[go: up one dir, main page]

CN110116371A - 研磨工具磨损量预测装置、机器学习装置以及系统 - Google Patents

研磨工具磨损量预测装置、机器学习装置以及系统 Download PDF

Info

Publication number
CN110116371A
CN110116371A CN201910108837.0A CN201910108837A CN110116371A CN 110116371 A CN110116371 A CN 110116371A CN 201910108837 A CN201910108837 A CN 201910108837A CN 110116371 A CN110116371 A CN 110116371A
Authority
CN
China
Prior art keywords
mentioned
milling tool
attrition process
data
abrasion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910108837.0A
Other languages
English (en)
Other versions
CN110116371B (zh
Inventor
张赫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
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
Priority claimed from JP2018243196A external-priority patent/JP6836577B2/ja
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN110116371A publication Critical patent/CN110116371A/zh
Application granted granted Critical
Publication of CN110116371B publication Critical patent/CN110116371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/14—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the temperature during grinding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37256—Wear, tool wear

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种研磨工具磨损量预测装置、机器学习装置以及系统，能够在研磨加工中预测研磨工具的研磨工具部的磨损量。研磨工具磨损量预测装置具备机器学习装置，该机器学习装置观测表示研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型进行学习或预测，该学习模型存储研磨工具的磨损量相对于研磨加工的加工条件的相关性。

Description

研磨工具磨损量预测装置、机器学习装置以及系统
技术领域
本发明涉及一种研磨工具磨损量预测装置、机器学习装置以及系统。
背景技术
在使机器人抓持研磨工具来进行工件的研磨的情况下，由于在研磨工具与工件之间产生的切线方向摩擦力使得研磨工具的研磨工具部磨损，从而对研磨面的精度造成影响。因此，为了提高工件的研磨加工的精度，掌握研磨工具的研磨工具部的磨损量，与掌握的磨损量相对应的研磨工具的位置的修正变得重要。
为了取得研磨工具的研磨工具部的磨损量，机器人将磨损的研磨部按压到物体上，取入此时机器人的当前位置数据，与研磨部未磨损时的位置数据进行比较，计算磨损量。每隔一定时间或预定动作次数实施该动作。此外，作为通过计算取得研磨工具的研磨工具部的磨损量的现有技术，例如在梅原德次，“研磨技術とトライボロジー(研磨技术与摩擦学)”，表面技术，49卷(1998)9号，pp.922-927等中公开了计算金属的磨料磨损中的磨损体积的方法。
进行研磨加工作业的机器人在每次一系列的研磨动作结束时或者进行了几次研磨动作之后，需要测定研磨工具的研磨工具部的磨损量。测定动作延迟整个作业的周期，因此期望尽可能减少该测定动作。
另外，在一系列的研磨动作中存在多个研磨部位，研磨工具的研磨工具部一点一点地磨损，因此最初的研磨部位与最后的研磨部位的磨损量不同，所以希望针对每个进行研磨的部位变更磨损量，修正机器人动作，但是频繁地进行磨损量的测定会导致大幅地延迟周期，因此进行该动作并不现实。因此，现状是，最初的研磨部位与最后的研磨部位的磨损量的差异微小，且忽略为几乎不存在对于研磨质量的影响。
还考虑了以下方法：应用现有技术中所示的计算金属的磨料磨损中的磨损体积的方法，一边进行研磨加工一边计算研磨工具的研磨工具部的磨损量，不会使周期延迟地一边进行研磨加工一边修正机器人的动作，但是在现有技术的方法中难以应对研磨加工中的加工条件的变更、加工环境的变化等，即使应用于现实的研磨加工也难以确保足够的精度。
发明内容
因此，本发明的目的在于，提供一种在研磨加工中能够预测研磨工具的研磨工具部的磨损量的研磨工具磨损量预测装置、机器学习装置以及系统。
在本发明中，使用能够从大量数据中自己找到规律并根据当前的状态预测预定的信息的机器学习装置，将实际的研磨工具的研磨工具部的磨损量与通过包含各种参数的函数计算出的磨损量进行比较来推进机器学习，预测连续的磨损量，由此来解决上述课题。
而且，本发明的一个方式是一种研磨工具磨损量预测装置，其预测研磨工具进行的工件的研磨加工中的上述研磨工具的磨损量，该研磨工具磨损量预测装置具备机器学习装置，该机器学习装置观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型进行学习或预测，学习模型存储上述研磨工具的磨损量相对于上述研磨加工的加工条件的相关性。
本发明的另一方式是一种机器学习装置，其观测研磨工具进行的工件的研磨加工中的表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用学习模型进行学习或预测，学习模型存储上述研磨工具的磨损量相对于上述研磨加工的加工条件的相关性。
本发明的另一方式是一种系统，是经由网络将多个装置相连接的系统，上述多个装置至少包括具备研磨工具磨损量预测装置的第一机器人，其中，该研磨工具磨损量预测装置具有机器学习装置。
根据本发明，应用机器学习在研磨加工中能够预测研磨工具的磨损状态，因此无需中断研磨加工而连续地输出磨损量，根据磨损量动态地修正机器人动作和研磨工具的转速，因此能够提高研磨精度，并且，能够缩短磨损量的测定时间。
附图说明
通过参照附图对以下的实施例进行说明，本发明的上述以及其它的目的以及特征变得明确。在这些附图中：
图1是第一实施方式的研磨工具磨损量预测装置的概要硬件结构图。
图2是第一实施方式的研磨工具磨损量预测装置的概要功能框图。
图3是表示研磨工具磨损量预测装置的一个方式的概要功能框图。
图4A说明神经元。
图4B说明神经网络。
图5表示包含云服务器、雾服务器、边缘计算机的三层结构的系统的例子。
图6是表示安装了研磨工具磨损量预测装置的系统的一个方式的概要功能框图。
图7是表示安装了研磨工具磨损量预测装置的系统的另一方式的概要功能框图。
图8是图6所示的计算机的概要硬件结构图。
图9是表示安装了研磨工具磨损量预测装置的系统的另一方式的概要功能框图。
具体实施方式
以下，根据附图说明本发明的实施方式。
图1是表示一实施方式的研磨工具磨损量预测装置的主要部分的概要硬件结构图。研磨工具磨损量预测装置1例如能够安装成用于对机器人等制造机器进行控制的控制装置。另外，研磨工具磨损量预测装置1例如能够安装成与用于控制机器人等制造机器的控制装置一同设置的个人计算机、经由有线/无线的网络与控制装置连接的单元计算机、边缘计算机、雾计算机、主计算机、云服务器等计算机。在本实施方式中，表示了将研磨工具磨损量预测装置1安装成用于控制机器人的控制装置时的例子。
本实施方式的研磨工具磨损量预测装置1所具备的CPU 11是整体地控制研磨工具磨损量预测装置1的处理器。CPU 11经由总线20读出存储在ROM 12的系统程序，按着该系统程序来控制整个研磨工具磨损量预测装置1。在RAM 13中临时存储临时计算数据、显示数据、操作员经由未图示的输入部而输入的各种数据等。
非易失性存储器14例如通过未图示的电池进行支援等，构成为即使研磨工具磨损量预测装置1的电源被切断也保持存储状态的存储器。在非易失性存储器14中存储有经由接口15从外部设备72读入的程序、经由显示器/MDI单元70输入的程序、从研磨工具磨损量预测装置1的各部或机器人取得的各种数据(例如，基于机器人的研磨工具的移动速度(研磨速度)、研磨工具的研磨工具部的转速、研磨工具的研磨工具部的按压力、研磨声音、研磨时间、研磨工具的研磨工具部的温度、机器人的各轴位置等)。在非易失性存储器14中存储的程序、各种数据在执行时/使用时可以在RAM 13中展开。另外，在ROM 12中预先写入了公知的分析程序等各种系统程序(包含用于控制与后述的机器学习装置100之间的交换的系统程序)。
接口15为用于将研磨工具磨损量预测装置1与适配器等外部设备72进行连接的接口。从外部设备72侧读入程序、各种参数等。另外，能够把在研磨工具磨损量预测装置1内编集的程序、各种参数等经由外部设备72存储到外部存储单元。PMC(可编程序机床控制器)16通过在研磨工具磨损量预测装置1中内置的顺序程序向机器人和该机器人的周边装置经由I/O单元17输出信号来进行控制。另外，接收在机器人的主体上设置的操作盘的各种开关等的信号，在进行需要的信号处理之后传送给CPU 11。
显示器/MDI单元70为具备显示器、键盘等的手动数据输入装置，接口18接收来自显示器/MDI单元70的键盘的指令、数据并将其传送给CPU 11。接口19与操作盘71相连接，该操作盘71具备在手动驱动各轴时使用的手动脉冲发生器等。
用于对使机器人的关节活动的各轴进行控制的轴控制电路30接收来自CPU 11的轴的移动指令量，将轴的指令输出到伺服放大器40。伺服放大器40接收该指令，驱动用于使机器人所具备的轴进行移动的伺服电动机50。轴的伺服电动机50内置位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈至轴控制电路30，进行位置速度的反馈控制。此外，在图1的硬件结构图中，轴控制电路30、伺服放大器40、伺服电动机50各自仅表示了一个，但是实际上准备了作为控制对象的机器人轴的数量(例如，如果是6轴机器人则为6个)。
主轴控制电路60接收向主轴的主轴旋转指令，并向主轴放大器61输出主轴速度信号，上述主轴使机器人抓持的研磨工具的研磨工具部旋转。主轴放大器61接收该主轴速度信号，按照指令的转速使主轴的主轴电动机62旋转来驱动工具。将位置编码器63与主轴电动机62连结，位置编码器63与主轴的旋转同步地输出反馈脉冲，由CPU 11读取该反馈脉冲。
接口21是用于将研磨工具磨损量预测装置1与机器学习装置100进行连接的接口。机器学习装置100具备对整个机器学习装置100进行控制的处理器101、存储有系统程序等的ROM 102、用于进行与机器学习相关的各处理中的临时存储的RAM 103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够经由接口21观测研磨工具磨损量预测装置1能够取得的各信息(例如，基于机器人的研磨工具的移动速度(研磨速度)、研磨工具的研磨工具部的转速、研磨工具的研磨工具部的按压力、研磨声音、研磨时间、研磨工具的研磨工具部的温度、机器人的各轴位置等)。另外，研磨工具磨损量预测装置1接收从机器学习装置100输出的研磨工具的研磨工具部的磨损量的推定值，来修正机器人的各轴位置。
图2是第一实施方式的研磨工具磨损量预测装置1与机器学习装置100的概要功能框图。通过图1所示的研磨工具磨损量预测装置1所具备的CPU 11以及机器学习装置100的处理器101执行各自的系统程序，对研磨工具磨损量预测装置1和机器学习装置100的各部的动作进行控制，由此实现图2所示的各功能块。
本实施方式的研磨工具磨损量预测装置1具备控制部34，该控制部34根据由机器人2抓持的研磨工具进行的工件的研磨加工的加工条件以及从机器学习装置100输出的研磨工具的研磨工具部的磨损量的推定结果来控制机器人2。例如，当按照由程序等指定的研磨加工的加工条件控制机器人的动作，并且从机器学习装置100输出了研磨工具的研磨工具部的磨损量时，控制部34根据该磨损量来修正机器人2的各轴位置，使得在上述程序等的指令的位置研磨工具的研磨工具部与工件接触。控制部34还可以以如下方式控制研磨工具：在由于研磨工具的研磨工具部产生磨损，研磨工具部的半径减小的情况下，根据从机器学习装置100输出的研磨工具的研磨工具部的磨损量的推定结果修正研磨工具的转速，使得研磨速度不会下降。
另一方面，研磨工具磨损量预测装置1所具备的机器学习装置100包含软件(学习算法等)和硬件(处理器101等)，该软件和硬件用于通过所谓的机器学习来自主学习与机器人使用研磨工具进行的研磨加工的加工条件相对的、研磨工具的研磨工具部的磨损量的推定。研磨工具磨损量预测装置1所具备的机器学习装置100所学习的东西相当于表示机器人2使用研磨工具进行的研磨加工的加工条件与研磨工具的研磨工具部的磨损量之间的相关性的模型结构。
如图2的功能块所示，研磨工具磨损量预测装置1所具备的机器学习装置100具备：状态观测部106，其观测表示使用研磨工具进行的研磨加工的加工条件的研磨加工条件数据S1，来作为表示环境的当前状态的状态变量S；标签数据取得部108，其取得包含磨损量数据L1的标签数据L，该磨损量数据L1表示研磨工具的研磨工具部的磨损量；学习部110，其使用状态变量S和标签数据L，将研磨工具的研磨工具部的磨损量与研磨加工的加工条件关联起来进行学习；以及推定结果输出部122，其输出使用学习部110已学习的模型根据研磨加工的加工条件预测出的研磨工具的研磨工具部的磨损量。
状态观测部106在学习部110进行学习时，从机器人2取得作为状态变量S的研磨加工条件数据S1。另外，状态观测部106在使用学习部110的学习结果推定研磨工具的研磨工具部的磨损量时，从机器人2取得作为状态变量S的研磨加工条件数据S1。此外，在任何的情况下，均可以经由研磨工具磨损量预测装置1所具备的非易失性存储器14等来取得数据，从而取代直接从机器人2取得数据。
在状态观测部106观测的状态变量S中的研磨加工条件数据S1是最简单地构成的情况下，例如能够使用机器人2通过研磨工具进行的研磨加工的研磨速度(如果需要还有研磨工具的研磨工具部的转速)、研磨工具的研磨工具部对于工件的按压力、研磨时间。关于机器人2进行的研磨加工的研磨速度，例如可以根据机器人2的各轴的移动速度进行计算，也可以根据控制机器人2的程序的控制指令来求出。另外，关于机器人2进行的研磨加工中的研磨工具的研磨工具部的转速，例如可以从机器人2抓持的研磨工具取得，也可以根据程序针对机器人2抓持的研磨工具的控制指令来求出。关于研磨工具的研磨工具部针对工件的按压力，可以从安装在机器人2或研磨工具的传感器取得，虽然精度会降低，但是也可以根据机器人2的各轴的扭矩值来计算。关于研磨时间，取得研磨加工实际花费的时间即可。
标签数据取得部108在学习部110的学习时，取得包含表示研磨工具的研磨工具部的磨损量的磨损量数据L1的标签数据L，来作为标签数据L。关于磨损量数据L1，例如可以根据将研磨工具的研磨工具部按压到预定部位(与机器人2的基台之间的位置不会发生变化的部位，例如安装了工件的工作台等)时的机器人2的各轴位置进行计算。在这样的情况下，在进行研磨加工的动作之前，在预先将机器人2抓持的研磨工具的研磨工具部按压到上述预定部位的状态下，取得机器人2的各轴位置并存储为基准轴位置，在取得研磨工具的研磨工具部的磨损量时，通过相同的过程来取得机器人2的各轴位置，能够根据与所存储的基准轴位置之间的差来计算由于研磨加工导致的研磨工具的研磨工具部的磨损量。关于磨损量数据L1，例如可以使用距离传感器等测量并取得由于研磨加工导致的研磨工具的研磨工具部的磨损量，还可以由作业员通过手动作业来测量由于研磨加工导致的研磨工具的研磨工具部的磨损量，并输入到研磨工具磨损量预测装置1。总之，能够通过在现有技术中使用的方法，取得由于研磨加工导致的研磨工具的研磨工具部的磨损量。
此外，标签数据取得部108在学习部110的学习阶段是必须的结构，在学习部110进行的将研磨加工的加工条件与研磨工具的研磨工具部的磨损量关联起来的学习完成后不一定是必须的结构。例如，在将完成了学习的机器学习装置100向顾客发货的情况下等，也可以取下标签数据取得部108来发货。
学习部110按照被总称为机器学习的任意的学习算法，学习与状态变量S(表示使用了研磨工具的研磨加工的加工条件的研磨加工条件数据S1)相对的标签数据L(表示研磨工具的研磨工具部的磨损量的磨损量数据L1)。学习部110例如能够学习状态变量S中包含的研磨加工条件数据S1与标签数据L中包含的磨损量数据L1之间的相关性。学习部110能够基于包含状态变量S和标签数据L的数据集合反复执行学习。
在学习部110的学习中，期望根据对于多个机器人2进行的各个研磨加工而得到的数据来执行多个学习循环。通过反复进行这样的学习循环，学习部110自动地解释研磨加工的加工条件(研磨加工条件数据S1)与研磨工具的研磨工具部的磨损量(磨损量数据L1)之间的相关性。在开始执行学习算法时，磨损量数据L1相对于研磨加工条件数据S1的相关性实质上是未知的，但是随着学习部110推进学习，逐渐地解释磨损量数据L1相对于研磨加工条件数据S1的关系，通过使用作为其结果而得到的已学习模型，能够解释磨损量数据L1相对于研磨加工条件数据S1的相关性。
推定结果输出部122根据学习部110学习的结果(已学习模型)，基于由机器人2抓持的研磨工具进行的研磨加工的加工条件来推定研磨工具的研磨工具部的磨损量，并输出推定出的研磨工具的研磨工具部的磨损量。更具体地说，由学习部110与表示研磨加工的加工条件的研磨加工条件数据S1关联起来而学习的表示研磨工具的研磨工具部的磨损量的磨损量数据L1用于预测如何修正在使用机器人2抓持的研磨工具对工件进行研磨加工时控制部34对机器人2指令的各轴的位置。推定结果输出部122可以输出每隔预先决定的预定单位时间(例如每隔1～数个控制周期)的研磨工具的研磨工具部的磨损量。
作为研磨工具磨损量预测装置1所具备的机器学习装置100的一个变形例，除了研磨加工条件数据S1以外，状态观测部106还可以观测表示机器人2使用研磨工具进行研磨加工时产生的声音的研磨声音数据S2，来作为状态变量S。作为研磨声音数据S2，例如能够从安装在机器人2或机器人2附近的声音传感器取得。研磨声音数据S2可以设为所取得的在研磨加工时产生的声音中包含的主要频率成分的数据。
作为研磨工具磨损量预测装置1所具备的机器学习装置100的另一变形例，除了研磨加工条件数据S1以外，状态观测部106可以观测表示机器人2使用研磨工具进行研磨加工时的研磨工具的研磨工具部的温度的研磨温度数据S3，来作为状态变量S。作为研磨温度数据S3，例如能够从安装在机器人2附近或研磨工具的温度传感器取得。例如，还可以根据在研磨加工中连续多长时间使用在研磨加工中使用的研磨工具来推定研磨工具的温度，使用该温度来作为研磨温度数据S3。在研磨加工中，有时研磨加工时的研磨工具的研磨工具部的磨损量由于研磨工具的研磨工具部的温度而发生变化，但是通过将研磨工具的温度用于学习部110的学习，能够更高精度地学习以及推定研磨工具的研磨工具部的磨损量。
作为研磨工具磨损量预测装置1所具备的机器学习装置100的又一变形例，除了研磨加工条件数据S1以外，状态观测部106还可以观测表示研磨工具的种类(研磨工具部的种类)的工具种类数据S4，来作为状态变量S。作为工具种类数据S4，例如可以由作业员预先设定在非易失性存储器14中，从该非易失性存储器14取得，也可以从研磨加工中使用的研磨工具直接取得型号等，根据取得的型号来确定研磨工具的种类。对于研磨工具的每个种类，研磨工具的研磨工具部的形状、研磨工具部使用的材料(材料的硬度等)不同，通过使用该研磨工具的种类能够更高精度地学习和推定研磨工具的研磨工具部的磨损量。
作为研磨工具磨损量预测装置1所具备的机器学习装置100的另一变形例，除了研磨加工条件数据S1以外，状态观测部106还可以观测表示机器人2使用研磨工具进行研磨加工时的环境的加工环境数据S5，来作为状态变量S。作为加工环境数据S5，例如能够采用环境温度、环境湿度等对研磨加工时的研磨工具的磨损带来影响的外部数据。
在具有上述结构的机器学习装置100中，没有特别地限定学习部110执行的学习算法，作为机器学习能够采用公知的学习算法。图3是图2所示的研磨工具磨损量预测装置1的另一方式，表示具备以下学习部110的结构，在该学习部110，作为学习算法的另一个例子执行监督学习。监督学习是以下方法：赋予输入以及与该输入对应的输出已知的数据集(被称为训练数据)，根据这些训练数据来识别对输入与输出之间的相关性进行暗示的特征，由此来学习用于推定与新的输入相对的所需输出的相关性模型。
在图3所示的研磨工具磨损量预测装置1所具备的机器学习装置100中，学习部110具备：误差计算部112，其计算根据使用研磨工具进行的研磨加工的加工条件来推定研磨工具的研磨工具部的磨损量的相关性模型M与根据训练数据T识别出的相关性特征之间的误差E，训练数据T是根据过去取得的使用研磨工具进行的研磨加工的加工条件的数据以及研磨工具的实际磨损结果而得到的；以及模型更新部114，其更新相关性模型M使得缩小误差E。学习部110的模型更新部114反复更新相关性模型M，由此来学习根据使用研磨工具进行的研磨加工的加工条件推定研磨工具的研磨工具部的磨损量。
相关性模型M的初始值例如简化地(例如通过N次函数)表现状态变量S与标签数据L之间的相关性，在开始监督学习之前提供给学习部110。在本发明中，如上所述，训练数据T能够使用过去取得的使用研磨工具进行的研磨加工的加工条件的数据以及研磨工具的实际磨损的数据，在使用研磨工具磨损量预测装置1时随时提供给学习部110。误差计算部112根据随时提供给学习部110的训练数据T，识别对使用研磨工具进行的研磨加工的加工条件与研磨工具的研磨工具部的磨损量之间的相关性进行暗示的相关性特征，求出该相关性特征与当前状态下的状态变量S以及标签数据L所对应的相关性模型M之间的误差E。模型更新部114例如按照预先决定的更新规则，向误差E减小的方向对相关性模型M进行更新。
在下一个学习循环中，误差计算部112按照更新后的相关性模型M，使用状态变量S来推定研磨工具的研磨工具部的磨损量，求出该推定结果与实际取得的标签数据L之间的误差E，模型更新部114再次更新相关性模型M。如此，未知环境下的当前状态与针对该当前状态的推定之间的相关性逐渐变得明确。
在推进上述监督学习时能够使用神经网络。图4A示意性地表示神经元的模型。图4B示意性地表示将图4A所示的神经元进行组合而构成的三层神经网络的模型。神经网络例如能够由对神经元的模型进行模拟的运算装置、存储装置等构成。
图4A所示的神经元输出与多个输入x(在这里作为一个例子为输入x1～x3)相对的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出由下式1表现的结果y。另外，在式1中，输入x、结果y以及权重w全部为向量。另外，θ为偏置，fk为激活函数。
[式1]
图4B所示的三层的神经网络从左侧输入多个输入x(在这里作为一个例子为输入x1～输入x3)，从右侧输出结果y(在这里作为一个例子为结果y1～结果y3)。在图示的例子中，对输入x1、x2、x3分别乘以对应的权重(全体由w1表示)，向三个神经元N11、N12、N13都输入各个输入x1、x2、x3。
在图4B中，神经元N11～N13的各个输出全体由z1表示。能够将z1看做是提取了输入向量的特征量而得到的特征向量。在图示的例子中，对特征向量z1分别乘以对应的权重(全体由w2表示)，将各个特征向量z1均输入给两个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
在图4B中，神经元N21～N22的各个输出全体由z2表示。能够将z2看做是提取了特征向量z1的特征量而得到的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(全体由w3表示)，将各个特征向量z2均输入给三个神经元N31、N32、N33。特征向量z2表示权重w2与权重w3之间的特征。最后，神经元N31～N33分别输出结果y1～y3。
另外，也可以采用使用了三层以上的层次的神经网络的所谓的深度学习的方法。
在研磨工具磨损量预测装置1所具备的机器学习装置100中，将状态变量S作为输入x，学习部110按照上述神经网络进行多层结构的运算，由此能够根据研磨加工的加工条件(输入x)来推定研磨工具的研磨工具部的磨损量(输出y)。此外，在神经网络的动作模式下，存在学习模式和价值预测模式，例如能够在学习模式下使用学习数据集来学习权重w，使用学习的权重w在价值预测模式下进行行为的价值判断。此外，在价值预测模式下，还能够进行检测、分类、推论等。
能够将上述机器学习装置100的结构记述为由处理器101分别执行的机器学习方法(或软件)。该机器学习方法是对于根据研磨加工的加工条件来推定研磨工具的研磨工具部的磨损量进行学习的机器学习方法，具有以下步骤：处理器101观测研磨加工的加工条件(研磨加工条件数据S1)来作为表示当前状态的状态变量S；处理器101取得研磨工具的研磨工具部的磨损量(磨损量数据L1)来作为标签数据L；处理器101使用状态变量S和标签数据L，将研磨加工条件数据S1与研磨工具的研磨工具部的磨损量关联起来进行学习。
能够将通过机器学习装置100的学习部110进行学习而得到的已学习模型作为与机器学习相关的软件的一部分即程序模块来使用。能够由具备CPU、GPU等处理器和存储器的计算机来使用本发明的已学习模型。更具体地说，计算机的处理器以如下方式进行动作：依照来自存储器中存储的已学习模型的指令，将研磨加工的加工条件作为输入来进行运算，根据运算结果输出研磨工具的研磨工具部的磨损量的推定结果。能够经由外部存储介质、网络等在其他计算机中复制并使用本发明的已学习模型。
另外，在将本发明的已学习模型复制到其他计算机并在新的环境中使用时，还能够根据在该环境中得到的新的状态变量、标签数据，对该已学习模型进行进一步的学习。在这样的情况下，能够得到从基于该环境的已学习模型派生出的已学习模型(以下称为派生模型)。本发明的派生模型在根据研磨加工的加工条件输出研磨工具的研磨工具部的磨损量的推定结果这一点上与原来的已学习模型相同，但在输出比原来的已学习模型更适合新环境的结果这一点上不同。此外，也能够经由外部存储介质、网络等在其他的计算机中复制并使用该派生模型。
并且，还能够使用针对装入了本发明的已学习模型的机器学习装置的输入而得到的输出，在其他机器学习装置中生成从1开始进行学习而得到的已学习模型(以下称为蒸馏模型)，并使用该蒸馏模型(将这样的学习过程称为蒸馏)。在蒸馏中，还将原来的已学习模型称为教师模型，将新生成的蒸馏模型称为学生模型。虽然蒸馏模型的大小一般比原来的已学习模型小，但是能够得出与原来的已学习模型同等的正确度，因此更适合于经由外部存储介质、网络等向其他计算机发布。
在以下的第二～第四实施方式中，说明第一实施方式的研磨工具磨损量预测装置1经由有线/无线的网络与包含云服务器、主计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相连接的实施方式。如图5例示的那样，在以下的第二～第四实施方式中，假设在将多个装置分别与网络相连接的状态下逻辑上分为以下三层而构成的系统，上述三层为包含云服务器6等的层、包含雾服务器7等的层、以及包含边缘计算机8(单元9中包含的机器人控制器、控制装置等)等的层。在这样的系统中，研磨工具磨损量预测装置1还能够安装在云计算机6、雾计算机7、边缘计算机8中的任意一个装置上，能够在与多个装置中的各个装置之间经由网络相互共享学习数据来进行分散学习，或者将生成的学习模型收集到雾计算机7、云服务器6中来进行大规模的分析，并且能够相互再利用所生成的学习模型。在图5例示的系统中，在各地的工厂中分别设置多个单元9，由上位层的雾计算机7以预定的单位(工厂单位、相同制造业商的多个工厂单位等)来管理各单元9。而且，能够在上位层的云服务器6中进一步对这些雾计算机7收集、分析后的数据进行收集、分析等，能够将作为结果而得到的信息灵活用于各边缘计算机的控制等。
图6表示具备研磨工具磨损量预测装置1的第二实施方式的系统170。系统170具备：作为边缘计算机、雾计算机、主计算机、云服务器等计算机的一部分而安装至少一台研磨工具磨损量预测装置1、多个机器人2、以及将研磨工具磨损量预测装置1和机器人2相连接的有线/无线的网络172。
在具有上述结构的系统170中，具备机器学习装置100的研磨工具磨损量预测装置1能够使用学习部110的学习结果，针对每个机器人2自动且正确地求出与各机器人2进行的研磨加工的加工条件相对的研磨工具的研磨工具部的磨损量。另外，研磨工具磨损量预测装置1的机器学习装置100能够构成为根据针对多个机器人2分别得到的状态变量S和标签数据L，学习对于所有机器人2通用的与研磨加工的加工条件相对的研磨工具的研磨工具部的磨损量，在所有机器人2的研磨加工中共享其学习结果。因此，根据系统170，能够将更多样的数据集合(包含状态变量S和标签数据L)作为输入，从而提高与研磨加工的加工条件相对的研磨工具的研磨工具部的磨损量的学习速度和可靠性。
图7表示具备研磨工具磨损量预测装置1的第三实施方式的系统170。系统170具备：在边缘计算机、雾计算机、主计算机、云服务器等计算机5上安装的至少一台机器学习装置100’、作为用于控制机器人2的控制装置(边缘计算机)而安装的至少一台研磨工具磨损量预测装置1、以及将计算机5和机器人2相互连接的有线/无线的网络172。
在具有上述结构的系统170中，具备机器学习装置100的计算机5从用于控制各机器人2的研磨工具磨损量预测装置取得作为该研磨工具磨损量预测装置1所具备的机器学习装置100的机器学习的结果而得到的学习模型。而且，计算机5所具备的机器学习装置100’基于这些多个学习模型进行知识的最优化或提高效率的处理，由此新生成最优化或提高了效率的学习模型，并将生成的学习模型向用于控制各机器人2的研磨工具磨损量预测装置1分发。
作为由机器学习装置100’进行的学习模型的最优化或提高效率的例子，可举出基于从各研磨工具磨损量预测装置1取得的多个学习模型生成蒸馏模型。在该情况下，本实施方式的机器学习装置100’生成对学习模型输入的输入数据，使用作为将该输入数据输入给各学习模型后的结果而得到的输出，从1开始进行学习，由此新生成学习模型(蒸馏模型)。如上所述，如此生成的蒸馏模型更适合于经由外部存储介质、网络等向其它计算机发布。
作为由机器学习装置100’进行的学习模型的最优化或提高效率的其它例子，在对于从各研磨工具磨损量预测装置1取得的多个学习模型进行蒸馏的过程中，还考虑通过一般的统计方法来分析与输入数据相对的各学习模型的输出的分布，提取输入数据与输出数据的数据集的离群值，使用排除了该离群值的输入数据与输出数据的数据集来进行蒸馏。通过经由这样的过程，能够从通过各学习模型得到的输入数据与输出数据的数据集中排除例外的推定结果，使用排除了例外的推定结果的输入数据与输出数据的数据集来生成蒸馏模型。关于这样生成的蒸馏模型，能够从多个研磨工具磨损量预测装置1生成的学习模型生成针对由该研磨工具磨损量预测装置1控制的机器人2通用的蒸馏模型。
此外，还能够适当地导入其它一般的学习模型的最优化或提高效率的方法(分析各学习模型，根据该分析结果使学习模型的超参数最优化等)。
在本实施方式的系统中，能够进行以下的运用：例如在对于作为边缘计算机的多个机器人2(研磨工具磨损量预测装置1)设置的作为雾计算机的计算机5上配置机器学习装置100’，将由各机器人2(研磨工具磨损量预测装置1)生成的学习模型汇集存储到雾计算机上，在基于存储的多个学习模型进行了最优化或提高效率之后，根据需要将已最优化或提高了效率的学习模型再次向各机器人2(研磨工具磨损量预测装置1)发布。
另外，在本实施方式的系统中，例如，把在作为雾计算机的计算机5上汇集存储的学习模型、在雾计算机上已最优化或提高了效率的学习模型进一步汇集到上位的主机计算机或云服务器上，使用这些学习模型能够用于在工厂、机器人2的制造商的知识性作业(上位服务器构筑以及再发布更加通用的学习模型、基于学习模型的分析结果对于维修作业的辅助、各机器人2的性能等的分析、用于开发新设备等)。
图8是图7所示的计算机5的概要的硬件结构图。
计算机5所具备的CPU 511为整体地控制计算机5的处理器。CPU 511经由总线520读出存储在ROM 512的系统程序，按照该系统程序来控制整个计算机5。在RAM 513中临时存储临时计算数据、作业员经由输入装置531输入的各种数据等。
非易失性存储器514例如由使用未图示的电池进行支援的存储器、SSD(SolidState Drive：固态硬盘)等构成，即使计算机5的电源被切断也保持存储状态。在非易失性存储器514中存储：存储与计算机5的动作有关的设定信息的设定区域、从输入装置531输入的数据、从各机器人2(的控制装置)取得的学习模型、经由未图示的外部存储装置或网络读入的数据等。存储在非易失性存储器514中的程序、各种数据在执行时/使用时可以在RAM513中展开。另外，在ROM 512中预先写入了包含用于分析各种数据的公知的分析程序等在内的系统程序。
计算机5经由接口516与网络172相连接。在网络172上连接至少一个机器人2、其它计算机等，在与计算机5之间相互交换数据。
在显示装置530上经由接口517输出并显示读入到存储器上的各数据、作为执行程序等的结果而得到的数据等。另外，由键盘、定点设备等构成的输入装置531将基于作业员操作的指令、数据等经由接口518传送给CPU 511。
此外，关于机器学习装置100，除了与计算机5的CPU 511协作来用于学习模型的最优化或提高效率这一点以外，具备与在图1中说明的结构相同的硬件结构。
图9表示具备研磨工具磨损量预测装置1的第四实施方式的系统170。系统170具备作为用于控制机器人2的控制装置(边缘计算机)而安装的多个研磨工具磨损量预测装置1、多台其它机器人2(控制装置)以及将它们相连接的有线/无线的网络172。
在具有上述结构的系统170中，具备机器学习装置100的研磨工具磨损量预测装置1基于从作为控制对象的机器人2取得的状态数据、判定数据、以及从(不具备机器学习装置100的)其它机器人2取得的状态数据、判定数据来进行机器学习，生成学习模型。这样生成的学习模型除了用于推定自己控制的机器人2的研磨动作中的研磨工具的磨损量以外，还用于根据来自不具备机器学习装置100的其它机器人2的请求，推定该其它机器人2(的控制装置)进行的研磨动作中的研磨工具的磨损量。另外，在新导入了具备生成学习模型之前的机器学习装置100的研磨工具磨损量预测装置1时，还能够经由网络172从具备学习模型的其它研磨工具磨损量预测装置1取得该学习模型来进行使用。
在本实施方式的系统中，在作为所谓的边缘计算机的多个机器人2(研磨工具磨损量预测装置1)之间能够共享地有效使用用于学习的数据、学习模型，因此能够提高机器学习的效率，降低机器学习花费的成本(仅在用于控制机器人2的一台控制装置(研磨工具磨损量预测装置1)中导入机器学习装置100，在与其它机器人2之间进行共享等)。
以上，说明了本发明的实施方式，但是本发明不仅限于上述实施方式的示例，通过施加适当的变更能够通过各种方式来实施。
例如，机器学习装置100执行的学习算法、运算算法、研磨工具磨损量预测装置1执行的控制算法等并不限于上述算法，能够采用各种算法。
另外，在上述实施方式中说明了研磨工具磨损量预测装置1和机器学习装置100是具有不同的CPU的装置，但是机器学习装置100也可以通过研磨工具磨损量预测装置1所具备的CPU 11以及存储在ROM 12中的系统程序来实现。
另外，在上述实施方式中，以使用机器人2抓持的研磨工具来进行研磨加工的情况为例说明了研磨工具磨损量预测装置1的结构，但是本发明的研磨工具磨损量预测装置1还能够用于预测所谓的研磨装置等那样的研磨加工专用设备进行的研磨加工中的研磨工具的磨损。
以上说明了本发明的实施方式，但是本发明并不限于上述实施方式的例子，通过施加适当的变更能够以其它方式来实施。

Claims (14)

1.一种研磨工具磨损量预测装置，其预测通过研磨工具进行的工件的研磨加工中的上述研磨工具的磨损量，其特征在于，
上述研磨工具磨损量预测装置具备机器学习装置，该机器学习装置观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用已将与上述研磨加工的加工条件相对的上述研磨工具的磨损量模型化的学习模型进行学习或预测。
2.根据权利要求1所述的研磨工具磨损量预测装置，其特征在于，
上述机器学习装置具备：
状态观测部，其观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量；
标签数据取得部，其取得表示由于上述研磨加工而导致的上述研磨工具的磨损量的磨损量数据，来作为标签数据；以及
学习部，其使用上述状态变量和上述标签数据，生成将上述研磨加工的加工条件与上述研磨工具的磨损量关联起来进行学习而得到的上述学习模型。
3.根据权利要求2所述的研磨工具磨损量预测装置，其特征在于，
除了研磨加工条件数据以外，上述状态观测部还观测表示在研磨加工时产生的声音的研磨声音数据、表示研磨加工时研磨工具的研磨工具部的温度的研磨温度数据、表示上述研磨工具的种类的工具种类数据、以及表示研磨加工时的环境的加工环境数据中的至少一个数据，来作为表示环境的当前状态的状态变量。
4.根据权利要求2或3所述的研磨工具磨损量预测装置，其特征在于，
上述学习部具备：
误差计算部，其计算作为根据上述状态变量推定上述研磨工具的磨损量的上述学习模型的相关性模型与根据预先准备的训练数据而识别的相关性特征之间的误差；以及
模型更新部，其更新上述相关性模型使得缩小上述误差。
5.根据权利要求2至4中的任意一项所述的研磨工具磨损量预测装置，其特征在于，
上述学习部通过多层结构运算上述状态变量和上述标签数据。
6.根据权利要求1所述的研磨工具磨损量预测装置，其特征在于，
上述机器学习装置具备：
状态观测部，其观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量；
学习部，其具备将上述研磨加工的加工条件与上述研磨工具的磨损量关联起来进行学习而得到的上述学习模型；以及
推定结果输出部，其根据上述状态观测部观测到的状态变量以及上述学习模型，输出推定上述研磨工具的磨损量的结果。
7.根据权利要求1至6中的任意一项所述的研磨工具磨损量预测装置，其特征在于，
上述机器学习装置存在于云服务器。
8.一种机器学习装置，其特征在于，
观测通过研磨工具进行的工件的研磨加工中的表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量，根据该状态变量，使用已将与上述研磨加工的加工条件相对的上述研磨工具的磨损量模型化的学习模型进行学习或预测。
9.根据权利要求8所述的机器学习装置，其特征在于，具备：
状态观测部，其观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量；
标签数据取得部，其取得表示由于上述研磨加工而导致的上述研磨工具的磨损量的磨损量数据，来作为标签数据；以及
学习部，其使用上述状态变量和上述标签数据，生成将上述研磨加工的加工条件与上述研磨工具的磨损量关联起来进行学习而得到的上述学习模型。
10.根据权利要求8所述的机器学习装置，其特征在于，具备：
状态观测部，其观测表示上述研磨加工的加工条件的研磨加工条件数据，来作为表示环境的当前状态的状态变量；
学习部，其具备将上述研磨加工的加工条件与上述研磨工具的磨损量关联起来进行学习而得到的上述学习模型；以及
推定结果输出部，其根据上述状态观测部观测到的状态变量以及上述学习模型，输出推定上述研磨工具的磨损量的结果。
11.一种系统，其是经由网络将多个装置相互连接的系统，其特征在于，
上述多个装置至少包含具备权利要求1所述的研磨工具磨损量预测装置的第一机器人。
12.根据权利要求11所述的系统，其特征在于，
上述多个装置包含具备机器学习装置的计算机，
上述计算机取得通过上述研磨工具磨损量预测装置的上述学习部的学习而生成的至少一个学习模型，
上述计算机具备的机器学习装置根据取得的上述学习模型进行最优化或提高效率。
13.根据权利要求11所述的系统，其特征在于，
上述多个装置包含与上述第一机器人不同的第二机器人，
与上述第二机器人共享上述第一机器人具备的研磨工具磨损量预测装置所具备的学习部的学习结果。
14.根据权利要求11所述的系统，其特征在于，
上述多个装置包含与上述第一机器人不同的第二机器人，
能够经由上述网络将在上述第二机器人中观测到的数据用于上述第一机器人具备的研磨工具磨损量预测装置所具备的学习部的学习。
CN201910108837.0A 2018-02-06 2019-02-03 研磨工具磨损量预测装置、机器学习装置以及系统 Active CN110116371B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018-019387 2018-02-06
JP2018019387 2018-02-06
JP2018-243196 2018-12-26
JP2018243196A JP6836577B2 (ja) 2018-02-06 2018-12-26 研磨工具摩耗量予測装置、機械学習装置及びシステム

Publications (2)

Publication Number Publication Date
CN110116371A true CN110116371A (zh) 2019-08-13
CN110116371B CN110116371B (zh) 2023-10-24

Family

ID=67308902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910108837.0A Active CN110116371B (zh) 2018-02-06 2019-02-03 研磨工具磨损量预测装置、机器学习装置以及系统

Country Status (3)

Country Link
US (1) US11822308B2 (zh)
CN (1) CN110116371B (zh)
DE (1) DE102019102250A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113492356A (zh) * 2020-03-19 2021-10-12 株式会社荏原制作所 研磨装置、信息处理系统、研磨方法及记录介质
CN113798929A (zh) * 2021-08-03 2021-12-17 郑州大学 一种基于声发射的金刚石工具修整状态识别方法
CN115038548A (zh) * 2020-01-31 2022-09-09 发那科株式会社 机器学习装置、加工状态预测装置以及控制装置
CN115244477A (zh) * 2020-07-21 2022-10-25 三菱电机株式会社 数控装置及机器学习装置
CN115519538A (zh) * 2021-06-25 2022-12-27 精工爱普生株式会社 程序创建装置以及程序
CN116594349A (zh) * 2023-07-18 2023-08-15 中科航迈数控软件(深圳)有限公司 机床预测方法、装置、终端设备以及计算机可读存储介质
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
CN118528084A (zh) * 2024-07-25 2024-08-23 万得福实业集团有限公司 一种金属板打磨工艺优化方法及系统
US12276967B2 (en) 2021-06-25 2025-04-15 Seiko Epson Corporation Program creation apparatus and storage medium

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3699699A1 (de) * 2019-02-19 2020-08-26 Siemens Aktiengesellschaft Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem
JP7570004B2 (ja) * 2019-02-19 2024-10-21 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
JP2021058955A (ja) * 2019-10-04 2021-04-15 株式会社荏原製作所 研磨装置、情報処理システム、情報処理方法及びプログラム
US11610153B1 (en) * 2019-12-30 2023-03-21 X Development Llc Generating reinforcement learning data that is compatible with reinforcement learning for a robotic task
JP7466623B2 (ja) * 2020-02-17 2024-04-12 京セラ株式会社 摩耗量推定モデル作成方法、摩耗量推定方法、摩耗量推定モデル作成装置、摩耗量推定モデル作成プログラム、摩耗量推定装置及び摩耗量推定プログラム
DE102020208132A1 (de) * 2020-06-30 2021-12-30 Siemens Aktiengesellschaft Verfahren zum subtraktiven Bearbeiten eines Werkstücks und Bearbeitungsanlage
US20220080545A1 (en) * 2020-09-16 2022-03-17 Autodesk, Inc. Even out wearing of machine components during machining
WO2022132020A1 (en) * 2020-12-18 2022-06-23 Husqvarna Ab Automated detection of tool glazing in floor grinders
SE544532C2 (en) * 2020-12-18 2022-07-05 Husqvarna Ab Improved fault detection methods for power tools
WO2022212919A1 (en) * 2021-04-01 2022-10-06 Giant.Ai, Inc. System for presenting robotic data flows for application development
TWI775626B (zh) * 2021-09-29 2022-08-21 吉而特科技股份有限公司 聲音定位的磨針裝置
CN118456126A (zh) * 2024-05-24 2024-08-09 中国长江电力股份有限公司 基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5067085A (en) * 1989-05-15 1991-11-19 Southwest Research Institute Optical robotic canopy polishing system
US5251144A (en) * 1991-04-18 1993-10-05 Texas Instruments Incorporated System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis
CN102073300A (zh) * 2010-12-28 2011-05-25 华中科技大学 一种数控加工状态自学习的刀具磨损监控系统
CN103395001A (zh) * 2013-07-25 2013-11-20 王晋生 一种磨削加工过程诊断及智能优化系统和方法
CN105893760A (zh) * 2016-04-01 2016-08-24 北京航空航天大学 基于广义磨损量的刀具磨损评价和预测方法及系统
JP2017205826A (ja) * 2016-05-17 2017-11-24 株式会社リコー 情報処理装置、情報処理方法、および情報処理システム
CN107436595A (zh) * 2016-05-27 2017-12-05 发那科株式会社 机械学习装置、故障预测装置、机械系统及机械学习方法
CN206946293U (zh) * 2017-07-19 2018-01-30 昆山西港五金机械有限公司 一种实时监控刀具温度与磨损度的自动报警装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1262263B (it) * 1993-12-30 1996-06-19 Delle Vedove Levigatrici Spa Procedimento di levigatura per profili curvi e sagomati e macchina levigatrice che realizza tale procedimento
JP3435117B2 (ja) 2000-03-09 2003-08-11 義昭 垣野 加工制御システム
DE10331600B4 (de) * 2003-07-12 2012-03-15 Continental Teves Ag & Co. Ohg Verfahren zur Niveauregelung für pneumatische Niveauregelanlagen in Kraftfahrzeugen
US10160038B1 (en) * 2014-08-29 2018-12-25 Logan Clutch Corporation Multi-spindle machine control system
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
JP6673002B2 (ja) 2016-05-17 2020-03-25 株式会社リコー 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5067085A (en) * 1989-05-15 1991-11-19 Southwest Research Institute Optical robotic canopy polishing system
US5251144A (en) * 1991-04-18 1993-10-05 Texas Instruments Incorporated System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis
CN102073300A (zh) * 2010-12-28 2011-05-25 华中科技大学 一种数控加工状态自学习的刀具磨损监控系统
CN103395001A (zh) * 2013-07-25 2013-11-20 王晋生 一种磨削加工过程诊断及智能优化系统和方法
CN105893760A (zh) * 2016-04-01 2016-08-24 北京航空航天大学 基于广义磨损量的刀具磨损评价和预测方法及系统
JP2017205826A (ja) * 2016-05-17 2017-11-24 株式会社リコー 情報処理装置、情報処理方法、および情報処理システム
CN107436595A (zh) * 2016-05-27 2017-12-05 发那科株式会社 机械学习装置、故障预测装置、机械系统及机械学习方法
CN206946293U (zh) * 2017-07-19 2018-01-30 昆山西港五金机械有限公司 一种实时监控刀具温度与磨损度的自动报警装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAZHONG WU: "A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests", 《JOURNAL OF MANUFACTURING SCIENCE AND ENGINEERING-TRANSACTIONS OF THE ASME》 *
DAZHONG WU: "Cloud-Based Machine Learning for Predictive Analytics: Tool Wear Prediction in Milling", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》 *
韩玉勇，王土柱: "《数控机床与编程 第2版》", 31 July 2009 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115038548A (zh) * 2020-01-31 2022-09-09 发那科株式会社 机器学习装置、加工状态预测装置以及控制装置
CN113492356A (zh) * 2020-03-19 2021-10-12 株式会社荏原制作所 研磨装置、信息处理系统、研磨方法及记录介质
CN115244477A (zh) * 2020-07-21 2022-10-25 三菱电机株式会社 数控装置及机器学习装置
CN115244477B (zh) * 2020-07-21 2023-08-18 三菱电机株式会社 数控装置及机器学习装置
US12276967B2 (en) 2021-06-25 2025-04-15 Seiko Epson Corporation Program creation apparatus and storage medium
CN115519538A (zh) * 2021-06-25 2022-12-27 精工爱普生株式会社 程序创建装置以及程序
CN113798929A (zh) * 2021-08-03 2021-12-17 郑州大学 一种基于声发射的金刚石工具修整状态识别方法
CN113798929B (zh) * 2021-08-03 2022-06-24 郑州大学 一种基于声发射的金刚石工具修整状态识别方法
CN116594349A (zh) * 2023-07-18 2023-08-15 中科航迈数控软件(深圳)有限公司 机床预测方法、装置、终端设备以及计算机可读存储介质
WO2025016044A1 (zh) * 2023-07-18 2025-01-23 中科航迈数控软件(深圳)有限公司 机床预测方法、装置、终端设备以及计算机可读存储介质
CN116594349B (zh) * 2023-07-18 2023-10-03 中科航迈数控软件(深圳)有限公司 机床预测方法、装置、终端设备以及计算机可读存储介质
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
CN117067096B (zh) * 2023-10-18 2023-12-15 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
CN118528084A (zh) * 2024-07-25 2024-08-23 万得福实业集团有限公司 一种金属板打磨工艺优化方法及系统
CN118528084B (zh) * 2024-07-25 2024-11-12 万得福实业集团有限公司 一种金属板打磨工艺优化方法及系统

Also Published As

Publication number Publication date
CN110116371B (zh) 2023-10-24
US20190240804A1 (en) 2019-08-08
DE102019102250A1 (de) 2019-08-08
US11822308B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
CN110116371A (zh) 研磨工具磨损量预测装置、机器学习装置以及系统
JP6836577B2 (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
CN108228371B (zh) 机器学习装置和方法、寿命预测装置、数值控制装置
US10949740B2 (en) Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu
JP6059375B1 (ja) 生産制御システムおよび統合生産制御システム
Sun et al. Machining cycle time prediction: Data-driven modelling of machine tool feedrate behavior with neural networks
CN108573310A (zh) 精加工量预测装置以及机器学习装置
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
CN108021099A (zh) 机械学习装置以及加工时间预测装置
Yixu et al. An adaptive modeling method for a robot belt grinding process
CN110347120A (zh) 控制装置以及机器学习装置
US20170031335A1 (en) Cell control system, manufacturing system, and control method which control manufacturing cell including plurality of manufacturing machines
JP6629815B2 (ja) 寿命推定装置及び機械学習装置
CN108931959A (zh) 控制装置及机械学习装置
CN110174871A (zh) 控制装置、机器学习装置以及系统
CN111538296A (zh) 管理装置和管理系统
Wegener et al. Dawn of new machining concepts:: Compensated, intelligent, bioinspired
CN110231803A (zh) 碰撞位置推定装置以及机器学习装置
Patalas-Maliszewska et al. Modelling information for the burnishing process in a cyber-physical production system
CN110340884B (zh) 测定动作参数调整装置、机器学习装置以及系统
CN107390640A (zh) 数值控制装置
JP6898479B2 (ja) 操作メニューの表示を学習する機械学習器，数値制御装置，工作機械システム，製造システムおよび機械学習方法
JP6829271B2 (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
JP6940425B2 (ja) 制御装置及び機械学習装置
Yang et al. Zero-tuning grinding process methodology of cyber-physical robot system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant