CN112859751A - 机器学习装置、消耗电力预测装置和控制装置 - Google Patents

机器学习装置、消耗电力预测装置和控制装置 Download PDF

Info

Publication number
CN112859751A
CN112859751A CN202011332725.2A CN202011332725A CN112859751A CN 112859751 A CN112859751 A CN 112859751A CN 202011332725 A CN202011332725 A CN 202011332725A CN 112859751 A CN112859751 A CN 112859751A
Authority
CN
China
Prior art keywords
power consumption
information
machining
machine tool
machine
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
CN202011332725.2A
Other languages
English (en)
Inventor
荻野秀雄
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 CN112859751A publication Critical patent/CN112859751A/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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning 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
    • G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32021—Energy management, balance and limit power to tools
    • 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
    • G05B2219/34306—Power down, energy saving
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37575—Pre-process, measure workpiece before machining
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明提供一种机器学习装置、消耗电力预测装置和控制装置。机器学习装置具有：输入数据取得部，其在通过运行任意加工程序而使用任意机床对工件的加工中，取得加工信息来作为输入数据，该加工信息包含：机床相关的信息、辅助动作机器相关的信息、工件相关的信息、以及加工程序；标签取得部，其取得表示消耗电力信息的标签数据，该消耗电力信息是加工程序的运行中机床和辅助动作机器的消耗电力相关的信息；学习部，其使用所取得的输入数据和所取得的标签数据来执行监督学习，生成学习完成模型，该学习完成模型输入此后要进行的加工的加工信息、输出此后要进行的加工中的消耗电力信息。

Description

机器学习装置、消耗电力预测装置和控制装置
技术领域
本发明涉及机器学习装置、消耗电力预测装置和控制装置。
背景技术
在拥有机床等制造设备的企业中，降低对环境的负荷(节能化或削减废弃物等)成为重要的课题。为了降低对环境的负荷，例如，需要知道所拥有的制造设备的消耗电力。
这方面，已知如下技术：不是使机床实际动作，而是通过模拟执行加工程序，来模拟性地计算机床的数值控制装置输出给机床的转矩值，根据计算出的转矩值来模拟机床的消耗电力。例如，参照专利文献1。
现有技术文献
专利文献1：日本特开2014－219911号公报
但是，实际的数值控制装置会根据来自机床的驱动部(伺服电动机)的编码器的反馈来修正输出给机床的转矩指令值。另一方面，在模拟中，没有使机床运行所以不存在上述反馈，因此，计算出的转矩值未必与实际的数值控制装置输出的转矩指令值一致。因此，会存在模拟出的消耗电力与实际机床的消耗电力相比误差大这样的问题。
此外，在输入了新制作出的加工程序时，再次进行模拟而需要预测加工时间。
发明内容
因此，希望不用进行模拟，而是制作学习完成模型，利用该学习完成模型来高精度地预测消耗电力，其中，所述学习完成模型能高精度地输出运行新制作出的加工程序导致的消耗电力。
(1)本公开的机器学习装置的一个方式，具有：输入数据取得部，其在通过运行任意加工程序而使用任意机床对工件的加工中，至少取得加工信息来作为输入数据，该加工信息包含：所述机床相关的信息、进行所述机床的辅助动作的辅助动作机器相关的信息、所述工件相关的信息、以及所述加工程序；标签取得部，其取得表示消耗电力信息的标签数据，该消耗电力信息是所述加工程序的运行中所述机床和所述辅助动作机器的消耗电力相关的信息；以及学习部，其使用由所述输入数据取得部所取得的输入数据以及由所述标签取得部所取得的标签数据来执行监督学习，生成学习完成模型，该学习完成模型输入此后要进行的加工的加工信息、输出所述此后要进行的加工中的所述消耗电力信息。
(2)本公开的消耗电力预测装置的一个方式，具有：学习完成模型，其由(1)所述的机器学习装置所生成，所述学习完成模型输入此后要进行的加工的加工信息、输出所述此后要进行的加工中的所述消耗电力信息；输入部，其在运行加工程序之前输入加工信息，该加工信息包含：机床相关的信息、进行所述机床的辅助动作的辅助动作机器相关的信息、加工对象工件相关的信息、以及所述加工程序相关的信息；预测部，其将由所述输入部输入的所述加工信息输入到所述学习完成模型，由此，根据所述学习完成模型输出的所述此后要进行的加工中的所述消耗电力信息，预测运行所述加工程序时的消耗电力相关的消耗电力信息。
本公开的控制装置的一个方式，具有(2)所述的消耗电力预测装置。
发明效果
根据本公开的一个方式，不用进行模拟，就能生成学习完成模型，该学习完成模型能高精度地输出运行新制作出的加工程序导致的消耗电力。并且，通过利用该学习完成模型能够高精度地预测消耗电力。
附图说明
图1是表示一实施方式的预测系统的功能结构例的功能框图。
图2A是表示机床相关的机床信息的一例的图。
图2B是表示辅助动作机器相关的辅助动作信息的一例的图。
图2C是表示加工程序的一例的图。
图3是表示由标签取得部取得为标签数据的消耗电力信息的一例的图。
图4是表示提供给图1的消耗电力预测装置的学习完成模型的一例的图。
图5是表示预测部预测的预测结果的一例的图。
图6是对运用阶段中消耗电力预测装置的预测处理进行说明的流程图。
图7是表示预测系统的结构的一例的图。
图8是表示预测系统的结构的一例的图。
符号说明
1 预测系统
10 机床
101 控制装置
102 辅助动作机器
20 消耗电力预测装置
201 输入部
202 预测部
203 决定部
204 通信部
205 存储部
250 学习完成模型
30 机器学习装置
301 输入数据取得部
302 标签取得部
303 学习部
304 存储部
50 服务器
60 网络
具体实施方式
以下，使用附图对本公开的一实施方式进行说明。
＜一实施方式＞
图1是表示一实施方式的预测系统的功能结构例的功能框图。如图1所示，预测系统1具有：机床10、消耗电力预测装置20、机器学习装置30。
机床10、消耗电力预测装置20、机器学习装置30可以经由未图示的连接接口彼此直接连接。此外，机床10、消耗电力预测装置20、机器学习装置30也可以经由LAN(LocalArea Network)或因特网等未图示的网络相互连接。该情况下，机床10、消耗电力预测装置20、机器学习装置30具有通过这样的连接而相互进行通信的未图示的通信部。另外，如后述那样，消耗电力预测装置20可以包含机器学习装置30。此外，机床10也可以包含消耗电力预测装置20和机器学习装置30。
机床10对于本领域技术人员来说是公知的机床，通过组装而具有控制装置101和辅助动作机器102。机床10根据控制装置101的动作指令来进行动作。如后述那样，机床10从CAD/CAM装置等未图示的外部装置取得新制作出的加工程序时，在运行所取得的加工程序之前，经由机床10的通信部(未图示)，将包含机床10和加工程序的加工信息输出给消耗电力预测装置20。
另外，在加工信息所包含的机床10有关的信息中，可以包含控制轴数、主轴数、轴配置、定位轴/主轴电动机规格(额定输出(kW)、额定转矩(N·m))等。此外，在加工信息中还可以包含泵动力(W)、动力电动机规格(额定输出(kW)、额定转矩(N·m))等后述的辅助动作机器102有关的信息、以及材质或重量等加工对象工件(未图示)有关的信息。
控制装置101对于本领域技术人员来说是公知的数值控制装置，根据从外部装置(未图示)取得的加工程序来生成动作指令，将所生成的动作指令发送给机床10。由此，控制装置101控制机床10的动作。另外，控制装置101可以经由未图示的机床10的通信部，代替机床10而是将加工信息输出给消耗电力预测装置20。
此外，控制装置101可以是与机床10独立的装置。
辅助动作机器102是进行机床10的辅助动作的机器，例如，是液压控制装置或冷却液泵、切屑传送带等。
另外，辅助动作机器102也可以是与机床10独立的装置。此外，机床10可以包含多个辅助动作机器102。该情况下，加工信息可以包含多个辅助动作机器102的每一个机器相关的信息。
消耗电力预测装置20在运用阶段，在运行加工程序之前，从机床10取得包含机床10、辅助动作机器102、工件、加工程序的加工信息。然后，消耗电力预测装置20将取得的加工信息输入到由后述的机器学习装置30提供的学习完成模型。由此，消耗电力预测装置20可以预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。
因此，在对消耗电力预测装置20进行说明前，对用于生成学习完成模型的机器学习进行说明。
＜机器学习装置30＞
机器学习装置30例如预先在通过运行任意加工程序而使用任意机床10对工件的加工中，取得以下包含以下信息的加工信息来作为输入数据：机床10有关的信息、进行机床10的辅助动作的辅助动作机器102有关的信息、加工而得的工件相关的信息、加工程序相关的信息。
此外，机器学习装置30取得如下数据来作为标签(正确解)：表示基于所取得的输入数据的运行加工程序中机床10和辅助动作机器102的消耗电力有关的消耗电力信息，即运行所述加工程序时的总消耗电力量、以及运行所述加工程序时的各程序块的消耗电力。
机器学习装置30利用所取得的输入数据与标签之组的训练数据来进行监督学习，构建后述的学习完成模型。
这样，机器学习装置30可以将构建出的学习完成模型提供给消耗电力预测装置20。
对机器学习装置30进行具体说明。
如图1所示，机器学习装置30具有：输入数据取得部301、标签取得部302、学习部303、存储部304。
输入数据取得部301在学习阶段，在通过运行任意加工程序而使用任意机床10对工件的加工中，从机床10经由未图示的通信部取得加工信息来作为输入数据，所述加工信息包含机床10有关的信息、辅助动作机器102有关的信息、加工所得的工件相关的信息、加工程序相关的信息。
图2A是表示机床10的机床信息的一例的图。
输入数据取得部301取得加工信息所包含的n个机床信息IM(1)－IM(n)(n是2以上的整数)来作为输入数据。如图2A所示，机床信息IM(1)例如表示机床10是机床ID“M－001”，控制轴数是“3”。此外，机床信息IM(1)表示轴配置是正交3轴的X轴、Y轴、Z轴，Z轴是重力轴。此外，机床信息IM(1)表示机床10的主轴数是“1”。此外，机床信息IM(1)表示机床10的电动机规格(额定输出)在X轴是“2.0kW”，在Y轴是“2.0kW”，在Z轴是“3.5kW”，在主轴是“7.5kW”。
另外，在机床10是5轴时，机床信息IM(1)例如可以表示控制轴数是“5”，轴配置是X轴、Y轴、Z轴、B轴、C轴这5轴，Z轴是重力轴。此外，在机床10的主轴数是“1”时，机床信息IM(1)可以表示机床10的电动机规格(额定输出)在X轴是“2.0kW”，在Y轴是“3.0kW”，在Z轴是“4.5kW”，在B轴是“2.5kW”，在C轴是“2.5kW”，在主轴是“8.4kW”。
图2B是表示辅助动作机器102的辅助动作信息的一例的图。
输入数据取得部301取得机床信息IM(1)－IM(n)、以及n个辅助动作信息IA(1)－IA(n)来作为输入数据。如图2B所示，辅助动作信息IA(1)例如表示辅助动作机器102是辅助动作机器ID“A－001”，泵动力是“15.0kW”。另外，辅助动作信息IA(1)可以包含泵动力和动力电动机的额定输出(例如，7.5kW等)。
图2C是表示加工程序的一例的图。
输入数据取得部301取得机床信息IM(1)－IM(n)、辅助动作信息IA(1)－IA(n)、以及n个加工程序PG(1)－PG(n)来作为输入数据。另外，如图2C所示，加工程序PG(1)－PG(n)可以分别包含序列号的程序块确定信息。
此外，加工信息可以包含n个工件信息，所述n个工件信息表示机床信息IM(1)－IM(n)的机床10通过运行各加工程序PG(1)－PG(n)而进行了加工的工件的材质(例如，FC100等)、重量(例如，1.5kg等)。并且，输入数据取得部301可以取得机床信息IM(1)－IM(n)、辅助动作信息IA(1)－IA(n)、加工程序PG(1)－PG(n)、以及n个工件信息来作为输入数据。
另外，在铸铁的情况下，工件信息所包含的材质中存在“FC100”、“FC150”、“FC200”、“FC250”、“FC300”、“FC350”等。此外，在铝合金的情况下，工件信息所包含的材质中存在“A4032”、“A5052”、“A5083”、“A6061”、“A7075”等。此外，在镁合金的情况下，在工件信息所包含的材质中存在“AZ31”、“AZ91”等。
并且，输入数据取得部301将所取得的输入数据存储在存储部304中。
另外，输入数据包含机床10有关的信息、辅助动作机器102有关的信息、加工所得的工件相关的信息、加工程序相关的信息，但是不限于此，也可以包含至少一个。此外，输入数据可以包含程序块确定信息的加工程序内容，来代替输入加工程序本身。
标签取得部302取得运行各加工程序PG(1)－PG(n)中的机床10和辅助动作机器102的消耗电力有关的消耗电力信息来作为标签数据(正确解数据)。另外，消耗电力信息中包含运行各加工程序PG(1)－PG(n)时的机床10和辅助动作机器102的总消耗电力量、以及运行各加工程序PG(1)－PG(n)时的每一个程序块的消耗电力。
图3是表示由标签取得部302取得为标签数据的消耗电力信息的一例的图。
图3的上段表示图2A的机床信息IM(1)－IM(n)的各机床10运行各加工程序PG(1)－PG(n)时的消耗电力的时间序列数据MP(1)－MP(n)。图3的中段表示图2B的辅助动作信息IA(1)－IA(n)的各辅助动作机器102运行各加工程序PG(1)－PG(n)时的消耗电力的时间序列数据AP(1)－AP(n)。图3的下段表示执行时间数据TM(1)－TM(n)，该执行时间数据TM(1)－TM(n)表示图2C的加工程序PG(1)－PG(n)的各程序块的执行时间。换言之，图3表示为了计算标签数据所需的辅助数据。
另外，图3上段的机床10的消耗电力的时间序列数据MP(1)－MP(n)可以由设置于机床10的未图示的电力计来测量。此外，图3中段的辅助动作机器102的消耗电力的时间序列数据AP(1)－AP(n)可以由设置于辅助动作机器102的未图示的电力计来测量。此外，图3下段的执行时间数据TM(1)表示加工程序PG(1)的程序块中序列号“N249”、“N250”、“N251”的执行时间。
具体来说，标签取得部302例如在执行时间数据TM(1)的序列号“N249”的执行时间中，合计时间序列数据MP(1)表示的机床10的消耗电力的最大值与时间序列数据AP(1)表示的辅助动作机器102的消耗电力的最大值。标签取得部302将合计而得的值作为序列号“N249”的程序块的消耗电力，取得为标签数据。对于其他序列号的程序块的消耗电力，标签取得部302也进行同样的计算，取得为标签数据。
另外，标签取得部302合计了所述程序块的执行时间中的机床10的消耗电力的最大值与辅助动作机器102的消耗电力的最大值来作为程序块的消耗电力，但是不限于此。例如，标签取得部302也可以将程序块的执行时间中的机床10和辅助动作机器102的消耗电力的平均值、或者最小值等作为所述程序块的消耗电力。
此外，标签取得部302在开始执行加工程序PG(k)到结束执行加工程序PG(k)为止的时间内，对机床信息(k)的机床10的消耗电力的时间序列数据MP(k)与辅助动作信息(k)的辅助动作机器102的消耗电力的时间序列数据AP(k)进行时间积分、合计，由此，计算运行加工程序时的总消耗电力量(kWh)，取得为标签数据。另外，k是1～n的值。
标签取得部302将如上所述取得的标签数据存储在存储部304中。
学习部303受理上述输入数据与标签之组来作为训练数据。学习部303使用受理的训练数据来进行监督学习，由此，构建学习完成模型250，该学习完成模型250输入包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、以及加工程序的此后要进行的加工信息，输出包含运行加工程序时的总消耗电力量和运行加工程序时的各程序块的消耗电力的此后要进行的加工中的消耗电力信息。
然后，学习部303将构建出的学习完成模型250提供给消耗电力预测装置20。
另外，希望准备多个用于进行监督学习的训练数据。例如，可以从在顾客的工厂等实际运行的各场所的机床10取得训练数据。
图4是表示提供给图1的消耗电力预测装置20的学习完成模型250的一例的图。这里，如图4所示，示例了学习完成模型250为如下多层神经网络：以包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、以及加工程序的加工信息为输入层，以运行加工程序时的总消耗电力量和运行加工程序时的各程序块的消耗电力为输出层。
这里，机床10的机床信息中包含控制轴数、主轴数、轴配置、定位轴/主轴电动机规格(额定输出(W)、额定转矩(N·m)等)。此外，辅助动作机器102的辅助动作信息中包含泵动力(W)或动力电动机规格(额定输出(W)、额定转矩(N·m)等)。此外，工件信息中包含工件的材质和重量。
此外，学习部303在构建出学习完成模型250后，在取得新的训练数据时，对学习完成模型250进一步进行监督学习，由此，对曾经构建出的学习完成模型250进行更新。
这样，可以从平时的机床10的加工动作自动获得训练数据，因此，可以日常性地提升消耗电力的预测精度。
上述监督学习可以通过在线学习来进行。此外，监督学习还可以通过批量学习来进行。此外，监督学习也可以通过小批量学习来进行。
所谓在线学习是如下学习方法：每当在机床10中进行加工而制作训练数据时，立即进行监督学习。此外，所谓批量学习是如下学习方法：重复在机床10中进行加工而制作训练数据的期间，收集与重复对应的多个训练数据，使用收集到的所有训练数据来进行监督学习。进而，所谓小批量学习是在线学习与批量学习中间的学习方法，是每当积攒了某种程度训练数据时进行监督学习的学习方法。
存储部304是RAM(Random Access Memory)等，其存储由输入数据取得部301取得的输入数据、由标签取得部302取得的标签数据、由学习部303构建出的学习完成模型250等。
以上，对用于生成消耗电力预测装置20具有的学习完成模型250的机器学习进行了说明。
接下来，对运用阶段的消耗电力预测装置20进行说明。
＜运用阶段的消耗电力预测装置20＞
如图1所示，运用阶段的消耗电力预测装置20构成为包含：输入部201、预测部202、决定部203、通知部204、存储部205。
另外，消耗电力预测装置20为了实现图1的功能块的动作，而具有CPU(CentralProcessing Unit)等未图示的运算处理装置。此外，消耗电力预测装置20具有存储了各种控制用程序的ROM(Read Only Memory)或HDD(Hard Disk Drive)等未图示的辅助存储装置、或用于存储运算处理装置执行程序后临时需要的数据的RAM这样的未图示的主存储装置。
并且，在消耗电力预测装置20中，运算处理装置从辅助存储装置中读入OS或应用软件，一边在主存储装置中展开读入的OS或应用软件，一边进行根据这些OS或应用软件的运算处理。消耗电力预测装置20根据该运算结果来控制各硬件。由此，实现图1的功能块进行的处理。也就是说，可以通过硬件与软件协作来实现消耗电力预测装置20。
输入部201在运行加工程序之前，从机床10输入加工信息，所述加工信息包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、和此后运行的加工程序。输入部201将输入的加工信息输出给预测部202。此后运行的加工程序可以是新制作出的加工程序，也可以是已经运行完成的加工程序。
另外，作为加工信息所包含的机床10的机床信息和辅助动作机器102的辅助动作信息，输入部201可以输入确定机床10的机床ID和确定辅助动作机器102的辅助动作机器ID来作为加工信息。该情况下，与机床ID对应起来的机床10的机床信息和与辅助动作机器ID对应起来的辅助动作机器102的辅助动作信息可以预先存储在后述的存储部205中。由此，输入部201可以根据输入的机床ID和辅助动作机器ID，从存储部205取得机床10的机床信息和辅助动作机器102的辅助动作信息。
预测部202将由输入部201输入的加工信息所包含的机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、此后运行的加工程序输入到图4的学习完成模型250，由此，取得学习完成模型250输出的运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。这样，预测部202可以预测运行加工程序时的总消耗电力量以及运行所述加工程序时的各程序块的消耗电力。
图5是表示预测部202预测的预测结果的一例的图。
图5是横轴表示加工程序的序列号(程序块)。图5的纵轴表示由预测部202预测出的各程序块的消耗电力。
如图5所示，例如示出了存在消耗电力超过阈值α的序列号“N100”、“N210”和“N320”的程序块。
决定部203将由预测部202预测出的各程序块的消耗电力与预先设定的阈值α进行比较，判定是否存在消耗电力超过阈值α的程序块。当不存在消耗电力超过阈值α的程序块时，决定部203决定不产生警报，运行加工程序使机床10加工工件。
另一方面，当存在消耗电力超过阈值α的程序块时，决定部203决定产生警报。决定部203将表示消耗电力超过阈值α的程序块(序列号)的指令程序块确定信息输出给后述的通知部204。
这样，消耗电力预测装置20可以提醒机床10的用户重新审视加工条件和加工路径这样的加工程序，以使程序块的消耗电力为阈值α以下。即，消耗电力预测装置20能够支援节能化。
另外，可以根据机床10所要求的周期时间、加工精度、或者消耗电力等来适当设定阈值α。
通知部204在根据决定部203接收到指令程序块确定信息时，可以对机床10和/或控制装置101所包含的液晶显示器等输出装置(未图示)输出警报和指令程序块确定信息表示的序列号。另外，通知部204可以经由扬声器(未图示)通过声音来进行通知。
存储部205是ROM或HDD等，其可以存储各种控制用程序、学习完成模型250、阈值α。此外，存储部205也可以存储与机床ID对应起来的机床10的机床信息和与辅助动作机器ID对应起来的辅助动作信息。
＜运用阶段的消耗电力预测装置20的预测处理＞
接下来，对本实施方式的消耗电力预测装置20的预测处理的动作进行说明。
图6是对运用阶段的消耗电力预测装置20的预测处理进行说明的流程图。每当输入加工信息时重复执行这里所示的流程。
步骤S11中，输入部201在运行加工程序之前，输入包含机床10的机床ID、辅助动作机器102的辅助动作机器ID、工件信息、和此后运行的加工程序的加工信息。例如，输入部201从存储部205取得所输入的机床ID对应起来的机床10的机床信息、以及所输入的辅助动作机器ID对应起来的辅助动作机器102的辅助动作信息。
步骤S12中，预测部202将在步骤S11中输入的加工信息输入给学习完成模型250，由此，取得包含学习完成模型250输出的运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力在内的、此后要进行的加工中的消耗电力信息，预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。
步骤S13中，决定部203将在步骤S12中预测出的各程序块的消耗电力与阈值α进行比较，判定是否存在消耗电力超过阈值α的程序块。当存在消耗电力超过阈值α的程序块时，处理向步骤S14转移。当不存在消耗电力超过阈值α的程序块时，处理结束。
步骤S14中，通知部204通知在步骤S13中所决定的警报。
通过以上，一实施方式的消耗电力预测装置20在运行加工程序之前输入加工信息，该加工信息包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、此后运行的加工程序。消耗电力预测装置20将输入的加工信息输入到学习完成模型250，由此，取得包含学习完成模型250输出的运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力相关的消耗电力信息，预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。
由此，消耗电力预测装置20即使在输入了新制作出的加工程序时，不用为了消耗电力测量而实际运行或进行模拟，就可以高精度地测量运行加工程序时的消耗电力。
具体来说，构建学习模型后，不用为了消耗电力测量而实际运行新制作出的加工程序或对其进行模拟，就可以推定运行所述加工程序时的机床10的消耗电力。
此外，作为次要的效果，对应于加工形状或加工方法的电力消耗的趋势分析变得容易。由此，通过重新考虑加工条件和加工路径这样的加工程序，能够有助于节能化。
此外，由于可以确定消耗电力超过阈值α的程序块，因此变更所述程序块周边的加工条件来抑制峰值电力，由此，可以将电力公司的合同转为所需最小限度的安培数从而有助于设备的运行成本降低。
以上，对一实施方式进行了说明，但是消耗电力预测装置20和机器学习装置30并非限定于上述实施方式，包含可以达成目的的范围内的变形、改良等。
＜变形例1＞
上述实施方式中，示例了机器学习装置30是与机床10、控制装置101、消耗电力预测装置20不同的装置，但是机床10、控制装置101、或者消耗电力预测装置20也可以具有机器学习装置30的一部分或者全部的功能。
＜变形例2＞
又例如上述实施方式中，示例了消耗电力预测装置20是与机床10或控制装置101不同的装置，但是机床10或者控制装置101也可以具有消耗电力预测装置20的一部分或者全部的功能。
或者，例如服务器可以具有消耗电力预测装置20的输入部201、预测部202、决定部203、通知部204和存储部205的一部分或者全部。此外，也可以在云上利用虚拟服务器功能等来实现消耗电力预测装置20的各功能。
并且，消耗电力预测装置20也可以作为将消耗电力预测装置20的各功能适当分散到多个服务器的分散处理系统。
＜变形例3＞
又例如上述实施方式中，消耗电力预测装置20使用由机器学习装置30提供的、输入此后要进行的加工的加工信息并输出此后要进行的加工中的消耗电力信息的学习完成模型250，根据所输入的加工信息来预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力，但是不限于此。例如图7所示，服务器50可以存储由机器学习装置30生成的学习完成模型250，在与网络60连接的m个消耗电力预测装置20A(1)－20A(m)之间共享学习完成模型250(m是2以上的整数)。由此，即使配置新的机床和消耗电力预测装置也可以应用学习完成模型250。
另外，消耗电力预测装置20A(1)－20A(m)的每一个装置与机床10A(1)－10A(m)的每一个机床连接。
此外，机床10A(1)－10A(m)的每一个机床对应于图1的机床10，可以是彼此相同机型的机床，也可以是彼此不同机型的机床。消耗电力预测装置20A(1)－20A(m)的每一个装置对应于图1的消耗电力预测装置20。
或者，如图8所示，服务器50例如作为消耗电力预测装置20进行动作，对应于与网络60连接的机床10A(1)－10A(m)的每一个机床，根据所输入的加工信息来预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。由此，即使配置新的机床也可以适用学习完成模型250。
＜变形例4＞
又例如上述实施方式中，消耗电力预测装置20对输入此后要进行的加工的加工信息、输出此后要进行的加工中的消耗电力信息的学习完成模型250输入图4所示的加工信息，由此，取得学习完成模型250输出的运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力，但是不限于此。例如，消耗电力预测装置20通过对学习完成模型250输入加工信息，由此，可以只取得运行加工程序时的各程序块的消耗电力。
＜变形例5＞
又例如上述实施方式中，机器学习装置30执行了监督学习，但是不限于此，也可以通过其他学习方法(例如，给予正回报/负回报的强化学习等)来构建学习完成模型。
另外，一实施方式中消耗电力预测装置20和机器学习装置30所包含的各功能可以通过硬件、软件或者它们的组合来分别实现。这里，所谓通过软件实现表示计算机通过读出程序来执行从而进行实现。
消耗电力预测装置20和机器学习装置30所包含的各结构部可以通过包含电子电路等的硬件、软件或者它们的组合来实现。在通过软件来实现时，构成该软件的程序安装于计算机。此外，这些程序可以记录在可移动介质中发布给用户，也可以经由网络下载到用户的计算机来进行发布。此外，在由硬件构成时，例如，可以通过ASIC(Application SpecificIntegrated Circuit)、门阵列、FPGA(Field Programmable Gate Array)、CPLD(ComplexProgrammable Logic Device)等集成电路(IC)来构成上述装置所包含的各结构部的功能的一部分或者全部。
可以使用各种类型的非暂时性的计算机可读介质(Non-transitory computerreadable medium)来存储程序并将其提供给计算机。非暂时性的计算机可读介质包含各种类型的有实体的存储介质(Tangible storage medium)。非暂时性的计算机可读介质的示例包含：磁存储介质(例如，软盘、磁带、硬盘驱动器)、磁-光存储介质(例如，光磁盘)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器(例如，掩膜ROM、PROM(ProgrammableROM)、EPROM(Erasable PROM)、闪存ROM、RAM)。此外，可以通过各种类型的暂时性的计算机可读介质(Transitory computer readable medium)将程序供给到计算机。暂时性的计算机可读介质的示例包含电信号、光信号以及电磁波。暂时性的计算机可读介质可以经由电线和光纤等有线通信路或无线通信路将程序供给到计算机。
另外，描述在记录介质中记录的程序的步骤，当然包含按该顺序呈时间顺序进行的处理，也包含未必呈时间顺序进行的处理、以及并列地或者个别地执行的处理。
换言之，本公开的机器学习装置、消耗电力预测装置和控制装置可以采取具有如下结构的各种实施方式。
(1)本公开的机器学习装置30具有：输入数据取得部301，其在通过运行任意加工程序PG(1)－PG(n)而使用任意机床10对工件的加工中，至少取得加工信息来作为输入数据，该加工信息包含：机床10有关的机床信息IM(1)－IM(n)、进行机床10的辅助动作的辅助动作机器102有关的辅助动作信息IA(1)－IA(n)、工件有关的工件信息、以及加工程序PG(1)－PG(n)；标签取得部302，其取得表示消耗电力信息的标签数据，该消耗电力信息是加工程序PG(1)－PG(n)的运行中机床10和辅助动作机器102的消耗电力相关的消耗电力信息；学习部303，其使用由输入数据取得部301所取得的输入数据以及由标签取得部302所取得的标签数据来执行监督学习，生成学习完成模型250，该学习完成模型250输入此后要进行的加工的加工信息、输出此后要进行的加工中的消耗电力信息。
根据该机器学习装置30，不进行模拟，就可以生成高精度地输出运行新制作出的加工程序导致的消耗电力的学习完成模型250。
(2)在(1)所记载的机器学习装置30中，可以是，机床10相关的机床信息IM(1)－IM(n)包含控制轴数、主轴数、轴配置、以及定位轴/主轴电动机规格中的至少一个，辅助动作机器102相关的辅助动作信息IA(1)－IA(n)包含泵动力和动力电动机规格中的至少一个，工件相关的工件信息包含工件的材质和重量中的至少一个，加工程序PG(1)－PG(n)相关的信息是包含序列号的程序内容。
这样，可以生成对应于加工信息输出消耗电力信息的学习完成模型250，该加工信息包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、以及加工程序。
(3)在(1)或者(2)所记载的机器学习装置30中，可以是，消耗电力信息包含运行加工程序时的总消耗电力量、以及运行加工程序PG(1)－PG(n)时的加工程序PG(1)－PG(n)所包含的每一个程序块的消耗电力中的至少一个。
这样，可以生成学习完成模型250，该学习完成模型250输出运行对应此后要进行的加工的加工信息的加工程序时的总消耗电力量、以及运行加工程序时的各程序块的消耗电力。
(4)本公开的消耗电力预测装置20具有：学习完成模型250，其由(1)～(3)中任一项所记载的机器学习装置30所生成，所述学习完成模型250输入此后要进行的加工的加工信息、输出此后要进行的加工中的消耗电力信息；输入部201，其在运行加工程序之前输入加工信息，该加工信息包含：机床10有关的信息、进行机床10的辅助动作的辅助动作机器102有关的信息、加工对象工件相关的信息、以及加工程序相关的信息；预测部202，其将由输入部201输入的加工信息输入到学习完成模型250，由此，根据学习完成模型250输出的此后要进行的加工中的消耗电力信息，预测运行加工程序时的消耗电力相关的消耗电力信息。
根据该消耗电力预测装置20，即使输入了新制作出的加工程序时，也能够高精度地预测运行加工程序时的消耗电力。
(5)在(4)所记载的消耗电力预测装置20中，可以是，机床10有关的信息包含控制轴数、主轴数、轴配置、以及定位轴/主轴电动机规格中的至少一个，辅助动作机器102有关的信息包含泵动力和动力电动机规格中的至少一个，工件相关的信息包含工件的材质和重量中的至少一个，加工程序相关的信息是包含序列号的程序内容。
这样，可以预测运行对应于加工信息的加工程序时的消耗电力信息，所述加工信息包含机床10的机床信息、辅助动作机器102的辅助动作信息、工件信息、以及加工程序。
(6)在(4)或者(5)所记载的消耗电力预测装置20中，可以是，消耗电力信息包含运行加工程序时的总消耗电力量、以及运行加工程序时的加工程序所包含的每一个程序块的消耗电力中的至少一个。
这样，可以预测运行加工程序时的总消耗电力量以及运行加工程序时的各程序块的消耗电力。
(7)在(4)～(6)中任一项所记载的消耗电力预测装置20中，可以是，消耗电力预测装置20具有：存储部205，其预先存储以下信息：与确定机床10的机床ID对应起来的机床10相关的信息、以及与确定辅助动作机器102的辅助动作机器ID对应起来的辅助动作机器102相关的信息，输入部201在输入了机床ID和辅助动作机器ID时，从存储部205取得对应起来的机床10相关的机床信息和辅助动作机器102相关的辅助动作信息。
这样，通过输入机床ID和辅助动作机器ID，可以容易地取得机床10的机床信息和辅助动作机器102的辅助动作信息。
(8)在(6)所记载的消耗电力预测装置20中，可以是，消耗电力预测装置20具有：决定部203，其将由预测部202预测出的运行加工程序时的每一个程序块的消耗电力与预先设定的阈值α进行比较，判定是否存在消耗电力超过阈值α的程序块。
这样，可以提醒机床10的用户重新审视加工条件或加工路径这样的加工程序，以使程序块的消耗电力为阈值α以下，能够有助于节能化。
(9)在(4)～(8)中任一项所记载的消耗电力预测装置20中，可以是，在从消耗电力预测装置20经由网络60能够访问地连接的服务器50中具有学习完成模型250。
这样，即使配置新的机床10、控制装置101、消耗电力预测装置20也可以应用学习完成模型250。
(10)在(4)～(9)中任一项所记载的消耗电力预测装置20中，可以是，消耗电力预测装置20具有(1)～(3)中任一项所记载的机器学习装置30。
这样，可以获得与上述(1)～(9)中任一项同样的效果。
(11)本公开的控制装置101具有(4)～(10)中任一项所记载的消耗电力预测装置20。
根据该控制装置101，可以获得与上述(4)～(10)中任一项同样的效果。

Claims (11)

1.一种机器学习装置，其特征在于，具有：
输入数据取得部，其在通过运行任意加工程序而使用任意机床对工件的加工中，至少取得加工信息来作为输入数据，该加工信息包含：所述机床相关的信息、进行所述机床的辅助动作的辅助动作机器相关的信息、所述工件相关的信息、以及所述加工程序；
标签取得部，其取得表示消耗电力信息的标签数据，该消耗电力信息是所述加工程序的运行中所述机床和所述辅助动作机器的消耗电力相关的信息；以及
学习部，其使用由所述输入数据取得部所取得的输入数据以及由所述标签取得部所取得的标签数据来执行监督学习，生成学习完成模型，该学习完成模型输入此后要进行的加工的加工信息、输出所述此后要进行的加工中的所述消耗电力信息。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述机床相关的信息包含控制轴数、主轴数、轴配置、以及定位轴/主轴电动机规格中的至少一个，
所述辅助动作机器相关的信息包含泵动力和动力电动机规格中的至少一个，
所述工件相关的信息包含所述工件的材质和重量中的至少一个，
所述加工程序相关的信息是包含程序块确定信息的程序内容。
3.根据权利要求1或2所述的机器学习装置，其特征在于，
所述消耗电力信息包含运行所述加工程序时的总消耗电力量、以及运行所述加工程序时所述加工程序所包含的每一个程序块的消耗电力中的至少一个。
4.一种消耗电力预测装置，其特征在于，具有：
学习完成模型，其由权利要求1～3中任一项所述的机器学习装置所生成，所述学习完成模型输入此后要进行的加工的加工信息、输出所述此后要进行的加工中的所述消耗电力信息；
输入部，其在运行加工程序之前输入加工信息，该加工信息包含：机床相关的信息、进行所述机床的辅助动作的辅助动作机器相关的信息、加工对象工件相关的信息、以及所述加工程序相关的信息；以及
预测部，其将由所述输入部输入的所述加工信息输入到所述学习完成模型，由此，根据所述学习完成模型输出的所述此后要进行的加工中的所述消耗电力信息，预测运行所述加工程序时的消耗电力相关的消耗电力信息。
5.根据权利要求4所述的消耗电力预测装置，其特征在于，
所述机床相关的信息包含控制轴数、主轴数、轴配置、以及定位轴/主轴电动机规格中的至少一个，
所述辅助动作机器相关的信息包含泵动力和动力电动机规格中的至少一个，
所述工件相关的信息包含所述工件的材质和重量中的至少一个，
所述加工程序相关的信息是包含程序块确定信息的程序内容。
6.根据权利要求4或5所述的消耗电力预测装置，其特征在于，
所述消耗电力信息包含运行所述加工程序时的总消耗电力量、以及运行所述加工程序时所述加工程序所包含的每一个程序块的消耗电力中的至少一个。
7.根据权利要求4～6中任一项所述的消耗电力预测装置，其特征在于，
所述消耗电力预测装置具有：存储部，其预先存储以下信息：与确定所述机床的机床ID对应起来的所述机床相关的信息、以及与确定所述辅助动作机器的辅助动作机器ID对应起来的所述辅助动作机器相关的信息，
所述输入部在输入了所述机床ID和所述辅助动作机器ID时，从所述存储部取得对应起来的所述机床相关的信息和所述辅助动作机器相关的信息。
8.根据权利要求6所述的消耗电力预测装置，其特征在于，
所述消耗电力预测装置具有：决定部，其将由所述预测部预测出的运行所述加工程序时每一个所述程序块的消耗电力与预先设定的阈值进行比较，判定是否存在所述消耗电力超过所述阈值的程序块。
9.根据权利要求4～8中任一项所述的消耗电力预测装置，其特征在于，
在从所述消耗电力预测装置经由网络能够访问地连接的服务器中具有所述学习完成模型。
10.根据权利要求4～9中任一项所述的消耗电力预测装置，其特征在于，
所述消耗电力预测装置具有：权利要求1～3中任一项所述的机器学习装置。
11.一种控制装置，其特征在于，具有：
权利要求4～10中任一项所述的消耗电力预测装置。
CN202011332725.2A 2019-11-28 2020-11-24 机器学习装置、消耗电力预测装置和控制装置 Pending CN112859751A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-215089 2019-11-28
JP2019215089A JP7424807B2 (ja) 2019-11-28 2019-11-28 機械学習装置、消費電力予測装置、及び制御装置

Publications (1)

Publication Number Publication Date
CN112859751A true CN112859751A (zh) 2021-05-28

Family

ID=75896530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011332725.2A Pending CN112859751A (zh) 2019-11-28 2020-11-24 机器学习装置、消耗电力预测装置和控制装置

Country Status (4)

Country Link
US (1) US20210166154A1 (zh)
JP (1) JP7424807B2 (zh)
CN (1) CN112859751A (zh)
DE (1) DE102020006862A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023038502A (ja) 2021-09-07 2023-03-17 株式会社小松製作所 産業機械識別システム、産業機械識別方法及び産業機械識別装置
WO2023181399A1 (ja) * 2022-03-25 2023-09-28 ファナック株式会社 数値制御装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4643725B2 (ja) 2009-04-17 2011-03-02 ファナック株式会社 工作機械の制御装置
JP5527825B2 (ja) 2011-09-16 2014-06-25 Ｎｅｃシステムテクノロジー株式会社 消費電力計測装置、消費電力計測方法及びプログラム
JP5988419B2 (ja) 2012-01-11 2016-09-07 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 予測方法、予測システムおよびプログラム
JP5912626B2 (ja) 2012-02-13 2016-04-27 中村留精密工業株式会社 工作機械の消費電力算出装置
CN103235554B (zh) 2013-03-29 2015-11-11 重庆大学 一种基于nc代码的数控车床加工工件能耗获取方法
JP2014219911A (ja) 2013-05-10 2014-11-20 東芝機械株式会社 シミュレーション装置およびシミュレーションプログラム
JP6219897B2 (ja) 2015-09-28 2017-10-25 ファナック株式会社 最適な加減速を生成する工作機械
JP6059375B1 (ja) * 2016-02-09 2017-01-11 ファナック株式会社 生産制御システムおよび統合生産制御システム
CN105945311A (zh) 2016-05-18 2016-09-21 重庆大学 一种基于功率预测的数控机床进给系统调速方法
JP6469065B2 (ja) 2016-10-28 2019-02-13 ファナック株式会社 機械学習装置及び加工時間予測装置
JP6177410B1 (ja) 2016-11-07 2017-08-09 株式会社オプティマイザー 電力需要調達支援システム、情報処理装置、情報処理方法および情報処理プログラム
US11307117B2 (en) * 2017-09-04 2022-04-19 Amper Technologies, Inc. System and method for interpretation and analysis of manufacturing activity
JP6662830B2 (ja) 2017-09-19 2020-03-11 ファナック株式会社 予測装置、機械学習装置、制御装置、及び生産システム
JP6975073B2 (ja) 2018-02-27 2021-12-01 三菱重工業株式会社 予測システム、予測方法、およびプログラム
CN114611379A (zh) 2022-02-10 2022-06-10 北京工业大学 一种基于数据驱动的加工工艺节能规划方法

Also Published As

Publication number Publication date
JP7424807B2 (ja) 2024-01-30
US20210166154A1 (en) 2021-06-03
JP2021086405A (ja) 2021-06-03
DE102020006862A1 (de) 2021-06-02

Similar Documents

Publication Publication Date Title
Chen et al. CPS modeling of CNC machine tool work processes using an instruction-domain based approach
CN112859751A (zh) 机器学习装置、消耗电力预测装置和控制装置
US9337662B2 (en) Parallel computation of dynamic state estimation for power system
CN116009480B (zh) 一种数控机床的故障监测方法、装置、设备及存储介质
US9343907B2 (en) Energy assist system selection supporting apparatus, capacity selecting apparatus, power consumption calculating apparatus, and layout generating apparatus
CN109523752A (zh) 一种设备故障预警方法、装置、电子设备和介质
JP2015522895A (ja) 制御の信頼性動作ためのシステムおよび方法
US20190181025A1 (en) Monitoring system, learning apparatus, learning method, monitoring apparatus, and monitoring method
WO2016025223A1 (en) Cloud computing system and method for advanced process control
KR20210042961A (ko) 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법
CN104081298B (zh) 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法
CN109961160B (zh) 一种基于潮流参数的电网未来运行趋势预估方法及系统
KR20100052634A (ko) 공장 상황 시뮬레이션을 위한 시스템 및 방법
Sheikh et al. Unsupervised on-line method to diagnose unbalanced voltage in three-phase induction motor
CN115398797A (zh) 用于管理机电系统的系统、装置和方法
KR20200056635A (ko) 지능형 가공 시뮬레이션을 이용한 가공 공정 모니터링 시스템 및 이를 이용한 모니터링 방법
EP3789578A1 (en) Method, device and system for managing mining facilities
CN117707050B (zh) 基于云计算的数控机床实时监控与数据分析系统及方法
US20230376002A1 (en) Machine learning device, cleaning prediction device, and cleaning system
Boev et al. Adaptive management of system parameters of maintenance, as well as repair and optimization of spare parts, tools and accessories of the integrated radar system on the basis of reliability model and control data
KR20210058005A (ko) 시계열 모의 운영 기반의 배전계통 분산형 전원의 용량 산정 장치 및 그 방법
EP4160233A1 (en) System, apparatus and method for monitoring faults in an electric machine
CN114993511A (zh) 水轮机轴瓦温度监测预警方法及系统
Chen et al. Manufacturing
CN115712294A (zh) 一种发动机标定方法、装置、设备及存储介质

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