JP6530779B2 - 加工不良要因推定装置 - Google Patents

Description

本発明は、加工不良要因推定装置に関し、特にワークの加工面に不良が発生した場合にその要因を推定する技術に関する。

従来より、加工プログラムを作成し、該加工プログラムに基づいて工作機械を制御して材料を加工し、部品や金型などのワークを製作することが行われている。このように製作されたワークは、レーザ顕微鏡で観察可能な様々な評価項目や撮影画像から取得可能な様々な特徴に基づいて、加工面の品質の良否が判定される。加工面に不良が発生した場合は、工作機械に設置された様々なセンサデータを確認し、試行錯誤により不良の発生原因を特定することで、同様の不良を発生させないための改善作業が行われる。

例えば、特許文献１には、工作機械の振動データを用いて機械学習を行うことにより、加工面品位と加工時間とのバランスの取れた最適な速度分布を求める方法が記載されている。これにより、工作機械を、加工面の不良が発生しない適切な加工速度で加工を実施するよう制御することが可能となる。

特願２０１５−１８９５４２号

ところで、加工面の品質に影響する要素は多様である。図８は、ワークの加工に関わる様々なプロセスを示している。まずＣＡＤ／ＣＡＭで加工プログラムが作成される。ＣＮＣ（数値制御装置）は加工プログラムを解釈して加減速制御を行うが、加減速制御の態様は加工面の品質に影響を及ぼす一要素である。次にサーボ制御が行われ、工作機械で加工が行われる。サーボ制御の態様、加工の過程において発生する機械振動や周辺機器振動、加工条件、工具や切削液の状態などもまた加工面の品質に影響を及ぼす要素となる。

従来は、上述のような加工面不良の要因となりうる様々な要素の状態を検出するため、工作機械に多くのセンサを設置してデータ収集を行っていた。そして不良ワークが発生すると、各センサデータを確認し、問題のある要素を特定していた。また、センサデータから特定できない場合も多く、その場合は熟練の作業者が経験に基づいて問題のある要素を推定していた。

しかしながら、従来の方法では、それぞれの機械やセルごとに、加工面の品質に影響を及ぼしうる要素すべてにセンサを設置する必要がある。また、加工面不良が発生した場合には、それぞれのセンサデータをすべて確認する必要がある。そして、多数のセンサを使用することで、各センサ機器自体の保守作業なども発生してしまう。このような作業は非常に煩雑である。また、センサデータから特定できない場合は熟練の作業者が経験にもっぱら依存して問題のある要素を推定することとなるため、経験が少ない作業者には問題のある要素の特定ができないという問題がある。

本発明はこのような問題を解決するためになされたものであり、ワークの加工面に不良が発生した場合にその要因を推定することが可能な加工不良要因推定装置を提供することを目的とする。

本発明の一実施の形態における加工不良要因推定装置は、検査装置によるワークの加工面の検査結果に基づいて、加工面不良の発生要因を判定する加工不良要因推定装置において、前記検査装置による検査結果に対応する加工面不良の発生要因を学習する機械学習装置を備え、前記機械学習装置は、前記検査装置によるワークの加工面の検査結果を状態変数として観測する状態観測部と、前記加工面不良の発生要因を示すラベルデータを取得するラベルデータ取得部と、前記状態変数と、前記ラベルデータとを関連付けて学習する学習部と、を備える。

本発明の一実施の形態における加工不良要因推定装置は、前記学習部は、前記状態変数から前記加工面不良の発生要因を判定する相関性モデルと予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える。

本発明の一実施の形態における加工不良要因推定装置は、前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する。

本発明の一実施の形態における加工不良要因推定装置は、前記学習部による学習結果に基づいて判定された前記加工面不良の発生要因を出力する判定出力部を更に備える。

本発明の一実施の形態における加工不良要因推定装置は、前記判定出力部は、前記学習部により判定された前記加工面不良の発生要因があらかじめ設定された条件に適合する場合に警告を出力する。

本発明の一実施の形態における加工不良要因推定装置は、前記検査装置によるワークの加工面の検査結果とは、前記ワークの表面粗さＳａ、表面の最大高さＳｖ、表面性状のアスペクト比Ｓｔｒ、尖り度Ｓｋｕ、偏り度Ｓｓｋ、界面の展開面積比Ｓｄｒ、光反射率、画像の特徴のうち、少なくとも１つを利用して得られた値であることを特徴とする。

本発明の一実施の形態における加工不良要因推定装置は、前記検査装置の一部として構成されている。

本発明の一実施の形態における加工不良要因推定装置は、複数の前記検査装置をネットワークを介して管理する管理装置の一部として構成されている。

本発明により、ワークの加工面に不良が発生した場合にその要因を推定することが可能な加工不良要因推定装置を提供することが可能となる。

第１の実施形態による加工不良要因推定装置の概略的な機能ブロック図である。 加工不良要因推定装置の一形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 第２の実施形態による加工不良要因推定装置の概略的な機能ブロック図である。 加工不良要因推定システムの一形態を示す概略的な機能ブロック図である。 加工不良要因推定システムの他の形態を示す概略的な機能ブロック図である。 管理装置を備えた加工不良要因推定システムの一形態を示す概略的な機能ブロック図である。 従来の加工不良要因推定方法を説明する図である。

以下、本発明の一実施の形態である加工不良要因推定装置の構成例を示す。ただし、本発明の加工不良要因推定装置の構成は下記の例に限定されるものではなく、本発明の目的を実現可能なものであれば、どのような構成を採用しても良い。

図１は、本発明の実施形態である加工不良要因推定装置１０の概略的な構成を示す機能ブロック図である。加工不良要因推定装置１０は、例えば、加工済みワークの検査装置とデータ通信できるように有線／無線の通信回線で接続されたコンピュータなどとして実装することができる。検査装置には、例えば加工面解析装置（典型的にはレーザ顕微鏡）、加工面画像撮影装置、光反射率測定装置などがあるが、これに限定されるものではない。加工不良要因推定装置１０は、検査装置から取得されるデータに対して前処理を施す前処理部１２、加工面不良の要因について、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含む機械学習装置２０を備える。加工不良要因推定装置１０が備える機械学習装置２０が学習する加工面不良の要因は、加工面不良が生じたワークを検査装置で検査した際の検査結果（検査装置から取得される数値データ）と、当該加工不良の要因を示すデータとの、相関性を表すモデル構造に相当する。

図１に機能ブロックで示すように、加工不良要因推定装置１０が備える機械学習装置２０は、検査装置（図示せず）から取得される加工面不良ワークの検査結果を示す数値データを、環境の現在状態を表す状態変数Ｓとして観測する状態観測部２２と、当該加工不良の要因を示すラベルデータＬを取得するラベルデータ取得部２４と、状態変数ＳとラベルデータＬとを用いて、状態変数ＳにラベルデータＬを関連付けて学習する学習部２６とを備える。

前処理部１２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。前処理部１２は、検査装置又は検査装置に取り付けられたセンサから得られるデータや、該データを利用乃至変換して得られるデータなどに対して前処理を行い、前処理後のデータを状態観測部２２へと出力する。また、前処理部１２は、当該加工面不良の要因を示すデータを、入力部（図示しない）から取得して必要な前処理を行い、前処理後のデータをラベルデータ取得部２４へと出力する。

状態変数Ｓを得るために前処理部１２が行う前処理には、例えば表面粗さＳａ、表面の最大高さＳｖ、表面性状のアスペクト比Ｓｔｒ、尖り度Ｓｋｕ、偏り度Ｓｓｋ、界面の展開面積比Ｓｄｒ、加工済みワークの光反射率、加工面の画像の特徴などを評価するための種々の公知の処理が含まれる。また、ラベルデータＬを得るために前処理部１２が行う前処理には、例えば各種センサデータから特定できる加工不良の要因の識別データの生成、熟練の作業者による加工面不良の要因の推定結果を記録したファイルの入力及び解析、キーボード等のインターフェイスから直接入力される熟練の作業者による加工面不良の要因の推定結果の取得及び解析等が含まれる。

前処理部１２が各種センサデータから特定できる加工不良の要因の識別データを生成する処理について説明する。前処理部１２は、加工面不良が発生した場合、その要因と推定されるセンサデータを取得して、当該センサデータを機械学習に適した識別データに変換することができる。例えば、前処理部１２は、切削液の温度を複数の段階に分別するための基準を予め保持しており、切削液の温度が問題であった場合は、センサデータがどの段階にあたるかを示す識別データを作成する。あるいは、切削液の温度が高すぎた又は低すぎたことを示す２値の識別データを作成しても良い。また、前処理部１２は、工具の材質を示す識別データを出力する。あるいは、工具が硬すぎた又は軟らかすぎたことを示す２値の識別データを作成しても良い。さらに前処理部は、加工条件（主軸の回転数の高低又は大小、送り速度（合成速度）の高低又は大小など）、機械振動の程度又は大小、周辺機器振動の程度又は大小、その他の外乱の有無などを示す識別データを作成することができる。

状態観測部２２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。状態観測部２２が観測する状態変数Ｓである数値データは、例えば検査装置又は検査装置に付設されるセンサから得られるデータや、該データを利用乃至変換して得られるデータに対して前処理部１２により処理されたデータを含む加工面の検査結果を示すデータを用いることができる。

また、状態変数Ｓには、後述の加工面不良が発生したワーク上の部位を示す識別データを含めることができる。これにより、検査装置による加工面の検査結果と、加工面不良の発生要因との関係性を、部位毎に独立して学習することができるようになる。したがって、部位によって加工面不良の発生要因が異なる場合であっても、検査装置による加工面の検査結果に対応する適切な加工面不良の発生要因を出力できる。

ラベルデータ取得部２４は、例えばコンピュータのＣＰＵの一機能として構成できる。或いはラベルデータ取得部２４は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。ラベルデータ取得部２４が取得するラベルデータＬは、前処理部１２が前処理をした後のデータであって、例えばセンサデータにより加工面不良の発生要因が推定できる場合は、そのセンサデータの状態を示す識別データ、熟練した作業者により加工面不良の発生要因が推定された場合は、その推定要因を示す識別データを用いることができる。ラベルデータＬは、状態変数Ｓの下での加工面不良の発生要因を示す。

このように、加工不良要因推定装置１０が備える機械学習装置２０が学習を進める間、環境においては、工作機械による加工の実施、検査装置による加工面不良ワークの検査、加工面不良の発生要因の推定作業が実施される。

学習部２６は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは学習部２６は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。学習部２６は、機械学習と総称される任意の学習アルゴリズムに従い、加工面不良の発生要因を学習する。学習部２６は、加工面不良ワークの検査結果に関する状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。

このような学習サイクルを繰り返すことにより、学習部２６は、検査装置による検査結果（検査装置から取得される数値データ）と、当該検査結果が得られたワークにおける加工面不良の発生要因との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には、検査装置による検査結果と加工面不良の発生要因との相関性は実質的に未知であるが、学習部２６は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。検査装置による検査結果と加工面不良の発生要因との相関性が、ある程度信頼できる水準まで解釈されると、学習部２６が反復出力する学習結果は、現在の検査結果に対して加工面不良の発生要因をどのように判定するべきかと言う行動の選択（つまり意思決定）を行うために使用できるものとなる。つまり学習部２６は、学習アルゴリズムの進行に伴い、検査装置による検査結果と、加工面不良の発生要因をどのように判定するべきかという行動との、相関性を最適解に徐々に近づけることができる。

上記したように、加工不良要因推定装置１０が備える機械学習装置２０は、状態観測部２２が観測した状態変数Ｓとラベルデータ取得部２４が取得したラベルデータＬとを用いて、学習部２６が機械学習アルゴリズムに従い、検査装置による検査結果に対応する加工面不良の発生要因を学習するものである。状態変数Ｓは、検査装置による検査結果という、外乱の影響を受け難いデータで構成され、またラベルデータＬは、加工面不良の発生要因についての申告データに基づいて一義的に求められる。したがって、加工不良要因推定装置１０が備える機械学習装置２０によれば、学習部２６の学習結果を用いることで、検査装置による検査結果に対応する加工面不良の発生要因の判定を、演算や目算によらずに自動的に、しかも正確に行うことができるようになる。

加工面不良の発生要因の判定を、演算や目算によらずに自動的に行うことができれば、工作機械によるワーク加工後に検査装置において検査を行うだけで、該ワークに係る加工面不良の発生要因を迅速に推定することができる。したがって、加工面不良の発生要因の判定に掛かる時間を短縮することができる。また、作業者は、加工面の品質を改善するためのチューニングなどを容易に行うことが可能となる。

加工不良要因推定装置１０が備える機械学習装置２０の一変形例として、学習部２６は、複数の検査装置のそれぞれについて得られた状態変数Ｓ及びラベルデータＬを用いて、それら検査装置のそれぞれの検査結果に対応する加工面不良の発生要因を学習することができる。この構成によれば、一定時間で得られる状態変数ＳとラベルデータＬとを含むデータ集合の量を増加できるので、より多様なデータ集合を入力として、検査装置の検査結果に対応する加工面不良の発生要因の学習の速度や信頼性を向上させることができる。

上記構成を有する機械学習装置２０では、学習部２６が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図２は、図１に示す加工不良要因推定装置１０の一形態であって、学習アルゴリズムの一例として教師あり学習を実行する学習部２６を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデル（本願の機械学習装置２０では検査装置の検査結果に対応する加工面不良の発生要因)を学習する手法である。

図２に示す加工不良要因推定装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓから加工面不良の発生要因を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３４とを備える。学習部２６は、モデル更新部３４が相関性モデルＭの更新を繰り返すことによって検査装置の検査結果に対応する加工面不良の発生要因を学習する。

相関性モデルＭは、回帰分析、強化学習、深層学習などで構築することができる。相関性モデルＭの初期値は、例えば、状態変数Ｓと加工面不良の発生要因との相関性を単純化して表現したものとして、教師あり学習の開始前に学習部２６に与えられる。教師データＴは、例えば、過去の検査装置の検査結果に対応する加工面不良の発生要因を記録することで蓄積された経験値（検査装置の検査結果と、加工面不良の発生要因と、の既知のデータセット)によって構成でき、教師あり学習の開始前に学習部２６に与えられる。誤差計算部３２は、学習部２６に与えられた大量の教師データＴから検査装置の検査結果と加工面不良の発生要因との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。

次の学習サイクルでは、誤差計算部３２は、更新後の相関性モデルＭに従って検査装置による検査により得られた状態変数Ｓ及び観察者の評価結果であるラベルデータＬを用いて、それら状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（検査装置による検査結果）とそれに対する状態の判定（加工面不良の発生要因）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、検査装置による検査結果と、加工面不良の発生要因との関係が、最適解に徐々に近づけられる。

前述した教師あり学習を進める際に、例えばニューラルネットワークを用いることができる。図３Ａは、ニューロンのモデルを模式的に示す。図３Ｂは、図３Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。

図３Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ₁〜入力ｘ₃）に対する結果ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数１式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_kは活性化関数である。

図３Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してＷ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。

図３Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してＷ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。

図３Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してＷ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。

加工不良要因推定装置１０が備える機械学習装置２０においては、状態変数Ｓを入力ｘとして、学習部２６が上記したニューラルネットワークに従う多層構造の演算を行うことで、加工面不良の発生要因（結果ｙ）を出力することができる。なおニューラルネットワークの動作モードには、学習モードと判定モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて判定モードで加工面不良の発生要因の判定を行うことができる。なお判定モードでは、検出、分類、推論等を行うこともできる。

上記した加工不良要因推定装置１０の構成は、コンピュータのＣＰＵが実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、検査装置による検査結果に対応する加工面不良の発生要因を学習する機械学習方法であって、コンピュータのＣＰＵが、検査装置による検査結果を示す状態変数Ｓとして観測するステップと、加工面不良の発生要因を示すラベルデータＬを取得するステップと、状態変数ＳとラベルデータＬとを用いて、検査装置による検査結果と、加工面不良の発生要因と、を関連付けて学習するステップとを有する。

図４は、第２の実施形態による加工不良要因推定装置４０を示す。加工不良要因推定装置４０は、前処理部４２と、機械学習装置５０と、前処理部４２に入力されるデータを状態データＳ０として取得する状態データ取得部４６とを備える。状態データ取得部４６は、検査装置や、検査装置に付設されるセンサ、作業者による適宜のデータ入力から、状態データＳ０を取得することができる。

加工不良要因推定装置４０が有する機械学習装置５０は、検査装置による検査結果に対応する加工面不良の発生要因を機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）に加えて、学習部２６が検査装置による検査結果に基づいて判定した加工面不良の発生要因を、表示装置（図示せず）への文字の表示、スピーカ（図示せず）への音あるいは音声による出力、警報ランプ（図示せず）による出力、あるいはそれらの組合せとして出力するためのソフトウェア（演算アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含むものである。加工不良要因推定装置４０が含む機械学習装置５０は、１つの共通のＣＰＵが、学習アルゴリズム、演算アルゴリズム等の全てのソフトウェアを実行する構成を有することもできる。

判定出力部５２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは判定出力部５２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。判定出力部５２は、学習部２６が検査装置による検査結果に基づいて判定した加工面不良の発生要因を文字の表示、音あるいは音声による出力、警報ランプによる出力、あるいはそれらの組合せとして作業者に対して通知するように指令を出力する。判定出力部５２は、加工不良要因推定装置４０が備える表示装置などに対して通知の指令を出力するようにしても良いし、検査装置が備える表示装置などに対して通知の指令を出力するようにしても良い。

上記構成を有する加工不良要因推定装置４０が備える機械学習装置５０は、前述した機械学習装置２０と同等の効果を奏する。特に機械学習装置５０は、判定出力部５２の出力によって環境の状態を変化させることができる。他方、機械学習装置２０では、学習部２６の学習結果を環境に反映させるための判定出力部に相当する機能を、外部装置（例えば工作機械の制御装置）に求めることができる。

加工不良要因推定装置４０の一変形例として、判定出力部５２は、学習部２６が検査装置による検査結果に基づいて判定した加工面不良の発生要因のそれぞれについて、あらかじめ定めた所定の条件を設けておき、学習部２６が検査装置による検査結果に基づいて判定した加工面不良の発生要因が当該条件に適合した場合に、警告としての情報を出力するようにしても良い。

図５は、検査装置６０を備えた一実施形態による加工不良要因推定システム７０を示す。加工不良要因推定システム７０は、同様の内容及び精度の検査を行える複数の検査装置６０、６０’と、それら検査装置６０、６０’を互いに接続するネットワーク７２とを備え、複数の検査装置６０、６０’のうち少なくとも１つが、上記した加工不良要因推定装置４０を備える検査装置６０として構成される。また加工不良要因推定システム７０は、加工不良要因推定装置４０を備えない検査装置６０’を含むことができる。検査装置６０、６０’は、加工済みワークの加工面品位の検査をするために必要とされる一般的な構成を有する。

上記構成を有する加工不良要因推定システム７０は、複数の検査装置６０、６０’のうちで加工不良要因推定装置４０を備える検査装置６０が、学習部２６の学習結果を用いて、検査装置６０による検査結果に対応する加工面不良の発生要因を、演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つの検査装置６０の加工不良要因推定装置４０が、他の複数の検査装置６０、６０’のそれぞれについて得られた状態変数Ｓ及びラベルデータＬに基づき、全ての検査装置６０、６０’に共通する検査装置６０、６０’による検査結果に対応する加工面不良の発生要因を学習し、その学習結果を全ての検査装置６０、６０’が共有するように構成できる。したがって加工不良要因推定システム７０によれば、より多様なデータ集合（状態変数Ｓ及びラベルデータＬを含む）を入力として、検査装置による検査結果に対応する加工面不良の発生要因の学習の速度や信頼性を向上させることができる。

図６は、検査装置６０’を備えた他の実施形態による加工不良要因推定システム７０’を示す。加工不良要因推定システム７０’は、加工不良要因推定装置４０（又は１０）と、同一の内容及び精度で検査を実施できる複数の検査装置６０’と、それら検査装置６０’と加工不良要因推定装置４０（又は１０）とを互いに接続するネットワーク７２とを備える。

上記構成を有する加工不良要因推定システム７０’は、加工不良要因推定装置４０（又は１０）が、複数の検査装置６０’のそれぞれについて得られた状態変数Ｓ及びラベルデータＬに基づき、全ての検査装置６０’に共通する検査装置による検査結果に対応する加工面不良の発生要因を学習し、その学習結果を用いて、検査装置による検査結果に応じた加工面不良の発生要因を、演算や目算によらずに自動的に、しかも正確に求めることができる。

加工不良要因推定システム７０’は、加工不良要因推定装置４０（又は１０）が、ネットワーク７２に用意されたクラウドサーバに存在する構成を有することができる。この構成によれば、複数の検査装置６０’のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の検査装置６０’を加工不良要因推定装置４０（又は１０）に接続することができる。

加工不良要因推定システム７０、７０’に従事する作業者は、加工不良要因推定装置４０（又は１０）による学習開始後の適当な時期に、加工不良要因推定装置４０（又は１０）による検査装置による検査結果に対応する加工面不良の発生要因の学習の到達度が要求レベルに達したか否かの判断を実行することができる。

加工不良要因推定システム７０，７０’の一変形例として、加工不良要因推定装置４０を、検査装置６０，６０’を管理する管理装置８０に組み込んだ形で実装することも可能である。図７に示すように、管理装置８０には、ネットワーク７２を介して複数の検査装置６０，６０’が接続されており、管理装置８０は、ネットワーク７２を介して各検査装置６０，６０’の稼働状態や検査結果に関するデータを収集する。管理装置８０は、任意の検査装置６０，６０’からの情報を受け取り、加工不良要因推定装置４０に対して該検査装置６０，６０’の検査結果を判定するように指令し、その結果を管理装置８０が備える表示装置などに出力したり、判定対象の検査装置６０，６０’に対して結果を出力したりすることができる。このように構成することで、検査装置６０，６０’の判定結果などを管理装置８０で一元管理することができ、また、再学習の際に、複数の検査装置６０，６０’からサンプルとなる状態変数を集めることができるため、再学習用のデータを多く集めやすいという利点がある。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、機械学習装置２０、５０が実行する学習アルゴリズム、機械学習装置５０が実行する演算アルゴリズム、加工不良要因推定装置１０、４０が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。

また、上記した実施形態では前処理部１２を加工不良要因推定装置４０（または加工不良要因推定装置１０）上に設けた構成としていたが、前処理部１２を検査装置上に設けるようにしても良い。このとき、前処理は、加工不良要因推定装置４０（または加工不良要因推定装置１０）、検査装置のいずれか、あるいは両方で実行するようにしても良く、処理能力と通信の速度を鑑みて処理する場所を適宜設定できるようにしても良い。

また、上記した実施形態では学習部２６が教師あり学習のアルゴリズムを利用する場合を主に説明したが、本発明はこれに限定されるものではない。例えば、状態観測部２２は、ある特定の要因により加工面不良が発生したものと推定されるワークの検査結果のみを状態変数Ｓとして入力し、学習部２６は、教師なし学習アルゴリズムにより、ある特定の要因により加工面不良が発生したものと推定されるワークの検査結果の特徴を示すクラスタを形成するよう構成しても良い。この場合、学習部２６は、新たに発生した加工不良ワークに関する検査装置の検査結果が、上記クラスタに属するか否かを判定するにより、当該加工不良ワークが上記特定の要因により発生したものかどうかを推定することができる。ある検査結果がクラスタに属するか否かの判定は、たとえばクラスタ中心からの距離のしきい値判定などにより行うことができる。

この場合、例えば対象部位毎に学習プロセスを独立させる、すなわち対象部位毎にそれぞれ異なる学習部２６を用いて学習を行うこともできる。これにより、対象部位毎に異なるクラスタが形成されるので、検査装置による検査結果と、加工面不良の発生要因との関係性を、対象部位毎に独立して学習することができるようになる。したがって、対象部位によって加工面不良の発生要因が異なる場合であっても、検査装置による検査結果に対応する適切な加工面不良の発生要因を出力できる。

１０ 加工不良要因推定装置
１２ 前処理部
２０ 機械学習装置
２２ 状態観測部
２４ ラベルデータ取得部
２６ 学習部
３２ 誤差計算部
３４ モデル更新部
４０ 加工不良要因推定装置
４２ 前処理部
４６ 状態データ取得部
５０ 機械学習装置
５２ 判定出力部
６０，６０’ 検査装置
７０，７０’ 加工不良要因推定システム
７２ ネットワーク
８０ 管理装置

Claims (9)

1. 検査装置によるワークの加工面の検査結果に基づいて、加工面不良の発生要因を判定する加工不良要因推定装置において、
   前記検査装置による検査結果に対応する加工面不良の発生要因を学習する機械学習装置を備え、
   前記機械学習装置は、
   前記検査装置によるワークの加工面の検査結果を状態変数として観測する状態観測部と、
   前記加工面不良の発生要因を示すラベルデータを取得するラベルデータ取得部と、
   前記状態変数と、前記ラベルデータとを関連付けて学習する学習部と、を備える
   加工不良要因推定装置。
2. 前記学習部は、
   前記状態変数から前記加工面不良の発生要因を判定する相関性モデルと予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
   前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
   請求項１に記載の加工不良要因推定装置。
3. 前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する、
   請求項１に記載の加工不良要因推定装置。
4. 前記学習部による学習結果に基づいて判定された前記加工面不良の発生要因を出力する判定出力部を更に備える、
   請求項１に記載の加工不良要因推定装置。
5. 前記判定出力部は、前記学習部により判定された前記加工面不良の発生要因があらかじめ設定された条件に適合する場合に警告を出力する、
   請求項４に記載の加工不良要因推定装置。
6. 前記検査装置によるワークの加工面の検査結果とは、前記ワークの表面粗さＳａ、表面の最大高さＳｖ、表面性状のアスペクト比Ｓｔｒ、尖り度Ｓｋｕ、偏り度Ｓｓｋ、界面の展開面積比Ｓｄｒ、光反射率、画像の特徴のうち、少なくとも１つを利用して得られた値であることを特徴とする、
   請求項１に記載の加工不良要因推定装置。
7. 前記加工不良要因推定装置は、前記検査装置の一部として構成されている、
   請求項１に記載の加工不良要因推定装置。
8. 前記加工不良要因推定装置は、複数の前記検査装置をネットワークを介して管理する管理装置の一部として構成されている、
   請求項１に記載の加工不良要因推定装置。
9. 検査装置によるワークの加工面の検査結果に基づいて、加工面不良の発生要因を判定する加工不良要因推定装置において、
   前記検査装置によるワークの加工面の検査結果と、前記加工面不良の発生要因を示すラベルデータと、の相関性を示すモデルと、
   前記モデルに基づいて判定された前記加工面不良の発生要因を出力する判定出力部と、を備える
   加工不良要因推定装置。

Images