切削液供给定时控制装置以及机器学习装置的制作方法

本发明涉及切削液供给定时控制装置以及机器学习装置，尤其涉及通过程序块预读控制切削液的供给定时的切削液供给定时控制装置以及机器学习装置。

背景技术：

进行切削加工时，为了进行稳定的加工，需要对切削点适当供给切削液。但是，在供给切削液的电动机或者电磁阀远离切削点的情况下，从加工程序中的切削液供给指令起到实际排出切削液、切削液被提供到切削点为止产生延迟，存在加工以未施加切削液的状态开始的情况。

为了防止这样的问题，主要采取在远早于切削开始之前指示程序中的切削液供给指令，或者一直供给切削液的方法。另外，作为改善切削液供给延迟的现有技术，例如在日本特开2003-068680号公报中公开了通过在加工液喷嘴附近设置止回阀来解决加工液喷射延迟的技术。

但是，在远早于切削开始之前进行指示的方法和一直供给切削液的方法中，由于实际上在加工开始之前供给切削液，因此不仅浪费切削液，而且供给切削液的泵的工作时间增长，也会消耗更多电力。另外，以日本特开2003-068680号公报中公开的技术虽然某种程度能解决加工液喷射延迟，但是需要在供给切削液的所有设备设置止回阀，另外，作为物理结构的止回阀需要维修，因此存在成本增加的问题。

技术实现要素：

因此，本发明的目的在于提供一种不浪费切削液、电力等，能配合加工定时供给切削液的切削液供给定时控制装置以及机器学习装置。

本发明的切削液供给定时控制装置提供以下功能：通过加工程序的程序块预读，计算切削液供给指令时刻，早于指令执行开始切削液供给控制，以便在指令时刻对切削点供给切削液。向切削点供给切削液的供给延迟时间通过作业者目测进行的手动设定、或者通过设置在切削液排出口附近的流量传感器、供给切削液的电动机的负荷(随着路径上充满切削液，负荷上升)、视觉摄像机等进行的自动设定、或者它们的组合来给定。利用机器学习进行切削液供给定时的自动设定。

本发明的一方式提供的切削液供给定时控制装置推定切削液供给装置的切削液的供给定时，该切削液供给装置对加工位置供给切削液，所述切削液供给定时控制装置具备机器学习装置，该机器学习装置学习针对所述切削液供给装置的运转状态的所述切削液的供给定时的推定。而且，所述机器学习装置具备：状态观测部，其观测与所述切削液供给装置的运转状态有关的运转状态数据作为表示环境的当前状态的状态变量；标签数据获取部，其获取表示所述切削液的供给定时的供给定时数据作为标签数据；以及学习部，其使用所述状态变量和所述标签数据，将所述运转状态数据与所述供给定时数据关联起来进行学习。

所述学习部具备：误差计算部，其计算根据所述状态变量推定所述切削液的供给定时的相关性模型与从预先准备的监督数据识别的相关性特征的误差；以及模型更新部，其以缩小所述误差的方式更新所述相关性模型。

所述学习部能以多层构造运算所述状态变量和所述标签数据。

所述切削液供给定时控制装置还具备：推定结果输出部，其基于所述学习部的学习结果，输出所述切削液的供给定时的推定结果。

所述机器学习装置能存在于云服务器。

本发明的一方式提供的机器学习装置学习针对切削液供给装置的运转状态的所述切削液的供给定时的推定，该切削液供给装置对加工位置供给切削液。该机器学习装置具备；状态观测部，其观测与所述切削液供给装置的运转状态有关的运转状态数据作为表示环境的当前状态的状态变量；标签数据获取部，其获取表示所述切削液的供给定时的供给定时数据作为标签数据；以及学习部，其使用所述状态变量和所述标签数据，将所述运转状态数据与所述供给定时数据关联起来进行学习。

根据本发明，无需生成考虑了切削液的排出延迟的程序，能实现稳定的加工。另外，通过适当停止电动机能减少消耗电力，在切削液供给停止时也适用同样的控制，从而能减少消耗电力。

附图说明

图1是一实施方式提供的切削液供给定时控制装置的概要性硬件结构图。

图2是一实施方式提供的切削液供给定时控制装置的概要性功能框图。

图3是表示切削液供给定时控制装置的一个方式的概要性功能框图。

图4a是说明神经元的图。

图4b是说明神经网络的图。

图5是表示组入了切削液供给定时控制装置的系统的一个方式的概要性功能框图。

具体实施方式

图1是表示第一实施方式提供的切削液供给定时控制装置的主要部位的概要性硬件结构图。

切削液供给定时控制装置1例如能安装为控制制造机械的控制装置。另外，切削液供给定时控制装置1能安装为与控制制造机械的控制装置一并设置的计算机、与控制制造机械的控制装置经由网络连接的单元计算机、主机、云服务器等计算机。图1表示的是将切削液供给定时控制装置1安装为与控制制造机械的控制装置一并设置的计算机的情况的例子。

本实施方式提供的切削液供给定时控制装置1中具备的cpu11是对切削液供给定时控制装置1进行整体控制的处理器。cpu11经由总线20读出保存在rom12中的系统程序，按照该系统程序控制切削液供给定时控制装置1整体。ram13中暂时保存暂时性的计算数据、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。

非易失性存储器14例如构成为通过未图示的电池进行备份等，即使切削液供给定时控制装置1的电源被切断也保持存储状态的存储器。该非易失性存储器14中存储由控制制造机械的控制装置3、作为其周边装置的切削液供给装置2、从未图示的机器人获取的各种数据(例如，经由接口19从控制装置3获取的控制装置3正在执行的加工程序、安装在制造机械的传感器的检测值、经由接口18获取的切削液供给装置2的运转状态、罐(tank)内的切削液的量、泵压、由安装在未图示的机器人的照相机得到的影像等)等。存储在非易失性存储器14中的各种数据可以在利用时在ram13中展开。另外，rom12中预先写入有切削液供给定时控制装置1的动作所需的各种系统程序(包括用于控制与机器学习装置100的交换的系统程序)。

显示装置70是用于显示经由接口17输出的表示切削液供给定时控制装置1、切削液供给装置2等的状态的文本、图像的装置，可利用液晶显示器等。

接口21是用于连接切削液供给定时控制装置1与机器学习装置100的接口。机器学习装置100具备统一控制机器学习装置100整体的处理器101、存储有系统程序等的rom102、用于进行涉及机器学习的各处理中的暂时性存储的ram103、以及用于学习模型等的存储的非易失性存储器104。机器学习装置100经由接口21能观测在切削液供给定时控制装置1可获取的各信息(例如，控制装置3执行的加工程序的程序块、安装在制造机械的传感器的检测值、切削液供给装置2的运转状态、罐内的切削液的量、泵压，由安装在机器人的照相机得到的影像等)。另外，切削液供给定时控制装置1基于从机器学习装置100输出的值，进行切削液供给定时的控制等。

图2是第一实施方式提供的切削液供给定时控制装置1和机器学习装置100的概要性功能框图。

图2所示的各功能模块通过图1所示的切削液供给定时控制装置1所具备的cpu11以及机器学习装置100的处理器101执行各自的系统程序，控制切削液供给定时控制装置1以及机器学习装置100各部分的动作来实现。

该切削液供给定时控制装置1具备指令解析部32以及控制部34，指令解析部32读出从控制装置3获取到的加工程序的程序块并生成用于后述的控制部34的控制的数据，控制部34基于从指令解析部32输出的控制用数据和从机器学习装置100输出的切削液供给定时的推定结果来控制制造机械及其作为其周边装置的切削液供给装置2。

指令解析部32解析从控制装置3获取到的加工程序的程序块，生成用于控制部34控制制造机械的控制用数据，并且针对控制装置3的执行预读从控制装置3获取到的加工程序的程序块，若发现切削液供给指令(例如，m代码的m08等)，则向机器学习装置100指令推定基于该切削液供给指令的切削液供给的定时(使泵运转的定时)。

另一方面，切削液供给定时控制装置1所具备的机器学习装置100包括用于通过所谓机器学习来主动学习针对切削液供给装置2的运转状态推定切削液供给定时的软件(学习算法等)以及硬件(处理器101等)。切削液供给定时控制装置1所具备的机器学习装置100所学习的内容相当于表示切削液供给装置2的运转状态与切削液的供给定时的相关性的模型构造。

如图2中功能模块所示，切削液供给定时控制装置1所具备的机器学习装置100具备状态观测部106、标签数据获取部108、学习部110以及推定结果输出部122，状态观测部106观测表示切削液供给装置2运转状态的运转状态数据s1作为表示环境的当前状态的状态变量s，标签数据获取部108获取包括表示切削液的供给定时的供给定时数据l1的标签数据l，学习部110使用状态变量s和标签数据l将切削液供给装置2的运转状态与切削液的供给定时关联起来进行学习，推定结果输出部122输出使用学习部110的已学习模型从切削液供给装置2的运转状态推定出的切削液的供给定时。

在学习部110进行学习时，状态观测部106从非易失性存储器14获取作为状态变量s的运转状态数据s1。另外，在使用学习部110的学习结果推定切削液的供给定时时，状态观测部106从切削液供给装置2获取作为状态变量s的运转状态数据s1(当然，也可经由非易失性存储器14获取)。

状态观测部106所观测的状态变量s中，运转状态数据s1例如能作为涉及切削液供给装置2对切削液的供给状况的数据的集合来获取。涉及切削液供给装置2对切削液的供给状况的数据包括例如从停止上次供给切削液的供给(关闭泵或者关闭阀)起经过的时间、上次供给切削液时的泵压等。如果是有关切削液供给装置2对切削液的供给的数据，该运转状态数据s1能使用对应于各切削液供给装置2的运转环境的各种数据。运转状态数据s1中包含的涉及各自运转状态的数据例如可以是单一数值，也可以是对预定期间中变化的值以预定周期采样得到的值的序列。

在学习部110进行学习时，标签数据获取部108基于存储在非易失性存储器14中的数据算出涉及切削液的供给定时的供给定时数据l1，作为标签数据l。例如，基于从控制部34对切削液供给装置2指令供给切削液后实际从喷嘴等排出切削液并向加工位置供给为止的时间来算出供给定时数据l1。关于从控制部34对切削液供给装置2指令了供给切削液的时刻，将控制部34的指令输出定时适当存储在非易失性存储器14中。另外，关于实际上切削液从喷嘴等排出并向加工位置供给的时刻，例如使用作业者通过目测手动测量并经由未图示的输入装置设定的时刻、由设置在切削液排出口附近的流量传感器检测到排出的时刻、由供给切削液的电动机的负荷推定出的排出时刻(随着在路径上充满切削液，泵的负荷上升，随着排出而稳定，因此能将该时间推定为排出时刻)、通过安装在机器人的照相机等观测到切削液排出的时刻等。而且，标签数据获取部108在学习部110进行学习时被使用，在学习部110进行的学习完成后，机器学习装置100无需是必须结构。

学习部110按照统称为机器学习的任意学习算法，学习针对状态变量s(表示切削液供给装置2运转状态的运转状态数据s1)的标签数据l(表示切削液的供给定时的供给定时数据l1)。学习部110能学习例如状态变量s中包含的运转状态数据s1与标签数据l中包含的供给定时数据l1的相关性。学习部110能反复执行基于包含状态变量s和标签数据l的数据集合的学习。

在学习部110进行学习时，优选执行基于针对多个切削液供给装置2分别得到的数据的多个学习周期。通过反复这样的学习周期，学习部110自动解释切削液供给装置2的运转状态(运转状态数据s1)与切削液的供给定时(供给定时数据l1)的相关性。在学习算法开始时，针对运转状态数据s1的供给定时数据l1的相关性实质上是未知的，但是随着学习部110推进学习，逐渐解释运转状态数据s1与供给定时数据l1的关系，使用作为其结果而得到的已学习模型，能解释运转状态数据s1与供给定时数据l1的相关性。

推定结果输出部122基于学习部110的学习结果(已学习模型)，基于切削液供给装置2的运转状态推定切削液的供给定时，并输出推定的切削液的供给定时。更具体地，学习部110与表示切削液供给装置2运转状态的运转状态数据s1相关联地学习的涉及切削液的供给定时的供给定时数据l1表示的是从控制部34对切削液供给装置2指令供给切削液到实际上对加工位置供给切削液为止的时间，在使用学习部110的已学习模型的推定中，输出该值。然后，推定结果输出部122基于该输出的值推定先于加工程序的切削液供给指令(m08)的程序块执行的时刻何种程度之前是否应对切削液供给装置2输出开始供给切削液的指令，并将该推定结果输出到控制部34。

作为输送机的切削液供给定时控制装置1中具备的机器学习装置100的一个变形例，状态观测部106除了观测运转状态数据s1，还观测表示切削液供给装置2供给的切削液的状态的切削液状态数据s2作为状态变量s之一。该切削液状态数据s2例如包括切削液罐中剩余的切削液量(切削液变少则供给的切削液中混入空气，导致有时供给延迟恶化)、切削液的品质(由于季节原因、老化等导致切削液的液体品质变化)等。

根据上述变形例，机器学习装置100能将运转状态数据s1以及切削液状态数据s2与供给定时数据l1关联起来进行学习，因此对于切削液的状态变化导致的切削液的供给定时的变化，能进行高精度的推定。

具有上述结构的机器学习装置100中，学习部110执行的学习算法并不特殊限定，能采用作为机器学习所公知的学习算法。图3是不同于图2所示的切削液供给定时控制装置1的方式，表示具备学习部110的结构，该学习部110执行作为学习算法的例子的监督学习。监督学习是下述学习方法：给出输入和与其对应的输出的已知的数据集合(称为教师数据)，由这些教师数据识别暗示输入与输出的相关性的特征，学习用于推定针对新输入所需的输出的相关性模型。

图3所示的切削液供给定时控制装置1所具备的机器学习装置100中，学习部110具备误差计算部112和模型更新部114，误差计算部112计算由切削液供给装置2的运转状态推定切削液的供给定时的相关性模型m与由教师数据t识别的相关性特征的误差e，教师数据t是由过去获取到的切削液供给装置2的运转状态的数据以及实际的切削液的供给定时的结果得到的，模型更新部114更新相关性模型m使得误差e缩小。学习部110通过模型更新部114反复更新相关性模型m来学习基于切削液供给装置2的运转状态的切削液供给定时的推定。

相关性模型m的初始值例如单纯地(例如以一次函数)表达状态变量s与标签数据l的相关性，在监督学习开始前提供给学习部110。监督数据t能利用本发明中如上所述在过去获取到的切削液供给装置2的运转状态的数据和实际的切削液的供给定时的数据，在运用切削液供给定时控制装置1时随时提供给学习部110。误差计算部112通过随时提供给学习部110的监督数据t，识别暗示切削液供给装置2的运转状态与切削液的供给定时的相关性的相关性特征，求出该相关性特征与当前状态下的状态变量s以及标签数据l所对应的相关性模型m的误差e。模型更新部114例如根据预先设定的更新规则，向误差e变小的方向更新相关性模型m。

在下一学习周期中，误差计算部112按照更新后的相关性模型m使用状态变量s来推定切削液的供给定时，求出该推定结果与实际获取到的标签数据l的误差e，模型更新部114再次更新相关性模型m。这样，未知环境的当前状态与针对于此的推定的相关性逐渐明确。

在推进上述的监督学习时，能使用神经网络。图4a示意性地表示神经元的模型。图4b示意性地表示组合图4a所示的神经元而构成的三层神经网络模型。神经网络例如能通过模拟了神经元模型的运算装置、存储装置等来构成。

图4a所示的神经元输出针对多个输入x(此处作为一个例子为输入x1、x2、x3)的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出由下述式(1)表达的结果y。而且，式(1)中，输入x、结果y以及权重w均为向量。另外，θ为偏置，fk为激活函数。

图4b所示的三层神经网络中，从左侧输入多个输入x(此处作为一个例子为输入x1、x2、x3)，从右侧输出结果y(此处作为一个例子为结果y1、y2、y3)。图示的例子中，对输入x1、x2、x3乘以各自对应的权重(统称为w1)，各个输入x1、x2、x3均被输入到三个神经元n11、n12、n13。

神经元n11～n13各自的输出统称为z1。z1可视为提取输入向量的特征量而得的特征向量。该图4b的例子中，对特征向量z1乘以各自对应的权重(统称为w2)，各个特征向量z1均被输入到两个神经元n21、n22。特征向量z1表示权重w1与权重w2之间的特征。

神经元n21～n22各自的输出统称为z2。z2可视为提取特征向量z1的特征量而得的特征向量。该图4b的例子中，对特征向量z2乘以各自对应的权重(总称为w3)，各个特征向量z2均被输入到三个神经元n31、n32、n33。特征向量z2表示权重w2与权重w3之间的特征。最终，神经元n31～n33分别输出结果y1～y3。

而且，还能使用采用了形成三层以上层的神经网络的所谓的深度学习的方法。

切削液供给定时控制装置1所具备的机器学习装置100中，以状态变量s为输入x，学习部110进行按照上述神经网络的多层构造的运算，能由切削液供给装置2的运转状态值(输入x)推定切削液的供给定时(结果y)。而且，神经网络的动作模式具有学习模式和价值预测模式，例如在学习模式下使用学习数据集合来学习权重w，使用学习到的权重w，能在价值预测模式下进行行为的价值判断。而且，在价值预测模式下，也能进行检测、分类、推论等。

上述的机器学习装置100的结构能表述为处理器101分别执行的机器学习方法(或者软件)。该机器学习方法是学习由切削液供给装置2的运转状态推定切削液的供给定时的机器学习方法，具有如下步骤：处理器101观测切削液供给装置2的运转状态(运转状态数据s1)作为表示当前状态的状态变量s的步骤、获取切削液的供给定时(供给定时数据l1)作为标签数据l的步骤、以及使用状态变量s和标签数据l将运转状态数据s1与切削液的供给定时关联起来进行学习的步骤。

通过机器学习装置100的学习部110学习得到的已学习模型能作为涉及机器学习的软件的一部分、即程序模块来利用。本发明的已学习模型能用于具备cpu、gpu等处理器和存储器的计算机。更具体地，计算机的处理器进行下述动作：按照来自存储在存储器中的已学习模型的指示，以切削液供给装置2的运转状态为输入进行运算，并基于运算结果来输出切削液的供给定时的推定结果。本发明的已学习模型能经由外部存储介质、网络等被其他计算机复制并利用。

另外，在将本发明的已学习模型对其他计算机复制并在新环境中利用时，还能基于在该环境中得到的新的状态变量、标签数据，对该已学习模型进行进一步的学习。该情况下，能得到从该新环境的已学习模型派生出的已学习模型(以下称作派生模型)。本发明的派生模型在根据切削液供给装置2的运转状态输出切削液的供给定时的推定结果这一点上与原有的已学习模型相同，不同点在于，输出比原有已学习模型更适合新环境的结果。此外，该派生模型也能经由外部存储介质、网络等对其他计算机复制并利用。

并且，也能使用针对组装有本发明的已学习模型的机器学习装置的输入得到的输出，在其他机器学习装置中生成从1进行学习而得到的已学习模型(以下称作蒸馏模型)，并利用该已学习模型(这样的学习过程称作蒸馏)。在蒸馏时，原有的已学习模型也被称作教师模型，新生成的蒸馏模型也称作学生模型。通常，蒸馏模型的尺寸小于原有的已学习模型，为了达到与原有已学习模型同等的准确率，更适合经由外部存储介质、网络等向其他计算机分发。

图5表示具备切削液供给定时控制装置1的一实施方式提供的系统170。

系统170具备实现为单元计算机或主机、云服务器等计算机的一部分的至少一台切削液供给定时控制装置1、多个切削液供给装置2(具备多个切削液供给装置2的制造机械)、以及将切削液供给定时控制装置1与切削液供给装置2彼此连接的有线/无线的网络172。而且，图5中虽然进行了省略，以各切削液供给装置2为周边装置的控制装置也与网络172连接。

具有上述结构的系统170中，具备机器学习装置100的切削液供给定时控制装置1使用学习部110的学习结果能自动且准确地推定针对切削液供给装置2的运转状态的切削液的供给定时。另外，还能构成为，切削液供给定时控制装置1的机器学习装置100基于针对多个切削液供给装置2分别得到的状态变量s以及标签数据l学习对于所有切削液供给装置2通用的切削液的供给定时的推定，并在所有切削液供给装置2中利用该学习结果。因此，根据系统170，能以更多样的数据集合(包括状态变量s以及标签数据l)为输入，提高切削液供给定时的推定学习的速度、可靠性。

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的实施方式例，而是通过添加适当的变更，能以各种方式来实施。

例如，机器学习装置100所执行的学习算法、运算算法、切削液供给定时控制装置1所执行的算法等不限定为上述算法，而是能采用各种算法。

另外，在上述的实施方式中，以切削液供给定时控制装置1和机器学习装置100具有不同cpu的装置进行了说明，但机器学习装置100也可以通过切削液供给定时控制装置1所具备的cpu11和存储在rom12中的系统程序来实现。