JP2020024139A - 製品検査装置 - Google Patents

Abstract

【課題】主軸及び主軸モータの出荷前検査を比較的低コストで行うことが可能な製品検査装置を提供すること。【解決手段】本発明の製品検査装置１は、主軸及び主軸モータの組立不良の有無及び組立不良の種類を学習する製品検査装置１であって、主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データと、該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を示す判定データを作成する前処理部３２と、状態データおよび判定データの組合せに基づいて作成されるデータセットに従って、主軸及び主軸モータの組立不良の有無及び組立不良の種類を学習した学習モデルを生成する学習部１１０と、を備える。【選択図】図２

Description

本発明は、製品検査装置に関し、特に主軸及び主軸を駆動するモータの組立不良を検知する製品検査装置する。

工作機械は、主軸やベッド、コラム、テーブル等の様々な構成要素を備える。特に工作機械が備える主軸及び主軸を駆動するモータは、ワークの加工部分の精度に直接影響を与えるため、工作機械がメーカから顧客に対して出荷される前に、予め定めた所定の基準（限度見本によって定められる）を満足するか検査が行われ、該検査に合格しない主軸及び主軸モータについては、検査の結果に基づいてその原因が分析され、分析された結果に基づいて調整が為される。

このような主軸の出荷前の検査は、例えば工作機械とは別に設けられた製品検査装置により行われる。製品検査装置は、テストツール等を用いて主軸の振れや機械精度を検出したり、音センサ、トルクセンサ、温度センサ等を用いて異音や異常負荷、異常温度が発生したりしていないかを検査する。

特開２００１−３４７４４０号公報

主軸及び主軸モータの出荷前検査は、測定項目が多く測定に時間が掛かってしまうという課題がある。そのため、可能な限り限られた測定項目により精度が保たれた検査にしたいという要望がある。また、主軸の振れや機械精度の測定に関しては人手による治具の取付に時間がかかっていたという問題もあった。

そこで本発明の目的は、主軸及び主軸モータの出荷前検査を比較的低コストで行うことが可能な製品検査装置を提供することである。

本発明の一態様は、主軸及び主軸モータの組立不良の有無及び組立不良の種類を学習する製品検査装置であって、主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データと、該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を示す判定データを作成する前処理部と、前記状態データおよび前記判定データの組合せに基づいて作成されるデータセットに従って、前記主軸及び前記主軸モータの組立不良の有無及び組立不良の種類を学習した学習モデルを生成する学習部と、を備える製品検査装置である。

本発明の他の態様は、主軸及び主軸モータの組立不良の有無及び組立不良の種類を推定する製品検査装置であって、主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データを作成する前処理部と、主軸及び主軸モータの動作状態に対する該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を学習した学習済みモデルを記憶する学習モデル記憶部と、前記状態データに基づいて、前記学習済みモデルを用いた主軸及び主軸モータの組立不良の有無及び組立不良の種類の推定を行う推定部と、を備える製品検査装置である。

本発明により、一部時間のかかる測定を省き、また、過去の修正履歴により修正部位を早期に発見できるため、従来と比較してより早く製品検査ができるようになる。また、従来の検査項目に追加して機械学習の判定を行えば、より製品品質が向上することが期待できる。

一実施形態による製品検査装置の概略的なハードウェア構成図である。 第１実施形態による製品検査装置の概略的な機能ブロック図である。 第２実施形態による製品検査装置の学習時の概略的な機能ブロック図である。 第２実施形態による製品検査装置の推定時の概略的な機能ブロック図である。

以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた製品検査装置の要部を示す概略的なハードウェア構成図である。本実施形態の製品検査装置１は、例えば製品を製造する工場に設置されたパソコンや、セルコンピュータ、ホストコンピュータ、エッジサーバ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、製品検査装置１を、工場に設置されたパソコンとして実装した場合の例を示す。

本実施形態による製品検査装置１が備えるＣＰＵ１１は、製品検査装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って製品検査装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ等で構成され、製品検査装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、製品検査装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、モータ制御装置２やセンサ３から取得された各種データ（例えば、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等）、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。

モータ制御装置２は、出荷前検査時に主軸及び主軸モータを制御する制御装置である。モータ制御装置２は、一般的な制御装置の機能を有し、主軸及び主軸モータに対して出荷前検査の検査動作を行わせるための制御用プログラムを実行することで、主軸及び主軸モータを制御する。

センサ３は、例えばモータ制御装置２が制御する主軸及び主軸モータの各部、又は主軸モータに指令値を供給する図示しないモータ駆動アンプ等の機器に取り付けられた電流計測器、振動センサ、音声センサ、速度センサ、温度センサ等である。センサ３は、出荷前検査においてモータ制御装置２により制御された主軸及び主軸モータの検査動作に係るデータを取得する。センサ３により計測された各検出値は、インタフェース１９を介してＣＰＵ１１に渡される。

表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、プラズマ計測器で計測されたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等を受けて、インタフェース１８を介してＣＰＵ１１に渡す。

インタフェース２１は、製品検査装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して製品検査装置１で取得可能な各情報（例えば、主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等）を観測することができる。また、製品検査装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。

図２は、第１実施形態による製品検査装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した製品検査装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、製品検査装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の製品検査装置１は、データ取得部３０、前処理部３２，ラベル付与部３４を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による学習及び推定に用いられるデータを記憶する学習データ記憶部５０が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１等から入力された各種データを取得する機能手段である。データ取得部３０は、例えば、主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等の各種データを取得し、学習データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワークを介して他の装置からデータを取得するようにしても良く、その際に、データ取得部３０は、例えば正常品の限度見本から得られたデータや、３次元モデルに基づくシミュレーション処理で得られたデータを組立不良が無いデータ（正常品のデータ）として取得するようにしても良い。本実施形態によるデータ取得部３０が取得するデータには、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータ（異常有り／無しに係るデータを含む）や、主軸及び主軸モータの調整にかかるデータ（組立不良の種類に係るデータを含む）と関連付けられたラベル付きのデータと、組立不良の有無に係るデータや調整に係るデータと関連付けられていないラベル無しのデータとを含む。

前処理部３２は、学習データ記憶部５０に記憶されたラベル付きのデータに基づいて、機械学習装置１００による学習に用いられる状態データＳと判定データＬの組である教師データＴを作成する。また、前処理部３２は、学習データ記憶部５０に記憶されたラベル無しのデータに基づいて、機械学習装置１００による推定に用いられる状態データＳを作成する。前処理部３２は、取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。また、前処理部３２が作成する判定データＬは、少なくとも異常の有無を含む異常判定データＬ１を含む。

主軸電流データＳ１は、モータ制御装置２からの指令に基づいて駆動する主軸モータに流れる電流値の時系列データを示す。主軸電流データＳ１としては、モータ制御装置２から取得されたデータに基づいて特定した主軸モータに流れる電流値を用いて良いし、主軸モータに対して（センサ３としての）電流計測器を取り付けて、その計測値に基づいて特定した主軸モータに流れる電流値を用いても良い。

主軸振動データＳ２は、主軸及び主軸モータの振動値の時系列データを示す。主軸振動データＳ２としては、主軸乃至主軸モータに対して（センサ３としての）振動センサを取り付けて、その検出値に基づいて特定した主軸及び主軸モータの振動値を用いても良い。

主軸電流データＳ１及び主軸振動データＳ２は、比較的短時間で計測することができ、また、主軸及び主軸モータに以上が発生する場合、これらのデータに徴候が現れることが多いため、これらのデータを状態データＳとして用いることで、主軸及び主軸モータの異常検出の精度を保ちながら出荷前検査の時間を短縮することができる。また、主軸電流データＳ１は、一般的なモータ制御装置２を用いれば計測用のセンサ３を別途取り付ける必要がなく、また、振動センサの取り付けは比較的容易に行えるため、他の検査方法と比較して出荷前検査時における作業コストを低減させることができる。

異常判定データＬ１は、主軸及び主軸モータのいずれかに異常が発生しているか否かの情報を少なくとも含む。異常判定データＬ１は、作業者により入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータに基づいて特定された値を用いるようにして良い。異常判定データＬ１は、更に主軸及び主軸モータに異常がある場合に、その組立不良の種類を示す情報を含んでいても良い。異常判定データＬ１に含める組立不良の種類を示す情報としては、例えば軸受内部のグリースの変質や、軸受の慣らし不十分、シャフトの振れ、軸受軌道面の傷、バランス崩れ等が例示される。これらは、実際に異常が検出された際の主軸及び主軸モータの調整時に、作業者による組立不良の種類の調査が行われることで判明した情報として作業者により入力装置７１から入力された調整に係るデータに基づいて特定された値を用いれば良い。

学習部１１０は、前処理部３２が作成した状態データＳ及び判定データＬを用いた半教師あり学習を行い、主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習した学習済みモデルを生成する（学習する）機能手段である。半教師あり学習は、比較的少ないラベル付きデータとラベル無しデータとに基づいて学習を行う学習方法であり、例えばラベル付きデータ（状態データＳと判定データＬを含む教師データＴ）を用いて分類を行う学習モデルを生成し、該学習モデルとラベル無しデータ（状態データＳ）とを用いて、該学習モデルに対して追加で学習を行うことで学習の精度を向上させるブートストラップ法や、ラベル付きデータ及びとラベル無しデータのデータ分布に基づいてグループ分けすることで分類器としての学習モデルを生成するグラフベースアルゴリズム等を含む。

本実施形態の学習部１１０は、例えばロジスティック回帰モデルを学習モデルとして用いた教師あり学習を行うように構成しても良い。このように構成する場合、学習部１１０は、例えば前処理部３２から入力された教師データＴに基づく公知の誤差伝播法を実行し、学習モデルのパラメータを更新することで学習を進める。また、本実施形態の学習部１１０は、例えばニューラルネットワークを学習モデルとして用いた教師あり学習を行うように構成しても良い。この様に構成する場合、学習モデルとしては入力層、中間層、出力層の三層を備えたニューラルネットワークを用いても良いが、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることで、より効果的な学習及び推論を行うように構成することも可能である。また、主軸及び主軸モータの出荷前検査時において検出されたデータとしての時系列データを効率よく利用するために、リカレントニューラルネットワークを用いるようにしても良い。

なお、学習部１１０は、学習の段階では必須の構成となるが、学習部１１０による主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類の学習が完了した後には必ずしも必須の構成ではない。例えば、学習が完了した製品検査装置１を顧客に出荷する場合等には、学習部１１０を取り外して出荷するようにしても良い。

一方、推定部１２０は、前処理部３２がラベル無しデータに基づいて作成した状態変数Ｓに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いて主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。本実施形態の推定部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、前処理部３２から入力された状態データＳ（主軸及び主軸モータから検出されたデータ）を入力データとして入力することで該入力データが属するクラス（主軸及び主軸モータが異常を有するか否か、異常を有する場合はその組立不良の種類）を推定（算出）する。また推定部１２０は、主軸及び主軸モータの動作が属するクラスを推定する際に、該推定の結果の信頼度を算出する。推定部１２０が算出する推定の結果の信頼度は、学習モデルにおけるクラス間の判別境界から見た距離に対応するものであり（判別境界から離れていれば離れているほど入力データがそのクラスに属する信頼度が高くなり、判別境界に近ければ近いほど入力データがそのクラスの属する信頼度は低くなる）、例えば学習モデルとしてロジスティック回帰モデルやニューラルネットワークを用いている場合には、これら学習モデルが出力する、入力がｘであるときのクラスＣ１である事後確率Ｐ（Ｃ１｜ｘ）を用いることができる。推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、例えば表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、半教師あり学習時には、ラベル付与部３４に対して出力される。

ラベル付与部３４は、機械学習装置１００による半教師あり学習時に、状態データＳに基づいて推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度に基づいて、該状態データＳの基となるラベル無しデータに対してラベルを付与する機能手段である。ラベル付与部３４は、例えば推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類の信頼度が予め定めた所定の閾値よりも高い場合に、該推定の基となったラベル無しデータに対して、推定した主軸及び主軸モータの異常の有無及び組立不良の種類に対応するラベルを付与し、学習データ記憶部５０に記憶する。このようにしてラベル付与部３４によりラベルが付与されたデータは、改めて学習部１１０による学習の対象として良い。

上記構成を備えた製品検査装置１における半教師あり学習の動作例を示す。学習部１１０は、学習の初期の段階において、前処理部３２が学習データ記憶部５０に記憶されたラベル付きデータに基づいて作成した教師データＴを用いた教師あり学習を行うことで学習モデルを仮生成する。この時、与えられるラベル付きデータは、例えば正常品の限度見本に基づいて作成されたデータや、３次元モデルに基づくシミュレーション処理で得られたデータを用いるようにしても良いし、過去に行われた出荷前検査における異常検出時に検出されたデータとその異状原因に係るデータを用いるようにしても良い。その後、推定部１２０は、前処理部３２が学習データ記憶部５０に記憶されたラベル無しデータに基づいて作成した状態データＳに基づく主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。この時、与えられるラベル付きデータは、そして、その推定結果（主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度）に基づいて、ラベル付与部３４が学習データ記憶部５０に記憶されたラベル無しデータに対してラベルを付与することでラベル付きデータとし、新たにラベルを付与されたラベル付きデータを用いて学習部１１０が更なる学習を進める。

上記構成を備えた製品検査装置１を用いて主軸及び主軸モータの出荷前検査を行う際には、モータ制御装置２により検査に用いる制御用プログラムを実行させることで主軸モータに対して検査時動作を行わせ、その動作時の状態を示すデータをモータ制御装置２、センサ３等から取得し、学習データ記憶部５０に記憶させる。そして、該データに基づいて前処理部３２により状態データＳを作成し、作成した状態データＳに基づいて、学習モデル記憶部１３０に記憶された学習モデル（学習済みモデル）を用いて推定部１２０による主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行わせる。そして、推定部１２０による推定結果を表示装置７０に表示する等して作業者が検査の結果を確認し、異常がない場合にはそのまま出荷へと回し、異常がある場合にはその組立不良の種類に応じた調整を行った上で再度出荷前検査を行う。

本実施形態の製品検査装置１の一変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸及び主軸モータの駆動時に発生する音（の時系列データ）を示す主軸駆動音データＳ３を含むようにしても良い。主軸モータから発生する音は、概ね振動値で代用できるが、軸受内部で発生した音が外部へは音としては出力される一方で、モータ、主軸の表面へは振動値として現れることがない場合があるため、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。

本実施形態の製品検査装置１の他の変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸モータの速度値（の時系列データ）を示す主軸速度データＳ４を含むようにしても良い。主軸モータの速度値は、概ね電流で代用できるが、コギングトルクの測定等は速度値の方に現れやすい場合があるため、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。

本実施形態の製品検査装置１の他の変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸モータの温度値（の時系列データ）を示す主軸温度データＳ５を含むようにしても良い。主軸モータの温度値は、長期間、モータ、主軸を稼働させて場合、違いが表れるが、短時間の稼働では差異が表れないため、出荷前検査の時間の短縮を阻害する要因ではあるものの、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。

本実施形態の製品検査装置１の他の変形例として、製品検査装置１は、予め主軸及び主軸モータの組立不良の種類に関連付けて修理方法の情報を不揮発性メモリ１４に記憶しておき、推定部１２０が推定した際に、推定された主軸及び主軸モータの組立不良の種類に関連付けられている修理方法を不揮発性メモリ１４から取得して、表示装置７０に対して表示するように構成しても良い。

図３は、第２実施形態による製品検査装置１と機械学習装置１００の学習時における概略的な機能ブロック図である。図３に示した各機能ブロックは、図１に示した製品検査装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、製品検査装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態による製品検査装置１は、教師あり学習による主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習する機械学習装置１００を備える。本実施形態の製品検査装置１は、学習時において、データ取得部３０、前処理部３２を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による学習に用いられるデータを記憶する学習データ記憶部５０が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１から入力された各種データを取得する機能手段である。データ取得部３０が学習時に取得するデータは、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータ（異常有り／無しに係るデータを含む）や、主軸及び主軸モータの調整にかかるデータ（組立不良の種類に係るデータを含む）と関連付けられたラベル付きのデータを含む。

前処理部３２は、学習データ記憶部５０に記憶されたラベル付きのデータに基づいて、機械学習装置１００による学習に用いられる状態データＳと判定データＬの組である教師データＴを作成する。前処理部３２は、取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。また、前処理部３２が作成する判定データＬは、少なくとも異常の有無を含む異常判定データＬ１を含む。

学習部１１０は、前処理部３２が作成した状態データＳ及び判定データＬを用いた教師あり学習を行い、主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習した学習済みモデルを生成する（学習する）。本実施形態の学習部１１０は、第１実施形態と同様に、例えばロジスティック回帰モデルやニューラルネットワークを学習モデルとして用いても良い。

図４は、第２実施形態による製品検査装置１と機械学習装置１００の推定時における概略的な機能ブロック図である。図４に示した各機能ブロックは、図１に示した製品検査装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、製品検査装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の製品検査装置１は、推定時において、データ取得部３０、前処理部３２を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による推定に用いられる状態データを記憶する状態データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶した学習モデル記憶部１３０が設けられている。

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１から入力された各種データを取得する機能手段である。データ取得部３０が学習時に取得するデータは、組立不良の有無に係るデータや調整に係るデータと関連付けられていないラベル無しのデータを含む。

前処理部３２は、学習データ記憶部５０に記憶されたラベル無しのデータに基づいて、機械学習装置１００による推定に用いられる状態データＳを作成する。前処理部３２は、取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。

推定部１２０は、前処理部３２が作成した状態変数Ｓに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いて主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。本実施形態の推定部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、前処理部３２から入力された状態データＳ（主軸及び主軸モータから検出されたデータ）を入力データとして入力することで該入力データが属するクラス（主軸及び主軸モータが異常を有するか否か、異常を有する場合はその組立不良の種類）を推定（算出）する。推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、例えば表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、機械学習装置１００が実行する学習アルゴリズム、機械学習装置１００が実行する演算アルゴリズム、製品検査装置１が実行する制御アルゴリズム等は、前記したものに限定されず、様々なアルゴリズムを採用できる。

また、上記した実施形態では製品検査装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は製品検査装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

１ 製品検査装置
２ モータ制御装置
３ センサ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６〜１９ インタフェース
２０ バス
２１ インタフェース
３０ データ取得部
３２ 前処理部
３４ ラベル付与部
５０ 学習データ記憶部
５２ 状態データ記憶部
７０ 表示装置
７１ 入力装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１２０ 推定部
１３０ 学習モデル記憶部

Claims (7)

1. 主軸及び主軸モータの組立不良の有無及び組立不良の種類を学習する製品検査装置であって、
   主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データと、該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を示す判定データを作成する前処理部と、
   前記状態データおよび前記判定データの組合せに基づいて作成されるデータセットに従って、前記主軸及び前記主軸モータの組立不良の有無及び組立不良の種類を学習した学習モデルを生成する学習部と、
   を備える製品検査装置。
2. 前記状態データは、少なくとも前記主軸モータの駆動時に流れる電流を示す主軸電流データ、及び前記主軸及び主軸モータの駆動時の振動を示す主軸振動データを含む、
   請求項１に記載の製品検査装置。
3. 前記状態データは、更に前記主軸モータの駆動時の音を示す主軸駆動音データを含む、
   請求項２に記載の製品検査装置。
4. 前記状態データは、更に前記主軸モータの駆動時の速度を示す主軸速度データを含む、
   請求項２又は３に記載の製品検査装置。
5. 前記状態データは、更に前記主軸モータの動作時の温度を示す主軸温度データを含む、
   請求項２〜４のいずれか１つに記載の製品検査装置。
6. 主軸及び主軸モータの動作状態を示す状態データに基づいて、前記学習モデルを用いて主軸及び主軸モータの組立不良の有無及び組立不良の種類を推定する推定部と、
   前記推定部による推定結果に基づいて、主軸及び主軸モータの動作状態を示す状態データに対して該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を示すラベルを付与するラベル付与部と、
   を更に備え、
   前記前処理部は、前記ラベル付与部がラベルを付与したデータに基づいて状態データ及び判定データを作成し、
   前記学習部は、前記ラベル付与部がラベルを付与したデータに基づいて前記前処理部が作成した状態データ及び判定データを用いて前記学習モデルの学習を進める、
   請求項１〜５のいずれか１つに記載の製品検査装置。
7. 主軸及び主軸モータの組立不良の有無及び組立不良の種類を推定する製品検査装置であって、
   主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データを作成する前処理部と、
   主軸及び主軸モータの動作状態に対する該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を学習した学習済みモデルを記憶する学習モデル記憶部と、
   前記状態データに基づいて、前記学習済みモデルを用いた主軸及び主軸モータの組立不良の有無及び組立不良の種類の推定を行う推定部と、
   を備える製品検査装置。

Images