申请/专利权人：发那科株式会社

申请日：2018-09-29

公开（公告）日：2021-01-08

公开（公告）号：CN109581962B

主分类号：G05B19/401(20060101)

分类号：G05B19/401(20060101)

优先权：["20170929 JP 2017-191867"]

专利状态码：有效-授权

法律状态：2021.01.08#授权;2020.09.18#实质审查的生效;2019.04.05#公开

摘要：本发明提供一种数值控制系统，检测表示加工运转状态的状态量，根据该状态量生成表征加工运转的状态的特征量，根据该特征量推定针对加工运转的状态的评价值。而且，基于该评价值检测异常状态，并且通过采用了特征量的机器学习来生成并更新学习模型，并将该学习模型与加工运转条件的组合关联起来进行存储。

主权项：1.一种数值控制系统，其检测机床的刀具的磨损或破损状态，所述机床对工件进行加工，其特征在于，所述数值控制系统具备：条件指定部，其指定所述机床的加工运转中的条件；状态量检测部，其检测表示所述机床的加工运转状态的状态量；推定计算部，其根据所述状态量推定针对所述机床的加工运转状态的评价值；异常检测部，其基于所述评价值来检测所述刀具的磨损或破损状态；学习模型生成部，其通过采用了所述状态量的机器学习来生成或更新学习模型；以及学习模型存储部，其将所述学习模型生成部生成的至少一个学习模型与由所述条件指定部指定的条件的组合以及利用条件关联起来进行存储，所述利用条件包含为了使用该学习模型所需的推定处理或处理能力，所述推定计算部基于所述条件指定部指定的加工运转中的条件以及该推定计算部能够执行的推定处理或处理能力，从存储在所述学习模型存储部的学习模型中选择性地使用至少一个学习模型来计算针对所述机床的加工运转状态的评价值。

全文数据：数值控制系统技术领域本发明涉及数值控制系统，尤其涉及切换学习模型来进行机床刀具的磨损折损检测的数值控制系统。背景技术使刀具与工件相对移动来加工工件的机床例如加工中心、车床等中，在加工工件时刀具磨损，另外，根据状况有时齿刀具破损。如果机床用于加工的磨损、破损等的刀具中产生不良状况，则在加工时发生主轴的动作异常，从而对工件的加工精度产生直接影响，因此作业者判断刀具的磨损、破损状态，在刀具磨损、破损状态超出了可允许范围的情况下，进行刀具的更换。作为判断这种刀具磨损、破损状态的现有技术，例如日本特开平11-267949号公报中公开了以下技术：通过摄像照相机检测加工中刀具的温度分布，基于检测到的温度分布图像，使用所谓机器学习器来判断刀具磨损状态。但是，即使想要在加工时基于从外部可观测的信息判断刀具的磨损、破损状态，由于刀具磨损时、破损时从外部观测的加工状态信息根据加工所使用的刀具的种类、工件材质、主轴旋转速度、进给速度等而不同，因此存在下述问题：根据这些各种状况生成可利用的通用机器学习器通用学习模型，需要在各种状况下检测多种状态信息，因此难以实现。发明内容于是，本发明的目的在于提供一种即使在加工工件时机床的运转条件、环境条件不同的情况下，也能较大范围地检测该加工所使用的刀具的异常状态的数值控制系统。本发明的数值控制系统中，通过设置根据加工时的机床的运转条件、环境条件来切换要使用学习模型的机构，来解决上述问题。本发明的数值控制系统具有多个学习模型，根据加工时的机床的运转条件、环境条件从那些多个学习模型中选择一个学习模型，针对该选择出的学习模型，进行基于加工时检测到的状态量的机器学习，另外，如此生成的学习模型根据加工时的机床的运转条件、环境条件而区分使用，进行刀具的异常检测。本发明的一方式提供的数值控制系统，其检测机床的刀具的磨损或破损状态，所述机床对工件进行加工，所述数值控制系统具备：条件指定部，其指定所述机床的加工运转中的条件；状态量检测部，其检测表示所述机床的加工运转状态的状态量；推定计算部，其根据所述状态量推定针对所述机床的加工运转状态的评价值；异常检测部，其基于所述评价值来检测所述刀具的磨损或破损状态；学习模型生成部，其通过采用了所述状态量的机器学习来生成或更新学习模型；以及学习模型存储部，其将所述学习模型生成部生成的至少一个学习模型与由所述条件指定部指定的条件的组合关联起来进行存储。而且，所述推定计算部基于所述条件指定部指定的加工运转中的条件，从存储在所述学习模型存储部的学习模型中选择性地使用至少一个学习模型来计算针对所述机床的加工运转状态的评价值。所述数值控制系统还可具备：特征量生成部，其根据状态量检测部检测出的状态量来生成表征所述机床的加工运转状态的特征量，所述推定计算部根据所述特征量来推定针对所述机床的加工运转状态的评价值，所述学习模型生成部通过采用了所述特征量的机器学习来生成或更新学习模型。所述学习模型生成部可通过对所述学习模型存储部存储的已有学习模型实施变更来生成新的学习模型。所述学习模型存储部可将所述学习模型生成部生成的学习模型加密并存储，在通过所述推定计算部读出学习模型时，将加密的学习模型解码。本发明的其他方式提供的数值控制系统，其检测机床的刀具的磨损或破损状态，所述机床对工件进行加工，所述数值控制系统具备：条件指定部，其指定所述机床的加工运转中的条件；状态量检测部，其检测表示所述机床的加工运转状态的状态量；推定计算部，其根据所述状态量推定针对所述机床的加工运转状态的评价值；异常检测部，其基于所述评价值来检测所述刀具的磨损或破损状态；以及学习模型存储部，其存储预先与所述机床的加工运转中的条件的组合关联起来的至少一个学习模型。而且，所述推定计算部基于所述条件指定部指定的加工运转中的条件，从存储在所述学习模型存储部的学习模型中选择性地使用至少一个学习模型来计算针对所述机床的加工运转状态的评价值。所述数值控制系统还具备：特征量生成部，其根据所述状态量来生成表征所述机床的加工运转状态的特征量，所述推定计算部根据所述特征量来推定针对所述机床的加工运转状态的评价值。本发明的一方式提供的数值控制装置具备所述的条件指定部和状态量检测部。本发明的一方式提供的刀具状态检测方法，执行以下步骤：指定对工件进行加工的机床的加工运转中的条件的步骤；检测表示所述机床的加工运转状态的状态量的步骤；根据所述状态量来推定针对加工运转状态的评价值的步骤；基于所述评价值来检测刀具的磨损或破损状态的步骤；以及通过采用了所述状态量的机器学习来生成或更新学习模型的步骤。而且，在所述推定的步骤中，基于在指定所述条件的步骤中指定的加工运转中的条件，从预先与所述机床的加工运转中的条件的组合关联起来的至少一个所述学习模型中选择要使用的学习模型，使用所选择的学习模型来计算针对所述机床的加工运转状态的评价值。所述刀具状态检测方法中，还执行根据所述状态量生成表征所述机床的加工运转状态的特征量的步骤，在所述推定的步骤中，根据所述特征量来推定针对所述机床的加工运转状态的评价值，另外，在所述的生成或更新学习模型的步骤中，通过采用了所述特征量的机器学习来生成或更新学习模型。本发明的其他方式提供的刀具状态检测方法，执行下述步骤：指定对工件进行加工的机床的加工运转中的条件的步骤；检测表示所述机床的加工运转状态的状态量的步骤；根据所述状态量来推定针对加工运转状态的评价值的步骤；以及基于所述评价值来检测刀具的磨损或破损状态的步骤。而且，在所述推定的步骤中，基于在指定所述条件的步骤中指定的加工运转中的条件，从预先与所述机床的加工运转中的条件的组合关联起来的至少一个学习模型中选择要使用的学习模型，使用所选择的学习模型来计算针对所述机床的加工运转状态的评价值。所述刀具状态检测方法中，还执行根据所述状态量来生成表征所述机床的加工运转状态的特征量的步骤，在所述推定的步骤中，根据所述特征量来推定针对所述机床的加工运转状态的评价值。作为本发明一方式的学习模型集是将多个学习模型分别与机床的加工运转中的条件的组合关联起来而成的，所述多个学习模型分别为使用基于状态量生成的加工运转状态的特征量来生成或更新的学习模型，该状态量表示在所述机床的加工运转中的条件下进行的加工运转的状态，基于对所述机床设定的条件从所述多个学习模型中选择一个学习模型，所选择的学习模型用于推定针对所述机床的加工运转状态的评价值的处理。根据本发明，对于根据加工时的机床的运转条件、环境条件而选择出的学习模型能基于在各条件下检测到的状态量进行机器学习，因此能进行高效的机器学习，另外，使用根据加工时的机床的运转条件、环境条件选择出的学习模型来检测刀具异常，因此刀具的异常检测精度提高。附图说明图1是本发明第一实施方式提供的数值控制系统的概要性功能框图。图2是本发明第二实施方式提供的数值控制系统的概要性功能框图。图3是本发明第三实施方式提供的数值控制系统的概要性功能框图。图4是本发明第四实施方式提供的数值控制系统的概要性功能框图。图5是本发明第五实施方式提供的数值控制系统的概要性功能框图。图6是表示本发明第五实施方式提供的数值控制系统的变形例的概要性功能框图。图7是本发明第六实施方式提供的数值控制系统的概要性功能框图。图8是在图5～图7中的任一个所示的数值控制系统上执行的处理的概要性流程图。图9是在图1～图4中的任一个所示的数值控制系统上执行的处理的概要性流程图。图10是表示本发明的一实施方式提供的数值控制装置以及机器学习装置的主要部位的概要性硬件构成图。具体实施方式图1是第一实施方式提供的数值控制系统1的概要性功能框图。图1所示的各功能块通过构成数值控制系统1的数值控制装置、单元计算机、主机、云服务器等计算机所具备的CPU、GPU等处理器按照各自系统程序控制装置各部分的动作来实现。本实施方式的数值控制系统1至少具备作为状态的观察推定对象的边缘设备的数值控制部100、推定边缘设备的状态的推定处理部200以及存储并管理多个学习模型的学习模型存储部300。该数值控制系统1还具备基于推定处理部200对边缘设备的状态推定出的结果来检测刀具异常的异常检测部400、以及生成并更新存储到学习模型存储部300的学习模型的学习模型生成部500。本实施方式的数值控制部100控制通过执行在未图示的存储器存储的加工程序的程序块来加工工件的机床。数值控制部100例如作为数值控制装置来安装，逐步读出并解析在未图示的存储器存储的加工程序的程序块，基于解析得到的结果算出电动机120在每个控制周期的移动量，按照算出的每个控制周期的移动量来控制电动机120。通过数值控制部100控制的机床具备由电动机120驱动的机构部130，通过驱动该机构部130使刀具与工件相对移动来加工工件。而且，虽然图1中进行了省略，但与机床的机构部130所具备的轴的数量对应地准备电动机120。有时单个机构部由多个电动机驱动。数值控制部100具备的条件指定部110指定数值控制部100以及通过该数值控制部100控制的机床执行的加工运转中的条件加工条件、运转条件、环境条件等。对加工运转设定的条件例如包括加工中所使用的刀具的种类、表示成为加工的对象的工件的硬度、材质等的工件信息、加工工件时的主轴速度、刀具的进给速度等。条件指定部110根据需要对数值控制部100的各部分指定输出作业者经由未图示的输入装置对数值控制部100设定的条件、经由网络等连接的其他计算机对数值控制部100设定的条件、通过加工程序指示的条件、或者通过数值控制部100中另行设置的传感器等设备检测到的条件等，并且将该指定的条件对学习模型存储部300以及学习模型生成部500指定输出。条件指定部110具有将作为边缘设备的数值控制部100的当前加工运转中的条件作为用于选择学习模型的条件通知给数值控制系统1的各部分的功能。数值控制部100具备的状态量检测部140检测基于数值控制部100以及通过该数值控制部100控制的机床的加工运转的状态作为状态量。加工运转的状态量中例如包括主轴的负荷、进给轴的负荷、主轴转速、进给轴速度、振动值。状态量检测部140检测例如驱动数值控制部100、由该数值控制部100控制的机床的机构部130的电动机120中流过的电流值、通过在各部分另行设置的传感器等设备检测到的检测值作为状态量。状态量检测部140检测到的状态量输出到推定处理部200以及学习模型生成部500。推定处理部200观测作为边缘设备的数值控制部100以及通过该数值控制部100控制的机床的状态，并推定基于所观测的结果的数值控制部100的状态加工状态。推定处理部200例如能安装为数值控制装置、单元计算机、主机、云服务器、或者机器学习装置等。推定处理部200具备的特征量生成部210基于状态量检测部140检测出的状态量，生成表示数值控制部100的加工运转的状态特征的特征量。特征量生成部210生成的表示加工运转的状态特征的特征量是作为数值控制部100以及通过该数值控制部100控制的机床执行的加工运转中检测刀具异常时的判断材料而有用的信息。另外，特征量生成部210生成的表示加工运转的状态特征的特征量成为后述推定计算部220进行使用学习模型的推定时的输入数据。特征量生成部210生成的表示加工运转的状态特征的特征量例如可以是对状态量检测部140检测出的主轴负荷在过去预定期间以预定采样周期采样得到的量，另外，也可以是状态量检测部140检测出的电动机120的振动值在过去预定期间内的峰值。特征量生成部210对状态量检测部140检测出的状态量进行预处理并进行正态化以便由推定计算部220进行处理。推定处理部200具备的推定计算部220基于根据当前加工运转中的条件从存储在学习模型存储部300的多个学习模型中选择出的一个学习模型和特征量生成部210生成的特征量，推定数值控制部100以及通过该数值控制部100控制的机床执行的加工运转的状态的评价值。推定计算部220通过在能执行基于机器学习的推定处理的平台适用存储在学习模型存储部300的学习模型来实现。推定计算部220例如可以用于进行使用多层神经网络的推定处理，另外也可以用于进行使用贝叶斯网络、支持向量机、混合高斯模型等作为机器学习而公知的学习算法的推定处理。推定计算部220可以用于进行例如采用有监督学习、无监督学习、强化学习等学习算法的推定处理。另外，推定计算部220可分别执行基于多种学习算法的推定处理。推定计算部220构成机器学习的基于从存储在学习模型存储部300的多个学习模型中选择出的一个学习模型的机器学习器，执行采用特征量生成部210生成的特征量作为该机器学习器的输入数据的推定处理，来推定数值控制部100以及通过该数值控制部100控制的机床执行的加工运转的状态的评价值。作为推定计算部220推定出的结果的评价值可以表示例如当前加工运转状态与正常时的加工运转状态的分布的距离、刀具的磨损量、刀具的破损磨损状态。本实施方式的学习模型存储部300是能存储与通过条件指定部110指定的加工运转中的条件的组合相关联的多个学习模型的功能单元。学习模型存储部300能例如作为数值控制装置、单元计算机、主机、云服务器、数据库服务器等来实现。学习模型存储部300中存储与条件指定部110指定的加工运转中的条件加工条件、运转条件、环境条件等的组合相关联的多个学习模型1、2、……、N。此处所说的加工运转中的条件加工条件、运转条件、环境条件等的组合表示各条件的可取值、值的范围、关于列举值的组合，例如设条件的组合为刀具种类、工件信息、主轴速度、进给速度的组合的情况下，能使用钻具、铝钢铁、主轴速度：500～1000[min-1]、进给速度：200～300[mmmin]作为加工运转中的条件的一个组合。存储在学习模型存储部300的学习模型作为能构成适合推定计算部220的推定处理的一个学习模型的信息来存储。存储在学习模型存储部300的学习模型，在例如是采用多层神经网络的学习算法的学习模型的情况下，能存储为各层的神经元数、各层神经元间的权重参数等，另外，是采用贝叶斯网络的学习算法的学习模型的情况下，能存储为构成贝叶斯网络的节点与节点间的迁移概率等。存储在学习模型存储部300的学习模型可分别为采用相同学习算法的学习模型，另外，可以是采用不同学习算法的学习模型，只要能用于推定计算部220进行的推定处理，可以为采用任何学习算法的学习模型。学习模型存储部300可针对一个加工运转中的条件组合相关联地存储一个学习模型，另外，也可以针对一个加工运转中的条件组合相关联地存储采用2个以上不同学习算法的学习模型。学习模型存储部300可针对该组合范围重叠的多个加工运转中的条件组合分别相关联地存储采用不同学习算法的学习模型。此时，学习模型存储部300针对与加工运转中的条件的组合对应的学习模型，进一步确定所需处理能力、学习算法种类等利用条件，例如针对加工运转中的条件组合，能选择对应于可执行的推定处理、处理能力不同的推定计算部220的学习模型。学习模型存储部300从外部接受包括加工运转中的条件的组合的学习模型的读出写入请求，则读出或者写入与该加工运转中的条件的组合相关联地存储的学习模型。此时，学习模型的读出写入请求中可包括推定计算部220可执行的推定处理、处理能力的信息，该情况下，学习模型存储部300读出或者写入加工运转中的条件的组合以及与推定计算部220可执行的推定处理、处理能力相关联的学习模型。学习模型存储部300可具备针对来自外部的学习模型的读出写入请求，基于由条件指定部110指定的条件，读出或者写入与该条件的组合相关联的学习模型的功能。通过设置这样的功能，没有必要对推定计算部220、学习模型生成部500设置请求基于由条件指定部110指定的条件的学习模型的功能。而且，学习模型存储部300将学习模型生成部500生成的学习模型加密存储，在通过推定计算部220读出学习模型时，可对该加密的学习模型进行解码。异常检测部400基于由推定处理部200推定出的加工运转状态的评价值，检测在数值控制部100以及通过该数值控制部100控制的机床发生的异常。异常检测部400检测与作为推定计算部220输出的推定结果的评价值内容对应的加工运转状态的正常异常。异常检测部400可以在例如当前加工运转状态与正常时的加工运转状态的分布的距离超出了预先确定的阈值的情况下检测为加工运转状态异常，在除此以外的情况下检测为加工运转状态正常。异常检测部400在例如刀具磨损量超过了对每个刀具预先确定的阈值的情况下检测为加工运转状态异常，在除此以外的情况下检测为加工运转状态正常。异常检测部400在检测到加工运转状态为异常的情况下，可通过未图示的显示装置、灯、语音输出装置等对作业者通知加工运转状态异常。另外，异常检测部400在检测到加工运转状态为异常的情况下，也可以指示数值控制部100中断加工。学习模型生成部500基于由条件指定部110指定的加工运转中的条件和由特征量生成部210生成的表示加工运转的状态特征的特征量，进行存储在学习模型存储部300的学习模型的生成以及更新机器学习。学习模型生成部500基于由条件指定部110指定的加工运转中的条件，选择成为生成以及更新的对象的学习模型，针对该选择出的学习模型，进行基于由特征量生成部210生成的表示加工运转的状态特征的特征量的机器学习。在学习模型存储部300中未存储有与由条件指定部110指定的加工运转中的条件的组合相关联的学习模型的情况下，学习模型生成部500新生成与该条件的组合相关联的学习模型，另一方面，在学习模型存储部300中存储有与由条件指定部110指定的加工运转中的条件的组合相关联的学习模型的情况下，学习模型生成部500进行针对该学习模型的机器学习来更新该学习模型。在学习模型存储部300中存储有多个与由条件指定部110指定的加工运转中的条件的组合相关联的学习模型的情况下，学习模型生成部500可针对各个学习模型进行机器学习，另外，也可以基于可由学习模型生成部500执行的学习处理、处理能力，仅对一部分的学习模型进行机器学习。学习模型生成部500也可以对存储在学习模型存储部300的学习模型施加变更，生成新的学习模型。作为学习模型生成部500变更学习模型的例子，具有蒸馏模型的生成。蒸馏模型是指，采用针对向组入了已学习模型的机器学习器的输入而得到的输出，在其他机器学习器中从1开始进行学习而得到的已学习模型。学习模型生成部500能将经过这种工序称作蒸馏工序而得到的蒸馏模型作为新的学习模型而存储在学习模型存储部300中并利用。通常，蒸馏模型的尺寸比原已学习模型小，为了得到与原已学习模型等同的准确度，更适合向经由网络等的其他计算机分发。作为学习模型生成部500变更学习模型的其他例子，具有学习模型的整合。在与加工运转中的条件的组合相关联地存储的2个以上的学习模型的构造类似的情况下，例如，在各权重参数的值为预先确定的预定阈值内的情况下，学习模型生成部500整合与这些学习模型相关联的加工运转中的条件的组合，与其相对应地存储构造类似的2个以上的学习模型的任一个。图2是第二实施方式提供的数值控制系统1的概要性功能框图。本实施方式的数值控制系统1中，各功能模块安装在1台数值控制装置2上。通过这样构成，本实施方式的数值控制系统1使用例如根据安装在数值控制装置2控制的机床的刀具的种类、工件的材质等条件而不同的学习模型来推定加工运转的状态，能检测加工运转的状态异常。另外，能由1台数值控制装置2生成更新与加工运转中的条件对应的各个学习模型。图3是第三实施方式提供的数值控制系统1的概要性功能框图。本实施方式的数值控制系统1中，数值控制部100、推定处理部200以及异常检测部400安装在数值控制装置2上，另外，学习模型存储部300以及学习模型生成部500安装在与数值控制装置2经由标准接口、网络连接的机器学习装置3上。机器学习装置3可安装在单元计算机、主机、云服务器、数据库服务器上。通过这样构成，采用处理较少的已学习模型的推定处理能在数值控制装置2上执行，处理较重的处理的学习模型的生成更新处理在机器学习装置3上执行，因此能不妨碍在数值控制装置2执行的机床的控制处理地运用数值控制系统1。图4是第四实施方式提供的数值控制系统1的概要性功能框图。本实施方式的数值控制系统1中，数值控制部100安装在数值控制装置2上，推定计算部220、学习模型存储部300、学习模型生成部500安装在与数值控制装置2经由标准接口、网络连接的机器学习装置3上。另外，另行准备有异常检测部400。而且，本实施方式的数值控制系统1中，假设状态量检测部140检测的状态量是能直接用于推定计算部220的推定处理、学习模型生成部500的学习模型生成更新处理的数据，省略了特征量生成部210的构成。通过这样构成，采用已学习模型的推定处理以及学习模型的生成更新处理能在机器学习装置3上执行。因此，能不妨碍由数值控制装置2执行的机床的控制处理地运用数值控制系统1。图5是第五实施方式提供的数值控制系统1的概要性功能框图。本实施方式的数值控制系统1中，各功能模块安装在1台数值控制装置2上。而且，本实施方式的数值控制系统1中，学习模型存储部300中已经存储有与加工运转中的条件组合相关联的多个已学习的学习模型，假设不进行学习模型的生成更新，省略了学习模型生成部500的构成。通过这样构成，本实施方式的数值控制系统1能使用根据例如安装在数值控制装置2控制的机床的刀具的种类、工件的材质等条件而不同的学习模型来推定加工运转的状态，检测加工运转的状态异常。另外，由于不随便进行学习模型的更新，因此能作为例如提供给顾客的数值控制装置2的构成而采用。图6是表示第五实施方式提供的数值控制系统1的变形例的概要性功能框图。该变形例的数值控制系统1中，学习模型存储部300安装在与数值控制装置2连接的外部存储器4中。本变形例中，通过将大容量学习模型存储在外部存储器4，能利用多种学习模型，并且由于不经由网络等就能读出学习模型，因此在推定处理需要实时性的情况下有效。图7是第六实施方式提供的数值控制系统1的概要性功能框图。本实施方式的数值控制系统1中，数值控制部100安装在数值控制装置2上，推定计算部220、学习模型存储部300安装在与数值控制装置2经由标准接口、网络连接的机器学习装置3上。机器学习装置3也可以安装在单元计算机、主机、云服务器、数据库服务器上。而且，本实施方式的数值控制系统1中，学习模型存储部300中已经存储有与加工运转中的条件组合相关联的多个已学习的学习模型，假设不进行学习模型的生成更新，省略了学习模型生成部500的构成。另外，本实施方式的数值控制系统1中，假设状态量检测部140检测的状态量是能直接用于推定计算部220的推定处理的数据，省略了特征量生成部210的构成。通过这样构成，本实施方式的数值控制系统1例如使用根据安装在数值控制装置2控制的机床的刀具的种类、工件的材质等条件而不同的学习模型来推定加工运转的状态，能检测加工运转的状态异常。另外，由于不随便进行学习模型的更新，能作为例如提供给顾客的数值控制装置2的构成来采用。图8是本发明的数值控制系统1中执行的处理的概要性流程图。图8所示流程图举例表示不进行数值控制系统1中学习模型的更新情况第五、第六实施方式的处理的流程。[步骤SA01]条件指定部110指定数值控制部100以及通过该数值控制部100控制的机床进行的加工运转的条件。[步骤SA02]状态量检测部140检测数值控制部100以及通过该数值控制部100控制的机床进行的加工运转的状态作为状态量。[步骤SA03]特征量生成部210基于步骤SA02中检测到的状态量，生成表示加工运转状态的特征的特征量。[步骤SA04]推定计算部220从存储在学习模型存储部300的多个学习模型中选择并读出与步骤SA01中指定的加工运转中的条件对应的学习模型，作为用于推定的学习模型。[步骤SA05]推定计算部220基于步骤SA04中读出的学习模型和步骤SA03中生成的特征量，推定加工运转状态的评价值。[步骤SA06]异常检测部400基于步骤SA05中推定的评价值，检测加工运转状态的异常。图9是本发明的数值控制系统1中执行的处理的概要性流程图。图9所示流程图举例表示进行数值控制系统1中学习模型生成更新情况第一～四实施方式的处理的流程。[步骤SB01]条件指定部110指定数值控制部100以及通过该数值控制部100控制的机床进行的加工运转的条件。[步骤SB02]状态量检测部140检测数值控制部100以及通过该数值控制部100控制的机床进行的加工运转的状态作为状态量。[步骤SB03]特征量生成部210基于步骤SB02中检测到的状态量，生成表示加工运转状态的特征的特征量。[步骤SB04]推定计算部220从存储在学习模型存储部300的多个学习模型中选择并读出与步骤SB01中指定的加工运转中的条件对应的学习模型，作为用于推定的学习模型。[步骤SB05]学习模型生成部500判定学习模型存储部300中是否已经生成了与步骤SB01中指定的加工运转中的条件对应的已学习的学习模型。在生成了已学习的学习模型的情况下，处理向步骤SB07转移，在尚未生成已学习的学习模型的情况下，处理向步骤SB06转移。[步骤SB06]学习模型生成部500基于步骤SB03中生成的特征量，生成更新与步骤SB01中指定的加工运转中的条件对应的学习模型，处理向步骤SB01转移。[步骤SB07]推定计算部220基于步骤SB04中读出的学习模型和步骤SB03中生成的特征量，推定加工运转状态的评价值。[步骤SB08]异常检测部400基于步骤SB05中推定的评价值，检测加工运转状态的异常。图10是表示本发明的一实施方式提供的数值控制装置以及机器学习装置的主要部位的概要性硬件构成图。本实施方式提供的数值控制装置2中具备的CPU11是对数值控制装置2进行整体性控制的处理器。CPU11读出保存在ROM12中的系统程序，按照该系统程序来控制数值控制装置2整体。RAM13中暂时保存暂时性计算数据、显示数据、由操作者经由未图示的输入部输入的各种数据等。显示器70由液晶显示装置等构成。显示器70中也能显示表示刀具磨损状况的推定评价值、其履历。作为建议的系统实现方式，能通过阈值判定方式、趋势图判定方式、偏离检测方式等各种方法来得到最终结果，通过将得到该结果的过程的一部分可视化，能给出与实际在生产现场运转机床的作业者对于工业上的直观一致的结果。用于控制机床所具备的轴的轴控制电路30从CPU11接受轴的移动指令量，并输出到伺服放大器40。伺服放大器40接受该指令，驱动使加工机所具备的轴移动的电动机120。轴的电动机120内置有位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈至轴控制电路30，进行位置速度的反馈控制。其中，图1的硬件构成图中，轴控制电路30、伺服放大器40、电动机120分别只示出了一个，而实际上可准备与作为控制对象的加工机所具备的轴相同的数量。接口21是用于连接数值控制装置2与机器学习装置3的接口。机器学习装置3具备同一控制机器学习装置3整体的处理器80、存储有系统程序、学习模型等的ROM81、以及用于进行机器学习涉及的各处理中的暂时性存储的RAM82。机器学习装置3经由接口84以及接口21与数值控制装置2之间进行各种数据的交换。以上说明了本发明的实施方式，但是本发明不仅限定为上述实施方式的例子，通过施加适当的变更能以各种方式来实施。

权利要求：1.一种数值控制系统，其检测机床的刀具的磨损或破损状态，所述机床对工件进行加工，其特征在于，所述数值控制系统具备：条件指定部，其指定所述机床的加工运转中的条件；状态量检测部，其检测表示所述机床的加工运转状态的状态量；推定计算部，其根据所述状态量推定针对所述机床的加工运转状态的评价值；异常检测部，其基于所述评价值来检测所述刀具的磨损或破损状态；学习模型生成部，其通过采用了所述状态量的机器学习来生成或更新学习模型；以及学习模型存储部，其将所述学习模型生成部生成的至少一个学习模型与由所述条件指定部指定的条件的组合关联起来进行存储，所述推定计算部基于所述条件指定部指定的加工运转中的条件，从存储在所述学习模型存储部的学习模型中选择性地使用至少一个学习模型来计算针对所述机床的加工运转状态的评价值。2.根据权利要求1所述的数值控制系统，其特征在于，所述数值控制系统还具备：特征量生成部，其根据状态量检测部检测出的状态量来生成表征所述机床的加工运转状态的特征量，所述推定计算部根据所述特征量来推定针对所述机床的加工运转状态的评价值，所述学习模型生成部通过采用了所述特征量的机器学习来生成或更新学习模型。3.根据权利要求1或2所述的数值控制系统，其特征在于，所述学习模型生成部通过对所述学习模型存储部存储的已有学习模型实施变更来生成新的学习模型。4.根据权利要求1至3中任一项所述的数值控制系统，其特征在于，所述学习模型存储部将所述学习模型生成部生成的学习模型加密并存储，在通过所述推定计算部读出学习模型时，将加密的学习模型解码。5.一种数值控制系统，其检测机床的刀具的磨损或破损状态，所述机床对工件进行加工，其特征在于，所述数值控制系统具备：条件指定部，其指定所述机床的加工运转中的条件；状态量检测部，其检测表示所述机床的加工运转状态的状态量；推定计算部，其根据所述状态量推定针对所述机床的加工运转状态的评价值；异常检测部，其基于所述评价值来检测所述刀具的磨损或破损状态；以及学习模型存储部，其存储预先与所述机床的加工运转中的条件的组合关联起来的至少一个学习模型，所述推定计算部基于所述条件指定部指定的加工运转中的条件，从存储在所述学习模型存储部的学习模型中选择性地使用至少一个学习模型来计算针对所述机床的加工运转状态的评价值。6.根据权利要求5所述的数值控制系统，其特征在于，所述数值控制系统还具备：特征量生成部，其根据所述状态量来生成表征所述机床的加工运转状态的特征量，所述推定计算部根据所述特征量来推定针对所述机床的加工运转状态的评价值。7.一种数值控制装置，其特征在于，具备：权利要求1～6中任一项所述的条件指定部；以及状态量检测部。8.一种刀具状态检测方法，其特征在于，执行以下步骤：指定对工件进行加工的机床的加工运转中的条件的步骤；检测表示所述机床的加工运转状态的状态量的步骤；根据所述状态量来推定针对加工运转状态的评价值的步骤；基于所述评价值来检测刀具的磨损或破损状态的步骤；以及通过采用了所述状态量的机器学习来生成或更新学习模型的步骤，在所述推定的步骤中，基于在指定所述条件的步骤中指定的加工运转中的条件，从预先与所述机床的加工运转中的条件的组合关联起来的至少一个所述学习模型中选择要使用的学习模型，使用所选择的学习模型来计算针对所述机床的加工运转状态的评价值。9.根据权利要求8所述的刀具状态检测方法，其特征在于，所述刀具状态检测方法还执行根据所述状态量生成表征所述机床的加工运转状态的特征量的步骤，在所述推定的步骤中，根据所述特征量来推定针对所述机床的加工运转状态的评价值，在所述的生成或更新学习模型的步骤中，通过采用了所述特征量的机器学习来生成或更新学习模型。10.一种刀具状态检测方法，其特征在于，执行下述步骤：指定对工件进行加工的机床的加工运转中的条件的步骤；检测表示所述机床的加工运转状态的状态量的步骤；根据所述状态量来推定针对加工运转状态的评价值的步骤；以及基于所述评价值来检测刀具的磨损或破损状态的步骤，在所述推定的步骤中，基于在指定所述条件的步骤中指定的加工运转中的条件，从预先与所述机床的加工运转中的条件的组合关联起来的至少一个学习模型中选择要使用的学习模型，使用所选择的学习模型来计算针对所述机床的加工运转状态的评价值。11.根据权利要求10所述的刀具状态检测方法，其特征在于，所述刀具状态检测方法还执行根据所述状态量来生成表征所述机床的加工运转状态的特征量的步骤，在所述推定的步骤中，根据所述特征量来推定针对所述机床的加工运转状态的评价值。12.一种学习模型集，其是将多个学习模型分别与机床的加工运转中的条件的组合关联起来而成的，其特征在于，所述多个学习模型分别为使用基于状态量生成的加工运转状态的特征量来生成或更新的学习模型，该状态量表示在所述机床的加工运转中的条件下进行的加工运转的状态，基于对所述机床设定的条件从所述多个学习模型中选择一个学习模型，所选择的学习模型用于推定针对所述机床的加工运转状态的评价值的处理。

百度查询： 发那科株式会社 数值控制系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD