DE102021213200A1

DE102021213200A1 - Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, überwachte Lernmaschine und Zustandsabschätzungsvorrichtung

Info

Publication number: DE102021213200A1
Application number: DE102021213200.6A
Authority: DE
Inventors: Hiraku SUGIURA
Original assignee: Okuma Corp; Okuma Machinery Works Ltd
Current assignee: Okuma Corp
Priority date: 2020-11-25
Filing date: 2021-11-23
Publication date: 2022-05-25
Also published as: US20220164704A1; CN114611567A

Abstract

Ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine umfasst: Berechnen eines Abweichungsgrads von einem Referenzzustand A für alle korrespondierenden Daten in Fällen, in denen sich eine Vielzahl von Zustandsabschätzungszielen in dem Referenzzustand A und einem Referenzzustand B befinden; Berechnen eines normierten Abweichungsgrads; indem eine Abbildung des Abweichungsgrads von A für jede der korrespondierenden Daten mit einer festgelegten Abbildung für jedes der Zustandsabschätzungsziele genommen wird. Die Abbildung gestattet es, den Abweichungsgrad von A in A auf einen bestimmten Wert, der durch die überwachte Lernmaschine in A auszugeben wird, abzubilden; gestattet es, den Abweichungsgrad von A in B auf einen bestimmten Wert, der durch die überwachte Lernmaschine in B auszugeben ist, abzubilden.

Description

HINTERGRUND
1. Technisches Gebiet
Die Offenbarung betrifft ein Verfahren zum Durchführen einer Kennzeichnung eines Datensatzes einer überwachten Lernmaschine in einem Maschinenlernmodell, das für eine Werkzeugmaschine und dergleichen zum Prüfen eines beschädigten Zustands eines Werkzeugs und dergleichen verwendet wird, eine überwachte Lernmaschine, die unter Verwendung des Verfahrens geschaffen wird, und eine Zustandsabschätzungsvorrichtung, die mit der Lernmaschine versehen ist.
2. Stand der Technik
Wenn eine Werkzeugmaschine kontinuierlich in einem Zustand verwendet wird, in dem ein Lager, das einen Rotor einer Werkzeugmaschine lagert, beschädigt ist, ist es möglich, dass sich eine Bearbeitungsgenauigkeit der Werkzeugmaschine verringert und/oder das Lager verklemmt und die Werkzeugmaschine funktionsunfähig macht. Wenn die Werkzeugmaschine andererseits kontinuierlich in einem Zustand verwendet wird, in dem ein Schneidwerkzeug erheblich verschlissen ist, könnte sich die Bearbeitungsgenauigkeit verringern und/oder eine Beeinträchtigung durch den mit dem defekten Schneidwerkzeug fortgesetzten Betrieb auftreten, was einen Schaden an der Werkzeugmaschine verursacht.
Um das Auftreten des Problems zu vermeiden, werden üblicherweise bestimmte Kriterien, wie eine Zeitdauer oder die Anzahl beispielsweise einer kumulierten Drehzeit des Lagers, einer kumulierten Drehzahl des Lagers und eine Nutzungszeit des Werkzeugs, im Vorab für ihr Management festgelegt. Da die Kriterien nicht zu einem aktuellen Zustand korrespondieren, wurden jedoch manchmal Gegenmaßnahmen in einem Zustand ergriffen, in dem kein Problem vorliegt, um die Verwendung des Werkzeugs fortzusetzen, was übermäßige Kosten oder Probleme verursacht, selbst wenn eine vorbestimmte Zeitdauer oder die Anzahl noch nicht erreicht wurde.
In Anbetracht der vorstehenden Ausführungen wurde ein Verfahren zum Abschätzen des aktuellen Zustands der Werkzeugmaschine anstelle der Verwendung der Zeitdauer und/oder der Anzahl untersucht. Das Verfahren erfasst einen Zustandsübergang von einem normalen Zustand zu einem anormalen Zustand der Werkzeugmaschine und ergreift Maßnahmen, bevor ein anormaler Zustand vollständig erreicht ist.
JP-A-2018-103284 offenbart eine Vorrichtung, die Bearbeitungsinformationen in einem Zustand erhält, in dem eine Werkzeugstandzeit ausreichend verbleibt, um Eingabedaten zu generieren, und ein Lernmodell aufstellt, das durch unüberwachtes Lernen Cluster bildet. Dementsprechend trifft die Vorrichtung eine Schlussfolgerung aus bestimmten Eingabedaten und bestimmt, dass sich eine Werkzeugmaschine in einem Zustand befindet, in dem die Werkzeugstandzeit nicht verbleibt, wenn die Eingabedaten nicht zu einem Cluster gehören, bei dem die Werkzeugstandzeit ausreichend verbleibt.
JP-A-2018-25936 offenbart eine Werkzeugmaschine, die eine Recheneinheit für anormale Ergebnisse, die durch Eingeben der aktuellen Bearbeitungsdaten in eine unüberwachte Lernmaschine, die unter Verwendung der normalen Bearbeitungsdaten geschaffen wird, berechnet, wie weit weg aktuelle Bearbeitungsdaten von normalen Bearbeitungsdaten sind, wodurch anormale Ergebnisse berechnet werden, die auf einer Differenz zwischen der Eingabe und einer Ausgabe basieren, und eine Einheit umfasst, die die anormalen Ergebnisse einer finiten Anzahl an Schadensstufen zuweist. Die Werkzeugmaschine ist somit in der Lage, Gegenmaßnahmen korrespondierend zu den Schadensstufen zu ergreifen.
JP-A-2018-138327 offenbart eine Werkzeugzustandsabschätzungsvorrichtung, die eine Speichereinheit eines Lernmodells umfasst, die Eingabedaten basierend auf einer dynamischen Information einer Umgebung des Werkzeugs, wie einer Streuweite der Späne, einer Streugeschwindigkeit der Späne und einem zentralen Winkel eines Streubereichs der Späne, verwendet, um die dynamische Information der Umgebung des Werkzeugs, wenn der Werkzeugzustand ausgezeichnet ist, von anderen zu unterscheiden, wodurch ein Werkzeugzustand abgeschätzt wird.
Allerdings verwendet die in JP-A-2018-103284 offenbarte Vorrichtung ein Lernmodell, das nur mit Bearbeitungsinformationen in einem Zustand gelernt hat, in dem die Werkzeugstandzeit ausreichend bleibt. Somit kann niemand abschätzen, welche Art eines Schlussfolgerungsergebnisses durch das Lernmodell für die Bearbeitungsinformationen in einem Zustand erhalten werden wird, in dem die Werkzeugstandzeit nicht verbleibt, der der Zustand ist, in dem das Lernmodell nicht gelernt hat. Daher ist es schwierig, einen Grenzwert zu bestimmen, um die Vorrichtung zu veranlassen, zu entscheiden, ob die Werkzeugstandzeit verbleibt oder nicht. Selbst wenn das Schlussfolgerungsergebnis des Lernmodells in Bezug auf die Bearbeitungsinformationen in dem Zustand, in dem die Werkzeugstandzeit nicht verbleibt, ungeeignet ist, kann das Lernmodell vorläufig nicht verbessert werden, um ein gewünschtes Schlussfolgerungsergebnis zu erhalten. Daher besteht ein Problem, dass Zustände verschiedener Zustandsabschätzungsziele nicht unter Verwendung gemeinsamer Kriterien bestimmt werden können.
Die in JP-A-2018-25936 offenbarte Werkzeugmaschine berechnet, wie weit weg die aktuellen Bearbeitungsdaten von den normalen Bearbeitungsdaten sind, das heißt, anormale Ergebnisse, durch Eingeben der aktuellen Bearbeitungsdaten in die unüberwachte Lernmaschine, die nur unter Verwendung der normalen Bearbeitungsdaten geschaffen wird. Für die anormalen Bearbeitungsdaten, bei denen Bearbeitungsbedingungen, wie Werkzeuge, Arbeitsmaterialien und Schnittgeschwindigkeiten, unterschiedlich sind, kann daher niemand abschätzen, welche Größenordnungen die entsprechenden anormalen Ergebnisse haben. Die Recheneinheit für anormale Ergebnisse kann nicht verbessert werden, um ein gewünschtes anormales Ergebnis für die anormalen Bearbeitungsdaten zu berechnen. Um die Zustände der verschiedenen Zustandsabschätzungsziele basierend auf fixen Kriterien zu bestimmen, ist es daher erforderlich, eine Einheit vorläufig zu präparieren, um die anormalen Ergebnisse einer finiten Anzahl an Schadensstufen für jede Bearbeitungsbedingung zuzuweisen. Dementsprechend besteht ein Problem, dass die Werkzeugmaschine keine Maßnahmen gegen eine neue Bearbeitungsbedingung ergreifen kann.
In einem Fall, in dem ein unüberwachtes Lernen, das Cluster zu einem Zeitpunkt eines ausgezeichneten Werkzeugzustands erschafft, verwendet wird, wenn die Bearbeitungsbedingungen, wie Werkzeuge, Arbeitsmaterialien und Schnittgeschwindigkeiten, unterschiedlich sind, kann mit der in der JP-A-2018-138327 offenbarten Werkzeugzustandsabschätzungsvorrichtung niemand abschätzen, wie weit entfernt Schlussfolgerungsergebnisse eines Maschinenlernmodells in Bezug auf die Eingabedaten verschiedener Bearbeitungsbedingungen von den entsprechenden Clustern zum Zeitpunkt des ausgezeichneten Werkzeugzustands sind. Daher besteht ein Problem, dass die Zustände der verschiedenen Zustandsabschätzungsziele nicht durch fixe Kriterien bestimmt werden können. In einem Fall, in dem ein überwachtes Lernen verwendet wird, ist ein Verfahren offenbart, bei dem jedes Signal einer Ausgabeschicht zu einem „ausgezeichneten Werkzeugzustand“ oder einem „verschlechterten Werkzeugzustand“ korrespondiert und überwachte Daten festgesetzt werden, so dass eines der Signale 1 wird, was zu den überwachten Daten korrespondiert. Bei dem überwachten Lernen weist die Werkzeugzustandsabschätzungsvorrichtung eine Möglichkeit auf, in der Lage zu sein, die Zustände der verschiedenen Zustandsabschätzungsziele durch fixe Kriterien zu bestimmen.
Bei dem überwachten Lernen ist jedoch ein Durchführen einer geeigneten Kennzeichnung in einem Zwischenzustand zwischen den zwei Referenzzuständen, wie einem Zustand zwischen dem „ausgezeichneten Werkzeugzustand“ und dem „verschlechterten Werkzeugzustand“, extrem schwierig. Wenn die Kennzeichnung nicht in dem Zwischenzustand durchgeführt wird, können Daten des Zwischenzustands nicht den Trainingsdaten hinzugefügt werden. Wenn ein gewünschtes Schlussfolgerungsergebnis in den Zwischenzuständen nicht erhalten wird, kann daher das Lernmodell nicht verbessert werden. JP-A-2018-138327 offenbart ein weiteres Beispiel des Bestimmens der überwachten Daten in jedem Zeitrahmen vor einer vorbestimmten Zeit, zu der sich der Werkzeugzustand verschlechtert, um eine Kennzeichnung der jeweiligen Zwischenzustände durchzuführen. Das Verfahren kann jedoch nicht eine geeignete Kennzeichnung durchführen, die zu den Verschlechterungsgraden des Werkzeugs korrespondiert.
1 ist ein konzeptionelles Diagramm zur Beschreibung eines Problems, wenn man sich auf die Zeit in der Kennzeichnung im Zwischenzustand bezieht. Hier wird eine Nutzungszeit des Werkzeugs auf der horizontalen Achse angezeigt und ein Werkzeugverschleißbetrag als ein abzuschätzender Zustand wird auf der vertikalen Achse angezeigt. 1 veranschaulicht einen Übergang des Werkzeugverschleißbetrags in drei Fällen, die wie folgt beschrieben werden. Der erste Fall ist ein Fall unter einer Bearbeitungsbedingung, bei der eine Werkzeugverschleißentwicklung langsam ist. Der zweite Fall ist ein Fall unter einer Bearbeitungsbedingung, bei der die Werkzeugverschleißentwicklung schnell ist. Der dritte Fall ist ein Fall, bei dem die Bearbeitungsbedingung auf halben Wege vom ersten Fall zum zweiten Fall geändert wird. 1 stellt die Änderung des Werkzeugverschleißbetrags im ersten Fall durch eine durchgezogene Linie und die Änderung des Werkzeugverschleißbetrags im zweiten Fall durch eine gestrichelte Linie dar. 1 ist lediglich ein konzeptionelles Diagramm und der Werkzeugverschleißbetrag erhöht sich möglicherweise nicht im Verhältnis zur Nutzungsdauer des Werkzeugs. Wie in 1 veranschaulicht, ist es offensichtlich, dass die Differenzen in der akkumulierten Bearbeitungszeit zwischen einem Zeitpunkt eines bestimmten gleichen Werkzeugverschleißbetrags und einem Zeitpunkt, zu dem sich der Werkzeugzustand verschlechtert, in den vorstehend beschriebenen drei Fällen nicht gleich sind. Das heißt, dass die entsprechenden Daten, die bei dem gleichen Werkzeugverschleißbetrag gewonnen wurden, in den vorstehend beschriebenen drei Fällen ursprünglich mit identischen Kennzeichnungen versehen werden sollten. Allerdings werden unterschiedliche Kennzeichnungen an ihnen angebracht, die anzeigen, dass sie zu unterschiedlichen Zeitrahmen vor der vorbestimmten Zeit, zu der sich der Werkzeugzustand verschlechtert, gehören, mit einem Grund, dass die akkumulierten Bearbeitungszeiten von den Zeitpunkten des bestimmten gleichen Werkzeugverschleißbetrags bis zu den Zeitpunkten, zu denen sich die Werkzeugzustände verschlechtern, unterschiedlich sind. Da es für die Lernmaschine unmöglich ist, zu lernen, unterschiedliche Ausgaben in Reaktion auf dieselbe Eingabe zu produzieren, wenn unterschiedliche Kennzeichnungen den gleichen Zuständen beigefügt werden, ist es für die Lernmaschine unmöglich, ein geeignetes Lernen durchzuführen. Das heißt, es besteht ein Problem, dass die Lernmaschinen das geeignete Lernen nicht durchführen kann, wenn die Zeit für die Kennzeichnung in dem Zwischenzustand herangezogen wird.
Um die Kennzeichnung in dem Zwischenzustand akkurat durchzuführen, kann währenddessen in Betracht gezogen werden, den Werkzeugzustand jedes Mal vor oder nach der Bearbeitung zu prüfen, um die Zustandsänderung zu ermitteln. In diesem Fall ist es jedoch erforderlich, viel Zeit aufzuwenden, um den Werkzeugzustand zu prüfen. Dies hat zur Folge, dass mehr Zeit für Dinge aufgewendet wird, die nicht die Bearbeitung betreffen, was die Produktivität senkt und somit Kosten für die Kennzeichnung verursacht.
In Anbetracht der vorstehenden Ausführungen wurde die Offenbarung unter Berücksichtigung des beschriebenen Problems gemacht. Die Offenbarung hat zum Ziel, ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, eine überwachte Lernmaschine und eine Zustandsabschätzungsvorrichtung bereitzustellen. Sie können bei einer Kennzeichnung eines Datensatzes zum Bestimmen einer Ausgabe von Trainingsdaten korrespondierend zu einer Eingabe der Trainingsdaten einer überwachten Lernmaschine zum Bestimmen von Zuständen verschiedener Zustandsabschätzungsziele basierend auf festgelegten Kriterien, selbst in einem Zwischenzustand zweier Referenzzustände, eine Kennzeichnung konformer zu einem aktuellen Zustand bei geringeren Kosten durchführen.
LÖSUNG DES PROBLEMS
Um das vorstehend beschriebene Ziel zu erreichen, stellt die vorliegende Erfindung nach Anspruch 1 ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine bereit. Das Verfahren bestimmt eine Ausgabe von Trainingsdaten korrespondierend zu einer Eingabe der Trainingsdaten. Die Trainingsdaten dienen dem Erzeugen der überwachten Lernmaschine, die zum Abschätzen eines Zustands eines Zustandsabschätzungsziels zwischen einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand A befindet, und einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand B befindet, der sich von dem Referenzzustand A unterscheidet, verwendet wird. Das Verfahren umfasst: Bestimmen jeglicher gegebener Daten als die Eingabe der Trainingsdaten, die aus einer ersten physikalischen Größe, die in einem Fall erhalten wird, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Zustand befindet, und basierend auf der ersten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Bezugnahme auf jegliche gegebenen Daten als korrespondierende Daten, die aus einer zweiten physikalischen Größe, die in einem Fall erhalten wird, in dem der Zustand des Zustandsabschätzungsziels identisch zu einem Zustand in dem Fall ist, in dem die erste physikalische Größe, die sich auf die Eingabe der Trainingsdaten bezieht, erhalten wird, und basierend auf der zweiten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Berechnen eines Abweichungsgrads für die zwei oder mehr Zustandsabschätzungsziele von dem Referenzzustand A für jede einer Vielzahl der korrespondierenden Daten, die zumindest korrespondierende Daten, wenn jedes der Zustandsabschätzungsziele in dem Referenzzustand A ist, und korrespondierende Daten, wenn jedes der Zustandsabschätzungsziele in dem Referenzzustand B ist, umfassen; Festlegen der Abbildung für jedes der Zustandsabschätzungsziele als eine Abbildung zum Abbilden jedes Abweichungsgrads von dem Referenzzustand A der Vielzahl der korrespondierenden Daten auf einen normierten Abweichungsgrad, wobei die Abbildung es gestattet, den Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A auf einen bestimmten Wert, der durch die überwachte Lernmaschine in dem Referenzzustand A auszugeben ist, abzubilden, die Abbildung es gestattet, den Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B auf einen bestimmten Wert, der durch die überwachte Lernmaschine in dem Referenzzustand B auszugeben ist, abzubilden, die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A und dem Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B ist; Berechnen des normierten Abweichungsgrads durch Abbilden einer Darstellung des Abweichungsgrads von dem Referenzzustand A für jede der Vielzahl der korrespondierenden Daten unter Verwendung der festgelegten Abbildung; und Bestimmen des normierten Abweichungsgrads als die Ausgabe der Trainingsdaten, die zur Eingabe der Trainingsdaten korrespondiert.
Die Erfindung nach Anspruch 2 sieht vor, dass in der obigen Konfiguration, wenn der Zustand des Zustandsabschätzungsziels in einer Richtung von einem der Referenzzustände A und B in chronologischer Reihenfolge in den anderen übergeht, das Verfahren umfasst: Berechnen des Abweichungsgrads für jedes der mehreren Zustandsabschätzungsziele von dem Referenzzustand A jeder der Vielzahl korrespondierender Daten und anschließendes Durchführen einer Filterverarbeitung in einem Zustand, in dem die berechneten Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, um die berechneten Abweichungsgrade von dem Referenzzustand A in geglättete Abweichungsgrade von dem Referenzzustand A zu konvertieren; und Verwenden des geglätteten Abweichungsgrads von dem Referenzzustand A anstelle des Abweichungsgrads von dem Referenzzustand A beim Festlegen der Abbildung zum Abbilden des Abweichungsgrads von dem Referenzzustand A jeder der Vielzahl korrespondierender Daten auf den normierten Abweichungsgrad und beim Berechnen des normierten Abweichungsgrads.
Um das vorstehend beschriebene Ziel zu erreichen, sieht die Erfindung nach Anspruch 3 ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine vor. Das Verfahren bestimmt eine Ausgabe von Trainingsdaten korrespondierend zu einer Eingabe der Trainingsdaten. Die Trainingsdaten dienen dem Erzeugen der überwachten Lernmaschine, die zum Abschätzen eines Zustands eines Zustandsabschätzungsziels zwischen einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand A befindet, und einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand B befindet, der sich von dem Referenzzustand A unterscheidet, verwendet wird. Die überwachte Lernmaschine weist eine Funktion zum Durchführen einer Nachbearbeitung auf, die einen repräsentativen Wert einer Ausgabegruppe als einen Satz von Ausgaben berechnet, die aus entsprechenden Eingaben berechnet werden, wenn mehrere der vorbestimmten Daten, die zu einer Datengruppe als ein Satz mehrerer Daten gehören, eingegeben werden. Das Verfahren umfasst: Bestimmen jeglicher gegebener Daten als die Eingabe der Trainingsdaten, die aus einer ersten physikalischen Größe, die in einem Fall erhalten wird, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Zustand befindet, und basierend auf der ersten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Bezugnahme auf jegliche gegebenen Daten als korrespondierende Daten, die aus einer zweiten physikalischen Größe, die in einem Fall erhalten wird, in dem der Zustand des Zustandsabschätzungsziels identisch zu einem Zustand in dem Fall ist, in dem die erste physikalische Größe, die sich auf die Eingabe der Trainingsdaten bezieht, erhalten wird, und basierend auf der zweiten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Berechnen von Abweichungsgraden für die zwei oder mehr Zustandsabschätzungsziele von dem Referenzzustand A der korrespondierenden Daten, die zu einer entsprechenden Vielzahl korrespondierender Datengruppen gehören, für die entsprechende Vielzahl korrespondierenden Datengruppen, wobei die korrespondierenden Datengruppen jeweils mindestens eine erste korrespondierende Datengruppe und eine zweite korrespondierende Datengruppe umfassen, wobei die erste korrespondierende Datengruppe mehrere korrespondierende Daten umfasst, wenn sich jedes der Zustandsabschätzungsziele in dem Referenzzustand A befindet, und die zweite korrespondierende Datengruppe mehrere der korrespondierenden Daten umfasst, wenn sich jedes der Zustandsabschätzungsziele in dem Referenzzustand B befindet; Bestimmen entsprechender Sätze von Abweichungsgraden von dem Referenzzustand A korrespondierend zu den mehreren korrespondierenden Datengruppen, zu denen die korrespondierenden Daten, zu denen die entsprechenden berechneten Abweichungsgrade von dem Referenzzustand A korrespondieren, gehören, als Gruppen der Abweichungsgrade von dem Referenzzustand A; Anwenden einer Bearbeitung identisch zur Nachbearbeitung, die durch die überwachte Lernmaschine ausgeführt wird, auf jede der mehreren Gruppen der Abweichungsgrade von dem Referenzzustand A, um einen repräsentativen Abweichungsgrad von dem Referenzzustand A in jeder der mehreren Gruppen des Abweichungsgrads von dem Referenzzustand A zu berechnen; Festlegen der Abbildung für jedes der Zustandsabschätzungsziele als eine Abbildung zum Abbilden jedes der repräsentativen Abweichungsgrade von dem Referenzzustand A korrespondierend zu den mehreren korrespondierenden Datengruppen auf einen normierten repräsentativen Abweichungsgrad, wobei die Abbildung es gestattet, den repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A auf einen bestimmten Wert abzubilden, der von einem repräsentativen Wert zu nehmen ist, der durch die überwachte Lernmaschine in dem Referenzzustand A berechnet wird, die Abbildung es gestattet, den repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B auf einen bestimmten Wert abzubilden, der von einem repräsentativen Wert zu nehmen ist, der durch die überwachte Lernmaschine in dem Referenzzustand B berechnet wird, die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A und dem repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B ist; Berechnen des normierten repräsentativen Abweichungsgrads durch Abbilden einer Darstellung des repräsentativen Abweichungsgrads von dem Referenzzustand A für jede der mehreren korrespondierenden Datengruppen unter Verwendung der festgelegten Abbildung; Durchführen eines Prozesses, der invers zur Nachbearbeitung wirkt, für jeden einer Vielzahl der normierten repräsentativen Abweichungsgrade und für jede der Gruppen der Abweichungsgrade von dem Referenzzustand A korrespondierend zu der entsprechenden Vielzahl normierter repräsentativer Abweichungsgrade, um einen normierten individuellen Abweichungsgrad für jede der mehreren korrespondierenden Datengruppen korrespondierend zu den mehreren normierten repräsentativen Abweichungsgraden zu berechnen, wobei der normierte repräsentative Abweichungsgrad aus dem normierten individuellen Abweichungsgrad berechnet wird, wenn die Nachbearbeitung durchgeführt wird; und Bestimmen des normierten individuellen Abweichungsgrads als die Ausgabe der Trainingsdaten korrespondierend zu der Eingabe der Trainingsdaten.
Die Erfindung nach Anspruch 4 sieht vor, dass in der obigen Konfiguration, wenn der Zustand des Zustandsabschätzungsziels in einer Richtung von einem der Referenzzustände A und B in chronologischer Reihenfolge in den anderen übergeht, das Verfahren umfasst: Berechnen des repräsentativen Abweichungsgrads für jedes der mehreren Zustandsabschätzungsziele von dem Referenzzustand A jeder der mehreren korrespondierenden Datengruppen und anschließendes Durchführen einer Filterverarbeitung in einem Zustand, in dem die berechneten repräsentativen Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, um die berechneten repräsentativen Abweichungsgrade von dem Referenzzustand A in geglättete repräsentative Abweichungsgrade von dem Referenzzustand A zu konvertieren; und Verwenden des geglätteten repräsentativen Abweichungsgrads von dem Referenzzustand A anstelle des repräsentativen Abweichungsgrads von dem Referenzzustand A beim Festlegen der Abbildung zum Abbilden des repräsentativen Abweichungsgrads von dem Referenzzustand A jeder der mehreren korrespondierenden Datengruppen auf den normierten repräsentativen Abweichungsgrad und beim Berechnen des normierten repräsentativen Abweichungsgrads.
Die Erfindung nach Anspruch 5 stellt eine überwachte Lernmaschine bereit, die unter der Verwendung des Verfahrens zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 1 oder 2 geschaffen wird.
Die Erfindung nach Anspruch 6 stellt eine Zustandsabschätzungsvorrichtung bereit, die die überwachte Lernmaschine nach Anspruch 5 umfasst.
Die Erfindung nach Anspruch 7 ist, in der vorstehenden Konfiguration, dazu konfiguriert, eine Ausgabe der überwachten Lernmaschine, einen bestimmten Wert, der durch die überwachte Lernmaschine auszugeben ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand A befindet, und einen bestimmten Wert, der durch die überwachte Lernmaschine auszugeben ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand B befindet, als numerische Werte oder in einem Graphen simultan anzuzeigen.
Die Erfindung nach Anspruch 8 stellt eine überwachte Lernmaschine bereit, die unter der Verwendung des Verfahrens zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 3 oder 4 geschaffen wird.
Die Erfindung nach Anspruch 9 stellt eine Zustandsabschätzungsvorrichtung bereit, die die überwachte Lernmaschine nach Anspruch 8 umfasst.
Die Erfindung nach Anspruch 10 ist, in der vorstehenden Konfiguration, dazu konfiguriert, einen repräsentativen Wert der Ausgabegruppe, die durch die überwachte Lernmaschine ausgegeben wird, einen bestimmten Wert, der von dem durch die überwachte Lernmaschine berechneten repräsentativen Wert zu nehmen ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand A befindet, und einen bestimmten Wert, der von dem durch die überwachte Lernmaschine berechneten repräsentativen Wert zu nehmen ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand B befindet, als numerische Werte oder in einem Graphen simultan anzuzeigen.
Gemäß der Offenbarung kann die Ausgabe der in der Offenbarung bestimmten Trainingsdaten eine normierte Funktion eines Ausgebens eines gemeinsamen Werts in dem Referenzzustand A und dem Referenzzustand B, unabhängig von den Zustandsabschätzungszielen, an die überwachte Lernmaschine ergeben, die unter Verwendung der Trainingsdaten, die die durch das Verfahren bestimmte Ausgabe umfassen, gelernt hat, oder die die Nachbearbeitungsfunktion aufweisende überwachte Lernmaschine hat unter Verwendung der Trainingsdaten, die die durch das Verfahren bestimmte Ausgabe umfassen, gelernt.
Darüber hinaus reflektiert die in der Offenbarung bestimmte Ausgabe der Trainingsdaten den Zeitpunkt des Übergangs des Abweichungsgrads von dem Referenzzustand A, also in dem Fall, in dem der Zustand des Zustandsabschätzungsziels ein Zwischenzustand zwischen dem Referenzzustand A und dem Referenzzustand B ist. Daher kann sie eine Zustandsabschätzungsfähigkeit, die konformer zu dem aktuellen Zustand ist, an die überwachte Lernmaschine geben, die unter Verwendung der Trainingsdaten, die die durch das Verfahren bestimmte Ausgabe umfassen, gelernt hat, oder die die Nachbearbeitungsfunktion aufweisende überwachte Lernmaschine, die unter Verwendung der Trainingsdaten, die die durch das Verfahren bestimmte Ausgabe umfassen, gelernt hat. Das heißt, selbst in dem Zwischenzustand zwischen den zwei Referenzzuständen, kann eine Kennzeichnung der Datensätze konformer zum aktuellen Zustand bei geringen Kosten durchgeführt werden.
Figurenliste

1 ist ein Diagramm, das ein Problem einer Bezugnahme auf eine Zeit bei Kennzeichnung eines Zwischenzustands veranschaulicht.
2 ist ein Ablaufdiagramm eines Kennzeichnungsverfahrens in der Ausführungsform 1.
3 ist ein Diagramm, das einen Abweichungsgrad von einem Referenzzustand A veranschaulicht.
4 ist ein Diagramm, das den Abweichungsgrad von dem Referenzzustand A mit einer Messabweichung veranschaulicht.
5 ist ein Diagramm, das einen normierten Abweichungsgrad veranschaulicht.
6 veranschaulicht einen Bildschirm, der von einer Zustandsabschätzungsvorrichtung angezeigt wird.
7 veranschaulicht einen Bildschirm, der von der Zustandsabschätzungsvorrichtung angezeigt wird.
8 ist ein Ablaufdiagramm eines Kennzeichnungsverfahrens in der Ausführungsform 1.

AUSFÜHRLICHE BESCHREIBUNG
Das Folgende beschreibt Ausführungsformen der Offenbarung basierend auf den Zeichnungen.
Zunächst wird Ausführungsform 1 beschrieben.
2 ist ein Ablaufdiagramm eines Verfahrens zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine.
In der nachfolgenden Beschreibung der Ausführungsform 1 ist ein Lager, das eine Hauptspindel in einer Werkzeugmaschine stützt, ein Zustandsabschätzungsziel. Wenn die zwei oder mehr Zustandsabschätzungsziele miteinander in Beziehung stehen, ist jedes der Zustandsabschätzungsziele ein individuelles Lager. Ein Zustand des Lagers unmittelbar nach einem Start der Nutzung ist als ein Referenzzustand A definiert. Darüber hinaus ist ein Zustand, bei dem das Lager aufgrund einer Verschlechterung durch ein neues zu ersetzen ist, als Referenzzustand B definiert.
In einem Datenerfassungsschritt S1 wird ein Erfassen von erforderlichen Daten zur Kennzeichnung von Datensätzen einer überwachten Lernmaschine ausgeführt. In Ausführungsform 1 wird vorläufig die Hauptspindel der Werkzeugmaschine bei einer vorbestimmten Rotationsgeschwindigkeit rotiert, um Signale physikalischer Größen eines Hauptspindel-Motorendrehmoments, einer Schwingung eines nahe des Lagers angebrachten Beschleunigungssensors, einer Temperatur eines nahe des Lagers angebrachten Temperatursensors und dergleichen während der Rotation zu erfassen, und die erfassten physikalischen Größen werden als Daten gespeichert. Die Erfassung wird für jede vorbestimmte Nutzungszeit der Werkzeugmaschine durchgeführt, bis der Lagerzustand vom Zustand unmittelbar nach dem Beginn der Nutzung, das heißt, dem Referenzzustand A, bis zu dem Zustand reicht, bei dem der Ersatz durch ein neues aufgrund der Verschlechterung erforderlich ist, das heißt, dem Referenzzustand B.
Im Anschluss an den Datenerfassungsschritt S1, wird ein Datengenerierungsschritt S2 ausgeführt, in dem eine Eingabe von Trainingsdaten der überwachten Lernmaschine und korrespondierende Daten generiert werden.
Die Trainingsdaten sind Daten, die zum Lernen einer Lernmaschine verwendet werden, um zu bewirken, dass die Lernmaschine eine gewünschte Ausgabe auf eine vorbestimmte Eingabe durchführt. In der Anmeldung werden Trainingsdaten in einer Bedeutung verwendet, die sowohl die Eingabe als auch die Ausgabe umfassen, es sei denn, es wird angegeben.
Die Eingabe der Trainingsdaten der überwachten Lernmaschine bedeutet eine physikalische Größe (erste physikalische Größe), die in einem Fall, in dem ein Zustandsabschätzungsziel in einem vorbestimmten Zustand ist, ermittelt wird, und jegliche gegebenen Daten, die aus Daten, die mit dem Zustand des Zustandsabschätzungsziel in Verbindung stehen, ausgewählt werden und basierend auf der ersten physikalischen Größe ermittelt werden.
Die korrespondierenden Daten bedeuten eine physikalische Größe (zweite physikalische Größe), die in einem Fall ermittelt wird, in dem der Zustand des Zustandsabschätzungsziels in einem Zustand identisch zu dem Fall, in dem die erste physikalische Größe ermittelt wird, ist, und jegliche gegebenen Daten, die aus Daten, die mit dem Zustand des Zustandsabschätzungsziel in Verbindung stehen, ausgewählt werden und basierend auf der zweiten physikalischen Größe ermittelt werden. Es ist lediglich erforderlich, dass der gleiche Zustand hier in einem Bereich liegt, bei dem die Fachleute auf diesem Gebiet den Zustand des Zustandsabschätzungsziels zum Zeitpunkt des Ermittelns der zweiten physikalischen Größe als den gleichen Zustand wie den des Zustandsabschätzungsziels bei Ermitteln der ersten physikalischen Größe in Betracht ziehen können. Ein Fall, bei dem sie als Zustand des Zustandsabschätzungsziels nicht vollständig übereinstimmen, ist ebenfalls erlaubt. In der Beschreibung der Offenbarung werden die korrespondierenden Daten in einer Bedeutung verwendet, die nicht nur die Eingabe, sondern auch die Ausgabe der Trainingsdaten in einigen Fällen umfasst. Die Daten zum Zustand des Zustandsabschätzungsziels, die basierend auf der ersten physikalischen Größe und der zweiten physikalischen Größe gewonnen werden, bedeuten Daten, die durch Durchführen vorbestimmter Prozesse, wie beispielsweise Signalverarbeitung der ersten physikalischen Größe und der zweiten physikalischen Größe, generiert werden. Allerdings ist es nicht erforderlich, dass Gattungen der ersten physikalischen Größe und der zweiten physikalischen Größe, das Signalverarbeitungsverfahren, eine Abtastfrequenz und dergleichen zwischen der Eingabe der Trainingsdaten der überwachten Lernmaschine und der korrespondierenden Daten dieselben sind. Das heißt, die ersten physikalische Größe und die zweite physikalische Größe können wechselseitig unterschiedliche physikalische Größen sein, wenn sie in dem gleichen Zustand des Zustandsabschätzungsziels ermittelt werden, und die erste physikalische Größe und die zweite physikalische Größe können als die Eingabe der Trainingsdaten und die korrespondierenden Daten verwendet werden. Unterschiedliche Gattungen von Daten zum Zustand des Zustandsabschätzungsziels, die zu den entsprechenden physikalischen Größen korrespondieren, können aus der ersten physikalischen Größe und der zweiten physikalischen Größe, die wechselseitig unterschiedliche Gattungen der physikalischen Größe sind, durch wechselseitig unterschiedliche Prozesse generiert werden, und die generierten, unterschiedlichen Gattungen der Daten zum Zustand des Zustandsabschätzungsziels können als die entsprechende Eingabe der Trainingsdaten und korrespondierenden Daten verwendet werden. Zudem können sowohl für die Eingabe der Trainingsdaten als auch die korrespondierenden Daten eine Vielzahl unterschiedlicher Gattungen von Daten eingesetzt werden.
Informationen, bei denen eine Änderung in Abhängigkeit von der Zustandsänderung des Zustandsabschätzungsziels als gering angesehen werden kann, können in jeglichem gegebenen Zustand erfasst und gespeichert werden, und die Informationen können zu der Eingabe der Trainingsdaten der überwachten Lernmaschine und/oder den korrespondierenden Daten hinzugefügt werden. Die Informationen, bei denen eine Änderung in Abhängigkeit von dem Zustand des Zustandsabschätzungsziels als gering angesehen werden kann, umfassen beispielsweise eine Hauptspindelmasse und eine Schwingungsfähigkeit eines nahe des Lagers angebrachten Beschleunigungssensors, das heißt, eine Größenordnung einer Übertragungsfunktion von einer Kraft, die aufgrund des Lagerschadens generiert wird, zu einer Schwingungsbeschleunigung an der Position des Beschleunigungssensors bei jeder Frequenz.
Bei dem Datengenerierungsschritt S2 der Ausführungsform 1 werden als die Eingabe der Trainingsdaten der überwachten Lernmaschine eine Schwingungsamplitude für jede Frequenz, die durch eine Frequenzanalyse der Schwingung des Beschleunigungssensors ermittelt wird, die Hauptspindelmasse und die Schwingungsfähigkeit für jede Frequenz des nahe des Lagers angebrachten Beschleunigungssensors verwendet. Die Schwingungsfähigkeit des nahe des Lagers angebrachten Beschleunigungssensors umfasst beispielsweise eine Inertanz. Als die korrespondierenden Daten werden eine Zeitreihenfunktion des Hauptspindel-Motorendrehmoments, eine Zeitreihenfunktion der Schwingung und eine Zeitreihenfunktion der Temperatur verwendet.
Als Nächstes wird ein Abweichungsgradberechnungslernmaschinenschaffungsschritt S3 ausgeführt, um eine Abweichungsberechnungslernmaschine zur Berechnung eines Abweichungsgrads von dem Referenzzustand A zu schaffen.
Als ein Beispiel für die als Lernmaschine nutzbare Lernmaschine, die zur Berechnung des Abweichungsgrads von dem Referenzzustand A konfiguriert ist, sind eine unüberwachte Lernmaschine wie ein Auto-Encoder, eine Lernmaschine, die ein Vorhersage-Lernen durchführt, und ein Variations-Auto-Encoder (VAE) umfasst, die unter Verwendung korrespondierender Daten, bei denen der Zustand des Zustandsabschätzungsziels als nahe am Referenzzustand A liegend angesehen werden kann, als Trainingsdaten geschaffen werden.
Der Auto-Encoder ist ein tiefes neuronales Netzwerk, bei dem die Eingabe und die Ausgabe dieselbe Anzahl an Einheiten aufweisen, wobei dieselben Trainingsdaten sowohl für die Eingabe als auch für die Ausgabe verwendet werden und ein Lernen durchgeführt wird, um einen Fehler zwischen der Eingabe und der Ausgabe zu minimieren. Daher wird für Daten, die in den Trainingsdaten enthalten sind und in einem Fall ermittelt werden, in dem der Zustand des Zustandsabschätzungsziels las nahe an dem Referenzzustand A erachtet werden kann, ein Fehler zwischen korrespondierenden Daten der Eingabe und einer Ausgabe, wenn die korrespondierenden Daten in den Auto-Encoder eingegeben werden, als gering berechnet. Wenn sich der Zustand des Zustandsabschätzungsziels zum Zeitpunkt der Ermittlung der Daten vom Referenzzustand A dem Referenzzustand B nähert, wird währenddessen der Fehler zwischen den korrespondierenden Daten der Eingabe und der Ausgabe, wenn die korrespondierenden Dante in den Auto-Encoder eingegeben werden, als graduell ansteigend berechnet. Somit kann der Fehler als der Abweichungsgrad von dem Referenzzustand A berechnet werden.
Die Lernmaschine, die ein Vorhersage-Lernen durchführt, verwendet das tiefe neuronale Netzwerk, das ein Lernen durchführt, so dass Daten, die zeitlich vor den Trainingsdaten liegen, als die Eingabe und Daten, die zeitlich nach den Trainingsdaten liegen, als die Ausgabe verwendet werden. Für Daten, die in den Trainingsdaten enthalten sind, bei denen der Zustand des Zustandsabschätzungsziels als nahe an dem Referenzzustand A erachtet werden kann, wird ein Fehler zwischen der Ausgabe, wenn die zeitlich früheren Daten der korrespondierenden Daten eingegeben werden, und den zeitlich späteren Daten der korrespondierenden Daten als gering berechnet. Wenn sich der Zustand des Zustandsabschätzungsziels zum Zeitpunkt der Ermittlung der Daten vom Referenzzustand A dem Referenzzustand B nähert, wird währenddessen der Fehler zwischen der Ausgabe, wenn die zeitlich früheren Daten der korrespondierenden Daten in die Lernmaschine, die ein Vorhersage-Lernen durchführt, eingegeben werden, und der Ausgabe, wenn die zeitlich späteren Daten der korrespondierenden Daten eingegeben werden, als graduell ansteigend berechnet. Somit kann der Fehler als der Abweichungsgrad von dem Referenzzustand A berechnet werden.
Der VAE ist eine Form des Auto-Encoders und konfiguriert, um einen Durchschnitt und eine Varianz, insbesondere in der Zwischenlage, zu berechnen. Der VAE zeichnet sich dadurch aus, dass er keine Charakteristiken reproduziert, die nicht in den Trainingsdaten enthalten sind. Für Daten, die in den Trainingsdaten enthalten sind, bei denen der Zustand des Zustandsabschätzungsziels als nahe an dem Referenzzustand A erachtet werden kann, wird ein Fehler zwischen den korrespondierenden Daten der Eingabe und der Ausgabe, wenn die korrespondierenden Daten in den VAE eingegeben werden, als gering berechnet. Wenn sich der Zustand des Zustandsabschätzungsziels zum Zeitpunkt der Ermittlung der Daten vom Referenzzustand A dem Referenzzustand B nähert, wird währenddessen der Fehler zwischen den korrespondierenden Daten der Eingabe und der Ausgabe, wenn die korrespondierenden Daten in den VAE eingegeben werden, als graduell ansteigend berechnet. Somit kann der Fehler als der Abweichungsgrad von dem Referenzzustand A berechnet werden.
Jede der beispielhaften Lernmaschinen hat eine Eigenschaft, bei der das Lernen unter Verwendung der Daten, die als nahe an dem Referenzzustand A betrachtet werden, die Berechnung des Abweichungsgrads von dem Referenzzustand A erlaubt, und kann durch eine Lernmaschine mit ähnlicher Eigenschaft ersetzt werden.
Die Lernmaschine, die konfiguriert ist, um den Abweichungsgrad von dem Referenzzustand A zu berechnen, kann für jedes der Zustandsabschätzungsziele erstellt werden und kann für jede Gruppe von mehreren Zustandsabschätzungszielen erstellt werden. Lediglich eine Lernmaschine, die konfiguriert ist, um den Abweichungsgrad von dem Referenzzustand A zu berechnen, kann für alle Zustandsabschätzungsziele geschaffen werden.
In dem Abweichungsgradberechnungslernmaschinenschaffungsschritt S3 der Ausführungsform 1 wird für ein Lager BR1, das eine Hauptspindel eines Modells MA als eine Werkzeugmaschine stützt, und ein Lager BR2, das eine Hauptspindel eines Modells MB, das eine von dem Modell MA unterschiedliche Schwingungsfähigkeit des nahe dem Lager angebrachten Beschleunigungssensor aufweist, stützt, das Lernen des Auto-Encoders als Abweichungsgradberechnungslernmaschine unter Verwendung der korrespondierenden Daten, die zu einem Zeitpunkt, der als nahe dem Zustand unmittelbar nach Beginn der Nutzung (Referenzzustand A) betrachtet wird, als die Trainingsdaten durchgeführt.
In einem Abweichungsgradberechnungsschritt S4 als dem nächsten Schritt werden jeweils eine Vielzahl der korrespondierenden Daten, die von dem Zustand unmittelbar nach dem Beginn der Nutzung des Lagers BR1 und des Lagers BR2 (Referenzzustand A) bis zum Zustand, bei dem der Ersatz durch ein neues aufgrund der Verschlechterung erforderlich ist, (Referenzzustand B) ermittelt werden, in den Auto-Encoder, der bereits gelernt hat, der in dem Abweichungsgradberechnungslernmaschinenschaffungsschritt S3 geschaffen wird, eingegeben, und die korrespondierende Ausgabe für jede der korrespondierenden Daten der Eingabe wird berechnet. Darüber hinaus wird basierend auf den korrespondierenden Daten der Eingabe und der berechneten Ausgabe der korrespondierenden Daten der Fehler zwischen der Ausgabe, die berechnet wird, wenn jede der korrespondierenden Daten in den Auto-Encoder eingegeben wird, und den korrespondierenden Daten der Eingabe als der Abweichungsgrad von dem Referenzzustand A berechnet. In der Ausführungsform 1 wird als der Abweichungsgrad von dem Referenzzustand A ein Durchschnitt der absoluten Werte der Fehler zwischen der Ausgabe, wenn die korrespondierenden Daten in den Auto-Encoder eingegeben werden, und den korrespondierenden Daten der Eingabe verwendet.
In einer anderen Ausführungsform kann beispielsweise ein Durchschnitt der Quadrate der Differenzen zwischen der Ausgabe, wenn eine der korrespondierenden Daten in den Auto-Encoder eingegeben wird, und der Eingabe der korrespondierenden Daten der Eingabe als der Abweichungsgrad von dem Referenzzustand A verwendet werden. Dementsprechend kann ein Durchschnitt der absoluten Werte als der Abweichungsgrad von dem Referenzzustand A durch einen anderen Wert ersetzt werden, der als der Fehler zwischen der Eingabe und der Ausgabe des Auto-Encoders der Fehler zwischen der Eingabe und der Ausgabe angesehen werden kann, der basierend auf der Ausgabe, wenn eine der korrespondierenden Daten in den Auto-Encoder eingegeben wird, und den korrespondierenden Daten der Eingabe bestimmt wird.
In dem Abweichungsgradberechnungsschritt S4 wird jede der mehreren korrespondierenden Daten, die von dem Zustand unmittelbar nach dem Beginn der Nutzung des Lagers BR1 und des Lagers BR2 (Referenzzustand A) bis zum Zustand, bei dem der Ersatz durch ein neues aufgrund der Verschlechterung erforderlich ist, (Referenzzustand B) ermittelt werden, in den Auto-Encoder eingegeben, der bereits ein Lernen in dem Abweichungsgradberechnungslernmaschinenschaffungsschritt S3 durchgeführt hat, wodurch der Abweichungsgrad von dem Referenzzustand A berechnet wird. 3 veranschaulicht die berechneten Abweichungsgrade von dem Referenzzustand A der Lager BR1 und BR2.
Die Zustandsänderungen der Lager BR1 und BR2 sind entweder verschlechtert oder nicht verändert, und der Zustand der Verschlechterung kehrt nicht in einen Zustand ohne Verschlechterung zurück. Das heißt, die Zustände der Lager BR1 und BR2 sind als sich in eine Richtung von dem Referenzzustand A zum Referenzzustand B verändernd anzunehmen. Wenn der Abweichungsgrad von dem Referenzzustand A, der in dem Abweichungsgradberechnungsschritt S4 ermittelt wird, nicht als ein monoton ansteigender, wie in 4 veranschaulicht, berechnet wird, wird angenommen, dass ein Einfluss eines Phänomens, das nicht mit der Verschlechterung der Zustände der Lager BR1 und BR2 in Beziehung steht, beispielsweise eine Messabweichung, beinhaltet ist. Wenn angenommen wird, dass eine nicht mit der Verschlechterung der Zustände der Lager BR1 und BR2 in Beziehung stehende Komponente im Abweichungsgrad von dem Referenzzustand A beinhaltet ist, wird in einem Zustand, in dem die Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, ein gleitender Mittelwertsfilter, ein Tiefpassfilter oder dergleichen auf die Abweichungsgrade von dem Referenzzustand A angewendet, um sie in geglättete Abweichungsgrade von dem Referenzzustand A zu konvertieren, was ein Entfernen der Komponente, die nicht mit der Verschlechterung der Zustände der Lager BR1 und BR2 in Beziehung steht, erlaubt. Wenn eine Filterbearbeitung des Abweichungsgrads von dem Referenzzustand A durchgeführt wird, wird der geglättete Abweichungsgrad von dem Referenzzustand A anstelle des Abweichungsgrads von dem Referenzzustand A in den folgenden Schritten verwendet.
Folglich wird in dem Abweichungsgradberechnungsschritt S4 der Abweichungsgrad von dem Referenzzustand A oder der geglättete Abweichungsgrad von dem Referenzzustand A berechnet.
In einem anschließend ausgeführten Normierungsabbildungsbestimmungsschritt S5 wird eine Abbildung (Normierungsabbildung) bestimmt. Die Abbildung (Normierungsabbildung) wird zum Abbilden der Abweichungsgrade von dem Referenzzustand A der entsprechenden mehreren korrespondierenden Daten, die in dem Abweichungsgradberechnungsschritt S4 berechnet und von den Zuständen der Lager BR1 und BR2 ermittelt werden, oder der geglätteten Abweichungsgrade von dem Referenzzustand A der entsprechenden mehreren korrespondierenden Daten, die in dem Abweichungsgradberechnungsschritt S4 berechnet und von den Zuständen der Lager BR1 und BR2 ermittelt werden, als die normierten Abweichungsgrade bei einer Darstellung in einem Berechnungsschritt eines normierten Abweichungsgrads S6 verwendet. In der folgenden Beschreibung der Ausführungsform 1 werden für ein einfaches Verständnis der Abweichungsgrad von dem Referenzzustand A und der geglättete Abweichungsgrad von dem Referenzzustand A kollektiv als der Abweichungsgrad von dem Referenzzustand A bezeichnet. Allerdings, wie vorstehend beschrieben, wird in den nachfolgend beschriebenen Schritten, wenn der Abweichungsgrad von dem Referenzzustand A ohne die Filterbearbeitung verwendet wird, lediglich der Abweichungsgrad von dem Referenzzustand A ohne die Filterbearbeitung verwendet, und wenn der geglättete Abweichungsgrad von dem Referenzzustand A verwendet wird, wird nur der geglättete Abweichungsgrad von dem Referenzzustand A verwendet. Daher werden der Abweichungsgrad von dem Referenzzustand A und der geglättete Abweichungsgrad von dem Referenzzustand A nicht zusammen verwendet.
Hier ist anzunehmen, dass der Abweichungsgrad von dem Referenzzustand A in dem Fall des Referenzzustands A ein Abweichungsgrad V_A ist, der Abweichungsgrad von dem Referenzzustand A in dem Fall des Referenzzustands B ein Abweichungsgrad V_B ist, ein bestimmter durch die Lernmaschine auszugebender Wert in dem Fall des Referenzzustands A ein bestimmter Wert W_A ist, ein bestimmter durch die Lernmaschine auszugebender Wert in dem Fall des Referenzzustands B ein bestimmter Wert W_B ist und ein positiver Leistungsindex n ist. Zu dieser Zeit ist eine Abbildung, die alle drei nachfolgenden Eigenschaften erfüllt, als eine Abbildung verwendbar, die die Abweichungsgrade von dem Referenzzustand A (V) der entsprechenden mehreren korrespondierenden Daten auf den normierten Abweichungsgrad W abbildet. Die erste Eigenschaft ist, dass die Abbildung den Abweichungsgrad V_A auf den bestimmten Wert W_A abbilden kann. Die zweite Eigenschaft ist, dass die Abbildung den Abweichungsgrad V_B auf den bestimmten Wert W_B abbilden kann. Die dritte Eigenschaft ist, dass die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem Abweichungsgrad V_A und dem Abweichungsgrad V_B ist. Als eine die drei Eigenschaften erfüllende Abbildung wird eine wie gemäß Gleichung 1 unten in Betracht gezogen.
Es ist anzumerken, dass, nicht beschränkt auf die Lager, bei Bestimmen einer Abbildung für jedes der gewünschten Zustandsabschätzungsziele durch Festlegen des bestimmten Werts W_A und des bestimmten Werts W_B auf denselben Wert für alle der Zustandsabschätzungsziele die überwachte Lernmaschine, die mit den durch das Kennzeichnungsverfahren der Offenbarung erstellten Trainingsdaten gelernt hat, die normierte Funktion umfassen kann. Die normierte Funktion bedeutet hier eine Funktion, die die Ausgabe der überwachten Lernmaschine in einen üblichen Bereich zwischen dem bestimmten Wert W_A und dem bestimmten Wert W_B bringt, ohne vom Zustandsabschätzungsziel abhängig zu sein, wenn sich das Zustandsabschätzungsziel in einem Zustand in einem Bereich zwischen dem Referenzzustand A und dem Referenzzustand B befindet.
Wenn V_A < V_B, W_A < W_B und n = 1 erfüllt sind, ist Gleichung 1 eine monoton ansteigende Abbildung in einem engeren Sinne. Da die entsprechenden Werte der Lager BR1 und BR2 für den Abweichungsgrad V_A und den Abweichungsgrad V_B verwendet werden, werden die Abbildungen für die entsprechenden Lager BR1 und BR2 bestimmt. Allerdings sind die bestimmten Werte W_A und W_B übliche Werte zwischen den Lagern BR1 und BR2. Bei der Verwendung der Abbildungen korrespondierend zu den entsprechenden Lagern BR1 und BR2 werden die Abweichungsgrade V (3) der entsprechenden Lager BR1 und BR2 auf den normierten Abweichungsgraden W (5) der entsprechenden Lager BR1 und BR2 abgebildet. Für die normierten Abweichungsgrade in 5 bei beiden der Lager BR1 und BR2 ist der normierte Abweichungsgrad in dem Fall des Referenzzustands A der bestimmte Wert W_A und der normierte Abweichungsgrad in dem Fall des Referenzzustands B ist der bestimmte Wert W_B.
$W = (W_{B} - W_{B}) {(\frac{V - V_{A}}{V_{B} - V_{A}})}^{n} + W_{A} (n > 0)$
Jegliche gegebene Abbildung, die die vorstehend beschriebenen drei Eigenschaften erfüllt, wie beispielsweise Gleichung 2 unten, in der Gleichung 1 durch jeglichen gegebenen Anteil addiert wird, kann als eine Abbildung zum Abbilden der Abweichungsgrads von dem Referenzzustand A (V) auf den normierten Abweichungsgrad W verwendet werden.
$\begin{array}{l} W = 0.2 [(W_{B} - W_{B}) {(\frac{V - V_{A}}{V_{B} - V_{B}})}^{0.1} + W_{A}] + 0.3 [(W_{B} - W_{B}) {(\frac{V - V_{A}}{V_{B} - V_{A}})}^{1} + W_{A}] \\ + 0.5 [(W_{B} - W_{B}) {(\frac{V - V_{A}}{V_{B} - V_{A}})}^{3} + W_{A}] \end{array}$
Bei einer Abbildung, die ohne Verwendung der Gleichung 1 oder Gleichung 2 erstellt wird (im Folgenden als „Abbildungskandidat“ bezeichnet), kann die Abbildung, wenn bestätigt wird, dass sie alle der drei Eigenschaften erfüllt, als eine Abbildung in dem Normierungsabbildungsbestimmungsschritt S5 zum Abbilden des Abweichungsgrads von dem Referenzzustand A (V) auf den normierten Abweichungsgrad W verwendet werden. Das Folgende beschreibt ein Verfahren zur Bestätigung, ob ein Abbildungskandidat die drei Eigenschaften erfüllt oder nicht.
Zur Bestätigung, dass der Abbildungskandidat die erste Eigenschaft erfüllt, ist es lediglich erforderlich, zu bestätigen, ob ein Wert, wenn eine Abbildung des Abweichungsgrads V_A durch den Abbildungskandidaten ermittelt wird, dem durch die überwachte Lernmaschine auszugebenden bestimmten Wert W_A in dem Referenzzustand A entspricht oder nicht. Alternativ ist es lediglich erforderlich, zu bestätigen, dass ein Wert, wenn eine Abbildung des Abweichungsgrads V_A durch den Abbildungskandidaten ermittelt wird, innerhalb eines Bereichs eines vorbestimmten Fehlers relativ zu dem bestimmten Wert W_A ist.
Zur Bestätigung, dass der Abbildungskandidat die zweite Eigenschaft erfüllt, ist es lediglich erforderlich, zu bestätigen, ob ein Wert, wenn eine Abbildung des Abweichungsgrads V_B durch den Abbildungskandidaten ermittelt wird, dem bestimmten Wert W_B entspricht oder nicht. Alternativ ist es lediglich erforderlich, zu bestätigen, dass ein Wert, wenn eine Abbildung des Abweichungsgrads V_B durch den Abbildungskandidaten ermittelt wird, innerhalb eines Bereichs eines vorbestimmten Fehlers relativ zu dem bestimmten Wert W_B ist.
Zur Bestätigung, dass der Abbildungskandidat die dritte Eigenschaft erfüllt, ist es lediglich erforderlich, zu bestätigen, dass, wenn der Abbildungskandidat eine differenzierbare Funktion ist, der Differenzierungswert erster Ordnung der Funktion konstant 0 oder mehr, oder konstant 0 oder weniger in einem Abschnitt zwischen dem Abweichungsgrad V_A und dem Abweichungsgrad V_B ist. In Abhängigkeit von einem Ziel der Zustandsabschätzung, wenn der Wert, der den Abweichungsgrad von dem Referenzzustand A durch den Abbildungskandidaten abbildet, in einem Teil des Abschnitts des Abweichungsgrads von dem Referenzzustand A konstant sein darf, ist es lediglich erforderlich, zu bestätigen, ob der Abbildungskandidat ein monotones Ansteigen in einem weiten Sinne oder ein monotones Abnehmen in einem weiten Sinne ist, einschließlich der Tatsache, dass der Differenzierungswert erster Ordnung des Abbildungskandidaten 0 annimmt, oder nicht. Wenn der Wert, der den Abweichungszustand in dem Referenzzustand A durch den Abbildungskandidaten abbildet, in einem Teil des Abschnitts des Abweichungsgrads von dem Referenzzustand A konstant nicht sein darf, ist es lediglich erforderlich, zu bestätigen, ob der Abbildungskandidat ein monotones Ansteigen in einem engen Sinne oder ein monotones Abnehmen in einem engen Sinne ist, einschließlich der Tatsache, dass der Differenzierungswert erster Ordnung des Abbildungskandidaten 0 annimmt, oder nicht.
Wenn der Abbildungskandidat keine differenzierbare Funktion ist, ist es währenddessen erforderlich, eine Bestätigung wie folgt vorzunehmen. Der Abweichungsgrad von dem Referenzzustand A (V) ändert sich graduell zwischen dem Abweichungsgrad V_A und dem Abweichungsgrad V_B, beispielsweise um 1/10000 des Abschnitts zwischen dem Abweichungsgrad V_A und dem Abweichungsgrad V_B. Werte der entsprechenden Abbildungen des veränderten Abweichungsgrads von dem Referenzzustand A (V) werden durch den Abbildungskandidaten berechnet. Anschließend wird bestätigt, dass der Wert der Abbildung vor und nach Änderung des Abweichungsgrads von dem Referenzzustand A (V) konstant ansteigt oder konstant abnimmt. Wenn es erlaubt ist, dass sich der Wert der Abbildung nicht verändert, ist es lediglich erforderlich, zu bestätigen, ob er niemals ansteigt oder niemals abnimmt.
Wie vorstehend beschrieben wird in dem Normierungsabbildungsbestimmungsschritt S5 die Abbildung zum Abbilden des Abweichungsgrads von dem Referenzzustand A (V) auf den normierten Abweichungsgrad W für jedes Zustandsabschätzungsziel bestimmt.
Anschließend wird in dem Berechnungsschritt eines normierten Abweichungsgrads S6 der Abweichungsgrad von dem Referenzzustand A (V) auf den normierten Abweichungsgrad W unter Verwendung der Abbildung zum Abbilden des Abweichungsgrads von dem Referenzzustand A (V) auf den normierten Abweichungsgrad W, der in dem Normierungsabbildungsbestimmungsschritt S5 bestimmt wird, abgebildet.
In einem Kennzeichnungsbestimmungsschritt S7 wird dann der normierte Abweichungsgrad W, der mit den korrespondierenden Daten, die in demselben Zustand, in dem das Zustandsabschätzungsziel zu der Eingabe der Trainingsdaten korrespondiert, ermittelt werden, berechnet wird, als die Ausgabe der Trainingsdaten korrespondierend zur Eingabe der Trainingsdaten der überwachten Lernmaschine bestimmt.
Im Anschluss wird ein Erstellungsschritt der überwachten Lernmaschine S8 zum Durchführen des Lernens der überwachten Lernmaschine mit den Trainingsdaten, bei denen die Eingabe der Trainingsdaten mit dem normierten Abweichungsgrad W als die Ausgabe der Trainingsdaten kombiniert ist, ausgeführt.
Da hier die überwachte Lernmaschine verwendet wird, ist es lediglich erforderlich, eine überwachte Lernmaschine einzusetzen, die eine Regression durchführen kann, so dass der normierte Abweichungsgrad W gemäß der Eingabe der Trainingsdaten ausgegeben wird. Als ein Beispiel einer überwachten Lernmaschine, die eine Regression durchführend kann, kann ein tiefes neuronales Netzwerk verwendet werden. Darüber hinaus kann eine überwachte Lernmaschine wie nachfolgend verwendet werden. In der überwachten Lernmaschine wird ein Prozess des Diskretisierens des normierten Abweichungsgrads W, der die Ausgabe der Trainingsdaten korrespondierend zu der Eingabe der Trainingsdaten der überwachten Lernmaschine ist und in dem Kennzeichnungsbestimmungsschritt S8 verwendet wird, durchgeführt, um den diskretisierten normierten Abweichungsgrad zu berechnen, und es wird gelernt, in welche der diskretisierten normierten Abweichungsgrade die Eingabe der Trainingsdaten klassifiziert wird. Als ein Beispiel einer überwachten Lernmaschine, die die Klassifizierung durchführt, kann eine Support Vector Machine verwendet werden.
Zum Beispiel kann eine gelernte überwachte Lernmaschine, die in dem Erstellungsschritt der überwachten Lernmaschine S8 geschaffen wird, zur Abschätzung des Zustands eines Lagers BR3, das die Hauptspindel eines Modells MC mit einer von dem Modell MA und dem Modell MB unterschiedlichen Schwingungsfähigkeit des nahe des Lagers angebrachten Beschleunigungssensors stützt, verwendet werden. Das heißt, eine physikalische Größe, die für ein anderes Zustandsabschätzungsziel während eines aktuellen Betriebs ermittelt wird, oder eine Eingabe, die durch Durchführen einer Signalverarbeitung oder dergleichen an der physikalischen Größe wie erforderlich generiert wird und die gleichen Inhalte wie die der Eingabe der Trainingsdaten der überwachten Lernmaschine aufweist, wird in die gelernte überwachte Lernmaschine eingegeben. Dann kann der Zustand des Lagers BR3 abhängig davon, ob ein Wert des Schlussfolgerungsergebnisses (Ausgabe), das durch die Eingabe ermittelt wird, näher an dem bestimmten Wert W_A oder dem bestimmten Wert W_B ist, bestimmt werden. Die Dateneingabe in die gelernte überwachte Lernmaschine ist die Schwingungsamplitude für jede Frequenz, die durch eine Frequenzanalyse der Schwingung des Beschleunigungssensors ermittelt wird, die Hauptspindelmasse und die Schwingungsfähigkeit für jede Frequenz des nahe des Lagers angebrachten Schwingungssensors, die als die Trainingsdaten in dem Datenerstellungsschritt S2 verwendet werden.
Wie in 6 oder 7 veranschaulicht, kann demzufolge durch Vorsehen von Anzeigeeinheiten, um den bestimmten Wert W_A (0.00), der durch die überwachte Lernmaschine in dem Fall des Referenzzustands A auszugeben ist, und den bestimmten Wert W_B (1.00), der durch die überwachte Lernmaschine in dem Fall des Referenzzustands B auszugeben ist, als numerische Werte oder in einem Graphen anzuzeigen, simultan mit dem Wert des Schlussfolgerungsergebnisses (0.21), die überwachte Lernmaschine als eine Zustandsabschätzungsvorrichtung fungieren. Eine Zustandsabschätzungsvorrichtung kann durch Vorsehen einer verwendbaren überwachten Lernmaschine und einer vorbestimmten Anzeigeeinheit, die simultan den bestimmten Wert W_A, den bestimmten Wert W_B und den Wert des Schlussfolgerungsergebnisses an einer vorbestimmten Vorrichtung anzeigen kann, konfiguriert werden.
Des Weiteren kann die Zustandsabschätzungsvorrichtung eine Benachrichtigungseinheit umfassen, die eine Warnung auf dem Bildschirm anzeigt oder einen Maschinenadministrator oder einen Werkzeugmaschinenanbieter, die eine Reparatur durch Ersetzen des Lagers durchführt, per E-Mail oder dergleichen benachrichtigt, wenn ein Grenzwert überschritten wird. Der Grenzwert kann ein Wert zwischen dem bestimmten Wert W_A und dem bestimmten Wert W_B sein (zum Beispiel 0.2 × W_A + 0.8 × W_B).
Die in 6 und 7 veranschaulichten Werte und der beispielhafte Wert als der Grenzwert sind virtuelle Werte, und die beispielhaften Werte werden nicht tatsächlich berechnet oder eingestellt.
Als Nächstes wird Ausführungsform 2 beschrieben.
Ausführungsform 2 wird anhand eines Bohrers, der für die Bearbeitung von Löchern in einem Bearbeitungszentrum verwendet wird, als einem Zustandsabschätzungsziel, einem Referenzzustand A als ein Zustand unmittelbar nach einem Beginn der Nutzung und einem Referenzzustand B als ein Zustand, bei dem der Ersatz durch einen neuen aufgrund der Verschlechterung erforderlich ist, beschrieben. In diesem Fall bedeuten zwei oder mehr Zustandsabschätzungsziele separate individuelle Bohrer.
Beim Durchführen des Lernens und Schlussfolgerns einer überwachten Lernmaschine muss die Anzahl der Daten, die in die überwachte Lernmaschine eingegeben werden, identisch sein. Wenn eine vorbestimmte Diagnoseoperation durchgeführt wird, um Daten mit den gleichen Längen zur Diagnose des Lagers der Spindel zu erfassen, wie in Ausführungsform 1 beschrieben, können die Daten beispielsweise direkt eingegeben werden, da die Anzahl der Daten die gleiche ist. Allerdings kann eine Bearbeitungszeit zum Bearbeiten der Löcher mit einem Bohrer gemäß den Inhalten der Bearbeitung unterschiedlich sein. Um die Anzahl der Eingabedaten anzugleichen, wird in diesem Fall beispielsweise der Startzeitpunkt eines Ausschnitts schrittweise verschoben, um die Informationen bei einem Betrag einer vorbestimmten Zeitspanne auszuschneiden. Durch Durchführen einer Nachbearbeitung des Bestimmens eines repräsentativen Werts aus einer Vielzahl von Ausgaben (Ausgabegruppe), der durch eine Schlussfolgerung durch eine überwachte Lernmaschine unter Verwendung aller Daten der Ausschnittsdaten (Datengruppe) als Eingaben berechnet wird, kann dann der Zustand für jede Lochbearbeitung angegeben werden. Wenn „Gruppe“ an das Ende eines Nomens angehängt wird, wie beispielsweise „Datengruppe“ oder „Ausgabegruppe“, bezeichnet sie eine Menge als Grundgesamtheit für die Berechnung des repräsentativen Wertes, der den Zustand repräsentiert. Daher ist es beispielsweise zur Diagnose des Lagers der Hauptspindel möglich, in einem kurzen Zeitraum, in dem der Zustand des Lagers als nahezu unverändert angesehen werden kann, nacheinander Vorgänge mit unterschiedlichen Drehgeschwindigkeiten durchzuführen und eine Vielzahl von Daten, darunter verschiedene Arten von Daten, die jeweils als eine Datengruppe erfasst und gespeichert werden, zu behandeln. Für die Nachbearbeitung des Berechnens des repräsentativen Werts aus der Ausgabegruppe kann ein geeignetes Verfahren in Abhängigkeit der Art des Zustandsabschätzungsziels oder des Datenerfassungsverfahrens ausgewählt werden. Wenn die gleichen Messungen wiederholt werden, um den Einfluss der Messabweichung zu reduzieren, kann beispielsweise ein Durchschnittswert der Ausgabegruppe als der repräsentative Wert verwendet werden. In der Anmeldung meint Nachbearbeitung einen Prozess zur Bestimmung der Daten, die den Satz in dem Satz der vorbestimmten Daten repräsentieren, und welche Bearbeitung durchgeführt wird, um die repräsentativen Daten zu bestimmen, kann beliebig festgelegt werden.
Wie bei der Reihe von Arbeitsgängen zur Bearbeitung von Löchern mit dem Bohrer, wenn es einen Nichtbearbeitungsabschnitt vor dem Erreichen eines Werkstücks und einen Bearbeitungsabschnitt gibt, in dem das Werkstück geschnitten wird, da der Bohrer das Werkstück im Nichtbearbeitungsabschnitt nicht berührt, nehmen eine Hauptspindellast und eine Vorschubachsenlast in jedem Zustand vom Referenzzustand A zum Referenzzustand B ähnliche Werte an. Daher sollte die überwachte Lernmaschine lernen, eine Ausgabe ähnlich zu einer Ausgabe in dem Referenzzustand A zu berechnen, selbst in einem Zustand nahe dem Referenzzustand B in dem Nichtbearbeitungsabschnitt. Alternativ muss die überwachte Lernmaschine lernen, für fast dieselbe Eingabe eine andere Ausgabe zu berechnen, wodurch sie nicht mehr in der Lage ist, ein geeignetes Lernen durchzuführen. Wenn der Durchschnittswert der Ausgabegruppe als der repräsentative Wert verwendet wird, wird jedoch beispielsweise, selbst bei Annäherung an den Referenzzustand B, ein Wert ähnlich zu dem Referenzzustand A in einem Fall berechnet, in dem ein Verhältnis des Nichtbearbeitungsabschnitts groß ist. In diesem Fall gewährleistet die Verwendung des größten Werts der Ausgabegruppe als der repräsentative Wert ein Erfassen eines Übergangs des Zustands, ohne von dem Verhältnis zwischen dem Nichtbearbeitungsabschnitt und Bearbeitungsabschnitt abhängig zu sein. Der größte Wert der Ausgabegruppe wird als der repräsentative Wert verwendet, wenn der von der überwachten Lernmaschine auszugebende bestimmte Wert in dem Referenzzustand B größer als der von der überwachten Lernmaschine auszugebende bestimmte Wert in dem Referenzzustand A ist. Währenddessen ist es erforderlich, dass der kleinste Wert der Ausgabegruppe als der repräsentative Wert verwendet wird, wenn der von der überwachten Lernmaschine auszugebende bestimmte Wert in dem Referenzzustand B kleiner als der von der überwachten Lernmaschine auszugebende bestimmte Wert in dem Referenzzustand A ist. In der Ausführungsform 2 wird eine Nachbearbeitung, bei der der größte Ausgabewert der Ausgabegruppe der überwachten Lernmaschine als der repräsentative Wert verwendet wird, als die Nachbearbeitung verwendet.
Es ist anzumerken, dass, selbst in der Lochbearbeitung mit dem Bohrer, ein separates Vorsehen einer weiteren Lernmaschine, die dazu konfiguriert ist, zwischen dem Nichtbearbeitungsabschnitt und dem Bearbeitungsabschnitt zu unterscheiden, gewährleistet, das selektiv nur eine Datengruppe des Bearbeitungsabschnitts abgeleitet wird. Folglich ist es möglich, eine Nachbearbeitung zu verwenden, bei der der Durchschnittswert der Ausgabegruppe als der repräsentative Wert verwendet wird. Außerdem ist es in einer Nachbearbeitung des Berechnens des repräsentativen Werts aus der Ausgabegruppe beispielsweise möglich, den größten Wert durch Bilden eines gleitenden Mittelwerts einer aufeinanderfolgenden Vielzahl von Ausgabegruppen zu ermitteln.
8 ist ein Ablaufdiagramm eines weiteren Verfahrens zum Durchführen der Kennzeichnung. Ausführungsform 2 wird insbesondere basierend auf dem Ablaufdiagramm beschrieben.
In einem Datenerfassungsschritt S101 wird ein Erfassen erforderlicher Daten zur Kennzeichnung von Datensätzen einer überwachten Lernmaschine ausgeführt. In der Ausführungsform 2 wird eine Reihe von Vorgängen, um eine Lochbearbeitung mit einem Bohrer durchzuführen, von unmittelbar nach einem Beginn der Nutzung bis zum Erreichen eines Zustands, bei dem der Ersatz durch einen neuen aufgrund der Verschlechterung erforderlich ist, wiederholt, und ein Hauptspindel-Motorendrehmoment und ein Vorschubachsen-Motorendrehmoment während den Vorgängen werden erfasst und gespeichert.
Anschließend, als ein Datengenerierungsschritt S102, werden eine Eingabe von Trainingsdaten der überwachten Lernmaschine und korrespondierende Daten generiert.
Für das Hauptspindel-Motorendrehmoment und das Vorschubachsen-Motorendrehmoment in der Reihe der Vorgänge, um die Lochbearbeitung mit dem Bohrer durchzuführen, die in dem Datenerfassungsschritt S101 erfasst werden, wird ein Prozess des Ausschneidens von Daten über einen Betrag einer vorbestimmten Länge einer Zeitdauer T2 (zum Beispiel T2 = 0.5 Sekunden) wiederholt, während die Ausschnittsstartzeit lediglich um eine vorbestimmte Zeitdauer T1 (zum Beispiel T1 = 0.01 Sekunden) verschoben wird. Dann werden Eingaben einer Vielzahl von Trainingsdaten zu Zeitpunkten, wenn das Zustandsabschätzungsziel als in dem gleichen Zustand befindlich betrachtet werden kann, generiert. Hier, wenn T1 = 0.01 Sekunden und T2 = 0.5 Sekunden erfüllt sind, werden Daten von 0 Sekunden nach einem Beginn der Bearbeitung bis 0.5 Sekunden nach einen Beginn der Bearbeitung, Daten von 0.01 Sekunden nach dem Beginn der Bearbeitung bis 0.51 Sekunden nach dem Beginn der Bearbeitung, ... ermittelt.
In der Ausführungsform 2 werden Daten gleich den Eingaben der entsprechenden Trainingsdaten als die korrespondierenden Daten verwendet. Wie vorstehend beschrieben müssen die korrespondierenden Daten nicht gleich der Eingabe der Trainingsdaten sein, sofern sie im gleichen Zustand wie die Trainingsdaten erfasst werden. Informationen, bei denen eine Änderung in Abhängigkeit von der Zustandsänderung des Zustandsabschätzungszieles als gering betrachtet werden können, können in jeglichem gegebenen Zustand erfasst und der Eingabe der Trainingsdaten und den korrespondierenden Daten hinzugefügt werden.
Als Nächstes wird ein Abweichungsgradberechnungslernmaschinenschaffungsschritt S103 ausgeführt, um eine Abweichungsgradberechnungslernmaschine zur Berechnung eines Abweichungsgrad von dem Referenzzustand A zu schaffen.
In der Ausführungsform 2 wird in dem Abweichungsgradberechnungslernmaschinenschaffungsschritt S103 für einen Bohrer DR1 und einen Bohrer DR2 mit einem von dem des Bohrers DR1 unterschiedlichen Werkzeugdurchmesser das Lernen des Auto-Encoders unter Verwendung der korrespondierenden Daten, die in dem Zustand unmittelbar nach dem Beginn der Nutzung (Referenzzustand A) erfasst werden, als Trainingsdaten durchgeführt.
In der Ausführungsform 2 wird als der Abweichungsgrad von dem Referenzzustand A ein Durchschnitt der absoluten Werte der Differenzen zwischen der Ausgabe, bei der die korrespondierenden Daten in den Auto-Encoder eingegeben werden, und den korrespondierende Daten der Eingabe verwendet. Dementsprechend wird der Auto-Encoder in dem Abweichungsgradberechnungslernmaschinenberechnungsschritt S103 dazu veranlasst, ein Lernen durchzuführen, um einen Durchschnitt der absoluten Werte der Differenzen zwischen der Ausgabe der Trainingsdaten korrespondierend zu der Eingabe der Trainingsdaten und der Eingabe der Trainingsdaten basierend auf dem Eingabe der Trainingsdaten zu berechnen. In einer anderen Konfiguration können die Abweichungsgrade von dem Referenzzustand A durch andere Werte ersetzt werden, die basierend auf den Fehlern zwischen der Eingabe und der Ausgabe des Auto-Encoders bestimmt werden, wie beispielsweise einem Durchschnitt der Quadrate der Differenzen zwischen der Ausgabe, bei der bestimmte korrespondierende Daten in den Auto-Encoder eingegeben werden, und der Eingabe korrespondierender Daten.
In einem Abweichungsgradberechnungsschritt S104 werden mehrere der korrespondierenden Daten von dem Zustand unmittelbar nach dem Beginn der Nutzung der Bohrer DR1 und DR2 (Referenzzustand A) bis zu dem Zustand, in dem der Ersatz durch einen neuen aufgrund der Verschlechterung erforderlich ist, (Referenzzustand B) ermittelt. Dann werden die mehreren korrespondierenden Daten jeweils in den Auto-Encoder eingegeben, der in dem Abweichungsgradberechnungslernmaschinenschaffungsschritt S103 gelernt hat, wodurch der Abweichungsgrad von dem Referenzzustand A berechnet wird. Zu dieser Zeit basieren die berechneten Abweichungsgrade von dem Referenzzustand A der mehreren korrespondierenden Daten auf den entsprechenden korrespondierenden Daten, die jeweils zu einer von mehreren korrespondierenden Datengruppen gehören. Die mehreren korrespondierenden Datengruppen umfassen jeweils zumindest eine erste korrespondierenden Datengruppe und eine zweite korrespondierende Datengruppe. Die erste korrespondierende Datengruppe umfasst mehrere der korrespondierenden Daten, wenn sich die Bohrer DR1 und DR2 in dem Referenzzustand A befinden. Die zweite korrespondierende Datengruppe umfasst mehrere der korrespondierenden Daten, wenn sich die Bohrer DR1 und DR2 in dem Referenzzustand B befinden. Für mehrere Abweichungsgrade von dem Referenzzustand A, die durch Eingeben jeder der mehreren korrespondierenden Daten, die zu einer korrespondierenden Datengruppe gehören, berechnet werden, werden sie kollektiv als „Gruppe der Abweichungsgrade von dem Referenzzustand A“ bezeichnet.
In einem Berechnungsschritt eines repräsentativen Abweichungsgrads S105 wird ein Prozess gleich der Nachbearbeitung der Ausgabegruppe der überwachten Lernmaschine auf die Gruppe der Abweichungsgrade von dem Referenzzustand A angewendet, die in dem Abweichungsgradberechnungsschritt S104 berechnet wird, wodurch ein repräsentativer Abweichungsgrad von dem Referenzzustand A berechnet wird.
Ein Prozess des Bestimmens eines größten Abweichungsgrads von dem Referenzzustand A in der Gruppe der Abweichungsgrade von dem Referenzzustand A als der repräsentative Abweichungsgrad von dem Referenzzustand A wird für jede der Gruppen der Abweichungsgrade von dem Referenzzustand A durchgeführt, die aus den jeweiligen mehreren korrespondierenden Datengruppen berechnet werden, wodurch der repräsentativer Abweichungsgrad von dem Referenzzustand A für jede der mehreren korrespondierenden Datengruppen berechnet wird.
Die Zustände der Bohrer DR1 und DR2 sind entweder verschlechtert oder unverändert, und der Verschlechterungszustand kehrt nicht zu einem Zustand ohne Verschlechterung zurück. Das heißt, die Zustände der Bohrer DR1 und DR2 sind als sich in eine Richtung von dem Referenzzustand A zum Referenzzustand B verändernd anzunehmen. Wenn der repräsentative Abweichungsgrad von dem Referenzzustand A, der in dem Berechnungsschritt eines repräsentativen Abweichungsgrads S105 ermittelt wird, nicht ein monoton ansteigender ist, wird daher angenommen, dass ein Einfluss eines Phänomens, das nicht mit der Verschlechterung der Zustände der Bohrer DR1 und DR2 in Beziehung steht, beispielsweise eine Messabweichung, beinhaltet ist. Wenn angenommen wird, dass eine nicht mit der Verschlechterung der Zustände der Bohrer DR1 und DR2 in Beziehung stehende Komponente beinhaltet ist, wird in einem Zustand, in dem die repräsentativen Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, ein gleitender Mittelwertsfilter, ein Tiefpassfilter oder dergleichen auf den repräsentativen Abweichungsgrad von dem Referenzzustand A angewendet, um ihn in einen geglätteten Abweichungsgrad von dem Referenzzustand A zu konvertieren, was ein Entfernen der Komponente, die nicht mit der Verschlechterung der Zustände der Bohrer DR1 und DR2 in Beziehung steht, erlaubt. Wenn eine Filterbearbeitung des repräsentativen Abweichungsgrads von dem Referenzzustand A durchgeführt wird, wird der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A anstelle des repräsentativen Abweichungsgrads von dem Referenzzustand A in den folgenden Schritten verwendet.
Folglich wird in dem Berechnungsschritt eines repräsentativen Abweichungsgrads S105 der repräsentative Abweichungsgrad von dem Referenzzustand A oder der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A berechnet.
In einem anschließend ausgeführten Normierungsabbildungsbestimmungsschritt S106 wird eine Abbildung (Normierungsabbildung) bestimmt. Die Abbildung (Normierungsabbildung) wird zum Abbilden der repräsentativen Abweichungsgrade von dem Referenzzustand A oder der geglätteten repräsentativen Abweichungsgrade von dem Referenzzustand A der entsprechenden mehreren korrespondierenden Daten, die in dem Berechnungsschritt eines repräsentativen Abweichungsgrads S105 berechnet und von den Zuständen der Bohrer DR1 und DR2 ermittelt werden, als ein normierter repräsentativer Abweichungsgrad bei einer Darstellung in einem Berechnungsschritt eines normierten repräsentativen Abweichungsgrads S107 verwendet. In der folgenden Beschreibung der Ausführungsform 2 werden für ein einfaches Verständnis der repräsentative Abweichungsgrad von dem Referenzzustand A und der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A kollektiv als der repräsentative Abweichungsgrad von dem Referenzzustand A bezeichnet. Allerdings, wie vorstehend beschrieben, wird in den nachfolgend beschriebenen Schritten, wenn der repräsentative Abweichungsgrad von dem Referenzzustand A ohne die Filterbearbeitung verwendet wird, lediglich der repräsentative Abweichungsgrad von dem Referenzzustand A ohne die Filterbearbeitung verwendet, und wenn der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A verwendet wird, wird nur der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A verwendet. Daher werden der repräsentative Abweichungsgrad von dem Referenzzustand A und der geglättete repräsentative Abweichungsgrad von dem Referenzzustand A nicht zusammen verwendet.
Hier ist anzunehmen, dass der repräsentative Abweichungsgrad von dem Referenzzustand A in dem Fall des Referenzzustands A ein repräsentativer Abweichungsgrad V_A* ist, der repräsentative Abweichungsgrad von dem Referenzzustand A in dem Fall des Referenzzustands B ein repräsentativer Abweichungsgrad V_B* ist, ein bestimmter Wert, der durch den repräsentativen Wert zu übernehmen ist, in dem Fall des Referenzzustands A ein bestimmter Wert W_A* ist und ein bestimmter Wert, der durch den repräsentativen Wert zu übernehmen ist, in dem Fall des Referenzzustands B ein bestimmter Wert W_B* ist. Zu dieser Zeit ist eine Abbildung, die alle drei nachfolgenden Eigenschaften erfüllt, als eine Abbildung verwendbar, die repräsentative Abweichungsgrade V* von dem Referenzzustand A der entsprechenden mehreren korrespondierenden Datengruppen auf den normierten repräsentativen Abweichungsgrad W* abbildet. Die erste Eigenschaft ist, dass die Abbildung den repräsentativen Abweichungsgrad V_A* auf den bestimmten Wert W_A* abbilden kann. Die zweite Eigenschaft ist, dass die Abbildung den repräsentativen Abweichungsgrad V_B* auf den bestimmten Wert W_B* abbilden kann. Die dritte Eigenschaft ist, dass die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem repräsentativen Abweichungsgrad V_A* und dem repräsentativen Abweichungsgrad V_B* ist. Eine die drei Eigenschaften erfüllende Abbildung wird als eine Abbildung zum Abbilden des repräsentativen Abweichungsgrads V* von dem Referenzzustand A auf den normierten repräsentativen Abweichungsgrad W* bestimmt.
Anschließend wird der repräsentative Abweichungsgrad V* von dem Referenzzustand A unter Verwendung der Abbildung zum Abbilden des repräsentativen Abweichungsgrads V* von dem Referenzzustand A auf den normierten repräsentativen Abweichungsgrad W* auf den normierten repräsentativen Abweichungsgrad W* abgebildet.
Des Weiteren wird in einem Berechnungsschritt eines normierten individuellen Abweichungsgrads S108 ein invers zu der Nachbearbeitung wirkender Prozess für den normierten repräsentativen Abweichungsgrad V* und eine Gruppe von Abweichungsgraden GP von dem Referenzzustand A korrespondierend zu dem normierten repräsentativen Abweichungsgrad V* durchgeführt, wodurch ein normierter individueller Abweichungsgrad U* berechnet wird.
Da die Nachbearbeitung ein vorbestimmter Prozess zur Bestimmung von Daten als ein Repräsentant eines Satzes vorbestimmter Daten aus dem Satz vorbestimmter Daten ist, meint hier der invers zur Nachbearbeitung wirkende Prozess einen vorbestimmten Prozess zur Ableitung des Satzes vorbestimmter Daten mit den Daten als die repräsentativen Daten. Folglich ist es lediglich erforderlich, dass der invers zur Nachbearbeitung wirkende Prozess, der in dem Berechnungsschritt eines normierten individuellen Abweichungsgrads S108 in Ausführungsform 2 ausgeführt wird, ein Prozess ist, bei dem der normierte repräsentative Abweichungsgrad W* durch Durchführen der Nachbearbeitung des normierten individuellen Abweichungsgrads U*, der durch den invers zur Nachbearbeitung wirkenden Prozess berechnet wird, ermittelt wird. In der Ausführungsform 2 werden die nachfolgende Gleichung 3 und Gleichung 4 als eine geeignete Funktion, die für den invers zur Nachbearbeitung wirkenden Prozess verwendet wird, in Betracht gezogen.
Bei der Bearbeitung eines bestimmten Lochs unter Verwendung des Bohrers DR1 oder DR2 ist anzunehmen, dass der normierte repräsentative Abweichungsgrad W* die Gruppe der Abweichungsgrade GP von dem Referenzzustand A = {Abweichungsgrad U₁ von dem Referenzzustand A, Abweichungsgrad U₂ von dem Referenzzustand A, ..., Abweichungsgrad U_M von dem Referenzzustand A}, die normierte individuelle Gruppe der Abweichungsgrade GP* = {normierter individueller Abweichungsgrad U₁*, normierter individueller Abweichungsgrad U₂*, ..., normierter individueller Abweichungsgrad U_M*} (tiefgestellte Indizes von U und U* geben die Reihenfolge des Ausschnittsabschnitts an). Durch Anwenden der Funktion, wie beispielsweise Gleichung 3 oder 4, darauf kann der normierte individuelle Abweichungsgrad U_k* des k-ten Ausschnittsabschnitts des bestimmten Lochs berechnet werden. Das heißt, U_k*, berechnet durch Gleichung 3 oder Gleichung 4, übernimmt den normierten repräsentativen Abweichungsgrad W* durch die Nachbearbeitung, der den Größten in der normierten individuellen Gruppe der Abweichungsgrade GP* korrespondierend zu der Bearbeitung des bestimmten Lochs annimmt.
Es ist anzumerken, dass in einer anderen Konfiguration, wenn die Nachbearbeitung einen Durchschnitt nimmt, Funktionen, wie beispielsweise Gleichung 5 oder Gleichung 6 unten verwendet werden können.
$U_{k} * = W \frac{U_{k}}{m a x (U_{1}, U_{2}, \dots, U_{M})}$
$U_{k} * = W \frac{U_{k} - m i n (U_{1}, U_{2}, \dots, U_{M})}{m a x (U_{1}, U_{2}, \dots, U_{M}) - m i n (U_{1}, U_{2}, \dots U_{M})}$
$U_{k} * = W \frac{U_{k}}{a v e (U_{1}, U_{2}, \dots, U_{M})}$
$U_{k} * = W \frac{U_{k} - m i n (U_{1}, U_{2}, \dots, U_{M})}{a v e (U_{1}, U_{2}, \dots, U_{M}) - m i n (U_{1}, U_{2}, \dots U_{M})}$
Anschließend wird in einem Kennzeichnungsbestimmungsschritt S109 als eine Ausgabe der Trainingsdaten korrespondierend zu einer Eingabe der Trainingsdaten der überwachten Lernmaschine in einem k-ten Ausschnittsabschnitt eines bestimmten Lochs ein normierter individueller Abweichungsgrad U_k* in dem k-ten Ausschnittsabschnitt des bestimmten Lochs verwendet.
Für die Schaffung der überwachten Lernmaschine, ähnlich zur Ausführungsform 1, ist es lediglich erforderlich, ein tiefes neurales Netzwerk, eine Support Vector Machine oder dergleichen zu verwenden, die eine Regression durchführen können, so dass der normierte individuelle Abweichungsgrad U_k* gemäß der Eingabe der Trainingsdaten ausgegeben wird, und sie zu veranlassen, die Kombination der Eingabe der Trainingsdaten und der Ausgabe der Trainingsdaten (normierter individueller Abweichungsgrad U_k*) als die Trainingsdaten zu lernen.
Somit kann die Ausgabe der Trainingsdaten, die durch die Kennzeichnungsverfahren der vorstehend beschriebenen Ausführungsformen 1 und 2 bestimmt werden, eine normierte Funktion angeben, die einen üblichen Wert ungeachtet des Zustandsabschätzungsziels in dem Referenzzustand A und dem Referenzzustand B an die überwachte Lernmaschine ausgibt, die unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfassen, gelernt hat, oder die überwachte Lernmaschine mit der Nachbearbeitungsfunktion hat unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfassen, gelernt.
Da die Ausgabe der Trainingsdaten, die durch die Verfahren bestimmt wird, einen Zeitpunkt eines Übergangs des Abweichungsgrads von dem Referenzzustand A reflektiert, selbst wenn der Zustand des Zustandsabschätzungsziels ein Zwischenzustand zwischen dem Referenzzustand A und dem Referenzzustand B ist, kann sie eine Zustandsabschätzungsfähigkeit konformer zu dem aktuellen Zustand an die überwachte Lernmaschine geben, die unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfasst, gelernt hat, oder die überwachte Lernmaschine mit der Nachbearbeitungsfunktion hat unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfassen, gelernt. Das heißt, eine Kennzeichnung eines Datensatzes kann konformer zu dem aktuellen Zustand bei geringen Kosten durchgeführt werden, selbst in einem Zwischenzustand der zwei Referenzzustände.
Es ist anzumerken, dass es offensichtlich ist, dass die überwachte Lernmaschine, die durch die Trainingsdaten, die durch die Offenbarung gekennzeichnet sind, gelernt hat, innerhalb eines Umfangs der Offenbarung ist. Allerdings nutzt auch ein Verfahren zur Durchführung eines Lernens einer anderen überwachten Lernmaschine mit der ursprünglichen Ausgabe der überwachten Lernmaschine oder einer geeignet bearbeiteten Ausgabe als eine Ausgabe der Trainingsdaten in einem Prozess des Erstellens der anderen überwachten Lernmaschine die Offenbarung, und das Verfahren ist innerhalb des Umfangs der Offenbarung. Selbst wenn der Prozess eine finite Anzahl an Malen wiederholt wird, wird die Offenbarung in dem Prozess verwendet und ist somit innerhalb des Umfangs der Offenbarung.
Jeder Schritt kann auf einer Vielzahl von Rechnern oder auf nur einem Rechner durchgeführt werden.
Das Kennzeichnungsverfahren kann mehrere Male durchgeführt werden, wodurch Ausgaben einer Vielzahl von Trainingsdaten korrespondierend zu einer Eingabe der gleichen Trainingsdaten ermittelt werden, und zudem eine, die durch Kombinieren und Berechnen der Ausgaben der mehreren Trainingsdaten mit den vier arithmetischen Operationen, Funktionen oder dergleichen ermittelt wird, als die Kennzeichnung verwenden. Zum Beispiel ist es möglich, eine Ausgabe der Trainingsdaten, die unter der Annahme, dass der Referenzzustand A ein Zustand unmittelbar nach einem Beginn der Nutzung ist und der Referenzzustand B ein Zustand ist, bei dem der Ersatz durch ein neues aufgrund der Verschlechterung erforderlich ist, berechnet werden, zu berechnen. Es ist auch möglich, eine Ausgabe der Trainingsdaten unter der Annahme, dass der Referenzzustand A ein Zustand ist, bei dem der Ersatz durch ein neues aufgrund der Verschlechterung erforderlich ist, und der Referenzzustand B ein Zustand unmittelbar nach einem Beginn der Nutzung ist, zu berechnen. Daher ist es möglich, eine Differenz zwischen den Ausgabe der Trainingsdaten als die Ausgabe der Trainingsdaten der überwachten Lernmaschine zu nutzen.
In den Ausführungsformen 1 und 2 wurde in den Abweichungsgradberechnungsschritt ein Beispiel einer direkten Verwendung des Abweichungsgrads von dem Referenzzustand A, der durch die Lernmaschine, die den Abweichungsgrad von dem Referenzzustand A berechnet, berechnet wird, beschrieben. Allerdings ist es auch möglich, zusätzlich eine Lernmaschine zu erstellen, die den Abweichungszustand von dem Referenzzustand B berechnet, und die Differenz zwischen dem Abweichungsgrad von dem Referenzzustand A, der durch die Lernmaschine, die den Abweichungsgrad von dem Referenzzustand A berechnet, berechnet wird, und dem Abweichungsgrad von dem Referenzzustand B, der durch die Lernmaschine, die den Abweichungsgrad von dem Referenzzustand B berechnet, berechnet wird, als den Abweichungsgrad von dem Referenzzustand A zu betrachten. Wenn der Abweichungsgrad von dem Referenzzustand A als ein Ergebnis ermittelt werden kann, ist es somit möglich, mehrere der Lernmaschinen zu nutzen und die entsprechenden Ausgaben kombiniert mit den vier arithmetischen Operationen, Funktionen und dergleichen als den Abweichungsgrad von dem Referenzzustand A zu verwenden.
In Ausführungsform 1 und 2 wurden zwar die Ausführungsformen beschrieben, in denen die Daten von zwei Zustandsabschätzungszielen gelernt werden, doch können die Daten einer beliebigen Anzahl von Zustandsabschätzungszielen gelernt werden, sofern zwei oder mehr Zustandsabschätzungsziele gelernt werden.
Es ist nicht erforderlich, alle Ausgaben der Trainingsdaten zu verwenden, die gemäß des Kennzeichnungsverfahrens bestimmt werden. Wenn beispielsweise der Bohrer DR1 1000 Löcher bearbeiten kann, bevor er ersetzt werden muss, und der Bohrer DR2 2000 Löcher bearbeiten kann, bevor er ersetzt werden muss, wird ein Anteil des Bohrers DR2 größer werden. Daher ist es für die Trainingsdaten des Bohrers 2 (die Eingabe der Trainingsdaten und die Ausgabe der Trainingsdaten) möglich, durch eine Wahrscheinlichkeit von der Hälfte zu lernen.
Darüber hinaus können in den Ausführungsformen 1 und 2 die als Trainingsdaten der überwachten Lernmaschine herangezogenen Daten nicht nur als die Trainingsdaten verwendet werden, sondern auch als Evaluierungsdaten, wenn eine Leistungsfähigkeit der überwachten Lernmaschine evaluiert wird. Das heißt, wenn die Ausgabe, die durch Eingeben der Eingabe der Trainingsdaten in die überwachte Lernmaschine berechnet wird, und die Ausgabe der Trainingsdaten verglichen werden und gut übereinstimmen, ist es möglich, zu bestimmen, dass die Leistungsfähigkeit der überwachten Lernmaschine ausgezeichnet ist.
Die durch die Offenbarung bestimmte Ausgabe der Trainingsdaten kann eine normierte Funktion, die einen üblichen Wert ungeachtet des Zustandsabschätzungsziels in dem Referenzzustand A und dem Referenzzustand B ausgibt, an die überwachte Lernmaschine geben, die unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfasst, gelernt hat, oder die überwachte Lernmaschine mit der Nachbearbeitungsfunktion, die unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfasst, gelernt hat. Da die durch die Offenbarung bestimmte Ausgabe der Trainingsdaten einen Zeitpunkt eines Übergangs des Abweichungsgrads von dem Referenzzustand A, selbst wenn der Zustand des Zustandsabschätzungszieles ein Zwischenzustand zwischen dem Referenzzustand A und dem Referenzzustand B ist, reflektiert, kann es zudem die überwachte Lernmaschine, die unter Verwendung der Trainingsdaten, die die durch die Verfahren bestimmte Ausgabe umfasst, gelernt hat, oder die überwachte Lernmaschine mit der Nachbearbeitungsfunktion mit einer zum aktuellen Zustand konformeren Zustandsabschätzungsfähigkeit geben. Das heißt, eine Kennzeichnung eines Datensatzes kann bei geringen Kosten konformer zum aktuellen Zustand durchgeführt werden, selbst in dem Zwischenzustand der zwei Referenzzustände. Wenn die überwachte Lernmaschine oder die überwachte Lernmaschine mit der Nachbearbeitungsfunktion dazu veranlasst wird, zu lernen, einen üblichen Wert ungeachtet des Zustandsabschätzungsziels in dem Referenzzustand A und dem Referenzzustand B unter Verwendung der Trainingsdaten einer beträchtlichen Anzahl von Zustandsabschätzungszielen mit unterschiedlichen Bedingungen auszugeben, ist es des Weiteren zu erwarten, eine Eigenschaft (Generalisierungsfähigkeit) zur Ausgabe eines üblichen Werts ungeachtet des Zustandsabschätzungsziels in dem Referenzzustand A und dem Referenzzustand B zu erreichen, selbst für ungelernte Zustandsabschätzungsziele mit unterschiedlichen Bedingungen.
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 2018103284 A [0005, 0008]
JP 2018025936 A [0006, 0009]
JP 2018138327 A [0007, 0010, 0011]

Claims

Ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, wobei das Verfahren eine Ausgabe von Trainingsdaten bestimmt, die zu einer Eingabe der Trainingsdaten korrespondiert, wobei die Trainingsdaten zum Erzeugen der überwachten Lernmaschine dienen, die zum Abschätzen eines Zustands eines Zustandsabschätzungsziels zwischen einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand A befindet, und einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand B befindet, der sich von dem Referenzzustand A unterscheidet, verwendet wird, wobei das Verfahren umfasst: Bestimmen jeglicher gegebener Daten als die Eingabe der Trainingsdaten, die aus einer ersten physikalischen Größe, die in einem Fall erhalten wird, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Zustand befindet, und basierend auf der ersten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Bezugnahme auf jegliche gegebenen Daten als korrespondierende Daten, die aus einer zweiten physikalischen Größe, die in einem Fall erhalten wird, in dem der Zustand des Zustandsabschätzungsziels identisch zu einem Zustand in dem Fall ist, in dem die erste physikalische Größe, die sich auf die Eingabe der Trainingsdaten bezieht, erhalten wird, und basierend auf der zweiten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Berechnen eines Abweichungsgrads für die zwei oder mehr Zustandsabschätzungsziele von dem Referenzzustand A für jede einer Vielzahl der korrespondierenden Daten, die zumindest korrespondierende Daten, wenn jedes der Zustandsabschätzungsziele in dem Referenzzustand A ist, und korrespondierende Daten, wenn jedes der Zustandsabschätzungsziele in dem Referenzzustand B ist, umfassen; Festlegen der Abbildung für jedes der Zustandsabschätzungsziele als eine Abbildung zum Abbilden jedes Abweichungsgrads von dem Referenzzustand A der Vielzahl der korrespondierenden Daten auf einen normierten Abweichungsgrad, wobei die Abbildung es gestattet, den Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A auf einen bestimmten Wert, der durch die überwachte Lernmaschine in dem Referenzzustand A auszugeben ist, abzubilden, die Abbildung es gestattet, den Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B auf einen bestimmten Wert, der durch die überwachte Lernmaschine in dem Referenzzustand B auszugeben ist, abzubilden, die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A und dem Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B ist; Berechnen des normierten Abweichungsgrads durch Abbilden einer Darstellung des Abweichungsgrads von dem Referenzzustand A für jede der Vielzahl der korrespondierenden Daten unter Verwendung der festgelegten Abbildung; und Bestimmen des normierten Abweichungsgrads als die Ausgabe der Trainingsdaten, die zur Eingabe der Trainingsdaten korrespondiert.
Das Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 1, wobei, wenn der Zustand des Zustandsabschätzungsziels in einer Richtung von einem der Referenzzustände A und B in chronologischer Reihenfolge in den anderen übergeht, das Verfahren umfasst: Berechnen des Abweichungsgrads für jedes der mehreren Zustandsabschätzungsziele von dem Referenzzustand A jeder der Vielzahl korrespondierender Daten und anschließendes Durchführen einer Filterverarbeitung in einem Zustand, in dem die berechneten Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, um die berechneten Abweichungsgrade von dem Referenzzustand A in geglättete Abweichungsgrade von dem Referenzzustand A zu konvertieren; und Verwenden des geglätteten Abweichungsgrads von dem Referenzzustand A anstelle des Abweichungsgrads von dem Referenzzustand A beim Festlegen der Abbildung zum Abbilden des Abweichungsgrads von dem Referenzzustand A jeder der Vielzahl korrespondierender Daten auf den normierten Abweichungsgrad und beim Berechnen des normierten Abweichungsgrads.
Ein Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, wobei das Verfahren eine Ausgabe von Trainingsdaten bestimmt, die zu einer Eingabe der Trainingsdaten korrespondiert, wobei die Trainingsdaten zum Erzeugen der überwachten Lernmaschine dienen, die zum Abschätzen eines Zustands eines Zustandsabschätzungsziels zwischen einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand A befindet, und einem Fall, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Referenzzustand B befindet, der sich von dem Referenzzustand A unterscheidet, verwendet wird, wobei die überwachte Lernmaschine eine Funktion zum Durchführen einer Nachbearbeitung aufweist, die einen repräsentativen Wert einer Ausgabegruppe als einen Satz von Ausgaben berechnet, die aus entsprechenden Eingaben berechnet werden, wenn mehrere der vorbestimmten Daten, die zu einer Datengruppe als ein Satz mehrerer Daten gehören, eingegeben werden, und das Verfahren umfasst: Bestimmen jeglicher gegebener Daten als die Eingabe der Trainingsdaten, die aus einer ersten physikalischen Größe, die in einem Fall erhalten wird, in dem sich das Zustandsabschätzungsziel in einem vorbestimmten Zustand befindet, und basierend auf der ersten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Bezugnahme auf jegliche gegebenen Daten als korrespondierende Daten, die aus einer zweiten physikalischen Größe, die in einem Fall erhalten wird, in dem der Zustand des Zustandsabschätzungsziels identisch zu einem Zustand in dem Fall ist, in dem die erste physikalische Größe, die sich auf die Eingabe der Trainingsdaten bezieht, erhalten wird, und basierend auf der zweiten physikalischen Größe erhaltenen Daten, die mit dem Zustand des Zustandsabschätzungsziels in Beziehung stehen, ausgewählt werden; Berechnen von Abweichungsgraden für die zwei oder mehr Zustandsabschätzungsziele von dem Referenzzustand A der korrespondierenden Daten, die zu einer entsprechenden Vielzahl korrespondierender Datengruppen gehören, für die entsprechende Vielzahl korrespondierenden Datengruppen, wobei die korrespondierenden Datengruppen jeweils mindestens eine erste korrespondierende Datengruppe und eine zweite korrespondierende Datengruppe umfassen, wobei die erste korrespondierende Datengruppe mehrere korrespondierende Daten umfasst, wenn sich jedes der Zustandsabschätzungsziele in dem Referenzzustand A befindet, und die zweite korrespondierende Datengruppe mehrere der korrespondierenden Daten umfasst, wenn sich jedes der Zustandsabschätzungsziele in dem Referenzzustand B befindet; Bestimmen entsprechender Sätze von Abweichungsgraden von dem Referenzzustand A korrespondierend zu den mehreren korrespondierenden Datengruppen, zu denen die korrespondierenden Daten, zu denen die entsprechenden berechneten Abweichungsgrade von dem Referenzzustand A korrespondieren, gehören, als Gruppen der Abweichungsgrade von dem Referenzzustand A; Anwenden einer Bearbeitung identisch zur Nachbearbeitung, die durch die überwachte Lernmaschine ausgeführt wird, auf jede der mehreren Gruppen der Abweichungsgrade von dem Referenzzustand A, um einen repräsentativen Abweichungsgrad von dem Referenzzustand A in jeder der mehreren Gruppen des Abweichungsgrads von dem Referenzzustand A zu berechnen; Festlegen der Abbildung für jedes der Zustandsabschätzungsziele als eine Abbildung zum Abbilden jedes der repräsentativen Abweichungsgrade von dem Referenzzustand A korrespondierend zu den mehreren korrespondierenden Datengruppen auf einen normierten repräsentativen Abweichungsgrad, wobei die Abbildung es gestattet, den repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A auf einen bestimmten Wert abzubilden, der von einem repräsentativen Wert zu nehmen ist, der durch die überwachte Lernmaschine in dem Referenzzustand A berechnet wird, die Abbildung es gestattet, den repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B auf einen bestimmten Wert abzubilden, der von einem repräsentativen Wert zu nehmen ist, der durch die überwachte Lernmaschine in dem Referenzzustand B berechnet wird, die Abbildung eine monotone Abbildung in einem Abschnitt zwischen dem repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand A und dem repräsentativen Abweichungsgrad von dem Referenzzustand A in dem Referenzzustand B ist; Berechnen des normierten repräsentativen Abweichungsgrads durch Abbilden einer Darstellung des repräsentativen Abweichungsgrads von dem Referenzzustand A für jede der mehreren korrespondierenden Datengruppen unter Verwendung der festgelegten Abbildung; Durchführen eines Prozesses, der invers zur Nachbearbeitung wirkt, für jeden einer Vielzahl der normierten repräsentativen Abweichungsgrade und für jede der Gruppen der Abweichungsgrade von dem Referenzzustand A korrespondierend zu der entsprechenden Vielzahl normierter repräsentativer Abweichungsgrade, um einen normierten individuellen Abweichungsgrad für jede der mehreren korrespondierenden Datengruppen korrespondierend zu den mehreren normierten repräsentativen Abweichungsgraden zu berechnen, wobei der normierte repräsentative Abweichungsgrad aus dem normierten individuellen Abweichungsgrad berechnet wird, wenn die Nachbearbeitung durchgeführt wird; und Bestimmen des normierten individuellen Abweichungsgrads als die Ausgabe der Trainingsdaten korrespondierend zu der Eingabe der Trainingsdaten.
Das Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 2, wobei, wenn der Zustand des Zustandsabschätzungsziels in einer Richtung von einem der Referenzzustände A und B in chronologischer Reihenfolge in den anderen übergeht, das Verfahren umfasst: Berechnen des repräsentativen Abweichungsgrads für jedes der mehreren Zustandsabschätzungsziele von dem Referenzzustand A jeder der mehreren korrespondierenden Datengruppen und anschließendes Durchführen einer Filterverarbeitung in einem Zustand, in dem die berechneten repräsentativen Abweichungsgrade von dem Referenzzustand A in chronologischer Reihenfolge angeordnet sind, um die berechneten repräsentativen Abweichungsgrade von dem Referenzzustand A in geglättete repräsentative Abweichungsgrade von dem Referenzzustand A zu konvertieren; und Verwenden des geglätteten repräsentativen Abweichungsgrads von dem Referenzzustand A anstelle des repräsentativen Abweichungsgrads von dem Referenzzustand A beim Festlegen der Abbildung zum Abbilden des repräsentativen Abweichungsgrads von dem Referenzzustand A jeder der mehreren korrespondierenden Datengruppen auf den normierten repräsentativen Abweichungsgrad und beim Berechnen des normierten repräsentativen Abweichungsgrads.
Eine überwachte Lernmaschine, die unter der Verwendung des Verfahrens zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 1 oder 2 geschaffen wird.
Eine Zustandsabschätzungsvorrichtung, umfassend die überwachte Lernmaschine nach Anspruch 5.
Die Zustandsabschätzungsvorrichtung nach Anspruch 6, wobei die Zustandsabschätzungsmaschine dazu konfiguriert ist, eine Ausgabe der überwachten Lernmaschine, einen bestimmten Wert, der durch die überwachte Lernmaschine auszugeben ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand A befindet, und einen bestimmten Wert, der durch die überwachte Lernmaschine auszugeben ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand B befindet, als numerische Werte oder in einem Graphen simultan anzuzeigen.
Eine überwachte Lernmaschine, die unter der Verwendung des Verfahrens zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine nach Anspruch 3 oder 4 geschaffen wird.
Eine Zustandsabschätzungsvorrichtung, umfassend die überwachte Lernmaschine nach Anspruch 8.
Die Zustandsabschätzungsvorrichtung nach Anspruch 9, wobei die Zustandsabschätzungsmaschine dazu konfiguriert ist, einen repräsentativen Wert der Ausgabegruppe, die durch die überwachte Lernmaschine ausgegeben wird, einen bestimmten Wert, der von dem durch die überwachte Lernmaschine berechneten repräsentativen Wert zu nehmen ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand A befindet, und einen bestimmten Wert, der von dem durch die überwachte Lernmaschine berechneten repräsentativen Wert zu nehmen ist, wenn sich das Zustandsabschätzungsziel in dem Referenzzustand B befindet, als numerische Werte oder in einem Graphen simultan anzuzeigen.