JP7286049B1 - 学習装置、数値制御装置、加工結果予測方法および加工システム - Google Patents

Abstract

学習装置（１）は、加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部（３３）を備える第１加工装置（３）の観測部が取得したセンサ情報とセンサ情報に対応するラベルとを関連付けて学習したモデルを第２加工装置（４）で利用する場合において、第１加工装置において基準加工パラメータによる加工を実行した際のセンサ情報を第１基準情報として記録する記録部（１１）と、第２加工装置において基準加工パラメータによる加工を実行した際のセンサ情報を第２基準情報として取得する基準情報取得部（１２）と、第２加工装置においてセンサ情報を補正した後にモデルに入力する場合の補正に使用する補正関数（４４）を、補正後の第２基準情報の特徴が第１基準情報の特徴に近づくように学習する補正関数学習部（１３）と、を備える。

Description

本開示は、産業用機械に適用される学習モデルを生成する学習装置、数値制御装置、加工結果予測方法および加工システムに関する。

学習モデルを適用して実現される従来の機器の一例として、例えば、特許文献１には、産業機械の動作時に観測された該動作に関する観測データを取得する観測データ取得部と、前記産業機械の動作条件に応じて前記観測データを補正する補正部と、予め定められた所定のタイミングにおける動作状態の特徴が表れる部分を含む部分時系列データを前記観測データから抽出し、該部分時系列データから少なくとも１つの統計量を算出する統計量抽出部と、統計量抽出部によって算出された統計量に基づいて、産業機械の動作異常の判定にかかる機械学習の処理を実行する機械学習装置と、を備える異常判定装置が、開示されている。

特開２０２１－１５５７３号公報

学習モデルの生成では多くの学習用データを準備して機械学習を行う必要があり、多くの時間と労力を要する。このため、１つの産業機械を動作させて収集した学習用データを用いて機械学習を行い、得られた学習モデルを同種の他の産業機械で利用することが検討されている。１つの産業機械から取得した学習用データを用いて学習モデルを生成し、これを複数の同種の産業機械で利用することにより、産業機械ごとに機械学習を行って学習モデルを生成する必要がなくなり、学習モデルを準備するための時間と労力とを軽減することができる。

一方、学習モデルの利用においては、学習モデルへの入力の小さな違いが学習モデルの出力に大きな影響を与える場合があることが知られている。例えば、加工装置の動作結果の予測で学習モデルを利用する場合、同じ設計の加工装置に同じ加工パラメータを設定して加工を行ったとしても、加工に用いる工具の特性の違い、ワークの特性の違い、学習モデルに入力させるデータの取得部を構成するセンサの個体差等によって、得られるデータに差異が発生する。そのため、ある加工装置で収集したデータを用いて機械学習を行うことで生成した学習モデルを他の加工装置へ搭載した場合に、学習モデルの出力の誤差が大きくなり、不正確になるおそれがある。

特許文献１に記載の異常判定装置では、ある産業機械で観測データの学習を行う際に、産業機械を動作させて取得済みの観測データを複数の動作条件のそれぞれに応じて補正し、補正後の観測データを用いて学習モデルを生成する。そのため、少ない回数で学習を終えることが可能となる。しかしながら、ある産業用機械で生成した学習モデルを、別の産業機械に適用した場合、それぞれの産業用機械が加工で用いる工具の特性の違い、ワークの特性の違い、動作を観測するセンサの個体差などにより、各産業用機械から判定処理のために取得する観測データの間に差異が生じる。この結果、学習モデルの出力の誤差が大きくなり、判定結果が不正確になるという問題が発生する。

本開示は、上記に鑑みてなされたものであって、ある産業機械の動作を学習して生成した学習モデルを他の産業機械に適用する場合に他の産業機械における学習モデルの判定精度が低下するのを防止可能な学習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、本開示にかかる学習装置は、加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の観測部が取得したセンサ情報とセンサ情報に対応するラベルとを関連付けて学習したモデルを第１加工装置と異なる加工装置である第２加工装置で利用する場合において、第１加工装置において加工パラメータの一つである基準加工パラメータによる加工を実行した際のセンサ情報を第１基準情報として記録する記録部と、第２加工装置において基準加工パラメータによる加工を実行した際のセンサ情報を第２基準情報として取得する基準情報取得部と、第２加工装置においてセンサ情報を補正した後にモデルに入力する場合の補正に使用する補正関数を、補正後の第２基準情報の特徴が第１基準情報の特徴に近づくように学習する補正関数学習部と、を備える。補正関数学習部は、第１基準情報の特徴量の分布を第１基準情報の特徴として使用し、第２基準情報の特徴量の分布を第２基準情報の特徴として使用して学習を行う。

本開示によれば、ある産業機械の動作を学習して生成した学習モデルを他の産業機械に適用する場合に他の産業機械における学習モデルの判定精度が低下するのを防止可能な学習装置を実現できる、という効果を奏する。

実施の形態１にかかる加工システムの構成例を示す図 実施の形態１にかかる加工システムで利用するモデルの作成方法を示す図 第１加工装置の観測部の構成例を示す図 第２加工装置の観測部の構成例を示す図 学習装置の動作の一例を示すフローチャート 学習装置の補正関数学習部が補正関数の学習に用いるデータを選択する動作の一例を説明するための図 学習装置を実現するハードウェアの一例を示す図 実施の形態２にかかる加工システムの第１加工装置に含まれる観測部の構成例を示す図 実施の形態２にかかる加工システムの第２加工装置に含まれる観測部の構成例を示す図 実施の形態３にかかる加工システムの構成例を示す図

以下に、本開示の実施の形態にかかる学習装置、数値制御装置、加工結果予測方法および加工システム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にかかる加工システム１００の構成例を示す図である。加工システム１００は、学習装置１、第１加工装置３および第２加工装置４を含んで構成される。第１加工装置３と第２加工装置４とは同種の加工装置である。ここでの同種とは、同様の機能を有し、加工対象物であるワークに対して同様の加工を行うことが可能な加工装置であることを意味する。第１加工装置３および第２加工装置４が行う加工の内容は、後述する加工パラメータの設定に従う。なお詳細については後述するが、図１に示す加工システム１００では、学習装置１が学習を行う際、第１加工装置３および第２加工装置４に対して、同じ加工パラメータとして基準加工パラメータ２が設定される。学習装置１が学習を行わない場合、第１加工装置３および第２加工装置４のそれぞれに対して個別に加工パラメータが設定される。

学習装置１には、記録部１１、基準情報取得部１２および補正関数学習部１３が含まれている。第１加工装置３には、工具３１、ワーク３２および観測部３３が含まれている。第２加工装置４には、工具４１、ワーク４２、観測部４３、補正関数４４およびモデル４５が含まれている。なお、第１加工装置３および第２加工装置４は、それぞれ図示していない数値制御装置と、工具とワークとの相対位置を変化させるための駆動部と、を備えている。図１ではモデル４５が第２加工装置４に含まれる構成としているが、第２加工装置４とは別の装置がモデル４５を含む構成としてもよい。例えば、第２加工装置４によるワーク４２の加工結果を予測する機能を有する装置がモデル４５を含み、この装置がモデル４５を用いて加工結果を予測する、としてもよい。

図２は、実施の形態１にかかる加工システム１００で利用するモデル４５の作成方法を示す図である。モデル４５は、図１で示した第１加工装置３で収集されるセンサ情報と、ラベルとに基づき、モデル作成装置５０で作成される。モデル作成装置５０は、センサ情報およびラベルが登録されるデータベース５と、データベース５に登録されたセンサ情報とラベルとの関係を学習してモデル４５を作成するモデル学習部６とを備える。第１加工装置３とモデル作成装置５０とは通信ケーブルなどにより直接接続される形態であってもよいし、通信ネットワークを介して接続される形態であってもよい。

第１加工装置３の観測部３３および第２加工装置４の観測部４３は、図３および図４に示す構成とする。図３は、第１加工装置３の観測部３３の構成例を示す図、図４は、第２加工装置４の観測部４３の構成例を示す図である。図３に示すように、第１加工装置３の観測部３３は、センサ３３１を備え、センサ３３１を用いて、第１加工装置３の状態を観測する。センサ３３１は観測結果を示すセンサ信号を出力する。観測部３３はワーク３２の状態を観測し、この観測結果を第１加工装置３の観測結果としてもよい。すなわち、センサ３３１が出力するセンサ信号はワーク３２の観測結果を示すものとしてもよい。第２加工装置４の観測部４３はセンサ４３１を備え、センサ４３１を用いて第２加工装置４の状態を観測する。センサ４３１は観測結果を示すセンサ信号を出力する。観測部４３はワーク４２の状態を観測し、この観測結果を第２加工装置４の観測結果としてもよい。すなわち、センサ４３１が出力するセンサ信号はワーク４２の観測結果を示すものとしてもよい。センサ３３１とセンサ４３１とは同じ種類のセンサであるが、個体差が存在し、同じ条件で同じ対象物を観測した場合でも、センサ３３１による観測結果とセンサ４３１による観測結果との間に差が生じる可能性がある。

ここで、第１加工装置３および第２加工装置４として用いられる加工装置の具体例は、旋削加工装置、フライス加工装置、研削加工装置、レーザ加工装置、放電加工装置、ウォータジェット加工装置、プレス加工装置などである。

加工装置の状態とは、加工装置の状態をデータで表現したもの、観測したものであり、例えば、駆動部が正常か異常か、駆動部に流れる電流、駆動部にかかる電圧の大きさ、加工時に発生する音や光、特定部位の温度、位置、速度、加速度、角度、角速度、角加速度、圧力、変形量、工具の消耗度合、特定部位の画像、等が挙げられる。

ワーク３２の状態とは、加工されるワーク３２の様子を観測した値であり、例えば、ワーク３２に取り付けた加速度センサで取得できる加速度、ジャイロセンサで取得できる角速度、加工中に発光を伴うものであれば、光センサの観測値、ワークの温度、などが挙げられる。ワーク４２の状態も同様である。

観測部３３および観測部４３で観測する項目および値は、通常、モデル４５の出力で予測する項目と関連があるものとする。そのため、モデル４５で予測したい項目およびモデル４５を適用する加工装置の種類によって、観測部３３および観測部４３で利用するセンサの種類を工夫する必要がある。また、観測部３３および観測部４３で利用するセンサは、目的に応じて複数のものを組み合わせてもよい。

加工パラメータとは、加工装置に設定する加工動作に関連する変数の組である。加工パラメータに設定される値には、加工動作の速度を示す加工速度、可動部の加速度の制限値、工具とワークとの相対位置の関係を指定する値、加工の補助に用いる切削液および油の量の指定値、などがある。

一例では、加工装置が旋削加工装置であれば、加工パラメータには、加工速度、切込み量、ワークの回転速度、切削液の量、等の値が変数の組として設定される。他の例では、加工装置がレーザ加工装置であれば、加工パラメータには、レーザ出力、焦点位置、ビーム形状、加工速度、加工ガス種、加工ガス圧、ノズル高さ等が変数の組として設定される。

学習装置１は、その一部、または全部が、第１加工装置３に備えられてもよいし、第１加工装置３の外部に設けられてもよい。第１加工装置３を構成する数値制御装置内に学習装置１の一部または全部が設けられてもよい。第２加工装置４に学習装置１の一部または全部が設けられてもよい。また、第１加工装置３がネットワークを介してクラウドに接続され、クラウドサーバの処理回路で、学習装置１の全部または一部を実施する構成とすることもできる。

１つ目の加工装置である第１加工装置３は、加工パラメータおよび加工プログラムに従い、工具３１を用いてワーク３２を加工する。観測部３３は、ワーク３２および第１加工装置３のうち、少なくともいずれか一方の状態をセンサ情報として取得する。

図２に示すように、モデル４５は、第１加工装置３で収集されたセンサ情報と、ラベルと、に基づいて、モデル作成装置５０のモデル学習部６により作成される。具体的には、第１加工装置３でワーク３２の加工を行い、観測部３３から得られるセンサ情報と、そのセンサ情報に対応するラベルとをモデル作成装置５０のデータベース５に記録し、蓄積する。モデル学習部６は、データベース５に蓄積されたセンサ情報とラベルとの関係を学習したモデル４５を出力する。モデル学習部６がセンサ情報とラベルとの関係を学習する際は、センサ情報から特徴量を抽出し、センサ情報の特徴量とラベルとの関係を学習してもよい。センサ情報の特徴量とラベルとの関係を学習した場合、モデル４５の利用時に与えられるセンサ情報もしくは、センサ情報を補正した補正センサ情報に対して特徴量を抽出し、抽出した特徴量をモデル４５へ入力し、出力を得る。

モデル４５は、一般の機械学習モデルであればよく、一例はニューラルネットワークである。他の例では、分岐木、サポートベクターマシン、ガウス過程回帰、等であり、モデル４５の目的に応じて一般の回帰モデル、分類モデルを利用できる。

また、モデル４５の出力の一例は、モデル４５に入力するセンサ情報の取得元の加工装置が実施する加工の良否を数値化したものである。他の例は、モデル４５に入力するセンサ情報の取得元の加工装置の異常度合い、加工装置の異常判定情報、工具の摩耗度合い、加工パラメータの値、等、である。

データベース５に記録するラベルは、モデル４５の出力に対応したものを記録する必要があり、観測部３３で取得するセンサ情報は、ラベルと関係のある情報である必要がある。

また、観測部３３は、センサ３３１から得られるセンサ信号を一定の時間ごとに切り出し、センサ情報として出力するのが一般的である。観測部３３は、さらに加工動作中かどうかの判断を行い、加工動作中のみセンサ情報を出力したり、特定の動作の開始や終了を検出した時にセンサ情報を出力したり、することもできる。モデル４５を利用する第２加工装置４の観測部４３も同様である。

前述したように、モデル４５は、センサ情報とラベルとの関係を学習したものである。センサ情報、ラベルおよびモデル４５の具体例を説明する。

一例として、第１加工装置３および第２加工装置４が旋削加工装置の場合について説明する。

旋削加工装置では、回転する主軸にワークが取り付けられ、ワークに工具を押し当てることで、ワークを削る加工を行う。このとき、ワークの材質、回転数および切込み量によって「ビビり」と呼ばれる振動が発生することがある。この「ビビり」を検出するために、工具に加速度センサを取り付け、センサ情報を収集する。センサ情報の収集時は、加工パラメータを様々に変更することで、「ビビり」発生時、正常加工時の様々なセンサ情報を取得することが望ましい。そして、「ビビり」発生時のセンサ情報には、「ビビり」のラベルを付し、正常加工時のセンサ情報には、「正常」のラベルを付す。このとき、取得したセンサ情報は時系列データであり、ラベルは「ビビり」発生の時刻に合わせて、時系列データ、すなわちセンサ情報に対応付けられる。そのため、センサ情報から一定の時間幅を持った時系列データを切り出すことで、切り出された時系列データとラベルとが対応したデータ対が得られる。モデル４５は、このデータ対、すなわち、切り出された時系列データとラベルとの関係を学習することで、工具に取り付けた加速度センサの時系列データと「ビビり」との関係を学習できる。モデル４５の学習が完了した後は、旋削加工装置において、工具に取り付けた加速度センサの時系列データ、すなわちセンサ情報をモデル４５へ入力することで、「ビビり」が発生したかどうかの出力が得られ、「ビビり」を自動的に検出できる。さらに、「ビビり」が発生した場合に、加工を停止したり、加工パラメータを変更したりすることができる。

また、他の例として、第１加工装置３および第２加工装置４がレーザ加工装置の一種であるレーザ切断加工装置の場合について説明する。

レーザ切断加工装置では、ワークに対し、ワーク表面付近で焦点を結ぶようなレーザを照射することでワークを切断する。このため、レーザ切断加工装置などのレーザ加工装置では、レーザが工具に相当する。レーザを照射するとワークが熱されて発光するため、加工の状態を取得するために、ワークの発光を捉える光センサの時系列データをセンサ情報とできる。レーザ切断加工時の加工結果として、正常加工、溶融物がワーク裏面に付着するドロス、切断面に凹凸が現れる傷、切断部が貫通せずに溶融物が吹き上がるバーニング等がある。センサ情報の収集時は、加工パラメータを様々に変更することで、様々な加工結果それぞれに対応するセンサ情報を取得することが望ましい。そして加工結果の種類をラベルとして付す。ラベルを光センサの時系列データに対して付す場合、加工位置の時系列データと、加工位置に対する加工結果とから、加工結果と時刻とを対応付けた後、光センサの時刻と加工結果の時刻とを対応付けることで、加工結果すなわちラベルと、センサ情報、すなわち光センサの時系列データとが対応付けられる。センサ情報から一定の時間幅を持った時系列データを切り出すことで、切り出された時系列データとラベルとが対応したデータ対が得られる。モデル４５は、このデータ対、すなわち、切り出された時系列データとラベルとの関係を学習することで、光センサの時系列データと加工結果との関係を学習できる。モデル４５の学習が完了した後は、レーザ切断加工装置において、ワークの発光を捉える光センサの時系列データ、すなわちセンサ情報をモデル４５へ入力することで、加工中に加工結果の予測を出力として得ることができる。さらに、予測した加工結果が良くない場合に、加工を中止したり、加工パラメータを変更したりできる。

また、他の例として、第１加工装置３および第２加工装置４が放電加工装置の一種である形彫り放電加工装置の場合について説明する。

形彫り放電加工装置では、放電電極をワークに近づけ、ワークと放電電極との間に電圧をかけることで発生する放電現象によってワークを加工する。このため、放電加工装置では、放電電極や発生する放電現象が工具に相当する。

形彫り放電加工装置には、放電電極とワークとの相対距離を変更するための駆動部が備えられる。駆動部の一例はリニアモータであり、この場合はリニアエンコーダーによって放電電極の位置が取得される。この例では、リニアモータに流れる電流と放電電極の位置とをセンサ情報とする。

形彫り放電加工装置の異常として、例えば、リニアモータの摺動部のグリス切れ、モータの異常発熱等で、放電電極の位置を上手く調整できない場合が考えられる。このような異常を検出するために、異常を再現した状態でセンサ情報を取得し、異常のラベルを付す。また、正常動作時のセンサ情報を取得し、正常のラベルを付す。そして、モデル４５に、センサ情報とラベルとの対応関係を学習させる。モデル４５の学習が完了した後は、形彫り放電加工装置において、リニアモータの電流および放電電極の位置、すなわちセンサ情報をモデル４５へ入力することで、リニアモータが正常か、異常か、を検出することができる。

このように、加工装置の特性に合わせて観測部とラベルとを設定し、観測結果を示すセンサ情報とラベルとを収集し、モデル４５にセンサ情報とラベルとの関係を学習させることで、モデル４５を様々な利用形態で活用できる。

２つ目の加工装置である第２加工装置４は、第１加工装置３を用いて作成されたモデル４５を活用する加工装置である。第２加工装置４は、第１加工装置３とは異なる個体の同様の加工装置であり、加工パラメータおよび加工プログラムに従い、工具４１を用いてワーク４２を加工する。第２加工装置４の観測部４３は、第１加工装置３の観測部３３と同様のセンサ情報を観測する。

第２加工装置４には、さらに、学習装置１で作成される補正関数４４、および、第１加工装置３を用いて作成したモデル４５が備えられる。第２加工装置４において、学習装置１によって補正関数４４が作成された場合、観測部４３で取得されるセンサ情報に補正関数４４を作用させて、補正センサ情報を得る。そして補正センサ情報をモデル４５に入力し、モデル４５の出力を得る。なお、補正関数４４が与えられない場合や、利用者が補正関数４４を利用しないことを選択した場合は、観測部４３で取得されるセンサ情報をモデル４５へ直接入力し、モデル４５の出力を得る。利用者が補正関数４４を利用するか否かを選択可能とする場合、第２加工装置４は、利用者による選択を受け付ける入力部をさらに備える。

利用者が補正関数４４を利用するか、しないかを選択可能とすることで、例えば、補正関数４４による補正がモデル４５の活用目的にそぐわない場合に、すぐに補正関数４４を利用しない元の状態へ戻すことができる。このとき、利用者が補正関数４４によるセンサ情報の補正が適切かどうかを判断できるように、センサ情報に補正関数４４を作用させて得られた補正後のセンサ情報である補正センサ情報をモデル４５へ入力し、得られた出力と、センサ情報をモデル４５へ入力し、得られた出力と、を比較して表示する表示部を第２加工装置４が備えることが望ましい。

また、複数の補正関数４４の候補を作成し、候補の中からモデル４５の出力が適切となる候補を利用者に選択させ、選択された候補を補正関数４４としてもよい。これによって利用者は、よりモデル４５の活用目的に適した補正関数４４を選択できる。

さらに、第２加工装置４に記憶部を設け、観測部４３が取得するセンサ情報を記憶しておくことで、記憶したセンサ情報を用いて、補正関数４４による補正が適切かどうか、確認を行うことができる。センサ情報を記憶する記憶部を備えることで、補正関数４４による補正が適切かどうかの確認のための加工を省略し、ワークの消費および工具の消耗を少なくできる。さらに、複数のセンサ情報を記憶部で記憶しておけば、複数の加工状態でモデル４５の出力を確認でき、より適切に補正関数４４を選択できる。

図１に示す加工システム１００では第２加工装置４がモデル４５を備え、第１加工装置３はモデル４５を備えない構成としたが、第１加工装置３もモデル４５を備え、モデル４５を活用して第１加工装置３による加工の良否の判定などを行うようにしてもよい。なお、モデル４５は第１加工装置３の観測部３３が出力するセンサ情報とラベルとの対応関係を学習したものであるため、第２加工装置４が備える補正関数４４と同様の補正関数を第１加工装置３は備えない、または、第１加工装置３が備える補正関数は入力されたセンサ情報を補正せずにそのまま出力する構成とする。

学習装置１は、第２加工装置４で利用する補正関数４４を学習する。図５は、学習装置１の動作の一例を示すフローチャートである。学習装置１は、図５に示すステップＳ１～Ｓ３を繰り返し実行して補正関数４４を学習する。

補正関数４４の学習において、学習装置１は、まず、第１加工装置３の動作の観測結果を取得する（ステップＳ１）。詳細には、学習装置１は、基準加工パラメータ２を加工パラメータとして第１加工装置３を動作させたときに観測部３３から出力されるセンサ情報を取得し、取得したセンサ情報を第１基準情報として記録部１１に記録する。

学習装置１は、次に、第１加工装置３と同じ加工パラメータが設定された第２加工装置４の動作の観測結果を取得する（ステップＳ２）。詳細には、学習装置１において、基準情報取得部１２が、基準加工パラメータ２を加工パラメータとして第２加工装置４を動作させたときに観測部４３から出力されるセンサ情報を第２基準情報として取得する。

学習装置１は、次に、第２加工装置４の動作の観測結果を補正して第１加工装置３の動作の観測結果に近づける処理で用いる補正関数を学習する（ステップＳ３）。詳細には、学習装置１において、補正関数学習部１３が、補正関数４４を第２基準情報に作用させ、補正後の第２基準情報を得る場合に、補正後の第２基準情報の特徴を第１基準情報の特徴に近づけるように、補正関数４４の学習を行う。

ここで、記録部１１に第１基準情報として記録するセンサ情報は、モデル作成装置５０がモデル４５を作成するために取得したセンサ情報のうち、加工時に利用した加工パラメータが基準加工パラメータ２と同じ場合のセンサ情報としてもよい。また、モデル４５を作成するために取得したセンサ情報と対応する加工パラメータの中から、加工パラメータを選択し、基準加工パラメータ２としてもよい。モデル４５を作成するために取得済のセンサ情報を用いることで、第１加工装置３において再度、基準加工パラメータ２を設定した加工を実行することを省略できる。

また、加工プログラムの違いにより、センサ情報の性質が変化し、モデル４５の出力に影響を与える場合、基準加工パラメータ２と同様に、基準とする加工プログラムである基準加工プログラムを用意し、基準加工パラメータ２と基準加工プログラムとを用いて、第１基準情報と第２基準情報とを得ることが望ましい。基準加工プログラムを用いることで、第１基準情報を取得する際に第１加工装置３で用いる加工プログラムと第２基準情報を取得する際に第２加工装置４で用いる加工プログラムとが異なるために発生する、第１基準情報と第２基準情報との違いを無くすことができる。この結果、異なる加工プログラムを用いた場合に比べて、より正確な補正関数４４を学習でき、第２加工装置４において補正関数４４を利用した場合のモデル４５における出力の誤差を、より低減できる。

実施の形態１にかかる学習装置１の補正関数学習部１３の動作を更に詳しく説明する。実施の形態１においては、第１基準情報および第２基準情報はセンサ信号の時系列データである。

補正関数学習部１３が、補正後の第２基準情報の特徴を第１基準情報の特徴に近づけるよう補正関数４４を学習する手法は、様々考えられる。

補正関数４４は、一例では、時系列データに対するローパスフィルタとすることができる。補正関数４４の他の例は、ハイパスフィルタ、または、バンドパスフィルタとする方法、さらには、定数倍する、オフセットを加えるなどの処理を行う関数とする方法があり、これらの組み合わせとすることもできる。

補正関数４４の学習は、一例では、補正後の第２基準情報の平均値が第１基準情報の平均値に一致するように、第２基準情報にオフセットを加えるような補正関数４４を学習する。他の例では、補正後の第２基準情報の平均値が第１基準情報の平均値に一致するように、第２基準情報に倍率をかけるような補正関数４４を学習する方法、補正後の第２基準情報から抽出した特徴量と、第１基準情報から抽出した特徴量とを近づけるように、補正関数のパラメータを学習する方法、等がある。

ここで、特徴量とは、センサ信号の特徴を示す量であり、例えば、センサ信号の平均値、分散値、標準偏差値、中央値、最大値、最小値、波高率、ピークの数といった統計量である。また、周波数解析の結果、フィルタバンク解析の結果（周波数解析の結果をある周波数の範囲でまとめたもの）、ケプストラム解析の結果、等を特徴量としてもよい。これらの特徴量の抽出には、一般の特徴量の抽出手法を利用できる。特徴量として複数の値を利用する場合は、例えば、補正後の第２基準情報から抽出した各特徴量と、第１基準情報から抽出した各特徴量との差の絶対値の和が小さくなるように、補正関数４４のパラメータを学習する、補正後の第２基準情報から抽出した各特徴量と、第１基準情報から抽出した各特徴量との差の重み付き２乗和が小さくなるように、補正関数４４のパラメータを学習する、などとすればよい。

補正関数４４のパラメータの学習には、一般の機械学習の手法を用いることができる。すなわち、補正関数学習部１３は、補正関数４４のパラメータを機械学習の方法で決定する。補正関数学習部１３は、例えば、補正後の第２基準情報から抽出した特徴量と、第１基準情報から抽出した特徴量との差の２乗和が小さくなるように、補正関数のパラメータをニュートン法により学習することもできるし、共役勾配法、ベイズ最適化法、確率的勾配降下法、粒子群最適化（ＰＳＯ：Particle Swarm Optimization）、ランダム探索法、等、一般の最適化手法を利用できる。最適化手法は、補正関数４４の形およびパラメータの数、第１基準情報の特徴量および補正後の第２基準情報の特徴量の数、およびこれらの性質から、適切な手法を選択する。

第１基準情報と第２基準情報とでラベルが異なる場合は、第１基準情報の特徴と第２基準情報の特徴との間に発生した差が、ラベルが異なることが原因で発生したものか、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差が原因で発生したものか判別できない。ラベルが異なることが原因で発生したものである場合、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差を、補正関数４４によって補正できない場合がある。

そこで、記録部１１に、第１基準情報とラベルとを対応付けて記録しておき、基準情報取得部１２で取得した第２基準情報に対応するラベルが、記録した第１基準情報に対応するラベルと一致する場合に、補正関数４４の学習を行うことが望ましい。これにより、第１基準情報の特徴と第２基準情報の特徴との間に発生した差は、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差が原因で発生したものと判断できる。このようにすることで、補正関数学習部１３は、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差の影響、すなわち、第１加工装置３で得られるセンサ情報と第２加工装置４で得られるセンサ情報との差を、ラベルの一致を確認しない場合に比べてより正確に補正可能な補正関数４４を作成できる。

第１基準情報および第２基準情報は複数あることが考えられる。以下では、複数の第１基準情報を第１群、複数の第２基準情報を第２群とする。観測部３３および観測部４３でセンサ情報を一定時間ごとに切り出した場合や、与えられた第１基準情報、第２基準情報をある時間ごとに切り出し、それぞれ第１群、第２群とすることもできる。また、基準加工パラメータ２で複数回加工を行った場合、および、基準加工パラメータ２に複数組の加工パラメータが指定される場合も、第１基準情報および第２基準情報は複数となり、それぞれが第１群、第２群となる。

なお、基準加工パラメータ２に複数組の加工パラメータが指定されるとき、基準加工パラメータ２に設定された各加工パラメータによる加工を、第１加工装置と第２加工装置とで行い、各第１基準情報および各第２基準情報、すなわち第１群、第２群を得るものとする。

補正関数学習部１３は、第１群と第２群とを利用し、補正後の第２基準情報から抽出した特徴量の分布を、第１基準情報から抽出した特徴量の分布へ近づけるように、補正関数のパラメータを学習する。すなわち、補正関数学習部１３は、補正後の第２基準情報から抽出した特徴量の分布と、第１基準情報から抽出した特徴量の分布との分布間の距離が小さくなるよう、補正関数４４のパラメータを決定する。

複数の第１基準情報と複数の第２基準情報とを利用することで、第１基準情報と第２基準情報とをそれぞれ一つしか用いない場合に比べて、補正後の第２基準情報の特徴と第１基準情報の特徴とをより正確に近づけることができる。このため、補正関数学習部１３が正確な補正関数４４を学習でき、第２加工装置４において補正関数４４を利用した場合のモデル４５の出力の誤差を、より低減できる。

また、基準加工パラメータ２として複数組の加工パラメータを指定することで、複数の異なる状態による加工を元に補正関数を学習するため、１つの加工パラメータを基準加工パラメータ２に指定する場合に比べて、補正関数学習部１３が汎用性の高い補正関数４４を学習でき、第２加工装置４において補正関数４４を利用した場合のモデル４５の出力の誤差を小さくできる。

ここで、上記の分布間の距離は一般のものを利用でき、例えば、ＫＬ（Kullback-Leibler）ダイバージェンス、ＪＳ（Jensen-Shannon）ダイバージェンス、ヒストグラム交差法、Ｌ１距離、Ｌ２距離、ピアソン距離、相対ピアソン距離等があり、さらに、距離を計算する際に、一般の分布間距離の近似手法を用いてもよい。

また、特徴量の分布は確率密度関数と考えることもできる。例えば、ヒストグラム法、カーネル密度推定法、パラメトリックモデルに対する最尤法、パラメトリックモデルに対するベイズ推定法、混合分布を用いる方法、等といった一般の確率密度関数の推定手法を利用することができる。確率密度関数の推定手法と分布間の距離の計算方法と合わせて選択し、選択した各方法を補正関数学習部１３で利用する。

第１基準情報および第２基準情報がそれぞれ複数ある場合にも、前述したものと同様にラベルの一致を確認することは有効である。補正関数学習部１３は、第１群と、第２群とから、同一の加工パラメータかつ、同一のラベルが対応付けられた第１基準情報および第２基準情報を、それぞれ第１基準群、第２基準群として抽出する。そして、補正関数学習部１３は、第１基準群に含まれる第１基準情報の特徴量の分布を第１基準情報群の特徴とし、第２基準群に含まれる第２基準情報の特徴量の分布を第２基準情報群の特徴とし、補正関数４４を、補正後の第２基準情報群の特徴を第１基準情報群の特徴に近づけるように学習する。

これにより、第１基準情報の特徴と第２基準情報の特徴との間に発生した差は、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差が原因で発生したものと判断できる。このようにすることで、補正関数学習部１３は、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差の影響、すなわち、第１加工装置３で得られるセンサ情報と第２加工装置４で得られるセンサ情報との差を、ラベルの一致を確認しない場合に比べてより正確に補正可能な補正関数４４を作成できる。

このとき、基準加工パラメータ２とする各加工パラメータとラベルとの組に対して、第１基準群と第２基準群との間でデータ数の偏りがあると、分布（確率密度関数）を求めた場合に、データ数の偏りによって分布（確率密度関数）が偏ることで、補正関数４４の学習に影響が発生する場合がある。すなわち、学習した補正関数が、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差を正確に補正できない場合がある。

そこで、補正関数学習部１３は、第１群と、第２群とから、同一の加工パラメータかつ、同一のラベルが対応した第１基準情報と、第２基準情報とを、それぞれ同じ割合になるよう抽出し、それぞれ第１基準群、第２基準群とする。例えば、基準加工パラメータに加工パラメータＡ，Ｂが含まれ、センサ情報に付与されるラベルがＬ１，Ｌ２のいずれかであるとした場合、補正関数学習部１３は、加工パラメータＡかつラベルＬ１の第１基準情報、加工パラメータＡかつラベルＬ２の第１基準情報、加工パラメータＢかつラベルＬ１の第１基準情報、および、加工パラメータＢかつラベルＬ２の第１基準情報を１：２：１：２の割合で抽出する場合、加工パラメータＡかつラベルＬ１の第２基準情報、加工パラメータＡかつラベルＬ２の第２基準情報、加工パラメータＢかつラベルＬ１の第２基準情報、および、加工パラメータＢかつラベルＬ２の第２基準情報も１：２：１：２の割合で抽出する。このとき、同一の加工パラメータかつ、同一のラベルが対応した第１基準情報と、第２基準情報とを、それぞれ同数になるよう抽出し、それぞれ第１基準群、第２基準群とすることもできる。そして、補正関数学習部１３は、第１基準群に含まれる第１基準情報の特徴量の分布を第１基準情報群の特徴とし、第２基準群に含まれる第２基準情報の特徴量の分布を第２基準情報群の特徴とし、補正関数４４を、補正後の第２基準情報群の特徴を第１基準情報群の特徴に近づけるように学習する。

これにより、第１基準群と、第２基準群と、で各加工パラメータとラベルとの組において、データ数の偏りによる分布の偏りをなくすことができる。そのため、同一の加工パラメータかつ、同一のラベルが対応した第１基準情報と、第２基準情報と、をそれぞれ第１基準群、第２基準群として抽出する場合に比べて、第１加工装置３および第２加工装置４における工具、ワーク、センサ等の個体差を、ラベルの一致を確認しない場合に比べてより正確に補正できる。

図６を用いて、補正関数学習部１３が、第１群と、第２群と、から、同一の加工パラメータかつ、同一のラベルが対応した第１基準情報と、第２基準情報とを、それぞれ同数抽出し、第１基準情報群と第２基準情報群とする動作の具体例を説明する。なお、図６は、学習装置１の補正関数学習部１３が補正関数４４の学習に用いるデータを選択する動作の一例を説明するための図である。

図６に示す例では、第１群は、６つの第１基準情報＃１～＃６が、加工パラメータＡ～Ｃおよびラベル１～２と対応付けられている。第２群は、４つの第２基準情報＃１～＃４が、加工パラメータＡ～Ｂおよびラベル１～２と対応付けられている。

この場合、第１群と第２群とを比較すると、第１群と第２群とで、同じ加工パラメータかつ、同じラベルと対応付けられた第１基準情報および第２基準情報は、加工パラメータがＡかつラベルが１のものと、加工パラメータがＢかつラベルが２のものである。

補正関数学習部１３は、加工パラメータがＡかつラベルが１のものが、第１群、第２群にそれぞれ２個ずつ存在するため、これらを第１基準情報群と、第２基準情報群に加える。具体的には、補正関数学習部１３は、第１群から第１基準情報＃１および第１基準情報＃３を抽出して第１基準情報群に加え、第２群から第２基準情報＃１および第２基準情報＃２を抽出して第２基準情報群に加える。

また、加工パラメータがＢかつラベルが２のものは、第１群には１つ、第２群には２つ存在するので、同数を抽出する場合、補正関数学習部１３は、第２群からは、どちらか１つを適当に選択する。なお、選択方法はランダムでもよいし、好きなものを選択してもよい。具体的には、補正関数学習部１３は、第１群から第１基準情報＃５を抽出して第１基準情報群に加え、第２群から第２基準情報＃３を抽出して第２基準情報に加える。

また、モデル４５の学習のためのデータ取得を複数の第１加工装置３で行った場合、すなわち、第１加工装置３が複数ある場合は、各第１加工装置３の第１基準情報に対して、各第１基準情報から特徴量の抽出を行い、各第１基準情報の特徴量の平均値や中央値を、第１基準情報から抽出した特徴量として扱うこともできる。一例では、補正関数学習部１３は、特徴量を平均値として、補正後の第２基準情報から抽出した平均値を、各第１基準情報の平均値へ近づけるように、補正関数４４のパラメータを学習する。

本実施の形態における補正関数４４の学習では、モデル４５の作成時に利用したデータベース５の全部を記憶しておく必要がなく、学習装置１の記録部１１に第１基準情報のみを記録すればよいため、記録部１１の記憶容量が小さい場合でも実施可能である。

加工装置の個体差を補正する他の手法として、学習用のセンサ情報を、モデル４５を適用する加工装置に合わせて補正し、再度モデル４５の学習を行う手法や、加工装置１台ごとにセンサ情報を取得し、モデル４５の学習を行う手法が考えられる。しかし、これらの手法では、モデル４５の学習を行うために、多数のデータを記録しておき、多数のデータを用いた学習の処理を行うため、大きな記憶容量が必要で計算負荷も大きく、処理に時間がかかる。

一方、本実施の形態における補正関数４４の学習は、基準加工パラメータ２による加工で得られた第１基準情報および第２基準情報で行うため、小さい記憶容量で実現できる。さらに、学習時させるデータ数が少ないために、計算負荷も小さく、高速に処理が行える。

また、第１基準情報と補正後の第２基準情報とをモデル４５へ入力し、出力が一致するように補正関数４４を学習することも考えられる。しかし、モデル４５にはニューラルネットまたは分岐木といった非線形なモデルが用いられることが多い。このため、補正関数４４の学習時には、補正関数４４の出力とモデル４５の出力との関係を得るために、第２基準情報を補正関数４４の候補へ入力し、得られた出力に対して、モデル４５の出力を多数得る必要があり、補正関数４４の学習が難しくなる。

一方、本実施の形態における補正関数４４の学習は、基準加工パラメータ２による加工で得られた第１基準情報および第２基準情報で行うため、補正関数４４の学習のためにモデル４５の出力を計算する必要がなく、第１基準情報と補正関数４４を適用した第２基準情報とが直接対応する。そのため、第１基準情報と補正後の第２基準情報とをモデル４５へ入力し、出力が一致するように補正関数４４を学習する場合に比べて、計算量が減り、より簡単に補正関数４４の学習が行える。

次に、学習装置１のハードウェア構成について説明する。図７は、学習装置１を実現するハードウェアの一例を示す図である。学習装置１は、図７に示すプロセッサ９１、メモリ９２およびインタフェース回路９３により実現することができる。

プロセッサ９１は、ＣＰＵ（Central Processing Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）ともいう）、システムＬＳＩ（Large Scale Integration）などである。メモリ９２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（登録商標）（Electrically Erasable Programmable Read Only Memory）、ハードディスクドライブなどである。インタフェース回路９３は、学習装置１が第１加工装置３、第２加工装置４などの外部の装置との間でデータの受け渡しを行うための回路である。ネットワークに接続し、ネットワーク経由で他の装置との間でデータの送受信などを行う回路をインタフェース回路９３が含んでいてもよい。

学習装置１の基準情報取得部１２および補正関数学習部１３は、これらの各部として動作するためのプログラムをプロセッサ９１が実行することにより実現される。基準情報取得部１２および補正関数学習部１３として動作するためのプログラムはメモリ９２に予め格納されている。プロセッサ９１は、上記プログラムをメモリ９２から読み出して実行することにより、基準情報取得部１２および補正関数学習部１３として動作する。記録部１１はメモリ９２により実現される。

なお、基準情報取得部１２および補正関数学習部１３として動作するためのプログラムは、メモリ９２に予め格納されていることを想定するがこれに限定されない。上記のプログラムは、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭなどの記録媒体に書き込まれた状態で学習装置１のユーザに供給され、ユーザが上記プログラムをメモリ９２にインストールする形態であってもよい。この場合、学習装置１を実現するハードウェアは、記録媒体からプログラムを読み出すための読み取り装置を更に含む。インタフェース回路９３に読み取り装置を接続してプログラムをインストールする形態としてもよい。また、上記のプログラムは、ネットワークを介してサーバから提供される形態であってもよい。

以上説明したように、本実施の形態にかかる学習装置１は、基準加工パラメータ２を設定した第１加工装置３の加工動作を観測して得られるセンサ情報である第１基準情報と、基準加工パラメータ２を設定した第２加工装置４の加工動作を観測して得られるセンサ情報である第２基準情報とを用い、第１基準情報と第２基準情報との関係を学習して、第２加工装置４が第１加工装置３と同じ加工パラメータで加工動作を行った場合に得られるセンサ情報が、第１加工装置３で得られるセンサ情報に近づくように、第２加工装置４で得られるセンサ情報を補正する補正関数４４を生成する。これにより、第１加工装置３の動作結果等をセンサ情報に基づいて判定する学習モデルを第２加工装置４の動作結果等の判定にも用いることが可能となる。すなわち、第１加工装置３の動作を観測して学習した学習モデルを第２加工装置４に適用した場合に学習モデルの判定精度が低下するのを防止できる。

実施の形態２．
実施の形態２では、実施の形態１との相違点を主に説明する。なお、本実施の形態の説明で用いる各図において、同じ番号が付され、特に説明のない構成要素は、実施の形態１で説明したものと同様である。

実施の形態２は、実施の形態１で説明した加工システム１００の第１加工装置３に含まれる観測部３３および第２加工装置４に含まれる観測部４３が異なる。具体的には、観測部３３を図８に示す観測部３３ａとし、観測部４３を図９に示す観測部４３ａとしたものである。

これ以降の説明では、実施の形態１と区別するため、実施の形態２にかかる加工システム、第１加工装置、第２加工装置および学習装置を、それぞれ、加工システム１００ａ、第１加工装置３ａ、第２加工装置４ａおよび学習装置１ａと称する。

図８は、実施の形態２にかかる加工システム１００ａの第１加工装置３ａに含まれる観測部３３ａの構成例を示す図である。図９は、実施の形態２にかかる加工システム１００ａの第２加工装置４ａに含まれる観測部４３ａの構成例を示す図である。

第１加工装置３ａの観測部３３ａは、センサ３３１および特徴量抽出部３３２を備え、第２加工装置４ａの観測部４３ａは、センサ４３１および特徴量抽出部３３２を備える。なお、特徴量抽出部３３２は、処理の内容を意味しており、観測部３３ａおよび観測部４３ａの双方で処理を実行して特徴量を抽出する、という意味で同じ符号としている。特徴量抽出部３３２は、センサ３３１，４３１から出力されるセンサ信号に対する処理の順番が入れ替わらない範囲で、観測部３３ａ，４３ａの外側に設けることもできる。

観測部３３ａの特徴量抽出部３３２は、センサ３３１から出力されるセンサ信号を受け取り、センサ信号から特徴量を抽出して、センサ信号の特徴量をセンサ情報として出力する。同様に、観測部４３ａの特徴量抽出部３３２は、センサ４３１から出力されるセンサ信号を受け取り、センサ信号から特徴量を抽出して、センサ信号の特徴量をセンサ情報として出力する。

また、観測部３３ａ，４３ａは、センサ３３１，４３１から得られるセンサ信号を一定の時間ごとに切り出し、切り出したセンサ信号の特徴量をセンサ情報として出力するのが一般的である。観測部３３ａ，４３ａは、さらに加工動作中かどうかの判断を行い、加工動作中のみセンサ情報を出力したり、特定の動作の開始や終了を検出した時にセンサ信号を切り出して特徴量の抽出を行い、センサ情報として出力したり、することもできる。

実施の形態２では、センサ情報はセンサ信号の特徴量である。そのため、実施の形態１で説明したように、センサ情報とラベルとの関係を学習したモデル４５は、センサ信号の特徴量とラベルとの関係を学習したモデルである。また、同様に補正関数４４は、センサ信号の特徴量の補正を行う関数である。そのため、補正関数４４は、センサ信号の特徴量に対して、例えば、各特徴量に対するオフセットの加算、定数倍、特徴量空間での平行移動、特徴量空間での回転、等の処理、およびこれらの処理の組み合わせである。補正関数４４は、特徴量空間に対して全単射である関数であることが望ましい。

補正関数４４の作成方法は、実施の形態１で説明した「第１基準情報の特徴」が「第１基準情報」であり、「第２基準情報の特徴」が「第２基準情報」であると解釈することで、実施の形態１で説明したものと同様とできる。

実施の形態２にかかる学習装置１ａにおいて、記録部１１は、第１加工装置３ａにおいて、基準加工パラメータ２で計測したセンサ信号の特徴量である第１基準情報を記録し、基準情報取得部１２は、第２加工装置４ａにおいて、基準加工パラメータ２による加工を実行した際のセンサ信号の特徴量である第２基準情報を取得し、補正関数学習部１３は、補正関数４４を、補正後の第２基準情報を第１基準情報に近づけるように学習する。

以上説明したように、本実施の形態にかかる加工システム１００ａにおいて、第１加工装置３ａの観測部３３ａおよび第２加工装置４ａの観測部４３ａは、センサ信号の特徴量を抽出する特徴量抽出部３３２を備える。実施の形態２にかかる学習装置１ａによれば、記録部１１にセンサ信号の特徴量であるセンサ情報を記録しておけばよい。一般にセンサ信号のデータ容量よりも、センサ信号の特徴量のデータ容量は小さいことから、センサ信号を保存する場合に比べて、小さい保存容量で実施できる。また、同様の理由で、補正関数４４の学習においても、センサ信号に対する補正を学習する場合に比べて、学習に必要な計算量が小さくなり、高速に処理が行える。

さらに、実施の形態１のようにセンサ信号を補正する補正関数を学習する場合は、センサ信号に仮の補正関数を適用し、特徴量抽出を行った後に特徴の比較を行うことで学習を行うが、実施の形態２のように特徴量を直接補正する場合は、比較のために特徴量の抽出を行う必要がない。そのため、実施の形態２は、実施の形態１のようにセンサ信号を補正する場合に比べて、補正関数４４の学習が簡単に行える。

実施の形態３．
実施の形態３では、実施の形態１および２との相違点を主に説明する。なお、本実施の形態の説明で用いる各図において、同じ番号が付され、特に説明のない構成要素は、実施の形態１で説明したものと同様である。

図１０は、実施の形態３にかかる加工システム１００ｂの構成例を示す図である。加工システム１００ｂは、学習装置１ｂと、第１加工装置３と、Ｎ台（Ｎは１以上の整数）の第２加工装置４－１～４－Ｎと、データベース５と、汎化モデル８とを含んで構成される。第２加工装置４－１～４－Ｎは実施の形態１で説明した第２加工装置４と同様の加工装置である（図１参照）。図１０では、第２加工装置４－１～４－Ｎの観測部４３以外の構成要素の記載を省略している。なお、これ以降の説明では、第２加工装置４－１～４－Ｎを纏めて第２加工装置４と称する場合がある。

学習装置１ｂは、記録部１１、基準情報取得部１２、補正関数学習部１３、逆補正関数作成部１４、個体模擬データ作成部１５および汎化モデル学習部１６を備える。学習装置１１ｂは、実施の形態１にかかる学習装置１に対し、逆補正関数作成部１４、個体模擬データ作成部１５および汎化モデル学習部１６を追加した構成である。また、学習装置１ｂは、実施の形態１で説明したデータベース５を利用する。

ここで、各第２加工装置４には、それぞれ、工具、ワーク、センサ等の個体差が存在すると考えられる。実施の形態３にかかる学習装置１ｂは、これらの個体差があっても、出力への影響が小さく、汎化性能の高いモデルである汎化モデル８を作成する。なお、汎化モデル８は、各第２加工装置４に適用され、各第２加工装置４の動作結果を予測する。動作結果の一例は加工結果である。

記録部１１は、実施の形態１と同様に、第１加工装置３の観測部３３から取得したセンサ情報である第１基準情報を記録する。なお、図１０では記載を省略しているが、第１基準情報は、実施の形態１と同様に、基準加工パラメータ２で第１加工装置３が加工動作を実行した場合に得られるセンサ情報である。

基準情報取得部１２は、各第２加工装置４－１～４－Ｎの観測部４３から出力されるセンサ情報を第２基準情報として取得する。第２基準情報として取得するセンサ情報は、基準加工パラメータ２で第２加工装置４－１～４－Ｎが加工動作を実行した場合に得られるセンサ情報である。

補正関数学習部１３は、記録部１１で記録されている第１基準情報と、基準情報取得部１２が取得した第２基準情報とを用いて、実施の形態１と同様の学習方法で補正関数を学習する。

逆補正関数作成部１４は、補正関数学習部１３で学習した補正関数の逆関数である逆補正関数を作成する。なお、補正関数学習部１３で学習する補正関数は、可逆な関数であるものとする。

個体模擬データ作成部１５は、逆補正関数作成部１４で作成した逆補正関数を用いて個体模擬データを作成する。具体的には、個体模擬データ作成部１５は、第１加工装置３で取得したセンサ情報とラベルとが記録されたデータベース５から、センサ情報と対応するラベルとを取り出し、センサ情報に各逆補正関数を適用して個体模擬情報を作成し、センサ情報に対応するラベルと対応付けて個体模擬データを作成する。個体模擬データ作成部１５が作成した個体模擬データは汎化モデル学習部１６で利用される。

汎化モデル学習部１６は、データベース５に登録されたセンサ情報と、個体模擬データ作成部１５で作成された個体模擬データとに基づいて汎化モデル８を作成する。具体的には、汎化モデル学習部１６は、データベース５からセンサ情報を取り出すとともに、個体模擬データから個体模擬情報を取り出し、取り出したセンサ情報および個体模擬情報と対応するラベルとの関係を学習することで汎化モデル８を作成する。

汎化モデル８は、一般の機械学習モデルであればよく、一例ではニューラルネットワークである。他の例では、分岐木、サポートベクターマシン、等であり、モデルの目的に応じて一般の回帰モデル、分類モデルを利用できる。また、汎化モデル８の出力は、一例では加工の良否を数値化したものである。他の例では、加工装置の異常度合い、加工装置の異常判定情報、工具の摩耗度合い、加工パラメータの値、等、である。

学習装置１ｂは、その一部、または全部が、各第２加工装置４に備えられてもよいし、各第２加工装置４の外部に設けられてもよい。また、各第２加工装置４がネットワークを介してクラウドに接続され、クラウドサーバの処理回路で、学習装置１ｂの全部または一部を実施する構成とすることもできる。例えば、ネットワーク接続を介して、クラウドサーバで学習装置１ｂの一部を構成する場合、記録部１１、基準情報取得部１２、補正関数学習部１３および逆補正関数作成部１４をそれぞれネットワーク接続されたクラウドサーバに備えることもできるし、各第２加工装置４に備えることもできる。個体模擬データ作成部１５および汎化モデル学習部１６も、データベース５のデータを利用できる範囲であれば、自由に配置できる。また、各第２加工装置４に対して、基準情報取得部１２で取得する第２基準情報、補正関数学習部１３が学習した補正関数、もしくは、逆補正関数作成部１４で作成した逆補正関数を、人手によって収集して、データベース５と接続された電子計算機に集め、この電子計算機で学習装置１ｂの全部の処理または一部の処理を実施する構成としてもよい。

第２加工装置４は少なくとも１台あれば、学習装置１ｂを構成できるが、２台より多くの第２加工装置４を用意し、学習装置１ｂを構成することが望ましい。これは、様々な第２加工装置４の個体差を学習できるよう学習装置１ｂを構成するためであり、第２加工装置４の台数が多くなるほど、汎化モデル学習部１６において汎化性の高い汎化モデル８を作成できる。

学習装置１ｂが作成した汎化モデル８は、ネットワークや人手を介して第２加工装置４に適用する。汎化モデル８を適用する対象の第２加工装置４には、学習装置１ｂが汎化モデル８の作成に用いた第２基準情報を取得していない第２加工装置４が含まれていてもよい。すなわち、汎化モデル８を新しい第２加工装置４へ搭載することもできる。第２加工装置４が実施の形態１で説明したモデル４５の代わりに汎化モデル８を備える場合、汎化モデル８を備える第２加工装置４における補正関数４４は、観測部４３から入力されるセンサ情報をそのまま出力し、汎化モデル８へ入力させる。

以上説明したように、本実施の形態にかかる学習装置１ｂにおいて、逆補正関数作成部１４は、実施の形態１で説明した補正関数学習部１３が作成する補正関数の逆関数である逆補正関数を作成し、個体模擬データ作成部１５は、逆補正関数と、第１加工装置３の状態を観測して得られるセンサ情報と、センサ情報に付されたラベルとを用いて個体模擬データを作成し、汎化モデル学習部１６は、センサ情報と、個体模擬データとに基づいて汎化モデル８を作成する。本実施の形態によれば、第２加工装置４が複数存在し、これらが個体差を有する場合であっても、汎化モデル８を適用することで、個体差の影響を抑制して精度の高い出力を得ることができる。すなわち、汎化性の高い汎化モデル８を作成できる。

なお、学習装置１ｂの構成要素の一部、例えば、補正関数学習部１３を第２加工装置４－１～４－Ｎのそれぞれが備える構成とする場合、学習装置１ｂは、第２基準情報の代わりに、第２加工装置４－１～４－Ｎのそれぞれで作成された補正関数を取得し、取得した補正関数を用いて逆補正関数作成部１４が逆補正関数を作成する。また、補正関数学習部１３および逆補正関数作成部１４を第２加工装置４－１～４－Ｎのそれぞれが備える構成とする場合、学習装置１ｂは、第２基準情報の代わりに、第２加工装置４－１～４－Ｎのそれぞれで作成された逆補正関数を取得し、取得した逆補正関数を用いて個体模擬データ作成部１５が個体模擬データを作成する。

本実施の形態にかかる学習装置１ｂでは、少なくとも１台の第２加工装置４から第２基準情報、補正関数、もしくは逆補正関数のみを集めており、各第２加工装置４から様々なセンサ情報を集める場合に比べて、各第２加工装置４から収集するデータ数が少ない。すなわち、学習のために収集するデータの容量を小さくできる。そのため、データの収集に要する時間が短く、また、大きな記憶領域が不要となる。また、高速なネットワークを構成する必要が無いため、各第２加工装置４からのデータの取得が容易となる。

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。

１，１ｂ 学習装置、２ 基準加工パラメータ、３ 第１加工装置、４，４－１，４－Ｎ 第２加工装置、５ データベース、６ モデル学習部、８ 汎化モデル、１１ 記録部、１２ 基準情報取得部、１３ 補正関数学習部、１４ 逆補正関数作成部、１５ 個体模擬データ作成部、１６ 汎化モデル学習部、３１，４１ 工具、３２，４２ ワーク、３３，３３ａ，４３，４３ａ 観測部、４４ 補正関数、４５ モデル、５０ モデル作成装置、１００，１００ｂ 加工システム、３３１，４３１ センサ、３３２ 特徴量抽出部。

Claims (14)

1. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合において、
   前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
   前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
   前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習する補正関数学習部と、
   を備え、
   前記補正関数学習部は、前記第１基準情報の特徴量の分布を前記第１基準情報の前記特徴として使用し、前記第２基準情報の特徴量の分布を前記第２基準情報の前記特徴として使用して前記学習を行う、
   ことを特徴とする学習装置。
2. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合において、
   前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
   前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
   前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習する補正関数学習部と、
   を備え、
   前記記録部は、さらに、前記第１基準情報に対応する前記ラベルを記録し、
   前記補正関数学習部は、前記基準情報取得部が取得した前記第２基準情報に対応付けられたラベルと同じラベルに対応する前記第１基準情報を前記記録部から選択し、選択した前記第１基準情報と、前記基準情報取得部が取得した前記第２基準情報とを使用して前記学習を行う、
   ことを特徴とする学習装置。
3. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合において、
   前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
   前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
   前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習する補正関数学習部と、
   を備え、
   前記基準加工パラメータは、複数組の前記加工パラメータであって、
   前記記録部は、前記第１加工装置が前記基準加工パラメータに含まれる各加工パラメータによる加工を実行した際の各前記センサ情報である前記第１基準情報と、各前記第１基準情報に対応する各前記ラベルと、を第１群として記録し、
   前記基準情報取得部は、前記第２加工装置が前記基準加工パラメータに含まれる各加工パラメータによる加工を実行した際の各前記センサ情報である前記第２基準情報と、各前記第２基準情報に対応する前記ラベルと、を第２群として取得し、
   前記補正関数学習部は、
   前記第１群および前記第２群から、同一の前記加工パラメータにより加工を行う際に作成され、かつ、同一の前記ラベルが対応付けられた前記第１基準情報および前記第２基準情報をそれぞれ、第１基準群および第２基準群として抽出し、
   前記第１基準群に含まれる前記第１基準情報の特徴量の分布を前記第１基準情報の前記特徴として使用し、
   前記第２基準群に含まれる前記第２基準情報の特徴量の分布を前記第２基準情報の前記特徴として使用して前記学習を行う、
   ことを特徴とする学習装置。
4. 前記補正関数学習部は、前記第１群および前記第２群から、同一の前記加工パラメータにより加工を行う際に作成され、かつ、同一の前記ラベルが対応付けられた前記第１基準情報および前記第２基準情報をそれぞれ同じ割合になるよう抽出して、前記第１基準群および前記第２基準群とする、
   ことを特徴とする請求項３に記載の学習装置。
5. 前記補正関数学習部は、前記第１群および前記第２群から、同一の前記加工パラメータにより加工を行う際に作成され、かつ、同一の前記ラベルが対応付けられた前記第１基準情報および前記第２基準情報をそれぞれ同じ数だけ抽出して、前記第１基準群および前記第２基準群とする、
   ことを特徴とする請求項３に記載の学習装置。
6. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合において、
   前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
   前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
   前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習する補正関数学習部と、
   を備え、
   前記基準情報取得部は、少なくとも１台の前記第２加工装置において、前記基準加工パラメータによる加工を実行した際の前記センサ情報を前記第２基準情報として取得し、
   前記補正関数学習部は、前記第２加工装置の各々について個別に、前記補正関数を学習し、
   前記補正関数の逆関数である逆補正関数を作成する逆補正関数作成部と、
   前記第１加工装置の前記観測部で取得した前記センサ情報に前記逆補正関数を作用させて個体模擬情報を作成し、前記個体模擬情報を前記個体模擬情報の作成に用いた前記センサ情報に対応するラベルと対応付けて個体模擬データを作成する個体模擬データ作成部と、
   前記第１加工装置の前記観測部で取得した前記センサ情報および前記個体模擬情報と、対応する前記ラベルとの関係を学習して汎化モデルを作成する汎化モデル学習部と、
   を備え、
   前記汎化モデルを前記第２加工装置で利用する前記モデルとする、
   ことを特徴とする学習装置。
7. 請求項１から３、６のいずれか１項に記載の学習装置を備え、前記第２加工装置として動作する加工装置を制御する数値制御装置であって、
   前記補正関数を使用した前記補正を行う前の前記センサ情報、および、前記補正関数を使用した前記補正を行った後の前記センサ情報のいずれを前記第２加工装置において利用する前記モデルに入力させるかの選択を利用者から受け付ける入力部と、
   を備えることを特徴とする数値制御装置。
8. 前記入力部が前記選択を利用者から受け付ける際に、前記補正を行う前の前記センサ情報を入力させた場合の前記モデルの出力と、前記補正を行った後の前記センサ情報を入力させた場合の前記モデルの出力と、を表示する表示部、
   を備えることを特徴とする請求項７に記載の数値制御装置。
9. 請求項１から３のいずれか１項に記載の学習装置を備え、前記第２加工装置として動作する加工装置を制御する数値制御装置であって、
   動作中の前記第２加工装置で取得される前記センサ情報を前記補正関数で補正し、補正後の前記センサ情報を前記モデルへ入力して出力を得ることを特徴とする数値制御装置。
10. 請求項６に記載の学習装置で作成された前記汎化モデルを備え、前記第２加工装置として動作する加工装置を制御する数値制御装置であって、
    動作中の前記第２加工装置で取得される前記センサ情報を前記汎化モデルへ入力して出力を得ることを特徴とする数値制御装置。
11. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合の加工結果予測方法であって、
    記録部が、前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録するステップと、
    基準情報取得部が、前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得するステップと、
    補正関数学習部が、前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習するステップと、
    前記補正関数が、加工中の前記第２加工装置から取得された前記センサ情報を補正するステップと、
    前記モデルが、前記補正関数により補正された前記センサ情報に基づいて、前記第２加工装置による加工結果を予測するステップと、
    を含み、
    前記補正関数学習部は、前記第１基準情報の特徴量の分布を前記第１基準情報の前記特徴として使用し、前記第２基準情報の特徴量の分布を前記第２基準情報の前記特徴として使用して前記学習を行う、
    ことを特徴とする加工結果予測方法。
12. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を備える加工装置である第１加工装置の前記観測部が取得した前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第１加工装置と異なる前記加工装置である第２加工装置で利用する場合の加工結果予測方法であって、
    記録部が、前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録するステップと、
    基準情報取得部が、前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得するステップと、
    補正関数学習部が、前記第２加工装置において前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数を、補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように学習するステップと、
    前記補正関数が、加工中の前記第２加工装置から取得された前記センサ情報を補正するステップと、
    前記モデルが、前記補正関数により補正された前記センサ情報に基づいて、前記第２加工装置による加工結果を予測するステップと、
    を含み、
    前記記録部は、さらに、前記第１基準情報に対応する前記ラベルを記録し、
    前記補正関数学習部は、前記基準情報取得部が取得した前記第２基準情報に対応付けられたラベルと同じラベルに対応する前記第１基準情報を前記記録部から選択し、選択した前記第１基準情報と、前記基準情報取得部が取得した前記第２基準情報とを使用して前記学習を行う、
    ことを特徴とする加工結果予測方法。
13. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を有する第１加工装置と、
    前記第１加工装置の前記観測部と同様の観測部、および、該観測部が取得する前記センサ情報に基づいて予測を行うモデルを有する第２加工装置と、
    前記第１加工装置の前記観測部で取得された前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第２加工装置で利用する場合において、前記第２加工装置の前記観測部で取得された前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数の学習を行う学習装置と、
    を備え、
    前記学習装置は、
    前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
    前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
    補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように前記補正関数を学習する補正関数学習部と、
    を備え、
    前記補正関数学習部は、前記第１基準情報の特徴量の分布を前記第１基準情報の前記特徴として使用し、前記第２基準情報の特徴量の分布を前記第２基準情報の前記特徴として使用して前記学習を行う、
    ことを特徴とする加工システム。
14. 加工パラメータに従って加工を行い加工中にワークの状態、加工装置の状態のうちの少なくともいずれか一方の観測結果を示すセンサ信号、前記センサ信号の特徴量のうちのいずれか一方をセンサ情報として取得する観測部を有する第１加工装置と、
    前記第１加工装置の前記観測部と同様の観測部、および、該観測部が取得する前記センサ情報に基づいて予測を行うモデルを有する第２加工装置と、
    前記第１加工装置の前記観測部で取得された前記センサ情報と前記センサ情報に対応するラベルとを関連付けて学習したモデルを前記第２加工装置で利用する場合において、前記第２加工装置の前記観測部で取得された前記センサ情報を補正した後に前記モデルに入力する場合の前記補正に使用する補正関数の学習を行う学習装置と、
    を備え、
    前記学習装置は、
    前記第１加工装置において前記加工パラメータの一つである基準加工パラメータによる加工を実行した際の前記センサ情報を第１基準情報として記録する記録部と、
    前記第２加工装置において前記基準加工パラメータによる加工を実行した際の前記センサ情報を第２基準情報として取得する基準情報取得部と、
    補正後の前記第２基準情報の特徴が前記第１基準情報の特徴に近づくように前記補正関数を学習する補正関数学習部と、
    を備え、
    前記記録部は、さらに、前記第１基準情報に対応する前記ラベルを記録し、
    前記補正関数学習部は、前記基準情報取得部が取得した前記第２基準情報に対応付けられたラベルと同じラベルに対応する前記第１基準情報を前記記録部から選択し、選択した前記第１基準情報と、前記基準情報取得部が取得した前記第２基準情報とを使用して前記学習を行う、
    ことを特徴とする加工システム。

Images