JP7000376B2 - 機械学習装置、予測装置、及び制御装置 - Google Patents

機械学習装置、予測装置、及び制御装置 Download PDF

Info

Publication number
JP7000376B2
JP7000376B2 JP2019081832A JP2019081832A JP7000376B2 JP 7000376 B2 JP7000376 B2 JP 7000376B2 JP 2019081832 A JP2019081832 A JP 2019081832A JP 2019081832 A JP2019081832 A JP 2019081832A JP 7000376 B2 JP7000376 B2 JP 7000376B2
Authority
JP
Japan
Prior art keywords
cutting fluid
machining
value
state information
prediction
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
JP2019081832A
Other languages
English (en)
Other versions
JP2020179433A (ja
Inventor
真一 尾関
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 JP2019081832A priority Critical patent/JP7000376B2/ja
Priority to US16/839,395 priority patent/US11583968B2/en
Priority to DE102020204412.0A priority patent/DE102020204412A1/de
Priority to CN202010312271.6A priority patent/CN111830907A/zh
Publication of JP2020179433A publication Critical patent/JP2020179433A/ja
Application granted granted Critical
Publication of JP7000376B2 publication Critical patent/JP7000376B2/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
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/10—Arrangements for cooling or lubricating tools or work
    • 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
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • 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
    • G05B2219/33321—Observation 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49049—Coolant serves as lubrication and also to take away swarf, chips
    • 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
    • G05B2219/49215—Regulate temperature of coolant
    • 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

Description

本発明は、機械学習装置、予測装置、及び制御装置に関する。
工具を使用してワークの加工を行う工作機械では、切削液吐出口から切削液を吐出して加工を行っている。ワークの切削加工においては、切削液の役割は重要である。切削液は、切削液吐出口から吐出されることによって、工具やワークの冷却、加工時の潤滑を行うだけでなく、加工時に発生した切屑を洗い流す役割を有する。
切削液は、タンクから工作機械に供給され、ワーク又はその周辺に向けて吐出された後、タンクに戻されて再び工作機械に供給される。このため、切削液に含まれる切屑等を除去するために、フィルタ等が用いられている。しかしながら、フィルタ等は、切屑等を完全に除去できないため、切削液は、使用されるに従い徐々に汚れてしまう。この切削液の汚れは、工作機械における加工品位の低下につながることから、切削液は、所定のタイミングで全液交換が行われる。
そこで、切削液の配管内に圧力センサを配置し、圧力センサにより測定される切削液に含まれる切屑による衝撃圧力が、所定の衝撃圧力となった場合に、切削液の交換時期を知らせる技術が知られている。あるいは、切屑等による切削液の不純度と、温度や切削液の油圧等の検知情報との間の相関関係を機械学習し、得られた相関関係を参照して、工作機械から新たに受信した検知情報に対応する切削液の不純度を検知する技術が知られている。例えば、特許文献１、２参照。
特開２００１－２１９３３８号公報 特開２０１８－９７４９４号公報
切削液の汚れは、ワークの切屑等に限定されず、切削液の濃度やｐＨ値の変化、機械の作動油等の混入、バクテリア等の微生物の発生による臭気等も要因となる。そして、切削液の濃度やｐＨ値、微生物の発生による臭気は、切削液の交換ではなく、水や殺菌剤等を添加する等のメンテナンスにより対応できる場合もある。
しかしながら、切削液をメンテナンスするか全液交換するかの判断、及びその時期の判断は、それなりの経験が作業員に求められ、作業員にとって大きな負担になっている。
そこで、加工後の切削液の状態（例えば、濃度、ｐＨ値、臭気レベル等）を予測することが望まれている。
（１）本開示の機械学習装置の一態様は、任意の工作機械による加工における任意のワークに対する任意の加工条件と、当該加工条件による加工前の切削液の状態を示す状態情報と、を含む入力データを取得する入力データ取得部と、前記入力データに含まれる前記加工条件による加工後の前記切削液の状態情報、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、学習済みモデルを生成する学習部と、を備える。
（２）本開示の予測装置の一態様は、（１）の機械学習装置により生成された学習済みモデルと、工作機械による加工に先立って、加工対象のワークに対するこれから行う加工条件と、切削液の現在の状態情報とを入力する入力部と、前記入力部により入力された前記これから行う加工条件と前記現在の状態情報とを前記学習済みモデルに入力し、前記これから行う加工条件による加工後の前記切削液の状態情報を予測する予測部と、を備える。
（３）（２）の予測装置の一態様は、（１）の機械学習装置を備える。
（４）本開示の制御装置の一態様は、（２）又は（３）の予測装置を備える。
一態様によれば、加工後の切削液の状態を予測することができる。
一の実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。 図１の予測装置に提供される学習済みモデルの一例を示す図である。 切削液の濃度の一例を示す図である。 切削液のｐＨ値の一例を示す図である。 切削液の臭気レベルの一例を示す図である。 評価値の一例を示す図である。 運用フェーズにおける予測装置の予測処理について説明するフローチャートである。 数値制御システムの構成の一例を示す図である。 数値制御システムの構成の一例を示す図である。
以下、本開示の一の実施形態について、図面を用いて説明する。
＜一の実施形態＞
図１は、一の実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。図１に示すように、数値制御システムは、制御装置１０、工作機械２０、タンク３０、予測装置４０、及び機械学習装置５０を有する。
制御装置１０、工作機械２０、予測装置４０、及び機械学習装置５０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、制御装置１０、工作機械２０、予測装置４０、及び機械学習装置５０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、制御装置１０、工作機械２０、予測装置４０、及び機械学習装置５０は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。なお、後述するように、制御装置１０は、予測装置４０及び機械学習装置５０を含むようにしてもよい。また、工作機械２０が制御装置１０を含むようにしてもよい。
なお、制御装置１０とタンク３０とは、図示しない接続インタフェースを介して互いに直接接続されてもよく、図示しないネットワークを介して相互に接続されていてもよい。また、工作機械２０とタンク３０とは、切削液が供給される配管やホース等により接続されてもよい。
制御装置１０は、当業者にとって公知の数値制御装置であり、制御情報に基づいて動作指令を生成し、生成した動作指令を工作機械２０及びタンク３０に送信する。これにより、制御装置１０は、工作機械２０の動作を制御するとともに、タンク３０に配置されたポンプ（図示しない）を駆動させ、切削液を工作機械２０との間で循環させてもよい。また、制御装置１０は、当該制御情報を予測装置４０にも出力してもよい。なお、制御情報は、制御装置１０に設定される加工プログラム及びパラメータの値を含む。
また、制御装置１０は、後述するように、工作機械２０において測定された周囲環境温度の温度データと、周囲環境湿度の湿度データとを、工作機械２０から取得してもよい。また、制御装置１０は、タンク３０において測定された切削液の状態を示す状態情報を、タンク３０から取得してもよい。そして、制御装置１０は、取得した温度データ、湿度データ及び切削液の状態情報を予測装置４０に出力してもよい。
工作機械２０は、制御装置１０の動作指令に基づいて動作する加工用の機械である。工作機械２０は、工作機械２０の周囲環境温度を測定する温度センサ２０１と、周囲環境湿度を測定する湿度センサ２０２とを有してもよい。工作機械２０は、制御装置１０の動作指令に基づく動作状態を示す情報、周囲環境温度の温度データ、及び周囲環境湿度の湿度データを、制御装置１０に出力してもよい。
なお、温度センサ２０１及び湿度センサ２０２のサンプリング時間は、例えば、後述する予測装置４０に要求される予測精度に応じて適宜設定されてもよい。
タンク３０は、工作機械２０で使用される切削液を貯蔵するタンクである。タンク３０は、濃度センサ３０１、ｐＨセンサ３０２、臭気センサ３０３、温度センサ３０４、及び液量センサ３０５を有してもよい。
濃度センサ３０１は、切削液の濃度を測定する。なお、切削液の濃度は、「０％」から「１００％」の範囲の値である。
ｐＨセンサ３０２は、切削液のｐＨ値を測定する。なお、切削液のｐＨ値は、「０」以上の値である。
臭気センサ３０３は、切削液の臭気レベルを測定する。なお、切削液の臭気は、主に、切削液に発生するバクテリア等の微生物による腐敗やカビの発生による。ここで、臭気レベルは、例えば、「ホットコーヒー」の場合、「２６０」となり、「機械油」の場合、「２１０」から「２７０」の値となる。また、臭気レベルは、例えば、ＦＲＢ（Ｆｉｂｅｒ Ｒｅｉｎｆｏｒｃｅｄ Ｐｌａｓｔｉｃｓ）工場における悪臭発生源や敷地境界において、「１５０」から「１３００」の値となる。
温度センサ３０４は、タンク内の切削液の管理温度を測定する。
液量センサ３０５は、タンク内の切削液の液量を測定する。
なお、濃度センサ３０１、ｐＨセンサ３０２、臭気センサ３０３、温度センサ３０４、及び液量センサ３０５のサンプリング時間は、温度センサ２０１及び湿度センサ２０２の場合と同様に、例えば、後述する予測装置４０に要求される予測精度に応じて適宜設定されてもよい。
そして、タンク３０は、測定された切削液の濃度、ｐＨ値、臭気レベル、管理温度、及び液量の各々を制御装置１０に出力する。
予測装置４０は、運用フェーズにおいて、工作機械２０による加工に先立って、制御装置１０からの制御情報に含まれる加工対象のワークに対するこれから行う加工条件を取得してもよい。また、予測装置４０は、タンク３０の切削液の現在の状態情報を、制御装置１０から取得してもよい。予測装置４０は、取得したこれから行う加工条件と切削液の現在の状態情報とを、後述する機械学習装置５０から提供された学習済みモデルに入力することにより、加工後の切削液の状態情報を予測することができる。
なお、状態情報には、後述するように、切削液の濃度、ｐＨ値及び臭気レベルが含まれる。また、状態情報には、切削液の濃度、ｐＨ値及び臭気レベルとともに、切削液の管理温度等が含まれてもよい。
予測装置４０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５０＞
機械学習装置５０は、例えば、予め、任意の工作機械による切削加工における任意のワークに対する任意の加工条件と、当該加工条件による加工前の切削液の少なくとも濃度、ｐＨ値及び臭気レベルを含む状態情報とを、入力データとして取得する。
また、機械学習装置５０は、取得した入力データにおける加工条件による加工後の切削液の濃度、ｐＨ値及び臭気レベル、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５０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５０は、構築した学習済みモデルを予測装置４０に提供することができる。
機械学習装置５０について、具体的に説明する。
機械学習装置５０は、図１に示すように、入力データ取得部５０１、ラベル取得部５０２、学習部５０３、及び記憶部５０４を有する。
入力データ取得部５０１は、学習フェーズにおいて、図示しない通信部を介して、任意の切削対象のワークに対する加工条件と、当該加工条件による加工前の切削液の少なくとも濃度、ｐＨ値及び臭気レベルを含む状態情報と、を入力データとして制御装置１０等から取得する。入力データ取得部５０１は、取得した入力データを記憶部５０４に対して出力する。
ラベル取得部５０２は、入力データにおける加工条件による加工後の切削液の濃度、ｐＨ値及び臭気レベル、を示すデータをラベルデータ（正解データ）として取得し、取得したラベルデータを記憶部５０４に対して出力する。
学習部５０３は、上述の入力データとラベルとの組を訓練データとして受け付け、受け付けた訓練データを用いて、教師あり学習を行うことにより、加工対象のワークに対してこれから行う加工条件と、切削液の現在の濃度、ｐＨ値及び臭気レベルの状態情報とに基づいて、加工後の切削液の濃度、ｐＨ値及び臭気レベルを予測する学習済みモデル４５０を構築する。
そして、学習部５０３は、構築した学習済みモデル４５０を予測装置４０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制御装置１０のそれぞれから訓練データを取得するようにしてもよい。
図２は、図１の予測装置４０に提供される学習済みモデル４５０の一例を示す図である。ここでは、学習済みモデル４５０は、図２に示すように、加工対象のワークに対する加工時間や加工の種類等のこれから行う加工条件と、切削液の現在の濃度、ｐＨ値及び臭気レベルの状態情報を入力層として、当該加工条件による加工後の切削液の「濃度」、「ｐＨ値」及び「臭気レベル」、を示すデータを出力層とする多層ニューラルネットワークを例示する。
ここで、これから行う加工条件には、加工対象のワークに対する加工時間、加工の種類（ドリル、スライス等）、ワークの大きさ、加工するワークの数、ワーク（被削材）の材質（ステンレスや合金鋼等の金属、セラミックス等の非金属）、工具の種類が含まれる。また、これから行う加工条件には、温度センサ２０１により測定された現在の周囲環境温度、湿度センサ２０２により測定された現在の周囲環境湿度、温度センサ３０４により測定された現在のタンク３０内の管理温度、液量センサ３０５により測定された現在のタンク３０内の液量、及び前回切削液を交換してからの経過時間等を含めてもよい。
なお、ワークの大きさは、制御装置１０に入力されたＣＡＤ（Ｃｏｍｐｕｔｅｒ－Ａｉｄｅｄ Ｄｅｓｉｇｎ）図面やＮＣプログラム等に基づいて解析された加工経路により取得することができる。
また、学習部５０３は、学習済みモデル４５０を構築した後に、新たな訓練データを取得した場合には、学習済みモデル４５０に対してさらに教師あり学習を行うことにより、一度構築した学習済みモデル４５０を更新するようにしてもよい。
上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、工作機械２０による加工が行われ、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２０による加工が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
記憶部５０４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等であり、入力データ取得部５０１により取得された入力データ、ラベル取得部５０２により取得されたラベルデータ、及び学習部５０３により構築された学習済みモデル４５０等を記憶する。
以上、予測装置４０が備える学習済みモデル４５０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予測装置４０について説明する。
＜運用フェーズにおける予測装置４０＞
図１に示すように、運用フェーズにおける予測装置４０は、入力部４０１、予測部４０２、決定部４０３、通知部４０４、及び記憶部４０５を含んで構成される。
なお、予測装置４０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、予測装置４０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。
そして、予測装置４０において、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行なう。この演算結果に基づいて、予測装置４０が各ハードウェアを制御する。これにより、図１の機能ブロックによる処理は実現される。つまり、予測装置４０は、ハードウェアとソフトウェアが協働することにより実現することができる。
入力部４０１は、工作機械２０による加工に先立って、例えば、制御装置１０の制御情報から、当該加工に係る加工対象のワークに対するこれから行う加工条件と、切削液の現在の濃度、ｐＨ値及び臭気レベルの状態情報を入力する。入力部４０１は、取得したこれから行う加工条件と、切削液の現在の状態情報とを予測部４０２に対して出力する。
予測部４０２は、これから行う加工条件と、切削液の現在の状態情報とを、図２の学習済みモデル４５０に入力し、加工後の切削液の「濃度」、「ｐＨ値」及び「臭気レベル」の状態情報を予測する。
決定部４０３は、予測部４０２により予測された加工後の切削液の濃度、ｐＨ値及び臭気レベルの状態情報に基づいて、切削液に対しメンテナンスを行うか、全液交換を行うかを判定する。
より具体的には、決定部４０３は、切削液の濃度、ｐＨ値及び臭気レベルの各々における予測値と閾値との比較に基づいて、切削液に対するメンテナンスを行う最適な時期を判定する。
また、決定部４０３は、切削液の濃度、ｐＨ値及び臭気レベルの予測値を用いて、後述する評価値を算出し、算出した評価値に基づいて、メンテナンスに替えて、切削液の全液交換を行う最適な時期を判定してもよい。
通知部４０４は、決定部４０３により判定された切削液に対するメンテナンスを行う最適な時期又は切削液の全液交換を行う最適な時期をユーザに推奨することができる。通知部４０４は、制御装置１０及び／又は工作機械２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に通知してもよい。また、通知部４０４は、スピーカ（図示せず）を介して音声により通知してもよい。
＜濃度に関するメンテナンスについて＞
図３は、切削液の濃度の一例を示す図である。図３に示すように、例えば、切削液は、初期値として濃度「２０％」でタンク３０に貯蔵されたとしても、蒸発や切屑等の混入によりその濃度は変化する。例えば、濃度が「１０％」から「３０％」の範囲の適正値の場合、切削液は適切に機能する。一方、濃度が当該適正値の範囲外の場合、切削液は適切に機能しない。この場合、作業員は、切削液の濃度が適正値となるように、切削液の濃度を調整する必要がある。
以下の説明では、濃度「１０％」を下限の閾値α１とし、濃度「３０％」を上限の閾値α２とする。なお、閾値α１、α２は、加工対象のワークの材質や、工作機械２０やタンク３０が設置された環境等に応じて適宜設定されてもよい。
決定部４０３は、予測部４０２により予測された濃度が、下限の閾値α１と上限の閾値α２との間の範囲の適正値か否かを判定する。決定部４０３は、予測された濃度が適正値の場合、入力部４０１により入力された加工条件による加工前に、切削液の濃度調整のメンテナンスを行わないことを判定する。
一方、決定部４０３は、予測された濃度が下限の閾値α１より低い場合、入力された加工条件による加工前を、切削液の原液等を加える等して濃度を上げる濃度調整のメンテナンスを行う時期として判定する。また、決定部４０３は、予測された濃度が上限の閾値α２より高い場合、入力された加工条件による加工前を、水等を加える等して濃度を下げる濃度調整のメンテナンスを行う時期として判定する。
通知部４０４は、判定した濃度調整のメンテナンスの指示を、制御装置１０及び／又は工作機械２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。
＜ｐＨ値に関するメンテナンスについて＞
図４は、切削液のｐＨ値の一例を示す図である。図４に示すように、例えば、切削液は、初期値としてｐＨ値「９」のアルカリ性でタンク３０に貯蔵されたとしても、蒸発や切屑等の混入によりそのｐＨ値は変化する。例えば、ｐＨ値が「８」から「１１」の範囲の適正値の場合、切削液は適切に機能する。一方、ｐＨ値が当該適正値の範囲外の場合、切削液は適切に機能しない。この場合、作業員は、切削液のｐＨ値が適正値となるように、切削液のｐＨ値を調整する必要がある。
以下の説明では、ｐＨ値「８」を下限の閾値β１とし、ｐＨ値「１１」を上限の閾値β２とする。なお、閾値β１、β２は、加工対象のワークの材質や、工作機械２０やタンク３０が設置された環境等に応じて適宜設定されてもよい。
決定部４０３は、予測部４０２により予測されたｐＨ値が、下限の閾値β１と上限の閾値β２との間の範囲の適正値か否かを判定する。決定部４０３は、予測されたｐＨ値が適正値の場合、入力部４０１により入力された加工条件による加工前に、切削液のｐＨ調整のメンテナンスを行わないことを判定する。
一方、決定部４０３は、予測されたｐＨ値が下限の閾値β１より低い場合、入力された加工条件による加工前を、ｐＨ調整剤を添加する等してｐＨ値を上げるｐＨ調整のメンテナンスを行う時期として判定する。また、決定部４０３は、予測されたｐＨ値が上限の閾値β２より高い場合、入力された加工条件による加工前を、ｐＨ調整剤を添加する等してｐＨ値を下げるｐＨ調整のメンテナンスを行う時期として判定する。
なお、予測されたｐＨ値が下限の閾値β１より低く、ｐＨ値「７」の中性付近の場合、バクテリア等の微生物が発生している可能性がある。このため、決定部４０３は、入力された加工条件による加工前を、ｐＨ調整剤とともに殺菌剤等を添加するメンテナンスを行う時期として判定してもよい。
通知部４０４は、判定したｐＨ調整のメンテナンスの指示を、制御装置１０及び／又は工作機械２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。
＜臭気レベルに関するメンテナンスについて＞
図５は、切削液の臭気レベルの一例を示す図である。図５に示すように、例えば、切削液は、初期値として臭気レベル「１３０」でタンク３０に貯蔵されたとしても、蒸発や切屑等の混入、バクテリア等の微生物の発生によりその臭気レベルは変化する。例えば、臭気の主な原因が微生物の発生とする場合、臭気レベルが「１０００」より小さい適正値の場合、切削液には、微生物があまり発生しておらず、臭気レベルが「１０００」以上の場合、微生物が大量に発生していることを示す。この場合、作業員は、切削液の臭気レベルが適正値以下となるように、切削液の臭気レベルを調整する必要がある。
以下の説明では、臭気レベル「１０００」を閾値γとする。なお、閾値γは、工作機械２０やタンク３０が設置された環境等に応じて適宜設定されてもよい。
決定部４０３は、予測部４０２により予測された臭気レベルが、閾値γより小さい適正値か否かを判定する。決定部４０３は、予測された臭気レベルが閾値γより小さい適正値の場合、入力部４０１により入力された加工条件による加工前に、切削液の臭気レベルを調整するメンテナンスを行わないことを判定する。
一方、決定部４０３は、予測された臭気レベルが閾値γ以上の場合、入力された加工条件による加工前を、殺菌剤及び／又は防腐剤を添加する等して臭気レベルを下げるメンテナンスを行う時期として判定する。
通知部４０４は、判定した臭気レベルのメンテナンスの指示を、制御装置１０及び／又は工作機械２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。
＜評価値について＞
決定部４０３は、前述したように、例えば、式（１）を用いて、予測部４０２により予測された切削液の濃度、ｐＨ値、及び臭気レベルの予測値を重み付け加算して評価値Ｅを算出する。なお、ε１、ε２、ε３は、重み付け係数である。
Ｅ＝ε１×濃度＋ε２×ｐＨ値＋ε３×臭気レベル ・・・（１）
図６は、評価値Ｅの一例を示す図である。決定部４０３は、例えば、評価値Ｅが予め設定された閾値Ｔｈより小さく、切削液の濃度、ｐＨ値及び臭気レベルの全ての予測値が適正値の場合、切削液の濃度、ｐＨ値及び臭気レベルを調整するメンテナンスを行なわないことを判定する。一方、決定部４０３は、評価値Ｅが閾値Ｔｈより小さく、切削液の濃度、ｐＨ値及び臭気レベルのうち、予測値が適正値でないものがある場合、入力された加工条件による加工前を、予測値が適正値でない切削液の濃度、ｐＨ値、又は臭気レベルを調整するメンテナンスを行う時期として判定する。
また、決定部４０３は、評価値Ｅが閾値Ｔｈ以上の場合、入力された加工条件による加工前を、切削液の全液交換の時期として判定する。
そして、通知部４０４は、判定したメンテナンス、又は切削液の全液交換の指示を、制御装置１０及び／又は工作機械２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。
記憶部４０５は、ＲＯＭやＨＤＤ等であり、各種の制御用プログラムとともに、学習済みモデル４５０を記憶してもよい。
＜運用フェーズにおける予測装置４０の予測処理＞
次に、本実施形態に係る予測装置４０の予測処理に係る動作について説明する。
図７は、運用フェーズにおける予測装置４０の予測処理について説明するフローチャートである。
ステップＳ１１において、入力部４０１は、工作機械２０による加工に先立って、制御装置１０の制御情報から、加工対象のワークに対するこれから行う加工条件を取得するとともに、切削液の現在の濃度、ｐＨ値及び臭気レベルの状態情報を入力する。
ステップＳ１２において、予測部４０２は、ステップＳ１１で取得された、これから行う加工条件と切削液の状態情報を学習済みモデル４５０に入力し、加工後の切削液の濃度、ｐＨ値及び臭気レベルの状態情報を予測する。
ステップＳ１３において、決定部４０３は、ステップＳ１２で予測された加工後の切削液の濃度、ｐＨ値及び臭気レベルの予測値と、式（１）とを用いて、評価値Ｅを算出する。
ステップＳ１４において、決定部４０３は、ステップＳ１４で算出された評価値Ｅが閾値Ｔｈより小さいか否かを判定する。評価値Ｅが閾値Ｔｈより小さい場合、処理はステップＳ１５に進み、評価値Ｅが閾値Ｔｈの場合、処理はステップＳ１６に進む。
ステップＳ１５において、決定部４０３は、ステップＳ１２で予測された加工後の切削液の濃度、ｐＨ値及び臭気レベルの各々における予測値と閾値との比較に基づいて、加工前を切削液に対するメンテナンスを行う時期として判定する。
ステップＳ１６において、決定部４０３は、加工前を切削液の全液交換を行う時期として判定する。
ステップＳ１７において、通知部４０４は、ステップＳ１５又はステップＳ１６で決定されたメンテナンス又は全液交換の指示を通知する。
以上により、一の実施形態に係る予測装置４０は、工作機械２０による加工に先立って、当該加工に係る加工対象のワークに対するこれから行う加工条件と、切削液の現在の濃度、ｐＨ値及び臭気レベルを含む状態情報とを学習済みモデル４５０に入力し、加工後の切削液の濃度、ｐＨ値及び臭気レベルの状態情報を予測する。そして、予測装置４０は、予測された加工後の切削液の濃度、ｐＨ値、臭気レベルの各々における予測値や評価値Ｅと閾値との比較に基づいて、加工中に切削液のメンテナンス、又は切削液の全液交換が必要になるか否かを事前に検知することができる。
すなわち、予測装置４０は、これから行う加工条件による加工前を切削液のメンテナンス、又は切削液の全液交換の最適な時期として検知することができる。
これにより、数値制御システムは、切削液のメンテナンス、又は切削液の交換の時期を考慮した生産のスケジュールの管理が可能となる。また、数値制御システムは、切削液の効果が低下した状態での加工による、工具寿命の悪化や加工精度の低下を回避することができる。
特に、複数のワークに対して同じ加工を行う工場や、１つのタンク３０を複数の工作機械２０で共有利用する集中管理型のタンクを有する工場では、切削液のメンテナンス、又は切削液の交換の時期を考慮した生産のスケジュールの管理することで、切削液の効果が低下した状態での加工による、工具寿命の悪化や加工精度の低下を回避することができ、効果的である。
また、予測装置４０は、切削液のメンテナンスで対応可能か、切削液の全液交換が必要かを判断できるため、切削液の無駄な廃液処理のコストや、新たな切削液の購入コストを抑制することができる。
また、予測装置４０は、学習済みモデル４５０を用いることにより、作業員が切削液のメンテナンス、又は切削液の交換の必要性を判断する必要がなくなり、作業員の負担を軽減することができる。
以上、一の実施形態について説明したが、予測装置４０、及び機械学習装置５０は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。
＜変形例１＞
上述の実施形態では、機械学習装置５０は、制御装置１０、工作機械２０及び予測装置４０と異なる装置として例示したが、機械学習装置５０の一部又は全部の機能を、制御装置１０、工作機械２０又は予測装置４０が備えるようにしてもよい。
＜変形例２＞
上述の実施形態では、予測装置４０は、制御装置１０や工作機械２０と異なる装置として例示したが、予測装置４０の一部又は全部の機能を、制御装置１０又は工作機械２０が備えるようにしてもよい。
あるいは、予測装置４０の入力部４０１、予測部４０２、決定部４０３、通知部４０４及び記憶部４０５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、予測装置４０の各機能を実現してもよい。
さらに、予測装置４０は、予測装置４０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。
＜変形例３＞
また例えば、上述の実施形態では、予測装置４０の決定部４０３は、予測された加工後の切削液の濃度、ｐＨ値、臭気レベルの各々における予測値や評価値Ｅと、閾値との比較に基づいて、加工前を切削液のメンテナンス、又は切削液の交換の時期として判定したが、これに限定されない。
例えば、決定部４０３は、加工条件に含まれる加工するワークの数が複数個（例えば１０個等）ある場合、加工後の切削液の濃度、ｐＨ値、臭気レベルの予測値が適正値を維持する、あるいは評価値Ｅが閾値Ｔｈを超えないように、加工するワークの数を調整してもよい。
より具体的には、決定部４０３は、例えば、これから行う加工条件で複数個のワークを加工することで、加工後の切削液の濃度、ｐＨ値、臭気レベルのいずれかの予測値が適正値から外れる、又は評価値Ｅが閾値Ｔｈを超える場合、さらに、（作業員の指示により）加工条件の「加工するワークの数」を１つずつ減らしつつ、予測部４０２に加工後の切削液の濃度、ｐＨ値、臭気レベルを予測させることで、適正値を維持する、又は閾値Ｔｈを超えないワークの数ｋ（例えば６個等）を探索してもよい。なお、ｋは、１以上の整数である。
そして、決定部４０３は、例えば、ｋ個のワークに対する加工後を、切削液のメンテナンス、又は切削液の全液交換を行う時期として判定する。これにより、図１の数値制御システムは、決定された時期であるきりのよい段階で、工作機械２０を停止させて切削液のメンテナンス、又は切削液の全液交換を行うことができる。
これにより、数値制御システムは、加工開始前に、どの程度加工すると切削液のメンテナンス、又は切削液の全液交換が必要になるかのタイミングを事前に予測することができる。そして、数値制御システムは、加工中に切削液のメンテナンス、又は切削液の全液交換の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
＜変形例４＞
また例えば、上述の実施形態では、予測装置４０は、機械学習装置５０から提供された学習済みモデル４５０を用いて、１つの制御装置１０から取得したこれから行う加工条件による加工後の切削液の濃度、ｐＨ値、臭気レベルを予測したが、これに限定されない。例えば、図８に示すように、サーバ６０は、機械学習装置５０により生成された学習済みモデル４５０を記憶し、ネットワーク７０に接続されたｍ個の予測装置４０Ａ（１）－４０Ａ（ｍ）と学習済みモデル４５０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、制御装置、及び予測装置が配置されても学習済みモデル４５０を適用することができる。
なお、予測装置４０Ａ（１）－４０Ａ（ｍ）の各々は、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々と接続され、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、工作機械２０Ａ（１）－２０Ａ（ｍ）の各々と接続される。
また、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、図１の制御装置１０に対応する。工作機械２０Ａ（１）－２０Ａ（ｍ）の各々は、図１の工作機械２０に対応する。予測装置４０Ａ（１）－４０Ａ（ｍ）の各々は、図１の予測装置４０に対応する。
あるいは、図９に示すように、サーバ６０は、例えば、予測装置４０として動作し、ネットワーク７０に接続された制御装置１０Ａ（１）－１０Ａ（ｍ）の各々に対して、これから行う加工条件による加工後の切削液の濃度、ｐＨ値、臭気レベルを予測してもよい。これにより、新たな工作機械及び制御装置が配置されても学習済みモデル４５０を適用することができる。
なお、一の実施形態における、予測装置４０、及び機械学習装置５０に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ-ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。
なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
以上を換言すると、本開示の機械学習装置、予測装置、及び制御装置は、次のような構成を有する各種各様の実施形態を取ることができる。
（１）本開示の機械学習装置５０は、任意の工作機械による加工における任意のワークに対する任意の加工条件と、当該加工条件による加工前の切削液の状態を示す状態情報と、を含む入力データを取得する入力データ取得部５０１と、入力データに含まれる加工条件による加工後の切削液の状態情報、を示すラベルデータを取得するラベル取得部５０２と、入力データ取得部５０１により取得された入力データと、ラベル取得部５０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル４５０を生成する学習部５０３と、を備える。
この機械学習装置５０によれば、加工後の切削液の状態を予測する学習済みモデル４５０を生成することができる。
（２）加工条件は、少なくとも加工するワークの数を含み、状態情報は、少なくとも切削液の濃度、ｐＨ値、及び臭気レベルを含んでもよい。
そうすることで、加工中に切削液のメンテナンス又は全液交換が必要になることを回避することができる。
（３）本開示の予測装置４０は、機械学習装置５０により生成された学習済みモデル４５０と、工作機械２０による加工に先立って、加工対象のワークに対するこれから行う加工条件と、切削液の現在の状態情報とを入力する入力部４０１と、入力部４０１により入力されたこれから行う加工条件と現在の状態情報とを学習済みモデル４５０に入力し、これから行う加工条件による加工後の切削液の状態情報を予測する予測部４０２と、を備える。
この予測装置４０によれば、加工後の切削液の状態を予測することができる。
（４）予測部４０２により予測された切削液の状態情報に含まれるいずれかの予測値と、予め設定された閾値との比較に基づいて、切削液のメンテナンスを行う時期を判定する決定部４０３を備えてもよい。
そうすることで、予測装置４０は、加工中にメンテナンスの必要性が発生することを回避することができ、加工品位の低下を回避することができる。
（５）決定部４０３は、切削液の状態情報に含まれるいずれかの予測値が適正値でない場合、切削液の状態情報に含まれる全ての予測値が適正値となるように、加工条件を変更してもよい。
そうすることで、加工開始前に、どの程度加工すると切削液のメンテナンスが必要になるかの時期を事前に予測することができる。
（６）予測部４０２により予測された切削液の状態情報に含まれる予測値を重み付け加算して評価値Ｅを算出し、算出した評価値Ｅと、予め設定された閾値Ｔｈとの比較に基づいて、切削液を全液交換する時期を判定する決定部４０３を備えてもよい。
そうすることで、予測装置４０は、加工中に全液交換の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
（７）予測部４０２により予測された切削液の状態情報に含まれる予測値を重み付け加算して評価値Ｅを算出し、算出した評価値Ｅと、予め設定された閾値Ｔｈとの比較に基づいて、切削液のメンテナンスを行う時期、又は切削液を全液交換する時期を判定する決定部４０３を備えてもよい。
そうすることで、予測装置４０は、加工中に切削液のメンテナンス、又は全液交換の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
（８）決定部４０３は、評価値Ｅが閾値以上の場合、評価値Ｅが前記閾値より小さくなるように、加工条件を変更してもよい。
そうすることで、加工開始前に、どの程度加工すると切削液の全液交換が必要になるかの時期を事前に予測することができる。
（９）決定部４０３は、加工条件に含まれるワークの数を調整してもよい。
そうすることで、加工開始前に、加工のきりのよい段階で、工作機械２０を停止させて切削液のメンテナンス、又は切削液の全液交換のスケジュールを組むことが可能となる。
（１０）学習済みモデル４５０を、予測装置４０からネットワーク７０を介してアクセス可能に接続されるサーバ６０に備えてもよい。
そうすることで、新たな制御装置１０、工作機械２０、及び予測装置４０が配置されても学習済みモデル４５０を適用することができる。
（１１）機械学習装置５０を備えてもよい。
そうすることで、上述の（１）から（１０）のいずれかと同様の効果を奏することができる。
（１２）本開示の制御装置１０は、予測装置４０を備えてもよい。
この制御装置１０によれば、上述の（１）から（１１）のいずれかと同様の効果を奏することができる。
１０ 制御装置
２０ 工作機械
３０ タンク
４０ 予測装置
５０ 機械学習装置
４０１ 入力部
４０２ 予測部
４０３ 決定部
４４０ 学習済みモデル
５０１ 入力データ取得部
５０２ ラベル取得部
５０３ 学習部

Claims (12)

  1. 任意の工作機械による加工における任意のワークに対する任意の加工条件と、当該加工条件による加工前の切削液の状態を示す状態情報と、を含む入力データを取得する入力データ取得部と、
    前記入力データに含まれる前記加工条件による加工後の前記切削液の状態情報、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、加工後の前記切削液の状態情報を予測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。
  2. 前記加工条件は、少なくとも加工するワークの数を含み、
    前記状態情報は、少なくとも前記切削液の濃度、ｐＨ値、及び臭気レベルを含む、
    請求項１に記載の機械学習装置。
  3. 請求項１又は請求項２に記載の機械学習装置により生成された学習済みモデルと、
    工作機械による加工に先立って、加工対象のワークに対するこれから行う加工条件と、切削液の現在の状態情報とを入力する入力部と、
    前記入力部により入力された前記これから行う加工条件と前記現在の状態情報とを前記学習済みモデルに入力し、前記これから行う加工条件による加工後の前記切削液の状態情報を予測する予測部と、
    を備える予測装置。
  4. 前記予測部により予測された前記切削液の状態情報に含まれるいずれかの予測値と、予め設定された閾値との比較に基づいて、前記切削液のメンテナンスを行う時期を判定する決定部を備える、請求項３に記載の予測装置。
  5. 前記決定部は、前記切削液の状態情報に含まれるいずれかの予測値が適正値でない場合、前記切削液の状態情報に含まれる全ての予測値が適正値となるように、前記加工条件を変更する、請求項４に記載の予測装置。
  6. 前記予測部により予測された前記切削液の状態情報に含まれる予測値を重み付け加算して評価値を算出し、算出した前記評価値と、予め設定された閾値との比較に基づいて、前記切削液を全液交換する時期を判定する決定部を備える、請求項３に記載の予測装置。
  7. 前記予測部により予測された前記切削液の状態情報に含まれる予測値を重み付け加算して評価値を算出し、算出した前記評価値と、予め設定された閾値との比較に基づいて、前記切削液のメンテナンスを行う時期、又は前記切削液を全液交換する時期を判定する決定部を備える、請求項３に記載の予測装置。
  8. 前記決定部は、前記評価値が閾値以上の場合、前記評価値が閾値より小さくなるように、前記加工条件を変更する、請求項６又は請求項７に記載の予測装置。
  9. 前記決定部は、前記加工条件に含まれるワークの数を調整する、請求項５又は請求項８に記載の予測装置。
  10. 前記学習済みモデルを、前記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３から請求項９のいずれか１項に記載の予測装置。
  11. 請求項１又は請求項２に記載の機械学習装置を備える、請求項３から請求項１０のいずれか１項に記載の予測装置。
  12. 請求項３から請求項１１のいずれか１項に記載の予測装置を備える、制御装置。
JP2019081832A 2019-04-23 2019-04-23 機械学習装置、予測装置、及び制御装置 Active JP7000376B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019081832A JP7000376B2 (ja) 2019-04-23 2019-04-23 機械学習装置、予測装置、及び制御装置
US16/839,395 US11583968B2 (en) 2019-04-23 2020-04-03 Machine learning device, prediction device, and controller
DE102020204412.0A DE102020204412A1 (de) 2019-04-23 2020-04-06 Maschinenlernvorrichtung, vorhersagevorrichtung und steuerung
CN202010312271.6A CN111830907A (zh) 2019-04-23 2020-04-20 机器学习装置、预测装置以及控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019081832A JP7000376B2 (ja) 2019-04-23 2019-04-23 機械学習装置、予測装置、及び制御装置

Publications (2)

Publication Number Publication Date
JP2020179433A JP2020179433A (ja) 2020-11-05
JP7000376B2 true JP7000376B2 (ja) 2022-01-19

Family

ID=72913676

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019081832A Active JP7000376B2 (ja) 2019-04-23 2019-04-23 機械学習装置、予測装置、及び制御装置

Country Status (4)

Country Link
US (1) US11583968B2 (ja)
JP (1) JP7000376B2 (ja)
CN (1) CN111830907A (ja)
DE (1) DE102020204412A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202219843A (zh) 2020-11-09 2022-05-16 日商發那科股份有限公司 機械學習裝置、洗淨預測裝置、及洗淨系統
AU2022204978A1 (en) * 2021-01-04 2023-07-20 Amgen Inc. Intelligent mitigation or prevention of equipment performance deficiencies
US11951578B1 (en) * 2022-12-02 2024-04-09 National Kaohsiung University Of Science And Technology Cutting fluid digital monitoring management system and method

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2566345B2 (ja) 1991-05-27 1996-12-25 洋太郎 畑村 加工機械
JP2001219338A (ja) 2000-02-04 2001-08-14 Toshiba Ceramics Co Ltd 加工液の汚濁度管理方法および汚濁度管理装置
US20140271002A1 (en) 2013-03-15 2014-09-18 Fanuc Corporation Cutting fluid control device for machine tool
JP2017042882A (ja) 2015-08-27 2017-03-02 ファナック株式会社 加工条件を調整しながら加工を行うワイヤ放電加工機
JP2017068563A (ja) 2015-09-30 2017-04-06 ファナック株式会社 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法
JP2017087403A (ja) 2015-11-17 2017-05-25 ファナック株式会社 クーラント監視機能を有する制御装置
WO2017090098A1 (ja) 2015-11-25 2017-06-01 株式会社日立製作所 設備管理装置および方法
JP2017164801A (ja) 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP2018024080A (ja) 2016-08-09 2018-02-15 株式会社ジェイテクト 工作機械システムのクーラント液の汚濁評価装置
JP2018069408A (ja) 2016-11-01 2018-05-10 ファナック株式会社 ワイヤ放電加工機
JP2018069409A (ja) 2016-11-01 2018-05-10 ファナック株式会社 ワイヤ放電加工機
JP2018097494A (ja) 2016-12-09 2018-06-21 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP2018106379A (ja) 2016-12-26 2018-07-05 ファナック株式会社 学習モデル構築装置およびオーバーヒート予知装置
JP2018124929A (ja) 2017-02-03 2018-08-09 ファナック株式会社 学習モデル構築装置、及び制御情報最適化装置
JP2018153872A (ja) 2017-03-15 2018-10-04 ファナック株式会社 洗浄工程最適化装置及び機械学習装置
JP2018181216A (ja) 2017-04-20 2018-11-15 ファナック株式会社 加工不良要因推定装置
JP2018202538A (ja) 2017-06-02 2018-12-27 株式会社ディスコ 加工廃液処理装置
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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0775937A (ja) * 1993-09-07 1995-03-20 Sodick Co Ltd 工作機械及びその制御方法
JP2000000721A (ja) * 1998-06-11 2000-01-07 Makino Milling Mach Co Ltd 放電加工機の加工液管理方法及び装置
JP4334310B2 (ja) * 2003-09-30 2009-09-30 三菱電機株式会社 放電加工装置
JP2006021570A (ja) * 2004-07-06 2006-01-26 Fujitsu Ten Ltd 消耗劣化品管理装置および消耗劣化品管理方法
CN103901927A (zh) * 2012-12-27 2014-07-02 山重建机有限公司 一种机床用切削液自动控制装置
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
JP6542713B2 (ja) * 2016-06-09 2019-07-10 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御装置および機械学習方法
JP6557198B2 (ja) * 2016-09-06 2019-08-07 ファナック株式会社 数値制御装置
JP6603260B2 (ja) * 2017-04-27 2019-11-06 ファナック株式会社 数値制御装置
JP6608890B2 (ja) * 2017-09-12 2019-11-20 ファナック株式会社 機械学習装置、ロボットシステム及び機械学習方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2566345B2 (ja) 1991-05-27 1996-12-25 洋太郎 畑村 加工機械
JP2001219338A (ja) 2000-02-04 2001-08-14 Toshiba Ceramics Co Ltd 加工液の汚濁度管理方法および汚濁度管理装置
US20140271002A1 (en) 2013-03-15 2014-09-18 Fanuc Corporation Cutting fluid control device for machine tool
JP2014176942A (ja) 2013-03-15 2014-09-25 Fanuc Ltd 工作機械の切削液管理装置
JP2017042882A (ja) 2015-08-27 2017-03-02 ファナック株式会社 加工条件を調整しながら加工を行うワイヤ放電加工機
JP2017068563A (ja) 2015-09-30 2017-04-06 ファナック株式会社 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法
JP2017087403A (ja) 2015-11-17 2017-05-25 ファナック株式会社 クーラント監視機能を有する制御装置
WO2017090098A1 (ja) 2015-11-25 2017-06-01 株式会社日立製作所 設備管理装置および方法
JP2017164801A (ja) 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP2018024080A (ja) 2016-08-09 2018-02-15 株式会社ジェイテクト 工作機械システムのクーラント液の汚濁評価装置
JP2018069408A (ja) 2016-11-01 2018-05-10 ファナック株式会社 ワイヤ放電加工機
JP2018069409A (ja) 2016-11-01 2018-05-10 ファナック株式会社 ワイヤ放電加工機
JP2018097494A (ja) 2016-12-09 2018-06-21 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP2018106379A (ja) 2016-12-26 2018-07-05 ファナック株式会社 学習モデル構築装置およびオーバーヒート予知装置
JP2018124929A (ja) 2017-02-03 2018-08-09 ファナック株式会社 学習モデル構築装置、及び制御情報最適化装置
JP2018153872A (ja) 2017-03-15 2018-10-04 ファナック株式会社 洗浄工程最適化装置及び機械学習装置
JP2018181216A (ja) 2017-04-20 2018-11-15 ファナック株式会社 加工不良要因推定装置
JP2018202538A (ja) 2017-06-02 2018-12-27 株式会社ディスコ 加工廃液処理装置
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
JP2020179433A (ja) 2020-11-05
CN111830907A (zh) 2020-10-27
DE102020204412A1 (de) 2021-01-14
US20200338677A1 (en) 2020-10-29
US11583968B2 (en) 2023-02-21

Similar Documents

Publication Publication Date Title
JP7000376B2 (ja) 機械学習装置、予測装置、及び制御装置
JP6404893B2 (ja) 工具寿命推定装置
JP6649684B2 (ja) びびり予測のための改良型データベース
JP6680756B2 (ja) 制御装置及び機械学習装置
JP6309936B2 (ja) クーラント監視機能を有する制御装置
US20190152011A1 (en) Predictive cutting tool failure determination
US10268187B2 (en) Manufacturing cell machine management system based on component degree of consumption
CN105843172B (zh) 具有自动地变更切削条件的功能的机床
JP2018153872A (ja) 洗浄工程最適化装置及び機械学習装置
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
WO2020075191A1 (en) Method and system for monitoring tool wear to estimate rul of tool in machining
JP2019198876A (ja) 加工条件調整装置及び機械学習装置
JP2019166559A (ja) 加工条件調整装置及び機械学習装置
JP2019141869A (ja) 制御装置及び機械学習装置
JP7328364B2 (ja) 機械学習装置、加工状態予測装置、及び制御装置
JP7053518B2 (ja) 切削液量調整装置及び切削液量調整システム
Wang et al. A computational framework for cloud-based machine prognosis
JP2016162179A (ja) スピンドルのオーバヒートを回避する数値制御装置
KR20170054957A (ko) 해양플랜트 예지보전 시스템 및 이를 사용한 해양플랜트 예지보전방법
JP7453409B2 (ja) 機械学習装置、洗浄予測装置、及び洗浄システム
JP2020123409A (ja) 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム
Li et al. A deep learning based method for cutting parameter optimization for band saw machine
Mushiri et al. The use of autonomous maintenance in the fertilizer industry in Zimbabwe
US20230237353A1 (en) Machine Learning Based Predictive P-F Curve Maintenance Optimization Platform and Associated Method
WO2022059595A1 (ja) 情報処理装置、及び情報処理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200909

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210421

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210628

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: 20211130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211223

R150 Certificate of patent or registration of utility model

Ref document number: 7000376

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150