CN112749451A - 工具寿命预测系统 - Google Patents

Abstract

本发明提供一种能够更高精度地预测工具的寿命的工具寿命预测系统。工具寿命预测系统(1)具备：加工机械主体(11)，使用工具(T)来进行工件(W)的机械加工；检测器(13)，在加工工件时检测加工机械主体中的可观测状态数据；学习完毕模型存储部(81)，将由检测器检测出的状态数据作为说明变量，并将在一个工具中达到寿命之前的工件的剩余加工次数作为目的变量，按多个寿命事例的每一个来存储通过使用包含说明变量以及目的变量的训练数据集来进行机械学习而生成的学习完毕模型；以及剩余加工次数预测部(83)，基于状态数据从多个学习完毕模型中选择一个学习完毕模型，并使用所选择的一个学习完毕模型和状态数据来预测剩余加工次数。

Description

工具寿命预测系统

技术领域

本发明涉及工具寿命预测系统。

背景技术

从工具成本的观点考虑，机械加工所使用的工具的寿命的预测很重要。以往，工具寿命考虑工具的个体差异、安全率，预先决定了规定为达到寿命的加工次数。但是，在这样的寿命的决定方法中，在工具实际上未达到寿命的情况下，也视为达到寿命，并更换工具。

相关技术的工具寿命预测系统使用通过工具进行加工的情况下的加工信息，例如，主轴装置的马达的驱动电流，来预测工具寿命(例如，参照专利文献1)。在该预测方法中，使用基于加工信息决定出的运算模型，来进行工具的寿命预测。另外，工具的寿命预测所使用的运算模型例如根据工件的材质、加工条件等，从多个运算模型中来选择。

专利文献1：JP2019－82836A

在工具的寿命预测中，根据预测所使用的运算模型而成为不同的预测结果。换句话说，如何决定工具的寿命预测所使用的运算模型是重要的要素。例如，即使工具的种类、工件的材质、以及加工条件相同，根据工具的个体差异，也有工具的寿命不同的情况。

发明内容

本发明的目的在于提供一种能够更高精度地预测工具的寿命的工具寿命预测系统。

本发明的工具寿命预测系统具备：加工机械主体，使用工具来进行工件的机械加工；检测器，在加工上述工件时检测上述加工机械主体中的可观测状态数据；学习完毕模型存储部，将由上述检测器检测出的上述状态数据作为说明变量，并将在一个上述工具中达到寿命之前的上述工件的剩余加工次数作为目的变量，按多个工具的每一个工具寿命(寿命模式)来存储通过使用包含上述说明变量以及上述目的变量的训练数据集进行机械学习而生成的学习完毕模型；以及剩余加工次数预测部，基于上述状态数据从多个上述学习完毕模型中选择一个上述学习完毕模型，并使用所选择的一个上述学习完毕模型和上述状态数据来预测上述剩余加工次数。

根据工具寿命预测系统，从多个学习完毕模型中选择一个学习完毕模型，并使用所选择的一个学习完毕模型来预测当前使用的工具的寿命。工具的寿命预测所使用的一个学习完毕模型的选择使用利用该工具进行的加工中的状态数据。因此，所选择的一个学习完毕模型成为与该工具相应的学习完毕模型。像这样，通过使工具的寿命预测所使用的一个学习完毕模型成为与该工具相应的模型，能够高精度地预测该工具的寿命。

附图说明

图1是表示工具寿命预测系统的结构的图。

图2是表示加工机械的一个例子的图。

图3是表示工具寿命预测系统的功能模块结构的图。

图4是对在剩余加工次数计算部中计算的剩余加工次数的计算进行说明的图，并且是表示训练数据集的图。

图5是表示工具No.与学习完毕模型No.的对应表的图。

图6是表示存储于模型存储部的多个学习完毕模型的图。

图7是表示剩余加工次数预测部中的处理的流程图。

图8是表示剩余加工次数预测部获取到的p次的量的信息的图。

图9是用于对在剩余加工次数预测部中预测对象的值的相似度的概念进行说明的图，且是在特征量空间(n维空间)中示出多个学习完毕模型(白圆)以及预测对象的值(黑圆)的图。

图10是表示显示装置中的显示内容的图，且是表示实际加工次数为15次时的显示内容的图。虚线表示由所选择的学习完毕模型进行的寿命预测趋势。

图11是表示显示装置中的显示内容的图，且是表示实际加工次数为30次时的显示内容的图。虚线表示由所选择的学习完毕模型进行的寿命预测趋势。

图12是表示显示装置中的显示内容的图，且是表示实际加工次数为50次时的显示内容的图。虚线表示由所选择的学习完毕模型进行的寿命预测趋势。

图13是表示显示装置中的显示内容的图，且是表示实际加工次数为80次时(达到预测寿命时)的显示内容的图。虚线表示由所选择的学习完毕模型进行的寿命预测趋势。

具体实施方式

(1.工具寿命预测系统的应用对象的加工机械以及工具的种类)

工具寿命预测系统在使用工具进行工件的机械加工的加工机械中，预测该工具的寿命。在这里，所谓的工具的寿命不仅为完全不能使用工具的状态，也包含进行工具的修正的状态。例如，所谓的工具的修正为重新磨锐工具、磨床的整形、修整等。

作为加工机械，包含加工中心、车床、齿轮加工装置、镗床等进行切削加工的加工机械。在该情况下，工具为切削工具。例如，加工中心中的工具包含：钻头、铣刀工具、镗孔工具、齿轮加工工具、车削工具等。车床中的工具至少包含车削工具，复合车床中的工具除车削工具外，还包含钻头、铣刀工具等与加工中心的工具相同的工具。作为齿轮加工装置，包含齿轮削皮加工机械、滚刀加工机械、整形加工机械等，该齿轮加工装置中的工具包含齿轮削皮工具、滚刀工具、整形工具等齿轮加工用的工具。

另外，作为加工机械，包含进行研磨加工的研磨机。研磨机中的工具包含磨床。另外，作为加工机械，包含锻造加工机械，例如，冲压机、轧制机等。冲压机、轧制机中的工具包含锻造用冲头、锻造用金属模等。

(2.工具寿命预测系统1的结构的概要)

参照图1，对工具寿命预测系统1的结构的概要进行说明。工具寿命预测系统1具备：至少1台加工机械10、以及一个运算装置(20、30)。可以将1台加工机械10作为对象，也可以如图1所示将多台加工机械10作为对象。在本例中，以工具寿命预测系统1具备多台加工机械10的情况为例。

加工机械10至少具备：加工机械主体11，使用工具T进行工件W的机械加工；以及检测器13，在加工工件W时检测加工机械主体中的可观测状态数据。即，检测器13在加工工件W时检测加工机械主体中的可观测状态，并获取包含该可观测状态的信息，作为状态数据。

运算装置(20、30)通过使用由检测器13检测出的状态数据，并应用机械学习，来预测工具T的寿命。在图1中，示出运算装置(20、30)由学习处理装置20和预测运算装置30构成，学习处理装置20和预测运算装置30独立的结构，但也能够构成为一个装置。另外，运算装置(20、30)的一部分或者全部也能够为加工机械10的嵌入系统。

在本例中，以学习处理装置20和预测运算装置30为独立的结构的情况为例。另外，学习处理装置20具有所谓的服务器功能，并以可通信的方式与多台加工机械10连接。另一方面，预测运算装置30与各加工机械10一对一地设置，并以可通信的方式与各加工机械10连接。换句话说，多台预测运算装置30作为所谓的边缘计算机发挥作用，并能够实现高速运算处理。

(3.工具寿命预测系统1的结构的详细内容)

参照图1，对工具寿命预测系统1的结构更为详细地进行说明。工具寿命预测系统1具备：多台加工机械10、作为运算装置的一部分发挥作用的1台学习处理装置20、作为运算装置的另一部分发挥作用的多台预测运算装置30。

各个加工机械10如上所述，能够应用各种加工机械。加工机械10具备：使用工具T进行工件W的机械加工的加工机械主体11、控制加工机械主体11的控制装置12、检测器13、以及接口14。

加工机械主体11具有工具T，并具有支承工件W，并使工具T和工件W相对地移动的结构。换句话说，加工机械主体11具备构造体以及驱动构造体的驱动装置等。控制装置12包含CNC装置以及PLC装置等。控制装置12控制加工机械主体11中的驱动装置等。接口14为加工机械主体11、控制装置12以及检测器13能够与外部通信的设备。

检测器13在加工工件W时检测加工机械主体11中的可观测状态数据。检测器13检测与加工负载、驱动装置的驱动负载等相关的数据。检测器13例如是检测作为驱动装置的马达的驱动电流数据(即，检测马达的驱动电流，并获取包含该驱动电流的状态的数据作为驱动电流数据)的电流传感器、检测加工机械主体11的构成部件的振动数据(即，检测加工机械主体11的构成部件的振动，并获取包含该振动的状态的数据作为振动数据)的振动传感器、检测加工中的声音数据(即，检测加工中的声音，并获取包含该声音的状态的数据作为声音数据)的麦克风等。换句话说，状态数据例如是驱动电流数据、振动数据、声音数据等。

学习处理装置20构成为具备：处理器21、存储装置22、接口23等。另外，学习处理装置20具有服务器功能，并以可通信的方式与多台加工机械10连接。

学习处理装置20通过基于由检测器13检测出的状态数据，来应用机械学习，生成用于预测工具T的寿命的学习完毕模型。特别是，学习处理装置20为多个工具T的各自的工具寿命(每个寿命模式)来生成学习完毕模型。换句话说，学习处理装置20生成多个学习完毕模型。

例如，在学习处理装置20中，通过在一个种类的多个工具T中，对一个工具T生成一个学习完毕模型，来生成多个学习完毕模型。换句话说，学习处理装置20通过视为相同种类且各个工具T的寿命模式为单独的寿命模式，来生成针对各个工具T中的每一个的学习完毕模型，来为多个寿命模式的每一个生成学习完毕模型。

各个预测运算装置30构成为具备：处理器31、存储装置32、接口33等。另外，预测运算装置30以能够通信的方式与作为服务器的学习处理装置20、以及对应的加工机械10连接。

各个预测运算装置30配置为与各个加工机械10接近的位置，并作为所谓的边缘计算机来发挥作用。预测运算装置30使用由学习处理装置20生成的多个学习完毕模型，基于在加工工件W时由检测器13检测出的状态数据，来预测工具T的寿命。在本例中，预测运算装置30预测剩余加工次数，即，能够加工工件W的剩余的次数。

特别是，在本例中，预测运算装置30从多个学习完毕模型中选择一个模型，并使用所选择的一个学习完毕模型，来预测工具T的寿命。对于选择方法的具体例后述。

工具寿命预测系统1还具备共用显示装置40、多个分立显示装置50。但是，工具寿命预测系统1也可以为不具备共用显示装置40的结构，也可以为不具备分立显示装置50的结构。共用显示装置40与学习处理装置20对应地配置。另外，分立显示装置50与各个加工机械10对应地配置。

(4.加工机械主体11的例子)

作为加工机械主体11的一个例子，参照图2对进行齿轮削皮加工的齿轮加工装置进行说明。此外，如上所述，加工机械主体11齿轮加工装置是一个例子，也可以应用于其它加工机械。

如图2所示，作为齿轮加工装置的加工机械主体11作为使工件W与工具T的相对位置以及姿势变化的驱动轴，应用具有3个前进轴以及2个旋转轴的5轴加工中心的结构。在本例中，加工机械主体11具有作为前进轴的正交3个轴(X轴、Y轴、Z轴)、以及作为旋转轴的B轴和Cw轴。B轴是围绕Y轴线的旋转轴，Cw轴是围绕工件W的中心轴线的旋转轴。

加工机械主体11具备工具主轴61，该工具主轴61支承工具T(旋转工具)并能够绕Ct轴旋转，并且，并能够在Y轴方向以及Z轴方向分别移动。进一步，加工机械主体11具备工件主轴62，该工件主轴62支承工件W并能够绕Cw轴旋转，并且，能够绕B轴旋转，并能够在X轴方向上移动。加工机械主体11具有马达，该马达作为用于能够进行朝向/围绕各轴(X轴、Y轴、Z轴、B轴、Cw轴、Ct轴)方向的驱动(移动)的驱动装置。

(5.工具寿命预测系统1的功能模块结构)

参照图3，对工具寿命预测系统1的功能模块进行说明。工具寿命预测系统1具备检测器13、计数器12a、学习处理装置20、预测运算装置30、显示装置40、50。

如上所述，检测器13在加工工件W时检测加工机械主体11中的可观测状态数据。状态数据例如包含旋转驱动旋转工具T的马达中的驱动负载数据。状态数据例如还包含旋转驱动工件W的马达中的驱动负载数据。驱动负载数据相当于马达的驱动电流数据。另外，状态数据也可以包含振动数据、加工声音数据等。状态数据是一个工件W的从加工开始到加工结束的时间序列数据。

计数器12a包含于加工机械10的控制装置12，对每个工具T计数工件W的加工次数。换句话说，计数器12a对每个工具T，对工具T的从开始使用时起的工件W的加工数进行计数。此外，计数器12a也能够除了控制装置12以外，还具备检测器13自身。

学习处理装置20基于包含由检测器13检测出的状态数据、以及由计数器12a获取到的加工次数的数据，来生成用于进行工具T的寿命预测的学习完毕模型。学习处理装置20具备：训练数据集获取部71、训练数据集存储部72、模型生成部73。

训练数据集获取部71在1个种类的多个工具T中，对每一个工具T，获取用于进行机械学习的训练数据集。在这里，意味着训练数据集获取部71通过视为相同种类且各个工具T的寿命模式为单独的寿命模式，并为每一个工具T获取训练数据集，来为多个寿命模式的每一个模式获取训练数据集。

训练数据集获取部71具备：状态数据获取部71a、特征量计算部71b、加工次数获取部71c、达到寿命信息获取部71d、剩余加工次数计算部71e。状态数据获取部71a在加工工件W时，获取由检测器13检测出的状态数据。状态数据获取部71a在由一个工具T进行的1次加工中，获取检测器13的个数的量的状态数据。而且，状态数据获取部71a对相同种类且多个工具T中的每一个工具，获取状态数据。

特征量计算部71b计算由状态数据获取部71a获取到的状态数据的多个特征量。在这里，特征量使用状态数据中的各种统计量。例如，特征量是状态数据中的最大值、最小值、平均值、方差、标准偏差、偏度、峰度、中央值等。另外，特征量也可以包含针对对状态数据进行微分所得的数据的统计量、针对进行状态数据的频率解析后的数据的统计量等。特征量计算部71b可以计算上述的全部的特征量，也可以计算一部分特征量。

加工次数获取部71c从计数器12a获取在各个工具T中从开始加工起的加工次数。达到寿命信息获取部71d接受表示对象的工具T达到寿命的输入。也可以是作业者判断对象的工具T是否达到寿命，且作业者对达到寿命信息获取部71d输入该信息。工具T是否达到寿命的判定例如能够通过在工件W的表面是否形成有被称为工具痕的划痕来进行。另外，判定也能够根据工件W的加工精度是否显著降低来进行。另外，达到寿命信息获取部71d在通过检查装置判定的情况下也可以通过检查装置来输入。

剩余加工次数计算部71e基于包含加工次数获取部71c获取到的加工次数(第一加工次数)的信息、以及达到寿命信息获取部71d获取到的寿命达到信息，来决定工具T的剩余加工次数(第一剩余加工次数)。剩余加工次数在达到寿命时设为零，追溯到达到寿命以前以升序增加。如图4的左侧栏所示，当在加工次数为N时判定为达到寿命的情况下，如图4的右栏所示，剩余加工次数在达到寿命时为零，最初为(N－1)。

训练数据集存储部72存储由训练数据集获取部71获取到的训练数据集。具体而言，如图4的右侧栏所示，训练数据集存储部72对状态数据的特征量DATA(1)～DATA(N)和剩余加工次数(N－1)～(0)建立关联并存储。图4的右侧栏所示的内容为与一个工具T有关的训练数据集。换句话说，在训练数据集存储部72，存储与多个工具T中的每一个工具相关的训练数据集。

模型生成部73使用训练数据集存储部72中存储的训练数据集来进行机械学习。具体而言，模型生成部73按每个寿命模式，即按各个工具T，进行将由检测器13检测出的状态数据的特征量设为说明变量，并将剩余加工次数(第一剩余加工次数)设为目的变量的机械学习。而且，模型生成部73生成用于预测工具T的寿命的学习完毕模型。

在这里，按每个寿命模式，即按各个工具T来生成学习完毕模型。因此，模型生成部73生成相同种类且多个工具T的数的量的学习完毕模型。换句话说，工具T与学习完毕模型的对应关系如图5所示。例如，工具No.a对应于学习完毕模型No.A，以下，为相同的对应关系。此外，图5所示的工具T全部为相同种类。

机械学习的方法，例如，可以使用回归。例如，线性回归、棱回归、Lasso、弹性网回归、随机森林回归等是有用的。特别是，通过使用这些方法，能够掌握有关多个特征量的影响度，根据需要也能够用于特征量的选定等。此外，作为机械学习的方法，也可以应用于除回归之外的其它方法。

预测运算装置30在对应的加工机械10中基于加工中的状态数据，来预测加工所使用的工具T的寿命。预测运算装置30具备：模型存储部81、预测用数据获取部82、剩余加工次数预测部83、输出部84。

模型存储部81存储由模型生成部73生成的多个学习完毕模型。如图6所示，模型存储部81存储模型No.A、B、…这样的多个学习完毕模型。多个学习完毕模型如上所述，与每个寿命模式对应，在本例中，与各个工具T对应。

预测用数据获取部82在利用预测对象的工具T进行的加工中，获取预测用数据。预测用数据获取部82具备：状态数据获取部82a、特征量计算部82b、加工次数获取部82c。

状态数据获取部82a在利用预测对象的工具T进行的工件W的加工中，获取由检测器13检测出的状态数据。在这里，预测对象的工具T与在训练数据集获取部71中获取时所使用的工具T的种类为相同种类。

特征量计算部82b计算由状态数据获取部82a获取到的状态数据的特征量。在这里，特征量使用状态数据中的各种统计量。而且，特征量与在训练数据集获取部71的特征量计算部71b中计算的特征量为相同种类。加工次数获取部82c从计数器12a获取在预测对象的工具T中从开始加工起的加工次数。

在这里，状态数据获取部82a以及特征量计算部82b进行与训练数据集获取部71的状态数据获取部71a以及特征量计算部71b相同的处理。而且，在本例中，状态数据获取部82a以及特征量计算部82b作为与训练数据集获取部71的状态数据获取部71a以及特征量计算部71b不同的要素来说明。但是，也可以将训练数据集获取部71的各要素71a、71b与预测用数据获取部82的各要素82a、82b兼用。换句话说，学习处理装置20中的要素71a、71b的功能与预测运算装置30的部分功能兼用。

剩余加工次数预测部83从存储于模型存储部81的多个学习完毕模型中选择一个学习完毕模型，并基于所选择的一个学习完毕模型和由预测用数据获取部82获取到的数据，来预测预测对象的工具T的剩余加工次数。换句话说，剩余加工次数预测部83预测预测对象的工具T可加工的工件W的个数、或者预测对象的工具T可加工一个工件W的次数。对于剩余加工次数预测部83的处理的详细内容后述。

输出部84将剩余加工次数预测部83预测出的与预测对象的工具T的剩余加工次数相关的信息输出至显示装置40、50。进一步，输出部84除剩余加工次数外，也能够输出当前的加工次数、用于预测的由选择出的学习完毕模型进行的预测趋势。

显示装置40、50显示从预测运算装置30的输出部84输出的信息。在这里，对于显示装置40、50的显示内容的详细内容后述。

(6.剩余加工次数预测部83的处理)

参照图7－图9，对由剩余加工次数预测部83(以下，称为“预测部”)的处理进行说明。如图7所示，预测部83从预测用数据获取部82，获取最近p次的量的状态数据的多个特征量(步骤S1)。换句话说，预测部83对预测对象的工具T，从预测对象时获取关于最近的工件W的多次的量(p次的量)的加工的状态数据的多个特征量。

接着，预测部83从预测用数据获取部82，获取与获取多个特征量的多次的加工次数对应的工具T的实际加工次数(步骤S2)。换句话说，如图8所示，预测部83获取的信息对最近p次的量的状态数据的多个特征量DATA(N1)～DATA(Np)、和与该状态数据对应的实际加工次数(N1)～(Np)建立关联并获取。p的值例如可以为5～10左右，但并不限定于5～10。若将p设为较大的值，则无法进行初始的预测。但是，若将p设为较小的值，则给预测精度带来影响。因此，如上所述，p的值最好为5～10。此外，p的值也可以根据到工具T的寿命为止的加工次数的值适当地变更。

接着，预测部83基于最近p次的量的状态数据的多个特征量以及对应的实际加工次数(以下，称为“预测对象数据”)，从多个学习完毕模型中选择一个学习完毕模型(步骤S3)。预测部83对最近p次的量的预测对象数据、和用于生成多个学习完毕模型中的每一个的训练数据集中的数据组进行比较，并选择相似度较高的一个学习完毕模型。

参照图9，对选择一个学习完毕模型时的概念进行说明。在图9中，在将n个特征量中的每一个表示为维的要素的特征量空间(n维空间)中，用白圆、箭头以及×标记表示用于生成多个学习完毕模型中的每一个模型的训练数据集中的数据(以下，称为“基础数据”)的变迁。

例如，在图9中，表示学习完毕模型No.A的白圆位于与学习完毕模型No.A有关的基础数据的n维空间中的坐标。而且，箭头表示在与学习完毕模型No.A有关的基础数据中，从由该工具T进行的加工开始到达到寿命的坐标的移动方向。而且，×标记表示达到寿命时的基础数据。换句话说，如图9所示，在特征量空间(n维空间)中，与多个学习完毕模型有关的基础数据的变迁在各个位置在各个方向上变化。

在这里，在图9中，用黑圆以及箭头表示预测对象数据。在图9中，例示出为5次的量的预测对象数据的情况。而且，预测部83从与多个学习完毕模型中的每一个模型有关的基础数据中，选择与多次的量的预测对象数据(黑圆)相似的数据。例如，在图9中，图示出与学习完毕模型No.A有关的基础数据中用椭圆状虚线包围的部分是与预测对象数据(黑圆)相似的基础数据。

若在概念上理解上述内容则如下。预测部83对在进行多次的量的加工时伴随着实际加工次数的增加的状态数据的多个特征量的变迁(第一变迁)、和用于生成多个学习完毕模型中的每一个模型的训练数据集中的伴随着加工次数的增加的状态数据的多个特征量的变迁(第二变迁)进行比较。而且，预测部83作为比较变迁的结果，选择相似度最高的一个学习完毕模型。换句话说，选择由具有相似度与第一变迁较高的第二变迁的训练数据集生成的一个学习完毕模型。

进一步，如图9所示，对于相似度，在特征量空间(n维空间)中，对基础数据的组合和预测对象数据的组合进行比较，相当于n维空间中的距离的值越小判断为相似度越高。所谓的基础数据的组合是训练数据集中的伴随着加工次数的增加的状态数据的多个特征量的组合。所谓的预测对象数据的组合是在预测对象中，伴随着实际加工次数的增加的状态数据的多个特征量的组合。

而且，相似度使用欧几里得距离、马哈拉诺比斯距离、曼哈顿距离、切比雪夫距离中的任意一个距离，判断为相似度较高。换句话说，预测部83使用上述的任意一个距离，选择相似度最高的(距离相当值最小的)一个学习完毕模型。

接着，预测部83使用所选择的一个学习完毕模型和状态数据的多个特征量来预测剩余加工次数(第二剩余加工次数)(步骤S4)。如上所述，学习完毕模型由将状态数据的多个特征量作为说明变量，并将剩余加工次数(第一剩余加工次数)作为目的变量的机械学习生成。因此，学习完毕模型通过将作为说明变量的多个特征量设为输入数据，能够输出作为目的变量的剩余加工次数。

接着，预测部83作为预测的结果，判定预测对象的工具T是否达到寿命(步骤S5)，并返回到步骤S1，若未达到寿命则对下一次加工，再次进行剩余加工次数的预测(步骤S5：否)。预测部83在判定为预测对象的工具T达到寿命的情况下(步骤S5：是)，结束预测处理。

(7.显示装置40、50的显示内容)

接下来，参照图10－图13，对显示装置40、50的显示内容的例子进行说明。在这里，可以显示于显示装置40、50中的任何一个的内容如上所述。另外，显示内容是一个例子，并不限定于此。

如图10－图13所示，在显示装置40、50上，例如，示出将预测对象的工具T的实际加工次数设为横轴，并将预测出的剩余加工次数设为纵轴的图表。黑圆描绘已经加工完毕的点，白圆描绘当前预测对象的点。换句话说，用白圆和多个黑圆，显示出到目前为止的剩余加工次数的预测的变迁。

进一步，在图10－图13的上栏，示出当前预测所使用的学习完毕模型。如在上述的预测部83的处理中说明的那样，由于每当加工次数增加就选择预测所使用的学习完毕模型，所以存在依次变化的可能性。当然，从开始加工到达到寿命，也存在持续选择同一个学习完毕模型的情况。因此，在显示装置40、50上，显示出当前选择的学习完毕模型。

进一步，在显示装置40、50上，显示有使用了当前选择的学习完毕模型的寿命预测趋势(倾斜虚线)。若用该学习完毕模型继续预测，则表示沿着寿命预测趋势的线推移。而且，在寿命预测趋势的线上剩余加工次数为零的点表示通过该预测对象的工具T可加工的次数(第二加工次数)。

以下，对各图具体地进行说明。在图10中，示出由预测对象的工具T进行的实际加工次数为15次的情况，剩余加工次数约为60次。进一步，当前预测所使用的学习完毕模型为No.B。另外，在图10中，示出在实际加工次数为5次、10次时预测出的结果。可知在实际加工次数为5次时，预测为剩余加工次数约为70次，在10次时，预测为剩余寿命次数约为65次。此外，在图10中，每5次进行描绘，但也可以每次进行描绘。

在图11中，示出由预测对象的工具T进行的实际加工次数为30次的情况，剩余加工次数约为65次。进一步，当前预测所使用的学习完毕模型为No.G。另外，在图11中，示出在实际加工次数为5次、10次、15次、20次、25次时预测出的结果。在这里，可知最初的前15次的寿命预测趋势与20次到30次的寿命预测趋势不同。

假设，在已经学习了与当前预测对象的工具T非常相似的工具T的工具寿命的情况下，在被该已经学习的工具T机械加工的工件W的状态与成为当前预测对象的工件的状态非常相似的情况下，存在偏差较少，且高精度地预测剩余加工次数的情况。但是，例如，由于工具T的表面处理的细微差异、工件W的淬火的状态的细微差异等影响，很少会再现与过去学习时非常相似的加工状态。因此，每当进行预测处理，所选择的学习完毕模型都会发生变化，且存在预测中产生偏差的情况。因此，产生预测的偏差本身没有任何问题，反倒具有能够表示预测精度不是很高这样的优点。进一步，在显示装置40、50，显示出在该时刻最高精度的预测结果。

在图12中，示出由预测对象的工具T进行的实际加工次数为50次的情况，剩余加工次数约为30次。进一步，当前预测所使用的学习完毕模型为No.D。另外，在图12中，显示出以5次的增量对实际加工次数为5次到50次之间预测出的结果。

在图13中，示出预测对象的工具T达到寿命时的情况，达到寿命时的实际加工次数为80次。并且，在达到寿命时预测所使用的学习完毕模型为No.D。

(8.效果)

根据工具寿命预测系统1，从多个学习完毕模型中选择一个学习完毕模型，并使用所选择的一个学习完毕模型来预测当前使用的工具T的寿命。工具T的寿命预测所使用的一个学习完毕模型的选择使用由该工具T进行的加工中的状态数据。因此，所选择的一个学习完毕模型为与该工具T相应的学习完毕模型。像这样，通过使工具T的寿命预测所使用的一个学习完毕模型与该工具T对应，能够高精度地预测该工具T的寿命。

进一步，在显示装置40、50，显示出有关寿命预测对象的工具T的剩余加工次数。因此，作业者通过确认显示装置40、50，能够容易地掌握该工具T的剩余加工次数。

Claims (12)

1.一种预测对象工具的寿命预测系统，具备：

加工机械主体，构成为使用工具来进行工件的机械加工；

检测器，构成为在加工上述工件时检测上述加工机械主体中的可观测状态，并作为状态数据获取包含上述可观测状态的数据；

学习完毕模型存储部，按多个上述工具的每一个工具寿命来存储学习完毕模型，该学习完毕模型是将上述状态数据作为说明变量，并将基于在一个上述工具中达到寿命之前加工上述工件的第一加工次数的第一剩余加工次数作为目的变量，使用包含上述说明变量以及上述目的变量的多个训练数据集来进行机械学习而生成的多个学习完毕模型；以及

剩余加工次数预测部，构成为基于上述状态数据从多个上述学习完毕模型中选择一个上述学习完毕模型，并使用上述一个上述学习完毕模型和上述状态数据，来预测第二剩余加工次数，该上述第二剩余加工次数基于能够在预测对象工具达到寿命之前加工上述工件的预测出的第二加工次数。

2.根据权利要求1所述的预测对象工具的寿命预测系统，其中，

上述剩余加工次数预测部构成为：对上述预测对象工具，获取有关最近的上述工件的多次的量的加工的上述状态数据、以及与上述最近的加工次数相同的利用上述工具进行的实际加工次数；

基于获取到的上述状态数据以及上述实际加工次数来选择上述一个学习完毕模型。

3.根据权利要求2所述的预测对象工具的寿命预测系统，其中，

上述剩余加工次数预测部构成为：

对伴随着利用上述预测对象的工具进行的上述实际加工次数的增加的上述状态数据的第一变迁、和上述多个训练数据集中的伴随着利用上述工具进行的加工次数的增加的上述状态数据的第二变迁进行比较，

基于比较，选择由上述多个训练数据集中具有与上述第一变迁相似度最高的上述第二变迁的一个训练数据集生成的上述一个学习完毕模型，

使用选择出的上述一个学习完毕模型和上述状态数据来预测上述第二剩余加工次数。

4.根据权利要求3所述的预测对象工具的寿命预测系统，其中，

上述剩余加工次数预测部构成为上述第一变迁是伴随着上述实际加工次数的增加的上述状态数据的多个特征量的变迁，上述第二变迁是上述训练数据集中的伴随着上述加工次数的增加的上述状态数据的多个特征量的变迁。

5.根据权利要求4所述的预测对象工具的寿命预测系统，其中，

对于上述相似度而言，在将上述特征量表示为维的要素的特征量空间中，对上述训练数据集中的伴随着上述加工次数的增加的上述状态数据的多个特征量的组合、和伴随着上述实际加工次数的增加的上述状态数据的多个特征量的组合进行比较，上述特征量空间中的相当于距离的值越小则判断为相似度越高。

6.根据权利要求5所述的预测对象工具的寿命预测系统，其中，

上述相似度使用欧几里得距离、马哈拉诺比斯距离、曼哈顿距离、切比雪夫距离中的任意一个来判断。

7.根据权利要求1至6中任一项所述的预测对象工具的寿命预测系统，其中，

在一个种类的多个上述工具中，通过对一个上述工具生成一个上述学习完毕模型，来生成多个上述学习完毕模型，

上述学习完毕模型存储部构成为通过视为相同种类且各个上述工具的工具寿命为不同的工具寿命，分别存储针对各个上述工具的上述学习完毕模型，来按多个工具寿命中的每一个工具寿命存储上述学习完毕模型。

8.根据权利要求1至7中任一项所述的预测对象工具的寿命预测系统，其中，

上述加工机械主体是构成为使用旋转工具来进行上述工件的切削或者研磨的加工机械主体，

上述状态数据包含旋转驱动上述旋转工具的马达中的驱动负载数据。

9.根据权利要求8所述的预测对象工具的寿命预测系统，其中，

上述加工机械主体是构成为使用上述旋转工具一边使上述工件旋转一边进行上述工件的切削或者研磨的加工机械主体，

上述状态数据还包含旋转驱动上述工件的马达中的驱动负载数据。

10.根据权利要求1至9中任一项所述的预测对象工具的寿命预测系统，其中，

上述工具寿命预测系统还具备显示装置，该显示装置显示预测出的上述第二剩余加工次数。

11.根据权利要求10所述的预测对象工具的寿命预测系统，其中，

上述显示装置构成为还显示多个上述学习完毕模型中的用于上述第二剩余加工次数的预测的上述学习完毕模型。

12.根据权利要求1至11中任一项所述的预测对象工具的寿命预测系统，其中，

上述工具寿命预测系统还具备模型生成部，该模型生成部构成为通过使用包含上述说明变量以及上述目的变量的上述训练数据集进行机械学习，来按多个上述工具寿命中的每一个工具寿命生成上述多个学习完毕模型。

Images