JP6629815B2 - 寿命推定装置及び機械学習装置 - Google Patents

寿命推定装置及び機械学習装置 Download PDF

Info

Publication number
JP6629815B2
JP6629815B2 JP2017204221A JP2017204221A JP6629815B2 JP 6629815 B2 JP6629815 B2 JP 6629815B2 JP 2017204221 A JP2017204221 A JP 2017204221A JP 2017204221 A JP2017204221 A JP 2017204221A JP 6629815 B2 JP6629815 B2 JP 6629815B2
Authority
JP
Japan
Prior art keywords
data
life
state
learning
unit
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
JP2017204221A
Other languages
English (en)
Other versions
JP2019076976A (ja
Inventor
夏智臻
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 JP2017204221A priority Critical patent/JP6629815B2/ja
Priority to DE102018008178.9A priority patent/DE102018008178A1/de
Priority to US16/162,400 priority patent/US11169502B2/en
Priority to CN201811238314.XA priority patent/CN109693146B/zh
Publication of JP2019076976A publication Critical patent/JP2019076976A/ja
Application granted granted Critical
Publication of JP6629815B2 publication Critical patent/JP6629815B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • B23Q17/008—Life management for parts of the machine
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4069—Simulating machining process on screen
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B2219/37252—Life of tool, service life, decay, wear estimation
    • 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
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42328—Detect bearing, clamp wear
    • 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
    • G05B2219/49123—Simulation of clamping workpiece, modeling fixture and workpiece

Landscapes

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

Description

本発明は、寿命推定装置及び機械学習装置に関し、特に回転テーブルのクランプ機構の寿命を推定する寿命推定装置及び機械学習装置に関する。
回転テーブルと該回転テーブルを保持するクランプ機構及び回転テーブルを駆動する駆動モータで構成される回転割り出し装置を備えた工作機械においては、回転テーブル上にワークを載置固定し、ワークの加工を行う際には、駆動モータで回転テーブルを回転させて所定の角度位置に位置決めし、クランプ機構を駆動してテーブルを該位置決め位置にクランプする。このようなクランプ機構は、例えばブレーキディスクを備えており、そのブレーキディスクへの圧接等によってクランプ動作を行っている。
上記構造を備えたクランプ機構では、クランプ動作を繰り返す内に、クランプ状態を保持している間の加工負荷等のような様々な外的要因によりリッド、ピストン、ブレーキディスク、空気弁等を含むクランプ機構の各部に摩耗や劣化等を生じることとなる。クランプ機構の各部における摩耗が進むと、クランプ性能が低下し、遂にはクランプ機構の寿命に至る。クランプ機構に寿命が来ると、加工時に位置決め位置にワークを固定できなくなるため、回転動作或いは加工際に異常アラームが発生して、回転テーブルあるいは工作機械は使用不可になる。その為、予め寿命が来ることを予測して寿命が来る前にクランプ機構のメンテナンスを行う必要がある。
クランプ機構の寿命を予測する従来技術として、例えば特許文献１には、回転テーブルをクランプした際にブレーキに加わる外乱トルクを算出し、算出した外乱トルクに対応する係数を求めて累積計算し、累積計算値が予め設定した値に達した際に、ブレーキディスクに寿命が来たことを報知する技術が開示されている。
特開２０１６−０２０００８号公報
しかしながら、クランプ機構の寿命を考える場合、特許文献１に開示されるようにブレーキディスクの摩耗だけでなくリッド、ピストン、空気弁等の他の部分の状態を合わせて考慮する必要がある。その為、クランプ機構の寿命を自動的かつ正確に判断するためには、他の様々な外的要因を考慮する必要があり、特許文献１に記載されているように単に外乱トルクから算出された係数を利用しているだけでは正確に寿命を判断することは難しい。
そこで本発明の目的は、クランプ機構の寿命を自動的且つ正確に推定することが可能な寿命推定装置及び機械学習装置を提供することである。
本発明の寿命推定装置は、少なくとも１つの回転テーブルの稼働中のデータを集約することで治具・ワーク重量、クランプ/アンクランプ頻度、使用元圧圧力、回転軸の速度、回転軸のロード、稼働時間等のデータを集め、集めたデータに基づく機械学習を行うことにより、回転テーブルのクランプ装置の寿命を推定することで、上記課題を解決する。
そして、本発明の一態様は、回転テーブルの回転をクランプ又はアンクランプするクランプ機構のメンテナンスが必要になるまでの期間を推定する寿命推定装置において、前記回転テーブルの状態に対する前記クランプ機構のメンテナンスが必要になるまでの期間の推定を学習する機械学習装置を備え、前記回転テーブルの稼動状態に係る稼働状態データと、前記回転テーブルの稼働履歴に係る稼働履歴データとを、環境の現在状態を表す状態変数として観測する状態観測部と、前記クランプ機構のメンテナンスが必要になるまでの期間を示す寿命データを、ラベルデータとして取得するラベルデータ取得部と、前記状態変数と前記ラベルデータとを用いて、前記稼働状態データ及び稼働履歴データと、前記寿命データとの相関性を学習する学習部と、を備える寿命推定装置である。
本発明の他の態様は、回転テーブルの状態に対する前記回転テーブルの回転をクランプ又はアンクランプするクランプ機構のメンテナンスが必要になるまでの期間の推定を学習する機械学習装置であって、前記回転テーブルの稼動状態に係る稼働状態データと、前記回転テーブルの稼働履歴に係る稼働履歴データとを、環境の現在状態を表す状態変数として観測する状態観測部と、前記クランプ機構のメンテナンスが必要になるまでの期間を示す寿命データを、ラベルデータとして取得するラベルデータ取得部と、前記状態変数と前記ラベルデータとを用いて、前記稼働状態データ及び稼働履歴データと、前記寿命データとの相関性を学習する学習部と、を備える機械学習装置である。
本発明により、回転テーブルのクランプ機構の寿命を自動的且つ正確に推定することが可能となり、クランプ機構の早期修理でダウンタイムの回避が可能となる。
一実施形態による寿命推定装置の概略的なハードウェア構成図である。 一実施形態による寿命推定装置の概略的な機能ブロック図である。 前処理部が実行する前処理の例を示す図である。 寿命推定装置の一形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 寿命推定装置を組み込んだシステムの一形態を示す概略的な機能ブロック図である。
以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による寿命推定装置の要部を示す概略的なハードウェア構成図である。寿命推定装置１は、例えば回転テーブルを備えた加工機を制御する制御装置として実装することができる。また、寿命推定装置１は、回転テーブルを備えた加工機とネットワークを介して接続されたセルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することが出来る。本実施形態による寿命推定装置１が備えるＣＰＵ１１は、寿命推定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って寿命推定装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、寿命推定装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、図示しない入力部を介してオペレータが入力した各種データやインタフェース１９を介して加工機７０から取得した各種データ（例えば、加工機７０に取り付けられた回転テーブルの動作の制御に用いられる設定値や治具、ワークの重量、回転テーブルのメンテナンス情報等）、図示しないインタフェースを介して入力された制御用のプログラムなどが記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、加工機７０から取得した回転テーブルの動作に関連する情報を解析する公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムなどを含むシステム・プログラムがあらかじめ書き込まれている。
回転テーブルの稼働に係るデータは、インタフェース１９を介して加工機７０から取得できる。加工機７０から取得する回転テーブルの稼働に係るデータとしては、例えば、プログラム等で指令されるクランプ／アンクランプの回数、回転テーブルのクランプ／アンクランプに用いられるポンプの元圧圧力、回転テーブルの回転軸速度、回転テーブルに掛かる負荷、回転テーブルの稼働時間等が上げられる。
インタフェース２１は、寿命推定装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して寿命推定装置１で取得可能な各情報（加工機７０に取り付けられた回転テーブルの動作の制御に用いられる設定値や治具、ワークの重量、回転テーブルのメンテナンス情報、クランプ／アンクランプの回数、回転テーブルのクランプ／アンクランプに用いられるポンプの元圧圧力、回転テーブルの回転軸速度、回転テーブルに掛かる負荷、回転テーブルの稼働時間等）を観測することができる。また、寿命推定装置１は、機械学習装置１００から出力される、回転テーブルのクランプ機構の寿命の推定を受けて表示器６０に表示する。
図２は、第１の実施形態による寿命推定装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した寿命推定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、寿命推定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の寿命推定装置１は、不揮発性メモリ１４に蓄積された回転テーブルの稼働状態及び稼働履歴に係るデータに基づいて、機械学習装置１００による学習に用いられるデータを生成する前処理部３２と、機械学習装置１００から出力された回転テーブルのクランプ機構の寿命の推定結果を表示器６０へと表示する表示部３４を備える。表示部３４は、例えば機械学習装置１００から出力された回転テーブルのクランプ機構の寿命が、予め定めた所定の時間以下になったときに表示器６０に対して回転テーブルのクランプ機構の寿命の推定結果を表示するようにしてもよい。
前処理部３２は、（例えば過去に加工機７０から取得されて）不揮発性メモリ１４に蓄積された回転テーブルの稼働状態及び稼働履歴に係るデータに基づいて、機械学習装置１００による学習に用いられるデータを生成する。図３は、前処理部３２が実行する前処理の例を説明する図である。前処理部３２は、回転テーブルのクランプ機構に寿命が到来し、回転テーブルのメンテナンスが行われた時点（メンテナンスが行われた時点及びメンテナンス内容については、例えばメンテナンスを行う作業者が加工機７０の入力装置を介して入力したメンテナンス情報等に基づいて特定される）から遡って回転テーブルの稼働状態及び稼働履歴に係るデータを収集した上で、予め定めた寿命までの残時間（図３においては、ｔ１、ｔ２、ｔ３）毎に分類し、回転テーブルの稼働状態及び稼働履歴と寿命までの残時間とを組としたデータセットを作成する。そして、このようにして作成されたデータセットが、機械学習装置１００による学習に用いられる。
一方、寿命推定装置１が備える機械学習装置１００は、加工機７０に取り付けられた回転テーブルの稼働状態に対する、該回転テーブルのクランプ機構の寿命の推定を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。寿命推定装置１が備える機械学習装置１００が学習するものは、加工機７０に取り付けられた回転テーブルの稼働状態と、回転テーブルのクランプ機構の寿命との、相関性を表すモデル構造に相当する。
図２に機能ブロックで示すように、寿命推定装置１が備える機械学習装置１００は、回転テーブルの稼働状態を示す稼働状態データＳ１と、回転テーブルの稼働履歴を示す稼働履歴データＳ２を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部１０６と、回転テーブルのクランプ機構のメンテナンスが必要になるまでの期間である寿命を示す寿命データＬ１を含むラベルデータＬを取得するラベルデータ取得部１０８と、状態変数ＳとラベルデータＬとを用いて、回転テーブルの稼働状態と搬送機が搬送している搬送物の状態に、稼働状態データＳ１を関連付けて学習する学習部１１０と、学習部１１０による学習済みモデルを用いて回転テーブルの稼働状態や稼働履歴から推定した該回転テーブルの寿命を出力する推定結果出力部１２２と、を備える。
状態観測部１０６は、学習部１１０による学習時において、状態変数Ｓとしての稼働状態データＳ１及び稼働履歴データＳ２を前処理部３２から取得する。また、状態観測部１０６は、学習部１１０の学習結果を用いた回転テーブルのクランプ機構の寿命推定時において、状態変数Ｓとしての稼働状態データＳ１及び稼働履歴データＳ２を加工機７０から取得する。
状態観測部１０６が観測する状態変数Ｓのうち、稼働状態データＳ１は、例えば回転テーブルの稼働に係るデータのセットとして取得することができる。回転テーブルの稼働に係るデータとしては、例えば、回転テーブルに取り付けられた治具やワークの重量、クランプ／アンクランプの頻度、回転テーブルのクランプ／アンクランプに用いられるポンプの元圧圧力、回転テーブルの回転軸速度、回転テーブルに掛かる負荷等が例示される。稼働状態データＳ１としては、回転テーブルの稼働に関連するデータであれば、それぞれの回転テーブルの稼働環境に応じた各種データを用いることができる。稼働状態データＳ１に含まれるそれぞれの稼働状態に係るデータは、例えば単体の数値（例えば、治具重量等）であっても良いし、所定の期間において変化する値を所定周期でサンプリングした値の系列（例えば、回転テーブルに係る負荷等）であっても良い。
状態変数Ｓのうち、稼働履歴データＳ２は、図示しない入力装置により入力された又は加工機７０から取得された、回転テーブルの稼働に係る履歴として取得することができる。稼働履歴データＳ２としては、例えば回転テーブルの累積稼働時間、累積クランプ／アンクランプ回数等が例示される。稼働履歴データＳ２としては、回転テーブルの稼働の履歴に関連するデータであれば、それぞれの回転テーブルの稼働環境に応じた各種データを用いることができる。
ラベルデータ取得部１０８は、学習部１１０の学習時において、ラベルデータＬとして、回転テーブルのクランプ機構のメンテナンスが必要になるまでの期間である寿命に係る寿命データＬ１を前処理部３２から取得する。寿命データＬ１は、図３で例示した寿命までの残時間を寿命データＬ１として取得する。ラベルデータ取得部１０８は、学習部１１０による学習時において利用されるものであり、学習部１１０による学習が完了した後は機械学習装置１００の必須の構成とする必要は無い。
学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、状態変数Ｓ（回転テーブルの稼働状態を示す稼働状態データＳ１及び回転テーブルの稼働履歴を示す稼働履歴データＳ２）に対するラベルデータＬ（回転テーブルのクランプ機構のメンテナンスが必要になるまでの期間である寿命を示す寿命データＬ１）を学習する。学習部１１０は、例えば状態変数Ｓに含まれる稼働状態データＳ１及び稼働履歴データＳ２と、ラベルデータＬに含まれる寿命データＬ１との相関性を学習することができる。学習部１１０は、状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。
学習部１１０による学習においては、複数の回転テーブルがそれぞれ使用開始されてからクランプ機構が寿命に至るまでに得られたデータ（図３に例示するように、１つの回転テーブルが寿命に至るまでに取得したデータから、それぞれの残寿命ごとのデータが複数得られる）に基づいた複数の学習サイクルを実行することが望ましい。このような学習サイクルを繰り返すことにより、学習部１１０は、回転テーブルの稼働状態（稼働状態データＳ１）及び回転テーブルの稼働履歴（稼働履歴データＳ２）と、回転テーブルのクランプ機構のメンテナンスが必要になるまでの期間である寿命（寿命データＬ１）との相関性を自動的に解釈する。学習アルゴリズムの開始時には稼働状態データＳ１及び稼働履歴データＳ２に対する寿命データＬ１の相関性は実質的に未知であるが、学習部１１０が学習を進めるに従い徐々に稼働状態データＳ１及び稼働履歴データＳ２に対する寿命データＬ１との関係を徐々に解釈し、その結果として得られた学習済みモデルを用いることで稼働状態データＳ１及び稼働履歴データＳ２に対する寿命データＬ１の相関性を解釈可能になる。
推定結果出力部１２２は、学習部１１０が学習した結果（学習済みモデル）に基づいて、加工機７０から得られた回転テーブルの稼働状態及び稼働履歴から該加工機７０に取り付けられた回転テーブルのクランプ機構の寿命を推定し、推定した回転テーブルのクランプ機構の寿命を出力する。
上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図４は、図２に示す寿命推定装置１の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部１１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデルを学習する手法である。
図４に示す寿命推定装置１が備える機械学習装置１００において、学習部１１０は、加工機７０から得られた回転テーブルの稼働状態及び稼働履歴から該加工機７０に取り付けられた回転テーブルのクランプ機構の寿命を推定する相関性モデルＭと過去の観点テーブルの稼働のデータ及びメンテナンスの結果から得られた教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１１２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１１４とを備える。学習部１１０は、モデル更新部１１４が相関性モデルＭの更新を繰り返すことによって加工機７０から得られた回転テーブルの稼働状態及び稼働履歴からの該加工機７０に取り付けられた回転テーブルのクランプ機構の寿命の推定を学習する。
相関性モデルＭの初期値は、例えば、状態変数ＳとラベルデータＬとの相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部１１０に与えられる。教師データＴは、本発明では上述したように過去に取得された回転テーブルの稼働に係るデータとメンテナンスに係る情報とを利用することができ、寿命推定装置１の運用時に随時学習部１１０に与えられる。誤差計算部１１２は、学習部１１０に随時与えられた教師データＴにより、加工機７０から得られた回転テーブルの稼働状態及び稼働履歴と該識別コードの該加工機７０に取り付けられた回転テーブルのクランプ機構の寿命との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１１４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。
次の学習サイクルでは、誤差計算部１１２は、更新後の相関性モデルＭに従って状態変数Ｓを用いて回転テーブルのクランプ機構の寿命の推定が行われ、該推定の結果と実際に取得されたラベルデータＬの誤差Ｅを求め、モデル更新部１１４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態とそれに対する推定との相関性が徐々に明らかになる。
前述した教師あり学習を進める際に、ニューラルネットワークを用いることができる。図５Ａは、ニューロンのモデルを模式的に示す。図５Ｂは、図５Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。
図５Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する結果ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数１式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆkは活性化関数である。
Figure 0006629815
図５Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す)が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。
図５Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。
図５Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
なお、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることも可能である。
寿命推定装置１が備える機械学習装置１００においては、状態変数Ｓを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、加工機７０に取り付けられた回転テーブルの稼働状態及び稼働履歴の値（入力ｘ）から該回転テーブルの寿命（出力ｙ）を推定することができる。なお、ニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みｗを学習し、学習した重みｗを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。
上記した機械学習装置１００の構成は、プロセッサ１０１が各々実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、加工機７０に取り付けられた回転テーブルの稼働状態及び稼働履歴から該回転テーブルの寿命の推定を学習する機械学習方法であって、プロセッサ１０１が、加工機７０に取り付けられた回転テーブルの稼働状態（稼働状態データＳ１）及び稼働履歴（稼働履歴データＳ２）を現在状態を表す状態変数Ｓとして観測するステップと、回転テーブルの寿命（寿命データＬ１）をラベルデータＬとして取得するステップと、状態変数ＳとラベルデータＬとを用いて、稼働状態データＳ１及び稼働履歴データＳ２と、回転テーブルの寿命とを関連付けて学習するステップとを有する。
機械学習装置１００の学習部１１０により学習されて得られた学習済みモデルは機械学習に係るソフトウェアの一部であるプログラムモジュールとしての利用することが可能である。本発明の学習済みモデルは、ＣＰＵやＧＰＵ等のプロセッサとメモリを備えるコンピュータにて用いることができる。より具体的には、コンピュータのプロセッサが、メモリに記憶された学習済みモデルからの指令に従って、加工機７０に取り付けられた回転テーブルの稼働状態及び稼働履歴を入力として演算を行い、演算結果に基づいて該回転テーブルの寿命の推定結果を出力するように動作する。本発明の学習済みモデルは、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
また、本発明の学習済みモデルを他のコンピュータに対して複製して新しい環境で利用する際に、当該環境で得られた新たな状態変数やラベルデータに基づいて当該学習済みモデルに対して更なる学習を行わせることもできる。このようにした場合、当該環境による学習済みモデルから派生した学習済みモデル（以下、派生モデルとする）を得ることが可能である。本発明の派生モデルは、加工機７０に取り付けられた回転テーブルの稼働状態及び稼働履歴から該回転テーブルの寿命の推定結果を出力するという点では元の学習済みモデルと同じだが、元の学習済みモデルよりも新しい環境に適合した結果を出力するという点で異なる。この派生モデルもまた、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
更に、本発明の学習済みモデルを組み込んだ機械学習装置に対する入力に対して得られる出力を用いて、他の機械学習装置において１から学習を行うことで得られる学習済みモデル（以下、蒸留モデルとする）を作成し、これを利用することも可能である（このような学習工程を蒸留と言う）。蒸留において、元の学習済みモデルを教師モデル、新たに作成する蒸留モデルを生徒モデルとも言う。一般に、蒸留モデルは元の学習済みモデルよりもサイズが小さく、それでいてと元の学習済みモデルと同等の正確度を出せるため、外部記憶媒体やネットワーク等を介した他のコンピュータに対する配布により適している。
図６は、寿命推定装置１を備えた一実施形態によるシステム１７０を示す。システム１７０は、セルコンピュータやホストコンピュータ、クラウドサーバ等のコンピュータの一部として実装された少なくとも１台の寿命推定装置１と、複数の加工機７０と、寿命推定装置１、加工機７０を互いに接続する有線／無線のネットワーク１７２とを備える。
上記構成を有するシステム１７０は、機械学習装置１００を備える寿命推定装置１が、学習部１１０の学習結果を用いて、加工機７０に取り付けられた回転テーブルの稼働状態及び稼働履歴に対する該回転テーブルの寿命を自動的かつ正確に推定することができる。また、寿命推定装置１の機械学習装置１００が、複数の加工機７０のそれぞれについて得られた状態変数Ｓ及びラベルデータＬに基づき、全ての加工機７０に共通する回転テーブルの寿命の推定を学習し、その学習結果を全ての加工機７０において利用するように構成できる。したがってシステム１７０によれば、より多様なデータ集合（状態変数Ｓ及びラベルデータＬを含む）を入力として、回転テーブルの寿命の推定の学習の速度や信頼性を向上させることができる。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、機械学習装置１００が実行する学習アルゴリズム、演算アルゴリズム、寿命推定装置１が実行するアルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。
また、上記した実施形態では寿命推定装置１と機械学習装置１００が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００は寿命推定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
１ 寿命推定装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１８，１９，２１ インタフェース
２０ バス
３２ 前処理部
３４ 表示部
６０ 表示器
７０ 加工機
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１０８ ラベルデータ取得部
１１０ 学習部
１１２ 誤差計算部
１１４ モデル更新部
１２２ 推定結果出力部
１７０ システム
１７２ ネットワーク

Claims (6)

  1. 回転テーブルの回転をクランプ又はアンクランプするクランプ機構のメンテナンスが必要になるまでの期間を推定する寿命推定装置において、
    前記回転テーブルの状態に対する前記クランプ機構のメンテナンスが必要になるまでの期間の推定を学習する機械学習装置を備え、
    前記回転テーブルの稼動状態に係る稼働状態データと、前記回転テーブルの稼働履歴に係る稼働履歴データとを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記クランプ機構のメンテナンスが必要になるまでの期間を示す寿命データを、ラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを用いて、前記稼働状態データ及び稼働履歴データと、前記寿命データとの相関性を学習する学習部と、
    を備える寿命推定装置。
  2. 前記学習部は、
    前記状態変数から前記クランプ機構のメンテナンスが必要になるまでの期間を推定する相関性モデルと、予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
    前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
    請求項１に記載の寿命推定装置。
  3. 前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する、
    請求項１または２に記載の寿命推定装置。
  4. 前記学習部による学習結果に基づいて、前記クランプ機構のメンテナンスが必要になるまでの期間の推定結果を出力する推定結果出力部を更に備える、
    請求項１〜３のいずれか１つに記載の寿命推定装置。
  5. 前記機械学習装置は、クラウドサーバに存在する、
    請求項１〜４のいずれか１つに記載の寿命推定装置。
  6. 回転テーブルの状態に対する前記回転テーブルの回転をクランプ又はアンクランプするクランプ機構のメンテナンスが必要になるまでの期間の推定を学習する機械学習装置であって、
    前記回転テーブルの稼動状態に係る稼働状態データと、前記回転テーブルの稼働履歴に係る稼働履歴データとを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記クランプ機構のメンテナンスが必要になるまでの期間を示す寿命データを、ラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを用いて、前記稼働状態データ及び稼働履歴データと、前記寿命データとの相関性を学習する学習部と、
    を備える機械学習装置。
JP2017204221A 2017-10-23 2017-10-23 寿命推定装置及び機械学習装置 Active JP6629815B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017204221A JP6629815B2 (ja) 2017-10-23 2017-10-23 寿命推定装置及び機械学習装置
DE102018008178.9A DE102018008178A1 (de) 2017-10-23 2018-10-16 Lebensdauerschätzvorrichtung undmaschinenlernvorrichtung
US16/162,400 US11169502B2 (en) 2017-10-23 2018-10-17 Life estimation device and machine learning device
CN201811238314.XA CN109693146B (zh) 2017-10-23 2018-10-23 寿命推定装置以及机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017204221A JP6629815B2 (ja) 2017-10-23 2017-10-23 寿命推定装置及び機械学習装置

Publications (2)

Publication Number Publication Date
JP2019076976A JP2019076976A (ja) 2019-05-23
JP6629815B2 true JP6629815B2 (ja) 2020-01-15

Family

ID=66169884

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017204221A Active JP6629815B2 (ja) 2017-10-23 2017-10-23 寿命推定装置及び機械学習装置

Country Status (4)

Country Link
US (1) US11169502B2 (ja)
JP (1) JP6629815B2 (ja)
CN (1) CN109693146B (ja)
DE (1) DE102018008178A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11042145B2 (en) * 2018-06-13 2021-06-22 Hitachi, Ltd. Automatic health indicator learning using reinforcement learning for predictive maintenance
JP6882248B2 (ja) * 2018-11-14 2021-06-02 ファナック株式会社 工具取付異常検出装置
JP6940542B2 (ja) * 2019-03-14 2021-09-29 ファナック株式会社 把持力調整装置及び把持力調整システム
TWI729500B (zh) * 2019-09-18 2021-06-01 財團法人工業技術研究院 電腦可讀取紀錄媒體、資料處理方法及資料處理系統
CN111399474B (zh) * 2020-02-29 2021-05-14 中南大学 一种基于健康指标的均衡控制模块寿命预测方法及装置
CN113219357B (zh) * 2021-04-28 2024-07-16 东软睿驰汽车技术（沈阳）有限公司 电池包健康状态计算方法、系统及电子设备
CN114370471B (zh) * 2022-01-05 2023-09-01 东风柳州汽车有限公司 刹车片磨损提醒方法、装置、设备及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001315010A (ja) * 2000-05-08 2001-11-13 Mori Seiki Co Ltd 工作機械
JP2001350510A (ja) * 2000-06-06 2001-12-21 Mori Seiki Co Ltd 工作機械保守管理システム
US7908928B2 (en) * 2006-10-31 2011-03-22 Caterpillar Inc. Monitoring system
JP6521565B2 (ja) * 2014-01-20 2019-05-29 Dmg森精機株式会社 省電力を考慮したｎｃプログラム生成装置
US11100420B2 (en) * 2014-06-30 2021-08-24 Amazon Technologies, Inc. Input processing for machine learning
US9886670B2 (en) * 2014-06-30 2018-02-06 Amazon Technologies, Inc. Feature processing recipes for machine learning
JP6154358B2 (ja) * 2014-07-11 2017-06-28 ファナック株式会社 回転テーブルを備えた工作機械
JP6427357B2 (ja) * 2014-08-06 2018-11-21 株式会社日立ソリューションズ 診断支援システム及び診断支援方法
JP5960370B1 (ja) * 2015-02-24 2016-08-02 ファナック株式会社 回転テーブル装置
JP6695102B2 (ja) 2015-05-26 2020-05-20 株式会社ディスコ 加工システム
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6010204B1 (ja) * 2015-10-26 2016-10-19 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置
JP2019008675A (ja) 2017-06-27 2019-01-17 ファナック株式会社 故障予測装置及び機械学習装置

Also Published As

Publication number Publication date
US11169502B2 (en) 2021-11-09
CN109693146A (zh) 2019-04-30
US20190121319A1 (en) 2019-04-25
CN109693146B (zh) 2021-07-20
JP2019076976A (ja) 2019-05-23
DE102018008178A1 (de) 2019-05-23

Similar Documents

Publication Publication Date Title
JP6629815B2 (ja) 寿命推定装置及び機械学習装置
JP6836577B2 (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
CN110116371B (zh) 研磨工具磨损量预测装置、机器学习装置以及系统
JP6956028B2 (ja) 故障診断装置及び機械学習装置
US20180373233A1 (en) Failure predicting apparatus and machine learning device
JP6571741B2 (ja) 作業者管理装置
JP6711854B2 (ja) 故障予測装置及び機械学習装置
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
CN109719756B (zh) 寿命预测装置
US10684608B2 (en) Abnormality detection apparatus and machine learning device
JP7148311B2 (ja) 製品検査装置
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
JP2019185125A (ja) 制御装置及び機械学習装置
JP2019093472A (ja) 制御装置及び機械学習装置
JP2020149505A (ja) 把持力調整装置及び把持力調整システム
JP6683666B2 (ja) 識別コード読取装置及び機械学習装置
JP2019141869A (ja) 制御装置及び機械学習装置
JP6698724B2 (ja) 衝突位置推定装置及び機械学習装置
US20200394092A1 (en) Diagnostic apparatus
JP6538772B2 (ja) 数値制御装置
JP6603260B2 (ja) 数値制御装置
CN111198534A (zh) 预热运转评价装置、预热运转评价方法及计算机可读介质
JP2019160176A (ja) 部品供給量推定装置及び機械学習装置
JP6637021B2 (ja) 切削液供給タイミング制御装置及び機械学習装置
WO2023047545A1 (ja) 追加学習データ選定装置及びコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190118

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190520

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190821

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190827

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191021

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: 20191105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191205

R150 Certificate of patent or registration of utility model

Ref document number: 6629815

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150