DE69125980T2 - Intelligentes Bearbeitungssystem - Google Patents

Intelligentes Bearbeitungssystem

Info

Publication number
DE69125980T2
DE69125980T2 DE69125980T DE69125980T DE69125980T2 DE 69125980 T2 DE69125980 T2 DE 69125980T2 DE 69125980 T DE69125980 T DE 69125980T DE 69125980 T DE69125980 T DE 69125980T DE 69125980 T2 DE69125980 T2 DE 69125980T2
Authority
DE
Germany
Prior art keywords
machining
neural network
conditions
data
intelligent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE69125980T
Other languages
English (en)
Other versions
DE69125980D1 (de
Inventor
Shiho Hattori
Yukinori Kakazu
Moriaki Sakakura
Kunihiko Unno
Masashi Yamanaka
Takao Yoneda
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyoda Koki KK
Original Assignee
Toyoda Koki KK
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2190322A external-priority patent/JP2950929B2/ja
Priority claimed from JP02259226A external-priority patent/JP3086699B2/ja
Priority claimed from JP26278090A external-priority patent/JP2961622B2/ja
Application filed by Toyoda Koki KK filed Critical Toyoda Koki KK
Publication of DE69125980D1 publication Critical patent/DE69125980D1/de
Application granted granted Critical
Publication of DE69125980T2 publication Critical patent/DE69125980T2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • G05B19/4163Adaptive control of feed or cutting velocity
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/402Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4093Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40937Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33027Artificial neural network controller
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/34Director, elements to supervisory
    • G05B2219/34065Fuzzy logic, controller
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/36Nc in input of data, input key till input tape
    • G05B2219/36284Use of database for machining parameters, material, cutting method, tools
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49061Calculate optimum operating, machining conditions and adjust, adapt them
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/49Nc machine tool, till multiple
    • G05B2219/49088As a function of, regulate feed as function of material, tool
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00Data processing: artificial intelligence
    • Y10S706/902Application using ai with detail of the ai system
    • Y10S706/903Control
    • Y10S706/904Manufacturing or machine, e.g. agricultural machinery, machine tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)

Description

  • Die Erfindung bezieht sich auf ein intelligentes Bearbeitungssystem zum Bearbeiten eines Werkstücks mittels einer numerisch gesteuerten Werkzeugmaschine.
  • Ein automatisches Steuersystem, wie es in Fig. 16 gezeigt ist, ist bekannt zum automatischen Ermitteln von Bearbeitungsbedingungen wie beispielsweise der Drehzahl eines Werkstücks und der zustellgeschwindigkeit des Schleifrads für eine numerisch gesteuerte Werkzeugmaschine auf der Grundlage von Eingangsbedingungen und festen Bedingungen, um gewünschte Bearbeitungsergebnisse zu erzielen. Die Drehzahl des Werkstücks wird beispielsweise, wie in Fig. 17 gezeigt, durch die arithmetische Verarbeitung der Eingangsbedingungen unter Verwendung theoretischer Formeln, empirischer Formeln und vorbestimmten internen Konstanten automatisch ermittelt.
  • Dieeingangsbedingungen, die festen Bedingungen und die Bearbeitungsbedingungen einschließlich werden als statische Bearbeitungsbedingungen bezeichnet.
  • Die Eingangsbedingungen beinhalten die Daten des Werkstücks einschließlich des Materials, der Masse, der Toleranzen, der Oberflächenrauhigkeit, der Maßhaltigkeit und dergleichen des Werkstücks, sowie die Daten des Schleifrads einschließlich des Typs des Schleifrads und dergleichen.
  • Die festen Bedingungen beziehen sich auf eine numerisch gesteuerte Schleifmaschine, einschließlich der Oberflächengeschwindigkeit des Schleifrads und dergleichen.
  • Die Bearbeitungsbedingungen beinhalten die Bearbeitungssequenzen, die Drehzahl des Werkstücks, die Zustellgeschwindigkeit, die Bearbeitungstoleranzen sowie Nachbearbeitungs - oder Abrichtbedingungen.
  • Die Bearbeitungsergebnisse beinhalten die Bearbeitungszeit, die Oberflächenrauhigkeit, die Maßhaltigkeit, die Rundheit, die Brandmarkenbildung, die Rißbildung bzw. den Schleifriß, den Schlag und dergleichen.
  • Variable Bedingungen unter den statischen Bearbeitungsbedingungen können nach der automatischen Ermittlung der statischen Bearbeitungsbedingungen korrigiert werden. Die auf diese Art und Weise nach der automatischen Ermittlung korrigierten Bedingungen werden nachstehend als korrigierte Bearbeitungsbedingungen bezeichnet. Die statischen Bearbeitungsbedingungen und die korrigierten Bearbeitungsbedingungen werden nachstehend zusammengefaßt als Bearbeitungsbedingungen bezeichnet.
  • Obwohl viele Studien mit dem Ziel durchgeführt wurden, die Bearbeitungsbedingungen für Schleifvorgänge zu optimieren, wurden die Bearbeitungsbedingungen nicht vollständig beschrieben.
  • Daten, die durch die aus dem gegenwärtigen Stand der Technik bekannte automatische Ermittlung bereitgestellt werden, werden nur als Referenzdaten berücksichtigt, so daß für die geeignete Einstellung der Bearbeitungsbedingungen für einen individuellen Bearbeitungsprozeß das Geschick des Bedieners einschließlich dessen Intuition und Erfahrung notwendig ist.
  • Es ist empirisch bekannt, daß die automatisch ermittelten Bearbeitungsbedingungen nicht notwendigerweise optimale, den Eingangsbedingungen und den festen Bedingungen genügende Bedingungen sind. In einen praktischen Bearbeitungsvorgang werden die automatisch ermittelten Bearbeitungsbedingungen auf der Grundlage des empirischen Wissens und der Intuition des Bedieners oder der Vermessung des in Übereinstimmung mit den automatisch ermittelten Bearbeitungsbedingungen bearbeiteten Werkstücks korrigiert.
  • Da die Korrektur einer deübearbeitungsbedingungen diejenige anderer Bearbeitungsbedingungen beeinflußt, wird die Korrektur der automatisch ermittelten Bearbeitungsbedingungen durch den Bediener erheblich erschwert.
  • Da die Auswahl der zu korrigierenden Bearbeitungsbedingungen und die Ermittlung von Korrekturen für die Bearbeitungsbedingungen auf der Grundlage von durch Vermessen des in Übereinstimmung mit den vorbestimmten Bearbeitungsbedingungen bearbeiteten Werkstücks ermittelten Bearbeitungsfehlern von dem empirischen Geschick und der Intuition des Bedieners abhängt, ist die durch den Bediener durchgeführte Korrektur nicht notwendigerweise geeignet. Daher muß die Bearbeitung des Werkstücks in Übereinstimmung mit korrigierten Bearbeitungsbedingungen, Messungen am Werkstück und erneuter Korrektur der korrigierten Bearbeitungsbedingungen mehrfach wiederholt werden.
  • Das gegenwärtig angewandte Verfahren zum Ermitteln der Bearbeitungsbedingungen stellt gleichbleibende Bearbeitungsbedingungen in Fällen bereit, in denen sichergestellt ist, daß sich die Eingangsbedingungen und die festen Bedingungen nicht ändern; d.h., das Verfahren zum automatischen Ermitteln der Bearbeitungsbedingungen arbeitet nach Art eines Systems mit offenem Kreis, welches die Korrektur durch den Bediener in einer späteren automatischen Ermittlung der Bearbeitungsbedingungen nicht berücksichtigt.
  • Beispielsweise wird selbst dann, wenn die Bearbeitungsbedingungen durch den Bediener richtig korrigiert werden, die Regel zum Berechnen der Bearbeitungsbedingungen für eine spätere Berechnung der Bearbeitungsbedingungen nicht geändert. Demzufolge muß der Bediener den Korrekturvorgang für die Ermittlung derselben Bearbeitungsbedingungen wiederholen.
  • Die Ermittlung der korrigierten Bearbeitungsbedingungen wird durch keinerlei numerische Steuereinrichtung un terstützt, sondern erfordert das technische Geschick des Bedieners einschließlich dessen Gefühl und Erfahrung.
  • Während des Schleifvorgangs ändern sich die Begleitumstände der Bearbeitung einschließlich der Abnutzung bzw. des Abriebs des Schleifrades, die thermische Verformung der Teile der Schleifmaschine und der qualitative Zustand des Werkstücks mit der Zeit und beeinflussen signifikant die Bearbeitungsergebnisse.
  • Dementsprechend sind selbst dann, wenn die statischen Bearbeitungsbedingungen oder die korrigierten Bearbeitungsbedingungen zu Beginn des Bearbeitungsvorgangs optimal sind, diese Bearbeitungsbedingungen nicht notwendigerweise auch während des Bearbeitungsvorgangs optimal, da sich die Begleitumstände der Bearbeitung mit der Zeit ändern.
  • Ferner offenbart die Druckschrift EP-A-0 359 378 ein Verfahren zur Anwendung eines mathematischen Modells (künstliche Intelligenz), um eine Zustellung mit adaptiver Steuerung der Rauhigkeit zu erzielen, um die Bearbeitungsgüte der Oberfläche einer Serie von bearbeiteten Werkstücken und/oder einer Serie von Abschnitten auf einem einzigen Werkstück zu verbessern. In Übereinstimmung mit diesem Verfahren wird ein lineares Computermodell der Oberflächenräuhigkeit in Abhängigkeit von der Zustellung durch Annähern einer geometrischen Beziehung des arithmetischen Rauhigkeits-Mittelwerts im Hinblick auf die Zustellung, Abschätzen einer Anfangszustellung und Linearisieren der Beziehung um einen derartigen Zustellungs-Schätzwert, und Konvertieren eines derart linearisierten Modells in eine Vektormatrix- Schreibweise mit Bereitstellung geschätzter Koeffizienten initialisiert. Dann werden gemessene Zustellungswerte und Oberflächenrauhigkeitswerte, die von einer externen Schnittstelle an dem unmittelbar vorangehenden Werkstück oder Abschnitt in der Serie ermittelt wurden, unter Verwendung einer sequentiellen Regressionsanalyse mit geschätzten Koeffizientenwerten für das initialosierte Modell in Zusammenhang gebracht, um ein aktualisiertes computermodell bereitzustellen und dadurch die größte zulässige Zustellung in dem aktualisierten Modell innerhalb der Beschränkungen durch die ausgewählten Bearbeitungsparameter (einer gewünschten Oberflächenrauhigkeit) für das nächste Werkstück oder den nächsten Abschnitt in der Serie zu ermitteln.
  • Darüber hinaus ist aus der Druckschrift "Intelligent Control of variably configured systems using neural networks", Seiten 893-898, von J.B. CRUZ et al. die Steuerung variabel konfigurierter Systeme unter Verwendung neuronaler Netzwerke bekannt. Insbesondere wird dort vorgeschlagen, die Techniken assoziativer Speicher/neuronaler Netzwerke dazu zu nutzen, eine Identifizierungs/Entscheidungs-Fähigkeit zum Ändern von Steuerungs- und Koordinationsstrategien bereitzustellen.
  • Ferneroffenbart die Druckschrift "An introduction to Computing with Neural Nets", Seiten 4 bis 22, von Richard Lippmann sechs unterschiedliche Modelle neuronaler Netzwerke, die zur Musterklassifizierung verwendet werden können. Diese Modelle neuronaler Netzwerke werden durch die Netztopologie, die Knoteneigenschaften und Training- oder Lemregeln spezifiziert. Die Regeln legen einen Anfangssatz von Gewichten fest und geben an, wie Gewichte während des Gebrauchs anzupassen sind, um die Leistungsfähigkeit zu verbessern.
  • Der Erfindung liegt daher als erste Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, korrigierte Bearbeitungsbedingungen zu lernen, um optimale Bearbeitungsbedingungen zu ermitteln, ohne die Unterstützung eines geübten Bedieners zu erfordern.
  • Der Erfindung liegt als zweite Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, automatisch korrigierte Bearbeitungsbedingungen zu ermitteln, und welches die Forderung des Bedieners nach einer Änderung der Bearbeitungsbedingungen auf der Grundlage der Bewertung der Bearbeitungsergebnisse erfüllt.
  • Der Erfindung liegt als dritte Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, die Schwankung von Bearbeitungsergebnissen; die auf die Änderung von Begleitumständen bei der Bearbeitung zurückzuführen sind, zu vermeiden.
  • Der Erfindung liegt als vierte Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, die empirische, zufällige Beziehung zwischen Bearbeitungsfehlern und Bearbeitungsbedingungen auf die Ermittlung der Bearbeitungsbedingungen zu reflektieren.
  • Der Erfindung liegt als fünfte Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, geeignete Bearbeitungsbedingungen durch Reflektieren von wechselseitigen Wirkungen zwischen Korrekturen für eine Vielzahl von Bearbeitungsbedingungen auf die Ermittlung der Bearbeitungsbedingungen zu bestimmen.
  • Der Erfindung liegt als sechste Aufgabe zugrunde, ein intelligentes Bearbeitungssystem zu schaffen, welches in der Lage ist, die Bearbeitungsbedingungen in einer Echtzeit-Steuerungsbetriebsart in Übereinstimmung mit der Änderung von Begleitumständen der Bearbeitung 50 zu ändern, daß bei der Bearbeitung eines Werkstücks optimale Bearbeitungsergebnisse erzielt werden.
  • Erfindungsgemäß wird diese Aufgabe gelöst durch ein intelligentes Bearbeitungssystem zum automatischen Ermitteln von Bearbeitungsbedingungen und zum Steuern einer numerisch gesteuerten Werkzeugmaschine zum Bearbeiten eines Werkstücks in Übereinstimmung mit den Bearbeitungsbedingungen, wobei das intelligente Bearbeitungs system umfaßt: eine Datenspeichereinrichtung zum Speichern der Eigenschaften von zumindest einem der Werkstücke sowie Bearbeitungserfordernisse angebenden Attributdaten; und eine automatische Bearbeitungsbedingungen-Ermittlungseinrichtung zum automatischen Ermit teln der Bearbeitungsbedingungen, wobei die automatische Bearbeitungsbedingungen- Ermittlungs einrichtung gekennzeichnet ist durch: eine Referenzwert-Berechnungseinrichtung zum Berechnen von Referenz-Bearbeitungsbedingungen auf der Grundlage der Attributdaten; und ein erstes neuronales Netzwerk, welches auf die Attributdaten anspricht und derart mit der Referenzwert- Berechnungseinrichtung in Zuordnung steht, daß die Referenz-Bearbeitungsbedingungen so durch das erste neuronale Netzwerk korrigiert werden, daß durch die automatische Bedingungen-Ermittlungseinrichtung korrigierte Bearbeitungsbedingungen an die Werkzeugmaschine zum Bearbeiten des Werkstücks ausgegeben werden, wobei die Kombination von Gewichtungsfaktoren des ersten neuronalen Netzwerks in Abhängigkeit von den Bearbeitungsergebnissen korrigiert wird.
  • Demzufolge besteht ein Merkmal der Erfindung darin, daß ein neuronales Netzwerk zum Ermitteln von Bearbeitungsbedingungen auf der Grundlage von Eingangsbedingungen und festen Bedingungen verwendet wird. Das neuronale Netzwerk lernt die tatsächliche kausale Beziehung zwischen Eingangsbbedingungen und festen Bedingungen und Bearbeitungsbedingungen, und demzufolge können Größen, die nicht durch Berechnung unter Verwendung empirischer Formeln und theoretischer Formeln ermittelt werden können, aufgrund der Auswirkung empirischen Lernens des neuronalen Netzwerks ermittelt werden. Die Eingangsbedingungen und die festen Bedingungen beinhalten das Material eines Werkstücks, die Endbearbeitungsgenauigkeit, den Typ des Schleifrads und die Betriebsart der Schleifmaschine als Voraussetzungen zum Ermitteln von Bearbeitungsbedingungen. Da die Eingangsbedingungen und die festen Bedingungen die Eigenschaften bzw. Attribute des Werkstücks und der Schleifmaschine repräsentieren, werden die Eingangsbedingungen und die festen Bedingungen pauschal als Attributdaten bezeichnet, wohingegen Bearbeitungsbedingungen repräsentierende Daten als Bearbeitungsbedingungen-Daten bezeichnet werden.
  • Gemäß einem ersten Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem eine Referenzwert- Berechnungseinrichtung zum Berechnen von Referenzwerten von Bearbeitungsbedingungen-Daten auf der Grundlage von Attributdaten, ein neuronales Netzwerk, welches die Attributdaten aufnimmt und Korrekturen für die Referenzwerte bereitstellt, und eine Korrektureinrichtung zum Korrigieren der Referenzwerte der Bearbeitungsbedingungen-Daten unter Verwendung der durch das neuronale Netzwerk bereitgestellten Korrekturen.
  • Da das neuronale Netzwerk diejenigen Korrekturen ermittelt, die nicht unter Verwendung empirischer Formeln oder theoretischer Formeln ermittelt werden können, können die Bearbeitungsbedingungen in Übereinstimmung mit empirischen Daten richtig korrigiert werden. In der Praxis lernt das neuronale Netzwerk unter Verwendung geeigneter Bearbeitungsbedingungen-Daten entsprechend den Attributdaten als Lerndaten. Die geeigneten Bearbeitungsbedingungen-Daten werden auf der Grundlage der Erfahrungen und des Gefühls bzw. der Intuition des Bedieners sowie korrigierter Bearbeitungsbedingungen- Daten ermittelt, welche durch Korrigieren der Bearbeitungsbedingungen in Bezug auf die Resultate einer Bewertung von Bearbeitungsergebnissen (Bearbeitungsfehler), die durch Vermessen des in Übereinstimmung mit den Bearbeitungsbedingungen bearbeiteten Werkstücks erhalten werden, gewonnen werden.
  • Gemäß einem zweiten Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem ein neuronales Netzwerk, dem Attributdaten eingegeben werden und welches Koeffizienten für empirische und theoretische Formeln (nachstehend pauschal als "Berechnungsausdrücke" bezeichnet) ausgibt, und eine Arithmetik-Einrichtung zum Berechnen von Bearbeitüngsbedingungen unter Verwendung der durch das neuronale Netzwerk und die Berechnungsausdrücke bereitgestellten Koeffizienten.
  • Dieses intelligente Bearbeitungssystem erzeugt optimale Berechnungsausdrücke empirisch in Übereinstimmung mit Attributdaten. Demgemäß wird der empirische, kausale Zusammenhang zwischen Attributdaten und Bearbeitungsdaten auf die durch das intelligente Bearbeitungssystem ermittelten Bearbeitungsbedingungs-Daten reflektiert, die sich von den Bearbeitungsbedingungen-Daten unterscheiden, welche unter Verwendung von unabhängig von Attributdaten feststehenden Berechnungsausdrücken ermittelt werden.
  • Gemäß einem dritten Gesichtspunkt der Erfindung wechselt ein intelligentes Bearbeitungssystem das neuronale Netzwerk des intelligente Bearbeitungssystem gemäß dem ersten Gesichtspunkt der Erfindung zwischen einem Rückführungstyp, welcher den Ausgang in die Mittelschicht zurückführt, und einem Nichtrückführungstyp, der den Ausgang nicht in die Mittelschicht zurückführt. Das intelligente Bearbeitungssystem gemäß dem dritten Gesichtspunkt umfaßt eine erste Betriebseinrichtung zum Betreiben des neuronalen Netzwerks als nicht rückführenden Typ, und eine zweite Betriebseinrichtung zum Betreiben des neuronalen Netzwerks als rückführenden Typ. Das neuronale Netzwerk mit derartigem Aufbau ermöglicht die Ermittlung von Korrekturen, die die wechselseitigen Wirkungenzwischen den Korrekturen für die Bearbeitungsbedingungen berücksichtigen.
  • Gemäß einem vierten Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem ein neuronales Netzwerk, welchem Abweichungen von Bearbeitungsergebnissen eingegeben werden, die durch Vermessen eines in Übereinstimmung mit Bearbeitungsbedingungen-Daten aus Sollwerten bearbeiteten Werkstücks ermittelt werden, Bearbeitungsfehler also, und welches Korrekturen für die Bearbeitungsbedingungen-Daten bereitstellt, sowie einer Korrektureinrichtung zum Korrigieren der Bearbeitungsbedingungen-Daten unter Verwendung der durch das neuronale Netzwerk bereitgestellten Korrekturen.
  • Das neuronale Netzwerk lernt unter Verwendung akkumulierter, geeigneter Bearbeitungsbedingungen-Daten als Lerndaten. Auf diese Art und Weise ermöglicht das neuronale Netzwerk die geeignete Korrektur von Bearbeitungsbedingungen-Daten auf der Grundlage des empirischen, kausalen zusammenhangs zwischen den Bearbeitungsfehlern und den Korrekturen für die Bearbeitungs bedingungen-Daten.
  • Gemäß einem fünften Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem in einer organischen Kombination das erste, zweite oder dritte intelligente Bearbeitungssystem und das vierte intelligente Bearbeitungssystem. Daher ist ein neuronales Netzwerk in der Lage, Bearbeitungsbedingungen-Daten auf der Grundlage von Attributdaten zu ermitteln und die Bearbeitungsbedingungen-Daten auf der Grundlage von Bearbeitungsergebnissen, die durch Vermessen eines in Übereinstimmung mit den Bearbeitungsbedingungen-Daten bearbeiteten Werkstücks erhalten werden, zu korrigieren. Demzufolge wird der Zusammenhang zwischen den Bearbeitungsergebnissen und den Bearbeitungsbedingungen-Daten auf die Korrektur der Bearbeitungsbedingungen-Daten reflektiert, so daß weitere, auf geeignete Art und Weise korrigierte Bearbeitungsbedingungen-Daten ermittelt werden können. Die korrigierten Bearbeitungsbedingungen-Daten, die auf der Grundlage der Bearbeitungsergebnisse korrigiert wurden, können als Lerndaten für die Attributdaten verwendet werden, um das neuronale Netzwerk über das frühere intelligente Bearbeitungssystem zu lehren. In einem solchen Fall können geeignete Bearbeitungsbedingungen-Daten nur durch das neuronale Netzwerk des frühreren intelligenten Bearbeitungssystems ermittelt werden.
  • Gemäß einem sechsten Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem ein neuronales Netzwerk zum Ermitteln von Bearbeitungs-Begleitumstände repräsentierenden Bearbeitungs-Begleitzustanddaten auf der Grundlage von zeitlich veränderlichen Bearbeitungserscheinungen, wie etwa Funken, Geräuschen, und auf das Werkstück einwirkenden Kräften, und eine Steuereinrichtung zum Steuern der Zustellgeschwindigkeit in einer Echtzeit-Betriebsart auf der Grundlage der von dem neuronalen Netzwerk ausgegebenen Bearbeitungs-Begleitumstanddaten. Das neuronale Netzwerk lernt unter Verwendung von die zeitlich veränderlichen Bearbeitungserscheinungen repräsentierenden Bearbeitungsbedingungen-Daten als Lerndaten. Demgemäß können die Bearbeitungs- Begleitumstände aus den Bearbeitungserscheinungen unter Verwendung des neuronalen Netzwerks erkannt werden. Somit ermöglichen die Bearbeitungs-Begleitumstanddaten eine adaptive Steuerung der Zustellgeschwindigkeit, bei der die Zustellgeschwindigkeit oder -rate in Übereinstimmung mit den Bearbeitungs-Begleitumstanddaten geregelt wird, so daß das Werkstück mit einer gewünschten oder Soll-Qualität bearbeitet werden kann.
  • Gemäß einem siebten Gesichtspunkt der Erfindung ist die Zustellgeschwindigkeit-Steuereinrichtung eine Fuzzy- Folgerungseinrichtung
  • Die Fuzzy-Folgerungseinrichtung liest die Bearbeitungs- Begleitumstand-Daten ein und regelt die Zustellgeschwindigkeit des Werkzeugs auf schrittlose Art und
  • Weise, so daß die Bearbeitungsbedingungen in Übereinstimmung mit den Bearbeitungs-Begleitumständen sanft variiert werden.
  • Gemäß einem achten Gesichtspunkt der Erfindung umfaßt ein intelligentes Bearbeitungssystem - in Kombination - das intelligente Bearbeitungssystem gemäß dem siebten Gesichtspunkt und das intelligente Bearbeitungssystem gemäß dem ersten, dem zweiten, dem dritten, dem vierten oder dem fünften Gesichtspunkt.
  • Diese intelligente Bearbeitungssystem ermittelt und korrigiert auf geeignete Art und Weise Bearbeitungsbedingungen-Daten in Übereinstimmung mit durch Erfahrung gewonnenen Regeln, und ändert die Bearbeitungsbedingungen-Daten einschließlich der Zustellgeschwindigkeit in einer Echtzeit-Betriebsart während realem Bearbeitungsbetrieb, um eine adaptive Steuerung zu erzielen. Dadurch ist das intelligente Bearbeitungssystem in sehr hohem Maße leistungsfähig.
  • Fig. 1 ist eine vereinfachte Vorderansicht einer numerisch gesteuerten Werkzeugmaschine, die ein intelligentes Bearbeitungssystem gemäß einem ersten Ausführungsbeispiel der Erfindung beinhaltet;
  • Fig. 2 ist ein Blockdiagramm, welches den elektrischen Aufbau einer numerischen Steuereinheit und eine Bedienerkonsole zeigt, welche in der numerisch gesteuerten Schleifmaschine gemäß Fig. 1 enthalten sind;
  • Fig. 3 ist ein Blockdiagramm der Funktionen des intelligenten Bearbeitungssystems gemäß dem ersten Ausführungsbeispiel;
  • Fig. 4 ist ein Ablaufdiagramm einer Bearbeitungsbedingungen-Daten-Berechnungsprozedur, die durch eine in dem intelligenten Bearbeitungssystem gemäß dem ersten Ausführungsbeispiel enthaltene zentrale Verarbeitungseinheit ausgeführt wird;
  • Fig. 5 ist eine Darstellung eines ersten neuronalen Netzwerks, welches in dem intelligenten Bearbeitungssystem gemäß dem ersten Ausführungsbeispiel eingesetzt wird;
  • Fig. 6 ist ein Ablaufdiagramm einer von dem ersten neuronalen Netzwerk ausgeführten Berechnungsprozedur;
  • Fig. 7 ist ein Ablaufdiagramm einer Bearbeitungsbedingungen-Daten-Korrekturprozedur, die auf der Grundlage von Bearbeitungsfehlerdaten durch die zentrale Verarbeitungseinheit des intelligenten Bearbeitungssystems gemäß dem ersten Ausführungsbeispiel ausgeführt wird;
  • Fig. 8 ist eine Darstellung eines zweiten neuronalen Netzwerks;
  • Fig. 9 ist eine Darstellung diagnostischer Information, die auf dem Bildschirm einer in dem intelligenten Bearbeitungssystem gemäß dem ersten Ausführungsbeispiel verwendeten Kathodenstrahlröhren-Anzeige angezeigt wird;
  • Fig. 10 ist ein Ablaufdiagramm einer Lernprozedur, die durch das erste Ausführungsbeispiel ausgeführt wird;
  • Fig. 11 ist ein Diagramm, welches das Konzept einer adaptiven Steuerung zeigt, die durch das intelligente Bearbeitungssystem gemäß dem ersten Ausführungsbeispiel ausgeführt wird;
  • Fig. 12 ist ein Ablaufdiagramm einer adaptiven Steuerprozedur, die durch die zentrale Verarbeitungseinheit des intelligenten Bearbeitungssysteme gemäß dem ersten Ausführungsbeispiel ausgeführt wird;
  • Fig. 13 ist eine Darstellung, die den Aufbau eines dritten neuronalen Netzwerks zeigt;
  • die Fig. 14A und 14B sind Diagramme zur Unterstützung der Erklärung der Fuzzy-Steuerung und zeigen Mitgliedsfunktionen;
  • Fig. 15 ist ein Blockdiagramm der gesamten Funktionen des intelligenten Bearbeitungssystems gemäß dem ersten Ausführungsbeispiel;
  • Fig. 16 ist ein Blockdiagramm zur Unterstützung bei der Erklärung einer Prozedur zum Ermitteln von Bearbeitungsbedingungen in dem herkömmlichen Schleifprozeß;
  • Fig. 17 ist ein Blockdiagramm zur Unterstützung der Erklärung einer herkömmlichen automatischen Bearbeitungsbedingungen-Ermittlungsprozedur;
  • Fig. 18 ist ein Blockdiagramm, welches die elektrische Konfiguration einer numerischen Steuereinheit und einer Bedienerkonsole zeigt, welche in ein intelligentes Bearbeitungssystem gemäß einem zweiten Ausführungsbeispiel der Erfindung einbezogen sind;
  • Fig. 19 ist ein Ablaufdiagramm einer Hauptroutine, die durch die in dem intelligenten Bearbeitungssystem gemäß dem zweiten Ausführungsbeispiel enthaltene zentrale Verarbeitungseinheit ausgeführt wird;
  • Fig. 20 ist ein Diagramm eines nichtrückführenden neuronalen Netzwerks, welches in dem intelligenten Bearbeitungssystem gemäß dem zweiten Ausführungsbeispiel eingesetzt wird;
  • Fig. 21 ist ein Diagramm eines rückführenden neuronalen Netzwerks, welches in dem intelligenten Bearbeitungssystem gemäß dem zweiten Ausführungsbeispiel eingesetzt wird;
  • Fig. 22 ist ein Ablaufdiagramm einer Prozedur, die durch das neuronale Netzwerk gemäß Fig. 21 ausgeführt wird;
  • Fig. 23 ist ein Blockdiagramm, welches die elektrische Konfiguration einer numerischen Steuereinheit und einer Bedienerkonsole zeigt, welche in ein intelligentes Bearbeitungssystem gemäß einem dritten Ausführungsbeispiel der Erfindung einbezogen sind;
  • Fig. 24 ist ein Ablaufdiagramm einer Prozedur, die durch eine in dem intelligenten Bearbeitungssystem gemäß dem dritten Ausführungsbeispiel enthaltene zentrale Verarbeitungseinheit ausgeführt wird;
  • Fig. 25 ist ein Blockdiagramm zur Unterstützung der Erklärung einer Prozedur des Ermittelns von Bearbeitungsbedingungen-Daten durch das intelligente Bearbeitungssystem gemäß dem dritten Ausführungsbeispiel; und
  • Fig. 26 ist ein Blockdiagramm zur Unterstützung der Erklärung von Lernfunktionen zum Ermitteln von Bearbeitungsbedingungen-Daten durch das intelligente Bearbeitungssystem gemäß dem dritten Ausführungsbeispiel;
  • Die Erfindung wird nachstehend in Verbindung mit hierfür bevorzugten Ausführungsbeispielen beschrieben.
  • Erstes Ausführungsbeispiel 1. Numerisch gesteuerte Schleifmaschine
  • Fig. 1 zeigt den allgemeinen mechanischen Aufbau einer numerisch gesteuerten Schleifmaschine 50 (der Einfachheit halber nachstehend nur als "Schleifmaschine" bezeichnet), die ein intelligentes Bearbeitungssystem gemäß einem ersten Ausführungsbeispiel der Erfindung umfaßt. Die Schleifmaschine 50 hat einen Verschiebetisch 52, der auf einem Bett 51 angebracht ist zum Erzielen einer längsgerichteten Gleitbewegung, und der durch einen Tischverfahrmotor 53 angetrieben wird. Auf dem Verschiebetisch 52 sind ein mit einer Hauptspindel 55 versehener Spindelstock 54 und ein mit einer Reitstockspindel 57 versehener Reitstock 56 angebracht. Ein zwischen der Hauptspindel 55 und der Reitstockspindel 57 gehaltenes Werkstück W wird durch die Hauptspindel 55 in Drehung versetzt, welche wiederum durch einen an dem Spindelstock 54 angebrachten Spindelantriebsmotor 59 in Drehung versetzt wird.
  • Ein Schleifrad 60 zum Schleifen des Werkstücks W ist drehbar auf einem Radspindelstock 61 gelagert und wird durch einen Radantriebsmotor 62 in Drehung versetzt. Der Radspindelstock 61 wird durch einen Radspindelstock-Antriebsmotor 63 in den zur Zeichnungsebene senkrechten Richtungen verfahren.
  • Der Betrieb des Tischverfahrmotors 53, des Spindelantriebsmotors 59, des Radantriebsmotors 62 und des Radspindelstock-Antriebsmotors 63 wird durch eine numensche Steuereinheit 30 gesteuert.
  • 2. Numerische Steuereinheit
  • Wie in Fig. 2 gezeigt, umfaßt die numerische Steuereinheit 30 als Hauptkomponenten eine zentrale Verarbeitungseinheit CPU 31, ein ROM 32 zum Speichern von Steuerprogrammen, ein RAM 33 zum Speichern von Eingangsdaten, Schnittstellen IF 34 und 35, und eine Impulserzeugungsschaltung 36.
  • Die Impulserzeugungsschaltung 36 ist mit der CPU 31 der numerischen Steuereinheit 30 verbunden. Die Impulserzeugungsschaltung 36 führt Ansteuerschaltungen DUZ bzw. DUX Steuerimpulse zu, um den Tischverfahrmotor 53 und den Radspindelstock-Antriebsmotor 63 anzusteuern. Eine Bedienerkonsole 20 ist über die Schnittstelle IF 34 mit der CPU 31 verbunden. Eine Tastatur 22 zum Eingeben von Daten und eine Kathodenstrahlröhren-Anzeige CRT 23 zum Anzeigen von Daten sind auf dem Bedienpult 21 der Bedienerkonsole 20 installiert.
  • Die numerische Steuereinheit 30 empfängt die Ausgangssignale von Sensoren 5 zum Erfassen von momentanen Bearbeitungserscheinungen, wie etwa Funken, Geräuschen und Kräften, durch einen A/D-Wandler 41 und die Schnittstelle 35.
  • Das RAM 33 hat einen NC-Daten-Speicherbereich 331 zum Speichern von NC-Programmen, einen Attributdaten-Speicherbereich 332, der als Attributdaten-Speichereinrichtung dient zum Speichern von Daten, die die Attribute oder Eigenschaften des Werkstücks, wie etwa dessen Material, Maße, Bearbeitungstoleranzen, Oberflächenrauhigkeit und Maßhaltigkeit, repräsentieren, und Daten, die die Attribute oder Eigenschaften der Schleifmaschine, wie etwa die Oberflächengeschwindigkeit des Schleifrads, repräsentieren, einen Bearbeitungsbedingungen-Speicherbereich 333 zum Speichern von Bearbeitungsbedingungen einschließlich der Drehzahl bzw. der Anzahl der Umdrehungen des Werkstücks und der Zustellgeschwindigkeit des Werkstücks, einen Bearbeitungsergebnis-Speicherbereich 334 zum Speichern von Bearbeitungsergebnissen einschließlich der Bearbeitungszeit, der Oberflächenrauhigkeit, der Maßhaltigkeit und der Rundheit, einen Speicherbereich 335 für ein erstes neuronales Netzwerk zum Speichern von Kombinationsgewichtsfaktoren und Betriebsprogrammen für das erste neuronale Netzwerk, einen Speicherbereich 336 für ein zweites neuronales Netzwerk zum Speichern von Kombinationsgewichtsfaktoren und Betriebsprogrammen für das zweite neuronale Netzwerk, einen Speicherbereich 337 für zeitserielle Daten zum Speichern von zeitseriellen Daten, und einen Fuzzy-Regel-Speicherbereich 338 zum Speichern von Fuzzy-Regeln.
  • 3. Funktioneller Aufbau des intelligenten Bearbeitungssystems
  • Bezugnehmend auf Fig. 15 speichert eine Attributdaten- Speichereinrichtung A01 eingegebene Zustandsdaten des Werkstücks einschließlich dessen Material, Oberflächenrauhigkeit und Maßhaltigkeit, und eingegebene Zustandsdaten des Schleifrads einschließlich des Typs des Schleifrads, feststehenden Zustandsdaten der Schleifmaschine, d.h Attributdaten, einschließlich der Drehzahl des Schleifrads und der Bearbeitungshäufigkeit.
  • Eine automatische Bearbeitungsbedingungen-Ermittlungseinrichtung A02 beinhaltet das erste neuronale Netzwerk und ermittelt optimale Bearbeitungsbedingungen auf der Grundlage der in der Attributdaten-Speichereinrichtung A01 gespeicherten Attributdaten. Falls die auf diese Art und Weise durch die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung A02 automatisch ermittelten Bearbeitungsbedingungen nicht zufriedenstellend sind, korrigiert der Bediener die Bearbeitungsbedingungen mittels einer Korrektureinrichtung A03.
  • Eine Bearbeitungsbetrieb- Steuereinrichtung A04 steuert den Bearbeitungsbetrieb der Schleifmaschine auf der Grundlage der automatisch ermittelten Bearbeitungsbedingungen oder der durch die Korrektureinrichtung A03 korrigierten Bearbeitungsbedingungen. Eine Diagnoseeinrichtung A05, die das zweite neuronale Netzwerk enthält, diagnostiziert die Ergebnisse der Bearbeitung des Werkstücks Falls die Ergebnisse der Diagnose die Korrektur der Bearbeitungsbedingungen erforderlich machen, werden die Bearbeitungsbedingungen auf der Grundlage des Ausgangssignals des zweiten neuronalen Netzwerks, welches Bearbeitungsfehler empfängt und Korrekturen berechnet, korrigiert.
  • Nachdem die Bearbeitungsbedingungen durch die Korrek tureinrichtung A03 und/oder die Diagnoseeinrichtung A05 korrigiert worden sind, wird eine Lerneinrichtung A06 freigegeben und werden Lerndaten in der Lerneinrichtung A06 auf der Grundlage von zum Korrigieren der Bearbeitungsbedingungen verwendeten Daten angesammelt. Die Gewichtsfaktoren des ersten neuronalen Netzwerks der automatischen Bearbeitungsbedingungen-Ermittlungseinrichtung A02 und/oder die Gewichtsfaktoren des zweiten neuronalen Netzwerks der Diagnoseeinrichtung A05 werden korrigiert, nachdem ausreichend Unterrichtungsdaten angesammelt wurden, so daß die korrigierten Bearbeitungsbedingungen für dieselben Eingangsdaten ermittelt werden, die anfänglich in der Attributdaten-Speichereinrichtung A01 gespeichert waren.
  • Bearbeitungsbegleitumstände werden durch eine Erfassungseinrichtung A07 während des Bearbeitungsvorgangs erfaßt, und eine adaptive Steuereinrichtung A08 steuert auf geeignete Art und Weise die Zustellung der Zustell welle in Übereinstimmung mit den Ausgangssignalen der Erfassungseinrichtung A07. Die adaptive Steuereinrichtung A08 beinhaltet ein drittes neuronales Netzwerk. Durch die Erfassungseinrichtung A07 bereitgestellte, zeitserielle Daten werden dem dritten neuronalen Netzwerk zugeführt. Das dritte neuronale Netzwerk liefert Ausgangssignale, die die Bearbeitungsbegleitumstände repräsentieren. Die Zustellgeschwindigkeit des Werkzeugs wird auf der Grundlage der durch das dritte neuronale Netzwerk bereitgestellten Bearbeitungsbegleitum stand-Daten dynamisch in einer Echtzeit-Betriebsart gesteuert.
  • 4. Automatische Ermittlung von Bearbeitungsbedingungen
  • Nachstehend wird der Betrieb des wie vorstehend aufgebauten, intelligenten Bearbeitungssystems unter Bezugnahme auf Fig. 3, welche Betriebsfunktionen anhand eines Blockdiagramms zeigt, und Fig. 4, welche eine durch die CPU 31 auszuführende Prozedur anhand eines Ablaufdiagramms zeigt, beschrieben.
  • Eingangsdaten einschließlich des Materials und der Maße des Werkstücks sowie Daten feststehender Zustände, die die Schleifmaschine betreffen, werden vorab in dem Attributdaten-Speicherbereich 332 des RAMs 33 abgelegt.
  • Bezugnehmend auf Fig. 3 umfaßt ein Block FBL für die automatische Ermittlung von Bearbeitungsbedingungen einen Block FB10 für die automatische Ermittlung von Referenz-Bearbeitungsbedingungen, der unter Verwendung vorbestimmter funktioneller Formeln und empirischen Formeln automatisch Referenz-Bearbeitungsbedingungen ermittelt, und einen Bedingungs-Anpassungsblock FB11, der unter Verwendung eines neuronalen Netzwerks die durch den Block FB10 für die automatische Ermittlung von Referenz-Bearbeitungsbedingungen ermittelten Bearbeitungsbedingungen automatisch korrigiert, um optimale Bearbeitungsbedingungen zu ermitteln.
  • a. Ermittlung von Referenzwerten von Bearbeitungsbedingungen
  • Fig. 4 zeigt den Betrieb der CPU 31 zum Verwirklichen der Funktionen des Blocks FB1 zum automatischen Ermitteln von Bearbeitungsbedingungen. In Schritt 100 werden die durch Betätigen der Tastatur 22 eingegebenen Attributdaten (nachstehend als "Eingangsbedingungen und feste Bedingungen" bezeichnet) in dem Attributdaten- Speicherbereich 332 gespeichert.
  • Die Eingangsbedingungen beinhalten das Material D&sub1;, die Maße D&sub2;, die Gesamt-Bearbeitungstoleranz D&sub3;, die Oberflächenrauhigkeit D&sub4;, die Maßhaltigkeit D&sub5; und den Typ des Schleifrads D&sub6;; die feste Bedingung ist eine Schleifrad-Oberflächengeschwindigkeit D&sub7;.
  • In einem Schritt 102 werden die Referenzwerte V&sub1; bis V&sub1;&sub1;, die Referenz- oder Standard-Bearbeitungsbedingungen repräsentieren, berechnet.
  • Die Bearbeitungsbedingungen sind eine Drehzahl K&sub1; für die Grobbearbeitung, eine Drehzahl K&sub2; zum Feinschleifen, eine Drehzahl K&sub3; zum Endschleifen, ein Grobschleif-Anfangsdurchmesser K&sub4;, ein Feinschleif-Anfangsdurchmesser K&sub5;, ein Endschleif-Anfangsdurchmesser K&sub6;, eine Zustellgeschwindigkeit K&sub7; zum Grobschleifen, eine Zustellgeschwindigkeit K&sub8; zum Feinschleifen&sub1; eine Zustellgeschwindigkeit K&sub9; zum Endschleifen, eine Zeit K&sub1;&sub0; zum Anhalten der Zustellung nach dem Grobschleifen, und eine Zeit K&sub1;&sub1; zum Anhalten der Zustellung nach dem Feinschleifen.
  • Die Referenzwerte werden auf die nachstehende Art und Weise berechnet. Was die Drehzahl für jeden Schleifmodus anbelangt, wird die Oberflächengeschwindigkeit des Werkstücks vorab in Abhängigkeit von der geforderten Oberflächenrauhigkeit des Werkstücks für jede Oberflächengeschwindigkeit des Schleifrads definiert. Die Oberflächengeschwindigkeit des Werkstücks wird auf der Grundlage einer definierten Oberflächenrauhigkeit des Werkstücks berechnet; sodann wird die Drehzahl für das Werkstück auf der Grundlage der berechneten Oberflächengeschwindigkeit und dem Durchmesser des Werkstücks berechnet.
  • Was die Zustellgeschwindigkeit für jeden Schleifmodus anbelangt, wird der Einfahrweg des Schleifrads für eine volle Umdrehung des Werkstücks vorab in Abhängigkeit von Maßtoleranzen definiert. Der Einfahrweg wird auf der Grundlage einer definierten Maßtoleranz für den Schleifmodus berechnet; sodann wird die Rad-Zustellgeschwindigkeit auf der Grundlage des berechneten Einfahrwegs und der Drehzahl berechnet.
  • Was den Schleifanfangsdurchmesser für jeden Schleifmodus anbelangt, wird ein Standard-Zustellweg vorab für jeden Schleifmodus ermittelt. Der Schleifanfangsdurchmesser wird auf der Grundlage des Zusammenhangs zwischen dem Standard-Zustellweg und einem definierten, feinbearbeiteten Durchmesser berechnet.
  • Was die Zeit, zu der die Zustellung angehalten wird bzw. die Zustell-Anhaltezeit, anbelangt, wird die akkumulierte Anzahl von Umdrehungen des Werkstücks, nach der die Zustellung des Schleifrads anzuhalten ist, in Abhängigkeit davon ermittelt, ob ein Schleifen auf Maß durchgeführt werden soll, oder ob der Schleifvorgang aufgeteilt ist. Die Anzahl der Umdrehungen des Werkstücks bis zum Anhalten der Zustellung des Schleifrades wird auf der Grundlage der festen Bedingungen ermittelt; danach wird die Zustell-Anhaltezeit unter Verwendung der Anzahl von Umdrehungen berechnet.
  • b. Berechnung von Korrekturwerten durch neuronale Netzwerke
  • Bezugnehmend auf Fig. 4 wird das erste neuronale Netzwerk aktiviert; danach werden in Schritt 104 die eingegebenen und festen Bedingungen D&sub1; bis D&sub7; eingegeben, um Korrekturen δ&sub1; bis δ&sub1;&sub1; für die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; zu berechnen.
  • Kombinationsgewichtfaktoren und Betriebsprogramme für das in Fig. 5 gezeigte erste neuronale Netzwerk werden in dem Speicherbereich 335 für das erste neuronale Netzwerk des RAMs 33 gespeichert. In diesem Ausführungsbeispiel hat das neuronale Netzwerk einen aus drei Schichten bestehenden Aufbau mit einer Eingangsschicht, einer Zwischensschicht und einer Ausgangs schicht.
  • Wie allgemein bekannt ist, sind die Elemente der zweiten Schicht, d.h. der Zwischenschicht, und der dritten Schicht, d.h. der Ausgangsschicht, des neuronalen Netzwerks definiert als solche; die die durch die nachstehenden Ausdrücke ausgedrückten Operationen ausführen:
  • Der Ausgang 0ij des j-ten Elements der i-ten Schicht wird berechnet unter Verwendung von:
  • worin V ein Kombinationsgewichtfaktor zwischen dem k-ten Element der (i-l)-ten Schicht und dem j-ten Element der i-ten Schicht und 0ij der Ausgang des j-ten Elementes der ersten Schicht ist. Da die erste Schicht ohne die Funktion der vorstehenden Gleichungen direkt den Eingang ausgibt, ist 0ij auch ein Eingangswert für das j-te Element der Eingangsschicht (der ersten Schicht)
  • Demgemäß gilt:
  • 0ij = Dj ...(4)
  • worin Dj eine dem j-ten Element der Eingangsschicht zugeführte eingegebene und feste Bedingung ist.
  • Das neuronale Netzwerk führt Operationen gemäß den in Fig. 6 gezeigten Schritten aus.
  • In Schritt 200 werden die Ausgänge D&sub1; bis D&sub7; der Elemente der Eingangsschicht (der ersten Schicht) den Elementen der Zwischenschicht (der zweiten Schicht) zugeführt; danach führt das j-te Element der zweiten Schicht einen Vorgang aus, um die Summe der durch
  • ausgedrückten Produkte zu ermitteln.
  • Dann werden in Schritt 202 die Ausgänge der Elemente der Zwischenschicht (der zweiten Schicht) berechnet unter Verwendung der Sigmoid-Funktion der unter Verwendung von Gleichung (5) berechneten Werte. Der Ausgang des j-ten Elements der zweiten Schicht wird unter Verwendung von
  • berechnet.
  • Der Ausgang 02j wird den Elementen der Ausgangsschicht (der dritten Schicht) zugeführt.
  • Sodann wird in Schritt 204 die Summe von Produkten der den Elementen der Ausgangsschicht zugeführten Eingänge unter Verwendung von
  • berechnet.
  • Danach werden in Schritt 206 die Ausgänge der Elemente der Ausgangsschicht unter Berechnung einer Sigmoid- Funktion ähnlich dem Ausdruck (6) berechnet. Die Ausgänge sind Korrekturen δj für die Bearbeitungsbedingungen.
  • D.h., die Korrekturen δj werden unter Verwendung von
  • berechnet.
  • Zurückkehrend zu Schritt 106 gemäß Fig. 4 werden die Referenz-Bearbeitungsbedingungen V&sub1; bis V&sub1;&sub1;, die in Schritt 102 erhalten wurden, und die Korrekturen δ&sub1; bis δ&sub1;&sub1; jeweils addiert, um die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; zu ermitteln. Die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; werden in dem Bearbeitungsbedingungen-Speicherbereich 333 des RAMs 33 gespeichert.
  • c. Korrektur der Bearbeitungsbedingungen-Daten
  • In Schritt 108 werden die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; auf der Kathodenstrahlröhren-Anzeige 23 dargestellt. Korrekturen werden notwendigenfalls durch Betätigen der Tastatur eingegeben, und die korrigierten Bearbeitungsbedingungen sodann in dem Bearbeitungsbedingungen-Speicherbereich 333 des RAMs 33 gespeichert. Die Tastatur und die Kathodenstrahlröhren-Anzeige 23 bilden die Korrektureinrichtung.
  • d. Erzeugen von NC-Daten und NC-Bearbeitung
  • In Schritt 110 werden Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; verarbeitet, um NC-Daten bereitzustellen. Die NC-Daten werden in dem NC-Daten-Speicherbereich 331 des RAMs 33 abgelegt.
  • Darauffolgend wird das Werkstück W in Übereinstimmung mit den NC-Daten versuchsweise bearbeitet. Die Steuerung der versuchsweisen Bearbeitung erfolgt ähnlich zu der in dem herkömmlichen Bearbeitungssystem ausgeführten Steuerung, so daß daher deren Beschreibung im einzelnen unterbleibt. Im wesentlichen werden bei der Steuerung der versuchsweisen Bearbeitung Impulserzeugungsanweisungen in Übereinstimmung mit den NC-Daten an die Impulserzeugungsschaltung 36 abgegeben, und gibt die Impulserzeugungsschaltung 36 Steuerimpulse an die Ansteuerschaltungen DUZ und DUX ab, um das Werkstück W in Übereinstimmung mit den NC-Daten zu bearbeiten. Nachdem das Werkstück vollständig bearbeitet wurde, wird das Werkstück vermessen, um Daten über das Ergebnis der Bearbeitung bzw. Bearbeitungsergebnisdaten zu erhalten.
  • e. Bewertung der Bearbeitungsergebnisdaten
  • Die Bearbeitungsergebnisdaten umfassen beispielsweise die Gesamt-Schleifzeit, die Oberflächenrauhigkeit, die Maßhaltigkeit, die Rundheit, den Rißbildungsgrad und das Ausmaß des Schlages bzw. des .Ratterns.
  • Die Gesamt-Schleifzeit wird von der CPU 31 gemessen; die restlichen Bearbeitungsergebnisdaten werden durch den Bediener ermittelt und durch Betätigen der Tastatur 22 eingegeben. Der Bediener bestimmt, ob die Bearbeitungsergebnisse Sollbedingungen entsprechen; falls nicht, gibt er Sollbedingungen an einen Diagnose-Block FB3 weiter.
  • f. Korrektur von Bearbeitungsbedingungen auf der Grundlage von Bearbeitungsergebnissen
  • Der Diagnose-Block FB3 leitet unter Verwendung des zweiten neuronalen Netzwerks Korrekturen ab, um die durch den Block FB1 für die automatische Ermittlung von Bearbeitungsbedingungen ermittelten Bearbeitungsbedingungen (statische Bearbeitungsbedingungen) zu korrigieren.
  • Fig. 7 zeigt die Funktionsweise der CPU 31 entsprechend der Funktion des Diagnose-Blocks FB3. In Schritt 500 werden die gemessenen Bearbeitungsergebnisse durch Betätigen der Tastatur 22 eingegeben, um dieselben in dem Bearbeitungsergebnis-Speicherbereich 334 des RAMS 33 zu speichern.
  • In Schritt 502 werden Sollergebnisse durch Betätigen der Tastatur 22 eingegeben, um dieselben in dem RAM 33 zu speichern.
  • Nachstehend sei angenommen, daß die gemessene Oberflächenrauhigkeit einer Soll-Oberflächenrauhigkeit nicht entspricht. Dann wird die Oberflächenrauhigkeit durch Betätigen der Tastatur 22 geändert und damit verbunden ein rechtwinkliger Maßstab zum Ändern des Oberflächen- Rauhigkeitsgrads und ein linearer Indikator, der von einer Dreicksmarke begleitet wird, zum Anzeigen der Oberflächenrauhigkeit in dem Maßstab, werden auf dem Bildschirm der Kathodenstrahlröhren-Anzeige 23 an der Konsole des Bedieners 20 dargestellt, wie in Fig. 9 gezeigt.
  • Die Bewertung der bestehenden Oberflächenrauhigkeit wird in dem Maßstab durch einen vorhandenen Oberflächenrauhigkeit-Indikator angegeben. Die Farbe des Maßstabs ändert sich an einer Position, die dem vorhandenen Oberflächenrauhigkeit-Indikator entspricht, um die visuelle Erkennung zu erleichtern.
  • Eine Solloberflächenrauhigkeit-Indikator wird durch Betätigen der Tastatur 22 an eine Position des Maßstabs gesetzt, die einer gewünschten Oberflächenrauhigkeit bzw. Solloberflächenrauhigkeit entspricht. Die Solloberflächenrauhigkeit wird in dem RAM 33 gespeichert.
  • In Schritt 504 werden Bearbeitungsfehler, d.h. die Abweichungen der Bearbeitungsergebnisse von den Sollwerten, berechnet; die berechneten Bearbeitungsfehler werden in dem RAM 33 gespeichert. Die Bearbeitungsfehler sind ein Gesamt-Schleifzeitfehler H&sub1;, ein Oberflächenrauhigkeitsfehler H&sub2;, ein Maßfehler H&sub3;, ein Rundheitsfehler H&sub4;, ein Schleifrißfehler H&sub5; ein Schlagmaßfehler H&sub6; und dergleichen.
  • In Schritt 506 werden die in dem RAM 33 gespeicherten Bearbeitungsfehler H&sub1; bis H&sub6; an entsprechende Elemente der Eingangsschicht des zweiten neuronalen Netzwerks übergeben und dann das neuronale Netzwerk aktiviert.
  • In Schritt 508 werden die Ausgänge des zweiten neuronalen Netzwerks, d.h. die Korrekturen δ&sub1; bis δ&sub1;&sub1; für die Bearbeitungsbedingungen in dem RAM 33 gespeichert.
  • Fig. 8 zeigt das in dem Speicherbereich 336 für das zweite neuronale Netzwerk des RAMs 33 gespeicherte neuronale Netzwerk. Das in diesem Ausführungsbeispiel verwendete zweite neuronale Netzwerk ist dreischichtig aufgebaut. Die Betriebsfunktionen der Elemente des zweiten neuronalen Netzwerks sind zu denjenigen der Elemente des ersten neuronalen Netzwerks identisch.
  • In Schritt 510 werden die Korrekturen δ&sub1; bis δ&sub1;&sub1; zu den anfänglichen Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; addiert, um korrigierte Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; zu erhalten. Die korrigierten Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; werden auf dem Bildschirm der Kathodenstrahlröhre 23 auf der Konsole des Bedieners 20 angezeigt, wie in dem linken unteren Abschnitt der Fig. 9 gezeigt.
  • Auf diese Art und Weise werden die Referenz-Bearbeitungsbedingungen durch den Bedingungsanpassungsblock FB11 mit dem ersten neuronalen Netzwerk korrigiert; danach werden die korrigierten Referenz-Bearbeitungsbedingungen erneut korrigiert, wobei die Bearbeitungsfehler durch den Diagnose-Block FB3 mit dem zweiten neuronalen Netzwerk korrigiert werden, um nochmals genauere Bearbeitungsbedingungen bereitzustellen.
  • Darüber hinaus lernt das erste neuronale Netzwerk direkt durch den Bediener, wenn die Bearbeitungsbedingungen korrigiert werden und wenn die großen Korrekturen durch das zweite neuronale Netzwerk bereitgestellt werden. Das erste neuronale Netzwerk ist in der Lage, geeignete Bearbeitungsbedingungen als Lernfortschritte zu ermitteln; d.h., der Fortschritt des ersten neuronalen Netzwerks beim Lernen verringert durch das zweite neuronale Netzwerk anzubringende Korrekturen und versetzt das erste neuronale Netzwerk in die Lage, geeignete Bearbeitungsbedingungen zu ermitteln, ohne daß eine versuchsweise Bearbeitung erforderlich ist.
  • Die Lerndaten werden dem ersten und dem zweiten neuronalen Netzwerk durch den Bediener übergeben, wenn die neuronalen Netzwerke während des Betriebs geeignete Ausgangssignale bereitstellen. Der Satz der Eingangsdaten und der Lerndaten werden in dem Lerndaten-Speicherbereich 339 des RAMs 33 gespeichert. Wenn die neuronalen Netzwerke lernen müssen, lernen die neuronalen Netzwerke anhand der Kombination der Eingangsdaten und der Lerndaten, die in dem Lerndaten-Speicherbereich 339 abgelegt sind.
  • g. Lernprozedur für das erste neuronale Netzwerk
  • Nachstehend wird eine durch das erste neuronale Netzwerk auszuführende und durch einen Lern-Block FB2 in Fig. 3 repräsentierte Lernprozedur beschrieben
  • Das Lernen der Kombinationsgewichtfaktoren des in Fig. 5 gezeigten neuronalen Netzwerks erfolgt durch ein gut bekanntes Back Propagation-Verfahren.
  • Der Lernvorgang wird durchgeführt, wenn das Lernen der Kombinationsgewichtfaktoren, die vorangehend gelernt wurden, zur praktischen Anwendung erneut erfolgen muß; d.h., wenn die durch das erste neuronale Netzwerk bereitgestellten Korrekturen ungeeignet sind, und wenn die Bearbeitungsfehler in einem in Übereinstimmung mit durch das erste neuronale Netzwerk korrigierten Bear beitungsbedingungen bearbeiteten Werkstück groß sind, also die Ausgangskorrekturen des zweiten neuronalen Netzwerks groß sind.
  • In Schritt 600 gemäß Fig. 10 wird ein Lemsignal für jedes Element der Ausgangsschicht unter Verwendung von
  • berechnet, worin Tj ein Lemsignal für eine Korrektur δj und f' (x) die Ableitung einer Sigmoid-Funktion sind. Eine durch den Bediener vorgegebene Korrektur oder eine über eine Diagnose des bearbeiteten Werkstücks ermittelte Korrektur werden als Lemsignal verwendet.
  • In Schritt 602 wird ein Lemsignal für die Zwischenschicht unter Verwendung von
  • berechnet.
  • In Schritt 604 wird der Kombinationsgewichtfaktor von jedem Element der Ausgangsschicht durch eine Korrektur korrigiert, die unter Verwendung von:
  • berechnet wird, worin A eine Änderung des Kombinationsgewichts zwischen dem j-ten Element der Ausgangsschicht und dem i-ten Element der Zwischenschicht in der t-ten Berechnung ist, A eine Korrektur für den Kombinationsgewichtfaktor in der (t-1)-ten Berechnung ist, und P und Q proportionale Konstanten sind. Daher wird ein korrigierter Kombinationsgewichtfaktor unter Verwendung von
  • berechnet.
  • In Schritt 606 wird der Kombinationsgewichtfaktor von jedem Element der Zwischenschicht korrigiert.
  • Eine Korrektur für den Kombinationsfaktor wird auf ähnliche Art und Weise berechnet wie diejenige für den Kombinationsgewichtfaktor für jedes Element dieser Ausgangsschicht, unter Verwendung von:
  • Daher wird ein korrigierter Kombinationsgewichtfaktor unter Verwendung von
  • berechnet.
  • In Schritt 608 wird beurteilt, ob die Korrektur für den Kombinationsgewichtfaktor nicht größer ist als ein vorbestimmter Wert oder nicht, d.h., ob der Kombinationsgewichtfaktor konvergiert hat.
  • Falls die Entscheidung in Schritt 608 negativ ausfällt, kehrt die Prozedur zu Schritt 600 zurück, um den Kombinationsgewichtfaktor unter Wiederholen derselben Berechnungen für andere eingegebene und feste Bedingungen unter Verwendung des jüngst korrigierten Kombinationsgewichtfaktors erneut zü korrigieren. Der Lernvorgang des neuronalen Netzwerks wird für alle Lemsignale durch Wiederholen der Berechnungen unter Verwendung von durch den Bediener vorgegebenen Korrekturen und durch Diagnose des bearbeiteten Werkstücks ermittelten Korrekturen als Lernsignale durchgeführt.
  • h. Adaptive Steuerung
  • Nachstehend wird eine durch die erfindungsgemäße Schleifmaschine für den praktischen Schleifvorgang auszuführende adaptive Steuerung beschrieben, insbesondere in Verbindung mit der dynamischen Korrektur der Rad- Zustellgeschwindigkeit in Übereinstimmung mit erfaßten Bearbeitungs-Begleitumständen.
  • Die Funktionen der adaptiven Steuerung werden durch einen Block FB4 für die adaptive Steuerung gemäß Fig. 3 repräsentiert. Bezugnehmend auf Fig. 11 werden die Schleifkraft, die Schleiffunken und das Schleifgeräusch periodisch durch Sensoren S abgetastet, und werden die Schleifkraft, die Schleiffunken und das Schleifgeräusch repräsentierende Daten an ein drittes neuronales Netzwerk übergeben, um die Schleif-Begleitumstände auf der Grundlage dieser Daten zu ermitteln. Sodann werden die die Bearbeitungs-Begleitumstände repräsentierenden Daten einem Fuzzy-Steuerblock zugeleitet, und wird die Rad-Zustellgeschwindigkeit in Übereinstimmung mit vorbestimmten Steuerregeln (Partnerschafts-Funktionen) dynamisch korrigiert.
  • Die adaptive Steuerung wird durch die periodische Ausführung eines in Fig. 12 gezeigten Programms durch die CPU 31 erreicht.
  • In Schritt 800 werden die von dem Sensor S empfangenen Eingangsdaten gelesen und danach die in Schritt 800 empfangenen Eingangsdaten für eine vorbestimmte Zeitdauer gehalten, um zeitserielle Daten zu erzeugen.
  • In Schritt 804 wird durch das dritte neuronale Netzwerk ein Programm zum Erfassen der Bearbeitungs-Begleitumstände ausgeführt, indem die in Schritt 802 erzeugten, zeitseriellen Daten dem dritten neuronalen Netzwerk zugeführt werden; das dritte neuronale Netzwerk stellt dann Daten bereit, die die vorliegenden Bearbeitungs- Begleitumstände repräsentieren.
  • Wie in Fig. 13 gezeigt, empfängt das dritte neuronale Netzwerk die zeitseriellen Daten der Schleifkraft, des Schleifgeräuschs und der Schleiffunken als Eingangsdaten und stellt Werte im Bereich zwischen 0 und 1 bereit, die die Ausmaße des Schleifrisses, des abnormalen Abriebs und der Oberflächenrauhigkeit repräsentieren. Die Art und Weise der Gewichtung des dritten neuronalen Netzwerks wurde zuvor auf der Grundlage der Beziehung zwischen experimentell und empirisch ermittelten Eingangssignalen und Ausgangssignalen gelernt.
  • In Schritt 806 werden die in Schritt 804 erfaßten Bearbeitungs-Begleitumstände zur Fuzzy-Inferenz-Berechnung einer Fuzzy-Regel zugeführt, um eine zum Schleifen geeignete Rad-Zustellgeschwindigkeit in den Bearbeitungs- Begleitumständen festzulegen (Fuzzy-Steuerung in Fig. 11).
  • Eine Fuzzy-Regel ist durch einen WENN-DANN-Ausdruck gegeben: wenn I&sub1; = S, 12 = M, ..., und In = B, dann 0&sub1; = S, 0&sub2; = B, ..., und 0m = M, worin I&sub1;, I&sub2;, ..., und In Eingangsvariablen sind, also Bearbeitungs-Begleitumstand- Daten, n die Anzahl von Eingangsvariablen ist, 0&sub1;, 0&sub2;, ..., und 0m Ausgangsvariablen sind, also die gesteuerten Variablen der Zufuhrwelle, und S (klein), B (groß) und M (Mittel) Symbole sind, die die Mitgliedsfunktionen repräsentieren. Die Mitgliedsfunktion S drückt einen Grad aus, der anzeigt, daß die Eingangsvariable klein ist, die Mitgliedsfunktion M drückt einen Grad aus, der anzeigt, daß die Eingangsvariable mittelgroß ist, und die Mitgliedsfunktion B drückt einen Grad aus, der anzeigt, daß die Eingangsvariable groß ist.
  • Grundsätzlich entspricht die Anzahl von Fuzzy-Regeln der n-ten Potenz der Anzahl der Mitgliedsfunktionen, d.h. (Anzahl der Mitgliedsfunktionen)n, In diesem Beispiel ist die Anzahl von Fuzzy-Regeln 3n.
  • Eine Fuzzy-Inferenz-Berechnung erfolgt auf die nachstehende Art und Weise. Der Wert jeder der durch eine Regel spezifizierten Mitgliedsfunktionen wird für jede Eingangsvariable berechnet. Der Minimalwert (MIN-Berechnung) der Mitgliedsfunktionen-Werte wird als Anpassung der Fuzzy-Regel betrachtet. Eine derartige Berechnung wird für alle Fuzzy-Regeln durchgeführt, um die jeweiligen Anpassungen aller Fuzzy-Regeln zu ermitteln. Sodann wird in einem Diagramm, welches eine Ausgangs- Mitgliedsfunktion zeigt, die durch eine DANN-Einheit für jede Fuzzy-Regel spezifiziert wird, ein Bereich ermittelt, in dem die Ausgang svariable kleiner als die berechnete Anpassung ist. Eine solche Berechnung wird für alle Regeln ausgeführt, und ein Maximalbereich (MAX-Berechnung) wird durch Überlagern der aus den Regeln erhaltenen Bereiche ermittelt. Sodann wird der dem Zentroid bzw. Schwerpunkt des Maximalbereichs entsprechende Wert bereitgestellt.
  • Die Fuzzy-Steuerung wird in Verbindung mit der Korrektur der Rad-Zustellgeschwindigkeit auf der Grundlage des Schleifrisses näher beschrieben. Fig. 14A zeigt eine Mitgliedsfunktion, die die Beziehung zwischen dem Ausmaß des Schleifrisses und Graden, die die Wahrscheinlichkeit angeben, daß der Schleifriß als niedriger, mittlerer oder großer Schleifriß beurteilt wird, ausdrückt, und Fig. 14B zeigt eine Mitgliedsfunktion, die die Beziehung zwischen dem Rad-Zustellgeschwindigkeit-Änderungsverhältnis und Graden, die die Wahrscheinlichkeit angeben, daß die Rad-Zustellgeschwindigkeit als niedrig, ziemlich niedrig, normal, ziemlich hoch oder hoch beurteilt wird, ausdrückt. Diese Mitgliedsfunktionen werden als Fuzzy-Regeln in dem Fuzzy- Regel-Speicherbereich 338 des RAMs 33 gespeichert.
  • Beispielsweise werden die folgenden Fuzzy-Regeln Nr. 1 und 2 in dem Bereich 338 abgelegt. Die Fuzzy-Regel Nr. 1 lautet so, daß dann, wenn das Ausmaß des Schleifrisses groß ist, das Ausmaß abnormalen Abriebs hoch ist und der Grad der Oberflächenrauhigkeit mittel ist, die Zustellgeschwindigkeit verringert werden muß. Die Fuzzy-Regel Nr. 2 lautet so, daß dann, wenn das Ausmaß des Schleifrisses mittel ist, das Ausmaß abnormalen Abriebs mittel ist und der Grad der Oberflächenrauhigkeit klein ist, die Zustellgeschwindigkeit geringfügig verringert werden muß. Die in den Fig. 14A und 14B gezeigten Mitgliedsfunktionen werden auf der Grundlage derartiger Beziehungen kombiniert, um das Rad-Zustellgeschwindigkeit-Änderungsverhältnis zu ermitteln.
  • Es sei angenommen, daß das dritte neuronale Netzwerk ein Ausgangssignal bereitstellt, welches ein Schleifriß-Ausmaß von 0,6 anzeigt. Dann wird anhand von Fig. 14A beurteilt, daß der Schleifriß mit einer Wahrschein lichkeit von 0,7 mittel und mit einer Wahrscheinlichkeit von 0,2 hoch ist.
  • Die Werte, d.h. Grade von durch die Fuzzy-Regel spezifizierten Mitgliedsfunktionen werden für die Eingangsvariablen des abnormalen Abriebs und der Oberflächenrauhigkeit berechnet. Der kleinste Wert der Mitgliedsfunktionen der Eingangsvariablen wird als die Anpassung derselben Fuzzy-Regel ausgewählt. Eine derartige Berechnung des Minimalwerts wird für jede Fuzzy-Regel durchgeführt. Falls beispielsweise die Wahrscheinlichkeit, daß das Ausmaß abnormalen Abriebs hoch ist, 0,3 beträgt, und die Wahrscheinlichkeit, daß die Oberflächenrauhigkeit als mittel beurteilt wird, 0,4 beträgt, ist die Anpassung der Fuzzy-Regel Nr. 1 0,2, welches das Minimum unter den Graden der drei Eingangsvariablen ist. Falls die Wahrscheinlichkeit, daß das Ausmaß abnormalen Abriebs als mittel beurteilt wird, 0,8 beträgt, und die Wahrscheinlichkeit, daß der Grad der Oberflächenrauhigkeit gering ist, 0,8 beträgt, ist die Anpassung der Fuzzy-Regel Nr. 2 0,7, welches das Minimum unter den Graden der drei Eingangsvariablen ist.
  • In einem solchen Fall wird ein dreieckförmiger, dem Wert "klein" der Mitgliedsfunktion entsprechender Bereich in Fig. 14B durch eine horizontale Linie entsprechend der Anpassung 0,2 der Fuzzy-Regel Nr. 1 aufgeteilt, und ein Bereich unter der horizontalen Linie wird ausgewählt, und wird ein dreieckförmiger, dem Wert "ziemlich klein" der Mitgliedsfunktion entsprechender Bereich in Fig. 14B durch eine horizontale Linie entsprechend der Anpassung 0,7 der Fuzzy-Regel Nr. 2 aufgeteilt, und ein Bereich unter der horizontalen Linie wird ausgewählt. Dann werden beide ausgewählten Bereiche kombiniert, wie anhand eines schraffierten Bereichs in Fig. 14B gezeigt, und wird ein Radzustell-Änderungsverhältnis R entsprechend dem Schwerpunkt G des kombinierten Bereichs ausgewählt. Danach wird die Rad-Zustellgeschwindigkeit in einem übergeordneten Korrekturmodus geändert.
  • Auf diese Art und Weise werden die automatisch ermittelten Bearbeitungsbedingungen zur optimalen Bearbeitung automatisch korrigiert.
  • Es ist ebenfalls möglich, eine Fuzzy-Regel für jede Eingangsvariable vorzubereiten und die Zufuhrwelle unter Verwendung des Mittelwerts der Rad-Zustellgeschwindigkeit-Änderungsverhältnisse, der jeweils für die Eingangsvariablen ermittelt wurde, zu steuern.
  • In diesem Ausführungsbeispiel wird die Rad-Zustellgeschwindigkeit durch den Block FB4 für die adaptive Steuerung dynamisch korrigiert. Es ist möglich, eine Rad-Zustellgeschwindigkeit-Korrektur, die durch den adaptiven Steuerblock ermittelt wurde, zur Korrektur des Gewichts des ersten neuronalen Netzwerks für die automatische Ermittlung der Bearbeitungsbedingungen, d.h. für das Lernen des ersten neuronalen Netzwerks, heranzuziehen.
  • In einem solchen Fall wird das durch den Fuzzy-Steuerblock gemäß Fig. 11 (Schritt 806 in Fig. 12(c)) ermittelte Geschwindigkeitskorrekturverhältnis periodisch zur Korrektur abgetastet, und werden die abgetasteten Korrekturen als Bearbeitungsbedingungen abgelegt, die auf einen weiten Bereich von Bearbeitungs-Begleitumständen anwendbar sind.
  • Die Forderung nach einer Änderung der Bearbeitungsbedingungen auf der Grundlage der Bearbeitungsergebnisse ist erfüllt worden, die Korrektur der Bearbeitungsbedingungen, die bisher nur durch einen technisch geschickten Bediener möglich war, kann auf einfache Art und Weise unabhängig vom Geschicklichkeitsgrad durch jeden beliebigen Bediener erfolgen, und optimale Bearbeitungsbedingungen, die zu gewünschten Bearbeitungsergebnissen führen, können automatisch ermittelt werden.
  • Darüber hinaus werden die Bearbeitungsbedingungen in einer Echtzeit-Steuerbetriebsart optimiert, um Störungen und unvorhergesehene, plötzliche Änderungen von Bearbeitungs-Begleitumständen während des Bearbeitungsvorgangs Rechnung zu tragen, so daß gewünschte Bearbeitungsergebnisse stabil erzielt werden können.
  • Weil die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung, die Diagnose-Einrichtung und die adaptive Steuereinrichtung systematisch kombiniert werden, um eine Soll-Bearbeitungsbedingung zu ermitteln, die durch eine der Einrichtungen als eine Bearbeitungsbedingung in den restlichen Einrichtungen ermittelt wurde, werden außerdem die Bearbeitungsbedingungen verbessert und demzufolge seht zufriedenstellende Bearbeitungsergebnisse erzielt.
  • Zweites Ausführungsbeispiel
  • Ein intelligentes Bearbeitungssystem gemäß einem zweiten Ausführungsbeispiel der Erfindung beinhaltet eine Modifikation des ersten neuronalen Netzwerks des ersten Ausführungsbeispiels zum Ermitteln von Korrekturen für Bearbeitungsbedingungen auf der Grundlage von eingegebenen und festen Bedingungen.
  • 1. Schleifmaschine
  • Der Aufbau einer für das zweite Ausführungsbeispiel relevanten Schleifmaschine ist zu dem Aufbau der in Fig. Gezeigten Schleifmaschine ähnlich.
  • 2. Numerische Steuereinheit
  • Der Aufbau einer numerischen Steuereinheit 30 ist derselbe wie der der in dem ersten Ausführungsbeispiel verwendeten numerischen Steuereinheit 30, mit der Ausnahme, daß sich das ROM 32 und das RAM 33 der in dem zweiten Ausführungsbeispiel verwendeten numerischen Steuereinheit 30 von denjenigen, der in dem ersten Ausführungsbeispiel verwendeten numerischen Steuereinheit 30 unterscheiden.
  • Das RAM 33 hat einen NO-Daten-Speicherbereich 331 zum Speichern von NO-Programmen, einem Eingangsbedingungen- Speicherbereich 332 zum Speichern von Eingangsbedingungen einschließlich dem feinbearbeiteten Durchmesser, der Bearbeitungstoleranz, dem Schubmodul, der Teilebeschreibung, einem Grobbearbeitungsabschnitt und dem Namen des Bedieners, einen Bearbeitungsbedingungen-Speicherbereich 333 zum Speichern von Bearbeitungsbedingungen einschließlich der Drehzahl bzw. Anzahl der Umdrehungen des Werkstücks, der Schleifanfangsposition, der Rad-Zustellgeschwindigkeit und dem Anhalten der Zustellung nach dem Schleifen, sowie einen Kombinationsgewicht-Speicherbereich 334 zum Speichern der Kombinationsgewichtfaktoren der neuronalen Netzwerke. Das RAM 33 wird durch eine Batterie gesichert, um die durch Lernen erworbenen Kombinationsgewichtfaktoren abzusichern.
  • Das ROM 32 hat einen Steuerprogramm-Speicherbereich 321, in dem Steuerprogramme zum Steuern der numerisch gesteuerten Schleifmaschine in Übereinstimmung mit den NO-Daten abgelegt sind, einen Speicherbereich 322 für ein automatisches Bearbeitungsbedingungen-Ermittlungsprogramm zum Speichern eines Hauptprogramms für die automatische Ermittlung von Bearbeitungsbedingungen, einen Speicherbereich 323 für neuronale Netzwerke, in dem von den neuronalen Netzwerken auszuführende Betriebsprogramme abgelegt sind, und einen Lernprogramm-Speicherbereich 324, in dem Lernprogramme zum Lernen der Kombinationsgewichtfaktoren der neuronalen Netzwerke gespeichert sind.
  • 3. Ermittlung der Bearbeitungsbedingungen
  • Nachstehend werden durch eine in dem intelligenten Bearbeitungssystem gemäß dem zweiten Ausführungsbeispiel verwendete CPU 31 auszuführende Steuerprozeduren unter Bezugnahme auf Ablaufdiagramme beschrieben.
  • a. Eingeben von Eingangsbedingungen
  • Fig. 19 zeigt das Ablaufdiagramm eines Hauptprogramms zum automatischen Erzeugen von Bearbeitungsbedingungen auf der Grundlage von Eingangsbedingungen.
  • In Schritt 900 werden durch Betatigen der Tastatur 22 eingegebene Eingangsbedingungen in dem Eingangsbedingungen-Speicherbereich 332 des RAMS 33 gespeichert. Die Eingangsbedingungen beinhalten den endbearbeiteten Durchmesser D&sub1;, die Bearbeitungstoleranz D&sub2;, das Schubmodul D&sub3;, die Teilebezeichnung D&sub4;, die Grobabschnittun terteilung D&sub5;, den Namen des Bedieners A D&sub6;, den Namen des Bedieners B D&sub7; und den Namen des Bedieners C D&sub8;.
  • b. Berechnung der Referenz-Bearbeitungsbedingungen
  • In Schritt 902 werden Referenz-Bearbeitungsbedingungen V&sub1; bis V&sub1;&sub1; auf der Grundlage der vorstehend erwähnten Eingangsbedingungen D&sub1; bis D&sub8; und weiteren Eigangsbedingungen berechnet.
  • In diesem Ausführungsbeispiel werden als Bearbeitungsbedingungen die Drehzahl K&sub1; für das Grobschleifen, die Drehzahl K&sub2; für das Feiinschleifen, die Drehzahl K&sub3; für das Endschleifen, der Anfangsdurchmesser beim Grobschleifen K&sub4;, der Anfangsdurchmesser beim Feinschleifen K&sub5;, der Anfangsdurchmesser beim Endschleifen K&sub6;, die Zustellgeschwindigkeit beim Grobschleifen K&sub7;, die Zustellgeschwindigkeit beim Feinschleifen K&sub8;, die Zustellgeschwindigkeit beim Endschleifen K&sub9;, eine Anhaltezeit für die Zustellung nach dem Grobschleifen K&sub1;&sub0; und eine Anhaltezeit für die Zustellung nach dem Feinschleifen K&sub1;&sub1; herangezogen.
  • Diese Referenzbedingungen werden auf die nachstehende Art und Weise berechnet. Was die Drehzahl für jede Schleifbetriebsart anbelangt, so wird die Oberflächengeschwindigkeit des Werkstücks vorab in Abhängigkeit von der erforderlichen Oberflächenrauhigkeit für die Oberflächengeschwindigkeit des Schleifrads definiert. Die Oberflächengeschwindigkeit des Werkstücks wird auf der Grundlage einer spezifizierten Oberflächenrauhigkeit des Werkstücks berechnet; danach wird die Drehzahl des Werkstücks auf der Grundlage der berechneten Oberflächengeschwindigkeit und des Durchmessers des Werkstücks berechnet.
  • Was die Zustellungsgeschwindigkeit für jede Schleifbetriebsart anbelangt, wird die Schnittiefe des Schleifads für eine volle Umdrehung des Werkstücks vorab in Abhängigkeit von der Maßtoleranz definiert. Die Schnittiefe wird auf der Grundlage einer spezifizierten Maßtoleranz für die Schleifbetriebsart berechnet; sodann wird die Rad-Zustellgeschwindigkeit auf der Grundlage der berechneten Schnittiefe und der Drehzahl berechnet. Was den Anfangsdurchmesser zum Schleifen anbe langt, wird eine Referenz-Zustellung vorab für jede Schleifbetriebsart ermittelt. Der Schleif-Anfangsdurchmesser wird auf der Grundlage der Beziehung zwischen der Referenz-Zustellung und einem spezifizierten endbearbeiteten Durchmesser berechnet.
  • Was die Zustell-Anhaltezeit anbelangt, wird die akkumulierte Anzahl von Umdrehungen des Werkstücks für das Anhalten des Schleifrads in Übereinstimmung damit ermittelt, ob ein größenveränderndes Schleifen erfolgt oder nicht, oder ob der Schleifprozess aufgeteilt ist oder nicht. Die Anzahl der Umdrehungen des Werkstücks zum Anhalten der Zustellung des Schleifrads wird auf der Grundlage der Eingangsbedingungen ermittelt; danach wird die Zustell-Anhaltezeit unter Verwendung der Anzahl der Umdrehungen berechnet.
  • c. Nichtrückführendes neuronales Netzwerk
  • In Schritt 904 wird ein nichtrückführendes neuronales Netzwerk aktiviert, werden Eingangsbedingungen D&sub1; bis D&sub8; eingegeben, und werden vorläufige oder primäre Korrekturen δ&sub1; bis δ&sub1;&sub1; für die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; berechnet.
  • Fig. 20 zeigt den Aufbau des nichtrückführenden neuronalen Netzwerks, welches einen dreischichtigen Aufbau mit einer Eingangsschicht, einer Zwischenschicht und einer Ausgangsschicht aufweist. Die Definition jedes der Operatoren der neuronalen Netzwerke ist gleich der in dem ersten Ausführungsbeispiel Das nichtrückführende neuronale Netzwerk führt dieselben Operationen durch, wie sie in Fig. 6 gezeigt sind.
  • Die Ausgangssignale der Elemente der Ausgangsschicht des nichtrückführenden neuronalen Netzwerks, d.h. die vorläufigen Korrekturen δj für die Bearbeitungsbedingungen, werden durch den in Fig. 6 gezeigten Betriebsablauf berechnet.
  • d. Rückführendes neuronales Netzwerk
  • In Schritt 906 gemäß Fig. 19 arbeitet ein rückführendes neuronales Netzwerk. Wie in Fig. 21 gezeigt, wird das Ausgangssignal jedes Elements der Ausgangsschicht des rückführenden neuronalen Netzwerks allen Elementen der Zwischenschicht desselben zugeführt. Das rückführende neuronale Netzwerk führt eine Prozedur aus, die in Fig. 22 gezeigt ist.
  • In Schritt 1000 wird die Summe von Produkten der Eingangssignale der Zwischenschicht berechnet. Jedes Element der Zwischenschicht empfängt insgesamt neunzehn Ausgangssignale, einschließlich der acht Ausgangssignale der Eingangsschicht und den elf Ausgangssignalen der Ausgangs schicht.
  • Die Summe von Produkten wird gemäß
  • berechnet.
  • Dann wird in Schritt 1002 unter Verwendung des Ausdrucks (6) das Ausgangssignal der Zwischenschicht durch die Sigmoid-Funktion der Ergebnisse der Berechnung der Summe von Produkten der Eingangssignale berechnet.
  • In Schritt 1004 wird die Summe von Produkten der Eingangssignale jedes Elements der Ausgangsschicht unter Verwendung des Ausdrucks (7) berechnet; danach werden in Schritt 1006 endgültige Korrekturen Δj für die Bearbeitungsbedingungen unter Verwendung der Sigmoid-Funktion der Funktionswerte der Summe der Produkte unter Verwendung von
  • berechnet.
  • Nachdem die Korrekturen Δ&sub1; bis Δ&sub1;&sub1; für alle Bearbeitungsbedingungen berechnet worden sind, kehrt die Prozedur zu Schritt 908 zurück.
  • e. Berechnung der Bearbeitungsbedingungen
  • In Schritt 908 werden die in Schritt 902 ermittelten Referenz-Bearbeitungsbedingungen V&sub1; bis V&sub1;&sub1; und die in Schritt 906 ermittelten Korrekturen Δ&sub1; bis Δ&sub1;&sub1; jeweils addiert, um die Bearbeitungsbedingungen K&sub1; bis K&sub1;&sub1; zu ermitteln.
  • f. Lernen
  • Die Kombinationsgewichtfaktoren des in Fig. 21 gezeigten, rückführenden neuronalen Netzwerks werden auf ähnliche Art und Weise wie in dem ersten Ausführungsbeispiel durch die in Fig. 4 gezeigte Prozedur gelernt.
  • In diesem Ausführungsbeispiel werden vorläufige Korrekturen durch Betreiben des neuronalen Netzwerks berechnet, welches Attributdaten empfängt und Korrekturen für die Bearbeitungsbedingungen liefert, in einem nichtrückführenden Modus, in dem keine Daten von der Ausgangsschicht in die Zwischenschicht zurückgeführt werden, woraufhin die Ausgangssignale, d.h. die vorläufigen Korrekturen in die Zwischenschicht zurückgeführt werden und Attributdaten der Eingangsschicht zugeführt werden, um endgültige Korrekturen durch die Ausgangsschicht bereitzustellen.
  • Dementsprechend wird der Einfluß der Korrekturen für die Bearbeitungsbedingungen, die auf die Beziehung zwischen den Bearbeitungsbedingungen zurückzuführen ist, bei dem Betrieb des rückführenden neuronalen Netzwerks berücksichtigt. Demzufolge können die auf der Grundlage der Erfahrungen und der Intuition des Bedieners ermittelten Korrekturen auf präzise Art und Weise in die automatische Ermittlung der Bearbeitungsbedingungen einbezogen werden.
  • Drittes Ausführungsbeispiel
  • Ein intelligentes Bearbeitungssystem gemäß einem dritten Ausführungsbeispiel der Erfindung verwendet die internen Konstanten des Operationsausdrucks zum Ermitteln von Referenz-Bearbeitungsbedingungen als Ausgangssignale eines neuronalen Netzwerks.
  • 1. Numerisch gesteuerte Schleifmaschine
  • Eine numerisch gesteuerte Schleifmaschine, welche das intelligente Bearbeitungssystem umfaßt, ist identisch zu der in Fig. 1 gezeigten.
  • 2. Numerische Steuereinheit
  • Eine numerische Steuereinheit in diesem Ausführungsbeispiel hat denselben Aufbau wie die des ersten Ausführungsbeispiels, mit der Ausnahme, daß die numerische Steuereinheit in diesem Ausführungsbeispiel ein in Fig. 23 gezeigtes RAM 33 verwendet, welches sich von dem in dem ersten Ausführungsbeispiel verwendeten unterscheidet.
  • Bezugnehmend auf Fig. 23 weist das RAM 33 einen NC-Daten-Speicherbereich 331 zum Speichern von NC-Programmen, einen Attribut-Speicherbereich 332 zum Speichern von Daten, die die Attribute des Werkstücks repräsentieren, einschließlich des Materials, der Maße, der Bearbeitungstoleranz, der Oberflächenrauhigkeit und der Maßhaltigkeit, Daten, die die Attribute des Werkzeugs repräsentieren, wie beispielsweise den Typ des Werkzeugs, und Daten, die die Attribute der Schleifmaschine repräsentieren, einschließlich der Oberflächengeschwindigkeit des Werkzeugs, einen Bearbeitungsbedingungen- Speicherbereich 333 zum Speichern von Bearbeitungsbedingungen einschließlich der Drehzahl des Werkstücks, der Rad-Zustellgeschwindigkeit und der Bearbeitungstoleranz, und einen Speicherbereich 334 für interne Konstante zum Speichern der internen Konstanten von Betriebsausdrücken zum Ermitteln von Bearbeitungsbedingungen auf.
  • 3. Ermittlung der Bearbeitungsbedingungen
  • Nachstehend wird eine Prozedur zum Ermitteln von Bearbeitungsbedingungen unter Bezugnahme auf Fig. 24, welche eine durch die CPU 31 auszuführende Prozedur zeigt, Fig. 25, die die sequentielle Ermittlung von Bearbeitungsbedingungen und Bearbeitungsergebnissen zeigt, und Fig. 26, welche die Lemfunktionen für die automatische Ermittlung der Bearbeitungsbedingungen zeigt.
  • Nachstehend wird die Prozedur der automatischen Ermittlung der Bearbeitungsbedingungen im Hinblick auf die automatische Ermittlung der Drehzahl N für das Werkstück , d.h. einer Bearbeitungsbedingung, auf der Grundlage des endbearbeiteten Durchmessers D und der Oberflächenrauhigkeit r für das Werkstück, d.h. Eingangsbedingungen, beschrieben.
  • In Schritt 1100 werden der endbearbeitete Durchmesser D und die Oberflächenrauhigkeit r eingegeben (Fig. 26).
  • In Schritt 1102 wird ein Drehzahl-Koeffizient a, d.h. eine interne Konstante, auf der Grundlage der Oberflächenrauhigkeit r durch ein neuronales Netzwerk ähnlich dem in dem ersten Ausführungsbeispiel verwendeten beschrieben.
  • In Schritt 1104 wird der Drehzahlkoeffizient a in dem Speicherbereich 334 für interne Konstanten des RAMS 33 gespeichert.
  • In Schritt 1106 zum Erhalten einer Bearbeitungsbedingungen-Recheneinrichtung wird die Drehzahl N für das Werkstück unter Verwendung von
  • N = a/D1/2
  • berechnet.
  • Die Drehzahl N wird als eine Bearbeitungsbedingung auf der Kathodenstrahlröhren-Anzeige 23 der Bediener-Konsole angezeigt und wird in dem Bearbeitungsbedingungen- Speicherbereich 333 des RAMs 33 gespeichert.
  • In Schritt 1108 wird beurteilt, ob die in Schritt 1106 berechnete Drehzahl N korrigiert werden muß oder nicht. Falls die Beurteilung in Schritt 1108 positiv ist, d.h., falls der Bediener ermittelt, daß die auf der Kathodenstrahlröhren-Anzeige 23 angezeigte Drehzahl N nicht geeignet ist, schreitet die Prozedur zu Schritt 1110 fort.
  • In Schritt 1110 wird ein korrigierter Drehzahl- Koeffizient a' entsprechend einer korrigierten Drehzahl N' unter Verwendung von
  • a' = N' D1/2
  • berechnet, und der vorangehend in dem Speicherbereich für die internen Konstanten 334 des RAMs gespeicherte Drehzahlkoeffizient a wird durch den korrigierten Drehzahl-Koeffizienten a' ersetzt.
  • In Schritt 1112, d.h. einer Einrichtung zum Ausbilden einer Gewichtskorrektureinrichtung, wird das Gewicht des neuronalen Netzwerks durch Lernen korrigiert, so daß der Drehzahl-Koeffizient a' ermittelt wird, wenn die Oberflächenrauhigkeit r eingeben wird; danach endet die Prozedur.
  • Auf diese Art und Weise wird die Drehzahl N' des Werkstücks bereitgestellt, wenn der endbearbeitete Durchmesser D und die Oberflächenrauhigkeit r in dem nächsten Vorgang zur automatischen Bearbeitungsbedingungen- Ermittlung spezifiziert werden.
  • Falls die Entscheidung in Schritt 1108 negativ ausfällt, wenn nämlich die Drehzahl N geeignet ist, endet die Prozedur.
  • Auf diese Art und Weise liefert in diesem Ausführungsbeispiel das neuronale Netzwerk die Werte der Koeffizienten zum Berechnen von Bearbeitungsbedingungen unter Verwendung der Attributdaten und der Berechnungsausdrücke. Demzufolge können die Bearbeitungsbedingungen auf einfache Art und Weise berechnet werden.

Claims (10)

1. Intelligentes Bearbeitungssystem zum automatischen Ermitteln von Bearbeitungsbedingungen und zum Steuern einer numerisch gesteuerten Werkzeugmaschine zum Bearbeiten eines Werkstücks (W) in Übereinstimmung mit den Bearbeitungsbedingungen, wobei das intelligente Bearbeitungssystem umfaßt:
eine Datenspeichereinrichtung (33, 332, 333; A01) zum Speichern der Eigenschaften von zumindest einem der Werkstücke (W) sowie Bearbeitungserfordernisse angebenden Attributdaten (D&sub1; bis D&sub7;; D&sub1; bis D&sub8;); und
eine automatische Bearbeitungsbedingungen-Ermittlungseinrichtung (31; A02; FBI) zum automatischen Ermitteln der Bearbeitungsbedingungen (V&sub1; bis V&sub1;&sub1;), wobei die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung (31; A02; FB1) gekennzeichnet ist durch:
eine Referenzwert-Berechnungseinrichtung (102; 902; FB10) zum Berechnen von Referenz-Bearbeitungsbedingungen (V&sub1; bis V&sub1;&sub1;) auf der Grundlage der Attributdaten (D&sub1; bis D&sub7;; D&sub1; bis D&sub0;); und
ein erstes neuronales Netzwerk (FB11), welches auf die Attributdaten (D&sub1; bis D&sub7;; D&sub1; bis D&sub8;) anspricht und derart mit der Referenzwert-Berechnungseinrichtung (192; 902; FB10) in Zuordnung steht, daß die Referenz- Bearbeitungsbedingungen (V&sub1; bis V&sub1;&sub1;) so durch das erste neuronale Netzwerk (FB11) korrigiert werden, daß durch die automatische Bedingungen-Ermittlungseinrichtung (31; A02; FB1) korrigierte Bearbeitungsbedingungen (K&sub1; bis K&sub1;&sub1;) an die Werkzeugmaschine zum Bearbeiten des Werkstücks ausgegeben werden,
wobei die Kombination von Gewichtungsfaktoren des ersten neuronalen Netzwerks (Ebil) in Abhängigkeit von den Bearbeitungsergebnissen korrigiert wird.
2. Intelligentes Bearbeitungssystem nach Anspruch 11 dadurch gekennzeichnet, daß das erste neuronale Netzwerk (FB11) die Attributdaten (D&sub1; bis D&sub7;; D&sub1; bis D&sub8;) empfängt und Korrekturen (δ&sub1; bis δ&sub1;&sub1;) bereitstellt zum Korrigieren der Referenz-Bearbeitungsbedingungen (V&sub1; bis V&sub1;&sub1;); und die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung (31; A02; FB1) Ermittlungen der Bearbeitungsbedingungen durch Aufaddieren der Referenz-Bearbeitungsbedingungen (V&sub1; bis V&sub1;&sub1;) mit den Korrekturen (δ&sub1; bis δ&sub1;&sub1;) optimiert.
3. Intelligentes Bearbeitungssystem nach Anspruch 1, dadurch gekennzeichnet, daß
das erste neuronale Netzwerk (FB11) zumindest einen Elementarwert bereitstellt, der ein Koeffizient von Berechnungsausdrücken ist, die in Bezug zu den Bearbeitungsbedingungen (V&sub1; bis Vii) stehen, welche auf den At tributdaten (D&sub1; bis D&sub7;; D&sub1; bis D&sub6;) basieren; und
die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung (31; A02; FB1) Ermittlungen der Bearbeitungsbedingungen durch Korrigieren der Berechnungsausdrücke mit dem Elementarwert optimiert.
4. Intelligentes Bearbeitungssystem nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß
das erste neuronale Netzwerk (FB11) zumindest drei Schichten umfaßt einschließlich einer Eingangsschicht, einer Zwischenschicht und einer Ausgangsschicht, und daß die jeweiligen Ausgangswerte der Elemente der- Ausgangsschicht zu den Elementen der Zwischenschicht zurückgeführt werden; und
weiter gekennzeichnet durch
eine erste Betriebseinrichtung zum Betreiben des neuronalen Netzwerks in einer Betriebsart, in der kein Ausgangswert der Ausgangsschicht in die Zwischenschicht zurückgeführt wird; und
eine zweite Betriebseinrichtung zum Zuführen der Attributdaten zu der Eingangsschicht, um zu bewirken, daß die Ausgangsschicht die Korrekturen in einem Zustand bereitstellt, in dem die Ausgangswerte der Ausgangsschiöht in 4ie Zwischenschicht zurückgeführt werden, nachdem das neuronale Netzwerk durch die erste Betriebseinrichtung betrieben worden ist.
5. Intelligentes Bearbeitungssystem nach Anspruch 2, dadurch gekennzeichnet, daß
die Datenspeichereinrichtung (33) ferner eine Bearbeitungsbedingungen-Speichereinrichtung (333) zum Speichern der durch die automatische Bearbeitungsbedingungen-Ermittlungseinrichtung (31; FB1, FB10, FB11; A02) ermittelten Bearbeitungsbedingungen;
eine Fehlerdaten-Speichereinrichtung zum Speichern von Bearbeitungsfehlern (H&sub1; bis H&sub6;) entsprechend Abweichungen von Bearbeitungsergebnissen gegenüber gewünschten Bearbeitungsergebnissen; und
ein zweites neuronales Netzwerk (FB3; A05), wel ches die Bearbeitungsfehler empfängt und Korrekturen für die Bearbeitungsbedingungen bereitstellt, umfaßt.
6. Intelligentes Bearbeitungssystem nach einem der Ansprüche 1 bis 5, gekennzeichnet durch
Sensoren (S, A07) zum Erfassen momentaner Bearbeitungserscheinungen wie beispielsweise Funken, Töne und Kraft, die beim Bearbeiten eines Werkstücks (W) durch die numerisch gesteuerte Werkzeugmaschine erzeugt werden;
ein drittes neuronales Netzwerk (FB4, A08), welches durch die Sensoren (S; A07) bereitgestellte, zeitserielle Daten in einem vorbestimmten Zeitraum empfängt und Bearbeitungsbegleitumstand-Daten in dem entsprechenden Zeitraum bereitstellt; und
eine Zustell-Steuereinrichtung (A08) zum Steuern der Zustellung eines Werkzeugs der numerisch gesteuerten Werkzeugmaschine in Übereinstimmung mit den durch das dritte neuronale Netzwerk bereitgestellten Bearbeitungsbegleitumstand-Daten.
7. Intelligentes Beärbeitungssystem nach Anspruch 1, dadurch gekennzeichnet, daß die Zustellung-Steuereinrichtung (A08) eine Fuzzy- Folgerungseinrichtung umfaßt zum Berechnen der jeweiligen Anwendbarkeit von Fuzzy-Regeln unter Verwendung von Werten, die die Wertigkeit der Bearbeitungsbegleitumstände repräsentieren, sowie zum Schließen auf eine nanipulierte Variable zum Steuern der Zustellung auf der Grundlage der berechneten Anwendbarkeit.
8. Intelligentes Bearbeitungssystem nach Anspruch 7, gekennzeichnet durch
eine Entsprechungsbeziehung-Berechnungseinrichtung zum Ermitteln von Bearbeitungsbedingungen auf der Grundlage der Ausgangswerte des dritten neuronalen Netzwerks, um die relevante gesteuerte Zustellungsvariable bei der Bearbeitung eines Werkstücks (W) durch manuellen Betrieb der numerisch gesteuerten Werkzeugmaschine durch eine geübte Bedienperson zu erfassen; und
eine Fuzzy-Regel-Erzeugungseinrichtung zum Erzeugen von Fuzzy-Regeln auf der Grundlage der Beziehung zwischen den durch die Entsprechungsbeziehung-Berechnungseinrichtung ermittelten Berarbeitungsbedingungen und der gesteuerten Zustellungsvariablen.
9. Intelligentes Bearbeitungssystem nach einem der Ansprüche 1 bis 8, gekennzeichnet durch
eine Lerndaten-Speichereinrichtung (340) zum Speichern von während des Betriebs des ersten neuronalen Netzwerks akkumulierten Eingangsdaten und den Eingangsdaten entsprechenden Lerndaten; und
eine Lerneinrichtung (FB2; A06) zum Lernen der Kombinationsgewichtfaktoren des ersten neuronalen Netzwerks unter Verwendung der in der Lerndaten-Speichereinrichtung (340) gespeicherten Eingangsdaten und der Lerndaten.
10. Intelligentes Bearbeitungssystem nach Anspruch 1, gekennzeichnet durch eine Lerneinrichtung zum Ermitteln von Korrekturen zum Korrigieren der Bearbeitungsbedingungen auf der Grundlage des Durchschnittswerts von manipulierten Variablen, die in einem vorbestimmten Zeitraum durch die Fuz zy-Folgerungseinrichtung bereitgestellt werden, und zum Lernen der Kombinationsgewichtfaktoren des ersten neuronalen Netzwerks, welches die Attributdaten empfängtä auf der Grundlage der Korrekturen.
DE69125980T 1990-07-17 1991-07-16 Intelligentes Bearbeitungssystem Expired - Fee Related DE69125980T2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2190322A JP2950929B2 (ja) 1990-07-17 1990-07-17 加工条件自動決定装置
JP02259226A JP3086699B2 (ja) 1990-09-27 1990-09-27 数値制御研削盤
JP26278090A JP2961622B2 (ja) 1990-09-29 1990-09-29 インテリジェント加工システム

Publications (2)

Publication Number Publication Date
DE69125980D1 DE69125980D1 (de) 1997-06-12
DE69125980T2 true DE69125980T2 (de) 1997-12-11

Family

ID=27326311

Family Applications (1)

Application Number Title Priority Date Filing Date
DE69125980T Expired - Fee Related DE69125980T2 (de) 1990-07-17 1991-07-16 Intelligentes Bearbeitungssystem

Country Status (4)

Country Link
US (1) US5473532A (de)
EP (1) EP0467297B1 (de)
KR (1) KR920002268A (de)
DE (1) DE69125980T2 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020120038A1 (de) 2020-07-29 2022-02-03 Technische Hochschule Köln Temperieren eines Maschinenmoduls

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3036143B2 (ja) * 1991-09-02 2000-04-24 三菱電機株式会社 数値制御装置
US5419169A (en) * 1992-04-07 1995-05-30 Toyota Jidosha Kabushiki Kaisha Method and apparatus for adjusting press operating conditions depending upon dies used
EP0664186A4 (de) * 1992-10-09 1995-09-20 Verfahren und system zur bestimmung von bearbeitungsinformationen und verfahren und system zur bestimmung von bearbeitungsprozessinformationen.
JP2689855B2 (ja) * 1993-05-25 1997-12-10 トヨタ自動車株式会社 ダイクッション装置のエア圧設定方法および装置
EP0675419B1 (de) * 1994-03-31 1999-05-26 Toyota Jidosha Kabushiki Kaisha Verfahren und Gerät zur Optimierung der Betriebsbedingungen einer Presse auf der Basis der Pressebetriebsumgebung und/oder des Blechzustandes
US5745382A (en) * 1995-08-31 1998-04-28 Arch Development Corporation Neural network based system for equipment surveillance
US5941143A (en) * 1995-11-16 1999-08-24 University Of Kentucky Research Foundation Method of assessing chip breakability performance
JP2000317775A (ja) * 1999-04-28 2000-11-21 Mitsutoyo Corp 加工システム
GB2350207B (en) * 1999-05-11 2003-08-20 Falcon Machine Tools Co Ltd Interactive system between machine tool and operator
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
JP3435117B2 (ja) * 2000-03-09 2003-08-11 義昭 垣野 加工制御システム
TW567132B (en) * 2000-06-08 2003-12-21 Mirle Automation Corp Intelligent control method for injection molding machine
DE10057928C1 (de) * 2000-11-22 2002-02-21 Inb Vision Ag Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form
US20080255684A1 (en) * 2002-11-18 2008-10-16 Universiti Putra Malaysia Artificial intelligence device and corresponding methods for selecting machinability data
MY141127A (en) * 2002-11-18 2010-03-15 Univ Putra Malaysia Artificial intelligence device and corresponding methods for selecting machinability data
JP3977369B2 (ja) * 2004-10-01 2007-09-19 ファナック株式会社 ロボットプログラム生成装置及び解析装置
CN101180591A (zh) 2005-03-23 2008-05-14 赫克有限公司 基于公差的轨迹规划和控制方法
US7930058B2 (en) * 2006-01-30 2011-04-19 Memc Electronic Materials, Inc. Nanotopography control and optimization using feedback from warp data
CA2659445C (en) 2006-08-04 2015-05-12 Hurco Companies, Inc. System and method for tool use management
US8725283B2 (en) 2006-08-04 2014-05-13 Hurco Companies, Inc. Generalized kinematics system
US8024068B2 (en) 2006-08-04 2011-09-20 Hurco Companies, Inc. Machine tool control system
US7933677B2 (en) 2006-08-04 2011-04-26 Hurco Companies, Inc. System and method for surface finish management
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US7941701B2 (en) * 2007-08-03 2011-05-10 Smartsignal Corporation Fuzzy classification approach to fault pattern matching
EP2271462A2 (de) * 2008-03-17 2011-01-12 Christopher A. Suprock Intelligentes bearbeitungssystem und intelligenter werkzeughalter dafür
EP2523625B1 (de) * 2010-01-14 2017-03-08 PhysIQ Inc. Multivariater restgrössen-gesundheitsindex zur überwachung der menschlichen gesundheit
US9256224B2 (en) 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method using kernel regression modeling with pattern sequences
US9250625B2 (en) 2011-07-19 2016-02-02 Ge Intelligent Platforms, Inc. System of sequential kernel regression modeling for forecasting and prognostics
EP3203335A4 (de) * 2014-09-30 2018-06-27 Makino Milling Machine Co., Ltd. Steuerungsvorrichtung für werkzeugmaschine
JP2017030067A (ja) * 2015-07-30 2017-02-09 ファナック株式会社 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP6603182B2 (ja) * 2016-07-22 2019-11-06 ファナック株式会社 機械学習モデル構築装置、数値制御装置、機械学習モデル構築方法、機械学習モデル構築プログラム、及び記録媒体
JP6675297B2 (ja) * 2016-12-09 2020-04-01 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP6502976B2 (ja) * 2017-02-15 2019-04-17 ファナック株式会社 数値制御装置
JP6756676B2 (ja) 2017-07-27 2020-09-16 ファナック株式会社 製造システム
JP6680748B2 (ja) * 2017-11-17 2020-04-15 ファナック株式会社 制御装置及び機械学習装置
GB2569307B (en) * 2017-12-12 2022-06-29 Fives Landis Ltd Machine tools and methods of operation thereof
JP7126360B2 (ja) 2018-03-01 2022-08-26 株式会社牧野フライス製作所 工具経路を生成するための方法及び装置
JP7121506B2 (ja) 2018-03-14 2022-08-18 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
JP7137943B2 (ja) 2018-03-20 2022-09-15 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
TWI684080B (zh) * 2018-06-21 2020-02-01 高聖精密機電股份有限公司 智慧型調整系統及其方法
GB201813372D0 (en) * 2018-08-16 2018-10-03 Rolls Royce Plc Machining error compensation
JP6949896B2 (ja) * 2019-03-27 2021-10-13 ファナック株式会社 砥石選定装置及び砥石選定方法
EP3951523A4 (de) * 2019-04-29 2023-06-21 Siemens Aktiengesellschaft Verfahren und vorrichtung zum konfigurieren von verarbeitungsparametern einer produktionsanlage und computerlesbares medium
EP3736648B1 (de) * 2019-05-08 2023-07-05 Agathon AG, Maschinenfabrik Verfahren für eine autonome optimierung eines schleifprozesses
DE102019207746A1 (de) * 2019-05-27 2020-12-03 Robert Bosch Gmbh Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems
WO2021111511A1 (ja) 2019-12-03 2021-06-10 株式会社日立ハイテク 探索装置、探索プログラム及びプラズマ処理装置
CN111037456B (zh) * 2020-01-08 2021-05-14 洛阳聚享新科智能科技有限公司 一种双端面研磨机多变量智能模糊控制系统
AT526214A1 (de) * 2022-05-23 2023-12-15 Fill Gmbh Optimieren einer numerischen Steuerung einer Werkzeugmaschine

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3873816A (en) * 1968-12-27 1975-03-25 Agency Ind Science Techn Automatic adaptive controller
JPH087789B2 (ja) * 1988-08-15 1996-01-29 工業技術院長 パターン連想記憶方法および装置
US4926309A (en) * 1988-09-12 1990-05-15 Ford Motor Company Artificial intelligence for adaptive machining control of surface finish
JP2606317B2 (ja) * 1988-09-20 1997-04-30 ソニー株式会社 学習処理装置
JPH0295543A (ja) * 1988-09-30 1990-04-06 Omron Tateisi Electron Co 研削盤制御装置
US5119468A (en) * 1989-02-28 1992-06-02 E. I. Du Pont De Nemours And Company Apparatus and method for controlling a process using a trained parallel distributed processing network
JPH0349845A (ja) * 1989-07-13 1991-03-04 Omron Corp 適応制御装置
JPH0354605A (ja) * 1989-07-21 1991-03-08 Fanuc Ltd 数値制御装置
US5111531A (en) * 1990-01-08 1992-05-05 Automation Technology, Inc. Process control using neural network
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020120038A1 (de) 2020-07-29 2022-02-03 Technische Hochschule Köln Temperieren eines Maschinenmoduls

Also Published As

Publication number Publication date
DE69125980D1 (de) 1997-06-12
EP0467297B1 (de) 1997-05-07
EP0467297A2 (de) 1992-01-22
KR920002268A (ko) 1992-02-28
US5473532A (en) 1995-12-05
EP0467297A3 (en) 1993-12-15

Similar Documents

Publication Publication Date Title
DE69125980T2 (de) Intelligentes Bearbeitungssystem
DE102016010064B4 (de) Numerische Steuerung mit Bearbeitungsbedingungsanpassungsfunktion zum Verringern des Auftretens von Rattern oder Werkzeugverschleiss/-bruch
DE102018004048B4 (de) Steuerung und Maschinenlernvorrichtung
DE102016011528B4 (de) Maschinelle Lernvorrichtung zur Optimierung der Zyklusprozesszeit einer Bearbeitungsmaschine, Motorsteuervorrichtung, Bearbeitungsmaschine und maschinelles Lernverfahren
DE102016011532B4 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung
DE102018010054A1 (de) Steuerung und maschinelle Lernvorrichtung
DE102006045820B4 (de) Verfahren und Vorrichtung zur automatischen Einstellung eines Motorreglers
DE102017011544A1 (de) Steuerung und maschinelle Lernvorrichtung
DE69212048T2 (de) Vorrichtung und Verfahren, die ein Echtzeitexpertensystem verwenden zur Vorhersage der Werkzeuglebensdauer und zur Diagnose des Werkzeugverschleisses
DE102018000342A1 (de) Numerische steuerung und maschinelle lernvorrichtung
DE102018006946A1 (de) Steuerung und maschinelle lernvorrichtung
DE102018004330B4 (de) Steuerung und maschinelle Lernvorrichtung
DE102016009106A1 (de) Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine
DE102017130429A1 (de) Numerische Steuerung und maschinelle Lernvorrichtung
DE102020001127A1 (de) Ratterschwingungsbestimmungseinrichtung, Maschinenlerneinrichtung und System
DE102018003769A1 (de) Vorrichtung für maschinelles Lernen, Servosteuersystem und Verfahren zum maschinellen Lernen
DE102019002156A1 (de) Steuergerät und maschinelle Lernvorrichtung
DE102019204861A1 (de) Maschinenlernvorrichtung; steuervorrichtung und maschinelles lernverfahren
DE102018209951A1 (de) Maschinenlerngerät, servosteuergerät, servosteuersystem und maschinenlernverfahren
DE102018001028B4 (de) Numerische Steuerung
DE102018108778A1 (de) Beschleunigungs- und Verzögerungssteuereinheit
DE112018000122T5 (de) Maschinelles-Lernen-Vorrichtung, Korrekturparameter-Anpassungssystem und Maschinelles-Lernen-Verfahren
DE102019001783A1 (de) Steuerung, maschinelle lernvorrichtung und system
DE102019106939A1 (de) Bearbeitungszustandsanpassungsvorrichtung und maschinenlernvorrichtung
DE102019209104A1 (de) Ausgabevorrichtung, Steuervorrichtung und Ausgabeverfahren für einen Bewertungsfunktionswert

Legal Events

Date Code Title Description
8327 Change in the person/name/address of the patent owner

Owner name: TOYODA KOKI K.K., KARIYA, AICHI, JP KAKAZU, YUKINO

8364 No opposition during term of opposition
8339 Ceased/non-payment of the annual fee