JP2020024139A

JP2020024139A - Product inspection device

Info

Publication number: JP2020024139A
Application number: JP2018148682A
Authority: JP
Inventors: 神谷　洋平; Yohei Kamiya; 洋平神谷
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-08-07
Filing date: 2018-08-07
Publication date: 2020-02-13
Anticipated expiration: 2038-08-07
Also published as: JP7148311B2

Abstract

To provide a product inspection device capable of performing an inspection before shipment of a spindle and a spindle motor at relatively low costs.SOLUTION: A product inspection device 1 is the production inspection device 1 for learning presence or absence of an assembly failure of a spindle and a spindle motor and a type of the assembly failure, and includes a preprocessing part 32 for creating state data for showing operation states of the spindle and the spindle motor, and determination data for showing the presence or absence of assembly failure of the spindle and the spindle motor and the type of the assembly failure on the basis of data pertaining to the spindle and the spindle motor, and a learning part 110 for generating a learning model learning presence or absence of an assembly failure of a spindle and a spindle motor and a type of an assembly failure according to a dataset created based on a combination of state data and determination data.SELECTED DRAWING: Figure 2

Description

本発明は、製品検査装置に関し、特に主軸及び主軸を駆動するモータの組立不良を検知する製品検査装置する。 The present invention relates to a product inspection apparatus, and more particularly to a product inspection apparatus that detects a defective assembly of a spindle and a motor that drives the spindle.

工作機械は、主軸やベッド、コラム、テーブル等の様々な構成要素を備える。特に工作機械が備える主軸及び主軸を駆動するモータは、ワークの加工部分の精度に直接影響を与えるため、工作機械がメーカから顧客に対して出荷される前に、予め定めた所定の基準（限度見本によって定められる）を満足するか検査が行われ、該検査に合格しない主軸及び主軸モータについては、検査の結果に基づいてその原因が分析され、分析された結果に基づいて調整が為される。 A machine tool includes various components such as a spindle, a bed, a column, and a table. In particular, the spindle and the motor for driving the spindle provided in the machine tool directly affect the accuracy of the machined portion of the work. Therefore, before the machine tool is shipped from the manufacturer to the customer, a predetermined standard (limit) is set. (Determined by the sample), the inspection is performed, and for the spindle and the spindle motor that do not pass the inspection, the cause is analyzed based on the inspection result, and the adjustment is made based on the analyzed result. .

このような主軸の出荷前の検査は、例えば工作機械とは別に設けられた製品検査装置により行われる。製品検査装置は、テストツール等を用いて主軸の振れや機械精度を検出したり、音センサ、トルクセンサ、温度センサ等を用いて異音や異常負荷、異常温度が発生したりしていないかを検査する。 Such inspection of the spindle before shipment is performed by, for example, a product inspection device provided separately from the machine tool. The product inspection device detects the runout and mechanical accuracy of the spindle using a test tool, etc., and does the noise sensor, torque sensor, temperature sensor, etc. generate abnormal noise, abnormal load, or abnormal temperature? To inspect.

特開２００１−３４７４４０号公報JP 2001-347440 A

主軸及び主軸モータの出荷前検査は、測定項目が多く測定に時間が掛かってしまうという課題がある。そのため、可能な限り限られた測定項目により精度が保たれた検査にしたいという要望がある。また、主軸の振れや機械精度の測定に関しては人手による治具の取付に時間がかかっていたという問題もあった。 The pre-shipment inspection of the main shaft and the main shaft motor has a problem that many measurement items are required and the measurement takes time. For this reason, there is a demand for performing an inspection in which accuracy is maintained by as few measurement items as possible. In addition, there was a problem that it took time to manually attach a jig with respect to measurement of spindle runout and mechanical accuracy.

そこで本発明の目的は、主軸及び主軸モータの出荷前検査を比較的低コストで行うことが可能な製品検査装置を提供することである。 SUMMARY OF THE INVENTION It is an object of the present invention to provide a product inspection apparatus capable of performing a pre-shipment inspection of a spindle and a spindle motor at a relatively low cost.

本発明の一態様は、主軸及び主軸モータの組立不良の有無及び組立不良の種類を学習する製品検査装置であって、主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データと、該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を示す判定データを作成する前処理部と、前記状態データおよび前記判定データの組合せに基づいて作成されるデータセットに従って、前記主軸及び前記主軸モータの組立不良の有無及び組立不良の種類を学習した学習モデルを生成する学習部と、を備える製品検査装置である。 One aspect of the present invention is a product inspection device that learns presence / absence of a defective assembly and a type of a defective assembly of a spindle and a spindle motor, and operates the spindle and the spindle motor based on data related to the spindle and the spindle motor. It is created based on a combination of the state data indicating the state, a pre-processing unit that creates determination data indicating the presence or absence of assembly failure of the spindle and the spindle motor, and the type of assembly failure, and the state data and the determination data. A learning unit that generates a learning model that learns the presence / absence of assembly failure of the spindle and the spindle motor and the type of assembly failure according to a data set.

本発明の他の態様は、主軸及び主軸モータの組立不良の有無及び組立不良の種類を推定する製品検査装置であって、主軸及び主軸モータに係るデータに基づいて、該主軸及び該主軸モータの動作状態を示す状態データを作成する前処理部と、主軸及び主軸モータの動作状態に対する該主軸及び該主軸モータの組立不良の有無及び組立不良の種類を学習した学習済みモデルを記憶する学習モデル記憶部と、前記状態データに基づいて、前記学習済みモデルを用いた主軸及び主軸モータの組立不良の有無及び組立不良の種類の推定を行う推定部と、を備える製品検査装置である。 Another aspect of the present invention is a product inspection apparatus for estimating the presence or absence of assembly failure of a spindle and a spindle motor and the type of assembly failure, based on data related to the spindle and the spindle motor. A pre-processing unit that creates state data indicating an operation state, and a learning model storage that stores a learned model that has learned the presence / absence of the assembly failure of the spindle and the spindle motor and the type of the assembly failure with respect to the operation state of the spindle and the spindle motor. A product inspection device comprising: a unit; and an estimating unit configured to estimate presence / absence of a defective assembly and a type of a defective assembly of the spindle and the spindle motor using the learned model based on the state data.

本発明により、一部時間のかかる測定を省き、また、過去の修正履歴により修正部位を早期に発見できるため、従来と比較してより早く製品検査ができるようになる。また、従来の検査項目に追加して機械学習の判定を行えば、より製品品質が向上することが期待できる。 According to the present invention, a partly time-consuming measurement can be omitted, and a corrected portion can be found earlier based on a past correction history, so that product inspection can be performed faster than in the past. Further, if the judgment of the machine learning is performed in addition to the conventional inspection items, it is expected that the product quality is further improved.

一実施形態による製品検査装置の概略的なハードウェア構成図である。1 is a schematic hardware configuration diagram of a product inspection device according to one embodiment. 第１実施形態による製品検査装置の概略的な機能ブロック図である。FIG. 2 is a schematic functional block diagram of the product inspection device according to the first embodiment. 第２実施形態による製品検査装置の学習時の概略的な機能ブロック図である。It is a schematic functional block diagram at the time of learning of the product inspection device by a 2nd embodiment. 第２実施形態による製品検査装置の推定時の概略的な機能ブロック図である。It is a schematic functional block diagram at the time of estimation of the product inspection device according to the second embodiment.

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機械学習装置を備えた製品検査装置の要部を示す概略的なハードウェア構成図である。本実施形態の製品検査装置１は、例えば製品を製造する工場に設置されたパソコンや、セルコンピュータ、ホストコンピュータ、エッジサーバ、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、製品検査装置１を、工場に設置されたパソコンとして実装した場合の例を示す。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is a schematic hardware configuration diagram illustrating a main part of a product inspection device including a machine learning device according to an embodiment. The product inspection device 1 of the present embodiment can be implemented as a personal computer installed in a factory that manufactures a product, or a computer such as a cell computer, a host computer, an edge server, or a cloud server. In the present embodiment, an example in which the product inspection device 1 is mounted as a personal computer installed in a factory will be described.

本実施形態による製品検査装置１が備えるＣＰＵ１１は、製品検査装置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２０を介して読み出し、該システム・プログラムに従って製品検査装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。 The CPU 11 included in the product inspection device 1 according to the present embodiment is a processor that controls the product inspection device 1 as a whole. The CPU 11 reads out a system program stored in the ROM 12 via the bus 20, and controls the entire product inspection apparatus 1 according to the system program. The RAM 13 temporarily stores temporary calculation data, various data input by the operator via the input device 71, and the like.

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等で構成され、製品検査装置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、製品検査装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、モータ制御装置２やセンサ３から取得された各種データ（例えば、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等）、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。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、各種データを解析するための公知の解析プログラムや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プログラム等を含むシステム・プログラムが予め書き込まれている。 The nonvolatile memory 14 includes, for example, a memory backed up by a battery (not shown), an SSD, or the like, and retains a stored state even when the power of the product inspection apparatus 1 is turned off. The non-volatile memory 14 includes a setting area in which setting information relating to the operation of the product inspection device 1 is stored, data relating to the presence or absence of assembly failure of the spindle and the spindle motor input from the input device 71, and data relating to adjustment. Various data acquired from the motor control device 2 and the sensor 3 (for example, current value, vibration value, sound value, spindle motor speed value, temperature value, etc. acquired from the spindle and the spindle motor), an external storage device (not shown), Data and the like read via the network are stored. The programs and various data stored in the nonvolatile memory 14 may be expanded in the RAM 13 at the time of execution / use. In addition, a system program including a known analysis program for analyzing various data, a program for controlling exchange with the machine learning device 100 described later, and the like are written in the ROM 12 in advance.

モータ制御装置２は、出荷前検査時に主軸及び主軸モータを制御する制御装置である。モータ制御装置２は、一般的な制御装置の機能を有し、主軸及び主軸モータに対して出荷前検査の検査動作を行わせるための制御用プログラムを実行することで、主軸及び主軸モータを制御する。 The motor control device 2 is a control device that controls the spindle and the spindle motor at the time of inspection before shipment. The motor control device 2 has a function of a general control device, and controls the spindle and the spindle motor by executing a control program for causing the spindle and the spindle motor to perform an inspection operation of a pre-shipment inspection. I do.

センサ３は、例えばモータ制御装置２が制御する主軸及び主軸モータの各部、又は主軸モータに指令値を供給する図示しないモータ駆動アンプ等の機器に取り付けられた電流計測器、振動センサ、音声センサ、速度センサ、温度センサ等である。センサ３は、出荷前検査においてモータ制御装置２により制御された主軸及び主軸モータの検査動作に係るデータを取得する。センサ３により計測された各検出値は、インタフェース１９を介してＣＰＵ１１に渡される。 The sensor 3 includes, for example, a current measuring device, a vibration sensor, a voice sensor, and the like, each component of the spindle and the spindle motor controlled by the motor control device 2 or a motor drive amplifier (not shown) that supplies a command value to the spindle motor. A speed sensor, a temperature sensor, and the like. The sensor 3 acquires data relating to the inspection operation of the spindle and the spindle motor controlled by the motor control device 2 in the inspection before shipment. Each detection value measured by the sensor 3 is passed to the CPU 11 via the interface 19.

表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、プラズマ計測器で計測されたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等を受けて、インタフェース１８を介してＣＰＵ１１に渡す。 The display device 70 stores various data read into a memory, data obtained as a result of executing a program or the like, data measured by a plasma measuring instrument, data output from a machine learning device 100 described later, and the like. The data is output and displayed via the interface 17. The input device 71 including a keyboard, a pointing device, and the like receives a command, data, and the like based on an operation performed by an operator, and passes the command, data, and the like to the CPU 11 via the interface 18.

インタフェース２１は、製品検査装置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２１を介して製品検査装置１で取得可能な各情報（例えば、主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等）を観測することができる。また、製品検査装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。 The interface 21 is an interface for connecting the product inspection device 1 and the machine learning device 100. The machine learning device 100 includes a processor 101 that controls the entire machine learning device 100, a ROM 102 that stores a system program and the like, a RAM 103 for temporarily storing each process related to the machine learning, and a storage of a learning model and the like. A non-volatile memory 104 used for The machine learning device 100 obtains various pieces of information (for example, data related to presence or absence of assembly failure of the spindle and the spindle motor, data related to adjustment, and data acquired from the spindle and the spindle motor via the interface 21). Current value, vibration value, audio value, spindle motor speed value, temperature value, etc.) can be observed. Further, the product inspection device 1 acquires the processing result output from the machine learning device 100 via the interface 21, stores the acquired result, displays the acquired result, and establishes a network (not shown) for other devices. To send through.

図２は、第１実施形態による製品検査装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した製品検査装置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、製品検査装置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。 FIG. 2 is a schematic functional block diagram of the product inspection device 1 and the machine learning device 100 according to the first embodiment. 2 are executed by the CPU 11 of the product inspection apparatus 1 shown in FIG. 1 and the processor 101 of the machine learning apparatus 100 by executing respective system programs. It is realized by controlling the operation of each unit of the 100.

本実施形態の製品検査装置１は、データ取得部３０、前処理部３２，ラベル付与部３４を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による学習及び推定に用いられるデータを記憶する学習データ記憶部５０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。 The product inspection device 1 according to the present embodiment includes a data acquisition unit 30, a preprocessing unit 32, and a labeling unit 34. The machine learning device 100 included in the product inspection device 1 includes a learning unit 110 and an estimation unit 120. . A learning data storage unit 50 that stores data used for learning and estimation by the machine learning device 100 is provided on the non-volatile memory 14. A learning model storage unit 130 that stores a learning model constructed by machine learning by the unit 110 is provided.

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１等から入力された各種データを取得する機能手段である。データ取得部３０は、例えば、主軸及び主軸モータの組立不良の有無に係るデータや調整に係るデータ、主軸及び主軸モータから取得された電流値、振動値、音声値、主軸モータの速度値、温度値等の各種データを取得し、学習データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワークを介して他の装置からデータを取得するようにしても良く、その際に、データ取得部３０は、例えば正常品の限度見本から得られたデータや、３次元モデルに基づくシミュレーション処理で得られたデータを組立不良が無いデータ（正常品のデータ）として取得するようにしても良い。本実施形態によるデータ取得部３０が取得するデータには、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータ（異常有り／無しに係るデータを含む）や、主軸及び主軸モータの調整にかかるデータ（組立不良の種類に係るデータを含む）と関連付けられたラベル付きのデータと、組立不良の有無に係るデータや調整に係るデータと関連付けられていないラベル無しのデータとを含む。 The data acquisition unit 30 is a functional unit that acquires various data input from the motor control device 2, the sensor 3, the input device 71, and the like. The data acquisition unit 30 includes, for example, data relating to the presence or absence of assembly failure of the spindle and the spindle motor, data relating to adjustment, current values, vibration values, sound values, speed values of the spindle motor, and temperatures acquired from the spindle and the spindle motor. Various data such as values are acquired and stored in the learning data storage unit 50. The data acquisition unit 30 may acquire data from another device via an external storage device (not shown) or a wired / wireless network. In this case, the data acquisition unit 30 may use, for example, a limit sample of normal products. Or data obtained by simulation processing based on a three-dimensional model may be obtained as data having no assembly failure (normal product data). The data acquired by the data acquisition unit 30 according to the present embodiment includes data relating to the presence / absence of assembly failure of the spindle and the spindle motor (including data relating to the presence / absence of abnormality) input from the input device 71, and the spindle and the spindle. Labeled data associated with motor adjustment data (including data on the type of assembly failure) and unlabeled data not associated with assembly failure data or adjustment data Including.

前処理部３２は、学習データ記憶部５０に記憶されたラベル付きのデータに基づいて、機械学習装置１００による学習に用いられる状態データＳと判定データＬの組である教師データＴを作成する。また、前処理部３２は、学習データ記憶部５０に記憶されたラベル無しのデータに基づいて、機械学習装置１００による推定に用いられる状態データＳを作成する。前処理部３２は、取得し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、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。また、前処理部３２が作成する判定データＬは、少なくとも異常の有無を含む異常判定データＬ１を含む。 The preprocessing unit 32 creates teacher data T, which is a set of state data S and determination data L used for learning by the machine learning device 100, based on the labeled data stored in the learning data storage unit 50. Further, the preprocessing unit 32 creates state data S used for estimation by the machine learning device 100, based on the data without a label stored in the learning data storage unit 50. The preprocessing unit 32 converts the acquired data into a unified format handled by the machine learning device 100 (numericalization, normalization, sampling, and the like) to create state data S and determination data L. The state data S created by the preprocessing unit 32 includes main shaft current data S1 indicating a current value of the main shaft motor and main shaft vibration data S2 indicating a vibration value generated in the main shaft and the main shaft motor. The determination data L created by the preprocessing unit 32 includes abnormality determination data L1 including at least the presence or absence of an abnormality.

主軸電流データＳ１は、モータ制御装置２からの指令に基づいて駆動する主軸モータに流れる電流値の時系列データを示す。主軸電流データＳ１としては、モータ制御装置２から取得されたデータに基づいて特定した主軸モータに流れる電流値を用いて良いし、主軸モータに対して（センサ３としての）電流計測器を取り付けて、その計測値に基づいて特定した主軸モータに流れる電流値を用いても良い。 The spindle current data S1 indicates time-series data of a current value flowing through a spindle motor driven based on a command from the motor control device 2. As the spindle current data S1, a current value flowing through the spindle motor specified based on data acquired from the motor control device 2 may be used, or a current measuring device (as the sensor 3) may be attached to the spindle motor. Alternatively, a current value flowing through the spindle motor specified based on the measured value may be used.

主軸振動データＳ２は、主軸及び主軸モータの振動値の時系列データを示す。主軸振動データＳ２としては、主軸乃至主軸モータに対して（センサ３としての）振動センサを取り付けて、その検出値に基づいて特定した主軸及び主軸モータの振動値を用いても良い。 The spindle vibration data S2 indicates time-series data of vibration values of the spindle and the spindle motor. As the spindle vibration data S2, a vibration sensor (as the sensor 3) may be attached to the spindle or the spindle motor, and the vibration value of the spindle and the spindle motor specified based on the detected value may be used.

主軸電流データＳ１及び主軸振動データＳ２は、比較的短時間で計測することができ、また、主軸及び主軸モータに以上が発生する場合、これらのデータに徴候が現れることが多いため、これらのデータを状態データＳとして用いることで、主軸及び主軸モータの異常検出の精度を保ちながら出荷前検査の時間を短縮することができる。また、主軸電流データＳ１は、一般的なモータ制御装置２を用いれば計測用のセンサ３を別途取り付ける必要がなく、また、振動センサの取り付けは比較的容易に行えるため、他の検査方法と比較して出荷前検査時における作業コストを低減させることができる。 The spindle current data S1 and the spindle vibration data S2 can be measured in a relatively short time, and when the above occurs in the spindle and the spindle motor, signs often appear in these data. Is used as the state data S, it is possible to shorten the time of the pre-shipment inspection while maintaining the accuracy of the abnormality detection of the spindle and the spindle motor. In addition, the spindle current data S1 can be compared with other inspection methods because it is not necessary to separately attach the measurement sensor 3 if the general motor control device 2 is used, and the vibration sensor can be attached relatively easily. As a result, the operation cost at the time of inspection before shipment can be reduced.

異常判定データＬ１は、主軸及び主軸モータのいずれかに異常が発生しているか否かの情報を少なくとも含む。異常判定データＬ１は、作業者により入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータに基づいて特定された値を用いるようにして良い。異常判定データＬ１は、更に主軸及び主軸モータに異常がある場合に、その組立不良の種類を示す情報を含んでいても良い。異常判定データＬ１に含める組立不良の種類を示す情報としては、例えば軸受内部のグリースの変質や、軸受の慣らし不十分、シャフトの振れ、軸受軌道面の傷、バランス崩れ等が例示される。これらは、実際に異常が検出された際の主軸及び主軸モータの調整時に、作業者による組立不良の種類の調査が行われることで判明した情報として作業者により入力装置７１から入力された調整に係るデータに基づいて特定された値を用いれば良い。 The abnormality determination data L1 includes at least information on whether an abnormality has occurred in either the spindle or the spindle motor. The abnormality determination data L1 may use a value specified based on data relating to the presence or absence of a defective assembly of the spindle and the spindle motor input from the input device 71 by the operator. The abnormality determination data L1 may further include information indicating the type of assembly failure when the spindle and the spindle motor have an abnormality. Examples of the information indicating the type of assembly failure included in the abnormality determination data L1 include, for example, deterioration of grease inside the bearing, insufficient running-in of the bearing, runout of the shaft, damage to the bearing raceway surface, and imbalance. These are the adjustments input from the input device 71 by the operator as information that is found by the fact that the operator investigates the type of assembly failure when adjusting the spindle and the spindle motor when an abnormality is actually detected. A value specified based on such data may be used.

学習部１１０は、前処理部３２が作成した状態データＳ及び判定データＬを用いた半教師あり学習を行い、主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習した学習済みモデルを生成する（学習する）機能手段である。半教師あり学習は、比較的少ないラベル付きデータとラベル無しデータとに基づいて学習を行う学習方法であり、例えばラベル付きデータ（状態データＳと判定データＬを含む教師データＴ）を用いて分類を行う学習モデルを生成し、該学習モデルとラベル無しデータ（状態データＳ）とを用いて、該学習モデルに対して追加で学習を行うことで学習の精度を向上させるブートストラップ法や、ラベル付きデータ及びとラベル無しデータのデータ分布に基づいてグループ分けすることで分類器としての学習モデルを生成するグラフベースアルゴリズム等を含む。 The learning unit 110 performs semi-supervised learning using the state data S and the determination data L created by the pre-processing unit 32, and performs an abnormality of the spindle and the spindle motor with respect to data detected at the time of the inspection of the spindle and the spindle motor before shipment. This is a function means for generating (learning) a learned model in which the presence / absence and the type of assembly failure are learned. Semi-supervised learning is a learning method for performing learning based on relatively few labeled data and unlabeled data. For example, classification is performed using labeled data (teacher data T including state data S and determination data L). A learning model for performing the learning, and using the learning model and the data without label (state data S) to additionally perform learning on the learning model, a bootstrap method for improving learning accuracy, a label, and the like. It includes a graph-based algorithm that generates a learning model as a classifier by grouping based on the data distribution of labeled data and unlabeled data.

本実施形態の学習部１１０は、例えばロジスティック回帰モデルを学習モデルとして用いた教師あり学習を行うように構成しても良い。このように構成する場合、学習部１１０は、例えば前処理部３２から入力された教師データＴに基づく公知の誤差伝播法を実行し、学習モデルのパラメータを更新することで学習を進める。また、本実施形態の学習部１１０は、例えばニューラルネットワークを学習モデルとして用いた教師あり学習を行うように構成しても良い。この様に構成する場合、学習モデルとしては入力層、中間層、出力層の三層を備えたニューラルネットワークを用いても良いが、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることで、より効果的な学習及び推論を行うように構成することも可能である。また、主軸及び主軸モータの出荷前検査時において検出されたデータとしての時系列データを効率よく利用するために、リカレントニューラルネットワークを用いるようにしても良い。 The learning unit 110 of the present embodiment may be configured to perform supervised learning using, for example, a logistic regression model as a learning model. In the case of such a configuration, the learning unit 110 executes a known error propagation method based on, for example, the teacher data T input from the preprocessing unit 32, and advances learning by updating the parameters of the learning model. The learning unit 110 of the present embodiment may be configured to perform supervised learning using, for example, a neural network as a learning model. In such a configuration, a neural network having three layers of an input layer, an intermediate layer, and an output layer may be used as a learning model, but a so-called deep learning using a neural network having three or more layers is used. By using the method described above, it is also possible to perform more effective learning and inference. Further, a recurrent neural network may be used in order to efficiently use time-series data as data detected at the time of inspection before shipment of the spindle and the spindle motor.

なお、学習部１１０は、学習の段階では必須の構成となるが、学習部１１０による主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類の学習が完了した後には必ずしも必須の構成ではない。例えば、学習が完了した製品検査装置１を顧客に出荷する場合等には、学習部１１０を取り外して出荷するようにしても良い。 The learning unit 110 is an essential component at the learning stage. However, the data detected during the pre-shipment inspection of the spindle and the spindle motor by the learning unit 110 indicates the presence or absence of abnormality of the spindle and the spindle motor and the type of assembly failure. After completing the learning, the configuration is not always essential. For example, when the product inspection device 1 for which learning has been completed is to be shipped to a customer, the learning unit 110 may be detached and then shipped.

一方、推定部１２０は、前処理部３２がラベル無しデータに基づいて作成した状態変数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て主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。本実施形態の推定部１２０では、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、前処理部３２から入力された状態データＳ（主軸及び主軸モータから検出されたデータ）を入力データとして入力することで該入力データが属するクラス（主軸及び主軸モータが異常を有するか否か、異常を有する場合はその組立不良の種類）を推定（算出）する。また推定部１２０は、主軸及び主軸モータの動作が属するクラスを推定する際に、該推定の結果の信頼度を算出する。推定部１２０が算出する推定の結果の信頼度は、学習モデルにおけるクラス間の判別境界から見た距離に対応するものであり（判別境界から離れていれば離れているほど入力データがそのクラスに属する信頼度が高くなり、判別境界に近ければ近いほど入力データがそのクラスの属する信頼度は低くなる）、例えば学習モデルとしてロジスティック回帰モデルやニューラルネットワークを用いている場合には、これら学習モデルが出力する、入力がｘであるときのクラスＣ１である事後確率Ｐ（Ｃ１｜ｘ）を用いることができる。推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、例えば表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、半教師あり学習時には、ラベル付与部３４に対して出力される。 On the other hand, the estimating unit 120 uses the learning model stored in the learning model storage unit 130 based on the state variable S created by the preprocessing unit 32 based on the unlabeled data to determine whether the spindle and the spindle motor are abnormal. Estimate the type of assembly failure. In the estimating unit 120 of the present embodiment, the state data S (the data detected from the spindle and the spindle motor) input from the pre-processing unit 32 is applied to the learning model generated by the learning unit 110 (parameters are determined). ) Is input as input data to estimate (calculate) the class to which the input data belongs (whether the spindle and the spindle motor have an abnormality or not, and if so, the type of assembly failure). When estimating the class to which the operation of the spindle and the spindle motor belongs, the estimating unit 120 calculates the reliability of the estimation result. The reliability of the estimation result calculated by the estimating unit 120 corresponds to the distance viewed from the discrimination boundary between classes in the learning model. (The further away from the discrimination boundary, the more the input data is assigned to that class. (The higher the reliability of the class, the closer the classification boundary, the lower the reliability of the input data.) For example, when a logistic regression model or a neural network is used as a learning model, these learning models The posterior probability P (C1 | x) of the class C1 to be output when the input is x can be used. The presence / absence of abnormality of the spindle and the spindle motor estimated by the estimating unit 120 and the type of the assembly failure and the reliability thereof are output to, for example, a display device 70 or a host computer or a cloud computer via a wired / wireless network (not shown). May be transmitted and used. The presence / absence of abnormality of the spindle and the spindle motor estimated by the estimating unit 120, the type of assembly failure, and the reliability thereof are output to the labeling unit 34 at the time of semi-supervised learning.

ラベル付与部３４は、機械学習装置１００による半教師あり学習時に、状態データＳに基づいて推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度に基づいて、該状態データＳの基となるラベル無しデータに対してラベルを付与する機能手段である。ラベル付与部３４は、例えば推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類の信頼度が予め定めた所定の閾値よりも高い場合に、該推定の基となったラベル無しデータに対して、推定した主軸及び主軸モータの異常の有無及び組立不良の種類に対応するラベルを付与し、学習データ記憶部５０に記憶する。このようにしてラベル付与部３４によりラベルが付与されたデータは、改めて学習部１１０による学習の対象として良い。 The label assigning unit 34 determines whether or not there is an abnormality in the spindle and the spindle motor estimated by the estimating unit 120 based on the state data S and the type of assembly failure and its reliability during the semi-supervised learning by the machine learning device 100, This is a functional means for giving a label to the data without label which is the basis of the state data S. For example, if the reliability of the presence or absence of abnormality of the spindle and the spindle motor estimated by the estimating unit 120 and the reliability of the type of assembly failure are higher than a predetermined threshold, the label providing unit 34 performs the label based on the estimation. A label corresponding to the estimated presence / absence of abnormality of the spindle and spindle motor and the type of assembly failure is assigned to the no-data, and stored in the learning data storage unit 50. The data to which the label is assigned by the label assigning unit 34 in this manner may be subject to learning by the learning unit 110 again.

上記構成を備えた製品検査装置１における半教師あり学習の動作例を示す。学習部１１０は、学習の初期の段階において、前処理部３２が学習データ記憶部５０に記憶されたラベル付きデータに基づいて作成した教師データＴを用いた教師あり学習を行うことで学習モデルを仮生成する。この時、与えられるラベル付きデータは、例えば正常品の限度見本に基づいて作成されたデータや、３次元モデルに基づくシミュレーション処理で得られたデータを用いるようにしても良いし、過去に行われた出荷前検査における異常検出時に検出されたデータとその異状原因に係るデータを用いるようにしても良い。その後、推定部１２０は、前処理部３２が学習データ記憶部５０に記憶されたラベル無しデータに基づいて作成した状態データＳに基づく主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。この時、与えられるラベル付きデータは、そして、その推定結果（主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度）に基づいて、ラベル付与部３４が学習データ記憶部５０に記憶されたラベル無しデータに対してラベルを付与することでラベル付きデータとし、新たにラベルを付与されたラベル付きデータを用いて学習部１１０が更なる学習を進める。 An operation example of semi-supervised learning in the product inspection device 1 having the above configuration will be described. The learning unit 110 performs the supervised learning using the teacher data T created by the pre-processing unit 32 based on the labeled data stored in the learning data storage unit 50 in the initial stage of the learning, thereby forming the learning model. Provisionally generated. At this time, as the labeled data to be given, for example, data created based on a limit sample of a normal product, data obtained by a simulation process based on a three-dimensional model may be used, or data obtained in the past may be used. Alternatively, data detected at the time of abnormality detection in the pre-shipment inspection and data relating to the cause of the abnormality may be used. Thereafter, the estimating unit 120 estimates the presence or absence of abnormality of the spindle and the spindle motor and the type of the assembly failure based on the state data S created by the preprocessing unit 32 based on the unlabeled data stored in the learning data storage unit 50. Do. At this time, the labeling unit 34 stores the labeling data in the learning data storage unit 50 based on the estimation result (the presence or absence of abnormality of the spindle and the spindle motor, the type of assembly failure, and the reliability thereof). Labeled data is assigned to the unlabeled data that has been given as labeled data, and the learning unit 110 proceeds with further learning using the newly labeled data with label.

上記構成を備えた製品検査装置１を用いて主軸及び主軸モータの出荷前検査を行う際には、モータ制御装置２により検査に用いる制御用プログラムを実行させることで主軸モータに対して検査時動作を行わせ、その動作時の状態を示すデータをモータ制御装置２、センサ３等から取得し、学習データ記憶部５０に記憶させる。そして、該データに基づいて前処理部３２により状態データＳを作成し、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（学習済みモデル）を用いて推定部１２０による主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行わせる。そして、推定部１２０による推定結果を表示装置７０に表示する等して作業者が検査の結果を確認し、異常がない場合にはそのまま出荷へと回し、異常がある場合にはその組立不良の種類に応じた調整を行った上で再度出荷前検査を行う。 When the pre-shipment inspection of the spindle and the spindle motor is performed using the product inspection device 1 having the above-described configuration, the motor control device 2 executes a control program used for the inspection, thereby performing the inspection operation on the spindle motor. Is performed, the data indicating the state at the time of the operation is acquired from the motor control device 2, the sensor 3, and the like, and stored in the learning data storage unit 50. Then, based on the data, the preprocessing unit 32 creates state data S, and based on the created state data S, uses the learning model (learned model) stored in the learning model storage unit 130 to estimate the state data 120. , The presence or absence of abnormality in the spindle and the spindle motor and the type of assembly failure are estimated. Then, the operator confirms the result of the inspection by, for example, displaying the result of estimation by the estimating unit 120 on the display device 70. After the adjustment according to the type, the inspection before shipment is performed again.

本実施形態の製品検査装置１の一変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸及び主軸モータの駆動時に発生する音（の時系列データ）を示す主軸駆動音データＳ３を含むようにしても良い。主軸モータから発生する音は、概ね振動値で代用できるが、軸受内部で発生した音が外部へは音としては出力される一方で、モータ、主軸の表面へは振動値として現れることがない場合があるため、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。 As a modified example of the product inspection apparatus 1 of the present embodiment, as the state data S, in addition to the spindle current data S1 and the spindle vibration data S2, a sound (time-series data) generated when the spindle and the spindle motor are driven. May be included. The noise generated from the spindle motor can be replaced by vibration value, but the sound generated inside the bearing is output as sound to the outside, but does not appear as a vibration value on the surface of the motor or spindle. Therefore, by including this in the state data S, it can be expected that the accuracy of estimating the type of assembly defect is improved.

本実施形態の製品検査装置１の他の変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸モータの速度値（の時系列データ）を示す主軸速度データＳ４を含むようにしても良い。主軸モータの速度値は、概ね電流で代用できるが、コギングトルクの測定等は速度値の方に現れやすい場合があるため、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。 As another modified example of the product inspection apparatus 1 of the present embodiment, as the state data S, in addition to the spindle current data S1 and the spindle vibration data S2, a spindle speed indicating (time-series data of) the speed value of the spindle motor. Data S4 may be included. Although the speed value of the spindle motor can be generally substituted by the current, the measurement of the cogging torque or the like tends to appear in the speed value in some cases. By including this in the state data S, the accuracy of the estimation of the type of assembly failure can be improved. It can be expected to improve.

本実施形態の製品検査装置１の他の変形例として、状態データＳとして、主軸電流データＳ１、主軸振動データＳ２に加えて、更に、主軸モータの温度値（の時系列データ）を示す主軸温度データＳ５を含むようにしても良い。主軸モータの温度値は、長期間、モータ、主軸を稼働させて場合、違いが表れるが、短時間の稼働では差異が表れないため、出荷前検査の時間の短縮を阻害する要因ではあるものの、これを状態データＳに含めることで組立不良の種類の推定の精度が向上することが期待できる。 As another modified example of the product inspection device 1 of the present embodiment, as the state data S, in addition to the spindle current data S1 and the spindle vibration data S2, a spindle temperature indicating (a time-series data of) the temperature value of the spindle motor. The data S5 may be included. The spindle motor temperature value shows a difference when the motor and the spindle are operated for a long period of time, but the difference does not appear when the motor is operated for a short time. By including this in the state data S, it can be expected that the accuracy of estimating the type of assembly defect will be improved.

本実施形態の製品検査装置１の他の変形例として、製品検査装置１は、予め主軸及び主軸モータの組立不良の種類に関連付けて修理方法の情報を不揮発性メモリ１４に記憶しておき、推定部１２０が推定した際に、推定された主軸及び主軸モータの組立不良の種類に関連付けられている修理方法を不揮発性メモリ１４から取得して、表示装置７０に対して表示するように構成しても良い。 As another modified example of the product inspection device 1 of the present embodiment, the product inspection device 1 stores information on a repair method in the nonvolatile memory 14 in advance in association with the type of assembly failure of the spindle and the spindle motor, and estimates When the unit 120 estimates, the repair method associated with the estimated spindle and the type of assembly failure of the spindle motor is acquired from the nonvolatile memory 14 and displayed on the display device 70. Is also good.

図３は、第２実施形態による製品検査装置１と機械学習装置１００の学習時における概略的な機能ブロック図である。図３に示した各機能ブロックは、図１に示した製品検査装置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、製品検査装置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。 FIG. 3 is a schematic functional block diagram during learning of the product inspection device 1 and the machine learning device 100 according to the second embodiment. Each of the functional blocks illustrated in FIG. 3 includes a CPU 11 included in the product inspection device 1 illustrated in FIG. 1 and a processor 101 of the machine learning device 100, which execute respective system programs. It is realized by controlling the operation of each unit of the 100.

本実施形態による製品検査装置１は、教師あり学習による主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習する機械学習装置１００を備える。本実施形態の製品検査装置１は、学習時において、データ取得部３０、前処理部３２を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による学習に用いられるデータを記憶する学習データ記憶部５０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。 The product inspection device 1 according to the present embodiment includes a machine learning device 100 that learns the presence / absence of abnormality of the spindle and the spindle motor and the type of assembly failure with respect to data detected during the inspection before shipment of the spindle and the spindle motor by supervised learning. Prepare. The product inspection device 1 of the present embodiment includes a data acquisition unit 30 and a preprocessing unit 32 during learning, and the machine learning device 100 included in the product inspection device 1 includes a learning unit 110 and an estimation unit 120. A learning data storage unit 50 for storing data used for learning by the machine learning device 100 is provided on the nonvolatile memory 14, and a learning unit 110 is provided on the nonvolatile memory 104 of the machine learning device 100. Is provided with a learning model storage unit 130 for storing a learning model constructed by machine learning according to.

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１から入力された各種データを取得する機能手段である。データ取得部３０が学習時に取得するデータは、入力装置７１から入力された主軸及び主軸モータの組立不良の有無に係るデータ（異常有り／無しに係るデータを含む）や、主軸及び主軸モータの調整にかかるデータ（組立不良の種類に係るデータを含む）と関連付けられたラベル付きのデータを含む。 The data acquisition unit 30 is a functional unit that acquires various data input from the motor control device 2, the sensor 3, and the input device 71. The data acquired by the data acquisition unit 30 at the time of learning includes data relating to the presence / absence of assembly failure of the spindle and the spindle motor (including data relating to the presence / absence of abnormality) input from the input device 71 and adjustment of the spindle and the spindle motor. (Including data relating to the type of assembly failure).

前処理部３２は、学習データ記憶部５０に記憶されたラベル付きのデータに基づいて、機械学習装置１００による学習に用いられる状態データＳと判定データＬの組である教師データＴを作成する。前処理部３２は、取得し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、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。また、前処理部３２が作成する判定データＬは、少なくとも異常の有無を含む異常判定データＬ１を含む。 The preprocessing unit 32 creates teacher data T, which is a set of state data S and determination data L used for learning by the machine learning device 100, based on the labeled data stored in the learning data storage unit 50. The preprocessing unit 32 converts the acquired data into a unified format handled by the machine learning device 100 (numericalization, normalization, sampling, and the like) to create state data S and determination data L. The state data S created by the preprocessing unit 32 includes main shaft current data S1 indicating a current value of the main shaft motor and main shaft vibration data S2 indicating a vibration value generated in the main shaft and the main shaft motor. The determination data L created by the preprocessing unit 32 includes abnormality determination data L1 including at least the presence or absence of an abnormality.

学習部１１０は、前処理部３２が作成した状態データＳ及び判定データＬを用いた教師あり学習を行い、主軸及び主軸モータの出荷前検査時において検出されたデータに対する主軸及び主軸モータの異常の有無及び組立不良の種類を学習した学習済みモデルを生成する（学習する）。本実施形態の学習部１１０は、第１実施形態と同様に、例えばロジスティック回帰モデルやニューラルネットワークを学習モデルとして用いても良い。 The learning unit 110 performs supervised learning using the state data S and the determination data L created by the pre-processing unit 32, and determines whether the abnormality of the spindle and the spindle motor with respect to the data detected at the time of the pre-shipment inspection of the spindle and the spindle motor. A learned model in which the presence / absence and the type of assembly failure are learned is generated (learned). The learning unit 110 of the present embodiment may use, for example, a logistic regression model or a neural network as the learning model, as in the first embodiment.

図４は、第２実施形態による製品検査装置１と機械学習装置１００の推定時における概略的な機能ブロック図である。図４に示した各機能ブロックは、図１に示した製品検査装置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、製品検査装置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。 FIG. 4 is a schematic functional block diagram at the time of estimation of the product inspection device 1 and the machine learning device 100 according to the second embodiment. In each functional block shown in FIG. 4, the CPU 11 provided in the product inspection device 1 shown in FIG. 1 and the processor 101 of the machine learning device 100 execute respective system programs, and the product inspection device 1 and the machine learning device It is realized by controlling the operation of each unit of the 100.

本実施形態の製品検査装置１は、推定時において、データ取得部３０、前処理部３２を備え、製品検査装置１が備える機械学習装置１００は、学習部１１０、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による推定に用いられる状態データを記憶する状態データ記憶部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した学習モデル記憶部１３０が設けられている。 The product inspection device 1 of the present embodiment includes a data acquisition unit 30 and a pre-processing unit 32 at the time of estimation, and the machine learning device 100 included in the product inspection device 1 includes a learning unit 110 and an estimation unit 120. A state data storage unit 52 for storing state data used for estimation by the machine learning device 100 is provided on the nonvolatile memory 14, and a learning unit is stored on the nonvolatile memory 104 of the machine learning device 100. A learning model storage unit 130 that stores a learning model constructed by machine learning by 110 is provided.

データ取得部３０は、モータ制御装置２、センサ３、及び入力装置７１から入力された各種データを取得する機能手段である。データ取得部３０が学習時に取得するデータは、組立不良の有無に係るデータや調整に係るデータと関連付けられていないラベル無しのデータを含む。 The data acquisition unit 30 is a functional unit that acquires various data input from the motor control device 2, the sensor 3, and the input device 71. The data acquired by the data acquisition unit 30 at the time of learning includes data on the presence or absence of an assembly defect and data without a label that is not associated with the data on adjustment.

前処理部３２は、学習データ記憶部５０に記憶されたラベル無しのデータに基づいて、機械学習装置１００による推定に用いられる状態データＳを作成する。前処理部３２は、取得し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、正規化、サンプリング等）して状態データＳ及び判定データＬを作成する。前処理部３２が作成する状態データＳは、主軸モータの電流値を示す主軸電流データＳ１及び主軸及び主軸モータに発生する振動値を示す主軸振動データＳ２を含む。 The preprocessing unit 32 creates state data S used for estimation by the machine learning device 100 based on the data without a label stored in the learning data storage unit 50. The preprocessing unit 32 converts the acquired data into a unified format handled by the machine learning device 100 (numericalization, normalization, sampling, and the like) to create state data S and determination data L. The state data S created by the preprocessing unit 32 includes main shaft current data S1 indicating a current value of the main shaft motor and main shaft vibration data S2 indicating a vibration value generated in the main shaft and the main shaft motor.

推定部１２０は、前処理部３２が作成した状態変数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て主軸及び主軸モータの異常の有無及び組立不良の種類の推定を行う。本実施形態の推定部１２０では、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、前処理部３２から入力された状態データＳ（主軸及び主軸モータから検出されたデータ）を入力データとして入力することで該入力データが属するクラス（主軸及び主軸モータが異常を有するか否か、異常を有する場合はその組立不良の種類）を推定（算出）する。推定部１２０が推定した主軸及び主軸モータの異常の有無及び組立不良の種類及びその信頼度は、例えば表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。 The estimating unit 120 estimates the presence or absence of abnormality of the spindle and the spindle motor and the type of assembly failure based on the state variable S created by the preprocessing unit 32, using the learning model stored in the learning model storage unit 130. . In the estimating unit 120 of the present embodiment, the state data S (the data detected from the spindle and the spindle motor) input from the pre-processing unit 32 is applied to the learning model generated by the learning unit 110 (parameters are determined). ) Is input as input data to estimate (calculate) the class to which the input data belongs (whether the spindle and the spindle motor have an abnormality or not, and if so, the type of assembly failure). The presence / absence of abnormality of the spindle and the spindle motor estimated by the estimating unit 120 and the type of the assembly failure and the reliability thereof are output to, for example, a display device 70 or a host computer or a cloud computer via a wired / wireless network (not shown). May be transmitted and used.

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。 As described above, the embodiments of the present invention have been described, but the present invention is not limited to the above-described embodiments, and can be implemented in various modes by making appropriate changes.

例えば、機械学習装置１００が実行する学習アルゴリズム、機械学習装置１００が実行する演算アルゴリズム、製品検査装置１が実行する制御アルゴリズム等は、前記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。 For example, the learning algorithm executed by the machine learning device 100, the operation algorithm executed by the machine learning device 100, the control algorithm executed by the product inspection device 1, and the like are not limited to those described above, and various algorithms can be adopted.

また、上記した実施形態では製品検査装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は製品検査装置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。 In the above embodiment, the product inspection device 1 and the machine learning device 100 are described as devices having different CPUs (processors). However, the machine learning device 100 is stored in the CPU 11 of the product inspection device 1 and stored in the ROM 12. It may be realized by a system program.

１製品検査装置
２モータ制御装置
３センサ
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１６〜１９インタフェース
２０バス
２１インタフェース
３０データ取得部
３２前処理部
３４ラベル付与部
５０学習データ記憶部
５２状態データ記憶部
７０表示装置
７１入力装置
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１１０学習部
１２０推定部
１３０学習モデル記憶部 Reference Signs List 1 product inspection device 2 motor control device 3 sensor 11 CPU
12 ROM
13 RAM
14 Nonvolatile Memory 16-19 Interface 20 Bus 21 Interface 30 Data Acquisition Unit 32 Preprocessing Unit 34 Label Assignment Unit 50 Learning Data Storage Unit 52 State Data Storage Unit 70 Display Device 71 Input Device 100 Machine Learning Device 101 Processor 102 ROM
103 RAM
104 Non-volatile memory 110 Learning unit 120 Estimation unit 130 Learning model storage unit

Claims

A product inspection device that learns the presence or absence of assembly failure of a spindle and a spindle motor and the type of assembly failure,
Before creating state data indicating the operating state of the spindle and the spindle motor and determination data indicating the presence or absence of assembly failure and the type of assembly failure of the spindle and the spindle motor based on the data related to the spindle and the spindle motor. A processing unit;
According to a data set created based on a combination of the state data and the determination data, a learning unit that generates a learning model that has learned the presence or absence of assembly failure and the type of assembly failure of the spindle and the spindle motor,
A product inspection device comprising:

The state data includes at least main shaft current data indicating a current flowing when the main shaft motor is driven, and main shaft vibration data indicating vibration at the time of driving the main shaft and the main shaft motor,
The product inspection device according to claim 1.

The state data further includes spindle drive sound data indicating a sound when the spindle motor is driven,
The product inspection device according to claim 2.

The state data further includes spindle speed data indicating a speed at the time of driving the spindle motor,
The product inspection device according to claim 2.

The state data further includes spindle temperature data indicating a temperature during operation of the spindle motor,
The product inspection device according to claim 2.

An estimating unit that estimates presence or absence of assembly failure of the spindle and the spindle motor and a type of assembly failure using the learning model, based on state data indicating an operation state of the spindle and the spindle motor;
A label assigning unit that assigns a label indicating presence / absence of assembly failure of the spindle and the spindle motor and a type of assembly failure to state data indicating an operation state of the spindle and the spindle motor based on the estimation result by the estimation unit. ,
Further comprising
The preprocessing unit creates state data and determination data based on the data to which the label providing unit has provided a label,
The learning unit proceeds with learning of the learning model using state data and determination data created by the preprocessing unit based on the data to which the label providing unit has provided a label,
The product inspection device according to claim 1.

A product inspection apparatus for estimating the presence or absence of assembly failure of a spindle and a spindle motor and the type of assembly failure,
A pre-processing unit that creates state data indicating an operation state of the spindle and the spindle motor based on data related to the spindle and the spindle motor;
A learning model storage unit that stores a learned model that has learned the presence or absence of assembly failure of the spindle and the spindle motor with respect to the operation state of the spindle and the spindle motor, and the type of assembly failure;
Based on the state data, an estimating unit that estimates the presence or absence of assembly failure of the spindle and the spindle motor using the learned model and the type of assembly failure,
A product inspection device comprising: