JP7380107B2 - 品質予測システム - Google Patents

Description

本発明は、品質予測システムに関する。

特許文献１には、工具交換装置に対する工具の取付状態に基づいて適切に工具交換の異常を検知することが可能な異常検知装置が開示されている。当該異常検知装置においては、工具交換装置に取り付けられた工具の工具重量データ及び工具バランスに係る工具バランスデータと、工具交換時の状態に係る工具交換状態データとを関係づける機械学習を行っている。

特開２０１９－３８０７４号公報

しかしながら、上記特許文献１の異常検知装置は、工具交換装置に取り付けられた工具の工具重量データ及び工具バランスに係る工具バランスデータと、工具交換時の状態に係る工具交換状態データとを関係づける機械学習のみを行う。即ち、上記特許文献１の異常検知装置は、工具交換の要否を判別することに特化している。

ところで、工作物に機械加工を施す場合、工具交換の要否を判断することは工作物の品質に影響を与える点で重要であるものの、それ以外にも品質に影響を与える種々の事象が存在する。このため、種々の事象に対して上記特許文献１の異常検知装置を適用することを想定した場合、例えば、発生した事象毎に作業者が各種データの相関性を判断して異常検知装置に機械学習を行わせる必要があり、時間を要すると共に極めて煩雑である。従って、特に品質を予測する際には、発生する種々の事象に対応できるように、汎用性を有することが望まれている。

本発明は、汎用性に優れた品質予測システムを提供することを目的とする。

品質予測システムは、制御装置の制御により複数の加工工程を経て工作物の機械加工を行う加工機と、加工機による機械加工において観測可能な状態データを検出し、検出した状態データを制御装置に出力する検出器と、加工工程毎において検出器により検出され且つ制御装置を介して取得した状態データの特徴量を説明変数とし、機械加工による工作物の加工品質に関連する品質関連データを目的変数とし、説明変数及び目的変数を含む訓練データセットを用いて機械学習を行うことにより生成された学習済みモデルを、加工工程毎に記憶する学習済みモデル記憶部と、予測対象の加工工程に対応する学習済みモデルと予測対象の加工工程における加工中に検出された状態データとを用いて、予測対象の加工工程における工作物の加工品質を予測する品質予測部と、を備える。

これによれば、品質予測システムは、複数の加工工程の加工工程毎において検出された状態データについて特徴量を抽出し、抽出した特徴量を用いて加工工程毎の学習済みモデルを生成することができる。このように、加工工程毎に特徴量を抽出して学習済みモデルを生成することにより、汎用性を有して客観的に且つ正確に工作物の品質を予測することができる。

品質予測システムの構成を示す図である。 加工機の一例を示す図である。 品質予測システムの機能ブロック構成を示す図である。 制御装置から出力されるデータフォーマットを説明する図である。 研削工程（加工工程）を構成する粗研削工程の空研期間を説明する図である。 研削工程（加工工程）を構成する精研削工程において、砥石車を回転させる駆動電流値及び工作物の表面粗さの時間変化を示すグラフである。 研削工程（加工工程）毎の駆動電流値の時間変化を示すグラフである。 特徴量の寄与度（寄与率）を説明するヒストグラムである。 別例に係り、品質予測システムの機能ブロック構成を示す図である。

（１．品質予測システムの適用対象の加工機）
品質予測システムは、複数の加工工程を経て工作物の機械加工を行う加工機による加工品質を予測する。ここで、加工品質とは、予め設定された品質基準に対するスコア、品質異常の有無、或いは、加工品質に影響を及ぼす工具の寿命等を含む。尚、工具の寿命は、工具が完全に使用不可となる状態のみならず、例えば、工具を再研することや、砥石車のツルーイング、ドレッシング等の工具の修正を行う状態を含む。

加工機としては、研削加工を行う研削盤を対象に含む。研削盤による研削工程には、粗研削、精研削、微研削、スパークアウト等が含まれる。又、加工機としては、マシニングセンタ、旋盤、歯車加工装置等の切削加工を行う加工機を対象に含む。

（２．品質予測システム１の構成の概要）
品質予測システム１の構成の概要について、図１を参照して説明する。品質予測システム１は、少なくとも１台の加工機１０と、１つの演算装置（２０，３０）とを備える。加工機１０は、１台を対象としても良いし、図１に示すように、複数台を対象としても良い。本例では、品質予測システム１は、複数台の加工機１０を備える場合を例に挙げる。

加工機１０は、少なくとも、工具Ｔを用いて工作物Ｗの機械加工を行う加工機本体１１と、工作物Ｗの加工中に加工機本体１１において観測可能な状態データを検出する第一検出器１３とを備える。

演算装置（２０，３０）は、第一検出器１３により検出された状態データを用いて、機械学習を適用することにより、加工機１０によって機械加工された工作物Ｗの加工品質を予測する。図１においては、演算装置（２０，３０）は、学習処理装置２０と予測演算装置３０とにより構成され、学習処理装置２０と予測演算装置３０とは、独立した構成として示すが、１つの装置とすることもできる。又、演算装置（２０，３０）の一部又は全部は、加工機１０への組込みシステムとすることもできる。

本例では、学習処理装置２０と予測演算装置３０とは、独立した構成である場合を例に挙げる。又、学習処理装置２０は、所謂、サーバ機能を有しており、複数台の加工機１０と通信可能に接続されている。一方、予測演算装置３０は、各加工機１０に一対一で設けられ、各加工機１０に通信可能に接続されている。即ち、複数台の予測演算装置３０は、所謂、エッジコンピュータとして機能しており、高速演算処理を実現可能としている。

（３．品質予測システム１の構成の詳細）
品質予測システム１の構成について、図１を参照して、より詳細に説明する。品質予測システム１は、複数台の加工機１０、演算装置の一部として機能する１台の学習処理装置２０、演算装置の他の一部として機能する複数台の予測演算装置３０を備える。

それぞれの加工機１０は、上述したように、種々の加工機を適用可能である。加工機１０は、工具Ｔを用いて工作物Ｗの機械加工を行う加工機本体１１と、加工機本体１１を制御する制御装置１２と、第一検出器１３と、第二検出器１４と、インターフェース１５とを主に備える。

加工機本体１１は、工具Ｔを有し、工作物Ｗを支持し、工具Ｔと工作物Ｗとを相対的に移動させる構成を有する。即ち、加工機本体１１は、構造体及び構造体を駆動する駆動装置等を備える。制御装置１２は、ＣＮＣ装置及びＰＬＣ装置等を含む。制御装置１２は、加工機本体１１における駆動装置等を制御する。インターフェース１５は、加工機本体１１、制御装置１２、第一検出器１３及び第二検出器１４と、外部と通信可能とする機器である。尚、外部には、学習処理装置２０、及び、加工機１０によって機械加工された工作物Ｗを検査する検査装置２が含まれる。

第一検出器１３は、工作物Ｗの加工中に加工機本体１１における観測可能な工作物Ｗの加工動作（加工負荷や駆動装置の駆動負荷等）に関連する状態データを検出する。第一検出器１３は、例えば、工具Ｔと工作物Ｗとの相対的な位置（又は距離）データを検出する変位センサ、駆動装置としてのモータの駆動電流データを検出する電流センサ、加工機本体１１の構成部材の振動データを検出する振動センサ、加工中の音データを検出するマイクロフォン等である。即ち、第一検出器１３が検出する状態データは、例えば、位置データ、駆動電流データ、振動データ、音データ等である。

第二検出器１４は、工作物Ｗの加工中又は加工後に加工機本体１１における観測可能な工作物Ｗの加工品質に関連する品質関連データを検出する。第二検出器１４は、例えば、工作物Ｗの表面における色データを検出する画像センサ、工作物Ｗの加工面における表面粗さデータを検出する粗さセンサ、工作物Ｗの加工面における硬さデータを検出する硬さセンサ等である。

又、第二検出器１４は、工作物Ｗの加工品質に影響を及ぼす状態を検出するセンサ、例えば、工具Ｔの摩耗状態データを検出するセンサ（画像センサ）や加工機本体１１の動作状態に影響を与える異常の発生を表す異常発生データを検出するセンサ等である。即ち、第二検出器１４が検出する品質関連データは、工作物Ｗの加工品質に関連する、例えば、色データ、粗さデータ、硬さデータ等や、摩耗状態データ、異常発生データである。尚、検査装置２は、第二検出器１４が検出する品質関連データと同様に、機械加工された工作物Ｗの加工品質に関連する品質関連データを検出する。

学習処理装置２０は、プロセッサ２１、記憶装置２２、インターフェース２３等を備えて構成される。又、学習処理装置２０は、サーバ機能を有しており、複数台の加工機１０（例えば、離間した他の工場に設置された加工機１０を含む。）と通信可能に接続されている。

学習処理装置２０は、第一検出器１３により検出された状態データ、第二検出器１４又は／及び検査装置２から出力される品質関連データに基づいて、機械学習を適用することにより、工作物Ｗの品質を予測するための学習済みモデルを生成する。特に、学習処理装置２０は、第一検出器１３から時系列的に出力される状態データを加工工程毎に分割し、各々の状態データについて、例えば、統計演算により抽出した特徴量を用いて、加工工程毎に学習済みモデルを生成する。即ち、学習処理装置２０は、加工工程毎に複数の学習済みモデルを生成する。

例えば、学習処理装置２０においては、複数の加工工程において、１つの加工工程について少なくとも１つの学習済みモデルが生成されることによって、複数の学習済みモデルが生成される。即ち、学習処理装置２０は、個々の加工工程における加工品質が別々の加工品質であるとして、個々の加工工程のそれぞれに対する学習済みモデルを生成することにより、学習済みモデルを複数の加工工程の加工品質毎に生成する。

それぞれの予測演算装置３０は、プロセッサ３１、記憶装置３２、インターフェース３３等を備えて構成される。又、予測演算装置３０は、サーバとしての学習処理装置２０、及び、対応する加工機１０と通信可能に接続されている。

それぞれの予測演算装置３０は、それぞれの加工機１０に近接した位置に配置されており、所謂、エッジコンピュータとして機能する。予測演算装置３０は、学習処理装置２０により加工工程毎に生成された学習済みモデルを用いて、工作物Ｗの加工中に第一検出器１３によって検出された状態データに基づいて、工作物Ｗの加工品質を予測する。そして、本例においては、後述するように、予測演算装置３０は、工作物Ｗの加工品質を予測することにより、工作物Ｗの加工状態を生じさせる寄与度の高い特徴量を提示すると共に工具Ｔの修正についても提示する。

品質予測システム１は、更に、共通表示装置４０、複数の個別表示装置５０を備える。但し、品質予測システム１は、共通表示装置４０を備えない構成としても良いし、個別表示装置５０を備えない構成としても良い。共通表示装置４０は、学習処理装置２０に対応して配置されている。又、個別表示装置５０は、加工機１０のそれぞれに対応して配置されている。

（４．加工機本体１１の例）
加工機本体１１の一例として、研削加工を行う研削盤について、図２を参照して説明する。尚、加工機本体１１は、上述したように、研削盤は一例であり、他の加工に適用しても良い。

加工機本体１１である研削盤６０は、工作物Ｗを研削するための加工機である。研削盤６０は、円筒研削盤、カム研削盤等、種々の構成の研削盤を適用できる。本例においては、研削盤６０は、砥石台トラバース型の円筒研削盤を例に挙げる。但し、研削盤６０は、テーブルトラバース型を適用することもできる。

研削盤６０は、主として、ベッド６１、主軸台６２、心押台６３、トラバースベース６４、砥石台６５、砥石車６６（工具Ｔに相当）、定寸装置６７、砥石車修正装置６８、及び、クーラント装置６９を備える。

ベッド６１は、設置面上に固定されている。主軸台６２は、ベッド６１の上面において、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の一端側（図２の左側）に設けられている。主軸台６２は、工作物ＷをＺ軸回りに回転可能に支持する。工作物Ｗは、主軸台６２に設けられたモータ６２ａの駆動により回転される。心押台６３は、ベッド６１の上面において、主軸台６２に対してＺ軸方向に対向する位置、即ち、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の他端側（図２の右側）に設けられている。即ち、主軸台６２及び心押台６３が、工作物Ｗを回転可能に両端支持する。

トラバースベース６４は、ベッド６１の上面において、Ｚ軸方向に移動可能に設けられている。トラバースベース６４は、ベッド６１に設けられたモータ６４ａの駆動により移動する。砥石台６５は、トラバースベース６４の上面において、Ｘ軸方向に移動可能に設けられている。砥石台６５は、トラバースベース６４に設けられたモータ６５ａの駆動により移動する。砥石車６６は、砥石台６５に回転可能に維持されている。砥石車６６は、砥石台６５に設けられたモータ６６ａの駆動により回転する。砥石車６６は、複数の砥粒をボンド材により固定されて構成されている。

定寸装置６７は、工作物Ｗの寸法（径）を測定する。砥石車修正装置６８は、砥石車６６の形状を修正する。砥石車修正装置６８は、砥石車６６のツルーイングを行う装置である。砥石車修正装置６８は、ツルーイングに加えて又は代えて、砥石車６６のドレッシングを行う装置としても良い。更に、砥石車修正装置６８は、砥石車６６の寸法（径）を測定する機能も有する。

ここで、ツルーイングは、形直し作業であり、研削によって砥石車６６が摩耗した場合に工作物Ｗの形状に合わせて砥石車６６を成形する作業、偏摩耗によって砥石車６６の振れを取り除く作業等である。ドレッシングは、目直し（目立て）作業であり、砥粒の突き出し量を調整したり、砥粒の切れ刃を創成したりする作業である。ドレッシングは、目つぶれ、目詰まり、目こぼれ等を修正する作業であって、通常ツルーイング後に行われる。

クーラント装置６９は、砥石車６６による工作物Ｗの研削点にクーラントを供給する。クーラント装置６９は、回収したクーラントを、所定温度に冷却して、再度研削点に供給する。

研削盤６０に設けられる制御装置１２は、工作物Ｗの形状、加工条件、砥石車６６の形状、クーラントの供給タイミング情報等の作動指令データに基づいて生成されたＮＣプログラムに基づいて、各駆動装置を制御する。即ち、制御装置１２は、動作指令データを入力し、動作指令データに基づいてＮＣプログラムを生成し、ＮＣプログラムに基づいて各モータ６２ａ，６４ａ，６５ａ，６６ａ及びクーラント装置６９等を制御することにより工作物Ｗの研削を行う。特に、制御装置１２は、定寸装置６７により測定される工作物Ｗの径に基づいて、工作物Ｗが仕上げ形状となるまで研削を行う。又、制御装置１２は、砥石車６６を修正するタイミングにおいて、各モータ６４ａ，６５ａ，６６ａ、及び、砥石車修正装置６８等を制御することにより、砥石車６６の修正（ツルーイング及びドレッシング）を行う。

（５．品質予測システム１の機能ブロック構成）
品質予測システム１の機能ブロックについて、図３を参照して説明する。品質予測システム１は、制御装置１２、第一検出器１３、第二検出器１４、学習処理装置２０、予測演算装置３０、表示装置４０，５０を備える。

第一検出器１３は、上述したように、工作物Ｗの加工中に加工機本体１１における観測可能な状態データを検出する。状態データは、例えば、砥石車６６（工具Ｔ）を回転駆動するモータ６６ａにおける駆動負荷データを含む。状態データは、更に、工作物Ｗを回転駆動する主軸台６２のモータ６２ａにおける駆動負荷データを含む。駆動負荷データは、モータ６２ａ，６６ａの駆動電流データに相当する。尚、状態データは、位置データ、振動データ、加工音データ等を含むようにしても良い。

第二検出器１４は、上述したように、工作物Ｗの加工中に加工機本体１１における観測可能な工作物Ｗの加工品質に関連する品質関連データを検出する。品質関連データは、加工中における工作物Ｗの加工表面における色データ、粗さデータ及び硬さデータ等、即ち、品質データを含む。状態データ及び品質関連データは、１個の工作物Ｗにおける加工開始から加工終了までの時系列データである。尚、本例においては、研削盤６０が工作物Ｗを研削加工する場合を例示する。このため、「加工開始から加工終了まで」には、粗研削工程、精研削工程、微研削工程及びスパークアウト工程等が含まれる。

又、研削盤６０（加工機１０）の制御装置１２には、カウンタが含まれている。カウンタは、研削盤６０（加工機１０）が研削加工（機械加工）した工作物Ｗの個数（加工数）をカウントする。本例においては、砥石車修正装置６８が砥石車６６（工具Ｔ）をツルーイング又はドレッシングしたときからの工作物Ｗの加工数をカウントする。尚、カウンタは、制御装置１２の他に、第一検出器１３自身が備えるようにしたり、検査装置２が備えるようにしたりすることもできる。

学習処理装置２０は、第一検出器１３により検出された状態データ及び第二検出器１４（又は検査装置２）により検出された工作物Ｗの加工品質に関連する品質関連データに基づいて、工作物Ｗの品質予測を行うための学習済みモデルを生成する。学習処理装置２０は、訓練データセット取得部７１、訓練データセット記憶部７２、モデル生成部７３を備える。

訓練データセット取得部７１は、個々の加工工程毎に機械学習を行うための訓練データセットを取得する。訓練データセット取得部７１は、状態データ取得部７１ａ、状態データ分割部７１ｂ、特徴量抽出部７１ｃ、品質関連データ取得部７１ｄを備える。

ここで、制御装置１２は、第一検出器１３から時系列的に（連続的に）出力される状態データを学習処理装置２０に出力する。又、制御装置１２は、動作指令データに従って生成されたＮＣプログラムに基づいて時系列的に出力される現在の加工工程を識別する工程情報を状態データに付加する（紐付けする）。そして、制御装置１２は、図４に例示するデータフォーマットに従って、学習処理装置２０に状態データ及び工程情報を出力する。

データフォーマットは、図４に示すように、ヘッダ部分に、例えば、砥石車修正装置６８が砥石車６６（工具Ｔ）をツルーイングやドレッシング等により修正した時点、又は、砥石車１６（工具Ｔ）を交換した時点をゼロとしてからの回数（何回目の加工であるかに相当）を表す回数情報を含む。ここで、回数情報は、制御装置１２に設けられたカウンタによって出力される。又、データフォーマットは、例えば、状態データを取得した時刻（又は出力された時刻）の時刻情報、時系列的な状態データ、及び、工程情報を含む。

状態データ取得部７１ａは、工作物Ｗの加工中において、第一検出器１３により検出された状態データを制御装置１２を介して取得する。即ち、状態データ取得部７１ａは、上述したデータフォーマットに基づいて、第一検出器１３の数分に対応する複数の状態データを取得する。

状態データ分割部７１ｂは、状態データ取得部７１ａが制御装置１２から時系列的に（連続的に）取得している状態データを加工工程である研削工程毎に分割する。即ち、状態データ分割部７１ｂは、データフォーマットに従って状態データに紐付けされた工程情報に基づき、状態データ取得部７１ａが連続的に取得している状態データを、例えば、粗研削工程、精研削工程、微研削工程及びスパークアウト工程毎に分割する。

ここで、図５に示すように、研削盤６０が工作物Ｗを研削加工する場合、特に、粗研削工程においては、制御装置１２の制御によって粗研削工程が行われているにも拘らず、実際には、砥石車６６が工作物Ｗに向けて接近している期間、即ち、実質的な粗研削を行っていない空研期間が存在する。このため、状態データ分割部７１ｂは、粗研削工程においては、例えば、状態データに含まれる砥石台６５（砥石車６６）の位置に基づいて、実質的に粗研削工程であるか否かを推定する。

或いは、状態データ分割部７１ｂは、粗研削工程においては、例えば、状態データに含まれるモータ６６ａの駆動電流データに変化、即ち、砥石車６６と工作物Ｗとが接触した際に駆動電流データが大きくなることに基づいて、空研期間を判別して実質的に粗研削工程であるか否かを推定する。尚、状態データ分割部７１ｂは、研削工程毎に状態データを逐次分割することに代えて、全ての研削工程の経過に伴って状態データを取得した後に、工程情報に基づいて状態データを分割することも可能である。

又、状態データ分割部７１ｂは、研削工程毎について、データフォーマットに含まれる回数情報に基づいて、例えば、砥石車１６（工具Ｔ）を修正してから、又は、砥石車１６（工具Ｔ）を交換してからの回数が所定の回数となった場合に、状態データを分割することも可能である。これにより、砥石車１６（工具Ｔ）の修正時期又は交換時期を容易に把握することができる。

特徴量抽出部７１ｃは、状態データ分割部７１ｂによって分割された研削工程毎（粗研削工程、精研削工程、微研削工程及びスパークアウト工程等）の状態データについて特徴量を抽出する。本例においては、特徴量抽出部７１ｃは、研削工程毎に分割された各々の状態データについて統計演算を行うことにより得られる基本統計量を特徴量とする。ここで基本統計量としては、例えば、１つの研削工程の状態データにおける最大値、最小値、平均値、分散値、標準偏差、中間値、歪度及び尖度等を例示することができる。

又、特徴量としては、状態データを微分したデータに対する基本統計量、状態データの周波数解析を行ったデータに対する基本統計量を含めることができる。尚、特徴量抽出部７１ｃは、研削工程毎における複数の特徴量を抽出することに加え、全ての研削工程の経過に伴って取得されたトータルの状態データおける複数の特徴量を抽出することも可能である。

特徴量抽出部７１ｃは、複数の特徴量のうち、工作物Ｗの品質即ち品質関連データに対する寄与度（寄与率）の大きい特徴量を抽出するための機械学習を行う。特徴量抽出部７１ｃが行う機械学習は、変数選択手法を用いて行われる。変数選択手法は、例えば、線形回帰、リッジ回帰、Ｌａｓｓｏ回帰、主成分分析、エラスティックネット、ランダムフォレスト等を例示することができる。このような変数選択手法を用いることにより、複数の特徴量についての寄与度（寄与率）を把握することができる。これにより、例えば、寄与度（寄与率）の高い特徴量を優先的に抽出（選択）することができる。尚、特徴量抽出部７１ｃが行う機械学習については、回帰を用いた変数選択手法に限られず、他の変数選択手法を用いることができる。

品質関連データ取得部７１ｄは、第二検出器１４又は／及び検査装置２により検出された品質関連データを取得する。尚、品質関連データについても、第二検出器１４又は検査装置２が制御装置１２を介して品質関連データを出力することにより、状態データと同様に、工程情報を紐付けすることが可能である。

訓練データセット記憶部７２は、訓練データセット取得部７１によって取得した訓練データセットを記憶する。具体的には、訓練データセット記憶部７２は、特徴量抽出部７１ｃによって抽出された状態データの特徴量と、品質関連データ取得部７１ｄによって取得された品質関連データとを関連付けて、研削工程（加工工程）毎に記憶する。即ち、訓練データセット記憶部７２は、研削工程（加工工程）のそれぞれに関する訓練データセットを記憶する。

モデル生成部７３は、訓練データセット記憶部７２に記憶された訓練データセットを用いて機械学習を行う。具体的には、モデル生成部７３は、研削工程（加工工程）毎に、特徴量抽出部７１ｃによって抽出された寄与度（寄与率）の大きい特徴量を説明変数とし、品質関連データを目的変数とした機械学習を行う。そして、モデル生成部７３は、工作物Ｗの品質や、工作物Ｗの品質に影響を及ぼす砥石車６６の摩耗状態、研削盤６０（加工機本体１１）の異常の有無を予測するための学習済みモデルを生成する。

予測演算装置３０は、対応する研削盤６０（加工機１０）において加工中の状態データ及び品質関連データに基づいて、研削加工（機械加工）された工作物Ｗの品質を予測する。予測演算装置３０は、モデル記憶部８１、予測用データ取得部８２、品質予測部８３、出力部８４を備える。

モデル記憶部８１は、モデル生成部７３が研削工程（加工工程）毎に生成した複数の学習済みモデルを記憶する。予測用データ取得部８２は、予測対象の研削工程（加工工程）における加工中において、予測用データを取得する。予測用データ取得部８２は、状態データ取得部８２ａ、状態データ分割部８２ｂ、特徴量抽出部８２ｃを備える。

状態データ取得部８２ａは、予測対象の研削工程（加工工程）における加工中において、第一検出器１３によって検出されて制御装置１２を介して出力された状態データを取得する。具体的に、状態データ取得部８２ａは、予測対象の粗研削工程、精研削工程、微研削工程及びスパークアウト工程毎に、上述したデータフォーマットに従って工程情報と紐付けされた状態データを取得する。

状態データ分割部８２ｂは、状態データ取得部８２ａによって取得された状態データを研削工程（加工工程）毎に分割する。具体的に、状態データ分割部８２ｂは、状態データに紐付けされた工程情報に基づき、状態データを研削工程（加工工程）毎に分割する。

特徴量抽出部８２ｃは、状態データ分割部８２ｂによって研削工程（加工工程）毎に分割された状態データの特徴量を抽出する。ここで、特徴量は、状態データにおける種々の基本統計量等を用いる。そして、特徴量は、訓練データセット取得部７１の特徴量抽出部７１ｃにおいて抽出する特徴量と同種である。

ここで、状態データ取得部８２ａ、状態データ分割部８２ｂ及び特徴量抽出部８２ｃは、訓練データセット取得部７１の状態データ取得部７１ａ、状態データ分割部７１ｂ及び特徴量抽出部７１ｃと同様の処理を行う。尚、本例においては、状態データ取得部８２ａ、状態データ分割部８２ｂ及び特徴量抽出部８２ｃは、訓練データセット取得部７１の状態データ取得部７１ａ、状態データ分割部７１ｂ及び特徴量抽出部７１ｃとは別要素として説明した。但し、訓練データセット取得部７１の各要素７１ａ，７１ｂ，７１ｃを、予測用データ取得部８２の各要素８２ａ，８２ｂ，８２ｃと兼用とすることも可能である。即ち、学習処理装置２０における要素７１ａ，７１ｂ，７１ｃの機能が、予測演算装置３０の一部の機能と兼用される。

品質予測部８３は、モデル記憶部８１に記憶された複数の学習済みモデルのうち予測対象の研削工程（加工工程）に対応する学習済みモデルを選択し、選択された学習済みモデルと予測用データ取得部８２にて取得したデータとに基づいて、工作物Ｗの品質或いは品質に影響を及ぼす砥石車６６（工具Ｔ）の摩耗状態や研削盤６０（加工機本体１１）の異常又は故障の有無を予測する。

出力部８４は、品質予測部８３が予測した予測対象の研削工程（加工工程）における加工品質に関する情報を、表示装置４０，５０に出力する。ここで、出力部８４は、工作物Ｗの品質、例えば、研削表面における面性状等、特徴量抽出部８２ｃ（特徴量抽出部７１ｃ）によって抽出された複数の特徴量、砥石車６６（工具Ｔ）の摩耗状態、研削盤６０（加工機本体１１）の動作に関する各種情報を出力することもできる。

表示装置４０，５０は、予測演算装置３０の出力部８４から出力された情報を表示する。具体的に、表示装置４０，５０は、図６に示すように、工作物Ｗの加工品質に関する情報、例えば、研削表面の面性状である表面粗さを時系列的に表示する。この場合、表示装置４０，５０は、特徴量抽出部８２ｃ（特徴量抽出部７１ｃ）によって抽出された特徴量、例えば、図７にて星印にて示すように精研削工程におけるモータ６６ａに供給される駆動電流値の最小値を、表面粗さに対応させて時系列的に表示する。

これにより、作業者或いは研削盤６０（加工機本体１１）の制御装置１２は、表面粗さ（図６にて実線により示す）と駆動電流値の最小値（図６にて破線により示す）との相関を把握することができる。このため、作業者或いは制御装置１２は、例えば、第一検出器１３によって連続的に検出可能な駆動電流値の最小値を管理することにより、相関関係にある表面粗さを把握することができる。

そして、駆動電流値の最小値が予め設定された駆動電流値Ｉになった場合、表面粗さの許容上限値Ｕとなる、換言すれば、砥石車６６（工具Ｔ）の摩耗状態が悪化している。従って、駆動電流値Ｉになった場合において、作業者或いは制御装置１２は、砥石車修正装置６８を作動させることにより、例えば、砥石車６６のツルーイングを実施したり、砥石車６６の交換を実施したりする。

又、表面粗さと駆動電流値の最小値との相関を把握することができることにより、例えば、ツルーイングの頻度を低減するために、駆動電流値の最小値の変化が緩やかになるように改善することが可能となる。この場合、表示装置４０，５０は、図８に示すように、抽出された複数の特徴量の寄与度（寄与率）を、例えば、ヒストグラムとして表示することができる。これにより、作業者は、最も寄与度（寄与率）が高い特徴量Ａ（例えば、駆動電流値の最小値）の変化を緩やかにするために、次に寄与度（寄与率）の高い特徴量Ｂ（例えば、位置（送り量））に注目し、砥石車６６（工具Ｔ）の送り量を小さくして改善を進めることができる。

尚、表示装置４０，５０には、作業者が改善点を把握するために、例えば、研削工程（加工工程）において検出された全ての状態データについての特徴量も表示させることもできる。この場合、上述したように、状態データには工程情報が紐付けされているため、全ての特徴量を研削工程（加工工程）毎に分割して表示することができる。これにより、表示装置４０，５０に特徴量を表示させ易くなると共に、作業者が改善に有益な特徴量を見つけ易くすることができる。

（６．学習処理装置２０の別例）
上述した本例においては、モデル生成部７３は、訓練データセット記憶部７２に記憶された訓練データセットを用いて研削工程（加工工程）につき１つの学習済みモデルを生成するようにした。ところで、モデル生成部７３は、１つのアルゴリズムを用いて機械学習を行うことに限られず、異なる複数のアルゴリズムを用いて機械学習を行うことが可能である。又、モデル生成部７３は、１つの特徴量或いは特定の組み合わせの特徴量を説明変数とすることに限定されず、全ての特徴量又は複数の異なる組み合わせの特徴量を説明変数として機械学習を行うことが可能である。

これらの場合、モデル生成部７３は、研削工程（加工工程）毎に複数の学習済みモデルを生成する。そこで、この別例においては、図９に示すように、学習処理装置２０がモデル評価部７４を備え、モデル生成部７３によって生成された複数の学習済みモデルについて予測精度の良否を評価し、最も予測精度の高い学習済みモデルを特定する。そして、予測演算装置３０は、最も予測精度の高い学習済みモデルをモデル記憶部８１に記憶する。以下、この別例を具体的に説明する。

この別例においては、訓練データセット記憶部７２は、特徴量抽出部７１ｃによって抽出された複数の特徴量と品質関連データとを訓練データセットとして記憶する。モデル生成部７３は、訓練データセット記憶部７２に記憶された複数の特徴量、複数の特徴量の組み合わせ及び品質関連データを用いて機械学習を行い、１つの研削工程（加工工程）につき複数の学習済みモデルを生成する。この場合、モデル生成部７３は、訓練データセット記憶部７２に記憶されている訓練データセットのうちの一部、例えば、訓練データセットが１００個記憶されている場合の８０個の訓練データセットを用いて機械学習を行う。そして、モデル生成部７３は、生成した複数の学習済みモデルをモデル評価部７４に供給する。

モデル評価部７４は、モデル生成部７３から取得した各々の学習済みモデルについて、予測値の精度を評価する。具体的に、モデル評価部７４は、訓練データセット記憶部７２に記憶されている訓練データセットのうちの他部、例えば、訓練データセットが１００個記憶されている場合の２０個の訓練データセットを用いる。

この場合、モデル評価部７４は、訓練データセットの説明変数であり、学習済みモデルを生成した際と同種の特徴量を各々の学習済みモデルに入力し、得られる予測値と訓練データセットの目的変数即ち実測値とを比較する。この比較において、モデル評価部７４は、例えば、予測値と実測値の差異（差分等）が最も小さい学習済みモデルを最も予測精度の高い学習済みモデルとして決定する。ここで、最も予測精度の高い学習済みモデルが決定されることにより、当該学習済みモデルが機械学習に用いた特徴量が品質関連データに対する寄与度（寄与率）の高い特徴量として決定される。

そして、予測演算装置３０のモデル記憶部８１が最も予測精度の高い学習済みモデルを記憶することにより、品質予測部８３は最も予測精度の高い学習済みモデルを用いることができる。その結果、品質予測部８３は、工作物Ｗの品質（品質に影響を及ぼす他の要素）をより正確に予測することができ、出力部８４は表示装置４０，５０に極めて有用な情報を表示することができる。

（７．その他）
上述した本例及び別例においては、学習処理装置２０が特徴量抽出部７１ｃとモデル生成部７３とを備えるようにした。ところで、特徴量抽出部７１ｃが機械学習において用いる機械学習手法（変数選択手法を実現するアルゴリズム）とモデル生成部７３が機械学習において用いる機械学習手法（アルゴリズム）とが同じになる場合がある。この場合、例えば、特徴量抽出部７１ｃを省略し、モデル生成部７３は、状態データ分割部７１ｂから訓練データセット記憶部７２に記憶された状態データについて所定のアルゴリズムを用いて特徴量を抽出することができる。

そして、モデル生成部７３は、抽出した特徴量をそのまま説明変数とし、品質関連データを目的変数とする訓練データセットを用いて、同一のアルゴリズムに従う機械学習を行い、学習済みモデルの生成することができる。即ち、この場合には、モデル生成部７３は、状態データについての特徴量の抽出と、学習済みモデルの生成とを同時に行うことになる。この場合においても、上述した本例及び別例と同様に、学習処理装置２０は学習済みモデルを生成することができる。

（８．効果）
品質予測システム１によれば、時系列的に（連続的に）検出される状態データを工程情報に基づいて研削工程（加工工程）毎に分割することができる。そして、品質予測システム１は、研削工程（加工工程）毎に分割された状態データについて特徴量を抽出し、抽出した特徴量を用いて研削工程（加工工程）毎の学習済みモデルを生成することができる。このように、研削工程（加工工程）毎に特徴量を抽出して学習済みモデルを生成することにより、汎用性を有して客観的に且つ正確に工作物Ｗの品質を予測することができる。

更に、表示装置４０，５０に工作物Ｗの加工品質に関連する各種情報や、品質に対する寄与度（寄与率）の高い特徴量を表示することができる。従って、作業者は、表示装置４０，５０を確認することにより、研削盤６０（加工機本体１１）を用いた工作物Ｗの研削加工（機械加工）における改善点を容易に把握することができる。

１…品質予測システム、２…検査装置、１０…加工機、１１…加工機本体、１２…制御装置、１３…第一検出器、１４…第二検出器、１５…インターフェース、２０…学習処理装置、２１…プロセッサ、２２…記憶装置、２３…インターフェース、３０…予測演算装置、３１…プロセッサ、３２…記憶装置、３３…インターフェース、４０…共通表示装置、５０…個別表示装置、６０…研削盤、６１…ベッド、６２…主軸台、６２ａ…モータ、６３…心押台、６４…トラバースベース、６４ａ…モータ、６５…砥石台、６５ａ…モータ、６６…砥石車、６６ａ…モータ、６７…定寸装置、６８…砥石車修正装置、６９…クーラント装置、７１…訓練データセット取得部、７１ａ…状態データ取得部、７１ｂ…状態データ分割部、７１ｃ…特徴量抽出部、７１ｄ…品質関連データ取得部、７２…訓練データセット記憶部、７３…モデル生成部、７４…モデル評価部、８１…モデル記憶部、８２…予測用データ取得部、８２ａ…状態データ取得部、８２ｂ…状態データ分割部、８２ｃ…特徴量抽出部、８３…品質予測部、８４…出力部、Ｕ…許容上限値、Ｉ…駆動電流値、Ｔ…工具、Ｗ…工作物

Claims (15)

1. 制御装置の制御により複数の加工工程を経て工作物の機械加工を行う加工機と、
   前記加工機による前記機械加工において観測可能な状態データを検出し、検出した状態データを前記制御装置に出力する検出器と、
   前記加工工程毎において前記検出器により検出され且つ前記制御装置を介して取得した前記状態データの特徴量を説明変数とし、前記機械加工による前記工作物の加工品質に関連する品質関連データを目的変数とし、前記説明変数及び前記目的変数を含む訓練データセットを用いて機械学習を行うことにより生成された学習済みモデルを、前記加工工程毎に記憶する学習済みモデル記憶部と、
   予測対象の加工工程に対応する前記学習済みモデルと前記予測対象の加工工程における加工中に検出された前記状態データとを用いて、前記予測対象の加工工程における前記工作物の前記加工品質を予測する品質予測部と、
   を備える、品質予測システム。
2. 前記状態データは、前記制御装置によって前記加工工程を識別する工程情報を付加されており、
   前記工程情報に基づいて、前記状態データを前記加工工程毎に分割する状態データ分割部を備えた、請求項１に記載の品質予測システム。
3. 前記状態データ分割部は、
   全ての前記加工工程の経過に伴って取得された前記状態データについて、前記工程情報に基づいて前記状態データを前記加工工程毎に分割する、請求項２に記載の品質予測システム。
4. 前記加工工程において取得した前記状態データについて複数の特徴量を抽出する特徴量抽出部を備え、
   前記学習済みモデル記憶部は、
   前記特徴量抽出部によって抽出された複数の前記特徴量のうちの少なくとも１つの前記特徴量を前記説明変数として生成された前記学習済みモデルを、前記加工工程毎に記憶する、請求項１－３のうちの何れか一項に記載の品質予測システム。
5. 前記特徴量抽出部は、
   所定の変数選択手法を用いた機械学習により、前記状態データにおける複数の前記特徴量のうち前記品質関連データに対する寄与度の大きい前記特徴量を抽出する、請求項４に記載の品質予測システム。
6. 前記特徴量抽出部は、
   前記状態データについて統計演算を行うことにより得られる基本統計量を前記特徴量として抽出する、請求項４又は５に記載の品質予測システム。
7. 前記加工工程毎における前記特徴量を前記説明変数とし、前記品質関連データを前記目的変数とし、前記説明変数及び前記目的変数を含む訓練データセットを用いて機械学習を行うことにより前記学習済みモデルを生成する学習済みモデル生成部を備える、請求項１－６のうちの何れか一項に記載の品質予測システム。
8. 複数の前記訓練データセットのうちの一部を用いて、前記学習済みモデル生成部によって異なるアルゴリズムを用いた機械学習により生成された複数の前記学習済みモデルについて、複数の前記訓練データセットのうちの他部を用いて、前記説明変数を複数の前記学習済みモデルに与えた場合に予測される予測値と前記目的変数である実測値との差異に基づき複数の前記学習済みモデルの評価を行う学習済みモデル評価部を備え、
   前記学習済みモデル記憶部は、
   前記学習済みモデル評価部によって前記差異が最も小さい前記学習済みモデルを記憶する、請求項７に記載の品質予測システム。
9. 更に、予測された前記工作物の前記加工品質に対する寄与度の大きい前記特徴量を表示する表示装置を備える、請求項１－８のうちの何れか一項に記載の品質予測システム。
10. 前記表示装置は、
    前記加工機に設けられて前記工作物に前記機械加工を施す工具の修正又は交換に関する情報を表示する、請求項９に記載の品質予測システム。
11. 前記加工機は、砥石車を用いて前記工作物の研削加工を行う研削盤であり、
    前記状態データは、前記研削盤による前記工作物の研削工程毎に分割可能である、請求項１－１０のうちの何れか一項に記載の品質予測システム。
12. 前記状態データは、前記砥石車を修正した後に、前記研削工程毎について前記工作物の前記研削加工を行った回数に基づいて分割される、請求項１１に記載の品質予測システム。
13. 前記状態データは、前記砥石車を交換した後に、前記研削工程毎について前記工作物の前記研削加工を行った回数に基づいて分割される、請求項１１に記載の品質予測システム。
14. 前記研削工程は、少なくとも、粗研削工程、精研削工程、微研削工程及びスパークアウト工程を含む、請求項１１－１３のうちの何れか一項に記載の品質予測システム。
15. 前記粗研削工程における前記状態データは、
    前記制御装置によって前記状態データに付加された前記粗研削工程を識別する工程情報に加え、前記砥石車を回転駆動するモータに供給される駆動電流データの変化に基づいて、前記粗研削工程に含まれていて前記砥石車を前記工作物に接近させる期間であって前記砥石車が前記工作物を粗研削していない空研期間が判別されて分割される、請求項１４に記載の品質予測システム。

Images