JP2018156151A - 異常検知装置及び機械学習装置 - Google Patents

異常検知装置及び機械学習装置 Download PDF

Info

Publication number
JP2018156151A
JP2018156151A JP2017050080A JP2017050080A JP2018156151A JP 2018156151 A JP2018156151 A JP 2018156151A JP 2017050080 A JP2017050080 A JP 2017050080A JP 2017050080 A JP2017050080 A JP 2017050080A JP 2018156151 A JP2018156151 A JP 2018156151A
Authority
JP
Japan
Prior art keywords
machine tool
learning
waveform data
machine
state
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
Application number
JP2017050080A
Other languages
English (en)
Inventor
孝幸 玉井
Takayuki Tamai
孝幸 玉井
真司 奥田
Shinji Okuda
真司 奥田
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 JP2017050080A priority Critical patent/JP2018156151A/ja
Priority to US15/920,629 priority patent/US20180264613A1/en
Priority to CN201810208814.2A priority patent/CN108628253A/zh
Priority to DE102018002112.3A priority patent/DE102018002112A1/de
Publication of JP2018156151A publication Critical patent/JP2018156151A/ja
Pending legal-status Critical Current

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
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • 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
    • B23Q2717/00—Arrangements for indicating or measuring
    • 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
    • G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • 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
    • G05B19/4063—Monitoring general control system
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49307—Learn, learn operational zone, feed, speed to avoid tool breakage

Landscapes

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

Abstract

【課題】加工内容によらずに工作機械の加工状態の異常を検知することが可能な異常検知装置及び機械学習装置を提供すること。
【解決手段】本発明の異常検知装置１０は、工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置２０を備え、機械学習装置２０は、工作機械の正常な動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部２２と、該状態変数を用いて、工作機械の正常な動作時に検出される物理量の波形データの特徴を学習する学習部２６と、を備える。
【選択図】図１

Description

本発明は、加工状態の異常検知装置及び機械学習装置に関する。
工作機械において、工具の摩耗や破損、加工負荷の変動、切削液など加工環境の変化、外乱などに起因して加工不良が発生する。また、加工済みのワークを再度加工してしまうことにより加工不良が発生する場合もある。これらはいずれも正常な加工状態とは言えず、これらの加工状態の異常を検知して未然に加工不良の発生を判断できるようにすることが望まれている。
加工状態の異常を検知する従来技術として、例えば特許文献１には、プログラムや加工内容に応じてあらかじめサンプリングポイントを設定し、複数回分の加工を行った際に取得されたデータをサンプリングポイントごとの平均値や標準偏差値を算出して比較することで加工状態の異常を検知する技術が開示されている。また、特許文献２には、あらかじめ所定動作が正常に行われた場合の動作状態のデータを記憶しておき、点検を行う際に所定動作を行わせ、この所定動作に対する正常状態での動作状態のデータと点検時の監視データとを比較して正常判断が行う技術が開示されている。
特許第４４４１７３５号公報 特開平０５−２８５７８８号公報
しかしながら、特許文献１に開示される技術では、特定のプログラムや加工内容に応じたサンプリングポイントをあらかじめ設定する必要があり、加工内容などに関係なく異常を検知することができないという課題がある。また、特許文献２に開示される技術では、所定動作の実行を点検時において行う必要があるため、加工時の異常検出に適用することができないという課題がある。
そこで本発明の目的は、加工内容によらずに工作機械の加工状態の異常を検知することが可能な異常検知装置及び機械学習装置を提供することである。
本発明の異常検知装置では、加工中のモータの速度や電流、機械の振動や可聴音などの物理量を時間的に連続した離散値として取得して１加工サイクル分あるいは任意の区間の波形データとして、工作機械が正常に動作している際に取得された該波形データに基づく機械学習を行い、学習結果に基づいて新たに加工する際に得られた波形データから異常状態を検知して、加工状態の異常を判断することで上記課題を解決する。本発明で扱う波形データは、工作機械や該工作機械に設置されたセンサなどから取得された時間的に連続した離散値をそのまま用いても良いし、該波形データをスペクトル解析して得られた周波数成分の値などのように、波形を直接的／間接的に表現できる他の形式で表現されたデータを用いるようにしても良い。また、本発明の異常検知装置では、前記波形データとプログラムとを関連づけることにより、プログラム内の加工が異常なブロックを特定する。更に、本発明の異常検知装置は、同じ加工をしている複数の工作機械でモデルを共有することにより、異常な加工をする工作機械を検出することを可能とする。
そして、本発明の一態様は、ワークを加工する工作機械の異常を検知する異常検知装置であって、前記工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置を備え、前記機械学習装置は、前記工作機械の正常な動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記状態変数を用いて、前記工作機械の正常な動作時に検出される物理量の波形データの特徴を学習する学習部と、を備える異常検知装置である。
本発明の他の態様は、ワークを加工する工作機械の異常を検知する異常検知装置であって、前記工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置を備え、前記機械学習装置は、前記工作機械の動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記工作機械の動作の正常性を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記工作機械の動作時に検出される物理量の波形データと前記工作機械の動作の正常性とを関連付けて学習する学習部と、を備える異常検知装置である。
本発明の他の態様は、ワークを加工する工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置において、前記工作機械の正常な動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記状態変数を用いて、前記工作機械の正常な動作時に検出される物理量の波形データの特徴を学習する学習部と、を備える機械学習装置である。
本発明の他の態様は、ワークを加工する工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置において、前記工作機械の動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記工作機械の動作の正常性を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記工作機械の動作時に検出される物理量の波形データと前記工作機械の動作の正常性とを関連付けて学習する学習部と、を備える機械学習装置である。
本発明により、工作機械に特定の動作をさせたり特定の加工内容に依存したりしなくとも、一般的な加工動作における工作機械の加工状態の異常を検知することが可能となる。
第１の実施形態による異常検知装置の概略的な機能ブロック図である。 工作機械から検出される各値の波形データを例示する図である。 異常検知装置の他の形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 オートエンコーダを説明する図である。 第２の実施形態による異常検知装置の概略的な機能ブロック図である。 加工システムの一形態を示す概略的な機能ブロック図である。 加工システムの他の形態を示す概略的な機能ブロック図である。 第１の実施形態において教師あり学習を用いた場合の異常検知装置の概略的な機能ブロック図である。 第２の実施形態において教師あり学習を用いた場合の異常検知装置の概略的な機能ブロック図である。
以下、本発明の実施形態を図面と共に説明する。
図１は、第１の実施形態による異常検知装置１０の概略的な機能ブロック図である。異常検知装置１０は、正常に動作している工作機械において行われる加工において検出される物理量の値（スピンドルモータ／サーボモータの電流値や速度値、工作機械から検出される振動値、可聴音など）に係る１加工サイクル分あるいは任意の区間の波形データを、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含む機械学習装置２０を備える。異常検知装置１０が備える機械学習装置２０が学習する内容は、加工において正常に動作した工作機械から検出される物理量の値に係る１加工サイクル分あるいは任意の区間の波形データのモデル構造に相当する。
図１に機能ブロックで示すように、異常検知装置１０が備える機械学習装置２０は、正常に動作した工作機械（図示せず）による加工において検出された各値（スピンドルモータ／サーボモータの電流値や速度値、工作機械から検出される振動値、可聴音など）を示す波形データＳ１を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部２２と、状態変数Ｓを用いて工作機械が正常に動作したときの波形データＳ１を学習する学習部２６とを備える。
状態観測部２２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。状態観測部２２が観測する状態変数Ｓのうち、波形データＳ１は、例えば工作機械に付設される複数の測定装置（図示せず）により取得できる。波形データＳ１は、例えば図２などに例示されるように、スピンドルモータの電流値、スピンドルモータの速度値、サーボモータの電流値、サーボモータの速度値、工作機械から検出される振動値、可聴音などを含む。
波形データＳ１としてのモータの電流値や速度値は、アンプやモータに取り付けられたパルスコーダなどからのフィードバック値として取得することができる。また、波形データＳ１としての振動値は、例えば加速度センサやＡＥセンサ、速度センサ、渦電流型センサなどの測定装置により取得することができる。更に、波形データＳ１としての可聴音は、マイクなどの測定装置を用いて取得可能である。
状態観測部２２は、例えば図２などに例示されるように、観測された各値を所定のサンプリング周期Δｔでサンプリングした時間的に連続した離散値とした波形データＳ１として用いることができる。状態観測部２２は、波形データＳ１として、１加工サイクルに取得された値を波形データＳ１として用いても良い。また、状態観測部２２は、波形データＳ１として、任意の時間区間において取得された値を波形データＳ１として用いても良い。状態観測部２２は、学習部２６による１回の学習において、同じ時間範囲で取得された各値の波形データを学習部２６に対して出力する。
このように、異常検知装置１０が備える機械学習装置２０が学習を進める間、環境においては、複数の測定装置により正常に動作した工作機械による加工における各モータの電流値や速度値、振動値、可聴音などの検出が行われる。
学習部２６は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは学習部２６は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。学習部２６は、機械学習と総称される任意の学習アルゴリズムに従い、正常に動作した工作機械による加工において検出された各値を示す波形データを学習する。学習部２６は、正常に動作した工作機械による加工に対して、前述した状態変数Ｓを含むデータ集合に基づく学習を反復実行することができる。
このような学習サイクルを繰り返すことにより、学習部２６は、加工において正常に動作した工作機械から検出される値の１サイクル分あるいは任意の区間の波形データのデータ集合の暗示的な特徴をクラスタとして構成することができる。学習アルゴリズムの開始時には波形データＳ１のクラスタは実質的に未知であるが、学習部２６は、学習を進めるに従い徐々に特徴を識別してクラスタを構成する。波形データＳ１のクラスタが、ある程度信頼できる水準まで解釈されると、学習部２６が反復出力する学習結果は、現在状態が正常に動作している工作機械による加工が行われているのかを判断するために使用できるものとなる。
上記したように、異常検知装置１０が備える機械学習装置２０は、状態観測部２２が観測した状態変数Ｓを用いて、学習部２６が機械学習アルゴリズムに従い、正常に動作した工作機械から検出される各値の波形データを学習するものである。正常に動作した工作機械から検出される各値の波形データＳ１は、正常に動作した工作機械から検出された値の時間的な変化を含むものであり、また、同時に検出されたモータの速度値や電流値、振動値などの各値の互いの関係を含むものである。したがって、異常検知装置１０が備える機械学習装置２０によれば、学習部２６の学習結果を用いることで、工作機械による加工の動作が正常な動作の範疇にあることを演算や目算によらずに自動的に、しかも正確に求めることができるようになる。
工作機械による加工の動作が正常な動作の範疇にあることを演算や目算によらずに自動的に求めることができれば、現在の工作機械から取得される各値の波形データ（波形データＳ１）を取得するだけで、現在の工作機械の加工の動作が正常なものであるかどうかを迅速に判断することができる。
異常検知装置１０が備える機械学習装置２０の一変形例として、学習部２６は、同一の機械構成を有する複数の工作機械のそれぞれについて得られた状態変数Ｓを用いて、それら各工作機械のそれぞれにおける正常に動作した際に検出される各値の波形データを学習することができる。この構成によれば、一定時間で得られる状態変数Ｓを含むデータ集合の量を増加できるので、より多様なデータ集合を入力として、正常に動作した工作機械から検出される各値の波形データの学習の速度や信頼性を向上させることができる。
上記構成を有する機械学習装置２０では、学習部２６が実行する学習アルゴリズムは特に限定されず、例えば教師なし学習、ニューラルネットワーク等の、機械学習として公知の学習アルゴリズムを採用できる。
図３は、図１に示す異常検知装置１０の他の形態であって、学習アルゴリズムの他の例として教師なし学習を実行する学習部２６を備えた構成を示す。教師なし学習は、入力されたデータセットが予め大量に与えられた状態で、それら各データセットを該データセットに含まれる各データの属性に基づいて分類等を行い、該データセットの特徴を抽出して学習する手法である。ここで言うところのデータセットの特徴とは、データセットに含まれる各データのデータ項目値の時系列的変化の相関的なパターンに対しての、該データセットの空間における各データの分布状態のことであり、このデータセットの特徴に基づいて各データの特性を解釈することができる。
図３に示す異常検知装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓから工作機械が正常に動作した場合に検出される各値の波形データＳ１のクラスタを構築するクラスタ構築部３６を備える。学習部２６は、クラスタ構築部３６が波形データＳ１の複数のデータセットに基づいて、例えばｋ−ｍｅａｎｓ法や混合ガウスモデルなどの周知のアルゴリズムを用いてクラスタＣを構築（すでに構築済みの場合には再構築）することよって工作機械が正常に動作した場合に検出される各値の波形データＳ１を学習する。
前述した教師なし学習を進める際に、ニューラルネットワークを用いることができる。図４Ａは、ニューロンのモデルを模式的に示す。図４Ｂは、図４Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。
図４Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する結果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１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 2018156151
図４Ｂに示す三層のニューラルネットワークは、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。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す)が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。
図４Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してＺ１で表す。Ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルＺ１のそれぞれに対応の重み（総称してＷ２で表す）が乗算されて、個々の特徴ベクトルＺ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルＺ１は、重みＷ１と重みＷ２との間の特徴を表す。
図４Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してＺ２で表す。Ｚ２は、特徴ベクトルＺ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルＺ２のそれぞれに対応の重み（総称してＷ３で表す）が乗算されて、個々の特徴ベクトルＺ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルＺ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
図４Ｃは、ニューラルネットワークで構成される公知のオートエンコーダを示す図である。図４Ｃに示すオートエンコーダを用いることで、工作機械が正常に動作した場合に検出される各値の波形データＳ１の教師なし学習を行うことができる。
異常検知装置１０が備える機械学習装置２０においては、状態変数Ｓを入力ｘとして、学習部２６が上記したニューラルネットワークに従う多層構造の演算を行うことで、正常に動作した工作機械から検出される各値の波形データＳ１が属するクラスタやクラスタ中心からの距離（結果ｙ）を出力することができる。なお、ニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。
上記した異常検知装置１０の構成は、コンピュータのＣＰＵが実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、工作機械が正常に動作した場合に検出される各値の波形データＳ１を学習する機械学習方法であって、コンピュータのＣＰＵが、工作機械が正常に動作した場合に検出される各値の波形データＳ１を、工作機械による加工が行われる環境の現在状態を表す状態変数Ｓとして観測するステップと、工作機械が正常に動作した場合に検出される各値の波形データＳ１のクラスタを構築することにより該波形データＳ１を学習するステップとを有する。
図５は、第２の実施形態による異常検知装置４０を示す。異常検知装置４０は、機械学習装置５０と、状態観測部２２が観測する状態変数Ｓの波形データＳ１を状態データＳ０として取得する状態データ取得部４２とを備える。状態データ取得部４２は、機械に付設される前述した複数の測定装置から状態データＳ０を取得することができる。
異常検知装置４０が有する機械学習装置５０は、工作機械が正常に動作した場合に検出される各値の波形データＳ１を機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）に加えて、学習した工作機械が正常に動作した場合に検出される各値の波形データに基づいて、現在の工作機械の動作が正常な動作であるのか否かを作業者に対して出力するためのソフトウェア（演算アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含むものである。異常検知装置４０が含む機械学習装置５０は、１つの共通のＣＰＵが、学習アルゴリズム、演算アルゴリズム等の全てのソフトウェアを実行する構成を有することもできる。
出力利用部５２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは出力利用部５２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。出力利用部５２は、学習部２６が学習した工作機械が正常に動作した場合に検出される各値の波形データに基づいて、現在の工作機械の動作が正常な動作であるのか否かを示す警告値Ａを異常検知装置４０が備える表示器（図示せず）への画面表示やランプ（図示せず）、スピーカー（図示せず）からの音声出力などにより作業者に対して出力する。出力利用部５２が工作機械の動作状態を表示し、これに基づいて作業者はワークが正常な動作により加工されたものか否かを判断することができる。
上記構成を有する異常検知装置４０が備える機械学習装置５０は、前述した機械学習装置２０と同等の効果を奏する。
図６は、工作機械６０を備えた一実施形態による加工システム７０を示す。加工システム７０は、同一の機械構成を有する複数の工作機械６０、６０’と、それら工作機械６０、６０’を互いに接続するネットワーク７２とを備え、複数の工作機械６０、６０’のうち少なくとも１つが、上記した異常検知装置４０を備える工作機械６０として構成される。また加工システム７０は、異常検知装置４０を備えない工作機械６０’を含むことができる。工作機械６０、６０’は、機械が備えるワークの加工に必要とされる一般的な工作機械が備える構成を有する。
上記構成を有する加工システム７０は、複数の工作機械６０、６０’のうちで異常検知装置４０を備える工作機械６０が、学習部２６の学習結果を用いて、工作機械６０，６０’から検出される各値の波形データに対して、該工作機械６０，６０’が正常に動作しているか否かを演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つの工作機械６０の異常検知装置４０が、他の複数の工作機械６０、６０’のそれぞれについて得られた状態変数Ｓに基づき、全ての工作機械６０、６０’に共通する正常に動作した工作機械から検出される各値の波形データを学習し、その学習結果を全ての工作機械６０、６０’が共有するように構成できる。したがって加工システム７０によれば、より多様なデータ集合（状態変数Ｓを含む）を入力として、正常に動作した工作機械から検出される各値の波形データの学習の速度や信頼性を向上させることができる。
図７は、工作機械６０’を備えた他の実施形態による加工システム７０’を示す。加工システム７０’は、機械学習装置５０（又は２０）と、同一の機械構成を有する複数の工作機械６０’と、それら工作機械６０’と機械学習装置５０（又は２０）とを互いに接続するネットワーク７２とを備える。
上記構成を有する加工システム７０’は、機械学習装置５０（又は２０）が、複数の工作機械６０’のそれぞれについて得られた状態変数Ｓに基づき、全ての工作機械６０’に共通する正常に動作した工作機械から検出される各値の波形データを学習し、その学習結果を用いて、工作機械６０’から検出される各値の波形データに対して、該工作機械６０’が正常に動作しているか否かを、演算や目算によらずに自動的に、しかも正確に判断することができる。
加工システム７０’は、機械学習装置５０（又は２０）が、ネットワーク７２に用意されたクラウドサーバに存在する構成を有することができる。この構成によれば、複数の工作機械６０’のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の工作機械６０’を機械学習装置５０（又は２０）に接続することができる。
加工システム７０、７０’に従事する作業者は、機械学習装置５０（又は２０）による学習開始後の適当な時期に、機械学習装置５０（又は２０）による正常に動作した工作機械から検出される各値の波形データの学習の到達度（すなわち工作機械から検出される各値の波形データに基づく動作の正常性判断の信頼性）が要求レベルに達したか否かの判断を実行することができる。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、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。
例えば、機械学習装置２０、５０が実行する学習アルゴリズム、機械学習装置５０が実行する演算アルゴリズム、異常検知装置１０、４０が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。
また、機械学習装置２０、５０が実行する学習アルゴリズムとして、教師あり学習を用いることも可能である。
図８は、図１に示す異常検知装置１０の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部２６を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデルを学習する手法である。
図８に示す異常検知装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓ及び判定データＤに基づいて正常に動作している工作機械から得られた各値の波形データから該工作機械の動作の正常性を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３４とを備える。学習部２６は、モデル更新部３４が相関性モデルＭの更新を繰り返すことによって加工動作をしている工作機械から検出された各値の波形データと、該工作機械の動作の正常性との相関性を学習する。
相関性モデルＭの初期値は、例えば、状態変数Ｓ及び判定データＤとの相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部２６に与えられる。教師データＴは、例えば、過去の工作機械による加工において熟練の作業者が決定した工作機械の動作の正常性に関する判断を記録することで蓄積された経験値によって構成でき、教師あり学習の開始前に学習部２６に与えられる。誤差計算部３２は、学習部２６に与えられた大量の教師データＴから加工動作をしている工作機械から検出された各値の波形データと該工作機械の動作の正常性に関する判断との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及び判定データＤに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。
次の学習サイクルでは、誤差計算部３２は、更新後の相関性モデルＭに従って工作機械による加工動作を試行して変化した状態変数Ｓ及び判定データＤを用いて、それら変化した状態変数Ｓ及び判定データＤに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（加工動作をしている工作機械から検出された各値の波形データ）とそれに対する判断（工作機械の動作の正常性の判断）との相関性が徐々に明らかになる。
図９は、図５に示す異常検知装置４０の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部２６を備えた構成例である。図９の構成において、出力利用部５２は、学習部２６が学習した工作機械が正常に動作した場合に検出される各値の波形データに基づいて、現在の工作機械の動作が正常な動作であるのか否かを示す警告値Ａを異常検知装置４０が備える表示器（図示せず）への画面表示やランプ（図示せず）、スピーカー（図示せず）からの音声出力などにより作業者に対して出力する。出力利用部５２が工作機械の動作状態を表示し、これに基づいて作業者はワークが正常な動作により加工されたものか否かを判断することができる。
１０ 異常検知装置
２０ 機械学習装置
２２ 状態観測部
２６ 学習部
３２ 誤差計算部
３４ モデル更新部
３６ クラスタ構築部
４０ 異常検知装置
４２ 状態データ取得部
５０ 機械学習装置
５２ 出力利用部
６０，６０’ 工作機械
７０，７０’ 加工システム
７２ ネットワーク

Claims (9)

  1. ワークを加工する工作機械の異常を検知する異常検知装置であって、
    前記工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置を備え、
    前記機械学習装置は、
    前記工作機械の正常な動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記状態変数を用いて、前記工作機械の正常な動作時に検出される物理量の波形データの特徴を学習する学習部と、
    を備える異常検知装置。
  2. 前記学習部は、
    前記工作機械の正常な動作時に検出される物理量の波形データのクラスタを構築するクラスタ構築部を備える、
    請求項１に記載の異常検知装置。
  3. ワークを加工する工作機械の異常を検知する異常検知装置であって、
    前記工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置を備え、
    前記機械学習装置は、
    前記工作機械の動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記工作機械の動作の正常性を示す判定データを取得する判定データ取得部と、
    前記状態変数と前記判定データとを用いて、前記工作機械の動作時に検出される物理量の波形データと前記工作機械の動作の正常性とを関連付けて学習する学習部と、
    を備える異常検知装置。
  4. 前記学習部は、
    前記状態変数及び前記判定データから前記工作機械の動作時に検出される物理量の波形データから前記工作機械の動作の正常性を導く相関性モデルと予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
    前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
    請求項３に記載の異常検知装置。
  5. 前記学習部は、前記状態変数を多層構造で演算する、
    請求項１〜４のいずれか１つに記載の異常検知装置。
  6. 前記学習部による学習結果と、工作機械の動作時に得られた前記状態変数に基づいて、前記工作機械の動作状態を出力する出力利用部を更に備える、
    請求項１〜５のいずれか１つに記載の異常検知装置。
  7. 前記学習部は、複数の工作機械のそれぞれについて得られた前記状態変数を用いて、該複数の工作機械に共通する正常な動作時に検出される物理量の波形データを学習する、
    請求項１〜６のいずれか１つに記載の異常検知装置。
  8. ワークを加工する工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置において、
    前記工作機械の正常な動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記状態変数を用いて、前記工作機械の正常な動作時に検出される物理量の波形データの特徴を学習する学習部と、
    を備える機械学習装置。
  9. ワークを加工する工作機械の正常な動作時に検出される物理量の波形データを学習する機械学習装置において、
    前記工作機械の動作時に検出される物理量の波形データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記工作機械の動作の正常性を示す判定データを取得する判定データ取得部と、
    前記状態変数と前記判定データとを用いて、前記工作機械の動作時に検出される物理量の波形データと前記工作機械の動作の正常性とを関連付けて学習する学習部と、
    を備える機械学習装置。
JP2017050080A 2017-03-15 2017-03-15 異常検知装置及び機械学習装置 Pending JP2018156151A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017050080A JP2018156151A (ja) 2017-03-15 2017-03-15 異常検知装置及び機械学習装置
US15/920,629 US20180264613A1 (en) 2017-03-15 2018-03-14 Abnormality detection apparatus and machine learning apparatus
CN201810208814.2A CN108628253A (zh) 2017-03-15 2018-03-14 异常检测装置以及机器学习装置
DE102018002112.3A DE102018002112A1 (de) 2017-03-15 2018-03-15 Störungserfassungsvorrichtung und maschinelle Lernvorrichtung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017050080A JP2018156151A (ja) 2017-03-15 2017-03-15 異常検知装置及び機械学習装置

Publications (1)

Publication Number Publication Date
JP2018156151A true JP2018156151A (ja) 2018-10-04

Family

ID=63372142

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017050080A Pending JP2018156151A (ja) 2017-03-15 2017-03-15 異常検知装置及び機械学習装置

Country Status (4)

Country Link
US (1) US20180264613A1 (ja)
JP (1) JP2018156151A (ja)
CN (1) CN108628253A (ja)
DE (1) DE102018002112A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6608102B1 (ja) * 2019-03-07 2019-11-20 三菱電機株式会社 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP2020135170A (ja) * 2019-02-15 2020-08-31 ルネサスエレクトロニクス株式会社 異常検知装置、異常検知システム、異常検知方法
JPWO2020196195A1 (ja) * 2019-03-26 2020-10-01
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
CN113189935A (zh) * 2021-04-29 2021-07-30 浙江陀曼云计算有限公司 基于时序功率数据的非侵入式生产节拍预测方法及系统
JP2022507110A (ja) * 2018-11-09 2022-01-18 オギュリィ システムズ リミテッド 非定常性機械性能の自動分析
KR102534207B1 (ko) * 2021-12-03 2023-05-17 이희관 Cnc 공작기계의 이송속도 적응제어시 공구파손 및 공구마모 검출 장치 및 그 방법
JP7442704B1 (ja) 2023-02-09 2024-03-04 Dmg森精機株式会社 工作機械、情報処理装置および制御プログラム

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6810097B2 (ja) * 2018-05-21 2021-01-06 ファナック株式会社 異常検出器
US11787057B2 (en) * 2018-06-19 2023-10-17 Panasonic Intellectual Property Management Co., Ltd. Diagnostic system, diagnosing method, and program
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
US11789437B2 (en) * 2018-07-24 2023-10-17 Canon Kabushiki Kaisha Processing apparatus and processing method for processing portion
US11125653B2 (en) 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
JP6787971B2 (ja) 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
EP3879370B1 (en) * 2018-12-05 2022-12-21 Mitsubishi Electric Corporation Abnormality detection device and abnormality detection method
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
DE102019208624A1 (de) * 2019-06-13 2020-12-17 Deckel Maho Seebach Gmbh Steuervorrichtung zum einsatz an einer numerisch gesteuerten werkzeugmaschine und werkzeugmaschine mit einer steuervorrichtung
JP2021015573A (ja) * 2019-07-16 2021-02-12 ファナック株式会社 異常判定装置及び異常判定システム
TW202105100A (zh) * 2019-07-16 2021-02-01 神通資訊科技股份有限公司 自動加工機之異常偵測系統及方法
JP7294927B2 (ja) * 2019-07-23 2023-06-20 ファナック株式会社 相違点抽出装置
CH716583A1 (de) * 2019-09-13 2021-03-15 Reishauer Ag Verfahren zur Überwachung eines Bearbeitungsprozesses, bei dem Zahnflanken vorverzahnter Werkstücke mit einer Feinbearbeitungsmaschine bearbeitet werden.
JP7436169B2 (ja) * 2019-09-18 2024-02-21 ファナック株式会社 診断装置および診断方法
KR102344464B1 (ko) * 2019-12-05 2021-12-29 (주)아이티공간 인공지능을 통한 기기의 이상 부위 학습 검출방법
TWI749742B (zh) * 2020-08-31 2021-12-11 國立虎尾科技大學 工具機主軸診斷方法
WO2022097161A1 (en) * 2020-11-04 2022-05-12 SARUP Gaurav A system and a method to monitor and improve performance of cnc machines
US11443758B2 (en) * 2021-02-09 2022-09-13 International Business Machines Corporation Anomalous sound detection with timbre separation
CH718000B1 (de) * 2021-10-11 2022-11-30 Reishauer Ag Verfahren und vorrichtung zur überwachung des zustands einer verzahnmaschine.

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106145U (ja) * 1991-02-25 1992-09-11 村田機械株式会社 工作機械の故障予防装置
JP2006300895A (ja) * 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
JP2007198918A (ja) * 2006-01-26 2007-08-09 Matsushita Electric Works Ltd 異常監視方法、および異常監視装置
JP2008137102A (ja) * 2006-11-30 2008-06-19 Matsushita Electric Works Ltd 工作機械総合監視装置
JP2013008111A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断装置および異常予兆診断方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
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
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4011781A (en) 1976-01-09 1977-03-15 Whistler Jr Lawrence V Cutoff die
US8165968B2 (en) * 2004-10-25 2012-04-24 The Boeing Company Method and system for evaluating costs of various design and maintenance approaches
JP4441735B2 (ja) 2006-09-08 2010-03-31 有限会社 ソフトロックス サイクル運転加工機の加工工程の監視方法
US10139311B2 (en) * 2014-09-26 2018-11-27 Palo Alto Research Center Incorporated Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor
JP6240689B2 (ja) * 2015-07-31 2017-11-29 ファナック株式会社 人の行動パターンを学習する機械学習装置、ロボット制御装置、ロボットシステム、および機械学習方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106145U (ja) * 1991-02-25 1992-09-11 村田機械株式会社 工作機械の故障予防装置
JP2006300895A (ja) * 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
JP2007198918A (ja) * 2006-01-26 2007-08-09 Matsushita Electric Works Ltd 異常監視方法、および異常監視装置
JP2008137102A (ja) * 2006-11-30 2008-06-19 Matsushita Electric Works Ltd 工作機械総合監視装置
JP2013008111A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断装置および異常予兆診断方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
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
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
進藤 智則: ""ファナックとＰＦＮが工場の異常検知で世界初成果 生成モデル型ディープラーニングで事前知識不要に"", 日経ＲＯＢＯＴＩＣＳ, vol. 第１１号, JPN6018050535, 10 May 2016 (2016-05-10), JP, pages 4 - 5, ISSN: 0003944527 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP2022507110A (ja) * 2018-11-09 2022-01-18 オギュリィ システムズ リミテッド 非定常性機械性能の自動分析
JP7408653B2 (ja) 2018-11-09 2024-01-05 オギュリィ システムズ リミテッド 非定常性機械性能の自動分析
JP2020135170A (ja) * 2019-02-15 2020-08-31 ルネサスエレクトロニクス株式会社 異常検知装置、異常検知システム、異常検知方法
JP7175216B2 (ja) 2019-02-15 2022-11-18 ルネサスエレクトロニクス株式会社 異常検知装置、異常検知システム、異常検知方法
WO2020179063A1 (ja) * 2019-03-07 2020-09-10 三菱電機株式会社 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム
JP6608102B1 (ja) * 2019-03-07 2019-11-20 三菱電機株式会社 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム
CN113498497A (zh) * 2019-03-07 2021-10-12 三菱电机株式会社 机器学习装置、数控装置、异常推测装置及工作机械的控制系统
JPWO2020196195A1 (ja) * 2019-03-26 2020-10-01
JP7179159B2 (ja) 2019-03-26 2022-11-28 東京エレクトロン株式会社 状態判定装置、状態判定方法、コンピュータ読み取り可能な記録媒体及びプログラム
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
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
CN113189935A (zh) * 2021-04-29 2021-07-30 浙江陀曼云计算有限公司 基于时序功率数据的非侵入式生产节拍预测方法及系统
KR102534207B1 (ko) * 2021-12-03 2023-05-17 이희관 Cnc 공작기계의 이송속도 적응제어시 공구파손 및 공구마모 검출 장치 및 그 방법
WO2023101502A1 (ko) * 2021-12-03 2023-06-08 이희관 Cnc 공작기계의 이송속도 적응제어시 공구파손 및 공구마모 검출 장치 및 그 방법
JP7442704B1 (ja) 2023-02-09 2024-03-04 Dmg森精機株式会社 工作機械、情報処理装置および制御プログラム

Also Published As

Publication number Publication date
CN108628253A (zh) 2018-10-09
DE102018002112A1 (de) 2018-09-20
US20180264613A1 (en) 2018-09-20

Similar Documents

Publication Publication Date Title
JP2018156151A (ja) 異常検知装置及び機械学習装置
TWI704506B (zh) 金屬線放電加工機之控制裝置及機器學習裝置
JP6693919B2 (ja) 制御装置及び機械学習装置
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP6560707B2 (ja) 加工面品位評価装置
JP6530779B2 (ja) 加工不良要因推定装置
US20180003588A1 (en) Machine learning device which learns estimated lifetime of bearing, lifetime estimation device, and machine learning method
JP6810097B2 (ja) 異常検出器
JP6453805B2 (ja) 製品の異常に関連する変数の判定値を設定する生産システム
JP6294268B2 (ja) 射出成形機の異常診断装置
JP6572265B2 (ja) 制御装置及び機械学習装置
JP2017120649A (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2019028515A (ja) 情報処理装置
US20170300041A1 (en) Production system for executing production plan
JP6542833B2 (ja) 制御装置及び機械学習装置
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
JP6603260B2 (ja) 数値制御装置
JP2020107248A (ja) 異常判定装置および異常判定方法
Geramifard et al. Continuous health assessment using a single hidden Markov model
JP2018014071A (ja) センサログ推定による予知保全プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180412

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180627

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180820

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181121

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181225

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190222

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20190514

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190813

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20190822

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20191011