JP6863930B2

JP6863930B2 - 寿命予測装置及び機械学習装置

Info

Publication number: JP6863930B2
Application number: JP2018102812A
Authority: JP
Inventors: 久保　守; 守久保
Original assignee: FANUC Corp
Current assignee: FANUC Corp
Priority date: 2018-05-29
Filing date: 2018-05-29
Publication date: 2021-04-21
Anticipated expiration: 2038-05-29
Also published as: US20190369598A1; JP2019207576A; DE102019003601A1; CN110543653A; US11402817B2

Description

本発明は、工作機械の消耗部品の寿命を予測する寿命予測装置及び機械学習装置に関する。

工作機械やロボット等の製造機械を構成する部品の内、工具や液晶パネル、モータの絶縁抵抗、軸受け、ギア、ベルト、フィルタ等のような、摩耗、劣化、疲労等の理由で機能を果たせなくなり交換される消耗部品の寿命は、条件によって変動するため推定することが困難である。

製造機械の消耗部品の内、工具の寿命を推定する代表的な方法としては、例えば、テイラーの寿命方程式が知られている（特許文献１等）。テイラーの寿命方程式を用いて工具寿命を推定する際には、加工に用いる工具やワークの材質などの加工条件に基づいて常数を定め、定めた常数をテイラーの寿命方程式に当て嵌めることにより、さまざまな加工条件において工具寿命を推定することができる。また、加工時間や加工回数などに基づいて工具の寿命を推定する技術も提案されている（特許文献２等）。

テイラーの寿命方程式を用いる方法では、上記の通り加工条件に応じて工具やワークに基づいた常数の計算が必要であり、加工条件が頻繁に変化する工作機械においては常数の決定が煩雑となり実用性に欠けるという問題がある。また、加工時間や加工回数による寿命の推定を行う方法では、いずれも実加工に基づいた経験則による推定であるため、やはり加工条件が頻繁に変化する状況では高い精度で寿命を予測することができない。その為、現状ではオペレータが都度工具を点検し、経験と勘で寿命を判断している。

寿命予測の精度を高めるための従来技術として、本件出願人が先に出願した特許文献３では、工具の寿命が尽きたとオペレータが判断し工具を交換した時までの単位時間毎の加工情報を収集し、工具寿命が残っている場合の加工情報を機械学習（クラスタ分析）により分類し、現在の加工情報が上記クラスタに属するかを求め、工具寿命が残っているかどうかを判定する技術を開示している。この方法を用いることで、煩雑な寿命方程式の計算をすることなく、精度の高い工具寿命の推定が可能となる。

また、特許文献４では、部品の状態を示すデータを随時収集し、過去の部品交換の際に一定の傾向を示しているデータを抽出し、前回の部品交換時と現在のデータの傾向が類似した時、部品の交換時期に到達したと判定したり、未来のデータ値を予測することで次回の交換時期を推定したりする技術を開示している。この方法を用いることで、現実の稼働状況に即して部品寿命を推測し、無駄な点検を削減することが可能となる。

特開平１１−１７０１０２号公報特開２００２−２２４９２５号公報特願２０１６−２５００５７号特開２０１７−１１７０１３号公報

しかしながら、特許文献３に開示される技術では、クラスタ分析をするためにまとまったデータが大量に必要で、寿命の長い工具のデータは収集しにくいため、寿命推測開始まで時間を要するという課題がある。また、工具寿命あり／なしの判定しか行えず、更に、予め収集する情報の取捨選択が必要であるため、真に寿命に影響するデータを見極めるための研究が必要となる。

また、特許文献４に開示される技術では、部品の状態を示すデータの傾向を調べるために、データは随時収集する必要があり、データを保存用に大容量ストレージが必要であるという課題がある。また、寿命判定に抽出するデータは、一定の決められた傾向を示しているものしか利用できず、そのデータが真に寿命に影響するデータかどうかはわからないまま利用するしかない。更に、部品交換コストや部品ストック数など、傾向が予測困難なデータに対しては適用できない。

そこで本発明の目的は、収集されたデータが少ない段階でも所定の精度で製造機械の消耗部品の寿命を予測することが可能な寿命予測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、製造機械の消耗部品の寿命予測に統計的機械学習の手法を導入する。本発明の寿命予測装置は、ストレスや疲労により故障する工作機械の消耗部品（工具、液晶パネル、モータ、軸受け、ギア、ベルト、フィルタ等）の寿命予測において、消耗部品を交換した際に寿命との関連が推定される情報（寿命関連データ）から、機械学習により寿命確率モデルを最適化する。ここで言うところの寿命との関連とは、例えば工具の場合、ワーク硬さ（ＨＶ）、クーラント種類（ｐＨ）、送り速度、主軸回転数、刃先温度、切削時間、切削距離、切削抵抗（送り軸、主軸アンプ電流値）等のように、消耗部品の寿命（消耗）との直接的な関連や、交換部品コストや部品ストック数等のように、消耗部品の寿命（消耗）との経済的な関連等のことを意味する。本発明では、このような寿命関連データを観測し、観測した寿命関連データから徐々に寿命確率モデルのパラメータを更新するベイズ推論等の手法を用い、少ない観測データ数で学習をすることを可能とする。

本発明の寿命予測装置は、この様にして最適化された寿命確率モデルから、各寿命関連データを要素としたベクトル（特徴ベクトル）による寿命確率分布を求め、求めた寿命確率分布上の原点と平均を結ぶ直線による近似分布より、リアルタイムに現在の寿命が尽きる確率値を数値で推定する。
また、本発明の寿命予測装置は、収集する寿命関連データがまとまった時点で、真に寿命に影響するデータ種類（特徴）を機械学習（特徴選択アルゴリズム）で選択する構成を更に設ける。

そして、本発明の一態様は、製造機械の消耗部品の交換寿命を予測する寿命予測装置であって、前記消耗部品の交換寿命を学習する機械学習装置を備え、前記機械学習装置は、前記消耗部品の寿命に関連する寿命関連データの内で、観測対象として設定された寿命関連データを状態変数として観測する状態観測部と、前記状態観測部が状態変数として観測した寿命関連データを記憶する状態変数記憶部と、前記状態観測部が状態変数として観測した寿命関連データに基づいて前記消耗部品の交換寿命の確率モデルを作成し、作成した確率モデルを用いて前記状態観測部が状態変数として観測する寿命関連データに基づく前記消耗部品の交換寿命を予測する寿命確率予測部と、前記状態観測部が観測対象とする寿命関連データを選択する特徴選択部と、を備え、前記特徴選択部は、寿命関連データに基づいて作成される前記消耗部品の交換寿命の確率モデルの汎化性能を交差検証により算出する交差検証部と、前記交差検証部により算出される確率モデルの汎化性能に基づいて、前記状態変数記憶部に記憶されている寿命関連データの内で、前記消耗部品の寿命と関連が低い寿命関連データの種類を特定し、特定した前記消耗部品の寿命と関連が低い寿命関連データの種類を前記状態観測部が観測対象とする寿命関連データから削減する特徴削減部とをさらに備える寿命予測装置である。

本発明の他の態様は、製造機械の消耗部品の交換寿命を学習する機械学習装置であって、前記消耗部品の寿命に関連する寿命関連データの内で、観測対象として設定された寿命関連データを状態変数として観測する状態観測部と、前記状態観測部が状態変数として観測した寿命関連データを記憶する状態変数記憶部と、前記状態観測部が状態変数として観測した寿命関連データに基づいて前記消耗部品の交換寿命の確率モデルを作成し、作成した確率モデルを用いて前記状態観測部が状態変数として観測する寿命関連データに基づく前記消耗部品の交換寿命を予測する寿命確率予測部と、前記状態観測部が観測対象とする寿命関連データを選択する特徴選択部と、を備え、前記特徴選択部は、寿命関連データに基づいて作成される前記消耗部品の交換寿命の確率モデルの汎化性能を交差検証により算出する交差検証部と、前記交差検証部により算出される確率モデルの汎化性能に基づいて、前記状態変数記憶部に記憶されている寿命関連データの内で、前記消耗部品の寿命と関連が低い寿命関連データの種類を特定し、特定した前記消耗部品の寿命と関連が低い寿命関連データの種類を前記状態観測部が観測対象とする寿命関連データから削減する特徴削減部とをさらに備える機械学習装置である。

本発明により、現在の寿命が尽きる確率が数値でリアルタイムに分かることで、不慣れなオペレータにとっては、都度部品の状態を確認することなしに、部品交換の目安を把握することが可能となり、熟練オペレータにとっては、部品交換の予測ミスや忘却を防止することが可能となる。

また、本発明により、真に寿命に影響するデータ種類を機械学習が抽出してくれるため、機械学習の結果を期待して、最初は関係しそうなデータは全て選択しておけばよいので、従来技術と比較して、初期導入時にデータの選択に掛かるコストを下げることができる。

第１の実施形態による寿命予測装置の概略的なハードウェア構成図である。第１の実施形態による寿命予測装置の概略的な機能ブロック図である。寿命関連データｘ_iと消耗部品の交換確率を確率密度関数を用いてモデル化した例を示す図である。寿命関連データｘ_iと消耗部品の交換確率を多次元確率密度関数を用いてモデル化した例を示す図である。多次元確率密度関数を用いた消耗部品の交換確率の算出方法を説明する図である。交差検証による汎化性能の算出方法の例を説明する図である。特徴削減処理における収束条件の例を説明する図である。確率モデル最適化部１４２が実行する処理の概略的なフローチャートである。累積分布算出部１４４が実行する処理の概略的なフローチャートである。特徴削減部１５２が実行する処理の概略的なフローチャートである。交差検証部１５４が実行する処理の概略的なフローチャートである。

以下、本発明の実施形態を図面と共に説明する。
図１は本発明の一実施形態による寿命予測装置の要部を示す概略的なハードウェア構成図である。寿命予測装置１は、ロボットや工作機械等の製造機械を制御する制御装置として実装することができる。また、寿命予測装置１は、製造機械を制御する制御装置と併設されたパソコンや、制御装置とネットワークを介して接続されたセルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することが出来る。図１は、製造機械を制御する制御装置として寿命予測装置１を実装した場合の例を示している。

本実施形態による寿命予測装置１が備えるＣＰＵ１１は、寿命予測装置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寿命予測装置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、寿命予測装置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、インタフェース１５を介して外部機器７２から読み込まれた制御用プログラムや表示器／ＭＤＩユニット７０を介して入力された制御用プログラム、寿命予測装置１の各部や製造機械から取得された各種データ（例えば、ワーク硬さ、クーラント種類、送り速度、主軸回転数、刃先温度、切削時間、切削距離、削抵抗（送り軸、主軸アンプ電流値）、交換部品コスト、部品ストック数等）が記憶される。不揮発性メモリ１４に記憶された制御用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、公知の解析プログラムなどの各種のシステム・プログラム（後述する機械学習装置１００との入出力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。

インタフェース１５は、寿命予測装置１とＵＳＢ装置等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは制御用プログラムや各種パラメータ等が読み込まれる。また、寿命予測装置１内で編集した制御用プログラムや各種パラメータ等は、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、寿命予測装置１に内蔵されたシーケンスプログラムで工作機械及び該工作機械の周辺装置（例えば、工具交換用のロボットハンドといったアクチュエータ）にＩ／Ｏユニット１７を介して信号を出力し制御する。また、工作機械の本体に配備された操作盤の各種スイッチ等の信号を受け、必要な信号処理をした後、ＣＰＵ１１に渡す。

表示器／ＭＤＩユニット７０はディスプレイやキーボード等を備えた手動データ入力装置であり、インタフェース１８は表示器／ＭＤＩユニット７０のキーボードからの指令，データを受けてＣＰＵ１１に渡す。インタフェース１９は各軸を手動で駆動させる際に用いる手動パルス発生器等を備えた操作盤７１に接続されている。

製造機械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、工作機械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・速度検出器を内蔵し、この位置・速度検出器からの位置・速度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・速度のフィードバック制御を行う。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製造機械に備えられた軸の数だけ用意される。

スピンドル制御回路６０は、製造機械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、製造機械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、寿命予測装置１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が、バス１０５を介して接続されて構成される。機械学習装置１００は、インタフェース２１を介して寿命予測装置１で取得可能な各情報（例えば、オペレータにより入力された加工条件（ワーク材質、加工種類、切込量、切削量等）、工具情報、切削条件（主軸回転数、送り速度）、動作状態（加工時の主軸負荷等）等）を観測することができる。また、寿命予測装置１は、機械学習装置１００から出力される製造機械が備える消耗部品の寿命の予測を表示器／ＭＤＩユニット７０に表示する。

図２は、第１の実施形態による寿命予測装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した寿命予測装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、寿命予測装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の寿命予測装置１は、不揮発性メモリ１４に記憶された制御用プログラム（数値制御用のプログラム）や加工条件、切削条件等の設定に基づいて製造機械２が備えるサーボモータ５０やスピンドルモータ６２等のモータの制御やこれらモータの状態を検出する数値制御部３４、及びシーケンスプログラムに基づいて図示しない製造機械２の周辺機械の制御や製造機械２及び周辺装置からの信号の検出を行うシーケンス制御部３６を備える。数値制御部３４が制御に用いた加工条件，切削条件等、数値制御部３４が取得した製造機械２が備えるモータの状態、シーケンス制御部３６が取得した製造機械２及び周辺装置から検出された信号は、機械学習装置１００に対して出力される。

一方、寿命予測装置１が備える機械学習装置１００は、数値制御部３４及びシーケンス制御部３６から出力される各データを製造機械２の動作状態を示す状態変数として観測する状態観測部１３０、状態観測部１３０が観測した状態変数に基づいて製造機械２の消耗部品の寿命確率を予測する寿命確率予測部１４０、寿命確率予測部１４０が構築した確率モデルを解析して製造機械２の消耗部品の寿命に特に関連する状態変数を該消耗部品の寿命の特徴を示すデータとして選択する特徴選択部１５０を備え、また、状態観測部１３０が観測した状態変数を記憶する状態変数記憶部２００が不揮発性メモリ１０４上に確保されている。

状態観測部１３０は、数値制御部３４及びシーケンス制御部３６から出力される各データの内で、観測対象として設定されているデータ（寿命関連データ）を、製造機械２の動作状態を示す状態変数として観測する機能手段である。状態観測部１３０に対して観測対象として設定するべき寿命関連データは、交換寿命の予測対象とする消耗部品に応じて異なり、例えば製造機械２としてのマシニングセンタで加工に用いられる工具の交換寿命を予測するのであれば、ワークの硬さや切削時間、送り速度、主軸回転数等を観測対象とし、製造機械２としての放電加工機で用いられるイオン交換フィルタの交換寿命を予測するのであれば、加工液の種類やフィルタリング時間等を観測対象とするのが好ましいが、本発明の寿命予測装置１では、運用を続けるにつれて特徴選択部１５０により観測対象として適切な寿命関連データが選択されていくため、最初の段階では観測可能な全ての寿命関連データを観測対象として設定しておくと良い。即ち、状態観測部１３０は、初期においてはオペレータが観測対象として指定した寿命関連データを状態変数として観測し、また、特徴選択部１５０により消耗部品の寿命の特徴を示す寿命関連データの選択が行われた後には、特徴選択部１５０が選択した寿命関連データを状態変数として観測する。

寿命確率予測部１４０は、状態観測部１３０が状態変数として観測した寿命関連データに基づいて製造機械２の消耗部品毎の確率モデルを構築・更新し、構築した確率モデルを用いて消耗部品の寿命を予測する機能手段である。本発明では、中心極限定理（すべての確率分布はガウス分布に収束）、及びストレスや疲労により故障する部品の寿命分布にガウス分布が一般的に利用されていることから、状態観測部１３０が観測した寿命関連データのそれぞれと、製造機械２の消耗部品の交換確率との関係がガウス分布に従うと仮定し、寿命関連データｘ_i（ｉ＝１，２，…，ｎ、ｎは寿命関連データの個数）と消耗部品の交換確率を示す確率密度関数ｆ_j（ｘ_i）（ｊ＝１，２，…，ｍ、ｍは消耗部品の個数）との関係を、例えば以下の数１式で例示される部品交換確率密度関数を用いてモデル化する（図３）。数１式において、ｘ_iは寿命関連データ、μ_ijはｊ番目の消耗部品の部品交換時の寿命関連データｘ_iの平均、σ_ij ²値はｊ番目の消耗部品の部品交換時の寿命関連データｘ_iの分散である。なお、数１式に示した部品交換確率密度関数を確率モデルとして用いる場合、それぞれの寿命関連データと消耗部品の交換確率との間には正の相関（正比例）があることを前提とし、消耗部品の交換確率との間に負の相関がある寿命関連データについては、予め該寿命関連データに対して前処理（例えば、逆数を取る等）を行い、消耗部品の交換確率と正の相関となるように変換して用いる。

寿命確率予測部１４０は、初めに確率モデルを構築する際には数１式に示した確率密度関数ｆ_j（ｘ_i）のパラメータである平均μ_iｊと分散σ_iｊ ²について初期値として設定された値を用い、後に製造機械２を運用していく中で状態観測部１３０が観測した状態変数に基づいてこれらパラメータを更新していくことで、製造機械２の消耗部品の交換確率の確率モデルを最適化していく。なお、数１式に示した確率密度関数ｆ_j（ｘ_i）のパラメータである平均μ_iｊと分散σ_iｊ ²の初期値は、例えば、表示器／ＭＤＩユニット７０からオペレータに入力させたり、他の装置の学習済みのパラメータを転送して用いたりする等すれば良く、ある程度の確からしい確率密度関数ｆ_j（ｘ_i）のパラメータを最初に与えておくことで、寿命関連データが収集されていない段階からでも、所定の精度で製造機械２の消耗部品の交換寿命を予測することができる。確率モデルの最適化の役割を果たす機能手段である確率モデル最適化部１４２は、製造機械２の消耗部品が交換される直前に状態観測部１３０が観測した寿命関連データｘ_iに基づいて、確率密度関数ｆ_j（ｘ_i）のパラメータを、以下の数２式及び数３式を用いて更新する。数２式及び数３式において、ｘ_iは寿命関連データ、Ｎは観測データの累積総数（＞０）、μ_iｊ0，σ_iｊ0は各パラメータの初期値、μ_iｊ，σ_iｊは更新前の各パラメータ、μ_iｊN，σ_iｊNは更新後のパラメータである。なお、状態観測部１３０が観測して、確率モデルの最適化に用いられた寿命関連データｘ_iは、状態変数記憶部２００に記憶される。

寿命確率予測部１４０は、この様にしてモデル化された製造機械２の消耗部品の交換確率密度関数ｆ_j（ｘ_i）に基づいて、製造機械２の消耗部品の交換確率をリアルタイムに予測する。より具体的には、寿命確率予測部１４０が備える累積分布算出部１４４は、それぞれの交換確率密度関数ｆ_j（ｘ_i）について、寿命関連データｘ_iが平均＝０、分散＝１となるように標準化した上で、以下の数４式に示される、各寿命関連データｘ_iを要素とした多次元ガウス分布の確率密度関数ｆ_pj（ｘ）を作成し、この多次元ガウス分布を用いて製造機械２の消耗部品の交換確率をリアルタイムに予測する。数４式において、ベクトルｘは、各寿命関連データｘ_iを要素としたベクトル（特徴ベクトル）、Ｄはベクトルｘの次元数であり、Ｔは転置行列であることを示す符号である。

図４は、累積分布算出部１４４が作成する多次元ガウス分布をグラフで例示するものである。なお、図４では、説明を簡単にするために２つの寿命関連データを用いた場合の多次元ガウス分布の例を示しているが、実際には更に多くの寿命関連データを用いた多次元のグラフとなる。累積分布算出部１４４は、上記したように作成した消耗部品の交換確率の多次元ガウス分布における、標準化を行う前のベクトルｘの原点である標準化前原点が標準化された領域に写像された点Ｏ_jを求める。

次に、累積分布算出部１４４は、図５に示すように、標準化前原点の位置Ｏ_jと多次元ガウス分布の中心を結ぶ基準直線ｌ_bj（即ち、ベクトルＯ_jを順逆両方向へと延長したもの）を求め、更に、今現在において状態観測部１３０が観測している寿命関連データの点ｘ_sから基準直線ｌ_bjに対して下ろした垂線ｌ_vjと、基準直線ｌ_bjとの交点位置のベクトルｘ_mjを求める（即ち、ベクトルＯ_jと（ベクトルｘ_s−ベクトルｘ_mj）の内積が０となるベクトルｘ_mjを求める）。そして、累積分布算出部１４４は、以下の数５式で示される、標準化前原点の位置Ｏ_jから基準直線ｌ_bjに沿って製造機械２の消耗部品の交換確率密度を累積した消耗部品の交換寿命の累積確率分布ｇ_bj（ｘ，Ｏ_j）を求め、求めた消耗部品の交換寿命の累積確率分布ｇ_bj（ｘ，Ｏ_j）を用いて、ベクトルｘ_mjの位置における製造機械２の消耗部品の交換確率を算出する。累積分布算出部１４４が算出した製造機械２の消耗部品の交換確率は、例えば表示器／ＭＤＩユニット７０に対して出力しても良いし、図示しないネットワークを介してセルコンピュータ、ホストコンピュータやクラウドサーバ等のコンピュータへと送信して利用するようにしても良い。

特徴選択部１５０は、寿命確率予測部１４０が構築した確率モデルを解析して製造機械２の消耗部品の寿命に特に関連する状態変数を該消耗部品の寿命の特徴を示すデータとして選択する機能手段である。特徴選択部１５０は、状態変数記憶部２００に記憶された寿命関連データに基づいて特徴選択を実行し、寿命関連データの種類（特徴）削減を行う。以下では、公知の貪欲探索アルゴリズムを用いた特徴選択の例を示すが、特徴の選択ができる手法であればどのような手法であっても良く、例えば遺伝的アルゴリズムなども利用できる。

特徴選択部１５０が備える機能手段である特徴削減部１５２は、状態変数記憶部２００に記憶されているそれぞれの寿命関連データの種類（ワーク材質、送り速度等）毎に、該寿命関連データの種類を一時的に除外した上で、交差検証部１５４に指令して１つデータ種類を除外した寿命関連データに対して公知の交差検証を行わせ、その確率モデルの汎化性能を評価する。

交差検証部１５４は、例えばｋ番目の寿命関連データの種類が除外された場合の寿命関連データ種類の組（ｘ₁,ｘ₂，…，ｘ_(k-1)，ｘ_(k+1)，…，ｘ_n）の集合が与えられた時、この寿命関連データの組の集合をランダムに２つのグループに分割し、一方を訓練データ、一方をテストデータとし、訓練データに基づいて最適化された確率モデルを作成した上で、該確率モデルに対するテストデータの当てはまり度合いを汎化性能を示す値として算出する。この当てはまり度合いの算出には、例えば、図６に例示されるように、訓練データを用いて作成された確率モデルの中心からの所定の距離内に、テストデータがどれだけの個数あるのか等といった簡易な基準を用いて評価するようにしても良い。交差検証部１５４は、与えられた寿命関連データの組の集合に対して訓練データとテストデータの分割、及び分割された訓練データとテストデータを用いた汎化性能の算出を所定の回数（検証回数）だけ繰り返し、算出された複数の汎化性能の算出値の平均値乃至積算値を寿命関連データの種類を除外した場合の寿命関連データに関する最終的な汎化性能値として出力する。

そして、特徴削減部１５２は、１番目の寿命関連データ種類を除外した場合の寿命関連データの汎化性能値、２番目の寿命関連データ種類を除外した場合の寿命関連データの汎化性能値、…、ｎ番目の寿命関連データ種類を除外した場合の寿命関連データの汎化性能値という複数の汎化性能値の内で最も高い汎化性能値が算出された際の寿命関連データ種類の組を選択し、その際に除外されていた寿命関連データ種類については製造機械２の消耗部品の寿命との関連が薄いとし、状態観測部１３０が観測する状態変数から取り除く。そして、残りの観測対象とする寿命関連データの種類に対して、更に、それぞれの寿命関連データの種類毎に、該寿命関連データの種類を除外した上で、交差検証部１５４に指令して交差検証を行い、確率モデルの汎化性能を評価する。特徴削減部１５２は、この様な処理を繰り返して、図７に示すように、削減前後における確率モデルの最大の汎化性能の差が予め定めた所定の規定幅以下となった場合に収束したと判断して特徴選択の処理を終了する。そして、特徴選択部１５０は、最終的に残った寿命関連データの種類のみを、以後の状態観測部１３０による状態観測の対象とし、製造機械２の消耗部品の交換寿命の推定に使用する。

図８は、確率モデル最適化部１４２が実行する処理の概略的なフローチャートである。図８のフローチャートに示される処理は、予め定めた所定の周期毎（例えば、寿命予測装置１の制御周期毎）に実行される。
●［ステップＳＡ０１］確率モデル最適化部１４２は、製造機械２の消耗部品の交換が行われるか否かを判定する。消耗部品の交換が行われている場合にはステップＳＡ０２に処理を移行し、行われていない場合には今回の周期における処理を終了する。
●［ステップＳＡ０２］確率モデル最適化部１４２は、状態観測部１３０が観測している寿命関連データの種類毎に、ステップＳＡ０３〜ＳＡ０５を繰り返し実行する。

●［ステップＳＡ０３］確率モデル最適化部１４２は、状態観測部１３０が直前に観測した寿命関連データを取得する。
●［ステップＳＡ０４］確率モデル最適化部１４２は、ステップＳＡ０３で取得した寿命関連データを用いて、交換対象とされる消耗部品に関する確率モデルのパラメータを更新する。
●［ステップＳＡ０５］確率モデル最適化部１４２は、ステップＳＡ０３で取得した寿命関連データを、状態変数記憶部２００に記憶する。

図９は、累積分布算出部１４４が実行する処理の概略的なフローチャートである。図９のフローチャートに示される処理は、予め定めた所定の周期毎（例えば、寿命予測装置１の制御周期毎）に実行される。
●［ステップＳＢ０１］累積分布算出部１４４は、それぞれの寿命関連データを平均＝０、分散＝１となるように標準化する。
●［ステップＳＢ０２］累積分布算出部１４４は、寿命関連データｘ_iを要素とした多次元ガウス分布の確率密度関数ｆ_pj（ｘ）を作成する。

●［ステップＳＢ０３］累積分布算出部１４４は、状態観測部１３０が観測した寿命関連データを取得する。
●［ステップＳＢ０４］累積分布算出部１４４は、ステップＳＢ０２で作成した多次元ガウス分布の確率密度関数ｆ_pj（ｘ）に基づいて消耗部品の交換寿命の累積確率分布を作成し、作成した累積確率分布を用いてステップＳＢ０３で取得した寿命関連データに基づいた製造機械２の消耗部品の交換寿命の確率を算出する。

●［ステップＳＢ０５］累積分布算出部１４４は、ステップＳＢ０４で算出した製造機械２の消耗部品の交換寿命の確率を出力する。

図１０は、特徴削減部１５２が実行する処理の概略的なフローチャートである。図１０のフローチャートに示される処理は、オペレータからの指示や、予め定めた所定のタイミング（例えば、観測された寿命関連データが所定の数を超えたタイミング等）に実行される。
●［ステップＳＣ０１］特徴削減部１５２は、状態変数記憶部２００から寿命関連データを取得する。
●［ステップＳＣ０２］特徴削減部１５２は、寿命関連データの種類毎にステップＳＣ０３〜ＳＣ０４を繰り返し実行する。

●［ステップＳＣ０３］特徴削減部１５２は、寿命関連データ種類ｔをステップＳＣ０１で取得した寿命関連データから一時的に除外する。
●［ステップＳＣ０４］特徴削減部１５２は、ステップＳＣ０４で寿命関連データ種類ｔを除外した寿命関連データに基づいて、交差検証により該寿命関連データから作成される確率モデルの汎化性能を算出するように交差検証部１５４へ指令する。

●［ステップＳＣ０５］特徴削減部１５２は、ステップＳＣ０２〜ＳＣ０４で算出された各汎化性能の内の最大値が収束したか否かを判定する。収束した場合には本処理を終了し、収束していない場合にはステップＳＣ０６へ処理を移行する。
●［ステップＳＣ０６］特徴削減部１５２は、ステップＳＣ０２〜ＳＣ０４で算出された汎化性能の内の最大値が算出された際に除外されていた寿命関連データ種類ｔを、寿命関連データの観測対象から削除し、状態変数記憶部２００から削除又は使用しない旨フラグ等を付与し、ステップＳＣ０２へ処理を移行する。

図１１は、交差検証部１５４が実行する処理の概略的なフローチャートである。図１１のフローチャートに示される処理は、特徴削減部１５２からの指令により実行される。
●［ステップＳＤ０１］交差検証部１５４は、予め定められた検証回数だけステップＳＤ０２〜ＳＤ０４を繰り返し実行する。
●［ステップＳＤ０２］交差検証部１５４は、特徴削減部１５２から与えられた寿命関連データを訓練データとテストデータにランダムに分割する。

●［ステップＳＤ０３］交差検証部１５４は、訓練データに基づいて最適化された確率モデルを作成する。
●［ステップＳＤ０４］交差検証部１５４は、ステップＳＤ０３で作成した確率モデルとテストデータとを用いて、特徴削減部１５２から与えられた寿命関連データの汎化性能を示す値を算出する。

●［ステップＳＤ０５］交差検証部１５４は、ステップＳＤ０１〜ＳＤ０４で算出された検証回数分の汎化性能の算出値を積算し、積算した値を最終的な汎化性能値として出力する。

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の各部で実行されるアルゴリズムは、同様の目的を達成できるのであれば、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。

１寿命予測装置
２製造機械
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１５，１８，１９インタフェース
１６ＰＭＣ
１７Ｉ／Ｏユニット
２０バス
２１インタフェース
３０軸制御回路
３４数値制御部
３６シーケンス制御部
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
７０表示器／ＭＤＩユニット
７１操作盤
７２外部機器
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１０５バス
１３０状態観測部
１４０寿命確率予測部
１４２確率モデル最適化部
１４４累積分布算出部
１５０特徴選択部
１５２特徴削減部
１５４交差検証部
２００状態変数記憶部

Claims

製造機械の消耗部品の交換寿命を予測する寿命予測装置であって、
前記消耗部品の交換寿命を学習する機械学習装置を備え、
前記機械学習装置は、
前記消耗部品の寿命に関連する寿命関連データの内で、観測対象として設定された寿命関連データを状態変数として観測する状態観測部と、
前記状態観測部が状態変数として観測した寿命関連データを記憶する状態変数記憶部と、
前記状態観測部が状態変数として観測した寿命関連データに基づいて前記消耗部品の交換寿命の確率モデルを作成し、作成した確率モデルを用いて前記状態観測部が状態変数として観測する寿命関連データに基づく前記消耗部品の交換寿命を予測する寿命確率予測部と、
前記状態観測部が観測対象とする寿命関連データを選択する特徴選択部と、
を備え、
前記特徴選択部は、
寿命関連データに基づいて作成される前記消耗部品の交換寿命の確率モデルの汎化性能を交差検証により算出する交差検証部と、
前記交差検証部により算出される確率モデルの汎化性能に基づいて、前記状態変数記憶部に記憶されている寿命関連データの内で、前記消耗部品の寿命と関連が低い寿命関連データの種類を特定し、特定した前記消耗部品の寿命と関連が低い寿命関連データの種類を前記状態観測部が観測対象とする寿命関連データから削減する特徴削減部とをさらに備える寿命予測装置。
前記寿命確率予測部は、前記状態観測部が状態変数として観測した寿命関連データに基づいて、前記確率モデルのパラメータを更新して最適化する確率モデル最適化部を備える、
請求項１に記載の寿命予測装置。
前記寿命確率予測部は、前記状態観測部が状態変数として観測した寿命関連データに基づいて、前記確率モデルに基づいて前記消耗部品の交換確率密度を累積した交換寿命の累積確率分布を作成し、作成した累積確率分布を用いて前記消耗部品の交換寿命を予測する累積分布算出部を備える、
請求項１又は２に記載の寿命予測装置。
製造機械の消耗部品の交換寿命を学習する機械学習装置であって、
前記消耗部品の寿命に関連する寿命関連データの内で、観測対象として設定された寿命関連データを状態変数として観測する状態観測部と、
前記状態観測部が状態変数として観測した寿命関連データを記憶する状態変数記憶部と、
前記状態観測部が状態変数として観測した寿命関連データに基づいて前記消耗部品の交換寿命の確率モデルを作成し、作成した確率モデルを用いて前記状態観測部が状態変数として観測する寿命関連データに基づく前記消耗部品の交換寿命を予測する寿命確率予測部と、
前記状態観測部が観測対象とする寿命関連データを選択する特徴選択部と、
を備え、
前記特徴選択部は、
寿命関連データに基づいて作成される前記消耗部品の交換寿命の確率モデルの汎化性能を交差検証により算出する交差検証部と、
前記交差検証部により算出される確率モデルの汎化性能に基づいて、前記状態変数記憶部に記憶されている寿命関連データの内で、前記消耗部品の寿命と関連が低い寿命関連データの種類を特定し、特定した前記消耗部品の寿命と関連が低い寿命関連データの種類を前記状態観測部が観測対象とする寿命関連データから削減する特徴削減部とをさらに備える機械学習装置。
前記寿命確率予測部は、前記状態観測部が状態変数として観測した寿命関連データに基づいて、前記確率モデルのパラメータを更新して最適化する確率モデル最適化部を備える、
請求項４に記載の機械学習装置。
前記寿命確率予測部は、前記状態観測部が状態変数として観測した寿命関連データに基づいて、前記確率モデルに基づいて前記消耗部品の交換確率密度を累積した交換寿命の累積確率分布を作成し、作成した累積確率分布を用いて前記消耗部品の交換寿命を予測する累積分布算出部を備える、
請求項４又は５に記載の機械学習装置。