JP2020131342A - 切削液量調整装置及び切削液量調整システム - Google Patents

Abstract

【課題】ワークの加工により発生する切削熱や切削液の種類、切削液の温度などを考慮して、適切な切削液の吐出量へと調整することが可能な切削液量調整装置を提供すること。【解決手段】本発明の切削液量調整装置１は、工作機械２の加工状態を示すデータ、及び切削液供給装置３から供給される切削液に係るデータを少なくとも取得するデータ取得部３４と、データ取得部３４が取得したデータに基づいて、機械学習に用いるデータを作成する前処理部３６と、前処理部３６が作成したデータに基づいて、工作機械２のワークの加工が行われる環境における、切削液ノズルからの切削液の吐出量に係る機械学習の処理を実行する機械学習装置１００と、を備える。【選択図】図２

Description

本発明は、切削液量調整装置及び切削液量調整システムに関する。

少なくとも１つの切削液ノズルを備えた工作機械では、ワークを加工する切削加工等において該ワークに対して水溶性乃至不水溶性の切削液を吹き付けることで、工具の潤滑性向上、工具やワークの冷却、切粉の洗浄等を行っている。工作機械によるワークの加工中に使用される切削液の量は、加工条件や加工内容、切削液の性質、環境温度等によって異なり、作業者が経験に基づいて、適切な切削液の単位時間あたりの吐出量を設定している。

通常、作業者が設定した切削液の単位時間あたりの吐出量は、ワークの加工中に変更されることはない。そのため、例えばワークに切削液が掛からない位置に対して切削液を吐出するノズルからも所定量の切削液が吐出され、切削液の使用効率を低下させる原因となっている。このような課題に対して、特許文献１に開示される技術では、ノズルからの切削液の吐出範囲と、ワークの形状に基づいて、それぞれのノズルから吐出させる切削液の量を調整するようにしている。

特開２０１７−１１３８４９号公報

しかしながら、ワークの加工において発生する切削熱は、工具の種類や加工条件、加工の目的（荒加工、仕上げ加工）、ワークの材質等によって異なるため、これらを考慮しないことには工具やワークの冷却のために適切な切削液の吐出量へと調整することが困難である。また、切削液には水溶性の切削液や非水溶性の切削液、粘度の異なる切削液等、様々な種類のものがあり、切削液の種類によって冷却効果や潤滑効果が異なり、また、切削液の温度によっても冷却効果に違いが出る。そのため、これらの様々な条件を考慮して、各ノズルから吐出する切削液の量を調整する必要がある。

そのため、ワークの加工により発生する切削熱や切削液の種類、切削液の温度などを考慮して、適切な切削液の吐出量へと調整することが可能な切削液量調整装置及び切削液量調整システムが望まれている。

本発明の一態様は、ワークを加工する工作機械の加工領域に切削液を供給する切削液供給装置が備える少なくとも１つの切削液ノズルからの切削液の吐出量を調整する切削液量調整装置であって、前記工作機械の加工状態を示すデータ、及び前記切削液供給装置から供給される切削液に係るデータを少なくとも取得するデータ取得部と、前記データ取得部が取得したデータに基づいて、機械学習に用いるデータを作成する前処理部と、前記前処理部が作成したデータに基づいて、前記工作機械の前記ワークの加工が行われる環境における、前記切削液ノズルからの切削液の吐出量に係る機械学習の処理を実行する機械学習装置と、を備えた切削液量調整装置である。

本発明の他の態様は、複数の装置がネットワークを介して相互に接続されたシステムであって、前記複数の装置は、少なくとも学習部を備えた切削液量調整装置を含む切削液量調整システムである。

本発明の一態様によれば、ワークの加工により発生する切削熱や切削液の種類、切削液の温度などを考慮した、適切な切削液の吐出量の調整を行うことができるようになる。

一実施形態による切削液量調整装置の概略的なハードウェア構成図である。 第１実施形態による制御装置の概略的な機能ブロック図である。 ワークに係る状態データについて説明する図である。 切削液ノズルに係る状態データについて説明する図である。 第１実施形態による学習部の動作について説明する図である。 第２実施形態による切削液量調整装置の概略的な機能ブロック図である。 吐出量決定部の動作について説明する図である。 第３実施形態による学習部の動作について説明する図である。 第４実施形態による切削液量調整装置の概略的な機能ブロック図である。 第５実施形態による切削液量調整装置の概略的な機能ブロック図である。 第６実施形態による切削液量調整装置の概略的な機能ブロック図である。 クラウドサーバ、フォグコンピュータ、エッジコンピュータを含む３階層構造のシステムの例を示す図である。 コンピュータ上に実装した形態での切削液量調整装置の概略的なハードウェア構成図である。 第７実施形態による切削液量調整システムの概略的な構成図である。 第８実施形態による切削液量調整システムの概略的な構成図である。 第９実施形態による切削液量調整システムの概略的な構成図である。

以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた切削液量調整装置の要部を示す概略的なハードウェア構成図である。本実施形態の切削液量調整装置１は、例えば工作機械を制御する制御装置上に実装することができる。また、本実施形態の切削液量調整装置１は、工作機械を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続された管理装置、エッジコンピュータ、フォグコンピュータ、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、切削液量調整装置１を、工作機械を制御する制御装置上に実装した場合の例を示す。

本実施形態による切削液量調整装置１が備えるＣＰＵ１１は、切削液量調整装置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切削液量調整装置１の全体を制御する。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。

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るなどして、切削液量調整装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、インタフェース１５を介して外部機器７２から読み込まれたプログラムや表示器／ＭＤＩユニット７０を介して入力されたプログラム、切削液量調整装置１の各部や工作機械、切削液供給装置３等から取得された各種データ（例えば、工具の種類等の工具に係る情報、主軸回転数、送り速度、切り込み量等の切削条件に係る情報、荒加工や仕上げ加工等の加工工程に係る情報、ワーク材質、ワーク形状等のワークに係る情報、切削液の種類や温度等の切削液に係る情報、各ノズルの吐出範囲に係る情報、切削液の吐出量に係る情報等）が記憶されている。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、公知の解析プログラムなどの各種のシステム・プログラム（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システム・プログラムを含む）があらかじめ書き込まれている。

インタフェース１５は、切削液量調整装置１とアダプタ等の外部機器７２と接続するためのインタフェースである。外部機器７２側からはプログラムや各種パラメータ等が読み込まれる。また、切削液量調整装置１内で編集したプログラムや各種パラメータ等は、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、切削液量調整装置１に内蔵されたシーケンス・プログラムで工作機械及び切削液供給装置３等のような該工作機械の周辺装置との間でＩ／Ｏユニット１７を介して信号の入出力を行い制御する。

切削液供給装置３は、工作機械の加工範囲に切削液を供給する装置である。切削液供給装置３は、切削液を貯めるタンクと、該タンクから切削液供給路を介して切削液を供給するポンプと、該切削液供給路に接続され、工作機械の加工範囲に切削液を吐出する少なくとも１つの切削液ノズル、を備える。切削液量調整装置１は、ＰＭＣ１６から出力される信号を介して、各切削液ノズルから供給される切削液の吐出量を調整する。また、切削液供給装置３は、各切削液ノズルから吐出される切削液の量を、ＰＭＣ１６を介してＣＰＵ１１に渡す。

表示器／ＭＤＩユニット７０はディスプレイやキーボード等を備えた手動データ入力装置であり、インタフェース１８は表示器／ＭＤＩユニット７０のキーボードからの指令，データを受けてＣＰＵ１１に渡す。インタフェース１９は各軸を手動で駆動させる際に用いる手動パルス発生器等を備えた操作盤７１に接続されている。

工作機械の各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、工作機械が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０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、サーボモータ５０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工作機械に備えられた軸の数（例えば、直線３軸を備えた工作機械であれば３つ、５軸加工機であれば５つ）だけ用意される。

スピンドル制御回路６０は、工作機械の主軸への主軸回転指令を受け、スピンドルアンプ６１にスピンドル速度信号を出力する。スピンドルアンプ６１はこのスピンドル速度信号を受けて、主軸のスピンドルモータ６２を指令された回転速度で回転させ、工具を駆動する。スピンドルモータ６２にはポジションコーダ６３が結合され、ポジションコーダ６３が主軸の回転に同期して帰還パルスを出力し、その帰還パルスはＣＰＵ１１によって読み取られる。

インタフェース２１は、切削液量調整装置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を介して切削液量調整装置１で取得可能な各情報（例えば、工具の種類等の工具に係る情報、主軸回転数、送り速度、切り込み量等の切削条件に係る情報、荒加工や仕上げ加工等の加工工程に係る情報、ワーク材質、ワーク形状等のワークに係る情報、切削液の種類や温度等の切削液に係る情報、各ノズルの吐出範囲に係る情報、切削液の吐出量に係る情報等）を観測することができる。また、切削液量調整装置１は、機械学習装置１００から出力される情報を受けて、工作機械や切削液吐出装置の制御、表示器／ＭＤＩユニット７０への表示、図示しないネットワークを介した他の装置に対する情報の送信等を行う。

図２は、第１実施形態による切削液量調整装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の切削液量調整装置１は、機械学習装置１００が教師あり学習を行う場合に必要とされる構成を備えている（学習モード）。図２に示した各機能ブロックは、図１に示した切削液量調整装置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、切削液量調整装置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。

本実施形態の切削液量調整装置１は、制御部３２、データ取得部３４、前処理部３６を備え、切削液量調整装置１が備える機械学習装置１００は、学習部１１０を備えている。また、図１で示した不揮発性メモリ１４上には、工作機械２、切削液供給装置３等から取得されたデータが記憶される取得データ記憶部５２が設けられており、図１で示した機械学習装置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。

制御部３２は、図１に示した切削液量調整装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、軸制御回路３０、スピンドル制御回路６０、及びＰＭＣ１６を介した工作機械２及び切削液供給装置３の制御処理が行われることで実現される。制御部３２は、図１で示した不揮発性メモリ１４に記憶された制御用プログラム５４に基づいて、工作機械２及び切削液供給装置３の動作を制御する機能手段である。制御部３２は、制御用プログラム５４により工作機械２が備える各軸を駆動するサーボモータ５０（図１）、スピンドルモータ（図１）に対して制御周期毎に移動指令を出力する等といったように、工作機械２の各部を制御するために必要とされる一般的な制御のための機能を備える。また、制御部３２は、切削液供給装置３に対して、それぞれの切削液ノズルから吐出される切削液の量を調整する指令を出力する。更に、制御部３２は、工作機械２及び切削液供給装置３から、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態に係る情報を受け取り、データ取得部３４に対して出力する。制御部３２が、工作機械２及び切削液供給装置３から取得し、データ取得部３４に出力するデータは、例えば、工具の種類等の工具に係る情報、主軸回転数、送り速度、切り込み量等の切削条件に係る情報、荒加工や仕上げ加工等の加工工程に係る情報、ワーク材質、ワーク形状等のワークに係る情報、切削液の種類や温度等の切削液に係る情報、各ノズルの吐出範囲に係る情報、切削液の吐出量に係る情報等が挙げられる。

データ取得部３４は、図１に示した切削液量調整装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。データ取得部３４は、制御部３２から入力された工作機械２による加工状態に係るデータ及び切削液供給装置３から供給される切削液の状態に係るデータ、表示器／ＭＤＩユニット７０から作業者により入力された切削液量に対する評価に係るデータ等を取得データ記憶部５２に対して記憶する機能手段である。データ取得部３４は、制御部３２から入力された工作機械２による加工状態に係るデータ及び切削液供給装置３から供給される切削液の状態に係るデータと、各切削液ノズルから吐出された切削液量に対する評価に係るデータとを関連付けて、取得データとして取得データ記憶部５２に記憶する。

前処理部３６は、図１に示した切削液量調整装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。前処理部３６は、データ取得部３４が取得したデータに基づいて、機械学習装置１００による機械学習に用いられる学習データを作成する機能手段である。前処理部３６は、データ取得部３４が取得した（そして、取得データ記憶部５２に記憶された）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、サンプリング等）した学習データを作成する。例えば、前処理部３６は、機械学習装置１００が教師あり学習をする場合においては、該学習における所定の形式の状態データＳ及びラベルデータＬの組を学習データとして作成する。

本実施形態による前処理部３６が作成する状態データＳとしては、工作機械２によるワークの加工に用いられる工具に係る情報を含む工具データＳ１、工作機械２によるワークの加工での加工条件に係る情報を含む加工条件データＳ２、工作機械２により加工されるワークに係る情報を含むワークデータＳ３、切削液供給装置３により工作機械２の加工領域へと供給される切削液に係る情報を含む切削液データＳ４、工作機械２によるワークの加工工程に係る情報を含む加工工程データＳ５、切削液供給装置３が備える切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データＳ６、切削液供給装置３が備える切削液ノズルから吐出される切削液の量を含む切削液吐出量データＳ７を少なくとも含む。

工具データＳ１は、工作機械２によるワークの加工に用いられる工具の種別や工具の材質を示すデータ列として定義される。工具の種別に関しては、例えばバイト、フライス工具、ドリル工具等のように、工具の形状や加工時の使用方法に応じて分類して、それぞれ一意に識別可能な数値で表すようにしても良い。また、工具の材質については、例えばハイス鋼や超硬合金等のような工具材質をそれぞれ一意に識別可能な数値で表すようにしても良い。工具データＳ１は、作業者により切削液量調整装置１や工作機械２に対して設定された工具に係る情報を取得して、該取得した工具に係る情報に基づいて作成すれば良い。

加工条件データＳ２は、工作機械２によるワークの加工において設定乃至指令される、主軸回転数、送り速度、切り込み量等の加工条件を要素としたデータ列として定義される。主軸回転数、送り速度、切り込み量等については、それぞれの加工条件の値を所定の単位で示した数値を用いれば良い。それぞれの加工条件の値は、制御用プログラム５４で指令されたり、制御用のデフォルト値として設定されているので、これらを取得して作成すれば良い。

ワークデータＳ３は、工作機械２により加工されるワークの材質や、加工中のワークの形状を示すデータ列として定義される。ワークの材質に関しては、例えばアルミ、鉄等のようなワーク材質をそれぞれ一意に識別可能な数値で表すようにしても良い。加工中のワークの形状については、例えば図３に例示されるように、工作機械２が備えるテーブルを所定のエリアに分割し、該テーブル上に載置されたワークの各エリアにおける高さ（該エリアにおける高さの平均値）を示すデータ列として表すようにしても良い。なお、図３の例では、説明を簡単にするために、テーブルを横から見て、該テーブルを横に並べた複数のエリアに分割しているが、実際にはテーブル上面の２次元平面を複数の矩形エリアに分割するようにして、それぞれの矩形エリア内でのワークの高さを示すデータ列としてワークの形状を示すようにしても良い。ワークデータＳ３は、作業者により切削液量調整装置１や工作機械２に対して設定されたワークに係る情報や、加工開始前に測定されるワークの形状やＣＡＤ／ＣＡＭ装置から取得されるデータ、制御用プログラム５４を解析して得られる加工経過に係るデータ等に基づいて作成すれば良い。

切削液データＳ４は、工作機械２の加工領域に吐出される切削液の種類や、切削液の温度を示すデータ列として定義される。切削液の種類に関しては、例えば水溶性Ａ１種、不溶性Ｎ１種等のような切削液の種類をそれぞれ一意に識別可能な数値で表すようにしても良い。切削液の温度については、切削液の温度値を所定の単位で示した数値を用いれば良い。切削液データＳ４は、作業者により切削液量調整装置１や工作機械２に対して設定された切削液に係る情報や、切削液供給装置３が備えるセンサ等で検出された値等を取得して、該取得した切削液に係る情報に基づいて作成すれば良い。

加工工程データＳ５は、工作機械２によるワークの加工の工程を示すデータとして定義される。加工の工程に関しては、例えば荒加工、中仕上げ加工、仕上げ加工等のような加工工程をそれぞれ一意に識別可能な数値で表すようにしても良い。加工工程データＳ５は、加工開始前にＣＡＤ／ＣＡＭ装置から取得されるデータ、制御用プログラム５４を解析して得られる加工工程に係るデータ等に基づいて作成すれば良い。

切削液吐出位置データＳ６は、切削液供給装置３が備えるそれぞれの切削液ノズルによる切削液の吐出位置を示すデータ列として定義される。切削液ノズルによる切削液の吐出位置は、例えば図４に例示されるように、工作機械２が備えるテーブルを所定のエリアに分割し、切削液ノズルから吐出されている切削液がいずれのエリアに掛かっているのかを示すデータ列として表すようにしても良い。例えば、図４の例では、切削液ノズル３０１ａは、エリアａ及びエリアｂに対して切削液を吐出しているので、切削液ノズル３０１ａに関する切削液吐出位置データＳ６は、各エリアに対して切削液が掛かっている場合を１、切削液が掛かって無い場合を０として、（１，１，０，０，０）等と表現するようにしても良い。なお、図４の例では、説明を簡単にするために、テーブルを横から見て、該テーブルを横に並べた複数のエリアに分割しているが、実際にはテーブル上面の２次元平面を複数の矩形エリアに分割するようにして、それぞれの矩形エリアに対して切削液が掛かっているか否かを示すデータ列として切削液の吐出位置を示すようにしても良い。切削液吐出位置データＳ６は、切削液ノズルの配置に応じて予め作業者が表示器／ＭＤＩユニット７０から設定するようにしても良い。

切削液吐出量データＳ７は、切削液供給装置３が備えるそれぞれの切削液ノズルから吐出される切削液の量を示すデータとして定義される。切削液ノズルから吐出される切削液の量は、単位時間あたりの切削液の吐出量を所定の単位での数値で表したものとしてもよいし、例えば切削液ノズルから吐出される切削液の量を複数の段階（例えば、１０段階）で示した数値で表すようにしても良い。切削液吐出量データＳ７は、切削液供給装置３から取得した各切削液ノズルにおける切削液の吐出量に基づいて作成しても良い。

前処理部３６が作成するラベルデータＬは、前記した状態データＳが取得される加工の状態において、それぞれの切削液ノズルから吐出される切削液の吐出量が十分であるか否かを示す評価に係るデータである吐出量良否データＬ１を少なくとも含む。

吐出量良否データＬ１は、切削液ノズルのそれぞれについて、切削液の吐出量が十分であるか否かを示す評価に係るラベル値を取るデータとして定義される。吐出量良否データＬ１は、例えば工作機械２によるワークの加工状況を観察している作業者が表示器／ＭＤＩユニット７０を用いた入力操作に基づいて作成するようにしても良い。これは、それぞれの切削液ノズルに対して作業者が直接切削液の吐出量が十分であるか否かを入力するようにしてもよいし、作業者がいずれかの切削液ノズルから吐出される切削液の量を調整し、その状態で所定時間だけ同じ加工状態が継続した場合に、吐出量を調整した切削液ノズルについて、調整後の切削液の量が十分な量であるとして吐出量良否データＬ１を作成するようにしても良い。また、吐出量良否データＬ１は、例えば工作機械２に取り付けたサーモグラフィ等の温度センサを用いてワークの各部分の温度を計測し、その計測結果に基づいて作成するようにしても良い。例えば、図４に示した例では、エリアａ〜エリアｅにおけるワークの温度を計測し、エリアｃの位置が十分に温度が下がっていなかった場合、切削液ノズル３０１ｂ，３０１ｃ，３０１ｄ（いずれもエリアｃに切削液を掛けている切削液ノズル）に関して吐出量が十分ではないとするラベル値を作成しても良い。更に、吐出量良否データＬ１は、例えば工作機械２に取り付けた視覚センサや距離センサ等を用いてワークの各部分から切粉が十分に取り除かれているか否かに基づいて作成するようにしても良い。

学習部１１０は、図１に示した切削液量調整装置１が備えるプロセッサ１０１がＲＯＭ１０２から読み出したシステム・プログラムを実行し、主としてプロセッサ１０１がＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理を行うことで実現される。本実施形態による学習部１１０は、前処理部３６が作成した学習データを用いた機械学習を行う。学習部１１０は、公知の教師あり学習の手法により、工作機械２による加工状態及び切削液供給装置３による切削液の供給状態に対する、切削液ノズルから吐出される切削液の吐出量の評価を学習した学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師あり学習の手法としては、ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が挙げられる。

本実施形態による学習部１１０は、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量の評価と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した学習モデルを生成する。例えば、図４に示したように切削液ノズルが５つある場合、学習部１１０は、それぞれの切削液ノズルの吐出量を学習した５つの学習モデルを生成する。図５は、学習部１１０が、状態データＳ及びラベルデータＬを用いて、それぞれの切削液ノズル毎に学習モデルを作成する概要を示す図である。図５に示すように、状態データＳの内で、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５に関しては、複数の切削液ノズルの間で共通して用いることができる。学習部１１０は、これらの状態データに、それぞれの切削液ノズル毎に作成された、切削液吐出位置データＳ６、切削液吐出量データＳ７、及び吐出量データＬ１を加えて、これらのデータを用いたそれぞれの切削液ノズル用の学習モデルを生成する。このようにして本実施形態による学習部１１０が生成する学習モデルは、それぞれの切削ノズルについて、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態が与えられた時に、そのような状態において切削液ノズルから吐出される切削液の吐出量が十分であるか否かを推定するものとなる。

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による切削液ノズルから吐出される切削液の吐出量の評価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、学習が完了した機械学習装置１００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。

上記した構成を備えた本実施形態による切削液量調整装置１は、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量の評価と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した学習モデルを生成する。そして、このようにして生成された学習モデルを用いて、後述する推定部１２０は、工作機械２及び切削液供給装置３から取得された状態データＳに基づいて、取得された状態におけるより適切な各切削液ノズルから吐出する切削液の量を決定するために必要な推定処理を行うことができるようになる。

本実施形態による切削液量調整装置１の変形例として、前処理部３６は、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６、切削液吐出量データＳ７に加えて、更に工作機械２の主軸の位置を示す主軸位置データＳ８を状態データとして作成しても良い。主軸位置データＳ８は、例えば図３に例示した、工作機械２のテーブル上のいずれのエリア上に主軸があるのかを示すデータとして定義できる。工作機械２におけるワークの加工においては、主軸に取り付けられた工具とワークとの接触位置で大きな熱が発生する。そのため、主軸位置データＳ８を学習に用いるデータに加えることで、工具とワークとが接触する位置に対する切削液が吐出量に係る情報を学習する事ができるようになり、工具とワークとが接触する位置に対する切削液が吐出量の推定に活用することができるようになる。

図５は、第２実施形態による切削液量調整装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の切削液量調整装置１は、機械学習装置１００がそれぞれの切削液ノズルから吐出される切削液の吐出量の評価を推定する場合に必要とされる構成を備えている（推定モード）。図５に示した各機能ブロックは、図１に示した切削液量調整装置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、切削液量調整装置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。

本実施形態の切削液量調整装置１は、制御部３２、データ取得部３４、前処理部３６、吐出量決定部３８を備え、切削液量調整装置１が備える機械学習装置１００は、推定部１２０を備えている。また、図１で示した不揮発性メモリ１４上には、工作機械２、切削液供給装置３等から取得されたデータが記憶される取得データ記憶部５２が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、第１実施形態で説明した学習部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。

本実施形態による制御部３２、データ取得部３４は、第１実施形態における制御部３２，データ取得部３４と同様の機能を備える。

本実施形態による前処理部３６は、機械学習装置１００による学習モデルを用いたそれぞれの切削液ノズルから吐出される切削液の吐出量の評価の推定の段階において、データ取得部３４が取得したデータを、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、サンプリング等）して、機械学習装置１００による推定に用いられる所定の形式の状態データＳを作成する。本実施形態による前処理部３６は、状態データＳを作成するに際して、吐出量決定部３８から指令された切削液ノズルについて指令された吐出量を示す切削液吐出量データＳ７を作成する。例えば、前処理部３６は、データ取得部３４が取得したデータに基づいて、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６を作成し、更に、吐出量決定部３８からの指令に基づいて、指令された切削液ノズルについて、指令された吐出量を示す切削液吐出量データＳ７を作成する。前処理部３６は、推定の初期においては、それぞれの切削液ノズルについて、予め定められた切削液の吐出量を示す切削液吐出量データＳ７を作成するようにしても良い。

推定部１２０は、図１に示した切削液量調整装置１が備えるプロセッサ１０１がＲＯＭ１０２から読み出したシステム・プログラムを実行し、主としてプロセッサ１０１がＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理を行うことで実現される。推定部１２０は、前処理部３６が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を用いたそれぞれの切削液ノズルから吐出される切削液の吐出量の評価の推定を行う。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３６から入力された状態データＳを入力することで、それぞれの切削液ノズルから吐出される切削液の吐出量の評価を推定して出力する。推定部１２０が推定した結果は、吐出量決定部３８に対して出力される。

吐出量決定部３８は、図１に示した切削液量調整装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。吐出量決定部３８は、推定部１２０により推定された、それぞれの切削液ノズルから吐出される切削液の吐出量の評価の推定結果に基づいて、それぞれの切削液ノズルから吐出する切削液の量を決定する機能手段である。吐出量決定部３８は、それぞれの切削液ノズルについて、推定部１２０から出力された吐出量の評価の推定の結果を参照し、該推定の結果が「吐出量は十分である」ことを示している場合には、該切削液ノズルの吐出量を１段階下げた状態データＳを作成するように前処理部３６に対して指令する。また、吐出量決定部３８は、それぞれの切削液ノズルについて、推定部１２０から出力された吐出量の評価の推定の結果を参照し、該推定の結果が「吐出量は不十分である」ことを示している場合には、該切削液ノズルの吐出量を１段階上げた状態データＳを作成するように前処理部３６に対して指令する。吐出量決定部３８は、このような処理を繰り返して、それぞれの切削液ノズルについて、「吐出量は十分である」という推定の結果が得られる最小の切削液の吐出量を探索し、探索された切削液の吐出量を、該切削液ノズルにおける切削液の吐出量として決定する。

図７を用いて、吐出量決定部３８による切削液ノズルにおける切削液の吐出量として決定する流れを説明する。図７の例では、切削液ノズルの切削液の吐出量は１０段階で調整できるものとしている。切削液ノズルの切削液の吐出量を決定する際に、最初、前処理部３６は予め定められた吐出量（例えば、最大値×１．０）を示す切削液吐出量データＳ７を含む状態データＳを作成する。推定部１２０は、前処理部３６が作成した状態データＳに基づいて、該切削液の吐出量の評価を推定する。ここで、推定部１２０が「吐出量は十分である」という推定結果を出力した場合、吐出量決定部３８は、前処理部３６に対して、吐出量を１段階下げた状態データＳを作成するように指令する。前処理部３６は、吐出量決定部３８からの指令に基づいて吐出量を１段階下げた状態データＳを作成し、作成された状態データＳに基づく推定部１２０による吐出量の評価の推定が行われる。これを繰り返し、推定部１２０からの評価が「吐出量は十分である」から「吐出量は不十分である」に変わった場合、吐出量決定部３８は、その時の１つ前に前処理部３６に対して指令した段階の切削液の吐出量が適切な切削液の吐出量（評価が「吐出量は十分である」とされる最も少ない切削液の吐出量）であると判断して、該吐出量を切削液ノズルの切削液の吐出量として決定する。吐出量決定部３８は、このような処理を全ての切削液ノズルに対して実行する。

吐出量決定部３８による、切削液の吐出量の探索は、上記したように吐出量の最大値から探索を始めるようにしても良いし、吐出量の最小値から上に向けて探索をしたり、吐出量の中間値から上下に探索を始めるようにしても良い。また、二分探索等の公知のアルゴリズムを用いて、吐出量の最小値を探索するようにしても良い。
吐出量決定部３８は、全ての切削液ノズルの切削液の吐出量を決定すると、決定された吐出量へと調整するように制御部３２へと指令する。

上記した構成を備えた本実施形態による切削液量調整装置１は、それぞれの切削液ノズルから吐出される切削液の量を、十分にワーク等の冷却が可能であって、且つ、より少ない量へと調整することができるようになる。

本実施形態による切削液量調整装置１の変形例として、前処理部３６は、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６、切削液吐出量データＳ７に加えて、更に工作機械２の主軸の位置を示す主軸位置データＳ８を状態データとして作成しても良い。主軸位置データＳ８は、例えば図３に例示した、工作機械２のテーブル上のいずれのエリア上に主軸があるのかを示すデータとして定義できる。工作機械２におけるワークの加工においては、主軸に取り付けられた工具とワークとの接触位置で大きな熱が発生する。そのため、切削液の吐出量の推定に於いて、主軸位置データＳ８を用いることで、工具とワークとが接触する位置に対して吐出する切削液の十分な量を推定することができるようになる。

以下では、本発明の第３実施形態による切削液量調整装置１について説明する。本実施形態による切削液量調整装置１は、図２に示した第１実施形態と同じ機能ブロックを備える。本実施形態の切削液量調整装置１は、機械学習装置１００が教師あり学習を行う場合に必要とされる構成を備えている（学習モード）。

本実施形態による制御部３２、データ取得部３４は、第１実施形態における制御部３２，データ取得部３４と同様の機能を備える。

本実施形態による前処理部３６は、状態データＳとして、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６を作成し、また、ラベルデータＬとして、前記した状態データＳが取得される加工の状態において、それぞれの切削液ノズルから吐出される切削液の適切な吐出量に係るデータである適切吐出量データＬ２を作成する。

適切吐出量データＬ２は、切削液ノズルのそれぞれについて、現在の工作機械２及び切削液供給装置３の状態に対する適切な切削液の吐出量をラベル値として取るデータとして定義される。適切吐出量データＬ２は、例えば工作機械２によるワークの加工状況を観察している熟練した作業者が表示器／ＭＤＩユニット７０を用いた入力操作に基づいて作成するようにしても良い。これは、例えば作業者がいずれかの切削液ノズルから吐出される切削液の量を調整し、その状態で所定時間だけ同じ加工状態が継続した場合に、その時のそれぞれの切削液ノズルからの切削液の吐出量を適切吐出量データＬ２を作成するようにしても良い。

本実施形態による学習部１１０は、前処理部３６が作成した学習データを用いた機械学習を行う。学習部１１０は、公知の教師あり学習の手法により、工作機械２による加工状態及び切削液供給装置３による切削液の供給状態に対する、切削液ノズルから吐出される切削液の吐出量を学習した学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師あり学習の手法としては、ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が挙げられる。

本実施形態による学習部１１０は、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した学習モデルを生成する。例えば、図４に示したように切削液ノズルが５つある場合、学習部１１０は、それぞれの切削液ノズルの吐出量を学習した５つの学習モデルを生成する。図８は、学習部１１０が、状態データＳ及びラベルデータＬを用いて、それぞれの切削液ノズル毎に学習モデルを作成する概要を示す図である。図８に示すように、状態データＳの内で、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５に関しては、複数の切削液ノズルの間で共通して用いることができる。学習部１１０は、これらの状態データに、それぞれの切削液ノズル毎に作成された、切削液吐出位置データＳ６、及び適切吐出量データＬ２を加えて、これらのデータを用いたそれぞれの切削液ノズル用の学習モデルを生成する。このようにして本実施形態による学習部１１０が生成する学習モデルは、それぞれの切削ノズルについて、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態が与えられた時に、そのような状態において切削液ノズルから吐出するより適切な切削液の吐出量を推定するものとなる。

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による切削液ノズルから吐出される切削液の吐出量の評価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、学習が完了した機械学習装置１００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。

上記した構成を備えた本実施形態による切削液量調整装置１は、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した学習モデルを生成する。本実施形態による切削液量調整装置１は、作業者が設定した各切削液ノズルからの適切な切削液の吐出量に基づいて学習を行う必要があるため、十分な学習に必要な学習データを集めることが難しいと面が有るが、一度十分な機械学習が完了すれば、このようにして生成された学習モデルを用いて、後述する推定部１２０は、工作機械２及び切削液供給装置３から取得された状態データＳに基づいて、取得された状態における各切削液ノズルから吐出するより適切な切削液の量を直接推定することができるようになる。

図９は、第４実施形態による切削液量調整装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の切削液量調整装置１は、機械学習装置１００がそれぞれの切削液ノズルから吐出される切削液の吐出量の評価を推定する場合に必要とされる構成を備えている（推定モード）。図９に示した各機能ブロックは、図１に示した切削液量調整装置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、切削液量調整装置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。

本実施形態の切削液量調整装置１は、制御部３２、データ取得部３４、前処理部３６、吐出量決定部３８を備え、切削液量調整装置１が備える機械学習装置１００は、推定部１２０を備えている。また、図１で示した不揮発性メモリ１４上には、工作機械２、切削液供給装置３等から取得されたデータが記憶される取得データ記憶部５２が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、第１実施形態で説明した学習部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。

本実施形態による制御部３２、データ取得部３４は、第２実施形態による制御部３２、データ取得部３４と同様の機能を備える。

本実施形態による前処理部３６は、機械学習装置１００による学習モデルを用いたそれぞれの切削液ノズルから吐出される切削液の吐出量の評価の推定の段階において、データ取得部３４が取得したデータを、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、サンプリング等）して、機械学習装置１００による推定に用いられる所定の形式の状態データＳを作成する。本実施形態による前処理部３６は、データ取得部３４が取得したデータに基づいて、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６を作成する。

本実施形態による推定部１２０は、前処理部３６が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を用いたそれぞれの切削液ノズルから吐出される切削液の吐出量の評価の推定を行う。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３６から入力された状態データＳを入力することで、それぞれの切削液ノズルから吐出されるより適切な切削液の吐出量を推定して出力する。推定部１２０が推定した結果は、吐出量決定部３８に対して出力される。

本実施形態による吐出量決定部３８は、推定部１２０により推定された、それぞれの切削液ノズルから吐出される切削液の吐出量の推定結果を、それぞれの切削液ノズルから吐出する切削液の量として決定し、決定された吐出量へと調整するように制御部３２へと指令する。

上記した構成を備えた本実施形態による切削液量調整装置１は、それぞれの切削液ノズルから吐出される切削液の量を、十分にワーク等の冷却が可能であって、且つ、より少ない量へと調整することができるようになる。

図１０は、第５実施形態による切削液量調整装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の切削液量調整装置１は、機械学習装置１００が教師あり学習を行う場合に必要とされる構成を備えている（学習モード）。図１０に示した各機能ブロックは、図１に示した切削液量調整装置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、切削液量調整装置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。

本実施形態の切削液量調整装置１は、制御部３２、データ取得部３４、前処理部３６を備え、切削液量調整装置１が備える機械学習装置１００は、第１学習部１１２、第２学習部１１４を含む学習部１１０を備えている。また、図１で示した不揮発性メモリ１４上には、工作機械２、切削液供給装置３等から取得されたデータが記憶される取得データ記憶部５２が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、第１学習部１１２、第２学習部１１４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。

本実施形態による制御部３２、データ取得部３４、前処理部３６は、第１実施形態による制御部３２、データ取得部３４，前処理部３６と同様の機能を備える。

本実施形態による学習部１１０は、第１学習部１１２及び第２学習部１１４を備える。
第１学習部１１２は、第１実施形態で説明した学習部１１０と同様に、前処理部３６が作成した学習データを用いた機械学習を行い、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量の評価と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した第１学習モデルを生成する。第１学習部１１２が生成する第１学習モデルは、それぞれの切削ノズルについて、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態が与えられた時に、そのような状態において切削液ノズルから吐出される切削液の吐出量が十分であるか否かを推定するものとなる。

第２学習部１１４は、第３実施形態で説明した学習部１１０と同様に、学習データを用いた機械学習を行い、それぞれの切削液ノズルについて、該切削液ノズルから吐出される切削液の吐出量と、工作機械２による加工状態及び切削液供給装置３から供給される切削液の状態とを関連付けて学習した第２学習モデルを生成する。第２学習部１１４は、第１学習部１１２が生成した第１学習モデルの学習結果を解析して、該解析結果に基づいた機械学習を行い、第２学習モデルを生成する。第２学習部１１４は、例えば第２実施形態で説明した吐出量決定部３８が実行するのと同様の処理を第１学習モデルに対して実行し、それぞれの切削液ノズルについて、工作機械２及び切削液供給装置３の状態に対する、「吐出量は十分である」という推定の結果が得られる最小の切削液の吐出量を探索する。そして、第２学習部１１４は、工作機械２及び切削液供給装置３の状態と、探索された切削液の吐出量とを用いた機械学習を行い、それぞれの切削液ノズルについて、第２学習モデルを生成する。

本実施形態による切削液量調整装置１は、第１実施形態で示した切削液量調整装置１が備える学習部１１０と同様の機械学習方法で生成した第１学習モデルを用いて、第３実施形態で示した切削液量調整装置１が備える学習部１１０と同様の機械学習方法に用いる学習データを生成し、生成した学習データを用いて第２学習モデルを生成する。第１実施形態で示した切削液量調整装置１では、比較的容易に学習データを作成して学習を行うことができる半面、出来上がった学習モデルを用いて切削液ノズルの切削液の吐出量を決定するために探索処理を行う必要があった。一方で、第３実施形態で示した切削液量調整装置１では、学習モデルを用いてより適切な切削液ノズルの切削液の吐出量を直接推定できる半面、学習データを収集することが難しいという問題があった。本実施形態による切削液量調整装置１は、これら２つの学習方法を組み合わせることにより、比較的容易に学習データを収集でき、収集した学習データを用いてより適切な切削液ノズルの切削液の吐出量を直接推定できる学習モデルを生成することができる。このようにして生成された学習モデル（第２学習モデル）は、例えば第４実施形態による切削液量調整装置１における切削ノズルの切削液の吐出量の推定に用いることができる。

図１１は、第６実施形態による切削液量調整装置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１１に示した各機能ブロックは、図１に示した切削液量調整装置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、切削液量調整装置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。

本実施形態の切削液量調整装置１は、制御部３２、データ取得部３４、前処理部３６を備え、切削液量調整装置１が備える機械学習装置１００は、学習部１１０、意思決定部１２２を備えている。また、図１で示した不揮発性メモリ１４上には、工作機械２、切削液供給装置３等から取得されたデータが記憶される取得データ記憶部５２が設けられており、図１で示した機械学習装置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。

本実施形態による制御部３２、データ取得部３４は、第１実施形態による制御部３２、データ取得部３４と同様の機能を備える。

本実施形態による前処理部３６は、機械学習装置１００が強化学習をする場合においては、該学習における所定の形式の状態データＳ及び判定データＤの組を学習データとして作成する。前処理部３６は、状態データＳとして、工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６、切削液吐出量データＳ７を作成し、また、判定データＤとして、前記した状態データＳが取得される加工の状態において、それぞれの切削液ノズルから吐出される切削液の吐出量を判定するためのデータである吐出量判定データＤ１、ワークの冷却状態や切粉の洗浄状態を判定するためのデータであるワーク状態判定データＤ２を作成する。

吐出量判定データＤ１は、切削液ノズルのそれぞれについて、切削液の吐出量が十分に少ないか否かを判定するための基準となるデータとして定義される。吐出量判定データＤ１は、例えば切削液ノズルから吐出される切削液の量が調整された結果、切削液ノズルから吐出する切削液の量が増加したのか、又は減少したのかを示すデータであって良い。吐出量判定データＤ１は、切削液ノズルから吐出される切削液の量の増減の度合いを含むデータであって良い。

ワーク状態判定データＤ２は、ワークの温度が十分に冷却されているか、また、ワークの表面に切粉が付着していないか等を判定するための基準となるデータとして定義される。ワーク状態判定データＤ２は、例えば工作機械２によるワークの加工状況を観察している作業者が表示器／ＭＤＩユニット７０を用いた入力操作に基づいて作成するようにしても良い。これは、ワークの表面に切粉が付着している時に、作業者が表示器／ＭＤＩユニット７０を操作して、該切粉が付着しているワークの位置に問題が有ることを入力することで、対応する位置の切削液ノズルから吐出される切削液の量が少ないと判断し、その旨を示すワーク状態判定データＤ２を作成するようにしても良い。また、ワーク状態判定データＤ２は、例えば工作機械２に取り付けたサーモグラフィ等の温度センサを用いてワークの各部分の温度を計測し、その計測結果に基づいて作成するようにしても良い。例えば、図４に示した例では、エリアａ〜エリアｅにおけるワークの温度を計測し、エリアｃの位置が十分に温度が下がっていなかった場合、切削液ノズル３０１ｂ，３０１ｃ，３０１ｄ（いずれもエリアｃに切削液を掛けている切削液ノズル）に関して吐出量が少ないとし、そうでない場合には吐出量が適正であるとするワーク状態判定データＤ２を作成しても良い。更に、ワーク状態判定データＤ２は、例えば工作機械２に取り付けた視覚センサや距離センサ等を用いてワークの各部分から切粉が十分に取り除かれているか否かに基づいて作成するようにしても良い。ワーク状態判定データＤ２には、冷却の度合いや切粉の残り具合に応じた度合いを含めるようにしても良い。

本実施形態による学習部１１０は、前処理部３６が作成した学習データを用いた機械学習を行う。学習部１１０は、公知の強化学習の手法により、それぞれの切削液ノズルについて、工作機械２による加工状態及び切削液供給装置３による切削液の供給状態に対する、切削液ノズルから吐出される切削液の吐出量の調整行動を学習した学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。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）を観測すると共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１００では、切削液ノズルからの切削液の吐出量の調整行動）を最適解として学習する手法である。学習部１１０が行う強化学習の手法としては、Ｑ学習等が挙げられる。

学習部１１０によるＱ学習において、報酬Ｒは、例えば、吐出量判定データＤ１が「切削液量が減少した」を示している場合に正（プラス）の報酬Ｒとし、吐出量判定データＤ１が「切削液量が増加した」を示している場合に負（マイナス）の報酬Ｒとすることができる。また、報酬Ｒは、例えば、ワーク状態判定データＤ２が「切削液量が適切である」を示している場合に正（プラス）の報酬Ｒとし、ワーク状態判定データＤ２が「切削液量が少ない」を示している場合に負（マイナス）の報酬Ｒとすることができる。更に、報酬Ｒは、操作判定データＤ１、ワーク状態判定データＤ２が示す度合いの大きさに応じて、より大きな正（プラス）の報酬Ｒ又は負（マイナス）の報酬Ｒと成るようにしても良い。

学習部１１０は、ニューラルネットワークを価値観数Ｑ（学習モデル）をとして用い、状態データＳと行動ａとをニューラルネットワークの入力とし、当該状態における当該行動ａの価値（結果ｙ）を出力する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。学習部１１０が生成した学習モデルは、不揮発性メモリ１０４上に設けられた学習モデル記憶部１３０に記憶され、意思決定部１２２による切削液ノズルから吐出される切削液の吐出量の調整行動の決定に用いられる。

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による切削液ノズルから吐出される切削液の吐出量の調整行動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、学習が完了した機械学習装置１００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。

意思決定部１２２は、図１に示した切削液量調整装置１が備えるプロセッサ１０１がＲＯＭ１０２から読み出したシステム・プログラムを実行し、主としてプロセッサ１０１がＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理を行うことで実現される。意思決定部１２２は、前処理部３６から入力された状態データ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を用いた切削液ノズルから吐出される切削液の吐出量の調整行動の最適解を求め、求めた切削液ノズルから吐出される切削液の吐出量の調整行動を出力する。本実施形態の意思決定部１２２では、学習部１１０による強化学習により生成された（パラメータが決定された）学習モデルに対して、前処理部３６から入力された状態データＳ（工具データＳ１、加工条件データＳ２、ワークデータＳ３、切削液データＳ４、加工工程データＳ５、切削液吐出位置データＳ６、切削液吐出量データＳ７）と、切削液ノズルから吐出される切削液の吐出量の調整行動（切削液ノズル毎の切削液の吐出量の決定）を入力データとして入力することで現在の状態において当該行動をとった場合の報酬を算出できるが、この報酬の算出を現在取り得る切削液の吐出量の調整行動について行い、算出された複数の報酬を比較して、最も大きな報酬が算出される切削液ノズルから吐出される切削液の吐出量の調整行動を最適解として決定する。意思決定部１２２が決定した切削液ノズルから吐出される切削液の吐出量の調整行動の最適解は、吐出量決定部３８へと入力されて切削液ノズルから吐出される切削液の吐出量の決定に用いられる他、例えば表示器／ＭＤＩユニット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フォグコンピュータやクラウドコンピュータ等に送信出力したりすることで利用しても良い。

上記した構成を備えた切削液量調整装置１では、工作機械２及び切削液供給装置３が動作している環境において、切削液ノズルから吐出される切削液の吐出量を適切に調整することが可能となる。

以下の第７〜９実施形態では、第１〜６実施形態による切削液量調整装置１が、クラウドサーバやホストコンピュータ、フォグコンピュータ、エッジコンピュータ（ロボットコントローラ、制御装置等）を含む複数の装置と有線／無線のネットワークを介して相互に接続したシステムの一部として実装されている実施形態について説明する。図１２に例示されるように、以下の第７〜９実施形態では、複数の装置のそれぞれがネットワークに接続された状態でクラウドサーバ６等を含む層、フォグコンピュータ７等を含む層、エッジコンピュータ８（セル９に含まれるロボットコントローラ、制御装置等）等を含む層の、３つの階層に論理的に分けて構成されているシステムを想定する。この様なシステムに於いて、本発明による一態様による切削液量調整装置１は、クラウドサーバ６、フォグコンピュータ７、エッジコンピュータ８のいずれの上にも実装することが可能であり、それぞれの複数の装置との間でネットワークを介して相互に機械学習に係る処理で用いるデータを共有して分散学習をしたり、生成した学習モデルをフォグコンピュータ７やクラウドサーバ６に収集して大規模な解析を行ったり、更に、生成した学習モデルの相互再利用等をしたりすることができる。図１２に例示されるシステムにおいて、セル９は各地の工場にそれぞれ複数設けられ、それぞれのセル９を所定の単位（工場単位、同じ製造業者の複数の工場単位等）で上位層のフォグコンピュータ７が管理する。そして、これらフォグコンピュータ７が収集、解析したデータを、更に上位層のクラウドサーバ６で収集、解析等を行い、その結果として得られた情報を各々のエッジコンピュータ８における制御等に活用することができる。

図１３はクラウドサーバ、フォグコンピュータ等のコンピュータ上に切削液量調整装置を実装した場合の概略的なハードウェア構成図である。

本実施形態によるコンピュータ上に実装された切削液量調整装置１’が備えるＣＰＵ３１１は、切削液量調整装置１’を全体的に制御するプロセッサである。ＣＰＵ３１１は、ＲＯＭ３１２に格納されたシステム・プログラムをバス３２０を介して読み出し、該システム・プログラムに従って切削液量調整装置１’の全体を制御する。ＲＡＭ３１３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。

不揮発性メモリ３１４は、例えば図示しないバッテリでバックアップされるなどして、切削液量調整装置１’の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ３１４には、入力装置３７１を介して入力されたプログラム、切削液量調整装置１’の各部やネットワーク５を介してロボットから取得された各種データが記憶されている。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ＲＡＭ３１３に展開されても良い。また、ＲＯＭ３１２には、公知の解析プログラムなどの各種のシステム・プログラム（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システム・プログラムを含む）があらかじめ書き込まれている。

切削液量調整装置１’は、インタフェース３１９を介して有線／無線のネットワーク５と接続されている。ネットワーク５には、少なくとも１つの工作機械２’（制御装置を備えた工作機械）や、他の切削液量調整装置１、エッジコンピュータ８、フォグコンピュータ７、クラウドサーバ６等が接続され、切削液量調整装置１’との間で相互にデータのやり取りを行っている。

表示装置３７０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等がインタフェース３１７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３７１は、作業者による操作に基づく指令，データ等をインタフェース３１８を介してＣＰＵ３１１に渡す。

インタフェース３２１は、切削液量調整装置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については、図１で説明したものと同様の構成を備える。

この様に、クラウドサーバ、フォグコンピュータ等のコンピュータ上に切削液量調整装置１’を実装する場合、工作機械２’及び切削液供給装置３からの情報の取得や、切削液供給装置３に対する切削液ノズルから吐出される切削液の吐出量の調整の指令が、ネットワーク５を介してやり取りされる点を除けば、切削液量調整装置１’が備える機能については第１〜第６実施形態で説明したものと同様のものとなる。この時、工作機械２’は制御装置を備えているため、切削液量調整装置１’が備える制御部３２は、工作機械２’の制御は行わず、工作機械２’が備える制御装置から該工作機械２’の加工状態に係る情報の取得を行う。また、切削液量調整装置１’が備える制御部３２は、工作機械２’が備える制御装置を介した切削液供給装置３の間接的な制御を行うと共に、工作機械２’が備える制御装置を介した切削液の供給状態の取得を行う。

図１４は、切削液量調整装置１’を備えた第７実施形態による切削液量調整システムの概略的な構成図である。切削液量調整システム５００は、複数の切削液量調整装置１，１’、複数の工作機械２’、及びそれら切削液量調整装置１，１’、工作機械２’を互いに接続するネットワーク５とを備える。

切削液量調整システム５００では、機械学習装置１００を備える切削液量調整装置１’は、学習部１１０の学習結果を用いて、工作機械２’による加工状態及び切削液供給装置３による切削液の供給状態に基づいて、調整対象としている切削液供給装置３においてそれぞれの切削液ノズルから吐出する切削液の量を調整する。また、少なくとも１つの切削液量調整装置１’が、他の複数の切削液量調整装置１、１’のそれぞれが得た状態変数及びラベルデータＬ又は判定データＤに基づき、全ての切削液量調整装置１、１’に共通する工作機械２，２’による加工状態及び切削液供給装置３による切削液の供給状態に対するそれぞれの切削液ノズルから吐出する切削液の量を調整を学習し、その学習結果を全ての切削液量調整装置１、１’が共有するように構成できる。したがって切削液量調整システム５００によれば、より多様なデータ集合（状態変数Ｓ及びラベルデータＬ又は判定データＤを含む）を入力として、学習の速度や信頼性を向上させることができる。

図１５は、機械学習装置と切削液量調整装置とを異なる装置上に実装した第８実施形態によるシステムの概略的な構成図である。切削液量調整システム５００’は、クラウドサーバ、ホストコンピュータ、フォグコンピュータ等のコンピュータの一部として実装された少なくとも１台の機械学習装置１００（図１５では、フォグコンピュータ７の一部として実装された例を示している）と、複数の切削液量調整装置１”と、それら切削液量調整装置１”とコンピュータとを互いに接続するネットワーク５とを備える。なお、コンピュータのハードウェア構成は、図１３に示した切削液量調整装置１’の概略的なハードウェア構成と同様に、ＣＰＵ３１１、ＲＡＭ３１３，不揮発性メモリ３１４等の一般的なコンピュータが備えるハードウェアがバス３２０を介して接続して構成される。

上記構成を有する切削液量調整システム５００’は、機械学習装置１００が、複数の切削液量調整装置１”のそれぞれについて得られた状態変数Ｓ及びラベルデータＬ又は判定データＤに基づき、全ての切削液量調整装置１”に共通する工作機械２による加工状態及び切削液供給装置３による切削液の供給状態に対する、切削液供給装置３が備えるそれぞれの切削液ノズルから吐出する切削液の量を調整を学習し、その学習結果を用いて、切削液供給装置３が備えるそれぞれの切削液ノズルから吐出する切削液の量を調整を行うことができる。切削液量調整システム５００’の構成によれば、複数の切削液量調整装置１”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切削液量調整装置１”を機械学習装置１００に接続することができる。

図１６は、機械学習装置１００’と切削液量調整装置１とを備えた第９実施形態による切削液量調整システム５００”の概略的な構成図である。切削液量調整システム５００”は、エッジコンピュータやフォグコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータの上に実装された少なくとも１台の機械学習装置１００’（図１６では、フォグコンピュータ７の一部として実装された例を示している）と、複数の切削液量調整装置１と、それら切削液量調整装置１とコンピュータとを互いに接続する有線／無線のネットワーク５とを備える。

上記構成を有する切削液量調整システム５００”では、機械学習装置１００’を備えるフォグコンピュータ７が、各々の切削液量調整装置１から、該切削液量調整装置１が備える機械学習装置１００による機械学習の結果として得られた学習モデルを取得する。そして、フォグコンピュータ７が備える機械学習装置１００’は、これら複数の学習モデルに基づく知識の最適化や効率化の処理を行うことで、新たに最適化乃至効率化された学習モデルを生成し、生成した学習モデルを各々の切削液量調整装置１に対して配布する。

機械学習装置１００’が行う学習モデルの最適化乃至効率化の例としては、各切削液量調整装置１から取得した複数の学習モデルに基づいた蒸留モデルの生成が挙げられる。この場合、本実施例による機械学習装置１００’は、学習モデルに対して入力する入力データを作成し、該入力データを各々の学習モデルに対して入力した結果として得られる出力を用いて、１から学習を行うことで新たに学習モデル（蒸留モデル）を生成する。このようにして生成された蒸留モデルは、上記でも説明したように、外部記憶媒体やネットワーク５を介して切削液量調整装置１や他のコンピュータに対して配布して活用される。

機械学習装置１００’が行う学習モデルの最適化乃至効率化の他の例としては、各切削液量調整装置１から取得した複数の学習モデルに対して蒸留を行う過程において、入力データに対する各学習モデルの出力データの分布を一般的な統計的手法で解析し、入力データと出力データの組の外れ値を抽出し、該外れ値を除外した入力データと出力データの組を用いて蒸留を行うことも考えられる。このような過程を経ることで、それぞれの学習モデルから得られる入力データと出力データの組から例外的な推定結果を除外し、例外的な推定結果を除外した入力データと出力データの組を用いて蒸留モデルを生成することができる。このようにして生成された蒸留モデルは、複数の切削液量調整装置１で生成された学習モデルと比べてより汎用的な学習モデルとして活用することが可能となる。
なお、他の一般的な学習モデルの最適化乃至効率化の手法（各学習モデルを解析し、その解析結果に基づいて学習モデルのハイパパラメータを最適化する等）も適宜導入することが可能である。

本実施例による切削液量調整システム５００”では、例えばエッジコンピュータとしての複数の切削液量調整装置１に対して設置されたフォグコンピュータ７の上に機械学習装置１００’を配置し、各々の切削液量調整装置１で生成された学習モデルをフォグコンピュータ７上に集約して記憶しておき、記憶した複数の学習モデルに基づいた最適化乃至効率化を行った上で、最適化乃至効率化された学習モデルを必要に応じて各切削液量調整装置１に対して再配布するという運用を行うことができる。

また、本実施例による切削液量調整システム５００”では、例えばフォグコンピュータ７の上に集約して記憶された学習モデルや、フォグコンピュータ７上で最適化乃至効率化された学習モデルを、更に上位のホストコンピュータやクラウドサーバ上に集め、これら学習モデルを用いて工場や切削液量調整装置１のメーカでの知的作業への応用（上位サーバでの更なる汎用的な学習モデルの構築及び再配布、学習モデルの解析結果に基づく保守作業の支援、各々の切削液量調整装置１の性能等の分析、新しい機械の開発への応用等）を行うことができる。

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、上記した実施形態では切削液量調整装置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は切削液量調整装置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。

１，１’，１” 切削液量調整装置
２ 工作機械
３ 切削液供給装置
５ ネットワーク
６ クラウドサーバ
７ フォグコンピュータ
８ エッジコンピュータ
９ セル
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１５，１８，１９ インタフェース
１７ Ｉ／Ｏユニット
２０ バス
２１ インタフェース
３０ 軸制御回路
３２ 制御部
３４ データ取得部
３６ 前処理部
３８ 吐出量決定部
４０ サーボアンプ
５０ サーボモータ
６０ スピンドル制御回路
６１ スピンドルアンプ
６２ スピンドルモータ
６３ ポジションコーダ
５２ 取得データ記憶部
５４ 制御用プログラム
７０ 表示器／ＭＤＩユニット
１００、１００’ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１１２ 第１学習部
１１４ 第２学習部
１２０ 推定部
１２２ 意思決定部
１３０ 学習モデル記憶部
３０１ａ〜３０１ｄ 切削液ノズル
５００，５００’５００” 切削液量調整システム

Claims (11)

1. ワークを加工する工作機械の加工領域に切削液を供給する切削液供給装置が備える少なくとも１つの切削液ノズルからの切削液の吐出量を調整する切削液量調整装置であって、
   前記工作機械の加工状態を示すデータ、及び前記切削液供給装置から供給される切削液に係るデータを少なくとも取得するデータ取得部と、
   前記データ取得部が取得したデータに基づいて、機械学習に用いるデータを作成する前処理部と、
   前記前処理部が作成したデータに基づいて、前記工作機械の前記ワークの加工が行われる環境における、前記切削液ノズルからの切削液の吐出量に係る機械学習の処理を実行する機械学習装置と、
   を備えた切削液量調整装置。
2. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データ、前記切削液供給装置が備える切削液ノズルから吐出される切削液の量を含む切削液吐出量データを少なくとも含む状態データと、前記切削液ノズルから吐出される切削液の吐出量の良否を示す吐出量良否データを少なくとも含むラベルデータとを、前記機械学習装置による教師あり学習に用いるデータとして作成し、
   前記機械学習装置は、
   前記状態データ及び前記ラベルデータに基づいて、前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、切削液ノズルから吐出される切削液の吐出量の良否と、を関連付けた学習モデルを生成する学習部を備える、
   請求項１に記載の切削液量調整装置。
3. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データ、前記切削液供給装置が備える切削液ノズルから吐出される切削液の量を含む切削液吐出量データを少なくとも含む状態データを、前記機械学習装置による推定に用いるデータとして作成し、
   前記機械学習装置は、
   前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、前記切削液ノズルから吐出される切削液の吐出量の良否と、を関連付けた学習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、前記学習モデル記憶部に記憶された学習モデルを用いた前記切削液ノズルから吐出される切削液の吐出量の良否を推定する推定部を備え、
   前記切削液量調整装置は、
   前記推定部が良と推定する最小の切削液の吐出量を探索し、探索した切削液の吐出量を前記切削液ノズルから吐出する切削液の量として決定する吐出量決定部を更に備える、
   請求項１に記載の切削液量調整装置。
4. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データを少なくとも含む状態データと、前記切削液ノズルから吐出される切削液の量を含む適切吐出量データを少なくとも含むラベルデータとを、前記機械学習装置による教師あり学習に用いるデータとして作成し、
   前記機械学習装置は、
   前記状態データ及び前記ラベルデータに基づいて、前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、切削液ノズルから吐出される切削液の吐出量と、を関連付けた学習モデルを生成する学習部を備える、
   請求項１に記載の切削液量調整装置。
5. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データを少なくとも含む状態データを、前記機械学習装置による推定に用いるデータとして作成し、
   前記機械学習装置は、
   前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、前記切削液ノズルから吐出される切削液の吐出量と、を関連付けた学習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、前記学習モデル記憶部に記憶された学習モデルを用いた前記切削液ノズルから吐出する切削液の量を推定する推定部を備え、
   前記切削液量調整装置は、
   前記推定部の推定結果に基づいて、前記切削液ノズルから吐出する切削液の量を決定する吐出量決定部を更に備える、
   請求項１に記載の切削液量調整装置。
6. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データ、前記切削液供給装置が備える切削液ノズルから吐出される切削液の量を含む切削液吐出量データを少なくとも含む状態データと、前記切削液ノズルから吐出される切削液の吐出量の良否を示す吐出量良否データを少なくとも含むラベルデータとを、前記機械学習装置による教師あり学習に用いるデータとして作成し、
   前記機械学習装置は、
   前記状態データ及び前記ラベルデータに基づいて、前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、切削液ノズルから吐出される切削液の吐出量の良否と、を関連付けた第１学習モデルを生成する第１学習部と、
   前記第１学習部が生成した第１学習モデルを用いた推定処理の結果に基づいて、前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、切削液ノズルから吐出される切削液の吐出量と、を関連付けた第２学習モデルを生成する第２学習部とを備えた学習部を備える、
   請求項１に記載の切削液量調整装置。
7. 前記前処理部は、前記工作機械による前記ワークの加工に用いられる工具に係る情報を含む工具データ、前記工作機械による前記ワークの加工での加工条件に係る情報を含む加工条件データ、前記工作機械により加工される前記ワークに係る情報を含むワークデータ、前記切削液供給装置により前記工作機械の加工領域へと供給される切削液に係る情報を含む切削液データ、前記工作機械による前記ワークの加工工程に係る情報を含む加工工程データ、前記切削液ノズルによる切削液の吐出位置に係る情報を含む切削液吐出位置データ、前記切削液供給装置が備える切削液ノズルから吐出される切削液の量を含む切削液吐出量データを少なくとも含む状態データと、前記切削液ノズルから吐出される切削液の吐出量を判定するための吐出量判定データ、前記ワークの状態を判定するためのワーク状態判定データを少なくとも含む判定データとを、前記機械学習装置による強化学習に用いるデータとして作成し、
   前記機械学習装置は、
   前記状態データ及び前記判定データに基づいて、前記工作機械による加工状態及び前記切削液供給装置から供給される切削液の状態と、前記切削液ノズルから吐出される切削液の吐出量の調整行動と、を関連付けた学習モデルを生成する学習部と、
   前記状態データに基づいて、前記学習部が生成した学習モデルを用いた前記切削液ノズルから吐出する切削液の吐出量の調整を決定する意思決定部と、
   を備え、
   前記切削液量調整装置は、
   前記意思決定部の決定に基づいて、前記切削液ノズルから吐出する切削液の量を決定する吐出量決定部を更に備える、
   請求項１に記載の切削液量調整装置。
8. 複数の装置がネットワークを介して相互に接続されたシステムであって、
   前記複数の装置は、少なくとも請求項２，４，６，７のいずれか１つに記載された切削液量調整装置である第１の切削液量調整装置を含む
   切削液量調整システム。
9. 前記複数の装置は、機械学習装置を備えたコンピュータを含み、
   前記コンピュータは、前記第１の切削液量調整装置の前記学習部における学習により生成された少なくとも１つの学習モデルを取得し、
   前記コンピュータが備える機械学習装置は、取得した前記学習モデルに基づく最適化乃至効率化を行う、
   請求項８に記載の切削液量調整システム。
10. 前記複数の装置は、前記第１の切削液量調整装置とは異なる第２の切削液量調整装置を含み、
    前記第１の切削液量調整装置が備える学習部による学習結果は、前記第２の切削液量調整装置と共有される、
    請求項８に記載の切削液量調整システム。
11. 前記複数の装置は、前記第１の切削液量調整装置とは異なる第２の切削液量調整装置を含み、
    前記第２の切削液量調整装置において観測されたデータは、前記ネットワークを介して前記第１の切削液量調整装置が備える学習部による学習に利用可能である、
    請求項８に記載の切削液量調整システム。

Images