JP2023110670A - 工具損傷確率推定装置、工具損傷確率推定方法、及び、プログラム - Google Patents

Abstract

【課題】ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定する。
【解決手段】工具損傷確率推定装置は、ワークの加工に用いられる工具の損傷確率を推定するための装置であって、第１推定部及び第２推定部を備える。第１推定部は、工具の状態量を第１学習モデルに入力することにより、工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定する。第２推定部は、第１推定部で推定された損傷評価パラメータを第２学習モデルに入力することにより、損傷確率又は損傷リスクを推定する。
【選択図】図２

Description

本開示は、工具損傷確率推定装置、工具損傷確率推定方法、及び、プログラムに関する。

例えば自動制御下において工具を用いてワークを加工する際に、加工作業の進み具合に伴って工具には摩耗が生じる。このような摩耗が進行すると、工具には損傷が生じ、例えば、加工対象であるワークに傷を与えるなどの不具合を招くおそれがある。

このように加工中に工具に生じる摩耗量を予測するための技術として、例えば特許文献１がある。この文献では、加工条件と摩耗量との相関を規定する予測モデルを機械学習によって構築することで、当該モデルを用いて、工具に生じる摩耗量を予測することが開示されている。

特開２０１９－１３９７５５号公報

上記特許文献１では、加工時に工具に生じる摩耗量を予測しているが、工具に生じた摩耗によって実際に工具に損傷が発生するか（工具損傷確率）については推定ができない。

本開示の少なくとも一実施形態は上述の事情に鑑みなされたものであり、ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定可能な工具損傷確率推定装置、工具損傷確率推定方法、及び、プログラムを提供することを目的とする。

本開示の少なくとも一実施形態に係る工具損傷確率推定装置は、上記課題を解決するために、
ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するための工具損傷確率推定装置であって、
前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するための第１推定部と、
前記第１推定部で推定された前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するための第２推定部と、
を備える。

本開示の少なくとも一実施形態に係る工具損傷確率推定方法は、上記課題を解決するために、
ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するための工具損傷確率推定方法であって、
前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
を備える。

本開示の少なくとも一実施形態に係るプログラムは、上記課題を解決するために、
コンピュータを用いて、ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するためのプログラムであって、
前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
を実行可能である。

本開示の少なくとも一実施形態によれば、ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定可能な工具損傷確率推定装置、工具損傷確率推定方法、及び、プログラムを提供できる。

一実施形態に係る工具損傷確率推定装置１００のハードウェア構成を示すブロック図である。 一実施形態に係る工具損傷確率推定装置１００の機能的構成を示すブロック図である。 一実施形態に係る工具損傷確率推定方法を示すフローチャートである。

以下、添付図面を参照して本開示の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、本開示の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。

本開示の少なくとも一実施形態に係る工具損傷確率推定装置は、ワークの加工に用いられる工具の損傷確率を推定するための装置である。ワークの種類、加工の種類、及び、工具の種類は限定されないが、以下の実施形態では一例として、金属材料（例えばニッケル基耐熱合金）からなるワークに対してドリル工具を用いて穴あけ加工を行う場合について説明する。特にドリル工具は、例えばマシニングセンタ（ＭＣ：Ｍａｃｈｉｎｉｎｇ Ｃｅｎｔｅｒ）において穴あけ加工時に自動的に搭載され、操作されることによりワークに対して穴あけ加工が実施される。この際、ドリル工具は作業時に受ける負荷によって少なからず摩耗が生じ、その摩耗が進行すると加工条件やワークの仕様によっては損傷に至るおそれがある。工具損傷確率推定装置は、このような工具に生じ得る損傷の発生確率（損傷確率）を推定することが可能である。

（ハードウェア構成）
まず工具損傷確率推定装置のハードウェア構成について説明する。工具損傷確率推定装置は、例えばコンピュータのような演算処理装置によって構成される。図１は一実施形態に係る工具損傷確率推定装置１００のハードウェア構成を示すブロック図である。工具損傷確率推定装置１００は、ハードウェア構成として、入力部１１０と、記憶部１２０と、演算部１３０と、出力部１４０とを備える。

入力部１１０は、工具損傷確率推定装置１００において行われる演算処理に必要な各種情報を入力するための構成である。入力部１１０は、例えばオペレータが操作可能なマウス、キーボード及びタッチパネルのようなヒューマンインターフェースであってもよいし、他の機器から入力情報を取得するためのインターフェース機器であってもよい。

記憶部１２０は、工具損傷確率推定装置１００において行われる演算処理に必要な各種情報を記憶するための構成である。記憶部１２０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）又はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）の少なくとも一方を含むコンピュータ読み取り可能な記憶媒体等を含んで構成される。記憶部１２０に記憶される各種情報には、これらのハードウェア構成が工具損傷確率推定装置１００として機能するためのプログラムが含まれてもよい。

演算部１３０は、工具損傷確率推定装置１００の各種演算を実施するための構成であり、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含んで構成される。演算部１３０は、記憶部１２０に記憶されたプログラムをＲＡＭ等に読み出して、情報の加工・演算処理を実行することにより、工具損傷確率推定装置１００の各種機能が実現される。

尚、演算部１３０によって実行されるプログラムは、上述のように記憶部１２０に記憶している形態の他に、ＲＯＭやその他の記憶媒体に予めインストールしておく形態や、コンピュータ読み取り可能な記憶媒体に記憶された状態で提供される形態、有線又は無線による通信手段を介して配信される形態等が適用されてもよい。コンピュータ読み取り可能な記憶媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等である。

出力部１４０は、演算部１３０における演算結果に基づく出力を行うための構成である。本実施形態では、出力部１４０は、演算部１３０の演算結果に基づいて工具の損傷確率を出力し、オペレータは当該損傷確率に基づいて工具が損傷することにより加工作業に不具合が生じることに対して、適宜、対策や準備を行うことが可能となる。

（機能的構成）
続いて工具損傷確率推定装置１００の機能的構成について説明する。図２は一実施形態に係る工具損傷確率推定装置１００の機能的構成を示すブロック図である。工具損傷確率推定装置１００は、状態量取得部１５０と、固有情報取得部１６０と、第１推定部１７０と、第２推定部１８０とを備える。

尚、図２に示すブロック図は、以下の説明に対応するように工具損傷確率推定装置１００の機能的構成を示した一例であり、各ブロックは互いに統合されていてもよいし、更に細分化されていてもよい。

状態量取得部１５０は、工具損傷確率推定装置１００の演算に必要な工具の状態量を取得するための構成である。工具の状態量は、工具が加工に使用された場合に工具の特徴量に影響を与えうる要因に関するパラメータを広く含み、予め次元削減（正規化回帰）されたパラメータとして、前述の入力部１１０によって適宜入力される。このようなパラメータは限定されないが、具体例を幾つか列挙すると、加工条件（ワークの加工前に設定された条件）、加工音、加工温度、工具種類、加工環境に関する各種パラメータを含めることができる。より具体的には、ワークの材料特性（硬度、引張強度、結晶状態、加工部位の特性（寸法、残留応力、加工変質層等））、工具が搭載されるマシニングセンタの特性（種類、動作精度（軸、テーブル、点検間隔、経年劣化等））、工具の特性（材質、形状、シンニング、寸法、先端角、ねじれ角、溝長、直径バックテーパ、心厚、マージン等）、加工条件（加工深さ、加工径、送り速度、スピンドル回転数、クーラントの濃度や温度、回転当たり送り、加工時間、切削速度等）、オペレータの特性（工具セットアップスキル、部品段取りスキル、治具段取りスキル等）を状態量に含めることができる。

固有情報取得部１６０は、工具損傷確率推定装置１００の演算に必要な工具の固有情報を取得するための構成である。工具の固有情報は、ワークの加工に用いられる工具、又は、当該工具が搭載される工作機械（マシニングセンタや旋盤等）を特定するための情報であり、例えば、工具又は工作機械の種類、仕様等を含む。具体的には、ドリル工具に対応する固有情報には、素材供給元、荒加工実施プロセス、加工可能な穴数、ドリルのＬ／Ｄ（長さと直径との比率）が挙げられる。

第１推定部１７０は、少なくとも１つの第１学習モデルＭ１を用いて、少なくとも１つの損傷評価パラメータＰを推定するための構成である。損傷評価パラメータＰは、工具の損傷状態を評価するためのパラメータである。一般的に工具が損傷を受ける要因は複数存在し、各要因は工具の寿命に影響を与える。第１学習モデルＭ１は目的変数として複数の損傷評価パラメータＰを有してもよく、本実施形態では、複数の損傷評価パラメータとして、工具の欠け（チッピング）に対応する第１損傷評価パラメータＰ１、焼けに対応する第２損傷評価パラメータＰ２、及び、摩耗量に対応する第３損傷評価パラメータＰ３を有する。

第１損傷評価パラメータＰ１が意味する工具の欠け（チッピング）は、工具材種が硬い場合、送り量が大きい場合、及び、切れ刃強度が不足している場合等に影響が大きな損傷評価パラメータである。第２損傷評価パラメータＰ２は、切削熱により焼き入れのような脆性化によって欠損への影響があるパラメータである。第３損傷評価パラメータＰ３は切削負荷の誘発、及び、それに起因する損傷に関連するパラメータである。このように第１学習モデルＭ１は、目的変数として複数の損傷評価パラメータＰを有することで、例えば摩耗量だけを単一の損傷評価パラメータＰとする場合に比べて、様々な観点から多角的に損傷評価を行うことができる。

第１学習モデルＭ１は、状態量を含む説明変数と、損傷評価パラメータＰである目的変数との相関を示す演算モデルであり、予め教師データを用いて構築される。本実施形態では、第１推定部１７０は複数の第１学習モデルＭ１を有する。複数の第１学習モデルＭ１は、固有情報取得部１６０で取得される固有情報に対応するように用意される。すなわち、各第１学習モデルＭ１と固有情報とは予め対応付けられ、固有情報取得部１６０で取得される固有情報に基づいて選択可能となっている。

固有情報に対応するように用意される複数の第１学習モデルＭ１は、例えば、互いに異なる手法で構築される。図２では、互いに異なる手法Ａ、Ｂ、・・・で構築された複数の第１学習モデルＭ１が示されている。このような第１学習モデルＭ１の構築手法としては、例えば、回帰分析（単回帰分析、重回帰分析など）、ニューラルネットワーク、ランダムフォレスト又はサポートベクターマシーン（ＳＶＭ：Ｓｕｐｐｏｒｔ－Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等を用いることができる。

尚、固有情報に対応するように用意される複数の第１学習モデルＭ１は、構築される手法が同じであっても、取り扱う説明変数（例えば第１学習モデルＭ１がＹ＝ａ×ｘ１＋ｂ×ｘ２＋ｃで規定される場合、説明変数ｘ１、ｘ２）や説明変数が異なってもよいし、係数が異なっていてもよい（例えば第１学習モデルＭ１がＹ＝ａ×ｘ１＋ｂ×ｘ２＋ｃで規定される場合、係数ａ、ｂ、ｃ）。図２の実施形態では、複数の第１学習モデルＭ１は、異なる手法Ａ、Ｂ、・・・で構築された場合を例示しているが、構築手法が同じ場合であっても、このように説明変数や係数が異なった場合も同様の思想を適用可能である。

このような説明変数及び目的変数を有する第１学習モデルＭ１は、予め教師データを用いて機械学習を実施することにより構築される。第１推定部１７０では、このように構築された第１学習モデルＭ１に対して、状態量取得部１５０で取得された状態量を入力することにより、損傷評価パラメータＰを推定することができる。また第１学習モデルＭ１の入力には、状態量取得部１５０で取得された状態量に加えて、固有情報取得部１６０で取得された固有情報を含めてもよい。この場合、固有情報は何らかの数値に変換することで第１学習モデルＭ１の説明変数として取り扱うことが可能である。このように第１学習モデルＭ１の説明変数に固有情報を含めることにより、工具種や工作機械の状態等が大幅に異なる場合においても、損傷評価パラメータＰを精度よく推定可能な第１学習モデルＭ１を構築できる。

尚、固有情報を第１学習モデルＭ１の説明変数に含める場合には、ドリル工具の場合、例えば、素材供給元、荒加工実施プロセス、加工可能な穴数、ドリルのＬ／Ｄ（長さと直径との比率）を固有情報に含めることができる。

第２推定部１８０は、第２学習モデルＭ２を用いて、工具の損傷確率Ｗ、又は、工具の損傷リスクを推定するための構成である。損傷確率Ｗは０～１００％の間を連続的に取り扱い可能な指標であり、損傷リスクは例えば小、中、大のように区分された不連続的に取り扱い可能な指標である（尚、損傷リスクにおいて不連続的に取り扱い可能な区分の数は任意でよい）。第２学習モデルＭ２は、少なくとも１つの損傷評価パラメータＰと説明変数とし、損傷確率Ｗを目的変数とする演算モデルとして構築される。第２学習モデルＭ２の構築手法は限定されないが、例えば、ナイーブベイズ、決定木、ランダムフォレスト、ニューラルネットワーク等を用いることができる。

このような説明変数及び目的変数を有する第２学習モデルＭ２は、予め教師データを用いて機械学習を実施することにより構築される。第２推定部１８０では、このように構築された第２学習モデルＭ２に対して、第１推定部１７０で推定された損傷評価パラメータＰを入力することにより、損傷確率Ｗ、又は、工具の損傷リスクを推定することができる。本実施形態では、前述したように第１推定部１７０において複数の損傷評価パラメータＰが推定されるため、第２推定部１８０では、これら複数の損傷評価パラメータＰが第２学習モデルＭ２に入力されることで、損傷確率Ｗ、又は、工具の損傷リスクが推定される。

続いて上記構成を有する工具損傷確率推定装置１００によって実施される工具損傷確率推定方法について説明する。図３は一実施形態に係る工具損傷確率推定方法を示すフローチャートである。

まず状態量取得部１５０によって状態量を取得するとともに（ステップＳ１）、固有情報取得部１６０によって固有情報を取得する（ステップＳ２）。ステップＳ１の状態量の取得、及び、ステップＳ２の固有情報の取得は、オペレータが入力部１１０を操作することによって行われてもよいし、所定のタイミングで自動的に行われてもよい。またステップＳ１及びＳ２の実施は、この順に限らず、同時に行われてもよいし、逆に行われてもよい。

続いて第１推定部１７０は、ステップＳ２で取得した固有情報に基づいて、少なくとも１つの第１学習モデルＭ１を選択する（ステップＳ３）。前述したように、固有情報と第１学習モデルＭ１とは互いに対応付けられており、ステップＳ３では、複数の第１学習モデルＭ１（第１学習モデル候補）から、ステップＳ２で取得された固有情報に対応するものが選択される。本実施形態では、複数の第１学習モデルＭ１（第１学習モデル候補）から固有情報に対応付けられたいずれか１つの第１学習モデルＭ１が選択される。

続いて第１推定部１７０は、ステップＳ３で選択された第１学習モデルＭ１に対して、ステップＳ１で取得された状態量を入力することにより、少なくとも１つの損傷評価パラメータＰを推定する（ステップＳ４）。本実施形態では、複数の損傷評価パラメータＰ（第１損傷評価パラメータＰ１、第２損傷評価パラメータＰ２、及び、第３損傷評価パラメータＰ３）が推定される。

続いて第２推定部１８０は、ステップＳ４で推定された少なくとも１つの損傷評価パラメータＰを取得し、第２学習モデルＭを用いて工具の損傷確率Ｗ、又は、工具の損傷リスクを推定する（ステップＳ５）。本実施形態では、第１推定部１７０において複数の複数の損傷評価パラメータＰ（第１損傷評価パラメータＰ１、第２損傷評価パラメータＰ２、及び、第３損傷評価パラメータＰ３）が推定されるため、これら複数の損傷評価パラメータＰが第２学習モデルＭ２に入力されることで、損傷確率Ｗ、又は、工具の損傷リスクが推定される。

ステップＳ５における第２学習モデルＭ２を用いた損傷確率Ｗ、又は、工具の損傷リスクの推定では、第２学習モデルＭ２の説明変数に、状態量取得部１５０で取得された状態量を含めてもよい。この場合、状態量には、工具がドリル工具である場合には、素材供給元、荒加工実施プロセス、加工可能な穴数、ドリルのＬ／Ｄ（長さと直径との比率）、設備型番、加工対象となる穴数、ドリルの突き出し長さ、送り速度、設備の精度点検からの経過日数、治具の経過日数、素材の引張応力、ドリル径、従業員のスキル（スキルチャートから入力された作業経験年数等）を含めることができる。

尚、ステップＳ５で損傷リスクを推定する場合には、損傷リスクの大きさに応じて予め設定された複数の区分（例えば「１．小」、「２．中」、「３．大」等）から対応する区分が特定される。

また他の実施形態として、ステップＳ３では、第１推定部１７０は、ステップＳ２で取得した固有情報に基づいて、複数の第１学習モデルＭ１を選択してもよい。この場合、固有情報に対して複数の第１学習モデルＭ１が対応付けられており、第１推定部１７０は、複数の第１学習モデルＭ１（第１学習モデル候補）から、固有情報取得部１６０で取得された固有情報に対応付けられた２以上の第１学習モデルＭ１が選択される。

そしてステップＳ４では、第１推定部１７０は、複数の第１学習モデルＭ１の各々の算出結果を総合的に評価することにより、損傷評価パラメータＰを推定する。例えば、複数の第１学習モデルＭ１の各々の算出結果を平均化のような統計的処理を行うことで、単一の第１学習モデルＭ１を用いた場合に比べて、信頼性の高い損傷評価パラメータＰの推定が可能となる。

この場合、第１推定部１７０は、複数の第１学習モデルＭ１の各々の算出結果について標準偏差σのようなバラツキを評価するための指標を求めてもよい。例えば、第１推定部１７０において複数の第１学習モデルＭ１の各々の算出結果から、損傷評価パラメータＰについて平均値「９０」に加えて、標準偏差「±５」又は「±１５」が得られた場合を想定する。ここで損傷評価パラメータＰについて予め閾値「１００」が設定されていた場合には、標準偏差が「±５」である場合には損傷評価パラメータＰは「９０±５」となり、標準偏差を考慮したとしても閾値を超えないため損傷リスクは低いと判断できる。一方で標準偏差が「±１５」である場合には損傷評価パラメータＰは「９０±１５」となり、標準偏差を考慮すると閾値を超える場合が含まれるため損傷リスクは高いと判断できる。

また第１推定部１７０では、複数の第１学習モデルＭ１の各々の算出結果について損傷評価パラメータＰの最大値に関するバラツキを示す指標を求めてもよい。例えば第１学習モデルＭ１の選択数が例えば２，３個のように少ない場合には、前述の標準偏差σでは十分な精度の評価を行うことが難しいが、最大値に関するバラツキを示す指標を算出することで、第１学習モデルＭ１の選択数が少ない場合でも効果的な評価が可能となる。

このように第１推定部１７０では、複数の第１学習モデルＭ１の算出結果を統計的に処理することにより、損傷評価パラメータＰの詳細解析が可能となる。このような解析結果は、第１推定部１７０で推定された損傷評価パラメータＰに基づいて第２推定部１８０で推定された損傷確率Ｗとともに用いることで、より信頼度の高い工具の損傷評価が可能となる。これにより、例えば、複数の第１学習モデルＭ１に固有パラメータに完全（１対１）に対応付けられた第１学習モデルＭ１が存在しない場合においても、比較的近い第１学習モデルＭ１を用いた評価が可能となる。そのため事前に想定されていない種類も含めた多種類の工具に本発明を適用することができる。

以上説明したように上記実施形態によれば、第１学習モデルＭ１を用いて工具の状態量に対応する損傷評価パラメータＰが推定される。そして、推定された損傷評価パラメータＰを更に第２学習モデルＭ２に入力することにより、工具の損傷確率Ｗを好適に推定できる。また第１学習モデルＭ１が出力する結果はあくまで推定量であり、この推定量は仮定した範囲（母集団）のデータの統計から求められるものであるため、例えば仮定が微妙に違うことが原因となって推定結果が完全に正しいという保証がないものではある。そこで本実施形態では複数の第１学習モデルＭ１を用意することで実質的に仮定に幅を持たせることで、第１学習モデルＭ１による振れ幅（不確実性）を評価し、その結果から最終的なリスクを評価することができる（いわば“最悪のケースも想定した安全サイドでの判断・運用が可能となる）。

その他、本開示の趣旨を逸脱しない範囲で、上記した実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、上記した実施形態を適宜組み合わせてもよい。

上記各実施形態に記載の内容は、例えば以下のように把握される。

（１）一態様に係る工具損傷確率推定装置は、
ワークの加工に用いられる工具の損傷確率（Ｗ）又は損傷リスクを推定するための工具損傷確率推定装置（１００）であって、
前記工具の状態量を第１学習モデル（Ｍ１）に入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータ（Ｐ）を推定するための第１推定部（１７０）と、
前記第１推定部で推定された前記少なくとも１つの損傷評価パラメータを第２学習モデル（Ｍ２）に入力することにより、前記損傷確率又は前記損傷リスクを推定するための第２推定部（１８０）と、
を備える。

上記（１）の態様によれば、第１学習モデルを用いて工具の状態量に対応する損傷評価パラメータが推定される。そして、推定された損傷評価パラメータを更に第２学習モデルに入力することにより、工具の損傷確率又は損傷リスクを推定できる。

（２）他の態様では、上記（１）の態様において、
前記第１推定部は、同一又は互いに異なる手法において説明変数又は係数の少なくとも１つが互いに異なるように構築された複数の第１学習モデル候補から、前記工具の固有情報に基づいて前記第１学習モデルを選択する。

上記（２）の態様によれば、損傷評価パラメータを推定するための第１学習モデルは、予め用意された複数の第１学習モデル候補から選択される。複数の第１学習モデル候補は同一又は互いに異なる手法において説明変数又は係数の少なくとも１つが互いに異なるように構築されており、工具の固有情報に基づいて適切なものが選択されることで、好適に損傷評価パラメータを推定できる。

（３）他の態様では、上記（１）の態様において、
前記第１推定部は、同一又は互いに異なる手法において説明変数又は係数の少なくとも１つが互いに異なるように構築された複数の第１学習モデル候補から、前記工具の固有情報に基づいて複数の前記第１学習モデルを選択し、前記複数の第１学習モデルの各々を用いた推定結果を総合評価することにより、前記少なくとも１つの損傷評価パラメータを推定する。

上記（３）の態様によれば、損傷評価パラメータを推定するための第１学習モデルは、予め用意された複数の第１学習モデル候補から複数選択される。そして、選択された複数の第１学習モデルを用いてそれぞれ推定結果を求め、それらを総合評価することにより、より信頼性の高い損傷評価パラメータの推定が可能となる。

（４）他の態様では、上記（３）の態様において、
前記第２推定部は、前記複数の第１学習モデルの各々を用いた推定結果に基づいて前記損傷確率について不確実性を評価する。

上記（４）の態様によれば、複数の第１学習モデルを用いた推定結果に基づいて、推定された損傷確率について不確実性を評価できる。これにより、工具の損傷確率の信頼性について定量的な評価が可能となる。

（５）他の態様では、上記（２）から（４）のいずれか一態様において、
前記第１学習モデル又は前記第２学習モデルの少なくとも一方は、回帰分析、ニューラルネットワーク又はランダムフォレスト又はサポートベクターマシーンの少なくとも１つを含む手法で構築される。

上記（５）の態様によれば、これらの手法を用いて第１推定部で用いられる第１学習モデル、及び、第２推定部で用いられる第２学習モデルを構築することで、好適な損傷評価パラメータ、損傷確率又は損傷リスクの推定が可能となる。

（６）他の態様では、上記（１）から（５）のいずれか一態様において、
前記工具の状態量は、前記工具に関する情報、前記ワークに関する情報、又は、前記加工が実施される加工条件に関する情報の少なくとも１つを含む。

上記（６）の態様によれば、第１学習モデルに入力される工具の状態量に、ワークに関する情報、又は、加工が実施される加工条件に関する情報を含めることで、好適な損傷評価パラメータの推定が可能となる。

（７）他の態様では、上記（１）から（６）のいずれか一態様において、
前記工具の状態量は、前記工具の固有情報を含む。

上記（７）の態様によれば、第１学習モデルに入力される工具の状態量に、工具の固有情報を含めることで、好適な損傷評価パラメータの推定が可能となる。

（８）他の態様では、上記（１）から（７）のいずれか一態様において、
前記少なくとも１つの損傷評価パラメータは、前記工具の欠け、前記工具の切削熱により欠損への影響があるパラメータ、又は、前記工具の切削負荷の誘発及びそれに起因する損傷に関連するパラメータの少なくとも１つに対応するパラメータを含む。

上記（８）の態様によれば、損傷評価パラメータとして、これらのパラメータを用いることで好適に損傷評価が可能となる。

（９）一態様に係る工具損傷確率推定方法は、
ワークの加工に用いられる工具の損傷確率（Ｗ）又は損傷リスクを推定するための工具損傷確率推定方法であって、
前記工具の状態量を第１学習モデル（Ｍ１）に入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
前記少なくとも１つの損傷評価パラメータ（Ｐ）を第２学習モデル（Ｍ２）に入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
を備える。

上記（９）の態様によれば、第１学習モデルを用いて工具の状態量に対応する損傷評価パラメータが推定される。そして、推定された損傷評価パラメータを更に第２学習モデルに入力することにより、工具の損傷確率又は損傷リスクを推定できる。

（１０）一態様に係るプログラムは、
コンピュータを用いて、ワークの加工に用いられる工具の損傷確率（Ｗ）又は損傷リスクを推定するためのプログラムであって、
前記工具の状態量を第１学習モデル（Ｍ１）に入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
前記少なくとも１つの損傷評価パラメータ（Ｐ）を第２学習モデル（Ｍ２）に入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
を実行可能である。

上記（１０）の態様によれば、第１学習モデルを用いて工具の状態量に対応する損傷評価パラメータが推定される。そして、推定された損傷評価パラメータを更に第２学習モデルに入力することにより、工具の損傷確率又は損傷リスクを推定できる。

１００ 工具損傷確率推定装置
１１０ 入力部
１２０ 記憶部
１３０ 演算部
１４０ 出力部
１５０ 状態量取得部
１６０ 固有情報取得部
１７０ 第１推定部
１８０ 第２推定部
Ｍ１ 第１学習モデル
Ｍ２ 第２学習モデル
Ｐ 損傷評価パラメータ
Ｗ 損傷確率

Claims (10)

1. ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するための工具損傷確率推定装置であって、
   前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するための第１推定部と、
   前記第１推定部で推定された前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するための第２推定部と、
   を備える、工具損傷確率推定装置。
2. 前記第１推定部は、同一又は互いに異なる手法において説明変数又は係数の少なくとも１つが互いに異なるように構築された複数の第１学習モデル候補から、前記工具の固有情報に基づいて前記第１学習モデルを選択する、請求項１に記載の工具損傷確率推定装置。
3. 前記第１推定部は、同一又は互いに異なる手法において説明変数又は係数の少なくとも１つが互いに異なるように構築された複数の第１学習モデル候補から、前記工具の固有情報に基づいて複数の前記第１学習モデルを選択し、前記複数の第１学習モデルの各々を用いた推定結果を総合評価することにより、前記少なくとも１つの損傷評価パラメータを推定する、請求項１に記載の工具損傷確率推定装置。
4. 前記第２推定部は、前記複数の第１学習モデルの各々を用いた推定結果に基づいて前記損傷確率について不確実性を評価する、請求項３に記載の工具損傷確率推定装置。
5. 前記第１学習モデル又は前記第２学習モデルの少なくとも一方は、回帰分析、ニューラルネットワーク又はランダムフォレスト又はサポートベクターマシーンの少なくとも１つを含む手法で構築される、請求項１から４のいずれか一項に記載の工具損傷確率推定装置。
6. 前記工具の状態量は、前記工具に関する情報、前記ワークに関する情報、又は、前記加工が実施される加工条件に関する情報の少なくとも１つを含む、請求項１から５のいずれか一項に記載の工具損傷確率推定装置。
7. 前記工具の状態量は、前記工具の固有情報を含む、請求項１から６のいずれか一項に記載の工具損傷確率推定装置。
8. 前記少なくとも１つの損傷評価パラメータは、前記工具の欠け、前記工具の切削熱により欠損への影響があるパラメータ、又は、前記工具の切削負荷の誘発及びそれに起因する損傷に関連するパラメータの少なくとも１つに対応するパラメータを含む、請求項１から７の何れか一項に記載の工具損傷確率推定装置。
9. ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するための工具損傷確率推定方法であって、
   前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
   前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
   を備える、工具損傷確率推定方法。
10. コンピュータを用いて、ワークの加工に用いられる工具の損傷確率又は損傷リスクを推定するためのプログラムであって、
    前記工具の状態量を第１学習モデルに入力することにより、前記工具に生じる損傷状態を評価するための少なくとも１つの損傷評価パラメータを推定するステップと、
    前記少なくとも１つの損傷評価パラメータを第２学習モデルに入力することにより、前記損傷確率又は前記損傷リスクを推定するステップと、
    を実行可能な、プログラム。

Images