[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

目前，在控制机床的数控装置(NC(Numerical Control)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)。在该专利文献1的学习方法中，在实际加工时，输入与对加工条件数据产生影响的加工重要因素相关的数据，使用神经网络运算该加工条件数据的补正量。再评价神经网络的输出即补正量，该评价结果，在修正了补正量时，将该修正值作为教师数据而与此时的神经网络的输入数据一同存储于存储装置。然后，根据所存储的输入数据和教师数据，在与进行加工控制的NC装置不同的其它装置上，通过脱机学习神经网络的结合系数。

另外，目前，提出了一种NC装置，基于数值控制程序的指令和位置反馈信号进行位置控制，上述NC装置具有空动补正功能，该空洞补正功能具备多层神经网络型推理单元、空动补正量计算单元、以及结合加权系数计算单元(例如，日本专利第2768569号公报：专利文献2)。在多层神经网络型推理单元中，向输入层输入在机械运转时按需测量的速度、位置以及轴润滑状态的测量数据，从输出层输出基于输入数据推定运算而得到的空动量或空动系数。另外，空动补正量计算单元基于从多层神经网络型推理单元输出的空动量或空动系数计算空动补正量。进一步地，结合加权系数计算单元将预先测量出的速度、位置以及轴润滑状态的空动测量条件数据和该测量条件下的空动测量量作为教师数据，根据教师数据计算多层神经网络型推理单元内的各层间的结合加权系数。

而且，目前，提出了一种加工中心，用于金属模具加工等，该加工中心具有：对加工所需的数据进行处理的数据处理单元；以及基于由该数据处理单元处理过的数据控制加工中心的控制单元(例如，日本特开平10－034496号公报：专利文献3)。加工中心还具有计量工具的旋转偏量的计量单元、观察工具的前端的观察单元、以及检测工具的异常振动的振动检测单元，数据处理单元使通过计量单元、观察单元以及振动检测单元而探测到的工具的状态和执行工具的NC程序按照该NC程序的行号水平相对应，进行加工所需的数据的处理。

如上所述，在NC装置中，提出了能够检测例如因机械的碰撞、车刀(刃具)的不良、或损坏等而产生的异常的负载转矩的技术，但是，负载转矩由于切削速度、切入量等各种重要因素而变动，因此难以求出用于判断为异常的负载转矩的阈值。

在此，在上述的专利文献1中，评价对象为补正量，另外，在专利文献2中，输出为速度、位置，输出为空动量，双方均不是求出用于判断为异常的负载转矩的阈值的技术文献。进一步地，专利文献3的目的为检测异常振动，因此也不是求出用于判断为异常的负载转矩的阈值的技术文献。