JP7286023B1

JP7286023B1 - 加工不良分析装置、加工システム、加工不良分析方法、および、加工方法

Info

Publication number: JP7286023B1
Application number: JP2022534826A
Authority: JP
Inventors: 剛佐藤; 弘樹金子
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2022-01-06
Filing date: 2022-01-06
Publication date: 2023-06-02
Anticipated expiration: 2042-01-06
Also published as: JPWO2023132039A1; WO2023132039A1

Abstract

加工不良分析装置（１）は、工作機械に取り付けられる工具が加工対象物を切削する点であって、工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得する切削点情報取得部（１０）と、複数の先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部（２０）と、切削点情報と特徴量とに基づいて、加工対象物の加工不良が生じる領域である加工不良領域と、加工不良領域における加工不良の要因とを特定する加工不良分析部（１１０）と、を備えることを特徴とする。

Description

本開示は、工作機械による加工対象物の加工に生じる加工不良を分析する加工不良分析装置、加工システム、加工不良分析方法、および、加工方法に関する。

工作機械は、モータなどのアクチュエータを駆動して、加工対象物または工具を移動させることによって、工具で加工対象物を加工して所望の形状にする。このとき、工具経路を指令する移動指令が記述された加工プログラムが用いられる。加工プログラムは、工作機械を制御する数値制御装置に入力され、数値制御装置は、加工プログラムを解析して、移動指令から求めた工具経路を予め定められた制御周期毎に補間した駆動軸の指令位置を作成する。数値制御装置は、指令位置をもとに駆動軸の位置を精緻に管理しながら、アクチュエータの駆動制御を行う。

しかしながら、加工後の加工対象物には、加工目標形状に対して様々な要因で加工誤差が生じる。加工誤差は、寸法精度を満たさない、加工面に傷があるといった加工不良につながる。この場合、設計の見直し、再加工といった手戻り作業が発生し、生産効率が低下する。

特許文献１には、工作機械の駆動軸の実送り速度を演算して画像に変換し、画像データを用いて機械学習により加工の良否を判定する技術が開示されている。特許文献１に開示された技術を用いることで、加工不良が発生するか否かを自動的に判定することが可能となる。

特開２０２１－０６８２２５号公報

しかしながら、特許文献１に開示された技術によれば、実送り速度に起因して加工不良が発生するか否かを判定することは可能になるが、加工対象物のどの部分に加工不良が発生しているかを特定し、加工不良が発生する要因を特定する分析作業の労力が大きいという問題があった。

本開示は、上記に鑑みてなされたものであって、加工不良が発生する要因を特定する分析作業の作業者の労力を低減することが可能な加工不良分析装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示の加工不良分析装置は、工作機械に取り付けられる工具が加工対象物を切削する点であって、工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得する切削点情報取得部と、複数の先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部と、切削点情報と特徴量とに基づいて、加工対象物の加工不良が生じる領域である加工不良領域と、加工不良領域における加工不良の要因を示す特徴量の種類とを特定する加工不良分析部と、加工不良領域を、要因毎に異なる表現方法で表示し、１つの加工不良領域について要因の候補が複数存在する場合、要因毎に判定確率を表示する表示部と、を備え、特徴量の種類は、先端点の速度、先端点の加速度、先端点の加加速度、切削点の速度、切削点の加速度、切削点の加加速度、工作機械の複数の駆動軸のそれぞれの位置、工作機械の複数の駆動軸のそれぞれの速度、工作機械の複数の駆動軸のそれぞれの加速度、工作機械の複数の駆動軸のそれぞれの加加速度、および、工作機械の複数の駆動軸のそれぞれの反転位置、のうちの少なくともいずれか１つを含むことを特徴とする。

本開示によれば、加工不良が発生する要因を特定する分析作業の作業者の労力を低減することが可能になるという効果を奏する。

実施の形態１にかかる加工不良分析装置の機能構成を示す図図１に示す工具情報記憶部に記憶された工具情報に基づく工具の一例を示す図図１に示す加工目標形状記憶部に記憶された加工目標形状の一例を示す斜視図図３に示す加工目標形状の側面図図３に示す加工目標形状の上面図図１に示す工具軌跡算出部が生成する工具軌跡の一例を示す斜視図図１に示す工具軌跡算出部が生成する工具軌跡の一例を示す上面図工具と加工曲面との配置について説明するための図工具の先端点と切削点との関係を説明するための図工具が加工曲面から離れている場合の切削点について説明するための図工具が加工曲面と干渉する場合の切削点について説明するための図図８に示す先端点のそれぞれに対応して算出される切削点を示す図工具軌跡に含まれる任意の先端点に隣接する先端点を求める方法を説明するための第１の図工具軌跡に含まれる任意の先端点に隣接する先端点を求める方法を説明するための第２の図工具軌跡に含まれる任意の先端点に隣接する先端点を求める方法を説明するための第３の図図１に示す加工不良分析装置が表示する表示画面の一例を示す斜視図図１に示す加工不良分析装置が表示する表示画面の一例を示す上面図特徴量を示す表示色で加工目標形状の加工曲面を表示した表示結果と、加工不良領域のそれぞれを、加工不良の要因毎に異なる表現方法で表示した表示結果とを重ねて表示した画面の一例を示す図図１に示す加工不良分析装置の動作を説明するためのフローチャート実施の形態１の加工不良分析装置を実現するコンピュータシステムの構成例を示す図実施の形態１の変形例の機能構成を示す図実施の形態２にかかる加工不良分析装置の機能構成を示す図機械学習を用いるモデル構築部の構成の一例を示す図図２２に示す加工不良分析装置が行う学習処理に関するフローチャート図２２に示す加工不良分析部が備える推論装置の機能構成を示す図図２５に示す推論装置の動作を説明するためのフローチャート実施の形態３にかかる加工不良分析装置の機能構成を示す図図２７に示すモデル構築部が使用するニューラルネットワークの一例を示す図

以下に、本開示の実施の形態にかかる加工不良分析装置、加工システム、加工不良分析方法、および、加工方法を図面に基づいて詳細に説明する。

実施の形態１．
図１は、実施の形態１にかかる加工不良分析装置１の機能構成を示す図である。加工不良分析装置１は、運転情報記憶部１０１と、工具軌跡算出部１０２と、工具軌跡記憶部１０３と、工具情報記憶部１０４と、加工目標形状記憶部１０５と、切削点算出部１０６および切削点記憶部１０７を有する切削点情報取得部１０と、特徴量算出部１０８および特徴量記憶部１０９を有する特徴量取得部２０と、加工不良分析部１１０と、表示部１１１と、位置指定部１１２と、要因パターン記憶部１１３とを有する。加工不良分析部１１０は、加工不良領域抽出部１１４と、加工不良要因判定部１１５とを有する。

加工不良分析装置１は、工作機械が数値制御装置により制御されて行う加工に生じる加工不良が発生している領域と、加工不良の要因とを特定する分析作業を支援する機能を有する。

はじめに、加工不良分析装置１が用いるデータの一例について図面を用いて説明する。

運転情報記憶部１０１には、工作機械を運転させた際の工作機械の運転状態を示す情報である運転情報が記憶されている。運転情報は、工作機械、工作機械を制御する数値制御装置、または工作機械に取り付けられたセンサなどから得た情報を含む。より具体的には、運転情報は、例えば、工作機械が有する複数の駆動軸のそれぞれの位置データ、工作機械の主軸の負荷および電流値、工作機械の内部の温度、工作機械を動作させた際に使用する加工プログラムおよび加工条件、数値制御装置のパラメータなどの状態データを含むことができる。上記の位置データ、主軸の負荷、電流値および工作機械の内部の温度は、時刻によって同期された時系列データである。また、駆動軸の位置データは、数値制御装置にて生成した情報であって工作機械の複数の駆動軸のそれぞれに対する予め定められた制御周期毎の指令位置と、複数の駆動軸のそれぞれの位置検出器から制御周期毎に検出した検出位置とのうち少なくとも１つを含む。運転情報は、工作機械を実際に運転させて取得した情報であってもよいし、シミュレーションなどで数値制御装置および工作機械の動作を模擬することによって生成した情報であってもよい。

工具情報記憶部１０４は、加工対象物を加工するための工具の形状を定義する情報である工具情報が記憶されている。工具情報は、工具の形状を生成することができる情報であって、例えば、工具の種類、工具径、工具長などの情報を含む。エンドミルなどの回転工具の場合、工具情報は、工具中心軸と工具の外形輪郭とを含んでもよいし、旋削工具などの非対称な形状の場合、工具情報は、パラメータ情報を含んでもよい。

図２は、図１に示す工具情報記憶部１０４に記憶された工具情報に基づく工具Ｔ１の一例を示す図である。図２に示す工具Ｔ１は、先端が球状のエンドミルであるボールエンドミルである。

加工目標形状記憶部１０５は、加工対象物の目標の形状である加工目標形状を示す形状情報が記憶されている。加工目標形状は、工具Ｔ１により加工すべき曲面である加工曲面を含む。

図３は、図１に示す加工目標形状記憶部１０５に記憶された加工目標形状Ｍ１の一例を示す斜視図である。図４は、図３に示す加工目標形状Ｍ１の側面図である。図５は、図３に示す加工目標形状Ｍ１の上面図である。加工目標形状Ｍ１は、加工曲面Ｓ１～Ｓ３を含む。なお、加工曲面Ｓ１～Ｓ３を特に区別する必要がない場合、単に加工曲面Ｓと称する。

以上説明した運転情報、工具情報、および形状情報は、加工不良分析装置１の外部から取得される。運転情報、工具情報、および加工目標形状Ｍ１は、加工不良分析装置１の外部の記憶媒体に記憶された情報を読み込んでもよいし、通信路を介して取得してもよいし、作業者がキーボードなどの入力手段を用いて入力した情報であってもよい。形状情報は、ＣＡＤデータからのデータ変換を行うことで生成された情報であってもよいし、作業者がキーボードを操作して図形入力することによって生成された情報であってもよい。

工具軌跡算出部１０２は、運転情報記憶部１０１に記憶された運転情報に基づいて、工具の先端点の軌跡である工具軌跡を生成し、生成した工具軌跡を工具軌跡記憶部１０３に記憶する。ここで工具軌跡算出部１０２は、運転情報に含まれる時系列データの位置データについて座標変換を行うことにより工具の先端点の位置および当該位置における工具方向を求める。なお、位置データは、指令位置であってもよいし、検出位置であってもよい。いずれの位置データを用いるかは、予め定められていてもよいし、作業者に選択させるようにしてもよい。このとき工具軌跡算出部１０２は、数値制御装置のパラメータに含まれる工作機械の駆動軸の構成、工具長、座標系などの情報と、加工目標形状Ｍ１の座標系との相対関係を用いて、位置データを座標変換する。なお、数値制御装置のパラメータに含まれる座標系と加工目標形状Ｍ１の座標系との相対関係は、例えばオフセット量を予め記憶させておいてもよいし、作業者に指定させてもよい。このようにして求めた先端点の位置は、時系列データのそれぞれに対応づけるとともに、工具軌跡として記憶される。

図６は、図１に示す工具軌跡算出部１０２が生成する工具軌跡ＴＰ１の一例を示す斜視図である。図７は、図１に示す工具軌跡算出部１０２が生成する工具軌跡ＴＰ１の一例を示す上面図である。図６および図７には、工具軌跡ＴＰ１および加工目標形状Ｍ１が示されている。また、図８は、工具Ｔ１と加工曲面Ｓとの配置について説明するための図である。図８には、工具軌跡ＴＰ１に含まれる先端点Ｐ１～Ｐ７の位置と、先端点Ｐ１～Ｐ７のそれぞれに工具Ｔ１が位置するときの工具方向Ｖ１～Ｖ７とが示されている。図８には、工具Ｔ１が加工目標形状Ｍ１の加工曲面Ｓ３上を通過する様子が断面図で示されている。このとき、先端点Ｐ１～Ｐ７の位置と、当該位置における工具方向Ｖ１～Ｖ７とに従って、工具Ｔ１と加工曲面Ｓ３との配置関係が定まる。なお、以下先端点Ｐ１～Ｐ７のそれぞれを特に区別する必要がない場合、単に先端点Ｐと称し、工具方向Ｖ１～Ｖ７のそれぞれを特に区別する必要がない場合、単に工具方向Ｖと称する。

切削点情報取得部１０の切削点算出部１０６は、工具軌跡記憶部１０３に記憶された工具軌跡ＴＰ１と、工具情報記憶部１０４に記憶された工具情報と、加工目標形状記憶部１０５に記憶された加工目標形状Ｍ１とに基づいて、工作機械に取り付けられる工具Ｔ１が加工対象物Ｗを切削する点である切削点の位置を算出する。ここで切削点について説明する。図９は、工具Ｔ１の先端点Ｐと切削点ＣＰとの関係を説明するための図である。先端点Ｐは、工具Ｔ１の先端に位置する点であり、工具Ｔ１上の位置は変化しない。切削点ＣＰは、工具Ｔ１が加工対象物Ｗを切削する点であり、理想的には工具Ｔ１が加工対象物Ｗの加工曲面Ｓと接する点である。図９には、切削点ＣＰが加工曲面Ｓと接している状態が示されている。

切削点算出部１０６は、工具軌跡ＴＰ１に含まれる複数の先端点Ｐのそれぞれに対応する切削点ＣＰの位置を算出する。具体的には、切削点算出部１０６は、工具軌跡ＴＰ１に含まれる複数の先端点Ｐのそれぞれについて、先端点Ｐの位置および工具方向Ｖから加工目標形状Ｍ１の加工曲面Ｓ上における工具Ｔ１の加工曲面Ｓに対する切削点ＣＰを算出する。先端点Ｐの位置および工具方向Ｖは、加工目標形状Ｍ１に対する相対的な位置および方向であることから、先端点Ｐの位置および工具方向Ｖに従って工具Ｔ１と加工目標形状Ｍ１の加工曲面Ｓとの相対的な位置関係が定まり、この位置関係は、理想的には工具Ｔ１と加工曲面Ｓとが接する状態である。このため、図９に示すように工具Ｔ１と加工曲面Ｓとが接している場合、切削点算出部１０６は、加工曲面Ｓ上において工具Ｔ１と加工曲面Ｓとが接する点を切削点ＣＰとして求める。

しかしながら実際には、工具の先端点Ｐの位置や工具方向Ｖには誤差が含まれていることから、工具Ｔ１と加工曲面Ｓとが接しないことがある。例えば、運転情報に基づいて算出された先端点Ｐの位置に配置した工具Ｔ１が加工曲面Ｓから離れている場合が考えられる。図１０は、工具Ｔ１が加工曲面Ｓから離れている場合の切削点ＣＰについて説明するための図である。図１０に示すように工具Ｔ１が加工曲面Ｓから離れている場合、切削点算出部１０６は、工具Ｔ１と加工曲面Ｓとの間の距離が最短となる加工曲面Ｓ上の一点を求め、この点を切削点ＣＰとすることができる。

また、運転情報に基づいて算出された先端点Ｐの位置に配置した工具Ｔ１が加工曲面Ｓと干渉する場合が考えられる。図１１は、工具Ｔ１が加工曲面Ｓと干渉する場合の切削点ＣＰについて説明するための図である。図１１に示すように工具Ｔ１が加工曲面Ｓと干渉する場合、切削点算出部１０６は、工具Ｔ１が加工曲面Ｓに接触する状態となるまでオフセットして接触する状態としたオフセット工具Ｔ１αと加工曲面Ｓの接触している点を求め、この点を切削点ＣＰとすることができる。なお、ここでは工具Ｔ１がボールエンドミルである例について示しているが、工具Ｔ１がラジアスエンドミル、フラットエンドミル、バレル工具、旋削工具などの特殊な形状であっても、同様の方法で切削点ＣＰを算出することができる。

切削点算出部１０６は、上記のような方法で求めた複数の切削点ＣＰの位置を先端点Ｐのそれぞれに対応づけた切削点情報を切削点記憶部１０７に記憶する。なお、工具Ｔ１と加工曲面Ｓとの関係によっては１つの先端点Ｐに対して複数の切削点ＣＰが算出される場合があり、この場合には１つの先端点Ｐに対して複数の切削点ＣＰを対応づけて記憶すればよい。

図１２は、図８に示す先端点Ｐ１～Ｐ７のそれぞれに対応して算出される切削点ＣＰ１～ＣＰ７を示す図である。簡単のため、図１２では符号が省略されているが、図１２に示す黒丸は図８に示す先端点Ｐ１～Ｐ７であり、図１２に示す矢印は図８に示す工具方向Ｖ１～Ｖ７である。図１２は、工具軌跡ＴＰ１に含まれる複数の先端点Ｐ１～Ｐ７および工具方向Ｖ１～Ｖ７に従って工具Ｔ１が加工目標形状Ｍ１の加工曲面Ｓ３上を移動した際の、工具Ｔ１の加工曲面Ｓ３に対する切削点ＣＰ１～ＣＰ７を示している。先端点Ｐ１～Ｐ７のそれぞれに対応する切削点ＣＰ１～ＣＰ７が算出される。

特徴量取得部２０の特徴量算出部１０８は、運転情報記憶部１０１に記憶された運転情報と、工具軌跡記憶部１０３に記憶された工具軌跡ＴＰ１と、切削点記憶部１０７に記憶された切削点情報とに基づいて、工具軌跡ＴＰ１に含まれる複数の先端点Ｐのそれぞれに対応する加工の特徴量を算出する。特徴量算出部１０８は、算出した特徴量を切削点ＣＰに対応づけて特徴量記憶部１０９に記憶する。特徴量算出部１０８は、特徴量を直接切削点ＣＰに対応づけてもよいし、先端点Ｐに対応づけることで、共通の先端点Ｐに対応づけられた特徴量を切削点ＣＰに対応する特徴量とすることができる。

特徴量は、加工の特徴を表す量である。特徴量は、例えば、加工目標形状Ｍ１と先端点Ｐの位置に配置された工具Ｔ１との間の距離である加工誤差量、先端点Ｐの速度、先端点Ｐの加速度、先端点Ｐの加加速度、切削点ＣＰの速度、切削点ＣＰの加速度、切削点ＣＰの加加速度、工作機械の複数の駆動軸のそれぞれの位置、工作機械の複数の駆動軸のそれぞれの速度、工作機械の複数の駆動軸のそれぞれの加速度、工作機械の複数の駆動軸のそれぞれの加加速度、および、工作機械の複数の駆動軸のそれぞれの反転位置の少なくとも１つを含む。

ここで、加工誤差量は、工具Ｔ１の先端点Ｐに対応する切削点ＣＰの位置と、先端点Ｐの位置および工具方向Ｖに従って配置された工具Ｔ１の形状表面との間の最短距離として算出することができる。

また、工具Ｔ１の先端点Ｐの速度、加速度および加加速度は、それぞれ以下のように算出することができる。ある時刻ｔにおける先端点Ｐの位置をＰＴ（ｔ）、時刻ｔから予め定められた制御周期の時間だけ進んだ時刻ｔ＋Δｔにおける先端点Ｐの位置をＰＴ（ｔ＋Δｔ）とした場合、時刻ｔにおける先端点Ｐの速度ＶＴ（ｔ）は、２つの先端点Ｐの位置の間の距離を予め定められた制御周期の時間で除算することで求められ、以下の数式（１）で表される。

時刻ｔにおける先端点Ｐの加速度ＡＴ（ｔ）は、数式（２）で表される。

時刻ｔにおける先端点Ｐの加加速度ＪＴ（ｔ）は、数式（３）で表される。

また、切削点ＣＰの速度、加速度および加加速度は、それぞれ以下のように算出することができる。ある時刻ｔにおける先端点Ｐに対応した切削点ＣＰの位置をＰＣ（ｔ）、時刻ｔから予め定められた制御周期の時間だけ進んだ時刻ｔ＋Δｔにおける先端点Ｐに対応した切削点ＣＰの位置をＰＣ（ｔ＋Δｔ）とした場合、時刻ｔにおける先端点Ｐに対応した切削点ＣＰの速度ＶＣ（ｔ）は、以下の数式（４）により表される。

また、時刻ｔにおける先端点Ｐに対応した切削点ＣＰの加速度ＡＣ（ｔ）は、数式（５）により表される。

また、時刻ｔにおける先端点Ｐに対応した切削点ＣＰの加加速度ＪＣ（ｔ）は、数式（６）により表される。

また、工作機械の複数の駆動軸のそれぞれの位置、速度、加速度、および加加速度は、それぞれ以下のように算出することができる。ある時刻ｔにおける先端点Ｐに対応した第１の駆動軸の位置ＰＭ１（ｔ）は、運転情報の時系列データから取得することができる。

また、時刻ｔから予め定められた制御周期の時間だけ進んだ時刻ｔ＋Δｔにおける先端点Ｐに対応した第１の駆動軸の位置をＰＭ１（ｔ＋Δｔ）とした場合、時刻ｔにおける先端点Ｐに対応した第１の駆動軸の速度ＶＭ１（ｔ）は、以下の数式（７）により表される。

また、時刻ｔにおける先端点Ｐに対応した第１の駆動軸の加速度ＡＭ１（ｔ）は、数式（８）により表される。

また、時刻ｔにおける先端点Ｐに対応した第１の駆動軸の加加速度ＪＭ１（ｔ）は、数式（９）により表される。

なお、第１の駆動軸以外の駆動軸についても同様の方法で位置、速度、加速度および加加速度を算出することができる。

また、工作機械の複数の駆動軸のそれぞれの反転位置は、次のように算出することができる。上述の方法により、ある時刻ｔにおける先端点Ｐに対応した第１の駆動軸の速度ＶＭ１（ｔ）と、時刻ｔから予め定められた制御周期の時間だけ進んだ時刻ｔ＋Δｔにおける先端点Ｐに対応した第１の駆動軸の速度ＶＭ１（ｔ＋Δｔ）とが算出される。このとき、速度ＶＭ１（ｔ）の符号と速度ＶＭ１（ｔ＋Δｔ）の符号とを比較して、符号が反転した時刻に対応する位置を第１の駆動軸の反転位置とすることができる。なお、第１の駆動軸以外の駆動軸についても、同様の方法で反転位置を求めることができる。

さらに、特徴量算出部１０８は、隣接する２つの先端点Ｐの特徴量の差分を特徴量とすることもできる。このとき隣接する２つの先端点Ｐとは、隣接する２つの工具軌跡上において最短距離となる２つの先端点Ｐの組である。例えば、ＣＡＤ／ＣＡＭシステムにおいて、平面に平行かつ一定ピッチに生成されるいわゆる走査線加工または等高線加工の工具軌跡、加工目標形状Ｍ１の加工曲面Ｓの輪郭に基づいて一定ピッチで生成されるいわゆる面沿い加工などの工具軌跡では、ある先端点Ｐについて当該ピッチ分だけ離れた位置を通過する隣の工具軌跡上の最も近い先端点Ｐを選択することで隣接する２つの先端点Ｐが求められる。

ここで、工具軌跡ＴＰ１に含まれる任意の先端点Ｐに隣接する先端点Ｐを求める方法について、図１３から図１５を用いて説明する。図１３は、工具軌跡ＴＰ１に含まれる任意の先端点Ｐに隣接する先端点Ｐを求める方法を説明するための第１の図である。図１４は、工具軌跡ＴＰ１に含まれる任意の先端点Ｐに隣接する先端点Ｐを求める方法を説明するための第２の図である。図１５は、工具軌跡ＴＰ１に含まれる任意の先端点Ｐに隣接する先端点Ｐを求める方法を説明するための第３の図である。図１３は、工具軌跡ＴＰ１に含まれる先端点Ｐ８と、その周辺の工具軌跡の一部分の様子を示している。先端点Ｐ８に隣接する先端点Ｐを求める場合について考える。図１４に示すように、まず、先端点Ｐ８における進行方向Ｄ８を法線ベクトルとする平面ＰＬ８を仮定する。ここで進行方向Ｄ８は、先端点Ｐ８と前後の先端点Ｐとの関係から求めてもよいし、別途予め定められた方向であってもよい。次に、特徴量算出部１０８は、仮定した平面ＰＬ８と工具軌跡との交点を求める。このとき、先端点Ｐ９およびＰ１０の間の交点Ｒ１と、先端点Ｐ１１およびＰ１２の間の交点Ｒ２とが求まる。

次に、特徴量算出部１０８は、図１５に示すように、交点Ｒ１と先端点Ｐ９との間の距離Ｌ１ａと、交点Ｒ１と先端点Ｐ１０との間の距離Ｌ１ｂとを求める。特徴量算出部１０８は、距離Ｌ１ａおよびＬ１ｂを比較することで、先端点Ｐ９およびＰ１０のうち交点Ｒ１との距離が短い方の先端点Ｐ１０を隣接する先端点Ｐの候補とする。同様に、特徴量算出部１０８は、交点Ｒ２と先端点Ｐ１１との間の距離Ｌ２ａと、交点Ｒ２と先端点Ｐ１２との間の距離Ｌ２ｂとを求める。特徴量算出部１０８は、距離Ｌ２ａおよびＬ２ｂを比較することで、先端点Ｐ１１およびＰ１２のうち交点Ｒ２との距離が短い方の先端点Ｐ１１を隣接する先端点Ｐの候補とする。特徴量算出部１０８は、ここで求められた複数の候補である先端点Ｐ１０およびＰ１１のうち、先端点Ｐ８との間の距離が近い方を選択してもよいし、進行方向Ｄ８に対して特定方向に存在するものを選択してもよい。ここでは、仮に、先端点Ｐ８に隣接する先端点Ｐ１１が選択されたとする。この場合、特徴量算出部１０８は、先端点Ｐ８の特徴量から先端点Ｐ１１の特徴量を減算した値である特徴量の差分を、先端点Ｐ８の新たな特徴量とすることができる。

なお、上記に詳述した特徴量は一例であり、特徴量算出部１０８は、工作機械の主軸の負荷、電流値、工作機械の内部の温度などの物理情報を先端点Ｐのそれぞれについて算出して特徴量記憶部１０９に記憶することができる。また、特徴量算出部１０８は、１つの種類の特徴量を算出してもよいし、２つ以上の種類の特徴量を同時に算出して記憶してもよい。さらに、特徴量算出部１０８は、特徴量を画像データまたは時系列データとして出力してもよい。

図１の説明に戻る。加工不良分析部１１０の加工不良領域抽出部１１４は、切削点記憶部１０７に記憶された切削点情報と、特徴量記憶部１０９に記憶された特徴量とに基づいて、加工対象物Ｗの加工不良が生じている領域である加工不良領域を抽出する。加工不良領域抽出部１１４は、１または複数の加工不良領域を抽出することができる。

加工不良分析部１１０は、切削点情報が示す切削点ＣＰの位置と、切削点ＣＰに対応する先端点Ｐの特徴量とに基づいて、加工不良領域を抽出する。加工不良領域を抽出する方法は、例えば、予め定められた閾値を超える特徴量に対応する切削点ＣＰを抽出し、抽出した切削点ＣＰのうち加工曲面Ｓ上で複数の切削点ＣＰが近接して位置する領域を１つの加工不良領域として抽出する方法が考えられる。なおこのとき複数の加工不良領域が抽出されてもよい。

また、加工不良領域を抽出する他の方法としては、例えば、ある切削点ＣＰと、その周辺の切削点ＣＰとの間の特徴量の変化量を算出し、特徴量が急峻に変化する切削点ＣＰの間の境界を順次求め、求めた境界に囲われた領域の内部に存在する切削点ＣＰの領域を１つの加工不良領域として抽出する方法がある。

このとき特徴量として例えば加工誤差量を用いる場合、加工誤差量が予め定められた閾値を超える領域を加工不良領域として抽出したり、加工誤差量が急峻に変化する境界で囲われた領域を加工不良領域として抽出したりすることができる。また特徴量として例えば先端点Ｐの加速度を用いる場合、先端点Ｐの加速度が予め定められた閾値を超える領域を加工不良領域として抽出したり、先端点Ｐの加速度が急峻に変化する境界で囲われた領域を加工不良領域として抽出したりすることができる。また加工不良領域は１つの特徴量に基づいて抽出してもよいし、複数の特徴量に基づいて抽出してもよい。

加工不良領域を抽出するさらに他の方法としては、例えば、複数の切削点ＣＰのそれぞれを、切削点ＣＰに対応する特徴量を示す表現方法で表示した画像、つまり、特徴量に応じて切削点ＣＰを区別して表示した画像を生成し、生成した画像に対して補正、変換、フィルタ処理、画像の特徴抽出などの画像処理を行うことによって、画像中の範囲を求め、求めた範囲の内部に存在する切削点ＣＰの領域を１つの加工不良領域として抽出する方法がある。例えば、複数の切削点ＣＰのそれぞれを、切削点ＣＰに対応する特徴量の大きさが大きいほど濃い色で表示した画像を使用する場合、画像の色の濃さが閾値以上となる画像中の範囲を求めることで、特徴量の大きさが閾値以上となる領域を抽出することができる。

また加工不良領域抽出部１１４は、位置指定部１１２によって指定された指定位置に基づいて、加工不良領域を抽出することもできる。加工不良領域抽出部１１４は、指定位置の少なくとも一部を含む領域を加工不良領域として抽出することができる。位置指定部１１２は、作業者がポインティングデバイスのような入力手段を用いて行う位置の指定を受け付け、受け付けた指定位置を加工不良領域抽出部１１４に出力する。位置指定部１１２が受け付ける指定位置は、特定の１点であってもよいし、複数の点であってもよいし、連続した領域であってもよい。

続いて加工不良分析部１１０の加工不良要因判定部１１５は、切削点記憶部１０７に記憶された切削点情報と、加工不良領域抽出部１１４が抽出した加工不良領域とに基づいて、加工不良領域の加工不良が生じた要因を判定する。加工不良要因判定部１１５は、加工不良領域抽出部１１４が複数の加工不良領域を抽出した場合、加工不良領域毎に、加工不良が生じた要因を判定することができる。

加工不良要因判定部１１５は、抽出された加工不良領域と、当該加工不良領域に含まれる切削点ＣＰに対応する特徴量に基づいて、加工不良の要因を判定することができる。加工不良要因判定部１１５は、例えば、簡便には加工不良領域を抽出するために用いた特徴量の種類を加工不良の要因とすることによって、加工不良の要因を判定することができる。

また、別の方法として、加工不良要因判定部１１５は、加工不良領域の内部に存在する切削点ＣＰに対応する特徴量について、加工不良領域の内外での値、加工不良領域の境界近傍での特徴量の差分値などを算出し、特徴量毎に加工不良領域との相関を調べることにより、相関の高い特徴量の種類を加工不良の要因とすることができる。例えば、ある加工不良領域について加工不良の要因を判定する場合に、切削点ＣＰの特徴量として当該加工不良領域の内部においては、工作機械の第１の駆動軸の反転位置であり、当該加工不良領域の外部においては工作機械の第１の駆動軸の反転位置でなければ、当該加工不良領域の加工不良の要因は工作機械の第１の駆動軸の反転位置であると判定することができる。

さらに別の方法として、加工不良要因判定部１１５は、加工不良領域を表示した画像と特徴量を示す表現方法で加工不良領域の内部に存在する切削点ＣＰを表示した画像とを生成し、生成したこれら２つの画像に対して、補正、変換、フィルタ処理、画像の特徴抽出といった画像処理を施した後に、２つの画像の比較を行うことで、加工不良の要因を判定してもよい。この場合、加工不良要因判定部１１５は、２つの画像の相関が最も高い特徴量を加工不良の要因として判定することができる。

さらに、加工不良の要因と、この要因が存在する際に表出する特徴量のパターンとを対応づけた情報である要因パターンを要因パターン記憶部１１３に記憶しておき、加工不良要因判定部１１５は、抽出された加工不良領域と、特徴量と、要因パターンとに基づいて、加工不良領域の加工不良の要因を特定してもよい。要因パターンは、例えば、加工不良域の内部、境界、外部に存在する切削点ＣＰの表出するパターン、複数の特徴量の間に表出するパターンの相関関係、特徴量が予め定められた値以上となる領域と加工不良領域との関係などであり、さらに、加工不良領域の形状や大きさを関連づけてもよい。

より具体的には、例えば、要因パターン＃Ａは、加工不良領域の内部において加工誤差量と先端点Ｐの加速度とが予め定められた値以上かつ正の相関関係であるもの、としておき、実際の加工不良領域と特徴量から要因パターン＃Ａに当てはまるか否かを判定することができる。また、複数の要因パターンに判定され得る場合、加工不良要因判定部１１５は、要因パターンごとの判定確率を求めてもよい。

表示部１１１は、加工不良分析部１１０で抽出した加工不良領域を、当該加工不良領域の加工不良の要因毎に異なる表現方法で表示する。

ここで、表示部１１１が加工不良領域を、加工不良の要因毎に異なる表現方法で表示する方法について例を挙げて説明する。例えば、表示部１１１は、加工不良の要因毎に予め色を決定しておき、加工不良領域に含まれる切削点ＣＰを、その加工不良領域の加工不良の要因に対して予め定められた色を用いて表示する。また、表示部１１１は、加工不良の要因毎に予め表示記号を決定しておき、加工不良領域に含まれる切削点ＣＰを、その加工不良領域の加工不良の要因に対して予め定められた表示記号を用いて表示してもよい。また、表示部１１１は、加工不良の要因毎に予め表示濃度およびサイズを決定しておいて、加工不良領域に含まれる切削点ＣＰを、その加工不良領域の加工不良の要因に対して予め定められた表示濃度で、予め定められたサイズの点などを用いて表示してもよい。

また表示部１１１は、加工不良領域の境界を示す線分を生成しておき、当該線分を予め定められた表示色、実線または破線といった表示タイプに従って表示してもよい。さらに、表示部１１１は、加工不良領域の境界の内部を塗り潰して表示してもよい。これらの表現方法を用いることで、表示部１１１は、加工不良領域を、加工不良の要因毎に異なる表現方法で表示することができる。

図１６は、図１に示す加工不良分析装置１が表示する表示画面の一例を示す斜視図である。図１７は、図１に示す加工不良分析装置１が表示する表示画面の一例を示す上面図である。図１６および図１７には、工具経路ＴＰ１に含まれる複数の先端点Ｐのそれぞれについて求められた切削点ＣＰの集合である切削点群ＣＰＳ１について、各加工不良領域の加工不良の要因毎に異なる表現方法で加工不良領域内の切削点ＣＰを加工目標形状Ｍ１に重畳して表示している。ここでは、表示部１１１は、加工不良領域Ｑ１の内部に存在する切削点ＣＰの表示色を加工不良領域Ｑ１の外部に存在する切削点ＣＰの表示色と異なる第１の表示色とするとともに、加工不良領域Ｑ１の境界を示す線分を第１の表示色の破線で表示している。また、表示部１１１は、加工不良領域Ｑ１と異なる加工不良領域Ｑ２の内部に存在する切削点ＣＰの表示色を加工不良領域Ｑ２の外部に存在するＣＰの表示色と異なる第２の表示色とするとともに、加工不良領域Ｑ２の境界を示す線分を第２の表示色の破線で表示している。例えば、第１の表示色を赤色とし、第２の表示色を緑色とすることができる。ここで、表示部１１１は、作業者によって加工不良の要因ごとに使用する表現方法を指定させて、指定された表現方法を使用するようにしてもよい。

また、表示部１１１は、１つの加工不良領域について複数の加工不良の要因の候補が存在する場合、加工不良領域のそれぞれについて判定された加工不良の要因毎に判定確率を表示してもよい。このとき判定確率は、加工不良分析部１１０において求めた加工不良の要因ごとの判定確率を用いればよい。より具体的には、例えば、ある加工不良領域の加工不良の要因が、要因パターン＃Ａである確率が７０％であり、要因パターン＃Ｂである確率が３０％である場合、表示部１１１は、これらの確率を表示すればよい。さらに、表示部１１１は、加工不良領域について特定された加工不良の要因の根拠となる特徴量を表示してもよい。

表示部１１１は、複数の切削点ＣＰのそれぞれに対応する先端点Ｐの特徴量を示す表現方法で加工目標形状Ｍ１の加工曲面Ｓを表示した表示結果と、加工不良領域を加工不良の要因毎に異なる表現方法で表示した表示結果とを重ねて表示することもできる。

図１８は、特徴量を示す表示色で加工目標形状Ｍ１の加工曲面Ｓを表示した表示結果と、加工不良領域Ｑ１，Ｑ２のそれぞれを、加工不良の要因毎に異なる表現方法で表示した表示結果とを重ねて表示した画面の一例を示す図である。

図１９は、図１に示す加工不良分析装置１の動作を説明するためのフローチャートである。加工不良分析装置１の工具軌跡算出部１０２は、運転情報記憶部１０１に記憶された運転情報に基づいて、工具軌跡ＴＰ１を生成し、生成した工具軌跡ＴＰ１を工具軌跡記憶部１０３に記憶する（ステップＳ１０１）。切削点算出部１０６は、工具軌跡記憶部１０３に記憶された工具軌跡ＴＰ１に含まれる複数の先端点Ｐのそれぞれに対応する切削点ＣＰの位置を算出し、算出した切削点ＣＰの位置を示す切削点情報を切削点記憶部１０７に記憶する（ステップＳ１０２）。特徴量算出部１０８は、運転情報記憶部１０１に記憶された運転情報と、工具軌跡記憶部１０３に記憶された工具軌跡ＴＰ１と、切削点記憶部１０７に記憶された切削点情報とに基づいて、工具軌跡ＴＰ１に含まれる複数の先端点Ｐのそれぞれに対応する特徴量を算出し、算出した特徴量を特徴量記憶部１０９に記憶する（ステップＳ１０３）。

加工不良領域抽出部１１４は、切削点記憶部１０７に記憶された切削点情報および特徴量記憶部１０９に記憶された特徴量に基づいて、加工不良領域を抽出する（ステップＳ１０４）。

加工不良要因判定部１１５は、加工不良領域抽出部１１４が抽出した加工不良領域の加工不良の要因を特定する（ステップＳ１０５）。表示部１１１は、抽出された加工不良領域を、特定された加工不良の要因毎に異なる表現方法で表示する（ステップＳ１０６）。

図２０は、実施の形態１の加工不良分析装置１を実現するコンピュータシステムの構成例を示す図である。図２０に示すように、このコンピュータシステムは、制御部８１と入力部８２と記憶部８３と表示部８４と通信部８５と出力部８６とを備え、これらはシステムバス８７を介して接続されている。

図２０において、制御部８１は、例えば、ＣＰＵ（Central Processing Unit）等である。制御部８１は、加工不良分析装置１が実施する各処理が記述された分析プログラムを実行する。入力部８２は、たとえばタッチセンサ、キーボード、マウス等で構成され、コンピュータシステムのユーザが、各種情報の入力を行うために使用する。上記の実施の形態において、作業者の入力を受け付ける場合、作業者の入力は入力部８２を用いて行うことができる。記憶部８３は、ＲＡＭ（Random Access Memory），ＲＯＭ（Read Only Memory）等の各種メモリおよびハードディスク等のストレージデバイスを含み、上記制御部８１が実行すべきプログラム、処理の過程で得られた必要なデータ等を記憶する。また、記憶部８３は、プログラムの一時的な記憶領域としても使用される。表示部８４は、ＬＣＤ（Liquid Crystal Display：液晶表示パネル）等で構成され、コンピュータシステムのユーザに対して各種画面を表示する。通信部８５は、通信処理を実施する通信回路等である。通信部８５は、複数の通信方式にそれぞれ対応する複数の通信回路で構成されていてもよい。出力部８６は、プリンタ、外部記憶装置等の外部の装置へデータを出力する出力インタフェイスである。

なお、図２０は、一例であり、コンピュータシステムの構成は図２０の例に限定されない。例えば、コンピュータシステムは出力部８６を備えていなくてもよい。また、加工不良分析装置１が複数のコンピュータシステムにより実現される場合、これらの全てのコンピュータシステムが図２０に示したコンピュータシステムでなくてもよい。例えば、一部のコンピュータシステムは図２０に示した表示部８４、出力部８６および入力部８２のうち少なくとも１つを備えていなくてもよい。

ここで、加工不良分析装置１の処理が記述された分析プログラムが実行可能な状態になるまでのコンピュータシステムの動作例について説明する。上述した構成をとるコンピュータシステムには、たとえば、図示しないＣＤ（Compact Disc）－ＲＯＭドライブまたはＤＶＤ（Digital Versatile Disc）－ＲＯＭドライブにセットされたＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭから、加工不良分析装置１の動作が記述された分析プログラムが記憶部８３にインストールされる。そして、分析プログラムの実行時に、記憶部８３から読み出された分析プログラムが記憶部８３の主記憶装置となる領域に格納される。この状態で、制御部８１は、記憶部８３に格納された分析プログラムに従って、加工不良分析装置１としての処理を実行する。

なお、上記の説明においては、ＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭを記録媒体として、加工不良分析装置１における処理を記述したプログラムを提供しているが、これに限らず、コンピュータシステムの構成、提供するプログラムの容量等に応じて、たとえば、通信部８５を経由してインターネット等の伝送媒体により提供されたプログラムを用いることとしてもよい。

本実施の形態の分析プログラムは、コンピュータに、工作機械に取り付けられる工具が加工対象物Ｗを切削する点であって、工具の先端点Ｐの移動経路を示す情報である工具軌跡に含まれる複数の先端点Ｐのそれぞれに対応する切削点ＣＰの位置を示す切削点情報を取得するステップと、複数の先端点Ｐのそれぞれに対応して算出され、加工の特徴を示す特徴量を取得するステップと、切削点情報と特徴量とに基づいて、加工対象物Ｗの加工不良が生じる領域である加工不良領域と、加工不良領域における加工不良の要因とを特定するステップと、を実行させる。

図１に示す運転情報記憶部１０１、工具軌跡記憶部１０３、工具情報記憶部１０４、加工目標形状記憶部１０５、切削点記憶部１０７、および特徴量記憶部１０９、および要因パターン記憶部１１３は、図２０に示した記憶部８３の一部である。図１に示す工具軌跡算出部１０２、切削点算出部１０６、位置指定部１１２、加工不良領域抽出部１１４、加工不良要因判定部１１５、および、表示部１１１のそれぞれは、制御部８１と、入力部８２と、記憶部８３と、表示部８４とを用いて実現される。

なお、図１に示した加工不良分析装置１における機能の切り分けは一例であり、加工不良分析装置１が上述した動作を行うことができれば、各機能部の分け方は図１に示した例に限定されない。また、図１では加工不良分析装置１が全ての動作を行うこととしたが、複数の装置を用いて、同様の機能を実現してもよい。例えば、図１では加工不良分析装置１が、加工不良分析部１１０が使用する情報を生成する機能も併せ持つこととしたが、以下に変形例として示すように、加工不良分析機能を有する装置と、切削点ＣＰや特徴量を算出する機能を有する装置とを分けてもよい。

＜変形例＞
図２１は、実施の形態１の変形例の機能構成を示す図である。変形例において加工不良分析装置１Ａは、切削点情報取得部１０Ａと、特徴量取得部２０Ａと、加工不良分析部１１０と、表示部１１１と、位置指定部１１２と、要因パターン記憶部１１３とを有する。情報処理装置２は、加工不良分析装置１Ａと異なるサーバなどの装置であり、運転情報記憶部１０１と、工具軌跡算出部１０２と、工具軌跡記憶部１０３と、工具情報記憶部１０４と、加工目標形状記憶部１０５と、切削点算出部１０６と、切削点記憶部１０７と、特徴量算出部１０８と、特徴量記憶部１０９とを有する。

加工不良分析装置１の切削点情報取得部１０は、切削点算出部１０６および切削点記憶部１０７を有し、切削点情報を生成する機能を有していたのに対して、加工不良分析装置１Ａの切削点情報取得部１０Ａは、情報処理装置２から切削点情報を取得する。また、加工不良分析装置１の特徴量取得部２０は、特徴量算出部１０８および特徴量記憶部１０９を有し、特徴量を算出する機能を有していたのに対して、加工不良分析装置１Ａの特徴量取得部２０Ａは、情報処理装置２から特徴量を取得する。その他、図１と同じ符号を付した機能部の機能は加工不良分析装置１と同様であるため詳細な説明を省略する。

なお、加工不良分析装置１Ａおよび情報処理装置２についても、加工不良分析装置１と同様に、図２０に示したようなコンピュータシステムを１つまたは複数使用することにより実現することができる。この場合、切削点情報取得部１０Ａおよび特徴量取得部２０Ａのそれぞれは、通信部８５を用いて実現することができる。また、図２１に示す加工不良分析装置１Ａおよび情報処理装置２における機能部の切り分けは一例であり、システム全体として加工不良分析装置１と同様の機能を実現することができれば、各機能部の分け方は図２１に示した例に限定されない。例えば、加工不良領域抽出部１１４の機能と加工不良要因判定部１１５の機能とが異なるハードウェアで実現されてもよい。情報処理装置２の機能を複数のハードウェアで実現することも可能である。加工不良分析装置１Ａの機能の一部および情報処理装置２の機能をクラウドシステムにより実現することもできる。クラウドシステムでは、コンピュータシステムのハードウェアと、機能ごとのサーバ等の装置との切り分けを任意に設定することができる。例えば、１台のコンピュータシステムが複数の装置としての機能を有していてもよいし、複数台のコンピュータシステムで１つの装置としての機能を有していてもよい。

以上説明したように、実施の形態１にかかる加工不良分析装置１，１Ａは、工作機械に取り付けられる工具が加工対象物Ｗを切削する点であって、工具の先端点Ｐの移動経路を示す情報である工具軌跡に含まれる複数の先端点Ｐのそれぞれに対応する切削点ＣＰの位置を示す切削点情報を取得する切削点情報取得部１０，１０Ａと、複数の先端点Ｐのそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部２０，２０Ａと、切削点情報と特徴量とに基づいて、加工対象物Ｗの加工不良が生じる領域である加工不良領域と、加工不良領域における加工不良の要因とを特定する加工不良分析部１１０と、を備えることを特徴とする。加工不良分析部１１０は、切削点情報と特徴量とに基づいて、加工不良領域を抽出する加工不良領域抽出部１１４と、特徴量と抽出された加工不良領域とに基づいて、加工不良領域の加工不良の要因を特定する加工不良要因判定部１１５とを有する。加工不良分析装置１，１Ａが上記のような構成を有することによって、加工対象物Ｗのどの部分に加工不良が発生しているかを特定し、加工不良が発生する要因を特定する分析作業の作業者の労力を低減することが可能になる。したがって、加工不良に対して適切な対策を実施することができ、再加工などの手戻りを低減させ、生産性を向上させることが可能になる。

また、加工不良分析装置１，１Ａは、抽出された加工不良領域を、加工不良の要因毎に異なる表現方法で表示する表示部１１１をさらに備える。これにより、作業者が、加工不良領域に生じている加工不良の要因を把握することが容易になり、作業者の分析作業の労力をさらに低減することができる。なお、加工不良領域が複数抽出された場合、加工不良分析部１１０は、加工不良領域毎に加工不良の要因を特定し、表示部１１１は、加工不良領域毎に、加工不良の要因毎に異なる表現方法で加工不良領域を表示する。

表示部１１１は、抽出された加工不良領域について特定された加工不良の要因の根拠となる特徴量を表示することもできる。表示部１１１がこのような機能を有することによって、作業者の分析作業の労力をさらに低減することが可能になる。また表示部１１１は、１つの加工不良領域について加工不良の要因の候補が複数存在する場合、加工不良の要因毎に判定確率を表示することができる。表示部１１１がこのような機能を有することによって、作業者は、加工不良の要因の候補が複数存在することや、要因毎の判定確率を把握することが可能になり、作業者の分析作業の労力をさらに低減することが可能になる。

また、加工不良分析装置１，１Ａは、加工対象物Ｗの加工目標形状Ｍ１上の指定された位置である指定位置を受け付ける位置指定部１１２をさらに備え、加工不良分析部１１０は、指定位置を含む領域を加工不良領域として抽出することができる。加工不良分析装置１，１Ａが上記のような機能を有することによって、作業者が例えば加工後の加工対象物Ｗの実物を見て加工不良領域のおよその位置を把握している場合に、その部分を指定して、加工不良の要因を分析することが可能になる。したがって、作業者の意思を表示結果に反映することができるため、作業者の分析作業の労力をさらに低減することが可能になる。

また、加工不良分析装置１，１Ａは、加工不良の要因と、この要因が存在する際の特徴量のパターンとを対応づけた情報である要因パターンを記憶する要因パターン記憶部１１３、をさらに備え、加工不良分析部１１０は、抽出した加工不良領域と、特徴量と、要因パターンとに基づいて、抽出した加工不良領域の加工不良の要因を特定することができる。加工不良分析装置１，１Ａがこのような機能を有することによって、予め過去の分析結果などから加工不良の要因と、特徴量のパターンとの対応が分かっている場合に、この過去の分析結果を利用することが可能になる。したがって、作業者の分析作業の労力をさらに低減することが可能になる。

実施の形態２．
図２２は、実施の形態２にかかる加工不良分析装置１Ｂの機能構成を示す図である。工作機械における加工の目標形状は、使用する機械やユーザによって様々であり、それぞれの目標形状に対して生じる加工不良の要因も異なる。しかしながら、あるユーザでは類似の目標形状を加工するケースも多く、過去の加工結果やシミュレーション結果を加工不良の分析に活用することは有効である。

加工不良分析装置１Ｂは、運転情報記憶部１０１と、工具軌跡算出部１０２と、工具軌跡記憶部１０３と、工具情報記憶部１０４と、加工目標形状記憶部１０５と、切削点算出部１０６および切削点記憶部１０７を有する切削点情報取得部１０と、特徴量算出部１０８および特徴量記憶部１０９を有する特徴量取得部２０と、加工不良領域抽出部１１４Ｂおよび加工不良要因判定部１１５Ｂを有する加工不良分析部１１０Ｂと、表示部１１１と、位置指定部１１２と、モデル構築部１１６と、データ蓄積部１１７とを有する。

加工不良分析装置１Ｂは、加工不良分析装置１，１Ａの要因パターン記憶部１１３の代わりに、モデル構築部１１６およびデータ蓄積部１１７を有し、加工不良分析部１１０Ｂは、モデル構築部１１６が構築する学習済モデルを用いて加工不良の分析を行う点が実施の形態１と異なる。以下、実施の形態１と異なる部分について主に説明し、実施の形態１と同様の部分については詳細な説明を省略する。

データ蓄積部１１７は、工作機械の加工に関するデータを蓄積する。例えば、切削点ＣＰおよび特徴量は、加工またはシミュレーションの試行１回ごとに算出される。同じ加工目標形状Ｍ１の加工対象物Ｗであっても、異なる機械で加工した場合や、周囲の環境が異なる場合には、異なる特徴量が算出されることになる。データ蓄積部１１７は、加工目標形状、工具情報、運転情報、さらにそれらから計算された切削点ＣＰおよび特徴量などを関連づけて、過去の加工またはシミュレーションの試行ごとに蓄積情報として記録する。なお、加工目標形状Ｍ１、工具情報、運転情報のみを蓄積情報として、切削点ＣＰおよび特徴量を再計算することとしてもよい。切削点ＣＰおよび特徴量も蓄積した場合、再計算する処理時間を短縮することができる。

モデル構築部１１６は、データ蓄積部１１７に記録された蓄積情報を用いて、加工不良の要因を判断するための学習済モデルを生成する。モデル構築部１１６は、加工不良の要因を推定するための推定モデルのモデルパラメータ、ハイパーパラメータ、または予測モデルの変更を行う。ここでは、予測モデルのモデルパラメータを、機械学習を用いて変更する例を説明する。

図２３は、機械学習を用いるモデル構築部１１６の構成の一例を示す図である。モデル構築部１１６は、学習用データ取得部２０１と、モデル生成部２０２と、学習済モデル記憶部２０３とを有する。

学習用データ取得部２０１は、データ蓄積部１１７の蓄積情報に基づいて、少なくとも１つの特徴量を学習用データとして取得する。蓄積情報が特徴量を含む場合、学習用データ取得部２０１は、データ蓄積部１１７から特徴量自体を取得する。蓄積情報が特徴量を含まない場合、学習用データ取得部２０１は、蓄積情報に基づいて特徴量を算出し、算出した特徴量を学習用データとして取得することができる。学習用データ取得部２０１は、取得した学習用データをモデル生成部２０２に出力する。

なお、学習用データ取得部２０１は、切削点ＣＰごとの特徴量を学習用データとして取得することができる。学習用データは、一部の切削点ＣＰのデータであってもよいし、全ての切削点ＣＰのデータであってもよい。また学習用データは、切削点ＣＰ１点の特徴量を１セットとしてもよいし、隣接する複数の点や時系列の前後など、複数点の特徴量を１セットとしてもよい。さらに、学習用データ取得部２０１は、全ての種類の特徴量を取得してもよいし、一部の特徴量を取得してもよい。また、学習用データ取得部２０１は、特徴量に加えて、加工目標形状Ｍ１の情報、工具情報などを学習用データとして取得することもできる。

モデル生成部２０２は、学習用データ取得部２０１から出力される学習用データに基づいて、加工不良の要因を学習する。すなわち、工作機械の運転情報および工具軌跡に基づいて生成される特徴量から加工不良の要因を推定する学習済モデルを生成する。

モデル生成部２０２が用いる学習アルゴリズムは、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。一例として、教師なし学習であるｋ平均法を適用した場合について説明する。教師なし学習とは、結果を含まない学習用データを学習装置に与えることで、それらの学習用データにある特徴を学習する手法をいう。

モデル生成部２０２は、例えば、ｋ平均法によるグループ分け手法に従って、いわゆる教師なし学習により、加工不良の要因を学習する。

ｋ平均法とは、非階層型クラスタリングのアルゴリズムであり、クラスタの平均を用い、与えられたクラスタ数をｋ個に分類する手法である。

具体的に、ｋ平均法は以下のような流れで処理される。まず、各データｘｉに対してランダムにクラスタを割り振る。次いで、割り振ったデータをもとに各クラスタの中心Ｖｊを計算する。次いで、各ｘｉと各Ｖｊとの距離を求め、ｘｉを最も近い中心のクラスタに割り当てなおす。そして、上記の処理で全てのｘｉのクラスタの割当が変化しなかった場合、あるいは変化量が事前に設定した一定の閾値を下回った場合に、収束したと判断して処理を終了する。

本実施の形態では、学習用データ取得部２０１によって取得される少なくとも１つの特徴量に基づいて作成される学習用データに従って、いわゆる教師なし学習により、加工不良の要因を学習する。

モデル生成部２０２は、以上のような学習を実行することで学習済モデルを生成し、生成した学習済モデルを出力する。ここで、作業者は、学習済モデルの各クラスタに対応する加工不良の要因を示すラベルを各クラスタに対して設定することができる。

学習済モデル記憶部２０３は、モデル生成部２０２から出力された学習済モデルを記憶する。学習済モデル記憶部２０３に記憶された学習済モデルは、加工不良分析部１１０Ｂによって利用される。

次に、図２４を用いて、モデル構築部１１６が学習する処理について説明する。図２４は、図２２に示す加工不良分析装置１Ｂが行う学習処理に関するフローチャートである。

学習用データ取得部２０１は、少なくとも１つの特徴量を含む学習用データを取得するデータ取得処理を行う（ステップＳ２０１）。なお、学習用データ取得部２０１が複数の特徴量を取得する場合、複数の特徴量を関連付けて入力できればよく、複数の特徴量のそれぞれを異なるタイミングで取得してもよいし、同時に取得してもよい。

モデル生成部２０２は、学習用データ取得部２０１によって取得される少なくとも１つの特徴量を含む学習用データに従って、いわゆる教師なし学習により、加工不良の要因を学習し、学習済モデルを生成する学習処理を行う（ステップＳ２０２）。

学習済モデル記憶部２０３は、モデル生成部２０２が生成した学習済モデルを記憶する（ステップＳ２０３）。

図２５は、図２２に示す加工不良分析部１１０Ｂが備える推論装置２０４の機能構成を示す図である。加工不良分析部１１０Ｂは、学習済モデルを用いて加工不良の要因を推定する推論装置２０４の機能を有する。

推論装置２０４は、データ取得部２０５と、推論部２０６とを有する。

データ取得部２０５は、特徴量取得部２０から少なくとも１つの特徴量を取得する。ここでデータ取得部２０５は、推論部２０６が使用する学習済モデルを生成する際に使用された学習用データと同じ種類の入力データを取得する。

推論部２０６は、学習済モデル記憶部２０３に記憶された学習済モデルを利用して得られる加工不良の要因を推論する。すなわち、推論部２０６は、この学習済モデルにデータ取得部２０５で取得した少なくとも１つの特徴量を入力することで、特徴量がいずれのクラスタに属するかを推論し、推論結果を加工不良の要因として出力することができる。

なお、本実施の形態では、加工不良分析装置１Ｂのモデル生成部２０２で学習した学習済モデルを用いて加工不良の要因を出力するものとして説明したが、加工不良分析装置１Ｂ以外の学習装置で生成された学習済モデルを取得し、この学習済モデルに基づいて加工不良の要因を出力するようにしてもよい。

このようにして、推論部２０６は、少なくとも１つの特徴量に基づいて得られた加工不良の要因を得ることができる。

このような推論装置２０４を有する加工不良分析部１１０Ｂは、推論装置２０４の機能を使って、加工不良の要因を特定することができる。例えば、加工不良分析部１１０Ｂの加工不良領域抽出部１１４Ｂは、実施の形態１と同様の方法によって、加工不良領域を抽出し、加工不良要因判定部１１５Ｂは、推論装置２０４の機能を使って、抽出された加工不良領域に含まれる切削点ＣＰにおいて加工不良の要因を判定することができる。このとき、加工不良要因判定部１１５Ｂは、抽出された加工不良領域に含まれる複数の切削点ＣＰが最も多く分類されたクラスタに設定された加工不良の要因を、その加工不良領域の加工不良の要因とすることができる。また、加工不良要因判定部１１５Ｂは、加工領域内の切削点ＣＰが各クラスタに分類された点数に基づいて、複数の加工不良の要因の候補を抽出し、要因毎に判定確率を求めてもよい。

また、加工不良分析部１１０Ｂは、加工不良要因判定部１１５Ｂにおいて、推論装置２０４の機能を利用して、全ての切削点ＣＰを加工不良の要因のクラスタに分類し、加工不良領域抽出部１１４Ｂは、分類されたクラスタから、同一のクラスタに分類された隣接する複数の切削点ＣＰを含む領域を１つの加工不良領域としてもよい。この場合、推論装置２０４が分類するクラスタには、加工不良なしのクラスタも含まれる。

次に、図２６を用いて、図２５に示す推論装置２０４が加工不良の要因を得るための処理を説明する。図２６は、図２５に示す推論装置２０４の動作を説明するためのフローチャートである。データ取得部２０５は、特徴量取得部２０から少なくとも１つの特徴量を取得するデータ取得処理を行う（ステップＳ３０１）。

推論部２０６は、学習済モデル記憶部２０３に記憶された学習済モデルに少なくとも１つの特徴量を入力し、加工不良の要因を得る（ステップＳ３０２）。推論部２０６は、学習済モデルにより得られた加工不良の要因を表示部１１１などに出力するデータ出力処理を行う（ステップＳ３０３）。

なお、ここでは、モデル生成部２０２や推論部２０６が用いる学習アルゴリズムに教師なし学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師なし学習以外にも、強化学習、教師あり学習、又は半教師あり学習等を適用することも可能である。

また、モデル構築部１１６に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep Learning）を用いることもでき、他の公知の方法でもよい。

本実施の形態における教師なし学習を実現する場合、上記のようなｋ平均法による非階層型クラスタリングに限らず、クラスタリング可能な他の公知の方法であればよい。例えば、最短距離法等の階層型クラスタリングであってもよい。

本実施の形態において、モデル構築部１１６および推論部２０６の機能は、例えば、ネットワークを介して加工不良分析装置１Ｂに接続され、この加工不良分析装置１Ｂとは別個の装置で実現されてもよい。また、モデル構築部１１６および推論部２０６の機能は、クラウドサーバ上で実現されてもよい。

また、モデル生成部２０２は、複数の工作機械に対して作成される学習用データに従って、加工不良の要因を学習するようにしてもよい。なお、モデル生成部２０２は、同一のエリアで使用される複数の工作機械から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の工作機械から収集される学習用データを利用して加工不良の要因を学習してもよい。また、学習用データを収集する工作機械を途中で対象に追加したり、対象から除去したりすることも可能である。さらに、ある工作機械に関して加工不良の要因を学習した学習装置を、これとは別の工作機械の加工不良分析に適用し、当該別の工作機械に関して加工不良の要因を再学習して更新するようにしてもよい。

なお、実施の形態２にかかる加工不良分析装置１Ｂの機能についても、実施の形態１と同様に、図２０に示すコンピュータシステムを用いて実現することができる。また、実施の形態１と同様に、切削点情報を生成する機能および特徴量を算出する機能のそれぞれを、加工不良分析部１１０Ｂとは異なる装置で実現してもよい。また、加工不良分析装置１Ｂの機能の一部をクラウドシステムを用いて実現してもよい。

以上説明したように、実施の形態２にかかる加工不良分析装置１Ｂは、学習用データを取得する学習用データ取得部２０１と、学習用データを用いて、少なくとも１つの特徴量から加工不良の要因を推論するための学習済モデルを生成するモデル生成部２０２とを有する。このため、過去に加工またはシミュレーションしたデータを用いて、加工不良の要因を推定するための学習済モデルを生成することが可能になる。

また、加工不良分析部１１０Ｂは、学習済モデルを用いて、加工不良の要因を特定することができる。さらに、加工不良分析部１１０Ｂは、学習済モデルを用いて、切削点ＣＰを加工不良の要因に分類し、同一の要因に分類された隣接する複数の切削点ＣＰを１つの加工不良領域とすることができる。加工不良分析装置１Ｂがこのような構成を有することによって、過去の加工またはシミュレーションの結果を利用して加工不良の要因を特定することが可能になり、より正確な加工不良の要因の判定を行うことができるようになる。また、ユーザ毎に学習用データを取得したり、ユーザが使用する加工目標形状Ｍ１と類似する加工目標形状Ｍ１の加工またはシミュレーションの結果に基づく学習用データを取得することによって、ユーザに適した加工不良の要因の判定を行うことが可能になる。

実施の形態３．
図２７は、実施の形態３にかかる加工不良分析装置１Ｃの機能構成を示す図である。加工不良分析装置１Ｃは、運転情報記憶部１０１と、工具軌跡算出部１０２と、工具軌跡記憶部１０３と、工具情報記憶部１０４と、加工目標形状記憶部１０５と、切削点算出部１０６および切削点記憶部１０７を有する切削点情報取得部１０と、特徴量算出部１０８および特徴量記憶部１０９を有する特徴量取得部２０と、加工不良領域抽出部１１４Ｂおよび加工不良要因判定部１１５Ｂを有する加工不良分析部１１０Ｂと、表示部１１１と、位置指定部１１２と、モデル構築部１１６Ｃと、データ蓄積部１１７と、ラベル生成部１１８とを有する。

以下、実施の形態２にかかる加工不良分析装置１Ｂと異なる部分について主に説明し、加工不良分析装置１Ｂと同様の部分については詳細な説明を省略する。

ラベル生成部１１８は、モデル構築部１１６Ｃが学習済モデルを構築する際に使用するラベルを生成する。ラベルは、加工不良の要因を示し、作業者の入力情報に基づいて生成される。ラベル生成部１１８は、作業者がキーボード、ボタン、タッチセンサなどを用いて入力する入力情報に基づいて、加工不良の要因に対して付与するラベルを生成する。作業者は、例えば、表示画面に表示された加工対象物Ｗの加工目標形状Ｍ１に対して、加工不良となる領域を指定し、当該領域の加工不良の要因を入力する。入力する加工不良の要因は、予め準備された中から選択されてもよいし、作業者がキーボードなどで文字入力してもよい。ラベル生成部１１８は、表形式で各切削点に対して入力される加工不良の要因の入力情報を取得してもよい。

ラベル生成部１１８は、作業者の入力情報に基づいて、ラベルを生成する。例えば、ラベル生成部１１８は、作業者によって指定された領域に含まれる全ての切削点ＣＰに対して、設定された加工不良の要因に応じた数値を割り当てる。このとき、ラベル生成部１１８は、同一の加工不良の要因に対しては、同一の数値を割り当てる。さらに、ラベル生成部１１８は、作業者によって指定された領域に含まれない切削点ＣＰに対しても、加工不良がないことを示す数値を割り当てておいてもよい。作業者の入力情報を用いることで、作業者が判定する加工不良の要因を学習することが可能になる。

モデル構築部１１６Ｃは、少なくとも１つの特徴量を入力とし、ラベル生成部１１８が生成したラベルを出力とする学習済モデルを生成する。

モデル構築部１１６Ｃの詳細な機能構成は、実施の形態２と同様に図２３を用いて説明する。モデル構築部１１６Ｃは、学習用データ取得部２０１と、モデル生成部２０２と、学習済モデル記憶部２０３とを有する。

学習用データ取得部２０１は、少なくとも１つの特徴量と、ラベル生成部１１８によって生成されたラベルとを学習用データとして取得する。

モデル生成部２０２は、学習用データ取得部２０１から出力される少なくとも１つの特徴量およびラベルの組み合わせに基づいて作成される学習用データに基づいて、加工不良の要因を示すラベルを学習する。すなわち、モデル生成部２０２は、工作機械の運転情報および工具軌跡に基づいて生成される特徴量から加工不良の要因を示すラベルを推論する学習済モデルを生成する。ここで、学習用データは、少なくとも１つの特徴量と、ラベルとを互いに関連づけたデータである。

モデル生成部２０２が用いる学習アルゴリズムは教師あり学習、強化学習等の公知のアルゴリズムを用いることができる。一例として、ニューラルネットワークを適用した場合について説明する。

モデル生成部２０２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、加工不良の要因を示すラベルを学習する。ここで、教師あり学習とは、入力と結果とのデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層、および複数のニューロンからなる出力層で構成される。中間層は、隠れ層とも呼ばれ、１層であってもよいし、２層以上であってもよい。

図２８は、図２７に示すモデル構築部１１６Ｃが使用するニューラルネットワークの一例を示す図である。図２８に示すような３層のニューラルネットワークであれば、複数の入力が入力層Ｘ１～Ｘ３に入力されると、その値に重みＷ１（ｗ１１～ｗ１６）を掛けて中間層Ｙ１－Ｙ２に入力され、その結果にさらに重みＷ２（ｗ２１～ｗ２６）を掛けて出力層Ｚ１～Ｚ３から出力される。この出力結果は、重みＷ１および重みＷ２の値によって変わる。

本実施の形態において、ニューラルネットワークは、学習用データ取得部２０１によって取得される特徴量とラベルとの組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、加工不良の要因を示すラベルを学習する。

すなわち、ニューラルネットワークは、入力層に特徴量を入力して出力層から出力された結果が、加工不良の要因を示すラベルに近づくように重みＷ１およびＷ２を調整することで学習する。学習では、ニューラルネットワークは出力層の値が教師データに近づくように、誤差逆伝播法を用いて推定される。ニューラルネットワークの構成は、図２８に示す例に限定されない。

モデル生成部２０２は、以上のような学習を実行することで学習済モデルを生成し、生成した学習済モデルを出力する。

学習済モデル記憶部２０３は、モデル生成部２０２から出力された学習済モデルを記憶する。

なお、モデル生成部２０２に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する深層学習を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

また、他の例として、モデル構築部１１６Ｃは、各特徴量の画像データを生成し、画像データのピクセルの色情報（ＲＧＢ）など画像データの特徴量と、ラベル生成部１１８が生成したラベルとを含む学習用データを取得し、このような学習用データを用いて学習を行ってもよい。画像データは白黒画像としてもよい。画像データを用いた学習では、畳み込みニューラルネットワークが一般的に用いられ、誤差伝搬法を用いてパラメータの推定を行う。パラメータの推定は他の公知の方法を用いてもよい。

なお、実施の形態３にかかる加工不良分析装置１Ｃの機能についても、実施の形態１と同様に、図２０に示すコンピュータシステムを用いて実現することができる。また、実施の形態１と同様に、切削点情報を生成する機能および特徴量を算出する機能のそれぞれを、加工不良分析部１１０Ｂとは異なる装置で実現してもよい。さらに、ラベル生成部１１８による入力情報をモデル構築部１１６Ｃに送信することができれば、モデル構築部１１６Ｃおよびデータ蓄積部１１７は、加工不良分析装置１Ｃとは異なる装置で実現されてもよい。また、加工不良分析装置１Ｃの機能の一部をクラウドシステムを用いて実現してもよい。

以上説明したように、実施の形態３にかかる加工不良分析装置１Ｃによれば、実施の形態２にかかる加工不良分析装置１Ｂの機能に加えて、作業者からの入力情報に基づいて、加工不良の要因を示すラベルを生成するラベル生成部１１８と、ラベル生成部１１８により生成されたラベルを出力とする学習済モデルを生成するモデル構築部１１６Ｃとを有する。このため、作業者の判断が反映された加工不良の要因を推定するための学習済モデルを構築することが可能になる。したがって、加工不良の要因を分析する分析作業の作業者の労力を低減することが可能になる。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

例えば、上記では、工作機械による加工に生じる加工不良を分析する加工不良分析装置１，１Ａ～１Ｃについて説明したが、工具によって加工対象物Ｗを加工する工作機械と、加工不良分析装置１，１Ａ～１Ｃとを有する加工システムを提供することもできる。また、切削点情報を取得するステップと、特徴量を取得するステップと、加工不良領域と加工不良領域における加工不良の要因とを特定するステップとを含む加工不良分析方法を提供することもできる。また、加工不良分析方法の各ステップに加えて、工作機械が加工対象物Ｗを加工するステップをさらに含む加工方法を提供することもできる。なお、加工不良の分析処理は、工作機械による加工対象物Ｗの加工、または、シミュレーションの実行が終わった後に実行されてもよいし、工作機械による加工対象物Ｗの加工、または、シミュレーションの実行と並行して行われてもよい。

また、加工不良分析装置１，１Ａ～１Ｃは、工作機械および工作機械を制御する数値制御装置の傍に設置されていてもよいし、工作機械および数値制御装置とは離れた場所で、工作機械による加工の分析を行う装置であってもよい。さらに、加工不良分析装置１，１Ａ～１Ｃは、数値制御装置の機能として提供されてもよい。

１，１Ａ，１Ｂ，１Ｃ加工不良分析装置、２情報処理装置、１０，１０Ａ切削点情報取得部、２０，２０Ａ特徴量取得部、８１制御部、８２入力部、８３記憶部、８４表示部、８５通信部、８６出力部、８７システムバス、１０１運転情報記憶部、１０２工具軌跡算出部、１０３工具軌跡記憶部、１０４工具情報記憶部、１０５加工目標形状記憶部、１０６切削点算出部、１０７切削点記憶部、１０８特徴量算出部、１０９特徴量記憶部、１１０，１１０Ｂ加工不良分析部、１１１表示部、１１２位置指定部、１１３要因パターン記憶部、１１４，１１４Ｂ加工不良領域抽出部、１１５，１１５Ｂ加工不良要因判定部、１１６，１１６Ｃモデル構築部、１１７データ蓄積部、１１８ラベル生成部、２０１学習用データ取得部、２０２モデル生成部、２０３学習済モデル記憶部、２０４推論装置、２０５データ取得部、２０６推論部、ＣＰ，ＣＰ１～ＣＰ７切削点、ＣＰＳ１切削点群、Ｄ８進行方向、Ｌ１ａ，Ｌ１ｂ，Ｌ２ａ，Ｌ２ｂ距離、Ｍ１加工目標形状、Ｐ，Ｐ１～Ｐ１２先端点、ＰＬ８平面、Ｑ１，Ｑ２加工不良領域、Ｒ１，Ｒ２交点、Ｓ，Ｓ１～Ｓ３加工曲面、Ｔ１工具、Ｔ１α オフセット工具、ＴＰ１工具軌跡、Ｖ，Ｖ１～Ｖ７工具方向、Ｗ加工対象物。

Claims

工作機械に取り付けられる工具が加工対象物を切削する点であって、前記工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の前記先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得する切削点情報取得部と、
複数の前記先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部と、
前記切削点情報と前記特徴量とに基づいて、前記加工対象物の加工不良が生じる領域である加工不良領域と、前記加工不良領域における前記加工不良が生じた要因を示す特徴量の種類とを特定する加工不良分析部と、
前記加工不良領域を、前記要因毎に異なる表現方法で表示し、１つの前記加工不良領域について前記要因の候補が複数存在する場合、前記要因毎に判定確率を表示する表示部と、
を備え、
前記特徴量の種類は、
前記先端点の速度、前記先端点の加速度、前記先端点の加加速度、前記切削点の速度、前記切削点の加速度、前記切削点の加加速度、前記工作機械の複数の駆動軸のそれぞれの位置、前記工作機械の複数の前記駆動軸のそれぞれの速度、前記工作機械の複数の前記駆動軸のそれぞれの加速度、前記工作機械の複数の前記駆動軸のそれぞれの加加速度、および、前記工作機械の複数の前記駆動軸のそれぞれの反転位置、のうちの少なくともいずれか１つを含むことを特徴とする加工不良分析装置。
前記表示部は、前記加工不良領域について特定された前記要因の根拠となる前記特徴量を表示することを特徴とする請求項１に記載の加工不良分析装置。
前記加工対象物の加工目標形状上の指定された位置である指定位置を受け付ける位置指定部、
をさらに備え、
前記加工不良分析部は、前記指定位置を含む領域を前記加工不良領域として抽出することを特徴とする請求項１または２に記載の加工不良分析装置。
加工不良の要因と、前記要因が存在する際の前記特徴量のパターンとを対応づけた情報である要因パターンを記憶する要因パターン記憶部、
をさらに備え、
前記加工不良分析部は、抽出した前記加工不良領域と、前記特徴量と、前記要因パターンとに基づいて、前記加工不良領域の前記要因を特定することを特徴とする請求項１から３のいずれか１項に記載の加工不良分析装置。
前記加工不良分析部は、
前記切削点情報と前記特徴量とに基づいて、前記加工不良領域を抽出する加工不良領域抽出部と、
前記特徴量と抽出された前記加工不良領域とに基づいて、前記加工不良領域の加工不良の要因を特定する加工不良要因判定部と、
を有することを特徴とする請求項１に記載の加工不良分析装置。
少なくとも１つの前記特徴量を含む学習用データを取得する学習用データ取得部と、
前記学習用データを用いて、少なくとも１つの前記特徴量から前記要因を推論するための学習済モデルを生成するモデル生成部と、
をさらに備えることを特徴とする請求項１から３のいずれか１項に記載の加工不良分析装置。
前記切削点または前記加工不良領域毎に、入力情報に基づいて、前記要因を示すラベルを生成するラベル生成部、
をさらに備え、
前記モデル生成部は、少なくとも１つの前記特徴量を入力とし、前記要因を示す前記ラベルを出力とする前記学習済モデルを生成することを特徴とする請求項６に記載の加工不良分析装置。
前記加工不良分析部は、少なくとも１つの前記特徴量から前記要因を推論するための学習済モデルを用いて、前記特徴量から前記要因を特定することを特徴とする請求項１に記載の加工不良分析装置。
前記加工不良分析部は、少なくとも１つの前記特徴量を入力とし、予め定められた前記要因の候補を示す情報であるラベルを出力とする前記学習済モデルを用いて、前記特徴量から前記要因を特定することを特徴とする請求項８に記載の加工不良分析装置。
前記加工不良分析部は、前記学習済モデルを用いて、前記切削点の各々に生じた前記加工不良の要因と特定される前記要因毎に前記切削点を分類し、同一の前記要因に分類された隣接する複数の前記切削点を１つの加工不良領域とすることを特徴とする請求項８または９に記載の加工不良分析装置。
前記特徴量取得部は、前記特徴量を画像データまたは時系列データとして取得することを特徴とする請求項１から１０のいずれか１項に記載の加工不良分析装置。
前記工作機械を運転させた際の前記工作機械の運転状態を示す情報である運転情報から前記工具軌跡を生成する工具軌跡算出部、
をさらに備え、
前記切削点情報取得部は、前記工具軌跡と、前記工具の形状を定義する情報である工具情報と、前記加工対象物の加工目標形状とに基づいて、前記工具軌跡に含まれる複数の前記先端点のそれぞれに対応する前記切削点の位置を算出することによって前記切削点情報を生成する切削点算出部を有し、
前記特徴量取得部は、前記運転情報と前記工具軌跡と、前記切削点情報とに基づいて、前記工具軌跡に含まれる複数の前記先端点のそれぞれに対応する前記特徴量を算出する特徴量算出部を有することを特徴とする請求項１に記載の加工不良分析装置。
加工対象物を加工する工作機械と、
前記工作機械による加工に生じる加工不良を分析する加工不良分析装置と、
を備え、
前記加工不良分析装置は、
前記工作機械に取り付けられる工具が前記加工対象物を切削する点であって、前記工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の前記先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得する切削点情報取得部と、
複数の前記先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部と、
前記切削点情報と前記特徴量とに基づいて、前記加工対象物の加工不良が生じる領域である加工不良領域と、前記加工不良領域における前記加工不良が生じた要因を示す特徴量の種類とを特定する加工不良分析部と、
前記加工不良領域を、前記要因毎に異なる表現方法で表示し、１つの前記加工不良領域について前記要因の候補が複数存在する場合、前記要因毎に判定確率を表示する表示部と、
を備え、
前記特徴量の種類は、
前記先端点の速度、前記先端点の加速度、前記先端点の加加速度、前記切削点の速度、前記切削点の加速度、前記切削点の加加速度、前記工作機械の複数の駆動軸のそれぞれの位置、前記工作機械の複数の前記駆動軸のそれぞれの速度、前記工作機械の複数の前記駆動軸のそれぞれの加速度、前記工作機械の複数の前記駆動軸のそれぞれの加加速度、および、前記工作機械の複数の前記駆動軸のそれぞれの反転位置、のうちの少なくともいずれか１つを含むことを特徴とする加工システム。
工作機械に取り付けられる工具が加工対象物を切削する点であって、前記工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の前記先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得するステップと、
複数の前記先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得するステップと、
前記切削点情報と前記特徴量とに基づいて、前記加工対象物の加工不良が生じる領域である加工不良領域と、前記加工不良領域における前記加工不良が生じた要因を示す特徴量の種類とを特定するステップと、
前記加工不良領域を、前記要因毎に異なる表現方法で表示し、１つの前記加工不良領域について前記要因の候補が複数存在する場合、前記要因毎に判定確率を表示するステップと、
を含み、
前記特徴量の種類は、
前記先端点の速度、前記先端点の加速度、前記先端点の加加速度、前記切削点の速度、前記切削点の加速度、前記切削点の加加速度、前記工作機械の複数の駆動軸のそれぞれの位置、前記工作機械の複数の前記駆動軸のそれぞれの速度、前記工作機械の複数の前記駆動軸のそれぞれの加速度、前記工作機械の複数の前記駆動軸のそれぞれの加加速度、および、前記工作機械の複数の前記駆動軸のそれぞれの反転位置、のうちの少なくともいずれか１つを含むことを特徴とする加工不良分析方法。
工作機械が加工対象物を加工するステップと、
前記工作機械が前記加工対象物を加工する際に前記工作機械に取り付けられる工具が前記加工対象物を切削する点であって、前記工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の前記先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得するステップと、
複数の前記先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得するステップと、
前記切削点情報と前記特徴量とに基づいて、前記加工対象物の加工不良が生じる領域である加工不良領域と、前記加工不良領域における前記加工不良が生じた要因を示す特徴量の種類とを特定するステップと、
前記加工不良領域を、前記要因毎に異なる表現方法で表示し、１つの前記加工不良領域について前記要因の候補が複数存在する場合、前記要因毎に判定確率を表示するステップと、
を含み、
前記特徴量の種類は、
前記先端点の速度、前記先端点の加速度、前記先端点の加加速度、前記切削点の速度、前記切削点の加速度、前記切削点の加加速度、前記工作機械の複数の駆動軸のそれぞれの位置、前記工作機械の複数の前記駆動軸のそれぞれの速度、前記工作機械の複数の前記駆動軸のそれぞれの加速度、前記工作機械の複数の前記駆動軸のそれぞれの加加速度、および、前記工作機械の複数の前記駆動軸のそれぞれの反転位置、のうちの少なくともいずれか１つを含むことを特徴とする加工方法。
工作機械に取り付けられる工具が加工対象物を切削する点であって、前記工具の先端点の移動経路を示す情報である工具軌跡に含まれる複数の前記先端点のそれぞれに対応する切削点の位置を示す切削点情報を取得する切削点情報取得部と、
複数の前記先端点のそれぞれに対応して算出され、加工の特徴を示す特徴量を取得する特徴量取得部と、
前記切削点情報と前記特徴量とに基づいて、前記加工対象物の加工不良が生じる領域である加工不良領域と、前記加工不良領域における前記加工不良が生じた要因とを特定する加工不良分析部と、
前記加工不良領域を、前記要因毎に異なる表現方法で表示する表示部と、
を備え、
前記表示部は、１つの前記加工不良領域について前記要因の候補が複数存在する場合、前記要因毎に判定確率を表示することを特徴とする加工不良分析装置。