JPWO2020179063A1 - 機械学習装置、数値制御装置、異常推測装置および工作機械の制御システム - Google Patents

Abstract

加工対象物を加工する工作機械（２）の異常発生条件を学習する機械学習装置（１）であって、工具の寿命を示す工具寿命情報と、工作機械（２）の加工条件と、を状態変数として観測する状態観測部（１１）と、状態変数と工作機械（２）の異常の通知有無とに基づいて作成されるデータセットに従って、異常発生条件を学習する学習部（１２）と、を備えることを特徴とする。

Description

本発明は、数値制御装置により制御される工作機械の異常を推測することが可能な機械学習装置、数値制御装置、異常推測装置および工作機械の制御システムに関する。

工具を使用して加工対象物を加工する工作機械は、サーボモータ、主軸モータといったアクチュエータに負荷がかかる加工を行ったとき、数値制御装置が「過負荷」「速度偏差過大」「オーバヒート」など工作機械の異常を通知して、加工を停止する機能を有する。工作機械の異常が通知された場合、加工条件を見直して、何度も加工処理を試行する必要があり、労力と時間とを要していた。

特許文献１には、電動機の電力量、温度、負荷等を状態変数として観測し、工作機械の異常を回避するようなモータへの動作指令を学習する機械学習装置が開示されている。

特開２０１７−６４８３７号公報

特許文献１に記載の技術は、電動機の動作状況を状態変数として観測することで動作指令を学習している。しかしながら、工作機械の異常、すなわち電動機の動作状況は動作指令だけではなく、工作機械の工具の状態にも依存する。工作機械の工具の状態は、使用を始めてからの経過時間や使用状況などによって異なるが、この工具の状態によって異常が発生するか否かが変わる場合がある。このため、上記従来の技術では、工作機械の異常発生条件の学習精度が低下し、異常の発生有無を精度よく推測することは困難であるという問題があった。

本発明は、上記に鑑みてなされたものであって、工作機械の異常発生条件の学習精度を向上させることが可能な機械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、本発明は、加工対象物を加工する工作機械の異常発生条件を学習する機械学習装置であって、工具の寿命を示す工具寿命情報と、工作機械の加工条件と、を状態変数として観測する状態観測部と、状態変数と工作機械の異常の通知有無とに基づいて作成されるデータセットに従って、異常発生条件を学習する学習部と、を備えることを特徴とする。

本発明にかかる機械学習装置は、工作機械の異常発生条件の学習精度を向上させることが可能であるという効果を奏する。

本発明の実施の形態１にかかる機械学習システムの構成を示す図 図１に示す学習部が使用可能な３層のニューラルネットワークモデルを示す図 本発明の実施の形態２にかかる工作機械の制御システムの構成を示す図 図３に示す異常推測装置の機能構成を示す図 図３に示すＨＭＩが出力する表示画面の一例を示す図 図３に示す制御システムの動作を説明するためのフローチャート 本発明の実施の形態１〜２にかかる機械学習装置、数値制御装置、および異常推測装置の機能を実現するための専用のハードウェアを示す図 本発明の実施の形態１〜２にかかる機械学習装置、数値制御装置、および異常推測装置の機能を実現するための制御回路の構成を示す図

以下に、本発明の実施の形態にかかる機械学習装置、数値制御装置、異常推測装置および工作機械の制御システムを図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、本発明の実施の形態１にかかる機械学習システム１００の構成を示す図である。機械学習システム１００は、機械学習装置１と、工作機械２と、数値制御装置３と、ＨＭＩ（Human Machine Interface）４とを有する。

機械学習装置１は、工作機械２の異常が発生する条件である異常発生条件を学習する装置である。機械学習装置１は、異常が発生したことを異常通知の有無を用いて判断するため、工作機械２の異常が通知される条件である異常通知条件を学習する装置であるともいえる。工作機械２は、工具の位置を変化させることで加工対象物を加工する装置である。数値制御装置３は、工作機械２を数値制御する装置である。ＨＭＩ４は、人間と機械とが情報をやりとりするための入出力装置である。使用者は、ＨＭＩ４を使用して数値制御装置３に工作機械２の加工条件を入力することができる。

工作機械２は、駆動部２１と、検知部２２とを有する。駆動部２１は、工具の位置を変化させる機能を有し、例えば、サーボモータ、主軸モータなどのアクチュエータ、数値制御装置３からの指令に従ってアクチュエータを制御する制御部などを含む。検知部２２は、工作機械２の状態を検知する機能を有する。検知部２２が検知する工作機械２の状態は、例えば、工作機械２の温度である。工作機械２の温度は、工作機械２に含まれるサーボモータの温度、主軸モータの温度が含まれる。検知部２２は、検知した情報を数値制御装置３に出力する。

数値制御装置３は、工作機械２の検知部２２から出力される情報に基づいて、サーボモータ、主軸モータなどの「過負荷」「速度偏差過大」「オーバヒート」などの状態を検出した場合、サーボアラームと呼ばれる異常通知を使用者に出力して工作機械２を停止させることがある。駆動部２１は、数値制御装置３が異常通知を出力すると、停止する。駆動部２１は、異常通知の有無を示す情報を機械学習装置１に出力する。

数値制御装置３は、ＨＭＩ４を用いて使用者が入力する情報と、検知部２２が検知する情報とを加工条件として受け付ける。数値制御装置３は、受け付けた加工条件に基づいて、数値制御プログラムに従って工作機械２を数値制御する。ここで、ＨＭＩ４から入力される情報は、例えば、加工対象物の性質を示す情報と、工作機械２の動作状態を示す情報とを含む。加工対象物の性質を示す情報は、例えば、加工対象物の材質である。工作機械２の動作状態を示す情報は、例えば、工具の移動量を示す情報である切込み量、サーボモータの送り速度、主軸モータの回転速度である。

加工対象物の材質、切込み量といった加工条件が同じ場合であっても、工具の摩耗状態によって、サーボモータ、主軸モータへの負荷が増大し、異常通知が出力される場合がある。数値制御装置３は、工作機械２に搭載される工具の種類と、各工具の寿命とを示す工具寿命情報を有している。工具寿命情報は、工具の使用回数、使用時間といった工具の寿命を示す情報である。本実施の形態では、機械学習装置１は、工具寿命情報に基づいて、機械学習を行う。このため、数値制御装置３は、工具寿命情報と、加工条件とを機械学習装置１に出力する。なお、ここでは数値制御装置３は、ＨＭＩ４を用いて入力された情報と、検知部２２が出力する情報とを加工条件としたが、数値制御装置３は、制御プログラム、パラメータなどの解析結果を加工条件としてもよい。言い換えると、数値制御装置３は、ＨＭＩ４のような入力装置を用いて入力される情報と、工作機械２に設けられた検知部２２が検知する情報と、工作機械２を制御するための制御プログラムから取得される情報とのうち少なくとも１つを含む加工条件を出力する。

機械学習装置１は、数値制御装置３が出力する工具寿命情報および加工条件を状態変数として観測する状態観測部１１と、状態変数と異常の通知有無との組み合わせに基づいて作成されるデータセットに従って、工作機械２の異常発生条件を学習する学習部１２とを有する。ここでデータセットとは、状態変数および異常通知の有無を互いに関連付けたデータである。

状態変数として観測する要素は、異常通知の発生に関係する要素である。例えば、モータがオーバヒートするのを防ぐために、モータの温度が事前に設定した閾値を超えると、異常通知が出力される。また、加工対象物が固い材質の場合、モータの負荷が高くなる。切込み量が大きかったり、サーボモータの送り速度や主軸モータの回転速度が速かったりする場合にも、モータの負荷が高くなる。さらに、工作機械２に搭載される工具が摩耗した状態である場合、同じ加工条件であってもモータへの負荷が上がり、異常通知が発生する場合がある。このため、工具の摩耗状態を観測することは重要である。本実施の形態では、工具の摩耗状態は、工具寿命情報を用いて判断する。工具寿命が短い工具は摩耗量が大きいと推測することができる。

なお、機械学習装置１は、図１では数値制御装置３と別体の装置となっているが、数値制御装置３が機械学習装置１を内蔵していてもよい。また機械学習装置１は、クラウドサーバ上に存在していてもよい。

学習部１２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、工作機械２の異常発生条件を学習する。ここで、教師あり学習とは、ある入力と結果のデータの組を大量に機械学習装置１に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデルをいう。

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２は、図１に示す学習部１２が使用可能な３層のニューラルネットワークモデルを示す図である。このモデルでは、複数の入力が入力層Ｘ１−Ｘ８に入力されると、その値に重みＷ１（ｗ１１−ｗ１１６）を乗算して中間層Ｙ１−Ｙ２に入力される。中間層Ｙ１−Ｙ２の値に重みＷ２（ｗ２１−ｗ２２）を乗算して出力層Ｚ１から出力される。この出力結果は、重みＷ１，Ｗ２の値によって変わる。

本実施の形態では、ニューラルネットワークは、状態観測部１１によって観測される加工条件および工具寿命情報と、異常通知の有無との組み合わせに基づいて作成されるデータセットに従って、いわゆる教師あり学習により、異常発生条件を学習する。

つまり、ニューラルネットワークは、入力層に加工条件および工具寿命情報を入力して出力層から出力された結果が、異常通知の有無に近づくように重みＷ１，Ｗ２を調整することで学習を行う。

また、学習部１２は、いわゆる教師なし学習によって、異常発生条件を学習することもできる。教師なし学習とは、入力データのみを大量に機械学習装置１に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行う装置を学習する方法である。教師なし学習では、データセットにある特徴を似たもの同士にクラスタリングすることができる。学習部１２は、クラスタリング結果を使って、何らかの基準を設けてクラスタリング結果を最適にするような出力の割り当てを行うことで、出力の予測を実現することができる。また、教師あり学習と教師なし学習の中間的な問題設定として、半教師あり学習と呼ばれるものもある。半教師あり学習は、一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータを用いて学習を行う。

学習部１２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、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を用いることもできる。

なお図１に示す例では、機械学習装置１は、１台の数値制御装置３から加工条件、工具寿命情報といった情報を取得することとしたが、本実施の形態はかかる例に限定されない。状態観測部１１は、複数の数値制御装置３から取得した情報を状態変数として観測し、学習部１２は、複数の数値制御装置３に対するデータセットに基づいて、異常発生条件を学習してもよい。ここで学習部１２は、同一の現場で使用される複数の数値制御装置３からデータセットを取得してもよいし、異なる現場で独立して稼働する複数の数値制御装置３からデータセットを取得してもよい。さらに、データセットを取得する対象の数値制御装置３を途中から追加することもできるし、途中で対象から除去することもできる。また、ある数値制御装置３の制御対象の工作機械２について、異常発生条件を学習した機械学習装置１を、異なる数値制御装置３に取り付けて、この数値制御装置３の制御対象の工作機械２について、異常発生条件を再学習して学習結果を更新することもできる。

以上説明したように、本発明の実施の形態１にかかる機械学習システム１００によれば、機械学習装置１は、工作機械２の加工条件に加えて、工具の寿命を示す工具寿命情報を状態変数として観測し、状態変数と異常通知の有無とに基づいて作成されるデータセットに従って、工作機械２の異常発生条件を学習する。このような構成をとることによって、工具寿命情報を使用しない場合と比較して、異常発生条件の学習精度を向上させることが可能になる。

実施の形態２．
図３は、本発明の実施の形態２にかかる工作機械２の制御システム２００の構成を示す図である。制御システム２００は、実施の形態１で説明した機械学習システム１００の学習結果を用いて、工作機械２を制御する機能を有する。具体的には、制御システム２００は、機械学習システム１００の構成に加えて、機械学習装置１の学習結果と、これから実行しようとする加工処理の加工条件とに基づいて、工作機械２に異常が発生するか否かを推測する異常推測装置５を有する。以下、実施の形態１と同様の構成については説明を省略し、実施の形態１と異なる部分について主に説明する。

異常推測装置５は、工作機械２を実際に動作させる前に、機械学習装置１の学習結果に基づいて、入力された工具寿命情報が示す工具の寿命を前提とし、入力された加工条件で工作機械２を動作させた場合に、異常が発生するか否かを推測する。異常推測装置５は、推測結果をＨＭＩ４に出力し、使用者に通知させる。

図４は、図３に示す異常推測装置５の機能構成を示す図である。異常推測装置５は、学習結果取得部５１と、推測条件取得部５２と、推測部５３と、通知部５４とを有する。学習結果取得部５１は、機械学習装置１の学習部１２から工作機械２の異常発生条件の学習結果を取得する。例えば、学習結果取得部５１は、学習部１２の学習結果が更新される度に、学習結果を取得してもよいし、定期的に学習結果を取得してもよい。学習結果取得部５１は、取得した学習結果を推測部５３に出力する。

推測条件取得部５２は、数値制御装置３から工作機械２の加工条件と工具寿命情報とを含む、工作機械２の異常の発生有無の推測条件を取得する。推測条件取得部５２は、取得した推測条件を推測部５３に出力する。

推測部５３は、異常発生条件の学習結果と、推測条件とに基づいて、工作機械２の異常の発生有無を推測する。推測部５３は、推測結果を通知部５４に出力する。通知部５４は、推測結果を使用者に通知する。具体的には、通知部５４は、ＨＭＩ４に推測結果を出力して、ＨＭＩ４に推測結果を表示させることで、推測結果を使用者に通知することができる。

図５は、図３に示すＨＭＩ４が出力する表示画面６０の一例を示す図である。表示画面６０は、工作機械２の加工条件の入力を受け付ける加工条件入力領域６１と、加工条件入力領域６１に表示された加工条件を使用した場合に、工作機械２に異常が発生するか否かを示す推測結果を表示するための推測結果表示領域６２と、加工条件入力領域６１に表示された加工条件を使用した加工の開始を指示するための操作部である加工開始ボタン６３とを含む。ＨＭＩ４が表示する表示画面６０を用いることで、使用者は、加工条件を入力し、入力した加工条件を使用した場合に、工作機械２に異常が生じるか否かの推測結果を、実際に工作機械２を動かすことなく知ることが可能になる。そして、使用者は、推測結果によって異常が発生しないと推測される加工条件を用いて、実際の加工を開始させることができる。

図６は、図３に示す制御システム２００の動作を説明するためのフローチャートである。制御システム２００の使用者は、ＨＭＩ４の表示画面６０を用いて、工作機械２の加工条件を入力する（ステップＳ１０１）。表示画面６０の加工条件入力領域６１に加工条件が入力されると、数値制御装置３から加工条件および工具寿命情報を異常推測装置５に入力する（ステップＳ１０２）。

異常推測装置５の推測部５３は、入力された加工条件および工具寿命情報に基づいて、工作機械２の異常が通知されるか否かを推測する（ステップＳ１０３）。なお、異常推測装置５は、予め機械学習装置１から学習結果を取得しており、取得した学習結果に基づいて、ステップＳ１０３の推測処理を行うものとする。推測部５３は、推測結果を通知部５４に出力する。

異常推測装置５の通知部５４が推測結果をＨＭＩ４に出力すると、ＨＭＩ４は、推測結果を表示することで使用者に通知する（ステップＳ１０４）。数値制御装置３は、加工条件が変更されたか否かを判断する（ステップＳ１０５）。例えば、図５に示す表示画面６０の推測結果表示領域６２に推測結果を表示することで使用者に推測結果を通知する場合、使用者は、加工条件入力領域６１に表示された加工条件を変更する入力を行うことで、加工条件を変更することができる。或いは使用者は、表示画面６０の加工開始ボタン６３を操作することで、加工の開始を指示することもできる。

加工条件が変更された場合（ステップＳ１０５：Ｙｅｓ）、ステップＳ１０１から処理が繰り返される。加工条件が変更されない場合（ステップＳ１０５：Ｎｏ）、つまり、表示画面６０の例では、加工開始ボタン６３が操作された場合、数値制御装置３が数値制御を開始することで、工作機械２は、加工処理を実行する（ステップＳ１０６）。

加工処理が実行されると、数値制御装置３および工作機械２の駆動部２１は、加工結果を訓練データとして学習部１２に入力する（ステップＳ１０７）。具体的には、実施の形態１で説明したように、実際に工作機械２を動作させたときの加工条件、工具寿命情報および異常通知の有無が機械学習装置１に入力される。

以上説明したように、本発明の実施の形態２にかかる制御システム２００によれば、機械学習装置１の学習結果に基づいて、事前に工作機械２の加工条件が適切である、つまり、工作機械２に異常が発生しない加工条件であることを確認した後に、実際に工作機械２を駆動させることが可能になる。ここで、機械学習装置１は、工具寿命情報に基づいて異常発生条件を学習しているため、精度の高い学習結果を使用して、工作機械２に異常が発生するか否かを精度よく推測することが可能になる。

このように、異常通知の有無の推測結果を加工処理の実行前に使用者に通知することで、最適な加工条件の特定作業が容易になる。また、実際に使用する加工条件を決定するまでの時間を短縮することができる。

続いて、本発明の実施の形態１〜２にかかる機械学習装置１、数値制御装置３、および異常推測装置５の機能を実現するためのハードウェア構成について説明する。機械学習装置１、数値制御装置３、および異常推測装置５の各機能は、処理回路により実現される。これらの処理回路は、専用のハードウェアにより実現されてもよいし、ＣＰＵ（Central Processing Unit）を用いた制御回路であってもよい。

上記の処理回路が、専用のハードウェアにより実現される場合、これらは、図７に示す処理回路９０により実現される。図７は、本発明の実施の形態１〜２にかかる機械学習装置１、数値制御装置３、および異常推測装置５の機能を実現するための専用のハードウェアを示す図である。処理回路９０は、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものである。

上記の処理回路が、ＣＰＵを用いた制御回路で実現される場合、この制御回路は例えば図８に示す構成の制御回路９１である。図８は、本発明の実施の形態１〜２にかかる機械学習装置１、数値制御装置３、および異常推測装置５の機能を実現するための制御回路９１の構成を示す図である。図８に示すように、制御回路９１は、プロセッサ９２と、メモリ９３とを備える。プロセッサ９２は、ＣＰＵであり、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）などとも呼ばれる。メモリ９３は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（登録商標）（Electrically ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（Digital Versatile Disk）などである。

上記の処理回路が制御回路９１により実現される場合、プロセッサ９２がメモリ９３に記憶された、各構成要素の処理に対応するプログラムを読み出して実行することにより実現される。また、メモリ９３は、プロセッサ９２が実行する各処理における一時メモリとしても使用される。

以上の実施の形態に示した構成は、本発明の内容の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、本発明の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、上記の実施の形態１および２の機械学習装置１は、数値制御装置３に内蔵されてもよいし、クラウドサーバ上に存在してもよい。また、上記実施の形態２の異常推測装置５は、上記では、数値制御装置３および機械学習装置１と異なる装置であることとしたが、数値制御装置３および機械学習装置１の少なくとも一方と同一の装置上で実現されてもよい。また異常推測装置５は、クラウドサーバ上に存在してもよい。

１ 機械学習装置、２ 工作機械、３ 数値制御装置、４ ＨＭＩ、５ 異常推測装置、１１ 状態観測部、１２ 学習部、２１ 駆動部、２２ 検知部、５１ 学習結果取得部、５２ 推測条件取得部、５３ 推測部、５４ 通知部、６０ 表示画面、６１ 加工条件入力領域、６２ 推測結果表示領域、６３ 加工開始ボタン、９０ 処理回路、９１ 制御回路、９２ プロセッサ、９３ メモリ、１００ 機械学習システム、２００ 制御システム。

Claims (10)

1. 加工対象物を加工する工作機械の異常発生条件を学習する機械学習装置であって、
   工具の寿命を示す工具寿命情報と、前記工作機械の加工条件と、を状態変数として観測する状態観測部と、
   前記状態変数と前記工作機械の異常の通知有無とに基づいて作成されるデータセットに従って、前記異常発生条件を学習する学習部と、
   を備えることを特徴とする機械学習装置。
2. 前記加工条件は、前記加工対象物の性質を示す情報と、前記工作機械の動作状態を示す情報と、前記工具の種類を示す情報とのうち少なくとも１つを含むことを特徴とする請求項１に記載の機械学習装置。
3. 前記工作機械の動作状態を示す情報は、前記工具の移動量を示す情報と、前記工作機械に備わるサーボモータの送り速度と、前記工作機械の温度とのうち少なくとも１つを含むことを特徴とする請求項２に記載の機械学習装置。
4. 前記状態観測部は、前記工作機械を数値制御する数値制御装置から前記工具寿命情報を取得することを特徴とする請求項１から３のいずれか１項に記載の機械学習装置。
5. 前記工具寿命情報は、前記工具の使用回数および使用時間から算出されることを特徴とする請求項１から４のいずれか１項に記載の機械学習装置。
6. 前記加工条件は、入力装置を用いて入力される情報と、前記工作機械に設けられた検知部が検知する情報と、前記工作機械を制御するための制御プログラムから取得される情報とのうち少なくとも１つを含むことを特徴とする請求項１から５のいずれか１項に記載の機械学習装置。
7. 前記加工条件および前記工具寿命情報を含む推測条件と、前記異常発生条件の学習結果とに基づいて、前記工作機械の異常が発生するか否かを推測する推測部と、
   前記推測部の推測結果を通知する通知部と、
   をさらに備えることを特徴とする請求項１から６のいずれか１項に記載の機械学習装置。
8. 請求項１から７のいずれか１項に記載の機械学習装置を備えることを特徴とする数値制御装置。
9. 請求項１から７のいずれか１項に記載の機械学習装置から前記異常発生条件の学習結果を取得する学習結果取得部と、
   前記加工条件および前記工具寿命情報を含む推測条件を取得する推測条件取得部と、
   前記推測条件と、前記学習結果とに基づいて、前記工作機械の異常が発生するか否かを推測する推測部と、
   前記推測部の推測結果を通知する通知部と、
   を備えることを特徴とする異常推測装置。
10. 請求項１から７のいずれか１項に記載の機械学習装置と、
    請求項９に記載の異常推測装置と、
    前記加工条件の入力を受け付ける加工条件入力領域と、前記異常推測装置の推測結果を表示する推測結果表示領域と、加工の開始を指示するための操作部と、を含む表示画面を出力する出力装置と、
    を備えることを特徴とする工作機械の制御システム。

Images