JP2021018537A - 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム - Google Patents

Abstract

【課題】工作機械の加工異常診断において、過検知が疑われる場面で診断モデルの再学習が必要か否かを適切に判定する。【解決手段】制御装置２は、工作機械１に装着された工具３の累積切削時間または累積切削距離を工具使用量記憶手段１２に工具使用量として記憶する工具使用量記憶ステップと、加工異常診断手段１３が加工異常と診断した際の工具使用量を異常診断時工具使用量記憶手段１４に記憶する異常診断時工具使用量記憶ステップと、異常診断時工具使用量記憶ステップで記憶された工具使用量の度数分布を基に、診断モデルの再学習の要否を再学習要否判定手段１６で判定する再学習要否判定ステップと、を実行する。【選択図】図１

Description

本発明は、機械学習技術を用いた加工診断機能を備えた工作機械において、学習済みの診断モデルの再学習の要否を判定する方法及び装置と、再学習要否判定プログラムとに関するものである。

切削工具で被削材に対して加工を行う際、過負荷や切粉の噛み込み、切刃の摩耗進展などにより、切削工具が折損するなど工具損傷が生じる場合がある。その場合、所望の加工が実現できず再加工に時間を要するだけでなく、製品不良となり損失につながるほか、削り残しが生じることにより機械と被削材とが衝突する危険もある。上記の危険を避けるため、加工異常を検出して機械停止させる技術が提案されている。
特許文献１では、正常加工時のモータ負荷波形などを基準波形として記録しておき、加工時の負荷が基準波形から一定以上乖離した際に加工異常と見なす技術が示されている。このような技術によれば、目的の加工における正常加工時の波形を基準にできるため、任意の加工条件において加工異常を検出することができる。一方、基準波形からの乖離を指標とするため、テスト加工などにより事前に基準波形を取得しなければならず、加工条件が変化した場合は再設定が必要になる。また、基準波形からどれだけ乖離したら異常と判断するか適切なしきい値を決定するのが難しいという課題もある。
上記の課題に対し、機械学習を用いて解決を図る技術として特許文献２、３が開示されている。特許文献２では機械学習技術を用いた工具異常検出装置を、特許文献３では加工異常と判断するしきい値を学習させる方法を示している。

特許第６１７８５９１号公報 特許第６４２６６６７号公報 特開２０１７−２２０１１１号公報

Taylor,F.W.:"On the Art of Cutting Metals",Trans.ASME,Vol.28,pp.31-350 (1906) 下田他,:"切削速度を変えた場合の工具の寿命分布に関する統計的研究",日本経営工学会論文誌,Vol.50,No.1,pp.50-57(1999)

機械学習を用いた診断においても誤診は避けられない問題である。誤診が生じた場合、しきい値を調整するか、あるいは診断モデルを再学習する方法のいずれかが採られるが、モデルの再学習は大量かつ良質のデータを必要とし、技術的、時間的な負担が大きく、また過学習となるリスクもあることから、極力避けることが望ましい。そのためには、再学習の必要性をどのように見積もるかが重要となる。
ところで、誤診は過検知（偽陽性、第一種過誤ともいう）と見逃し（偽陰性、第二種過誤ともいう）の二種に大別できる。しきい値を大きくすれば見逃しが増え、逆に小さくすれば過検知が増える。正常、異常を正しく分離できる診断モデルが提供できていれば、適切なしきい値を設定することで診断が正しく行えるが、学習が不十分な診断モデルの場合、しきい値を調整しても性能の改善にはつながらず、モデルの再学習が必要となる。前述したようにモデルの再学習は負担が大きいため、誤診が生じた場合、しきい値の問題か診断モデルの問題かを見分けることが重要となる。
見逃しについては、衝突などの機械異常につながったり、また、後の検査工程で製品不良が発覚するなど見逃しの発生が即座に判明することから、その場でしきい値の調整などを試みて解消が難しい場合には再学習に進む、という手段を採ることができる。過去の異常度合いの履歴と比較することで、見逃しを避けようとしきい値を下げた場合に過検知が増えるかどうか判断がつくため、再学習の要否を判定しやすい。

一方で過検知については事情が異なる。これは、過検知は見逃しに比べて判明しにくいことによる。加工診断においては、工具や製品の損傷を防ぐために、異常の予兆の段階で加工を停止することから、その時点で工具を観察しても、一見して異常の有無がわかりにくい。熟練者であれば判断がつく場合もあるが、自動化が進んだ生産現場では熟練者の数が限られ、また一本一本工具を目視等で確認することは現実的に困難なことから、診断機能が「異常」と診断した場合は無条件で工具交換することがほとんどである。したがって、生産現場で過検知が判明することは稀であり、過検知に気づかずまだ使用できる工具を交換し続けることになる。そのような状況が続くと工具費の上昇につながり、その時点で過検知の可能性に気づくことになる。しかし、工具費上昇が顕在化する頃には過検知が疑われる加工からかなりの期間が経過しており、過検知で工具交換頻度が不要に増加して工具費が上昇したのか、あるいは加工条件や機械の状態などによって実際に工具の損傷が増加したのか、この時点で区別することは極めて困難である。しきい値の問題か、診断モデルの不備か判断がつかない状態で無理に再学習を実施すると、時間的、費用的なロスに加え、過学習や誤った学習につながり損害がさらに増加する恐れがある。

そこで、本発明は、上記の問題を鑑み、工作機械の加工異常診断において、過検知が疑われる場面で診断モデルの再学習が必要か否かを適切に判定することができる方法及び装置、再学習要否判定プログラムを提供することを目的としたものである。

工具の寿命を表す関係式として、Taylorの寿命方程式が知られている（非特許文献１参照）。また、工具摩耗進展のばらつきを考慮したとき、切削時間に対する工具寿命のばらつきが対数正規分布に従うことも知られている（非特許文献２参照）。
これらのことから、発明者は、工具摩耗の進展により加工の異常度合いが上がっていったとき、異常度合いが一定値に達する切削時間または切削距離が対数正規分布に従うことに着目し、本発明の完成に至った。
すなわち、上記目的を達成する請求項１に記載の発明は、機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械において、前記診断モデルの再学習の要否を判定する方法であって、
前記工作機械に装着された工具の累積切削時間または累積切削距離を工具使用量として記憶する工具使用量記憶ステップと、
前記加工異常診断手段が加工異常と診断した際の前記工具使用量を記憶する異常診断時工具使用量記憶ステップと、
前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布を基に、前記診断モデルの再学習の要否を判定する再学習要否判定ステップと、を実行することを特徴とする。
請求項２に記載の発明は、請求項１の構成において、前記再学習要否判定ステップでは、前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布が対数正規分布に従うとき、前記診断モデルの再学習を不要と判断することを特徴とする。
請求項３に記載の発明は、請求項２の構成において、前記再学習要否判定ステップの実行前に、突発的な加工異常が発生する想定確率を入力する突発異常発生確率入力ステップを実行し、
前記再学習要否判定ステップでは、前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布のサンプルから、前記突発異常発生確率入力ステップで入力された想定確率分を予め除外した上で、対数正規分布に当てはめることを特徴とする。
上記目的を達成する請求項４に記載の発明は、機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械において、前記診断モデルの再学習の要否を判定する装置であって、
前記工作機械に装着された工具の累積切削時間または累積切削距離を工具使用量として記憶する工具使用量記憶手段と、
前記加工異常診断手段が加工異常と診断した際の前記工具使用量を記憶する異常診断時工具使用量記憶手段と、
前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布を基に、前記診断モデルの再学習の要否を判定する再学習要否判定手段と、を備えることを特徴とする。
請求項５に記載の発明は、請求項４の構成において、前記再学習要否判定手段は、前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布が対数正規分布に従うとき、前記診断モデルの再学習を不要と判断することを特徴とする。
請求項６に記載の発明は、請求項５の構成において、突発的な加工異常が発生する想定確率を入力する突発異常発生確率入力手段をさらに備え、
前記再学習要否判定手段は、前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布のサンプルから、前記突発異常発生確率入力手段で入力された想定確率分を予め除外した上で、対数正規分布に当てはめることを特徴とする。
上記目的を達成する請求項７に記載の発明は、診断モデルの再学習要否判定プログラムであって、機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械の制御装置に、請求項１乃至３の何れかに記載の工作機械における診断モデルの再学習要否判定方法を実行させることを特徴とする。

本発明によれば、工作機械の加工異常診断において過検知が疑われる場合に、診断モデルの再学習が必要か否かを適切に判定することが可能となる。

本発明を実施する工作機械のブロック構成図である。 工具１００本に対する異常判定時における加工時間の度数分布を示す図である。 図２のサンプルを対数正規確率紙にプロットした図である。 工具１００本に対する異常判定時における加工時間の度数分布を示す図である（突発的な異常事例を含む）。 図４のサンプルを対数正規確率紙にプロットした図である。 図４のサンプルから工具寿命の短い方から２０％を除外して再度プロットした図である。

以下、本発明の実施の形態を図面に基づいて説明する。
図１において、工作機械１には工具３及び被削材４が取り付けられており、制御装置２にて工作機械を制御して被削材を加工する。
制御装置２には、加工異常により被削材を損失するのを防止するため、加工異常診断手段１３が備えられている。加工異常診断手段１３は、加工データ取得手段１１から加工に関するデータを受け取り、学習済み診断モデル（図示しない）を用いて異常の有無を診断する。また、加工の進行に合わせて、工具３の累積使用量（切削時間または切削距離）を工具使用量記憶手段１２に随時記録する。これらの処理や後述する再学習要否の判定は、制御装置２の記憶部に格納されたプログラムによって実行される。

加工異常診断手段１３にて加工が異常であると判定された場合、加工異常診断手段１３は、工作機械１に停止信号を送信するとともに、異常診断時工具使用量記憶手段１４にも異常発生の旨を通知する。異常診断時工具使用量記憶手段１４は、通知を受け取った時点の工具使用量を工具使用量記憶手段１２から取得し記憶する。工作機械１は、停止信号受信後、加工を一旦停止して工具を交換し、再度加工を再開する。その際、工具使用量記憶手段１２が保持する累積使用量も併せてリセットされる。
加工従事者が予備の工具を補充する際や、購買担当者が追加工具を発注する際、あるいは定期診断時など、異常診断において過検知が生じていないか疑いが生じた時点で、再学習要否判定手段１６にて診断モデルの妥当性を検証する。その際、必要に応じて突発異常発生確率入力手段１５にて、寿命到達以前に突発異常によって脱落すると想定される工具本数比率を入力してもよい。

以下、再学習要否判定手段１６における判定方法について詳細を記す。
まず、工具の寿命を表す関係式として、Taylorの寿命方程式が知られている（非特許文献１）。また、工具摩耗進展のばらつきを考慮したとき、切削時間に対する工具寿命のばらつきが対数正規分布に従うことも知られている（非特許文献２）。
これらのことから、工具摩耗の進展により加工の異常度合いが上がっていったとき、異常度合いが一定値に達する切削時間または切削距離が対数正規分布に従うことが期待できる。つまり、加工異常診断手段１３が異常と判定したときの工具使用量の度数分布が対数正規分布に従っていれば、診断モデルが加工状態に適合しているとみなすことができ、診断モデルの再学習が不要であると判断できる。一方で、度数分布が対数正規分布に従っていない場合、診断モデルが加工状態を表現できていないことを示すため、再学習が必要であると判断できる。

度数分布が対数正規分布に従っているか否かの判定方法としては、対数正規確率紙に倣い横軸を工具寿命、縦軸を寿命累積確率としてプロットしたときにデータが直線状になるか否かで判定したり、ｘ^２（カイ二乗）検定など、公知の手法を適宜用いることができる。
例として、図２に、工具１００本に対する異常判定時における加工時間の度数分布を示す。対数正規確率紙に倣って考えると、横軸を加工時間の対数、縦軸を累積確率に対する標準正規分布の逆関数にとったとき、上記サンプルが対数正規分布に従う場合には直線状にプロットされることになる（下記数式）。

ここで、ｘは確率変数（＝加工時間）、μは平均、σは標準偏差、Ｆ（ｘ）はｘの累積確率、Φは標準正規分布の累積確率を表す。
図２のサンプルを上記に従ってプロットしたものを図３に示す。この場合、点線で示す直線で良く近似できていることがわかり、このサンプルが対数正規分布に従っていると言える。判定基準としては、例えば決定係数（図３中のＲ^２値）が一定値以上（例えば０．９９以上）などとすることができる。

上記形態の制御装置２（再学習要否判定装置）によれば、工作機械１に装着された工具３の加工時間（累積切削時間）を工具使用量記憶手段１２に工具使用量として記憶する工具使用量記憶ステップと、加工異常診断手段１３が加工異常と診断した際の工具使用量を異常診断時工具使用量記憶手段１４に記憶する異常診断時工具使用量記憶ステップと、異常診断時工具使用量記憶ステップで記憶された工具使用量の度数分布を基に、診断モデルの再学習の要否を再学習要否判定手段１６で判定する再学習要否判定ステップと、を実行することで、工作機械１の加工異常診断において過検知が疑われる場合に、診断モデルの再学習が必要か否かを適切に判定することが可能となる。

なお、加工異常に至る過程として、工具摩耗の進展による工具寿命到達に加え、切屑の刃先への噛み込みなどによる突発的な異常の発生もあり得る。この突発異常の原因としては加工条件の良否や切削液の供給状態など様々なものが考えられ、必ずしも工具の摩耗状態と相関があるわけではないため、突発異常に起因する加工異常は上記の対数正規分布とは異なる分布で発生する。従って、この突発異常分を除外して対数正規分布への当てはめを行うことで、より精度良く再学習要否を判定することができる。

例として、図４に、同じく工具１００本に対する異常判定時における加工時間の度数分布を示す。ただし、図４の事例では、摩耗の進展による工具寿命到達に加えて突発的な異常事例も含んでいる。この場合、対数正規確率紙に倣ってプロットすると図５となる。この場合、直線からのずれが大きく、決定係数も悪化している。
ここで、例えば過去の経験などから、全体の２０％程度の工具で突発的な異常が発生することがわかっていたとする。突発的な異常は摩耗より早期に発生するため、工具寿命の短い方から２０％をサンプルから除外し、再度プロットしたものを図６に示す。この場合、ほぼ直線状になり、決定係数も高い値となっている。このように、あらかじめ突発異常の割合が想定できている場合、この分をサンプルから除外することでより適切に判定することができる。
なお、想定される突発異常分を除いてもなお線形近似が適合しない場合、診断モデルが不適であり再学習が必要と判断できる。

その他、本実施例では、累積切削時間を工具使用量として記憶しているが、累積切削距離であってもよい。
また、再学習要否判定手段を工作機械の制御装置に内蔵する形としたが、外付けＰＣやクラウド上のアプリケーションなどの形で工作機械外部に置く形としても構わない。この場合、複数の工作機械について再学習の要否を並行して判定できる。

１・・工作機械、２・・制御装置、１１・・加工データ取得手段、１２・・工具使用量記憶手段、１３・・加工異常診断手段、１４・・異常診断時工具使用量記憶手段、１５・・突発異常発生確率入力手段、１６・・再学習要否判定手段。

Claims (7)

1. 機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械において、前記診断モデルの再学習の要否を判定する方法であって、
   前記工作機械に装着された工具の累積切削時間または累積切削距離を工具使用量として記憶する工具使用量記憶ステップと、
   前記加工異常診断手段が加工異常と診断した際の前記工具使用量を記憶する異常診断時工具使用量記憶ステップと、
   前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布を基に、前記診断モデルの再学習の要否を判定する再学習要否判定ステップと、
   を実行することを特徴とする工作機械における診断モデルの再学習要否判定方法。
2. 前記再学習要否判定ステップでは、前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布が対数正規分布に従うとき、前記診断モデルの再学習を不要と判断することを特徴とする請求項１に記載の工作機械における診断モデルの再学習要否判定方法。
3. 前記再学習要否判定ステップの実行前に、突発的な加工異常が発生する想定確率を入力する突発異常発生確率入力ステップを実行し、
   前記再学習要否判定ステップでは、前記異常診断時工具使用量記憶ステップで記憶された前記工具使用量の度数分布のサンプルから、前記突発異常発生確率入力ステップで入力された想定確率分を予め除外した上で、対数正規分布に当てはめることを特徴とする請求項２に記載の工作機械における診断モデルの再学習要否判定方法。
4. 機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械において、前記診断モデルの再学習の要否を判定する装置であって、
   前記工作機械に装着された工具の累積切削時間または累積切削距離を工具使用量として記憶する工具使用量記憶手段と、
   前記加工異常診断手段が加工異常と診断した際の前記工具使用量を記憶する異常診断時工具使用量記憶手段と、
   前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布を基に、前記診断モデルの再学習の要否を判定する再学習要否判定手段と、
   を備えることを特徴とする工作機械における診断モデルの再学習要否判定装置。
5. 前記再学習要否判定手段は、前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布が対数正規分布に従うとき、前記診断モデルの再学習を不要と判断することを特徴とする請求項４に記載の工作機械における診断モデルの再学習要否判定装置。
6. 突発的な加工異常が発生する想定確率を入力する突発異常発生確率入力手段をさらに備え、
   前記再学習要否判定手段は、前記異常診断時工具使用量記憶手段に記憶された前記工具使用量の度数分布のサンプルから、前記突発異常発生確率入力手段で入力された想定確率分を予め除外した上で、対数正規分布に当てはめることを特徴とする請求項５に記載の工作機械における診断モデルの再学習要否判定装置。
7. 機械学習により作成した学習済みの診断モデルを用いて加工の正常・異常を判断する加工異常診断手段を備えた工作機械の制御装置に、請求項１乃至３の何れかに記載の工作機械における診断モデルの再学習要否判定方法を実行させるための診断モデルの再学習要否判定プログラム。

Images