JP7409653B2 - 不釣合い修正システムおよび不釣合い修正方法 - Google Patents

Description

本発明は、ロータの不釣合いを修正するための修正システムおよび修正方法に関する。

不釣合い測定装置および不釣合い修正装置を含む動釣合い試験機が公知である。不釣合い測定装置は、ロータの不釣合いを測定し不釣合いデータ（不釣合い量および不釣合い角度）を求める。そして、不釣合い測定装置は、この不釣合いデータに基づいて、修正データ（修正角度位置および修正量）を演算により求める。この演算において、ロータに存在する不釣合い量が修正後に極めて零に近くなるような修正データが求められる。

下記特許文献１では、過去のデータを用いて修正データを演算している。

特開２０１９－１９１１５２号公報

しかしながら、特許文献１のような手法では、修正機（不釣合い修正装置）の直近の状態を考慮して修正データを作成していない。そのため、修正機のカッターが摩耗するなど、修正機の状態がそれまでと変化したときに、正確な不釣合い修正を行うことができない。修正機の直近の状態を反映した修正データを用いてロータを修正することが望まれている。

そこで、本発明の目的は、修正機の直近の状態を反映した正確な不釣合い修正を行うことが可能な不釣合い修正システムおよび不釣合い修正方法を提供することである。

この発明は、ロータを修正するための修正データに関する情報である修正データ情報と、当該修正データを用いて当該ロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報とを含むデータセットを取得するデータセット取得手段（４１）と、前記修正データ情報および前記効果データ情報を教師データとして、前記不釣合い効果データと前記修正データとの対応関係を表す、３層以上のニューラルネットワーク（１００、１００Ａ）の学習済モデルを、機械学習により生成する学習手段（４７１）と、所定のロータの不釣合いの測定結果である不釣合いデータを、前記学習手段により生成された前記学習済モデルに入力し、当該学習済モデルから出力されるデータを、前記不釣合いデータに対応する前記修正データとして決定する修正データ決定手段（４１）と、不釣合い修正を行うための修正機（３１）と、前記修正データ決定手段によって決定された前記修正データに基づいて、前記所定のロータに対して前記修正機を用いて不釣合い修正を行う制御装置（３２）とを含むことを特徴とする、不釣合い修正システム（１）を提供する。なお、括弧内の英数字等は、後述の実施形態における対応構成要素等を表す。以下、この項において同じ。

この発明の一実施形態では、前記不釣合い修正システムが、前記データセット取得手段によって取得される前記データセットを記憶するデータセット記憶部（４２１）であって、予め定める数を最大数とする複数の前記データセットを記憶可能に構成されたデータセット記憶部をさらに含む。そして、前記学習手段が、前記データセット記憶部に記憶されている全ての前記データセットに対し前記機械学習を行ってもよい。

この発明の一実施形態では、前記データセット記憶部が、複数の前記データセットの一部を書き換え不能データセットとして書き換え不能に、かつその他の前記データセットを先入れ先出しで書き換え可能に記憶してもよい。そして、前記書き換え不能データセットが、前記不釣合い効果データの大きさが零または零に近い少なくとも１つの第１のデータセット（ＤＳ１）、および前記不釣合い効果データの大きさが所定の最大値または最大値に近い少なくとも１つの第２のデータセット（ＤＳ２）を含む。

この発明の一実施形態では、前記ニューラルネットワークが、入力層（１０１）と出力層（１０２）とを有する。そして、前記学習手段が、前記効果データ情報を前記入力層に入力し、かつ前記修正データ情報を前記出力層から出力する。さらに、前記修正データ決定手段が、前記不釣合いデータを、生成された前記学習済モデルに入力し、当該学習済モデルから出力されるデータを、前記所定のロータの前記不釣合いデータに対応する前記修正データとして決定する。

この発明の一実施形態では、前記ロータが、回転中心から半径方向外端までの距離が方位によって異なる修正対象部を有している。そして、前記データセット取得手段が、前記教師データとして、前記ロータの回転方向基準位置に対する前記修正対象部の相対角度差（θ）に関する情報である相対角度差情報と、前記不釣合い効果データの角度誤差（Ｅ）に関する情報である効果角度誤差情報とをさらに含む。前記学習手段が、前記相対角度差情報を前記入力層に入力し、かつ前記効果データ角度誤差情報を前記出力層から出力してもよい。そして、前記修正データ決定手段が、前記相対角度差を、生成された前記学習済モデルにさらに入力し、当該学習済モデルから、前記不釣合い効果データの前記角度誤差をさらに出力する。
前記学習手段により生成される前記学習済モデルが、前記相対角度差情報および前記効果データ角度誤差情報をさらなる前記教師データとした学習により生成されて、前記不釣合い効果データと前記修正データと前記相対角度差と前記不釣合い効果データの角度誤差との対応関係を表すものであってよい。
データ決定手段（４１）が、所定のロータの不釣合いの測定結果である不釣合いデータおよび所定のロータの相対角度差を、前記学習手段により生成された前記学習済モデルに入力し、当該学習済モデルから出力される前記修正データおよび前記不釣合い効果データの角度誤差を、当該所定のロータの不釣合いデータおよび所定のロータの相対角度差にそれぞれ対応する修正データおよび不釣合い効果データの角度誤差として決定してもよい。
前記制御装置が、前記データ決定手段によって決定された修正データおよび不釣合い効果データの角度誤差に基づいて、所定のロータに対して修正機を用いて不釣合い修正を行ってもよい。

この発明の一実施形態では、前記修正データ決定手段が、生成された前記学習済モデルに入力する前記相対角度差情報を予め定める範囲で変化させたときの前記出力層からの出力に基づいて、前記修正データを決定する。
また、この発明は、ロータを修正するための修正データに関する情報である修正データ情報と、当該修正データを用いて当該ロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報とを含むデータセットを取得するデータセット取得工程と、前記修正データ情報および前記効果データ情報を教師データとして、前記不釣合い効果データと前記修正データとの対応関係を表す、３層以上のニューラルネットワークの学習済モデルを、機械学習により生成する学習工程と、所定のロータの不釣合いの測定結果である不釣合いデータに対応する前記修正データを、生成された前記学習済モデルに基づいて決定する修正データ決定工程と、前記修正データ決定工程によって決定された前記修正データに基づいて、前記所定のロータに対して不釣合い修正を行う不釣合い修正工程とを含むことを特徴とする、不釣合い修正方法を提供する。

この発明によれば、修正機の直近の状態を反映した正確な不釣合い修正を行うことが可能である。

図１は、本発明の一実施形態に係る不釣合い修正システムを含む、不釣合い修正および測定システムの構成を示すブロック図である。 図２は、ロータに対する不釣合い修正の仕方を説明するための図である。 図３は、初期不釣合いデータと、残留不釣合いデータと、不釣合い効果データとの関係を示す図である。 図４は、ニューラルネットワークプログラムにより実現される機能を説明するためのブロック図である。 図５は、データセット記憶部の記憶内容を説明するための図である。 図６は、機械学習部による機械学習を説明する流れ図である。 図７は、前記機械学習部によって機械学習されるニューラルネットワークのモデルを示す図である。 図８は、機械学習後の前記ニューラルネットワークに相当する修正曲線を示すグラフである。 図９は、修正データ作成装置の制御部による修正データの作成を説明する流れ図である。 図１０には、前記ロータを、上方から見た図を示す。 図１１は、初期不釣合いデータと、残留不釣合いデータと、不釣合い効果データの大きさと、不釣合い効果データの角度誤差との関係を示す図である。 図１２は、他の実施形態に係る不釣合い修正システムを示すブロック図である。 図１３は、ニューラルネットワークのモデルを示す図である。

以下には、図面を参照して、この発明の具体的な実施形態について説明をする。図１は、本発明の一実施形態に係る不釣合い修正システム１を含む、不釣合い修正および測定システムの構成を示すブロック図である。
不釣合い修正および測定システムは、不釣合い測定装置２と、不釣合い修正装置３と、修正データ作成装置４とを含む。不釣合い修正装置３および修正データ作成装置４が、不釣合い修正システム１に含まれる。不釣合い修正および測定システムは、ロータ搬送装置（図示しない）をさらに含む。

不釣合い測定装置２は、バランシングマシンである。不釣合い測定装置２は、ロータ１１の修正面における不釣合いデータ（不釣合い量および不釣合い角度）を測定する。不釣合い測定装置２は、修正データを演算するための修正データ演算部２１を有している。
不釣合い修正装置３は、修正機３１と、修正機３１の修正動作を制御する制御装置３２とを含む。

修正機３１は、背面修正用カッター１５（図２参照）や頭部修正用カッター１８（図２参照）等のカッターと、カッターを移動させる移動機構（図示しない）とを含む。ここで、カッターとは、狭義のカッターに限られず、ドリル、ミーリング、フライス等の不釣合い修正のための各種の切削器具を含む趣旨である。
次に、修正機３１を用いた不釣合い修正について説明する。図２は、ロータ１１に対する不釣合い修正の仕方を説明するための図である。図２（ａ）にはロータ１１の側面を示し、図２（ｂ）にはロータ１１の背面１４を示している。ロータ１１として、ターボチャージャ用タービンロータを例にとって、不釣合い修正システム１を用いて行われる不釣合い修正の仕方の一例について説明をする。なお、実際のターボチャージャ用タービンロータにはタービン翼が付いているが、図２（ａ）および図２（ｂ）では簡易図としている。

図２（ａ）に示すように、不釣合い修正のためにロータ１１の背面１４を切削する場合には、背面１４において、修正角度位置α０（不釣合い角度に一致した角度位置）が決定される。そして、修正角度位置α０を中心に、周方向両側へ向かって等しい角度広がった角度α１から角度α２までの角度範囲２０が修正処理される。背面修正用カッター１５は、修正開始角度α１で角度停止し、ロータ１１の回転軸１２に沿う方向１７にカッター１５を移動させることにより所定の切削深さまで修正動作（切削による修正）が行われる。そして、それに引き続き、背面修正用カッター１５は、所定の切削深さを維持したまま角度α２まで移動するように回動制御される。そして角度α２で停止された後に、深さ方向のカッター原点位置まで復帰される。

不釣合い修正のためにロータ１１の頭部１３を切削する場合には、図２（ａ）に破線で示すように、頭部修正用カッター１８が用いられる。このときは、ロータ１１の回転軸１２まわりの回転半径方向に沿う方向１９に頭部修正用カッター１８を移動させることにより所定の切削深さまで修正動作（切削による修正）が行われる。その他の動作については、背面１４を切削する場合と同様である。

ロータ１１の回転軸方向（周方向）にロータまたはカッターを一定深さで回転制御する上述の方式に代えて、修正角度位置α０において切削深さのみで修正量を制御することにより、不釣合い修正を行うようにしてもよい。
不釣合い修正装置３の制御装置３２は、ＣＰＵ等の演算部、記憶デバイス、タイマー等を含んだマイクロコンピューターによって構成されている。

図１および図２を参照して、不釣合い測定装置２は、ロータ１１の修正面における不釣合いデータ（不釣合い量および不釣合い角度）を測定する。測定の完了後、不釣合い測定装置２の修正データ演算部２１は、測定された不釣合いデータに基づいて、修正データ（修正角度位置および修正量）を演算により決定する。不釣合い測定装置２において不釣合い測定がされたロータ１１は、ロータ搬送装置によって不釣合い修正装置３へ搬送され、修正機３１に搬入される。ロータの搬入に伴って、不釣合い測定装置２から不釣合い修正装置３に、不釣合いデータおよび修正データが送られる。

不釣合い修正装置３の制御装置３２は、修正機３１に搬入されたロータ１１に対し、不釣合い測定装置２から与えられる修正データを用いて、不釣合い修正動作を修正面ごとに実施する。なお、修正データは、カッターの深さデータや、一定深さ・広がり角度データ等を含む。
不釣合い修正装置３で不釣合い修正された後のロータ１１に対して、不釣合い測定装置２において２回目の不釣合い測定が行われることがある。その結果、不釣合いがあれば、２回目の不釣合い修正が、不釣合い修正装置３において行われる。このとき、初回の不釣合い修正の場合と同様に、不釣合い測定装置２から不釣合い修正装置３の制御装置３２に、２回目の測定における不釣合いデータ（不釣合い量および不釣合い角度）と、その不釣合いデータに対応する修正データ（修正角度位置および修正量）とが送られる。

図３は、初期不釣合いデータＡと、残留不釣合いデータＢと、不釣合い効果データの大きさＤとの関係を示す図である。
初期不釣合いデータＡは、不釣合い測定装置２における１回目の計測で測定された不釣合いデータ（不釣合い量および不釣合い角度）である。
残留不釣合いデータＢは、不釣合い測定装置２における２回目の計測で測定された不釣合いデータ（不釣合い量および不釣合い角度）である。

不釣合い効果データは、初期不釣合いデータＡと残留不釣合いデータＢとの差分のデータ（量と角度とを有するベクトル）である。初期不釣合いデータＡと残留不釣合いデータＢとの差分のデータの大きさを、以下の説明では、この不釣合い効果データの大きさＤとしている。
修正データ演算部２１は、不釣合いデータの大きさと修正データとの対応関係を表す修正曲線を保持しており、その修正曲線を参照しながら、１回目の計測で測定された不釣合いデータ（不釣合い量および不釣合い角度）に対応する修正データ（修正角度位置および修正量）を演算により決定している。

そのため、通常は残留不釣合いデータＢが零であり、この場合、初期不釣合いデータＡと不釣合い効果データとは一致する。しかしながら、修正機３１のカッター（カッター１５，１８）の直近の摩耗状況によっては、図３に示すように、初期不釣合いデータＡと、不釣合い効果データとが一致しない場合がある。
図１の不釣合い修正および測定システムは、修正機３１の直近の状態を反映した正確な修正データを作成する修正データ作成装置４を、不釣合い測定装置２の修正データ演算部２１とは別に設けている。

修正データ作成装置４は、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣを教師データとした機械学習により、不釣合い効果データの大きさと修正データとの対応関係を表す学習済モデルを生成し、その学習済モデルを記憶している。修正データ作成装置４は、その学習済モデルに基づいて、修正対象のロータ１１の不釣合いデータに対応する修正データを作成する。

不釣合い修正装置３の制御装置３２は、ロータ１１に対する１回目の修正動作に関して、不釣合い測定装置２から１回目の計測で測定された不釣合いデータ、およびそれに対応する修正データを取得している。これらのデータが、初期不釣合いデータＡおよび初期修正データＣとして扱われる。また、不釣合い修正装置３の制御装置３２は、ロータ１１に対する２回目の修正動作の際に、不釣合い測定装置２から２回目の計測で測定された不釣合いデータを受け取っている。そのデータが、残留不釣合いデータＢとして扱われる。

不釣合い修正装置３の制御装置３２は、ロータ１１のタイプデータ（以下、「ロータタイプデータ」と呼ぶ場合がある）に紐付けて、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣを保持している。ロータタイプデータは、ロータ１１の材質、形状、重量データ、加工条件等である。これらのうちの一つでも異なると、異なるロータタイプのロータ１１として取り扱われる。

不釣合い修正装置３の制御装置３２は、保持している初期不釣合いデータＡ、残留不釣合いデータＢ、および初期修正データＣを、修正データ作成装置４に送信する。たとえば、不釣合い修正装置３の制御装置３２は、あるロータ１１について、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣの３つのデータが揃ったタイミングで、これら３つのデータにロータタイプデータを加えたデータ群を、制御装置３２が修正データ作成装置４に送信している。

図４は、ニューラルネットワークプログラム４７により実現される機能を説明するためのブロック図である。
図１および図４を参照して、修正データ作成装置４は、制御部（修正データ決定手段、データ決定手段、データセット取得手段）４１と、記憶部４２と、通信部４３とを含む。記憶部４２は、不揮発性メモリやハードディスクドライブといった記憶デバイスによって構成されている。

制御部４１は、ＣＰＵ（プロセッサ）４４、ＲＡＭ４５およびＲＯＭ４６を含む。ＲＯＭ４６には、オペレーティングシステムの他、ニューラルネットワークプログラム４７などのコンピュータプログラムがインストールされている。ニューラルネットワークプログラム４７は、図４に示す機械学習部（学習手段）４７１を実現するためのプログラムである。

記憶部４２は、機械学習部４７１による機械学習において教師データとして用いられるデータセットを記憶しておくためのデータセット記憶部４２１と、機械学習部４７１の機械学習後の学習済モデルを記憶しておくための学習済モデル記憶部４２２とを含む。通信部４３は、通信回線（図示しない）を介して、不釣合い修正装置３の制御装置３２と通信可能に接続されている。

制御部４１は、通信部４３を介してデータ群を受け取り（データセット取得工程）、受け取ったデータ群を、データセット記憶部４２１に記憶する。
データセット記憶部４２１には、初期不釣合いデータ（効果データ情報）Ａ、残留不釣合いデータ（効果データ情報）Ｂ、および初期修正データ（修正データ情報）Ｃが記憶される。データセット記憶部４２１には、ロータ１１のロータタイプ別に、複数のデータセット記憶領域４２１ａが設けられており、個々のデータセット記憶領域４２１ａに、共通のロータ１１のロータタイプの初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣが記憶される。不釣合い修正装置３の制御装置３２から送信されてくる、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣの個々のデータセット記憶領域４２１ａへの振り分けは、これら３つのデータと共に修正データ作成装置４に送られてくるロータタイプデータを目印に行われる。

図５は、データセット記憶部４２１の記憶内容を説明するための図である。
データセット記憶部４２１の個々のデータセット記憶領域４２１ａは、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣからなるデータセットを、最大でたとえば５０個（最大数）まで記憶可能である。具体的には、個々のデータセット記憶領域４２１ａには、データセットを記憶するための記憶エリアが５０個設けられている。これらの記憶エリアを、たとえば、第１のエリア、第２のエリア、第３のエリア、第４のエリア、・・・、第５０のエリアということにする。図５のデータセット記憶領域４２１ａの左端の番号が、記憶エリアの番号である。データセット記憶領域４２１ａに、対応するロータ１１のロータタイプのデータセットが記憶される場合には、番号が小さい記憶エリアから順にデータセットが記憶される。

データセット記憶領域４２１ａの第１～第６のエリアは、データセットを書き換え不能に記憶するデータセット書き換え不能エリアである。不釣合い修正装置３の制御装置３２から送られてきたデータセットがデータセット記憶領域４２１ａに未だ記憶されていない初期状態において、データセット記憶領域４２１ａの第１～第５０のエリアには、初期データセットが記憶されている。第１～第５０のエリアに初期データセットが記憶されている状態を、図５（ａ）に示す。「ａ１」、「ａ２」、「ａ３」等、小文字の「ａ」が付されたデータは、初期不釣合いデータＡの初期データである。「ｂ１」、「ｂ２」、「ｂ３」等、小文字の「ｂ」が付されたデータは、残留不釣合いデータＢの初期データである。「ｃ１」、「ｃ２」、「ｃ３」等、小文字の「ｃ」が付されたデータは、初期修正データＣの初期データである。これらの初期データから構成される初期データセットは、いずれも、修正データ演算部２１で用いられる修正曲線と同様の修正曲線によって導き出されたデータセットである。

第１～第３のエリアに記憶されている「ａ１，ｂ１，ｃ１」、「ａ２，ｂ２，ｃ２」および「ａ３，ｂ３，ｃ３」のデータセットは、不釣合い効果データの大きさ（すなわち、データａ１，ａ２，ａ３とデータｂ１，ｂ２，ｂ３との差分の大きさ）が零または零に近いデータセットである。このようなデータセットを、第１のデータセットＤＳ１という（図８を併せて参照）。３つの第１のデータセットＤＳ１は、消去されずに保持され続ける。すなわち、これら３つの第１のデータセットＤＳ１は、書き換え不能な書き換え不能データセットである。

第４～第６のエリアに記憶されている「ａ４，ｂ４，ｃ４」、「ａ５，ｂ５，ｃ５」および「ａ６，ｂ６，ｃ６」のデータセットは、不釣合い効果データの大きさ（すなわち、データａ４，ａ５，ａ６とデータｂ４，ｂ５，ｂ６との差分の大きさ）が最大値または最大値に近いデータセットである。このようなデータセットを、第２のデータセットＤＳ２という（図８を併せて参照）。３つの第２のデータセットＤＳ２は、消去されずに保持され続ける。すなわち、これら３つの第２のデータセットＤＳ２は、書き換え不能な書き換え不能データセットである。

不釣合い修正装置３の制御装置３２から送られてきたデータセットをデータセット記憶領域４２１ａに１つ記憶する場合には次のように取り扱われる。すなわち、第７のエリアに記憶されているデータセットが消去される。そして、第８～第５０エリアに記憶されているデータセットがそれぞれ第７～第４９のエリアにシフトされる。空になった第５０のエリアに、制御装置３２から送られてきたデータセットが記憶される。そして、制御装置３２から送られてきたデータセットをデータセット記憶領域４２１ａに記憶する場合には、第７のエリアに記憶されているデータセットが消去され、第８～第５０エリアに記憶されているデータセットがそれぞれ第７～第４９のエリアにシフトされ、空になった第５０のエリアに、制御装置３２からのデータセットが記憶される。

制御装置３２からのデータセットを第５０のエリアのみに記憶した状態を図５（ｂ）に示し、制御装置３２からのデータセットを第７～第５０のエリアに記憶した状態を図５（ｃ）に示す。「Ａ１」、「Ａ２」、「Ａ３」等、大文字の「Ａ」が付されたデータは、初期不釣合いデータＡの実測データである。「Ｂ１」、「Ｂ２」、「Ｂ３」等、大文字の「Ｂ」が付されたデータは、残留不釣合いデータＢの実測データである。「Ｃ１」、「Ｃ２」、「Ｃ３」等、大文字の「Ｃ」が付されたデータは、初期修正データＣの実測データである。これらの実測データから構成される実測データセットは、いずれも、不釣合い修正装置３を用いた実測データのデータセットである。

図６は、機械学習部４７１による機械学習を説明する流れ図である。図７は、機械学習部４７１によって機械学習されるニューラルネットワーク１００のモデルを示す図である。図８は、機械学習後のニューラルネットワーク１００に相当する修正曲線ＣＣを示すグラフである。
図５を参照して説明したように、データセット記憶部４２１にデータセットが新規記憶されると、新規記憶に相当する個数分の古いデータセットが、データセット記憶部４２１から消去される。すなわち、データセット記憶部４２１においてデータセットが更新される（図６のステップＳ１）。

このタイミングで、機械学習部４７１によるニューラルネットワーク１００の機械学習が実行される（図６のステップＳ２）。
機械学習部４７１による機械学習は、教師あり学習の手法によって行われる。機械学習部４７１は、データセット記憶部４２１に記憶されている全て（たとえば５０個）のデータセット（初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣ）を読み出し、これら全てのデータセットを教師データとして用いて機械学習を行う（学習工程）。

図７の例のニューラルネットワーク１００は、１つの入力層１０１と、１つの出力層１０２と、１つの隠れ層１０３とを有する。図７のモデルの例では、隠れ層１０３が１つであるが、隠れ層１０３が２つ以上であってもよい。
図７の例では、入力層１０１および出力層１０２に１つのニューロン１０１ａ，１０２ａが示され、隠れ層１０３に複数（図７の例では７つであるが、２つ以上であれば６つ以内であってもよいし、８つ以上であってもよい）のニューロン１０３ａが示されている。機械学習部４７１による機械学習において、不釣合い効果データの大きさＤが入力層１０１に入力され、かつ出力層１０２から初期修正データＣが出力される。不釣合い効果データの大きさＤは、前述のように、初期不釣合いデータＡと残留不釣合いデータＢとの差分のデータの大きさである。そして、出力データの誤差が最小になるように機械学習が行われる。機械学習により、入力層１０１のニューロン１０１ａと隠れ層１０３の個々のニューロン１０３ａとの間の重み付けの値、隠れ層１０３の個々のニューロン１０３ａと出力層１０２のニューロン１０２ａとの間の重み付けの値、隠れ層１０３の個々のニューロン１０３ａの閾値、および出力層１０２のニューロン１０２ａの閾値が、それぞれ調整される。学習済のニューラルネットワーク１００、つまり学習済モデルが、学習済モデル記憶部４２２に記憶される（図６のステップＳ３）。学習済モデル記憶部４２２は、学習済モデルをロータ１１のロータタイプ別に記憶する。

学習済モデルは、図８に示すような非線形の滑らかな修正曲線ＣＣに近似する。図８では、不釣合い効果データの大きさを横軸に示し、修正データを縦軸に示している。図８では、機械学習に用いたデータセットのプロットも示している。図８には、３つの第１のデータセットＤＳ１のプロットと、３つの第２のデータセットＤＳ２のプロットとをそれぞれ示している。

学習済モデルが修正曲線ＣＣに近似するので、不釣合いデータに対応する修正データを、学習済モデルを用いて決定することができる。
不釣合い修正装置３が、不釣合い測定装置２の修正データ演算部２１から与えられる修正データではなく、修正データ作成装置４によって作成された修正データを用いて、あるロータ１１に不釣合い修正を施す場合を説明する。

この場合、ロータ１１への不釣合い修正の実施に先立って、不釣合い修正装置３の制御装置３２は、修正データの出力を修正データ作成装置４に対し要求する。この要求において、制御装置３２は、図１に示すように、ロータ１１の不釣合いデータと、そのロータ１１のロータタイプデータとを、修正データ作成装置４に送信する。
図９は、修正データ作成装置４の制御部４１による修正データの作成を説明する流れ図である。

修正データ作成装置４の制御部４１は、不釣合いデータおよびロータタイプデータを受信すると（図９のステップＳ１１）、学習済モデル記憶部４２２から、そのロータタイプデータに対応する学習済モデルを読み出す（図９のステップＳ１２）。そして、制御部４１は、読み出した学習済モデルに、ロータ１１の不釣合いデータを入力し、学習済モデルから出力されたデータを修正データとして決定する（修正データ決定工程。図９のステップＳ１３）。そして、制御部４１は、決定した修正データを不釣合い修正装置３の制御装置３２に向けて送信する（図９のステップＳ１４）。

修正データ作成装置４において作成された修正データが、不釣合い修正装置３の制御装置３２に付与される。不釣合い修正装置３の制御装置３２は、修正データ作成装置４から受信した修正データを用いて、修正対象のロータ１１を修正機３１により不釣合い修正する（不釣合い修正工程）。
そして、不釣合い修正に用いられた修正データは、今回のロータ１１のロータタイプデータおよび初期修正データＣと共に、図１に示すように、不釣合い修正装置３の制御装置３２から修正データ作成装置４に送信される。この修正データ作成装置４は、修正対象のロータ１１の初期不釣合いデータＡおよび残留不釣合いデータＢと共にデータセットとしてデータセット記憶部４２１に記憶され、それ以降のニューラルネットワーク１００の機械学習に用いられる。

以上によりこの実施形態によれば、不釣合い効果データの大きさと修正データとの対応関係（修正曲線ＣＣ）を表す学習済モデルが、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣを教師データとした機械学習により生成される。また、データセット記憶部４２１に直近に記憶された複数（最大個数がたとえば５０個）のデータセット（初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣ）を用いて機械学習を行う。これにより、機械学習により生成される学習済モデルが表す対応関係（修正曲線ＣＣ）を、修正機３１のカッター（カッター１５，１８）の直近の摩耗状況を反映したものにできる。

そして、生成された学習済モデルに、ロータ１１の不釣合いデータを入力して、学習済モデルから出力されたデータを修正データとし、その修正データに基づいてロータ１１に対する不釣合い修正を行う。修正機３１のカッター１５，１８の直近の摩耗状況を反映した修正データを用いて修正するので、カッターの摩耗等の影響を除いた正確な不釣合い修正を行うことができる。

ところで、不釣合い効果データの大きさＤが略に近いデータセットや、不釣合い効果データの大きさＤが最大値（図８の例で、不釣合い量が１２０°）に近いデータセットは、不釣合い修正および測定システム（図１参照）の実際の稼働において取得されることが少ない。そのため、実際の稼働において取得されたデータセットのみに基づいて機械学習を行うとすると、不釣合い効果データの大きさＤが零近傍や最大値近傍である場合を学習しないため、学習後のニューラルネットワーク１００が表す修正曲線ＣＣが、不釣合い効果データの零近傍や最大値近傍において正確さを欠くおそれがある。すなわち、データ外挿処理が苦手という欠点を有する。

これに対し、不釣合い効果データの大きさＤが零または零に近い第１のデータセットＤＳ１、および不釣合い効果データの大きさＤが所定の最大値または最大値に近い第２のデータセットＤＳ２を、データセット記憶部４２１に初期データとして書き換え不能に記憶させる。そのため、機械学習に用いるデータセットに、第１のデータセットＤＳ１および第２のデータセットＤＳ２を常時含めることができる。したがって、機械学習によって得られる修正曲線ＣＣを、不釣合い効果データの大きさＤが零近傍や最大値近傍であるときを考慮した、より正確な曲線ＣＣにできる。

図１０には、ターボチャージャ用タービンロータ（ロータ１１）を、上方から見た図を示す。
ロータ１１のロータ軸（図示しない）の先端には、修正対象部としてのナット２０１（たとえば六角ナットや十角ナット）が取り付けられている。ナット２０１は、回転中心から半径方向外端までの距離が方位によって異なっている。ナット２０１を切削することにより、ロータ１１に対して不釣合い修正を施す場合について検討する。

ロータ１１に対するナット２０１の回転方向姿勢はロータ毎（ワーク毎）に異なっている。すなわち、ナット２０１の基準位置Ｐ１と、ロータ１１の基準位置Ｐ０（回転方向基準位置。たとえばタービン翼２０２）との間の相対角度差（タービン翼２０２との接合角度）θがワーク（すなわちロータ１１）毎に異なっている。この場合、相対角度差θによって不釣合い修正効果データが変化する（不釣合い修正効果データに角度誤差が発生する）。そのため、このようなロータ１１に修正データを一律に決定したのでは、不釣合い修正の効果がワーク毎にばらつくおそれがある。

このような課題に対し、特開２００９－０１９９４８号公報や特開２０１１－８０９０６号公報には、ロータに対するナットの回転方向姿勢を測定し、その計測結果に基づいた演算により修正データを補正する手法が開示されている。しかしながら、これらの手法では精度に限界があり、個々のワークに適切な修正を施せない。
図１１は、初期不釣合いデータＡと、残留不釣合いデータＢと、不釣合い効果データの大きさＤと、不釣合い効果データの角度誤差Ｅとの関係を示す図である。図３において説明済みの箇所は、説明を省略する。

図１１に示すように、ナット２０１を切削してロータ１１に対して不釣合い修正を施す場合、残留不釣合いデータＢが、初期不釣合いデータＡと零とを結ぶ線分Ｌ１上に位置せず、この直線Ｌからずれることがある。このとき、初期不釣合いデータＡと残留不釣合いデータＢとの角度の誤差を、不釣合い効果データの角度誤差Ｅとしている。角度誤差Ｅは、図１１に示すように、初期不釣合いデータＡと零とを結ぶ線分Ｌ１に対する、初期不釣合いデータＡと残留不釣合いデータＢとを結ぶ線分Ｌ２との角度誤差である。

図１２は、他の実施形態に係る不釣合い修正システム１を示すブロック図である。この実施形態に係る修正データ作成装置４は、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣおよび相対角度差θを教師データとした機械学習により、不釣合い効果データの大きさと、相対角度差θと、修正データと、不釣合い効果データの角度誤差Ｅとの対応関係を表す学習済モデルを生成し、その学習済モデルを記憶している。修正データ作成装置４は、その学習済モデルに基づいて、修正対象のロータ１１の不釣合いデータに対応する修正データを作成する。

図１３は、他の実施形態に係るニューラルネットワーク１００Ａのモデルを示す図である。以下では、図１０～図１３を参照しながら、修正データ作成装置４による修正データの作成について説明する。図４および図６についても適宜参照する。前述の実施形態において説明済みの箇所についての説明を省略し、前述の実施形態と相違する部分のみを説明する。

不釣合い測定装置２は、内蔵されているカメラ等の撮像手段により、個々のロータ１１に対する相対角度差θを測定している。
不釣合い修正装置３の制御装置３２は、ロータ１１に対する１回目の修正動作に関して、ロータ１１に対する相対角度差θを、初期不釣合いデータＡおよび初期修正データＣと共に取得する。不釣合い修正装置３の制御装置３２は、ロータ１１のロータタイプデータに紐付けて、初期不釣合いデータＡ、残留不釣合いデータＢおよび初期修正データＣと共に、相対角度差θを保持している。

不釣合い修正装置３の制御装置３２は、保持している初期不釣合いデータＡ、残留不釣合いデータＢ、初期修正データＣおよび相対角度差θを、修正データ作成装置４に送信している。たとえば、不釣合い修正装置３の制御装置３２は、あるロータ１１について、初期不釣合いデータＡ、残留不釣合いデータＢ、初期修正データＣおよび相対角度差θの４つのデータが揃ったタイミングで、これら４つのデータにロータタイプデータを加えたデータ群を、制御装置３２が修正データ作成装置４に送信している。

修正データ作成装置４の制御部４１は、通信部４３を介してデータ群を受け取り、初期不釣合いデータＡ、残留不釣合いデータＢ、初期修正データＣおよび相対角度差（相対角度差情報）θを、ロータタイプデータ別にデータセット記憶部４２１に記憶する。
データセット記憶部４２１においてデータセットが更新されると、（図６のステップＳ１）。機械学習部４７１（図４参照）によるニューラルネットワーク１００Ａの機械学習が実行される（図６のステップＳ２）。機械学習部４７１は、データセット記憶部４２１に記憶されている全て（たとえば５０個）のデータセット（初期不釣合いデータＡ、残留不釣合いデータＢ、初期修正データＣおよび相対角度差θ）を読み出し、これら全てのデータセットを教師データとして用いて機械学習を行う。

図１３に示すように、機械学習部４７１による機械学習において、不釣合い効果データの大きさＤと相対角度差θとが入力層１０１に入力され、かつ出力層１０２から、初期修正データＣと不釣合い効果データの角度誤差（効果データ角度誤差情報）Ｅとが出力される。学習済のニューラルネットワーク１００Ａ、つまり学習済モデルが、学習済モデル記憶部４２２に記憶される（図６のステップＳ３）。

以下、不釣合い修正装置３が、修正データ作成装置４によって作成された修正データおよび不釣合い効果データの角度誤差Ｅを用いて、あるロータ１１に不釣合い修正を施す場合を説明する。
不釣合い修正装置３の制御装置３２は、修正データの出力の要求に併せ、ロータ１１の不釣合いデータと、そのロータ１１の相対角度差θと、そのロータ１１のロータタイプデータとを、修正データ作成装置４に送信する。

修正データ作成装置４の制御部４１は、不釣合いデータと相対角度差θとロータタイプデータとを受信すると、学習済モデル記憶部４２２から、そのロータタイプデータに対応する学習済モデルを読み出す。そして、制御部４１は、読み出した学習済モデルに、ロータ１１の不釣合いデータと相対角度差θとを入力し、学習済モデルから修正データと角度誤差Ｅとを決定する（データ決定工程）。そして、制御部４１は、決定した修正データおよび角度誤差Ｅを不釣合い修正装置３の制御装置３２に向けて送信する。

修正データ作成装置４において作成された修正データおよび効果データの角度誤差Ｅが、不釣合い修正装置３の制御装置３２に付与される。不釣合い修正装置３の制御装置３２は、修正データおよび効果データの角度誤差Ｅを用いて、具体的な修正内容（修正開始角度や、修正終了位置、切削深さ等）を調整する。そして、制御装置３２は、その修正内容で、修正対象のロータ１１を修正機３１により不釣合い修正する（不釣合い修正工程）。

以上によりこの実施形態によれば、相対角度差θおよび効果データの角度誤差Ｅを教師データとした機械学習により、学習済モデルが、不釣合い効果データの大きさと、相対角度差θと、修正データと、不釣合い効果データの角度誤差Ｅとの対応関係を表すようになる。そのため、生成された学習済モデルに基づいて、相対角度差θに対応する修正データおよび不釣合い効果データの角度誤差が決定される。そして、その修正データに基づいて、ロータ１１に対する不釣合い修正が行われる。ゆえに、ロータ１１がナット２０１を有する場合であっても、正確な修正データを得ることができる。

また、この実施形態において、生成された学習済モデルに入力する相対角度差θを予め定める範囲で変化させてもよい。この場合、学習済モデルからは、修正データおよび不釣合い効果データの角度誤差Ｅがそれぞれ複数出力される。これらのうちの一つの組み合わせを決定することにより、修正データおよび不釣合い効果データの角度誤差Ｅを最適なものにできる。

以上、この発明の２つの実施形態について説明したが、この発明は他の形態で実施することもできる。
たとえば、修正データ作成装置４が、不釣合い修正装置３の制御装置３２から、不釣合い効果データの大きさＤや不釣合い効果データの角度誤差Ｅを直接取得するようにしてもよい。また、修正データ作成装置４が、初期不釣合いデータＡや初期修正データＣを、不釣合い測定装置２から直接取得するようにしてもよい。

また、データセット記憶部４２１に記憶されるデータセットの最大数を５０個として説明したが一例であり、最大数は適宜設定される。また、第１および第２のデータセットＤＳ１，ＤＳ２の個数も３つに限られず適宜設定される。
図７や図１３のニューラルネットワーク１００，１００Ａの入力層１０１に初期修正データＣが入力され、不釣合い効果データの大きさＤが出力層１０２から出力されてもよい。同様に、不釣合い効果データの角度誤差Ｅが入力層１０１に入力され、出力層１０２から相対角度差θが出力されてもよい。

修正データ作成装置４が、不釣合い修正装置３に内蔵されていてもよい。この場合、不釣合い修正システム１が、不釣合い修正装置によって実現される。
この発明は、以上の実施形態の内容に限定されるものではなく、請求項に記載の範囲内において種々の変更が可能である。

１ ：不釣合い修正システム
３ ：不釣合い修正装置
４ ：修正データ作成装置
１１ ：ロータ
３１ ：修正機
３２ ：制御装置
４１ ：制御部（修正データ決定手段、データセット取得手段）
１００ ：ニューラルネットワーク
１００Ａ ：ニューラルネットワーク
１０１ ：入力層
１０２ ：出力層
４２１ ：データセット記憶部（データセット記憶手段）
４７１ ：機械学習部（学習手段）
Ａ ：初期不釣合いデータ（効果データ情報）
Ｂ ：残留不釣合いデータ（効果データ情報）
Ｃ ：初期修正データ（修正データ情報）
Ｄ ：不釣合い効果データの大きさ（効果データ情報）
ＤＳ１ ：第１のデータセット
ＤＳ２ ：第２のデータセット
Ｅ ：不釣合い効果データの角度誤差
θ ：相対角度差

Claims (5)

1. 所定のロータを修正するための修正データに関する情報である修正データ情報と、前記修正データを用いて前記所定のロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報とを含むデータセットであって複数のデータセットを、予め定める最大数を上限として記憶するためのデータセット記憶部と、
   前記修正データ情報および前記効果データ情報を取得して、前記データセット記憶部に記憶させるデータセット取得手段と、
   前記データセット記憶部に記憶されている前記修正データ情報および前記効果データ情報を教師データとして、前記所定のロータについて前記不釣合い効果データと前記修正データとの対応関係を表す、３層以上のニューラルネットワークの学習済モデルを、機械学習により生成する学習手段と、
   前記所定のロータの不釣合いの測定結果である不釣合いデータを、前記学習手段により生成された前記学習済モデルに入力し、当該学習済モデルから出力されるデータを、前記不釣合いデータに対応する前記修正データとして決定する修正データ決定手段と、
   不釣合い修正を行うための修正機と、
   前記修正データ決定手段によって決定された前記修正データに基づいて、前記所定のロータに対して前記修正機を用いて不釣合い修正を行う制御装置とを含み、
   前記データセット記憶部が、複数の前記データセットのうち一部の前記データセットを書き換え不能データセットとして書き換え不能に、かつそれ以外の前記データセットを先入れ先出しで書き換え可能に記憶し、
   前記書き換え不能データセットが、前記不釣合い効果データの大きさが零または零に近い少なくとも１つの第１のデータセット、および前記不釣合い効果データの大きさが所定の最大値または最大値に近い少なくとも１つの第２のデータセットを含むことを特徴とする、不釣合い修正システム。
2. 回転中心から半径方向外端までの距離が方位によって異なる修正対象部を有する所定のロータを修正するための修正データに関する情報である修正データ情報と、前記所定のロータの回転方向基準位置に対する前記修正対象部の相対角度差に関する情報である相対角度差情報と、前記修正データを用いて前記所定のロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報と、前記不釣合い効果データの角度誤差に関する情報である効果データ角度誤差情報とを含むデータセットを取得するデータセット取得手段と、
   前記データセット取得手段が取得した、前記修正データ情報、前記相対角度差情報、前記効果データ情報および前記効果データ角度誤差情報を教師データとして、前記不釣合い効果データと前記修正データと前記相対角度差と前記不釣合い効果データの前記角度誤差との対応関係を表す、３層以上のニューラルネットワークの学習済モデルを、機械学習により生成する学習手段と、
   前記所定のロータの不釣合いの測定結果である不釣合いデータおよび前記所定のロータの前記相対角度差を、前記学習手段により生成された前記学習済モデルに入力し、当該学習済モデルから出力される前記修正データおよび前記不釣合い効果データの前記角度誤差を、前記所定のロータの前記不釣合いデータおよび前記所定のロータの前記相対角度差にそれぞれ対応する前記修正データおよび前記不釣合い効果データの前記角度誤差として決定するデータ決定手段と、
   不釣合い修正を行うための修正機と、
   前記データ決定手段によって決定された前記修正データおよび前記不釣合い効果データの前記角度誤差に基づいて、前記所定のロータに対して前記修正機を用いて不釣合い修正を行う制御装置とを含むことを特徴とする、不釣合い修正システム。
3. 前記データ決定手段が、生成された前記学習済モデルに入力する前記相対角度差情報を予め定める範囲で変化させたときの前記学習済モデルからの出力に基づいて、前記修正データを決定することを特徴とする、請求項２に記載の不釣合い修正システム。
4. 所定のロータを修正するための修正データに関する情報である修正データ情報と、前記修正データを用いて前記所定のロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報を含むデータセットであって複数のデータセットを取得し、予め定める数のデータセットを最大数として記憶可能なデータセット記憶部に記憶させるデータセット取得工程と、
   前記データセット記憶部に記憶されている前記修正データ情報および前記効果データ情報を教師データとして、前記所定のロータについて前記不釣合い効果データと前記修正データとの対応関係を表す、３層以上のニューラルネットワークの学習済モデルを、機械学習により生成する学習工程と、
   前記所定のロータの不釣合いの測定結果である不釣合いデータを、前記学習工程により生成された前記学習済モデルに入力し、当該学習済モデルから出力されるデータを、前記不釣合いデータに対応する前記修正データとして決定する修正データ決定工程と、
   前記修正データ決定工程によって決定された前記修正データに基づいて、前記所定のロータに対して不釣合い修正を行う不釣合い修正工程とを含み、
   前記データセット取得工程において、前記データセット記憶部が、複数の前記データセットの一部を書き換え不能データセットとして書き換え不能に記憶し、かつその他の前記データセットを先入れ先出しで書き換え可能に記憶し、
   前記書き換え不能データセットが、前記不釣合い効果データの大きさが零または零に近い少なくとも１つの第１のデータセット、および前記不釣合い効果データの大きさが所定の最大値または最大値に近い少なくとも１つの第２のデータセットを含むことを特徴とする、不釣合い修正方法。
5. 回転中心から半径方向外端までの距離が方位によって異なる修正対象部を有する所定のロータを修正するための修正データに関する情報である修正データ情報と、前記所定のロータの回転方向基準位置に対する前記修正対象部の相対角度差に関する情報である相対角度差情報と、前記修正データを用いて前記所定のロータを修正した後の効果を表す不釣合い効果データに関する情報である効果データ情報と、前記不釣合い効果データの角度誤差に関する情報である効果データ角度誤差情報とを含むデータセットを取得するデータセット取得工程と、
   前記データセット取得工程により取得された、前記修正データ情報、前記相対角度差情報、前記効果データ情報および前記効果データ角度誤差情報を教師データとして、前記不釣合い効果データと前記修正データと前記相対角度差と前記不釣合い効果データの前記角度誤差との対応関係を表す、３層以上のニューラルネットワークの学習済モデルを、機械学習により生成する学習工程と、
   前記所定のロータの不釣合いの測定結果である不釣合いデータおよび前記所定のロータの前記相対角度差を、前記学習工程により生成された前記学習済モデルに入力し、当該学習済モデルから出力される前記修正データおよび前記不釣合い効果データの前記角度誤差を、前記所定のロータの前記不釣合いデータおよび前記所定のロータの前記相対角度差に対応する前記修正データおよび前記不釣合い効果データの前記角度誤差として決定するデータ決定工程と、
   前記データ決定工程によって決定された前記修正データおよび前記不釣合い効果データの前記角度誤差に基づいて、前記所定のロータに対して不釣合い修正を行う不釣合い修正工程とを含むことを特徴とする、不釣合い修正方法。

Images