TWI704506B - 金屬線放電加工機之控制裝置及機器學習裝置 - Google Patents

金屬線放電加工機之控制裝置及機器學習裝置 Download PDF

Info

Publication number
TWI704506B
TWI704506B TW107109542A TW107109542A TWI704506B TW I704506 B TWI704506 B TW I704506B TW 107109542 A TW107109542 A TW 107109542A TW 107109542 A TW107109542 A TW 107109542A TW I704506 B TWI704506 B TW I704506B
Authority
TW
Taiwan
Prior art keywords
learning
electrical discharge
machining
discharge machining
wire electrical
Prior art date
Application number
TW107109542A
Other languages
English (en)
Other versions
TW201837732A (zh
Inventor
中島廉夫
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 TW201837732A publication Critical patent/TW201837732A/zh
Application granted granted Critical
Publication of TWI704506B publication Critical patent/TWI704506B/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H1/00—Electrical discharge machining, i.e. removing metal with a series of rapidly recurring electrical discharges between an electrode and a workpiece in the presence of a fluid dielectric
    • B23H1/02—Electric circuits specially adapted therefor, e.g. power supply, control, preventing short circuits or other abnormal discharges
    • B23H1/024—Detection of, and response to, abnormal gap conditions, e.g. short circuits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H1/00—Electrical discharge machining, i.e. removing metal with a series of rapidly recurring electrical discharges between an electrode and a workpiece in the presence of a fluid dielectric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H11/00—Auxiliary apparatus or details, not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/14—Electric circuits specially adapted therefor, e.g. power supply
    • B23H7/18—Electric circuits specially adapted therefor, e.g. power supply for maintaining or controlling the desired spacing between electrode and workpiece
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/02—Wire-cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/14—Electric circuits specially adapted therefor, e.g. power supply
    • B23H7/20—Electric circuits specially adapted therefor, e.g. power supply for programme-control, e.g. adaptive
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42018—Pid learning controller, gains adapted as function of previous error
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42152—Learn, self, auto tuning, calibrating, environment adaptation, repetition
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45221—Edm, electrical discharge machining, electroerosion, ecm, chemical

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
  • Numerical Control (AREA)

Abstract

本發明提供一種能適當且容易地決定修正參數之金屬線放電加工機的控制裝置及機器學習裝置。控制裝置使進行金屬線放電加工時的修正參數最佳化，並具備將進行金屬線放電加工時的修正參數加以學習的機器學習裝置。前述機器學習裝置具備：狀態觀測部，觀測條件資料來作為狀態變數，條件資料表示進行金屬線放電加工時的條件；判定資料取得部，取得判定資料，判定資料表示金屬線放電加工中加工精度為良好情形下的修正參數；以及學習部，使用狀態變數和判定資料，將修正參數與進行金屬線放電加工時的條件關聯起來進行學習。

Description

金屬線放電加工機之控制裝置及機器學習裝置
本發明關於金屬線放電加工機之控制裝置及機器學習裝置。
金屬線放電加工機需要適當地控制金屬線電極的進給速度，用以使金屬線電極與工件之間的放電間隙成為固定。放電間隙係金屬線放電加工中的金屬線電極與工件之間的距離(參照圖7)。例如，當沿著金屬線路徑簡單地以固定速度進給金屬線電極時，則受到各種原因的影響，在加工過程產生放電間隙變寬或變窄之類的變化。如此放電間隙的變化導致加工精度的降低。例如當放電間隙變窄則產生短路，無法進行加工。另一方面，當放電間隙變寬則不產生放電從而無法進行加工。因此就金屬線放電加工機而言，吾人要求將進給速度控制成將放電間隙保持為固定。
然而，放電間隙不易直接偵測。因此，多使用電極間隙平均電壓或放電延遲時間之類的容易偵測的代替指標。已知電極間隙平均電壓的高度或放電延遲時間的長度皆與放電間隙的寬度相關。
因此進行各種控制謀求此等代替指標之固定化，代替使放電間隙固定化。圖8係表示如此代替指標所成的放電進給控制的一例的方塊圖。當產生實際偵測值相對於指標的目標值的偏差時，則為了使偏差接近於0，基於預定的控制法則變更金屬線電極的進給速度指令。
另外，例如日本專利第4734447號公報以及日本專利第5794401號公報記載了一種因應於加工狀況而修正電極間隙平均電壓，藉以確保高加工精度的技術。
[發明所欲解決之問題]
但在圖8所示的控制，不易在所有情況下使放電間隙固定化。例如，已知在直線部觀察到的電極間隙平均電壓或放電延遲時間與放電間隙之間的相關關係，受金屬線電極與工件的相向面積或加工屑濃度等的影響，而在角部不成立。即，電極間隙平均電壓或放電延遲時間等偵測值作為代替指標亦非萬能。
因此在實際加工中，在圖8所示的代替指標的偵測值所成的控制中增加經驗法則所成的調教藉以確保加工精度。例如，已知宜使進給速度為所謂的外角部比直線部更快。因此，在外角的加工時，對偵測值、目標值、控制法則中任一者實施修正藉以提昇進給速度。
例如，在圖8所示的控制中，使控制法則具有修正參數(例如比例控制的增益)。另外，根據事先的實驗結果而事先定義放電間隙固定的修正參數。而且在加工時使用該修正參數修正控制法則。在此，修正參數的值例如取決於所規劃的形狀、金屬線直徑、工件板厚等許多變數(P1、P2、P3)。而且，目標值、偵測值以及控制法則自身亦取決於變數P1、P2、P3來決定。
為了進行包含如此基於以往經驗法則的修正處理之控制，需要使影響修正參數的變數進行各種變化來進行全方位試驗，決定修正參數。但，影響修正參數的變數多，因此會有實驗的工時亦變得龐大，開發費時之類的問題。另外，亦會存在如下問題：無法對應於使用未事先進行實驗的變數之加工。 [解決問題之方式]
因此，本發明的目的在於提供一種能適當且容易地決定修正參數的金屬線放電加工機之控制裝置及機器學習裝置。
本發明的一個態樣為一種控制裝置，使進行金屬線放電加工時的修正參數最佳化，其特徵為具備將進行前述金屬線放電加工時的修正參數加以學習的機器學習裝置，且前述機器學習裝置具備：狀態觀測部，觀測條件資料來作為狀態變數，條件資料表示進行前述金屬線放電加工時的條件；判定資料取得部，取得判定資料，判定資料表示前述金屬線放電加工中加工精度良好情形下的前述修正參數；以及學習部，使用前述狀態變數和前述判定資料，將前述修正參數與進行前述金屬線放電加工時的條件關聯起來進行學習。
本發明的另一態樣為一種控制裝置，前述學習部具備：誤差計算部，將相關性模型、及由預先準備的監督資料辨識出的相關性特徵之間的誤差加以計算， 前述相關性模型由前述狀態變數與前述判定資料導出進行前述金屬線放電加工時的修正參數；以及模型更新部，更新前述相關性模型用以縮小前述誤差。
本發明的另一態樣為一種控制裝置，前述學習部利用多層構造運算前述狀態變數和前述判定資料。
本發明的另一態樣為一種控制裝置，更具備：決策部，基於前述學習部所成的學習結果來顯示或輸出進行前述金屬線放電加工時的修正參數。
本發明的另一態樣為一種控制裝置，前述學習部使用針對複數個金屬線放電加工機各者而得到的前述狀態變數以及前述判定資料來學習該複數個金屬線放電加工機各者進行前述金屬線放電加工時的修正參數。
本發明的另一態樣為一種機器學習裝置，在使進行金屬線放電加工時的修正參數最佳化的控制裝置中，具備：狀態觀測部，觀測條件資料來作為狀態變數，前述條件資料表示進行前述金屬線放電加工時的條件；判定資料取得部，取得判定資料，前述判定資料表示前述金屬線放電加工中加工精度良好情形下的前述修正參數；以及學習部，使用前述狀態變數和前述判定資料，將前述修正參數與進行前述金屬線放電加工時的條件關聯起來進行學習。 [發明之效果]
依據本發明則能提供一種能適當且容易地決定修正參數的金屬線放電加工機之控制裝置及機器學習裝置。
[實施發明之較佳形態]
以下，將本發明的實施形態與圖式一同說明。
圖1係第一實施形態所成之金屬線放電加工機的控制裝置(以下簡單稱為控制裝置)10的概要功能方塊圖。控制裝置10例如能部署成控制金屬線放電加工機(未圖示)的數值控制裝置。控制裝置10具備機器學習裝置20，該機器學習裝置20包含軟體(學習演算法等)以及硬體(電腦的CPU等)，上述軟體係用以進行金屬線放電加工的進給速度控制，換言之係用以進行電極間隙平均電壓或放電延遲時間等指標的控制而藉由所謂的機器學習來自我學習最佳的控制法則修正參數。控制裝置10所具備的機器學習裝置20藉由該學習，形成將進行金屬線放電加工時的各個變數(典型而言係所規畫形狀、金屬線直徑、工件板厚等)與該金屬線放電加工的修正參數之間的相關性加以表示的模型構造。
如圖1的功能方塊圖所示，控制裝置10所具備的機器學習裝置20具備：狀態觀測部22，觀測條件資料來作為狀態變數S，條件資料表示進行金屬線放電加工時的各個條件；判定資料取得部24，取得判定資料D，判定資料D表示加工狀態為良好情形下的修正參數；以及學習部26，使用狀態變數S和判定資料D進行學習。
狀態觀測部22例如能構成為電腦的CPU的一個功能。或者，狀態觀測部22例如能構成為用以使電腦的CPU發揮功能的軟體。狀態觀測部22觀測的狀態變數S能包含例如利用加工程式定義的加工形狀(例如角部的凹凸的不同。所謂的稜角或圓弧的不同。在為稜角時為其角度，在為圓弧時為其曲率等)、加工規格(金屬線直徑、工件板厚、噴嘴間隙等)等。另外，本發明的主旨不係限定此等變數，也能採用其他適合的變數來作為狀態變數S。
判定資料取得部24例如能構成為電腦的CPU的一功能。或者，判定資料取得部24例如能構成為用以使電腦的CPU發揮功能的軟體。判定資料取得部24所取得的判定資料D，係下述情形下之加工時的修正參數：在進行金屬線放電加工後實際測量工件的加工精度，並判定是否達成希望的加工精度，且判定為已達成之情形。加工精度的檢查以及判定，例如可利用能檢查工件表面的凹凸的測定器判定加工後的工件是否滿足預定條件來實現。另外，使用者也能使用顯微鏡等檢查加工後的工件來判定加工精度。判定資料D係在狀態變數S下執行金屬線放電加工並且加工狀態良好時的修正參數，間接地表示就進行金屬線放電加工而言良好的環境的一個狀態。
如上所述，在控制裝置10所具備的機器學習裝置20進展學習的期間的環境下，重複執行金屬線放電加工機所行之以狀態變數S為基礎的工件加工、以及加工狀態的判定與判定資料D的輸出。 學習部26例如能構成為電腦的CPU的一功能。或者，學習部26例如能構成為用以使電腦的CPU發揮功能的軟體。學習部26按照總稱為機器學習的任意學習演算法來學習金屬線放電加工中的狀態變數S與判定資料D之間的關係。在1次的學習週期中，在學習部26輸入某個狀態變數S、及以該狀態變數S為基礎進行加工時的判定資料D之一個組合。學習部26重複實施如此學習週期。例如，進行各種加工形狀、金屬線直徑、工件板厚等的加工，並輸入此時的狀態變數S和判定資料D。另外，亦可將從相同型號的複數個金屬線放電加工機收集的狀態變數S和判定資料D輸入至一個學習部26。例如，能在連線狀態下從配置有金屬線放電加工機的複數個據點收集包含狀態變數S與判定資料D之組合的加工資料，而生成所謂的大數據。
重複這種學習週期，藉以使學習部26能自動識別辨識放電加工的結果係良好情形下之暗示狀態變數S與判定資料D之間的相關性的特徵。學習演算法開始時狀態變數S與判定資料D之間的相關性模型係未知，但學習部26隨著學習的進展逐漸辨識特徵來解釋相關性。當直至以某種程度可信賴的水準解釋狀態變數S與判定資料D之間的相關性時，則學習部26反復輸出的學習結果能用以進行選擇行為(即決策)，該行為係指以當前狀態(即加工形狀、加工規格等)為基礎的放電加工應使用怎樣的修正參數。即，學習部26能隨著學習演算法的進展，使當前狀態與應使用的修正參數之行為之間的相關性逐漸接近於最佳解。
若根據控制裝置10所具備的機器學習裝置20，則可使用學習部26的學習結果，藉以不依賴於經驗或複雜的對應表等而自動且正確地求出與加工形狀或加工規格對應的最佳的修正參數。若能不依賴於經驗等而自動地求出與加工形狀或加工規格等對應的最佳的修正參數，則可僅利用金屬線放電加工開始前進行加工程式的分析(因為係公知技術所以不進行詳細的說明)並輸入金屬線直徑或工件板厚等規格，而迅速地決定應使用於控制法則的修正參數。因此，能縮短與修正參數的設定甚至整個金屬線放電加工有關的時間。
具有前述構成的機器學習裝置20中，可不特別限定學習部26執行的學習演算法，而採用就機器學習而言公知的學習演算法。圖2表示就學習演算法的一例而言具備將監督式學習加以執行的學習部26的構成。監督式學習係以下方法：預先大量地給予輸入及該輸入所對應的輸出之已知資料組(稱為監督資料)，並從此等監督資料辨識暗示輸入與輸出之間的相關性的特徵，藉以學習用以將針對新的輸入的所需要的輸出加以推測的相關性模型(就本實施形態的機器學習裝置20而言，係在某個條件下進行金屬線放電加工時的修正參數)。
在圖2所示的控制裝置10所具備的機器學習裝置20中，學習部26具備：誤差計算部32，將相關性模型M、及從預先準備的監督資料T辨識出的相關性特徵之間的誤差E加以計算，相關性模型M係由狀態變數S以及判定資料D導出進行金屬線放電加工時的最佳的修正參數；以及模型更新部34，更新相關性模型M用以縮小誤差E。學習部26藉由模型更新部34重複進行相關性模型M的更新來學習在給定加工條件下的最佳的修正參數。
相關性模型M的初始值，例如係將狀態變數S與判定資料D之間的相關性簡化(例如通過任意函數)而表現的值，並於監督式學習開始前給予至學習部26。監督資料T例如可藉由將過去的金屬線放電加工中熟練的作業人員所決定的各個條件加以紀錄而累積的經驗值(加工形狀和加工規格與適當的修正參數之間的已知的資料組)構成，並於監督式學習開始前給予至學習部26。誤差計算部32由學習部26被賦予的大量監督資料T辨識出將加工形狀或加工規格、及適當的修正參數之間的相關性加以暗示的相關性特徵，並求出此相關性特徵與當前狀態下的狀態變數S以及判定資料D所對應的相關性模型M之間的誤差E。模型更新部34例如按照預先決定的更新規則而往誤差E變小的方向更新相關性模型M。
在接下來的學習週期中，誤差計算部32使用因按照更新後的相關性模型M來嘗試部署程序而變化的狀態變數S以及判定資料D，而針對此等變化的狀態變數S以及判定資料D所對應的相關性模型M計算誤差E，且模型更新部34再次更新相關性模型M。如上所述，未知環境的當前狀態(加工形狀或加工規格)和針對該當前狀態的行為(適當的修正參數的決定)之間的相關性逐漸變得明確。即，藉由相關性模型M的更新，而使加工形狀或加工規格、及利用該加工形狀與加工規格進行金屬線放電加工時的適當的修正參數之間的關係逐漸接近最佳解。
在進展監督式學習時，例如亦能使用神經網路。圖3A示意性表示神經元的模型。圖3B示意性表示將圖3A所示的神經元加以組合而構成的三層神經網路的模型。神經網路例如由將神經元的模型加以模擬的運算裝置或存儲裝置等構成。
圖3A所示的神經元輸出針對複數個輸入x(在此，作為一例為輸入x1 ~輸入x3 )的結果y。對各個輸入x1 ~x3 乘以與該輸入x對應的權重w(w1 ~w3 )。由此，神經元輸出由下述數式1表現的輸出y。另外，在數式1中，輸入x、輸出y、以及權重w都係向量。另外，θ係偏重，fk 係活化函數。 【數學式1】
Figure 02_image001
圖3B所示的三層神經網路，從左側輸入複數個輸入x(在此，作為一例為輸入x1~輸入x3)，從右側輸出結果y(在此，作為一例為結果y1~y3)。在圖示的例子中，於輸入x1、x2、x3各者乘以對應的權重(使用w1統稱表示)，並將各個輸入x1、x2、x3都輸入至3個神經元N11、N12、N13。
在圖3B中，使用z1統稱表示神經元N11~N13各自的輸出。z1能視為提取出輸入向量的特徵量的特徵向量。在圖示的例子中，於特徵向量z1各者乘以對應的權重(使用w2統稱表示)，將各個特徵向量z1都輸入到2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。
在圖3B中，使用z2統稱表示神經元N21~N22各自的輸出。z2能視為提取出特徵向量z1的特徵量而成的特徵向量。在圖示的例子中，於特徵向量z2各者乘以對應的權重(用w3統稱表示)，將各個特徵向量z2都輸入到3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。
在控制裝置10所具備的機器學習裝置20中，將狀態變數S和判定資料D作為輸入x，並使學習部26進行按照前述神經網路的多層構造的運算，能藉以輸出進行金屬線放電加工時的最佳修正參數(結果y)。另外，神經網路的動作模式具有學習模式和價值預測模式，例如能在學習模式使用學習資料組來學習權重w，並使用所學習的權重w而在價值預測模式下進行行動的價值判斷。另外，在價值預測模式中亦能進行偵測、分類、推論等。
前述控制裝置10的構成能描述為電腦的CPU所執行的機器學習方法(或軟體)。此機器學習方法學習進行金屬線放電加工時的最佳修正參數，且具有電腦的CPU進行的以下步驟：觀測條件資料來作為狀態變數S的步驟，該條件資料表示進行金屬線放電加工時的各個條件；取得判定資料D的步驟，該判定資料D表示以狀態變數S為基礎而進行加工時之工件的狀態為良好時的修正參數；以及使用狀態變數S和判定資料D，將進行放電加工時的各個條件與適當的修正參數關聯起來進行學習的步驟。
藉由如此控制裝置10學習的進行金屬線放電加工時的適當的修正參數，可在進行金屬線放電加工時，例如以下述方式使用。圖9係使用控制裝置10的學習結果的金屬線放電加工機之控制裝置的功能方塊圖。金屬線放電加工機之控制裝置例如使用比例法則作為控制法則，並使用電極間隙平均電壓作為偵測值來進行放電進給控制。
金屬線放電加工機之控制裝置在直線部的加工中與角部的加工中變更控制法則。具體上，將比例增益的值設為K=K0+P×K1，且藉由變更參數P來變更比例增益。即，參數P係與比例增益的變更有關的靈敏度。金屬線放電加工機之控制裝置利用K=K0進行直線部的加工。在此，能使用各種現有技術適當決定K0。另一方面，利用K=K0+P×K1來進行角部的加工。在此，金屬線放電加工機之控制裝置將當前欲進行的放電加工的各個條件作為狀態變數S輸入至控制裝置10， 藉以求出與該狀態變數S對應的判定資料D，即修正參數。而且，將此修正參數作為P使用，能藉以得到最佳的增益。由此，使用控制裝置10的金屬線放電加工機之控制裝置能提昇角部的形狀精度。
圖4表示第二實施形態的控制裝置40。控制裝置40具備機器學習裝置50、及取得狀態觀測部22觀測的狀態變數S來作為狀態資料S0的狀態資料取得部42。
控制裝置40所具有的機器學習裝置50包含用以藉由機器學習而自我學習進行金屬線放電加工時的最佳修正參數的軟體(學習演算法等)以及硬體(電腦的CP U等)，此外包含用以顯示已學習的進行金屬線放電加工時的最佳修正參數、或將前述最佳修正參數作為給金屬線放電加工機(未圖示)的指令而輸出的軟體(運算演算法等)以及硬體(電腦的CPU等)。控制裝置40所包含的機器學習裝置50亦能具有使一個共通的CPU執行學習演算法、運算演算法等全部軟體的構成。
決策部52例如能構成為電腦的CPU的一功能。或者，決策部52例如能構成為用以使電腦的CPU發揮功能的軟體。決策部52將顯示學習部26已學習的進行金屬線放電加工時的最佳修正參數表示予作業人員、或者基於學習部26已學習的進行金屬線放電加工時的最佳修正參數來生成並輸出針對金屬線放電加工機的指令值C。決策部52顯示進行金屬線放電加工時的最佳修正參數，並已進行基於此之作業人員所行之修正參數的設定之情況下、或者決策部52將指令值C輸出至金屬線放電加工機之情況下，環境的狀態因應而變化。
機器學習裝置50能藉由重複學習週期，而逐漸提昇自身決定的進行金屬線放電加工時的最佳修正參數的可靠性。判定資料取得部24，於使用決策部52所行之對環境顯示或輸出的修正參數而加工的工件的加工狀態為良好之情形下，在接下來的學習週期中取得該修正參數來作為判定資料D。同時，狀態觀測部22取得該加工時的狀態變數S。學習部26使用輸入的狀態變數S以及判定資料D而例如更新相關性模型M，藉以繼續學習。
具有前述構成的控制裝置40所具備的機器學習裝置50發揮與前述機器學習裝置20相同的效果。尤其，機器學習裝置50能藉由決策部52的輸出而使環境的狀態變化。另一方面，就機器學習裝置20而言，可對外部裝置(例如，金屬線放電加工機之控制裝置)要求相當於下者的功能：決策部，使學習部26的學習結果反映在環境。
圖5表示具備金屬線放電加工機60的一個實施形態所成的控制系統70。控制系統70具備：具有相同的機械構成之複數個金屬線放電加工機60、60’；以及將此等金屬線放電加工機60、60’相互連接的網路72，且複數個金屬線放電加工機60、60’中的至少一個構成為具備前述控制裝置40的金屬線放電加工機60。另外，控制系統70能包括不具備控制裝置40的金屬線放電加工機60’。金屬線放電加工機60、60’具有實施金屬線放電加工所需的一般構成。
具有前述構成的控制系統70中，複數個金屬線放電加工機60、60’中的具備控制裝置40的金屬線放電加工機60能使用學習部26的學習結果，而不依賴經驗等而自動且正確地求出適合於加工形狀或加工規格的修正參數。另外，可構成為：至少一個金屬線放電加工機60的控制裝置40基於針對其他的複數個金屬線放電加工機60、60’各者而得到的狀態變數S以及判定資料D，學習全部金屬線放電加工機60、60’共通之進行金屬線放電加工時的適當的修正參數，並且使全部金屬線放電加工機60、60’共用該學習結果。因此，根據控制系統70，則能將更多樣的資料集合(包含狀態變數S以及判定資料D)作為輸入，而提昇進行金屬線放電加工時的適當的修正參數的學習速度和可靠性。
圖6表示具備金屬線放電加工機60’的其他實施形態所成的控制系統70’。控制系統70’具備機器學習裝置50(或20)、具有相同的機械構成之複數個金屬線放電加工機60’、及將此等金屬線放電加工機60’與機器學習裝置50(或20)相互連接的網路72。
具有前述構成的控制系統70’中，機器學習裝置50(或20)能基於針對複數個金屬線放電加工機60’各者而得到的狀態變數S以及判定資料D，學習全部金屬線放電加工機60’共通之進行金屬線放電加工時的適當的修正參數，並使用該學習結果，而不依賴經驗等而自動且正確地求出適合加工形狀或加工規格的修正參數。
控制系統70’能具有以下構成：機器學習裝置50(或20)係存在於準備在網路72的雲端伺服器。根據該構成，則能無論複數個金屬線放電加工機60’各者存在的場所或時期，而在需要時將需要數量的金屬線放電加工機60’與機器學習裝置50(或20)加以連接。
操作控制系統70、70’的作業人員能在機器學習裝置50(或20)所行之學習開始後的適當的時期，執行以下判斷：機器學習裝置50(或20)所行之進行金屬線放電加工時的適當的修正參數的學習的達成度(即，進行金屬線放電加工時的適當的修正參數的可靠性)是否達到要求水準。
以上，說明本發明的實施形態，但本發明不只限於前述實施形態的例子，能藉由增加適當的變更而利用各種態樣來實施。
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執行的運算演算法、控制裝置10、40執行的控制演算法等不限於以上所述，能採用各種演算法。
另外，前述實施形態中，將表示進行金屬線放電加工時的各個條件的條件資料設為狀態變數S，將加工狀態為良好時的修正參數設為判定資料D。但，例如亦能將表示進行金屬線放電加工時的各個條件的條件資料設為S1，將修正參數設為S2，且將S1與S2的組合設為狀態變數S，並將表示以該狀態變數為基礎的加工結果是否良好的資料設為判定資料D來實現。此情形下，例如將S1和任意的S2輸入至完成學習的機器學習裝置時，確定加工結果良好的模型，能藉以確定進行金屬線放電加工時的適當的參數。
10‧‧‧控制裝置20‧‧‧機器學習裝置22‧‧‧狀態觀測部24‧‧‧判定資料取得部26‧‧‧學習部32‧‧‧誤差計算部34‧‧‧模型更新部40‧‧‧控制裝置42‧‧‧狀態資料取得部50‧‧‧機器學習裝置52‧‧‧決策部60、60’‧‧‧金屬線放電加工機70、70’‧‧‧控制系統72‧‧‧網路N11~N13、N21~N22、N31~N33‧‧‧神經元w1~w3‧‧‧權重x1~x3‧‧‧輸入y、y1~y3‧‧‧結果z1、z2‧‧‧特徵向量
由參照附圖之以下之實施形態例的說明，應當使本發明之前述以及其他目的、特徵明確。在此等附圖中： 【圖1】係表示控制裝置的構成例的方塊圖。 【圖2】係表示具備將監督式學習加以執行之學習部的控制裝置的構成例的方塊圖。 【圖3A】係表示有監督式學習中之神經元的模型的示意圖。 【圖3B】係表示神經網路的模型的示意圖。 【圖4】係表示控制裝置的構成例的方塊圖。 【圖5】係表示控制系統的構成例的方塊圖。 【圖6】係表示控制系統的構成例的方塊圖。 【圖7】係表示金屬線放電加工機的放電進給控制的示意圖。 【圖8】係表示金屬線放電加工機的放電進給控制的一例的方塊圖。 【圖9】係表示使用控制裝置的金屬線放電加工機的放電進給控制的一例的方塊圖。
10‧‧‧控制裝置
20‧‧‧機器學習裝置
22‧‧‧狀態觀測部
24‧‧‧判定資料取得部
26‧‧‧學習部

Claims (8)

  1. 一種控制裝置，使進行金屬線放電加工時的修正參數最佳化，其特徵為，具備將進行該金屬線放電加工時的修正參數加以學習的機器學習裝置，且該機器學習裝置具備：狀態觀測部，觀測條件資料來作為狀態變數，該條件資料表示進行該金屬線放電加工時的條件、且至少包含利用加工程式定義的加工形狀；判定資料取得部，取得判定資料，該判定資料表示該金屬線放電加工中加工精度良好情形下的該修正參數；以及學習部，使用該狀態變數和該判定資料，將該修正參數與進行該金屬線放電加工時的條件關聯起來進行監督式學習。
  2. 如申請專利範圍第1項之控制裝置，其中，該學習部具備：誤差計算部，將相關性模型、及從預先準備的監督資料辨識出的相關性特徵之間的誤差加以計算，該相關性模型由該狀態變數與該判定資料導出進行該金屬線放電加工時的修正參數；以及模型更新部，更新該相關性模型用以縮小該誤差。
  3. 如申請專利範圍第1項之控制裝置，其中，該學習部利用多層構造運算該狀態變數和該判定資料。
  4. 如申請專利範圍第1項之控制裝置，其中， 該控制裝置更具備：決策部，基於該學習部所成的學習結果來顯示或輸出進行該金屬線放電加工時的修正參數。
  5. 如申請專利範圍第1項之控制裝置，其中，該學習部使用就複數個金屬線放電加工機各者而言得到的該狀態變數以及該判定資料來學習該複數個金屬線放電加工機各者的進行該金屬線放電加工時的修正參數。
  6. 一種機器學習裝置，其特徵在於，在使進行金屬線放電加工時的修正參數最佳化的控制裝置中，具備：狀態觀測部，觀測條件資料來作為狀態變數，該條件資料表示進行該金屬線放電加工時的條件、且至少包含利用加工程式定義的加工形狀；判定資料取得部，取得判定資料，該判定資料表示該金屬線放電加工中加工精度良好情形下的該修正參數；以及學習部，使用該狀態變數和該判定資料，將該修正參數與進行該金屬線放電加工時的條件關聯起來進行監督式學習。
  7. 一種機器學習裝置，其特徵在於，具備：狀態觀測部，觀測條件資料來作為狀態變數，該條件資料表示金屬線放電加工機進行金屬線放電加工時的條件、且至少包含利用加工程式定義的加工形狀；判定資料取得部，取得判定資料，該判定資料表示該金屬線放電加工中加工精度良好情形下的修正參數；以及學習部，藉由使用該狀態變數和該判定資料而將該修正參數與進行該金屬線放電加工時的條件關聯起來的監督式學習，來生成完成學習模型。
  8. 一種控制裝置，其特徵在於，具有如申請專利範圍第7項之機器學習裝置生成的該完成學習模型，且更具備：決策部，基於該完成學習模型，顯示或輸出進行該金屬線放電加工時的修正參數。
TW107109542A 2017-03-30 2018-03-21 金屬線放電加工機之控制裝置及機器學習裝置 TWI704506B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017068520A JP6680714B2 (ja) 2017-03-30 2017-03-30 ワイヤ放電加工機の制御装置及び機械学習装置
JP2017-068520 2017-03-30

Publications (2)

Publication Number Publication Date
TW201837732A TW201837732A (zh) 2018-10-16
TWI704506B true TWI704506B (zh) 2020-09-11

Family

ID=61627012

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107109542A TWI704506B (zh) 2017-03-30 2018-03-21 金屬線放電加工機之控制裝置及機器學習裝置

Country Status (6)

Country Link
US (1) US11267059B2 (zh)
EP (1) EP3382475B1 (zh)
JP (1) JP6680714B2 (zh)
KR (1) KR102208592B1 (zh)
CN (1) CN108687415B (zh)
TW (1) TWI704506B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7353019B2 (ja) * 2018-05-08 2023-09-29 三菱電機株式会社 加工制御装置、加工制御方法及びプログラム
US10840840B2 (en) * 2018-06-14 2020-11-17 Mitsubishi Electric Corporation Machine learning correction parameter adjustment apparatus and method for use with a motor drive control system
JP6863951B2 (ja) * 2018-11-08 2021-04-21 ファナック株式会社 ワイヤ断線予測装置
CN113168157A (zh) * 2018-12-13 2021-07-23 三菱电机株式会社 机器学习装置、加工程序生成装置及机器学习方法
JP6885975B2 (ja) * 2019-01-31 2021-06-16 ファナック株式会社 ワイヤ断線予測装置
JP7015264B2 (ja) 2019-03-12 2022-02-02 ファナック株式会社 ワイヤ放電加工機およびワイヤ放電加工方法
JP7074718B2 (ja) * 2019-04-26 2022-05-24 ファナック株式会社 加工支援装置、数値制御装置、及び加工支援システム
WO2020255370A1 (ja) * 2019-06-21 2020-12-24 三菱電機株式会社 加工条件探索装置およびワイヤ放電加工機
CN114025912B (zh) * 2019-06-28 2023-08-15 三菱电机株式会社 加工条件搜索装置以及加工条件搜索方法
CN110340466B (zh) * 2019-07-01 2020-08-28 清华大学 工具电极端部多棱角放电约束的放电辅助化学加工工艺
DE112019007437B4 (de) 2019-07-03 2023-10-19 Mitsubishi Electric Corporation Vorrichtung für maschinelles Lernen, numerische Steuerung, Drahterodiermaschine und Verfahren zum maschinellen Lernen
JP6661065B1 (ja) * 2019-07-05 2020-03-11 三菱電機株式会社 機械学習装置、ワイヤ放電加工システム、および機械学習方法
EP3882825A4 (en) * 2019-09-09 2022-01-05 Rakuten Group, Inc. LEARNING MODEL APPLICATION SYSTEM, LEARNING MODEL APPLICATION PROCEDURE AND PROGRAM
US20230065699A1 (en) * 2020-03-05 2023-03-02 Fanuc Corporation Machine learning device, prediction device, and control device
DE102020206874A1 (de) * 2020-06-03 2021-12-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum einlernen der steuerfunktion von hydrostatischen motoren im fahrbetrieb
WO2022059069A1 (ja) * 2020-09-15 2022-03-24 三菱電機株式会社 学習装置、放電加工機および学習方法
TWI778460B (zh) * 2020-11-27 2022-09-21 財團法人金屬工業研究發展中心 加工電極消耗的線上預測方法與加工精度的預測方法
US11904399B2 (en) 2020-11-30 2024-02-20 Metal Industries Research & Development Centre Online prediction method of tool-electrode consumption and prediction method of machining accuracy
WO2022219678A1 (ja) * 2021-04-12 2022-10-20 三菱電機株式会社 マルチワイヤ放電加工機
US11951699B2 (en) * 2021-08-05 2024-04-09 Amo Groningen B.V. Method and assembly for forming an intraocular lens
CN114571019B (zh) * 2022-03-16 2023-10-13 上海空间推进研究所 电火花铣削方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112469A (zh) * 1993-12-22 1995-11-29 沙迪克株式会社 确定放电加工条件的方法和放电加工控制器
TW201124219A (en) * 2009-11-26 2011-07-16 Fanuc Ltd Wire-cut electric discharge machine and electric discharge machining method
WO2015145484A1 (ja) * 2014-03-27 2015-10-01 三菱電機株式会社 ワイヤ放電加工機の制御装置、ワイヤ放電加工機の制御方法
US20170060105A1 (en) * 2015-08-27 2017-03-02 Fanuc Corporation Wire electric discharge machine performing machining while adjusting machining condition

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2031765C (en) * 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
JP3009755B2 (ja) * 1991-05-24 2000-02-14 三菱電機株式会社 放電加工用加工条件生成装置
JP3547151B2 (ja) * 1992-12-03 2004-07-28 株式会社ソディック 放電加工制御方法及び放電加工機用制御装置
JP3231521B2 (ja) * 1993-10-21 2001-11-26 株式会社ソディック 放電加工の加工設定データ決定装置と方法
US6850874B1 (en) * 1998-04-17 2005-02-01 United Technologies Corporation Method and apparatus for predicting a characteristic of a product attribute formed by a machining process using a model of the process
WO2015087389A1 (ja) * 2013-12-10 2015-06-18 三菱電機株式会社 ワイヤ放電加工装置、ワイヤ放電加工方法および制御装置
JP6522488B2 (ja) * 2015-07-31 2019-05-29 ファナック株式会社 ワークの取り出し動作を学習する機械学習装置、ロボットシステムおよび機械学習方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112469A (zh) * 1993-12-22 1995-11-29 沙迪克株式会社 确定放电加工条件的方法和放电加工控制器
TW201124219A (en) * 2009-11-26 2011-07-16 Fanuc Ltd Wire-cut electric discharge machine and electric discharge machining method
WO2015145484A1 (ja) * 2014-03-27 2015-10-01 三菱電機株式会社 ワイヤ放電加工機の制御装置、ワイヤ放電加工機の制御方法
US20170060105A1 (en) * 2015-08-27 2017-03-02 Fanuc Corporation Wire electric discharge machine performing machining while adjusting machining condition
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
CN106475645A (zh) * 2015-08-27 2017-03-08 发那科株式会社 边调整加工条件边进行加工的线放电加工机

Also Published As

Publication number Publication date
JP6680714B2 (ja) 2020-04-15
US20180281091A1 (en) 2018-10-04
JP2018169934A (ja) 2018-11-01
CN108687415B (zh) 2021-07-13
CN108687415A (zh) 2018-10-23
KR102208592B1 (ko) 2021-01-27
US11267059B2 (en) 2022-03-08
EP3382475A3 (en) 2018-11-21
EP3382475B1 (en) 2021-04-21
KR20180111625A (ko) 2018-10-11
EP3382475A2 (en) 2018-10-03
TW201837732A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
TWI704506B (zh) 金屬線放電加工機之控制裝置及機器學習裝置
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
JP2018156151A (ja) 異常検知装置及び機械学習装置
JP6693919B2 (ja) 制御装置及び機械学習装置
US10502253B2 (en) Machine learning device for learning assembly operation and component assembly system
JP6530779B2 (ja) 加工不良要因推定装置
US10589368B2 (en) Machine learning device having function of adjusting welding positions of core in wire electric discharge machine
US10782664B2 (en) Production system that sets determination value of variable relating to abnormality of product
CN108723889B (zh) 加减速控制装置
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
JP6538772B2 (ja) 数値制御装置
JP2019082894A (ja) 加工条件調整装置及び機械学習装置
CN110340884B (zh) 测定动作参数调整装置、机器学习装置以及系统
WO2022210472A1 (ja) 加工条件調整装置
JP6832175B2 (ja) 処理フロー管理装置及び処理フロー管理方法
CN110779566B (zh) 具有辅助判断功能的产品测试系统及产品测试辅助方法