CN116963867A - 估计模型生成装置以及工具寿命估计装置 - Google Patents
估计模型生成装置以及工具寿命估计装置 Download PDFInfo
- Publication number
- CN116963867A CN116963867A CN202280016412.7A CN202280016412A CN116963867A CN 116963867 A CN116963867 A CN 116963867A CN 202280016412 A CN202280016412 A CN 202280016412A CN 116963867 A CN116963867 A CN 116963867A
- Authority
- CN
- China
- Prior art keywords
- load
- load curve
- tool
- estimation model
- curve
- 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
Links
- 238000003754 machining Methods 0.000 claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000002123 temporal effect Effects 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 2
- 238000003825 pressing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 239000000463 material Substances 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000005520 cutting process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D28/00—Shaping by press-cutting; Perforating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D28/00—Shaping by press-cutting; Perforating
- B21D28/24—Perforating, i.e. punching holes
- B21D28/34—Perforating tools; Die holders
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/28—Arrangements for preventing distortion of, or damage to, presses or parts thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
估计模型生成装置是生成估计模型的装置,该估计模型用于基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个工件的工具的寿命,该估计模型生成装置具备:信息获取部,获取通过使用工具反复进行加工直至工具到达寿命为止的载荷曲线;估计模型生成部,基于将载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据、和从载荷数据的获取时起直至到达寿命为止的工具寿命,生成用于预测工具寿命的估计模型;和存储部,存储估计模型,第1载荷曲线是由工具的加工引起的工件的变形时的载荷曲线,第2载荷曲线是由工具的加工引起的工件的刚刚变形后的载荷曲线。
Description
技术领域
本公开涉及估计模型生成装置以及工具寿命估计装置。
背景技术
在工作机械中被使用的工具由于反复使用而磨损导致工件的加工精度恶化。若无法维持规定的加工精度,该工具到达寿命。为了掌握工具的寿命,并在工具到达寿命之前进行更换新工具等应对,正在研究对工具寿命进行估计的技术。
在专利文献1中,公开了一种工具寿命估计装置,通过将表示加工的状况的加工信息作为输入数据的无教师学习来构筑学习模型,并利用该学习模型估计工具的寿命。
在先技术文献
专利文献
专利文献1:日本专利第6404893号公报
发明内容
本公开的一方式所涉及的估计模型生成装置是生成估计模型的装置,所述估计模型用于基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个所述工件的所述工具的寿命,
所述估计模型生成装置具备:
信息获取部,获取通过使用所述工具反复进行加工直至所述工具到达寿命为止的所述载荷曲线;
估计模型生成部,基于将所述载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据、和从所述载荷数据的获取时起直至到达所述寿命为止的工具寿命,生成用于预测所述工具寿命的估计模型;和
存储部,存储所述估计模型,
所述第1载荷曲线是由所述工具的加工引起的所述工件的变形时的载荷曲线,
所述第2载荷曲线是由所述工具的加工引起的所述工件的刚刚变形后的载荷曲线。
附图说明
图1A是表示实施方式1所涉及的估计模型生成装置的框图。
图1B是表示实施方式1所涉及的工具寿命估计装置的框图。
图1C是表示加工装置的框图。
图2A是表示由加工装置对工件进行冲压加工的工序的概略图。
图2B是表示由加工装置对工件进行冲压加工的工序的概略图。
图2C是表示由加工装置对工件进行冲压加工的工序的概略图。
图2D是表示由加工装置对工件进行冲压加工的工序的概略图。
图3是表示由加工装置进行冲压加工时的施加于冲头的载荷的时间变化的图表。
图4A是表示从冲头的使用开始起100次冲击的载荷曲线的图表。
图4B是表示从冲头的使用开始起20万次冲击的载荷曲线的图表。
图5是表示通过估计模型生成装置的信息获取部获取的载荷曲线的图。
图6是表示估计模型的图表。
图7是表示通过工具寿命估计装置的信息获取部获取的载荷曲线的图。
图8是对在图6的估计模型中表示在加工中获取的最大载荷与其冲击数的点进行描绘的图表。
图9是表示通过实施方式2所涉及的估计模型生成装置的信息获取部获取的载荷曲线的图。
图10是表示施加于冲头的最大载荷及载荷曲线的积分值(载荷能量)的值的倾向的图表。
图11是表示通过实施方式3所涉及的估计模型生成装置的信息获取部获取的载荷曲线的图。
图12是表示载荷曲线整体的载荷能量的积分值和第1载荷曲线以及第2载荷曲线各自的载荷能量的积分值的倾向的图表。
图13是表示载荷曲线与冲击数的关系的图表。
图14是对利用图13的图表的工具寿命的估计进行说明的图表。
具体实施方式
(实现本公开的经过)
在工作机械中使用的工具由于反复加工而磨损,因此无法维持规定的加工精度。无法维持规定的加工精度的工具被判断为已到达工具寿命,进行向新工具的更换、或者工具的研磨等。
以往,根据通过加工得到的产品形状中出现的毛刺的大小等来判断工具寿命。但是,存在如下问题:在直到测定毛刺的大小为止的时间,通过到达寿命的工具来持续生产不合格品的问题。
因此,如在专利文献1所述的工具寿命估计装置那样,研究了将表示加工的状况的加工信息作为输入数据使用从而构筑学习模型,并利用学习模型依据加工信息对工具的寿命进行估计的方法。但是,在专利文献1中所述的工具寿命估计装置,在寿命预测精度的提高这一点上仍存在改善的余地。
本发明人并不是如专利文献1中所述那样利用与加工有关的信息,而是利用与施加在工具的载荷有关的信息来构筑估计模型,通过利用该估计模型,发现能够较高精度地估计工具寿命,从而实现了以下的发明。本公开提供使工具寿命的预测精度提高了的估计模型生成装置以及工具寿命估计装置。
本公开的一方式所涉及的估计模型生成装置是生成估计模型的装置,所述估计模型用于基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个所述工件的所述工具的寿命,
所述估计模型生成装置具备:
信息获取部,获取通过使用所述工具反复进行加工直至所述工具到达寿命为止的所述载荷曲线;
估计模型生成部,基于将所述载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据、和从所述载荷数据的获取时起直至到达所述寿命为止的工具寿命,生成用于预测所述工具寿命的估计模型;和
存储部,存储所述估计模型,
所述第1载荷曲线是由所述工具的加工引起的所述工件的变形时的载荷曲线,
所述第2载荷曲线是由所述工具的加工引起的所述工件的刚刚变形后的载荷曲线。
通过这种结构,能够提供使工具寿命的预测精度提高了的估计模型生成装置。
所述载荷数据也可以基于所述第1载荷曲线的积分值和所述第2载荷曲线的积分值而生成。
通过这种结构,能够利用对工具的负荷能量或者冲量来生成估计模型,因此能够进一步提高寿命预测精度。
所述估计模型生成部也可以通过利用将所述载荷数据设为说明变量、将所述工具寿命设为目标变量而建立对应的教师数据进行机器学习,来生成所述估计模型。
通过这种结构,能够进一步提高寿命预测精度。
所述估计模型生成部也可以通过利用对所述第1载荷曲线以及所述第2载荷曲线进行加权的所述载荷数据来生成所述估计模型。
通过这种结构,即使在由于工件的材料或者模具的种类等,而对工具的负荷能量的倾向不同的情况下,也能够进行高精度的寿命预测。
也可以通过对所述第1载荷曲线以及所述第2载荷曲线分别乘以规定的系数,从而对所述第1载荷曲线以及第2载荷曲线进行加权。
通过这种结构,进行针对第1载荷曲线以及第2载荷曲线的加权,从而能够进行高精度的寿命预测。
所述载荷曲线也可以是表示施加于所述工具的载荷与时间的关系的曲线。
通过这种结构,能够利用施加于工具的负荷能量生成估计模型,从而能够使预测精度提高。
所述载荷曲线也可以是表示施加于所述工具的载荷与所述工具的移动距离的关系的曲线。
通过这种结构,能够利用施加于工具的冲量来生成估计模型,从而能够使预测精度提高。
本公开的一方式所涉及的工具寿命估计装置基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个所述工件的所述工具的寿命,
所述工具寿命估计装置具备:
存储部,由上述任意一个估计模型生成装置所生成的估计模型;
信息获取部,获取由所述工具进行的加工中的载荷曲线;
载荷数据生成部,生成将所述加工中的载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据;和
估计部,基于所述估计模型,根据所述载荷数据来估计所述工具寿命,
所述第1载荷曲线是由所述工具的加工引起的所述工件的变形时的载荷曲线,
所述第2载荷曲线是由所述工具的加工引起的所述工件的刚刚变形后的载荷曲线。
通过这种结构,能够提供使工具寿命的预测精度提高的工具寿命估计装置。
所述载荷数据也可以基于所述第1载荷曲线的积分值与所述第2载荷曲线的积分值而生成。
通过这种结构,能够进一步提高预测精度。
以下,适当地参照附图对本公开所涉及的实施方式进行详细说明。但是,有时省略超出必要的详细说明。例如,有时省略已经公知的事项的详细说明、对实质上相同的结构的重复说明。这是为了避免以下的说明变得不必要地冗长,使本领域技术人员容易理解。此外,发明人为了使本领域技术人员充分理解本公开而提供了附图以及以下的说明,但权利要求书所述的主题并不局限于此。
(实施方式1)
[整体结构]
图1A是表示实施方式1所涉及的估计模型生成装置100的框图。图1B是表示实施方式1所涉及的工具寿命估计装置200的框图。图1C是表示加工装置300的框图。各自可以被设置于同一工厂内、或者2处以上的用地内。估计模型生成装置100和工具寿命估计装置200也可以被一体化。
参照图1A~图1C,对本实施方式所涉及的估计模型生成装置100以及工具寿命估计装置200进行说明。估计模型生成装置100、工具寿命估计装置200以及加工装置300通过有线或者无线相互可通信地被连接。通信能够使用互联网等公用线路及/或专用线路进行实现。
图1A所示的估计模型生成装置100是如下装置:基于图1C所示的加工装置300进行加工时获取的载荷曲线,来生成用于对在加工装置300中被使用的工具的寿命进行预测的估计模型。估计模型生成装置100例如可以利用PC、工作站等计算机系统进行构筑。估计模型生成装置100具备:信息获取部11、估计模型生成部12、存储部13。
信息获取部11获取通过使用加工装置的工具反复进行加工直至工具到达寿命为止的载荷曲线。载荷曲线根据基于后述的加工装置300的传感器34的检测结果而决定。
估计模型生成部12生成用于基于载荷曲线和从载荷曲线的获取时起直至到达寿命为止的工具寿命来预测工具寿命的估计模型。关于工具寿命,后面叙述。
存储部13存储由估计模型生成部12生成的估计模型。
图1B所示的工具寿命估计装置200是如下装置:基于由图1A的估计模型生成装置100所生成的估计模型,根据加工装置300的载荷曲线来估计加工装置300的工具的寿命。工具寿命估计装置200例如能够由微型计算机、CPU、MPU、GPU、DSP、FPGA、ASIC来构成。工具寿命估计装置200的功能可以仅由硬件来构成,也可以通过将硬件和软件进行组合来实现。工具寿命估计装置200具备:信息获取部21、估计部22、存储部23。
信息获取部21获取由加工装置300进行加工中的载荷曲线。
存储部23存储由估计模型生成装置100生成的估计模型。
估计部22基于估计模型,根据加工中的载荷曲线,估计工具寿命。
图1C所示的加工装置300是对板状的金属即工件施加载荷并反复加工多个工件的装置。在本实施方式中,对加工装置300是具有冲头31以及冲模32、并由冲头31以及冲模32来加工工件33的冲压加工装置的情况进行说明。
加工装置300是如下装置:具有冲模32和与冲模32对置的冲头31,通过冲头31的载荷对配置在冲模32的工件33进行加工。
在加工装置300中,配置用于获取对冲头31的载荷以及冲头31的移动距离的传感器34。作为传感器34,例如使用载荷传感器35以及位置传感器36等。
为了检测出对冲头31微小的载荷的变化,载荷传感器35优选具有高灵敏度。因此,作为载荷传感器35,优选石英压电式传感器。
位置传感器36为了检测出冲头31的微小的位置的变化(移动距离),优选具有高分辨率。因此,作为位置传感器36,优选涡流式传感器或者静电电容式传感器。
<估计模型生成装置>
估计模型生成装置100生成估计模型,该估计模型用于基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线来估计对板状的工件33施加载荷并对工件33反复进行加工的工具的寿命。
所谓工具的寿命,是表示通过使用加工装置300的工具(冲头31以及冲模32)对多个工件33反复进行加工所产生的工具的磨损、破损。在通过反复进行加工,工具磨损从而不能维持规定的产品形状的情况下,或者,工具破损从而不能维持规定的产品形状的情况下,工具被判断为到达寿命,进行工具的再度研磨、更换。
在本实施方式中,基于表示施加于工具的载荷、特别是施加于冲头31的载荷的时间变化的载荷曲线,通过估计模型生成装置100来生成估计模型。
载荷曲线是表示由载荷传感器35获取的施加于冲头的载荷的时间变化或者位置变化的曲线。在这里,参照图2A~图3对载荷曲线表示载荷与时间的关系的情况进行说明。
图2A~图2D是表示由加工装置300对工件33进行冲压加工的工序的概略图。图3是表示由加工装置进行冲压加工时的施加于冲头的载荷的时间变化的图表。
若加工开始,则冲头31下降,冲头31与工件33进行接触(图2A)。在图3的图表中,冲头31接触到工件33的时刻是时间T1。如图3的图表所示,冲头31在接触工件33之前,几乎不对冲头31施加载荷(图3的区间S1)。
若通过冲头31向工件33的冲压加工开始(图2B),则如图3的图表的区间S2所示,向冲头31的载荷急剧增加。通过冲头31切断工件33(图2C)的时刻是图3的图表的时间T2。若工件33被切断,则施加于冲头31的载荷下降到0附近。这是由于对工件33进行冲压导致向冲头31的阻力消失。此外,即使在工件33被切断的情况下,由于冲头的振动、或者其他的外在因素,也存在通过传感器34检测出的施加于冲头31的载荷未到达0的情况。在这种情况下,优选将表示冲压时的载荷的急剧增加的峰值后的最低死点设为工件33的冲压后的载荷。另外,存在由于同样的因素,导致通过传感器34检测出的施加于冲头31的载荷多次计测为0的情况。在这种情况下,可以将载荷为0的任一时间设为工件33的冲压后的载荷,更优选将最初的时间设为工件33的冲压后的载荷。
对工件33进行冲压后的短时间内(图3的图表的区间S3),由于冲头31和冲模32的干扰、或者因材料引起的干扰因素等,载荷施加于冲头31。例如,存在由于冲头31和冲模32的倾斜,导致冲头31与冲模32进行接触从而载荷施加于冲头31的情况。或者,存在由于切断后的工件33被拉入冲头31和冲模32之间(图2D),从而载荷施加于冲头31的情况。
若由于反复进行加工,冲头31磨损,则在加工中施加于冲头31的载荷变大。图4A是表示从冲头31的使用开始起100次冲击的载荷曲线的图表。图4B是表示从冲头31的使用开始起20万次冲击的载荷曲线的图表。如图4A以及图4B所示那样,若反复进行加工,冲压时的最大载荷变大。这是由于反复进行加工,冲头31磨损,从而较大的载荷施加于冲头31。进一步,冲压后的载荷也变大。这是由于冲头31的磨损,毛刺增加而与冲头31干扰,从而导致施加于冲头31的载荷变大。
由此可知,载荷曲线与工具(冲头31)的磨损的进展密切相关。因此,在本实施方式中,估计模型生成装置100的估计模型生成部12生成用于基于载荷曲线与该时刻的工具寿命来预测工具寿命的估计模型。
载荷曲线是基于由加工装置300的传感器34检测出的施加于冲头31的载荷,通过估计模型生成装置100的信息获取部11而被获取。
图5是表示通过估计模型生成装置100的信息获取部11获取的载荷曲线的图。图5的各个载荷曲线是表示施加于冲头31的载荷与时间的关系的曲线。图5的(a)是表示在第10万次冲击下获取的载荷曲线。图5的(b)是表示在第20万次冲击下获取的载荷曲线。图5的(c)是表示在第30万次冲击下获取的载荷曲线。
信息获取部11基于传感器34的检测值来获取图5的(a)~图5的(c)那样的载荷曲线。载荷曲线可以针对冲头31到达寿命为止的全部的冲击而被获取,也可以在规定的时间间隔被获取。
估计模型生成部12基于由信息获取部11获取的载荷曲线、和从载荷曲线的获取时起直至到达寿命为止的工具寿命,生成估计模型。例如,能够基于包含图5的(a)~图5的(c)的获取到的载荷曲线的最大载荷来生成估计模型。
在图5的(a)的载荷曲线中最大载荷是L11,冲压后的载荷收敛于L12。同样地,在图5的(b)的载荷曲线中最大载荷是L13,冲压后的载荷收敛于L14。在图5的(c)的图表中,最大载荷是L15,冲压后的载荷收敛于L16。这样,在获取的全部的载荷曲线中计算最大载荷,并与获取该载荷曲线时的冲击数建立关联。此时,例如产生工具的破损等的异常时的载荷曲线可以除外。
如图5的(a)~图5的(c)所示,可知随着冲击数增加而最大载荷增加。即,在各个冲击数中最大载荷的大小是L11<L13<L15的关系。同样地,随着冲击数增加,冲压后的载荷也增加。即,在各个冲击数中的冲压后的载荷的大小是L12<L14<L16的关系。这是由于随着冲击数增加,冲头31的磨损恶化,材料的引入量增加,从而导致冲头31与工件33间的干扰量增加。
在图5的(a)~图5的(c)的载荷曲线中,时间t10表示冲头31与工件33接触的时刻。在图5的(a)的载荷曲线中,在时间t11表示最大载荷L11,在时间t12工件33被切断。同样地,在图5的(b)的载荷曲线中,在时间t13表示最大载荷L13,在时间t14工件33被切断。进一步,在图5的(c)的载荷曲线中,在时间t15表示最大载荷L15,在时间t16工件33被切断。
在此,若比较在各个冲击数中的表示最大载荷的时间,是t11<t13<t15的关系。这是由于若冲头31的磨损随着冲击数的增加而恶化,则向工件33的裂纹的进展会需要时间。另外,若比较在各个冲击数中的工件33被完全切断的时间,则是t12<t14<t16的关系。这是由于若冲头31的磨损伴随着冲击数的增加而进展,到工件33被完全切断为止会需要时间。这是由于随着冲头31的磨损的进展,逐渐从剪切模式转移为拉伸切断模式。另外,若比较从表示最大载荷的时间起到工件33被切断为止的时间,则是(t12-t11)<(t14-t13)<(t16-T15)。这是因为:由于与剪切模式相比,拉伸切断模式在切断上更需要时间,因此由于冲头31的磨损的进展,到材料完全被切断为止的时间变长。
图6是表示估计模型的图表。表示在冲头31的工具寿命是50万冲击的情况下、直到50万冲击即冲头31到达寿命为止的最大载荷的估计模型。
如图5的(a)~图5的(c)所示,针对将冲头31到达寿命为止的载荷曲线的最大载荷与冲击数建立关联的数据,作为时间序列的趋势图能够生成图6这种的图表。另外例如,通过应用ARIMA(AutoRegressive Integrated Moving Average)模型、或者SARIMA(SeasonalAutoRegressive Integrated Moving Average模型等的回归分析方法,能够生成与图6同样地表示时间序列的推移的图表,进一步能够生成对时间序列的预测值进行估计的图表。在图6中,随着冲击数的增加而偏差变大。这是由于随着冲头31接近工具寿命,载荷曲线的偏差变大。
<工具寿命估计装置>
工具寿命估计装置200基于图6的估计模型而对加工装置300的工具(冲头31)的寿命进行估计。
存储部23存储通过估计模型生成装置100生成的估计模型。
信息获取部21获取加工装置300的加工中的对于冲头31的载荷曲线。载荷曲线基于来自加工装置300的传感器34的检测值而被获取。
图7是表示通过工具寿命估计装置200的信息获取部21获取的载荷曲线的图。图7的(a)是表示在第10万次冲击下获取的载荷曲线。图7的(b)是表示在第20万次冲击下获取的载荷曲线。图7的(c)是表示在第30万次冲击下获取的载荷曲线。
在图7的(a)的载荷曲线中,最大载荷是L21,冲压后的载荷收敛于L22。同样地,在图7的(b)的载荷曲线中最大载荷是L23,冲压后的载荷收敛于L24。在图7的(c)的图表中,最大载荷是L25,冲压后的载荷收敛于L26。
另外,在图7的(a)~图7的(c)的载荷曲线中,时间t20表示冲头31与工件33接触的时刻。在图7的(a)的载荷曲线中,在时间t21表示最大载荷L21,在时间t22工件33被切断。同样地,在图5的(b)的载荷曲线中,在时间t23表示最大载荷L23,在时间t24工件33被切断。进一步,在图7的(c)的载荷曲线中,在时间t25表示最大载荷L25,在时间t26工件33被切断。
估计部22基于通过估计模型生成装置100生成的估计模型,根据对于加工中的冲头31的载荷曲线来对工具寿命进行估计。图8是对在图6的估计模型中表示在加工中获取的最大载荷以及其冲击数的点进行描绘的图表。
估计部22根据加工中的冲头31的载荷和冲击数,对冲头31到达寿命为止的冲击数进行预测。例如,根据图8的图表,在10万冲击以及20万冲击,最大载荷处于估计模型的范围内。另一方面,在30万冲击,最大载荷超过了最大荷估计模型所示的最大载荷。因此,估计部22估计当前加工中的冲头31比估计模型生成时的工具寿命即50万冲击早到达工具寿命。
<效果>
根据上述的实施方式,能够提供使工具寿命的预测精度提高的估计模型生成装置以及工具寿命估计装置。
此外,在上述的实施方式中,通过利用表示施加于工具(冲头31)的载荷与时间的关系的载荷曲线来生成估计模型,但是载荷曲线也可以是表示施加于工具的载荷与工具的移动距离的关系的曲线。
另外,在上述的实施方式中,对加工装置300是进行冲压加工的冲压加工装置的例子进行了说明,但是加工装置并不局限于该种冲压加工装置。例如,也可以是进行弯曲加工、拉深加工的加工装置。或者,还可以是进行剪切的加工装置。
(实施方式2)
参照图9~图10,对实施方式2进行说明。此外,在实施方式2中,对于与实施方式1相同或者同等的结构赋予相同符号进行说明。另外,在实施方式2中,省略与实施方式1重复的记载。
图9是表示通过实施方式2所涉及的估计模型生成装置100的信息获取部11获取的载荷曲线的图。图9的(a)~图9的(c)是与在实施方式1中说明的图5的(a)~图5的(c)的载荷曲线相同的曲线,但是在实施方式2中,在基于这些载荷曲线的积分值来生成估计模型这点上,与实施方式1不同。
在图9的(a)的载荷曲线中,最大载荷是L31,冲压后的载荷收敛于L32。同样地,在图9的(b)的载荷曲线中最大载荷是L33,冲压后的载荷收敛于L34。在图9的(c)的图表中,最大载荷是L35,冲压后的载荷收敛于L36。
在图9的(a)~图9的(c)的载荷曲线中,时间t30表示冲头31与工件33接触的时刻。在图9的(a)的载荷曲线中,在时间t31表示最大载荷L31,在时间t32工件33被切断。同样地,在图9的(b)的载荷曲线中,在时间t33表示最大载荷L33,在时间t34工件33被切断。进一步,在图9的(c)的载荷曲线中,在时间t35表示最大载荷L35,在时间t36工件33被切断。
在本实施方式,分别使用图9的(a)~图9的(b)的载荷曲线的积分值来生成估计模型。
图9的(a)~图9的(c)的斜线所表示的部分是表示各个载荷曲线的积分值的、载荷曲线的面积。载荷曲线在表示载荷与时间的关系的情况下,载荷曲线的积分值表示施加于工具(冲头31)的载荷的冲量。另外,载荷曲线在表示载荷与移动距离的关系的情况下,载荷曲线的积分值表示施加于工具(冲头31)的载荷的能量。
载荷的冲量和载荷的能量在估计模型的生成时表示大致相同程度的灵敏度。例如,在加工中冲头31的速度下降等情况下,利用载荷的冲量更易于使预测精度提高。
在本实施方式中,对载荷曲线表示载荷与移动距离的关系的情况进行说明。
由加工装置300对工件33进行冲压加工的情况下,每1冲击施加到工具(冲头31)的能量变换为使工件33切断的能量以及向冲头31的负荷。所谓变换为向冲头31的负荷的能量,例如能够列举出使冲头31磨损的能量、或者在冲头31的内部使形变积蓄的能量。这种对冲头31的负荷,随着由加工装置300进行反复加工,而积蓄在冲头31。
图10是表示施加于冲头31的最大载荷以及载荷曲线的积分值(载荷能量)的值的倾向的图表。如图10的图表所示,载荷曲线的积分值存在随着冲击数的增加而增加的倾向。这在作为载荷曲线的积分值而使用冲量的情况下也同样。另一方面,最大载荷未必随着冲击数的增加而一定增加。
因此,代替载荷曲线的最大载荷,通过利用载荷曲线的积分值来生成估计模型,能够使预测精度更为提高。
<效果>
若根据上述的实施方式,通过利用载荷曲线的积分值来生成估计模型,由于能够更为灵敏地捕捉向冲头31的负荷,因此能够提供使预测精度提高的估计模型生成装置以及工具寿命估计装置。
(实施方式3)
参照图11~图12,对实施方式3进行说明。此外,在实施方式3中,对于与实施方式1相同或者同等的结构赋予相同符号进行说明。另外,在实施方式3中,省略与实施方式1重复的记载。
图11是表示通过实施方式3所涉及的估计模型生成装置100的信息获取部11获取的载荷曲线的图。图11的(a)~图11的(c)是与在实施方式1中说明的图5的(a)~图5的(c)的载荷曲线相同的曲线。在实施方式3中,在基于将该种载荷曲线分离为工件33的变形时的第1载荷曲线和工件的刚刚变形后的第2载荷曲线的载荷数据,估计模型生成部12生成估计模型这点上,与实施方式1不同。所谓变形时,是指从变形的开始起到变形的结束为止的期间。所谓刚刚变形后,是指从变形的结束起的规定期间。
在图11的(a)的载荷曲线中,最大载荷是L41,冲压后的载荷收敛于L42。同样地,在图11的(b)的载荷曲线中最大载荷是L43,冲压后的载荷收敛于L44。在图11的(c)的图表中,最大载荷是L45,冲压后的载荷收敛于L46。
在图11的(a)~图11的(c)的载荷曲线中,时间t40表示冲头31与工件33接触的时刻。在图11的(a)的载荷曲线中,在时间t41表示最大载荷L41,在时间t42工件33被切断。同样地,在图11的(b)的载荷曲线中,在时间t43表示最大载荷L43,在时间t44工件33被切断。进一步,在图11的(c)的载荷曲线中,在时间t45表示最大载荷L45,在时间t46工件33被切断。
在本实施方式,使用在工件33的切断的前后(时间t42、时间t44、以及时间t46的前后)将载荷曲线分割为两个而得到的第1载荷曲线以及第2载荷曲线,生成估计模型。
第1载荷曲线是提取了与图3的区间S1以及S2相对应的部分的曲线。即,第1载荷曲线是从冲头31开始下降起,到工件33被切断为止(图2C)的曲线。第2载荷曲线是提取了与图3的区间S3相对应的部分的曲线。即,第2载荷曲线是工件33被切断后(图2D)的曲线。
在本实施方式中,基于第1载荷曲线的积分值和第2载荷曲线的积分值生成载荷数据。
图12是表示载荷曲线整体的载荷能量的积分值、和第1载荷曲线以及第2载荷曲线各自的载荷能量的积分值的倾向的图表。如图12的图表所示,可知在第1载荷曲线和第2载荷曲线中随着冲击数的增加的倾向不同。例如,在图12的图表中,在冲击数C1,第1载荷曲线和第2载荷曲线的积分值进行反转。这表示由于到冲击数C1为止第1载荷曲线的积分值比第2载荷曲线的积分值大,因此工件33的变形时的能量大。同样地,在冲击数C1之后,由于第2载荷曲线的积分值比第1载荷曲线的积分值,因此表示工件33的刚刚变形后的能量大。
因此,估计模型生成部12也可以利用对第1载荷曲线以及第2载荷曲线进行加权的载荷数据来生成估计模型。例如,能够通过对第1载荷曲线以及第2载荷曲线分别乘以第1系数和第2系数,从而生成加权的载荷数据。
作为系数的例子,例如,在工件33是硬度较高的材料的情况下,可以将对于第1载荷曲线的系数设为1.0,对于第2载荷曲线的系数设为0.1以上且1.0以下。在工件33是硬度较高的材料,并且进行冲压加工的情况下,每1冲击施加于冲头31的能量中使工件33切断的能量的比例较高。因此,可以将对于第1载荷曲线的系数设为较大。
另外,在工件33是Al、Cu等的伸长率大的材料的情况下、或者多层批量冲压等的情况下,可以将对于第1载荷曲线的系数设为0.1以上且小于1.0,对于第2载荷曲线的系数设为1.0。在这种情况下,相较于使工件33切断的能量,在切断后工件33被冲头31拉入从而冲头31的侧面与工件33产生干扰,向冲头31的负荷能量更大。
另外,在冲头31与冲模32的间隙较小的情况下、或者工件的板厚较薄的情况下,可以将对于第1载荷曲线的系数设为O.1以上且小于1.0,对于第2载荷曲线的系数设为1.0。所谓冲头31与冲模32的间隙较小,是指间隙大致为10μm以下。另外,所谓工件33的板厚较薄,是指板厚大致为150μm以下。此外,一般情况下,工件33的板厚与冲头31和冲模32的间隙为比例关系。在这种情况下,也可以将对于第1载荷曲线的系数设为0.1以上且小于1.0,对于第2载荷曲线的系数设为1.0。这是由于若冲头31与冲模32的间隙较小,则冲头31以及冲模32的加工精度或者冲头31以及冲模32的组装精度等的累积公差为接近间隙的值,冲头31的侧面和材料易于产生干涉。
<效果>
根据上述的实施方式,通过基于将载荷曲线分离为第1载荷曲线和第2载荷曲线的载荷数据来生成估计模型,进一步能够提供高预测精度的估计模型生成装置以及工具寿命估计装置。
根据加工装置的工具、加工条件等,在工件变形时以及工件刚刚变形后的任一情况中向冲头31的载荷是否变大是不同的。因此,在工件变形时和工件刚刚变形后,通过对载荷曲线进行分离,能够对每个加工装置的工具、或者每个加工条件进行细微调整。因此,能够使预测精度进一步提高。
(实施方式4)
参照图13以及图14,对实施方式4进行说明。此外,在实施方式4中,对于与实施方式1相同或者同等的结构赋予相同符号进行说明。另外,在实施方式4中,省略与实施方式1重复的记载。图13是表示载荷曲线与冲击数的关系的图表。图14是利用图13的图表对工具寿命的估计进行说明的图表。
在实施方式4,估计模型生成部12在通过利用将载荷曲线设为说明变量、将工具寿命设为目标变量而建立对应的教师数据进行机器学习来生成估计模型这点上,与实施方式1不同。
例如,作为教师数据,利用具备在50万冲击到达工具寿命的冲头31的加工装置300的数据。在这种情况下,说明变量是在图5的(a)~图5的(c)中表示的载荷曲线,目标变量是从获取载荷曲线时起到工具寿命(50万冲击)为止的冲击数。
估计模型生成装置100的估计模型生成部12将作为说明变量的载荷曲线与作为目标变量的到达工具寿命为止的冲击数建立关联的数据作为教师数据,进行机器学习。机器学习的结果,图13的图表中表示载荷曲线与冲击数的关系。在图13的图表中,例如将各个载荷曲线的特征作为数值而提取,并且与各个载荷曲线获取时的冲击数建立对应。根据图13的图表能够推导出寿命预测线。此外,根据载荷曲线的偏差、学习的频率,也可以使其具有如图13所示的振动幅度W1。
用于机器学习的载荷曲线优选异常现象较少的状态的载荷曲线。即,优选将从冲头31的使用开始起到冲头31到达寿命为止尽可能不发生异常地反复进行的一系列的加工所涉及的载荷曲线用于机器学习。或者,也可以将从冲头31加工开始起到到达寿命为止的反复进行的一系列的载荷曲线的学习反复多次。在这种情况下,能够增加学习的载荷曲线的绝对数,从而能够减小异常发生时的载荷曲线对学习结果的影响。
作为机器学习的算法,例如,可以使用神经网络。通过利用神经网络,将载荷曲线作为图像进行处理,提取载荷曲线的特征,从而能够生成对载荷曲线的波形与工具寿命的关系进行预测的估计模型。
如本实施方式,在教师数据是时间序列数据的情况下,若利用RNN(Recurrent NN)则能够进一步提高预测精度。
在实际的加工时,工具寿命估计装置的估计部22例如基于量产时的载荷曲线来估计工具寿命。例如,具有与在学习时在30万冲击出现的载荷曲线同样的特征的载荷曲线,在量产时在20万冲击出现的情况下,能够估计量产时的冲头31比学习时的冲头31寿命短。如图14所示,估计部22根据量产时获取的载荷曲线,对当前加工中的冲头31的寿命还剩多少(还剩多少冲击)进行估计。
<效果>
根据上述的实施方式,能够提供使工具寿命的预测精度提高的估计模型生成装置以及工具寿命估计装置。
此外,在上述的实施方式中,对估计模型生成部12通过利用异常现象较少的载荷曲线进行机器学习来生成估计模型的例子进行了说明,但是用于机器学习的数据并不局限于此。例如,也可以利用异常现象较少的作为基准的载荷曲线和针对短寿命的冲头31的载荷曲线,反复进行机器学习。由此,能够生成更高预测精度的估计模型。
另外,除了将载荷曲线与工具寿命建立对应的教师数据之外,也可以将含有与工件的材料有关的信息、加工条件、或者工具的条件等的信息的数据包含于输入数据。所谓材料信息,例如表示工件的材料、工件的厚度、工件的高度、工件的伸长率、工件的个数等。所谓加工条件,例如表示冲击数、冲头31的移动距离、冲头31的动作时间、冲头31的动作速度等。所谓工具条件,表示冲头31与冲模32的间隙、冲头31以及冲模32的材质、冲头31的周长、冲头31的形状以及冲头31的涂覆材料等。
(实施方式5)
对实施方式5进行说明。此外,在实施方式5中,对于与实施方式4相同或者同等的结构赋予相同符号进行说明。另外,在实施方式5中,省略与实施方式4重复的记载。
在实施方式5,在利用将载荷曲线的积分值设为说明变量、将工具寿命设为目标变量来建立对应的教师数据这点上,与实施方式4不同。
在本实施方式,估计模型生成部12通过利用将图9的(a)~图9的(c)所示的这种载荷曲线的积分值设为说明变量、将工具寿命设为目标变量而建立对应的教师数据来进行机器学习,生成估计模型。
在进行机器学习时,通过利用载荷曲线的积分值代替载荷曲线,能够更为灵敏地捕捉对冲头31的负荷。
<效果>
根据上述的实施方式,能够提供使预测精度更为提高的估计模型生成装置以及工具寿命估计装置。
(实施方式6)
对实施方式6进行说明。此外,在实施方式6中,对于与实施方式4相同或者同等的结构赋予相同符号进行说明。另外,在实施方式6中,省略与实施方式4重复的记载。
在本实施方式中,在估计模型生成部12将基于图11的(a)~图11的(c)所示的第1载荷曲线的积分值和第2载荷曲线的积分值而生成的载荷数据设为说明变量这点上,与实施方式4不同。
通过将载荷曲线分割为第1载荷曲线和第2载荷曲线并利用各个积分值进行机器学习,能够更灵敏地捕捉对冲头31的负荷。
<效果>
根据上述的实施方式,能够提供使预测精度更为提高的估计模型生成装置以及工具寿命估计装置。
产业上的可利用性
本公开所涉及的估计模型生成装置以及工具寿命估计装置能够广泛地应用于进行切断加工、弯曲加工或者拉深加工等加工的加工装置中的工具寿命预测。
-符号说明-
11信息获取部
12估计模型生成部
13存储部
21信息获取部
22估计部
23存储部
31冲头
32冲模
33工件
34传感器
100估计模型生成装置
200工具寿命估计装置
300加工装置。
Claims (9)
1.一种估计模型生成装置,是生成估计模型的装置,所述估计模型用于基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个所述工件的所述工具的寿命,
所述估计模型生成装置具备:
信息获取部,获取通过使用所述工具反复进行加工直至所述工具到达寿命为止的所述载荷曲线;
估计模型生成部,基于将所述载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据、和从所述载荷数据的获取时起直至到达所述寿命为止的工具寿命,生成用于预测所述工具寿命的估计模型;和
存储部,存储所述估计模型,
所述第1载荷曲线是由所述工具的加工引起的所述工件的变形时的载荷曲线,
所述第2载荷曲线是由所述工具的加工引起的所述工件的刚刚变形后的载荷曲线。
2.根据权利要求1所述的估计模型生成装置,其中,
所述载荷数据基于所述第1载荷曲线的积分值和所述第2载荷曲线的积分值而生成。
3.根据权利要求1或者2所述的估计模型生成装置,其中,
所述估计模型生成部通过利用将所述载荷数据设为说明变量、将所述工具寿命设为目标变量而建立对应的教师数据进行机器学习,来生成所述估计模型。
4.根据权利要求1至3的任一项所述的估计模型生成装置,其中,
所述估计模型生成部通过利用对所述第1载荷曲线以及所述第2载荷曲线进行加权的所述载荷数据来生成所述估计模型。
5.根据权利要求4所述的估计模型生成装置,其中,
通过对所述第1载荷曲线以及所述第2载荷曲线分别乘以第1系数以及第2系数,从而对所述第1载荷曲线以及所述第2载荷曲线进行加权。
6.根据权利要求1至5的任一项所述的估计模型生成装置,其中,
所述载荷曲线是表示施加于所述工具的载荷与时间的关系的曲线。
7.根据权利要求1至5的任一项所述的估计模型生成装置,其中,
所述载荷曲线是表示施加于所述工具的载荷与所述工具的移动距离的关系的曲线。
8.一种工具寿命估计装置,基于表示施加于工具的载荷的时间变化或者位置变化的载荷曲线,来估计对板状的工件施加载荷并反复加工多个所述工件的所述工具的寿命,
所述工具寿命估计装置具备:
存储部,存储由权利要求1至7的任一项所述的估计模型生成装置所生成的估计模型;
信息获取部,获取由所述工具进行的加工中的载荷曲线;
载荷数据生成部,生成将所述加工中的载荷曲线分离为第1载荷曲线和第2载荷曲线而得到的载荷数据;和
估计部,基于所述估计模型,根据所述载荷数据来估计所述工具寿命,
所述第1载荷曲线是由所述工具的加工引起的所述工件的变形时的载荷曲线,
所述第2载荷曲线是由所述工具的加工引起的所述工件的刚刚变形后的载荷曲线。
9.根据权利要求8所述的工具寿命估计装置,其中,
所述载荷数据基于所述第1载荷曲线的积分值和所述第2载荷曲线的积分值而生成。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-029932 | 2021-02-26 | ||
JP2021029932 | 2021-02-26 | ||
PCT/JP2022/000131 WO2022181059A1 (ja) | 2021-02-26 | 2022-01-05 | 推定モデル生成装置および工具寿命推定装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116963867A true CN116963867A (zh) | 2023-10-27 |
Family
ID=83048845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280016412.7A Pending CN116963867A (zh) | 2021-02-26 | 2022-01-05 | 估计模型生成装置以及工具寿命估计装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230394195A1 (zh) |
JP (1) | JPWO2022181059A1 (zh) |
CN (1) | CN116963867A (zh) |
WO (1) | WO2022181059A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4750131A (en) * | 1985-09-11 | 1988-06-07 | Rca Licensing Corporation | Method of detecting faulty parts in a progressive die press |
JPH05212455A (ja) * | 1992-02-03 | 1993-08-24 | Amada Co Ltd | プレス金型の寿命検出方法および装置 |
JP3231536B2 (ja) * | 1993-02-25 | 2001-11-26 | トヨタ自動車株式会社 | プレス機械の異常診断方法 |
JP2010279990A (ja) * | 2009-06-08 | 2010-12-16 | Nec Corp | プレス加工機および速度制御方法 |
JP2017087224A (ja) * | 2015-11-04 | 2017-05-25 | 凸版印刷株式会社 | パンチ装置および打ち抜き加工方法 |
JP2017164751A (ja) * | 2016-03-14 | 2017-09-21 | 日本電気株式会社 | 検出装置 |
JP6404893B2 (ja) * | 2016-12-22 | 2018-10-17 | ファナック株式会社 | 工具寿命推定装置 |
JP6875927B2 (ja) * | 2017-05-15 | 2021-05-26 | 株式会社アマダ | 金型プレス装置及び金型プレス方法 |
JP2020127968A (ja) * | 2019-02-07 | 2020-08-27 | パナソニックIpマネジメント株式会社 | 学習装置および切断加工評価システム |
-
2022
- 2022-01-05 WO PCT/JP2022/000131 patent/WO2022181059A1/ja active Application Filing
- 2022-01-05 JP JP2023502130A patent/JPWO2022181059A1/ja active Pending
- 2022-01-05 CN CN202280016412.7A patent/CN116963867A/zh active Pending
-
2023
- 2023-08-18 US US18/235,409 patent/US20230394195A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022181059A1 (ja) | 2022-09-01 |
US20230394195A1 (en) | 2023-12-07 |
JPWO2022181059A1 (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110419012B (zh) | 诊断设备、诊断系统、诊断方法和程序 | |
CN111055532B (zh) | 压力机及压力机的异常监视方法 | |
Benkedjouh et al. | Tool wear condition monitoring based on continuous wavelet transform and blind source separation | |
JP6803161B2 (ja) | 金型の異常予測システム、それを備えたプレス機及び金型の異常予測方法 | |
Scheffer et al. | Wear monitoring in turning operations using vibration and strain measurements | |
Sari et al. | Preliminary study for online monitoring during the punching process | |
CN115516472B (zh) | 数据创建装置、机器学习系统及加工状态推定系统 | |
EP3629118B1 (en) | Diagnostic system of machine tools | |
Hoppe et al. | Feature-based supervision of shear cutting processes on the basis of force measurements: evaluation of feature engineering and feature extraction | |
WO2019176699A1 (en) | Information processing apparatus, information processing method, and recording medium for detecting an abnormality of a processing device that processes an object | |
KR102370446B1 (ko) | 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법 | |
CN116963867A (zh) | 估计模型生成装置以及工具寿命估计装置 | |
CN116897095A (zh) | 估计模型生成装置以及工具寿命估计装置 | |
JP7367366B2 (ja) | 異常検知装置、異常検知方法、および異常検知プログラム | |
Yang et al. | A simple method for slip detection of prosthetic hand | |
JP7271872B2 (ja) | 異常判定装置、異常判定システムおよび異常判定方法 | |
CN115193980A (zh) | 用于预处理冲压过程中检测到的状态变量的装置和方法 | |
CN113168173B (zh) | 用于循环运动式机器部件的状态监测的方法 | |
Wu et al. | Contact event detection for robotic oil drilling | |
Slomp et al. | A proposal to use artificial neural networks for process control of punching/blanking operations | |
Wang et al. | Milling-tool wear-condition prediction with statistic analysis and echo-state networks | |
Ferreira et al. | A new technique for identification and evaluation of wear in copper electrodes in electrical discharge machining using acoustic emission signals | |
Mishra et al. | Motor and bearing multi-fault diagnosis with sound quality metrics | |
EP2323105B1 (en) | Monitoring of machines | |
Badgujar et al. | Acoustic based condition monitoring of stamping process: a review |
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 |