学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法制造方法及图纸

本发明专利技术提供一种机械学习机(3)，学习机床(20)中的异常负载检测的阈值，上述机械学习机(3)具备：状态观测部(31)，对基于上述机床(20)的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量(Din、Din')进行观测；以及学习部(32)，基于上述状态观测部(31)的输出、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据(Dt)，学习上述异常负载检测的阈值。

Mechanical learning machines, numerical control devices and mechanical learning methods for learning the threshold of abnormal load detection

The invention provides a machine learning machine learning machine (3), (20) abnormal load detection threshold of the machine learning machine (3) includes: (31), Department of state observation of machine tool (20) based on the above information, the spindle speed and cooling dose, workpiece material and tool the direction of travel, the tool cutting speed and penetration amount of at least one of the state variables (Din, Din') were observed; and (32), the Ministry of learning state observation based on (31), and the output of the machine according to the abnormal load training data and detect relevant data as well the teacher data (Dt), the study of the abnormal load detection threshold.

【技术实现步骤摘要】
学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
本专利技术涉及学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法。
技术介绍
目前，在控制机床的数控装置(NC(NumericalControl)装置)中，例如提出了能够检测因机械的碰撞、车刀的不良、或者损坏等而产生的异常的负载转矩的技术。在此，负载转矩例如通过G代码的移动/切削指令而产生，但是由于切削速度、切入量等多个重要因素而变动，因此难以预测。因此，用于判断为异常的负载转矩的阈值例如设定为对马达固有的转矩值加上根据预定的偏差(余裕)认为合适的转矩值而得到的值。此外，在本说明书中，数控装置(NC装置)包括计算机数控装置(C(Computerized)NC装置)。另外，作为机床，包括例如旋床、钻床、镗床、铣床、磨床、齿轮机床/齿轮加工机、加工中心、放电加工机、冲床、激光加工机、运输机以及塑料注射成形机等各种机床。此外，目前，提出了各种基于NC装置的加工条件合适地控制机床的方案。例如，提出了用于控制NC装置的加工状态的加工条件数据的自动生成功能的学习方法(例如，日本特开平04－075848号公报：专利文献1)。在本文档来自技高网...

【技术保护点】
一种机械学习机，学习机床中的异常负载检测的阈值，上述机械学习机的特征在于，具备：状态观测部，对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测；以及学习部，基于上述状态观测部的输出、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值。

【技术特征摘要】
2016.06.09 JP 2016-1155051.一种机械学习机，学习机床中的异常负载检测的阈值，上述机械学习机的特征在于，具备：状态观测部，对基于上述机床的工具的信息、主轴转速及冷却剂量、工件的材质、以及上述工具的行进方向、切削速度及切入量的至少一个而得到的状态变量进行观测；以及学习部，基于上述状态观测部的输出、根据与上述机床的异常负载检测相关的数据作成的训练数据、以及教师数据，学习上述异常负载检测的阈值。2.根据权利要求1所述的机械学习机，其特征在于，上述学习部具备：误差计算部，计算上述训练数据与上述教师数据的误差；以及学习模型更新部，基于上述状态观测部的输出及上述误差计算部的输出，对学习模型进行更新，上述学习模型决定与上述机床的异常负载检测相关联的条件的误差。3.根据权利要求1或2所述的机械学习机，其特征在于，上述训练数据是与预测负载中流动的电流所得到的预测负载电流值相关的数据，上述教师数据是与实际测量上述负载中流动的电流所得到的负载电流实测值相关的数据。4.根据权利要求1～3中任一项所述的机械学习机，其特征在于，上述工具的信息包括上述工具的种类、材质以及直径的信息。5.根据权利要求1～4中任一项所述的机械学习机，其特征在于，上述机械学习机存在于云服务器上。6.根据权利要求1～4中任一项所述的机械学习机，其特征在于，上述机械学习机存在于雾服务器上。7.根据权利要求1～6中任一项所述的机械学习机，其特征在于，上述机械学习机能够与至少一个其它机械学习机连接，在与至少一个上述其它机械学习机之间互相交换或者共享机械学习的结果。8.根据权利要求1～7中任一项所述的机械学习机，其特征在于，上述机械学习机具备神经网络。9.一种数控装置，包括权利要求1～权利要求8中任一项所述的机械学习机，并控制上述机床，上述数...

【专利技术属性】
技术研发人员：高山堪太，佐藤和生，前田英朗，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：日本,JP