异常检测装置以及机器学习装置制造方法及图纸

本发明专利技术涉及加工状态的异常检测装置以及机器学习装置。一种异常检测装置，其具备学习在机床正常动作时检测的物理量的波形数据的机器学习装置，该机器学习装置将机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测，并使用该观测到的状态变量，学习机床正常动作时检测的物理量的波形数据的特征。

【技术实现步骤摘要】
异常检测装置以及机器学习装置
本专利技术涉及加工状态的异常检测装置以及机器学习装置。
技术介绍
在机床中，因工具的磨损或破损、加工负载的变动、切削液等加工环境的变化、干扰等而产生加工不良。此外，有时也因对加工完成的工件进行再次加工而产生加工不良。这些都不是正常的加工状态，希望对这些加工状态的异常进行检测而能够未然地判断加工不良的产生。作为检测加工状态异常的现有技术，例如在日本特开2007-52797号公报中公开了如下技术：根据程序或加工内容来预先设定采样点，计算每一采样点的平均值或标准偏差值而比较进行了多次加工时取得的数据，从而检测加工状态的异常。此外，在日本特开平05-285788号公报中公开了如下技术：预先对正常地进行了预定动作时的动作状态的数据进行存储，在进行检查时进行预定动作，将相对于该预定动作的正常状态下的动作状态的数据与检查时的监视数据进行比较来进行动作是否正常的判断。然而，在日本特开2007-52797号公报所公开的技术中，存在如下问题：需要预先设定与特定的程序或加工内容相对应的采样点，无法检测与加工内容等无关的异常。此外，在日本特开平05-285788号公报所公开的技术中，存在如下问题：由于需要在检查时进行预定动作的执行，因此无法应用于加工时的异常检测。
技术实现思路
因此，本专利技术的目的在于，提供无论加工内容如何都可以检测机床的加工状态的异常的异常检测装置以及机器学习装置。在本专利技术的异常检测装置中，取得加工中的电动机的速度或电流、机械的振动或可听到的声音等物理量来作为时间上连续的离散值，并设为相当于一个加工周期或者任意区间的波形数据，进行基于机床正常动作时取得的该波形数据的机器学习，基于学习结果从新加工时取得的波形数据中检测异常状态，判断加工状态的异常，由此解决上述课题。本专利技术处理的波形数据可以直接使用从机床或设置于该机床的传感器等取得的时间上连续的离散值，也可以像光谱解析该波形数据而获得的频率成分的值等那样，使用能够以直接地/间接地进行表现的其他形式来表现波形的数据。此外，在本专利技术的异常检测装置中，通过将所述波形数据与程序关联起来，确定程序内的加工为异常的程序块。进而，本专利技术的异常检测装置通过由进行相同加工的多台机床间共享模型，由此可以检测进行异常加工的机床。本专利技术的一方式的异常检测装置，对加工工件的机床的异常进行检测，该异常监测装置具有：机器学习装置，其学习在该机床正常动作时检测的物理量的波形数据。所述机器学习装置的第一方式具备：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。所述学习部可以具备：集群构筑部，其构筑所述机床正常动作时检测的物理量的波形数据的集群。所述机器学习装置的第二方式具备：状态观测部，其将所述机床动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其取得表示所述机床的动作的正常性的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述机床动作时检测的物理量的波形数据与所述机床动作的正常性关联起来进行学习。所述学习部可以具备：误差计算部，其对由物理量的波形数据引导所述机床的动作的正常性的相关性模型与从预先准备的教师数据中识别的相关性特征的误差进行计算，该物理量的波形数据是根据所述状态变量和所述判定数据而在所述机床动作时检测的；和模型更新部，其以缩小所述误差的方式来更新所述相关性模型。在所述机器学习装置的第一和第二方式中，所述学习部可以通过多层结构来运算所述状态变量。所述机器学习装置还可以具备：输出利用部，其基于所述学习部的学习结果、机床动作时获得的所述状态变量，来输出所述机床的动作状态。所述学习部也可以使用相对于多台机床中的每一台而获得的所述状态变量，学习与该多台机床共通的正常动作时检测的物理量的波形数据。作为本专利技术的一方式的机器学习装置的第一方式，学习加工工件的机床正常动作时检测的物理量的波形数据，该机器学习装置具备：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。作为本专利技术的一方式的机器学习装置的第二方式，学习加工工件的机床正常动作时检测的物理量的波形数据，该机器学习装置具备：状态观测部，其将所述机床动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其取得表示所述机床的动作的正常性的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述机床动作时检测的物理量的波形数据与所述机床的动作的正常性关联起来进行学习。通过本专利技术，无论使机床进行特定的动作或依存于特定的加工内容，都能够检测一般的加工动作中的机床的加工状态的异常。附图说明图1是表示第一实施方式的异常检测装置的概略功能框图。图2是例示从机床检测的各值的波形数据的图。图3是表示异常检测装置的其他方式的概略功能框图。图4A是说明神经元的图。图4B是说明神经网络的图。图4C是说明自动编码器的图。图5是第二实施方式的异常检测装置的概略功能框图。图6是表示加工系统的一方式的概略功能框图。图7是表示加工系统的其他方式的概略功能框图。图8是在第一实施方式中使用了监督学习时的异常检测装置的概略功能框图。图9是在第二实施方式中使用了监督学习时的异常检测装置的概略功能框图。具体实施方式图1是第一实施方式的异常检测装置10的概略功能框图。异常检测装置10具备：机器学习装置20，其包含用于通过所谓的机器学习来自主学习在正常动作的机床中进行的加工中检测的物理量的值(主轴电动机/伺服电动机的电流值或速度值、从机床检测的振动值、可听到的声音等)所涉及的相当于一个加工周期或者任意区间的波形数据的软件(学习算法等)以及硬件(计算机的CPU等)。异常检测装置10所具备的机器学习装置20学习的内容与在加工中从正常动作的机床检测的物理量的值所涉及的相当于一个加工周期或者任意区间的波形数据的模型结构相当。如图1的功能块所示，异常检测装置10所具有的机器学习装置20具备：状态观测部22，其对包含表示正常动作的机床(未图示)所进行的加工中检测出的各值(主轴电动机/伺服电动机的电流值或速度值、从机床检测的振动值、可听到声音等)的波形数据S1的、表示环境的当前状态的状态变量S进行观测；以及学习部26，其使用该状态变量S来学习机床正常动作时的波形数据S1。状态观测部22例如可以构成为计算机的CPU的一个功能。或者状态观测部22例如可以构成为用于使计算机的CPU发挥作用的软件。在状态观测部22观测的状态变量S中，波形数据S1例如能够通过附设于机床的多个测定装置(未图示)来取得。波形数据S1例如像图2等所例示那样，包含：主轴电动机的电流值、主轴电动机的速度值、伺服电动机的电流值、伺服电动机的速度值、从机床检测的振动值、可听到的声音等。作为波形数据S1的电动机的电流值或速度值，可以取得为来自放大器或安装于电动机的脉冲编码器等的反馈值。此外，作为波形数据S1的振动值例如可以通过加速度传感器或AE传感器、速度传感器、本文档来自技高网...

【技术保护点】
1.一种异常检测装置，其对加工工件的机床的异常进行检测，其特征在于，所述异常检测装置具有：机器学习装置，其学习在所述机床正常动作时检测的物理量的波形数据，所述机器学习装置具有：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。

【技术特征摘要】
2017.03.15 JP 2017-0500801.一种异常检测装置，其对加工工件的机床的异常进行检测，其特征在于，所述异常检测装置具有：机器学习装置，其学习在所述机床正常动作时检测的物理量的波形数据，所述机器学习装置具有：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；以及学习部，其使用所述状态变量，学习所述机床正常动作时检测的物理量的波形数据的特征。2.根据权利要求1所述的异常检测装置，其特征在于，所述学习部具有：集群构筑部，其构筑所述机床正常动作时检测的物理量的波形数据的集群。3.一种异常检测装置，其对加工工件的机床的异常进行检测，其特征在于，所述异常检测装置具有：机器学习装置，其学习所述机床正常动作时检测的物理量的波形数据，所述机器学习装置具有：状态观测部，其将所述机床正常动作时检测的物理量的波形数据作为表示环境的当前状态的状态变量进行观测；判定数据取得部，其取得表示所述机床的动作的正常性的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述机床动作时检测的物理量的波形数据与所述机床动作的正常性关联起来进行学习。4.根据权利要求3所述的异常检测装置，其特征在于，所述学习部具有：误差计算部，其根据所述状态变量和所述判定数据，对由在所述机床动作时检测的物理量的波形数据引导所述机床的动作的正常性的相关性模型与从预先...

【专利技术属性】
技术研发人员：玉井孝幸，奥田真司，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：日本,JP