JP2021086405A - 機械学習装置、消費電力予測装置、及び制御装置 - Google Patents
機械学習装置、消費電力予測装置、及び制御装置 Download PDFInfo
- Publication number
- JP2021086405A JP2021086405A JP2019215089A JP2019215089A JP2021086405A JP 2021086405 A JP2021086405 A JP 2021086405A JP 2019215089 A JP2019215089 A JP 2019215089A JP 2019215089 A JP2019215089 A JP 2019215089A JP 2021086405 A JP2021086405 A JP 2021086405A
- Authority
- JP
- Japan
- Prior art keywords
- power consumption
- information
- machine tool
- machining
- machining program
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 43
- 238000003754 machining Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000861 Mg alloy Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32021—Energy management, balance and limit power to tools
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34306—Power down, energy saving
-
- 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
- G05B2219/37575—Pre-process, measure workpiece before machining
-
- 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
- G05B2219/49065—Execute learning mode first for determining adaptive control parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Numerical Control (AREA)
- General Factory Administration (AREA)
Abstract
Description
この点、工作機械を実際に動作させることなく、加工プログラムをシミュレーション実行することで、工作機械の数値制御装置が工作機械に出力するトルク値を疑似的に算出し、算出したトルク値に基づいて工作機械の消費電力をシミュレーションする技術が知られている。例えば、特許文献1参照。
また、新たに作成された加工プログラムが入力された場合には、再度シミュレーションして加工時間の予測が必要になる。
<一実施形態>
図1は、一実施形態に係る予測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1に示すように、予測システム1は、工作機械10、消費電力予測装置20、及び機械学習装置30を有する。
なお、加工情報に含まれる工作機械10に係る情報には、制御軸数、主軸数、軸構成、及び位置決め軸/主軸モータ仕様(定格出力(kW)、定格トルク(N・m))等が含まれてもよい。また、加工情報には、ポンプ動力(W)、及び動力モータ仕様(定格出力(kW)、定格トルク(N・m))等の後述する補助動作機器102に係る情報、及び材質や重量等の加工対象のワーク(図示しない)に係る情報が含まれてもよい。
また、制御装置101は、工作機械10とは独立した装置でもよい。
なお、補助動作機器102は、工作機械10とは独立した装置でもよい。また、工作機械10は、複数の補助動作機器102を含んでもよい。この場合、加工情報は、複数の補助動作機器102の各々に係る情報を含んでもよい。
そこで、消費電力予測装置20を説明する前に、学習済みモデルを生成するための機械学習について説明する。
機械学習装置30は、例えば、予め、任意の加工プログラムの運転による任意の工作機械10でのワークに対する加工において、工作機械10に係る情報、工作機械10の補助動作を行う補助動作機器102に係る情報、加工されたワークに係る情報、及び加工プログラムに係る情報を含む加工情報を、入力データとして取得する。
また、機械学習装置30は、取得された入力データに基づく加工プログラムの運転における工作機械10及び補助動作機器102の消費電力に係る消費電力情報、すなわち前記加工プログラム運転時における総消費電力量、及び前記加工プログラム運転時における各ブロックの消費電力、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30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30は、構築した学習済みモデルを消費電力予測装置20に提供することができる。
機械学習装置30について、具体的に説明する。
入力データ取得部301は、加工情報に含まれるn個の工作機械情報IM(1)−IM(n)を入力データとして取得する(nは、2以上の整数)。図2Aに示すように、工作機械情報IM(1)は、例えば、工作機械10が工作機械ID「M−001」であり、制御軸数「3」であることを示す。また、工作機械情報IM(1)は、軸構成が直交3軸のX軸、Y軸、Z軸で、Z軸が重力軸であることを示す。また、工作機械情報IM(1)は、工作機械10の主軸数が「1」であることを示す。また、工作機械情報IM(1)は、工作機械10のモータ仕様(定格出力)がX軸で「2.0kW」、Y軸で「2.0kW」、Z軸で「3.5kW」、及び主軸で「7.5kW」であることを示す。
なお、工作機械10が5軸の場合、工作機械情報IM(1)は、例えば、制御軸数「5」であり、軸構成がX軸、Y軸、Z軸、B軸、C軸の5軸で、Z軸が重力軸であることを示してもよい。また、工作機械情報IM(1)は、工作機械10の主軸数が「1」である場合、工作機械10のモータ仕様(定格出力)がX軸で「2.0kW」、Y軸で「3.0kW」、Z軸で「4.5kW」、B軸で「2.5kW」、C軸で「2.5kW」、及び主軸で「8.4kW」であることを示してもよい。
入力データ取得部301は、工作機械情報IM(1)−IM(n)とともに、n個の補助動作情報IA(1)−IA(n)を入力データとして取得する。図2Bに示すように、補助動作情報IA(1)は、例えば、補助動作機器102が補助動作機器ID「A−001」であり、ポンプ動力が「15.0kW」であることを示す。なお、補助動作情報IA(1)は、ポンプ動力とともに、動力モータの定格出力(例えば、7.5kW等)も含んでもよい。
入力データ取得部301は、工作機械情報IM(1)−IM(n)、及び補助動作情報IA(1)−IA(n)とともに、n個の加工プログラムPG(1)−PG(n)を入力データとして取得する。なお、図2Cに示すように、加工プログラムPG(1)−PG(n)の各々は、シーケンス番号のブロック特定情報を含んでもよい。
なお、ワーク情報に含まれる材質には、鋳鉄の場合、「FC100」、「FC150」、「FC200」、「FC250」、「FC300」、「FC350」等がある。また、ワーク情報に含まれる材質には、アルミニウム合金の場合、「A4032」、「A5052」、「A5083」、「A6061」、「A7075」等がある。また、ワーク情報に含まれる材質には、マグネシウム合金の場合、「AZ31」、「AZ91」等がある。
そして、入力データ取得部301は、取得した入力データを記憶部304に記憶する。
図3の上段は、図2Aの工作機械情報IM(1)−IM(n)の各々の工作機械10が加工プログラムPG(1)−PG(n)の各々を運転した際の消費電力の時系列データMP(1)−MP(n)を示す。図3の中段は、図2Bの補助動作情報IA(1)−IA(n)の各々の補助動作機器102が加工プログラムPG(1)−PG(n)の各々を運転した際の消費電力の時系列データAP(1)−AP(n)を示す。図3の下段は、図2Cの加工プログラムPG(1)−PG(n)の各ブロックの実行時間を示す実行時間データTM(1)−TM(n)を示す。換言すれば、図3は、ラベルデータを算出するために必要な補助データを示す。
なお、図3の上段の工作機械10の消費電力の時系列データMP(1)−MP(n)は、工作機械10に設けられた図示しない電力計により測定されてもよい。また、図3の中段の補助動作機器102の消費電力の時系列データAP(1)−AP(n)は、補助動作機器102に設けられた図示しない電力計により測定されてもよい。また、図3の下段の実行時間データTM(1)は、加工プログラムPG(1)のブロックのうち、シーケンス番号「N249」、「N250」、及び「N251」の実行時間を示す。
なお、ラベル取得部302は、ブロックの消費電力として前記ブロックの実行時間における工作機械10の消費電力の最大値と、補助動作機器102の消費電力の最大値とを合計したが、これに限定されない。例えば、ラベル取得部302は、ブロックの実行時間における工作機械10及び補助動作機器102の消費電力の平均値、又は最小値等を、前記ブロックの消費電力としてもよい。
ラベル取得部302は、以上のように取得したラベルデータを記憶部304に記憶する。
そして、学習部303は、構築した学習済みモデル250を消費電力予測装置20に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の工作機械10から訓練データが取得されてもよい。
ここで、工作機械10の工作機械情報には、制御軸数、主軸数、軸構成、及び位置決め軸/主軸モータ仕様(定格出力(W)、定格トルク(N・m)等)が含まれる。また、補助動作機器102の補助動作情報には、ポンプ動力(W)や動力モータ仕様(定格出力(W)、定格トルク(N・m)等)が含まれる。また、ワーク情報には、ワークの材質及び重量が含まれる。
そうすることで、普段の工作機械10の加工動作から訓練データを自動的に得ることができるため、消費電力の予測精度を日常的に上げることができる。
オンライン学習とは、工作機械10において加工が行われ、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、工作機械10において加工が行われ、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。
以上、消費電力予測装置20が備える学習済みモデル250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消費電力予測装置20について説明する。
図1に示すように、運用フェーズにおける消費電力予測装置20は、入力部201、予測部202、決定部203、通知部204、及び記憶部205を含んで構成される。
なお、消費電力予測装置20は、図1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、消費電力予測装置20は、各種の制御用プログラムを格納したROM(Read Only Memory)やHDD(Hard Disk Drive)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。
なお、入力部201は、加工情報に含まれる工作機械10の工作機械情報、及び補助動作機器102の補助動作情報として、工作機械10を特定する工作機械ID、及び補助動作機器102を特定する補助動作機器IDを、加工情報として入力してもよい。この場合、工作機械IDに対応付けされた工作機械10の工作機械情報と、補助動作機器IDに対応付けされた補助動作機器102の補助動作情報とが、予め後述する記憶部205に記憶されてもよい。これにより、入力部201は、入力された工作機械ID及び補助動作機器IDに基づいて、工作機械10の工作機械情報及び補助動作機器102の補助動作情報を記憶部205から取得することができる。
図5は、予測部202による予測結果の一例を示す図である。
図5の横軸は加工プログラムのシーケンス番号(ブロック)を示す。図5の縦軸は、予測部202により予測された各ブロックの消費電力を示す。
図5に示すように、例えば、消費電力が閾値αを超えるシーケンス番号「N100」、「N210」、及び「N320」のブロックがあることを示す。
一方、消費電力が閾値αを超えるブロックがある場合、決定部203は、アラームを発生させることを決定する。決定部203は、消費電力が閾値αを超えるブロック(シーケンス番号)を示す指令ブロック特定情報を後述する通知部204に出力する。
そうすることで、消費電力予測装置20は、ブロックの消費電力が閾値α以下となるように、工作機械10のユーザに対して加工条件や加工経路といった加工プログラムの見直しを促すことができる。すなわち、消費電力予測装置20は、省エネルギー化の支援に繋げることができる。
なお、閾値αは、工作機械10に要求されるサイクルタイム、加工精度、又は消費電力等に応じて適宜設定されてもよい。
次に、本実施形態に係る消費電力予測装置20の予測処理に係る動作について説明する。
図6は、運用フェーズにおける消費電力予測装置20の予測処理について説明するフローチャートである。ここで示すフローは、加工情報が入力される度に繰り返し実行される。
これにより、消費電力予測装置20は、新たに作成された加工プログラムが入力された場合でも、消費電力測定のために実際に運転したりシミュレーションしたりすることなく、加工プログラム運転時の消費電力を精度良く予測することができる。
また、副次的な効果として、加工形状や加工方法に応じた電力消費の傾向分析が容易になる。これにより、加工条件や加工経路といった加工プログラムを見直すことで、省エネルギー化の支援にも繋がる。
また、消費電力の閾値αを超えたブロックを特定できるため、当該ブロック周辺の加工条件を変更してピーク電力を抑えることで、電力会社の契約を必要最小限のアンペア数に見直して設備のランニングコスト低減支援にも繋がる。
上述の実施形態では、機械学習装置30は、工作機械10、制御装置101、及び消費電力予測装置20と異なる装置として例示したが、機械学習装置30の一部又は全部の機能を、工作機械10、制御装置101、又は消費電力予測装置20が備えるようにしてもよい。
また例えば、上述の実施形態では、消費電力予測装置20は、工作機械10や制御装置101と異なる装置として例示したが、消費電力予測装置20の一部又は全部の機能を、工作機械10又は制御装置101が備えるようにしてもよい。
あるいは、消費電力予測装置20の入力部201、予測部202、決定部203、通知部204及び記憶部205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、消費電力予測装置20の各機能を実現してもよい。
さらに、消費電力予測装置20は、消費電力予測装置20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、消費電力予測装置20は、機械学習装置30から提供されたこれから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル250を用いて、入力された加工情報から加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測したが、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30により生成された学習済みモデル250を記憶し、ネットワーク60に接続されたm個の消費電力予測装置20A(1)−20A(m)と学習済みモデル250を共有してもよい(mは2以上の整数)。これにより、新たな工作機械、及び消費電力予測装置が配置されても学習済みモデル250を適用することができる。
なお、消費電力予測装置20A(1)−20A(m)の各々は、工作機械10A(1)−10A(m)の各々と接続される。
また、工作機械10A(1)−10A(m)の各々は、図1の工作機械10に対応し、互いに同じ機種の工作機械でもよく、互いに異なる機種の工作機械でもよい。消費電力予測装置20A(1)−20A(m)の各々は、図1の消費電力予測装置20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、消費電力予測装置20として動作し、ネットワーク60に接続された工作機械10A(1)−10A(m)の各々に対して、入力された加工情報から加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測してもよい。これにより、新たな工作機械が配置されても学習済みモデル250を適用することができる。
また例えば、上述の実施形態では、消費電力予測装置20は、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル250に、図4に示す加工情報を入力することで、学習済みモデル250が出力する加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を取得したが、これに限定されない。例えば、消費電力予測装置20は、学習済みモデル250に加工情報を入力することで、加工プログラム運転時の各ブロックの消費電力のみを取得してもよい。
また例えば、上述の実施形態では、機械学習装置30は、教師あり学習を実行したが、これに限定されず、他の学習方法(例えば、+報酬/−報酬を与える強化学習等)により学習済みモデルを構築してもよい。
(1)本開示の機械学習装置30は、任意の加工プログラムPG(1)−PG(n)の運転による任意の工作機械10でのワークに対する加工において、少なくとも工作機械10に係る工作機械情報IM(1)−IM(n)、工作機械10の補助動作を行う補助動作機器102に係る補助動作情報IA(1)−IA(n)、ワークに係るワーク情報、及び加工プログラムPG(1)−PG(n)を含む加工情報を、入力データとして取得する入力データ取得部301と、加工プログラムPG(1)−PG(n)の運転における工作機械10及び補助動作機器102の消費電力に係る消費電力情報、を示すラベルデータを取得するラベル取得部302と、入力データ取得部301により取得された入力データと、ラベル取得部302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、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル250を生成する学習部303と、を備える。
この機械学習装置30によれば、シミュレーションすることなく、新たに作成された加工プログラムの運転による消費電力を精度良く出力する学習済みモデル250を生成することができる。
そうすることで、工作機械10の工作機械情報、補助動作機器102の補助動作情報、ワーク情報、及び加工プログラムを含む加工情報に応じた消費電力情報を出力する学習済みモデル250を生成することができる。
そうすることで、これから行う加工の加工情報に応じた加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を出力する学習済みモデル250を生成することができる。
この消費電力予測装置20によれば、新たに作成された加工プログラムが入力された場合でも、加工プログラム運転時の消費電力を精度良く予測することができる。
そうすることで、工作機械10の工作機械情報、補助動作機器102の補助動作情報、ワーク情報、及び加工プログラムを含む加工情報に応じた加工プログラム運転時の消費電力情報を予測することができる。
そうすることで、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測することができる。
そうすることで、工作機械ID及び補助動作機器IDを入力することで、工作機械10の工作機械情報及び補助動作機器102の補助動作情報を容易に取得することができる。
そうすることで、ブロックの消費電力が閾値α以下となるように、工作機械10のユーザに対して加工条件や加工経路といった加工プログラムの見直しを促すことができ、省エネルギー化の支援に繋げることができる。
そうすることで、新たな工作機械10、制御装置101、及び消費電力予測装置20が配置されても学習済みモデル250を適用することができる。
そうすることで、上述の(1)から(9)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101によれば、上述の(4)から(10)のいずれかと同様の効果を奏することができる。
101 制御装置
102 補助動作機器
20 消費電力予測装置
201 入力部
202 予測部
203 決定部
204 通信部
205 記憶部
250 学習済みモデル
30 機械学習装置
301 入力データ取得部
302 ラベル取得部
303 学習部
304 記憶部
50 サーバ
Claims (11)
- 任意の加工プログラムの運転による任意の工作機械でのワークに対する加工において、少なくとも前記工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、前記ワークに係る情報、及び前記加工プログラムを含む加工情報を、入力データとして取得する入力データ取得部と、
前記加工プログラムの運転における前記工作機械及び前記補助動作機器の消費電力に係る消費電力情報、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、これから行う加工の加工情報を入力し前記これから行う加工における前記消費電力情報を出力する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。 - 前記工作機械に係る情報は、制御軸数、主軸数、軸構成、及び位置決め軸/主軸モータ仕様の少なくとも1つを含み、
前記補助動作機器に係る情報は、ポンプ動力、及び動力モータ仕様の少なくとも1つを含み、
前記ワークに係る情報は、前記ワークの材質及び重量の少なくとも1つを含み、
前記加工プログラムに係る情報は、ブロック特定情報を含むプログラム内容である、請求項1に記載の機械学習装置。 - 前記消費電力情報は、前記加工プログラムの運転時における総消費電力量、及び前記加工プログラムの運転時における前記加工プログラムに含まれるブロック毎の消費電力の少なくとも1つを含む、請求項1又は請求項2に記載の機械学習装置。
- 請求項1から請求項3のいずれか1項に記載の機械学習装置により生成された、これから行う加工の加工情報を入力し前記これから行う加工における前記消費電力情報を出力する学習済みモデルと、
加工プログラムの運転に先立って、工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、加工対象のワークに係る情報、及び前記加工プログラムに係る情報を含む加工情報を入力する入力部と、
前記入力部により入力された前記加工情報を前記学習済みモデルに入力することで、前記学習済みモデルが出力する前記これから行う加工における前記消費電力情報に基づいて前記加工プログラムの運転時の消費電力に係る消費電力情報を予測する予測部と、
を備える消費電力予測装置。 - 前記工作機械に係る情報は、制御軸数、主軸数、軸構成、及び位置決め軸/主軸モータ仕様の少なくとも1つを含み、
前記補助動作機器に係る情報は、ポンプ動力、及び動力モータ仕様の少なくとも1つを含み、
前記ワークに係る情報は、前記ワークの材質及び重量の少なくとも1つを含み、
前記加工プログラムに係る情報は、ブロック特定情報を含むプログラム内容である、請求項4に記載の消費電力予測装置。 - 前記消費電力情報は、前記加工プログラムの運転時における総消費電力量、及び前記加工プログラムの運転時における前記加工プログラムに含まれるブロック毎の消費電力の少なくとも1つを含む、請求項4又は請求項5に記載の消費電力予測装置。
- 前記工作機械を特定する工作機械IDに対応付けされた前記工作機械に係る情報、及び前記補助動作機器を特定する補助動作機器IDに対応付けされた前記補助動作機器に係る情報を予め記憶する記憶部を備え、
前記入力部は、前記工作機械ID及び前記補助動作機器IDが入力された場合、対応付けされた前記工作機械に係る情報及び前記補助動作機器に係る情報を前記記憶部から取得する、請求項4から請求項6のいずれか1項に記載の消費電力予測装置。 - 前記予測部により予測された前記加工プログラムの運転時における前記ブロック毎の消費電力と、予め設定された閾値とを比較し、前記消費電力が前記閾値を超えるブロックがあるか否かを判定する決定部を備える、請求項6に記載の消費電力予測装置。
- 前記学習済みモデルを、前記消費電力予測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4から請求項8のいずれか1項に記載の消費電力予測装置。
- 請求項1から請求項3のいずれか1項に記載の機械学習装置を備える、請求項4から請求項9のいずれか1項に記載の消費電力予測装置。
- 請求項4から請求項10のいずれか1項に記載の消費電力予測装置を備える、制御装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019215089A JP7424807B2 (ja) | 2019-11-28 | 2019-11-28 | 機械学習装置、消費電力予測装置、及び制御装置 |
US17/090,128 US20210166154A1 (en) | 2019-11-28 | 2020-11-05 | Machine learning device, power consumption prediction device, and control device |
DE102020006862.6A DE102020006862A1 (de) | 2019-11-28 | 2020-11-09 | Maschinelle lernvorrichtung, stromverbrauchs-prognosevorrichtung und steuervorrichtung |
CN202011332725.2A CN112859751A (zh) | 2019-11-28 | 2020-11-24 | 机器学习装置、消耗电力预测装置和控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019215089A JP7424807B2 (ja) | 2019-11-28 | 2019-11-28 | 機械学習装置、消費電力予測装置、及び制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021086405A true JP2021086405A (ja) | 2021-06-03 |
JP7424807B2 JP7424807B2 (ja) | 2024-01-30 |
Family
ID=75896530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019215089A Active JP7424807B2 (ja) | 2019-11-28 | 2019-11-28 | 機械学習装置、消費電力予測装置、及び制御装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210166154A1 (ja) |
JP (1) | JP7424807B2 (ja) |
CN (1) | CN112859751A (ja) |
DE (1) | DE102020006862A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022117793A1 (de) | 2021-09-07 | 2023-03-09 | Komatsu Ltd. | Produktionsmaschinen-Identifikationssystem, Produktionsmaschinen-Identifikationsverfahren und Produktionsmaschinen-Identifikationsvorrichtung |
WO2023181399A1 (ja) * | 2022-03-25 | 2023-09-28 | ファナック株式会社 | 数値制御装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795628B (zh) * | 2023-05-24 | 2024-05-14 | 荣耀终端有限公司 | 终端设备的功耗处理方法、终端设备以及可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010250697A (ja) * | 2009-04-17 | 2010-11-04 | Fanuc Ltd | 工作機械の制御装置 |
JP2013065143A (ja) * | 2011-09-16 | 2013-04-11 | Nec System Technologies Ltd | 消費電力計測装置、消費電力計測方法及びプログラム |
JP2013143031A (ja) * | 2012-01-11 | 2013-07-22 | Internatl Business Mach Corp <Ibm> | 予測方法、予測システムおよびプログラム |
CN103235554A (zh) * | 2013-03-29 | 2013-08-07 | 重庆大学 | 一种基于nc代码的数控车床加工工件能耗获取方法 |
JP2013164797A (ja) * | 2012-02-13 | 2013-08-22 | Nakamura Tome Precision Ind Co Ltd | 工作機械の消費電力算出装置 |
JP2014219911A (ja) * | 2013-05-10 | 2014-11-20 | 東芝機械株式会社 | シミュレーション装置およびシミュレーションプログラム |
CN105945311A (zh) * | 2016-05-18 | 2016-09-21 | 重庆大学 | 一种基于功率预测的数控机床进给系统调速方法 |
JP2017068325A (ja) * | 2015-09-28 | 2017-04-06 | ファナック株式会社 | 最適な加減速を生成する工作機械 |
JP2017142595A (ja) * | 2016-02-09 | 2017-08-17 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
JP2018073136A (ja) * | 2016-10-28 | 2018-05-10 | ファナック株式会社 | 機械学習装置及び加工時間予測装置 |
JP2018077572A (ja) * | 2016-11-07 | 2018-05-17 | 株式会社オプティマイザー | 電力需要調達支援システム、情報処理装置、情報処理方法および情報処理プログラム |
JP2019053634A (ja) * | 2017-09-19 | 2019-04-04 | ファナック株式会社 | 生産システム |
WO2019167656A1 (ja) * | 2018-02-27 | 2019-09-06 | 三菱重工業株式会社 | 予測システム、予測方法、およびプログラム |
CN114611379A (zh) * | 2022-02-10 | 2022-06-10 | 北京工业大学 | 一种基于数据驱动的加工工艺节能规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11307117B2 (en) * | 2017-09-04 | 2022-04-19 | Amper Technologies, Inc. | System and method for interpretation and analysis of manufacturing activity |
-
2019
- 2019-11-28 JP JP2019215089A patent/JP7424807B2/ja active Active
-
2020
- 2020-11-05 US US17/090,128 patent/US20210166154A1/en active Pending
- 2020-11-09 DE DE102020006862.6A patent/DE102020006862A1/de active Pending
- 2020-11-24 CN CN202011332725.2A patent/CN112859751A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010250697A (ja) * | 2009-04-17 | 2010-11-04 | Fanuc Ltd | 工作機械の制御装置 |
JP2013065143A (ja) * | 2011-09-16 | 2013-04-11 | Nec System Technologies Ltd | 消費電力計測装置、消費電力計測方法及びプログラム |
JP2013143031A (ja) * | 2012-01-11 | 2013-07-22 | Internatl Business Mach Corp <Ibm> | 予測方法、予測システムおよびプログラム |
JP2013164797A (ja) * | 2012-02-13 | 2013-08-22 | Nakamura Tome Precision Ind Co Ltd | 工作機械の消費電力算出装置 |
CN103235554A (zh) * | 2013-03-29 | 2013-08-07 | 重庆大学 | 一种基于nc代码的数控车床加工工件能耗获取方法 |
JP2014219911A (ja) * | 2013-05-10 | 2014-11-20 | 東芝機械株式会社 | シミュレーション装置およびシミュレーションプログラム |
JP2017068325A (ja) * | 2015-09-28 | 2017-04-06 | ファナック株式会社 | 最適な加減速を生成する工作機械 |
JP2017142595A (ja) * | 2016-02-09 | 2017-08-17 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
CN105945311A (zh) * | 2016-05-18 | 2016-09-21 | 重庆大学 | 一种基于功率预测的数控机床进给系统调速方法 |
JP2018073136A (ja) * | 2016-10-28 | 2018-05-10 | ファナック株式会社 | 機械学習装置及び加工時間予測装置 |
JP2018077572A (ja) * | 2016-11-07 | 2018-05-17 | 株式会社オプティマイザー | 電力需要調達支援システム、情報処理装置、情報処理方法および情報処理プログラム |
JP2019053634A (ja) * | 2017-09-19 | 2019-04-04 | ファナック株式会社 | 生産システム |
WO2019167656A1 (ja) * | 2018-02-27 | 2019-09-06 | 三菱重工業株式会社 | 予測システム、予測方法、およびプログラム |
CN114611379A (zh) * | 2022-02-10 | 2022-06-10 | 北京工业大学 | 一种基于数据驱动的加工工艺节能规划方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022117793A1 (de) | 2021-09-07 | 2023-03-09 | Komatsu Ltd. | Produktionsmaschinen-Identifikationssystem, Produktionsmaschinen-Identifikationsverfahren und Produktionsmaschinen-Identifikationsvorrichtung |
WO2023181399A1 (ja) * | 2022-03-25 | 2023-09-28 | ファナック株式会社 | 数値制御装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7424807B2 (ja) | 2024-01-30 |
US20210166154A1 (en) | 2021-06-03 |
CN112859751A (zh) | 2021-05-28 |
DE102020006862A1 (de) | 2021-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stadnicka et al. | Value stream mapping and system dynamics integration for manufacturing line modelling and analysis | |
Armendia et al. | Evaluation of machine tool digital twin for machining operations in industrial environment | |
JP2021086405A (ja) | 機械学習装置、消費電力予測装置、及び制御装置 | |
Wang et al. | A review of function blocks for process planning and control of manufacturing equipment | |
Peng et al. | A novel energy demand modelling approach for CNC machining based on function blocks | |
CN108693833B (zh) | 机器学习装置、伺服控制装置和系统以及机器学习方法 | |
Larek et al. | A discrete-event simulation approach to predict power consumption in machining processes | |
US10268187B2 (en) | Manufacturing cell machine management system based on component degree of consumption | |
JP6542738B2 (ja) | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 | |
JP2018132809A (ja) | 診断用データ取得システム、診断用システム、及び診断用データ取得プログラム | |
Diaz et al. | Cost and energy consumption optimization of product manufacture in a flexible manufacturing system | |
JP2019076976A (ja) | 寿命推定装置及び機械学習装置 | |
JP7000376B2 (ja) | 機械学習装置、予測装置、及び制御装置 | |
JP7328364B2 (ja) | 機械学習装置、加工状態予測装置、及び制御装置 | |
Yao et al. | VMMC: a test-bed for machining | |
CN114402524B (zh) | 用于管理采矿设施的方法、装置和系统 | |
Wang et al. | A computational framework for cloud-based machine prognosis | |
Rudel et al. | Cloud-based process design in a digital twin framework with integrated and coupled technology models for blisk milling | |
WO2022097624A1 (ja) | 機械学習装置、洗浄予測装置、及び洗浄システム | |
Tantik et al. | Industrie 4.0: Using cyber-physical systems for value-stream based production evaluation | |
US11809146B2 (en) | Machine learning device, prediction device, and control device for preventing collision of a moveable part | |
Tapoglou et al. | Energy Efficient Machining Through Evolutionary Real-Time Optimization of Cutting Conditions on CNC-Milling Controllers | |
JP2007201309A (ja) | シミュレーションのパラメータ更新システム | |
Klocke et al. | Integrative technology and inspection planning—a case study in medical industry | |
Mrugalska | Design and quality control of products robust to model uncertainty and disturbances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220819 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220829 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
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: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7424807 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |