JP2020082304A

JP2020082304A - びびり振動検知装置、びびり振動検知方法、びびり振動検知プログラム、及びびびり振動抑制装置

Info

Publication number: JP2020082304A
Application number: JP2018222977A
Authority: JP
Inventors: 白須賀　恵一; Keiichi Shirasuga; 恵一白須賀
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-11-29
Filing date: 2018-11-29
Publication date: 2020-06-04

Abstract

【課題】びびり振動を高精度に検知することを可能にする。【解決手段】びびり振動検知装置（１００）は、加工装置の切削工具（２０１）の振動を検出するセンサ（２０４）から出力されたセンサデータ（Ｄ０）に基づいてびびり振動の有無を判定する装置であって、ラベル付きセンサデータ（１０１ａ）を記憶する第１の記憶部（１０１）と、ラベル付きセンサデータから１つ以上の第１の特徴量を学習用データ（Ｌ２）として抽出する第１の抽出処理と、センサデータから１つ以上の第２の特徴量を含む判定対象データ（Ｄ２）を抽出する第２の抽出処理と、を行う特徴量抽出部（１０３）と、学習用データから学習モデル（１０５ａ）を生成するびびり振動学習部（１０４）と、判定対象データがびびり振動有りを示すデータであるか否かを、学習モデルを参照して判定するびびり振動判定部（１０６）とを備える。【選択図】図２

Description

本発明は、びびり振動を検知するびびり振動検知装置、びびり振動を検知するために使用されるびびり振動検知方法及びびびり振動検知プログラム、並びに、びびり振動を抑制するびびり振動抑制装置に関する。

回転する切削工具で加工対象物（すなわち、被加工物）を切削加工する種々の加工装置が使用されている。このような加工装置では、切削加工時に、びびり振動が発生することがある。びびり振動は、再生びびり振動と強制びびり振動に分類できる。再生びびり振動は、例えば、切削工具の先行する刃先によって切削された加工対象物の加工面に生じた起伏により、次の刃先によって加工対象物の加工面から切り取られる部分の厚さが変動し、その結果、切削力が変動して発生する。強制びびり振動は、例えば、何らかの強制的な振動が加工装置の切削工具の回転によって生じる振動と共振して、発生する。びびり振動が発生すると、加工対象物の加工面に縞模様が生じ、加工面の品質の低下又は切削工具の刃先の損傷などが生じやすい（例えば、非特許文献１参照）。

例えば、特許文献１に記載の装置は、切削工具である回転刃の回転数［ｒｐｍ］の周波数［Ｈｚ］（＝回転数［ｒｐｍ］／６０）に回転刃の刃数（すなわち、刃先の数）を乗じて振動数［Ｈｚ］を算出し、算出された振動数以外の周波数のピークの値（すなわち、ピークパワー）が閾値を超えた場合に、びびり振動（この場合は、再生びびり振動）の予兆が有ると判定している。

また、特許文献２に記載の装置は、切削工具の回転数［ｒｐｍ］に切削工具の刃数を乗じ、さらに６０で除算して切削基本周波数［Ｈｚ］を算出し、この切削基本周波数の整数倍の周波数にピークがあり、そのピークパワーが閾値を超えた場合に、びびり振動（この場合は、強制びびり振動）が発生していると判定している。

特開２０１０−２４７３１６号公報（例えば、第７頁）特開２０１８−０２０４２６号公報（例えば、段落００４４、００５５）

社本英二著、「切削加工におけるびびり振動の発生機構と抑制」、大同特殊鋼株式会社研究開発本部発行、電気製鋼／大同特殊鋼技報第８２巻第２号、１４３−１５５頁、２０１１年１２月２７日ＰｌａｔｔＪ．Ｃ．、 "ＰｒｏｂａｂｉｌｉｓｔｉｃＯｕｔｐｕｔｓｆｏｒＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓａｎｄＣｏｍｐａｒｉｓｏｎｓｔｏＲｅｇｕｌａｒｉｚｅｄＬｉｋｅｌｉｈｏｏｄＭｅｔｈｏｄｓ"、ＡｄｖａｎｃｅｓｉｎＬａｒｇｅＭａｒｇｉｎＣｌａｓｓｉｆｉｅｒｓ、ＭＩＴＰｒｅｓｓ、１９９９，ｐｐ．１−１１．

しかしながら、特許文献１に記載の装置では、算出された振動数と異なる値の周波数［Ｈｚ］にピークが存在し、そのピークパワーが閾値を超えている場合であっても、ピークが存在する周波数［Ｈｚ］にびびり振動が発生していないことがある。また、算出された振動数と異なる周波数［Ｈｚ］にピークが存在し、そのピークパワーが閾値を超えていない場合であっても、ピークが存在する周波数［Ｈｚ］にびびり振動が発生していることがある。

また、特許文献２に記載の装置では、切削基本周波数の整数倍の周波数［Ｈｚ］にピークが存在し、そのピークパワーが閾値を超えている場合であっても、ピークが存在する周波数［Ｈｚ］にびびり振動が発生していないことがある。また、切削基本周波数の整数倍の周波数［Ｈｚ］にピークが存在し、そのピークパワーが閾値を超えていない場合であっても、ピークが存在する周波数［Ｈｚ］にびびり振動が発生していることがある。

つまり、ピークパワーと予め決められた閾値との比較結果に基づいてびびり振動の有無を判定するだけでは、びびり振動の検知の精度が低いという問題がある。

本発明は、上記従来の課題を解決するためになされたものであり、高い精度でびびり振動を検知することができるびびり振動検知装置、高い精度でびびり振動を検知することを可能にするびびり振動検知方法及びびびり振動検知プログラム、並びに、高い精度でびびり振動を抑制することができるびびり振動抑制装置を提供することを目的とする。

本発明の一態様に係るびびり振動検知装置は、加工対象物を加工する加工装置の切削工具の振動を検出するセンサから出力されたセンサデータに基づいて、びびり振動の有無を判定する装置であって、センサデータにびびり振動の有無を示すラベルを付加することによって作成されたラベル付きセンサデータを記憶する第１の記憶部と、前記ラベル付きセンサデータから１つ以上の第１の特徴量を学習用データとして抽出する第１の抽出処理と、前記センサデータから１つ以上の第２の特徴量を含む判定対象データを抽出する第２の抽出処理と、を行う特徴量抽出部と、前記学習用データから学習モデルを生成するびびり振動学習部と、前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定するびびり振動判定部とを備えたことを特徴とする。

本発明の一態様に係るびびり振動検知方法は、加工対象物を加工する加工装置の切削工具の振動を検出するセンサから出力されたセンサデータに基づいて、びびり振動の有無を判定する方法であって、センサデータにびびり振動の有無を示すラベルを付加することによって作成されたラベル付きセンサデータから１つ以上の第１の特徴量を学習用データとして抽出する第１の抽出処理を行うステップと、前記センサデータから１つ以上の第２の特徴量を含む判定対象データを抽出する第２の抽出処理を行うステップと、前記学習用データから学習モデルを生成するステップと、前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定するステップとを有することを特徴とする。

本発明によるびびり振動検知装置、びびり振動検知方法、又はびびり振動検知プログラムを用いれば、高い精度でびびり振動を検知することができる。

また、本発明によるびびり振動抑制装置を用いれば、高い精度でびびり振動を抑制することができる。

本発明の実施の形態１に係るびびり振動抑制装置の構成及び切削加工を行う加工装置の構成を概略的に示す図である。実施の形態１に係るびびり振動検知装置の構成を概略的に示すブロック図である。実施の形態１に係るびびり振動検知装置における学習モデルの生成プロセスを示す説明図である。実施の形態１に係るびびり振動検知装置におけるびびり振動の有無の判定プロセスを示す説明図である。実施の形態１に係るびびり振動検知装置のＦＦＴ演算部の動作を示す説明図である。実施の形態１に係るびびり振動検知装置の特徴量抽出部の動作を示す説明図である。実施の形態１に係るびびり振動検知装置の学習処理時に、特徴量抽出部によって生成される特徴ベクトルを含む学習用データの例を表形式で示す図である。実施の形態１に係るびびり振動検知装置の判定処理時における動作を示す説明図である。実施の形態１に係るびびり振動検知装置のびびり振動判定部に入力される１フレーム分の特徴量を含む判定対象データの例を表形式で示す図である。（Ａ）から（Ｉ）は、本発明の実施の形態２に係るびびり振動検知装置の特徴量抽出部が抽出する特徴量の例を示す図である。本発明の実施の形態３に係るびびり振動検知装置の学習処理時に、特徴量抽出部によって生成される特徴ベクトルを含む学習用データの例を表形式で示す図である。実施の形態３に係るびびり振動検知装置の判定処理時に、びびり振動判定部に入力される１フレーム分の特徴量を含む判定対象データの例を表形式で示す図である。本発明の実施の形態４及び５に係るびびり振動検知装置の構成を概略的に示すブロック図である。本発明の実施の形態６に係るびびり振動検知装置の構成を概略的に示すブロック図である。本発明の実施の形態７に係るびびり振動抑制装置の構成及び切削加工を行う加工装置の構成を概略的に示す図である。実施の形態７に係るびびり振動検知装置の構成を概略的に示すブロック図である。本発明の実施の形態８に係るびびり振動検知装置の構成を概略的に示すブロック図である。本発明の実施の形態９に係るびびり振動検知装置の構成を概略的に示すブロック図である。実施の形態９の変形例に係るびびり振動検知装置の構成を概略的に示すブロック図である。実施の形態１から９の変形例に係るびびり振動検知装置のハードウェア構成の例を示す図である。

以下に、本発明の実施の形態に係るびびり振動検知装置、びびり振動検知方法、びびり振動検知プログラム、及びびびり振動抑制装置を、図面を参照しながら説明する。以下の実施の形態は、例にすぎず、本発明の範囲内で種々の変更が可能である。なお、図において、ｘ、ｙ及びｚは、ｘｙｚ直交座標系における座標軸を示す。

《１》実施の形態１．
図１は、実施の形態１に係るびびり振動抑制装置１０の構成及び切削加工を行う加工装置２００の構成を概略的に示す図である。

加工対象物を加工する加工装置２００は、例えば、切削工具２０１を用いて被加工物である加工対象物２０６の不要部分を削り取る装置である。切削工具２０１は、例えば、エンドミルである。この場合、加工装置２００は、エンドミル加工を行う。加工装置２００は、ｘ方向を向く軸線を中心にして回転する切削工具２０１と、切削工具２０１を支持する主軸部２０２と、主軸部２０２を＋ｘ方向及び−ｘ方向に移動可能に支持するステージ２０３とを備えている。また、加工装置２００は、切削工具２０１の振動を検出するセンサ（例えば、加速度センサ）２０４と、加工対象物２０６を＋ｙ方向、−ｙ方向、＋ｚ方向及び−ｚ方向に移動可能に支持する支持部２０５と、加工装置２００の動作を制御する制御装置であるＮＣ（ＮｕｍｅｒｉｃａｌＣｏｎｔｒｏｌ：数値制御）装置２０７とを備えている。ＮＣ装置２０７は、切削加工における切削工具２０１の回転速度及び切込み量、加工対象物２０６の送り速度、などの加工条件を制御する。また、ＮＣ装置２０７は、加工条件をびびり振動検知装置１００に通知することができる。センサ２０４は、互いに直交する３軸方向、すなわち、ｘ方向、ｙ方向及びｚ方向の振動を示す検出信号、又は、検出信号のサンプリングデータであるセンサデータＤ０を出力する。

びびり振動抑制装置１０は、びびり振動検知装置１００と、びびり振動抑制部１０７とを備えている。びびり振動検知装置１００は、センサ２０４から出力されたセンサデータＤ０に基づいて、加工装置２００の切削工具２０１におけるびびり振動の有無を判定し、びびり振動の有無を示す判定結果情報Ｄ３を出力する。センサ２０４から検出信号が出力される場合には、サンプリングデータＤ０の生成は、びびり振動検知装置１００によって行われる。びびり振動抑制部１０７は、びびり振動検知装置１００から出力された判定結果情報Ｄ３に基づいて、びびり振動を抑制するため動作、すなわち、びびり振動抑制動作を行うための制御信号Ｃ１を加工装置２００に送信する。このとき、制御信号Ｃ１は、ＮＣ装置２０７に送信されてもよい。制御信号Ｃ１を受信した加工装置２００は、例えば、切削工具２０１の回転速度をびびり振動が存在する判定されたときの回転速度から僅かに変更する。加工装置２００は、回転速度を変更することで、びびり振動が発生しない回転速度で回転する切削工具２０１で加工対象物２０６の切削加工を行うことができる。

図２は、実施の形態１に係るびびり振動検知装置１００の構成を概略的に示すブロック図である。びびり振動検知装置１００は、実施の形態１に係るびびり振動検知方法を実施することができる装置である。びびり振動検知装置１００は、センサ２０４から出力されたセンサデータＤ０を用いる学習によって、びびり振動の有無の判定用の学習モデル１０５ａを生成する学習処理と、切削加工時においてセンサ２０４ら出力されたセンサデータＤ０に対して、学習モデル１０５ａを用いて、びびり振動の有無を判定する判定処理とを行う。

図２に示されるように、びびり振動検知装置１００は、第１の記憶部としての記憶部１０１と、フーリエ変換を行う変換処理部としてのＦＦＴ（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ）演算部１０２と、特徴量抽出部１０３と、びびり振動学習部１０４と、第２の記憶部としての記憶部１０５と、びびり振動判定部１０６とを備えている。記憶部１０１及び記憶部１０５は、びびり振動検知装置１００の外部に備えられた情報記憶装置の記憶領域の一部であってもよい。また、びびり振動検知装置１００は、びびり振動検知プログラムを実行するコンピュータなどの情報処理装置であってもよい。また、びびり振動抑制装置１０は、コンピュータなどの情報処理装置であってもよい。さらに、びびり振動抑制装置１０とＮＣ装置２０７とを、コンピュータなどの情報処理装置で構成することも可能である。

記憶部１０１は、学習用のセンサデータにびびり振動の有無を示す情報であるラベルを付与することによって作成されたラベル付きセンサデータ１０１ａを予め記憶している。びびり振動検知装置１００は、びびり振動の学習処理時に、記憶部１０１に記憶されているラベル付きセンサデータ１０１ａを用いて学習モデル１０５ａを生成する。ラベル付きセンサデータ１０１ａは、事前に収集されたセンサデータに、センサデータが収集されたときにおけるびびり振動の有無を示す情報をラベルとしてセンサデータに関連付けすることで生成されたデータである。

ＦＦＴ演算部１０２は、学習処理時にラベル付きセンサデータ１０１ａをフーリエ変換することによって周波数空間（すなわち、周波数領域）のデータ（「第１のデータ」とも言う。）Ｌ１を生成する変換処理（「第１の変換処理」とも言う。）と、判定処理時に時系列のセンサデータＤ０をフーリエ変換することによって周波数空間のデータ（「第２のデータ」とも言う。）Ｄ１を生成する変換処理（「第２の変換処理」とも言う。）とを行う。

特徴量抽出部１０３は、ＮＣ装置２０７から切削基本周波数を含む加工条件パラメータＤ４を取得する。加工条件パラメータＤ４は、例えば、切削回転速度（すなわち、切削回転周波数）、加工対象物の材質、加工対象物の送り速度、加工対象物の削り厚、加工の種別（例えば、エンドミル加工又は突切り加工など）、などである。特徴量抽出部１０３は、この加工条件パラメータＤ４を使用して、学習処理時にＦＦＴ演算部１０２でラベル付きセンサデータ１０１ａから生成された周波数空間のデータＬ１から１つ以上の特徴量（「第１の特徴量」とも言う。）から構成される特徴ベクトルを含む学習用データＬ２として抽出する抽出処理（「第１の抽出処理」とも言う。）と、判定処理時にＦＦＴ演算部１０２でセンサデータＤ０から生成された周波数空間のデータＤ１から１つ以上の特徴量（「第２の特徴量」とも言う。）を含む判定対象データＤ２を抽出する抽出処理（「第２の抽出処理」とも言う。）とを行う。特徴ベクトルに含まれる特徴量の数を増やすことによって、びびり振動の有無の判定の精度を向上させることが可能である。したがって、特徴ベクトルに含まれる特徴量の数は、複数であることが望ましい。

びびり振動学習部１０４は、特徴量抽出部１０３で生成された特徴ベクトルを含む学習用データＬ２を受け取り、特徴ベクトルに含まれる特徴量と、特徴量に対応するびびり振動の有無を示すラベルとに基づいて、予め用意された学習アルゴリズムにより、びびり振動の有無を判定するために用いる境界面を取得し、この学習の結果である学習モデル１０５ａを生成する。境界面の一例は、後述の図８に超平面として示される。生成された学習モデル１０５ａは、記憶部１０５に格納される。

びびり振動の有無の判定処理時には、切削加工時にセンサ２０４から出力されたセンサデータＤ０がＦＦＴ演算部１０２に入力され、ＦＦＴ演算部１０２で周波数空間のデータＤ１に変換される。切削加工時に、特徴量抽出部１０３は、周波数空間のデータＤ１から特徴量Ｄ２を抽出する。特徴量抽出部１０３は、切削加工時に、学習処理時と同様の方法で、特徴量Ｄ２を抽出するが、学習処理時と異なり、特徴量Ｄ２にびびり振動の有無を示すラベルの付与は行わない。特徴量抽出部１０３は、抽出された特徴量Ｄ２を、びびり振動判定部１０６に出力する。

びびり振動判定部１０６は、記憶部１０５に記憶されている学習モデル１０５ａを用いて、特徴量Ｄ２に対して、びびり振動の有無の判定を行い、この判定の結果を示す判定結果情報Ｄ３を出力する。実施の形態１において、判定結果情報Ｄ３は、びびり振動抑制部１０７に出力される。

ところで、びびり振動は、強制びびり振動と再生びびり振動とに分類できる。強制びびり振動は、例えば、切削工具２０１の刃が加工対象物２０６に接触して発生する。再生びびり振動は、切削工具の先行する刃先によって切削された加工対象物の加工面に生じた起伏により、次の刃先によって加工対象物の加工面から切り取られる部分の厚さが変動し、その結果、切削力が変動して発生する。強制びびり振動は、切削基本周波数Ｆｃに相関のある振動である。再生びびり振動は、切削基本周波数Ｆｃとは相関のない振動である。

図３は、実施の形態１に係るびびり振動検知装置１００における学習モデル１０５ａの生成プロセス、すなわち、学習処理時のプロセスを示す説明図である。

記憶部１０１は、切削加工時に発生したびびり振動を捉えたセンサ２０４から出力されたセンサデータＤ０と、びびり振動が発生していない正常動作時にセンサ２０４から出力されたセンサデータＤ０と、を事前に大量に収集する。記憶部１０１が、各センサデータＤ０を、びびり振動有りのファイルと、びびり振動無しのファイルと、に予め分類し、それぞれのファイルに、びびり振動有りのラベル及びびびり振動無しのラベルを予め付与することで、ラベル付きセンサデータ１０１ａが生成される。

実施の形態１では、ラベル付与のためのびびり振動の有無の判定は、切削加工時に発生する音に基づいて、又は加工対象物の加工面を観察した結果に基づいて、行われる。びびり振動の有無の判定は、人によって行われる。ただし、びびり振動の有無の判定は、音の分析又は加工面の画像の分析などを行う装置によって行われてもよい。１つ以上の特徴量にラベルが付与されたセンサデータが、ラベル付きセンサデータ１０１ａである。

ラベル付きセンサデータ１０１ａは、ＦＦＴ演算部１０２にて、サンプリング周波数Ｆｓで収集されたｘ，ｙ，ｚ方向の各センサデータに対して、Ｗｓ個のサンプルデータ毎にまとめられ、Ｗｓ個のサンプルデータを１フレームとするグルーピングが行われる。グルーピングによって生成された複数のフレームは、時間軸方向にオーバラップする部分を有してもよい。なお、１フレームを構成するサンプルデータの数Ｗｓの決定の仕方は、後述される。ＦＦＴ演算部１０２は、このようにして生成された複数フレームのフレームデータを、時間順に周波数空間のデータＬ１に変換するＳｈｏｒｔＴｉｍｅＦＦＴを行う（図３のステップＳ１１）。ＳｈｏｒｔＴｉｍｅＦＦＴは、ＳＦＦＴとも表記される。

次に、特徴量抽出部１０３は、周波数空間のデータＬ１に変換された複数のフレームの各々から、特徴量（図３では、特徴量１〜特徴量ｆ）を抽出し、びびり振動の有無のラベルを付与した特徴ベクトルを含む学習用データＬ２を生成する（図３のステップＳ１２）。なお、特徴ベクトルは、例えば、ｆ個（ｆは正の整数）の特徴量と、びびり振動の有無を示すラベルと、を要素として含む。

次に、びびり振動学習部１０４は、学習用データＬ２に対して、びびり振動の有無の判定のための学習処理を行うことによって、びびり振動の有無判定用の学習モデル１０５ａを生成する（図３のステップＳ１３）。

図４は、実施の形態１に係るびびり振動検知装置１００におけるびびり振動の有無の判定プロセス、すなわち、判定処理時のプロセスを示す説明図である。

切削加工時にサンプリングされるｘ，ｙ，ｚ方向の各センサデータからリアルタイムでびびり振動の有無の判定を行うため、ＦＦＴ演算部１０２は、センサ２０４から出力されたセンサデータＤ０を、Ｗｓ個のサンプルデータ毎にフレーム化し、ＳＦＦＴ処理により周波数空間のデータＤ１に変換する（図４のステップＳ２１）。

次に、特徴量抽出部１０３は、周波数空間のデータＤ１から１つ以上の特徴量を含む判定対象データＤ２を抽出する（図４のステップＳ２２）。判定対象データＤ２は、例えば、特徴量１〜特徴量ｆの複数の特徴量を含む特徴ベクトルである。ただし、判定対象データＤ２は、びびり振動の有無を示すラベルを含んでいない。

次に、びびり振動判定部１０６は、びびり振動の有無を、フレーム毎にリアルタイムで判定し、逐次、その判定の結果を示す判定結果情報Ｄ３をびびり振動抑制部１０７に出力する（ステップＳ２３）。びびり振動抑制部１０７は、びびり振動の有無の判定の結果を示す判定結果情報Ｄ３に基づいて、びびり振動抑制のための制御を行う。

図５は、実施の形態１に係るびびり振動検知装置１００のＦＦＴ演算部１０２の動作を示す説明図である。図５は、１フレームを構成するＷｓ個のサンプルデータに対してＳＦＦＴ処理を行うことによって生成された周波数空間のデータ（Ｌ１又はＤ１）の周波数スペクトルを示す。Ｗｓは、正の整数である。データのサンプリング周波数はＦｓ［Ｈｚ］であるので、図５における周波数の座標軸（すなわち、横軸）上の最小分割単位である周波数分解能Ｆｓｔｅｐは、以下の式（１）で計算されることができる。

切削工具２０１の切削基本周波数Ｆｃ［Ｈｚ］は、切削工具２０１の回転数Ｒｃ［ｒｐｍ］と切削工具２０１の刃数Ｂｃとによって、以下の式（２）のように決まる。

びびり振動の有無を高精度に判定するためには、有効な特徴量を抽出し、この有効な特徴量から学習モデル１０５ａを生成することが望ましい。びびり振動は、切削基本周波数Ｆｃと相関のある強制びびり振動と、切削基本周波数Ｆｃと相関のない再生びびり振動と、に分類される。すなわち、切削基本周波数Ｆｃの整数倍の周波数に顕著なピーク（すなわち、ピークパワーの大きいピーク）がある場合、強制びびり振動が発生している可能性が高いと考えられる。また、切削基本周波数Ｆｃの非整数倍の周波数に顕著なピークがある場合、再生びびり振動が発生している可能性が高いと考えられる。したがって、びびり振動検知のために有効な特徴量を抽出するためには、切削基本周波数Ｆｃの整数倍の周波数を持つピークが確実に抽出されていることが望ましい。そのためには、切削基本周波数Ｆｃの整数倍の周波数が、周波数分解能Ｆｓｔｅｐの整数倍となるように、周波数分解能Ｆｓｔｅｐを決定することが望ましい。言い換えれば、以下の式（３）を満たすことが望ましい。

ここで、ｍは、正の整数である。

式（１）から（３）により、１フレームを構成するサンプルデータの数Ｗｓ、すなわち、ＦＦＴのウィンドウサイズは、以下の式（４）によって求められる。

以上に説明したように、ＦＦＴ演算部１０２は、１フレームを構成するサンプルデータの数Ｗｓを、式（４）に示されるように、サンプリング周波数Ｆｓと切削基本周波数Ｆｃとに基づいて決定する。なお、切削基本周波数Ｆｃは、例えば、ＮＣ装置２０７から取得される。

図６は、実施の形態１に係るびびり振動検知装置１００の特徴量抽出部１０３の動作を示す説明図である。

特徴量抽出部１０３は、学習処理のための抽出処理において、ＦＦＴ演算部１０２にてフレーム単位で変換された周波数空間のデータ（すなわち、周波数スペクトル）に対して、１つ以上のピーク（学習処理時におけるピークを「第１のピーク」とも言う。）を求め、１つ以上のピークの周波数と１つ以上のピークのパワーであるピークパワーとを求める。特徴量抽出部１０３は、学習処理のための抽出処理において、抽出されたピークに対して以下処理を行う。まず、特徴量抽出部１０３は、周波数スペクトルの全周波数帯域ＢａをＮ分割し、分割によって得られたＮ個の周波数帯域（すなわち、分割帯域）Ｂ１〜Ｂ５と、全周波数帯域Ｂａとに対して、例えば、以下の第１から第１０の学習情報（Ｕ１）〜（Ｕ１０）を特徴量として抽出する処理を行う。なお、Ｎは正の整数であり、図６ではＮ＝５である。

（Ｕ１）第１のピークのパワーの合計、平均、又は分散を示す第１の学習情報。
（Ｕ２）第１のピークの数を示す第２の学習情報。
（Ｕ３）第１のピークのうちの、上位３位以内のパワーを持つ第１のピークのパワー及び周波数を示す第３の学習情報。
（Ｕ４）切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークのパワーの合計、平均、又は分散を示す第４の学習情報。
（Ｕ５）切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークのうちの、上位３位以内のパワーを持つ第１のピークのパワー及び周波数を示す第５の学習情報。
（Ｕ６）切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークの数を示す第６の学習情報。
（Ｕ７）全周波数帯域Ｂａにおける第１のピークの数に対する切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークの数の割合を示す第７の学習情報。
（Ｕ８）切削基本周波数Ｆｃの整数倍の周波数を持つ第１のピークのパワーの合計、平均、又は分散を示す第８の学習情報。
（Ｕ９）切削基本周波数Ｆｃの整数倍の周波数を持つ第１のピークのうちの、上位３位以内のパワーを持つ第１のピークのパワー及び周波数を示す第９の学習情報。
（Ｕ１０）切削基本周波数Ｆｃの整数倍の周波数を持つ第１のピークの数を示す第１０の学習情報。

びびり振動学習部１０４は、学習処理において、第１から第１０の学習情報（Ｕ１）〜（Ｕ１０）のうちの２つ以上の学習情報の組み合わせから学習モデル１０５ａを生成することができる。

特徴量抽出部１０３は、判定処理のための抽出処理において、学習処理のための抽出処理と同様の処理を行う。特徴量抽出部１０３は、判定処理のための抽出処理において、ＦＦＴ演算部１０２にてフレーム単位で変換された周波数空間のデータ（すなわち、周波数スペクトル）に対して、１つ以上のピーク（判定処理時におけるピークを「第２のピーク」とも言う。）を求め、１つ以上の第２のピークの周波数と１つ以上の第２のピークのパワーとを求める。周波数スペクトルに変換されたデータに対して、第２のピークを求め、この第２のピークの周波数と第２のピークのパワーとを求める。特徴量抽出部１０３は、抽出された第２のピークに対して以下の処理を行う。まず、特徴量抽出部１０３は、周波数スペクトルの全周波数帯域ＢａをＮ分割し、分割によって得られたＮ個の周波数帯域（すなわち、分割帯域）Ｂ１〜Ｂ５と、全周波数帯域Ｂａとに対して、例えば、以下の第１から第１０の判定情報（Ｖ１）〜（Ｖ１０）を特徴量として抽出する処理を行う。

（Ｖ１）第２のピークのパワーの合計、平均、又は分散を示す第１の判定情報。
（Ｖ２）第２のピークの数を示す第２の判定情報。
（Ｖ３）第２のピークのうちの、上位３位以内のパワーを持つ第２のピークのパワー及び周波数を示す第３の判定情報。
（Ｖ４）切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークのパワーの合計、平均、又は分散を示す第４の判定情報。
（Ｖ５）切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークのうちの、上位３位以内のパワーを持つ第２のピークのパワー及び周波数を示す第５の判定情報。
（Ｖ６）切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークの数を示す第６の判定情報。
（Ｖ７）全周波数帯域Ｂａにおける第２のピークの数に対する切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークの数の割合を示す第７の判定情報。
（Ｖ８）切削基本周波数Ｆｃの整数倍の周波数を持つ第２のピークのパワーの合計、平均、又は分散を示す第８の判定情報。
（Ｖ９）切削基本周波数Ｆｃの整数倍の周波数を持つ第２のピークのうちの、上位３位以内のパワーを持つ第２のピークのパワー及び周波数を示す第９の判定情報。
（Ｖ１０）切削基本周波数Ｆｃの整数倍の周波数を持つ第２のピークの数を示す第１０の判定情報。

びびり振動判定部１０６は、判定処理において、第１から第１０の判定情報（Ｖ１）〜（Ｖ１０）のうちの、抽出された２つ以上の判定情報の組み合わせに基づいて、判定対象データＤ２がびびり振動有りを示すデータであるか否かを、学習モデル１０５ａを参照して判定する。びびり振動判定部１０６によって行われる判定処理は、学習モデル１０５ａに格納されている学習情報を取得する際に行われた学習処理に対応する処理である。

図７は、実施の形態１に係るびびり振動検知装置１００の学習処理時に、特徴量抽出部１０３によって生成される特徴ベクトルを含む学習用データＬ２の例を表形式で示す図である。図７は、ｎ個（ｎは正の整数）の特徴量と、びびり振動の有無を示す情報であるラベルと、から構成される１つ以上の特徴ベクトルを生成する。びびり振動学習部１０４は、生成された１つ以上の特徴ベクトルを含む学習用データＬ２から学習モデル１０５ａを生成し、これを記憶部１０５に格納する。

図８は、実施の形態１に係るびびり振動検知装置１００のびびり振動学習部１０４の動作を示す説明図である。図８は、図７の特徴量のうちの２つの特徴量、すなわち、特徴量１と特徴量ｎを座標軸とする多次元の特徴量空間を２つのクラスに分類する超平面（すなわち、境界面）を見出す処理を示している。図８においては、例えば、白丸で示される特徴量の組み合わせの点は、びびり振動無しを示しており、網掛けの丸で示される特徴量の組み合わせの点は、びびり振動有りを示している。また、曲線で示される超平面は、びびり振動の有無の境界を示している。多次元の特徴量空間において、超平面を取得するために使用可能な方法、すなわち、使用可能な学習アルゴリズムは、公知であり、具体的には、サポートベクターマシン、決定木、判別分析、ロジスティック回帰、最近傍分類器、複数の分類器の結果を融合して分類するアンサンブル分類器、又はニューラルネットワーク、などを用いる方法が知られている。また、びびり振動学習部１０４は、最も分類性能が高くなる２つ以上の特徴量の組み合わせを選択し、選択された２つ以上の特徴量から特徴ベクトルを生成することが望ましい。このように、びびり振動学習部１０４は、選択された２つ以上の特徴量から、びびり振動の有無を判定可能にする学習モデル１０５ａを生成することができる。なお、多次元の特徴量空間は、３次元以上の空間であってもよい。

図９は、実施の形態１に係るびびり振動検知装置１００の判定処理時に、びびり振動判定部１０６に入力される１フレーム分の特徴量を含む判定対象データＤ２の例を表形式で示す図である。切削加工時には、ｘ，ｙ，ｚ方向のセンサ２０４から出力されたセンサデータに対して学習処理時と同様の方法で、ＦＦＴ演算部１０２によるフレーム化と周波数空間のデータへの変換処理と、特徴量抽出部１０３によるフレーム毎の特徴量抽出処理とが行われる。図９に示されるデータ形式で１フレーム分の特徴量をびびり振動判定部１０６へ入力すると、びびり振動判定部１０６は、事前の学習で取得された学習モデル１０５ａを用いて、入力された１フレーム分のデータ毎に、びびり振動の有無をリアルタイムで判定し、判定結果情報Ｄ３をびびり振動抑制部１０７へ出力する。

以上に説明したように、実施の形態１に係るびびり振動検知装置１００又はびびり振動検知方法を用いれば、びびり振動を高精度に検知することができる。具体的に言えば、複数の特徴量を座標軸とする多次元の特徴量空間を用いて、特徴量の組み合わせに基づいてびびり振動の有無を判定するので、びびり振動の有無の判定精度を向上させることができる。

また、ＦＦＴ演算部１０２は、切削基本周波数Ｆｃが周波数分解能Ｆｓｔｅｐの整数倍になるようフーリエ変換におけるウィンドウサイズＷｓを決定し、特徴量抽出部１０３で周波数空間におけるピークを抽出するようにしたので、切削基本周波数Ｆｃの整数倍の周波数を持つピークとして、尖度の高いピークを取得することができる。このため、尖度が高いピークを強制びびり振動の存在を示すピークと判定し、尖度が比較的低いピークを再生びびり振動の存在を示すピークと判定することができる。

また、特徴量抽出部１０３で、周波数スペクトルの全周波数帯域ＢａをＮ分割し、分割によって得られた各分割帯域と全周波数帯域Ｂａとのそれぞれに対して、特徴量を抽出することにより、切削基本周波数Ｆｃが切削加工時に僅かに変動する場合、又は、切削工具若しくは加工対象物の材料及び加工条件が変わり共振周波数が変わる場合であっても、分割帯域内における各特徴量の変動を小さくすることが可能である。すなわち、同一の学習モデル１０５ａの汎用性が高い。特に、びびり振動の検知時に、びびり振動抑制制御として切削基本周波数Ｆｃを少し変化させて切削加工を行う場合であって、使用する学習モデル１０５ａを切り替えずに、同じ学習モデル１０５ａを使用することができる。

また、多数の特徴量からびびり振動の有無を判定する際に使用される複数の閾値を設計者が決めることは非常に困難である。しかし、びびり振動学習部１０４は、学習によって、多次元の周波数空間においてびびり振動の有無を分類する超平面を容易に見出すことができる。

また、びびり振動は、切削基本周波数Ｆｃの整数倍の周波数の振動が非常に大きい場合に発生する強制びびり振動と、切削基本周波数Ｆｃの非整数倍の周波数の振動が大きい場合に発生する再生びびり振動とに分類される。切削基本周波数Ｆｃの非整数倍の周波数のピークとピークのパワーと、切削基本周波数Ｆｃの整数倍の周波数のピークとピークのパワーと、を周波数の統計情報として、学習処理に用い及び判定処理に用いるので、びびり振動の有無を分類する適切な超平面を見出すことができる。

《２》実施の形態２．
実施の形態２に係るびびり振動検知装置は、図１及び図２に示される構成と同様の構成を有している。したがって、実施の形態２に係るびびり振動検知装置の説明に際しては、図１及び図２を参照する。実施の形態２に係るびびり振動検知装置は、特徴量抽出部１０３によって抽出される特徴量の種類の点に関して、実施の形態１に係るびびり振動検知装置１００と異なる。この点以外に関しては、実施の形態２に係るびびり振動検知装置は、実施の形態１に係るびびり振動検知装置１００と同じである。

実施の形態２における特徴量抽出部１０３は、以下のように特徴量を抽出する。まず、実施の形態２における特徴量抽出部１０３は、実施の形態１における特徴量抽出部１０３が抽出した特徴量を用いてびびり振動の有無の検知精度を求める。次に、実施の形態２における特徴量抽出部１０３は、抽出した特徴量のうちの１つの特徴量を除外した場合の、びびり振動の有無の検知精度を求める。このように、抽出した特徴量のうちの１つの特徴量を除外した場合の、びびり振動の有無の検知精度を互いに比較し、検知精度が最も低くなった場合に、除外された特徴量を特定する。検知精度が最も低くなったときに除外された特徴量は、びびり振動の検知にとって、最も有効な特徴量であると考えられる。実施の形態２においては、このような方法によって、びびり振動の検知にとって有効な上位１０位までの特徴量を決定している。これら上位１０位の特徴量を組み合わせて学習モデル１０５ａを生成することで、びびり振動の有無の判定を高精度に行うことができる。

実施の形態２においては、特徴量抽出部１０３は、学習処理のための抽出処理において、ＦＦＴ演算部１０２にてフレーム単位で変換された周波数空間のデータ（すなわち、周波数スペクトル）に対して、１つ以上のピーク（学習処理時における第１のピーク）を求め、１つ以上の第１のピークの周波数と１つ以上の第１のピークのパワーとを求める。特徴量抽出部１０３は、抽出された第１のピークに対して以下処理を行う。まず、特徴量抽出部１０３は、周波数スペクトルの全周波数帯域ＢａをＮ分割し、分割によって得られたＮ個の周波数帯域（すなわち、分割帯域）と、全周波数帯域Ｂａとに対して、例えば、以下の第１から第１０の学習情報（Ｊ１）〜（Ｊ１０）を特徴量として抽出する処理を行う。

（Ｊ１）全周波数帯域Ｂａにおいて切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークのパワーのうちの最大のパワーである最大ピークパワー（「第１の最大ピークパワー」とも言う。）を示す第１の学習情報。
（Ｊ２）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークのパワーの合計を示す第２の学習情報。
（Ｊ３）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークのパワーの平均を示す第３の学習情報。
（Ｊ４）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークのパワーの分散を示す第４の学習情報。
（Ｊ５）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークにおいて、１番目に大きいパワーを持つ第１のピークのパワーを示す第５の学習情報。
（Ｊ６）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークにおいて、２番目に大きいパワーを持つ第１のピークのパワーを示す第６の学習情報。
（Ｊ７）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークにおいて、３番目に大きいパワーを持つ第１のピークのパワーを示す第７の学習情報。
（Ｊ８）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における切削基本周波数Ｆｃの非整数倍の周波数を持つ第１のピークの数を示す第８の学習情報。
（Ｊ９）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークの数を示す第９の学習情報。
（Ｊ１０）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第１のピークの数の、全周波数帯域における第１のピークの全数に対する割合を示す第１０の学習情報。

びびり振動学習部１０４は、学習処理において、第１から第１０の学習情報（Ｊ１）〜（Ｊ１０）のうちの２つ以上の学習情報の組み合わせから学習モデル１０５ａを生成することができる。

特徴量抽出部１０３は、判定処理のための抽出処理において、学習処理時のための抽出処理と同様の処理を行う。特徴量抽出部１０３は、判定処理のための抽出処理において、ＦＦＴ演算部１０２にてフレーム単位で変換された周波数空間のデータ（すなわち、周波数スペクトル）に対して、１つ以上のピーク（判定処理時における第２のピーク）を求め、１つ以上の第２のピークの周波数と１つ以上の第２のピークのパワーとを求める。周波数スペクトルに変換されたデータに対して、第２のピークを求め、この第２のピークの周波数と第２のピークのパワーとを求める。特徴量抽出部１０３は、抽出された第２のピークに対して以下の処理を行う。まず、特徴量抽出部１０３は、周波数スペクトルの全周波数帯域ＢａをＮ分割し、分割によって得られたＮ個の周波数帯域（すなわち、分割帯域）と、全周波数帯域Ｂａとに対して、例えば、以下の第１から第１０の判定情報（Ｋ１）〜（Ｋ１０）を特徴量として抽出する処理を行う。

（Ｋ１）全周波数帯域Ｂａにおいて切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークのパワーのうちの最大のパワーである最大ピークパワー（「第２の最大ピークパワー」とも言う。）を示す第１の判定情報。
（Ｋ２）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークのパワーの合計を示す第２の判定情報。
（Ｋ３）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークのパワーの平均を示す第３の判定情報。
（Ｋ４）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークのパワーの分散を示す第４の判定情報。
（Ｋ５）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークにおいて、１番目に大きいパワーを持つ第２のピークのパワーを示す第５の判定情報。
（Ｋ６）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークにおいて、２番目に大きいパワーを持つ第２のピークのパワーを示す第６の判定情報。
（Ｋ７）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークにおいて、３番目に大きいパワーを持つ第２のピークのパワーを示す第７の判定情報。
（Ｋ８）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における切削基本周波数Ｆｃの非整数倍の周波数を持つ第２のピークの数を示す第８の判定情報。
（Ｋ９）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークの数を示す第９の判定情報。
（Ｋ１０）複数の分割帯域のうちの切削基本周波数Ｆｃを含む分割帯域における第２のピークの数の、全周波数帯域における第２のピークの全数に対する割合を示す第１０の判定情報。

びびり振動判定部１０６は、判定処理において、第１から第１０の判定情報（Ｋ１）〜（Ｋ１０）のうちの、抽出された２つ以上の判定情報の組み合わせに基づいて、判定対象データＤ２がびびり振動有りを示すデータであるか否かを、学習モデル１０５ａを参照して判定する。びびり振動判定部１０６によって行われる判定処理は、学習モデル１０５ａに格納されている学習情報を取得する際に行われた学習処理に対応する処理である。

図１０（Ａ）から（Ｉ）は、実施の形態２に係るびびり振動検知装置の特徴量抽出部１０３によって抽出される特徴量の例を示す図である。図１０（Ａ）から（Ｉ）は、特徴量抽出部１０３によって抽出された特徴量のうち、全周波数帯域Ｂａにおいて切削基本周波数Ｆｃの非整数倍の周波数を持つピークのパワーのうちの最大のパワーである最大ピークパワーを示す第１の学習情報（Ｊ１）と、第２から第１０の学習情報（Ｊ２）〜（Ｊ１０）のいずれか１つ以上とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ａ）は、第１の学習情報（Ｊ１）と第８の学習情報（Ｊ８）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｂ）は、第１の学習情報（Ｊ１）と第９の学習情報（Ｊ９）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｃ）は、第１の学習情報（Ｊ１）と第１０の学習情報（Ｊ１０）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｄ）は、第１の学習情報（Ｊ１）と第２の学習情報（Ｊ２）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｅ）は、第１の学習情報（Ｊ１）と第３の学習情報（Ｊ３）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｆ）は、第１の学習情報（Ｊ１）と第４の学習情報（Ｊ４）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｇ）は、第１の学習情報（Ｊ１）と第５の学習情報（Ｊ５）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｈ）は、第１の学習情報（Ｊ１）と第６の学習情報（Ｊ６）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ｉ）は、第１の学習情報（Ｊ１）と第７の学習情報（Ｊ７）とを組み合わせた特徴量空間に、実際の切削加工時におけるｘ方向の振動を検出するセンサ２０４からのセンサデータをプロットし、びびり振動の有無の分布を可視化した結果を示している。

図１０（Ａ）から（Ｉ）から理解できるように、横軸である「全周波数帯域Ｂａにおける切削基本周波数Ｆｃの非整数倍の周波数のうちの最大ピークパワー」の特徴量が大きい値では、びびり振動有りの分布（すなわち、白い三角形印）が、特徴量が小さい値の場合は、びびり振動無しの分布（すなわち、黒い丸印）になっていることがわかる。

また、図１０（Ａ）から（Ｉ）の縦軸を見ると、「分割帯域Ｂ１（切削基本周波数Ｆｃを含む分割帯域）でのピークパワーの分散」、或いは、「分割帯域Ｂ１（切削基本周波数Ｆｃを含む分割帯域）での３番目に大きいピークパワー」が小さな値の場合は、びびり振動無しの分布が、大きな値の場合は、びびり振動有りの分布が存在していることがわかる。これら２つの組み合わせで見ると、左下の領域がびびり振動無しの分布領域、それ以外の領域がびびり振動有りの分布領域となっていることが概略的に理解できる。

以上に説明したように、実施の形態２に係るびびり振動検知装置又はびびり振動検知方法を用いれば、「全周波数帯域Ｂａにおける切削基本周波数Ｆｃの非整数倍の周波数のうちの最大ピークパワー」は、びびり振動の有無の分布を分類するのに非常に効果的な特徴量であり、さらに、「分割帯域Ｂ１（切削基本周波数Ｆｃを含む分割帯域）でのピークパワーの分散」又は「分割帯域Ｂ１（切削基本周波数Ｆｃを含む分割帯域）での３番目に大きいピークパワー」のような効果的な特徴量を使用することにより、びびり振動の有無の判定を正確かつ容易に行うことが可能になる。

なお、複数の特徴量の他の組み合わせもよる多次元の周波数空間を用いて、びびり振動の有無を判定することも可能である。

実施の形態２においては、実施の形態１における特徴量の１つ減らした場合に、びびり振動の有無の判定精度がどの程度低下するかという観点から、びびり振動の有無の判定に用いる特徴量の種類を選択した例を説明している。つまり、特徴量を１つ減らした場合に、びびり振動の判定精度が大きく低下する場合には、その特徴量は、びびり振動の有無の判定に非常に有効な特徴量の組み合わせであると考えられる。このような処理を、学習モデル１０５ａの生成に適用することで、びびり振動の有無の判定を高精度に行うことができる。

《３》実施の形態３．
実施の形態３に係るびびり振動検知装置は、図１及び図２に示される構成と同様の構成を有している。したがって、実施の形態３に係るびびり振動検知装置の説明に際しては、図１及び図２も参照する。実施の形態３に係るびびり振動検知装置は、特徴量抽出部１０３によって抽出される特徴量の点に関して、実施の形態１又は２に係るびびり振動検知装置と異なる。この点以外に関しては、実施の形態３に係るびびり振動検知装置は、実施の形態１又は２に係るびびり振動検知装置と同じである。

図１１は、実施の形態３に係るびびり振動検知装置の学習処理時に、特徴量抽出部１０３によって生成される特徴ベクトルを含む学習用データＬ２の例を表形式で示す図である。図１２は、実施の形態３に係るびびり振動検知装置の判定処理時に、びびり振動判定部１０６に入力される１フレーム分の特徴量を含む判定対象データＤ２の例を表形式で示す図である。

実施の形態３に係るびびり振動検知装置は、ＮＣ装置２０７から加工条件パラメータＤ４を取得する。加工条件パラメータＤ４は、例えば、切削回転速度（すなわち、切削回転周波数）、加工対象物の材質、加工対象物の送り速度、加工対象物の削り厚、加工の種別（例えば、エンドミル加工又は突切り加工など）、などである。

びびり振動の有無の学習処理時には、特徴量抽出部１０３は、図１１に示されるような１つ以上の特徴ベクトルを生成する。びびり振動学習部１０４は、生成された１つ以上の特徴ベクトルから生成された学習モデル１０５ａを記憶部１０５に格納する。

びびり振動の有無の判定時には、特徴量抽出部１０３は、図１２に示されるような特徴量を生成し、びびり振動判定部１０６は、特徴量抽出部１０３によって生成された特徴量について、学習モデル１０５ａを参照して、びびり振動の有無を判定する。

以上に説明したように、実施の形態３に係るびびり振動検知装置又はびびり振動検知方法を用いれば、ＮＣ装置２０７から切削加工時のパラメータを取得し特徴ベクトルに加えて、びびり振動の有無の学習を行う。また、ＮＣ装置２０７から切削加工時のパラメータを取得し特徴ベクトルに加えて、びびり振動の有無の判定を行う。このように、実施の形態３に係るびびり振動検知装置又はびびり振動検知方法を用いれば、各種の切削条件の各々に、学習モデル１０５ａを用意する必要がなく、１つの学習モデル１０５ａを、複数の切削条件におけるびびり振動の有無の判定に用いることができる。

《４》実施の形態４．
図１３は、実施の形態４に係るびびり振動検知装置４００の構成を概略的に示すブロック図である。図１３において、図２に示される構成要素と同一又は対応する構成要素には、図２に示される符号と同一の符号が付されている。実施の形態４に係るびびり振動検知装置４００は、ユーザが学習用ラベルを入力するときに使用する操作入力部としての学習用ラベル入力部３０１と、切削加工時におけるセンサデータＤ０を一時記憶する一時記憶部３０３と、一時記憶部３０３に一時記憶されたセンサデータＤ０にユーザが入力した学習用ラベルを付与し、ラベル付きセンサデータ１０１ａに学習用データを追加する学習データ生成部３０２とを備えている点が、実施の形態１から３に係るびびり振動検知装置と異なる。この点以外に関しては、実施の形態４に係るびびり振動検知装置は、実施の形態１から３のいずれかに係るびびり振動検知装置と同じである。

実施の形態１から３に係るびびり振動検知装置は、事前の学習処理によって生成された学習モデル１０５ａを使用して、びびり振動の有無の判定処理を実施する。しかし、新しいパターンの切削加工を行う場合には、学習モデル１０５ａが、新しいパターンの切削加工に対応できず、びびり振動の有無の判定を正確に行うことができない状況が有りうる。

そこで、実施の形態４に係るびびり振動検知装置４００では、切削加工時にセンサデータＤ０を一時記憶部３０３で一時記憶する。そして、びびり振動判定部１０６によって判定されたびびり振動の有無の判定結果情報は、判定結果表示部３０４に表示される。ユーザは、表示された判定結果情報を確認する。ユーザは、判定結果情報が、自身が直接認識したびびり振動の有無の状態と異なる場合には、誤判定が生じたと認識し、正しい判定結果を学習用ラベル入力部３０１から、例えば、手で入力する。学習データ生成部３０２は、一時記憶部３０３に一時記憶されたセンサ２０４から出力されたセンサデータＤ０に対して、ユーザが入力した学習用ラベルＬ０を付与し、新たなラベル付きセンサデータを作成し、既存のラベル付きセンサデータに新たなラベル付きセンサデータ（すなわち、新たな学習用データ）を追加する。そして、新たな学習用データとしてＦＦＴ演算部１０２、特徴量抽出部１０３での処理で特徴ベクトルを生成し、びびり振動学習部１０４で学習を行うことで学習モデル１０５ａを更新する。

以上に説明したように、実施の形態４に係るびびり振動検知装置４００又はびびり振動検知方法を用いれば、びびり振動判定部１０６のびびり振動の判定結果が誤判定であった場合、ユーザが学習用ラベル入力部３０１から正しい判定結果を入力することが可能である。このため、オンサイト（例えば、サービス提供者が加工装置２００のびびり振動検知装置１００の設置場所に出向いて行うサービス）での追加学習が可能になり、びびり振動の新たな発生パターンにも柔軟に対応することができる。

《５》実施の形態５．
実施の形態５に係るびびり振動検知装置は、図１３に示される構成と同様の構成を有している。したがって、実施の形態５に係るびびり振動検知装置の説明に際しては、図１３を参照する。実施の形態５に係るびびり振動検知装置は、判定結果表示部３０４が、びびり振動の判定結果の確信度を示すびびり振動検知確信度を提示情報Ｄ３ａとしてユーザに提示する点が、実施の形態４に係るびびり振動検知装置と異なる。この点以外に関しては、実施の形態５に係るびびり振動検知装置は、実施の形態４に係るびびり振動検知装置と同じである。

びびり振動判定部１０６は、びびり振動検知確信度を公知の方法によって、取得することができる。例えば、びびり振動判定部１０６がサポートベクターマシンである場合には、びびり振動判定部１０６は、２つのクラスを分ける境界面からの符号付き距離を、シグモイド関数により、入力が特定のクラスに属している事後確率に変換し、これを確信度として出力することができる。この方法は、例えば、非特許文献２に記載されている。

以上に説明したように、実施の形態５に係るびびり振動検知装置又はびびり振動検知方法を用いれば、びびり振動判定結果の確信度をユーザが把握でき、各進度が低い場合に、ユーザが正しい学習用ラベルを入力することで、学習モデル１０５ａをオンサイトで更新することができる

《６》実施の形態６．
図１４は、実施の形態６に係るびびり振動検知装置６００の構成を概略的に示すブロック図である。図１４において、図１３に示される構成要素と同一又は対応する構成要素には、図１３に示される符号と同一の符号が付されている。実施の形態６に係るびびり振動検知装置６００は、びびり振動検知確信度Ｄ５が、学習データ生成部３０２に提供されている点が、実施の形態５に係るびびり振動検知装置と異なる。この点以外に関しては、実施の形態６に係るびびり振動検知装置は、実施の形態５に係るびびり振動検知装置と同じである。

実施の形態６に係るびびり振動検知装置６００では、学習データ生成部３０２は、びびり振動判定部１０６が出力したびびり振動検知確信度Ｄ５が予め設定しておいた閾値よりも高い場合、一時記憶部３０３に一時記憶されたセンサデータＤ０に、びびり振動判定部１０６が判定した判定結果を学習用ラベルとして付与する。

以上に説明したように、実施の形態６に係るびびり振動検知装置６００又はびびり振動検知方法を用いれば、びびり振動判定部１０６がびびり振動検知確信度Ｄ５を学習データ生成部３０２に提供するので、びびり振動の判定結果が正しいものとしてセンサデータＤ０に対して判定したびびり振動の有無の結果を学習用ラベルとして付与することができ、学習強化をオンサイトで自動的に行うことができる

《７》実施の形態７．
図１５は、実施の形態７に係るびびり振動抑制装置７０の構成及び切削加工を行う加工装置２００の構成を概略的に示す図である。図１５において、図１に示される構成要素と同一又は対応する構成要素には、図１に示される符号と同じ符号が付されている。実施の形態７に係るびびり振動検知装置７００を含むシステムは、ＮＣ装置２０７から加工位置情報Ｌ３を取得し、さらに、切削加工後に加工面を撮影する加工面撮影部４０１と、加工面撮影部４０１が撮影した加工面の画像からびびり振動の有無の判定を行う画像判定部４０２とを備えている点に関して、図１に示されるシステムと異なる。

図１６は、実施の形態７に係るびびり振動検知装置７００の構成を概略的に示すブロック図である。図１６において、図１３に示される構成要素と同一又は対応する構成要素には、図１３に示される符号と同じ符号が付されている。実施の形態７に係るびびり振動検知装置７００の内部構成を示す。実施の形態１の構成に対して、上述した加工面撮影部４０１、画像判定部４０２が追加されている。この点以外に関しては、実施の形態７に係るびびり振動検知装置７００は、実施の形態４に係るびびり振動検知装置と同じである。

次に、実施の形態７における動作を説明する。一時記憶部３０３は、切削加工時にセンサ２０４から出力されたセンサデータＤ０を一時記憶するとともに、切削加工時に加工位置情報Ｌ３をセンサデータＤ０と関連付けて一時記憶する。切削加工が終了すると、加工面撮影部４０１は、加工面の画像を撮影する。そして、画像判定部４０２は、撮影された加工面の画像の画像データＩ０からびびり振動の有無の判定処理を行い、その画像内の座標を含む判定結果情報Ｉ１を出力する。ここで、加工面の画像からびびり振動の有無を判定する判定アルゴリズムは、公知である。この判定アルゴリズムでは、例えば、画像認識に適した畳み込みニューラルネットワークによる深層学習により、事前に、びびり振動が有る場合と無い場合の画像を学習し、その学習モデルを用いる。

そして、学習データ生成部３０２は、加工面の画像データＩ０から取得した、びびり振動の有無の判定結果に対応する画像内の座標を含む判定結果情報Ｉ１と、ＮＣ装置２０７から取得した加工位置情報Ｌ３とに基づいて、一時記憶したセンサデータＤ０に、新たなびびり振動の有無の学習用ラベルを付加する。具体的には、事前のキャリブレーションによって、画像内のピクセル座標と実際の加工座標系の座標との関係が得られており、ピクセル座標から実際の加工座標系の座標への座標変換を可能としている。画像判定部４０２が検知したびびり振動有りのピクセル座標又はびびり振動無しのピクセル座標を、実際の加工座標系の座標に変換することで、切削加工時のセンサ２０４から出力されたセンサデータＤ０に対してびびり振動の有無のラベルの付与を、フレーム単位の精度で行うことができる。ラベルが付与されたセンサデータは、ラベル付きセンサデータ１０１ａに新規の学習用データとして追加される。そして、ＦＦＴ演算部１０２及び特徴量抽出部１０３は、追加された学習用データを含むラベル付きセンサデータから、特徴ベクトルを生成する。びびり振動学習部１０４は、特徴ベクトルを用いて学習を行うことで、学習モデル１０５ａを更新する。上記の学習用データの追加の処理は、びびり振動判定部１０６の判定結果が、画像判定部４０２での判定結果と異なった場合に実施される。

以上に説明したように、実施の形態７に係るびびり振動検知装置７００又はびびり振動検知方法を用いれば、びびり振動判定部１０６の判定結果が、画像判定部４０２での判定結果と異なった場合に、画像判定部４０２での判定結果を用いてセンシングデータに対してラベル付与を自動で行う。このため、ユーザによる学習用ラベル生成のための入力作業は不要であり、オンサイトでの追加学習が可能になる。

また、学習データ生成部３０２により、切削加工時にびびり振動が発生した場合であっても、対応するセンサデータＤ０の箇所に、正しく学習用ラベルの付与を行うことができる。このため、学習モデルの更新の自動化が可能となり、学習モデルの更新による学習強化が可能になる。

《８》実施の形態８．
図１７は、実施の形態８に係るびびり振動検知装置８００の構成を概略的に示すブロック図である。図１７において、図１６に示される構成要素と同一又は対応する構成要素には、図１６に示される符号と同じ符号が付されている。この点以外に関して、実施の形態８に係るびびり振動検知装置８００は、実施の形態７に係るびびり振動検知装置と同じである。

実施の形態７では、学習用データの追加の処理は、びびり振動判定部１０６の判定結果が、画像判定部４０２での判定結果と異なった場合に実施されている。これに対し、実施の形態８に係るびびり振動検知装置８００では、びびり振動判定部１０６は、実施の形態５で説明されたびびり振動検知確信度Ｄ５を学習データ生成部３０２に出力する。出力されたびびり振動検知確信度Ｄ５が予め決められた閾値よりも低い場合、学習データ生成部３０２は、画像判定部４０２からの、びびり振動の有無の判定結果に対応する画像内の座標を含む判定結果情報Ｉ１を用いて、学習用データを更新する。

以上に説明したように、実施の形態８に係るびびり振動検知装置８００又はびびり振動検知方法を用いれば、びびり振動判定部１０６がびびり振動検知確信度Ｄ５を出力し、このびびり振動検知確信度Ｄ５が予め決められた閾値よりも低い場合に、画像判定部４０２による学習用ラベルと一時記憶したセンサデータＤ０を用いて学習用データを生成するようにしている。このため、精度向上に効果的な新たな学習用データを追加することができる。このため、学習モデルの更新の自動化が可能となり、学習モデルの更新による学習強化が可能になる。

《９》実施の形態９．
実施の形態５及び６において、図１４におけるびびり振動判定部１０６がびびり振動検知確信度Ｄ５に応じて、学習データ生成部３０２が追加の学習用データを生成し、これをラベル付きセンサデータ１０１ａに追加し、オンサイトで追加学習を実施し、学習モデル１０５ａを更新している。同様に、実施の形態７及び８において、図１７におけるびびり振動判定部１０６がびびり振動検知確信度Ｄ５に応じて、学習データ生成部３０２が追加の学習用データを生成し、ラベル付きセンサデータ１０１ａに追加し、オンサイトで追加学習を実施し、学習モデル１０５ａを更新している。

図１８は、実施の形態９に係るびびり振動検知装置９００の構成を概略的に示すブロック図である。図１８において、図１３に示される構成要素と同一又は対応する構成要素には、図１３に示される符号と同じ符号が付されている。図１９は、実施の形態９の変形例に係るびびり振動検知装置９０１の構成を概略的に示すブロック図である。図１９において、図１８に示される構成要素と同一又は対応する構成要素には、図１８に示される符号と同じ符号が付されている。

実施の形態９に係るびびり振動検知装置９００，９０１は、学習データ生成部３０２が学習用データをオンサイトで新規に生成し、図１８又は図１９に示されるように、ラベル付きセンサデータ１０１ａが追加された際に、サーバ５０１にラベル付きセンサデータ１０１ａが送信するための通信制御部１０８を備えている。通信制御部１０８は、データ通信量を抑制するために、追加又は変更された学習用データのみをサーバ５０１に送信してもよい。サーバ５０１は、びびり振動検知装置９００又は９０１と、図示されていない複数のびびり振動検知装置と、ネットワークを介して接続されており、複数のびびり振動検知装置から収集された学習用データを用いて、ＦＦＴ演算部１０２、特徴量抽出部１０３、びびり振動学習部１０４と同じ処理で学習を行ってもよい。このようなサーバ５０１に接続されることによって、新たに生成された学習モデル１０５ａは、同じタイプの複数のびびり振動検知装置の学習モデル１０５ａの更新に利用することができる。このようなサーバ５０１からの送信データに基づく更新処理は、各びびり振動検知装置が必要とするタイミングで、行うことができる。

また、サーバ５０１からの送信データに基づく学習モデルの更新を行うか否かは、加工条件パラメータＤ４を参照して、決められてもよい。例えば、学習モデルを採用するびびり振動検知装置の加工条件パラメータＤ４と、更新対象の学習モデルを有するびびり振動検知装置の更新対象の加工条件パラメータＤ４とが一致する場合、又は、一致度が予め決められた閾値以上である場合に、更新対象の学習モデルを有するびびり振動検知装置の学習モデルを更新するようにしてもよい。言い換えれば、通信制御部１０８は、学習用データに対応する加工条件パラメータＤ４をサーバ５０１に送信し、送信された加工条件パラメータＤ４と同じ又はこの加工条件パラメータＤ４と予め決められた関係を持つ加工条件パラメータＤ４の学習用データを新たな学習モデルとして受信するようにしてもよい。

以上に説明したように、実施の形態９に係るびびり振動検知装置９００，９０１又はびびり振動検知方法を用いれば、各びびり振動検知装置１００が生成した学習用データをサーバ５０１が収集し新たな学習モデル１０５ａを生成し、各びびり振動検知装置１００に配信する。このため、びびり振動検知装置のみによるオンサイトでの学習よりも、効率的に学習強化ができ、様々なびびり振動を高精度化で検知することができる。

また、サーバ５０１が、同一又は近い加工条件ごとに、学習モデル１０５ａを生成し、各びびり振動検知装置は、実施しようとする加工条件と同一又は近い加工条件パラメータＤ４の学習用データで生成された学習モデル１０５ａをサーバ５０１から取得することが可能である。この場合には、びびり振動の有無を高精度で判定することができる。また、サーバでこのような個々の加工条件に対する学習用データを生成することで、効率良く学習用データを生成することができる。

《１０》変形例．
図２０は、実施の形態１から９の変形例に係るびびり振動検知装置のハードウェア構成の例を示す図である。実施の形態１から９の変形例に係るびびり振動検知装置は、例えば、ソフトウェアとしてのプログラム、すなわち、実施の形態１から９に係るびびり振動検知プログラムを格納する記憶装置としてのメモリ６０２と、メモリ６０２に格納されたプログラムを実行する情報処理部としてのプロセッサ６０１と備える。変形例に係るびびり振動検知装置は、例えば、コンピュータである。変形例に係るびびり振動検知プログラムは、情報を記憶する記憶媒体から読取装置（図示せず）を介して又はインターネットなどに接続可能な通信インタフェース（図示せず）を介してメモリ６０２に格納される。また、変形例に係るびびり振動検知装置は、マウス６０３及びキーボード６０４などのようなユーザ操作部である入力装置と、画像を表示する表示装置６０５及び音声を出力する音声出力部（図示せず）などのような出力装置とを有してもよい。また、変形例に係るびびり振動検知装置は、データベースなどの各種情報を格納する補助記憶装置６０６を有してもよい。補助記憶装置６０６は、通信インタフェース（図示せず）を介して接続可能なクラウド上に存在する記憶装置であってもよい。

実施の形態１から９のいずれかにおけるＦＦＴ演算部１０２、特徴量抽出部１０３、びびり振動学習部１０４、びびり振動判定部１０６、びびり振動抑制部１０７、学習データ生成部３０２、画像判定部４０２、通信制御部１０８、及びＮＣ装置２０７の全体又は一部は、図２０のメモリ６０２に格納されているプログラムを実行するプロセッサ６０１によって実現されることができる。また、記憶部１０１、記憶部１０５、一時記憶部３０３は、図２０の補助記憶装置６０６の一部であってもよい。

実施の形態１から９及びそれらの変形例における構成は、適宜、互いに組み合わせることができる。

１０，７０びびり振動抑制装置、１００，４００，６００，７００，８００，９００，９０１びびり振動検知装置、１０１記憶部（第１の記憶部）、１０１ａラベル付きセンサデータ、１０２ＦＦＴ演算部（変換処理部）、１０３特徴量抽出部、１０４びびり振動学習部、１０５記憶部（第２の記憶部）、１０５ａ学習モデル、１０６びびり振動判定部、１０７びびり振動抑制部、２００加工装置、２０１切削工具、２０２主軸部、２０３ステージ、２０４センサ（加速度センサ）、２０５支持部、２０６加工対象物（被加工物）、２０７ＮＣ装置、３０１学習用ラベル入力部、３０２学習データ生成部、３０３一時記憶部、３０４判定結果表示部、４０１加工面撮影部、４０２画像判定部、５０１サーバ。

Claims

加工対象物を加工する加工装置の切削工具の振動を検出するセンサから出力されたセンサデータに基づいて、びびり振動の有無を判定するびびり振動検知装置であって、
センサデータにびびり振動の有無を示すラベルを付加することによって作成されたラベル付きセンサデータを記憶する第１の記憶部と、
前記ラベル付きセンサデータから１つ以上の第１の特徴量を学習用データとして抽出する第１の抽出処理と、前記センサデータから１つ以上の第２の特徴量を含む判定対象データを抽出する第２の抽出処理と、を行う特徴量抽出部と、
前記学習用データから学習モデルを生成するびびり振動学習部と、
前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定するびびり振動判定部と、
を備えたことを特徴とするびびり振動検知装置。
前記ラベル付きセンサデータをフーリエ変換することによって周波数空間の第１のデータを生成する第１の変換処理と、前記センサから出力された前記センサデータをフーリエ変換することによって周波数空間の第２のデータを生成する第２の変換処理と、を行う変換処理部をさらに備え、
前記特徴量抽出部は、前記第１のデータから前記学習用データを抽出し、前記第２のデータから前記判定対象データを抽出する
ことを特徴とする請求項１に記載のびびり振動検知装置。
前記変換処理部は、単位時間に加工対象物を切削する前記切削工具の刃の数に対応する切削基本周波数が、前記センサデータのサンプリング周波数によって決まる周波数分解能の整数倍になるように、前記フーリエ変換におけるウィンドウサイズを決定する
ことを特徴とする請求項２に記載のびびり振動検知装置。
前記特徴量抽出部は、
前記変換処理部から出力された前記第１のデータから抽出された１つ以上の第１のピークの周波数と前記１つ以上の第１のピークのパワーとに基づいて前記１つ以上の前記第１の特徴量を抽出し、
前記変換処理部から出力された前記第２のデータから抽出された１つ以上の第２のピークの周波数と前記１つ以上の第２のピークのパワーとに基づいて前記１つ以上の前記第２の特徴量を抽出する
ことを特徴とする請求項３に記載のびびり振動検知装置。
前記特徴量抽出部は、前記第１の抽出処理に際し、
前記第１のデータの周波数スペクトルの全周波数帯域を予め決められた数の複数の周波数帯域に分割し、
前記複数の周波数帯域である複数の分割帯域の各々において、
前記第１のピークのパワーの合計、平均、又は分散を示す第１の学習情報、
前記第１のピークの数を示す第２の学習情報、
前記第１のピークのうちの、上位３位以内のパワーを持つ前記第１のピークのパワー及び周波数を示す第３の学習情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第１のピークのパワーの合計、平均、又は分散を示す第４の学習情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第１のピークのうちの、上位３位以内のパワーを持つ前記第１のピークのパワー及び周波数を示す第５の学習情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第１のピークの数を示す第６の学習情報、
前記全周波数帯域における前記第１のピークの数に対する前記切削基本周波数の非整数倍の周波数を持つ前記第１のピークの数の割合を示す第７の学習情報、
前記切削基本周波数の整数倍の周波数を持つ前記第１のピークのパワーの合計、平均、又は分散を示す第８の学習情報、
前記切削基本周波数の整数倍の周波数を持つ前記第１のピークのうちの、上位３位以内のパワーを持つ第１のピークのパワー及び周波数を示す第９の学習情報、及び
前記切削基本周波数の整数倍の周波数を持つ前記第１のピークの数を示す第１０の学習情報、
のうちの２つ以上の学習情報を抽出し、
前記びびり振動学習部は、前記第１から第１０の学習情報のうちの２つ以上の学習情報の組み合わせから前記学習モデルを生成し、
前記特徴量抽出部は、前記第２の抽出処理に際し、
前記第２のデータの周波数スペクトルの全周波数帯域を前記複数の分割帯域に分割し、
前記複数の分割帯域の各々において、
前記第２のピークのパワーの合計、平均、又は分散を示す第１の判定情報、
前記第２のピークの数を示す第２の判定情報、
前記第２のピークのうちの、上位３位以内のパワーを持つ前記第２のピークのパワー及び周波数を示す第３の判定情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第２のピークのパワーの合計、平均、又は分散を示す第４の判定情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第２のピークのうちの、上位３位以内のパワーを持つ前記第２のピークのパワー及び周波数を示す第５の判定情報、
前記切削基本周波数の非整数倍の周波数を持つ前記第２のピークの数を示す第６の判定情報、
前記全周波数帯域における前記第２のピークの数に対する前記切削基本周波数の非整数倍の周波数を持つ前記第２のピークの数の割合を示す第７の判定情報、
前記切削基本周波数の整数倍の周波数を持つ前記第２のピークのパワーの合計、平均、又は分散を示す第８の判定情報、
前記切削基本周波数の整数倍の周波数を持つ前記第２のピークのうちの、上位３位以内のパワーを持つ第２のピークのパワー及び周波数を示す第９の判定情報、及び
前記切削基本周波数の整数倍の周波数を持つ前記第２のピークの数を示す第１０の判定情報、
のうちの２つ以上の判定情報を抽出し、
前記びびり振動判定部は、前記第１から第１０の判定情報のうちの、抽出された前記２つ以上の判定情報の組み合わせに基づいて、前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定する
ことを特徴とする請求項４に記載のびびり振動検知装置。
前記特徴量抽出部は、前記第１の抽出処理に際し、
前記第１のデータの周波数スペクトルの全周波数帯域を予め決められた数の複数の周波数帯域に分割し、
全周波数帯域において前記切削基本周波数の非整数倍の周波数を持つ第１のピークのパワーのうちの最大のパワーである第１の最大ピークパワーを示す第１の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークのパワーの合計を示す第２の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークのパワーの平均を示す第３の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークのパワーの分散を示す第４の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークにおいて、１番目に大きいパワーを持つ第１のピークのパワーを示す第５の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークにおいて、２番目に大きいパワーを持つ第１のピークのパワーを示す第６の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークにおいて、３番目に大きいパワーを持つ第１のピークのパワーを示す第７の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における前記切削基本周波数の非整数倍の周波数を持つ第１のピークの数を示す第８の学習情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークの数を示す第９の学習情報、及び
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第１のピークの数の、前記全周波数帯域における第１のピークの全数に対する割合を示す第１０の学習情報、
のうちの２つ以上の学習情報を抽出し、
前記びびり振動学習部は、前記第１から第１０の学習情報のうちの２つ以上の学習情報の組み合わせから前記学習モデルを生成し、
前記特徴量抽出部は、前記第２の抽出処理に際し、
前記第２のデータの周波数スペクトルの全周波数帯域を前記複数の分割帯域に分割し、
全周波数帯域において前記切削基本周波数の非整数倍の周波数を持つ第２のピークのパワーのうちの最大のパワーである第２の最大ピークパワーを示す第１の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークのパワーの合計を示す第２の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークのパワーの平均を示す第３の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークのパワーの分散を示す第４の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークにおいて、１番目に大きいパワーを持つ第２のピークのパワーを示す第５の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークにおいて、２番目に大きいパワーを持つ第２のピークのパワーを示す第６の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークにおいて、３番目に大きいパワーを持つ第２のピークのパワーを示す第７の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における前記切削基本周波数の非整数倍の周波数を持つ第２のピークの数を示す第８の判定情報、
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークの数を示す第９の判定情報、及び
前記複数の分割帯域のうちの前記切削基本周波数を含む分割帯域における第２のピークの数の、前記全周波数帯域における第２のピークの全数に対する割合を示す第１０の判定情報、
のうちの２つ以上の判定情報を抽出し、
前記びびり振動判定部は、前記第１から第１０の判定情報のうちの２つ以上の判定情報の組み合わせに基づいて、前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定する
ことを特徴とする請求項４に記載のびびり振動検知装置。
前記学習用データは、前記加工装置による切削加工の条件である加工条件パラメータを含み、
前記びびり振動学習部は、前記加工条件パラメータを含む学習用データから前記学習モデルを生成し、
前記判定対象データは、前記加工装置による加工条件パラメータを含み、
前記びびり振動判定部は、前記加工条件パラメータを含む判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定する
ことを特徴とする請求項１に記載のびびり振動検知装置。
ユーザ入力を受け付ける学習用ラベル入力部と、
前記センサデータを一時的に記憶する一時記憶部と、
前記一時記憶部に記憶されている前記センサデータと前記ユーザ入力とから、新たなラベル付きセンサデータを生成し、前記第１の記憶部に記憶されているラベル付きセンサデータを、前記新たなラベル付きセンサデータを用いて更新する学習データ生成部と、
をさらに備えたことを特徴とする請求項１から７のいずれか１項に記載のびびり振動検知装置。
前記びびり振動判定部は、前記びびり振動判定部による判定の結果の確信度を示すびびり振動検知確信度を生成し、前記びびり振動検知確信度を表示装置に表示させる表示信号を出力することを特徴とする請求項８に記載のびびり振動検知装置。
前記センサデータを一時的に記憶する一時記憶部と、
前記加工対象物の加工面を撮影することで得られた画像に基づくびびり振動の有無の判定の結果とから、新たなラベル付きセンサデータを生成し、前記第１の記憶部に記憶されているラベル付きセンサデータを、前記新たなラベル付きセンサデータを用いて更新する学習データ生成部と、
をさらに備えたことを特徴とする請求項１から７のいずれか１項に記載のびびり振動検知装置。
前記センサデータを一時的に記憶する一時記憶部と、
前記加工対象物の加工面を撮影することで得られた画像に基づいてびびり振動の有無を判定する画像判定部と、
前記判定の結果から、新たなラベル付きセンサデータを生成し、前記第１の記憶部に記憶されているラベル付きセンサデータを、前記新たなラベル付きセンサデータを用いて更新する学習データ生成部と、
をさらに備えたことを特徴とする請求項１から７のいずれか１項に記載のびびり振動検知装置。
前記びびり振動判定部は、前記びびり振動判定部による判定の結果の確信度を示すびびり振動検知確信度を生成し、
前記びびり振動判定部が出力したびびり振動検知確信度が予め決められた確信度の閾値よりも低い場合、前記学習データ生成部は、前記画像を用いて判定の結果に基づいて前記ラベル付きセンサデータを更新する
ことを特徴とする請求項１０又は１１に記載のびびり振動検知装置。
前記学習モデルを記憶する第２の記憶部と、
複数のびびり振動検知装置から学習用データを収集し、前記学習用データを用いて学習を行うサーバとの通信を可能にする通信制御部と、
をさらに備え、
前記通信制御部は、前記サーバで生成された新たな学習モデルを用いて前記学習モデルを更新する
ことを特徴とする請求項１から１２のいずれか１項に記載のびびり振動検知装置。
前記通信制御部は、前記学習用データに対応する加工条件パラメータを前記サーバに送信し、送信された前記加工条件パラメータと同じ又は前記加工条件パラメータと予め決められた関係を持つ加工条件パラメータの学習用データを前記新たな学習モデルとして受信することを特徴とする請求項１３に記載のびびり振動検知装置。
加工対象物を加工する加工装置の切削工具の振動を検出するセンサから出力されたセンサデータに基づいて、びびり振動の有無を判定するびびり振動検知方法であって、
センサデータにびびり振動の有無を示すラベルを付加することによって作成されたラベル付きセンサデータから１つ以上の第１の特徴量を学習用データとして抽出する第１の抽出処理を行うステップと、
前記センサデータから１つ以上の第２の特徴量を含む判定対象データを抽出する第２の抽出処理を行うステップと、
前記学習用データから学習モデルを生成するステップと、
前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定するステップと
を有することを特徴とするびびり振動検知方法。
加工対象物を加工する加工装置の切削工具の振動を検出するセンサから出力されたセンサデータに基づいて、びびり振動の有無を判定するびびり振動検知処理をコンピュータに実行させるびびり振動検知プログラムであって、
前記コンピュータに、
センサデータにびびり振動の有無を示すラベルを付加することによって作成されたラベル付きセンサデータから１つ以上の第１の特徴量を学習用データとして抽出する第１の抽出処理と、
前記センサデータから１つ以上の第２の特徴量を含む判定対象データを抽出する第２の抽出処理と、
前記学習用データから学習モデルを生成するステップと、
前記判定対象データがびびり振動有りを示すデータであるか否かを、前記学習モデルを参照して判定する処理と
を実行させることを特徴とするびびり振動検知プログラム。
請求項１から１４のいずれか１項に記載のびびり振動検知装置と、
前記びびり振動検知装置の前記びびり振動判定部から出力された前記判定の結果に基づいて、前記加工装置の動作を制御するびびり振動抑制部と、
を備えたことを特徴とするびびり振動抑制装置。