JP6949275B1 - 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム - Google Patents

加工診断装置、学習装置、推論装置、加工診断方法及びプログラム Download PDF

Info

Publication number
JP6949275B1
JP6949275B1 JP2021518015A JP2021518015A JP6949275B1 JP 6949275 B1 JP6949275 B1 JP 6949275B1 JP 2021518015 A JP2021518015 A JP 2021518015A JP 2021518015 A JP2021518015 A JP 2021518015A JP 6949275 B1 JP6949275 B1 JP 6949275B1
Authority
JP
Japan
Prior art keywords
machining
data
processing
waveform
diagnostic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021518015A
Other languages
English (en)
Other versions
JPWO2022102036A1 (ja
Inventor
哲史 石田
哲史 石田
堀　健一
健一 堀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP6949275B1 publication Critical patent/JP6949275B1/ja
Publication of JPWO2022102036A1 publication Critical patent/JPWO2022102036A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Numerical Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

加工診断装置（１００）は、工作機械（１）から加工条件に基づいて加工した結果である加工データを取得する加工データ取得部（３）と、取得した加工データから安定加工時間分の切削加工区間の抽出及び切削加工区間内の加工データの抽出を行う切削加工区間抽出部（４）と、切削加工の加工条件を取得し、取得した加工条件に応じて、切削加工区間抽出部（４）で抽出した加工データのクレンジングを行うクレンジング部（８）と、クレンジングした加工データから、特徴量を算出する特徴量算出部（９）と、算出した特徴量に基づいて加工診断する加工診断部（１１）とを備える。

Description

本開示は、加工診断装置、学習装置、推論装置、加工診断方法及びプログラムに関する。
工作機械は、工具の摩耗、破損等に起因する不具合品の発生を抑制するため、不具合品が発生する前に工具を事前に交換している。しかし、ワークの作業回数によって交換するなど、実際の工具の摩耗状態によって交換を行っていないため、使用可能な工具の破棄、不要な交換作業の発生が生じていた。そこで、工作機械の加工データを取得し、工具の摩耗状態を診断することによって、工具の寿命を予測し、工具の交換時期の最適化を行っている。
特許文献１は、工具を駆動するモータに流れる電流に基づいて工具の異常発生の有無を判定する数値制御装置を開示する。当該数値制御装置は、モータが定速中と判定した時に工具の異常発生の有無を判定し、モータが加減速中と判定した時に工具の異常発生の有無を判定しないことにより、工具の異常発生の精度を高める。
特開２０２０−１３４３３号公報
しかし、上記技術は、全ての期間の加工データを用いて異常発生の判定を行っている。したがって、加工データを取得し、事後的に加工データを分析して異常を判定する場合には、異常の判定に不要なデータのデータ処理が必要となり、データ処理が非効率的であった。
そこで本開示は、上記の事情に鑑み、加工データの異常の判定に不要なデータのデータ処理を不要とし、高精度データに基づいた正確な加工診断を実現することを目的にする。
上記の目的を達成するため、本開示に係る加工診断装置は、工作機械から加工条件に基づいて加工した結果である加工データを取得する加工データ取得部と、取得した加工データから安定加工時間分の切削加工区間の抽出及び前記切削加工区間内の加工データの抽出を行う切削加工区間抽出部と、加工条件を取得し、取得した加工条件に応じて、切削加工区間抽出部で抽出した加工データのクレンジングを行うクレンジング部と、クレンジングした加工データから、特徴量を算出する特徴量算出部と、算出した特徴量に基づいて加工診断する加工診断部とを備える。
本開示によれば、効率よく高精度データに基づいた正確な加工診断を実現する。
本開示の実施の形態１に係る加工診断装置の構成を示す図 本開示の実施の形態１に係る加工診断装置のハードウェア構成の一例を示す図 本開示の実施の形態１に係る加工データの切削加工区間の波形図 本開示の実施の形態１に係る特徴量算出処理の動作を示すフローチャート 本開示の実施の形態１に係る予測モデル生成処理の動作を示すフローチャート 本開示の実施の形態１に係る加工品質予測モデル演算処理を示すフローチャート 本開示の実施の形態２に係る学習装置の構成を示す図 本開示の実施の形態２に係る学習処理の動作を示すフローチャート 本開示の実施の形態２に係る推論装置の構成を示す図 本開示の実施の形態２に係る出力を得る処理の動作を示すフローチャート
以下、図面を参照しながら、本開示の実施の形態に係る加工診断装置１００を説明する。各図面においては、同一又は同等の部分に同一の符号を付す。
（実施の形態１）
図１を参照しながら、実施の形態１に係る加工診断装置１００を説明する。加工診断装置１００は、工作機械１からデータ収集インタフェース２を介し、加工データを取得する加工データ取得部３と、加工データから切削加工区間及び切削加工区間の加工データを抽出する切削加工区間抽出部４と、抽出された加工データを記憶する加工データ記憶部５と、複数の診断モデルを記憶する診断モデル記憶部６と、診断モデル記憶部６から加工条件に応じた診断モデルを抽出する診断モデルマッチング部７と、抽出された診断モデルに基づいて加工データをクレンジングするクレンジング部８と、クレンジングされた加工データから特徴量を抽出する特徴量算出部９と、算出された特徴量を記憶するトレンドデータ記憶部１０と、トレンドデータ記憶部１０に記憶された特徴量を母集団とした統計量と算出された特徴量から加工異常を診断する加工診断部１１と、を備える。
加工データ取得部３は、工作機械１に取り付けられたデータ収集インタフェース２を介し、加工データを取得し、一時的に記憶し、一定量の加工データをひとまとまりにして、切削加工区間抽出部４に提供する。工作機械１は、加工対象物に切削、切断、研磨等の加工を施す機械であり、例えば、フライス盤、旋盤、ボール盤等である。
加工データ取得部３が取得する加工データは、加工情報（加工プログラム番号、サブプログラム番号、工具番号、主軸回転数指令、製造シリアル情報、加工寸法検査結果などの製造情報）及び加工時のモータ諸元データ（モータ速度、モータトルクなど）、加工関係情報（切削油吐出圧、切削油温度など）を含む。
切削加工区間抽出部４は、加工データ取得部３が取得した加工データから安定加工時間分の切削加工区間を抽出するとともに、抽出された切削加工区間の加工データを抽出する。抽出された加工データは加工データ記憶部５に記憶される。ここで、安定加工時間は、主軸モータが定速で安定した加工が行える状態の時間であり、安定加工時間分の切削加工区間は、切削加工区間のうち、主軸モータが加速又は減速しながら回転する時を除く安定駆動した安定加工時間の区間である。安定加工時間分の切削加工区間を抽出して、この区間のデータを収集して、加工異常を判定することにより、加工異常の誤判定を防ぐ。
主軸モータのサンプリングデータから切削加工区間を抽出するため、工作機械１の主軸モータ回転数指令（モータ速度指令）の目標値に対する到達割合と、モータトルク（加速トルクＴａと減速トルクＴｄ）の閾値の組み合わせ条件によって、安定状態のデータ収集開始／収集終了タイミングを定義する。
なお、工作機械１から直接切削開始／終了信号を取り込むことが可能である場合、この信号を工作機械１から直接取り込み、収集開始／収集終了タイミングとして定義してもよい。
診断モデル記憶部６は、サブプログラム番号、工具番号、主軸回転数指令等の加工条件によって形作られる加工パターンを、加工条件毎に診断モデルとして記憶する。診断モデルは、装置、サブプログラム、工具で一意に定まる。加工パターンは、プログラムによって実行される作業内容に応じて加工箇所の位置、大きさ、範囲が異なる。１加工区間において加工箇所で実加工が行われ、次の加工箇所に移動する間は実加工が行われない。この実加工が行われない区間のデータは、加工診断を行ううえで必要のないデータである。診断モデル記憶部６にて、切削加工区間のうち、実加工が行われる区間をサブ区間として、診断対象母集団用の特徴量を抽出するサブ区間の条件を定義する。サブ区間の開始と終了の条件は、加工収集開始トリガから特定の時間経過後における、切削に関連するモータ軸のトルク変動に対する閾値レベル及び閾値の上限又は下限超過回数により定義される。
診断モデルマッチング部７は、診断モデル記憶部６から加工条件に応じた診断モデルを抽出する。加工データ取得部３から取得された加工条件について診断モデル記憶部６に予め登録された診断モデルの加工条件と照合が行われる。照合の結果、加工条件がマッチングする診断モデルの加工パターンが抽出される。なお、装置番号、サブプログラム番号、工具番号等の加工条件を加工データ取得部３が収集インタフェースを通じて収集できない場合、切削加工区間抽出部４から抽出されたデータ収集開始から収集終了までの切削加工区間の時間を計測し、計測された時間と診断モデル記憶部６に予め登録された加工時間と照合し、診断モデルを特定することもできる。
クレンジング部８は、抽出された診断モデルに基づいて加工診断に不必要な加工データを除外し、必要な加工データを切り出すクレンジング処理を行う。クレンジング処理は、加工パターンのうち、実加工が行われない区間を除き、実加工が行われるサブ区間について切り出しを行う。なお、サブ区間の切り出し方法は、切削加工区間に対して、開始・終了時間を設定して再切り出しする方法、工作機械１から直接実切削加工信号を取り込むことによりサブ区間を指定する方法を選択可能である。
特徴量算出部９は、クレンジングされたサブ区間の加工データから特徴量を算出する。特徴量は、例えば、１加工区間内で収集された同種の加工データ、例えば、電流値の最大値、最小値、平均値、標準偏差、数値範囲、加工時間、積分値等である。
トレンドデータ記憶部１０は、特徴量算出部９で算出された特徴量を記憶する。算出された特徴量は各モデルのトレンドデータとして記憶され、診断用の統計母集団（学習対象）として構築される。
加工診断部１１は、トレンドデータとして記憶された特徴量を母集団とした統計量と算出された特徴量から工具の摩耗診断を実施する。各加工完了後、加工診断部１１は、対象診断モデルに対して、トレンドデータ記憶部１０に記憶された特徴量から診断対象とされる分析用トレンドデータを抽出して診断を行う。なお、加工診断は、摩耗診断に限らず、加工異常検知、装置予兆診断も可能である。
加工診断装置１００は、ハードウェア的には、図２に示すように、制御プログラムにしたがってデータを処理するプロセッサ３１と、プロセッサのワークエリアとして機能する主記憶部３２と、データを長期間にわたって記憶するための補助記憶部３３と、データ入力を受け付ける入力部３４と、データを出力する出力部３５と、他の装置と通信する通信部３６とこれらの要素を相互に接続するバスと、を備える。補助記憶部３３には、プロセッサが実行するデータ収集処理の制御プログラムが記憶されている。制御プログラムの内容については後述する。入力部３４は、工作機械１から送信されてくる加工データを受信し、プロセッサ３１に提供する。プロセッサ３１は、補助記憶部３３に記憶されたプログラムを主記憶部３２に読み出して実行することにより、図１に示した加工データ取得部３、切削加工区間抽出部４、診断モデルマッチング部７、クレンジング部８、特徴量算出部９、加工診断部１１として機能する。また、補助記憶部３３は、加工データ記憶部５、診断モデル記憶部６、トレンドデータ記憶部１０として機能する。
次に、上記構成を有する加工診断装置１００の動作を説明する。
加工診断装置１００の動作は、特徴量算出部９で算出された特徴量と加工品質との関係を学習して、加工品質予測モデルを生成する学習過程と、被加工物であるワークを実際に加工する過程で、加工品質を予測する加工過程とを有する。
まず、学習過程について説明する。図４を参照して、ワークの加工が開始されると、加工データ取得部３は、加工情報（加工プログラム番号、サブプログラム番号、工具番号、主軸回転数指令、製造シリアル情報、加工寸法検査結果などの製造情報）及び加工時のモータ諸元データ（モータ速度、モータトルクなど）、加工関係情報（切削油吐出圧、切削油温度など）を含む加工データを取得する（ステップＳ１１）。
加工データが取得されると、切削加工区間抽出部４が、加工データから安定加工時間分の切削加工区間の抽出及び切削加工区間内の加工データの抽出を行う（ステップＳ１２）。安定加工時間分の切削加工区間の抽出については、図３を参照して説明する。
図３は、１切削加工区間における切削加工時の工作機械１の主軸モータのモータトルク、主軸モータ回転数指令、切削加工開始信号、実切削加工信号を示している。切削加工を開始すると主軸モータを回転させて主軸モータ回転数指令に応じた回転数まで上げる動作を行う。このとき主軸モータは加速されることから、モータトルクとして加速トルクＴａが発生する。図３において、モータトルクの最初の山となる波形部分が加速トルクＴａを示している。加速トルクＴａは加工診断を行うためのデータとして誤判定を及ぼす可能性があることから、加速トルクＴａが発生する区間は、切削加工区間の抽出において除外する必要がある。そこで、主軸モータの回転数が目標回転数に対して例えば８０％の到達割合に達した後であって、かつ、加速トルクＴａがピーク値を超えて閾値まで下がった時点を切削加工区間として抽出する安定状態のデータ収集開始タイミングとする。また、加工が終わり、主軸モータの回転数が下がってくると、主軸モータは減速されることから、モータトルクとして減速トルクＴｄが発生する。図３において、モータトルクの右端の山となる波形部分が減速トルクＴｄを示している。減速トルクＴｄは、加速トルクＴａ同様、加工診断を行うためのデータとして誤判定を及ぼす可能性があることから、減速トルクＴｄが発生する区間は、切削加工区間の抽出において除外する必要がある。そこで、モータの回転数が下がり、減速トルクＴｄが上昇を始め閾値を超えた時点を切削加工区間の抽出を終了する安定状態のデータ収集終了タイミングとする。
図４に戻って、続いて、切削加工区間抽出部４は、切削加工区間抽出部４で抽出された区間の加工データを順次、加工データ記憶部５に蓄積する（ステップＳ１３）。
続いて、診断モデルマッチング部７は、加工データ取得部３から取得された加工条件について診断モデル記憶部６に予め登録された診断モデルの加工条件と照合を行い、加工条件がマッチングする診断モデルの加工パターンを抽出する（ステップＳ１４）。
続いて、クレンジング部８は、抽出された診断モデルの加工パターンに基づいて加工診断に不必要な加工データを除外し、必要な加工データを切り出すクレンジング処理を行う（ステップＳ１５）。
続いて、特徴量算出部９は、クレンジングされたサブ区間の加工データから特徴量を算出する（ステップＳ１６）。
特徴量が算出されると、特徴量算出部９で算出された特徴量は、トレンドデータ記憶部１０に記憶される（ステップＳ１７）。
特徴量の算出処理が終了すると、続いて加工診断部１１が、トレンドデータとして記憶された特徴量を母集団とした統計量と算出された特徴量から工具の摩耗診断を実施する。加工診断部１１は、特徴量データと加工データを読み出して、図５に示す予測モデル生成処理を開始する。まず、加工診断部１１は、加工の特徴を示す特徴量から、異常値を除去し、寄与率、相関係数、多重共線性等のデータを算出する分析処理を行う（ステップＳ２１）。
次に、加工診断部１１は、回帰直線又はカーブフィット曲線を算出して予測モデルを生成するモデル化を行う（ステップＳ２２）。本実施の形態では、予測モデルを回帰式とし、回帰式を求める方法として、最小二乗法を用いる。なお、最小二乗法は、測定で得られた数値の組を、関数を用いて近似するときに、想定する関数が測定値に対してよい近似となる、残差の二乗和を最小とする係数を決定する方法である。
求める回帰式を具体的に示す。
Figure 0006949275
ここで、ｙは目的変数であり、ｘｋ（ｋ＝１，２，…，ｎ）は説明変数であり、Ａ， Ｂ，Ｃ，…，Ｎは、それぞれの説明変数の係数である。
本実施の形態では、説明変数ｘ１を、サブ区間におけるモータトルクの特徴量とする。また、目的変数ｙを、ワークの加工寸法の設計値と測定値の差分とする。回帰分析により、回帰式ｙ＝Ａｘ１に対し、複数の加工データから抽出された特徴量（ｘ１）に最も適合する係数Ａを算出する。回帰式は、加工プロセスの切削加工区間毎に求められる。なお、本実施の形態では、モデル化は、リアルタイムに収集した特徴量に基づいて行われるが、過去に収集され、主記憶部３２又は補助記憶部３３に記憶されている特徴量データに基づいて行われてもよい。
加工診断部１１は、ステップＳ２２での予測モデルの生成時とは異なる加工データを用いて、生成された予測モデルの精度、すなわち、回帰式に適用した場合の予測精度を算出し、精度を検証する（ステップＳ２３）。
加工診断部１１は、ステップＳ２３で算出された予測精度が基準を満たすか否かを判別する（ステップＳ２４）。
予測精度が基準を満たさないと判別されたならば（ステップＳ２４：Ｎｏ）、ステップＳ２２に戻る。予測精度が基準を満たすと判別されたならば（ステップＳ２４：Ｙｅｓ）、加工診断部１１は、求めたモデル、この場合、回帰式の係数Ａを加工プロセスと加工区間に対応付けて補助記憶部３３に記憶する（ステップＳ２５）。
このようにして、実際の加工処理の場面で加工寸法或いは加工品質を予測するための予測モデルが完成する。なお、この学習処理は、加工プロセス毎に任意の頻度で実行される。
加工診断部１１は、ステップＳ２２で求めた各回帰式について、相関関係の寄与率、すなわち、目的変数ｙに対する各説明変数ｘｋの寄与の割合を算出し、重相関係数Ｒを用いて寄与率の精度を求める。
次に、実際の加工処理の場面で、予測モデルを用いて加工寸法或いは加工品質を予測する処理を、図６を参照して説明する。
ワークを工作機械１で加工する場合、工作機械１からデータ収集インタフェース２を通じて加工データ取得部３は、加工データを取得し、切削加工区間のサブ区間の加工データの特徴量を抽出する（ステップＳ３１）。
特徴量の抽出に続いて、その時点における加工品質を予測するために、予測モデルである回帰式に、新たに取得した加工データを適用して、その時点で予測される加工品質ｙを求める（ステップＳ３２）。具体的には、回帰式ｙ＝Ａｘ１に対し、加工データから抽出したｘ１＝モータトルクを代入し、加工品質ｙ、即ち、設計値と予測される寸法の差の絶対値を予測する。
さらに、同一予測対象の以前の加工予測値と加工品質ｙとをカーブフィット曲線にて寸法公差との差を逸脱するまでの予測判定を行う（ステップＳ３３）。
加工診断部１１は、加工プロセス毎に予め定められている加工寸法品質規定を参照し、予測された加工品質ｙが基準を満たすか否かを判別する（ステップＳ３４）。予測された加工品質ｙが基準を満たすと判断されたならば（ステップＳ３４：Ｙｅｓ）、加工プロセスが終了したか否かを判別する（ステップＳ３５）。終了していなければ（ステップＳ３５：Ｎｏ）、次の区間についての処理のため、ステップＳ３２にリターンする。一方、終了していれば（ステップＳ３５：Ｙｅｓ）、処理を終了する。
また、予測された加工品質ｙが基準を満たしていないと判断されたならば（ステップＳ３４：Ｎｏ）、不良品発生時の手順に移行する（ステップＳ３６）。
以上のステップを実行することで、ワークの加工中、最終的な加工寸法の品質を予測することができる。
このように、分析に重回帰分析という確立された手法を用い、予測に回帰式への代入という計算量の少ない手法を用いることで、ニューラルネットワーク、ファジィ理論、深層学習等の複雑な手法を用いる場合に比べて、高速で安定した分析及び予測を高速に実行することができる。
求められた加工品質に基づいて工具の交換時期を判別する。加工診断装置１００は、予測した一連の加工品質と経過時間との関係を表す直線を、最小二乗法などを用いて求める。求めた直線を含むカーブフィット曲線と寸法公差とが交差するタイミングを特定し、このタイミングを工具交換のタイミングとして、報知する。具体的には、カーブフィット曲線が直線である場合には、加工品質の低下は経過時間に比例するため、寸法公差と交差するタイミングにおいて、加工品質が基準値を下回る。また、カーブフィット曲線は、時間の経過とともに加工品質の変化が緩やかになったり、急激になったりするものでもあり得る。さらに、カーブフィット曲線は、より複雑な関数によって表現されてもよく、加工データをより良く再現できるものであれば、上述した例に限られない。これにより、オペレータは、事前に工具交換のタイミングを知ることができる。
（実施の形態２）
また、本開示では、実生産を開始する前に実施するエアカット加工時、試験加工時のデータを収集し、加速と減速時のトルク波形特性、モータ速度を学習することで、切削加工区間を定義する安定状態のデータ収集開始／収集終了タイミングを自動決定する。学習は、強化学習（Ｑ学習）の機械学習によって行う。
図７は、加工診断装置１００に関する機械学習装置の構成図である。学習装置２０１は、データ取得部２０２、モデル生成部２０３を備える。
データ取得部２０２は、行動Ａとしてモータの回転が安定している安定状態におけるデータ収集開始／収集終了タイミング、状態Ｓとしてエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形を学習用データとして取得する。
モデル生成部２０３は、行動Ａとして安定状態のデータ収集開始／収集終了タイミングを含むとともに、状態Ｓとしてエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、及び電圧波形のうちの少なくとも１つを含む学習用データに基づいて、最適な行動Ａとして最も精度の高い摩耗診断結果を取得可能な特徴量を算出するための「安定状態のデータ収集開始／収集終了タイミング」を学習する。すなわち、加工診断装置１００の状態Ｓから最適な行動Ａを推論する学習済モデルを生成する。なお、行動Ａの波形には、波形の傾き、波形のバイアスの傾き、波形の傾きの変化量も含む。
モデル生成部２０３が用いる学習アルゴリズムは教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。一例として、強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）を適用した場合について説明する。強化学習では、ある環境内におけるエージェント（行動主体）が、現在の状態（環境のパラメータ）を観測し、取るべき行動を決定する。エージェントの行動により環境が動的に変化し、エージェントには環境の変化に応じて報酬が与えられる。エージェントはこれを繰り返し、一連の行動を通じて報酬が最も多く得られる行動方針を学習する。強化学習の代表的な手法として、Ｑ学習（Ｑ−ｌｅａｒｎｉｎｇ）やＴＤ学習（ＴＤ−ｌｅａｒｎｉｎｇ）が知られている。例えば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式は式（２）で表される。
Figure 0006949275
式（２）において、ｓｔは時刻ｔにおける環境の状態を表し、ａｔは時刻ｔにおける行動を表す。行動ａｔにより、状態はｓｔ＋１に変わる。ｒｔ＋１はその状態の変化によってもらえる報酬を表し、γは割引率を表し、αは学習係数を表す。なお、γは０＜γ≦１、αは０＜α≦１の範囲とする。行動Ａが行動ａｔとなり、状態Ｓが状態ｓｔとなり、時刻ｔの状態ｓｔにおける最良の行動ａｔを学習する。
式（２）で表される更新式は、時刻ｔ＋１における最もＱ値の高い行動ａの行動価値Ｑが、時刻ｔにおいて実行された行動ａの行動価値Ｑよりも大きければ、行動価値Ｑを大きくし、逆の場合は、行動価値Ｑを小さくする。換言すれば、時刻ｔにおける行動ａの行動価値Ｑを、時刻ｔ＋１における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。それにより、ある環境における最良の行動価値が、それ以前の環境における行動価値に順次伝播していくようになる。
上記のように、強化学習によって学習済モデルを生成する場合、モデル生成部２０３は、報酬計算部２０４と、関数更新部２０５と、を備えている。
報酬計算部２０４は、行動Ａ、状態Ｓに基づいて報酬を計算する。報酬計算部２０４は、報酬基準として特徴量に基づく摩耗診断結果の実際の摩耗診断結果の誤差範囲に基づいて、報酬ｒを計算する。安定状態のデータ収集開始／収集終了タイミングが正しく得られないと、非安定状態のデータが多く取り込まれ、正しく特徴量が選定されないので、特徴量に基づく摩耗診断結果の精度が落ちると考えられる。したがって、特徴量に基づく摩耗診断結果が基準の誤差範囲であるかを報酬基準とする。特徴量に基づく摩耗診断結果が基準の誤差範囲内である報酬増大基準の場合には報酬ｒを増大させ（例えば「１」の報酬を与える。）、他方、特徴量に基づく摩耗診断結果が基準の誤差範囲を超える報酬減少基準の場合には報酬ｒを低減する（例えば「−１」の報酬を与える。）。
関数更新部２０５は、報酬計算部２０４によって計算される報酬に従って、最適な行動Ａを決定するための関数を更新し、学習済モデル記憶部２０６に出力する。例えばＱ学習の場合、式（２）で表される行動価値関数Ｑ（ｓｔ，ａｔ）を最適な行動Ａを算出するための関数として用いる。
以上のような学習を繰り返し実行する。学習済モデル記憶部２０６は、関数更新部２０５によって更新された行動価値関数Ｑ（ｓｔ，ａｔ）、すなわち、学習済モデルを記憶する。
次に、図８を用いて、学習装置２０１が学習する処理について説明する。図８は学習装置２０１の学習処理に関するフローチャートである。
ステップＳ４１において、データ取得部２０２は行動Ａ、状態Ｓを学習用データとして取得する。
ステップＳ４２において、モデル生成部２０３は行動Ａ、状態Ｓに基づいて報酬を計算する。具体的には、報酬計算部２０４は、行動Ａ、状態Ｓを取得し、予め定められた報酬基準に基づいて報酬を増加させるか又は報酬を減じるかを判断する。
報酬計算部２０４は、報酬を増大させると判断した場合（ステップＳ４２：Ｙｅｓ）に、ステップＳ４３において報酬を増大させる。一方、報酬計算部２０４は、報酬を減少させると判断した場合（ステップＳ４２：Ｎｏ）に、ステップＳ４４において報酬を減少させる。
ステップＳ４５において、関数更新部２０５は、報酬計算部２０４によって計算された報酬に基づいて、学習済モデル記憶部２０６が記憶する式（２）で表される行動価値関数Ｑ（ｓｔ，ａｔ）を更新する。
学習装置２０１は、以上のステップＳ４１からＳ４５までのステップを繰り返し実行し、生成された行動価値関数Ｑ（ｓｔ，ａｔ）を学習済モデルとして記憶する。
本実施の形態に係る学習装置２０１は、学習済モデルを学習装置２０１の外部に設けられた学習済モデル記憶部２０６に記憶するものとしたが、学習済モデル記憶部２０６を学習装置２０１の内部に備えていてもよい。
図９は加工診断装置１００に関する推論装置３０１の構成図である。推論装置３０１は、データ取得部３０２、推論部３０３を備える。
データ取得部３０２は状態Ｓを取得する。
推論部３０３は、学習済モデルを利用して最適な行動Ａを推論する。すなわち、この学習済モデルにデータ取得部３０２が取得した状態Ｓを入力することで、状態Ｓに適した最適な行動Ａを推論することができる。なお、ここで入力される状態Ｓは実際の加工時のトルク波形、モータ速度波形、加速度波形、電流波形、及び電圧波形のうちの少なくとも１つを含むデータである。
なお、本実施の形態では、加工診断装置１００に関する学習装置２０１のモデル生成部２０３で学習した学習済モデルを用いて最適な行動Ａを出力するものとして説明したが、他の加工診断装置１００から学習済モデルを取得し、この学習済モデルに基づいて最適な行動Ａを出力するようにしてもよい。
次に、図１０を用いて、学習装置２０１を使って最適な行動Ａを得るための処理を説明する。
ステップＳ５１において、データ取得部３０２は状態Ｓを取得する。
ステップＳ５２において、推論部３０３は学習済モデル記憶部２０６に記憶された学習済モデルに状態Ｓを入力し、最適な行動Ａを得る（ステップＳ５３）。推論部３０３は得られた最適な行動Ａを加工診断装置１００に出力する。
ステップＳ５４において、加工診断装置１００は、出力された最適な行動Ａを用いて、精度の高い摩耗診断結果を取得可能な特徴量を算出する。
なお、本実施の形態では、推論部３０３が用いる学習アルゴリズムに強化学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、強化学習以外にも、教師あり学習、教師なし学習、又は半教師あり学習等を適用することも可能である。
また、モデル生成部２０３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
なお、学習装置２０１及び推論装置３０１は、例えば、ネットワークを介して加工診断装置１００に接続され、この加工診断装置１００とは別個の装置であってもよい。また、学習装置２０１及び推論装置３０１は、加工診断装置１００に内蔵されていてもよい。さらに、学習装置２０１及び推論装置３０１は、クラウドサーバ上に存在していてもよい。
また、モデル生成部２０３は、複数の加工診断装置１００から取得される学習用データを用いて、最適な行動Ａを学習するようにしてもよい。なお、モデル生成部２０３は、同一のエリアで使用される複数の加工診断装置１００から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の加工診断装置１００から収集される学習用データを利用して最適な行動Ａを学習してもよい。また、学習用データを収集する加工診断装置１００を途中で対象に追加したり、対象から除去することも可能である。さらに、ある加工診断装置１００に関して最適な行動Ａを学習した学習装置２０１を、これとは別の加工診断装置１００に適用し、当該別の加工診断装置１００に関して最適な行動Ａを再学習して更新するようにしてもよい。
（実施の形態３）
また、装置メンテナンスする際に、メンテナンス実施前とメンテナンス実施後の加工データを学習し、機械ロス変化による加工データ（モータトルク）に対する影響を抑え、各診断機能において異常を判定する診断閾値の補正を実施することができる。装置メンテナンスによりモータ自体を交換した場合、例えば軸受が新しいものに交換されることにより、軸受を回転することによる負荷が減少する。したがって、メンテナンス実施前とメンテナンス実施後では、同じ加工であっても、モータトルクは減少する。したがって、このモータトルクの減少分を補正することにより、モータ交換による影響を抑える。学習は、強化学習（Ｑ学習）の機械学習によって行う。
加工診断装置１００に関する機械学習装置の構成図は図７と同様であるので省略する。
データ取得部２０２は、行動Ａとして診断条件、例えば、診断パラメータ、診断データの取り扱い状況（メンテナンス後データのどの範囲を使用しているか、どのようにデータ処理しているか）、状態Ｓとしてメンテナンス後の加工データ、例えば、トルク波形、主軸速度波形を学習用データとして取得する。
モデル生成部２０３は、行動Ａとして診断条件、例えば、診断パラメータ、診断データの取り扱い状況（メンテナンス後データのどの範囲を使用しているか、どのようにデータ処理しているか）、状態Ｓとしてメンテナンス後の加工データ、例えば、トルク波形、主軸速度波形を含む学習用データに基づいて、最適な行動Ａとしてメンテナンス後データ毎の適切な診断閾値の補正値を学習する。すなわち、加工診断装置１００の状態Ｓから最適な行動Ａを推論する学習済モデルを生成する。
報酬計算部２０４は、行動Ａ、状態Ｓに基づいて報酬を計算する。報酬計算部２０４は、報酬基準として理論上の診断値と、メンテナンス後データに基づいて算定した診断値との差が基準の誤差の範囲内かに基づいて、報酬ｒを計算する。例えば、基準の誤差の範囲内である報酬増大基準の場合には報酬ｒを増大させ（例えば「１」の報酬を与える。）、他方、基準の誤差の範囲外である報酬減少基準の場合には報酬ｒを低減する（例えば「−１」の報酬を与える。）。
関数更新部２０５は、報酬計算部２０４によって計算される報酬に従って、最適な行動Ａを決定するための関数を更新し、学習済モデル記憶部２０６に出力する。例えばＱ学習の場合、式１で表される行動価値関数Ｑ（ｓｔ，ａｔ）を最適な行動Ａを算出するための関数として用いる。
以上のような学習を繰り返し実行する。学習済モデル記憶部２０６は、関数更新部２０５によって更新された行動価値関数Ｑ（ｓｔ，ａｔ）、すなわち、学習済モデルを記憶する。
次に、学習装置２０１が学習する処理については、図８と同様であるので省略する。また、加工診断装置１００に関する推論装置３０１の構成図についても、図９と同様であるので省略する。
なお、本実施の形態では、推論部３０３が用いる学習アルゴリズムに強化学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、強化学習以外にも、教師あり学習、教師なし学習、又は半教師あり学習等を適用することも可能である。
また、モデル生成部２０３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習を用いることもでき、他の公知の方法、例えばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
なお、学習装置２０１及び推論装置３０１は、例えば、ネットワークを介して加工診断装置１００に接続され、この加工診断装置１００とは別個の装置であってもよい。また、学習装置２０１及び推論装置３０１は、加工診断装置１００に内蔵されていてもよい。さらに、学習装置２０１及び推論装置３０１は、クラウドサーバ上に存在していてもよい。
また、モデル生成部２０３は、複数の加工診断装置１００から取得される学習用データを用いて、最適な行動Ａを学習するようにしてもよい。なお、モデル生成部２０３は、同一のエリアで使用される複数の加工診断装置１００から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の加工診断装置１００から収集される学習用データを利用して最適な行動Ａを学習してもよい。また、学習用データを収集する加工診断装置１００を途中で対象に追加又は対象から除去することも可能である。さらに、ある加工診断装置１００に関して最適な行動Ａを学習した学習装置２０１を、これとは別の加工診断装置１００に適用し、当該別の加工診断装置１００に関して最適な行動Ａを再学習して更新するようにしてもよい。
本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本開示を説明するためのものであり、本開示の範囲を限定するものではない。つまり、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、本開示の範囲内とみなされる。
本開示は、加工診断装置１００に広く適用することができる。
１ 工作機械、２ データ収集インタフェース、３ 加工データ取得部、４ 切削加工区間抽出部、５ 加工データ記憶部、６ 診断モデル記憶部、７ 診断モデルマッチング部、８ クレンジング部、９ 特徴量算出部、１０ トレンドデータ記憶部、１１ 加工診断部、３１ プロセッサ、３２ 主記憶部、３３ 補助記憶部、３４ 入力部、３５ 出力部、３６ 通信部、１００ 加工診断装置、２０１ 学習装置、２０２，３０２ データ取得部、２０３ モデル生成部、２０４ 報酬計算部、２０５ 関数更新部、２０６ 学習済モデル記憶部、３０１ 推論装置、３０３ 推論部。

Claims (16)

  1. 工作機械から加工条件に基づいて加工した結果である加工データを取得する加工データ取得部と、
    取得した前記加工データから安定加工時間分の切削加工区間の抽出及び前記切削加工区間内の加工データの抽出を行う切削加工区間抽出部と、
    前記加工条件を取得し、取得した前記加工条件に応じて、前記切削加工区間抽出部で抽出した前記加工データのクレンジングを行うクレンジング部と、
    クレンジングした前記加工データから、特徴量を算出する特徴量算出部と、
    算出した前記特徴量に基づいて加工診断する加工診断部と、
    を備える加工診断装置。
  2. 加工条件によって形成される加工パターンを加工条件毎に診断モデルとして記憶する診断モデル記憶部と、
    加工条件に基づいて、診断モデルを前記診断モデル記憶部から読み出すことで、前記切削加工区間抽出部で抽出した前記加工データと前記診断モデルとのマッチングを行う診断モデルマッチング部とを備え、
    前記クレンジング部は、前記診断モデルマッチング部でマッチングした診断モデルに基づいて前記切削加工区間抽出部で抽出した前記加工データのクレンジングを行う、
    請求項１に記載の加工診断装置。
  3. 前記クレンジングは、加工条件によって形成される加工パターンのうち、実加工が行われない区間を除き、実加工が行われるサブ区間について切り出しを行う、
    請求項１又は２に記載の加工診断装置。
  4. 前記切削加工区間抽出部は、前記工作機械の主軸モータの回転数の目標値に対する到達割合と、モータトルクの閾値の組み合わせにより前記安定加工時間分の切削加工区間を抽出する、
    請求項１から３のいずれか１項に記載の加工診断装置。
  5. 前記特徴量算出部が算出した特徴量をトレンドデータとして記憶するトレンドデータ記憶部を備え、
    前記加工診断部は、対象診断モデルに対して、前記トレンドデータ記憶部に記憶された特徴量から診断対象とされる分析用トレンドデータを抽出して診断を行う、
    請求項１から４のいずれか１項に記載の加工診断装置。
  6. 切削加工時の加工データと、前記安定加工時間分の切削加工区間のデータの収集開始／収集終了タイミングを学習用データとして取得し、
    前記学習用データを用いて、切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記収集開始／収集終了タイミングを推論する推論部を備える、
    請求項１から５のいずれか１項に記載の加工診断装置。
  7. 前記加工診断装置のエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つと、前記エアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つにおける前記加工診断装置の安定加工時間分の切削加工区間のデータの収集開始／収集終了タイミングと、を含む学習用データを取得するデータ取得部と、
    前記学習用データを用いて、前記加工診断装置の前記エアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記収集開始／収集終了タイミングを推論するための学習済モデルを生成するモデル生成部と、
    を備える学習装置を、さらに備える、
    請求項１に記載の加工診断装置。
  8. 前記加工診断装置の加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つを含むデータを取得するデータ取得部と、
    前記加工診断装置のエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記加工診断装置の安定加工時間分の切削加工区間のデータの収集開始／収集終了タイミングを推論するための学習済モデルを用いて、前記加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記収集開始／収集終了タイミングを出力する推論部と、
    を備える推論装置を、さらに備える、
    請求項１に記載の加工診断装置。
  9. 前記加工診断装置の診断条件と、前記加工診断装置のメンテナンス後の加工データを含む学習用データを取得するデータ取得部と、
    前記学習用データを用いて、前記加工診断装置のメンテナンス後の加工データから診断において異常を判定する診断閾値のメンテナンス後データ毎の適切な補正値を推論するための学習済モデルを生成するモデル生成部と、
    を備える学習装置を、さらに備える、
    請求項１に記載の加工診断装置。
  10. 前記加工診断装置のメンテナンス後の加工データを取得するデータ取得部と、
    前記加工診断装置のメンテナンス後の加工データから診断において異常を判定する診断閾値のメンテナンス後データ毎の適切な補正値を推論するための学習済モデルを用いて、前記加工診断装置のメンテナンス後の加工データから前記診断閾値のメンテナンス後データ毎の適切な補正値を出力する推論部と、
    を備える推論装置を、さらに備える、
    請求項１に記載の加工診断装置。
  11. 工作機械から加工条件に基づいて加工した結果である加工データを取得する加工データ取得ステップと、
    取得した前記加工データから安定加工時間分の切削加工区間の抽出及び前記切削加工区間内の加工データの抽出を行う切削加工区間抽出ステップと、
    前記加工条件を取得し、取得した加工条件に応じて、前記切削加工区間内の加工データのクレンジングを行うクレンジングステップと、
    前記クレンジングした加工データから、特徴量を算出する特徴量算出ステップと、
    前記算出した特徴量に基づいて加工診断する加工診断ステップと、
    を備える加工診断方法。
  12. コンピュータに、
    工作機械から加工条件に基づいて加工した結果である加工データを取得する加工データ取得ステップと、
    取得した前記加工データから安定加工時間分の切削加工区間の抽出及び前記切削加工区間内の加工データの抽出を行う切削加工区間抽出ステップと、
    前記切削加工の加工条件を取得し、取得した加工条件に応じて、前記切削加工区間内の加工データのクレンジングを行うクレンジングステップと、
    前記クレンジングした加工データから、特徴量を算出する特徴量算出ステップと、
    前記算出した特徴量に基づいて加工診断する加工診断ステップと、
    を実行させるプログラム。
  13. 請求項１に記載の加工診断装置のエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つと、前記エアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つにおける前記加工診断装置の安定加工時間分の切削加工区間のデータの収集開始／収集終了タイミングと、を含む学習用データを取得するデータ取得部と、
    前記学習用データを用いて、前記加工診断装置の前記エアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記収集開始／収集終了タイミングを推論するための学習済モデルを生成するモデル生成部と、
    を備える学習装置。
  14. 請求項１に記載の加工診断装置の加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つを含むデータを取得するデータ取得部と、
    前記加工診断装置のエアカット加工時及び試験加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記加工診断装置の安定加工時間分の切削加工区間のデータの収集開始／収集終了タイミングを推論するための学習済モデルを用いて、前記加工時のトルク波形、モータ速度波形、加速度波形、電流波形、電圧波形のうちの少なくとも１つから切削加工で使用される工具の摩耗状態の診断に適するデータを取得する前記収集開始／収集終了タイミングを出力する推論部と、
    を備える推論装置。
  15. 請求項１に記載の加工診断装置の診断条件と、前記加工診断装置のメンテナンス後の加工データを含む学習用データを取得するデータ取得部と、
    前記学習用データを用いて、前記加工診断装置のメンテナンス後の加工データから診断において異常を判定する診断閾値のメンテナンス後データ毎の適切な補正値を推論するための学習済モデルを生成するモデル生成部と、
    を備える学習装置。
  16. 請求項１に記載の加工診断装置のメンテナンス後の加工データを取得するデータ取得部と、
    前記加工診断装置のメンテナンス後の加工データから診断において異常を判定する診断閾値のメンテナンス後データ毎の適切な補正値を推論するための学習済モデルを用いて、前記加工診断装置のメンテナンス後の加工データから前記診断閾値のメンテナンス後データ毎の適切な補正値を出力する推論部と、
    を備える推論装置。
JP2021518015A 2020-11-12 2020-11-12 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム Active JP6949275B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/042185 WO2022102036A1 (ja) 2020-11-12 2020-11-12 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム

Publications (2)

Publication Number Publication Date
JP6949275B1 true JP6949275B1 (ja) 2021-10-13
JPWO2022102036A1 JPWO2022102036A1 (ja) 2022-05-19

Family

ID=78001419

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021518015A Active JP6949275B1 (ja) 2020-11-12 2020-11-12 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム

Country Status (5)

Country Link
US (1) US20230120046A1 (ja)
JP (1) JP6949275B1 (ja)
CN (1) CN116249943A (ja)
DE (1) DE112020007792T5 (ja)
WO (1) WO2022102036A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627090B (zh) * 2023-07-19 2023-11-10 太仓庄正数控设备有限公司 基于切削状态诊断的数控机床调控方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019239606A1 (ja) * 2018-06-15 2019-12-19 三菱電機株式会社 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム
JP2020104257A (ja) * 2018-12-25 2020-07-09 日立金属株式会社 切削工具の異常検知装置、および異常検知方法
JP2020163567A (ja) * 2020-06-25 2020-10-08 株式会社リコー 情報処理装置、情報処理方法、および情報処理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019239606A1 (ja) * 2018-06-15 2019-12-19 三菱電機株式会社 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム
JP2020104257A (ja) * 2018-12-25 2020-07-09 日立金属株式会社 切削工具の異常検知装置、および異常検知方法
JP2020163567A (ja) * 2020-06-25 2020-10-08 株式会社リコー 情報処理装置、情報処理方法、および情報処理システム

Also Published As

Publication number Publication date
DE112020007792T5 (de) 2023-09-28
CN116249943A (zh) 2023-06-09
WO2022102036A1 (ja) 2022-05-19
US20230120046A1 (en) 2023-04-20
JPWO2022102036A1 (ja) 2022-05-19

Similar Documents

Publication Publication Date Title
JP3553982B2 (ja) 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
JP6773582B2 (ja) 機械学習装置、故障予知装置及び故障予知システム、並びに機械学習方法及び故障予知方法
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP5997330B1 (ja) 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
US20180003588A1 (en) Machine learning device which learns estimated lifetime of bearing, lifetime estimation device, and machine learning method
US10962960B2 (en) Chip removal apparatus and information processing apparatus
JP6294268B2 (ja) 射出成形機の異常診断装置
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN107305370B (zh) 设定与产品的异常相关的变量的判定值的生产***
JP4601492B2 (ja) 生産工程の品質予測システムおよびその方法
Garga et al. Hybrid reasoning for prognostic learning in CBM systems
US10725465B2 (en) State diagnostic device
US9952574B2 (en) Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
Abu-Samah et al. Failure prediction methodology for improved proactive maintenance using Bayesian approach
JP6333868B2 (ja) セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
JP2019207576A (ja) 寿命予測装置及び機械学習装置
JP6949275B1 (ja) 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム
JP2021057030A (ja) 制御システム
CN114326593B (zh) 一种刀具寿命预测***及方法
US20240012405A1 (en) Method and Device for Determining a Remaining Service Life of a Technical System
KR20210100399A (ko) 인공 지능을 이용한 가공품질 예측 시스템 및 방법
CN117076260B (zh) 一种参数及设备异常检测方法及装置
WO2024154205A1 (ja) 特異データ判定装置、及び特異データ判定方法
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210331

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210331

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210721

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210824

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210921

R150 Certificate of patent or registration of utility model

Ref document number: 6949275

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150