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 PDFInfo
- 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
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
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。
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。
<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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
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)
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)
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)
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 |
-
2019
- 2019-04-23 JP JP2019081832A patent/JP7000376B2/ja active Active
-
2020
- 2020-04-03 US US16/839,395 patent/US11583968B2/en active Active
- 2020-04-06 DE DE102020204412.0A patent/DE102020204412A1/de active Pending
- 2020-04-20 CN CN202010312271.6A patent/CN111830907A/zh active Pending
Patent Citations (19)
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 |