DE102016009106A1 - Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine - Google Patents

Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine Download PDF

Info

Publication number
DE102016009106A1
DE102016009106A1 DE102016009106.1A DE102016009106A DE102016009106A1 DE 102016009106 A1 DE102016009106 A1 DE 102016009106A1 DE 102016009106 A DE102016009106 A DE 102016009106A DE 102016009106 A1 DE102016009106 A1 DE 102016009106A1
Authority
DE
Germany
Prior art keywords
machining
learning
workpiece
machine learning
processing
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.)
Withdrawn
Application number
DE102016009106.1A
Other languages
English (en)
Inventor
Takeshi Sawada
Weibo LI
Kunitaka Komaki
Yuuki KUROKAWA
Akimoto Shinji
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
Priority to JP2015150341A priority Critical patent/JP2017030067A/ja
Priority to JP2015-150341 priority
Application filed by FANUC Corp filed Critical FANUC Corp
Publication of DE102016009106A1 publication Critical patent/DE102016009106A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive 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
    • G05B13/028Adaptive 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 using expert systems only
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/4093Numerical 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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40937Numerical 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 part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/401Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/404Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/406Numerical 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
    • G05B19/4063Monitoring general control system
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33056Reinforcement learning, agent acts, receives reward, emotion, action selective
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33322Failure driven learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/35Nc in input of data, input till input file format
    • G05B2219/35528Create machining conditions database by analyzing actual machining nc program
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/36Nc in input of data, input key till input tape
    • G05B2219/36061Storage, memory area to store history data for previous corrections, editable
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/37Measurements
    • G05B2219/37336Cutting, machining time
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/37Measurements
    • G05B2219/37617Tolerance of form, shape or position
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/39Robotics, robotics to robotics hand
    • G05B2219/39076Learn by function division, change only one variable at a time, combine shapes
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49205Compensate with stored values as function of machining time
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

Eine Bearbeitungsvorrichtung ist mit einer Maschinen-Lernvorrichtung ausgestattet, die ein maschinelles Lernen ausführt. Die Maschinen-Lernvorrichtung führt das maschinelle Lernen durch Empfangen der Eingabe der Bearbeitungsgenauigkeit zwischen einer Bearbeitungsform eines auf der Maschine gemessenen Werkstücks und den Konstruktionsdaten zu dem Werkstück und einer durch eine Messvorrichtung gemessenen Bearbeitungszeit aus. Basierend auf einem Ergebnis des maschinellen Lernens ändert die Bearbeitungsvorrichtung Bearbeitungsbedingungen derart, dass sich die Bearbeitungsgenauigkeit erhöht und die Bearbeitungszeit so kurz wie möglich wird.

Description

  • ALLGEMEINER STAND DER TECHNIK
  • 1. Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine mit einer Steuerung ausgerüsteten Bearbeitungsvorrichtung, die eine Bearbeitungszeit-Messfunktion und einer Messfunktion auf der Maschine aufweist.
  • 2. Beschreibung des Standes der Technik
  • Bei der herkömmlichen Bearbeitung eines Werkstücks wird ein Bearbeitungsprogramm erstellt, und eine Bearbeitungsvorrichtung wird basierend auf diesem Bearbeitungsprogramm gesteuert, um das Werkstück zu bearbeiten. Bei der Bearbeitung eines Werkstücks mit einer Bearbeitungsvorrichtung passt ein Bediener die Bearbeitungsbedingungen so an, dass die zum Bearbeiten benötigte Zeit verkürzt werden kann, während die Bearbeitungsgenauigkeit auf einem vorgeschriebenen Niveau oder höher erhalten bleibt. Die optimalen Werte von Bearbeitungsbedingungen variieren jedoch in Abhängigkeit von den Eigenschaften von Werkzeugen, Eigenschaften eines Werkstücks, Bearbeitungsinhalte, Typ einer Bearbeitungsvorrichtung usw., und jedes Mal, wenn ein Bediener erneut eine Bearbeitung ausführt, muss er/sie daher einen Aufwand betreiben, um die Bearbeitungsbedingungen durch Ausprobieren, Nutzen der Kenntnisse und Erfahrung anzupassen.
  • Als eine verwandte Technik im Zusammenhang mit einer solchen Anpassung von Bearbeitungsbedingungen offenbart WO 00/010769 eine Erfindung, in der Bearbeitungsbedingungen in vergangenen Bearbeitungsvorgängen in einer Datenbank zu dem Zweck gesammelt werden, einen Bediener zu unterstützen.
  • Mit dieser öffentlich bekannten Technik kann der betriebene Aufwand zum Anpassen der Bearbeitungsbedingungen in einer Situation zu einem gewissen Grad reduziert werden, da die Möglichkeit besteht, dass die Bearbeitungsbedingungen in anderen ähnlichen Situationen wiederverwendet werden können; der Bediener muss jedoch selbst nach Lesen von vergangenen Bearbeitungsbedingungen aus der Datenbank immer noch das Ausprobieren wiederholen, um die vergangenen Bearbeitungsbedingungen so anzupassen, dass sie für eine aktuelle Bearbeitungssituation geeignet sind, und somit eliminiert diese öffentlich bekannte Technik die Anstrengungen des Bedieners nicht vollständig.
  • KURZDARSTELLUNG DER ERFINDUNG
  • Hinsichtlich der obengenannten Umstände ist es eine Aufgabe der vorliegenden Erfindung, eine mit einer Steuerung ausgerüstete Bearbeitungsvorrichtung bereitzustellen, die eine Bearbeitungszeit-Messfunktion und eine Messfunktion auf der Maschine aufweist, die eine Berechnung von angemessenen Bearbeitungsbedingungen erlaubt, um eine Änderung an eine Bearbeitungssituation anzupassen.
  • Gemäß einer Ausführungsform der vorliegenden Erfindung wird eine Bearbeitungsvorrichtung bereitgestellt, die umfasst: einen Messabschnitt auf der Maschine, der eine Bearbeitungsform eines Werkstücks auf der Maschine misst; einen Bearbeitungszeit-Messabschnitt, der die Bearbeitungszeit des Werkstücks misst; und eine Maschinen-Lernvorrichtung, die das maschinelle Lernen durch Empfangen von Eingaben der Bearbeitungszeit und der Bearbeitungsgenauigkeit zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück, die als Eingaben dienen, ausführt. Die Maschinen-Lernvorrichtung ist dazu eingerichtet, eine Bearbeitungsbedingung basierend auf einem Ergebnis des maschinellen Lernens derart zu ändern, dass sich die Bearbeitungsgenauigkeit erhöht und die Bearbeitungszeit so kurz wie möglich wird.
  • Die Maschinen-Lernvorrichtung kann das maschinelle Lernen derart ausführen, dass eine positive Belohnung vergeben wird, wenn die Bearbeitungsvorrichtung das Werkstück so bearbeitet, dass ein Fehler zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück reduziert wird oder wenn die Bearbeitungszeit reduziert wird, und eine negative Belohnung vergeben wird, wenn die Bearbeitungsvorrichtung das Werkstück derart bearbeitet, dass der Fehler zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück erhöht wird oder wenn die Bearbeitungszeit erhöht wird.
  • Die Maschinen-Lernvorrichtung kann dazu eingerichtet sein, beim maschinellen Lernen eine Gewichtung auszuführen, um anzuzeigen, welche der Reduzierungen eines Fehlers zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück und der Reduzierung der Bearbeitungszeit hervorzuheben ist.
  • Die Bearbeitungsvorrichtung kann mit mindestens einer weiteren Bearbeitungsvorrichtung verbunden sein und die Ergebnisse mit der anderen Bearbeitungsvorrichtung gegenseitig austauschen oder gemeinsam nutzen.
  • Gemäß einer weiteren Ausführungsform der vorliegenden Erfindung wird eine Maschinen-Lernvorrichtung bereitgestellt, die das maschinelle Lernen einer Anpassung einer Bearbeitungsbedingung beim Bearbeiten eines Werkstücks durch eine Bearbeitungsvorrichtung ausgeführt hat, wobei die Maschinen-Lernvorrichtung umfasst: einen Lernergebnis-Speicherabschnitt, der ein Ergebnis des maschinellen Lernens der Anpassung der Bearbeitungsbedingung speichert; einen Zustandsbeobachtungsabschnitt, der Zustandsdaten erfasst, die mindestens die Bearbeitungszeit, Bearbeitungsgenauigkeit des Werkstücks und die Bearbeitungsbedingung bei der Bearbeitung des Werkstücks durch die Bearbeitungsvorrichtung umfassen; einen Bearbeitungsbedingungsanpassungs-Lernabschnitt, der die Bearbeitungsbedingung basierend auf dem Ergebnis des maschinellen Lernens der Anpassung der Bearbeitungsbedingung und der durch den Zustandsbeobachtungsabschnitt erfassten Zustandsdaten anpasst; und einen Bearbeitungsbedingungs-Ausgabeabschnitt, der die durch den Bearbeitungsbedingungsanpassungs-Lernabschnitt angepasste Bearbeitungsbedingung ausgibt.
  • Gemäß einer mit einer Steuerung ausgerüsteten Bearbeitungsvorrichtung mit einer Bearbeitungszeit-Messfunktion und einer Messfunktion auf der Maschine einer Ausführungsform der vorliegenden Erfindung wird es möglich, angemessene Bearbeitungsbedingungen zu berechnen, durch welche die Bearbeitung in einer kürzeren Zeitspanne ausgeführt werden kann, während die Bearbeitungsgenauigkeit erhalten bleibt, um sich an eine Bearbeitungsbedingung anzupassen, indem maschinelles Lernen in der mit einer Steuerung ausgerüsteten Bearbeitungsvorrichtung eingebracht wird.
  • KURZE BESCHREIBUNG DER ZEICHNUNGEN
  • Die obengenannten und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der Beschreibung der folgenden Ausführungsformen mit Bezug auf die beigefügten Zeichnungen ersichtlich werden, wobei
  • 1 ein Diagramm ist, um das Grundkonzept eines bestärkenden Lernalgorithmus zu beschreiben;
  • 2 ein Bilddiagramm in Bezug auf das maschinelle Lernen einer Bearbeitungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ist;
  • 3 ein Diagramm ist, um jegliche in der Ausführungsform der vorliegenden Erfindung behandelte Daten zu beschreiben; und
  • 4 ein Funktionsblockdiagramm der Bearbeitungsvorrichtung gemäß der Ausführungsform der vorliegenden Erfindung ist.
  • AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
  • In einer Ausführungsform der vorliegenden Erfindung wird eine als künstliche Intelligenz agierende Maschinen-Lernvorrichtung in eine ein Werkstück bearbeitendes Bearbeitungsvorrichtung eingebracht, um maschinelles Lernen über die Anpassung der Bearbeitungsbedingungen zum Bearbeiten des Werkstücks auszuführen, wodurch die automatische Berechnung der optimalen Bearbeitungsbedingungen zum Bearbeiten des Werkstücks ermöglicht wird. Bei der Anpassung der Bearbeitungsbedingungen wird auf eine kürzere Bearbeitungszeit und die Beibehaltung der Bearbeitungsgenauigkeit abgezielt.
  • (1) Maschinelles Lernen
  • Im Allgemeinen wird maschinelles Lernen entsprechend seines Ziels oder seiner Bedingungen in verschiedene Algorithmen, wie überwachtes Lernen und unüberwachtes Lernen, eingestuft. Die vorliegende Erfindung hat eine Aufgabe des Lernens der Anpassung von in einer Bearbeitungsvorrichtung, die ein Werkstück bearbeitet, eingestellten Bearbeitungsbedingungen. Unter Berücksichtigung der Tatsache, dass es schwierig ist, eindeutig anzuzeigen, welche Art von Aktion (Anpassung einer Vorschubgeschwindigkeit, einer Drehzahl der Hauptantriebswelle, Tischgeschwindigkeit, Vorschub pro Zahn oder dergleichen) in Bezug auf eine gemessene Bearbeitungszeit und Bearbeitungsgenauigkeit nach dem Bearbeiten durch die Bearbeitungsvorrichtung basierend auf den eingestellten Bearbeitungsbedingungen in angemessener Weise ausgeführt werden kann, wird ein Algorithmus für bestärkendes Lernen eingesetzt, in dem die Maschinen-Lernvorrichtung automatisch eine Aktion zum Erreichen einer Aufgabe nur mit dem Erhalt einer Belohnung lernt.
  • Die 1 ist ein Diagramm zum Beschreiben des Grundkonzepts eines Algorithmus für bestärkendes Lernen.
  • Beim bestärkenden Lernen werden das Lernen des Agenten und einer Aktion durch die Interaktionen zwischen einem Agenten (Maschinen-Lernvorrichtung), der als lernender Gegenstand agiert, und einer Umwelt (Steuerungszielsystem), die als ein Steuerungsziel agiert, beschleunigt. Insbesondere werden die folgenden Interaktionen zwischen dem Agenten und der Umwelt ausgeführt.
    • (1) Der Agent beobachtet einen Umweltzustand st zu einer bestimmten Zeit.
    • (2) Der Agent wählt und führt eine Aktion at aus, die er/sie basierend auf einem Beobachtungsergebnis und einem vergangenen Lernen ergreifen darf.
    • (3) Der Umweltzustand st wechselt zu einem nächsten Zustand st+1, nachdem die Aktion at ausgeführt ist.
    • (4) Der Agent erhält eine Belohnung rt+1 basierend auf dem Zustandswechsel als Ergebnis der Aktion at.
    • (5) Die Interaktionen zwischen dem Agenten und der Umwelt werden ausgeführt, wobei der Agent das Lernen basierend auf dem Zustand st, der Aktion at, der Belohnung rt+1 und und einem vergangenen Lernergebnis beschleunigt.
  • Beim Lernen des obengenannten (5) erfasst der Agent das Mapping eines beobachteten Zustands st, einer Aktion at und einer Belohnung rt+1 als Referenzinformation zum Bestimmen eines Betrags einer Belohnung, den er/sie in der Zukunft erhalten darf. Wenn beispielsweise die Anzahl von Zuständen, die der Agent zu jedem Zeitpunkt aufweisen darf, m ist und die Anzahl von Aktionen, die der Agent ergreifen darf, n ist, dann erhält der Agent eine zweidimensionale Anordnung von m × n, in der Belohnungen rt+1, die Paarungen von Zuständen st und Aktionen at entsprechen, gespeichert werden, indem wiederholt Aktionen ausgeführt werden.
  • Mit einer Wertefunktion (Bewertungsfunktion), die anzeigt, in welchem Maße ein aktueller Zustand oder eine aktuelle Aktion basierend auf dem oben erfassten Mapping nützlich ist, aktualisiert dann der Agent die Wertefunktion (Bewertungsfunktion), während wiederholt Aktionen ausgeführt werden, um eine optimale Aktion zu lernen, die dem Zustand entspricht.
  • Eine Zustandswertefunktion ist eine Wertefunktion, die anzeigt, in welchem Maße ein bestimmter Zustand st nützlich ist. Die Zustandswertefunktion wird als eine Funktion ausgedrückt, die einen Zustand als ein Argument verwendet und basierend auf einer in Bezug auf eine Aktion in einem bestimmten Zustand erhaltene Belohnung, einem Wert eines mit der Aktion geänderten zukünftigen Zustands oder dergleichen beim Lernen von wiederholten Aktionen aktualisiert wird.
  • Die Aktualisierungsformel der Zustandswertefunktion wird gemäß einem Algorithmus für bestärkendes Lernen definiert. Beispielsweise wird beim TD(Temporal-Difference)-Lernen, das als einer der Algorithmen für bestärkendes Lernen angegeben wird, die Zustandswertefunktion durch die folgende Formel (1) definiert. Es wird angemerkt, dass in der folgenden Formel (1) α einen Lernkoeffizienten angibt, γ eine Diskontierungsrate angibt und 0 < α ≤ 1 und 0 < γ ≤ 1 festgelegt werden. V(st) ← V(st) + α[rt+1 + γV(st+1) – V(st)] (1)
  • Außerdem ist eine Aktionswertefunktion eine Wertefunktion, die anzeigt, in welchem Maße eine Aktion at in einem bestimmten Zustand st nützlich ist. Die Aktionswertefunktion wird als eine Funktion ausgedrückt, die einen Zustand und eine Aktion als Argumente verwendet und basierend auf einer in Bezug auf eine Aktion in einem bestimmten Zustand erhaltenen Belohnung, einem Aktionswert eines mit der Aktion geänderten zukünftigen Zustands oder dergleichen beim Lernen von wiederholten Aktionen aktualisiert wird. Die Aktualisierungsformel der Aktionswertefunktion wird gemäß einem Algorithmus für bestärkendes Lernen definiert. Beispielsweise wird beim Q-Lernen, das als einer der typischen Algorithmen für bestärkendes Lernen angegeben wird, die Aktionswertefunktion durch die folgende Formel (2) definiert. Es wird angemerkt, dass in der folgenden Formel (2) α einen Lernkoeffizienten angibt, γ eine Diskontierungsrate angibt und 0 < α ≤ 1 und 0 < γ ≤ 1 festgelegt werden. Q(St, αt) ← Q(st, αt) + α(rt+1 + γmaxαQ(st+1, α) – Q(st, αt)) (2)
  • Es wird angemerkt, dass neben einem Verfahren, das eine Näherungsfunktion verwendet und einem Verfahren, das eine Anordnung verwendet, als ein Verfahren zum Speichern einer Wertefunktion (Beurteilungsfunktion) als ein Lernergebnis ein Verfahren zur Verfügung steht, das eine überwachte Lernvorrichtung, wie eine SVM (Support Vector Machine) und ein neuronales Netzwerk einer Mehrwertausgabe, das einen Zustand st und eine Aktion at eingibt und einen Wert (Beurteilung) ausgibt, beispielsweise in einem Fall, in dem der Zustand s viele Zustände einnimmt oder dergleichen, verwendet.
  • Des Weiteren wird bei der Auswahl einer Aktion in der obenstehenden (2) eine Aktion at, durch die eine Belohnung (rt+1 + rt+2 + ...) über eine Zukunft in einem aktuellen Zustand st ein Maximum wird (eine Aktion zum Wechseln zu einem am meisten nützlichen Zustand, in einem Fall, in dem eine Zustandswertefunktion verwendet wird oder zu einer am meisten nützlichen Aktion, in einem Fall, in dem eine Aktionswertefunktion verwendet wird), unter Verwendung einer Wertefunktion (Bewertungsfunktion) ausgewählt, die durch vergangenes Lernen erzeugt wird. Es wird angemerkt, dass ein Agent während des Lernens effektiv eine zufällige Aktion mit einer konstanten Wahrscheinlichkeit zum Zwecke des Beschleunigens des Lernens bei der Auswahl einer Aktion in der obenstehenden (2) (ε-Greedy-Verfahren) auswählen kann.
  • Wie oben beschrieben wird das Lernen durch wiederholtes Ausführen der obenstehenden (1) bis (5) beschleunigt. Nach dem Abschluss des Lernens in einer bestimmten Umwelt kann das Lernen selbst in einer neuen Umwelt so beschleunigt werden, dass es an die neue Umwelt durch zusätzliches Lernen angepasst wird. Demzufolge wird durch Anwenden des vorgenannten Agentenlernens und der Aktion auf die Bestimmung von Bearbeitungsbedingungen zum Bearbeiten eines Werkstücks durch Verwendung einer Bearbeitungsvorrichtung, wie in der vorliegenden Erfindung, ermöglicht, angemessene Bearbeitungsbedingungen in einem kurzen Zeitraum beim Bearbeiten des Werkstücks basierend auf neuen Konstruktionsdaten anzupassen, indem ein zusätzliches Lernen ausgeführt wird, bei dem die neuen Konstruktionsdaten als eine neue Umwelt basierend auf dem vergangenen Lernen der Anpassung von Bearbeitungsbedingungen verwendet werden.
  • Außerdem setzt das bestärkende Lernen ein System ein, bei mehrere Agenten miteinander über ein Netzwerk oder dergleichen verbunden sind, und Information zu Zuständen s, Aktionen a, Belohnungen r oder dergleichen werden von den Agenten gemeinsam genutzt und auf jedes Lernen angewendet, wodurch jeder der Agenten ein verteiltes bestärkendes Lernen unter Berücksichtigung der Umwelt der anderen Agenten ausführt, um ein effizientes Lernen ausführen zu können. Zudem wird in der vorliegenden Erfindung, wenn mehrere Agenten (Maschinen-Lernvorrichtungen), die mehrere Umwelten (Bearbeitungsvorrichtungen, die als Steuerungsziele agieren) steuern, verteiltes Lernen in einem über ein Netzwerk oder dergleichen miteinander verbundenen Zustand ausführen, den Bearbeitungsvorrichtungen ermöglicht, die Anpassungen von Bearbeitungsbedingungen zum Bearbeiten eines Werkstücks effizient zu lernen.
  • Es wird angemerkt, dass obwohl verschiedene Verfahren, wie das Q-Lernen, ein SASRA-Verfahren, TD-Lernen und ein AC-Verfahren als ein Algorithmus für bestärkendes Lernen schon allgemein bekannt sind, beliebige der obengenannten Algorithmen für bestärkendes Lernen auf die vorliegende Erfindung angewendet werden können. Es wird angemerkt, dass aufgrund dessen, dass jeder der Algorithmen für bestärkendes Lernen schon allgemein bekannt ist, auf deren ausführliche Beschreibung in der Patentschrift verzichtet wird.
  • Nachfolgend wird basierend auf einer spezifischen Ausführungsform eine Beschreibung der Bearbeitungsvorrichtung der vorliegenden Erfindung, in der eine Maschinen-Lernvorrichtung eingebracht ist, gegeben.
  • (2) Ausführungsform
  • Die 2 ist ein Diagramm, das ein Bild bezüglich des maschinellen Lernens der Anpassung von Bearbeitungsbedingungen in einer Bearbeitungsvorrichtung, in der eine als künstliche Intelligenz agierende Maschinen-Lernvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung eingebracht ist, zeigt. Es wird angemerkt, dass 2 nur Ausgestaltungen zeigt, die zum Beschreiben des maschinellen Lernens durch die Bearbeitungsvorrichtung gemäß der Ausführungsform notwendig sind.
  • In der Ausführungsform werden „Bearbeitungsgenauigkeit” und „Bearbeitungszeit”, die jeweils Ausgabedaten zu der Bearbeitungsvorrichtung anzeigen, als Informationen in eine Maschinen-Lernvorrichtung eingegeben, um zu bewirken, dass die Maschinen-Lernvorrichtung eine Umwelt (einen Zustand st in „(1) Maschinelles Lernen” wie oben beschrieben) festlegt. Die „Bearbeitungszeit” ist ein Wert, der durch einen Bearbeitungszeitabschnitt 4 einer Bearbeitungsvorrichtung 1 gemessen wird. Die „Bearbeitungsgenauigkeit” ist ein Wert, der basierend auf einer durch einen Messabschnitt 3 auf der Maschine gemessenen Bearbeitungsform eines bearbeiteten Werkstücks und den durch CAD (Computer-Aided Design) erzeugten Konstruktionsdaten oder dergleichen (Daten, die Bearbeitungsform eines ins Auge gefassten Werkstücks anzeigen) (der Fehler zwischen der durch die Konstruktionsdaten angezeigte Bearbeitungsform und der Bearbeitungsform des bearbeiteten Werkstücks) berechnet wird.
  • Die Bearbeitungsvorrichtung 1 gemäß der Ausführungsform ist mit dem Messabschnitt 3 auf der Maschine ausgestattet und kann eine Bearbeitungsform eines Werkstücks im an der Bearbeitungsvorrichtung 1 befestigten Zustand messen. Die Bearbeitungsvorrichtung 1 vergleicht eine durch Konstruktionsdaten angezeigte Bearbeitungsform eines Werkstücks mit einer durch den Messabschnitt 3 auf der Maschine gemessenen Bearbeitungsform eines bearbeiteten Werkstücks, um Daten bezüglich der Bearbeitungsgenauigkeit zu berechnen.
  • Die 3 ist ein Diagramm, das ein Beispiel von Daten bezüglich der Bearbeitungsgenauigkeit gemäß der Ausführungsform zeigt.
  • Beispiele der Typen von Daten bezüglich der Bearbeitungsgenauigkeit umfassen die Tiefenrichtung-Genauigkeit AZ, die den Fehler zwischen einer Länge in einer Tiefenrichtung (Z-Achsenrichtung) in den Konstruktionsdaten und einer Länge in der Tiefenrichtung in einem bearbeiteten Werkstück an einem Stufenteil eines jeden Werkstücks anzeigt, Breitenrichtung-Genauigkeit AX, die den Fehler zwischen einer Länge in einer Breitenrichtung (X-Achsenrichtung) in den Konstruktionsdaten und einer Länge in der Breitenrichtung in dem bearbeiteten Werkstück an einer Stufe eines jeden Werkstücks anzeigt, Eckteil-Genauigkeit AC, die den Fehler zwischen den Konstruktionsdaten und dem bearbeiteten Werkstück (eine Differenz des Volumens an einem Teil nahe an einer Ecke), der durch einen nach innen gerichteten Fehler an einem Eckteil eines jeden Werkstücks oder dergleichen verursacht wird, anzeigt, und eine Oberflächengenauigkeit AS, die den Fehler zwischen den Konstruktionsdaten und dem bearbeiteten Werkstück (einer Differenz des Volumens an einem Teil nahe einer Oberfläche), der durch die Oberflächenrauigkeit, Verzug oder dergleichen einer Bearbeitungsoberfläche an jeder Bearbeitungsoberfläche verursacht wird.
  • Die oben beschriebenen Dateneinheiten, die die Bearbeitungsgenauigkeit anzeigen, können jeweils für jeden Teil eines Werkstücks berechnet werden und jeder berechnete Wert kann dann als Parameter verwendet, um zu bewirken, dass die Maschinen-Lernvorrichtung 20 einen Zustand bestimmt. Alternativ kann ein Wert, der durch Aufaddieren des Absolutwerts der Bearbeitungsgenauigkeit für jeden Teil eines Werkstücks für jeden Typ von Bearbeitungsgenauigkeit, wie die Tiefenrichtung-Genauigkeit und Breitenrichtung-Genauigkeit (beispielsweise wird |AZ1| + |AZ2| als Tiefenrichtung-Genauigkeit berechnet, wenn die Tiefenrichtung-Genauigkeit an zwei Stufenformen an einem Werkstück in 3 durch AZ1 und AZ2 angezeigt wird) erhalten wird, als Parameter verwendet werden, um zu bewirken, dass die Maschinen-Lernvorrichtung 20 einen Zustand bestimmt.
  • Es wird angemerkt, dass die Daten bezüglich der Bearbeitungsgenauigkeit in 3 lediglich ein Beispiel sind und andere Verfahren zum Ausdrücken der Bearbeitungsgenauigkeit eingesetzt werden können. Außerdem können die Typen von Daten bezüglich der Bearbeitungsgenauigkeit entsprechend einer Bearbeitungsart, einem Bearbeitungsziel oder dergleichen in angemessener Weise eingestellt werden. Beispielsweise kann eine Gewinderillentiefen-Genauigkeit für die Gewindeschneidbearbeitung eingesetzt werden.
  • In der Ausführungsform gibt die Maschinen-Lernvorrichtung 20 Anpassungsbeträge von Bearbeitungsbedingungen aus, die in die Bearbeitungsvorrichtung 1 in einer Umwelt einzugeben sind (Aktionen at in „(1) Maschinelles Lernen”, wie oben beschrieben). Beispiele der Bearbeitungsbedingungen umfassen eine Vorschubgeschwindigkeit, eine Hauptantriebswellen-Drehzahl, Tischgeschwindigkeit und Vorschub pro Zahn.
  • Darüber hinaus werden in der Ausführungsform Bearbeitungszeit- und Bearbeitungsgenauigkeitsdaten als an die Maschinen-Lernvorrichtung vergebene Belohnungen verwendet (Belohnungen rt in „(1) Maschinelles Lernen” wie oben beschrieben). Bei der Berechnung einer Belohnung wird die Belohnung so eingestellt, dass sie einen größeren positiven Wert aufweist, während die Bearbeitungszeit relativ zu einem vorgeschriebenen Referenzwert kürzer ist, und so eingestellt, dass sie einen größeren negativen Wert aufweist, während die Bearbeitungszeit relativ zu dem vorgeschriebenen Referenzwert länger ist. Außerdem wird die Belohnung so eingestellt, dass sie einen größeren positiven Wert aufweist, während der Bearbeitungsgenauigkeitsdatenwert relativ zu einem vorgeschriebenen Referenzwert näher bei Null liegt, und so eingestellt, dass sie einen größeren negativen Wert aufweist, während der Bearbeitungsgenauigkeitsdatenwert größer als der vorgeschriebene Referenzwert ist. Die vorgeschriebenen Referenzwerte der Bearbeitungszeit- und Bearbeitungsgenauigkeitsdaten können aus Daten bezüglich der Bearbeitungszeit und der Bearbeitungsgenauigkeit, die gemessen werden, wenn ein Werkstück mit den ursprünglich eingestellten Bearbeitungsbedingungen der Bearbeitungsvorrichtung 1 bearbeitet wird, erhalten werden.
  • Es wird angemerkt, dass ein Bediener in angemessener Weise festlegen kann, welche Daten verwendet werden, um Belohnungen gemäß den Bearbeitungsinhalten eines Werkstücks in der Bearbeitungsvorrichtung 1 zu bestimmen.
  • Außerdem führt in der Ausführungsform die Maschinen-Lernvorrichtung 20 ein maschinelles Lernen basierend auf dem Zustand, der Aktion und der oben beschriebenen Belohnung aus. Beim maschinellen Lernen wird ein Zustand st durch die Kombination von Eingabedaten zu einer bestimmten Zeit t definiert, eine Änderung der Bearbeitungsbedingungen, die in Bezug auf den definierten Zustand st ausgeführt wird, entspricht einer Aktion at, und ein Wert, der basierend auf Eingabedaten, die als Ergebnis der Änderung der Bearbeitungsbedingen aufgrund der Aktion at neu erhaltenen werden, bewertet und berechnet wird, entspricht einer Belohnung rt+1. Wie oben in „(1) Maschinelles Lernen” beschrieben, werden der Zustand st, die Aktion at und die Belohnung rt+2 auf die Aktualisierungsformel einer Wertefunktion (Bewertungsfunktion), die einem Algorithmus für maschinelles Lernen entspricht, angewendet, um das Lernen zu beschleunigen.
  • Nachfolgend wird mit Bezug auf das Funktionsblockdiagramm von 4 eine Beschreibung der Bearbeitungsvorrichtung gemäß der Ausführungsform der vorliegenden Erfindung gegeben.
  • Die Bearbeitungsvorrichtung 1 ist ausgestattet mit einem Antriebsabschnitt (nicht gezeigt), wie einem Servomotor, der jede Welle antreibt, um Bauteile zu bearbeiten, einem Servosteuerungsabschnitt (nicht gezeigt), der den Servomotor steuert, Zusatzgeräten (nicht gezeigt), einem Steuerungsabschnitt 2, der den Antriebsabschnitt und die Zusatzgeräte steuert, einem Messabschnitt 3 auf der Maschine, der eine Bearbeitungsform eines durch die Bearbeitungsvorrichtung 1 bearbeiteten Werkstücks auf der Maschine misst, einem Bearbeitungszeit-Messabschnitt 4, der die für das Bearbeiten eines Werkstücks nötige Zeit misst, und einer Maschinen-Lernvorrichtung 20, die als künstliche Intelligenz agiert, die das maschinelle Lernen ausführt.
  • Wenn die Ausgestaltungen der in 4 gezeigten Bearbeitungsvorrichtung mit den Elementen des in 1 gezeigten Algorithmus für bestärkendes Lernen verglichen wird, entspricht eine Gesamtheit, die den Antriebsabschnitt, wie einen Servomotor und den Servosteuerungsabschnitt (jeweils nicht gezeigt), die Zusatzgeräte (nicht gezeigt), den Steuerungsabschnitt 2 oder dergleichen, die normalerweise in der Bearbeitungsvorrichtung 1 von 4 bereitgestellt werden, umfasst, der „Umwelt” in dem Algorithmus für bestärkendes Lernen von 1. Außerdem entspricht die Maschinen-Lernvorrichtung 20 der Bearbeitungsvorrichtung 1 von 4 dem „Agenten” in dem Algorithmus für bestärkendes Lernen von 1.
  • Der Steuerungsabschnitt 2 analysiert ein Programm, das von einem Speicher (nicht gezeigt) ausgelesen wird oder über eine Eingabeeinrichtung (nicht gezeigt) eingegeben wird, um jeden Abschnitt der Bearbeitungsvorrichtung 1 zu steuern. Im Steuerungsabschnitt 2 werden Bearbeitungsbedingungen, die verwendet werden, um ein Werkstück zu bearbeiten, und Konstruktionsdaten, die eine Bearbeitungsform des gemäß dem Programm bearbeiteten Werkstücks anzeigen, vorab in dem Speicher gespeichert.
  • Der Messabschnitt 3 auf der Maschine, der die Funktion des Messens einer Bearbeitungsform eines durch die Bearbeitungsvorrichtung 1 bearbeiteten Werkstücks auf der Maschine hat, wird beispielsweise durch eine Lasermessvorrichtung, eine Magnetmessvorrichtung oder dergleichen gebildet und misst die Bearbeitungsform des Werkstücks in einem auf der Bearbeitungsvorrichtung befestigten Zustand. Die gemessene Bearbeitungsform des Werkstücks wird in den Steuerungsabschnitt 2 eingegeben. Dann wird die Bearbeitungsgenauigkeit der Bearbeitungsform des bearbeiteten Werkstücks basierend auf der von dem Messabschnitt 3 auf der Maschine eingegebenen Bearbeitungsform des bearbeiteten Werkstücks und den in dem Speicher (nicht gezeigt) gespeicherten Konstruktionsdaten, die eine Soll-Bearbeitungsform des Werkstücks anzeigen, berechnet. Die Bearbeitungsgenauigkeit wird für jeden Teil des Werkstücks berechnet.
  • Der Bearbeitungszeit-Messabschnitt 4 misst die für das Bearbeiten eines Werkstücks mit der Bearbeitungsvorrichtung 1 nötige Bearbeitungszeit. Der Bearbeitungszeit-Messabschnitt 4 misst die Zeit, bis ein Bearbeitungsprogramm nach der Aktivierung endet, unter Verwendung der Zeitnahmefunktion oder dergleichen des Steuerungsabschnitts 2 und stellt die gemessene Zeit als Bearbeitungszeit ein.
  • Dann werden die gemessene Bearbeitungszeit und die berechnete Bearbeitungsgenauigkeit verwendet, um Belohnungen beim Lernen der Maschinen-Lernvorrichtung 20 zu berechnen.
  • Wie in 4 gezeigt ist die Maschinen-Lernvorrichtung 20, die das maschinelle Lernen ausführt, mit einem Zustandsbeobachtungsabschnitt 21, einem Zustandsdatenspeicherabschnitt 22, einem Einstellabschnitt für Belohnungsbedingungen 23, einem Belohnungsberechnungsabschnitt 24, einem Anpasslernabschnitt für Bearbeitungsbedingungen 25, einem Lernergebnisspeicherabschnitt 26 und einem Bearbeitungsbedingungs-Ausgabeabschnitt 27 ausgestattet. Die Maschinen-Lernvorrichtung 20 kann im Innern der Bearbeitungsvorrichtung 1 bereitgestellt werden oder kann in einem Personal-Computer oder dergleichen außerhalb der Bearbeitungsvorrichtung 1 bereitgestellt werden.
  • Der Zustandsbeobachtungsabschnitt 21 beobachtet Zustandsdaten bezüglich der Bearbeitungsvorrichtung 1 über den Steuerungsabschnitt 2 und erfasst die beobachteten Zustandsdaten in der Maschinen-Lernvorrichtung 20. Die beobachteten Zustandsdaten umfassen Daten zur Bearbeitungszeit und zur oben beschriebenen Bearbeitungsgenauigkeit oder dergleichen.
  • Der Zustandsdatenspeicherabschnitt 22 empfängt und speichert Zustandsdaten und gibt die gespeicherten Zustandsdaten an den Belohnungsberechnungsabschnitt 24 und den Anpasslernabschnitt für Bearbeitungsbedingungen 25 aus. Die in den Zustandsdatenspeicherabschnitt 22 eingegebenen Zustandsdaten können Daten sein, die durch den letzten Bearbeitungsvorgang erfasst wurden oder Daten, die durch einen vergangenen Bearbeitungsvorgang erfasst wurden. Außerdem ist es auch möglich, dass der Zustandsdatenspeicherabschnitt 22 in anderen Bearbeitungsvorrichtungen 1 oder einem Intensiv-Managementsystem 30 gespeicherte Zustandsdaten empfängt und speichert, und es ist möglich, dass der Zustandsdatenspeicherabschnitt 22 im Zustandsdatenspeicherabschnitt 22 gespeicherte Zustandsdaten an andere Bearbeitungsvorrichtungen 1 oder ein Intensiv-Managementsystem 30 ausgibt.
  • Der Einstellabschnitt für Belohnungsbedingungen 23 stellt Bedingungen zum Vergeben von Belohnungen beim maschinellen Lernen ein. Positive und negative Belohnungen werden vergeben und können angemessen eingestellt werden. Außerdem kann eine Eingabe in den Einstellabschnitt für Belohnungsbedingungen 23 über einen Personal-Computer, ein Tablet-Endgerät oder dergleichen, die in dem Intensiv-Managementsystem 30 verwendeten werden, ausgeführt werden. Mit einer Eingabe über ein MDI-Gerät (Handeingabegerät) (nicht gezeigt) der Bearbeitungsvorrichtung 1 wird jedoch ermöglicht, leichtere Einstellungen auszuführen.
  • Der Belohnungsberechnungsabschnitt 24 analysiert die von dem Zustandsbeobachtungsabschnitt 21 oder dem Zustandsdatenspeicherabschnitt 22 eingegebenen Zustandsdaten basierend auf durch den Einstellabschnitt für Belohnungsbedingungen 23 eingestellten Bedingungen und gibt berechnete Belohnungen an den Anpasslernabschnitt für Bearbeitungsbedingungen 25 aus.
  • Nachfolgend wird eine Beschreibung eines Beispiels von durch die durch den Einstellabschnitt für Belohnungsbedingungen 23 eingestellten Belohnungsbedingungen gemäß der Ausführungsform gegeben.
  • (Belohnung 1: Reduzierung der Bearbeitungszeit (Positive Belohnung und negative Belohnung))
  • Da die Zykluszeit der Bauteilbearbeitung mit der Reduzierung der für das Bearbeiten eines Werkstücks benötigten Bearbeitungszeit ansteigt, wird entsprechend dem Grad der Reduzierung eine positive Belohnung vergeben. Bei der Berechnung der Belohnung wird die Belohnung so eingestellt, dass sie einen größeren positiven Wert aufweist, während die „Bearbeitungszeit” relativ zu einem vorgeschriebenen Referenzwert kürzer ist, und so eingestellt, dass sie einen größeren negativen Wert aufweist, während die „Bearbeitungszeit” relativ zu dem vorgeschriebenen Referenzwert länger ist. Der „vorgeschriebene Referenzwert der Bearbeitungszeit” kann auf der Bearbeitungszeit basieren, die gemessen wird, wenn ein Werkstück mit den ursprünglich eingestellten Bearbeitungsbedingungen der Bearbeitungsvorrichtung 1 bearbeitet wird.
  • (Belohnung 2: Erhöhung der Bearbeitungsgenauigkeit (Positive Belohnung und negative Belohnung))
  • Wenn die Bearbeitungsgenauigkeit der Bearbeitungsform eines bearbeiteten Werkstücks in Bezug auf eine durch die Konstruktionsdaten angezeigte Soll-Bearbeitungsform des Werkstücks hoch ist, wird entsprechend dem Grad der Höhe eine positive Belohnung vergeben. Eine auf der Bearbeitungsgenauigkeit basierte Belohnung kann wie oben beschrieben für jeden Typ der Bearbeitungsgenauigkeit berechnet werden. Bei der Berechnung einer Belohnung wird die Belohnung so eingestellt, dass sie einen größeren positiven Wert aufweist, während der Bearbeitungsgenauigkeitsdatenwert relativ zu einem vorgeschriebenen Referenzwert näher bei Null liegt, und so eingestellt, dass sie einen größeren negativen Wert aufweist, während der Bearbeitungsgenauigkeitsdatenwert größer als der vorgeschriebene Referenzwert ist. „Der vorgeschriebenen Referenzwert” der Bearbeitungsgenauigkeitsdaten kann auf Bearbeitungsgenauigkeitsdaten basieren, die gemessen werden, wenn ein Werkstück mit den ursprünglich eingestellten Bearbeitungsbedingungen der Bearbeitungsvorrichtung 1 bearbeitet wird.
  • Es wird angemerkt, dass eine durch die Bearbeitungszeit erhaltene Belohnung und eine durch die Bearbeitungsgenauigkeit erhaltene Belohnung entsprechend ihrer Wichtigkeit gewichtet werden können. Somit wird ein Lernen, bei dem die Bearbeitungsbedingungen mit Schwerpunkt auf der Bearbeitungszeit angepasst werden oder ein Lernen, bei dem die Bearbeitungsbedingungen mit Schwerpunkt auf Bearbeitungsgenauigkeit angepasst werden, ermöglicht.
  • Wenn außerdem, wie oben beschrieben, mehrere Dateneinheiten bezüglich der Bearbeitungsgenauigkeit vorliegen, kann jede Dateneinheit in Bezug auf die Bearbeitungsgenauigkeit gewichtet werden. Somit wird ein Lernen, bei dem ein Schwerpunkt auf Tiefenrichtung-Genauigkeit gelegt wird, oder Lernen, bei dem ein Schwerpunkt auf Eckteil-Genauigkeit gelegt wird, ermöglicht.
  • Mit Rückbezug auf 4 führt der Anpasslernabschnitt für Bearbeitungsbedingungen 25 jedes Mal, wenn die Bearbeitung eines Werkstücks durch die Bearbeitungsvorrichtung 1 abgeschlossen ist, ein maschinelles Lernen (bestärkendes Lernen) basierend auf Zustandsdaten, einem durch den Anpasslernabschnitt für Bearbeitungsbedingungen 25 selbst durchgeführten Anpassungsergebnis der Bearbeitungsbedingungen der Bearbeitungsvorrichtung 1 sowie durch den Belohnungsberechnungsabschnitt 24 berechnete Belohnungen aus. Außerdem passt der Anpasslernabschnitt für Bearbeitungsbedingungen 25 Bearbeitungsbedingungen für das Bearbeiten des Werkstücks durch die Bearbeitungsvorrichtung 1 basierend auf einem vergangenen Lernergebnis und aktuellen Zustandsdaten an. Hierbei entspricht die Anpassung der Bearbeitungsbedingungen der „Aktion a” in dem Algorithmus für bestärkendes Lernen von 1.
  • Beispielsweise kann es bei der Anpassung der Bearbeitungsbedingungen möglich sein, dass jede der Kombination von anzupassenden Bearbeitungsbedingungen und Anpassungsbeträge der Bearbeitungsbedingungen vorab als eine wählbare „Aktion” definiert wird und eine „Aktion” gewählt wird, durch die in der Zukunft basierend auf einem vergangenen Lernergebnis eine maximale Belohnung erhalten werden wird. Außerdem kann es möglich sein, dass ein oben beschriebenes ε-Greedy-Verfahren eingesetzt wird und eine Zufalls-„Aktion” mit einer vorgeschriebenen Wahrscheinlichkeit gewählt wird, um das Lernen zu beschleunigen.
  • Hierbei wird bei dem durch den Anpasslernabschnitt für Bearbeitungsbedingungen 25 durchgeführten maschinellen Lernen ein Zustand st durch die Kombination von Zustandsdaten zu einer bestimmten Zeit t definiert, und die Anpassung von Bearbeitungsbedingungen gemäß dem definierten Zustand st und die Ausgabe eines Anpassungsergebnisses aus dem Bearbeitungsbedingungs-Ausgabeabschnitt 27, die später beschrieben wird, entsprechen einer Aktion at. Ein Wert, der durch den Belohnungsberechnungsabschnitt 24 basierend auf Zustandsdaten, die als Ergebnis des Bearbeitens eines Werkstücks durch die Bearbeitungsvorrichtung 1 entsprechend dem Anpassungsergebnis erhalten werden, berechnet wird, entspricht dann einer Belohnung rt+1. Eine beim maschinellen Lernen verwendete Wertefunktion wird gemäß einem angewandten Lernalgorithmus bestimmt. Wenn beispielsweise Q-Lernen verwendet wird, ist es lediglich erforderlich, eine Aktionswertfunktion Q(st, at) gemäß der obigen Formel (2) zu aktualisieren, um das Lernen zu beschleunigen.
  • Der Lernergebnisspeicherabschnitt 26 speichert ein Lernergebnis des Anpasslernabschnitts für Bearbeitungsbedingungen 25. Wenn des Weiteren ein Lernergebnis wieder durch den Anpasslernabschnitt für Bearbeitungsbedingungen 25 verwendet wird, dann gibt der Lernergebnisspeicherabschnitt 26 ein gespeichertes Lernergebnis an den Anpasslernabschnitt für Bearbeitungsbedingungen 25 aus. Wie oben beschrieben kann ein Lernergebnis derart gespeichert werden, dass eine Wertefunktion, die einem zu verwendenden Algorithmus für maschinelles Lernen entspricht, in einer überwachten Lernvorrichtung, wie einer SVM und einem neuralen Netzwerk einer Näherungsfunktion, einer Anordnung oder einer Mehrwertausgabe oder dergleichen gespeichert wird.
  • Es wird angemerkt, dass es ebenfalls möglich ist, dass der Lernergebnis-Speicherabschnitt 26 in anderen Bearbeitungsvorrichtungen 1 oder dem Intensiv-Managementsystem 30 gespeicherte Lernergebnisse empfängt und speichert, und es ist auch möglich, dass der Lernergebnis-Speicherabschnitt 26 ein im Lernergebnis-Speicherabschnitt 26 gespeichertes Lernergebnis an andere Bearbeitungsvorrichtungen 1 oder ein Intensiv-Managementsystem 30 ausgibt.
  • Der Bearbeitungsbedingungs-Ausgabeabschnitt 27 gibt ein Anpassungsergebnis von Bearbeitungsbedingungen durch den Anpasslernabschnitt für Bearbeitungsbedingungen 25 an den Steuerungsabschnitt 2 aus. Der Steuerungsabschnitt 2 steuert die Bearbeitungsvorrichtung 1 basierend auf den von dem Bearbeitungsbedingungs-Ausgabeabschnitt 27 ausgegebenen Bearbeitungsbedingungen, um ein Werkstück zu bearbeiten.
  • Nach Abschluss der Bearbeitung werden dann wieder Zustandsdaten durch die Maschinen-Lernvorrichtung erfasst, und das Lernen wird unter Verwendung der eingegebenen Zustandsdaten wiederholt ausgeführt. Somit wird die Erfassung eines hervorragenderen Ergebnisses ermöglicht.
  • Wenn die Bearbeitungsvorrichtung 1 tatsächlich eine Bearbeitung unter Verwendung von Lerndaten ausführt, für die das Lernen abgeschlossen worden ist, kann das Bearbeiten unter Verwendung der Lerndaten, die erfasst wurden, wenn das Lernen abgeschlossen worden ist, wiederholt ausgeführt werden, ohne zu verursachen, dass die Maschinen-Lernvorrichtung 20 ein neues Lernen ausführen muss.
  • Außerdem kann die Maschinen-Lernvorrichtung 20, die das Lernen abgeschlossen hat (oder die Maschinen-Lernvorrichtung 20, in der abgeschlossene Lerndaten auf anderen Maschinen-Lernvorrichtungen 20 in den Lernergebnis-Speicherabschnitt 26 kopiert wurden), an einer anderen Bearbeitungsvorrichtung 1 angebracht werden, um einen wiederholten Arbeitsvorgang unter Verwendung der Lerndaten, für die das Lernen so wie es ist abgeschlossen wurde, auszuführen.
  • Darüber hinaus ist es möglich, die Maschinen-Lernvorrichtung 20, die das Lernen abgeschlossen hat, an einer anderen Bearbeitungsvorrichtung 1 anzubringen, wobei die Lernfunktion der Maschinen-Lernvorrichtung gültig bleibt, sodass die andere Bearbeitungsvorrichtung 1 das Bearbeiten eines Werkstücks fortsetzen kann. In diesem Fall wird der anderen Bearbeitungsvorrichtung 1 ermöglicht, einen Bearbeitungsvorgang auszuführen, indem bewirkt wird, dass die angebrachte Maschinen-Lernvorrichtung 20 weiterhin einen individuellen Unterschied, eine säkulare Änderung oder dergleichen, der/die für die andere Bearbeitungsvorrichtung 1 bezeichnend ist, lernt und nach besseren Bearbeitungsbedingungen für die Bearbeitungsvorrichtung 1 sucht.
  • Die Bearbeitungsvorrichtung 1 kann das maschinelle Lernen alleine ausführen. Wenn jedoch jede von mehreren Bearbeitungsvorrichtungen 1 ferner mit einem Abschnitt ausgestattet ist, der zum Kommunizieren mit einem Äußeren verwendet wird, dann wird es möglich, in jedem der Zustandsdatenspeicherabschnitte 22 gespeicherte Daten und ein in dem Lernergebnis-Speicherabschnitten 26 gespeichertes Lernergebnis auszusenden/zu empfangen und gemeinsam zu nutzen. Somit wird ein effizienteres maschinelles Lernen ermöglicht. Wenn beispielsweise einen Lernen bei innerhalb eines vorgeschriebenen Bereichs schwankenden Bearbeitungsbedingungen ausgeführt wird, dann wird das Lernen parallel zwischen mehreren Bearbeitungsvorrichtungen 1 derart beschleunigt, dass Zustandsdaten und Lerndaten zwischen den Bearbeitungsvorrichtungen 1 ausgetauscht werden, während ein Werkstück mit unterschiedlichen, innerhalb eines vorgeschriebenen Bereichs schwankenden Bearbeitungsbedingungen bearbeitet wird. Somit wird ein effizientes Lernen ermöglicht.
  • Um, wie oben beschrieben, Zustandsdaten und Lerndaten zwischen mehreren Bearbeitungsvorrichtungen 1 auszutauschen, kann eine Kommunikation über einen Host-Computer, wie das Intensiv-Managementsystem 30, ausgeführt werden, die Bearbeitungsvorrichtungen 1 können direkt miteinander kommunizieren, oder es kann eine Cloud verwendet werden. Um große Datenmengen zu bewältigen wird jedoch vorzugsweise eine Kommunikation mit einer schnelleren Kommunikationsgeschwindigkeit bereitgestellt.
  • Außerdem wird ein unnötiger Teil eines Werkstücks vorbearbeitet, anstatt direkt ein Produktteil zu bearbeiten. Das heißt, wenn ein Produktteil bearbeitet wird, nachdem das maschinelle Lernen teilweise abgeschlossen wurde, ist es möglich, eine eine hohe Bearbeitungsgenauigkeit aufweisende Bearbeitungsform zu einem gewissen Grad von Anfang an zu erhalten.
  • Die Ausführungsform der vorliegenden Erfindung ist oben beschrieben. Die vorliegende Erfindung ist jedoch nicht nur auf das Beispiel der obengenannten Ausführungsform beschränkt und kann in verschiedenen Aspekten mit angemessenen Abänderungen durchgeführt werden.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • WO 00/010769 [0003]

Claims (5)

  1. Bearbeitungsvorrichtung, Folgendes umfassend: einen Messabschnitt auf der Maschine, der eine Bearbeitungsform eines Werkstücks auf der Maschine misst; einen Bearbeitungszeit-Messabschnitt, der die Bearbeitungszeit des Werkstücks misst; und eine Maschinen-Lernvorrichtung, die maschinelles Lernen durch Empfangen von Eingaben der Bearbeitungszeit und der Bearbeitungsgenauigkeit zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück, die als Eingaben dienen, ausführt, wobei die Maschinen-Lernvorrichtung dazu eingerichtet ist, eine Bearbeitungsbedingung basierend auf einem Ergebnis des maschinellen Lernens derart zu ändern, dass sich die Bearbeitungsgenauigkeit erhöht und die Bearbeitungszeit so kurz wie möglich wird.
  2. Bearbeitungsvorrichtung nach Anspruch 1, wobei die Maschinen-Lernvorrichtung das maschinelle Lernen derart ausführt, dass eine positive Belohnung vergeben wird, wenn die Bearbeitungsvorrichtung das Werkstück so bearbeitet, dass ein Fehler zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück reduziert wird oder wenn die Bearbeitungszeit reduziert wird, und eine negative Belohnung vergeben wird, wenn die Bearbeitungsvorrichtung das Werkstück derart bearbeitet, dass der Fehler zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück erhöht wird oder wenn die Bearbeitungszeit erhöht wird.
  3. Bearbeitungsvorrichtung nach Anspruch 1, wobei die Maschinen-Lernvorrichtung dazu eingerichtet ist, beim maschinellen Lernen eine Gewichtung auszuführen, um anzuzeigen, welche von der Reduzierung eines Fehlers zwischen der Bearbeitungsform und den Konstruktionsdaten zu dem Werkstück und der Reduzierung der Bearbeitungszeit hervorzuheben ist.
  4. Bearbeitungsvorrichtung nach Anspruch 1, wobei die Bearbeitungsvorrichtung mit mindestens einer weiteren Bearbeitungsvorrichtung verbunden sein kann und die Ergebnisse mit der anderen Bearbeitungsvorrichtung gegenseitig austauscht oder gemeinsam nutzt.
  5. Maschinen-Lernvorrichtung, die ein maschinelles Lernen einer Anpassung einer Bearbeitungsbedingung beim Bearbeiten eines Werkstücks durch eine Bearbeitungsvorrichtung ausgeführt hat, wobei die Maschinen-Lernvorrichtung umfasst: einen Lernergebnis-Speicherabschnitt, der ein Ergebnis des maschinellen Lernens der Anpassung der Bearbeitungsbedingung speichert; einen Zustandsbeobachtungsabschnitt, der Zustandsdaten erfasst, die mindestens die Bearbeitungszeit, Bearbeitungsgenauigkeit des Werkstücks und die Bearbeitungsbedingung bei der Bearbeitung des Werkstücks durch die Bearbeitungsvorrichtung umfassen; einen Bearbeitungsbedingungsanpassungs-Lernabschnitt, der die Bearbeitungsbedingung basierend auf dem Ergebnis des maschinellen Lernens der Anpassung der Bearbeitungsbedingung und der durch den Zustandsbeobachtungsabschnitt erfassten Zustandsdaten anpasst; und einen Bearbeitungsbedingungs-Ausgabeabschnitt, der die durch den Bearbeitungsbedingungsanpassungs-Lernabschnitt angepasste Bearbeitungsbedingung ausgibt.
DE102016009106.1A 2015-07-30 2016-07-27 Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine Withdrawn DE102016009106A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2015150341A JP2017030067A (ja) 2015-07-30 2015-07-30 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP2015-150341 2015-07-30

Publications (1)

Publication Number Publication Date
DE102016009106A1 true DE102016009106A1 (de) 2017-02-02

Family

ID=57795978

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102016009106.1A Withdrawn DE102016009106A1 (de) 2015-07-30 2016-07-27 Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine

Country Status (4)

Country Link
US (1) US10180667B2 (de)
JP (1) JP2017030067A (de)
CN (1) CN106406236A (de)
DE (1) DE102016009106A1 (de)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6726579B2 (ja) * 2016-09-14 2020-07-22 オークマ株式会社 工作機械
JP6499689B2 (ja) * 2017-03-08 2019-04-10 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
JP6502983B2 (ja) * 2017-03-15 2019-04-17 ファナック株式会社 洗浄工程最適化装置及び機械学習装置
JP6546213B2 (ja) * 2017-04-13 2019-07-17 ファナック株式会社 回路構成最適化装置及び機械学習装置
JP6499710B2 (ja) 2017-04-20 2019-04-10 ファナック株式会社 加減速制御装置
JP6557285B2 (ja) * 2017-05-26 2019-08-07 ファナック株式会社 制御装置及び機械学習装置
JP6608879B2 (ja) * 2017-07-21 2019-11-20 ファナック株式会社 機械学習装置、数値制御装置、数値制御システム、及び機械学習方法
JP6680748B2 (ja) * 2017-11-17 2020-04-15 ファナック株式会社 制御装置及び機械学習装置
US10437698B2 (en) * 2018-01-24 2019-10-08 Joseph Matthew Sinclair Leader-follower system for additive manufacturing
WO2020217498A1 (ja) * 2019-04-26 2020-10-29 三菱電機株式会社 加工条件決定支援装置及び加工条件決定装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010769A1 (fr) 1998-08-24 2000-03-02 Okuma Corporation Procede et appareil permettant de collecter des registres d'evenements concernant des operations d'usinage a commande numerique

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR920002268A (ko) * 1990-07-17 1992-02-28 유끼노리 가까즈 인텔리젠트가공장치
JP2961622B2 (ja) * 1990-09-29 1999-10-12 豊田工機株式会社 インテリジェント加工システム
JP3009755B2 (ja) * 1991-05-24 2000-02-14 三菱電機株式会社 放電加工用加工条件生成装置
JPH05104395A (ja) * 1991-10-17 1993-04-27 Hokuriku Nippon Denki Software Kk 学習制御機能を有する製品加工条件設定装置
JP3702496B2 (ja) * 1995-07-10 2005-10-05 三菱電機株式会社 数値制御装置を用いた加工方法
JP3496404B2 (ja) * 1996-08-30 2004-02-09 三菱電機株式会社 オートチューニング機能を備えた数値制御装置
JPH10296590A (ja) * 1997-04-28 1998-11-10 Komatsu Koki Kk 非円形部材の補正加工方法及びその加工装置
JP3435117B2 (ja) 2000-03-09 2003-08-11 ヤマザキマザック株式会社 加工制御システム
JP3904945B2 (ja) 2002-02-28 2007-04-11 スター精密株式会社 Ncプログラムのための最適データ変換方法および数値制御工作機械
GB0303270D0 (en) * 2003-02-13 2003-03-19 Renishaw Plc A machine tool control process and apparatus therefor
JP4411900B2 (ja) * 2003-08-08 2010-02-10 ソニー株式会社 電子機器間の相互成長システム、電子機器及びロボット装置
JP2005327191A (ja) 2004-05-17 2005-11-24 Fanuc Ltd サーボ制御装置
JP2007069330A (ja) * 2005-09-08 2007-03-22 Fanuc Ltd 放電加工装置の加工条件設定方法
US8060454B2 (en) * 2007-10-11 2011-11-15 International Business Machines Corporation Method and apparatus for improved reward-based learning using nonlinear dimensionality reduction
US9298172B2 (en) * 2007-10-11 2016-03-29 International Business Machines Corporation Method and apparatus for improved reward-based learning using adaptive distance metrics
CA2743518C (en) * 2008-11-21 2015-02-10 Precitec Itm Gmbh Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
JP4829359B2 (ja) * 2010-03-31 2011-12-07 ファナック株式会社 機上計測装置のプローブ取り付け位置算出方法
JP5708091B2 (ja) * 2011-03-18 2015-04-30 株式会社デンソーウェーブ ロボットの制御方法およびロボットの制御装置
JP5199440B1 (ja) * 2011-11-04 2013-05-15 ファナック株式会社 放電加工機の加工条件調整装置
JP5733166B2 (ja) * 2011-11-14 2015-06-10 富士通株式会社 パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法
CN103235553B (zh) * 2013-04-24 2015-07-22 山东大学 一种基于分数阶的数控加工尺寸误差自动补偿方法
JP6214922B2 (ja) * 2013-05-20 2017-10-18 日本電信電話株式会社 情報処理装置、情報処理システム、情報処理方法、および学習プログラム
JP6159647B2 (ja) * 2013-11-12 2017-07-05 三菱重工工作機械株式会社 工作機械の加工検査ワークを用いた機上計測方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010769A1 (fr) 1998-08-24 2000-03-02 Okuma Corporation Procede et appareil permettant de collecter des registres d'evenements concernant des operations d'usinage a commande numerique

Also Published As

Publication number Publication date
JP2017030067A (ja) 2017-02-09
US20170031328A1 (en) 2017-02-02
CN106406236A (zh) 2017-02-15
US10180667B2 (en) 2019-01-15

Similar Documents

Publication Publication Date Title
DE102016015866B3 (de) Maschinelle Lernvorrichtung, Robotercontroller, Robotersystem und maschinelles Lernverfahren zum Lernen des Handlungsmusters einer Person
DE102015008574B4 (de) System zum Modifizieren eines Roboterprogramms
DE102016009032B4 (de) Maschinenlerneinheit, Spindelersatzbeurteilungsvorrichtung, Steuerung, Werkzeugmaschine, Produktionssystem und maschinelles Lernverfahren, die zur Beurteilung der Notwendigkeit eines Spindelersatzes fähig sind
DE102016009113B4 (de) Maschinelle Lernvorrichtung, Robotercontroller, Robotersystem und maschinelles Lernverfahren zum Lernen des Handlungsmusters einer Person
DE102016011532B4 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung
DE102016116702B4 (de) Messsystem zum Kalibrieren der mechanischen Parameter eines Roboters
EP2564049B1 (de) STEUERGERÄT UND VERFAHREN ZUR BERECHNUNG EINER AUSGANGSGRÖßE FÜR EINE STEUERUNG
DE102012009461A1 (de) Numerische Steuervorrichtung mit einer Maschinenzeitvorhersageeinheit und einer Maschinenfehlervorhersageeinheit
DE202010017612U1 (de) Verbesserter genetischer Algorithmus mit mehreren Zielen für die Bauteildesignoptimierung
DE102017008475A1 (de) Maschinenlernvorrichtung, robotersystem und maschinenlernverfahren zum erlernen eines roboter-betriebsprogramms
EP2340469B1 (de) Vorrichtung und verfahren zur steuerung einer bearbeitungsanlage
DE102016013731A1 (de) Robotersystem mit Funktionen zum Vereinfachen von Lehrvorgängen und Verbessern der Betriebsleistung durch Lernen
DE4301130C2 (de) Verfahren und Vorrichtung zum Regeln eines Objektes unter Verwendung einer Lernfunktion
DE102015112072A1 (de) Servomotorsteuerung mit Selbstmessfunktion und Selbstüberwachungsfunktion der mechanischen Steifigkeit
DE102009050662B4 (de) Radiale MR-Datenerfassung in einem dreidimensionalen K-Raum mit einer Anordnung der Speichen gemäß einer Spiral-Phyllotaxis
JP2017030067A (ja) 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
DE112009003656T5 (de) Verfahren und System zur In-Produktionsoptimierung der Parameter eines zur Montage verwendeten Roboters
DE102014103731B4 (de) Anzeigevorrichtung von Schneidbedingungen
DE102011076780A1 (de) Verfahren und eine Vorrichtung zur Zustandsüberwachung
DE102017003943A1 (de) Zellensteuervorrichtung zum Optimieren von Bewegungen eines Produktionssystems, das Industriemaschinen umfasst
DE19963213A1 (de) Verfahren zur Steuerung/Regelung eines Prozesses in einem Kraftfahrzeug und Vorrichtung zur Durchführung des Verfahrens
DE112012001573B4 (de) Aktivvibrations- oder Geräuschunterdrückungssystem
DE102016013985A1 (de) Vorrichtung für maschinelles Lernen und Verfahren zum Optimieren der Laufruhe des Vorschubs der Vorschubachse einer Maschine und eine die Vorrichtung für maschinelles Lernen umfassende Motorsteuervorrichtung
EP1626317A2 (de) Verfahren zur Erstellung eines nichtlinearen, stationären oder dynamischen Modells einer Steuergrösse einer Arbeitsmaschine
DE102017011350A1 (de) Maschinenlernvorrichtung, lebensdauerprognosevorrichtung, numerische steuereinrichtung, produktionssystem und maschinenlernverfahren zum prognostizieren einer lebensdauer eines nand-flash-speichers

Legal Events

Date Code Title Description
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee