JP2020175482A - 機械学習装置、ドレッシング推定装置、及び制御装置 - Google Patents
機械学習装置、ドレッシング推定装置、及び制御装置 Download PDFInfo
- Publication number
- JP2020175482A JP2020175482A JP2019079989A JP2019079989A JP2020175482A JP 2020175482 A JP2020175482 A JP 2020175482A JP 2019079989 A JP2019079989 A JP 2019079989A JP 2019079989 A JP2019079989 A JP 2019079989A JP 2020175482 A JP2020175482 A JP 2020175482A
- Authority
- JP
- Japan
- Prior art keywords
- dressing
- grinding
- grindstone
- necessity
- estimation
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B53/00—Devices or means for dressing or conditioning abrasive surfaces
- B24B53/06—Devices or means for dressing or conditioning abrasive surfaces of profiled abrasive wheels
- B24B53/08—Devices or means for dressing or conditioning abrasive surfaces of profiled abrasive wheels controlled by information means, e.g. patterns, templets, punched tapes or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Numerical Control (AREA)
- Grinding-Machine Dressing And Accessory Apparatuses (AREA)
Abstract
Description
図1は、砥石の表面の状態の一例を示す図である。図1の左側は、砥石の表面から砥粒が一様に出ている正常な状態を示す。一方、図1の右側の上段は、表面の一部の砥粒が脱落した「目こぼれ」の一例を示す。図1の右側の中段は、表面の砥粒と砥粒の間に、ワーク等の切りくずや破片等が詰まった「目づまり」の一例を示す。図1の右側の下段は、表面の砥粒が摩耗した「目つぶれ」の一例を示す。なお、網掛けの部分は、砥粒を結合する結合剤を示す。
そこで、研削加工中に発生する音や振動等の測定値と、予め設定された閾値との比較に基づいて、砥石をドレッシングする時期を検出する技術が知られている。例えば、特許文献1、2参照。
<一の実施形態>
図2は、一の実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。図2に示すように、数値制御システムは、制御装置10、研削機械20、ドレッシング推定装置30、及び機械学習装置40を有する。
また、制御装置10は、研削機械20に選択可能な砥石に関する識別情報(以下、「砥石ID」ともいう)の一覧を、砥石データテーブルとして図示しないHDD(Hard Disk Drive)等に記憶してもよい。
なお、砥石データテーブルには、砥石IDのそれぞれと関連付けられた砥石情報が含まれてもよい。砥石情報には、砥石の種類(平形、リング形、へこみ形、テーパーカップ形等)、砥粒の種類(アルミナ、炭素ケイ素、立法晶窒化ホウ素等)、粒度(粒のサイズ)、結合剤の種類(レジン、メタル、ビトリファイド)、結合度レベル(A(軟)〜Z(硬))、組織(砥石内の気孔の大小)、研削中に起こりうる砥石の状態(目こぼれ、目つぶれ、目づまり)、砥石の自生作用等を含む。
なお、本実施形態は、研削機械20に限定されず、研削加工を行うことができる工作機械や産業用ロボットといった様々な機械に適用することができる。
「ドレッシング処理の必要度」は、上述のように、研削機械20による研削加工で使用された砥石に対するドレッシング処理の必要性の度合いを示す。例えば、新品の砥石、又はドレッシング直後の砥石は、切れ味が最も良い状態であることから、ドレッシング処理が必要なく、当該砥石の「ドレッシング処理の必要度」は「0%」となる。「ドレッシング処理の必要度」は、砥石が使用されるに従い目こぼれ等により増加し、ドレッシングを行う必要があるとき「100%」となる。
なお、「ドレッシング処理の必要度」は、「0%」から「100%」の範囲のパーセント値としたが、例えば、「ドレッシング処理の必要度」は、「0」から「1」の範囲の値等でもよい。
また、「ドレッシング処理の必要度」に替えて、砥石の消耗の度合いを示す「消耗度」を用いてもよい。この場合、例えば、新品の砥石、又はドレッシング直後の砥石の「消耗度」は、使用されていないため「0」とし、ドレッシングを行う必要があるときの砥石の「消耗度」は「100」としてもよい。あるいは、「ドレッシング処理の必要度」に替えて、砥石の切れ味の度合いを示す「切味度」を用いてもよい。この場合、例えば、新品の砥石、又はドレッシング直後の砥石の「切味度」は、使用されていないため「100」とし、ドレッシングを行う必要があるときの砥石の「切味度」は「0」としてもよい。
機械学習装置40は、例えば、予め、任意の研削機械による研削加工における任意のワークに対する任意の研削条件と、少なくとも当該研削条件による研削加工前のドレッシング処理の必要度を含む任意の砥石に関する砥石情報と、を含む入力データを取得する。
また、機械学習装置40は、取得した入力データの研削条件による研削加工後の砥石のドレッシング処理の必要度、を示すデータをラベル(正解)として取得する。
機械学習装置40は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置40は、構築した学習済みモデルをドレッシング推定装置30に提供することができる。
機械学習装置40について、具体的に説明する。
入力データ取得部401は、学習フェーズにおいて、図示しない通信部を介して、任意の研削対象のワークに対する研削条件と、少なくとも当該研削条件による研削加工前のドレッシング処理の必要度を含む任意の砥石に関する砥石情報と、を入力データとして制御装置10等から取得する。入力データ取得部401は、取得した入力データを記憶部404に対して出力する。
なお、ラベルは、前述したように、「0%」から「100%」の範囲の値である。
そして、学習部403は、構築した学習済みモデル341をドレッシング推定装置30に対して提供する。
ここで、これから行う研削条件には、被削材の種類(ワーク又は工具)、研削対象の被削材に対する研削時間、被削材の形状寸法、被削材の材質(ステンレスや合金鋼等の金属、セラミックス等の非金属)、被削材の熱処理(焼入れ)の有無、砥石の半径、砥石の回転速度、砥石の送り速度、砥石の切込み量等が含まれる。なお、被削材の形状寸法は、制御装置10に入力されたCAD(Computer−Aided Design)図面やNCプログラム等に基づいて解析された加工経路により取得することができる。
これにより、ドレッシング推定装置30は、選択された複数の砥石それぞれについての「ドレッシング処理の必要度」を並列に推定することができ、処理速度を向上させることができる。
また、学習済みモデル341は、他のドレッシング推定装置30との間で共有するようにしてもよい。学習済みモデル341を複数のドレッシング推定装置30で共有するようにすれば、各ドレッシング推定装置30にて分散して教師あり学習を行うことが可能となり、教師あり学習の効率を向上させることが可能となる。
オンライン学習とは、研削機械20による研削が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、研削機械20による加工が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
記憶部404は、RAM(Random Access Memory)等であり、入力データ取得部401により取得された入力データ、ラベル取得部402により取得されたラベルデータ、及び学習部403により構築された学習済みモデル341等を記憶する。
以上、ドレッシング推定装置30が備える学習済みモデル341を生成するための機械学習について説明した。
次に、運用フェーズにおけるドレッシング推定装置30について説明する。以下の説明では、学習済みモデルとして図3に記載の学習済みモデル、すなわち、被削材に対するこれから行う研削条件、及び1つの砥石の砥石情報を入力層として、「ドレッシング処理の必要度」を出力層とする多層ニューラルネットワークを用いる場合を 例示する。また、被削材としてワークを例示する。
図2に示すように、運用フェーズにおけるドレッシング推定装置30は、入力部301、推定部302、決定部303、及び記憶部304を含んで構成される。
なお、ドレッシング推定装置30は、図2の機能ブロックの動作を実現するために、CPU(Central Processing Unit)等の図示しない演算処理装置を備える。また、ドレッシング推定装置30は、各種の制御用プログラムを格納したROM(Read Only Memory)やHDD等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのRAMといった図示しない主記憶装置を備える。
入力部301は、取得したこれから行う研削条件と、オペレータにより選択された砥石に関する砥石情報とを、推定部302に対して出力する。
より具体的には、推定部302は、学習済みモデル341に対して、これから行う研削条件と、選択された砥石の砥石情報を入力することで、選択された砥石における、当該研削条件による研削加工後の「ドレッシング処理の必要度」を推定することができる。これにより、推定部302は、これから行う研削条件による研削加工後の選択された砥石の「ドレッシング処理の必要度」について推定することができる。
これにより、数値制御システムは、研削機械20による研削加工に先立って、オペレータにより選択された砥石について、これから行う研削条件で研削加工した後のドレッシング処理の必要度を推定することにより、研削加工中にドレッシング処理が必要になるか否かを事前に検知することができる。
さらに、決定部303は、後述するように、研削条件に含まれる研削対象のワークが複数個ある場合、砥石の研削加工後におけるドレッシング処理の必要度が閾値を超えないように、研削対象のワークの個数を調整してもよい。これにより、数値制御システムは、研削開始前に、どの程度研削するとドレッシングが必要になるかのタイミングを事前に予測することができる。そして、数値制御システムは、研削加工のきりのよい段階で、例えば研削機械20を停止して、砥石のドレッシング処理を行うか、又は砥石の交換を行うようにしてもよい。
なお、閾値は、例えば80%としたが、研削機械20が設置された環境等に応じて適宜設定されてもよい。
図4は、砥石管理テーブル342の一例を示す図である。図4に示すように、砥石管理テーブル342は、研削加工に使用可能に管理されるすべての砥石をそれぞれ識別するための「砥石ID」を含む。また、砥石管理テーブル342は、砥石IDに対応する砥石の「砥石情報」を含む。前述したように砥石情報は、砥石IDに対応して少なくとも「砥石名」、「砥石の種類」、「砥粒の種類」、「粒度」、「結合剤の種類」、「結合度レベル」、「組織」、「研削中に起こりえる砥石の状態」、「砥石の自生作用」、及び「現在のドレッシング処理の必要度」を含む。
砥石管理テーブル342内の「砥石の種類」は、上述した砥石IDの各々が割り当てられた砥石の種類(平形、リング形、へこみ形、テーパーカップ形等)を示す情報が格納される。
砥石管理テーブル342内の「砥石の粒度」は、上述した砥石IDが割り当てられた砥石の粒度の種類(アルミナ、炭素ケイ素、立法晶窒化ホウ素等)を示す情報が格納される。
砥石管理テーブル342内の「現在のドレッシング処理の必要度」は、上述した砥石IDの各々が割り当てられた砥石における前回の研削加工後にオペレータにより判定された必要度を示す情報が格納される。すなわち、砥石管理テーブル342内の「現在のドレッシング処理の必要度」は、研削加工に使用される度にオペレータによりドレッシング処理の必要度が判定され、オペレータにより入力・更新される。
次に、本実施形態に係るドレッシング推定装置30の推定処理に係る動作について説明する。
図5は、運用フェーズにおけるドレッシング推定装置30の推定処理について説明するフローチャートである。
すなわち、ドレッシング推定装置30は、選択された砥石のドレッシング処理の必要度が閾値を超過する場合、研削加工前を当該砥石のドレッシング処理の最適な時期として検知することができる。
また、ドレッシング推定装置30は、学習済みモデル341を用いることにより、被削材の材質や砥石毎に閾値を設定することなく、選択された砥石に対するドレッシング処理、又は砥石の交換を行う最適な時期を検知することができる。
上述の実施形態では、機械学習装置40は、制御装置10、研削機械20及びドレッシング推定装置30と異なる装置として例示したが、機械学習装置40の一部又は全部の機能を、制御装置10、研削機械20又はドレッシング推定装置30が備えるようにしてもよい。
上述の実施形態では、ドレッシング推定装置30は、制御装置10や研削機械20と異なる装置として例示したが、ドレッシング推定装置30の一部又は全部の機能を、制御装置10又は研削機械20が備えるようにしてもよい。
あるいは、ドレッシング推定装置30の入力部301、推定部302、決定部303及び記憶部304の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、ドレッシング推定装置30の各機能を実現してもよい。
さらに、ドレッシング推定装置30は、ドレッシング推定装置30の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
また例えば、上述の実施形態では、図3の学習済みモデル341は、研削対象のワークに対するこれから行う研削条件、及び1つの砥石の砥石情報を入力層として、「ドレッシング処理の必要度」を出力層とする多層ニューラルネットワークとしたがこれに限定されない。学習済みモデル341は、例えば、図6に示すように、これから行う研削条件、及びオペレータにより選択された複数(M個:M≧2)の砥石それぞれの砥石情報を入力層として、M個の砥石それぞれの「ドレッシング処理の必要度」を出力層とするニューラルネットワークであってもよい。
これにより、オペレータは、これから行う研削加工に使用できる砥石がM個あった場合に、M個の砥石IDを選択することで、ドレッシング推定装置30により、M個の砥石それぞれの「ドレッシング処理の必要度」の推定を並列に行うことができ、研削に適切な砥石を迅速に選定することができ、これにより、研削処理効率を高めることができる。
図6は、図2のドレッシング推定装置30に提供される学習済みモデルの一例を示す図である。
なお、機械学習装置40は、Mが2、3・・・の各々の場合の学習済みモデル341を予め構築し、ドレッシング推定装置30は、オペレータにより選択された砥石の数に応じた学習済みモデル341を選択するようにしてもよい。
また例えば、上述の実施形態では、ドレッシング推定装置30の決定部303は、オペレータにより選択された砥石の研削加工後のドレッシング処理の必要度が閾値を超過する場合、研削加工前に選択された砥石に対してドレッシング処理を行う時期として決定したが、これに限定されない。
前述したように、決定部303は、例えば、研削条件に含まれる研削対象のワークが複数個(例えば10個等)ある場合、砥石の研削加工後におけるドレッシング処理の必要度が閾値を超えないように、ワークの個数を調整してもよい。
より具体的には、決定部303は、例えば、これから行う研削条件で複数個のワークを研削加工することで、ドレッシング処理の必要度が閾値を超える場合、さらに、(オペレータの指示により)研削条件の「研削対象の被削材に対する研削時間」を1つのワークに掛かる研削時間の整数倍(k倍:k≧1)とし、推定部302に砥石のドレッシング処理の必要度を推定させることで、閾値を超えないkの値(例えば6個等)を探索してもよい。
そして、決定部303は、例えば、k個のワークに対する研削加工後を、選択された砥石のドレッシング処理を行う時期として決定する。図1の数値制御システムは、決定された時期であるきりのよい段階で、研削機械20を停止させて砥石のドレッシング処理、又は砥石の交換を行うことができる。
これにより、数値制御システムは、研削開始前に、どの程度研削するとドレッシングが必要になるかのタイミングを事前に予測することができる。そして、数値制御システムは、研削加工中に砥石のドレッシング処理の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
また例えば、上述の実施形態では、ドレッシング推定装置30は、機械学習装置40から提供された学習済みモデル341を用いて、1つの制御装置10から取得したこれから行う研削条件による研削加工後のオペレータにより選択された砥石のドレッシング処理の必要度を推定したが、これに限定されない。例えば、図7に示すように、サーバ50は、機械学習装置40により生成された学習済みモデル341を記憶し、ネットワーク60に接続されたm個のドレッシング推定装置30A(1)−30A(m)と学習済みモデル341を共有してもよい(mは2以上の整数)。これにより、新たな研削機械、制御装置、及びドレッシング推定装置が配置されても学習済みモデル341を適用することができる。
なお、ドレッシング推定装置30A(1)−30A(m)の各々は、制御装置10A(1)−10A(m)の各々と接続され、制御装置10A(1)−10A(m)の各々は、研削機械20A(1)−20A(m)の各々と接続される。
また、制御装置10A(1)−10A(m)の各々は、図1の制御装置10に対応する。研削機械20A(1)−20A(m)の各々は、図1の研削機械20に対応する。ドレッシング推定装置30A(1)−30A(m)の各々は、図1のドレッシング推定装置30に対応する。
あるいは、図8に示すように、サーバ50は、例えば、ドレッシング推定装置30として動作し、ネットワーク60に接続された制御装置10A(1)−10A(m)の各々に対して、これから行う研削条件における砥石のドレッシング処理の必要度を推定してもよい。これにより、新たな研削機械及び制御装置が配置されても学習済みモデル341を適用することができる。
(1)本開示の機械学習装置40は、任意の研削機械による研削加工における任意の被削材に対する任意の研削条件と、少なくとも前記研削条件による研削加工前のドレッシングの必要性の度合いを示すドレッシング処理の必要度を含む任意の砥石に関する砥石情報と、を含む入力データを取得する入力データ取得部401と、入力データに含まれる研削条件による研削加工後の砥石におけるドレッシング処理の必要度、を示すラベルデータを取得するラベル取得部402と、入力データ取得部401により取得された入力データと、ラベル取得部402により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル341を生成する学習部403と、を備える。
この機械学習装置40によれば、被削材の材質や砥石毎にドレッシング処理を行う閾値を設定する必要がなく、砥石のドレッシングを行う最適な時期を検知することができる、学習済みモデル341を生成することができる。
そうすることで、研削加工中にドレッシング処理が必要になるタイミングを回避することができる。
このドレッシング推定装置30によれば、被削材の材質や砥石毎にドレッシング処理を行う閾値を設定する必要がなく、砥石のドレッシングを行う最適な時期を検知することができる。
そうすることで、ドレッシング推定装置30は、研削加工中に砥石のドレッシング処理の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
そうすることで、研削開始前に、どの程度研削するとドレッシングが必要になるかのタイミングを事前に予測することができる。
そうすることで、研削開始前に、研削のきりのよい段階で、研削機械20を停止させてドレッシング処理、又は砥石交換のスケジュールを組むことが可能となる。
そうすることで、新たな制御装置10、研削機械20、及びドレッシング推定装置30が配置されても学習済みモデル341を適用することができる。
そうすることで、上述の(1)から(7)のいずれかと同様の効果を奏することができる。
この制御装置10によれば、上述の(1)から(8)のいずれかと同様の効果を奏することができる。
20 研削機械
30 ドレッシング推定装置
40 機械学習装置
301 入力部
302 推定部
303 決定部
341 学習済みモデル
342 砥石管理テーブル
401 入力データ取得部
402 ラベル取得部
403 学習部
Claims (9)
- 任意の研削機械による研削加工における任意の被削材に対する任意の研削条件と、少なくとも前記研削条件による研削加工前のドレッシングの必要性の度合いを示すドレッシング処理の必要度を含む任意の砥石に関する砥石情報と、を含む入力データを取得する入力データ取得部と、
前記入力データに含まれる前記研削条件による研削加工後の前記砥石におけるドレッシング処理の必要度、を示すラベルデータを取得するラベル取得部と、
前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、
を備える機械学習装置。 - 前記研削条件は、1以上の被削材に対する研削時間を含む、請求項1に記載の機械学習装置。
- 請求項1又は請求項2に記載の機械学習装置により生成された学習済みモデルと、
研削機械による研削加工に先立って、当該研削加工に係る研削対象の被削材に対する研削条件と、少なくとも現在の前記ドレッシング処理の必要度を含む当該研削加工で用いる砥石に関する砥石情報と、を入力する入力部と、
前記学習済みモデルを用いて、前記入力部により入力された、当該研削加工で用いる砥石における、当該研削加工に係る研削条件による研削加工後のドレッシング処理の必要度を推定する推定部と、
を備えるドレッシング推定装置。 - 前記推定部により推定された前記砥石のドレッシング処理の必要度が、予め設定された閾値を超過した場合、前記研削加工前に前記砥石に対する前記ドレッシング処理を行う時期として決定する決定部をさらに備える、請求項3に記載のドレッシング推定装置。
- 前記推定部により推定された前記砥石のドレッシング処理の必要度が、予め設定された閾値を超過した場合、前記砥石のドレッシング処理の必要度が閾値を超過しないように、当該研削加工に係る研削条件を変更することを決定する決定部をさらに備える、請求項3に記載のドレッシング推定装置。
- 前記決定部は、前記研削条件に含まれる前記研削対象の被削材の数を調整する、請求項5に記載のドレッシング推定装置。
- 前記学習済みモデルを、前記ドレッシング推定装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項3から請求項6のいずれか1項に記載のドレッシング推定装置。
- 請求項1又は請求項2に記載の機械学習装置を備える、請求項3から請求項7のいずれか1項に記載のドレッシング推定装置。
- 請求項3から請求項8のいずれか1項に記載のドレッシング推定装置を備える、制御装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019079989A JP7120958B2 (ja) | 2019-04-19 | 2019-04-19 | ドレッシング推定装置、及び制御装置 |
US16/826,952 US11958166B2 (en) | 2019-04-19 | 2020-03-23 | Dressing estimation device and controller |
DE102020203846.5A DE102020203846A1 (de) | 2019-04-19 | 2020-03-25 | Maschinenlernvorrichtung, abrichtungsabschätzungsvorrichtung und steuereinrichtung |
CN202010290136.6A CN111832742A (zh) | 2019-04-19 | 2020-04-14 | 机器学习装置、修整推定装置、以及控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019079989A JP7120958B2 (ja) | 2019-04-19 | 2019-04-19 | ドレッシング推定装置、及び制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020175482A true JP2020175482A (ja) | 2020-10-29 |
JP7120958B2 JP7120958B2 (ja) | 2022-08-17 |
Family
ID=72660202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019079989A Active JP7120958B2 (ja) | 2019-04-19 | 2019-04-19 | ドレッシング推定装置、及び制御装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11958166B2 (ja) |
JP (1) | JP7120958B2 (ja) |
CN (1) | CN111832742A (ja) |
DE (1) | DE102020203846A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102335872A (zh) * | 2011-09-14 | 2012-02-01 | 桂林电子科技大学 | 基于人工神经网络的磨床砂轮自动修整方法和修整装置 |
JP2018041208A (ja) * | 2016-09-06 | 2018-03-15 | ファナック株式会社 | 数値制御装置 |
JP2018118372A (ja) * | 2017-01-23 | 2018-08-02 | 不二越機械工業株式会社 | ワーク研磨方法およびワーク研磨装置 |
JP2020015129A (ja) * | 2018-07-25 | 2020-01-30 | 株式会社ジェイテクト | 砥石車表面状態推定モデル生成装置、砥石車表面状態推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1118429B1 (en) * | 1999-05-07 | 2007-10-24 | Shin-Etsu Handotai Co., Ltd | Method and device for simultaneously grinding double surfaces, and method and device for simultaneously lapping double surfaces |
JP2001205562A (ja) | 2000-01-31 | 2001-07-31 | Japan Nuclear Fuel Co Ltd<Jnf> | 研削砥石のドレッシング方法及び研削装置 |
JP2002307304A (ja) | 2001-04-13 | 2002-10-23 | Nagase Integrex Co Ltd | 砥石のドレッシング方法並びにそれに用いる研削盤 |
JP2006142446A (ja) * | 2004-11-22 | 2006-06-08 | Nsk Ltd | 玉軸受の製造設備及び超仕上加工装置 |
US9367060B2 (en) * | 2007-11-27 | 2016-06-14 | Purdue Research Foundation | Intelligent optimization method and system therefor |
JP5285526B2 (ja) * | 2009-07-27 | 2013-09-11 | 三菱重工業株式会社 | 内歯車加工方法およびそれに使用する工具のドレス方法 |
US20160267396A1 (en) * | 2015-03-09 | 2016-09-15 | Skytree, Inc. | System and Method for Using Machine Learning to Generate a Model from Audited Data |
US9656370B2 (en) * | 2015-10-06 | 2017-05-23 | Disco Corporation | Grinding method |
JP2017121672A (ja) * | 2016-01-05 | 2017-07-13 | 不二越機械工業株式会社 | ワーク研磨方法および研磨パッドのドレッシング方法 |
-
2019
- 2019-04-19 JP JP2019079989A patent/JP7120958B2/ja active Active
-
2020
- 2020-03-23 US US16/826,952 patent/US11958166B2/en active Active
- 2020-03-25 DE DE102020203846.5A patent/DE102020203846A1/de active Pending
- 2020-04-14 CN CN202010290136.6A patent/CN111832742A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102335872A (zh) * | 2011-09-14 | 2012-02-01 | 桂林电子科技大学 | 基于人工神经网络的磨床砂轮自动修整方法和修整装置 |
JP2018041208A (ja) * | 2016-09-06 | 2018-03-15 | ファナック株式会社 | 数値制御装置 |
JP2018118372A (ja) * | 2017-01-23 | 2018-08-02 | 不二越機械工業株式会社 | ワーク研磨方法およびワーク研磨装置 |
JP2020015129A (ja) * | 2018-07-25 | 2020-01-30 | 株式会社ジェイテクト | 砥石車表面状態推定モデル生成装置、砥石車表面状態推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 |
Also Published As
Publication number | Publication date |
---|---|
DE102020203846A1 (de) | 2020-10-22 |
CN111832742A (zh) | 2020-10-27 |
US11958166B2 (en) | 2024-04-16 |
JP7120958B2 (ja) | 2022-08-17 |
US20200331116A1 (en) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111745542B (zh) | 磨石选定装置以及磨石选定方法 | |
US11504873B2 (en) | Dynamic regulation of contact pressures in a blade sharpening system | |
KR102092969B1 (ko) | 회전 절삭공구의 실시간 이송속도 설정방법 및 제어장치 | |
JP6805600B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
JP7225626B2 (ja) | 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 | |
JP2021077205A (ja) | 品質予測システム | |
JP2020157425A (ja) | 研削盤の支援装置及び支援方法 | |
JP2019091447A (ja) | 工作機械、特に鋸盤、及び、工作機械を最適運転するためのシステム | |
CN116133790A (zh) | 机器人修复控制系统和方法 | |
CN113841163A (zh) | 借助于机器学习系统确定涉及砂带磨床的状态信息的方法 | |
JP2020015129A (ja) | 砥石車表面状態推定モデル生成装置、砥石車表面状態推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 | |
Klocke et al. | Influence of the dressing process on grinding wheel wear | |
WO2004069477A1 (en) | Modeling an abrasive process to achieve controlled material removal | |
JP7120958B2 (ja) | ドレッシング推定装置、及び制御装置 | |
JP2021010980A (ja) | 研削状態監視方法、研削状態監視プログラムおよび装置 | |
Pilný et al. | Acoustic emission-based in-process monitoring of surface generation in robot-assisted polishing | |
JP2017208432A (ja) | 単結晶SiC基板の物性判別方法および単結晶SiC基板の製造方法 | |
JP2020069599A (ja) | 工作機械の支援装置および工作機械システム | |
Prinz et al. | Influence of different grinding wheel and dressing roller specifications on grinding wheel wear | |
CN111215966A (zh) | 刀具寿命估测装置及方法 | |
CN116367958A (zh) | 机器学习装置、清洗预测装置以及清洗系统 | |
JP2021074842A (ja) | 加工品質予測システム | |
JP7451948B2 (ja) | 加工品質予測システム | |
WO2023249903A1 (en) | Abrasive systems and methods of use | |
JP2021148457A (ja) | びびり予測システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200909 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211007 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211012 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220405 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220530 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220530 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220607 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220614 |
|
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: 20220705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7120958 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |