CN111538235A - 学习装置以及切断加工评价系统 - Google Patents

学习装置以及切断加工评价系统 Download PDF

Info

Publication number
CN111538235A
CN111538235A CN202010073091.7A CN202010073091A CN111538235A CN 111538235 A CN111538235 A CN 111538235A CN 202010073091 A CN202010073091 A CN 202010073091A CN 111538235 A CN111538235 A CN 111538235A
Authority
CN
China
Prior art keywords
cutting
evaluation
processing unit
learning
punch
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
Application number
CN202010073091.7A
Other languages
English (en)
Inventor
藤井庆太郎
高桥正行
和田纪彦
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 JP2020001388A external-priority patent/JP2020127968A/ja
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN111538235A publication Critical patent/CN111538235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • A—HUMAN NECESSITIES
    • A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
    • A22C—PROCESSING MEAT, POULTRY, OR FISH
    • A22C17/00—Other devices for processing meat or bones
    • A22C17/0073—Other devices for processing meat or bones using visual recognition, X-rays, ultrasounds, or other contactless means to determine quality or size of portioned meat
    • A22C17/0086—Calculating cutting patterns based on visual recognition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D28/00—Shaping by press-cutting; Perforating
    • B21D28/24—Perforating, i.e. punching holes
    • B21D28/34—Perforating tools; Die holders
    • 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
    • B23Q17/0985—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 temperature
    • 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
    • B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
    • A61B17/34—Trocars; Puncturing needles
    • A61B17/3494—Trocars; Puncturing needles with safety means for protection against accidental cutting or pricking, e.g. limiting insertion depth, pressure sensors
    • A61B17/3496—Protecting sleeves or inner probes; Retractable tips
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21D28/00—Shaping by press-cutting; Perforating
    • B21D28/24—Perforating, i.e. punching holes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Food Science & Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Machine Tool Sensing Apparatuses (AREA)
  • Numerical Control (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种学习装置以及切断加工评价系统。学习装置具备输入处理部(2)和学习处理部(3)，所述输入处理部(2)获取与切断加工有关的物理量(15)，并将基于所述物理量(15)的状态变量(12)输入到所述学习处理部(3)，所述学习处理部(3)基于所计测的切断结果来更新评价模型(11)，该评价模型基于所述状态变量(12)而输出所述切断加工的评价结果(13)。

Description

学习装置以及切断加工评价系统
技术领域
本发明涉及在通过切断加工而制造的工件的评价系统中使用的学习装置、以及使用了该学习装置的切断加工评价系统。
背景技术
在切断加工中，一般地，通过称为冲孔模板的构件来按压放置在被称作冲模的构件上的工件，并且通过被称作冲头的工具将工件按入冲模来进行冲裁，由此获得给定的形状。切断加工一般在家电设备的制造、精密设备的制造、或汽车部件的制造的多种多样的制造领域中普及。
在这样的使用了冲模的切断加工中，一般根据各个模具(冲模)而通过试错来调整模具位置或者模具形状，但存在无法通过这样的基于试错的调整来应对的情况，在这样的情况下无法获得给定质量的加工品。因而，提出了如专利文献1所公开的评价方法那样对通过切断工艺而产生的物理量进行测定，通过该物理量的测定值和基准值的比较来进行异常诊断的评价方法。
此外，作为一般的加工装置中的加工品的好坏判定，提出了如专利文献2所公开的评价方法那样通过加工装置的内部信息的测定值和设定给临时判定部的阈值的比较来进行好坏判定，反馈实际的加工品的质量并更新临时判定部的阈值的评价方法。
在先技术文献
专利文献
专利文献1：日本特开平6-304800号公报
专利文献2：日本特开2017-174236号公报
发明内容
本公开的学习装置具备输入处理部和学习处理部，所述输入处理部获取与切断加工有关的物理量，并将基于所述物理量的状态变量输入到所述学习处理部，所述学习处理部基于所计测的切断结果来更新评价模型，该评价模型基于所述状态变量而导出所述切断加工的评价。
附图说明
图1是表示在本公开的实施方式中使用的切断加工评价系统的概要的原理框图。
图2是表示在本公开的实施方式中使用的所述评价系统中的学习处理的概要的原理框图。
图3是例示在本公开的实施方式中使用的载荷和加工质量的相关的一般的切断载荷-冲头行程线图。
图4是例示在本公开的实施方式中使用的声音和加工质量的相关的一般的声音-时间线图。
图5是例示在本公开的实施方式中使用的温度和加工质量的相关的一般的温度-时间线图。
图6是在本公开的实施方式中使用的卷积神经网络的结构图。
图7是表示应用了在本公开的实施方式中使用的切断加工评价系统的切断加工装置的概要的整体图。
图8是与本公开的实施方式的控制部有关的功能框图。
图9是表示本公开的实施方式所涉及的学习装置所执行的学习步骤的流程图。
图10是表示本公开的实施方式所涉及的切断加工评价系统所执行的评价步骤的流程图。
图11是表示输入到本公开的实施方式所涉及的学习装置的切断结果的一例的图。
符号说明
1 切断加工评价系统
2 输入处理部
3 学习处理部
4 输出功能
11 评价模型
12 状态变量
13 切断评价结果
14 数据集
15 物理量
16 切断结果
17 误差
18 损失函数
19 最优化算法
21 学习装置
51 卷积神经网络
52 输入层
53 卷积层
54 池化层
55 全连接层
56 输出层
101 切断加工装置
102 冲模
103 冲头
104 学习部
105 存储部
106 计算部
107 冲孔模板
108 基座
109 上部基座
110 装置覆盖件
111 冲头板
112 控制部
150 传感器
151 载荷传感器
152 声音传感器
153 位置传感器
154 温度传感器
具体实施方式
在专利文献1的评价方法中，是否正常的判断基准是获取值(测定值)相对于从正常时的加工获得的值(基准值)是否收纳在能容许的范围(容许范围)。因而，不得不每次都要根据工件以及加工品的规格来研讨容许范围的设定。而且，在专利文献1所公开的评价方法中，纵使探测到是异常，也无法确定其原因，因此对异常的应对费工夫。
此外，在专利文献2的评价方法中，存在如下的问题。即，一般，在切断加工中存在从压缩变形经过塑性变形而发生了龟裂生长之后发生断裂分离这样的破坏力学的情形，该断裂工艺以0.1秒以下这样的极短的时间进行。因而，例如在电动机的电流值、转速这样的内部信息中无法捕捉断裂分离时的载荷分布等的断裂工艺的状态，此外，难以在短时间内获得必要的数据采样数。因而，难以仅基于加工装置的内部信息来精度良好地进行加工工艺的好坏判定(进而为加工品的好坏判定)。
本公开鉴于上述以往的问题点而实现，其目的在于，能够精度良好地进行切断加工的评价。
以下，参照图1至图10来说明本公开的实施方式1。
在图1中示出表示本公开的实施方式的切断加工评价系统1的概要的原理框图。在图1中，本公开的切断加工评价系统1在功能上具备：输入处理部2，执行输入步骤；学习处理部3，执行学习步骤；和输出处理部4，执行输出步骤。此外，切断加工评价系统1可以进一步具备对与切断加工有关的物理量进行测定的传感器150。传感器150包含后述的载荷传感器151、声音传感器152、位置传感器153以及温度传感器154中的至少一个以上。
输入处理部2获取在切断加工中测定出的物理量15作为状态变量12，并输入到学习处理部3的评价模型11(后述)。
学习处理部3具备：学习完毕的评价模型11、和数据集组14。另外，学习装置21具备输入处理部2以及学习处理部3。
输出处理部4将切断评价结果13进行输出。
根据这样的结构，切断加工评价系统1成为对学习完毕的评价模型11输入状态变量12并输出切断评价结果13的结构。评价模型11是经过使用了数据集组14的学习处理部3所进行的学习步骤而被最优化的评价模型。切断评价结果13是对测定物理量15之际的切断加工中的异常的有无以及异常时的原因进行了预测的结果。
所输入的状态变量12包含切断载荷、切断加工中产生的声音、切断加工中产生的振动、剪切速度、冲模与冲头的余隙、以及切断加工中产生的工件的温度(以下称为“加工温度”)当中的至少一种。在一次的切断加工开始到结束期间被实时地测定的物理量15根据需要来变换，作为状态变量12而输入到评价模型11。在切断评价中需要对于捕捉工艺的特征、例如载荷分布的曲线的曲率等物理量15的局部的值的倾向而言足够的量的采样数，因此期望物理量15的采样周期(测定周期)为切断所需的时间的百分之一以下。
在评价模型11被输入基于物理量15的状态变量12。评价模型11是具备对所输入的状态变量12进行加工并变换成输出的函数(即，基于状态变量12求出并输出切断评价结果13的函数)的模型。通过在图2中后述的学习处理部3将函数最优化，从而评价模型11能够求出精度高的切断评价结果13。
切断评价结果13是对切断加工的异常进行分等级地评价的结果，被分类为：加工没有异常的情况下的1个模式、和加工有异常的情况下的异常原因的模式数的n个模式之和即n+1个模式。作为异常原因的模式，例如，可列举余隙的过量、余隙的不足、工具的磨耗、模具的设置错误等的已知的不良原因。
切断评价结果13具体是按n+1个要素的每一个来保持上述模式的概率的一维的向量，输出处理部4输出在各要素中值最大的要素，即，所产生的概率最高的模式(不良原因)。
用于评价模型11的学习的数据集组14将输入数据和输出数据这两个数据设为集合来进行蓄积。详细地，数据集组14将在一次的切断加工中测定的物理量15的状态变量12作为输入数据，将测定该状态变量12之际的切断结果16(参照图2)作为输出数据，并将输入数据和输出数据设为集合来按每个切断加工进行蓄积。
状态变量12是基于在每次加工时通过实际测量而求出的物理量15的变量。状态变量12也可以直接获取物理量15，但优选获取对物理量15进行变换后的量。例如，如参照图7后述的那样，为了测定作为物理量15的一例的切断载荷而由后述的图7的载荷传感器151测定了载荷时，检测出的载荷除了包含切断载荷之外，还包含基于冲孔模板107的载荷。因此，根据冲孔模板107中包含的弹簧的弹簧常数、线性载荷的近似线来算出基于冲孔模板107的载荷。然后，将基于冲孔模板107的载荷从由载荷传感器151测定的载荷之中除去，由此算出切断载荷。由此一来，仅获取算出的载荷即切断载荷作为状态变量12。
即，作为物理量15获取到的信息有可能包含为了切断加工评价而必要的信息以外的信息。因而，状态变量12优选获取对物理量15适当进行变换后的结果。
切断结果16在每次加工时通过实际测量来求出，与切断中的物理量15建立关联。即，在进行某次加工之际，物理量15的检测和切断结果16的判断成套进行，成套输入至数据集组14。切断结果16例如作为加工品的好坏，通过人来判断或者使用了以往技术的机械手段来判断，并输入至数据集组14。切断结果16例如通过对切断结果进行实际测量的装置来测定，并以信号来输入。此外，切断结果16例如在检查工序中可以通过人来评价，经由键盘等输入装置来输入。加工工艺的好坏基于加工品的好坏来判断是最容易的，但也可以基于其他基准来判断加工工艺的好坏。
另外，切断结果16是对切断加工的异常进行分等级地评价的结果，被分类为：加工没有异常的情况下的1个模式、和加工有异常的情况下的异常原因的模式数的n个模式之和即n+1个模式。作为异常原因的种类，例如，可列举余隙的偏离、工具的磨耗、屑片、毛刺高度、残渣堵塞、模具的设置错误等不良原因。
基于图11来说明对切断加工的异常进行分等级地分类的切断结果16的一例。图11是表示切断结果16的一例的图。在图11所示的例子中，作为异常原因，可评价工具磨耗的大小、屑片的最大宽度、毛刺高度、残渣堵塞、以及余隙偏离的大小。如图11所示，将各异常原因的程度分类为3个等级，设为标签1～3。即，标签1表示没有异常，标签2表示黄信号、即需要注意，标签3表示有异常。
具体地，如果工具的磨耗小于R20μm，则评价为无异常，赋予标签1。如果工具的磨耗为R20μm以上且小于R25μm，则评价为黄信号，赋予标签2。如果工具的磨耗为R25μm以上，则评价为有异常，赋予标签3。此外，在没有或实质上没有残渣堵塞的情况下，评价为无异常，赋予标签1。在实质上有残渣堵塞的情况下，评价为有异常，赋予标签3。在此，实质上没有或有残渣堵塞，是表示没有或有引起异常的程度的残渣堵塞。
另外，在图11所示的例子中，用数值(标量)来评价工具磨耗的大小、屑片的最大宽度、毛刺高度、以及余隙偏离的大小，并基于该数值分类为多个等级，但并不限于此。例如，电可以是以两个等级(有无各异常原因所引起的异常)来评价工具磨耗、屑片、毛刺、以及余隙偏离。此外，也可以将工具磨耗的大小、屑片的最大宽度、毛刺高度、以及余隙偏离的大小的数值本身作为切断结果16。
即，切断结果16按异常原因的每个种类分等级地或者数值性地表示切断加工的异常程度。切断结果16只要包含一个种类以上的异常原因即可。
在图2中示出表示由在本公开的实施方式中使用的评价系统1的学习处理部3进行的学习步骤的概要的原理框图。将从数据集组14提取的数据集(状态变量12以及切断结果16)中的输入数据即基于切断中的物理量15的状态变量12输入到评价模型11。通过损失函数18来计算从评价模型11输出的切断评价结果13和从数据集组14提取的切断结果16的误差17。然后，根据该误差17来进行基于最优化算法19的评价模型11的权重系数的更新。基于该一连串动作的权重系数的更新使用蓄积于数据集组14的全部的数据集来进行。详细地，直到全部数据集组14中的全部切断结果16与通过评价模型11推测的切断评价结果13的差分之和即误差17收敛为最小为止，反复进行使用了全部数据集组14的评价模型11的权重系数的更新来进行学习。作为适合导出误差17的损失函数18，评价模型11按前述的异常原因的每个模式进行分类并输出切断评价结果13，因此期望使用作为适于分组分类的算法的损失函数的交叉熵误差。此外，作为用于最优化算法19的方法，期望使用最陡下降法、RMSprop。
在此，使用图11的切断结果16的例子来说明具体的误差的算出方法。如图11所示，在切断结果16包含多种异常原因的情况下，使用与多种异常原因分别建立对应的多个评价模型11。即，使用数目与异常原因的种类相同的评价模型11。
如图11所示，在对切断结果16进行分等级地评价的情况下，切断结果16以及切断评价结果13用产生各标签的现象的概率来表示。例如，在针对某种异常原因的切断结果16(实际测量值)为标签1的情况下，该切断结果16用[1 0 0]来表示。此外，在针对某种异常原因的切断评价结果13(预测值)中，标签1的概率为0.2、标签2的概率为0.7、标签3的概率为0.1的情况下，该切断评价结果13用[0.2 0.7 0.1]来表示。
在对切断结果16进行分等级地评价的情况下，如上述那样，作为损失函数18，使用下述式(1)的交叉熵误差。在获得上述的实际测量值[100]以及预测值[0.20.70.1]的情况下，使用下述的式(1)，如下述式(2)所示那样算出误差17。
[数学式1]
E＝-Σktklog(yk)…式(1)
[数学式2]
E＝-(1log0.2+0log0.7+0log0.1)…式(2)
另外，在对切断结果16进行数值性地评价的情况下，作为损失函数18，也可以使用下述的式(3)所示的均方误差。例如，在毛刺高度的实际测量值为13μm、预测值为18μm的情况下，也可以使用下述的式(3)，如下述式(4)所示那样算出误差17。另外，也可以取代均方误差而使用能够导出两个标量值的误差的其他函数。
[数学式3]
Figure BDA0002377057970000091
[数学式4]
Figure BDA0002377057970000092
这样，按照异常原因的每个种类算出误差17，并根据算出的误差17来进行基于最优化算法19的、与各异常原因建立了对应的评价模型11的权重系数的更新。
学习步骤能够与加工并行地实施。即，能够在加工中实时地通过学习来推进评价模型11的最优化。但是，数据集组14不需要实际测量中的切断结果16。因而，优选地，期望在作为可获得所输入的状态变量12和通过实际测量获得的切断结果16的定时的、切断加工结束后进行学习步骤。
为了通过学习步骤来有效地进行评价模型11的最优化，数据集组14的输入数据与输出数据之间需要有强烈的关联(相关关系)。在对评价系统1进行最优化时，要求将基于与加工异常有强烈的相关的物理量15的状态变量12适当选定为输入。作为该与加工异常有强烈的相关的状态变量12的例子，以下说明切断载荷和加工质量的相关、切断加工中产生的声音和加工质量的相关、以及加工温度和加工质量的相关。
在图3中示出例示在本公开的实施方式中使用的切断载荷(剪切载荷)和加工质量的相关的一般的切断载荷-冲头行程线图。切断载荷-冲头行程线图是指，将纵轴设为在工件切断时产生的剪切载荷并将横轴设为工件切断时的冲头行程的线图。在该切断载荷-冲头行程线图中示出切断载荷的推移存在5个过程。
图3的点31到点32的区间一般被称为压缩变形过程，是工件被冲头和冲模压缩而产生下垂并咬入冲模和冲头这两方的工具的状态。例如，在工具有磨耗的情况下，可预想向工件的咬入少而直至移动到接下来的剪切变形过程为止需要大的冲头行程(以下也简称为“行程”)。
图3的点32到点33的区间一般被称为剪切变形过程，是在工件产生滑动变形并在工件产生弯曲，在工件产生弯曲力矩和拉伸力的状态。一般地，冲模和冲头的余隙(以下在仅称作“余隙”的情况下是指冲模和冲头的余隙)越大，产生于工件的弯曲力矩越大，因此在余隙过大的情况下，可预想在该区间产生于工件的强的弯曲力矩作用于冲模的内壁(冲模孔)从而切断载荷增加。反之，在余隙过小的情况下，可预想作用于冲模的内壁的弯曲力矩减少从而切断载荷减少。
图3的点33到点34的区间一般被称为龟裂生长过程，在工件产生龟裂，剪切载荷开始减少。一般地，余隙越大，龟裂的产生时期越早。因而，在余隙过大的情况下，可预想直至到达该区间的冲头行程比通常少。即，若余隙过大，则以少的行程到达龟裂生长过程。
图3的点34到点35的区间一般被称为断裂分离过程，是从工件的两个工具(冲头以及冲模)侧发展的龟裂汇合从而工件分离(断裂)的过程。一般，在余隙少的情况下，龟裂有可能停止而产生二次剪切，因此在余隙过小的情况下会产生二次剪切。因而，可预想在该区间中线图具有多个斜率。
图3的点35以后的区间是在切断加工完成之后冲头在冲模中通过的过程。在冲头、冲模处凝集了工件的切断屑的情况或者冲头和冲模的配置偏离而冲头与冲模接触的情况等下，可预想尽管在冲裁了工件之后依然残留切断载荷。
此外，可预想图3的点31到点35的区间的冲头的行程量与工件厚度相关，可预料在工件厚度比假想厚的情况下点31到点35的行程量增加，在工件厚度比假想薄的情况下点31到点35的行程量减少。因而，可预料能够根据冲头的行程量探测例如工件厚度不同的情况下的异常。
在图4中示出例示在本公开的实施方式中使用的切断加工中产生的声音(加工声音)和加工质量的相关的一般的声音-时间线图。纵轴是工件切断时产生的加工声音的增益，横轴是从冲头构件开始移动的时间点起的时间，示出在切断的过程中存在两个峰值。点36的峰值是在冲孔模板按压工件的瞬间产生的声音所引起的峰值，点37的峰值是在工件被冲头按入切断之际、即从冲头与工件接触起到工件的切断完成为止的期间产生的声音所引起的峰值。
在点36和点37之间存在峰值的情况下，可预想冲头与设置于冲孔模板的区划出引导冲头的引导件的壁面滑动接触，较早地推进了冲头的磨耗。
在点37的峰值高的情况下，在工件产生了龟裂的可能性高，可预想工件成为不良品。
在点37的后面存在峰值的情况下，可预想冲头与冲模的内壁(冲模孔)摩擦，较早地推进了冲头以及冲模的磨耗。
在图5中示出例示在本公开的实施方式中使用的温度和加工质量的相关的一般的加工温度-时间线图。纵轴是工件切断时产生的加工温度，横轴是从加工开始起的时间，仅在切断时(即，从冲头与工件接触起到工件的切断完成为止的期间)，加工温度产生点38的峰值。
在加工温度中的点38的峰值高的情况下，由于加工所需的能量高，因此可预想对冲头以及冲模施加必要以上的负荷，冲头以及冲模的寿命较早地下降。
通过如以上那样捕捉切断载荷-行程线图、加工声音-时间线图、加工温度-时间线图的特征，从而能够期待能确定切断加工中的异常的有无以及原因。因而，期望切断加工评价系统1中的评价模型11是能够捕捉状态变量12(切断载荷、加工声音、加工温度等)的特征的模型，优选期望使用应用于图像识别的算法的卷积神经网络的模型。
在图6中示出在本公开的实施方式中应用于评价模型11的卷积神经网络51的结构图。首先，状态变量12被输入到输入层52，在卷积层53中，例如在图3的切断载荷-冲头行程线图中，在各种各样的对象数据以及数据位置，反复进行捕捉点31到点32所示的压缩变形过程的区间的曲线的曲率、点34到点35所示的断裂分离过程的斜率等状态变量12的局部的数据的特征的动作。由此，通过卷积层53提取状态变量12整体的特征。其次，在池化层54中，进行处理，以使得由卷积层53提取的特征变得显著。最后，在全连接层55中，使用由池化层54归纳的特征进行分类，并将结果输出到输出层56。
这样，卷积神经网络51是善于掌握并分类输入数据的特征的模型。因而，通过将卷积神经网络51应用于在图3中说明的评价模型11，从而具有如下效果，即，状态变量12的特征的掌握能力提高，作为输出的切断评价结果13的精度大幅提高。
在图7中示出表示应用了在本公开的实施方式中使用的切断加工评价系统1的切断加工装置101的概要的整体图。在切断加工装置101中，工件(省略图示)被设置在冲模102上，被冲孔模板107按压，并且通过下降的冲头103向冲模102的内径(冲模孔102a)中冲裁。此外，在切断加工装置101中，作为对在切断工件之际产生的物理量15进行测定的传感器，设置有载荷传感器151、声音传感器152、位置传感器153以及温度传感器154。具备这些传感器151、152、153、154和后述的控制部112从而构成了切断加工评价系统1。
载荷传感器151优选以高的灵敏度来测定冲头103对设置在冲模102上的工件进行冲裁的载荷(切断载荷)。因而，希望将载荷传感器151设置在设置有冲模102的基座108的正下方。具体的载荷传感器151的个数优选为2～4个，为使切断载荷可靠地分配给全部的载荷传感器151，最佳的是3个。关于载荷传感器151的位置，期望载荷传感器151被等间隔配置且载荷传感器151一点也不从基座108的下表面突出。作为载荷传感器151，期望高速下的测定(响应快的测定)，因此期望石英压电式传感器，进一步希望不仅是铅垂方向还能够测定水平方向的切断载荷的3分量载荷传感器。
期望声音传感器152不探测在切断时产生的声音以外的声音，因此期望设置在冲孔模板107的正上方。作为具体的位置，为了靠近冲头103，期望声音传感器152不从冲孔模板107的上表面突出。作为声音传感器152，由于冲孔模板107上的空间窄，因此期望直径为6mm以下的麦克风、AE(Acoustic emission，声发射)传感器。
位置传感器153对上部基座109的下降量进而冲头行程进行测定。期望位置传感器153设置在不易受到切断加工中产生的振动的影响的部位。因而，期望设置在装置覆盖件110的内侧。具体地，期望将位置传感器153设置在冲头103位于下死点的状态下从上部基座109向内侧离开0.5mm的位置。作为位置传感器153，若在测定下降的构件(上部基座109)的位置的基础上还考虑上部基座109成为非金属材料的可能性，则期望非接触式的静电电容传感器。
优选温度传感器154对冲头103附近的加工温度进行测定。因而，期望温度传感器154以埋入冲头板111中的方式设置为传感器前端(检测端)朝向加工点(换言之为冲模孔102a)。具体地，为了防止切断加工时与冲孔模板107的接触，优选将温度传感器154配置为温度传感器154的前端从冲头板111的下表面突出的长度为5mm以内。此外，在温度传感器154为辐射式的温度计的情况下，为了精度良好地测定加工温度，希望温度传感器154相对于铅垂方向的角度为10度以内。温度传感器154由于在极其窄的空间设置于冲头103的附近，因此需要防止在切断加工中温度传感器154和冲头103接触。因而，对于温度传感器154，期望辐射式的温度传感器。
切断加工装置101还具有控制部112。该控制部112具备作为切断加工评价系统1的学习装置的功能。
使用图1以及图8来说明控制部112。图8是与本公开的实施方式的控制部112有关的功能框图。
如图8所示，控制部112具备学习部104、存储部105以及计算部106。
计算部106获取基于切断时从载荷传感器151、声音传感器152、位置传感器153以及温度传感器154分别获取到的信息(物理量15)的状态变量12。即，计算部106具备作为图1所示的输入处理部2的功能。计算部106使用评价模型11来输出切断评价结果13。即，计算部106具备作为输出处理部4的功能。在工件的切断之后，在切断时输入到计算部106的状态变量12和切断结果16作为数据集而依次蓄积于存储部105。即，存储部105具有作为数据集组14的功能。学习部104基于蓄积于存储部105的全部数据集(数据集组14)来执行评价模型11的学习，并将学习完毕的评价模型11反馈给计算部106。即，学习部104、存储部105以及计算部106协作而作为学习处理部3发挥功能。
图9是表示本实施方式所涉及的学习装置21所执行的学习步骤的流程图。如图9所示，学习处理部3从数据集组14中提取状态变量12以及切断结果16被建立了对应的数据集(S1)。学习处理部3使用评价模型11来确定相对于提取出的数据集中包含的状态变量12的切断评价结果13(S2)。学习处理部3根据提取出的数据集中包含的切断结果16以及确定出的切断评价结果13来算出误差(S3)。学习处理部3基于算出的误差来更新评价模型11(S4)。学习处理部3判定算出的误差是否收敛为最小(S5)。在误差未收敛为最小的情况下(S5中否)，学习处理部3再次执行上述S1～S4的处理。另一方面，在误差收敛为最小的情况下，学习处理部3结束学习步骤。
图10是表示本实施方式所涉及的切断加工评价系统1所执行的评价步骤的流程图。如图10所示，输入处理部2获取各传感器151～154所测定的物理量15(S11)。输入处理部2基于获取到的物理量15来生成状态变量12(S12)。输出处理部4输出通过向评价模型11输入状态变量12而得到的切断评价结果13(S13)。
本公开的切断加工评价系统具备：对与切断加工有关的物理量进行测定的传感器、学习装置、和使用由所述学习装置更新后的所述评价模型来导出所述评价的输出处理部。
根据本公开的学习装置以及切断加工评价系统，能够使用基于与切断加工有关的物理量的状态变量，通过评价模型来进行加工质量的评价，进而更新评价模型。因此，能够精度良好地对加工质量进行评价。
产业上的可利用性
根据本公开，能够使用评价模型精度良好地进行加工质量的评价，并且，通过更新评价模型从而能够实现不依赖于熟练度的加工的异常预知。因此，可预料对异常的早期应对所带来的不良数的减少、以及装置的停机时间降低所带来的生产率的提高。

Claims (4)

1.一种学习装置，具备：
输入处理部；和
学习处理部，
所述输入处理部获取与切断加工有关的物理量，并将基于所述物理量的状态变量输入到所述学习处理部，
所述学习处理部基于所计测的切断结果来更新评价模型，该评价模型基于所述状态变量而导出所述切断加工的评价。
2.根据权利要求1所述的学习装置，其中，
所述切断加工是用冲头对工件进行冲裁的冲裁加工，
作为所述状态变量，所述输入处理部获取在所述冲裁加工时作用于所述工件的载荷、由所述冲裁加工而产生的声音、由所述冲裁加工而产生的振动、所述冲裁加工之际的剪切速度、所述冲头与冲模之间的余隙、以及所述冲裁加工时的所述工件的温度当中的至少一个。
3.一种切断加工评价系统，具备：
传感器，测定与切断加工有关的物理量；
权利要求1所述的学习装置；和
输出处理部，使用由所述学习装置更新后的所述评价模型来导出所述评价。
4.根据权利要求3所述的切断加工评价系统，其中，
所述切断加工是用冲头对工件进行冲裁的冲裁加工，
作为所述传感器，具备对在所述冲裁加工时作用于所述工件的载荷进行测定的载荷传感器、对由所述冲裁加工而产生的声音进行测定的声音传感器、以及对所述冲头的位置进行测定的位置传感器当中的至少一个。
CN202010073091.7A 2019-02-07 2020-01-21 学习装置以及切断加工评价系统 Pending CN111538235A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2019020615 2019-02-07
JP2019-020615 2019-02-07
JP2020-001388 2020-01-08
JP2020001388A JP2020127968A (ja) 2019-02-07 2020-01-08 学習装置および切断加工評価システム

Publications (1)

Publication Number Publication Date
CN111538235A true CN111538235A (zh) 2020-08-14

Family

ID=71946470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010073091.7A Pending CN111538235A (zh) 2019-02-07 2020-01-21 学习装置以及切断加工评价系统

Country Status (2)

Country Link
US (1) US11402810B2 (zh)
CN (1) CN111538235A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040007041A1 (en) * 2002-07-10 2004-01-15 Peter Imgrut Crimping press with contact feed
JP2005219173A (ja) * 2004-02-06 2005-08-18 Yasushi Fukuzawa 打ち抜き加工診断方法及び打抜機の制御方法
US20060095059A1 (en) * 2004-10-15 2006-05-04 Baxano, Inc. Devices and methods for tissue modification
CN107229252A (zh) * 2016-03-24 2017-10-03 发那科株式会社 判定工件合格与否的加工机械系统
US20200068909A1 (en) * 2018-08-31 2020-03-05 John Bean Technologies Corporation Portioning accuracy analysis
US20200166909A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
US20200276680A1 (en) * 2018-02-21 2020-09-03 Lantern Holdings, LLC High-precision kickback detection for power tools

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3319786B2 (ja) 1992-09-02 2002-09-03 株式会社小松製作所 プレスのブレークスルー緩衝装置およびその制御方法
JPH0721216U (ja) 1993-01-20 1995-04-18 村田機械株式会社 パンチプレス
JP3231536B2 (ja) 1993-02-25 2001-11-26 トヨタ自動車株式会社 プレス機械の異常診断方法
US6438430B1 (en) * 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US8065244B2 (en) * 2007-03-14 2011-11-22 Halliburton Energy Services, Inc. Neural-network based surrogate model construction methods and applications thereof
US8866936B2 (en) * 2008-07-24 2014-10-21 Florida State University of Research Foundation Systems and methods for training an active random field for real-time image denoising
US10776691B1 (en) * 2015-06-23 2020-09-15 Uber Technologies, Inc. System and method for optimizing indirect encodings in the learning of mappings
JP2017138881A (ja) 2016-02-05 2017-08-10 ファナック株式会社 操作メニューの表示を学習する機械学習器，数値制御装置，工作機械システム，製造システムおよび機械学習方法
JP6542713B2 (ja) 2016-06-09 2019-07-10 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御装置および機械学習方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040007041A1 (en) * 2002-07-10 2004-01-15 Peter Imgrut Crimping press with contact feed
JP2005219173A (ja) * 2004-02-06 2005-08-18 Yasushi Fukuzawa 打ち抜き加工診断方法及び打抜機の制御方法
US20060095059A1 (en) * 2004-10-15 2006-05-04 Baxano, Inc. Devices and methods for tissue modification
CN107229252A (zh) * 2016-03-24 2017-10-03 发那科株式会社 判定工件合格与否的加工机械系统
US20200276680A1 (en) * 2018-02-21 2020-09-03 Lantern Holdings, LLC High-precision kickback detection for power tools
US20200068909A1 (en) * 2018-08-31 2020-03-05 John Bean Technologies Corporation Portioning accuracy analysis
US20200166909A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning

Also Published As

Publication number Publication date
US11402810B2 (en) 2022-08-02
US20200254501A1 (en) 2020-08-13

Similar Documents

Publication Publication Date Title
JP2020127968A (ja) 学習装置および切断加工評価システム
US9378183B2 (en) Monitoring diagnostic device and monitoring diagnostic method
CN101911272B (zh) 用于超声波键合的方法和设备
JP6680430B1 (ja) 生産ラインにおける品質と設備の統合的監視方法
USRE47557E1 (en) Method and computer system for characterizing a sheet metal part
CN116560327B (zh) 一种基于物联网的电动工具生产控制方法及系统
CN113901596A (zh) 利用冲压仿真模型形成冲压部件的方法和系统
JP7229139B2 (ja) 工作機械のツール摩耗診断装置
CN114925752A (zh) 基于物联网的线切割机床板材切割异常监测方法
CN114161227B (zh) 一种基于仿真特征和信号特征融合的刀具磨损量监控方法
CN115249040A (zh) 用于监测冲压过程的装置和方法
CN111538235A (zh) 学习装置以及切断加工评价系统
CN116307938B (zh) 一种加工中心进给系统健康状态评估方法
JP7271872B2 (ja) 異常判定装置、異常判定システムおよび異常判定方法
JP6915763B1 (ja) 異常診断システム及び異常診断方法
CN115193980A (zh) 用于预处理冲压过程中检测到的状态变量的装置和方法
JP7236886B2 (ja) 異常検知装置、異常検知方法、及び異常検知システム
US20230394195A1 (en) Estimation model generation device and tool lifetime estimation device
US20230393026A1 (en) Estimation model generation device and tool lifetime estimation device
Schenek et al. Application of a neural network for predicting cutting surface quality of punching processes based on tooling parameters
JP2022134738A (ja) 学習済み判定基準生成方法、プレス加工結果判定器生成方法、プレス加工結果推定方法、学習済み判定基準生成装置、およびプレス加工結果判定器
CN117806231B (zh) 一种基于物联网的机床运行加工控制系统及方法
Niessner et al. A data-driven methodology for separately quantifying the effects of tool wear of upper and lower tool on the quality of cut surfaces in shear cutting processes
Doolan et al. Use of image recognition techniques in the analysis of sheet metal forming force signature curves
CN117313951B (zh) 一种多传感器融合的柔性去毛刺管理方法及系统

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