JP2020170391A - 機械学習装置および機械学習方法 - Google Patents

Abstract

【課題】研磨加工による加工対象物の表面品質の良否を適切に判定する。【解決手段】研磨加工装置１０の研磨加工による加工対象物１８の表面品質を判定する機械学習装置１２であって、少なくとも研磨加工による加工音および加工対象物１８の材質を含む状態情報を取得する状態取得部５０と、学習モデル６０を有し、学習モデル６０を用いて状態情報から研磨加工による表面品質の良否を判定する判定部５２と、オペレータにより入力された研磨加工による表面品質の良否を示すラベルを取得するラベル取得部５６と、状態情報およびラベルに基づいて、学習モデル６０を修正する学習部５８と、を備える。【選択図】図１

Description

本発明は、研磨加工装置の研磨加工による加工対象物の表面品質を判定する機械学習装置および機械学習方法に関する。

研磨加工においては、加工対象物の表面品質を目視で判断して、表面品質が不良と判断された場合に、研磨が不十分であることから再加工を行うことが行われている。再加工の実施を防ぐためには、表面品質が良好な品質となることが保証できる研磨深さまで加工対象物に対して研磨加工を行わせる方法がある。しかし、この場合、無駄な研磨加工が実施され過研磨になってしまうおそれがある。下記に示す特許文献１においては、最適な研磨終点を検出するために研磨装置の揺動アームのトルクを用いている。

特開２０１８−１４４２２７号公報

しかしながら、アームのトルクのみを用いる特許文献１の手法では、研磨加工の良否を適切に判定するには不十分であるという問題があった。

そこで、本発明は、研磨加工による加工対象物の表面品質の良否を適切に判定することができる機械学習装置および機械学習方法を提供することを目的とする。

本発明の第１の態様は、研磨加工装置の研磨加工による加工対象物の表面品質を判定する機械学習装置であって、少なくとも研磨加工による加工音および前記加工対象物の材質を含む状態情報を取得する状態取得部と、学習モデルを有し、前記学習モデルを用いて前記状態情報から研磨加工による前記表面品質の良否を判定する判定部と、オペレータにより入力された研磨加工による前記表面品質の良否を示すラベルを取得するラベル取得部と、前記状態情報および前記ラベルに基づいて、前記学習モデルを修正する学習部と、
を備える。

本発明の第２の態様は、研磨加工装置の研磨加工による加工対象物の表面品質を判定する機械学習方法であって、少なくとも研磨加工による加工音および前記加工対象物の材質を含む状態情報を取得する状態取得ステップと、学習モデルを用いて前記状態情報から研磨加工による前記表面品質の良否を判定する判定ステップと、オペレータにより入力された研磨加工による前記表面品質の良否を示すラベルを取得するラベル取得ステップと、前記状態情報および前記ラベルに基づいて、前記学習モデルを修正する学習ステップと、を含む。

本発明によれば、研磨加工による加工対象物の表面品質の良否を適切に判定することができる。

実施の形態における研磨加工装置および機械学習装置の概略構成図である。 ニューラルネットワークの構成を示す図である。 実施の形態における機械学習方法を説明するフローチャートである。 変形例１における研磨加工装置および機械学習装置の概略構成図である。 変形例２における複数の研磨加工装置の概略構成図である。

本発明に係る機械学習装置および機械学習方法について、好適な実施の形態を掲げ、添付の図面を参照しながら以下、詳細に説明する。

［実施の形態］
図１は、実施の形態における研磨加工装置１０および機械学習装置１２の概略構成図である。

研磨加工装置１０は、研磨加工装置１０の本体である多関節ロボット１４と、多関節ロボット１４を制御する制御装置１６と、を備える。加工対象物１８はベッド２０の上に固定されている。

多関節ロボット１４は、ベース部２４と、アーム２６ａ、２６ｂ、２６ｃ、２６ｄと、アーム２６ａ、２６ｂ、２６ｃ、２６ｄを連結する関節２８ａ、２８ｂ、２８ｃと、回転可能な研磨用の工具３０と、を有する。関節２８ａ、２８ｂ、２８ｃは、自己が備えるモータ３２により連結するアーム２６ａ、２６ｂ、２６ｃ、２６ｄ同士の相対角度を変化させることができる。各モータ３２にはそれぞれ電流検出器３４および回転速度検出器（エンコーダ）３６が設置され、電流検出器３４は当該モータ３２の駆動電流を検出し、回転速度検出器３６は、当該モータ３２の回転速度を検出する。工具３０は、アーム２６ｄに取り付けられており、加工対象物１８を研磨するためにモータ３８により回転駆動される。モータ３８には回転速度検出器（エンコーダ）４０が設置されている。また、ベース部２４には、研磨加工により発生する振動を検出する振動センサ４２が設置されている。

さらに、研磨加工装置１０には、研磨加工による加工音を検出する音センサ４４が加工対象物１８の傍に設置されている。

制御装置１６は、ＣＰＵ等のプロセッサと、メモリとを有し、メモリに記憶されたプログラムを実行することで、本実施の形態の制御装置１６として機能する。制御装置１６は、多関節ロボット１４の電流検出器３４および回転速度検出器３６、４０などから取得したデータに基づいて、工具３０を含めた多関節ロボット１４の動作を制御する。さらに、制御装置１６は、上記メモリ等の記憶部に状態情報を保持している。

制御装置１６が保持している状態情報は、加工対象物１８の材質の情報を含んでいる。さらに、状態情報は、音センサ４４、振動センサ４２、電流検出器３４および回転速度検出器３６、４０から制御装置１６が取得したデータから得られる情報も含んでいる。具体的には、状態情報は、音センサ４４が検出した研磨加工による加工音、電流検出器３４が検出した電流値から得られるモータ３２のトルク、回転速度検出器３６が検出した回転速度から得られる多関節ロボット１４の動作速度、および、回転速度検出器４０の出力から得られる工具３０の回転速度を含んでいる。本実施の形態においては、加工対象物１８は固定されているとしているので、工具３０の回転速度が、そのまま加工対象物１８に対する工具３０の回転速度になっている。しかし、工具３０が固定されていて加工対象物１８を回転させる研磨加工においては、状態情報に、加工対象物１８に対する工具３０の回転速度として、加工対象物１８の回転速度を含ませればよい。さらに、状態情報は、多関節ロボット１４以外に研磨加工装置１０で使用されるモータ、例えばモータ３８のトルクを含んでいてもよい。モータ３８のトルクは、モータ３８に電流検出器を設置すれば取得できる。そして、状態情報は、少なくとも研磨加工による加工音、および加工対象物１８の材質を含んでいる。状態情報が多いほど、判定部５２による加工対象物１８の表面品質の良否判定の精度を高めることができる。

機械学習装置１２は、研磨加工装置１０の研磨加工による加工対象物１８の表面品質を判定する。機械学習装置１２は、ＣＰＵ等のプロセッサと、メモリとを有し、メモリに記憶されたプログラムを実行することで、本実施の形態の機械学習装置１２として機能する。機械学習装置１２は、状態取得部５０と、判定部５２と、操作部５４と、ラベル取得部５６と、学習部５８と、表示部５９とを備える。なお、図１では、機械学習装置１２は制御装置１６とは別の演算装置であるとして示してあるが、制御装置１６に設けられていてもよい。

状態取得部５０は、制御装置１６から状態情報を取得する。なお、状態取得部５０は、状態情報の一部を多関節ロボット１４から直接取得してもよい。

判定部５２は、学習モデル６０を有しており、学習モデル６０を用いて状態情報から研磨加工による加工対象物１８の表面品質の良否を判定して、判定結果を表示部５９に出力する。表示部５９は、判定結果をオペレータに表示する。判定部５２が有する学習モデル６０は、限定されないが、複数の更新可能なパラメータを有している。学習モデル６０については、後で詳述する。

操作部５４は、研磨加工による加工対象物１８の表面品質の良否を判定したオペレータにより入力された表面品質の良否を示すラベルを受け付ける。オペレータは、研磨加工による加工対象物１８の表面品質が良好であると判断した場合は「ＯＫ（良好）」のラベルを入力し、「ＯＫ」のラベルを操作部５４が受け付ける。オペレータは、研磨加工による加工対象物１８の表面品質が不良であると判断した場合は「ＮＧ（不良）」のラベルを入力し、「ＮＧ」のラベルを操作部５４が受け付ける。

ラベル取得部５６は、操作部５４が受け付けた加工対象物１８の表面品質の良否を示すラベル「ＯＫ」または「ＮＧ」を取得する。

学習部５８は、状態取得部５０が取得した状態情報と、ラベル取得部５６が取得したラベルと、に基づいて、学習モデル６０を修正する。具体的には、まず、状態情報に基づいて判定部５２が学習モデル６０を用いて加工対象物１８の表面品質の良否を判定して判定結果を表示部５９に出力する。学習部５８は、判定部５２が出力する判定結果が、ラベル取得部５６が取得したラベルになるように、学習モデル６０が有している複数のパラメータを更新することにより学習モデル６０を修正する。

以下では、学習モデル６０について説明する。図２は、ニューラルネットワーク７０の構成を示す図である。本実施の形態では、判定部５２が有する学習モデル６０はニューラルネットワーク７０である。

ニューラルネットワーク７０は、入力素子Ｉｉ（ｉ＝１，２，…，ｎ）、中間層素子（ニューロン素子）Ｍｊ（ｊ＝１，２，…，ｋ）、出力素子Ｏ、入力素子と中間層素子との間の重み係数Ｗ（Ｗｉｊ（ｉ＝１，２，…，ｎ），（ｊ＝１，２，…，ｋ））、中間層素子と出力素子Ｏとの間の重み係数ｗ（ｗｊ（ｊ＝１，２，…，ｋ））、オフセットθｊ（ｊ＝１，２，…，ｋ）およびオフセットθを有する。ここで、Ｗｉｊは、入力素子Ｉｉと中間層素子Ｍｊとの間の重み係数であり、ｗｊは、中間層素子Ｍｊと出力素子Ｏとの間の重み係数である。煩雑になるので、図２では、Ｗｉｊは一部のみ表記している。図２では、ｎ＝６、ｋ＝７の場合が示されているが、ｎおよびｋの値はこれらに限定されない。重み係数Ｗ、ｗおよびオフセットθ、θｊが学習モデル６０の更新可能なパラメータである。

入力素子Ｉｉ（ｉ＝１，２，…，ｎ）のそれぞれへの入力Ｘｉ（ｉ＝１，２，…，ｎ）に対して、各中間層素子Ｍｊ（ｊ＝１，２，…，ｋ）は以下の数式（１）に従って出力値Ｙｊを算出して出力する。各中間層素子Ｍｊは、以下の出力値Ｙｊ（ｊ＝１，２，…，ｋ）を出力する。

ここで、ｆｊは中間層素子Ｍｊの活性化関数であり、通常は、シグモイド関数といった非線形関数が用いられる。そして、出力値Ｙｊ（ｊ＝１，２，…，ｋ）に基づいて最終的に出力素子Ｏが出力する出力値Ｚは、以下の数式（２）に従って計算される。

判定部５２が、ニューラルネットワーク７０を加工対象物１８の表面品質の良否に使用する具体的な方法を以下で説明する。ここでは、ｎ＝６として、入力Ｘ１、Ｘ２、…、Ｘ６として状態情報の各々が入力素子Ｉｉ（ｉ＝１，２，…，６）に入力される。

具体的には、入力Ｘ１は、研磨加工による加工音の音量または周波数特性を数値化した値であり、入力Ｘ２は、加工対象物１８の材質の硬度等の物理量を数値化した値であり、入力Ｘ３は、研磨加工により発生する振動の大きさまたは周波数特性を数値化した値である。さらに、入力Ｘ４は、多関節ロボット１４のモータ３２のトルクであり、入力Ｘ５は、加工対象物１８に対する工具３０の回転速度であり、入力Ｘ６は、多関節ロボット１４の動作速度である。入力Ｘ４は、いずれか１つのモータ３２のトルクであるが、入力素子Ｉｉの数ｎを増やせば、複数のモータ３２、３８のトルクを入力することができる。また、ｎを増やせば、さらに別の状態情報をニューラルネットワーク７０に入力することが可能である。ただし、少なくとも加工音および加工対象物１８の材質に関する数値はニューラルネットワーク７０に入力する。

判定部５２は、数式（１）および（２）に基づいて算出した出力値Ｚを閾値により判定し、閾値以上の場合は加工対象物１８の表面品質が良好であると判定して「ＯＫ」を出力し、閾値未満の場合は加工対象物１８の表面品質が不良であると判定して「ＮＧ」を出力する。閾値は、０より大きく１より小さい値、例えば０．５などに設定しておく。

学習部５８による学習が開始される前の初期状態のニューラルネットワーク７０においては、パラメータである重み係数Ｗ、ｗおよびオフセットθ、θｊの値は未学習の数値、例えば乱数で生成した数値などになっている。したがって、上記状態情報に基づいた、加工対象物１８の表面品質についての判定部５２が出力する判定結果は正しい結果にはなっていない。

学習部５８によるニューラルネットワーク７０の学習は以下のように実行される。まず、研磨加工装置１０による加工対象物１８に対する研磨加工を実際に実行して、制御装置１６を介して状態取得部５０が状態情報を取得し、当該状態情報に基づいて判定部５２が「ＯＫ」または「ＮＧ」を出力する。そして、上記研磨加工による加工対象物１８の表面品質のオペレータによる良否判定結果を受け付けた操作部５４からラベル取得部５６が表面品質の良否を示すラベル「ＯＫ」または「ＮＧ」を取得する。そして、学習部５８は、判定部５２が出力する「ＯＫ」または「ＮＧ」と、ラベル取得部５６が取得したラベル「ＯＫ」または「ＮＧ」とが合致するように、重み係数Ｗ、ｗおよびオフセットθ、θｊを更新する。

より詳細には、例えば、ラベル取得部５６が取得したラベル「ＯＫ」を出力素子Ｏの出力値Ｚに対する教師データ「１」とし、ラベル取得部５６が取得したラベル「ＮＧ」を出力素子Ｏの出力値Ｚに対する教師データ「０」とする。そして、学習部５８は、上記研磨加工による状態情報に基づいた出力値Ｚの値がそれぞれ教師データの値に近づくように、誤差逆伝搬法などの階層型ニューラルネットワークに対する一般的な学習方法により重み係数Ｗ、ｗおよびオフセットθ、θｊを更新してゆく。

状態取得部５０が取得した状態情報およびラベル取得部５６が取得したラベルのセットを数多く用いて、学習部５８がパラメータである重み係数Ｗ、ｗおよびオフセットθ、θｊを更新するほど、判定部５２の判定結果の精度は高くなる。しかし、学習をどこかで一旦停止する場合は、学習回数すなわちパラメータの更新回数に上限を設定したり、オペレータの指示で学習を停止するなどして、何らかの学習終了条件を学習部５８に設定しておく。

図３は、実施の形態における機械学習方法を説明するフローチャートである。

まず、加工対象物１８に対して多関節ロボット１４が研磨加工を実行する（ステップＳ１）。

そして、状態取得部５０は、ステップＳ１の研磨加工を実行した制御装置１６から状態情報を取得する（ステップＳ２）。

次に、ステップＳ２で取得された状態情報に基づいて、判定部５２が、ニューラルネットワーク７０を用いて加工対象物１８の表面品質の良否を判定し（ステップＳ３）、判定結果を出力する。

さらに、ステップＳ１の研磨加工による加工対象物１８の表面品質をオペレータが良否判定する。そして、オペレータによる判定結果であるラベルを受け付けた操作部５４からラベル取得部５６が表面品質の良否を示すラベル「ＯＫ」または「ＮＧ」を取得する（ステップＳ４）。

そして、判定部５２が出力した判定結果と、ラベル取得部５６が取得したラベルとが合致するように、学習部５８は、重み係数Ｗ、ｗおよびオフセットθ、θｊを更新することにより学習モデル６０（ニューラルネットワーク７０）を修正する（ステップＳ５）。

ステップＳ５の後、学習部５８は、学習終了条件を満たすか否かを判定し（ステップＳ６）、学習終了条件を満たさない場合は（ステップＳ６：ＮＯ）、ステップＳ１に戻る。学習終了条件を満たす場合は（ステップＳ６：ＹＥＳ）、学習は終了である。

以上説明したように、本実施の形態の機械学習装置１２および機械学習方法は、少なくとも研磨加工による加工音および加工対象物１８の材質を含む状態情報に基づいて、機械学習を実行して研磨加工による表面品質の良否を判定する。これにより、研磨加工による加工対象物１８の表面品質の良否を適切に判定することができる。

なお、上記では、学習モデル６０として中間層素子が一層のニューラルネットワーク７０を用いて説明したが、中間層素子の層を複数有する多層ニューラルネットワークを使用してもよい。さらに、多層ニューラルネットワークに対してディープラーニングの手法を用いてもかまわない。また、学習モデル６０としてニューラルネットワーク以外の学習モデルを使用してもかまわない。

［変形例］
上記実施の形態は、以下のように変形してもよい。

（変形例１）
図４は、変形例１における研磨加工装置１０および機械学習装置１２の概略構成図である。図４の研磨加工装置１０および機械学習装置１２の構成は図１と同様なので詳細は省いてある。変形例１においては、複数の研磨加工装置１０が機械学習装置１２に接続されている。

機械学習装置１２の状態取得部５０は研磨加工装置１０毎に状態情報を取得する。そして、機械学習装置１２の判定部５２は、複数の研磨加工装置１０の各々に対して、研磨加工による表面品質の良否を判定する。

複数の研磨加工装置１０が全て同じ特性を有しているならば、１つの研磨加工装置１０から状態情報を取得して、機械学習装置１２の学習部５８が学習モデル６０の学習を実行する。学習の終了後には、判定部５２が有する同一の学習モデル６０を用いて、複数の研磨加工装置１０の各々に対して、研磨加工による表面品質の良否を判定する。これにより、１つの研磨加工装置１０を用いた学習結果を複数の研磨加工装置１０で利用することが可能になる。

また、複数の研磨加工装置１０が全て同じ特性を有しているならば、複数の研磨加工装置１０から状態情報を取得して機械学習装置１２の学習モデル６０の学習を実行してもよい。これにより、数多くの状態情報に基づいて機械学習装置１２が学習を実行できるので、機械学習による表面品質の良否の判定精度を高めることが可能になる。

（変形例２）
図５は、変形例２における複数の研磨加工装置１０の概略構成図である。変形例１では、機械学習装置１２は研磨加工装置１０の制御装置１６とは別の演算装置であるとしたが、変形例２では、変形例１の機械学習装置１２が複数の研磨加工装置１０の制御装置１６のいずれか１つに設けられている。図５に示した１つの研磨加工装置１０の制御装置１６に設けられた機械学習装置１２の状態取得部５０は、機械学習装置１２が設置されていない他の研磨加工装置１０からも状態情報を取得する。そして、機械学習装置１２の判定部５２は、機械学習装置１２が設置されている研磨加工装置１０を含む複数の研磨加工装置１０の各々に対して、研磨加工による表面品質の良否を判定する。

［実施の形態から得られる発明］
上記実施の形態から把握しうる発明について、以下に記載する。

（第１の発明）
研磨加工装置（１０）の研磨加工による加工対象物（１８）の表面品質を判定する機械学習装置（１２）であって、少なくとも研磨加工による加工音および加工対象物（１８）の材質を含む状態情報を取得する状態取得部（５０）と、学習モデル（６０）を有し、学習モデル（６０）を用いて状態情報から研磨加工による表面品質の良否を判定する判定部（５２）と、オペレータにより入力された研磨加工による表面品質の良否を示すラベルを取得するラベル取得部（５６）と、状態情報およびラベルに基づいて、学習モデル（６０）を修正する学習部（５８）と、を備える。

これにより、研磨加工による加工対象物（１８）の表面品質の良否を適切に判定することができる。

学習モデル（６０）は、複数のパラメータを有してもよい。学習部（５８）は、複数のパラメータを更新することにより学習モデル（６０）を修正してもよい。

学習モデル（６０）は、ニューラルネットワーク（７０）でもよい。

状態取得部（５０）は、研磨加工により発生する振動、研磨加工装置（１０）のモータ（３２、３８）のトルク、および、加工対象物（１８）に対する研磨加工装置（１０）の工具（３０）の回転速度の少なくとも１つをさらに取得してもよい。これにより、加工対象物（１８）の表面品質の良否判定の精度を高めることができる。

研磨加工装置（１０）は多関節ロボット（１４）を備えてもよい。状態取得部（５０）は、多関節ロボット（１４）のモータ（３２）のトルク、および、多関節ロボット（１４）の動作速度の少なくとも１つをさらに取得してもよい。これにより、加工対象物（１８）の表面品質の良否判定の精度を高めることができる。

機械学習装置（１２）は、研磨加工装置（１０）の制御装置（１６）に設けられていてもよい。

状態取得部（５０）は、研磨加工装置（１０）毎に状態情報を取得してもよい。判定部（５２）は、複数の研磨加工装置（１０）の各々に対して、研磨加工による表面品質の良否を判定してもよい。これにより、学習結果を複数の研磨加工装置（１０）で利用することが可能になる。また、機械学習による表面品質の良否の判定精度を高めることが可能になる。

機械学習装置（１２）は、複数の研磨加工装置（１０）の制御装置（１６）のいずれか１つに設けられていてもよい。

機械学習装置（１２）は、研磨加工装置（１０）の制御装置（１６）とは別の演算装置でもよい。

（第２の発明）
研磨加工装置（１０）の研磨加工による加工対象物（１８）の表面品質を判定する機械学習方法であって、少なくとも研磨加工による加工音および加工対象物（１８）の材質を含む状態情報を取得する状態取得ステップと、学習モデル（６０）を用いて状態情報から研磨加工による表面品質の良否を判定する判定ステップと、オペレータにより入力された研磨加工による表面品質の良否を示すラベルを取得するラベル取得ステップと、状態情報およびラベルに基づいて、学習モデル（６０）を修正する学習ステップと、を含む。

これにより、研磨加工による加工対象物（１８）の表面品質の良否を適切に判定することができる。

学習モデル（６０）は、複数のパラメータを有してもよい。学習ステップは、複数のパラメータを更新することにより学習モデル（６０）を修正してもよい。

学習モデル（６０）は、ニューラルネットワーク（７０）でもよい。

状態取得ステップは、研磨加工により発生する振動、研磨加工装置（１０）のモータ（３２、３８）のトルク、および、加工対象物（１８）に対する研磨加工装置（１０）の工具（３０）の回転速度の少なくとも１つをさらに取得してもよい。これにより、加工対象物（１８）の表面品質の良否判定の精度を高めることができる。

研磨加工装置（１０）は多関節ロボット（１４）を備えてもよい。状態取得ステップは、多関節ロボット（１４）のモータ（３２）のトルク、および、多関節ロボット（１４）の動作速度の少なくとも１つをさらに取得してもよい。これにより、加工対象物（１８）の表面品質の良否判定の精度を高めることができる。

状態取得ステップは、研磨加工装置（１０）毎に状態情報を取得してもよい。判定ステップは、複数の研磨加工装置（１０）の各々に対して、研磨加工による表面品質の良否を判定してもよい。これにより、学習結果を複数の研磨加工装置（１０）で利用することが可能になる。また、機械学習による表面品質の良否の判定精度を高めることが可能になる。

１０…研磨加工装置 １２…機械学習装置
１４…多関節ロボット １６…制御装置
１８…加工対象物 ２０…ベッド
２４…ベース部 ２６ａ、２６ｂ、２６ｃ、２６ｄ…アーム
２８ａ、２８ｂ、２８ｃ…関節 ３０…工具
３２、３８…モータ ３４…電流検出器
３６、４０…回転速度検出器 ４２…振動センサ
４４…音センサ ５２…判定部
５０…状態取得部 ５４…操作部
５６…ラベル取得部 ５８…学習部
６０…学習モデル ７０…ニューラルネットワーク
Ｉｉ…入力素子 Ｍｊ…中間層素子
Ｏ…出力素子

Claims (15)

1. 研磨加工装置の研磨加工による加工対象物の表面品質を判定する機械学習装置であって、
   少なくとも研磨加工による加工音および前記加工対象物の材質を含む状態情報を取得する状態取得部と、
   学習モデルを有し、前記学習モデルを用いて前記状態情報から研磨加工による前記表面品質の良否を判定する判定部と、
   オペレータにより入力された研磨加工による前記表面品質の良否を示すラベルを取得するラベル取得部と、
   前記状態情報および前記ラベルに基づいて、前記学習モデルを修正する学習部と、
   を備える、機械学習装置。
2. 請求項１に記載の機械学習装置であって、
   前記学習モデルは、複数のパラメータを有し、
   前記学習部は、複数の前記パラメータを更新することにより前記学習モデルを修正する、機械学習装置。
3. 請求項２に記載の機械学習装置であって、
   前記学習モデルは、ニューラルネットワークである、機械学習装置。
4. 請求項１〜３のいずれか１項に記載の機械学習装置であって、
   前記状態取得部は、研磨加工により発生する振動、前記研磨加工装置のモータのトルク、および、前記加工対象物に対する前記研磨加工装置の工具の回転速度の少なくとも１つをさらに取得する、機械学習装置。
5. 請求項１〜４のいずれか１項に記載の機械学習装置であって、
   前記研磨加工装置は多関節ロボットを備え、
   前記状態取得部は、前記多関節ロボットのモータのトルク、および、前記多関節ロボットの動作速度の少なくとも１つをさらに取得する、機械学習装置。
6. 請求項１〜５のいずれか１項に記載の機械学習装置であって、
   前記機械学習装置は、前記研磨加工装置の制御装置に設けられている、機械学習装置。
7. 請求項１〜５のいずれか１項に記載の機械学習装置であって、
   前記状態取得部は、前記研磨加工装置毎に前記状態情報を取得し、
   前記判定部は、複数の前記研磨加工装置の各々に対して、研磨加工による前記表面品質の良否を判定する、機械学習装置。
8. 請求項７に記載の機械学習装置であって、
   前記機械学習装置は、複数の前記研磨加工装置の制御装置のいずれか１つに設けられている、機械学習装置。
9. 請求項１〜５、７のいずれか１項に記載の機械学習装置であって、
   前記機械学習装置は、前記研磨加工装置の制御装置とは別の演算装置である、機械学習装置。
10. 研磨加工装置の研磨加工による加工対象物の表面品質を判定する機械学習方法であって、
    少なくとも研磨加工による加工音および前記加工対象物の材質を含む状態情報を取得する状態取得ステップと、
    学習モデルを用いて前記状態情報から研磨加工による前記表面品質の良否を判定する判定ステップと、
    オペレータにより入力された研磨加工による前記表面品質の良否を示すラベルを取得するラベル取得ステップと、
    前記状態情報および前記ラベルに基づいて、前記学習モデルを修正する学習ステップと、
    を含む、機械学習方法。
11. 請求項１０に記載の機械学習方法であって、
    前記学習モデルは、複数のパラメータを有し、
    前記学習ステップは、複数の前記パラメータを更新することにより前記学習モデルを修正する、機械学習方法。
12. 請求項１１に記載の機械学習方法であって、
    前記学習モデルは、ニューラルネットワークである、機械学習方法。
13. 請求項１０〜１２のいずれか１項に記載の機械学習方法であって、
    前記状態取得ステップは、研磨加工により発生する振動、前記研磨加工装置のモータのトルク、および、前記加工対象物に対する前記研磨加工装置の工具の回転速度の少なくとも１つをさらに取得する、機械学習方法。
14. 請求項１０〜１３のいずれか１項に記載の機械学習方法であって、
    前記研磨加工装置は多関節ロボットを備え、
    前記状態取得ステップは、前記多関節ロボットのモータのトルク、および、前記多関節ロボットの動作速度の少なくとも１つをさらに取得する、機械学習方法。
15. 請求項１０〜１４のいずれか１項に記載の機械学習方法であって、
    前記状態取得ステップは、前記研磨加工装置毎に前記状態情報を取得し、
    前記判定ステップは、複数の前記研磨加工装置の各々に対して、研磨加工による前記表面品質の良否を判定する、機械学習方法。

Images