JP2018138327A - 工具状態推定装置及び工作機械 - Google Patents

工具状態推定装置及び工作機械 Download PDF

Info

Publication number
JP2018138327A
JP2018138327A JP2017033896A JP2017033896A JP2018138327A JP 2018138327 A JP2018138327 A JP 2018138327A JP 2017033896 A JP2017033896 A JP 2017033896A JP 2017033896 A JP2017033896 A JP 2017033896A JP 2018138327 A JP2018138327 A JP 2018138327A
Authority
JP
Japan
Prior art keywords
tool
state
learning
unit
machine
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.)
Granted
Application number
JP2017033896A
Other languages
English (en)
Other versions
JP6487475B2 (ja
Inventor
泰広 中濱
Yasuhiro Nakahama
泰広 中濱
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.)
Fanuc Corp
Original Assignee
Fanuc Corp
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
Application filed by Fanuc Corp filed Critical Fanuc Corp
Priority to JP2017033896A priority Critical patent/JP6487475B2/ja
Priority to DE102018103599.3A priority patent/DE102018103599B4/de
Priority to US15/902,560 priority patent/US10635081B2/en
Priority to CN201810155465.2A priority patent/CN108500736B/zh
Publication of JP2018138327A publication Critical patent/JP2018138327A/ja
Application granted granted Critical
Publication of JP6487475B2 publication Critical patent/JP6487475B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0957—Detection of tool breakage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0995—Tool life management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical 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
    • G05B19/182—Numerical 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 the machine tool function, e.g. thread cutting, cam making, tool direction control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical 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
    • G05B19/406—Numerical 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 monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical 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
    • G05B19/408—Numerical 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 data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37252—Life of tool, service life, decay, wear estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

【課題】加工のサイクルタイムを増加させること無く精度の高い工具状態の推定を可能とする工具状態推定装置及び工作機械を提供すること。【解決手段】本発明の工具状態推定装置１００は、工作機械１の運転中に取得されたログデータから、前記工具の近辺の動的情報を取得し、取得した前記工具の近辺の動的情報に基づいて入力データを作成する状態観測部１１２と、状態観測部１１２が作成した入力データを用いた機械学習により学習モデルを構築する学習部１１１と、学習モデルを記憶する学習モデル記憶部１１４と、を備える。【選択図】図２

Description

本発明は、工具状態推定装置及び工作機械に関する。
一般に工作機械で使用される工具は、加工に使用する時間の経過と共に刃先が摩耗して切削抵抗が増加して加工精度が悪化し、ワークに求められる所定の加工精度を維持することができなくなり、一般的にその時点で工具の寿命と判断される。工具が寿命に達したかどうか判定するには、ワークの加工精度を直接確認するほか、工具刃先の摩耗量を確認し、目安となる摩耗幅を超えたかどうかを確認するなどの方法が挙げられるが、加工運転中とは別に寿命を判定する工程が別途必要となり、加工サイクルの効率化を妨げる要因の一つとなっていた。そのため、あらかじめ工具状態を推定する技術は、加工の歩留まり向上のために重要となってくる。
工具の状態を判断するための従来技術として、例えば特許文献１には、撮像手段を用いて切削工具を撮像し、この画像データに基づいて工具の状態を判断する技術が開示されている。また、工具状態の推定にかかる従来技術としては、テイラーの寿命方程式が知られている（特許文献２など）。テイラーの寿命方程式を用いて工具状態を推定する際には、加工に用いる工具やワークの材質などの加工条件に基づいて常数を定め、定めた常数をテイラーの寿命方程式に当て嵌めることにより。さまざまな加工条件において工具状態を推定することができる。また、加工時間や加工回数などに基づいて工具状態を推定する技術も提案されている（特許文献３など）。
特許第５４５３０２０号公報 特開平１１−１７０１０２号公報 特開２００２−２２４９２５号公報
しかしながら、工具の摩耗状態を直接確認する場合には、加工時間外に測定器等を用いて計測する必要があり、その時間が加工のサイクルタイムを増加させてしまうという問題が生じる。
また、テイラーの寿命方程式を用いて工具の寿命を予測する場合には、加工条件に応じて方程式の常数の計算を行う必要があるため、加工条件が頻繁に変化する工作機械においては常数の決定が煩雑となり、適用することが困難であるという問題がある。
更に、また、加工時間や加工回数などに基づいて工具の寿命を推定する場合には、工具ごとに加工時間や加工回数を記録しておく必要があり、また、その推定方法は実加工に基づいた経験則によるものであるため、やはり加工条件が頻繁に変化する状況では工具状態の推定が困難となるという問題が生じ、まだまだ使える工具を廃却してしまったり、工具が寿命に達したにもかかわらず工具を使い続けて不良ワークを量産してしまうといった問題が生じる。
そこで本発明の目的は、加工のサイクルタイムを増加させること無く精度の高い工具状態の推定を可能とする工具状態推定装置及び工作機械を提供することである。
本発明では、撮像手段を用いて加工中の工具近辺の動的情報（加工によって生じる切粉の飛散方向や飛散範囲、飛散速度等）を取得し、取得した工具近辺の動的情報から、工具の状態（摩耗、欠損等）を推定することにより上記課題を解決する。本発明では、工具状態の推定には機械学習装置を用い、該機械学習装置に複数の工具近辺の動的情報の組み合わせに対する工具の状態を学習させ、機械学習させた結果に基づいて工具状態の推定を行う。
そして、本発明の請求項１に係る発明は、工作機械がワークの加工に用いる工具の状態を推定する工具状態推定装置であって、前記工作機械の運転中に取得されたログデータから、前記工具の近辺の動的情報を取得し、取得した前記工具の近辺の動的情報に基づいて入力データを作成する状態観測部と、前記状態観測部が作成した入力データを用いた機械学習により学習モデルを構築する学習部と、前記学習モデルを記憶する学習モデル記憶部と、を備えた工具状態推定装置である。
本発明の請求項２に係る発明は、前記工作機械の運転中に取得されたログデータから、前記状態観測部が作成した入力データに対応する前記工具の状態を示す教師データを取得するラベル取得部を更に備え、前記学習部は、前記状態観測部が作成した入力データと、前記ラベル取得部が取得した教師データとを用いた教師あり学習により学習モデルを構築する、請求項１に記載の工具状態推定装置である。
本発明の請求項３に係る発明は、前記学習部は、前記状態観測部が作成した入力データを用いた教師なし学習により前記工具の近辺の動的情報に基づくクラスタを作成した学習モデルを構築する、請求項１に記載の工具状態推定装置である。
本発明の請求項４に係る発明は、工作機械がワークの加工に用いる工具の寿命を推定する工具状態推定装置であって、前記工作機械の運転中に取得された前記工具の近辺の動的情報に基づく機械学習により構築された学習モデルを記憶する学習モデル記憶部と、前記工作機械の運転中に取得されたログデータから、前記工具の近辺の動的情報を取得し、取得した工具の近辺の動的情報に基づいて入力データを作成する状態観測部と、前記学習モデルを用いて、前記状態観測部が作成した入力データから前記工具の状態を推定する推定部と、を備えた工具状態推定装置である。
本発明の請求項５に係る発明は、前記工具の近辺の動的情報は、前記工作機械による加工で発生する切粉の飛散状態を示す画像に係る情報である、請求項１〜４のいずれか１つに記載の工具状態推定装置である。
本発明の請求項６に係る発明は、請求項４に記載の工具状態推定装置による前記工具の状態の推定結果に基づいて警報を出力する警報部と、を備えた工作機械である。
本発明によれば、加工時に撮像手段から取得された工具近辺の動的情報に基づいて工具の状態を推定することができるようになるため、加工運転を止める必要がなくなり、サイクルタイムを増加させることなく工具の状態を推定することができる。また、工具近辺の動的情報に基づいた機械学習の結果に基づいて工具の状態を推定するため、様々な状況に合わせた精度の高い工具状態の推定が可能となる。
エンドミル工具によりワークを加工している際の切粉の飛散状態について説明する図である。 本発明の一実施形態による工具状態推定装置の学習時の概略的な機能ブロック図である。 本発明の一実施形態による機械学習に用いられる工具近辺の動的情報と工具状態に係る情報の関係について説明する図である。 ニューロンのモデルを示す模式図である。 ３層の重みを有するニューラルネットワークを示す模式図である。 多層ニューラルネットを示す模式図である。 自己符号化器（オートエンコーダ）を示す模式図である。 本発明の一実施形態による機械学習に用いられる入力データについて説明する図である。 本発明の一実施形態による工具状態推定装置の工具状態推定時の概略的な機能ブロック図である。 本発明の他の実施形態による工具状態推定装置の学習時の概略的な機能ブロック図である。 本発明の他の実施形態による機械学習により作成されるクラスタを例示する図である。 本発明の他の実施形態による機械学習に用いられる工具近辺の動的情報について説明する図である。 本発明の他の実施形態による工具状態推定装置の工具状態推定時の概略的な機能ブロック図である。 本発明の他の実施形態による工具状態の推定方法を説明する図である。 本発明の機械学習の応用例について説明する図である。
以下、本発明の実施形態を図面と共に説明する。初めに、図１を用いて本発明の工具状態推定装置による工具状態の推定方法について説明する。
図１は、エンドミル工具によりワークを加工している際の切粉の飛散状態について説明する図である。エンドミル工具を用いてワークの側面を切削加工している際に発生する切粉は、工具の回転に従って加工領域内に飛散する。この時、新品のエンドミル工具を用いた加工を行うと、図１上に示すように切粉は工具の進行方向とはほぼ真逆の方向へ比較的狭い範囲へと飛散する傾向にあるが、摩耗が進んだエンドミル工具を用いた加工を行うと、図１下に示すように切粉は比較的広い範囲へと飛散し、切粉の飛散速度や飛散距離も変化する。また、炭素鋼のワークを工具で加工した際に発生する切粉は、新品の工具を用いた加工では薄い黄色となるが、摩耗が進んだ工具を用いた加工では濃青色となる。
本発明の発明者は、上記に例示されるような、ワークの加工時における切粉の状態（切粉の飛散状態や切粉の色など）が工具の状態によって変化することに知見を得て、工具近辺の動的情報（加工によって生じる切粉の飛散方向や飛散範囲、飛散速度、切粉の色等）を撮像手段を用いて取得し、取得した工具近辺の動的情報から工具の状態（摩耗、欠損等）を推定する工具状態推定装置を提案する。
本発明の工具状態推定装置は、工具近辺の動的情報から工具の状態を推定するために機械学習装置を用いる。本発明の工具状態推定装置が備える機械学習装置は、カメラなどの撮像手段を用いて収集された工具近辺の画像情報（静止画、動画）や、マイクなどの集音手段を用いて集音された加工時に工具とワークとの間で発生する音声の情報などの工具近辺の動的情報と、工具状態との関係を機械学習し、その学習結果を用いて、工具近辺の動的情報から工具状態を推定する。
本発明の工具状態推定装置が備える機械学習装置は、工具近辺の動的情報と工具状態との関係を機械学習する学習方法として、教師あり学習、教師なし学習などの様々な学習方法を採用することができる。
以下では、図２〜図９を用いて、学習方法として教師あり学習を用いた場合における本発明の工具状態推定装置の実施形態について説明する。図２は、本発明の一実施形態による機械学習時の工具状態推定装置の概略的な機能ブロック図である。本実施形態の工具状態推定装置１００は、製造業の生産設備において工作機械を制御する制御装置や、該制御装置と接続されて使用されるパソコン、各制御装置を統括して管理するホストコンピュータなどとして実現することができる。本実施形態の工具状態推定装置１００は、１以上の工作機械を有する製造業の生産設備において、少なくとも１以上の工作機械から収集され、ログデータ記憶部２００に記憶されたログデータに基づいて機械学習を行う。
ログデータ記憶部２００には、生産設備において稼動している工作機械から取得された工具近辺の動的情報と、作業者により入力された工作機械での工具状態に係る情報とが、時刻情報と関連付けられたログデータとして工作機械ごとに記録される。工具近辺の動的情報には、カメラなどの撮像手段を用いて収集された工具近辺の画像情報（静止画、動画）や、マイクなどの集音手段を用いて集音された加工時に工具とワークとの間で発生する音声の情報などが含まれていてもよく、更に、加工に用いられた工具の種類、ワークの材質、クーラントの種類、工具の送り速度、主軸回転数、刃先温度、工具毎の切削時間積算／切削距離積算、切削抵抗（送り軸、主軸のアンプ電流値）などが含まれていても良い。また、作業者により入力された工作機械での工具状態に係る情報は、工作機械を運転する作業者や工作機械に異常が発生した際に対応するメンテナンス要員が工作機械を制御する制御装置の機械操作盤などを介して入力した工具交換に係る情報などが含まれていても良い。ログデータ記憶部２００は、複数の工作機械から収集された工具近辺の動的情報をログデータとして記録するようにして良い。また、ログデータ記憶部２００は、一般的なデータベースとして構築されて良い。
ログデータを収集する対象となる工作機械では、工作機械が備える各駆動部を制御してワークの加工を行うと共に、工具近辺が撮像可能に取り付けられた撮像手段から得られた画像情報、工具とワークとの間で発生する音声を集音する集音手段から得られた音声情報、その他の各部から得られた信号により各駆動部の状態やセンサによる検出値などを取得して、該工作機械の工具近辺の動的情報に係るログデータを作成して該工作機械の不揮発性メモリや外部機器としての記憶装置などに記憶している。ログデータは各駆動部の作動状況やセンサによる温度の検出値などについて時系列が把握できるように作成される。また、ログデータには、工作機械を運転する作業者や、工作機械に異常が発生した際に対応するメンテナンス要員が機械操作盤を介して入力した各種情報（工具交換作業など）が含まれる。このようにして工作機械の不揮発性メモリなどに記憶されたログデータは、ネットワークなどを介して、または、工作機械を運転する作業者などが携帯する外部記憶装置などを介して、ログデータ記憶部２００へと収集される。この収集は、ログデータが作成されるたびに逐次行っても良いし、適当な期間をおいて定期的に行うようにしても良い。
次に、工具状態推定装置１００が備える各構成ついて説明する前に、工具状態推定装置１００が行う学習の概要について説明する。
図３は、本発明の一実施形態による機械学習に用いられる工具近辺の動的情報と工具状態に係る情報について説明する図である。本実施形態の工具状態推定装置１００は、ログデータ記憶部２００に記憶されたログデータの中から、工具状態が良好である時点での工具近辺の動的情報を「工具状態が良好な場合の工具近辺の動的情報」として収集し、一方で、工具交換が行われた時点から所定時間前（例えば、１時間前）までの工具近辺の動的情報を「工具状態が悪化している場合の工具近辺の動的情報」として収集する。そして、これら収集した工具近辺の動的情報に基づいて教師あり学習を行う。
「教師あり学習」では、ある入力と結果（ラベル）のデータの組を大量に機械学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、即ち、その関係性を帰納的に獲得することができる。これは後述のニューラルネットワークやＳＶＭなどのアルゴリズムを用いて実現することができる。本実施形態の工具状態推定装置１００による教師あり学習は、ログデータ記憶部２００に記録されている工具近辺の動的情報を、あらかじめ定めた所定の単位時間毎に分割し、分割した単位を１入力として繰り返し実施される。
ニューラルネットワークは、たとえば図４に示すようなニューロンのモデルを模したニューラルネットワークを実現する演算装置及びメモリ等で構成される。図４は、ニューロンのモデルを示す模式図である。
図４に示すように、ニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する出力ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の数３式により表現される出力ｙを出力する。なお、数１式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆkは活性化関数である。
Figure 2018138327
次に、上述したニューロンを組み合わせた３層の重みを有するニューラルネットワークについて、図５を参照して説明する。図５は、Ｄ１〜Ｄ３の３層の重みを有するニューラルネットワークを示す模式図である。図５に示すように、ニューラルネットワークの左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。
具体的には、入力ｘ１〜入力ｘ３は、３つのニューロンＮ１１〜Ｎ１３の各々に対して対応する重みが掛けられて入力される。これらの入力に掛けられる重みはまとめてｗ１と標記されている。ニューロンＮ１１〜Ｎ１３は、それぞれ、ｚ１１〜ｚ１３を出力する。これらのｚ１１〜ｚ１３はまとめて特徴ベクトルｚ１と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルｚ１は、重みｗ１と重みｗ２との間の特徴ベクトルである。
ｚ１１〜ｚ１３は、２つのニューロンＮ２１、Ｎ２２の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ２と標記されている。ニューロンＮ２１、Ｎ２２は、それぞれ、ｚ２１、ｚ２２を出力する。これらは、まとめて特徴ベクトルｚ２と標記されている。この特徴ベクトルｚ２は、重みｗ２と重みｗ３との間の特徴ベクトルである。
特徴ベクトルｚ２１、ｚ２２は、３つのニューロンＮ３１〜Ｎ３３の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ３と標記されている。
最後に、ニューロンＮ３１〜Ｎ３３は、それぞれ、結果ｙ１〜結果ｙ３を出力する。
ニューラルネットワークの動作には、学習モードと予測モードとがあり、学習モードにおいて学習データセットを用いて重みｗを学習し、そのパラメータを用いて予測モードにおいて加工機の行動判断を行う（便宜上、予測と書いたが、検出、分類、推論など多様なタスクが可能である）。
予測モードで実際に制御装置により機械を制御して得られたデータを即時学習し、次の行動に反映させる（オンライン学習）ことも、あらかじめ収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行う（バッチ学習）こともできる。その中間的な、ある程度データが溜まるたびに学習モードを挟むということも可能である。
重みｗ１〜ｗ３は、誤差逆伝搬法（バックプロパゲーション）により学習可能なものである。誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときの出力ｙと真の出力ｙ（教師）との差分を小さくするように、それぞれの重みを調整（学習）する手法である。
ニューラルネットワークは、図６に示すように、３層以上にさらに層を増やすことも可能である（深層学習、ディープラーニングと称される）。入力の特徴抽出を段階的に行い、結果を回帰する演算装置を、例えば、図７に示すような公知のオートエンコーダを構成して、教師データのみから自動的に学習するようにすることも可能である。
次に、本実施形態の工具状態推定装置１００が備える各構成について説明する。工具状態推定装置１００は、学習部１１１、状態観測部１１２、ラベル取得部１１３、学習モデル記憶部１１４を備える。
学習部１１１は、状態観測部１１２が取得した入力データと、ラベル取得部１１３が取得した教師データ（ラベルとも称する）とに基づいて教師あり学習を行い、学習モデルを構築して学習モデル記憶部１１４に記憶する機能手段である。学習部１１１が構築した学習モデルは、図２で説明した、「工具状態が良好な場合の工具近辺の動的情報」と、「工具状態が悪化している場合の工具近辺の動的情報」とを判別するためのモデルとして構成される。
状態観測部１１２は、ログデータ記憶部２００に記憶されているログデータの中から入力データを作成し、作成した入力データを学習部１１１へと出力する。本実施形態の工具状態推定装置１００では、入力データは工作機械から取得された単位時間毎の工具近辺の動的情報である。状態観測部１１２は、数値で表現される工具近辺の動的情報については当該数値を学習部１１１の入力データとしてそのまま利用し、文字列などの数値以外の情報で示される工具近辺の動的情報については、それぞれの文字列を数値へと変換する変換表をあらかじめ図示しないメモリ上に記憶しておき、該変換表を用いて数値以外の情報を数値化して入力データに含めるようにすればよい。
図８は、エンドミル工具を用いた加工時の機械学習に用いる入力データの例を示す図である。加工時における工具近辺の切粉の飛散状態を入力データとして用いる場合には、本実施形態の状態観測部１１２は、図８に示すように、ログデータ記憶部２００から取得した工具近辺の動的情報に含まれる画像情報に対して周知の画像解析処理を実行し、エンドミル工具による加工で発生する切粉の飛散状態を入力データとして取得するようにすれば良い。この場合、状態観測部１１２は、撮像手段により撮像された工具近辺の動画情報の各フレーム間の変化を解析して撮像された切粉及び切粉の飛散状況を特定し、工具位置を中心として切粉が飛散した平均的な距離を切粉の飛散距離ｌc、切粉の平均的な飛散速度を切粉の飛散速度ｖcとして入力データに含めても良い。また、動画情報から取得される切粉の色をＲＧＢ方式などで数値化して切粉の色ｃcとしてもよく、切粉が飛散した範囲を扇形で近似し、その中心角を切粉の飛散範囲の中心角θcとしてもよい。
また、加工時における工具とワークの間で発生する音声を入力データとして用いる場合には、ログデータ記憶部２００から取得した音声情報の周波数成分を解析して、いくつかの特徴的な周波数成分の情報（周波数、大きさなど）を入力データとして扱うようにすれば良い。
ラベル取得部１１３は、ログデータ記憶部２００に記憶されているログデータに基づいて、状態観測部１１２が入力データを作成するのと同期して該入力データに対応する教師データ（工具状態良好／悪化）を作成し、作成した教師データを学習部１１１へと出力する。教師データとしては、たとえば図６に示した多層ニューラルネットを学習モデルとして用いる場合には、出力層のそれぞれの信号を「工具状態良好」、「工具状態悪化」と対応させ、教師データに対応させていずれかの信号が１となるように教師データを定めればよい。
以上の構成により、本実施形態の工具状態推定装置１００は、工作機械の運転時における工具近辺の動的情報と、工具状態との関係について機械学習を進め、学習モデルを構築することができる。
次に、教師あり学習により構築された学習モデルを用いて工具状態を推定する工具状態推定装置１００の一実施形態について説明する。
図９は、本発明の一実施形態による工具状態推定装置１００の工具状態推定時における概略的な機能ブロック図である。本実施形態の工具状態推定装置１００は、環境としての工作機械１が備える入出力部１７を介して取得された工作機械１が備え付けられた撮像手段などから取得された情報に基づいて、工作機械１で加工に使用されている工具の状態を推定する。入出力部１７は工作機械１に備え付けられた撮像手段が撮像した画像情報や、集音手段が集音した音声情報、各部からの信号などの情報を工具状態推定装置１００に対して出力する。なお、図９では工作機械１が備える機能ブロックとして入出力部１７と警報部２３のみが示されているが、実際には一般的な工作機械が備える各機能ブロックを備えている。
工具状態推定装置１００は、状態観測部１１２、学習モデル記憶部１１４、及び推定部１１５を備える。
状態観測部１１２は、工作機械１の運転が行われている最中に、上記で説明した学習時に入力データとして用いられた工具近辺の動的情報を入出力部１７を介して取得し、取得した情報に基づいて入力データを作成して推定部１１５へと出力する。
推定部１１５は、学習モデル記憶部１１４に記憶された学習モデルを用いて、状態観測部１１２から入力された入力データ（工具近辺の動的情報）に基づく工具状態の推定を行い、その推定結果を出力する。そして、入出力部１７は、推定部１１５から入力された工具状態の推定結果が工具の状態が悪化しているとなっている場合には、警報部２３に対して警報を発するように指令する。
警報部２３は、入出力部１７から警報を発するように指令されると、工作機械１の図示しない機械操作盤に配置されたランプや、表示装置の表示、音などにより、工具の状態が悪化している旨を作業者に対して通知する。警報部２３が通知する警報は、例えば図３で説明したように、工具交換が行われるべき時点の所定時間の前後で入力データを区別して機械学習した場合には、表示装置に対して「あと××時間以内に工具を交換してください」などと具体的な時間を表示するようにしても良い。また、警報部２３は、警報を発する以外にも、工作機械１の各部に対して指令して運転を停止するようにしても良い。
次に、図１０〜図１４を用いて、学習方法として教師なし学習を用いた場合における本発明の工具状態推定装置の実施形態について説明する。本実施形態の工具状態推定装置１００は、多くの部分について、図２〜図９を用いて説明した教師あり学習を用いた場合の実施形態と類似している。以下では、図２〜図９を用いて説明した実施形態と異なる部分を説明する。
図１０は、本発明の一実施形態による機械学習時の工具状態推定装置の概略的な機能ブロック図である。本発明の一実施形態による機械学習時の工具状態推定装置１００が備える学習部１１１は、状態観測部１１２がログデータ記憶部２００から取得した、工具近辺の動的情報を入力データとした教師なし学習を行って工具状態が良好である場合のクラスタを学習結果として作成し、その学習結果を学習モデル記憶部１１４へ記憶する。「教師なし学習」では、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行うことができる。本実施形態の工具状態推定装置１００は、教師なし学習のアルゴリズムとして、例えば、ＰＣＡ（主成分分析）、ＳＶＭ（サポートベクタマシン）、ニューラルネットワークなどを用いてもよく、また、図６に示すように、ニューラルネットワークの中間層を複数にして深層学習の手法を用いるようにしても良い。
図１１は、工具状態が良好である場合の工具近辺の動的情報のクラスタを示す例である。なお、図１１では、説明を簡単にするために入力データとして取り扱う工具近辺の動的情報の内で、切粉の飛散距離ｌc、切粉の飛散速度ｖc、切粉の飛散範囲の中心角θcの３つの情報のみを示しているが、工具近辺の動的情報はより多次元の情報として表現されても良い。
次に、工具状態推定装置１００が備える各構成について説明する。工具状態推定装置１００は、学習部１１１、状態観測部１１２、学習モデル記憶部１１４を備える。
学習部１１１は、状態観測部１１２が取得した入力データに基づいて教師なし学習を行い、学習モデルを構築して学習モデル記憶部１１４に記憶する機能手段である。本実施形態の学習部１１１が構築する学習モデルは、図１２に示すように工具の使用を開始してから所定時間内の工具状態が良好である時点の工具近辺の動的情報を用いて構築される。学習部１１１が構築する学習モデルのアルゴリズムは、上記で説明したように、工具状態が良好である時点での工具近辺の動的情報と、それ以外とを分類できるものであればどのようなものを用いてもよい。
状態観測部１１２は、ログデータ記憶部２００に記憶されているログデータの中から入力データを作成し、作成した入力データを学習部１１１へと出力する。
以上の構成により、工具状態推定装置１００は、工作機械の運転時における工具状態良好な時点での工具近辺の動的情報について学習を進め、学習モデルを構築することができる。
次に、構築された学習モデルを用いて工具の状態を推定する工具状態推定装置１００について説明する。
図１３は、本発明の一実施形態による工具の状態推定時の工具状態推定装置１００の概略的な機能ブロック図である。本実施形態の工具状態推定装置１００は、環境としての工作機械１から工具近辺の動的情報に基づいて、工作機械１で用いられている工具の状態を推定する。
本実施形態の工具状態推定装置１００が備える推定部１１５は、学習モデル記憶部１１４に記憶された学習モデルを用いて、状態観測部１１２から入力された入力データ（工具近辺の動的情報）と、工具の状態が良好である時点のクラスタとの距離とを判定することにより、工具状態の推定を行う。推定部１１５は、図１４に示すように、入力データと、工具状態が良好である時点の工具近辺の動的情報のクラスタ（の中心）からの距離が、あらかじめ定めた所定の閾値以下である場合には、工具状態が良好であると推定し、あらかじめ定めた所定の閾値より大きい場合には、工具状態が悪化していると推定する。
このようにして、推定部１１５は工作機械１から得られた工具近辺の動的情報に基づいて作成された入力データを用いた工具状態の推定結果を工作機械１の入出力部１７に対して出力する。入出力部１７は、推定部１１５から入力された工具状態の推定結果が工具状態が悪化していることを示している場合には、警報部２３に対して警報を発するように指令する。
このように、工具状態推定装置１００は、少なくとも１以上の工作機械１における工具近辺の動的情報に基づいた機械学習をした結果として得られた学習モデルを用いることにより、工作機械１の運転中に工具状態を推定することが可能となる。そして、工具状態推定装置１００が工具状態の悪化を推定した際には、その推定結果を受けて工作機械１の作業者は計画的に工作機械の運転を中断して工具の交換を行うことができるようになる。
以上、ここまで本発明の実施の形態について説明したが、本発明は上記した実施の形態の例にのみ限定されるものでなく、適宜の変更を加えることにより様々な態様で実施することができる。
上記した実施形態では１台の工具状態推定装置１００での学習及び利用の形態を示したが、学習部１１１が構築して学習モデル記憶部１１４に記憶する学習モデル自体は学習結果を示すデータの集合であるため、例えば、図示しない外部記憶装置やネットワークなどを介して学習モデルを他の工具状態推定装置１００との間で共有するように構成することもできる。このように構成した場合、学習においては、複数の工具状態推定装置１００の間で一つの学習モデルを共有した状態で、それぞれの工具状態推定装置１００が並列して学習を行い、学習の完了までに掛かる時間を短縮することができ、一方で学習モデルの利用においては、共有した学習モデルを用いて複数の工具状態推定装置１００のそれぞれで工具状態の推定を行うことも可能である。学習モデルの共有方法については特定の方法に限定されない。例えば、工場のホストコンピュータ内に学習モデルを記憶しておいて各工具状態推定装置１００で共有してもよいし、学習モデルをメーカーが設置したサーバ上に記憶しておき、顧客の工具状態推定装置１００の間で共有できるように構成することもできる。
また、上記した実施形態では、学習時と推定時における工具状態推定装置１００の構成を個別に説明しているが、工具状態推定装置１００は、学習時の構成と推定時の構成を同時に備えたものとしても良い。このようにした場合、工具状態推定装置１００は、工具状態の推定を行いつつ、工作機械１において管理者又はメンテナンス要員により入力される情報に基づいて学習部１１１が更なる追加の学習を行うようにすることができる。
また、上記した実施形態では、エンドミル工具による加工時における入力データの例を示したが、他の工具種別、例えばタップ工具やミーリング工具などに対しても応用することが可能である。いずれの工具を用いた加工においても、加工時における工具近辺の動的情報は工具の状態に応じて変化するため、これを学習部１１１で機械学習して学習モデルを構築することにより、様々な加工に対応できる工具状態推定装置１００を提供することができる。
また、上記した実施形態では、工具近辺の動的情報である画像情報や音声情報を入力データの例として示したが、入力データとしては画像情報のみを用いても良いし、音声情報を用いても良い。また、工具近辺の動的情報に加えて、ワークの材質などの情報や、工具の種別に関する情報などを入力データに加えて、より広範囲の情報に対応可能な機械学習を行うようにしても良い。
更に、上記した実施形態では、機械学習により工具状態が良好である時点での工具近辺の動的情報と工具状態が悪化した時点での工具近辺の動的情報とに分けて機械学習を行うようにしているが、図１５に示すように、工具の状態に応じて、工具の状態が悪化する所定時間ｔ１前から〜所定時間ｔ２前までの工具近辺の動的情報、工具の状態が悪化する所定時間ｔ２前から〜所定時間ｔ３前までの工具近辺の動的情報、工具の状態が悪化する所定時間ｔ３前以前の工具近辺の動的情報、といったように分けて学習させることにより、工具状態が後どのくらいの時間で悪化するのかをより細かく推定することも可能となる。
１ 工作機械
１７ 入出力部
２３ 警報部
１００ 工具状態推定装置
１１１ 学習部
１１２ 状態観測部
１１３ ラベル取得部
１１４ 学習モデル記憶部
１１５ 推定部
２００ ログデータ記憶部

Claims (6)

  1. 工作機械がワークの加工に用いる工具の状態を推定する工具状態推定装置であって、
    前記工作機械の運転中に取得されたログデータから、前記工具の近辺の動的情報を取得し、取得した前記工具の近辺の動的情報に基づいて入力データを作成する状態観測部と、
    前記状態観測部が作成した入力データを用いた機械学習により学習モデルを構築する学習部と、
    前記学習モデルを記憶する学習モデル記憶部と、
    を備えた工具状態推定装置。
  2. 前記工作機械の運転中に取得されたログデータから、前記状態観測部が作成した入力データに対応する前記工具の状態を示す教師データを取得するラベル取得部を更に備え、
    前記学習部は、前記状態観測部が作成した入力データと、前記ラベル取得部が取得した教師データとを用いた教師あり学習により学習モデルを構築する、
    請求項１に記載の工具状態推定装置。
  3. 前記学習部は、前記状態観測部が作成した入力データを用いた教師なし学習により前記工具の近辺の動的情報に基づくクラスタを作成した学習モデルを構築する、
    請求項１に記載の工具状態推定装置。
  4. 工作機械がワークの加工に用いる工具の寿命を推定する工具状態推定装置であって、
    前記工作機械の運転中に取得された前記工具の近辺の動的情報に基づく機械学習により構築された学習モデルを記憶する学習モデル記憶部と、
    前記工作機械の運転中に取得されたログデータから、前記工具の近辺の動的情報を取得し、取得した工具の近辺の動的情報に基づいて入力データを作成する状態観測部と、
    前記学習モデルを用いて、前記状態観測部が作成した入力データから前記工具の状態を推定する推定部と、
    を備えた工具状態推定装置。
  5. 前記工具の近辺の動的情報は、前記工作機械による加工で発生する切粉の飛散状態を示す画像に係る情報である、
    請求項１〜４のいずれか１つに記載の工具状態推定装置。
  6. 請求項４に記載の工具状態推定装置による前記工具の状態の推定結果に基づいて警報を出力する警報部と、
    を備えた工作機械。
JP2017033896A 2017-02-24 2017-02-24 工具状態推定装置及び工作機械 Active JP6487475B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017033896A JP6487475B2 (ja) 2017-02-24 2017-02-24 工具状態推定装置及び工作機械
DE102018103599.3A DE102018103599B4 (de) 2017-02-24 2018-02-19 Werkzeugzustandsschätzungsgerät und Werkzeugmaschine
US15/902,560 US10635081B2 (en) 2017-02-24 2018-02-22 Tool state estimation apparatus and machine tool
CN201810155465.2A CN108500736B (zh) 2017-02-24 2018-02-23 工具状态推定装置以及机床

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017033896A JP6487475B2 (ja) 2017-02-24 2017-02-24 工具状態推定装置及び工作機械

Publications (2)

Publication Number Publication Date
JP2018138327A true JP2018138327A (ja) 2018-09-06
JP6487475B2 JP6487475B2 (ja) 2019-03-20

Family

ID=63112353

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017033896A Active JP6487475B2 (ja) 2017-02-24 2017-02-24 工具状態推定装置及び工作機械

Country Status (4)

Country Link
US (1) US10635081B2 (ja)
JP (1) JP6487475B2 (ja)
CN (1) CN108500736B (ja)
DE (1) DE102018103599B4 (ja)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020014581A (ja) * 2018-07-24 2020-01-30 サミー株式会社 遊技機
JP2020064514A (ja) * 2018-10-18 2020-04-23 オークマ株式会社 工作機械における加工異常診断モデル構築用の加工データへのラベル付与方法及び加工異常診断システム
WO2020090373A1 (ja) * 2018-10-31 2020-05-07 Dmg森精機株式会社 工作機械の熱変位補正方法
WO2020111370A1 (ko) * 2018-11-27 2020-06-04 삼영플랜트주식회사 골재 이미지 분리 시스템 및 방법
JP2020123158A (ja) * 2019-01-30 2020-08-13 Ｄｇｓｈａｐｅ株式会社 切削加工機の稼働状況管理システムおよび稼働状況管理方法、ならびに稼働状況管理用のコンピュータプログラム
JP2020138254A (ja) * 2019-02-27 2020-09-03 ファナック株式会社 工作機械の加工不良発生予測システム
JP2020138279A (ja) * 2019-02-28 2020-09-03 ファナック株式会社 加工条件調整装置及び加工条件調整システム
JP2020146814A (ja) * 2019-03-15 2020-09-17 Dmg森精機株式会社 工作機械の切り屑処理装置及び切り屑処理方法
JP2020170391A (ja) * 2019-04-04 2020-10-15 ファナック株式会社 機械学習装置および機械学習方法
JP2021000692A (ja) * 2019-06-21 2021-01-07 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
JP2021082123A (ja) * 2019-11-21 2021-05-27 ファナック株式会社 制御装置及びプログラム
JP2021091058A (ja) * 2019-12-12 2021-06-17 ワタナベフーマック株式会社 劣化状態推定システム
JP2021094625A (ja) * 2019-12-16 2021-06-24 ファナック株式会社 工作機械システム
JP2021133489A (ja) * 2020-02-28 2021-09-13 Dmg森精機株式会社 工作機械
WO2021200654A1 (ja) * 2020-04-02 2021-10-07 ファナック株式会社 工具状態学習装置、工具状態推定装置、制御装置、工具状態学習方法、及び工具状態推定方法
JPWO2020161865A1 (ja) * 2019-02-07 2021-12-09 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
JP2022509143A (ja) * 2018-11-22 2022-01-20 プレシテック ゲーエムベーハー ウント ツェーオー カーゲー ディープ畳込みニューラルネットワークを使用するレーザ加工プロセスの監視
DE102021213200A1 (de) 2020-11-25 2022-05-25 Okuma Corporation Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, überwachte Lernmaschine und Zustandsabschätzungsvorrichtung
KR20230126626A (ko) * 2022-02-21 2023-08-30 다겸 주식회사 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치
JP7496080B2 (ja) 2019-08-22 2024-06-06 学校法人金沢工業大学 工作機械

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6635274B2 (ja) * 2018-02-23 2020-01-22 株式会社安川電機 製品品質管理システム
US11494887B2 (en) 2018-03-09 2022-11-08 Schlumberger Technology Corporation System for characterizing oilfield tools
JP6987030B2 (ja) * 2018-07-18 2021-12-22 株式会社日立製作所 システム及び工作機械の異常又は加工作業に関する分析方法
CN109333160B (zh) * 2018-10-09 2020-09-22 西北工业大学 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法
JP7277152B2 (ja) * 2019-01-22 2023-05-18 ファナック株式会社 工作機械の工具管理システム
JP7148421B2 (ja) 2019-01-22 2022-10-05 ファナック株式会社 工作機械の予防保全システム
DE102019102870A1 (de) * 2019-02-05 2020-08-06 Klingelnberg Ag Verfahren zum Bearbeiten von Zahnrad-Werkstücken
WO2020251534A1 (en) * 2019-06-10 2020-12-17 Halliburton Energy Services, Inc. Cutter analysis and mapping
JP7342444B2 (ja) * 2019-06-18 2023-09-12 株式会社ジェイテクト 加工工具の異常検知装置
JP7342487B2 (ja) * 2019-07-24 2023-09-12 株式会社リコー 情報処理装置、情報処理システム、異常予測方法およびプログラム
JP6864297B2 (ja) * 2019-08-07 2021-04-28 Dmg森精機株式会社 加工状態情報推定装置及び加工状態診断装置
FR3106770B1 (fr) 2020-02-03 2022-02-11 Airbus Systeme d’estimation indirecte de l’état d’usure d’un outil coupant
FR3106906A1 (fr) * 2020-02-03 2021-08-06 Airbus Operations Systeme d’estimation de l’état d’usure d’un outil coupant pendant l’usinage
CN111639461B (zh) * 2020-05-26 2022-10-18 浙江大学 针对工业不均衡数据的刀具磨损状态检测方法
CN114690707B (zh) * 2021-12-01 2023-08-18 南京工业大学 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法
CN114654002B (zh) * 2022-04-30 2023-07-11 吉安满坤科技股份有限公司 一种带有双刃镀膜铣刀的pcb板机械钻孔加工装置
CN114742834B (zh) * 2022-06-13 2022-09-13 中科航迈数控软件(深圳)有限公司 一种复杂结构件加工刀具磨损判定方法
CN115446663B (zh) * 2022-10-14 2023-10-20 常州先进制造技术研究所 基于物理指导的深度学习网络的刀具磨损状态监测方法及应用

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5779431A (en) * 1980-11-06 1982-05-18 Richo Denshi Kogyo Kk Detector for quality of cutting tool
JPS60263651A (ja) * 1984-06-12 1985-12-27 Hitachi Seiko Ltd 工具折損検出装置
JPH02131840A (ja) * 1988-11-10 1990-05-21 Hitachi Seiko Ltd 工具折損検出装置を備えた数値制御穴明機
JPH0349850A (ja) * 1989-07-13 1991-03-04 Omron Corp 工具損傷検出装置
JPH11267949A (ja) * 1998-03-20 1999-10-05 Kawasaki Heavy Ind Ltd 工具摩耗検知装置および方法
JP2000107984A (ja) * 1998-09-30 2000-04-18 Sumitomo Metal Ind Ltd 電磁鋼板の切削性評価方法
JP2006095656A (ja) * 2004-09-30 2006-04-13 Doshisha プリント基板用穴あけ加工機およびそれを用いたプリント基板の穴あけ加工条件決定方法
JP2008087092A (ja) * 2006-09-29 2008-04-17 Matsushita Electric Works Ltd 工具の異常検出装置
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法
JP2017033239A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
JP2017227947A (ja) * 2016-06-20 2017-12-28 Dmg森精機株式会社 加工管理装置
JP2018103284A (ja) * 2016-12-22 2018-07-05 ファナック株式会社 工具寿命推定装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4011792A (en) 1975-11-07 1977-03-15 Davis Wallace J Rotary tool exhaust hood
US4471444A (en) 1982-04-02 1984-09-11 The United States Of America As Represented By The Secretary Of Commerce Rotating tool wear monitoring apparatus
US5251144A (en) * 1991-04-18 1993-10-05 Texas Instruments Incorporated System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis
JPH11170102A (ja) 1997-10-10 1999-06-29 Toyoda Mach Works Ltd 高速切削方法
JP2002224925A (ja) 2001-01-31 2002-08-13 Toshiba Corp 工具交換作業支援装置
JP4998419B2 (ja) 2008-09-18 2012-08-15 富士通株式会社 基板加工装置及び基板加工方法
JP5453020B2 (ja) 2009-08-28 2014-03-26 富士機械製造株式会社 切削工具の加工位置補正装置およびその加工位置補正方法
WO2015120293A1 (en) * 2014-02-06 2015-08-13 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for real-time monitoring of micromilling tool wear

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5779431A (en) * 1980-11-06 1982-05-18 Richo Denshi Kogyo Kk Detector for quality of cutting tool
JPS60263651A (ja) * 1984-06-12 1985-12-27 Hitachi Seiko Ltd 工具折損検出装置
JPH02131840A (ja) * 1988-11-10 1990-05-21 Hitachi Seiko Ltd 工具折損検出装置を備えた数値制御穴明機
JPH0349850A (ja) * 1989-07-13 1991-03-04 Omron Corp 工具損傷検出装置
JPH11267949A (ja) * 1998-03-20 1999-10-05 Kawasaki Heavy Ind Ltd 工具摩耗検知装置および方法
JP2000107984A (ja) * 1998-09-30 2000-04-18 Sumitomo Metal Ind Ltd 電磁鋼板の切削性評価方法
JP2006095656A (ja) * 2004-09-30 2006-04-13 Doshisha プリント基板用穴あけ加工機およびそれを用いたプリント基板の穴あけ加工条件決定方法
JP2008087092A (ja) * 2006-09-29 2008-04-17 Matsushita Electric Works Ltd 工具の異常検出装置
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法
JP2017033239A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
JP2017227947A (ja) * 2016-06-20 2017-12-28 Dmg森精機株式会社 加工管理装置
JP2018103284A (ja) * 2016-12-22 2018-07-05 ファナック株式会社 工具寿命推定装置

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020014581A (ja) * 2018-07-24 2020-01-30 サミー株式会社 遊技機
JP7170496B2 (ja) 2018-10-18 2022-11-14 オークマ株式会社 工作機械における加工異常診断モデル構築用の加工データへのラベル付与方法及び加工異常診断システム
JP2020064514A (ja) * 2018-10-18 2020-04-23 オークマ株式会社 工作機械における加工異常診断モデル構築用の加工データへのラベル付与方法及び加工異常診断システム
US11809156B2 (en) 2018-10-31 2023-11-07 Dmg Mori Co., Ltd. Thermal displacement correction method for machine tool
JP2020069597A (ja) * 2018-10-31 2020-05-07 Dmg森精機株式会社 工作機械の熱変位補正方法
WO2020090373A1 (ja) * 2018-10-31 2020-05-07 Dmg森精機株式会社 工作機械の熱変位補正方法
US12013670B2 (en) 2018-11-22 2024-06-18 Precitec Gmbh & Co. Kg Monitoring a laser machining process using deep folding neural networks
JP2022509143A (ja) * 2018-11-22 2022-01-20 プレシテック ゲーエムベーハー ウント ツェーオー カーゲー ディープ畳込みニューラルネットワークを使用するレーザ加工プロセスの監視
WO2020111370A1 (ko) * 2018-11-27 2020-06-04 삼영플랜트주식회사 골재 이미지 분리 시스템 및 방법
JP2020123158A (ja) * 2019-01-30 2020-08-13 Ｄｇｓｈａｐｅ株式会社 切削加工機の稼働状況管理システムおよび稼働状況管理方法、ならびに稼働状況管理用のコンピュータプログラム
JP7233939B2 (ja) 2019-01-30 2023-03-07 Ｄｇｓｈａｐｅ株式会社 切削加工機の稼働状況管理システムおよび稼働状況管理方法、ならびに稼働状況管理用のコンピュータプログラム
JP7428667B2 (ja) 2019-02-07 2024-02-06 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
US11822324B2 (en) 2019-02-07 2023-11-21 Gigaphoton Inc. Machine learning method, consumable management apparatus, and computer readable medium
JPWO2020161865A1 (ja) * 2019-02-07 2021-12-09 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
JP7060535B2 (ja) 2019-02-27 2022-04-26 ファナック株式会社 工作機械の加工不良発生予測システム
US11307558B2 (en) 2019-02-27 2022-04-19 Fanuc Corporation Machining defect occurrence prediction system for machine tool
JP2020138254A (ja) * 2019-02-27 2020-09-03 ファナック株式会社 工作機械の加工不良発生予測システム
US11481630B2 (en) 2019-02-28 2022-10-25 Fanuc Corporation Machining condition adjustment device and machining condition adjustment system
JP2020138279A (ja) * 2019-02-28 2020-09-03 ファナック株式会社 加工条件調整装置及び加工条件調整システム
JP2020146814A (ja) * 2019-03-15 2020-09-17 Dmg森精機株式会社 工作機械の切り屑処理装置及び切り屑処理方法
WO2020189547A1 (ja) * 2019-03-15 2020-09-24 Dmg森精機株式会社 工作機械の切り屑処理装置及び切り屑処理方法
JP2020170391A (ja) * 2019-04-04 2020-10-15 ファナック株式会社 機械学習装置および機械学習方法
JP7173916B2 (ja) 2019-04-04 2022-11-16 ファナック株式会社 機械学習装置および機械学習方法
JP2021000692A (ja) * 2019-06-21 2021-01-07 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
JP7401207B2 (ja) 2019-06-21 2023-12-19 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
US11712801B2 (en) 2019-06-21 2023-08-01 Fanuc Corporation Machine learning apparatus, robot system, and machine learning method of learning state of tool
JP7496080B2 (ja) 2019-08-22 2024-06-06 学校法人金沢工業大学 工作機械
JP2021082123A (ja) * 2019-11-21 2021-05-27 ファナック株式会社 制御装置及びプログラム
JP7391625B2 (ja) 2019-11-21 2023-12-05 ファナック株式会社 制御装置及びプログラム
JP7383280B2 (ja) 2019-12-12 2023-11-20 ワタナベフーマック株式会社 劣化状態推定システム
JP2021091058A (ja) * 2019-12-12 2021-06-17 ワタナベフーマック株式会社 劣化状態推定システム
JP7448348B2 (ja) 2019-12-16 2024-03-12 ファナック株式会社 工作機械システム
JP2021094625A (ja) * 2019-12-16 2021-06-24 ファナック株式会社 工作機械システム
US11772220B2 (en) 2019-12-16 2023-10-03 Fanuc Corporation Machine tool system
JP2021133489A (ja) * 2020-02-28 2021-09-13 Dmg森精機株式会社 工作機械
JP7369856B2 (ja) 2020-04-02 2023-10-26 ファナック株式会社 工具状態学習装置、工具状態推定装置、制御装置、工具状態学習方法、及び工具状態推定方法
WO2021200654A1 (ja) * 2020-04-02 2021-10-07 ファナック株式会社 工具状態学習装置、工具状態推定装置、制御装置、工具状態学習方法、及び工具状態推定方法
DE102021213200A1 (de) 2020-11-25 2022-05-25 Okuma Corporation Verfahren zur Kennzeichnung eines Datensatzes einer überwachten Lernmaschine, überwachte Lernmaschine und Zustandsabschätzungsvorrichtung
KR102611403B1 (ko) * 2022-02-21 2023-12-08 다겸 주식회사 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치
KR20230126626A (ko) * 2022-02-21 2023-08-30 다겸 주식회사 수리 파트 결정 기능 및 수리 완성도 평가 기능을 포함하는 이상 탐지 장치

Also Published As

Publication number Publication date
US20180246494A1 (en) 2018-08-30
US10635081B2 (en) 2020-04-28
DE102018103599A1 (de) 2018-08-30
CN108500736A (zh) 2018-09-07
DE102018103599B4 (de) 2024-02-29
CN108500736B (zh) 2020-03-17
JP6487475B2 (ja) 2019-03-20

Similar Documents

Publication Publication Date Title
JP6487475B2 (ja) 工具状態推定装置及び工作機械
JP6404893B2 (ja) 工具寿命推定装置
Hesser et al. Tool wear monitoring of a retrofitted CNC milling machine using artificial neural networks
CN110059442B (zh) 一种基于零件表面粗糙度和功率信息的车削加工换刀方法
Mikołajczyk et al. Predicting tool life in turning operations using neural networks and image processing
Aliustaoglu et al. Tool wear condition monitoring using a sensor fusion model based on fuzzy inference system
CN109562500B (zh) 机床的工具的异常检测装置及方法
Wong et al. Technical data-driven tool condition monitoring challenges for CNC milling: a review
CN108490880B (zh) 一种数控机床切削刀具磨损状态实时监测方法
Simon et al. Early detection of drilling tool wear by vibration data acquisition and classification
CN108846581A (zh) 一种机床刀具可靠性评估系统及方法
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
Lutz et al. Evaluation of deep learning for semantic image segmentation in tool condition monitoring
JP2023510463A (ja) 加工プロセスおよび／または加工結果を監視および／または予測するための方法
JP2018086715A (ja) テレスコピックカバーの異常発生推定装置及び異常発生推定方法
CN114326593B (zh) 一种刀具寿命预测系统及方法
Kumar et al. Development of a cyber physical production system framework for smart tool health management
Griffin et al. Multiple classification of the force and acceleration signals extracted during multiple machine processes: part 1 intelligent classification from an anomaly perspective
Dimla Jr et al. Automatic tool state identification in a metal turning operation using MLP neural networks and multivariate process parameters
Sause et al. Hard-and Software fusion for process monitoring during machining of fiber reinforced materials
Mishra et al. Tool wear classification in precision machining using distance metrics and unsupervised machine learning
Mandal et al. An application of artificial neural network and particle swarm optimisation technique for modelling and optimisation of centreless grinding process
Jain et al. Distributed diagnostics, prognostics and maintenance planning: realizing industry 4.0
JP7450517B2 (ja) 加工面判定装置、加工面判定プログラム、加工面判定方法、及び、加工システム
Pappachan et al. Parameter Prediction Using Machine Learning in Robot-Assisted Finishing Process

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180731

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180928

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181120

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190117

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190129

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190221

R150 Certificate of patent or registration of utility model

Ref document number: 6487475

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150