JP7471529B1 - 診断システム及び診断方法 - Google Patents

Abstract

学習装置（１０）は、第１の加工プログラムによる加工シミュレーションをして第１のシミュレーションデータを取得するシミュレーションデータ取得部（１０２）と、第１の加工プログラムによる実加工をして第１の実加工データを取得する実加工データ取得部（１０３）と、第１のシミュレーションデータと第１の実加工データとの関係を学習し、第２の加工プログラムによる加工シミュレーションをして得られる第２のシミュレーションデータから、第２の加工プログラムによる実加工をして得られる第２の実加工データを予測するための学習済モデルを生成するモデル生成部（１０４）と、を備える。

Description

本開示は、診断システム及び診断方法に関する。

工作機械の分野では、加工プログラムに基づいて、工作機械に取り付けられた工具とワーク（被加工物）との位置関係を制御し、所望の形状に工具でワークを削り取る切削加工が行われている。切削加工では、工具が所定の形状でない場合（例えば工具の摩耗が進行している場合）、所望の形状にワークを加工できないことがある。近年、所望の加工を達成するため、工作機械の加工状態を診断する様々な試みがなされている。

上記の事情に関連する技術として、特許文献１には、制御情報に基づいて仮想的にワークを加工して得られる推定加工状態情報と、制御情報に基づいて実加工して得られる実加工状態情報との関係を学習する加工状態診断装置が開示されている。この加工状態診断装置は、所定の制御情報に基づいて加工して得られる加工状態情報と、対応する制御情報から推定される推定加工状態情報と前記学習した関係とから導出される実加工状態情報とを比較して、加工状態が異常であるか否かを診断することができる。

特開２０２１－０２６５９８号公報

しかしながら、特許文献１に記載の加工状態診断装置は、直線加工、溝加工、穴加工、コーナーＲ部加工など、複数の加工工程を含む推定加工状態情報と実加工状態情報との関係を学習しており、所定の制御情報に基づいて加工して得られる加工状態情報と、対応する制御情報から推定される推定加工状態情報と前記学習した関係とから導出される実加工状態情報との誤差が大きい。また、誤差が大きい加工状態情報と実加工状態情報とを比較して加工状態が異常であるか否かを診断するため、加工状態の診断結果も信頼できない。

本開示の目的は、上記の事情に鑑み、加工状態情報を精度良く推定し、加工状態が異常であるか否かを高信頼に診断する診断装置を提供することにある。

上記の目的を達成するため、本開示に係る診断システムは、
予測装置と診断装置とを備え、
前記予測装置は、
学習装置により生成された学習済モデルを記憶する記憶手段と、
第２の加工プログラムによる加工シミュレーションをして第２のシミュレーションデータを取得するシミュレーションデータ取得手段と、
前記学習済モデルと前記第２のシミュレーションデータとに基づいて、第２の実加工データを予測する予測手段と、
を備え、
前記診断装置は、
前記第２の加工プログラムによる実加工をして前記第２の実加工データを取得する実加工データ取得手段と、
前記予測装置により予測された、前記第２の実加工データの予測データを取得する予測データ取得手段と、
前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに基づいて、加工に異常があるか否かを診断し、前記加工に異常があるか否かに加えて、前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに関する近似曲線を求め、求めた近似曲線に基づいて工具に異常があるか否かも診断する診断手段と、
を備え、
前記学習済モデルは、前記学習装置により生成される学習済モデルであって、第１のシミュレーションデータと第１の実加工データとの関係の学習により得られる、前記第２のシミュレーションデータから前記第２の実加工データを予測するための学習済モデルであり、
前記第１のシミュレーションデータは、前記学習装置による、第１の加工プログラムによる加工シミュレーションにより得られ、
前記第１の実加工データは、前記学習装置による、前記第１の加工プログラムによる実加工をして得られる。

本開示によれば、実加工データを精度良く予測し、加工が異常であるか否かを高信頼に診断できる。

本開示の実施の形態１に係る加工システムの全体構成を示す図 本開示の実施の形態１に係る学習装置の機能的構成を説明する図 本開示の実施の形態１に係る予測装置の機能的構成を説明する図 本開示の実施の形態１に係る診断装置の機能的構成を説明する図 本開示の実施の形態１に係る端末装置の機能的構成を説明する図 本開示の実施の形態１に係る学習装置、予測装置、診断装置及び端末装置のハードウェア構成の一例を説明する図 本開示の実施の形態１に係る学習装置によるモデル生成の動作の一例を説明するフローチャート 本開示の実施の形態１に係る予測装置による実加工データの予測の動作の一例を説明するフローチャート 本開示の実施の形態２に係る診断装置による工具の異常診断の動作の一例を説明するフローチャート

以下、図面を参照しながら、本開示に係る学習装置、予測装置、診断装置及び診断システムを加工システムに適用した実施の形態を説明する。各図面においては、同一また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に係る加工システム１を説明する。

加工システム１は、学習装置１０と予測装置２０と診断装置３０とセンサ３１と工作機械４０と工具４１とＣＮＣ（Ｃｏｍｐｕｔｅｒ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌｌｅｒ：数値制御装置）４２と端末装置５０とを備える。加工システム１は、例えば工場内の生産現場内に導入される加工システムである。

後述する通り、加工システム１では、加工シミュレーションフェーズ、実加工フェーズ、学習フェーズ、予測フェーズ及び診断フェーズの各フェーズが実行される。なお、「実加工」の用語は、仮想的な加工を意味する「加工シミュレーション」との違いを強調するために用いている。

次に、各装置の機能を概略的に説明する。詳細については後述する。

学習装置１０は、予測装置２０にて実加工データを予測するために必要な学習済モデルを、加工プログラムによる加工シミュレーションをして得られたシミュレーションデータと加工プログラムによる実加工をして得られた実加工データとに基づいて生成する。シミュレーションデータは、加工シミュレーション中に時系列的に得られた軸位置、工具軸方向切込み量、工具径方向切込み量、切削体積などのデータである。実加工データは、実加工中に時系列的に得られた軸位置、トルク軸速度などのデータである。学習装置１０は、例えばパーソナルコンピュータ、サーバなどにより実現される。学習装置１０は、本開示に係る学習装置の一例である。

予測装置２０は、学習装置１０が生成した学習済モデルに基づいて、シミュレーションデータから実加工データを予測する。予測装置２０は、例えばパーソナルコンピュータ、サーバなどにより実現される。予測装置２０は、本開示に係る予測装置の一例である。

診断装置３０は、実加工中にセンサ３１から得られた実加工データと予測装置２０にて予測された実加工データ（予測データ）とを比較し、加工に異常があるか否かを診断する。センサ３１は、工作機械４０に設置され工作機械４０の状態を検知する各種センサである。センサ３１により、実加工中の軸位置、トルクなどの時系列データが得られる。診断装置３０は、例えばＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ：プログラマブルロジックコントローラ）、パーソナルコンピュータなどにより実現される。診断装置３０は、本開示に係る診断装置の一例である。

工作機械４０は、ＣＮＣ４２の制御に基づいて動作し、工作機械４０が有する主軸に取り付けられた工具４１と、工作機械４０が有するテーブルまたは旋削主軸に固定されたワーク（被加工物）との位置関係が制御される。そして、主軸または旋削主軸が回転することで工具４１またはワークが回転し、工具４１がワークに接触することで工具４１がワークの一部を削り取る切削加工が行われる。

端末装置５０は、例えばＦＡ（Ｆａｃｔｏｒｙ Ａｕｔｏｍａｔｉｏｎ）用のパーソナルコンピュータである。端末装置５０のユーザは、例えば工場内の作業者である。端末装置５０はＣＡＭ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｍａｎｕｆａｃｔｕｒｉｎｇ：コンピュータ支援製造）が搭載されており、ユーザの操作により、所望の加工を実現するための加工プログラムを生成する。生成された加工プログラムは、加工シミュレーションによるシミュレーションデータの取得、または実加工による実加工データの取得に用いられる。

上記の説明においては、各種データが複数の装置間で適宜やりとりされる。データのやりとりは、装置間の通信によるものであってもよいし、リムーバブルメディアを介したやりとりによるものであってもよい。以下では、説明を簡単にするため、各装置は必要に応じて図１に示す通信線にて接続されるものとする。

次に、上述した加工シミュレーションフェーズ、実加工フェーズ、学習フェーズ、予測フェーズ及び診断フェーズの各フェーズについて、概略的に説明する。

（１）加工シミュレーションフェーズ
加工シミュレーションフェーズでは、加工プログラムが端末装置５０に入力され、端末装置５０が入力された加工プログラムによる加工シミュレーションをしてシミュレーションデータを取得する。加工シミュレーションでは、加工プログラムの実行により得られる制御情報の通りに、仮想空間上で工具とワークとの位置関係を制御し、ワークから工具が通過する領域を除去することで、ワークの形状を評価する。シミュレーションデータは、加工シミュレーション中に時系列的に得られた軸位置、工具軸方向切込み量、工具径方向切込み量、切削体積などのデータである。シミュレーションデータは、後述する学習フェーズにて学習済モデルの生成に用いられる。

なお、加工プログラムにより行われる加工工程は、直線加工、溝加工、穴加工などの複数の加工工程を含むが、加工プログラムには各加工工程を識別する記述はなされていないことが多い。この加工シミュレーションフェーズでは、取得したシミュレーションデータから各加工工程を識別することで、シミュレーションデータを加工工程毎に区分する。具体的には、シミュレーションデータの時系列的な変化を捉え、シミュレーションデータを加工工程毎に区分する。例えば、工具径方向切込み量が工具径に近しい値に変化した点で、加工工程が溝加工に遷移したと識別できる。例えば、工具がドリルに変化した点で、加工工程が穴加工に遷移したと識別できる。また、この加工シミュレーションフェーズにて識別した加工工程の情報に基づいて、後述する実加工フェーズにて実加工データを加工工程毎に区分する。

なお、この加工シミュレーションフェーズにて、加工シミュレーションの際に実行される加工プログラムは、後述する予測フェーズにて実加工データの予測の際に実行される加工プログラムとは異なる。例えば、この加工シミュレーションフェーズにて、加工シミュレーションの対象となる加工プログラムが加工プログラムＸであり、予測フェーズにて実加工データの予測の対象となる加工プログラムが加工プログラムＹである、ということを意味する。以下、区別のため、この加工シミュレーションフェーズにおける加工プログラムを「第１の加工プログラム」、シミュレーションデータを「第１のシミュレーションデータ」という。

（２）実加工フェーズ
実加工フェーズでは、第１の加工プログラムが工作機械４０に入力され、工作機械４０で実加工が行われる。診断装置３０は、実加工中にセンサ３１から得られたデータを実加工データとして取得する。実加工データは、実加工中に時系列的に得られた軸位置、トルクなどのデータである。実加工データは、後述する学習フェーズにて学習済モデルの生成に用いられる。

なお、上記（１）加工シミュレーションフェーズにて識別した加工工程の情報に基づいて、実加工データを加工工程毎に区分する。具体的には、シミュレーションデータと実加工データとの時系列的な位相を合わせ、シミュレーションデータと同じように、実加工データを加工工程毎に区分してもよい。以下、区別のため、この実加工フェーズで得られた実加工データを「第１の実加工データ」という。

なお、この実加工フェーズにて、工作機械４０の工具４１は劣化していないことが好ましい。この実加工フェーズで得られる第１の実加工データは、後述する学習フェーズにて学習済モデルの生成に用いられ、工具４１が劣化していると第１のシミュレーションデータと第１の実加工データとの関係を劣化した工具で切削した第１の実加工データで学習してしまうため、加工が異常であるか否かを高信頼に診断できない。

（３）学習フェーズ
学習フェーズでは、上記（１）加工シミュレーションフェーズにて取得された加工工程毎の第１のシミュレーションデータと、上記（２）実加工フェーズにて取得された加工工程毎の第１の実加工データとが学習装置１０に入力され、学習装置１０が入力された第１のシミュレーションデータと第１の実加工データとを関係付けた学習済モデルを生成する。生成された学習済モデルは、後述する予測フェーズにて、シミュレーションデータから実加工データを予測するために用いられる。ここでいう「シミュレーションデータ」は、学習済モデルの生成に利用されなかったシミュレーションデータのことを指す。この学習済モデルを用いると、実加工を行うことなく、シミュレーションデータから実加工データを予測することができる。

後述する予測フェーズによる予測の精度をあげるために、つまり高精度な予測をするための学習済モデルを生成するために、複数の第１のシミュレーションデータと第１の実加工データとで学習してもよい。

（４）予測フェーズ
予測フェーズでは、（１）加工シミュレーションフェーズと同じように、端末装置５０で第１の加工プログラムとは異なる加工プログラムによる加工シミュレーションをしてシミュレーションデータを取得する。以下、区別のため、この予測フェーズにおける加工プログラムを「第２の加工プログラム」、シミュレーションデータを「第２のシミュレーションデータ」という。

次に、端末装置５０で取得した加工工程毎の第２のシミュレーションデータと上記（３）学習フェーズにて生成された学習済モデルとが予測装置２０に入力され、予測装置２０が実加工データを予測する。予測した実加工データは、後述する診断フェーズにて加工が異常であるか否かの診断に用いられる。以下、区別のため、この予測フェーズにおける予測した実加工データを「第２の実加工データ（予測データ）」という。また、後述する診断フェーズにて第２の加工プログラムによる実加工をして得られる実加工データを「第２の実加工データ」という。

（５）診断フェーズ
診断フェーズでは、（２）実加工フェーズと同じように、診断装置３０で第２の加工プログラムによる実加工をして第２の実加工データを取得する。次に、診断装置３０で上記（４）予測フェーズにて予測された第２の実加工データ（予測データ）を取得する。診断装置３０で、第２の実加工データと第２の実加工データ（予測データ）とを比較して、加工に異常があるか否かを診断する。

以上の上記（１）から（５）の各フェーズにより、実施の形態１に係る加工システム１によれば、実加工を行うことなく、加工工程毎の第２のシミュレーションデータから加工工程毎の第２の実加工データ（予測データ）を予測することができる。また、実施の形態１に係る加工システム１によれば、第２の実加工データと第２の実加工データ（予測データ）とを比較して、加工に異常があるか否かを診断することができる。

次に、図２を参照しながら、学習装置１０の機能的構成を説明する。学習装置１０は、通信部１０１とシミュレーションデータ取得部１０２と実加工データ取得部１０３とモデル生成部１０４と記憶部１０５とを備える。

通信部１０１は、外部装置と通信し、必要に応じて各種データを送受信する。通信部１０１は、例えばネットワークインタフェースにより実現される。

シミュレーションデータ取得部１０２は、（１）加工シミュレーションフェーズにて端末装置５０が生成した加工工程毎の第１のシミュレーションデータを取得する。シミュレーションデータ取得部１０２は、例えば通信部１０１を介した通信により端末装置５０が生成した第１のシミュレーションデータを取得する。シミュレーションデータ取得部１０２は、本開示に係るシミュレーションデータ取得手段の一例である。

実加工データ取得部１０３は、（２）実加工フェーズにて診断装置３０が取得した加工工程毎の第１の実加工データを取得する。実加工データ取得部１０３は、例えば通信部１０１を介した通信により診断装置３０が取得した第１の実加工データを取得する。実加工データ取得部１０３は、本開示に係る実加工データ取得手段の一例である。

モデル生成部１０４は、シミュレーションデータ取得部１０２が取得した加工工程毎の第１のシミュレーションデータと実加工データ取得部１０３が取得した加工工程毎の第１の実加工データとに基づいて、第２のシミュレーションデータから第２の実加工データを予測するための学習済モデルを生成する。モデル生成部１０４は、生成した学習済モデルを記憶部１０５に記憶する。モデル生成部１０４は、例えば重回帰分析、サポートベクタマシン、ランダムフォレスト、勾配ブースティング木（決定木）などの機械学習手法により生成される。モデル生成部１０４は、本開示に係るモデル生成手段の一例である。

上記の通り、モデル生成部１０４は、加工工程毎の第１のシミュレーションデータと、加工工程毎の第１の実加工データとに基づいて、学習済モデルを生成する。そのため、生成される学習済モデルは、加工工程毎に最適化されたものとなる。そのため、後述する通り、加工工程毎に第２の実加工データ（予測データ）を予測することにより、精度良く実加工データを予測することができる。

記憶部１０５は、モデル生成部１０４が生成した学習済モデルを記憶する。記憶部１０５は、本開示に係る記憶手段の一例である。

次に、図３を参照しながら、予測装置２０の機能的構成を説明する。予測装置２０は、通信部２０１とモデル取得部２０２とシミュレーションデータ取得部２０３と予測部２０４と記憶部２０５とを備える。

通信部２０１は、外部装置と通信し、必要に応じて各種データを送受信する。通信部２０１は、例えばネットワークインタフェースにより実現される。

モデル取得部２０２は、（３）学習フェーズにて学習装置１０が生成した学習済モデルを取得して記憶部２０５に記憶する。モデル取得部２０２は、例えば通信部２０１を介して学習装置１０の記憶部１０５に記憶された学習済モデルを取得し、記憶部２０５に記憶する。

シミュレーションデータ取得部２０３は、（４）予測フェーズにて端末装置５０が生成した加工工程毎の第２のシミュレーションデータを取得する。シミュレーションデータ取得部２０３は、例えば通信部２０１を介した通信により端末装置５０が生成した第２のシミュレーションデータを取得する。

予測部２０４は、記憶部２０５に記憶された学習済モデルを参照し、シミュレーションデータ取得部２０３が取得した加工工程毎の第２のシミュレーションデータを学習済モデルに入力して、加工工程毎の第２の実加工データ（予測データ）を予測する。予測部２０４は、本開示に係る予測手段の一例である。

記憶部２０５は、モデル取得部２０２が取得した学習済モデルを記憶する。

次に、図４を参照しながら、診断装置３０の機能的構成を説明する。診断装置３０は、通信部３０１と実加工データ取得部３０２と予測データ取得部３０３と診断部３０４と記憶部３０５とを備える。

通信部３０１は、外部装置と通信し、必要に応じて各種データを送受信する。通信部３０１は、例えばネットワークインタフェースにより実現される。

実加工データ取得部３０２は、通信部３０１を介してセンサ３１から得られたデータを加工工程毎の第２の実加工データとして取得する。具体的には、実加工データ取得部３０２は、工作機械４０の実加工中にセンサ３１から得られたデータを加工工程毎の第２の実加工データとして取得する。実加工データ取得部３０２は、取得した第２の実加工データを記憶部３０５に記憶する。

予測データ取得部３０３は、予測装置２０により予測された第２の実加工データ（予測データ）を取得する。予測データ取得部３０３は、第２の実加工データ（予測データ）を記憶部３０５に記憶する。取得した予測データ取得部３０３は、本開示に係る予測データ取得手段の一例である。

診断部３０４は、実加工データ取得部３０２で取得した第２の実加工データと予測データ取得部３０３で取得した第２の実加工データ（予測データ）とを比較して、加工に異常があるか否かを診断する。診断部３０４は、本開示に係る診断手段の一例である。

記憶部３０５は、実加工データ取得部３０２が取得した加工工程毎の第２の実加工データと、予測データ取得部３０３で取得した第２の実加工データ（予測データ）とを記憶する。

次に、図５を参照しながら、端末装置５０の機能的構成を説明する。端末装置５０は、通信部５０１とシミュレーション実行部５０２と記憶部５０３とを備える。

通信部５０１は、外部装置と通信し、必要に応じて各種データを送受信する。通信部５０１は、例えばネットワークインタフェースにより実現される。

シミュレーション実行部５０２は、加工プログラムが入力され、入力された加工プログラムによる加工シミュレーションをしてシミュレーションデータを取得する。シミュレーション実行部５０２は、取得したシミュレーションデータを記憶部５０３に記憶する。

記憶部５０３は、シミュレーション実行部５０２が取得した加工工程毎のシミュレーションデータを記憶する。

次に、学習装置１０、予測装置２０、診断装置３０及び端末装置５０（以下、「学習装置１０等」という）のハードウェア構成の一例について、図６を参照しながら説明する。図６に示す学習装置１０等は、例えばパーソナルコンピュータ、マイクロコントローラ、ＰＬＣなどのコンピュータにより実現される。

学習装置１０等は、バス１０００を介して互いに接続された、プロセッサ１００１と、メモリ１００２と、インタフェース１００３と、二次記憶装置１００４と、を備える。

プロセッサ１００１は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。プロセッサ１００１が、二次記憶装置１００４に記憶された動作プログラムをメモリ１００２に読み込んで実行することにより、学習装置１０等の各機能が実現される。

メモリ１００２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成される主記憶装置である。メモリ１００２は、プロセッサ１００１が二次記憶装置１００４から読み込んだ動作プログラムを記憶する。また、メモリ１００２は、プロセッサ１００１が動作プログラムを実行する際のワーキングメモリとして機能する。

インタフェース１００３は、例えばシリアルポート、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ネットワークインタフェースなどのＩ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）インタフェースである。インタフェース１００３により通信部１０１、通信部２０１、通信部３０１及び通信部５０１の機能が実現される。

二次記憶装置１００４は、例えば、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。二次記憶装置１００４は、プロセッサ１００１が実行する動作プログラムを記憶する。二次記憶装置１００４により、記憶部１０５、記憶部２０５、記憶部３０５及び記憶部５０３の機能が実現される。

次に、図７を参照しながら、学習装置１０によるモデル生成の動作の一例を説明する。図７に示す動作は、例えばユーザが学習装置１０を操作し、学習モデルの生成を指示したときに実行される。また、図７に示す動作を開始するに当たり、（１）加工シミュレーションフェーズ及び（２）実加工フェーズが既に実行されているものとする。

学習装置１０のシミュレーションデータ取得部１０２は、加工工程毎の第１のシミュレーションデータを取得する（ステップＳ１０１）。

続いて、学習装置１０の実加工データ取得部１０３は、加工工程毎の第１の実加工データを取得する（ステップＳ１０２）。

学習装置１０のモデル生成部１０４は、ステップＳ１０１にて取得した第１のシミュレーションデータとステップＳ１０２にて取得した第１の実加工データとに基づいて、学習済モデルを生成して記憶部１０５に記憶する（ステップＳ１０３）。そして学習装置１０はモデル生成の動作を終了する。

次に、図８を参照しながら、予測装置２０による実加工データの予測の動作の一例を説明する。図８に示す動作は、例えばユーザが予測装置２０を操作し、実加工データの予測を指示したときに実行される。また、図８に示す動作を開始するに当たり、（３）学習フェーズが既に実行され学習済モデルが生成されているものとする。

予測装置２０のモデル取得部２０２は、学習済モデルを取得して記憶部２０５に記憶する（ステップＳ２０１）。ただし、例えば最新の学習済モデルが既に記憶部２０５に記憶されている場合には必ずしもこの動作は実行しなくてもよい。

予測装置２０のシミュレーションデータ取得部２０３は、加工工程毎の第２のシミュレーションデータを取得する（ステップＳ２０２）。

予測装置２０の予測部２０４は、ステップＳ２０１にて記憶部２０５に記憶された学習済モデルを参照し、ステップＳ２０２にて取得された加工工程毎の第２のシミュレーションデータから加工工程毎の第２の実加工データ（予測データ）を予測する（ステップＳ２０３）。そして予測装置２０は、実加工データの予測の動作を終了する。

以上、実施の形態１に係る加工システム１を説明した。実施の形態１に係る加工システム１によれば、第１の加工プログラムによる加工シミュレーションをして得られた加工工程毎の第１のシミュレーションデータと、第１の加工プログラムによる実加工をして得られた加工工程毎の第１の実加工データとに基づいて生成された学習済モデルを参照し、第２の加工プログラムによる加工シミュレーションをして得られる加工工程毎の第２のシミュレーションデータから、加工工程毎の第２の実加工データ（予測データ）を実加工を行うことなく予測できる。

また、実施の形態１に係る加工システム１によれば、加工工程毎の第１のシミュレーションデータと加工工程毎の第１の実加工データとに基づいて生成された学習済モデルを用いて、第２の実加工データ（予測データ）を加工工程毎に予測するので、診断装置３０にて加工工程毎の第２の実加工データと第２の実加工データ（予測データ）とを比較して、加工に異常があるか否かを診断できる。

（実施の形態２）
実施の形態２は、以下に説明するように、実施の形態１において予測された実加工データ（予測データ）を、工具の異常診断に活用するものである。

工作機械が実加工を多数回実行すると、工作機械が備える工具が摩耗する。そのため、実加工状態に基づいて工具に異常があるか否かを診断する技術が必要とされる。例えば、工作機械のセンサ類が実加工の実行中に検出したセンサ値に基づいて工具を診断することが考えられる。

工作機械により製造される製造物が量産品である場合、各実加工において加工条件は同一となる。そのため、例えばセンサ値と異常の有無とを関係付けて学習した学習済モデルを生成することにより、当該学習済モデルとセンサ値とに基づいて工具の異常診断をすることができる。

しかし、工作機械により製造される製造物が量産品ではなく一品物である場合、各実加工において加工形状や加工工程が異なる。そのため、一品物の製造に使用される工具の異常診断に用いる学習済モデルは、上述の量産品と同じように複数同一加工データから学習済モデルを生成することができない。

実施の形態２は、実加工中に得られる実加工データと加工プログラムによる加工シミュレーションをして得られるシミュレーションデータから予測する実加工データ（予測データ）とに基づいて、工具の異常診断を行うものである。

実施の形態２に係る加工システム１の全体構成は、図１に示す実施の形態１と同様である。ただし、以下に説明するように、診断装置３０の機能が一部異なる。また、実施の形態２においては、（１）加工シミュレーションフェーズ、（２）実加工フェーズ及び（３）学習フェーズは、工具４１が劣化していないときに実行されているものとする。実施の形態２に係る加工システム１は、本開示に係る診断システムの一例である。

実施の形態２において、診断装置３０は、センサ３１により得られた第２の実加工データと、予測装置２０により予測された第２の実加工データ（予測データ）とに基づいて、工作機械４０の工具４１に異常があるか否かを診断する。実施の形態２に係る診断装置３０は、本開示に係る診断装置の一例である。

実施の形態２に係る診断装置３０の機能的構成のうち、実施の形態１と異なる点を説明する。

診断部３０４は、実加工データ取得部３０２で取得した第２の実加工データの特徴量と予測データ取得部３０３で取得した第２の実加工データ（予測データ）の特徴量とに基づいて、工具４１に異常があるか否かを診断する。診断部３０４は、本開示に係る診断手段の一例である。

上記の特徴量として、例えば実加工中におけるトルクの平均値、分散、最大/最小値、中間値、歪度、凸度などを使用することができる。簡易的な例として、診断部３０４は、予測データにおけるトルクの平均値と、実加工データにおけるトルクの平均値との差が閾値以上となっているときに、工具４１に異常があると診断することが考えられる。例えば工具４１の特性が既知であり、劣化するとトルクが上昇するものである場合、予測データにおけるトルクの平均値よりも実加工データにおけるトルクの平均値が大幅に上回っているときに、工具４１に異常があると考えられる。なお、加工工程により予測データと実加工データとの特徴量の乖離は上回る場合だけでなく、下回る場合もある。

以下に説明するような、より複雑な例も考えられる。例えば、時系列的に変化する第２の実加工データの特徴量と第２の実加工データ（予測データ）の特徴量とに基づいて、横軸を経過時間、縦軸を第２の実加工データの特徴量と第２の実加工データ（予測データ）の特徴量との差としたときの分布に関する近似曲線を求め、当該近似曲線に基づいて工具４１の異常判定をすることが考えられる。なお、ここでいう近似曲線は、回帰直線などの「直線」も含む。

例えば、近似曲線として回帰直線を求め、回帰直線の傾きが閾値以上となったときに工具４１に異常があると診断する、といったことが考えられる。これは、第２の実加工データの特徴量と第２の実加工データ（予測データ）の特徴量との差が大きくなるほど回帰直線の傾きが大きくなるからである。つまり、回帰直線の傾きが大きいほど、第２の実加工データと第２の実加工データ（予測データ）とに乖離がある、つまりは工具４１が劣化している、と考えられる。

あるいは、例えばカーブフィッティングにより近似曲線を求め、求めた近似曲線に変曲点が出現したときに工具４１に異常があると診断する、といったことも考えられる。変曲点は、特徴量の差の変化率が正から負あるいは負から正に反転する点であるため、特徴量の差の傾向が大きく変化する点といえる。工具４１が劣化していないときにはそのような大きな変化は生じないと考えられるので、変曲点が出現したときには、工具４１が劣化している、と考えられる。

診断部３０４は、工具４１に異常があるか否かを診断すると、診断結果を報知する。診断部３０４は、例えば診断装置３０に接続された図示しない表示・警報部に診断結果を警報音やメッセージで出力する。また、診断結果の報知の形態は工作機械４０のＣＮＣ４２の画面にメッセージ表示し、警報音の出力や、工具４１を使用した新たな加工を中止する。

次に、図９を参照しながら、診断装置３０による工具の異常診断の動作の一例を説明する。図９に示す動作は、上記の（１）から（４）までのフェーズが実行されたのちに実加工が行われたときに実行される。

診断装置３０の実加工データ取得部３０２は、センサ３１から第２の実加工データを取得する（ステップＳ３０１）。

診断装置３０の予測データ取得部３０３は、予測装置２０が予測した第２の実加工データ（予測データ）を取得する（ステップＳ３０２）。

診断装置３０の診断部３０４は、ステップＳ３０１にて取得された第２の実加工データの特徴量とステップＳ３０２にて取得された第２の実加工データ（予測データ）の特徴量とに基づいて、工具４１に異常があるか否かを診断する（ステップＳ３０３）。

診断部３０４は、ステップＳ３０３の診断結果を報知する（ステップＳ３０４）。そして診断装置３０は、工具の異常診断の動作を終了する。

以上、実施の形態２に係る加工システム１を説明した。実施の形態２に係る加工システム１によれば、第２の実加工データの特徴量と第２のシミュレーションデータから予測した第２の実加工データ（予測データ）の特徴量とに基づいて、工具４１に異常があるか否かを診断する。第２の実加工データと第２の実加工データ（予測データ）とは、加工工程毎に区分されたデータであるため、工作機械４０が加工するワークが量産品でない場合でも、適切に工具４１に異常があるか否かを診断することができる。

（変形例）
実施の形態２において、診断装置３０が工具４１の異常診断をするものとしたが、診断装置３０とは異なる装置が異常診断をするものとしてもよい。例えば、診断装置３０が第２の実加工データをパーソナルコンピュータに出力し、当該パーソナルコンピュータが第２の実加工データと第２の実加工データ（予測データ）とを取得して工具４１の異常診断をするものとしてもよい。この場合、当該パーソナルコンピュータが図４に示す実加工データ取得部３０２と予測データ取得部３０３と診断部３０４とに相当する機能を備えるものとする。当該パーソナルコンピュータは、本開示に係る診断装置の一例である。

各実施の形態において、学習装置１０、予測装置２０、診断装置３０及び端末装置５０は、それぞれ別個の装置となっていた。しかし、１の装置によりこれらの装置のうち２以上の装置の機能をまとめてもよい。例えばサーバ、パーソナルコンピュータまたは装置４０のＣＮＣ４２に個々の装置の機能を包含し、ネットワーク、ＣＰＵバスなどによる通信にて必要な各種データをやりとりするものとしてもよい。

図６に示すハードウェア構成においては、学習装置１０等が二次記憶装置１００４を備えている。しかし、これに限らず、二次記憶装置１００４を学習装置１０等の外部に設け、インタフェース１００３を介して学習装置１０等と二次記憶装置１００４とが接続される形態としてもよい。この形態においては、ＵＳＢフラッシュドライブ、メモリカードなどのリムーバブルメディアも二次記憶装置１００４として使用可能である。

また、図６に示すハードウェア構成に代えて、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：特定用途向け集積回路）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などを用いた専用回路により学習装置１０等を構成してもよい。また、図６に示すハードウェア構成において、学習装置１０等の機能の一部を、例えばインタフェース１００３に接続された専用回路により実現してもよい。

学習装置１０等で用いられるプログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、ＵＳＢフラッシュドライブ、メモリカード、ＨＤＤなどのコンピュータ読み取り可能な記録媒体に格納して配布することが可能である。そして、係るプログラムを特定のまたは汎用のコンピュータにインストールすることによって、当該コンピュータを学習装置１０等として機能させることが可能である。

また、上述のプログラムをインターネット上の他のサーバが有する記憶装置に格納しておき、当該サーバから上述のプログラムがダウンロードされ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。

１ 加工システム、１０ 学習装置、２０ 予測装置、３０ 診断装置、３１ センサ、４０ 工作機械、４１ 工具、４２ ＣＮＣ、５０ 端末装置、１０１ 通信部、１０２ シミュレーションデータ取得部、１０３ 実加工データ取得部、１０４ モデル生成部、１０５ 記憶部、２０１ 通信部、２０２ モデル取得部、２０３ シミュレーションデータ取得部、２０４ 予測部、２０５ 記憶部、３０１ 通信部、３０２ 実加工データ取得部、３０３ 予測データ取得部、３０４ 診断部、３０５ 記憶部、５０１ 通信部、５０２ シミュレーション実行部、５０３ 記憶部、１０００ バス、１００１ プロセッサ、１００２ メモリ、１００３ インタフェース、１００４ 二次記憶装置。

Claims (2)

1. 予測装置と診断装置とを備え、
   前記予測装置は、
   学習装置により生成された学習済モデルを記憶する記憶手段と、
   第２の加工プログラムによる加工シミュレーションをして第２のシミュレーションデータを取得するシミュレーションデータ取得手段と、
   前記学習済モデルと前記第２のシミュレーションデータとに基づいて、第２の実加工データを予測する予測手段と、
   を備え、
   前記診断装置は、
   前記第２の加工プログラムによる実加工をして前記第２の実加工データを取得する実加工データ取得手段と、
   前記予測装置により予測された、前記第２の実加工データの予測データを取得する予測データ取得手段と、
   前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに基づいて、加工に異常があるか否かを診断し、前記加工に異常があるか否かに加えて、前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに関する近似曲線を求め、求めた近似曲線に基づいて工具に異常があるか否かも診断する診断手段と、
   を備え、
   前記学習済モデルは、前記学習装置により生成される学習済モデルであって、第１のシミュレーションデータと第１の実加工データとの関係の学習により得られる、前記第２のシミュレーションデータから前記第２の実加工データを予測するための学習済モデルであり、
   前記第１のシミュレーションデータは、前記学習装置による、第１の加工プログラムによる加工シミュレーションにより得られ、
   前記第１の実加工データは、前記学習装置による、前記第１の加工プログラムによる実加工をして得られる、
   診断システム。
2. １以上のコンピュータによって実行される診断方法であって、
   第２の加工プログラムによる加工シミュレーションをして第２のシミュレーションデータを取得し、
   学習装置により生成された学習済モデルと前記第２のシミュレーションデータとに基づいて、第２の実加工データを予測し、
   前記第２の加工プログラムによる実加工をして前記第２の実加工データを取得し、
   前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに基づいて、加工に異常があるか否かを診断し、
   前記加工に異常があるか否かに加えて、前記第２の実加工データの特徴量と前記第２の実加工データの予測データの特徴量とに関する近似曲線を求め、求めた近似曲線に基づいて工具に異常があるか否かも診断し、
   前記学習済モデルは、第１のシミュレーションデータと第１の実加工データとの関係の学習により得られる、前記第２のシミュレーションデータから前記第２の実加工データを予測するための学習済モデルであり、
   前記第１のシミュレーションデータは、第１の加工プログラムによる加工シミュレーションにより得られ、
   前記第１の実加工データは、前記第１の加工プログラムによる実加工をして得られる、
   診断方法。

Images