CN115380259A - 用于运行具有刀具的机器的方法和设备 - Google Patents

用于运行具有刀具的机器的方法和设备 Download PDF

Info

Publication number
CN115380259A
CN115380259A CN202180027252.1A CN202180027252A CN115380259A CN 115380259 A CN115380259 A CN 115380259A CN 202180027252 A CN202180027252 A CN 202180027252A CN 115380259 A CN115380259 A CN 115380259A
Authority
CN
China
Prior art keywords
machine
anomaly
value
module
tool
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
CN202180027252.1A
Other languages
English (en)
Inventor
A·布策林
D·沙尔
S·特拉贝辛格
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN115380259A publication Critical patent/CN115380259A/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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35519—Machining data and tool data

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种用于运行具有刀具的机器的方法，其中执行以下步骤：a）检测关于所述机器和/或所述刀具的至少一个运行数据点（S1‑S4），b）基于ML模型从所述至少一个运行数据点（S1‑S4）中计算至少一个估计值（F1‑F4），c）基于所述至少一个估计值（F1‑F4）通过与针对至少一个估计的预定的比较值进行比较并且识别估计比较的一致性来确定时间离散异常值（AS）形式的异常，d）将所述时间离散异常值（AS）存储在存储器中并且将所述异常值（AS）的时间变化过程聚合成平滑异常值（SS），e）将所述平滑异常值（SS）与针对所述异常的至少一个预定的比较值进行比较，并且识别异常比较的一致性，f）基于所述平滑异常值（SS）向所述机器输出控制操作（O1‑O4）。

Description

用于运行具有刀具的机器的方法和设备
技术领域
本发明涉及一种用于运行具有刀具的机器的方法和设备。
背景技术
自动刀具破损监控（英文："tool break-down monitoring"，TBM）是用于CNC加工的自动生产线和无人车间的重要技术。刀具破损可能导致刀具或机器和/或所加工的工件的损坏并且可能导致机器的停机时间。
当前的解决方案经常考虑如力和振动传感器之类的机床的传感器数据，并且以基于阈值的方式监控机器的运行，也就是说监控如主轴功率之类的信号中的最小值和最大值。
在此，由于未考虑特定的运行行为的硬编码的警报极限，所以这些解决方案经常是复杂的并且可能引起误警报。此外，即使达到危急情形，也并不总是触发警报的输出。
由于错误地报警或未报警，可能发生机器的不期望的停顿，而且有可能发生机器、刀具或工件的损伤。
在出版物US 2020/0104224 A1中，基于所记录的数据探测异常，其方式是所识别的异常借助于机器学习被训练并且在识别到在基础传感器数据中具有增加的噪声分量的其他异常时分别被使用用于进行比较，以便从而改善在生产工件时异常的识别率，并且与此相应地标识工件。
然而，未探讨应该减少或避免随着时间的推移增大的异常或者也由机器的磨损或生产参数引起的异常。
如果存在CNC铣刀的过高的进给速度，则例如应该保护所使用的刀具免受损坏或过度磨损。通过相应地干预生产或制造工艺，应该改善刀具或机器的可用性。因此相应地可以使制造工艺适配于日益老化或磨损的刀具状态。
发明内容
本发明的任务是提供一种用于自动地监控具有刀具的机器的方法和设备，由此以改善的可用性进行运行是可能的。
换句话说，应该使得能够预见性地和预先给定地运行具有刀具的机器。
预防性运行被理解为以下能力，即利用所述能力识别刀具破损并且停止当前过程、诸如钻孔或铣削，以便避免对工件的损伤。
在此，可能出现机器的停顿，但是可以利用新的刀具继续工件的加工。
在预见性运行的情况下，试图及时预报刀具破损，以便避免对工件和刀具的损伤。
可能出现机器的停顿，但是可以利用相同的刀具或新的刀具继续工件加工。
在预先给定的运行的情况下，应该及时预报刀具破损并且采取对策，以便避免刀具破损和机器的停顿。
根据本发明的任务通过开头提到的类型的方法来解决，其中执行以下步骤：
a）检测关于机器和/或刀具的至少一个运行数据点，
b）基于ML模型从至少一个运行数据点中计算至少一个估计值，
c）基于所述至少一个估计值通过与针对至少一个估计的预定的比较值进行比较并且识别估计比较的一致性来确定时间离散异常值形式的异常，
d）将所述时间离散异常值存储在存储器中并且将所述异常值的时间变化过程聚合成平滑异常值，
e）将所述平滑异常值与针对异常的至少一个预定的比较值进行比较，并且识别异常比较的一致性，
f）基于所述平滑异常值向所述机器输出控制操作，其中优选地控制操作作用于机器和/或刀具的运行，所述运行通过至少一个运行数据点被检测。
在统计学中，异常（也为“异常测值”）是与其他事件如此强烈不同使得引起怀疑它是由另一平均值产生的观察或事件。
大的数据记录中的异常可能遵循非常复杂的模式，所述模式在大多数情况下实在难以识别。
通过本发明实现在高可用性的情况下可以预见性地和预先给定地运行具有刀具的机器。
与现有技术不同，不仅可以可靠地识别不期望的异常，而且可以及时引入相应的对策，并且由此改善刀具或机器的可用性，使得在制造工艺的相应地经适配的继续进行中不再继续出现异常。
例如，可以在异常识别之后相应地修改制造工艺，或者可以发起工件的可替代的加工，诸如通过使用另一刀具，改变如转速或CNC铣床的推进速度之类的工艺参数，或者也增加冷却液流量。
换句话说，可以使用所识别的异常来例如提供对机器或刀具的磨损程度的提示。
因此，感兴趣的不是工件本身上的异常来改善现有技术，而是制造工件的机器或刀具。异常被用作对此的相应的量度。
这通过以下方式来实现，即在步骤c）中基于估计值确定异常。换句话说，估计值本身被用作识别异常的量度，而不直接评价当前数据点。例如，由此可能的是，及时识别机器或刀具的磨损。
在本发明的一种改进方案中规定，至少两个运行数据点被检测并且被进一步处理。
由此可以更精确地监控机器的运行以及检测参数组合。
在本发明的一种改进方案中规定，至少两个估计值被计算并且被进一步处理。
由此可以以冗余的方式识别异常。
在本发明的一种改进方案中规定，至少一个运行数据点是旋转速度或移位速度、转矩、电流消耗或温度。
由此能够精确地并且以特别简单的方式监控机器的运行。
在本发明的一种改进方案中规定，至少一个估计值借助于LSTM网络被计算。
由此可以以简单的方式识别异常。
在本发明的一种改进方案中规定，时间离散异常值借助于“孤立森林”算法被确定。
由此可以以简单且特别有效的方式识别异常。
孤立森林（英文：“isolation forest”）是用于识别异常的无监督（英语：“unsupervised”）学习算法，所述无监督学习算法基于孤立异常的原理，而不是用于剖析正规点的最常见的技术。
用于识别异常的最常用的技术基于创建关于什么是“正规的”的分布图（Profil）：异常被报告为数据记录中的不符合正规分布图的这样的事例（Instanzen）。
孤立森林使用不同的方案：代替试图为正规事例创建模型，明确地孤立数据集中的异常点。这种方案的主要优点在于在对于基于分布图的方法不允许的程度上使用扫描技术的可能性，由此以小的存储需求创建非常快速的算法。
在本发明的一种改进方案中规定，平滑异常值通过构成时间平均值来进行。
由此可以精确地并且以简单的方式识别异常。
在本发明的一种改进方案中规定，在步骤e）中比较值通过基于机器学习的方法被确定，诸如决策树、贝叶斯网络、神经网络、多类支持向量机或k-最近邻分类。
在本发明的一种改进方案中，在步骤f）中在比较时考虑至少一个运行特征数。
根据本发明的任务还通过开头提到的类型的设备来解决，所述设备包括
用于执行步骤a）的具有至少一个传感器装置的传感器模块，
用于执行步骤b）的估计模块，
用于执行步骤c）的异常探测模块，
用于在步骤d）中进行存储的存储模块，
用于执行步骤e）的决策模块，以及
用于执行步骤f）的输出模块，
其中所述设备被设立用于执行根据本发明的方法。
在本发明的一种改进方案中规定，此外包括辅助数据模块，在执行步骤e）时应用所述辅助数据模块。
清楚的是，所述的模块直接或间接地彼此连接用于通信。
在本发明的一种改进方案中规定，估计模块、异常探测模块、存储模块和决策模块放置在由设备此外包括的和连接的边缘上。
因为本地运行是可能的，所以由此实现，可以以特别高的可用性监控运行。
如此改进的设备因此可以是分布式系统，所述分布式系统具有如传感器装置之类的例如布置在机器处的组件，以及由边缘计算设备包括并且在那里被执行的其他模块（如辅助数据模块）。各个组件和模块相互连接并且相互通信。
通过这样分布式系统，所提到的模块可以共同地被使用来运行多个机器，这使系统更简单、成本更低并且更可靠。
此外，不必将运行数据存储在云中，由此改善数据安全性和机密性。
附图说明
下面根据在所附附图中示出的实施例更详细地阐述本发明。在附图中：
图1示出根据本发明的方法的实施例的象征性图示，
图2示出根据图1的决策模块的流程图的示例，
图3示出控制电路的象征性图示，
图4-5示出机器的电流变化过程的时间图示的示例，
图6-7根据钻孔深度示出电流消耗的图示的示例，
图8根据钻孔深度示出进给速度的示例。
具体实施方式
图1以根据本发明的设备的形式示出本发明的实施例，所述设备被设立用于执行根据本发明的方法。
该方法具有以下步骤：
a）检测关于机器和/或刀具的至少一个运行数据点S1-S4，
b）基于ML模型从至少一个运行数据点S1-S4中计算至少一个估计值F1-F4，
c）基于至少一个估计值F1-F4，通过与针对至少一个估计的预定的比较值进行比较并且识别估计比较的一致性来确定时间离散异常值AS形式的异常，
d）将时间离散异常值AS存储在存储器中并且将异常值AS的时间变化过程聚合成平滑异常值SS，
e）将平滑异常值SS与异常的至少一个预定的比较值进行比较并且识别异常比较的一致性，
f）基于平滑异常值SS向机器输出控制操作O1-O4，其中优选地控制操作作用于机器和/或刀具的运行，所述运行通过至少一个运行数据点S1-S4被检测。
因此，可选地可以创造控制回路，以便监控连续的运行以及以便尽管时间上可变的机器或刀具状态仍确保工件的输出质量，其方式是监控以及与此相应地适配机器或工件的制造参数。
清楚的是，通过所描述的方式，工件毛坯的材料公差、诸如合金比率也可以相应地被监控并且被包括在与此相应地适配的制造工艺中。
如果至少两个运行数据点S1-S4被检测和进一步处理，则是特别有益的，因为异常识别的识别概率由此升高。从而，例如可以将多个数据点聚合成共同的数据源，所述多个数据点可以构成新的数据点。
由于控制操作可选地作用于机器和/或刀具的运行，所述运行通过至少一个运行数据点被检测，所以例如通过及时更换所涉及的磨损的刀具，可以减少或避免未来的异常。在图2的描述中列出对此的其他实施方案。
随后，如果至少两个估计值F1-F4被计算和进一步处理，则因此也是有益的。
运行数据点S1-S4可以例如是旋转速度或移位速度、转矩、电流消耗或温度。
由此，对多个制造参数的组合式评估是可能的，例如在制造时间点时工件的温度以及刀具的温度的协同效应。
例如，可以借助于LSTM网络计算估计值F1-F4。
例如，可以借助于“孤立森林（isolation forest）”算法来计算时间离散异常值AS。
例如，可以通过构成时间平均值来确定平滑异常值SS。
步骤e）中的比较值可以例如通过基于机器学习的方法被确定，诸如决策树、贝叶斯网络、神经网络、多类支持向量机（SVM）或k-最近邻（kNN）分类。
此外，在步骤f）中在比较时可以考虑至少一个运行特征数K1、K2。
用于运行具有刀具的机器的设备包括
•用于执行步骤a）的具有至少一个传感器装置SM1-SM4的传感器模块SM，
•用于执行步骤b）的估计模块FCM，
•用于执行步骤c）的异常探测模块ADM，
•在步骤d）中进行存储的存储模块MEM，
•用于执行步骤e）的决策模块DM，以及用于执行步骤f）的输出模块OM1-OM4，
•辅助数据模块AUXM，所述辅助数据模块在执行用于考虑运行特征数K1、K2的步骤时被应用。
为了更好的概览，在该图中未示出机器。清楚的是，传感器装置相应地与机器连接，以便检测机器的传感器数据。
输出模块OM1-OM4表示机器的运行状态，提供关于必要的维护或维修工作的信息，并且也可以由共同的输出模块OM构成。
图2示出来自上述图中的决策模块DM的流程图的示例。
存储模块向决策模块DM提供平滑异常值SS。
检验平滑异常值SS是否位于值范围内，即大于边界值0.8，所述边界值对应于针对异常的第一预定比较值。
因此识别异常比较的一致性。
如果这不适用，则不存在异常，并且机器可以继续地被运行。
然而，如果超过边界值，则随后试图更准确地查明异常的原因。
这通过与运行特征参量进行比较来进行。
检验切削力CF（英文：“cutting force”）是否处于预先给定的阈值THCF以下。
如果是，则进一步检验是否已经达到机器的最大设置的运行时数OPH（英文：“operation hours”），其方式是执行与预先给定的阈值THOPH的比较。在考虑包括剩余运行时间RUL（英文："Remaining Useful Lifetime"）并且由辅助数据模块AUXM提供的运行特征数K1的情况下，进一步检验运行时数OPH是否仍处于剩余运行时间RUL之内。
特征数K1、K2也可以是机器的另一、即所谓的“关键性能指标（key performanceindicator）”KPI。
如果这适用，则可以通过输出模块OM1输出O1“检验刀具捡拾（Werkzeug-Aufnahme）”。
否则，可以通过输出模块OM2输出O2“置换刀具”。
如果切削力CF的检验处于预先给定的阈值THCF以上，则进一步检验切削速度CS是否处于预先给定的阈值THCS以下。
如果这适用，则可以通过输出模块OM3输出O3“检验润滑”。
否则，可以通过输出模块OM4输出O4“检验CNC程序/模型”。
切削力CF、切削速度CS和最大设置的运行时数OPH可以例如通过存储模块MEM来提供，或者也可以直接从相应的传感器装置SM1-SM4取得，所述传感器装置分别与机器连接。
图3示出具有根据本发明的设备的机器的控制电路、即基于平滑异常值SS向机器输出控制操作O1-O4的示例，其中控制操作可选地作用于机器和/或刀具的运行，所述运行通过至少一个运行数据点S1-S4被检测。
控制系统CON通过传感器模块SM检测相关变量用于检测各种运行特性。
控制系统CON将所述数据提供给边缘平台EPF，在所述边缘平台中借助于一个或多个应用程序APP对运行数据点S1-S4进行评估。
换句话说，在该示例中，估计模块FCM、异常探测模块ADM、存储模块MEM和决策模块DM可选地放置在边缘平台EPF上。
应用程序APP包括基于机器学习的算法，并且通过输出模块OM借助于相应的执行器或显示器来控制机器。
由此创造具有控制电路的装置，利用所述控制电路可以以最佳的方式运行具有刀具的机器。
所示的组件示出分布式联网系统的示例，所述分布式联网系统布置在边缘EPF上并且靠近机器布置。根据要求，组件的其他分布也可能是有利的。
图4至图8示出可以构成运行数据点S1-S4的运行标称参量（Betriebsnenngrößen）的示例。
图4示出机器的电流消耗、在该示例中CNC机器的主轴的耗用电流的时间变化过程。
所测量的电流绘制在曲线M1中。
在曲线P1中可以看出预测的平滑异常值（英语：“smootheded score（平滑分数）”），所述预测的平滑异常值可以构成根据上述图的平滑异常值SS的示例。
图5示出机器的另一电流消耗的时间变化过程。
所测量的电流绘制在曲线M2中。
在曲线P2中可以看出平滑异常值（英语：“smootheded score（平滑分数）”），所述平滑异常值又可以构成根据上述图的平滑异常值SS的示例。
图6和图7根据钻孔深度DD（英语：“drilling depth”）示出机器的电流消耗I的时间变化过程。
分别绘入异常密度AD1-AD3，所述异常密度可以被用作用于探测异常的准则。
异常密度AD1-AD3可以从预测的估计值或异常值中被导出，但是也可以从平滑异常变化过程中被导出。
图8根据钻孔深度示出进给速度的变化过程。
又绘入异常密度AD1-AD3。
附图标记列表：
AD1-AD3 异常密度
ADM 异常探测模块
APP 计算设备上的具有人工智能的应用程序
AS 时间离散异常值，“anomaly score”
AUXM 辅助数据模块，“auxiliary data module”
CF 切削力，“cutting force”
CON 控制系统，“control system”
CS 切削速度，“cutting speed”
DD 钻孔深度，“drilling depth”
DM 决策模块，“desicion module”
EPF 计算设备，“edge platform”
F1-F4 估计值
FCM 估计模块，“forecasting module”
Kl、K2 特征数，“key performance indicator”，KPI
Ml、M2 所测量的值
MEM 存储模块
O1-O4 输出值
OM、OMI-OM4 输出模块
OPH 运行时数的值，“operation hours”
P1、P2 预测的值
RUL “有意义的剩余时间”的值，“remaining useful life”
S1-S4 输入信号
SM 传感器模块
SM1-SM4 传感器装置
SS 平滑异常分数，“smootheded score”
THCF、THCS、THOPH 阈值
V 速度。

Claims (12)

1.一种用于运行具有刀具的机器的方法，其特征在于，执行以下步骤：
a）检测关于所述机器和/或所述刀具的至少一个运行数据点（S1-S4），
b）基于ML模型从所述至少一个运行数据点（S1-S4）中计算至少一个估计值（F1-F4），
c）基于所述至少一个估计值（F1-F4）通过与针对至少一个估计的预定的比较值进行比较并且识别估计比较的一致性来确定时间离散异常值（AS）形式的异常，
d）将所述时间离散异常值（AS）存储在存储器中并且将所述异常值（AS）的时间变化过程聚合成平滑异常值（SS），
e）将所述平滑异常值（SS）与针对所述异常的至少一个预定的比较值进行比较，并且识别异常比较的一致性，
f）基于所述平滑异常值（SS）向所述机器输出控制操作（O1-O4）。
2.根据前一权利要求所述的方法，其中至少两个运行数据点（S1-S4）被检测并且被进一步处理。
3.根据前一权利要求所述的方法，其中至少两个估计值（F1-F4）被计算并且被进一步处理。
4.根据前述权利要求中任一项所述的方法，其中所述至少一个运行数据点（S1-S4）是旋转速度或移位速度、转矩、电流消耗或温度。
5.根据前述权利要求中任一项所述的方法，其中所述至少一个估计值（F1-F4）借助于LSTM网络被计算。
6.根据前述权利要求中任一项所述的方法，其中所述时间离散异常值（AS）借助于“孤立森林”算法被确定。
7.根据前述权利要求中任一项所述的方法，其中所述平滑异常值（SS）通过构成时间平均值来进行。
8.根据前述权利要求中任一项所述的方法，其中在步骤e）中比较值通过基于机器学习的方法被确定，诸如决策树、贝叶斯网络、神经网络、多类支持向量机或k-最近邻分类。
9.根据前述权利要求中任一项所述的方法，其中在步骤f）中在比较时考虑至少一个运行特征数（K1、K2）。
10.一种用于优化具有刀具的机器的运行的设备，其特征在于，
用于执行步骤a）的具有至少一个传感器装置（SM1-SM4）的传感器模块（SM），
用于执行步骤b）的估计模块（FCM），
用于执行步骤c）的异常探测模块（ADM），
用于在步骤d）中进行存储的存储模块（MEM），
用于执行步骤e）的决策模块（DM），以及用于执行步骤f）的输出模块（OM、OM1-OM4），并且
所述设备被设立用于执行根据前述权利要求中任一项所述的方法。
11.根据前一权利要求所述的设备，此外包括在执行根据权利要求9所述的步骤时应用的辅助数据模块（AUXM）。
12.根据权利要求10或11所述的设备，其中所述估计模块（FCM）、所述异常探测模块（ADM）、所述存储模块（MEM）和所述决策模块（DM）放置在由所述设备包括的和连接的边缘上。
CN202180027252.1A 2020-04-09 2021-04-07 用于运行具有刀具的机器的方法和设备 Pending CN115380259A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20168914.8 2020-04-09
EP20168914.8A EP3893066A1 (de) 2020-04-09 2020-04-09 Verfahren und vorrichtung zum betrieb einer maschine mit einem werkzeug
PCT/EP2021/059068 WO2021204879A1 (de) 2020-04-09 2021-04-07 Verfahren und vorrichtung zum betrieb einer maschine mit einem werkzeug

Publications (1)

Publication Number Publication Date
CN115380259A true CN115380259A (zh) 2022-11-22

Family

ID=70277295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180027252.1A Pending CN115380259A (zh) 2020-04-09 2021-04-07 用于运行具有刀具的机器的方法和设备

Country Status (4)

Country Link
US (1) US20230141816A1 (zh)
EP (2) EP3893066A1 (zh)
CN (1) CN115380259A (zh)
WO (1) WO2021204879A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488950B (zh) * 2022-02-09 2023-02-28 无锡微茗智能科技有限公司 机床机械部件动态保护方法及数控机床设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6426667B2 (ja) * 2016-08-10 2018-11-21 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
US10951639B2 (en) * 2017-09-28 2021-03-16 Yokogawa Electric Corporation Systems, methods and computer program products for anomaly detection
JP6936178B2 (ja) * 2018-03-23 2021-09-15 ファナック株式会社 異常検知装置
US11568198B2 (en) * 2018-09-12 2023-01-31 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
JP7086803B2 (ja) * 2018-09-27 2022-06-20 株式会社東芝 異常検知装置、異常検知方法及びプログラム

Also Published As

Publication number Publication date
EP4100803A1 (de) 2022-12-14
US20230141816A1 (en) 2023-05-11
EP3893066A1 (de) 2021-10-13
WO2021204879A1 (de) 2021-10-14

Similar Documents

Publication Publication Date Title
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
Kamat et al. Anomaly detection for predictive maintenance in industry 4.0-A survey
US10695884B2 (en) Tool wear monitoring and predicting method
US20180164757A1 (en) Machine learning device, cnc device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool
US20200370996A1 (en) System And Method For Operational-Data-Based Detection Of Anomaly Of A Machine Tool
US7536371B2 (en) Apparatus and method for the analysis of a process having parameter-based faults
Čuš et al. Real-time cutting tool condition monitoring in milling
Haber et al. Intelligent process supervision for predicting tool wear in machining processes
Yan et al. A hybrid method for on-line performance assessment and life prediction in drilling operations
CN117193164B (zh) 一种数控机床的故障监测方法及系统
Hassan et al. Intelligent machining: real-time tool condition monitoring and intelligent adaptive control systems
CN115380259A (zh) 用于运行具有刀具的机器的方法和设备
CN111788042A (zh) 机器人的预见性分析
CN116674380A (zh) 一种适用于汽车工业与智能制造电驱动方法及系统
Reñones et al. Experimental analysis of change detection algorithms for multitooth machine tool fault detection
Jain et al. Quality control based tool condition monitoring
US11579042B2 (en) Monitoring method for plate billet crank flying shear process
CN113359639B (zh) 基于安全检测机器人的工厂设备监控方法及系统
JP7236886B2 (ja) 異常検知装置、異常検知方法、及び異常検知システム
Del Val et al. A SPC strategy for decision making in manufacturing processes
Gui et al. Tool Condition Monitoring Based on Nonlinear Output Frequency Response Functions and Multivariate Control Chart
KR101170323B1 (ko) 주축 구동 모터의 전류값을 이용한 절삭 가공 장치의 상태 모니터링 방법
Natarajan et al. A decision fusion algorithm for tool condition monitoring in drilling using Hidden Markov Model (HMM)
Tanaka et al. Failure Prediction for Robot Reducers by Combining Two Machine Learning Methods
Kim et al. Monitoring of Machining Process of Machine Tool based on Artificial Neural Network using Serial Data

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