JP2023111015A - 加工装置、加工機の制御装置、加工方法及び制御プログラム - Google Patents
加工装置、加工機の制御装置、加工方法及び制御プログラム Download PDFInfo
- Publication number
- JP2023111015A JP2023111015A JP2022012615A JP2022012615A JP2023111015A JP 2023111015 A JP2023111015 A JP 2023111015A JP 2022012615 A JP2022012615 A JP 2022012615A JP 2022012615 A JP2022012615 A JP 2022012615A JP 2023111015 A JP2023111015 A JP 2023111015A
- Authority
- JP
- Japan
- Prior art keywords
- processing
- machine
- learning model
- machine learning
- processing 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 245
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 167
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 11
- 238000003825 pressing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 230000001050 lubricating effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Presses And Accessory Devices Thereof (AREA)
Abstract
【課題】作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能な加工装置及び加工方法を提供する。【解決手段】加工装置1は、ワークWを加工可能な加工機2と、加工機2に関する情報を検出する検出部10と、加工機2の動作を制御する制御部3と、を備え、制御部3は、加工機2によるワークWの加工を行いながら、検出部10により上記の情報を取得し、取得した上記の情報を用いて、ワークWの加工中における加工機2の監視に用いる機械学習モデルを作成し、機械学習モデルの作成に用いた情報とは別に取得した情報を用いて、機械学習モデルが使用可能であるか否かを判定し、機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて加工機2を監視しながら動作させる。【選択図】図1
Description
本発明は、加工装置、加工機の制御装置、加工方法及び制御プログラムに関する。
金型でワークをプレスして加工するプレス装置等の加工装置では、装置に異常が生じているのに処理を続けると、不良品が多数発生するなどして悪化するほか、装置が故障するなど種々の問題が生じる。
そのため、装置が正常に稼働しているか異常が発生しているかを自動的に診断する装置やシステムの開発が進められている。
そのため、装置が正常に稼働しているか異常が発生しているかを自動的に診断する装置やシステムの開発が進められている。
例えば、特許文献1には、機械設備の状態を診断する予兆診断システムであって、設備に取り付けられたセンサから設備稼働時の時系列データを取得し、得られたデータを用いて、統計的手法によって機械設備の状態の診断を行い、今後、設備がどの程度の時間、安定稼働できるかを診断するシステムの発明が開示されている。
また、例えば、特許文献2には、燃焼炉についてオペレータの異常判断を教師データとする機械学習モデルを用いることで異常予測を行う燃焼異常予測装置であって、オペレータが異常と判断した時点までのプラントデータ及びその後のオペレータの操作データを用いて、定期的に機械学習モデルの再学習を行って機械学習モデルを更新していく装置の発明が開示されている。
しかしながら、特許文献1に記載されたシステムでは、オペレータ等の作業員が閾値等のパラメータを自ら指定しなければならないという問題がある。
また、機械設備で加工させるワーク又は製品の種類や製造条件ごとに作業員がパラメータを設定しなければならず、パラメータの設定作業が煩雑になる可能性がある。
また、機械設備で加工させるワーク又は製品の種類や製造条件ごとに作業員がパラメータを設定しなければならず、パラメータの設定作業が煩雑になる可能性がある。
また、特許文献2に記載された装置では燃焼炉であるが、より広く加工装置として捉えた場合、加工装置に異常が発生した際に行われる作業員の処理自体を教師データとして用いるため、作業員の熟練度に応じて教師データの質に差が生じることが懸念される。また、異常が生じるごとに教師データを人手で用意して装置に与える必要があり、作業員にとっては面倒で煩雑な作業が要求されることになる。
本発明は、上記の点を鑑みてなされたものであり、作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能な加工装置、加工機の制御装置、加工方法及び制御プログラムを提供することを目的とする。
本発明に係る加工装置の一観点によれば、
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
前記加工機の動作を制御する制御部と、
を備え、
前記制御部は、
前記加工機による前記ワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得し、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
前記加工機の動作を制御する制御部と、
を備え、
前記制御部は、
前記加工機による前記ワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得し、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。
本発明に係る加工機の制御装置の一観点によれば、
ワークを加工可能な加工機の動作を制御する加工機の制御装置において、
前記加工機による前記ワークの加工を行いながら、前記加工機に関する情報を検出する検出部から取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。
ワークを加工可能な加工機の動作を制御する加工機の制御装置において、
前記加工機による前記ワークの加工を行いながら、前記加工機に関する情報を検出する検出部から取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。
本発明に係る加工方法の一観点によれば、
加工機によるワークの加工を行いながら、検出部により前記加工機に関する情報を取得する情報取得工程と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成工程と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定工程と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視工程と、
を有する。
加工機によるワークの加工を行いながら、検出部により前記加工機に関する情報を取得する情報取得工程と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成工程と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定工程と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視工程と、
を有する。
本発明に係る制御プログラムの一観点によれば、
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
を備える加工装置のコンピュータを、
前記加工機によるワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得する情報取得手段と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成手段と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定手段と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視手段、
として機能させる。
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
を備える加工装置のコンピュータを、
前記加工機によるワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得する情報取得手段と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成手段と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定手段と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視手段、
として機能させる。
本発明によれば、作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能となる。
以下、本発明に係る加工装置、加工機の制御装置、加工方法及び制御プログラムの実施の形態について、図面を参照して説明する。
なお、以下では、加工装置がワークをプレスして加工するプレス装置である場合について説明するが、本発明はプレス装置である場合に限定されない。また、以下では、プレス装置が偏心軸の回転をスライドの並進運動に変換してプレスを行うタイプのプレス装置である場合について説明するが、例えばシリンダでスライドを並進運動させるタイプのプレス装置であってもよく、その形態は限定されない。さらに、以下の説明において、後述する図1中の上下方向に従って上下又は上昇、下降等と言うが、本発明はその場合に限定されない。
なお、以下では、加工装置がワークをプレスして加工するプレス装置である場合について説明するが、本発明はプレス装置である場合に限定されない。また、以下では、プレス装置が偏心軸の回転をスライドの並進運動に変換してプレスを行うタイプのプレス装置である場合について説明するが、例えばシリンダでスライドを並進運動させるタイプのプレス装置であってもよく、その形態は限定されない。さらに、以下の説明において、後述する図1中の上下方向に従って上下又は上昇、下降等と言うが、本発明はその場合に限定されない。
図1は、プレス装置の構成例を表す概略図である。本実施形態では、プレス装置1は、加工機2と、制御部3とを備えている。
加工機2は、エキセン軸やクランク軸等の偏心軸4と、クラッチブレーキ5と、コネクティングロッド6と、スライド7と、上金型8と、下金型9等を備えている。
加工機2は、エキセン軸やクランク軸等の偏心軸4と、クラッチブレーキ5と、コネクティングロッド6と、スライド7と、上金型8と、下金型9等を備えている。
加工機2の偏心軸4は、エキセン軸やクランク軸等で構成されている。
また、クラッチブレーキ5は、油圧で作動する湿式であってもよく、エア圧で作動する乾式であってもよい。また、本実施形態のようにクラッチとブレーキをクラッチブレーキ5として一体的に形成する代わりに、クラッチとブレーキとを分離するように構成することも可能である。
また、クラッチブレーキ5は、油圧で作動する湿式であってもよく、エア圧で作動する乾式であってもよい。また、本実施形態のようにクラッチとブレーキをクラッチブレーキ5として一体的に形成する代わりに、クラッチとブレーキとを分離するように構成することも可能である。
そして、クラッチブレーキ5のクラッチをつなぐと偏心軸4がモータやフライホイール等の図示しない外部駆動源に接続されて、偏心軸4が軸周りに回転する。また、クラッチを切ると、外部駆動源と偏心軸4の接続が切断される。
また、クラッチブレーキ5のブレーキを作動させると、偏心軸4の回転が減速したり停止したりするようになっている。
また、クラッチブレーキ5のブレーキを作動させると、偏心軸4の回転が減速したり停止したりするようになっている。
偏心軸4の軸周りの回転運動は、コネクティングロッド6を介してスライド7の上下方向の並進運動に変換される。そのため、偏心軸4の回転によりスライド7が上昇、下降する。
スライド7の下面には上金型8が固定されており、上金型8の下方には下金型9が固定されている。そして、スライド7により上金型8を下金型9に向かう方向に移動させてすなわち下降させて、上金型8と下金型9との間でワークWを挟み込むようにしてワークWをプレスして加工するようになっている。
また、加工後、スライド7は所定の停止位置まで上昇して停止する。
スライド7の下面には上金型8が固定されており、上金型8の下方には下金型9が固定されている。そして、スライド7により上金型8を下金型9に向かう方向に移動させてすなわち下降させて、上金型8と下金型9との間でワークWを挟み込むようにしてワークWをプレスして加工するようになっている。
また、加工後、スライド7は所定の停止位置まで上昇して停止する。
また、本実施形態では、上金型8と下金型9に、上記のように上金型8と下金型9でワークWをプレスして加工する際に上金型8又は下金型9にかかる荷重Fをそれぞれ検出するセンサ10が取り付けられている。
本実施形態では、センサ10が本発明における検出部に相当する。そして、センサ10は、検出した上金型8又は下金型9にかかる荷重Fの情報を制御部3に送信するようになっている。
本実施形態では、センサ10が本発明における検出部に相当する。そして、センサ10は、検出した上金型8又は下金型9にかかる荷重Fの情報を制御部3に送信するようになっている。
なお、本実施形態では、以下、検出部であるセンサ10で、加工機2に関する情報として、ワークWをプレスして加工する際に上金型8及び下金型9にかかる荷重Fを検出する場合について説明する。
しかし、検出部で、加工機2に関する情報として、ワークWをプレスして加工する際にプレスに関与する部材にかかる荷重若しくは圧力、移動可能な部材の位置若しくは速度、回転可能な部材の回転角若しくは回転速度、部材の温度、又は、部材に供給され若しくは部材を潤滑させる液体の温度等を検出するように構成することも可能である。
しかし、検出部で、加工機2に関する情報として、ワークWをプレスして加工する際にプレスに関与する部材にかかる荷重若しくは圧力、移動可能な部材の位置若しくは速度、回転可能な部材の回転角若しくは回転速度、部材の温度、又は、部材に供給され若しくは部材を潤滑させる液体の温度等を検出するように構成することも可能である。
すなわち、例えば、検出部で、ワークWをプレスして加工する際にスライド7等のプレスに関与する部材にかかる荷重やクラッチブレーキ5等に加わる圧力を検出するように構成することも可能である。
また、スライド7や上金型8等の移動可能な部材の位置や速度を検出するように構成することも可能である。
さらに、偏心軸4等の回転可能な部材の軸周りの回転角や回転速度を検出するように構成することも可能である。
また、スライド7や上金型8等の移動可能な部材の位置や速度を検出するように構成することも可能である。
さらに、偏心軸4等の回転可能な部材の軸周りの回転角や回転速度を検出するように構成することも可能である。
制御部3は、CPU(Central Processing Unit)等を備える汎用コンピュータで構成されていてもよく、あるいは専用装置として構成されていてもよい。なお、制御部3は、本発明に係る加工機の制御装置に相当し、制御プログラムに従って動作するようになっている。
制御部3は、表示画面31と記憶部32とを備えている。なお、図1では表示画面31と記憶部32が制御部3自体に設けられているように記載されているが、表示画面31と記憶部32のいずれか一方又は両方が制御部3とは別体に設けられていてもよい。
制御部3は、表示画面31と記憶部32とを備えている。なお、図1では表示画面31と記憶部32が制御部3自体に設けられているように記載されているが、表示画面31と記憶部32のいずれか一方又は両方が制御部3とは別体に設けられていてもよい。
そして、制御部3は、入力されたモーションパターン等に従ってクラッチブレーキ5を制御するなどしてスライド7を下降させてワークWの加工を行わせたり、スライド7を上昇させて所定の停止位置で停止させたりするなど、加工機2の動作を制御するようになっている。
また、制御部3は、加工機2によるワークWの加工を行いながら、検出部により加工機2に関する情報を取得し、取得した情報を用いて、機械学習により、ワークWの加工中における加工機2の監視に用いる機械学習モデルを作成する。
そして、機械学習モデルの作成に用いた情報とは別に取得した情報を用いて、機械学習モデルが使用可能であるか否かを判定し、機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて加工機2が正常に稼働しているか否かを監視しながら動作させるようになっている。
そして、機械学習モデルの作成に用いた情報とは別に取得した情報を用いて、機械学習モデルが使用可能であるか否かを判定し、機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて加工機2が正常に稼働しているか否かを監視しながら動作させるようになっている。
そして、本実施形態では、制御部3は、使用可能であると判定された機械学習モデルに基づき、検出部が取得した加工機2に関する情報が正常であると判定した場合には、加工機2の動作を継続させるようになっている。
そして、本実施形態では、制御部3は、検出部が取得した加工機2に関する情報が機械学習モデルに基づいて異常が発生したと判定した場合には、異常の発生に関する情報を出力して、異常が発生した旨を報知するようになっている。
そして、本実施形態では、制御部3は、検出部が取得した加工機2に関する情報が機械学習モデルに基づいて異常が発生したと判定した場合には、異常の発生に関する情報を出力して、異常が発生した旨を報知するようになっている。
以下、本実施形態に係る加工装置であるプレス装置1の制御部3による上記の機械学習モデルの作成及び加工機2の監視等について具体的に説明する。
また、図2を用いて、本実施形態に係る加工方法等についてもあわせて説明する。
また、図2を用いて、本実施形態に係る加工方法等についてもあわせて説明する。
制御部3は、まず、プレス装置1の稼働を開始させる(ステップS1)。
すなわち、モータやフライホイール等の外部駆動源を作動させた後、加工機2のクラッチブレーキ5を制御するなどしてスライド7を上下動させて、ワークWの加工を開始させる。
すなわち、モータやフライホイール等の外部駆動源を作動させた後、加工機2のクラッチブレーキ5を制御するなどしてスライド7を上下動させて、ワークWの加工を開始させる。
続いて、制御部3は、加工機2によるワークWの加工を行いながら、検出部により加工機2に関する情報を取得する(情報取得工程。ステップS2)。
すなわち、本実施形態では、制御部3は、スライド7と上金型8を上下動させてワークWの加工が行われる際に、検出部であるセンサ10から送信されてくる上金型8又は下金型9にかかる荷重Fの情報を受信して取得する。
すなわち、本実施形態では、制御部3は、スライド7と上金型8を上下動させてワークWの加工が行われる際に、検出部であるセンサ10から送信されてくる上金型8又は下金型9にかかる荷重Fの情報を受信して取得する。
図3(a)は、上金型8に取り付けられたセンサ10から送信されてくる上金型8にかかる荷重F8の例であり、図3(b)は、下金型9に取り付けられたセンサ10から送信されてくる下金型9にかかる荷重F9の例である。
なお、図3(a)、(b)はそれぞれプレスが1回行われる間の各荷重F8、F9の時間的推移の例を表している。また、以下では、説明を簡単にするために、このように2つのセンサ10から取得した2つの荷重F8、F9の情報に対して処理を行う場合について説明するが、実際には、荷重Fの情報すなわち加工機2に関する情報は、センサ10すなわち検出部の数だけ取得され、それらの全てを対象にして以下の処理が行われる。
なお、図3(a)、(b)はそれぞれプレスが1回行われる間の各荷重F8、F9の時間的推移の例を表している。また、以下では、説明を簡単にするために、このように2つのセンサ10から取得した2つの荷重F8、F9の情報に対して処理を行う場合について説明するが、実際には、荷重Fの情報すなわち加工機2に関する情報は、センサ10すなわち検出部の数だけ取得され、それらの全てを対象にして以下の処理が行われる。
制御部3は、荷重F8、F9の情報を取得すると、取得した上金型8にかかる荷重F8の特徴量として図3(a)に示した分布の平均x8を算出する。また、取得した下金型9にかかる荷重F9についても同様に、荷重F9の特徴量として図3(b)に示した荷重F9の分布の平均x9を算出する。
なお、特徴量は必ずしも荷重F8、F9の平均x8、x9でなくてもよく、例えば標準偏差等であってもよく、図3(a)、(b)に示したデータに基づいて適宜の特徴量を算出するように構成することが可能である。
なお、特徴量は必ずしも荷重F8、F9の平均x8、x9でなくてもよく、例えば標準偏差等であってもよく、図3(a)、(b)に示したデータに基づいて適宜の特徴量を算出するように構成することが可能である。
また、プレスが行われるごとに図3(a)、(b)に示したデータが得られるが、同じタイミングで取得された上金型8及び下金型9にかかる荷重F8、F9から算出した平均x8、x9を、以下、平均x8、x9の組という。
すなわち、ワークWに対するプレスが行われるごとに、制御部3により平均x8、x9の組が算出される。
すなわち、ワークWに対するプレスが行われるごとに、制御部3により平均x8、x9の組が算出される。
なお、プレス装置1の稼働初期に、センサ10が検出するデータにノイズが乗る場合がある。
そのような場合には、例えば、算出した各特徴量からなる点すなわち上記の場合は平均x8、x9の組に対応する点(x8,x9)を図4に示すように各平均を横軸及び縦軸とする2次元空間にプロットしていき、例えばクラスタリング等の手法を用いて異常なデータを除去するように構成することが可能である。
そのような場合には、例えば、算出した各特徴量からなる点すなわち上記の場合は平均x8、x9の組に対応する点(x8,x9)を図4に示すように各平均を横軸及び縦軸とする2次元空間にプロットしていき、例えばクラスタリング等の手法を用いて異常なデータを除去するように構成することが可能である。
この場合、通常、ノイズの量は正常に検出されたデータの量より少ないため、クラスタリングの結果得られた2つのクラスタのうち、属する点の数が少ない方のクラスタに属する点すなわち平均x8、x9の組をノイズとして除去するように構成することができる。
そして、このノイズの除去処理は随時行われる。
そして、このノイズの除去処理は随時行われる。
続いて、制御部3は、取得した加工機2に関する情報を用いて、機械学習により、ワークWの加工中における加工機2の監視に用いる機械学習モデルを作成する(機械学習モデル作成工程。ステップS3)。
本実施形態では、制御部3は、機械学習として教師なし学習を用いて機械学習モデルを作成するようになっている。以下では、教師なし学習として1クラスサポートベクターマシン(One-class Support Vector Machine)を用いてモデルを作成する場合について説明するが、この他にも、例えばマハラノビス距離を用いる手法等を用いるように構成することも可能である。
本実施形態では、制御部3は、機械学習として教師なし学習を用いて機械学習モデルを作成するようになっている。以下では、教師なし学習として1クラスサポートベクターマシン(One-class Support Vector Machine)を用いてモデルを作成する場合について説明するが、この他にも、例えばマハラノビス距離を用いる手法等を用いるように構成することも可能である。
以下、具体的に説明すると、上記のようにして取得した上金型8及び下金型9にかかる荷重F8、F9から算出した平均x8、x9の各組が、図5(a)、(b)に示すように例えば30組取得されたとする。
制御部3は、その時点で、30組の平均x8、x9のうち、例えば図5(a)、(b)に黒丸で示される20組の平均x8、x9を任意に選び、それぞれを特徴ベクトル(x8,x9)とする。なお、このように30組の平均x8、x9が得られた時点で20組の平均x8、x9を選ぶ代わりに、例えば、20組の平均x8、x9が得られた時点でそれらを各特徴ベクトル(x8,x9)とするように構成してもよい。
制御部3は、その時点で、30組の平均x8、x9のうち、例えば図5(a)、(b)に黒丸で示される20組の平均x8、x9を任意に選び、それぞれを特徴ベクトル(x8,x9)とする。なお、このように30組の平均x8、x9が得られた時点で20組の平均x8、x9を選ぶ代わりに、例えば、20組の平均x8、x9が得られた時点でそれらを各特徴ベクトル(x8,x9)とするように構成してもよい。
そして、制御部3は、各特徴ベクトル(x8,x9)を1クラスサポートベクターマシンに入力して、図6に示すように多次元空間上にプロットする。この場合は2次元空間上にプロットする。そして、原点を含む領域と、全ての20個のプロットを含む領域とを区画する平面のうち、原点からの距離が最大の平面を識別平面Pとして決定する。なお、この場合は多次元空間が2次元空間であるため、識別平面Pは直線になる。
このようにして、制御部3は、ワークWの加工中における加工機2の監視に用いる機械学習モデルとしての識別平面Pを作成するようになっている。
このようにして、制御部3は、ワークWの加工中における加工機2の監視に用いる機械学習モデルとしての識別平面Pを作成するようになっている。
続いて、制御部3は、作成した機械学習モデルのテストを行う。すなわち、機械学習モデルの作成に用いた加工機2に関する情報とは別に取得した加工機2に関する情報を用いて、機械学習モデルが使用可能であるか否かを判定する(判定工程。ステップS4)。
すなわち、本実施形態では、制御部3は、上記のように30組の平均x8、x9のうち、例えば図5(a)、(b)に白丸で示される残りの10組の平均x8、x9をそれぞれ特徴ベクトル(x8,x9)として1クラスサポートベクターマシンに入力して、図6に示した多次元空間と同じ多次元空間上にプロットする。
すなわち、本実施形態では、制御部3は、上記のように30組の平均x8、x9のうち、例えば図5(a)、(b)に白丸で示される残りの10組の平均x8、x9をそれぞれ特徴ベクトル(x8,x9)として1クラスサポートベクターマシンに入力して、図6に示した多次元空間と同じ多次元空間上にプロットする。
そして、その結果、例えば図7に示すように、上記のようにして作成した機械学習モデルとしての識別平面Pよりも原点に近い側にプロットされた場合、制御部3は、作成した機械学習モデルすなわち識別平面Pが使用できないと判定する(ステップS4;NO)。
そして、その場合、制御部3は、作成した機械学習モデルすなわち識別平面Pを破棄して(ステップS5)、加工機2によるワークWの加工を行いながら検出部により加工機2に関する情報を取得する情報取得工程(ステップS2)から処理をやり直す。
そして、その場合、制御部3は、作成した機械学習モデルすなわち識別平面Pを破棄して(ステップS5)、加工機2によるワークWの加工を行いながら検出部により加工機2に関する情報を取得する情報取得工程(ステップS2)から処理をやり直す。
一方、上記のように残りの10組の平均x8、x9をそれぞれ特徴ベクトル(x8,x9)として1クラスサポートベクターマシンに入力した場合に、機械学習モデルとしての識別平面Pよりも原点側にはプロットされない場合、制御部3は、作成した機械学習モデルすなわち識別平面Pが使用可能であると判定する(ステップS4;YES)。
そして、制御部3は、使用可能と判定した機械学習モデルすなわち識別平面Pを採用する(ステップS6)。
そして、制御部3は、使用可能と判定した機械学習モデルすなわち識別平面Pを採用する(ステップS6)。
そして、制御部3は、採用した機械学習モデルすなわち使用可能であると判定された機械学習モデルに基づいて、以後、加工機2が正常に稼働しているか否かを監視しながら動作させる(監視工程。ステップS7)。
すなわち、プレスが行われるごとに、センサ10から送信されてくる荷重F8、F9の平均x8、x9の組を算出し、特徴ベクトル(x8,x9)を1クラスサポートベクターマシンに入力して多次元空間上にプロットする。
すなわち、プレスが行われるごとに、センサ10から送信されてくる荷重F8、F9の平均x8、x9の組を算出し、特徴ベクトル(x8,x9)を1クラスサポートベクターマシンに入力して多次元空間上にプロットする。
そして、制御部3は、多次元空間におけるプロットの位置が、識別平面P上あるいは識別平面Pよりも原点から遠い位置であれば、加工機2が正常に稼働していると判定して(ステップS8;NO)、加工機2を継続して動作させながら監視を継続する(ステップS7)。
また、制御部3は、多次元空間におけるプロットの位置が、識別平面Pよりも原点に近い位置であれば、加工機2に異常が発生したと判定して(ステップS8;YES)、異常の発生に関する情報を出力して(ステップS9)、異常が発生した旨を報知する。
作業員は、必要があれば加工機2の動作を停止させる。あるいは、制御部3が自動的に加工機2の動作を停止させるように構成してもよい。
また、制御部3は、多次元空間におけるプロットの位置が、識別平面Pよりも原点に近い位置であれば、加工機2に異常が発生したと判定して(ステップS8;YES)、異常の発生に関する情報を出力して(ステップS9)、異常が発生した旨を報知する。
作業員は、必要があれば加工機2の動作を停止させる。あるいは、制御部3が自動的に加工機2の動作を停止させるように構成してもよい。
以上のように、本実施形態に係る加工装置、加工機の制御装置、加工方法及び制御プログラムでは、制御部3は、検出部であるセンサ10から加工機2に関する情報として送信されてきた荷重F8、F9から算出した平均x8、x9の組を用いるなどして1クラスサポートベクターマシンの学習を行い、機械学習により、ワークWの加工中における加工機2の監視に用いる識別平面Pを作成する。そして、作成した機械学習モデルのテストを行い、機械学習モデルが使用可能である場合に該機械学習モデルを用いて加工機2が正常に稼働しているか否かを監視しながら動作させる。
このように、本実施形態に係る加工装置、加工機の制御装置、加工方法及び制御プログラムでは、制御部3が機械学習により装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成するため、作業員の手を煩わせることなく、機械学習モデルを自動的に作成することが可能となり、その機械学習モデルを用いて装置を自動的に監視することが可能となる。
そのため、作業員が面倒で煩雑な機械学習モデルの作成作業を行う必要がなくなるとともに、作業員の熟練度に応じて機械学習モデルに良し悪しが生じてしまうことを防止することが可能となる。
そのため、作業員が面倒で煩雑な機械学習モデルの作成作業を行う必要がなくなるとともに、作業員の熟練度に応じて機械学習モデルに良し悪しが生じてしまうことを防止することが可能となる。
なお、本実施形態では、上記のように、機械学習として教師なし学習を行う場合について説明したが、機械学習は教師なし学習に限られるものではなく、教師あり学習、強化学習等であってもよい。
また、同じ種類のワークWの加工を行う場合でも、プレス装置等の加工装置1の状態や外的な環境の要因等が変化すると、上記の識別平面Pすなわち加工機2の監視に用いる機械学習モデルも変わり得る。
そのため、図2に示したように加工装置1の稼働を開始するごとに機械学習モデルの作成等を行うように構成することが望ましい。また、長時間連続して加工装置1を稼働させるような場合には、加工装置1の稼働開始時以外でも定期的に機械学習モデルの作成等を行うように構成することも可能である。
そのため、図2に示したように加工装置1の稼働を開始するごとに機械学習モデルの作成等を行うように構成することが望ましい。また、長時間連続して加工装置1を稼働させるような場合には、加工装置1の稼働開始時以外でも定期的に機械学習モデルの作成等を行うように構成することも可能である。
また、本実施形態では、前述したように、制御部3は、異常が発生したと判定した場合は、異常の発生に関する情報を出力して(ステップS9)、異常が発生した旨を報知するようになっている。
その場合、例えば制御部3の表示画面31上での表示により報知したり、音声や発光等で報知したり、あるいはそれらを同時に行うように構成することが可能である。
その場合、例えば制御部3の表示画面31上での表示により報知したり、音声や発光等で報知したり、あるいはそれらを同時に行うように構成することが可能である。
そして、表示画面31上に表示して報知する場合、例えば、荷重F8、F9の平均x8、x9の組の異常度を算出して、それを時系列的に表示するように構成することが可能である。
異常度は、例えば、荷重F8、F9の平均x8、x9の組に対応する多次元空間上のプロットの原点からの距離の逆数として算出することが可能である。異常度を他の方法で算出してもよい。
異常度は、例えば、荷重F8、F9の平均x8、x9の組に対応する多次元空間上のプロットの原点からの距離の逆数として算出することが可能である。異常度を他の方法で算出してもよい。
そして、例えば、図8(a)に示すように、表示画面31上の上側に、加工機2が正常に稼働していると判定した際に用いた荷重F8、F9の平均x8、x9の組の異常度を時系列的に表示する。この場合、加工機2が正常に稼働しているため、各異常度は小さい値になっている。
そして、表示画面31上の下側に、異常が発生したと判定するまでの異常度を時系列的に表示して、正常な場合と異常が生じた場合とを並べて並列表示するように構成することが可能である。
そして、表示画面31上の下側に、異常が発生したと判定するまでの異常度を時系列的に表示して、正常な場合と異常が生じた場合とを並べて並列表示するように構成することが可能である。
また、例えば、図8(b)に示すように、加工機2が正常に稼働していると判定した際に用いた荷重F8、F9の平均x8、x9の組の異常度と、異常が発生したと判定するまでの異常度とを、時系列的に重畳表示するように構成することも可能である。
このように、異常度を並列表示したり重畳表示したりするように構成することで、作業員等に異常が発生した旨を視覚的に分かりやすく報知することが可能となる。
このように、異常度を並列表示したり重畳表示したりするように構成することで、作業員等に異常が発生した旨を視覚的に分かりやすく報知することが可能となる。
ところで、上記のように構成すると、制御部3が機械学習モデルを作成し、作成した機械学習モデルが使用可能であるか否かを判定し、使用可能であると判定された機械学習モデルに基づいて加工機2が正常に稼働しているか否かの監視を開始するまでの間、機械学習モデルがない状態になり得る。
そのため、この状況を回避するために、例えば、予め標準的な機械学習モデルを作成しておき、上記の間、この標準的な機械学習モデルを用いて加工機2が正常に稼働しているか否かの監視を行うように構成することが可能である。
そのため、この状況を回避するために、例えば、予め標準的な機械学習モデルを作成しておき、上記の間、この標準的な機械学習モデルを用いて加工機2が正常に稼働しているか否かの監視を行うように構成することが可能である。
また、以下のように構成することも可能である。
例えば、加工機2が複数種類のワークWを加工可能である場合は、複数種類のワークWについてそれぞれ作成された過去の機械学習モデルをそれぞれ記憶部32に記憶しておく。
この場合、図9に例示するように、機械学習モデルを、製品名や金型番号、製品の形状、ワークの形状、プレス時の温度[℃]及び重量[kg]等の加工条件と紐付けて記憶するように構成することができる。なお、図9において、Bは幅[mm]、Lは長さ[mm]、Tは高さ[mm]を表す。
例えば、加工機2が複数種類のワークWを加工可能である場合は、複数種類のワークWについてそれぞれ作成された過去の機械学習モデルをそれぞれ記憶部32に記憶しておく。
この場合、図9に例示するように、機械学習モデルを、製品名や金型番号、製品の形状、ワークの形状、プレス時の温度[℃]及び重量[kg]等の加工条件と紐付けて記憶するように構成することができる。なお、図9において、Bは幅[mm]、Lは長さ[mm]、Tは高さ[mm]を表す。
そして、制御部3は、記憶部32に記憶された過去の機械学習モデルを検索し、今回の加工対象のワークWと同じ種類のワークWについて作成された過去の機械学習モデルが記憶部32に記憶されている場合には、該過去の機械学習モデルを記憶部32から読み出し、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始するまでの間は、該過去の機械学習モデルを用いて加工機2を監視しながら動作させるように構成することが可能である。
前述したように、同じ種類のワークWの加工を行う場合でも、プレス装置等の加工装置1の状態や外的な環境の要因等が変化すると加工機2の監視に用いる機械学習モデルも変わり得る。
しかし、同じ種類のワークWの加工を行う場合には、機械学習モデルが極端に変わることは少ない。そのため、上記のように構成することにより、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始するまでの間、過去の機械学習モデルを用いて加工機2の監視を良好に行うことができる。
しかし、同じ種類のワークWの加工を行う場合には、機械学習モデルが極端に変わることは少ない。そのため、上記のように構成することにより、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始するまでの間、過去の機械学習モデルを用いて加工機2の監視を良好に行うことができる。
なお、この場合、今回新たに作成した機械学習モデルを、該当するワークWの種類に紐付け直して記憶部32に記憶するように構成することができる。
その際、過去の機械学習モデルに上書きするようにして記憶させてもよく、過去の機械学習モデルを履歴として残しておくように構成することも可能である。
その際、過去の機械学習モデルに上書きするようにして記憶させてもよく、過去の機械学習モデルを履歴として残しておくように構成することも可能である。
一方、今回の加工対象のワークWの種類について過去の機械学習モデルが記憶部32に記憶されていない場合は、例えば以下のように構成することができる。
例えば、加工装置1で試作品を作るような場合、いままで加工したことがない新たな種類のワークWに対して加工を行うことになる。そのため、記憶部32には、加工対象の試作品のワークWの種類について過去の機械学習モデルは記憶されていない。
例えば、加工装置1で試作品を作るような場合、いままで加工したことがない新たな種類のワークWに対して加工を行うことになる。そのため、記憶部32には、加工対象の試作品のワークWの種類について過去の機械学習モデルは記憶されていない。
そこで、制御部3は、試作品等の加工対象のワークWの種類について過去の機械学習モデルが記憶部32に記憶されていない場合は、加工対象のワークWの加工条件に最も近い加工条件の別の種類のワークWに関する過去の機械学習モデルを記憶部32から読み出し、加工対象のワークWについて機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始するまでの間は、読み出した過去の機械学習モデルを用いて加工機2を監視しながら動作させるように構成することが可能である。
すなわち、例えば試作品ZZの加工条件が図10に示すような加工条件である場合、例えば図9に示した各製品a~cの中でこの加工条件に最も近い加工条件は製品Bの加工条件であるため、この場合は、制御部3は、試作品ZZとは別の種類の製品BのワークWに関する過去の機械学習モデルbを記憶部32から読み出す。
なお、加工条件の近さの判断は、実際には、例えば最小二乗法等を用いて判断するように構成することが可能である。
なお、加工条件の近さの判断は、実際には、例えば最小二乗法等を用いて判断するように構成することが可能である。
このように構成すれば、試作品等のように加工装置1で過去に加工したことがない種類のワークWを加工する場合でも、加工条件が類似する種類のワークWに関する過去の機械学習モデルを利用して、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始するまでの間、加工機2の監視を良好に行うことが可能となる。
この場合、制御部3は、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始した際には、その後は、新たに作成した機械学習モデルを用いて加工機2が正常に稼働しているか否かを監視しながら動作させる。
この場合、制御部3は、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機2の監視を開始した際には、その後は、新たに作成した機械学習モデルを用いて加工機2が正常に稼働しているか否かを監視しながら動作させる。
なお、上記のように構成すると、機械学習モデルを新たに作成するために、検出部10が図3(a)、(b)に示したように加工機に関する情報を検出している最中に制御部3が過去の機械学習モデルに基づいて異常が発生したと判定する場合が起こり得る。そして、その場合、前述したように、作業員が加工機2の動作を停止させたり、制御部3が自動的に加工機2の動作を停止させたりする場合がある。
すなわち、例えば、上記の例で言えば、検出部10が上金型8及び下金型9にかかる荷重F8、F9のデータを30組検出する前に、例えば図11(a)、(b)に示すように20組検出した時点で加工機2の動作が停止する場合があり得る。
すなわち、例えば、上記の例で言えば、検出部10が上金型8及び下金型9にかかる荷重F8、F9のデータを30組検出する前に、例えば図11(a)、(b)に示すように20組検出した時点で加工機2の動作が停止する場合があり得る。
そこで、制御部3は、機械学習モデルを新たに作成するために検出部10が加工機2に関する情報を検出している最中に、過去の機械学習モデルに基づいて異常が発生したと判定して加工機2の動作が停止した場合には、その時点までに検出部10が検出した加工機2に関する情報を取得し、取得した加工機2に関する情報を用いて、上記と同様に、機械学習により、機械学習モデルを作成するように構成することが可能である。
すなわち、図11(a)、(b)に示した例では、制御部3は、検出部10が検出した20組の荷重F8、F9のデータを取得し、それらを用いて、機械学習により機械学習モデルを作成する。
このように構成すれば、制御部3が過去の機械学習モデルに基づいて異常が発生したと判定して加工機2の動作を停止させるまでの間に検出された加工機2に関する情報を捨てることなく、それらを用いて機械学習モデルを作成することが可能となり、検出された情報を機械学習モデル作成に有効に使うことが可能となる。
このように構成すれば、制御部3が過去の機械学習モデルに基づいて異常が発生したと判定して加工機2の動作を停止させるまでの間に検出された加工機2に関する情報を捨てることなく、それらを用いて機械学習モデルを作成することが可能となり、検出された情報を機械学習モデル作成に有効に使うことが可能となる。
なお、本発明が上記の実施形態等に限定されず、本発明の趣旨を逸脱しない限り、適宜変更可能であることは言うまでもない。
例えば、上記の実施形態では、制御部3が、取得した上金型8及び下金型9にかかる荷重F8、F9から算出した30組の平均x8、x9すなわち30組の特徴量のうち、20組の特徴量を用いて機械学習モデルを作成し、残りの10組の特徴量を用いて機械学習モデルのテストを行う場合について説明したが、機械学習モデルの作成やテストに用いる特徴量の数はこの場合に限定されない。
例えば、上記の実施形態では、制御部3が、取得した上金型8及び下金型9にかかる荷重F8、F9から算出した30組の平均x8、x9すなわち30組の特徴量のうち、20組の特徴量を用いて機械学習モデルを作成し、残りの10組の特徴量を用いて機械学習モデルのテストを行う場合について説明したが、機械学習モデルの作成やテストに用いる特徴量の数はこの場合に限定されない。
1 加工装置、プレス装置
2 加工機
3 制御部
7 スライド
8 金型
10 検出部
32 記憶部
F8、F9 加工機に関する情報、荷重
W ワーク
2 加工機
3 制御部
7 スライド
8 金型
10 検出部
32 記憶部
F8、F9 加工機に関する情報、荷重
W ワーク
Claims (12)
- ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
前記加工機の動作を制御する制御部と、
を備え、
前記制御部は、
前記加工機による前記ワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得し、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる、
加工装置。 - 前記制御部は、使用可能であると判定された前記機械学習モデルに基づき、前記検出部が取得した前記加工機に関する情報が前記機械学習モデルに基づいて正常であると判定した場合には、前記加工機の動作を継続させる、
請求項1に記載の加工装置。 - 前記制御部は、使用可能であると判定された前記機械学習モデルに基づき、前記検出部が取得した前記加工機に関する情報が異常であると判定した場合には、異常の発生に関する情報を出力する、
請求項1又は請求項2に記載の加工装置。 - 前記制御部は、前記機械学習として教師なし学習を用いて前記機械学習モデルを作成する、
請求項1から請求項3のいずれか一項に記載の加工装置。 - 前記加工機は、複数種類の前記ワークを加工可能であり、
前記複数種類のワークについてそれぞれ作成された過去の前記機械学習モデルをそれぞれ記憶する記憶部を備え、
前記制御部は、加工対象の前記ワークと同じ種類の前記ワークについて作成された前記過去の機械学習モデルが前記記憶部に記憶されている場合は、該過去の機械学習モデルを前記記憶部から読み出し、
前記機械学習モデルを新たに作成して該機械学習モデルに基づいて前記加工機の監視を開始するまでの間は、該過去の機械学習モデルを用いて前記加工機を監視しながら動作させる、
請求項1から請求項4のいずれか一項に記載の加工装置。 - 前記加工機は、複数種類の前記ワークを加工可能であり、
前記複数種類のワークについてそれぞれ作成された過去の前記機械学習モデルをそれぞれ記憶する記憶部を備え、
前記制御部は、加工対象の前記ワークの種類について前記過去の機械学習モデルが前記記憶部に記憶されていない場合は、該加工対象のワークの加工条件に最も近い加工条件の別の種類の前記ワークに関する前記過去の機械学習モデルを前記記憶部から読み出し、
前記機械学習モデルを新たに作成して該機械学習モデルに基づいて前記加工機の監視を開始するまでの間は、該過去の機械学習モデルを用いて前記加工機を監視しながら動作させる、
請求項1から請求項5のいずれか一項に記載の加工装置。 - 前記制御部は、前記機械学習モデルを新たに作成するために前記検出部が前記加工機に関する情報を検出している最中に、前記過去の機械学習モデルに基づいて異常が発生したと判定した場合には、その時点までに前記検出部が検出した前記加工機に関する情報を取得し、取得した前記加工機に関する情報を用いて、機械学習により、前記機械学習モデルを作成する、
請求項5又は請求項6に記載の加工装置。 - 前記加工装置は、スライドに固定された金型を移動させて前記ワークをプレスして加工するプレス装置である、
請求項1から請求項7のいずれか一項に記載の加工装置。 - 前記検出部は、前記加工機に関する情報として、前記ワークをプレスして加工する際にプレスに関与する部材にかかる荷重若しくは圧力、移動可能な部材の位置若しくは速度、回転可能な部材の回転角若しくは回転速度、部材の温度、又は、部材に供給され若しくは部材を潤滑させる液体の温度を検出する、
請求項8に記載の加工装置。 - ワークを加工可能な加工機の動作を制御する加工機の制御装置において、
前記加工機による前記ワークの加工を行いながら、前記加工機に関する情報を検出する検出部から取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる、
加工機の制御装置。 - 加工機によるワークの加工を行いながら、検出部により前記加工機に関する情報を取得する情報取得工程と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成工程と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定工程と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視工程と、
を有する、
加工方法。 - ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
を備える加工装置のコンピュータを、
前記加工機によるワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得する情報取得手段と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成手段と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定手段と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視手段、
として機能させる制御プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022012615A JP2023111015A (ja) | 2022-01-31 | 2022-01-31 | 加工装置、加工機の制御装置、加工方法及び制御プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022012615A JP2023111015A (ja) | 2022-01-31 | 2022-01-31 | 加工装置、加工機の制御装置、加工方法及び制御プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023111015A true JP2023111015A (ja) | 2023-08-10 |
Family
ID=87551527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022012615A Pending JP2023111015A (ja) | 2022-01-31 | 2022-01-31 | 加工装置、加工機の制御装置、加工方法及び制御プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023111015A (ja) |
-
2022
- 2022-01-31 JP JP2022012615A patent/JP2023111015A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6386520B2 (ja) | 数値制御装置及び機械学習装置 | |
JP7107830B2 (ja) | 学習用データ確認支援装置、機械学習装置、故障予知装置 | |
US10402246B2 (en) | Method for generating a machine heartbeat | |
JP6616375B2 (ja) | 状態判定装置 | |
CN107097226A (zh) | 机器人系统的故障诊断装置 | |
JP2020066178A (ja) | 状態判定装置及び状態判定方法 | |
JP2016012240A (ja) | 異常検知システム | |
JP6826086B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6867358B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6975188B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6773738B2 (ja) | 状態判定装置及び状態判定方法 | |
JP4957406B2 (ja) | バッチプロセス解析システムおよびバッチプロセス解析方法 | |
JP6708676B2 (ja) | 異常要因特定装置 | |
KR20230005064A (ko) | 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치 | |
WO2021157676A1 (ja) | 診断装置 | |
KR102024454B1 (ko) | 고장 진단 장치 및 고장 진단 방법 | |
US20210406705A1 (en) | System and method for collecting training data | |
JP6328675B2 (ja) | エリア毎または工程毎の製造機械の異常発生状況を表示するセル制御装置 | |
JP2020128013A (ja) | 状態判定装置及び状態判定方法 | |
JP2023111015A (ja) | 加工装置、加工機の制御装置、加工方法及び制御プログラム | |
US20220011764A1 (en) | Predictive maintenance device, method, and system for industrial machine | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
WO2020194597A1 (ja) | 異常検知装置、及び異常検知方法 | |
JP2019013976A (ja) | 鍛造プレス及びその故障予測方法 | |
JP6773740B2 (ja) | 状態判定装置及び状態判定方法 |