JPH0349850A

JPH0349850A - 工具損傷検出装置

Info

Publication number: JPH0349850A
Application number: JP1179051A
Authority: JP
Inventors: Masanori Sato; 正則佐藤; Koichi Tsujino; 辻野　孝一
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 1989-07-13
Filing date: 1989-07-13
Publication date: 1991-03-04
Anticipated expiration: 2013-05-20
Also published as: JP2754760B2

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】発明の要約ＡＥセンサから得られるＡＥ倍信号複数の周波数成分を
抽出してニューラル・ネットワークに与え、または中心
周波数の異なる複数の空中ＡＥセンサから得られるＡＥ
倍信号ニューラル・ネットワークに与え、処理すること
により工具損傷を検出する。損傷検出の精度が高く、ニ
ューラル・ネットワークの学習により検出アルゴリズム
を比較的簡単に作ることができる。

発明の背景技術分野この発明は工作機械における工具の損傷を、加工中に発
生するアコースティック・エミッション（Ａ　Ｅ　：　
Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ）を利用して検出
する工具損傷検出装置に関する。

従来技術とその問題点工作機械の工具の損傷を検出する装置として。

工具損傷時に発生するＡＥを工作機械の工具近傍に取り
付けられたＡＥセンサで検出し、この検出信号に基づき
工具損傷を検出するものが提案されている。しかし、こ
のような従来の装置においては、ＡＥ倍信号おける特定
の周波数帯域の信号成分のレベルをしきい値と比較する
という損傷検出アルゴリズムを用いているので、切削音
、その他の騒音による誤動作が発生したり、損傷を検出
できないといった事態が生じていた。上記課題を解決す
るために、複数の異なる周波数帯域のＡＥ信号成分を用
いた損傷検出アルゴリズムが検討されているが、信号の
種類数が多くなればなるほど。

損傷とＡＥ倍信号状態との関係をつかむことが困難にな
り、結局適切な検出アルゴリズムの作成が困難であると
いう問題点がある。

発明の概要発明の目的この発明はＡＥ倍信号複数の特徴を用いて正羅に損傷検
出が可能な工具損傷検出装置を提供することを目的とす
る。

発明の構成９作用および効果この発明による工具損傷検出装置は、工作機械の工具近
傍に配置され、工作機械から発生するＡＥ倍信号検出す
るＡＥ検出手段、上記ＡＥ検出手段から与えられるＡＥ
倍信号複数の特徴を抽出し、その特徴を表わす複数の信
号を出力するＡＥ信号処理手段、上記ＡＥ信号処理手段
の複数の出力信号を入力とし、学習によって工具損傷状
態を他の状態から識別可能に形成されたニューラル・ネ
ットワーク手段、および上記ニューラル・ネットワーク
手段からの工具損傷状態を表わす信号に応答して工具損
傷検出信号を出力する出力手段を備えていることを特徴
とする。

上記ＡＥ検出手段が１ｆｌｌのＡＥセンサから構成され
るときには、上記ＡＥ信号処理手段は上記ＡＥセンサの
出力信号の複数の周波数成分を抽出するように構成され
る。

また上記ＡＥ検出手段が中心周波数の異なる複数個の空
中ＡＥセンサを含む場合には、上記ＡＥ信号処理手段は
これら複数個の空中ＡＥセンサの出力信号を処理してこ
の処理結果を表わす複数の出力信号を出力するように構
成される。

ＡＥ信号処理手段およびニューラル・ネットワーク手段
はアナログ回路およびディジタル回路で実現できるとと
もに、プログラムされたコンピュータによっても実現さ
れる。

この発明によると次の作用、効果を奏する。すなわち、
ＡＥ倍信号複数の異なる周波数帯域成分やその他のＡＥ
倍信号特徴信号または複数のＡＥ倍信号同時に処理する
ことができるので、損傷検出の精度が高（なる。また損
傷時のＡＥ倍信号特徴が完全に分っていなくてもニュー
ラル−ネットワークにおける学習機能により検出アルゴ
リズムを作ることができる。しかも、学習機能により使
用環境に応じて検出アルゴリズムを修正することができ
るので種々の環境に適用できる。

実施例の説明第１図は工具損傷検出装置の全体構成を示すものである
。

工作機械１の主軸２にドリル３が装着されており、テー
ブル４に固定されたワーク５をドリル３によって加工す
る。この加工中に発生するＡＥ（ＡｃｏｕｓｔＩｃ　Ｅ
ｍｉｓｓｉｏｎ）をテーブル４に固定されたＡＥセンサ
６によって検出する。ＡＥセンサ６から出力されるＡＥ
倍信号、ＡＥ信号処理部７において増幅され、かつ後述
するようにその信号の特徴が抽出される。抽出された特
徴を表わす信号は次にニューラル・ネットワーク８に与
えられ、後に詳述するように処理される。ニューラル・
ネットワーク８から出力される信号に基づき出力回路９
はドリル折損時にドリル折損検出信号を出力する。

第２図にＡＥ信号処理部７とニューラル・ネットワーク
８の構成が示されている。

ＡＥセンサ６によって検出されたＡＥ倍信号。

増幅器ＩＯで適当なレベルまで増幅され、バンド・バス
・フィルタ１１．１２．１３および検波回路１４に送ら
れる。バンド・バス・フィルタ１１．１２．１３はそれ
ぞれ通過周波数帯域の異なるフィルタであり。

この実施例ではそれぞれの通過帯域の中心周波数はｌ０
ＫＨｚ、　５０ＫＨｚ、　２００　ＫＨｚである。ＡＥ
倍信号一般に複数の特徴周波数をもっており、これらの
フィルタ１１〜１３によってこの特徴周波数成分が抽出
される。特徴周波数はドリル損傷時のＡＥ倍信号周波数
分析によって知ることができる。バンド・バス・フィル
タ１１．１２．１３の出力は、それぞれ検波回路２１．
２２．２３に与えられ、ここで平均値検波され直流レベ
ルに変換される。検波回路１４に入力するＡＥ倍信号そ
のエンベロープが検波される。検波回路１４の出力は微
分回路２４に与えられ、微分回路２４で信号の立上がり
変化成分が抽出される。検波回路２１．２２．２３およ
び微分回路２４の出力はニューラル・ネットワーク８の
入力層３１に与えられる。検波回路１４および微分回路
２４は必ずしも設けなくてもよい。

ニューラル・ネットワークは、複数の演算子にニーロン
）を互いに重み付は関数（シナプス）で結合し、入カバ
ターンに対してニューロンが行った演算値をシナプスを
通過させて伝達することによって結論となる出カバター
ンを得る演算方式である。このニューラル・ネットワー
クは。

入カバターンとこの入カバターンから得られるべき出カ
バターンとを有限回学習させることにより各シナプスの
重み付けを自ら決定する能力があるため、アルゴリズム
の分析が困難な処理に用いることができる。

第２図において、ニューラル・ネットワーク８は入力層
３１．中間層３２および出力層３３の多層構造で、中間
層３２の数は１層以上いくつでもよい。各層（出力層３
８を除く）は複数個のユニットから構成されている。出
力層３３は１つのユニットから構成される。ここでユニ
ットとは上記二ニーロンとこれを結合させるシナプスを
含むものである。また、ニューラル・ネットワーク８に
は後述する学習のための教師信号出力装置３４が設けら
れている。ニューラル・ネットワーク８は一般にはディ
ジタル・コンピュータのソフトウェアによって実現され
る。

第３図にユニットの構造を、第４図にユニットの入出力
特性をそれぞれ示す。

ユニットは、他のユニットから入力を受ける部分、入力
を一定の規則で変換する部分、結果を出力する部分から
成る。他のユニットとの結合部には、それぞれ可変の重
みｗｌ　ｊ（上述のシナプス）が付いており、学習等に
よってこの重みの値を変えることによりネットワークの
構造が変わる。

ネットワークの構造が変わるということは、そこで実行
される信号処理が変わるということを意味する。

あるユニットｉが複数のユニット１．・・・、ｊ。

・・・、ｋから入力０．（ｊ−１〜ｋ）を受けた場合、
その重み付は総和ｎ　ｅ　ｉ　１に基づいて出力Ｏ１を
発生する。この総和ｎｅｔ　１は。

ｎｅｔ、　＝　王ｗ１ｊＯｊコで表わされる。

ユニットの出力０１は、上式により得られた総和ｎｅｔ
　１を第４図に示す関数ｆ、（シグモイド関数）に適用
し、変換された値（これは０〜１の間の値）となる。

ニューラル・ネットワーク８は、ＡＥ信号処理部７から
の出力信号に基づき入力層３１．中間層３２、出力層３
３へと順次上述の計算を行い、ドリル折損時には１また
は１に近い値が出力層３３から出力されるように形成さ
れている。

出力回路９は、ニューラル・ネットワーク８の出力層３
８からの出力を受けてドリル折損検出信号等を出力する
ものである。この出力回路９は、たとえば出力層３３の
出力が０．９以上のときに折損検出信号を出力し、０．
８以上０．９未満のときにアラーム信号を出力するよう
に構成される。また出力層３３の出力が０．８未満のと
きはいかなる出力も発生しないというように設定される
。

上記のようなニューラル・ネットワークの形成は学習に
よって行われる。学習はバック・プロパゲージジンによ
る。ドリル折損時等におけるデータをあらかじめ収集し
ておき、これらのデータを用いて学習が行われる。すな
わち、出力層３３から発生する出力値と、予め望ましい
出力値が与えられている教師信号出力装置３４の出力値
とを比較し、その差が減少するように各ユニット間の重
みが変えられていく。

第２図において、ＡＥ信号処理部７のバンド・パス・フ
ィルタ１１．１２．１３．検波回路１４．２１゜２２、
２３および微分回路２４はアナログ回路でもディジタル
回路でも実現可能である。

第５図はＡＥ信号処理部の他の例を示すものである。Ａ
Ｅセンサ６の出力信号は増幅器ｌＯ，アンチｅエリアジ
ング壷フィルタ（ロー拳バスφフィルタの一種）４１を
経てＡ／Ｄ変換器４２に入力し。

ディジタル信号に変換される。Ａ／Ｄ変換器４２の出力
信号は一定時間ごとに交互にデータ・バッファ・メモリ
４３．４４に与えられる。データ・バッファ・メモリ４
３または４４から読出されたデータは切換回路４５を経
てＦＦＴ　（高速フーリエ変換）プロセッサ４７に与え
られ、第６図に示すような周波数成分に変換（周波数ス
ペクトルが作成）される。ＦＦＴ処理はある程度の時間
を要する。これに対処するために２個のバッファ壷メモ
リ４３．４４が設けられている。すなわち、バッファ・
メモリ４３、４４は時系列のＡＥ信号データをリアル・
タイムでＦＦＴ処理をするために、ＦＦＴプロセッサ４
７によって切換えられながら使用される。波形面積演算
装置１ｔ４８は第６図に示すようにＦＦＴ処理結果にお
いて１ＤＫＨｚ、　５０ＫＨｚおよび２００ＫＨｚ付近
の斜線部分の面積を演算するものである。この演算結果
は第２図における検波回路２１．２２．２３の出力に対
応し、ニューラル・ネットワーク８の入力層３１に与え
られる。

次にドリル折損検出を行うニューラル・ネットワークの
形成のための学習の具体例について詳述する。ＡＥ信号
処理部としては第５図に示す回路が用いられる。ただし
、波形面積演算装置４８は３つの周波数帯域の面積では
なく２次に示すように８つの周波数帯域の面積を求める
ように構成されている。

第７図はＦＦＴプロセッサ４７から得られるＡＥ倍信号
パワー・スペクトルの一例を示している。

このようなスペクトル信号は波形面積演算装置４８に与
えられる。波形面積演算装置４８は０〜４００ＫＨｚの
周波数範囲を８等分して得られる区間Ｔ１〜Ｔ８の面積
（パワー）を演算する。この演算結果を第８図に示す。

第８図において、ＴＩは周波数０〜５０ＫＨｚの区間を
、Ｔ２は５０Ｋ　Ｈｚ　〜１００ＫＨｚの区間を、以下
同様にＴ３〜Ｔ８は５０ＫＨｚずつの区間を示している
。各区間Ｔ１〜Ｔ８の面積データを１１〜■８で表わす
。

第９図は学習に用いたニューラル・ネットワークの構成
例を示している。このニューラル・ネットワークにおい
て、入力層３１はＵ１〜Ｕ８の８個のユニットを、中間
層３２はＵｌｌ〜Ｕ１４の４個のユニットを、出力層は
１個のユニットＵ２１をそれぞれ備えている。

学習にはドリル折損時のＡＥデータとして４０パターン
、それ以外のデータ、たとえばワーク・クランプ音など
のノイズ・データとして４ｏパターンを用いた。ドリル
折損時のデータとドリル折損以外のデータの例をそれぞ
れ２パターンずつ以下に示す。ここでデータは１１．Ｉ
２．・・・、１８の順に並んでおり、この順序で入力層
のユニットＵｌ、Ｕ２．・・・、Ｕ８にそれぞれ入力さ
れる。また、これらのデータはすべてのデータ（８０パ
ターン）中の最大値を＋０．５．最小値を−０，５とし
て正規化されている（すなわち、この具体例では入出力
値は、０〜１の間の値ではなく、−０，５〜十〇、５の
範囲の値をとる）。

ドリル折損時のデーター０．４５１１１１．　　−０．１４３８２６．　　−
０．１８００２３゜−０，０３１９４７，−０，２６２
２３８，−０，４２６１３２゜−０，４３８８７４，−
０，４４９８４３−０，４１２８７２，−０，１４２５
１９゜−０，２６６３６３゜一〇、１９６９０Ｂ。

−０，３４６５２７゜ −０，４２６１３７゜ −０，４４６９０３゜ −０，４８９４５２ドリル折損以外のデーター０．４６１１１２５４．　　−０．２５５３７３゜−
０，４２６９６７、−０，４７０３３３゜−０，４９８
７７９，−０，４９９４４９−０，４２６６３３゜ −０，４９５２２３゜ −０，４２０７９４，−０，１９４２０３，−０，３２
１０７７゜−０，３８１３８４，−０，４７４５８３，
−０，４８７２９８゜−０，４９４７２５，−０，４９
７７８５学習は、ドリル折損時データをニューラル・ネ
ットワークに与えたときは出力として０．５を出力する
ように、またそれ以外のデータをニューラル・ネットワ
ークに与えたときは−０，５を出力するように、バック
・プロパゲーションによってユニット間の重みを修正し
ていくことにより行う。

上述した０、５や−０，５の値は教師信号出力装置によ
り与えられる。学習は、すべてのデータ・パターン（８
０パターン）について出力層からの出力と教師信号出力
装置の出力との差が所定値以下になるまで継続して行わ
れる。

第１０図はこの学習で用いたシグモイド関数を示すもの
である。このシグモイド関数ｆ１は次式で与えられる。

ｎｅｔｆ　　＝　（１／　（１＋ｅ　　　１　）　）　−０，
５ｆｆｌｌｌａ図に学習前の重みが、第１１ｂ図に学習
によって最終的に得られた重みがそれぞれ示されている
。学習前の重みは±０．３の範囲でランダムに値をつけ
たものである。

以上の学習によって、学習後はドリル折損時にはニュー
ラル・ネットワークの出力層から０．４９９９９５以上
の値の出力値が出力され５それ以外の場合は出力層から
−０，４９９９９５以下の値の出力値が出力されるよう
になった。

第１２図および第１３図はこの発明の他の実施例を示し
ている。上述した実施例ではＡＥセンサ６はテーブル４
に固定されているが（第１図参照）。

この実施例では非接触でＡＥを検出する空中ＡＥセンサ
６Ａ、６Ｂ、６Ｃが用いられている。空中に伝播するＡ
Ｅ倍信号微弱であるために空中ＡＥセンサは高感度化す
る必要があり、そのために一般に空中ＡＥセンサの感度
特性はＡＥ倍信号周波数に対して一様ではなく、特定の
比較的狭い周波数帯域についてのみＡＥ信号成分を検出
できるように構成されている。ＡＥ倍信号異なる複数の
周波数帯域の信号成分を検出してニューラル・ネットワ
ーク８に与えるために複数の空中ＡＥセンサ６Ａ、６Ｂ
、６Ｃが設けられている訳である。それぞれ感度の中心
周波数が異なる空中ＡＥセンサ６Ａ、６Ｂ、６Ｃがドリ
ル３とワーク５の加工点に向けて１図示しない支持部材
に固定されている。実施例ではこれらの空中ＡＥセンサ
６Ａ、６Ｂ、６Ｃの中心周波数はそれぞれ１０Ｋ　Ｈｚ
　、　５０Ｋ　Ｈｚ　、　２００　Ｋ　Ｈｚである。

空中ＡＥセンサ６Ａ、６Ｂ、６Ｃによって検出されたＡ
Ｅ倍信号、ｂ、ｃはそれぞれ増幅器１０Ａ、　ＩＯＢ、
　ＩＯＣで適当なレベルまで増幅され。

バンド・バス・フィルタＩＩＡ、　ＩＩＢ、　ＩＩＣに
それぞれ送られる。バンド・バス・フィルタ１１Ａ。

１１Ｂ、　ＩＩＣはそれぞれ空中ＡＥセンサ６Ａ。

６Ｂ、６Ｃの中心周波数と同じ通過帯域を持つフィルタ
で、ノイズ成分をカットするものである。バンド・バス
・フィルタＩＩＡ、　ＩＩＢ、　ＩＩＣの出力はそれぞ
れ検波回路２１Ａ、　２１Ｂ、　２１Ｃに与えられ、こ
こで平均値検波され直流レベルに変換される。一方、検
波回路２１Ｃの出力は微分回路２１Ｄに与えられ、ここ
で信号の立上がり変化成分が抽出される。検波回路２１
Ａ、　２１Ｂ、　２ＩＣ，微分回路２ＬＤの出力信号は
ニューラル・ネットワーク８に与えられる。微分回路２
１Ｄの出力は必ずしもニューラル・ネットワーク８に入
力しなくてもよい。

ニューラル・ネットワーク８および出力回路９の構成お
よび作用は上述した実施例と同じである。学習によって
ドリル折損検出が可能なように形成されたニューラル・
ネットワーク８を通して、出力回路９からドリル折損検
出信号が出力される。

【図面の簡単な説明】

第１図から第４図はこの発明の実施例を示すもので、第
１図は工具損傷検出装置の全体構成を示し、第２図は第
１図におけるＡＥ信号処理部およびニューラル・ネット
ワークの詳細を示すブロック図、第３図はニューラル・
ネットワークにおけるユニットの構造を示す図、第４図
はユニットの入出力特性を示すグラフである。第５図はＡＥ信号処理部の他の例を示すブロック図、第
６図は第５図の回路の処理動作を示すグラフである。第７図から第１１ｂ図はシミュレーションによる具体例
を示すもので、第７図はＡＥ倍信号周波数スペクトルを
示すグラフ、第８図は周波数帯域ごとのスペクトル面積
を示すグラフ、第９図はシミュレーションに用いたニュ
ーラル・ネットワークの構成を示す図、第１０図は第９
図のニューラル・ネットワークにおけるユニットの入出
力特性を示すグラフ、第１１ａ図および第１１ｂ図は第
９図のニューラル・ネットワークにおける学習前および
学習後の重みの一例を示すものである。第１２図および第１３図は他の実施例を示すもので、第
１２図は工具損傷検出装置の全体構成を示し、第１３図
は第１２図におけるＡＥ信号処理部およびニューラル・
ネットワークを示すブロック図である。１・・・工作機械。３・・・ドリル（工具）。６・・・ＡＥセンサ。６Ａ、６Ｂ、６Ｃ・・・空中ＡＥセンサ。７．７Ａ・・・ＡＥ信号処理部。８・・・ニューラル・ネットワーク。９・・・出力回路。以上

Claims

【特許請求の範囲】

（１）工作機械の工具近傍に配置され、工作機械から発
生するＡＥ信号を検出するＡＥ検出手段、上記ＡＥ検出
手段から与えられるＡＥ信号の複数の特徴を抽出し、そ
の特徴を表わす複数の信号を出力するＡＥ信号処理手段
、上記ＡＥ信号処理手段の複数の出力信号を入力とし、学
習によって工具損傷状態を他の状態から識別可能に形成
されたニューラル・ネットワーク手段、および上記ニューラル・ネットワーク手段からの工具損傷状態
を表わす信号に応答して工具損傷検出信号を出力する出
力手段、を備えた工具損傷検出装置。
（２）上記ＡＥ検出手段が１個のＡＥセンサを含み、上
記ＡＥ信号処理手段が上記ＡＥセンサの出力信号の複数
の周波数成分を抽出するものである、請求項（１）に記
載の工具損傷検出装置。
（３）上記ＡＥ検出手段が、中心周波数の異なる複数個
の空中ＡＥセンサを含み、上記ＡＥ信号処理手段がこれ
ら複数個の空中ＡＥセンサの出力信号を処理してこの処
理結果を表わす複数の出力信号を出力するものである、
請求項（１）に記載の工具損傷検出装置。