TW201843620A - 精加工量預測裝置及機器學習裝置 - Google Patents

精加工量預測裝置及機器學習裝置 Download PDF

Info

Publication number
TW201843620A
TW201843620A TW107106729A TW107106729A TW201843620A TW 201843620 A TW201843620 A TW 201843620A TW 107106729 A TW107106729 A TW 107106729A TW 107106729 A TW107106729 A TW 107106729A TW 201843620 A TW201843620 A TW 201843620A
Authority
TW
Taiwan
Prior art keywords
finishing
amount
learning
machine
data
Prior art date
Application number
TW107106729A
Other languages
English (en)
Other versions
TWI709089B (zh
Inventor
門倉宏充
Original Assignee
日商發那科股份有限公司
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 日商發那科股份有限公司 filed Critical 日商發那科股份有限公司
Publication of TW201843620A publication Critical patent/TW201843620A/zh
Application granted granted Critical
Publication of TWI709089B publication Critical patent/TWI709089B/zh

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31407—Machining, work, process finish time estimation, calculation
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36219—Calculate machining information, like time, surface to be machined from program
    • 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
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)

Abstract

本發明提供一種精加工量預測裝置及機器學習裝置，加工量預測裝置具備的機器學習裝置，其觀測表示零件各部分精加工量的精加工量資料和表示安裝有該零件的機械中各部分精度的精度資料，作為表示環境的目前狀態的狀態變數，更取得表示安裝有精加工後零件的機械中各部分精度的適宜與否判定結果的判定資料，接著，利用這些狀態變數和判定資料，與精度資料相關連地學習零件各部分的精加工量。

Description

精加工量預測裝置及機器學習裝置
本發明係關於精加工量預測裝置及機器學習裝置。
在進行需要極高精度的零件的精加工時，有時由熟練的作業人員進行手動加工。
作為其一個例子，舉出線放電加工機的例子。圖9是線放電加工機的加工槽1的剖視圖。在設置線放電加工機時，配置在加工槽1內載置工件的工作臺2的上表面希望儘可能為平面且為水平，而由於工廠地面的傾斜或其他原因，這樣直接設置會導致有時工作臺2的上表面不能保持水平、平面度。這種情況下，取下工作臺2的上部，以在下部向工作臺2安裝時工作臺2的上表面成為水平的方式，研磨該工作臺2的上部的安裝面。
此時，作業人員針對工作臺2上表面的各部分，利用距離感測器等測定裝置，測定距離預定基準位置的偏差量，看到該測定結果的作業人員基於經驗判斷對工作臺2的上部的安裝面的各部分適宜研磨多大程度，並基於判斷的結果，研磨工作臺2的上部的安裝面的各部分。圖10A是例舉由測定裝置測定到的工作臺2的上表面的各部分距離基準位置的偏差量的圖，另外圖10B是例舉對該工作臺2的上部的安裝面的各部分的研磨次數的圖。
另外，作為其他例子，舉出刮削(scraping)加工機械的導向件的例子。通常，加工機械在底座上設有至少一個在正交2軸方向、正交3軸方向能移動的移動台。另一方面，構成加工機械的各構造物為了實現穩定的加工而具有相當的重量，裝配各構造物時，由於各構造物的自重或作用於各構造物間的力，產生它們變形的現象。
例如，如圖11所示，如果使設在底座3上的工作臺5沿著導軌4向X軸方向移動，則導軌4的端部受到工作臺5和載置於工作臺5上的工件(未圖示)的重量，導致導軌4彈性變形，發生工作臺5不筆直移動的情況。
於是，作業人員利用距離感測器等測定裝置，測定使工作臺5移動時工作臺在Z軸方向上距離預定基準位置的偏差量，看到該測定結果的作業人員基於經驗判斷對導軌4的上部的各部分適宜刮削多大程度，如圖12所示，對導軌4的上部的各部分進行研磨(日本特開平10-156715號公報等)。藉由該刮削，工作臺5筆直移動。
在進行上述那樣的研磨、刮削等精加工的情況下，即使僅單純地以藉由測定裝置測定的距離基準位置的偏差量進行了各部分的精加工，由於各部分受到機械的結構、對其他部分進行的精加工的影響，存在不能實現以設想精度進行精加工的問題。
因此，本發明的目的在於提供一種精加工量預測裝置及機器學習裝置，其在進行加工面的精密調整的精加工中，基於測定結果來預測精加工量。
本發明的一形態的精加工量預測裝置，其預測進行安裝到機械的零件的各部分的精加工情況下該零件各部分的精加工量，其具備：學習該精加工中零件各部分的精加工量的機器學習裝置。該機器學習裝置具備：狀態觀測部，其觀測精加工量資料以及精度資料作為表示環境的目前狀態的狀態變數，其中精加工量資料表示精加工中零件各部分的精加工量，精度資料表示開始該精加工前測定的安裝有該零件的機械各部分的精度；判定資料取得部，其取得判定資料，該判定資料表示安裝有該精加工後零件的機械中各部分精度的適宜與否判定結果；以及學習部，其利用該狀態變數和該判定資料，與該精度資料相關連地學習該精加工中零件各部分的精加工量。
該狀態觀測部能更觀測識別該零件的品種的品種資訊，來作為該狀態變數，該學習部與該精度資料以及該品種資訊兩者相關連地學習該精加工中零件各部分的精加工量。
該學習部能具備：報酬計算部，其求出與該適宜與否判定結果相關連的報酬；以及價值函數更新部，其利用該報酬，更新表示該精加工中零件各部分精加工量的價值的函數。
該學習部能具備：誤差計算部，其計算從該狀態變數以及該判定資料導出該精加工中零件各部分的精加工量的相關性模型與從預先準備的教師資料識別的相關性特徵之間的誤差，以及模型更新部，其以使該誤差縮小的方式更新該相關性模型。
該學習部可以藉由多層構造運算該狀態變數和該判定資料。
該精加工量預測裝置能進一步具備決策部，其基於該學習部進行的學習結果，顯示或者輸出該精加工中零件各部分的精加工量。
該學習部能利用針對多個工業機械分別得到的該狀態變數以及該判定資料，學習該多個工業機械各自的該精加工中零件各部分的精加工量。
本發明的一形態提供的機器學習裝置，其學習在進行安裝於機械的零件各部分的精加工時該零件各部分的精加工量，其具備：狀態觀測部，其觀測表示該精加工中零件各部分的精加工量的精加工量資料以及表示該精加工開始前所測定的安裝有該零件的機械的各部分的精度的精度資料，來作為表示環境的目前狀態的狀態變數；判定資料取得部，其取得表示安裝有該精加工後的零件的機械的各部分的精度的適宜與否判定結果的判定資料；以及學習部，其利用該狀態變數和該判定資料，與該精度資料相關連地學習該精加工中零件各部分的精加工量。 ［發明效果］
根據本發明，在進行加工面精密加工的精加工中，能基於測量結果自動預測各部分的精加工量。
圖1是第一實施形態的精加工量預測裝置10的概要功能方塊圖。
精加工量預測裝置10具備機器學習裝置20，該機器學習裝置20包括：用於藉由所謂的機器學習來自主學習在進行需要極高精度的零件精加工時的對該零件各部位的精加工量(研磨次數、研磨量、刮削次數等)的軟體(學習演算法等)以及硬體(電腦的CPU等)。精加工量預測裝置10具備的機器學習裝置20所學習的對零件各部位的精加工量，相當於表示安裝該零件並利用的機械的各部分的精度(與基準位置的偏差)與對該零件各部位的精加工量之間的相關性的模型構造。
如圖1中功能方塊所示，精加工量預測裝置10具備的機器學習裝置20具備狀態觀測部22、判定資料取得部24以及學習部26。狀態觀測部22觀測精加工量資料S1以及安裝有成為精加工對象的零件(未圖示)的機械(未圖示)的各部分的精度資料S2，來作為表示環境的目前狀態的狀態變數S，其中，該精加工量資料S1表示對成為精加工對象的零件(未圖示)進行的該零件各部分的精加工量。判定資料取得部24取得判定資料D，該判定資料D表示在進行了精加工的零件安裝於機械的狀態下該機械各部分的精度的是否合適的判定結果。學習部26利用狀態變數S和判定資料D，與精度資料S2相關連地學習精加工量資料S1所表示的零件各部分的精加工量。
狀態觀測部22例如能作為電腦的CPU的一個功能來構成。或者，狀態觀測部22例如能構成為用於使電腦的CPU發揮功能的軟體。狀態觀測部22觀測的狀態變數S中的精加工量資料S1，例如能由熟練的作業人員申報並賦予精加工量預測裝置10的精加工量申報資料來取得。該精加工量資料S1例如包括對零件各部的研磨次數、研磨量、刮削次數等精加工量。
另外，狀態變數S中的精度資料S2，例如能在將成為精加工對象的零件安裝於機械狀態下藉由附設於該機械的第一測定裝置(未圖示)進行實測而取得。
例如，在成為精加工對象的零件為線放電加工機的工作臺的情況下，第一測定裝置能在安裝了該工作臺的狀態下測定設置在該工作臺上表面的多個標記的位置，或者測定該工作臺四個角部的位置，或者測定存在於該工作臺上表面的其他多個可著眼點(既有或者後加)的位置。另外，例如在成為精加工對象的零件為使加工機械的工作臺滑動的導軌的情況下，第一測定裝置能在工作臺載置於該導軌的狀態下使該工作臺移動至多個座標位置，並測定工作臺在各個座標位置上的位置。第一測定裝置求出這些測定處的實測位置與該測定處的預定基準位置的差，能根據該求出的差，運算安裝有成為精加工對象的零件(未圖示)的機械的各部分的精度資料S2。該運算例如由精加工量預測裝置10進行，也能由狀態觀測部22自身來進行。作為該第一測定裝置，能採用利用紅外線雷射、超音波、靜電電容等的非接觸式位移計、或具有接觸件的接觸式位移計等。
判定資料取得部24例如能作為電腦的CPU的一個功能來構成。或者，判定資料取得部24能構成為用於使電腦的CPU發揮功能的軟體。判定資料取得部24取得的判定資料D，能在對零件進行精加工後將該零件安裝在機械的狀態下例如藉由附設於該機械的第一測定裝置進行實測而取得。判定資料D是表示在狀態變數S的前提下執行精加工時的結果的指標，間接表示進行了精加工的環境的目前狀態。
這樣，在精加工量預測裝置10具備的機器學習裝置20使機器學習進行的期間、於環境中，實施由第一測定裝置進行的安裝有成為精加工物件零件的機械各部分的精度的測定、對該零件的精加工的實施、以及由第一測定裝置進行的安裝有精加工後零件的機械各部分的精度的再測定。
學習部26能作為例如電腦的CPU的一個功能來構成。或者，學習部26能構成為用於使電腦的CPU發揮功能的軟體。學習部26根據總稱為機器學習的任意學習演算法，學習對成為精加工對象的零件進行的該零件各部分的精加工量。學習部26能針對成為精加工對象的多個零件，重複執行基於資料集合的學習，該資料集合包括前述的狀態變數S和判定資料D。在針對多個零件的學習週期的重複期間，狀態變數S中的精加工量資料S1被設為至前次為止的學習週期中得到的精加工量的值，另外，判定資料D被設為針對基於在該學習週期中得到的精加工量的精加工的適宜與否的判定結果。
藉由重複這樣的學習週期，學習部26能自動識別暗示了機械各部分的精度(精度資料S2)與對零件各部分的精加工量之間的相關性的特徵。
在學習演算法開始時，精度資料S2與零件各部分的精加工量的相關性實質上是未知的，學習部26隨著學習的進展逐漸識別特徵來解釋相關性。如果解釋為精度資料S2與零件各部分的精加工量的相關性達到某種程度的可信賴水準，則學習部26重複輸出的學習結果，能用於進行針對目前狀態的(即與基準位置具有偏差)機械的零件應以什麼程度來設定該零件各部分的精加工量這樣的行動的選擇(即決策)。即學習部26能隨著學習演算法的進行，使成為精加工物件的零件的目前狀態與對該目前狀態的零件的各部分應進行何種程度加工量的精加工這一行動之間的相關性逐漸接近最佳解。
如上所述，精加工量預測裝置10具備的機器學習裝置20中，學習部26利用狀態觀測部22觀測到的狀態變數S和判定資料取得部24取得的判定資料D，根據機器學習演算法，學習成為精加工物件的零件的各部分的精加工量。狀態變數S由精加工量資料S1以及精度資料S2等難以受到外部幹擾影響的資料構成。另外，藉由將精加工後的零件安裝於機械，能無歧異求出判定資料D。精度資料S2例如依賴於作為第一測定裝置的能力的機械各部分的測定精度，然而可期待能觀測本身高精度的精度資料S2。另外，判定資料D也同樣地依賴於第一測定裝置的測定精度，期待能取得高精度的判定資料D。因此，根據精加工量預測裝置10具備的機器學習裝置20，藉由利用學習部26的學習結果，能不依靠運算或目測，自動且正確地求出與安裝有零件的機械的各部分的精度對應的該零件的各部分的精加工量。
如果能不依靠運算或目測自動求出零件各部分的精加工量，則僅藉由在開始零件的精加工前實測安裝有該零件的機械的各部分的位置並取得距離基準位置的偏差(精度資料S2)，能迅速確定零件各部分的精加工量。因此，能提高對零件的精加工速度。
作為精加工量預測裝置10具備的機器學習裝置20的一個變形例，狀態觀測部22更能觀測識別物件零件的品種之品種資訊S3，作為狀態變數S之一。品種資訊S3例如能包括機械的種類、零件的種類等資訊。品種資訊S3亦能進一步包括零件的製造批次號、製造企業的識別資訊。例如能將品種資訊S3以條碼等識別碼顯示在零件上。狀態觀測部22例如能根據條碼讀取器的輸出取得品種資訊S3。學習部26能與精度資料S2以及品種資訊S3兩者相關連地學習零件各部分的精加工量。
根據上述變形例，能學習與安裝有零件的機械的各部分的距離基準位置的偏差和品種兩者對應的零件各部分的最佳精加工量。例如即使關於兩個零件的機械各部分的距離基準位置的偏差(精度資料S2)相同，在該零件的材料等(品種資訊S3)不同的情況下，可能產生零件各部分的精加工量的程度微妙不同的狀況。根據上述結構，即使在該種狀況下，也能根據材料等(品種資訊S3)使零件各部分的精加工量最佳化。或者，有時也在使學習進行的期間能發現機械各部分的距離基準位置的偏差(精度資料S2)與零件的材料等(品種資訊S3)的相關性。該情況下，能根據品種資訊S3某種程度預測精度資料S2，因此即使在第一測定裝置對機械各部分的測定精度低的情況下，也能使學習適當收斂，從而使零件各部分的精加工量最佳化。
作為精加工量預測裝置10具備的機器學習裝置20的另一個變形例，學習部26能利用針對具有同一機械結構的多個機械分別得到的狀態變數S以及判定資料D，學習這些機械各自的零件各部分的精加工量。根據該結構，能增加包括在一定時間得到的狀態變數S和判定資料D的資料集合的量，因此能以更加多樣的資料集合作為輸入，提高零件各部分的精加工量的學習速度、可靠性。
具有上述結構的機器學習裝置20中，學習部26執行的學習演算法不受特殊限定，例如能採用有監督學習、無監督學習、強化學習、神經網路等作為機器學習所公知的學習演算法。
圖2是圖1所示精加工量預測裝置10的一形態，表示具備學習部26的結構，該學習部26執行強化學習作為學習演算法的一個例子。強化學習是下述方法：觀測學習物件所存在的環境的目前狀態(即輸入)並且在目前狀態下執行預定的行動(即輸出)，試錯性重複進行對該行動賦予某種報酬的週期，將報酬的總計實現最大化的策略(本申請案的機器學習裝置中為零件各部分的精加工量)作為最佳解來學習。
圖2所示精加工量預測裝置10具備的機器學習裝置20中，學習部26具備報酬計算部28和價值函數更新部30，該報酬計算部28求出與機械各部分的精度的適宜與否判定結果(相當於在下一學習週期中利用的判定資料D)相關連的報酬R，其中該機械上安裝有藉由基於狀態變數S進行精加工而得到的精加工後零件，該價值函數更新部30利用報酬R，更新表示在執行精加工時採用的零件各部分的精加工量的價值的函數Q。學習部26藉由價值函數更新部30重複更新函數Q，來學習零件各部分的精加工量。
說明學習部26執行的強化學習演算法的一個例子。該例子的演算法作為Q學習(Q-learning)為人們所知，是學習函數Q(s,a)的方法，該函數Q(s,a) 表示以行動主體的狀態s和在該狀態s下由行動主體可選的行動a為獨立變數，在狀態s下選擇行動a的情況下行動的價值。選擇在狀態s下價值函數Q最高的行動a，這為最佳解。在狀態s與行動a的相關性為未知的狀態下開始Q學習，重複進行在任意狀態s下選擇各種行動a的試錯，藉此重複更新價值函數Q，接近最佳解。此處，構成為，作為在狀態s下選擇行動a的結果，環境(即狀態s)發生了變化時，能得到與該變化對應的報酬(即行動a的加權)r，以選擇能得到更高報酬r的行動a的方式誘導學習，從而能在較短時間使價值函數Q接近最佳解。
價值函數Q的更新式通常能由下述的式(1)表示。式(1)中，st以及at分別為在時刻t的狀態以及行動，依據行動at狀態變化為st+1 。rt+1 為因狀態從st 變化為st+1 而得到的報酬。maxQ項表示進行(在時刻t認為)在時刻t+1達到最大價值Q的行動a時的Q。α以及γ分別為學習係數以及折扣率，在0＜α≤1、0＜γ≤1的範圍內任意設定。……(1)
在學習部16執行Q學習的情況下，狀態觀測部22觀測到的狀態變數S以及判定資料取得部24取得的判定資料D相當於更新式的狀態s，對目前狀態的(即與基準位置具有偏差)機械的零件應如何變更該零件各部分的精加工量這一行動相當於更新式的行動a，報酬計算部28求取的報酬R相當於更新式的報酬r。因此價值函數更新部30藉由利用報酬R的Q學習，來重複更新表示目前狀態下零件各部分的精加工量的價值的函數Q。
例如在零件各部分的精加工量確定後基於該精加工量執行了精加工時，在安裝有精加工後零件的機械的各部分的精度被判定為“適宜”的情況下(即，安裝有精加工後的零件的機械中各部分的距離基準位置的偏差落於允許範圍的情況下)，能使報酬計算部28所求的報酬R為正(+)的報酬R；在零件各部分的精加工量確定後基於該精加工量執行了精加工時，在安裝有精加工後零件的機械中各部分的精度被判定為“否”的情況下(即，安裝有精加工後零件的機械中各部分的距離基準位置的偏差超出允許範圍的情況下)，能使報酬計算部28所求的報酬R為負(-)的報酬R。正負報酬R的絕對值可以彼此相同也可不同。
此時，可以針對安裝有精加工後零件的機械各部分，分別判定距離基準位置的偏差是否落於允許範圍，在所有部分距離基準位置的偏差落於允許範圍的情況下，判定為“適宜”，也可以在機械各部分的距離基準位置的偏差的總和落於允許範圍的情況下判定為“適宜”。另外，也可以將它們組合起來進行判定。
另外，安裝有零件的機械中各部分精度的適宜與否判定結果不僅僅是“適宜”以及“否”這兩種，能根據位置的偏差大小設定為多個階段。例如，能構成如下：在允許範圍的最大值為Tmax的情況下，安裝有進行精加工後零件的機械中各部分的距離基準位置的偏差U為0≤U＜Tmax/5時，賦予報酬R=5，在Tmax/5≤U＜Tmax/2時賦予報酬R=2，在Tmax/2≤U≤Tmax時賦予報酬R=1。進而，更能構成為在學習的初期階段將Tmax設定得較大，隨著學習的進行使Tmax縮小。
價值函數更新部30能具有將狀態變數S、判定資料D和報酬R與由函數Q所示行動價值(例如數值)相關連地整理得到的行動價值表。該情況下，價值函數更新部30更新函數Q這一行為與價值函數更新部30更新行動價值表這一行為是相同意義。在開始Q學習時，環境的目前狀態與零件各部分的精加工量的相關性是未知的，因此在行動價值表中，以與隨機確定的行動價值的值(函數Q)相關連的狀態，準備各種狀態變數S、判定資料D和報酬R。而且報酬計算部28只要知道判定資料D就能立即算出與其對應的報酬R，該算出的值R被寫入行動價值表。
當利用與安裝有零件的機械中各部分精度的適宜與否判定結果對應的報酬R來使Q學習進行時，則學習被誘導至選擇能得到更高報酬R的行動的方向，根據作為在目前狀態下執行所選擇的行動的結果而發生變化的環境的狀態(即狀態變數S以及判定資料D)，將對應於在目前狀態下要進行的行動之行動價值的值(函數Q)改寫，來更新行動價值表。藉由重複該更新，顯示於行動價值表中的行動價值的值(函數Q)以越是適宜的行動則值越大的方式被改寫。這樣，未知環境的目前狀態(安裝有零件的機械各部分的精度)和對其採取的行動(確定零件各部分的精加工量)的相關性逐漸明顯。即通過更新行動價值表，開始零件精加工前在安裝有零件的機械各部分產生的偏差的狀態與零件各部分的精加工量的關係逐漸接近最佳解。
參照圖3，進一步說明學習部26執行的上述Q學習的流程(即機器學習方法的一形態)。
首先在步驟SA01中，價值函數更新部30在參照該時間點的行動價值表的同時，作為在狀態觀測部22觀測到的狀態變數S所表示的目前狀態下要進行的行動，隨機選擇零件各部分的精加工量。接著價值函數更新部30在步驟SA02中取入狀態觀測部22觀測的目前狀態的狀態變數S，在步驟SA03中取入判定資料取得部24取得的目前狀態的判定資料D。
接著，價值函數更新部30在步驟SA04中基於判定資料D判定精加工中零件各部分的精加工量是否適當，在適當的情況下，在步驟SA05中，將報酬計算部28求出的正的報酬R適用於函數Q的更新式，接著在步驟SA06中，利用目前狀態下狀態變數S以及判定資料D、報酬R和行動價值的值(更新後的函數Q)更新行動價值表。步驟SA04中，在判斷為精加工中零件各部分的精加工量不適當的情況下，在步驟SA07中，將報酬計算部28求出的負的報酬R適用於函數Q的更新式，接著在步驟SA06中，利用目前狀態下狀態變數S以及判定資料D、報酬R和行動價值的值(更新後的函數Q)更新行動價值表。
學習部26藉由重複步驟SA01〜SA07中的處理來重複更新行動價值表，從而進行零件各部分精加工量的學習。
圖4是圖1所示精加工量預測裝置10的另一形態，表示具備學習部26的結構，該學習部26執行作為學習演算法的另一例子的有監督學習。
不同於在輸入與輸出的關係為未知的狀態下開始學習的前述強化學習，有監督學習是下述方法：預先給予大量的輸入和與其對應的輸出的已知資料集合(稱為教師資料)，由這些教師資料識別暗示輸入與輸出的相關性的特徵，學習用於推定相對於新的輸入所需要的輸出的相關性模型(本申請的機器學習裝置20中為零件各部分的精加工量)。
圖4所示精加工量預測裝置10具備的機器學習裝置20中，學習部26具備誤差計算部32和模型更新部34，其中，該誤差計算部32計算相關性模型M與由預先準備的教師資料T識別的相關性特徵的誤差E，其中相關性模型M根據狀態變數S以及判定資料D導出零件各部分的精加工量，該模型更新部34以縮小該誤差E的方式更新相關性模型M。學習部26藉由模型更新部34重複更新相關性模型M來學習零件各部分的精加工量。
相關性模型M的初始值例如是單純地(例如以一次函數)來表達狀態變數S以及判定資料D與零件各部分的精加工量之間的相關性，在開始有監督學習之前賦予給學習部26。教師資料T例如能藉由記錄過去對零件的精加工中熟練作業人員確定的零件各部分精加工量而積累的經驗值(安裝有零件的機械中各部分的精度與對應的零件各部分的精加工量的已知資料集合)構成，在有監督學習開始前賦予給學習部26。
誤差計算部32根據賦予學習部26的大量的教師資料T來識別暗示安裝有零件的機械中各部分的精度與零件各部分的精加工量之間的相關性之相關性特徵，求出該相關性特徵與對應於目前狀態下狀態變數S以及判定資料D的相關性模型M之間的誤差E。模型更新部34根據例如預定的更新規則，向誤差E減小的方向更新相關性模型M。
在下一學習週期中，誤差計算部32利用藉由根據更新後的相關性模型M試行安裝工序而變化後的狀態變數S以及判定資料D，針對與這些變化後的狀態變數S以及判定資料D對應的相關性模型M求出誤差E，模型更新部34再次更新相關性模型M。這樣，未知環境的目前狀態(安裝有零件的機械中各部分的精度)與對其採取的行動(零件各部分的精加工量)的相關性逐漸明顯。即藉由更新相關性模型M，對零件開始精加工前安裝有該零件的機械中各部分所產生的距離基準位置的偏差的狀態與為了取消該距離基準位置的偏差而對該零件進行的精加工中零件各部分的精加工量之間的關係，逐漸接近最佳解。
而且，精加工量預測裝置10具備的機器學習裝置20中，更能構成為，在學習的初期階段，學習部26執行有監督學習，在學習進行了某種程度的階段，以有監督學習中得到的零件各部分的精加工量為初始值，由學習部26執行強化學習。強化學習中的初始值具有某種程度的可靠性，因此即使在前述那樣要求高精度的精加工的情況下，也能比較迅速地達到最佳解。
在使前述的強化學習、有監督學習進行時，例如能採用神經網路取代Q學習。圖5A示意地表示神經元的模型。圖5B示意地表示組合圖5A所示神經元而構成的三層神經網路模型。神經網路例如能由類比了神經元模型而得的運算裝置、記憶裝置來構成。
圖5A所示神經元輸出相對於多個輸入x(此處作為一個例子為輸入x1 〜輸入x3 )的結果y。各輸入x1 〜x3 與對應於該輸入x的權重w(w1 〜w3 )相乘。藉此，神經元輸出由下述式子(2)表達的輸出y。而且，式子(2)中，輸入x、輸出y以及權重w均為向量。另外，θ為偏差，fk 為激化函數。……(2)
圖5B所示三層神經網路中，從左側輸入多個輸入x(此處作為一個例子為輸入x1〜輸入x3)，從右側輸出結果y(此處作為一個例子為結果y1〜結果y3)。圖示的例子中，輸入x1、x2、x3分別與對應的權重(統一由w1表示)相乘，各個輸入x1、x2、x3均被輸入三個神經元N11、N12、N13。
圖5B中，神經元N11〜N13各自的輸出統一由z1表示。z1能視為提取了輸入向量的特徵量得到的特徵向量。圖示的例子中，特徵向量z1分別與對應的權重(統一由w2表示)相乘，各個特徵向量z1均被輸入兩個神經元N21、N22。特徵向量z1表示權重w1與權重w2之間的特徵。
圖5B中，神經元N21〜N22各自的輸出統一由z2表示。z2能視為提取特徵向量z1的特徵量所得的特徵向量。圖示的例子中，特徵向量z2分別與對應的權重(統一由w3表示)相乘，各個特徵向量z2均被輸入三個神經元N31、N32、N33。特徵向量z2表示權重w2與權重w3之間的特徵。最後神經元N31〜N33分別輸出結果y1〜y3。 精加工量預測裝置10具備的機器學習裝置20中，藉由以狀態變數S和判定資料D作為輸入x，學習部26進行根據上述神經網路的多層構造的運算，能輸出零件各部分的精加工量(結果y)。
而且，神經網路的動作模式具有學習模式和價值預測模式，例如在學習模式下利用學習資料集合學習權重w，利用該學習到的權重w以價值預測模式能進行行動的價值判斷。另外，價值預測模式下，更能進行檢測、分類、推論等。
上述的精加工量預測裝置10的結構能表述為電腦的CPU所執行的機器學習方法(或者軟體)。該機器學習方法是進行零件精加工時學習該零件各部分精加工量的機器學習方法，具有下述步驟：電腦的CPU觀測精加工量資料S1以及精度資料S2作為表示進行零件精加工的環境的目前狀態的狀態變數S，其中精加工量資料S1表示對零件進行的精加工中該零件各部分的精加工量，精度資料S2表示安裝有精加工物件零件的機械各部分的精度；電腦的CPU取得判定資料D，該判定資料D表示安裝有精加工後零件的機械中各部分精度的適宜與否判定結果；以及電腦的CPU利用狀態變數S和判定資料D，與精度資料S2相關連地學習零件各部分的精加工量。
圖6表示第二實施形態提供的精加工量預測裝置40。
精加工量預測裝置40具備機器學習裝置50和狀態資料取得部42，該狀態資料取得部42取得狀態觀測部22觀測的狀態變數S的精加工量資料S1以及精度資料S2作為狀態資料S0。狀態資料取得部42取得的狀態資料S0更能包括品種資訊S3。狀態資料取得部42能由附設於機械的前述第一測定裝置、作業人員進行的適當的資料登錄，取得狀態資料S0。
精加工量預測裝置40具有的機器學習裝置50，除了包括用於藉由機器學習來自主學習對零件的精加工中該零件各部分的精加工量的軟體(學習演算法等)以及硬體(電腦的CPU等)，更包括用於對學習到的零件各部分的精加工量進行顯示或者作為向進行該精加工的工業機械的指令而輸出的軟體(算術演算法等)以及硬體(電腦的CPU等)。精加工量預測裝置40包括的機器學習裝置50更能構成為由一個通用CPU執行學習演算法、算術演算法等所有軟體。
決策部52例如能作為電腦的CPU的一個功能來構成。或者決策部52能構成為例如使電腦的CPU發揮功能的軟體。決策部52將學習部26學習到的零件各部分的精加工量例如作為圖10B中例示的去除量等顯示給作業人員，或者生成向基於學習部26學習到的零件各部分的精加工量進行精加工的工業機械的指令值C，並作為該生成的指令值C輸出。在決策部52顯示零件各部分的精加工量，並在作業人員基於此進行了精加工的情況下，另外，在決策部52對工業機械輸出了指令值C的情況下，環境的狀態(精加工量資料S1)與此對應地變化。
狀態觀測部22在下一學習週期中觀測包括在決策部52向環境顯示或者輸出零件各部分的精加工量後變化的精加工量資料S1的狀態變數S。學習部26利用變化後的狀態變數S，例如藉由更新價值函數Q(即行動價值表)，從而學習零件各部分的精加工量。
決策部52在學習到的零件各部分的精加工量的前提下，對應於狀態變數S進行零件各部分精加工量的顯示或者對工業機械輸出指令值C。藉由重複該週期，機器學習裝置50使零件各部分精加工量的學習進行，逐漸提高零件各部分精加工量的可靠性。
具有上述結構的精加工量預測裝置40具備的機器學習裝置50具有與前述機器學習裝置20同等的效果。尤其是機器學習裝置50能根據決策部52的輸出使環境的狀態變化。另一方面，機器學習裝置20能對外部裝置(例如工業機械的控制裝置)要求相當於用於向環境反映學習部26的學習結果的決策部的功能。
圖7表示具備工業機械60的一個實施形態提供的裝配系統70。裝配系統70具備具有同一機械結構的多個工業機械60、60’和將這些工業機械60、60’彼此連接的網路72，多個工業機械60、60’中的至少一個能構成為具備上述的精加工量預測裝置40的工業機械60。另外，裝配系統70能包括不具備精加工量預測裝置40的工業機械60’。工業機械60、60’具有需要對機構所具備的零件進行精加工的通常工業機械具備的結構。
具有上述結構的裝配系統70中，多個工業機械60、60’中具備精加工量預測裝置40的工業機械60利用學習部26的學習結果，能不依靠運算或目測，自動且正確地求出與安裝有精加工物件的零件的機械中各部分的精度對應的該零件各部分的精加工量。另外，至少一個工業機械60的精加工量預測裝置40能構成為基於針對其他多個工業機械60、60’分別得到的狀態變數S以及判定資料D，學習所有工業機械60、60’通用的零件各部分的精加工量，使該學習結果由所有工業機械60、60’共用。因此，根據裝配系統70，能以更加多樣的資料集合(包括狀態變數S以及判定資料D)為輸入，提高零件各部分精加工量的學習速度、可靠性。
圖8表示具備工業機械60’的另一實施形態提供的裝配系統70’。該裝配系統70’具備機器學習裝置50(或者20)、具有同一機械結構的多個工業機械60’、以及將這些工業機械60’與機器學習裝置50(或者20)彼此連接的網路72。
具有上述結構的裝配系統70’中，機器學習裝置50(或者20)基於針對多個工業機械60’分別得到的狀態變數S以及判定資料D，學習所有工業機械60’通用的零件各部分的精加工量，並利用該學習結果，不依靠運算或目測，自動且正確地求出與安裝有精加工物件零件的機械中各部分的精度對應的零件各部分的精加工量。
裝配系統70’能具有機器學習裝置50(或者20)存在於網路72所提供的雲端伺服器的結構。根據該結構，不論多個工業機械60’分別存在的場所或時期如何，能在必要時將必要數量的工業機械60’連接到機器學習裝置50(或者20)。
從事於裝配系統70、70’的作業人員能在機器學習裝置50(或者20)開始學習後的適當時期，執行機器學習裝置50(或者20)對零件各部分精加工量的學習達成度(即零件各部分精加工量的可靠性)是否達到了要求水平的判斷。
以上說明本發明的實施形態，但是本發明不僅局限於上述的實施形態，而是藉由施加適宜的變更能以各種形態來實施。
例如，機器學習裝置20、50執行的學習演算法、機器學習裝置50執行的算術演算法、精加工量預測裝置10、40執行的控制演算法等不局限於上述的演算法，而是能採用各種演算法。
1‧‧‧加工槽
2‧‧‧工作臺
3‧‧‧底座
4‧‧‧導軌
5‧‧‧工作臺
10‧‧‧精加工量預測裝置
20‧‧‧機器學習裝置
22‧‧‧狀態觀測部
24‧‧‧資料取得部
26‧‧‧學習部
28‧‧‧報酬計算部
30‧‧‧價值函數更新部
32‧‧‧誤差計算部
34‧‧‧模型更新部
40‧‧‧精加工量預測裝置
42‧‧‧狀態資料取得部
50‧‧‧機器學習裝置
52‧‧‧決策部
60、60’’‧‧‧工業機械
70、70’‧‧‧裝配系統
72‧‧‧網路
C‧‧‧指令值
D‧‧‧判定資料
E‧‧‧誤差
fk‧‧‧激化函數
M‧‧‧相關性模型
N11〜N13、N21、N22、N31〜N33‧‧‧神經元
Q‧‧‧函數
R‧‧‧報酬
S、S0‧‧‧狀態變數
S1‧‧‧精加工量資料
S2‧‧‧精度資料
T‧‧‧教師資料
x(x1〜x3)‧‧‧輸入
y(y1〜y3)‧‧‧輸出(結果)
w(w1〜w3)‧‧‧權重
θ‧‧‧偏差
z1、z2‧‧‧特徵向量
圖1是第一實施形態的精加工量預測裝置的概要功能方塊圖。 圖2是表示精加工量預測裝置的一形態的概要功能方塊圖。 圖3是表示機器學習方法的一形態的概要流程圖。 圖4是表示精加工量預測裝置的另一形態的概要功能方塊圖。 圖5A是說明神經元的圖。 圖5B是說明神經網路的圖。 圖6是第二實施形態的精加工量預測裝置的概要功能方塊圖。 圖7是表示裝配系統的一形態的概要功能方塊圖。 圖8是表示裝配系統的另一形態的概要功能方塊圖。 圖9是線放電加工機的加工槽的剖視圖。 圖10A是例舉由測定裝置測量的工作臺上表面的各部分距離基準位置的偏差量的圖。 圖10B是例舉對工作臺的上部的安裝面的各部分進行研磨的次數的圖。 圖11是例舉加工機械的工作臺的移動偏差的圖。 圖12是例舉藉由刮削修正了偏差的加工機械的工作臺的移動的圖。

Claims (8)

  1. 一種精加工量預測裝置，其在進行安裝於機械的零件各部分的精加工時預測該零件各部分的精加工量，其特徵在於， 該精加工量預測裝置具備：學習該精加工中零件各部分的精加工量之機器學習裝置， 該機器學習裝置具備： 狀態觀測部，其觀測表示「該精加工中零件各部分的精加工量」之精加工量資料以及表示「該精加工開始前所測定之安裝有該零件的機械之各部分的精度」之精度資料，來作為表示環境的目前狀態之狀態變數； 判定資料取得部，其取得表示「安裝有該精加工後的零件之機械的各部分的精度之適宜與否判定結果」之判定資料；以及 學習部，其利用該狀態變數和該判定資料，與該精度資料相關連地學習該精加工中零件各部分的精加工量。
  2. 如申請專利範圍第1項的精加工量預測裝置，其中， 該狀態觀測部更對於識別該零件之品種的品種資訊進行觀測，來作為該狀態變數， 該學習部，與該精度資料以及該品種資訊兩者相關連地學習該精加工中零件各部分的精加工量。
  3. 如申請專利範圍第1或2項的精加工量預測裝置，其中，該學習部具備： 報酬計算部，其求出與該適宜與否判定結果相關連的報酬；以及 價值函數更新部，其利用該報酬，更新表示「該精加工中零件各部分的精加工量之價值」的函數。
  4. 如申請專利範圍第1或2項的精加工量預測裝置，其中，該學習部具備： 誤差計算部，其計算「從該狀態變數以及該判定資料導出該精加工中零件各部分的精加工量之相關性模型」與「從預先準備的教師資料所識別的相關性特徵」之間的誤差；以及 模型更新部，其更新該相關性模型以使該誤差縮小。
  5. 如申請專利範圍第1項的精加工量預測裝置，其中， 該學習部藉由多層構造來運算該狀態變數和該判定資料。
  6. 如申請專利範圍第1項的精加工量預測裝置，其中，更具備： 決策部，其基於該學習部的學習結果，顯示或者輸出該精加工中零件各部分的精加工量。
  7. 如申請專利範圍第1項的精加工量預測裝置，其中， 該學習部利用針對多個工業機械中之各個工業機械所得到的該狀態變數以及該判定資料，學習該多個工業機械中之各個工業機械的該精加工中零件各部分的精加工量。
  8. 一種機器學習裝置，其在進行安裝於機械的零件各部分的精加工時學習該零件各部分的精加工量，該機器學習裝置具備： 狀態觀測部，其觀測「表示該精加工中零件各部分的精加工量之精加工量資料」以及「表示該精加工開始前所測定之安裝有該零件的機械之各部分的精度之精度資料」，來作為表示環境的目前狀態的狀態變數； 判定資料取得部，其取得「表示安裝有該精加工後的零件之機械的各部分之精度的適宜與否判定結果之判定資料」；以及 學習部，其利用該狀態變數和該判定資料，與該精度資料相關連地學習該精加工中零件各部分的精加工量。
TW107106729A 2017-03-08 2018-03-01 精加工量預測裝置及機器學習裝置 TWI709089B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017044274A JP6499689B2 (ja) 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置
JP2017-044274 2017-03-08

Publications (2)

Publication Number Publication Date
TW201843620A true TW201843620A (zh) 2018-12-16
TWI709089B TWI709089B (zh) 2020-11-01

Family

ID=61192794

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107106729A TWI709089B (zh) 2017-03-08 2018-03-01 精加工量預測裝置及機器學習裝置

Country Status (6)

Country Link
US (1) US10921789B2 (zh)
EP (1) EP3372342B1 (zh)
JP (1) JP6499689B2 (zh)
KR (1) KR20180103002A (zh)
CN (1) CN108573310B (zh)
TW (1) TWI709089B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020049817A (ja) * 2018-09-27 2020-04-02 セイコーエプソン株式会社 印刷装置、学習装置、学習方法、及び、プログラム
JP7205751B2 (ja) * 2018-11-02 2023-01-17 オムロン株式会社 噛み込み検知システム
CN109732450B (zh) * 2019-02-27 2021-02-26 重庆理工大学 一种基于神经网络的叶片抛磨加工方法
JP7057303B2 (ja) * 2019-03-14 2022-04-19 ファナック株式会社 加工シミュレート装置及び加工シミュレートプログラム
JP7302226B2 (ja) * 2019-03-27 2023-07-04 株式会社ジェイテクト 研削盤の支援装置及び支援方法
JP2022527942A (ja) * 2019-03-29 2022-06-07 サンーゴバン アブレイシブズ，インコーポレイティド 性能研削ソリューション
JP7081565B2 (ja) * 2019-05-16 2022-06-07 セイコーエプソン株式会社 情報処理装置、印刷装置、学習装置及び情報処理方法
JP7047812B2 (ja) * 2019-05-16 2022-04-05 セイコーエプソン株式会社 情報処理装置、印刷装置、学習装置及び情報処理方法
US11222284B2 (en) 2019-06-10 2022-01-11 The Boeing Company Laminate nonconformance management system
US11669077B2 (en) * 2019-07-03 2023-06-06 Mitsubishi Electric Corporation Machine learning apparatus, numerical control apparatus, wire electric discharge machine, and machine learning method
CN114040826B (zh) * 2019-07-05 2022-11-01 三菱电机株式会社 机器学习装置、线放电加工系统及机器学习方法
JP6856162B2 (ja) * 2019-09-24 2021-04-07 ダイキン工業株式会社 制御システム
JP7351702B2 (ja) * 2019-10-04 2023-09-27 ファナック株式会社 ワーク搬送システム
JP7368170B2 (ja) 2019-10-08 2023-10-24 ファナック株式会社 表面仕上げ装置
JPWO2021193663A1 (zh) * 2020-03-25 2021-09-30
CN115038549B (zh) * 2020-06-24 2024-03-12 应用材料公司 使用研磨垫磨损补偿的基板层厚度确定
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
KR20220148017A (ko) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 기계학습 기반 공작기계 이상진단 데이터 수집 시스템 및 수집 방법
US11715300B1 (en) * 2022-01-28 2023-08-01 Robert Bosch Gmbh Systems and methods for providing product assembly step recognition using augmented reality
KR20230158785A (ko) 2022-05-12 2023-11-21 주식회사 디엔솔루션즈 기계학습 기반 공작기계의 수집데이터 동기화 시스템 및 동기화 방법
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2880567B2 (ja) * 1990-08-27 1999-04-12 豊田工機株式会社 加工診断装置
JP2880569B2 (ja) 1990-09-27 1999-04-12 豊田工機株式会社 加工条件自動作成機能を有する数値制御装置
JP2961621B2 (ja) * 1990-09-27 1999-10-12 豊田工機株式会社 数値制御装置の加工条件作成機能の学習方法
JPH0768456A (ja) * 1993-09-03 1995-03-14 Osaka Kiko Co Ltd 修正研磨加工方法
JP3159889B2 (ja) * 1995-04-28 2001-04-23 株式会社日平トヤマ カム研削盤
JPH09212218A (ja) * 1996-01-30 1997-08-15 Nippei Toyama Corp 非真円体の研削装置
JPH10156715A (ja) 1996-11-27 1998-06-16 Okuma Mach Works Ltd 研削盤の砥石台及びこの研削盤を用いた研削加工方法
JP3378834B2 (ja) * 1999-07-08 2003-02-17 川崎重工業株式会社 仕上げ加工方法および装置
CN101738981B (zh) * 2009-12-04 2011-06-15 清华大学 基于机器学习的机器人磨削方法
US10101735B2 (en) * 2012-07-10 2018-10-16 Matitiahu Tiano Modular system for real-time evaluation and monitoring of a machining production-line overall performances calculated from each given workpiece, tool and machine
JP2017030067A (ja) * 2015-07-30 2017-02-09 ファナック株式会社 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP5997330B1 (ja) 2015-07-31 2016-09-28 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
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
JP6140228B2 (ja) 2015-08-27 2017-05-31 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
JP6438366B2 (ja) 2015-08-28 2018-12-12 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置
JP6063016B1 (ja) 2015-09-29 2017-01-18 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械
CN106002490B (zh) * 2016-05-12 2017-12-26 西北工业大学 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法
CN105867305B (zh) * 2016-05-13 2018-06-12 南京航空航天大学 基于加工特征的复杂结构件数控加工状态实时监控方法

Also Published As

Publication number Publication date
KR20180103002A (ko) 2018-09-18
CN108573310B (zh) 2021-03-12
US20180259946A1 (en) 2018-09-13
JP2018144207A (ja) 2018-09-20
CN108573310A (zh) 2018-09-25
EP3372342A1 (en) 2018-09-12
US10921789B2 (en) 2021-02-16
EP3372342B1 (en) 2021-08-25
JP6499689B2 (ja) 2019-04-10
TWI709089B (zh) 2020-11-01

Similar Documents

Publication Publication Date Title
TWI709089B (zh) 精加工量預測裝置及機器學習裝置
JP6502983B2 (ja) 洗浄工程最適化装置及び機械学習装置
CN108723889B (zh) 加减速控制装置
JP5969676B1 (ja) 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP6652549B2 (ja) 切粉除去装置及び情報処理装置
JP6542833B2 (ja) 制御装置及び機械学習装置
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
JP6767416B2 (ja) 加工条件調整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
JP6659652B2 (ja) 加工条件調整装置及び機械学習装置
JP6557285B2 (ja) 制御装置及び機械学習装置
CN110347120A (zh) 控制装置以及机器学习装置
JP2019168973A (ja) 駆動装置及び機械学習装置
JP2019141869A (ja) 制御装置及び機械学習装置
JP6514260B2 (ja) 制御装置及び機械学習装置
CN109254562A (zh) 控制装置以及学习装置
CN108687766B (zh) 机器人的控制装置、机器学习装置以及机器学习方法
JP2019136818A (ja) 制御装置及び機械学習装置
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム