JP2022094728A - 工作機械の加工異常診断装置及び加工異常診断方法 - Google Patents
工作機械の加工異常診断装置及び加工異常診断方法 Download PDFInfo
- Publication number
- JP2022094728A JP2022094728A JP2020207783A JP2020207783A JP2022094728A JP 2022094728 A JP2022094728 A JP 2022094728A JP 2020207783 A JP2020207783 A JP 2020207783A JP 2020207783 A JP2020207783 A JP 2020207783A JP 2022094728 A JP2022094728 A JP 2022094728A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- diagnosis
- machining
- failure
- diagnostic
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 142
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000003754 machining Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
- 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
- G05B19/406—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 monitoring or safety
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】異常の見逃しが発生した際に閾値調整か再学習かの対策を適切に判別する。
【解決手段】工作機械１の加工異常診断装置２は、予め設定された診断モデルによって加工が異常か否かを診断する異常診断手段４と、異常診断手段４による異常の診断の成否を入力する成否入力手段５と、成否入力手段５によって異常の診断が失敗と入力された際の対策を決定する対策決定手段６と、診断モデルでの診断に用いる異常閾値を更新する異常閾値変更手段７と、異常の診断を失敗した際の工作機械１の動作情報を用いて診断モデルを再学習する学習手段８と、を含み、対策決定手段６は、異常の診断を失敗した際に診断モデルが診断した動作情報に基づいて、異常閾値変更手段７と学習手段８との何れを採用するかを決定する。
【選択図】図１
【解決手段】工作機械１の加工異常診断装置２は、予め設定された診断モデルによって加工が異常か否かを診断する異常診断手段４と、異常診断手段４による異常の診断の成否を入力する成否入力手段５と、成否入力手段５によって異常の診断が失敗と入力された際の対策を決定する対策決定手段６と、診断モデルでの診断に用いる異常閾値を更新する異常閾値変更手段７と、異常の診断を失敗した際の工作機械１の動作情報を用いて診断モデルを再学習する学習手段８と、を含み、対策決定手段６は、異常の診断を失敗した際に診断モデルが診断した動作情報に基づいて、異常閾値変更手段７と学習手段８との何れを採用するかを決定する。
【選択図】図１
Description
本発明は、組み込まれた診断モデルに基づいて工作機械の加工状態が異常か否かを診断する加工異常診断装置及び加工異常診断方法に関するものである。
工作機械における加工では、使用する工具に折損や欠損のような損傷が生じた場合、加工するワークの損傷につながり、精度や表面品位の悪化が原因で不良ワークとなるため、生産性が低下してしまう。加工するワークの材料が高価な場合は、材料費の面で大きな損失となる。したがって、加工状態を示す信号を測定して、正常か異常かを分類し、加工の異常を診断する技術が提案されている。
この技術として、例えば特許文献１では、機械の運転情報を入力として、機械学習を用いて作成した学習モデルが出力した特徴量を閾値と比較し、工具の状態が正常か異常かを診断する技術が提案されている。
この技術として、例えば特許文献１では、機械の運転情報を入力として、機械学習を用いて作成した学習モデルが出力した特徴量を閾値と比較し、工具の状態が正常か異常かを診断する技術が提案されている。
上記特許文献１のように、学習モデル（診断モデル）を用いて加工状態の診断を行う際、例えば加工の異常を見逃した場合は、正常と異常とを判別する閾値の調整を行うか、或いは学習モデルの再学習を行うか、が必要となるが、どちらを選択すべきか瞬時にわからない。したがって、特徴量の波形を分析する人の工数や過度なモデルの学習作業が発生し、診断精度を向上させる時間を多く費やし、改善が困難となってしまう。
そこで、本発明は、上記課題に鑑みて、異常の見逃しが発生した際に閾値調整か再学習かの対策を適切に判別することができる工作機械の加工異常診断装置及び加工異常診断方法を提供することを目的とする。
上記目的を達成するために、本発明のうち、第１の発明は、工具を用いてワークを加工する工作機械において、加工時における異常の発生を診断するための加工異常診断装置であって、
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断手段と、
前記異常診断手段による異常の診断の成否を入力する成否入力手段と、
前記成否入力手段によって異常の診断が失敗と入力された際の対策を決定する対策決定手段と、
前記異常閾値を更新する異常閾値変更手段と、
前記異常の診断を失敗した際の前記工作機械の動作情報を用いて前記診断モデルを再学習する学習手段と、を含み、
前記対策決定手段は、前記異常の診断を失敗した際に前記診断モデルが診断した前記動作情報に基づいて、前記対策として、前記異常閾値変更手段と前記学習手段との何れを採用するかを決定することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常診断手段で用いる前記診断モデルは、機械学習により構築することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常診断手段は、前記診断モデルによって加工の異常度を計算し、前記異常度を前記異常閾値と比較することで加工が異常か否かを診断し、
前記対策決定手段は、前記診断モデルで計算された前記異常度の微分値を予め設定した微分閾値と比較し、その比較結果に基づいて、前記異常閾値変更手段により前記異常閾値の更新を行うか、前記学習手段により前記診断モデルの再学習を行うか、を決定することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常閾値変更手段は、前記異常の診断を失敗した際の前記動作情報を用いて、前記異常が発生した時間を同定し、その時間に前記診断モデルが異常を検出できるように前記異常閾値を更新することを特徴とする。
第１の発明の別の態様は、上記構成において、前記成否入力手段では、センサを用いた工具状態の測定結果、加工したワークの品質検査結果、人が加工を観察した結果、の少なくとも何れかを用いて、前記異常の診断の成否が入力されることを特徴とする。
上記目的を達成するために、本発明のうち、第２の発明は、工具を用いてワークを加工する工作機械において、加工時における異常の発生を診断するための加工異常診断方法であって、
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断ステップと、
前記異常診断ステップによる異常の診断の成否を入力する成否入力ステップと、
前記成否入力ステップによって異常の診断が失敗と入力された際、前記診断モデルが診断した前記工作機械の動作情報に基づいて前記失敗への対策を決定する対策決定ステップと、
前記対策決定ステップの決定により選択される、前記異常閾値を更新する異常閾値変更ステップと、前記動作情報を用いて前記診断モデルを再学習する学習ステップと、の何れかと、を実行することを特徴とする。
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断手段と、
前記異常診断手段による異常の診断の成否を入力する成否入力手段と、
前記成否入力手段によって異常の診断が失敗と入力された際の対策を決定する対策決定手段と、
前記異常閾値を更新する異常閾値変更手段と、
前記異常の診断を失敗した際の前記工作機械の動作情報を用いて前記診断モデルを再学習する学習手段と、を含み、
前記対策決定手段は、前記異常の診断を失敗した際に前記診断モデルが診断した前記動作情報に基づいて、前記対策として、前記異常閾値変更手段と前記学習手段との何れを採用するかを決定することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常診断手段で用いる前記診断モデルは、機械学習により構築することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常診断手段は、前記診断モデルによって加工の異常度を計算し、前記異常度を前記異常閾値と比較することで加工が異常か否かを診断し、
前記対策決定手段は、前記診断モデルで計算された前記異常度の微分値を予め設定した微分閾値と比較し、その比較結果に基づいて、前記異常閾値変更手段により前記異常閾値の更新を行うか、前記学習手段により前記診断モデルの再学習を行うか、を決定することを特徴とする。
第１の発明の別の態様は、上記構成において、前記異常閾値変更手段は、前記異常の診断を失敗した際の前記動作情報を用いて、前記異常が発生した時間を同定し、その時間に前記診断モデルが異常を検出できるように前記異常閾値を更新することを特徴とする。
第１の発明の別の態様は、上記構成において、前記成否入力手段では、センサを用いた工具状態の測定結果、加工したワークの品質検査結果、人が加工を観察した結果、の少なくとも何れかを用いて、前記異常の診断の成否が入力されることを特徴とする。
上記目的を達成するために、本発明のうち、第２の発明は、工具を用いてワークを加工する工作機械において、加工時における異常の発生を診断するための加工異常診断方法であって、
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断ステップと、
前記異常診断ステップによる異常の診断の成否を入力する成否入力ステップと、
前記成否入力ステップによって異常の診断が失敗と入力された際、前記診断モデルが診断した前記工作機械の動作情報に基づいて前記失敗への対策を決定する対策決定ステップと、
前記対策決定ステップの決定により選択される、前記異常閾値を更新する異常閾値変更ステップと、前記動作情報を用いて前記診断モデルを再学習する学習ステップと、の何れかと、を実行することを特徴とする。
本発明によれば、異常の見逃しが発生した際に診断モデルが診断した動作情報に基づいて閾値調整か学習かの対策を適切に判別することができる。よって、診断モデルの診断精度を向上させる作業を自動化して診断性能の改善効率を上げることができる。
以下、本発明の実施の形態を図面に基づいて説明する。
図１は、本発明の加工異常診断装置の一例を示すブロック構成図である。ここでは工作機械１に対し、加工異常診断装置２が併設されている。但し、加工異常診断装置２は、工作機械１の制御装置（図示しない）に内包されていても構わない。
加工異常診断装置２には、診断情報取得手段３と、異常診断手段４とが設けられている。診断情報取得手段３は、工作機械１の制御情報や各種センサ（図示しない）の測定信号を診断情報として取得する。異常診断手段４には、診断情報取得手段３で取得された診断情報をもとに異常度を計算する診断モデルが格納されており、異常診断手段４は、入力となる診断情報（動作情報）をもとに出力される異常度に対し、異常閾値と比較した判定を行うことで、加工が正常か異常かを判定する。この診断モデルは、機械学習によって構築される。
図１は、本発明の加工異常診断装置の一例を示すブロック構成図である。ここでは工作機械１に対し、加工異常診断装置２が併設されている。但し、加工異常診断装置２は、工作機械１の制御装置（図示しない）に内包されていても構わない。
加工異常診断装置２には、診断情報取得手段３と、異常診断手段４とが設けられている。診断情報取得手段３は、工作機械１の制御情報や各種センサ（図示しない）の測定信号を診断情報として取得する。異常診断手段４には、診断情報取得手段３で取得された診断情報をもとに異常度を計算する診断モデルが格納されており、異常診断手段４は、入力となる診断情報（動作情報）をもとに出力される異常度に対し、異常閾値と比較した判定を行うことで、加工が正常か異常かを判定する。この診断モデルは、機械学習によって構築される。
また、加工異常診断装置２には、成否入力手段５と、対策決定手段６と、異常閾値変更手段７と、学習手段８とが設けられている。
成否入力手段５は、異常の診断が成功したか（異常回避）、または異常の診断を失敗したか（見逃し）の判定結果をオペレータが入力するために設けられる。成否入力手段５で入力された判定結果は、対策決定手段６に入力される。
対策決定手段６は、成否入力手段５で入力された判定結果をもとに、異常度を判定する異常閾値を変更するか、或いは診断モデルの再学習を行うかを判定する。
異常閾値変更手段７は、対策決定手段６で異常閾値の変更が必要と判定された場合、診断情報から異常閾値を再決定し、変更する。
学習手段８は、対策決定手段６で診断モデルの再学習が必要と判定された場合、診断情報に異常のラベルを付与し、再学習して診断モデルを更新する。
成否入力手段５は、異常の診断が成功したか（異常回避）、または異常の診断を失敗したか（見逃し）の判定結果をオペレータが入力するために設けられる。成否入力手段５で入力された判定結果は、対策決定手段６に入力される。
対策決定手段６は、成否入力手段５で入力された判定結果をもとに、異常度を判定する異常閾値を変更するか、或いは診断モデルの再学習を行うかを判定する。
異常閾値変更手段７は、対策決定手段６で異常閾値の変更が必要と判定された場合、診断情報から異常閾値を再決定し、変更する。
学習手段８は、対策決定手段６で診断モデルの再学習が必要と判定された場合、診断情報に異常のラベルを付与し、再学習して診断モデルを更新する。
以下、加工異常診断装置２による加工異常診断方法の詳細を、図２のフローチャートに基づいて説明する。
まず、Ｓ１で、異常診断手段４は、診断モデル、異常閾値を読み込み、診断情報取得手段３から得た診断情報に基づいて、異常か正常かの診断を開始する（異常診断ステップ）。診断結果は図示しないモニタ等に出力される。
次に、Ｓ２で、オペレータが目視で診断結果を確認し、異常見逃しの発生があるか否かを判定して、判定結果を成否入力手段５によって入力する（成否入力ステップ）。
次に、Ｓ３で、対策決定手段６は、Ｓ２での入力を判別し、異常見逃しがなければＳ１へ戻り、再度診断を行う。異常見逃しが発生していれば、Ｓ４で、診断に用いた加工トルク波形と異常度波形とを取得する。
次に、Ｓ５で、対策決定手段６は、加工トルクが最大値となる点、すなわち加工異常が発生した時間tmaxを取得し、波形の開始時間から時間tmaxまでの時間範囲で波形を切り出す（図３に示す）。そして、対策決定手段６は、Ｓ６で、異常度を微分してその変化量の最大値dmaxを計算し、Ｓ７で、最大値dmaxを、予め設定された変化量閾値ds（微分閾値）と比較する（Ｓ３～Ｓ５：対策決定ステップ）。
まず、Ｓ１で、異常診断手段４は、診断モデル、異常閾値を読み込み、診断情報取得手段３から得た診断情報に基づいて、異常か正常かの診断を開始する（異常診断ステップ）。診断結果は図示しないモニタ等に出力される。
次に、Ｓ２で、オペレータが目視で診断結果を確認し、異常見逃しの発生があるか否かを判定して、判定結果を成否入力手段５によって入力する（成否入力ステップ）。
次に、Ｓ３で、対策決定手段６は、Ｓ２での入力を判別し、異常見逃しがなければＳ１へ戻り、再度診断を行う。異常見逃しが発生していれば、Ｓ４で、診断に用いた加工トルク波形と異常度波形とを取得する。
次に、Ｓ５で、対策決定手段６は、加工トルクが最大値となる点、すなわち加工異常が発生した時間tmaxを取得し、波形の開始時間から時間tmaxまでの時間範囲で波形を切り出す（図３に示す）。そして、対策決定手段６は、Ｓ６で、異常度を微分してその変化量の最大値dmaxを計算し、Ｓ７で、最大値dmaxを、予め設定された変化量閾値ds（微分閾値）と比較する（Ｓ３～Ｓ５：対策決定ステップ）。
Ｓ７の比較結果で最大値dmaxが変化量閾値dsを超える場合、Ｓ８で、異常閾値変更手段７は、時間tmaxの時点の異常度Ｅ（図３に示す）を取得し、異常度Ｅに予め設定された閾値マージンｍを加えたものを異常閾値として更新する（異常閾値変更ステップ）。
一方、Ｓ７の比較結果で最大値dmaxが変化量閾値dsを超えない場合、Ｓ９で、学習手段８は、加工トルク波形（図３に示す）に異常ラベルを付与して学習を行い、新しい診断モデルを作成する。そして、Ｓ１０で、異常を検知するモデルを、Ｓ９で作成した新しい診断モデルに更新する（Ｓ９～Ｓ１０：学習ステップ）。
Ｓ１１で診断を続行する場合はＳ１へ戻り、診断を続行しない場合は終了する。
一方、Ｓ７の比較結果で最大値dmaxが変化量閾値dsを超えない場合、Ｓ９で、学習手段８は、加工トルク波形（図３に示す）に異常ラベルを付与して学習を行い、新しい診断モデルを作成する。そして、Ｓ１０で、異常を検知するモデルを、Ｓ９で作成した新しい診断モデルに更新する（Ｓ９～Ｓ１０：学習ステップ）。
Ｓ１１で診断を続行する場合はＳ１へ戻り、診断を続行しない場合は終了する。
このように、上記形態の加工異常診断装置２及び加工異常診断方法によれば、予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断手段４と、異常診断手段４による異常の診断の成否を入力する成否入力手段５と、成否入力手段５によって異常の診断が失敗と入力された際の対策を決定する対策決定手段６と、異常閾値を更新する異常閾値変更手段７と、異常の診断を失敗した際の工作機械１の動作情報を用いて診断モデルを再学習する学習手段８と、を含み、対策決定手段６は、異常の診断を失敗した際に診断モデルが診断した動作情報に基づいて、異常の診断が失敗と入力された際の対策として、異常閾値変更手段７と学習手段８との何れを採用するかを決定する。
この構成により、異常の見逃しが発生した際に診断モデルが診断した動作情報に基づいて閾値調整か学習かの対策を適切に判別することができる。よって、診断モデルの診断精度を向上させる作業を自動化して診断性能の改善効率を上げることができる。
この構成により、異常の見逃しが発生した際に診断モデルが診断した動作情報に基づいて閾値調整か学習かの対策を適切に判別することができる。よって、診断モデルの診断精度を向上させる作業を自動化して診断性能の改善効率を上げることができる。
なお、本発明における成否入力手段による入力は、人による加工状態の目視結果に限らず、工具長測定装置による工具長の測定結果、カメラによる撮像で得た工具やワークの画像の処理結果、加工したワークの品質検査結果等の１又は複数の結果をもとに診断した成否信号を用いても何ら問題ない。
また、本発明で用いる診断モデルは、例えばニューラルネットワークなどの機械学習技術を用いて生成した数理モデルであれば問題ない。さらに、対策決定手段では取得した波形に対し、適宜平滑化するフィルタを用いても何ら問題はない。
また、本発明で用いる診断モデルは、例えばニューラルネットワークなどの機械学習技術を用いて生成した数理モデルであれば問題ない。さらに、対策決定手段では取得した波形に対し、適宜平滑化するフィルタを用いても何ら問題はない。
１・・工作機械、２・・加工異常診断装置、３・・診断情報取得手段、４・・異常診断手段、５・・成否入力手段、６・・対策決定手段、７・・異常閾値変更手段、８・・学習手段。
Claims (6)
- 工具を用いてワークを加工する工作機械において、加工時における異常の発生を診断するための加工異常診断装置であって、
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断手段と、
前記異常診断手段による異常の診断の成否を入力する成否入力手段と、
前記成否入力手段によって異常の診断が失敗と入力された際の対策を決定する対策決定手段と、
前記異常閾値を更新する異常閾値変更手段と、
前記異常の診断を失敗した際の前記工作機械の動作情報を用いて前記診断モデルを再学習する学習手段と、を含み、
前記対策決定手段は、前記異常の診断を失敗した際に前記診断モデルが診断した前記動作情報に基づいて、前記対策として、前記異常閾値変更手段と前記学習手段との何れを採用するかを決定することを特徴とする工作機械の加工異常診断装置。 - 前記異常診断手段で用いる前記診断モデルは、機械学習により構築することを特徴とする請求項１に記載の工作機械の加工異常診断装置。
- 前記異常診断手段は、前記診断モデルによって加工の異常度を計算し、前記異常度を前記異常閾値と比較することで加工が異常か否かを診断し、
前記対策決定手段は、前記診断モデルで計算された前記異常度の微分値を予め設定した微分閾値と比較し、その比較結果に基づいて、前記異常閾値変更手段により前記異常閾値の更新を行うか、前記学習手段により前記診断モデルの再学習を行うか、を決定することを特徴とする請求項２に記載の工作機械の加工異常診断装置。 - 前記異常閾値変更手段は、前記異常の診断を失敗した際の前記動作情報を用いて、前記異常が発生した時間を同定し、その時間に前記診断モデルが異常を検出できるように前記異常閾値を更新することを特徴とする請求項１乃至３の何れかに記載の工作機械の加工異常診断装置。
- 前記成否入力手段では、センサを用いた工具状態の測定結果、加工したワークの品質検査結果、人が加工を観察した結果、の少なくとも何れかを用いて、前記異常の診断の成否が入力されることを特徴とする請求項１乃至４の何れかに記載の工作機械の加工異常診断装置。
- 工具を用いてワークを加工する工作機械において、加工時における異常の発生を診断するための加工異常診断方法であって、
予め設定された診断モデルにより、異常閾値を用いて加工が異常か否かを診断する異常診断ステップと、
前記異常診断ステップによる異常の診断の成否を入力する成否入力ステップと、
前記成否入力ステップによって異常の診断が失敗と入力された際、前記診断モデルが診断した前記工作機械の動作情報に基づいて前記失敗への対策を決定する対策決定ステップと、
前記対策決定ステップの決定により選択される、前記異常閾値を更新する異常閾値変更ステップと、前記動作情報を用いて前記診断モデルを再学習する学習ステップと、の何れかと、
を実行することを特徴とする工作機械の加工異常診断方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020207783A JP2022094728A (ja) | 2020-12-15 | 2020-12-15 | 工作機械の加工異常診断装置及び加工異常診断方法 |
| US17/457,105 US20220184766A1 (en) | 2020-12-15 | 2021-12-01 | Processing abnormality diagnostic device and processing abnormality diagnostic method of machine tool |
| DE102021214044.0A DE102021214044A1 (de) | 2020-12-15 | 2021-12-09 | Bearbeitungsabnormitätsdiagnosevorrichtung und Bearbeitungsabnormitätsdiagnoseverfahren einer Werkzeugmaschine |
| CN202111524595.7A CN114637254A (zh) | 2020-12-15 | 2021-12-14 | 机床的加工异常诊断装置以及加工异常诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020207783A JP2022094728A (ja) | 2020-12-15 | 2020-12-15 | 工作機械の加工異常診断装置及び加工異常診断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022094728A true JP2022094728A (ja) | 2022-06-27 |
Family
ID=81750020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020207783A Pending JP2022094728A (ja) | 2020-12-15 | 2020-12-15 | 工作機械の加工異常診断装置及び加工異常診断方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220184766A1 (ja) |
| JP (1) | JP2022094728A (ja) |
| CN (1) | CN114637254A (ja) |
| DE (1) | DE102021214044A1 (ja) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6988225B1 (en) * | 2002-10-31 | 2006-01-17 | Advanced Micro Devices, Inc. | Verifying a fault detection result based on a process control state |
| US10269601B2 (en) * | 2015-10-20 | 2019-04-23 | Applied Materials, Inc. | Chamber leak and gas contaimination detection |
| JP6837848B2 (ja) * | 2017-01-27 | 2021-03-03 | オークマ株式会社 | 診断装置 |
| JP6824121B2 (ja) * | 2017-07-14 | 2021-02-03 | 株式会社東芝 | 状態検知装置、状態検知方法及びプログラム |
| 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 |
-
2020
- 2020-12-15 JP JP2020207783A patent/JP2022094728A/ja active Pending
-
2021
- 2021-12-01 US US17/457,105 patent/US20220184766A1/en not_active Abandoned
- 2021-12-09 DE DE102021214044.0A patent/DE102021214044A1/de active Pending
- 2021-12-14 CN CN202111524595.7A patent/CN114637254A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN114637254A (zh) | 2022-06-17 |
| DE102021214044A1 (de) | 2022-06-15 |
| US20220184766A1 (en) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107797516B (zh) | 数值控制装置 | |
| WO2018030033A1 (ja) | 工作機械の工具の異常検知装置及び方法 | |
| US11307558B2 (en) | Machining defect occurrence prediction system for machine tool | |
| DE102018002112A1 (de) | Störungserfassungsvorrichtung und maschinelle Lernvorrichtung | |
| KR101957711B1 (ko) | 가공좌표계상 가공시간에 따라 가공위치와 물리적 가공절삭 특성값을 매핑하는 절삭특성맵을 활용하여 절삭상태를 지능적으로 감시 및 진단하고, 절삭조건을 제어할 수 있는 지능형 cnc공작기계 제어시스템 | |
| CN108620950B (zh) | 一种车削刀具加工状态监测方法及系统 | |
| JP2008097363A (ja) | 異常診断方法及びその装置 | |
| KR102648425B1 (ko) | 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치 | |
| US20200089191A1 (en) | Method for monitoring cutting-tool abrasion | |
| JP2020035260A (ja) | 加工環境推定装置 | |
| WO2021014670A1 (ja) | 異常検知装置、異常検知方法、および異常検知プログラム | |
| JP2022094728A (ja) | 工作機械の加工異常診断装置及び加工異常診断方法 | |
| JPH10228304A (ja) | 加工装置 | |
| CN112241144B (zh) | 机床的诊断模型的再学习与否判定方法及装置、可读存储介质 | |
| CN112775719B (zh) | 进给轴装置的异常诊断方法和异常诊断装置 | |
| JP2019076993A (ja) | 工作機械における直動軸の異常診断装置及び異常診断方法、工作機械 | |
| Mohanta et al. | Online monitoring system for tool wear and fault prediction using artificial intelligence | |
| JP2024062242A (ja) | 加工異常診断のための情報更新装置及び情報更新方法 | |
| JPS59142048A (ja) | 工具異常検出装置 | |
| TWM516718U (zh) | 加工機刀具磨耗檢測模組 | |
| JP2005305541A (ja) | 金型加工の監視制御方法および装置 | |
| KR20200136822A (ko) | 공작기계의 고장 진단 방법 | |
| Konrad | Fault detection in milling, using parameter estimation and classification methods | |
| KR102656853B1 (ko) | 인공지능 기반 절삭공구 마모 관리 시스템 및 그 방법 | |
| KR102712821B1 (ko) | Cnc 장비의 스핀들 유닛의 이상상태를 검출하기 위한 검출 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230731 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240430 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240514 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240708 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20241022 |