DE102019103824A1

DE102019103824A1 - Fehlervorhersagevorrichtung und maschinelle lernvorrichtung

Info

Publication number: DE102019103824A1
Application number: DE102019103824.3A
Authority: DE
Inventors: Yuu OOTA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-02-22
Filing date: 2019-02-15
Publication date: 2019-08-22
Also published as: JP6711854B2; CN110187694A; US20190258223A1; CN110187694B; US11531319B2; JP2019146421A

Abstract

Bereitgestellt ist eine Fehlervorhersagevorrichtung mit einer maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand einer Bremse eines Motors in Bezug auf Daten über die Bremse zu erlernen. Die maschinelle Lernvorrichtung beobachtet Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand, und verwendet die beobachteten Zustandsvariablen dafür, eine Verteilung der Zustandsvariablen mit der Bremse im Normalzustand zu erlernen.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Fehlervorhersagevorrichtung, die dafür ausgelegt ist, ein Versagen einer Bremse eines Motors vorherzusagen, und eine maschinelle Lernvorrichtung.
Beschreibung der verwandten Technik
Eine Maschine wie zum Beispiel ein Industrieroboter oder eine Werkzeugmaschine ist mit Antriebsachsen zum Bewegen von Elementen in vorher festgelegte Richtungen versehen. Zum Beispiel weist der Roboter Antriebsachsen zum Antreiben von Armen auf. Ein gemeinsamer Abschnitt zwischen den Roboterarmen entspricht der Antriebsachse. Wenn sich die Winkel der Arme ändern, ändert sich die Position und die Haltung des Roboters. In der Werkzeugmaschine hingegen bewegen sich ein Werkstück und ein Werkzeug entlang der vorher festgelegten Antriebsachse, wodurch sich die Position des Werkzeugs relativ zum Werkstück verändert.
Mit diesen Antriebsachsen werden bewegliche Elemente durch einen Motor angetrieben. Der Motor ist mit einer Bremse versehen, um die Rotation seiner Ausgangswelle zu verhindern. Beim Unterbrechen der Stromversorgung zum Motor wird eine Bremse zum Erhalten der Position und der Haltung des Roboters sowie jener des Werkzeugs oder eines Tisches in der Werkzeugmaschine aktiviert.
Fällt die Motorbremse aus, so kann die Position und die Haltung des Roboters bzw. jene des Werkzeugs oder des Tisches in der Werkzeugmaschine nicht erhalten werden, wodurch sich ein Problem mit der Beschädigung des Roboters, der Werkzeugmaschine, des Werkstücks oder des Werkzeugs ergibt. Herkömmlicherweise werden Unfälle, wie zum Beispiel ein Fall einer Schwerkraftachse aufgrund eines Bremsversagens, vermieden durch regelmäßiges Messen der Kraft der Bremse des Motors (hauptsächlich der Schwerkraftachse) in vorgegebenen Intervallen und Auffordern eines Bedieners, den Motor auszutauschen, falls die Messung zeigt, dass die Bremse schwächer geworden ist (z.B. offengelegte japanische Patentanmeldungen Nr. 2016-226150 , 2016-101643 und 2014-010546 ).
Das herkömmliche Verfahren weist jedoch ein Problem damit auf, dass der Zeitpunkt des Auftretens eines Versagens der Motorbremse in naher Zukunft nicht feststellbar ist, auch wenn der Ausfall der Bremse auf Grundlage des Messergebnisses erfasst werden kann. Des Weiteren variieren Daten (Schwerkraftlastmoment, mechanisches Reibungsmoment und Reaktionszeit vor der Bremsaktivierung), die zum Messen der Bremskraft der Motorbremse verwendet werden, abhängig von der Temperatur und der Art des Motors und eines am Motor angebrachten Werkstücks. Falls daher versucht wird, den Ausfall der Motorbremse durch Verwendung eines ermittelten Messwerts vorherzusagen, ist es schwierig, einen entsprechenden Schwellenwert festzusetzen, welcher die Höhe des Messwerts bestimmt, bei welcher die Erfassung eines Anzeichens einer Abweichung beginnt.
Obwohl die Genauigkeit der Bestimmung des Zustands der Motorbremse verbessert werden kann, indem erfasste Werte verwendet werden, die durch einen Vibrationssensor, einen Temperatursensor und dergleichen gemessen werden, werden sich als ein weiteres Problem bei der Vorhersage des Motorbremsversagens ferner die Gesamtkosten erhöhen, falls der Motorbremsausfall auf der Basis der Annahme, dass diese Sensoren am Motor angebracht sind, vorhergesagt wird, In der Arbeitswelt wird der Motorausfall somit bevorzugter mit einem gewissen Maß an Genauigkeit ohne Verwendung irgendwelcher Sensoren vorhergesagt.
KURZDARSTELLUNG DER ERFINDUNG
Demgemäß ist es die Aufgabe der vorliegenden Erfindung, eine Fehlervorhersagevorrichtung zu schaffen, die dafür ausgelegt ist, das Versagen einer Bremse eines Motors vorherzusagen, sowie eine maschinelle Lernvorrichtung.
Eine Fehlervorhersagevorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung löst die obigen Probleme durch Ausführen maschinellen Lernens basierend auf einer Gruppe unregelmäßiger Messdaten und das vorherige Erfassen von Datenveränderungen, von denen angenommen werden kann, dass sie den Ausfall eines Motors anzeigen, um den Motorausfall vorherzusagen.
Des Weiteren kann in einer Fehlervorhersagevorrichtung gemäß einer anderen Ausführungsform der vorliegenden Erfindung der Ausfall eines Motors mit einem gewissen Maß an Genauigkeit vorhergesagt werden durch Ausführen maschinellen Lernens basierend auf einer Mehrzahl vom Motor erhaltener Messwerte, sogar in einer Umgebung, in welcher keine Erfassungswerte von Sensoren oder dergleichen erlangt werden können.
Eine Form einer Fehlervorhersagevorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Ausfallszustand einer Bremse eines Motors vorherzusagen, und umfasst eine maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand der Motorbremse basierend auf Daten über die Bremse zu erfahren. Die maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem normalen Zustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, und eine Lerneinheit, die dafür ausgelegt ist, die Zustandsvariablen dafür zu verwenden, eine Verteilung der Zustandsvariablen während des Normalzustands der Bremse zu erlernen.
Die Zustandsbeobachtungseinheit kann ferner durch einen Sensor erfasste Motorbetriebszustandsdaten über einen Betriebszustand des Motors als die Zustandsvariablen beobachten.
Die Zustandsbeobachtungseinheit kann mindestens zwei der Daten aus der Gruppe umfassend Daten über ein Schwerkraftlastmoment, Daten über ein mechanisches Reibungsmoment und Daten über die Bremsreaktionszeit, als die Bremsbetriebszustandsdaten beobachten.
Die Zustandsbeobachtungseinheit kann ferner Motortypdaten, welche die Art von Motor anzeigen, als die Zustandsvariablen beobachten.
Eine weitere Form der Fehlervorhersagevorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Ausfallszustand einer Bremse eines Motors vorherzusagen, und umfasst eine maschinelle Lernvorrichtung, welche den Zustand der Motorbremse in Bezug auf Daten über die Bremse erlernt hat. Die maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen zu beobachten, eine Lerneinheit, die eine Verteilung der Daten, die den Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem normalen Zustand befindet, erlernt hat, und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit beobachteten Zustandsvariablen und den Lernergebnissen der Lerneinheit zu bewerten und auszugeben.
Die Zustandsbeobachtungseinheit kann ferner durch einen Sensor erfasste Motorbetriebszustandsdaten über einen Betriebszustand des Motors als die Zustandsvariablen beobachten, und die Lerneinheit könnte Verteilungen der Daten, welche den Betriebszustand der Bremse anzeigen, wenn sich die Bremse im normalen Zustand befindet, sowie der durch den Sensor erfassten Daten über den Betriebszustand des Motors erlernt haben.
Die Zustandsbeobachtungseinheit kann mindestens zwei der Daten aus der Gruppe umfassend Daten über ein Schwerkraftlastmoment, Daten über ein mechanisches Reibungsmoment und Daten über eine Bremsreaktionszeit als die Bremsbetriebszustandsdaten beobachten, und die Lerneinheit kann Verteilungen der mindestens zwei der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit als die Daten, welche den Betriebszustand der Bremse, wenn sich die Bremse im normalen Zustand befindet, anzeigen, erlernt haben.
Noch eine weitere Form der Fehlervorhersagevorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Ausfallszustand einer Bremse eines Motors vorherzusagen, und umfasst eine maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand der Motorbremse basierend auf Daten über die Bremse zu erfahren. Die maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse, wenn sich die Bremse in einem normalen Zustand befindet, anzeigen, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, eine Hinweisdatenerfassungseinheit, die dafür ausgelegt ist, Hinweisdaten, welche den Fehlerzustand der Bremse anzeigen, zu erfassen, und eine Lerneinheit, die dafür ausgelegt ist, den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander zu erlernen, indem sie die Zustandsvariablen und die Hinweisdaten verwendet.
Die Lerneinheit kann eine Fehlerberechnungseinheit, die dafür ausgelegt ist, einen Fehler zwischen einem Korrelationsmodell, das dafür ausgelegt, den Fehlerzustand der Bremse aus den Zustandsvariablen basierend auf den Zustandsvariablen und den Hinweisdaten abzuleiten, und einer aus den im Vorhinein vorbereiteten Lehrerdaten bestimmten Korrelationsfunktion zu berechnen, und einen Modellaktualisierungsteil, der dafür ausgelegt ist, das Korrelationsmodell zu aktualisieren, um den Fehler zu verringern, umfassen.
Eine weitere Form der Fehlervorhersagevorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Ausfallszustand einer Bremse eines Motors vorherzusagen, und umfasst eine maschinelle Lernvorrichtung, welche den Zustand der Motorbremse in Bezug auf Daten über die Bremse erlernt hat. Die maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen, zu beobachten, eine Lerneinheit, welche den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander erlernt hat, und eine Bewertungsergebnisausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit beobachteten Zustandsvariablen und den Lernergebnissen durch die Lerneinheit zu bewerten und auszugeben.
Eine Form einer maschinellen Lernvorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Zustand der Bremse eines Motors basierend auf Daten über die Bremse zu erlernen, um den Zustand des Versagens der Motorbremse vorherzusagen, und umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Betriebszustandsdaten, welche einen Betriebszustand der Bremse, wenn sich die Bremse in einem normalen Zustand befindet, anzeigen, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen, zu beobachten, und eine Lerneinheit, die dafür ausgelegt ist, die Zustandsvariablen dazu zu verwenden, eine Verteilung der Zustandsvariablen mit der Bremse im normalen Zustand zu erlernen.
Eine weitere Form der maschinellen Lernvorrichtung gemäß der vorliegenden Erfindung hat den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse erlernt, um den Zustand des Versagens der Motorbremse vorherzusagen, und umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, welche einen Betriebszustand der Bremse anzeigen, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen, zu beobachten, eine Lerneinheit, welche eine Verteilung von Daten, welche den Betriebszustand der Bremse, wenn sich die Bremse in einem normalen Zustand befindet, anzeigen, und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit beobachteten Zustandsvariablen und die Ergebnisse des Lernens durch die Lerneinheit zu bewerten und auszugeben.
Noch eine weitere Form der maschinellen Lernvorrichtung gemäß der vorliegenden Erfindung ist dafür ausgelegt, den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse zu erlernen, um den Zustand des Versagens der Motorbremse vorherzusagen, und umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, welche einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem normalen Zustand befindet, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen, zu beobachten, eine Hinweisdatenerfassungseinheit, die dafür ausgelegt ist, Hinweisdaten, welche den Fehlerzustand der Bremse anzeigen, zu erfassen, und eine Lerneinheit, die dafür ausgelegt ist, den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander durch Verwendung der Zustandsvariablen und der Hinweisdaten zu erlernen.
Eine weitere Form der maschinellen Lernvorrichtung gemäß der vorliegenden Erfindung hat den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse erlernt, um den Zustand des Versagens der Motorbremse vorherzusagen, und umfasst eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, welche einen Betriebszustand der Bremse anzeigen, als Zustandsvariable, die einen gegenwärtigen Umgebungszustand kennzeichnen, zu beobachten, eine Lerneinheit, welche den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander erlernt hat, und eine Bewertungsergebnisausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit beobachteten Zustandsvariablen und den Ergebnissen des Lernens durch die Lerneinheit zu bewerten und auszugeben.
Gemäß der vorliegenden Erfindung erlernt eine maschinelle Lernvorrichtung automatisch Ausfallschwellenwerte, sodass der Ausfall einer Bremse eines Motors gemäß der Betriebsumgebung des Motors mit hoher Genauigkeit vorhergesagt werden kann. Des Weiteren kann der Ausfall der Motorbremse unter Beibehaltung eines gewissen Grads an Genauigkeit ohne Verwendung teurer Sensoren oder dergleichen vorhergesagt werden.
Figurenliste

1 ist ein schematisches Hardwarekonfigurationsdiagramm einer Fehlervorhersagevorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung;
2 ist ein schematisches Funktionsbausteindiagramm der Fehlervorhersagevorrichtung von 1;
3 ist ein Diagramm, welches ein Beispiel einer durch eine Lerneinheit der Fehlervorhersagevorrichtung von 2 ausgeführten Clusteranalyse darstellt;
4 ist ein Diagramm, welches ein weiteres Beispiel der durch die Lerneinheit ausgeführte Clusteranalyse darstellt;
5 ist ein schematisches Funktionsbausteindiagramm einer Fehlervorhersagevorrichtung gemäß einer zweiten Ausführungsform der vorliegenden Erfindung;
6 ist ein Diagramm, welches ein Verfahren zum Erfassen von Hinweisdaten darstellt;
7 ist ein schematisches Funktionsbausteindiagramm, welches eine Form eines Systems umfassend die Fehlervorhersagevorrichtung zeigt; und
8 ist ein schematisches Funktionsbausteindiagramm, welches eine weitere Form des Systems umfassend die Fehlervorhersagevorrichtung zeigt.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 ist ein schematisches Hardwarekonfigurationsdiagramm, welches die Hauptteile einer Fehlervorhersagevorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt.
Eine Fehlervorhersagevorrichtung 1 kann als eine Steuerung zum Steuern einer Maschine, wie zum Beispiel eines Roboters oder einer Werkzeugmaschine, ein neben der Steuerung zum Steuern der Maschine installierter Personalcomputer oder ein Computer, wie zum Beispiel ein Zellenrechner, ein Leitrechner oder ein über ein Netzwerk mit der Steuerung verbundener Cloud-Server, umgesetzt sein. 1 zeigt den Fall, bei dem die Fehlervorhersagevorrichtung 1 als die Steuerung zum Steuern der Werkzeugmaschine umgesetzt ist.
Eine CPU 11 der Fehlervorhersagevorrichtung 1 gemäß der vorliegenden Ausführungsform ist ein Prozessor zum allgemeinen Steuern der Fehlervorhersagevorrichtung 1. Die CPU 11 liest ein Systemprogramm in einem ROM 12 durch einen Bus 20 aus und steuert die gesamte Fehlervorhersagevorrichtung 1 gemäß diesem Systemprogramm. In einem RAM 13 werden temporäre Berechnungsdaten und Anzeigedaten, verschiedene durch einen Bediener über eine Eingabeeinheit (nicht gezeigt) eingegebene Daten und dergleichen vorübergehend gespeichert.
Ein nichtflüchtiger Speicher 14 ist als ein Speicher aufgebaut, der zum Beispiel derart durch eine Batterie (nicht gezeigt) gesichert ist, dass sein Speicherzustand beibehalten werden kann, sogar wenn die Fehlervorhersagevorrichtung 1 ausgeschaltet wird. Im nichtflüchtigen Speicher 14 werden von externer Ausrüstung 72 durch eine Schnittstelle 15 eingelesene und durch eine Anzeige/MDI-Einheit 70 eingegebene Bearbeitungsprogramme und verschiedene Daten (z.B. verschiedene Signale, numerische Steuerinformationen, Positionen, Geschwindigkeiten und Stromstärke-/Spannungswerte eines Servomotors 50 und eines Spindelmotors 62, erfasste Werte eines Vibrationssensors, Temperatursensors etc., Bearbeitungsbedingungen, Werkzeug- und Werkstückinformationen und Positionen, Geschwindigkeiten und dergleichen von Achsen der Werkzeugmaschine), die von verschiedenen Teilen der Fehlervorhersagevorrichtung 1 und der Werkzeugmaschine erlangt werden, gespeichert. Die im nichtflüchtigen Speicher 14 gespeicherten Bearbeitungsprogramme und verschiedenen Daten können während der Ausführung und Verwendung im RAM 13 erweitert werden.
Verschiedene Systemprogramme, wie zum Beispiel herkömmliche Analyseprogramme (einschließlich eines Systemprogramms zum Steuern des Austausches mit einer maschinellen Lernvorrichtung 100, die später beschrieben ist) werden zuvor in den ROM 12 geschrieben.
Die Schnittstelle 15 ist eine Schnittstelle zum Verbinden der Fehlervorhersagevorrichtung 1 und der externen Ausrüstung 72, zum Beispiel ein Adapter. Programme, verschiedene Parameter und dergleichen werden von Seiten der externen Ausrüstung 72 eingelesen. Darüber hinaus können die Programme, die verschiedenen Parameter und dergleichen, die in der Fehlervorhersagevorrichtung 1 bearbeitet werden, durch die externe Ausrüstung 72 in einem externen Speichermittel gespeichert sein. Eine programmierbare Maschinensteuerung (PMC) 16 steuert die Werkzeugmaschine und deren Peripheriegeräte (z.B. einen Stellantrieb, wie eine Roboterhand für den Werkzeugwechsel) durch das Ausgeben von Signalen an diese durch eine Eingabe-/Ausgabe-Einheit 17 gemäß eines in die Fehlervorhersagevorrichtung 1 eingebetteten Ablaufprogramms. Ferner führt die PMC 16 beim Erhalt von Signalen von verschiedenen Schaltern an einem Bedienpult am Grundkörper der Werkzeugmaschine erforderliche Signalverarbeitungen aus und gibt die verarbeiteten Signale an die CPU 11 aus.
Die Anzeige-/MDI-Einheit 70 ist eine manuelle Dateneingabevorrichtung ausgestattet mit einer Anzeige, einer Tastatur und dergleichen, und eine Schnittstelle 18 empfängt Befehle und Daten von der Tastatur der Anzeige-/MDI-Einheit 70 und gibt diese an die CPU 11 weiter. Eine Schnittstelle 19 ist mit einem Bedienpult 71 verbunden, welches mit einem manuellen Impulserzeuger und dergleichen versehen ist, der verwendet wird, um Achsen manuell anzutreiben.
Eine Achsensteuerschaltung 30 zum Steuern der Achsen der Werkzeugmaschine empfängt eine Bewegungsbefehlsmenge für jede Achse von der CPU 11 und gibt einen Befehl für die Achse an einen Servoverstärker 40 aus. Beim Empfangen dieses Befehls treibt der Servoverstärker 40 einen Servomotor 50 zum Bewegen der Achsen der Werkzeugmaschine an. Der Servomotor 50 für die Achsen weist einen eingebauten Positions-/Geschwindigkeitsdetektor auf und leitet ein Positions-/Geschwindigkeitsrückmeldungssignal von diesem Positions-/Geschwindigkeitsdetektor zurück zur Achsensteuerschaltung 30, wodurch eine Positions-/Geschwindigkeitsrückmeldungssteuerung ausgeführt wird.
Im Hardwarekonfigurationsdiagramm von 1 sind die Achsensteuerschaltung 30, der Servoverstärker 40 und der Servomotor 50 jeweils in einer einzigen Ausführung gezeigt. Tatsächlich sind diese Elemente jedoch jeweils in einer Anzahl bereitgestellt, die den Achsen der zu steuernden Werkzeugmaschine entspricht.
Eine Spindelsteuerschaltung 60 empfängt einen Spindeldrehbefehl für die Fertigungsmaschine und gibt ein Spindelgeschwindigkeitssignal an einen Spindelverstärker 61 aus. Beim Empfangen dieses Spindelgeschwindigkeitssignals dreht der Spindelverstärker 61 einen Spindelmotor 62 der Fertigungsmaschine mit einer Solldrehgeschwindigkeit, wodurch ein Werkzeug angetrieben wird. Ein Positionsmelder 63 ist mit dem Spindelmotor 62 verbunden. Der Positionsmelder 63 gibt Rückmeldungsimpulse synchron mit der Drehung einer Spindel aus, und die Rückmeldungsimpulse werden durch die CPU 11 gelesen.
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden der Fehlervorhersagevorrichtung 1 und der maschinellen Lernvorrichtung 100. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101 zum Steuern der gesamten maschinellen Lernvorrichtung 100, einen ROM 102, in welchem Systemprogramme gespeichert sind, einen RAM 103 zum temporären Speichern in jedem Schritt der Verarbeitung in Zusammenhang mit dem maschinellen Lernen, und einen nichtflüchtigen Speicher 104, der dafür verwendet wird, Lernmodelle und dergleichen zu speichern. Die maschinelle Lernvorrichtung 100 kann verschiedene Einzelinformationen (z.B. verschiedene Signale, numerische Steuerinformationen, Positionen, Geschwindigkeiten und Strom-/Spannungswerte, des Servomotors 50 und des Spindelmotors 62, erfasste Werte des Vibrationssensors, Temperatursensors, etc., Bearbeitungsbedingungen, Werkzeug- und Werkstückinformationen, und Positionen, Geschwindigkeiten und dergleichen der Achsen der Werkzeugmaschine) beobachten, welche die Fehlervorhersagevorrichtung 1 durch die Schnittstelle 21 erlangen kann. Ferner gibt die Fehlervorhersagevorrichtung 1 Warnungen aus und steuert die Werkzeugmaschine basierend auf den Ergebnissen der Bewertung der Zustände der Bremsen des Motors, zum Beispiel des Servomotors 50 und des Spindelmotors 62, welche von der maschinellen Lernvorrichtung 100 ausgegeben werden.
2 ist ein schematisches Funktionsbausteindiagramm der Fehlervorhersagevorrichtung 1 und der maschinellen Lernvorrichtung 100 gemäß der ersten Ausführungsform.
Jeder der in 2 gezeigten Funktionsbausteine wird umgesetzt, wenn die CPU 11 der Fehlervorhersagevorrichtung 1 und der Prozessor 101 der maschinellen Lernvorrichtung 100, die in 1 gezeigt sind, ihre jeweiligen Systemprogramme ausführen und Operationen verschiedener Teile der Fehlervorhersagevorrichtung 1 und der maschinellen Lernvorrichtung 100 steuern.
Die Fehlervorhersagevorrichtung 1 der vorliegenden Ausführungsform umfasst eine Steuereinheit 34, welche Warnungen ausgibt und eine Werkzeugmaschine 2 (oder deren Servomotor 50 und Spindelmotor 62) basierend auf den Bearbeitungsprogrammen, die im nichtflüchtigen Speicher 14 gespeichert sind, und der Bewertung der Zustände der Bremsen des Motors, zum Beispiel des Servomotors 50 und des Spindelmotors 62, die von der maschinellen Lernvorrichtung 100 ausgegeben werden, steuert.
Die Steuereinheit 34 gibt Warnungen aus und erfüllt die Ausgabestoppsteuerung der Werkzeugmaschine 2 basierend auf der Bewertung der Zustände der Motorbremsen, welche die maschinelle Lernvorrichtung 100 ausgibt. Die Steuereinheit 34 kann auch dafür ausgelegt sein, die Werkzeugmaschine 2 anzuweisen, eine Warnung auszugeben, falls eine Bewertung, dass eine Motorbremse außer Betrieb ist oder dass ein Anzeichen eines Ausfalls der Bremse erfasst wird, von der maschinellen Lernvorrichtung 100 als die Bewertung des Motorbremszustands ausgegeben wird. Darüber hinaus kann die Steuereinheit 34 auch dafür ausgelegt sein, die Werkzeugmaschine 2 derart zu steuern, dass ihr gegenwärtig laufender Bearbeitungsbetrieb angehalten wird, falls die Bewertung, dass die Bremse außer Betrieb ist oder dass ein Anzeichen eines Ausfalls der Bremse erfasst wird, von der maschinellen Lernvorrichtung 100 als die Bewertung des Motorbremszustands ausgegeben wird.
Andererseits weist die maschinelle Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1 Software (einen Lernalgorithmus, etc.) und Hardware (den Prozessor 101, etc.) nur zum Erlernen, durch das sogenannte maschinelle Lernen, des Erlernens des Zustands (Fehlerzustands) einer normalen Motorbremse und der Bewertung des Fehlerzustands der Motorbremse auf. Das Erlernen des Zustands der normalen Motorbremse basiert auf Daten über den Betriebszustand der Motorbremse, aufweisend mindestens eine der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit, und Daten über den durch Sensoren erfassten Betriebszustand des Motors. Der Fehlerzustand der Motorbremse wird auf Grundlage der eingegebenen Daten über den Betriebszustand der Bremse und der Daten über den Betriebszustand des Motors bewertet. Was die maschinelle Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1 erlernt, ist äquivalent zu einer Modellstruktur kennzeichnend für die Korrelation zwischen den Daten über die jeweiligen Betriebszustände der Bremse und des Motors und dem Fehlerzustand der normalen Motorbremse.
Wie durch die Funktionsbausteine in 2 angezeigt, umfasst die maschinelle Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1 eine Zustandsbeobachtungseinheit 106, eine Lerneinheit 110 und eine Bewertungsergebnis-Ausgabeeinheit 122. Die Zustandsbeobachtungseinheit 106 beobachtet Zustandsvariable S, die Bremsbetriebszustandsdaten S1 über den Betriebszustand der Motorbremse umfassen, aufweisend mindestens eine der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit, und Motorbetriebszustandsdaten S2 über den Betriebszustand des Motors. Die Lerneinheit 110 erlernt die jeweiligen Betriebszustände der Motorbremse und des Motors in Zusammenhang mit der Bewertung des Fehlerzustands der Motorbremse unter Verwendung der Zustandsvariablen S. Die Bewertungsergebnis-Ausgabeeinheit 122 bewertet den Fehlerzustand der Motorbremse basierend auf den jeweiligen Betriebszuständen der Motorbremse und des Motors unter Verwendung eines erlernten Modells, welches durch die Lerneinheit 110 eingelernt worden ist.
Unter den Zustandsvariablen S, welche die Zustandsbeobachtungseinheit 106 beobachtet, können die Bremsbetriebszustandsdaten S1 während des Bremsbetriebs des Motors vom Motor der Werkzeugmaschine 2 erlangt werden. Die Bremsbetriebszustandsdaten S1 weisen mindestens eine der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit, die basierend auf dem Motorstromwert und dem Rückmeldungswert berechnet werden kann, auf. Die Zustandsbeobachtungseinheit 106 beobachtet vom Motor erlangte Daten, während sich der Motor im normalen Betriebszustand befindet, als die Bremsbetriebszustandsdaten S1.
Unter den Zustandsvariablen S, welche die Zustandsbeobachtungseinheit 106 beobachtet, können die Motorbetriebszustandsdaten S1 durch Erfassen des Betriebszustands des Motors durch die Sensoren erlangt werden. Zum Beispiel können ein Temperaturwert erfasst durch den Temperatursensor während des Betriebs des Motors oder ein Vibrationswert erfasst durch einen Beschleunigungssensor während des Motorbetriebs als die Motorbetriebszustandsdaten S2 verwendet werden. Während es erforderlich ist, Sensoren getrennt an der Werkzeugmaschine 2 anzubringen, um die Motorbetriebszustandsdaten S2 zu erlangen, können die Sensoren dazu verwendet werden, die Genauigkeit der Bewertung des Fehlerzustands der Motorbremse zu verbessern.
Die Lerneinheit 110 führt eine Clusteranalyse basierend auf den Zustandsvariablen S (Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2) gemäß einem beliebigen Lernalgorithmus zusammenfassend bezeichnet als das maschinelle Lernen, und zeichnet (oder erlernt) einen durch diese Clusteranalyse erzeugen Cluster als das erlernte Modell auf. Die Lerneinheit 110 kann auch dafür ausgelegt sein, den Cluster basierend auf einer vorher festgelegten Anzahl von Zustandsvariablen S (Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2), die erlangt werden, während sich der Motor im normalen Betrieb befindet, zu erstellen. Zum Beispiel können die von der in einer Fabrik angeordneten Werkzeugmaschine 2 durch ein verdrahtetes/drahtloses Netzwerk erlangten und gesammelten Daten (Big Data) als die Zustandsvariablen S verwendet werden, die zum Erstellen des Clusters benutzt werden. Durch Ausführen dieses Lernens analysiert die Lerneinheit 110 Verteilungen der Bremsbetriebszustandsdaten S1 und der Motorbetriebszustandsdaten S2 mit der Motorbremse in einem Normalzustand als einen Satz von Clustern.
Die Bewertungsergebnis-Ausgabeeinheit 122 bewertet, ob sich die gegenwärtigen Bearbeitungsbedingungen basierend auf dem durch die Lerneinheit 110 erlernten Modell (dem durch die Bremsbetriebszustandsdaten S1 und die Motorbetriebszustandsdaten S2 erstellten Clustersatz) in einem normalen oder abnormalen Zustand befinden, basierend auf dem Schwerkraftlastmoment, dem mechanischen Reibungsmoment und der Bremsreaktionszeit erlangt durch die Werkzeugmaschine 2 im Normalzustand, und neu beobachteten Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2.
3 ist ein Diagramm, welches ein Beispiel darstellt, in welchem der Fehlerzustand der Bremse bewertet wird basierend auf dem Clustersatz erstellt durch die Lerneinheit 110 und die neu erlangten Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2. Zur einfacheren Darstellung in 3 wird ein Raum in welchem die Daten verteilt sind, als ein dreidimensionaler Raum mit Achsen, welche das mechanische Reibungsmomentverhältnis (Bremsbetriebszustandsdaten S1), die Betriebszeit einer Bremse (Bremsbetriebszustandsdaten S1) und eine Bremstemperatur (Motorbetriebszustandsdaten S2) darstellen, angenommen. Tatsächlich sind die Daten jedoch in einem mehrdimensionalen Raum verteilt, in welchem die Daten als die Achsen dienen.
Falls, wie in 3 dargestellt, die Bremsbetriebszustandsdaten S1 und die Motorbetriebszustandsdaten S2 mit dem mit der Bremse im Normalzustand erstellten Cluster neu beobachtet werden, ermittelt die Bewertungsergebnis-Ausgabeeinheit 122, ob die Daten zu dem Cluster für den Fall, in welchem die Motorbremse normal arbeitet, gehören oder nicht. Falls die Daten zu dem betreffenden Cluster gehören, wird der Motorbremszustand als normal bewertet. Falls nicht, wird der Motorbremszustand als anormal bewertet (oder es wird angenommen, dass die Bremse außer Betrieb ist). Die Bewertungsergebnis-Ausgabeeinheit 122 kann auch dafür ausgelegt sein, nicht nur zu bewerten, ob die Motorbremse normal arbeitet oder außer Betrieb ist, sondern auch schrittweise den Fehlergrad der Motorbremse für den Fall, in welchem der Fehlerzustand der Bremse normal ist, basierend auf der Clusterdichte des Clusters in den Positionen der neu beobachteten Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2 im Clusterraum zu bewerten. In diesem Fall, wie in 4 dargestellt, können zum Beispiel Schwellenwerte der Clusterdichte im Vorhinein in Zusammenhang mit Stufen, welche den Fehlergrad kennzeichnen, derart festgelegt werden, dass der Fehlerzustand der Motorbremse basierend auf den Ergebnissen des Vergleichs zwischen den Schwellenwerten und den Positionen der neu beobachteten Bremsbetriebszustandsdaten S1 und Motorbetriebszustandsdaten S2 im Clusterraum schrittweise bewertet werden kann. In dem in 4 gezeigten Beispiel wird der Fehlerzustand der Motorbremse in vier getrennten Stufen bewertet; normal, Warnung (möglicher Ausfall nach ungefähr 100 Betriebsstunden), Wartung erforderlich (möglicher Ausfall nach ungefähr 10 Betriebsstunden) und Ausfall. Geeignete Werte sollten im Vorhinein erlangt und festgelegt werden durch ein Experiment oder dergleichen für die Schwellenwerte der Clusterdichte, die für die Bewertung des gegenwärtigen Zustands der Motorbremse durch die Bewertungsergebnis-Ausgabeeinheit 122 verwendet werden.
Falls es, wie oben beschrieben, möglich ist, automatisch ohne Berechnung oder Vorausschätzung zu bewerten, dass der Bearbeitungsbetrieb durch die Werkzeugmaschine als normal eingestuft werden kann, kann nur durch Erlangen verschiedener Daten von der Werkzeugmaschine rasch ermittelt werden, ob der Bearbeitungsbetrieb der gegenwärtig aktivierten Werkzeugmaschine normal ist, oder nicht.
Als eine Modifikation der maschinellen Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1 kann die Zustandsbeobachtungseinheit 106 auch dafür ausgelegt sein, mindestens zwei der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit als die Bremsbetriebszustandsdaten S1 nach dem Vermeiden der Beobachtung der Motorbetriebszustandsdaten S2 über den durch die Sensoren erfassten Betriebszustand des Motors der Werkzeugmaschine 2 zu beobachten. Der Betriebszustand der Bremse kann sich manchmal abhängig von der Temperatur des Motors oder dergleichen verändern und sein Verhalten kann als Vibration auftreten. Es kann daher befürchtet werden, dass die Genauigkeit des Erlernens und Bewertens des Fehlerzustands der Motorbremse durch Anhalten der Erfassung der Motorbetriebszustandsdaten S2 durch die Sensoren verringert wird. Durch das Beobachten von mindestens zwei der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit, erscheinen Einflüsse durch die Motortemperatur jedoch als feine Unterschiede zwischen den einzelnen Daten. Folglich wird ein Cluster erstellt, der diese Unterschiede widerspiegelt, sodass der Fehlerzustand der Motorbremse mit einem gewissen Grad an Genauigkeit erlernt und bewertet werden kann. Demzufolge müssen ferner manche der Sensoren nicht an der Werkzeugmaschine 2 angebracht werden, sodass diese Konfiguration hinsichtlich der Kosten vorteilhaft ist und das andere Problem betreffend die Vorhersage des oben beschriebenen Motorbremsversagens gelöst werden kann.
Als weitere Modifikation der maschinellen Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1 kann die Zustandsbeobachtungseinheit 106 ferner Daten über die Art des Motors S3 beobachten, welche den Motortyp angeben. In diesem Fall kann die Lerneinheit 110 den Fehlerzustand der Motorbremse entsprechend dem Betriebszustand der Motorbremse und dem Motortyp (und dem Betriebszustand des Motors) erlernen. Andererseits kann die Bewertungsergebnis-Ausgabeeinheit 122 den Fehlerzustand der Motorbremse bewerten, wenn der Betriebszustand der Motorbremse und der Motortyp (und der Betriebszustand des Motors) neu beobachtet werden.
5 ist ein schematisches Funktionsbausteindiagramm einer Fehlervorhersagevorrichtung 1 und einer maschinellen Lernvorrichtung 100 gemäß einer zweiten Ausführungsform. Jeder der in 5 gezeigten Funktionsbausteine wird umgesetzt, wenn die CPU 11 der Fehlervorhersagevorrichtung 1 und der Prozessor 101 der maschinellen Lernvorrichtung 100, die in 1 gezeigt sind, ihre jeweiligen Systemprogramme ausführen und Operationen verschiedener Teile der Fehlervorhersagevorrichtung 1 und der maschinellen Lernvorrichtung 100 steuern.
Die Fehlervorhersagevorrichtung 1 gemäß der vorliegenden Ausführungsform unterscheidet sich von jener der ersten Ausführungsform insofern, als dass die maschinelle Lernvorrichtung 100 eine Hinweisdatenerfassungseinheit 108 umfasst, und dass die Lerneinheit 110 das Erlernen unter Verwendung von durch die Hinweisdatenerfassungseinheit 108 erfassten Hinweisdaten zusätzlich zu den Zustandsvariablen S ausführt.
Die Hinweisdatenerfassungseinheit 108 erlangt Hinweisdaten L, welche Bremsfehlerzustandsdaten L1 aufweisen, die anzeigen, ob sich die gegenwärtig aktivierte Motorbremse in einem Normalzustand oder einem Fehlerzustand befindet. Falls, wie zum Beispiel in 6 dargestellt, ein Versagen der Motorbremse erfasst wird (und wenn die Ergebnisse der Erfassung in die Fehlervorhersagevorrichtung 1 eingegeben werden), bringt die Hinweisdatenerfassungseinheit 108 an jenen Zustandsvariablen S unter den Zustandsvariablen S, die als Protokolldaten im nichtflüchtigen Speicher 14 oder einem Leitrechner, der durch das verdrahtete, drahtlose Netzwerk verbunden ist, aufgezeichnet sind, die unmittelbar vor der Erfassung des Fehlers erlangt worden sind, einen Hinweis an, der anzeigt, dass sich die Motorbremse im Fehlerzustand befindet. Darüber hinaus bringt die Hinweisdatenerfassungseinheit 108 einen Hinweis, der die Erfordernis einer Inspektion anzeigt, an jenen Zustandsvariablen S an, die während eines ersten vorher festgelegten Zeitraums vor der Erfassung beobachtet werden, bringt einen Warnhinweis an jenen Zustandsvariablen S an, die während eines zweiten vorher festgelegten Zeitraums vor dem ersten vorher festgelegten Zeitraum beobachtet werden, und bringt einen Hinweis, welcher Normalität anzeigt, an den übrigen Zustandsvariablen S an. Dann erlangt die Hinweisdatenerfassungseinheit 108 diese Hinweise als die Bremsfehlerzustandsdaten L1. Nachdem das Erlernen (oder die Erstellung des erlernten Modells) durch die Lerneinheit 110 abgeschlossen ist, stellt die Hinweisdatenerfassungseinheit 108 keine wesentliche Struktur für die maschinelle Lernvorrichtung 100 dar.
Die Lerneinheit 110 führt das sogenannte überwachte Lernen basierend auf den Zustandsvariablen S (Bremsbetriebszustandsdaten S1, etc.) und den Hinweisdaten L (Bremsfehlerzustandsdaten L1) gemäß dem beliebigen Lernalgorithmus, der insgesamt als das maschinellen Lernen bezeichnet wird, durch und erstellt (oder erlernt) das erlernte Modell. Das überwachte Lernen ist ein Verfahren, bei welchem ein bekannter Datensatz (genannt Lehrerdaten) einer Eingabe (Zustandsvariable S) und seine entsprechende Ausgabe (Hinweisdaten L) vorgegeben ist, und ein Korrelationsmodell zum Bewerten einer erforderlichen Ausgabe für eine neue Eingabe wird durch Erkennen einer Funktion, welche auf die Korrelation zwischen der Eingabe und der Ausgabe von den Lehrerdaten hinweist, erlernt. Der Lernalgorithmus des durch die Lerneinheit 110 ausgeführten überwachten Lernens ist nicht besonders eingeschränkt, und ein herkömmlicher Lernalgorithmus kann für das maschinelle Lernen verwendet werden.
In der maschinellen Lernvorrichtung 100 der Fehlervorhersagevorrichtung 1, die in 5 gezeigt ist, umfasst die Lerneinheit 110 eine Fehlerberechnungseinheit 112 und einen Modellaktualisierungsteil 114. Die Fehlerberechnungseinheit 112 berechnet einen Fehler E zwischen einem Korrelationsmodell M zum Bewerten des Fehlerzustands der Motorbremse aus den Zustandsvariablen S (Schwerkraftlastmoment, mechanisches Reibungsmoment, Bremsreaktionszeit, wie erforderlich durch die Sensoren erfasster Motorbetriebszustand, etc.), die an der Werkzeugmaschine 2 beobachtet werden, und einer Korrelationsfunktion erkannt aus Lehrerdaten T, die von den beobachteten Zustandsvariablen S und dem Fehlerzustand der Motorbremse erlangt werden. Der Modellaktualisierungsteil 114 aktualisiert das Korrelationsmodell M, um den Fehler E zu verringern. Die Lerneinheit 110 erlernt die Bewertung des Fehlerzustands der Motorbremse aus den Zustandsvariablen S, wenn der Modellaktualisierungsteil 114 das Aktualisieren des Korrelationsmodells M wiederholt.
Ein Anfangswert des Korrelationsmodells M wird zum Beispiel dargestellt durch Vereinfachen (z.B. durch eine lineare Funktion) der Korrelation zwischen den Zustandsvariablen S und den Hinweisdaten L, und wird an die Lerneinheit 110 vor dem Beginn des überwachten Lernens weitergeleitet. Gemäß der vorliegenden Erfindung können die in der Vergangenheit wie oben beschrieben beobachteten Zustandsvariablen S und der Fehlerzustand der Motorbremse für die Lehrerdaten T verwendet werden, und werden während des Betriebs der Fehlervorhersagevorrichtung 1 an die Lerneinheit 110 weitergeleitet. Die Fehlerberechnungseinheit 112 erkennt eine Korrelationsfunktion, welche auf die Korrelation zwischen den Zustandsvariablen S und dem Fehlerzustand der Motorbremse hinweist, durch die wie erforderlich an die Lerneinheit 110 weitergeleiteten Lehrerdaten T, wodurch der Fehler E zwischen der Korrelationsfunktion und dem Korrelationsmodell M entsprechend den Zustandsvariablen S und den Hinweisdaten L im gegenwärtigen Zustand erlangt wird. Der Modellaktualisierungsteil 114 aktualisiert das Korrelationsmodell M, um den Fehler E zum Beispiel gemäß vorher festgelegten Aktualisierungsregeln zu verringern.
In nächsten Lernzyklus bewertet die Fehlerberechnungseinheit 112 den Fehlerzustand der Motorbremse durch Verwenden der Zustandsvariablen S gemäß dem aktualisierten Korrelationsmodell M, wodurch der Fehler E zwischen den Ergebnissen der Bewertung und den tatsächlich erlangten Hinweisdaten L erlangt wird, wonach der Modellaktualisierungsteil 114 das Korrelationsmodell M erneut aktualisiert. Auf diese Weise wird die Korrelation zwischen dem gegenwärtigen Umgebungszustand, der bis dahin unbekannt gewesen ist, und der Bewertung desselben allmählich offenbart. Nachdem das Erlernen (oder die Erstellung des erlernten Modells) durch die Lerneinheit 110 abgeschlossen ist, stellt die Fehlerberechnungseinheit 112 keine wesentliche Struktur für die maschinelle Lernvorrichtung 110 dar.
Die Bewertungsergebnis-Ausgabeeinheit 122 bewertet den Fehlerzustand der gegenwärtig aktivierten Motorbremse basierend auf den Zustandsvariablen S (Bremsbetriebszustandsdaten S1, etc.) erlangt von der Werkzeugmaschine 2 unter Verwendung des erlernten Modells, welches durch die Lerneinheit 110 basierend auf den Zustandsvariablen S und den Hinweisdaten L erstellt (oder erlernt) worden ist.
Auch in der vorliegenden Ausführungsform können wie bei der in Verbindung mit der ersten Ausführungsform beschriebenen Modifikation verschiedene Kombinationen von Zustandsvariablen verwendet werden.
7 zeigt ein System 80 gemäß einer Ausführungsform, das mit Werkzeugmaschinen 2 versehen ist. Das System 80 umfasst eine Mehrzahl von Werkzeugmaschinen 2 mit derselben mechanischen Struktur und ein Netzwerk 82, welches diese Werkzeugmaschinen 2 miteinander verbindet. Mindestens eine der Werkzeugmaschinen 2 ist als die Werkzeugmaschine 2 der Fehlervorhersagevorrichtung 1 aufgebaut. Die Werkzeugmaschinen 2 weisen dieselbe Struktur auf wie herkömmliche Werkzeugmaschinen, die für Werkstückbearbeitung notwendig sind.
Das System 80 aufweisend die obengenannte Struktur kann automatisch ohne Abhängigkeit von einer Berechnung oder Bewertung genau bestimmen, ob die Werkzeugmaschine 2 aufweisend die Fehlervorhersagevorrichtung 1, unter der Mehrzahl von Werkzeugmaschinen 2, in Bezug auf einzelne Daten, die von der Werkzeugmaschine 2 erfasst werden (einschließlich den Werkzeugmaschinen 2 ohne die Fehlervorhersagevorrichtung 1) normal arbeitet, oder nicht, indem sie die Ergebnisse des Lernens durch die Lerneinheit 110 verwendet. Darüber hinaus kann die Fehlervorhersagevorrichtung 1 mindestens einer der Werkzeugmaschinen 2 derart aufgebaut sein, dass sie ein für alle Werkzeugmaschinen 2 gemeinsames Lernen basierend auf den einzeln für die anderen Werkzeugmaschinen 2 erlangten Zustandsvariablen S ausführt, und dass sämtliche Werkzeugmaschinen 2 die Ergebnisse des gemeinsamen Lernens teilen. Somit kann gemäß dem System 80 die Geschwindigkeit und Zuverlässigkeit des Erlernens der einzelnen von den Werkzeugmaschinen 2 erfassten Daten mit einer größeren Vielfalt von Datensätzen (einschließlich der Zustandsvariablen S und der Hinweisdaten L) verbessert werden.
8 zeigt ein System 80 gemäß einer weiteren Ausführungsform, das mit Werkzeugmaschinen 2 versehen ist. Das System 80 umfasst eine Fehlervorhersagevorrichtung 1, eine Mehrzahl von Werkzeugmaschinen 2 mit derselben mechanischen Struktur und ein Netzwerk 82, welches diese Werkzeugmaschinen 2 und die Fehlervorhersagevorrichtung 1 miteinander verbindet. Es kann davon ausgegangen werden, dass die Fehlervorhersagevorrichtung 1 der vorliegenden Ausführungsform als ein Computer, zum Beispiel ein Zellenrechner, ein Leitrechner oder ein Cloud-Server, umgesetzt ist.
Das System 80 aufweisend die obengenannte Struktur kann die einzelnen von den normal betriebenen Werkzeugmaschinen erfassten Daten, die allen Werkzeugmaschinen 2 gemeinsam sind, basierend auf den Zustandsvariablen S (und den Hinweisdaten L), die einzeln für jede Werkzeugmaschine 2 erlangt werden, erlernen, und in Bezug auf die einzelnen Daten, die von den Werkzeugmaschinen 2 erfasst werden, automatisch ohne Abhängigkeit von einer Berechnung oder Bewertung genau bestimmen, ob die Motorbremse jeder der Werkzeugmaschinen 2 normal arbeitet, oder nicht, indem es die Ergebnisse des Lernens verwendet. Gemäß dieser Konfiguration kann die erforderliche Anzahl von Werkzeugmaschinen 2 wann immer erforderlich mit der Fehlervorhersagevorrichtung 1 verbunden werden, ungeachtet des Ortes und der Zeit für das Vorhandensein der einzelnen Werkzeugmaschinen 2.
Obwohl hierin Ausführungsformen der vorliegenden Erfindung beschrieben worden sind, ist die Erfindung nicht auf die oben beschriebenen Ausführungsformen beschränkt und kann auf geeignete Weise modifiziert und in verschiedenen Formen ausgeführt werden.
Zum Beispiel sind der Lernalgorithmus und der Berechnungsalgorithmus, die durch die maschinelle Lernvorrichtung 100 ausgeführt werden, der Steueralgorithmus, der durch die Fehlervorhersagevorrichtung 1 ausgeführt wird, und dergleichen nicht auf die oben beschriebenen beschränkt, und es sind verschiedenste Algorithmen verfügbar.
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 2016226150 [0004]
JP 2016101643 [0004]
JP 2014010546 [0004]

Claims

Fehlervorhersagevorrichtung, die dafür ausgelegt ist, den Zustand des Versagens einer Bremse eines Motors vorherzusagen, die Fehlervorhersagevorrichtung umfassend: eine maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand der Motorbremse basierend auf Daten über die Bremse zu erlernen, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem normalen Zustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, und eine Lerneinheit, die dafür ausgelegt ist, die Zustandsvariablen dafür zu verwenden, eine Verteilung der Zustandsvariablen während des Normalzustands der Bremse zu erlernen.
Fehlervorhersagevorrichtung nach Anspruch 1, wobei die Zustandsbeobachtungseinheit ferner durch einen Sensor erfasste Motorbetriebszustandsdaten über einen Betriebszustand des Motors als die Zustandsvariablen beobachtet.
Fehlervorhersagevorrichtung nach Anspruch 1, wobei die Zustandsbeobachtungseinheit mindestens zwei der Daten aus der Gruppe umfassend Daten über ein Schwerkraftlastmoment, Daten über ein mechanisches Reibungsmoment und Daten über eine Bremsreaktionszeit, als die Bremsbetriebszustandsdaten beobachtet.
Fehlervorhersagevorrichtung nach einem der Ansprüche 1 bis 3, wobei die Zustandsbeobachtungseinheit ferner Motortypendaten, welche die Art des Motors anzeigen, als die Zustandsvariablen beobachtet.
Fehlervorhersagevorrichtung, die dafür ausgelegt ist, den Zustand des Versagens einer Bremse eines Motors vorherzusagen, die Fehlervorhersagevorrichtung umfassend: eine maschinelle Lernvorrichtung, die den Zustand der Motorbremse in Bezug auf Daten über die Bremse erlernt hat, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, eine Lerneinheit, die eine Verteilung der Daten, welche den Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, erlernt hat, und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit erfassten Zustandsvariablen und den Ergebnissen des Lernens durch die Lerneinheit zu bewerten und auszugeben.
Fehlervorhersagevorrichtung nach Anspruch 5, wobei die Zustandsbeobachtungseinheit ferner durch einen Sensor erfasste Motorbetriebszustandsdaten über einen Betriebszustand des Motors als die Zustandsvariablen beobachtet, und die Lerneinheit Verteilungen der Daten, welche den Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, und die Daten über den durch den Sensor erfassten Betriebszustand des Motors erlernt hat.
Fehlervorhersagevorrichtung nach Anspruch 5, wobei die Zustandsbeobachtungseinheit mindestens zwei der Daten aus der Gruppe umfassend Daten über ein Schwerkraftlastmoment, Daten über ein mechanisches Reibungsmoment und Daten über die Bremsreaktionszeit, als die Bremsbetriebszustandsdaten beobachtet, und die Lerneinheit Verteilungen von mindestens zwei der Daten aus der Gruppe umfassend Daten über das Schwerkraftlastmoment, Daten über das mechanische Reibungsmoment und Daten über die Bremsreaktionszeit als Daten, welche den Betriebszustand der Bremse, wenn sich die Bremse im Normalzustand befindet, anzeigen, erlernt hat.
Fehlervorhersagevorrichtung, die dafür ausgelegt ist, den Zustand des Versagens einer Bremse eines Motors vorherzusagen, die Fehlervorhersagevorrichtung umfassend: eine maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand der Motorbremse basierend auf Daten über die Bremse zu erlernen, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, eine Hinweisdatenerfassungseinheit, die dafür ausgelegt ist, Hinweisdaten, welche den Fehlerzustand der Bremse anzeigen, zu erlangen, und eine Lerneinheit, die dafür ausgelegt ist, den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander zu erlernen, indem sie die Zustandsvariablen und die Hinweisdaten verwendet.
Fehlervorhersagevorrichtung nach Anspruch 8, wobei die Lerneinheit umfasst eine Fehlerberechnungseinheit, die dafür ausgelegt ist, einen Fehler zwischen einem Korrelationsmodell, das dafür ausgelegt, den Fehlerzustand der Bremse aus den Zustandsvariablen basierend auf den Zustandsvariablen und den Hinweisdaten abzuleiten, und einer aus den im Vorhinein vorbereiteten Lehrerdaten bestimmten Korrelationsfunktion zu berechnen, und einen Modellaktualisierungsteil, der dafür ausgelegt ist, das Korrelationsmodell zu aktualisieren, um den Fehler zu verringern.
Fehlervorhersagevorrichtung, die dafür ausgelegt ist, den Zustand des Versagens einer Bremse eines Motors vorherzusagen, die Fehlervorhersagevorrichtung umfassend: eine maschinelle Lernvorrichtung, die den Zustand der Motorbremse in Bezug auf Daten über die Bremse erlernt hat, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten, eine Lerneinheit, die den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander erlernt hat, und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit erfassten Zustandsvariablen und den Ergebnissen des Lernens durch die Lerneinheit zu bewerten und auszugeben.
Maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse zu erlernen, um den Ausfallszustand der Motorbremse vorherzusagen, die maschinelle Lernvorrichtung umfassend: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem normalen Zustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten; und eine Lerneinheit, die dafür ausgelegt ist, die Zustandsvariablen dafür zu verwenden, eine Verteilung der Zustandsvariablen während des Normalzustands der Bremse zu erlernen.
Maschinelle Lernvorrichtung, die den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse erlernt hat, um den Ausfallszustand der Motorbremse vorherzusagen, die maschinelle Lernvorrichtung umfassend: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten; eine Lerneinheit, die eine Verteilung der Daten, welche den Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, erlernt hat; und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit erfassten Zustandsvariablen und den Ergebnissen des Lernens durch die Lerneinheit zu bewerten und auszugeben.
Maschinelle Lernvorrichtung, die dafür ausgelegt ist, den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse zu erlernen, um den Ausfallszustand der Motorbremse vorherzusagen, die maschinelle Lernvorrichtung umfassend: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, wenn sich die Bremse in einem Normalzustand befindet, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten; eine Hinweisdatenerfassungseinheit, die dafür ausgelegt ist, Hinweisdaten, welche den Fehlerzustand der Bremse anzeigen, zu erlangen; und eine Lerneinheit, die dafür ausgelegt ist, den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander zu erlernen, indem sie die Zustandsvariablen und die Hinweisdaten verwendet.
Maschinelle Lernvorrichtung, die den Zustand einer Bremse eines Motors basierend auf Daten über die Bremse erlernt hat, um den Ausfallszustand der Motorbremse vorherzusagen, die maschinelle Lernvorrichtung umfassend: eine Zustandsbeobachtungseinheit, die dafür ausgelegt ist, Bremsbetriebszustandsdaten, die einen Betriebszustand der Bremse anzeigen, als Zustandsvariable kennzeichnend für einen gegenwärtigen Umgebungszustand zu beobachten; eine Lerneinheit, die den Betriebszustand der Bremse und den Fehlerzustand der Bremse in Zusammenhang miteinander erlernt hat; und eine Bewertungsergebnis-Ausgabeeinheit, die dafür ausgelegt ist, den Fehlerzustand der Bremse basierend auf den durch die Zustandsbeobachtungseinheit erfassten Zustandsvariablen und den Ergebnissen des Lernens durch die Lerneinheit zu bewerten und auszugeben.