DE112019006825T5

DE112019006825T5 - Vorrichtung für maschinelles Lernen, numerische Steuerungseinheit, Störungsvorhersagevorrichtung und Steuerungssystem für Werkzeugmaschinen

Info

Publication number: DE112019006825T5
Application number: DE112019006825.3T
Authority: DE
Inventors: Keisuke Yamanaka; Kazuyuki Sato
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-03-07
Filing date: 2019-03-07
Publication date: 2021-10-28
Also published as: WO2020179063A1; JPWO2020179063A1; JP6608102B1; CN113498497A

Abstract

Eine Vorrichtung für maschinelles Lernen (1), die eine Störungsauftrittsbedingung für eine Werkzeugmaschine (2) lernt, das ein Werkstück bearbeitet, umfasst: eine Zustandsbeobachtungseinheit (11), die Werkzeuglebensdauerinformation, die die Lebensdauer eines Werkzeugs angibt, und eine Bearbeitungsbedingung für die Werkzeugmaschine (2) als Zustandsvariablen beobachtet; und eine Lerneinheit (12), die die Störungsauftrittsbedingung lernt, und zwar in Übereinstimmung mit einem Datensatz, der basierend auf den Zustandsvariablen und dem Vorhandensein oder Fehlen einer Mitteilung einer Störung an der Werkzeugmaschine (2) erzeugt wurde.

Description

Die vorliegende Erfindung betrifft eine Vorrichtung für maschinelles Lernen, eine numerische Steuerungseinheit, eine Störungsvorhersagevorrichtung und ein Steuerungssystem für eine Werkzeugmaschine, wobei die Vorrichtung für maschinelles Lernen in der Lage ist, eine Störung an einer Werkzeugmaschine vorherzusagen, die durch die numerische Steuerungseinheit gesteuert wird.
Wenn eine Werkzeugmaschine, die ein Werkstück unter Verwendung eines Werkzeugs bearbeitet, eine Bearbeitung durchführt, bei der auf einen Aktuator, wie etwa einen Servomotor oder einen Spindelmotor, eine Last ausgeübt wird, erzeugt eine numerische Steuerungseinheit eine Mitteilung einer Störung an der Werkzeugmaschine, wie etwa „Überlast“, „übermäßige Geschwindigkeitsabweichung“ oder „Überhitzung“, und veranlasst den Stopp der Bearbeitung. Wenn die Mitteilung zu der Störung an der Werkzeugmaschine erzeugt wird, ist es notwendig, die Bearbeitungsbedingung zu überprüfen, und man muss versuchen, die Bearbeitung mehrere Male zu wiederholen, was Aufwand und Zeit benötigt.
Patentliteratur 1 offenbart eine Vorrichtung für maschinelles Lernen, welche elektrische Leistung, Temperatur, Last und dergleichen eines elektrischen Motors als Zustandsvariablen beobachtet und einen Betriebsbefehl für den Motor lernt, um eine Störung in der Werkzeugmaschine zu vermeiden.
Zitierungsliste
Patentliteratur
Patentliteratur 1: offengelegte japanische Patentanmeldung Nr. 2017-64837
Überblick
Technisches Problem
Die in Patentliteratur 1 beschriebene Technik lernt den Betriebsbefehl durch Beobachten des Betriebszustands des Elektromotors als Zustandsvariable. Die Störung an der Werkzeugmaschine, d. h. der Betriebszustand des Elektromotors, hängt jedoch nicht nur von dem Betriebsbefehl sondern auch von einem Zustand eines Werkzeugs der Werkzeugmaschine ab. Der Zustand des Werkzeugs der Werkzeugmaschine ändert sich in Abhängigkeit von der Zeit seit Beginn der Benutzung, der Benutzungsbedingung oder dergleichen, und ob eine Störung auftritt oder nicht kann sich in Abhängigkeit von dem Zustand des Werkzeugs ändern. Deshalb gab es bei dem oben genannten Stand der Technik ein Problem dahingehend, dass die Genauigkeit des Lernens einer Störungsauftrittsbedingung für die Werkzeugmaschine verringert ist, was es schwierig macht, genau vorherzusagen, ob eine Störung auftritt oder nicht.
Die vorliegende Erfindung wurde in Anbetracht der obigen Ausführungen getätigt, und es ist ein Ziel der vorliegenden Erfindung, eine Vorrichtung für maschinelles Lernen bereitzustellen, die die Genauigkeit beim Lernen einer Störungsauftrittswahrscheinlichkeit für eine Werkzeugmaschine verbessert.
Lösung des Problems
Um das obige Problem zu lösen und das Ziel zu erreichen, lernt eine Vorrichtung für maschinelles Lernen gemäß der vorliegenden Erfindung eine Störungsauftrittsbedingung für eine Werkzeugmaschine, die ein Werkstück bearbeitet. Die Vorrichtung für maschinelles Lernen umfasst: eine Zustandsbeobachtungseinheit, um Werkzeuglebensdauerinformation, die eine Lebensdauer eines Werkzeugs und eine Bearbeitungsbedingung für die Werkzeugmaschine angibt, als Zustandsvariablen beobachtet; und eine Lerneinheit, um eine Störungsauftrittsbedingung in Übereinstimmung mit einem Datensatz zu lernen, der basierend auf den Zustandsvariablen und dem Vorhandensein oder Fehlen einer Mitteilung zu einer Störung an der Werkzeugmaschine erzeugt wird.
Vorteilhafte Wirkungen der Erfindung
Die Vorrichtung für maschinelles Lernen gemäß der vorliegenden Erfindung kann die Genauigkeit des Lernens der Störungsauftrittsbedingung für die Werkzeugmaschine verbessern.
Figurenliste

1 ist ein Diagramm, welches eine Konfiguration eines Systems zum maschinellen Lernen gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt.
2 ist ein Diagramm, welches ein dreischichtiges neuronales Netzwerkmodell zeigt, dass bei einer in 1 gezeigten Lerneinheit verwendet werden kann.
3 ist ein Diagramm, welches eine Konfiguration eines Steuerungssystems für eine Werkzeugmaschine gemäß einer zweiten Ausführungsform der vorliegenden Erfindung zeigt.
4 ist ein Diagramm, welches eine funktionelle Konfiguration einer in 3 gezeigten Störungsvorhersagevorrichtung zeigt.
5 ist ein Diagramm, welches ein Beispiel eines Anzeigebildschirms zeigt, der durch ein in 3 gezeigtes HMI ausgegeben wird.
6 ist ein Flussdiagramm zur Erläuterung eines Betriebs des in 3 gezeigten Steuerungssystems.
7 ist ein Diagramm, welches dedizierte Hardware zum Implementieren von Funktionen einer Vorrichtung für maschinelles Lernen, einer numerischen Steuerungseinheit und einer Störungsvorhersagevorrichtung gemäß der ersten Ausführungsform und der zweiten Ausführungsform der vorliegenden Erfindung zeigt.
8 ist ein Diagramm, welches eine Konfiguration einer Steuerungsschaltung zum Implementieren der Funktionen der Vorrichtung für maschinelles Lernen, der numerischen Steuerungseinheit und der Störungsvorhersagevorrichtung gemäß der ersten Ausführungsform und der zweiten Ausführungsform der vorliegenden Erfindung zeigt.

Beschreibung von Ausführungsformen
Nachfolgend werden eine Vorrichtung für maschinelles Lernen, eine numerische Steuerungseinheit, eine Störungsvorhersagevorrichtung und ein Steuerungssystem für eine Werkzeugmaschine gemäß Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen im Detail beschrieben. Man beachte, dass die vorliegende Erfindung nicht auf die Ausführungsformen beschränkt ist.
Erste Ausführungsform.
1 ist ein Diagramm, welches eine Konfiguration eines Systems zum maschinellen Lernen 100 gemäß einer ersten Ausführungsform der vorliegenden Erfindung zeigt. Das System zum maschinellen Lernen 100 umfasst eine Vorrichtung zum maschinellen Lernen 1, eine Werkzeugmaschine 2, eine numerische Steuerungseinheit 3 und eine Benutzerschnittstelle (HMI, „Human Machine Interface“) 4.
Die Vorrichtung für maschinelles Lernen 1 ist eine Vorrichtung, die eine Störungsauftrittsbedingung, welche eine Bedingung dafür, dass an der Werkzeugmaschine 2 eine Störung auftritt, ist, lernt. Die Vorrichtung für maschinelles Lernen 1 bestimmt das Auftreten einer Störung basierend auf dem Vorhandensein oder Fehlen einer Störungsmitteilung, und man kann somit auch sagen, dass sie eine Vorrichtung ist, die eine Störungsmitteilungsbedingung lernt, welche eine Bedingung dafür ist, dass eine Mitteilung einer Störung an der Werkzeugmaschine 2 durchzuführen ist. Die Werkzeugmaschine 2 ist eine Vorrichtung, die ein Werkstück durch Ändern der Position eines Werkzeugs bearbeitet. Die numerische Steuerungseinheit 3 ist eine Vorrichtung, die die Werkzeugmaschine 2 numerisch steuert. Die HMI 4 ist eine Eingabe-/AusgabeVorrichtung für einen Menschen und eine Maschine, um Information auszutauschen. Ein Benutzer kann eine Bearbeitungsbedingung für die Werkzeugmaschine 2 in die numerische Steuerungseinheit 3 unter Verwendung der HMI 4 eingeben.
Die Werkzeugmaschine 2 umfasst eine Treibereinheit 21 und eine Detektionseinheit 22. Die Treibereinheit 21 weist eine Funktion zum Ändern der Position des Werkzeugs auf und umfasst beispielsweise einen Aktuator, wie etwa einen Servomotor oder einen Spindelmotor, eine Steuerungseinheit, die den Aktuator in Übereinstimmung mit einem Befehl von der numerischen Steuerungseinheit 3 steuert, und dergleichen. Die Detektionseinheit 22 weist eine Funktion auf, um einen Zustand der Werkzeugmaschine 2 zu detektieren. Der durch die Detektionseinheit 22 detektierte Zustand der Werkzeugmaschine 2 ist beispielsweise die Temperatur der Werkzeugmaschine 2. Die Temperatur der Werkzeugmaschine 2 umfasst die Temperatur des Servomotors oder Spindelmotors, der in der Werkzeugmaschine 2 enthalten ist. Die Detektionseinheit 22 gibt die detektierten Information an die numerische Steuerungseinheit 3 aus.
Die numerische Steuerungseinheit 3 kann eine Störungsmitteilung, die Servoalarm genannt wird, für den Benutzer ausgeben und veranlassen, dass die Werkzeugmaschine 2 gestoppt wird, wenn sie einen Zustand, wie etwa „Überlast“, „übermäßige Geschwindigkeitsabweichung“ oder „Überhitzung“ des Servomotors, des Spindelmotors oder dergleichen basierend auf den Information detektiert, die von der Detektionseinheit 22 der Werkzeugmaschine 2 ausgegeben wird. Die Antriebseinheit 21 stoppt, wenn die numerische Steuerungseinheit 3 die Störungsmitteilung ausgibt. Die Treibereinheit 21 gibt die Information, die das Vorhandensein oder Fehlen der Störungsmitteilung angibt, an die Vorrichtung für maschinelles Lernen 1 aus.
Die numerische Steuerungseinheit 3 erhält die Information, die von dem Benutzer unter Verwendung der HMI 4 eingegeben wird, und die Information, die durch die Detektionseinheit 22 detektiert wird, als die Bearbeitungsbedingung. Basierend auf der erhaltenen Bearbeitungsbedingung steuert die numerische Steuerungseinheit 3 die Werkzeugmaschine 2 in Übereinstimmung mit einem numerischen Steuerungsprogramm. Hierbei umfasst die Information von der HMI 4 beispielsweise Information, die eine Eigenschaft des Werkstücks angibt, und Information, die einen Betriebszustand der Werkzeugmaschine 2 angibt. Die Information, die eine Eigenschaft des Werkstücks angibt, ist beispielsweise ein Material des Werkstücks. Die Information, die einen Betriebszustand der Werkzeugmaschine 2 angibt, ist beispielsweise eine Tiefe eines Schnitts als Information, die einen Betrag der Bewegung des Werkzeugs angibt, die Vorschubgeschwindigkeit des Servomotors oder die Drehgeschwindigkeit des Spindelmotors.
Selbst unter der gleichen Bearbeitungsbedingung mit dem gleichen Material des Werkstücks und der gleichen Tiefe des Schnitts, kann die Last auf den Servomotor oder den Spindelmotor in Abhängigkeit von einem Abnutzungszustand des Werkzeugs zunehmen, und eine Störungsmitteilung kann ausgegeben werden. Die numerische Steuerungseinheit 3 hat Werkzeuglebensdauerinformation, die die Art des in der Werkzeugmaschine installierten Werkzeugs und die Geschichte jedes Werkzeugs angibt. Die Werkzeuglebensdauerinformation ist Information, die die Lebensdauer des Werkzeugs, wie etwa die Anzahl der Male, die das Werkzeug verwendet wird und die Zeitdauer angibt, über die das Werkzeug verwendet wird. In der vorliegenden Ausführungsform führt die Vorrichtung für maschinelles Lernen 1 maschinelles Lernen basierend auf der Werkzeuglebensdauerinformation durch. Entsprechend gibt die numerische Steuerungseinheit 3 die Werkzeuglebensdauerinformation und die Bearbeitungsbedingung an die Vorrichtung für maschinelles Lernen 1 aus. Es sei hier angemerkt, dass die numerische Steuerungseinheit 3 die Information, die unter der Verwendung der HMI 4 eingegeben wurde, und die Information, die durch die Detektionseinheit 22 ausgegeben wurde, als die Bearbeitungsbedingung verwendet, die numerische Steuerungseinheit 3 kann jedoch ein Analyseergebnis eines Steuerprogramms, einen Parameter oder dergleichen als die Bearbeitungsbedingung verwenden. Die numerische Steuerungseinheit 3 gibt, in anderen Worten, die Bearbeitungsbedingung aus, welche die Information, die unter Verwendung einer Eingabevorrichtung, wie etwa der HMI 4, eingegeben wurde, die Information, die durch die Detektionseinheit 22, die in der Werkzeugmaschine 2 bereitgestellt ist, detektiert wurde und/oder Information, die aus dem Steuerungsprogramm zum Steuern der Werkzeugmaschine 2 gewonnen wird.
Die Vorrichtung für maschinelles Lernen 1 umfasst: eine Zustandsbeobachtungseinheit 11 die die Werkzeuglebensdauerinformation und die Bearbeitungsbedingung beobachtet, die durch die numerische Steuerungseinheit 3 als Zustandsvariablen ausgegeben wurden, und eine Lerneinheit 12, die die Störungsauftrittsbedingung für die Werkzeugmaschine 2 in Übereinstimmung mit einem Datensatz lernt, der basierend auf einer Kombination der Zustandsvariablen und dem Vorhandensein oder Fehlen einer Störungsmitteilung erzeugt wurde. Der Datensatz umfasst hier Daten, in denen die Zustandsvariablen und das Vorhandensein oder Fehlen einer Störungsmitteilung einander zugeordnet sind.
Ein Element, das als die Zustandsvariable beobachtet wird, ist ein Element, das in Bezug zu der Erzeugung einer Störungsmitteilung steht. Um beispielsweise zu verhindern, dass der Motor überhitzt, wird die Störungsmitteilung ausgegeben, wenn die Temperatur des Motors einen voreingestellten Schwellenwert übersteigt. Ferner steigt die Last auf den Motor an, wenn das Werkstück aus einem harten Material gebildet ist. Die Last auf den Motor erhöht sich auch in einem Fall, in dem die Tiefe des Schnitts groß ist, die Vorschubgeschwindigkeit des Servomotors hoch ist oder die Drehgeschwindigkeit des Spindelmotors hoch ist. Ferner kann in einem Fall, in dem das in der Werkzeugmaschine 2 installierte Werkzeug abgenutzt ist, die Last auf den Motor selbst unter der gleichen Bearbeitungsbedingung zunehmen, und eine Störungsmitteilung kann erzeugt werden. Es ist deshalb wichtig, den Abnutzungszustand des Werkzeugs zu beobachten. In der vorliegenden Ausführungsform wird der Abnutzungszustand des Werkzeugs unter Verwendung der Werkzeuglebensdauerinformation bestimmt. Ein Werkzeug mit einer kurzen Werkzeuglebensdauer kann schätzungsweise eine hohe Abnutzung haben.
Es sei angemerkt, dass, obwohl die Vorrichtung für maschinelles Lernen 1 eine Vorrichtung ist, die von der numerischen Steuerungseinheit 3 in 1 separat ist, die numerische Steuerungseinheit 3 die Vorrichtung für maschinelles Lernen 1 umfassen kann. Alternativ kann die Vorrichtung für maschinelles Lernen 1 auf einem Cloud-Server liegen.
Die Lerneinheit 12 lernt die Störungsauftrittsbedingung für die Werkzeugmaschine 2 durch beispielsweise sogenanntes überwachtes Lernen (Supervised Learning) in Übereinstimmung mit einem neuronalen Netzwerkmodell. Hierbei bezieht sich das überwachte Lernen auf ein Modell, dass eine große Anzahl von Datensätzen bestimmter Eingaben und Ergebnisse der Vorrichtung für maschinelles Lernen 1 zuführt, wodurch Merkmale in diesen Datensätzen gelernt werden und Ergebnisse aus der Eingabe geschätzt werden.
Ein neuronales Netz umfasst eine Eingabeschicht mit einer Mehrzahl von Neuronen, eine mittlere Schicht mit einer Mehrzahl von Neuronen und einer Ausgabeschicht mit einer Mehrzahl von Neuronen. Die mittlere Schicht wird auch als eine verdeckte Schicht (hidden layer) bezeichnet und sie kann eine Schicht oder zwei oder mehr Schichten umfassen.
2 ist ein Diagramm, welches ein dreischichtiges neuronales Netzwerkmodell zeigt, das durch die in 1 gezeigte Lerneinheit 12 verwendet werden kann. Bei diesem Modell werden, wenn mehrere Eingaben in die Eingabeschichten X1 bis X8 eingegeben werden, die eingegebenen Werte mit entsprechenden Gewichten W1 (w11 bis w116) multipliziert und in die mittleren Schichten Y1 und Y2 eingegeben. Die Werte in den mittleren Schichten Y1 und Y2 werden mit entsprechenden Gewichten W2 (w21 und w22) multipliziert und an die Ausgabeschicht Z1 ausgegeben. Dieses Ergebnis ändert sich in Abhängigkeit von den Werten der Gewichte W1 und W2.
In der vorliegenden Ausführungsform lernt das neuronale Netz die Störungsauftrittsbedingung durch sogenanntes überwachtes Lernen in Übereinstimmung mit einem Datensatz, der basierend auf einer Kombination der Bearbeitungsbedingung und der Werkzeuglebensdauerinformation, die durch die Zustandsbeobachtungseinheit 11 beobachtet werden, und dem Vorhandensein oder Fehlen einer Störungsmitteilung erzeugt wurden.
Dies bedeutet, dass das neuronale Netz Lernen durch Anpassen der Gewichte W1 und W2 derart durchführt, dass das Ergebnis, welches von der Ausgabeschicht durch Eingabe der Bearbeitungsbedingung und der Werkzeuglebensdauerinformation in die Eingabeschicht ausgegeben wird, dem Vorhandensein oder Fehlen einer Störungsmitteilung ähnlicher wird.
Die Lerneinheit 12 kann die Störungsauftrittsbedingung auch durch sogenanntes unüberwachtes Lernen lernen. Unüberwachtes Lernen ist ein Verfahren, welches lernt, wie Eingabedaten verteilt sind, indem eine große Menge von lediglich Eingabedaten der Vorrichtung für maschinelles Lernen 1 zugeführt werden, und es lernt eine Vorrichtung, die Kompression, Klassifikation, Formung und dergleichen in Bezug auf die eingegebenen Daten durchführt, ohne dass es entsprechende ausgegebene Trainingsdaten gibt. Bei unüberwachtem Lernen können Merkmale in einem Datensatz in ähnliche geclustert werden. Die Lerneinheit 12 kann die Ausgabe durch Verwenden eines Clusterungsergebnisses und der Zuordnung der Ausgabe so vorhersagen, dass das Clusterungsergebnis durch Einstellen einiger Kriterien optimiert wird. Es gibt auch ein Verfahren, das halb überwachtes Lernen (Semisupervised Learning) genannt wird, als eine mittlere Problemstellung zwischen überwachtem Lernen und unüberwachtem Lernen. Halb überwachtes Lernen führt Lernen unter Verwendung eines Satzes von Eingabedaten und Ausgabedaten nur für einen Teil durch, und unter Verwendung von lediglich Eingabedaten für den Rest.
Die Lerneinheit 12 kann auch tiefes Lernen (Deep Learning) verwenden, welches die Extraktion eines Merkmals selbst lernt, oder sie kann ein anderes bekanntes Verfahren, wie etwa genetische Programmierung, funktionelle logische Programmierung oder eine Support-Vector-Machine verwenden.
Es sei angemerkt, dass in dem in 1 gezeigten Beispiel die Vorrichtung für maschinelles Lernen 1 die Information, wie etwa die Bearbeitungsbedingung und die Werkzeuglebensdauerinformation, von der numerischen Steuerungseinheit 3 gewinnt, die vorliegende Ausführungsform ist jedoch nicht auf ein solches Beispiel beschränkt. Die Zustandsbeobachtungseinheit 11 kann die Information, die von einer Mehrzahl der numerischen Steuerungseinheit 3 gewonnen wird, als Zustandsvariablen beobachten, und die Lerneinheit 12 kann die Störungsauftrittsbedingung basierend auf den Datensätzen lernen, die der Mehrzahl der numerischen Steuerungseinheiten 3 entsprechen. Hierbei kann die Lerneinheit 12 die Datensätze von der Mehrzahl der numerischen Steuerungseinheiten 3, die an einem einzigen Ort verwendet werden, gewinnen, oder sie kann die Datensätze von der Mehrzahl der numerischen Steuerungseinheiten 3 gewinnen, die unabhängig an verschiedenen Orten arbeiten. Die numerische Steuerungseinheit 3 kann als Ziel, von dem der Datensatz gewonnen wird, zwischendrin hinzugefügt oder hiervon entfernt werden. Ferner kann die Vorrichtung für maschinelles Lernen 1, die die Störungsauftrittsbedingung für die Werkzeugmaschine 2, die durch eine numerische Steuerungseinheit 3 zu steuern ist, gelernt hat, einer anderen numerischen Steuerungseinheit 3 hinzugefügt werden und das Lernergebnis aktualisieren, indem sie die Störungsauftrittsbedienung für die Werkzeugmaschine 2, die durch die andere numerische Steuerungseinheit 3 zu steuern ist, erneut lernt („Relearning“).
Gemäß dem System für maschinelles Lernen 100 gemäß der ersten Ausführungsform der vorliegenden Erfindung führt, wie vorangehend beschrieben, die Vorrichtung für maschinelles Lernen 1 folgende Maßnahmen durch: Sie beobachtet die Werkzeuglebensdauerinformation, die die Lebensdauer des Werkzeugs angibt, zusätzlich zu der Bearbeitungsbedingung für die Werkzeugmaschine 2; und sie lernt die Störungsauftrittsbedingung für die Werkzeugmaschine 2 in Übereinstimmung mit dem Datensatz, der basierend auf den Zustandsvariablen und dem Vorhandensein oder Fehlen einer Störungsmitteilung erzeugt wurde. Die Anwendung einer solchen Konfiguration kann die Genauigkeit des Lernens der Störungsauftrittsbedingung verbessern, und zwar im Vergleich zu einem Fall, wo die Werkzeuglebensdauerinformation nicht verwendet wird.
Zweite Ausführungsform.
3 ist ein Diagramm, welches eine Konfiguration eines Steuerungssystems 200 für die Werkzeugmaschine 2 gemäß einer zweiten Ausführungsform der vorliegenden Erfindung zeigt. Das Steuerungssystem 200 umfasst eine Funktion zum Steuern der Werkzeugmaschine 2 unter Verwendung des Systems für maschinelles Lernen 100, das in der ersten Ausführungsform beschrieben wurde. Zusätzlich zu der Konfiguration des Systems für maschinelles Lernen 100 umfasst das Steuerungssystem 200 insbesondere eine Störungsvorhersagevorrichtung 5, welche vorhersagt, ob eine Störung in der Werkzeugmaschine 2 auftritt oder nicht, und zwar auf Basis des Lernergebnisses der Vorrichtung für maschinelles Lernen 1 und einer Bearbeitungsbedingung für die auszuführende Bearbeitungsprozessierung. Nachfolgend wird die Beschreibung einer Konfiguration, die der der ersten Ausführungsform ähnlich ist, weggelassen, und es werden im Wesentlichen die Teile beschrieben, die von der ersten Ausführungsform verschieden sind.
Bevor die Werkzeugmaschine 2 tatsächlich betrieben wird, sagt die Störungsvorhersagevorrichtung 5 voraus, ob eine Störung auftritt oder nicht, wenn die Werkzeugmaschine 2 unter den eingegebenen Bearbeitungsbedingung mit dem durch die eingegebene Werkzeuglebensdauerinformation angegebenen Lebensdauer und der Voraussetzung betrieben wird, dass die Vorhersage basierend auf dem Lernergebnis der Vorrichtung für maschinelles Lernen 1 getätigt wird. Die Störungsvorhersagevorrichtung 5 gibt ein Vorhersageergebnis an die HMI 4 aus teilt einem Benutzer das Vorhersageergebnis mit.
4 ist ein Diagramm, welches eine funktionelle Konfiguration der in 3 gezeigten Störungsvorhersagevorrichtung 5 zeigt. Die Störungsvorhersagevorrichtung 5 umfasst eine Lernergebnisgewinnungseinheit 51, eine Vorhersagebedingungsgewinnungseinheit 52, eine Vorhersageeinheit 53 und eine Mitteilungseinheit 54. Die Lernergebnisgewinnungseinheit 51 gewinnt das Lernergebnis aus der Störungsauftrittsbedingung für die Werkzeugmaschine 2 aus der Lerneinheit 12 der Vorrichtung für maschinelles Lernen 1. Beispielsweise kann die Lernergebnisgewinnungseinheit 51 das Lernergebnis jedes Mal gewinnen, wenn das Lernergebnis durch die Lerneinheit 12 aktualisiert wird, oder sie kann das Lernergebnis regelmäßig gewinnen. Die Lernergebnisgewinnungseinheit 51 gibt das gewonnene Lernergebnis an die Vorhersageeinheit 53 aus.
Die Vorhersagebedingungsgewinnungseinheit 52 gewinnt eine Vorhersagebedingung dahingehend, ob eine Störung an der Werkzeugmaschine 2 auftritt oder nicht, von der numerischen Steuereinheit 3, wobei die Vorhersagebedingung die Bearbeitungsbedingung für die Werkzeugmaschine 2 und die Werkzeuglebensdauerinformation umfasst. Die Vorhersagebedingungsgewinnungseinheit 52 gibt die gewonnene Vorhersagebedingung an die Vorhersageeinheit 53 aus.
Die Vorhersageeinheit 53 sagt vorher, ob an der Werkzeugmaschine 2 eine Störung auftritt oder nicht, und zwar basierend auf dem Lernergebnis der Störungsauftrittsbedingung und der Vorhersagebedingung. Die Vorhersageeinheit 53 gibt ein Vorhersageergebnis an die Mitteilungseinheit 54 aus. Die Mitteilungseinheit 54 teilt einem Benutzer das Vorhersageergebnis mit. Insbesondere kann die Mitteilungseinheit 54 dem Benutzer das Vorhersageergebnis durch Ausgeben des Vorhersageergebnisses an die HMI 4 und veranlassen der HMI 4 zur Anzeige des Vorhersageergebnisses mitteilen.
5 ist ein Diagramm, welches ein Beispiel eines Anzeigebildschirms 60 zeigt, der durch die in 3 gezeigte HMI 4 ausgegeben wird. Der Anzeigebildschirm 60 umfasst: eine Bearbeitungsbedingungseingabefläche 61, die eine Eingabe der Bearbeitungsbedingung für die Werkzeugmaschine 2 erhält; eine Vorhersageergebnisanzeigefläche 62 zum Anzeigen des Vorhersageergebnisses, welches angibt, ob an der Werkzeugmaschine 2 eine Störung auftritt oder nicht, wenn die in der Bearbeitungsbedingungseingabefläche 61 angezeigten Bearbeitungsbedingung verwendet werden; und einen Bearbeitungsstartknopf 63, welcher eine Betätigungseinheit zum Instruieren des Starts der Bearbeitung unter Verwendung der in der Bearbeitungsbedingungseingabefläche 61 angezeigten Bearbeitungsbedingung. Unter Verwendung des durch die HMI 4 angezeigten Anzeigebildschirms 60 kann der Benutzer die Bearbeitungsbedingung eingeben und, ohne die Werkzeugmaschine 2 tatsächlich zu betätigen, das Vorhersageergebnis kennen, das angibt, ob eine Störung an der Werkzeugmaschine 2 auftritt oder nicht, wenn die eingegebene Bearbeitungsbedingung verwendet wird. Der Benutzer kann dann die tatsächliche Bearbeitung starten, indem er die Bearbeitungsbedingung verwendet, bei denen durch das Vorhersageergebnis vorhergesagt wird, dass eine Störung nicht auftritt.
6 ist ein Flussdiagramm zum Erläutern des Betriebs des in 3 gezeigten Steuerungssystems 200. Ein Benutzer des Steuerungssystems 200 gibt die Bearbeitungsbedingung für die Werkzeugmaschine 2 unter Verwendung des Anzeigebildschirms 60 der HMI 4 ein (Schritt S101). Wenn die Bearbeitungsbedingung in die Bearbeitungsbedingungseingabefläche 61 des Anzeigebildschirms 60 eingegeben ist, werden die Bearbeitungsbedingung und die Werkzeuglebensdauerinformation von der numerischen Steuerungseinheit 3 an die Störungsvorhersagevorrichtung 5 eingegeben (Schritt S102).
Die Vorhersageeinheit 53 der Störungsvorhersagevorrichtung 5 sagt vorher, ob eine Mitteilung einer Störung in der Werkzeugmaschine 2 gemacht wird oder nicht, und zwar basierend auf der eingegebenen Bearbeitungsbedingung und der eingegebenen Werkzeuglebensdauerinformation (Schritt S103). Es sei angemerkt, dass angenommen wird, dass die Störungsvorhersagevorrichtung 5 das Lernergebnis von der Vorrichtung für maschinelles Lernen 1 vorab gewonnen wurde und dass sie die Vorhersageverarbeitung in Schritt S103 basierend auf dem gewonnenen Lernergebnis durchführt. Die Vorhersageeinheit 53 gibt ein Vorhersageergebnis an die Mitteilungseinheit 54 aus.
Wenn die Mitteilungseinheit 54 der Störungsvorhersagevorrichtung 5 das Vorhersageergebnis an die HMI 4 ausgibt, teilt die HMI 4 dem Benutzer das Vorhersageergebnis durch Anzeigen des Vorhersageergebnisses mit (Schritt S104). Die numerische Steuerungseinheit 3 bestimmt, ob sich die Bearbeitungsbedingung geändert hat oder nicht (Schritt S105). Wenn beispielsweise dem Benutzer das Vorhersageergebnis durch die Anzeige des Vorhersageergebnisses in der Vorhersageergebnisanzeigefläche 62 des in 5 gezeigten Anzeigebildschirms 60 mitgeteilt wird, kann der Benutzer die Bearbeitungsbedingung ändern, indem er Eingaben durchführt, die die in der Bearbeitungsbedingungseingabefläche 61 angezeigten Bearbeitungsbedingung ändern. Alternativ kann der Benutzer den Start der Bearbeitung instruieren, indem er den Bearbeitungsstartknopf 63 auf dem Anzeigebildschirm 60 betätigt.
Wenn sich die Bearbeitungsbedingung geändert hat (Ja in Schritt S105), wird die Bearbeitung des Schritts S101 wiederholt. Wenn sich die Bearbeitungsbedingung nicht geändert hat (Nein in Schritt S105), d. h. wenn in dem Beispiel des Anzeigebildschirms 60 der Bearbeitungsstartknopf 63 betätigt wurde, startet die numerische Steuerungseinheit 3 die numerische Steuerung so, dass die Werkzeugmaschine 2 Bearbeitungsprozessierung durchführt (Schritt S106).
Wenn die Bearbeitungsprozessierung ausgeführt wurde, geben die numerische Steuerungseinheit 3 und die Treibereinheit 21 der Werkzeugmaschine 2 ein Bearbeitungsergebnis als Trainingsdaten an der Lerneinheit 12 ein (Schritt S107). Insbesondere werden, wie in der ersten Ausführungsform beschrieben, die Bearbeitungsbedingung, die Werkzeuglebensdauerinformation und das Vorhandensein oder Fehlen einer Störungsmitteilung nach dem tatsächlichen Betrieb der Werkzeugmaschine 2 an die Vorrichtung 1 für maschinelles Lernen 1 eingegeben.
Wie vorangehend beschrieben kann das Steuerungssystem 200 gemäß der zweiten Ausführungsform der vorliegenden Erfindung die Werkzeugmaschine 2 tatsächlich antreiben, nachdem vorab bestätigt wurde, dass die Bearbeitungsbedingung für die Werkzeugmaschine 2 geeignet ist, d. h., dass die Bearbeitungsbedingung eine Störung an der Werkzeugmaschine 2 nicht verursacht, und zwar basierend auf dem Lernergebnis der Vorrichtung für maschinelles Lernen 1. Hierbei lernt die Vorrichtung für maschinelles Lernen 1 die Störungsauftrittsbedingung basierend auf der Werkzeuglebensdauerinformation, und sie kann deshalb genau vorhersagen, ob an der Werkzeugmaschine 2 eine Störung auftritt oder nicht, indem sie das hochgenaue Lernergebnisses verwendet.
Wie vorangehend beschrieben, wird dem Benutzer das Vorhersageergebnis für das Vorhandensein oder Fehlen einer Störungsmitteilung vor dem Ausführen der Bearbeitungsprozessierung mitgeteilt, sodass die Arbeit der Angabe der optimalen Bearbeitungsbedingung erleichtert wird. Zudem kann die Zeit verkürzt werden, die benötigt wird, um die tatsächlich zu verwendenden Bearbeitungsbedingung zu bestimmen.
Nun wird eine Hardwarekonfiguration zum Implementieren der Funktionen der Vorrichtung für maschinelles Lernen 1, der numerischen Steuerungseinheit 3 und der Störungsvorhersagevorrichtung 5 gemäß der ersten Ausführungsform und der zweiten Ausführungsform der vorliegenden Erfindung beschrieben. Die Funktionen der Vorrichtung für maschinelles Lernen 1, der numerischen Steuerungseinheit 3 und der Störungsvorhersagevorrichtung 5 sind durch Prozessierungsschaltungen implementiert. Die Prozessierungsschaltungen können durch dedizierte Hardware implementiert sein, oder sie können eine Steuerschaltung unter Verwendung einer zentralen Prozessierungseinheit (CPU) sein.
Wenn die obigen Prozessierungsschaltungen durch dedizierte Hardware implementiert sind, wird die dedizierte Hardware durch in 7 gezeigte Prozessierungsschaltungen 90 implementiert. 7 ist ein Diagramm, welches die dedizierte Hardware zum Implementieren der Funktionen der Vorrichtung für maschinelles Lernen 1, der numerischen Steuerungseinheit 3 und der Störungsvorhersagevorrichtung 5 gemäß der ersten Ausführungsform und der zweiten Ausführungsform der vorliegenden Erfindung zeigt. Die Prozessierungsschaltungen 90 sind eine einzige Schaltung, eine komplexe Schaltung, ein programmierter Prozessor, ein parallel programmierter Prozessor, eine applikationsspezifische integrierte Schaltung (ASIC), ein feldprogrammierbares Gatterfeld (FPGA) oder eine Kombination derselben.
Wenn die obigen Prozessierungsschaltungen durch eine Steuerschaltung unter Verwendung einer CPU implementiert sind, ist die Steuerschaltung beispielsweise eine Steuerschaltung 91 mit einer in 8 gezeigten Konfiguration. 8 ist ein Diagramm, welches die Konfiguration der Steuerschaltung 91 zum Implementieren der Funktionen der Vorrichtung für maschinelles Lernen 1, der numerischen Steuerungseinheit 3 und der Störungsvorhersagevorrichtung 5 gemäß der ersten und der zweiten Ausführungsform der vorliegenden Erfindung zeigt. Wie in 8 gezeigt, umfasst die Steuerschaltung 91 einen Prozessor 92 und einen Speicher 93. Der Prozessor 92 ist die CPU, und er wird auch als ein Zentralprozessor, eine Prozessierungseinheit, eine arithmetische Einheit, ein Mikroprozessor, ein Mikrocomputer oder ein digitaler Signalprozessor (DSP) bezeichnet. Der Speicher 93 ist beispielsweise ein nichtflüchtiger oder flüchtiger Halbleiterspeicher, wie etwa ein Wahlzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein Flash-Speicher, ein löschbares programmierbares ROM (EPROM) oder ein elektrisches EPROM (EEPROM (registrierte Handelsmarke)), eine Magnetplatte, eine flexible Platte, eine optische Disk, eine Kompakt-Disk, eine Mini-Disk, eine Digital Versatile Disc (DVD) oder dergleichen.
Wenn die obigen Prozessierungsschaltungen durch die Steuerungsschaltung 91 implementiert sind, sind die obigen Schaltungen durch den Prozessor 92, der ein in dem Speicher 93 gespeichertes Programm liest und ausführt, implementiert, wobei das Programm der Prozessierung jeder Komponente entspricht. Der Speicher 93 wird auch als ein temporärer Speicher für die durch den Prozessor 92 ausgeführten Prozessierungen verwendet.
Die in der obigen Ausführungsform gezeigte Konfiguration ist lediglich ein Beispiel des Inhalts der vorliegenden Erfindung, und sie kann somit mit anderen bekannten Techniken kombiniert werden oder teilweise weggelassen und/oder abgewandelt werden, ohne von dem Bereich der vorliegenden Erfindung abzuweichen.
Beispielsweise kann die Vorrichtung für maschinelles Lernen 1 der ersten und der zweiten Ausführungsform in die numerische Steuerungseinheit 3 eingebaut sein, oder sie kann auf einem Cloud-Server liegen. Ferner ist die Störungsvorhersagevorrichtung 5 der zweiten Ausführungsform eine Vorrichtung, die von der numerischen Steuerungseinheit 3 und der Vorrichtung für maschinelles Lernen 1 in der Beschreibung verschieden ist, jedoch kann sie auf der gleichen Vorrichtung wie der numerischen Steuerungseinheit 3 und/oder der Vorrichtung für maschinelles Lernen 1 implementiert sein. Alternativ kann die Störungsvorhersagevorrichtung 5 auf einem Cloud-Server liegen.
Bezugszeichenliste

1: Vorrichtung für maschinelles Lernen;
2: Werkzeugmaschine;
3: numerische Steuerungseinheit;
4: HMI;
5: Störungsvorhersagevorrichtung;
11: Zustandsbeobachtungseinheit;
12: Lerneinheit;
21: Antriebseinheit;
22: Detektionseinheit;
51: Lernergebnisgewinnungseinheit;
52: Vorhersagebedingungsgewinnungseinheit;
53: Vorhersageeinheit;
54: Mitteilungseinheit;
60: Anzeigebildschirm;
61: Bearbeitungsbedingungseingabefläche;
62: Vorhersageergebnisanzeigefläche;
63: Bearbeitungsstartknopf;
90: Prozessierungsschaltungen;
91: Steuerschaltung;
92: Prozessor;
93: Speicher;
100: System für maschinelles Lernen;
200: Steuerungssystem

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 2017064837 [0004]

Claims

Vorrichtung für maschinelles Lernen, welche eine Störungsauftrittsbedingung für eine Werkzeugmaschine lernt, die ein Werkstück bearbeitet, wobei die Vorrichtung für maschinelles Lernen umfasst: eine Zustandsbeobachtungseinheit, die Werkzeuglebensdauerinformation, die die Lebensdauer eines Werkzeugs angibt, und eine Bearbeitungsbedingung für die Werkzeugmaschine als Zustandsvariablen beobachtet; und eine Lerneinheit, um die Störungsauftrittsbedingung in Übereinstimmung mit einem Datensatz zu lernen, der basierend auf den Zustandsvariablen und dem Vorhandensein oder Fehlen einer Mitteilung einer Störung an der Werkzeugmaschine erzeugt wird.
Vorrichtung für maschinelles Lernen gemäß Anspruch 1, wobei die Bearbeitungsbedingung eine Information, die eine Eigenschaft des Werkstücks angibt, Information, die einen Betriebszustand der Werkzeugmaschine angibt, und/oder Information, die einen Typ des Werkzeugs angibt, umfasst.
Vorrichtung für maschinelles Lernen gemäß Anspruch 2, wobei die Information, die den Betriebszustand der Werkzeugmaschine angibt, Information, die einen Bewegungsweg des Werkzeugs, eine Vorschubgeschwindigkeit eines Servomotors, der in der Werkzeugmaschine enthalten ist, und/oder eine Temperatur der Werkzeugmaschine angibt.
Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 3, wobei die Zustandsbeobachtungseinheit die Werkzeuglebensdauerinformation von einer numerischen Steuerungseinheit gewinnt, die die Werkzeugmaschine numerisch steuert.
Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 4, wobei die Werkzeuglebensdauerinformation aus der Anzahl der Male, die das Werkzeug verwendet wird, und die Zeitdauer berechnet wird, über die das Werkzeug verwendet wird.
Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 5, wobei die Bearbeitungsbedingung Information, die unter Verwendung einer Eingabevorrichtung eingegeben wurden, Information, die durch eine in der Werkzeugmaschine vorgesehene Detektionseinheit detektiert wird und/oder Information umfasst, die aus einem Steuerungsprogramm zum Steuern der Werkzeugmaschine gewonnen wurde.
Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 6, ferner umfassend: eine Vorhersageeinheit, um vorherzusagen, ob an der Werkzeugmaschine eine Störung an der Werkzeugmaschine auftritt oder nicht, und zwar basierend auf einer Vorhersagebedingung, die die Bearbeitungsbedingung und die Werkzeuglebensdauerinformation umfasst, und einem Lernergebnis der Störungsauftrittsbedingung; und eine Mitteilungseinheit, um ein Vorhersageergebnis der Vorhersageeinheit mitzuteilen.
Numerische Steuerungseinheit, die die Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 7 umfasst.
Störungsvorhersagevorrichtung, umfassend: eine Lernergebnisgewinnungseinheit, um das Lernergebnis der Störungsauftrittsbedingung von der Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 7 zu gewinnen; eine Vorhersagebedingungsgewinnungseinheit, um eine Vorhersagebedingung zu gewinnen, die die Bearbeitungsbedingung und die Werkzeuglebensdauerinformation umfasst; eine Vorhersageeinheit, um vorherzusagen, ob eine Störung an der Werkzeugmaschine auftritt oder nicht, und zwar basierend auf der Vorhersagebedingung und dem Lernergebnis; und eine Mitteilungseinheit, um ein Vorhersageergebnis der Vorhersageeinheit mitzuteilen.
Steuerungssystem für eine Werkzeugmaschine, wobei das Steuerungssystem umfasst: eine Vorrichtung für maschinelles Lernen gemäß einem der Ansprüche 1 bis 7; die Störungsvorhersagevorrichtung gemäß Anspruch 9; und eine Ausgabevorrichtung, um einen Ausgabebildschirm auszugeben, der eine Bearbeitungsbedingungseingabefläche, die eine Eingab der Bearbeitungsbedingung empfängt, eine Vorhersageergebnisanzeigefläche, die das Vorhersageergebnis der Störungsvorhersagevorrichtung anzeigt, und eine Betätigungseinheit umfasst, um den Start der Bearbeitung zu instruieren.