推理计算部420进行使用了学习模型的推理时的输入数据。
特征量生成部410生成的表示机床的运转状态的特征的特征量，例如可以是以预定的采样周期对作为状态数据提取部210提取出的状态数据的主轴的负荷采样过去的预定期间量，例如也可以是作为状态数据提取部210提取出的状态数据的电动机120的振动值的过去的预定期间内的峰值，例如也可以是将状态数据提取部210提取出的各状态数据向时间序列的频率域进行积分转换，或者将振幅或功率密度标准化，或者使其适合于传递函数，或者向特定的时间或频率宽度进行降维等那样的信号处理的组合。特征量生成部410以推理计算部420能够处理的方式对状态数据提取部210提取出的状态数据进行预处理并标准化。
推理处理部400所具备的推理计算部420根据基于从上下文取得部110输入的机床的加工运转中的上下文从特征模型存储部350选择出的特征模型和特征量生成部410生成的特征量，对数值控制部100(以及由该数值控制部100控制的机床)所执行的机床的运转状态的评价值进行推理。
通过对能够执行机器学习的推理处理的平台应用特征模型存储部350所存储的特征模型来实现推理计算部420。推理计算部420例如可以用于进行使用了多层神经网络的推理处理，另外也可以用于进行使用了贝叶斯网络、支持向量机、混合高斯模型等作为机器学习公知的学习算法的推理处理。另外，推理计算部420例如也可以用于进行使用有监督学习、无监督学习、强化学习等学习算法的推理处理。推理计算单元420可以分别执行基于多种类型的学习算法的推理处理。
推理计算部420构成基于从特征模型存储部350选择的特征模型的机器学习器，通过执行使用特征量生成部410生成的特征量作为该机器学习器的输入数据的推理处理，对数值控制部100(以及由该数值控制部100控制的机床)执行的机床的运转状态的评价值进行推理。作为推理计算部420推理的结果的评价值，例如也可以是表示机床的运转状态的正常/异常的分类、机床的运转状态的异常的部位(电动机120的轴承异常、电动机120与机构部130之间的连结部的破损等)的信息、表示当前的机床的运转状态与正常时的机床的运转状态的分布之间的距离等状态的信息。
本实施方式的特征模型存储部350能够存储与从上下文取得部110输入的加工运转中的上下文的组合相关联的多个特征模型。特征模型存储部350能够安装为例如数值控制装置、单元计算机、雾计算机、云服务器、数据库服务器等。
在特征模型存储部350中存储与由上下文取得部110指定的加工运转中的上下文(加工状况、运转状况、环境状况等)的组合相关联的多个特征模型1，2，…，M。这里所说的加工运转中的上下文(加工状况、运转状况、环境状况等)的组合，是指与各个加工运转中的上下文可取的值、值的范围、值的列举有关的组合，例如在将上下文的组合设为主轴转速、进给速度、切削信号、工具种类、工件信息的组合的情况下，能够将(主轴转速：500～1000[min-1]、进给速度：200～300[mm/min]，切削中，钻孔工具，铝/钢铁)用作加工运转中的上下文的组合之一。
存储在特征模型存储部350中的特征模型被存储为能够构成适合于推理计算单元420中的推理处理的一个特征模型的信息。在特征模型存储部350中存储的特征模型例如是使用了多层神经网络的学习算法的特征模型的情况下，能够作为各层的神经元(感知器)数、各层的神经元(感知器)间的权重参数等进行存储。另外，在是使用贝叶斯网络的学习算法的特征模型的情况下，能够作为构成贝叶斯网络的节点与节点间的转移概率等进行存储。
存储在特征模型存储部350中的每个特征模型可以是使用相同学习算法的特征模型，或者可以是使用不同学习算法的特征模型，只要能够用于推理计算部420的推理处理，可以是使用任何学习算法的特征模型。
特征模型存储部350可以对1个加工运转中的上下文的组合关联1个特征模型来存储，另外，也可以对1个加工运转中的上下文的组合关联使用了2个以上的不同学习算法的特征模型来存储。特征模型存储部350也可以将对该组合的范围重叠的多个加工运转中的上下文的组合分别关联使用不同的学习算法的特征模型来存储。此时，特征模型存储部350针对与加工运转中的上下文的组合对应的特征模型，进一步决定必要处理能力、学习算法的种类等利用条件，由此例如对于加工运转中的上下文的组合，能够选择与能够执行的推理处理、处理能力不同的推理计算部420相应的特征模型。
特征模型存储部350在从外部接受包含加工运转中的上下文的组合在内的特征模型的读出/写入请求时，对与该加工运转中的上下文的组合相关联地存储的特征模型进行读出/写入。
此时，在特征模型的读出/写入请求中，也可以包含推理计算部420能够执行的推理处理、处理能力的信息，在这样的情况下，特征模型存储部350对与加工运转中的上下文的组合以及推理计算部420能够执行的推理处理、处理能力相关联的特征模型进行读出/写入。特征模型存储部350可以具备针对来自外部的特征模型的读出/写入请求，基于从上下文取得部110输入的加工运转中的上下文，对与该加工运转中的上下文(的组合)相关联的特征模型进行读出/写入的功能。通过设置这样的功能，不需要另外设置对推理计算部420、特征模型生成部230请求基于从上下文取得部110输入的加工运转中的上下文的特征模型的功能。
另外，特征模型存储部350也可以对特征模型生成部230生成的特征模型进行加密并存储，在通过推理计算部420读出特征模型时，对加密后的特征模型进行解密。
异常判定部240基于由推理处理部400推理的机床的运转状态的评价值，判定数值控制部100(以及由该数值控制部100控制的机床)的动作状态(机械的异常等)。例如，异常判定部240根据推理计算部420输出的作为推理结果的评价值的内容来进行机床的运转状态的正常/异常的判定。异常判定部240例如也可以在由推理处理部400推理的当前的机床的运转状态被分类为异常的情况下判定为机床的运转状态异常，在除此以外的情况下判定为机床的运转状态正常。异常判定部240例如也可以在当前的机床的运转状态与正常时的机床的运转状态的分布的距离超过预先确定的预定阈值的情况下判定为机床的运转状态异常，在除此以外的情况下判定为机床的运转状态正常。
异常判定部240在判定为机床的运转状态异常的情况下，也可以通过未图示的显示装置、灯、声音输出装置等对作业者通知机床的运转状态的异常。另外，异常判定部240在判定为机床的运转状态异常的情况下，也可以对数值控制部100指示中止加工。
推理计算显示部250将推理计算部420计算出的机床的运转状态的评价值与状态量、加工运转中的上下文对应起来显示于显示器70或显示器72。推理计算显示部250例如也可以将机床的运转状态的评价值与状态量、加工运转中的上下文的时间序列数据关联起来显示。另外，推理计算显示部250例如也可以将机床的运转状态的评价值与作为加工运转中的上下文之一的加工程序的指令关联起来进行显示。通过进行这样的显示，作业者能够明确地掌握机床的运转状态在哪个部分正常、在哪个部分异常。
特征模型生成部230基于从上下文取得部110输入的加工运转中的上下文和由特征量生成部410生成的表示机床的运转状态的特征的特征量，进行存储在特征模型存储部350中的特征模型的生成或更新(机器学习)。特征模型生成部230基于从上下文取得部110输入的加工运转中的上下文来选择成为生成或更新的对象的特征模型，对所选择的特征模型进行基于由特征量生成部410生成的表示加工运转的状态的特征的特征量的机器学习。在与从上下文取得部110输入的加工运转中的上下文(的组合)相关联的特征模型未存储于特征模型存储部350的情况下，特征模型生成部230新生成与该加工运转中的上下文(的组合)相关联的特征模型。在与从上下文取得部110输入的加工运转中的上下文(的组合)相关联的特征模型存储于特征模型存储部350的情况下，特征模型生成部230通过对该特征模型进行机器学习来更新该特征模型。在特征模型存储部350中存储有多个与从上下文取得部110输入的加工运转中的上下文(的组合)相关联的特征模型的情况下，特征模型生成部230可以对各个特征模型进行机器学习，另外，也可以基于能够由特征模型生成部230执行的学习处理、处理能力，仅对一部分特征模型进行机器学习。
图5是第二实施方式的数值控制系统1的概略的功能框图。通过构成图1所示的数值控制系统1的数值控制装置2、在雾计算机、云服务器等计算机上构成的机器学习装置3所具备的CPU11、GPU等处理器80按照各系统程序来控制装置的各部的动作来实现图5所示的各功能块。
本实施方式的数值控制系统1，除了第1实施方式的数值控制系统所具备的结构以外，还具备存储并管理多个提取模式的提取模式存储部300、以及进行存储于提取模式存储部300的提取模式的生成以及更新的提取模式生成部220。
本实施方式的提取模式存储部300能够存储与从上下文取得部110输入的加工运转中的上下文的组合相关联的多个提取模式。提取模式存储部300例如能够作为数值控制装置、单元计算机、雾计算机、云服务器、数据库服务器等进行安装。
在提取模式存储部300中存储与由上下文取得部110指定的加工运转中的上下文(加工状况、运转状况、环境状况等)的组合相关联的多个提取模式1，2，…，N。这里所说的加工运转中的上下文(加工状况、运转状况、环境状况等)的组合，是指与各个加工运转中的上下文可取的值、值的范围、值的列举有关的组合，例如在将加工运转中的上下文的组合设为主轴转速、进给速度、切削信号、刀具种类、工件信息的组合的情况下，可以将(主轴转速：500～1000[min-1]，进给速度：200～300[mm/min]，切削中，钻孔工具，铝/钢铁)用作加工运转中的上下文的组合之一。
存储于提取模式存储部300的提取模式被存储为能够构成用于状态数据提取部210中的状态数据的提取的1个提取模式的信息。存储于提取模式存储部300的提取模式是基于加工运转中的上下文来决定参数的预定的数据加工方法，例如可以是基于加工运转中的上下文求出的时间序列数据的提取区间的设定、数据的选择、基于加工运转中的上下文的状态量的比例变更等的数据加工等。存储在提取模式存储单元300中的每个提取模式可以是使用相同算法的提取模式，或者可以是使用不同算法的提取模式。
提取模式存储部300在从外部接受包含加工运转中的上下文的组合的提取模式的读出/写入请求时，对与该加工运转中的上下文的组合相关联地存储的提取模式进行读出/写入。提取模式存储部300可以具备以下功能：针对来自外部的提取模式的读出/写入请求，基于从上下文取得部110输入的加工运转中的上下文，针对与该加工运转中的上下文(的组合)相关联的提取模式进行读出/写入。通过设置这样的功能，不需要另外设置对状态数据提取部210和提取模式生成部220请求基于从上下文取得部110输入的上下文的提取模式的功能。
另外，提取模式存储部300也可以对提取模式生成部220生成的提取模式进行加密并存储，在由状态数据提取部210读出提取模式时对加密后的提取模式进行解码。
提取模式生成部220基于从上下文取得部110输入的加工运转中的上下文和由状态量检测部140检测出的机床的运转状态的状态量，进行存储在提取模式存储部300中的提取模式的生成或更新。提取模式生成部220基于从上下文取得部110输入的加工运转中的上下文，选择成为生成或更新的对象的提取模式，针对选择出的提取模式，设定定义如何基于加工运转中的上下文从由状态量检测部140检测出的状态量提取状态数据的数据加工方法。一般地，提取模式生成部220基于操作员等对未图示的输入单元的操作，进行提取模式的生成或更新。在与从上下文取得部110输入的加工运转中的上下文(的组合)相关联的提取模式未存储于提取模式存储部300的情况下，提取模式生成部220基于操作员等的操作来新生成与该加工运转中的上下文(的组合)相关联的提取模式。在提取模式存储部300中存储有与从上下文取得部110输入的加工运转中的上下文(的组合)相关联的提取模式的情况下，提取模式生成部220基于操作员等的操作对该提取模式进行提取模式的设定由此更新该提取模式。
根据具有上述结构的本实施方式的数值控制系统1，能够基于从上下文取得部110输入的加工运转中的上下文来决定状态数据提取部210根据哪个提取模式来从状态量检测部140检测出的状态量提取状态数据。在进行针对机床的运转状态的判定时，在各个加工运转的上下文中，有时想要变更应该提取的状态数据的时间的定时或区间、机床的运转状态的判定中所使用的状态量的种类本身。例如，在想要在进行试验动作的状况下判定主轴的动作的情况下，由于不特别进行工件等的加工，因此只要使用随机地提取满足预先决定的预定条件(主轴以约4000rpm旋转时)的区间中的状态量作为状态数据的提取模式即可，但是如图4中举例所示那样，想要在进行工件的加工的过程中进行同样的判定的情况下，为了提取刀具空转的未进行加工的区间的状态量作为状态数据，优选使用限定提取作为加工运转中的上下文的切削信号作为参数的区间的提取模式。进而，在想要进行工具更换后的机床的运转状态(工具的安装状态)的判定的情况下，需要使用从与主轴的动作的判定不同种类的状态量提取工具更换刚完成之后的区间的状态数据的提取模式(此时的推理计算部420进行的推理中使用的特征模型也联动地切换为用于判定工具的安装状态的特征模型)。这样，状态数据提取部210根据从上下文取得部110输入的加工运转中的上下文来切换为了从状态量中提取状态数据而使用的提取模式，由此能够进行与状况对应的适当的状态数据的提取，能够高效且以更高的精度进行基于该状态数据的特征模型生成部230进行的机器学习相关的处理、推理计算部420进行的推理处理。
另外，本实施方式的提取模式存储部300中存储的提取模式也可以与特征模型同样地构成为包含所谓机器学习的学习模型的提取模式。在将提取模式构成为包含学习模型的提取模式的情况下，例如可以作为将预定的状态量以及预定的加工运转中的上下文作为输入，将输出设为应提取的状态数据的一个学习模型来构成提取模式，另外，也可以将用于从状态量中选择状态数据的规则和以所选择的状态量以及预定的上下文作为输入，将输出设为应该提取的状态数据的1至多个学习模型组合来构成提取模式。提取模式存储部300中存储的提取模式，例如在构成为使用多层神经网络的学习算法的模型的情况下，能够作为各层的神经元(感知器)数、各层的神经元(感知器)间的权重参数等进行存储。另外，在构成为使用贝叶斯网络的学习算法的模型的情况下，能够作为构成贝叶斯网络的节点与节点间的转移概率等进行存储。在这样构成的情况下，存储在提取模式存储部300中的各个提取模式既可以是使用了相同的学习算法的提取模式，另外也可以是使用了不同学习算法的提取模式，只要能够用于状态数据提取部210的状态数据的提取处理，则可以是使用了任何学习算法的提取模式。
图6是第3实施方式的数值控制系统1的概略的功能框图。在本实施方式的数值控制系统1中，将各功能块安装在1台数值控制装置2上。通过这样构成，本实施方式的数值控制系统1例如能够根据数值控制装置2所控制的机床中的加工运转中的电动机120的动作模式、加工中所使用的工具的种类、工件的材质等加工运转中的上下文，使用适当的提取模式来提取状态数据，并进行使用了适当的特征模型的机床的运转状态的判定。另外，在1台数值控制装置2中能够进行与加工运转中的上下文相应的各提取模式、学习模型的生成/更新。
图7是第4实施方式的数值控制系统1的概略功能框图。在本实施方式的数值控制系统1中，将推理处理部200、异常判定部240以及推理计算显示部250安装在数值控制装置2上，另外，将提取模式存储部300、特征模型存储部350等安装在经由标准的接口、网络与数值控制装置2连接的机器学习装置3上。机械学习装置3也可以安装在单元计算机、雾计算机、云服务器、数据库服务器上。通过这样构成，能够在数值控制装置2上执行比较轻的处理、即使用了特征模型的推理处理，能够在机器学习装置3上执行比较重的处理、即模型的生成/更新的处理，因此能够不妨碍由数值控制装置2执行的机床的控制的处理地进行数值控制系统1的运用。
图8是第5实施方式的数值控制系统1的概略功能框图。在本实施方式的数值控制系统1中，将各功能块安装在1台数值控制装置2上。此外，在本实施方式的数值控制系统1中，假定在提取模式存储部300、特征模型存储部350中已经存储有分别与加工运转中的上下文的组合相关联的多个提取模式、多个特征模型，不进行提取模式、特征模型的生成/更新，省略了提取模式生成部220、特征模型生成部230的结构。通过这样构成，本实施方式的数值控制系统1例如能够根据安装于数值控制装置2所控制的机床的工具的种类、工件的材质等的上下文，使用不同的提取模式、特征模型来判定机床的运转状态。另外，由于不进行随意的提取模式、特征模型的更新，所以能够作为例如对顾客出货的数值控制装置2的结构而采用。
以上，说明了本发明的实施方式，但是本发明不仅限于上述实施方式的例子，通过加以适当的变更，能够以各种方式来实施。
Claims (1)
1.一种数值控制系统，其判定机床的运转状态，其特征在于，
该数值控制系统具备：
上下文取得部，其取得所述机床的加工运转中的上下文；
状态量检测部，其检测与所述机床的运转状态相关的状态量；
提取模式存储部，其存储与上述机床的加工运转中的上下文分别相关联的、用于设定基于所述加工运转中的上下文而求出的时间序列数据的提取区间的提取模式；
状态数据提取部，其使用基于所述上下文取得部所取得的加工运转中的上下文而从所述提取模式存储部选择出的提取模式，从所述状态量中提取状态数据；
特征量生成部，其根据所述状态数据生成体现所述机床的运转状态的特征的特征量；
推理计算部，其基于所述特征量计算所述机床的运转状态的评价值；以及
异常判定部，其基于所述推理计算部的计算结果来判定所述机床的运转状态。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019-015170 | 2019-01-31 | ||
| JP2019015170A JP7101131B2 (ja) | 2019-01-31 | 2019-01-31 | 数値制御システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111506019A CN111506019A (zh) | 2020-08-07 |
| CN111506019B true CN111506019B (zh) | 2024-04-23 |
Family
ID=71837583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010077045.4A Active CN111506019B (zh) | 2019-01-31 | 2020-01-23 | 数值控制系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20200249650A1 (zh) |
| JP (1) | JP7101131B2 (zh) |
| CN (1) | CN111506019B (zh) |
| DE (1) | DE102020000432A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210182296A1 (en) * | 2018-08-24 | 2021-06-17 | Siemens Aktiengesellschaft | Anomaly localization denoising autoencoder for machine condition monitoring |
| US11604456B2 (en) * | 2020-03-11 | 2023-03-14 | Ford Global Technologies, Llc | System for monitoring machining processes of a computer numerical control machine |
| TWI749742B (zh) * | 2020-08-31 | 2021-12-11 | 國立虎尾科技大學 | 工具機主軸診斷方法 |
| CN114559297B (zh) * | 2020-11-27 | 2023-09-19 | 财团法人工业技术研究院 | 刀具状态评估系统及方法 |
| JP2022107463A (ja) * | 2021-01-08 | 2022-07-21 | 株式会社日立製作所 | プラント制御装置、プラント制御方法及びプログラム |
| WO2024176390A1 (ja) * | 2023-02-22 | 2024-08-29 | ファナック株式会社 | データ分割装置、及びコンピュータ読み取り可能な記録媒体 |
| TWI842460B (zh) * | 2023-03-30 | 2024-05-11 | 全研科技有限公司 | 應用元神經感測裝置測量精密對位平台動態系統及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09323109A (ja) * | 1996-06-05 | 1997-12-16 | Hitachi Ltd | 圧延機の異常判定制御装置及び方法 |
| CN101219521A (zh) * | 2006-11-30 | 2008-07-16 | 松下电工株式会社 | 用于整个机床监测的装置 |
| CN101354578A (zh) * | 2007-07-23 | 2009-01-28 | 发那科株式会社 | 机床的数值控制装置 |
| WO2017090098A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
| CN107305370A (zh) * | 2016-04-25 | 2017-10-31 | 发那科株式会社 | 设定与产品的异常相关的变量的判定值的生产系统 |
| CN108475052A (zh) * | 2015-12-25 | 2018-08-31 | 株式会社理光 | 诊断设备、计算机程序和诊断系统 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080255773A1 (en) * | 2007-04-13 | 2008-10-16 | Chao Yuan | Machine condition monitoring using pattern rules |
| JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
| JP6859764B2 (ja) * | 2016-05-13 | 2021-04-14 | 株式会社リコー | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム |
| JP6939053B2 (ja) * | 2016-07-15 | 2021-09-22 | 株式会社リコー | 診断装置、プログラムおよび診断システム |
| JP6840953B2 (ja) * | 2016-08-09 | 2021-03-10 | 株式会社リコー | 診断装置、学習装置および診断システム |
| CN106383766B (zh) * | 2016-09-09 | 2018-09-11 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
| US20190324070A1 (en) * | 2016-11-30 | 2019-10-24 | Nec Corporation | State estimation apparatus, state estimation method, and non-transitory medium |
| JP2018147443A (ja) * | 2017-03-09 | 2018-09-20 | 安川情報システム株式会社 | 故障予知方法、故障予知装置および故障予知プログラム |
| JP6659647B2 (ja) * | 2017-09-29 | 2020-03-04 | ファナック株式会社 | 数値制御システム及び逆流防止弁状態検知方法 |
| JP6698604B2 (ja) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | 数値制御システム、及び工具状態検知方法 |
| JP6616375B2 (ja) * | 2017-10-23 | 2019-12-04 | ファナック株式会社 | 状態判定装置 |
| EP3719601A4 (en) * | 2017-11-28 | 2021-09-01 | Kabushiki Kaisha Yaskawa Denki | FAULT DETERMINATION SYSTEM, ENGINE CONTROL DEVICE, AND FAULT DETERMINATION DEVICE |
| JP7151108B2 (ja) * | 2018-03-15 | 2022-10-12 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
| JP7028133B2 (ja) * | 2018-10-23 | 2022-03-02 | オムロン株式会社 | 制御システムおよび制御方法 |
| JP2021015573A (ja) * | 2019-07-16 | 2021-02-12 | ファナック株式会社 | 異常判定装置及び異常判定システム |
| JP7424777B2 (ja) * | 2019-09-13 | 2024-01-30 | ファナック株式会社 | 機械学習装置、制御装置、生成方法および制御方法 |
| DE112021003871T5 (de) * | 2020-07-21 | 2023-05-11 | Fanuc Corporation | Anomalitätsdetektionsvorrichtung |
| KR20230140875A (ko) * | 2022-03-30 | 2023-10-10 | 한국전자통신연구원 | 공작기계 상태진단 장치 및 방법 |
-
2019
- 2019-01-31 JP JP2019015170A patent/JP7101131B2/ja active Active
-
2020
- 2020-01-23 US US16/750,796 patent/US20200249650A1/en active Pending
- 2020-01-23 CN CN202010077045.4A patent/CN111506019B/zh active Active
- 2020-01-24 DE DE102020000432.6A patent/DE102020000432A1/de active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09323109A (ja) * | 1996-06-05 | 1997-12-16 | Hitachi Ltd | 圧延機の異常判定制御装置及び方法 |
| CN101219521A (zh) * | 2006-11-30 | 2008-07-16 | 松下电工株式会社 | 用于整个机床监测的装置 |
| CN101354578A (zh) * | 2007-07-23 | 2009-01-28 | 发那科株式会社 | 机床的数值控制装置 |
| WO2017090098A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
| CN108475052A (zh) * | 2015-12-25 | 2018-08-31 | 株式会社理光 | 诊断设备、计算机程序和诊断系统 |
| CN107305370A (zh) * | 2016-04-25 | 2017-10-31 | 发那科株式会社 | 设定与产品的异常相关的变量的判定值的生产系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020123191A (ja) | 2020-08-13 |
| JP7101131B2 (ja) | 2022-07-14 |
| DE102020000432A1 (de) | 2020-09-10 |
| CN111506019A (zh) | 2020-08-07 |
| US20200249650A1 (en) | 2020-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111506019B (zh) | 数值控制系统 | |
| 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 | |
| CN109581962B (zh) | 数值控制系统 | |
| 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 | |
| CN109613886B (zh) | 热位移校正系统 | |
| CN110187694B (zh) | 故障预测装置以及机器学习装置 | |
| CN110196573B (zh) | 异常因素确定装置 | |
| CN109753019A (zh) | 控制装置和机器学习装置 | |
| CN110297461A (zh) | 异常检测装置 | |
| CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
| JP2020131342A (ja) | 切削液量調整装置及び切削液量調整システム | |
| US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
| JP7425191B2 (ja) | 工具診断装置 | |
| KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
| US11606047B2 (en) | Control device, control system, and machine learning device | |
| KR20220157437A (ko) | 기계가공의 프로세스 매개변수들을 생성하기 위한 치아 기계가공 시스템 | |
| JPWO2019215909A1 (ja) | 異常検出装置及び異常検出方法 |
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 |