CN111687652A - 握持力调整装置以及握持力调整系统 - Google Patents

握持力调整装置以及握持力调整系统 Download PDF

Info

Publication number
CN111687652A
CN111687652A CN202010177806.3A CN202010177806A CN111687652A CN 111687652 A CN111687652 A CN 111687652A CN 202010177806 A CN202010177806 A CN 202010177806A CN 111687652 A CN111687652 A CN 111687652A
Authority
CN
China
Prior art keywords
workpiece
data
learning
jig
machining
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.)
Granted
Application number
CN202010177806.3A
Other languages
English (en)
Other versions
CN111687652B (zh
Inventor
尾关真一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN111687652A publication Critical patent/CN111687652A/zh
Application granted granted Critical
Publication of CN111687652B publication Critical patent/CN111687652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • 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
    • 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
    • B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
    • B23Q3/02—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine for mounting on a work-table, tool-slide, or analogous part
    • B23Q3/06—Work-clamping means
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49132—Control fixed clamping force
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49133—Variable chuck clamping force as function of spindle speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)
  • Machine Tool Sensing Apparatuses (AREA)
  • Jigs For Machine Tools (AREA)
  • Gripping On Spindles (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供握持力调整装置以及握持力调整系统。握持力调整装置是在工件的加工过程中考虑加工状态、工件状态来设定更适当的握持力的装置，其取得表示机床的加工状态的数据以及与夹具对工件的握持状态有关的数据，并根据所取得的这些数据，生成用于机器学习的数据。然后，根据所生成的该数据，执行机床对工件进行加工的环境中与夹具对工件的握持力有关的机器学习处理。

Description

握持力调整装置以及握持力调整系统
技术领域
本发明涉及一种握持力调整装置以及握持力调整系统。
背景技术
当通过机床等对工件进行加工时，用虎钳、卡盘等夹具来握持并固定成为加工对象的工件，并通过工具加工所固定的工件。这时，如果减小夹具的握持力，则夹具的握持力可能会小于工件加工过程中从工具受到的切削力，从而导致工件移动或振动，降低工件的加工精度。此外，当水平固定工件时，工件还可能因不敌自身质量而移动。另一方面，如果增加夹具的握持力而使工件不移动，也可能会因该握持力而导致工件发生变形、翘曲或工件被卡盘爪等损坏，从而降低工件的加工精度。因此，有必要适当地设定使夹具握持工件时的握持力，以使其强到不低于切削力的程度，同时又不会弱到导致工件发生变形的程度。以往，这种握持力的设定依赖于熟练作业人员的经验。
此外，在日本特开2001-246511号公报中，公开了一种无误差地测定通过夹具握持住工件时的握持力，并检测工件因该握持力而产生的变形的技术。
但是，适当地设定使夹具握持工件时的握持力的作业存在如下问题，即，对于作业人员来说，增加了加工前要进行的作业从而增添负担。此外，用于测定工件握持力的技术通常是测定工件停止时的握持力，例如，在一边旋转工件一边使用切削工具对工件进行切削的车床加工中，存在如下问题，即，由于工件旋转时产生的离心力等施加到夹具上从而导致握持力降低，因此即使在停止过程中设定了刚刚好的握持力，在加工过程中工件也会移动。
发明内容
因此，期望有一种能够在工件的加工过程中考虑加工状态、工件状态来设定更适当的握持力的握持力调整装置以及握持力调整系统。
本发明的一个方式的握持力调整装置是一种调整在加工工件的机床中用于固定该工件的夹具对该工件的握持力的装置，其具备：数据取得部，其至少取得表示上述机床的加工状态的数据以及与上述夹具对上述工件的握持状态有关的数据；预处理部，其根据上述数据取得部取得的数据，生成用于机器学习的数据；机器学习装置，其根据上述预处理部生成的数据，执行上述机床对上述工件进行加工的环境中与上述夹具对上述工件的握持力有关的机器学习处理。
上述预处理部还可以生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，上述标签数据至少包括表示上述夹具对工件的握持力的适当与否的握持力适当与否数据。并且，上述机器学习装置还可以具备学习部，该学习部根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力的适当与否相关联的学习模型。
上述预处理部还可以生成状态数据作为用于上述机器学习装置进行推定的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息。并且，上述机器学习装置还可以具备：学习模型存储部，其存储将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力的适当与否相关联的学习模型，以及推定部，其根据上述状态数据，使用了存储在上述学习模型存储部中的学习模型推定上述夹具对上述工件的握持力的适当与否。此外，上述握持力调整装置还可以具备握持力决定部，该握持力决定部搜索上述推定部推定为良好的最小的上述工件的握持力，并将搜索到的上述工件的握持力决定为上述夹具对上述工件的握持力。
上述预处理部还可以生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；以及加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息，上述标签数据至少包括含有与上述夹具对上述工件的握持力有关的信息的适当握持力数据。并且，上述机器学习装置还可以具备学习部，该学习部根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力相关联的学习模型。
上述预处理部还可以生成状态数据作为用于上述机器学习装置进行推定的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；以及加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息。并且，上述机器学习装置还可以具备：学习模型存储部，其存储将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力相关联的学习模型，以及推定部，其根据上述状态数据，使用了存储在上述学习模型存储部中的学习模型推定上述夹具对上述工件的握持力。此外，上述握持力调整装置还可以具备握持力决定部，该握持力决定部根据上述推定部的推定结果，决定上述夹具对上述工件的握持力。
上述预处理部还可以生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，上述标签数据至少包括表示上述夹具对上述工件的握持力的适当与否的握持力适当与否数据。并且，上述机器学习装置还可以具备学习部，该学习部具备：第一学习部，其根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力的适当与否相关联的第一学习模型；以及第二学习部，其根据使用了由上述第一学习部生成的第一学习模型的推定处理的结果，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力相关联的第二学习模型。
上述预处理部还可以生成状态数据和判定数据作为用于上述机器学习装置进行强化学习的数据，上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，上述判定数据至少包括用于判定是否能够通过上述夹具固定上述工件的固定力判定数据和用于判定因上述夹具造成的工件变形的精度判定数据。并且，上述机器学习装置还可以具备：学习部，其根据上述状态数据和上述判定数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力的调整行为相关联的学习模型；以及决策部，其根据上述状态数据，使用了由上述学习部生成的学习模型决定上述夹具对上述工件的握持力的调整。此外，上述握持力调整装置还可以具备握持力决定部，该握持力决定部根据上述决策部的决定，来决定上述夹具对上述工件的握持力。
基于本发明的另一个方式的握持力调整系统是由多个装置经由网络相互连接而成的系统，上述多个装置包括上述握持力调整装置即第一握持力调整装置。
上述系统中的多个装置包括具备机器学习装置的计算机，上述计算机取得通过上述第一握持力调整装置的上述学习部的学习而生成的至少一个学习模型，此外，上述计算机具备的机器学习装置能够执行基于所取得的上述学习模型的优化或高效化。
上述系统中的多个装置还包括与上述第一握持力调整装置不同的第二握持力调整装置，上述第一握持力调整装置具备的学习部的学习结果可以与上述第二握持力调整装置共享。
上述系统中的多个装置还包括与上述第一握持力调整装置不同的第二握持力调整装置，在上述第二握持力调整装置中观测到的数据可以经由上述网络用于上述第一握持力调整装置具备的学习部的学习中。
根据本发明的一个方式，能够进行考虑到工件加工中的主轴转速或进给速度、进刀量等加工条件或工件的材质、形状等的、适当的夹具对工件的握持力的调整。
附图说明
图1是一个实施方式的握持力调整装置的硬件结构示意图。
图2是第一实施方式(以及第三实施方式)的控制装置的概要功能框图。
图3是第二实施方式的握持力调整装置的概要功能框图。
图4是对握持力决定部的动作进行说明的图。
图5是第四实施方式的握持力调整装置的概要功能框图。
图6是第五实施方式的握持力调整装置的概要功能框图。
图7是第六实施方式的握持力调整装置的概要功能框图。
图8是表示包括云服务器、雾计算机、边缘计算机的三层结构的系统例的图。
图9是安装在计算机上的状态下的握持力调整装置的硬件结构示意图。
图10是第七实施方式的握持力调整系统的结构示意图。
图11是第八实施方式的握持力调整系统的结构示意图。
图12是第九实施方式的握持力调整系统的结构示意图。
具体实施方式
图1是表示一个实施方式的具备机器学习装置的握持力调整装置的主要部分的硬件结构示意图。
本实施方式的握持力调整装置1例如可以安装在用于控制机床的控制装置上，此外，也能够作为与用于控制机床的控制装置并列设置的个人计算机、经由有线/无线网络与该控制装置相连接的管理装置、边缘计算机、雾计算机、云服务器等计算机来安装。本实施方式的握持力调整装置1安装在用于控制机床的控制装置上。
本实施方式的握持力调整装置1具备的CPU11是对握持力调整装置1进行整体控制的处理器。CPU11经由总线20读出存储在ROM12中的系统程序，并根据该系统程序整体控制握持力调整装置1。将临时计算数据、显示数据、以及由操作员经由未图示的输入部输入的各种数据等临时存储到RAM13中。
非易失性存储器14构成为例如通过未图示的电池进行备份等，即使在握持力调整装置1的电源切断时也能够保持存储状态的存储器。非易失性存储器14中存储有：经由接口15从外部设备72读取的程序；经由显示器/MDI单元70输入的程序；从握持力调整装置1的各部分、机床、夹具3等取得的各种数据(例如，工具的种类等与工具有关的信息、主轴转速、进给速度、进刀量等与切削条件有关的信息、用于驱动各轴的电动机的电压值/电流值、粗加工或精加工等与加工工序有关的信息、工件材质、工件形状等与工件有关的信息、夹具的类别或夹具的握持力等与夹具有关的信息等)。非易失性存储器14中存储的程序或各种数据在执行时/使用时也可以扩展到RAM13。此外，在ROM12中，预先写入了公知的解析程序等各种系统程序(包括后述的用于控制与机器学习装置100之间的信息交换的系统程序)。
接口15是用于连接握持力调整装置1和适配器等外部设备72的接口。从外部设备72侧读取程序、各种参数等。此外，在握持力调整装置1内编辑的程序、各种参数等可以经由外部设备72存储到外部存储单元中。可编程机床控制器(PMC)16通过内置于握持力调整装置1中的顺控程序，在机床和夹具3等这样的该机床的周边装置之间，经由I/O单元17执行并控制信号的输入输出。
夹具3是例如虎钳、卡盘等，用于握持并固定由机床加工的工件的装置。握持力调整装置1通过从PMC16输出的信号来调整夹具3对工件的握持力。此外，夹具3经由PMC16将夹具3对工件的握持力等信息传递给CPU11。
显示器/MDI单元70是具备显示屏、键盘等的手动数据输入装置。接口18接收来自显示器/MDI单元70的键盘的指令、数据，并将其传递给CPU11。接口19与具备手动驱动各轴时使用的手动脉冲发生器等的操作盘71相连接。
用于控制机床的各轴的轴控制电路30接收来自CPU11的轴的移动指令量，并将轴的指令输出到伺服放大器40。伺服放大器40接收到该指令后，驱动用于使机床具备的轴移动的伺服电动机50。轴的伺服电动机50内设有位置/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，并执行位置/速度的反馈控制。此外，尽管在图1的硬件结构图中，轴控制电路30、伺服放大器40和伺服电动机50均仅示出了一个，但实际上准备的个数与作为控制对象的机床所具备的轴数相同(例如，如果是具备直线三轴的机床，则各准备3个，如果是五轴加工机，则各准备5个)。
主轴控制电路60接收针对机床的主轴的主轴旋转指令，并向主轴放大器61输出主轴速度信号。主轴放大器61接收到该主轴速度信号后，使主轴的主轴电动机62以指令的旋转速度旋转，并驱动工具。主轴电动机62上连接有位置检测器63，位置检测器63与主轴的旋转同步地输出反馈脉冲，该反馈脉冲由CPU11读取。
接口21是用于连接握持力调整装置1和机器学习装置100的接口。机器学习装置100具备用于对机器学习装置100整体进行统一控制的处理器101、存储有系统程序等的ROM102、用于执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。机器学习装置100能够对可通过握持力调整装置1经由接口21取得的各信息(例如，工具的种类等与工具有关的信息、主轴转速、进给速度、进刀量等与切削条件有关的信息、用于驱动各轴的电动机的电压值/电流值、粗加工或精加工等与加工工序有关的信息、工件材质、工件形状等与工件有关的信息、夹具的类别或夹具的握持力等与夹具有关的信息等)进行观测。此外，握持力调整装置1接收从机器学习装置100输出的信息，并执行机床、夹具3的控制、在显示器/MDI单元70上的显示、或经由网络对其他装置(未图示)进行信息的发送等。
图2是基于第一实施方式的握持力调整装置1和机器学习装置100的概要功能框图。
本实施方式的握持力调整装置1具备机器学习装置100进行监督学习时所必要的结构(学习模式)。图2所示的各功能块通过由图1所示的握持力调整装置1具备的CPU11和机器学习装置100的处理器101执行各自的系统程序，控制握持力调整装置1和机器学习装置100的各部分的动作来实现。
本实施方式的握持力调整装置1具备控制部32、数据取得部34以及预处理部36。握持力调整装置1具备的机器学习装置100具备学习部110。此外，图1所示的非易失性存储器14上设置有存储从机床2、夹具3等取得的数据的取得数据存储部52，图1所示的机器学习装置100的非易失性存储器104上设置有存储通过学习部110进行的机器学习而构建的学习模型的学习模型存储部130。
控制部32通过图1所示的握持力调整装置1具备的CPU11执行从ROM12读出的系统程序来实现，且主要通过CPU11执行使用了RAM13、非易失性存储器14的运算处理以及通过轴控制电路30、主轴控制电路60以及PMC16的机床2和夹具3的控制处理来实现。控制部32根据图1所示的非易失性存储器14中存储的控制用程序54来控制机床2和夹具3的动作。控制部32具备用于控制机床2的各部分所必须的一般控制用功能，例如按照每个控制周期，对通过控制用程序54驱动机床2具备的各轴的伺服电动机50(图1)、主轴电动机(图1)输出移动指令等。此外，控制部32向夹具3输出调整工件握持力的指令。进一步地，控制部32从机床2和夹具3接收与机床2的加工状态以及夹具3对工件的握持状态有关的信息，并将其输出到数据取得部34。由控制部32从机床2和夹具3取得并输出到数据取得部34的数据，包括例如工具的种类等与工具有关的信息、主轴转速、进给速度、进刀量等与切削条件有关的信息、与用于驱动各轴的电动机的电压值/电流值有关的信息、粗加工或精加工等与加工工序有关的信息、工件材质、工件形状等与工件有关的信息、夹具的类别或夹具的握持力等与夹具有关的信息等。
数据取得部34通过由图1所示的握持力调整装置1具备的CPU11执行从ROM12读出的系统程序来实现，且主要通过CPU11执行使用了RAM13或非易失性存储器14的运算处理来实现。数据取得部34将从控制部32输入的与机床2的加工状态有关的数据和与夹具3对工件的握持状态有关的数据、由作业人员从显示器/MDI单元70输入的与针对夹具3对工件的握持力的评价有关的数据等存储到取得数据存储部52中。数据取得部34将从控制部32输入的与机床2的加工状态有关的数据以及与夹具3对工件的握持状态有关的数据和与针对夹具3对工件的握持力的评价有关的数据相关联，并将其作为取得数据存储到取得数据存储部52中。
预处理部36由图1所示的握持力调整装置1具备的CPU11执行从ROM12读出的系统程序来实现，且主要通过CPU11执行使用了RAM13或非易失性存储器14执行运算处理来实现。预处理部36根据数据取得部34取得的数据，生成用于机器学习装置100的机器学习的学习数据。预处理部36生成将数据取得部34取得的(并存储到取得数据存储部52中的)数据转换为(数值化、采样等)机器学习装置100中采用的统一格式后的学习数据。例如，当机器学习装置100执行监督学习时，预处理部36将该学习中预定格式的状态数据S和标签数据L的组作为学习数据而生成。
本实施方式的预处理部36生成的状态数据S中至少包括：工具数据S1，其包括与用于机床2对工件的加工的工具有关的信息；加工条件数据S2，其包括与机床2对工件的加工中的加工条件有关的信息；工件数据S3，其包括与由机床2加工的工件有关的信息；夹具数据S4，其包括与夹具3的类别有关的信息；加工工序数据S5，其包括与机床2对工件的加工工序有关的信息；以及握持力数据S6，其包括夹具3的握持力。
工具数据S1被定义为表示用于机床2对工件的加工的工具的类别、工具的材质的数据串。关于工具的类别，可以根据工具的形状或加工时的使用方法分类，例如车刀(バイト)、铣刀、钻头等，并分别用可唯一识别的数值来表示。此外，关于工具的材质，可以分别用可唯一识别的数值来表示例如高速钢、超硬合金等工具材质。工具数据S1可以通过取得由作业人员针对握持力调整装置1、机床2设定的与工具有关的信息，并根据所取得的与工具有关的该信息来生成。加工条件数据S2被定义为以在机床2对工件的加工中设定或指令的主轴转速、进给速度、进刀量等加工条件为元素的数据串。关于主轴转速、进给速度、进刀量等，使用以预定单位表示每个加工条件的值的数值即可。由于每个加工条件的值由控制用程序54指令，或被设定为控制用默认值，因此取得并生成这些值即可。
工件数据S3被定义为表示由机床2加工的工件的材质或加工过程中的工件的形状的数据串。关于工件的材质，可以分别用可唯一识别的数值来表示例如铝、铁等工件材质。关于加工过程中的工件的形状，既可以将工件的深度/宽度/高度的平均值表示为数据串，也可以更严密地设为基于CAD数据等表现工件形状的数据串。工件数据S3根据由作业人员针对握持力调整装置1、机床2设定的与工件有关的信息、加工开始前测定的工件的形状或从CAD/CAM装置取得的数据、通过解析控制用程序54得到的与加工的经过有关的数据等来生成即可。
夹具数据S4被定义为表示用于握持工件的夹具3的类别的数据串。关于夹具的类别，可以根据用于握持工件的结构来对夹具的种类进行分类，例如虎钳、卡盘等，并分别用可唯一识别的数值来表示。夹具数据S4基于由作业人员针对握持力调整装置1、机床2设定的与夹具3有关的信息或从夹具3取得的与该夹具3有关的制造信息等来生成即可。
加工工序数据S5被定义为表示机床2对工件的加工工序的数据。关于加工工序，可以分别用可唯一识别的数值来表示例如粗加工、半精加工(中仕上げ加工)、精加工等加工工序。加工工序数据S5基于加工开始前从CAD/CAM装置取得的数据、通过解析控制用程序54得到的与加工工序有关的数据等来生成即可。
握持力数据S6被定义为表示夹具3对工件的握持力的数据。关于夹具3对工件的握持力，既可以用预定单位的数值来表示从夹具3取得的握持力，也可以例如通过以多级(例如10级)表示的数值来表示从夹具3取得的握持力。握持力数据S6既可以取得由安装在夹具3上的转矩传感器(未图示)检测出的值，也可以根据用于驱动夹具3的电动机等的电流值/电压值等间接求出。
由预处理部36生成的标签数据L至少包括与表示在取得上述状态数据S的加工状态下，夹具3对工件的握持力是否充分的评价有关的数据即握持力适当与否数据L1。
握持力适当与否数据L1被定义为采用与表示夹具3对工件的握持力是否充分的评价有关的标签值的数据。握持力适当与否数据L1例如可以基于对机床2的工件加工情况进行观察的作业人员使用显示器/MDI单元70进行的输入操作来生成。该生成既可以通过作业人员在工件的加工过程中注意到工件有所移动后输入夹具3对工件握持力不充分来实现，也可以通过作业人员调整夹具3的握持力，并且在该状态下相同的加工状态持续了预定时间时，认定为调整后的夹具3对工件的握持力充分并生成握持力适当与否数据L1来实现。此外，握持力适当与否数据L1也可以在例如机床2的加工结束或预定工序告一段落时，使用测距传感器等测量工件的加工精度，并基于其测量结果来生成。例如，可以针对加工精度较差时的加工过程中取得的状态数据S生成表示握持力不充分的握持力适当与否数据L1。
学习部110通过由图1所示的握持力调整装置1具备的处理器101执行从ROM12读出的系统程序来实现，且主要通过处理器101执行使用了RAM13、非易失性存储器104运算处理来实现。本实施方式的学习部110执行使用预处理部36生成的学习数据的机器学习。学习部110生成通过公知的监督学习方法来学习针对机床2的加工状态和夹具3对工件的握持状态的、夹具3对工件的握持力的评价的学习模型，并将生成的学习模型存储到学习模型存储部130中。作为由学习部110执行的监督学习的方法，包括多层感知机(multilayerperceptron)算法、循环神经网络(recurrent neural network)法、长短期记忆网络(LongShort-Term Memory)法、卷积神经网络(convolutional neural network)法等。
本实施方式的学习部110生成将夹具3对工件的握持力的评价与机床2的加工状态以及夹具3对工件的握持状态相关联来进行学习的学习模型。学习部110使用从预处理部36输入的学习数据(状态数据S和握持力适当与否数据L1的组)来生成学习模型。由此，本实施方式的学习部110生成的学习模型在被赋予了机床2的加工状态和夹具3对工件的握持状态时，推定在这种状态下夹具3对工件的握持力是否充分。
此外，学习部110在学习阶段是必须的结构，但在由学习部110执行的夹具3对工件的握持力的评价的学习结束之后，则不一定为必须的结构。例如，在将完成学习后的机器学习装置100发货给顾客时，可以将学习部110卸下再发货。
具备上述结构的本实施方式的握持力调整装置1生成将夹具3对工件的握持力的评价与机床2的加工状态以及夹具3对工件的握持状态相关联来进行学习的学习模型。然后，后述的推定部120能够使用由此生成的学习模型，基于从机床2和夹具3取得的状态数据S，执行用于决定所取得的状态中更加适当的握持力所必要的推定处理。
作为本实施方式的握持力调整装置1的变形例，预处理部36除了工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4、加工工序数据S5和握持力数据S6之外，还可以生成表示在机床2对工件的加工过程中施加到工具(或工件)上的切削阻力的切削阻力数据S7，来作为状态数据S。切削阻力数据S7能够定义为例如表示在机床2对工件的加工过程中，施加到使工具和工件相对移动的各轴上的力的数据串。施加到使工具和工件相对移动的各轴上的力例如可以从安装在各轴上的转矩传感器取得，也可以根据用于驱动各轴的电动机的电压值/电流值等间接求出。通过在机器学习装置100的学习处理和推定处理中加入切削阻力数据S7，能够以更高的精度来学习工件加工时所必要的夹具3对工件的握持力，并能够将其活用到工件加工时所必要的夹具3对工件的握持力的推定中。
作为本实施方式的握持力调整装置1的另一个变形例，预处理部36还可以生成表示机床2的主轴位置的主轴位置数据S8作为状态数据。在机床2的工件加工中，对靠近工件的夹具3的位置进行加工的情况与对远离夹具3的位置进行加工的情况中，切削阻力对夹具3的影响程度会发生变化。因此，通过将主轴位置数据S8加入到用于学习的数据中，能够学习与夹具3对工具和工件的接触位置的工件的握持力有关的信息，并能够活用到工件加工时所必要的夹具3对工件的握持力的推定中。
图3是第二实施方式的握持力调整装置1和机器学习装置100的概要功能框图。
本实施方式的握持力调整装置1具备机器学习装置100在推定每个夹具3对工件的握持力的评价时所必要的结构(推定模式)。图3所示的各功能块通过由图1所示的握持力调整装置1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，并对握持力调整装置1和机器学习装置100的各部分动作进行控制来实现。
本实施方式的握持力调整装置1具备控制部32、数据取得部34、预处理部36以及握持力决定部38。握持力调整装置1具备的机器学习装置100具备推定部120。此外，在图1所示的非易失性存储器14上，设置有用于存储从机床2、夹具3等取得的数据的取得数据存储部52，在图1所示的机器学习装置100的非易失性存储器104上，设置有在第一实施方式中说明的用于存储通过学习部110的机器学习构建的学习模型的学习模型存储部130。
本实施方式的控制部32和数据取得部34分别与第一实施方式(图2)中的控制部32和数据取得部34具备同样的功能。
本实施方式的预处理部36在机器学习装置100使用学习模型推定每个夹具3对工件的握持力的评价的阶段，将数据取得部34取得的数据转换为(数值化、采样等)机器学习装置100中采用的统一格式，并生成用于机器学习装置100的推定的预定格式的状态数据S。本实施方式的预处理部36在生成状态数据S时，生成表示由握持力决定部38指令的针对夹具3指令的临时握持力的握持力数据S6。例如，预处理部36根据数据取得部34取得的数据，生成工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4和加工工序数据S5，还根据来自握持力决定部38的指令，生成表示向夹具3指令的临时握持力的握持力数据S6。在推定的初期，预处理部36也可以生成表示预先设定的握持力的握持力数据S6。
推定部120通过由图1所示的握持力调整装置1具备的处理器101执行从ROM102读出的系统程序来实现，且主要通过处理器101执行使用了RAM103或非易失性存储器104执行运算处理来实现。推定部120基于预处理部36生成的状态数据S，使用了学习模型存储部130中存储的学习模型执行每个夹具3对工件的握持力的评价的推定。在本实施方式的推定部120中，通过向学习部110生成的(参数已确定的)学习模型输入从预处理部36输入的状态数据S，推定并输出每个夹具3对工件的握持力的评价。由推定部120推定出的结果被输出到握持力决定部38。
握持力决定部38由图1所示的握持力调整装置1具备的CPU11执行从ROM12读出的系统程序，且主要通过处理器CPU11执行使用了RAM13或非易失性存储器14的运算处理来实现。握持力决定部38根据由推定部120推定出的每个夹具3对工件的握持力的评价的推定结果，来决定夹具3对工件的握持力。握持力决定部38参照从推定部120输出的握持力的评价的推定结果，当该推定结果显示“握持力充分”时，指令预处理部36生成将夹具3对工件的握持力降低一级的状态数据S。此外，握持力决定部38参照从推定部120输出的握持力的评价的推定结果，当该推定结果显示“握持力不充分”时，指令预处理部36生成将夹具3对工件的握持力提高一级的状态数据S。握持力决定部38重复这样的处理，搜索能够得到“握持力充分”这一推定结果的最小握持力，并将搜索到的握持力决定为夹具3对工件的握持力。
使用图4对握持力决定部38决定夹具3对工件的握持力的流程进行说明。
在图4的例子中，夹具3对工件的握持力可分十级调整。在决定夹具3对工件的握持力时，预处理部36首先生成包括表示预先设定的握持力(例如，最大值×1.0)的握持力数据S6的状态数据S。推定部120根据预处理部36生成的状态数据S，推定该工件的握持力的评价。这里，当推定部120输出“握持力充分”这一推定结果时，握持力决定部38指令预处理部36生成将握持力降低一级的状态数据S。预处理部36根据来自握持力决定部38的指令生成将握持力降低一级的状态数据S，并由推定部120基于所生成的状态数据S推定握持力的评价。该操作重复进行，当来自推定部120的评价从“握持力充分”变为“握持力不充分”时，握持力决定部38判断为在该时刻的前一阶段向预处理部36指令的工件握持力为适当的工件握持力(评价为“握持力充分”的最小工件握持力)，并将该握持力决定为夹具3对工件的握持力。
由握持力决定部38进行的工件握持力的搜索既可以如上所述那样从握持力的最大值开始搜索，也可以从握持力的最小值开始向上搜索，或者从握持力的中间值开始进行上下搜索。此外，还可以使用二分搜索等公知算法搜索握持力的最小值。
握持力决定部38在决定了夹具3对工件的握持力后，指令控制部32调整为所决定的握持力。
具备上述结构的本实施方式的握持力调整装置1能够将夹具3对工件的握持力调整为可充分固定工件且最小的力。
作为本实施方式的握持力调整装置1的变形例，预处理部36除了工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4、加工工序数据S5和握持力数据S6之外，还可以生成表示在机床2对工件的加工过程中施加到工具(或工件)上的切削阻力的切削阻力数据S7，来作为状态数据S。切削阻力数据S7能够定义为例如表示在机床2对工件的加工过程中，施加到使工具和工件相对移动的各轴上的力的数据串。施加到使工具和工件相对移动的各轴上的力例如可以从安装在各轴上的转矩传感器取得，也可以根据用于驱动各轴的电动机的电压值/电流值等间接求出。通过在机器学习装置100的学习处理和推定处理中加入切削阻力数据S7，能够更高精度地推定工件加工时所必要的夹具3对工件的握持力。
作为基于本实施方式的握持力调整装置1的另一个变形例，预处理部36还可以生成表示机床2的主轴位置的主轴位置数据S8作为状态数据S。在机床2的工件加工中，对靠近工件的夹具3的位置进行加工的情况与对远离夹具3的位置进行加工的情况中，切削阻力对夹具3的影响程度会发生变化。因此，通过将主轴位置数据S8加入到用于学习的数据中，能够更高精度地推定工件加工时所必要的夹具3对工件的握持力。
以下，对本发明的第三实施方式的握持力调整装置1进行说明。基于本实施方式的握持力调整装置1与图2所示的第一实施方式具备相同的功能块。本实施方式的握持力调整装置1具备机器学习装置100执行监督学习时所必要的结构(学习模式)。
本实施方式的控制部32和数据取得部34分别与第一实施方式中的控制部32和数据取得部34具备同样的功能。
本实施方式的预处理部36生成工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4和加工工序数据S5作为状态数据S，此外，还生成在取得上述状态数据S的加工状态下，与夹具3对工件的适当握持力有关的数据即适当握持力数据L2作为标签数据L。
适当握持力数据L2被定义为采用针对当前的机床2和夹具3的状态的适当的工件握持力作为标签值的数据。适当握持力数据L2例如可以由通过机床2对工件进行加工的熟练作业人员使用显示器/MDI单元70进行输入操作来生成。例如其也可以由作业人员调整夹具3对工件的握持力，并且在该状态下相同的加工状态持续了预定时间时，将这一时刻的工件握持力生成为适当握持力数据L2。
本实施方式的学习部110执行使用预处理部36生成的学习数据的机器学习。学习部110生成通过公知的监督学习方法来学习针对机床2的加工状态和夹具3对工件的握持状态的、夹具3对工件的握持力的学习模型，并将生成的学习模型存储到学习模型存储部130中。作为由学习部110执行的监督学习的方法，包括多层感知机(multilayer perceptron)算法、循环神经网络(recurrent neural network)法、长短期记忆(Long Short-TermMemory)法、卷积神经网络(convolutional neural network)法等。
本实施方式的学习部110生成将该夹具3对工件的握持力与机床2的加工状态以及夹具3对工件的握持状态相关联来进行学习的学习模型。本实施方式的学习部110由此而生成的学习模型在被赋予机床2的加工状态和夹具3对工件的握持状态时，推定在这种状态下夹具3对工件的适当握持力。
此外，学习部110在学习阶段是必须的结构，但在由学习部110执行的夹具3对工件的握持力的评价的学习结束之后，则不一定为必须的结构。例如，在将完成学习后的机器学习装置100发货给顾客时，可以将学习部110卸下再发货。
具备上述结构的本实施方式的握持力调整装置1生成将夹具3对工件的握持力与机床2的加工状态以及夹具3对工件的握持状态相关联来进行学习的学习模型。由于本实施方式的握持力调整装置1需要根据作业人员设定的夹具3对工件的适当握持力来进行学习，因此要收集充分学习所必要的学习数据是有难度的，但只要完成一次充分的机器学习，后述的推定部120便能够使用由此生成的学习模型，根据从机床2和夹具3取得的状态数据S，直接推定所取得的状态下夹具3对工件的适当握持力。
图5是第四实施方式的握持力调整装置1和机器学习装置100的概略功能框图。
本实施方式的握持力调整装置1具备机器学习装置100在推定每个夹具3对工件的握持力的评价时所必要的结构(推定模式)。图5所示的各功能块通过由图1所示的握持力调整装置1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，并对握持力调整装置1和机器学习装置100的各部分动作进行控制来实现。
本实施方式的握持力调整装置1具备控制部32、数据取得部34、预处理部36以及握持力决定部38。握持力调整装置1具备的机器学习装置100具备推定部120。此外，在图1所示的非易失性存储器14上，设有用于存储从机床2、夹具3等取得的数据的取得数据存储部52，在图1所示的机器学习装置100的非易失性存储器104上，设有在第一实施方式中说明的用于存储通过学习部110的机器学习构建的学习模型的学习模型存储部130。
本实施方式的控制部32和数据取得部34分别与第二实施方式(图3)的控制部32和数据取得部34具备同样的功能。
本实施方式的预处理部36在机器学习装置100使用学习模型推定每个夹具3对工件的握持力的评价的阶段，将数据取得部34取得的数据转换为(数值化、采样等)机器学习装置100中采用的统一格式，并生成用于机器学习装置100的推定的预定格式的状态数据S。本实施方式的预处理部36根据数据取得部34取得的数据，生成工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4和加工工序数据S5作为状态数据S。
本实施方式的推定部120根据预处理部36生成的状态数据S，使用学习模型存储部130中存储的学习模型来执行每个夹具3对工件的握持力的评价的推定。在本实施方式的推定部120中，通过向学习部110生成的(参数已确定的)学习模型输入从预处理部36输入的状态数据S，推定并输出夹具3对工件的适当握持力。由推定部120推定出的结果被输出到握持力决定部38。
本实施方式的握持力决定部38将由推定部120推定出的每个夹具3对工件的握持力的推定结果决定为夹具3对工件的握持力，并指令控制部32调整为所决定的握持力。
具备上述结构的本实施方式的握持力调整装置1能够将夹具3对工件的握持力调整为可充分固定工件且最小的力。
图6是第五实施方式的握持力调整装置1和机器学习装置100的概略功能框图。
本实施方式的握持力调整装置1具备机器学习装置100进行监督学习时所必要的结构(学习模式)。图10所示的各功能块通过由图1所示的握持力调整装置1具备的CPU11和机器学习装置100的处理器101执行各自的系统程序，并控制握持力调整装置1和机器学习装置100的各部分的动作来实现。
本实施方式的握持力调整装置1具备控制部32、数据取得部34以及预处理部36。握持力调整装置1具备的机器学习装置100具备包括第一学习部112和第二学习部114的学习部110。此外，图1所示的非易失性存储器14上设置有存储从机床2、夹具3等取得的数据的取得数据存储部52，图1所示的机器学习装置100的非易失性存储器104上设置有用于存储通过第一学习部112和第二学习部114的机器学习构建的学习模型的学习模型存储部130。
本实施方式的控制部32、数据取得部34和预处理部36分别与第一实施方式(图2)的控制部32、数据取得部34和预处理部36具备同样的功能。
本实施方式的学习部110具备第一学习部112和第二学习部114。
第一学习部112与在第一实施方式(图2)中说明的学习部110同样，执行使用预处理部36生成的学习数据的机器学习，并生成将夹具3对工件的握持力的评价与机床2的加工状态以及夹具3对工件的握持状态相关联地进行学习的第一学习模型。由第一学习部112生成的第一学习模型在被赋予机床2的加工状态和夹具3对工件的握持状态时，推定在这种状态下夹具3对工件的握持力是否充分。
第二学习部114与在第三实施方式(图2)中说明的学习部110同样，执行使用学习数据的机器学习，并生成将夹具3对工件的握持力与机床2的加工状态以及夹具3对工件的握持状态相关联地进行学习的第二学习模型。第二学习部114对第一学习部112生成的第一学习模型的学习结果进行解析，并进行基于该解析结果的机器学习从而生成第二学习模型。第二学习部114针对第一学习模型执行例如与在第二实施方式(图3)中说明的握持力决定部38所执行的处理相同的处理，并搜索能够针对机床2和夹具3的状态得出“握持力充分”这一推定结果的最小工件握持力。然后，第二学习部114执行使用机床2和夹具3的状态以及搜索到的工件握持力的机器学习，并生成第二学习模型。
本实施方式的握持力调整装置1使用通过与第一实施方式(图2)所示的握持力调整装置1具备的学习部110同样的机器学习方法生成的第一学习模型，来生成用于与第三实施方式(图2)所示的握持力调整装置1具备的学习部110同样的机器学习方法的学习数据，并使用所生成的学习数据来生成第二学习模型。在第一实施方式(图1)所示的握持力调整装置1中，能够较容易地生成学习数据并进行学习，但另一方面，必须使用完成的学习模型执行搜索处理以决定夹具3对工件的握持力。而在第三实施方式(图2)所示的握持力调整装置1中，能够使用学习模型直接推定夹具3对工件的更加适当的握持力，但另一方面，也存在收集学习数据较难的问题。基于本实施方式的握持力调整装置1通过将这两种学习方法进行组合，能够较容易地收集学习数据，并生成能够使用所收集到的学习数据直接推定夹具3对工件的更加适当的握持力的学习模型。由此生成的学习模型(第二学习模型)能够用于例如第四实施方式(图5)的握持力调整装置1中夹具3对工件的握持力的推定中。
图7是第六实施方式的握持力调整装置1和机器学习装置100的概略功能框图。
图7所示的各功能块通过由图1所示的握持力调整装置1具备的CPU11和机器学习装置100的处理器101执行各自的系统程序，控制握持力调整装置1和机器学习装置100的各部分的动作来实现。
本实施方式的握持力调整装置1具备控制部32、数据取得部34以及预处理部36，握持力调整装置1具备的机器学习装置100具备学习部110和决策部122。此外，图1所示的非易失性存储器14上设置有存储从机床2、夹具3等取得的数据的取得数据存储部52，图1所示的机器学习装置100的非易失性存储器104上设置有用于存储通过学习部110的机器学习构建的学习模型的学习模型存储部130。
本实施方式的控制部32和数据取得部34分别与第一实施方式(图2)的控制部32和数据取得部34具备同样的功能。
本实施方式的预处理部36在机器学习装置100执行强化学习时，将该学习中预定格式的状态数据S和判定数据D的组作为学习数据而生成。预处理部36生成工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4、加工工序数据S5和握持力数据S6作为状态数据S，此外，作为判定数据D，还生成在取得上述状态数据S的加工状态下，用于判定是否为能够通过夹具3固定工件的握持力的数据即固定力判定数据D1、以及用于判定是否为不会因夹具3而导致工件发生变形、翘曲等程度的握持力的数据即精度判定数据D2。
固定力判定数据D1被定义为用于判定工件的握持力是否足够大的成为基准的数据。固定力判定数据D1例如可以是表示是否因调节夹具3对工件的握持力的结果，而导致在切削加工过程中工件发生了偏移或振动，或者是否已不再发生这种情况的数据。固定力判定数据D1既可以例如根据由观察机床2的工件加工情况的作业人员使用显示器/MDI单元70进行的输入操作来生成，也可以根据机床2的各轴的电动机等的电压值/电流值、夹具3的电动机等的电压值/电流值、以及另外安装的用于检测工件的振动等的振动传感器测量出的值等，检测偏移或振动活动性来生成。固定力判定数据D1还可以是包括由夹具3握持的工件中发生的偏移或振动程度的数据。
精度判定数据D2被定义为用于判定工件是否未发生变形或翘曲等形变的基准数据。精度判定数据D2例如可以根据由观察机床2的工件加工情况的作业人员使用显示器/MDI单元70进行的输入操作来生成。此外，精度判定数据D2例如可以通过使用安装在机床2上的非接触式测距传感器等测量工件的预定位置的变化，并根据其测量结果来生成。例如，可以生成在调整夹具3对工件的握持力的前后，工件的预定位置上距固定点的距离产生了位移时，判定为发生了变形，反之则判定为握持力适当的精度判定数据D2。此外，精度判定数据D2还可以是包括由夹具3握持的工件中发生的变形或翘曲程度的数据。
本实施方式的学习部110执行使用预处理部36生成的学习数据的机器学习。学习部110生成通过公知的强化学习方法来学习针对机床2的加工状态和夹具3对工件的握持状态的、夹具3对工件的握持力的调整行为的学习模型，并将所生成的学习模型存储到学习模型存储部130中。强化学习是一种试错性地重复观测学习对象所在环境的当前状态(即输入)并在当前状态下执行预定行为(即输出)，并对该行为给予一定的回报这样的循环，使回报的总和最大化的策略，并将这种策略(在本申请的机器学习装置100中，为夹具3对工件的握持力的调整行为)作为最优解来进行学习的方法。作为由学习部110执行的强化学习的方法，可以举出Q学习等。
在学习部110的Q学习中，回报R例如能够设定为当固定力判定数据D1显示“未发生偏移或振动”时为正(plus)的回报R，当固定力判定数据D1显示“发生了偏移或振动”时为负(minus)的回报R。此外，回报R例如能够设定为当精度判定数据D2显示“握持力适当”时为正(plus)的回报R，当精度判定数据D2显示“发生了变形”时为负(minus)的回报R。进一步地，回报R还可以根据固定力判定数据D1或精度判定数据D2所示的程度大小，设定为更大的正(plus)的回报R或负(minus)的回报R。
学习部110可以构成为使用神经网络作为价值函数Q(学习模型)，并将状态数据S和行为a作为神经网络的输入，输出该状态下的该行为a的价值(结果y)。当这样构成时，可以使用具备输入层、中间层和输出层这三层的神经网络作为学习模型，也可以构成为通过采用使用了具有三层以上的层的神经网络的所谓深度学习方法，来执行更有效的学习和推断。由学习部110生成的学习模型存储在设置于非易失性存储器104上的学习模型存储部130中，用于由决策部122执行的夹具3对工件的握持力的调整行为的决定中。
此外，学习部110在学习阶段是必须的结构，但在由学习部110执行的夹具3对工件的握持力的调整行为的学习结束之后，则不一定为必须的结构。例如，在将完成学习后的机器学习装置100发货给顾客时，可以将学习部110卸下再发货。
决策部122通过由图1所示的握持力调整装置1具备的处理器101执行从ROM102读出的系统程序来实现，且主要通过处理器101执行使用了RAM103或非易失性存储器104的运算处理来实现。决策部122基于从预处理部36输入的状态数据S，使用了存储在学习模型存储部130中的学习模型求出夹具3对工件的握持力的调整行为的最优解，并输出所求得的夹具3对工件的握持力的调整行为。在本实施方式的决策部122中，能够通过向由学习部110的强化学习生成的(已确定参数的)学习模型，输入从预处理部36输入的状态数据S(工具数据S1、加工条件数据S2、工件数据S3、夹具数据S4、加工工序数据S5和握持力数据S6)、以及夹具3对工件的握持力的调整行为(夹具3对工件的握持力的决定)作为输入数据，来计算在当前状态下采取该行为时的回报，但要针对当前所能够采取的工件握持力的调整行为执行该回报的计算，并对计算出的多个回报进行比较，将计算出最大回报的夹具3对工件的握持力的调整行为决定为最优解。由决策部122决定的夹具3对工件的握持力的调整行为的最优解，除了被输入到握持力决定部38用于夹具3对工件的握持力的决定中之外，还可以例如显示输出到显示器/MDI单元70或经由未图示的有线/无线网络发送输出到雾计算机、云计算机等来使用。
在具备上述结构的握持力调整装置1中，能够在机床2和夹具3正在动作的环境下，适当地调整夹具3对工件的握持力。
在以下要说明的实施方式7～9中，将基于前述实施方式1～6的握持力调整装置1作为经由有线/无线网络与包括云服务器、主计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相互连接的系统的一部分来进行安装。
如图8的例子所示，在以下的实施方式7～9中，假设一种系统，构成为在多个装置中的每一个都连接到网络的状态下，逻辑上分成包括云服务器6等的层、包括雾计算机7等的层、以及包括边缘计算机8(单元(cell)9中包括的机器人控制器、控制装置等)的层这三个层。在这种系统中，本发明的一个方式的握持力调整装置1能够安装到云服务器6、雾计算机7、以及边缘计算机8中的任意一个上，并且能够通过网络与多个装置中的每一个相互共享与机器学习有关的处理中使用的数据来进行分散学习，或者将生成的学习模型收集到雾计算机7或云服务器6中进行大规模的解析，还能够对生成的学习模型进行相互再利用等。
在图8的例子所示的系统中，单元9在各地的工厂中分别设有多个，每个单元9由上级的雾计算机7以预定单位(以工厂为单位、以同一制造商的多个工厂为单位等)进行管理。并且，能够将由这些雾计算机7收集、解析的数据用更上级的云服务器6进行收集、解析，并将作为其结果得出的信息活用到每个边缘计算机8中的控制等中。
图9是将握持力调整装置安装到云服务器、雾计算机等计算机上时的硬件结构示意图。
本实施方式的被安装到计算机上的握持力调整装置1’具备的CPU311是对握持力调整装置1’进行整体控制的处理器。CPU311经由总线320读出存储在ROM312中的系统程序，并根据该系统程序对握持力调整装置1’整体进行控制。将临时计算数据、显示数据、以及由操作员经由未图示的输入部输入的各种数据等临时存储到RAM313中。
非易失性存储器314构成为例如通过电池(未图示)进行备份等，即使在握持力调整装置1’的电源切断时也能够保持存储状态的存储器。非易失性存储器314中存储有经由输入装置371输入的程序、经由握持力调整装置1’的各部分或网络从机器人取得的各种数据。非易失性存储器314中存储的程序或各种数据在执行时/使用时也可以扩展到RAM313。此外，在ROM312中，预先写入了公知的解析程序等各种系统程序(包括后述的用于控制与机器学习装置100之间的信息交换的系统程序)。
握持力调整装置1’经由接口319与有线/无线网络5相连接。在网络5上连接有至少一个机床2’(具备控制装置的机床)或其他握持力调整装置1、边缘计算机8、雾计算机7、云服务器6等，与握持力调整装置1’之间相互进行数据的交换。
将在存储器上读取的各数据、作为执行程序等的结果而得出的数据等，经由接口317输出并显示在显示装置370上。此外，由键盘、指示设备等构成的输入装置371经由接口318将基于作业人员的操作的指令、数据等传递给CPU311。
接口321是用于连接握持力调整装置1’和机器学习装置100的接口。机器学习装置100与在图1中说明的机器学习装置100具有相同的结构。
这样，当握持力调整装置1’安装到云服务器6、雾计算机7等计算机上时，除了来自机床2’和夹具3的信息的取得以及针对夹具3的握持力调整指令经由网络5来进行交换这一点之外，握持力调整装置1’所具备的功能与在实施方式1～6中说明的握持力调整装置1相同。此时，由于机床2’具备控制装置，因此握持力调整装置1’具备的控制部32不执行机床2’的控制，而是由机床2’具备的控制装置来执行与该机床2’的加工状态有关的信息的取得。此外，握持力调整装置1’具备的控制部32经由机床2’具备的控制装置来执行夹具3的间接控制，并经由机床2’具备的控制装置来执行夹具3的握持力的取得。
图10是具备握持力调整装置1’的第七实施方式的握持力调整系统的结构示意图。
握持力调整系统500具备多个握持力调整装置1,1’、多个机床2’以及将这些握持力调整装置1,1’、机床2’相互连接的网络5。
在握持力调整系统500中，具备机器学习装置100的握持力调整装置1’使用学习部110的学习结果，根据机床2’的加工状态和夹具3对工件的握持状态，来调整作为调整对象的夹具3对工件的握持力。此外，至少一个握持力调整装置1’能够构成为根据由其他多个握持力调整装置1,1’中的每一个获得的状态变量以及标签数据L或判定数据D，来学习针对由全部握持力调整装置1,1’共享的机床2,2’的加工状态以及夹具3对工件的握持状态的、夹具3对工件的握持力的调整，并由全部握持力调整装置1,1’共享该学习结果。因此，根据握持力调整系统500，能够将更加多样的数据集合(包括状态变量S以及标签数据L或判定数据D)作为输入，来提高学习速度和可靠性。
图11是将机器学习装置和握持力调整装置安装到不同装置上的第八实施方式的系统的结构示意图。
握持力调整系统500’具备作为云服务器、主计算机、雾计算机等计算机的一部分安装的至少一台机器学习装置100(在图11中，示出了作为雾计算机7的一部分安装的例子)、多个握持力调整装置1”、以及将这些握持力调整装置1”和计算机相互连接的网络5。此外，计算机的硬件结构与图9所示的握持力调整装置1’的大致硬件结构相同，构成为CPU311、RAM313、非易失性存储器314等一般计算机所具备的硬件经由总线320相连接。
具有上述结构的握持力调整系统500’中，机器学习装置100能够根据针对多个握持力调整装置1”中的每一个获得的状态变量S以及标签数据L或判定数据D，来学习针对由全部握持力调整装置1”共享的机床2的加工状态以及夹具3对工件的握持状态的、夹具3对工件的握持力的调整，并使用其学习结果来执行夹具3对工件的握持力的调整。根据握持力调整系统500’的结构，多个握持力调整装置1”中的每一个，能够不管所在场所和时间，而在必要时将必要数量的握持力调整装置1”连接到机器学习装置100。
图12是具备机器学习装置100’和握持力调整装置1的第九实施方式的握持力调整系统500”的结构示意图。
握持力调整系统500”具备安装在边缘计算机或雾计算机、主计算机、云服务器等计算机上的至少一台机器学习装置100’(在图12中，示出了作为雾计算机7的一部分安装的例子)、多个握持力调整装置1、以及将这些握持力调整装置1与计算机相互连接的有线/无线网络5。
在具有上述结构的握持力调整系统500”中，具备机器学习装置100’的雾计算机7从每一个握持力调整装置1取得作为该握持力调整装置1具备的机器学习装置100的机器学习结果而得到的学习模型。然后，雾计算机7具备的机器学习装置100’通过执行基于这些多个学习模型的知识的最优化或高效化处理，重新生成最优化或高效化后的学习模型，并将所生成的学习模型分发给每一个握持力调整装置1。
作为机器学习装置100’执行的学习模型的最优化或高效化的例子，可以举出基于从各握持力调整装置1取得的多个学习模型来生成蒸馏模型。在这种情况下，本实施方式的机器学习装置100’生成向学习模型输入的输入数据，并使用作为向每一个学习模型输入该输入数据的结果而得到的输出，从头开始学习，从而生成新的学习模型(蒸馏模型)。由此生成的蒸馏模型如上文中说明的那样，经由外部存储介质或网络5分发给握持力调整装置1、其他计算机来进行活用。
作为机器学习装置100’执行的学习模型的最优化或高效化的另一个例子，也可以在针对从握持力调整装置1取得的多个学习模型进行蒸馏的过程中，用一般统计方法解析各学习模型针对输入数据的输出数据分布，提取出输入数据与输出数据的组的离群值，并使用排除了该离群值后的输入数据与输出数据的组进行蒸馏。通过这样的过程，能够从由每个学习模型获取的输入数据与输出数据的组中排除例外的推定结果，并使用排除了例外推定结果后的输入数据与输出数据的组来生成蒸馏模型。由此生成的蒸馏模型与由多个握持力调整装置1生成的学习模型相比，能够作为更加通用的学习模型而活用。
此外，也可以适当地引入其他常规学习模型的最优化或高效化方法(解析各学习模型，并根据该解析结果，优化学习模型的超级参数等)。
在本实施方式的握持力调整系统500”中，能够执行如下运用，例如，将机器学习装置100’配置在针对作为边缘计算机的多个握持力调整装置1设置的雾计算机7上，并将由每一个握持力调整装置1生成的学习模型集成并存储到雾计算机7上，基于所存储的多个学习模型执行最优化或高效化，然后根据需要将最优化或高效化后的学习模型再次分发给各握持力调整装置1。
此外，在本实施方式的握持力调整系统500”中，例如能够将集成并存储在雾计算机7上的学习模型、在雾计算机7上得到最优化或高效率化后的学习模型收集到更上级的主计算机、云服务器上，并使用这些学习模型应用于工厂、握持力调整装置1的制造商的智能作业(例如上级服务器中更加通用的学习模型的构建和再次分发、基于学习模型的解析结果的维护作业的辅助、每个握持力调整装置1的性能等的分析以及新机器的开发等应用)中。
以上，对本发明的实施方式进行了说明，但本发明并不仅限于上述实施方式的例子，可以通过加以适当的变更从而以更多种方式来实施。
例如，在上述实施方式中，对握持力调整装置1和机器学习装置100具有不同的CPU(处理器)的装置进行了说明，但机器学习装置100也可以通过握持力调整装置1具备的CPU11和ROM12中存储的系统程序来实现。

Claims (11)

1.一种握持力调整装置，其调整在加工工件的机床中用于固定该工件的夹具对该工件的握持力，其特征在于，该握持力调整装置具备：
数据取得部，其至少取得表示上述机床的加工状态的数据以及与上述夹具对上述工件的握持状态有关的数据；
预处理部，其根据上述数据取得部取得的数据，生成用于机器学习的数据；
机器学习装置，其根据上述预处理部生成的数据，执行上述机床对上述工件进行加工的环境中与上述夹具对上述工件的握持力有关的机器学习处理。
2.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，
上述标签数据至少包括表示上述夹具对工件的握持力的适当与否的握持力适当与否数据，
上述机器学习装置具备学习部，该学习部根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力的适当与否相关联的学习模型。
3.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据作为用于上述机器学习装置进行推定的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，
上述机器学习装置具备：
学习模型存储部，其存储将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力的适当与否相关联的学习模型，以及
推定部，其根据上述状态数据，使用了存储在上述学习模型存储部中的学习模型推定上述夹具对上述工件的握持力的适当与否，
上述握持力调整装置还具备握持力决定部，该握持力决定部搜索上述推定部推定为良好的最小的上述工件的握持力，并将搜索到的上述工件的握持力决定为上述夹具对上述工件的握持力。
4.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；以及加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息，
上述标签数据至少包括含有与上述夹具对上述工件的握持力有关的信息的适当握持力数据，
上述机器学习装置具备学习部，该学习部根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力相关联的学习模型。
5.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据作为用于上述机器学习装置进行推定的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；以及加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息，
上述机器学习装置具备：
学习模型存储部，其存储将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力相关联的学习模型，以及
推定部，其根据上述状态数据，使用了存储在上述学习模型存储部中的学习模型推定上述夹具对上述工件的握持力，
上述握持力调整装置还具备握持力决定部，该握持力决定部根据上述推定部的推定结果，决定上述夹具对上述工件的握持力。
6.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据和标签数据作为用于上述机器学习装置进行监督学习的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，
上述标签数据至少包括表示上述夹具对上述工件的握持力的适当与否的握持力适当与否数据，
上述机器学习装置具备学习部，该学习部具备：
第一学习部，其根据上述状态数据和上述标签数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力的适当与否相关联的第一学习模型；以及
第二学习部，其根据使用了由上述第一学习部生成的第一学习模型的推定处理的结果，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对工件的握持力相关联的第二学习模型。
7.根据权利要求1所述的握持力调整装置，其特征在于，
上述预处理部生成状态数据和判定数据作为用于上述机器学习装置进行强化学习的数据，
上述状态数据至少包括：工具数据，其包括与用于上述机床对上述工件的加工的工具有关的信息；加工条件数据，其包括与上述机床对上述工件的加工中的加工条件有关的信息；工件数据，其包括与由上述机床加工的上述工件有关的信息；夹具数据，其包括与上述夹具的类别有关的信息；加工工序数据，其包括与上述机床对上述工件的加工工序有关的信息；以及握持力数据，其包括与上述夹具对上述工件的握持力有关的信息，
上述判定数据至少包括用于判定是否能够通过上述夹具固定上述工件的固定力判定数据和用于判定因上述夹具造成的工件变形的精度判定数据，
上述机器学习装置具备：
学习部，其根据上述状态数据和上述判定数据，生成将上述机床的加工状态以及上述夹具对上述工件的握持状态与上述夹具对上述工件的握持力的调整行为相关联的学习模型；以及
决策部，其根据上述状态数据，使用由上述学习部生成的学习模型来决定上述夹具对上述工件的握持力的调整，
上述握持力调整装置还具备握持力决定部，该握持力决定部根据上述决策部的决定，来决定上述夹具对上述工件的握持力。
8.一种由多个装置经由网络相互连接而成的握持力调整系统，其特征在于，
上述多个装置至少包括权利要求2、4、6、7中任意一项所述的握持力调整装置即第一握持力调整装置。
9.根据权利要求8所述的握持力调整系统，其特征在于，
上述多个装置包括具备机器学习装置的计算机，
上述计算机取得通过上述第一握持力调整装置的上述学习部的学习而生成的至少一个学习模型，
上述计算机具备的机器学习装置执行基于所取得的上述学习模型的优化或高效化。
10.根据权利要求8所述的握持力调整系统，其特征在于，
上述多个装置还包括与上述第一握持力调整装置不同的第二握持力调整装置，上述第一握持力调整装置具备的学习部的学习结果与上述第二握持力调整装置共享。
11.根据权利要求8所述的握持力调整系统，其特征在于，
上述多个装置还包括与上述第一握持力调整装置不同的第二握持力调整装置，
在上述第二握持力调整装置中观测到的数据可以经由上述网络用于上述第一握持力调整装置具备的学习部的学习中。
CN202010177806.3A 2019-03-14 2020-03-13 握持力调整装置以及握持力调整系统 Active CN111687652B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-047742 2019-03-14
JP2019047742A JP6940542B2 (ja) 2019-03-14 2019-03-14 把持力調整装置及び把持力調整システム

Publications (2)

Publication Number Publication Date
CN111687652A true CN111687652A (zh) 2020-09-22
CN111687652B CN111687652B (zh) 2023-06-06

Family

ID=72241125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177806.3A Active CN111687652B (zh) 2019-03-14 2020-03-13 握持力调整装置以及握持力调整系统

Country Status (4)

Country Link
US (1) US11691236B2 (zh)
JP (1) JP6940542B2 (zh)
CN (1) CN111687652B (zh)
DE (1) DE102020106239A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114803472A (zh) * 2022-04-22 2022-07-29 深圳航天科技创新研究院 基于机器人的夹紧控制方法及控制系统
CN115055992A (zh) * 2022-06-20 2022-09-16 昆山勇翔精密机械有限公司 一种智能多功能夹具及其调整方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11413747B2 (en) * 2019-08-12 2022-08-16 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
KR102433406B1 (ko) * 2022-03-10 2022-08-19 김기홍 금속 성형 장치
CN114986255B (zh) * 2022-07-18 2022-11-04 西安智衍数字科技有限公司 一种夹紧力判定方法及系统
CN115462673B (zh) * 2022-10-11 2024-06-04 浙江喂养家智能科技有限公司 夹持装置及其控制方法、暖奶器和存储介质
CN117032082A (zh) * 2023-07-17 2023-11-10 广州里工实业有限公司 一种用于精密制造的夹持控制系统及夹持方法
CN117733937B (zh) * 2023-12-28 2024-07-05 泛泰大西(常州)电子科技股份有限公司 一种超微型多叠层钢片裁切控制调整方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6463835B1 (en) * 1998-10-23 2002-10-15 Hitachi Seiki Co., Ltd. Method and apparatus for controlling motor-driven chucking device
CN103889360A (zh) * 2011-10-21 2014-06-25 直观外科手术操作公司 用于机器人外科手术器械末端执行器的夹持力控制
US20140343569A1 (en) * 2013-05-14 2014-11-20 Intuitive Surgical Operations, Inc. Grip force normalization for surgical instrument
CN107962558A (zh) * 2016-10-19 2018-04-27 发那科株式会社 通过机器学习提高了外力的检测精度的人协作机器人系统
WO2018092254A1 (ja) * 2016-11-17 2018-05-24 株式会社安川電機 把持力設定システム、把持力設定方法、及び把持力推定システム
CN108393908A (zh) * 2017-02-06 2018-08-14 发那科株式会社 改善工件取出动作的工件取出装置以及工件取出方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5240358A (en) * 1990-11-27 1993-08-31 Balance Dynamics Corporation Method and apparatus for tool balancing
JPH04322933A (ja) * 1991-04-19 1992-11-12 Nippei Toyama Corp ワーククランプ装置のクランプ圧力制御方法
JP3774806B2 (ja) 2000-03-01 2006-05-17 オークマ株式会社 電動チャック装置
US10245660B2 (en) * 2013-12-08 2019-04-02 Warren L Myrfield Saw guide pressure feed speed control systems and methods
US10518409B2 (en) * 2014-09-02 2019-12-31 Mark Oleynik Robotic manipulation methods and systems for executing a domain-specific application in an instrumented environment with electronic minimanipulation libraries
JP5997330B1 (ja) * 2015-07-31 2016-09-28 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
JP6662746B2 (ja) * 2016-10-07 2020-03-11 ファナック株式会社 機械学習部を備えた作業補助システム
JP6629815B2 (ja) * 2017-10-23 2020-01-15 ファナック株式会社 寿命推定装置及び機械学習装置
DE112018007687T5 (de) * 2018-07-06 2021-02-25 Mitsubishi Electric Corporation Maschinelles-Lernen-Gerät, numerisches Steuerungsgerät, Maschinenwerkzeug und Maschinenlernverfahren
JP6898371B2 (ja) * 2019-02-28 2021-07-07 ファナック株式会社 加工条件調整装置及び加工条件調整システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6463835B1 (en) * 1998-10-23 2002-10-15 Hitachi Seiki Co., Ltd. Method and apparatus for controlling motor-driven chucking device
CN103889360A (zh) * 2011-10-21 2014-06-25 直观外科手术操作公司 用于机器人外科手术器械末端执行器的夹持力控制
US20140343569A1 (en) * 2013-05-14 2014-11-20 Intuitive Surgical Operations, Inc. Grip force normalization for surgical instrument
CN107962558A (zh) * 2016-10-19 2018-04-27 发那科株式会社 通过机器学习提高了外力的检测精度的人协作机器人系统
WO2018092254A1 (ja) * 2016-11-17 2018-05-24 株式会社安川電機 把持力設定システム、把持力設定方法、及び把持力推定システム
CN108393908A (zh) * 2017-02-06 2018-08-14 发那科株式会社 改善工件取出动作的工件取出装置以及工件取出方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114803472A (zh) * 2022-04-22 2022-07-29 深圳航天科技创新研究院 基于机器人的夹紧控制方法及控制系统
CN114803472B (zh) * 2022-04-22 2023-12-26 深圳航天科技创新研究院 基于机器人的夹紧控制方法及控制系统
CN115055992A (zh) * 2022-06-20 2022-09-16 昆山勇翔精密机械有限公司 一种智能多功能夹具及其调整方法

Also Published As

Publication number Publication date
JP6940542B2 (ja) 2021-09-29
CN111687652B (zh) 2023-06-06
DE102020106239A1 (de) 2020-09-17
US20200290169A1 (en) 2020-09-17
JP2020149505A (ja) 2020-09-17
US11691236B2 (en) 2023-07-04

Similar Documents

Publication Publication Date Title
CN111687652B (zh) 握持力调整装置以及握持力调整系统
CN111624951B (zh) 加工条件调整装置以及加工条件调整系统
US10585417B2 (en) Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load
CN112262017B (zh) 工作机械的加工尺寸预测装置、系统及方法、工作机械的设备异常判定装置及记录介质
JP6802213B2 (ja) 工具選定装置及び機械学習装置
US11059142B2 (en) Controller, machine learning device, and system
JP2019082836A (ja) 工具寿命予測装置
CN111571302B (zh) 切削液量调整装置和系统
Brecher et al. Use of NC kernel data for surface roughness monitoring in milling operations
CN110978014A (zh) 控制装置以及控制系统
CN108027604A (zh) 用于优化地控制机床的方法和控制设备
JP7101131B2 (ja) 数値制御システム
US20230004152A1 (en) Method for monitoring and/or predecting machining processes and/or machnining outcomes
Brüning et al. Simulation based planning of machining processes with industrial robots
CN110174871B (zh) 控制装置、机器学习装置以及系统
KR100548874B1 (ko) 공구의 날 빠짐 검지기능을 갖는 수치제어장치
CN111598364B (zh) 用于机械零部件的数字化工艺编排系统
JP6833090B2 (ja) 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム
CN108693841B (zh) 制造系统以及制造方法
CN116141058B (zh) 一种数控机床刀具自适应匹配与控制方法、系统及设备
JP2020055095A (ja) 制御装置及び制御システム
KR102594887B1 (ko) 공작기계 공작물의 재질 판별 장치 및 그 방법
WO2023067699A1 (ja) 加工面推定装置およびコンピュータ読み取り可能な記憶媒体
EP4083728A1 (en) Methods and systems for adapting a feed rate of a feed control on numerically controlled machine tools
US20200403539A1 (en) Control device, control system, and machine learning device

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