JP2018025936A - Machine tool - Google Patents
Machine tool Download PDFInfo
- Publication number
- JP2018025936A JP2018025936A JP2016156772A JP2016156772A JP2018025936A JP 2018025936 A JP2018025936 A JP 2018025936A JP 2016156772 A JP2016156772 A JP 2016156772A JP 2016156772 A JP2016156772 A JP 2016156772A JP 2018025936 A JP2018025936 A JP 2018025936A
- Authority
- JP
- Japan
- Prior art keywords
- data
- damage level
- normal
- tool
- damage
- 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
Images
Landscapes
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
Description
本発明は、回転工具の異常を検知する工作機械に関する。 The present invention relates to a machine tool that detects an abnormality of a rotary tool.
図2は、従来技術の一形態を表すブロック図である。
正常データ前処理部11は、正常加工時の主軸負荷時系列データNDを入力し、一定区間(たとえば工具1回転毎のデータ)を1まとまりとするデータNRに変換する。正常データ学習部12は、一定区間のデータNRを入力し、それが多層パーセプトロンの出力と一致するようにオートエンコーダあるいは変分オートエンコーダで学習し、正常データモデルNMを構築する。実データ前処理部31は、実加工時の主軸負荷時系列データRDを入力し、一定区間のデータを1まとまりとするデータRRに変換する。実データ異常スコア計算部32は、実データ前処理部31で変換した、一定区間のデータRRを、正常データ学習部12で構築した正常データモデルに入力し、出力と入力との差分の最大値あるいは平均値を異常スコアRSとして出力する。ここで、異常スコアを計算する毎に異常スコアの大きさに応じてオンライン学習を行うこともある。異常処理実行部36は、異常スコアRSが正常時の異常スコアを越えたら、アラームを表示する、工具を退避する、あるいは機械を停止するなどの処理を実行する。
FIG. 2 is a block diagram illustrating an embodiment of the prior art.
The normal data preprocessing
しかしながら、上記従来の形態では、ユーザが未だ削れると見なすレベルの工具損傷であっても、実データの異常スコアが正常データの異常スコアを超えると、異常処理を行ってしまう。したがって、必要以上に早い時期に新しい工具に交換しなければならなくなる等、コストの点で問題があった。 However, in the above-described conventional form, even if the tool damage is at a level that the user still considers to be scraped, if the abnormal score of the actual data exceeds the abnormal score of the normal data, an abnormal process is performed. Therefore, there was a problem in terms of cost, such as having to replace with a new tool at an earlier time than necessary.
そこで、本発明は、上記問題に鑑みなされたものであって、コストの低減を図ることができる工作機械を提供しようとするものである。 Therefore, the present invention has been made in view of the above problems, and an object of the present invention is to provide a machine tool capable of reducing the cost.
上記目的を達成するために、本発明のうち請求項1に記載の発明は、回転工具の異常を検知する工作機械であって、加工正常時に採取した時系列データを一定区間のデータを1まとまりとするデータに変換する正常データ前処理手段と、前加工正常時の一定区間毎のデータを1まとまりとするデータから教師無し学習により、実加工時のデータが正常時のデータとどれほど離れているかを計算できるモデルを構築する正常データ学習手段と、工具の損傷レベルを鑑定するために採取した鑑定データから一定区間毎のデータを1まとまりとするデータに変換する鑑定データ前処理手段と、前鑑定データの一定区間毎のデータを1まとまりとするデータを前正常データモデルに入力し、出力と入力の差分に基づき異常スコアとして出力する鑑定データ異常スコア計算手段と、1回の加工後に工具の損傷状態を有限個の損傷レベルに割り当てる損傷レベル鑑定手段と、前鑑定データを一定区間毎のデータを1まとまりとするデータに変換したデータを入力とし、前損傷レベルを教師入力として学習したモデルを構築する損傷レベル学習手段と、実加工時に採取した時系列データを一定区間毎のデータを1まとまりとするデータに分割する実データ前処理手段と、前実加工時の一定区間毎のデータを前正常データモデルに入力し、出力と入力の差分に基づき異常スコアとして出力する実データ異常スコア計算手段と、前損傷レベル学習モデルに前実データの異常スコアを入力して損傷レベルを出力する損傷レベル計算手段と、所望の異常処理を、それぞれ損傷レベルがいくつになったら実行するかを設定する異常処理切替実行手段と、前損傷レベルに応じて異常処理を実行する異常処理切替実行手段とを具備したことを特徴とする。
請求項2に記載の発明は、請求項1に記載の発明において、異常スコアとして、出力と入力の差分の最大値あるいは平均値を用いることを特徴とする。
In order to achieve the above object, the invention according to claim 1 of the present invention is a machine tool for detecting an abnormality of a rotary tool, and time series data collected during normal processing is grouped with data of a certain section. Normal data pre-processing means to convert to the data to be, and how far the data at the time of actual machining is different from the data at the time of normal by unsupervised learning from data that is a set of data for each fixed section at the time of normal pre-processing Normal data learning means for constructing a model capable of calculating the value, appraisal data preprocessing means for converting the data for each predetermined section into data that is collected as a unit from the appraisal data collected to appraise the damage level of the tool, and pre-appraisal Appraisal data is input to the pre-normal data model as a set of data for each fixed section of data, and output as an abnormal score based on the difference between the output and the input. Data obtained by converting the pre-assessment data into data that is a set of data for each predetermined section, and a damage level judgment means for assigning the damage state of the tool to a finite number of damage levels after one machining. Damage level learning means for constructing a model that has been learned using the previous damage level as a teacher input, and actual data preprocessing means for dividing the time-series data collected during actual machining into data that is a set of data for each predetermined section And the actual data abnormality score calculation means for inputting the data for each predetermined section at the time of the previous actual machining to the previous normal data model and outputting as an abnormal score based on the difference between the output and the input, and the previous actual data in the previous damage level learning model Damage level calculation means to input damage score and output damage level, and execute desired abnormality processing at each damage level And abnormality processing switching execution means for setting a Luke, characterized by comprising an abnormality processing switching execution means for executing the abnormality processing according to pre-injury levels.
The invention according to claim 2 is characterized in that, in the invention according to claim 1, the maximum value or the average value of the difference between the output and the input is used as the abnormality score.
本発明によれば、ユーザ・状況に応じて工具をできるだけ長く使用でき、コストを低減することができる。 According to the present invention, the tool can be used as long as possible according to the user and the situation, and the cost can be reduced.
図1は、本発明の一実施例のブロック図である。
正常データ前処理部11、正常データ異常スコア学習部12、実データ前処理部31、実データ異常スコア計算部32は、従来技術と同様である。ただし、正常データと実データとして主軸負荷を例に挙げているが、主軸速度、振動加速度などその他のデータを用いてもよい。
FIG. 1 is a block diagram of an embodiment of the present invention.
The normal data preprocessing
鑑定データ前処理部21は、工具の損傷レベルを鑑定するために採取したデータTDを入力し、工具1回転毎のデータを1まとまりとするデータTRに変換する。
鑑定データ異常スコア計算部22は、鑑定データ前処理部21で変換した工具1回転毎のデータTRを、正常データ異常スコア学習部12で構築した正常データモデルNMに入力し、出力と入力の差分の最大値あるいは平均値を異常スコアTSとして出力する。ここで、異常スコアを計算する毎に異常スコアの大きさに応じてオンライン学習を行っても良い。
The appraisal data pre-processing
The appraisal data abnormality
損傷レベル鑑定部23は、1回の加工終了後に人が工具を詳しく観察する、画像データあるいは形状測定器などで定量化して、例えば10段階に分割された工具損傷レベルのいずれに相当するか判断し、その損傷レベルTLを割り当てる。ここで、工具に複数の刃が付いている場合、損傷レベルTLとして、最も損傷した刃のレベルとしても、全ての刃の損傷レベルの合計としてもよい。
The damage
損傷レベル学習部24は、異常スコアTSを入力データ、損傷レベルTLを教師データとしてニューラルネットワークで学習し、損傷レベルモデルLMを構築する。
損傷レベル計算部33は、実データ異常スコア計算部32から入力した異常スコアRSを、損傷レベル学習部24で構築した損傷レベルモデルLMに入力し、損傷レベルRLを出力する。
The damage
The damage
異常処理設定部34は、アラームを表示する、工具を退避する、機械を停止するなどの異常処理を、それぞれ損傷レベルがいくつになったら実行するかの情報ASをユーザが設定する。
異常処理切替実行部35は、損傷レベル計算部33から入力した損傷レベルRLと異常処理設定部34で設定された情報ASに基づいて設定された異常処理を実行する。
In the abnormal
The abnormality process switching
11・・正常時の主軸負荷時系列データの前処理部、12・・正常時の主軸負荷時系列データの学習部、21・・鑑定時の主軸負荷時系列データの前処理部、22・・鑑定時の主軸負荷時系列データの異常スコア計算部、23・・工具損傷レベル鑑定部、24・・工具損傷レベル学習部、31・・実加工時の主軸負荷時系列データの前処理部、32・・実加工時の主軸負荷時系列データの異常スコア計算部、33・・工具損傷レベル計算部、34・・異常処理設定部、35・・異常処理切替実行部、36・・異常処理実行部、ND・・正常加工時の主軸負荷時系列データ、NR・・正常加工時の工具1回転毎のデータを1まとまりとするデータ、NM・・正常データモデル、TD・・工具の損傷レベルを鑑定するために採取したデータ、TR・・TDを工具1回転毎のデータを1まとまりとするデータ、TL・・鑑定時の工具損傷レベル、LM・・損傷レベルモデル、RD・・実加工時の主軸負荷時系列データ、RR・・実加工時の工具1回転毎のデータを1まとまりとするデータ、RS・・実加工時の正常データモデルの出力と入力との差分の最大値あるいは平均値、RL・・実加工時の工具損傷レベル、AS・・各異常処理をそれぞれ損傷レベルがいくつになったら実行するかの情報。 11. Pre-processing unit for spindle load time-series data at normal time, 12.-learning unit for spindle load time-series data at normal time, 21.-Pre-processing unit for spindle load time-series data at appraisal, 22.- Anomaly score calculation unit of spindle load time series data at the time of appraisal, 23... Tool damage level appraisal unit, 24 .. Tool damage level learning unit, 31... Preprocessing unit of spindle load time series data at actual machining, 32 ..Score load time series data anomaly score calculation unit during actual machining, 33..Tool damage level calculation unit, 34..Abnormal process setting unit, 35..Abnormal process switching execution unit, 36..Abnormal process execution unit , ND ... Spindle load time series data during normal machining, NR ... Data for each rotation of tool during normal machining, NM ... Normal data model, TD ... Tool damage level Data collected for the purpose, TR・ Data for TD as a group of data per tool rotation, TL ・ ・ Tool damage level at appraisal, LM ・ ・ Damage level model, RD ・ ・ Main spindle load time series data during actual machining, RR ・ ・ Real Data that collects data for each rotation of the tool at the time of machining, RS ··· Maximum or average value of difference between normal data model output and input at actual machining, RL · · Tool damage level at actual machining , AS ... Information about how much damage level each abnormal process will be executed.
Claims (2)
加工正常時に採取した時系列データを一定区間のデータを1まとまりとするデータに変換する正常データ前処理手段と、
前加工正常時の一定区間毎のデータを1まとまりとするデータから教師無し学習により、実加工時のデータが正常時のデータとどれほど離れているかを計算できるモデルを構築する正常データ学習手段と、
工具の損傷レベルを鑑定するために採取した鑑定データから一定区間毎のデータを1まとまりとするデータに変換する鑑定データ前処理手段と、
前鑑定データの一定区間毎のデータを1まとまりとするデータを前正常データモデルに入力し、出力と入力の差分に基づき異常スコアとして出力する鑑定データ異常スコア計算手段と、
1回の加工後に工具の損傷状態を有限個の損傷レベルに割り当てる損傷レベル鑑定手段と、
前鑑定データを一定区間毎のデータを1まとまりとするデータに変換したデータを入力とし、前損傷レベルを教師入力として学習したモデルを構築する損傷レベル学習手段と、
実加工時に採取した時系列データを一定区間毎のデータを1まとまりとするデータに分割する実データ前処理手段と、
前実加工時の一定区間毎のデータを前正常データモデルに入力し、出力と入力の差分に基づき異常スコアとして出力する実データ異常スコア計算手段と、
前損傷レベル学習モデルに前実データの異常スコアを入力して損傷レベルを出力する損傷レベル計算手段と、
所望の異常処理を、それぞれ損傷レベルがいくつになったら実行するかを設定する異常処理切替実行手段と、
前損傷レベルに応じて異常処理を実行する異常処理切替実行手段とを具備したことを特徴とする工作機械。 A machine tool for detecting abnormalities in rotating tools,
Normal data preprocessing means for converting time-series data collected during normal processing into data that is a set of data in a certain section;
Normal data learning means for constructing a model that can calculate how far the data at the actual processing is from the data at the normal processing by unsupervised learning from the data that is a set of data for each predetermined section at the time of normal preprocessing,
Appraisal data preprocessing means for converting the data for each predetermined section from the appraisal data collected in order to appraise the damage level of the tool,
Appraisal data abnormality score calculation means for inputting data that is a set of data for each predetermined section of the pre-examination data to the pre-normal data model and outputting as an abnormal score based on the difference between the output and the input,
A damage level appraisal means for assigning the damage state of the tool to a finite number of damage levels after one machining;
Damage level learning means for constructing a model in which the pre-assessment data is converted into data that is a set of data for each predetermined section as input and the previous damage level is learned as a teacher input;
Real data pre-processing means for dividing time series data collected at the time of actual processing into data that is a set of data for each predetermined section;
Actual data abnormality score calculation means for inputting data for each predetermined section at the time of previous actual machining to the previous normal data model, and outputting as an abnormal score based on the difference between the output and the input,
A damage level calculation means for inputting the abnormal score of the previous actual data to the previous damage level learning model and outputting the damage level;
An abnormal process switching execution means for setting the number of damage levels at which each of the desired abnormal processes is executed;
What is claimed is: 1. A machine tool comprising abnormality process switching execution means for executing an abnormality process according to a previous damage level.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016156772A JP2018025936A (en) | 2016-08-09 | 2016-08-09 | Machine tool |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016156772A JP2018025936A (en) | 2016-08-09 | 2016-08-09 | Machine tool |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018025936A true JP2018025936A (en) | 2018-02-15 |
JP2018025936A5 JP2018025936A5 (en) | 2019-06-13 |
Family
ID=61194154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016156772A Pending JP2018025936A (en) | 2016-08-09 | 2016-08-09 | Machine tool |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018025936A (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109382702A (en) * | 2018-11-06 | 2019-02-26 | 重庆大学 | A kind of chain digital control gear hobbing machine rolling blade losing efficacy form automatic identifying method |
WO2019240038A1 (en) * | 2018-06-13 | 2019-12-19 | 日本電信電話株式会社 | Detection device and detection method |
DE102021213200A1 (en) | 2020-11-25 | 2022-05-25 | Okuma Corporation | Method for identifying a data set of a supervised learning machine, supervised learning machine and state estimation device |
WO2023145623A1 (en) * | 2022-01-28 | 2023-08-03 | 三菱重工航空エンジン株式会社 | Tool damage probability estimation device, tool damage probability estimation method, and program |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06170696A (en) * | 1991-04-18 | 1994-06-21 | Texas Instr Inc <Ti> | System and method for using real time expert system for diagnosing tool life and predicted tool wear |
JP2008137102A (en) * | 2006-11-30 | 2008-06-19 | Matsushita Electric Works Ltd | Machine tool observation device |
-
2016
- 2016-08-09 JP JP2016156772A patent/JP2018025936A/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06170696A (en) * | 1991-04-18 | 1994-06-21 | Texas Instr Inc <Ti> | System and method for using real time expert system for diagnosing tool life and predicted tool wear |
JP2008137102A (en) * | 2006-11-30 | 2008-06-19 | Matsushita Electric Works Ltd | Machine tool observation device |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019240038A1 (en) * | 2018-06-13 | 2019-12-19 | 日本電信電話株式会社 | Detection device and detection method |
JP2019215757A (en) * | 2018-06-13 | 2019-12-19 | 日本電信電話株式会社 | Detector and detection method |
JP7014054B2 (en) | 2018-06-13 | 2022-02-01 | 日本電信電話株式会社 | Detection device and detection method |
AU2019287212B2 (en) * | 2018-06-13 | 2022-07-14 | Nippon Telegraph And Telephone Corporation | Detection device and detection method |
US11563654B2 (en) | 2018-06-13 | 2023-01-24 | Nippon Telegraph And Telephone Corporation | Detection device and detection method |
CN109382702A (en) * | 2018-11-06 | 2019-02-26 | 重庆大学 | A kind of chain digital control gear hobbing machine rolling blade losing efficacy form automatic identifying method |
DE102021213200A1 (en) | 2020-11-25 | 2022-05-25 | Okuma Corporation | Method for identifying a data set of a supervised learning machine, supervised learning machine and state estimation device |
WO2023145623A1 (en) * | 2022-01-28 | 2023-08-03 | 三菱重工航空エンジン株式会社 | Tool damage probability estimation device, tool damage probability estimation method, and program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6450738B2 (en) | Machine learning device, CNC device, and machine learning method for detecting sign of occurrence of tool vibration in machine tool | |
JP6404893B2 (en) | Tool life estimation device | |
JP2018025936A (en) | Machine tool | |
Painuli et al. | Tool condition monitoring using K-star algorithm | |
CN105651376B (en) | The analysis of mechanical equipment off-line checking system vibration signals spectrograph and alarm method | |
TWI472402B (en) | Tool flutter monitoring method | |
CN106020116A (en) | Robot controller capable of performing fault diagnosis of robot | |
CN113834657A (en) | Bearing fault early warning and diagnosis method based on improved MSET and frequency spectrum characteristics | |
JP6752866B2 (en) | Cutting tool condition inspection system and method | |
JP2018119924A (en) | Diagnostic device | |
JP6308591B2 (en) | Monitoring device, monitoring method, and program | |
JP2021015573A (en) | Abnormality determination device and abnormality determination system | |
CN115453356B (en) | Power equipment operation state monitoring and analyzing method, system, terminal and medium | |
JP2018025936A5 (en) | ||
KR20190081933A (en) | Method for sensing and diagnosing abnormality of manufacture equipment | |
US20190228636A1 (en) | Vibrational analysis systems and methods | |
CN108984865A (en) | A kind of analysis method for reliability of gear | |
JPWO2020148904A1 (en) | Anomaly detection devices, anomaly detection systems and learning devices, and their methods and programs | |
JP7368189B2 (en) | Analysis equipment | |
CN110411724B (en) | Rotary machine fault diagnosis method, device and system and readable storage medium | |
CN114227378B (en) | Clamp state detection method and device, terminal and storage medium | |
CN110083804B (en) | Wind power plant SCADA data missing intelligent repairing method based on condition distribution regression | |
Medina et al. | Poincaré plot features from vibration signal for gearbox fault diagnosis | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
CN108537174B (en) | Online monitoring method and system for running state of rotating machinery under time-varying working condition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190426 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200204 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200804 |