JP2021086405A - 機械学習装置、消費電力予測装置、及び制御装置 - Google Patents

Abstract

【課題】シミュレーションすることなく、新たに作成された加工プログラムの運転による消費電力を精度良く出力する学習済みモデルを作成し、さらにその学習済みモデルを利用して消費電力を精度良く予測すること。【解決手段】機械学習装置は、任意の加工プログラムの運転による任意の工作機械でのワークに対する加工において、工作機械に係る情報、補助動作機器に係る情報、ワークに係る情報、及び加工プログラムを含む加工情報を、入力データとして取得する入力データ取得部と、加工プログラムの運転における工作機械及び補助動作機器の消費電力に係る消費電力情報、を示すラベルデータを取得するラベル取得部と、取得された入力データと取得されたラベルデータとを用いて、教師あり学習を実行し、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデルを生成する学習部と、を備える。【選択図】図１

Description

本発明は、機械学習装置、消費電力予測装置、及び制御装置に関する。

工作機械等の製造設備を保有する企業では、環境負荷の低減（省エネルギー化や廃棄物削減等）が重要な課題となっている。環境負荷を低減するためには、例えば、保有する製造設備の消費電力を知る必要がある。
この点、工作機械を実際に動作させることなく、加工プログラムをシミュレーション実行することで、工作機械の数値制御装置が工作機械に出力するトルク値を疑似的に算出し、算出したトルク値に基づいて工作機械の消費電力をシミュレーションする技術が知られている。例えば、特許文献１参照。

特開２０１４−２１９９１１号公報

しかしながら、実際の数値制御装置は、工作機械に出力するトルク指令値を工作機械の駆動部（サーボモータ）のエンコーダからのフィードバックに基づいて修正する。一方、シミュレーションでは、工作機械を動かさないことから前記フィードバックがないため、算出されたトルク値は、実際の数値制御装置が出力するトルク指令値と必ずしも一致するとは限らない。このため、シミュレーションされた消費電力は、実際の工作機械の消費電力と比べて誤差が大きくなるという問題がある。
また、新たに作成された加工プログラムが入力された場合には、再度シミュレーションして加工時間の予測が必要になる。

そこで、シミュレーションすることなく、新たに作成された加工プログラムの運転による消費電力を精度良く出力する学習済みモデルを作成すること、及びその学習済みモデルを利用して消費電力を精度良く予測することが望まれている。

（１）本開示の機械学習装置の一態様は、任意の加工プログラムの運転による任意の工作機械でのワークに対する加工において、少なくとも前記工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、前記ワークに係る情報、及び前記加工プログラムを含む加工情報を、入力データとして取得する入力データ取得部と、前記加工プログラムの運転における前記工作機械及び前記補助動作機器の消費電力に係る消費電力情報、を示すラベルデータを取得するラベル取得部と、前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、これから行う加工の加工条件を入力し前記これから行う加工における消費電力情報を出力する学習済みモデルを生成する学習部と、を備える。

（２）本開示の消費電力予測装置の一態様は、（１）に記載の機械学習装置により生成された、これから行う加工の加工情報を入力し前記これから行う加工における前記消費電力情報を出力する学習済みモデルと、加工プログラムの運転に先立って、工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、加工対象のワークに係る情報、及び前記加工プログラムに係る情報を含む加工情報を入力する入力部と、前記入力部により入力された前記加工情報を前記学習済みモデルに入力することで、前記学習済みモデルが出力する前記これから行う加工における前記消費電力情報に基づいて前記加工プログラムの運転時の消費電力に係る消費電力情報を予測する予測部と、を備える。

（３）本開示の制御装置の一態様は、（２）の消費電力予測装置を備える。

本開示の一態様によれば、シミュレーションすることなく、新たに作成された加工プログラムの運転による消費電力を精度良く出力する学習済みモデルを生成することができる。さらに、その学習済みモデルを利用することで精度の良い消費電力の予測が可能になる。

一実施形態に係る予測システムの機能的構成例を示す機能ブロック図である。 工作機械に係る工作機械情報の一例を示す図である。 補助動作機器に係る補助動作情報の一例を示す図である。 加工プログラムの一例を示す図である。 ラベル取得部によりラベルデータとして取得される消費電力情報の一例を示す図である。 図１の消費電力予測装置に提供される学習済みモデルの一例を示す図である。 予測部による予測結果の一例を示す図である。 運用フェーズにおける消費電力予測装置の予測処理について説明するフローチャートである。 予測システムの構成の一例を示す図である。 予測システムの構成の一例を示す図である。

以下、本開示の一実施形態について、図面を用いて説明する。
＜一実施形態＞
図１は、一実施形態に係る予測システムの機能的構成例を示す機能ブロック図である。図１に示すように、予測システム１は、工作機械１０、消費電力予測装置２０、及び機械学習装置３０を有する。

工作機械１０、消費電力予測装置２０、及び機械学習装置３０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、工作機械１０、消費電力予測装置２０、及び機械学習装置３０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、工作機械１０、消費電力予測装置２０、及び機械学習装置３０は、係る接続によって相互に通信を行うための図示しない通信部を備えている。なお、後述するように、消費電力予測装置２０は、機械学習装置３０を含むようにしてもよい。また、工作機械１０は、消費電力予測装置２０及び機械学習装置３０を含むようにしてもよい。

工作機械１０は、当業者にとって公知の工作機械であり、制御装置１０１及び補助動作機器１０２を組み込んで有する。工作機械１０は、制御装置１０１の動作指令に基づいて動作する。後述するように、工作機械１０は、ＣＡＤ／ＣＡＭ装置等の図示しない外部装置から新たに作成された加工プログラムを取得した場合、取得した加工プログラムの運転に先立って、工作機械１０の通信部（図示しない）を介して、工作機械１０及び加工プログラムを含む加工情報を消費電力予測装置２０に出力してもよい。
なお、加工情報に含まれる工作機械１０に係る情報には、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様（定格出力（ｋＷ）、定格トルク（Ｎ・ｍ））等が含まれてもよい。また、加工情報には、ポンプ動力（Ｗ）、及び動力モータ仕様（定格出力（ｋＷ）、定格トルク（Ｎ・ｍ））等の後述する補助動作機器１０２に係る情報、及び材質や重量等の加工対象のワーク（図示しない）に係る情報が含まれてもよい。

制御装置１０１は、当業者にとって公知の数値制御装置であり、外部装置（図示しない）から取得した加工プログラムに基づいて動作指令を生成し、生成した動作指令を工作機械１０に送信する。これにより、制御装置１０１は、工作機械１０の動作を制御する。なお、制御装置１０１は、図示しない工作機械１０の通信部を介して、工作機械１０の代わりに、加工情報を消費電力予測装置２０に出力してもよい。
また、制御装置１０１は、工作機械１０とは独立した装置でもよい。

補助動作機器１０２は、工作機械１０の補助動作を行うものであり、例えば、油圧制御装置やクーラントポンプ、チップコンベア等である。
なお、補助動作機器１０２は、工作機械１０とは独立した装置でもよい。また、工作機械１０は、複数の補助動作機器１０２を含んでもよい。この場合、加工情報は、複数の補助動作機器１０２の各々に係る情報を含んでもよい。

消費電力予測装置２０は、運用フェーズにおいて、加工プログラムの運転に先立って、工作機械１０から工作機械１０、補助動作機器１０２、ワーク、及び加工プログラムを含む加工情報を取得する。そして、消費電力予測装置２０は、取得した加工情報を、後述する機械学習装置３０から提供された学習済みモデルに入力する。これにより、消費電力予測装置２０は、加工プログラム運転時における総消費電力量、及び加工プログラム運転時における各ブロックの消費電力を予測することができる。
そこで、消費電力予測装置２０を説明する前に、学習済みモデルを生成するための機械学習について説明する。

＜機械学習装置３０＞
機械学習装置３０は、例えば、予め、任意の加工プログラムの運転による任意の工作機械１０でのワークに対する加工において、工作機械１０に係る情報、工作機械１０の補助動作を行う補助動作機器１０２に係る情報、加工されたワークに係る情報、及び加工プログラムに係る情報を含む加工情報を、入力データとして取得する。
また、機械学習装置３０は、取得された入力データに基づく加工プログラムの運転における工作機械１０及び補助動作機器１０２の消費電力に係る消費電力情報、すなわち前記加工プログラム運転時における総消費電力量、及び前記加工プログラム運転時における各ブロックの消費電力、を示すデータをラベル（正解）として取得する。
機械学習装置３０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置３０は、構築した学習済みモデルを消費電力予測装置２０に提供することができる。
機械学習装置３０について、具体的に説明する。

機械学習装置３０は、図１に示すように、入力データ取得部３０１、ラベル取得部３０２、学習部３０３、及び記憶部３０４を有する。

入力データ取得部３０１は、学習フェーズにおいて、図示しない通信部を介して、任意の加工プログラムの運転による任意の工作機械１０でのワークに対する加工において、工作機械１０に係る情報、補助動作機器１０２に係る情報、加工されたワークに係る情報、及び加工プログラムに係る情報を含む加工情報を、入力データとして工作機械１０から取得する。

図２Ａは、工作機械１０に係る工作機械情報の一例を示す図である。
入力データ取得部３０１は、加工情報に含まれるｎ個の工作機械情報ＩＭ（１）−ＩＭ（ｎ）を入力データとして取得する（ｎは、２以上の整数）。図２Ａに示すように、工作機械情報ＩＭ（１）は、例えば、工作機械１０が工作機械ＩＤ「Ｍ−００１」であり、制御軸数「３」であることを示す。また、工作機械情報ＩＭ（１）は、軸構成が直交３軸のＸ軸、Ｙ軸、Ｚ軸で、Ｚ軸が重力軸であることを示す。また、工作機械情報ＩＭ（１）は、工作機械１０の主軸数が「１」であることを示す。また、工作機械情報ＩＭ（１）は、工作機械１０のモータ仕様（定格出力）がＸ軸で「２．０ｋＷ」、Ｙ軸で「２．０ｋＷ」、Ｚ軸で「３．５ｋＷ」、及び主軸で「７．５ｋＷ」であることを示す。
なお、工作機械１０が５軸の場合、工作機械情報ＩＭ（１）は、例えば、制御軸数「５」であり、軸構成がＸ軸、Ｙ軸、Ｚ軸、Ｂ軸、Ｃ軸の５軸で、Ｚ軸が重力軸であることを示してもよい。また、工作機械情報ＩＭ（１）は、工作機械１０の主軸数が「１」である場合、工作機械１０のモータ仕様（定格出力）がＸ軸で「２．０ｋＷ」、Ｙ軸で「３．０ｋＷ」、Ｚ軸で「４．５ｋＷ」、Ｂ軸で「２．５ｋＷ」、Ｃ軸で「２．５ｋＷ」、及び主軸で「８．４ｋＷ」であることを示してもよい。

図２Ｂは、補助動作機器１０２に係る補助動作情報の一例を示す図である。
入力データ取得部３０１は、工作機械情報ＩＭ（１）−ＩＭ（ｎ）とともに、ｎ個の補助動作情報ＩＡ（１）−ＩＡ（ｎ）を入力データとして取得する。図２Ｂに示すように、補助動作情報ＩＡ（１）は、例えば、補助動作機器１０２が補助動作機器ＩＤ「Ａ−００１」であり、ポンプ動力が「１５．０ｋＷ」であることを示す。なお、補助動作情報ＩＡ（１）は、ポンプ動力とともに、動力モータの定格出力（例えば、７．５ｋＷ等）も含んでもよい。

図２Ｃは、加工プログラムの一例を示す図である。
入力データ取得部３０１は、工作機械情報ＩＭ（１）−ＩＭ（ｎ）、及び補助動作情報ＩＡ（１）−ＩＡ（ｎ）とともに、ｎ個の加工プログラムＰＧ（１）−ＰＧ（ｎ）を入力データとして取得する。なお、図２Ｃに示すように、加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々は、シーケンス番号のブロック特定情報を含んでもよい。

また、加工情報は、加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々の運転により工作機械情報ＩＭ（１）−ＩＭ（ｎ）の工作機械１０が加工したワークの材質（例えば、ＦＣ１００等）、及び重量（例えば、１．５ｋｇ等）を示すｎ個のワーク情報を含んでもよい。そして、入力データ取得部３０１は、工作機械情報ＩＭ（１）−ＩＭ（ｎ）、補助動作情報ＩＡ（１）−ＩＡ（ｎ）、及び加工プログラムＰＧ（１）−ＰＧ（ｎ）とともに、ｎ個のワーク情報を入力データとして取得してもよい。
なお、ワーク情報に含まれる材質には、鋳鉄の場合、「ＦＣ１００」、「ＦＣ１５０」、「ＦＣ２００」、「ＦＣ２５０」、「ＦＣ３００」、「ＦＣ３５０」等がある。また、ワーク情報に含まれる材質には、アルミニウム合金の場合、「Ａ４０３２」、「Ａ５０５２」、「Ａ５０８３」、「Ａ６０６１」、「Ａ７０７５」等がある。また、ワーク情報に含まれる材質には、マグネシウム合金の場合、「ＡＺ３１」、「ＡＺ９１」等がある。
そして、入力データ取得部３０１は、取得した入力データを記憶部３０４に記憶する。

なお、入力データは、工作機械１０に係る情報、補助動作機器１０２に係る情報、加工されたワークに係る情報、及び加工プログラムに係る情報を含むとしたが、これに限定されず、少なくとも１つを含んでもよい。また、入力データは、加工プログラムそのものが入力される代わりに、ブロック特定情報を含む加工プログラム内容でもよい。

ラベル取得部３０２は、加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々の運転における工作機械１０及び補助動作機器１０２の消費電力に係る消費電力情報を、ラベルデータ（正解データ）として取得する。なお、消費電力情報には、加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々の運転時における工作機械１０及び補助動作機器１０２の総消費電力量、及び加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々の運転時におけるブロック毎の消費電力が含まれる。

図３は、ラベル取得部３０２によりラベルデータとして取得される消費電力情報の一例を示す図である。
図３の上段は、図２Ａの工作機械情報ＩＭ（１）−ＩＭ（ｎ）の各々の工作機械１０が加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々を運転した際の消費電力の時系列データＭＰ（１）−ＭＰ（ｎ）を示す。図３の中段は、図２Ｂの補助動作情報ＩＡ（１）−ＩＡ（ｎ）の各々の補助動作機器１０２が加工プログラムＰＧ（１）−ＰＧ（ｎ）の各々を運転した際の消費電力の時系列データＡＰ（１）−ＡＰ（ｎ）を示す。図３の下段は、図２Ｃの加工プログラムＰＧ（１）−ＰＧ（ｎ）の各ブロックの実行時間を示す実行時間データＴＭ（１）−ＴＭ（ｎ）を示す。換言すれば、図３は、ラベルデータを算出するために必要な補助データを示す。
なお、図３の上段の工作機械１０の消費電力の時系列データＭＰ（１）−ＭＰ（ｎ）は、工作機械１０に設けられた図示しない電力計により測定されてもよい。また、図３の中段の補助動作機器１０２の消費電力の時系列データＡＰ（１）−ＡＰ（ｎ）は、補助動作機器１０２に設けられた図示しない電力計により測定されてもよい。また、図３の下段の実行時間データＴＭ（１）は、加工プログラムＰＧ（１）のブロックのうち、シーケンス番号「Ｎ２４９」、「Ｎ２５０」、及び「Ｎ２５１」の実行時間を示す。

具体的には、ラベル取得部３０２は、例えば、実行時間データＴＭ（１）のシーケンス番号「Ｎ２４９」の実行時間において、時系列データＭＰ（１）が示す工作機械１０の消費電力の最大値と、時系列データＡＰ（１）が示す補助動作機器１０２の消費電力の最大値とを合計する。ラベル取得部３０２は、合計した値をシーケンス番号「Ｎ２４９」のブロックの消費電力とし、ラベルデータとして取得する。ラベル取得部３０２は、他のシーケンス番号のブロックの消費電力についても同様に計算し、ラベルデータとして取得する。
なお、ラベル取得部３０２は、ブロックの消費電力として前記ブロックの実行時間における工作機械１０の消費電力の最大値と、補助動作機器１０２の消費電力の最大値とを合計したが、これに限定されない。例えば、ラベル取得部３０２は、ブロックの実行時間における工作機械１０及び補助動作機器１０２の消費電力の平均値、又は最小値等を、前記ブロックの消費電力としてもよい。

また、ラベル取得部３０２は、加工プログラムＰＧ（ｋ）の実行開始から実行終了までの時間で、工作機械情報（ｋ）の工作機械１０の消費電力の時系列データＭＰ（ｋ）と補助動作情報（ｋ）の補助動作機器１０２の消費電力の時系列データＡＰ（ｋ）とを時間積分し、合計することで加工プログラム運転時の総消費電力量（ｋＷｈ）を算出し、ラベルデータとして取得する。なお、ｋは１からｎの値である。
ラベル取得部３０２は、以上のように取得したラベルデータを記憶部３０４に記憶する。

学習部３０３は、上述の入力データとラベルとの組を訓練データとして受け付ける。学習部３０３は、受け付けた訓練データを用いて、教師あり学習を行うことにより、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及び加工プログラムを含むこれから行う加工情報を入力し、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を含むこれから行う加工における消費電力情報を出力する学習済みモデル２５０を構築する。
そして、学習部３０３は、構築した学習済みモデル２５０を消費電力予測装置２０に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の工作機械１０から訓練データが取得されてもよい。

図４は、図１の消費電力予測装置２０に提供される学習済みモデル２５０の一例を示す図である。ここでは、学習済みモデル２５０は、図４に示すように、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及び加工プログラムを含む加工情報を入力層として、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を出力層とする多層ニューラルネットワークを例示する。
ここで、工作機械１０の工作機械情報には、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様（定格出力（Ｗ）、定格トルク（Ｎ・ｍ）等）が含まれる。また、補助動作機器１０２の補助動作情報には、ポンプ動力（Ｗ）や動力モータ仕様（定格出力（Ｗ）、定格トルク（Ｎ・ｍ）等）が含まれる。また、ワーク情報には、ワークの材質及び重量が含まれる。

また、学習部３０３は、学習済みモデル２５０を構築した後に、新たな訓練データを取得した場合には、学習済みモデル２５０に対してさらに教師あり学習を行うことにより、一度構築した学習済みモデル２５０を更新するようにしてもよい。
そうすることで、普段の工作機械１０の加工動作から訓練データを自動的に得ることができるため、消費電力の予測精度を日常的に上げることができる。

上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、工作機械１０において加工が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、工作機械１０において加工が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。

記憶部３０４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等であり、入力データ取得部３０１により取得された入力データ、ラベル取得部３０２により取得されたラベルデータ、及び学習部３０３により構築された学習済みモデル２５０等を記憶する。
以上、消費電力予測装置２０が備える学習済みモデル２５０を生成するための機械学習について説明した。
次に、運用フェーズにおける消費電力予測装置２０について説明する。

＜運用フェーズにおける消費電力予測装置２０＞
図１に示すように、運用フェーズにおける消費電力予測装置２０は、入力部２０１、予測部２０２、決定部２０３、通知部２０４、及び記憶部２０５を含んで構成される。
なお、消費電力予測装置２０は、図１の機能ブロックの動作を実現するために、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の図示しない演算処理装置を備える。また、消費電力予測装置２０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。

そして、消費電力予測装置２０において、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行なう。この演算結果に基づいて、消費電力予測装置２０が各ハードウェアを制御する。これにより、図１の機能ブロックによる処理は実現される。つまり、消費電力予測装置２０は、ハードウェアとソフトウェアが協働することにより実現することができる。

入力部２０１は、加工プログラムの運転に先立って、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及びこれから運転する加工プログラムを含む加工情報を、工作機械１０から入力する。入力部２０１は、入力された加工情報を予測部２０２に出力する。これから運転する加工プログラムは、新たに作成された加工プログラムでもよく、既に運転済の加工プログラムでもよい。
なお、入力部２０１は、加工情報に含まれる工作機械１０の工作機械情報、及び補助動作機器１０２の補助動作情報として、工作機械１０を特定する工作機械ＩＤ、及び補助動作機器１０２を特定する補助動作機器ＩＤを、加工情報として入力してもよい。この場合、工作機械ＩＤに対応付けされた工作機械１０の工作機械情報と、補助動作機器ＩＤに対応付けされた補助動作機器１０２の補助動作情報とが、予め後述する記憶部２０５に記憶されてもよい。これにより、入力部２０１は、入力された工作機械ＩＤ及び補助動作機器ＩＤに基づいて、工作機械１０の工作機械情報及び補助動作機器１０２の補助動作情報を記憶部２０５から取得することができる。

予測部２０２は、入力部２０１により入力された加工情報に含まれる工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及びこれから運転する加工プログラムを、図３の学習済みモデル２５０に入力することで、学習済みモデル２５０が出力する加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を取得する。そうすることで、予測部２０２は、加工プログラム運転時の総消費電力量、及び前記加工プログラム運転時の各ブロックの消費電力を予測することができる。
図５は、予測部２０２による予測結果の一例を示す図である。
図５の横軸は加工プログラムのシーケンス番号（ブロック）を示す。図５の縦軸は、予測部２０２により予測された各ブロックの消費電力を示す。
図５に示すように、例えば、消費電力が閾値αを超えるシーケンス番号「Ｎ１００」、「Ｎ２１０」、及び「Ｎ３２０」のブロックがあることを示す。

決定部２０３は、予測部２０２により予測された各ブロックの消費電力と、予め設定された閾値αとを比較し、消費電力が閾値αを超えるブロックがあるか否かを判定する。消費電力が閾値αを超えるブロックがない場合、決定部２０３は、アラームを発生させることなく、加工プログラムを運転させて工作機械１０にワークを加工させることを決定する。
一方、消費電力が閾値αを超えるブロックがある場合、決定部２０３は、アラームを発生させることを決定する。決定部２０３は、消費電力が閾値αを超えるブロック（シーケンス番号）を示す指令ブロック特定情報を後述する通知部２０４に出力する。
そうすることで、消費電力予測装置２０は、ブロックの消費電力が閾値α以下となるように、工作機械１０のユーザに対して加工条件や加工経路といった加工プログラムの見直しを促すことができる。すなわち、消費電力予測装置２０は、省エネルギー化の支援に繋げることができる。
なお、閾値αは、工作機械１０に要求されるサイクルタイム、加工精度、又は消費電力等に応じて適宜設定されてもよい。

通知部２０４は、決定部２０３から指令ブロック特定情報を受信した場合、工作機械１０及び／又は制御装置１０１に含まれる液晶ディスプレイ等の出力装置（図示しない）に、アラーム及び指令ブロック特定情報が示すシーケンス番号を出力してもよい。なお、通知部２０４は、スピーカ（図示せず）を介して音声により通知してもよい。

記憶部２０５は、ＲＯＭやＨＤＤ等であり、各種の制御用プログラムとともに、学習済みモデル２５０、及び閾値αを記憶してもよい。また、記憶部２０５は、工作機械ＩＤに対応付けされた工作機械１０の工作機械情報、及び補助動作機器ＩＤに対応付けされた補助動作情報を記憶してもよい。

＜運用フェーズにおける消費電力予測装置２０の予測処理＞
次に、本実施形態に係る消費電力予測装置２０の予測処理に係る動作について説明する。
図６は、運用フェーズにおける消費電力予測装置２０の予測処理について説明するフローチャートである。ここで示すフローは、加工情報が入力される度に繰り返し実行される。

ステップＳ１１において、入力部２０１は、加工プログラムの運転に先立って、工作機械１０の工作機械ＩＤ、補助動作機器１０２の補助動作機器ＩＤ、ワーク情報、及びこれから運転する加工プログラムを含む加工情報を入力する。例えば、入力部２０１は、入力された工作機械ＩＤに対応付けられた工作機械１０の工作機械情報、及び入力された補助動作機器ＩＤに対応付けされた補助動作機器１０２の補助動作情報を記憶部２０５から取得する。

ステップＳ１２において、予測部２０２は、ステップＳ１１で入力された加工情報を学習済みモデル２５０に入力することで、学習済みモデル２５０が出力する加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を含むこれから行う加工における消費電力情報を取得し、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測する。

ステップＳ１３において、決定部２０３は、ステップＳ１２で予測された各ブロックの消費電力と閾値αとを比較し、消費電力が閾値αを超えるブロックがあるか否かを判定する。消費電力が閾値αを超えるブロックがある場合、処理はステップＳ１４に進む。消費電力が閾値αを超えるブロックがない場合、処理は終了する。

ステップＳ１４において、通知部２０４は、ステップＳ１３で決定されたアラームを通知する。

以上により、一実施形態に係る消費電力予測装置２０は、加工プログラムの運転に先立って、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及びこれから運転する加工プログラムを含む加工情報を入力する。消費電力予測装置２０は、入力された加工情報を学習済みモデル２５０に入力することで、学習済みモデル２５０が出力する加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を含む消費電力情報を取得し、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測する。
これにより、消費電力予測装置２０は、新たに作成された加工プログラムが入力された場合でも、消費電力測定のために実際に運転したりシミュレーションしたりすることなく、加工プログラム運転時の消費電力を精度良く予測することができる。

具体的には、学習モデルを構築後は、新たに作成された加工プログラムを、消費電力測定のために実際に運転をしたりシミュレーションをすることなく、当該加工プログラム運転時の工作機械１０の消費電力を推定することができるようになる。
また、副次的な効果として、加工形状や加工方法に応じた電力消費の傾向分析が容易になる。これにより、加工条件や加工経路といった加工プログラムを見直すことで、省エネルギー化の支援にも繋がる。
また、消費電力の閾値αを超えたブロックを特定できるため、当該ブロック周辺の加工条件を変更してピーク電力を抑えることで、電力会社の契約を必要最小限のアンペア数に見直して設備のランニングコスト低減支援にも繋がる。

以上、一実施形態について説明したが、消費電力予測装置２０、及び機械学習装置３０は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。

＜変形例１＞
上述の実施形態では、機械学習装置３０は、工作機械１０、制御装置１０１、及び消費電力予測装置２０と異なる装置として例示したが、機械学習装置３０の一部又は全部の機能を、工作機械１０、制御装置１０１、又は消費電力予測装置２０が備えるようにしてもよい。

＜変形例２＞
また例えば、上述の実施形態では、消費電力予測装置２０は、工作機械１０や制御装置１０１と異なる装置として例示したが、消費電力予測装置２０の一部又は全部の機能を、工作機械１０又は制御装置１０１が備えるようにしてもよい。
あるいは、消費電力予測装置２０の入力部２０１、予測部２０２、決定部２０３、通知部２０４及び記憶部２０５の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、消費電力予測装置２０の各機能を実現してもよい。
さらに、消費電力予測装置２０は、消費電力予測装置２０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。

＜変形例３＞
また例えば、上述の実施形態では、消費電力予測装置２０は、機械学習装置３０から提供されたこれから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル２５０を用いて、入力された加工情報から加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測したが、これに限定されない。例えば、図７に示すように、サーバ５０は、機械学習装置３０により生成された学習済みモデル２５０を記憶し、ネットワーク６０に接続されたｍ個の消費電力予測装置２０Ａ（１）−２０Ａ（ｍ）と学習済みモデル２５０を共有してもよい（ｍは２以上の整数）。これにより、新たな工作機械、及び消費電力予測装置が配置されても学習済みモデル２５０を適用することができる。
なお、消費電力予測装置２０Ａ（１）−２０Ａ（ｍ）の各々は、工作機械１０Ａ（１）−１０Ａ（ｍ）の各々と接続される。
また、工作機械１０Ａ（１）−１０Ａ（ｍ）の各々は、図１の工作機械１０に対応し、互いに同じ機種の工作機械でもよく、互いに異なる機種の工作機械でもよい。消費電力予測装置２０Ａ（１）−２０Ａ（ｍ）の各々は、図１の消費電力予測装置２０に対応する。
あるいは、図８に示すように、サーバ５０は、例えば、消費電力予測装置２０として動作し、ネットワーク６０に接続された工作機械１０Ａ（１）−１０Ａ（ｍ）の各々に対して、入力された加工情報から加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測してもよい。これにより、新たな工作機械が配置されても学習済みモデル２５０を適用することができる。

＜変形例４＞
また例えば、上述の実施形態では、消費電力予測装置２０は、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル２５０に、図４に示す加工情報を入力することで、学習済みモデル２５０が出力する加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を取得したが、これに限定されない。例えば、消費電力予測装置２０は、学習済みモデル２５０に加工情報を入力することで、加工プログラム運転時の各ブロックの消費電力のみを取得してもよい。

＜変形例５＞
また例えば、上述の実施形態では、機械学習装置３０は、教師あり学習を実行したが、これに限定されず、他の学習方法（例えば、＋報酬／−報酬を与える強化学習等）により学習済みモデルを構築してもよい。

なお、一実施形態における、消費電力予測装置２０、及び機械学習装置３０に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。

消費電力予測装置２０、及び機械学習装置３０に含まれる各構成部は、電子回路等を含むハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。また、ハードウェアで構成する場合、上記の装置に含まれる各構成部の機能の一部又は全部を、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）等の集積回路（ＩＣ）で構成することができる。

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ−ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。

なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

以上を換言すると、本開示の機械学習装置、消費電力予測装置、及び制御装置は、次のような構成を有する各種各様の実施形態を取ることができる。
（１）本開示の機械学習装置３０は、任意の加工プログラムＰＧ（１）−ＰＧ（ｎ）の運転による任意の工作機械１０でのワークに対する加工において、少なくとも工作機械１０に係る工作機械情報ＩＭ（１）−ＩＭ（ｎ）、工作機械１０の補助動作を行う補助動作機器１０２に係る補助動作情報ＩＡ（１）−ＩＡ（ｎ）、ワークに係るワーク情報、及び加工プログラムＰＧ（１）−ＰＧ（ｎ）を含む加工情報を、入力データとして取得する入力データ取得部３０１と、加工プログラムＰＧ（１）−ＰＧ（ｎ）の運転における工作機械１０及び補助動作機器１０２の消費電力に係る消費電力情報、を示すラベルデータを取得するラベル取得部３０２と、入力データ取得部３０１により取得された入力データと、ラベル取得部３０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル２５０を生成する学習部３０３と、を備える。
この機械学習装置３０によれば、シミュレーションすることなく、新たに作成された加工プログラムの運転による消費電力を精度良く出力する学習済みモデル２５０を生成することができる。

（２） （１）に記載の機械学習装置３０において、工作機械１０に係る工作機械情報ＩＭ（１）−ＩＭ（ｎ）は、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様の少なくとも１つを含み、補助動作機器１０２に係る補助動作情報ＩＡ（１）−ＩＡ（ｎ）は、ポンプ動力、及び動力モータ仕様の少なくとも１つを含み、ワークに係るワーク情報は、ワークの材質及び重量の少なくとも１つを含み、加工プログラムに係る情報は、シーケンス番号を含むプログラム内容であってもよい。
そうすることで、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及び加工プログラムを含む加工情報に応じた消費電力情報を出力する学習済みモデル２５０を生成することができる。

（３） （１）又は（２）に記載の機械学習装置３０において、消費電力情報は、加工プログラムの運転時における総消費電力量、及び加工プログラムの運転時における加工プログラムに含まれるブロック毎の消費電力の少なくとも１つを含んでもよい。
そうすることで、これから行う加工の加工情報に応じた加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を出力する学習済みモデル２５０を生成することができる。

（４）本開示の消費電力予測装置２０は、（１）から（３）のいずれかに記載の機械学習装置３０により生成された、これから行う加工の加工情報を入力しこれから行う加工における消費電力情報を出力する学習済みモデル２５０と、加工プログラムの運転に先立って、工作機械１０に係る情報、工作機械１０の補助動作を行う補助動作機器１０２に係る情報、加工対象のワークに係る情報、及び加工プログラムに係る情報を含む加工情報を入力する入力部２０１と、入力部２０１により入力された加工情報を学習済みモデル２５０に入力することで、学習済みモデル２５０が出力するこれから行う加工における消費電力情報に基づいて加工プログラムの運転時における消費電力に係る消費電力情報を予測する予測部２０２と、を備える。
この消費電力予測装置２０によれば、新たに作成された加工プログラムが入力された場合でも、加工プログラム運転時の消費電力を精度良く予測することができる。

（５） （４）に記載の消費電力予測装置２０において、工作機械１０に係る情報は、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様の少なくとも１つを含み、補助動作機器１０２に係る情報は、ポンプ動力、及び動力モータ仕様の少なくとも１つを含み、ワークに係る情報は、ワークの材質及び重量の少なくとも１つを含み、加工プログラムに係る情報は、シーケンス番号を含むプログラム内容であってもよい。
そうすることで、工作機械１０の工作機械情報、補助動作機器１０２の補助動作情報、ワーク情報、及び加工プログラムを含む加工情報に応じた加工プログラム運転時の消費電力情報を予測することができる。

（６） （４）又は（５）に記載の消費電力予測装置２０において、消費電力情報は、加工プログラムの運転時における総消費電力量、及び加工プログラムの運転時における加工プログラムに含まれるブロック毎の消費電力の少なくとも１つを含んでもよい。
そうすることで、加工プログラム運転時の総消費電力量、及び加工プログラム運転時の各ブロックの消費電力を予測することができる。

（７） （４）から（６）のいずれかに記載の消費電力予測装置２０において、工作機械１０を特定する工作機械ＩＤに対応付けされた工作機械１０に係る情報、及び補助動作機器１０２を特定する補助動作機器ＩＤに対応付けされた補助動作機器に係る情報を予め記憶する記憶部２０５を備え、入力部２０１は、工作機械ＩＤ及び補助動作機器ＩＤが入力された場合、対応付けされた工作機械１０に係る工作機械情報及び補助動作機器１０２に係る補助動作情報を記憶部２０５から取得してもよい。
そうすることで、工作機械ＩＤ及び補助動作機器ＩＤを入力することで、工作機械１０の工作機械情報及び補助動作機器１０２の補助動作情報を容易に取得することができる。

（８） （６）に記載の消費電力予測装置２０において、予測部２０２により予測された加工プログラムの運転時におけるブロック毎の消費電力と、予め設定された閾値αとを比較し、消費電力が閾値αを超えるブロックがあるか否かを判定する決定部２０３を備えてもよい。
そうすることで、ブロックの消費電力が閾値α以下となるように、工作機械１０のユーザに対して加工条件や加工経路といった加工プログラムの見直しを促すことができ、省エネルギー化の支援に繋げることができる。

（９） （４）から（８）のいずれかに記載の消費電力予測装置２０において、学習済みモデル２５０を、消費電力予測装置２０からネットワーク６０を介してアクセス可能に接続されるサーバ５０に備えてもよい。
そうすることで、新たな工作機械１０、制御装置１０１、及び消費電力予測装置２０が配置されても学習済みモデル２５０を適用することができる。

（１０） （４）から（９）のいずれかに記載の消費電力予測装置２０において、（１）から（３）のいずれかに記載の機械学習装置３０を備えてもよい。
そうすることで、上述の（１）から（９）のいずれかと同様の効果を奏することができる。

（１１）本開示の制御装置１０１は、（４）から（１０）のいずれかに記載の消費電力予測装置２０を備える。
この制御装置１０１によれば、上述の（４）から（１０）のいずれかと同様の効果を奏することができる。

１０ 工作機械
１０１ 制御装置
１０２ 補助動作機器
２０ 消費電力予測装置
２０１ 入力部
２０２ 予測部
２０３ 決定部
２０４ 通信部
２０５ 記憶部
２５０ 学習済みモデル
３０ 機械学習装置
３０１ 入力データ取得部
３０２ ラベル取得部
３０３ 学習部
３０４ 記憶部
５０ サーバ

Claims (11)

1. 任意の加工プログラムの運転による任意の工作機械でのワークに対する加工において、少なくとも前記工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、前記ワークに係る情報、及び前記加工プログラムを含む加工情報を、入力データとして取得する入力データ取得部と、
   前記加工プログラムの運転における前記工作機械及び前記補助動作機器の消費電力に係る消費電力情報、を示すラベルデータを取得するラベル取得部と、
   前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、これから行う加工の加工情報を入力し前記これから行う加工における前記消費電力情報を出力する学習済みモデルを生成する学習部と、
   を備える機械学習装置。
2. 前記工作機械に係る情報は、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様の少なくとも１つを含み、
   前記補助動作機器に係る情報は、ポンプ動力、及び動力モータ仕様の少なくとも１つを含み、
   前記ワークに係る情報は、前記ワークの材質及び重量の少なくとも１つを含み、
   前記加工プログラムに係る情報は、ブロック特定情報を含むプログラム内容である、請求項１に記載の機械学習装置。
3. 前記消費電力情報は、前記加工プログラムの運転時における総消費電力量、及び前記加工プログラムの運転時における前記加工プログラムに含まれるブロック毎の消費電力の少なくとも１つを含む、請求項１又は請求項２に記載の機械学習装置。
4. 請求項１から請求項３のいずれか１項に記載の機械学習装置により生成された、これから行う加工の加工情報を入力し前記これから行う加工における前記消費電力情報を出力する学習済みモデルと、
   加工プログラムの運転に先立って、工作機械に係る情報、前記工作機械の補助動作を行う補助動作機器に係る情報、加工対象のワークに係る情報、及び前記加工プログラムに係る情報を含む加工情報を入力する入力部と、
   前記入力部により入力された前記加工情報を前記学習済みモデルに入力することで、前記学習済みモデルが出力する前記これから行う加工における前記消費電力情報に基づいて前記加工プログラムの運転時の消費電力に係る消費電力情報を予測する予測部と、
   を備える消費電力予測装置。
5. 前記工作機械に係る情報は、制御軸数、主軸数、軸構成、及び位置決め軸／主軸モータ仕様の少なくとも１つを含み、
   前記補助動作機器に係る情報は、ポンプ動力、及び動力モータ仕様の少なくとも１つを含み、
   前記ワークに係る情報は、前記ワークの材質及び重量の少なくとも１つを含み、
   前記加工プログラムに係る情報は、ブロック特定情報を含むプログラム内容である、請求項４に記載の消費電力予測装置。
6. 前記消費電力情報は、前記加工プログラムの運転時における総消費電力量、及び前記加工プログラムの運転時における前記加工プログラムに含まれるブロック毎の消費電力の少なくとも１つを含む、請求項４又は請求項５に記載の消費電力予測装置。
7. 前記工作機械を特定する工作機械ＩＤに対応付けされた前記工作機械に係る情報、及び前記補助動作機器を特定する補助動作機器ＩＤに対応付けされた前記補助動作機器に係る情報を予め記憶する記憶部を備え、
   前記入力部は、前記工作機械ＩＤ及び前記補助動作機器ＩＤが入力された場合、対応付けされた前記工作機械に係る情報及び前記補助動作機器に係る情報を前記記憶部から取得する、請求項４から請求項６のいずれか１項に記載の消費電力予測装置。
8. 前記予測部により予測された前記加工プログラムの運転時における前記ブロック毎の消費電力と、予め設定された閾値とを比較し、前記消費電力が前記閾値を超えるブロックがあるか否かを判定する決定部を備える、請求項６に記載の消費電力予測装置。
9. 前記学習済みモデルを、前記消費電力予測装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項４から請求項８のいずれか１項に記載の消費電力予測装置。
10. 請求項１から請求項３のいずれか１項に記載の機械学習装置を備える、請求項４から請求項９のいずれか１項に記載の消費電力予測装置。
11. 請求項４から請求項１０のいずれか１項に記載の消費電力予測装置を備える、制御装置。

Images