JP6882248B2

JP6882248B2 - 工具取付異常検出装置

Info

Publication number: JP6882248B2
Application number: JP2018214212A
Authority: JP
Inventors: 泰広中濱
Original assignee: FANUC Corp
Current assignee: FANUC Corp
Priority date: 2018-11-14
Filing date: 2018-11-14
Publication date: 2021-06-02
Anticipated expiration: 2038-11-14
Also published as: JP2020082198A; CN111185789A; CN111185789B; DE102019007721A1; US20200147737A1

Description

本発明は、工具取付異常検出装置に関する。

工作機械の分野では、自動工具交換装置付きの工作機械、特に、所謂マシニングセンタが広く利用されている。典型的なマシニングセンタは、それぞれ工具ホルダーに装着された複数の工具を収納した工具マガジンを具備しており、該工具マガジンの割り出し動作により所定の工具を選定して所定の位置へと移動させ、工具交換アーム等による工具交換動作で工具ホルダーごと工具マガジンから取り外して主軸に篏合させて加工に利用する（例えば、特許文献１等）。

このような工具交換動作の異常を検出する従来技術として、例えば特許文献１〜３には、自動工具交換装置を備えた工作機械において、工具マガジンへの工具の取付姿勢や工具交換動作、工具の主軸への取り付け状態の異常を検出する技術が開示されている。

特開平０５−２６１６３８号公報特許第４５０１９１８号公報特開平１１−３３３６５７号公報特開２００５−３２４２６２号公報

工具マガジンには、バネの弾性力により工具ホルダーを把持するハンド形状のグリップを複数具備しており、工具を工具マガジン対して取り付ける際には、該グリップ側に設けられた位置決め用のキーに対して、該工具を装着した工具ホルダーのキー溝を合致させるように位置合わせをして、該工具ホルダーを該グリップに押し込むことで、該グリップに工具ホルダーを把持させる。

この時、作業者のミスなどにより、グリップに対して工具ホルダーが正しく取り付けられなかった場合、工具交換動作により工具が脱落又は主軸と衝突する等して、回転工具や機械本体が破損する恐れがある。

このような問題に対して、特許文献２に開示される技術では、主軸に対する工具の取り付け状態の異常を検出することはできるが、工具マガジンが備えるグリップに工具ホルダーに対する取り付け状態を検出することはできず、特許文献３に開示される技術により検出できるのは工具交換動作の異常だけである。

また、特許文献４に開示される技術では、工具マガジンへの工具の取り付け姿勢の良否を検出することができる。しかしながら、例えば工具ホルダーのグリップへの取り付け部分に切粉などが付着したことにより、グリップが工具ホルダーを完全に把持できていない状態等は一見して工具マガジンに工具が正しい姿勢で取り付けられているように見えるため、このような工具の取り付け異常状態を特許文献４に開示される技術で検出することは困難である。

そこで本発明の目的は、工具マガジンに対する工具の取り付け異常を精度よく検出することが可能な工具取付異常検出装置を提供することである。

本発明では、作業者が工具マガジンに対して工具（を装着した工具ホルダー）を取り付ける際に工具交換装置（特に、工具マガジン）に加わる振動乃至音声を状態データとして、例えば工具を正しく取り付けた時の振動乃至音声と、工具を正しく取り付けてない時の振動乃至音声との少なくともいずれかを機械学習し、その学習結果を用いて工具取り付けの正常／異常を推定することにより、上記課題を解決する。工具マガジンに対して工具が取り付ける際には、例えばバネの弾性力によりハンド形状のグリップが工具ホルダーを把持する時に所定の部分が嵌合して特定の振動乃至音声が発生するが、切粉が付着してグリップによる工具ホルダーの把持を阻害したり、作業者による工具の押し込みが中途半端な状態では、そのような振動乃至音声は発生せず、異なる振動乃至音声が発生する。そのため、機械学習により正常時乃至異常時の振動乃至音声を学習した学習モデルを作成することで、これらの違いを推定して、工具取り付けの正常／異常を検出することができるようになる。

そして、本発明の一態様は、マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、前記マシニングセンタに係るデータを取得するデータ取得部と、前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係るデータを作成する前処理部と、前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出する工具取付異常検出部と、を備えた工具取付異常検出装置である。

本発明の他の態様は、マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、前記マシニングセンタに係るデータを取得するデータ取得部と、前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係る工具取付時振動データを含む状態データを学習データとして作成する前処理部と、前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出するための工具取付異常検出部と、を備え、前記工具取付異常検出部は、前記前処理部が作成した学習データを用いた機械学習を行い、前記工具マガジンに対する前記工具の取り付け異常を検出するための学習モデルを生成する学習部を備える、工具取付異常検出装置である。

本発明の他の態様は、マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、前記マシニングセンタに係るデータを取得するデータ取得部と、前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係る工具取付時振動データを含む状態データを作成する前処理部と、前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出する工具取付異常検出部と、を備え、前記工具取付異常検出部は、前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに対する前記工具マガジンに対する前記工具の取り付け状態を学習した学習モデルを記憶する学習モデル記憶部と、前記前処理部が作成した状態データに基づいて、前記学習モデル記憶部に記憶されている学習モデルを用いた前記工具マガジンに対する前記工具の取り付け状態を推定する推定部と、を備える、工具取付異常検出装置である。

本発明により、工具の取り付け状態を精度高く推定することが可能となるため、作業者による工具取り付け時の作業ミスを低減させることが可能となる。また、１乃至少数のセンサで工具の取り付け状態を推定することができるので、コストを抑えながら工具取り付けミスを検出することができる。

第１実施形態による工具取付異常検出装置の概略的なハードウェア構成図である。第１実施形態による工具取付異常検出装置の概略的な機能ブロック図である。第２，３実施形態による工具取付異常検出装置の概略的なハードウェア構成図である。第２実施形態による工具取付異常検出装置の概略的な機能ブロック図である。第２実施形態による工具取付異常検出装置で教師なし学習により作成される学習モデルの例を示す図である。第２実施形態による工具取付異常検出装置で教師あり学習により作成される学習モデルの例を示す図である。第３実施形態による工具取付異常検出装置の概略的な機能ブロック図である。第３実施形態による工具取付異常検出装置で教師なし学習により作成された学習モデルを用いた工具取り付けの正常／異常の推定の例を示す図である。第３実施形態による工具取付異常検出装置で教師あり学習により作成された学習モデルを用いた工具取り付けの正常／異常の推定の例を示す図である。複数のマシニングセンタの工具取り付けの正常／異常の推定を行う工具取付異常検出装置を示す図である。

以下、本発明の実施形態を図面と共に説明する。
図１は第１実施形態による機械学習装置を備えた工具取付異常検出装置の要部を示す概略的なハードウェア構成図である。本実施形態の工具取付異常検出装置１は、例えばマシニングセンタを制御する制御装置上に実装することができる。また、本実施形態の工具取付異常検出装置１は、マシニングセンタを制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続されたエッジコンピュータ、セルコンピュータ、ホストコンピュータ、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、工具取付異常検出装置１を、マシニングセンタを制御する制御装置に併設されたパソコンとして実装した場合の例を示す。

本実施形態による工具取付異常検出装置１が備えるＣＰＵ１１は、工具取付異常検出装置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工具取付異常検出装置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（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等で構成され、工具取付異常検出装置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、工具取付異常検出装置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から入力されたデータ、マシニングセンタ２から取得される各種データ（工具交換に係る動作状態、マシニングセンタの機種等）、センサ３から取得された各種物理量（マシニングセンタ２が備える工具交換装置に発生した振動、音声等）の時系列データ、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等を含むシステム・プログラムが予め書き込まれている。

マシニングセンタ２は、自動工具交換装置を備えた工作機械であり、自動工具交換装置により様々な回転工具を交換しながら、フライス加工、中ぐり加工、穴あけ加工等の複数種類の加工を行う事ができる。工具マガジンには、作業者によりそれぞれ工具ホルダーに装着された複数の工具が取り付けられており、加工プログラム等による工具交換指令に従って工具マガジンの所定の位置に把持されて取り付けられている工具が工作機械の主軸に取り付けられて加工に使用される。マシニングセンタ２の制御装置は、工具取付異常検出装置１に対して、マシニングセンタの状態に係る情報（マシニングセンタの機種、工作機械の動作状態、カバーの開閉動作状態、工具交換装置の動作状態等）をインタフェース１６を介して出力する。

センサ３は、マシニングセンタ２が備える工具交換装置（特に工具マガジン）に発生した振動乃至音声の時系列データを取得するためのものであり、例えば加速度センサ、ＡＥ（ＡｃｏｕｓｔｉｃＥｍｉｓｓｉｏｎ）センサ、集音マイク、光学式干渉計等を用いることができる。センサ３は、少なくとも１つあれば工具交換装置に発生した振動乃至音声を検出することが可能である。工具交換装置上乃至工具交換装置近傍に複数のセンサ３を設置することでより多角的に工具交換装置に発生する振動乃至音声を検出することができるようになり、後述する機械学習の精度を向上させることもできるが、工具マガジンの構造を考慮して適切な位置に設置することで１つ乃至少数のセンサ３により工具交換装置に発生する振動乃至音声を十分に検出することが可能である。

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、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，データ等をインタフェース１８を介してＣＰＵ１１に渡す。

図２は、第１実施形態による工具取付異常検出装置１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に示した工具取付異常検出装置１が備えるＣＰＵ１１がシステム・プログラムを実行し、工具取付異常検出装置１の各部の動作を制御することにより実現される。

本実施形態の工具取付異常検出装置１は、データ取得部３０、前処理部３４、及び工具取付異常検出部３６を備え、工具取付異常検出部３６は推定部１２０を備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０と、正常振動データ記憶部１４０が設けられている。

データ取得部３０は、マシニングセンタ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、工具交換に係る動作状態、マシニングセンタ２の機種、作業者による工具マガジンへの工具取り付け時に工具交換装置に発生した振動乃至音声の時系列データ、作業者により入力された工具取り付けに係る情報等の各種データを取得し、取得データ記憶部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い。

データ取得部３０は、作業者による工具マガジンへの工具取り付け時に工具交換装置に発生した振動乃至音声の時系列データを取得する際には、マシニングセンタ２から取得される工作機械の動作状態、カバーの開閉動作状態、工具交換装置の動作状態等に基づいて、センサ３から取得される工具交換装置に発生する振動乃至音声データを切り出して、作業者による工具マガジンへの工具取り付け時における工具交換装置に発生する振動乃至音声データを切り出す。一般に、作業者が工具マガジンに対して工具の取り付けをする場合には、作業者は操作盤等を操作して工作機械による加工を停止し、カバーを開け、工具マガジンの所定のグリップを工具取り付け位置に位置決めして工具を取り付け、カバーを閉じて、工具交換を行う、といった操作を行う。データ取得部３０は、このような典型的な工具取り付け動作を検出して、その間にセンサ３により検出された振動乃至音声を、作業者による工具マガジンへの工具取り付け時における工具交換装置に発生する振動乃至音声データとして切り出すようにしても良い。また、工具マガジンに係る圧力等を検出できる場合（例えば、別途圧力センサが設置されている場合や、工具マガジンを回転させるモータの電流が検出できる場合等）には、該圧力の状態に基づいて工具マガジンに対する作業者による工具の押しつけ（工具取り付け）を検出できるので、これを利用して作業者による工具マガジンへの工具取り付け時における工具交換装置に発生する振動乃至音声データとして切り出すようにしても良い。また、他に作業者が工具マガジンへの工具を取り付けるタイミングを検出する手段がある場合には、それを活用するようにすれば良い。

前処理部３４は、データ取得部３０が取得したデータ（そして、取得データ記憶部５０に記憶されたデータ）に基づいて、工具取付異常検出部３６による工具取り付け異常の検出処理に用いられるデータを作成する。前処理部３４は、データ取得部３０が取得したデータを工具取付異常検出部３６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）したデータを作成する。前処理部３４は、センサ３により検出された工具取り付け時に工具交換装置に発生した振動乃至音声の時系列データを、所定の周期でサンプリングし直した系列データとして表現したデータを用いるようにしても良いし、また、時系列データの特徴を示すデータ（公知のメル周波数ケプストラム係数等）を用いるようにしても良い。

工具取付異常検出部３６は、前処理部３４が作成したデータに基づいて、工具の取り付け異常を検出する機能手段である。
工具取付異常検出部３６が備える推定部１２０は、前処理部３４が作成したデータに基づいて、正常振動データ記憶部１４０に記憶された正常振動データを参照して、作業者による工具マガジンへの工具取り付けの異常を推定する機能手段である。正常振動データ記憶部１４０には、予めマシニングセンタ２が備える工具交換装置の工具マガジンに対して、作業者が正常に工具を取り付けた際にセンサ３で検出された振動乃至音声の時系列データが正常振動データとして設定されている。

推定部１２０は、データ取得部３０による取得された工具交換装置に発生した振動乃至音声の時系列データと、正常振動データ記憶部１４０に記憶されている正常振動データとの間で、例えばＤＰマッチング（ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇＭａｔｃｈｉｎｇ）やＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ）等の公知の波形パターンマッチング手法を用いて両者の一致度を算出し、該一致度が予め定めた所定の閾値を超えている場合には、工具マガジンへの工具の取り付けが正常に行われたと推定し、それ以外の場合には、工具マガジンへの工具の取り付けが異常な状態にあると推定する。推定部は、データ取得部３０による取得された工具交換装置に発生した振動乃至音声の時系列データと、正常振動データ記憶部１４０に記憶されている正常振動データとの間の一致度が、どの程度予め定めた所定の閾値から離れているのかに応じて異常度を算出するようにしても良い。

そして、工具取付異常検出部３６は、推定部１２０が、工具マガジンへの工具の取り付けが異常な状態にあると推定した場合に、推定部１２０が推定した結果（工具取り付けの正常／異常、異常である場合にはその異常度等）は、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。工具取付異常検出装置１は、異常度の大きさに応じて表示装置７０に対する表示を変更するようにしても良い。

なお、正常振動データ記憶部１４０には、同一のマシニングセンタ２から取得された複数の正常振動データを記憶しておくようにしても良い。この場合、推定部１２０は、複数の正常振動データのそれぞれを用いた工具マガジンへの工具の取り付け状態の推定処理を行い、いずれかにおいて正常と推定された場合、又は予め定めた所定数の正常振動データとの間で正常と推定された場合に、工具マガジンへの工具の取り付け状態が正常であると推定するようにしても良い。
また、正常振動データ記憶部１４０には、マシニングセンタ２の機種と関連付けて、該機種から取得された正常振動データを記憶しておくようにしても良い。この場合、推定部１２０は、データ取得部３０による取得された工具交換装置に発生した振動乃至音声の時系列データと、該振動乃至音声の時系列データを取得したマシニングセンタ２の機種に関連付けられている正常振動データとの間で工具マガジンへの工具の取り付け状態の推定処理を実行するようにすれば良い。

上記構成を備えた工具取付異常検出装置１では、マシニングセンタ２、センサ３から取得されたデータに基づいて前処理部３４が作成したデータを用いて工具取り付けの異常の検出を行う。本実施形態による工具取付異常検出装置１は、作業者により取り付けられた工具の取り付け状態を、外観ではなく取付時に発生した振動乃至音声に基づいて推定を行うため、一見してうまく取り付けられているが微妙なズレ等でうまく取り付けられていない場合であっても、精度高く工具の取り付けの異常を検出することができるようになる。

図３は第２，３実施形態による機械学習装置を備えた工具取付異常検出装置の要部を示す概略的なハードウェア構成図である。
本実施形態による工具取付異常検出装置１が備えるＣＰＵ１１は、工具取付異常検出装置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工具取付異常検出装置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（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等で構成され、工具取付異常検出装置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、工具取付異常検出装置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から入力されたデータ、マシニングセンタ２から取得される各種データ（工具交換に係る動作状態、マシニングセンタの機種等）、センサ３から取得された各種物理量（マシニングセンタ２が備える工具交換装置に発生した振動、音声等）の時系列データ、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。

インタフェース２１は、工具取付異常検出装置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を介して工具取付異常検出装置１で取得可能な各情報（例えば、工具交換に係る動作状態、マシニングセンタ２の機種、マシニングセンタ２が備える工具交換装置に発生した振動乃至音声の時系列データ等）を観測することができる。また、工具取付異常検出装置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４は、第２実施形態による工具取付異常検出装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の工具取付異常検出装置１は、機械学習装置１００が学習を行う場合に必要とされる構成を備えている（学習モード）。図４に示した各機能ブロックは、図３に示した工具取付異常検出装置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、工具取付異常検出装置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。

本実施形態の工具取付異常検出装置１は、データ取得部３０、前処理部３４、工具取付異常検出部３６を備え、工具取付異常検出部３６を構成する機械学習装置１００は、学習部１１０を備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０が設けられており、工具取付異常検出部３６を構成する機械学習装置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。

前処理部３４は、データ取得部３０が取得したデータ（そして、取得データ記憶部５０に記憶されたデータ）に基づいて、機械学習装置１００による学習に用いられる学習データを作成する。前処理部３４は、データ取得部３０が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）した状態データを作成する。例えば、前処理部３４は、機械学習装置１００が教師なし学習をする場合においては、学習データとして該学習における所定の形式の状態データＳを作成し、機械学習装置１００が教師あり学習をする場合においては、学習データとして該学習における所定の形式の状態データＳ及びラベルデータＬの組を作成する。

前処理部３４が作成する状態データＳには、作業者により工具マガジンに工具が取り付けられた際にセンサ３が検出した工具交換装置に発生した振動乃至音声の時系列データである工具取付時振動データＳ１が少なくとも含まれる。工具取付時振動データＳ１は、センサ３により検出された工具取り付け時に工具交換装置に発生した振動乃至音声の時系列データを、所定の周期でサンプリングし直した系列データとして表現したデータを用いるようにしても良く、また、時系列データの特徴を示すデータ（公知のメル周波数ケプストラム係数等）を用いるようにしても良い。

また、前処理部３４が作成する学習データにラベルデータＬを含める場合には、該ラベルデータＬには、作業者による工具取り付け時における工具の取り付けの正常／異常に係る情報を示す工具取付状態データＬ１が少なくとも含まれる。工具取付状態データＬ１は、例えば作業者が工具を取り付けた後で、該工具の取り付け状態を手作業で確認した結果を、入力装置７１から入力した入力値を利用することができる。

学習部１１０は、前処理部３４が作成した学習データを用いた機械学習を行う。学習部１１０は、教師なし学習、教師あり学習等の公知の機械学習の手法により、マシニングセンタ２から取得されたデータを用いた機械学習を行うことで学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師なし学習の手法としては、例えばａｕｔｏｅｎｃｏｄｅｒ法、ｋ−ｍｅａｎｓ法等が、教師あり学習の手法としては、例えばｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎｎ法、ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ法、ＬｏｎｇＳｈｏｒｔ−ＴｅｒｍＭｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ法等が挙げられる。

学習部１１０による機械学習の一例として、例えば、マシニングセンタ２が備える工具交換装置に対して工具が正常に取り付けられた際に取得されたデータに基づいて前処理部３４が作成した状態データＳに基づいた教師なし学習を行い、工具マガジンに対して正常に工具の取り付けが行われた状態で取得された学習データの分布（クラスタ）を学習モデルとして生成することができる。

図５は、本実施形態において教師なし学習により工具マガジンに対して正常に工具の取り付けが行われた状態で取得された学習データに基づいて作成した学習モデルの例を示す図である。なお、図５では説明を簡単にするために、状態データＳとしてパラメータＡ，Ｂ，Ｃのみがある場合を例とした学習モデルを示しているが、実際の状態データＳは（例えば、時系列データを表現する各値を要素とした）より高次のベクトル空間で表現される。このようにして生成された学習モデルを用いる場合には、後述する推定部１２０は、新たにマシニングセンタ２、センサ３から取得されたデータが、工具マガジンに正常に工具の取り付けが行われた状態で取得された学習データの分布と比較して、該分布内に含まれるか否かに応じて工具取り付けの正常／異常を推定し、異常であると推定される場合には、学習データの分布からどの程度離れているのかに応じて推定結果としての異常度を算出することができる。

また、学習部１１０による機械学習の他の例として、例えば、マシニングセンタ２が備える工具交換装置に対して工具が正常に取り付けられた際に取得されたデータと、マシニングセンタ２が備える工具交換装置に対して工具が正常に取り付けられなかった際に取得されたデータと基づいて、前処理部３４が、前者に対して正常であることを示すラベルを付与し、後者に対して異常であることを示すラベルを付与することで作成した学習データ（教師データ）を用いた教師あり学習を行い、正常データと異常データとの判別境界を学習モデルとして生成することができる。

図６は、本実施形態において教師あり学習により工具マガジンに対して工具の取り付けが行われた際に取得された学習データに基づいて作成した学習モデルの例を示す図である。なお、図６では説明を簡単にするために、状態データＳとしてパラメータＡ，Ｂのみがある場合を例とした学習モデルを示しているが、実際の状態データＳは（例えば、時系列データを表現する各値を要素とした）より高次のベクトル空間で表現される。このようにして生成された学習モデルを用いる場合には、後述する推定部１２０は、新たにマシニングセンタ２、センサ３から取得されたデータが、学習モデルとしての判別境界から見ていずれの側にプロットさるのかに応じて工具取り付けの正常／異常を推定し、異常であると推定される場合には、判別境界からどの程度離れているのかに応じて推定結果としての異常度を算出することができる。

上記構成を備えた工具取付異常検出装置１では、マシニングセンタ２、センサ３から取得されたデータに基づいて前処理部３４が作成した学習データを用いた機械学習を学習部１１０が行い、そのようにして作成された学習モデルは、作業者による工具マガジンへの工具取り付け時にセンサ３から取得された工具交換装置に発生した振動乃至音声に係るデータに基づいて推定を行うためのものとして利用することができる。

図７は、第３実施形態による工具取付異常検出装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の工具取付異常検出装置１は、機械学習装置１００が推定を行う場合に必要とされる構成を備えている（推定モード）。図７に示した各機能ブロックは、図３に示した工具取付異常検出装置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、工具取付異常検出装置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。

本実施形態の工具取付異常検出装置１は、第１実施形態と同様に、データ取得部３０、前処理部３４を備え、工具取付異常検出部３６を構成する機械学習装置１００は、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による状態の推定に用いられる学習データが記憶される取得データ記憶部５０が設けられており、工具取付異常検出部３６を構成する機械学習装置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が記憶されている学習モデル記憶部１３０が設けられている。

本実施形態によるデータ取得部３０は、マシニングセンタ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、工具交換に係る動作状態、マシニングセンタ２の機種、作業者による工具マガジンへの工具取り付け時に工具交換装置に発生した振動乃至音声の時系列データ、作業者により入力された工具取り付けに係る情報等の各種データを取得し、取得データ記憶部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い。

本実施形態による前処理部３４は、取得データ記憶部５０に記憶されたデータに基づいて、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３４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）した状態データを作成する。前処理部３４が作成する状態データＳには、作業者による工具マガジンへの工具取り付け時にセンサ３が検出した工具交換装置に発生した振動乃至音声の時系列データである工具取付時振動データＳ１が少なくとも含まれる。

推定部１２０は、前処理部３４が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を用いたマシニングセンタの状態の推定を行う。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３４から入力された状態データＳを入力することで、工具マガジンに正常に工具が取り付けられたか否かを推定する。

図８は、本実施形態において教師なし学習により作成された学習モデルを用いた、工具取り付けの正常／異常の推定の例を示す図である。なお、図８では説明を簡単にするために、状態データＳとしてパラメータＡ，Ｂ，Ｃのみがある場合を例とした学習モデルを示しているが、実際の状態データＳは（例えば、時系列データを表現する各値を要素とした）より高次のベクトル空間で表現される。教師なし学習により作成された学習モデルを用いて推定を行う場合には、推定対象として入力された状態データＳが、学習モデルとして作成された学習データの分布（クラスタ）の内部にあるか、外部にあるかに応じて、工具の取り付けが正常であったか、又は異常であったかを推定する。また、異常であると推定された場合には、更に該状態データとクラスタとの距離に基づいて異常の度合いを算出することができる。

図９は、本実施形態において教師あり学習により作成された学習モデルを用いた、工具取り付けの正常／異常の推定の例を示す図である。なお、図９では説明を簡単にするために、状態データＳとしてパラメータＡ，Ｂのみがある場合を例とした学習モデルを示しているが、実際の状態データＳは（例えば、時系列データを表現する各値を要素とした）より高次のベクトル空間で表現される。教師あり学習により作成された学習モデルを用いて推定を行う場合には、推定対象として入力された状態データＳが、学習モデルとして作成された判別境界のどちら側に位置するかに応じて、工具の取り付けが正常であったか、又は異常であったかを推定する。また、異常であると推定された場合には、更に該状態データと判別境界との距離に基づいて異常の度合いを算出することができる。

推定部１２０が推定した結果（工具取り付けの正常／異常、異常である場合にはその異状度等）は、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。工具取付異常検出装置１は、異常度の大きさに応じて表示装置７０に対する表示を変更するようにしても良い。

上記構成を備えた工具取付異常検出装置１では、マシニングセンタ２、センサ３から取得されたデータに基づいて前処理部３４が作成した状態データを用いた工具取り付けの正常／異常の推定を行う。本実施形態による工具取付異常検出装置１は、作業者により取り付けられた工具の取り付け状態を、外観ではなく取付時に発生した振動乃至音声に基づいて推定を行うため、一見してうまく取り付けられているが微妙なズレ等でうまく取り付けられていない場合であっても、精度高く工具の取り付けの異常を検出することができるようになる。

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、上記した第２，３実施形態では工具取付異常検出装置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は工具取付異常検出装置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。

また、上記した第２，３実施形態では学習のための構成と推定のための構成とを別の実施形態として説明しているが、これらを同時に備えた工具取付異常検出装置１を構成しても良い。この場合、工具取付異常検出装置１は、工具の取り付け状態の推定を行いながら、必要に応じて学習モデルを更新する（学習する）ように動作する。

更に、例えば工具取付異常検出装置１をホストコンピュータやクラウドサーバ等の上に実装し、図１０に例示されるように、有線／無線のネットワーク５を介して複数のマシニングセンタ２、及び、それぞれのマシニングセンタ２に取り付けられたセンサ３と接続されている場合には、それぞれのマシニングセンタ２及びセンサ３からデータを収集して、それぞれのマシニングセンタ２における工具マガジンに対する工具の取り付け状態の正常／異常を検出するように構成しても良い。

１工具取付異常検出装置
２マシニングセンタ
３センサ
５ネットワーク
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１６，１７，１８，１９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
３４前処理部
３６工具取付異常検出部
５０取得データ記憶部
７０表示装置
７１入力装置
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
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
１４０正常振動データ記憶部

Claims

マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、
前記マシニングセンタに係るデータを取得するデータ取得部と、
前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係るデータを作成する前処理部と、
前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出する工具取付異常検出部と、
を備えた工具取付異常検出装置。
マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、
前記マシニングセンタに係るデータを取得するデータ取得部と、
前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係る工具取付時振動データを含む状態データを学習データとして作成する前処理部と、
前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出するための工具取付異常検出部と、
を備え、
前記工具取付異常検出部は、前記前処理部が作成した学習データを用いた機械学習を行い、前記工具マガジンに対する前記工具の取り付け異常を検出するための学習モデルを生成する学習部を備える、
工具取付異常検出装置。
マシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する工具取付異常検出装置であって、
前記マシニングセンタに係るデータを取得するデータ取得部と、
前記データ取得部が取得したデータに基づいて、少なくとも前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに係る工具取付時振動データを含む状態データを作成する前処理部と、
前記前処理部が作成したデータに基づいて、前記工具マガジンに対する前記工具の取り付け異常を検出する工具取付異常検出部と、
を備え、
前記工具取付異常検出部は、
前記工具マガジンに対して前記工具を取り付けた際に前記工具交換装置に発生した振動乃至音声の時系列データに対する前記工具マガジンに対する前記工具の取り付け状態を学習した学習モデルを記憶する学習モデル記憶部と、
前記前処理部が作成した状態データに基づいて、前記学習モデル記憶部に記憶されている学習モデルを用いた前記工具マガジンに対する前記工具の取り付け状態を推定する推定部と、を備える、
工具取付異常検出装置。
前記学習モデルは、教師なし学習により生成される、
請求項２または３に記載の工具取付異常検出装置。
前記学習モデルは、教師あり学習により生成される、
請求項２又は３に記載の工具取付異常検出装置。
ネットワークを介して複数のマシニングセンタと接続されており、
前記複数のマシニングセンタから取得したデータに基づいて、それぞれのマシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出するための学習モデルを生成する、
請求項２に記載の工具取付異常検出装置。
ネットワークを介して複数のマシニングセンタと接続されており、
前記複数のマシニングセンタから取得したデータに基づいて、それぞれのマシニングセンタが備える工具交換装置の工具マガジンに対する工具の取り付け異常を検出する、
請求項１又は３に記載の工具取付異常検出装置。