DE102017005349A1

DE102017005349A1 - Maschinenlernvorrichtung, numerische steuervorrichtung und maschinenlernverfahren zum lernen eines schwellenwerts zum erkennen einer anomalen last

Info

Publication number: DE102017005349A1
Application number: DE102017005349.9A
Authority: DE
Inventors: Kanta TAKAYAMA; Kazuo Sato; Hideaki Maeda
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2016-06-09
Filing date: 2017-06-02
Publication date: 2017-12-14
Also published as: US20170357243A1; CN107491038B; CN107491038A; US10585417B2; JP2017220111A; JP6542713B2

Abstract

Eine Maschinenlernverfahren 3 zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last in einer Werkzeugmaschine 20 umfasst eine Statusbeobachtungseinheit 31 und eine Lerneinheit 32. Die Statusbeobachtungseinheit 31 beobachtet eine Statusvariable Din, Din', die auf Basis zumindest eines aus einer Information zu einem Werkzeug, einer Hauptspindelumdrehungsrate und einer Menge an Kühlmittel der Werkzeugmaschine 20, Material eines Werkstücks und Bewegungsrichtung, Schneidgeschwindigkeit und Schneidtiefe des Werkzeugs; und die Lerneinheit 32 lernt den Schwellenwert zum Erkennen einer anomalen Last auf Basis von Schulungsdaten, die anhand einer Ausgabe der Statusbeobachtungseinheit und von Daten erstellt werden, die mit dem Erkennen einer anomalen Last in der Werkzeugmaschine in Zusammenhang stehen, und auf Basis von Lehrerdaten Dt.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf eine Maschinenlernvorrichtung, eine numerische Steuervorrichtung und ein Maschinenlernverfahren zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last.
2. Beschreibung des verwandten Standes der Technik
In den letzten Jahren wurden Techniken zum Erkennen eines anomalen Lastdrehmoments vorgeschlagen, das z. B. aus einer Maschinenkollision, einem Defekt in einem Schneidwerkzeug oder einem Schaden an einer numerischen Steuervorrichtung (NC-Vorrichtung) zum Steuern einer Werkzeugmaschine resultiert. Ein Lastdrehmoment tritt z. B. in Reaktion auf Bewegungs- und Schneidbefehle des G-Codes auf, die Größenordnung eines Lastdrehmoments ist jedoch schwierig zu prognostizieren, da es sich je nach einer Mehrzahl von Faktoren wie z. B. Schneidgeschwindigkeit und Schneidtiefe ändert.
Daher wird ein Schwellenwert zum Beurteilen, dass ein anomales Lastdrehmoment angewandt wird, z. B. auf die Summe eines Drehmomentwerts, der für den Motor charakteristisch ist, und eines Drehmomentwerts, der als geeignet erachtet wird, um eine gewisse Abweichung (Toleranz) zu berücksichtigen, eingestellt. Natürlich umfassen numerische Steuervorrichtung (NC-Vorrichtungen) hierin computergestützte numerische Steuervorrichtungen (CNC-Vorrichtungen). Ferner umfassen Werkzeugmaschinen z. B. Drehbanken, Drillmaschinen, Bohrmaschinen, Fräsmaschinen, Schleifmaschinen, Zahnradschneide- und Zahnradfertigstellungsmaschinen, Bearbeitungszentren, elektrische Entladungsmaschinen, Stanzpressen, Lasermaschinen, Transportmaschinen, Kunststoffspritzgussmaschinen und diverse andere.
Üblicherweise werden diverse Vorschläge zum korrekten Steuern von Werkzeugmaschinen gemäß Bearbeitungsbedingungen der NC-Vorrichtungen unterbreitet. Beispielsweise wird ein Verfahren zum Lernen einer Funktion zum automatischen Generieren von Bearbeitungsbedingungsdaten zum Steuern eines Bearbeitungsstatus einer NC-Vorrichtung vorgeschlagen ( japanisches offengelegtes Patent mit der Veröffentlichungs-Nr. H04(1992)-075848 : Patentliteratur 1). Bei dem in der Patentliteratur 1 beschriebenen Verfahren werden Daten von Bearbeitungsfaktoren, die die Bearbeitungsbedingungsdaten beeinflussen, während einer tatsächlichen Bearbeitung eingegeben und wird eine Korrekturhöhe für die Bearbeitungsbedingungsdaten unter Verwendung eines neuronalen Netzes berechnet. Die aus dem neuronalen Netz ausgegebene Korrekturhöhe wird beurteilt und wenn die Korrekturhöhe auf Basis der Beurteilung modifiziert wird, wird die modifizierte Höhe als Lehrerdaten in der Speichervorrichtung gesammelt, gemeinsam mit den Daten, die zu diesem Zeitpunkt in das neuronale Netz eingegeben werden. Auf Basis der gesammelten Eingabedaten und Lehrerdaten werden die Verbindungsparameter des neuronalen Netzes offline unter Verwendung einer Vorrichtung gelernt, die von der NC-Vorrichtung für die Bearbeitung getrennt ist.
Üblicherweise wird eine NC-Vorrichtung mit einer Leerlaufkorrekturfunktion bereitgestellt, wobei die Vorrichtung Positionen auf Basis von Befehlen aus dem numerischen Steuerprogramm und Positionsrückkopplungssignalen steuert, wobei die Vorrichtung ein mehrschichtiges Interferenzmittel des neuronalen Netzes, ein Leerlaufkorrekturhöhenberechnungsmittel und ein Verbindungsgewichtparameterberechnungsmittel umfasst (z. B. japanisches Patent Nr. 2768569 : Patentliteratur 2). Im mehrschichtigen Mittel des neuronalen Netzes werden Messdaten zu Geschwindigkeit, Position und Spindelschmierstatus in die Eingabeschicht eingegeben und eine Leerlaufhöhe oder ein Leerlauffaktor, der von den eingegebenen Daten abgeleitet wird, wird aus der Ausgabeschicht ausgegeben. Das Leerlaufkorrekturhöhenberechnungsmittel berechnet die Leerlaufkorrekturhöhe auf Basis der Leerlaufhöhe oder des Leerlauffaktors, wie aus dem mehrschichtigen Interferenzmittel des neuronalen Netzes ausgegeben. Das Verbindungsgewichtparameterberechnungsmittel berechnet Verbindungsgewichtparameter zwischen den Schichten des mehrschichtigen Interferenzmittels des neuronalen Netzes aus den Lehrerdaten, wobei es sich um die Daten zu Bedingungen handelt, unter denen ein Leerlauf gemessen wird, d. h. Geschwindigkeit, Position und Spindelschmierstatus, wie vorab gemessen, und die Leerlaufhöhe, die unter der Messbedingung gemessen wird.
Ferner wird üblicherweise ein Bearbeitungszentrum für Matrizen- und Formteilbearbeitung und dergleichen vorgeschlagen, das ein Datenverarbeitungsmittel zum Verarbeiten von Daten, die für die Bearbeitung erforderlich sind, und ein Steuermittel zum Steuern des Bearbeitungszentrums auf Basis der Daten, die von Datenverarbeitungsmittel verarbeitet werden, umfasst (z. B. japanisches offengelegtes Patent mit der Veröffentlichungs-Nr. H10(1998)-034496 : Patentliteratur 3). Das Bearbeitungszentrum umfasst ferner ein Messmittel zum Messen eines Drehauslaufs des Werkzeugs, ein Beobachtungsmittel zum Beobachten der Spitze des Werkzeugs und ein Schwingungserkennungsmittel zum Erkennen einer anomalen Schwingung des Werkzeugs, und das Datenverarbeitungsmittel verarbeitet Daten, die für die Bearbeitung erforderlich sind, durch Korrelieren des Status des Werkzeugs, wie durch das Messmittel, das Beobachtungsmittel und das Schwingungserkennungsmittel erkannt, mit dem NC-Programm, das vom Werkzeug ausgeführt wird, auf Ebene der Zeilenzahl des NC-Programms.
Wie oben beschrieben, wurden Techniken zum Erkennen eines anomalen Lastdrehmoments vorgeschlagen, das z. B. aus einer Maschinenkollision, einem Defekt in einem Schneidwerkzeug (scharfes Werkzeug) oder einem Schaden in einer NC-Vorrichtung resultieren, die Größenordnung von Lastdrehmomentänderungen ändert sich jedoch je nach diversen Faktoren wie z. B. Schneidgeschwindigkeit und Schneidtiefe und es ist schwierig, einen Schwellenwert zum Beurteilen, dass ein anomales Lastdrehmoment angelegt wird, zu berechnen.
In der oben beschriebenen Patentliteratur 1 wird eine Korrekturhöhe beurteilt, in Patentliteratur 2 hingegen sind Geschwindigkeit und Position die Eingabe und ist der Leerlauf die Ausgabe, was bedeutet, dass keine der Techniken zum Berechnen eines Schwellenwerts zum Beurteilen, dass ein anomales Lastdrehmoment angelegt wird, vorgesehen ist. Die Technik in Patentliteratur 3 ist zum Erkennen einer anomalen Schwingung vorgesehen und wiederum nicht zum Berechnen eines Schwellenwerts zum Beurteilen, dass ein anomales Lastdrehmoment angelegt wird.
8A und 8B sind Graphen, die ein Beispiel und Probleme in Bezug auf Schwellenwerte zum Erkennen einer anomalen Last mit einer herkömmlichen Technik veranschaulichen, wobei 8A Beziehungen zwischen Lastdrehmoment und Zeit während einer Verarbeitung durch eine Werkzeugmaschine zum Schneiden veranschaulicht und 8B ein Beispiel veranschaulicht, bei den eine anomale Last angelegt wird.
8A und 8B veranschaulichen ein Beispiel für eine Drehbank, die eine Bearbeitung gemäß einem Programm durchführt, indem sie durch eine NC-Vorrichtung (NC-Drehbank) gesteuert wird, wobei die Ordinatenachse ein Lastdrehmoment ausweist und Abszissenachse eine verstrichene Zeit t ausweist. In 8A und 8B indiziert das Bezugszeichen P1 den Annäherungszeitraum, indiziert P2 den Zeitraum zum Starten des Schneidvorgangs und indiziert P3 den Zeitraum zum konstanten Schneiden nach Start des Schneidvorgangs. In 8A indiziert das Bezugszeichen Lth01 einen hohen Schwellenwert zum Erkennen einer anomalen Last, indiziert Lth02 einen niedrigen Schwellenwert zum Erkennen einer anomalen Last und indiziert TC0 ein Beispiel für eine übliche Schwankungskurve eines Lastdrehmoments.
In 8B indiziert das Referenzzeichen TC1 ein Beispiel für eine Schwankungskurve eines Lastdrehmoments bei einer Grobbearbeitung und indiziert TC2 ein Beispiel für eine Schwankungskurve eines Lastdrehmoments bei einer Fertigbearbeitung. In der Schwankungskurve TC2 eines Lastdrehmoments bei der Fertigbearbeitung tritt eine Anomalie (anomale Last) an dem durch das Bezugszeichen ABN indizierten Punkt auf.
Wie in 8A veranschaulicht, ist, wenn z. B. eine Schneidverarbeitung gemäß einem Programm von einer NC-Drehbank durchgeführt wird, ein Lastdrehmoment zunächst im Annäherungszeitraum P1 sehr klein, da sich das Schneidwerkzeug während dieses Zeitraums dem Werkstück (Zielobjekt) lediglich nähert. Das Lastdrehmoment nimmt sodann im Zeitraum zum Starten des Schneidens P2 zu, während das Schneidwerkzeug auf das Werkstück trifft und mit dem Schneiden beginnt. Im Zeitraum eines konstanten Schneidvorgangs P3 wird das Lastdrehmoment auf einem Wert, der geringer als der Spitzenwert während des Zeitraums zum Starten des Schneidens P2 ist, konstant, da sich das Lastdrehmoment bei einer Schneidmenge stabilisiert, die kleiner als während des Zeitraums zum Starten des Schneidens P2 ist.
Wenn sich das Lastdrehmoment ändert, wie in 8A veranschaulicht, können Werte diverser Größenordnung, z. B. zwischen einem hohen Schwellenwert Lth01 und einem niedrigen Schwellenwert Lth02, als Schwellenwert zum Erkennen einer Anomalie im Lastdrehmoment (Schwellenwert zum Erkennen einer anomalen Last) ausgewählt werden, ein Schwellenwert zum Erkennen einer anomalen Last, der sich für eine spezifische Situation am besten eignet, ist jedoch schwer zu berechnen.
Wie in 8B veranschaulicht, unterscheiden sich z. B. ferner die Schwankungskurve TC1 eines Lastdrehmoments bei einer Grobverarbeitung und die Schwankungskurve TC2 eines Lastdrehmoments bei einer Fertigbearbeitung stark und demgemäß ist es, wenn der Schwellenwert zum Erkennen einer anomalen Last Lth1 bei einer Grobbearbeitung ausgewählt ist, z. B. schwierig, beispielsweise das Auftreten einer Anomalie am Punkt ABN auf der Schwankungskurve TC2 eines Lastdrehmoments bei einer Fertigbearbeitung zu erkennen. Anders ausgedrückt ist es, da die Größenordnung eines Lastdrehmoments sich je nach diversen Faktoren wie z. B. Schneidgeschwindigkeit und Schneidtiefe ändert, alles andere als einfach, einen Schwellenwert zum Beurteilen, dass ein anomales Lastdrehmoment angelegt wird, zu berechnen.
Angesichts der oben beschriebenen Probleme bei den herkömmlichen Techniken liegt ein Ziel der vorliegenden Erfindung in der Bereitstellung einer Maschinenlernvorrichtung, die in der Lage ist, einen Schwellenwert zum Erkennen einer anomalen Last, d. h. einen Schwellenwert, der sich eignet, um zu beurteilen, dass ein anomales Lastdrehmoment angelegt wird, entsprechend zu berechnen, und eines Maschinenlernverfahrens.
KURZFASSUNG DER ERFINDUNG
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird eine Maschinenlernvorrichtung zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last in einer Werkzeugmaschine bereitgestellt, umfassend eine Statusbeobachtungseinheit, die eine Statusvariable beobachtet, die auf Basis zumindest eines aus einer Information zu einem Werkzeug, einer Hauptspindelumdrehungsrate und einer Menge an Kühlmittel der Werkzeugmaschine, Material eines Werkstücks und Bewegungsrichtung, Schneidgeschwindigkeit und Schneidtiefe des Werkzeugs; und eine Lerneinheit, die den Schwellenwert zum Erkennen einer anomalen Last auf Basis von Schulungsdaten, die anhand einer Ausgabe der Statusbeobachtungseinheit und von Daten erstellt werden, die mit dem Erkennen einer anomalen Last in der Werkzeugmaschine in Zusammenhang stehen, und auf Basis von Lehrerdaten lernt.
Die Lerneinheit kann eine Fehlerberechnungseinheit, die einen Fehler zwischen den Schulungsdaten und den Lehrerdaten berechnet; und eine Lernmodellaktualisierungseinheit umfassen, die ein Lernmodell zum Definieren eines Fehlers eines Zustands, der mit dem Erkennen einer anomalen Last in der Werkzeugmaschine korreliert, auf Basis einer Ausgabe der Statusbeobachtungseinheit und einer Ausgabe der Fehlerberechnungseinheit aktualisiert. Die Schulungsdaten können Daten in Zusammenhang mit einem prognostiziert Laststromwert, der ein Wert zur Prognose eines Stroms durch eine Last ist, und die Lehrerdaten können Daten in Zusammenhang mit einem gemessenen Laststromert sein, der ein Wert einer tatsächlichen Messung eines Stroms durch die Last ist.
Die Information zu einem Werkzeug kann eine Information zu Typ, Material und Durchmesser des Werkzeugs umfassen. Die Maschinenlernvorrichtung kann auf einem Cloud-Server sein. Die Maschinenlernvorrichtung kann auf einem Fog-Server sein. Die Maschinenlernvorrichtung kann mit zumindest einer anderen Maschinenlernvorrichtung verbindbar sein und kann ein Ergebnis eines Maschinenlernens mit der zumindest einen anderen Maschinenlernvorrichtung untereinander austauschen oder gemeinsam nutzen. Die Maschinenlernvorrichtung kann ein neuronales Netz umfassen.
Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird eine numerische Steuervorrichtung bereitgestellt, die die Maschinenlernvorrichtung gemäß dem oben beschriebenen ersten Aspekt umfasst und das Maschinenwerkzeug steuert, wobei die numerische Steuervorrichtung eine anomale Last in der Werkzeugmaschine auf Basis des Schwellenwerts zum Erkennen einer anomalen Last erkennt, wie von der Maschinenlernvorrichtung gelernt. Die numerische Steuervorrichtung kann beurteilen, dass eine anomale Last in der Werkzeugmaschine erkannt wurde, wenn ein gemessener Laststromwert, der ein Wert einer tatsächlichen Messung eines Stroms durch eine Last ist, größer als die Summe des Schwellenwerts zum Erkennen einer anomalen Last und einer vordefinierten Abweichungshöhe ist.
Die numerische Steuervorrichtung kann in Phasen arbeiten, umfassend eine Lernphase zum Lernen des Schwellenwerts zum Erkennen einer anomalen Last und eine Anwendungsphase zum Steuern der Werkzeugmaschine, um das Werkstück tatsächlich zu bearbeiten, wobei das Lernen für den Schwellenwert zum Erkennen einer anomalen Last in der Lernphase durchgeführt werden kann, auf Basis jeweiliger Laststromwerte für Bearbeitungsbedingungen, indem eine vorher geplante Übungsbearbeitung durchgeführt wird, und eine anomale Last kann in der Werkzeugmaschine in der Anwendungshase durch Vergleichen des gelernten Schwellenwerts zum Erkennen einer anomalen Last mit dem gemessenen Laststromwert, der ein Wert einer tatsächlichen Messung eines Stroms durch die Last ist, erkannt werden. Das Lernen für den Schwellenwert zum Erkennen einer anomalen Last kann auch in der Anwendungsphase durchgeführt werden.
Gemäß einem dritten Aspekt der vorliegenden Erfindung wird ein Maschinenlernverfahren zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last in einer Werkzeugmaschine bereitgestellt, umfassend das Beobachten einer Statusvariable, die auf Basis zumindest eines aus einer Information zu einem Werkzeug, einer Hauptspindelumdrehungsrate und einer Menge an Kühlmittel der Werkzeugmaschine, Material eines Werkstücks und Bewegungsrichtung, Schneidgeschwindigkeit und Schneidtiefe des Werkzeugs; und das Lernen des Schwellenwerts zum Erkennen einer anomalen Last auf Basis von Schulungsdaten, auf Basis von Schulungsdaten, die anhand der Statusvariable und von Daten erstellt werden, die mit dem Erkennen einer anomalen Last in der Werkzeugmaschine in Zusammenhang stehen, und auf Basis von Lehrerdaten.
Das Lernen des Schwellenwerts zum Erkennen einer anomalen Last kann das Berechnen eines Fehlers zwischen den Schulungsdaten und den Lehrerdaten; und das Aktualisieren eines Lernmodells zum Definieren eines Fehlers eines Zustands, der mit dem Erkennen einer anomalen Last in der Werkzeugmaschine korreliert, auf Basis der Statusvariable und des berechneten Fehlers zwischen den Schulungsdaten und den Lehrerdaten umfassen. Die Schulungsdaten können Daten in Zusammenhang mit einem prognostiziert Laststromwert, der ein Wert zur Prognose eines Stroms durch eine Last ist, und die Lehrerdaten können Daten in Zusammenhang mit einem gemessenen Laststromert sein, der ein Wert einer tatsächlichen Messung eines Stroms durch die Last ist.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockschaubild, das ein Beispiel für eine numerische Steuervorrichtung zum Steuern einer Werkzeugmaschine schematisch veranschaulicht;
2 ist ein Blockschaubild, das Hauptteile der Werkzeugmaschine und der numerischen Steuervorrichtung in 1 veranschaulicht;
3 ist ein Blockschaubild, das ein Beispiel für eine Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht;
4 ist ein Schaubild, das ein Beispiel für eine Lernphase beim Betrieb der Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht;
5 ist ein Schaubild, das ein Beispiel für eine Anwendungsphase beim Betrieb der Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht;
6 ist Graph, der ein Beispiel für einen Schwellenwert zum Erkennen einer anomalen Last, wie durch die Maschinenlernvorrichtung erhalten, gemäß der vorliegenden Ausführungsform veranschaulicht;
7 ist ein Blockschaubild, das ein Beispiel für ein Netzwerk veranschaulicht, in dem die Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform angewandt wird; und
8A und 8B sind Graphen, die ein Beispiel und Probleme in Bezug auf Schwellenwerte zum Erkennen einer anomalen Last mit einer herkömmlichen Technik veranschaulichen.
AUSFÜHRLICHE BESCHREIBUNG
Im Folgenden werden eine Ausführungsform einer Maschinenlernverfahren, einer numerischen Steuervorrichtung und eines Maschinenlernverfahrens der vorliegenden Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen ausführlich beschrieben. 1 ist ein Blockschaubild, das ein Beispiel für eine numerische Steuervorrichtung zum Steuern einer Werkzeugmaschine schematisch veranschaulicht.
Wie in 1 veranschaulicht, umfasst die numerische Steuervorrichtung (NC-Vorrichtung) 10 z. B. eine CPU (zentrale Verarbeitungseinheit oder Prozessor) 111, einen ROM (Nur-Lese-Speicher) 112, einen RAM (Direktzugriffsspeicher) 113, eine E/A (Eingabe/Ausgabe) 124, einen nichtflüchtigen Speicher 114 (z. B. Flash-Speicher), einen Spindelsteuerkreis 118 und eine PMC (programmierbare Maschinensteuervorrichtung) 122, die allesamt mit einem Bus 121 verbunden sind. Mit dem Bus 121 sind z. B. ein Graphiksteuerkreis 115, ein Softwareschlüssel 123 und eine Tastatur 117 einer Anzeigevorrichtung/eines MDI-Felds (manuelle Dateneingabe) 125 verbunden. Die Anzeigevorrichtung/das MDI-Feld 125 ist mit einer Anzeigevorrichtung 116 wie z. B. einer LCD (Flüssigkristallanzeige) versehen, die mit dem Graphiksteuerkreis 115 verbunden ist. Eine Werkzeugmaschine 20 (ein Motor, der für eine Werkzeugmaschine bereitgestellt ist) wird z. B. durch eine PMC 122 und einen Servoverstärker 119 gesteuert, der mit dem Spindelsteuerkreis 118 verbunden ist.
Beispielsweise steuert die CPU 111 die gesamte NC-Vorrichtung 10 gemäß einem Systemprogramm, das im ROM 112 gespeichert ist. Der RAM 113 speichert diverse Daten oder Eingabe-/Ausgabesignale und der nichtflüchtige Speicher 114 speichert z. B. Positionsinformationen, Geschwindigkeitsinformationen, Beschleunigungsinformationen und Informationen zu Positionierungsabweichungen, Drehmomentbefehle, Laststromwerte und Schwingungswerte, Elemente der oben erwähnten Informationen, die auf Basis von Zeitinformationen bezüglich des Zeitpunkts ihres Erhalts chronologisch gespeichert werden.
Der Graphiksteuerkreis 115 wandelt digitale Signale um, um Signale anzuzeigen und die umgewandelten Signale an die Anzeigevorrichtung 116 zu senden, und die Tastatur 117 umfasst numerische Tasten, Buchstabentasten und dergleichen zum Eingeben diverser Einstellungsdaten. Der Spindelsteuerkreis 118 empfängt Bewegungsbefehle für die Spindeln von der CPU 111 und gibt Befehle für die Spindeln an den Servoverstärker 119 aus und der Servoverstärker 119 wiederum treibt die Servomotoren 21 an, die für die Werkzeugmaschine 20 bereitgestellt sind, gemäß den Bewegungsbefehlen vom Spindelsteuerkreis 118.
Wenn das Bearbeitungsprogramm ausgeführt wird, empfängt die PMC 122 ein T-Funktionssignal (Werkzeugauswahlbefehl) oder dergleichen über den Bus 121 und verarbeitet dieses Signal gemäß dem Sequenzprogramm, um einen Betriebsbefehl zu erhalten, so dass die Werkzeugmaschine 20 gesteuert wird. Die PMC 122 empfängt ein Statussignal von der Werkzeugmaschine 20 und sendet ein gewisses Eingabesignal an die CPU 111. Die Funktion der Softwaretaste 123 variiert z. B. je nach Systemprogramm oder dergleichen und die I/O (Schnittstelle) 124 sendet NC-Daten an eine externe Speichervorrichtung oder dergleichen.
2 ist ein Blockschaubild, das Hauptteile der Werkzeugmaschine und der numerischen Steuervorrichtung in 1 veranschaulicht. Wie in 2 veranschaulicht, umfasst die NC-Vorrichtung (numerische Steuervorrichtung) 10 z. B. eine Spindelantriebsteuereinheit 11, eine Datenerhaltungseinheit 12 und eine Anzeigeeinheit 13. Die Werkzeugmaschine 20 umfasst z. B. Servomotoren 21x, 21y, 21z, 21A und 21B zum Antreiben der Vorschubspindeln und die Servomotoren 21x, 21y, 21z, 21A, und 21B werden gemäß Drehmomentbefehlen von der Spindelantriebssteuereinheit 11 der NC-Vorrichtung 10 über einen Servoverstärker (der z. B. dem Servoverstärker 119 in 1 entspricht) angetrieben und gesteuert. Bei der vorliegenden Beschreibung entspricht ein Lastdrehmoment einem Laststrom, z. B. zum Antreiben jedes der Servomotoren 21x, 21y, 21z, 21A und 21B.
Die Servomotoren 21x, 21y, 21z, 21A und 21B sind jeweils mit Positionserkennungsvorrichtungen 22x, 22y, 22z, 22A und 22B versehen und die Positionserkennungsvorrichtungen 22x, 22y, 22z, 22A und melden Positionsinformationen jeweiliger Servomotoren 22B 21x, 21y, 21z, 21A und 21B an die Spindelantriebssteuereinheit 11 zurück.
Gemäß dem Bewegungsbefehl, der von der numerischen Steuereinheit ausgegeben wird, die das Bearbeitungsprogramm der NC-Vorrichtung 10 analysiert und verarbeitet, und der Positionierungsinformation Sa, die vom Servomotor 21 rückgemeldet wird, berechnet die Spindelantriebssteuereinheit 11 eine Geschwindigkeitsinformation Sb, eine Beschleunigungsinformation Sc, eine Positionierungsabweichung sd und einen Drehmomentbefehl Se jeder Antriebsspindel, erhält einen Laststromwert Sf des Servoverstärkers, erhält Schwingungswerte Scannergerät von den Schocksensoren, die jeweils für die Spindelmotoren bereitgestellt sind, und gibt die Informationselemente gemeinsam mit der rückgemeldeten Positionierungsinformation Sa an die Datenerhaltungseinheit 12 aus.
Die Datenerhaltungseinheit 12 erhält Informationselemente von der Spindelantriebssteuereinheit 11 in gewissen Intervallen und zum gleichen Zeitpunkt. Auch wenn die Informationselemente von der Spindelantriebssteuereinheit 11 in gewissen Intervallen und zum gleichen Zeitpunkt erhalten werden, kann die Datenerhaltungseinheit 12 auch die Zahl des Blocks des Bearbeitungsprogramms erhalten, das gerade ausgeführt wird, die in der NC-Vorrichtung 10 erhalten werden kann. Man bemerke, dass 1 und 2 lediglich der Veranschaulichung dienen und z. B. NC-Vorrichtungen, die eine Ausführungsform der Maschinenlernvorrichtung gemäß der vorliegenden Erfindung umfassen, sind nicht auf die in 1 und 2 veranschaulichten beschränkt.
3 ist ein Blockschaubild, das ein Beispiel für eine Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht. Die Maschinenlernvorrichtung 3, die in 3 veranschaulicht ist, ist eine Anwendung von überwachtem Lernen und lernt einen Schwellenwert zum Erkennen einer Anomalie in einem Lastdrehmoment (Schwellenwert zum Erkennen einer anomalen Last). Beim überwachten Lernen werden Lehrerdaten Dt, d. h. ein Satz einer großen Anzahl von Paaren von Eingaben und Ergebnissen (Markierungen) an eine Maschinenlernvorrichtung bereitgestellt und die Maschinenlernvorrichtung lernt dadurch Merkmale in Datensatz und leitet daraus ein Modell (Lernmodell) zum Herleiten von Ergebnissen aus Eingaben, d. h. Beziehung zwischen Eingaben und Ausgaben, ab.
Wie in 3 veranschaulicht, umfasst die Maschinenlernvorrichtung 3 eine Statusbeobachtungseinheit 31 und eine Lerneinheit 32. In die Statusbeobachtungseinheit 31 werden z. B. Informationen zu einem Werkzeug wie z. B. einem Schneidwerkzeug (Typ, Material, Durchmesser und dergleichen), Bewegungsrichtung des Werkzeugs, Material eines Werkstücks, Schneidgeschwindigkeit, Hauptspindel umdrehungsrate, Schneidtiefe und Menge an Kühlmittel (Vorrat) als Statusvariablen (Statusmenge) eingegeben. Diese Statusvariablen können z. B. als Eingabedaten Din von der NC-Vorrichtung 10 eingegeben werden und können als Eingabedaten Din' von der Werkzeugmaschine 20 eingegeben werden. Anders ausgedrückt können Statusvariablen (Din'), die von der Werkzeugmaschine 20 einzugeben sind, z. B. Daten, die von diversen Sensoren erkannt werden, die für die Werkzeugmaschine 20 bereitgestellt sind (z. B. Temperatursensoren und dergleichen, die an den Servomotoren angebracht sind), Daten, die durch den Benutzer erhalten werden, der die Werkzeugmaschine 20 bedient, oder diverse andere Daten sein. Die Maschinenlernvorrichtung 3 kann z. B. für jede NC-Vorrichtung 10 bereitgestellt sein oder kann z. B. auf einem Cloud-Server oder einem Fog-Server bereitgestellt sein, der auf einer niedrigeren Ebene als der Cloud-Server angeordnet ist, der über ein Netzwerk mit den NC-Vorrichtungen beschrieben ist, wie nachstehend unter Bezugnahme auf 7 beschrieben.
Die Lerneinheit 32 empfängt beobachtete Statusvariablen (Din, Din') von der Statusbeobachtungseinheit 31, erstellt Schulungsdaten und lernt einen Schwellenwert zum Erkennen einer anomalen Last auf Basis der Schulungsdaten und der Lehrerdaten Dt, die von außen eingegeben werden. Anders ausgedrückt umfasst, wie in 3 veranschaulicht, die Lerneinheit 32 eine Fehlerberechnungseinheit 321 und eine Lernmodellaktualisierungseinheit 322 und berechnet die Fehlerberechnungseinheit 321 den Fehler zwischen den Schulungsdaten und den Lehrerdaten Dt. Die Lernmodellaktualisierungseinheit 322 empfängt die Ausgabe der Statusbeobachtungseinheit 31 und die Ausgabe der Fehlerberechnungseinheit 321 und aktualisiert das Lernmodell zum Definieren eines Fehlers einer Bedingung, die mit einem Schwellenwert zum Erkennen einer anomalen Last korreliert ist.
Die Maschinenlernvorrichtung 3 kann z. B. unter Verwendung eines Algorithmus wie einem neuronalen Netz umgesetzt sein. Universalcomputer oder -prozessoren können für die Maschinenlernvorrichtung 3 verwendet werden und GPGPU (allgemeine Berechnung auf Graphikverarbeitungseinheiten) oder ein großskaliertes PC-Clustering kann z. B. verwendet werden, um eine Hochgeschwindigkeitsverarbeitung zu erzielen.
Was die Lehrerdaten Dt betrifft, so können, z. B. wenn ein und dieselbe NC-Vorrichtung verwendet wird, um ein und dieselbe Werkzeugmaschine zu veranlassen, identische Aufgaben auszuführen, markierte Daten, die bis einen Tag vor dem Tag, an dem die Aufgabe tatsächlich ausgeführt wird, erhalten und gespeichert werden, an die Fehlerberechnungseinheit 321 als Lehrerdaten bereitgestellt werden. Alternativ können z. B. Daten, die durch Simulationen und dergleichen erhalten werden, die außerhalb der NC-Vorrichtung durchgeführt werden, der Fehlerberechnungseinheit 321 der Maschinenlernvorrichtung 3 unter Verwendung einer Speicherkarte oder über Kommunikationsleitungen als Lehrerdaten Dt bereitgestellt werden. Ferner können Lehrerdaten (markierte Daten) Dt z. B. in einem nichtflüchtigen Speicher wie z. B. einem Flash-Speicher gespeichert werden, der in der Lerneinheit 32 enthalten ist, und die im nichtflüchtigen Speicher gespeicherten markierten Daten können von der Lerneinheit 32 wie sie sind verwendet werden.
4 ist ein Schaubild, das ein Beispiel für eine Lernphase beim Betrieb der Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht, und 5 ist ein Schaubild, das ein Beispiel für eine Anwendungsphase beim Betrieb der Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform veranschaulicht. 6 ist Graph, der ein Beispiel für einen Schwellenwert zum Erkennen einer anomalen Last, wie durch die Maschinenlernvorrichtung erhalten, gemäß der vorliegenden Ausführungsform veranschaulicht.
Unter Bezugnahme auf 4 und 5 wird ein Beispiel beschrieben, bei dem ein Schwellenwert zum Erkennen einer anomalen Last in der Lernphase gelernt wird und der Schwellenwert zum Erkennen einer anomalen Last, wie durch das Lernen erhalten, in der tatsächlichen Anwendungsphase verwendet wird, um eine anomale Last zu erkennen. Anders ausgedrückt arbeitet die NC-Vorrichtung (numerische Steuervorrichtung) 10 in Phasen, die die Lernphase zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last und die Anwendungsphase zum Steuern der Werkzeugmaschine 20 umfassen, um ein Werkstück tatsächlich zu bearbeiten.
Wie in 4 veranschaulicht, wird zunächst eine numerisch codierte Information eines Werkzeugs (z. B. Information zum Typ, Material und Durchmesser des Werkzeugs: X1), numerisch codiertes Material des Werkstücks (X2), Bewegungsrichtung der Werkzeugs (Vorschubraten der Spindeln: X3), Schneidgeschwindigkeit (Zusammensetzung von Geschwindigkeiten: X4), Hauptspindelumdrehungsrate (X5) und Schneidtiefe (Kühlmittelmenge: X6) als Eingaben (Statusvariablen) an die Maschinenlernvorrichtung 3 bereitgestellt, die ein neuronales Netz 300 umfasst, in einem Zyklus von z. B. Millisekunden bis zig Millisekunden.
Man beachte, dass das neuronale Netz 300 in 4 (5) lediglich der Einfachheit halber mit drei Schichten gezeigt ist und es natürlich tatsächlich weitaus mehr Schichten aufweist. Ferner müssen nicht alle der oben beschriebenen X1 bis X6 als Statusvariablen an das neuronale Netz 300 bereitgestellt werden und ist es ausreichend, zumindest eines dieser an das neuronale Netz bereitzustellen. Ferner sind Statusvariablen, die an das neuronale Netz 300 bereitgestellt werden, nicht auf die oben beschriebenen X1 bis X6 begrenzt und können z. B. andere Daten in Zusammenhang mit der Werkzeugmaschine 20 oder dem Werkstück umfassen.
Außerdem kann z. B. jeder der Servomotoren 21x, 21y, 21z, 21A und 21B, wie in 2 veranschaulicht, als Last herangezogen werden und kann der Schwellenwert zum Erkennen einer anomalen Last, wie durch Lernen erhalten, z. B. ein getrennter Schwellenwert für jeden der Servomotoren 21x, 21y, 21z, 21A und 21B sein, die den bereitgestellten Eingaben X1 bis X6 entsprechen. Der Schwellenwert zum Erkennen einer anomalen Last, die durch Lernen erhalten wird, muss jedoch kein getrennter Schwellenwert für jeden der Servomotoren sein, sondern kann ein Schwellenwert für eine Mehrzahl von Servomotoren sein.
Es wird bevorzugt, dass in der Lernphase z. B. ein Werkstück mit einer vorher geplanten Übungsbearbeitung bearbeitet wird, um einen Schwellenwert zum Erkennen einer anomalen Last zu lernen, auf Basis der Laststromwerte unter diversen Bearbeitungsbedingungen. In der Lernphase wird z. B. ein prognostizierter Laststromwert, der ein Wert einer Prognose eines Stroms durch die Last ist, als Ausgabe W vom neuronalen Netz 300 (Maschinenlernvorrichtung 3) ausgegeben. Die Maschinenlernvorrichtung 3 führt ein Lernen durch, so dass die Schulungsdaten in Zusammenhang mit dem prognostizierten Laststromwert W mit den Lehrerdaten D übereinstimmen können, die die Daten in Zusammenhang mit dem gemessenen Laststromwert sind, der ein Wert einer tatsächlichen Messung des Stroms durch die Last D ist. Anders ausgedrückt, wenn die Verlustfunktion y(Xn, W), D ist, werden die Prozesse in der Lernphase fortgesetzt, bis die Verlustfunktion einem gewissen Wert näherkommt.
Wie in 5 veranschaulicht, werden sodann Eingaben X1 bis X6 in der Anwendungsphase, wie in der oben beschriebenen Lernphase, als Eingaben an das neuronale Netz 300 bereitgestellt. An diesem Punkt, da das neuronale Netz 300 das Lernen in der Lernphase abgeschlossen hat, gibt das neuronale Netz 300 einen prognostizierten Laststromwert W als Schwellenwert zum Erkennen einer anomalen Last aus, die den Eingaben X1 bis X6 entspricht.
Wie in 5 und 6 veranschaulicht, wird der gelernte Schwellenwert zum Erkennen einer anomalen Last (prognostizierter Laststromwert W) in der Anwendungsphase mit dem gemessenen Laststromwert D verglichen, der ein Wert einer tatsächlichen Messung des Stroms durch die Last ist. Eine anomale Last wird als erkannt ermittelt, wenn z. B. der gemessene Laststromwert D größer als die Summe (W + α) des Schwellenwerts zum Erkennen einer anomalen Last W und einer vordefinierten Abweichungshöhe α ist. Es wird bevorzugt, dass das Erkennen für eine normale Last z. B. für jede Last (Servomotor) durchgeführt wird. Eine Last muss jedoch nicht ein einzelner Servomotor sein und natürlich kann das Erkennen für eine anomale Last in Bezug auf eine Mehrzahl von Servomotoren durchgeführt werden.
Im Vorstehenden kann das Lernen für einen Schwellenwert zum Erkennen einer anomalen Last, wie in der Lernphase durchgeführt, selbstverständlich auch in der Anwendungsphase durchgeführt werden. Die Lehrerdaten, die an die Maschinenlernvorrichtung 3 bereitgestellt werden, können z. B. der gemessene Laststromwert D an sich sein und können auch ein gemessener Laststromwert D sein, der durch eine Simulation oder dergleichen erhalten wird, außerhalb der NC-Vorrichtung durchgeführt, der Eingaben X1 bis X6 oder markierten Daten anderer NC-Vorrichtungen entspricht. Ferner kann die Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform 3 z. B. in der NC-Vorrichtung 10 enthalten sein, die unter Bezugnahme auf 1 und 2 beschrieben ist.
Wie aus 6 ersichtlich, werden Anomalien in Bezug auf ein Lastdrehmoment (Laststrom), der sich je nach diversen Faktoren wie z. B. Schneidgeschwindigkeit und Schneidtiefe ändert, gemäß der vorliegenden Ausführungsform korrekt erkannt, z. B. durch Vergleichen des gemessenen Laststromwerts D mit der Summe (W + α) des Schwellenwerts zum Erkennen einer anomalen Last W und einer gewissen Abweichungshöhe α und durch Beurteilen, dass eine anomale Last erkannt wurde, wenn W + α < D. Anders ausgedrückt kann ein Schwellenwert, der sich dazu eignen, zu beurteilen, dass ein anomales Lastdrehmoment angelegt wird, gemäß einer Maschinenlernvorrichtung, einer numerischen Steuervorrichtung und einem Maschinenlernverfahren gemäß der vorliegenden Erfindung berechnet werden und kann in der Folge eine anomale Last unter diversen Bedingungen erkannt werden, unter denen die Werkzeugmaschine verwendet wird.
7 ist ein Blockschaubild, das ein Beispiel für ein Netzwerk veranschaulicht, in dem die Maschinenlernvorrichtung gemäß der vorliegenden Ausführungsform angewandt wird. Wie in 7 veranschaulicht, kann eine Maschinenlernvorrichtung 3 z. B. auf einem Cloud-Server 4, auf jedem der Fog-Server 61 bis 6n oder auf einem der Fog-Server 61 bis 6n bereitgestellt sein. Ferner können, was die Weise der Bereitstellung der Maschinenlernvorrichtung 3 betrifft, Maschinenlernvorrichtungen 3a, 3b, 3c jeweils für NC-Vorrichtungen (Endgeräte, Edges) 10a, 10b, 10c ... bereitgestellt sein, die jeweilige Werkzeugmaschinen 20a, 20b, 20c steuern, und von diesen Maschinenlernvorrichtungen kann ein verteiltes Lernen durchgeführt werden.
In 7 umfasst eine Zelle (z. B. Werkzeugmaschinenzelle) 8 eine Mehrzahl von NC-Vorrichtungen 10a, 10b, 10c, ... (die Werkzeugmaschine 20a, 20b, 20c, ...), und diese Mehrzahl von NC-Vorrichtungen 10a, 10b, 10c ... ist über ein Netz 7 mit dem Fog-Server 61 verbunden. Eine Mehrzahl von Zellen 8 wird für ein Werk bereitgestellt, eine solche Konfiguration kann jedoch natürlich vielfach modifiziert und verändert werden.
Wenn die Maschinenlernvorrichtungen 3a, 3b, 3c ... jeweils für NC-Vorrichtungen 10a, 10b, 10c ..., bereitgestellt sind, wird die Maschinenlernvorrichtung 3a, die für die NC-Vorrichtung 10a bereitgestellt ist, über ein Netz oder dergleichen mit der Maschinenlernvorrichtung 3b kommunikationsfähig gemacht, die für die getrennte NC-Vorrichtung 10b bereitgestellt ist, und kann das Ergebnis eines Maschinenlernens mit der Maschinenlernvorrichtung 3b, die für die NC-Vorrichtung 10b bereitgestellt ist, untereinander austauschen oder gemeinsam nutzen. Wenn eine Maschinenlernvorrichtung 3 für jeden der Fog-Server 61 bis 6n bereitgestellt ist, kann das Ergebnis eines Lernens durch jede Maschinenlernvorrichtung 3 unter den Maschinenlernvorrichtungen ausgetauscht oder gemeinsam genutzt werden, z. B. über ein Netz 5. Wie oben beschrieben, können die Ergebnisse eines Lernens durch die Mehrzahl von Maschinenlernvorrichtungen 3a, 3b, ... (3) unter den Maschinenlernvorrichtungen ausgetauscht oder gemeinsam genutzt werden, wodurch Lerneffekte verbessert werden.
Man beachte, dass eine Mehrzahl von Zellen 8, die jeweils eine Mehrzahl der NC-Vorrichtungen 10a, 10b, 10c, ... (die Werkzeugmaschine 20a, 20b, 20c, ...) umfassen, mit dem Netz 7 verbunden sein kann und das Netz nicht aus lediglich zwei Schichten 5 und 7 bestehen muss, sondern drei oder mehr Schichten umfassen kann. Ferner kann die Maschinenlernvorrichtung 3 auf dem Cloud-Server 4 bereitgestellt sein und natürlich können diese Konfigurationen bei Bedarf nach Wunsch vielfach modifiziert und verändert werden.
Alle Beispiele und Bedingungsformulierungen, die hier bereitgestellt sind, sollen dem pädagogischen Zweck dienen, dem Leser das Verstehen der Erfindung und der Konzepte, um die der Erfinder das Gebiet erweitert, zu erleichtern, und sollen nicht als diese spezifisch genannten Beispiele und Bedingungen einschränkend ausgelegt werden, und auch die Organisation solcher Beispiele in der Schrift stellt keine Überlegenheit und Unterlegenheit der Erfindung dar. Auch wenn eine oder mehrere Ausführungsformen der vorliegenden Erfindung ausführlich beschrieben wurden, sei verstanden, dass diverse Modifikationen, Substitutionen und Änderungen daran vorgenommen werden könnten, ohne sich vom Geist und Umfang der Erfindung zu entfernen.
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

JP 04-075848 [0004]
JP 2768569 [0005]
JP 10-034496 [0006]

Claims

Maschinenlernvorrichtung (3) zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last in einer Werkzeugmaschine (20, 20a, 20b, 20c ...), die umfasst: eine Statusbeobachtungseinheit (31), die eine Statusvariable (Din, Din') beobachtet, die auf Basis zumindest eines aus einer Information zu einem Werkzeug, Hauptspindelumdrehungsrate und einer Menge an Kühlmittel der Werkzeugmaschine (20), Material eines Werkstücks und Bewegungsrichtung, Schneidgeschwindigkeit und Schneidtiefe des Werkzeugs erhalten wird; und eine Lerneinheit (32), die den Schwellenwert zum Erkennen einer anomalen Last auf Basis von Schulungsdaten, die anhand einer Ausgabe der Statusbeobachtungseinheit (31) und von Daten in Zusammenhang mit dem Erkennen einer anomalen Last in der Werkzeugmaschine erhalten werden, und von Lehrerdaten (Dt) lernt.
Maschinenlernvorrichtung nach Anspruch 1, wobei die Lerneinheit (32) umfasst: eine Fehlerberechnungseinheit (321), die einen Fehler zwischen den Schulungsdaten und den Lehrerdaten (Dt) berechnet; und eine Lernmodellaktualisierungseinheit (322), die ein Lernmodell zum Definieren eines Fehlers einer Bedingung, die mit dem Erkennen einer anomalen Last in der Werkzeugmaschine (20) korreliert ist, auf Basis einer Ausgabe der Statusbeobachtungseinheit (31) und einer Ausgabe der Fehlerberechnungseinheit (321) aktualisiert.
Maschinenlernvorrichtung nach Anspruch 1 oder 2, wobei: die Schulungsdaten Daten in Zusammenhang mit einem prognostizierten Laststromwert sind, der ein Wert einer Prognose eines Stroms durch eine Last ist, und die Lehrerdaten (Dt) Daten in Zusammenhang mit einem gemessenen Laststromwert sind, der ein Wert einer tatsächlichen Messung eines Stroms durch eine Last ist.
Maschinenlernvorrichtung nach einem der Ansprüche 1 bis 3, wobei die Information zu einem Werkzeug eine Information zu Typ, Maschine und Durchmesser des Werkzeugs umfasst.
Maschinenlernvorrichtung nach einem der Ansprüche 1 bis 4, wobei die Maschinenlernvorrichtung (3) auf einem Cloud-Server (4) ist.
Maschinenlernvorrichtung nach einem der Ansprüche 1 bis 4, wobei die Maschinenlernvorrichtung (3) auf einem Fog-Server (61, 62, 63 ...) ist.
Maschinenlernvorrichtung nach einem der Ansprüche 1 bis 6, wobei die Maschinenlernvorrichtung (3) mit zumindest einer anderen Maschinenlernvorrichtung verbindbar ist und ein Ergebnis eines Maschinenlernens mit der zumindest einen anderen Maschinenlernvorrichtung untereinander austauscht oder gemeinsam nutzt.
Maschinenlernvorrichtung nach einem der Ansprüche 1 bis 7, wobei die Maschinenlernvorrichtung (3) ein neuronales Netz umfasst.
Numerische Steuervorrichtung (10, 10a, 10b, 10c ...), die die Maschinenlernvorrichtung (3) nach einem der Ansprüche 1 bis 8 umfasst und die Werkzeugmaschine (20, 20a, 20b, 20c ...) steuert, wobei die numerische Steuervorrichtung eine anomale Last in der Werkzeugmaschine (20, 20a, 20b, 20c ...) auf Basis des Schwellenwerts zum Erkennen einer anomalen Last erkennt, wie von der Maschinenlernvorrichtung (3) gelernt.
Numerische Steuervorrichtung nach Anspruch 9, wobei die numerische Steuervorrichtung beurteilt, dass eine anomale Last in der Werkzeugmaschine (20) erkannt wurde, wenn ein gemessener Laststromwert, der ein Wert einer tatsächlichen Messung eines Stroms durch eine Last ist, größer als die Summe des Schwellenwerts zum Erkennen einer anomalen Last und einer vordefinierten Abweichungshöhe (α) ist.
Numerische Steuervorrichtung nach Anspruch 10, wobei: die numerische Steuervorrichtung (10) in Phasen arbeitet, die eine Lernphase zum Lernen des Schwellenwerts zum Erkennen einer anomalen Last und eine Anwendungsphase zum Steuern der Werkzeugmaschine (20) umfassen, um das Werkstück tatsächlich zu bearbeiten, das Lernen für den Schwellenwert zum Erkennen einer anomalen Last in der Lernphase auf Basis jeweiliger Laststromwerte für Bearbeitungsbedingungen durch Durchführen einer vorab geplanten Übungsbearbeitung durchgeführt wird, und eine anomale Last in der Werkzeugmaschine (20) in der Anwendungsphase durch Vergleichen des gelernten Schwellenwerts zum Erkennen einer anomalen Last mit dem gemessenen Laststromwert, der ein Wert einer tatsächlichen Messung eines Stroms durch die Last ist, erkannt wird.
Numerische Steuervorrichtung nach Anspruch 11, wobei das Lernen für den Schwellenwert zum Erkennen einer anomalen Last auch in der Anwendungsphase durchgeführt wird.
Maschinenlernverfahren zum Lernen eines Schwellenwerts zum Erkennen einer anomalen Last in einer Werkzeugmaschine (20, 20a, 20b, 20c ...), das umfasst: Beobachten einer Statusvariable (Din, Din'), die auf Basis zumindest eines aus einer Information zu einem Werkzeug, Hauptspindelumdrehungsrate und einer Menge an Kühlmittel der Werkzeugmaschine (20), Material eines Werkstücks und Bewegungsrichtung, Schneidgeschwindigkeit und Schneidtiefe des Werkzeugs erhalten wird; und Lernen des Schwellenwerts zum Erkennen einer anomalen Last auf Basis von Schulungsdaten, die anhand der Statusvariable (Din, Din') und von Daten in Zusammenhang mit dem Erkennen einer anomalen Last in der Werkzeugmaschine (20) erhalten werden, und von Lehrerdaten (Dt).
Maschinenlernverfahren nach Anspruch 13, wobei das Lernen des Schwellenwerts zum Erkennen einer anomalen Last umfasst: Berechnen eines Fehlers zwischen den Schulungsdaten und den Lehrerdaten (Dt) berechnet; und Aktualisieren eines Lernmodells zum Definieren eines Fehlers einer Bedingung, die mit dem Erkennen einer anomalen Last in der Werkzeugmaschine (20) korreliert ist, auf Basis der Statusvariable (Din, Din') und des berechneten Fehlers zwischen den Schulungsdaten und den Lehrerdaten (Dt).
Maschinenlernverfahren nach Anspruch 13 oder 14, wobei: die Schulungsdaten Daten in Zusammenhang mit einem prognostizierten Laststromwert sind, der ein Wert einer Prognose eines Stroms durch eine Last ist, und die Lehrerdaten (Dt) Daten in Zusammenhang mit einem gemessenen Laststromwert sind, der ein Wert einer tatsächlichen Messung eines Stroms durch eine Last ist.