JP2018144207A - 仕上げ加工量予測装置及び機械学習装置 - Google Patents

仕上げ加工量予測装置及び機械学習装置 Download PDF

Info

Publication number
JP2018144207A
JP2018144207A JP2017044274A JP2017044274A JP2018144207A JP 2018144207 A JP2018144207 A JP 2018144207A JP 2017044274 A JP2017044274 A JP 2017044274A JP 2017044274 A JP2017044274 A JP 2017044274A JP 2018144207 A JP2018144207 A JP 2018144207A
Authority
JP
Japan
Prior art keywords
finishing
learning
machine
amount
accuracy
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
JP2017044274A
Other languages
English (en)
Other versions
JP6499689B2 (ja
Inventor
宏充 門倉
Hiromitsu Kadokura
宏充 門倉
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 JP2017044274A priority Critical patent/JP6499689B2/ja
Priority to EP18156299.2A priority patent/EP3372342B1/en
Priority to US15/908,893 priority patent/US10921789B2/en
Priority to TW107106729A priority patent/TWI709089B/zh
Priority to KR1020180026352A priority patent/KR20180103002A/ko
Priority to CN201810186456.XA priority patent/CN108573310B/zh
Publication of JP2018144207A publication Critical patent/JP2018144207A/ja
Application granted granted Critical
Publication of JP6499689B2 publication Critical patent/JP6499689B2/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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31407—Machining, work, process finish time estimation, calculation
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36219—Calculate machining information, like time, surface to be machined from program
    • 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
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Feedback Control In General (AREA)

Abstract

【課題】加工面の精度出しをする仕上げ加工において計測結果に基づいて仕上げ加工量を予測する仕上げ加工量予測装置及び機械学習装置を提供すること。
【解決手段】本発明の仕上げ加工量予測装置１０は、部品の各部分の仕上げ加工量を学習する機械学習装置２０を備え、該機械学習装置２０は、仕上げ加工における部品の各部分の仕上げ加工量を示す仕上げ加工量データ、及び該仕上げ加工前に測定される該部品が取り付けられた機械の各部分の精度を示す精度データを、環境の現在状態を表す状態変数として観測する状態観測部２２と、前記仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データを取得する判定データ取得部２４と、状態変数と判定データとを用いて、部品の各部分の仕上げ加工量を精度データと関連付けて学習する学習部２６と、を備える。
【選択図】図１

Description

本発明は、仕上げ加工量予測装置及び機械学習装置に関する。
極端な高精度が必要な部品の仕上げを行う際に、熟練した作業員により手加工が行われることがある。
一例として、ワイヤ放電加工機の例を示す。図９は、ワイヤ放電加工機の加工槽の断面図である。ワイヤ放電加工機を設置する際に、加工槽１内に配置されたワークを載置するテーブル２の上面は可能な限り平面且つ水平になっていることが望ましいが、工場の床面の傾斜やその他の要因により、そのまま設置したのではテーブル２の上面が水平や平面度を保てない場合がある。このような場合、テーブル２の上部を取り外し、テーブル２の下部へと取り付けた際にテーブル２の上面が水平になるようにテーブル２の上部の取り付け面を研磨する。
この時、作業者はテーブル２の上面の各部についてあらかじめ定めた基準位置からのズレ量を距離センサなどの測定装置を用いて計測し、その計測結果を見た作業員が経験に基づいてテーブル２の上部の取り付け面の各部分をどのくらい研磨すればよいかを判断し、判断した結果に基づいてテーブル２の上部の取り付け面の各部分を研磨する。図１０は、測定装置により計測されたテーブル２の上面の各部分の基準位置からのズレ量及びテーブル２の上部の取り付け面の各部分を研磨する回数を例示する図である。
また、他の例として、工作機械のガイドのきさげの例を示す。一般に、工作機械は、ベッド上に少なくとも１つの移動台が直交２軸方向や直交３軸方向に移動可能に設けられている。一方で、工作機械を構成する各構造物は、安定した加工を実現するために相当な重量を有しており、各構造物を組み立てた際に、各構造物の自重や各構造物の間に働く力によりこれらが変形するという現象を生じる。例えば、図１１に示すように、ベッド３上に設けられたテーブル５をレール４に沿ってＸ軸方向へと移動させると、レール４の端部がテーブル５とテーブル５の上に載置されたワークの重みでガイドが弾性変形し、テーブル５がまっすぐに移動しないという事態が発生する。
そこで、作業者はテーブル５を移動させた際のテーブルのＺ軸方向でのあらかじめ定めた基準位置からのズレ量を距離センサなどの測定装置を用いて計測し、その計測結果を見た作業員が経験に基づいてレール４の上部の各部分をどのくらいきさげすればよいかを判断し、図１２に示すようにレール４の上部の各部分を研磨する（特許文献１など）。このきさげにより、テーブル５はまっすぐに移動するようになる。
特開平１０−１５６７１５号公報
上記したような研磨やきさげなどの仕上げ加工を行う場合、単純に測定装置で計測した基準位置からのズレ量の分だけ各部分の仕上げ加工を行ったとしても、各部分が機械の構成や他の部分に為された仕上げ加工の影響を受けるため、想定している精度での仕上げ加工が実現できないという課題がある。
そこで本発明の目的は、加工面の精度出しをする仕上げ加工において計測結果に基づいて仕上げ加工量を予測する仕上げ加工量予測装置及び機械学習装置を提供することである。
本発明の一態様は、機械に取り付けられる部品の各部分の仕上げ加工を行う場合の該部品の各部分の仕上げ加工量を予測する仕上げ加工量予測装置であって、前記仕上げ加工における部品の各部分の仕上げ加工量を学習する機械学習装置を備え、前記機械学習装置は、前記仕上げ加工における部品の各部分の仕上げ加工量を示す仕上げ加工量データ、及び該仕上げ加工の開始前に測定される該部品を取り付けた機械の各部分の精度を示す精度データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記仕上げ加工における部品の各部分の仕上げ加工量を前記精度データと関連付けて学習する学習部と、を備える仕上げ加工量予測装置である。
本発明の他の態様は、機械に取り付けられる部品の各部分の仕上げ加工を行う場合の該部品の各部分の仕上げ加工量を学習する機械学習装置において、前記仕上げ加工における部品の各部分の仕上げ加工量を示す仕上げ加工量データ、及び該仕上げ加工の開始前に測定される該部品を取り付けた機械の各部分の精度を示す精度データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記仕上げ加工における部品の各部分の仕上げ加工量を前記精度データと関連付けて学習する学習部と、を備える機械学習装置である。
本発明により、加工面の精度出しをする仕上げ加工において計測結果に基づいて各部分の仕上げ加工量を自動的に予測することが可能になる。
第１の実施形態による仕上げ加工量予測装置の概略的な機能ブロック図である。 仕上げ加工量予測装置の一形態を示す概略的な機能ブロック図である。 機械学習方法の一形態を示す概略的なフローチヤートである。 仕上げ加工量予測装置の他の形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 第２の実施形態による仕上げ加工量予測装置の概略的な機能ブロック図である。 組立システムの一形態を示す概略的な機能ブロック図である。 組立システムの他の形態を示す概略的な機能ブロック図である。 ワイヤ放電加工機の加工槽の断面図である。 測定装置により計測されたテーブル２の上面の各部分の基準位置からのズレ量及びテーブル２の上部の取り付け面の各部分を研磨する回数を例示する図である 工作機械のテーブルの移動のズレを例示する図である。 きさげによりズレが補正された工作機械のテーブルの移動を例示する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は、第１の実施形態による仕上げ加工量予測装置１０の概略的な機能ブロック図である。仕上げ加工量予測装置１０は、極端な高精度が必要な部品の仕上げを行う際の、当該部品の各部に対する仕上げ加工量（研磨回数、研磨量、きさげ回数など）を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含む機械学習装置２０を備える。仕上げ加工量予測装置１０が備える機械学習装置２０が学習する部品の各部に対する仕上げ加工量は、当該部品が取り付けられて使用される機械の各部分の精度（基準位置とのズレ）と、当該部品の各部に対する仕上げ加工量との、相関性を表すモデル構造に相当する。
図１に機能ブロックで示すように、仕上げ加工量予測装置１０が備える機械学習装置２０は、仕上げ加工の対象となる部品（図示せず）に対して為される該部品の各部分の仕上げ加工量を示す仕上げ加工量データＳ１と、仕上げ加工の対象となる部品（図示せず）が取り付けられた機械（図示せず）の各部分の精度データＳ２を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部２２と、仕上げ加工が為された部品が機械に取り付けられた状態での該機械の各部分の精度の適否判定結果を示す判定データＤを取得する判定データ取得部２４と、状態変数Ｓと判定データＤとを用いて、仕上げ加工量データＳ１に部品の各部分の仕上げ加工量を精度データＳ２と関連付けて学習する学習部１６とを備える。
状態観測部２２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。状態観測部２２が観測する状態変数Ｓのうち、仕上げ加工量データＳ１は、例えば熟練した作業者により申告されて仕上げ加工量予測装置１０に与えられる仕上げ加工量の申告データから取得できる。仕上げ加工量データＳ１は、例えば、部品の各部に対する研磨回数、研磨量、きさげ回数などの仕上げ加工量を含む。
また状態変数Ｓのうち、精度データＳ２は、仕上げ加工の対象となる部品を機械に対して取り付けた状態で、例えば当該機械に付設される第１の測定装置（図示せず）により実測することで取得できる。
第１の測定装置は例えば、仕上げ加工の対象となる部品がワイヤ放電加工機のテーブルである場合には、該テーブルが取り付けられた状態で該テーブルの上面に設けられている複数のマークの位置を測定したり、該テーブルの四隅の位置を測定したり、該テーブルの上面に存在する他の複数の着目可能点（既存又は後付け）の位置を測定したりすることができる。また、第１の測定装置は例えば、仕上げ加工の対象となる部品が工作機械のテーブルを摺動させるレールである場合には、該レールにテーブルが載置された状態で該テーブルを複数の座標へと移動させ、それぞれの座標におけるテーブルの位置を測定したりすることができる。第１の測定装置は、それら測定箇所の実測位置と当該測定箇所の予め定めた基準位置との差を求め、求めた差から、仕上げ加工の対象となる部品（図示せず）が取り付けられた機械の各部分の精度データＳ２を演算できる。この演算は、例えば仕上げ加工量予測装置１０が行ったり、状態観測部２２自体が行ったりすることもできる。第１の測定装置としては、赤外線レーザ、超音波、静電容量等を用いた非接触式変位計や、接触子を有する接触式変位計等を採用できる。
判定データ取得部２４は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは判定データ取得部２４は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。判定データ取得部２４が取得する判定データＤは、部品に対して仕上げ加工が為された後に該部品を機械に対して取り付けた状態で、例えば当該機械に付設される第１の測定装置により実測することで取得できる。判定データＤは、状態変数Ｓの下で仕上げ加工を実行したときの結果を表す指標であって、仕上げ加工が行われた環境の現在状態を間接的に表すものである。
このように、仕上げ加工量予測装置１０が備える機械学習装置２０が学習を進める間、環境においては、第１の測定装置により仕上げ加工の対象となる部品が取り付けられた機械の各部分の精度の測定、該部品に対する仕上げ加工の実施、及び第１の測定装置による仕上げ加工後の部品が取り付けられた機械の各部分の精度の再測定が実施される。
学習部２６は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは学習部２６は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。学習部２６は、機械学習と総称される任意の学習アルゴリズムに従い、仕上げ加工の対象となる部品に対して為される該部品の各部分の仕上げ加工量を学習する。学習部２６は、仕上げ加工の対象となる複数の部品に対して、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。複数の部品に対する学習サイクルの反復中、状態変数Ｓのうち仕上げ加工量データＳ１は、前回までの学習サイクルで得た仕上げ加工量の値とし、また判定データＤは、当該決定した仕上げ加工量に基づく仕上げ加工に対する適否判定結果とする。
このような学習サイクルを繰り返すことにより、学習部２６は、機械の各部分の精度（精度データＳ２）と部品の各部に対する仕上げ加工量との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には精度データＳ２と部品の各部分の仕上げ加工量との相関性は実質的に未知であるが、学習部２６は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。精度データＳ２と部品の各部分の仕上げ加工量との相関性が、ある程度信頼できる水準まで解釈されると、学習部２６が反復出力する学習結果は、現在状態の(つまり基準位置からのズレを有する)機械の部品に対して該部品の各部分の仕上げ加工量をどのようにするべきかと言う行動の選択（つまり意思決定）を行うために使用できるものとなる。つまり学習部２６は、学習アルゴリズムの進行に伴い、仕上げ加工の対象となる部品の現在状態と、当該現在状態の部品に各部分に対してどの程度の加工量の仕上げ加工をするべきかという行動との、相関性を最適解に徐々に近づけることができる。
上記したように、仕上げ加工量予測装置１０が備える機械学習装置２０は、状態観測部２２が観測した状態変数Ｓと判定データ取得部２４が取得した判定データＤとを用いて、学習部２６が機械学習アルゴリズムに従い、仕上げ加工の対象となる部品の各部分の仕上げ加工量を学習するものである。状態変数Ｓは、仕上げ加工量データＳ１及び精度データＳ２といった、外乱の影響を受け難いデータで構成され、また判定データＤは、仕上げ加工後の部品を機械に取り付けることにより一義的に求められる。精度データＳ２については、例えば第１の測定装置の能力としての機械の各部の測定精度に依存するが、それ自体高精度の精度データＳ２を観測できることが期待される。また判定データＤについても同様に、第１の測定装置の測定精度に依存して、高精度の判定データＤを取得できることが期待される。したがって、仕上げ加工量予測装置１０が備える機械学習装置２０によれば、学習部２６の学習結果を用いることで、部品が取り付けられた機械の各部分の精度に応じた該部品の各部分の仕上げ加工量を、演算や目算によらずに自動的に、しかも正確に求めることができるようになる。
部品の各部分の仕上げ加工量を、演算や目算によらずに自動的に求めることができれば、部品の仕上げ加工の開始前に該部品を取り付けた機械の各部分の位置を実測して基準位置からのズレ（精度データＳ２）を取得するだけで、部品の各部分の仕上げ加工量を迅速に決定することができる。したがって、部品対する仕上げ加工の速度を向上させることができる。
仕上げ加工量予測装置１０が備える機械学習装置２０の一変形例として、状態観測部２２は、状態変数Ｓとして、対象となる部品の品種を識別する品種情報Ｓ３をさらに観測することができる。品種情報Ｓ３は例えば、機械の種類、部品の種類等の情報を含むことができる。品種情報Ｓ３はさらに、部品の製造ロット番号や製造企業の識別情報を含むこともできる。例えば品種情報Ｓ３を、バーコード等の識別子で部品に表示したりすることができる。状態観測部２２は例えば、バーコードリーダの出力から品種情報Ｓ３を取得できる。学習部２６は、部品の各部分の仕上げ加工量を、精度データＳ２及び品種情報Ｓ３の双方と関連付けて学習することができる。
上記変形例によれば、部品を取り付けた機械の各部分の基準位置からのズレと品種との双方に応じた最適な部品の各部分の仕上げ加工量を学習することができる。例えば２つの部品に関する機械の各部分の基準位置からのズレ（精度データＳ２）が同一であっても当該部品の材料等（品種情報Ｓ３）が異なる場合、部品の各部分の仕上げ加工量の程度が、微妙に異なる状況が生じ得る。上記構成によれば、このような状況においても材料等（品種情報Ｓ３）に応じて部品の各部分の仕上げ加工量を最適化することができる。或いは、学習を進めるうちに機械の各部分の基準位置からのズレ（精度データＳ２）と部品の材料等（品種情報Ｓ３）との相関性を見出すことができる場合もある。この場合には、品種情報Ｓ３から精度データＳ２をある程度予測できるようになるので、第１の測定装置による機械の各部分の測定精度が低い場合であっても、学習を適正に収束させて部品の各部分の仕上げ加工量を最適化することができる。
仕上げ加工量予測装置１０が備える機械学習装置２０の他の変形例として、学習部２６は、同一の機械構成を有する複数の機械のそれぞれについて得られた状態変数Ｓ及び判定データＤを用いて、それら機械のそれぞれにおける部品の各部分の仕上げ加工量を学習することができる。この構成によれば、一定時間で得られる状態変数Ｓと判定データＤとを含むデータ集合の量を増加できるので、より多様なデータ集合を入力として、部品の各部分の仕上げ加工量の学習の速度や信頼性を向上させることができる。
上記構成を有する機械学習装置２０では、学習部２６が実行する学習アルゴリズムは特に限定されず、例えば教師あり学習、教師なし学習、強化学習、ニューラルネットワーク等の、機械学習として公知の学習アルゴリズムを採用できる。図２は、図１に示す仕上げ加工量予測装置１０の一形態であって、学習アルゴリズムの一例として強化学習を実行する学習部２６を備えた構成を示す。強化学習は、学習対象が存在する環境の現在状態（つまり入力）を観測するとともに現在状態で所定の行動（つまり出力）を実行し、その行動に対し何らかの報酬を与えるというサイクルを試行錯誤的に反復して、報酬の総計が最大化されるような方策（本願の機械学習装置では部品の各部分の仕上げ加工量）を最適解として学習する手法である。
図２に示す仕上げ加工量予測装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓに基づいて仕上げ加工をすることにより得られる仕上げ加工された部品が取り付けられた機械の各部分の精度の適否判定結果（次の学習サイクルで用いられる判定データＤに相当）に関連する報酬Ｒを求める報酬計算部２８と、報酬Ｒを用いて、仕上げ加工の実行時に採用される部品の各部分の仕上げ加工量の価値を表す関数Ｑを更新する価値関数更新部３０とを備える。学習部２６は、価値関数更新部３０が関数Ｑの更新を繰り返すことによって部品の各部分の仕上げ加工量を学習する。
学習部２６が実行する強化学習のアルゴリズムの一例を説明する。この例によるアルゴリズムは、Ｑ学習（Ｑ−ｌｅａｒｎｉｎｇ）として知られるものであって、行動主体の状態ｓと、その状態ｓで行動主体が選択し得る行動ａとを独立変数として、状態ｓで行動ａを選択した場合の行動の価値を表す関数Ｑ（ｓ，ａ）を学習する手法である。状態ｓで価値関数Ｑが最も高くなる行動ａを選択することが最適解となる。状態ｓと行動ａとの相関性が未知の状態でＱ学習を開始し、任意の状態ｓで種々の行動ａを選択する試行錯誤を繰り返すことで、価値関数Ｑを反復して更新し、最適解に近付ける。ここで、状態ｓで行動ａを選択した結果として環境（つまり状態ｓ）が変化したときに、その変化に応じた報酬（つまり行動ａの重み付け）ｒが得られるように構成し、より高い報酬ｒが得られる行動ａを選択するように学習を誘導することで、価値関数Ｑを比較的短時間で最適解に近付けることができる。
価値関数Ｑの更新式は、一般に下記の数１式のように表すことができる。数１式において、ｓt及びａtはそれぞれ時刻ｔにおける状態及び行動であり、行動ａtにより状態はｓt+1に変化する。ｒt+1は、状態がｓtからｓt+1に変化したことで得られる報酬である。ｍａｘＱの項は、時刻ｔ＋１で最大の価値Ｑになる（と時刻ｔで考えられている）行動ａを行ったときのＱを意味する。α及びγはそれぞれ学習係数及び割引率であり、０＜α≦１、０＜γ≦１で任意設定される。
Figure 2018144207
学習部１６がＱ学習を実行する場合、状態観測部２２が観測した状態変数Ｓ及び判定データ取得部２４が取得した判定データＤは、更新式の状態ｓに該当し、現在状態の（つまり基準位置からのズレを有する）機械の部品に対して該部品の各部分の仕上げ加工量をどのように変更するべきかという行動は、更新式の行動ａに該当し、報酬計算部２８が求める報酬Ｒは、更新式の報酬ｒに該当する。よって価値関数更新部３０は、現在状態の部品の各部分の仕上げ加工量の価値を表す関数Ｑを、報酬Ｒを用いたＱ学習により繰り返し更新する。
報酬計算部２８が求める報酬Ｒは、例えば、部品の各部分の仕上げ加工量決定後に該仕上げ加工量に基づいて仕上げ加工を実行したときに、仕上げ加工後の部品を取り付けた機械の各部分の精度が「適」と判定される場合（つまり、仕上げ加工後の部品を取り付けた機械の各部分の基準位置からのズレが許容範囲に収まる場合）に正（プラス）の報酬Ｒとし、部品の各部分の仕上げ加工量決定に該仕上げ加工量に基づいて仕上げ加工を実行したときに、仕上げ加工後の部品を取り付けた機械の各部分の精度が「否」と判定される場合（つまり、仕上げ加工後の部品を取り付けた機械の各部分の基準位置からのズレが許容範囲を超える場合）に負（マイナス）の報酬Ｒとすることができる。正負の報酬Ｒの絶対値は、互いに同一であってもよいし異なっていてもよい。
このとき、仕上げ加工後の部品を取り付けた機械の各部分のそれぞれについて、基準位置からのズレが許容範囲に収まるか否かを判定して、全ての部分について基準位置からのズレが許容範囲に収まる場合に「適」と判定するようにしても良いし、機械の各部分の基準位置からのズレの総和が許容範囲に収まる場合に「適」と判定するようにしても良い。また、これらを組み合わせて判定するようにしても良い。
また、部品を取り付けた機械の各部分の精度の適否判定結果を、「適」及び「否」の二通りだけでなく、位置のズレの大きさに応じて複数段階に設定することができる。例として、許容範囲の最大値がＴmaxの場合、仕上げ加工をした後の部品を取り付けた機械の各部分の基準位置からのズレＵが、０≦Ｕ＜Ｔmax／５のときは報酬Ｒ＝５を与え、Ｔmax／５≦Ｕ＜Ｔmax／２のときは報酬Ｒ＝２を与え、Ｔmax／２≦Ｕ≦Ｔmaxのときは報酬Ｒ＝１を与えるような構成とすることができる。さらに、学習の初期段階はＴmaxを比較的大きく設定し、学習が進行するにつれてＴmaxを縮小する構成とすることもできる。
価値関数更新部３０は、状態変数Ｓと判定データＤと報酬Ｒとを、関数Ｑで表される行動価値（例えば数値）と関連付けて整理した行動価値テーブルを持つことができる。この場合、価値関数更新部３０が関数Ｑを更新するという行為は、価値関数更新部３０が行動価値テーブルを更新するという行為と同義である。Ｑ学習の開始時には環境の現在状態と部品の各部分の仕上げ加工量との相関性は未知であるから、行動価値テーブルにおいては、種々の状態変数Ｓと判定データＤと報酬Ｒとが、無作為に定めた行動価値の値（関数Ｑ）と関連付けた形態で用意されている。なお報酬計算部２８は、判定データＤが分かればこれ対応する報酬Ｒを直ちに算出でき、算出した値Ｒが行動価値テーブルに書き込まれる。
部品を取り付けた機械の各部分の精度の適否判定結果に応じた報酬Ｒを用いてＱ学習を進めると、より高い報酬Ｒが得られる行動を選択する方向へ学習が誘導され、選択した行動を現在状態で実行した結果として変化する環境の状態（つまり状態変数Ｓ及び判定データＤ）に応じて、現在状態で行う行動についての行動価値の値（関数Ｑ）が書き替えられて行動価値テーブルが更新される。この更新を繰り返すことにより、行動価値テーブルに表示される行動価値の値（関数Ｑ）は、適正な行動ほど大きな値となるように書き換えられる。このようにして、未知であった環境の現在状態（部品を取り付けた機械の各部分の精度）とそれに対する行動（部品の各部分の仕上げ加工量の決定）との相関性が徐々に明らかになる。つまり行動価値テーブルの更新により、部品の仕上げ加工の開始前に部品を取り付けた機械の各部分に生じているズレの状態と、部品の各部分の仕上げ加工量との関係が最適解に徐々に近づけられる。
図３を参照して、学習部２６が実行する上記したＱ学習のフロー（つまり機械学習方法の一形態）をさらに説明する。まずステップＳＡ０１で、価値関数更新部３０は、その時点での行動価値テーブルを参照しながら、状態観測部２２が観測した状態変数Ｓが示す現在状態で行う行動として部品の各部分の仕上げ加工量を無作為に選択する。次に価値関数更新部３０は、ステップＳＡ０２で、状態観測部２２が観測している現在状態の状態変数Ｓを取り込み、ステップＳＡ０３で、判定データ取得部２４が取得している現在状態の判定データＤを取り込む。次に価値関数更新部３０は、ステップＳＡ０４で、判定データＤに基づき、仕上げ加工における部品の各部分の仕上げ加工量が適当であったか否かを判断し、適当であった場合、ステップＳＡ０５で、報酬計算部２８が求めた正の報酬Ｒを関数Ｑの更新式に適用し、次いでステップＳＡ０６で、現在状態における状態変数Ｓ及び判定データＤと報酬Ｒと行動価値の値（更新後の関数Ｑ）とを用いて行動価値テーブルを更新する。ステップＳＡ０４で、仕上げ加工における部品の各部分の仕上げ加工量が適当でなかったと判断した場合、ステップＳＡ０７で、報酬計算部２８が求めた負の報酬Ｒを関数Ｑの更新式に適用し、次いでステップＳＡ０６で、現在状態における状態変数Ｓ及び判定データＤと報酬Ｒと行動価値の値（更新後の関数Ｑ）とを用いて行動価値テーブルを更新する。学習部２６は、ステップＳＡ０１〜ＳＡ０７を繰り返すことで行動価値テーブルを反復して更新し、部品の各部分の仕上げ加工量の学習を進行させる。
図４は、図１に示す仕上げ加工量予測装置１０の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部２６を備えた構成を示す。教師あり学習は、入力と出力との関係が未知の状態で学習を開始する前述した強化学習と異なり、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデル（本願の機械学習装置２０では部品の各部分の仕上げ加工量)を学習する手法である。
図４に示す仕上げ加工量予測装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓ及び判定データＤから部品の各部分の仕上げ加工量を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３４とを備える。学習部２６は、モデル更新部３４が相関性モデルＭの更新を繰り返すことによって部品の各部分の仕上げ加工量を学習する。
相関性モデルＭの初期値は、例えば、状態変数Ｓ及び判定データＤと部品の各部分の仕上げ加工量との相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部２６に与えられる。教師データＴは、例えば、過去の部品に対する仕上げ加工において熟練の作業者が決定した部品の各部分の仕上げ加工量を記録することで蓄積された経験値（部品を取り付けた機械の各部分の精度と対応する部品の各部分の仕上げ加工量との既知のデータセット）によって構成でき、教師あり学習の開始前に学習部２６に与えられる。誤差計算部３２は、学習部２６に与えられた大量の教師データＴから部品を取り付けた機械の各部分の精度と部品の各部分の仕上げ加工量との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及び判定データＤに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。
次の学習サイクルでは、誤差計算部３２は、更新後の相関性モデルＭに従って実装工程を試行することにより変化した状態変数Ｓ及び判定データＤを用いて、それら変化した状態変数Ｓ及び判定データＤに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（部品を取り付けた機械の各部分の精度）とそれに対する行動（部品の各部分の仕上げ加工量）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、部品に対する仕上げ加工の開始前に部品を取り付けた機械の各部に生じている基準位置からのズレの状態と、当該基準位置からのズレを解消するべく該部品に対して為される仕上げ加工における部品の各部分の仕上げ加工量との関係が、最適解に徐々に近づけられる。
なお、仕上げ加工量予測装置１０が備える機械学習装置２０では、学習の初期段階は学習部２６が教師あり学習を実行し、学習がある程度進行した段階で、教師あり学習で得た部品の各部分の仕上げ加工量を初期値として学習部２６が強化学習を実行するように構成することもできる。強化学習における初期値がある程度の信頼性を有しているので、前述したような高精度の仕上げ加工が要求される場合にも比較的迅速に最適解に到達することができる。
前述した強化学習や教師あり学習を進める際に、例えばＱ学習の代わりに、ニューラルネットワークを用いることができる。図５Ａは、ニューロンのモデルを模式的に示す。図５Ｂは、図５Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。
図５Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する結果ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の数２式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆkは活性化関数である。
Figure 2018144207
図５Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。
図５Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みｗ１と重みｗ２との間の特徴を表す。
図５Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みｗ２と重みｗ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
仕上げ加工量予測装置１０が備える機械学習装置２０においては、状態変数Ｓと判定データＤとを入力ｘとして、学習部２６が上記したニューラルネットワークに従う多層構造の演算を行うことで、部品の各部分の仕上げ加工量（結果ｙ）を出力することができる。なおニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みｗを学習し、学習した重みｗを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。
上記した仕上げ加工量予測装置１０の構成は、コンピュータのＣＰＵが実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、部品の仕上げ加工を行う際の、該部品の各部分の仕上げ加工量を学習する機械学習方法であって、コンピュータのＣＰＵが、部品に対する仕上げ加工における該部品の各部分の仕上げ加工量を示す仕上げ加工量データＳ１、及び仕上げ加工の対象となる部品を取り付けた機械の各部分の精度を示す精度データＳ２を、部品の仕上げ加工が行われる環境の現在状態を表す状態変数Ｓとして観測するステップと、仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データＤを取得するステップと、状態変数Ｓと判定データＤとを用いて、部品の各部分の仕上げ加工量を精度データＳ２と関連付けて学習するステップとを有する。
図６は、第２の実施形態による仕上げ加工量予測装置４０を示す。仕上げ加工量予測装置４０は、機械学習装置５０と、状態観測部２２が観測する状態変数Ｓの仕上げ加工量データＳ１及び精度データＳ２を状態データＳ０として取得する状態データ取得部４２とを備える。状態データ取得部４２が取得する状態データＳ０は、品種情報Ｓ３を含むこともできる。状態データ取得部４２は、機械に付設される前述した第１の測定装置や、作業者による適宜のデータ入力から、状態データＳ０を取得することができる。
仕上げ加工量予測装置４０が有する機械学習装置５０は、部品に対する仕上げ加工における該部品の各部分の仕上げ加工量を機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）に加えて、学習した部品の各部分の仕上げ加工量を表示、又は該仕上げ加工を行う産業機械への指令として出力するためのソフトウェア（演算アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含むものである。仕上げ加工量予測装置４０が含む機械学習装置５０は、１つの共通のＣＰＵが、学習アルゴリズム、演算アルゴリズム等の全てのソフトウェアを実行する構成を有することもできる。
意思決定部５２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは意思決定部５２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。意思決定部５２は、学習部２６が学習した部品の各部分の仕上げ加工量を、例えば図１０下に例示した取り量などとして作業者に表示したり、又は学習部２６が学習した部品の各部分の仕上げ加工量に基づいて仕上げ加工を行う産業機械への指令値Ｃを生成し、生成した指令値Ｃとして出力する。意思決定部５２が部品の各部分の仕上げ加工量を表示し、これに基づいた作業屋による仕上げ加工が行われた場合、また、意思決定部５２が産業機械に対して指令値Ｃを出力した場合、これに応じて、環境の状態（仕上げ加工量データＳ１）が変化する。
状態観測部２２は、意思決定部５２による環境への部品の各部分の仕上げ加工量の表示、または出力後に変化した仕上げ加工量データＳ１を含む状態変数Ｓを次の学習サイクルにおいて観測する。学習部２６は、変化した状態変数Ｓを用いて、例えば価値関数Ｑ（すなわち行動価値テーブル）を更新することで、部品の各部分の仕上げ加工量を学習する。意思決定部５２は、学習した部品の各部分の仕上げ加工量の下で状態変数Ｓに応じて部品の各部分の仕上げ加工量の表示、または産業機械への指令値Ｃの出力を行う。このサイクルを繰り返すことにより、機械学習装置５０は部品の各部分の仕上げ加工量の学習を進め、部品の各部分の仕上げ加工量の信頼性を徐々に向上させる。
上記構成を有する仕上げ加工量予測装置４０が備える機械学習装置５０は、前述した機械学習装置２０と同等の効果を奏する。特に機械学習装置５０は、意思決定部５２の出力によって環境の状態を変化させることができる。他方、機械学習装置２０では、学習部２６の学習結果を環境に反映させるための意思決定部に相当する機能を、外部装置（例えば産業機械の制御装置）に求めることができる。
図７は、産業機械６０を備えた一実施形態による組立システム７０を示す。組立システム７０は、同一の機械構成を有する複数の産業機械６０、６０’と、それら産業機械６０、６０’を互いに接続するネットワーク７２とを備え、複数の産業機械６０、６０’のうち少なくとも１つが、上記した仕上げ加工量予測装置４０を備える産業機械６０として構成される。また組立システム７０は、仕上げ加工量予測装置４０を備えない産業機械６０’を含むことができる。産業機械６０、６０’は、機械が供える部品に対する仕上げ加工に必要とされる一般的な産業機械が備える構成を有する。
上記構成を有する組立システム７０は、複数の産業機械６０、６０’のうちで仕上げ加工量予測装置４０を備える産業機械６０が、学習部２６の学習結果を用いて、仕上げ加工の対象となる部品が取り付けられた機械の各部分の精度に応じた該部品の各部分の仕上げ加工量を、演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つの産業機械６０の仕上げ加工量予測装置４０が、他の複数の産業機械６０、６０’のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全ての産業機械６０、６０’に共通する部品の各部分の仕上げ加工量を学習し、その学習結果を全ての産業機械６０、６０’が共有するように構成できる。したがつて組立システム７０によれば、より多様なデータ集合（状態変数Ｓ及び判定データＤを含む）を入力として、部品の各部分の仕上げ加工量の学習の速度や信頼性を向上させることができる。
図８は、産業機械６０’を備えた他の実施形態による組立システム７０’を示す。組立システム７０’は、機械学習装置５０（又は２０）と、同一の機械構成を有する複数の産業機械６０’と、それら産業機械６０’と機械学習装置５０（又は２０）とを互いに接続するネットワーク７２とを備える。
上記構成を有する組立システム７０’は、機械学習装置５０（又は２０）が、複数の産業機械６０’のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全ての産業機械６０’に共通する部品の各部分の仕上げ加工量を学習し、その学習結果を用いて、仕上げ加工の対象となる部品が取り付けられた機械の各部の精度に応じた部品の各部分の仕上げ加工量を、演算や目算によらずに自動的に、しかも正確に求めることができる。
組立システム７０’は、機械学習装置５０（又は２０）が、ネットワーク７２に用意されたクラウドサーバに存在する構成を有することができる。この構成によれば、複数の産業機械６０’のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の産業機械６０’を機械学習装置５０（又は２０）に接続することができる。
組立システム７０、７０’に従事する作業者は、機械学習装置５０（又は２０）による学習開始後の適当な時期に、機械学習装置５０（又は２０）による部品の各部分の仕上げ加工量の学習の到達度（すなわち部品の各部分の仕上げ加工量の信頼性）が要求レベルに達したか否かの判断を実行することができる。
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２０、５０が実行する学習アルゴリズム、機械学習装置５０が実行する演算アルゴリズム、仕上げ加工量予測装置１０、４０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。
１ 加工槽
２ テーブル
３ ベッド
４ レール
５ テーブル
１０ 仕上げ加工量予測装置
１６ 学習部
２０ 機械学習装置
２２ 状態観測部
２４ 判定データ取得部
２６ 学習部
２８ 報酬計算部
３０ 価値関数更新部
３２ 誤差計算部
３４ モデル更新部
４０ 仕上げ加工量予測装置
４２ 状態データ取得部
５０ 機械学習装置
５２ 意思決定部
６０ 産業機械
６０’ 産業機械
７０ 組立システム
７０’ 組立システム
７２ ネットワーク

Claims (8)

  1. 機械に取り付けられる部品の各部分の仕上げ加工を行う場合の該部品の各部分の仕上げ加工量を予測する仕上げ加工量予測装置であって、
    前記仕上げ加工における部品の各部分の仕上げ加工量を学習する機械学習装置を備え、
    前記機械学習装置は、
    前記仕上げ加工における部品の各部分の仕上げ加工量を示す仕上げ加工量データ、及び該仕上げ加工の開始前に測定される該部品を取り付けた機械の各部分の精度を示す精度データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データを取得する判定データ取得部と、
    前記状態変数と前記判定データとを用いて、前記仕上げ加工における部品の各部分の仕上げ加工量を前記精度データと関連付けて学習する学習部と、
    を備える仕上げ加工量予測装置。
  2. 前記状態観測部は、前記状態変数として、前記部品の品種を識別する品種情報をさらに観測し、
    前記学習部は、前記仕上げ加工における部品の各部分の仕上げ加工量を前記精度データ及び前記品種情報の双方と関連付けて学習する、
    請求項１に記載の仕上げ加工量予測装置。
  3. 前記学習部は、
    前記適否判定結果に関連する報酬を求める報酬計算部と、
    前記報酬を用いて、前記仕上げ加工における部品の各部分の仕上げ加工量の価値を表す関数を更新する価値関数更新部とを備える、
    請求項１または２に記載の仕上げ加工量予測装置。
  4. 前記学習部は、
    前記状態変数及び前記判定データから前記仕上げ加工における部品の各部分の仕上げ加工量を導く相関性モデルと予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
    前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
    請求項１または２に記載の仕上げ加工量予測装置。
  5. 前記学習部は、前記状態変数と前記判定データとを多層構造で演算する、
    請求項１〜４のいずれか１つに記載の仕上げ加工量予測装置。
  6. 前記学習部による学習結果に基づいて、前記仕上げ加工における部品の各部分の仕上げ加工量を表示または出力する意思決定部を更に備える、
    請求項１〜５のいずれか１つに記載の仕上げ加工量予測装置。
  7. 前記学習部は、複数の産業機械のそれぞれについて得られた前記状態変数及び前記判定データを用いて、該複数の産業機械のそれぞれにおける前記仕上げ加工における部品の各部分の仕上げ加工量を学習する、
    請求項１〜６のいずれか１つに記載の仕上げ加工量予測装置。
  8. 機械に取り付けられる部品の各部分の仕上げ加工を行う場合の該部品の各部分の仕上げ加工量を学習する機械学習装置において、
    前記仕上げ加工における部品の各部分の仕上げ加工量を示す仕上げ加工量データ、及び該仕上げ加工の開始前に測定される該部品を取り付けた機械の各部分の精度を示す精度データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記仕上げ加工後の部品が取り付けられた機械の各部分の精度の適否判定結果を示す判定データを取得する判定データ取得部と、
    前記状態変数と前記判定データとを用いて、前記仕上げ加工における部品の各部分の仕上げ加工量を前記精度データと関連付けて学習する学習部と、
    を備える機械学習装置。
JP2017044274A 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置 Active JP6499689B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2017044274A JP6499689B2 (ja) 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置
EP18156299.2A EP3372342B1 (en) 2017-03-08 2018-02-12 Finish-machining amount prediction apparatus and method
US15/908,893 US10921789B2 (en) 2017-03-08 2018-03-01 Finish-machining amount prediction apparatus and machine learning device
TW107106729A TWI709089B (zh) 2017-03-08 2018-03-01 精加工量預測裝置及機器學習裝置
KR1020180026352A KR20180103002A (ko) 2017-03-08 2018-03-06 마무리 가공량 예측 장치 및 기계 학습 장치
CN201810186456.XA CN108573310B (zh) 2017-03-08 2018-03-07 精加工量预测装置以及机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017044274A JP6499689B2 (ja) 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置

Publications (2)

Publication Number Publication Date
JP2018144207A true JP2018144207A (ja) 2018-09-20
JP6499689B2 JP6499689B2 (ja) 2019-04-10

Family

ID=61192794

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017044274A Active JP6499689B2 (ja) 2017-03-08 2017-03-08 仕上げ加工量予測装置及び機械学習装置

Country Status (6)

Country Link
US (1) US10921789B2 (ja)
EP (1) EP3372342B1 (ja)
JP (1) JP6499689B2 (ja)
KR (1) KR20180103002A (ja)
CN (1) CN108573310B (ja)
TW (1) TWI709089B (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6661065B1 (ja) * 2019-07-05 2020-03-11 三菱電機株式会社 機械学習装置、ワイヤ放電加工システム、および機械学習方法
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020049817A (ja) * 2018-09-27 2020-04-02 セイコーエプソン株式会社 印刷装置、学習装置、学習方法、及び、プログラム
JP2020070101A (ja) * 2018-11-02 2020-05-07 オムロン株式会社 噛み込み検知システム
CN111942022A (zh) * 2019-05-16 2020-11-17 精工爱普生株式会社 信息处理装置、印刷装置、学习装置以及信息处理方法
CN111942023A (zh) * 2019-05-16 2020-11-17 精工爱普生株式会社 信息处理装置、印刷装置、学习装置以及信息处理方法
WO2021060090A1 (ja) * 2019-09-24 2021-04-01 ダイキン工業株式会社 制御システム
WO2021193663A1 (ja) * 2020-03-25 2021-09-30 シチズン時計株式会社 切削装置及び学習済みモデル生成方法
CN113767404A (zh) * 2019-03-29 2021-12-07 圣戈班磨料磨具有限公司 高效研磨解决方案
US11511320B2 (en) 2019-10-08 2022-11-29 Fanuc Corporation Surface finishing apparatus

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109732450B (zh) * 2019-02-27 2021-02-26 重庆理工大学 一种基于神经网络的叶片抛磨加工方法
JP7057303B2 (ja) * 2019-03-14 2022-04-19 ファナック株式会社 加工シミュレート装置及び加工シミュレートプログラム
JP7302226B2 (ja) * 2019-03-27 2023-07-04 株式会社ジェイテクト 研削盤の支援装置及び支援方法
US11222284B2 (en) * 2019-06-10 2022-01-11 The Boeing Company Laminate nonconformance management system
WO2021001974A1 (ja) * 2019-07-03 2021-01-07 三菱電機株式会社 機械学習装置、数値制御装置、ワイヤ放電加工機および機械学習方法
JP7351702B2 (ja) * 2019-10-04 2023-09-27 ファナック株式会社 ワーク搬送システム
CN115038548A (zh) * 2020-01-31 2022-09-09 发那科株式会社 机器学习装置、加工状态预测装置以及控制装置
JP7486115B2 (ja) * 2020-03-12 2024-05-17 三菱重工業株式会社 低靱性加工物切削装置、低靱性加工物製造方法および低靱性加工物製造プログラム
CN115038549B (zh) * 2020-06-24 2024-03-12 应用材料公司 使用研磨垫磨损补偿的基板层厚度确定
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
KR20220148017A (ko) 2021-04-28 2022-11-04 주식회사 디엔솔루션즈 기계학습 기반 공작기계 이상진단 데이터 수집 시스템 및 수집 방법
US11715300B1 (en) * 2022-01-28 2023-08-01 Robert Bosch Gmbh Systems and methods for providing product assembly step recognition using augmented reality
KR20230158785A (ko) 2022-05-12 2023-11-21 주식회사 디엔솔루션즈 기계학습 기반 공작기계의 수집데이터 동기화 시스템 및 동기화 방법
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106603A (ja) * 1990-08-27 1992-04-08 Toyoda Mach Works Ltd 加工診断装置
JPH04135209A (ja) * 1990-09-27 1992-05-08 Toyoda Mach Works Ltd 数値制御装置の加工条件作成機能の学習方法
JPH0768456A (ja) * 1993-09-03 1995-03-14 Osaka Kiko Co Ltd 修正研磨加工方法
JPH08305424A (ja) * 1995-04-28 1996-11-22 Nippei Toyama Corp カム研削盤
JPH09212218A (ja) * 1996-01-30 1997-08-15 Nippei Toyama Corp 非真円体の研削装置
JP2001022422A (ja) * 1999-07-08 2001-01-26 Kawasaki Heavy Ind Ltd 仕上げ加工方法および仕上げ加工装置
CN101738981A (zh) * 2009-12-04 2010-06-16 清华大学 基于机器学习的机器人磨削方法
JP2017033239A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 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
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017042882A (ja) * 2015-08-27 2017-03-02 ファナック株式会社 加工条件を調整しながら加工を行うワイヤ放電加工機
JP2017045406A (ja) * 2015-08-28 2017-03-02 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制御装置および電動機装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2880569B2 (ja) 1990-09-27 1999-04-12 豊田工機株式会社 加工条件自動作成機能を有する数値制御装置
JPH10156715A (ja) 1996-11-27 1998-06-16 Okuma Mach Works Ltd 研削盤の砥石台及びこの研削盤を用いた研削加工方法
CA2878012A1 (en) * 2012-07-10 2014-01-16 Matitiahu Tiano A modular system for real-time evaluation and monitoring of a machining production-line overall performances calculated from each given workpiece, tool and machine
JP2017030067A (ja) * 2015-07-30 2017-02-09 ファナック株式会社 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
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
CN106002490B (zh) * 2016-05-12 2017-12-26 西北工业大学 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法
CN105867305B (zh) * 2016-05-13 2018-06-12 南京航空航天大学 基于加工特征的复杂结构件数控加工状态实时监控方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106603A (ja) * 1990-08-27 1992-04-08 Toyoda Mach Works Ltd 加工診断装置
JPH04135209A (ja) * 1990-09-27 1992-05-08 Toyoda Mach Works Ltd 数値制御装置の加工条件作成機能の学習方法
JPH0768456A (ja) * 1993-09-03 1995-03-14 Osaka Kiko Co Ltd 修正研磨加工方法
JPH08305424A (ja) * 1995-04-28 1996-11-22 Nippei Toyama Corp カム研削盤
JPH09212218A (ja) * 1996-01-30 1997-08-15 Nippei Toyama Corp 非真円体の研削装置
JP2001022422A (ja) * 1999-07-08 2001-01-26 Kawasaki Heavy Ind Ltd 仕上げ加工方法および仕上げ加工装置
CN101738981A (zh) * 2009-12-04 2010-06-16 清华大学 基于机器学习的机器人磨削方法
JP2017033239A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 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
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017042882A (ja) * 2015-08-27 2017-03-02 ファナック株式会社 加工条件を調整しながら加工を行うワイヤ放電加工機
JP2017045406A (ja) * 2015-08-28 2017-03-02 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制御装置および電動機装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP2020049817A (ja) * 2018-09-27 2020-04-02 セイコーエプソン株式会社 印刷装置、学習装置、学習方法、及び、プログラム
CN110949011A (zh) * 2018-09-27 2020-04-03 精工爱普生株式会社 印刷装置、学习装置以及学习方法
JP2020070101A (ja) * 2018-11-02 2020-05-07 オムロン株式会社 噛み込み検知システム
JP7205751B2 (ja) 2018-11-02 2023-01-17 オムロン株式会社 噛み込み検知システム
CN113767404A (zh) * 2019-03-29 2021-12-07 圣戈班磨料磨具有限公司 高效研磨解决方案
JP2022527942A (ja) * 2019-03-29 2022-06-07 サンーゴバン アブレイシブズ，インコーポレイティド 性能研削ソリューション
CN111942023A (zh) * 2019-05-16 2020-11-17 精工爱普生株式会社 信息处理装置、印刷装置、学习装置以及信息处理方法
CN111942022A (zh) * 2019-05-16 2020-11-17 精工爱普生株式会社 信息处理装置、印刷装置、学习装置以及信息处理方法
JP6661065B1 (ja) * 2019-07-05 2020-03-11 三菱電機株式会社 機械学習装置、ワイヤ放電加工システム、および機械学習方法
JP2021057030A (ja) * 2019-09-24 2021-04-08 ダイキン工業株式会社 制御システム
WO2021060090A1 (ja) * 2019-09-24 2021-04-01 ダイキン工業株式会社 制御システム
US11511320B2 (en) 2019-10-08 2022-11-29 Fanuc Corporation Surface finishing apparatus
JP7368170B2 (ja) 2019-10-08 2023-10-24 ファナック株式会社 表面仕上げ装置
WO2021193663A1 (ja) * 2020-03-25 2021-09-30 シチズン時計株式会社 切削装置及び学習済みモデル生成方法

Also Published As

Publication number Publication date
US20180259946A1 (en) 2018-09-13
JP6499689B2 (ja) 2019-04-10
US10921789B2 (en) 2021-02-16
TW201843620A (zh) 2018-12-16
TWI709089B (zh) 2020-11-01
EP3372342B1 (en) 2021-08-25
KR20180103002A (ko) 2018-09-18
EP3372342A1 (en) 2018-09-12
CN108573310B (zh) 2021-03-12
CN108573310A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
JP6499689B2 (ja) 仕上げ加工量予測装置及び機械学習装置
JP6502983B2 (ja) 洗浄工程最適化装置及び機械学習装置
CN108723889B (zh) 加减速控制装置
JP5969676B1 (ja) 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
JP6652549B2 (ja) 切粉除去装置及び情報処理装置
JP6557285B2 (ja) 制御装置及び機械学習装置
CN107797516A (zh) 数值控制装置
JP6542833B2 (ja) 制御装置及び機械学習装置
KR102224970B1 (ko) 제어 장치 및 기계 학습 장치
JP6767416B2 (ja) 加工条件調整装置及び機械学習装置
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
JP2019185125A (ja) 制御装置及び機械学習装置
JP2019168973A (ja) 駆動装置及び機械学習装置
JP2019141869A (ja) 制御装置及び機械学習装置
JP6813532B2 (ja) シミュレーション装置
JP2019136818A (ja) 制御装置及び機械学習装置
JP2018171684A (ja) ロボットの制御装置、機械学習装置及び機械学習方法
JP6740154B2 (ja) 制御装置及び機械学習装置
JP6940425B2 (ja) 制御装置及び機械学習装置
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム

Legal Events

Date Code Title Description
A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180627

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180827

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180918

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: 20190219

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190315

R150 Certificate of patent or registration of utility model

Ref document number: 6499689

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150