JP5965012B1

JP5965012B1 - 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械

Info

Publication number: JP5965012B1
Application number: JP2015053377A
Authority: JP
Inventors: 静雄西川; 勝彦大野; 将隆阪本
Original assignee: DMG Mori Co Ltd
Current assignee: DMG Mori Co Ltd
Priority date: 2015-03-17
Filing date: 2015-03-17
Publication date: 2016-08-03
Anticipated expiration: 2035-03-17
Also published as: DE112016001250T5; WO2016147804A1; JP2016173301A

Abstract

【課題】測定対象たる液体の種類や異物の混入状態が変化する場合でも、測定の都度キャリブレーションを行う必要がない液位検出装置等を提供する。【解決手段】一対の電極を有する静電容量形の検出センサであって、電極の周辺に存在する物質の誘電率に応じて出力値が変化する検出センサの複数個を、一列に配設して構成されるレベルセンサ１１と、レベルセンサ１１を液体Ｃ中に浸漬させたときに、各検出センサから出力される出力値と、レベルセンサに対する液体の実際の液位との相関を定義する相関パラメータを記憶したパラメータ記憶部１７と、レベルセンサ１１の各検出センサからの出力を受信し、受信した各検出センサの出力値と、パラメータ記憶部１７に記憶された相関パラメータとを基に、レベルセンサ１１に対する液体Ｃの液位を推定する液位推定部１６とを備える。【選択図】図１

Description

本発明は、貯留タンクなどに貯留される液体の液位を検出する液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械に関する。

従来、前記液位検出装置の一つとして、特開２００１−１７４３１３号公報（下記特許文献１）に開示されるような静電容量形レベル測定装置が知られている。この静電容量形レベル測定装置は、同特許文献１に開示されるように、平行に配設される主電極及び補助電極の２つの細長い電極を備えており、この２つの電極を液中に浸漬した状態で、例えば、適宜信号源から主電極と補助電極との両電極間に交流電圧を印加し、そこで流れた電流から静電容量を計測し、それを基に液位を算出するものと考えられる。

この静電容量形レベル測定装置における液位の測定原理は、補助電極と主電極との間に生じる静電容量の値が、液位によって変化することを利用したものである。即ち、補助電極と主電極との間に生じる静電容量の値は、補助電極と主電極との間の距離が一定であれば、これら電極の面積及びその間に介在する物質の誘電率に比例するため、当該補助電極と主電極との間に生じる静電容量の値は、補助電極と主電極との間に介在する気体や液体の誘電率差の変化、即ち、液体の液位に比例して変化し、この静電容量の値に応じた、即ち、液位に応じた交流電流が前記電極間で流れるため、流れた交流電流に基づいて、液位を算出することができるのである。

そして、このようにして流れる交流電流は、例えば、交流電圧に変換され、その後、更に適宜処理が加えられて、液位を示す測定信号に変換される。

特開２００１−１７４３１３号公報

ところが、上述した従来の静電容量形レベル測定装置では、測定対象である液体の誘電率に応じて、電極間を流れる交流電流の大きさが異なるため、正確な液位を測定するためには、測定対象の液体を変更するたびに、キャリブレーションによって、出力信号を較正しなければならないという問題があった。例えば、水とオイルの液位を測定する場合、水の誘電率（比誘電率）は約８０であり、一方、オイルの誘電率（比誘電率）は略２〜３であるため、同じ液位であっても、測定対象が水の場合と、オイルの場合とでは、前記電極間で流れる交流電流の値が大きく異なるのである。

このように、従来の静電容量形レベル測定装置においては、測定対象の液体に応じて、前記電極から出力される信号を較正する必要があり、そのキャリブレーションに相応の時間と労力を要するため、その扱い勝手が悪いという問題があった。

また、工作機械の分野では、加工領域内にクーラントを供給するクーラント供給装置が使用されているが、クーラントが水溶性のものである場合には、その液位を、上記従来の静電容量形レベル測定装置によって測定する際には、頻繁にキャリブレーションを行わなければならないという問題があった。即ち、この場合、前記水溶性のクーラントは、工作機械の稼働部で使用される潤滑油が混入することが多い環境下にあり、混入する潤滑油は時間とともに増大するため、測定対象としてのクーラントは、潤滑油の混入状態に応じて、その誘電率（比誘電率）が刻々と変化し、また、その変化の状態も一律ではなく多様性を持ったものとなる。したがって、このようなクーラントの液位を正確に測定するには、頻繁なキャリブレーションが必要であり、従来、その作業は極めて煩わしく、面倒であった。

本発明は、以上の実情に鑑みなされたものであって、測定対象たる液体の種類や異物の混入状態が変化する場合でも、測定の都度キャリブレーションを行う必要がない、液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械の提供を、その目的とする。

上記課題を解決するための本発明に係る方法発明は、
一対の電極を有する静電容量形の検出センサであって、前記電極の周辺に存在する物質の誘電率に応じて出力値が変化する検出センサの複数個を、一列に配設して構成されるレベルセンサを、液体中に浸漬した後、
前記レベルセンサの各検出センサから出力される出力値、並びに前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と前記レベルセンサに対する前記液体の実際の液位との相関を定義した相関パラメータに基づいて、前記レベルセンサに対する前記液体の液位を推定するようにした液位検出方法に係る。

また、本発明に係る装置発明は、
一対の電極を有する静電容量形の検出センサであって、前記電極の周辺に存在する物質の誘電率に応じて出力値が変化する検出センサの複数個を、一列に配設して構成されるレベルセンサと、
前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、前記レベルセンサに対する前記液体の実際の液位との相関を定義する相関パラメータを記憶したパラメータ記憶部と、
前記レベルセンサの各検出センサからの出力を受信し、受信した各検出センサの出力値と、前記パラメータ記憶部に記憶された相関パラメータとを基に、前記レベルセンサに対する前記液体の液位を推定する液位推定部とを備え液位検出装置に係る。

本発明者等は、まず、前記検出センサの複数個を一列に配設したレベルセンサを作成し、このレベルセンサを液中に浸漬して、各検出センサから出力される出力値を比較することによって、液体の種類や液体への異物の混入状態に関わりなく、その液位を検出することができるものと考えた。即ち、液中に浸漬された検出センサからの出力値（即ち、液体が有する誘電率に応じた出力値）と、液外にある検出センサからの出力値（即ち、空気の誘電率に応じた出力値）とは、その値が大きく異なるものと想定され、このように出力値が大きく異なる検出センサ間に液体表面（液位）が存在すると考えたからである。

ところが、各検出センサから出力される出力値は、液位によって全体的に変化するものの、当該出力値に、液位を識別可能な程度の顕著な差、即ち、有意差はなく、このため、前記各検出センサの出力値自体から、直ちに、液位を推定するのは困難であるとの知見に至った。尚、これは一列に配置された電極対および電極対からの配線間の相互干渉によるものと考えられ、配線間のシールド等により改善が期待されるが、完全に排除することは不可能であり、また、コストアップになる。

その一方、各検出センサから出力される出力値は、その全体的な大きさを含め、液位に応じた出力パターンを有することが判明した。そして、この出力パターンから、液位を推定可能であると考えられた。尚、当然のことながら、上述した補助電極及び主電極の２つの電極から構成される従来の静電容量形レベル測定装置では、このような出力パターンは得られない。

そこで、本発明では、まず、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と前記レベルセンサに対する前記液体の実際の液位との相関を定義した相関パラメータを予め求めて、得られた相関パラメータに係るデータをパラメータ記憶部に記憶しておき、前記液位推定部において、前記レベルセンサを液中に浸漬した状態で前記各検出センサから出力される出力値と、前記パラメータ記憶部に記憶された相関パラメータとを基に、前記レベルセンサに対する前記液体の液位を推定するようにした。

前記相関パラメータは、液体の種類とその液位に応じた前記各検出センサからの出力パターンと、液体に異物が混入される混入状態とその液位に応じた前記各検出センサからの出力パターンとから求められるパラメータであって、液体の種類や液体に異物が混入される混入状態に依らず、言い換えれば、どのような種類の液体であっても、また、液体に異物が混入される混入状態がどのような状態であっても、各検出センサからの出力値に対応した液位を一意的に導くためのパラメータである。

斯くして、本発明によれば、前記液位推定部において、前記レベルセンサを液中に浸漬した状態で前記各検出センサから出力される出力値と、前記パラメータ記憶部に記憶された相関パラメータとから、液体の種類や液体に異物が混入される混入状態に依らず、測定対象の液体の液位を推定することができる。

以上のように、本発明によれば、想定される液体の種類、また、異物の混入状態に応じた相関データを得る作業に時間を要するものの、一度、この相関データから相関パラメータを取得することができれば、後は、煩わしく面倒なキャリブレーション作業を行う必要なく、測定対象の液体の液位を推定することができる。

尚、前記レベルセンサを液体中に浸漬させる態様としては、常識的には、その前記検出センサの配列方向を、液体の深さ方向に一致させるのが好ましいが、液位を検出することができるのであれば、多少斜めに浸漬されていても問題はない。

前記相関パラメータは、各検出センサからの出力値と実際の液位との相関を定義するものであり、これを人間が試行錯誤で設定することは不可能に近いため、この相関パラメータは、機械学習によって設定するのが好ましい。

また、機械学習の中でもデータマイニングによるのが好ましい。データマイニングは、多量なデータを、統計・数学技法を用いて解析することにより、有益な新しい傾向、パターン、相関関係などを発見する処理を意味し、頻出パターン抽出、クラス分類、回帰分析、クラスタリングなどの解析手法に大別される。

そして、近年では、ディープラーニング等のニューラルネットワークモデルの学習方式の進歩によって、前記相関パラメータ、即ち、液位を推定するアルゴリズムを、機械学習によって取得することができるようになったものであり、正確な前記相関パラメータを容易に得ることができる。具体的には、前記相関パラメータは、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、この出力値に応じた、前記レベルセンサに対する前記液体の実際の液位とを基に、データマイニングに適用されるニューラルネットワークを用いた、バックプロパゲーションによる教師有り機械学習によって予め取得され、前記パラメータ記憶部に格納される。

そして、上述した液位検出装置は、工作機械の、例えば、クーラント供給装置に好適に用いることができる。

以上のように、本発明によれば、想定される液体の種類、また、異物の混入状態に応じた、各検出センサからの出力値と液位との相関データを得る作業に時間を要するものの、一度、この相関データから相関パラメータを所得することができれば、後は、煩わしく面倒なキャリブレーション作業を行う必要なく、測定対象の液体の液位を推定することができる。

また、相関パラメータを、機械学習、中でもニューラルネットワークモデルを用いたデータマイニング手法によって算出するようにすれば、液体の種類に応じて異なり、また、液体に異物が混入される場合にはその混入状態に応じて異なる、前記液体の液位と前記各検出センサからの出力値との複雑で難解な相関関係（相関パラメータ）を、正確に、しかも容易に得ることができる。

本発明の一実施形態に係る工作機械を示した概略構成図である。本実施形態に係るレベルセンサを示した平面図である。本実施形態に係るレベルセンサの構成を示した回路図である。測定対象の液体が水溶性のクーラントである場合に、レベルセンサから出力される電圧値と実際の液位との関係を示した表である。図４のデータを線図で示したグラフである。測定対象の液体が油性のクーラントである場合に、レベルセンサから出力される電圧値と実際の液位との関係を示した表である。図６のデータを線図で示したグラフである。図５のグラフと図７のグラフとを合成したグラフである。本実施形態におけるニューラルネットワークモデルを示した概念図である。本実施形態のニューラルネットワークモデルにおける演算アルゴリズムを示した説明図である。本実施形態に係る相関パラメータを示した表である。本実施形態に係る相関パラメータを示した表である。本実施形態に係る相関パラメータを示した表である。本実施形態に係る相関パラメータを示した表である。液位推定について説明するための一例に係る入力電圧データを示した表である。事前処理後の入力データを示す表である。入力値ｘ_ｉと重み係数ｈｗ_ｉ，ｊ（相関パラメータ）との積を取った演算結果を示す表である。 Σｘ_ｉ・ｈｗ_ｉ，ｊに従った演算結果を示す表である。ｕ_ｊ＝（Σｘ_ｉ・ｈｗ_ｉ，ｊ）＋ｖ_ｊに従った演算結果を示す表である。ｚ_ｊ＝１／（１＋ｅｘｐ（−ｕ_ｊ））に従った算出結果を示す表である。出力ｚ_ｊと重み係数ｋｗ_ｊ（相関パラメータ）との積を取った演算結果を示す表である。Ｕ＝（Σｚ_ｊ・ｋｗ_ｊ）＋ｋｖに従った演算結果を示す表である。Ｚ＝１／（１＋ｅｘｐ（−Ｕ））に従った演算結果を示す表である。

以下、本発明の具体的な実施形態に係る工作機械について、図面を参照しながら説明する。図１に示すように、本例の工作機械１は、運動機構部３にクーラントＣを供給するクーラント供給装置２を備えている。尚、運動機構部３は、特に限定されるものではなく、旋盤、マシニングセンタ、研削盤、ホブ盤やブローチ盤などの公知のあらゆる工作機械の運動機構部が該当する。

前記クーラント供給装置２は、クーラントＣを貯留するタンク２５と、一端がタンク２５内に接続され、他端が前記運動機構部３の加工領域内に接続される供給管２６と、この供給管２６の途中に介在する供給ポンプ２７と、一端が同じく運動機構部３の加工領域内に接続され、他端が前記タンク２５内に接続される回収管２８と、前記タンク２５内のクーラントＣの液位を検出する液位検出装置１０とから構成される。

このクーラント供給装置２では、前記供給ポンプ２７を駆動することにより、タンク２５内のクーラントＣが、供給管２６を通して運動機構部３の加工領域内に供給され、加工領域内に供給されたクーラントＣが回収管２８を通して、タンク２５内に回収される。

前記液位検出装置１０は、タンク２５内における前記クーラントＣの液位を検出する装置であり、タンク２５内に配設されるレベルセンサ１１、このレベルセンサ１１から出力されるデータを処理するデータ処理装置１５及びこのデータ処理装置１５によって処理された結果を表示する表示装置２０から構成される。
以下、この液位検出装置１０を構成する各部の詳細について説明する。

［レベルセンサ］
前記レベルセンサ１１は、図２及び図３に示すように、電極部１２及び信号生成部１３からなる。電極部１２は、一対の電極を有する静電容量形の９個の検出センサＳ１〜Ｓ９を有し、これらを一対の電極の並設方向と直交する方向に一列且つ等間隔に配列して、適宜保持板に固定するとともに、全体を樹脂で被覆した構成を備えており、各検出センサＳ１〜Ｓ９を構成する各電極は、それぞれ信号線によって前記信号生成部１３に接続されている。尚、本例では９個の検出センサＳ１〜Ｓ９を備えているが、検出センサを設ける個数は、液位検出する間隔に応じて適宜設定すれば良く、これより多くても少なくても良い。

前記信号生成部１３は、図３に示すように、発振回路、アナログマルチプレクサ、倍電圧検波回路、オペアンプ及びＡ／Ｄ変換器から構成される。発振回路は、例えば、４［ＭＨｚ］の高周波電圧（交流信号）を各検出センサＳ１〜Ｓ９の電極間にそれぞれ印加し、各電極間を流れた高周波電流（交流信号）が前記アナログマルチプレクサに出力される。因みに、印加する高周波電圧の周波数をｆ［Ｈｚ］、電圧をＶｃ［Ｖ］とし、各電極の静電容量をＣ［Ｆ］とすると、各電極間を流れる電流ｉ［Ａ］はそれぞれ次式となる。
ｉ＝２πｆ×Ｃ×Ｖｃ

前記アナログマルチプレクサは、入力された各検出センサＳ１〜Ｓ９からの出力信号（交流信号）を択一的に倍電圧検波回路に出力し、この倍電圧検波回路では、交流信号を直流信号に変換した後、オペアンプに出力する。尚、倍電圧検波回路から出力される各直流信号の電圧値Ｖｏ［Ｖ］は、倍電圧検波回路の負荷抵抗をＲ［Ω］として、次式で表わされる。
Ｖｏ＝ｉＲ＝２πｆ×Ｃ×Ｖｃ×Ｒ

次に、オペアンプでは入力された直流信号（電圧信号）をインピーダンス変換し、ついで、Ａ／Ｄ変換器によってアナログ信号をデジタル信号に変換した後、その電圧値のデジタルデータを出力する。

前記信号生成部１３は、以上のようにして、各検出センサＳ１〜Ｓ９からの出力信号を電圧信号に変換して、そのデジタル値を外部に出力する処理を行う。尚、各検出センサＳ１〜Ｓ９から出力される出力値は、当該各一対の電極の周辺に存在する物質、即ち、測定対象の液体と空気との誘電率に応じて変化する。

そして、以上の構成を備えたレベルセンサ１１は、図１に示すように、前記検出センサＳ１〜Ｓ９の配列方向が深さ方向と一致するように、その電極部１２がクーラントＣ中に浸漬された状態で、タンク２５内に配設される。

斯くして、このレベルセンサ１１によれば、検出センサＳ１〜Ｓ９から、レベルセンサ１１に対するクーラントＣの液位に応じた出力値が得られる。即ち、液中に浸漬された検出センサからの出力値（即ち、液体が有する誘電率に応じた出力値）と、液外にある検出センサからの出力値（即ち、空気の誘電率に応じた出力値）とは、その値が異なり、各検出センサＳ１〜Ｓ９からの出力は、クーラントＣの液位に応じた出力を示す。

そして、本発明者等は、液中に浸漬された検出センサからの出力値と、液外にある検出センサからの出力値とは、その値が大きく異なると想定したが、実際には、各検出センサＳ１〜Ｓ９からの出力値に、液位を直ちに判断し得る程度の有意差は存在しなかった。尚、これは一列に配置された電極対および電極対からの配線間の相互干渉によるものと考えられ、配線間のシールド等により改善が期待されるが、完全に排除することは不可能であり、また、コストアップになる。

図４及び図５に、クーラントＣが水溶性である場合の、各液位における前記検出センサＳ１〜Ｓ９に対応した出力電圧を示し、図６及び図７に、クーラントが油性、即ちオイルである場合の、各液位における前記検出センサＳ１〜Ｓ９に対応した出力電圧を示している。液位１〜液位９は、その数字に対応した検出センサが半分クーラントＣに浸漬される液位を意味しており、例えば、液位９は検出センサＳ９が半分浸漬される液位であり、液位８は検出センサＳ８が半分浸漬される液位である。また、液位０は、全ての検出センサＳ１〜Ｓ９がクーラントＣ外にある、即ち、クーラントＣの液位が検出センサＳ１よりも下方にある場合である。

図４は、各液位０〜９における、各検出センサＳ１〜Ｓ９に対応した出力電圧を示す表であり、図５は、これをグラフにしたものである。同様に、図６は、各液位０〜９における、各検出センサＳ１〜Ｓ９に対応した出力電圧を示す表であり、図７は、これをグラフにしたものである。

図５及び図７から分かるように、各検出センサＳ１〜Ｓ９に対応した出力電圧は、液位によって全体的に変化するものの、このデータから直ちに液位を判別するのは困難である。特に、図７に示した油性のクーラントＣの場合には、全体的な変化も小さく、より判別が困難である。

また、図８には、図５に示した水溶性のクーラントＣのグラフ（実線で示したグラフ）と、図７に示した油性のクーラントＣのグラフ（破線で示したグラフ）とを合成したグラフを示しているが、このグラフから分かるように、油性のクーラントＣの場合には、その変化量が小さく、また、その殆どが、水溶性のクーラントＣの液位０〜液位３のデータと重複しており、各検出センサＳ１〜Ｓ９に対応した出力電圧値から直ちにクーラントＣの種類に応じた液位を推定することは困難である。

また、本例のクーラント供給装置２において、クーラントＣに水溶性のものを用いる場合、運動機構部３内において、当該運動機構部３で使用される潤滑油がクーラントＣに混入される状態にあり、この状態でクーラントＣが回収されるタンク２５では、クーラントＣ内に混入される潤滑油の濃度が、時間とともに増大する状態にある。ところが、上述したように、各検出センサＳ１〜Ｓ９に対応した出力電圧は、測定対象の液体が水の場合とオイルの場合とで、大きく異なるため、水溶性クーラントＣに混入される潤滑油の濃度が時間とともに増大すると、各検出センサＳ１〜Ｓ９に対応した出力電圧が、時間とともに減少することになり、この面でも、各検出センサＳ１〜Ｓ９に対応した出力電圧から直ちにクーラントＣの液位を推定することは困難である。

その一方、図５及び図７から分かるように、各検出センサＳ１〜Ｓ９に対応した出力電圧は、その全体的な大きさを含め、各液位に応じた出力パターンを有している。そして、この出力パターンから、液位を推定可能であると考えられる。

以上のように、本例のレベルセンサ１１によれば、各検出センサＳ１〜Ｓ９に対応した出力電圧から、直ちに、測定対象の液体に応じた液位を推定することは困難であるが、各検出センサＳ１〜Ｓ９に対応した出力電圧は、測定対象の液体の種類及びその液位に応じた出力パターンを有している。したがって、本発明者等は、測定対象の液体の種類と、その液位に応じた、各検出センサＳ１〜Ｓ９からの出力電圧との間には、一定の相関があると考え、この相関を定義する相関パラメータを取得することによって、当該相関パラメータと各検出センサＳ１〜Ｓ９からの出力電圧とを基に、測定対象の液体の液位を推定可能であると考えた。

そして、本例では、前記データ処理装置１５により、ニューラルネットワークモデルを用いた機械学習によって、予め前記相関パラメータを取得し、この相関パラメータと、前記レベルセンサ１１から出力される各検出センサＳ１〜Ｓ９に対応した出力電圧とを基に、前記タンク２５内のクーラントＣの液位を推定するようにした。次に、このデータ処理装置１５について詳しく説明する。

［データ処理装置］
前記データ処理装置１５は、図１に示すように、液位推定部１６及びパラメータ記憶部１７から構成される。

前記パラメータ記憶部１７には、前記レベルセンサ１１を液体中に浸漬させたときに、各検出センサＳ１〜Ｓ９から出力される出力値と、この出力値に応じた、前記レベルセンサ１１に対する前記液体の実際の液位との相関を定義する相関パラメータが予め取得され、予め取得された相関パラメータが外部から入力されて格納される。

この相関パラメータは、様々な種類の液体や、ある液体に異物が混入される場合には、その様々な混入状態の液体について、一様に適用し得るパラメータであり、このような様々な種類の液体や、様々な異物混入状態の液体について、前記レベルセンサ１１を液体中に浸漬させたときに、各検出センサＳ１〜Ｓ９から出力される出力値と、この出力値に応じた、前記レベルセンサ１１に対する前記液体の実際の液位との相関データを予め取得しておき、取得された多数の相関データを基に、データマイニングに適用されるニューラルネットワークを用いた、バックプロパゲーションによる教師有り機械学習によって算出される。

まず、相関パラメータの算出処理について、図９及び図１０に基づいて説明する。図９は、本例におけるニューラルネットワークモデルを示した概念図であり、図中、Ｓ１〜Ｓ９は、前記検出センサＳ１〜Ｓ９に対応している。また、図１０は、このニューラルネットワークモデルにおける演算アルゴリズムを示した説明図である。

この図１０に示したアルゴリズムでは、入力層のｘ_１〜ｘ_ｉは、それぞれ検出センサＳ１〜Ｓ９の出力電圧値に対応している。したがって、本例では、ｉ＝９である。また、ｈｗ_ｉ，ｊ及びｋｗ_ｊは重み係数であり、ｖ_ｊ及びｋｖは反応感度としての閾値である。そして、中間層における出力ｚ_ｊは、以下の数式１によって算出される。
（数式１）
ｚ_ｊ＝ｆ（（Σｈｗ_ｉ，ｊ・ｘ_ｉ）＋ｖ_ｊ）
また、出力層における出力Ｚは、以下の数式２によって算出される。
（数式２）
Ｚ＝ｆ（（Σｋｗ_ｊ・ｚ_ｊ）＋ｋｖ）
尚、前記出力ｚ_ｊ及びＺは、以下の数式３によって表されるシグモイド関数によって変換される。
（数式３）
ｆ（ｕ）＝１／（１＋ｅｘｐ（−ｕ））

そして、上記のようにして予め取得した様々な種類の液体や、様々な異物混入状態の液体についての、各検出センサＳ１〜Ｓ９からの出力値と液位との相関データを基に、上記アルゴリズムを用い、中間層の各層の数やその階層を適宜設定した後、上記バックプロパゲーションによる教師有り機械学習によって、前記相関パラメータとして前記重み係数ｈｗ_ｉ，ｊ及びｋｗ_ｊ、並びに閾値ｖ_ｊ及びｋｖを算出する。そして算出した相関パラメータを、それぞれ前記パラメータ記憶部１８に格納する。図１１には、このようにして算出される重み係数ｈｗ_ｉ，ｊに係るデータの一例を示し、図１２には、閾値ｖ_ｊに係るデータの一例を示し、図１３には、重み係数ｋｗ_ｊに係るデータの一例を示し、図１４には、閾値ｋｖに係るデータの一例を示している。尚、中間層の個数ｊは任意であり、一般的には、中間層の個数ｊが多いほど感度は良くなるが、処理時間が長くなるという問題もあるので、適宜適切な値に設定するのが好ましい。

尚、本例のバックプロパゲーションによる教師有り機械学習は、上述の予め取得された相関データである各検出センサＳ１〜Ｓ９からの出力値を、図１０に示したアルゴリズムの入力値ｘ_ｉとして入力するとともに、適宜重み係数ｈｗ_ｉ，ｊ，ｋｗ_ｊ、及び閾値ｖ_ｊ，ｋｖを設定して得られる出力値と、真の値（液位）とを比較し、その差分を減らすように、即ち、収束させるように、重み係数ｈｗ_ｉ，ｊ，ｋｗ_ｊ、及び閾値ｖ_ｊ，ｋｖを変更する作業を繰り返すことによって、相関パラメータである重み係数ｈｗ_ｉ，ｊ，ｋｗ_ｊ、及び閾値ｖ_ｊ，ｋｖの最適値を設定するというものである。

前記液位推定部１６は、前記レベルセンサ１１の信号生成部１３から出力される各検出センサＳ１〜Ｓ９の出力電圧値を受信し、受信した出力電圧値と前記パラメータ記憶部１７に格納された相関パラメータ、即ち、重み係数ｈｗ_ｉ，ｊ及びｋｗ_ｊ、並びに閾値ｖ_ｊ及びｋｖとを用いて、クーラントＣの液位を推定する。具体的には、上述した数式１〜３を用いてクーラントＣの液位を推定する。

例えば、各検出センサＳ１〜Ｓ９の出力電圧値が、図１５に示すような値であるとすると、前記液位推定部１６は、この値を、事前処理として、各検出センサＳ１〜Ｓ９の最大出力電圧値（本例では、２５００ｍＶ）で除して、１以下の値にする（図１６参照）。そして、この後、液位推定部１６は、図１６に示した値を入力値として、前記パラメータ記憶部１７に格納された相関パラメータである重み係数ｈｗ_ｉ，ｊ及び閾値ｖ_ｊを用い、前記数式１及び３に従って、まず、中間層における出力ｚ_ｊを算出する。尚、図１５に示した出力電圧値は、クーラントＣが油性であり、液位が５である場合に、各検出センサＳ１〜Ｓ９から出力された出力電圧値である。

前記出力ｚ_ｊを算出する各演算過程における演算結果を図１７〜図２０に示す。図１７は、図１６に示した入力値ｘ_ｉと、図１１に示した重み係数ｈｗ_ｉ，ｊ（相関パラメータ）との積を取った値、即ち、ｘ_ｉ・ｈｗ_ｉ，ｊの値を示している。また、図１８は、図１７の演算結果を基に、ｊの１から２０について、それぞれｘ_ｉ・ｈｗ_ｉ，ｊの総和、即ち、Σｘ_ｉ・ｈｗ_ｉ，ｊの演算結果を示している。また、図１９は、図１８の演算結果を基に、ｕ_ｊ＝（Σｘ_ｉ・ｈｗ_ｉ，ｊ）＋ｖ_ｊに従った演算結果を示し、図２０は、図１９の演算結果を基に、ｚ_ｊ＝１／（１＋ｅｘｐ（−ｕ_ｊ））に従った演算結果を示している。

そして、液位推定部１６は、上記のようにして算出された中間層の出力ｚ_ｊを基に、前記パラメータ記憶部１７に格納された相関パラメータである重み係数ｋｗ_ｊ及び閾値ｋｖを用い、前記数式２及び３に従って、出力層の出力Ｚを算出する。この出力Ｚを算出する各演算過程における演算結果を図２１〜図２３に示す。図２１は、図２０に示した中間層の出力ｚ_ｊと、図１３に示した重み係数ｋｗ_ｊ（相関パラメータ）との積を取った値、即ち、ｚ_ｊ・ｋｗ_ｊの値を示している。また、図２２は、図２１の演算結果の総和であるΣｚ_ｊ・ｋｗ_ｊに閾値ｋｖ（相関パラメータ）加えた値、即ち、Ｕ＝（Σｚ_ｊ・ｋｗ_ｊ）＋ｋｖに従った演算結果を示し、図２３は、図２２の演算結果を基に、Ｚ＝１／（１＋ｅｘｐ（−Ｕ））に従った演算結果を示している。

そして、最後に、液位推定部１６は、図２３で得られた値（Ｚ＝０．５５１２１０５３９）に９（＝ｉ）を乗じることによって、液位を推定する。この場合、液位は、
Ｚ×９＝０．５５１２１０５３９×９≒５
となる。
この図１５〜図２３に示した例からも分かるように、液位推定部１６によって推定される液位と、実際の液位とは、同じ値であり、本例の液位検出装置１０によれば、正確に液位を推定することができる。

そして、このようにして液位推定部１６によって推定された液位が、表示装置２０に表示される。

尚、図１５〜図２３に示した例は、クーラントＣが油性である場合の例であるが、本例の液位検出装置１０によれば、測定対象の液体が、水溶性のクーラントでも、他の液種のものでも、或いは異物が混入するような液体であっても、同時に機械学習させることにより、共通して使用できる相関パラメータを取得することができ、それを前記データ記憶部１７に格納しておけば、前記液位推定部１６では、対象液体を変えても、新たに相関パラメータのキャリブレーションを行うことなく液位を推定することができる。尚、液位検出装置１０は、従来の液位検出装置に比べて構造が簡単であるので、その製造費用が安価である。

斯くして、本例の液位検出装置１０によれば、想定される液体の種類、また、異物の混入状態に応じた相関データを得る作業に時間を要するものの、一度、この相関データから相関パラメータを所得することができれば、後は、煩わしく面倒なキャリブレーション作業を行う必要なく、測定対象の液体の液位を推定することができる。

また、本例の液位検出装置１０では、前記液位推定部１６によって推定した液位に係る値を表示装置２０に表示するようにしているので、オペレータは、タンク２５内のクーラントＣの液位を目視することなく、当該クーラントＣの液位を認識することができ、便利である。尚、液位推定部１６は、推定された液位が基準液位を下回っている場合には、表示装置２０にアラームを表示して、オペレータに警告するように構成されていても良い。

以上、本発明の具体的な実施形態について説明したが、本発明が採り得る具体的な態様は、何らこれに限定されるものではない。

例えば、上例では、前記相関パラメータを、データマイニングに適用されるニューラルネットワークを用いた、バックプロパゲーションによる教師有り機械学習によって算出したが、相関パラメータを算出するための機械学習法は、何らこれに限定されるものではない。例えば、データマイニングに適用される手法としてのニューラルネットに代えて、ＳＶＭ（サポートベクターマシン）を適用しても良く、機械学習法もこれに合わせたものを適用することができる。ニューラルネットワークを用いる場合でも、バックプロパゲーションに代えて、遺伝的アルゴリズム等の様々な機械学習法を適用することができる。

１工作機械
２クーラント供給装置
３運動機構部
１０液位検出装置
１１レベルセンサ
Ｓ１〜Ｓ９検出センサ
１５データ処理装置
１６液位推定部
１７パラメータ記憶部
２０表示装置
２５タンク
２６供給管
２７供給ポンプ
２８回収管
Ｃクーラント

Claims

一対の電極を有する静電容量形の検出センサであって、前記電極の周辺に存在する物質の誘電率に応じて出力値が変化する検出センサの複数個を、一列に配設して構成されるレベルセンサと、
前記レベルセンサを、前記検出センサの配設方向が液体の深さ方向と一致するように、該液体中に浸漬させたときに、前記各検出センサから出力される出力値と、前記レベルセンサに対する前記液体の実際の液位との相関を定義する相関パラメータを記憶したパラメータ記憶部と、
前記レベルセンサの各検出センサからの出力を受信し、受信した各検出センサの出力値と、前記パラメータ記憶部に記憶された相関パラメータとを基に、前記レベルセンサに対する前記液体の液位を推定する液位推定部とを備えて構成され、
前記相関パラメータは、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、この出力値に応じた、前記レベルセンサに対する前記液体の実際の液位とを基に、機械学習によって予め取得され、前記パラメータ記憶部に格納されていることを特徴とする液位検出装置。
前記相関パラメータは、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、この出力値に応じた、前記レベルセンサに対する前記液体の実際の液位とを基に、データマイニングに適用されるニューラルネットワークを用いた、バックプロパゲーションによる教師有り機械学習によって予め取得され、前記パラメータ記憶部に格納されていることを特徴とする請求項１記載の液位検出装置。
前記請求項１又は２記載の液位検出装置を備えたことを特徴とする工作機械。
一対の電極を有する静電容量形の検出センサであって、前記電極の周辺に存在する物質の誘電率に応じて出力値が変化する検出センサの複数個を、一列に配設して構成されるレベルセンサを、前記検出センサの配設方向が液体の深さ方向と一致するように、該液体中に浸漬した後、
前記レベルセンサの各検出センサから出力される出力値、並びに前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と前記レベルセンサに対する前記液体の実際の液位との相関を定義した相関パラメータに基づいて、前記レベルセンサに対する前記液体の液位を推定するようにし、
前記相関パラメータは、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、この出力値に応じた、前記レベルセンサに対する前記液体の実際の液位とを基に、機械学習によって予め取得されることを特徴とする液位検出方法。
前記相関パラメータは、前記レベルセンサを前記液体中に浸漬させたときに、前記各検出センサから出力される出力値と、この出力値に応じた、前記レベルセンサに対する前記液体の実際の液位とを基に、データマイニングに適用されるニューラルネットワークを用いた、バックプロパゲーションによる教師有り機械学習によって予め取得されることを特徴とする請求項４記載の液位検出方法。