JP2023111015A - 加工装置、加工機の制御装置、加工方法及び制御プログラム - Google Patents

Abstract

【課題】作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能な加工装置及び加工方法を提供する。【解決手段】加工装置１は、ワークＷを加工可能な加工機２と、加工機２に関する情報を検出する検出部１０と、加工機２の動作を制御する制御部３と、を備え、制御部３は、加工機２によるワークＷの加工を行いながら、検出部１０により上記の情報を取得し、取得した上記の情報を用いて、ワークＷの加工中における加工機２の監視に用いる機械学習モデルを作成し、機械学習モデルの作成に用いた情報とは別に取得した情報を用いて、機械学習モデルが使用可能であるか否かを判定し、機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて加工機２を監視しながら動作させる。【選択図】図１

Description

本発明は、加工装置、加工機の制御装置、加工方法及び制御プログラムに関する。

金型でワークをプレスして加工するプレス装置等の加工装置では、装置に異常が生じているのに処理を続けると、不良品が多数発生するなどして悪化するほか、装置が故障するなど種々の問題が生じる。
そのため、装置が正常に稼働しているか異常が発生しているかを自動的に診断する装置やシステムの開発が進められている。

例えば、特許文献１には、機械設備の状態を診断する予兆診断システムであって、設備に取り付けられたセンサから設備稼働時の時系列データを取得し、得られたデータを用いて、統計的手法によって機械設備の状態の診断を行い、今後、設備がどの程度の時間、安定稼働できるかを診断するシステムの発明が開示されている。

また、例えば、特許文献２には、燃焼炉についてオペレータの異常判断を教師データとする機械学習モデルを用いることで異常予測を行う燃焼異常予測装置であって、オペレータが異常と判断した時点までのプラントデータ及びその後のオペレータの操作データを用いて、定期的に機械学習モデルの再学習を行って機械学習モデルを更新していく装置の発明が開示されている。

特開２０１６－１２８９７３号公報 特開２０２１－７６３７１号公報

しかしながら、特許文献１に記載されたシステムでは、オペレータ等の作業員が閾値等のパラメータを自ら指定しなければならないという問題がある。
また、機械設備で加工させるワーク又は製品の種類や製造条件ごとに作業員がパラメータを設定しなければならず、パラメータの設定作業が煩雑になる可能性がある。

また、特許文献２に記載された装置では燃焼炉であるが、より広く加工装置として捉えた場合、加工装置に異常が発生した際に行われる作業員の処理自体を教師データとして用いるため、作業員の熟練度に応じて教師データの質に差が生じることが懸念される。また、異常が生じるごとに教師データを人手で用意して装置に与える必要があり、作業員にとっては面倒で煩雑な作業が要求されることになる。

本発明は、上記の点を鑑みてなされたものであり、作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能な加工装置、加工機の制御装置、加工方法及び制御プログラムを提供することを目的とする。

本発明に係る加工装置の一観点によれば、
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
前記加工機の動作を制御する制御部と、
を備え、
前記制御部は、
前記加工機による前記ワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得し、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。

本発明に係る加工機の制御装置の一観点によれば、
ワークを加工可能な加工機の動作を制御する加工機の制御装置において、
前記加工機による前記ワークの加工を行いながら、前記加工機に関する情報を検出する検出部から取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる。

本発明に係る加工方法の一観点によれば、
加工機によるワークの加工を行いながら、検出部により前記加工機に関する情報を取得する情報取得工程と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成工程と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定工程と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視工程と、
を有する。

本発明に係る制御プログラムの一観点によれば、
ワークを加工可能な加工機と、
前記加工機に関する情報を検出する検出部と、
を備える加工装置のコンピュータを、
前記加工機によるワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得する情報取得手段と、
取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成手段と、
前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定手段と、
前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視手段、
として機能させる。

本発明によれば、作業員の手を煩わせることなく、装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成し、該機械学習モデルを用いて装置を自動的に監視することが可能となる。

プレス装置の構成例を表す概略図である。 本実施形態における加工方法における処理の流れを表すフローチャートである。 （ａ）上金型に取り付けられたセンサから送信されてくる上金型にかかる荷重の例、（ｂ）下金型に取り付けられたセンサから送信されてくる下金型にかかる荷重の例を表すグラフである。 ２次元空間にプロットされた平均の組及びノイズに対応する点を表す図である。 （ａ）上金型にかかる荷重から算出した平均の例、（ｂ）下金型にかかる荷重から算出した平均の例を時系列的に表したグラフである。 各特徴ベクトルを１クラスサポートベクターマシンに入力して多次元空間上にプロットした状態及び識別平面を例示する図である。 識別平面よりも原点に近い側にプロットされた状態を例示する図である。 （ａ）、（ｂ）表示画面上での表示例を表す図である。 機械学習モデルが複数種類のワークの加工条件と紐付けられて記憶部に記憶されている例を表す図である。 試作品の加工条件の例を表す図である。 （ａ）上金型にかかる荷重から算出した２０個の平均の例、（ｂ）下金型にかかる荷重から算出した２０個の平均の例を表すグラフである。

以下、本発明に係る加工装置、加工機の制御装置、加工方法及び制御プログラムの実施の形態について、図面を参照して説明する。
なお、以下では、加工装置がワークをプレスして加工するプレス装置である場合について説明するが、本発明はプレス装置である場合に限定されない。また、以下では、プレス装置が偏心軸の回転をスライドの並進運動に変換してプレスを行うタイプのプレス装置である場合について説明するが、例えばシリンダでスライドを並進運動させるタイプのプレス装置であってもよく、その形態は限定されない。さらに、以下の説明において、後述する図１中の上下方向に従って上下又は上昇、下降等と言うが、本発明はその場合に限定されない。

図１は、プレス装置の構成例を表す概略図である。本実施形態では、プレス装置１は、加工機２と、制御部３とを備えている。
加工機２は、エキセン軸やクランク軸等の偏心軸４と、クラッチブレーキ５と、コネクティングロッド６と、スライド７と、上金型８と、下金型９等を備えている。

加工機２の偏心軸４は、エキセン軸やクランク軸等で構成されている。
また、クラッチブレーキ５は、油圧で作動する湿式であってもよく、エア圧で作動する乾式であってもよい。また、本実施形態のようにクラッチとブレーキをクラッチブレーキ５として一体的に形成する代わりに、クラッチとブレーキとを分離するように構成することも可能である。

そして、クラッチブレーキ５のクラッチをつなぐと偏心軸４がモータやフライホイール等の図示しない外部駆動源に接続されて、偏心軸４が軸周りに回転する。また、クラッチを切ると、外部駆動源と偏心軸４の接続が切断される。
また、クラッチブレーキ５のブレーキを作動させると、偏心軸４の回転が減速したり停止したりするようになっている。

偏心軸４の軸周りの回転運動は、コネクティングロッド６を介してスライド７の上下方向の並進運動に変換される。そのため、偏心軸４の回転によりスライド７が上昇、下降する。
スライド７の下面には上金型８が固定されており、上金型８の下方には下金型９が固定されている。そして、スライド７により上金型８を下金型９に向かう方向に移動させてすなわち下降させて、上金型８と下金型９との間でワークＷを挟み込むようにしてワークＷをプレスして加工するようになっている。
また、加工後、スライド７は所定の停止位置まで上昇して停止する。

また、本実施形態では、上金型８と下金型９に、上記のように上金型８と下金型９でワークＷをプレスして加工する際に上金型８又は下金型９にかかる荷重Ｆをそれぞれ検出するセンサ１０が取り付けられている。
本実施形態では、センサ１０が本発明における検出部に相当する。そして、センサ１０は、検出した上金型８又は下金型９にかかる荷重Ｆの情報を制御部３に送信するようになっている。

なお、本実施形態では、以下、検出部であるセンサ１０で、加工機２に関する情報として、ワークＷをプレスして加工する際に上金型８及び下金型９にかかる荷重Ｆを検出する場合について説明する。
しかし、検出部で、加工機２に関する情報として、ワークＷをプレスして加工する際にプレスに関与する部材にかかる荷重若しくは圧力、移動可能な部材の位置若しくは速度、回転可能な部材の回転角若しくは回転速度、部材の温度、又は、部材に供給され若しくは部材を潤滑させる液体の温度等を検出するように構成することも可能である。

すなわち、例えば、検出部で、ワークＷをプレスして加工する際にスライド７等のプレスに関与する部材にかかる荷重やクラッチブレーキ５等に加わる圧力を検出するように構成することも可能である。
また、スライド７や上金型８等の移動可能な部材の位置や速度を検出するように構成することも可能である。
さらに、偏心軸４等の回転可能な部材の軸周りの回転角や回転速度を検出するように構成することも可能である。

制御部３は、ＣＰＵ（Central Processing Unit）等を備える汎用コンピュータで構成されていてもよく、あるいは専用装置として構成されていてもよい。なお、制御部３は、本発明に係る加工機の制御装置に相当し、制御プログラムに従って動作するようになっている。
制御部３は、表示画面３１と記憶部３２とを備えている。なお、図１では表示画面３１と記憶部３２が制御部３自体に設けられているように記載されているが、表示画面３１と記憶部３２のいずれか一方又は両方が制御部３とは別体に設けられていてもよい。

そして、制御部３は、入力されたモーションパターン等に従ってクラッチブレーキ５を制御するなどしてスライド７を下降させてワークＷの加工を行わせたり、スライド７を上昇させて所定の停止位置で停止させたりするなど、加工機２の動作を制御するようになっている。

また、制御部３は、加工機２によるワークＷの加工を行いながら、検出部により加工機２に関する情報を取得し、取得した情報を用いて、機械学習により、ワークＷの加工中における加工機２の監視に用いる機械学習モデルを作成する。
そして、機械学習モデルの作成に用いた情報とは別に取得した情報を用いて、機械学習モデルが使用可能であるか否かを判定し、機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて加工機２が正常に稼働しているか否かを監視しながら動作させるようになっている。

そして、本実施形態では、制御部３は、使用可能であると判定された機械学習モデルに基づき、検出部が取得した加工機２に関する情報が正常であると判定した場合には、加工機２の動作を継続させるようになっている。
そして、本実施形態では、制御部３は、検出部が取得した加工機２に関する情報が機械学習モデルに基づいて異常が発生したと判定した場合には、異常の発生に関する情報を出力して、異常が発生した旨を報知するようになっている。

以下、本実施形態に係る加工装置であるプレス装置１の制御部３による上記の機械学習モデルの作成及び加工機２の監視等について具体的に説明する。
また、図２を用いて、本実施形態に係る加工方法等についてもあわせて説明する。

制御部３は、まず、プレス装置１の稼働を開始させる（ステップＳ１）。
すなわち、モータやフライホイール等の外部駆動源を作動させた後、加工機２のクラッチブレーキ５を制御するなどしてスライド７を上下動させて、ワークＷの加工を開始させる。

続いて、制御部３は、加工機２によるワークＷの加工を行いながら、検出部により加工機２に関する情報を取得する（情報取得工程。ステップＳ２）。
すなわち、本実施形態では、制御部３は、スライド７と上金型８を上下動させてワークＷの加工が行われる際に、検出部であるセンサ１０から送信されてくる上金型８又は下金型９にかかる荷重Ｆの情報を受信して取得する。

図３（ａ）は、上金型８に取り付けられたセンサ１０から送信されてくる上金型８にかかる荷重Ｆ_８の例であり、図３（ｂ）は、下金型９に取り付けられたセンサ１０から送信されてくる下金型９にかかる荷重Ｆ_９の例である。
なお、図３（ａ）、（ｂ）はそれぞれプレスが１回行われる間の各荷重Ｆ_８、Ｆ_９の時間的推移の例を表している。また、以下では、説明を簡単にするために、このように２つのセンサ１０から取得した２つの荷重Ｆ_８、Ｆ_９の情報に対して処理を行う場合について説明するが、実際には、荷重Ｆの情報すなわち加工機２に関する情報は、センサ１０すなわち検出部の数だけ取得され、それらの全てを対象にして以下の処理が行われる。

制御部３は、荷重Ｆ_８、Ｆ_９の情報を取得すると、取得した上金型８にかかる荷重Ｆ_８の特徴量として図３（ａ）に示した分布の平均ｘ_８を算出する。また、取得した下金型９にかかる荷重Ｆ_９についても同様に、荷重Ｆ_９の特徴量として図３（ｂ）に示した荷重Ｆ_９の分布の平均ｘ_９を算出する。
なお、特徴量は必ずしも荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９でなくてもよく、例えば標準偏差等であってもよく、図３（ａ）、（ｂ）に示したデータに基づいて適宜の特徴量を算出するように構成することが可能である。

また、プレスが行われるごとに図３（ａ）、（ｂ）に示したデータが得られるが、同じタイミングで取得された上金型８及び下金型９にかかる荷重Ｆ_８、Ｆ_９から算出した平均ｘ_８、ｘ_９を、以下、平均ｘ_８、ｘ_９の組という。
すなわち、ワークＷに対するプレスが行われるごとに、制御部３により平均ｘ_８、ｘ_９の組が算出される。

なお、プレス装置１の稼働初期に、センサ１０が検出するデータにノイズが乗る場合がある。
そのような場合には、例えば、算出した各特徴量からなる点すなわち上記の場合は平均ｘ_８、ｘ_９の組に対応する点（ｘ_８，ｘ_９）を図４に示すように各平均を横軸及び縦軸とする２次元空間にプロットしていき、例えばクラスタリング等の手法を用いて異常なデータを除去するように構成することが可能である。

この場合、通常、ノイズの量は正常に検出されたデータの量より少ないため、クラスタリングの結果得られた２つのクラスタのうち、属する点の数が少ない方のクラスタに属する点すなわち平均ｘ_８、ｘ_９の組をノイズとして除去するように構成することができる。
そして、このノイズの除去処理は随時行われる。

続いて、制御部３は、取得した加工機２に関する情報を用いて、機械学習により、ワークＷの加工中における加工機２の監視に用いる機械学習モデルを作成する（機械学習モデル作成工程。ステップＳ３）。
本実施形態では、制御部３は、機械学習として教師なし学習を用いて機械学習モデルを作成するようになっている。以下では、教師なし学習として１クラスサポートベクターマシン（One-class Support Vector Machine）を用いてモデルを作成する場合について説明するが、この他にも、例えばマハラノビス距離を用いる手法等を用いるように構成することも可能である。

以下、具体的に説明すると、上記のようにして取得した上金型８及び下金型９にかかる荷重Ｆ_８、Ｆ_９から算出した平均ｘ_８、ｘ_９の各組が、図５（ａ）、（ｂ）に示すように例えば３０組取得されたとする。
制御部３は、その時点で、３０組の平均ｘ_８、ｘ_９のうち、例えば図５（ａ）、（ｂ）に黒丸で示される２０組の平均ｘ_８、ｘ_９を任意に選び、それぞれを特徴ベクトル（ｘ_８，ｘ_９）とする。なお、このように３０組の平均ｘ_８、ｘ_９が得られた時点で２０組の平均ｘ_８、ｘ_９を選ぶ代わりに、例えば、２０組の平均ｘ_８、ｘ_９が得られた時点でそれらを各特徴ベクトル（ｘ_８，ｘ_９）とするように構成してもよい。

そして、制御部３は、各特徴ベクトル（ｘ_８，ｘ_９）を１クラスサポートベクターマシンに入力して、図６に示すように多次元空間上にプロットする。この場合は２次元空間上にプロットする。そして、原点を含む領域と、全ての２０個のプロットを含む領域とを区画する平面のうち、原点からの距離が最大の平面を識別平面Ｐとして決定する。なお、この場合は多次元空間が２次元空間であるため、識別平面Ｐは直線になる。
このようにして、制御部３は、ワークＷの加工中における加工機２の監視に用いる機械学習モデルとしての識別平面Ｐを作成するようになっている。

続いて、制御部３は、作成した機械学習モデルのテストを行う。すなわち、機械学習モデルの作成に用いた加工機２に関する情報とは別に取得した加工機２に関する情報を用いて、機械学習モデルが使用可能であるか否かを判定する（判定工程。ステップＳ４）。
すなわち、本実施形態では、制御部３は、上記のように３０組の平均ｘ_８、ｘ_９のうち、例えば図５（ａ）、（ｂ）に白丸で示される残りの１０組の平均ｘ_８、ｘ_９をそれぞれ特徴ベクトル（ｘ_８，ｘ_９）として１クラスサポートベクターマシンに入力して、図６に示した多次元空間と同じ多次元空間上にプロットする。

そして、その結果、例えば図７に示すように、上記のようにして作成した機械学習モデルとしての識別平面Ｐよりも原点に近い側にプロットされた場合、制御部３は、作成した機械学習モデルすなわち識別平面Ｐが使用できないと判定する（ステップＳ４；ＮＯ）。
そして、その場合、制御部３は、作成した機械学習モデルすなわち識別平面Ｐを破棄して（ステップＳ５）、加工機２によるワークＷの加工を行いながら検出部により加工機２に関する情報を取得する情報取得工程（ステップＳ２）から処理をやり直す。

一方、上記のように残りの１０組の平均ｘ_８、ｘ_９をそれぞれ特徴ベクトル（ｘ_８，ｘ_９）として１クラスサポートベクターマシンに入力した場合に、機械学習モデルとしての識別平面Ｐよりも原点側にはプロットされない場合、制御部３は、作成した機械学習モデルすなわち識別平面Ｐが使用可能であると判定する（ステップＳ４；ＹＥＳ）。
そして、制御部３は、使用可能と判定した機械学習モデルすなわち識別平面Ｐを採用する（ステップＳ６）。

そして、制御部３は、採用した機械学習モデルすなわち使用可能であると判定された機械学習モデルに基づいて、以後、加工機２が正常に稼働しているか否かを監視しながら動作させる（監視工程。ステップＳ７）。
すなわち、プレスが行われるごとに、センサ１０から送信されてくる荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９の組を算出し、特徴ベクトル（ｘ_８，ｘ_９）を１クラスサポートベクターマシンに入力して多次元空間上にプロットする。

そして、制御部３は、多次元空間におけるプロットの位置が、識別平面Ｐ上あるいは識別平面Ｐよりも原点から遠い位置であれば、加工機２が正常に稼働していると判定して（ステップＳ８；ＮＯ）、加工機２を継続して動作させながら監視を継続する（ステップＳ７）。
また、制御部３は、多次元空間におけるプロットの位置が、識別平面Ｐよりも原点に近い位置であれば、加工機２に異常が発生したと判定して（ステップＳ８；ＹＥＳ）、異常の発生に関する情報を出力して（ステップＳ９）、異常が発生した旨を報知する。
作業員は、必要があれば加工機２の動作を停止させる。あるいは、制御部３が自動的に加工機２の動作を停止させるように構成してもよい。

以上のように、本実施形態に係る加工装置、加工機の制御装置、加工方法及び制御プログラムでは、制御部３は、検出部であるセンサ１０から加工機２に関する情報として送信されてきた荷重Ｆ_８、Ｆ_９から算出した平均ｘ_８、ｘ_９の組を用いるなどして１クラスサポートベクターマシンの学習を行い、機械学習により、ワークＷの加工中における加工機２の監視に用いる識別平面Ｐを作成する。そして、作成した機械学習モデルのテストを行い、機械学習モデルが使用可能である場合に該機械学習モデルを用いて加工機２が正常に稼働しているか否かを監視しながら動作させる。

このように、本実施形態に係る加工装置、加工機の制御装置、加工方法及び制御プログラムでは、制御部３が機械学習により装置が正常に稼働しているか否かを監視するための機械学習モデルを自動的に作成するため、作業員の手を煩わせることなく、機械学習モデルを自動的に作成することが可能となり、その機械学習モデルを用いて装置を自動的に監視することが可能となる。
そのため、作業員が面倒で煩雑な機械学習モデルの作成作業を行う必要がなくなるとともに、作業員の熟練度に応じて機械学習モデルに良し悪しが生じてしまうことを防止することが可能となる。

なお、本実施形態では、上記のように、機械学習として教師なし学習を行う場合について説明したが、機械学習は教師なし学習に限られるものではなく、教師あり学習、強化学習等であってもよい。

また、同じ種類のワークＷの加工を行う場合でも、プレス装置等の加工装置１の状態や外的な環境の要因等が変化すると、上記の識別平面Ｐすなわち加工機２の監視に用いる機械学習モデルも変わり得る。
そのため、図２に示したように加工装置１の稼働を開始するごとに機械学習モデルの作成等を行うように構成することが望ましい。また、長時間連続して加工装置１を稼働させるような場合には、加工装置１の稼働開始時以外でも定期的に機械学習モデルの作成等を行うように構成することも可能である。

また、本実施形態では、前述したように、制御部３は、異常が発生したと判定した場合は、異常の発生に関する情報を出力して（ステップＳ９）、異常が発生した旨を報知するようになっている。
その場合、例えば制御部３の表示画面３１上での表示により報知したり、音声や発光等で報知したり、あるいはそれらを同時に行うように構成することが可能である。

そして、表示画面３１上に表示して報知する場合、例えば、荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９の組の異常度を算出して、それを時系列的に表示するように構成することが可能である。
異常度は、例えば、荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９の組に対応する多次元空間上のプロットの原点からの距離の逆数として算出することが可能である。異常度を他の方法で算出してもよい。

そして、例えば、図８（ａ）に示すように、表示画面３１上の上側に、加工機２が正常に稼働していると判定した際に用いた荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９の組の異常度を時系列的に表示する。この場合、加工機２が正常に稼働しているため、各異常度は小さい値になっている。
そして、表示画面３１上の下側に、異常が発生したと判定するまでの異常度を時系列的に表示して、正常な場合と異常が生じた場合とを並べて並列表示するように構成することが可能である。

また、例えば、図８（ｂ）に示すように、加工機２が正常に稼働していると判定した際に用いた荷重Ｆ_８、Ｆ_９の平均ｘ_８、ｘ_９の組の異常度と、異常が発生したと判定するまでの異常度とを、時系列的に重畳表示するように構成することも可能である。
このように、異常度を並列表示したり重畳表示したりするように構成することで、作業員等に異常が発生した旨を視覚的に分かりやすく報知することが可能となる。

ところで、上記のように構成すると、制御部３が機械学習モデルを作成し、作成した機械学習モデルが使用可能であるか否かを判定し、使用可能であると判定された機械学習モデルに基づいて加工機２が正常に稼働しているか否かの監視を開始するまでの間、機械学習モデルがない状態になり得る。
そのため、この状況を回避するために、例えば、予め標準的な機械学習モデルを作成しておき、上記の間、この標準的な機械学習モデルを用いて加工機２が正常に稼働しているか否かの監視を行うように構成することが可能である。

また、以下のように構成することも可能である。
例えば、加工機２が複数種類のワークＷを加工可能である場合は、複数種類のワークＷについてそれぞれ作成された過去の機械学習モデルをそれぞれ記憶部３２に記憶しておく。
この場合、図９に例示するように、機械学習モデルを、製品名や金型番号、製品の形状、ワークの形状、プレス時の温度［℃］及び重量［ｋｇ］等の加工条件と紐付けて記憶するように構成することができる。なお、図９において、Ｂは幅［ｍｍ］、Ｌは長さ［ｍｍ］、Ｔは高さ［ｍｍ］を表す。

そして、制御部３は、記憶部３２に記憶された過去の機械学習モデルを検索し、今回の加工対象のワークＷと同じ種類のワークＷについて作成された過去の機械学習モデルが記憶部３２に記憶されている場合には、該過去の機械学習モデルを記憶部３２から読み出し、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機２の監視を開始するまでの間は、該過去の機械学習モデルを用いて加工機２を監視しながら動作させるように構成することが可能である。

前述したように、同じ種類のワークＷの加工を行う場合でも、プレス装置等の加工装置１の状態や外的な環境の要因等が変化すると加工機２の監視に用いる機械学習モデルも変わり得る。
しかし、同じ種類のワークＷの加工を行う場合には、機械学習モデルが極端に変わることは少ない。そのため、上記のように構成することにより、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機２の監視を開始するまでの間、過去の機械学習モデルを用いて加工機２の監視を良好に行うことができる。

なお、この場合、今回新たに作成した機械学習モデルを、該当するワークＷの種類に紐付け直して記憶部３２に記憶するように構成することができる。
その際、過去の機械学習モデルに上書きするようにして記憶させてもよく、過去の機械学習モデルを履歴として残しておくように構成することも可能である。

一方、今回の加工対象のワークＷの種類について過去の機械学習モデルが記憶部３２に記憶されていない場合は、例えば以下のように構成することができる。
例えば、加工装置１で試作品を作るような場合、いままで加工したことがない新たな種類のワークＷに対して加工を行うことになる。そのため、記憶部３２には、加工対象の試作品のワークＷの種類について過去の機械学習モデルは記憶されていない。

そこで、制御部３は、試作品等の加工対象のワークＷの種類について過去の機械学習モデルが記憶部３２に記憶されていない場合は、加工対象のワークＷの加工条件に最も近い加工条件の別の種類のワークＷに関する過去の機械学習モデルを記憶部３２から読み出し、加工対象のワークＷについて機械学習モデルを新たに作成して機械学習モデルに基づいて加工機２の監視を開始するまでの間は、読み出した過去の機械学習モデルを用いて加工機２を監視しながら動作させるように構成することが可能である。

すなわち、例えば試作品ＺＺの加工条件が図１０に示すような加工条件である場合、例えば図９に示した各製品ａ～ｃの中でこの加工条件に最も近い加工条件は製品Ｂの加工条件であるため、この場合は、制御部３は、試作品ＺＺとは別の種類の製品ＢのワークＷに関する過去の機械学習モデルｂを記憶部３２から読み出す。
なお、加工条件の近さの判断は、実際には、例えば最小二乗法等を用いて判断するように構成することが可能である。

このように構成すれば、試作品等のように加工装置１で過去に加工したことがない種類のワークＷを加工する場合でも、加工条件が類似する種類のワークＷに関する過去の機械学習モデルを利用して、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機２の監視を開始するまでの間、加工機２の監視を良好に行うことが可能となる。
この場合、制御部３は、機械学習モデルを新たに作成して機械学習モデルに基づいて加工機２の監視を開始した際には、その後は、新たに作成した機械学習モデルを用いて加工機２が正常に稼働しているか否かを監視しながら動作させる。

なお、上記のように構成すると、機械学習モデルを新たに作成するために、検出部１０が図３（ａ）、（ｂ）に示したように加工機に関する情報を検出している最中に制御部３が過去の機械学習モデルに基づいて異常が発生したと判定する場合が起こり得る。そして、その場合、前述したように、作業員が加工機２の動作を停止させたり、制御部３が自動的に加工機２の動作を停止させたりする場合がある。
すなわち、例えば、上記の例で言えば、検出部１０が上金型８及び下金型９にかかる荷重Ｆ_８、Ｆ_９のデータを３０組検出する前に、例えば図１１（ａ）、（ｂ）に示すように２０組検出した時点で加工機２の動作が停止する場合があり得る。

そこで、制御部３は、機械学習モデルを新たに作成するために検出部１０が加工機２に関する情報を検出している最中に、過去の機械学習モデルに基づいて異常が発生したと判定して加工機２の動作が停止した場合には、その時点までに検出部１０が検出した加工機２に関する情報を取得し、取得した加工機２に関する情報を用いて、上記と同様に、機械学習により、機械学習モデルを作成するように構成することが可能である。

すなわち、図１１（ａ）、（ｂ）に示した例では、制御部３は、検出部１０が検出した２０組の荷重Ｆ_８、Ｆ_９のデータを取得し、それらを用いて、機械学習により機械学習モデルを作成する。
このように構成すれば、制御部３が過去の機械学習モデルに基づいて異常が発生したと判定して加工機２の動作を停止させるまでの間に検出された加工機２に関する情報を捨てることなく、それらを用いて機械学習モデルを作成することが可能となり、検出された情報を機械学習モデル作成に有効に使うことが可能となる。

なお、本発明が上記の実施形態等に限定されず、本発明の趣旨を逸脱しない限り、適宜変更可能であることは言うまでもない。
例えば、上記の実施形態では、制御部３が、取得した上金型８及び下金型９にかかる荷重Ｆ_８、Ｆ_９から算出した３０組の平均ｘ_８、ｘ_９すなわち３０組の特徴量のうち、２０組の特徴量を用いて機械学習モデルを作成し、残りの１０組の特徴量を用いて機械学習モデルのテストを行う場合について説明したが、機械学習モデルの作成やテストに用いる特徴量の数はこの場合に限定されない。

１ 加工装置、プレス装置
２ 加工機
３ 制御部
７ スライド
８ 金型
１０ 検出部
３２ 記憶部
Ｆ_８、Ｆ_９ 加工機に関する情報、荷重
Ｗ ワーク

Claims (12)

1. ワークを加工可能な加工機と、
   前記加工機に関する情報を検出する検出部と、
   前記加工機の動作を制御する制御部と、
   を備え、
   前記制御部は、
   前記加工機による前記ワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得し、
   取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
   前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
   前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる、
   加工装置。
2. 前記制御部は、使用可能であると判定された前記機械学習モデルに基づき、前記検出部が取得した前記加工機に関する情報が前記機械学習モデルに基づいて正常であると判定した場合には、前記加工機の動作を継続させる、
   請求項１に記載の加工装置。
3. 前記制御部は、使用可能であると判定された前記機械学習モデルに基づき、前記検出部が取得した前記加工機に関する情報が異常であると判定した場合には、異常の発生に関する情報を出力する、
   請求項１又は請求項２に記載の加工装置。
4. 前記制御部は、前記機械学習として教師なし学習を用いて前記機械学習モデルを作成する、
   請求項１から請求項３のいずれか一項に記載の加工装置。
5. 前記加工機は、複数種類の前記ワークを加工可能であり、
   前記複数種類のワークについてそれぞれ作成された過去の前記機械学習モデルをそれぞれ記憶する記憶部を備え、
   前記制御部は、加工対象の前記ワークと同じ種類の前記ワークについて作成された前記過去の機械学習モデルが前記記憶部に記憶されている場合は、該過去の機械学習モデルを前記記憶部から読み出し、
   前記機械学習モデルを新たに作成して該機械学習モデルに基づいて前記加工機の監視を開始するまでの間は、該過去の機械学習モデルを用いて前記加工機を監視しながら動作させる、
   請求項１から請求項４のいずれか一項に記載の加工装置。
6. 前記加工機は、複数種類の前記ワークを加工可能であり、
   前記複数種類のワークについてそれぞれ作成された過去の前記機械学習モデルをそれぞれ記憶する記憶部を備え、
   前記制御部は、加工対象の前記ワークの種類について前記過去の機械学習モデルが前記記憶部に記憶されていない場合は、該加工対象のワークの加工条件に最も近い加工条件の別の種類の前記ワークに関する前記過去の機械学習モデルを前記記憶部から読み出し、
   前記機械学習モデルを新たに作成して該機械学習モデルに基づいて前記加工機の監視を開始するまでの間は、該過去の機械学習モデルを用いて前記加工機を監視しながら動作させる、
   請求項１から請求項５のいずれか一項に記載の加工装置。
7. 前記制御部は、前記機械学習モデルを新たに作成するために前記検出部が前記加工機に関する情報を検出している最中に、前記過去の機械学習モデルに基づいて異常が発生したと判定した場合には、その時点までに前記検出部が検出した前記加工機に関する情報を取得し、取得した前記加工機に関する情報を用いて、機械学習により、前記機械学習モデルを作成する、
   請求項５又は請求項６に記載の加工装置。
8. 前記加工装置は、スライドに固定された金型を移動させて前記ワークをプレスして加工するプレス装置である、
   請求項１から請求項７のいずれか一項に記載の加工装置。
9. 前記検出部は、前記加工機に関する情報として、前記ワークをプレスして加工する際にプレスに関与する部材にかかる荷重若しくは圧力、移動可能な部材の位置若しくは速度、回転可能な部材の回転角若しくは回転速度、部材の温度、又は、部材に供給され若しくは部材を潤滑させる液体の温度を検出する、
   請求項８に記載の加工装置。
10. ワークを加工可能な加工機の動作を制御する加工機の制御装置において、
    前記加工機による前記ワークの加工を行いながら、前記加工機に関する情報を検出する検出部から取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成し、
    前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定し、
    前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる、
    加工機の制御装置。
11. 加工機によるワークの加工を行いながら、検出部により前記加工機に関する情報を取得する情報取得工程と、
    取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成工程と、
    前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定工程と、
    前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視工程と、
    を有する、
    加工方法。
12. ワークを加工可能な加工機と、
    前記加工機に関する情報を検出する検出部と、
    を備える加工装置のコンピュータを、
    前記加工機によるワークの加工を行いながら、前記検出部により前記加工機に関する情報を取得する情報取得手段と、
    取得した前記加工機に関する情報を用いて、前記ワークの加工中における前記加工機の監視に用いる機械学習モデルを作成する機械学習モデル作成手段と、
    前記機械学習モデルの作成に用いた前記加工機に関する情報とは別に取得した前記加工機に関する情報を用いて、前記機械学習モデルが使用可能であるか否かを判定する判定手段と、
    前記機械学習モデルを使用可能であると判定した場合に、該機械学習モデルを用いて前記加工機を監視しながら動作させる監視手段、
    として機能させる制御プログラム。

Images