[go: up one dir, main page]

JP2020138265A - びびり振動判定装置、機械学習装置及びシステム - Google Patents

びびり振動判定装置、機械学習装置及びシステム Download PDF

Info

Publication number
JP2020138265A
JP2020138265A JP2019034543A JP2019034543A JP2020138265A JP 2020138265 A JP2020138265 A JP 2020138265A JP 2019034543 A JP2019034543 A JP 2019034543A JP 2019034543 A JP2019034543 A JP 2019034543A JP 2020138265 A JP2020138265 A JP 2020138265A
Authority
JP
Japan
Prior art keywords
chatter vibration
learning model
learning
machine tool
machine
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.)
Granted
Application number
JP2019034543A
Other languages
English (en)
Other versions
JP6959278B2 (ja
Inventor
航希 及川
Koki Oikawa
航希 及川
健太 山本
Kenta Yamamoto
健太 山本
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Priority to JP2019034543A priority Critical patent/JP6959278B2/ja
Priority to DE102020001127.6A priority patent/DE102020001127A1/de
Priority to US16/800,473 priority patent/US11782414B2/en
Priority to CN202010120965.XA priority patent/CN111624947B/zh
Publication of JP2020138265A publication Critical patent/JP2020138265A/ja
Application granted granted Critical
Publication of JP6959278B2 publication Critical patent/JP6959278B2/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
    • 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
    • G05B19/404—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 characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • 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
    • G05B19/406—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 characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • G05B19/408—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 characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4086—Coordinate conversions; Other special calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37438—Prediction of machining error with flexible ball end milling model
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41115—Compensation periodical disturbance, like chatter, non-circular workpiece
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41256—Chattering control

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

【課題】切削加工の状態に応じたびびり振動の発生を判定する機能、必要に応じて該びびり振動を低減するための加工条件の調整をガイダンスする機能を備えた装置を提供すること。【解決手段】本発明のびびり振動判定装置１は、切削加工における送り速度及び主軸回転速度を含む加工条件データを、環境の現在状態を表す状態データとして観測し、該状態データに基づいて、切削加工の加工条件に対するびびり振動の関係をモデル化した学習モデルを用いた機械学習に係る処理を実行し、びびり振動の発生の有無及び該びびり振動の改善を推定する機械学習装置を備え、びびり振動の発生の有無及び該びびり振動の改善の推定結果を出力する。【選択図】図２

Description

本発明は、びびり振動判定装置、機械学習装置及びシステムに関する。
工作機械により加工を行う場合、プログラム指令された経路、速度、主軸回転数、工具を用いて加工を行う。このとき、指令によっては加工時にびびりが発生し、加工面へ悪影響を及ぼすことがある。加工中にびびりが発生した場合、作業者が主軸回転数、送り速度を調整し、びびりの発生しない加工条件を見つけていた。
特許文献１には、加工中にセンサデータによる監視を行い、機械振動や工具破損などの異常が発生した場合にその原因を特定し、予め設定されている範囲で通常の加工条件とは異なる加工条件で加工を行い、特定された原因に基づいて異常が発生しない加工条件となるように加工プログラムの修正を行う異常回避制御方法が開示されている。
特許第３００５６６３号公報
加工を行う際にびびり振動が発生するか否かは、加工時に作業者が設定する主軸回転数やワークと工具の相対的な送り速度、切削量等の加工条件、利用する工具、ワークの材質、機械の周波数特性等に依存する。作業者は、加工時にびびり振動が発生すると、主軸回転数やワークと工具の相対的な送り速度、切削量等の加工条件を、びびり振動が低減するように調整することで対応してきた。
しかしながら、作業者からは、切削加工中に実際に大きなびびり振動が発生する前に、その発生を判定して加工条件の調整を行いたいという要求がある。また、大きなびびり振動の発生が判定された場合に、いずれの加工条件をどの様に調整することで該びびり振動を低減できるのか、試行錯誤すること無く調整できるようにしたいという課題がある。
そのため、切削加工の状態に応じたびびり振動の発生を判定する機能、必要に応じて該びびり振動を低減するための加工条件の調整を可能とする装置乃至システムが望まれている。
本発明の一態様は、ワークと工具とを相対的に移動させることで該ワークの切削加工を行う工作機械を制御するびびり振動判定装置であって、前記切削加工における送り速度及び主軸回転速度を含む加工条件データを、環境の現在状態を表す状態データとして観測し、該状態データに基づいて、前記切削加工の加工条件に対するびびり振動の関係をモデル化した学習モデルを用いた機械学習に係る処理を実行し、びびり振動の発生の有無及び該びびり振動の改善を推定する機械学習装置を備え、前記びびり振動の発生の有無及び該びびり振動の改善の推定結果を出力する、びびり振動判定装置である。
本発明の他の態様は、ワークと工具とを相対的に移動させることで該ワークの切削加工を行う工作機械での該切削加工における送り速度及び主軸回転速度を含む加工条件データを、環境の現在状態を表す状態データとして観測し、該状態データに基づいて、前記切削加工の加工条件に対するびびり振動の関係をモデル化した学習モデルを用いた機械学習に係る処理を実行し、びびり振動の発生の有無及び該びびり振動の改善を推定する、機械学習装置である。
本発明の一態様によれば、機械学習により、工作機械による切削加工中に大きなびびり振動が発生することを予め判定し、必要に応じてびびり振動を低減するための加工条件の調整を推定できる。そして、推定された加工条件の調整内容に基づいて、自動的に加工条件を調整したり、その改善案をガイダンスとして表示したりすることが可能となるため、作業者はびびり振動が発生する前に加工条件の調整を容易に行うことが可能となる。
一実施形態によるびびり振動判定装置の概略的なハードウェア構成図である。 第１実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師なし学習で生成された学習モデルの例を示す図である。 第２実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師あり学習で生成された学習モデルの例を示す図である。 第３実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師なし学習で生成された学習モデルを用いたびびり振動の発生有無及び該びびり振動の改善の推定について説明する図である。 第４実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師あり学習で生成された学習モデルを用いたびびり振動の発生有無及び該びびり振動の改善の推定について説明する図である。 第３実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師なし学習で生成された学習モデルを他の工作機械用に調整する方法について説明する図である。 第４実施形態によるびびり振動判定装置の概略的な機能ブロック図である。 教師あり学習で生成された学習モデルを他の工作機械用に調整する方法について説明する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態によるびびり振動判定装置の要部を示す概略的なハードウェア構成図である。びびり振動判定装置１は、例えば工作機械を制御する制御装置として実装することができる。また、びびり振動判定装置１は、例えば工作機械を制御する制御装置に併設されたパソコンや、制御装置に有線／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、フォグコンピュータ、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、びびり振動判定装置１を、工作機械を制御する制御装置として実装した場合の例を示す。
本実施形態によるびびり振動判定装置１が備えるＣＰＵ１１は、びびり振動判定装置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２１を介して読み出し、該システム・プログラムに従ってびびり振動判定装置１の全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、図示しない入力部を介してオペレータ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（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、びびり振動判定装置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、インタフェース１５を介して外部機器７２から読み込まれたプログラムや表示器／ＭＤＩユニット７０を介して入力されたプログラム、びびり振動判定装置１の各部や工作機械から取得された各種データ（例えば、各サーボモータ５０の位置／速度／加速度、スピンドルモータ６２の回転速度、それぞれのモータの電流値等）、センサ３で検出された検出値（工作機械に発生したびびり振動）等が記憶されている。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、公知の解析プログラムなどの各種のシステム・プログラム（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システム・プログラムを含む）があらかじめ書き込まれている。
インタフェース１５は、びびり振動判定装置１とアダプタ等の外部機器７２と接続するためのインタフェースである。外部機器７２側からはプログラムや各種パラメータ等が読み込まれる。また、びびり振動判定装置１内で編集したプログラムや各種パラメータ等は、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、びびり振動判定装置１に内蔵されたシーケンス・プログラムで工作機械及び該工作機械の周辺装置にＩ／Ｏユニット１７を介して信号を出力し制御する。また、工作機械の本体に配備された操作盤の各種スイッチ等の信号を受け、必要な信号処理をした後、ＣＰＵ１１に渡す。
表示器／ＭＤＩユニット７０はディスプレイやキーボード等を備えた手動データ入力装置であり、インタフェース１８は表示器／ＭＤＩユニット７０のキーボードからの指令，データを受けてＣＰＵ１１に渡す。インタフェース１９は各軸を手動で駆動させる際に用いる手動パルス発生器等を備えた操作盤７１に接続されている。
工作機械が備える各軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、工作機械が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度検出器を内蔵し、この位置・速度検出器からの位置・速度フィードバック信号を軸制御回路３０にフィードバックし、位置・速度のフィードバック制御を行う。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には制御対象となる工作機械に備えられた軸の数だけ用意される。
スピンドル制御回路６０は、工作機械に備え付けられた主軸への主軸回転指令を受け、スピンドルアンプ６１にスピンドル速度信号を出力する。スピンドルアンプ６１はこのスピンドル速度信号を受けて、主軸のスピンドルモータ６２を指令された回転速度で回転させる。スピンドルモータ６２にはポジションコーダ６３が結合され、ポジションコーダ６３が主軸の回転に同期して帰還パルスを出力し、その帰還パルスはＣＰＵ１１によって読み取られる。
センサ３は、例えば加速度センサや変位センサ等のような振動センサであり、工作機械に発生したびびり振動を検出するために用いる。センサ３により検出された工作機械に発生したびびり振動は、インタフェース２０を介してＣＰＵ１１に渡される。なお、センサ３は、機械学習装置１００による学習のために用いられるものであり、機械学習装置１００による学習が完了した後は、びびり振動判定装置１から取り外しても構わない。
インタフェース２２は、びびり振動判定装置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２２を介してびびり振動判定装置１で取得可能な各情報（例えば、各サーボモータ５０の位置／速度／加速度、スピンドルモータ６２の回転速度、それぞれのモータの電流値、工作機械に発生したびびり振動の検出値等）を観測することができる。また、びびり振動判定装置１は、機械学習装置１００から出力される、びびりを低減させる工作機械の加工条件の調整の推定結果を受けて、該推定結果に基づく工作機械の加工条件の調整に係る処理（自動調整、作業者への推定結果の提示等）を実行する。
図２は、第１実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師なし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２に示した各機能ブロックは、図１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、学習部１１０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。
データ取得部３２は、工作機械２やセンサ３等から、該工作機械によるワークの加工に係るデータを取得する機能手段である。データ取得部３２は、工作機械２やセンサ３等から、例えば各サーボモータ５０の位置／速度／加速度、スピンドルモータ６２の回転速度、それぞれのモータの電流値、工作機械に発生したびびり振動の検出値等を取得し、取得データとして取得データ記憶部５２に記憶する。
前処理部３４は、データ取得部３２が取得した（そして、取得データ記憶部５２に記憶された）データに基づいて、機械学習装置１００による機械学習に用いられる学習データを作成する機能手段である。前処理部３４は、データ取得部３２により取得されたデータの内で、工作機械２のびびり振動の検出値が所定の閾値以下（びびり振動が発生していないとみなされる値以下）の時に取得され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、サンプリング等）した学習データを作成する。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、該教師なし学習における所定の形式の状態データＳを学習データとして作成する。前処理部３４が作成する状態データＳとしては、工作機械２の制御において指令される送り速度及び主軸回転数等の加工条件を含む加工条件データＳ１を少なくとも含む。
加工条件データＳ１は、制御装置としてのびびり振動判定装置１のＲＡＭ１３乃至不揮発性メモリ１４に設定される所定の加工条件の値や、工作機械２の制御に用いられる制御用プログラムで指令される加工条件の値を、予め定められた所定のデータ配列に当てはめたものであって良い。また、加工条件データＳ１には、切り込み量等の他の加工条件を含める用意しても良い。
状態観測部１０６は、前処理部３４が作成した学習データを観測して、該学習データに含まれる状態データＳを学習部１１０に対して引き渡す機能手段である。
学習部１１０は、前処理部３４が作成して状態観測部１０６が観測した学習データを用いた機械学習を行う。学習部１１０による機械学習の一例として、工作機械２のびびり振動の検出値が所定の閾値以下の時に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公知の教師なし学習の手法により、工作機械２の加工動作における加工条件とびびり振動の発生状態との関係を機械学習した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法等が挙げられる。
図３は、本実施形態において教師なし学習により工作機械２のびびり振動の検出値が所定の閾値以下の時に取得された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３では説明を簡単にするために、状態データＳとして主軸回転速度と１つの送り軸の送り速度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、様々な加工条件の値を要素とした）より高次のベクトル空間で表現され、生成される学習モデルは多次元空間におけるデータの分布状態を示す。本実施形態において学習部１１０が生成する学習モデルは、図３に例示されるように、状態データＳの集合（クラスタ）の分布として生成される。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、後述する判定部１２０、解析部１４０は、新たに工作機械２から取得されたデータと、びびり振動の検出値が所定の閾値以下の時に取得されたデータの分布との間にどの様な関係にあるのかに応じてびびり振動の発生の有無と該びびり振動の改善する加工条件の推定を行う。
上記構成を備えたびびり振動判定装置１では、工作機械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、作業者が新たに工作機械２で加工を行うに際して、該工作機械２から取得された加工条件等のデータに基づいてびびり振動の発生の有無と該びびり振動の改善案の推定を行うために利用することができる。
図４は、第２実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師あり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１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、ラベルデータ取得部１０８、学習部１１０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶す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３２は、第１実施形態によるデータ取得部３２と同様の機能を備える。
本実施形態による前処理部３４は、データ取得部３２が取得した（そして、取得データ記憶部５２に記憶された）データに基づいて、機械学習装置１００による機械学習に用いられる学習データを作成する機能手段である。前処理部３４は、データ取得部３２により取得され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、サンプリング等）した学習データを作成する。例えば、前処理部３４は、機械学習装置１００が教師あり学習をする場合においては、該教師あり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の組を学習データとして作成する。前処理部３４が作成する状態データＳとしては、第１実施形態と同様に工作機械２の制御において指令される送り速度及び主軸回転数等の加工条件を含む加工条件データＳ１を少なくとも含む。また、前処理部３４が作成するラベルデータＬとしては、工作機械２の加工動作時に検出されたびびり振動の検出値を示すびびり振動データＬ１を少なくとも含む。
びびり振動データＬ１は、例えば振動センサとしてのセンサ３により検出された振動値や、工作機械２の各部を駆動するサーボモータ５０，スピンドルモータ６２で測定されたトルク値やサーボモータ５０，スピンドルモータ６２に供給される電流値から推定される振動値を用いるようにしても良い。
状態観測部１０６は、前処理部３４が作成した学習データを観測して、該学習データに含まれる状態データＳを学習部１１０に対して引き渡す機能手段である。
ラベルデータ取得部１０８は、前処理部３４が作成した学習データを観測して、該学習データに含まれるラベルデータＬを学習部１１０に対して引き渡す機能手段である。
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による機械学習の一例として、工作機械２の加工動作時に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公知の教師あり学習の手法により、工作機械２の加工動作における加工条件とびびり振動の検出値との関係を機械学習した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が行う教師あり学習の手法としては、例えばｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が挙げられる。
図５は、本実施形態において教師あり学習により工作機械２の加工動作時に取得された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としての主軸回転速度、ラベルデータＬとしてのびびり振動の検出値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、他の複数の加工条件の値を要素とした）より高次のベクトル空間で表現され、生成される学習モデルは多次元空間における所定のグラフを示すものとなる。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、後述する判定部１２０、解析部１４０は、新たに工作機械２から取得されたデータを学習モデルに対して入力することでびびり振動の程度と該びびり振動の改善する加工条件の推定を行う。
第１，２実施形態によるびびり振動判定装置１の一変形例として、前処理部３４は、状態データＳとして加工条件データＳ１に加えて、更に工具に係る情報を含む工具データＳ２を作成するようにしても良い。工具データＳ２は、制御装置としてのびびり振動判定装置１のメモリ上に設定されている情報を用いてもよく、また、表示器／ＭＤＩユニット７０を介して作業者が入力した情報や、図示しないネットワークを介してＣＡＤ／ＣＡＭ装置等の他のコンピュータから取得された情報に基づいて作成しても良い。工具データＳ２は、工具の種類、工具の刃数、工具材質、工具径等を含んでいて良い。
状態データＳとして工具データＳ２を用いることで、びびり振動判定装置１は、工作機械２の加工動作における加工条件、工具とびびり振動の検出値との関係を機械学習することができる。
第１，２実施形態によるびびり振動判定装置１の他の変形例として、前処理部３４は、状態データＳとして加工条件データＳ１に加えて、更にワークに係る情報を含むワークデータＳ３を作成するようにしても良い。ワークデータＳ３は、制御装置としてのびびり振動判定装置１のメモリ上に設定されている情報を用いてもよく、また、表示器／ＭＤＩユニット７０を介して作業者が入力した情報や、図示しないネットワークを介してＣＡＤ／ＣＡＭ装置等の他のコンピュータから取得された情報に基づいて作成しても良い。ワークデータＳ３は、ワークの材質等を含んでいて良い。
状態データＳとしてワークデータＳ３を用いることで、びびり振動判定装置１は、工作機械２の加工動作における加工条件、ワークとびびり振動の検出値との関係を機械学習することができる。
図６は、第３実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師なし学習により作成された学習モデルを用いた推定処理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６に示した各機能ブロックは、図１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、判定部１２０、解析部１４０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶す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３２、状態観測部１０６は、第１実施形態によるデータ取得部３２、状態観測部１０６と同様の機能を備える。また、本実施形態による前処理部３４は、作成した学習データが機械学習装置１００による推定に用いられる点を除き、第１実施形態による前処理部３４と同様の機能を備える。
判定部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工作機械２の加工におけるびびり振動の発生の有無の推定を行う。本実施形態の判定部１２０では、新たに工作機械２から取得されたデータと、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（びびり振動の検出値が所定の閾値以下の時に取得されたデータの分布）との間にどの様な関係にあるのかを解析することで、工作機械２の加工におけるびびり振動の発生の有無の推定を行う。
解析部１４０は、判定部１２０によりびびり振動の発生が推定された場合に、前処理部３４が作成した状態データＳ及び学習モデル記憶部１３０に記憶された学習モデルを解析し、工作機械２の加工におけるびびり振動の改善の推定を行う。本実施形態の解析部１４０では、新たに工作機械２から取得されたデータと、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（びびり振動の検出値が所定の閾値以下の時に取得されたデータの分布）との間にどの様な関係にあるのかを解析することで、工作機械２の加工におけるびびり振動の改善の推定を行う。
図７は、判定部１２０、解析部１４０による、工作機械２から取得された状態データＳと、教師なし学習により作成された学習モデルとに基づいたびびり振動の有無と該びびり振動の改善の推定処理について説明する図である。なお、図７では説明を簡単にするために、状態データＳとして主軸回転速度と１つの送り軸の送り速度のみがある場合を例として説明するが、実際の状態データＳは（例えば、様々な加工条件の値を要素とした）より高次のベクトル空間で表現され、学習モデルは多次元空間におけるデータの分布状態を示す。本実施形態による判定部１２０は、推定する対象となる状態データＳが、学習モデルとして生成されたデータの集合（クラスタ）に所属しているのか否かを所定の基準に従って判定することで、びびり振動の発生の有無を推定する。例えば、判定部１２０は、図７に例示されるように、推定する対象となる状態データＳと学習モデルとして生成されているデータの各クラスタの中心（または、クラスタ境界）との距離を求め、推定する対象となる状態データＳがいずれかのクラスタから予め定めた所定の閾値Ｌｔｈ1以内にある場合にびびり振動が発生せず、いずれのクラスタからも予め定めた所定の閾値Ｌｔｈ1より離れている場合にびびり振動が発生すると推定するようにしても良い。また、例えば、判定部１２０は、推定処理を実行するに際して、例えば推定する対象となる状態データＳの位置における、学習モデルとして生成されているデータの密度を求め、該密度が予め定めた所定の閾値Ｄｔｈ1以上である場合にびびり振動が発生せず、所定の閾値Ｄｔｈ1未満である場合にびびり振動が発生すると推定するようにしても良い。
一方、本実施形態による解析部１４０は、推定する対象となる状態データＳを、学習モデルとして生成されたデータの集合（クラスタ）のいずれかに所属させるために調整するべき加工条件を解析することでびびり振動の改善の推定を行う。また、解析部１４０は、更に状態データＳをクラスタに所属させるために必要な該加工条件の調整量を解析する。例えば、解析部１４０は、図７に例示されるように、推定する対象となる状態データＳと学習モデルとして生成されているデータの各クラスタの中心との距離を求め、求めた各距離を比較することで推定する対象となる状態データＳの最も近くにあるクラスタを特定し、該クラスタに所属させるためにいずれの加工条件を調整すれば良いのかを解析する。図７の例では、送り速度Ｆの加工条件をより低く設定することで、状態データＳを近傍にあるクラスタに所属させることができるので、送り速度Ｆを改善対象となる加工条件として推定し、また、該クラスタとの距離を所定の閾値以下にするために必要となる送り速度Ｆの調整量をびびり振動の改善のための送り速度Ｆの調整量として推定する。なお、解析部１４０は、複数の加工条件を改善対象となる加工条件として推定するようにしても良い。
判定部１２０，解析部１４０により推定されたびびり振動の有無と該びびり振動の改善の推定結果は、例えば、工作機械２による加工における加工条件の調整に用いるようにしても良い。この場合、びびり振動判定装置１は、判定部１２０が現在設定されている加工条件ではびびり振動が発生すると判定した場合に、解析部１４０が推定したびびり振動の改善の推定結果に基づいて、現在設定されている加工条件に基づいて、びびり振動が低減する方向へと自動的に調整する。この自動的な調整は、現在設定されている加工条件を基準として調整が行われるため、現在の加工の目的に合わせて設定されている加工条件を過度に変更すること無く、最低限の変更でびびり振動を低減させることができる。
また、判定部１２０，解析部１４０により推定されたびびり振動の有無と該びびり振動の改善の推定結果は、例えば、表示器／ＭＤＩユニット７０に対してガイダンスとして表示するようにしても良い。この表示を見た作業者は、現在の加工条件でのびびり振動の発生の有無を把握でき、また、びびり振動が発生する場合には、いずれの加工条件をどのように調整すればびびり振動を抑えることができるのかを容易に把握することができる。
図８は、第４実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師あり学習により作成された学習モデルを用いた推定処理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８に示した各機能ブロックは、図１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、判定部１２０、解析部１４０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶す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３２、状態観測部１０６は、第２実施形態によるデータ取得部３２、状態観測部１０６と同様の機能を備える。また、本実施形態による前処理部３４は、状態データＳを含む学習データを機械学習装置１００による推定処理のために作成する点を除き、第２実施形態による前処理部３４と同様の機能を備える。
判定部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工作機械２の加工におけるびびり振動の発生の有無の推定を行う。本実施形態の判定部１２０では、新たに工作機械２から取得されたデータを、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入力することで工作機械２の加工におけるびびり振動の度合いの推定結果を取得し、該推定結果に基づいてびびり振動発生の有無の推定を行う。
解析部１４０は、判定部１２０によりびびり振動の発生が推定された場合に、前処理部３４が作成した状態データＳ及び学習モデル記憶部１３０に記憶された学習モデルを解析し、工作機械２の加工におけるびびり振動の改善の推定を行う。本実施形態の解析部１４０では、新たに工作機械２から取得されたデータと、学習部１１０により生成された（パラメータが決定された）学習モデルとの間にどの様な関係にあるのかを解析することで、工作機械２の加工におけるびびり振動の改善の推定を行う。
図９は、判定部１２０、解析部１４０による、工作機械２から取得された状態データＳと、教師あり学習により作成された学習モデルとに基づいたびびり振動の有無と該びびり振動の改善の推定処理について説明する図である。なお、図９では説明を簡単にするために、状態データＳとしての主軸回転速度、ラベルデータＬとしてのびびり振動の検出値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、他の複数の加工条件の値を要素とした）より高次のベクトル空間で表現され、生成される学習モデルは多次元空間における所定のグラフを示すものとなる。本実施形態による判定部１２０は、推定する対象となる状態データＳを学習モデルに対して入力し、該学習モデルから出力されるびびり振動の度合いの推定値が所定の基準を上回っているか否かを判定することで、びびり振動の発生の有無を推定する。例えば、判定部１２０は、図９に例示されるように、推定する対象となる状態データＳを学習モデルに対して入力してびびり振動の度合いの推定値を求め、びびり振動の度合いの推定値が予め定めた所定の閾値Ｖｔｈ以下である場合にびびり振動が発生せず、予め定めた所定の閾値Ｖｔｈを超えた場合にびびり振動が発生すると推定するようにしても良い。
一方、本実施形態による解析部１４０は、学習モデルに入力して得られるびびり振動の度合いの推定値を所定の閾値Ｖｔｈ以下にするため調整するべき加工条件を解析することでびびり振動の改善の推定を行う。また、解析部１４０は、更にびびり振動の度合いの推定値を所定の閾値Ｖｔｈ以下にするために必要な該加工条件の調整量を解析する。例えば、解析部１４０は、学習モデル上での状態データＳの位置において、各加工条件に対するびびり振動の度合いの変化傾向を解析し、びびり振動の度合いの変化傾向が最も大きな加工条件を調整するべき加工条件として推定するようにしても良い。このようにする場合、解析部１４０は、学習モデルが所定の関数でモデル化されている場合は、それぞれの加工条件ｃi（ｉ＝１〜ｎ）について、学習モデルに他の加工条件を状態データＳで示される値に固定した関数を作成し、該関数の状態データＳの位置における傾きを求め、この傾きを加工条件ｃiに対する学習モデル上の状態データＳの位置におけるびびり振動の度合いの変化傾向とすれば良く、また、学習モデルがニューラルネットワーク等でモデル化されている場合は、それぞれ加工条件ｃi（ｉ＝１〜ｎ）について、状態データＳの位置から加工条件ｃiを予め定めた所定の変分量Δｄi毎に変化させた時のびびり振動の度合いの変化を解析して、これを加工条件ｃiに対する学習モデル上の状態データＳの位置におけるびびり振動の度合いの変化傾向とすれば良い。そして、解析部１４０は、学習モデルが出力するびびり振動の度合いが所定の閾値Ｖｔｈ以下となるための調整するべき加工条件の調整量を、びびり振動の改善のための該加工条件の調整料として推定する。なお、解析部１４０は、複数の加工条件を改善対象となる加工条件として推定するようにしても良い。
判定部１２０，解析部１４０により推定されたびびり振動の有無と該びびり振動の改善の推定結果は、例えば、工作機械２による加工における加工条件の調整に用いるようにしても良い。この場合、びびり振動判定装置１は、判定部１２０が現在設定されている加工条件ではびびり振動が発生すると判定した場合に、解析部１４０が推定したびびり振動の改善の推定結果に基づいて、現在設定されている加工条件に基づいて、びびり振動が低減する方向へと自動的に調整する。この自動的な調整は、現在設定されている加工条件を基準として調整が行われるため、現在の加工の目的に合わせて設定されている加工条件を過度に変更すること無く、最低限の変更でびびり振動を低減させることができる。
また、判定部１２０、解析部１４０により推定されたびびり振動の有無と該びびり振動の改善の推定結果は、例えば、表示器／ＭＤＩユニット７０に対してガイダンスとして表示するようにしても良い。この表示を見た作業者は、現在の加工条件でのびびり振動の発生の有無を把握でき、また、びびり振動が発生する場合には、いずれの加工条件をどのように調整すればびびり振動を抑えることができるのかを容易に把握することができる。
第３，４実施形態によるびびり振動判定装置１の一変形例として、予め作業者から加工条件に関する調整の制限を設定させた上で、解析部１４０は、該制限の下でびびり振動の改善の推定を行うようにしても良い。工作機械２による加工においては、送り速度を落としたくない、主軸回転数を下げたくない等の要求が作業者にある場合がある。その様な場合に、予め調整の対象としたくない加工条件を設定させておき、解析部１４０がびびり振動の改善の推定を行う際にその制限を要求を満足しながら調整対象とする加工条件を推定するようにしても良い。
図１０は、第５実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師なし学習により作成された学習モデルを用いた推定処理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１０に示した各機能ブロックは、図１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、判定部１２０、解析部１４０、学習モデル調整部１５０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶す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３２、前処理部３４、状態観測部１０６、判定部１２０、解析部１４０は、第３実施形態によるデータ取得部３２、前処理部３４、状態観測部１０６、判定部１２０、解析部１４０と同様の機能を備える。
本実施形態による学習モデル調整部１５０は、所定の工作機械２の動作状態に基づいて作成された学習モデルを、他の工作機械２の動作状態に併せて調整する機能手段である。
図１１を用いて、学習モデル調整部１５０による学習モデルの調整方法について説明する。図１１は、所定の工作機械の動作状態に基づいた教師なし学習により作成された学習モデルの例を示しており、図１１における黒点は所定の工作機械においてびびり振動が発生していない時に取得された状態データを示している。図１１に例示した学習モデルは、所定の工作機械における加工において、びびり振動の有無と該びびり振動の改善の推定に用いることができるが、この学習モデルを、例えば所定の工作機械と同型の他の工作機械２におけるびびり振動の有無と該びびり振動の改善の推定に用いたとしても、所定の工作機械と第２の工作機械との間の機差や各部に生じる誤差などが原因となり、正しい推定を行うことができない。
ここで、工作機械２に発生するびびり振動の特徴として、工具の切れ刃通過周波数（主軸回転数×工具刃数）が機械構造の共振周波数の整数分の１となる主軸回転数付近で安定領域が大きくなることが知られており、安定領域が大きくなる主軸回転数の周期は以下に示す数１式で示すことができる。但し、数１式において、ｆｃは機械の共振周波数、Ｎは工具の刃数である。
Figure 2020138265
一方で、所定の工作機械２において作成された学習モデルにおいて、各クラスタ中心位置は、所定の工作機械２においてビビリ振動の極小値となる加工条件の位置を示していると推定される。また、機械構造が同一である場合には、機械構造の共振周波数にも大きな差はない。そこで、他の工作機械２において主軸回転数以外の加工条件を固定して、主軸回転数を変化させながらびびり振動を測定する実験を行っていくつかの安定領域（びびり振動の極小値）となる状態変数（主軸回転数Ｓ）を求めておき、求めた状態変数と、所定の工作機械２において作成された学習モデルにおけるそれぞれのクラスタ中心位置（所定の工作機械２における安定領域と推定される）を比較して、その誤差を補正するように学習モデルを調整することで、調整後の学習モデルを他の工作機械２における、びびり振動の有無と該びびり振動の改善の推定に用いることができる。
学習モデル調整部１５０は、例えば表示器／ＭＤＩユニット７０等から、学習モデルの調整指令と（他の）工作機械２における安定領域となる状態変数が入力されると、入力された安定領域となる状態変数と、学習モデル記憶部１３０に記憶される学習モデルとを用いた上記処理を実行して学習モデルの調整を行い、調整後の学習モデルを新たに学習モデル記憶部１３０に記憶する。調整後の学習モデルは、判定部１２０，解析部１４０による推定されたびびり振動の有無と該びびり振動の改善の推定に用いられる。
図１２は、第６実施形態によるびびり振動判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態のびびり振動判定装置１は、機械学習装置１００が教師あり学習により作成された学習モデルを用いた推定処理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１２に示した各機能ブロックは、図１に示したびびり振動判定装置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、びびり振動判定装置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。
本実施形態のびびり振動判定装置１は、データ取得部３２、前処理部３４を備え、びびり振動判定装置１が備える機械学習装置１００は、状態観測部１０６、判定部１２０、解析部１４０、学習モデル調整部１５０を備えている。また、不揮発性メモリ１４上には、工作機械２やセンサ３から取得されたデータが記憶される取得データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶す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３２、前処理部３４、状態観測部１０６、判定部１２０、解析部１４０は、第４実施形態によるデータ取得部３２、前処理部３４、状態観測部１０６、判定部１２０、解析部１４０と同様の機能を備える。
本実施形態による学習モデル調整部１５０は、所定の工作機械２の動作状態に基づいて作成された学習モデルを、他の工作機械２の動作状態に併せて調整する機能手段である。
図１３を用いて、学習モデル調整部１５０による学習モデルの調整方法について説明する。図１３において、細実線は所定の工作機械の動作状態に基づいた教師あり学習により作成された学習モデルの例を示しており、太点線は加工条件に応じたびびり振動の規範モデルを示している。図１３に例示した学習モデルは、所定の工作機械における加工において、びびり振動の有無と該びびり振動の改善の推定に用いることができるが、この学習モデルを、例えば所定の工作機械と同型の他の工作機械２におけるびびり振動の有無と該びびり振動の改善の推定に用いたとしても、所定の工作機械と第２の工作機械との間の機差や各部に生じる誤差などが原因となり、正しい推定を行うことができない。
第５実施形態でも説明したように、安定領域が大きくなる主軸回転数の周期は数１式で示すことができ、また、一方で、所定の工作機械２において作成された学習モデルにおけるそれぞれの極小値は、所定の工作機械２においてびびり振動が極小値となる加工条件の位置を示していると推定される。また、機械構造が同一である場合には、機械構造の共振周波数にも大きな差はない。そこで、他の工作機械２において主軸回転数以外の加工条件を固定して、主軸回転数を変化させながらびびり振動を測定する実験を行っていくつかの安定領域（びびり振動の極小値）となる状態変数（主軸回転数Ｓ）を求めておき、求めた状態変数と、所定の工作機械２において作成された学習モデルにおけるそれぞれのびびり振動の極小値を比較して、その誤差を補正するように学習モデルを調整することで、調整後の学習モデルを他の工作機械２における、びびり振動の有無と該びびり振動の改善の推定に用いることができる。
学習モデル調整部１５０は、例えば表示器／ＭＤＩユニット７０等から、学習モデルの調整指令と（他の）工作機械２における安定領域となる状態変数が入力されると、入力された安定領域となる状態変数と、学習モデル記憶部１３０に記憶される学習モデルとを用いた上記処理を実行して学習モデルの調整を行い、調整後の学習モデルを新たに学習モデル記憶部１３０に記憶する。調整後の学習モデルは、判定部１２０，解析部１４０による推定されたびびり振動の有無と該びびり振動の改善の推定に用いられる。
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、機械学習装置１００が実行する学習アルゴリズムや演算アルゴリズム、びびり振動判定装置１が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。
また、上記した実施形態ではびびり振動判定装置１と機械学習装置１００が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００はびびり振動判定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
１ びびり振動判定装置
２ 工作機械
３ センサ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１５，１８，１９，２０ インタフェース
１６ ＰＭＣ
１７ Ｉ／Ｏユニット
２１ バス
２２ インタフェース
３０ 軸制御回路
３２ データ取得部
３４ 前処理部
５２ 取得データ記憶部
４０ サーボアンプ
５０ サーボモータ
６０ スピンドル制御回路
６１ スピンドルアンプ
６２ スピンドルモータ
６３ ポジションコーダ
７０ 表示器／ＭＤＩユニット
７１ 操作盤
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１０８ ラベルデータ取得部
１１０ 学習部
１２０ 判定部
１３０ 学習モデル記憶部
１４０ 解析部
１５０ 学習モデル調整部

Claims (12)

  1. ワークと工具とを相対的に移動させることで該ワークの切削加工を行う工作機械を制御するびびり振動判定装置であって、
    前記切削加工における送り速度及び主軸回転速度を含む加工条件データを、環境の現在状態を表す状態データとして観測し、該状態データに基づいて、前記切削加工の加工条件に対するびびり振動の関係をモデル化した学習モデルを用いた機械学習に係る処理を実行し、びびり振動の発生の有無及び該びびり振動の改善を推定する機械学習装置を備え、
    前記びびり振動の発生の有無及び該びびり振動の改善の推定結果を出力する、
    びびり振動判定装置。
  2. 前記学習モデルは、前記工作機械にびびり振動が発生しない状態で取得された、前記切削加工における送り速度及び主軸回転速度を含む加工条件データを含む状態データを学習データとして教師なし学習をすることにより作成されたクラスタ集合としての学習モデルであり、
    前記機械学習装置は、
    前記工作機械から観測された状態データと、前記学習モデルに含まれるそれぞれのクラスタとの関係に基づいて、びびり振動の発生の有無を推定する判定部と、
    前記判定部が前記びびり振動が発生すると推定した場合に、前記工作機械から観測された状態データ及び前記学習モデルを解析して前記びびり振動を改善するための加工条件データに含まれる加工条件を推定する解析部と、
    を備える請求項１に記載のびびり振動判定装置。
  3. 前記学習モデルは、前記切削加工における送り速度及び主軸回転速度を含む加工条件データを含む状態データと、該切削加工において検出されたびびり振動の検出値を示すびびり振動データを含むラベルデータとの組を学習データとして教師あり学習をすることにより作成された学習モデルであり、
    前記機械学習装置は、
    前記工作機械から観測された状態データを、前記学習モデルに入力することで得られたびびり振動の推定値に基づいて、びびり振動の発生の有無を推定する判定部と、
    前記判定部が前記びびり振動が発生すると推定した場合に、前記工作機械から観測された状態データ及び前記学習モデルを解析して前記びびり振動を改善するための加工条件データに含まれる加工条件を推定する解析部と、
    を備える請求項１に記載のびびり振動判定装置。
  4. 前記解析部は、更に前記びびり振動を改善するための加工条件データに含まれる加工条件の調整量を推定する、
    請求項２，３に記載のびびり振動判定装置。
  5. 前記びびり振動の発生の有無及び該びびり振動の改善の推定結果の出力に基づいて加工条件を自動的に調整する、
    請求項１に記載のびびり振動判定装置。
  6. 前記びびり振動の発生の有無及び該びびり振動の改善の推定結果の出力に基づいたガイダンスを表示する、
    請求項１に記載のびびり振動判定装置。
  7. 前記機械学習装置は、
    前記学習モデルを、該学習モデルの作成に用いた工作機械とは異なる他の工作機械におけるびびり振動の発生の有無及び該びびり振動の改善の推定に用いるための調整を行う学習モデル調整部を更に備える、
    請求項１に記載のびびり振動判定装置。
  8. ワークと工具とを相対的に移動させることで該ワークの切削加工を行う工作機械での該切削加工における送り速度及び主軸回転速度を含む加工条件データを、環境の現在状態を表す状態データとして観測し、該状態データに基づいて、前記切削加工の加工条件に対するびびり振動の関係をモデル化した学習モデルを用いた機械学習に係る処理を実行し、びびり振動の発生の有無及び該びびり振動の改善を推定する、
    機械学習装置。
  9. 前記学習モデルは、前記工作機械にびびり振動が発生しない状態で取得された、前記切削加工における送り速度及び主軸回転速度を含む加工条件データを含む状態データを学習データとして教師なし学習をすることにより作成されたクラスタ集合としての学習モデルであり、
    前記工作機械から観測された状態データと、前記学習モデルに含まれるそれぞれのクラスタとの関係に基づいて、びびり振動の発生の有無を推定する判定部と、
    前記判定部が前記びびり振動が発生すると推定した場合に、前記工作機械から観測された状態データ及び前記学習モデルを解析して前記びびり振動を改善するための加工条件データに含まれる加工条件を推定する解析部と、
    を備える請求項８に記載の機械学習装置。
  10. 前記学習モデルは、前記切削加工における送り速度及び主軸回転速度を含む加工条件データを含む状態データと、該切削加工において検出されたびびり振動の検出値を示すびびり振動データを含むラベルデータとの組を学習データとして教師あり学習をすることにより作成された学習モデルであり、
    前記工作機械から観測された状態データを、前記学習モデルに入力することで得られたびびり振動の推定値に基づいて、びびり振動の発生の有無を推定する判定部と、
    前記判定部が前記びびり振動が発生すると推定した場合に、前記工作機械から観測された状態データ及び前記学習モデルを解析して前記びびり振動を改善するための加工条件データに含まれる加工条件を推定する解析部と、
    を備える請求項８に記載の機械学習装置。
  11. 前記解析部は、更に前記びびり振動を改善するための加工条件データに含まれる加工条件の調整量を推定する、
    請求項９，１０に記載の機械学習装置。
  12. 前記学習モデルを、該学習モデルの作成に用いた工作機械とは異なる他の工作機械におけるびびり振動の発生の有無及び該びびり振動の改善の推定に用いるための調整を行う学習モデル調整部を更に備える、
    請求項８に記載の機械学習装置。
JP2019034543A 2019-02-27 2019-02-27 びびり振動判定装置、機械学習装置及びシステム Active JP6959278B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019034543A JP6959278B2 (ja) 2019-02-27 2019-02-27 びびり振動判定装置、機械学習装置及びシステム
DE102020001127.6A DE102020001127A1 (de) 2019-02-27 2020-02-20 Ratterschwingungsbestimmungseinrichtung, Maschinenlerneinrichtung und System
US16/800,473 US11782414B2 (en) 2019-02-27 2020-02-25 Chatter vibration determination device, machine learning device, and system
CN202010120965.XA CN111624947B (zh) 2019-02-27 2020-02-26 颤振判定装置、机器学习装置以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019034543A JP6959278B2 (ja) 2019-02-27 2019-02-27 びびり振動判定装置、機械学習装置及びシステム

Publications (2)

Publication Number Publication Date
JP2020138265A true JP2020138265A (ja) 2020-09-03
JP6959278B2 JP6959278B2 (ja) 2021-11-02

Family

ID=72139153

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019034543A Active JP6959278B2 (ja) 2019-02-27 2019-02-27 びびり振動判定装置、機械学習装置及びシステム

Country Status (4)

Country Link
US (1) US11782414B2 (ja)
JP (1) JP6959278B2 (ja)
CN (1) CN111624947B (ja)
DE (1) DE102020001127A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6896196B1 (ja) * 2020-09-28 2021-06-30 三菱電機株式会社 数値制御装置および学習装置
WO2022230008A1 (ja) * 2021-04-26 2022-11-03 三菱電機株式会社 数値制御装置、学習装置及び、びびり振動の抑制方法
JP2024508913A (ja) * 2021-03-05 2024-02-28 アプライド マテリアルズ インコーポレイテッド 保持リングを分類するための機械学習

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6777696B2 (ja) * 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
EP3893064A1 (en) * 2020-04-07 2021-10-13 GF Machining Solutions AG Method for predicting status of machining operation
JP7594383B2 (ja) * 2020-08-28 2024-12-04 キヤノン株式会社 制御装置、インプリント装置および物品製造方法
US12181853B2 (en) * 2020-11-24 2024-12-31 Ut-Battelle, Llc Stability boundary and optimal stable parameter identification in machining
CN112801392B (zh) * 2021-02-05 2023-07-04 深圳市浦联智能科技有限公司 一种瓦楞纸机速度智能预测方法
CA3208357A1 (en) * 2021-02-16 2022-08-25 William A. Von Drasek Creping process performance tracking and control
JP7158604B1 (ja) * 2021-06-02 2022-10-21 三菱電機株式会社 数値制御装置、学習装置、推論装置、および数値制御方法
CN114800042B (zh) * 2022-04-28 2023-05-05 华中科技大学 一种基于功率谱熵差的机器人铣削加工颤振类型辨识方法
CN115246081B (zh) * 2022-06-02 2023-08-25 淮阴工学院 一种快速和可靠的铣削颤振检测方法
WO2024076326A1 (en) * 2022-10-03 2024-04-11 Tobb Ekonomi Ve Teknoloji Universitesi A system for detecting machine tool chatter

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017045300A (ja) * 2015-08-27 2017-03-02 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
WO2018105175A1 (ja) * 2016-12-09 2018-06-14 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP2018094686A (ja) * 2016-12-14 2018-06-21 ファナック株式会社 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法
JP2019012392A (ja) * 2017-06-30 2019-01-24 ファナック株式会社 制御装置及び機械学習装置

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3005663B2 (ja) 1991-04-09 2000-01-31 工業技術院長 数値制御工作機械における異常回避制御方法
JP5105102B2 (ja) * 2009-04-10 2012-12-19 エヌティーエンジニアリング株式会社 作業機械のびびり抑制方法及び装置
EP2500132A4 (en) * 2009-11-13 2013-05-29 Mitsubishi Heavy Ind Ltd METHOD AND DEVICE FOR CONTROLLING MACHINE TOOL
JP4942839B2 (ja) * 2010-09-10 2012-05-30 株式会社牧野フライス製作所 びびり振動検出方法及びびびり振動回避方法、並びに工作機械
JP5608036B2 (ja) * 2010-10-13 2014-10-15 オークマ株式会社 稼動履歴管理方法、及び稼動履歴管理装置
JP5536611B2 (ja) * 2010-10-15 2014-07-02 オークマ株式会社 工作機械のモニタ方法及びモニタ装置、工作機械
JP5258921B2 (ja) * 2011-03-31 2013-08-07 株式会社小松製作所 工作機械及びその加工制御装置
JP5984183B2 (ja) * 2012-10-30 2016-09-06 オークマ株式会社 工作機械
CN103345200B (zh) * 2013-06-28 2015-11-04 华中科技大学 一种基于广义区间的切削加工颤振辨识方法
EP2916187B1 (en) * 2014-03-05 2018-11-07 Mikron Agie Charmilles AG Improved database for chatter predictions
CN104076734A (zh) * 2014-06-26 2014-10-01 天津职业技术师范大学 一种铣削加工颤振在线寻优方法
US9682455B2 (en) * 2014-10-28 2017-06-20 Dmg Mori Seiki Co., Ltd. Chatter application interface
TWI564110B (zh) * 2014-11-20 2017-01-01 財團法人工業技術研究院 回授控制數値加工機及其方法
US10022832B2 (en) * 2015-03-31 2018-07-17 Dmg Mori Seiki Co., Ltd. Fine-tuning speed application interface
JP6538430B2 (ja) * 2015-05-29 2019-07-03 オークマ株式会社 工作機械の振動情報表示装置
JP6063016B1 (ja) * 2015-09-29 2017-01-18 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械
JP6542713B2 (ja) * 2016-06-09 2019-07-10 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御装置および機械学習方法
TWI614081B (zh) * 2016-08-17 2018-02-11 財團法人工業技術研究院 遠端加工優化系統與方法
CN108363822A (zh) * 2017-01-26 2018-08-03 永进机械工业股份有限公司 刀具刚性预测用于抑制切削颤振的装置及方法
JP6564426B2 (ja) * 2017-07-07 2019-08-21 ファナック株式会社 部品供給装置及び機械学習装置
JP2020082304A (ja) * 2018-11-29 2020-06-04 三菱電機株式会社 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017045300A (ja) * 2015-08-27 2017-03-02 ファナック株式会社 びびり或いは工具摩耗／破損の発生を抑制する加工条件調整機能を有する数値制御装置
WO2018105175A1 (ja) * 2016-12-09 2018-06-14 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP2018094686A (ja) * 2016-12-14 2018-06-21 ファナック株式会社 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法
JP2019012392A (ja) * 2017-06-30 2019-01-24 ファナック株式会社 制御装置及び機械学習装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6896196B1 (ja) * 2020-09-28 2021-06-30 三菱電機株式会社 数値制御装置および学習装置
WO2022064666A1 (ja) * 2020-09-28 2022-03-31 三菱電機株式会社 数値制御装置および学習装置
JP2024508913A (ja) * 2021-03-05 2024-02-28 アプライド マテリアルズ インコーポレイテッド 保持リングを分類するための機械学習
JP7674505B2 (ja) 2021-03-05 2025-05-09 アプライド マテリアルズ インコーポレイテッド 保持リングを分類するための機械学習
WO2022230008A1 (ja) * 2021-04-26 2022-11-03 三菱電機株式会社 数値制御装置、学習装置及び、びびり振動の抑制方法
JP7179198B1 (ja) * 2021-04-26 2022-11-28 三菱電機株式会社 数値制御装置、学習装置及び、びびり振動の抑制方法

Also Published As

Publication number Publication date
US20200272122A1 (en) 2020-08-27
DE102020001127A1 (de) 2020-08-27
JP6959278B2 (ja) 2021-11-02
CN111624947B (zh) 2024-03-12
US11782414B2 (en) 2023-10-10
CN111624947A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
JP6959278B2 (ja) びびり振動判定装置、機械学習装置及びシステム
US10996650B2 (en) Numerical control system
US11048227B2 (en) Abnormality detection device of machine tool
JP6863930B2 (ja) 寿命予測装置及び機械学習装置
US11080610B2 (en) Numerical control system that detects an abnormality in an operation state
JP7000359B2 (ja) 判定装置
CN112109080B (zh) 调整辅助装置
CN110405532B (zh) 工具选定装置以及机器学习装置
JP6940542B2 (ja) 把持力調整装置及び把持力調整システム
CN110187694B (zh) 故障预测装置以及机器学习装置
US11334045B2 (en) Diagnosis apparatus and diagnosis method
JP7101131B2 (ja) 数値制御システム
DE102018123849A1 (de) System zum Ausgleichen einer thermischen Verschiebung
US11059142B2 (en) Controller, machine learning device, and system
JP6708676B2 (ja) 異常要因特定装置
US10962957B2 (en) Collision position estimation device and machine learning device
WO2022019249A1 (ja) 異常検知装置
US20230191513A1 (en) Tool diagnostic device
WO2025052543A1 (ja) 異常検知装置、及びコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200710

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210521

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: 20210907

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211007

R150 Certificate of patent or registration of utility model

Ref document number: 6959278

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150