WO2021060090A1 - 制御システム - Google Patents

制御システム Download PDF

Info

Publication number
WO2021060090A1
WO2021060090A1 PCT/JP2020/034977 JP2020034977W WO2021060090A1 WO 2021060090 A1 WO2021060090 A1 WO 2021060090A1 JP 2020034977 W JP2020034977 W JP 2020034977W WO 2021060090 A1 WO2021060090 A1 WO 2021060090A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
machine tool
workpiece
machining
state data
Prior art date
Application number
PCT/JP2020/034977
Other languages
English (en)
French (fr)
Inventor
暢二 松本
真征 原田
Original Assignee
ダイキン工業株式会社
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 ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Priority to CN202080066165.2A priority Critical patent/CN114424129A/zh
Priority to EP20867294.9A priority patent/EP4035829B1/en
Publication of WO2021060090A1 publication Critical patent/WO2021060090A1/ja

Links

Images

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
    • G05B19/18—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
    • 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
    • G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • 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
    • 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
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/33037—Learn parameters of network offline, not while controlling system
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34013—Servocontroller
    • 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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
    • 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
    • G05B2219/49061—Calculate optimum operating, machining conditions and adjust, adapt them
    • 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
    • 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
    • G05B2219/49398—Repeat same operations on machined part until machining reaches its finishing
    • 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
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50211—Finish machining, spark out, rough out

Definitions

  • This disclosure relates to machine tool control technology.
  • adaptive control is used to control the feed rate of the tool according to the change in the load torque applied to the tool in order to machine the workpiece under the optimum conditions.
  • This disclosure proposes machine tool control technology that takes into consideration the quality of manufactured workpieces.
  • a condition observation unit that collects condition data related to machine tools, including one or more of processing condition data, equipment condition data, and material condition data.
  • the accuracy result observation unit that acquires the accuracy data of the workpiece by the machine tool
  • a learning unit that learns a machine learning model from the collected state data and the acquired accuracy data, When machining a workpiece that processes the same part in a plurality of times, the learned machine learning model is used to process the workpiece at a certain point in time before the final finishing among the multiple machinings by the machine tool.
  • a command determination unit that determines command data for the machine tool from the state data collected at the time of the above and causes the machine tool to perform final finishing work on the workpiece based on the command data.
  • the machine tool can be controlled in consideration of the quality of the manufactured workpiece.
  • the state data collected at the time of machining the workpiece at a certain point in time before the final finishing is the spindle motor load of the machine tool and the spindle motor load of each shaft motor. It may contain one or more.
  • the machining state data is 1 of the spindle motor load of the machine tool, the spindle motor load and spindle vibration, the feed speed, the rotation speed, and the depth of cut, which are the machining conditions preset at the time of machining the workpiece. It may contain one or more.
  • the equipment state data includes the environmental temperature inside or around the machine tool, the cooling water temperature, the cooling water flow rate, the cooling water concentration, the jig temperature, the spindle cooling oil temperature, the ball screw temperature, and the servomotor temperature of each shaft. It may include one or more of the tool diameter, the tool length, the tool diameter or the correction amount of the tool length, the number of times the tool is used, the tool mounting state, and the work grasping force.
  • the material state data may include one or more of material hardness, material strength and pre-processed dimensions.
  • the accuracy data may include one or more of the dimensions, roughness and geometric accuracy of the workpiece after machining.
  • the learning unit may relearn the machine learning model at a predetermined relearning timing
  • the command determination unit may determine the command data by the relearned machine learning model
  • the command determination unit determines the predicted values of the accuracy data from the linear multiple regression analysis model, the nonlinear multiple regression analysis model, and the neural network for the state data collected during the machining of the workpiece by the machine tool. And the linear multiple regression analysis model, the nonlinear multiple regression analysis model, or the neural network as the trained machine learning model due to an error between the actual measurement value of the accuracy data of the workpiece after machining by the machine tool. May be selected.
  • an appropriate machine learning model can be selected according to the error between the predicted value and the measured value.
  • the command value determination unit may determine the command data by solving the inverse model of the regression equation of the regression model.
  • a condition observation unit that collects condition data related to machine tools, including one or more of processing condition data, equipment condition data, and material condition data.
  • the accuracy result observation unit that acquires the accuracy data of the workpiece by the machine tool,
  • a learning unit that learns a machine learning model from the collected state data and the acquired accuracy data,
  • the present invention relates to a model generator having.
  • the machine tool can be controlled in consideration of the quality of the manufactured workpiece.
  • the machine learning model may include one or more of a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network.
  • various machine learning models can be selectively used.
  • the learning unit may learn one or more of the linear multiple regression analysis model, the nonlinear multiple regression analysis model, and the neural network from the collected state data and the acquired accuracy data.
  • the machining state data is 1 of the spindle motor load of the machine tool, the spindle motor load and spindle vibration, the feed speed, the rotation speed, and the depth of cut, which are the machining conditions preset at the time of machining the workpiece. It may contain one or more.
  • the equipment state data includes the environmental temperature inside or around the machine tool, the cooling water temperature, the cooling water flow rate, the cooling water concentration, the jig temperature, the spindle cooling oil temperature, the ball screw temperature, and the servomotor temperature of each shaft. It may include one or more of the tool diameter, the tool length, the tool diameter or the correction amount of the tool length, the number of times the tool is used, the tool mounting state, and the work grasping force.
  • the material state data may include one or more of material hardness, material strength and pre-processed dimensions.
  • the accuracy data may include one or more of the dimensions, roughness and geometric accuracy of the workpiece after machining.
  • a state observation unit that collects state data related to the machine tool, including one or more of machining state data, equipment state data, and material state data when machining a workpiece by a machine tool.
  • a command determination unit that determines command data for the machine tool from the state data collected by the trained machine learning model, and With respect to a control device having.
  • the machine tool can be controlled in consideration of the quality of the manufactured workpiece.
  • the trained machine learning model may be trained by state data collected for the machine tool and accuracy data acquired for the workpiece by the machine tool.
  • the command determination unit determines the predicted values of the accuracy data from the linear multiple regression analysis model, the nonlinear multiple regression analysis model, and the neural network for the state data collected during the machining of the workpiece by the machine tool. And the linear multiple regression analysis model, the nonlinear multiple regression analysis model, or the neural network as the trained machine learning model due to an error between the actual measurement value of the accuracy data of the workpiece after machining by the machine tool. May be selected.
  • an appropriate machine learning model can be selected according to the error between the predicted value and the measured value.
  • the command data may indicate the value of any data item of the state data.
  • a condition observation unit that collects condition data related to machine tools, including one or more of processing condition data, equipment condition data, and material condition data.
  • the accuracy result observation unit that acquires the accuracy data of the workpiece by the machine tool,
  • a learning unit that learns a machine learning model from the collected state data and the acquired accuracy data,
  • a command determination unit that determines command data for the machine tool from the state data collected when the machine tool is machined by the trained machine learning model.
  • the machine tool can be controlled in consideration of the quality of the manufactured workpiece.
  • the learning unit may relearn the machine learning model at a predetermined relearning timing
  • the command determination unit may determine the command data by the relearned machine learning model
  • a model is generated to generate a machine learning model that predicts the relationship between various state data related to a machine tool such as machining state data, equipment state data, and material state data, and accuracy data of the machine tool by the machine tool.
  • a device and a control device that controls a machine tool using a machine learning model generated by the model generation device are disclosed.
  • the model generator 100 includes various state data related to the machine tool 50 such as machining state data, equipment state data, and material state data, and the accuracy of the workpiece by the machine tool 50. Using the data as training data, machine learning models 1 to N that predict the relationship between the state data and the accuracy data are learned.
  • the machine learning models 1 to N to be trained may include one or more of a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network.
  • the model generation device 100 After learning the machine learning models 1 to N, the model generation device 100 provides the trained machine learning models 1 to N to the control device 200.
  • the control device 200 uses the trained machine learning models 1 to N to generate command data for controlling the machine tool 50 from the input state data, and controls the machine tool 50 according to the generated command data.
  • the generated machine learning model is a machine tool that ensures a certain quality.
  • the command data for manufacturing can be determined.
  • FIG. 2 is a block diagram showing a functional configuration of the model generation device 100 according to the embodiment of the present disclosure.
  • the model generation device 100 includes a state observation unit 110, an accuracy result observation unit 120, and a learning unit 130.
  • the state observation unit 110 collects state data related to the machine tool 50, including one or more of processing state data, equipment state data, and material state data. Specifically, since the state observation unit 110 uses it as training data for learning the machine learning models 1 to N, when the machine tool 50 processes the workpiece, the machining state data and the equipment state are used. Acquire one or more of data and material state data in advance.
  • the machining state data includes one or more of the spindle motor load of the machine tool 50, the spindle motor load and the spindle vibration, the feed rate, the rotation speed, and the depth of cut, which are preset machining conditions at the time of machining the workpiece. It may be.
  • the spindle motor load, each axis motor load, and the spindle vibration are related to the machining load at the time of machining the work by the machine tool 50
  • the feed speed, the rotation speed, and the depth of cut are the operators in the work machining of the machine tool 50. It is related to the processing conditions set by the above.
  • Each data item of machining conditions such as feed rate, rotation speed, and depth of cut can be used by the control device 200 as command data for controlling the operation of the machine tool 50.
  • the equipment status data includes, for example, the environmental temperature inside or around the machine tool 50, the cooling water temperature, the cooling water flow rate, the cooling water concentration, the jig temperature, the spindle cooling oil temperature, the ball screw temperature, the servomotor temperature of each shaft, and the tool. It may include one or more of the diameter, the tool length, the tool diameter or the correction amount of the tool length, the number of times the tool is used, the tool mounting state, and the work grasping force.
  • temperature data such as the ambient temperature inside or around the machine tool 50, the cooling water temperature, the cooling water flow rate, the cooling water concentration, the jig temperature, the spindle cooling oil temperature, the ball screw temperature, and the motor temperature are obtained by a sensor such as a thermometer.
  • tool-related data such as tool diameter, tool length, tool diameter or tool length correction amount, tool usage frequency, tool mounting state and work grasping force may be set or measured during and during mounting of the tool. Good.
  • Each data item of the tool data such as the tool diameter, the tool length, and the number of times the tool has been used can be used by the control device 200 as command data for setting the machine tool 50.
  • the material state data may include one or more of material hardness, material strength and pre-processing dimensions.
  • the material state data may be set or measured at the time of charging the material into the machine tool 50.
  • machining state data, equipment state data, and material state data are considered to affect the machining process by the machine tool 50, and the accuracy of the workpiece is considered to depend on the machining state data, equipment state data, and material state data.
  • the state data is not limited to machining state data, equipment state data, and material state data, and may include any other appropriate data that is considered to affect the machining process by the machine tool 50 or the accuracy of the workpiece. Good.
  • the machining state data, the equipment state data, and the material state data are not limited to the above-mentioned data items, and any other appropriate data item that is considered to affect the machining process by the machine tool 50 or the accuracy of the workpiece. It may be composed of.
  • the machine tool 50 manufactures a workpiece by cutting or the like, but the machine tool 50 according to the present disclosure is not limited to this, and processes, processes, manufactures, etc., any other type of workpiece. It may be a device for Further, the machine tool 50 according to the present disclosure may be a device that executes other types of processing, processing, manufacturing, etc., such as grinding and plastic working.
  • the state data may consist of appropriate data items according to the machine tool 50 and the type of workpiece.
  • the accuracy result observation unit 120 acquires the accuracy data of the workpiece by the machine tool 50. Specifically, in order to use the accuracy result observation unit 120 as training data for learning the machine learning models 1 to N, the machine tool 50 uses the machine tool 50 under the machining state, equipment state, and material state based on the above-mentioned state data. Measure accuracy data that indicates the quality of the manufactured machine tool (workpiece). For example, the accuracy data may include one or more of the dimensions of the workpiece after machining, surface roughness (such as surface flatness) and geometric accuracy. Accuracy data can be generated and acquired by measuring the processed geographic feature using any suitable measuring device or the like. The measured accuracy data is associated with the machining state data, the equipment state data, and the material state data at the time of machining processing.
  • the learning unit 130 learns the machine learning model from the collected state data and the acquired accuracy data. Specifically, the learning unit 130 has a state data including one or more of processing state data, equipment state data, and material state data previously collected by the state observation unit 110, and has been acquired in advance by the accuracy result observation unit 120. A plurality of machine learning models 1 to N are learned by using the accuracy data as training data.
  • these machine learning models 1 to N may include one or more of a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network.
  • a large number of pairs of state data and accuracy data are prepared as training data.
  • the learning unit 130 executes linear multiple regression analysis on the prepared training data with each data item of the state data as an explanatory variable and the accuracy data as an objective variable, and outputs the value of the explanatory variable as an argument. Derive a linear regression equation with the value as the value of the objective variable.
  • the linear multiple regression analysis is a well-known statistical analysis method, and the description of the specific processing for deriving the linear multiple regression equation is omitted here.
  • the learning unit 130 determines each data item (for example, feed rate, rotation speed, depth of cut, tool diameter, tool length, tool diameter or tool length) of the command data output by the control device 200 as follows.
  • the derived linear multiple regression equation may be modified so that the amount of correction, the number of times the tool is used, etc.) is the solution.
  • x i is an explanatory variable representing each data item of the state data
  • y is an objective variable representing accuracy data.
  • b i is the partial regression coefficients
  • e is the error.
  • x j (y-b 1 x 1 -...- b j-1 x j. -1- b j + 1 x j + 1 -...- b k x k- e) / b j
  • the learning unit 130 for each data item x j of command data, a modification of the linear multiple regression equation as described above, may be derived function of each data item x j command data ..
  • the learning unit 130 executes a nonlinear multiple regression analysis on the prepared training data with each data item of the state data as an explanatory variable and the accuracy data as an objective variable, and outputs the value of the explanatory variable as an argument. Derivation of a non-linear regression equation with the value as the value of the objective variable.
  • the linear multiple regression equation is expressed in the form of a linear function, while the nonlinear multiple regression equation is expressed in the form of a higher-order function of the second order or higher of the explanatory variable.
  • x i is an explanatory variable representing each data item of the state data
  • y is an objective variable representing accuracy data.
  • b i is the partial regression coefficients
  • e is the error.
  • ⁇ 1, ⁇ 2, ... ⁇ k are positive integers.
  • the nonlinear multiple regression analysis is also a well-known statistical analysis method, and the description of the specific processing for deriving the nonlinear multiple regression equation is omitted here.
  • nonlinear multiple regression equations cannot always be solved analytically with respect to explanatory variables. Therefore, for example, the values of the state data and the accuracy data other than the command data may be substituted into the derived nonlinear multiple regression equation, and the value of the command data may be obtained by using any numerical calculation method.
  • the learning unit 130 inputs state data to a neural network having an appropriate network architecture, and depending on the error between the output from the neural network and the accuracy data corresponding to the input state data, for example, an error backpropagation method. Update the neural network parameters according to.
  • the learning unit 130 repeats the above-mentioned parameter update process until a predetermined end condition such as the end of the parameter update process is satisfied for all the prepared training data, and the final neural network is trained in the machine learning model. Get as. As shown in FIG. 4A, the machine learning model learned in this way can predict the accuracy data y from the state data x i (1 ⁇ i ⁇ k).
  • the learning unit 130 may acquire a neural network that predicts command data from state data and accuracy data by using the prepared training data. For example, in order to provide a data item with state data as command data x j , the learning unit 130 uses state data x i other than the command data x j and accuracy data y in the training data as training data for input.
  • the command data x j may be used as training data for output to learn a neural network having any suitable network architecture.
  • the neural network learned in this way can predict command data from state data and accuracy data.
  • the learning unit 130 can acquire a learned machine learning model that predicts the value of the data item from the state data and the accuracy data for each data item of the command data. As shown in FIG. 4B, the machine learning model learned in this way has command data x from state data x i (1 ⁇ i ⁇ j-1, j + 1 ⁇ i ⁇ k) and accuracy data y. It is possible to predict j.
  • the accuracy data is composed of a single data item, but the accuracy data of the present disclosure is not limited to this, and may be composed of a plurality of data items.
  • the multiple regression equation y k f k (x 1 , x 2 , ..., x k ) Represented by.
  • the neural network that outputs the accuracy data from the state data may be generated separately for each data item of the accuracy data, or may be configured by a network architecture that outputs all the data items.
  • the model generator 100 collects state data related to the machine tool 50.
  • the model generation device 100 collects state data related to the machine tool 50 in advance and holds the collected state data in a storage device such as a memory in order to use it as training data for a machine learning model.
  • the state data may include one or more of the machining state data, the equipment state data, and the material state data of the machine tool 50, may be set by the operator of the machine tool 50, or may be processed by the machine tool 50. It may be acquired by the sensor, or it may be detected by the sensor.
  • the model generator 100 acquires the accuracy data of the workpiece. Specifically, in order to use the model generation device 100 as training data for the machine learning model, the model generator 100 acquires the accuracy data of the workpiece machined by the machine tool 50 under each state data, and the acquired accuracy data is used as the state. It is associated with data and stored in a storage device such as memory.
  • the accuracy data may include one or more of the dimensions, roughness and geometric accuracy of the workpiece after machining, or may be obtained from a measuring instrument or the like that measures the workpiece after machining.
  • the accuracy data according to the present disclosure is not limited to these, and may indicate other appropriate data items depending on the machine tool 50 and the type of the workpiece.
  • step S103 the model generation device 100 learns the machine learning model from the state data and the accuracy data. Specifically, the model generation device 100 uses the state data collected in step S101 and the accuracy data acquired in step S102 as training data, and uses a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network. To generate.
  • the model generator 100 derives the linear multiple regression equation with the state data as the explanatory variable and the accuracy data as the objective variable, and transforms the derived linear multiple regression equation.
  • a function for obtaining command data may be derived.
  • the model generator 100 derives the nonlinear multiple regression equation using the state data as the explanatory variable and the accuracy data as the objective variable.
  • the model generator 100 may derive a function for obtaining each command data by transforming the derived nonlinear multiple regression equation.
  • the model generation device 100 learns the neural network that outputs the accuracy data from the state data by the training data. Further, the model generation device 100 may learn a neural network that outputs each command data from the state data and the accuracy data by the training data.
  • the model generation device 100 provides the learned machine learning model to the control device 200 for the subsequent control of the machine tool 50.
  • the control device 200 utilizes the machine learning model learned by the model generator 100 using the state data collected for the machine tool 50 and the accuracy data acquired for the workpiece manufactured by the machine tool 50 as training data. To control the machining process of the machine tool 50.
  • FIG. 6 is a block diagram showing a functional configuration of the control device 200 according to the embodiment of the present disclosure.
  • control device 200 has a state observation unit 210 and a command determination unit 220.
  • the state observation unit 210 collects state data related to the machine tool 50, including one or more of machining state data, equipment state data, and material state data when the work piece is machined by the machine tool 50. Specifically, the state observing unit 210 collects one or more of machining state data, equipment state data, and material state data before and during machining of the workpiece by the machine tool 50.
  • the state observing unit 210 uses the spindle motor load of the machine tool 50, the spindle motor load and the spindle vibration, and the feed speed, the rotation speed, and the depth of cut, which are preset machining conditions at the time of machining, as machining state data. You may collect one or more of them.
  • the spindle motor load of the machine tool 50, each axis motor load, and the spindle vibration may be collected from the operation data of the machine tool 50 during machining of the workpiece, and the feed speed, the number of rotations, and the depth of cut are determined by the workpiece. It may be set by the operator before machining.
  • the state observation unit 210 uses the equipment state data such as the environmental temperature inside or around the machine tool 50, the cooling water temperature, the cooling water flow rate, the cooling water concentration, the jig temperature, the spindle cooling oil temperature, the ball screw temperature, and each axis servo.
  • One or more of the motor temperature, the tool diameter, the tool length, the tool diameter or the correction amount of the tool length, the number of times the tool is used, the tool mounting state, and the work grasping force may be collected.
  • a sensor such as a thermometer is attached before and during machining of the workpiece.
  • the tool diameter, the tool length, the correction amount of the tool diameter or the tool length, the number of times the tool is used, the tool mounting state, and the work grasping force may be collected from the tool data of the tool before machining the workpiece.
  • the state observation unit 210 may collect one or more of the material hardness, the material strength, and the pre-processing dimensions as the material state data.
  • the material hardness, material strength and pre-processing dimensions may be extracted from the material state data held in advance for the material to be processed.
  • the command determination unit 220 determines command data for the machine tool 50 from the state data collected by the trained machine learning model. Specifically, the command determination unit 220 uses the trained machine learning model provided by the model generator 100 to input the collected state data and given accuracy data into the machine learning model, and machine learning. Command data for controlling the machine tool 50 is determined from the model.
  • the command data may indicate the value of any data item of the state data used for the training data of the machine learning model, for example, feed speed, rotation speed, depth of cut, tool diameter, tool length. , The number of times the tool is used, etc.
  • the command data according to the present disclosure is not limited to these, and may be any appropriate data item relating to the control of the machine tool 50 according to the machine tool 50 and the type of the workpiece.
  • the model generator 100 transforms the derived linear multiple regression equation. Therefore, an equivalent function for obtaining the machining allowance correction value as the command data as shown in FIG. 7B can be derived.
  • the command determination unit 220 sets the machining accuracy a1 as the accuracy data to zero, and further sets the spindle motor load as the state data to a constant value. Therefore, the machining allowance correction value can be determined by the formula shown in FIG. 7 (c).
  • the command determination unit 220 transmits command data indicating the determined machining allowance correction value to the machine tool 50. It is considered that the machine tool 50 can manufacture a workpiece having a machining error of almost zero by operating according to the received machining allowance correction value and the set value of the spindle motor load.
  • the command data determination process by the command determination unit 220 has been described with reference to the linear multiple regression analysis model, but it is understood by those skilled in the art that the command data can be determined based on the nonlinear multiple regression analysis model and the neural network in the same manner. You can do it.
  • the command determination unit 220 uses the derived nonlinear multiple regression equation with the value of the explanatory variable x i of the state data other than the explanatory variable x j of the command data and the set value of the objective variable y. May be input and the value of the explanatory variable x j may be calculated by numerical calculation.
  • the command determination unit 220 the learned neural network for outputting a command data x j, inputs the setting of the values and precision data y status data x i other than command data x j, command The value of the data x j may be acquired.
  • the command determination unit 220 uses the linear multiple regression analysis model, the non-linear multiple regression analysis model, and the predicted value of the accuracy data from the neural network for the state data collected during the machining of the workpiece by the machine tool 50.
  • a linear multiple regression analysis model, a non-linear multiple regression analysis model, or a neural network may be selected as the trained machine learning model depending on the error between the measured value of the accuracy data of the workpiece after machining by the machine tool 50.
  • the command determination unit 220 provides the trained machine.
  • the trained machine learning model with the highest prediction accuracy is used to determine the command data.
  • the command determination unit 220 measures the accuracy of the workpiece manufactured by the machine tool 50 under the control of the command data determined by using each of the linear multiple regression analysis model, the nonlinear multiple regression analysis model, and the neural network. Is compared with the predicted values of the accuracy data of each of the linear multiple regression analysis model, the nonlinear multiple regression analysis model, and the neural network, and the machine learning model that minimizes the error is used to give instructions for subsequent processing. Data may be determined.
  • the control process is realized by the control device 200, and specifically, the control process may be realized by the processor of the control device 200 executing a program.
  • FIG. 8 is a flowchart showing a control process according to an embodiment of the present disclosure.
  • the control device 200 collects state data related to the machine tool 50. Specifically, the control device 200 collects state data related to the machine tool 50 before and during the machining process by the machine tool 50, and holds the collected state data in a storage device such as a memory.
  • the state data may include one or more of the machining state data, the equipment state data, and the material state data of the machine tool 50, may be set by the operator of the machine tool 50, or may be processed by the machine tool 50. It may be acquired by the sensor, or it may be detected by the sensor.
  • step S202 the control device 200 determines the command data for the machine tool 50 from the state data by the trained machine learning model. Specifically, the control device 200 uses the trained machine learning model provided by the model generation device 100 to input the collected state data and given accuracy data into the machine learning model, and the machine learning model. The command data for controlling the machine tool 50 is determined from.
  • control device 200 uses the linear multiple regression equation provided by the model generation device 100 as the collected value of the state data other than the command data and the set value of the accuracy data. And may be input to calculate the value of the command data.
  • control device 200 uses the nonlinear multiple regression equation provided by the model generator 100 to collect the collected values of the state data other than the command data and the set values of the accuracy data. And may be input to calculate the value of the command data.
  • control device 200 sends the neural network that outputs the command data provided by the model generation device 100 to the collected values of the state data other than the command data and the set values of the accuracy data. And may be input to predict the value of the command data.
  • the control device 200 transmits the command data determined in this way to the machine tool 50.
  • the control device 200 compares the acquired measurement result with the set value of the accuracy data, and machine learning that minimizes the error.
  • the model may be used to determine command data in subsequent machining processes.
  • the control system 300 has the functions of the model generation device 100 and the control device 200 described above, learns a machine learning model, and determines command data using the learned machine learning model.
  • the control system 300 may be realized to include both a physical configuration or a functional configuration of the model generation device 100 and the control device 200.
  • FIG. 9 is a block diagram showing a functional configuration of the control system 300 according to an embodiment of the present disclosure.
  • control system 300 includes a state observation unit 310, an accuracy result observation unit 320, a learning unit 330, and a command determination unit 340.
  • the state observation unit 310 collects state data related to the machine tool 50, including one or more of machining state data, equipment state data, and material state data. Specifically, the state observation unit 310 collects state data related to the machine tool 50 in order to collect training data for learning the machine learning model. Further, the state observation unit 310 collects state data regarding the machine tool 50 before and during the machining process in order to control the machine tool 50 using the learned machine learning model.
  • the accuracy result observation unit 320 acquires the accuracy data of the workpiece by the machine tool 50. Specifically, the accuracy result observation unit 320 collects accuracy data of the workpiece manufactured by the machine tool 50 in order to collect training data for learning the machine learning model. Further, the accuracy result observation unit 320 collects accuracy data of the workpiece manufactured by the machine tool 50 controlled according to the command data determined by the command determination unit 340.
  • the learning unit 330 learns the machine learning model from the collected state data and the acquired accuracy data. Specifically, the learning unit 330 uses the training data composed of a pair of the state data collected by the state observation unit 310 and the accuracy data acquired by the accuracy result observation unit 320, and the command determination unit 340 is used. Learn the machine learning model used by.
  • the machine learning model may include one or more of a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network, and the learning unit 130 of the model generator 100 is trained as described above. To.
  • the command determination unit 340 determines command data for the machine tool 50 from the state data collected when the machine tool 50 processes the workpiece by the trained machine learning model. Specifically, the command determination unit 340, like the command determination unit 220 of the control device 200, uses the machine learning model learned by the learning unit 330 before and during processing by the state observation unit 310. The command data is determined from the value of the state data related to the machine tool 50 and the set value of the accuracy data collected in. The command determination unit 340 transmits the determined command data to the machine tool 50.
  • the designation determination unit 340 uses the learned machine learning model to perform the machining of the same part in a plurality of times before the final finishing of the multiple machining by the machine tool 50.
  • Command data for the machine tool 50 may be determined from the state data collected during machining of the workpiece at a certain point in time, and the command data may cause the machine tool 50 to perform final finishing machining on the workpiece. That is, in the processing of a general workpiece, the workpiece is gradually formed as a final product through a plurality of processes.
  • Machine learning models may be trained and utilized for final finishing, as precise machining accuracy is required at the final finishing stage.
  • the learning unit 330 may train the machine learning model by using the state data and the accuracy data at the time of final finishing as training data.
  • the state observation unit 310 collects the state data of the machine tool at a certain point before the final finishing, and the command determination unit 340 uses the trained machine learning model to obtain command data for the machine tool 50 from the collected state data. The decision is made and the command data is transmitted to the machine tool 50.
  • the collected state data may include one or more of the spindle motor load of the machine tool 50 and each axis motor load.
  • the machine tool 50 Upon receiving the command data, the machine tool 50 performs final finishing on the workpiece according to the received command data.
  • FIG. 10 is a flowchart showing a control process according to an embodiment of the present disclosure.
  • the control process is realized by the control system 300, and specifically, the control process may be realized by executing a program by the processor of the control system 300.
  • the control system 300 collects state data related to the machine tool. Specifically, the control system 300 collects state data related to the machine tool 50 in advance for use as training data for the machine learning model.
  • the state data may include one or more of the machining state data, the equipment state data, and the material state data of the machine tool 50, may be set by the operator of the machine tool 50, or may be processed by the machine tool 50. It may be acquired by the sensor, or it may be detected by the sensor.
  • the control system 300 acquires the accuracy data of the workpiece. Specifically, since the control system 300 uses it as training data for the machine learning model, it acquires accuracy data of the workpiece machined by the machine tool 50 under each state data.
  • the accuracy data may include one or more of the dimensions, roughness and geometric accuracy of the workpiece after machining, or may be obtained from a measuring instrument or the like that measures the workpiece after machining.
  • the accuracy data according to the present disclosure is not limited to these, and may indicate other appropriate data items depending on the machine tool 50 and the type of the workpiece.
  • step S303 the control system 300 learns the machine learning model from the state data and the accuracy data. Specifically, the control system 300 uses the state data collected in step S301 and the accuracy data acquired in step S302 as training data to obtain a linear multiple regression analysis model, a nonlinear multiple regression analysis model, and a neural network. Generate.
  • step S304 the control system 300 determines command data for the machine tool 50 from the state data by the trained machine learning model. Specifically, the control system 300 uses the machine learning model learned in step S303 to input the collected state data and the given accuracy data into the machine learning model, and inputs the machine learning machine 50 from the machine learning model. Determine the command data to control.
  • the control system 300 uses the learned machine learning model to perform the machining of a workpiece that is machined at the same location in a plurality of times, and the machine tool 50 performs the machining of the plurality of times before the final finish.
  • Command data for the machine tool 50 may be determined from the state data collected during machining of the workpiece at a certain point in time, and the command data may cause the machine tool 50 to perform final finishing machining on the workpiece.
  • the control system 300 may train the machine learning model by using the state data and the accuracy data at the time of final finishing as training data.
  • the collected state data may include one or more of the spindle motor load of the machine tool 50 and each axis motor load.
  • the control system 300 collects the state data of the workpiece at a certain point before the final finishing, uses the trained machine learning model to determine the command data for the machine tool 50 from the collected state data, and makes the machine tool 50. Send command data. Upon receiving the command data from the control system 300, the machine tool 50 performs final finishing on the workpiece according to the received command data.
  • the learning unit 330 may relearn the machine learning model at a predetermined relearning timing, and the command determination unit 340 may determine the command data by the relearned machine learning model. For example, every time a predetermined number of workpieces are manufactured, the learning unit 330 acquires the accuracy data of the manufactured workpieces from the accuracy result observation unit 320, and uses the acquired accuracy data and the workpieces at the time of manufacturing the workpieces. The command data and the state data may be incorporated into the existing training data, and the machine learning model may be retrained by the updated training data. The command determination unit 340 may determine command data to be used in the subsequent processing based on the relearned machine learning model. In this way, by dynamically re-learning the machine learning model using the latest state data and accuracy data as training data, it becomes possible to control the machine tool 50 with more accurate command data.
  • FIG. 11 is a flowchart showing a control process according to an embodiment of the present disclosure.
  • the control process is realized by the control system 300, and specifically, the control process may be realized by executing a program by the processor of the control system 300.
  • steps S401 to S404 in FIG. 11 are the same as steps S301 to S304 in FIG. 10, and description thereof will be omitted in order to avoid duplication.
  • step S405 the control system 300 causes the machine tool 50 to execute the machining process according to the command data. Specifically, the control system 300 transmits the command data determined in step S404 to the machine tool 50 to control the operation of the machine tool 50.
  • step S406 the control system 300 acquires the accuracy data of the workpiece manufactured by the machine tool 50. Specifically, the control system 300 causes a measuring instrument to measure the accuracy of the manufactured workpiece, and acquires accuracy data indicating the measurement result from the measuring instrument.
  • step S407 the control system 300 determines whether there is more work, and if there is more work (step S407: YES), returns to step S401 and uses the accuracy data acquired in step S406 for machine learning. Relearn the model. On the other hand, when there is no further work (step S407: NO), the control system 300 ends the control.
  • the control system 300 will perform the final finishing of a predetermined number of most recently machined workpieces before performing the final finishing of the workpiece.
  • the machine learning model may be dynamically relearned by using the state data and the accuracy data as training data, and the final finishing of the workpiece may be executed by the relearned machine learning model. This makes it possible to determine command data based on a machine learning model that reflects the latest state data, and enables more accurate final finishing.
  • the model generation device 100, the control device 200, and the control system 300 may have, for example, a hardware configuration as shown in FIG.
  • the model generation device 100, the control device 200, and the control system 300 are the drive device 101, the auxiliary storage device 102, the memory device 103, the CPU (Central Processing Unit) 104, the interface device 105, and the communication, which are interconnected via the bus B. It has a device 106.
  • the drive device 101 the auxiliary storage device 102, the memory device 103, the CPU (Central Processing Unit) 104, the interface device 105, and the communication, which are interconnected via the bus B. It has a device 106.
  • the CPU Central Processing Unit
  • a recording medium 107 such as a CD-ROM (Compact Disk-Read Only Memory). May be good.
  • the recording medium 107 storing the program is set in the drive device 101, the program is installed in the auxiliary storage device 102 from the recording medium 107 via the drive device 101.
  • the program does not necessarily have to be installed from the recording medium 107, and may be downloaded from any external device via a network or the like.
  • the auxiliary storage device 102 stores the installed program and also stores necessary files and data.
  • the memory device 103 reads and stores a program or data from the auxiliary storage device 102 when a program start instruction is given.
  • the CPU 104 which functions as a processor, has various functions and processes of the model generation device 100, the control device 200, and the control system 300 described above according to various data such as a program stored in the memory device 103 and parameters necessary for executing the program.
  • the interface device 105 is used as a communication interface for connecting to a network or an external device.
  • the communication device 106 executes various communication processes for communicating with the external device.
  • model generation device 100 the control device 200, and the control system 300 are not limited to the hardware configuration described above, and may be realized by any other appropriate hardware configuration.
  • Machine tool 100 Model generator 110, 210, 310 State observation unit 120, 320 Accuracy result observation unit 130, 330 Learning unit 200 Control device 220, 340 Command determination unit 300 Control system

Landscapes

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

Abstract

製造された工作物の品質を考慮した工作機械の制御技術が提案される。本開示の一態様は、加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械に関する状態データを収集する状態観測部と、前記工作機械による工作物の精度データを取得する精度結果観測部と、前記収集した状態データ及び前記取得した精度データによって機械学習モデルを学習する学習部と、複数回に分けて同一箇所を加工する工作物の加工の際に、前記学習済み機械学習モデルによって、前記工作機械による複数回の加工のうち、最終仕上げ前のある時点での前記工作物の加工の際に収集される前記状態データから、前記工作機械に対する指令データを決定し、前記指令データによって前記工作機械に前記工作物に対する最終仕上げ加工を実行させる指令決定部と、を有する制御システムに関する。

Description

制御システム
　本開示は、工作機械の制御技術に関する。
　工作機械を用いた機械加工において、最適な条件の下で工作物を加工するため、工具に加わる負荷トルクの変化に応じて工具の送り速度を制御する適応制御が利用されている。
　一方、近年の機械学習技術の進展によって、機械学習モデルが様々な技術分野に適用されている。例えば、特開２０１８－１５３９０１号公報では、熱膨張する機械要素を有する工作機械において、当該機械要素の熱変位量予測計算式を設定する機械学習装置と、設定された熱変位量予測式に基づき機械要素の補正量を算出する熱変位補正装置とが開示されている。
特開２０１８－１５３９０１号公報
　しかしながら、上述したような従来の工作機械制御技術では、製造された工作物の品質は考慮されていない。
　本開示では、製造された工作物の品質を考慮した工作機械の制御技術を提案する。
　本開示の一態様は、
　加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械に関する状態データを収集する状態観測部と、
　前記工作機械による工作物の精度データを取得する精度結果観測部と、
　前記収集した状態データ及び前記取得した精度データによって機械学習モデルを学習する学習部と、
　複数回に分けて同一箇所を加工する工作物の加工の際に、前記学習済み機械学習モデルによって、前記工作機械による複数回の加工のうち、最終仕上げ前のある時点での前記工作物の加工の際に収集される前記状態データから、前記工作機械に対する指令データを決定し、前記指令データによって前記工作機械に前記工作物に対する最終仕上げ加工を実行させる指令決定部と、
を有する制御システムに関する。
　本態様によると、製造された工作物の品質を考慮して工作機械を制御することができる。
　一実施例では、前記複数回の加工のうち、前記最終仕上げ前のある時点での工作物の加工の際に収集される前記状態データは、前記工作機械の主軸モータ負荷及び各軸モータ負荷の１つ以上を含んでもよい。
　一実施例では、前記加工状態データは、前記工作機械の主軸モータ負荷、各軸モータ負荷及び主軸振動、ワーク加工時に予め設定されている加工条件である送り速度、回転数及び切込量の１つ以上を含んでもよい。
　一実施例では、前記設備状態データは、工作機械内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度、各軸サーボモータ温度、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力の１つ以上を含んでもよい。
　一実施例では、前記素材状態データは、素材硬度、素材強度及び加工前寸法の１つ以上を含んでもよい。
　一実施例では、前記精度データは、加工後の前記工作物の寸法、粗さ及び幾何精度の１つ以上を含んでもよい。
　一実施例では、前記学習部は、所定の再学習タイミングで前記機械学習モデルを再学習し、前記指令決定部は、前記再学習された機械学習モデルによって前記指令データを決定してもよい。
　本実施例によると、機械学習モデルを動的に再学習することが可能である。
　一実施例では、前記指令決定部は、前記工作機械による工作物の加工の際に収集された状態データに対する線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークからの前記精度データの予測値と、前記工作機械による加工後の前記工作物の前記精度データの実測値との間の誤差によって、前記学習済み機械学習モデルとして前記線形重回帰分析モデル、前記非線形重回帰分析モデル又は前記ニューラルネットワークを選択してもよい。
　本実施例によると、予測値と実測値の誤差に応じて適切な機械学習モデルを選択することができる。
　一実施例では、前記指令値決定部は、回帰分析モデルを選択した場合、前記回帰モデルの回帰式の逆モデルを解くことによって前記指令データを決定してもよい。
　本開示の一態様は、
　加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械に関する状態データを収集する状態観測部と、
　前記工作機械による工作物の精度データを取得する精度結果観測部と、
　前記収集した状態データ及び前記取得した精度データによって機械学習モデルを学習する学習部と、
を有するモデル生成装置に関する。
　本態様によると、製造された工作物の品質を考慮して工作機械を制御することができる。
　一実施例では、前記機械学習モデルは、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークの１つ以上を含んでもよい。
　本実施例によると、様々な機械学習モデルを選択的に利用することができる。
　一実施例では、前記学習部は、前記収集した状態データ及び前記取得した精度データによって前記線形重回帰分析モデル、前記非線形重回帰分析モデル及び前記ニューラルネットワークの１つ以上を学習してもよい。
　一実施例では、前記加工状態データは、前記工作機械の主軸モータ負荷、各軸モータ負荷及び主軸振動、ワーク加工時に予め設定されている加工条件である送り速度、回転数及び切込量の１つ以上を含んでもよい。
　一実施例では、前記設備状態データは、工作機械内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度、各軸サーボモータ温度、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力の１つ以上を含んでもよい。
　一実施例では、前記素材状態データは、素材硬度、素材強度及び加工前寸法の１つ以上を含んでもよい。
　一実施例では、前記精度データは、加工後の前記工作物の寸法、粗さ及び幾何精度の１つ以上を含んでもよい。
　本開示の他の態様は、
　工作機械による工作物の加工の際に加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、前記工作機械に関する状態データを収集する状態観測部と、
　学習済み機械学習モデルによって前記収集した状態データから前記工作機械に対する指令データを決定する指令決定部と、
を有する制御装置に関する。
　本態様によると、製造された工作物の品質を考慮して工作機械を制御することができる。
　一実施例では、前記学習済み機械学習モデルは、前記工作機械に関して収集された状態データ及び前記工作機械による工作物に関して取得された精度データによって学習されてもよい。
　一実施例では、前記指令決定部は、前記工作機械による工作物の加工の際に収集された状態データに対する線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークからの前記精度データの予測値と、前記工作機械による加工後の前記工作物の前記精度データの実測値との間の誤差によって、前記学習済み機械学習モデルとして前記線形重回帰分析モデル、前記非線形重回帰分析モデル又は前記ニューラルネットワークを選択してもよい。
　本実施例によると、予測値と実測値の誤差に応じて適切な機械学習モデルを選択することができる。
　一実施例では、前記指令データは、前記状態データの何れかのデータ項目の値を示してもよい。
　本開示の他の態様は、
　加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械に関する状態データを収集する状態観測部と、
　前記工作機械による工作物の精度データを取得する精度結果観測部と、
　前記収集した状態データ及び前記取得した精度データによって機械学習モデルを学習する学習部と、
　前記学習済み機械学習モデルによって、前記工作機械による工作物の加工の際に収集される前記状態データから前記工作機械に対する指令データを決定する指令決定部と、
を有する制御システムに関する。
　本態様によると、製造された工作物の品質を考慮して工作機械を制御することができる。
　一実施例では、前記学習部は、所定の再学習タイミングで前記機械学習モデルを再学習し、前記指令決定部は、前記再学習された機械学習モデルによって前記指令データを決定してもよい。
　本実施例によると、機械学習モデルを動的に再学習することが可能である。
本開示の一実施例による機械学習モデルによる工作機械の制御処理を示す概略図である。 本開示の一実施例によるモデル生成装置の機能構成を示すブロック図である。 本開示の一実施例による一例となる線形重回帰分析モデルを示す図である。 本開示の一実施例による一例となるニューラルネットワークを示す図である。 本開示の一実施例によるモデル生成処理を示すフローチャートである。 本開示の一実施例による制御装置の機能構成を示すブロック図である。 本開示の一実施例による一例となる線形重回帰式による指令データの決定を示す図である。 本開示の一実施例による制御処理を示すフローチャートである。 本開示の一実施例による制御システムの機能構成を示すブロック図である。 本開示の一実施例による制御処理を示すフローチャートである。 本開示の一実施例による制御処理を示すフローチャートである。 本開示の一実施例によるモデル生成装置、制御装置及び制御システムのハードウェア構成を示すブロック図である。
　以下、実施形態を説明する。
　以下の実施形態では、加工状態データ、設備状態データ、素材状態データなどの工作機械に関する各種状態データと、当該工作機械による工作物の精度データとの関係を予測する機械学習モデルを生成するモデル生成装置と、モデル生成装置によって生成された機械学習モデルを利用して工作機械を制御する制御装置とが開示される。
［本開示の概略］
　図１に示されるように、本開示の実施例によるモデル生成装置１００は、加工状態データ、設備状態データ、素材状態データなどの工作機械５０に関する各種状態データと、工作機械５０による工作物の精度データとを訓練データとして利用して、状態データと精度データとの関係を予測する機械学習モデル１～Ｎを学習する。例えば、学習対象の機械学習モデル１～Ｎは、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークの１つ以上を含んでもよい。機械学習モデル１～Ｎの学習後、モデル生成装置１００は、学習済みの機械学習モデル１～Ｎを制御装置２００に提供する。制御装置２００は、学習済み機械学習モデル１～Ｎを利用して、入力された状態データから工作機械５０を制御するための指令データを生成し、生成した指令データに従って工作機械５０を制御する。
　このようにして、工作機械５０に関する状態データだけでなく工作物の品質を示す精度データもまた機械学習モデルの学習に取り入れることによって、生成された機械学習モデルは、一定の品質を確保した工作物を製造するための指令データを決定することができる。
　さらに、当該指令データに従って制御された工作機械によって加工された工作物の品質を示す精度データが収集され、収集された精度データはフィードバックデータとしてモデル生成装置１００に提供されてもよい。工作機械５０の１つの工作物（ワーク）の製造完了などの所定の更新イベントの発生に応答して、モデル生成装置１００は、フィードバックデータを利用して機械学習モデル１～Ｎを再学習してもよい。これにより、適時的に再学習された機械学習モデル１～Ｎを利用して、各時点の状態に適した指令データを決定することが可能になり、一定の品質を確保した工作物を安定的に製造することが可能になる。
［モデル生成装置］
　まず、図２～４を参照して、本開示の一実施例によるモデル生成装置１００を説明する。図２は、本開示の一実施例によるモデル生成装置１００の機能構成を示すブロック図である。
　図２に示されるように、モデル生成装置１００は、状態観測部１１０、精度結果観測部１２０及び学習部１３０を有する。
　状態観測部１１０は、加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械５０に関する状態データを収集する。具体的には、状態観測部１１０は、機械学習モデル１～Ｎを学習するための訓練データとして利用するため、工作機械５０による工作物（ワーク）の加工処理の際、加工状態データ、設備状態データ及び素材状態データの１つ以上を予め取得する。
　例えば、加工状態データは、工作機械５０の主軸モータ負荷、各軸モータ負荷及び主軸振動、ワーク加工時に予め設定されている加工条件である送り速度、回転数及び切込量の１つ以上を含んでもよい。ここで、主軸モータ負荷、各軸モータ負荷及び主軸振動は、工作機械５０によるワーク加工時の加工負荷に関するものであり、送り速度、回転数及び切込量は、工作機械５０のワーク加工においてオペレータなどによって設定された加工条件に関するものである。なお、送り速度、回転数、切込量などの加工条件の各データ項目は、工作機械５０の動作を制御するための指令データとして制御装置２００によって利用されうる。
　また、設備状態データは、例えば、工作機械５０内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度、各軸サーボモータ温度、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力の１つ以上を含んでもよい。ここで、工作機械５０内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度及びモータ温度などの温度データは、温度計などのセンサを取付けることによって測定されてもよいし、工作機械メーカや装置メーカ独自であらかじめ設けたセンサにより測定している状態データを利用してもよい。また、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力などの工具関連データは、当該工具の取付時及び使用中に設定又は測定されてもよい。なお、工具直径、工具長、工具使用回数などの工具データの各データ項目は、工作機械５０を設定するための指令データとして制御装置２００によって利用されうる。
　さらに、素材状態データは、素材硬度、素材強度及び加工前寸法の１つ以上を含んでもよい。当該素材状態データは、工作機械５０への素材の投入時に設定又は測定されてもよい。
　これらの加工状態データ、設備状態データ及び素材状態データは、工作機械５０による加工処理に影響を与えると考えられ、工作物の精度は、加工状態データ、設備状態データ及び素材状態データに依存すると考えられる。しかしながら、状態データは、加工状態データ、設備状態データ及び素材状態データに限定されず、工作機械５０による加工処理又は工作物の精度に影響を与えると考えられる他の何れか適切なデータを含んでもよい。また、加工状態データ、設備状態データ及び素材状態データは、上述したデータ項目に限定されず、工作機械５０による加工処理又は工作物の精度に影響を与えると考えられる他の何れか適切なデータ項目から構成されてもよい。本実施例では、工作機械５０は、切削などにより工作物を製造するが、本開示による工作機械５０は、これに限定されず、他の何れかのタイプの工作物を加工、処理、製造等する装置であってもよい。また、本開示による工作機械５０は、研削加工、塑性加工などの他のタイプの加工、処理、製造等を実行する装置であってもよい。状態データは、工作機械５０及び工作物のタイプに応じた適切なデータ項目から構成されてもよい。
　精度結果観測部１２０は、工作機械５０による工作物の精度データを取得する。具体的には、精度結果観測部１２０は、機械学習モデル１～Ｎを学習するための訓練データとして利用するため、上述した状態データによる加工状態、設備状態及び素材状態の下で工作機械５０によって製造された工作物（ワーク）の品質を示す精度データを測定する。例えば、精度データは、加工後の工作物の寸法、表面の粗さ（表面の平面度など）及び幾何精度の１つ以上を含んでもよい。精度データは、何れか適切な測定装置などを利用して、加工後の工作物を測定することによって生成及び取得されうる。測定された精度データは、加工処理時の加工状態データ、設備状態データ及び素材状態データと関連付けされる。
　学習部１３０は、収集した状態データ及び取得した精度データによって機械学習モデルを学習する。具体的には、学習部１３０は、状態観測部１１０によって予め収集された加工状態データ、設備状態データ及び素材状態データの１つ以上を含む状態データと、精度結果観測部１２０によって予め取得された精度データとを訓練データとして利用して、複数の機械学習モデル１～Ｎを学習する。
　一実施例では、これらの機械学習モデル１～Ｎは、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークの１つ以上を含んでもよい。
　例えば、線形重回帰分析モデルの学習では、状態データと精度データとのペアが訓練データとして多数準備される。学習部１３０は、状態データの各データ項目を説明変数とし、精度データを目的変数として、準備された訓練データに対して線形重回帰分析を実行し、説明変数の値を引数とし、出力される値を目的変数の値とする線形の回帰式を導出する。なお、線形重回帰分析は周知の統計解析手法であり、ここでの線形重回帰式の導出の具体的処理の説明は省略する。
　さらに、学習部１３０は、以下のように、制御装置２００によって出力される指令データの各データ項目（例えば、送り速度、回転数、切込量、工具直径、工具長、工具直径または工具長の補正量、工具使用回数など）が解となるように、導出した線形重回帰式を変形してもよい。一般に、図３に示されるように、線形重回帰式は、
　ｙ＝ｂ１ｘ１＋ｂ２ｘ２＋・・・＋ｂｋｘｋ＋ｅ
により表される。ここで、ｘｉは状態データの各データ項目を表す説明変数であり、ｙは精度データを表す目的変数である。また、ｂｉは偏回帰係数であり、ｅは誤差である。例えば、ｘｊが指令データのあるデータ項目を示す説明変数である場合、学習部１３０は、線形重回帰式を
　ｘｊ＝（ｙ－ｂ１ｘ１－・・・－ｂｊ－１ｘｊ－１－ｂｊ＋１ｘｊ＋１－・・・－ｂｋｘｋ－ｅ）／ｂｊ
と変形することによって、指令データｘｊを導出することができる。このようにして、学習部１３０は、指令データの各データ項目ｘｊに対して、上述したように線形重回帰式を変形し、指令データの各データ項目ｘｊの関数を導出してもよい。
　非線形重回帰分析モデルの学習では、状態データと精度データとのペアが訓練データとして多数準備される。学習部１３０は、状態データの各データ項目を説明変数とし、精度データを目的変数として、準備された訓練データに対して非線形重回帰分析を実行し、説明変数の値を引数とし、出力される値を目的変数の値とする非線形の回帰式を導出する。線形重回帰式が一次関数の形式により表されるのに対して、非線形重回帰式は説明変数の二次以上の高次関数の形式により表される。非線形重回帰式は、一般には、
　ｙ＝ｆ（ｘ１，ｘ２，・・・，ｘｋ）
により表され、例えば、
　ｙ＝ｂ１ｘ１ α１＋ｂ２ｘ２ α２＋・・・＋ｂｋｘｋ αｋ＋ｅ
により表されてもよい。ここで、ｘｉは状態データの各データ項目を表す説明変数であり、ｙは精度データを表す目的変数である。また、ｂｉは偏回帰係数であり、ｅは誤差である。また、α１，α２，・・・αｋは、正の整数である。なお、非線形重回帰分析もまた周知の統計解析手法であり、ここでの非線形重回帰式の導出の具体的処理の説明は省略する。
　線形重回帰式と異なって、非線形重回帰式は必ずしも説明変数に関して解析的に解くことができるとは限らない。このため、例えば、指令データ以外の状態データ及び精度データの値を導出された非線形重回帰式に代入し、何れかの数値計算手法を利用して、指令データの値を求めてもよい。
　ニューラルネットワークの学習では、状態データと精度データとのペアが訓練データとして多数準備される。学習部１３０は、何れか適切なネットワークアーキテクチャを有するニューラルネットワークに状態データを入力し、ニューラルネットワークからの出力と入力した状態データに対応する精度データとの誤差に応じて、例えば、誤差逆伝播法に従ってニューラルネットワークのパラメータを更新する。準備された全ての訓練データに対してパラメータ更新処理が終了するなどの所定の終了条件を充足するまで、学習部１３０は上述したパラメータ更新処理を繰り返し、最終的なニューラルネットワークを学習済み機械学習モデルとして取得する。図４（ａ）に示されるように、このようにして学習された機械学習モデルは、状態データｘｉ（１≦ｉ≦ｋ）から精度データｙを予測することが可能である。
　また、学習部１３０は、準備された訓練データを利用して、状態データ及び精度データから指令データを予測するニューラルネットワークを取得してもよい。例えば、状態データのあるデータ項目を指令データｘｊとして提供するため、学習部１３０は、訓練データにおける当該指令データｘｊ以外の状態データｘｉと精度データｙとを入力用の訓練データとし、指令データｘｊを出力用の訓練データとして利用して、何れか適切なネットワークアーキテクチャを有するニューラルネットワークを学習してもよい。このようにして学習されたニューラルネットワークは、状態データ及び精度データから指令データを予測することが可能である。このようにして、学習部１３０は、指令データの各データ項目に対して、状態データ及び精度データから当該データ項目の値を予測する学習済み機械学習モデルを取得することが可能である。図４（ｂ）に示されるように、このようにして学習された機械学習モデルは、状態データｘｉ（１≦ｉ≦ｊ－１，ｊ＋１≦ｉ≦ｋ）及び精度データｙから指令データｘｊを予測することが可能である。
　なお、上述した実施例では、精度データは単一のデータ項目から構成されたが、本開示の精度データはこれに限定されず、複数のデータ項目から構成されてもよい。この場合、重回帰式は、
　ｙｋ＝ｆｋ（ｘ１，ｘ２，・・・，ｘｋ）
により表される。また、状態データから精度データを出力するニューラルネットワークは、精度データの各データ項目に対して別々に生成されてもよいし、全てのデータ項目を出力するようなネットワークアーキテクチャによって構成されてもよい。
［モデル生成処理］
　次に、図５を参照して、本開示の一実施例によるモデル生成処理を説明する。当該モデル生成処理は、モデル生成装置１００によって実現され、具体的には、モデル生成装置１００のプロセッサがプログラムを実行することによって実現されてもよい。図５は、本開示の一実施例によるモデル生成処理を示すフローチャートである。
　図５に示されるように、ステップＳ１０１において、モデル生成装置１００は、工作機械５０に関する状態データを収集する。具体的には、モデル生成装置１００は、機械学習モデルの訓練データとして利用するため、工作機械５０に関する状態データを予め収集し、収集した状態データをメモリなどの記憶装置に保持する。例えば、状態データは、工作機械５０の加工状態データ、設備状態データ及び素材状態データの１つ以上を含んでもよく、工作機械５０のオペレータによって設定されてもよいし、工作機械５０による加工処理中に取得されてもよいし、センサから検知されてもよい。
　ステップＳ１０２において、モデル生成装置１００は、工作物の精度データを取得する。具体的には、モデル生成装置１００は、機械学習モデルの訓練データとして利用するため、各状態データの下で工作機械５０によって加工された工作物の精度データを取得し、取得した精度データを状態データと関連付けてメモリなどの記憶装置に保持する。例えば、精度データは、加工後の工作物の寸法、粗さ及び幾何精度の１つ以上を含んでもよく、加工後の工作物を測定する測定器などから取得されてもよい。しかしながら、本開示による精度データは、これらに限定されず、工作機械５０及び工作物のタイプに応じて他の適切なデータ項目を示すものであってもよい。
　ステップＳ１０３において、モデル生成装置１００は、状態データ及び精度データによって機械学習モデルを学習する。具体的には、モデル生成装置１００は、ステップＳ１０１において収集した状態データと、ステップＳ１０２において取得した精度データとを訓練データとして利用して、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークを生成する。
　線形重回帰分析モデルの生成では、モデル生成装置１００は、状態データを説明変数とし、精度データを目的変数とする線形重回帰式を導出し、導出した線形重回帰式を変形することによって、各指令データを求める関数を導出してもよい。
　非線形重回帰分析モデルの生成では、モデル生成装置１００は、状態データを説明変数とし、精度データを目的変数とする非線形重回帰式を導出する。ここで、導出された非線形重回帰式が解析的に解ける場合、モデル生成装置１００は、導出した非線形重回帰式を変形することによって、各指令データを求める関数を導出してもよい。
　ニューラルネットワークの生成では、モデル生成装置１００は、訓練データによって状態データから精度データを出力するニューラルネットワークを学習する。さらに、モデル生成装置１００は、訓練データによって状態データ及び精度データから各指令データを出力するニューラルネットワークを学習してもよい。
　モデル生成装置１００は、以降の工作機械５０の制御のため、学習した機械学習モデルを制御装置２００に提供する。
［制御装置］
　次に、図６及び７を参照して、本開示の一実施例による制御装置２００を説明する。制御装置２００は、工作機械５０に関して収集された状態データ及び工作機械５０によって製造された工作物に関して取得された精度データを訓練データとして用いてモデル生成装置１００によって学習された機械学習モデルを利用して、工作機械５０の加工処理を制御する。図６は、本開示の一実施例による制御装置２００の機能構成を示すブロック図である。
　図６に示されるように、制御装置２００は、状態観測部２１０及び指令決定部２２０を有する。
　状態観測部２１０は、工作機械５０による工作物の加工の際に加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械５０に関する状態データを収集する。具体的には、状態観測部２１０は、工作機械５０による工作物の加工前及び加工中、加工状態データ、設備状態データ及び素材状態データの１つ以上を収集する。
　例えば、状態観測部２１０は、加工状態データとして、工作機械５０の主軸モータ負荷、各軸モータ負荷及び主軸振動、ワーク加工時に予め設定されている加工条件である送り速度、回転数及び切込量の１つ以上を収集してもよい。工作機械５０の主軸モータ負荷、各軸モータ負荷及び主軸振動は、工作物の加工中に工作機械５０の動作データから収集されてもよく、送り速度、回転数及び切込量は、工作物の加工前にオペレータによって設定されてもよい。
　また、状態観測部２１０は、設備状態データとして、工作機械５０内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度、各軸サーボモータ温度、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力の１つ以上を収集してもよい。環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度及び各軸サーボモータ温度は、工作物の加工前及び加工中に温度計などのセンサを取り付けることによって収集されてもよいし、工作機械メーカや装置メーカ独自であらかじめ設けたセンサにより測定している状態データを利用してもよい。また、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力は、工作物の加工前に当該工具の工具データから収集されてもよい。
　また、状態観測部２１０は、素材状態データとして、素材硬度、素材強度及び加工前寸法の１つ以上を収集してもよい。素材硬度、素材強度及び加工前寸法は、加工対象の素材に対して予め保持している素材状態データから抽出されてもよい。
　指令決定部２２０は、学習済み機械学習モデルによって収集した状態データから工作機械５０に対する指令データを決定する。具体的には、指令決定部２２０は、モデル生成装置１００から提供された学習済み機械学習モデルを利用して、収集した状態データと所与の精度データとを機械学習モデルに入力し、機械学習モデルから工作機械５０を制御するための指令データを決定する。
　指令データは、機械学習モデルの訓練データに利用される状態データの何れかのデータ項目の値を示すものであってもよく、例えば、送り速度、回転数、切込量、工具直径、工具長、工具使用回数などであってもよい。しかしながら、本開示による指令データは、これらに限定されず、工作機械５０及び工作物のタイプに応じて工作機械５０の制御に関する何れか適切なデータ項目であってもよい。
　例えば、モデル生成装置１００の線形重回帰分析によって、図７（ａ）に示されるような線形重回帰式が導出された場合、モデル生成装置１００は、導出された線形重回帰式を変形することによって、図７（ｂ）に示されるような指令データとしての加工取り代補正値を求めるための等価な関数を導出することができる。指令決定部２２０は、図７（ｂ）に示される加工取り代補正値の関数において、精度データとしての加工精度ａ１をゼロに設定し、さらに状態データとしての主軸モータ負荷を一定値に設定することによって、図７（ｃ）に示される式によって加工取り代補正値を決定することができる。指令決定部２２０は、決定した加工取り代補正値を示す指令データを工作機械５０に送信する。工作機械５０は、受信した加工取り代補正値及び主軸モータ負荷の設定値に従って動作することによって、加工誤差がほぼゼロになる工作物を製造できると考えられる。
　ここでは、線形重回帰分析モデルを参照して指令決定部２２０による指令データの決定処理を説明したが、同様にして非線形重回帰分析モデル及びニューラルネットワークに基づき指令データを決定できることは当業者に理解できるであろう。例えば、非線形重回帰分析モデルでは、指令決定部２２０は、導出された非線形重回帰式に、指令データの説明変数ｘｊ以外の状態データの説明変数ｘｉの値と目的変数ｙの設定値とを入力し、数値計算によって説明変数ｘｊの値を計算してもよい。また、ニューラルネットワークでは、指令決定部２２０は、指令データｘｊを出力する学習済みニューラルネットワークに、指令データｘｊ以外の状態データｘｉの値と精度データｙの設定値とを入力し、指令データｘｊの値を取得してもよい。
　一実施例では、指令決定部２２０は、工作機械５０による工作物の加工の際に収集された状態データに対する線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークからの精度データの予測値と、工作機械５０による加工後の工作物の精度データの実測値との間の誤差によって、学習済み機械学習モデルとして線形重回帰分析モデル、非線形重回帰分析モデル又はニューラルネットワークを選択してもよい。具体的には、モデル生成装置１００から線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークの複数の学習済み機械学習モデルが提供されると、指令決定部２２０は、提供された学習済み機械学習モデルのうち、予測精度の最も高い学習済み機械学習モデルを利用して指令データを決定する。例えば、指令決定部２２０は、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークのそれぞれを利用して決定した指令データによる制御下で工作機械５０によって製造された工作物の精度の測定結果と、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークそれぞれの精度データの予測値とを比較し、その誤差が最小となる機械学習モデルを利用して、以降の加工処理のための指令データを決定してもよい。［制御処理］
　次に、図８を参照して、本開示の一実施例による制御処理を説明する。当該制御処理は、制御装置２００によって実現され、具体的には、制御装置２００のプロセッサがプログラムを実行することによって実現されてもよい。図８は、本開示の一実施例による制御処理を示すフローチャートである。
　図８に示されるように、ステップＳ２０１において、制御装置２００は、工作機械５０に関する状態データを収集する。具体的には、制御装置２００は、工作機械５０による加工処理前及び加工処理中、工作機械５０に関する状態データを収集し、収集した状態データをメモリなどの記憶装置に保持する。例えば、状態データは、工作機械５０の加工状態データ、設備状態データ及び素材状態データの１つ以上を含んでもよく、工作機械５０のオペレータによって設定されてもよいし、工作機械５０による加工処理中に取得されてもよいし、センサから検知されてもよい。
　ステップＳ２０２において、制御装置２００は、学習済み機械学習モデルによって状態データから工作機械５０に対する指令データを決定する。具体的には、制御装置２００は、モデル生成装置１００から提供された学習済み機械学習モデルを利用して、収集した状態データと所与の精度データとを機械学習モデルに入力し、機械学習モデルから工作機械５０を制御するための指令データを決定する。
　例えば、学習済み線形重回帰分析モデルを利用する場合、制御装置２００は、モデル生成装置１００から提供された線形重回帰式に、指令データ以外の状態データの収集された値と精度データの設定値とを入力し、指令データの値を算出してもよい。
　また、学習済み非線形重回帰分析モデルを利用する場合、制御装置２００は、モデル生成装置１００から提供された非線形重回帰式に、指令データ以外の状態データの収集された値と精度データの設定値とを入力し、指令データの値を算出してもよい。
　また、学習済みニューラルネットワークを利用する場合、制御装置２００は、モデル生成装置１００から提供された指令データを出力するニューラルネットワークに、指令データ以外の状態データの収集された値と精度データの設定値とを入力し、指令データの値を予測してもよい。
　制御装置２００は、このようにして決定した指令データを工作機械５０に送信する。当該指令データによる制御下で製造された工作物の精度を示す測定結果を取得すると、制御装置２００は、取得した測定結果と精度データの設定値とを比較し、その誤差が最小となる機械学習モデルを、以降の加工処理における指令データを決定するのに利用してもよい。
［制御システム］
　次に、図９～１１を参照して、本開示の一実施例による制御システム３００を説明する。制御システム３００は、上述したモデル生成装置１００及び制御装置２００の機能を併せ持ち、機械学習モデルを学習すると共に、学習された機械学習モデルを利用した指令データを決定する。例えば、制御システム３００は、モデル生成装置１００と制御装置２００との物理構成又は機能構成の双方を含むように実現されてもよい。図９は、本開示の一実施例による制御システム３００の機能構成を示すブロック図である。
　図９に示されるように、制御システム３００は、状態観測部３１０、精度結果観測部３２０、学習部３３０及び指令決定部３４０を有する。
　状態観測部３１０は、加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械５０に関する状態データを収集する。具体的には、状態観測部３１０は、機械学習モデルを学習するための訓練データの収集のため、工作機械５０に関する状態データを収集する。さらに、状態観測部３１０は、学習済み機械学習モデルを利用した工作機械５０の制御のため、加工処理前及び加工処理中の工作機械５０に関する状態データを収集する。
　精度結果観測部３２０は、工作機械５０による工作物の精度データを取得する。具体的には、精度結果観測部３２０は、機械学習モデルを学習するための訓練データの収集のため、工作機械５０によって製造された工作物の精度データを収集する。さらに、精度結果観測部３２０は、指令決定部３４０によって決定された指令データに従って制御された工作機械５０によって製造された工作物の精度データを収集する。
　学習部３３０は、収集した状態データ及び取得した精度データによって機械学習モデルを学習する。具体的には、学習部３３０は、状態観測部３１０によって収集された状態データと精度結果観測部３２０によって取得された精度データとのペアから構成される訓練データを利用して、指令決定部３４０によって利用される機械学習モデルを学習する。例えば、上述したように、機械学習モデルは、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークの１つ以上を含んでもよく、モデル生成装置１００の学習部１３０について上述したように学習される。
　指令決定部３４０は、学習済み機械学習モデルによって、工作機械５０による工作物の加工の際に収集される状態データから工作機械５０に対する指令データを決定する。具体的には、指令決定部３４０は、制御装置２００の指令決定部２２０と同様に、学習部３３０によって学習された機械学習モデルを利用して、状態観測部３１０によって加工処理前及び加工処理中に収集された工作機械５０に関する状態データの値と精度データの設定値とから、指令データを決定する。指令決定部３４０は、決定した指令データを工作機械５０に送信する。
　一実施例では、指定決定部３４０は、複数回に分けて同一箇所を加工する工作物の加工の際に、学習済み機械学習モデルによって、工作機械５０による複数回の加工のうち、最終仕上げ前のある時点での工作物の加工の際に収集される状態データから、工作機械５０に対する指令データを決定し、指令データによって工作機械５０に工作物に対する最終仕上げ加工を実行させてもよい。すなわち、一般的な工作物の加工では、工作物は、複数回の加工を通じて徐々に最終製品として形成される。精緻な加工精度が要求されるのは最終仕上げ段階であるため、最終仕上げのために機械学習モデルが訓練及び利用されてもよい。例えば、学習部３３０は、最終仕上げ時の状態データと精度データとを訓練データとして利用して、機械学習モデルを訓練してもよい。状態観測部３１０は、最終仕上げ前のある時点で工作物の状態データを収集し、指令決定部３４０は、訓練済み機械学習モデルを利用して、収集した状態データから工作機械５０に対する指令データを決定し、工作機械５０に指令データを送信する。ここで、収集される状態データは、工作機械５０の主軸モータ負荷及び各軸モータ負荷の１つ以上を含むものであってもよい。指令データを受信すると、工作機械５０は、受信した指令データに従って工作物に対する最終仕上げを実行する。
　図１０は、本開示の一実施例による制御処理を示すフローチャートである。当該制御処理は、制御システム３００によって実現され、具体的には、制御システム３００のプロセッサがプログラムを実行することによって実現されてもよい。
　図１０に示されるように、ステップＳ３０１において、制御システム３００は、工作機械に関する状態データを収集する。具体的には、制御システム３００は、機械学習モデルの訓練データとして利用するため、工作機械５０に関する状態データを予め収集する。例えば、状態データは、工作機械５０の加工状態データ、設備状態データ及び素材状態データの１つ以上を含んでもよく、工作機械５０のオペレータによって設定されてもよいし、工作機械５０による加工処理中に取得されてもよいし、センサから検知されてもよい。
　ステップＳ３０２において、制御システム３００は、工作物の精度データを取得する。具体的には、制御システム３００は、機械学習モデルの訓練データとして利用するため、各状態データの下で工作機械５０によって加工された工作物の精度データを取得する。例えば、精度データは、加工後の工作物の寸法、粗さ及び幾何精度の１つ以上を含んでもよく、加工後の工作物を測定する測定器などから取得されてもよい。しかしながら、本開示による精度データは、これらに限定されず、工作機械５０及び工作物のタイプに応じて他の適切なデータ項目を示すものであってもよい。
　ステップＳ３０３において、制御システム３００は、状態データ及び精度データによって機械学習モデルを学習する。具体的には、制御システム３００は、ステップＳ３０１において収集した状態データと、ステップＳ３０２において取得した精度データとを訓練データとして利用して、線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークを生成する。
　ステップＳ３０４において、制御システム３００は、学習済み機械学習モデルによって状態データから工作機械５０に対する指令データを決定する。具体的には、制御システム３００は、ステップＳ３０３において学習した機械学習モデルを利用して、収集した状態データと所与の精度データとを機械学習モデルに入力し、機械学習モデルから工作機械５０を制御するための指令データを決定する。
　一実施例では、制御システム３００は、複数回に分けて同一箇所を加工する工作物の加工の際に、学習済み機械学習モデルによって、工作機械５０による複数回の加工のうち、最終仕上げ前のある時点での工作物の加工の際に収集される状態データから、工作機械５０に対する指令データを決定し、指令データによって工作機械５０に工作物に対する最終仕上げ加工を実行させてもよい。制御システム３００は、最終仕上げ時の状態データと精度データとを訓練データとして利用して、機械学習モデルを訓練してもよい。ここで、収集される状態データは、工作機械５０の主軸モータ負荷及び各軸モータ負荷の１つ以上を含むものであってもよい。制御システム３００は、最終仕上げ前のある時点で工作物の状態データを収集し、訓練済み機械学習モデルを利用して、収集した状態データから工作機械５０に対する指令データを決定し、工作機械５０に指令データを送信する。制御システム３００から指令データを受信すると、工作機械５０は、受信した指令データに従って工作物に対する最終仕上げを実行する。
　一実施例では、学習部３３０は、所定の再学習タイミングで機械学習モデルを再学習し、指令決定部３４０は、再学習された機械学習モデルによって指令データを決定してもよい。例えば、所定数の工作物が製造される毎に、学習部３３０は、精度結果観測部３２０から製造された工作物の精度データを取得し、取得した精度データと当該工作物の製造時に利用された指令データ及び状態データとを既存の訓練データに取り込み、更新後の訓練データによって機械学習モデルを再学習してもよい。指令決定部３４０は、再学習された機械学習モデルに基づき、以降の加工処理に用いる指令データを決定してもよい。このように、最新の状態データ及び精度データを訓練データとして利用して機械学習モデルを動的に再学習することによって、より精度の高い指令データによって工作機械５０を制御することが可能になる。
　図１１は、本開示の一実施例による制御処理を示すフローチャートである。当該制御処理は、制御システム３００によって実現され、具体的には、制御システム３００のプロセッサがプログラムを実行することによって実現されてもよい。なお、図１１のステップＳ４０１～Ｓ４０４は、図１０のステップＳ３０１～Ｓ３０４と同様であり、重複を避けるため、説明を省略する。
　ステップＳ４０５において、制御システム３００は、指令データに従って工作機械５０に加工処理を実行させる。具体的には、制御システム３００は、ステップＳ４０４において決定した指令データを工作機械５０に送信し、工作機械５０の動作を制御する。
　ステップＳ４０６において、制御システム３００は、工作機械５０によって製造された工作物の精度データを取得する。具体的には、制御システム３００は、製造された工作物の精度を測定器に測定させ、測定器から測定結果を示す精度データを取得する。
　ステップＳ４０７において、制御システム３００は、更なるワークが有るか判断し、更なるワークが有る場合（ステップＳ４０７：ＹＥＳ）、ステップＳ４０１に戻って、ステップＳ４０６において取得した精度データを利用して機械学習モデルを再学習する。他方、更なるワークがない場合（ステップＳ４０７：ＮＯ）、制御システム３００は、当該制御を終了する。
　上述したように、最終仕上げの際に機械学習モデルを利用する場合、制御システム３００は、工作物の最終仕上げを実行する前に、所定数の直近に加工済みの工作物の最終仕上げの際の状態データと精度データとを訓練データとして利用して機械学習モデルを動的に再学習し、再学習した機械学習モデルによって当該工作物の最終仕上げを実行してもよい。これにより、直近の状態データを反映した機械学習モデルに基づく指令データの決定が可能になり、より精度の高い最終仕上げが可能になる。［モデル生成装置及び制御装置のハードウェア構成］
　モデル生成装置１００、制御装置２００及び制御システム３００は、例えば、図１２に示されるようなハードウェア構成を有してもよい。すなわち、モデル生成装置１００、制御装置２００及び制御システム３００は、バスＢを介し相互接続されるドライブ装置１０１、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０４、インタフェース装置１０５及び通信装置１０６を有する。
　モデル生成装置１００、制御装置２００及び制御システム３００における上述した各種機能及び処理を実現するプログラムを含む各種コンピュータプログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ－Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などの記録媒体１０７によって提供されてもよい。プログラムを記憶した記録媒体１０７がドライブ装置１０１にセットされると、プログラムが記録媒体１０７からドライブ装置１０１を介して補助記憶装置１０２にインストールされる。但し、プログラムは必ずしも記録媒体１０７からインストールされる必要はなく、ネットワークなどを介し何れかの外部装置からダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータなどを格納する。メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムやデータを読み出して格納する。プロセッサとして機能するＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムやプログラムを実行するのに必要なパラメータなどの各種データに従って、上述したモデル生成装置１００、制御装置２００及び制御システム３００の各種機能及び処理を実行する。インタフェース装置１０５は、ネットワーク又は外部装置に接続するための通信インタフェースとして用いられる。通信装置１０６は、外部装置と通信するための各種通信処理を実行する。
　しかしながら、モデル生成装置１００、制御装置２００及び制御システム３００は、上述したハードウェア構成に限定されるものでなく、他の何れか適切なハードウェア構成により実現されてもよい。
　以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多用な変更が可能なことが理解されるであろう。
　本出願は、２０１９年９月２４日に出願した日本国特許出願２０１９－１７３４３１号の優先権の利益に基づき、これを主張するものであり、２０１９－１７３４３１号の全内容を本出願に援用する。
５０　工作機械
１００　モデル生成装置
１１０、２１０、３１０　状態観測部
１２０、３２０　精度結果観測部
１３０、３３０　学習部
２００　制御装置
２２０、３４０　指令決定部
３００　制御システム

Claims (9)

  1. 　加工状態データ、設備状態データ及び素材状態データの１つ以上を含む、工作機械に関する状態データを収集する状態観測部と、
    　前記工作機械による工作物の精度データを取得する精度結果観測部と、
    　前記収集した状態データ及び前記取得した精度データによって機械学習モデルを学習する学習部と、
    　複数回に分けて同一箇所を加工する工作物の加工の際に、前記学習済み機械学習モデルによって、前記工作機械による複数回の加工のうち、最終仕上げ前のある時点での前記工作物の加工の際に収集される前記状態データから、前記工作機械に対する指令データを決定し、前記指令データによって前記工作機械に前記工作物に対する最終仕上げ加工を実行させる指令決定部と、
    を有する制御システム。
  2. 　前記複数回の加工のうち、前記最終仕上げ前のある時点での工作物の加工の際に収集される前記状態データは、前記工作機械の主軸モータ負荷及び各軸モータ負荷の１つ以上を含む、請求項１記載の制御システム。
  3. 　前記加工状態データは、前記工作機械の主軸モータ負荷、各軸モータ負荷及び主軸振動、ワーク加工時に予め設定されている加工条件である送り速度、回転数及び切込量の１つ以上を含む、請求項１又は２記載の制御システム。
  4. 　前記設備状態データは、工作機械内部もしくは周囲の環境温度、冷却水温度、冷却水流量、冷却水濃度、治具温度、主軸冷却油温度、ボールネジ温度、各軸サーボモータ温度、工具直径、工具長、工具直径または工具長の補正量、工具使用回数、工具取付状態及びワーク把握力の１つ以上を含む、請求項１乃至３何れか一項記載の制御システム。
  5. 　前記素材状態データは、素材硬度、素材強度及び加工前寸法の１つ以上を含む、請求項１乃至４何れか一項記載の制御システム。
  6. 　前記精度データは、加工後の前記工作物の寸法、粗さ及び幾何精度の１つ以上を含む、請求項１乃至５何れか一項記載の制御システム。
  7. 　前記学習部は、所定の再学習タイミングで前記機械学習モデルを再学習し、
    　前記指令決定部は、前記再学習された機械学習モデルによって前記指令データを決定する、請求項１乃至６何れか一項記載の制御システム。
  8. 　前記指令決定部は、前記工作機械による工作物の加工の際に収集された状態データに対する線形重回帰分析モデル、非線形重回帰分析モデル及びニューラルネットワークからの前記精度データの予測値と、前記工作機械による加工後の前記工作物の前記精度データの実測値との間の誤差によって、前記学習済み機械学習モデルとして前記線形重回帰分析モデル、前記非線形重回帰分析モデル又は前記ニューラルネットワークを選択する、請求項１乃至７何れか一項記載の制御システム。
  9. 　前記指令値決定部は、回帰分析モデルを選択した場合、前記回帰モデルの回帰式の逆モデルを解くことによって前記指令データを決定する、請求項１乃至８何れか一項記載の制御システム。
PCT/JP2020/034977 2019-09-24 2020-09-15 制御システム WO2021060090A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080066165.2A CN114424129A (zh) 2019-09-24 2020-09-15 控制系统
EP20867294.9A EP4035829B1 (en) 2019-09-24 2020-09-15 Control system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-173431 2019-09-24
JP2019173431 2019-09-24

Publications (1)

Publication Number Publication Date
WO2021060090A1 true WO2021060090A1 (ja) 2021-04-01

Family

ID=75166972

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/034977 WO2021060090A1 (ja) 2019-09-24 2020-09-15 制御システム

Country Status (4)

Country Link
EP (1) EP4035829B1 (ja)
JP (1) JP6856162B2 (ja)
CN (1) CN114424129A (ja)
WO (1) WO2021060090A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114278423A (zh) * 2021-06-28 2022-04-05 天津大学 一种基于预测性扩张状态观测器的冷却液温度预测控制算法
EP4242755A1 (en) * 2022-03-10 2023-09-13 FUJIFILM Corporation Information processing device, information processing method, and information processing program

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023031984A1 (ja) * 2021-08-30 2023-03-09 三菱電機株式会社 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
EP4383019A1 (en) * 2022-12-08 2024-06-12 Hitachi, Ltd. Virtual sensor

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012027710A (ja) * 2010-07-23 2012-02-09 Nippon Telegr & Teleph Corp <Ntt> ソフトウェア検出方法及び装置及びプログラム
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
JP2018097680A (ja) * 2016-12-14 2018-06-21 ファナック株式会社 制御システム及び機械学習装置
JP2018144207A (ja) * 2017-03-08 2018-09-20 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
JP2018153901A (ja) 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置
JP2019025561A (ja) * 2017-07-27 2019-02-21 ファナック株式会社 加工機械システム及び製造システム
JP2019173431A (ja) 2018-03-29 2019-10-10 株式会社Ｌｉｘｉｌ サッシ枠
JP2020069599A (ja) * 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械の支援装置および工作機械システム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0839427A (ja) * 1994-07-22 1996-02-13 Toyoda Mach Works Ltd 研削装置
JP2000276460A (ja) * 1999-03-24 2000-10-06 Fuji Electric Co Ltd 電力需要量予測方法
JP5068637B2 (ja) * 2007-12-18 2012-11-07 新日本製鐵株式会社 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体
JP5288271B2 (ja) * 2009-05-18 2013-09-11 新日鐵住金株式会社 圧延プロセスにおける圧延トルク関数を規定する複数のモデルパラメータを最適化する方法
US9396443B2 (en) * 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
JP6063013B1 (ja) * 2015-08-27 2017-01-18 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
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
JP6585654B2 (ja) * 2017-05-01 2019-10-02 日本電信電話株式会社 判定装置、分析システム、判定方法および判定プログラム
JP6698604B2 (ja) * 2017-09-29 2020-05-27 ファナック株式会社 数値制御システム、及び工具状態検知方法
JP6781242B2 (ja) * 2018-02-19 2020-11-04 ファナック株式会社 制御装置、機械学習装置及びシステム
CN108920812B (zh) * 2018-06-28 2023-04-18 江苏大学 一种机械加工表面粗糙度预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012027710A (ja) * 2010-07-23 2012-02-09 Nippon Telegr & Teleph Corp <Ntt> ソフトウェア検出方法及び装置及びプログラム
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
JP2018097680A (ja) * 2016-12-14 2018-06-21 ファナック株式会社 制御システム及び機械学習装置
JP2018144207A (ja) * 2017-03-08 2018-09-20 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
JP2018153901A (ja) 2017-03-21 2018-10-04 ファナック株式会社 機械学習装置及び熱変位補正装置
JP2019025561A (ja) * 2017-07-27 2019-02-21 ファナック株式会社 加工機械システム及び製造システム
JP2019173431A (ja) 2018-03-29 2019-10-10 株式会社Ｌｉｘｉｌ サッシ枠
JP2020069599A (ja) * 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械の支援装置および工作機械システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4035829A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114278423A (zh) * 2021-06-28 2022-04-05 天津大学 一种基于预测性扩张状态观测器的冷却液温度预测控制算法
CN114278423B (zh) * 2021-06-28 2023-10-13 天津大学 一种基于预测性扩张状态观测器的冷却液温度预测控制方法
EP4242755A1 (en) * 2022-03-10 2023-09-13 FUJIFILM Corporation Information processing device, information processing method, and information processing program

Also Published As

Publication number Publication date
EP4035829B1 (en) 2024-07-24
CN114424129A (zh) 2022-04-29
EP4035829A4 (en) 2022-11-09
EP4035829A1 (en) 2022-08-03
JP2021057030A (ja) 2021-04-08
JP6856162B2 (ja) 2021-04-07

Similar Documents

Publication Publication Date Title
WO2021060090A1 (ja) 制御システム
JP6680756B2 (ja) 制御装置及び機械学習装置
JP6557285B2 (ja) 制御装置及び機械学習装置
JP5997330B1 (ja) 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
JP6169655B2 (ja) 工作機械、シミュレーション装置、及び機械学習器
KR20180103002A (ko) 마무리 가공량 예측 장치 및 기계 학습 장치
JP5078891B2 (ja) 機械における機械要素の移動案内のための方法および装置
CN108723889B (zh) 加减速控制装置
JP6734318B2 (ja) 駆動装置及び機械学習装置
JP6542833B2 (ja) 制御装置及び機械学習装置
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
JP6923484B2 (ja) 加工条件調整装置及び機械学習装置
CN104950806B (zh) 一种基于gmdh数据挖掘算法的机床进给系统前馈控制方法
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
JP6767416B2 (ja) 加工条件調整装置及び機械学習装置
JP2019139755A (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
JP6426770B2 (ja) サーボ制御装置
JP2019141869A (ja) 制御装置及び機械学習装置
WO2020008587A1 (ja) 数値制御装置
CN110174871B (zh) 控制装置、机器学习装置以及系统
JP2021092954A (ja) ワークモデルの修正量を学習する機械学習装置、制御装置、加工システム、及び機械学習方法
CN113711138A (zh) 伺服控制装置
CN112236729A (zh) 数控装置
JP2020046964A (ja) 特性判定装置、特性判定方法及び特性判定プログラム
WO2023153446A1 (ja) 提案装置、提案システム、提案方法、及び、プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20867294

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020867294

Country of ref document: EP

Effective date: 20220425