JP2021084191A - 旋盤、及び、旋盤システム - Google Patents

Abstract

【課題】冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤、及び、旋盤システムを提供する。【解決手段】旋盤１及び旋盤システムＳＹ１は、回転可能な主軸１１、内蔵温度センサーＳ１を有し主軸１１を回転させる主軸モーターＭ１、該主軸モーターＭ１を冷却する冷却装置４０、及び、ワークＷ１の連続加工を開始してから内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）が定常となったと判断した後に検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が許容範囲（ＴＨ２）を超えると冷却装置４０が故障していると判定する故障判定部Ｕ１を備える。【選択図】図５

Description

本発明は、主軸モーターを冷却する冷却装置を備える旋盤、及び、旋盤システムに関する。

主軸をビルトインモーターにより高速回転させるＮＣ（数値制御）旋盤が知られている。主軸の温度が上昇し過ぎるとワークの加工精度に影響するため、主軸の温度上昇を抑制する冷却装置が使用されている。例えば、冷却装置は、ビルトインモーターの近くを通る循環経路にポンプで冷却油を循環させ、循環経路に設けられたラジエーターから放熱させる。

特許文献１に開示された工作機械用冷却装置では、冷却油の熱交換を行う冷却タンクから冷却油が出ていく冷却油吐出側パイプに第一の温度センサーが設置され、冷却タンクに冷却油が戻る冷却油戻り側パイプに第二の温度センサーが設置されている。両温度センサーの温度の差が０．５℃以下である場合、冷却装置は、冷却不良と判断して、警報を発し、工作機械を停止させる。

実開平４−１２２４３８号公報

上述した冷却装置は、２以上の温度センサーを設置する必要があるため、機械のコストアップに繋がる。
尚、上述のような問題は、種々の旋盤に存在する。

本発明は、冷却油の温度を検出するセンサーといった、冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤、及び、旋盤システムを開示するものである。

本発明の旋盤は、
回転可能な主軸と、
内蔵温度センサーを有し、前記主軸を回転させる主軸モーターと、
該主軸モーターを冷却する冷却装置と、
ワークの連続加工を開始してから前記内蔵温度センサーにより順次得られる検出温度が定常となったと判断した後に前記検出温度の変化が許容範囲を超えると前記冷却装置が故障していると判定する故障判定部と、を備える、態様を有する。

また、本発明の旋盤システムは、旋盤と、該旋盤に接続されたコンピューターと、を含む旋盤システムであって、
前記旋盤は、
回転可能な主軸と、
内蔵温度センサーを有し、前記主軸を回転させる主軸モーターと、
該主軸モーターを冷却する冷却装置と、を備え、
前記旋盤システムは、ワークの連続加工を開始してから前記内蔵温度センサーにより順次得られる検出温度が定常となったと判断した後に前記検出温度の変化が許容範囲を超えると前記冷却装置が故障していると判定する故障判定部を備える、態様を有する。

本発明によれば、冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤、及び、旋盤システムを提供することができる。

旋盤システムの構成例を模式的に示す図である。 主軸台の要部とともに旋盤の冷却装置の構成例を模式的に示す図である。 旋盤の電気回路の構成例を模式的に示すブロック図である。 図４Ａはワーク連続加工の途中でポンプが故障した場合における内蔵温度センサーの温度変化の例を示す図であり、図４Ｂはワーク連続加工の途中でファンが故障した場合における内蔵温度センサーの温度変化の例を示す図である。 検出温度の離散データから旋盤の状態を判定する例を模式的に示す図である。 時間に応じた内蔵温度センサーの温度変化ΔＴ１（ｔ）の例を模式的に示す図である。 冷却装置故障判定処理の例を示すフローチャートである。 回転工具駆動用の主軸モーター、及び、該主軸モーターの冷却装置を備える旋盤の例を模式的に示す図である。 機械学習部を備える旋盤システムの例を模式的に示す図である。 学習処理の例を示すフローチャートである。 故障部位判定処理の例を示すフローチャートである。 機械学習部を備える旋盤の例を模式的に示す図である。

以下、本発明の実施形態を説明する。むろん、以下の実施形態は本発明を例示するものに過ぎず、実施形態に示す特徴の全てが発明の解決手段に必須になるとは限らない。

（１）本発明に含まれる技術の概要：
まず、図１〜１２に示される例を参照して本発明に含まれる技術の概要を説明する。尚、本願の図は模式的に例を示す図であり、これらの図に示される各方向の拡大率は異なることがあり、各図は整合していないことがある。むろん、本技術の各要素は、符号で示される具体例に限定されない。

［態様１］
図１等に例示するように、本技術の一態様に係る旋盤１は、回転可能な主軸１１、該主軸１１を回転させる主軸モーターＭ１、該主軸モーターＭ１を冷却する冷却装置４０、及び、故障判定部Ｕ１を備える。前記主軸モーターＭ１は、内蔵温度センサーＳ１を有している。図５，７等に例示するように、前記故障判定部Ｕ１は、ワークＷ１の連続加工を開始してから前記内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）が定常となったと判断した後に前記検出温度Ｔ１（ｔ）の変化（例えばΔＴ１（ｔ））が許容範囲（例えば閾値ＴＨ２）を超えると前記冷却装置４０が故障していると判定する。

主軸モーターは、焼付きを防ぐために温度センサーを内蔵していることがある。この温度センサーを上述の内蔵温度センサーＳ１として利用することができる。
冷却装置４０が正常に動作している時、ワークＷ１の連続加工を開始すると主軸モーターＭ１の温度は変化し始め、一定時間経過後に主軸モーターＭ１の温度が定常となる。ワークＷ１の連続加工中に冷却装置４０が故障すると、主軸モーターＭ１の温度は再び変化し、許容範囲（ＴＨ２）を超える。そこで、ワークＷ１の連続加工を開始してから内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）が定常となった後に検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が許容範囲（ＴＨ２）を超えると、冷却装置４０が故障していると判定することができる。従って、上記態様は、冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤を提供することができ、コストアップを抑制することができる。冷却装置の故障が判定されることにより、旋盤は、例えば、動作を停止したり、警告を出力したりすることができる。

ここで、主軸には、ワークを把持する主軸や回転工具とともに回転する工具主軸といった、ワークに対して直接又は間接的に作用する主軸が含まれる。
主軸モーターは、冷却装置により冷却されるモーターであればよく、ビルトインモーターでもよいし、主軸に外付けされたモーターでもよい。
冷却装置には、冷却媒体としての冷却油の循環により主軸モーターから熱を排出する油冷式冷却装置、冷却媒体としての冷却水の供給により主軸モーターから熱を排出する水冷式冷却装置、冷却媒体としての空気の流れにより主軸モーターから熱を排出する風冷式冷却装置、等が含まれる。
許容範囲を超える検出温度の変化は、検出温度の上昇による変化に限定されず、検出温度の下降による変化でもよい。
尚、上述した付言は、以下の態様においても適用される。

［態様２］
図５〜７等に例示するように、前記故障判定部Ｕ１は、前記検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））に基づいて、前記冷却装置４０に含まれる複数の部位（例えばポンプ４３とファン４４）のうち故障している部位を判別してもよい。冷却に寄与する程度が部位に応じて異なる場合、主軸モーターの温度変化が部位に応じて変わる。従って、本態様は、冷却装置の各部位の故障を検出するセンサーを別途取り付けなくても冷却装置の故障部位を判別することが可能な旋盤を提供することができ、コストアップを抑制することができる。冷却装置の故障部位が判定されることにより、旋盤は、例えば、故障部位を通知することができる。これにより、作業者の利便性が向上し、冷却装置の修理が容易となる。

［態様３］
図２に例示するように、前記冷却装置４０は、前記主軸モーターＭ１を冷却する冷却流体Ｆ１の循環経路４１を有していてもよい。前記複数の部位は、前記循環経路４１において前記冷却流体Ｆ１を循環させるポンプ４３、及び、前記循環経路４１の放熱を促進させるファン４４を含んでいてもよい。図５〜７等に例示するように、前記故障判定部Ｕ１は、前記許容範囲（ＴＨ２）を超えた前記検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が所定の判別基準を超える場合（例えばΔＴ１max＞ＴＨ３である場合）に前記ポンプ４３が故障していると判定し、前記検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が前記判別基準を超えない場合に前記ファン４４が故障していると判定してもよい。

試験を行ったところ、ポンプ４３が故障した場合の検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））は、ファン４４が故障した場合の検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））よりも大きいことが分かった。そこで、許容範囲（ＴＨ２）を超えた検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が所定の判別基準を超える場合にポンプ４３が故障していると判定することができ、検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が判別基準を超えない場合にファン４４が故障していると判定することができる。従って、上記態様は、ポンプやファンの故障を検出するセンサーを別途取り付けなくてもポンプが故障しているのかファンが故障しているのかを判定することが可能な旋盤を提供することができる。
ここで、冷却流体には、冷却油や冷却水といった液体、空気といった気体、等が含まれる。この付言は、以下の態様においても適用される。

［態様４］
図１，１２等に例示するように、本旋盤１は、外気温に影響される温度を検出する第二温度センサーＳ２をさらに備えていてもよい。また、本旋盤１は、機械学習部Ｕ２をさらに備えていてもよい。該機械学習部Ｕ２は、前記内蔵温度センサーＳ１により順次に得られた前記検出温度Ｔ１（ｔ）、前記第二温度センサーＳ２により順次に得られた第二検出温度Ｔ２（ｔ）、及び、前記冷却装置４０に含まれる複数の部位のうち故障している部位を表す故障部位情報ＩＮ１に基づいた機械学習により、前記内蔵温度センサーＳ１により順次得られる前記検出温度Ｔ１（ｔ）、及び、前記第二温度センサーＳ２により順次得られる前記第二検出温度Ｔ２（ｔ）に基づいて前記冷却装置４０において故障している部位を判別する学習モデルＬＭを生成する。この学習モデルＬＭを用いることにより、主軸モーターＭ１に設けられた内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）、及び、外気温により影響される温度として順次得られる第二検出温度Ｔ２（ｔ）に基づいて冷却装置４０において故障している部位を判別することができる。従って、本態様は、冷却装置の各部位の故障を検出するセンサーを別途取り付けなくても冷却装置の故障部位を判別することが可能な旋盤を提供することができ、コストアップを抑制することができる。
ここで、検出温度Ｔ１（ｔ）の変化（例えばΔＴ１（ｔ））等といった検出温度Ｔ１（ｔ）から求められる値を機械学習に用いることや、第二検出温度Ｔ２（ｔ）の変化等といった第二検出温度Ｔ２（ｔ）から求められる値を機械学習に用いることも、上記態様の機械学習に含まれる。また、学習モデルに使用される公知のニューラルネットワーク等に入力する値は、検出温度そのものや第二検出温度そのものに限定されない。上記態様の学習モデルには、検出温度Ｔ１（ｔ）の変化（例えばΔＴ１（ｔ））等といった検出温度Ｔ１（ｔ）から求められる値をニューラルネットワーク等に入力する場合や、第二検出温度Ｔ２（ｔ）の変化等といった第二検出温度Ｔ２（ｔ）から求められる値をニューラルネットワーク等に入力する場合も、含まれる。これらの付言は、以下の態様においても適用される。

［態様５］
前記学習モデルは、前記内蔵温度センサーＳ１により順次得られる前記検出温度Ｔ１（ｔ）、および、前記第二温度センサーＳ２により順次得られる前記第二検出温度Ｔ２（ｔ）が入力されることで、前記冷却装置４０に含まれる複数の部位のうち故障している部位（例えばポンプ４３とファン４４）の判別結果を出力してもよい。本態様は、冷却装置の各部位の故障を検出するセンサーを別途取り付けなくても冷却装置の故障部位を判別することが可能な旋盤を提供することができ、コストアップを抑制することができる。

［態様６］
ところで、本技術の一態様に係る旋盤システムＳＹ１は、旋盤１、及び、該旋盤１に接続されたコンピューター１００を含む。前記旋盤１は、回転可能な主軸１１、該主軸１１を回転させる主軸モーターＭ１、及び、該主軸モーターＭ１を冷却する冷却装置４０を備える。前記主軸モーターＭ１は、内蔵温度センサーＳ１を有している。本旋盤システムＳＹ１は、前記旋盤１と前記コンピューター１００の少なくとも一方に故障判定部Ｕ１を備えている。該故障判定部Ｕ１は、ワークＷ１の連続加工を開始してから前記内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）が定常となったと判断した後に前記検出温度Ｔ１（ｔ）の変化（ΔＴ１（ｔ））が許容範囲（ＴＨ２）を超えると前記冷却装置４０が故障していると判定する。従って、本態様は、冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤システムを提供することができ、コストアップを抑制することができる。

［態様７］
図１等に例示するように、前記旋盤１は、外気温に影響される温度を検出する第二温度センサーＳ２をさらに備えていてもよい。図９に例示するように、前記旋盤システムＳＹ１は、機械学習部Ｕ２をさらに備えていてもよい。該機械学習部Ｕ２は、図１０に例示するように、前記内蔵温度センサーＳ１により順次に得られた前記検出温度Ｔ１（ｔ）、前記第二温度センサーＳ２により順次に得られた第二検出温度Ｔ２（ｔ）、及び、前記冷却装置４０に含まれる複数の部位のうち故障している部位を表す故障部位情報ＩＮ１に基づいた機械学習により、前記内蔵温度センサーＳ１により順次得られる前記検出温度Ｔ１（ｔ）、及び、前記第二温度センサーＳ２により順次得られる前記第二検出温度Ｔ２（ｔ）に基づいて前記冷却装置４０において故障している部位を判別する学習モデルＬＭを生成する。従って、本態様は、冷却装置の各部位の故障を検出するセンサーを別途取り付けなくても冷却装置の故障部位を判別することが可能な旋盤システムを提供することができ、コストアップを抑制することができる。

（２）旋盤システムの構成の具体例：
図１は、旋盤１とコンピューター１００を含む旋盤システムＳＹ１の構成を模式的に例示している。図１に示す旋盤１は、ワークＷ１の加工の数値制御を行うＮＣ（数値制御）装置７０を備えるＮＣ旋盤であり、主軸台１０、刃物台２８、駆動装置３０、冷却装置４０、外装２に埋め込まれた温度センサー３、等を備えている。図１に示す旋盤１の制御軸は、「Ｘ」で示されるＸ軸、「Ｙ」で示されるＹ軸、及び、「Ｚ」で示されるＺ軸を含んでいる。Ｚ軸方向は、ワークＷ１の回転中心となる主軸中心線ＡＸ１に沿った水平方向である。Ｘ軸方向は、Ｚ軸と直交する水平方向である。Ｙ軸方向は、Ｚ軸と直交する鉛直方向である。尚、Ｚ軸とＸ軸とは交差していれば直交していなくてもよく、Ｚ軸とＹ軸とは交差していれば直交していなくてもよく、Ｘ軸とＹ軸とは交差していれば直交していなくてもよい。また、本明細書において参照される図面は、本技術を説明するための例を示しているに過ぎず、本技術を限定するものではない。また、各部の位置関係の説明は、例示に過ぎない。従って、左右を逆にしたり、回転方向を逆にしたり等することも、本技術に含まれる。また、方向や位置等の同一は、厳密な一致に限定されず、誤差により厳密な一致からずれることを含む。

図１に示す主軸台１０は、正面主軸台である主軸台１０Ａ、及び、背面主軸台である主軸台１０Ｂを総称している。従って、主軸台１０の説明は、主軸台１０Ａと主軸台１０Ｂの両方に当てはまる。
主軸台１０には、主軸１１及びビルトインモーター２０が組み込まれている。ビルトインモーター２０は、主軸モーターＭ１の例である。図１に示す旋盤１は主軸移動型旋盤であり、主軸台１０はＺ軸方向へ移動可能とされている。むろん、旋盤は主軸台１０Ａが移動しない主軸固定型旋盤でもよいし、主軸台１０Ｂが移動せずに主軸台１０ＡがＺ軸方向へ移動してもよい。

主軸１１は、コレット等といった把持部１２を有し、該把持部１２によりワークＷ１を解放可能に把持する。加工前のワークＷ１が例えば円柱状（棒状）の長尺な材料である場合、主軸台１０Ａの主軸１１の後端から把持部１２にワークＷ１が供給されてもよい。この場合、主軸台１０Ａの主軸１１の前側には、ワークＷ１をＺ軸方向へ摺動可能に支持するガイドブッシュが配置されてもよい。加工前のワークＷ１が短い材料である場合、主軸台１０Ａの主軸１１の前端から把持部１２にワークＷ１が供給されてもよい。ワークＷ１を把持した主軸１１は、ワークＷ１とともに主軸中心線ＡＸ１を中心として回転可能である。正面加工後のワークＷ１は、主軸台１０Ａの主軸１１から主軸台１０Ｂの主軸１１に引き渡され、背面加工により製品となる。

図２は、ビルトインモーター２０を含む主軸台１０の要部とともに旋盤１の冷却装置４０の構成を模式的に例示している。図２に示すビルトインモーター２０は、主軸台１０に取り付けられた回転しないステーター２１、主軸１１に取り付けられた回転するローター２２、及び、ステーター２１の外側を覆うジャケット２３を有している。ローター２２は、ステーター２１の内側において主軸中心線ＡＸ１を中心として主軸１１とともに回転可能である。ビルトインモーター２０は、ＮＣ装置７０の制御に従ったタイミングでローター２２を回転駆動することにより主軸１１を高速回転させる。ビルトインモーター２０には、ローター２２の高速回転による熱が発生する。ジャケット２３には、冷却流体Ｆ１としての冷却油Ｆ２の循環経路４１が接続されている。従って、ジャケット２３の中には、冷却油Ｆ２が入っている。

図１に示すように、ビルトインモーター２０は、焼付きを防ぐために自らの温度を検出する温度センサー２５を内蔵している。温度センサー２５は、主軸モーターＭ１に設けられた内蔵温度センサーＳ１の例である。温度センサー２５は、サーミスターとも呼ばれる。本具体例では、冷却装置４０の故障を判定するために内蔵温度センサーＳ１である温度センサー２５を利用することにしている。

図１に示す刃物台２８は、ワークＷ１を加工するための複数の工具ＴＯ１が取り付けられ、Ｙ軸方向へ移動可能である。むろん、刃物台２８は、Ｘ軸方向やＺ軸方向へ移動してもよい。刃物台２８は、タレット刃物台でもよいし、くし形刃物台等でもよい。複数の工具ＴＯ１には、突っ切りバイトを含むバイト、ドリルやエンドミルといった回転工具、等が含まれる。

図１に示す駆動装置３０は、主軸台１０Ａの駆動装置３０Ａ、主軸台１０Ｂの駆動装置３０Ｂ、及び、刃物台２８の駆動装置３０Ｃを総称している。従って、駆動装置３０の説明は、駆動装置３０Ａ，３０Ｂ，３０Ｃのいずれにも当てはまる。
駆動装置３０は、ＮＣ装置７０の制御に従って回転するサーボモーター３１を備え、サーボモーター３１からの回転力を例えばボールねじ機構により直進する力に変換する。サーボモーター３１は、自らの温度を検出する温度センサー３２を内蔵している。駆動装置３０Ａは、ＮＣ装置７０の制御に従って、主軸１１及びビルトインモーター２０とともに主軸台１０ＡをＺ軸方向へ移動させる。駆動装置３０Ｂは、ＮＣ装置７０の制御に従って、主軸１１及びビルトインモーター２０とともに主軸台１０ＢをＺ軸方向へ移動させる。駆動装置３０Ｃは、ＮＣ装置７０の制御に従って、刃物台２８をＹ軸方向へ移動させる。

図２に示す冷却装置４０は、油冷式であり、ラジエーター４２及びポンプ４３が設けられた循環経路４１、並びに、ラジエーター４２の放熱を促進させるファン４４を有している。冷却油Ｆ２は、循環経路４１を流れ、主軸モーターＭ１を冷却する。ラジエーター４２は、循環経路４１のうち広がった部分を形作る構造物であり、冷却油Ｆ２の単位体積当たりの循環経路４１の内面の面積が大きいことにより冷却油Ｆ２の熱を放出させ易い。ポンプ４３は、循環経路４１において冷却油Ｆ２を循環させる。図２に示す冷却油Ｆ２は、ポンプ４３から出た後にビルトインモーター２０のジャケット２３に入ってビルトインモーター２０の熱を奪い、ラジエーター４２の上部からラジエーター４２に入り、熱を奪われた後にラジエーター４２の下部から出てポンプ４３に戻る。ファン４４は、ラジエーター４２に風を当てることにより冷却油Ｆ２から熱を奪う。従って、ファン４４は、循環経路４１の放熱を促進させる。

図３は、旋盤１の電気回路の構成を模式的に例示している。図３に示す旋盤１において、ＮＣ装置７０には、操作部８０、サーボモーター３１、温度センサー２５を内蔵しているビルトインモーター２０、外装２に埋め込まれた温度センサー３、等が接続されている。ＮＣ装置７０は、プロセッサーであるＣＰＵ（Central Processing Unit）７１、半導体メモリーであるＲＯＭ（Read Only Memory）７２、半導体メモリーであるＲＡＭ（Random Access Memory）７３、タイマー回路７４、Ｉ／Ｆ（インターフェイス）７５、等を備えている。従って、ＮＣ装置７０は、コンピューターの一種である。図３では、操作部８０、サーボモーター３１、ビルトインモーター２０、温度センサー３、外部のコンピューター１００、等のＩ／ＦをまとめてＩ／Ｆ７５と示している。ＲＯＭ７２には、加工プログラムＰＲ２を解釈して実行したり冷却装置４０の故障を判定したりするための制御プログラムＰＲ１が書き込まれている。ＲＯＭ７２は、データを書き換え可能な半導体メモリーでもよい。ＲＡＭ７３には、オペレーターにより作成された加工プログラムＰＲ２が書き換え可能に記憶される。加工プログラムは、ＮＣプログラムとも呼ばれる。ＣＰＵ７１は、ＲＡＭ７３をワークエリアとして使用し、ＲＯＭ７２に記録されている制御プログラムＰＲ１を実行することにより、ＮＣ装置７０の機能を実現させる。制御プログラムＰＲ１を実行するＮＣ装置７０は、故障判定部Ｕ１の例である。むろん、制御プログラムＰＲ１により実現される機能の一部又は全部をＡＳＩＣ（Application Specific Integrated Circuit）といった他の手段により実現させてもよい。

操作部８０は、入力部８１及び表示部８２を備え、ＮＣ装置７０のユーザーインターフェイスとして機能する。入力部８１は、例えば、オペレーターから操作入力を受け付けるためのボタンやタッチパネルから構成される。表示部８２は、例えば、オペレーターから操作入力を受け付けた各種設定の内容や旋盤１に関する各種情報を表示するディスプレイで構成される。オペレーターは、操作部８０や外部コンピューターを用いて加工プログラムＰＲ２をＲＡＭ７３に記憶させることが可能である。
サーボモーター３１は、ＮＣ装置７０からの指令に従って主軸台１０や刃物台２８を移動させる。ビルトインモーター２０は、ＮＣ装置７０からの指令に従って主軸１１を回転駆動する。

図１に示すように、外部のコンピューター１００は、ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３、記憶装置１０４、入力装置１０５、表示装置１０６、音声出力装置１０７、Ｉ／Ｆ１０８、時計回路１０９、等を備えている。コンピューター１００の制御プログラムは、記憶装置１０４に記憶され、ＣＰＵ１０１によりＲＡＭ１０３に読み出され、ＣＰＵ１０１により実行される。記憶装置１０４には、フラッシュメモリーといった半導体メモリー、ハードディスクといった磁気記録媒体、等を用いることができる。入力装置１０５には、ポインティングデバイス、キーボード、表示装置１０６の表面に貼り付けられたタッチパネル、等を用いることができる。Ｉ／Ｆ１０８は、ＮＣ装置７０のＩ／Ｆ７５に有線又は無線で接続され、ＮＣ装置７０からデータを受信したりＮＣ装置７０にデータを送信したりする。Ｉ／Ｆ１０８，７５の接続は、インターネットやイントラネット等のネットワーク接続でもよい。コンピューター１００には、タブレット型端末を含むパーソナルコンピューター、スマートフォンといった携帯電話、等が含まれる。

まず、図４Ａ，４Ｂを参照して、ワークＷ１の連続加工中に冷却装置４０が故障した場合のビルトインモーター２０の温度変化を説明する。
図４Ａは、ワーク連続加工の途中でポンプ４３が故障した場合におけるビルトインモーター２０の温度センサー２５の温度変化を模式的に例示している。図４Ｂは、ワーク連続加工の途中でファン４４が故障した場合におけるビルトインモーター２０の温度センサー２５の温度変化を模式的に例示している。図４Ａ，４Ｂにおいて、横軸はワーク加工開始からの時間ｔを示し、縦軸は温度センサー２５の検出温度Ｔ１を示している。

ｔ＝０においてワークＷ１の連続加工が開始すると、図４Ａ，４Ｂに示すように、温度センサー２５の検出温度Ｔ１が上昇していく。これは、動作していなかったビルトインモーター２０がワーク連続加工開始により頻繁に動作することでビルトインモーター２０の温度が上昇していくことによる。一方、ワークＷ１の連続加工中に冷却装置４０も動作するので、冷却装置４０により循環する冷却油Ｆ２によりビルトインモーター２０の熱が奪われ、ビルトインモーター２０の温度上昇が止まっていく。従って、ｔ＝ｔ１のタイミングで検出温度Ｔ１が定常になると、その後、検出温度Ｔ１はほとんど変わらない。

検出温度Ｔ１が定常となった後、図４Ａに示すように、ｔ＝ｔ２のタイミングでポンプ４３が故障した場合、検出温度Ｔ１が急激に上昇していく。これは、ポンプ４３の停止により冷却油Ｆ２の循環が止まり、これによりビルトインモーター２０の熱が放出されなくなることによる。検出温度Ｔ１の上昇は時間ｔが経つにつれ緩やかになるものの、検出温度Ｔ１は上昇し続ける。従って、ワークＷ１の連続加工を停止することによりビルトインモーター２０の温度上昇を抑える必要がある。

検出温度Ｔ１が定常となった後、図４Ｂに示すように、ｔ＝ｔ２のタイミングでファン４４が故障した場合、ポンプ４３が故障した場合よりも緩やかであるが、検出温度Ｔ１が急に上昇していく。これは、冷却油Ｆ２の循環が継続することによりビルトインモーター２０の熱がある程度は放出されるものの、ラジエーター４２を流れる冷却油Ｆ２からの熱の放出がファン４４の停止により抑えられることによる。検出温度Ｔ１の上昇は時間ｔが経つにつれ緩やかになるものの、検出温度Ｔ１は上昇し続ける。従って、ワークＷ１の連続加工を停止することによりビルトインモーター２０の温度上昇を抑える必要がある。

本具体例のＮＣ装置７０は、ワークＷ１の連続加工を開始してからビルトインモーター２０の温度センサー２５により順次得られる検出温度Ｔ１が定常となったと判断した後に検出温度Ｔ１の変化が許容範囲を超えると冷却装置４０が故障していると判定することにしている。また、ＮＣ装置７０は、検出温度Ｔ１の変化に基づいて、冷却装置４０に含まれる複数の部位のうち故障している部位を判別することにしている。本具体例のＮＣ装置７０は、検出温度Ｔ１の変化が所定の判別基準を超えたか否かに応じてポンプ４３が故障したのかファン４４が故障したのかを判定することにしている。

図５は、温度センサー２５の検出温度Ｔ１（ｔ）の離散データから旋盤１の状態を判定する例を模式的に示している。図５においても、横軸はワーク加工開始からの時間ｔを示し、縦軸は温度センサー２５の検出温度Ｔ１を示している。
ＮＣ装置７０は、ビルトインモーター２０の温度センサー２５から定期的に検出温度Ｔ１（ｔ）を取得することにしている。検出温度Ｔ１（ｔ）を取得する間隔Δｔは、１分間隔程度でよいが、３０秒間隔程度と短くしてもよいし、５分間隔程度と長くしてもよい。検出温度Ｔ１（ｔ）の分解能は、１℃程度でよいが、判定の精度を高めるために０．１℃程度に細かくしてもよい。

検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）は、誤差を少なくするため、時間ｔ以前の所定期間Ｐ１における検出温度Ｔ１の最大値と検出温度Ｔ１の最小値との差としている。以下、検出温度の変化ΔＴ１（ｔ）を温度変化ΔＴ１（ｔ）とも呼ぶことにする。所定期間Ｐ１に含まれる検出温度Ｔ１のデータ数をｎ（ｎは３以上の整数）とし、変数ｉを０からｎ−１までの整数とすると、所定期間Ｐ１に含まれる検出温度Ｔ１（ｉ）は、
Ｔ１（ｉ）＝Ｔ１（ｔ），…，Ｔ１（ｔ−ｉ×Δｔ），…，Ｔ１（ｔ−（ｎ−１）×Δｔ）
と表される。よって、所定期間Ｐ１に含まれる検出温度Ｔ１のデータ数ｎが６である場合、所定期間Ｐ１に含まれる検出温度Ｔ１（ｉ）は、
Ｔ１（ｉ）＝Ｔ１（ｔ−０×Δｔ），Ｔ１（ｔ−１×Δｔ），Ｔ１（ｔ−２×Δｔ），Ｔ１（ｔ−３×Δｔ），Ｔ１（ｔ−４×Δｔ），Ｔ１（ｔ−５×Δｔ）
と表される。検出温度Ｔ１（ｉ）の最大値をＭＡＸ（Ｔ１（ｉ））とし、検出温度Ｔ１（ｉ）の最小値をＭＩＮ（Ｔ１（ｉ））とすると、温度変化ΔＴ１（ｔ）は、ｔ≧Ｐ１において、
ΔＴ１（ｔ）＝ＭＡＸ（Ｔ１（ｉ））−ＭＩＮ（Ｔ１（ｉ）） …（１）
で表される。
図５に示すように所定期間Ｐ１に含まれる検出温度Ｔ１のデータ数ｎが６である場合、温度変化ΔＴ１（ｔ）は、所定期間Ｐ１＝５×Δｔの検出温度Ｔ１（ｉ）＝Ｔ１（ｔ），…，Ｔ１（ｔ−５×Δｔ）における最大値ＭＡＸ（Ｔ１（ｉ））と最小値ＭＩＮ（Ｔ１（ｉ））の差となる。

ｔ＝０においてワークＷ１の連続加工が開始すると、図４Ａ，４Ｂに示すように、しばらくの間、検出温度Ｔ１（ｔ）が上昇し、その後、定常のタイミングｔ１となる。そこで、ＮＣ装置７０は、時間ｔが所定期間Ｐ１に到達してから温度変化ΔＴ１（ｔ）が所定の閾値ＴＨ１（ＴＨ１＞０）を超えていると検出温度Ｔ１（ｔ）が定常となっていないと判断し、温度変化ΔＴ１（ｔ）が閾値ＴＨ１以下になると検出温度Ｔ１（ｔ）が定常となったと判断することにしている。
尚、閾値ＴＨ１に微小量加えた閾値をＴＨ１＋αとすると、上述の判断はΔＴ１（ｔ）≧ＴＨ１＋αであるか否かの判断に置き換えることができる。この場合も、ΔＴ１（ｔ）が閾値ＴＨ１を超えているか否かの判断に含まれる。

図６は、時間ｔに応じた温度変化ΔＴ１（ｔ）の例を模式的に示している。図６において、横軸はワーク加工開始からの時間ｔを示し、縦軸は温度センサー２５の温度変化ΔＴ１（ｔ）を示している。
図６に示すように、時間ｔが所定期間Ｐ１に到達してから温度変化ΔＴ１（ｔ）は、しばらくの間減少し、やがて閾値ＴＨ１以下となるタイミングｔ１となる。

ワーク連続加工中に検出温度Ｔ１（ｔ）が定常となった後、冷却装置４０が故障すると、図４Ａ，４Ｂに示すタイミングｔ２のように、温度センサー２５の検出温度Ｔ１（ｔ）が急に上昇する。ＮＣ装置７０は、図５に示すようにΔＴ１（ｔ）≦ＴＨ１となった後に温度変化ΔＴ１（ｔ）が閾値ＴＨ２（ＴＨ２＞ＴＨ１）を超えると冷却装置４０が故障していると判定し、温度変化ΔＴ１（ｔ）が閾値ＴＨ２を超えなければ冷却装置４０に故障が無いと判定することにしている。閾値ＴＨ２は、温度変化ΔＴ１（ｔ）の許容範囲の例である。図６に示すように、閾値ＴＨ１以下であった温度変化ΔＴ１（ｔ）は、冷却装置４０が故障したタイミングｔ２の後、閾値ＴＨ２を超えるまで急に大きくなる。図６には、ΔＴ１（ｔ）＝ＴＨ２となったタイミングｔ３が示されている。
尚、閾値ＴＨ２に微小量加えた閾値をＴＨ２＋αとすると、上述の判断はΔＴ１（ｔ）≧ＴＨ２＋αであるか否かの判断に置き換えることができる。この場合も、ΔＴ１（ｔ）が閾値ＴＨ２を超えているか否かの判断に含まれる。

ワーク連続加工中にΔＴ１（ｔ）＞ＴＨ２となった後、図４Ａに示すようにポンプ４３が故障した場合は検出温度Ｔ１（ｔ）が急激に上昇し、図４Ｂに示すようにファン４４が故障した場合は検出温度Ｔ１（ｔ）の上昇がポンプ４３の故障の場合と比べて少ない。故障部位を判別するため、ＮＣ装置７０は、まず、ΔＴ１（ｔ）＞ＴＨ２となってから順次得られる温度変化ΔＴ１（ｔ）の極大値ΔＴ１maxを探すことにしている。極大値ΔＴ１maxは、温度変化ΔＴ１（ｔ）がΔＴ１（ｔ）＞ＴＨ２の範囲で最初にグラフの山となる値を意味する。その後、ＮＣ装置７０は、極大値ΔＴ１maxが閾値ＴＨ３（ＴＨ３＞ＴＨ２）を超えている場合にポンプ４３が故障していると判定し、極大値ΔＴ１maxが閾値ＴＨ３を超えなかった場合にファン４４が故障していると判定することにしている。ΔＴ１max＞閾値ＴＨ３であるか否かは、温度変化ΔＴ１（ｔ）の判別基準の例である。図６には、ポンプ４３が故障した場合の時間ｔに応じた温度変化ΔＴ１（ｔ）が実線で示され、ファン４４が故障した場合の時間ｔに応じた温度変化ΔＴ１（ｔ）が二点鎖線で示されている。ポンプ４３が故障した場合、タイミングｔ３の後に温度変化ΔＴ１（ｔ）が閾値ＴＨ３を超えるタイミングｔ４があり、その後、温度変化ΔＴ１（ｔ）が極大値ΔＴ１maxとなるタイミングｔ５があることが示されている。ファン４４が故障した場合、タイミングｔ３の後に温度変化ΔＴ１（ｔ）が閾値ＴＨ３以下の極大値ΔＴ１maxとなるタイミングがあることが示されている。
尚、閾値ＴＨ３に微小量加えた閾値をＴＨ３＋αとすると、上述の判断はΔＴ１max≧ＴＨ３＋αであるか否かの判断に置き換えることができる。この場合も、ΔＴ１maxが閾値ＴＨ３を超えているか否かの判断に含まれる。

（３）冷却装置故障判定処理の具体例：
図７は、上述した故障判定方法を実現させる冷却装置故障判定処理の例を示している。この処理は、制御プログラムＰＲ１を実行するＮＣ装置７０により行われ、ワークＷ１の連続加工を開始する時に開始する。以下、図１〜６も参照して、図７に示す冷却装置故障判定処理を説明する。

冷却装置故障判定処理が開始すると、ＮＣ装置７０は、図１〜３に示すビルトインモーター２０の温度センサー２５から一定の間隔Δｔとなるように検出温度Ｔ１（ｔ）を取得する（ステップＳ１０２）。以下、「ステップ」の記載を省略する。ＮＣ装置７０は、ワーク加工開始からの時間ｔが所定期間Ｐ１となるまではＳ１０２の処理を繰り返す。検出温度Ｔ１（ｔ）の取得後、ＮＣ装置７０は、上述した式（１）に従って、所定期間Ｐ１の検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）を算出する（Ｓ１０４）。温度変化ΔＴ１（ｔ）の算出後、ＮＣ装置７０は、温度変化ΔＴ１（ｔ）が閾値ＴＨ１以下となったか否かに応じて処理を分岐させる（Ｓ１０６）。ΔＴ１（ｔ）＞ＴＨ１である場合、ＮＣ装置７０は、検出温度Ｔ１（ｔ）が定常になっていないと判断し、検出温度Ｔ１（ｔ）を取得するＳ１０２の処理、温度変化ΔＴ１（ｔ）を算出するＳ１０４の処理、及び、Ｓ１０６の判断処理を繰り返す。一方、ΔＴ１（ｔ）≦ＴＨ１となった場合、ＮＣ装置７０は、検出温度Ｔ１（ｔ）が定常となったと判断し、処理をＳ１０８に進める。

Ｓ１０８において、ＮＣ装置７０は、さらに、温度センサー２５から一定の間隔Δｔとなるように検出温度Ｔ１（ｔ）を取得する。検出温度Ｔ１（ｔ）の取得後、ＮＣ装置７０は、上述した式（１）に従って、所定期間Ｐ１の検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）を算出する（Ｓ１１０）。温度変化ΔＴ１（ｔ）の算出後、ＮＣ装置７０は、温度変化ΔＴ１（ｔ）が閾値ＴＨ２を超えたか否かに応じて処理を分岐させる（Ｓ１１２）。ΔＴ１（ｔ）≦ＴＨ２である場合、ＮＣ装置７０は、冷却装置４０に故障が無いと判定し、検出温度Ｔ１（ｔ）を取得するＳ１０８の処理、温度変化ΔＴ１（ｔ）を算出するＳ１１０の処理、及び、Ｓ１１２の判断処理を繰り返す。Ｓ１０８〜Ｓ１１２の繰り返し処理は、温度変化ΔＴ１（ｔ）が閾値ＴＨ２を超えない限り、ワークＷ１の連続加工が終了するまで続けられる。一方、ΔＴ１（ｔ）＞ＴＨ２となった場合、ＮＣ装置７０は、冷却装置４０が故障していると判定し、処理をＳ１１４に進める。

Ｓ１１４において、ＮＣ装置７０は、冷却装置４０の故障をオペレーターに通知する。Ｓ１１４の通知処理は、例えば、図１，３に示す旋盤１の表示部８２に冷却装置４０が故障した旨を表示させる処理、不図示の警告灯を点灯又は点滅させる処理、コンピューター１００の表示装置１０６に冷却装置４０が故障した旨を表示させる処理、コンピューター１００の音声出力装置１０７に警告音又は冷却装置４０が故障した旨を音声出力させる処理、これらの処理の少なくとも一部の組合せ、等とすることができる。コンピューター１００が携帯端末である場合、工場から離れたオペレーターに冷却装置４０の故障を通知することが可能である。
また、故障の通知とともに、ＮＣ装置７０は、今までに得られた検出温度Ｔ１（ｔ）のリストを旋盤１の表示部８２、コンピューター１００の表示装置１０６、等に表示させてもよい。また、ＮＣ装置７０は、故障部位の通知とともに、時間ｔに対する検出温度Ｔ１（ｔ）や温度変化ΔＴ１（ｔ）を示すグラフを表示部８２、表示装置１０６、等に表示させてもよい。これにより、検出温度Ｔ１（ｔ）や温度変化ΔＴ１（ｔ）を見たオペレーターは、故障部位が通知される前に故障部位を予測することが可能となる。

ＮＣ装置７０は、冷却装置４０の故障が判定された時点でワークＷ１の加工を停止させるワーク加工停止指令を出すことによりワークＷ１の加工を停止させてもよい。この場合も本技術に含まれるが、本具体例では、冷却装置４０に含まれる複数の部位のうち故障している部位を判別するため、もう少しワークＷ１の連続加工を継続することにしている。

Ｓ１１４の通知処理の後、ＮＣ装置７０は、極大値ΔＴ１maxを探すため、変数としてのΔＴ１maxに現在の温度変化ΔＴ１（ｔ）を代入する（Ｓ１１６）。ΔＴ１（ｔ）の代入後、ＮＣ装置７０は、さらに、温度センサー２５から一定の間隔Δｔとなるように検出温度Ｔ１（ｔ）を取得する（Ｓ１１８）。検出温度Ｔ１（ｔ）の取得後、ＮＣ装置７０は、上述した式（１）に従って、所定期間Ｐ１の検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）を算出する（Ｓ１２０）。温度変化ΔＴ１（ｔ）の算出後、ＮＣ装置７０は、温度変化ΔＴ１（ｔ）がΔＴ１maxを下回ったか否かに応じて処理を分岐させる（Ｓ１２２）。ΔＴ１（ｔ）≧ΔＴ１maxである場合、ＮＣ装置７０は、温度変化ΔＴ１（ｔ）の極大値が決まらないと判断し、ΔＴ１maxに現在の温度変化ΔＴ１（ｔ）を代入するＳ１１６の処理、検出温度Ｔ１（ｔ）を取得するＳ１１８の処理、温度変化ΔＴ１（ｔ）を算出するＳ１２０の処理、及び、Ｓ１２２の判断処理を繰り返す。一方、ΔＴ１（ｔ）＜ΔＴ１maxとなった場合、ＮＣ装置７０は、変数としてのΔＴ１maxが極大値になったと判断し、処理をＳ１２４に進める。

Ｓ１２４において、ＮＣ装置７０は、極大値ΔＴ１maxが閾値ＴＨ３を超えているか否かに応じて処理を分岐させる。ΔＴ１max＞ＴＨ３である場合、ＮＣ装置７０は、ポンプ４３が故障していると判定し、ポンプ４３の故障をオペレーターに通知する（Ｓ１２６）。一方、ΔＴ１max≦ＴＨ３である場合、ＮＣ装置７０は、ファン４４が故障していると判定し、ファン４４の故障をオペレーターに通知する（Ｓ１２８）。Ｓ１２６，Ｓ１２８の通知処理は、例えば、図１，３に示す旋盤１の表示部８２に故障部位（ポンプ４３又はファン４４）を示す情報を表示させる処理、故障部位に対応する不図示の警告灯を点灯又は点滅させる処理、コンピューター１００の表示装置１０６に故障部位の情報を表示させる処理、コンピューター１００の音声出力装置１０７に故障部位の情報を音声出力させる処理、これらの処理の少なくとも一部の組合せ、等とすることができる。コンピューター１００が携帯端末である場合、工場から離れたオペレーターに故障部位の情報を通知することが可能である。
また、故障部位の通知とともに、ＮＣ装置７０は、今までに得られた検出温度Ｔ１（ｔ）のリストを旋盤１の表示部８２、コンピューター１００の表示装置１０６、等に表示させてもよい。また、ＮＣ装置７０は、故障部位の通知とともに、時間ｔに対する検出温度Ｔ１（ｔ）や温度変化ΔＴ１（ｔ）を示すグラフを表示部８２、表示装置１０６、等に表示させてもよい。これにより、検出温度Ｔ１（ｔ）や温度変化ΔＴ１（ｔ）を見たオペレーターは、故障部位の通知が正しいか否かを判断することが可能となる。

Ｓ１２６又はＳ１２８の処理後、ＮＣ装置７０は、ワークＷ１の加工を停止させるワーク加工停止指令を出すことによりワークＷ１の加工を停止させ（Ｓ１３０）、図７に示す冷却装置故障判定処理を終了させる。これにより、冷却装置４０の故障時にワークＷ１の連続加工が停止し、ビルトインモーター２０の温度上昇が抑えられる。

以上説明したように、ワークＷ１の連続加工中にビルトインモーター２０の温度センサー２５の検出温度Ｔ１（ｔ）が定常となってから冷却装置４０が故障すると、やがて検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）が許容範囲である閾値ＴＨ２を超える。上述したＳ１１２の処理においてΔＴ１（ｔ）＞ＴＨ２であることを判断することにより、冷却装置４０が故障していると判定することができる。
また、温度変化ΔＴ１（ｔ）はファン４４が故障した場合よりもポンプ４３が故障した場合の方が大きいので、ポンプ４３が故障した場合、温度変化ΔＴ１の極大値ΔＴ１maxが判別基準である閾値ＴＨ３を超える。ファン４４が故障した場合、極大値ΔＴ１maxは閾値ＴＨ３を超えない。上述したＳ１２４の処理において極大値ΔＴ１maxが閾値ＴＨ３を超えたか否かを判断することにより、ポンプ４３が故障したのかファン４４が故障したのかを判別することができる。

従って、本具体例の旋盤は、冷却装置の故障を検出するセンサーを別途取り付けなくても、冷却装置の故障を判定することができ、冷却装置の故障部位を判別することができ、コストアップを抑制することができる。また、冷却装置の故障部位が分かるので、冷却装置の修理が容易となり、本旋盤は便利である。

尚、以上は冷却装置４０の故障によりビルトインモーター２０が定常の温度から急に上昇することを前提にして説明したが、冷却油Ｆ２が冷却され過ぎる等によりビルトインモーター２０が定常の温度から急に下降する場合も冷却装置４０の故障と判定される。検出温度Ｔ１（ｔ）が定常となった後に検出温度Ｔ１（ｔ）が急に下降しても、ΔＴ１（ｔ）＞ＴＨ２となるためである。従って、本具体例は、高い信頼性を有する旋盤を提供することができる。

また、図７に示す冷却装置故障判定処理は、図１に示すコンピューター１００が行ってもよい。この場合、冷却装置故障判定処理を実行する制御プログラムＰＲ１をコンピューター１００の記憶装置１０４に記憶させることにより、コンピューター１００が制御プログラムＰＲ１を記憶装置１０４からＲＡＭ１０３に読み出して実行することができる。旋盤１は、一定の間隔Δｔ毎に温度センサー２５から検出温度Ｔ１（ｔ）を取得してコンピューター１００に送信し、コンピューター１００からワーク加工停止指令を受信するとワークＷ１の加工を停止させるものとする。コンピューター１００は、Ｓ１０２，Ｓ１０８，Ｓ１１８において、旋盤１から検出温度Ｔ１（ｔ）を取得する処理を行えばよい。コンピューター１００は、Ｓ１１２において温度変化ΔＴ１（ｔ）が閾値ＴＨ２を超えたと判断することにより、冷却装置４０が故障していると判定することができる。また、コンピューター１００は、Ｓ１２４において極大値ΔＴ１maxが閾値ＴＨ３を超えているか否かを判断することにより、ポンプ４３が故障したのかファン４４が故障したのかを判別することができる。Ｓ１３０において、コンピューター１００は、旋盤１にワーク加工停止指令を送信すればよい。
さらに、冷却装置故障判定処理は、ＮＣ装置７０とコンピューター１００とが協働して行ってもよい。例えば、冷却装置４０の故障を通知するまでのＳ１０２〜Ｓ１１４の処理をＮＣ装置７０が行い、故障の通知を受信したコンピューター１００がＳ１１６〜Ｓ１３０の処理により故障箇所を判別することが考えられる。この場合、故障検出部Ｕ１は、ＮＣ装置７０とコンピューター１００との協働により実現される。

（４）変形例：
本発明は、種々の変形例が考えられる。
例えば、検出温度Ｔ１（ｔ）の時間間隔は、一定間隔に限定されず、変化してもよい。
所定期間Ｐ１の温度変化ΔＴ１（ｔ）は、ｔ−Ｔ１平面において所定期間Ｐ１における各検出温度Ｔ１（ｔ）の座標から求められる近似直線の傾きでもよく、当該傾きの絶対値でもよい。従って、旋盤やコンピューターは、前述の傾きの絶対値が閾値ＴＨ１以下になったことを検出温度Ｔ１（ｔ）が定常となったことと判断してもよく、前述の傾きの絶対値が閾値ＴＨ２を超えると冷却装置４０が故障していると判定してもよく、前述の傾きの絶対値の極大値に基づいて故障部位を判別してもよい。
上述した処理は、順番を入れ替える等、適宜、変更可能である。例えば、図７の冷却装置故障判定処理において、ワーク加工停止指令を出すＳ１３０の処理は、Ｓ１２４の判断処理の前において行うことが可能である。
主軸モーターにより回転する主軸は、ワークを把持する主軸に限定されず、ワークを加工する回転工具とともに回転する工具主軸（ツールスピンドル）でもよい。また、主軸モーターは、ビルトインモーターに限定されず、主軸に外付けされたモーターでもよい。さらに、冷却流体は、冷却油に限定されず、冷却水でもよいし、気体でもよく、気体と液体とに状態が変化する冷媒でもよい。

図８は、回転工具駆動用の主軸モーターＭ１、及び、該主軸モーターＭ１の冷却装置４０Ｂを備える旋盤１の例を模式的に示している。冷却装置４０Ｂは、本技術の冷却装置４０に含まれる。図８に示す旋盤１は、ワークを加工する複数の回転工具ＴＯ２を保持している刃物台２８Ｂを備えている。刃物台２８Ｂは、各回転工具ＴＯ２とともに回転する工具主軸１１Ｂ、及び、主軸中心線ＡＸ１を中心として工具主軸１１Ｂを回転させる主軸モーターＭ１を備えている。工具主軸１１Ｂは、本技術の主軸１１に含まれる。主軸モーターＭ１は、内蔵温度センサーＳ１を有し、制御プログラムＰＲ１を実行するＮＣ装置７０により制御される。図８に示す主軸モーターＭ１は、工具主軸１１Ｂに外付けされ、刃物台２８Ｂの外に露出している。冷却装置４０Ｂは、風冷式であり、主軸モーターＭ１に空気Ｆ３を送るファン４５を備えている。空気Ｆ３は、冷却流体Ｆ１の例である。ファン４５は、主軸モーターＭ１に風を当てることにより主軸モーターＭ１から熱を奪う。

ワーク連続加工の途中でファン４５が故障した場合、主軸モーターＭ１の温度は図４Ｂに例示するように変化する。そこで、ＮＣ装置７０は、図７に示すＳ１０２〜Ｓ１１４，Ｓ１３０の処理を行うことにより、冷却装置４０Ｂの故障を判定し、ワークの加工を停止させることができる。むろん、図７に示すＳ１０２〜Ｓ１１４，Ｓ１３０の処理は、コンピューター１００が行ってもよい。

さらに、図１に示す外装２に設けられた温度センサー３等を利用して、冷却装置４０の故障部位を判別する精度を向上させることが可能である。温度センサー３は、外気温に影響される温度を検出する第二温度センサーＳ２の例である。故障部位の判別精度を向上させるために、機械学習を利用してもよい。

図９は、機械学習部Ｕ２をコンピューター１００に備える旋盤システムＳＹ１の例を模式的に示している。図９において、図１，３と一部重複する要素については記載及び説明を省略している。図９の下部には、データベースＤＢの構造例が示されている。

図９に示すコンピューター１００の記憶装置１０４は、機械学習部Ｕ２に対応する機械学習プログラムＰＲ３、及び、故障判定部Ｕ１に対応する故障部位判定プログラムＰＲ４を記憶している。これらのプログラム（ＰＲ３，ＰＲ４）は、ＣＰＵ１０１によってＲＡＭ１０３に読み出されることにより実行される。コンピューター１００のＲＡＭ１０３には、データベースＤＢ、及び、該データベースＤＢに基づいて生成される学習モデルＬＭが格納されている。学習モデルＬＭは、内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）、及び、第二温度センサーＳ２により順次得られる第二検出温度Ｔ２（ｔ）に基づいて冷却装置４０において故障している部位を判別するようにコンピューター１００を機能させるためのプログラムである。生成された学習モデルＬＭは、コンピューター１００からＮＣ装置７０に送信されてＮＣ装置７０のＲＡＭ７３に格納されてもよい。これにより、ＮＣ装置７０は、学習モデルＬＭに従って冷却装置４０の故障部位を判別することができる。

データベースＤＢには、レコードを識別する識別情報である識別番号ｊに、検出温度Ｔ１（ｔ）、第二検出温度Ｔ２（ｔ）、及び、故障部位を表す故障部位情報ＩＮ１が紐付けられている状態で格納されている。故障部位情報ＩＮ１は、冷却装置４０に含まれる複数の部位のうち故障している部位を表している。図９には、識別番号ｊに紐付けられている検出温度Ｔ１（ｔ）がＴ１−ｊ（ｔ）で示され、識別番号ｊに紐付けられている第二検出温度Ｔ２（ｔ）がＴ２−ｊ（ｔ）で示され、識別番号ｊに紐付けられている故障部位情報ＩＮ１が部位ｊで示されている。
尚、冷却装置４０は頻繁に故障するものではないため、コンピューター１００は、複数の旋盤から検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を受信してデータベースＤＢに格納してもよい。

図１０は、学習モデルＬＭを生成する学習処理の例を示している。この処理は、機械学習プログラムＰＲ３を実行するコンピューター１００により行われる。
学習処理が開始すると、コンピューター１００は、内蔵温度センサーＳ１（例えば温度センサー２５）により順次に得られた検出温度Ｔ１（ｔ）、及び、第二温度センサーＳ２（例えば温度センサー３）により順次に得られた第二検出温度Ｔ２（ｔ）を取得する（Ｓ２０２）。コンピューター１００は、ワーク連続加工中の旋盤１から一定の間隔Δｔ毎に検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を取得してもよいし、ワーク連続加工後に旋盤１からまとめて検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を取得してもよい。

次に、コンピューター１００は、冷却装置４０の故障部位の入力を受け付ける（Ｓ２０４）。例えば、旋盤１のオペレーターは、冷却装置４０が故障した場合に故障部位を突き止めると、当該故障部位を入力装置１０５によりコンピューター１００に入力する操作を行えばよい。また、冷却装置４０が故障していない場合の検出温度（Ｔ１（ｔ），Ｔ２（ｔ））もデータベースＤＢに有った方がよいので、冷却装置４０が故障していない場合、オペレーターは、冷却装置４０が故障していないことをコンピューター１００に入力する操作を行えばよい。コンピューター１００は、故障部位、又は、故障していないことを入力する操作を入力装置１０５により受け付ける処理を行えばよい。

さらに、コンピューター１００は、検出温度（Ｔ１（ｔ），Ｔ２（ｔ））、及び、故障部位又は故障していないことを表す故障部位情報ＩＮ１をレコードの識別番号ｊに紐付けてデータベースＤＢに格納する（Ｓ２０６）。データベースＤＢのレコードは多い方がよいため、Ｓ２０２〜Ｓ２０６の処理は繰り返し行われる。

データベースＤＢに情報が蓄積された後、コンピューター１００は、データベースＤＢに格納されている情報に基づいた教師有り機械学習により、学習モデルＬＭをＲＡＭ１０３に生成する（Ｓ２０８）。学習モデルＬＭには、ニューラルネットワーク、ベイジアンネットワーク、これらの少なくとも一方を主要部として換算式を組み合わせた学習モデル、等を用いることができる。学習モデルＬＭにニューラルネットワークが含まれる場合には深層学習の手法により学習を進めるようにしてもよい。尚、ニューラルネットワーク、ベイジアンネットワーク、深層学習、等の詳細については公知であるため説明を省略する。得られる学習モデルＬＭは、内蔵温度センサーＳ１により順次得られる検出温度Ｔ１（ｔ）、及び、第二温度センサーＳ２により順次得られる第二検出温度Ｔ２（ｔ）が入力されることで、冷却装置４０に含まれる複数の部位のうち故障している部位の判別結果を出力する。すなわち、学習モデルＬＭは、順次得られる検出温度（Ｔ１（ｔ），Ｔ２（ｔ））に基づいて冷却装置４０の故障部位を判別する学習済みモデルである。

学習モデルＬＭの生成後、コンピューター１００は、学習モデルＬＭを記憶し（Ｓ２１０）、学習処理を終了させる。旋盤１が学習モデルＬＭを使用する場合、コンピューター１００は、学習モデルＬＭを旋盤１に送信すればよい。学習モデルＬＭを受信した旋盤１は、学習モデルＬＭをＲＡＭ７３に格納することにより、冷却装置４０の故障部位を判別する処理を行うことができる。

図１１は、冷却装置４０において故障している部位を判別する故障部位判定処理の例を示している。この処理は、例えば、学習モデルＬＭをＲＡＭ１０３に保持しているコンピューター１００により行われ、ワークＷ１の連続加工が開始した時に開始する。
まず、コンピューター１００は、内蔵温度センサーＳ１の検出温度Ｔ１（ｔ）、及び、第二温度センサーＳ２の第二検出温度Ｔ２（ｔ）を旋盤１から順次に取得する（Ｓ３０２）。

次に、コンピューター１００は、順次に得られた検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を学習モデルＬＭに入力することにより、学習モデルＬＭに故障部位の判別結果、又は、故障していないことの判定結果を出力させる（Ｓ３０４）。Ｓ３０４の処理は、図７のＳ１１２において冷却装置４０が故障していると判定した時に行われてもよい。この場合、コンピューター１００は、Ｓ３０４において、検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を学習モデルＬＭに入力することにより冷却装置４０の故障部位を判別する処理を行うことになる。なお、Ｓ３０４において、故障していないことの判定結果が出力されたときには、これ以降の処理は行わず、再度学習モデルＬＭに検出温度（Ｔ１（ｔ），Ｔ２（ｔ））が入力されるまで待機することとしてもよい。

故障部位が判別されると、コンピューター１００は、冷却装置４０の故障部位をオペレーターに通知し（Ｓ３０６）、故障部位判定処理を終了させる。Ｓ３０６の通知処理は、例えば、図１，３に示す旋盤１の表示部８２に故障部位を示す情報を表示させる処理、故障部位に対応する不図示の警告灯を点灯又は点滅させる処理、コンピューター１００の表示装置１０６に故障部位の情報を表示させる処理、コンピューター１００の音声出力装置１０７に故障部位の情報を音声出力させる処理、これらの処理の少なくとも一部の組合せ、等とすることができる。
むろん、ＮＣ装置７０が故障部位判定処理を行ってもよく、ＮＣ装置７０とコンピューター１００とが協働して故障部位判定処理を行ってもよい。

図９〜１１に示す例は、内蔵温度センサーの検出温度に外気温の影響が加味されて冷却装置の故障部位が判別されるので、故障部位の判別精度が向上する。また、冷却装置の各部位の故障を検出するセンサーを別途取り付ける必要が無いので、コストアップが抑制される。

尚、図１０のＳ２０８において機械学習を行う際、検出温度Ｔ１（ｔ）の代わりに検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）を使用してもよく、第二検出温度Ｔ２（ｔ）の代わりに第二検出温度Ｔ２（ｔ）の変化（ΔＴ２（ｔ）とする。）を使用してもよい。ここで、所定期間Ｐ１に含まれる第二検出温度は、
Ｔ２（ｉ）＝Ｔ２（ｔ），…，Ｔ２（ｔ−ｉ×Δｔ），…，Ｔ２（ｔ−（ｎ−１）×Δｔ）
と表される。第二検出温度Ｔ２（ｉ）の最大値をＭＡＸ（Ｔ２（ｉ））とし、第二検出温度Ｔ２（ｉ）の最小値をＭＩＮ（Ｔ２（ｉ））とすると、温度変化ΔＴ２（ｔ）は、ｔ≧Ｐ１において、
ΔＴ２（ｔ）＝ＭＡＸ（Ｔ２（ｉ））−ＭＩＮ（Ｔ２（ｉ）） …（２）
で表される。
温度変化（ΔＴ１（ｔ），ΔＴ２（ｔ））を機械学習に使用すると、順次得られる温度変化（ΔＴ１（ｔ），ΔＴ２（ｔ））に基づいて故障箇所を判別する暫定的な学習モデルが生成される。検出温度（Ｔ１（ｔ），Ｔ２（ｔ））から温度変化（ΔＴ１（ｔ），ΔＴ２（ｔ））を求める換算式を暫定的な学習モデルに組み合わせると、順次得られる検出温度（Ｔ１（ｔ），Ｔ２（ｔ））から故障箇所を判別する学習モデルＬＭが得られる。

また、データベースＤＢも、検出温度Ｔ１（ｔ）の代わりに検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）を保持していてもよく、第二検出温度Ｔ２（ｔ）の代わりに第二検出温度Ｔ２（ｔ）の変化ΔＴ２（ｔ）を保持していてもよい。

さらに、外気温に影響される第二検出温度Ｔ２（ｔ）は、図１に示す外装２に設けられた温度センサー３の検出温度に限定されず、駆動装置３０のサーボモーター３１が内蔵している温度センサー３２の検出温度等でもよい。この場合、温度センサー３２は、外気温に影響される温度を検出する第二温度センサーＳ２の例である。また、機械学習部は、学習モデルＬＭを生成するために、温度センサー３，３２を含む複数の温度センサーのうち２以上の温度センサーの検出温度を第二検出温度として使用してもよい。加えて、機械学習部は、学習モデルＬＭを生成するために、ワークＷ１のサイズ等といった検出温度以外の情報を追加で利用してもよい。これにより、ワークＷ１のサイズ等といった情報を加味した機械学習を行うことができる。
むろん、検出温度（Ｔ１（ｔ），Ｔ２（ｔ））の時間間隔は、一定間隔に限定されず、変化してもよい。

さらに、図１２に例示するように、旋盤１が機械学習プログラムＰＲ３を実行することにより学習モデルＬＭを生成してもよい。図１２は、機械学習部Ｕ２を備える旋盤１の例を模式的に示している。図１２において、図３と一部重複する要素については記載及び説明を省略している。図１２の下部には、データベースＤＢの構造例が示されている。図１２に示すデータベースＤＢは、図９に示すデータベースＤＢと同じであるので、説明を省略する。

図１２に示すＮＣ装置７０のＲＯＭ７２には、故障判定部Ｕ１に対応する制御プログラムＰＲ１、及び、機械学習部Ｕ２に対応する機械学習プログラムＰＲ３が書き込まれている。ＮＣ装置７０のＲＡＭ７３には、加工プログラムＰＲ２、データベースＤＢ、及び、学習モデルＬＭが格納されている。学習モデルＬＭは、順次得られる検出温度（Ｔ１（ｔ），Ｔ２（ｔ））に基づいて冷却装置４０において故障している部位を判別するようにＮＣ装置７０を機能させるためのプログラムである。

ＮＣ装置７０は、図１０に示すフローチャートに従って学習処理を行うことができる。
学習処理が開始すると、ＮＣ装置７０は、内蔵温度センサーＳ１の検出温度Ｔ１（ｔ）、及び、第二温度センサーＳ２の第二検出温度Ｔ２（ｔ）を順次、取得する（Ｓ２０２）。検出温度（Ｔ１（ｔ），Ｔ２（ｔ））を順次に取得した後、ＮＣ装置７０は、冷却装置４０の故障部位の入力を入力部８１により受け付ける（Ｓ２０４）。さらに、ＮＣ装置７０は、検出温度（Ｔ１（ｔ），Ｔ２（ｔ））、及び、故障部位又は故障していないことを表す故障部位情報ＩＮ１を識別番号ｊに紐付けてデータベースＤＢに格納する（Ｓ２０６）。Ｓ２０２〜Ｓ２０６の処理は、繰り返し行われる。データベースＤＢに情報が蓄積された後、ＮＣ装置７０は、データベースＤＢに格納されている情報に基づいた教師有り機械学習により、学習モデルＬＭをＲＡＭ７３に生成する（Ｓ２０８）。学習モデルＬＭの生成後、ＮＣ装置７０は、必要に応じて学習モデルＬＭを記憶し（Ｓ２１０）、学習処理を終了させる。学習モデルＬＭの記憶場所は、ＲＯＭ７２、旋盤１内の記憶装置（不図示）、コンピューター１００の記憶装置１０４、等のいずれでもよい。尚、上述した故障部位判定処理（図１１参照）をＮＣ装置７０が行う場合、学習モデルＬＭがＲＡＭ７３に格納されている状態で故障部位判定処理が行われる。

図１２に示す例は、コストアップを抑制しながら故障部位の判別精度を向上させる旋盤を提供することができる。
上述した機械学習部Ｕ２はＮＣ装置７０とコンピューター１００との協働により実現されてもよく、上述した故障検出部Ｕ１もＮＣ装置７０とコンピューター１００との協働により実現されてもよい。

尚、機械学習を利用しないで、第二温度センサーＳ２の第二検出温度Ｔ２（ｔ）を内蔵温度センサーＳ１の検出温度Ｔ１（ｔ）の補正に使用することも可能である。例えば、０＜ａ＜１である補正係数ａを用い、検出温度Ｔ１（ｔ）からａ×Ｔ２（ｔ）を差し引いた温度を新たな検出温度Ｔ１（ｔ）とすることにより、図７に示す冷却装置故障判定処理を行ってもよい。例えば、内蔵温度センサーＳ１の検出温度Ｔ１（ｔ）の変化ΔＴ１（ｔ）と第二温度センサーＳ２の第二検出温度Ｔ２（ｔ）の変化ΔＴ２（ｔ）との関係から補正係数ａを決めることにより、冷却装置４０の故障判定、及び、故障箇所の判別を行うことができる。この場合も、冷却装置の各部位の故障を検出するセンサーを別途取り付ける必要が無いので、コストアップが抑制される。また、内蔵温度センサーの検出温度に外気温の影響が加味されて冷却装置の故障部位が判別されるので、故障部位の判別精度が向上する。

（５）結び：
以上説明したように、本発明によると、種々の態様により、冷却装置の故障を検出するセンサーを別途取り付けなくても冷却装置の故障を判定することが可能な旋盤、旋盤システム、等の技術を提供することができる。むろん、独立請求項に係る構成要件のみからなる技術でも、上述した基本的な作用、効果が得られる。
また、上述した例の中で開示した各構成を相互に置換したり組み合わせを変更したりした構成、公知技術及び上述した例の中で開示した各構成を相互に置換したり組み合わせを変更したりした構成、等も実施可能である。本発明は、これらの構成等も含まれる。

１…旋盤、２…外装、３…温度センサー、
１０…主軸台、１１…主軸、１１Ｂ…工具主軸、１２…把持部、
２０…ビルトインモーター、２３…ジャケット、２５…温度センサー、
２８，２８Ｂ…刃物台、
３０…駆動装置、３１…サーボモーター、３２…温度センサー、
４０…冷却装置、
４１…循環経路、４２…ラジエーター、４３…ポンプ、４４，４５…ファン、
７０…ＮＣ装置、
１００…コンピューター、
Ｆ１…冷却流体、Ｆ２…冷却油、Ｆ３…空気、
ＩＮ１…故障部位情報、
ＬＭ…学習モデル、
Ｍ１…主軸モーター、
Ｓ１…内蔵温度センサー、Ｓ２…第二温度センサー、
ＳＹ１…旋盤システム、
ＴＯ１…工具、ＴＯ２…回転工具、
Ｕ１…故障判定部、Ｕ２…機械学習部、
Ｗ１…ワーク。

Claims (7)

1. 回転可能な主軸と、
   内蔵温度センサーを有し、前記主軸を回転させる主軸モーターと、
   該主軸モーターを冷却する冷却装置と、
   ワークの連続加工を開始してから前記内蔵温度センサーにより順次得られる検出温度が定常となったと判断した後に前記検出温度の変化が許容範囲を超えると前記冷却装置が故障していると判定する故障判定部と、を備える、旋盤。
2. 前記故障判定部は、前記検出温度の変化に基づいて、前記冷却装置に含まれる複数の部位のうち故障している部位を判別する、請求項１に記載の旋盤。
3. 前記冷却装置は、前記主軸モーターを冷却する冷却流体の循環経路を有し、
   前記複数の部位は、前記循環経路において前記冷却流体を循環させるポンプ、及び、前記循環経路の放熱を促進させるファンを含み、
   前記故障判定部は、前記許容範囲を超えた前記検出温度の変化が所定の判別基準を超える場合に前記ポンプが故障していると判定し、前記検出温度の変化が前記判別基準を超えない場合に前記ファンが故障していると判定する、請求項２に記載の旋盤。
4. 外気温に影響される温度を検出する第二温度センサーと、
   前記内蔵温度センサーにより順次に得られた前記検出温度、前記第二温度センサーにより順次に得られた第二検出温度、及び、前記冷却装置に含まれる複数の部位のうち故障している部位を表す故障部位情報に基づいた機械学習により、前記内蔵温度センサーにより順次得られる前記検出温度、及び、前記第二温度センサーにより順次得られる前記第二検出温度に基づいて前記冷却装置において故障している部位を判別する学習モデルを生成する機械学習部と、をさらに備える、請求項１に記載の旋盤。
5. 前記学習モデルは、前記内蔵温度センサーにより順次得られる前記検出温度、および、前記第二温度センサーにより順次得られる前記第二検出温度が入力されることで、前記冷却装置に含まれる複数の部位のうち故障している部位の判別結果を出力する、請求項４に記載の旋盤。
6. 旋盤と、該旋盤に接続されたコンピューターと、を含む旋盤システムであって、
   前記旋盤は、
   回転可能な主軸と、
   内蔵温度センサーを有し、前記主軸を回転させる主軸モーターと、
   該主軸モーターを冷却する冷却装置と、を備え、
   前記旋盤システムは、ワークの連続加工を開始してから前記内蔵温度センサーにより順次得られる検出温度が定常となったと判断した後に前記検出温度の変化が許容範囲を超えると前記冷却装置が故障していると判定する故障判定部を備える、旋盤システム。
7. 前記旋盤は、外気温に影響される温度を検出する第二温度センサーをさらに備え、
   前記旋盤システムは、前記内蔵温度センサーにより順次に得られた前記検出温度、前記第二温度センサーにより順次に得られた第二検出温度、及び、前記冷却装置に含まれる複数の部位のうち故障している部位を表す故障部位情報に基づいた機械学習により、前記内蔵温度センサーにより順次得られる前記検出温度、及び、前記第二温度センサーにより順次得られる前記第二検出温度に基づいて前記冷却装置において故障している部位を判別する学習モデルを生成する機械学習部をさらに備える、請求項６に記載の旋盤システム。

Images