DE102018002112A1

DE102018002112A1 - Störungserfassungsvorrichtung und maschinelle Lernvorrichtung

Info

Publication number: DE102018002112A1
Application number: DE102018002112.3A
Authority: DE
Inventors: Takayuki Tamai; Shinji Okuda
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-03-15
Filing date: 2018-03-15
Publication date: 2018-09-20
Also published as: US20180264613A1; CN108628253A; JP2018156151A

Abstract

Eine Störungserfassungsvorrichtung umfasst eine maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert. Die maschinelle Lernvorrichtung beobachtet die Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands, und lernt ein Merkmal der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, unter Verwendung des beobachteten Zustands.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Bearbeitungszustand-Störungserfassungsvorrichtung und eine maschinelle Lernvorrichtung.
Beschreibung des Stands der Technik
Bei Werkzeugmaschinen können Werkzeugverschleiß oder -bruch, Schwankungen der Bearbeitungslast, Änderungen einer Bearbeitungsumgebung wie Schneidflüssigkeit, Störungen o. Ä. zu Bearbeitungsfehlern führen. In einigen Fällen führt die Nachbearbeitung eines bearbeiteten Werkstücks zu einem Bearbeitungsfehler. Dies kann nicht als ein normaler Bearbeitungszustand bezeichnet werden. Es ist wünschenswert, dass diese Bearbeitungszustandsstörungen erfasst werden, so dass das Auftreten eines Bearbeitungsfehlers vor dem Auftreten von diesem ermittelt werden kann.
Als ein Verfahren nach dem Stand der Technik zum Erfassen einer Bearbeitungszustandsstörung offenbart beispielsweise die offengelegte japanische Patentanmeldung Nr. 2007-52797 ein Verfahren, das Probenahmestellen entsprechend einem Programm und Bearbeitungsdetails vorab festlegt und erfasste Daten, wenn die Bearbeitung durchgeführt wird, mehrmals durch Berechnen eines Durchschnittswerts und eines Standardabweichungswerts für jede Probenahmestelle zum Erfassen einer Bearbeitungszustandsstörung festlegt. Ferner offenbart die offengelegte japanische Patentanmeldung Nr. 05-285788 ein Verfahren, das Daten zu Betriebszuständen, wenn ein vorgegebener Betrieb normal durchgeführt wird, vorab speichert, das Durchführen eines vorgegebenen Betriebs veranlasst, wenn eine Prüfung durchgeprüft wird, und Daten zu einem Betriebszustand in einem normalen Zustand für diesen vorgegebenen Betrieb mit Überwachungsdaten zum Zeitpunkt der Prüfung zum Ermitteln, ob der Betrieb normal ist oder nicht, vergleicht.
Beim in der offengelegten japanischen Patentanmeldung Nr. 2007-52797 offenbarten Verfahren besteht aber das Problem, dass Probenahmestellen entsprechend einem spezifischen Programm und Bearbeitungsdetails vorab festgelegt werden müssen und eine Störung nicht unabhängig von Bearbeitungsdetails u. Ä. erfasst werden kann. Ferner besteht beim in der offengelegten japanischen Patentanmeldung Nr. 05-285788 offenbarten Verfahren das Problem, dass der vorgegebene Betrieb zum Zeitpunkt der Prüfung durchgeführt werden muss und dieses Verfahren nicht auf die Störungserfassung zum Zeitpunkt der Bearbeitung angewendet werden kann.
ZUSAMMENFASSUNG DER ERFINDUNG
Dementsprechend besteht eine Aufgabe der vorliegenden Erfindung im Bereitstellen einer Störungserfassungsvorrichtung und einer maschinellen Lernvorrichtung, die eine Bearbeitungszustandsstörung einer Werkzeugmaschine unabhängig von Bearbeitungsdetails erfassen können.
Bei der Störungserfassungsvorrichtung der vorliegenden Erfindung werden physikalische Größen wie Drehzahlen und Ströme von Motoren, Maschinenschwingungen und hörbare Geräusche während der Bearbeitung als chronologisch aufeinander folgende diskrete Werte zur Verwendung als Wellenformdaten für einen Bearbeitungszyklus oder einen gewünschten Zeitraum erfasst. Maschinelles Lernen erfolgt auf der Basis der Wellenformdaten, die erfasst werden, wenn eine Werkzeugmaschine normal funktioniert. Auf der Basis des Ergebnisses des Lernens wird ein Störungszustand aus erfassten Wellenformdaten erfasst, wenn eine Bearbeitung erneut erfolgt, und es wird eine Störung des Bearbeitungszustands ermittelt. Somit werden die zuvor beschriebenen Probleme gelöst. Als Wellenformdaten gemäß der vorliegenden Erfindung können von einer Werkzeugmaschine oder einem an der Werkzeugmaschine befestigten Sensor o. Ä. erfasste chronologisch aufeinander folgende diskrete Werte ohne Änderungen verwendet werden oder es können in einer anderen Form dargestellte Daten, in denen die Wellenform direkt oder indirekt dargestellt sein kann, etwa durch das Durchführen einer Spektralanalyse an den Wellenformdaten erfasste Frequenzkomponentenwerte, verwendet werden. Ferner werden in der Störungserfassungsvorrichtung der vorliegenden Erfindung die Wellenformdaten mit einem Programm verknüpft, um einen Block im Programm zu identifizieren, in dem die Bearbeitung gestört ist. Ferner teilen in der Störungserfassungsvorrichtung der vorliegenden Erfindung eine Vielzahl von die gleiche Bearbeitung durchführenden Werkzeugmaschinen ein Modell und diese ermöglicht es, eine eine gestörte Bearbeitung durchführende Werkzeugmaschine zu erfassen.
Eine Störungserfassungsvorrichtung als ein Aspekt der vorliegenden Erfindung erfasst eine Störung einer zum Bearbeiten eines Werkstücks eingerichteten Werkzeugmaschine und umfasst eine maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert.
Eine erste Form der maschinellen Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; und einen Lernabschnitt zum Lernen eines Merkmals der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, unter Verwendung der Zustandsvariable.
Der Lernabschnitt kann einen Gruppenbildungsabschnitt zum Bilden einer Gruppe der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, umfassen.
Eine zweite Form der maschinellen Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; einen Ermittlungsdaten-Erfassungsabschnitt zum Erfassen von Ermittlungsdaten zur Angabe einer Normalität des Betriebs der Werkzeugmaschine; und einen Lernabschnitt zum Durchführen des Lernens durch Verknüpfen der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine mit der Normalität des Betriebs der Werkzeugmaschine in Betrieb ist, unter Verwendung der Zustandsvariable und der Ermittlungsdaten.
Der Lernabschnitt kann einen Fehlerberechnungsabschnitt zum Berechnen eines Fehlers zwischen einem Korrelationsmodell zum Ableiten der Normalität des Betriebs der Werkzeugmaschine von den Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, und einem aus zuvor erstellten Lehrerdaten erkannten Korrelationsmerkmal auf der Basis der Zustandsvariable und der Ermittlungsdaten, und einen Modellaktualisierungsabschnitt zum Aktualisieren des Korrelationsmodells zum Verringern des Fehlers umfassen.
In der ersten und zweiten Form der maschinellen Lernvorrichtung kann der Lernabschnitt eine Mehrschichtstruktur zum Berechnen der Zustandsvariable aufweisen. Die Störungsermittlungsvorrichtung kann ferner einen Ausgabeverwendungsabschnitt zum Ausgeben eines Betriebszustands der Werkzeugmaschine auf der Basis eines Lernergebnisses von dem Lernabschnitt und der Zustandsvariable, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, umfassen. Der Lernabschnitt kann Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn der Betrieb normal erfolgt, und für eine Vielzahl von Werkzeugmaschinen gemeinsam ist, unter Verwendung der für jede der Vielzahl von Werkzeugmaschinen erhaltenen Zustandsvariable lernen.
Die erste Form der maschinellen Lernvorrichtung als ein Aspekt der vorliegenden Erfindung lernt Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn eine zum Bearbeiten eines Werkstücks eingerichtete Werkzeugmaschine normal funktioniert, und umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; und einen Lernabschnitt zum Lernen eines Merkmals der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, unter Verwendung der Zustandsvariable.
Die zweite Form der maschinellen Lernvorrichtung als ein Aspekt der vorliegenden Erfindung lernt Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn eine zum Bearbeiten eines Werkstücks eingerichtete Werkzeugmaschine normal funktioniert, und umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; einen Ermittlungsdaten-Erfassungsabschnitt zum Erfassen von Ermittlungsdaten zur Angabe einer Normalität des Betriebs der Werkzeugmaschine; und einen Lernabschnitt zum Durchführen des Lernens durch Verknüpfen der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine mit der Normalität des Betriebs der Werkzeugmaschine in Betrieb ist, unter Verwendung der Zustandsvariable und der Ermittlungsdaten.
Die vorliegende Erfindung ermöglicht das Erfassen einer Bearbeitungszustandsstörung einer Werkzeugmaschine im allgemeinen Bearbeitungsbetrieb, ohne die Werkzeugmaschine zum Durchführen eines spezifischen Betriebs zu veranlassen oder ohne spezifische Bearbeitungsdetails.
Figurenliste

1 zeigt ein schematisches Funktionsblockdiagramm einer Störungserfassungsvorrichtung gemäß einer ersten Ausführungsform.
2 zeigt eine Ansicht zur Darstellung von Wellenformdaten betreffend von einer Werkzeugmaschine erfasste Werte.
3 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung einer weiteren Form der Störungserfassungsvorrichtung.
4A zeigt eine Ansicht zum Erläutern eines Neurons.
4B zeigt eine Ansicht zum Erläutern eines neuronalen Netzes.
4C zeigt eine Ansicht zum Erläutern eines automatischen Codierers.
5 zeigt ein schematisches Funktionsblockdiagramm einer Störungserfassungsvorrichtung gemäß einer zweiten Ausführungsform.
6 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung einer Form eines Bearbeitungssystems.
7 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung einer weiteren Form des Bearbeitungssystems.
8 zeigt ein schematisches Funktionsblockdiagramm der Störungserfassungsvorrichtung, wenn überwachtes Lernen in der ersten Ausführungsform verwendet wird.
9 zeigt ein schematisches Funktionsblockdiagramm der Störungserfassungsvorrichtung, wenn überwachtes Lernen in der zweiten Ausführungsform verwendet wird.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 zeigt ein schematisches Funktionsblockdiagramm einer Störungserfassungsvorrichtung 10 gemäß einer ersten Ausführungsform. Die Störungserfassungsvorrichtung 10 umfasst eine maschinelle Lernvorrichtung 20 umfassend Software (Lernalgorithmus u. Ä.) und Hardware (wie eine CPU eines Computers) zum Lernen von Wellenformdaten für einen Bearbeitungszyklus oder einen gewünschten Zeitraum betreffend bei der Bearbeitung in einer normal funktionierenden Werkzeugmaschine erfasste physikalische Größenwerte (Stromwerte und Drehzahlwerte eines Spindelmotors und eines Servomotors, von einer Werkzeugmaschine erfasster Schwingungswert, hörbare Geräusche u. Ä.) durch sogenanntes selbstständiges maschinelles Lernen. Inhalte, welche die maschinelle Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 lernt, entsprechen einer Modellstruktur von Wellenformdaten für einen Bearbeitungszyklus oder einen gewünschten Zeitraum betreffend von einer normal funktionierenden Werkzeugmaschine beim Bearbeiten erfasste physikalische Größenwerte.
Wie durch Funktionsblöcke in 1 dargestellt umfasst die maschinelle Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 einen Zustandsbeobachtungsabschnitt 22 zum Beobachten einer Zustandsvariable S zur Angabe des aktuellen Umweltzustands, die beim Bearbeiten durch eine normal funktionierende Werkzeugmaschine (nicht dargestellt) erfasste Wellenformdaten S1 zur Angabe von Werten (Stromwerte und Drehzahlwerte eines Spindelmotors und eines Servomotors, von einer Werkzeugmaschine erfasster Schwingungswert, hörbare Geräusche u. Ä.) umfasst, und einen Lernabschnitt 26 zum Verwenden der Zustandsvariable S zum Lernen von erfassten Wellenformdaten S1, wenn eine Werkzeugmaschine normal funktioniert.
Der Zustandsbeobachtungsabschnitt 22 kann beispielsweise als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Zustandsbeobachtungsabschnitt 22 beispielsweise als Software ausgebildet sein, die eine CPU eines Computers zum Betrieb veranlasst. Die Wellenformdaten S1 der Zustandsvariable S, die vom Zustandsbeobachtungsabschnitt 22 beobachtet wird, können beispielsweise durch eine Vielzahl von an einer Werkzeugmaschine befestigten Messvorrichtungen (nicht dargestellt) erfasst werden. Die Wellenformdaten S umfassen einen Stromwert eines Spindelmotors, einen Drehzahlwert des Spindelmotors, einen Stromwert eines Servomotors, einen Drehzahlwert des Servomotors, einen von einer Werkzeugmaschine erfassten Schwingungswert, hörbare Geräusche u. Ä. wie beispielsweise in 2 dargestellt.
Ein Stromwert und ein Drehzahlwert eines Motors als Wellenformdaten S1 können als Rückmeldewerte von einem an einem Verstärker und einem Motor befestigten Impulscodierer u. Ä. erfasst werden. Ein Schwingungswert als Wellenformdaten S1 kann von einer Messvorrichtung wie einem Beschleunigungssensor, einem Körperschallsensor, einem Drehzahlsensor oder einem Wirbelstromsensor erfasst werden. Hörbare Geräusche als Wellenformdaten S1 können unter Verwendung einer Messvorrichtung wie einem Mikrofon erfasst werden.
Der Zustandsbeobachtungsabschnitt 22 kann beobachtete Werte als chronologisch aufeinander folgende diskrete Werte, ermittelt durch Probenahme der beobachteten Werte mit einem vorgegebenen Probenahmezeitraum Δt, erfassen und die Werte als Wellenformdaten S1 wie beispielsweise in 2 dargestellt verwenden. Der Zustandsbeobachtungsabschnitt 22 kann während eines Bearbeitungszyklus als Wellenformdaten S1 erfasste Werte verwenden. Der Zustandsbeobachtungsabschnitt 22 kann ebenfalls während eines gewünschten Zeitraums erfasste Werte als Wellenformdaten S1 verwenden. Der Zustandsbeobachtungsabschnitt 22 gibt Wellenformdaten betreffend im gleichen Zeitraum in einem einzelnen Lernzyklus erfasste Werte durch den Lernabschnitt 26 an den Lernabschnitt 26 aus.
Wie zuvor beschrieben erfasst während eines Zeitraums, in dem die maschinelle Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 lernt, eine Vielzahl von Messvorrichtungen Stromwerte und Drehzahlwerte von Motoren, Schwingungswerte, hörbare Geräusche u. Ä. beim Bearbeiten durch eine normal in der Umwelt funktionierende Werkzeugmaschine.
Der Lernabschnitt 26 kann beispielsweise als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Lernabschnitt 26 beispielsweise als Software ausgebildet sein, die eine CPU eines Computers zum Betrieb veranlasst. Der Lernabschnitt 26 lernt Wellenformdaten zur Angabe von beim Bearbeiten durch eine normal funktionierende Werkzeugmaschine erfassten Werten entsprechend einem allgemein als maschinelles Lernen bezeichneten gewünschten Lernalgorithmus. Der Lernabschnitt 26 kann wiederholt ein Lernen auf der Basis einer Datensammlung umfassend die zuvor genannte Zustandsvariable S in Bezug auf die Bearbeitung durch eine normal funktionierende Werkzeugmaschine durchführen.
Durch Wiederholen solch eines Lernzyklus kann der Lernabschnitt 26 implizite Merkmale einer Datensammlung von Wellenformdaten für einen Zyklus oder einen gewünschten Zeitraum betreffend von einer normal funktionierenden Werkzeugmaschine beim Bearbeiten als Gruppen erfasste Werte ausbilden. Wenn der Lernalgorithmus gestartet wird, sind die Gruppen der Wellenformdaten S im Wesentlichen nicht bekannt. Der Lernabschnitt 26 erkennt schrittweise Merkmale und bildet Gruppen, während der Lernabschnitt 26 lernt. Wenn die Gruppen der Wellenformdaten S1 in einem zuverlässigen Maße interpretiert sind, können wiederholte vom Lernabschnitt 26 ausgegebene Lernergebnisse zum Ermitteln verwendet werden, ob der aktuelle Zustand ein Zustand ist, in dem eine Bearbeitung durch eine normal funktionierende Werkzeugmaschine durchgeführt wird.
Wie zuvor beschrieben ist die maschinelle Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 so eingerichtet, dass der Lernabschnitt 26 Wellenformdaten betreffend von einer normal funktionierenden Werkzeugmaschine erfasste Werte entsprechend einem maschinellen Lernalgorithmus unter Verwendung der vom Zustandsbeobachtungsabschnitt 22 beobachteten Zustandsvariable S lernt. Die Wellenformdaten S1 betreffend von einer normal funktionierenden Werkzeugmaschine erfasste Werte umfassen zeitliche Änderungen in von der normal funktionierenden Werkzeugmaschine erfassten Werten und umfassen ebenfalls Beziehungen zwischen Werten wie Drehzahlwerten und Stromwerten von Motoren und einem gleichzeitig erfassten Schwingungswert. Somit kann mit der maschinellen Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 die Tatsache, dass der Bearbeitungsbetrieb einer Werkzeugmaschine im Bereich des normalen Betriebs liegt, automatisch und korrekt durch Verwenden von Lernergebnissen des Lernabschnitts 26 statt durch Berechnung oder Schätzung ermittelt werden.
Wenn die Tatsache, dass der Bearbeitungsbetrieb durch eine Werkzeugmaschine im Bereich des normalen Betriebs ist, automatisch nicht durch Berechnung oder Schätzung ermittelt werden kann, kann schnell durch ausschließlich Erfassen von Wellenformdaten (Wellenformdaten S1) betreffend von der aktuellen Werkzeugmaschine erfasste Werte ermittelt werden, ob der aktuelle Bearbeitungsbetrieb einer Werkzeugmaschine normal ist oder nicht.
In einem modifizierten Beispiel der maschinellen Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 unter Verwendung einer für jede einer Vielzahl von Werkzeugmaschinen mit der gleichen Maschinenkonfiguration erfassten Zustandsvariable S kann der Lernabschnitt 26 Wellenformdaten betreffend erfasste Werte lernen, wenn jede Werkzeugmaschine normal funktioniert. Mit dieser Konfiguration kann die Menge einer Datensammlung umfassend die Zustandsvariable S, die während eines vorgegebenen Zeitraums erfasst wird, vergrößert werden. Somit können unter Verwendung einer vielfältigeren Datensammlung als eine Eingabe die Geschwindigkeit und die Zuverlässigkeit des Lernens von Wellenformdaten betreffend von normal funktionierenden Werkzeugmaschinen erfasste Werte verbessert werden.
In der maschinellen Lernvorrichtung 20 mit der zuvor beschriebenen Konfiguration ist der vom Lernabschnitt 26 ausgeführte Lernalgorithmus nicht besonders beschränkt. Beispielsweise können allgemeine als maschinelles Lernen bekannte Lernalgorithmen wie nicht überwachtes Lernen und neuronale Netze verwendet werden.
3 zeigt eine weitere Form der in 1 dargestellten Störungserfassungsvorrichtung 10, die den Lernabschnitt 26 umfasst, der nicht überwachtes Lernen als weiteres Beispiel für einen Lernalgorithmus ausführt.
Nicht überwachtes Lernen ist ein Verfahren, bei dem eine große Menge von eingegebenen Datensätzen vorab zugeführt wird, Lernen durch Durchführen der Klassifizierung o. Ä. von jedem Datensatz auf der Basis eines Attributs von jedem Teil von im Datensatz enthaltenen Daten durchgeführt wird und ein Extrahieren eines Merkmals des Datensatzes erfolgt. Ein Merkmal eines Datensatzes ist hier ein Verteilungszustand von jedem Teil von Daten im Raum des Datensatzes in Bezug auf ein korrelatives Muster der Zeitserienvariation eines Datenelementwerts von jedem Teil von im Datensatz enthaltenen Daten. Ein Merkmal von jedem Teil von Daten kann auf der Basis des Merkmals des Datensatzes interpretiert werden.
In der maschinellen Lernvorrichtung 20 der in 3 dargestellten Störungserfassungsvorrichtung 10 umfasst der Lernabschnitt 26 einen Gruppenbildungsabschnitt 36 zum Bilden von Gruppen von Wellenformdaten S1 betreffend erfassten Werten, wenn eine Werkzeugmaschine normal funktioniert, aus der Zustandsvariable S. Der Lernabschnitt 26 lernt Wellenformdaten S1 betreffend erfasste Werte, wenn eine Werkzeugmaschine normal funktioniert, vom Gruppenbildungsabschnitt 36, der Gruppen C auf der Basis einer Vielzahl von Datensätzen der Wellenformdaten S1 durch Verwenden beispielsweise eines allgemein bekannten Algorithmus wie einer k-Mittelwert-Gruppenbildung oder einem gaußschen Mischungsmodell bildet (oder neubildet, wenn Gruppen C bereits gebildet wurden).
Wenn das zuvor genannte nicht überwachte Lernen durchgeführt wird, kann ein neuronales Netz verwendet werden. 4A zeigt schematisch ein Modell eines Neurons. 4B zeigt schematisch ein Modell eines durch Kombinieren der in 4A dargestellten Neuronen ausgebildeten dreischichtigen neuronalen Netzes. Ein neuronales Netz kann beispielsweise durch Verwenden einer arithmetischen Einheit, einer Speichereinheit u. Ä., die ein Modell eines Neurons darstellen, gebildet werden.
Das in 4A dargestellte Neuron ist zum Ausgeben eines Ergebnisses y für eine Vielzahl von Eingaben x (hier beispielsweise die Eingaben x₁ bis x₃) ausgebildet. Jede der Eingaben x₁ bis x₃ wird mit einem Gewicht w (w₁ bis w₃) entsprechend der Eingabe x multipliziert. Dies veranlasst das Neuron zum Ausgeben einer durch die folgende Gleichung (1) ausgedrückten Ausgabe y. Die Eingabe x, die Ausgabe y und das Gewicht w sind Vektoren in der Gleichung (1). Ferner ist θ eine Verzerrung und f_k ist eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Das in 4B dargestellte dreischichtige neuronale Netz empfängt eine Vielzahl von Eingaben x (hier beispielsweise die Eingaben x1 bis x3) links und gibt die Ergebnisse y (hier beispielsweise die Ergebnisse y1 bis y3) rechts aus. Im dargestellten Beispiel werden die Eingaben x1, x2, und x3 mit entsprechenden Gewichten (insgesamt als w1 ausgedrückt) multipliziert und jede der Eingaben x1, x2 und x3 wird an den drei Neuronen N11, N12 und N13 eingegeben.
In 4B sind die Ausgaben von den Neuronen N11 bis N13 insgesamt durch z1 dargestellt. z1 kann als ein durch Extrahieren von Merkmalsvektoren eines Eingabevektors erzeugter Merkmalsvektor betrachtet werden. Im dargestellten Beispiel werden Elemente des Merkmalsvektors z1 mit entsprechenden Gewichten (insgesamt durch w2 dargestellt) multipliziert und jedes Element des Merkmalsvektors z1 wird an zwei Neuronen N21 und N22 eingegeben. Der Merkmalsvektor z1 stellt ein Merkmal zwischen dem Gewicht w1 und dem Gewicht w2 dar.
In 4B sind die Ausgaben von den Neuronen N21 und N22 insgesamt durch z2 dargestellt. z2 kann als ein durch Extrahieren von Merkmalswerten des Merkmalsvektors z1 erzeugter Merkmalsvektor betrachtet werden. Im dargestellten Beispiel werden Elemente des Merkmalsvektors z2 mit entsprechenden Gewichten (insgesamt durch w3 dargestellt) multipliziert und jedes Element des Merkmalsvektors z2 wird an drei Neuronen N31, N32 und N33 eingegeben. Der Merkmalsvektor z2 stellt ein Merkmal zwischen dem Gewicht w2 und dem Gewicht w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils Ergebnisse y1 bis y3 aus.
4C zeigt eine Ansicht zur Darstellung eines unter Verwendung eines neuronalen Netzes ausgebildeten allgemein bekannten automatischen Codierers. Unter Verwendung des in 4c dargestellten automatischen Codierers kann ein nicht überwachtes Lernen von Wellenformdaten S1 betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, durchgeführt werden.
In der maschinellen Lernvorrichtung 20 der Störungserfassungsvorrichtung 10 können unter Verwendung der Zustandsvariable S als Eingabe x durch den eine mehrschichtige Strukturberechnung entsprechend dem zuvor beschriebenen neuronalen Netz durchführenden Lernabschnitt 26 eine Gruppe, zu der Wellenformdaten S1 betreffend von der normal funktionierenden Werkzeugmaschine erfasste Werte gehören, und der Abstand (Ergebnis y) zur Mitte der Gruppe ausgegeben werden. Die Betriebsmodi des neuronalen Netzes umfassen einen Lernmodus und einen Wertvorhersagemodus. Beispielsweise werden Gewichte w unter Verwendung einer Lerndatenmenge im Lernmodus gelernt und der Wert einer Aktion kann unter Verwendung der gelernten Gewichte w im Wertvorhersagemodus ermittelt werden. Im Wertvorhersagemodus können ebenfalls Erfassung, Klassifizierung, Schlussfolgerung u. Ä. durchgeführt werden.
Die zuvor beschriebene Konfiguration der Störungserfassungsvorrichtung 10 kann als ein maschinelles Lernvorfahren (oder eine Software) beschrieben werden, die eine CPU eines Computers ausführt. Dieses maschinelle Lernverfahren ist ein maschinelles Lernverfahren zum Lernen von Wellenformdaten S1 betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, und umfasst einen Schritt zum Beobachten von Wellenformdaten S1 betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable S zur Angabe des aktuellen Umweltzustands, in dem die Bearbeitung durch die Werkzeugmaschine erfolgt, durch eine CPU eines Computers, und einen Schritt zum Bilden einer Gruppe von Wellenformdaten S1 betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, zum Lernen der Wellenformdaten S1.
5 zeigt eine Störungserfassungsvorrichtung 40 gemäß einer zweiten Ausführungsform. Die Störungserfassungsvorrichtung 40 umfasst eine maschinelle Lernvorrichtung 50 und einen Zustandsdaten-Erfassungsabschnitt 42 zum Erfassen von Wellenformdaten S1 an einer vom Zustandsbeobachtungsabschnitt 22 als Zustandsdaten S0 beobachteten Zustandsvariable S. Der Zustandsdaten-Erfassungsabschnitt 42 kann die Zustandsdaten S0 von der Vielzahl von an der Maschine befestigten Messvorrichtungen erfassen.
Die maschinelle Lernvorrichtung 50 der Störungserfassungsvorrichtung 40 umfasst Software (arithmetischer Algorithmus o. Ä.) und Hardware (eine CPU eines Computers o. Ä.) zum Ausgeben einer Ermittlung, ob der aktuelle Betrieb der Werkzeugmaschine ein normaler Betrieb ist, an einen Bediener auf der Basis der gelernten Wellenformdaten betreffen erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, zusätzlich zu Software (Lernalgorithmus o. Ä.) und Hardware (eine CPU eines Computers o. Ä.) zum Lernen von Wellenformdaten S1 betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, durch selbstständiges maschinelles Lernen. Die maschinelle Lernvorrichtung 50 der Störungserfassungsvorrichtung 40 kann so eingerichtet sein, dass eine gemeinsame CPU die gesamte Software umfassend einen Lernalgorithmus, einen arithmetischen Algorithmus u. Ä. ausführt.
Ein Ausgabeverwendungsabschnitt 52 kann beispielsweise als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Ausgabeverwendungsabschnitt 52 beispielsweise als Software ausgebildet sein, die eine CPU eines Computers zum Betrieb veranlasst. Der Ausgabeverwendungsabschnitt 52 gibt einen Alarmwert A zur Angabe, ob der aktuelle Betrieb der Werkzeugmaschine ein normaler Betrieb ist oder nicht, an einen Bediener durch eine Bildschirmanzeige mit einem Bildschirm (nicht dargestellt) der Störungserfassungsvorrichtung 40, eine Leuchte (nicht dargestellt), eine akustische Ausgabe von einem Lautsprecher (nicht dargestellt) o. Ä. auf der Basis von Wellenformdaten betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, aus, wobei die Wellenformdaten vom Lernabschnitt 26 gelernt werden. Der Ausgabeverwendungsabschnitt 52 zeigt den Betriebszustand der Werkzeugmaschine an und der Bediener kann auf der Basis des angezeigten Betriebszustands ermitteln, ob ein Werkstück durch einen normalen Betrieb bearbeitet wurde oder nicht.
Die maschinelle Lernvorrichtung 50 der Störungserfassungsvorrichtung 40 mit der zuvor beschriebenen Konfiguration weist gleichwertige Wirkungen auf die wie der zuvor genannten maschinellen Lernvorrichtung 20.
6 zeigt ein Bearbeitungssystem 70 gemäß einer Ausführungsform, die eine Werkzeugmaschine 60 umfasst. Das Bearbeitungssystem 70 umfasst eine Vielzahl von Werkzeugmaschinen 60 und 60' mit der gleichen mechanischen Konfiguration und ein Netzwerk 72 zum Verbinden der Werkzeugmaschinen 60 und 60'. Wenigstens eine der Werkzeugmaschinen 60 und 60' ist als die Werkzeugmaschine 60 umfassend die zuvor beschriebene Störungserfassungsvorrichtung 40 ausgebildet. Das Bearbeitungssystem 70 kann die Werkzeugmaschine 60' umfassen, welche die Störungserfassungsvorrichtung 40 nicht umfasst. Die Werkzeugmaschinen 60 und 60' weisen eine allgemeine Konfiguration einer Werkzeugmaschine auf, die zum Bearbeiten eines Werkstücks erforderlich ist.
Im Bearbeitungssystem 70 mit der zuvor beschriebenen Konfiguration kann die Werkzeugmaschine 60 umfassend die Störungserfassungsvorrichtung 40, die eine der Werkzeugmaschinen 60 und 60' ist, automatisch und korrekt in Bezug auf die Wellenformdaten betreffend von den Werkzeugmaschinen 60 und 60' erfasste Werte unter Verwendung von Lernergebnissen des Lernabschnitts 26 statt durch Berechnung oder Schätzung ermitteln, ob die Werkzeugmaschinen 60 und 60' normal funktionieren. Ferner kann die Störungserfassungsvorrichtung 40 wenigstens einer Werkzeugmaschine 60 zum Lernen von Wellenformdaten betreffend von normal funktionierenden Werkzeugmaschinen erfasste Werte, wobei die Wellenformdaten allen der Werkzeugmaschinen 60 und 60' gemeinsam sind, auf der Basis einer für jede der Werkzeugmaschinen 60 und 60' erfassten Zustandsvariable S, so dass Lernergebnisse von allen der Werkzeugmaschinen 60 und 60' geteilt werden können, ausgebildet sein. Somit können mit dem Bearbeitungssystem 70 unter Verwendung einer vielfältigeren Datensammlung (umfassend eine Zustandsvariable S) als Eingaben die Geschwindigkeit und die Zuverlässigkeit des Lernens von Wellenformdaten betreffend von normal funktionierenden Werkzeugmaschinen erfasste Werte verbessert werden.
7 zeigt ein Bearbeitungssystem 70' gemäß einer weiteren Ausführungsform, welche die Werkzeugmaschine 60' umfasst. Das Bearbeitungssystem 70' umfasst eine maschinelle Lernvorrichtung 50 (oder 20), eine Vielzahl von Werkzeugmaschinen 60' mit der gleichen mechanischen Konfiguration 72 zum Verbinden der Werkzeugmaschinen 60' und der maschinellen Lernvorrichtung 50 (oder 20).
Im Bearbeitungssystem 70' mit der zuvor beschriebenen Konfiguration lernt die maschinelle Lernvorrichtung 50 (oder 20) Wellenformdaten betreffend erfasste Werte von normal funktionierenden Werkzeugmaschine, wobei die Wellenformdaten allen Werkzeugmaschinen 60' gemeinsam ist, auf der Basis einer für jede der Werkzeugmaschinen 60' erfassten Zustandsvariable S und kann in Bezug auf Wellenformdaten betreffend erfasste Werte von den Werkzeugmaschinen 60' unter Verwendung der Lernergebnisse statt durch Berechnung oder Schätzung automatisch und korrekt ermitteln, ob die Werkzeugmaschine 60' normal funktioniert oder nicht.
Das Bearbeitungssystem 70' kann eine Konfiguration aufweisen, in der die maschinelle Lernvorrichtung 50 (oder 20) auf einem im Netzwerk 72 bereitgestellten Cloudserver vorhanden ist. Diese Konfiguration ermöglicht bei Bedarf das Verbinden einer erforderlichen Zahl von Werkzeugmaschinen 60' mit der maschinellen Lernvorrichtung 50 (oder 20) unabhängig von den jeweiligen Standorten der Werkzeugmaschinen 60' oder vom Zeitpunkt.
Mit den Bearbeitungssystemen 70 und 70' arbeitende Bediener können ermitteln, ob der Fortschritt des Lernens von Wellenformdaten betreffend von normal funktionierenden Werkzeugmaschinen erfasste Werte durch die maschinelle Lernvorrichtung 50 (oder 20) (das heißt die Zuverlässigkeit der Ermittlung der Betriebsnormalität auf der Basis von Wellenformdaten betreffend erfasste Werte von Werkzeugmaschinen) zu einem entsprechenden Zeitpunkt, nachdem die maschinelle Lernvorrichtung 50 (oder 20) mit dem Lernen begonnen hat, ein erforderliches Maß erreicht hat oder nicht.
Zuvor wurden Ausführungsformen der vorliegenden Erfindung beschrieben; die vorliegende Erfindung ist aber nicht auf die zuvor beschriebenen beispielhaften Ausführungsformen beschränkt und kann in verschiedenen Aspekten unter Vornahme von entsprechenden Modifikationen ausgeführt werden.
Beispielsweise sind von den maschinellen Lernvorrichtungen 20 und 50 ausgeführte Lernalgorithmen, eine von der maschinellen Lernvorrichtung 50 ausgeführter arithmetischer Algorithmus, von den Störungserfassungsvorrichtungen 10 und 40 ausgeführte Steueralgorithmen u. Ä. nicht auf die zuvor beschriebenen beschränkt und es können verschiedene Algorithmen verwendet werden.
Als von den maschinellen Lernvorrichtungen 20 und 50 ausgeführte Lernalgorithmen kann ebenfalls überwachtes Lernen verwendet werden.
8 zeigt eine weitere Form der in 1 dargestellten Störungserfassungsvorrichtung 10, die den Lernabschnitt 26 umfasst, der überwachtes Lernen als weiteres Beispiel für einen Lernalgorithmus ausführt. Überwachtes Lernen ist ein Verfahren zum Lernen eines Korrelationsmodells zum Schätzen einer erforderlichen Ausgabe für eine neue Eingabe durch Erstellen einer großen Menge von bekannten Datensätzen (als Lehrerdaten bezeichnet), von denen jeder eine Eingabe und eine dementsprechende Ausgabe umfasst, vorab und Erkennen eines Merkmals beinhaltend die Korrelation zwischen Eingabe und Ausgabe von den Lehrerdaten.
In der maschinellen Lernvorrichtung 20 der in 8 dargestellten Störungserfassungsvorrichtung 10 umfasst der Lernabschnitt 26 einen Fehlerberechnungsabschnitt 32 zum Berechnen eines Fehlers E zwischen einem Korrelationsmodell M zum Ableiten der Normalität des Betriebs der Werkzeugmaschine von Wellenformdaten betreffend erfasste Werte von einer normal funktionierenden Werkzeugmaschine auf der Basis einer Zustandsvariable S und Ermittlungsdaten D und einem von vorab erstellten Lehrerdaten T erkannten Korrelationsfaktor, und einen Modellaktualisierungsabschnitt 34 zum Aktualisieren des Korrelationsmodells M, so dass der Fehler E verringert werden kann. Der Lernabschnitt 26 lernt die Korrelation zwischen Wellenformdaten betreffend erfasste Werte von einer den Bearbeitungsbetrieb durchführenden Werkzeugmaschine und der Normalität des Betriebs der Werkzeugmaschine durch das Wiederholen des Aktualisierens des Korrelationsmodells M durch den Modellaktualisierungsabschnitt 34.
Ein Ausgangswert des Korrelationsmodells M wird mit der Korrelation in Bezug auf die Zustandsvariable S und beispielsweise durch eine lineare Funktion vereinfachte Ermittlungsdaten D ausgedrückt und wird vor Beginn des überwachten Lernens an den Lernabschnitt 26 übergeben. Die Lehrerdaten T können beispielsweise unter Verwendung von durch in einer vorhergehenden Bearbeitung durch die Werkzeugmaschine von einem fachkundigen Bediener gesammelten Aufzeichnungsermittlungen bezüglich der Normalität des Betriebs der Werkzeugmaschine gebildet werden und werden vor Beginn des überwachten Lernens an den Lernabschnitt 26 übergeben. Der Fehlerberechnungsabschnitt 32 erkennt einen Korrelationsfaktor beinhaltend die Korrelation zwischen Wellenformdaten betreffend von einer den Bearbeitungsbetrieb durchführenden Werkzeugmaschine erfasste Werte und eine Ermittlung bezüglich der Normalität des Betriebs der Werkzeugmaschine auf der Basis einer großen Menge von an den Lernabschnitt 26 übergebenen Lehrerdaten T und findet einen Fehler E zwischen dem Korrelationsmerkmal und einem Korrelationsmodell M entsprechend der Zustandsvariable S im aktuellen Zustand und den Ermittlungsdaten D. Der Modellaktualisierungsabschnitt 34 aktualisiert das Korrelationsmodell M beispielsweise entsprechend vorgegebenen Aktualisierungsregeln, so dass der Fehler E verringert werden kann.
Im nächsten Lernzyklus findet unter Verwendung der Zustandsvariable S und der durch einen Testbearbeitungsbetrieb durch die Werkzeugmaschine entsprechend dem aktualisierten Korrelationsmodell M geänderten Ermittlungsdaten D der Fehlerberechnungsabschnitt 32 einen Fehler E in Bezug auf das Korrelationsmodell M entsprechend der geänderten Zustandsvariable S und den Ermittlungsdaten D und der Modellaktualisierungsabschnitt 34 aktualisiert das Korrelationsmodell M erneut. Dies ermittelt schrittweise die Korrelation zwischen dem aktuellen Umweltzustand (Wellenformdaten betreffend von einer Werkzeugmaschine, die einen Bearbeitungsbetrieb durchführt, erfasste Werte), der nicht bekannt war, und einer Ermittlung zum aktuellen Umweltzustand (Ermittlung zur Betriebsnormalität der Werkzeugmaschine).
9 zeigt eine weitere Form der in 5 dargestellten Störungserfassungsvorrichtung 40 und ein Konfigurationsbeispiel, in dem der Lernabschnitt 26, der überwachtes Lernen als weiteres Beispiel für einen Lernalgorithmus ausführt, enthalten ist. In der Konfiguration in 9 gibt der Ausgabeverwendungsabschnitt 52 einen Alarmwert A zur Angabe, ob der aktuelle Betrieb der Werkzeugmaschine ein normaler Betrieb ist, an einen Bediener auf einer Bildschirmanzeige eines Bildschirms (nicht dargestellt) der Störungserfassungsvorrichtung 40, durch eine Leuchte (nicht dargestellt), eine akustische Ausgabe von einem Lautsprecher (nicht dargestellt) o. Ä. auf der Basis von Wellenformdaten betreffend erfasste Werte, wenn die Werkzeugmaschine normal funktioniert, aus, wobei die Wellenformdaten vom Lernabschnitt 26 gelernt werden. Der Ausgabeverwendungsabschnitt 52 zeigt den Betriebszustand der Werkzeugmaschine an und der Bediener kann auf der Basis des angezeigten Betriebszustands ermitteln, ob ein Werkstück durch einen normalen Betrieb bearbeitet wird.
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 2007052797 [0003, 0004]
JP 5285788 [0003, 0004]

Claims

Störungserfassungsvorrichtung zum Erfassen einer Störung einer zum Bearbeiten eines Werkstücks eingerichteten Werkzeugmaschine, wobei die Störungserfassungsvorrichtung umfasst: eine maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, wobei die maschinelle Lernvorrichtung umfasst einen Zustandsbeobachtungsabschnitt zum Beobachten der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands, und einen Lernabschnitt zum Lernen eines Merkmals der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, unter Verwendung der Zustandsvariable.
Störungserfassungsvorrichtung nach Anspruch 1, wobei der Lernabschnitt einen Gruppenbildungsabschnitt zum Bilden einer Gruppe der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, umfasst.
Störungserfassungsvorrichtung zum Erfassen einer Störung einer zum Bearbeiten eines Werkstücks eingerichteten Werkzeugmaschine, wobei die Störungserfassungsvorrichtung umfasst: eine maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, wobei die maschinelle Lernvorrichtung umfasst einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands, einen Ermittlungsdaten-Erfassungsabschnitt zum Erfassen von Ermittlungsdaten zur Angabe einer Normalität des Betriebs der Werkzeugmaschine, und einen Lernabschnitt zum Durchführen des Lernens durch Verknüpfen der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine mit der Normalität des Betriebs der Werkzeugmaschine in Betrieb ist, unter Verwendung der Zustandsvariable und der Ermittlungsdaten.
Störungserfassungsvorrichtung nach Anspruch 3, wobei der Lernabschnitt umfasst einen Fehlerberechnungsabschnitt zum Berechnen eines Fehlers zwischen einem Korrelationsmodell zum Ableiten der Normalität des Betriebs der Werkzeugmaschine von den Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, und einem aus zuvor erstellten Lehrerdaten erkannten Korrelationsmerkmal auf der Basis der Zustandsvariable und der Ermittlungsdaten, und einen Modellaktualisierungsabschnitt zum Aktualisieren des Korrelationsmodells zum Verringern des Fehlers.
Störungserfassungsvorrichtung nach einem der Ansprüche 1 bis 4, wobei der Lernabschnitt eine Mehrschichtstruktur zum Berechnen der Zustandsvariable aufweist.
Störungserfassungsvorrichtung nach einem der Ansprüche 1 bis 4, ferner umfassend: einen Ausgabeverwendungsabschnitt zum Ausgeben eines Betriebszustands der Werkzeugmaschine auf der Basis eines Lernergebnisses von dem Lernabschnitt und der Zustandsvariable, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist.
Störungserfassungsvorrichtung nach einem der Ansprüche 1 bis 4, wobei der Lernabschnitt Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn der Betrieb normal erfolgt, und für eine Vielzahl von Werkzeugmaschinen gemeinsam ist, unter Verwendung der für jede der Vielzahl von Werkzeugmaschinen erhaltenen Zustandsvariable lernt.
Maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn eine zum Bearbeiten eines Werkstücks ausgebildete Werkzeugmaschine normal funktioniert, wobei die maschinelle Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; und einen Lernabschnitt zum Lernen eines Merkmals der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine normal funktioniert, unter Verwendung der Zustandsvariable.
Maschinelle Lernvorrichtung zum Lernen von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn eine zum Bearbeiten eines Werkstücks ausgebildete Werkzeugmaschine normal funktioniert, wobei die maschinelle Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Wellenformdaten betreffend eine physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine in Betrieb ist, als eine Zustandsvariable zur Angabe eines aktuellen Umweltzustands; einen Ermittlungsdaten-Erfassungsabschnitt zum Erfassen von Ermittlungsdaten zur Angabe einer Normalität des Betriebs der Werkzeugmaschine; und einen Lernabschnitt zum Durchführen des Lernens durch Verknüpfen der Wellenformdaten betreffend die physikalische Größe, die erfasst wird, wenn die Werkzeugmaschine mit der Normalität des Betriebs der Werkzeugmaschine in Betrieb ist, unter Verwendung der Zustandsvariable und der Ermittlungsdaten.