JP7015807B2 - Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device - Google Patents
Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device Download PDFInfo
- Publication number
- JP7015807B2 JP7015807B2 JP2019126531A JP2019126531A JP7015807B2 JP 7015807 B2 JP7015807 B2 JP 7015807B2 JP 2019126531 A JP2019126531 A JP 2019126531A JP 2019126531 A JP2019126531 A JP 2019126531A JP 7015807 B2 JP7015807 B2 JP 7015807B2
- Authority
- JP
- Japan
- Prior art keywords
- grinding
- power value
- value
- information
- objects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Numerical Control (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Grinding And Polishing Of Tertiary Curved Surfaces And Surfaces With Complex Shapes (AREA)
Description
本発明は、研削状態監視方法、研削状態監視プログラムおよび装置に関する。 The present invention relates to a grinding state monitoring method, a grinding state monitoring program and an apparatus.
自動車などの製造業では、研削砥石を高速で回転させ、カムシャフトなどの研削対象物を示すワークを研削する研削加工を行うことにより、品質を一定に保つことが行われている。研削を繰り返すことで、研削砥石の目潰れやバランスが低下し、研削されたワークの品質の低下に繋がることから、品質を一定に保つために、研削砥石のドレッシングが定期的に行われる。 In the manufacturing industry of automobiles and the like, the quality is kept constant by rotating a grinding wheel at a high speed and performing a grinding process for grinding a workpiece indicating an object to be ground such as a camshaft. Repeated grinding reduces the crushing and balance of the grinding wheel, which leads to deterioration of the quality of the ground work. Therefore, in order to keep the quality constant, the grinding wheel is dressed regularly.
一般的に、研削砥石のドレスタイミングは、作業員の経験や作業員の試行錯誤により、ある一定の研削回数で設定されている。近年では、研削砥石を回転させる回転用モータの負荷電流値が閾値を越えた場合に、切れ味低下など研削砥石の状態が悪化したと判定し、ドレッシングを行う技術が知られている。 Generally, the dress timing of the grinding wheel is set to a certain number of times of grinding by the experience of the worker and the trial and error of the worker. In recent years, there has been known a technique of performing dressing by determining that the state of the grinding wheel has deteriorated, such as a decrease in sharpness, when the load current value of the rotary motor for rotating the grinding wheel exceeds a threshold value.
しかしながら、各ワークの研削表面が同じ状態であっても、研削砥石を回転させる研削時の負荷電流値はばらつきをもつため、研削砥石の表面の粗さを精度よく予測することが難しい。 However, even if the grinding surface of each work is in the same state, it is difficult to accurately predict the roughness of the surface of the grinding wheel because the load current value at the time of grinding to rotate the grinding wheel varies.
なお、ドレスタイミングの判定が不正確になると、品質が低下していない研削砥石をドレッシングしたり、品質が低下した研削砥石で研削加工を継続して行う状態が発生する。この結果、不要なドレッシングに伴うドレッシングのコスト増大や研削砥石の寿命の低下や、研削されたワークの品質低下にも繋がる。 If the determination of the dress timing becomes inaccurate, a state may occur in which the grinding wheel whose quality has not deteriorated is dressed or the grinding process is continuously performed with the grinding wheel whose quality has deteriorated. As a result, the cost of dressing increases due to unnecessary dressing, the life of the grinding wheel is shortened, and the quality of the ground work is deteriorated.
一つの側面では、研削品質の予測精度を向上させることができる研削状態監視方法、研削状態監視プログラムおよび装置を提供することを目的とする。 In one aspect, it is an object of the present invention to provide a grinding condition monitoring method, a grinding condition monitoring program and an apparatus capable of improving the prediction accuracy of grinding quality.
第1の案では、研削状態監視方法は、コンピュータが、研削砥石を用いて研削対象物の研削を行ったときの前記研削砥石を駆動させた動力値の推移と研削対象物の品質を示す情報とを取得する処理を実行する。研削状態監視方法は、コンピュータが、前記動力値の推移から、前記研削砥石が研削対象とする複数の研削対象物の共通部分を研削したときの動力値である共通部分の動力値を抽出する処理を実行する。研削状態監視方法は、コンピュータが、前記共通部分の動力値と前記研削対象物の品質を示す情報とに基づくデータを用いて、研削状態を予測する品質予測モデルを生成する処理を実行する。 In the first proposal, the grinding condition monitoring method is information indicating the transition of the power value that drives the grinding wheel and the quality of the grinding object when the computer grinds the grinding object using the grinding wheel. And execute the process to get. The grinding state monitoring method is a process in which a computer extracts the power value of the common portion, which is the power value when the common portion of a plurality of grinding objects to be ground by the grinding wheel is ground, from the transition of the power value. To execute. In the grinding state monitoring method, a computer executes a process of generating a quality prediction model for predicting a grinding state by using data based on the power value of the common portion and information indicating the quality of the grinding object.
一実施形態によれば、研削品質の予測精度を向上させることができる。 According to one embodiment, the accuracy of predicting grinding quality can be improved.
以下に、本願の開示する研削状態監視方法、研削状態監視プログラムおよび装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。 Hereinafter, examples of the grinding condition monitoring method, the grinding condition monitoring program, and the apparatus disclosed in the present application will be described in detail with reference to the drawings. The present invention is not limited to this embodiment. In addition, each embodiment can be appropriately combined within a consistent range.
[全体構成]
図1は、実施例1にかかる研削装置の全体構成を説明する図である。図1に示すように、研削装置は、研削加工機1と研削品質予測装置10とがネットワークNを介して相互に通信可能に接続される。なお、ネットワークNは、有線や無線を問わず、インターネットや専用線などの各種通信網を採用することができる。
[overall structure]
FIG. 1 is a diagram illustrating an overall configuration of a grinding apparatus according to a first embodiment. As shown in FIG. 1, in the grinding device, the
研削加工機1は、研削対象であるワークの研削を実行して、所望の品質のワークを生成する装置である。具体的には、研削加工機1は、研削砥石2を駆動させて、ワークの一例であるカムシャフト3の研削を実行する。また、研削加工機1は、ドレス装置4を用いて研削砥石2のドレッシングを定期的に行うことで、品質を保証する。
The
研削品質予測装置10は、研削加工機1の研削過程や研削対象物の品質を示す情報を取得し、研削品質の予測を行うコンピュータ装置の一例である。具体的には、研削品質予測装置10は、研削砥石2を駆動や回転させる動力値を示す砥石軸動力値(以下では、単に動力値と記載する場合がある)と、研削後のカムシャフト3の品質との関係性を入力として品質予測モデルを学習する。その後、研削品質予測装置10は、学習後の品質予測モデルを用いて研削砥石2の状態を予測して、ドレッシングタイミングの指標をユーザ等に出力する。
The grinding quality prediction device 10 is an example of a computer device that acquires information indicating the grinding process of the
一般的に、研削加工を実施する場合、被研削物の仕様情報は研削加工機1へプログラミングされている。そして、加工する前に研削加工機は被研削物の型式を確認し、それぞれに合わせた仕様に合わせた加工を実施する。例えば、カムシャフト3を研削する場合、カムシャフト3に記載された型式情報を事前に読み取り、読み込んだ仕様になるよう、研削加工を実施する。カムシャフト3の断面を図1に示す。研削加工中は、カムシャフト3は加工機にクランプして固定され、回転動作を実行する。回転動作するカムシャフト3に対して、研削砥石2はアプローチする。アプローチは、研削プロセスに従い、切り込み量を一定に保ちながら、カムシャフト3へアプローチし、研削を実施する。研削砥石2は、カムシャフトベース円(図1のカムシャフト3の太線の箇所)、トップ、リフト部の形状に合わせながら座標を制御しながら研削を実施する。
Generally, when grinding is performed, the specification information of the object to be ground is programmed in the
このように、研削加工機1では、1種類のカムシャフト3に対してのみ連続的に研削を行うわけでなく、型式などの研削条件が異なるカムシャフト3に対して研削を行う。また、各型式により研削砥石2の動力値が異なることから、型式ごとに品質予測モデルを学習することも考えられる。しかし、型式は、膨大な数となるので、すべての研削条件に対応した品質予測モデルを学習することは、現実的ではない。
As described above, the
そこで、実施例1の研削品質予測装置10は、型式に依存せず、同形状であることが多いカムシャフト3のベース円部分の研削に着目する。つまり、研削品質予測装置10は、各カムシャフト3の研削品質を示す情報から、ベース円部分を研削したときの動力値を学習用のデータに用いることで、型式に依存しない品質予測モデルを生成する。
Therefore, the grinding quality prediction device 10 of the first embodiment pays attention to the grinding of the base circle portion of the
[研削品質予測装置10の説明]
図2は、実施例1にかかる研削品質予測装置10を説明する図である。図2に示すように、研削品質予測装置10は、学習フェーズと予測フェーズとを実行する。なお、実施例1では、研削品質予測装置10が両方のフェーズを実行する例で説明するが、これに限定されるものではなく、各フェーズを別々の装置で実行することもできる。
[Explanation of Grinding Quality Predictor 10]
FIG. 2 is a diagram illustrating the grinding quality prediction device 10 according to the first embodiment. As shown in FIG. 2, the grinding quality prediction device 10 executes a learning phase and a prediction phase. In the first embodiment, the example in which the grinding quality prediction device 10 executes both phases will be described, but the present invention is not limited to this, and each phase may be executed by a separate device.
図2に示すように、学習フェーズでは、研削品質予測装置10は、研削加工機1から取得した設備データに含まれる砥石動力値の推移と、品質データである研削後のカムシャフト3の粗さ品質値とを取得する。そして、研削品質予測装置10は、砥石動力値からベース円部分を研削時の砥石動力値を抽出する。その後、研削品質予測装置10は、ベース円部分の砥石動力値と対応する粗さ品質値とを学習用のデータに用いて機械学習を実行して、品質予測モデルを生成する。
As shown in FIG. 2, in the learning phase, in the grinding quality prediction device 10, the transition of the grindstone power value included in the equipment data acquired from the grinding
予測フェーズでは、研削品質予測装置10は、研削加工機1から取得した砥石動力値のうち、学習時と同条件であるベース円部分の砥石動力値を抽出する。そして、研削品質予測装置10は、抽出した砥石動力値を、学習済みの品質予測モデルに入力する。その後、研削品質予測装置10は、学習済みの品質予測モデルの出力結果として、粗さ品質予測値を取得する。
In the prediction phase, the grinding quality prediction device 10 extracts the grindstone power value of the base circle portion, which is the same condition as at the time of learning, from the grindstone power values acquired from the grinding
このように、実施例1にかかる研削品質予測装置10は、様々な型式のカムシャフト3それぞれに対して研削砥石2で研削を行ったときの各砥石動力値の推移と、各カムシャフト3の研削品質を示す情報とを取得する。そして、研削品質予測装置10は、各砥石動力値の推移から、各カムシャフト3の共通部分を研削したときの動力値である部分動力値を抽出する。その後、研削品質予測装置10は、部分動力値と研削品質を示す情報とに基づく学習用のデータを用いて、研削状態を予測する品質予測モデルを生成するので、研削品質の予測精度を向上させることができる。
As described above, in the grinding quality prediction device 10 according to the first embodiment, the transition of the power value of each grindstone when grinding with the
また、ユーザは、品質予測モデルの予測結果に基づき、研削砥石2の状態を把握することができるので、適切なタイミングで研削砥石2のドレッシングを行うことができる。
Further, since the user can grasp the state of the
[機能構成]
図3は、実施例1にかかる研削品質予測装置10の機能構成を示す機能ブロック図である。図3に示すように、研削品質予測装置10は、通信部11、記憶部12、制御部20を有する。
[Functional configuration]
FIG. 3 is a functional block diagram showing a functional configuration of the grinding quality prediction device 10 according to the first embodiment. As shown in FIG. 3, the grinding quality prediction device 10 includes a communication unit 11, a storage unit 12, and a
通信部11は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部11は、研削加工機1から動力値に関する各種データを受信し、管理者などのユーザが利用する端末に予測結果を出力する。
The communication unit 11 is a processing unit that controls communication with other devices, such as a communication interface. For example, the communication unit 11 receives various data related to the power value from the grinding
記憶部12は、各種データや制御部20が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部12は、研削データ13、学習用のデータ14、予測対象データ15、予測結果16を記憶する。
The storage unit 12 is an example of a storage device that stores various data, a program executed by the
研削データ13は、研削砥石2を駆動させたときの設備データと、そのときの研削により生成されたカムシャフト3の品質データとを対応付けて記憶する。具体的には、研削データ13は、研削が完了したカムシャフトごとの設備データと品質データである。図4は、研削データ13の一例を説明する図である。図4に示すように、研削データ13は、設備データとしての動力値と、品質データとしての粗さ品質値とを対応付けて記憶する。
The grinding
ここで記憶される動力値は、カムシャフト3を研削したときの一連の研削処理における動力値の推移データであり、粗さ品質値は、研削完了後のカムシャフト3の算術平均粗さ(Ra値)である。図4の例では、研削完了時のカムシャフト3の品質が「R値」であり、その時の動力値の推移が「x0,x1,x2・・・」であったことを示す。なお、動力値は、研削加工機1のモータ等をモニタリングすることで取得することができ、粗さ品質値は、ユーザによって測定された値などが設定される。
The power value stored here is the transition data of the power value in a series of grinding processes when the
次に、設備データに設定される動力値の推移データについて説明する。図5は、動力値の推移データを説明する図である。図5に示すように、動力値の推移データは、研削開始から研削終了までに、研削砥石2を駆動および回転させるために出力された動力値の時間遷移を示したデータである。なお、図5の縦軸が動力値(A:アンペア)、横軸が時間である。
Next, the transition data of the power value set in the equipment data will be described. FIG. 5 is a diagram illustrating transition data of the power value. As shown in FIG. 5, the transition data of the power value is data showing the time transition of the power value output for driving and rotating the
学習用のデータ14は、品質予測モデルを学習するために利用されるデータであって、説明変数と目的変数から構成される複数のデータである。図6は、学習用のデータ14の一例を説明する図である。図6に示すように、学習用のデータ14は、「説明変数(動力値)、目的変数(粗さ品質値)」を対応付けたデータである。ここで、説明変数は、研削データ13の設備データから抽出されたデータであり、目的変数は、研削データ13の品質データから抽出されたデータである。図6の例では、説明変数が(x,y,z・・・)、目的変数が(R)である学習用のデータを示している。
The training data 14 is data used for training a quality prediction model, and is a plurality of data composed of explanatory variables and objective variables. FIG. 6 is a diagram illustrating an example of data 14 for learning. As shown in FIG. 6, the learning data 14 is data in which "explanatory variables (power values) and objective variables (roughness quality values)" are associated with each other. Here, the explanatory variable is the data extracted from the equipment data of the grinding
予測対象データ15は、品質の予測に使用するデータである。具体的には、予測対象データ15は、後述する予測処理部40により抽出された、状態を予測したい研削砥石2によりあるカムシャフト3のベース円を研削したときの動力値である。この予測対象データ15は、学習済みの品質予測対象モデルに入力される。
The
予測結果16は、予測対象データ15を学習済みの品質予測対象モデルに入力して得られた、学習済みの品質予測対象モデルからの出力結果である。例えば、予測結果16は、算術平均粗さ(Ra値)などが該当する。
The prediction result 16 is an output result from the trained quality prediction target model obtained by inputting the
制御部20は、研削品質予測装置10全体を司る処理部であり、例えばプロセッサなどである。この制御部20は、学習処理部30と予測処理部40を有する。なお、学習処理部30と予測処理部40は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。
The
学習処理部30は、研削結果取得部31、データ生成部32、学習部33を有し、学習用のデータの生成や品質予測モデルの学習を実行する処理部である。
The
研削結果取得部31は、研削加工機1等から、各カムシャフト3の研削品質を示す情報を取得する処理部である。例えば、研削結果取得部31は、カムシャフト3の研削の開始から終了まで、研削加工機1が研削砥石2を駆動させるモータをモニタリングし、研削時に発生した動力値を取得して、動力値の推移データを生成する。そして、研削結果取得部31は、その時のカムシャフト3のRa値をユーザ等の入力により取得し、動力値の推移データとRa値とを対応付けて、記憶部12に研削データ13として格納する。このようにして、研削結果取得部31は、カムシャフト3の研削が終了するたびに、研削データ13を生成する。
The grinding result acquisition unit 31 is a processing unit that acquires information indicating the grinding quality of each
なお、ここでは、研削結果取得部31が研削データを生成する例を説明したが、これに限定されるものではない。例えば、管理者などのユーザが動力値の推移データとRa値とを対応付けを生成し、そのデータを研削データ13として用いることもできる。
Although the example in which the grinding result acquisition unit 31 generates the grinding data has been described here, the present invention is not limited to this. For example, a user such as an administrator can generate an association between the transition data of the power value and the Ra value, and use the data as the grinding
データ生成部32は、研削データ13から学習対象とする特徴量を抽出して、学習用のデータ14を生成し、記憶部12に格納する処理部である。具体的には、データ生成部32は、研削データ13からベース円を研削するタイミングを特定し、そのタイミングの動力値を用いて学習用のデータ14を生成する。また、研削加工機1により研削処理は、様々なプロセスを経て、カムシャフト3の研削を実行することから、特定のプロセス時の動力値を用いることで、学習精度を向上させることができる。そこで、ここでは、ベース円研削時の特定、プロセスの特定、学習用のデータの生成を順に説明する。
The
(1.ベース円研削時の特定)
まず、図7を用いて、ベース円研削時の特定について説明する。図7は、ベース円を研削するタイミングの特定を説明する図である。データ生成部32は、研削加工機1から研削砥石2の座標(切込座標)を取得することにより、研削砥石2が研削するために、カムシャフト3へ切り込むタイミングを特定できる。
(1. Identification at the time of base circle grinding)
First, the specification at the time of base circular grinding will be described with reference to FIG. 7. FIG. 7 is a diagram illustrating the specification of the timing for grinding the base circle. By acquiring the coordinates (cutting coordinates) of the
研削工程において、研削処理が開始されると、カムシャフト3も回転し始める。そして、研削砥石2は、カムシャフト3のベース円が研削位置に到達したときにベース円に対する研削を実行し、ベース円が研削位置から外れるとベース円以外の研削を行う。
In the grinding process, when the grinding process is started, the
例えば、図7に示すように、研削砥石2は、時間t0で研削処理が開始されると、接触するカムシャフト3のトップ部分から研削を開始し、時間t5でカムシャフト3のベース円が研削位置に到達すると、ベース円の研削を実行する。そして、研削砥石2は、カムシャフト3のベース円が研削位置に位置する時間t8まで研削し、その後はベース円以外の部分の研削を実行する。つまり、研削砥石2は、時間t5から時間t8までの間だけ、カムシャフト3のベース円を研削する。
For example, as shown in FIG. 7, when the grinding process is started at time t0, the
ここで、研削開始時に、研削砥石2がカムシャフト3のトップ部分を研削する位置を基準とすると、研削砥石2の座標を示す砥石切込軸座標は、基準位置より低い位置(x軸、y軸、z軸の値が小さい)となる。つまり、カムシャフト3のベース円に対して研削を行う時間t5から時間t8までの間、低い位置となる。したがって、図7に示すように、砥石切込軸座標(研削砥石2の位置)は、カムシャフト3のベース円を研削している間だけ小さい値(低い位置)となり、それ以外のタイミングは大きな値(高い位置)となり、研削処理の間、この遷移を繰り返す。
Here, assuming that the position where the
したがって、データ生成部32は、研削処理における砥石切込軸座標をモニタリングし、砥石切込軸座標が大きい値から小さい値へ繰り返す周期を特定し、その周期内の小さい位置(低い位置)をベース円の研削タイミングと特定する。
Therefore, the
なお、ここでは、一例として、基準位置がカムシャフト3よりも高い位置を例にして説明したが、逆の位置関係の場合には、上記周期も逆になるので、ベース円の研削タイミングも高い位置となる。
Here, as an example, a position where the reference position is higher than the
(2.各プロセスの特定)
次に、図8を用いて、研削処理で発生する各プロセスの特定について説明する。一般的に、研削処理で発生する各プロセスは、空研プロセス、粗研プロセス、仕上げプロセス、スパークアウトプロセスに区別され、この順でプロセスが遷移する。
(2. Identification of each process)
Next, the identification of each process generated in the grinding process will be described with reference to FIG. Generally, each process generated in the grinding process is divided into an air-laboratory process, a rough-laboratory process, a finishing process, and a spark-out process, and the processes transition in this order.
例えば、空研プロセスは、研削対象物へアプローチする工程であり、カムシャフト3の研削を行わないプロセスである。粗研プロセスは、空研プロセスの次のプロセスであり、目標の品質に向かって全体的に粗い研削を実行する工程である。仕上げプロセスは、粗研プロセスの次の工程であり、目標の品質に向かって精密に研削を実行する工程であり、精研プロセスと微研プロセス等の各工程を有する。なお、仕上げプロセスの各状態の研削が研削品質に大きな影響を与える。スパークアウトプロセスは、切込量が0で、ひずみを取る工程である。
For example, the Kuken process is a process of approaching an object to be ground, and is a process of not grinding the
例えば、データ生成部32は、研削砥石2がカムシャフト3を研削するために切り込むときの切込み量により、研削データ13等から各プロセスを判定することができる。図8は、各プロセスの判定を説明する図である。図8には、研削の開始から終了までの砥石軸動力(動力値)の遷移と、砥石軸座標(研削砥石2位置)の遷移とが図示されている。
For example, the
図8に示すように、データ生成部32は、砥石切込軸座標の周期を特定し、各周期で閾値以下の座標値をベース円研削タイミングと特定する。図8の例では、データ生成部32は、周期Fの場合、Qをベース円研削タイミングと特定する。そして、データ生成部32は、各周期のベース円研削タイミングにおける最小値と最大値の差を切り込み量として算出し、この切り込み量の大きさに基づき各プロセスを特定する。
As shown in FIG. 8, the
例えば、プロセスの初期段階程、研削砥石2がカムシャフト3へ切り込む量も大きくなる。なお、空研プロセス時も、カムシャフト3への切込を行うものの研削は行わない。これらを考慮して、閾値を設定することで、切り込み量の大きさに基づき各プロセスを特定することができる。
For example, as the initial stage of the process increases, the amount of the
具体例を挙げると、データ生成部32は、切り込み量が第1の閾値以上であれば空研プロセス、第1の閾値未満かつ第2の閾値以上であれば粗研プロセス、第2の閾値未満かつ0以上であれば仕上げプロセス、0であればスパークアウトプロセスと判定する。なお、各閾値の関係は、第1の閾値>第2の閾値>0であり、値は仕様等により任意に設定することができる。また、閾値をより細分化することにより、仕上げプロセスに含まれる精研プロセスおよび微研プロセスを区別することができ、その場合には、精研の切り込み量が微研の切り込み量より大きいとして判定する。
To give a specific example, the
このようにして、データ生成部32は、研削砥石2の座標からベース円の研削タイミングを抽出し、ベース円の研削タイミング時の切り込み量と各閾値とを比較して、各プロセスのタイミングを特定する。図8の例では、データ生成部32は、研削開始から時間T1までを空研プロセス、時間T1か時間T2までを粗研プロセス、時間T2から時間T3までを精研プロセス、時間T3から時間T4までを微研プロセス、時間T4から時間T5までをスパークアウトプロセスと特定する。なお、実施例1では、図面上において空研のようにプロセスを略して表記する。
In this way, the
(3.学習用のデータの生成)
次に、学習用のデータの生成について具体的に説明する。学習用のデータの生成は、ベース円の研削時の動力値を用いた手法、ベース円の研削時のうち仕上げプロセスの動力値のみを用いた手法、ベース円の研削時の動力値から空研プロセス時の動力値を除外する手法、またこれらの組み合わせにより生成することができる。ここでは、それぞれの手法について具体的に説明する。
(3. Generation of learning data)
Next, the generation of learning data will be specifically described. Data for learning is generated from the method using the power value when grinding the base circle, the method using only the power value of the finishing process when grinding the base circle, and the power value when grinding the base circle. It can be generated by a method of excluding the power value during the process or a combination of these. Here, each method will be specifically described.
(3-1.ベース円の研削時の動力値を用いた手法)
まず、図9を用いて、ベース円の研削時の動力値を用いた手法について説明する。ここでは、カムシャフト3の型式に依存せず、被研削物の仕様と研削条件が共通のタイミングの動力値を特徴量として抽出することで、学習精度を向上させることができる例を説明する。
(3-1. Method using the power value at the time of grinding the base circle)
First, with reference to FIG. 9, a method using the power value at the time of grinding the base circle will be described. Here, an example will be described in which the learning accuracy can be improved by extracting the power value at the timing in which the specifications of the object to be ground and the grinding conditions are common as the feature amount without depending on the model of the
図9は、ベース円の研削時の動力値を用いた学習用のデータの生成例を説明する図である。図9に示すように、データ生成部32は、上述した手法により、研削データからベース円研削時(A1からAn(nは自然数))および各プロセスのタイミングを特定する。
FIG. 9 is a diagram illustrating an example of generating data for learning using the power value at the time of grinding the base circle. As shown in FIG. 9, the
続いて、データ生成部32は、ベース円研削時(A1からAn)に対応する動力値の範囲(A1´,A2´,・・・,An´)を特定する。そして、データ生成部32は、特定した各動力値を用いて学習用のデータを生成する。
Subsequently, the
例えば、データ生成部32は、ベース円研削時A1に対応する動力値の範囲A1´から最小値1、平均値1、最大値1を算出し、ベース円研削時A2に対応する動力値の範囲A2´から最小値2、平均値2、最大値2を算出する。このようにして、データ生成部32は、各動力値の範囲(A1´,A2´,・・・,An´)に対応する最小値、平均値、最大値を算出する。その後、データ生成部32は、算出した各値を並べた[最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,・・・,最小値n,平均値n,最大値n]に、元となった研削データに対応付けられる品質データ[R]とを組み合わせた学習用のデータを生成する。
For example, the
すなわち、データ生成部32は、[説明変数,目的変数]=[(最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,・・・,最小値n,平均値n,最大値n),R]とする学習用のデータ14を生成して記憶部12に格納する。このようにして、データ生成部32は、収集された各研削データ13のそれぞれから、学習用のデータ14を生成することができるので、型式に依存せず、学習精度を向上させることができる。
That is, the
(3-2.仕上げプロセスの動力値を用いた手法)
次に、仕上げプロセスの動力値を用いた手法について説明する。ここでは、研削品質への影響が大きい仕上げプロセスの動力値を抽出することで、研削砥石2の品質を正確に判断できる例を説明する。
(3-2. Method using the power value of the finishing process)
Next, a method using the power value of the finishing process will be described. Here, an example in which the quality of the
図10は、精研プロセスと微研プロセスの動力値を用いた学習用のデータの生成例を説明する図である。図10に示すように、データ生成部32は、上述した手法により、ベース円研削時のうち仕上げプロセス(B1,B2,B3)を特定する。
FIG. 10 is a diagram illustrating an example of generating data for learning using the power values of the Seiken process and the Microken process. As shown in FIG. 10, the
続いて、データ生成部32は、仕上げプロセス(B1,B2,B3)に対応する動力値の範囲(B1´,B2´,B3´)を特定する。そして、データ生成部32は、特定した各動力値を用いて学習用のデータを生成する。
Subsequently, the
例えば、データ生成部32は、仕上げプロセス時B1に対応する動力値の範囲B1´から最小値1、平均値1、最大値1を算出する。同様に、データ生成部32は、仕上げプロセス時B2に対応する動力値の範囲B2´から最小値2、平均値2、最大値2を算出する。また、データ生成部32は、仕上げプロセス時B3に対応する動力値の範囲B3´から最小値3、平均値3、最大値3を算出する。
For example, the
その後、データ生成部32は、算出した各値を並べた[最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,最小値3,平均値3,最大値3]に、元となった研削データに対応付けられる品質データ[R]とを組み合わせた学習用のデータを生成する。
After that, the
すなわち、データ生成部32は、[説明変数,目的変数]=[(最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,最小値3,平均値3,最大値3),R]とする学習用のデータを生成して、学習用のデータ14として記憶部12に格納する。このようにして、データ生成部32は、収集された各研削データ13のそれぞれから、学習用のデータ14を生成するので、最も品質に影響を与える仕上げプロセスの特徴量によってモデルを学習することができ、学習精度をさらに向上させることができる。
That is, the
(3-3.空研時の動力値を除外する手法)
次に、図11を用いて、空研時の動力値を除外する手法について説明する。上述した砥石軸動力値は、砥石を回転させるための電流値(A)である。通常、研削加工においては、加工中の研削砥石2の回転数を一定にする制御を実施する。そして、何らかの影響により研削砥石2の回転数が落ちそうになる際に、砥石軸動力値を増加させ、設定された回転数へ戻す制御が実行される。すなわち、砥石軸動力値は研削砥石2の回転成分に対する抵抗要素として考えることができる。
(3-3. Method of excluding power value at the time of Kuken)
Next, a method of excluding the power value at the time of Kuken will be described with reference to FIG. The grindstone shaft power value described above is a current value (A) for rotating the grindstone. Normally, in the grinding process, control is performed to keep the rotation speed of the
研削砥石2の回転数が変化する要素は、大きく二つある。(1)研削砥石2とワークが接触する際の抵抗要素、(2)研削砥石2を回転させる際の抵抗要素である。研削加工におけるワーク品質は、砥石表面の状態の品質であり、研削中の研削抵抗が大きく寄与することが知られている。しかし、単に研削加工中の砥石軸動力値を取得するだけでは、研削砥石2を回転させる際の抵抗要素が含まれる。そのため、空研プロセス時の砥石軸動力値を取得し、研削加工中の砥石軸動力値から、空研時の砥石軸動力値を差し引くことで、研削砥石2とワークが接触する際の抵抗要素のみ抽出することが可能となる。そこで、ここでは、空研プロセス時の砥石軸動力値を除外した砥石軸動力値を抽出することで、研削品質に大きく寄与する特徴量を学習し、研削品質を保証する例を説明する。
There are two major factors that change the rotation speed of the
図11は、空研プロセス時の動力値を除外した学習用のデータの生成例を説明する図である。図11に示すように、データ生成部32は、上述した手法により、研削データから空研プロセス時と仕上げプロセス(精研、微研)のタイミングを特定する。
FIG. 11 is a diagram illustrating an example of generating data for learning excluding the power value during the Kuken process. As shown in FIG. 11, the
続いて、データ生成部32は、空研プロセス時のタイミング(C1からCn)に対応する動力値の範囲(C1´,・・・,Cn´)を特定する。同様に、データ生成部32は、仕上げプロセス(B1,B2,B3)に対応する動力値の範囲(B1´,B2´,B3´)を特定する。そして、データ生成部32は、仕上げプロセス時の動力値から、空研プロセス時の動力値を減算した値を用いて学習用のデータを生成する。
Subsequently, the
例えば、データ生成部32は、動力値の範囲C1´から最小値1、平均値1、最大値1を算出し、動力値の範囲C2´から最小値2、平均値2、最大値2を算出する。このようにして、データ生成部32は、各動力値の範囲(C1´,・・・,Cn´)に対応する最小値、平均値、最大値を算出する。続いて、データ生成部32は、各空研プロセス時の動力値の範囲(C1´,・・・,Cn´)から算出された各最小値、各平均値、各最大値を用いて、最小値の平均値(xa)と平均値の平均値(ya)と最大値の平均値(za)を算出する。
For example, the
そして、データ生成部32は、仕上げプロセス時B1,B2,B3それぞれに対応する動力値の範囲から[最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,最小値3,平均値3,最大値3]を算出する。その後、データ生成部32は、仕上げプロセス時の動力値[最小値1,平均値1,最大値1,最小値2,平均値2,最大値2,最小値3,平均値3,最大値3]から、最小値の平均値(xa)と平均値の平均値(ya)と最大値の平均値(za)を減算した動力値[最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za]を算出する。
Then, the
その後、データ生成部32は、算出された動力値と元となった研削データに対応付けられる品質データ[R]とを組み合わせて、学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za),R]を生成する。
After that, the
このようにして、データ生成部32は、最も品質に影響を与える仕上げプロセスの状態から、品質への影響が小さい空研プロセスの状態を除外した上でモデルを学習することができ、学習精度をさらに向上させることができる。
In this way, the
(3-4.組み合わせ)
なお、上述した3-1から3-3の手法は、それぞれを独立して実行することもでき、任意に組み合わせることもできる。また、3-3の手法では、仕上げプロセスの動力値から空研プロセス時の動力時を除外する例を説明したが、3-1で得られたベース円研削時の各動力時から空研プロセス時の動力値を除外することもできる。
(3-4. Combination)
The methods 3-1 to 3-3 described above can be executed independently or can be combined arbitrarily. Further, in the method 3-3, an example of excluding the power time during the Kuken process from the power value of the finishing process was explained, but the Kuken process is performed from each power time during the base circular grinding obtained in 3-1. It is also possible to exclude the power value of time.
図3に戻り、学習部33は、学習用のデータ14を用いて、品質予測モデルを生成する処理部である。図12は、品質予測モデルの生成を説明する図である。図12に示すように、学習部33は、ニューラルネットワークなどを用いた品質予測モデルに学習用のデータ14を入力し、品質予測モデルの出力結果を取得する。そして、学習部33は、品質予測モデルの出力結果と学習用のデータの目的変数との誤差を算出し、この誤差が最小化するように品質予測モデルを生成する。
Returning to FIG. 3, the
例えば、学習部33は、学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za),R]のうち、説明変数(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za)を品質予測モデルに入力して出力値を取得する。そして、学習部33は、学習用のデータの目的変数(R)と出力値との誤差が小さくなるように、品質予測モデルを学習する。
For example, the
そして、学習部33は、学習が完了すると、学習済みの品質予測モデルを学習結果として記憶部12に格納する。なお、学習を完了するタイミングは、所定時間経過後、所定数の学習用のデータによる学習完了後、誤差が閾値以下となったときなど、任意に設定することができる。
Then, when the learning is completed, the
予測処理部40は、取得部41、抽出部42、予測部43を有し、学習済みの品質予測モデルを用いて、研削加工機1による研削の品質を予測する処理部である。
The
取得部41は、予測対象のデータを取得する処理部である。例えば、取得部41は、品質予測モデルの完了後に、研削加工機1によって研削されたときの動力値を含む研削データを取得して、抽出部42に出力する。
The
抽出部42は、予測対象の研削データから予測対象とする特徴量を抽出する処理部である。具体的には、抽出部42は、データ生成部32が学習用のデータを生成したときと同じ手法を用いて、予測対象の研削データから品質予測モデルに入力する特徴量(予測対象データ15)を生成して、記憶部12に格納する。
The
例えば、抽出部42は、データ生成部32が上記3-1手法を用いて学習用のデータを生成した場合、同様の手法により、予測対象の研削データからベース円研削時の動力値を、予測対象データ15として抽出する。また、抽出部42は、データ生成部32が上記3-3手法を用いて学習用のデータを生成した場合、同様の手法により、予測対象の研削データから仕上げプロセス時の動力値と空研時の動力値を抽出し、仕上げプロセス時の動力値から空研時の動力値を除外した予測対象データ15を抽出する。
For example, when the
予測部43は、抽出部42により抽出された予測対象データ15と、学習済みの品質予測対象モデルとを用いて、研削加工機1による研削の品質を予測する処理部である。例えば、予測部43は、記憶部12から、学習済みの品質予測対象モデルを取得する。そして、予測部43は、抽出部42により抽出された予測対象データ15を、学習済みの品質予測対象モデルに入力して出力を取得する。
The
その後、予測部43は、品質予測対象モデルからの出力を、予測結果として記憶部12に格納したり、ディスプレイ等に表示したり、管理者などのユーザ端末に送信したりする。このように、予測処理部40は、予測対象データ15が発生して、記憶部12に格納するたびに、予測を繰り返して実行する。
After that, the
[処理の流れ]
次に、研削品質予測装置10が実行する各処理について説明する。ここでは、一例として、上記3-3の手法を用いた場合の学習処理と予測処理のそれぞれの流れについて説明する。
[Processing flow]
Next, each process executed by the grinding quality prediction device 10 will be described. Here, as an example, the flow of each of the learning process and the prediction process when the method of 3-3 is used will be described.
(学習処理の流れ)
図13は、学習処理の流れを示すフローチャートである。図13に示すように、学習処理部30は、学習処理の開始がユーザ等により指示されるまで待機し(S101)、処理開始が指示されると(S101:Yes)、記憶部12から研削データ13を取得する(S102)。
(Flow of learning process)
FIG. 13 is a flowchart showing the flow of the learning process. As shown in FIG. 13, the
続いて、学習処理部30は、研削データ13から動力値のデータを抽出し(S103)、抽出した動力値のデータから、ベース円研削タイミングおよび各プロセスを特定する(S104)。
Subsequently, the
そして、学習処理部30は、空研プロセスのおけるベース円研削時の動力値を抽出し(S105)、空研プロセスの動力値の平均値を算出する(S106)。また、学習処理部30は、仕上げプロセスのおけるベース円研削時の動力値を抽出し(S107)、仕上げプロセスのおけるベース円研削時の動力値から空研プロセスの動力値の平均値を減算する(S108)。
Then, the
その後、学習処理部30は、S107で得られた動力値と、研削データに含まれる品質データとを対応付けた学習用のデータを生成する(S109)。ここで、学習用のデータの生成を継続する場合(S110:No)、S102以降を繰り返す。
After that, the
一方、学習用のデータの生成が完了すると(S110:Yes)、学習処理部30は、生成された学習用のデータを用いて品質予測モデルを学習し(S111)、学習が完了すると、学習結果を記憶部12に格納する(S112)。
On the other hand, when the generation of the learning data is completed (S110: Yes), the
(予測処理の流れ)
図14は、予測処理の流れを示すフローチャートである。図14に示すように、予測処理部40は、予測処理の開始がユーザ等により指示されるまで待機し(S201)、処理開始が指示されると(S201:Yes)、記憶部12から、学習済みの品質予測モデルを取得する(S202)。
(Flow of prediction processing)
FIG. 14 is a flowchart showing the flow of the prediction process. As shown in FIG. 14, the
続いて、予測処理部40は、記憶部12や研削加工機1から予測対象の研削データを取得し(S203)、予測対象の研削データから、ベース円研削タイミングおよび各プロセスを特定する(S204)。
Subsequently, the
そして、予測処理部40は、空研プロセスのおけるベース円研削時の動力値を抽出し(S205)、空研プロセスの動力値の平均値を算出する(S206)。また、予測処理部40は、仕上げプロセスのおけるベース円研削時の動力値を抽出し(S207)、仕上げプロセスの動力値から空研プロセスの動力値の平均値を減算して、予測対象データ15を生成する(S208)。
Then, the
その後、予測処理部40は、生成された予測対象データ15を、学習済みの品質予測モデルに入力し(S209)、品質予測モデルの出力結果を取得して出力する(S210)。
After that, the
そして、予測処理部40は、予測を継続する場合(S211:No)、S203以降が繰り返され、予測を終了する指示等を受け付けると(S211:Yes)、予測処理を終了する。
Then, when the
[効果]
上述したように、研削品質予測装置10は、複数のカムシャフト3それぞれに対して研削砥石2で研削を行ったときの研削砥石2を駆動させた各動力値の推移と、複数のカムシャフト3それぞれの研削品質を示す情報とを取得する。研削品質予測装置10は、各動力値の推移から、複数のカムシャフト3の共通部分であるベース円を研削したときの動力値である動力値を抽出する。その後、研削品質予測装置10は、抽出された動力値と研削品質を示す情報とに基づくデータを用いて、研削状態を予測する品質予測モデルを生成することができる。
[effect]
As described above, in the grinding quality prediction device 10, the transition of each power value for driving the
この結果、研削品質予測装置10は、カムシャフト3の型式等に依存しない予測モデルを学習することができるので、研削品質の予測精度を向上させることができる。また、研削品質予測装置10は、研削後のカムシャフト3の品質を予測することができるので、結果として、カムシャフト3を研削した研削砥石2の状態を予測することもできる。また、研削砥石2の状態を予測するができるので、管理者に依存することなく、ドレスタイミングを判定する共通の指標を提供することができる。また、ドレスタイミングを適切に判定することができるので、無用なドレッシングを抑制することができるとともに、品質保証の格上げも図ることができる。
As a result, the grinding quality prediction device 10 can learn a prediction model that does not depend on the model of the
また、研削品質予測装置10は、研削への影響が小さく空研プロセスの動力値を除外した特徴量を用いて、品質予測モデルを学習するので、品質予測モデルの予測精度を向上させることができる。また、研削品質予測装置10は、品質への影響が大きい仕上げプロセスの動力値を特徴量として、品質予測モデルを学習するので、研削砥石2の品質を正確に判断できる予測結果を取得することができる。
Further, since the grinding quality prediction device 10 learns the quality prediction model by using the feature amount excluding the power value of the Kuken process, which has a small influence on the grinding, the prediction accuracy of the quality prediction model can be improved. .. Further, since the grinding quality prediction device 10 learns the quality prediction model by using the power value of the finishing process, which has a large influence on the quality, as a feature quantity, it is possible to acquire the prediction result that can accurately judge the quality of the
ところで、実施例1で説明した学習用のデータ以外にも、研削の品質に影響を与える他の要素を説明変数に組み込むことで、予測精度の向上を図ることができる。そこで、実施例2では、新たな特徴量を説明変数の組み込むことで、学習用のデータの次元を増やして、品質予測モデルの学習を行う例を説明する。なお、ここでは、上記3-3の手法を採用した例で説明する。 By the way, in addition to the learning data described in the first embodiment, by incorporating other factors that affect the quality of grinding into the explanatory variables, the prediction accuracy can be improved. Therefore, in the second embodiment, an example in which the dimension of the data for learning is increased by incorporating a new feature amount into the explanatory variable and the quality prediction model is trained will be described. Here, an example in which the method of 3-3 is adopted will be described.
[研削砥石2の直径]
例えば、データ生成部32は、研削砥石2の直径を説明変数に組み込むことができる。図15は、研削砥石2の直径を学習用のデータに利用する例を説明する図である。図15に示すように、研削砥石2の直径が大きい場合、カムシャフト3と接する面積が大きくなるので、研削抵抗が大きくなる。つまり、研削砥石2の直径が動力値の大きさに影響し、動力値の大きさがカムシャフト3の研削に大きな影響を与えることから、研削砥石2の直径を特徴量に用いて学習を行うことで、予測精度の向上が図れる。
[Diameter of grinding wheel 2]
For example, the
したがって、データ生成部32は、上記3-3で手法された学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za),R]の説明変数に研削砥石の直径を追加する。
Therefore, the
すなわち、データ生成部32は、学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za,研削砥石2の直径),R]を用いて、品質予測モデルの学習を実行する。
That is, the
[カムシャフト3の情報]
例えば、カムシャフト3の直径が異なる場合や、研削時のワーク回転数が異なる場合も研削条件が異なるため、研削品質を示す情報に影響を与える。したがって、データ生成部32は、研削時のカムシャフト3の直径や回転数も追加した学習用のデータを生成することで、学習精度を向上し、予測精度の向上も実現する。図16は、カムシャフト3の直径や回転数を学習用のデータに利用する例を説明する図である。
[Information on camshaft 3]
For example, when the diameter of the
図16の(a)に示すように、データ生成部32は、学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za,カムシャフト3の直径),R]を用いて、品質予測モデルの学習を実行する。
As shown in FIG. 16A, the
また、図16の(b)に示すように、データ生成部32は、学習用のデータ[(最小値1-xa,平均値1-ya,最大値1-za,最小値2-xa,平均値2-ya,最大値2-za,最小値3-xa,平均値3-ya,最大値3-za,カムシャフト3の回転数),R]を用いて、品質予測モデルの学習を実行する。
Further, as shown in FIG. 16B, the
なお、カムシャフト3のベース円の直径や研削砥石2の回転数を、説明変数に追加した学習用のデータを生成することで、予測精度の高い品質予測モデルを生成することもできる。
It is also possible to generate a quality prediction model with high prediction accuracy by generating learning data in which the diameter of the base circle of the
さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。 By the way, although the examples of the present invention have been described so far, the present invention may be carried out in various different forms other than the above-mentioned examples.
[データや数値等]
上記実施例で用いたデータ例、数値例、表示例、閾値等は、あくまで一例であり、任意に変更することができる。また、プロセスの細分化も一例であり、任意に変更することができる。また、カムシャフト3に限らず、複数の型式において共通部分がある他のワークに対しても同様に処理することができる。
[Data, numerical values, etc.]
The data example, numerical example, display example, threshold value, etc. used in the above embodiment are merely examples and can be arbitrarily changed. Further, the subdivision of the process is also an example and can be changed arbitrarily. Further, not only the
[学習用のデータ]
上記実施例では、該当プロセス内のベース円研削時の動力値の最小値、平均値、最大値を学習用のデータに利用する例を説明したが、これに限定されるものではない。例えば、最小値、平均値、最大値のいずれか一つを用いてもよく、任意の2つを用いてもよく、分散値などを用いることもできる。また、カムシャフト3の直径や回転数、研削砥石2の直径等は、研削加工機1から取得することもでき、管理者等の入力により取得することもできる。
[Data for learning]
In the above embodiment, an example in which the minimum value, the average value, and the maximum value of the power values at the time of base circle grinding in the corresponding process are used for learning data has been described, but the present invention is not limited thereto. For example, any one of the minimum value, the average value, and the maximum value may be used, any two may be used, and a dispersion value or the like may be used. Further, the diameter and rotation speed of the
[学習モデル]
上記実施例では、学習モデルとして、ニューラルネットワーク、サポートベクターマシン、ロジスティック回帰モデルなど様々な機械学習を採用することができる。
[Learning model]
In the above embodiment, various machine learning such as a neural network, a support vector machine, and a logistic regression model can be adopted as the learning model.
[システム]
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
[system]
Information including processing procedures, control procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each of the illustrated devices is a functional concept, and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution or integration of each device is not limited to the one shown in the figure. That is, all or a part thereof can be functionally or physically distributed / integrated in any unit according to various loads, usage conditions, and the like.
さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、CPUおよび当該CPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。 Further, each processing function performed by each device may be realized by a CPU and a program analyzed and executed by the CPU, or may be realized as hardware by wired logic.
[ハードウェア]
図17は、ハードウェア構成例を説明する図である。図17に示すように、研削品質予測装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図17に示した各部は、バス等で相互に接続される。
[hardware]
FIG. 17 is a diagram illustrating a hardware configuration example. As shown in FIG. 17, the grinding quality prediction device 10 includes a communication device 10a, an HDD (Hard Disk Drive) 10b, a memory 10c, and a
通信装置10aは、ネットワークインタフェースカードなどであり、他の装置との通信を行う。HDD10bは、図3に示した機能を動作させるプログラムやDBを記憶する。 The communication device 10a is a network interface card or the like, and communicates with other devices. The HDD 10b stores a program or DB that operates the function shown in FIG.
プロセッサ10dは、図3に示した各処理部と同様の処理を実行するプログラムをHDD10b等から読み出してメモリ10cに展開することで、図3等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、研削品質予測装置10が有する各処理部と同様の機能を実行する。具体的には、プロセッサ10dは、学習処理部30と予測処理部40等と同様の機能を有するプログラムをHDD10b等から読み出す。そして、プロセッサ10dは、学習処理部30と予測処理部40等と同様の処理を実行するプロセスを実行する。
The
このように、研削品質予測装置10は、プログラムを読み出して実行することで研削予測方法を実行する情報処理装置として動作する。また、研削品質予測装置10は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、研削品質予測装置10によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。 As described above, the grinding quality prediction device 10 operates as an information processing device that executes the grinding prediction method by reading and executing the program. Further, the grinding quality prediction device 10 can realize the same function as that of the above-described embodiment by reading the program from the recording medium by the medium reader and executing the read program. The program referred to in the other embodiment is not limited to being executed by the grinding quality prediction device 10. For example, the present invention can be similarly applied when other computers or servers execute programs, or when they execute programs in cooperation with each other.
10 研削品質予測装置
11 通信部
12 記憶部
13 研削データ
14 学習用のデータ
15 予測対象データ
16 予測結果
20 制御部
30 学習処理部
31 研削結果取得部
32 データ生成部
33 学習部
40 予測処理部
41 取得部
42 抽出部
43 予測部
10 Grinding quality prediction device 11 Communication unit 12
Claims (20)
研削砥石を用いて、円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの動力値の推移を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得し、
前記第1情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第1動力値を特定し、
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成する
処理を実行することを特徴とする研削状態監視方法。 The computer
The first information showing the transition of the power value when grinding a plurality of grinding objects having a common portion that is cylindrical and has a common shape by using a grinding wheel, and the plurality of grinding objects. Obtain the second information indicating the quality of the
Based on the first information, the first power value, which is the power value when the common portion of the plurality of grinding objects is ground, is specified.
A grinding condition monitoring method comprising executing a process of generating a quality prediction model based on the first power value and the second information.
研削砥石を用いて、複数の研削対象物の研削を行ったときの動力値の推移を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得し、 The first information indicating the transition of the power value when grinding a plurality of objects to be ground using the grinding wheel and the second information indicating the quality of the plurality of objects to be ground are acquired.
前記第1情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第1動力値を特定し、 Based on the first information, the first power value, which is the power value when a common portion having a common shape among the plurality of grinding objects is ground, is specified.
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成する、 A quality prediction model is generated based on the first power value and the second information.
処理を実行し、 Execute the process,
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視方法。 A method for monitoring a grinding state, wherein each of the plurality of objects to be ground is a camshaft, and the common portion is a portion of a base circle of the camshaft.
前記第1動力値から、前記第2動力値を除外した第3動力値を算出する、処理を前記コンピュータが実行し、
前記品質予測モデルを生成する処理において前記コンピュータは、前記第3動力値と前記第2情報とに基づいて、前記品質予測モデルを生成することを特徴とする請求項1又は2に記載の研削状態監視方法。 Based on the first information, the second power value, which is the power value in a state where the grinding wheel does not grind the plurality of objects to be ground, is specified.
The computer executes a process of calculating a third power value excluding the second power value from the first power value.
The grinding state according to claim 1 or 2 , wherein in the process of generating the quality prediction model, the computer generates the quality prediction model based on the third power value and the second information. Monitoring method.
前記品質予測モデルを生成する処理において前記コンピュータは、前記第4動力値と前記第2情報とに基づいて、前記品質予測モデルを生成することを特徴とする請求項1乃至3何れか一項に記載の研削状態監視方法。 Based on the first information, the computer executes a process for specifying the fourth power value, which is the power value in the state where the grinding is finished.
The process of generating the quality prediction model according to any one of claims 1 to 3 , wherein the computer generates the quality prediction model based on the fourth power value and the second information. The described grinding condition monitoring method.
研削砥石を用いて、円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの動力値を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得し、
前記第1情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第1動力値を特定し、
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成する
処理を実行させることを特徴とする研削状態監視プログラム。 On the computer
The first information indicating the power value when grinding a plurality of grinding objects having a common portion that is cylindrical and has a common shape using a grinding wheel, and the quality of the plurality of grinding objects. Obtain the second information indicating that
Based on the first information, the first power value, which is the power value when the common portion of the plurality of grinding objects is ground, is specified.
A grinding condition monitoring program characterized by executing a process of generating a quality prediction model based on the first power value and the second information.
研削砥石を用いて、複数の研削対象物の研削を行ったときの動力値の推移を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得し、 The first information indicating the transition of the power value when grinding a plurality of objects to be ground using the grinding wheel and the second information indicating the quality of the plurality of objects to be ground are acquired.
前記第1情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第1動力値を特定し、 Based on the first information, the first power value, which is the power value when a common portion having a common shape among the plurality of grinding objects is ground, is specified.
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成する、 A quality prediction model is generated based on the first power value and the second information.
処理を実行させ、 Execute the process,
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視プログラム。 A grinding state monitoring program characterized in that each of the plurality of objects to be ground is a camshaft, and the common portion is a portion of the base circle of the camshaft.
円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの前記研削加工機の動力値の推移を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得する取得部と、
前記第1情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第1動力値を特定する特定部と、
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成するモデル生成部と
を有することを特徴とする研削状態監視装置。 A grinding machine that grinds multiple objects to be ground using a grinding wheel,
The first information showing the transition of the power value of the grinding machine when grinding a plurality of grinding objects having a common portion that is cylindrical and has a common shape, and the plurality of grinding objects. The acquisition unit that acquires the second information indicating the quality,
Based on the first information, a specific part that specifies the first power value, which is the power value when the common portion of the plurality of grinding objects is ground, and
A grinding condition monitoring device comprising a model generation unit that generates a quality prediction model based on the first power value and the second information.
前記複数の研削対象物の研削を行ったときの前記研削加工機の動力値の推移を示す第1情報と、前記複数の研削対象物の品質を示す第2情報とを取得する取得部と、 An acquisition unit that acquires first information indicating the transition of the power value of the grinding machine when grinding the plurality of grinding objects and second information indicating the quality of the plurality of grinding objects.
前記第1情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第1動力値を特定する特定部と、 Based on the first information, a specific portion that specifies the first power value, which is the power value when a common portion having a common shape among the plurality of grinding objects is ground, and a specific portion.
前記第1動力値と前記第2情報とに基づいて、品質予測モデルを生成するモデル生成部と A model generation unit that generates a quality prediction model based on the first power value and the second information.
を有し、 Have,
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視装置。 A grinding state monitoring device, wherein each of the plurality of objects to be ground is a camshaft, and the common portion is a portion of a base circle of the camshaft.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019126531A JP7015807B2 (en) | 2019-07-05 | 2019-07-05 | Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019126531A JP7015807B2 (en) | 2019-07-05 | 2019-07-05 | Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021010980A JP2021010980A (en) | 2021-02-04 |
JP2021010980A5 JP2021010980A5 (en) | 2021-05-27 |
JP7015807B2 true JP7015807B2 (en) | 2022-02-03 |
Family
ID=74226772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019126531A Active JP7015807B2 (en) | 2019-07-05 | 2019-07-05 | Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7015807B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7051030B1 (en) * | 2021-08-30 | 2022-04-08 | 三菱電機株式会社 | Machining Dimension Predictor, Machining Dimension Prediction System, Machining Dimension Prediction Method and Program |
TWI807680B (en) * | 2022-03-11 | 2023-07-01 | 新代科技股份有限公司 | Grinder monitoring system and monitoring method |
CN116652823B (en) * | 2023-06-26 | 2024-03-22 | 浙江钱祥工具股份有限公司 | Automatic monitoring system and method for grinding machine |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000288895A (en) | 1999-03-31 | 2000-10-17 | Shigiya Machinery Works Ltd | Cam grinding machine, cam grinding method using the grinding machine, method of creating final cam grinding information in grinding machine |
JP5985124B1 (en) | 2015-06-16 | 2016-09-06 | 三菱電機株式会社 | Command value generator |
JP2017097839A (en) | 2015-11-16 | 2017-06-01 | 株式会社ジェイテクト | Abnormality analysis system and analysis device |
JP2018001301A (en) | 2016-06-28 | 2018-01-11 | 株式会社小松製作所 | Machine tool, work-piece manufacturing method, and processing system |
JP2018106562A (en) | 2016-12-27 | 2018-07-05 | 株式会社ジェイテクト | Analyzer and analysis system |
-
2019
- 2019-07-05 JP JP2019126531A patent/JP7015807B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000288895A (en) | 1999-03-31 | 2000-10-17 | Shigiya Machinery Works Ltd | Cam grinding machine, cam grinding method using the grinding machine, method of creating final cam grinding information in grinding machine |
JP5985124B1 (en) | 2015-06-16 | 2016-09-06 | 三菱電機株式会社 | Command value generator |
JP2017097839A (en) | 2015-11-16 | 2017-06-01 | 株式会社ジェイテクト | Abnormality analysis system and analysis device |
JP2018001301A (en) | 2016-06-28 | 2018-01-11 | 株式会社小松製作所 | Machine tool, work-piece manufacturing method, and processing system |
JP2018106562A (en) | 2016-12-27 | 2018-07-05 | 株式会社ジェイテクト | Analyzer and analysis system |
Also Published As
Publication number | Publication date |
---|---|
JP2021010980A (en) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7015807B2 (en) | Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device | |
CN108345273B (en) | Numerical controller and machine learning device | |
EP3450096B1 (en) | Machine tool, method for manufacturing processed article, and processing system | |
CN109283887A (en) | Machine learning device, numerical control device, numerical control system and machine learning method | |
CN110116371B (en) | Abrasive tool wear amount prediction device, machine learning device, and system | |
CN109725606B (en) | Machining condition adjustment device and machine learning device | |
JP7383982B2 (en) | Tool life prediction system | |
CN110347120A (en) | Control device and machine learning device | |
CN112676925B (en) | Method, device and equipment for grinding and polishing blade of aero-engine and storage medium | |
CN116551475B (en) | Grinding processing method and system for hardware tool | |
JP2018063653A (en) | Information processor | |
JP6312648B2 (en) | Numerical control system linked with tool catalog database | |
CN112859754B (en) | Machine tool machining control method, machine tool machining control device, storage medium, edge device, and server | |
CN109725601A (en) | Comprehensive process system, method for comprehensive processing and computer-readable medium | |
US20100114354A1 (en) | Method for estimating immeasurable process variables during a series of discrete process cycles | |
CN105807718A (en) | Production machine with own functionality testing and method | |
JP6865055B2 (en) | Machining load analysis device, machining load analysis program, and machining load analysis system | |
JP6985180B2 (en) | Numerical control device | |
JPH0753336B2 (en) | Automatic tool selection device for machine tools | |
JP6799047B2 (en) | Warm-up operation evaluation device, warm-up operation evaluation method and warm-up operation evaluation program | |
EP4078304B1 (en) | Reduction of friction within a machine tool | |
CN112214882B (en) | Filter parameter generation method, vibration sensing module, computer device, and medium | |
CN116449770B (en) | Machining method, device and equipment of numerical control machine tool and computer storage medium | |
JP4494303B2 (en) | Numerical controller | |
JP7120958B2 (en) | Dressing estimation device and control device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20190723 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190723 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210412 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210412 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210720 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210921 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20211111 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220124 |