DE102018108780B4 - Bearbeitungsflächenqualitätsbewertungsvorrichtung - Google Patents
Bearbeitungsflächenqualitätsbewertungsvorrichtung Download PDFInfo
- Publication number
- DE102018108780B4 DE102018108780B4 DE102018108780.2A DE102018108780A DE102018108780B4 DE 102018108780 B4 DE102018108780 B4 DE 102018108780B4 DE 102018108780 A DE102018108780 A DE 102018108780A DE 102018108780 B4 DE102018108780 B4 DE 102018108780B4
- Authority
- DE
- Germany
- Prior art keywords
- quality
- evaluation
- workpiece
- observer
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 106
- 238000007689 inspection Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000003754 machining Methods 0.000 claims abstract description 14
- 230000000875 corresponding effect Effects 0.000 claims abstract description 12
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims abstract 2
- 238000001303 quality assessment method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003746 surface roughness Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 124
- 230000008447 perception Effects 0.000 description 50
- 238000007781 pre-processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 241000282414 Homo sapiens Species 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32177—Computer assisted quality surveyance, caq
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32186—Teaching inspection data, pictures and criteria and apply them for inspection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37206—Inspection of surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50177—Protection for operator during operation, machining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Numerical Control (AREA)
Abstract
Bearbeitungsflächenqualitätsbewertungsvorrichtung, die ein Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche eines Werkstücks durch einen Beobachter basierend auf einem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von einer Prüfvorrichtung bestimmt, wobei die Bearbeitungsflächenqualitätsbewertungsvorrichtung umfasst:
eine Maschinenlernvorrichtung, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter lernt, das dem Prüfergebnis von der Prüfvorrichtung entspricht, wobei
die Maschinenlernvorrichtung umfasst:
eine Zustandsbeobachtungseinheit,
die ein numerisches Bewertungselement einer Oberflächenqualität, das das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung ist, und Identifikationsdaten, die den Beobachter repräsentieren,
als eine Zustandsgröße beobachtet,
eine Label-Daten-Erfassungseinheit, die Label-Daten erlangt, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, und
eine Lerneinheit, welche die Zustandsgröße und die Label-Daten auf eine Weise lernt, sodass sie miteinander korreliert sind.
eine Maschinenlernvorrichtung, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter lernt, das dem Prüfergebnis von der Prüfvorrichtung entspricht, wobei
die Maschinenlernvorrichtung umfasst:
eine Zustandsbeobachtungseinheit,
die ein numerisches Bewertungselement einer Oberflächenqualität, das das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung ist, und Identifikationsdaten, die den Beobachter repräsentieren,
als eine Zustandsgröße beobachtet,
eine Label-Daten-Erfassungseinheit, die Label-Daten erlangt, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, und
eine Lerneinheit, welche die Zustandsgröße und die Label-Daten auf eine Weise lernt, sodass sie miteinander korreliert sind.
Description
- ALLGEMEINER STAND DER TECHNIK
- 1. Gebiet der Erfindung
- Die vorliegende Erfindung betrifft eine Bearbeitungsflächenqualitätsbewertungsvorrichtung und insbesondere eine Technik zum Quantifizieren eines Bewertungsindexes zum konform Machen von Werkstücken.
- 2. Beschreibung des Standes der Technik
- Konventionell wurden Bearbeitungsprogramme hergestellt und Materialien wurden durch Kontrolle über Werkzeugmaschinen basierend auf den Bearbeitungsprogrammen bearbeitet, sodass Werkstücke wie Komponenten und Matrizen hergestellt wurden. Unter den Qualitätsbewertungsindizes für Werkstücke, die auf solche Art und Weise hergestellt wurden, gibt es eine Qualität einer bearbeiteten Fläche. Die Qualität einer bearbeiteten Fläche bezeichnet einen Glättegrad einer Formänderung bei einem Werkstück (Unauffälligkeit von Fehlern oder Streifen auf einer bearbeiteten Fläche und Einheitlichkeit von Lichtreflexion darauf).
- Verschiedene Techniken zum Verbessern der Qualität einer bearbeiteten Fläche waren bekannt. Beispielsweise offenbart die
JP 2017-68325 A - Daher ist die Qualität einer bearbeiteten Fläche einer von wichtigen Qualitätsbewertungsindizes für Werkstücke. Die Qualität einer bearbeiteten Fläche wird basierend auf verschiedenen Indizes bewertet. Bei einem von typischen Verfahren zum Bewerten der Qualität einer bearbeiteten Fläche erfolgt eine numerische Bewertung basierend auf verschiedenen Bewertungselementen, die unter Verwendung eines Lasermikroskops beobachtet werden können. Zum Beispiel ist ein Mittenrauhwert (Oberflächenrauheit) Sa einer Fläche ein typisches Bewertungselement für die Qualität einer bearbeiteten Fläche. Andere numerische Bewertungselemente sind die maximale Oberflächenhöhe Sv, das Oberflächenstrukturaspektverhältnis Str, die Wölbung Sku, Schiefe Ssk, das entwickelte Grenzflächenverhältnis Sdr und dergleichen.
- Ein weiterer wichtiger Bewertungsindex für die Qualität einer bearbeiteten Fläche ist die Wahrnehmung eines Menschen. D. h., der Index ist, ob ein Beobachter, der eine Fläche eines bearbeiteten Werkstücks beobachtet, bestimmt, dass ein Aussehen der Fläche „gut“ ist oder nicht. Im Allgemeinen ist es schwierig, einen Bewertungsindex zu quantifizieren, der auf der Wahrnehmung basiert, da Beurteilungskriterien für den Bewertungsindex unter Beobachtern abweichen. D. h., es wurde nicht klargestellt, in welchem Fall Menschen bestimmen, dass das Aussehen „gut“ ist.
- Als ein Versuch, einen Bewertungsindex zu quantifizieren, der auf der Wahrnehmung basiert, ist es denkbar, einen Vergleich zwischen einem numerischen Bewertungselement (wie die Oberflächenrauheit Sa), das von einem Messinstrument wie einem Lasermikroskop erlangt wurde, und Bewertungsergebnissen, die auf der Wahrnehmung von Menschen basieren, durchzuführen. Es wurde jedoch festgestellt, dass beide nicht einfach miteinander vergleichbar sind. Zum Beispiel war es konventionell möglich, einen Trend zu erfassen, wie beispielsweise welche Änderung einer Eigenschaft bezüglich einer Fläche eines Werkstücks mit der Variation in einem numerischen Bewertungselement auftritt. Die Wahrnehmung von Menschen ist jedoch mit verschiedenen numerischen Bewertungselementen vermischt und daher wurden Korrelationen dazwischen nicht klargestellt. Außerdem ist es nicht selten, dass sich die Wahrnehmung der gleichen Fläche zwischen Beobachtern unterscheidet. In der Tat hängt es vom Gefühl des Beobachters ab, ob die Qualität einer bearbeiteten Fläche eines bearbeiteten Werkstücks zufriedenstellend ist oder nicht. Dies macht es schwierig, zu bestimmen, ob Werkstücke eine beständige Qualität beibehalten oder nicht. Ein weiteres Problem besteht darin, dass es für Dritte schwierig ist, Kriterien für eine Qualitätsbewertung zu verstehen. Der Druckschrift
DE 10 2007 020 240 A1 sind weitere Hintergrundinformationen zum Stand der Technik zu entnehmen. - KURZDARSTELLUNG DER ERFINDUNG
- Die Erfindung erfolgte, um die vorstehenden Probleme zu lösen. Eine Aufgabe der Erfindung ist es, eine Bearbeitungsflächenqualitätsbewertungsvorrichtung bereitzustellen, die eine Quantifizierung eines Bewertungsindexes zum konform Machen von Werkstücken ermöglicht. Diese Aufgabe wird durch die in den unabhängigen Ansprüchen angegebene Erfindung gelöst. Vorteilhafte Weiterbildungen sind den Unteransprüchen zu entnehmen.
- Ein erster Modus einer Bearbeitungsflächenqualitätsbewertungsvorrichtung gemäß der Erfindung bestimmt ein Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche eines Werkstücks durch einen Beobachter, basierend auf einem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von einer Prüfvorrichtung und umfasst eine Maschinenlernvorrichtung, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter lernt, das dem Prüfergebnis von der Prüfvorrichtung entspricht. Die Maschinenlernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung als eine Zustandsgröße beobachtet, eine Label-Daten-Erfassungseinheit, die Label-Daten erlangt, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, und eine Lerneinheit, welche die Zustandsgröße und die Label-Daten auf eine Weise lernt, sodass sie miteinander korreliert sind.
- Die Lerneinheit kann eine Fehlerberechnungseinheit, die einen Fehler zwischen einem Korrelationsmodell zur Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter von der Zustandsgröße berechnet und eine Korrelationscharakteristik, die von Lehrdaten identifiziert wird, die im Voraus vorbereitet werden, und eine Modellaktualisierungseinheit, die das Korrelationsmodell aktualisiert, um den Fehler zu reduzieren, umfassen.
- Die Lerneinheit kann eine Berechnung der Zustandsgröße und der Label-Daten in einer mehrschichtigen Struktur ausführen.
- Die Bearbeitungsflächenqualitätsbewertungsvorrichtung kann ferner eine Bestimmungsausgabeeinheit umfassen, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das basierend auf einem Ergebnis des Lernens durch die Lerneinheit bestimmt wurde, ausgibt. Die Bestimmungsausgabeeinheit kann eine Warnung ausgeben, wenn das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das durch die Lerneinheit bestimmt wurde, einen voreingestellten Schwellenwert überschreitet.
- Das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung kann ein Wert sein, der unter Verwendung von mindestens einem von Oberflächenrauheit Sa, maximalen Oberflächenhöhe Sv, Oberflächenstrukturaspektverhältnis Str, Wölbung Sku, Schiefe Ssk, entwickeltes Grenzflächenverhältnis Sdr, Lichtreflexion, einem Bildmerkmal des Werkstücks erlangt wurde.
- Die Prüfvorrichtung kann veranlasst werden, eine vorbestimmte Operation zur Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter unter Verwendung der Lerneinheit auszuführen. Die vorbestimmte Operation für die Bestimmung kann automatisch oder als Reaktion auf eine Anforderung von einem Bediener ausgeführt werden.
- Die Bearbeitungsflächenqualitätsbewertungsvorrichtung kann als ein Teil der Prüfvorrichtung konfiguriert sein.
- Die Bearbeitungsflächenqualitätsbewertungsvorrichtung kann als ein Abschnitt einer Managementvorrichtung konfiguriert sein, die mehrere der Prüfvorrichtungen durch ein Netzwerk managt.
- Ein zweiter Modus einer Bearbeitungsflächenqualitätsbewertungsvorrichtung gemäß der Erfindung bestimmt ein Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche eines Werkstücks durch einen Beobachter basierend auf einem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von einer Prüfvorrichtung und umfasst ein Modell, das eine Korrelation zwischen dem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung und den Label-Daten, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, darstellt und eine Bestimmungsausgabeeinheit, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das basierend auf dem Modell bestimmt wurde, ausgibt.
- Gemäß der Erfindung kann die Bearbeitungsflächenqualitätsbewertungsvorrichtung, die eine Quantifizierung eines Bewertungsindexes zum konform Machen von Werkstücken ermöglicht, bereitgestellt werden.
- Figurenliste
-
-
1 ist ein schematisches Funktionsdiagramm, das eine Bearbeitungsflächenqualitätsbewertungsvorrichtung gemäß einer ersten Ausführungsform der Erfindung veranschaulicht. -
2 ist ein schematisches Funktionsdiagramm, das einen Modus der Bearbeitungsflächenqualitätsbewertungsvorrichtung veranschaulicht. -
3A ist ein Diagramm, das Neuronen veranschaulicht. -
3B ist ein Diagramm, das ein neuronales Netzwerk veranschaulicht. -
4 ist ein schematisches Funktionsdiagramm, das eine Bearbeitungsflächenqualitätsbewertungsvorrichtung gemäß einer zweiten Ausführungsform der Erfindung veranschaulicht. -
5 ist ein schematisches Funktionsdiagramm, das einen Modus eines Bearbeitungsflächenqualitätsbewertungssystems veranschaulicht. -
6 ist ein schematisches Funktionsdiagramm, das einen weiteren Modus des Bearbeitungsflächenqualitätsbewertungssystems veranschaulicht. -
7 ist ein schematisches Funktionsdiagramm, das einen Modus eines Bearbeitungsflächenqualitätsbewertungssystems veranschaulicht, das eine Managementvorrichtung umfasst. - AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
- Im Folgenden werden Konfigurationsbeispiele einer Bearbeitungsflächenqualitätsbewertungsvorrichtung, die eine Ausführungsform der Erfindung ist, beschrieben. Eine Konfiguration der Bearbeitungsflächenqualitätsbewertungsvorrichtung der Erfindung ist jedoch nicht auf die folgenden Beispiele begrenzt und jede Konfiguration kann eingesetzt werden, solange die Konfiguration den Zweck der Erfindung erreichen kann.
-
1 ist ein Funktionsdiagramm, das eine schematische Konfiguration einer Bearbeitungsflächenqualitätsbewertungsvorrichtung10 veranschaulicht, welche die Ausführungsform der Erfindung ist. - Die Bearbeitungsflächenqualitätsbewertungsvorrichtung
10 kann als ein Computer oder dergleichen implementiert sein, der über eine verdrahtete oder drahtlose Kommunikationsleitung mit einer Prüfvorrichtung (nicht veranschaulicht) für bearbeitete Werkstücke verbunden ist, um in der Lage zu sein, beispielsweise Datenkommunikation auszuführen. Obwohl die Prüfvorrichtung ein Analysator für eine bearbeitete Fläche (typischerweise Lasermikroskop), eine Bildgebungseinheit einer bearbeiteten Fläche, optisches Reflexionsvermögen-Messausrüstung oder dergleichen sein kann, ist die Prüfvorrichtung nicht auf diese begrenzt. Die Bearbeitungsflächenqualitätsbewertungsvorrichtung10 umfasst eine Vorverarbeitungseinheit12 , die eine Vorverarbeitung für Daten ausführt, die von der Prüfvorrichtung erlangt wurden, und eine Maschinenlernvorrichtung20 , die Software (wie einen Lernalgorithmus) und Hardware (wie eine CPU eines Computers) zum Selbstlernen bezüglich der Bewertung der Qualität einer bearbeiteten Fläche durch sogenanntes Maschinenlernen umfasst. Die Bewertung der Qualität einer bearbeiteten Fläche, die durch die Maschinenlernvorrichtung20 gelernt wird, entspricht einer Modellstruktur, die eine Korrelation zwischen Prüfergebnissen von der Prüfvorrichtung (numerische Daten, die von der Prüfvorrichtung erlangt wurden) und Ergebnisse der Bewertung durch einen Beobachter (Ergebnisse der Wahrnehmungsbewertung bezüglich der Qualität einer bearbeiteten Fläche) bei Werkstücken, von denen die Prüfergebnisse erlangt wurden, darstellt. - Wie veranschaulicht, durch Funktionsblöcke in
1 umfasst die Maschinenlernvorrichtung20 in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 eine Zustandsbeobachtungseinheit22 , welche die numerischen Daten beobachtet, die das Prüfergebnis bezüglich eines Werkstücks angeben, das von der Prüfvorrichtung (nicht veranschaulicht) erlangt wurde, als eine Zustandsgröße S, die einen aktuellen Zustand der Umgebung darstellt, eine Label-Daten-Erfassungseinheit24 , die Label-Daten L erlangt, die das Bewertungsergebnis durch einen Beobachter bezüglich des Werkstücks angeben, und eine Lerneinheit26 , welche die Label-Daten L lernt, die mit der Zustandsgröße S verknüpft sind. - Die Vorverarbeitungseinheit
12 kann als eine Funktion einer CPU eines Computers konfiguriert sein oder sie kann als Software zum Herstellen einer Computerfunktion einer CPU konfiguriert sein. Die Vorverarbeitungseinheit12 führt eine Vorverarbeitung für Daten, die von der Prüfvorrichtung oder einem Sensor, der an der Prüfvorrichtung angebracht ist, erlangt wurden, für Daten, die durch die Verwendung oder die Konvertierung der Daten erlangt wurden, oder dergleichen aus und gibt die vorverarbeiteten Daten an die Zustandsbeobachtungseinheit22 aus. Die Vorverarbeitungseinheit12 erlangt das Bewertungsergebnis durch einen Beobachter bezüglich eines Werkstücks, d. h., das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche, das auf der Wahrnehmung basiert, von einer Eingabeeinheit (nicht veranschaulicht), führt die erforderliche Vorverarbeitung für das Ergebnis aus und gibt die vorverarbeiteten Daten an die Label-Daten-Erfassungseinheit24 aus. - Die Vorverarbeitung, welche die Vorverarbeitungseinheit
12 ausführt, um die Zustandsgröße S zu erlangen, umfasst zum Beispiel verschiedene allgemein bekannte Prozesse zum Bewerten der Oberflächenrauheit Sa, der maximalen Oberflächenhöhe Sv, dem Oberflächenstrukturaspektverhältnis Str, der Wölbung Sku, Schiefe Ssk, des entwickelten Grenzflächenverhältnisses Sdr, der Lichtreflexion an dem bearbeiteten Werkstück, eines Bildmerkmals der bearbeiteten Fläche oder dergleichen. Die Vorverarbeitung, welche die Vorverarbeitungseinheit12 ausführt, um die Label-Daten L zu erlangen, umfasst die Eingabe und Analyse einer Datei, in der das Bewertungsergebnis durch einen Beobachter aufgezeichnet ist, die Erlangung und Analyse des Ergebnisses der Bewertung von einem Beobachter, die zum Beispiel direkt durch eine Schnittstelle wie eine Tastatur oder dergleichen eingegeben wird. - Die Zustandsbeobachtungseinheit
22 kann als eine Funktion einer CPU eines Computers konfiguriert sein oder kann zum Beispiel als Software zum Herstellen einer Computerfunktion einer CPU konfiguriert sein. Als die numerischen Daten, d. h. die Zustandsgröße S, die durch die Zustandsbeobachtungseinheit22 zu beobachten ist, können zum Beispiel Daten, die das Prüfergebnis bezüglich der bearbeiteten Fläche angeben, verwendet werden. Die Daten umfassen Daten, die durch die Vorverarbeitungseinheit12 für die Daten, die von der Prüfvorrichtung oder dem Sensor, der an der Prüfvorrichtung vorgesehen ist, erlangt wurden, und die Daten, die durch die Verwendung oder die Konvertierung der Daten erlangt wurden, verarbeitet werden. - Die Zustandsgröße S kann Identifikationsdaten umfassen, die einen Beobachter repräsentieren, der eine Bewertung an den Label-Daten L ausführt, die später beschrieben wird, insbesondere eine verantwortliche Person, ein Bediener oder dergleichen. Daher kann eine Beziehung zwischen den Prüfergebnissen bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche, die auf der Wahrnehmung des Beobachters basiert, unabhängig voneinander für jeden Beobachter gelernt werden. Selbst wenn sich Kriterien für die Wahrnehmungsbewertung bezüglich der Qualität einer bearbeiteten Fläche unter Beobachtern unterscheiden, kann daher das geeignete Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche, das auf der Wahrnehmung eines Beobachters basiert, das dem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung entspricht, ausgegeben werden. Im Falle dass, die Identifikationsdaten, die den Beobachter repräsentieren, in der Zustandsgröße S nicht beinhaltet sind, kann ein allgemeines Bewertungsergebnis, in dem es keine Unterscheidung unter den Beobachtern gibt, erlangt werden.
- Die Zustandsgröße S kann Identifikationsdaten umfassen, die einen Objektort für die Bewertung bezüglich den Label-Daten L darstellen, was später beschrieben wird, d. h., ein Ort an dem bearbeiteten Werkstück, an dem die Qualität einer bearbeiteten Fläche zu bewerten ist. Daher kann die Beziehung zwischen den Prüfergebnissen bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche, die auf der Wahrnehmung eines Beobachters basiert, unabhängig voneinander für jeden Objektort gelernt werden. Selbst wenn sich die Kriterien für die Wahrnehmungsbewertung bezüglich der Qualität einer bearbeiteten Fläche unter Objektorten unterscheiden, kann daher das geeignete Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche, die auf der Wahrnehmung des Beobachters basiert, das dem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung entspricht, ausgegeben werden.
- Die Label-Daten-Erfassungseinheit
24 kann als eine Funktion einer CPU eines Computers konfiguriert sein oder sie kann zum Beispiel als Software zum Herstellen einer Computerfunktion einer CPU konfiguriert sein. Als die Label-Daten L, die durch die Label-Daten-Erfassungseinheit24 zu erlangen sind, können zum Beispiel Daten verwendet werden, die durch die Vorverarbeitungseinheit12 an angegebenen Daten vorverarbeitet wurden, die an die Bearbeitungsflächenqualitätsbewertungsvorrichtung10 infolge der Bewertung des bearbeiteten Werkstücks durch einen Beobachter gegeben wurden. Die Label-Daten L geben das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche unter der Zustandsgröße S an, die auf der Wahrnehmung des Beobachters basiert. Das Bewertungsergebnis, das auf der Wahrnehmung des Beobachters basiert, kann ein binärer Wert sein, der anzeigt, ob ein bearbeitetes Werkstück konform ist oder nicht, oder es kann zum Beispiel ein mehrfacher Wert wie die Stufen1 bis10 sein. - Während des Lernens durch die Maschinenlernvorrichtung
20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, werden ein Bearbeiten durch eine Werkzeugmaschine, eine Messung durch die Prüfvorrichtung an einem Bewertungselement, das einen Aspekt der Qualität einer bearbeiteten Fläche des bearbeiteten Werkstücks angibt, und die Bestimmung durch einen Beobachter bezüglich der Qualität einer bearbeiteten Fläche in der Umgebung ausgeführt. - Die Lerneinheit
26 kann als eine Funktion einer CPU eines Computers konfiguriert sein oder sie kann als Software zum Herstellen einer Computerfunktion einer CPU konfiguriert sein. Die Lerneinheit26 lernt die Bewertung bezüglich der Qualität einer bearbeiteten Fläche gemäß einem gewünschten Lernalgorithmus, der allgemein als Maschinenlernen bezeichnet wird. Die Lerneinheit26 ist fähig, ein Lernen iterativ auszuführen, das auf einem Datensatz basiert, der die Zustandsgrößen S und die Label-Daten L umfasst, die sich auf die Qualität einer bearbeiteten Fläche von bearbeiteten Werkstücken beziehen. - Die Iteration solch eines Lernzyklus macht es für die Lerneinheit
26 möglich, eine Charakteristik automatisch zu identifizieren, welche die Korrelation zwischen den Prüfergebnissen von der Prüfvorrichtung (numerische Daten, die von der Prüfvorrichtung erlangt wurden) und den Bewertungsergebnissen durch einen Beobachter (Ergebnisse der Wahrnehmungsbewertung bezüglich der Qualität einer bearbeiteten Fläche) bezüglich der Werkstücke, von denen die Prüfergebnisse erlangt wurden, impliziert. Obwohl die Korrelation zwischen den Prüfergebnissen von der Prüfvorrichtung und den Bewertungsergebnissen durch den Beobachter bezüglich der Werkstücke im Wesentlichen bei einem Start des Lernalgorithmus unbekannt ist, interpretiert die Lerneinheit26 die Korrelation, indem sie allmählich die Charakteristik identifiziert, welche die Korrelation darstellt, während das Lernen fortschreitet. Wenn die Korrelation zwischen den Prüfergebnissen von der Prüfvorrichtung und den Bewertungsergebnissen durch den Beobachter bezüglich der Werkstücke bis zu einem Niveau interpretiert wird, das bis zu einem gewissen Grad zuverlässig ist, werden Ergebnisse des Lernens, die durch die Lerneinheit26 iterativ ausgegeben werden, für eine Verhaltensauswahl (d. h. Entscheidungsfindung), betreffs dessen, wie das Bewertungsergebnis als die Wahrnehmung eines Menschen in Bezug auf ein gegenwärtiges Prüfergebnis zu bestimmen ist, verwendbar gemacht. D. h., durch die Lerneinheit26 kann die Korrelation zwischen den Prüfergebnissen von der Prüfvorrichtung und dem Verhalten betreffs dessen, wie das Bewertungsergebnis als die Wahrnehmung des Beobachters in Bezug auf das gegenwärtige Prüfergebnis zu bestimmen ist, mit dem Fortschritt im Lernalgorithmus allmählich näher an eine optimale Lösung gebracht werden. - In der Maschinenlernvorrichtung
20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, wie sie vorstehend beschrieben wurde, lernt die Lerneinheit26 das Bewertungsergebnis als die Wahrnehmung eines Beobachters, das dem Prüfergebnis von der Prüfvorrichtung entspricht, gemäß dem Maschinenlernalgorithmus unter Verwendung der Zustandsgröße S, die durch die Zustandsbeobachtungseinheit22 beobachtet wurde, und den Label-Daten L, die durch die Label-Daten-Erfassungseinheit24 erlangt wurden. Die Zustandsgröße S wird unter Verwendung des Prüfergebnisses von der Prüfvorrichtung konfiguriert, was Daten sind, die fast nicht durch eine Störung beeinflusst werden, und die Label-Daten L werden unzweideutig basierend auf den angegebenen Daten von einem Beobachter gefunden. Gemäß der Maschinenlernvorrichtung20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, unter Verwendung der Ergebnisse des Lernens durch die Lerneinheit26 kann daher eine Bestimmung bezüglich des Bewertungsergebnisses als die Wahrnehmung des Beobachters, das dem Prüfergebnis von der Prüfvorrichtung entspricht, automatisch und genau ohne Berechnung oder Bewertung ausgeführt werden. - Vorausgesetzt, dass die Bestimmung bezüglich des Bewertungsergebnisses als die Wahrnehmung eines Beobachters automatisch ohne Berechnung oder Bewertung ausgeführt werden kann, kann das Bewertungsergebnis bezüglich eines Werkstücks als die Wahrnehmung des Beobachters unverzüglich lediglich durch eine Überprüfung in der Prüfvorrichtung nach der Bearbeitung des Werkstücks durch eine Werkzeugmaschine bewertet werden. Infolgedessen kann die benötigte Zeit für die Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters verkürzt werden. Zusätzlich wird ein Bediener in die Lage versetzt, basierend auf Inhalten der Bestimmung durch die Bearbeitungsflächenqualitätsbewertungsvorrichtung
10 zu bestimmen, ob ein bearbeitetes Werkstück konform ist oder nicht, und er kann leicht eine Einstellung zum Verbessern der Qualität einer bearbeiteten Fläche oder dergleichen durchführen. - In einer Modifikation der Maschinenlernvorrichtung
20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, ist die Lerneinheit26 fähig die Zustandsgröße S und die Label-Daten L, die für jede von mehreren Prüfvorrichtungen erlangt wurden, zu verwenden und dadurch das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung eines Beobachters, das dem Prüfergebnis von jedem von den Prüfvorrichtungen entspricht, zu lernen. Gemäß dieser Konfiguration, bei der eine Menge an Datensätzen, welche die Zustandsgrößen S und die Label-Daten L umfassen, die innerhalb eines gegebenen Zeitraums erlangt werden erhöht werden können, kann eine Geschwindigkeit, Zuverlässigkeit und dergleichen des Lernens der Ergebnisse der Bewertung bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen entsprechen, mit verschiedenartigeren Datensätzen, die als Eingabe verwendet werden, verbessert werden. - In der Maschinenlernvorrichtung
20 mit der vorstehenden Konfiguration gibt es keine bestimmte Begrenzung bezüglich des Lernalgorithmus, der durch die Lerneinheit26 ausgeführt wird, und ein Lernalgorithmus, der für Maschinenlernen öffentlich bekannt ist, kann eingesetzt werden.2 veranschaulicht einen Modus der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 , die in1 veranschaulicht ist, und eine Konfiguration, welche die Lerneinheit26 umfasst, die überwachtes Lernen als ein Beispiel des Lernalgorithmus ausführt. - Das überwachte Lernen ist eine Technik, bei der eine große Menge bekannter Datensätze (die als Lehrdaten bezeichnet werden) von Eingabe und entsprechender Ausgabe im Voraus bereitgestellt werden und bei der ein Korrelationsmodell für die Bewertung einer erforderlichen Ausgabe für eine frische Eingabe (das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung eines Beobachters, das dem Prüfergebnis von der Prüfvorrichtung in der Maschinenlernvorrichtung
20 der Anmeldung entspricht) durch die Identifikation der Charakteristik gelernt wird, welche die Korrelation zwischen der Eingabe und der Ausgabe von den Lehrdaten impliziert. - In der Maschinenlernvorrichtung
20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, die in2 veranschaulicht ist, umfasst die Lerneinheit26 eine Fehlerberechnungseinheit32 , die einen Fehler E zwischen dem Korrelationsmodell M zur Ableitung des Ergebnisses der Bewertung bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung eines Beobachters von der Zustandsgröße S und der Korrelationscharakteristik, die von den Lehrdaten T identifiziert sind, die im Voraus vorbereitet sind, berechnet, und eine Modellaktualisierungseinheit34 , die das Korrelationsmodell M aktualisiert, um den Fehler E zu reduzieren. Die Lerneinheit26 lernt die Bewertungsergebnisse bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters, die den Prüfergebnissen von der Prüfvorrichtung entsprechen, mit iterativer Aktualisierung des Korrelationsmodells M durch die Modellaktualisierungseinheit34 . - Das Korrelationsmodell M kann durch Regressionsanalyse, verstärkendes Lernen, Tiefenlernen oder dergleichen aufgebaut werden. Ein Anfangswert des Korrelationsmodells M wird zum Beispiel an die Lerneinheit
26 vor einem Start des überwachten Lernens als ein vereinfachter Ausdruck der Korrelation zwischen den Zustandsgrößen S und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung eines Beobachters gegeben. Die Lehrdaten T können aus Erfahrungswerten (bekannte Datensätze der Prüfergebnisse von der Prüfvorrichtung und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters) bestehen oder konfiguriert sein, die durch das Aufzeichnen der Ergebnisse der Bewertung bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters angesammelt wurden, die zum Beispiel den vergangenen Prüfergebnissen von der Prüfvorrichtung entsprechen, und werden vor dem Start des überwachten Lernens an die Lerneinheit26 gegeben. Die Fehlerberechnungseinheit32 identifiziert die Korrelationscharakteristik, welche die Korrelation zwischen den Prüfergebnissen von der Prüfvorrichtung und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Beobachters von der großen Menge an Lehrdaten T impliziert, die an die Lerneinheit26 gegeben werden, und findet den Fehler E zwischen der Korrelationscharakteristik und dem Korrelationsmodell M entsprechend der Zustandsgröße S im aktuellen Zustand. Die Modellaktualisierungseinheit34 aktualisiert das Korrelationsmodell M, um den Fehler E zum Beispiel gemäß einer vorbestimmten Aktualisierungsregel zu reduzieren. - In einem anschließenden Lernzyklus verwendet die Fehlerberechnungseinheit
32 die Zustandsgröße S, die von der Überprüfung durch die Prüfvorrichtung erlangt wurde, und die Label-Daten L, die das Bewertungsergebnis durch einen Beobachter sind, gemäß dem aktualisierten Korrelationsmodell M und findet dadurch den Fehler E in Zusammenhang mit dem Korrelationsmodell M entsprechend der Zustandsgröße S und den Label-Daten L, und dann aktualisiert die Modellaktualisierungseinheit34 das Korrelationsmodell M aufs Neue. Daher wird die Korrelation zwischen dem aktuellen Zustand der Umgebung (das Prüfergebnis von der Prüfvorrichtung) und der Bestimmung bezüglich des entsprechenden Zustandes (das Bewertungsergebnis als die Wahrnehmung eines Beobachters), die unbekannt war, allmählich klargestellt. Mit anderen Worten wird mit der Aktualisierung des Korrelationsmodells M eine Beziehung zwischen dem Prüfergebnis von der Prüfvorrichtung und dem Bewertungsergebnis als die Wahrnehmung des Beobachters allmählich durchgeführt, um sich an die optimale Lösung anzunähern. - Für das vorstehend beschriebene überwachte Lernen kann zum Beispiel ein neuronales Netzwerk verwendet werden.
3A veranschaulicht ein Modell von Neuronen schematisch.3B veranschaulicht ein Modell eines dreischichtigen neuronalen Netzwerks schematisch, das durch die Kombination aus den Neuronen, die in3A veranschaulicht sind, konfiguriert ist. Das neuronale Netzwerk kann unter Verwendung von Arithmetikeinheiten, Speichervorrichtungen und dergleichen konfiguriert sein, die zum Beispiel nach einem Neuronenmodell modelliert sind. - Die Neuronen, die in
3A veranschaulicht sind, geben ein Ergebnis y von mehreren Eingaben x (Eingaben x1 bis x3, als ein Beispiel) aus. Die Eingaben x1 bis x3 sind mit Gewichtungen w (w1 bis w3) entsprechend den Eingaben x multipliziert. Daher geben die Neuronen die Ausgabe y ausgedrückt durch die nachfolgende Gleichung (1) aus. In Gleichung (1) sind alle der Eingaben x, der Ausgabe y und die Gewichtungen w Vektoren. θ ist eine Vorspannung und fk ist eine aktivierende Funktion. - In dem dreischichtigen neuronalen Netzwerk, das in
3B veranschaulicht ist, werden mehrere Eingaben x (Eingabe s1 bis x3, als ein Beispiel) von einer linken Seite eingegeben und die Ergebnisse y (Ergebnisse y1 bis y3, als ein Beispiel) werden von einer rechten Seite ausgegeben. Bei einem Beispiel, das in3B veranschaulicht ist, werden die Eingaben x1, x2 und x3 mit entsprechenden Gewichtungen (allgemein dargestellt als w1) multipliziert und die Eingaben x1, x2 und x3 werden jeweils in drei NeuronenN11 ,N12 undN13 eingegeben. - In
3B sind Ausgaben von den NeuronenN11 bisN13 allgemein als z1 dargestellt. z1 kann als Merkmalvektoren betrachtet werden, in denen Merkmalmengen der Eingabevektoren extrahiert werden. Im Beispiel, das in3B veranschaulicht ist, werden die Merkmalvektoren z1 entsprechend mit Gewichtungen (allgemein dargestellt als w2) multipliziert und jeweils in zwei NeuronenN21 undN22 eingegeben. Die Merkmalvektoren z1 stellen Merkmale zwischen den Gewichtungen w1 und den Gewichtungen w2 dar. - In
3B sind Ausgaben von den NeuronenN21 undN22 allgemein als z2 dargestellt. z2 kann als Merkmalvektoren betrachtet werden, bei denen Merkmalmengen der Merkmalvektoren z1 extrahiert werden. In dem in3B veranschaulichten Beispiel werden die Merkmalvektoren z2 mit entsprechenden Gewichtungen (allgemein dargestellt als w3) multipliziert und jeweils in drei NeuronenN31 ,N32 undN33 eingegeben. Die Merkmalvektoren z2 stellen Merkmale zwischen den Gewichtungen w2 und den Gewichtungen w3 dar. Schließlich geben die NeuronenN31 bisN33 entsprechend die Ergebnisse y1 bis y3 aus. - In der Maschinenlernvorrichtung
20 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 beinhaltet ist, führt die Lerneinheit26 Berechnungen von mehrschichtiger Struktur entsprechend dem vorstehend beschriebenen neuronalen Netzwerk mit der Zustandsgröße S verwendet als die Eingaben x aus, sodass die Ergebnisse (Ergebnisse y) der Bewertung bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Menschen ausgegeben werden können. Betriebsmodi des neuronalen Netzwerks umfassen einen Lernmodus und einen Bestimmungsmodus. Die Gewichtungen w können unter Verwendung der Lerndatensätze in dem Lernmodus gelernt werden und die Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Menschen kann zum Beispiel unter Verwendung der gelernten Gewichtungen w im Bestimmungsmodus erfolgen. Im Bestimmungsmodus können zudem Detektion, Klassifizierung, Schlussfolgern und dergleichen ausgeführt werden. - Die Konfiguration der vorstehend beschriebenen Bearbeitungsflächenqualitätsbewertungsvorrichtung
10 kann als ein Maschinenlernverfahren (oder Software) beschrieben werden, das durch eine CPU eines Computers ausgeführt wird. Das Maschinenlernverfahren ist ein Maschinenlernverfahren zum Lernen des Ergebnisses der Bewertung bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Menschen, das dem Prüfergebnis von der Prüfvorrichtung entspricht und umfasst: - einen Schritt des Veranlassens der CPU des Computers, die Zustandsgröße S, die das Prüfergebnis von der Prüfvorrichtung angibt, zu beobachten;
- einen Schritt des Erlangens der Label-Daten L, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Menschen angeben; und
- einen Schritt des Lernens des Prüfergebnisses von der Prüfvorrichtung und des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche als die Wahrnehmung des Menschen auf eine Weise, sodass sie miteinander korreliert sind, unter Verwendung der Zustandsgröße S und der Label-Daten L.
-
4 veranschaulicht eine Bearbeitungsflächenqualitätsbewertungsvorrichtung40 gemäß einer zweiten Ausführungsform. - Die Bearbeitungsflächenqualitätsbewertungsvorrichtung
40 umfasst eine Vorverarbeitungseinheit42 , eine Maschinenlernvorrichtung50 und eine Zustandsdatenerfassungseinheit46 . Die Zustandsdatenerfassungseinheit46 erlangt als die ZustandsdatenS0 Daten, die von einer Prüfvorrichtung, einem Sensor, der an der Prüfvorrichtung vorgesehen ist, eingegeben werden, oder geeignete Daten, die durch einen Bediener in die Vorverarbeitungseinheit42 eingegeben werden. - Die Maschinenlernvorrichtung
50 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 beinhaltet ist, umfasst Software (wie einen arithmetischen Algorithmus) und Hardware (wie eine CPU eines Computers) zur Ausgabe des Ergebnisses der Bewertung basierend auf der Wahrnehmung eines Beobachters, das durch die Lerneinheit26 basierend auf dem Prüfergebnis von der Prüfvorrichtung bestimmt wird, als Anzeige von Zeichen auf einem Display (nicht veranschaulicht), Ausgabe von Tönen oder Sprache von einem Lautsprecher (nicht veranschaulicht), Ausgabe durch eine Meldeleuchte (nicht veranschaulicht) oder eine Kombination davon, zusätzlich zur Software (wie ein Lernalgorithmus) und Hardware (wie eine CPU eines Computers) für das Selbstlernen durch das Maschinenlernen bezüglich des Bewertungsergebnisses basierend auf der Wahrnehmung eines Beobachters, das dem Prüfergebnis von der Prüfvorrichtung entspricht. Die Maschinenlernvorrichtung50 kann eine Konfiguration aufweisen, bei der eine gemeinsame CPU die gesamte Software wie den Lernalgorithmus und den arithmetischen Algorithmus ausführt. - Eine Bestimmungsausgabeeinheit
52 kann zum Beispiel als eine Funktion einer CPU eines Computers konfiguriert sein. Alternativ kann die Bestimmungsausgabeeinheit52 zum Beispiel als Software zum Herstellen einer Computerfunktion einer CPU konfiguriert sein. Die Bestimmungsausgabeeinheit52 gibt Befehle aus, um einen Bediener über das Bewertungsergebnis basierend auf der Wahrnehmung eines Beobachters, das durch die Lerneinheit26 basierend auf dem Prüfergebnis von der Prüfvorrichtung bestimmt wurde, als Anzeige von Zeichen, Ausgabe von Tönen oder Sprache, Ausgabe durch die Meldeleuchte oder eine Kombination davon zu benachrichtigen. Die Bestimmungsausgabeeinheit52 kann die Befehle zur Benachrichtigung auf einem Display oder dergleichen, das in der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 beinhaltet ist, ausgeben, oder sie kann die Befehle zur Benachrichtigung an ein Display oder dergleichen, das in der Prüfvorrichtung beinhaltet ist, ausgeben. - Die Maschinenlernvorrichtung
50 , die in der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 beinhaltet ist, welche die vorstehende Konfiguration aufweist, erreicht Wirkungen, die Wirkungen der vorstehend beschriebenen und in den1 und2 veranschaulichten Maschinenlernvorrichtung20 entsprechen. Zusätzlich ist die Maschinenlernvorrichtung50 , die in4 veranschaulicht ist, fähig, einen Zustand der Umgebung durch eine Ausgabe von der Bestimmungsausgabeeinheit52 zu ändern. Bei der Maschinenlernvorrichtung20 , die in den1 und2 veranschaulicht ist, kann andererseits eine Funktion, die der Bestimmungsausgabeeinheit zur Reflexion der Ergebnisse des Lernens durch die Lerneinheit26 in der Umgebung äquivalent ist, in einer externen Vorrichtung (wie einer Steuerung für eine Werkzeugmaschine) gesucht werden. - Bei einer Modifikation der Bearbeitungsflächenqualitätsbewertungsvorrichtung
40 kann die Bestimmungsausgabeeinheit52 einen vorbestimmten Schwellenwert für jedes von den Bewertungsergebnissen durch einen Beobachter, die durch die Lerneinheit26 basierend auf den Prüfergebnissen von der Prüfvorrichtung bestimmt werden, einstellen und kann Informationen als eine Warnung ausgeben, wenn ein Bewertungsergebnis durch den Beobachter, das durch die Lerneinheit26 basierend auf dem Prüfergebnis von der Prüfvorrichtung bestimmt wird, unter den Schwellenwert abfällt. -
5 veranschaulicht ein Bearbeitungsflächenqualitätsbewertungssystem70 gemäß einer Ausführungsform, das die Prüfvorrichtungen60 umfasst. Das Bearbeitungsflächenqualitätsbewertungssystem70 umfasst mehrere Prüfvorrichtungen60 ,60' , die fähig sind, eine ähnliche Überprüfung mit ähnlichen Inhalten und ähnlicher Genauigkeit durchzuführen, und ein Netzwerk72 , das die Prüfvorrichtungen60 ,60' verbindet. Mindestens eines von den mehreren Prüfvorrichtungen60 ,60' ist als die Prüfvorrichtung60 konfiguriert, welche die vorstehend beschriebene Bearbeitungsflächenqualitätsbewertungsvorrichtung40 umfasst. Das Bearbeitungsflächenqualitätsbewertungssystem70 kann die Prüfvorrichtungen60' umfassen, welche die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 nicht umfassen. Die Prüfvorrichtungen60 ,60' weisen eine gewöhnliche Konfiguration auf, die für eine Überprüfung der Qualität einer bearbeiteten Fläche eines bearbeiteten Werkstücks erforderlich ist. - Bei dem Bearbeitungsflächenqualitätsbewertungssystem
70 mit der vorstehenden Konfiguration sind die Prüfvorrichtungen60 , welche die Bearbeitungsflächenqualitätsbewertungsvorrichtungen40 umfassen, unter den mehreren Prüfvorrichtungen60 ,60' jeweils fähig, das Bewertungsergebnis basierend auf der Wahrnehmung eines Beobachters, das dem Prüfergebnis von der Prüfvorrichtung60 entspricht, unter Verwendung von den Ergebnissen des Lernens durch die Lerneinheit26 ohne Berechnung oder Bewertung automatisch und genau zu finden. Die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 von mindestens einer Prüfvorrichtung60 kann konfiguriert sein, die Ergebnisse der Bewertung basierend auf der Wahrnehmung des Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen60 ,60' entsprechen, die allen Prüfvorrichtungen60 ,60' gemeinsam sind, basierend auf der Zustandsgröße S und den Label-Daten L, die für jede von den mehreren anderen Prüfvorrichtungen60 ,60' erlangt werden, zu lernen und alle Prüfvorrichtungen60 ,60' können konfiguriert sein, die Ergebnisse solchen Lernens zu teilen. Gemäß dem Bearbeitungsflächenqualitätsbewertungssystem70 können daher die Geschwindigkeit, Zuverlässigkeit und dergleichen des Lernens der Ergebnisse der Bewertung basierend auf der Wahrnehmung des Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen entsprechen, unter Verwendung von verschiedenartigeren Datensätzen (einschließlich der Zustandsgrößen S und der Label-Daten L) als Eingabe verbessert werden. -
6 veranschaulicht ein Bearbeitungsflächenqualitätsbewertungssystem70' gemäß einer weiteren Ausführungsform, das die Prüfvorrichtungen60' umfasst. - Das Bearbeitungsflächenqualitätsbewertungssystem
70' umfasst die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ), die mehreren Prüfvorrichtungen60' , die fähig sind, einer Überprüfung mit dem gleichen Inhalt und der gleichen Genauigkeit durchzuführen, und das Netzwerk72 , das die Prüfvorrichtungen60' und die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ) verbindet. - Bei dem Bearbeitungsflächenqualitätsbewertungssystem
70' mit der vorstehenden Konfiguration kann die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ) die Ergebnisse der Bewertung basierend auf der Wahrnehmung eines Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen entsprechen, die allen Prüfvorrichtungen60' gemeinsam sind, basierend auf der Zustandsgröße S und den Label-Daten L, die für jede von den mehreren Prüfvorrichtungen60' erlangt werden, lernen und daher können die Ergebnisse der Bewertung basierend auf der Wahrnehmung des Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen entsprechen, unter Verwendung von den Ergebnissen solchen Lernens ohne Berechnung oder Bewertung automatisch und genau gefunden werden. - Das Bearbeitungsflächenqualitätsbewertungssystem
70' kann eine Konfiguration aufweisen, bei der die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ) in einem Cloud-Server existiert, der im Netzwerk72 vorgesehen ist. Gemäß dieser Konfiguration kann eine erforderliche Anzahl an Prüfvorrichtungen60' mit der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ) falls notwendig ungeachtet von Orten und Zeiträumen an und zu denen die mehreren Prüfvorrichtungen60' existieren verbunden werden. - Der Bediener, der in das Bearbeitungsflächenqualitätsbewertungssystem
70 ,70' eingreift, kann bestimmen, ob ein erlangtes Niveau des Lernens der Bewertungsergebnisse durch die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ) basierend auf der Wahrnehmung eines Beobachters, die den Prüfergebnissen von den Prüfvorrichtungen entsprechen, ein Anforderungsniveau erreicht hat oder nicht, zu einer geeigneten Zeit nach dem Start des Lernens durch die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder10 ). - Bei einer Modifikation des Bearbeitungsflächenqualitätsbewertungssystems
70 ,70' kann die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 implementiert werden, sodass sie in einer Managementvorrichtung80 integriert ist, welche die Prüfvorrichtungen60 ,60' managt. Wie veranschaulicht in7 sind die mehreren Prüfvorrichtungen60 ,60' mit der Managementvorrichtung80 durch das Netzwerk72 verbunden und die Managementvorrichtung80 erfasst Daten in Zusammenhang mit Betriebszuständen, den Prüfergebnissen und dergleichen in den Prüfvorrichtungen60 ,60' durch das Netzwerk72 . Die Managementvorrichtung80 kann Informationen von gewünschten Prüfvorrichtungen60 ,60' empfangen, kann die Bearbeitungsflächenqualitätsbewertungsvorrichtung40 anweisen, die Prüfergebnisse von den Prüfvorrichtungen60 ,60' zu bestimmen und kann Ergebnisse der Bestimmung auf ein Display, das in der Managementvorrichtung80 oder dergleichen vorgesehen ist oder an die Prüfvorrichtungen60 ,60' , die der Bestimmung unterworfen sind, ausgeben. Solch eine Konfiguration macht es möglich, das Management der Ergebnisse der Bestimmung auf den Prüfvorrichtungen60 ,60' und dergleichen in der Managementvorrichtung80 zu vereinheitlichen und die Zustandsgrößen zu sammeln, sodass sie Proben von den mehreren Prüfvorrichtungen60 ,60' beim Neulernen sind, und weist daher den Vorteil auf, dass eine große Menge von Daten für das Neulernen leicht gesammelt werden können. - Obwohl die Ausführungsformen der Erfindung vorstehend beschrieben wurden, ist die Erfindung nicht auf die vorstehend beschriebenen Ausführungsformen begrenzt und kann auf verschiedene Weisen mit geeigneter Modifikation verkörpert werden.
- Zum Beispiel sind die Lernalgorithmen, die durch die Maschinenlernvorrichtungen
20 ,50 ausgeführt werden, der arithmetische Algorithmus, der durch die Maschinenlernvorrichtung50 ausgeführt wird, Steuerungsalgorithmen, die durch die Bearbeitungsflächenqualitätsbewertungsvorrichtungen10 ,40 ausgeführt werden, und dergleichen nicht auf das vorstehende begrenzt und verschiedene Algorithmen können eingesetzt werden. - Obwohl die Vorverarbeitungseinheit
12 in der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 ) in den vorstehend beschriebenen Ausführungsformen vorgesehen ist, kann die Vorverarbeitungseinheit12 in der Prüfvorrichtung vorgesehen werden. In diesem Fall kann die Vorverarbeitung entweder in der Bearbeitungsflächenqualitätsbewertungsvorrichtung40 (oder der Bearbeitungsflächenqualitätsbewertungsvorrichtung10 ) oder der Prüfvorrichtung oder in beiden ausgeführt werden. Standorte zum Verarbeiten können in Anbetracht der Verarbeitungskapazität und Kommunikationsgeschwindigkeit geeignet festgelegt werden. - Obwohl die Beispiele, bei denen die Lerneinheit
26 den Algorithmus des überwachten Lernens verwendet, hauptsächlich für die vorstehend beschriebenen Ausführungsformen beschrieben wurden, ist die Erfindung nicht auf die Beispiele begrenzt. Die Zustandsbeobachtungseinheit22 kann zum Beispiel konfiguriert sein, nur die Prüfergebnisse von der Prüfvorrichtung bei Werkstücken, die von einem Beobachter als konforme Werkstücke bestimmt wurden, als die Zustandsgrößen S einzugeben, und die Lerneinheit26 kann konfiguriert sein, ein Cluster zu bilden, das ein Merkmal der Prüfergebnisse bezüglich der Werkstücke darstellt, die entsprechend einem unüberwachten Lernalgorithmus als konform bestimmt wurden. Bei diesem Beispiel kann die Lerneinheit26 bestimmen, ob die Prüfergebnisse von der Prüfvorrichtung bei bearbeiteten Werkstücken, die neu hergestellt wurden, zu dem Cluster gehören oder nicht, und kann daher die Ergebnisse der Bewertung bezüglich der bearbeiteten Werkstücke bewerten, die auf der Wahrnehmung des Beobachters basieren. Ob ein Prüfergebnis zu dem Cluster gehört oder nicht, kann zum Beispiel basierend auf einer Schwellenwertbestimmung bezüglich eines Abstands von einer Mitte des Clusters oder dergleichen bestimmt werden. - Bei dieser Technik können Lernprozesse zum Beispiel unabhängig für jeden Beobachter oder jeden Objektort ausgeführt werden. D. h., das Lernen kann unter Verwendung von einer unterschiedlichen Lerneinheit
26 für jeden Beobachter oder jeden Objektort ausgeführt werden. Daher wird ein unterschiedlicher Cluster für jeden Beobachter oder jeden Objektort gebildet, sodass die Beziehung zwischen den Prüfergebnissen bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung und den Bewertungsergebnissen bezüglich der Qualität einer bearbeiteten Fläche, die auf der Wahrnehmung eines Beobachters basieren, unabhängig voneinander für jeden Beobachter oder jeden Objektort gelernt werden kann. Selbst wenn sich die Kriterien für die Wahrnehmungsbewertung bezüglich der Qualität einer bearbeiteten Fläche unter Beobachtern oder Objektorten unterscheiden, kann daher das geeignete Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche, das auf der Wahrnehmung des Beobachters basiert, das dem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche von der Prüfvorrichtung entspricht, ausgegeben werden.
Claims (11)
- Bearbeitungsflächenqualitätsbewertungsvorrichtung, die ein Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche eines Werkstücks durch einen Beobachter basierend auf einem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von einer Prüfvorrichtung bestimmt, wobei die Bearbeitungsflächenqualitätsbewertungsvorrichtung umfasst: eine Maschinenlernvorrichtung, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter lernt, das dem Prüfergebnis von der Prüfvorrichtung entspricht, wobei die Maschinenlernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die ein numerisches Bewertungselement einer Oberflächenqualität, das das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung ist, und Identifikationsdaten, die den Beobachter repräsentieren, als eine Zustandsgröße beobachtet, eine Label-Daten-Erfassungseinheit, die Label-Daten erlangt, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, und eine Lerneinheit, welche die Zustandsgröße und die Label-Daten auf eine Weise lernt, sodass sie miteinander korreliert sind.
- Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei die Lerneinheit umfasst eine Fehlerberechnungseinheit, die einen Fehler zwischen einem Korrelationsmodell zur Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter von der Zustandsgröße und einer Korrelationscharakteristik, die von im Voraus vorbereiteten Lehrdaten identifiziert wird, berechnet und eine Modellaktualisierungseinheit, die das Korrelationsmodell aktualisiert, um den Fehler zu reduzieren. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei die Lerneinheit eine Berechnung der Zustandsgröße und der Label-Daten in einer mehrschichtigen Struktur ausführt. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , ferner umfassend: eine Bestimmungsausgabeeinheit, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das basierend auf einem Ergebnis eines Lernens durch die Lerneinheit bestimmt wurde, ausgibt. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 4 , wobei die Bestimmungsausgabeeinheit eine Warnung ausgibt, wenn das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das durch die Lerneinheit bestimmt wurde, einen voreingestellten Schwellenwert überschreitet. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung ein Wert ist, der unter Verwendung von mindestens einem von Oberflächenrauheit Sa, maximaler Höhe Sv, Oberflächenstrukturaspektverhältnis Str, Wölbung Sku, Ssk, entwickeltem Grenzflächenverhältnis Sdr, Lichtreflexion und einem Bildmerkmal des Werkstücks erlangt wurde. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei die Prüfvorrichtung veranlasst wird, eine vorbestimmte Operation zur Bestimmung bezüglich des Bewertungsergebnisses bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter unter Verwendung der Lerneinheit auszuführen. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 7 , wobei die vorbestimmte Operation zur Bestimmung automatisch oder als Reaktion auf eine Anforderung von einem Bediener ausgeführt wird. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei die Bearbeitungsflächenqualitätsbewertungsvorrichtung als ein Teil der Prüfvorrichtung konfiguriert ist. - Bearbeitungsflächenqualitätsbewertungsvorrichtung nach
Anspruch 1 , wobei die Bearbeitungsflächenqualitätsbewertungsvorrichtung als ein Teil einer Managementvorrichtung konfiguriert ist, die mehrere der Prüfvorrichtungen durch ein Netzwerk managt. - Bearbeitungsflächenqualitätsbewertungsvorrichtung, die ein Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche eines Werkstücks durch einen Beobachter basierend auf einem Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von einer Prüfvorrichtung bestimmt, wobei die Bearbeitungsflächenqualitätsbewertungsvorrichtung umfasst: ein Modell, das eine Korrelation zwischen dem numerischen Bewertungselement einer Oberflächenqualität, das das Prüfergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks von der Prüfvorrichtung ist, und Identifikationsdaten, die den Beobachter repräsentieren, darstellt und Label-Daten, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter angeben, und eine Bestimmungsausgabeeinheit, die das Bewertungsergebnis bezüglich der Qualität einer bearbeiteten Fläche des Werkstücks durch den Beobachter, das basierend auf dem Modell bestimmt wurde, ausgibt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-084040 | 2017-04-20 | ||
JP2017084040A JP6560707B2 (ja) | 2017-04-20 | 2017-04-20 | 加工面品位評価装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102018108780A1 DE102018108780A1 (de) | 2018-10-25 |
DE102018108780B4 true DE102018108780B4 (de) | 2021-11-25 |
Family
ID=63715018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018108780.2A Active DE102018108780B4 (de) | 2017-04-20 | 2018-04-13 | Bearbeitungsflächenqualitätsbewertungsvorrichtung |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180307198A1 (de) |
JP (1) | JP6560707B2 (de) |
CN (1) | CN108734386A (de) |
DE (1) | DE102018108780B4 (de) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6777696B2 (ja) * | 2018-08-31 | 2020-10-28 | ファナック株式会社 | 加工環境推定装置 |
JP2020082304A (ja) * | 2018-11-29 | 2020-06-04 | 三菱電機株式会社 | びびり振動検知装置、びびり振動検知方法、びびり振動検知プログラム、及びびびり振動抑制装置 |
JP6630912B1 (ja) * | 2019-01-14 | 2020-01-15 | 株式会社デンケン | 検査装置及び検査方法 |
WO2020183579A1 (ja) * | 2019-03-11 | 2020-09-17 | 三菱電機株式会社 | 加工面性状評価装置および加工面性状評価方法 |
DE102019207744A1 (de) * | 2019-05-27 | 2020-12-03 | Robert Bosch Gmbh | Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems |
WO2020261572A1 (ja) * | 2019-06-28 | 2020-12-30 | 三菱電機株式会社 | 加工条件探索装置および加工条件探索方法 |
WO2021011385A1 (en) * | 2019-07-12 | 2021-01-21 | Fatigue Technology, Inc. | Machine-learning-based assessment for engineered residual stress processing |
CN110400335B (zh) * | 2019-07-25 | 2022-05-24 | 广西科技大学 | 基于深度学习的纹理图像质量估计方法 |
WO2021174525A1 (zh) | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN111366123B (zh) * | 2020-03-06 | 2021-03-26 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
EP3913448B1 (de) * | 2020-05-19 | 2022-07-06 | Carl Zeiss Industrielle Messtechnik GmbH | Verfahren und anordnung zur vermessung von werkstücken gleichen typs |
US20240012400A1 (en) * | 2020-08-28 | 2024-01-11 | Siemens Corporation | Failure prediction in surface treatment processes using artificial intelligence |
US11543809B2 (en) * | 2021-05-28 | 2023-01-03 | Textron Innovations Inc. | Automated inspection program generation |
WO2023012964A1 (ja) * | 2021-08-05 | 2023-02-09 | ファナック株式会社 | 機械学習装置、加工面品位を評価するシステム、及び機械学習用プログラム |
IT202100025502A1 (it) * | 2021-10-07 | 2023-04-07 | Innoida S R L | Metodo di automatizzazione dei processi di controllo qualita’ in ambito manifatturiero |
IT202100025514A1 (it) * | 2021-10-07 | 2023-04-07 | Innoida S R L | Piattaforma per l’automatizzazione dei processi di controllo qualita’ in ambito manifatturiero |
WO2023250514A2 (en) * | 2022-06-24 | 2023-12-28 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Devices, systems and method for analysis and characterization of surface topography |
WO2024069932A1 (ja) * | 2022-09-30 | 2024-04-04 | ファナック株式会社 | 加工面評価装置、加工面評価システム、及び加工面評価方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007020240A1 (de) | 2007-04-24 | 2008-10-30 | Sms Demag Ag | Verfahren zur Erkennung und Klassifizierung von Oberflächenfehlern auf stranggegossenen Brammen |
JP2017068325A (ja) | 2015-09-28 | 2017-04-06 | ファナック株式会社 | 最適な加減速を生成する工作機械 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5859751A (ja) * | 1981-10-06 | 1983-04-08 | Mitsubishi Electric Corp | 検査装置 |
JP3140177B2 (ja) * | 1992-06-02 | 2001-03-05 | 株式会社不二越 | 検査装置の検査方法 |
JP2002365025A (ja) * | 2001-06-05 | 2002-12-18 | Daido Steel Co Ltd | 研磨面の検出判定方法 |
JP4723991B2 (ja) * | 2005-12-09 | 2011-07-13 | オークマ株式会社 | 加工面方向を考慮した送り軸加減速機能を有する数値制御装置 |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
KR101748337B1 (ko) * | 2013-03-29 | 2017-06-16 | 마키노 밀링 머신 주식회사 | 워크의 가공면 평가방법, 제어장치 및 공작기계 |
CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
CN103426173B (zh) * | 2013-08-12 | 2017-05-10 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
JP6481263B2 (ja) * | 2014-06-05 | 2019-03-13 | 株式会社サタケ | 粒状物外観品位判別装置における品位判別基準の作成方法 |
JP2016142601A (ja) * | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
CN106408035B (zh) * | 2016-10-31 | 2019-05-31 | 东南大学 | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 |
-
2017
- 2017-04-20 JP JP2017084040A patent/JP6560707B2/ja active Active
-
2018
- 2018-04-13 DE DE102018108780.2A patent/DE102018108780B4/de active Active
- 2018-04-19 US US15/956,894 patent/US20180307198A1/en not_active Abandoned
- 2018-04-20 CN CN201810359186.8A patent/CN108734386A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007020240A1 (de) | 2007-04-24 | 2008-10-30 | Sms Demag Ag | Verfahren zur Erkennung und Klassifizierung von Oberflächenfehlern auf stranggegossenen Brammen |
JP2017068325A (ja) | 2015-09-28 | 2017-04-06 | ファナック株式会社 | 最適な加減速を生成する工作機械 |
Also Published As
Publication number | Publication date |
---|---|
CN108734386A (zh) | 2018-11-02 |
JP2018181218A (ja) | 2018-11-15 |
JP6560707B2 (ja) | 2019-08-14 |
US20180307198A1 (en) | 2018-10-25 |
DE102018108780A1 (de) | 2018-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018108780B4 (de) | Bearbeitungsflächenqualitätsbewertungsvorrichtung | |
DE102018108779A1 (de) | Schätzvorrichtung eines maschinellen Bearbeitungsfehlerfaktors | |
DE102016009032B4 (de) | Maschinenlerneinheit, Spindelersatzbeurteilungsvorrichtung, Steuerung, Werkzeugmaschine, Produktionssystem und maschinelles Lernverfahren, die zur Beurteilung der Notwendigkeit eines Spindelersatzes fähig sind | |
DE102016011532B4 (de) | Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung | |
DE102018103599B4 (de) | Werkzeugzustandsschätzungsgerät und Werkzeugmaschine | |
DE102017011290B4 (de) | Vorrichtung für maschinelles Lernen, CNC-Vorrichtung und maschinelles Lernverfahren zum Erkennen eines Anzeichens eines Auftretens von Rattern im Werkzeug einer Werkzeugmaschine | |
DE102019002065B4 (de) | Maschinelle Lernvorrichtung, Robotersteuervorrichtung und Robotervisionssystem, das eine maschinelle Lernvorrichtung verwendet, und maschinelles Lernverfahren | |
DE102017010799B4 (de) | Maschinenlernvorrichtung zum Lernen einer Bearbeitungsreihenfolge eines Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern, dazugehöriges Robotersystem sowie Maschinenlernverfahren zum Lernen einer Bearbeitungsreihenfolge des Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern | |
DE102018125594B4 (de) | Sortiersystem | |
DE102018115413B4 (de) | Gerät zur kompensation thermischer verschiebung und maschinenlernvorrichtung zum lernen von formmessdaten | |
DE102017008158A1 (de) | Numerische Steuerung | |
DE102018108778A1 (de) | Beschleunigungs- und Verzögerungssteuereinheit | |
DE102018002112A1 (de) | Störungserfassungsvorrichtung und maschinelle Lernvorrichtung | |
DE102018001893A1 (de) | Reinigungsprozess-Optimierungsvorrichtung und Maschinenlernvorrichtung | |
DE102017006054A1 (de) | Maschinelle Lernvorrichtung, die eine geschätzte Lebensdauer eines Lagers lernt, Lebensdauer-Schätzvorrichtung und maschinelles Lernverfahren | |
DE102018006024A1 (de) | Controller und maschinelle Lernvorrichtung | |
DE102018129529A1 (de) | Vorrichtung zum Arbeitermanagement | |
DE102019112379A1 (de) | Bearbeitungsbedingungsanpassungsvorrichtung und Maschinenlernvorrichtung | |
DE102018002781B4 (de) | Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung | |
DE102019002156A1 (de) | Steuergerät und maschinelle Lernvorrichtung | |
DE102019106939A1 (de) | Bearbeitungszustandsanpassungsvorrichtung und maschinenlernvorrichtung | |
DE102018002785B4 (de) | 1 - 8CController und maschinelle Lernvorrichtung | |
DE102019001044A1 (de) | Steuervorrichtung und maschinelle lernvorrichtung | |
DE102018126434A1 (de) | Testvorrichtung und Maschinenlernvorrichtung | |
DE102019104922A1 (de) | Kollisionspositionsschätzvorrichtung und maschinenlernvorrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06F0015180000 Ipc: G06N0020000000 |
|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R082 | Change of representative |
Representative=s name: HL KEMPNER PATENTANWAELTE, SOLICITORS (ENGLAND, DE Representative=s name: HL KEMPNER PATENTANWALT, RECHTSANWALT, SOLICIT, DE |
|
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |