JP2001147912A - ニューラル・ネットワーク・モデルの作成方法 - Google Patents
ニューラル・ネットワーク・モデルの作成方法Info
- Publication number
- JP2001147912A JP2001147912A JP33156099A JP33156099A JP2001147912A JP 2001147912 A JP2001147912 A JP 2001147912A JP 33156099 A JP33156099 A JP 33156099A JP 33156099 A JP33156099 A JP 33156099A JP 2001147912 A JP2001147912 A JP 2001147912A
- Authority
- JP
- Japan
- Prior art keywords
- model
- neural network
- neuro
- network model
- value
- 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 14
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000005498 polishing Methods 0.000 description 38
- 238000012545 processing Methods 0.000 description 16
- 238000003754 machining Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 装置の設定値のみを入力側のニューロとし、
高いシミュレーション精度が得られるニューラル・ネッ
トワーク・モデルの作成方法を提供する。 【解決手段】 先ず、対象となる装置(研磨装置)を用
いて試験加工を行い、装置の設定値(研磨圧力・速
度)、装置の状態値(温度)及び加工結果の評価値(加
工精度)についてデータを収集する。設定値及び状態値
を入力側のニューロとし評価値を出力側のニューロとす
る第一のモデル、及び、設定値を入力側のニューロとし
状態値を出力側のニューロとする第二のモデルを作成す
る。収集されたデータを教師データとして第一及び第二
のモデルに与え、学習法によってネットワークの特性値
をそれぞれ決定する。第二のモデルの状態値に当たるニ
ューロを、第一のモデルの対応するニューロに接続する
とともに、第二のモデルの設定値に当たるニューロを、
第一のモデルの対応するニューロに直接接続する。
高いシミュレーション精度が得られるニューラル・ネッ
トワーク・モデルの作成方法を提供する。 【解決手段】 先ず、対象となる装置(研磨装置)を用
いて試験加工を行い、装置の設定値(研磨圧力・速
度)、装置の状態値(温度)及び加工結果の評価値(加
工精度)についてデータを収集する。設定値及び状態値
を入力側のニューロとし評価値を出力側のニューロとす
る第一のモデル、及び、設定値を入力側のニューロとし
状態値を出力側のニューロとする第二のモデルを作成す
る。収集されたデータを教師データとして第一及び第二
のモデルに与え、学習法によってネットワークの特性値
をそれぞれ決定する。第二のモデルの状態値に当たるニ
ューロを、第一のモデルの対応するニューロに接続する
とともに、第二のモデルの設定値に当たるニューロを、
第一のモデルの対応するニューロに直接接続する。
Description
【0001】
【発明の属する技術分野】本発明は、ニューラル・ネッ
トワーク・モデルの作成方法に係り、特に、機械加工装
置などにおいて、高いシミュレーション精度を得ること
ができるモデルの作成方法に関する。
トワーク・モデルの作成方法に係り、特に、機械加工装
置などにおいて、高いシミュレーション精度を得ること
ができるモデルの作成方法に関する。
【0002】
【従来の技術】機械加工装置などのシステムをモデル化
して、その特性を解析する際、ニューラル・ネットワー
ク・モデルが使用されている。
して、その特性を解析する際、ニューラル・ネットワー
ク・モデルが使用されている。
【0003】例えば、機械加工装置においてニューラル
・ネットワーク・モデルの作成は、従来、次の様な手順
で行われていた。即ち、先ず、実際の装置を用いて試験
的に加工を行い、装置の設定条件を表す設定値(例え
ば、圧力、荷重、回転速度)、加工の際の装置の状態を
表す状態値(例えば、温度、振動、たわみ)、及び加工
結果についての評価を表す評価値(例えば、加工速度、
平坦度、表面粗さ)の関係についてのデータを収集す
る。上記設定値及び上記状態値を入力側のニューロと
し、上記評価値を出力側のニューロとするニューラル・
ネットワーク・モデルを作成する。先に収集されたデー
タをこのモデルに与えて、学習法に基づいてネットワー
クの特性値を決定する。
・ネットワーク・モデルの作成は、従来、次の様な手順
で行われていた。即ち、先ず、実際の装置を用いて試験
的に加工を行い、装置の設定条件を表す設定値(例え
ば、圧力、荷重、回転速度)、加工の際の装置の状態を
表す状態値(例えば、温度、振動、たわみ)、及び加工
結果についての評価を表す評価値(例えば、加工速度、
平坦度、表面粗さ)の関係についてのデータを収集す
る。上記設定値及び上記状態値を入力側のニューロと
し、上記評価値を出力側のニューロとするニューラル・
ネットワーク・モデルを作成する。先に収集されたデー
タをこのモデルに与えて、学習法に基づいてネットワー
クの特性値を決定する。
【0004】この様に、機械加工装置をニューラル・ネ
ットワーク・モデルを用いてモデル化することによっ
て、実際に試験加工を行った条件以外の場合の加工結果
についても、高い精度で推定を行うことができる。
ットワーク・モデルを用いてモデル化することによっ
て、実際に試験加工を行った条件以外の場合の加工結果
についても、高い精度で推定を行うことができる。
【0005】(従来技術の問題点)機械加工装置をモデル
化する場合、上述の様に、装置の設定値及び状態値を入
力側のニューロとし、加工結果についての評価値を出力
側のニューロとして、モデルを作成している。この様な
場合、共に入力側のニューロである上記設定値と上記状
態値の間に、一般的になんらかの関係がある場合が多
い。
化する場合、上述の様に、装置の設定値及び状態値を入
力側のニューロとし、加工結果についての評価値を出力
側のニューロとして、モデルを作成している。この様な
場合、共に入力側のニューロである上記設定値と上記状
態値の間に、一般的になんらかの関係がある場合が多
い。
【0006】図2に、その様な従来のニューラル・ネッ
トワーク・モデルの一例を示す。図2は、平面研磨装置
をモデル化した例である。ここで、設定値である研磨圧
力及び研磨速度と状態値である研磨温度を、共に入力側
のニューロとしているが、これらの設定値と状態値の間
には相関関係がある。つまり、研磨圧力や研磨速度を増
やすと、研磨温度が上昇するという関係がある。
トワーク・モデルの一例を示す。図2は、平面研磨装置
をモデル化した例である。ここで、設定値である研磨圧
力及び研磨速度と状態値である研磨温度を、共に入力側
のニューロとしているが、これらの設定値と状態値の間
には相関関係がある。つまり、研磨圧力や研磨速度を増
やすと、研磨温度が上昇するという関係がある。
【0007】しかし、ニューラル・ネットワーク・モデ
ルにおいては、入力側のニューロは相互に無関係である
という前提がある。そのため、この様なモデルを使用し
てシミュレーションを行う際、入力側のニューロ間の相
関関係を無視した入力データを与えることが可能であ
り、実際には存在しない条件についてもシミュレーショ
ンを実施することになる。
ルにおいては、入力側のニューロは相互に無関係である
という前提がある。そのため、この様なモデルを使用し
てシミュレーションを行う際、入力側のニューロ間の相
関関係を無視した入力データを与えることが可能であ
り、実際には存在しない条件についてもシミュレーショ
ンを実施することになる。
【0008】例として、図2に示したモデルを使用して
シミュレーションを行った結果を、図6に示す。これ
は、研磨圧力を29.4〜58.8kPa(300〜6
00g/cm2)、研磨速度を28rpm、研磨温度を
25℃として、シミュレーションを行った結果であり、
研磨圧力の増大に伴う、加工精度の変化を示している。
しかし、実際の加工の際には、研磨圧力を上げると研磨
温度も上昇するので、研磨温度が25℃で一定というこ
とは有り得ない。このように、有り得ない加工条件につ
いてもシミュレーションができてしまうという問題があ
る。
シミュレーションを行った結果を、図6に示す。これ
は、研磨圧力を29.4〜58.8kPa(300〜6
00g/cm2)、研磨速度を28rpm、研磨温度を
25℃として、シミュレーションを行った結果であり、
研磨圧力の増大に伴う、加工精度の変化を示している。
しかし、実際の加工の際には、研磨圧力を上げると研磨
温度も上昇するので、研磨温度が25℃で一定というこ
とは有り得ない。このように、有り得ない加工条件につ
いてもシミュレーションができてしまうという問題があ
る。
【0009】
【発明が解決しようとする課題】本発明は、上記の様な
従来のニューラル・ネットワーク・モデルの作成方法の
問題点に鑑み成されたもので、本発明の目的は、設定値
のみを入力側のニューロとし、且つ、高い推定精度を得
ることができるニューラル・ネットワーク・モデルの作
成方法を提供することにある。
従来のニューラル・ネットワーク・モデルの作成方法の
問題点に鑑み成されたもので、本発明の目的は、設定値
のみを入力側のニューロとし、且つ、高い推定精度を得
ることができるニューラル・ネットワーク・モデルの作
成方法を提供することにある。
【0010】
【課題を解決するための手段】本発明のニューラル・ネ
ットワーク・モデルの作成方法は、モデル化の対象とな
る装置について実際の操業を行い、操業の際の装置の設
定条件を表す設定値(即ち、直接的に設定可能な条件を
表す独立パラメータ)、操業の際の装置の状態を表す状
態値(即ち、直接的には設定することができない条件を
表す従属パラメータ)、及び操業の結果得られた生産物
についての評価を示す評価値の関係についてのデータを
収集する工程と、この様にして収集されたデータを用い
て、前記設定値及び前記状態値を入力側のニューロと
し、前記評価値を出力側のニューロとする第一のニュー
ラル・ネットワーク・モデルを、学習法によって作成す
る工程と、上記のデータを用いて、前記設定値を入力側
のニューロとし、前記状態値を出力側のニューロとする
第二のニューラル・ネットワーク・モデルを、学習法に
よって作成する工程と、前記第二のニューラル・ネット
ワーク・モデルの出力側のニューロを、前記第一のニュ
ーラル・ネットワーク・モデルにおいて対応する状態値
を表す入力側のニューロに接続するとともに、前記第二
のニューラル・ネットワーク・モデルの入力側のニュー
ロを、前記第一のニューラル・ネットワーク・モデルに
おいて対応する設定値を表す入力側のニューロに接続
し、これによって、前記設定値を入力側のニューロと
し、前記評価値を出力側のニューロとする第三のニュー
ラル・ネットワーク・モデルを作成する工程と、を備え
たことを特徴とする。
ットワーク・モデルの作成方法は、モデル化の対象とな
る装置について実際の操業を行い、操業の際の装置の設
定条件を表す設定値(即ち、直接的に設定可能な条件を
表す独立パラメータ)、操業の際の装置の状態を表す状
態値(即ち、直接的には設定することができない条件を
表す従属パラメータ)、及び操業の結果得られた生産物
についての評価を示す評価値の関係についてのデータを
収集する工程と、この様にして収集されたデータを用い
て、前記設定値及び前記状態値を入力側のニューロと
し、前記評価値を出力側のニューロとする第一のニュー
ラル・ネットワーク・モデルを、学習法によって作成す
る工程と、上記のデータを用いて、前記設定値を入力側
のニューロとし、前記状態値を出力側のニューロとする
第二のニューラル・ネットワーク・モデルを、学習法に
よって作成する工程と、前記第二のニューラル・ネット
ワーク・モデルの出力側のニューロを、前記第一のニュ
ーラル・ネットワーク・モデルにおいて対応する状態値
を表す入力側のニューロに接続するとともに、前記第二
のニューラル・ネットワーク・モデルの入力側のニュー
ロを、前記第一のニューラル・ネットワーク・モデルに
おいて対応する設定値を表す入力側のニューロに接続
し、これによって、前記設定値を入力側のニューロと
し、前記評価値を出力側のニューロとする第三のニュー
ラル・ネットワーク・モデルを作成する工程と、を備え
たことを特徴とする。
【0011】本発明のニューラル・ネットワーク・モデ
ルの作成方法によれば、最終的に作成される第三のニュ
ーラル・ネットワーク・モデルにおいて、前記状態値を
ネットワークの中間層のニューロとして取り入れている
ので、前記状態値の影響をより正確に評価することがで
きる。その結果、ニューラル・ネットワーク・モデルに
よる前記評価値についての推定精度を高めることができ
る。
ルの作成方法によれば、最終的に作成される第三のニュ
ーラル・ネットワーク・モデルにおいて、前記状態値を
ネットワークの中間層のニューロとして取り入れている
ので、前記状態値の影響をより正確に評価することがで
きる。その結果、ニューラル・ネットワーク・モデルに
よる前記評価値についての推定精度を高めることができ
る。
【0012】また、最終的に作成される第三のニューラ
ル・ネットワーク・モデルにおいて、前記設定値のみが
入力側のニューロとして用いられているので、実際には
存在しない条件についてシミュレーションを行うことが
なくなる。
ル・ネットワーク・モデルにおいて、前記設定値のみが
入力側のニューロとして用いられているので、実際には
存在しない条件についてシミュレーションを行うことが
なくなる。
【0013】
【発明の実施の形態】図4に、モデル化の対象とした平
面研磨装置の概要を示す。この例において、装置の設定
値として研磨圧力及び研磨速度を、加工の際の状態値と
して研磨温度を、加工結果についての評価値として加工
精度を採用している。図1に、この平面研磨装置を本発
明の方法に基づいてモデル化したニューラル・ネットワ
ーク・モデルの一例を示す。
面研磨装置の概要を示す。この例において、装置の設定
値として研磨圧力及び研磨速度を、加工の際の状態値と
して研磨温度を、加工結果についての評価値として加工
精度を採用している。図1に、この平面研磨装置を本発
明の方法に基づいてモデル化したニューラル・ネットワ
ーク・モデルの一例を示す。
【0014】図1に示したニューラル・ネットワーク・
モデルの作成手順について、以下に説明する。
モデルの作成手順について、以下に説明する。
【0015】先ず、対象となる平面研磨装置を用いて試
験加工を行い、加工の際の装置の設定値(研磨圧力及び
研磨速度)、加工の際の装置の状態値(研磨温度)、及
び加工結果についての評価値(加工精度)の関係につい
て、データを収集する。
験加工を行い、加工の際の装置の設定値(研磨圧力及び
研磨速度)、加工の際の装置の状態値(研磨温度)、及
び加工結果についての評価値(加工精度)の関係につい
て、データを収集する。
【0016】次に、下記の二種類のニューラル・ネット
ワーク・モデルを作成する。第一のモデルは、図2に示
す様に、設定値及び状態値を入力側のニューロとし評価
値を出力側のニューロとするモデルであり、従来のニュ
ーラル・ネットワーク・モデルと同様のものである。第
二のモデルは、図3に示す様に、設定値を入力側のニュ
ーロとし状態値を出力側のニューロとするモデルであ
る。
ワーク・モデルを作成する。第一のモデルは、図2に示
す様に、設定値及び状態値を入力側のニューロとし評価
値を出力側のニューロとするモデルであり、従来のニュ
ーラル・ネットワーク・モデルと同様のものである。第
二のモデルは、図3に示す様に、設定値を入力側のニュ
ーロとし状態値を出力側のニューロとするモデルであ
る。
【0017】次に、第一のモデル(図2)及び第二のモ
デル(図3)に、先に収集されたデータを教師データと
して与え、学習法によって、それぞれのニューラル・ネ
ットワークの特性値を決定する。
デル(図3)に、先に収集されたデータを教師データと
して与え、学習法によって、それぞれのニューラル・ネ
ットワークの特性値を決定する。
【0018】次に、この様にニューラル・ネットワーク
の特性値が決定された第一のモデルと第二のモデルを結
合して、以下の様に第三のモデルを作成する。即ち、第
二のモデルの出力側のニューロ(研磨温度)を、第一の
モデルにおいて対応する状態値(研磨温度)を表す入力
側のニューロに接続するとともに、第二のモデルの入力
側のニューロ(研磨圧力及び研磨速度)を、第一のモデ
ルにおいて対応する設定値(研磨圧力及び研磨速度)を
表す入力側のニューロに接続する。これによって、図1
に示す様に、設定値(研磨圧力及び研磨速度)を入力側
のニューロとし、評価値(加工精度)を出力側のニュー
ロとする第三のモデルが得られる。
の特性値が決定された第一のモデルと第二のモデルを結
合して、以下の様に第三のモデルを作成する。即ち、第
二のモデルの出力側のニューロ(研磨温度)を、第一の
モデルにおいて対応する状態値(研磨温度)を表す入力
側のニューロに接続するとともに、第二のモデルの入力
側のニューロ(研磨圧力及び研磨速度)を、第一のモデ
ルにおいて対応する設定値(研磨圧力及び研磨速度)を
表す入力側のニューロに接続する。これによって、図1
に示す様に、設定値(研磨圧力及び研磨速度)を入力側
のニューロとし、評価値(加工精度)を出力側のニュー
ロとする第三のモデルが得られる。
【0019】この様にして得られた第三のモデル(図
1)を使用してシミュレーションを行った結果を、図5
に示す。これは、研磨圧力を29.4〜58.8kPa
(300〜600g/cm2)、研磨速度を28rpm
として、シミュレーションを行った結果であり、研磨圧
力の増大に伴う、加工精度の変化を示している。図5に
示す様に、研磨圧力の増加に伴って研磨温度が増加する
ことが分かる。
1)を使用してシミュレーションを行った結果を、図5
に示す。これは、研磨圧力を29.4〜58.8kPa
(300〜600g/cm2)、研磨速度を28rpm
として、シミュレーションを行った結果であり、研磨圧
力の増大に伴う、加工精度の変化を示している。図5に
示す様に、研磨圧力の増加に伴って研磨温度が増加する
ことが分かる。
【0020】第三のモデルにおいて、加工の際の装置の
状態値である研磨温度は、ネットワークの中層部に位置
するニューロの出力として計算される。この様に、装置
の状態値をネットワークの中層部に組み込むことによっ
て、実在する設定条件のみを用いてシミュレーションを
行うことが可能になる。
状態値である研磨温度は、ネットワークの中層部に位置
するニューロの出力として計算される。この様に、装置
の状態値をネットワークの中層部に組み込むことによっ
て、実在する設定条件のみを用いてシミュレーションを
行うことが可能になる。
【0021】
【発明の効果】本発明のニューラル・ネットワーク・モ
デルの作成方法によれば、最終的に作成される第三のニ
ューラル・ネットワークにおいて、装置の設定値のみが
入力側のニューロとして用いられているので、実際に有
り得ない条件によるシミュレーションを行うことがな
い。
デルの作成方法によれば、最終的に作成される第三のニ
ューラル・ネットワークにおいて、装置の設定値のみが
入力側のニューロとして用いられているので、実際に有
り得ない条件によるシミュレーションを行うことがな
い。
【0022】また、最終的に作成される第三のニューラ
ル・ネットワークにおいて、装置の状態値をネットワー
クの中層部に組み込んでいるので、状態値の影響をより
正確に評価することができる。
ル・ネットワークにおいて、装置の状態値をネットワー
クの中層部に組み込んでいるので、状態値の影響をより
正確に評価することができる。
【図1】本発明に基づくニューラル・ネットワーク・モ
デルの一例を示す図。
デルの一例を示す図。
【図2】本発明に基づくニューラル・ネットワーク・モ
デルを作成する過程で作成される第一のニューラル・ネ
ットワーク・モデルの一例を示す図。
デルを作成する過程で作成される第一のニューラル・ネ
ットワーク・モデルの一例を示す図。
【図3】本発明に基づくニューラル・ネットワーク・モ
デルを作成する過程で作成される第二のニューラル・ネ
ットワーク・モデルの一例を示す図。
デルを作成する過程で作成される第二のニューラル・ネ
ットワーク・モデルの一例を示す図。
【図4】モデル化の対象とした研磨装置の概要を示す
図。
図。
【図5】本発明に基づくニューラル・ネットワーク・モ
デルを用いたシミュレーション結果の一例を示す図。
デルを用いたシミュレーション結果の一例を示す図。
【図6】従来のニューラル・ネットワーク・モデルを用
いたシミュレーション結果の一例を示す図。
いたシミュレーション結果の一例を示す図。
Claims (1)
- 【請求項1】 モデル化の対象となる装置について実際
の操業を行い、操業の際の装置の設定条件を表す設定
値、操業の際の装置の状態を表す状態値、及び操業の結
果得られた生産物についての評価を示す評価値の関係に
ついてのデータを収集する工程と、 この様にして収集されたデータを用いて、前記設定値及
び前記状態値を入力側のニューロとし、前記評価値を出
力側のニューロとする第一のニューラル・ネットワーク
・モデルを、学習法によって作成する工程と、 上記のデータを用いて、前記設定値を入力側のニューロ
とし、前記状態値を出力側のニューロとする第二のニュ
ーラル・ネットワーク・モデルを、学習法によって作成
する工程と、 前記第二のニューラル・ネットワーク・モデルの出力側
のニューロを、前記第一のニューラル・ネットワーク・
モデルにおいて対応する状態値を表す入力側のニューロ
に接続するとともに、前記第二のニューラル・ネットワ
ーク・モデルの入力側のニューロを、前記第一のニュー
ラル・ネットワーク・モデルにおいて対応する設定値を
表す入力側のニューロに接続し、これによって、前記設
定値を入力側のニューロとし、前記評価値を出力側のニ
ューロとする第三のニューラル・ネットワーク・モデル
を作成する工程と、 を備えたことを特徴とするニューラル・ネットワーク・
モデルの作成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP33156099A JP2001147912A (ja) | 1999-11-22 | 1999-11-22 | ニューラル・ネットワーク・モデルの作成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP33156099A JP2001147912A (ja) | 1999-11-22 | 1999-11-22 | ニューラル・ネットワーク・モデルの作成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2001147912A true JP2001147912A (ja) | 2001-05-29 |
Family
ID=18245036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP33156099A Pending JP2001147912A (ja) | 1999-11-22 | 1999-11-22 | ニューラル・ネットワーク・モデルの作成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2001147912A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976044A (zh) * | 2010-10-22 | 2011-02-16 | 天津理工大学 | 一种基于神经网络的风电系统建模及dsp实现方法 |
CN102324887A (zh) * | 2011-09-08 | 2012-01-18 | 天津理工大学 | 一种基于混合神经网络的风力发电机稳定控制方法 |
JP2019162712A (ja) * | 2018-03-20 | 2019-09-26 | ファナック株式会社 | 制御装置、機械学習装置及びシステム |
JP2020044620A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ジェイテクト | 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置 |
-
1999
- 1999-11-22 JP JP33156099A patent/JP2001147912A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976044A (zh) * | 2010-10-22 | 2011-02-16 | 天津理工大学 | 一种基于神经网络的风电系统建模及dsp实现方法 |
CN102324887A (zh) * | 2011-09-08 | 2012-01-18 | 天津理工大学 | 一种基于混合神经网络的风力发电机稳定控制方法 |
JP2019162712A (ja) * | 2018-03-20 | 2019-09-26 | ファナック株式会社 | 制御装置、機械学習装置及びシステム |
JP2020044620A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社ジェイテクト | 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置 |
JP7225626B2 (ja) | 2018-09-20 | 2023-02-21 | 株式会社ジェイテクト | 研削加工に関する学習モデル生成装置、推定装置および動作指令データ更新装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Data fusion neural network for tool condition monitoring in CNC milling machining | |
CN105825241A (zh) | 基于模糊神经网络的驾驶员制动意图辨识方法 | |
Yuan et al. | Energy efficiency state identification of milling processing based on EEMD-PCA-ICA | |
JP2001147912A (ja) | ニューラル・ネットワーク・モデルの作成方法 | |
JP2000343380A (ja) | 加工機械における運転条件の決定方法 | |
JP2003512180A (ja) | 統合化モデルを用いて溶接工程をシミュレートする方法および装置 | |
JP3221194B2 (ja) | 産業用ロボットの動作波形診断装置 | |
JP2002501245A (ja) | 物理的システムにおいて入力信号を発生する方法及び装置 | |
CN113297907A (zh) | 一种脉冲激励下基于数据驱动的非线性阻尼识别方法 | |
TWI826127B (zh) | 運用數位孿生法之加工監測系統及其方法 | |
JPH07129677A (ja) | 生産シミュレーション装置 | |
JPS6144326B2 (ja) | ||
Kohut et al. | The integration of vision based measurement system and modal analysis for detection and localization of damage | |
WO2001084315A3 (en) | Apparatus and process for simulating and analyzing a system with failure modes | |
Karri et al. | Tool condition monitoring in drilling using artificial neural networks | |
KR100224407B1 (ko) | 동적구조변경을 위한 부분구조응답함수법 | |
JP2000202534A (ja) | プレス製品におけるフランジ形状決定方法 | |
JPS59197902A (ja) | 振動台の運転制御装置 | |
JP3121921B2 (ja) | 論理シミュレーションにおける論理回路分割方式 | |
JP2002197136A (ja) | 物理回路の電気的振舞いをシミュレートする方法 | |
Schuhmacher et al. | Separation of engine and tyre noise using operational measurement only | |
JPH07296053A (ja) | 生産シミュレーション装置 | |
JPS6278633A (ja) | 負荷試験方法 | |
TW202421347A (zh) | 運用數位孿生法之加工監測系統及其方法 | |
CN110795876A (zh) | 建立减速机的有限元等效模型的方法 |