JP6450738B2 - 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法 - Google Patents

工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法 Download PDF

Info

Publication number
JP6450738B2
JP6450738B2 JP2016242580A JP2016242580A JP6450738B2 JP 6450738 B2 JP6450738 B2 JP 6450738B2 JP 2016242580 A JP2016242580 A JP 2016242580A JP 2016242580 A JP2016242580 A JP 2016242580A JP 6450738 B2 JP6450738 B2 JP 6450738B2
Authority
JP
Japan
Prior art keywords
tool
machine
vibration
machine tool
learning
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.)
Active
Application number
JP2016242580A
Other languages
English (en)
Other versions
JP2018094686A (ja
Inventor
多佳彦 松島
多佳彦 松島
義人 宮▲崎▼
義人 宮▲崎▼
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 JP2016242580A priority Critical patent/JP6450738B2/ja
Priority to DE102017011290.8A priority patent/DE102017011290B4/de
Priority to CN201711328529.6A priority patent/CN108227634B/zh
Priority to US15/840,211 priority patent/US10496055B2/en
Publication of JP2018094686A publication Critical patent/JP2018094686A/ja
Application granted granted Critical
Publication of JP6450738B2 publication Critical patent/JP6450738B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/027—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 using neural networks only
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/34013—Servocontroller
    • 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
    • G05B2219/37433—Detected by acoustic emission, microphone
    • 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
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool

Landscapes

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

Description

本発明は、工作機械における工具のビビり発生の予兆を検知する機械学習装置、ＣＮＣ装置および機械学習方法に関する。
従来、例えば、ＣＮＣ(Computer Numerical Control)装置により制御される工作機械において、同じ加工条件であっても工具摩耗の進行により、特定の加工パスでビビりが発生することがある。具体的に、例えば、ねじ切りのような加工サイクルでは、ねじを深く切れば切るほど工具チップの接触面積が大きくなるため、摩耗の進行によりビビりが発生し易くなる。
このようなビビりの発生(工作機械における工具のビビり発生)は、ワークの加工不良に繋がる。特に、工作機械により夜間の自動運転を行う場合、あるワークでビビりが発生すると、それ以降の全てのワークでもビビりが生じることになり、大量の不良ワークが生じることにもなる。そのため、工具のビビり発生を検出し、或いは、工具のビビり発生の予兆を検出し、不良ワークを低減することが要望されている。
ところで、従来、工具またはワークを回転させながら加工を行う工作機械において、工作機械自身の振動、突発的な外乱振動、加工に起因する不安定振動による誤検出を防止し、ビビり振動の検知精度を向上させた振動判定装置が提案されている(例えば、特許文献１参照)。この振動判定装置は、振動加速度の最大値が所定の時間以上連続してしきい値を超え、かつ、振動加速度の周波数変化量が所定の範囲内の場合にビビり振動と判定するものである。
また、従来、ビビり振動による加工不良の防止やビビり振動の発生しない加工条件の選定等が可能で、ビビり振動の検出を確実に行うビビり振動検出装置が提案されている(例えば、特許文献２参照)。このビビり振動検出装置は、ある時点における第１振動を測定し、その所定時間後における第２振動を測定し、第１および第２振動の第１および第２パワースペクトルを演算する。そして、第１パワースペクトルの振動の大きさに対する、第２パワースペクトルの振動の大きさの増加度合いを演算し、増加度合いが所定値以上に大きい場合に、ビビり振動が発生したと判定するものである。
特開２０１２−１５２８３５号公報 特開２０１３−０３６９１２号公報
上述したように、従来、ビビり振動の検出を確実に行ってワークの加工不良を低減するものとしては、様々な提案がなされている。しかしながら、実際のビビり発生モードは、加工プログラムや工具の使用状況等によって異なる。
そのため、例えば、特許文献１に記載された技術では、振動加速度(並びに、その連続時間および変化量)を判定パラメータとして用いて誤検出を防止しているが、加工の特徴に応じて適正な基準値(しきい値)を設定しなければ十分な検出精度を得るのは難しい。
また、例えば、特許文献２に記載された技術では、振動の全周波数帯を一定周波数間隔である時点からの増加度を基準値(しきい値)と比較することにより、工具の使用状況に応じて周波数帯を設定する必要はない。しかしながら、やはり加工の特徴に応じて適正な基準値(しきい値)を設定しなければ十分な検出精度を得るのは難しい。
すなわち、特許文献１および２に記載された技術では、加工プログラムや工具状況で異なるビビり発生モードに対して、柔軟に対応可能で、しかも精度の高いビビり検出を行うことは困難になっている。
本発明の目的は、上述した従来技術の課題に鑑み、工作機械における工具のビビり発生の予兆を検知して不良ワークを低減することにある。すなわち、本発明の目的は、加工の特徴に応じて適切な基準値の検討や設定変更を行うことなく、容易に工作機械における工具のビビり発生の予兆を検知して不良ワークを低減することにある。本明細書では、主として加工におけるビビり発生を説明するが、このビビり発生は、工具の破損に起因するものが多く、工具破損の検出にも有効なのはいうまでもない。
本発明に係る第１実施形態によれば、工作機械における工具のビビり発生の予兆を検知する機械学習装置であって、前記工具の振動と、前記工作機械本体や前記工作機械が設置された建屋の振動、可聴音およびアコースティックエミッションの少なくとも１つと、前記工作機械のモータ制御電流値と、を含む状態量を観測する状態観測部と、前記状態観測部で観測された前記状態量に基づいて、学習モデルを作成する学習部と、を備え、前記学習部は、特定の加工ブロックの前記ビビり発生を含まない正常時の前記状態量に基づいて、教師なし学習を行って前記学習モデルを作成し、前記加工ブロックの前記ビビり発生を含まない正常時における正常時スコアと前記加工ブロックの前記ビビり発生の予兆がある非正常時スコアを生成して出力し、前記機械学習装置は、さらに、前記加工ブロックの前記状態量に基づくスコアが前記正常時スコアまたは前記非正常時スコアのどちらに該当するか判定し、前記工作機械における工具のビビり発生の予兆を感知する出力利用部を備える機械学習装置が提供される。
前記学習部は、特定の加工ブロックの前記ビビり発生を含まない正常時の前記状態量に基づいて、教師なし学習によって前記学習モデルを作成することができる。前記学習部は、前記加工ブロックの前記ビビり発生を含まない正常時における正常時スコアと、前記加工ブロックの前記ビビり発生の予兆がある非正常時スコアを生成して出力することができ、前記機械学習装置は、さらに、前記加工ブロックの前記状態量に基づく出力スコアが前記正常時スコアまたは前記非正常時スコアのどちらに該当するか判定し、前記工作機械における工具のビビり発生の予兆を感知する出力利用部を、備えてもよい。
前記機械学習装置は、ニューラルネットワークを備えてもよい。前記機械学習装置は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの前記他の機械学習装置との間で、前記機械学習装置の前記学習部で作成された学習モデルを相互に交換または共有することができる。
前記工作機械は、前記工具のホルダまたはバイトに設けられ、前記工作機械本体の振動を検知する振動センサを備え、さらに前記可聴音を検知する可聴音センサ、および、前記アコースティックエミッションを検知するアコースティックエミッションセンサの少なくとも１つを備えることができる。前記工作機械は、前記工作機械が設置された建屋の振動を検知する振動センサを備えることもできる。前記工作機械は、前記工作機械のモータ制御電流値を検知する電流値センサを備えてもよい。前記電流値センサは、前記工作機械におけるモータを駆動するモータアンプに設けられてもよい。
本発明に係る第２実施形態によれば、上述した第１実施形態の機械学習装置を構成する学習器回路を含み、前記工作機械を制御するＣＮＣ装置が提供される。前記ＣＮＣ装置は、さらに、前記学習器回路から出力されるスコアを所定の判定基準値と比較して判定する判定回路と、前記判定回路からの判定結果に基づいて、前記工作機械に停止信号を出力するＣＰＵと、を備えてもよい。前記ＣＰＵは、前記判定回路からの判定結果に基づいて、上位管理システムにワーニング信号を出力することができる。
本発明に係る第３実施形態によれば、工作機械における工具のビビり発生の予兆を検知する機械学習方法であって、前記工具の振動に加えて、前記工作機械本体や前記工作機械が設置された建屋の振動、可聴音、アコースティックエミッション、および、前記工作機械のモータ制御電流値の少なくとも１つの状態量を観測し、観測された前記状態量に基づいて、学習モデルを作成する機械学習方法が提供される。
本発明に係る機械学習装置、ＣＮＣ装置および機械学習方法によれば、工作機械における工具のビビり発生の予兆を検知して不良ワークを低減することができるという効果を奏する。
図１は、本発明に係る機械学習装置の一実施形態を模式的に示す図である。 図２は、本実施形態が適用されるＣＮＣ装置の一実施例を模式的に示すブロック図である。 図３は、図２に示す学習器回路の一例を説明するための図である。 図４は、図２に示す学習器回路の他の例を説明するための図である。
以下、本発明に係る機械学習装置、ＣＮＣ装置および機械学習方法の実施形態を、添付図面を参照して詳述する。図１は、本発明に係る機械学習装置の一実施形態を模式的に示す図である。図１に示されるように、本実施形態の機械学習装置２は、状態観測部２１，学習部２２および出力利用部２３を含む。
状態観測部２１は、環境１から与えられる入力データとして、例えば、ＣＮＣ装置２０により制御される工作機械１０における工具の振動、工作機械１０本体の振動、工作機械１０の設置された建屋の振動、可聴音、アコースティックエミッション(ＡＥ：Acoustic Emission，ＡＥ波，弾性波)、および、工作機械１０のモータ制御電流値を受け取る。ここで、環境１から状態観測部２１への入力データは、工具の振動以外については、工作機械１０本体の振動、工作機械１０の設置された建屋の振動、可聴音、アコースティックエミッション、および、工作機械１０のモータ制御電流値の全てではなく、例えば、工具の振動および可聴音、或いは、工具の振動および工作機械１０のモータ制御電流値といった少なくとも１つであってもよい。
学習部２２は、教師なし学習により学習モデルを作成する。学習部２２は、例えば、ワークを加工する特定のプログラムにおいて、ビビりが発生しやすい加工ブロックを指定し、そのブロックでの正常運転時の入力量を保存して教師なし学習を行う。すなわち、学習部２２は、教師なし学習により、ビビり発生を含まない正常時における加工ブロックの正常時スコアを生成して出力する。また、学習部２２は、教師なし学習により、ビビり発生の予兆がある非正常時における加工ブロックの非正常時スコアを生成して出力する。
出力利用部２３は、学習部２２からの出力スコアを受け取って正常時スコアかまたは非正常時スコアか判定し、工作機械１０における工具のビビり発生の予兆を感知する。すなわち、教師なし学習によって作成した学習モデルに状態観測部２１からの出力データを入力した際に得られるスコアが、正常時における学習モデルの正常時スコアと比較して異常(非正常)なスコアを出力したら、これを工具のビビり発生(工具の破損等も含む)とＣＮＣ装置２０が判断できる。なお、機械学習装置２は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの他の機械学習装置との間で、機械学習装置２の学習部２２で作成された学習モデルを相互に交換または共有することができる。
図２は、本実施形態が適用されるＣＮＣ装置の一実施例を模式的に示すブロック図である。図２に示されるように、環境１(工作機械１０)において、例えば、工作機械１０の工具１ａのホルダまたはバイトには、工具１ａの振動を検知する振動センサ１１、可聴音を検知する可聴音センサ１２、および、アコースティックエミッションを検知するアコースティックエミッションセンサ(ＡＥセンサ)１３が設けられている。また、工作機械１０におけるモータ(サーボモータ)を駆動するモータアンプ(サーボアンプ)１ｂには、モータの電流値を検知する電流値センサが設けられている。
工作機械１０を制御するＣＮＣ装置２０は、学習器回路２ａ，スコア判定回路２ｂおよびＣＰＵ(ＭＰＵ：演算処理装置)２ｃを含む。なお、図２では、図１を参照して説明した機械学習装置２を学習器回路２ａとして描いているが、学習器回路２ａとしてニューラルネットワークを対応させ、ＣＰＵ２ｃが実行するプログラムを含めて機械学習装置２が構成されるのはいうまでもない。
ここで、ビビり発生モードは、加工プログラムや工具状況に応じて変化するため、工具の振動センサ，可聴音センサ，ＡＥセンサの値および工作機械(モータ)の電流値との間で相関関係が存在する。そこで、上述したように、振動センサの値に加えて、可聴音センサ，ＡＥセンサの値およびモータの電流値を判定パラメータとして入れることで、様々なビビり発生モードに対して、柔軟に対応可能でかつ精度の高いビビり発生の予兆を行うことが可能になる。すなわち、ビビり発生モードと上記判定パラメータの相関関係は複雑であるが、機械学習を適用することで相関関係を抽出することができる。さらに、加工ブロックを指定して正常運転時の入力データによる教師なし機械学習を適用することにより、正常時の入力データと加工プログラムの相関関係の抽出を行うことができ、通常運転時における異常な入力(ビビり振動発生の予兆を含む時)には、確実にビビり振動の予兆を検出することができる。
図２に示されるように、学習器回路２ａは、工具１ａのホルダまたはバイトに設けられた振動センサ１１，可聴音センサ１２およびＡＥセンサ１３からの工具１ａの振動，可聴音およびＡＥ波(弾性波)、並びに、モータアンプ１ｂの電流値センサからのモータの電流値を受け取る。なお、学習器回路２ａが工作機械１０(環境１)から受け取るデータ(状態量)は、工具１ａの振動を除けば，可聴音およびＡＥ波、並びに、モータアンプ１ｂの電流値の全てでなくてもよく、さらに工作機械１０本体や工作機械１０が設置された建屋の振動が追加されてもよいのは前述した通りである。
スコア判定回路２ｂは、学習器回路２ａからのスコア、および、所定の判定基準値を受け取って比較判定を行う。そして、スコア判定回路２ｂは、実際に加工を行うときの学習器回路２ａによる、ビビり発生を含む可能性がある通常時における加工ブロックの通常時スコアを、判定基準値に基づいて判定し、その判定結果をＣＰＵ２ｃに出力する。
ＣＰＵ２ｃは、スコア判定回路２ｂからの判定結果に基づいて、例えば、モータアンプ１ｂ(工作機械１０)に停止信号を出力して工作機械１０の動作を停止し、さらに、上位管理システム３にワーニング信号を出力する。なお、学習器回路２ａおよびスコア判定回路２ｂは、ＣＰＵ２ｃの内部にあってもよい。
ここで、学習および判定方法の一例を説明する。すなわち、一例として、ユーザがニューラルネットワークモデルを設計し、ビビり検出を行いたい加工ブロックに対して学習を行うとき、仮に、学習器回路２ａ(機械学習装置２)の出力スコアがＡ，Ｂ，Ｃの３要素ある場合を考える。
学習完了後、ビビりが発生した際のデータを用意し、学習器回路２ａに入力する。その出力スコアと正常時のスコアを比較し、正常時のスコアの範囲を決める。仮に、正常時のスコアを以下の条件１ように決めた場合を考える。
Ａ１＜Ａ＜Ａ２， Ｂ１＜Ｂ＜Ｂ２， Ｃ１＜Ｃ＜Ｃ２ ・・・ (条件１)
ここで、スコア判定器２ｂは、条件１の範囲に入らないスコアになったときにＣＰＵ２ｃへ異常を示す信号を送るものとする。さらに、ＣＰＵ２ｃは、スコア判定器から異常を示す信号を受け取った際、上位管理システム３にワーニングを出力し、必要に応じて工作機械１０を停止させる。
次に、教師なし学習について説明する。本実施形態では「正常時のデータ」のみを入力して学習を行う。すなわち、本実施形態では、入力データに基づいて「ビビり発生の予兆がある/ない」の２通りを判別するため、どちらか一方のデータのみを用いてその特徴を学習すれば、自ずと他方の判別も可能になる。また、全てのデータを選り好みなく入力して分類させる場合には、当然入力データとして異常時のデータを加えなければ十分な判定器の学習を行えないが、判定器を学習させるのに十分な量の異常時データを収集するのは困難であり、現実的ではない。
そこで、本実施形態では、ビビり発生を含まない「正常時のデータ」のみを入力として用いて、その特徴量を学習させるという教師なし学習を適用し、正常時における加工ブロックの正常時スコアを生成する。なお、本実施形態で適用する機械学習は、学習の過程において「正常／非正常」のラベルが適用されているわけではないので、教師なし学習になる。
以下、入力データから出力(スコア)を得るまでを説明する。図３は、図２に示す学習器回路の一例を説明するための図であり、入力データからスコアを得るまでを概念的に示すものである。図３に示されるように、本実施形態では、「ニューラルネットワーク」を学習器回路２ａとして用いることを想定しているが、ニューラルネットワークのモデルは、一般的なものを適用することができる。
図３に示されるように、ビビり発生を含まない「正常時のデータ」をニューラルネットワークの入力部に与える。ここで、ニューラルネットワークは、入力部，中間層および出力部を含み、中間層は、複数層で構成される。ニューラルネットワークの出力部からは、特徴量(スコア)Ｚが出力され、入力部に「正常時のデータ」を与えた場合には、正常なスコアの集合が得られることになる。
図４は、図２に示す学習器回路の他の例を説明するための図であり、自己符号化器(オートエンコーダ)を概念的に示すものである。図４に示されるように、ニューラルネットワークは、入力部，中間層および出力部と、入力部および中間層を反転したものを追加した構成となっている。
図４に示す自己符号化器において、入力データ(Ｘｎ)を入力Ｘとしてニューラルネットワークの入力部に与え、出力部から出力されるデータを、追加した中間層および入力部から出力Ｙとして取り出すようにする。これにより、入力データＸｎ(入力Ｘ)と出力データＹｎ(出力Ｙ)の誤差を、||Ｘｎ−Ｙｎ||2として求めることができる。すなわち、入力データをそのまま正解ラベルとして使用して誤差を計算し、誤差が最小となるように学習することで、出力部で入力の特徴量を抽出することができる。そして、特定の加工ブロックにおける正常時の入力データを入力部に与えることにより、出力部でその特徴量を抽出した正常時スコアを生成することができ、工作機械における工具のビビり発生の予兆を高精度で検知することが可能になる。
なお、本実施形態における教師なし学習を実現する場合、ニューラルネットワークは、例えば、ｋ平均(k-means)法による非階層型クラスタリング、或いは、階層型クラスタリングにおける次元圧縮のためのオートエンコーダ(自己符号化器)等に適用することができる。なお、学習器回路２ａ(機械学習装置２)を実際にニューラルネットワークとして構成する場合、汎用の計算機若しくはプロセッサを用いることもできるが、例えば、ＧＰＧＰＵ(General-Purpose computing on Graphics Processing Units)や大規模ＰＣクラスター等を適用すると、より高速に処理することが可能になる。
以上、実施形態を説明したが、ここに記載した全ての例や条件は、発明および技術に適用する発明の概念の理解を助ける目的で記載されたものであり、特に記載された例や条件は発明の範囲を制限することを意図するものではない。また、明細書のそのような記載は、発明の利点および欠点を示すものでもない。発明の実施形態を詳細に記載したが、各種の変更、置き換え、変形が発明の精神および範囲を逸脱することなく行えることが理解されるべきである。
１ 環境
１ａ 工具(ホルダまたはバイト)
１ｂ モータアンプ
２ 機械学習装置
２ａ 学習器回路
２ｂ スコア判定回路
２ｃ ＣＰＵ
３ 上位管理システム
１０ 工作機械
１１ 振動センサ
１２ 可聴音センサ
１３ ＡＥセンサ
２０ ＣＮＣ装置
２１ 状態観測部
２２ 学習部
２３ 出力利用部

Claims (10)

  1. 工作機械における工具のビビり発生の予兆を検知する機械学習装置であって、
    前記工具の振動と、前記工作機械本体や前記工作機械が設置された建屋の振動、可聴音およびアコースティックエミッションの少なくとも１つと、前記工作機械のモータ制御電流値と、を含む状態量を観測する状態観測部と、
    前記状態観測部で観測された前記状態量に基づいて、学習モデルを作成する学習部と、を備え、
    前記学習部は、
    特定の加工ブロックの前記ビビり発生を含まない正常時の前記状態量に基づいて、教師なし学習を行って前記学習モデルを作成し、
    前記加工ブロックの前記ビビり発生を含まない正常時における正常時スコアと前記加工ブロックの前記ビビり発生の予兆がある非正常時スコアを生成して出力し、
    前記機械学習装置は、さらに、
    前記加工ブロックの前記状態量に基づくスコアが前記正常時スコアまたは前記非正常時スコアのどちらに該当するか判定し、前記工作機械における工具のビビり発生の予兆を感知する出力利用部を備える、
    ことを特徴とする機械学習装置。
  2. 前記機械学習装置は、ニューラルネットワークを備える、
    ことを特徴とする請求項１に記載の機械学習装置。
  3. 前記工作機械は、
    前記工具のホルダまたはバイトに設けられ、前記工作機械本体の振動を検知する振動センサを備え、さらに前記可聴音を検知する可聴音センサ、および、前記アコースティックエミッションを検知するアコースティックエミッションセンサの少なくとも１つを備える、
    ことを特徴とする請求項１または請求項２に記載の機械学習装置。
  4. 前記工作機械は、
    前記工作機械が設置された建屋の振動を検知する振動センサを備える、
    ことを特徴とする請求項１乃至請求項３のいずれか１項に記載の機械学習装置。
  5. 前記工作機械は、
    前記工作機械のモータ制御電流値を検知する電流値センサを備える、
    ことを特徴とする請求項１乃至請求項４のいずれか１項に記載の機械学習装置。
  6. 前記電流値センサは、
    前記工作機械におけるモータを駆動するモータアンプに設けられる、
    ことを特徴とする請求項５に記載の機械学習装置。
  7. 請求項１乃至請求項６のいずれか１項に記載の機械学習装置を構成する学習器回路を含み、前記工作機械を制御する、
    ことを特徴とするＣＮＣ装置。
  8. さらに、
    前記学習器回路から出力されるスコアを所定の判定基準値と比較して判定する判定回路と、
    前記判定回路からの判定結果に基づいて、前記工作機械に停止信号を出力するＣＰＵと、を備える、
    ことを特徴とする請求項７に記載のＣＮＣ装置。
  9. 前記ＣＰＵは、
    前記判定回路からの判定結果に基づいて、上位管理システムにワーニング信号を出力する、
    ことを特徴とする請求項８に記載のＣＮＣ装置。
  10. 工作機械における工具のビビり発生の予兆を検知するための機械学習方法であって、
    前記工具の振動と、前記工作機械本体や前記工作機械が設置された建屋の振動、可聴音およびアコースティックエミッションの少なくとも１つと、前記工作機械のモータ制御電流値と、を含む状態量を観測し、
    観測された前記状態量に基づいて、教師なし学習により学習モデルを作成し、
    前記学習モデルの作成は、
    特定の加工ブロックの前記ビビり発生を含まない正常時の前記状態量に基づいて、教師なし学習を行って前記学習モデルを作成し、
    前記加工ブロックの前記ビビり発生を含まない正常時における正常時スコアと前記加工ブロックの前記ビビり発生の予兆がある非正常時スコアを生成して出力し、
    前記加工ブロックの前記状態量に基づくスコアが前記正常時スコアまたは前記非正常時スコアのどちらに該当するか判定し、前記工作機械における工具のビビり発生の予兆を感知する、
    ことを特徴とする機械学習方法。
JP2016242580A 2016-12-14 2016-12-14 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法 Active JP6450738B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016242580A JP6450738B2 (ja) 2016-12-14 2016-12-14 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法
DE102017011290.8A DE102017011290B4 (de) 2016-12-14 2017-12-07 Vorrichtung für maschinelles Lernen, CNC-Vorrichtung und maschinelles Lernverfahren zum Erkennen eines Anzeichens eines Auftretens von Rattern im Werkzeug einer Werkzeugmaschine
CN201711328529.6A CN108227634B (zh) 2016-12-14 2017-12-13 机器学习装置、cnc装置以及机器学习方法
US15/840,211 US10496055B2 (en) 2016-12-14 2017-12-13 Machine learning device, CNC device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016242580A JP6450738B2 (ja) 2016-12-14 2016-12-14 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法

Publications (2)

Publication Number Publication Date
JP2018094686A JP2018094686A (ja) 2018-06-21
JP6450738B2 true JP6450738B2 (ja) 2019-01-09

Family

ID=62201561

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016242580A Active JP6450738B2 (ja) 2016-12-14 2016-12-14 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法

Country Status (4)

Country Link
US (1) US10496055B2 (ja)
JP (1) JP6450738B2 (ja)
CN (1) CN108227634B (ja)
DE (1) DE102017011290B4 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021094577A (ja) * 2019-12-17 2021-06-24 コニカミノルタ株式会社 金型異常検知装置、学習モデル生成装置、及び、これらのプログラム

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037330B2 (en) 2017-04-08 2021-06-15 Intel Corporation Low rank matrix compression
TWI684080B (zh) * 2018-06-21 2020-02-01 高聖精密機電股份有限公司 智慧型調整系統及其方法
JP2020008481A (ja) * 2018-07-11 2020-01-16 オムロン株式会社 画像処理装置、画像処理方法及び画像処理プログラム
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
JP7194965B2 (ja) * 2018-08-01 2022-12-23 中村留精密工業株式会社 工作機械
JP6856585B2 (ja) 2018-08-03 2021-04-07 ファナック株式会社 異常監視装置、異常監視方法及び制御装置
JP7056465B2 (ja) * 2018-08-23 2022-04-19 株式会社明電舎 異常予兆検出システム
JP6777696B2 (ja) * 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
JP7148421B2 (ja) * 2019-01-22 2022-10-05 ファナック株式会社 工作機械の予防保全システム
JP7277152B2 (ja) 2019-01-22 2023-05-18 ファナック株式会社 工作機械の工具管理システム
JP6959278B2 (ja) * 2019-02-27 2021-11-02 ファナック株式会社 びびり振動判定装置、機械学習装置及びシステム
CN109765846B (zh) * 2019-03-11 2022-03-18 哈尔滨理工大学 双转台五轴数控机床热误差建模温度敏感点的选择方法
JP6949896B2 (ja) * 2019-03-27 2021-10-13 ファナック株式会社 砥石選定装置及び砥石選定方法
JP7167811B2 (ja) * 2019-03-28 2022-11-09 ブラザー工業株式会社 工作機械、情報処理方法及びコンピュータプログラム
DE102019003081A1 (de) * 2019-04-26 2020-10-29 Stöber Antriebstechnik GmbH & Co. KG Verfahren zum Erkennen von drohenden Ausfällen von Komponenten von Maschinen, insbesondere von Antriebseinheiten
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
JP7473890B2 (ja) * 2019-07-30 2024-04-24 双葉電機工業株式会社 制御状態監視システムおよびプログラム
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
US11579598B2 (en) * 2019-10-17 2023-02-14 Mitsubishi Electric Research Laboratories, Inc. Manufacturing automation using acoustic separation neural network
DE102020007708A1 (de) * 2019-12-27 2021-07-01 Fanuc Corporation Komponenten, steuerung und industriemaschine
CN115053195A (zh) * 2020-02-07 2022-09-13 发那科株式会社 诊断装置
EP3893064A1 (en) * 2020-04-07 2021-10-13 GF Machining Solutions AG Method for predicting status of machining operation
JP2022039715A (ja) * 2020-08-28 2022-03-10 キヤノン株式会社 制御装置、インプリント装置および物品製造方法
US20230367291A1 (en) * 2020-10-28 2023-11-16 Microlution Inc. System for access and organization of data from computer numerical control machine tools
CN112475904B (zh) * 2020-11-12 2021-09-28 安徽江机重型数控机床股份有限公司 一种基于热分析的数控铣镗床加工精度预测方法
JP7179198B1 (ja) * 2021-04-26 2022-11-28 三菱電機株式会社 数値制御装置、学習装置及び、びびり振動の抑制方法
JP7407152B2 (ja) * 2021-08-20 2023-12-28 Ｌｉｎｅヤフー株式会社 情報処理装置、情報処理方法及び情報処理プログラム
DE102021214320A1 (de) * 2021-12-14 2023-06-15 Sms Group Gmbh Anlage zur spanenden Bearbeitung von Werkstücken sowie Verfahren zur Steuerung einer Werkzeugmaschine
CN114378653B (zh) * 2022-01-27 2022-12-13 上海机床厂有限公司 基于bp神经网络外圆磨削颤振在线识别和监测方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4559600A (en) * 1983-02-28 1985-12-17 Battelle Memorial Institute Monitoring machine tool conditions by measuring a force component and a vibration component at a fundamental natural frequency
JPS6462797A (en) * 1987-09-02 1989-03-09 Sharp Kk Periodical variance detector
JPH0453649A (ja) * 1990-06-18 1992-02-21 Okuma Mach Works Ltd 不規則回転速度切削方法
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5816122A (en) * 1996-04-30 1998-10-06 General Dynamics Advanced Technology Systems, Inc. Apparatus and method for adaptive suppression of vibrations in mechanical systems
JP3439324B2 (ja) * 1997-06-26 2003-08-25 株式会社ノリタケカンパニーリミテド 砥石寿命判定装置
JP2003089037A (ja) * 2001-09-17 2003-03-25 Hitachi Via Mechanics Ltd 加工装置
US6845340B2 (en) * 2003-03-06 2005-01-18 Ford Motor Company System and method for machining data management
JP4411900B2 (ja) * 2003-08-08 2010-02-10 ソニー株式会社 電子機器間の相互成長システム、電子機器及びロボット装置
JP2005111603A (ja) * 2003-10-07 2005-04-28 Lazona Inc ロボットおよびロボット管理装置
JP2006102927A (ja) * 2004-09-30 2006-04-20 Waka Yamamoto 機械加工びびり振動予測方法及び機械加工びびり振動予測プログラムを記録した記録媒体。
JP2008545546A (ja) * 2005-06-10 2008-12-18 プロトタイプ・プロダクションズ・インコーポレーテッド 閉ループｃｎｃ機械加工システムおよびその方法
JP2008027210A (ja) * 2006-07-21 2008-02-07 Denso Corp 加工設備及び加工設備の制御方法
JP4321581B2 (ja) 2006-11-30 2009-08-26 パナソニック電工株式会社 工作機械総合監視装置
DE202008014792U1 (de) * 2008-11-07 2010-03-25 Qass Gmbh Vorrichtung zum Bewerten von Zerspanungsprozessen
JP2011088268A (ja) * 2009-10-26 2011-05-06 Fanuc Ltd ファンモータを有する工作機械用モータ駆動装置
JP5674491B2 (ja) 2011-01-24 2015-02-25 オークマ株式会社 振動判定装置
JP5807437B2 (ja) 2011-08-10 2015-11-10 株式会社ジェイテクト びびり振動検出装置
JPWO2013105164A1 (ja) * 2012-01-13 2015-05-11 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
GB201204908D0 (en) * 2012-03-21 2012-05-02 Delcam Plc Method and system for testing a machine tool
EP2916187B1 (en) * 2014-03-05 2018-11-07 Mikron Agie Charmilles AG Improved database for chatter predictions
JP6092141B2 (ja) * 2014-03-10 2017-03-08 日本電信電話株式会社 データ解析装置、方法、及びプログラム
US20160070253A1 (en) * 2014-09-05 2016-03-10 Rolls-Royce Corporation Monitoring hole machining
JP2016083759A (ja) * 2014-10-28 2016-05-19 エヌティーエンジニアリング株式会社 作業機械の加工状態監視方法及びシステム
JP5997330B1 (ja) 2015-07-31 2016-09-28 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
JP6063013B1 (ja) 2015-08-27 2017-01-18 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
JP5992087B1 (ja) * 2015-12-28 2016-09-14 ファナック株式会社 機械の保全計画を作成する予防保全管理システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021094577A (ja) * 2019-12-17 2021-06-24 コニカミノルタ株式会社 金型異常検知装置、学習モデル生成装置、及び、これらのプログラム

Also Published As

Publication number Publication date
CN108227634A (zh) 2018-06-29
DE102017011290B4 (de) 2022-08-18
US20180164757A1 (en) 2018-06-14
CN108227634B (zh) 2020-08-28
JP2018094686A (ja) 2018-06-21
DE102017011290A1 (de) 2018-06-14
US10496055B2 (en) 2019-12-03

Similar Documents

Publication Publication Date Title
JP6450738B2 (ja) 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法
JP6404893B2 (ja) 工具寿命推定装置
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
CN102929210B (zh) 基于特征的数控加工过程控制和优化系统及方法
US10042922B2 (en) Database for chatter predictions
US11080610B2 (en) Numerical control system that detects an abnormality in an operation state
TWI472402B (zh) Tool flutter monitoring method
JP6752866B2 (ja) 刃具状態検査システム及び方法
JP2020138279A (ja) 加工条件調整装置及び加工条件調整システム
US20120095724A1 (en) Operating history management method and operating history management apparatus
JP6571704B2 (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
JP6940542B2 (ja) 把持力調整装置及び把持力調整システム
US20230315043A1 (en) System and method for instantaneous performance management of a machine tool
Navarro-Devia et al. Chatter detection in milling processes—a review on signal processing and condition classification
CN115922442A (zh) 基于主轴振动信号的刀具磨破损实时监控方法及相关装置
JP6302794B2 (ja) 回転速度表示方法
JP6777696B2 (ja) 加工環境推定装置
Jovic et al. Adaptive neuro-fuzzy fusion of multi-sensor data for monitoring of CNC machining
JP7368189B2 (ja) 分析装置
CN110536773A (zh) 加工控制装置、工作机械及加工控制方法
Zhang et al. Research progress on the chatter stability in machining systems
Wang et al. Milling-tool wear-condition prediction with statistic analysis and echo-state networks
WO2023139790A9 (ja) 診断装置及びコンピュータ読み取り可能な記録媒体
JP7471529B1 (ja) 診断システム及び診断方法
Zhang et al. Health Indicator Construction for Milling Tool Wear Monitoring With Multi-sensor Fusion

Legal Events

Date Code Title Description
A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180425

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180713

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180724

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180905

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: 20181113

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181210

R150 Certificate of patent or registration of utility model

Ref document number: 6450738

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150