CN112099435A - 诊断装置以及诊断方法 - Google Patents
诊断装置以及诊断方法 Download PDFInfo
- Publication number
- CN112099435A CN112099435A CN202010560204.6A CN202010560204A CN112099435A CN 112099435 A CN112099435 A CN 112099435A CN 202010560204 A CN202010560204 A CN 202010560204A CN 112099435 A CN112099435 A CN 112099435A
- Authority
- CN
- China
- Prior art keywords
- learning model
- unit
- machine tool
- machine
- learning
- 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
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000003745 diagnosis Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 20
- 238000000034 method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
- G05B19/401—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 control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- 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
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
Abstract
本发明涉及诊断装置以及诊断方法。本发明预先存储多个学习模型,该多个学习模型是对多个机器各自的动作时观测到的物理量进行机器学习而生成的。并且,使用该存储的学习模型、和诊断对象的机器的动作时观测出的物理量,来计算诊断对象的机器与所述多个机器中的每一个的特性差,根据该计算出的所述特性差,来选择用于诊断所述诊断对象的机器的动作的学习模型,使用该选择出的学习模型来对诊断对象的机器的动作进行诊断。
Description
技术领域
本发明涉及诊断装置以及诊断方法。
背景技术
作为对机床或机器人等工业机器的状态进行诊断的方法,已知如下方法:按各工业机器制作用于规定的诊断的模型,使用制作出的模型来进行根据从工业机器取得的数据的诊断(例如,日本特开2017-033526号公报等)。该方法存在如下优点:由于可以对根据工业机器动作时取得的数据而构建出的模型反映各工业机器的每一个个体的偏差,因此可以在该工业机器的诊断中使精度提升。另一方面,为了制作可以高精度地对工业机器的状态进行诊断的模型,需要足够量的数据(学习数据),有时根据数据的收集频率的不同而花费1~2个月以上。
在设置有工业机器的工场等现场处,从导入了工业机器之后起进行使用了该工业机器的作业。但是,在构建工业机器相关的诊断的模型前的阶段,即充分取得用于构建模型的学习数据前的阶段,无法对该工业机器的动作进行诊断。针对这样的课题,存在如下做法:当存在与新导入的工业机器相同型号的其他工业机器的模型时,使用该模型来对新导入的工业机器的动作进行诊断。但是,即使是相同型号的工业机器,由于每一个个体有特性的偏差,因此即使沿用为了其他工业机器而构建出的模型,在该工业机器与新导入的工业机器的特性差大时,也难以一边保持规定的精度一边对工业机器的动作进行诊断。
发明内容
因此,希望在新导入工业机器时,选择与该工业机器特性相近的个体的模型来用于诊断动作的方法。
本发明的一方式涉及的诊断装置中,预先针对多个工业机器制作学习模型而保持在存储部中,使用制作出的学习模型来计算工业机器间的特性差。
并且,在新导入工业机器时,通过将特性差与该工业机器最小的其他工业机器的学习模型用于诊断该工业机器的动作,由此解决上述课题。
本发明的一方式涉及的诊断装置对机器的动作进行诊断,该诊断装置具有:学习模型存储部,其预先存储多个学习模型,该多个学习模型是对多个机器各自的动作时观测的物理量进行机器学习而生成;数据取得部,其取得与所述多个机器不同的其他机器的动作时观测到的物理量;特性差计算部,其使用由所述数据取得部取得的所述其他机器的动作有关的物理量和存储在所述学习模型存储部中的学习模型,计算所述其他机器与所述多个机器的每一个的特性差;学习模型选择部,其根据所述特性差计算部计算出的所述特性差,来选择用于诊断所述其他机器的动作的学习模型;以及诊断部,其使用所述学习模型选择部选择出的学习模型来诊断所述其他机器的动作。
所述诊断部可以对所述其他机器的正常状态或者异常状态进行诊断。
所述诊断装置还可以具有:学习模型调整部,其根据由所述数据取得部取得的所述其他机器的动作有关的物理量,以适合于所述其他机器动作的诊断的方式调整所述学习模型选择部选择出的学习模型。
所述诊断装置还可以具有:动作模式判断部,其判断所述其他机器的动作模式。并且,可以在所述学习模型存储部中,预先针对多个机器中的每一个存储有对每个所述动作模式在动作时观测的物理量进行机器学习而生成的每个动作模式的多个学习模型,所述特性差计算部使用以与所述动作模式判断部判断出的动作模式相同的动作模式生成的学习模型来计算特性差。
本发明的其他方式涉及的诊断方法对机器的动作进行诊断,该诊断方法包含:取得在第1机器的动作时观测出的物理量的步骤;使用在所述取得的步骤中取得的所述第1机器的动作有关的物理量和对在与所述第1机器不同的多个机器各自的动作时观测的物理量进行机器学习而预先生成的多个学习模型,计算所述第1机器与所述多个机器的每一个的特性差的步骤;根据在所述计算的步骤中计算出的所述特性差,选择用于诊断所述第1机器的动作的学习模型的步骤;以及使用在所述选择的步骤中选择出的学习模型来诊断所述第1机器的动作的步骤。
本发明涉及的装置以及方法具有以上的结构,由此,通过使用为了用于诊断而制作出的学习模型,能够在考虑每个个体的特性差的同时低成本地诊断工业机器的动作状态。
附图说明
图1是一实施方式涉及的诊断装置的概略硬件结构图。
图2是第1实施方式涉及的控制装置的概略功能框图。
图3是对存储在学习模型存储部中的学习模型进行说明的图。
图4是表示根据从机床2取得的数据来对机床2的动作状态进行诊断的示例的图。
图5是第2实施方式涉及的诊断装置的概略功能框图。
图6是表示各机床的基准动作时取得的数据的图。
图7是对平行移动行列的制作方法进行说明的图。
图8是对放大缩小行列的制作方法进行说明的图。
图9是第3实施方式涉及的诊断装置的概略功能框图。
图10是表示包含云服务器、雾计算机以及边缘计算机的3阶结构的系统的示例的图。
图11是实装在计算机上的形态下的诊断装置的概略硬件结构图。
具体实施方式
图1是表示具有一实施方式涉及的机器学习装置的诊断装置的主要部分的概略硬件结构图。
本实施方式的诊断装置1例如可以安装于对机床等工业机器进行控制的控制装置上,也可以安装为与控制工业机器的控制装置并设的个人电脑、经由有线/无线网络与该控制装置连接的管理装置、边缘计算机、雾计算机、云服务器等计算机。本实施方式中,表示将诊断装置1安装于对机床进行控制的控制装置上,对该机床的异常进行诊断的示例。
本实施方式涉及的诊断装置1具有的CPU11是对诊断装置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,按照该系统程序来控制诊断装置1的整体。将临时性的计算数据或显示数据、操作员经由输入部(未图示)输入的各种数据等暂时存储在RAM13中。
非易失性存储器14例如构成为如下存储器:通过未图示的电池而被备份等,即使断开诊断装置1的电源也可以保持存储状态。非易失性存储器14中存储有经由接口15而从外部设备72读入的程序或经由显示器/MDI单元70而输入的程序、从诊断装置1的各部或机床、传感器3等取得的各种数据(例如,工具有关的信息、主轴转数、进给速度、切入量等切削条件有关的信息、工件材质、工件形状等工件有关的信息、各电动机所消耗的电力、由传感器3测量出的振动、声音、机床各部的温度等)。存储在非易失性存储器14中的程序或各种数据可以在执行时/利用时在RAM13中展开。此外,在ROM12中预先写入公知的解析程序等各种系统程序(包含用于控制与后述的机器学习装置100的交换的系统程序)。
接口15是用于连接诊断装置1与适配器等外部设备72的接口,从外部设备72侧读入程序或各种参数等。此外,在诊断装置1内编辑出的程序或各种参数等可以经由外部设备72而存储在外部存储单元中。可编程逻辑控制器(PLC)16经由I/O单元17通过内置于诊断装置1的时序程序而在机床或机器人、安装于该机床或该机器人的传感器3等这样的装置之间进行信号的输入输出并进行控制。
诊断装置1与由机床进行的工件加工中所使用的加速度传感器(振动传感器)、声音检测传感器、温度传感器等传感器3连接。传感器3用于测量机床动作时产生的振动或声音、机床各部的温度等。
显示器/MDI单元70是具有显示器或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、数据而转发给CPU11。接口19与操作盘71连接,该操作盘71具有在手动驱动各轴时使用的手动脉冲发生器等。
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,将轴的指令输出给伺服放大器40。伺服放大器40接收该指令,对使机床具有的轴移动的伺服电动机50进行驱动。轴的伺服电动机50内置位置速度检测器,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,进行位置速度的反馈控制。另外,在图1的硬件结构图中只是逐个地示出了轴控制电路30、伺服放大器40、伺服电动机50,但是实际上准备了与成为控制对象的机床所具备的轴的数量对应的量(例如,如果是具有直线3轴的机床则是3个,如果是5轴加工机则是5个)。
主轴控制电路60接收对机床的主轴的主轴旋转指令,对主轴放大器61输出主轴速度信号。主轴放大器61接收该主轴速度信号,使主轴的主轴电动机62以指令的转速旋转,从而驱动工具。主轴电动机62与位置编码器63结合,位置编码器63与主轴的旋转同步地输出反馈脉冲,该反馈脉冲被CPU11读取。
接口21是用于将总线20与机器学习装置100连接的接口。机器学习装置100具有:统制机器学习装置100整体的处理器101、存储了系统程序等的ROM102、用于进行机器学习有关的各处理的临时存储的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可以经由接口21来观测诊断装置1能够取得的各信息(例如,工具有关的信息、主轴转数、进给速度、切入量等切削条件有关的信息、工件材质、工件形状等工件有关的信息、各电动机所消耗的电力、由传感器3测量出的振动、声音、机床各部的温度等)。此外,诊断装置1使用从机器学习装置100输出的信息,来进行机床的控制、对显示器/MDI单元70的显示、对经由网络的其他装置的信息的发送等。
图2是第1实施方式涉及的诊断装置1与机器学习装置100的概略功能框图。
本实施方式的诊断装置1具有机器学习装置100对机床的动作状态进行诊断时所需的结构(诊断模式)。通过图1所示的诊断装置1具有的CPU11、以及机器学习装置100的处理器101执行各自的系统程序,控制诊断装置1以及机器学习装置100各部的动作,由此实现图2所示的各功能块。
本实施方式的诊断装置1具有:控制部32、数据取得部34、前处理部36以及特性差计算部38,诊断装置1具有的机器学习装置100具有诊断部120以及学习模型选择部125。此外,在图1所示的非易失性存储器14上设置有:取得数据存储部52,其存储从机床2、传感器3等取得的数据,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:学习模型存储部130,其存储通过学习部进行的机器学习而构建的学习模型。
图1所示的诊断装置1具有的CPU11执行从ROM12中读出的系统程序,主要进行基于CPU11的使用了RAM13、非易失性存储器14的运算处理、经由轴控制电路30、主轴控制电路60、以及PMC16的机床2以及传感器3的控制处理,由此实现控制部32。控制部32根据存储在图1所示的非易失性存储器14中的控制用程序54,来控制机床2的动作以及传感器3进行的测量动作。控制部32具有为了控制机床2各部的动作所需的一般的用于控制的功能,以便对通过控制用程序54来驱动机床2所具有的各轴的伺服电动机50(图1)、主轴电动机(图1)按控制周期输出移动指令等。此外,控制部32对传感器3输出指令以进行测量动作。并且,控制部32从机床2以及传感器3接收机床2的动作状态有关的数据,将接收到的数据输出给数据取得部34。控制部32从机床2以及传感器3取得而输出给数据取得部34的数据中例如包含工具有关的信息、主轴转数、进给速度、切入量等切削条件有关的信息、工件材质、工件形状等工件有关的信息、各电动机所消耗的电力、由传感器3测量出的振动或声音、机床各部的温度等。
通过图1所示的诊断装置1具有的CPU11执行从ROM12中读出的系统程序,主要进行CPU11使用了RAM13和非易失性存储器14的运算处理来实现数据取得部34。数据取得部34将从控制部32输入的机床2的动作状态有关的数据等作为取得数据而存储在取得数据存储部52中。
通过图1所示的诊断装置1具有的CPU11执行从ROM12中读出的系统程序,主要通过CPU11进行使用了RAM13和非易失性存储器14的运算处理来实现前处理部36。前处理部36根据数据取得部34取得的数据,来制作用于由机器学习装置100进行的机床2的状态的诊断的数据。前处理部36制作将数据取得部34取得的(并且,存储在取得数据存储部52中的)数据变换(数值化、采样等)为机器学习装置100中处理的统一形式的数据,将制作出的数据输出给机器学习装置100。例如,前处理部36在机器学习装置100进行机床2的动作状态的诊断时,制作该学习中的规定形式的状态数据S。
通过图1所示的诊断装置1具有的CPU11执行从ROM12中读出的系统程序,主要通过CPU11进行使用了RAM13和非易失性存储器14的运算处理来实现特性差计算部38。特性差计算部38根据数据取得部34取得的数据和存储在学习模型存储部130中的多个学习模型,来计算机床2与对应于各学习模型的机床之间的特性差。特性差计算部38例如对控制部32进行指令以使机床2进行规定的基准动作,使用进行该基准动作时从机床2以及传感器3取得的数据,来计算机床2与对应于各学习模型的机床之间的特性差。
特性差计算部38例如根据从机床2以及传感器3取得的数据,来对诊断部120进行指令以便进行使用了存储在学习模型存储部130中的各学习模型的机床2的动作状态的诊断,根据该诊断结果,来计算机床2与对应于各学习模型的机床之间的特性差。此外,特性差计算部38例如可以在从机床2以及传感器3取得的数据与构成存储在学习模型存储部130中的各学习模型的数据之间进行规定的运算,并根据该运算结果,计算机床2和与各学习模型对应的机床之间的特性差。特性差计算部38也可以根据需要通过前处理部36对从机床2以及传感器3取得的数据进行前处理。
通过图1所示的诊断装置1具有的处理器101执行从ROM102读出的系统程序,主要进行处理器101使用了RAM103和非易失性存储器104的运算处理来实现诊断部120。诊断部120根据前处理部36制作出的状态数据S,来进行使用了存储在学习模型存储部130中的学习模型的机床2的状态的诊断。本实施方式的诊断部120例如通过规定的运算来求出从前处理部36输入的状态数据S与学习模型的关系,由此,对机床2的动作状态进行诊断而输出。诊断部120诊断出的结果例如存储在非易失性存储器14中、或显示输出给显示器/MDI单元70。此外,在从特性差计算部38指令了诊断部120进行机床2的动作状态的诊断时,在从前处理部36输入的状态数据S与存储在学习模型存储部中的多个学习模型的每一个之间,执行诊断机床2的动作状态的处理。该情况下,诊断部120诊断出的结果输出给特性差计算部38。
通过图1所示的诊断装置1具有的处理器101执行从ROM102中读出的系统程序,主要进行处理器101使用了RAM103和非易失性存储器104的运算处理,由此实现学习模型选择部125。本实施方式涉及的学习模型选择部125根据特性差计算部38计算出的、机床2与对应于各学习模型的机床之间的特性差,来选择用于诊断机床2的动作状态的学习模型。学习模型选择部125将与机床2的特性差最小的机床用的学习模型选择为用于诊断机床2的动作状态的学习模型。选择出的学习模型用于通过诊断部120来诊断机床2的动作状态。
以下,使用附图对存储在学习模型存储部130中的学习模型、诊断部120进行的诊断处理、特性差计算部38进行的特性差的计算处理、以及学习模型选择部125进行的学习模型的选择处理的示例进行说明。
图3表示本实施方式涉及的诊断装置1中的学习模型存储部130所存储的学习模型的示例。
图3的示例中,将表示机床正常动作时取得的物理量的数据的集合作为学习模型,黑圆点表示机床a正常动作时取得的数据,椭圆表示数据集合的边界。另外,图3中为了简单地进行说明,示出了电动机的速度以及机床产生的振动作为构成学习模型的物理量的数据,但是实际上作为使用了更多的物理量的数据的数据集合而构建了学习模型。
图4示出了使用图3所例示的学习模型,根据从机床2取得的数据来诊断机床2的动作状态的示例。
在将图3所例示的学习模型用于诊断机床2的动作状态时,例如诊断部120计算从机床2以及传感器3取得的数据从作为学习模型的数据集合的中心位置向哪个方向偏离多远,以该计算值为分数来计算机床的异常度。此时,可以使根据从数据集合的中心位置向哪个方向偏离而计算的分数的权重变化。并且,在计算出的异常度超出预先设定的规定的第1阈值时,诊断为机床的动作异常。
此外,在其他示例中,诊断部120可以计算从机床2以及传感器3取得的数据的位置处的、作为学习模型的数据集合的数据密度,以该计算值为分数来计算机床的正常度。这样的情况下,在计算出的正常度比预先设定的规定的第2阈值小的情况下,诊断为机床的动作异常即可。
并且,也可以采用其他异常度(正常度)的计算方法。诊断部120可以构成为:只要能够使用准备好的学习模型作为异常度(正常度)来计算规定的能够比较的值,则将任何方法用于诊断机床2的动作状态。
在使用图3以及图4所例示的学习模型以及诊断方法时,特性差计算部38对诊断部120进行指令,以便根据机床2基准动作时取得的数据,使用存储在学习模型存储部130中的多个学习模型的每一个,对机床2的动作状态进行诊断。并且,特性差计算部38根据表示诊断部120计算出的异常度(正常度)的分数,来计算机床2与对应于各学习模型的机床的特性差。特性差计算部38可以将诊断部120算出的分数值直接用作机床2与对应于各学习模型的机床的特性差。此外,作为基准动作,特性差计算部38使机床2进行多个动作从而取得多个数据,针对作为基于各数据的诊断部120的诊断结果而获得的多个分数值进行统计运算(例如,平均值的计算等),将计算出的统计值用作机床2与对应于各学习模型的机床的特性差。
并且,学习模型选择部125根据特性差计算部38计算出的机床2与对应于各学习模型的机床的特性差,将特性差最小的机床的学习模型选择为用于诊断机床2的动作状态的学习模型。
具有上述结构的本实施方式涉及的诊断装置1可以使用从机床2取得的数据和预先构建完成的多个学习模型,来计算机床2与对应于各学习模型的机床的特性差,根据该计算出的特性差来选择最接近机床2的机床用的学习模型,将该选择出的学习模型用于诊断机床2的动作状态。因此,在新导入机床2时,即使是构建该机床2用的学习模型前的阶段,也可以使用用于特性差小的机床的学习模型以规定的精度来进行动作状态的诊断,可以降低学习模型构建的成本。
作为本实施方式涉及的诊断装置1的一变形例,特性差计算部38可以代替基于从机床2以及传感器3取得的数据的诊断部120的诊断结果,而根据进行规定的基准动作时从机床2取得的数据与进行了规定的基准动作时从各机床取得的数据的差量的大小,来计算机床2与对应于各学习模型的机床之间的特性差。该情况下,需要预先在各机床中进行规定的基准动作,将当时取得的数据作为学习模型的一部分(或与学习模型一起)进行存储,但是该作业在生成各机床用的学习模型的过程中事先进行即可。特性差计算部38可以将各数据值的差量平均值计算为表示特性差的值,此外,也可以使各数据具有权重来计算特性差。
图5是第2实施方式涉及的诊断装置1和机器学习装置100的概略功能框图。
本实施方式涉及的诊断装置1具有机器学习装置100对机床的动作状态进行诊断时所需的结构(诊断模式)。通过图1所示的诊断装置1具有的CPU11、以及机器学习装置100的处理器101执行各自的系统程序,控制诊断装置1以及机器学习装置100各部的动作,由此实现图5所示的各功能块。
本实施方式的诊断装置1除了第1实施方式涉及的诊断装置1具有的各功能单元(图2)之外,还具有学习模型调整部128。本实施方式涉及的诊断装置1具有的控制部32、数据取得部34、前处理部36以及特性差计算部38、以及该诊断装置1具有的机器学习装置100所具备的诊断部120和学习模型选择部125分别具有与第1实施方式中的对应的功能单元同样的功能。
通过图1所示的诊断装置1所具有的处理器101执行从ROM102读出的系统程序,主要进行处理器101使用了RAM103和非易失性存储器104的运算处理而实现学习模型调整部128。学习模型调整部128为了诊断机床2的动作状态而对学习模型选择部125选择出的学习模型进行调整。学习模型调整部128根据表示机床2的动作状态的数据,将学习模型选择部125选择出的学习模型调整为更适合机床2的动作状态的诊断的学习模型。
图6示出了根据从机床2取得的数据来对选择出的学习模型进行调整的示例。
图6中,黑圆点表示机床a正常动作时取得的数据,并且,黑三角表示规定的基准动作时从机床a取得的数据,白三角表示规定的基准动作时从机床2取得的数据。取得这样的数据时,若学习模型选择部125选择机床a的学习模型用于机床2的动作状态的诊断,则学习模型调整部128将同样的基准动作时从机床a取得的数据与从机床2取得的数据进行比较,以将各数据间的距离设为最小的方式,计算对机床a的数据集合的数据值进行变换的变换行列。
学习模型调整部128例如可以将平行移动行列计算为变换行列,该平行移动行列可以将各基准动作时取得的数据的差量设为最小。该情况下,例如如图7所例示那样,按数据轴来计算各基准动作时从机床a取得的数据与从机床2取得的数据的差量,对以计算出的差量的平均值而按各数据轴移动的变换行列进行计算即可。图7的示例中,分别求出基准动作时从机床a、机床2的每一个取得的振动的数据值的差量da2-1、da2-2、da2-3。对于其他数据轴也同样地求出数据值的差量平均,计算以针对各数据轴而计算出的差量平均量移动的变换行列即可。
此外,学习模型调整部128例如可以将放大缩小行列计算为变换行列,该放大缩小行列可以将各基准动作时取得的数据的差量设为最小。该情况下,例如如图8所例示那样,按数据轴来计算各基准动作时从机床a取得的数据的最大值以及最小值的差量(数据宽度)与从机床2取得的数据的最大值以及最小值的差量,对以计算出的差量的比率的量进行放大或缩小的变换行列进行计算即可。图8的示例中,求出基准动作时从机床a取得的数据的最大值以及最小值的差量la与从机床2取得的数据的最大值以及最小值的差量l2的比率l2/la。对于其他数据轴也同样地求出数据宽度的比率,计算以针对各数据轴计算出的比率量来放大或缩小的变换行列即可。
变换行列也可以设为将平行移动行列与放大缩小行列组合而得的行列。这样的情况下,首先求出放大缩小行列之后,以该放大缩小行列来进行学习模型的调整,针对进行了调整所得的学习模型进一步求出平行移动行列即可。
并且,学习模型调整部128使用计算出的变换行列,来变换构成机床a的学习模型的各数据的值,由此,将该学习模型调整为机床2用的学习模型。为了进行学习模型调整部128的调整处理,需要预先在各机床中进行规定的基准动作,将当时取得的数据存储为基准时的数据。该作业在生成各机床用的学习模型的过程中事前进行即可,与存储在学习模型存储部130中的各学习模型关联起来进行存储即可。
具有上述结构的本实施方式涉及的诊断装置1,使用从机床2取得的数据、预先构建完成的多个学习模型,来计算机床2和与各学习模型对应的机床的特性差,根据该特性差来选择最接近机床2的机床用的学习模型。并且,将选择出的学习模型调整为更适合机床2的动作状态的诊断的学习模型。因此,在新导入机床2时,即使是构建该机床2用的学习模型前的阶段,也可以使用特性差小的机床用的学习模型以规定的精度来进行动作状态的诊断。
图9是第3实施方式涉及的诊断装置1与机器学习装置100的概略功能框图。
本实施方式涉及的诊断装置1具有机器学习装置100对机床的动作状态进行诊断时所需的结构(诊断模式)。通过图1所示的诊断装置1具有的CPU11、以及机器学习装置100的处理器101执行各自的系统程序,控制诊断装置1以及机器学习装置100各部的动作,由此实现图9所示的各功能块。
本实施方式的诊断装置1除了第1实施方式涉及的诊断装置1具有的各功能单元(图2)之外,还具有动作模式判断部39。本实施方式涉及的诊断装置1具有的控制部32、数据取得部34和前处理部36、以及该诊断装置1具有的机器学习装置100具备的诊断部120和学习模型选择部125分别具有与第1实施方式中的对应的功能单元同样的功能。此外,在学习模型存储部130中存储有预先按各机床的动作模式构建出的学习模型。
通过图1所示的诊断装置1具有的CPU11执行从ROM12读出的系统程序,主要通过CPU11进行使用了RAM13和非易失性存储器14的运算处理来实现动作模式判断部39。动作模式判断部39根据从控制部32取得的机床2以及传感器3的动作状态有关的数据,来判断机床2的动作模式,为了诊断机床2的动作状态而对学习模型选择部125选择出的学习模型进行调整。本实施方式中,动作模式例如表示机床2的用途对应的动作趋势。作为动作模式的示例,例如列举了高速加工模式或精密加工模式等。此外,动作模式也可以是表示机床2进行动作的环境的趋势的模式。该情况下,作为动作模式的示例,例如列举了高温环境或高振动环境等。动作模式判断部39根据在非易失性存储器14的设定区域设定的机床2的控制有关的设定、通过控制用程序54的指令而设定的机床2的控制有关的设定、通过传感器3等检测的机床2的动作环境有关的检测值等来决定机床2的动作模式,将决定好的动作模式输出给特性差计算部38。
本实施方式涉及的特性差计算部38根据从动作模式判断部39输入的动作模式,从存储在学习模型存储部130中的多个学习模型中,只将在该动作模式中制作出的学习模型设为特性差的计算对象。本实施方式涉及的特性差计算部38如果除去考虑动作模式这一点,则具有与第1实施方式涉及的诊断装置1具备的特性差计算部38同样的功能。
具有上述结构的本实施方式涉及的诊断装置1使用规定的动作模式中从机床2取得的数据和预先构建完成的多个该动作模式每一个的学习模型,来计算机床2和与各学习模型对应的机床的特性差,根据该特性差来选择最接近机床2的机床用的学习模型。因此,在新导入机床2时,即使是构建该机床2规定的动作模式中的学习模型前的阶段,也可以使用特性差小的机床用的规定的动作模式学习模型以规定的精度来进行动作状态的诊断。
以下,对先说明的第1~3实施方式涉及的诊断装置1具有的结构实装为分散配置在包含云服务器或主计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置上的系统的实施方式(第4实施方式)进行说明。
如图10所例示那样,在以下的第4实施方式中,假设逻辑性地分为3层而构成的系统,该三层为多个装置的每一个与网络连接的状态下包含云服务器6等的等,包含雾计算机7等的层,边缘计算机8(单元9所包含的机器人控制器、控制装置等)等的层。关于这样的系统,本发明涉及的一方式的诊断装置1能够实装于云服务器6、雾计算机7、边缘计算机8的某一个上。图10所例示的系统中,在各地的工场分别设置多个单元9,以规定的单位(工场单位、相同的制造业者的多个工场单位等)由上位层的雾计算机7对各单元9进行管理。并且,针对这些由雾计算机7收集、解析的数据,通过更上位层的云服务器6进行收集、解析等,可以将作为该结果而获得的信息灵活运用于各边缘计算机8的控制等。
图11是在云服务器、雾计算机等计算机上安装了诊断装置1’时的概略硬件结构图。
本实施方式涉及的实装在计算机上的诊断装置1’具有的CPU311是对诊断装置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,按照该系统程序来控制诊断装置1’的整体。临时的计算数据或显示数据、操作员经由未图示的输入部输入的各种数据等暂时存储在RAM313中。
非易失性存储器314构成为例如通过电池(未图示)备份等,即使断开诊断装置1’的电源也可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、经由诊断装置1’的各部或网络5而从机床2’(以及传感器3)等取得的各种数据。存储在非易失性存储器314中的程序或各种数据可以在执行时/利用时在RAM313中展开。此外,ROM312中预先写入公知的解析程序等各种系统程序(包含用于控制与后述的机器学习装置100的交换的系统程序)。
诊断装置1’经由接口319与有线/无线的网络5连接。网络5与至少1个机床2’(具有控制装置的机床)、或其他诊断装置1、边缘计算机8、雾计算机7、云服务器6等连接,在与诊断装置1’之间相互进行数据的交换。
作为执行了在存储器上读入的各数据、程序等的结果而获得的数据等经由接口317而输出显示于显示装置370。此外,由键盘或定位设备等构成的输入装置371经由接口318将基于作业者进行的操作的指令、数据等转发给CPU311。
接口321是用于连接CPU311与机器学习装置100的接口。机器学习装置100具有与图1所说明的机器学习装置同样的结构。
这样,当在云服务器、雾计算机等计算机上实装诊断装置1’时,如果除去经由网络5进行与机床2’以及传感器3之间的信息的交换这一点,则诊断装置1’具有的功能与第1~第3实施方式(图2、图5、图9)所说明的诊断装置1一样。此时,机床2’具有控制装置,因此,诊断装置1’具有的控制部32不进行机床2’的控制,而从机床2’具有的控制装置取得该机床2’的动作状态有关的信息。此外,诊断装置1’具有的控制部32进行经由机床2’具有的控制装置的传感器3的间接控制,并且进行经由机床2’具有的控制装置的传感器3进行的测量值的取得。
并且,诊断装置1’从预先存储在学习模型存储部130中的多个学习模型中选择与对经由网络连接的机床2’的动作状态进行诊断相适合的学习模型,进行使用了该学习模型的机床2’的动作状态的诊断。诊断装置1’能够经由网络进行多个机床2’的动作状态的诊断,因此,不需要针对控制各机床2’的控制装置设置机器学习装置100,因此,对于各机床2’能够降低成本。
以上,对本发明的若干实施方式进行了说明,但是本发明并非只限定于上述实施方式的示例,通过增加适当的变更可以以各种方式来进行实施。
例如,在上述实施方式中作为诊断装置1和机器学习装置100具有不同的CPU(处理器)的装置进行说明,但是机器学习装置100也可以通过诊断装置1具有的CPU11和存储在ROM12中的系统程序来实现。
此外,上述实施方式中,示出了在机器学习装置100上设置存储多个学习模型的学习模型存储部130的实施例,但是例如也可以构成为不将学习模型存储部130设置于诊断装置1、1’上,而设置于上位的雾计算机7或云服务器6上,通过多个诊断装置1、1’来共享。这样,通过在制造业者的主计算机、或机床的制造商运营的云服务器上对学习模型进行管理,导入诊断装置1、1’的业者共享而灵活运用,由此,也能够降低系统整体的运用成本。
并且,上述实施方式中示出了对机床的正常/异常状态进行诊断的诊断装置的示例,但是本申请发明不限于此,关于工业机器也可以适当应用于进行规定的诊断的实施例。例如,作为工业机器除了机床以外,还能够实现对放电加工机、射出成形机、运送机器人、涂装机器人等的应用。此外,例如还能够实现对工业机器的热移位状态的诊断等的应用,该情况下,例如可以将作为基准动作而进行了规定动作时的各部的热移位状态取得为状态数据S,根据该取得的状态数据S与作为学习模型而存储的使各工业机器进行基准动作时的状态数据的差异来计算特性差即可。
Claims (5)
1.一种对机器的动作进行诊断的诊断装置,其特征在于,
所述诊断装置具有:
学习模型存储部,其预先存储多个学习模型,该多个学习模型是对多个机器各自的动作时观测的物理量进行机器学习而生成的;
数据取得部,其取得与所述多个机器不同的其他机器的动作时观测到的物理量;
特性差计算部,其使用由所述数据取得部取得的所述其他机器的动作有关的物理量和存储在所述学习模型存储部中的学习模型,计算所述其他机器与所述多个机器的每一个的特性差;
学习模型选择部,其根据所述特性差计算部计算出的所述特性差,来选择用于诊断所述其他机器的动作的学习模型;以及
诊断部,其使用所述学习模型选择部选择出的学习模型来诊断所述其他机器的动作。
2.根据权利要求1所述的诊断装置,其特征在于,
所述诊断部对所述其他机器的正常状态或者异常状态进行诊断。
3.根据权利要求1所述的诊断装置,其特征在于,
所述诊断装置还具有:学习模型调整部,其根据由所述数据取得部取得的所述其他机器的动作有关的物理量,以适合于所述其他机器的动作的诊断的方式调整所述学习模型选择部选择出的学习模型。
4.根据权利要求1所述的诊断装置,其特征在于,
所述诊断装置还具有:动作模式判断部,其判断所述其他机器的动作模式,
所述学习模型存储部中,预先针对多个机器中的每一个存储有对每个所述动作模式在动作时观测的物理量进行机器学习而生成的每个动作模式的多个学习模型,
所述特性差计算部使用以与所述动作模式判断部判断出的动作模式相同的动作模式生成的学习模型来计算所述特性差。
5.一种对机器的动作进行诊断的诊断方法,其特征在于,
所述诊断方法包含:
取得在第1机器的动作时观测出的物理量的步骤;
使用在所述取得的步骤中取得的所述第1机器的动作有关的物理量和对在与所述第1机器不同的多个机器各自的动作时观测的物理量进行机器学习而预先生成的多个学习模型,计算所述第1机器与所述多个机器的每一个的特性差的步骤;
根据在所述计算的步骤中计算出的所述特性差,选择用于诊断所述第1机器的动作的学习模型的步骤;以及
使用在所述选择的步骤中选择出的学习模型来诊断所述第1机器的动作的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019112630A JP7347969B2 (ja) | 2019-06-18 | 2019-06-18 | 診断装置及び診断方法 |
JP2019-112630 | 2019-06-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099435A true CN112099435A (zh) | 2020-12-18 |
CN112099435B CN112099435B (zh) | 2024-02-06 |
Family
ID=73654489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010560204.6A Active CN112099435B (zh) | 2019-06-18 | 2020-06-18 | 诊断装置以及诊断方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11334045B2 (zh) |
JP (1) | JP7347969B2 (zh) |
CN (1) | CN112099435B (zh) |
DE (1) | DE102020115561A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7260389B2 (ja) * | 2019-05-08 | 2023-04-18 | ファナック株式会社 | 産業用機械 |
DE102020202870A1 (de) * | 2020-03-06 | 2021-09-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Validierung und Auswahl auf maschinellem Lernen basierender Modelle zur Zustandsüberwachung einer Maschine |
CN116997876A (zh) * | 2021-03-18 | 2023-11-03 | 大金工业株式会社 | 修正装置、预测装置、方法、程序及修正模型 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187803A (zh) * | 2007-12-06 | 2008-05-28 | 宁波思华数据技术有限公司 | 基于数据挖掘技术的氨合成装置生产优化方法 |
JP5342708B1 (ja) * | 2013-06-19 | 2013-11-13 | 株式会社日立パワーソリューションズ | 異常検知方法及びその装置 |
CN105467971A (zh) * | 2015-11-06 | 2016-04-06 | 国网山东省电力公司日照供电公司 | 一种电力二次设备监测系统及方法 |
CN108490779A (zh) * | 2018-03-20 | 2018-09-04 | 华东交通大学 | 一种稀土萃取过程解耦控制方法 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088454A1 (en) * | 2004-10-25 | 2007-04-19 | Ford Motor Company | System and method for troubleshooting a machine |
KR101517917B1 (ko) * | 2007-08-09 | 2015-05-07 | 히다치 겡키 가부시키 가이샤 | 작업기계의 기기 진단장치 및 기기 진단시스템 |
JP5554856B1 (ja) * | 2013-03-14 | 2014-07-23 | 株式会社小松製作所 | 作業機械 |
JP6148316B2 (ja) | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
DE102016008987B4 (de) | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
US10732606B2 (en) * | 2016-05-13 | 2020-08-04 | Ricoh Company, Ltd. | Information processing apparatus, information processing method, and information processing system |
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 |
JP6873759B2 (ja) * | 2017-03-14 | 2021-05-19 | オークマ株式会社 | 工作機械の診断装置における診断モデルの更新システム |
JP2018160078A (ja) * | 2017-03-22 | 2018-10-11 | パナソニックIpマネジメント株式会社 | 異常検知装置及び異常検知方法 |
JP6691087B2 (ja) * | 2017-10-04 | 2020-04-28 | ファナック株式会社 | 熱変位補正システム |
JP6957307B2 (ja) * | 2017-10-20 | 2021-11-02 | 株式会社日立製作所 | 診断装置 |
JP6517991B1 (ja) * | 2018-08-31 | 2019-05-22 | 株式会社日立パワーソリューションズ | 異常予兆診断システム、管理装置、及び異常予兆診断方法 |
JP6885911B2 (ja) * | 2018-10-16 | 2021-06-16 | アイダエンジニアリング株式会社 | プレス機械及びプレス機械の異常監視方法 |
JP7330754B2 (ja) * | 2019-05-14 | 2023-08-22 | 株式会社日立製作所 | 異常診断装置及び方法 |
-
2019
- 2019-06-18 JP JP2019112630A patent/JP7347969B2/ja active Active
-
2020
- 2020-06-01 US US16/888,859 patent/US11334045B2/en active Active
- 2020-06-12 DE DE102020115561.1A patent/DE102020115561A1/de active Pending
- 2020-06-18 CN CN202010560204.6A patent/CN112099435B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187803A (zh) * | 2007-12-06 | 2008-05-28 | 宁波思华数据技术有限公司 | 基于数据挖掘技术的氨合成装置生产优化方法 |
JP5342708B1 (ja) * | 2013-06-19 | 2013-11-13 | 株式会社日立パワーソリューションズ | 異常検知方法及びその装置 |
CN105467971A (zh) * | 2015-11-06 | 2016-04-06 | 国网山东省电力公司日照供电公司 | 一种电力二次设备监测系统及方法 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其系统 |
EP3454289A1 (en) * | 2016-05-04 | 2019-03-13 | Doosan Heavy Industries & Construction Co., Ltd. | Plant abnormality detection method and system |
CN108490779A (zh) * | 2018-03-20 | 2018-09-04 | 华东交通大学 | 一种稀土萃取过程解耦控制方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200401098A1 (en) | 2020-12-24 |
JP7347969B2 (ja) | 2023-09-20 |
CN112099435B (zh) | 2024-02-06 |
JP2020204937A (ja) | 2020-12-24 |
US11334045B2 (en) | 2022-05-17 |
DE102020115561A1 (de) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099435B (zh) | 诊断装置以及诊断方法 | |
CN110405532B (zh) | 工具选定装置以及机器学习装置 | |
JP4648471B2 (ja) | 工作機械の工具軌跡表示装置 | |
CN107111297B (zh) | 用于由至少一台计算机数控机器加工的工件的部件分析的计算机实现方法 | |
US8190287B2 (en) | Tool vector display apparatus for a machine tool with rotational axes | |
JP6711854B2 (ja) | 故障予測装置及び機械学習装置 | |
JP6959278B2 (ja) | びびり振動判定装置、機械学習装置及びシステム | |
JP6898371B2 (ja) | 加工条件調整装置及び加工条件調整システム | |
CN111123842A (zh) | 数值控制装置 | |
CN111687652A (zh) | 握持力调整装置以及握持力调整系统 | |
CN112783089A (zh) | 诊断装置 | |
JP7101131B2 (ja) | 数値制御システム | |
JP7015261B2 (ja) | 管理装置及び管理システム | |
JP7000295B2 (ja) | 送り軸およびウォームギヤ異常判定システム | |
CN110174871B (zh) | 控制装置、机器学习装置以及系统 | |
WO2021241352A1 (ja) | 工具診断装置 | |
KR20230140875A (ko) | 공작기계 상태진단 장치 및 방법 | |
JP6928031B2 (ja) | 制御装置及び制御システム | |
CN112867975B (zh) | 维护辅助系统、数控装置及维护辅助系统的控制方法 | |
CN108693841B (zh) | 制造系统以及制造方法 | |
CN115315336A (zh) | 控制装置 | |
CN111624951B (zh) | 加工条件调整装置以及加工条件调整系统 | |
JP7256703B2 (ja) | 制御装置、制御システム、及び機械学習装置 | |
CN112904802A (zh) | 程序解析装置 | |
CN116529679A (zh) | 数据收集计划生成装置以及数据收集计划生成方法 |
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 |