CN116249943A - 加工诊断装置、学习装置、推断装置、加工诊断方法及程序 - Google Patents

加工诊断装置、学习装置、推断装置、加工诊断方法及程序 Download PDF

Info

Publication number
CN116249943A
CN116249943A CN202080099145.5A CN202080099145A CN116249943A CN 116249943 A CN116249943 A CN 116249943A CN 202080099145 A CN202080099145 A CN 202080099145A CN 116249943 A CN116249943 A CN 116249943A
Authority
CN
China
Prior art keywords
machining
data
waveform
processing
diagnosis
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
CN202080099145.5A
Other languages
English (en)
Inventor
石田哲史
堀健一
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN116249943A publication Critical patent/CN116249943A/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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • 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
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Landscapes

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

Abstract

加工诊断装置(100)具有：加工数据取得部(3)，其从工作机械(1)取得基于加工条件进行加工而得到的结果即加工数据；切削加工区间提取部(4)，其从所取得的加工数据进行稳定加工时间量的切削加工区间的提取及切削加工区间内的加工数据的提取；清洗部(8)，其取得切削加工的加工条件，与所取得的加工条件相应地，进行通过切削加工区间提取部(4)提取出的加工数据的清洗；特征量计算部(9)，其根据清洗后的加工数据对特征量进行计算；以及加工诊断部(11)，其基于计算出的特征量而进行加工诊断。

Description

加工诊断装置、学习装置、推断装置、加工诊断方法及程序
技术领域
本发明涉及加工诊断装置、学习装置、推断装置、加工诊断方法及程序。
背景技术
工作机械为了抑制产生由刀具的磨损、损坏等引起的问题品，在问题品产生前事先更换刀具。但是，该更换是根据工件的作业次数进行更换等，没有根据实际的刀具的磨损状态进行更换，因此会发生将仍能够使用的刀具废弃、产生了不需要的更换作业。因此，取得工作机械的加工数据，对刀具的磨损状态进行诊断，由此对刀具的寿命进行预测，进行了刀具的更换时期的优化。
专利文献1公开了一种数控装置，其基于在对刀具进行驱动的电动机中流动的电流而对刀具的异常有无发生进行判定。该数控装置在判定为电动机处于定速中时对刀具的异常有无发生进行判定，在判定为电动机处于加减速中时不对刀具的异常有无发生进行判定，由此提高刀具的异常发生的精度。
专利文献1：日本特开2020－13433号公报
发明内容
但是，上述技术是使用全部期间的加工数据进行异常发生的判定。因此，在取得加工数据，事后对加工数据进行分析而对异常进行判定的情况下，需要进行对于异常的判定而言不需要的数据的数据处理，数据处理的效率低。
因此，本发明鉴于上述情况，其目的在于不需要进行对于加工数据的异常判定而言不需要的数据的数据处理，实现基于高精度数据的准确的加工诊断。
为了达到上述的目的，本发明所涉及的加工诊断装置具有：加工数据取得部，其从工作机械取得基于加工条件进行加工而得到的结果即加工数据；切削加工区间提取部，其从所取得的加工数据进行稳定加工时间量的切削加工区间的提取及所述切削加工区间内的加工数据的提取；清洗部，其取得加工条件，与所取得的加工条件相应地，进行由切削加工区间提取部提取出的加工数据的清洗；特征量计算部，其根据清洗后的加工数据对特征量进行计算；以及加工诊断部，其基于计算出的特征量进行加工诊断。
发明的效果
根据本发明，高效地实现基于高精度数据的准确的加工诊断。
附图说明
图1是表示本发明的实施方式1所涉及的加工诊断装置的结构的图。
图2是表示本发明的实施方式1所涉及的加工诊断装置的硬件结构的一个例子的图。
图3是本发明的实施方式1所涉及的加工数据的切削加工区间的波形图。
图4是表示本发明的实施方式1所涉及的特征量计算处理的动作的流程图。
图5是表示本发明的实施方式1所涉及的预测模型生成处理的动作的流程图。
图6是表示本发明的实施方式1所涉及的加工品质预测模型运算处理的流程图。
图7是表示本发明的实施方式2所涉及的学习装置的结构的图。
图8是表示本发明的实施方式2所涉及的学习处理的动作的流程图。
图9是表示本发明的实施方式2所涉及的推断装置的结构的图。
图10是表示本发明的实施方式2所涉及的得到输出的处理的动作的流程图。
具体实施方式
下面，参照附图对本发明的实施方式所涉及的加工诊断装置100进行说明。在各附图中，对相同或同等的部分标注同一标号。
(实施方式1)
参照图1对实施方式1所涉及的加工诊断装置100进行说明。加工诊断装置100具有：加工数据取得部3，其从工作机械1经由数据收集接口2而取得加工数据；切削加工区间提取部4，其从加工数据对切削加工区间及切削加工区间的加工数据进行提取；加工数据存储部5，其对提取出的加工数据进行存储；诊断模型存储部6，其对多个诊断模型进行存储；诊断模型匹配部7，其从诊断模型存储部6对与加工条件相对应的诊断模型进行提取；清洗部8，其基于提取出的诊断模型对加工数据进行清洗；特征量计算部9，其从清洗后的加工数据对特征量进行提取；趋势数据存储部10，其对计算出的特征量进行存储；以及加工诊断部11，其根据以在趋势数据存储部10中存储的特征量为母集合的统计量和计算出的特征量，对加工异常进行诊断。
加工数据取得部3经由在工作机械1安装的数据收集接口2而取得加工数据并暂时地存储，将一定量的加工数据汇总而提供给切削加工区间提取部4。工作机械1是对加工对象物实施切削、切断、研磨等加工的机械，例如是铣床、车床、钻床等。
由加工数据取得部3取得的加工数据包含加工信息(加工程序编号、子程序编号、刀具编号、主轴转速指令、制造串行信息、加工尺寸检查结果等制造信息)及加工时的电动机规格数据(电动机速度、电动机扭矩等)、加工关系信息(切削油喷出压力、切削油温度等)。
切削加工区间提取部4从由加工数据取得部3取得的加工数据对稳定加工时间量的切削加工区间进行提取，并且对提取出的切削加工区间的加工数据进行提取。提取出的加工数据存储于加工数据存储部5。在这里，稳定加工时间是主轴电动机可定速地进行稳定的加工的状态下的时间，稳定加工时间量的切削加工区间是切削加工区间之中的将主轴电动机一边加速或减速、一边旋转时排除在外的稳定驱动的稳定加工时间的区间。对稳定加工时间量的切削加工区间进行提取而收集该区间的数据，对加工异常进行判定，由此防止加工异常的误判定。
从主轴电动机的采样数据对切削加工区间进行提取，因此通过工作机械1的主轴电动机转速指令(电动机速度指令)相对于目标值的到达比例和电动机扭矩(加速扭矩Ta和减速扭矩Td)的阈值的组合条件，对稳定状态的数据收集开始/收集结束定时进行定义。
此外，在能够从工作机械1直接导入切削开始/结束信号的情况下，也可以将该信号从工作机械1直接导入，定义为收集开始/收集结束定时。
诊断模型存储部6针对每个加工条件，将通过子程序编号、刀具编号、主轴转速指令等加工条件形成的加工图案作为诊断模型进行存储。诊断模型通过装置、子程序、刀具而唯一地决定。加工图案与通过程序执行的作业内容相应地，加工部位的位置、大小、范围不同。在1个加工区间中在加工部位进行实际加工，在向下一个加工部位移动的期间不进行实际加工。不进行该实际加工的区间的数据是对于进行加工诊断而言不需要的数据。在诊断模型存储部6中，将切削加工区间之中的进行实际加工的区间设为子区间，定义对诊断对象母集合用的特征量进行提取的子区间的条件。子区间的开始和结束的条件，通过从加工收集开始触发起经过特定的时间后的与切削相关的电动机轴的相对于扭矩变动的阈值电平及阈值的上限或下限超过次数进行定义。
诊断模型匹配部7从诊断模型存储部6对与加工条件相对应的诊断模型进行提取。关于从加工数据取得部3取得的加工条件，与在诊断模型存储部6中预先登记的诊断模型的加工条件进行对照。对照的结果为对加工条件匹配的诊断模型的加工图案进行提取。此外，在加工数据取得部3无法通过收集接口对装置编号、子程序编号、刀具编号等加工条件进行收集的情况下，对从切削加工区间提取部4提取出的数据收集开始至收集结束为止的切削加工区间的时间进行测量，将测量出的时间和在诊断模型存储部6中预先登记的加工时间进行对照，也能够对诊断模型进行确定。
清洗部8基于提取出的诊断模型进行将对于加工诊断而言不需要的加工数据排除在外，对所需的加工数据进行切取的清洗处理。清洗处理是将加工图案之中的不进行实际加工的区间去除，关于进行实际加工的子区间而进行切取。此外，子区间的切取方法能够选择下述方法，即，针对切削加工区间，设定开始·结束时间而进行再切取的方法，以及从工作机械1直接导入实际切削加工信号，由此对子区间进行指定的方法。
特征量计算部9根据清洗后的子区间的加工数据对特征量进行计算。特征量例如是在1个加工区间内收集到的相同种类的加工数据，例如电流值的最大值、最小值、平均值、标准偏差、数值范围、加工时间、积分值等。
趋势数据存储部10对由特征量计算部9计算出的特征量进行存储。计算出的特征量作为各模型的趋势数据被存储，构建为诊断用的统计母集合(学习对象)。
加工诊断部11根据将作为趋势数据而存储的特征量设为母集合的统计量和计算出的特征量，实施刀具的磨损诊断。在各加工完成后，加工诊断部11针对对象诊断模型，从在趋势数据存储部10中存储的特征量对设为诊断对象的分析用趋势数据进行提取而进行诊断。此外，加工诊断并不限定于磨损诊断，也能够进行加工异常检测、装置预兆诊断。
加工诊断装置100在硬件上，如图2所示，具有：处理器31，其按照控制程序对数据进行处理；主存储部32，其作为处理器的工作区域起作用；辅助存储部33，其用于将数据长期间地存储；输入部34，其接收数据输入；输出部35，其对数据进行输出；通信部36，其与其他装置进行通信；以及将这些要素相互地连接的总线。在辅助存储部33中存储有由处理器执行的数据收集处理的控制程序。关于控制程序的内容在后面记述。输入部34对从工作机械1发送来的加工数据进行接收，提供给处理器31。处理器31将在辅助存储部33中存储的程序读出至主存储部32而执行，由此作为图1所示的加工数据取得部3、切削加工区间提取部4、诊断模型匹配部7、清洗部8、特征量计算部9、加工诊断部11起作用。另外，辅助存储部33作为加工数据存储部5、诊断模型存储部6、趋势数据存储部10起作用。
接下来，对具有上述结构的加工诊断装置100的动作进行说明。
加工诊断装置100的动作具有：学习过程，对由特征量计算部9计算出的特征量和加工品质之间的关系进行学习，生成加工品质预测模型；以及加工过程，在对被加工物即工件实际上进行加工的过程中对加工品质进行预测。
首先，对学习过程进行说明。参照图4，如果工件的加工开始，则加工数据取得部3取得加工数据，该加工数据包含加工信息(加工程序编号、子程序编号、刀具编号、主轴转速指令、制造串行信息、加工尺寸检查结果等制造信息)及加工时的电动机规格数据(电动机速度、电动机扭矩等)、加工关系信息(切削油喷出压力、切削油温度等)(步骤S11)。
如果取得加工数据，则切削加工区间提取部4从加工数据进行稳定加工时间量的切削加工区间的提取及切削加工区间内的加工数据的提取(步骤S12)。关于稳定加工时间量的切削加工区间的提取，参照图3进行说明。
图3示出了1个切削加工区间中的切削加工时的工作机械1的主轴电动机的电动机扭矩、主轴电动机转速指令、切削加工开始信号、实际切削加工信号。如果开始切削加工，则使主轴电动机旋转而进行提高至与主轴电动机转速指令相对应的转速为止的动作。此时主轴电动机加速，因此作为电动机扭矩而产生加速扭矩Ta。在图3中，成为电动机扭矩的最初的高部的波形部分示出了加速扭矩Ta。加速扭矩Ta有可能作为用于进行加工诊断的数据而造成误判定，因此产生加速扭矩Ta的区间需要在切削加工区间的提取时排除在外。因此，将在主轴电动机的转速相对于目标转速而例如达到80％的到达比例后，且加速扭矩Ta超过峰值而下降至阈值为止的时刻设为作为切削加工区间而提取的稳定状态的数据收集开始定时。另外，如果加工结束，主轴电动机的转速降低，则主轴电动机减速，因此作为电动机扭矩而产生减速扭矩Td。在图3中，成为电动机扭矩的右端的高部的波形部分示出了减速扭矩Td。减速扭矩Td与加速扭矩Ta同样地，有可能作为用于进行加工诊断的数据而造成误判定，因此产生减速扭矩Td的区间需要在切削加工区间的提取时排除在外。因此，电动机的转速降低，将减速扭矩Td开始上升而超过阈值的时刻设为结束切削加工区间的提取的稳定状态的数据收集结束定时。
返回至图4，接下来，切削加工区间提取部4将由切削加工区间提取部4提取出的区间的加工数据依次累积于加工数据存储部5(步骤S13)。
接下来，诊断模型匹配部7关于从加工数据取得部3取得的加工条件，与在诊断模型存储部6中预先登记的诊断模型的加工条件进行对照，对加工条件匹配的诊断模型的加工图案进行提取(步骤S14)。
接下来，清洗部8基于提取出的诊断模型的加工图案，将对于加工诊断而言不需要的加工数据排除在外，进行对所需的加工数据进行切取的清洗处理(步骤S15)。
接下来，特征量计算部9根据清洗后的子区间的加工数据而对特征量进行计算(步骤S16)。
如果计算出特征量，则由特征量计算部9计算出的特征量存储于趋势数据存储部10(步骤S17)。
如果特征量的计算处理结束，则接下来加工诊断部11根据将作为趋势数据而存储的特征量设为母集合的统计量和计算出的特征量，实施刀具的磨损诊断。加工诊断部11读出特征量数据和加工数据，开始图5所示的预测模型生成处理。首先，加工诊断部11从表示加工的特征的特征量将异常值去除，进行对贡献率、相关系数、多重共线性等数据进行计算的分析处理(步骤S21)。
接下来，加工诊断部11对回归直线或曲面拟合曲线进行计算而进行生成预测模型的模型化(步骤S22)。在本实施方式中，作为将预测模型设为回归式而求出回归式的方法，使用最小二乘法。此外，最小二乘法是下述方法，即，在使用函数对通过测定得到的数值的组进行近似时，决定将设想的函数相对于测定值成为好的近似的残差的平方设为最小的系数。
将求出的回归式具体地示出。
【式1】
y＝A x 1+B x 2+C x 3+…+N x n (1)
在这里，y为目标变量，xk(k＝1、2、…、n)为说明变量，A、B、C、…、N为各个说明变量的系数。
在本实施方式中，将说明变量x1设为子区间中的电动机扭矩的特征量。另外，将目标变量y设为工件的加工尺寸的设计值和测定值的差分。通过回归分析，针对回归式y＝Ax1对最适于从多个加工数据提取出的特征量(x1)的系数A进行计算。回归式是针对加工工艺的每个切削加工区间而求出的。此外，在本实施方式中，模型化是基于实时地收集到的特征量而进行的，但也可以基于在过去收集、存储于主存储部32或辅助存储部33的特征量数据而进行。
加工诊断部11使用与步骤S22中的预测模型的生成时不同的加工数据，对生成的预测模型的精度，即，应用于回归式的情况下的预测精度进行计算，对精度进行验证(步骤S23)。
加工诊断部11判别通过步骤S23计算出的预测精度是否满足基准(步骤S24)。
如果判别为预测精度不满足基准(步骤S24：No)，则返回至步骤S22。如果判别为预测精度满足基准(步骤S24：Yes)，则加工诊断部11将求出的模型、在该情况下将回归式的系数A与加工工艺和加工区间相关联而存储于辅助存储部33(步骤S25)。
如上所述，在实际的加工处理的情况下用于对加工尺寸或者加工品质进行预测的预测模型完成。此外，该学习处理针对每个加工工艺以任意的频度执行。
加工诊断部11关于通过步骤S22求出的各回归式，对相关关系的贡献率即各说明变量xk相对于目标变量y的贡献的比例进行计算，使用多重相关系数R而求出贡献率的精度。
接下来，在实际的加工处理的情况下，参照图6而说明使用预测模型对加工尺寸或者加工品质进行预测的处理。
在通过工作机械1对工件进行加工的情况下，加工数据取得部3从工作机械1通过数据收集接口2而取得加工数据，对切削加工区间的子区间的加工数据的特征量进行提取(步骤S31)。
在特征量的提取之后，为了对该时刻的加工品质进行预测，对预测模型即回归式应用新取得的加工数据，求出在该时刻预测的加工品质y(步骤S32)。具体地说，对回归式y＝Ax1代入从加工数据提取出的x1＝电动机扭矩，对加工品质y即设计值和预测的尺寸的差的绝对值进行预测。
并且，对同一预测对象的以前的加工预测值和加工品质y通过曲面拟合曲线直至超过与尺寸公差的差为止进行预测判定(步骤S33)。
加工诊断部11针对每个加工工艺而参照预先确定的加工尺寸品质规定，判别预测出的加工品质y是否满足基准(步骤S34)。如果判断为预测出的加工品质y满足基准(步骤S34：Yes)，则判别加工工艺是否结束(步骤S35)。如果不结束(步骤S35：No)，则为了进行与下一个区间有关的处理而返回至步骤S32。另一方面，如果结束(步骤S35：Yes)，则结束处理。
另外，如果判断为预测出的加工品质y不满足基准(步骤S34：No)，则转入不合格品产生时的顺序(步骤S36)。
通过执行以上的步骤，从而在工件的加工中，能够对最终的加工尺寸的品质进行预测。
如上所述，在分析中使用重回归分析这一建立的方法，在预测时使用向回归式的代入这一计算量少的方法，由此与使用神经网络、模糊理论、深层学习等复杂的方法的情况相比，能够高速地执行稳定的分析及预测。
基于求出的加工品质对刀具的更换时期进行判别。加工诊断装置100使用最小二乘法等而求出表示预测出的一系列的加工品质和经过时间之间的关系的直线。对包含求出的直线在内的曲面拟合曲线和尺寸公差相交叉的定时进行确定，将该定时设为刀具更换的定时而进行通知。具体地说，在曲面拟合曲线是直线的情况下，加工品质的降低与经过时间成正比，因此在与尺寸公差交叉的定时，加工品质低于基准值。另外，曲面拟合曲线随着时间的经过而加工品质的变化可能变得平缓或变得急剧。并且，曲面拟合曲线可以通过更复杂的函数表现，如果能够将加工数据更好地再现，则并不限定于上述的例子。由此，操作者能够事先知晓刀具更换的定时。
(实施方式2)
另外，在本发明中，在开始实际生产前实施的气割加工时，对试验加工时的数据进行收集，对加速和减速时的扭矩波形特性、电动机速度进行学习，由此自动决定对切削加工区间进行定义的稳定状态的数据收集开始/收集结束定时。学习是通过强化学习(Q学习)的机器学习进行的。
图7是与加工诊断装置100相关的机器学习装置的结构图。学习装置201具有数据取得部202、模型生成部203。
数据取得部202作为行动A而取得电动机的旋转稳定的稳定状态下的数据收集开始/收集结束定时，作为状态S而取得气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形而作为学习用数据。
模型生成部203基于作为行动A而包含稳定状态的数据收集开始/收集结束定时，并且作为状态S而包含气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形及电压波形之中的至少1个的学习用数据，对“稳定状态的数据收集开始/收集结束定时”进行学习，该“稳定状态的数据收集开始/收集结束定时”用于对作为最佳的行动A而能够取得精度最高的磨损诊断结果的特征量进行计算。即，生成根据加工诊断装置100的状态S对最佳的行动A进行推断的训练好的模型。此外，在行动A的波形中还包含波形的倾斜度、波形的偏置的倾斜度、波形的倾斜度的变化量。
模型生成部203所使用的学习算法能够使用有教师学习、无教师学习、强化学习等公知的算法。作为一个例子，对应用了强化学习(Reinforcement Learning)的情况进行说明。在强化学习中，某环境内的智能体(行动主体)对当前的状态(环境的参数)进行观测，决定应该采取的行动。通过智能体的行动而环境动态地变化，向智能体与环境的变化相应地赋予回报。智能体重复进行上述动作，对通过一系列的行动而回报得到最多的行动方针进行学习。作为强化学习的代表方法，已知Q学习(Q－learning)、TD学习(TD－learning)。例如在Q学习的情况下，行动价值函数Q(s，a)的一般性的更新式通过式(2)表示。
【式2】
Figure BDA0003867475250000111
在式(2)中，st表示时刻t的环境的状态，at表示时刻t的行动。通过行动at，状态变为st+1。rt+1表示通过其状态的变化而带来的回报，γ表示折扣率，α表示学习系数。此外，γ处于0＜γ≤1、α处于0＜α≤1的范围。行动A成为行动at，状态S成为状态st，对时刻t的状态st下的最好的行动at进行学习。
通过式(2)表示的更新式是如果时刻t+1的Q值最高的行动a的行动价值Q大于在时刻t执行的行动a的行动价值Q，则增大行动价值Q，在相反的情况下减小行动价值Q。换言之，以使时刻t的行动a的行动价值Q接近时刻t+1的最好的行动价值的方式对行动价值函数Q(s，a)进行更新。由此，某环境中的最好的行动价值不断依次传播为其以前的环境中的行动价值。
如上述所示，在通过强化学习而生成训练好的模型的情况下，模型生成部203具有回报计算部204和函数更新部205。
回报计算部204基于行动A、状态S对回报进行计算。回报计算部204基于作为回报基准而按照特征量的磨损诊断结果的实际的磨损诊断结果的误差范围对回报r进行计算。如果稳定状态的数据收集开始/收集结束定时没有正确地得到，则非稳定状态的数据被导入得多，没有正确地对特征量进行选定，因此认为基于特征量的磨损诊断结果的精度降低。因此，将基于特征量的磨损诊断结果是否处于基准的误差范围设为回报基准。在基于特征量的磨损诊断结果是基准的误差范围内的回报增大基准的情况下使回报r增大(例如赋予“1”的回报)，另一方面，在基于特征量的磨损诊断结果是超过基准的误差范围的回报减小基准的情况下使回报r减小(例如赋予“－1”的回报)。
函数更新部205对按照由回报计算部204计算的回报而用于决定最佳的行动A的函数进行更新，输出至训练好的模型存储部206。例如在Q学习的情况下，将通过式(2)表示的行动价值函数Q(st，at)作为用于对最佳的行动A进行计算的函数使用。
重复执行以上的学习。训练好的模型存储部206对由函数更新部205更新后的行动价值函数Q(st，at)即训练好的模型进行存储。
接下来，使用图8，对由学习装置201学习的处理进行说明。图8是与学习装置201的学习处理相关的流程图。
在步骤S41中，数据取得部202取得行动A、状态S而作为学习用数据。
在步骤S42中，模型生成部203基于行动A、状态S对回报进行计算。具体地说，回报计算部204取得行动A、状态S，对基于预先确定的回报基准使回报增加或使回报减小进行判断。
回报计算部204在判断为使回报增大的情况下(步骤S42：Yes)，在步骤S43中使回报增大。另一方面，回报计算部204在判断为使回报减小的情况下(步骤S42：No)，在步骤S44中使回报减小。
在步骤S45中，函数更新部205基于由回报计算部204计算出的回报，对通过由训练好的模型存储部206存储的式(2)表示的行动价值函数Q(st，at)进行更新。
学习装置201重复执行以上的步骤S41至S45为止的步骤，将生成的行动价值函数Q(st，at)作为训练好的模型进行存储。
本实施方式所涉及的学习装置201设为将训练好的模型存储于在学习装置201的外部设置的训练好的模型存储部206，但也可以将训练好的模型存储部206设置于学习装置201的内部。
图9是与加工诊断装置100相关的推断装置301的结构图。推断装置301具有数据取得部302、推断部303。
数据取得部302取得状态S。
推断部303利用训练好的模型对最佳的行动A进行推断。即，向该训练好的模型输入由数据取得部302取得的状态S，由此能够对适于状态S的最佳的行动A进行推断。此外，在这里输入的状态S是包含实际的加工时的扭矩波形、电动机速度波形、加速度波形、电流波形及电压波形之中的至少1个的数据。
此外，在本实施方式中，对使用由与加工诊断装置100相关的学习装置201的模型生成部203训练得到的训练好的模型而输出最佳的行动A进行了说明，但也可以从其他加工诊断装置100取得训练好的模型，基于该训练好的模型而输出最佳的行动A。
接下来，使用图10，对使用学习装置201用于得到最佳的行动A的处理进行说明。
在步骤S51中，数据取得部302取得状态S。
在步骤S52中，推断部303向在训练好的模型存储部206中存储的训练好的模型输入状态S，得到最佳的行动A(步骤S53)。推断部303将得到的最佳的行动A输出至加工诊断装置100。
在步骤S54中，加工诊断装置100使用输出的最佳的行动A，对能够取得精度高的磨损诊断结果的特征量进行计算。
此外，在本实施方式中，对在推断部303所使用的学习算法应用了强化学习的情况进行了说明，但并不限定于此。关于学习算法，除了强化学习以外，也能够应用有教师学习、无教师学习或有半教师学习等。
另外，作为在模型生成部203中使用的学习算法，也能够使用对特征量本身的提取进行学习的深层学习(Deep Learning)，也可以按照其他公知的方法，例如神经网络、遗传编程、功能逻辑编程、支持向量机等执行机器学习。
此外，学习装置201及推断装置301例如也可以经由网络与加工诊断装置100连接，是与该加工诊断装置100分体的装置。另外，学习装置201及推断装置301也可以内置于加工诊断装置100。并且，学习装置201及推断装置301也可以存在于云服务器上。
另外，模型生成部203可以使用从多个加工诊断装置100取得的学习用数据，对最佳的行动A进行学习。此外，模型生成部203也可以从在同一区域使用的多个加工诊断装置100取得学习用数据，也可以利用从在不同的区域独立地动作的多个加工诊断装置100收集的学习用数据而对最佳的行动A进行学习。另外，也能够将对学习用数据进行收集的加工诊断装置100在中途追加至对象或从对象去除。并且，也可以将关于某加工诊断装置100对最佳的行动A进行了学习的学习装置201应用于其他加工诊断装置100，关于该其他加工诊断装置100对最佳的行动A进行再学习而进行更新。
(实施方式3)
另外，在装置维护时，对维护实施前和维护实施后的加工数据进行学习，能够抑制由机械损耗变化引起的对加工数据(电动机扭矩)的影响，能够在各诊断功能中实施对异常进行判定的诊断阈值的校正。在通过装置维护而更换了电动机本身的情况下，例如轴承被更换为新的轴承，由此在轴承进行旋转的负载减少。因此，在维护实施前和维护实施后，即使是相同的加工，电动机扭矩也减小。因此，对该电动机扭矩的减少量进行校正，由此抑制由电动机更换造成的影响。学习是通过强化学习(Q学习)的机器学习进行的。
与加工诊断装置100相关的机器学习装置的结构图由于与图7相同，因此省略。
数据取得部202作为行动A而取得诊断条件例如诊断参数、诊断数据的操作状况(使用维护后数据的哪个范围，如何进行数据处理)，作为状态S而取得维护后的加工数据例如扭矩波形、主轴速度波形而作为学习用数据。
模型生成部203基于作为行动A而包含诊断条件例如诊断参数、诊断数据的操作状况(使用维护后数据的哪个范围，如何进行数据处理)，作为状态S而包含维护后的加工数据例如扭矩波形、主轴速度波形的学习用数据，作为最佳的行动A对针对每个维护后数据的适当的诊断阈值的校正值进行学习。即，生成根据加工诊断装置100的状态S对最佳的行动A进行推断的训练好的模型。
回报计算部204基于行动A、状态S对回报进行计算。回报计算部204基于作为回报基准而理论上的诊断值与按照维护后数据而计算出的诊断值之差是否处于基准的误差的范围内，对回报r进行计算。例如，在基准的误差的范围内的回报增大基准的情况下使回报r增大(例如赋予“1”的回报)，另一方面，在基准的误差的范围外的回报减小基准的情况下使回报r减小(例如赋予“－1”的回报)。
函数更新部205对按照由回报计算部204计算的回报而用于决定最佳的行动A的函数进行更新，输出至训练好的模型存储部206。例如在Q学习的情况下，将通过式1表示的行动价值函数Q(st，at)作为用于对最佳的行动A进行计算的函数使用。
重复执行以上的学习。训练好的模型存储部206对由函数更新部205更新后的行动价值函数Q(st，at)即训练好的模型进行存储。
接下来，关于由学习装置201学习的处理，由于与图8相同，因此省略。另外，关于与加工诊断装置100相关的推断装置301的结构图，由于与图9相同，因此也省略。
此外，在本实施方式中，对在推断部303所使用的学习算法应用了强化学习的情况进行了说明，但并不限定于此。关于学习算法，除了强化学习以外，也能够应用有教师学习、无教师学习或有半教师学习等。
另外，作为在模型生成部203中使用的学习算法，能够使用对特征量本身的提取进行学习的深层学习，也可以按照其他公知的方法，例如神经网络、遗传编程、功能逻辑编程、支持向量机等执行机器学习。
此外，学习装置201及推断装置301例如也可以是经由网络与加工诊断装置100连接，与该加工诊断装置100分体的装置。另外，学习装置201及推断装置301也可以内置于加工诊断装置100。并且，学习装置201及推断装置301也可以存在于云服务器上。
另外，模型生成部203可以使用从多个加工诊断装置100取得的学习用数据，对最佳的行动A进行学习。此外，模型生成部203也可以从在同一区域使用的多个加工诊断装置100取得学习用数据，也可以利用从在不同的区域独立地动作的多个加工诊断装置100收集的学习用数据对最佳的行动A进行学习。另外，也能够将对学习用数据进行收集的加工诊断装置100在中途追加至对象或从对象去除。并且，也可以将关于某加工诊断装置100对最佳的行动A进行了学习的学习装置201应用于其他加工诊断装置100，关于该其他加工诊断装置100对最佳的行动A进行再学习而进行更新。
本发明在不脱离本发明的广义的精神和范围的情况下，能够实现各种实施方式及变形。另外，上述的实施方式用于对本发明进行说明，并不是对本发明的范围进行限定。即，本发明的范围不是实施方式，而是由权利要求书示出。而且，在权利要求书内及与其同等的发明的意义的范围内实施的各种变形视作本发明的范围内。
工业实用性
本发明能够广泛地应用于加工诊断装置100。
标号的说明
1工作机械，2数据收集接口，3加工数据取得部，4切削加工区间提取部，5加工数据存储部，6诊断模型存储部，7诊断模型匹配部，8清洗部，9特征量计算部，10趋势数据存储部，11加工诊断部，31处理器，32主存储部，33辅助存储部，34输入部，35输出部，36通信部，100加工诊断装置，201学习装置，202、302数据取得部，203模型生成部，204回报计算部，205函数更新部，206训练好的模型存储部，301推断装置，303推断部。

Claims (16)

1.一种加工诊断装置，其具有：
加工数据取得部，其从工作机械取得基于加工条件进行加工而得到的结果即加工数据；
切削加工区间提取部，其从所取得的所述加工数据，进行稳定加工时间量的切削加工区间的提取及所述切削加工区间内的加工数据的提取；
清洗部，其取得所述加工条件，与所取得的所述加工条件相应地，进行由所述切削加工区间提取部提取出的所述加工数据的清洗；
特征量计算部，其根据清洗后的所述加工数据对特征量进行计算；以及
加工诊断部，其基于计算出的所述特征量而进行加工诊断。
2.根据权利要求1所述的加工诊断装置，其中，
具有：
诊断模型存储部，其针对每个加工条件对通过加工条件形成的加工图案进行存储而作为诊断模型；以及
诊断模型匹配部，其基于加工条件，从所述诊断模型存储部读出诊断模型，由此进行由所述切削加工区间提取部提取出的所述加工数据和所述诊断模型的匹配，
所述清洗部基于由所述诊断模型匹配部匹配的诊断模型，进行由所述切削加工区间提取部提取出的所述加工数据的清洗。
3.根据权利要求1或2所述的加工诊断装置，其中，
所述清洗是将通过加工条件形成的加工图案之中的没有进行实际加工的区间去除，关于进行实际加工的子区间进行切取。
4.根据权利要求1至3中任一项所述的加工诊断装置，其中，
所述切削加工区间提取部通过所述工作机械的主轴电动机的转速相对于目标值的到达比例和电动机扭矩的阈值的组合，对所述稳定加工时间量的切削加工区间进行提取。
5.根据权利要求1至4中任一项所述的加工诊断装置，其中，
具有趋势数据存储部，该趋势数据存储部对由所述特征量计算部计算出的特征量进行存储而作为趋势数据，
所述加工诊断部针对对象诊断模型，从在所述趋势数据存储部中存储的特征量对成为诊断对象的分析用趋势数据进行提取而进行诊断。
6.根据权利要求1至5中任一项所述的加工诊断装置，其中，
取得切削加工时的加工数据和所述稳定加工时间量的切削加工区间的数据的收集开始/收集结束定时而作为学习用数据，
具有推断部，该推断部使用所述学习用数据对所述收集开始/收集结束定时进行推断，所述收集开始/收集结束定时取得适于切削加工所使用的刀具的磨损状态的诊断的数据。
7.根据权利要求1所述的加工诊断装置，其中，
还具有学习装置，该学习装置具有：
数据取得部，其取得学习用数据，该学习用数据包含所述加工诊断装置的气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个和所述气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个的所述加工诊断装置的稳定加工时间量的切削加工区间的数据的收集开始/收集结束定时；以及
模型生成部，其使用所述学习用数据而生成训练好的模型，该训练好的模型用于根据所述加工诊断装置的所述气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个对取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述收集开始/收集结束定时进行推断。
8.根据权利要求1所述的加工诊断装置，其中，
还具有推断装置，该推断装置具有：
数据取得部，其取得包含所述加工诊断装置的加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个的数据；以及
推断部，其使用训练好的模型，将用于从所述加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述收集开始/收集结束定时进行输出，该训练好的模型用于对从所述加工诊断装置的气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述加工诊断装置的稳定加工时间量的切削加工区间的数据的收集开始/收集结束定时进行推断。
9.根据权利要求1所述的加工诊断装置，其中，
还具有学习装置，该学习装置具有：
数据取得部，其取得学习用数据，该学习用数据包含所述加工诊断装置的诊断条件和所述加工诊断装置的维护后的加工数据；以及
模型生成部，其使用所述学习用数据而生成训练好的模型，该训练好的模型用于根据所述加工诊断装置的维护后的加工数据对在诊断时判定异常的诊断阈值的针对每个维护后数据的适当的校正值进行推断。
10.根据权利要求1所述的加工诊断装置，其中，
还具有推断装置，该推断装置具有：
数据取得部，其取得所述加工诊断装置的维护后的加工数据；以及
推断部，其使用训练好的模型，根据所述加工诊断装置的维护后的加工数据将所述诊断阈值的针对每个维护后数据的适当的校正值进行输出，该训练好的模型用于根据所述加工诊断装置的维护后的加工数据对在诊断时判定异常的诊断阈值的针对每个维护后数据的适当的校正值进行推断。
11.一种加工诊断方法，其具有：
加工数据取得步骤，从工作机械取得基于加工条件进行加工而得到的结果即加工数据；
切削加工区间提取步骤，从所取得的所述加工数据进行稳定加工时间量的切削加工区间的提取及所述切削加工区间内的加工数据的提取；
清洗步骤，取得所述加工条件，与所取得的加工条件相应地，进行所述切削加工区间内的加工数据的清洗；
特征量计算步骤，根据所述清洗后的加工数据对特征量进行计算；以及
加工诊断步骤，基于所述计算出的特征量进行加工诊断。
12.一种程序，使计算机执行：
加工数据取得步骤，从工作机械取得基于加工条件进行加工而得到的结果即加工数据；
切削加工区间提取步骤，从所取得的所述加工数据进行稳定加工时间量的切削加工区间的提取及所述切削加工区间内的加工数据的提取；
清洗步骤，取得所述切削加工的加工条件，与所取得的加工条件相应地，进行所述切削加工区间内的加工数据的清洗；
特征量计算步骤，根据所述清洗后的加工数据对特征量进行计算；以及
加工诊断步骤，基于所述计算出的特征量进行加工诊断。
13.一种学习装置，其具有：
数据取得部，其取得学习用数据，该学习用数据包含加工诊断装置的气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个和所述气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个的所述加工诊断装置的稳定加工时间量的切削加工区间的数据的收集开始/收集结束定时；以及
模型生成部，其使用所述学习用数据而生成训练好的模型，该训练好的模型用于根据所述加工诊断装置的所述气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个对取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述收集开始/收集结束定时进行推断。
14.一种推断装置，其具有：
数据取得部，其取得包含加工诊断装置的加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个的数据；以及
推断部，其使用训练好的模型，将用于从所述加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述收集开始/收集结束定时进行输出，该训练好的模型用于对从所述加工诊断装置的气割加工时及试验加工时的扭矩波形、电动机速度波形、加速度波形、电流波形、电压波形之中的至少1个取得适于切削加工所使用的刀具的磨损状态的诊断的数据的所述加工诊断装置的稳定加工时间量的切削加工区间的数据的收集开始/收集结束定时进行推断。
15.一种学习装置，其具有：
数据取得部，其取得学习用数据，该学习用数据包含加工诊断装置的诊断条件和所述加工诊断装置的维护后的加工数据；以及
模型生成部，其使用所述学习用数据而生成训练好的模型，该训练好的模型用于根据所述加工诊断装置的维护后的加工数据对在诊断时判定异常的诊断阈值的针对每个维护后数据的适当的校正值进行推断。
16.一种推断装置，其具有：
数据取得部，其取得加工诊断装置的维护后的加工数据；以及
推断部，其使用训练好的模型，根据所述加工诊断装置的维护后的加工数据将所述诊断阈值的针对每个维护后数据的适当的校正值进行输出，该训练好的模型用于根据所述加工诊断装置的维护后的加工数据对在诊断时判定异常的诊断阈值的针对每个维护后数据的适当的校正值进行推断。
CN202080099145.5A 2020-11-12 2020-11-12 加工诊断装置、学习装置、推断装置、加工诊断方法及程序 Pending CN116249943A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/042185 WO2022102036A1 (ja) 2020-11-12 2020-11-12 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム

Publications (1)

Publication Number Publication Date
CN116249943A true CN116249943A (zh) 2023-06-09

Family

ID=78001419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080099145.5A Pending CN116249943A (zh) 2020-11-12 2020-11-12 加工诊断装置、学习装置、推断装置、加工诊断方法及程序

Country Status (5)

Country Link
US (1) US20230120046A1 (zh)
JP (1) JP6949275B1 (zh)
CN (1) CN116249943A (zh)
DE (1) DE112020007792T5 (zh)
WO (1) WO2022102036A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627090A (zh) * 2023-07-19 2023-08-22 太仓庄正数控设备有限公司 基于切削状态诊断的数控机床调控方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7552643B2 (ja) 2022-03-30 2024-09-18 横河電機株式会社 データ処理装置、データ処理方法、及びプログラム
WO2024176390A1 (ja) * 2023-02-22 2024-08-29 ファナック株式会社 データ分割装置、及びコンピュータ読み取り可能な記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112262017B (zh) * 2018-06-15 2022-12-13 三菱电机株式会社 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
WO2020138025A1 (ja) * 2018-12-25 2020-07-02 日立金属株式会社 切削工具の異常検知装置、および異常検知方法
JP7140159B2 (ja) * 2020-06-25 2022-09-21 株式会社リコー 情報処理装置、情報処理方法、および情報処理システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627090A (zh) * 2023-07-19 2023-08-22 太仓庄正数控设备有限公司 基于切削状态诊断的数控机床调控方法及系统
CN116627090B (zh) * 2023-07-19 2023-11-10 太仓庄正数控设备有限公司 基于切削状态诊断的数控机床调控方法及系统

Also Published As

Publication number Publication date
DE112020007792T5 (de) 2023-09-28
US20230120046A1 (en) 2023-04-20
JP6949275B1 (ja) 2021-10-13
JPWO2022102036A1 (zh) 2022-05-19
WO2022102036A1 (ja) 2022-05-19

Similar Documents

Publication Publication Date Title
CN116249943A (zh) 加工诊断装置、学习装置、推断装置、加工诊断方法及程序
JP5997330B1 (ja) 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
JP6294268B2 (ja) 射出成形機の異常診断装置
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP6863930B2 (ja) 寿命予測装置及び機械学習装置
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
US20190196454A1 (en) Chip removal apparatus and information processing apparatus
JP3553982B2 (ja) 自動化された金属切削機械における切削工具の寿命を予測するシステム
US10725465B2 (en) State diagnostic device
CN106056263A (zh) 机床的管理系统
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
EP4035829B1 (en) Control system
JP2019141869A (ja) 制御装置及び機械学習装置
CN114326593B (zh) 一种刀具寿命预测系统及方法
CN110340884B (zh) 测定动作参数调整装置、机器学习装置以及系统
JP2017120618A (ja) セル制御装置及び予防保全管理方法
JPH10228304A (ja) 加工装置
KR20210100399A (ko) 인공 지능을 이용한 가공품질 예측 시스템 및 방법
KR20200132313A (ko) 수치제어 공작기계 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN117076260B (zh) 一种参数及设备异常检测方法及装置
WO2024154205A1 (ja) 特異データ判定装置、及び特異データ判定方法
CN116010833B (zh) 基于缺失数据补全的数控机床健康状态评估方法及装置
JP7441811B2 (ja) 診断装置
CN114491845B (zh) 融合历史轨迹的船用动力轴承剩余寿命预测方法及系统
CN117348605B (zh) 应用于离型膜撕除机控制系统的优化方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination