磨损判定装置制造方法及图纸

提供一种不需要专家就能够自动地进行机器学习的再学习的磨损判定装置。一种加工机中的刀具的磨损判定装置(100)，其特征在于，具备：特征量提取部(130)，其从传感器的输出获取特征量；动态学习部(140)，其基于特征量来构建学习模型；推断部(160)，其基于动态学习部构建的学习模型来进行磨损度的推断；阈值存储部(180)，其存储磨损的阈值；以及磨损判定部(190)，其基于磨损度和阈值来判定磨损，其中，推断部判断基于当前的学习模型的推断是否适当，在判断为不适当的情况下，向动态学习部发送再学习指示，动态学习部当从推断部接收到控制数据时，基于阈值和与在构建当前的学习模型时使用的特征量不同的追加特征量来进行再学习，并更新学习模型。并更新学习模型。并更新学习模型。

【技术实现步骤摘要】
【国外来华专利技术】磨损判定装置


[0001]本专利技术涉及一种应用了机器学习的磨损判定装置。

技术介绍

[0002]以往，提出了大量在刀具的磨损判定或者寿命预测中应用机器学习的技术。例如专利文献1中公开的寿命预测装置观测寿命关联数据并制成消耗部件的更换寿命的概率模型，使用所制成的概率模型，基于所观测到的寿命关联数据来预测消耗部件的更换寿命。根据专利文献1，描述了即使在收集到的数据少的阶段，也能够以规定的精度预测出制造机器的消耗部件的寿命。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1：日本特开2019
‑
207576号公报

技术实现思路

[0006]专利技术要解决的问题
[0007]然而，不限于在专利文献1中，在以往的机器学习中，先在特定的条件下对磨损状态进行学习来构建学习模型，再基于该学习模型来在同等的条件下进行磨损度的推断。于是，存在如下问题：虽然在条件不变的情况下能够以高精度进行推断，但若加工方法、刀具、工件等的条件发生变化，则精度显著下降，无法进行适当的推断(泛化性的问题)。因此，即使曾经进行了学习，每当条件发生变化时也需要进行再学习，但除非是机器学习的专家，否则非常难以实施再学习，现场的作业员无法进行应对。
[0008]因此，本专利技术的目的在于提供一种不需要专家就能够自动地进行机器学习的再学习的磨损判定装置。
[0009]用于解决问题的方案
[0010]本专利技术的代表性的结构是一种加工机中的刀具的磨损判定装置，其特征在于，具备：传感器，其测定工件或刀具的状态；特征量提取部，其从传感器的输出获取特征量；动态学习部，其基于特征量来构建学习模型；推断部，其基于动态学习部构建的学习模型来进行磨损度的推断；阈值存储部，其存储磨损的阈值；以及磨损判定部，其基于磨损度和阈值来判定磨损，其中，推断部判断基于当前的学习模型的推断是否适当，在判断为不适当的情况下，向动态学习部发送再学习指示，动态学习部当从推断部接收到控制数据时，基于阈值和与在构建当前的学习模型时使用的特征量不同的追加特征量来进行再学习，并更新学习模型。
[0011]当加工方法、刀具、工件等的条件发生变化时，根据特征量推断的磨损度大幅变化。于是，会造成由磨损判定部进行的判定也相对于实际的磨损界限大幅提前或延后。但是，通过在进行推断的同时使用特征量来动态地更新学习模型，无需由专家进行再学习而能够自动地进行机器学习的再学习(泛化性的提高)。
[0012]另外，本专利技术的其它代表性的结构是一种加工机中的刀具的磨损判定装置，其特征在于，具备：传感器，其测定工件或刀具的状态；特征量提取部，其从传感器的输出获取特征量；动态学习部，其基于特征量来构建学习模型；推断部，其基于动态学习部构建的学习模型来进行磨损度的推断；阈值存储部，其存储磨损的阈值；动态阈值设定部，其将由作业员输入的阈值存储到阈值存储部中；以及磨损判定部，其基于磨损度和阈值来判定磨损，其中，推断部判断阈值是否被进行了变更，在判断为阈值被进行了变更的情况下，向动态学习部发送再学习指示，动态学习部当从推断部接收到控制数据时，基于特征量和变更后的阈值来进行再学习，并更新学习模型。
[0013]在以往的机器学习中，需要在推断程序开始之前对阈值的设定进行设定，为了变更阈值，需要暂时停止推断程序，之后重新开始该推断程序。但是，根据上述结构，能够动态地更新阈值，因此无需停止推断程序而能够在作业员侧进行重新设定，能够提高便利性。
[0014]优选的是，传感器是获取刀具或工件的振动加速度来作为该刀具或工件的状态的振动传感器，特征量提取部使用振动加速度来获取特征量。振动加速度对磨损程度的依赖大，而对于其它条件的变化具有鲁棒性，因此作为用于获取特征量的状态量是优选的。
[0015]专利技术的效果
[0016]根据本专利技术，能够提供一种不需要专家就能够自动地进行机器学习的再学习的磨损判定装置。
附图说明
[0017]图1是本实施方式所涉及的磨损判定装置的框图。
[0018]图2是说明磨损判定装置的推断程序的动作的流程图。
[0019]图3是说明特征量的例子的图。
[0020]图4是说明特征量的例子的图。
具体实施方式
[0021]下面，参照附图来详细说明本专利技术的优选的实施方式。上述的实施方式中示出的尺寸、材料、其它具体的数值等只是用于使专利技术易于理解的例示，除了特别说明的情况以外，不是对本专利技术进行限定。此外，在本说明书和附图中，通过对实质上具有相同的功能、结构的要素标注相同的附图标记来省略重复说明，另外，对于与本专利技术没有直接关系的要素，省略图示。
[0022]图1是本实施方式所涉及的磨损判定装置的框图，图2是说明磨损判定装置的推断程序的动作的流程图。
[0023]磨损判定装置100是用于判定对工件20进行加工的加工机10的刀具12的磨损的装置。加工机10是主要进行切削的加工机。对于每一个刀具，假定例如进行100次～150次的加工(加工100个～150个工件)，如果达到磨损界限则更换刀具。针对每一次加工(每一个工件)执行图2的流程图。首先，推断程序判定是否正在进行加工(步骤300)。如果正在进行加工，则由数据获取部120进行数据获取(步骤302)。
[0024]数据获取部120从安装于刀具主轴的传感器110和安装于工件主轴的传感器112得到输出。具体地说，数据获取部120包括放大器、记录器。
[0025]在本实施方式中，传感器110、112是振动传感器。除了振动传感器以外，还可以考虑温度传感器、位移传感器等。然而，温度传感器、位移传感器的值还会由于磨损以外的要素而受到很大影响。与此相对地，振动加速度对磨损程度的依赖大，而对于其它条件的变化具有鲁棒性，因此作为用于获取特征量的状态量是优选的。此外，除了从振动传感器得到的加速度数据以外，还将从NC(Numerical Control：数字控制)得到的刀具主轴及工件主轴的“位置偏差”、“累计电力值”等数据输入到数据获取部，由此能够具有同等的功能。
[0026]特征量提取部130从由传感器110、112获取到的状态量提取特征量并进行累积(步骤304)。在本实施方式中，使用振动加速度来获取特征量。此外，作为能够从振动加速度获取的特征量，能够使用绝对值平均值、RMS(均方根：Root Mean Square)、STFT(短时傅里叶变换：short
‑
time Fouriertransform)、变动的切削力的基本频率(切削刃通过频率)及其高次谐波等。
[0027]接着，推断程序判断是采取实施推断的模式还是采取进行最初的学习(步骤308)的模式(步骤306)。所谓的不实施推断的情况，也即是指尚不存在学习模型的情况。所谓的实施推断的情况，是指已经构建了学习模型的情况。
[0028]在不实施推断的情况(尚不存在学习模型的情况)下，作业员30对磨损界限进行判断，结束一次加工。然后，推断程序使本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种磨损判定装置，是加工机中的刀具的磨损判定装置，其特征在于，具备：传感器，其测定工件或刀具的状态；特征量提取部，其从所述传感器的输出获取特征量；动态学习部，其基于所述特征量来构建学习模型；推断部，其基于所述动态学习部构建的学习模型来进行磨损度的推断；阈值存储部，其存储磨损的阈值；以及磨损判定部，其基于所述磨损度和所述阈值来判定磨损，其中，所述推断部判断基于当前的学习模型的推断是否适当，在判断为不适当的情况下，向所述动态学习部发送再学习指示，所述动态学习部当从所述推断部接收到控制数据时，基于所述阈值和与在构建当前的学习模型时使用的特征量不同的追加特征量来进行再学习，并更新所述学习模型。2.一种磨损判定装置，是加工机中的刀具的磨损判定装置，其特征在于，具备：传感器，其测定工件或刀具的状态；...

【专利技术属性】
技术研发人员：池田淳，古田知康，原岛健走，
申请(专利权)人：株式会社不二越，
类型：发明
国别省市：