DE102018103599B4

DE102018103599B4 - Werkzeugzustandsschätzungsgerät und Werkzeugmaschine

Info

Publication number: DE102018103599B4
Application number: DE102018103599.3A
Authority: DE
Inventors: Yasuhiro NAKAHAMA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-02-24
Filing date: 2018-02-19
Publication date: 2024-02-29
Anticipated expiration: 2038-02-20
Also published as: CN108500736B; DE102018103599A1; CN108500736A; US20180246494A1; JP6487475B2; JP2018138327A; US10635081B2

Abstract

Werkzeugzustandsschätzungsgerät (100), das einen Zustand eines Werkzeugs (2), das von einer Werkzeugmaschine verwendet wird, um ein Werkstück (3) zu bearbeiten, schätzt, wobei das Werkzeugzustandsschätzungsgerät (100) Folgendes umfasst:
einen Zustandsbeobachtungsabschnitt (112), der dynamische Informationen über die Umgebung des Werkzeugs (2) aus Logdaten, die während eines Betriebs der Werkzeugmaschine erfasst werden, erfasst, und Eingabedaten basierend auf den erfassten dynamischen Informationen über die Umgebung des Werkzeugs (2) erzeugt, wobei die dynamischen Informationen dynamische Informationen umfassen, die mindestens den Streuzustand der Späne (4) bei der Bearbeitung des Werkstücks (3) umfassen;
einen Lernabschnitt (111), der maschinelles Lernen unter Verwenden der Eingabedaten ausführt, die von dem Zustandsbeobachtungsabschnitt (112) erzeugt werden, um ein Lernmodell aufzubauen, und
einen Lernmodellspeicherabschnitt (114), der das aufgebaute Lernmodell speichert.

Description

STAND DER TECHNIK
1. Gebiet der Erfindung
Die vorliegende Erfindung betrifft ein Werkzeug-Zustandsschätzungsgerät, das einen Zustand eines Werkzeugs schätzt, das in einer Werkzeugmaschine verwendet wird, und die Werkzeugmaschine.
2. Beschreibung des Stands der Technik
Im Allgemeinen verschlechtert sich die Bearbeitungspräzision eines Werkzeugs, das in einer Werkzeugmaschine verwendet wird, wenn sich das Werkzeug an seiner Klingenspitze abnutzt, und erhöht seinen Schneidwiderstand im Bearbeitungszeitablauf, und das Werkzeug kann daher eine vorgeschriebene Bearbeitungspräzision, die für ein Werkstück erforderlich ist, nicht aufrechterhalten. Es wird im Allgemeinen bestimmt, dass die Lebensdauer des Werkzeugs in diesem Zeitpunkt abgelaufen ist. Beispiele eines Verfahrens zum Bestimmen, ob die Lebensdauer eines Werkzeugs abgelaufen ist, weisen das Bestätigen einer Abnutzungsmenge der Klingenspitze des Werkzeugs und das Bestimmen auf, ob die Abnutzungsmenge einen Zielabnutzungsbereich überschritten hat, anders als direktes Bestätigen der Bearbeitungspräzision eines Werkstücks. Es ist jedoch notwendig, dass man den Schritt des Bestimmens einer Lebensdauer getrennt von einem Bearbeitungsbetrieb hat, was einer der Faktoren wird, die für das Stören der Effizienz eines Bearbeitungszyklus verantwortlich sind. Daher ist eine Technologie zum Schätzen eines Zustands eines Werkzeugs im Voraus für eine Verbesserung des Bearbeitungsertrags wichtig.
Als ein verwandter Stand der Technik zum Bestimmen eines Zustands eines Werkzeugs, offenbart JP 2011 - 45 988 A eine Technologie, durch die ein Bild eines Schneidwerkzeugs von einer Bilderfassungseinheit erfasst wird, und ein Zustand des Werkzeugs basierend auf den Daten des Bilds bestimmt wird. Ferner war als ein Stand der Technik in Zusammenhang mit der Schätzung des Zustands eines Werkzeugs, die Werkzeuglebensdauergleichung von Taylor bekannt ( JP H11 - 170 102 A oder dergleichen). Wenn ein Zustand eines Werkzeugs von der Werkzeuglebensdauergleichung von Taylor geschätzt wird, wird eine Konstante basierend auf Bearbeitungsbedingungen festgelegt, wie ein Werkzeug, das beim Bearbeiten verwendet wird, und ein Werkstückmaterial, und die eingestellte Konstante wird an die Werkzeuglebensdauergleichung von Taylor angewandt. Ein Zustand eines Werkzeugs kann daher unter diversen Bearbeitungsbedingungen geschätzt werden. Ferner wurde auch eine Technologie zum Schätzen eines Zustands eines Werkzeugs basierend auf einer Bearbeitungszeit, einer Bearbeitungsfrequenz oder dergleichen vorgeschlagen ( JP 2002 - 224 925 A oder dergleichen).
Wenn jedoch ein Abnutzungszustand eines Werkzeugs direkt bestätigt wird, ist es erforderlich, das Werkzeug durch eine Messvorrichtung oder dergleichen nach einer Bearbeitungszeit zu messen, was in einer Erhöhung der Bearbeitungszykluszeit resultiert.
Wenn die Lebensdauer eines Werkzeugs ferner durch die Werkzeuglebensdauergleichung von Taylor geschätzt wird, ist es erforderlich, eine Konstante der Gleichung gemäß Bearbeitungsbedingungen zu berechnen. Da die Bestimmung einer Konstante bei einer Werkzeugmaschine, deren Bearbeitungsbedingungen oft wechseln, folglich kompliziert wird, ist es schwierig, die Lebensdauer eines Werkzeugs anhand der Werkzeuglebensdauergleichung von Taylor zu schätzen.
Wenn die Lebensdauer eines Werkzeugs basierend auf einer Bearbeitungszeit, einer Bearbeitungsfrequenz oder dergleichen geschätzt wird, ist es ferner erforderlich, eine Bearbeitungszeit und eine Bearbeitungshäufigkeit für jedes Werkzeug im Voraus aufzuzeichnen, und ihr Schätzungsverfahren hängt von einer empirischen Regel, die auf tatsächlicher Bearbeitung basiert, ab. Die Schätzung eines Zustands eines Werkzeugs wird folglich selbstverständlich in einer Situation, in der sich die Bearbeitungsbedingungen oft ändern, schwierig. Als ein Resultat wird ein Werkzeug, dessen Lebensdauer nicht abgelaufen ist, verworfen, oder ein schadhaftes Produkt wird massenweise aufgrund der laufenden Abnutzung eines Werkzeugs erzeugt, obwohl die Lebensdauer des Werkzeugs abgelaufen ist.
Aus JP 2017 - 227 947 A ist eine Managementvorrichtung bekannt, wobei in einem Werkzeuginformationsspeicher Koeffizienten gespeichert werden, aus denen ein Abnutzungsgrad eines Werkzeugs ermittelt werden kann.
JP 2018 - 103 284 A zeigt eine Vorrichtung zum Abschätzen einer Werkzeuglebensdauer, wobei eine Zustandsbeobachtungseinheit Bearbeitungsinformationen einschließlich einer Bearbeitungssituation aus gespeicherten Logdaten erhält und wobei durch Maschinenlernen ein Lernmodell konstruiert wird, das auf Grundlage der von der Zustandsbeobachtungseinheit aufbereiteten Daten eine Werkzeuglebensdauer abschätzen kann.
KURZDARSTELLUNG DER ERFINDUNG
Angesichts der oben stehenden Probleme, ist es eine Aufgabe der vorliegenden Erfindung, ein Werkzeugzustandsschätzungsgerät und eine Werkzeugmaschine bereitzustellen, die fähig sind, einen Zustand eines Werkzeugs mit hoher Präzision ohne Erhöhung einer Bearbeitungszykluszeit zu schätzen.
Bei der vorliegenden Erfindung werden dynamische Informationen (wie eine Verstreuungsrichtung, ein Verstreuungsbereich und eine Verstreuungsgeschwindigkeit von Spänen, die von der Maschine erzeugt werden) um ein Werkzeug während der Bearbeitung von einer Bildaufnahmeeinheit erfasst, und ein Zustand (wie Abnutzung und Bruch) des Werkzeugs wird aus den erfassten dynamischen Informationen über die Umgebung des Werkzeugs zum Lösen der oben stehenden Probleme geschätzt. Bei der vorliegenden Erfindung wird eine Vorrichtung zum maschinellen Lernen verwendet, um einen Zustand eines Werkzeugs zu schätzen, und sie wird veranlasst, den Zustand des Werkzeugs in Bezug auf die Kombination einer Vielzahl dynamischer Informationen über die Umgebung des Werkzeugs zu lernen, und der Zustand des Werkzeugs wird basierend auf einem Resultat des maschinellen Lernens geschätzt.
Bei einer ersten Ausführungsform eines Werkzeugzustandsschätzungsgeräts gemäß der vorliegenden Erfindung, wird ein Zustand eines Werkzeugs, das von einer Werkzeugmaschine zum Bearbeiten eines Werkstücks verwendet wird, geschätzt. Das Werkzeugzustandsschätzungsgerät weist Folgendes auf: einen Zustandsbeobachtungsabschnitt, der dynamische Informationen über die Umgebung des Werkzeugs aus Logdaten erfasst, die während eines Betriebs der Werkzeugmaschine erfasst werden, und Eingabedaten basierend auf den erfassten dynamischen Informationen über die Umgebung des Werkzeugs erzeugt; einen Lernabschnitt, der maschinelles Lernen unter Verwenden der Eingabedaten, die von dem Zustandsbeobachtungsabschnitt erzeugt werden, verwendet, um ein Lernmodell aufzubauen, und einen Lernmodellspeicherabschnitt, der das aufgebaute Lernmodell speichert.
Das Werkzeugzustandsschätzungsgerät kann ferner Folgendes aufweisen: einen Labelerfassungsabschnitt, der aus den Logdaten, die während des Betriebs der Werkzeugmaschine erfasst werden, die Lehrerdaten erfasst, die dem Zustand des Werkzeugs angeben, die den Eingabedaten, die von dem Zustandsbeobachtungsabschnitt erzeugt werden, entsprechen. Der Lernabschnitt kann konfiguriert werden, um überwachtes Lernen unter Verwenden der Eingabedaten, die von dem Zustandsbeobachtungsabschnitt erzeugt werden, und der Lehrerdaten, die von dem Labelerfassungsabschnitt erfasst werden, auszuführen, um ein Lernmodell aufzubauen.
Der Lernabschnitt kann konfiguriert werden, um unüberwachtes Lernen unter Verwenden der Eingabedaten, die von dem Zustandsbeobachtungsabschnitt erzeugt werden, auszuführen, um ein Lernmodell aufzubauen, in dem ein Cluster basierend auf den dynamischen Informationen über die Umgebung des Werkzeugs erzeugt wird.
Bei einer zweiten Ausführungsform eines Werkzeugzustandsschätzungsgeräts gemäß der vorliegenden Erfindung, wird eine Lebensdauer eines Werkzeugs, das von einer Werkzeugmaschine zum Bearbeiten eines Werkstücks verwendet wird, geschätzt. Das Werkzeugzustandsschätzungsgerät weist Folgendes auf: einen Lernmodellspeicherabschnitt, der ein Lernmodell speichert, das durch maschinelles Lernen basierend auf dynamischen Informationen über die Umgebung des Werkzeugs, die während eines Betriebs der Werkzeugmaschine erfasst werden, aufbaut; einen Zustandsbeobachtungsabschnitt, der dynamische Informationen über die Umgebung des Werkzeugs aus Logdaten erfasst, die während des Betriebs der Werkzeugmaschine erfasst werden, und Eingabedaten basierend auf den erfassten dynamischen Informationen über die Umgebung des Werkzeugs erzeugt, und einen Schätzungsabschnitt, der einen Zustand des Werkzeugs aus den Eingabedaten, die von dem Zustandsbeobachtungsabschnitt unter Verwenden des Lernmodells erzeugt werden, schätzt.
Die dynamischen Informationen über die Umgebung des Werkzeugs können Informationen über ein Bild sein, das einen Verstreuungszustand von Spänen, die durch das Bearbeiten der Werkzeugmaschine erzeugt werden, angibt.
Eine Werkzeugmaschine gemäß der vorliegenden Erfindung weist einen Warnabschnitt auf, der eine Warnung basierend auf einem Schätzungsresultat des Zustands des Werkzeugs durch das Werkzeugzustandsschätzungsgerät gemäß der zweiten Ausführungsform des Werkzeugzustandsschätzungsgeräts ausgibt.
Gemäß der vorliegenden Erfindung ist es nicht erforderlich, einen Bearbeitungsvorgang zu stoppen, da es möglich wird, einen Zustand eines Werkzeugs basierend auf dynamischen Informationen über die Umgebung des Werkzeugs, die von einer Bildaufnahmeeinheit beim Bearbeiten erfasst werden, zu schätzen. Es ist folglich möglich, einen Zustand eines Werkzeugs ohne Erhöhen einer Zykluszeit zu schätzen. Da ein Zustand des Werkzeugs gemäß einem Resultat von maschinellem Lernen basierend auf dynamischen Informationen über die Umgebung des Werkzeugs geschätzt wird, wird es ferner möglich, einen Zustand eines Werkzeugs mit hoher Präzision, die diversen Situationen entspricht, zu schätzen.
KURZE BESCHREIBUNG DER ZEICHNUNGEN

1 ist ein Diagramm zum Beschreiben eines Verstreuungszustands von Spänen, wenn ein Werkstück durch ein Schaftfräswerkzeug bearbeitet wird.
2 ist ein schematisches Funktionsbausteindiagramm eines Werkzeugzustandsschätzungsgeräts bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung;
3 ist ein Diagramm zum Beschreiben einer Beziehung zwischen dynamischen Informationen über die Umgebung eines Werkzeugs und Informationen über einen Zustand des Werkzeugs, die beim maschinellen Lernen gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden.
4 ist ein schematisches Diagramm, das ein Neuronenmodell zeigt;
5 ist ein schematisches Diagramm, das ein neuronales Netzwerk zeigt, das ein Gewicht von drei Schichten hat;
6 ist ein schematisches Diagramm, das ein mehrschichtiges neuronales Netzwerk zeigt;
7 ist ein schematisches Diagramm, das einen Autoencoder zeigt;
8 ist ein Diagramm zum Beschreiben von Eingabedaten, die bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden;
9 ist ein schematisches Funktionsbausteindiagramm eines Werkzeugzustandsschätzungsgeräts bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung;
10 ist ein schematisches Funktionsbausteindiagramm des Werkzeugzustandsschätzungsgeräts bei maschinellem Lernen gemäß einer anderen Ausführungsform der vorliegenden Erfindung;
11 ist ein Diagramm, das ein Beispiel eines Clusters zeigt, der durch maschinelles Lernen gemäß einer anderen Ausführungsform der vorliegenden Erfindung erzeugt wird;
12 ist ein Diagramm zum Beschreiben dynamischer Informationen über die Umgebung eines Werkzeugs, die bei maschinellem Lernen gemäß einer anderen Ausführungsform der vorliegenden Erfindung verwendet werden;
13 ist ein schematisches Funktionsbausteindiagramm des Werkzeugzustandsschätzungsgeräts bei der Schätzung eines Zustands eines Werkzeugs gemäß einer anderen Ausführungsform der vorliegenden Erfindung;
14 ist ein Diagramm zum Beschreiben eines Verfahrens zum Schätzen eines Zustands eines Werkzeugs gemäß einer anderen Ausführungsform der vorliegenden Erfindung, und
15 ist ein Diagramm zum Beschreiben eines angewandten Beispiels des maschinellen Lernens der vorliegenden Erfindung.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Unten wird eine Beschreibung von Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen gegeben. Zunächst wird unter Bezugnahme auf 1 eine Beschreibung eines Verfahrens zum Schätzen eines Zustands eines Werkzeugs mit einem Werkzeugzustandsschätzungsgerät der vorliegenden Erfindung gegeben.
1 ist ein Diagramm zum Beschreiben eines Verstreuungszustands von Spänen 4, wenn ein Werkstück 3 von einem Schaftfräswerkzeug 2 bearbeitet wird.
Die Späne 4, die erzeugt werden, wenn die Seitenoberfläche des Werkstücks 3 geschnitten und von dem Schaftfräswerkzeug 2 bearbeitet wird, werden innerhalb eines Bearbeitungsbereichs in Assoziation mit der Drehung des Werkzeugs 2 verstreut. Wenn das Werkstück 3 von einem neuen Schaftfräswerkzeug 2 bearbeitet wird, tendieren hier die Späne 4 dazu, sich in einem relativ engen Bereich in eine Richtung vollständig entgegengesetzt zu einer Bewegungsrichtung M des Werkzeugs 2, wie in 1(I) gezeigt, zu verstreuen. Andererseits, wenn das Werkstück 3 von einem abgenutzten Schaftfräswerkzeug 2 bearbeitet wird, verstreuen sich die Späne 4 in einem relativ weiten Bereich, wie in 1(II) gezeigt, und eine Verstreuungsgeschwindigkeit und eine Verstreuungsentfernung der Späne 4 ändern sich ebenfalls. Wenn ein Werkstück 3, das aus Kohlenstoffstahl besteht, von einem neuen Werkzeug 2 bearbeitet wird, werden gelbe Späne 4 erzeugt. Andererseits, wenn das Werkstück 3 von einem abgenutzten Werkzeug bearbeitet wird, werden dunkelblaue Späne 4 erzeugt.
Basierend auf den oben stehenden Feststellungen, dass sich ein Spanzustand (wie ein Verstreuungszustand und eine Farbe der Späne) bei dem Bearbeiten eines Werkstücks gemäß einem Zustand eines Werkzeugs ändert, hat der Erfinder der vorliegenden Erfindung ein Werkzeugzustandsschätzungsgerät vorgeschlagen, das dynamische Informationen (wie eine Verstreuungsrichtung, einen Verstreuungsbereich, eine Verstreuungsgeschwindigkeit und eine Spanfarbe, die durch Bearbeiten erzeugt wird) um ein Werkzeug durch eine Bildaufnahmeeinheit erfasst und einen Zustand (wie Abnutzung und Bruch) des Werkzeugs aus den erfassten dynamischen Informationen über die Umgebung des Werkzeugs schätzt.
Das Werkzeugzustandsschätzungsgerät der vorliegenden Erfindung verwendet eine Vorrichtung zum maschinellen Lernen, um einen Zustand eines Werkzeugs aus dynamischen Informationen über die Umgebung des Werkzeugs zu schätzen. Die Vorrichtung zum maschinellen Lernen, die in dem Werkzeugzustandsschätzungsgerät der vorliegenden Erfindung bereitgestellt wird, führt das maschinelle Lernen der Beziehung zwischen einem Zustand eines Werkzeugs und dynamischen Informationen über die Umgebung des Werkzeugs, wie Bildinformationen (ein Standbild oder ein Bewegtbild) um das Werkzeug, die von einer Bildaufnahmeeinheit, die einer Kamera erfasst werden, und Informationen über Schall, die von einer Schallaufnahmeeinheit, wie eine Mikrofon, erfasst werden und zwischen dem Werkzeug und einem Werkstück beim Bearbeiten erzeugt werden, aus. Dann schätzt das Werkzeugzustandsschätzungsgerät unter Verwenden eines Resultats des maschinellen Lernens den Zustand des Werkzeugs aus den dynamischen Informationen über die Umgebung des Werkzeugs.
Die Vorrichtung zum maschinellen Lernen, die in dem Werkzeugzustandsschätzungsgerät der vorliegenden Erfindung bereitgestellt wird, kann diverse Lernverfahren, wie überwachtes Lernen und unüberwachtes Lernen als ein Lernverfahren zum Ausführen des maschinellen Lernens der Beziehung zwischen den dynamischen Informationen über die Umgebung eines Werkzeugs und einen Zustand des Werkzeugs verwenden.
Unten wird eine Beschreibung unter Bezugnahme auf die 2 bis 9 einer Ausführungsform des Werkzeugzustandsschätzungsgeräts der vorliegenden Erfindung in einem Fall gegeben, in dem überwachtes Lernen als ein Lernverfahren verwendet wird.
2 ist ein schematisches Funktionsbausteindiagramm des Werkzeugzustandsschätzungsgeräts bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung.
Ein Werkzeugzustandsschätzungsgerät 100 der Ausführungsform kann aus einer Steuervorrichtung, die eine Werkzeugmaschine in einer Produktionsanlage einer Fertigungsindustrie steuert, einem Personal Computer, der mit der Steuervorrichtung verbunden ist, einem Hostcomputer, der die jeweiligen Steuervorrichtungen oder dergleichen umfassend verwaltet, bestehen. Das Werkzeugzustandsschätzungsgerät 100 führt maschinelles Lernen basierend auf Logdaten aus, die von einer oder mehr Werkzeugmaschinen gesammelt und in einem Logdatenspeicherabschnitt 200 an der Produktionsanlage einer Fertigungsindustrie, die eine oder mehr Werkzeugmaschinen hat, gespeichert werden.
Der Logdatenspeicherabschnitt 200 speichert für jede Werkzeugmaschine dynamische Informationen über die Umgebung eines Werkzeugs, die aus einem Werkzeugmaschinenbetrieb an einer Produktionsanlage erfasst werden, und Informationen über einen Zustand eines Werkzeugs in der Werkzeugmaschine, die von einem Bediener eingegeben werden, als Logdaten, die mit Zeitinformationen verknüpft sind.
Beispiele dynamischer Informationen über die Umgebung eines Werkzeugs können Bildinformationen (ein Standbild und ein Bewegtbild) um ein Werkzeug aufweisen, die von einer Bildaufnahmeeinheit wie einer Kamera gesammelt werden, Informationen über Schall, die von einer Schallaufnahmeeinheit wie eine Mikrofon erfasst werden, und die zwischen einem Werkzeug und einem Werkstück beim Bearbeiten erzeugt werden, einen Typ eines Werkzeugs zur Bearbeitung, ein Material eines Werkstücks, einen Kühlmitteltyp, einen Verbund eines Werkzeugs, eine Spindeldrehzahl, eine Blattspitzentemperatur, eine kumulative Schneidzeit/kumulative Schneidentfernung für jedes Werkzeug, Schneidwiderstand (Verstärkerstromwerte einer Vorschubachse und einer Spindel) oder dergleichen. Ferner können Beispiele von Informationen über einen Zustand eines Werkzeugs in einer Werkzeugmaschine, die von einem Bediener eingegeben werden, Informationen über das Ersetzen eines Werkzeugs, die von einem Bediener, der eine Werkzeugmaschine betreibt, oder von Wartungspersonal, das Probleme in der Werkzeugmaschine bearbeitet, über die Maschinenbedientafel einer Steuervorrichtung, die die Werkzeugmaschine steuert, oder dergleichen eingegeben werden.
Der Logdatenspeicherabschnitt 200 kann dynamische Informationen über die Umgebung eines Werkzeugs, die aus einer Vielzahl von Werkzeugmaschinen als Logdaten gesammelt werden, speichern. Ferner kann der Logdatenspeicherabschnitt 200 als eine allgemeine Datenbank aufgebaut sein.
Eine Werkzeugmaschine, aus der Logdaten zu sammeln sind, steuert jeweilige Antriebsabschnitte, die in der Werkzeugmaschine vorgesehen sind, um ein Werkstück zu bearbeiten, erfasst Zustände der jeweiligen Antriebsabschnitte, Erfassungswerte von Sensoren oder dergleichen basierend auf Bildinformationen, die von einer Bildaufnahmeeinheit erfasst werden, die derart angebracht ist, dass sie fähig ist, ein Bild um ein Werkzeug aufzunehmen, Schallinformationen, die von einer Schallaufnahmeeinheit zum Aufnehmen eines Schalls, der zwischen Werkzeug und dem Werkstück erzeugt wird, und Signale, die von anderen jeweiligen Abschnitten erfasst werden, um Logdaten über dynamische Informationen über die Umgebung des Werkzeugs der Werkzeugmaschine zu erzeugen, und speichert die erzeugten Logdaten in dem nichtflüchtigen Speicher der Werkzeugmaschine, wobei eine Speichervorrichtung als eine externe Ausstattung wirkt, oder dergleichen.
Logdaten werden so erzeugt, dass Betriebssituationen jeweiliger Antriebsabschnitte, Temperaturerfassungswerte durch Sensoren oder dergleichen in chronologischer Reihenfolge verständlich sind. Ferner weisen Logdaten diverse Informationen (wie einen Werkzeugersatzvorgang), die von einem Bediener, der eine Werkzeugmaschine betreibt, oder von Wartungspersonal, das Störungen der Werkzeugmaschine bearbeitet, über eine Maschinenbedientafel eingegeben werden, auf. Logdaten, die in dem nichtflüchtigen Speicher oder dergleichen einer Werkzeugmaschine wie oben beschrieben gespeichert sind, werden in dem Logdatenspeicherabschnitt 200 über ein Netzwerk oder dergleichen oder über eine externe Speichervorrichtung oder dergleichen, die von einem Bediener oder dergleichen getragen wird, der die Werkzeugmaschine betreibt, gesammelt. Das Sammeln kann jedes Mal ausgeführt werden, wenn Logdaten erzeugt werden, oder kann in regelmäßigen Abständen mit einem zweckdienlichen Intervall ausgeführt werden.
Nächstfolgend wird vor den Beschreibungen der jeweiligen Konfigurationen, die in dem Werkzeugzustandsschätzungsgerät 100 vorgesehen sind, eine Beschreibung des Überblicks des maschinellen Lernens gegeben, das von dem Werkzeugzustandsschätzungsgerät 100 ausgeführt wird.
3 ist ein Diagramm zum Beschreiben einer Beziehung zwischen dynamischen Informationen über die Umgebung eines Werkzeugs und Informationen über einen Zustand des Werkzeugs, die beim maschinellen Lernen gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden. Aus Logdaten, die in dem Logdatenspeicherabschnitt 200 gespeichert sind, sammelt das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform dynamische Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt, in dem ein Zustand des Werkzeugs OK ist als „dynamische Informationen über die Umgebung eines Werkzeug in einem Fall, in dem ein Zustand des Werkzeugs OK ist“, und sammelt dynamische Informationen über die Umgebung des Werkzeugs innerhalb einer vorgeschriebenen Zeit (zum Beispiel eine Stunde), vor einem Zeitpunkt, in dem das Werkzeug ersetzt wird als „dynamische Informationen über die Umgebung eines Werkzeugs in einem Fall, in dem der Zustand des Werkzeugs verschlechtert ist“. Basierend auf den gesammelten dynamischen Informationen über die Umgebung des Werkzeugs, führt das Werkzeugzustandsschätzungsgerät 100 „überwachtes Lernen“ aus.
Das „überwachte Lernen“ ist ein Modell, anhand dessen Sätze von Eingabe- und Resultat (Label)-Daten zu einer Vorrichtung zum maschinellen Lernen in großen Mengen gegeben werden, um die Merkmale der Datensätze zu lernen und Resultate aus Eingaben zu schätzen, das heißt ein Verfahren, durch das die Beziehung zwischen Eingaben und Resultaten ableitend erhalten werden kann. Das Verfahren kann unter Verwenden eines Algorithmus, wie eines neuronalen Netzwerks, das unten beschrieben ist, ausgeführt werden. Das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform teilt die dynamischen Informationen über die Umgebung eines Werkzeugs, die in dem Logdatenspeicherabschnitt 200 aufgezeichnet sind, in jeder Zeiteinheit, die im Voraus eingestellt wird, und führt das überwachte Lernen wiederholt mit der geteilten Einheit als eine Eingabe aus.
Das neuronalen Netzwerk besteht aus einer Berechnungseinheit, einem Speicher und dergleichen, die ein neuronales Netzwerk gemäß einem Neuronenmodell bilden, wie zum Beispiel in 4 gezeigt. 4 ist ein schematisches Diagramm, das ein Neuronenmodell zeigt.
Wie in 4 gezeigt, gibt ein Neuron einen Ausgabe y in Bezug auf eine Vielzahl von Eingaben x (hier Eingaben x₁ bis x₃ als ein Beispiel) aus. Ein entsprechendes Gewicht w (w₁ bis w₃) wird auf jeder der Eingaben x₁ bis x₃ platziert. Das Neuron gibt daher die Ausgabe y aus, der durch die folgende Formel (1) ausgedrückt wird. Zu bemerken ist, dass in der folgenden Formel (1) eine Eingabe x, eine Ausgabe y, und ein Gewicht w jeweils Vektoren sind. Außerdem gibt θ eine Vorspannung an, und f_k gibt eine Aktivierungsfunktion an. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Nächstfolgend wird eine Beschreibung unter Bezugnahme auf 5 eines neuronalen Netzwerkes gegeben, das Gewichte von drei Schichten hat, in dem die oben stehenden Neuronen miteinander kombiniert werden.
5 ist ein schematisches Diagramm, das ein neuronales Netzwerk zeigt, das Gewichte in drei Schichten D1 bis D3 hat. Wie in 5 gezeigt, wird eine Vielzahl von Eingaben x (hier die Eingaben x1 bis x3 als ein Beispiel) von der linken Seite des neuronalen Netzwerks eingegeben, und Resultate y (hier Resultate y1 bis y3 als ein Beispiel) werden aus der rechten Seite des neuronalen Netzwerks ausgegeben.
Spezifisch, wenn die Eingaben x1 bis x1 zu drei Neuronen N11 bis N13 eingegeben werden, werden entsprechende Gewichte auf den Eingaben x1 bis x3 platziert. Die Gewichte, die auf den Eingaben platziert werden, werden gemeinsam als w1 angegeben. Die Neuronen N11 bis N13 geben jeweils z11 bis z13 aus. Z11 bis Z13 werden gemeinsam als ein Merkmalvektor z1 angegeben und können als Vektoren betrachtet werden, die durch Extrahieren von Merkmalmengen der eingegebenen Vektoren erhalten werden. Der Merkmalvektor z1 ist ein Merkmalvektor zwischen dem Gewicht w1 und einem Gewicht w2.
Wenn z11 bis z13 zu zwei Neuronen N21 und N22 eingegeben werden, werden entsprechende Gewichte auf diese z11 bis z13 platziert. Die Gewichte, die auf die Merkmalvektoren platziert werden, werden gemeinsam als w2 angegeben. Die Neuronen N21 und N22 geben jeweils z21 und z22 aus. z21 und z22 sind kollektiv als ein Merkmalvektor z2 angegeben. Der Merkmalvektor z2 ist ein Merkmalvektor zwischen dem Gewicht w2 und einem Gewicht w3.
Wenn die Merkmalvektoren z21 und z22 zu drei Neuronen N31 bis N33 eingegeben werden, werden entsprechende Gewichte auf diese Merkmalvektoren z21 und z22 platziert. Die Gewichte, die auf die Merkmalvektoren platziert werden, werden gemeinsam als w3 angegeben.
Schließlich geben die Neuronen N21 bis N33 jeweils die Resultate y1 bis y3 aus.
Der Betrieb des neuronalen Netzwerks weist einen Lernmodus und einen Wertvorhersagemodus auf. Ein Lerndatensatz wird verwendet, um das Gewicht w in dem Lernmodus zu lernen, und die Parameter werden verwendet, um die Aktion einer Bearbeitungsmaschine in dem Vorhersagemodus zu bestimmen (hier wird „Vorhersage“ nur aus praktischen Gründen verwendet, aber diverse Aufgaben, wie Erfassen, Klassifizierung und Ableitung können enthalten sein).
Es ist möglich, Daten, die durch tatsächliches Steuern einer Maschine in dem Vorhersagemodus erhalten werden, sofort zu lernen und die Lerndaten auf einer nächsten Aktion wiederzugeben (Online-Lernen), oder es ist möglich, kollektives Lernen unter Verwenden einer zuvor gesammelten Datengruppe auszuführen und danach einen Erfassungsmodus unter Verwenden der Parameter jederzeit auszuführen (Batch-Lernen). Es ist auch möglich, einen Zwischenmodus auszuführen, das heißt einen Lernmodus, der jedes Mal ausgeführt wird, wenn sich Daten bis zu einem bestimmten Grad angesammelt haben.
Das Lernen der Gewichte w1 bis w3 wird durch Fehlerrückwärtsfortpflanzung möglich gemacht. Informationen über Fehler treten von der rechten Seite ein und fließen zu der linken Seite. Die Fehlerrückwärtsfortpflanzung ist ein Verfahren zum Einstellen (Lernen) jedes der Gewichte, um einen Unterschied zwischen dem ausgegebenen y, das erhalten wird, wenn die Eingabe x eingegeben wird, und einer realen Ausgabe y (überwacht) für jedes der Neuronen zu verringern.
Das neuronale Netzwerk kann drei oder mehr Schichten haben (die „tiefes Lernen“, Deep Learning, genannt werden), wie in 6 gezeigt. Eine Berechnungseinheit, die die Merkmale von Eingaben auf einer schrittweisen Basis extrahiert und die Regression eines Resultats ausführt, kann durch einen herkömmlichen Autoencoder, wie in 7 gezeigt, konfiguriert werden, so dass Lernen automatisch ausgeführt wird, indem nur überwachte Daten verwendet werden.
Nächstfolgend wird eine Beschreibung der jeweiligen Konfigurationen gegeben, die in dem Werkzeugzustandsschätzungsgerät 100 der Ausführungsform bereitgestellt sind. Das Werkzeugzustandsschätzungsgerät 100 hat einen Lernabschnitt 111, einen Zustandsbeobachtungsabschnitt 112, einen Labelerfassungsabschnitt 113 und einen Lernmodellspeicherabschnitt 114.
Der Lernabschnitt 111 führt überwachtes Lernen basierend auf eingegebenen Daten aus, die von dem Zustandsbeobachtungsabschnitt 112 erfasst werden, und Lehrerdaten (auch ein Label genannt), die von dem Labelerfassungsabschnitt 113 erfasst werden, um ein Lernmodell aufzubauen, und speichert das aufgebaute Lernmodell in dem Lernmodellspeicherabschnitt 114. Ein Lernmodell, das von dem Lernabschnitt 111 aufgebaut wird, ist als ein Modell zum Unterscheiden zwischen „dynamischen Informationen über die Umgebung eines Werkzeugs in einem Fall, in dem der Zustand des Werkzeugs OK ist“, und „dynamischen Informationen über die Umgebung eines Werkzeugs in einem Fall, in dem ein Zustand des Werkzeugs verschlechtert ist“, die oben unter Bezugnahme auf 3 beschrieben sind, konfiguriert.
Der Zustandsbeobachtungsabschnitt 112 erzeugt Eingabedaten aus Logdaten, die in dem Logdatenspeicherabschnitt 200 gespeichert sind, und gibt die erzeugten Eingabedaten zu dem Lernabschnitt 111 aus. In dem Werkzeugzustandsschätzungsgerät 100 der Ausführungsform, sind eingegebene Daten dynamische Informationen über die Umgebung eines Werkzeugs für jede Zeiteinheit, die von einer Werkzeugmaschine erfasst werden. Für dynamische Informationen über die Umgebung eines Werkzeugs, die durch numerische Werte ausgedrückt sind, verwendet der Zustandsbeobachtungsabschnitt 112 die numerischen Werte direkt als Eingabedaten des Lernabschnitts 111. Für dynamische Informationen über die Umgebung eines Werkzeugs, die durch andere Informationen als numerische Werte ausgedrückt werden, wie Zeichenfolgen, kann der Zustandsbeobachtungsabschnitt 112 eine Umwandlungstabelle, mit der jeweilige Zeichenfolgen in numerische Werte umgewandelt werden, auf einem Speicher (nicht gezeigt) im Voraus speichern, und die anderen Informationen als die numerischen Werte unter Verwenden der Umwandlungstabelle, die in Eingabedaten enthalten sein sollen, digitalisieren.
8 ist ein Diagramm, das ein Beispiel von Eingabedaten zeigt, die bei maschinellem Lernen beim Bearbeiten unter Verwenden eines Schaftfräswerkzeugs 2 verwendet werden.
In einem Fall, in dem ein Verstreuungszustand der Späne 4 um das Werkzeug 2 bei dem Bearbeiten als Eingabedaten verwendet wird, kann der Zustandsbeobachtungsabschnitt 112 der Ausführungsform bekannte Bildanalyseverarbeitung auf Bildinformationen ausführen, die in dynamischen Informationen über die Umgebung des Werkzeugs 2 enthalten sind, die aus dem Logdatenspeicherabschnitt 200 erfasst werden, und den Verstreuungszustand der Späne 4, der durch das Verarbeiten des Schaftfräswerkzeugs 2 erzeugt wird, als Eingabedaten, wie in 8 gezeigt, erfassen. In diesem Fall kann der Zustandsbeobachtungsabschnitt 112 die Änderungen zwischen jeweiligen Rahmen von Bewegtbilderinformationen über die Umgebung des Werkzeugs 2, die von einer Bildaufnahmeeinheit (nicht gezeigt) aufgenommen werden, analysieren, um aufgenommene Späne 4 und einen Verstreuungszustand der Späne 4 zu spezifizieren, und einen mittleren Verstreuungsabstand der Späne 4 um eine Werkzeugposition als eine Verstreuungsentfernung l_c und eine mittlere Verstreuungsgeschwindigkeit der Späne 4 als eine Verstreuungsgeschwindigkeit v_c der Späne 4 in den Eingabedaten enthalten. Ferner kann der Zustandsbeobachtungsabschnitt 112 eine Spanfarbe, die aus dynamischen Informationen in einem RGB-System oder dergleichen erfasst wird, digitalisieren, und die digitalisierte Farbe als eine Spanfarbe c_c einstellen. Der Zustandsbeobachtungsabschnitt 112 kann ferner einen Span-Verstreuungsbereich mit einer Fächerform approximieren und den zentralen Winkel der Fächerform als einen zentralen Winkel θ_c eines Span-Verstreuungsbereichs einstellen.
Wenn Schall, der zwischen dem Werkzeug 2 und dem Werkstück 3 während der Bearbeitung erzeugt wird, als Eingabedaten verwendet wird, kann der Zustandsbeobachtungsabschnitt 112 ferner Frequenzkomponenten der Schallinformationen analysieren, die von dem Logdatenspeicherabschnitt 200 erfasst werden, und Informationen (wie eine Frequenz und eine Größe) auf einigen charakteristischen Frequenzkomponenten als die Eingabedaten verwenden.
Der Labelerfassungsabschnitt 113 erzeugt Lehrerdaten (Werkzeugzustand OK/verschlechtert), die Eingabedaten entsprechen, gleichzeitig mit dem Erzeugen der Eingabedaten durch den Zustandsbeobachtungsabschnitt 112, basierend auf Logdaten, die in dem Logdatenspeicherabschnitt 200 gespeichert sind, und gibt dann die erzeugten Lehrerdaten zu dem Lernabschnitt 111 aus. Bei einem Fall, in dem ein mehrschichtiges neuronales Netzwerk, das zum Beispiel in 6 gezeigt ist, als ein Lernmodell verwendet wird, können Lehrerdaten derart eingestellt werden, dass die jeweiligen Signale einer Ausgabeschicht mit einem „Werkzeugzustand OK“ und einem „Werkzeugzustand verschlechtert“ zum Übereinstimmen gebracht werden, und ein beliebiges der Signale, das den Lehrerdaten entspricht, wird 1.
Mit der oben stehenden Konfiguration, kann das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform das maschinellen Lernen der Beziehung zwischen dynamischen Informationen über eine Umgebung eines Werkzeugs und einem Zustand des Werkzeugs während des Betriebs einer Werkzeugmaschine fördern und ein Lernmodell aufbauen.
Nächstfolgend wird eine Beschreibung einer Ausführungsform des Werkzeugzustandsschätzungsgeräts 100 gegeben, das einen Zustand eines Werkzeugs unter Verwenden eines Lernmodells, das durch unüberwachtes Lernen aufgebaut wird, schätzt.
9 ist ein schematisches Funktionsbausteindiagramm eines Werkzeugzustandsschätzungsgeräts 100 bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung.
Basierend auf Informationen, die von einer Bildaufnahmeeinheit, die in der Werkzeugmaschine 1 bereitgestellt ist, oder dergleichen, erfasst werden, und Eingabe über einen Eingabe-/Ausgabeabschnitt 17, der in einer Werkzeugmaschine 1 bereitgestellt ist, der als eine Umgebung wirkt, schätzt das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform einen Zustand eines Werkzeugs 2, das von der Werkzeugmaschine 1 verwendet wird, um Bearbeitung auszuführen. Der Eingabe-/Ausgabeabschnitt 17 gibt Bildinformationen aus, die von der Bildaufnahmeeinheit, die in der Werkzeugmaschine 1 bereitgestellt ist, aufgenommen werden, Schallinformationen, die von einer Schallaufnahmeeinheit (nicht gezeigt) aufgenommen werden, und Informationen, wie Signale von jeweiligen Abschnitten, zu dem Werkzeugzustandsschätzungsgerät 100 aus. Zu bemerken ist, dass, obwohl 9 nur den Eingabe-/Ausgabeabschnitt 17 und einen Warnabschnitt 23 als Funktionsbausteine zeigt, die in der Werkzeugmaschine 1 vorgesehen sind, die Werkzeugmaschine 1 tatsächlich jeweilige Funktionsbausteine, die bei herkömmlichen Werkzeugmaschinen bereitgestellt werden, hat.
Das Werkzeugzustandsschätzungsgerät 100 in 9 hat den Zustandsbeobachtungsabschnitt 112, den Lernmodellspeicherabschnitt 114, und einen Schätzungsabschnitt 115.
Der Zustandsbeobachtungsabschnitt 112 erfasst dynamische Informationen über die Umgebung eines Werkzeugs, die als Eingabedaten bei dem Lernen, das oben beschrieben ist, über den Eingabe-/Ausgabeabschnitt 17 während des Betriebs der Werkzeugmaschine 1 eingegeben werden, erzeugt Eingabedaten basierend auf den erfassten Informationen, und gibt die erzeugten Eingabedaten zu dem Schätzungsabschnitt 115 aus.
Der Schätzungsabschnitt 115 schätzt einen Zustand eines Werkzeugs basierend auf Eingabedaten (dynamische Informationen über die Umgebung des Werkzeugs), die von dem Zustandsbeobachtungsabschnitt 112 unter Verwenden eines Lernmodells, das in dem Lernmodellspeicherabschnitt 114 gespeichert ist, eingegeben werden, und gibt ein Resultat der Schätzung zu dem Eingabe-/Ausgabeabschnitt 17 aus. Dann, wenn das Resultat der Schätzung des Zustands des Werkzeugs, das von dem Schätzungsabschnitt 115 eingegeben wird, angibt, dass sich der Zustand des Werkzeugs verschlechtert hat, weist der Eingabe-/Ausgabeabschnitt 17 den Warnabschnitt 23 an, eine Warnung auszugeben.
Dann, gibt der Warnabschnitt 23, wenn er von dem Eingabe-/Ausgabeabschnitt 17 angewiesen wird, eine Warnung auszugeben, einem Bediener die Tatsache, dass sich ein Zustand eines Werkzeugs verschlechtert hat, über eine Lampe, die in der Maschinenbedientafel (nicht gezeigt) der Werkzeugmaschine 1, dem Display einer Displayeinheit eingerichtet ist, akustisch oder dergleichen, bekannt. Wenn Eingabedaten an einem vorbestimmten Zeitpunkt vor oder nach einem Zeitpunkt, in dem ein Werkzeug zu ersetzen ist, unterschieden werden, um maschinelles Lernen, wie oben unter Bezugnahme zum Beispiel auf 3 beschrieben, auszuführen, kann der Warnabschnitt 23 eine spezifische Zeit, zum Beispiel „bitte Werkzeug in ** Stunden ersetzen“ auf der Displayeinheit anzeigen. Ferner kann der Warnabschnitt 23 zusätzlich zum Ausgeben einer Warnung die jeweiligen Abschnitte der Werkzeugmaschine 1 anweisen, ihren Betrieb einzustellen.
Nächstfolgend wird eine Beschreibung unter Bezugnahme auf die 10 bis 14 einer Ausführungsform des Werkzeugzustandsschätzungsgeräts der vorliegenden Erfindung in einem Fall gegeben, in dem unüberwachtes Lernen als ein Lernverfahren verwendet wird. Das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform ist in vielen Punkten der Ausführungsform, die überwachtes Lernen verwendet, die oben unter Bezugnahme auf die 2 bis 9 beschrieben ist, ähnlich. Unten werden Aspekte beschrieben, die von denjenigen der Ausführungsform, die oben unter Bezugnahme auf die 2 bis 9 beschrieben ist, unterschiedlich sind.
10 ist ein schematisches Funktionsbausteindiagramm des Werkzeugzustandsschätzungsgeräts bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung.
Der Lernabschnitt 111, der in dem Werkzeugzustandsschätzungsgerät 100 bei dem maschinellen Lernen gemäß einer Ausführungsform der vorliegenden Erfindung bereitgestellt ist, führt unüberwachtes Lernen mit dynamischen Informationen über die Umgebung eines Werkzeugs, die von dem Zustandsbeobachtungsabschnitt 112, aus dem Logdatenspeicherabschnitt 200 als Eingabedaten erfasst werden, um einen Cluster zu erzeugen, in dem ein Zustand des Werkzeugs OK ist, als ein Lernresultat aus, und speichert dann das Lernresultat in dem Lernmodellspeicherabschnitt 114. Bei „unüberwachtem Lernen“ ist es möglich zu lernen, wie Eingabedaten verteilt werden, indem nur eine große Menge der Eingabedaten zu einer Lernvorrichtung gegeben wird, und die Eingabedaten Kompression, Klassifizierung, Formatierung oder dergleichen unterzogen werden, sogar falls entsprechende Lehrerausgabedaten nicht gegeben werden.
Das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform kann zum Beispiel eine Hauptkomponentenanalyse (Principal Component Analysis - PCA), eine Support Vector Machine (SVM), ein neuronales Netzwerk oder dergleichen als einen unüberwachten Lernalgorithmus verwenden, und kann das Verfahren des tiefen Lernens mit einer Vielzahl von Zwischenschichten, die in einem neuronalen Netzwerk, wie in 6 gezeigt, eingestellt sind, verwenden.
11 ist ein Diagramm, das ein Beispiel des Clusters dynamischer Informationen über die Umgebung eines Werkzeugs in einem Fall zeigt, in dem ein Zustand des Werkzeugs OK ist. Zu bemerken ist, dass 11 nur die drei Informationen einer Span-Verstreuungsentfernung l_c, einer Span-Verstreuungsgeschwindigkeit v_c und eines zentralen Winkels θ_c eines Span-Verstreuungsbereichs unter dynamischen Informationen über die Umgebung eines Werkzeugs zeigt, die als Eingabedaten zum Vereinfachen einer Beschreibung gehandhabt werden. Die dynamischen Informationen über die Umgebung eines Werkzeugs können jedoch als mehr multidimensionale Informationen ausgedrückt werden.
Nächstfolgend wird eine Beschreibung der jeweiligen Konfigurationen gegeben, die in dem Werkzeugzustandsschätzungsgerät 100 bereitgestellt sind.
Das Werkzeugzustandsschätzungsgerät 100 hat den Lernabschnitt 111, den Zustandsbeobachtungsabschnitt 112 und den Lernmodellspeicherabschnitt 114.
Der Lernabschnitt 111 führt unüberwachtes Lernen basierend auf Eingabedaten aus, die von dem Zustandsbeobachtungsabschnitt 112 erfasst werden, um ein Lernmodell aufzubauen, und speichert das aufgebaute Lernmodell in dem Lernmodellspeicherabschnitt 114. Ein Lernmodell, das von dem Lernabschnitt 111 der Ausführungsform aufgebaut wird, wird unter Verwenden dynamischer Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt aufgebaut, in dem ein Zustand des Werkzeugs innerhalb einer vorgeschriebenen Zeit seit dem Beginn des Verwendens des Werkzeugs OK ist, wie in 12 gezeigt. Der Algorithmus eines Lernmodells, das von dem Lernabschnitt 111 aufgebaut wird, kann ein beliebiger Typ sein, solange die Klassifizierung zwischen dynamischen Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt, in dem ein Zustand des Werkzeugs OK ist, und die anderen Informationen wie oben beschrieben erlaubt sind.
Der Zustandsbeobachtungsabschnitt 112 erzeugt Eingabedaten aus Logdaten, die in dem Logdatenspeicherabschnitt 200 gespeichert werden, und gibt die erzeugten Eingabedaten zu dem Lernabschnitt 111 aus.
Mit den oben stehenden Konfigurationen, kann das Werkzeugzustandsschätzungsgerät 100 Lernen über dynamische Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt, in dem ein Zustand des Werkzeugs OK ist, während des Betriebs einer Werkzeugmaschine fördern und ein Lernmodell aufbauen.
Nächstfolgend wird eine Beschreibung einer Ausführungsform des Werkzeugzustandsschätzungsgeräts 100 gegeben, das einen Zustand eines Werkzeugs unter Verwenden eines aufgebauten Lernmodells schätzt.
13 ist ein schematisches Funktionsbausteindiagramm eines Werkzeugzustandsschätzungsgeräts 100 bei maschinellem Lernen gemäß einer Ausführungsform der vorliegenden Erfindung. Das Werkzeugzustandsschätzungsgerät 100 der Ausführungsform schätzt einen Zustand eines Werkzeugs, das in der Werkzeugmaschine 1 verwendet wird, basierend auf dynamischen Informationen über die Umgebung des Werkzeugs aus der Werkzeugmaschine 1, die als seine Umgebung wirkt.
Der Schätzungsabschnitt 115, der in dem Werkzeugzustandsschätzungsgerät 100 der Ausführungsform bereitgestellt ist, bestimmt die Entfernung zwischen Eingabedaten (dynamische Informationen über die Umgebung eines Werkzeugs), die von dem Zustandsbeobachtungsabschnitt 112 eingegeben werden, und einem Cluster in einem Zeitpunkt, in dem ein Zustand des Werkzeugs OK ist, unter Verwenden eines Lernmodells, das in dem Lernmodellspeicherabschnitt 114 gespeichert ist, um den Zustand des Werkzeugs zu schätzen. Wie in 14 gezeigt, wird von dem Schätzungsabschnitt 115 geschätzt, dass ein Zustand eines Werkzeugs OK ist, wenn die Entfernung zwischen Eingabedaten und einem Cluster (seiner Mitte) dynamische Informationen über die Umgebung des Werkzeugs in einem Zeitpunkt, in dem der Zustand des Werkzeugs OK ist, ein vorbestimmter Schwellenwert oder geringer ist, und dass das Werkzeug verschlechtert ist, wenn die Entfernung länger ist als der Schwellenwert.
Der Schätzungsabschnitt 115 gibt daher ein Schätzungsresultat eines Zustand eines Werkzeugs unter Verwenden von Eingabedaten, die basierend auf dynamischen Informationen über die Umgebung des Werkzeugs erzeugt werden, die aus der Werkzeugmaschine 1 erfasst werden, zu dem Eingabe-/Ausgabeabschnitt 17 der Werkzeugmaschine 1 aus. Der Eingabe-/Ausgabeabschnitt 17 weist den Warnabschnitt 23 an, eine Warnung auszugeben, wenn ein Schätzungsresultat eines Zustands eines Werkzeugs, das von dem Schätzungsabschnitt 115 eingegeben wird, angibt, dass sich der Zustand des Werkzeugs verschlechtert hat.
Wie oben beschrieben, wird es unter Verwenden eines Lernmodells, das durch maschinelles Lernen basierend auf dynamischen Informationen über eine Umgebung eines Werkzeugs in einer oder mehr Werkzeugmaschinen 1 erfasst wird, dem Werkzeugzustandsschätzungsgerät 100 erlaubt, einen Zustand des Werkzeugs während des Betriebs der Werkzeugmaschine 1 zu schätzen. Wenn das Werkzeugzustandsschätzungsgerät 100 schätzt, dass sich ein Zustand eines Werkzeugs verschlechtert hat, wird es dem Bediener der Werkzeugmaschine 1 ferner erlaubt, den Betrieb der Werkzeugmaschine gemäß dem Plan zu stoppen, und das Werkzeug basierend auf einem Resultat der Schätzung zu ersetzen.
Die Ausführungsformen der vorliegenden Erfindung sind oben beschrieben. Die vorliegende Erfindung ist nicht nur auf die Beispiele der oben stehenden Ausführungsformen beschränkt, sondern kann in diversen Aspekten durch Ausführen einer entsprechenden Änderung ausgeführt werden.
Die oben stehenden Ausführungsformen beschreiben Lernen und Nutzungsmodi in einem Werkzeugzustandsschätzungsgerät 100, aber ein Lernmodell selbst, das von dem Lernabschnitt 111 aufgebaut und in dem Lernmodellspeicherabschnitt 114 gespeichert wird, ist ein Datensatz, der ein Lernresultat angibt. Ein Lernmodell kann folglich mit anderen Werkzeugzustandsschätzungsgeräten 100 über eine externe Speichervorrichtung, ein Netzwerk oder dergleichen (nicht gezeigt) gemeinsam verwendet werden. Mit dieser Konfiguration kann jedes der Werkzeugzustandsschätzungsgeräte 100 Lernen parallel ausführen und eine Zeit zum Vollenden des Lernens in einem Zustand verringern, indem ein Lernmodell zwischen der Vielzahl von Werkzeugzustandsschätzungsgeräten 100 gemeinsam verwendet wird. Andererseits kann bei dem Gebrauch eines Lernmodells jedes der Vielzahl von Werkzeugzustandsschätzungsgeräte 100 einen Zustand eines Werkzeugs unter Verwenden eines gemeinsam verwendeten Lernmodells schätzen. Ein Verfahren zum gemeinsamen Verwenden eines Lernmodells ist nicht auf ein besonderes Verfahren beschränkt. Ein Lernmodell kann zum Beispiel im Voraus in einem Hostcomputer in einem Werk gespeichert werden und von jeweiligen Werkzeugzustandsschätzungsgeräten 100 gemeinsam verwendet, oder ein Lernmodell kann im Voraus auf einem Server, der von einem Hersteller installiert wird, gespeichert und von Werkzeugzustandsschätzungsgeräten 100 der Kunden gemeinsam verwendet werden.
Ferner beschreiben die oben stehenden Ausführungsformen separat die Konfigurationen des Werkzeugzustandsschätzungsgeräts 100 zum Lernen und Schätzen, aber das Werkzeugzustandsschätzungsgerät 100 kann sowohl die Konfigurationen zum Lernen als auch die Konfigurationen zum Schätzen haben. In diesem Fall kann der Lernabschnitt 100 zusätzliches Lernen basierend auf Informationen ausführen, die von einem Manager oder von einem Wartungspersonal an der Werkzeugmaschine 1 in einem Zustand eingegeben werden, in dem das Werkzeugzustandsschätzungsgerät 100 einen Zustand eines Werkzeugs schätzt.
Ferner beschreiben die oben stehenden Ausführungsformen ein Beispiel von Eingabedaten beim Bearbeiten durch eine Schaftfräswerkzeug, sie können aber auch an andere Werkzeugtypen, wie ein Gewindebohrwerkzeug und ein Fräswerkzeug angewandt werden. Beim Bearbeiten mit einem beliebigen Werkzeug, ändern sich dynamische Informationen über die Umgebung des Werkzeugs mit einem Zustand des Werkzeugs. Durch Aufbauen eines Lernmodells durch maschinelles Lernen der dynamischen Informationen mit dem Lernabschnitt 111, ist es folglich möglich, das Werkzeugzustandsschätzungsgerät 100, das fähig ist, mit diversen Bearbeitungen umzugehen, bereitzustellen.
Ferner beschreiben die oben stehenden Ausführungsformen Bildinformationen und Schallinformationen, die dynamische Informationen über die Umgebung eines Werkzeugs angeben, als ein Beispiel von Eingabedaten, aber nur Bildinformationen oder nur Schallinformationen können als Eingabedaten verwendet werden. Ferner können zu dynamischen Informationen über die Umgebung eines Werkzeugs, zum Beispiel Informationen über ein Werkstückmaterial und Informationen über einen Werkstücktyp zu den Eingabedaten hinzugefügt werden, um maschinelles Lernen auszuführen, das fähig ist, mit Informationen in einem weiteren Bereich umzugehen.
Außerdem führen die oben stehenden Ausführungsformen separat maschinelles Lernen für jede der dynamischen Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt aus, in dem ein Zustand des Werkzeugs OK ist, und dynamische Informationen über die Umgebung des Werkzeugs in einem Zeitpunkt, in dem sich der Zustand des Werkzeugs verschlechtert hat. Wie jedoch in 15 gezeigt, wird es durch getrenntes Ausführen von maschinellem Lernen für jede der dynamischen Informationen über die Umgebung eines Werkzeugs in einem Zeitpunkt zwischen einer vorgeschriebenen Zeit t1 und einer vorgeschriebenen Zeit t2, bevor sich am Zustand des Werkzeugs verschlechtert, möglich, dynamische Informationen über die Umgebung des Werkzeugs in einem Zeitpunkt zwischen der vorgeschriebenen Zeit t2 und einer vorgeschriebenen Zeit t3, bevor sich der Zustand des Werkzeugs verschlechtert, und dynamischen Informationen über die Umgebung des Werkzeugs in dem vorgeschriebenen Zeit t3 oder früher, bevor sich der Zustand des Werkzeugs verschlechtert, möglich, feiner zu schätzen, wann sich der Zustand des Werkzeugs verschlechtert.

Claims

Werkzeugzustandsschätzungsgerät (100), das einen Zustand eines Werkzeugs (2), das von einer Werkzeugmaschine verwendet wird, um ein Werkstück (3) zu bearbeiten, schätzt, wobei das Werkzeugzustandsschätzungsgerät (100) Folgendes umfasst: einen Zustandsbeobachtungsabschnitt (112), der dynamische Informationen über die Umgebung des Werkzeugs (2) aus Logdaten, die während eines Betriebs der Werkzeugmaschine erfasst werden, erfasst, und Eingabedaten basierend auf den erfassten dynamischen Informationen über die Umgebung des Werkzeugs (2) erzeugt, wobei die dynamischen Informationen dynamische Informationen umfassen, die mindestens den Streuzustand der Späne (4) bei der Bearbeitung des Werkstücks (3) umfassen; einen Lernabschnitt (111), der maschinelles Lernen unter Verwenden der Eingabedaten ausführt, die von dem Zustandsbeobachtungsabschnitt (112) erzeugt werden, um ein Lernmodell aufzubauen, und einen Lernmodellspeicherabschnitt (114), der das aufgebaute Lernmodell speichert.
Werkzeugzustandsschätzungsgerät (100) nach Anspruch 1, das ferner Folgendes umfasst: einen Labelerfassungsabschnitt (113), aus den Logdaten, die während des Betriebs der Werkzeugmaschine erfasst werden, die Lehrerdaten erfasst, die den Zustand des Werkzeugs (2), der den Eingabedaten, die von dem Zustandsbeobachtungsabschnitt (112) erzeugt werden, angibt, erfasst, wobei der Lernabschnitt (111) konfiguriert ist, um überwachtes Lernen unter Verwenden der Eingabedaten, die von dem Zustandsbeobachtungsabschnitt (112) erzeugt werden, und der Lehrerdaten, die von dem Labelerfassungsabschnitt (113) erfasst werden, auszuführen, um ein Lernmodell aufzubauen.
Werkzeugzustandsschätzungsgerät (100) nach Anspruch 1, wobei der Lernabschnitt (111) konfiguriert ist, um unüberwachtes Lernen unter Verwenden der Eingabedaten, die von dem Zustandsbeobachtungsabschnitt (112) erzeugt werden, auszuführen, um ein Lernmodell aufzubauen, in dem ein Cluster basierend auf den dynamischen Informationen über die Umgebung des Werkzeugs (2) erzeugt wird.
Werkzeugzustandsschätzungsgerät (100), das eine Lebensdauer des Werkzeugs (2), das von der Werkzeugmaschine zum Bearbeiten eines Werkstücks (3) verwendet wird, schätzt, wobei das Werkzeugzustandsschätzungsgerät (100) Folgendes umfasst: einen Lernmodellspeicherabschnitt (114), der ein Lernmodell speichert, das durch maschinelles Lernen basierend auf dynamischen Informationen über die Umgebung des Werkzeugs (2), die während eines Betriebs der Werkzeugmaschine erfasst werden, aufgebaut ist, wobei die dynamischen Informationen dynamische Informationen umfassen, die mindestens den Streuzustand der Späne (4) bei der Bearbeitung des Werkstücks (3) umfassen; einen Zustandsbeobachtungsabschnitt (112), der dynamische Informationen über die Umgebung des Werkzeugs aus Logdaten, die während des Betriebs der Werkzeugmaschine erfasst werden, erfasst, und Eingabedaten basierend auf den erfassten dynamischen Informationen über die Umgebung des Werkzeugs (2) erzeugt, wobei die dynamischen Informationen dynamische Informationen umfassen, die mindestens den Streuzustand der Späne (4) bei der Bearbeitung des Werkstücks (3) umfassen; und einen Schätzungsabschnitt (115), der einen Zustand des Werkzeugs (2) aus den Eingabedaten, die von dem Zustandsbeobachtungsabschnitt (112) unter Verwenden des Lernmodells erzeugt werden, schätzt.
Werkzeugzustandsschätzungsgerät (100) nach einem der Ansprüche 1 bis 4, wobei die dynamischen Informationen über die Umgebung des Werkzeugs (2) Informationen über ein Bild sein können, das einen Verstreuungszustand von Spänen (4), die durch das Bearbeiten der Werkzeugmaschine erzeugt werden, angibt.
Werkzeugmaschine, die Folgendes umfasst: einen Warnabschnitt (23), der eine Warnung basierend auf einem Schätzungsresultat des Zustands des Werkzeugs (2) durch das Werkzeugzustandsschätzungsgerät (100) nach Anspruch 4 ausgibt.
Werkzeugzustandsschätzungsgerät (100) nach Anspruch 1, wobei der Zustandsbeobachtungsabschnitt (112) ferner von einem Benutzer eingegebene Informationen zur Bearbeitung aus Logdaten, die während des Betriebs der Werkzeugmaschine erfasst werden, erfasst, und Eingabedaten, basierend sowohl auf den erfassten von dem Benutzer eingegebenen Informationen als auch auf den dynamischen Informationen über die Umgebung des Werkzeugs (2), erzeugt.
Werkzeugzustandsschätzungsgerät (100) nach Anspruch 4, umfassend: einen Lernmodellspeicherabschnitt (114), der ein Lernmodell speichert, das durch maschinelles Lernen basierend auf dynamischen Informationen über die Umgebung des Werkzeugs (2), die während eines Betriebs der Werkzeugmaschine erfasst werden und auf von einem Benutzer eingegebenen Informationen zur Bearbeitung aufgebaut ist, wobei die dynamischen Informationen dynamische Informationen umfassen, die mindestens den Streuzustand der Späne (4) bei der Bearbeitung des Werkstücks (3) umfassen; wobei der Zustandsbeobachtungsabschnitt (112) ferner von einem Benutzer eingegebene Informationen zur Bearbeitung aus Logdaten, die während des Betriebs der Werkzeugmaschine erfasst werden, erfasst, und Eingabedaten, basierend sowohl auf den erfassten von dem Benutzer eingegebenen Informationen als auch auf den dynamischen Informationen über die Umgebung des Werkzeugs (2), erzeugt.