-
HINTERGRUND DER ERFINDUNG
-
Gebiet der Erfindung
-
Die vorliegende Erfindung betrifft eine Abnormalitätserkennungsvorrichtung und eine maschinelle Lernvorrichtung und insbesondere eine Abnormalitätserkennungsvorrichtung und eine maschinelle Lernvorrichtung, die eine Abnormalität während des Wechsels von Werkzeugen erkennen.
-
Beschreibung des Standes der Technik
-
Werkzeugwechselvorrichtungen zum automatischen Auswechseln von Werkzeugen, die an der Spindel der Werkzeugmaschine befestigt werden sollen, sind üblicherweise eingesetzt worden. In einer solchen Werkzeugwechselvorrichtung wird im Voraus eine Mehrzahl von Werkzeugen geladen, die zur Durchführung von Arbeitsvorgängen erforderlich sind. Die Werkzeugwechselvorrichtung dreht ein Werkzeugmagazin, um ein Werkzeug auszuwählen, und befestigt das ausgewählte Werkzeug an einer Spindel. Auf diese Weise ist die Werkzeugwechselvorrichtung dazu konfiguriert, ein an der Spindel einer Werkzeugmaschine zu befestigendes Werkzeug automatisch durch ein gemäß einem Bearbeitungszustand vorgegebenes Werkzeug zu ersetzen.
-
Die Werkzeugwechselvorrichtung einer Werkzeugmaschine könnte aufgrund des Verschleißes des mechanischen Teils derselben (Verschleiß des Abbremsmechanismus), der Lockerung einer Schraube oder dergleichen einen Fehler bei der Auswahl eines Werkzeugs aufweisen, oder kann geladene Werkzeuge aufgrund des Verschleißes eines Greifers, der die Werkzeuge hält, fallen lassen kann. Wenn die Maschine trotz des Auftretens eines solchen Problems weiterläuft, besteht die Wahrscheinlichkeit, dass ein Maschinenkörper, Werkzeuge, eine Spannvorrichtung oder ein Werkstück beschädigt werden.
-
Als eine herkömmliche Technologie zum Angehen solcher Probleme offenbart die offengelegte
Japanische Patentanmeldung Nr. H11-333657 eine Technologie zur Erkennung einer Abnormalität in einer Maschine unter Verwendung der Drehmomentwellenform eines Motors, der das Werkzeugmagazin einer Werkzeugwechselvorrichtung antreibt, von Geräuschen (z.B. Motorgeräusche oder Werkzeug-Fallgeräusch), die beim Wechsel von Werkzeugen erzeugt werden, von Vibrationen oder dergleichen.
-
In einer Werkzeugwechselvorrichtung ändert sich jedoch selbst der gleiche Werkzeugwechselvorgang in Abhängigkeit von den Gewichten, Schwerpunkten oder dergleichen der jeweiligen Werkzeuge, die an einem Werkzeugmagazin befestigt sind. Wenn daher die in der offengelegten
Japanischen Patentanmeldung Nr. H11-333657 beschriebene Technologie verwendet wird, werden die Drehmomentwellenform, das Geräusch und die Vibration eines Motors, die als abnormal erkannt werden sollten, je nach dem Zustand, in dem die Werkzeuge an einem Werkzeugmagazin befestigt sind, geändert, was zu Schwierigkeiten bei der einheitlichen Erkennung einer Abnormalität beim Wechsel der Werkzeuge führt.
-
KURZDARSTELLUNG DER ERFINDUNG
-
In Anbetracht der vorgenannten Umstände ist es eine Aufgabe der vorliegenden Erfindung, eine Abnormalitätserkennungsvorrichtung und eine maschinelle Lernvorrichtung bereitzustellen, die in der Lage sind, eine Abnormalität beim Wechsel von Werkzeugen basierend auf dem Zustand, in dem die Werkzeuge an einer Werkzeugwechselvorrichtung befestigt sind, richtig zu erkennen.
-
In der vorliegenden Erfindung werden Datenelemente beim Wechsel von Werkzeugen durch die Werkzeugwechselvorrichtungen einer Mehrzahl von Werkzeugmaschinen zusammengestellt, um Datenelemente über die Gewichte und Schwerpunkte verschiedener Werkzeuge zu sammeln, eine Clusteranalyse der gesammelten Datenelemente wird entsprechend den Gewichten und Schwerpunkten der Werkzeuge durchgeführt, und Betriebsdaten während des Wechsels der Werkzeuge, wie beispielsweise eine Drehmomentwellenform und ein Geräusch, werden für jeden der Cluster integriert. Wird eine Abnormalität während des Wechsels von Werkzeugen bestimmt, dann bestimmt eine automatische Werkzeugwechselvorrichtung aus den Gewichten und Schwerpunkten der Werkzeuge bei der Bestimmung, zu welchem Cluster der Befestigungszustand der aktuellen Werkzeuge gehört und vergleicht den Befestigungszustand der Werkzeuge mit den in dem entsprechenden Cluster integrierten Betriebsdaten, um die Abnormalität zu erkennen.
-
Ein Aspekt der vorliegenden Erfindung stellt eine Abnormalitätserkennungsvorrichtung bereit, die eine Abnormalität während des Wechsels von Werkzeugen in einer Bearbeitungsmaschine mit einer Werkzeugwechselvorrichtung erkennt, wobei die Abnormalitätserkennungsvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt, der Werkzeuggewichtsdaten über Gewichte der an der Werkzeugwechselvorrichtung angebrachten Werkzeuge, Werkzeugschwerpunktsdaten über Schwerpunkte der Werkzeuge und Werkzeugwechselzustandsdaten über einen Zustand während des Wechsels der Werkzeuge beobachtet; einen Werkzeugwechselzustandsdaten-Speicherabschnitt, der die Werkzeuggewichtsdaten, die Werkzeugschwerpunktsdaten und die Werkzeugwechselzustandsdaten in Zuordnung zueinander speichert; und einen Bestimmungsergebnis-Ausgabeabschnitt, der eine Abnormalität beim Wechsel der Werkzeuge basierend auf den Werkzeuggewichtsdaten, den Werkzeugschwerpunktsdaten und den Werkzeugwechselzustandsdaten, die von dem Zustandsbeobachtungsabschnitt während des Wechsels der Werkzeuge in der Bearbeitungsmaschine beobachtet werden, und den in dem Werkzeugwechselzustandsdaten-Speicherabschnitt gespeicherten Daten erkennt.
-
Gemäß der vorliegenden Erfindung wird es möglich, eine Abnormalität beim Wechsel von Werkzeugen durch eine Werkzeugwechselvorrichtung gemäß den Gewichten und Schwerpunkten der Werkzeuge richtig zu erkennen. Durch die Erkennung der Abnormalität beim Wechsel der Werkzeuge wird es möglich, die Werkzeugwechselvorrichtung frühzeitig zu reparieren oder Beschädigung an einer Maschine oder einem Werkstück aufgrund des Fahrens nach Herausfallen der Werkzeuge zu vermeiden.
-
Figurenliste
-
Die vorgenannten und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus den Beschreibungen der folgenden Ausführungsformen mit Bezug auf die beigefügten Zeichnungen ersichtlich;
- 1 ist ein schematisches Hardware-Konfigurationsdiagramm einer Abnormalitätserkennungsvorrichtung gemäß einer Ausführungsform;
- 2 ist ein schematisches Funktionsblockdiagramm der Abnormalitätserkennungsvorrichtung gemäß der Ausführungsform;
- 3 ist ein schematisches Funktionsblockdiagramm, das einen Modus der Abnormalitätserkennungsvorrichtung zeigt;
- 4 ist ein Diagramm zum Beschreiben eines Verfahrens zum Bestimmen eines Nächste-Nachbarn-Verfahrens; und
- 5 ist ein schematisches Funktionsblockdiagramm, das einen Modus eines Systems zeigt, in dem eine Abnormalitätserkennungsvorrichtung integriert ist.
-
AUFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
-
Nachfolgend werden Ausführungsformen der vorliegenden Erfindung mit Bezug auf die Zeichnungen beschrieben.
-
1 ist ein schematisches Hardware-Konfigurationsdiagramm, das die wesentlichen Teile einer Abnormalitätserkennungsvorrichtung gemäß einer ersten Ausführungsform zeigt. Eine Abnormalitätserkennungsvorrichtung 1 kann beispielsweise als eine Steuervorrichtung implementiert werden, die eine Bearbeitungsmaschine 50 steuert, die eine Werkzeugwechselvorrichtung 60 umfasst. Weiterhin kann die Abnormalitätserkennungsvorrichtung 1 beispielsweise als ein Computer, wie ein der Bearbeitungsmaschine 50 mit der Werkzeugwechselvorrichtung 60 hinzugefügter Personalcomputer, ein Zellencomputer, der über ein Netzwerk mit der die Werkzeugwechselvorrichtung 60 umfassenden Bearbeitungsmaschine 50 verbunden ist, und ein Hostcomputer implementiert werden. Eine Zentraleinheit (CPU) 11 der Abnormalitätserkennungsvorrichtung 1 gemäß der Ausführungsform ist ein Prozessor, der Abnormalitätserkennungsvorrichtung 1 vollständig steuert. Die CPU 11 liest über einen Bus 20 ein in einem Nur-Lese-Speicher (ROM) 12 gespeichertes Systemprogramm und steuert die gesamte Abnormalitätserkennungsvorrichtung 1 gemäß dem Systemprogramm. Ein Direktzugriffsspeicher (RAM) 13 speichert vorübergehend temporäre Berechnungsdaten, Anzeigedaten, verschiedene Daten, die von einem Bediener über einen Eingabeabschnitt (nicht gezeigt) eingegeben werden, oder dergleichen.
-
Ein nichtflüchtiger Speicher 14 ist als Speicher ausgebildet, der seinen Speicherzustand beispielsweise durch eine Backup-Batterie (nicht gezeigt) oder dergleichen auch dann beibehält, wenn die Stromversorgung der Abnormalitätserkennungsvorrichtung 1 ausgeschaltet ist. Der nichtflüchtige Speicher 14 speichert verschiedene Daten (die Gewichte oder dergleichen der jeweiligen an der Werkzeugwechselvorrichtung 60 befestigten Werkzeuge), die von einem Bediener über einen Eingabeabschnitt (nicht gezeigt) eingegeben werden, sowie Information (wie das Drehmoment eines Motors, Geräusch und Vibration) über den Zustand des Werkzeugwechselvorgangs der Werkzeugwechselvorrichtung 60, die von der Bearbeitungsmaschine 50 über eine Schnittstelle 19 eingegeben wird. Verschiedene Daten, die im nichtflüchtigen Speicher 14 gespeichert sind, können bei Verwendung in den RAM 13 entwickelt werden. Weiterhin speichert der ROM 12 im Voraus verschiedene Systemprogramme (einschließlich eines Systemprogramms zur Steuerung der Kommunikation mit der maschinellen Lernvorrichtung 100, das später beschrieben wird), die für den Betrieb der Abnormalitätserkennungsvorrichtung 1 erforderlich sind.
-
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden der Abnormalitätserkennungsvorrichtung 1 und der maschinellen Lernvorrichtung 100 miteinander. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101, der die gesamte maschinelle Lernvorrichtung 100 steuert, einen ROM 102, der ein Systemprogramm oder dergleichen speichert, einen RAM 103, der Daten in verschiedenen Bearbeitungsvorgängen beim maschinellen Lernen zwischenspeichert, und einen nichtflüchtigen Speicher 104, der zum Speichern eines Lernmodells oder dergleichen verwendet wird. Die maschinelle Lernvorrichtung 100 kann entsprechende Informationselemente (wie die Gewichte von jeweiligen an der Werkzeugwechselvorrichtung 60 befestigten Werkzeugen und Information über den Zustand des Werkzeugwechselvorgangs der Werkzeugwechselvorrichtung 60) beobachten, die von der Abnormalitätserkennungsvorrichtung 1 über die Schnittstelle 21 erfasst werden können. Weiterhin gibt die Abnormalitätserkennungsvorrichtung 1 bei Empfang eines von der maschinellen Lernvorrichtung 100 ausgegebenen Abnormalitätsbestimmungsergebnisses einen Befehl oder dergleichen aus, um eine Warnung auszusenden oder die Werkzeugwechselvorrichtung 60 außer Kraft zu setzen.
-
2 ist ein schematisches Funktionsblockdiagramm der Abnormalitätserkennungsvorrichtung 1 und der maschinellen Lernvorrichtung 100 gemäß der ersten Ausführungsform. Jeweilige Funktionsblöcke, die in 2 dargestellt sind, werden realisiert, wenn die CPU 11 der Abnormalitätserkennungsvorrichtung 1 und der Prozessor 101 der in 1 dargestellten maschinellen Lernvorrichtung 100 ihre Systemprogramme ausführen und die Betriebsvorgänge der jeweiligen Abschnitte der Abnormalitätserkennungsvorrichtung 1 und der maschinellen Lernvorrichtung 100 steuern. Die Abnormalitätserkennungsvorrichtung 1 der Ausführungsform umfasst einen Warnabschnitt 30.
-
Der Warnabschnitt 30 ist ein Funktionsmittel zum Ausgeben eine Warnung, wenn die maschinelle Lernvorrichtung 100 eine Abnormalität in einem Werkzeugwechselvorgang durch die Werkzeugwechselvorrichtung 60 basierend auf den Gewichten und Schwerpunkten der an der Werkzeugwechselvorrichtung 60 befestigten Werkzeuge und dem von der Bearbeitungsmaschine 50 eingegebenen Zustand des Werkzeugwechselvorgangs erkennt.
-
Der Warnabschnitt 30 kann über einen Anzeigeabschnitt oder einen Tonausgabebereich (nicht gezeigt) der Abnormalitätserkennungsvorrichtung 1 eine Warnung an einen Bediener ausgeben. Des Weiteren kann der Warnabschnitt 30 als Warnung an die Bearbeitungsmaschine 50 die Tatsache ausgeben, dass beim Wechseln von Werkzeugen eine Abnormalität aufgetreten ist. In diesem Fall kann die Bearbeitungsmaschine 50, die die Warnung vom Warnabschnitt 30 erhalten hat, mittels einer Lampe, Anzeige, eines Tons oder dergleichen über ein Bedienfeld oder dergleichen (nicht dargestellt) die Tatsache ausgeben, dass eine Abnormalität in einem Werkzeugwechselvorgang erkannt wurde, oder einen Bearbeitungsvorgang und den Werkzeugwechselvorgang unterbrechen.
-
Andererseits lernt die maschinelle Lernvorrichtung 100 der Abnormalitätserkennungsvorrichtung 1 eine Modellstruktur, die die Beziehung zwischen der Verteilung der Gewichte und Schwerpunkte der an der Werkzeugwechselvorrichtung 60 befestigten Werkzeuge und dem Zustand eines Werkzeugwechselvorgangs ausdrückt. Wie durch die Funktionsblöcke in 2 gezeigt, umfasst die maschinelle Lernvorrichtung 100 der Abnormalitätserkennungsvorrichtung 1 einen Zustandsüberwachungsabschnitt 106, einen Lernabschnitt 110 und einen Bestimmungsergebnis-Ausgabeabschnitt 122.
-
Der Zustandsbeobachtungsabschnitt 106 beobachtet als Zustandsvariablen S die Werkzeuggewichtsdaten S1 über die Gewichte der an der Werkzeugwechselvorrichtung 60 befestigten Werkzeuge, die Werkzeugschwerpunktsdaten S2 über den Schwerpunkt der Werkzeugwechselvorrichtung 60, an der die Werkzeuge befestigt sind, und die Werkzeugwechselzustandsdaten S3 über den Zustand eines Werkzeugwechselvorgangs. Der Lernabschnitt 110 lernt die Korrelation zwischen der Verteilung der Gewichte und Schwerpunkte von Werkzeugen und dem Zustand eines Werkzeugwechselvorgangs. Der Bestimmungsergebnis-Ausgabeabschnitt 122 gibt ein Bestimmungsergebnis unter Verwendung eines gelernten Modells durch den Lernabschnitt 110 aus.
-
Als die Werkzeuggewichtsdaten S1 unter den Zustandsvariablen S, die vom Zustandsbeobachtungsabschnitt 106 beobachtet werden, kann beispielsweise von einem Bediener eingegebene Information über Werkzeuge, die am Werkzeugmagazin der Werkzeugwechselvorrichtung 60 befestigt sind, verwendet werden. Die Werkzeuggewichtsdaten S1 können das Gesamtgewicht der am Werkzeugmagazin befestigten Werkzeuge sein oder können eine Datenaufstellung aus dem Gesamtgewicht der Werkzeuge und den Gewichten der an den jeweiligen Werkzeugbefestigungspositionen des Werkzeugmagazins befestigten Werkzeuge sein.
-
Als die Werkzeugschwerpunktsdaten S2 unter den Zustandsvariablen S, kann beispielsweise von einem Bediener eingegebene Information über Werkzeuge, die am Werkzeugmagazin der Werkzeugwechselvorrichtung 60 befestigt sind, verwendet werden. Die Werkzeugschwerpunktsdaten S2 können beispielsweise die Abweichung oder dergleichen des Schwerpunkts des Werkzeugmagazins, der aus den Gewichten und Formen der jeweiligen am Werkzeugmagazin befestigten Werkzeuge, der Form des Werkzeugmagazins oder dergleichen berechnet wird, umfassen.
-
Als die Werkzeugwechselzustandsdaten S3 unter den Zustandsvariablen S kann beispielsweise Information von Sensoren oder dergleichen, die während des Wechsels von Werkzeugen der Bearbeitungsmaschine 50 durch die Werkzeugwechselvorrichtung 60 an den jeweiligen Teilen der Werkzeugwechselvorrichtung 60 befestigt sind, verwendet werden. Die Werkzeugwechselzustandsdaten S3 können beispielsweise die Drehmomentwellenform eines Motors, der das Werkzeugmagazin der Werkzeugwechselvorrichtung 60 antreibt, eine von einem Mikrofon oder dergleichen, das an der Werkzeugwechselvorrichtung 60 befestigt ist, erfasste Schallwellenform während des Wechsels von Werkzeugen, eine von einem an der Werkzeugwechselvorrichtung 60 befestigten Vibrationssensor erfasste Vibrationswellenform während des Wechsels von Werkzeugen oder dergleichen umfassen.
-
Als die Werkzeugwechselzustandsdaten S3 kann nur Information in einem Fall, in dem Werkzeuge auf normale Weise gewechselt werden, oder nur Information (Information im Falle einer Abnormalität) in einem Fall, in dem die Werkzeuge nicht auf normale Weise gewechselt werden, basierend auf einer vom Bediener eingegeben Information über eine Normalität/Abnormalität beim Wechseln der Werkzeuge ausgewählt und erfasst werden. Alternativ können die Werkzeugwechselzustandsdaten S3 selbst eine von einem Bediener eingegebene Information über eine Normalität/Abnormalität beim Wechsel von Werkzeugen umfassen. Die Normalität/Abnormalität beim Wechsel von Werkzeugen kann aus einem Sperrungssignal bestimmt werden, das unmittelbar nach dem Wechsel der Werkzeuge von einem Bediener eingegeben wird, wenn der Wechsel der Werkzeuge fehlschlägt, oder kann aus einer vom Bediener eingegeben Information (die bei der Wartung oder dergleichen der Werkzeugwechselvorrichtung 60 zu verwenden ist), die eine Abnormalität beim Wechsel der Werkzeuge direkt anzeigt, bestimmt werden. Wenn eine solche Eingabe nicht vom Bediener ausgeführt wird, kann bestimmt werden, dass zu diesem Zeitpunkt ein Werkzeugwechselvorgang auf normale Weise durchgeführt wird.
-
Es ist zu beachten, dass während der sogenannten Einlernzeit der maschinellen Lernvorrichtung 100 jeweilige Datenelemente, die in den Zustandsvariablen S umfasst sind, aus Daten erfasst werden können, die bei der vergangenen Verarbeitung unter Verwendung eines Datenloggers (nicht gezeigt) aufgezeichnet wurden.
-
Der Lernabschnitt 110 führt eine Clusteranalyse basierend auf den Werkzeuggewichtsdaten S1 und den Werkzeugschwerpunktsdaten S2 gemäß einem beliebigen Lernalgorithmus durch, der insgesamt als maschinelles Lernen bezeichnet wird, und speichert dann die Werkzeuggewichtsdaten S1 und die Werkzeugschwerpunktsdaten S2 und die Werkzeugwechselzustandsdaten S3 in einem Werkzeugwechselzustandsdaten-Speicherabschnitt 120 in Zuordnung zueinander für jeden der durch die Clusteranalyse erzeugten Cluster. Alternativ kann der Lernabschnitt 110 eine Clusteranalyse basierend auf den Werkzeuggewichtsdaten S1 und den Werkzeugschwerpunktsdaten S2 durchführen, die in der Vergangenheit im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gespeichert wurden. Der Lernabschnitt 110 kann Tags zu den jeweiligen Clustern, die als Ergebnis einer Clusteranalyse erhalten wurden, hinzufügen und die den Clustern hinzugefügten Tags in Zuordnung zu den dem Cluster zugehörigen Daten im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 speichern. Der Lernabschnitt 110 kann das Lernen basierend auf einem die oben genannten Zustandsvariablen S umfassenden Satz von Datenelementen wiederholt durchführen.
-
Durch wiederholtes Durchführen eines solchen Lernzyklus interpretiert der Lernabschnitt 110 die Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) der am Werkzeugmagazin der Werkzeugwechselvorrichtung 60 angebrachten Werkzeuge als ein Satz von Clustern und interpretiert dann automatisch den Zustand (Werkzeugwechselzustandsdaten S3) eines Werkzeugwechselvorgangs in jedem der Cluster. Zu Beginn eines Lernalgorithmus ist die Korrelation zwischen den Clustern der Werkzeuggewichtsdaten S1 und Werkzeugschwerpunktsdaten S2 und den Werkzeugwechselzustandsdaten S3 im Wesentlichen unbekannt. Während der Lernabschnitt 110 das Lernen vorantreibt, werden jedoch die Werkzeugwechselzustandsdaten S3, die den jeweiligen Clustern der Werkzeuggewichtsdaten S1 und der Werkzeugschwerpunktsdaten S2 entsprechen, allmählich in dem Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gesammelt. Basierend auf den gesammelten Daten wird es möglich, die Korrelation zwischen den Clustern der Werkzeuggewichtsdaten S1 und Werkzeugschwerpunktsdaten S2 und den Werkzeugwechselzustandsdaten S3 zu interpretieren. Nachdem die Korrelation bis zu einem gewissen Grad zuverlässig interpretiert worden ist, wird dann ein Lernergebnis (gelerntes Modell) durch den Lernabschnitt 110 zur Verfügung gestellt, um zu bestimmen, ob Werkzeuge auf normale Weise gewechselt werden, wenn ein Werkzeugwechselvorgang in einem aktuellen Werkzeugbefestigungszustand durchgeführt wird.
-
Wie vorstehend beschrieben, lernt der Lernabschnitt 110 in der maschinellen Lernvorrichtung 100 der Abnormalitätserkennungsvorrichtung 1 die Korrelation zwischen den Clustern der Gewichte und Schwerpunkte der am Werkzeugmagazin der Werkzeugwechselvorrichtung 60 angebrachten Werkzeuge und dem Zustand eines Werkzeugwechselvorgangs gemäß einem maschinellen Lernalgorithmus unter Verwendung der von dem Zustandsbeobachtungsabschnitt 106 beobachteten Zustandsvariablen S. Die Werkzeuggewichtsdaten S1, die Werkzeugschwerpunktsdaten S2 und die Werkzeugwechselzustandsdaten S3 der Zustandsvariablen S werden eindeutig aus den jeweiligen Informationselementen berechnet, die von der Abnormalitätserkennungsvorrichtung 1 erfasst werden. Daher wird es gemäß der maschinellen Lernvorrichtung 100 der Abnormalitätserkennungsvorrichtung 1 unter Verwendung eines Lernergebnisses von dem Lernabschnitt 100 möglich, automatisch und genau zu bestimmen, ohne sich auf eine Berechnung oder Schätzung zu verlassen, ob der Zustand eines Werkzeugwechselvorgangs in den Clustern der Gewichte und Schwerpunkte der am Werkzeugmagazin der Werkzeugwechselvorrichtung 60 befestigten Werkzeuge normal ist.
-
Der Bestimmungsergebnis-Ausgabeabschnitt 122 bestimmt eine Normalität/Abnormalität in dem Zustand eines aktuellen Werkzeugwechselvorgangs in Bezug auf die Cluster der Gewichte und Schwerpunkte aktueller Werkzeuge basierend auf einem Lernergebnis von dem Lernabschnitt 110 und gibt dann ein Bestimmungsergebnis an den Warnabschnitt 30 aus. Der Bestimmungsergebnis-Ausgabeabschnitt 122 erfasst aus dem Lernabschnitt 110 Cluster, zu denen die Gewichte und Schwerpunkte von aktuell eingegebenen Werkzeugen gehören, und bestimmt dann die Normalität/Abnormalität im Zustand eines aktuellen Werkzeugwechselvorgangs unter Verwendung der Werkzeuggewichtsdaten S1, der Werkzeugschwerpunktsdaten S2 und der zu den Clustern gehörenden Werkzeugwechselzustandsdaten S3 unter den im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gespeicherten Datenelementen. Basierend auf beispielsweise den Werkzeugwechselzustandsdaten S3, die zu den Clustern der Gewichte und Schwerpunkte aktueller Werkzeuge gehören und im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gespeichert sind, kann der Bestimmungsergebnis-Ausgabeabschnitt 122 einen Schwellenwert (wie beispielsweise den Schwellenwert eines Drehmomentwertes, bei dem eine Abnormalität festgestellt wird, eines Schallpegels, den Schwellenwert einer Frequenz und den Schwellenwert eines Vibrationspegels) einer Normalität/Abnormalität in einem Werkzeugwechselvorgang in den Clustern berechnen und den berechneten Schwellenwert mit dem Zustand eines aktuellen Werkzeugwechselvorgangs vergleichen, um die Normalität/Abnormalität in dem Werkzeugwechselvorgang zu erkennen. Der Bestimmungsergebnis-Ausgabeabschnitt 122 kann einen solchen Schwellenwert unter Verwendung der Werkzeugwechselzustandsdaten S3 in einem Fall, in dem ein Werkzeugwechsel in einer normalen Weise durchgeführt wird, oder der Werkzeugwechselzustandsdaten S3 in einem Fall, in dem der Werkzeugwechselvorgang in einer abnormalen Weise ausgeführt wird, berechnen. Alternativ kann der Bestimmungsergebnis-Ausgabeabschnitt 122 einen Schwellenwert unter Verwendung sowohl der Werkzeugwechselzustandsdaten S3 in einem Fall, in dem ein Werkzeugwechsel in normaler Weise durchgeführt wird, als auch der Werkzeugwechselzustandsdaten S3 in einem Fall, in dem der Werkzeugwechselvorgang in abnormaler Weise ausgeführt wird, berechnen.
-
Basierend beispielsweise auf den Werkzeugwechselzustandsdaten S3, die zu den Clustern der Gewichte und Schwerpunkte aktueller Werkzeuge gehören und im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gespeichert sind, kann der Bestimmungsergebnis-Ausgabeabschnitt 122 bestimmen, ob die aktuellen Werkzeugwechselzustandsdaten S3 nahe bei einem Satz von Werkzeugwechselzustandsdatenelementen S3 in einem Fall, in dem ein Werkzeugwechselvorgang in normaler Weise durchgeführt wird, oder einem Satz von Werkzeugwechselzustandsdatenelementen S3 in einem Zustand, in dem der Werkzeugwechselvorgang in abnormaler Weise durchgeführt wird, liegen, um eine Normalität/Abnormalität in dem Werkzeugwechselvorgang zu erkennen.
-
Basierend auf beispielsweise den Werkzeugwechselzustandsdaten S3, die zu den Clustern der Gewichte und Schwerpunkte aktueller Werkzeuge gehören und im Werkzeugwechselzustandsdaten-Speicherabschnitt 120 gespeichert sind, kann der Bestimmungsergebnis-Ausgabeabschnitt 122 eine Bestimmungsformel erzeugen (zum Beispiel eine Bestimmungsformel zum Berechnen eines vorgegebenen Bestimmungswertes aus einem Drehmomentwert, einem Schallpegel, einer Frequenz, einem Vibrationspegel oder dergleichen, bei dem eine Abnormalität bestimmt wird), um eine Normalität/Abnormalität in einem Werkzeugwechselvorgang in den Clustern zu bestimmen und anschließend die Normalität/Abnormalität in dem Werkzeugwechselvorgang unter Verwendung eines Bestimmungswerts, der basierend auf der erzeugten Bestimmungsformel und dem Zustand eines aktuellen Werkzeugwechselvorgangs berechnet wird, erkennen.
-
Der Bestimmungsergebnis-Ausgabeabschnitt 122 kann für jeden der Cluster ein maschinelles Lernen unter Verwendung der zu jedem der Cluster gehörenden Werkzeugwechselzustandsdaten S3 durchführen, um ein gelerntes Modell zum Bestimmen einer Normalität/Abnormalität in jedem der Cluster aufzubauen und die Normalität/Abnormalität in einem aktuellen Werkzeugaustauschvorgang unter Verwendung des gelernten Modells zu erkennen.
-
Als ein modifiziertes Beispiel für die Abnormalitätserkennungsvorrichtung 1 kann der Zustandsbeobachtungsabschnitt 106 als Zustandsvariablen S, neben den Werkzeuggewichtsdaten S1, den Werkzeugschwerpunktsdaten S2 und den Werkzeugwechselzustandsdaten S3, die Werkzeugwechselbefehlsdaten S4 zu einem Befehl während des Werkzeugwechsel beobachten. Die Daten des Werkzeugwechselbefehlsdaten S4 können beispielsweise aus dem Block eines Verarbeitungsprogramms erfasst werden.
-
Gemäß dem oben genannten modifizierten Beispiel kann die maschinelle Lernvorrichtung 100 eine Clusteranalyse basierend auf den Werkzeuggewichtsdaten S1, den Werkzeugschwerpunktsdaten S2 und den Werkzeugwechselbefehlsdaten S4 durchführen und einen Vergleich der Werkzeugwechselzustandsdaten S3 für jeden der durch die Clusteranalyse erzeugten Cluster durchführen. Dadurch wird es möglich, eine Normalität/Abnormalität beim Wechsel von Werkzeugen mit höherer Genauigkeit zu erkennen.
-
In der maschinellen Lernvorrichtung 100 mit der obigen Konfiguration ist der Algorithmus einer Clusteranalyse, die von dem Lernabschnitt 110 basierend auf den Werkzeuggewichtsdaten S1 und den Werkzeugschwerpunktsdaten S2 durchgeführt wird, nicht besonders begrenzt, und es kann ein beliebiger Lernalgorithmus als maschinelles Lernen eingesetzt werden. 3 zeigt einen Modus der Abnormalitätserkennungsvorrichtung 1 in 2 und eine Konfiguration, die den Lernabschnitt 110 umfasst, der unüberwachtes Lernen als Beispiel für einen Lernalgorithmus durchführt. Das unüberwachte Lernen ist ein Verfahren, bei dem nur Eingabedatenelemente in großen Mengen an eine Lernvorrichtung weitergegeben werden, um ein Merkmal zu identifizieren, das die Beziehung zwischen den Eingabedatenelementen anzeigt, um ein Modell zum Schätzen einer gewünschten Ausgabe in Bezug auf eine neue Eingabe zu erlernen. Im unüberwachten Lernen ist es möglich, eine Komprimierung, Klassifizierung, Strukturierung oder dergleichen an Eingabedaten durchzuführen, ohne den Eingabedaten entsprechende überwachte Daten anzugeben.
-
In der maschinellen Lernvorrichtung 100 der in 3 gezeigten Abnormalitätserkennungsvorrichtung 1 umfasst der Lernabschnitt 110 einen Modellaktualisierungsabschnitt 114, der ein Modell M aktualisiert, das die Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen aus den Zustandsvariablen S anzeigt. Der Lernabschnitt 110 erlernt die Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen durch wiederholtes Aktualisieren des Modells M durch den Modellaktualisierungsabschnitt 114.
-
Der Anfangswert des Modells M wird beispielsweise durch die Vereinfachung (eine lineare Funktion) der Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen ausgedrückt und an den Lernabschnitt 110 vor Beginn des unüberwachten Lernens weitergegeben. Der Modellaktualisierungsabschnitt 114 identifiziert das Merkmal der Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen aus einer großen Menge der an den Lernabschnitt 110 weitergegebenen Zustandsvariablen S, und aktualisiert dann das Modell M beispielsweise gemäß einer vorgegebenen Aktualisierungsregel basierend auf dem Merkmal.
-
Wenn eine Clusteranalyse der Verteilung der Gewichte (Werkzeuggewichtsdaten S1) und der Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen durch unüberwachtes Lernen durchgeführt wird, kann als ein Beispiel ein Nächste-Nachbarn-Verfahrens verwendet werden, um zu bestimmen, zu welchem Cluster die Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von neu erfassten Werkzeugen gehören. Wenn ein Diagramm, in dem die Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) der Werkzeuge in den jeweiligen Achsen festgelegt sind, beispielsweise als Modell M verwendet wird, das basierend auf den vom Zustandsbeobachtungsabschnitt 106 der maschinellen Lernvorrichtung 100 während der Einlernzeit der Maschinenlernvorrichtung 100 beobachteten Zustandsvariablen S aktualisiert wird, bilden die Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) der Werkzeuge einen Satz von Clustern mit einer bestimmten Tendenz, wie in FIG. dargestellt. 4 (Es ist zu beachten, dass die Werkzeuggewichtsdaten S1 und die Werkzeugschwerpunktsdaten S2 durch ein zweidimensionales Diagramm ausgedrückt werden, da diese zum Zwecke der Vereinfachung einer Beschreibung in 4 jeweils einen Wert annehmen, wobei sie jedoch tatsächlich durch ein mehrdimensionales Diagramm behandelt werden, da jedes der Datenelemente durch ein Array ausgedrückt wird). Wenn im Nächste-Nachbarn-Verfahren eine Gruppe (Stichprobe) der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugausgleichsdaten S2) von Werkzeugen, die vom Zustandsbeobachtungsabschnitt 106 in einem Betriebszeitraum beobachtet werden, auf dem Diagramm eines Modells M aufgetragen wird, kann ein Cluster, zu dem die Stichprobe gehört, basierend darauf bestimmt werden, zu welchem Cluster k Punkte in der Nähe des Punktes der Stichprobe gehören. Wenn andererseits die k Punkte nicht innerhalb eines vorgeschriebenen Abstandes r vom Punkt der Stichprobe vorhanden sind, kann bestimmt werden, dass die Stichprobe zu keinem der Cluster gehört. In 4 gehört beispielsweise bei k = 5 eine Probe a zu einem Cluster A, da fünf Gruppen der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen, die zum Cluster A gehören, in der Nähe der Probe a vorhanden sind, und eine Stichprobe b gehört zu einem Cluster B, da fünf Gruppen der Gewichte (Werkzeuggewichtsdaten S1) und Schwerpunkte (Werkzeugschwerpunktsdaten S2) von Werkzeugen, die zum Cluster B gehören, in der Nähe der Stichprobe b vorhanden sind.
-
Die Konfiguration der obigen Abnormalitätserkennungsvorrichtung 1 kann als eine maschinelle Lernmethode (oder Software) beschrieben werden, die vom Prozessor 101 ausgeführt wird. Das maschinelle Lernverfahren ist ein Verfahren zum Erlernen der Beziehung zwischen der Verteilung der Gewichte und Schwerpunkte von Werkzeugen und dem Zustand eines Werkzeugwechselvorgangs, wobei das Verfahren bewirkt, dass eine CPU in einem Computer ausgeführt: einen Schritt des Beobachtens der Werkzeuggewichtsdaten S1, der Werkzeugschwerpunktsdaten S2 und der Werkzeugwechselzustandsdaten S3 als die Zustandsvariablen S, die den aktuellen Zustand einer Umwelt anzeigen; und einen Schritt des Lernens der Verteilung der Gewichte und Schwerpunkte der Werkzeuge und des Zustands des Werkzeugwechselvorgangs in Zuordnung zueinander unter Verwendung der Zustandsvariablen S.
-
5 zeigt ein System 170 gemäß einer Ausführungsform, in der das System 170 eine Mehrzahl von Bearbeitungsmaschinen 50 mit Werkzeugwechselvorrichtungen 60 aufweist. Das System 170 besteht aus einer Abnormalitätserkennungsvorrichtung 1, der Mehrzahl von Verarbeitungsmaschinen 50, die mindestens die gleichen Werkzeugwechselvorrichtungen 60 umfassen, und einem drahtgebundenen/drahtlosen Netzwerk 172, das die Abnormalitätserkennungsvorrichtung 1 und die Bearbeitungsmaschinen 50 miteinander verbindet.
-
In dem System 170 mit der obigen Konfiguration kann ein Lernabschnitt 110 einer maschinellen Lernvorrichtung 100 der Abnormalitätserkennungsvorrichtung 1 die Beziehung zwischen der Verteilung der Gewichte und Schwerpunkte der Werkzeuge der Werkzeugwechselvorrichtung 60 in jeder der Mehrzahl von Bearbeitungsmaschinen 50 und dem Zustand eines Werkzeugwechselvorgangs erlernen und dann automatisch und genau, ohne sich auf eine Berechnung oder Schätzung zu verlassen, eine Normalität/Abnormalität im Werkzeugwechselvorgang der Werkzeugwechselvorrichtung 60 in jeder der Bearbeitungsmaschinen 50 unter Verwendung eines Lernergebnisses bestimmen. Gemäß der Konfiguration des Systems 170 ist es möglich, einen breiteren Bereich von Datensätzen (einschließlich der Zustandsvariablen S) über die Mehrzahl von Werkzeugwechselvorrichtungen 60 zu erfassen und die Geschwindigkeit und Zuverlässigkeit des Lernens der Beziehung zwischen der Verteilung der Gewichte und Schwerpunkte von Werkzeugen der Werkzeugwechselvorrichtungen 60 und dem Zustand eines Werkzeugwechselvorgangs mit den erfassten Datensätzen als Eingabe zu verbessern.
-
Das System 170 kann eine Konfiguration annehmen, in der die Abnormalitätserkennungsvorrichtung 1 als ein Cloud-Server oder dergleichen implementiert ist, der mit dem Netzwerk 172 verbunden ist. Gemäß der Konfiguration kann eine gewünschte Anzahl der (Bearbeitungsmaschinen 50 mit) Werkzeugwechselvorrichtungen 60 bei Bedarf unabhängig von den vorhandenen Positionen und Zeiten der Mehrzahl von Werkzeugwechselvorrichtungen 60 mit der maschinellen Lernvorrichtung 100 verbunden werden.
-
Die Ausführungsformen der vorliegenden Erfindung sind oben beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der oben genannten Ausführungsformen beschränkt, sondern kann in verschiedenen Modi durch Hinzufügen geeigneter Modifikationen durchgeführt werden.
-
So sind beispielsweise ein von der maschinellen Lernvorrichtung 100 ausgeführter Lernalgorithmus, ein von der maschinellen Lernvorrichtung 100 ausgeführter Berechnungsalgorithmus und dergleichen nicht auf die obigen Algorithmen beschränkt, sondern es können verschiedene Algorithmen eingesetzt werden.
-
Außerdem beschreiben die obigen Ausführungsformen eine Konfiguration, bei der die Abnormalitätserkennungsvorrichtung 1 und die maschinelle Lernvorrichtung 100 unterschiedliche CPUs (Prozessoren) aufweisen. Die maschinelle Lernvorrichtung 100 kann jedoch durch die CPU 11 der Abnormalitätserkennungsvorrichtung 1 und ein in dem ROM 12 gespeichertes Systemprogramm realisiert werden.
-
Die Ausführungsformen der vorliegenden Erfindung sind oben beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der oben genannten Ausführungsformen beschränkt, sondern kann in anderen Modi durch Hinzufügen geeigneter Modifikationen 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
-
- JP H11333657 [0004, 0005]
