JP2019067137A - 数値制御システム - Google Patents

Abstract

【課題】加工時の工作機械の運転条件や環境条件が異なる場合であっても、該加工に用いる工具の異常状態を検知することが可能な数値制御システムを提供すること。【解決手段】本発明の数値制御システム１は、工作機械の加工運転における条件を指定する条件指定部１１０と、加工運転の状態を示す状態量を検出する状態量検出部１４０と、状態量から加工運転の状態を特徴付ける特徴量を作成する特徴量作成部２１０と、特徴量から加工運転の状態に対する評価値を推論する推論計算部２２０と、評価値に基づいて異常状態を検知する異常検知部４００と、特徴量を用いた機械学習により学習モデルを生成乃至更新する学習モデル生成部５００と、学習モデルを加工運転の条件の組み合わせと関連付けて記憶する学習モデル記憶部３００と、備える。【選択図】図１

Description

本発明は、数値制御システムに関し、特に学習モデルを切り替えて工具の摩耗・折損検知を行う数値制御システムに関する。

工具とワークとを相対的に移動させることによりワークを加工する工作機械（例えばマシニングセンタ、旋盤等）では、ワークの加工中に工具が摩耗し、また、状況によって歯工具が破損することがある。工作機械が加工に用いる摩耗や破損などの工具に不具合が生じると、加工時に主軸の動作異常が発生したりすることでワークの加工精度に直接的な影響が発生する為、作業者は工具の摩耗、破損の状態を判断し、工具の摩耗、破損の状態が許容できる範囲を超えた場合には、工具の交換を行なう。

このような工具の摩耗、破損の状態を判断する従来技術として、例えば特許文献１には、加工中の工具の温度分布を撮像カメラで検出し、検出された温度分布画像に基づいて工具の摩耗状態をいわゆる機械学習器を用いて判断する技術が開示されている。

特開平１１−２６７９４９号公報

しかしながら、工具の摩耗や破損の状態を加工中に外部から観測可能な情報に基づいて判断しようとしても、工具の摩耗時や破損時に外部から観測される加工の状態情報は、加工に用いている工具の種類やワークの材質、主軸回転速度や送り速度などによっても異なるため、これらの様々な状況に対応して利用可能な汎用的な機械学習器（汎用的な学習モデル）を作成することは、様々な状況において検出される多くの状態情報が必要であり困難であるという課題がある。

そこで本発明の目的は、加工時の工作機械の運転条件や環境条件が異なる場合であっても、該加工に用いる工具の異常状態を検知することがより広範に可能な数値制御システムを提供することである。

本発明の数値制御システムでは、加工時の工作機械の運転条件や環境条件によって使用する学習モデルを切り替える機構を設けることにより、上記課題を解決する。本発明の数値制御システムは、複数の学習モデルを持ち、加工時の工作機械の運転条件や環境条件に応じて学習モデルを選択し、選択した学習モデルに対して加工時に検出された状態量に基づく機械学習を行い、また、このようにして作成された学習モデルを、加工時の工作機械の運転条件や環境条件に応じて使い分けて工具の異常検知を行う。

そして、本発明の一態様は、ワークを加工する工作機械の工具の摩耗乃至破損の状態を検知する数値制御システムであって、前記工作機械の加工運転における条件を指定する条件指定部と、前記工作機械による加工運転の状態を示す状態量を検出する状態量検出部と、前記状態量から加工運転の状態を特徴付ける特徴量を作成する特徴量作成部と、前記特徴量から加工運転の状態に対する評価値を推論する推論計算部と、前記評価値に基づいて異常状態を検知する異常検知部と、前記特徴量を用いた機械学習により学習モデルを生成乃至更新する学習モデル生成部と、前記学習モデル生成部が生成した少なくとも１つの学習モデルを前記条件指定部により指定された条件の組み合わせと関連付けて記憶する学習モデル記憶部と、を具備し、前記推論計算部は、前記条件指定部が指定する加工運転における条件に基づいて前記学習モデル記憶部に記憶された学習モデルの中から少なくとも１つの学習モデルを選択的に用いて、加工運転の状態に対する評価値を計算する、数値制御システムである。

本発明の他の態様は、複数の学習モデルのそれぞれを、工作機械の加工運転における条件の組み合わせに関連付けて成る学習モデルセットであって、前記複数の学習モデルのそれぞれは、前記工作機械の加工運転における条件の下で行われる加工運転の状態を示す状態量に基づいて作成された前記加工運転の特徴量を用いて生成乃至更新された学習モデルであり、前記複数の学習モデルのそれぞれは、前記工作機械に設定された条件の下で行われる加工運転における該加工運転の状態に対する評価値を推論するために使用される、学習モデルセットである。

本発明により、加工時の工作機械の運転条件や環境条件に応じて選択された学習モデルを、それぞれの条件において検出された状態量に基づいて機械学習を行なうことができるため、効率の良い機械学習を行うことができ、また、工具の異常検知に加工時の工作機械の運転条件や環境条件に応じて選択された学習モデルを用いるため、工具の異常検知の精度が向上する。

第１の実施形態による数値制御システムの概略的な機能ブロック図である。 第２の実施形態による数値制御システムの概略的な機能ブロック図である。 第３の実施形態による数値制御システムの概略的な機能ブロック図である。 第４の実施形態による数値制御システムの概略的な機能ブロック図である。 第５の実施形態による数値制御システムの概略的な機能ブロック図である。 第５の実施形態による数値制御システムの変形例を示す概略的な機能ブロック図である。 第６の実施形態による数値制御システムの概略的な機能ブロック図である。 数値制御システム上で実行される処理の概略的なフローチャートである。 数値制御システム上で実行される処理の概略的なフローチャートである。 一実施形態による数値制御装置及び機械学習装置の要部を示す概略的なハードウェア構成図である。

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の実施形態による数値制御システム１の概略的な機能ブロック図である。図２に示した各機能ブロックは、数値制御システム１を構成する数値制御装置や、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータが備えるＣＰＵ、ＧＰＵ等のプロセッサが、それぞれのシステム・プログラムに従って装置の各部の動作を制御することにより実現される。

本実施形態の数値制御システム１は、少なくとも状態の観察・推論対象となるエッジデバイスとしての数値制御部１００、エッジデバイスの状態に対する推論を行なう推論処理部２００、複数の学習モデルを記憶して管理する学習モデル記憶部３００を備える。本実施形態の数値制御システム１は、更に、エッジデバイスの状態について推論処理部２００が推論した結果に基づいて工具の異常を検知する異常検知部４００、学習モデル記憶部３００に記憶する学習モデルの作成及び更新をする学習モデル生成部５００を備える。

本実施形態の数値制御部１００は、図示しないメモリに記憶された加工プログラムのブロックを実行することによりワークを加工する工作機械を制御する。数値制御部１００は、例えば数値制御装置として実装され、図示しないメモリに記憶された加工プログラムのブロックを逐次読み出して解析し、解析した結果に基づいて制御周期毎のモータ１２０の移動量を算出し、算出した制御周期毎の移動量に従ってモータ１２０を制御する。数値制御部１００により制御される工作機械は、モータ１２０により駆動される機構部１３０を備えており、該機構部１３０が駆動されることにより工具とワークとが相対的に移動してワークが加工される。なお、図２では省略しているが、モータ１２０は工作機械の機構部１３０が備える軸の数だけ用意される。単一の機構部が複数のモータで駆動される場合もある。

数値制御部１００が備える条件指定部１１０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）が実行する加工運転における条件（加工条件、運転条件、環境条件など）を指定する機能手段である。加工運転に設定される条件としては、例えば加工に用いられる工具の種類、加工する対象となるワークの硬度や材質等を示すワーク情報、ワークを加工する際の主軸速度、工具の送り速度などが挙げられる。条件指定部１１０は、作業者が図示しない入力装置を介して数値制御部１００に設定した条件、ネットワーク等を介して接続された他のコンピュータが数値制御部１００に設定した条件、加工プログラムにより指令された条件、又は、数値制御部１００に別途設けられたセンサ等の機器により検出された条件等を必要に応じて数値制御部１００の各部に対して指定（出力）すると共に、当該条件を学習モデル記憶部３００、学習モデル生成部５００に対して指定（出力）する。条件指定部１１０は、エッジデバイスとしての数値制御部１００の現在の加工運転における条件を学習モデルを選択するための条件として数値制御システム１の各部に対して知らせる役割を持つ。

数値制御部１００が備える状態量検出部１４０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）による加工運転の状態を状態量として検出する機能手段である。加工運転の状態量としては、例えば主軸の負荷、送り軸の負荷、主軸回転数、送り軸速度、振動値が挙げられる。状態量検出部１４０は、例えば数値制御部１００や該数値制御部１００が制御する工作機械の機構部１３０を駆動するモータ１２０に流れる電流値や、各部に別途設けられたセンサ等の機器により検出された検出値を状態量として検出する。状態量検出部１４０が検出した状態量は、推論処理部２００、学習モデル生成部５００に対して出力される。

本実施形態の推論処理部２００は、エッジデバイスとしての数値制御部１００（及び該数値制御部１００により制御される工作機械）の状態を観測し、該観測した結果に基づく数値制御部１００の状態（加工の状態）を推論する。推論処理部２００は、例えば数値制御装置やセルコンピュータ、ホストコンピュータ、クラウドサーバ、又は機械学習装置等として実装することができる。

推論処理部２００が備える特徴量作成部２１０は、状態量検出部１４０が検出した状態量に基づいて、数値制御部１００の加工運転の状態の特徴を示す特徴量を作成する機能手段である。特徴量作成部２１０が作成する加工運転の状態の特徴を示す特徴量を、数値制御部１００（及び該数値制御部１００により制御される工作機械）が実行する加工運転において、工具の異常を検知する際の判断の材料として有用である情報である。また、特徴量作成部２１０が作成する加工運転の状態の特徴を示す特徴量は、後述する推論計算部２２０が学習モデルを用いた推論を行う際の入力データである。特徴量作成部２１０が作成する加工運転の状態の特徴を示す特徴量は、例えば状態量検出部１４０が検出した主軸の負荷を、過去の所定の期間分だけ所定のサンプリング周期でサンプリングしたものであってよく、また、状態量検出部１４０が検出したモータ１２０の振動値の過去の所定の期間分内のピーク値であってもよい。特徴量作成部２１０は、状態量検出部１４０が検出した状態量を、推論計算部２２０が取り扱えるように前処理を行い正規化したものである。

推論処理部２００が備える推論計算部２２０は、現在の加工運転における条件に基づいて学習モデル記憶部３００から選択された学習モデルと、特徴量作成部２１０が作成した特徴量とに基づいて、数値制御部１００（及び該数値制御部１００により制御される工作機械）が実行する加工運転の状態の評価値を推論する機能手段である。推論計算部２２０は、機械学習による推論処理を実行可能なプラットフォームに対して、学習モデル記憶部３００に記憶される学習モデルを適用することにより実現される。推論計算部２２０は、例えば多層ニューラルネットワークを用いた推論処理を行うためのものであっても良く、また、ベイジアンネットワークやサポートベクタマシン、混合ガウスモデル等の機械学習として公知の学習アルゴリズムを用いた推論処理を行うためのものであっても良い。推論計算部２２０は、例えば教師あり学習、教師なし学習、強化学習などの学習アルゴリズムを用いた推論処理を行うためのものであって良い。また、推論計算部２２０は、複数種類の学習アルゴリズムに基づく推論処理をそれぞれ実行可能であっても良い。推論計算部２２０は、機械学習の学習モデル記憶部３００から選択された学習モデルに基づいた機械学習器を構成し、該機械学習器の入力データとして特徴量作成部２１０が作成した特徴量を用いた推論処理を実行することで数値制御部１００（及び該数値制御部１００により制御される工作機械）が実行する加工運転の状態の評価値を推論する。推論計算部２２０が推論した結果としての評価値は、例えば現在の加工運転の状態と正常時の加工運転の状態の分布との距離や、工具の摩耗量、工具の破損／摩耗の状態を示すものであって良い。

本実施形態の学習モデル記憶部３００は、条件指定部１１０により指定された加工運転における条件の組み合わせに関連付けられた複数の学習モデルを記憶することが可能な機能手段である。学習モデル記憶部３００は、例えば数値制御装置やセルコンピュータ、ホストコンピュータ、クラウドサーバ、データベースサーバ等として実装することができる。

学習モデル記憶部３００には、条件指定部１１０により指定された加工運転における条件（加工条件、運転条件、環境条件など）の組み合わせに関連付けられた複数の学習モデル１，２，…，Ｎが記憶される。ここで言うところの加工運転における条件（加工条件、運転条件、環境条件など）の組み合わせは、それぞれの条件が取り得る値、値の範囲、値の列挙に関する組み合わせを意味し、例えば条件の組み合わせを工具種類、ワーク情報、主軸速度、送り速度の組み合わせとする場合に、（ドリル工具，アルミ／鋼鉄，主軸速度：５００〜１０００［ｍｉｎ^-1］，送り速度：２００〜３００［ｍｍ／ｍｉｎ］）を加工運転における条件の組み合わせの１つとして用いることができる。

学習モデル記憶部３００に記憶される学習モデルは、推論計算部２２０における推論処理に適合する１つの学習モデルを構成可能な情報として記憶される。学習モデル記憶部３００に記憶される学習モデルは、例えば多層ニューラルネットワークの学習アルゴリズムを用いた学習モデルである場合には、各層のニューロン数、各層のニューロン間の重みパラメータなどとして記憶することができ、また、ベイジアンネットワークの学習アルゴリズムを用いた学習モデルである場合には、ベイジアンネットワークを構成するノードとノード間の遷移確率などとして記憶することができる。学習モデル記憶部３００に記憶される学習モデルのそれぞれは、同じ学習アルゴリズムを用いた学習モデルであっても良く、また、異なる学習アルゴリズムを用いた学習モデルであっても良く、推論計算部２２０による推論処理に利用可能であればどのような学習アルゴリズムを用いた学習モデルであっても良い。

学習モデル記憶部３００は、１つの加工運転における条件の組み合わせに対して１つの学習モデルを関連付けて記憶しても良く、また、１つの加工運転における条件の組み合わせに対して２以上の異なる学習アルゴリズムを用いた学習モデルを関連付けて記憶しても良い。学習モデル記憶部３００は、その組み合わせの範囲が重畳する複数の加工運転における条件の組み合わせのそれぞれに対して異なる学習アルゴリズムを用いた学習モデルを関連付けて記憶しても良い。この時、学習モデル記憶部３００は、加工運転における条件の組み合わせに対応する学習モデルに対して、更に必要処理能力や学習アルゴリズムの種類等の利用条件を定めることにより、例えば加工運転における条件の組み合わせに対して、実行可能な推論処理や処理能力が異なる推論計算部２２０に応じた学習モデルを選択することが可能となる。

学習モデル記憶部３００は、加工運転における条件の組み合わせを含む学習モデルの読み出し／書き込み要求を外部から受けると、当該加工運転における条件の組み合わせに関連付けて記憶された学習モデルに対して読み出し／書き込みを行なう。この時、学習モデルの読み出し／書き込み要求には、推論計算部２２０が実行可能な推論処理や処理能力の情報を含めるようにしても良く、そのようにした場合、学習モデル記憶部３００は、加工運転における条件の組み合わせ、及び、推論計算部２２０が実行可能な推論処理や処理能力に関連付けられた学習モデルに対して読み出し／書き込みを行なう。学習モデル記憶部３００は、外部からの学習モデルの読み出し／書き込み要求に対して、条件指定部１１０から指定された条件に基づいて、該条件（の組み合わせ）に関連付けられた学習モデルに対して読み出し／書き込みが行なわれるようにする機能を備えていても良い。このような機能を設けることで、推論計算部２２０や学習モデル生成部５００に対して、条件指定部１１０から指定された条件に基づく学習モデルを要求する機能を設ける必要がなくなる。

なお、学習モデル記憶部３００は、学習モデル生成部５００が生成した学習モデルを暗号化して記憶し、推論計算部２２０により学習モデルが読み出される際に暗号化された学習モデルを復号化するようにしても良い。

異常検知部４００は、推論処理部２００で推論された加工運転の状態の評価値に基づいて、数値制御部１００（及び該数値制御部１００により制御される工作機械）で発生した異常を検知する機能手段である。異常検知部４００は、推論計算部２２０が出力する推論結果としての評価値の内容に応じた加工運転の状態の正常／異常の検知を行う。異常検知部４００は、例えば現在の加工運転の状態と正常時の加工運転の状態の分布との距離が予め定めた所定の閾値を超える場合に加工運転の状態が異常であると検知し、それ以外の場合には加工運転の状態が正常であると検知するようにしても良い。異常検知部４００は、例えば工具の摩耗量が予め工具毎に定められた閾値を超える場合に加工運転の状態が異常であると検知し、それ以外の場合には加工運転の状態が正常であると検知するようにしても良い。

異常検知部４００は、加工運転の状態が異常であると検知した場合、図示しない表示装置、ランプ、音声出力装置などにより作業者に対して加工運転の状態の異常を通知するようにしても良い。また、異常検知部４００は、加工運転の状態が異常であると検知した場合、数値制御部１００に対して加工を中止するように指令するようにしても良い。

学習モデル生成部５００は、条件指定部１１０により指定された加工運転における条件と、特徴量作成部２１０により作成された加工運転の状態の特徴を示す特徴量とに基づいて、学習モデル記憶部３００に記憶された学習モデルの生成乃至更新（機械学習）を行なう機能手段である。学習モデル生成部５００は、条件指定部１１０により指定された加工運転における条件に基づいて生成乃至更新の対象となる学習モデルを選択し、選択した学習モデルに対して特徴量作成部２１０により作成された加工運転の状態の特徴を示す特徴量による機械学習を行う。学習モデル生成部５００は、条件指定部１１０により指定された加工運転における条件（の組み合わせ）と関連付けられた学習モデルが学習モデル記憶部３００に記憶されていない場合には、当該条件（の組み合わせ）と関連付けた学習モデルを新たに生成し、条件指定部１１０により指定された加工運転における条件（の組み合わせ）と関連付けられた学習モデルが学習モデル記憶部３００に記憶されている場合には、該学習モデルに対する機械学習を行うことで該学習モデルを更新する。学習モデル生成部５００は、学習モデル記憶部３００に条件指定部１１０により指定された加工運転における条件（の組み合わせ）に関連付けられた学習モデルが複数記憶されている場合には、それぞれの学習モデルに対して機械学習を行うようにしても良く、また、学習モデル生成部５００により実行可能な学習処理や処理能力に基づいて、一部の学習モデルに対してのみ機械学習を行うようにしてもよい。

学習モデル生成部５００は、学習モデル記憶部３００に記憶された学習モデルに対して改変を加え、新たな学習モデルを生成するようにしても良い。学習モデル生成部５００による学習モデルの改変の例としては、例えば蒸留モデルの生成が例示される。蒸留モデルは、学習済みモデルを組み込んだ機械学習器に対する入力に対して得られる出力を用いて、他の機械学習器において１から学習を行うことで得られる学習済みモデルである。学習モデル生成部５００は、このような工程（蒸留工程と言う）を経て得られた蒸留モデルを、新たな学習モデルとして学習モデル記憶部３００に記憶して利用することができる。一般に、蒸留モデルは元の学習済みモデルよりもサイズが小さく、それでいて元の学習済みモデルと同等の正確度を出せるため、ネットワーク等を介した他のコンピュータに対する配布により適している。学習モデル生成部５００による学習モデルの改変の他の例としては、学習モデルの統合が例示される。学習モデル生成部５００は、加工運転における条件（の組み合わせ）と関連付けて記憶された２以上の学習モデルの構造が類似している場合、例えば、各重みパラメータの値が予め定めた所定の閾値内である場合に、これらの学習モデルに関連付けられている加工運転における条件（の組み合わせ）を統合した上で、これに対応付けて構造が類似する２以上の学習モデルのいずれかを記憶するようにしても良い。

図２は、第２の実施形態による数値制御システム１の概略的な機能ブロック図である。本実施形態の数値制御システム１では、各機能ブロックを１台の数値制御装置２の上に実装している。このように構成することで、本実施形態の数値制御システム１は、例えば数値制御装置２が制御する工作機械に取り付けられた工具の種類やワークの材質等の条件に応じて異なる学習モデルを用いて加工運転の状態を推論し、加工運転の状態の異常を検出することができるようになる。また、１台の数値制御装置２で、加工運転における条件に応じたそれぞれの学習モデルを生成／更新することができる。

図３は、第３の実施形態による数値制御システム１の概略的な機能ブロック図である。本実施形態の数値制御システム１では、数値制御部１００、推論処理部２００、及び異常検知部４００を数値制御装置２の上に実装し、また、学習モデル記憶部３００及び学習モデル生成部５００を数値制御装置２と標準的なインタフェースやネットワークを介して接続された機械学習装置３の上に実装している。機械学習装置３は、セルコンピュータ、ホストコンピュータ、クラウドサーバ、データベースサーバ上に実装しても良い。このように構成することで、比較的軽い処理である学習済みのモデルを用いた推論処理は数値制御装置２の上で実行し、比較的重い処理である学習モデルの生成／更新の処理を機械学習装置３の上で実行することができるため、数値制御装置２で実行される工作機械の制御の処理を妨げることなく数値制御システム１の運用を行うことができる。

図４は、第４の実施形態による数値制御システム１の概略的な機能ブロック図である。本実施形態の数値制御システム１では、数値制御部１００を数値制御装置２の上に実装し、推論計算部２２０、学習モデル記憶部３００、学習モデル生成部５００を数値制御装置２と標準的なインタフェースやネットワークを介して接続された機械学習装置３の上に実装している。また、別途、異常検知部４００を用意している。なお、本実施形態の数値制御システム１では、状態量検出部１４０が検出する状態量をそのまま推論計算部２２０による推論処理や学習モデル生成部５００による学習モデルの生成／更新処理に用いることができるデータであるものと想定して、特徴量作成部２１０の構成を省略している。このように構成することで、学習済みのモデルを用いた推論処理及び学習モデルの生成／更新の処理を機械学習装置３の上で実行することができるため、数値制御装置２で実行される工作機械の制御の処理を妨げることなく数値制御システム１の運用を行うことができる。

図５は、第５の実施形態による数値制御システム１の概略的な機能ブロック図である。本実施形態の数値制御システム１では、各機能ブロックを１台の数値制御装置２の上に実装している。なお、本実施形態の数値制御システム１では、学習モデル記憶部３００には加工運転における条件の組み合わせに関連付けられた複数の学習済みの学習モデルが既に記憶されており、学習モデルの生成／更新を行なわないと想定して、学習モデル生成部５００の構成を省略している。このように構成することで、本実施形態の数値制御システム１は、例えば数値制御装置２が制御する工作機械に取り付けられた工具の種類やワークの材質等の条件に応じて異なる学習モデルを用いて加工運転の状態を推論し、加工運転の状態の異常を検出することができるようになる。また、勝手な学習モデルの更新は行われないので、例えば顧客に対して出荷される数値制御装置２の構成として採用することができる。

図６は、第５の実施形態による数値制御システム１の変形例を示す概略的な機能ブロック図である。本実施形態の数値制御システム１では、第５の実施形態において学習モデル記憶部３００を数値制御装置２に接続された外部ストレージ４に実装した例である。本変形例では、容量の大きい学習モデルを外部ストレージ４に記憶することで、多くの学習モデルを利用することが可能となると共に、ネットワーク等を介することなく学習モデルの読み出しができるため、推論処理にリアルタイム性を必要とする場合に有効である。

図７は、第６の実施形態による数値制御システム１の概略的な機能ブロック図である。本実施形態の数値制御システム１では、数値制御部１００を数値制御装置２の上に実装し、推論計算部２２０、学習モデル記憶部３００を数値制御装置２と標準的なインタフェースやネットワークを介して接続された機械学習装置３の上に実装している。機械学習装置３は、セルコンピュータ、ホストコンピュータ、クラウドサーバ、データベースサーバ上に実装しても良い。なお、本実施形態の数値制御システム１では、学習モデル記憶部３００には加工運転における条件の組み合わせに関連付けられた複数の学習済みの学習モデルが既に記憶されており、学習モデルの生成／更新を行なわないと想定して、学習モデル生成部５００の構成を省略している。また、本実施形態の数値制御システム１では、状態量検出部１４０が検出する状態量をそのまま推論計算部２２０による推論処理に用いることができるデータであるものと想定して、特徴量作成部２１０の構成を省略している。このように構成することで、本実施形態の数値制御システム１は、例えば数値制御装置２が制御する工作機械に取り付けられた工具の種類やワークの材質等の条件に応じて異なる学習モデルを用いて加工運転の状態を推論し、加工運転の状態の異常を検出することができるようになる。また、勝手な学習モデルの更新は行われないので、例えば顧客に対して出荷される数値制御装置２の構成として採用することができる。

図８は、本発明の数値制御システム１で実行される処理の概略的なフローチャートである。図８に示すフローチャートは、数値制御システム１における学習モデルの更新が行われない場合（第５，６の実施形態）の処理の流れを例示している。
●［ステップＳＡ０１］条件指定部１１０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）による加工運転の条件を指定する。
●［ステップＳＡ０２］状態量検出部１４０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）による加工運転の状態を状態量として検出する。

●［ステップＳＡ０３］特徴量作成部２１０は、ステップＳＡ０２で検出された状態量に基づいて、加工運転の特徴を示す特徴量を作成する。
●［ステップＳＡ０４］推論計算部２２０は、ステップＳＡ０１で指定された加工運転における条件に対応する学習モデルを推論に使用する学習モデルとして学習モデル記憶部３００から選択して読み出す。
●［ステップＳＡ０５］推論計算部２２０は、ステップＳＡ０４で読み出した学習モデルとステップＳＡ０３で作成された特徴量とに基づいて加工運転の状態の評価値を推論する。
●［ステップＳＡ０６］異常検知部４００は、ステップＳＡ０５において推論された評価値に基づいて、加工運転の状態の異常を検知する。

図９は、本発明の数値制御システム１で実行される処理の概略的なフローチャートである。図９に示すフローチャートは、数値制御システム１における学習モデルの生成・更新が行われる場合（第１〜４の実施形態）の処理の流れを例示している。
●［ステップＳＢ０１］条件指定部１１０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）による加工運転の条件を指定する。
●［ステップＳＢ０２］状態量検出部１４０は、数値制御部１００（及び該数値制御部１００により制御される工作機械）による加工運転の状態を状態量として検出する。

●［ステップＳＢ０３］特徴量作成部２１０は、ステップＳＢ０２で検出された状態量に基づいて、加工運転の特徴を示す特徴量を作成する。
●［ステップＳＢ０４］推論計算部２２０は、ステップＳＢ０１で指定された加工運転における条件に対応する学習モデルを推論に使用する学習モデルとして学習モデル記憶部３００から選択して読み出す。

●［ステップＳＢ０５］学習モデル生成部５００は、学習モデル記憶部３００にステップＳＢ０１で指定された加工運転における条件に対応する学習済みの学習モデルが生成されているか否かを判定する。学習済みの学習モデルが生成されている場合にはステップＳＢ０７へ処理を移行し、学習済みの学習モデルが生成されていない場合にはステップＳＢ０６へ処理を移行する。
●［ステップＳＢ０６］学習モデル生成部５００は、ステップＳＢ０３で作成された特徴量に基づいて、ステップＳＢ０１で指定された加工運転における条件に対応する学習モデルの生成・更新を行ない、ステップＳＢ０１へ処理を移行する。

●［ステップＳＢ０７］推論計算部２２０は、ステップＳＢ０４で読み出した学習モデルとステップＳＢ０３で作成された特徴量とに基づいて加工運転の状態の評価値を推論する。
●［ステップＳＢ０８］異常検知部４００は、ステップＳＢ０５において推論された評価値に基づいて、加工運転の状態の異常を検知する。

図１０は本発明の一実施形態による数値制御装置及び機械学習装置の要部を示す概略的なハードウェア構成図である。本実施形態による数値制御装置２が備えるＣＰＵ１１は、数値制御装置２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・プログラムを読み出し、該システム・プログラムに従って数値制御装置２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。

表示器７０は液晶表示装置などで構成される。表示器７０には工具の磨耗状況を示す推論評価値の即値や履歴を表示することもできる。提案されるシステムの実現形態としては、しきい値判定方式、トレンドグラフ判定方式、外れ検知方式など種々の方法で最終結果を得ることができるが、その結果が得られる過程の一部が可視化されることによって、工作機械を実際に生産現場で運転している作業者にとっての工業上の直観に一致した結果を与えることができるようになる。

工作機械が備える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、加工機が備える軸を移動させるモータ１２０を駆動する。軸のモータ１２０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、モータ１２０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加工機に備えられた軸の数だけ用意される。

インタフェース２１は、数値制御装置２と機械学習装置３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３は、機械学習装置３全体を統御するプロセッサ８０と、システム・プログラムや学習モデル等を記憶したＲＯＭ８１、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ＲＡＭ８２を備える。機械学習装置３は、インタフェース８４及びインタフェース２１を介して数値制御装置２との間で各種データのやり取りを行なう。

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。

１ 数値制御システム
２ 数値制御装置
３ 機械学習装置
４ 外部ストレージ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
２０ バス
２１ インタフェース
３０ 軸制御回路
４０ サーボアンプ
７０ 表示器
８０ プロセッサ
８１ ＲＯＭ
８２ ＲＡＭ
８４ インタフェース
１００ 数値制御部
１１０ 条件指定部
１２０ モータ
１３０ 機構部
１４０ 状態量検出部
２００ 推論処理部
２１０ 特徴量作成部
２２０ 推論計算部
３００ 学習モデル記憶部
４００ 異常検知部
５００ 学習モデル生成部

Claims (12)

1. ワークを加工する工作機械の工具の摩耗乃至破損の状態を検知する数値制御システムであって、
   前記工作機械の加工運転における条件を指定する条件指定部と、
   前記工作機械による加工運転の状態を示す状態量を検出する状態量検出部と、
   前記状態量から前記工作機械の加工運転の状態に対する評価値を推論する推論計算部と、
   前記評価値に基づいて前記工具の摩耗乃至破損の状態を検知する異常検知部と、
   前記状態量を用いた機械学習により学習モデルを生成乃至更新する学習モデル生成部と、
   前記学習モデル生成部が生成した少なくとも１つの学習モデルを前記条件指定部により指定された条件の組み合わせと関連付けて記憶する学習モデル記憶部と、
   を具備し、
   前記推論計算部は、前記条件指定部が指定する加工運転における条件に基づいて前記学習モデル記憶部に記憶された学習モデルの中から少なくとも１つの学習モデルを選択的に用いて、前記工作機械の加工運転の状態に対する評価値を計算する
   数値制御システム。
2. 状態量検出部が検出した状態量から前記工作機械の加工運転の状態を特徴付ける特徴量を作成する特徴量作成部を更に備え、
   前記推論計算部は、前記特徴量から前記工作機械の加工運転の状態に対する評価値を推論し、
   前記学習モデル生成部は、前記特徴量を用いた機械学習により学習モデルを生成乃至更新する、
   請求項１に記載の数値制御システム。
3. 前記学習モデル生成部は、前記学習モデル記憶部が記憶する既存の学習モデルに対する改変を実施することによって新しい学習モデルを生成する、
   請求項１または２に記載の数値制御システム。
4. 前記学習モデル記憶部は、前記学習モデル生成部が生成した学習モデルを暗号化して記憶し、前記推論計算部により学習モデルが読み出される際に暗号化された学習モデルを復号する、
   請求項１〜３のいずれか１つに記載の数値制御システム。
5. ワークを加工する工作機械の工具の摩耗乃至破損の状態を検知する数値制御システムであって、
   前記工作機械の加工運転における条件を指定する条件指定部と、
   前記工作機械による加工運転の状態を示す状態量を検出する状態量検出部と、
   前記状態量から前記工作機械の加工運転の状態に対する評価値を推論する推論計算部と、
   前記評価値に基づいて前記工具の摩耗乃至破損の状態を検知する異常検知部と、
   前記工作機械の加工運転における条件の組み合わせと予め関連付けられている少なくとも１つの学習モデルを記憶する学習モデル記憶部と、
   を具備し、
   前記推論計算部は、前記条件指定部が指定する加工運転における条件に基づいて前記学習モデル記憶部に記憶された学習モデルの中から少なくとも１つの学習モデルを選択的に用いて、前記工作機械の加工運転の状態に対する評価値を計算する
   数値制御システム。
6. 前記状態量から前記工作機械の加工運転の状態を特徴付ける特徴量を作成する特徴量作成部と、
   
   前記状態量から前記工作機械の加工運転の状態を特徴付ける特徴量を作成する特徴量作成部を更に備え、
   前記推論計算部は、前記特徴量から前記工作機械の加工運転の状態に対する評価値を推論する、
   請求項５に記載の数値制御システム。
7. 請求項１〜６のいずれか１つに記載された条件指定部と、状態量検出部と、
   を備えた数値制御装置。
8. ワークを加工する工作機械の加工運転における条件を指定するステップと、
   前記工作機械による加工運転の状態を示す状態量を検出するステップと、
   前記状態量から加工運転の状態に対する評価値を推論するステップと、
   前記評価値に基づいて工具の摩耗乃至破損の状態を検知するステップと、
   前記状態量を用いた機械学習により学習モデルを生成乃至更新するステップと、
   を実行する工具状態検知方法であって、
   前記推論するステップは、前記工作機械の加工運転における条件の組み合わせと予め関連付けられている少なくとも１つの前記学習モデルの中から、前記条件を指定するステップで指定された加工運転における条件に基づいて使用する学習モデルを選択し、選択した学習モデルを用いて前記工作機械の加工運転の状態に対する評価値を計算する、
   工具状態検知方法。
9. 前記状態量から前記工作機械の加工運転の状態を特徴付ける特徴量を作成するステップを更に実行し、
   前記推論するステップは、前記特徴量から前記工作機械の加工運転の状態に対する評価値を推論し、
   前記学習モデルを生成乃至更新するステップは、前記特徴量を用いた機械学習により学習モデルを生成乃至更新する、
   請求項８に記載の工具状態検知方法。
10. ワークを加工する工作機械の加工運転における条件を指定するステップと、
    前記工作機械による加工運転の状態を示す状態量を検出するステップと、
    前記状態量から加工運転の状態に対する評価値を推論するステップと、
    前記評価値に基づいて工具の摩耗乃至破損の状態を検知するステップと、
    を実行する工具状態検知方法であって、
    前記推論するステップは、前記工作機械の加工運転における条件の組み合わせと予め関連付けられている少なくとも１つの学習モデルの中から、前記条件を指定するステップで指定された加工運転における条件に基づいて使用する学習モデルを選択し、選択した学習モデルを用いて前記工作機械の加工運転の状態に対する評価値を計算する、
    工具状態検知方法。
11. 前記状態量から前記工作機械の加工運転の状態を特徴付ける特徴量を作成するステップを更に実行し、
    前記推論するステップは、前記特徴量から前記工作機械の加工運転の状態に対する評価値を推論する、
    請求項１０に記載の工具状態検知方法。
12. 複数の学習モデルのそれぞれを、工作機械の加工運転における条件の組み合わせに関連付けて成る学習モデルセットであって、
    前記複数の学習モデルのそれぞれは、前記工作機械の加工運転における条件の下で行われる加工運転の状態を示す状態量に基づいて作成された前記加工運転の特徴量を用いて生成乃至更新された学習モデルであり、
    前記複数の学習モデルの中から、前記工作機械に設定された条件に基づいて１つの学習モデルが選択し、選択された学習モデルが前記工作機械における加工運転の状態に対する評価値を推論する処理に用いられる、
    学習モデルセット。

Images