JP6572265B2 - 制御装置及び機械学習装置 - Google Patents

Description

本発明は、制御装置及び機械学習装置に関し、特に主軸衝突を検出することが可能な制御装置及び機械学習装置する。

制御装置により制御される加工機において、作業者による機械の誤操作やプログラムミス、使用工具の設定ミス等が原因で主軸がワークや治具などに衝突することがある。主軸の衝突が発生した場合、その時点で加工機が故障することもあるが、主軸が衝突した時点では加工機の動作には問題は見られず、その後ある程度時間が経ってから主軸から異音が発生したり、ワークの加工精度が低下していることが検出されたりすることで、加工機が故障していることが判明することもある。後者の場合、例えば特許文献１に開示される技術を用いて、加工機の主軸の座標値、実速度、当該加工機による加工において制御装置から設定された工具オフセットや、動作中の加工プログラムなどの情報を制御装置が備える記憶装置内に保存し、それを解析することで過去に主軸が衝突し、該主軸の衝突が故障の原因であることを間接的に推定することができる。

一方、制御装置により制御される加工機において主軸衝突を直接的に検出する方法としては、主軸に異常負荷が発生したことを検出する異常負荷検出機能を用いることが考えられる。異常負荷検出機能は、制御軸毎にモニタした負荷電流値から加工にかかる理論上の電流値を差し引いた値（推定負荷トルク）が一定値以上だった場合に、主軸衝突が発生したと判断し、制御装置にアラームを通知する機能である（特許文献２など）。

また、制御装置により制御される加工機において主軸衝突を直接的に検出する他の方法としては、加速度センサを用いる方法が考えられる。主軸衝突の検出に加速度センサを用いる場合には、加速度センサをスピンドルに取り付け、制御装置側で加速度センサのセンサ値を読み出し、読み出したセンサ値が一定値以上だった場合に、主軸衝突が発生したと判断してアラームを発生させる。

国際公開第００／１０７６９号 特開２０１６−１９３４６９号公報

しかしながら、異常負荷検出機能、加速度センサを用いる方法のいずれについても、主軸衝突したとみなす基準値を求めることが困難である。すなわち、異常負荷検出機能において、主軸が衝突したとみなす推定負荷トルクの基準値を低く設定した場合、正常な加工が行われている時に主軸衝突が発生したと誤認する場合があり、また、主軸が衝突したとみなす推定負荷トルクの基準値を高く設定した場合、主軸が衝突したにも拘わらず、これを検出できない場合が起こり得る。これは、加速度センサを用いる方法を用いた場合でも同様である。
特に、負荷電流により主軸衝突を判断する場合には、重切削時と主軸衝突との区別が困難であり、加速度センサを用いて主軸衝突を判断する場合には、高速な早送りと主軸衝突との区別が困難になる。

そこで本発明の目的は、主軸衝突の判定に用いられる基準値の設定に労力をかけることなく高精度に主軸衝突を検出する制御装置及び機械学習装置を提供することである。

本発明では、主軸の異常負荷検出及び加速度検出を併用し、主軸が正常に移動している場合の主軸の推定負荷トルク値と主軸の加速度値との関係を学習する機械学習装置を制御装置に導入する。本発明の制御装置は、主軸の推定負荷トルク値及び主軸の加速度値に基づいて機械学習装置に主軸の衝突を判定させ、判定させた結果に基づいて主軸衝突に係るアラームを発生させる。

そして、本発明の一態様は、加工機が備える主軸の衝突を検出する制御装置であって、前記主軸が衝突していない正常加工時の主軸の状態を学習する機械学習装置を備え、前記機械学習装置は、前記主軸の推定負荷トルク値を示す主軸推定負荷トルクデータ及び前記主軸の加速度値を示す主軸加速度データを環境の現在状態を表す状態変数として観測する状態観測部と、前記状態変数を用いて、正常加工時の前記主軸の推定負荷トルク値と、前記主軸の加速度値との相関性を学習する学習部と、を備えた制御装置である。

また、本発明の他の態様は、加工機が備える主軸が衝突していない正常加工時の主軸の状態を学習する機械学習装置において、前記主軸の推定負荷トルク値を示す主軸推定負荷トルクデータ及び前記主軸の加速度値を示す主軸加速度データを環境の現在状態を表す状態変数として観測する状態観測部と、前記状態変数を用いて、正常加工時の前記主軸の推定負荷トルク値と、前記主軸の加速度値との相関性を学習する学習部と、を備える機械学習装置である。

本発明によれば、主軸が衝突したとみなす異常負荷の基準値及び加速度の基準値の設定に試行錯誤することなく高精度に主軸衝突の検出が可能となるため、作業者の設定に係る労力を軽減することが可能となる。

第１の実施形態による制御装置の概略的なハードウェア構成図である。 第１の実施形態による制御装置の概略的な機能ブロック図である。 制御装置の一形態を示す概略的な機能ブロック図である。 近傍法による判定方法について説明する図である。 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の実施形態による制御装置の概略的な機能ブロック図である。 制御装置を組み込んだ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。 制御装置を組み込んだ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。

以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による制御装置の要部を示す概略的なハードウェア構成図である。制御装置１は、例えば主軸を備えた加工機を制御する数値制御装置として実装することができる。本実施形態による制御装置１が備えるＣＰＵ１１は、制御装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って制御装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、制御装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、図示しない入力部を介してオペレータが入力した各種データ（例えば、加工条件、正常加工（主軸が衝突していない）時の推定負荷トルク値と加速度センサ値のサンプリングデータなど）や、図示しないインタフェースを介して入力された制御用の加工プログラムなどが記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、加工プログラムを解析して実行するためのシステム・プログラムなど、制御装置１の動作に必要な各種のシステム・プログラム（後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。

加工機が備える軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、加工機が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度・トルク検出器を内蔵し、この位置・速度・トルク検出器からの位置・速度・トルクフィードバック信号を軸制御回路３０にフィードバックし、位置・速度・トルクのフィードバック制御を行う。この軸制御回路３０にフィードバックされた位置・速度のフィードバック値を用いて、ＣＰＵ１１はそれぞれの軸の加速度を算出することも可能である。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には制御対象となる加工機が備える軸の数だけ用意される。

スピンドル制御回路６０は、加工機への主軸回転指令を受け、スピンドルアンプ６１にスピンドル速度信号を出力する。スピンドルアンプ６１はこのスピンドル速度信号を受けて、加工機のスピンドルモータ６２を指令された回転速度で回転させ、工具を駆動する。
スピンドルモータ６２にはポジションコーダ６３が結合され、ポジションコーダ６３が主軸の回転に同期して帰還パルスを出力し、その帰還パルスはＣＰＵ１１によって読み取られる。

インタフェース２１は、ＣＰＵ１１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して制御装置１で取得可能な各情報（例えば、加工条件、主軸を移動させる軸を駆動するサーボモータ５０の推定負荷トルク値や加速度など）を観測することができる。また、制御装置１は、機械学習装置１００から出力される主軸衝突判定結果を受けて、アラームを発生させたり、サーボモータ５０の停止制御等を行う。

図２は、第１の実施形態による制御装置１と機械学習装置１００の概略的な機能ブロック図である。機械学習装置１００は、正常加工（主軸が衝突していない）時における主軸の動作状態（主軸の推定負荷トルク値及び主軸の加速度値から把握される状態）を、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（プロセッサ１０１等）を含む。制御装置１が備える機械学習装置１００が学習するものは、主軸が正常に動作している場合における、主軸の推定負荷トルク値と、主軸の加速度値との、相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、制御装置１が備える機械学習装置１００は、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値を示す主軸推定負荷トルクデータＳ１、及び正常加工（主軸が衝突していない）時における主軸の加速度値を示す主軸加速度データＳ２を含む状態変数Ｓとして観測する状態観測部１０６と、状態変数Ｓを用いて、正常加工（主軸が衝突していない）時における主軸の動作状態と、主軸の加速度値との相関性を学習する学習部１１０とを備える。

状態観測部１０６は、例えばプロセッサ１０１の一機能として構成できる。或いは状態観測部１０６は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。

状態観測部１０６が観測する状態変数Ｓのうち、主軸推定負荷トルクデータＳ１は、例えば、主軸を移動させる軸を駆動するサーボモータ５０のトルクのフィードバック値から算出した値を用いることができるが、機械学習装置１００の所謂訓練期においては、過去の加工時において図示しないデータロガーなどを用いて記録された正常加工（主軸が衝突していない）時の主軸の推定負荷トルク値から所定の条件に基づいて抽出されたサンプリングデータを用いることが望ましい。

状態変数Ｓのうち、主軸加速度データＳ２は、主軸を移動させる軸を駆動するサーボモータ５０の位置又は速度のフィードバック値から算出された主軸の加速度を用いたり、主軸に取り付けられた加速度センサなどを用いて検出された主軸の加速度を用いたりすることができるが、機械学習装置１００の所謂訓練期においては、過去の加工時において図示しないデータロガーなどを用いて記録された正常加工（主軸が衝突していない）時の主軸の加速度値から所定の条件に基づいて抽出されたサンプリングデータを用いることが望ましい。

学習部１１０は、例えばプロセッサ１０１の一機能として構成できる。或いは学習部１１０は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。学習部１１０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、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と、その時の主軸の加速度値との相関性を学習する。学習部１１０は、前述した状態変数Ｓ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１１０は、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値（主軸推定負荷トルクデータＳ１）と、その時の主軸の加速度値（主軸加速度データＳ２）との相関性を暗示する特徴（クラスタ集合）を自動的に解釈する。学習アルゴリズムの開始時には主軸推定負荷トルクデータＳ１と主軸加速度データＳ２との相関性は実質的に未知であるが、学習部１１０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。主軸推定負荷トルクデータＳ１と主軸加速度データＳ２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１１０が反復出力する学習結果は、現在状態（つまり現在の主軸の推定負荷トルク値及び主軸の加速度値）に対して、主軸が正常動作しているのか、或いはそうでない（主軸が正常動作していないのか）という判断を行うために使用できるものとなる。つまり学習部１１０は、学習アルゴリズムの進行に伴い、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と、その時の主軸の加速度値との相関性モデル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、制御装置１が備える機械学習装置１００は、状態観測部１０６が観測した状態変数Ｓを用いて、学習部１１０が機械学習アルゴリズムに従い、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と、その時の主軸の加速度値との相関性を学習するものである。状態変数Ｓは、主軸推定負荷トルクデータＳ１、主軸加速度データＳ２という外乱の影響を受け難いデータで構成されており、制御装置１が取得したサーボモータ５０の動作状態により一義的に求められる。したがって、制御装置１が備える機械学習装置１００によれば、学習部１１０の学習結果を用いることで、主軸の推定負荷トルク値及び主軸の加速度値との関係から、主軸の動作状態が正常加工（主軸が衝突していない）時のものであるのか否かを、演算や目算によらずに自動的に、しかも正確に判定することができるようになる。

そして、主軸の動作状態が正常／異常を、演算や目算によらずに自動的に判定することができれば、主軸の推定負荷トルク値（主軸推定負荷トルクデータＳ１）、主軸の加速度値（主軸加速度データＳ２）を把握するだけで、加工機の主軸動作状態が正常加工（主軸が衝突していない）時のものであるのか否かを迅速に判定することができる。

制御装置１が備える機械学習装置１００の一変形例として、状態観測部１０６は、状態変数Ｓとして、加工対象となるワークの材質、加工に用いられる工具の種類、加工機の剛性などのような加工に係る条件を含む加工条件データＳ３を更に観測することができる。このようにする場合、加工条件データＳ３は加工条件については図示しない入力部を介して制御装置１に入力された加工条件に係る設定値から取得することができる。

上記変形例によれば、機械学習装置１００は、主軸の推定負荷トルク値と主軸の加速度値に加えて、更に加工条件との相関性を解釈することができるようになり、加工条件に応じて主軸の推定負荷トルク値や主軸の加速度値が変化する場合においても対応することが可能となる。

制御装置１が備える機械学習装置１００の他の変形例として、状態観測部１０６は、状態変数Ｓとして、主軸から発せられる音の大きさ、主軸から発せられる音の周波数などのような主軸発生音に係る情報を含む主軸発生音データＳ４を更に観測することができる。主軸発生音データＳ４は、例えば加工機の主軸近傍に音声センサなどを設置し、設置した音声センサが検出した値を制御装置１を介して取得するようにすれば良い。

上記変形例によれば、機械学習装置１００は、主軸の推定負荷トルク値と主軸の加速度値に加えて、更に主軸発生音に係る情報との相関性を解釈することができるようになり、より高精度に主軸の衝突を検出できるようになる。

制御装置１が備える機械学習装置１００の他の変形例として、学習部１１０は、同一の加工を行う複数の加工機のそれぞれについて得られた状態変数Ｓを用いて、それら加工機の正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性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、加工機の正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値の相関性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１００では、学習部１１０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３は、図２に示す制御装置１の一形態であって、学習アルゴリズムの一例として教師なし学習を実行する学習部１１０を備えた構成を示す。教師なし学習は、入力データのみを大量に学習装置に与えることで、入力データの要素間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を学習する手法である。教師なし学習では、入力データに対応する教師データを与えなくても、入力データに対して圧縮、分類、整形などを行うことができる。

図３に示す制御装置１が備える機械学習装置１００において、学習部１１０は、状態変数Ｓから加工機の主軸が正常加工の状態にあるかを判定するための相関性モデルＭを更新するモデル更新部１１４を備える。学習部１１０は、モデル更新部１１４が相関性モデルＭの更新を繰り返すことによって加工機の正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値の相関性を学習する。

相関性モデルＭの初期値は、例えば、加工機の正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値の相関性を単純化して（例えば一次関数で）表現したものであり、教師なし学習の開始前に学習部１１０に与えられる。モデル更新部１１４は、学習部１１０に与えられた大量の状態変数Ｓから加工機の正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値の相関性を暗示する相関性特徴を識別し、この相関性特徴に基づいて、例えば予め定めた更新ルールに従い相関性モデルＭを更新する。

本発明の制御装置１及び機械学習装置１００では、教師なし学習を用いることにより、主軸を衝突させたデータを収集する必要がなくなるというメリットがある。教師あり学習を採用した場合、主軸が衝突していない時の状態変数Ｓと、主軸が衝突した時の状態変数Ｓが必要となるが、後者の状態変数Ｓを取得するためにはわざと加工機の主軸を衝突させる必要があり、多くのデータを取得するためには相当な数の加工機を故障させる恐れが生じる。その点、本発明では教師なし学習を用いているため、態々加工機の主軸を衝突させることなく運用に耐えうる相関性モデルＭを構築することができる。

前述した教師なし学習を実装する際に、近傍法を用いることができる。機械学習装置１００が備える状態観測部１０６が機械学習装置１００の訓練期に観測する状態変数Ｓに基づいて更新された相関性モデルＭとして、例えば主軸の推定負荷トルク値を縦軸、主軸の加速度値を横軸としたグラフを用いる場合、図４に示されるように、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値は或る傾向を備えたクラスタ集合を形成する。図４の例では、切削送りのクラスタ集合と、早送りのクラスタ集合が形成されている。近傍法では、運用時において状態観測部１０６が観測した主軸の推定負荷トルク値及び主軸の加速度値の組（標本）を相関性モデルＭのグラフ上にプロットした場合に、標本の点の近傍にあるｋ個の点がいずれのクラスタに属するかで標本が属するクラスタを判定できる。また、標本の点から予め定めた所定の距離ｒ以内にｋ個の点が無い場合には、標本はいずれのクラスタにも属さないと判定できる。例えば、ｋ＝５とした場合、図４において、標本Ａの近傍には正常加工（主軸が衝突していない）時の切削送りの主軸の推定負荷トルク値と加速度との組が５つ存在するため、標本Ａは正常加工時の切削送りのクラスタに属し、標本Ｂの近傍には正常加工（主軸が衝突していない）時の早送りの主軸の推定負荷トルク値と加速度との組が５つ存在するため、標本Ａは正常加工時の早送りのクラスタに属する。一方、図４において、標本Ｃの近傍（距離ｒ以内）には正常加工（主軸が衝突していない）時の主軸の推定負荷トルク値と加速度との組が存在しないので、標本Ｃは主軸衝突時に取得された主軸の推定負荷トルク値と加速度の組であると判定できる。

前述した教師なし学習を実装する際に、ニューラルネットワークを用いることができる。図５Ａは、ニューロンのモデルを模式的に示す。図５Ｂは、図５Ａ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５Ａ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２式により表現される出力ｙを出力する。なお、数２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５Ｂ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５Ｂ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５Ｂ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。
なお、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることも可能である。

制御装置１が備える機械学習装置１００においては、状態変数Ｓを入力ｘとして、学習部１１０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、正常加工時の主軸の推定負荷トルクと主軸の加速度の組の集合に属するか否か（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、訓練期に用いられる学習モードと運用期に用いられる価値予測モードとがあり、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を用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。

上記した制御装置１の構成は、プロセッサ１０１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、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性を学習する機械学習方法であって、コンピュータのＣＰＵが、主軸推定負荷トルクデータＳ１，及び主軸加速度データＳ２を、加工機による加工を行う環境の現在状態を表す状態変数Ｓとして観測するステップと、状態変数Ｓを用いて、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値とを関連付けて学習するステップとを有する。

図６は、第２の実施形態による制御装置２を示す。制御装置２は、機械学習装置１２０と、状態観測部１０６が観測する状態変数Ｓの主軸推定負荷トルクデータＳ１、及び主軸加速度データＳ２を状態データＳ０として取得する状態データ取得部３とを備える。状態データ取得部３は、制御装置２の各部や、作業者による適宜のデータ入力等から、状態データＳ０を取得することができる。

制御装置２が有する機械学習装置１２０は、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性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（プロセッサ１０１等）に加えて、学習結果に基づいて入力された主軸の推定負荷トルク値及び主軸の加速度値に対する加工動作の正常／異常の判定結果を制御装置２へ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（プロセッサ１０１等）を含むものである。制御装置２が含む機械学習装置１２０は、１つの共通のプロセッサが、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。

判定部１２２は、例えばプロセッサ１０１の一機能として構成できる。或いは判定部１２２は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。判定部１２２は、学習部１１０が学習した結果に基づいて、主軸の推定負荷トルク値及び主軸の加速度値に対する加工動作の正常／異常の判定結果を出力する。判定部１２２が判定結果Ｒを制御装置２に対して出力した場合、これに応じて、制御装置２は必要に応じて主軸衝突のアラートを発生させたり、制御対象となる加工機の停止制御をしたりすることができる。

上記構成を有する制御装置２が備える機械学習装置１２０は、前述した機械学習装置１００と同等の効果を奏する。特に機械学習装置１２０は、判定部１２２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１００では、学習部１１０の学習結果を環境に反映させるための判定部に相当する機能を、外部装置に求めることができる。

図７は、加工機１６０を備えた一実施形態によるシステム１７０を示す。システム１７０は、少なくとも同一の作業を行う複数の加工機１６０、１６０’と、それら加工機１６０、１６０’を互いに接続する有線／無線のネットワーク１７２とを備え、複数の加工機１６０のうち少なくとも１つが、上記した制御装置２を備える加工機１６０として構成される。またシステム１７０は、制御装置２を備えない加工機１６０’を含むことができる。加工機１６０、１６０’は、同じ目的の作業に必要とされる機構を有する。

上記構成を有するシステム１７０は、複数の加工機１６０、１６０’のうちで制御装置２を備える加工機１６０が、学習部１１０の学習結果を用いて、主軸の推定負荷トルク値及び主軸の加速度値に対する加工動作の正常／異常の状態を、演算や目算によらずに自動的に、しかも正確に判定することができる。また、少なくとも１つの加工機１６０の制御装置２が、他の複数の加工機１６０、１６０’のそれぞれについて得られた状態変数Ｓに基づき、全ての加工機１６０、１６０’に共通する正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性を学習し、その学習結果を全ての加工機１６０、１６０’が共有するように構成できる。したがってシステム１７０によれば、より多様なデータ集合（状態変数Ｓを含む）を入力として、正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性の学習の速度や信頼性を向上させることができる。

図８は、加工機１６０’を備えた他の実施形態によるシステム１７０’を示す。システム１７０’は、機械学習装置１２０（又は１００）と、同一の機械構成を有する複数の加工機１６０’と、それら加工機１６０’と機械学習装置１２０（又は１００）とを互いに接続する有線／無線のネットワーク１７２とを備える。

上記構成を有するシステム１７０’は、機械学習装置１２０（又は１００）が、複数の加工機１６０’のそれぞれについて得られた状態変数Ｓに基づき、全ての加工機１６０’に共通する正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性を学習し、その学習結果を用いて、主軸の推定負荷トルク値及び主軸の加速度値に対する加工動作の正常／異常の状態を、演算や目算によらずに自動的に、しかも正確に判定することができる。

システム１７０’は、機械学習装置１２０（又は１００）が、ネットワーク１７２に用意されたクラウドサーバ等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、複数の加工機１６０’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加工機１６０’を機械学習装置１２０（又は１００）に接続することができる。

システム１７０、１７０’に従事する作業者は、機械学習装置１２０（又は１００）による学習開始後の適当な時期に、機械学習装置１２０（又は１００）による正常加工（主軸が衝突していない）時における主軸の推定負荷トルク値と主軸の加速度値との相関性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。

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１００，１２０が実行する学習アルゴリズム、機械学習装置１２０が実行する演算アルゴリズム、制御装置１、２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制御装置１（又は２）と機械学習装置１００（又は１２０）が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００（又は１２０）は制御装置１（又は２）が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

１，２ 制御装置
３ 状態データ取得部
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
２０ バス
２１ インタフェース
３０ 軸制御回路
４０ サーボアンプ
５０ サーボモータ
６０ スピンドル制御回路
６１ スピンドルアンプ
６２ スピンドルモータ
６３ ポジションコーダ
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１１０ 学習部
１１４ モデル更新部
１２０ 機械学習装置
１２２ 判定部
１６０，１６０’ 加工機
１７０，１７０’ システム
１７２ ネットワーク

Claims (8)

1. 加工機が備える主軸の衝突を検出する制御装置であって、
   前記主軸が衝突していない正常加工時の主軸の状態を学習する機械学習装置を備え、
   前記機械学習装置は、
   前記主軸の推定負荷トルク値を示す主軸推定負荷トルクデータ及び前記主軸の加速度値を示す主軸加速度データを環境の現在状態を表す状態変数として観測する状態観測部と、
   前記状態変数を用いて、正常加工時の前記主軸の推定負荷トルク値と、前記主軸の加速度値との相関性を学習する学習部と、
   を備える制御装置。
2. 前記状態変数には、更に前記加工機における加工に係る条件を示す加工条件データを含み、
   前記学習部は、正常加工時の前記主軸の推定負荷トルク値、前記主軸の加速度値、及び前記加工に係る条件の相関性を学習する、
   請求項１に記載の制御装置。
3. 前記状態変数には、更に前記主軸から発せられる音に係る情報を示す主軸発生音データを含み、
   前記学習部は、正常加工時の前記主軸の推定負荷トルク値、前記主軸の加速度値、及び前記主軸から発せられる音に係る情報の相関性を学習する、
   請求項１に記載の制御装置。
4. 前記学習部は、
   前記加工機による加工の正常／異常の状態を判定するための相関性モデルを前記状態変数に基づいて更新するモデル更新部と備える、
   請求項１〜３のいずれか１つに記載の制御装置。
5. 前記学習部は、教師なし学習により前記主軸が衝突していない正常加工時の主軸の状態を学習する、
   請求項１〜４のいずれか１つに記載の制御装置。
6. 前記学習部による学習結果に基づいて、前記加工機による加工の正常／異常の状態を判定した結果を出力する判定部を更に備える、
   請求項１〜５のいずれか１つに記載の制御装置。
7. 前記機械学習装置は、クラウドサーバに存在する、
   請求項１〜６のいずれか１つに記載の制御装置。
8. 加工機が備える主軸が衝突していない正常加工時の主軸の状態を学習する機械学習装置において、
   前記主軸の推定負荷トルク値を示す主軸推定負荷トルクデータ及び前記主軸の加速度値を示す主軸加速度データを環境の現在状態を表す状態変数として観測する状態観測部と、
   前記状態変数を用いて、正常加工時の前記主軸の推定負荷トルク値と、前記主軸の加速度値との相関性を学習する学習部と、
   を備える機械学習装置。

Images