KR102526225B1

KR102526225B1 - 와이어 단선 예측 장치

Info

Publication number: KR102526225B1
Application number: KR1020190139385A
Authority: KR
Inventors: 마사노부 다케모토; 게이타 하다
Original assignee: 화낙 코퍼레이션
Priority date: 2018-11-08
Filing date: 2019-11-04
Publication date: 2023-04-26
Also published as: KR20200053414A; JP2020075321A; TWI760651B; EP3653327A1; CN111151833A; TW202022656A; CN111151833B; US11630440B2; US20200150632A1; JP6863951B2

Abstract

와이어 단선 예측 장치는, 와이어 방전 가공기에 의한 워크의 가공시에, 와이어가 단선되어 있지 않은 상태에 있어서의 워크의 가공에 관련된 데이터를 취득하는 데이터 취득부와, 워크의 가공에 있어서 지령되는 가공 조건에 관련된 조건인 가공 조건 데이터와, 가공에 사용되는 부재에 관련된 가공 부재 데이터와, 워크의 가공시의 가공 상태 데이터를, 가공의 상태를 나타내는 상태 데이터로서 작성하는 전처리부와, 전처리부가 작성한 상태 데이터에 기초하여, 상태 데이터와 와이어 방전 가공기의 와이어가 단선되지 않은 상태의 상관성을 나타내는 학습 모델을 생성하는 학습부를 구비한다.

Description

와이어 단선 예측 장치{WIRE DISCONNECTION PREDICTION DEVICE}

본 발명은, 와이어 단선 예측 장치에 관한 것이다.

와이어 방전 가공기에서는, 가공 대상이 되는 워크를 한창 가공하고 있을 때, 가공에 사용하고 있는 와이어 전극이 단선되는 경우가 있다. 와이어의 단선은, 방전 가공의 상황에 따라, 발생되기 어려운 경우와 발생되기 쉬운 경우가 있다.

예를 들어, 도 6 에 나타내는 바와 같이, 가공 대상이 되는 워크에 단차가 있는 경우, 워크의 두꺼운 부분을 가공할 때에는, 후판용의 가공 조건 (에너지의 공급량이 큰 가공 조건) 에서 워크를 가공한다 (도 6 의 상측 도면). 그 가공 조건인 채로 워크의 얇은 부분의 가공에 들어가면 (도 6 의 하측 도면), 가공의 파워가 지나치게 강하여 와이어가 단선되기 쉬워진다.

또, 도 7 에 예시되는 바와 같이, 방전 가공 중에는 와이어의 가이드 부분에 배치되는 노즐로부터 와이어와 워크 사이에 가공액이 공급되고 있다. 노즐로부터 공급되는 가공액은, 직선부의 가공시에는, 와이어의 이동 방향에 대해 후방으로 흘러 슬러지 (가공 찌꺼기) 가 효율적으로 배출되어 가지만, 코너부를 가공하고 있을 때에는, 와이어 이동 방향의 후방이 막다른 곳이 되어 있기 때문에, 슬러지 (가공 찌꺼기) 가 효율적으로 배출되지 않게 되어, 정상 방전이 충분히 행해지지 않아 단선되기 쉬워진다.

도 8 과 같이 와이어를 워크에 대해 절입할 때에는, 노즐로부터 공급되는 가공액이 가공 부분에서 주위로 확산되기 쉬워져, 가공 부분에 충분한 가공액이 공급되지 않게 되는 현상이 발생한다. 그 때문에, 워크에 대한 절입시에는, 와이어가 단선되기 쉬워진다.

그 외에도, 워크에 불순물이 섞여 있는 경우 등에는, 워크의 소재의 부분과 불순물의 부분에서 아크 방전의 발생 빈도가 바뀐다. 그 때문에, 치우친 방전이 발생되기 쉬워져, 와이어의 단선이 발생되기 쉬워진다.

이와 같은 와이어의 단선은, 가공면에 발생하는 주름의 원인이 되는 등, 가공 품질에 대해 영향을 미친다. 와이어가 단선되었을 때에는 가공을 중단하고, 상하 가이드의 위치를 워크의 가공 개시점까지 되돌려 와이어의 결선을 실시하고, 단선된 위치에 상하 가이드를 이동시켜 가공을 재개할 필요가 있기 때문에, 가공 효율이 저하된다는 문제가 있다.

와이어 단선을 방지하기 위한 종래 기술로서, 예를 들어 일본 공개특허공보 2010-240761호에는, 워크의 판두께가 바뀌는 단차 부위에 있어서 가공 조건을 변경하는 기술이 개시되어 있다. 일본 공개특허공보 2001-105238호에는, 와이어 전극과 워크 사이에 가하는 전압에 이상을 검출한 경우, 전류의 바이패스용의 스위치를 온으로 하여 단선을 회피하는 기술이 개시되어 있다. 국제 공개 특허 제2011/089648호에는, 시험 가공 공정에 있어서 판두께마다의 단선 임계값과 적절한 가공 조건을 취득하여, 가공 중에 판두께에 따른 적절한 가공 조건을 설정할 수 있도록 하는 기술이 개시되어 있다.

그러나, 와이어 방전 가공기에서의 와이어의 단선은, 여러 가지 상황에 있어서 발생한다. 그 때문에, 일본 공개특허공보 2010-240761호에 나타내는 가공 조건을 변경하는 방법을 취한다고 해도, 단선이 발생되기 쉬워지는 여러 가지 상황에 대해 미리 실험 등을 실시해 둘 필요가 있다. 또, 복수의 상황의 조합에 의해 단선이 발생하는 것에 대해 대응하는 것이 어렵다. 또, 일본 공개특허공보 2001-105238호에 나타내는 기술에 있어서도, 이상 전압이라고 판단하는 임계값은 가공의 상황에 따라 바뀐다. 그 때문에, 소정의 전압을 검출했을 때에 상황을 고려하지 않고 일률적으로 바이패스하도록 해도 효율이 양호한 가공을 실시할 수 있다고는 할 수 없다. 또, 국제 공개 특허 제2011/089648호에 나타내는 기술에서는, 여러 가지 종류의 워크마다, 미리 복수의 판두께에서의 시험 가공 공정을 실시할 필요가 있다. 그 때문에, 모든 상황에 대응하려면 시간이 든다는 문제가 있다.

그래서 본 발명의 목적은, 와이어 방전 가공기에 의한 가공에 있어서의 여러 가지 가공 상황에 따른 와이어의 단선 예측을 가능하게 하는 와이어 단선 예측 장치를 제공하는 것이다.

본 발명에서는, 와이어 방전 가공기에 의한 가공시에 취득되는 가공의 상황에 관련된 가공 데이터와 기계 학습 모델을 사용하여 와이어 단선 리스크를 예측함으로써, 상기 과제를 해결한다. 본 발명의 와이어 단선 예측 장치가 사용하는 학습 모델로는, 가공 조건과 와이어 단선 리스크의 상관값을 산출 가능한 학습 모델을 사용하는 것을 상정하고 있고, 본 명세서에서는 그 일례로서, 기계 학습을 사용한 이상 검지 방법으로서 잘 사용되는 MT (마할라노비스·다구찌) 법을 이용한 예를 나타낸다. MT 법을 이용한 와이어 단선 예측을 위한 학습에 있어서, 와이어 단선 예측 장치는, 와이어가 단선되지 않는 가공시에 취득된 가공 데이터를 사용하여 학습을 실시함으로써 학습 모델을 작성한다. 그리고, 와이어 단선 예측 장치에 의한 와이어 단선 예측시에는, 와이어 단선 예측 장치는, 가공시에 취득된 가공 데이터를 그 학습 모델에 입력하고, 취득된 가공 데이터와 와이어가 단선되지 않을 때의 가공 데이터의 거리 (마할라노비스 거리) 를 산출하고, 그 산출 결과로부터 와이어 단선 리스크를 추정한다. 그리고, 와이어 단선 예측 장치는, 추정한 와이어 단선 리스크에 기초하여 와이어 방전 가공기에 의한 가공 조건을 최적화한다.

그리고, 본 발명의 일 양태는, 와이어 방전 가공기에 있어서의 워크의 가공시의 와이어 단선 리스크를 추정하는 와이어 단선 예측 장치로서, 상기 와이어 방전 가공기에 의한 워크의 가공시에, 와이어가 단선되어 있지 않은 상태에 있어서의 워크의 가공에 관련된 데이터를 취득하는 데이터 취득부와, 상기 데이터 취득부가 취득한 데이터에 기초하여, 워크의 가공에 있어서 지령되는 가공 조건에 관련된 조건인 가공 조건 데이터와, 가공에 사용되는 부재에 관련된 가공 부재 데이터와, 워크의 가공시의 가공 상태 데이터를, 가공의 상태를 나타내는 상태 데이터로서 작성하는 전처리부와, 상기 전처리부가 작성한 상태 데이터에 기초하여, 그 상태 데이터와 상기 와이어 방전 가공기의 와이어가 단선되지 않은 상태의 상관성을 나타내는 학습 모델을 생성하는 학습부를 구비한 와이어 단선 예측 장치이다.

본 발명의 다른 양태는, 와이어 방전 가공기에 있어서의 워크의 가공시의 와이어 단선 리스크를 추정하는 와이어 단선 예측 장치로서, 상기 와이어 방전 가공기에 의한 워크의 가공시에, 워크의 가공에 관련된 데이터를 취득하는 데이터 취득부와, 상기 데이터 취득부가 취득한 데이터에 기초하여, 워크의 가공에 있어서 지령되는 가공 조건에 관련된 조건인 가공 조건 데이터와, 가공에 사용되는 부재에 관련된 가공 부재 데이터와, 워크의 가공시의 가공 상태 데이터를, 가공의 상태를 나타내는 상태 데이터로서 작성하는 전처리부와, 가공의 상태를 나타내는 상태 데이터와 상기 와이어 방전 가공기의 와이어가 단선되지 않은 상태의 상관성을 학습한 학습 모델을 기억하는 학습 모델 기억부와, 상기 전처리부가 작성한 상태 데이터에 기초하여, 상기 학습 모델 기억부에 기억된 학습 모델을 사용한 상기 와이어 방전 가공기의 와이어 단선 리스크를 추정하는 추정부를 구비한 와이어 단선 예측 장치이다.

본 발명에 의해, 와이어 방전 가공기에 의한 가공에 있어서의 여러 가지 가공 상황에 따른 와이어의 단선 예측이 가능해지고, 또, 예측한 와이어 단선 리스크에 기초하여 와이어 방전 가공기의 가공 조건을 자동적으로 조정하는 것이 가능해진다.

본 발명의 상기한 및 그 밖의 목적 및 특징은, 첨부 도면을 참조한 이하의 실시예의 설명으로부터 명확해질 것이다. 그들 도면 중 :
도 1 은, 본 발명의 일 실시형태에 의한 와이어 단선 예측 장치의 개략적인 하드웨어 구성도이다.
도 2 는, 제 1 실시형태에 의한 와이어 단선 예측 장치의 개략적인 기능 블록도이다.
도 3 은, 학습부가 생성하는 학습 모델의 이미지를 예시하는 도면이다.
도 4 는, 제 2 실시형태에 의한 와이어 단선 예측 장치의 개략적인 기능 블록도이다.
도 5 는, 추정부에 의한 와이어 단선 리스크의 추정의 이미지를 예시하는 도면이다.
도 6 은, 와이어 방전 가공기에 있어서의 와이어 단선 리스크의 예를 나타내는 도면이다.
도 7 은, 와이어 방전 가공기에 있어서의 와이어 단선 리스크의 다른 예를 나타내는 도면이다.
도 8 은, 와이어 방전 가공기에 있어서의 와이어 단선 리스크의 다른 예를 나타내는 도면이다.

이하, 본 발명의 실시형태를 도면과 함께 설명한다.

도 1 은, 본 발명의 일 실시형태에 의한 와이어 단선 예측 장치의 주요부를 나타내는 개략적인 하드웨어 구성도이다. 본 실시형태의 와이어 단선 예측 장치 (1) 는, 와이어 방전 가공기를 제어하는 제어 장치로서 실장할 수 있다. 또, 와이어 단선 예측 장치 (1) 는, 와이어 방전 가공기를 제어하는 제어 장치와 병설된 컴퓨터나, 와이어 방전 가공기를 제어하는 제어 장치와 네트워크를 통하여 접속된 관리 장치 (3), 에지 컴퓨터, 셀 컴퓨터, 호스트 컴퓨터, 클라우드 서버 등의 컴퓨터로서 실장할 수 있다. 본 실시형태에서는, 와이어 단선 예측 장치 (1) 를, 와이어 방전 가공기를 제어하는 제어 장치와 유선/무선의 네트워크 (7) 를 통하여 접속된 컴퓨터로서 실장한 경우의 예를 나타낸다.

본 실시형태에 의한 와이어 단선 예측 장치 (1) 가 구비하는 CPU (11) 는, 와이어 단선 예측 장치 (1) 를 전체적으로 제어하는 프로세서이다. CPU (11) 는, 버스 (22) 를 통하여 접속되어 있는 ROM (12) 에 격납된 시스템·프로그램을 판독 출력하고, 그 시스템·프로그램에 따라 와이어 단선 예측 장치 (1) 전체를 제어한다. RAM (13) 에는 일시적인 계산 데이터나 표시 장치 (70) 에 표시하기 위한 표시 데이터, 입력 장치 (71) 를 통하여 오퍼레이터가 입력한 각종 데이터 등이 격납된다.

불휘발성 메모리 (14) 는, 예를 들어 도시되지 않은 배터리로 백업된 메모리나 SSD (Solid State Drive) 등으로 구성되고, 와이어 단선 예측 장치 (1) 의 전원이 오프되어도 기억 상태가 유지되는 메모리로서 구성된다. 불휘발성 메모리 (14) 에는, 와이어 단선 예측 장치 (1) 의 동작에 관련된 설정 정보가 격납되는 설정 영역이나, 입력 장치 (71) 로부터 입력된 데이터, 각각의 와이어 방전 가공기 (2) 로부터 취득되는 각종 데이터 (워크 재질, 워크 형상, 와이어 재질, 와이어 직경 등), 각각의 와이어 방전 가공기 (2) 의 동작에 있어서 검출되는 각종 물리량 (가공 경로, 가공 전압, 전류, 속도, 가공액량, 가공액압, 정상 방전 횟수, 이상 방전 횟수 등), 도시되지 않은 외부 기억 장치나 네트워크를 통하여 판독된 데이터 등이 기억된다. 불휘발성 메모리 (14) 에 기억된 프로그램이나 각종 데이터는, 실행시/이용시에는 RAM (13) 으로 전개되어도 된다. 또, ROM (12) 에는, 각종 데이터를 해석하기 위한 공지된 해석 프로그램 등을 포함하는 시스템·프로그램이 미리 기록되어 있다.

와이어 단선 예측 장치 (1) 는, 인터페이스 (20) 를 통하여 유선/무선의 네트워크 (7) 와 접속되어 있다. 네트워크 (7) 에는, 적어도 1 개의 와이어 방전 가공기 (2) 나, 그 와이어 방전 가공기 (2) 에 의한 가공 작업을 관리하는 관리 장치 (3) 등이 접속되어 있고, 와이어 방전 가공기 (2) 나 관리 장치 (3) 는, 와이어 단선 예측 장치 (1) 와의 사이에서 서로 데이터의 교환을 실시하고 있다.

와이어 방전 가공기 (2) 는, 가공액 중의 와이어 전극과 워크에 전압을 인가하여, 아크 방전을 발생시키고, 이 방전의 열에 의해 워크를 용융하고, 급격하게 가열된 가공액의 기화 폭발에 의해 용융된 워크를 날려 버림으로써 워크를 가공한다. 와이어 방전 가공기 (2) 는, 상하 가이드, 상하 노즐, 와이어, 모터, 가공 전원 등의 여러 가지 기재로 구성되어 있고, 각 부의 상태가 센서 등에 의해 검출되고, 각 부의 동작이 제어 장치에 의해 제어된다.

표시 장치 (70) 에는, 메모리 상에 판독된 각 데이터, 프로그램 등이 실행된 결과로서 얻어진 데이터 등이 인터페이스 (18) 를 통하여 출력되어 표시된다. 또, 키보드나 포인팅 디바이스 등으로 구성되는 입력 장치 (71) 는, 작업자에 의한 조작에 기초하는 지령, 데이터 등을 인터페이스 (19) 를 통하여 CPU (11) 에 전달한다.

인터페이스 (23) 는, 와이어 단선 예측 장치 (1) 에 기계 학습 장치 (300) 를 접속한다. 기계 학습 장치 (300) 는, 기계 학습 장치 (300) 전체를 통어하는 프로세서 (301) 와, 시스템·프로그램 등을 기억한 ROM (302), 기계 학습에 관련된 각 처리에 있어서의 일시적인 기억을 행하기 위한 RAM (303) 및 학습 모델 등의 기억에 사용되는 불휘발성 메모리 (304) 를 구비한다. 기계 학습 장치 (300) 는, 인터페이스 (23) 를 통하여 와이어 단선 예측 장치 (1) 로 취득 가능한 각 정보 (예를 들어, 워크 재질, 워크 형상, 와이어 재질, 와이어 직경, 가공 경로, 가공 전압, 전류, 속도, 가공액량, 가공액압, 정상 방전 횟수, 이상 방전 횟수 등) 를 관측한다. 또, 와이어 단선 예측 장치 (1) 는, 기계 학습 장치 (300) 로부터 출력되는 처리 결과를 인터페이스 (23) 를 통하여 취득하고, 취득한 결과를 기억하거나, 표시하거나, 다른 장치에 대해 도시되지 않은 네트워크 등을 통하여 송신한다.

도 2 는, 일 실시형태에 의한 와이어 단선 예측 장치 (1) 와 기계 학습 장치 (300) 의 개략적인 기능 블록도이다. 도 2 에 나타내는 와이어 단선 예측 장치 (1) 는, 기계 학습 장치 (300) 가 학습을 실시하는 경우에 필요해지는 구성을 구비하고 있다 (학습 모드). 도 2 에 나타낸 각 기능 블록 (데이터 취득부 (30), 전처리부 (32), 학습부 (110) 등) 은, 도 1 에 나타낸 와이어 단선 예측 장치 (1) 가 구비하는 CPU (11) 및 기계 학습 장치 (300) 의 프로세서 (301) 가, 각각의 시스템·프로그램을 실행하고, 와이어 단선 예측 장치 (1) 및 기계 학습 장치 (300) 의 각 부의 동작을 제어함으로써 실현된다.

본 실시형태의 와이어 단선 예측 장치 (1) 는, 데이터 취득부 (30), 전처리부 (32) 를 구비한다. 와이어 단선 예측 장치 (1) 가 구비하는 기계 학습 장치 (300) 는, 학습부 (110) 를 구비한다. 또, 불휘발성 메모리 (14) (도 1) 에는, 데이터 취득부 (30) 가 와이어 방전 가공기 (2) 로부터 취득한 데이터를 기억하는 취득 데이터 기억부 (50) 가 형성되어 있다. 기계 학습 장치 (300) 의 불휘발성 메모리 (304) (도 1) 에는, 학습부 (110) 에 의한 기계 학습에 의해 구축된 학습 모델을 기억하는 학습 모델 기억부 (130) 가 형성되어 있다.

데이터 취득부 (30) 는, 와이어 방전 가공기 (2) 로부터 각종 데이터를 취득한다. 데이터 취득부 (30) 는, 예를 들어, 와이어 방전 가공기 (2) 의 가공 중에, 워크 재질, 워크 형상, 와이어 재질, 와이어 직경, 가공 경로, 가공 전압, 전류, 속도, 가공액량, 가공액압, 정상 방전 횟수, 이상 방전 횟수 등의 각 데이터를 취득하고, 취득 데이터 기억부 (50) 에 기억한다. 데이터 취득부 (30) 는, 와이어 방전 가공기 (2) 에 있어서 정상적으로 가공이 실시되고 있을 때 (즉, 와이어가 단선되지 않을 때) 의 와이어 방전 가공기 (2) 에 관련된 복수의 데이터를 취득한다. 데이터 취득부 (30) 는, 와이어 방전 가공기 (2) 의 제어 장치에 설정된 가공에 관련된 조건이나, 와이어 방전 가공기 (2) 의 제어 장치가 각 부에 지령하는 지령값, 와이어 방전 가공기 (2) 의 제어 장치가 각 부로부터 계측한 계측값, 별도 설치한 센서 등에 의한 검출값 등으로서 데이터를 취득할 수 있다. 데이터 취득부 (30) 는, 도시되지 않은 외부 기억 장치나 유선/무선의 네트워크를 통하여 다른 장치로부터 데이터를 취득하도록 해도 된다.

전처리부 (32) 는, 데이터 취득부 (30) 가 취득한 데이터에 기초하여, 기계 학습 장치 (300) 에 의한 학습에 사용되는 학습 데이터를 작성한다. 전처리부 (32) 는, 각 데이터를 기계 학습 장치 (300) 에 있어서 취급되는 통일적인 형식으로 변환 (수치화, 샘플링 등) 한 학습 데이터를 작성한다. 전처리부 (32) 는, 기계 학습 장치 (300) 가 실시하는 소위 교사 없는 학습을 위한 소정의 형식의 상태 데이터 S 를 학습 데이터로서 작성한다. 전처리부 (32) 가 작성하는 상태 데이터 S 는, 와이어 방전 가공기 (2) 의 워크의 가공에 관련된 가공 전압, 가공 전류, 가공 속도, 가공액량, 가공액압의 지령값을 포함하는 가공 조건 데이터 S1 과, 와이어 방전 가공기 (2) 에서 가공에 사용되는 와이어의 재질이나 와이어 직경, 가공하는 워크의 재질 등을 포함하는 가공 부재 데이터 S2 와, 와이어 방전 가공기 (2) 의 워크의 가공에 있어서 계측된 전압, 전류, 정상 방전 횟수, 이상 방전 횟수 등을 포함하는 가공 상태 데이터 S3 을 포함한다.

가공 조건 데이터 S1 은, 데이터 취득부 (30) 가 취득한, 와이어 방전 가공기 (2) 의 제어 장치가 각 부에 지령하는 지령값 등을 사용할 수 있다. 가공 조건 데이터 S1 은, 가공 프로그램에 의한 지령이나, 와이어 방전 가공기 (2) 에 설치된 각종 지령값을 사용하도록 해도 된다.

가공 부재 데이터 S2 는, 데이터 취득부 (30) 가 취득한, 와이어 방전 가공기 (2) 의 제어 장치에 설정되어 있는 와이어나 워크의 정보를 사용할 수 있다.

가공 상태 데이터 S3 은, 데이터 취득부 (30) 가 취득한, 와이어 방전 가공기 (2) 의 제어 장치가 각 부로부터 계측한 계측값, 별도 설치한 센서 등에 의한 검출값 등을 사용할 수 있다. 가공 상태 데이터 S3 은, 예를 들어 가공시에 계측된 전압값의 시계열 데이터나 전압 파형을 나타내는 파라미터 (방전 펄스 시간, 휴지 펄스 시간, 피크값, 펄스폭 등의 와이어 방전 가공에 있어서의 공지된 파라미터), 전류값의 시계열 데이터 전류 파형을 나타내는 파라미터 (방전 펄스 시간, 휴지 펄스 시간, 피크값, 펄스폭 등의 와이어 방전 가공에 있어서의 공지된 파라미터), 소정의 시간 주기 내에 있어서의 정상 방전 (예를 들어, 극간 전압값이, 판정 레벨을 초과하고 나서 판정 시간이 경과한 후에 판정 레벨을 하회한 것), 이상 방전 (예를 들어, 극간 전압값이, 판정 레벨을 초과하고 나서 판정 시간이 경과하기 전에 판정 레벨을 하회한 것이나, 판정 레벨을 초과하지 않는 것 등) 의 횟수를 사용하면 된다.

학습부 (110) 는, 전처리부 (32) 가 작성한 학습 데이터를 사용한 교사 없는 학습을 실시하고, 와이어 방전 가공기 (2) 에 있어서의 와이어가 단선되지 않은 상황과, 그 때의 상태 데이터 S 의 상관성을 학습한 학습 모델을 생성한다 (학습한다). 본 실시형태의 학습부 (110) 는, 와이어 방전 가공기 (2) 에 있어서의 와이어가 단선되지 않은 상황과, 그 때의 상태 데이터 S 의 상관성을, 예를 들어 MT (마할라노비스·다구찌) 법에 의해 학습한다. MT 법은, 다차원의 정보로 구성된 데이터의 집합에 대해 하나의 척도를 도입하고, 그 경향을 인식하기 위한 정보 처리 기술이다.

본 실시형태에서는, 학습부 (110) 는, 전처리부 (32) 가 작성한 학습 데이터 (가공 조건 데이터 S1, 가공 부재 데이터 S2, 가공 상태 데이터 S3) 를 기준이 되는 정상 데이터군으로서, 각 학습 데이터의 데이터 항목을 요소로 하는 벡터 x 를 생각했을 때의 그 정상 데이터군의 집합을 단위 공간으로 한다. 다음으로, 학습부 (110) 는, 그 정상 데이터군을 구성하는 각 데이터에 기초하여, 단위 공간의 중심 위치 (평균 벡터) 를 구하고, 또, 그 정상 데이터군을 구성하는 각 데이터에 기초하여, 단위 공간의 상관 계수 행렬을 추정한다. 그리고, 학습부 (110) 는, 그 정상 데이터군을 구성하는 각 데이터에 대해 중심 위치로부터의 마할라노비스 거리를 계산하고, 그 계산 결과에 기초하여 임계값을 정하고, 이들 산출한 각 값을 학습 모델로서 학습 모델 기억부 (130) 에 기억한다. 또한, MT 법의 상세한 것에 대하여는, 이미 많은 문헌에 의해 공지가 되어 있기 때문에, 본 명세서에 있어서의 상세한 설명은 생략한다.

도 3 은, 학습부 (110) 가 작성하는 학습 모델의 이미지를 예시하는 도면이다. 도 3 에서는, 학습 모델의 이미지를 파악하기 쉽게 하기 위해서, 학습 데이터가 가공 전압, 가공 속도, 이상 방전 횟수의 3 개의 파라미터로 구성되어 있는 것으로서 이미지를 나타내고 있다. 그리고, 새롭게 와이어 방전 가공기 (2) 로부터 가공 중의 데이터 (상태 데이터) 가 취득되었을 때, 학습 데이터의 벡터 공간에 있어서의 단위 공간의 중심 위치로부터의 마할라노비스 거리가, 정해진 임계값을 초과한 경우에, 가공 상태가 이상 (와이어가 단선될 리스크가 있다) 으로 판정한다.

도 4 는, 다른 실시형태에 의한 와이어 단선 예측 장치 (1) 와 기계 학습 장치 (300) 의 개략적인 기능 블록도이다. 본 실시형태의 와이어 단선 예측 장치 (1) 는, 기계 학습 장치 (300) 가 추정을 실시하는 경우에 필요해지는 구성을 구비하고 있다 (추정 모드). 도 4 에 나타낸 각 기능 블록은, 도 1 에 나타낸 와이어 단선 예측 장치 (1) 가 구비하는 CPU (11) 및 기계 학습 장치 (300) 의 프로세서 (301) 가, 각각의 시스템·프로그램을 실행하고, 와이어 단선 예측 장치 (1) 및 기계 학습 장치 (300) 의 각 부의 동작을 제어함으로써 실현된다.

본 실시형태의 와이어 단선 예측 장치 (1) 는, 앞의 실시형태와 마찬가지로 데이터 취득부 (30), 전처리부 (32) 를 구비하고, 추가로 가공 조건 변경부 (34) 를 구비한다. 또, 와이어 단선 예측 장치 (1) 가 구비하는 기계 학습 장치 (300) 는, 추정부 (120) 를 구비하고 있다. 또한, 불휘발성 메모리 (14) (도 1) 에는, 데이터 취득부 (30) 가 와이어 방전 가공기 (2) 로부터 취득한 데이터를 기억하는 취득 데이터 기억부 (50) 가 형성되어 있고, 기계 학습 장치 (300) 의 불휘발성 메모리 (304) (도 1) 에는, 학습부 (110) (도 2) 에 의한 기계 학습에 의해 구축된 학습 모델을 기억하는 학습 모델 기억부 (130) 가 형성되어 있다.

본 실시형태에 의한 데이터 취득부 (30), 전처리부 (32) 는, 제 1 실시형태의 데이터 취득부 (30), 전처리부 (32) 의 기능과 동일한 기능을 구비한다.

추정부 (120) 는, 전처리부 (32) 가 작성한 상태 데이터 S 에 기초하여, 학습 모델 기억부 (130) 에 기억된 학습 모델을 사용한 와이어 방전 가공기 (2) 의 와이어 단선 리스크의 추정을 실시한다. 본 실시형태의 추정부 (120) 에서는, 학습부 (110) (도 2) 에 의해 작성된 학습 모델 (와이어 방전 가공기 (2) 에 있어서의 와이어가 단선되지 않은 상황과, 그 때의 상태 데이터 S 의 상관성) 하에서, 와이어가 단선되지 않고 가공이 되어 있을 때에 취득된 데이터군으로부터, 전처리부 (32) 로부터 입력된 상태 데이터 S 가 어느 정도 떨어져 있는지를 나타내는 거리 (상관성을 고려한 거리) 를 구한다. 그리고, 그 결과에 기초하여 와이어 방전 가공기 (2) 의 와이어 단선 리스크를 추정한다. 본 실시형태의 추정부 (120) 는, 와이어 방전 가공기 (2) 의 와이어 단선 리스크를 MT 법에 의해 추정한다.

본 실시형태에서는, 추정부 (120) 는, 전처리부 (32) 가 작성한 추정 대상이 되는 상태 데이터 S (가공 조건 데이터 S1, 가공 부재 데이터 S2, 가공 상태 데이터 S3) 에 대하여, 상태 데이터 S 의 데이터 항목을 요소로 하는 벡터 x 를 생각했을 때에, 그 벡터 x 와 학습 데이터의 벡터 공간에 있어서의 단위 공간의 중심 위치의 마할라노비스 거리가, 정해진 임계값을 초과하는 경우에, 가공 상태가 이상 (와이어가 단선될 리스크가 있다) 이라고 추정한다. 추정부 (120) 는, 단위 공간의 중심 위치와 벡터 x 의 마할라노비스 거리의, 임계값으로부터 얼마나 떨어져 있는지의 정도에 따라, 와이어 단선 리스크의 정도가 높아진다고 추정하도록 해도 된다. 이 때, 단위 공간의 중심 위치와 벡터 x 의 마할라노비스 거리에 대해 소정의 계수를 곱한 값을 와이어 단선 리스크값으로 하도록 해도 된다.

도 5 는, 추정부 (120) 에 의한 추정 처리의 이미지를 예시하는 도면이다. 도 5 에서는, 데이터 취득부가 취득한 데이터에 기초하여 전처리부 (32) 가 데이터 (a), (b), (c) 를 작성한 경우를 나타내고 있다. 도 5 의 예에 있어서, 소정의 가공 상태에 있어서 취득된 데이터 (a) 는 단위 공간의 중심 위치에서 보아 임계값의 범위 내에 있기 때문에, 그 가공 상태에서는 와이어가 단선될 리스크는 낮다고 추정한다. 소정의 가공 상태에 있어서 취득된 데이터 (b), (c) 는 모두 단위 공간의 중심 위치에서 보아 임계값의 범위 외에 있기 때문에, 그 가공 상태에서는 와이어가 단선될 리스크는 높다고 추정한다. 데이터 (b) 는 데이터 (c) 와 비교하여 단위 공간의 중심 위치로부터의 마할라노비스 거리가 길기 때문에, 데이터 (b) 가 나타내는 가공 상태는 데이터 (c) 가 나타내는 가공 상태보다 와이어 단선 리스크가 높다고 추정한다.

추정부 (120) 가 추정한 결과 (와이어 단선 리스크) 는, 표시 장치 (70) 에 표시 출력하거나, 도시되지 않은 유선/무선 네트워크를 통하여 호스트 컴퓨터나 클라우드 컴퓨터 등에 송신 출력하여 이용하도록 해도 된다. 또, 추정부 (120) 가 추정한 결과에 기초하여, 가공 조건 변경부 (34) 가 와이어 방전 가공기 (2) 의 가공 조건을 변경하도록 해도 된다.

가공 조건 변경부 (34) 는, 추정부 (120) 가 추정한 결과 (와이어 단선 리스크) 가 「와이어가 단선될 리스크가 높다」고 되어 있는 경우에, 와이어 방전 가공기 (2) 의 가공 조건을 와이어가 단선되기 어려워지도록 (예를 들어, 가공부에 공급되는 파워가 하강하도록 방전 휴지 시간을 길게 하거나, 가공 위치에 공급하는 가공액의 양을 올리는 등) 조정한다. 또, 가공 조건 변경부 (34) 는, 추정부 (120) 가 추정한 결과 (와이어 단선 리스크) 가 「와이어가 단선될 리스크가 낮다」고 되어 있는 경우에, 와이어 방전 가공기 (2) 의 가공 조건을 가공 속도가 향상되도록 (예를 들어, 가공부에 공급되는 파워가 상승하도록 방전 휴지 시간을 짧게 하는 등) 조정한다. 가공 조건 변경부 (34) 는, 추정부 (120) 가 와이어 단선 리스크의 정도를 추정하는 경우에는, 추정된 와이어 단선 리스크의 정도에 따라 가공 조건의 변경량을 변경하도록 해도 된다.

상기 구성을 구비한 와이어 단선 예측 장치 (1) 에서는, 와이어 방전 가공기 (2) 로부터 취득된 데이터에 기초하여, 추정부 (120) 가 와이어 방전 가공기 (2) 의 와이어 단선 리스크를 추정하고, 그 추정 결과에 기초하여 와이어 방전 가공기 (2) 의 가공 조건을 조정한다. 그 때문에, 가공의 상태에 따른 와이어가 단선되지 않는 적절한 가공 조건에서의 가공을 실시할 수 있게 된다. 그 때문에, 무인 운전시에 있어서도 일률적으로 가공 조건을 떨어뜨릴 필요가 없어지기 때문에, 효율이 양호한 와이어 방전 가공 (와이어가 단선되지 않는 범위에서 가공 속도를 고속으로 유지한 와이어 방전 가공) 을 실시하게 할 수 있게 된다.

이상, 본 발명의 일 실시형태에 대해 설명했지만, 본 발명은 상기 서술한 실시형태의 예에만 한정되지 않고, 적절한 변경을 가함으로써 여러 가지 양태로 실시할 수 있다.

예를 들어, 상기한 실시형태에서는 와이어 단선 예측 장치 (1) 와 기계 학습 장치 (300) 가 상이한 CPU (프로세서) 를 갖는 장치로서 설명하고 있지만, 기계 학습 장치 (300) 는 와이어 단선 예측 장치 (1) 가 구비하는 CPU (11) 와, ROM (12) 에 기억되는 시스템·프로그램에 의해 실현되도록 해도 된다.

상기한 실시형태에서는 와이어 단선 예측 장치 (1) 를 와이어 방전 가공기 (2) 의 제어 장치와 네트워크 (7) 를 통하여 접속된 컴퓨터 상에 실장한 예를 나타냈다. 예를 들어 기계 학습 장치 (300) 의 부분만을 호스트 컴퓨터 상에 실장하고, 데이터 취득부 (30), 전처리부 (32), 가공 조건 변경부 (34) 를 포함하는 와이어 단선 예측 장치 (1) 본체를 에지 컴퓨터 상에 실장하는 등, 각 구성 요소의 배치를 적절히 변경하여 실장하도록 해도 된다.

Claims

와이어 방전 가공기에 있어서의 워크의 가공시의 와이어 단선 리스크를 추정하는 와이어 단선 예측 장치로서,
상기 와이어 방전 가공기에 의한 워크의 가공시에, 와이어가 단선되어 있지 않은 상태에 있어서의 워크의 가공에 관련된 데이터를 취득하는 데이터 취득부와,
상기 데이터 취득부가 취득한 데이터에 기초하여, 워크의 가공에 있어서 지령되는 가공 조건에 관련된 조건인 가공 조건 데이터와, 가공에 사용되는 부재에 관련된 가공 부재 데이터와, 워크의 가공시의 가공 상태 데이터를, 가공의 상태를 나타내는 상태 데이터로서 작성하는 전처리부와,
상기 전처리부가 작성한 상태 데이터에 기초하여, MT (마할라노비스·다구찌) 법에 의해 상기 상태 데이터와 상기 와이어 방전 가공기의 와이어가 단선되지 않은 상태의 상관성을 나타내는 학습 모델을 생성하는 학습부를 구비한, 와이어 단선 예측 장치.
와이어 방전 가공기에 있어서의 워크의 가공시의 와이어 단선 리스크를 추정하는 와이어 단선 예측 장치로서,
상기 와이어 방전 가공기에 의한 워크의 가공시에, 워크의 가공에 관련된 데이터를 취득하는 데이터 취득부와,
상기 데이터 취득부가 취득한 데이터에 기초하여, 워크의 가공에 있어서 지령되는 가공 조건에 관련된 조건인 가공 조건 데이터와, 가공에 사용되는 부재에 관련된 가공 부재 데이터와, 워크의 가공시의 가공 상태 데이터를, 가공의 상태를 나타내는 상태 데이터로서 작성하는 전처리부와,
MT (마할라노비스·다구찌) 법에 의해, 가공의 상태를 나타내는 상태 데이터와 상기 와이어 방전 가공기의 와이어가 단선되지 않은 상태의 상관성을 학습한 학습 모델을 기억하는 학습 모델 기억부와,
상기 전처리부가 작성한 상태 데이터와, 상기 학습 모델에 있어서의 단위 공간의 중심 위치의 마할라노비스 거리를 산출하고, 산출한 마할라노비스 거리에 기초하여 상기 와이어 방전 가공기의 와이어 단선 리스크를 추정하는 추정부를 구비한, 와이어 단선 예측 장치.
제 2 항에 있어서,
상기 추정부가 추정한 상기 와이어 방전 가공기의 와이어 단선 리스크에 기초하여, 상기 와이어 방전 가공기의 가공 조건을 변경하는 가공 조건 변경부를 추가로 구비하는, 와이어 단선 예측 장치.
제 3 항에 있어서,
상기 추정부는, 산출한 상기 마할라노비스 거리의 대소에 따라 상기 와이어 방전 가공기의 와이어 단선 리스크의 대소를 추정하고,
상기 가공 조건 변경부는, 상기 추정부가 추정한 상기 와이어 방전 가공기의 와이어 단선 리스크의 대소에 기초하여 변경하는 가공 조건의 강약을 조정하는, 와이어 단선 예측 장치.
삭제
삭제