DE112020006911T5

DE112020006911T5 - Datenerzeugungsvorrichtung, System für maschinelles Lernen und Bearbeitungszustands-Schätzvorrichtung

Info

Publication number: DE112020006911T5
Application number: DE112020006911.7T
Authority: DE
Inventors: Teruaki Fukuoka; Nobuaki Tanaka
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-05-20
Filing date: 2020-05-20
Publication date: 2023-01-12
Also published as: CN115516472B; CN115516472A; US11762374B2; JP6818970B1; WO2021234876A1; JPWO2021234876A1; US20230124877A1

Abstract

Datenerzeugungsvorrichtung (1) zum Erzeugen von Lerndaten zum Lernen eines Bestimmungsmodells zum Schätzen eines Bearbeitungszustands eines Werkstücks auf der Grundlage von Beobachtungsdaten bezüglich eines Geräuschs und/oder einer Vibration, die während der Bearbeitung des Werkstücks durch eine Werkzeugmaschine erzeugt werden, und einer Bearbeitungsbedingung, die bei der Bearbeitung des Werkstücks durch die Werkzeugmaschine verwendet wird. Die Datenerzeugungsvorrichtung (1) umfasst eine Massendaten-Erfassungseinheit (21), die Massendaten erhält, bei denen es sich um umfangreiche Lerndaten handelt, die beim Lernen eines ersten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines durch eine erste Werkzeugmaschine bearbeiteten Werkstücks verwendet werden; eine Erfassungseinheit für adaptive Daten (22), welche adaptive Daten zur Verwendung bei der Erzeugung von Lerndaten zur Verwendung beim Lernen eines zweiten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines von einer zweiten Werkzeugmaschine bearbeiteten Werkstücks erhält; und eine Lerndaten-Erzeugungseinheit (10), welche die Massendaten auf der Grundlage der adaptiven Daten umwandelt, um angepasste Massendaten zur Verwendung beim Lernen des zweiten Bestimmungsmodells zu erzeugen.

Description

Technisches Gebiet
Die vorliegende Offenbarung betrifft eine Datenerzeugungsvorrichtung, die Daten zur Verwendung beim maschinellen Lernen eines Modells zum Schätzen eines Bearbeitungszustands erzeugt, wenn ein Werkstück durch eine Werkzeugmaschine, wie beispielsweise eine Laserbearbeitungsmaschine, bearbeitet wird, und ein System für maschinelles Lernen und eine Bearbeitungszustands-Schätzvorrichtung.
Technologischer Hintergrund
Wenn während einer Bearbeitung eine Anomalie auftritt, informiert eine Werkzeugmaschine die Außenwelt über das Auftreten einer Anomalie, stoppt vorübergehend die Bearbeitung usw. Verschiedene Methoden können verwendet werden, um das Auftreten einer Anomalie zu erkennen; eine davon besteht darin, das Auftreten einer Anomalie auf der Grundlage eines während der Bearbeitung erzeugten Geräuschs/Schalls zu erkennen. Diese Methode verwendet einen Unterschied zwischen der normalen Bearbeitung und der anomalen Bearbeitung hinsichtlich des Geräuschs, um zu bestimmen, ob die Bearbeitung normal oder anomal ist.
Patentliteratur 1 beschreibt beispielshaft eine Technologie zur Erkennung einer Anomalie einer Maschine durch Beobachtung des Betriebsgeräusches der Maschine unter Verwendung eines Akustiksensors, wie beispielsweise eines Mikrofons. Insbesondere beschreibt Patentliteratur 1 eine Modell-Lernvorrichtung, die ein Modell zur Erkennung einer Anomalie aus Beobachtungsdaten erlernt, die durch Beobachtung des Betriebsgeräusches einer Maschine gewonnen wurden.
Zitierliste
Patentliteratur
Patentliteratur 1: Japanische Patentanmeldung Offenlegungsnummer 2019 - 139 554
Kurzbeschreibung
Technisches Problem
Um auf der Grundlage eines Modells, das unter Verwendung von Geräusch-Beobachtungsdaten erlernt wurde, zu bestimmen, ob der Bearbeitungszustand ein normaler Zustand oder ein anormaler Zustand ist, muss die Übertragungscharakteristik von einer Bestimmungszielvorrichtung, d. h. einer Geräuschquelle, zu einem Akustiksensor sowohl während des Lernens als auch während des Betriebs gleich sein. Wenn beispielsweise ein Modell, das unter Verwendung von Geräusch-Beobachtungsdaten für eine bestimmte Vorrichtung erlernt wurde, für einen anderen Vorrichtungstyp verwendet wird, dessen Funktionalität der Funktionalität der nämlichen Vorrichtung entspricht, ändert sich die Übertragungscharakteristik (im Folgenden als akustische Charakteristik bezeichnet) von der Geräuschquelle zum Akustiksensor aufgrund des Unterschieds im Vorrichtungstyp, wie beispielsweise einem Unterschied in der Vorrichtungsform, und einem Unterschied in der Position der Platzierung des Akustiksensors. Daraus ergibt sich ein Problem einer Verringerung der Bestimmungsgenauigkeit. Eine solche Änderung der akustischen Charakteristik ist insbesondere dann problematisch, wenn ein Unterschied zwischen dem Geräusch im normalen Bearbeitungszustand und dem Geräusch im anomalen Bearbeitungszustand gering ist, wie beispielsweise bei einer Bestimmung einer Krätzebildung bei einer Laserbearbeitungsmaschine. Um eine Verringerung der Bestimmungsgenauigkeit zu verhindern, muss für jeden Vorrichtungstyp eine ausreichende Menge an Beobachtungsdaten gesammelt und muss ein Modell für jeden einzelnen Vorrichtungstyp (auf einer Vorrichtungstyp-für-Vorrichtungstyp Basis) erlernt werden.
In den meisten Fällen ist die Erzeugung von Lerndaten für das Lernen eines Modells leider kostspielig. Die Erzeugung von Lerndaten für jeden von verschiedenen Vorrichtungstypen erfordert das Sammeln von Daten, die für die Erzeugung der Lerndaten erforderlich sind, und zwar für jeden einzelnen Vorrichtungstyp. Zu diesem Zweck sind eine große Anzahl von Mitarbeitern und ein hoher Zeitaufwand erforderlich.
Die vorstehende Beschreibung ist auf die Verwendung von Beobachtungsdaten über ein während einer Bearbeitung erzeugtes Geräusch gerichtet, um zu bestimmen, ob die Bearbeitung normal ist, aber ein ähnliches Problem stellt sich bei der Verwendung von Beobachtungsdaten über eine während einer Bearbeitung erzeugte Vibration/Schwingung, um zu bestimmen, ob die Bearbeitung normal ist.
Die vorliegende Offenbarung wurde in Anbetracht der vorstehenden Ausführungen gemacht, und es ist eine Aufgabe der vorliegenden Offenbarung, eine Datenerzeugungsvorrichtung bereitzustellen, welche die für die Erzeugung von Lerndaten erforderlichen Kosten reduzieren kann.
Lösung des Problems
Um das vorstehende Problem zu lösen und die Aufgabe zu erreichen, stellt die vorliegende Offenbarung eine Datenerzeugungsvorrichtung zum Erzeugen von Lerndaten zum Lernen eines Bestimmungsmodells zum Schätzen eines Bearbeitungszustands eines Werkstücks auf der Grundlage von Folgendem bereit:

Beobachtungsdaten zu mindestens einem von einem Geräusch und einer Vibration, die während der Bearbeitung des Werkstücks durch eine Werkzeugmaschine erzeugt werden; und einer Bearbeitungsbedingung, die bei der Bearbeitung des Werkstücks durch die Werkzeugmaschine verwendet wird. Dabei weist die Datenerzeugungsvorrichtung auf: eine Massendaten-Erfassungseinheit, um Massendaten zu erhalten, wobei die Massendaten umfangreiche Lerndaten sind, die beim Lernen eines ersten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines durch eine erste Werkzeugmaschine bearbeiteten Werkstücks verwendet werden; und eine Erfassungseinheit für adaptive Daten, um adaptive Daten zur Verwendung bei der Erzeugung von Lerndaten zur Verwendung beim Lernen eines zweiten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines durch eine zweite Werkzeugmaschine bearbeiteten Werkstücks zu erhalten. Die Datenerzeugungsvorrichtung weist auch eine Lerndaten-Erzeugungseinheit auf, um die Massendaten auf der Grundlage der adaptiven Daten umzuwandeln, um angepasste Massendaten zur Verwendung beim Lernen des zweiten Bestimmungsmodells zu erzeugen.

Vorteilhafte Wirkungen der Erfindung
Eine Datenerzeugungsvorrichtung gemäß der vorliegenden Offenbarung bietet den Vorteil, dass sie in der Lage ist, die für die Erzeugung von Lerndaten erforderlichen Kosten zu reduzieren.
Figurenliste

1 ist ein Diagramm, das ein Diagramm zeigt, welches ein Beispiel für ein System für maschinelles Lernen zeigt, das so konfiguriert ist, dass es eine Datenerzeugungsvorrichtung gemäß einer ersten Ausführungsform umfasst.
2 ist ein Diagramm, das eine beispielhafte Konfiguration der Datenerzeugungsvorrichtung gemäß der ersten Ausführungsform zeigt.
3 ist ein Diagramm, das ein Beispiel einer Beziehung zwischen Massendaten und adaptiven Daten zeigt.
4 ist ein Flussdiagramm, das einen Vorgang zum Erzeugen angepasster Massendaten zeigt, der von der Datenerzeugungsvorrichtung gemäß der ersten Ausführungsform durchgeführt wird.
5 ist ein Diagramm, das ein Beispiel für ein System für maschinelles Lernen zeigt, das so konfiguriert ist, dass es eine Datenerzeugungsvorrichtung gemäß einer zweiten Ausführungsform umfasst.
6 ist ein Diagramm, das eine beispielhafte Konfiguration der Datenerzeugungsvorrichtung gemäß der zweiten Ausführungsform zeigt.
7 ist ein Flussdiagramm, das einen Vorgang zum Erzeugen angepasster Massendaten zeigt, der von der Datenerzeugungsvorrichtung gemäß der zweiten Ausführungsform durchgeführt wird.

Beschreibung von Ausführungsformen
Eine Datenerzeugungsvorrichtung, ein System für maschinelles Lernen und eine Bearbeitungszustands-Schätzvorrichtung gemäß Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die Zeichnungen detailliert beschrieben. Die folgende Beschreibung jeder der Ausführungsformen ist auf eine Datenerzeugungsvorrichtung gerichtet, die Lerndaten erzeugt, zur Verwendung in einem Prozess des Lernens einer Beziehung zwischen einem Bearbeitungsgeräusch, das ein Geräusch ist, das erzeugt wird, wenn eine Werkzeugmaschine ein Werkstück bearbeitet, einer Bearbeitungsbedingung, und einem Bearbeitungszustand des Werkstücks. Die Ausführungsformen werden jeweils unter der Annahme beschrieben, dass die Werkzeugmaschine eine beispielhafte Laserbearbeitungsmaschine ist, aber die Werkzeugmaschine ist nicht auf eine Laserbearbeitungsmaschine beschränkt. Die Werkzeugmaschine kann eine Bearbeitungsmaschine sein, die während der Bearbeitung ein Geräusch erzeugt, wie beispielsweise eine Funkenerosionsmaschine oder eine Drehmaschine. Zusätzlich wird die folgende Beschreibung unter Verwendung eines Beispiels eines Falls eines Lernens eines Bearbeitungsgeräusch bereitgestellt, das bei der Bearbeitung eines Werkstücks durch eine Werkzeugmaschine erzeugt wird, aber anstelle eines Lernens eines Bearbeitungsgeräuschs kann auch eine Bearbeitungsvibration gelernt werden. Eine Bearbeitungsvibration ist eine Vibration eines Werkstücks, die während der Bearbeitung erzeugt wird. Außerdem können sowohl ein Bearbeitungsgeräusch als auch eine Bearbeitungsvibration gelernt werden. Das heißt, dass ein Bearbeitungsgeräusch und/oder eine Bearbeitungsvibration, die bei der Bearbeitung eines Werkstücks durch eine Werkzeugmaschine erzeugt werden, gelernt werden.
Erste Ausführungsform.
1 ist ein Diagramm, das ein Beispiel für ein System für maschinelles Lernen zeigt, das so konfiguriert ist, dass es eine Datenerzeugungsvorrichtung gemäß einer ersten Ausführungsform umfasst. Ein System für maschinelles Lernen 100 umfasst eine Datenerzeugungsvorrichtung 1 und eine Vorrichtung für maschinelles Lernen 2. Die Datenerzeugungsvorrichtung 1 erzeugt Lerndaten auf der Grundlage von Massendaten 50 und adaptiven Daten 60. Die Vorrichtung für maschinelles Lernen 2 erzeugt ein Bestimmungsmodell 3, indem sie maschinelles Lernen unter Verwendung der von der Datenerzeugungsvorrichtung 1 erzeugten Lerndaten durchführt. Das Bestimmungsmodell 3 wird in einer Bearbeitungszustands-Schätzvorrichtung 300 verwendet. Die Bearbeitungszustands-Schätzvorrichtung 300 schätzt einen Bearbeitungszustand eines Werkstücks auf der Grundlage einer Bearbeitungsbedingung und eines Bearbeitungsgeräuschs, das erzeugt wird, wenn eine (nicht gezeigte) Werkzeugmaschine das Werkstück bearbeitet. Die Bearbeitungszustands-Schätzvorrichtung 300 umfasst eine Zustands-Schätzeinheit 301. Die Zustands-Schätzeinheit 301 schätzt den Bearbeitungszustand unter Verwendung des Bestimmungsmodells 3 ab.
Wenn in dieser Hinsicht in einer Laserbearbeitungsmaschine eines bestimmten Typs gesammelte Lerndaten eine ausreichende Menge aufweisen, um eine ausreichende Bestimmungsgenauigkeit zu gewährleisten, werden solche Lerndaten als „Massendaten“ bezeichnet. Die in die Datenerzeugungsvorrichtung 1 eingegebenen Massendaten 50, die in einer Laserbearbeitungsmaschine des Vorrichtungstyps A gesammelt wurden, sind umfangreiche Lerndaten, d. h. eine große Menge an Lerndaten für den Vorrichtungstyp A. Die Laserbearbeitungsmaschine des Vorrichtungstyps A wird als eine erste Werkzeugmaschine definiert. Mit anderen Worten sind die Massendaten 50 umfangreiche Lerndaten, die beim Erlernen eines ersten Bestimmungsmodells verwendet werden, das ein Bestimmungsmodell zum Bestimmen eines Bearbeitungszustands eines Werkstücks ist, das von einer Laserbearbeitungsmaschine des Vorrichtungstyps A bearbeitet wird.
Die Massendaten 50 umfassen Beobachtungsdaten 51, Bearbeitungszustandsdaten 52 und Bearbeitungsbedingungsdaten 53. Die Beobachtungsdaten 51 werden von einem Akustiksensor, beispielsweise einem Mikrofon, ausgegeben, um ein Bearbeitungsgeräusch zu beobachten, das erzeugt wird, wenn die Laserbearbeitungsmaschine des Vorrichtungstyps A das Werkstück bearbeitet. Die Bearbeitungszustandsdaten 52 sind Kennzeichnungsdaten, die einen Bearbeitungszustand des bearbeiteten Werkstücks angeben. Die Bearbeitungsbedingungsdaten 53 stehen für verschiedene Betriebsparameter, die bei der Bearbeitung eingestellt wurden. Die Beobachtungsdaten 51, die Bearbeitungszustandsdaten 52 und die Bearbeitungsbedingungsdaten 53 sind miteinander verknüpft. Das heißt, die Beobachtungsdaten 51, die zu einem bestimmten Zeitpunkt während der Bearbeitung beobachtet werden, sind mit den Bearbeitungszustandsdaten 52 und den Bearbeitungsbedingungsdaten 53 zu diesem Zeitpunkt verknüpft. Es wird darauf hingewiesen, dass es sich bei den Beobachtungsdaten 51 auch um Daten handeln kann, die das Ergebnis einer Beobachtung der während der Bearbeitung erzeugten Bearbeitungsvibrationen darstellen, oder um Daten handeln kann, die das Ergebnis der Beobachtung sowohl von Bearbeitungsgeräusch als auch von Bearbeitungsvibration darstellen. Die Bearbeitungszustandsdaten 52 geben an, ob die Bearbeitung normal durchgeführt wurde oder eine Anomalie aufgetreten ist. Wenn eine Anomalie aufgetreten ist, geben die Bearbeitungszustandsdaten 52 auch den Typ der Anomalie an. Beispiele für den Typ der Anomalie sind Krätze und Fugenbildung, wenn es sich bei der Werkzeugmaschine um eine Laserbearbeitungsmaschine handelt, sowie ein Riss und ein ungewöhnlicher Lichtbogen, wenn es sich bei der Werkzeugmaschine um eine Funkenerosionsmaschine handelt. In dem Fall, in dem die Werkzeugmaschine eine Laserbearbeitungsmaschine ist, umfassen Beispiele für die Betriebsparameter, die durch die Bearbeitungsbedingungsdaten 53 dargestellt werden, den Gasdruck, die Laserleistung, die Frequenz des Laserstrahls und die Bearbeitungsgeschwindigkeit. In dem Fall, in dem die Werkzeugmaschine eine Funkenerosionsmaschine ist, umfassen Beispiele für die Betriebsparameter die durch die Bearbeitungsbedingungsdaten 53 dargestellt werden, die Bearbeitungsspannung, den Bearbeitungsstrom, die Spannungspulsbreite und die Bearbeitungsgeschwindigkeit. Da die Bearbeitungszustandsdaten 52 auch Informationen über den Typ der Anomalie umfassen, ist es möglich, ein Bestimmungsmodell 3 zu erstellen, das in der Lage ist, beim Auftreten einer Anomalie abzuschätzen, welcher Typ von Anomalie vorliegt. Das heißt, es ist möglich, die Genauigkeit der Schätzung eines anomalen Zustands des Bearbeitungszustands zu verbessern.
Die adaptiven Daten 60 umfassen Beobachtungsdaten 61, Bearbeitungszustandsdaten 62 und Bearbeitungsbedingungsdaten 63, die den in den Massendaten 50 enthaltenen Beobachtungsdaten 51, Bearbeitungszustandsdaten 52 und Bearbeitungsbedingungsdaten 53 ähnlich sind. Diese adaptiven Daten 60 sind Daten, die gesammelt wurden, während ein Werkstück von einer Laserbearbeitungsmaschine des Vorrichtungstyps B bearbeitet wurde. Die Laserbearbeitungsmaschine des Vorrichtungstyps B wird als zweite Werkzeugmaschine definiert. Die adaptiven Daten 60 ähneln in ihrer Struktur den Massendaten 50 für Vorrichtungstyp A, sind aber im Gegensatz zu den Massendaten 50 in ihrer Menge gering. Das heißt, obwohl die adaptiven Daten 60 als Lerndaten für den Vorrichtungstyp B verwendet werden können, ist die Menge der adaptiven Daten 60 nicht groß genug, um eine ausreichende Bestimmungsgenauigkeit zu gewährleisten. Daher verwendet die Datenerzeugungsvorrichtung 1 gemäß der vorliegenden Ausführungsform, wie nachfolgend beschrieben, die adaptiven Daten 60, um eine ausreichende Menge an Vorrichtungstyp B-Lerndaten zu erzeugen, d. h. um Vorrichtungstyp B-Lerndaten in einer ausreichenden Menge zu erzeugen, um eine ausreichende Bestimmungsgenauigkeit zu gewährleisten.
Es wird darauf hingewiesen, dass zur Vereinfachung der Beschreibung die Laserbearbeitungsmaschine des Vorrichtungstyps A im Folgenden einfach als „Vorrichtungstyp A“ und die Laserbearbeitungsmaschine des Vorrichtungstyps B im Folgenden einfach als „Vorrichtungstyp B“ bezeichnet werden kann.
Auf der Grundlage der Massendaten 50 und der adaptiven Daten 60, die in die Datenerzeugungsvorrichtung 1 eingegeben werden, erzeugt die Datenerzeugungsvorrichtung 1 Lerndaten in einer Menge, die es der Vorrichtung für maschinelles Lernen 2 ermöglicht, ausreichendes maschinelles Lernen für den Vorrichtungstyp B durchzuführen. Insbesondere führt die Datenerzeugungsvorrichtung 1 unter Verwendung der Massendaten 50, die während der Bearbeitung durch den Vorrichtungstyp A gesammelt wurden, und der adaptiven Daten 60, die während der Bearbeitung durch den Vorrichtungstyp B gesammelt wurden, eine Adaptierungsverarbeitung durch, um einen Unterschied zwischen Lerndaten für die Vorrichtungstypen zu kompensieren, wobei der Unterschied aus dem Unterschied im Vorrichtungstyp resultiert. Genauer gesagt führt die Datenerzeugungsvorrichtung 1 die Adaptierungsverarbeitung durch, um den Unterschied in den Lerndaten zu kompensieren, der aus einem Unterschied zwischen einer akustischen Charakteristik des Vorrichtungstyps A und einer akustischen Charakteristik des Vorrichtungstyps B resultiert. Die Adaptierungsverarbeitung umfasst die Umwandlung einer Merkmalsmenge jedes Teils der Lerndaten der Massendaten 50. Insbesondere umfasst die Adaptierungsverarbeitung die Umwandlung einer Merkmalsmenge der Beobachtungsdaten.
Die Vorrichtung für maschinelles Lernen 2 führt maschinelles Lernen unter Verwendung einer ausreichenden Menge von Vorrichtungstyp B-Lerndaten durch, die von der Datenerzeugungsvorrichtung 1 erzeugt wurden, um dadurch die Korrespondenzbeziehung zwischen den Beobachtungsdaten, der Bearbeitungsbedingung und dem Bearbeitungszustand zu erlernen. Das heißt, die Vorrichtung für maschinelles Lernen 2 erzeugt aus den Beobachtungsdaten und der Bearbeitungsbedingung ein zweites Bestimmungsmodell, welches das Bestimmungsmodell 3 zum Schätzen des Bearbeitungszustands eines Werkstücks ist, das durch den Vorrichtungstyp B bearbeitet wird. Es wird darauf hingewiesen, dass es keine Beschränkung bezüglich des Algorithmus gibt, den die Vorrichtung für maschinelles Lernen 2 beim maschinellen Lernen verwendet, um das Bestimmungsmodell 3 zu erzeugen. Es kann jeder Algorithmus verwendet werden, der beim überwachten Lernen eingesetzt wird.
Die Datenerzeugungsvorrichtung 1 gemäß der vorliegenden Ausführungsform wird im Folgenden im Detail beschrieben. 2 ist ein Diagramm, das eine beispielhafte Konfiguration der Datenerzeugungsvorrichtung 1 gemäß der ersten Ausführungsform zeigt. Die Datenerzeugungsvorrichtung 1 kann beispielsweise durch einen elektronischen Computer, wie einem Personal Computer, implementiert werden. 2 zeigt ein Beispiel, in dem die Datenerzeugungsvorrichtung 1 durch einen elektronischen Computer implementiert ist. Wie in 2 gezeigt, wird die Datenerzeugungsvorrichtung 1 durch eine zentrale Verarbeitungseinheit (CPU) 201, eine Schnittstellenschaltung 202 und einen Datenspeicher 203 des elektronischen Computers implementiert. Die Schnittstellenschaltung 202 ist eine Schaltung, die es dem elektronischen Computer ermöglicht, Daten mit einer anderen Vorrichtung auszutauschen. Der Datenspeicher 203 ist ein Direktzugriffsspeicher (RAM), ein Festwertspeicher (ROM) oder ähnliches.
Die Datenerzeugungsvorrichtung 1 umfasst eine Lerndaten-Erzeugungseinheit 10, eine Erfassungseinheit für adaptive Daten 22, eine Datenausgabeeinheit 23, eine Speichereinheit für Massendaten 31, eine Speichereinheit für adaptive Daten 32 und eine Speichereinheit für angepasste Massendaten 33. Die Lerndaten-Erzeugungseinheit 10 wird durch die CPU 201 implementiert. Die Massendaten-Erfassungseinheit 21, die Erfassungseinheit für adaptive Daten 22 und die Datenausgabeeinheit 23 werden durch die Schnittstellenschaltung 202 implementiert. Die Speichereinheit für Massendaten 31, die Speichereinheit für adaptive Daten 32 und die Speichereinheit für angepasste Massendaten 33 werden durch den Datenspeicher 203 implementiert.
In der Datenerzeugungsvorrichtung 1 erhält die Massendaten-Erfassungseinheit 21 die in 1 gezeigten Massendaten 50 und speichert die Massendaten 50 in der Speichereinheit für Massendaten 31. Darüber hinaus erhält die Erfassungseinheit für adaptive Daten 22 die in 1 gezeigten adaptiven Daten 60 und speichert die adaptiven Daten 60 in der Speichereinheit für adaptive Daten 32. Wenn die Lerndaten-Erzeugungseinheit 10 angepasste Massendaten erzeugt, die Lerndaten sind, empfängt und speichert die Speichereinheit für angepasste Massendaten 33 die erzeugten angepassten Massendaten. Die angepassten Massendaten werden nachfolgend im Detail beschrieben. Die Datenausgabeeinheit 23 liest die angepassten Massendaten aus der Speichereinheit für angepasste Massendaten 33 aus und gibt die angepassten Massendaten an die in 1 gezeigte Vorrichtung für maschinelles Lernen 2 aus. Es wird darauf hingewiesen, dass die Datenausgabeeinheit 23 auch die adaptiven Daten an die Vorrichtung für maschinelles Lernen 2 ausgeben kann, zusammen mit den angepassten Massendaten. Die von der Datenausgabeeinheit 23 ausgegebenen Daten, welches die angepassten Massendaten und die adaptiven Daten sind, werden von der Vorrichtung für maschinelles Lernen 2 beim maschinellen Lernen verwendet, um das Bestimmungsmodell 3 zu erzeugen.
Die Lerndaten-Erzeugungseinheit 10, die eine Daten-Extraktionseinheit 11, eine Daten-Analyseeinheit 12 und eine Daten-Umwandlungseinheit 13 umfasst, erzeugt die angepassten Massendaten. Die angepassten Massendaten sind Daten, die durch Umwandeln der Massendaten 50 für den Vorrichtungstyp A auf der Grundlage des Unterschieds hinsichtlich des Vorrichtungstyps, also des Unterschieds in der akustischen Charakteristik zwischen dem Vorrichtungstyp A und dem Vorrichtungstyp B, erhalten werden. Die angepassten Massendaten sind umfangreiche Lerndaten, die beim maschinellen Lernen verwendet werden können, das auf den Vorrichtungstyp B gerichtet ist. Somit sind die angepassten Massendaten Massendaten für den Vorrichtungstyp B.
In der Lerndaten-Erzeugungseinheit 10 extrahiert die Daten-Extraktionseinheit 11 aus den Massendaten 50 und aus den adaptiven Daten 60 Lerndaten, die eine bestimmte Bedingung erfüllen. Die Daten-Analyseeinheit 12 analysiert die von der Daten-Extraktionseinheit 11 extrahierten Lerndaten und ermittelt den Unterschied zwischen den Vorrichtungstyp A-Lerndaten und den Vorrichtungstyps B-Lerndaten. Die Daten-Umwandlungseinheit 13 führt eine Adaptierungsverarbeitung zum Umwandeln der Massendaten 50 auf der Grundlage des von der Daten-Analyseeinheit 12 erhaltenen Unterschieds durch, um dadurch die angepassten Massendaten zu erzeugen, d. h. Massendaten für den Vorrichtungstyp B. Das heißt, die Daten-Umwandlungseinheit 13 wandelt eine Merkmalsmenge jedes Teils der Lerndaten der Massendaten 50 auf der Grundlage des von der Daten-Analyseeinheit 12 erhaltenen Unterschieds um.
Beim Erzeugen der angepassten Massendaten durch die Lerndaten-Erzeugungseinheit 10 wandelt die Daten-Umwandlungseinheit 13 die Merkmalsmenge um, beispielsweise mit Hilfe einer Filterbank-Analyse.
Die Filterbank-Analyse ist eine Technik zur Gewinnung von n Signalleistungs-Werten als Merkmalsmengen durch Durchführung einer Frequenzanalyse eines Signals (welches den Beobachtungsdaten 51 und 61 in der vorliegenden Ausführungsform entspricht), das von einem Akustiksensor beobachtet wird, und zur Berechnung der Signalleistung jedes der in n Frequenzbänder unterteilten Frequenzbänder. Bei dieser Analyse werden n Werte als ein n-dimensionaler Vektor betrachtet. Das Bestimmungsmodell ist in diesem Fall ein Modell, das in Abhängigkeit von den Werten des n-dimensionalen Vektors, der in das Modell eingegeben wird, ein Ergebnis einer Schätzung des Zustands (beispielsweise in der vorliegenden Ausführungsform des Bearbeitungszustands) ausgibt.
3 ist ein Diagramm, das ein Beispiel für die Beziehung zwischen den Massendaten 50 und den adaptiven Daten 60 zeigt. Genauer gesagt ist 3 eine grafische Darstellung eines Durchschnittswerts jeder von n Merkmalsmengen, die durch Filterbank-Analyse jedes Teils der Beobachtungsdaten 51 erhalten werden, die unter einer Bearbeitungsbedingung „c“ beobachtet wurden, die in den Massendaten 50 enthalten sind, und eines Durchschnittswerts jeder von n Merkmalsmengen, die durch Filterbank-Analyse jedes Teils der Beobachtungsdaten 61 erhalten werden, die unter der Bearbeitungsbedingung „c“ beobachtet wurden, die in den adaptiven Daten 60 enthalten sind. Der Durchschnittswert jeder von n Merkmalsmengen, der aus den unter der Bearbeitungsbedingung „c“ beobachteten Beobachtungsdaten 51 berechnet wird, wird im Folgenden als Durchschnittswert-Vektor µ_c ^(A) bezeichnet. Der Durchschnittswert jeder der n Merkmalsmengen, der aus den unter der Bearbeitungsbedingung „c“ beobachteten Beobachtungsdaten 61 berechnet wird, wird im Folgenden als Durchschnittswert-Vektor µ_c ^(B) bezeichnet.
In dieser Hinsicht weist die Bearbeitungsbedingung „c“ in einem solchen Ausmaß einen Spielraum oder eine Toleranz auf, dass Bearbeitungsbedingungen, die innerhalb dieser Toleranz liegen, im Allgemeinen als dieselben Bearbeitungsbedingungen angesehen werden können. Zum Beispiel weist jeder der durch die Bearbeitungsbedingung „c“ dargestellten Betriebsparameter, wie beispielsweise der Gasdruck, die Laserleistung usw., einen vorgegebenen Bereich auf. In diesem Fall bestimmt die Lerndaten-Erzeugungseinheit 10, dass eine Bearbeitungsbedingung mit ihren Betriebsparametern, von denen jeder in diesen Bereich des entsprechenden Betriebsparameters fällt, die Bearbeitungsbedingung „c“ ist.
Der Unterschied (im Folgenden als Offset bezeichnet) zwischen den beiden in 3 gezeigten Durchschnittswert-Vektoren wird mit s = µ_c ^(A) - µ_c ^(B) bezeichnet. Jede der Merkmalsmengen der Beobachtungsdaten 51 der Massendaten 50 wird durch Subtraktion des Offsets „s“ von dieser Merkmalsmenge verschoben, um dadurch angepasste Massendaten zu erzeugen, die eine Varianz (Variation) ähnlich derjenigen der Massendaten 50 aufweisen und eine Durchschnittswert-Charakteristik ähnlich derjenigen der adaptiven Daten 60 aufweisen. Das Bestimmungsmodell 3, das die Vorrichtung für maschinelles Lernen 2 unter Verwendung dieser angepassten Massendaten lernt, kann bei der Schätzung des Bearbeitungszustands eines Werkstücks verwendet werden, das durch den Vorrichtungstyp B bearbeitet wird. Es wird darauf hingewiesen, dass der Verschiebungsvorgang, der den Offset „s“ von der Merkmalsmenge der Beobachtungsdaten 51 der Massendaten 50 subtrahiert, ein Beispiel für die Verarbeitung der Umwandlung der Massendaten 50 in die angepassten Massendaten ist. Bei der Umwandlungsverarbeitung der Massendaten 50 in die angepassten Massendaten werden die in den Massendaten 50 enthaltenen Bearbeitungszustandsdaten 52 und die Bearbeitungsbedingungsdaten 53 nicht umgewandelt, sondern behalten ihre ursprünglichen Werte bei. Das heißt, die Umwandlungsverarbeitung der Massendaten 50 in die angepassten Massendaten ist eine Umwandlungsverarbeitung der Merkmalsmengen der in den Massendaten 50 enthaltenen Beobachtungsdaten 51.
Die Lerndaten-Erzeugungseinheit 10 dient zur Erzeugung der angepassten Massendaten unter Verwendung der Filterbank-Analyse, wie im Flussdiagramm von 4 gezeigt.
4 ist ein Flussdiagramm, das einen Vorgang zum Erzeugen angepasster Massendaten zeigt, der von der Datenerzeugungsvorrichtung 1 gemäß der ersten Ausführungsform durchgeführt wird.
Die Lerndaten-Erzeugungseinheit 10 berechnet zunächst den Durchschnittswert-Vektor für die Bearbeitungsbedingung „c“, der in den Massendaten 50 hinsichtlich des Vorrichtungstyp A enthalten ist (Schritt S11). In diesem Schritt S11 extrahiert die Daten-Extraktionseinheit 11 aus den in der Speichereinheit für Massendaten 31 gespeicherten Massendaten 50 Lerndaten über die Bearbeitungsbedingung „c“, also Lerndaten über die Bearbeitungsbedingung 53, die der Bearbeitungsbedingung „c“ entspricht. Als Nächstes führt die Daten-Analyseeinheit 12 eine Filterbank-Analyse der Beobachtungsdaten 51 für jeden Teil der Lerndaten durch, die von der Daten-Extraktionseinheit 11 extrahiert wurden, um dadurch eine n-dimensionale Merkmalsmenge zu erhalten, und berechnet dann den Durchschnittswert-Vektor aus der n-dimensionalen Merkmalsmenge.
Die Lerndaten-Erzeugungseinheit 10 berechnet als Nächstes den Durchschnittswert-Vektor µ_c ^(B) für die in den adaptiven Daten 60 hinsichtlich des Vorrichtungstyp B enthaltene Bearbeitungsbedingung „c“ (Schritt S12). In diesem Schritt S12 führen die Daten-Extraktionseinheit 11 und die Daten-Analyseeinheit 12 an den adaptiven Daten 60 für den Vorrichtungstyp B einen Vorgang ähnlich dem vorstehend in Schritt S 11 ausgeführten Vorgang durch, um dadurch den Durchschnittswert-Vektor µ_c ^(B) zu berechnen.
Die Lerndaten-Erzeugungseinheit 10 berechnet als Nächstes den Offset „s“ (Schritt S13). Konkret subtrahiert die Daten-Analyseeinheit 12 den Durchschnittswert-Vektor µ_c ^(B) vom Durchschnittswert-Vektor µ_c ^(A), um so den Offset „s“ zu erhalten.
Die Lerndaten-Erzeugungseinheit 10 subtrahiert als Nächstes den Offset „s“ von allen Vektoren, die in den Massendaten 50 für den Vorrichtungstyp A enthalten sind, um dadurch die angepassten Massendaten zu erzeugen (Schritt S14). In diesem Schritt S14 führt die Daten-Analyseeinheit 12 zunächst eine Filterbank-Analyse an jedem Teil der Beobachtungsdaten 51 in den Lerndaten durch, die in den Massendaten 50 für den Vorrichtungstyp A enthalten sind, um dadurch die n-dimensionale Merkmalsmenge (Vektor) zu berechnen. Bei diesem Vorgang muss der Vektor für die Bearbeitungsbedingung „c“, der bereits im vorstehenden Schritt S11 berechnet wurde, nicht berechnet werden. Als Nächstes subtrahiert die Daten-Umwandlungseinheit 13 den Offset „s“ von jedem der von der Daten-Analyseeinheit 12 berechneten Vektoren. Es ist zu beachten, dass die Bearbeitungszustandsdaten 52 und die Bearbeitungsbedingungsdaten 53, welche die in den Massendaten 50 für den Vorrichtungstyp A enthaltenen Lerndaten definieren, nicht umgewandelt werden. Das heißt, die angepassten Massendaten, die durch Umwandlung der Massendaten 50 für den Vorrichtungstyp A erhalten werden, umfassen die Bearbeitungszustandsdaten 52 und die Bearbeitungsbedingungsdaten 53, die in den Massendaten 50 für den Vorrichtungstyp A enthalten sind.
Es wird darauf hingewiesen, dass in dem in 4 gezeigten Beispiel ein einziger Durchschnittswert-Vektor für jeden Vorrichtungstyp zur Verwendung bei der Berechnung des Offsets „s“ berechnet wird, aber der Durchschnittswert-Vektor ist nicht darauf beschränkt. Zum Beispiel wird für jeden Vorrichtungstyp A und Vorrichtungstyp B ein Durchschnittswert-Vektor berechnet, wenn der Bearbeitungszustand ein normaler Zustand ist, und ein Durchschnittswert-Vektor berechnet, wenn der Bearbeitungszustand ein anomaler Zustand ist. In einem solchen Fall wird zur Umwandlung der Massendaten 50 ein Offset „s“ so berechnet, dass der Durchschnittswert-Fehler zwischen den Vorrichtungstypen reduziert wird, wenn der Bearbeitungszustand ein normaler Zustand ist, und dass der Durchschnittswert-Fehler zwischen den Vorrichtungstypen reduziert wird, wenn der Bearbeitungszustand ein anomaler Zustand ist. Bei diesem Vorgang wird bei der Berechnung der Durchschnittswert-Fehler in jedem Bearbeitungszustand eine Gewichtung gesetzt, wodurch eine Gewichtung vorgenommen wird, um die Genauigkeit der Erkennung des anomalen Zustands vorzugsweise zu verbessern.
Obwohl das in 4 gezeigte Beispiel eine einfache Methode bereitstellt, die nur die einzelne Bearbeitungsbedingung „c“ berücksichtigt, können die Durchschnittswert-Vektoren für mehrere Bearbeitungsbedingungen berechnet werden, und ein Offset „s“, der die Durchschnittswert-Fehler unter diesen Durchschnittswert-Vektoren minimiert, kann für die Umwandlung berechnet werden. Alternativ kann, wenn eine ausreichende Menge an adaptiven Daten für jede der Bearbeitungsbedingungen erhalten werden kann, ein Offset „s“ für jede einzelne Bearbeitungsbedingung berechnet werden, und es können verschiedene Umwandlungen unter Verwendung verschiedener Offsets „s“ für verschiedene Bearbeitungsbedingungen durchgeführt werden.
Wie vorstehend beschrieben, wandelt die Datenerzeugungsvorrichtung 1 in dem System für maschinelles Lernen 100 gemäß der ersten Ausführungsform die in den Massendaten 50 enthaltenen Beobachtungsdaten 51 auf der Grundlage der Massendaten 50 und der adaptiven Daten 60 um, um die angepassten Massendaten zu erzeugen. Die Massendaten 50, die erzeugt werden, um ein auf den Vorrichtungstyp A gerichtetes Lernen durchzuführen, sind die Vorrichtungstyp A-Lerndaten in einer Menge, die ausreicht, um ein Bestimmungsmodell mit einer gewünschten Leistungsfähigkeit zu erzeugen. Die adaptiven Daten 60, die erzeugt werden, um ein auf den Vorrichtungstyp B gerichtetes Lernen durchzuführen, sind die Vorrichtungstyp B-Lerndaten in einer kleinen Menge. Die angepassten Massendaten sind die Vorrichtungstyp B-Lerndaten. Insbesondere extrahiert die Datenerzeugungsvorrichtung 1 sowohl aus den Massendaten 50 als auch den adaptiven Daten 60 Beobachtungsdaten, wenn die Bearbeitung unter einer Bearbeitungsbedingung innerhalb eines Bereichs von Bearbeitungsbedingungen durchgeführt wird, die als im Allgemeinen gleich angesehen werden. Die Datenerzeugungsvorrichtung 1 vergleicht die Merkmalsmengen der aus den Massendaten 50 extrahierten Beobachtungsdaten mit den Merkmalsmengen der aus den adaptiven Daten 60 extrahierten Beobachtungsdaten, um dadurch einen Offset zur Verwendung bei der Umwandlungsverarbeitung zu bestimmen, und wandelt die in den Massendaten 50 enthaltenen Beobachtungsdaten 51 um. Dadurch braucht die Bearbeitung und das Sammeln der Beobachtungsdaten für den Vorrichtungstyp B in der Praxis weniger oft durchgeführt zu werden, wodurch die für die Erzeugung von Lerndaten erforderlichen Kosten reduziert werden. Darüber hinaus kann dadurch aus den angepassten Massendaten die Unsicherheit aufgrund unterschiedlicher Bearbeitungsbedingungen eliminiert werden, so dass ein Bestimmungsmodell erlernt werden kann, das eine hochgenaue Bestimmung ermöglicht.
Zweite Ausführungsform.
Die vorstehende erste Ausführungsform basiert auf der Annahme, dass Lerndaten im Voraus gesammelt werden, aber eine Laserbearbeitungsmaschine kann automatisch eine spezielle Bearbeitung zur Sammlung von Daten für die Adaptierungsverarbeitung durchführen.
5 ist ein Diagramm, das ein Beispiel für ein System für maschinelles Lernen zeigt, das so konfiguriert ist, dass es eine Datenerzeugungsvorrichtung gemäß einer zweiten Ausführungsform umfasst. In 5 sind die gleichen Komponenten und Daten wie die des Systems für maschinelles Lernen 100 (siehe 1) gemäß der ersten Ausführungsform durch die gleichen Bezugszeichen wie die von 1 gekennzeichnet. Es wird darauf hingewiesen, dass in 5 auf die Bearbeitungszustands-Schätzvorrichtung, die das Bestimmungsmodell 3 verwendet, verzichtet wurde. Die vorliegende Ausführungsform unterscheidet sich von der ersten Ausführungsform in den nachfolgend erläuterten Aspekten.
Ein System für maschinelles Lernen 100a gemäß der zweiten Ausführungsform umfasst eine Datenerzeugungsvorrichtung 1a, die Vorrichtung für maschinelles Lernen 2, Laserbearbeitungsmaschinen 90A und 90B sowie Sensoren 91A und 91B.
Die Datenerzeugungsvorrichtung 1a erzeugt - ähnlich wie die Datenerzeugungsvorrichtung 1 des Systems für maschinelles Lernen 100 gemäß der ersten Ausführungsform - angepasste Massendaten, unterscheidet sich aber teilweise im Vorgang der Erzeugung der angepassten Massendaten.
Die Laserbearbeitungsmaschine 90A, bei der es sich um eine Laserbearbeitungsmaschine des Vorrichtungstyps A handelt, ist die Laserbearbeitungsmaschine, die für die Sammlung der Massendaten 50 verwendet wurde. Die Laserbearbeitungsmaschine 90A weist die Funktion auf, eine Bearbeitung unter einer von der Datenerzeugungsvorrichtung 1a festgelegten Bearbeitungsbedingung durchzuführen und adaptive Daten 70 zu erzeugen. Die Laserbearbeitungsmaschine 90B, bei der es sich um eine Laserbearbeitungsmaschine des Vorrichtungstyps B handelt, weist die Funktion auf, eine Bearbeitung unter einer von der Datenerzeugungsvorrichtung 1a vorgegebenen Bearbeitungsbedingung durchzuführen und adaptive Daten 80 zu erzeugen, wie die Laserbearbeitungsmaschine 90A. Die adaptiven Daten 70 und 80 weisen jeweils eine Struktur auf, die der Struktur der adaptiven Daten 60 der ersten Ausführungsform ähnlich ist.
Der Sensor 91A ist ein Akustiksensor oder ein Vibrationssensor, der an der Laserbearbeitungsmaschine 90A angebracht ist. Der Sensor 91A beobachtet ein Bearbeitungsgeräusch oder eine Bearbeitungsvibration, die erzeugt wird, wenn die Laserbearbeitungsmaschine 90A eine Bearbeitung durchführt, und erzeugt Beobachtungsdaten. Die vom Sensor 91A erzeugten Beobachtungsdaten werden an die Laserbearbeitungsmaschine 90A gesendet, damit sie zur Erzeugung der adaptiven Daten 70 verwendet werden können. In ähnlicher Weise ist der Sensor 91B ein Akustiksensor oder ein Vibrationssensor, der an der Laserbearbeitungsmaschine 90B angebracht ist. Der Sensor 91B beobachtet ein Bearbeitungsgeräusch oder eine Bearbeitungsvibration, die erzeugt wird, wenn die Laserbearbeitungsmaschine 90B eine Bearbeitung durchführt, und erzeugt Beobachtungsdaten. Die vom Sensor 91B erzeugten Beobachtungsdaten werden an die Laserbearbeitungsmaschine 90B gesendet, damit sie zur Erzeugung der adaptiven Daten 80 verwendet werden können.
Die allgemeine Funktionsweise des Systems für maschinelles Lernen 100a wird nun kurz beschrieben. In dem System für maschinelles Lernen 100a weist als erstes die Datenerzeugungsvorrichtung 1a den Vorrichtungstyp A und den Vorrichtungstyp B an, eine Bearbeitung unter der Bearbeitungsbedingung „c“ durchzuführen und adaptive Daten zu sammeln. Nach Erhalt dieser Anweisung führen der Vorrichtungstyp A und der Vorrichtungstyp B jeweils automatisch eine Bearbeitung unter der Bearbeitungsbedingung „c“ durch und sammeln während der Bearbeitung Beobachtungsdaten. Die Bearbeitungsbedingung „c“ ist hier so definiert, dass sie das Material eines Werkstücks und die Form eines durch Bearbeitung herzustellenden Produkts umfasst. Somit bearbeiten der Vorrichtungstyp A und der Vorrichtungstyp B Werkstücke aus demselben Material hin zu derselben Form. Da der Vorrichtungstyp A und der Vorrichtungstyp B die Bearbeitung unter der gleichen Bearbeitungsbedingung „c“ durchführen, resultiert der Unterschied zwischen den vom Vorrichtungstyp A gesammelten Beobachtungsdaten und den vom Vorrichtungstyp B gesammelten Beobachtungsdaten aus keinem anderen Faktor als dem Unterschied der Vorrichtungstypen. Dementsprechend ermöglicht die Durchführung einer Adaptierungsverarbeitung unter Verwendung dieser Stücke von Beobachtungsdaten eine präzisere Umwandlung der Massendaten 50. Der Vorrichtungstyp A und der Vorrichtungstyp B verknüpfen jeweils die gesammelten Beobachtungsdaten mit der Bearbeitungsbedingung „c“ und dem Bearbeitungszustand und erzeugen die adaptiven Daten 70 bzw. 80 (adaptive Daten D_c ^(A) bzw. D_c ^(B)). Es wird darauf hingewiesen, dass die Daten über den Bearbeitungszustand beispielsweise durch eine visuelle Überprüfung des Bearbeitungszustands des Werkstücks durch den Bediener erzeugt werden. Die Datenerzeugungsvorrichtung 1a führt eine Adaptierungsverarbeitung durch, wobei sie die adaptiven Daten 70 und 80 verwendet, die vom Vorrichtungstyp A bzw. vom Vorrichtungstyp B erzeugt wurden, um auf diese Weise angepasste Massendaten zu erzeugen. Obwohl die Beschreibung auf der Annahme beruht, dass die Bearbeitungsbedingung „c“ das Material des Werkstücks und die Form des durch Bearbeitung herzustellenden Produkts umfasst, kann die Datenerzeugungsvorrichtung 1a das Material des Werkstücks und die Form des Produkts getrennt von der Bearbeitungsbedingung „c“ angeben.
6 ist ein Diagramm, das eine beispielhafte Konfiguration der Datenerzeugungsvorrichtung 1a gemäß der zweiten Ausführungsform zeigt. Die Datenerzeugungsvorrichtung 1a ist so konfiguriert, dass sie anstelle der Lerndaten-Erzeugungseinheit 10 der Datenerzeugungsvorrichtung 1 gemäß der ersten Ausführungsform eine Lerndaten-Erzeugungseinheit 10a umfasst, und dass sie ferner eine Bearbeitungsvorgangs-Befehlseinheit 14 umfasst. Die Lerndaten-Erzeugungseinheit 10a entspricht der Lerndaten-Erzeugungseinheit 10, von welcher die Daten-Extraktionseinheit 11 entfernt wurde. Es wird darauf hingewiesen, dass die Erfassungseinheit für adaptive Daten 22 der Datenerzeugungsvorrichtung 1a die adaptiven Daten 70 und 80 erhält und die erhaltenen adaptiven Daten 70 und 80 in der Speichereinheit für adaptive Daten 32 speichert.
Die Daten-Analyseeinheit 12 und die Daten-Umwandlungseinheit 13 der Lerndaten-Erzeugungseinheit 10a führen ähnliche Vorgänge wie die Vorgänge der Daten-Analyseeinheit 12 und der Daten-Umwandlungseinheit 13 der in der ersten Ausführungsform beschriebenen Lerndaten-Erzeugungseinheit 10 durch, aber die Daten-Analyseeinheit 12 verarbeitet andere Daten als die Daten der ersten Ausführungsform. Genauer gesagt, die Daten-Analyseeinheit 12 der Lerndaten-Erzeugungseinheit 10a analysiert die adaptiven Daten 70 und 80, um Merkmalsmengen zu erhalten und um den Offset „s“ zur Verwendung bei der Umwandlungsverarbeitung in der Daten-Umwandlungseinheit 13 zu berechnen.
Die Bearbeitungsvorgangs-Befehlseinheit 14 teilt den Laserbearbeitungsmaschinen 90A und 90B die Bearbeitungsbedingung mit und weist die Laserbearbeitungsmaschinen 90A und 90B an, die Bearbeitung unter der mitgeteilten Bearbeitungsbedingung durchzuführen und die adaptiven Daten zu erzeugen.
Die Datenerzeugungsvorrichtung 1a arbeitet wie im Flussdiagramm von 7 gezeigt. 7 ist ein Flussdiagramm, das einen Vorgang zum Erzeugen angepasster Massendaten zeigt, der von der Datenerzeugungsvorrichtung 1a gemäß der zweiten Ausführungsform durchgeführt wird. Es wird darauf hingewiesen, dass die in 7 gezeigten Schritte S13 und S14 die gleichen sind wie die in 4 gezeigten Schritte S13 und S14, die in der ersten Ausführungsform beschrieben sind. Auf die Beschreibung der Schritte S13 und S14 wird daher verzichtet.
Die Datenerzeugungsvorrichtung 1a veranlasst zunächst den Vorrichtungstyp A dazu, eine Bearbeitung unter der Bearbeitungsbedingung „c“ durchzuführen, und sammelt die adaptiven Daten D_c ^(A) (Schritt S21). In diesem Schritt S21 benachrichtigt die Bearbeitungsvorgangs-Befehlseinheit 14 die Laserbearbeitungsmaschine 90A des Vorrichtungstyps A über die Bearbeitungsbedingung „c“ und weist die Laserbearbeitungsmaschine 90A an, die adaptiven Daten zu erzeugen. Wenn die Laserbearbeitungsmaschine 90A, welche diese Anweisung erhalten hat, die Erzeugung der adaptiven Daten D_c ^(A) abschließt, erhält die Erfassungseinheit für adaptive Daten 22 die erhaltenen adaptiven Daten D_c ^(A) und speichert diese in der Speichereinheit für adaptive Daten 32.
Die Datenerzeugungsvorrichtung 1a berechnet anschließend den Durchschnittswert-Vektor der adaptiven Daten D_c ^(A) (Schritt S22). In diesem Schritt S22 führt die Daten-Analyseeinheit 12 beispielsweise die in der ersten Ausführungsform beschriebene Filterbank-Analyse an den adaptiven Daten D_c ^(A) durch, um dadurch eine n-dimensionale Merkmalsmenge zu erhalten, und berechnet dann den Durchschnittswert-Vektor aus der n-dimensionalen Merkmalsmenge.
Die Datenerzeugungsvorrichtung 1a veranlasst als Nächstes den Vorrichtungstyp B dazu, eine Bearbeitung unter der Bearbeitungsbedingung „c“ durchzuführen, sammelt die adaptiven Daten D_c ^(B) (Schritt S23) und berechnet den Durchschnittswert-Vektor µ_c ^(B) der adaptiven Daten D_c ^(B) (Schritt S24). Schritt S23 wird ähnlich wie der vorstehend beschriebene Schritt S21 durchgeführt, und Schritt S24 wird ähnlich wie der vorstehend beschriebene Schritt S22 durchgeführt.
Die Datenerzeugungsvorrichtung 1a führt die vorstehenden Schritte S21 bis S24 und anschließend die Schritte S13 und S14 durch, um so die angepassten Massendaten zu erzeugen.
Wie vorstehend beschrieben, veranlasst die Datenerzeugungsvorrichtung 1a in dem System für maschinelles Lernen 100a gemäß der zweiten Ausführungsform den Vorrichtungstyp A und den Vorrichtungstyp B dazu, eine Bearbeitung unter derselben Bearbeitungsbedingung durchzuführen, sammelt Beobachtungsdaten und berechnet auf der Grundlage der gesammelten Beobachtungsdaten einen Offset zur Verwendung bei der Umwandlungsverarbeitung der Massendaten 50. Dies stellt einen ähnlichen Vorteil wie den Vorteil der ersten Ausführungsform bereit und ermöglicht eine präzisere Umwandlung der Massendaten 50 als bei der ersten Ausführungsform, wodurch maschinelles Lernen, das angepasste Massendaten verwendet, präziser sein kann.
Die in den vorstehenden Ausführungen beschriebenen Konfigurationen sind lediglich Beispiele. Diese Konfigurationen können mit einer bekannten anderen Technologie kombiniert werden, und Konfigurationen verschiedener Ausführungsformen können miteinander kombiniert werden. Darüber hinaus kann ein Teil der Konfigurationen weggelassen und/oder modifiziert werden, ohne dass dies vom ihrem Sinn abweicht.
Bezugszeichenliste

1, 1a: Datenerzeugungsvorrichtung;
2: Vorrichtung für maschinelles Lernen;
3: Bestimmungsmodell;
10: Lerndaten-Erzeugungseinheit;
11: Daten-Extraktionseinheit;
12: Daten-Analyseeinheit;
13: Daten-Umwandlungseinheit;
14: Bearbeitungsvorgangs-Befehlseinheit;
21: Massendaten-Erfassungseinheit;
22: Erfassungseinheit für adaptive Daten;
23: Datenausgabeeinheit;
31: Speichereinheit für Massendaten;
32: Speichereinheit für adaptive Daten;
33: Speichereinheit für angepasste Massendaten;
50: Massendaten;
51,61: Beobachtungsdaten;
52, 62: Bearbeitungszustandsdaten;
53,63: Bearbeitungsbedingungsdaten;
60, 70, 80: adaptive Daten;
90A, 90B: Laserbearbeitungsmaschine;
91A, 91B: Sensor;
100, 100a: System für maschinelles Lernen;
201: CPU;
202: Schnittstellenschaltung;
203: Datenspeicher;
300: Bearbeitungszustands-Schätzvorrichtung;
301: Zustands-Schätzeinheit.

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 2019139554 [0004]

Claims

Datenerzeugungsvorrichtung zum Erzeugen von Lerndaten zum Lernen eines Bestimmungsmodells zum Schätzen eines Bearbeitungszustands eines Werkstücks auf der Grundlage von: Beobachtungsdaten zu einem Geräusch und/oder einer Vibration, die während der Bearbeitung des Werkstücks durch eine Werkzeugmaschine erzeugt werden; und einer Bearbeitungsbedingung, die bei der Bearbeitung des Werkstücks durch die Werkzeugmaschine verwendet wird, wobei die Datenerzeugungsvorrichtung umfasst: eine Massendaten-Erfassungseinheit, um Massendaten zu erhalten, wobei die Massendaten umfangreiche Lerndaten sind, die beim Lernen eines ersten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines durch eine erste Werkzeugmaschine bearbeiteten Werkstücks verwendet werden; eine Erfassungseinheit für adaptive Daten, um adaptive Daten zur Verwendung bei der Erzeugung von Lerndaten zur Verwendung beim Lernen eines zweiten Bestimmungsmodells zum Bestimmen eines Bearbeitungszustands eines von einer zweiten Werkzeugmaschine bearbeiteten Werkstücks zu erhalten; und eine Lerndaten-Erzeugungseinheit, um die Massendaten auf der Grundlage der adaptiven Daten umzuwandeln, um angepasste Massendaten zur Verwendung beim Lernen des zweiten Bestimmungsmodells zu erzeugen.
Datenerzeugungsvorrichtung nach Anspruch 1, wobei die Lerndaten die Beobachtungsdaten und die Bearbeitungsbedingung umfassen, die Lerndaten-Erzeugungseinheit aufweist: eine Daten-Extraktionseinheit, um aus den Massendaten und den adaptiven Daten Lerndaten zu extrahieren, die eine Bearbeitungsbedingung innerhalb eines vorgegebenen Bereichs enthalten; eine Daten-Analyseeinheit, um die von der Daten-Extraktionseinheit extrahierten Lerndaten zu analysieren, um einen Unterschied zwischen in den Massendaten enthaltenen Beobachtungsdaten und den in den adaptiven Daten enthaltenen Beobachtungsdaten zu erhalten, wobei der Unterschied aus einem Unterschied zwischen Vorrichtungstypen der für die Sammlung der Beobachtungsdaten verwendeten Werkzeugmaschinen resultiert; und eine Daten-Umwandlungseinheit zur Umwandlung der Massendaten in die angepassten Massendaten auf der Grundlage des Unterschieds.
Datenerzeugungsvorrichtung nach Anspruch 2, wobei die Daten-Analyseeinheit einen Offset berechnet, wobei der Offset einen Unterschied zwischen einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die in jedem Teil der aus den Massendaten extrahierten Lerndaten enthalten sind, und einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten ist, die in jedem Teil der aus den adaptiven Daten extrahierten Lerndaten enthalten sind, und die Daten-Umwandlungseinheit die angepassten Massendaten erzeugt, indem sie den Offset von jeder der Merkmalsmengen der in den Massendaten enthaltenen Beobachtungsdaten subtrahiert.
Datenerzeugungsvorrichtung nach Anspruch 2 oder 3, wobei jeder Teil der Beobachtungsdaten, die in den von der Daten-Analyseeinheit analysierten Lerndaten enthalten sind, Daten sind, die durch Beobachtung während der Bearbeitung von Werkstücken desselben Materials in dieselbe Form erhalten wurden.
Datenerzeugungsvorrichtung nach einem der Ansprüche 2 bis 4, wobei die Lerndaten Kennzeichnungsdaten enthalten, die einen Bearbeitungszustand des Werkstücks angeben, und wobei die Daten-Analyseeinheit für jeden Teil der Lerndaten, die aus den Massendaten extrahiert wurden, einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die mit Kennzeichnungsdaten verknüpft sind, die angeben, dass der Bearbeitungszustand ein normaler Zustand ist, berechnet, und einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die mit Kennzeichnungsdaten verknüpft sind, die angeben, dass der Bearbeitungszustand ein anomaler Zustand ist, berechnet, die Daten-Analyseeinheit für jeden Teil der aus den adaptiven Daten extrahierten Lerndaten einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die mit Kennzeichnungsdaten verknüpft sind, die angeben, dass der Bearbeitungszustand ein normaler Zustand ist, berechnet, und einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die mit Kennzeichnungsdaten verknüpft sind, die angeben, dass der Bearbeitungszustand ein anomaler Zustand ist, berechnet, und die Daten-Analyseeinheit einen Offset auf der Grundlage der berechneten Durchschnittswerte berechnet, wobei der Offset einen Unterschied zwischen einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die in jedem Teil der aus den Massendaten extrahierten Lerndaten enthalten sind, und einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die in jedem Teil der aus den adaptiven Daten extrahierten Lerndaten enthalten sind, ist.
Datenerzeugungsvorrichtung nach Anspruch 5, wobei die Kennzeichnungsdaten Informationen über einen Typ von Anomalie enthalten, wenn sie angeben, dass der Bearbeitungszustand ein anomaler Zustand ist.
Datenerzeugungsvorrichtung nach einem der Ansprüche 2 bis 6, wobei die Daten-Extraktionseinheit aus den Massendaten und den adaptiven Daten Lerndaten extrahiert, die Bearbeitungsbedingungen innerhalb jedes einer Mehrzahl von vorgegebenen als Ziel gesetzten Bereichen enthalten, und die Daten-Analyseeinheit für jeden der Bereiche einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten berechnet, die in jedem Teil der Lerndaten enthalten sind, die aus den Massendaten extrahiert wurden, die Daten-Analyseeinheit für jeden der Bereiche einen Durchschnittswert von Merkmalsmengen der Beobachtungsdaten berechnet, die in jedem Teil der aus den adaptiven Daten extrahierten Lerndaten enthalten sind, und die Daten-Analyseeinheit auf der Grundlage der berechneten Durchschnittswerte einen Offset berechnet, wobei der Offset einen Unterschied zwischen einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die in jedem Teil der aus den Massendaten extrahierten Lerndaten enthalten sind, und einem Durchschnittswert von Merkmalsmengen der Beobachtungsdaten, die in jedem Teil der aus den adaptiven Daten extrahierten Lerndaten enthalten sind, ist.
Datenerzeugungsvorrichtung nach Anspruch 1, aufweisend: eine Bearbeitungsvorgangs-Befehlseinheit, um die erste Werkzeugmaschine und die zweite Werkzeugmaschine anzuweisen, eine Bearbeitung unter denselben Bearbeitungsbedingungen durchzuführen, wobei die Erfassungseinheit für adaptive Daten von der ersten Werkzeugmaschine, die eine Bearbeitung gemäß einer Anweisung von der Bearbeitungsvorgangs-Befehlseinheit durchgeführt hat, Lerndaten erhält, die während der Durchführung der Bearbeitung erzeugt wurden, und die Erfassungseinheit für adaptive Daten von der zweiten Werkzeugmaschine, die eine Bearbeitung gemäß einem Befehl von der Bearbeitungsvorgangs-Befehlseinheit durchgeführt hat, Lerndaten erhält, die während der Durchführung der Bearbeitung erzeugt wurden, wobei die von der ersten und zweiten Werkzeugmaschine erhaltenen Lerndaten die adaptiven Daten sind, und die Lerndaten-Erzeugungseinheit umfasst: eine Daten-Analyseeinheit zum Analysieren der Lerndaten, die durch die Erfassungseinheit für adaptive Daten sowohl von der ersten Werkzeugmaschine als auch von der zweiten Werkzeugmaschine erhalten wurden, um einen Unterschied zwischen Beobachtungsdaten, die in den von der ersten Werkzeugmaschine erhaltenen Lerndaten enthalten sind, und den Beobachtungsdaten, die in den von der zweiten Werkzeugmaschine erhaltenen Lerndaten enthalten sind, zu erhalten, wobei der Unterschied aus einem Unterschied zwischen Vorrichtungstypen der Werkzeugmaschinen resultiert, die zum Sammeln der Beobachtungsdaten verwendet wurden; und eine Daten-Umwandlungseinheit zur Umwandlung der Massendaten in die angepassten Massendaten auf der Grundlage des Unterschieds.
System für maschinelles Lernen, aufweisend: die Datenerzeugungsvorrichtung nach einem der Ansprüche 1 bis 8; und eine Vorrichtung für maschinelles Lernen, um das zweite Bestimmungsmodell entsprechend den von der Datenerzeugungsvorrichtung erzeugten angepassten Massendaten zu lernen.
Bearbeitungszustands-Schätzvorrichtung, aufweisend: eine Zustands-Schätzeinheit zum Schätzen eines Bearbeitungszustands eines Werkstücks, das von der zweiten Werkzeugmaschine bearbeitet wird, unter Verwendung des zweiten Bestimmungsmodells, das von der Vorrichtung für maschinelles Lernen des Systems für maschinelles Lernen nach Anspruch 9 erlernt wurde.