JP3553982B2 - 自動化された金属切削機械における切削工具の寿命を予測するシステム - Google Patents

Description

【０００１】
本発明は、製造のオートメーションに関し、特に影響図エキスパート・システムと複数のセンサを使用して切削工具の寿命を早期に予測することによって、これらの切削工具をタイミングよく交換し工具の摩耗を正確に予測するシステム及び方法に関する。
【０００２】
【従来の技術】
本発明の背景を、１例として製造のオートメーションと関連して説明する。
製造のオートメーションは急速に成長している分野であり、これによって製品の品質の改良、生産性の向上および生産コストの削減に大きなインパクトが与えられている。これは製造工程の種々のレベルで採用されて成功しているが、全ての金属切削作業を完全に自動化する場合の主要な障害は、切削工具をタイミングよく交換することである。現在、試行錯誤を繰り返すことによって、選択された適当な間隔で切削工具を交換するためには人間の介入が必要であり、一般的に１組の自動化されたマシニング・センタの工具を監視して交換するために一人の工員が割り当てられている。工具の状態を工程内で監視するための適当なセンサを設ければ、特に大量生産を行う生産ラインでは機械加工の経済性を改善することができる。切削工具の状態の監視、摩耗の診断および適当な機械の制御の問題は異なった方法によって探求されており、これらの方法にはリアル・タイムエキスパート・システムに基づくアプローチと数学的モデルに基づくアプローチが含まれる。これらのオンラインで行う監視技術によって、損傷した工具または摩耗した工具を正確に識別するための１つの解決法が与えられるが、これらは事後に行う技術であり、工具が摩耗または損傷した後適当な判断を仰ぐことになる。
【０００３】
工具の交換作業には、集中保管領域からの交換工具の受領、工場の管理装置から機械の制御装置への工具セット用のソフトウェアのロード、期待されている機械の停止時間に対して責任を負うための生産ラインの動的再スケジューリング等の複数の作業が含まれている。現在行われている工具の監視技術では、工具の交換準備を行う場合に、これらの複数の作業を行うのに適したリードタイムが与えられる。従って、切削工具の交換によって発生する停止時間を削減する場合に何等重要な改善が行われていない。現在行われているオンラインの監視に加えられている制約には各機械に対して専用のプロセッサが要求されることがあるが、このことは第１に今日のリアル・タイムの診断システムが厳しい応答時間の要求を行っていることである。
【０００４】
テキサス・インスツールメント社１９９１年の著作権。本特許書類の開示の一部には、著作権の保護を受ける事項がある。これらの事項が特許商標庁のファイルまたは記録にあるものである限り、著作権の使用者は何人がこれをファクシミリによって複写しても反対しないが、これ以外の場合全ての著作権が留保されている。
【０００５】
【課題が解決しようとする課題】
事前に適当に警告を行うことによって切削工具の交換作業を自動化するには、切削工具の適度に正確な寿命の見積が必要である。前に述べたように、重要な利点は、予測した工具寿命の情報を使用して機械加工作業を動的に再スケジュールすることが可能であり、在庫を減らすと共にロードコストを削減して切削工具を交換することができることである。テーラの工具寿命等式と呼ばれる数学的モデルに基礎をおく技術とこれに対する拡張を適用して切削工具の寿命を見積もることができる。しかし、これらの等式によって得られる切削工具寿命の見積は不十分なものである。例えば、ドリル作業場合、ワークの材料の硬度はドリルの寿命に影響を与える重要な要素であるが、これは考慮に入れられていない。ワークの硬度に対する補正を行ったテーラーの変形された等式を適応して、ドリル用工具の寿命の判定が行われているが、各々のワークの硬度は容易に入手可能ではなく、又容易に測定することもできないので、このようなアプローチは生産ラインでは実際的ではない。更に、幾くつかの他の機械加工の環境では、テーラーのモデルでは不適当であることが分かっている。
【０００６】
従って、工具の交換のための適当なリードタイムを得るため、切削工具の寿命をこの工具を最初に使用している間に正確に予測することができるシステムを有することが望ましい。
切削工具の摩耗診断の分野で今日使用されている幾くつかの技術には、パターン認識（ＰＲ）神経ネット（ＮＮ）およびリアルタイム・エキスパート・システム（ＲＴＳ）がある。ＰＲとＮＮは、幾くつかの摩耗の基準に基づいて既に分類されているパターンのサンプルを使用し、この事実を認識するようにシステムを訓練する。このようなアプローチは「監視学習」(supervised learning) と呼ぶ。「非監視学習」の場合、摩耗基準は使用されず、従って、サンプルが属するクラスに関する知識は事前委に入手可能でない。ファジー・クラスタ技術を使用するこのような非監視訓練のアプローチは、ドリル工具の分類の問題に適用されている。トルク・ダイナモメータからの推力およびトルク・データ使用することにより、ドリル工具の状態のファジーによる分類はうまく実行されている。しかし、ドリルは、切削端部が非常に損傷した場合のみ摩耗したものとして分類されている。このような予測は、ドリルが殆ど故障する時点まで遅延する。
【０００７】
ＲＴＥＳ技術の利点は、変更が容易であること、工具の現在の状態を分類した後、コストの機能を最適化することによって最適な制御上の判断を選択する能力、および異なった機械加工の作業に適用しながら、同じインタフェース・エンジンを設備が繰り返して使用することができることである。もし新しい機械加工のパラメータの組み合わせまたは新しいセンサを取り扱うために診断システムを更新する必要があれば、ＰＲまたはＮＮ技術の場合には、このシステムは新しいデータと古いデータを保持しなければならず、これは時間のかかるプロセスである。しかし、ＲＴＥＳの場合、知識のベースは新しい情報によって容易に更新することが可能である。
【０００８】
これまでのところ、現在のＲＴＥＳ技術の問題の１つは学習能力が欠如していることである。知識のベースの重要な要素を形成する条件付き確率分布の特徴と本質的な見積を得るため、ＲＴＥＳの開発とチューニングは関連するデータの詳細な分析を必要とする。
【０００９】
【課題を解決する手段】
自動化された金属切削機械における切削工具の寿命を予測するシステムは、上記の機械の切削作業に関連する物理的データを測定する複数のセンサと上記のセンサに接続されたコンピュータによって構成される。上記のコンピュータは、上記の物理量を特徴値に変換する特徴抽出装置と上記の切削工具の寿命の予測に到達する工具寿命予測装置によって構成される。上記の工具寿命予測装置は、特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノード有する影響図、各センサの特徴値の平均を計算する第１モジュール、上記の特徴の平均に応答し、上記の特徴の平均を長寿命または短寿命を示すものとして分類する第２モジュール、および上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と条件付き確率に到達すると共に上記の切削工具の予測寿命である上記の出力ノードの分類に到達する第３モジュールを有する。
【００１０】
更に、リアルタイム・エキスパート・システムの学習を可能にする方法は、第１及び第２変数が第３変数に対して有している影響に対応する関係構造を構築するステップ、一定の持続時間にわたってこれらの変数に対するデータを得るステップ、クラスを分割する試料の周囲の許容誤差のゾーンを判定するステップ、および許容誤差のゾーンに応答する動的距離の分類装置を使用し、第１及び第２変数に対する判定境界とこの判定境界と関連する確率を決定するステップによって構成される。これらの確率は、判定境界が第３変数の値に対して第１及び第２変数の値を分類する判定境界の信頼性を示す。
【００１１】
【実施例】
異なった図面において対応する数字と符号は、特に断らない限り、対応する部分を示す。
図１は、本発明を使用した自動化した製造作業を示す。金属切削機９０は、チャック１０８に取り付けられスピンドル・モータ１０６によって回転されるドリル・ビット１００を有する。スピンドル・モータ１０６は線１１６を介してＡＣ電源１１７に接続される。多数のセンサが、機械９０の孔開け作業に関連する物理的なデータを測定する。スピンドル・モータの電流計１１４は線１１６を介して流れるＡＣ電流を検出し、フィード・モータ電流計１１８は、線１２８を流れるＤＣ電流を測定し、ひずみ計１２２がチャック１０８に取り付けられて、工具１００によってワーク１０２に加えられる推力を測定し、加速時計１２８はバイス１０４の振動を検出し、ダイナモメータ１２４はバイス１０４によってテーブル１２６に加えられる力を測定する。これらのセンサからの出力は、アナログ信号調整器１３０に供給され、生の信号をＡ／Ｄ変換器１３２が入力として受け入れることが可能な範囲に調整する。アナログ信号調整器１３０からの調整信号は、線１６０乃至１７０を介してデジタル・コンピュータ１３４のＡ／Ｄ変換器１３２に転送される。コンピュータ１３４は、中央処理装置１３６とメモリ１３８を有する。コンピュータ１３４にはモニタ１４４、キーボード１４８、ディスク・ドライブ１４０、およびテープ・ドライブ１４２が接続されている。
【００１２】
機械９０の近傍にはメジャースコープ１４８が取り付けられ、これには、モニタ１５０が取り付けられている。メジャースコープ１４８は、ドリル・ビット１００の摩耗のあとを目視しによって測定できるような位置に取り付けられている。コンピュータ１３４は、センサ１１４、１１８、１２２、１２４、および１２８からの入力を処理し、ドリル・ビット１００が何時摩耗するかを予測し、この予測した寿命の終了時点で連続してドリル・ビット１００を監視する。この予測と診断は人間のオペレータが工具を交換する等の何らかのアクションを取ることができるようにモニタ１４４に表示してもよいし、またはドリル・ビット１００の調達と交換を自動的に開始してもよい。交換は、コンピュータ１３４に取り付けられた何らかのプロセス制御ハードウェア１１２によって行うことができる。機械９０の動作の一定の段階の間、コンピュータ１３４はデータの処理と機械９０の制御に関してアイドル状態にある。このアイドル時間を使用して他の機械（図示せず）にサービスを行うことができる。従って、コンピュータ１３４は、平行して動作する複数の機械の工具寿命を予測し、工具の摩耗を診断することができる。
【００１３】
機械９０の動作は、図２に示す影響図エキスパート・システム（ＩＤＥＳ）１５４によって制御される。図２が示すように、コンピュータ１３４は、影響図エキスパート・システム（ＩＤＥＳ）１５４を実行する。これは、ドリル・ビット１００の寿命の長さを予測し、ドリル・ビット１００の摩耗を監視し、ドリル・ビット１００が摩耗していると診断された場合には、交換手順を開始する。図２は、センサ・データ１５６とＩＤＥＳ１５４の間の論理リンクの概略を示す。センサ・データは、例えば、図１のセンサ１１４、１１８、１２２、１２４及び１２８である。ＩＤＥＳ１５４はまたノレッジ・ベース(knowledge base)１５２に接続され、ここでＩＤＥＳ１５４は、情報を記憶し、この情報を使用してセンサから得たデータを処理し、モニタ１４４に表示される判断またはプロセス制御ハードウェア１１２の側であるアクションを開始する判断を行う。ノレッジ・ベース５４は、図１のメモリ１３８、ディスク１４０、テープ１４２に物理的に配置することが可能であり、またはこれらの装置または図示しないその他の記憶装置に分散させることが可能である。
【００１４】
ＩＤＥＳ１５４は、またパラメータ１５６に論理的に接続されている。これらは、例えば、図１のキーボード１４８から入力されるか、またはディスク１４０またはテープ１４２のデータ・ファイルから取り出される。パラメータ１５６は、例えば、工具のサイズ、ワークの材料、ドリルの送り速度、およびドリルの回転速度のような機械加工作業を分類する情報を有する。
【００１５】
機械９０とＩＤＥＳ１５４の動作は下記の段階によって構成される。
1. 実験段階では、孔開け作業が実行され、工具の寿命を通して規則的な間隔でセンサによる測定が行われる。更に、ドリルが摩耗してしまった、即ち、その寿命が尽きた点を記録する。各々の孔を開けるに従って、その番号を記録し、各々のデータ点はこの番号によって検索される。同様に、工具が摩耗してしまったと考えられる点をまた孔の番号で記録する。この実験データを後で使用し、工具寿命の予測と工具摩耗の診断の両方のためのノレッジ・ベース１５２を構築する。このノレッジ・ベース１５２はディスク１４０またはテープ１４２に記憶することができる。生のセンサのデータとこの生のセンサのデータから計算した量の両方を使用して、工具寿命の予測と工具摩耗の診断を行う。生のセンサのデータから計算した量を取り出す方法は以下で更に詳細に論じる。生のセンサのデータと計算した量はまとめて特徴と呼ぶ。
【００１６】
2. 訓練段階ではノレッジ・ベースが構築されて微調整され、このノレッジ・ベースは２つの異なった局面即ち、第１に工具寿命を正確に予測するノレッジ・ベースを構築する局面と第２の工具摩耗を診断するノレッジ・ベースを構築する局面によって構成される。訓練段階の一定の部分は、以下で説明する動的距離分類装置のアルゴリズムを使用して自動化される。
【００１７】
３．動作段階では訓練段階の間に構築されたノレッジ・ベースを使用してＩＤＥＳ１５４が工具寿命を予測し工具の摩耗を監視する。
従って、目標は、工具の寿命を予測しかつドリルの摩耗を監視するためにＩＤＥＳ１５４が使用するノレッジ・ベースを構築することである。動作段階を先に検討すれば、訓練段階をより容易に理解することができる。
動作段階
図３は、本発明によるコンピュータ支援製作作業の動作を示すフローチャートである。孔開け作業は、ステップ６０１で開始される。孔開けと連動して影響図に使用されている種々のセンサによって測定を行ない、工具の寿命を予測する。例えば、孔を３個開けた動作の初期の段階のステップ６０３で特徴を計算する。ＩＤＥＳ１５４は、これらの特徴を使用してステップ６０５でドリル１００の寿命を予測する。
【００１８】
もし工具が長い寿命を有していると予測されれば（ステップ６０７）、機械はの工具の予測される中間の寿命迄ステップ６０９で孔開けを継続する。この点で、検証手順を開始する。もし寿命が長いという初期の予測が検証されれば、ステップ６１５で工具の予測寿命の終了するまで孔開けを継続する。この点で、センサのデータを収集し、ステップ６１９で次の３個の孔に対する特徴を計算する。プロセスはステップ６０５に戻ってドリルの残りの寿命を予測する。
【００１９】
「長い寿命」の予測（ステップ６０５と６０７）と中間の寿命の検証（ステップ６０９）の間の時間、コンピュータ１３４は機械９０からのデータを処理しない。従って、この期間中コンピュータ１３４は、例えば、これに取り付けられた他の機械に対するサービス等の他のタスクに使用することができる。
もし長い寿命がステップ６０５で予測されなければ、またはもし予測した長い寿命がステップ６０９の予測した中間の寿命の時点で検証されなければ、次にステップ６１３で交換用の工具の供給を受ける。１つの実施例は、ステップ６１３からステップ６２３への点線の経路で示される。ステップ６２５で工具の予測した寿命が終了するまで孔開けを継続する。ステップ６２５でＩＤＥＳ１５４が工具の寿命が終了したと予測した時点で工具を交換する。
【００２０】
他の実施例は、ステップ６１３で始まる実線の経路によって示される。工具が摩耗した点を超えてこれを決して使用しないことが好ましいため、工具寿命の予測は内輪の見積になるように調整される。この理由のため、摩耗し終わっていない工具を摩耗したものとして予測してしまう可能性がある。このような工具は廃棄するのではなく、ステップ６１３、６１７、および６１９を通る経路によって代表される実施例は、センサ１１４、１１８、１２２、１２６、および１２８を使用してこの工具の摩耗を診断する方法を提供する。従って、ＩＤＥＳ１５４はステップ６１７で継続的にセンサを監視して工具の寿命を診断し、ＩＤＥＳ１５４がこの工具の寿命の終了を診断するまでステップ６２１で孔開けを継続する。工具の寿命が尽きてしまうと、ステップ６２３でこの工具を交換する。動作全体はステップ６０１で新しいドリルを使用してスタートする。
【００２１】
図３と関連して上で説明した方法は、コンピュータ・システム１３４で実行するように具現化することができる。１つの実施例は、生のセンサのデータ（ステップ６０３）、各々が工具寿命の予測（ステップ６０５）、予測の検証（ステップ６０９）および工具の摩耗の診断（ステップ６１７と６２１）に使用される機能モジュールから特徴を計算する機能モジュールを有する。
訓練段階
図４は、工具寿命の予測の訓練段階のＩＤＥＳ１５４の動作と図１に示す自動化製作システムに対する関係を示す。工具の摩耗の診断のためのシステムを訓練するために、同様のアプローチを使用する。
【００２２】
訓練動作は、２つの主要な範疇、すなわちオフラインのノレッジ・ベースの発生とオンラインの工具寿命の予測に機能的に分けることができる。オフライン・タスクは、孔開けプロセスの影響図モデルに対する品質上および数量上のノレッジ・ベースを発生する。このノレッジ・ベースは、工具寿命のオンラインによる予測および工具の摩耗の診断のためのリアルタイムのシステムによって使用される。このシステムに入力されるのはマルチセンサの生のデータと実験段階中に収集された切削工具の摩耗の測定値並びに機械加工の分類である。「機械加工の範疇」という用語は、訓練データを収集するために使用される機械加工のパラメータの組み合わせを表す。機械加工のパラメータが大幅に変化する場合、センサの特徴もまた大幅に変化する。従って、検出したデータだけがあっても機械加工の条件に関する知識がなければ、検出した特徴と切削工具の状態との間の診断のマッピングを作成することは困難である。続いて、ノレッジ・エンジニアは、機械加工の条件の幅広いスペクトルを、各範疇が相互に近似している機械加工のパラメータを表すように幾つかの範疇に分割する。
【００２３】
表１は機械加工の範疇に１例を示す。

ノレッジ・ベースの発生は幾つかのサブタスク、即ち特徴の選択、関連する構造の構築、特徴の状態の記述子の決定、条件付き確率分布の主観的な見積に分割される。
1.特徴の選択
図１において、スピンドル・モータの電流センサ１１４は、ＡＣ電流センサである。これは入力電力線の周囲に簡単に止められた非進入型の誘導センサである。このセンサの信号の低周波エネルギーを得るため、ＡＣ電流センサの出力は整流されてローパス・フィルタによって濾過される。このエネルギーは、工具によってワークに加えられる切削トルクに正比例する。工具が摩耗するに従って、工具の経験する切削力は増加する。この切削力の増加によって、スピンドル・モータの電流がこれに対応して増加する。したがって、スピンドル・モータの電流のＲＭＳ値は、最初の孔開けの段階における工具の疲労の傾向を観察するために有用な特徴になる。ＲＭＳ値以外に、新しい工具と比較した場合のＲＭＳ値の変化（ΔＲＭＳ）は、切削トルクの時間的な傾向を示すので、有用である。変化の速度が早ければ、摩耗がより早いことを示し、従って工具の寿命はより短い。孔開けのプロセスに関する他の有用な情報源は、スピンドルに取り付けたひずみ計１２２である。これは、工具１００がワーク１０２に加える推力を表す。工具１００が摩耗するに従って送り速度が一定であるためにこの推力が増加し、ワークにくい込のに必要なエネルギーが増加す。実際の値は、１つの孔を開ける期間中のひずみ計の力の平均値である。
【００２４】
更に、スピンドル・モータの電流センサ１１４の場合のように、生の値（平均値）および新しい工具からのこの値の逓増的な変化（Δ中間値）を使用して、工具の寿命を予測する。
好適な実施例の場合、スピンドル・モータの電流センサ１１４をひずみ計センサ１２２の測定値から得えた特徴を使用して工具の寿命を測定し、この工具の予測した寿命の終了時点で工具の摩耗を継続的に診断する。しかし、他の実施例では、例えば、フィード・モータの電流センサ１１０、加速度計１２８およびダイナモメータ１２４のような他のセンサをスピンドル・モータの電流センサ１１４またはひずみ計センサ１２２のいずれかの代わりにまたはこれと組み合わせて使用する。
2.関係する構造の構築
インフルエンス・ダイアグラム・エキスパート・システム（ＩＤＥＳ）は、複数の変数の間の関係を質的および量的に表して処理し、一定の決定に到達するエキスパート・システムである。知識についてのグラフで表したネットワークと理論的構造である影響図、即ち関連構造によって、確率による推定と期待値の判断が与えられ、これら２つの階層水準、即ち符号で表した水準と動的な水準を有している。符号で表した水準では、影響図は、関連するシステムの状態の変数を表すノードと状態変数の相互関係を示す円弧を有する非循環方向を向いたネットワークによって構成される。例えば、図５に示す図は簡単な影響図である。これは確率論による推定の３つの変数、ＲＭＳ、ΔＲＭＳ、および範疇を示し、これらは切削工具の状態（摩耗１）を示すものである。量的水準では、関連する状態の間のマッピングは、離散的条件付き確率密度関数によって表される。例えば、図５のサンプルの影響図では、ノード３は条件付き確率｛摩耗１｜ＲＭＳ、ΔＲＭＳ、範疇｝によって量的に表される。また、一般的なモデルでは、ルート・ノード１．２および３はそれらのそれぞれの限界確率によって量的に表される。
【００２５】
しかしながら、影響図技法がリアルタイム例で用いられる場合、それらは、一様分布によって表される。診断推論、例えば、摩耗している切削工具の限界確率は、特定の問合せに応じて図に適用された一組の変換からもたらされる。一組の変換の後に残されている位相的構造は、符号形式で問合せに対する回答を表す。量的水準において、これらの変換は、数字形式で問合せに対する回答を供給する。この還元処理で用いられた３種類の変換は、センサ・ノード・リムーバル（テーブル・ルックアップ動作）、ステート・ノード・リムーバル（確率の和の規則を適用すること）及びアーク・リバーザル（バイエル規則を適用すること）である。一度診断推論が重要な事象の可能性を評価したならば、アクションの最良のコースを決定しなければならない。
【００２６】
図６は、好適な実施例の予測工具寿命の影響図である。検証には、同じ位相を有する影響図を使用する。しかし、数字による水準では、各特徴の状態の空間および確率分布の主観的見積は、段階が異なると、異なっている。従って、検証の段階に使用する影響図に対応する部分のノレッジ・ベースは、予測段階の対応する部分とは異なっている。
【００２７】
スピンドル・モータの電流センサから得られる特徴Δｒｎｓとｒｎｓは、寿命１の変数と影響図の中間ノードに影響を与え、ひずみ計の力の特徴Δｍｅａｎとｍｅａｎは、寿命２の変数に影響を与え、機械加工のパラメータ、速度、送り、ワークの材質および工具のサイズは、クラスの変数に影響を与える。後者は、確率的な推定ではなく範疇化である。表１は、これらの特定のパラメータに基づく範疇化の例を示す。しかし、他の範疇化も可能である。クラスの変数は、また寿命１と寿命２の変数にも影響を与える。寿命１と寿命２の値の範囲は、「長寿命」または「短寿命」である。従って、各特徴の所定の特定の値、例えば、ｒｍｓとΔｒｍｓは、いずれも共に寿命１の値が「長寿命」であるという特定の条件付き確率を示す。
【００２８】
最後に、寿命１と寿命２は、寿命の変数に影響を与え、この寿命の変数は、影響図における出力ノードである。この寿命の変数に対して使用可能な値は、「長寿命」と「短寿命」である。これらの値は、いずれも問題の工具の種類によって決まる。例えば、０．２５インチのドリルの場合、実験結果に基づき、「長寿命」は、１００個の孔として定義され、「短寿命」は、１０個の孔として定義され、同様に０．１２５インチドリルの場合、「長寿命」は、５０個の孔に対応し、「短寿命」は、７個の孔に対応する。しかし、他の実施例ではこれらの定義は、代わる可能性がある。
３．特徴の状態記述子の決定
ノレッジ・ベース１５２の一部としての影響図の量的な水準では、各ノードは、変数が取ることができる値の範囲、およびこれが符号によるものかまたは数字によるものかによって多くの段階に分割される。この範囲を多くの状態に分割する値は、状態記述子と呼ぶ。これらの状態の数は、変化する。例えば、寿命ノード４２３、寿命１ノード４１７および寿命２ノード４１９の場合、２つの状態、即ち「長寿命」と「短寿命」が存在する。クラス・ノード４２１は、範疇の合計数と同じだけの状態、例えば、表１の場合には８個の状態を有する。表１の範疇を使用する一実施例の場合、ノード４１５は、「０．２５インチ」と「０．１２５インチ」状態を有し、ノード４１３は、「鋼」と「鋳鉄」の状態を有する。従って、ノード４２３、４１２、４１９、４１５及び４１３に対する状態は、全て量的なものである。図６の残りのノードは、量的な間隔によって定義される状態記述子を有する。ノード４０９と４１１に対する状態は、速度と送りの通常の動作範囲をそれぞれ、表１の各範疇をユニークに定義するために必要であるのと同じ位の数の間隔に分割することによって得られる。ノード４１１と表１の場合、状態０は、０．００８インチ／回転未満の送り速度を表し、状態１は、０．００８インチ／回転以上の送り速度を表す。同様に、ノード４０９の場合、状態０は、３２００ｒｐｍ未満のドリル速度によって定義され、状態１は、３２００ｒｐｍ以上の速度として定義される。特徴ノード４０１乃至４０７の場合、状態記述子は、生の実験データを分析してこれを全ての範疇に対する工具の実際の寿命と相関させることによって決定される。
【００２９】
図７は、２つの範疇の５つの場合について集めた生のデータを示す。これは、ＲＭＳの特徴と関連する判断の境界をどのようにして得るかを示す。従って、図はノード４０３の特定の特徴、ＲＭＳと特定の範疇、範疇５を表す。実験データは、他の特徴と範疇についても同じグラフにプロットすることができる。図７の場合、両方のドリルに対するスピンドルの電流信号のＲＭＳの特徴は、開けられた孔の数の関数としてプロットされている。垂直の点線（「摩耗ドリル＃１」と「摩耗ドリル＃２」とそれぞれ表す）、は摩耗測定基準によってドリルが実際に摩耗したと宣言された孔の番号を示す。この孔を「摩耗孔」と呼ぶ。ドリル＃１の垂直線の左側の円は良好な工具に状態に属し、右側の円はこのドリル＃１の摩耗した工具の状態に属する。同様に、ドリル＃２はプラスの符号によって表されている。ドリル＃１の寿命は「長寿命」であり、一方ドリル＃２の寿命は「短寿命」であることに留意すること。目的は、両方のドリルについて「長寿命」の状態を「短寿命」の状態から分離する１つのしきい（判断境界と呼ぶ水平線）値を選択することである。予測段階では、最初の３個の孔に対する平均ＲＭＳ値を使用する。従って、最初の３個の孔の平均ＲＭＳが「長寿命」が示されているか否かを示すように、予測段階（ａで示す）の判定境界を選択する。図７の例の場合、ドリル＃１の最初の３個の孔の平均ＲＭＳは約0.４５であり、ドリル＃２の最小の３個の孔の平均ＲＭＳは約0.３６であり、従って、範疇＃５のドリルに対して選択された判定境界は0.４である。検証の段階に対しても同様の分析が行われる。しかし、検証の場合には、最初の３個の孔に対する平均値ではなくてドリルの中間寿命に至るまでの最大特徴値を使用する。ドリル＃１の場合、最大値は、箱に入った丸印によって示すように、0.５９である。ドリル＃２の最大値は0.５である。従って、範疇＃５のドリルのＲＭＳの検証段階で使用する選択された判定境界は0.５７である。
【００３０】
全ての特徴と範疇に対する判定境界は、ＲＭＳと範疇＃５について上で説明したのと同じ方法で行われる。従って、判定境界についての量的なノレッジ・ベースが構築される。
4.条件付き確率分布の主観的評価
次のステップは、判定境界と関連した限界確率を割り当てることである。所定の特徴と範疇の限界確率は、ノレッジ・エンジニアの側が主観的に評価すべき事項である。それは判断境界が正確に「長寿命」を予測する確率を示す。
【００３１】
全ての特徴ノード４０１ないし４０７に限界確率を割り当てた後で、ノレッジ・エンジニアは、中間ノード４１７と４１９の条件付き確率を決定する。機械加工の範疇を示すクラス・ノードであるノード４２１には、その先行ノード４０９ないし４１５の状態の全ての組み合わせによって構成された条件付きクロス乗積空間のいずれかの要素を与えられたとして、２進法の確率条件付き分布（０または１）が割り当てられる。
【００３２】
先行特徴ｒｍｓ（ノード４０３）とΔｒｍｓ（ノード４０１）のそれぞれに対して例えばノード４１７を使用すると、各判断境界が全ての範疇の「長寿命」状態からどのくらい巧く「短寿命」状態を分離したかに基づいて、０から１の間の基準で主観的ウェートが割り当てられる。これらのｒｍｓおよびΔｒｍｓのウェートをそれぞれｗ₄₀₃ 、ｗ₄₀₁ とする。ノード４０１と４０３の各範疇に対して、臨界状態が識別され、それより下であれば特徴値は「長寿命」状態に対応し、それより上であれば特徴値は「短状態」状態に対応する。ある範疇ｃに対して、ｓ₄₀₃ とｓ₄₀₁ をそれぞれノード４０３と４０１の臨界状態とする。Ω₄₀₃ とΩ₄₀₁ をそれぞれノード４０３と４０１の状態空間とする。条件付き確率の評価は次のとおりである。
【００３３】
範疇ｃの場合、ノード４１７が「短寿命」にある条件付き確率Ｐは、
（ｉｘｊ）εΩ₄₀₃ , ｘΩ₄₀₁ の場合、
もしｉ≧ｓ₄₀₃ ，ｊ≧ｓ₄₀₁ であれば、P=max(ｗ₄₀₃,ｗ₄₀₁)+Δ₁(Q-1);
もしｉ≧ｓ₄₀₃ ，ｊ＜ｓ₄₀₁ であれば、P=ｗ₄₀₃/ｗ₄₀₃+ｗ₄₀₁+Δ₂(Q)；
もしｉ＜ｓ₄₀₃ ，ｊ≧ｓ₄₀₁ であれば、P=ｗ₄₀₁/ｗ₄₀₃+ｗ₄₀₁+Δ₃(Q)；
もしｉ＜ｓ₄₀₃ ，ｊ＜ｓ₄₀₁ であれば、P=0.0 ； である。
ここで、Ｑ＝（ｉ＋ｊ＋ｓ₄₀₃ −ｓ₄₀₁ ＋１）であり、
またΔ₁ 、Δ₂ およびΔ₃ は、特徴の状態が短寿命のドリルに対応する状態から長寿命のドリルに対応する状態に徐々に変化するにつれて、別個のステップで条件付き確率を徐々に変化させる平滑化因子である。それらは一般に0.０５から0.１の間の値であり、主観的に選択される。これらの主観的な数量は、全て異なった範疇別にまちまちであり、この手順は、全ての範疇に対して繰り返される。ノレッジ・ベースを調整しながら、本システムが練習用データに正確に応答するまで、これらを繰り返し洗い直す。一般的には５回繰り返せば十分である。上記の等式は発見的であり、当業者には他の可能な等式が明らかである。
【００３４】
工具の摩耗診断に関する訓練段階について、図８は図３、ステップ６１７のドリルの摩耗の連続的診断の間、ＩＤＥＳ１５４によって使用されるインフルエンス・ダイアグラムの位相を示す。図６と比較すると、工具の寿命予測のインフルエンス・ダイアグラムと工具の予測寿命の終りに行われる工具の摩耗診断の類似性が分かる。しかし、内部ノードと出力ノードは違う。工具も摩耗診断のインフルエンス・ダイアグラムでは、スピンドル・モータの電流から引き出された特徴は、摩耗１の変数に影響し、歪み計の力から引き出された特徴は、摩耗２の変数に影響する。これらの中間ノードは、出力ノードの「摩耗」に影響する。摩耗１、摩耗２および「摩耗」の値は、「新しいドリル」であり、また「摩耗したドリル」である。さらに、数値の水準では、判断境界と判断確率は、工具の寿命予測と関連したインフルエンス・ダイアグラムとは異なる。
【００３５】
上記で議論した工具の寿命予測の場合に、ノレッジ・ベースはノレッジ・エンジニアによって手作りで組み立てられる。（図３、ステップ６２１の）工具の摩耗の連続診断用のノレッジ・ベースは、動的距離分類器を使用して自動的に作ることができる。図９の動的距離分類器と、インフルエンス・ダイアグラム・エキスパート・システムを含むコンピュータ支援製造システムの全体動作との関係を示す図である。
【００３６】
動的距離分類器は、新しい工具のクラスと摩耗した工具のクラスの間の判断境界だけでなく、各特徴の正確な分類確率をも発生する。それは試料点と分類基準としての各クラスの平均との間のユークリッド距離を使用する。「動的」という名称を有する理由は、下記で定義する新しい分離可能基準に基づいて、繰り返し新しい工具のクラスの平均を洗い直すからである。穿孔だけでなく他の機械加工動作、例えばフライス加工またはターニング加工にも適用可能であるという意味で、本方法は一般的である。さらに、コンピュータ支援製造分野以外の用途は、当業者には明らかである。
【００３７】
本方法は、データを短時間の間に規則正しい間隔で採取することおよび何らかの工具摩耗基準に基づいて分離された試料点が工具の状態の時刻による履歴を示すことを前提としている。この前提は制約ではなく、機械加工分野での実情に沿ったものである。
1. 用語一覧表
本方法で使用される変数の定義は次のとおりである。
【００３８】
Ｃ₀ −新しい切削工具のクラス
Ｃ₁ −摩耗した切削工具のクラス
ｄ−判断境界
ｗ−クラスを分割する実際の試料の番号
Ｔ−ｗの周囲の、試料の数による許容誤差の範囲（例えばｗ＝５として、Ｔ＝｛４，５，６，７｝）
ｗ_min −全てのｉεＴ（例えば、ｗ_min ＝４×所定のＴ＝｛４，５，６，７｝）の場合、ｉの最小値
ｘ−その分類可能性を評価した場合の特徴
ｘ_i −ｉ番目の試料に於けるｘ値
ｇ_i −Ｃ_i クラスの特徴平均
ｐ−評価中の特徴の分類に成功する確率
2. 切削工具のクラスの分離可能条件
従来、直線判別関数Ｆを使用するパターン分類では、ｘ_i が試料ｉの特徴値を示し、判断境界ｄがＦ（ｄ）＝０によって定義される場合、
もし全てのｘ_i εＣ₀ の場合、Ｆ（ｘ_i ）＜０であり、かつ全てのｘ_i εＣ₁ の場合、Ｆ（ｘ_i ）＞０であれば、
２つのクラスＣ₀ とＣ₁ は分離可能である。
【００３９】
いずれかの新しい工具の状態が摩耗と分類されることは望ましくないので、
全てのｘ_i εＣ₀ の場合、Ｆ（ｘ_i ）＜０
という条件は、正確な分類のための必須条件である。試料ｗの後、工具は何らかの摩耗基準に基づいて摩耗と定義される。従来の分離可能性の場合、分類器は、ｗ番目の試料を過ぎてから採取された各試料で工具の摩耗を診断する。しかし、粗診断の場合には、その時の特定の機械加工動作の経済状態によっては、切削工具を取り替えるか、または劣化モードで動作を継続するかを、摩耗診断の最初の例で判断してしまう。したがって実際の摩耗した工具試料ｗの周囲にある数個の試料のうち許容誤差の範囲（Ｔ）内にある摩耗ドリルの正確な分類が１つだけあれば、それで十分である。（Ｔの定義の箇所で触れたように）許容誤差の範囲Ｔは、摩耗した工具試料ｗの前の数個の新しい工具試料によって構成されてもよい。したがって、もし
１．全てのｘ_i εＣ₀ の場合、Ｆ（ｘ_i ）＜０であり、かつ
２．Ｆ（ｘ_i ）＞０、即ちｘ_i εＣ₁ であるようにｉεＴがあれば、新しい工具のクラスと摩耗した工具のクラスは分離可能と定義される。
【００４０】
この緩やかな、しかし適切な分離可能条件によって、粗分類を可能にする判断境界の調査が単純化される。各個別の特徴にとっては、この判断境界は１つの点に過ぎない。この１次元の判断境界の調査は、特徴がｎ次元のベクトル構成になっているｎ次元の判断面の調査よりもかなり速い。
３．分類器の方法
次の疑似コードによって、各特徴の判断境界と限界確率が決定される。
【００４１】

【００４２】
ここで上記プログラムを日本語で表すと以下のようになる：

【００４５】
このように、動的距離分類器は、検討中の各特徴の正確な分類の判断境界（ｄ）とそれに関連する確率（ｐ）を計算する。動的距離分類器は、タイムリーに工具の摩耗を診断するために予め定められた許容誤差の範囲Ｔと、試料が正しいテンポで連続していることに依存して、誤動作警報の発生を最小限に止める。誤作動警報は、工具がまだ良好な状態であり、即ち許容誤差の範囲前であるにもかかわらず、工具が摩耗したという診断が行われたことを意味する。ステップ６で、Ｗｈｉｌｅループを終了する条件が満たされるまで、関連のパラメータを繰り返し洗い直すことによって、誤動作警報は避けられる。さらにｐはｓ、即ち誤動作警報の数によって加重される。
【００４６】
再び図９を参照して、動的距離分類器を使用した場合に、条件付き確率を計算する発見的規則は、工具の寿命予測および工具の寿命予測の検証について上記で説明した規則とは異なる。動的分類器によって発生した判断境界は、各特徴ノードの状態境界として割り当てられる。各特徴に対して正確な分類の限界確率を使用すれば、幾つかの発見的規則を使用して、リアルタイムのエキスパート・システム用の全体的なノレッジ・ベースを自動的に発生する。図８のインフルエンス・ダイアグラムで、ｒｍｓノード８０３の場合、各範疇０ないしｃの判断境界はａ₁ ・・・ａ_n （ここで、ｎ≦ｃ＋１）で示され、対応する正確な分類の限界確率は、ｒ₁ ・・・ｒ_n （ｎはｃ＋１より小さくてもよく、その理由は、幾つかの範疇の判断境界は、もしそれらが相互に近接しているなら一致してしまう場合があるからである）で示される。同様にｂ₁ ・・・ｂ_n とｒ₁ ・・・ｒ_n は、Δｒｍｓノード８０１の判断境界と限界確率を示す。ノードｒｍｓ８０３は、ｎ＋１の状態に分割され、ノードΔｒｍｓは、ｍ＋１の状態に分割される。例えば、ノード８０３はもしｘ＜ａ₁ なら状態０であり、もしａ₁ ≦ｘ≦ａ₂ なら状態₁ であり・・・もしｘ≧ａ_n なら状態ｎである（ここでｘはｒｍｓの特徴値である）。もし機械加工パラメータが範疇０に対応すれば、ノード８２１は状態０であり・・・もし範疇がｃであれば、状態ｃである。また、摩耗１ノード８１７は２つの状態、即ち新しい工具の状態０と摩耗した工具の状態１とに分割される。もしｋが範疇ノード８２１の状態であれば、ｒｍｓの特徴の判断境界と判断確率に対応する臨界状態は、それぞれｋ１およびｒ_k1であり、Δｒｍｓの場合は、ｋ２およびｓ_k2である。
【００４７】
上記の定義に基づいて、ノード８０３と８０１の条件付きクロス乗積空間（Ω₈₀₃ ×Ω₈₀₁ ）に於ける各点（ｘ ｘ ｙ）の場合（ここでｘとｙは、それぞれノード８０３と８０１の電流状態を示す）、次の発見的規則を使用して、摩耗１ノードが状態１、即ち摩耗した工具の状態になる条件付き確率を計算する。
（ｘ ｘ ｙ）ε（Ω₈₀₃ ×Ω₈₀₁ ）の場合、摩耗１ノード８１７が「摩耗したドリル」状態になる条件付き確率は、
もしｘ≧ｋ₁ ，ｙ≧ｋ₂ であれば、＝１，０
もしｘ≧ｋ₁ ，ｙ＜ｋ₂ であれば、
＝ｒ_k1−〔ｋ₁ ＋ｋ₂ −ｘ−ｙ−ｌ／ｍ＋ｎ＋２〕
もしｘ＜ｋ₁ ，ｙ≧ｋ₂ であれば、
＝ｓ_k2−〔ｋ₁ ＋ｋ₂ −ｘ−ｙ−ｌ／ｍ＋ｎ＋２〕
もしｘ＜ｋ₁ ，ｙ＜ｋ₂ であれば、
＝〔ｒ_k1＋ｓ_k2／２〕−〔ｋ₁ ＋ｋ₂ −ｘ−ｙ／ｍ＋ｎ＋２〕
もし上記の等式を使用して計算した数量が〔０．１〕に収まらない場合には、条件付き確率に代って、対応する極限値を使用する。また、上記の公式化を拡大して、摩耗１ノード８１７のような結果のノードの先行ノードとして４個以上のノードを含むことも可能である。
【００４８】
再び図９を参照して、動的距離分類器は、正確な分類の判断境界と判断確率を計算する。上記で説明した発見的規則に後者を使用して、条件付き確率を発生する。これらの条件付き確率を判断境界および関連の構造、例えば図８に示す影響図と組合せて使用し、ノレッジ・ベースを自動的に発生する。このステップは、影響図エキスパート・システム１５４が期待するノレッジ・ベースの構造用のフォーマットに、必要な情報を書込むことによって構成される。発生したノレッジ・ベースは、図２と図３について上記で説明した方法に従って使用される。
【００４９】
図解した実施例を参照して本発明を説明したが、この説明は限定的な意味に解釈されることを目的としていない。図解した実施例の種々の変形および組み合わせの他、本発明の他の実施例も、この説明を参照すれば当業者には明らかである。したがって上記の請求項は、全てのそのような変形または実施例を含むことを目的とするものである。
【００５０】
以上の記載に関連して以下の各項を開示する。
1. 自動化された金属切削機械における切削工具の寿命を予測するシステムに於いて、上記のシステムは：
上記の機械の切削作業に関連する物理的データを測定する複数のセンサ；および
上記のセンサに接続されたコンピュータ；
によって構成され、上記のコンピュータは：
上記の物理的データを特徴値に変換する特徴抽出装置；および
上記の切削工具の寿命の予測に到達する工具寿命予測装置；
によって構成され、上記の工具寿命予測装置は：
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図；
各センサの特徴値の平均を計算する第１モジュール；
上記の特徴の平均に応答し、上記の特徴の平均を長寿命または短寿命を示すものとして分類する第２モジュール；および
上記の影響図の接続され、上記の分類と組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の予測寿命である上記の出力ノードの分類に到達する第３モジュール；
を有することを特徴とするシステム。
2. 上記の寿命予測装置の上記の出力ノードに於ける上記の分類に応答し、上記の切削工具の上記の予測寿命の検証に到達する寿命予測検証装置によって更に構成され、上記の寿命予測検証装置は：
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図；
各センサの特徴値の最大値を得る第４モジュール；
上記の最大値に応答し、長寿命または短寿命を示すものとして上記の最大値の分類を行う第５モジュール；および
上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の予測寿命の検証である上記の出力ノードの分類に到達する第６モジュール；
を有することを特徴とする前記項１記載のシステム。
3. 上記の切削工具の上記の予測寿命と上記の切削工具の上記の予測寿命の上記の検証に応答し、上記の切削工具の摩耗の診断に到達する工具摩耗診断モジュールによって更に構成され、上記の工具摩耗診断モジュールは：
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図；
上記の特徴値に応答し、摩耗した工具または摩耗しない工具を示すものとして上記の特徴値の分類を行う第７モジュール；および
上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の摩耗の診断である上記の出力ノードの分類に到達する第８モジュール；
を有することを特徴とする前記項２記載のシステム。
4. 自動化された金属切削機械の切削工具の寿命を予測するシステムに於いて、上記のシステムは：
上記の機械の切削作業に関連する物理的データを測定する複数のセンサ；および
上記のセンサに接続されたコンピュータ；
によって構成され、上記のコンピュータは：
上記の物理的データを特徴値に変換する特徴抽出装置；
上記の特徴値に応答し、上記の切削工具の予測工具寿命に到達する工具寿命予測装置；
上記の予測工具寿命と上記の特徴値に応答し、上記の予測工具寿命の検証に到達する工具寿命予測検証装置；および
上記の予測工具寿命、上記の検証および上記の特徴値に応答し、上記の工具の摩耗状態を継続的に診断し、上記の切削工具の工具摩耗の診断に到達する工具摩耗診断モジュール；
によって構成されることを特徴とするシステム。
5. 上記の工具寿命予測装置は上記の切削工具の寿命の予測に到達し：
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図を有するノレッジ・ベース；
各センサの特徴値の平均を計算する第１モジュール；
上記の特徴値の平均に応答し、長寿命または短寿命を示すものとして上記の特徴値の平均を分類する第２モジュール；および
上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の上記の予測工具寿命である上記の出力ノードの分類に到達する第３モジュール；
によって構成されることを特徴とする前記項４記載のシステム。
6. 上記の工具寿命予測検証装置は:
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図を有するノレッジ・ベース；
各センサの上記の特徴値の最大値を計算する第１モジュール；
上記の最大値に応答し、長寿命または短寿命を示すものとして上記の最大値を分類する第２モジュール；および
上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の上記の予測工具寿命の上記の検証である出力ノードの分類に到達する第３モジュール；
によって構成されることを特徴とする前記項４記載のシステム。
7. 上記の工具摩耗診断モジュールは：
特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図を有するノレッジ・ベース；
上記の特徴値に応答し、摩耗した工具または摩耗しない上記の工具を示すものとして上記の特徴値の分類を行う第１モジュール；および
上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と１つの条件付き確率に到達すると共に上記の切削工具の上記の工具の摩耗の診断である上記の出力ノードの分類に到達する第２モジュール；
によって構成されることを特徴とする前記項４記載のシステム。
8. 上記のセンサは、ひずみ計によって構成されることを特徴とする前記項１記載のシステム。
9. 上記のセンサは、スピンドル電流センサによって構成されることを特徴とする前記項１記載のシステム。
10. 上記のセンサは、送り電流センサによって構成されることを特徴とする前記項１記載のシステム。
11. 上記のセンサは、ダイナモメータによって構成されることを特徴とする前記項１記載のシステム。
12. 上記のセンサは、上記の機械の振動を検出する加速度計によって構成されることを特徴とする前記項１記載のシステム。
13. 切削工具を有する金属切削機械を動作する方法に於いて、上記の方法は：
（ａ）少なくとも１つのセンサを上記の金属切削機械に取り付けるステップ；
（ｂ）金属切削手順を開始するステップ；
（ｃ）上記の切削工具の摩耗を観察し、一定の基準に従って上記の切削工具が何時摩耗するかに注意するステップ；
（ｄ）上記のセンサからデータを収集するステップ；
（ｅ）上記のセンサから上記の切削工具の摩耗に影響を及ぼす特徴を選択するステップ；および
（ｆ）上記の選択した特徴を使用し、上記の工具の寿命を予測するステップ；
によって構成されることを特徴とする方法。
14. （ｇ）上記の予測寿命の中間点で上記の予測寿命を検証するステップ；
によって構成されることを特徴とする前記項１３記載の金属切削機械を動作する方法。
15. 前記項（ｅ）は：
（ｅ．１）ステップ（ｄ）で収集したデータの判定境界を決定するステップによって更に構成されることを特徴とする前記項１３記載の金属切削機械を動作する方法。
16. 前記項（ｅ）は：
（ｅ．２）機械の動作を範疇化する機械加工のパラメータを選択するステップ；および
（ｅ．３）上記のセンサからのデータに基づいて上記の切削工具の摩耗をモデル化する影響図を構築するステップ；
によって構成されることを特徴とする前記項１３記載の金属切削機械を動作する方法。
17. リアルタイム・エキスパート・システムで学習を行う方法に於いて、上記の方法は：
（ａ）第１及び第２変数が第３変数に対して有している影響に対応する関係構造を構築するステップ；
（ｂ）一定の持続期間にわたって上記の第１変数、上記の第２変数、および上記の第３変数に対するデータを得るステップ；
（ｃ）クラスを分割する試料の周囲の許容誤差のゾーンを選択するステップ；および
（ｄ）許容誤差のゾーンに応答する動的距離の分類装置を使用し上記の第１及び第２変数に対する判定境界と上記の判定境界と関連する確率を決定するステップであって、上記の確率は、判定境界が上記の第３変数の値に対して上記の第１及び第２変数の値を分類する判定境界の信頼性を示す上記のステップ；
によって構成されることを特徴とする方法。
18. 自動化された金属切削機械における切削工具の寿命を予測するシステムは、上記の機械の切削作業に関連する物理的データ（６０１）を測定する複数のセンサと上記のセンサに接続されたコンピュータによって構成される。上記のコンピュータは、上記の物理量を特徴値に変換する特徴抽出装置（６０３）と上記の切削工具の寿命の予測に到達する工具寿命予測装置（６０５）によって構成される。上記の工具寿命予測装置は、特徴ノードの入力水準、上記の特徴ノードおよび機械加工のクラス・ノードに接続された中間ノード、および上記の中間ノードに接続された出力ノードを有する影響図を有する。上記の工具寿命予測装置は、各センサの特徴値の平均を計算する第１モジュール、上記の特徴の平均に応答し、上記の特徴の平均を長寿命または短寿命を示すものとして分類する第２モジュール、および上記の影響図に接続され、上記の分類を組み合わせて各中間ノードにおける１つの分類と条件付き確率に到達すると共に上記の切削工具の予測寿命である上記の出力ノードの分類に到達する第３モジュールによって構成される。
【００５１】
更に、リアルタイム・エキスパート・システムの学習を可能にする方法が提供され、この方法は、第１及び第２変数が第３変数に対して有している影響に対応する関係構造を構築するステップ、一定の持続時間にわたってこれらの変数に対するデータを得るステップ、クラスを分割する試料の周囲の許容誤差のゾーンを判定するステップ、および許容誤差のゾーンに応答する動的距離の分類装置を使用し、第１及び第２変数に対する判定境界とこの判定境界と関連する確率を決定するステップによって構成される。これらの確率は、判定境界が第３変数の値に対して第１及び第２変数の値を分類する判定境界の信頼性を示す。
【図面の簡単な説明】
【図１】コンピュータ支援製作（ＣＡＭ）システムのブロック図である。
【図２】ＣＡＭシステム内のセンサ・データとインフルエンス・ダイアグラム・エキスパート・システム（ＩＤＥＳ）の間の論理リンクを示す概略図である。
【図３】工具寿命を予測し工具の摩耗を観察するためにＩＤＥＳを使用してＣＡＭシステムを動作するためのフローチャートである。
【図４】動作段階に対する訓練段階の関係を示す図である。
【図５】影響図の例を示す。
【図６】本発明に従って工具寿命を予測する影響図の位相を示す。
【図７】本発明の訓練段階の間に使用する実験データのグラフである。
【図８】本発明に従って工具の寿命を観察する影響図の位相を示す。
【図９】コンピュータ化した機械加工作業で本発明による動的距離分類装置をどのように使用するかを示すフローチャートである。
【符号の説明】
１００ ドリル・ビット
１１４，１１８，１２２，１２４，１２８ センサ
１２２ ハードウェア
１４４ モニタ
６０１ 物理的データ
６０３ 特徴抽出装置
６０５ 工具寿命予測装置

Claims (1)

1. 自動化された金属切削機械における切削工具の寿命を予測するシステムであって、
   前記機械の切削操作に関する物理的データを測定する複数のセンサと、
   前記センサに接続されたコンピュータとを備え、
   前記コンピュータは、
   前記物理的データを特徴値に変換する特徴抽出装置；
   前記切削工具の寿命の予測に到達する工具寿命予測装置
   を備え、
   前記工具寿命予測装置は、
   特徴ノードの入力水準、該特徴ノード及び機械加工クラス・ノードに接続された中間ノード、該中間ノードに接続された出力ノードを有する影響図；
   各センサに対する特徴値の平均を計算する第１モジュール；
   前記特徴平均に応答し、長寿命又は短寿命を示すものとして各センサに対して該特徴平均の分類を行う第２モジュール；及び
   前記影響図に接続され、各中間ノードにおける分類及び条件付き確率及び前記切削工具の前記予測された寿命である前記出力ノードにおける分類に到達すべく各センサの前記分類を組み合わせる第３モジュール、
   を有することを特徴とするシステム。

Images