DE102018108778A1

DE102018108778A1 - Beschleunigungs- und Verzögerungssteuereinheit

Info

Publication number: DE102018108778A1
Application number: DE102018108778.0A
Authority: DE
Inventors: Nobuaki Aizawa; Tomokazu KAYANUMA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-04-20
Filing date: 2018-04-13
Publication date: 2018-10-25
Also published as: JP6499710B2; JP2018181217A; US10649441B2; CN108723889A; CN108723889B; US20180307211A1

Abstract

Es wird eine Beschleunigungs- und Verzögerungssteuereinheit bereitstellt, die bei der Steuerung jeder Achse einer Werkzeugmaschine eine optimale Beschleunigung und Verzögerung erzeugen kann. Die Beschleunigungs- und Verzögerungssteuereinheit steuert eine Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist. Die Beschleunigungs- und Verzögerungssteuereinheit weist eine Maschinenlernvorrichtung auf, die dazu ausgebildet ist, eine Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit jeder Achse der Werkzeugmaschine zu erlernen. Die Maschinenlernvorrichtung weist einen Zustandsbeobachtungsabschnitt, der dazu ausgebildet ist, erste Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt, zu beobachten; einen Bestimmungsdatenerlangungsabschnitt, der dazu ausgebildet ist, Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, zu erlangen; und einen Lernabschnitt, der dazu ausgebildet ist, die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erlernen, auf.

Description

ALLGEMEINER STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Beschleunigungs- und Verzögerungssteuereinheit und insbesondere eine Technik, um bei der Steuerung jeder Achse einer Werkzeugmaschine eine optimale Beschleunigung und Verzögerung zu erzeugen.
Beschreibung des Stands der Technik
Herkömmlich wurden Teile, Formen und dergleichen durch Erzeugen eines Bearbeitungsprogramms und Steuern einer Werkzeugmaschine auf Basis des Bearbeitungsprogramms bearbeitet. Die Bearbeitungsgeschwindigkeit zur Zeit der Bearbeitung ist in dem Bearbeitungsprogramm als Bewegungsgeschwindigkeit jeder Achse bestimmt, wobei es sich um die maximale Geschwindigkeit der relativen Bewegung (Werkzeugbewegung) zwischen einem Werkzeug und einem zu bearbeitenden Objekt handelt. Daten, die tatsächlich an die Werkzeugmaschine ausgegeben werden, sind Bewegungsdaten, die durch Verändern der Bewegungsgeschwindigkeit jeder Achse gemäß der Beschleunigungs- und Verzögerungszeitkonstanten der Achse in einem Bereich, in dem die Bearbeitung begonnen wird, Eckenbereichen, Krümmungsbereichen und dergleichen erhalten werden. Überdies weist ein zu bearbeitendes Objekt eine Toleranz und eine Zielbearbeitungszeit auf, die durch einen Arbeiter, der die Werkzeugmaschine bedient, auf die folgende Weise eingestellt werden: während er die Qualität der bearbeiteten Oberfläche des zu bearbeitenden Objekts prüft, ändert der Arbeiter die Beschleunigungs- und Verzögerungszeitkonstanten oder ändert er die in dem Programm bestimmten Geschwindigkeiten. Es sollte angemerkt werden, dass die Qualität der bearbeiteten Oberfläche in dieser Beschreibung die Bearbeitungsgenauigkeit, womit ein Fehler zwischen einer bestimmten Position und der tatsächlichen Form eines zu bearbeitenden Objekts gemeint ist, und den Grad der Sanftheit der Veränderung der Form eines zu bearbeitenden Objekts (eine bearbeitete Oberfläche weist keine auffälligen Kratzer und Furchen auf und reflektiert Licht gleichmäßig) beinhaltet.
Herkömmliche Techniken, die die Einstellung von Parametern wie die Beschleunigungs- und Verzögerungszeitkonstanten und die Geschwindigkeit bei einer solchen Bearbeitung betreffen, beinhalten die Technik, die in der Japanischen Patentoffenlegungsschrift Nr. 2017-68325 offenbart ist. Die Japanische Patentoffenlegungsschrift Nr. 2017-68325 beschreibt ein Verfahren, um durch Vornehmen eines maschinellen Lernens unter Verwendung von Schwingungsdaten an einer Werkzeugmaschine eine optimale Geschwindigkeitsverteilung mit einem guten Gleichgewicht zwischen der Qualität der bearbeiteten Oberfläche und der Bearbeitungszeit zu finden. Dies ermöglicht, dass die Werkzeugmaschine so gesteuert wird, dass die Bearbeitung mit einer passenden Bearbeitungsgeschwindigkeit, bei der keine Mängel an einer bearbeiteten Oberfläche entstehen, durchgeführt werden kann.
Wie in 8 gezeigt stellt die in der Japanischen Patentoffenlegungsschrift Nr. 2017-68325 offenbarte Technik die Bearbeitungsgeschwindigkeiten auf Basis von Maschinenschwingungsdaten der Werkzeugmaschine ein. Doch diese Technik verwendet keine Informationen hinsichtlich der Qualität der bearbeiteten Oberfläche eines bearbeiteten Werkstücks, die letztendlich bewertet werden sollte. Entsprechend muss bei der Technik, die in der Japanischen Patentoffenlegungsschrift Nr. 2017-68325 beschrieben ist, ein Schwellenwert für die Schwingungsdaten, der als Belohnungsbestimmungskriterium verwendet wird, im Voraus so berechnet werden, dass sich die Qualität der bearbeiteten Oberfläche in einem gewünschten Zustand befinden kann. Auf diese Weise muss bei der Technik, die in der Japanischen Patentoffenlegungsschrift Nr. 2017-68325 beschrieben ist, ein Schwellenwert für die Schwingungsdaten, der die Qualität der bearbeiteten Oberfläche widerspiegelt, im Voraus zum Beispiel durch Vornehmen einer Versuchsbearbeitung bestimmt werden.
KURZDARSTELLUNG DER ERFINDUNG
Eine Aufgabe der vorliegenden Erfindung ist, eine Beschleunigungs- und Verzögerungssteuereinheit bereitzustellen, die das oben beschriebene Problem lösen kann und bei der Steuerung jeder Achse einer Werkzeugmaschine eine optimale Beschleunigung und Verzögerung erzeugen kann.
Eine Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung ist eine Beschleunigungs- und Verzögerungssteuereinheit zur Steuerung einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist. Die Beschleunigungs- und Verzögerungssteuereinheit weist eine Maschinenlernvorrichtung auf, die dazu ausgebildet ist, eine Zeitableitungskomponente der N-ten Ordnung (N ist eine natürliche Zahl) einer Geschwindigkeit jeder Achse der Werkzeugmaschine zu erlernen. Die Maschinenlernvorrichtung weist einen Zustandsbeobachtungsabschnitt, der dazu ausgebildet ist, erste Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt, zu beobachten; einen Bestimmungsdatenerlangungsabschnitt, der dazu ausgebildet ist, Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, zu erlangen; und einen Lernabschnitt, der dazu ausgebildet ist, die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erlernen, auf.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung beobachtet der Zustandsbeobachtungsabschnitt ferner zweite Zustandsdaten, um eine Bearbeitungsart als die Zustandsvariable zu identifizieren, und erlernt der Lernabschnitt die ersten Zustandsdaten und die zweiten Zustandsdaten in Bezug auf wenigstens eines aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung enthalten die Bestimmungsdaten bezüglich der Oberflächenqualität des bearbeiteten Werkstücks einen Wert, der unter Verwenden wenigstens eines aus einer Oberflächenrauheit Sa, einer Oberflächenmaximalhöhe Sv, eines Oberflächentexturaspektverhältnisses Str, einer Wölbung Sku, einer Schräge Ssk, eines entwickelten Grenzflächen-Flächenverhältnisses Sdr, einer Lichtreflektivität, und eines Bildmerkmals des Werkstücks erhalten wird.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung weist der Lernabschnitt einen Belohnungsberechnungsabschnitt, der dazu ausgebildet ist, eine Belohnung im Zusammenhang mit dem Korrektheitsbestimmungsergebnis zu ermitteln, und einen Wertfunktionsaktualisierungsabschnitt, der dazu ausgebildet ist, eine Funktion, die einen Wert der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellt, unter Verwendung der Belohnung zu aktualisieren, auf.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung berechnet der Lernabschnitt die Zustandsvariable und die Bestimmungsdaten unter Verwendung einer mehrschichtigen Struktur.
Eine Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung weist ferner einen Entscheidungsfindungsabschnitt auf, der dazu ausgebildet ist, auf Basis eines Ergebnisses des Erlernens durch den Lernabschnitt einen auf der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse beruhenden Befehlswert auszugeben.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung erlernt der Lernabschnitt die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse der Werkzeugmaschine unter Verwendung der Zustandsvariablen und der Bestimmungsdaten, die von mehreren der Werkzeugmaschinen erhalten wurden.
Bei einer Beschleunigungs- und Verzögerungssteuereinheit bei einer Ausführungsform der vorliegenden Erfindung ist die Maschinenlernvorrichtung auf einem Cloud-Server vorhanden.
Eine Maschinenlernvorrichtung bei einer Ausführungsform der vorliegenden Erfindung ist eine Maschinenlernvorrichtung zum Erlernen einer Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit jeder Achse einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist. Die Maschinenlernvorrichtung weist einen Zustandsbeobachtungsabschnitt, der dazu ausgebildet ist, erste Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt, zu beobachten; einen Bestimmungsdatenerlangungsabschnitt, der dazu ausgebildet ist, Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, zu erlangen; und einen Lernabschnitt, der dazu ausgebildet ist, die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erlernen, auf.
Ein Maschinenlernverfahren bei einer Ausführungsform der vorliegenden Erfindung ist ein Maschinenlernverfahren zu Erlernen einer Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit jeder Achse einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist. Das Maschinenlernverfahren weist einen Schritt des Beobachtens erster Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt; einen Schritt des Erlangens von Bestimmungsdaten, die die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen; und einen Schritt des Erlernens der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten auf.
Die vorliegende Erfindung stellt eine Beschleunigungs- und Verzögerungssteuereinheit bereit, die bei der Steuerung jeder Achse einer Werkzeugmaschine eine optimale Beschleunigung und Verzögerung erzeugen kann.
Figurenliste
Diese und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung beispielhafter Ausführungsformen unter Bezugnahme auf die beiliegenden Zeichnungen offensichtlich werden, wobei

1 ein schematisches Funktionsblockdiagramm einer Beschleunigungs- und Verzögerungssteuereinheit nach einer ersten Ausführungsform ist;
2 ein schematisches Funktionsblockdiagramm ist, das eine Form der Steuereinheit zeigt;
3A ein schematisches Ablaufdiagramm ist, das eine Form des Maschinenlernverfahrens zeigt;
3B ein schematisches Ablaufdiagramm ist, das eine Form des Maschinenlernverfahrens zeigt;
4A eine Ansicht zur Erklärung eines Neurons ist;
4B eine Ansicht zur Erklärung eines neuronalen Netzwerks ist;
5 ein schematisches Funktionsblockdiagramm einer Beschleunigungs- und Verzögerungssteuereinheit nach einer zweiten Ausführungsform ist;
6 ein schematisches Funktionsblockdiagramm ist, das eine Form des Beschleunigungs- und Verzögerungssteuersystems zeigt;
7 ein schematisches Funktionsblockdiagramm ist, das eine andere Form des Beschleunigungs- und Verzögerungssteuersystems zeigt;
8 eine Ansicht zur Erklärung der Steuerung der Beschleunigung und Verzögerung nach einer herkömmlichen Technik ist; und
9 eine Ansicht zur Erklärung der Steuerung der Beschleunigung und Verzögerung nach der vorliegenden Erfindung ist.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Wie in 9 gezeigt ist ein Merkmal der vorliegenden Erfindung, dass eine auf maschinellem Lernen beruhende Technik verwendet wird, um eine optimale Beschleunigungs- und Verzögerungssteuerung auf Basis von Informationen hinsichtlich einer bearbeiteten Oberfläche eines bearbeiteten Werkstücks durchzuführen. Dies ermöglicht, dass eine Geschwindigkeitsverteilung (Beschleunigung oder Ruck) gemäß der verlangten Qualität einer bearbeiteten Oberfläche bestimmt wird, und beseitigt die Notwendigkeit, im Voraus einen Schwellenwert festzulegen. Überdies ermöglicht dies auch, dass die Qualität einer bearbeiteten Oberfläche in einer Phase vor der Bearbeitung gesteuert wird. Insbesondere wird während der Endbearbeitung automatisch eingestellt, wo und wie die Beschleunigung und Verzögerung durchgeführt werden wird. Entsprechend kann ein Polierschritt weggelassen oder verkürzt werden. Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen beschrieben werden.
Bei der vorliegenden Erfindung wird durch das Durchführen eines maschinellen Lernens bezüglich der Bestimmung von Bewegungsstrecken zwecks Einstellung der Beschleunigung und Verzögerung jeder Achse einer Werkzeugmaschine bei der Bearbeitung eines Werkstücks auf Basis eines Bearbeitungsprogramms die Geschwindigkeitsverteilung jeder Achse der Werkzeugmaschine bei der Bearbeitung des Werkstücks optimal bestimmt. Hier bedeutet die Geschwindigkeitsverteilung jeder Achse eine Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit (N ist eine natürliche Zahl), zum Beispiel der Beschleunigung oder des Rucks jeder Achse. Die Geschwindigkeitsverteilung (die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse wird so bestimmt, dass eine raschere Werkzeugfortbewegung, eine verbesserte Bearbeitungsgenauigkeit und eine verbesserte Qualität der bearbeiteten Oberfläche erzielt werden kann. Somit kann ein Werkstück innerhalb eines kürzeren Zeitraums bearbeitet werden, ohne die Bearbeitungsgenauigkeit und die Qualität der bearbeiteten Oberfläche zu opfern.
1 ist ein schematisches Funktionsblockdiagramm einer Beschleunigungs- und Verzögerungssteuereinheit 10 nach einer ersten Ausführungsform.
Die Beschleunigungs- und Verzögerungssteuereinheit 10 kann zum Beispiel als numerische Steuervorrichtung (CNC) mit der Funktion zur Steuerung der Beschleunigung und Verzögerung jeder Achse einer Werkzeugmaschine ausgeführt werden. Die Beschleunigungs- und Verzögerungssteuereinheit 10 weist eine Maschinenlernvorrichtung 20 auf, die Software (einen Lernalgorithmus und dergleichen) und Hardware (wie etwa eine CPU eines Computers) enthält, um sich selbst durch sogenanntes maschinelles Lernen eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die eine verbesserte Bearbeitungsgenauigkeit, eine verbesserte Qualität der bearbeiteten Oberfläche, und eine kürzere Bearbeitungszeit bereitstellt, beizubringen. Die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 erlernt, entspricht einer Modellstruktur, die die Korrelation zwischen einer Information, die Zustände bezüglich der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks angibt, und der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) für die Genauigkeit, die Oberflächenqualität und die Bearbeitungszeit darstellt.
Wie durch Funktionsblöcke in 1 dargestellt weist die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 einen Zustandsbeobachtungsabschnitt 22 zur Beobachtung einer Zustandsvariablen S, die eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse darstellt, einen Bestimmungsdatenerlangungsabschnitt 24 zur Erlangung von Bestimmungsdaten D für eine gegebene Zustandsvariable S, wobei die Bestimmungsdaten D Bestimmungsdaten D1, die die Oberflächenqualität eines bearbeiteten Werkstücks darstellen, und Bestimmungsdaten D2, die die Bearbeitungszeit darstellen, enthalten, und einen Lernabschnitt 26 zum Erlernen einer optimalen Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D auf.
Der Zustandsbeobachtungsabschnitt 22 kann zum Beispiel als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Zustandsbeobachtungsabschnitt 22 zum Beispiel als Software ausgebildet sein, die eine CPU eines Computers dazu bringt, zu arbeiten. Die Zustandsvariable S, die durch den Zustandsbeobachtungsabschnitt 22 beobachtet wird, enthält zum Beispiel eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse, die durch die Beschleunigungs- und Verzögerungssteuereinheit 10, die ein Bearbeitungsprogramm analysiert, erhalten wird, eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse, die durch die Beschleunigungs- und Verzögerungssteuereinheit 10 tatsächlich gemessen wird, und dergleichen.
Der Bestimmungsdatenerlangungsabschnitt 24 kann zum Beispiel als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Bestimmungsdatenerlangungsabschnitt 24 zum Beispiel als Software ausgebildet sein, die eine CPU eines Computers dazu bringt, zu arbeiten. Die durch den Bestimmungsdatenerlangungsabschnitt 24 erlangten Bestimmungsdaten D1 sind numerische Daten, die Ergebnisse der Untersuchung einer bearbeiteten Oberfläche darstellen, wie etwa Daten, die von einer Untersuchungsvorrichtung (nicht gezeigt) oder einem Sensor, der in einer Untersuchungsvorrichtung installiert ist, erhalten werden, oder Daten, die durch Verwenden oder Umwandeln dieser Daten erhalten werden. Beispiele für eine solche Untersuchungsvorrichtung beinhalten eine Vorrichtung zur Analyse der bearbeiteten Oberfläche (typischerweise ein Lasermikroskop), eine Vorrichtung zur Aufnahme eines Bilds der bearbeiteten Oberfläche, eine Vorrichtung zur Messung der Lichtreflektivität, und dergleichen. Beispiele für Daten, die die Oberflächenqualität darstellen und durch eine Untersuchungsvorrichtung gemessen werden können, beinhalten die Oberflächenrauheit Sa, die Oberflächenmaximalhöhe Sv, das Oberflächentexturaspektverhältnis Str, die Wölbung Sku, die Schräge Ssk, das entwickelte Grenzflächen-Flächenverhältnis Sdr, die Lichtreflektivität eines bearbeiteten Werkstücks, und ein Merkmal eines Bilds einer bearbeiteten Oberfläche, und dergleichen. Alternativ können die Bestimmungsdaten D1 Daten sein, die durch Eingeben einer Datei, die Ergebnisse einer Bewertung der Oberflächenqualität durch einen Facharbeiter enthält, oder direktes Eingeben von Ergebnissen einer Bewertung der Oberflächenqualität über eine Schnittstelle wie etwa eine Tastatur erhalten werden, oder Daten sein, die durch Verwenden oder Umwandeln dieser Daten erhalten werden. Beispiele für die Bestimmungsdaten D2, die durch den Bestimmungsdatenerlangungsabschnitt 24 erlangt werden, beinhalten Daten hinsichtlich der Bearbeitungszeit, die durch die Beschleunigungs- und Verzögerungssteuereinheit 10 tatsächlich gemessen wurde, und Daten, die durch Verwenden oder Umwandeln dieser Daten erhalten werden.
Auf diese Weise wird das Lernen durch die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 durch Durchführen einer Bearbeitung in einer Werkzeugmaschine bei einer vorherbestimmten Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit), einer Messung der Oberflächenqualität des bearbeiteten Werkstücks, und einer Messung der Bearbeitungszeit als ein Zyklus vorgenommen.
Der Lernabschnitt 26 kann zum Beispiel als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Lernabschnitt 26 zum Beispiel als Software ausgebildet sein, die eine CPU eines Computers dazu bringt, zu arbeiten. Der Lernabschnitt 26 erlernt eine optimale Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse gemäß einem beliebigen Lernalgorithmus, der generisch als maschinelles Lernen bezeichnet wird. Der Lernabschnitt 26 kann das Lernen auf Basis einer Datensammlung, die die Zustandsvariable S und die Bestimmungsdaten D, die oben beschrieben wurden, enthält, wiederholt ausführen. Während ein Lernzyklus wiederholt wird, entspricht die Zustandsvariable einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die bei einem vorherigen Lernzyklus erhalten wurde, und entsprechen die Bestimmungsdaten D Ergebnissen einer Bewertung der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks auf Basis der bestimmten Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse.
Durch Wiederholen des oben beschriebenen Lernzyklus kann der Lernabschnitt 26 automatisch Merkmale, die die Korrelation zwischen einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse und einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks andeuten, erkennen. Die Korrelation zwischen einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse und einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks ist im Wesentlichen unbekannt. Der Lernabschnitt 26 erkennt mit dem Fortschritt des Lernens allmählich Merkmale und interpretiert die Korrelation. Wenn die Korrelation zwischen einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse und einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks bis zu einem verlässlichen Grad interpretiert wurde, können Lernergebnisse, die durch den Lernabschnitt 26 wiederholt ausgegeben werden, verwendet werden, um eine dahingehende Wahl einer Handlung (Entscheidungsfindung) vorzunehmen, welche Oberflächenqualität eines bearbeiteten Werkstücks und welche Bearbeitungszeit für den gegenwärtigen Zustand, das heißt, die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse abgeleitet werden sollte. Insbesondere kann der Lernabschnitt 26 mit dem Fortschritt des Lernalgorithmus die Korrelation zwischen der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse und einer aus dem Zustand, der die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks enthält, abgeleiteten Handlung allmählich näher an die optimale Lösung bringen.
Wie oben beschrieben ist die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 so ausgebildet, dass der Lernabschnitt 26 eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse gemäß einem Lernalgorithmus unter Verwendung der durch den Zustandsbeobachtungsabschnitt 22 beobachteten Zustandsvariablen S und der durch den Bestimmungsdatenerlangungsabschnitt 24 erlangten Bestimmungsdaten D erlernt. Die Zustandsvariable S enthält Daten, die für Störungen unempfänglich sind, wie eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse. Die Bestimmungsdaten sind durch das Erlangen von Ergebnissen einer Untersuchung durch eine Untersuchungsvorrichtung und die tatsächlich gemessene Bearbeitungszeit eindeutig bestimmt. Entsprechend können durch die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 die einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse entsprechende Oberflächenqualität und Bearbeitungszeit eines bearbeiteten Werkstücks unter Verwendung von Ergebnissen des Lernens durch den Lernabschnitt 26, nicht durch Berechnen oder Schätzen, automatisch und korrekt herausgefunden werden.
Wenn die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks nicht durch eine Berechnung oder eine Schätzung automatisch herausgefunden werden können, können die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks nur durch Kenntnis der Einstellwerte für eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse rasch geschätzt werden, bevor die Bearbeitung begonnen wird.
Bei einem abgewandelten Beispiel für die Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 kann der Zustandsbeobachtungsabschnitt 22 als die Zustandsvariable S ferner eine Bearbeitungsart S2, die die Form eines Bearbeitungspfads oder dergleichen darstellt, beobachten. Die Bearbeitungsart S2 kann zum Beispiel die Form (Identifikationsdaten zur Identifikation eines geradlinigen Bereichs, eines Eckenbereichs, eines zu einer abgerundeten Form bearbeiteten Bereichs, eines zu einer konzentrischen Form bearbeiteten Bereichs, oder dergleichen) des Bearbeitungspfads enthalten. Die Bearbeitungsart S2 kann ferner Daten (wie etwa einen Winkel und einen Radius), die die Größe einer Ecke oder dergleichen mit Ausnahme eines geradlinigen Bereichs darstellen, enthalten. Im Hinblick auf den Winkel und den Radius können vorab mehrere Stufen definiert werden und kann die Bearbeitungsart S2 Identifikationsdaten enthalten, die angeben, welche Stufe jedem der Winkel und Radien, die auf dem Bearbeitungspfad enthalten sind, zugewiesen ist. Stellen, an denen die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse geändert werden muss, sind im Allgemeinen Eckenbereiche und dergleichen mit Ausnahme geradliniger Bereiche. Die optimale Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse kann je nach der Art eines Eckenbereichs oder dergleichen unterschiedlich sein. Wenn die Bearbeitungsart S2 beobachtet wird, kann der Lernabschnitt 26 die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks sowohl in Bezug auf die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse als auch die Bearbeitungsart S2 erlernen. Insbesondere kann für jede Bearbeitungsart S2 unabhängig ein Modell, das die Korrelation zwischen einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit und der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse darstellt, aufgebaut werden. Entsprechend kann die der Form eines Eckenbereichs oder dergleichen entsprechende optimale Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse erlernt werden.
Bei einem anderen abgewandelten Beispiel der Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 kann der Lernabschnitt 26 unter Verwendung von Zustandsvariablen S und Bestimmungsdaten D, die für jede von mehreren Werkzeugmaschinen mit dem gleichen Aufbau erhalten wurden, die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks, die der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse bei diesen Werkzeugmaschinen entsprechen, erlernen. Diese Ausführung kann die Menge an Datensammlungen, die die Zustandsvariable S und die Bestimmungsdaten D, die für einen bestimmten Zeitraum erhalten wurden, enthalten, vergrößern. Entsprechend kann durch das Verwenden vielfältigerer Datensammlungen als Eingänge die Geschwindigkeit und die Verlässlichkeit des Erlernens der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks, die der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse entsprechen, verbessert werden.
Bei der Maschinenlernvorrichtung 20 mit dem oben beschriebenen Aufbau bestehen für den Lernalgorithmus, den der Lernabschnitt 26 ausführt, keine besonderen Beschränkungen, und es kann ein allgemein als maschinelles Lernen bekannter Lernalgorithmus eingesetzt werden. 2 ist eine Ausführung der in 1 gezeigten Beschleunigungs- und Verzögerungssteuereinheit 10 und zeigt einen Aufbau mit einem Lernabschnitt 26, der als ein Beispiel für einen Lernalgorithmus das bestärkende Lernen ausführt. Das bestärkende Lernen ist eine Technik, bei der als optimale Lösung ein Mittel (bei der Maschinenlernvorrichtung der vorliegenden Anmeldung eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die eine verbesserte Oberflächenqualität eines bearbeiteten Werkstücks und eine kürzere Bearbeitungszeit bereitstellt), erlernt wird, indem ein Zyklus, in dem ein gegenwärtiger Zustand einer Umgebung, in der sich ein lernendes Subjekt befindet, (das heißt, ein Eingang) beobachtet wird, in dem gegenwärtigen Zustand eine Handlung (das heißt, ein Ausgang) vorgenommen wird, und für diese Handlung irgendeine Belohnung gegeben wird, mittels Versuch und Irrtum wiederholt wird, damit die Gesamtsumme der Belohnungen maximiert wird.
Bei der Maschinenlernvorrichtung 20 der in 2 gezeigten Beschleunigungs- und Verzögerungssteuereinheit 10 weist der Lernabschnitt 26 einen Belohnungsberechnungsabschnitt 28, der eine Belohnung R im Zusammenhang mit einem Ergebnis (Bestimmungsdaten D, die die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks darstellen) einer Bearbeitung, die auf Basis einer bestimmten Zustandsvariablen S durchgeführt wurde, ermittelt, und einen Wertfunktionsaktualisierungsabschnitt 30, der unter Verwendung der Belohnung R eine Funktion Q, die den Wert einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse darstellt, aktualisiert, auf. Der Lernabschnitt 26 erlernt durch wiederholtes Aktualisieren der Funktion Q durch den Wertfunktionsaktualisierungsabschnitt 30 jene Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die die Oberflächenqualität eines bearbeiteten Werkstücks verbessert und die die Bearbeitungszeit verkürzt.
Nun wird ein Beispiel für den Algorithmus des bestärkenden Lernens, den der Lernabschnitt 26 ausführt, beschrieben werden. Der Algorithmus gemäß diesem Beispiel ist als Q-Lernen bekannt und ist eine Technik, bei der unter Verwendung des Zustands s eines Agenten und einer Handlung a, die der Agent in dem Zustand s wählen kann, als unabhängige Variable eine Funktion Q(s,a), die den Wert der Handlung im Fall einer Wahl der Handlung a im Zustand s darstellt, erlernt wird. Die optimale Lösung ist die Wahl einer Handlung a, durch die die Wertfunktion Q im Zustand s maximiert wird. Durch das Beginnen des Q-Lernens in einem Zustand, in dem die Korrelation zwischen dem Zustand s und der Handlung a unbekannt ist, und das Wiederholen von Versuch und Irrtum zur Wahl verschiedener Handlungen a in einem beliebigen Zustand s wird die Wertfunktion Q wiederholt aktualisiert und der optimalen Lösung angenähert. Hier ist es durch Einsetzen einer Ausführung, bei der bei einer Änderung der Umgebung (das heißt, des Zustands s) als Ergebnis einer Wahl der Handlung a in dem Zustand s eine der Änderung entsprechende Belohnung (das heißt, ein der Handlung a gegebenes Gewicht) erhalten wird, und derartiges Steuern des Lernens, dass eine Handlung a, die für eine höhere Belohnung r sorgt, gewählt wird, möglich, die Wertfunktion Q innerhalb eines verhältnismäßig kurzen Zeitraums an die optimale Lösung anzunähern.
Die Aktualisierungsformel für die Wertfunktion Q wird im Allgemeinen durch die folgende Formel 1 ausgedrückt. In der Formel 1 sind s_t und a_t jeweils der Zustand und die Handlung zu der Zeit t. Die Handlung a_t verursacht eine Änderung des Zustands von s_t zu s_t1. r_t1 ist eine Belohnung, die als Reaktion auf eine Änderung des Zustands von s_t zu s_t+1 erhalten wird. Das Glied maxQ bedeutet das erhaltene Q, wenn zu der Zeit t1 eine Handlung a vorgenommen wird, die für einen maximalen Wert Q sorgt (zu der Zeit t für einen maximalen Wert Q zu sorgen scheint). α und y sind jeweils ein Lernkoeffizient und ein Diskontierungsfaktor, und sind beliebig so festgelegt, dass 0 < α ≤ 1 und 0 < γ ≤ 1 ist. $Q (s_{t}, a_{t}) \leftarrow Q (s_{t}, a_{t}) + α (r_{t + 1} + γ max_{a} Q (s_{t + 1}, a) - Q (s_{t}, a_{t}))$
Wenn der Lernabschnitt 26 das Q-Lernen ausführt, entsprechen die Zustandsvariable S, die durch den Zustandsbeobachtungsabschnitt 22 beobachtet wird, und die Bestimmungsdaten D, die durch den Bestimmungsdatenerlangungsabschnitt 24 erlangt werden, dem Zustand s in der Aktualisierungsformel, entspricht eine Handlung, wie die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse für den gegenwärtigen Zustand (die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks) geändert werden sollte, der Handlung a in der Aktualisierungsformel, und entspricht die durch den Belohnungsberechnungsabschnitt 28 ermittelte Belohnung R der Belohnung r in der Aktualisierungsformel. Entsprechend aktualisiert der Wertfunktionsaktualisierungsabschnitt 30 die Funktion Q, die den Wert einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse darstellt, durch Q-Lernen unter Verwendung der Belohnung R wiederholt.
Die durch den Belohnungsberechnungsabschnitt 28 ermittelte Belohnung R, wenn nach der Bestimmung einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse die Bearbeitung eines Werkstücks auf Basis der Geschwindigkeitsverteilung durchgeführt wurde, kann zum Beispiel eine positive (plus) Belohnung R sein, wenn die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks als „korrekt“ bestimmt werden (zum Beispiel, wenn ein Index, der die Oberflächenqualität eines Werkstücks darstellt, nicht geringer als ein vorherbestimmter Schwellenwert ist, wenn die Bearbeitungszeit nicht länger als ein vorherbestimmter Schwellenwert ist, und dergleichen), und kann eine negative (minus) Belohnung sein, wenn die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks als „inkorrekt“ bestimmt werden (zum Beispiel, wenn ein Index, der die Oberflächenqualität eines Werkstücks darstellt, geringer als ein vorherbestimmter Schwellenwert ist, wenn die Bearbeitungszeit länger als ein vorherbestimmter Schwellenwert ist, und dergleichen). Die absoluten Werte für die positive und die negative Belohnung können einander gleich oder voneinander verschieden sein. Im Hinblick auf eine Bedingung für die Bestimmung können mehrere Werte, die in den Bestimmungsdaten D enthalten sind, kombiniert werden, um eine Bestimmung vorzunehmen. Hier kann der Schwellenwert wie gewünscht festgelegt werden, oder es kann ein statistischer Wert wie etwa ein kumulativer Durchschnittswert der Bestimmungsdaten D verwendet werden. Alternativ kann auch eine Ausführung eingesetzt werden, bei der der Schwellenwert in der Anfangsphase des Lernens so festgelegt wird, dass die Toleranz für die Oberflächenqualität und die Bearbeitungszeit eines bearbeiteten Werkstücks verhältnismäßig groß werden, und der Schwellenwert so verändert wird, dass die Toleranz mit dem Fortschritt des Lernens abnimmt.
Überdies können Ergebnisse der Korrektheitsbestimmung der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks nicht nur in zwei Stufen, die „korrekt“ und „inkorrekt“ lauten, sondern in mehreren Stufen festgelegt werden. Zum Beispiel kann eine Ausführung eingesetzt werden, bei der dann, wenn der angenommene maximale Wert der Bearbeitungszeit T_max ist, eine Belohnung von R = 5 gegeben wird, wenn die Bearbeitungszeit T 0 ≤ T < T_max/5 ist, eine Belohnung von R = 2 gegeben wird, wenn T_max/5 ≤ T < T_max/2 ist, und eine Belohnung von R = 1 gegeben wird, wenn T_max/2 ≤ T ≤ T_max ist. Alternativ können mehrere Stufen unter Verwendung eines statistischen Werts wie etwa der Abweichung von einem kumulativen Durchschnittswert der Bestimmungsdaten D definiert werden. Ferner kann auch eine Ausführung eingesetzt werden, bei der T_max in der Anfangsphase des Lernens verhältnismäßig groß festgelegt ist und T_max mit dem Fortschritt des Lernens abnimmt. Ebenso kann ein Index, der die Oberflächenqualität eines Werkstücks darstellt, auf einer Skale, die in mehrere Stufen unterteilt ist, bewertet werden.
Der Wertfunktionsaktualisierungsabschnitt 30 kann eine Handlungswerttabelle aufweisen, in der die Zustandsvariable S, die Bestimmungsdaten D und die Belohnung R in Bezug auf einen Handlungswert (zum Beispiel einen numerischen Wert), der durch die Funktion Q dargestellt ist, organisiert sind. In diesem Fall ist eine Handlung der Aktualisierung der Funktion Q, die durch den Wertfunktionsaktualisierungsabschnitt 30 durchgeführt wird, gleichbedeutend mit einer Handlung der Aktualisierung der Handlungswerttabelle, die durch den Wertfunktionsaktualisierungsabschnitt 30 durchgeführt wird. Wenn das Q-Lernen begonnen wird, ist die Korrelation zwischen dem gegenwärtigen Zustand der Umgebung und der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse unbekannt. Entsprechend sind in der Handlungswerttabelle verschiedene Zustandsvariable S, Bestimmungsdaten D und Belohnungen R in einer mit einem zufällig bestimmten Wert (Funktion Q) des Handlungswerts verbundenen Form vorbereitet. Es sollte angemerkt werden, dass der Belohnungsberechnungsabschnitt 28 dann, wenn die Bestimmungsdaten D bekannt sind, sofort eine Belohnung R, die den Bestimmungsdaten D entspricht, berechnen kann und der berechnete Wert R in die Handlungswerttabelle geschrieben wird.
Während das Q-Lernen unter Verwendung der Belohnung R, die dem Ergebnis der Korrektheitsbestimmung der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks entspricht, vorangetrieben wird, wird das Lernen in die Richtung gesteuert, in der eine Handlung, durch die eine höhere Belohnung R erhalten werden kann, gewählt wird, der Wert (Funktion Q) des Handlungswerts einer Handlung, die in dem gegenwärtigen Zustand durchgeführt wird, gemäß dem Zustand (das heißt, der Zustandsvariablen S und den Bestimmungsdaten D) der Umgebung, die sich als Ergebnis der Ausführung der gewählten Handlung in dem gegenwärtigen Zustand verändert hat, umgeschrieben wird, und die Handlungswerttabelle dadurch aktualisiert wird. Durch das Wiederholen dieser Aktualisierung werden die Werte (Funktion Q) von Handlungswerten, die in der Handlungswerttabelle dargestellt sind, so umgeschrieben, dass sinnvolle Handlungen größere Werte aufweisen können. Dies enthüllt allmählich die unbekannt gewesene Korrelation zwischen dem gegenwärtigen Umweltzustand (der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks) und einer Handlung (Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse) in Bezug auf den gegenwärtigen Umweltzustand. Mit anderen Worten wird die Beziehung zwischen einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks und der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse durch Aktualisieren der Handlungswerttabelle allmählich an die optimale Lösung angenähert.
Unter Bezugnahme auf 3A und 3B wird der Ablauf (das heißt, eine Ausführungsweise des Maschinenlernverfahrens) des oben beschriebenen Q-Lernens, das der Lernabschnitt 26 ausführt, näher beschrieben werden. Zuerst wählt der Wertfunktionsaktualisierungsabschnitt 30 in Schritt SA01 unter Bezugnahme auf die Handlungswerttabelle zu dieser Zeit zufällig eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse als Handlung, die in dem gegenwärtigen Zustand, der durch die durch den Zustandsbeobachtungsabschnitt 22 beobachtete Zustandsvariable S dargestellt ist, durchgeführt wird. Als nächstes importiert der Wertfunktionsaktualisierungsabschnitt 30 in Schritt SA02 die Zustandsvariable S des gegenwärtigen Zustands, die der Zustandsbeobachtungsabschnitt 22 beobachtet. Dann importiert der Wertfunktionsaktualisierungsabschnitt 30 in Schritt SA03 die Bestimmungsdaten D1 und D2 des gegenwärtigen Zustands, die der Bestimmungsdatenerlangungsabschnitt 24 erlangt hat. Als nächstes bestimmt der Wertfunktionsaktualisierungsabschnitt 30 in Schritt SA04 auf Basis der Bestimmungsdaten D1, ob die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse korrekt war. Wenn bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) der Achse korrekt war, wird in Schritt SA05 eine positive Belohnung R1, die der Belohnungsberechnungsabschnitt 28 ermittelt hat, auf die Aktualisierungsformel für die Funktion Q angewendet. Wenn andererseits in Schritt SA04 bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) der Achse nicht korrekt war, wird in Schritt SA06 eine negative Belohnung R1, die der Belohnungsberechnungsabschnitt 28 ermittelt hat, auf die Aktualisierungsformel für die Funktion Q angewendet.
Ebenso bestimmt der Wertfunktionsaktualisierungsabschnitt 30 in Schritt SA07 auf Basis der Bestimmungsdaten D2, ob die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse korrekt war. Wenn bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) der Achse korrekt war, wird in Schritt SA08 eine positive Belohnung R2, die der Belohnungsberechnungsabschnitt 28 ermittelt hat, auf die Aktualisierungsformel für die Funktion Q angewendet. Wenn andererseits in Schritt S07 bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) für die Achse nicht korrekt war, wird in Schritt SA09 eine negative Belohnung R2, die der Belohnungsberechnungsabschnitt 28 ermittelt hat, auf die Aktualisierungsformel für die Funktion Q angewendet.
Als nächstes wird in Schritt SA10 die Handlungswerttabelle unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D1 und D2 beim gegenwärtigen Zustand und der Belohnungen R1 und R2 und des Werts (der aktualisierten Funktion Q) des Handlungswerts aktualisiert. Der Lernabschnitt 26 aktualisiert die Handlungswerttabelle durch Wiederholen der Schritte SA01 bis SA10 wiederholt, wodurch das Lernen einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse vorangetrieben wird.
Um das oben genannte bestärkende Lernen voranzutreiben, kann anstelle des Q-Lernens zum Beispiel ein neuronales Netzwerk verwendet werden. 4A zeigt ein Modell eines Neurons schematisch. 4B zeigt ein Modell eines dreischichtigen neuronalen Netzwerks, das durch Kombinieren von in 4A gezeigten Neuronen aufgebaut ist, schematisch. Ein neuronales Netzwerk kann zum Beispiel unter Verwendung einer Recheneinheit, einer Speichereinheit oder dergleichen, die ein Modell eines Neurons imitiert, aufgebaut werden.
Das in 4A gezeigte Neuron ist so ausgeführt, dass es für mehrere Eingänge x (hier als ein Beispiel Eingänge x₁ bis x₃ einen Ausgang y ausgibt. Jeder der Eingänge x₁ bis x₃ wird mit einem Gewicht w (w₁ bis w₃), das dem Eingang x entspricht, multipliziert. Dies bringt das Neuron dazu, einen durch die folgende Formel 2 ausgedrückten Ausgang y auszugeben. Es sollte angemerkt werden, dass alle aus dem Eingang x, dem Ausgang y und dem Gewicht w in Formel 2 Vektoren sind. Ferner ist θ ein Bias und f_k eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Das in 4B gezeigte dreischichtige neuronale Netzwerk erhält von der linken Seite mehrere Eingänge x (hier als ein Beispiel Eingänge x1 bis x3) und gibt von der rechten Seite Ergebnisse y (hier als ein Beispiel Ergebnisse y1 bis y3) aus. Bei dem dargestellten Beispiel werden die Eingänge x1, x2 und x3 mit entsprechenden Gewichten (gesammelt als w1 ausgedrückt) multipliziert und wird jeder der Eingänge x1, x2 und x3 in drei Neuronen N11, N12 und N13 eingegeben.
In 4B sind die Ausgänge von den Neuronen N11 bis N13 gesammelt durch z1 dargestellt. z1 kann als Merkmalsvektor, der durch Extrahieren der Merkmalsgröße eines Eingangsvektors erhalten wird, angesehen werden. Bei dem dargestellten Beispiel wird jeder der Merkmalsvektoren z1 mit entsprechenden Gewichten (gesammelt als w2 dargestellt) multipliziert, und wird jeder der Merkmalsvektoren z1 in zwei Neuronen N21 und N22 eingegeben. Der Merkmalsvektor z1 stellt ein Merkmal zwischen dem Gewicht w1 und dem Gewicht w2 dar.
In 4B sind Ausgänge von den Neuronen N21 und N22 gesammelt durch z2 dargestellt. z2 kann als Merkmalsvektor, der durch Extrahieren der Merkmalsgröße des Merkmalsvektors z1 erhalten wird, angesehen werden. Bei dem dargestellten Beispiel wird jeder der Merkmalsvektoren z2 mit entsprechenden Gewichten (gesammelt durch w3 dargestellt) multipliziert, und wird jeder der Merkmalsvektoren z2 in 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.
Bei der Maschinenlernvorrichtung 20 der Beschleunigungs- und Verzögerungssteuereinheit 10 kann als Ergebnis der Durchführung einer mehrschichtigen Berechnung gemäß dem oben beschriebenen neuronalen Netzwerk durch die Lernvorrichtung 26 unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D als Eingang x eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse (Ergebnis y) ausgegeben werden. Es sollte angemerkt werden, dass die Betriebsmoden des neuronalen Netzwerks einen Lernmodus und einen Wertvorhersagemodul beinhalten. Zum Beispiel werden in dem Lernmodus unter Verwendung eines Lerndatensatzes Gewichte w erlernt, und kann in dem Wertvorhersagemodus unter Verwendung der erlernten Gewichte w der Wert einer Handlung bestimmt werden. Es sollte angemerkt werden, dass in dem Wertvorhersagemodus auch eine Detektion, eine Klassifizierung, eine Schlussfolgerung und dergleichen durchgeführt werden können.
Der oben beschriebene Aufbau der Beschleunigungs- und Verzögerungssteuereinheit 10 kann als Maschinenlernverfahren (oder Software), das (die) eine CPU eines Computers ausführt, beschrieben werden. Dieses Maschinenlernverfahren ist ein Maschinenlernverfahren zum Erlernen einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, und beinhaltet einen Schritt, in dem die CPU des Computers Zustandsdaten S1, die die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse darstellen, und, falls nötig, Zustandsdaten S2, die eine Bearbeitungsart darstellen, als die Zustandsvariable S, die den gegenwärtigen Zustand darstellt, beobachtet, einen Schritt, in dem die CPU des Computers Bestimmungsdaten D, die das Ergebnis der Korrektheitsbestimmung der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, erlangt, und einen Schritt, in dem die CPU des Computers unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D das Lernen durchführt, indem sie die Zustandsvariable S und die Bestimmungsdaten D in einen Zusammenhang bringt.
5 zeigt eine Beschleunigungs- und Verzögerungssteuereinheit 40 nach einer zweiten Ausführungsform. Die Beschleunigungs- und Verzögerungssteuereinheit 40 weist eine Maschinenlernvorrichtung 50 und einen Zustandsdatenerlangungsabschnitt 42, der eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse der Zustandsvariablen S, die der Zustandsbeobachtungsabschnitt 22 beobachtet, und, falls nötig, Zustandsdaten S2, die eine Bearbeitungsart darstellen, als Zustandsdaten S0 erlangt.
Die Maschinenlernvorrichtung 50 der Beschleunigungs- und Verzögerungssteuereinheit 40 weist Software (einen Lernalgorithmus und dergleichen) und Hardware (wie etwa eine CPU eines Computers) auf, die durch die Maschinenlernvorrichtung 50 verwendet werden, um durch maschinelles Lernen eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse zu erlernen, und weist auch Software (einen Rechenalgorithmus und dergleichen) und Hardware (wie etwa eine CPU eines Computers) auf, um die erlernte Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse als Befehle an eine Werkzeugmaschine (nicht gezeigt) auszugeben.
Die Maschinenlernvorrichtung 50, die in der Beschleunigungs- und Verzögerungssteuereinheit 40 enthalten ist, kann einen Aufbau aufweisen, bei dem eine einzelne gemeinsame CPU die gesamte Software einschließlich des Lernalgorithmus, des Rechenalgorithmus und dergleichen ausführt.
Ein Entscheidungsfindungsabschnitt 52 kann zum Beispiel als eine Funktion einer CPU eines Computers ausgebildet sein. Alternativ kann der Entscheidungsfindungsabschnitt 52 zum Beispiel als Software ausgebildet sein, die eine CPU eines Computers dazu bringt, zu arbeiten. Der Entscheidungsfindungsabschnitt 52 erzeugt auf Basis der durch den Lernabschnitt 26 erlernten Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse einen Befehlswert C an eine Werkzeugmaschine, die eine Bearbeitung durchführt, und gibt den erzeugten Befehlswert C aus. Wenn der Befehlswert C, der auf der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die durch den Entscheidungsfindungsabschnitt 56 erlernt wurde, beruht, an die Werkzeugmaschine ausgegeben wird, ändert sich der Zustand (die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse) der Umgebung als Reaktion auf den ausgegebenen Befehlswert C.
In einem nächsten Lernzyklus beobachtet der Zustandsbeobachtungsabschnitt 22 die Zustandsvariable S, die eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) S1 jeder Achse enthält, welche sich nach der Anzeige oder Ausgabe der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse durch den Entscheidungsfindungsabschnitt 52 an die Umgebung geändert hat. Der Lernabschnitt 26 erlernt durch Aktualisieren, beispielsweise, der Wertfunktion Q (das heißt, der Handlungswerttabelle) unter Verwendung der geänderten Zustandsvariablen S eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse. Unter der erlernten Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse gibt die Entscheidungsfindungseinheit 52 der Zustandsvariablen S entsprechend einen auf der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) an jede Achse beruhenden Befehlswert C an die Werkzeugmaschine aus. Durch Wiederholen dieses Zyklus treibt die Maschinenlernvorrichtung 50 das Erlernen der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse voran und verbessert allmählich die Verlässlichkeit der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die die Maschinenlernvorrichtung 50 bestimmt.
Die Maschinenlernvorrichtung 50 der Beschleunigungs- und Verzögerungssteuereinheit 40 mit dem oben beschriebenen Aufbau weist Wirkungen auf, die jenen der oben genannten Maschinenlernvorrichtung 20 gleichwertig sind. Insbesondere kann die Maschinenlernvorrichtung 50 den Zustand der Umgebung durch eine Ausgabe von dem Entscheidungsfindungsabschnitt 52 ändern. Andererseits kann die Maschinenlernvorrichtung 20 eine externe Vorrichtung (zum Beispiel die Steuervorrichtung der Werkzeugmaschine) dazu bringen, eine Funktion, die einem Entscheidungsfindungsabschnitt entspricht, durchzuführen, um die Lernergebnisse des Lernabschnitts 26 in der Umgebung widerzuspiegeln.
6 zeigt ein Beschleunigungs- und Verzögerungssteuersystem 70 nach einer Ausführungsform, das eine Werkzeugmaschine 60 aufweist. Das Beschleunigungs- und Verzögerungssystem 70 weist mehrere Werkzeugmaschinen 60 und 60' mit dem gleichen mechanischen Aufbau und ein Netzwerk 72 zum Verbinden der Werkzeugmaschinen 60 und 60' auf. Wenigstens eine der Werkzeugmaschinen 60 und 60' ist als die Werkzeugmaschine 60, die die oben beschriebene Beschleunigungs- und Verzögerungssteuereinheit 40 aufweist, ausgebildet. Das Beschleunigungs- und Verzögerungssteuersystem 70 kann die Werkzeugmaschinen 60', die keine Beschleunigungs- und Verzögerungssteuereinheit 40 aufweisen, enthalten. Die Werkzeugmaschinen 60 und 60' weisen einen allgemeinen Aufbau, der zum Bearbeiten eines Werkstücks erforderlich ist, auf.
Bei dem Beschleunigungs- und Verzögerungssteuersystem 70 mit dem oben beschriebenen Aufbau kann die Werkzeugmaschine 60 unter den mehreren Werkzeugmaschinen 60 und 60', die die Beschleunigungs- und Verzögerungssteuereinheit 40 aufweist, unter Verwendung von Lernergebnissen des Lernabschnitts, nicht durch Berechnen oder Schätzen, eine der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks entsprechende Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse automatisch und korrekt herausfinden. Ferner kann die Beschleunigungs- und Verzögerungssteuereinheit 40 wenigstens einer Werkzeugmaschine 60 so ausgebildet sein, dass sie eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse der Werkzeugmaschinen 60 und 60' auf Basis der Zustandsvariablen S und der Bestimmungsdaten D, die für jede der anderen Werkzeugmaschinen 60 und 60' erhalten wurden, erlernt und eine oder mehrere Werkzeugmaschinen 60 und 60' die Lernergebnisse verwenden können. Insbesondere können Lernergebnisse auf Basis der Zustandsvariablen S und der Bestimmungsdaten D, die von den Werkzeugmaschinen 60 und 60' erlangt wurden, auf die Steuerung einer Werkzeugmaschine 60 oder mehrerer Werkzeugmaschinen 60 und 60' angewendet werden. Entsprechend kann durch das Beschleunigungs- und Verzögerungssteuersystem 70 die Geschwindigkeit und Verlässlichkeit des Erlernens einer Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse durch Verwenden vielfältigerer Datensammlungen (einschließlich der Zustandsvariablen S und der Bestimmungsdaten D) als Eingänge verbessert werden.
7 zeigt ein Beschleunigungs- und Verzögerungssteuersystem 70' nach einer anderen Ausführungsform, die eine Werkzeugmaschine 60' aufweist. Das Beschleunigungs- und Verzögerungssteuersystem 70' weist eine Maschinenlernvorrichtung 50 (oder 20), mehrere Werkzeugmaschinen 60' mit dem gleichen mechanischen Aufbau und ein Netzwerk zum Verbinden der Werkzeugmaschinen 60' und der Maschinenlernvorrichtung 50 (oder 20) auf.
Bei dem Beschleunigungs- und Verzögerungssteuersystem 70' mit dem oben beschriebenen Aufbau erlernt die Maschinenlernvorrichtung 50 (oder 20) auf Basis der Zustandsvariablen S und der Bestimmungsdaten D, die für jede der Werkzeugmaschinen 60' erhalten wurden, eine Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse, die allen Werkzeugmaschinen 60' gemeinsam ist, und kann unter Verwendung der Lernergebnisse, nicht durch Berechnen oder Schätzen, eine der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks entsprechende Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse automatisch und korrekt herausfinden.
Das Beschleunigungs- und Verzögerungssteuersystem 70' kann einen Aufbau aufweisen, bei dem die Maschinenlernvorrichtung 50 (oder 20) in einem Cloud-Server, einer Zellensteuereinheit oder dergleichen, der oder die in dem Netzwerk 72 vorbereitet ist, vorhanden ist.
Dieser Aufbau ermöglicht, dass bei Bedarf eine erforderliche Anzahl von Werkzeugmaschinen 60' unabhängig vom dem Ort, an dem sich eine jede der Werkzeugmaschinen 60 befindet, und der Zeit mit der Maschinenlernvorrichtung 50 (oder 20) verbunden werden kann.
Betreiber, die mit den Beschleunigungs- und Verzögerungssteuersystemen 70 und 70' arbeiten, können zu einer passenden Zeit nach dem Beginn des Erlernens durch die Maschinenlernvorrichtung 50 (oder 20) bestimmen, ob das Ergebnis des Erlernens der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks gemäß der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse durch die Maschinenlernvorrichtung 50 (oder 20) (das heißt, die Verlässlichkeit der Korrelation zwischen der Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse und einer Kombination aus der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks) einen erforderlichen Grad erreicht hat.
Obwohl im Vorhergehenden Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die vorliegende Erfindung nicht nur auf die oben beschriebenen beispielhaften Ausführungsformen beschränkt, sondern kann sie durch Vornehmen passender Änderungen daran in verschiedenen Formen ausführt werden.
Zum Beispiel sind die Lernalgorithmen, die durch die Maschinenlernvorrichtungen 20 und 50 ausgeführt werden, ein Rechenalgorithmus, der durch die Maschinenlernvorrichtung 50 ausgeführt wird, Steueralgorithmen, die durch die Beschleunigungs- und Verzögerungssteuereinheiten 10 und 50 ausgeführt werden, und dergleichen nicht auf die oben beschriebenen beschränkt, und es können verschiedene Algorithmen eingesetzt werden.
Die Maschinenlernvorrichtungen 20 und 50 der Beschleunigungs- und Verzögerungssteuereinheiten 10 und 40 können das Maschinenlernen online durchführen. In diesem Fall werden die Zustandsdaten S und die Bestimmungsdaten D als Protokolldaten aufgezeichnet, wenn ein Werkstück unter Steuerung durch die Beschleunigungs- und Verzögerungssteuereinheiten 10 und 40 bearbeitet wird. Die aufgezeichneten Protokolldaten werden gesammelt, und die Maschinenlernvorrichtungen 20 und 50 führen das Maschinenlernen auf Basis der Zustandsdaten S und der Bestimmungsdaten D, die von den gesammelten Protokolldaten erlangt wurden, durch.
Die oben beschriebenen Ausführungsformen sind Beispiele, bei denen die Maschinenlernvorrichtungen 20 und 50 der Beschleunigungs- und Verzögerungssteuereinheiten 10 und 40 sowohl die Oberflächenqualität als auch die Bearbeitungszeit eines bearbeiteten Werkstücks als Bestimmungsdaten D verwenden. Doch die vorliegende Erfindung ist nicht darauf beschränkt. Zum Beispiel kann wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität, und der Bearbeitungszeit eines bearbeiteten Werkstücks als Bestimmungsdaten D verwendet werden.
Alternativ kann zusätzlich zu der Oberflächenqualität D1 und der Bearbeitungszeit D2 eines bearbeiteten Werkstücks eine Bearbeitungsgenauigkeit D3 als Bestimmungsdaten D verwendet werden. In diesem Fall kann in dem Ablaufdiagramm von 3B vor dem Wertfunktionsaktualisierungsprozess (SA10) ein Bestimmungsprozess unter Verwendung der Bearbeitungsgenauigkeit D3 ausgeführt werden. Insbesondere bestimmt der Wertfunktionsaktualisierungsabschnitt 30 auf Basis der Bestimmungsdaten D3, ob die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) jeder Achse korrekt ist. Wenn bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) der Achse korrekt war, ermittelt der Belohnungsberechnungsabschnitt 28 eine positive Belohnung R3 und wendet er die ermittelte positive Belohnung R3 auf die Aktualisierungsformel für die Funktion Q an. Wenn andererseits bestimmt wurde, dass die Geschwindigkeitsverteilung (Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit) der Achse nicht korrekt war, ermittelt der Belohnungsberechnungsabschnitt 28 eine negative Belohnung R3 und wendet er die negative Belohnung R3 auf die Aktualisierungsformel für die Funktion Q an. Dann wird in Schritt SA10 die Handlungswerttabelle unter Verwendung der Zustandsvariablen S beim gegenwärtigen Zustand, der Bestimmungsdaten D1, D2 und D3, der Belohnungen R1, R2 und R3, und des Werts (der aktualisierten Funktion Q) des Handlungswerts aktualisiert.
Obwohl im Vorhergehenden Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die vorliegende Erfindung nicht auf die oben beschriebenen beispielhaften Ausführungsformen beschränkt, sondern kann sie durch Vornehmen passender Änderungen daran in anderen Formen ausführt 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 201768325 [0003, 0004]

Claims

Beschleunigungs- und Verzögerungssteuereinheit zur Steuerung einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist, wobei die Beschleunigungs- und Verzögerungssteuereinheit eine Maschinenlernvorrichtung, die dazu ausgebildet ist, eine Zeitableitungskomponente der N-ten Ordnung (N ist eine natürliche Zahl) einer Geschwindigkeit jeder Achse der Werkzeugmaschine zu erlernen, umfasst, wobei die Maschinenlernvorrichtung einen Zustandsbeobachtungsabschnitt, der dazu ausgebildet ist, erste Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt, zu beobachten, einen Bestimmungsdatenerlangungsabschnitt, der dazu ausgebildet ist, Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, zu erlangen, und einen Lernabschnitt, der dazu ausgebildet ist, die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erlernen, aufweist.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei der Zustandsbeobachtungsabschnitt ferner zweite Zustandsdaten beobachtet, um eine Bearbeitungsart als die Zustandsvariable zu identifizieren, und der Lernabschnitt die ersten Zustandsdaten und die zweiten Zustandsdaten in Bezug auf wenigstens eines aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks erlernt.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei die Bestimmungsdaten bezüglich der Oberflächenqualität des bearbeiteten Werkstücks einen Wert enthalten, der unter Verwenden wenigstens eines aus einer Oberflächenrauheit Sa, einer Oberflächenmaximalhöhe Sv, eines Oberflächentexturaspektverhältnisses Str, einer Wölbung Sku, einer Schräge Ssk, eines entwickelten Grenzflächen-Flächenverhältnisses Sdr, einer Lichtreflektivität, und eines Bildmerkmals des Werkstücks erhalten wird.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei der Lernabschnitt einen Belohnungsberechnungsabschnitt, der dazu ausgebildet ist, eine Belohnung im Zusammenhang mit dem Korrektheitsbestimmungsergebnis zu ermitteln, und einen Wertfunktionsaktualisierungsabschnitt, der dazu ausgebildet ist, eine Funktion, die einen Wert der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellt, unter Verwendung der Belohnung zu aktualisieren, aufweist.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei der Lernabschnitt die Zustandsvariable und die Bestimmungsdaten unter Verwendung einer mehrschichtigen Struktur berechnet.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, ferner umfassend: einen Entscheidungsfindungsabschnitt, der dazu ausgebildet ist, auf Basis eines Ergebnisses des Erlernens durch den Lernabschnitt einen auf der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse beruhenden Befehlswert auszugeben.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei der Lernabschnitt die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse der Werkzeugmaschine unter Verwendung der Zustandsvariablen und der Bestimmungsdaten, die von mehreren der Werkzeugmaschinen erhalten wurden, erlernt.
Beschleunigungs- und Verzögerungssteuereinheit nach Anspruch 1, wobei die Maschinenlernvorrichtung auf einem Cloud-Server vorhanden ist.
Maschinenlernvorrichtung zum Erlernen einer Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit jeder Achse einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist, wobei die Maschinenlernvorrichtung einen Zustandsbeobachtungsabschnitt, der dazu ausgebildet ist, erste Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt, zu beobachten; einen Bestimmungsdatenerlangungsabschnitt, der dazu ausgebildet ist, Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen, zu erlangen; und einen Lernabschnitt, der dazu ausgebildet ist, die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erlernen, umfasst.
Beschleunigungs- und Verzögerungssteuereinheit zur Steuerung einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist, wobei die Beschleunigungs- und Verzögerungssteuereinheit ein Modell, das eine Korrelation zwischen einer Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit (N ist eine natürliche Zahl) jeder Achse der Werkzeugmaschine und wenigstens einem beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks darstellt; und einen Entscheidungsfindungsabschnitt, der dazu ausgebildet ist, auf Basis des Modells einen auf der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse beruhenden Befehlswert auszugeben, umfasst.
Maschinenlernverfahren zum Erlernen einer Zeitableitungskomponente der N-ten Ordnung einer Geschwindigkeit jeder Achse einer Werkzeugmaschine, die zur Bearbeitung eines Werkstücks ausgebildet ist, wobei das Maschinenlernverfahren einen Schritt des Beobachtens erster Zustandsdaten, die die Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse darstellen, als eine Zustandsvariable, die einen gegenwärtigen Zustand einer Umgebung darstellt; einen Schritt des Erlangens von Bestimmungsdaten, die ein Korrektheitsbestimmungsergebnis wenigstens eines beliebigen aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit eines bearbeiteten Werkstücks darstellen; und einen Schritt des Erlernens der Zeitableitungskomponente der N-ten Ordnung der Geschwindigkeit jeder Achse in Bezug auf wenigstens ein beliebiges aus der Bearbeitungsgenauigkeit, der Oberflächenqualität und der Bearbeitungszeit des bearbeiteten Werkstücks unter Verwendung der Zustandsvariablen und der Bestimmungsdaten umfasst.