WO2023031984A1 - 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム - Google Patents

加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム Download PDF

Info

Publication number
WO2023031984A1
WO2023031984A1 PCT/JP2021/031649 JP2021031649W WO2023031984A1 WO 2023031984 A1 WO2023031984 A1 WO 2023031984A1 JP 2021031649 W JP2021031649 W JP 2021031649W WO 2023031984 A1 WO2023031984 A1 WO 2023031984A1
Authority
WO
WIPO (PCT)
Prior art keywords
section
machining
feature amount
transition
prediction
Prior art date
Application number
PCT/JP2021/031649
Other languages
English (en)
French (fr)
Inventor
哲史 石田
隆顕 中村
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2022503591A priority Critical patent/JP7051030B1/ja
Priority to CN202180098677.1A priority patent/CN117396305A/zh
Priority to PCT/JP2021/031649 priority patent/WO2023031984A1/ja
Priority to DE112021007553.5T priority patent/DE112021007553T5/de
Publication of WO2023031984A1 publication Critical patent/WO2023031984A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present disclosure relates to a machining dimension prediction device, a machining dimension prediction system, a machining dimension prediction method, and a program.
  • Manufacturing lines at FA Fractory Automation
  • Manufacturing lines at FA may include processes in which machine tools process workpieces.
  • Patent Literature 1 describes a technique for extracting feature values from machine tool driving state information collected in a predetermined machining interval and generating a prediction model for predicting machining dimensions from the feature values. there is By using this predictive model, it is possible to judge the processing quality or to diagnose whether the processing was normal even if the processing dimensions are not measured after processing.
  • the machining dimensions predicted using the technique of Patent Document 1 and the actual The error with the measured processing dimensions is small.
  • the cutting amount may vary with respect to the measurement position due to factors such as the contact angle of the cutting tool on the machining surface or curve interpolation control performance of NC (Numerical Control) machine tools. not uniform.
  • NC Genetic Control
  • the present disclosure has been made in view of the above circumstances, and aims to more accurately predict the dimensions of a workpiece machined by a machine tool.
  • the machining dimension prediction apparatus of the present disclosure provides transition information indicating the transition of the state of the machine tool during the machining period from the start to the end of machining by the machine tool.
  • transition acquisition means for acquiring each object; feature amount calculation means for calculating a feature amount from the state transition in each of a plurality of sections included in the processing period based on the transition information; and a plurality of processed objects.
  • Measured value acquisition means for acquiring measured values of dimensions
  • Section specifying means for specifying, from among a plurality of sections, a section in which a feature value having the highest degree of association with the measured value is calculated as a specific section
  • prediction means for predicting dimensions of a new workpiece after machining based on the feature amount calculated from the transition of the state in the specific section when the workpiece is machined.
  • the section identifying means identifies, from a plurality of sections, a section in which a feature value having the highest degree of association indicating the degree of association with the measured value is calculated as a specific section, and the prediction means identifies a new target
  • the dimensions of the new workpiece after machining are predicted based on the feature amount calculated from the transition of the state in the specific section. That is, the dimension is predicted based on the feature value of the section most relevant to the actual dimension within the machining period. Therefore, it is possible to more accurately predict the dimensions of the workpiece machined by the machine tool.
  • FIG. 1 is a diagram showing the configuration of a machining dimension prediction system according to Embodiment 1.
  • FIG. FIG. 4 shows an example of processing a workpiece according to the first embodiment; A diagram for explaining processing according to the first embodiment. The figure which shows the hardware constitutions of the processing dimension prediction apparatus which concerns on Embodiment 1.
  • FIG. 4 is a diagram for explaining prediction of processing dimensions by the processing dimension prediction apparatus according to the first embodiment; 1 is a diagram showing a functional configuration of a processing dimension prediction device according to Embodiment 1;
  • FIG. 4 is a diagram for explaining calculation of a feature amount according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of calculation of feature amounts according to Embodiment 1; A diagram showing an example of calculation of the degree of association according to the first embodiment A diagram showing an example of a prediction model according to Embodiment 1 4 is a flowchart showing learning processing according to Embodiment 1 Flowchart showing verification processing according to the first embodiment Flowchart showing prediction processing according to Embodiment 1
  • FIG. 11 is a diagram for explaining calculation of a feature amount according to the second embodiment;
  • FIG. 11 is a diagram showing an example of calculation of feature amounts according to the second embodiment;
  • FIG. 11 is a diagram for explaining learning of a prediction model according to Embodiment 3; Diagram for explaining the degree of importance according to the fourth embodiment Diagram for explaining the degree of divergence according to the fifth embodiment
  • FIG. 1 for explaining section setting according to Embodiment 6 A second diagram for explaining setting of sections according to the sixth embodiment The figure which shows the measurement site
  • a machining dimension prediction apparatus 10 includes a machine tool 20 for machining a workpiece 40, a sensor 21 for measuring the state of the machine tool 20, and a sensor 21 for measuring the state of the machine tool 20.
  • a machined dimension prediction system 100 is configured with a measuring device 30 for acquiring coordinate information and dimension measurements of the machined workpiece 40 to inspect quality.
  • the processing dimension prediction system 100 corresponds to a part of a production system as an FA system installed in a factory. In the machining dimension prediction system 100, by specifying a portion of the information collected from the machine tool 20 that particularly affects the machining dimension, the accuracy of machining dimension prediction is improved. Prediction in the processing dimension prediction system 100 means estimating the processing dimension without actually measuring the dimension.
  • the machine tools 20 are, for example, NC machine tools represented by milling machines, lathes, drilling machines, machining centers and turning centers.
  • the machine tool 20 uses a tool to machine the workpiece 40 by executing a preset NC control program.
  • Tools are, for example, end mills, face mills, drills, taps, or chips.
  • the workpiece 40 is a workpiece to be processed. Processing is, for example, cutting, grinding, or cutting.
  • FIGS. 2 and 3 show an example of machining the workpiece 40.
  • a machine tool 20 cuts a metal workpiece 40 by bringing a tool 201, which is an end mill, into contact with the workpiece 40 as indicated by an arrow to form a spiral wing. Specifically, the machine tool 20 moves the tool 201 in the direction indicated by the thick line arrow in FIG. Moving the tool 201 forms an outward facing surface 402 shown in dashed lines.
  • the workpiece 40 machined in this manner is used as a component of a scroll compressor. Since the dimensions of the blades of scroll compressors are required to be highly accurate, such prediction of dimensions during machining must be accurate.
  • the machine tool 20 is connected to the machining dimension prediction device 10 via a communication line or an analog signal line. Send to device 10 .
  • the transition of the state of the machine tool 20 is a state transition accompanying machining that changes according to the wear state of the tool, the state of the workpiece 40, and the contact state between the tool and the workpiece 40
  • the state of the machine tool 20 is, for example, the value of the current or torque flowing in the spindle motor that rotates the tool, the value of the current or torque flowing in the motor of the feed shaft of the table on which the workpiece 40 is fixed, and the coordinates of the spindle or table. value, or the temperature or vibration intensity at the machine tool 20 .
  • the state transition information may be transmitted in real time during machining, or the measurement results during machining may be collectively transmitted after machining.
  • the sensor 21 is a state transition information collection device that periodically collects the state of the machine tool 20 and is added to the existing machine tool 20 after the fact. Alternatively, sensor 21 may be installed as part of the functionality of machine tool 20 as described above.
  • the sensor 21 is connected to the processing dimension prediction device 10 via a communication line or an analog signal line, and transmits the collection result to the processing dimension prediction device 10 .
  • An individual identification number represented by a manufacturing serial number corresponding to each workpiece 40 is assigned to the results collected by the sensor 21 . Based on this individual identification number and the progress of machining (state transition) notified from the machine tool 20, the machining dimension prediction device 10 determines the portion corresponding to the time of machining by the machine tool 20 from the results collected by the sensor 21. to extract
  • the machining dimension prediction system 100 may be configured by omitting one of the transmission of the collected results from the machine tool 20 and the transmission of the collected results from the sensor 21 .
  • the processing dimension prediction system 100 may be configured without the sensor 21 .
  • the measuring device 30 is connected to the processing dimension prediction device 10 via a communication line, measures the dimensions of the machined workpiece 40, assigns an individual identification number to the measurement result, and transmits it to the processing dimension prediction device 10. do.
  • the measurement by the measuring device 30 corresponds to the inspection process for the workpiece 40 that has undergone the machining process.
  • the dimension measured by the measuring device 30 is usually the dimension of the portion of the workpiece 40 machined by the machine tool 20 .
  • the length D1 from the reference plane to a specific position on the inward surface 401 of the wing and the length D2 corresponding to the thickness of the specific portion of the wing are measured.
  • the measurement target is not limited to the example shown in FIG.
  • the number of measurement targets may be one, or three or more.
  • the processing dimension prediction device 10 is, for example, an IPC (Industrial Personal Computer), a PLC (Programmable Logic Controller), or other FA device.
  • the machining dimension prediction apparatus 10 has a hardware configuration including a processor 51, a main memory unit 52, an auxiliary memory unit 53, an input unit 54, an output unit 55, and a communication unit 56. and have The main storage unit 52 , auxiliary storage unit 53 , input unit 54 , output unit 55 and communication unit 56 are all connected to the processor 51 via an internal bus 57 .
  • the processor 51 includes a CPU (Central Processing Unit), MPU (Micro Processing Unit), arithmetic GPU (Graphics Processing Unit), or FPU (Floating Point Unit), which are integrated circuits.
  • the processor 51 executes the program P1 stored in the auxiliary storage unit 53 to realize various functions of the machining dimension prediction device 10 and execute the processes described later.
  • the main storage unit 52 includes a RAM (Random Access Memory).
  • a program P1 is loaded from the auxiliary storage unit 53 into the main storage unit 52 .
  • the main storage unit 52 is used as a work area for the processor 51 .
  • the auxiliary storage unit 53 includes a non-volatile memory typified by EEPROM (Electrically Erasable Programmable Read-Only Memory).
  • Auxiliary storage unit 53 stores various data used for processing of processor 51 in addition to program P1.
  • Auxiliary storage unit 53 supplies data used by processor 51 to processor 51 and stores the data supplied from processor 51 in accordance with instructions from processor 51 .
  • the input unit 54 includes input devices typified by input keys, buttons, switches, keyboards, pointing devices, and DI contacts (photocoupler input).
  • the input unit 54 acquires information input by the user of the processing dimension prediction apparatus 10 and other information provided from the outside, and notifies the processor 51 of the acquired information.
  • the output unit 55 includes output devices typified by LEDs (Light Emitting Diodes), LCDs (Liquid Crystal Displays), DO contacts (photocoupler output), and speakers.
  • the output unit 55 presents various information to the user or outputs to the outside according to instructions from the processor 51 .
  • the communication unit 56 has a network interface circuit and an analog signal circuit for communicating with external devices. Communication unit 56 receives a signal from the outside and outputs information indicated by this signal to processor 51 . The communication unit 56 also transmits a signal indicating information output from the processor 51 to an external device or outputs an analog signal.
  • the machining dimension prediction device 10 can calculate the actual dimension values obtained from the measuring device 30 and The relationship with the state transitions of the machine 20 is learned. Further, as shown in FIG. 5, the machining dimension prediction device 10, when machining a new workpiece 41, changes the state of the machine tool 20 notified from the machine tool 20 and the sensor 21, and the learned above The machining dimensions of the new workpiece 41 are predicted from the relationship.
  • the machining dimension prediction device 10 has a transition acquisition unit 11 that acquires transition information indicating the transition of the state of the machine tool 20 during the machining period from the start to the end of machining.
  • a product type/manufacturing serial number acquiring unit 12 for acquiring the product type and manufacturing serial number of the workpieces 40 and 41;
  • a feature amount calculation unit 14 that calculates a feature amount from the transition of the state in the section cut out by the cutout unit 13;
  • a section identification unit 16 that identifies at least one section for which a feature amount with a high degree of association is calculated, a learning unit 17 that learns a prediction model for predicting dimensions from the feature amount of the identified section, and a new It has a prediction unit 18 that applies transition information about the workpiece 41 to a prediction model to predict dimensions, and a notification unit 19 that notifies the result of quality judgment based on the prediction result.
  • the transition acquisition unit 11 is mainly realized by the communication unit 56.
  • the transition acquisition unit 11 acquires transition information from at least one of the machine tool 20 and the sensor 21 for each of the workpieces 40 and 41 subjected to the same machining.
  • the transition acquisition unit 11 acquires transition information indicating the time-series waveform of the machining torque as indicated by line L1 in FIG. 7 as the transition of the state of the machine tool 20 .
  • the machining torque corresponds to the current value of the spindle motor of the machine tool 20 .
  • the transition acquisition unit 11 obtains the transition information indicating the transition of the state of the machine tool 20 during the machining period from the start to the end of machining by the machine tool 20 for a plurality of workpieces to be machined.
  • 40 corresponds to an example of a transition acquisition unit that acquires each.
  • the product type/manufacturing serial number acquisition unit 12 is mainly implemented by the communication unit 56 .
  • the product type/manufacturing serial number acquisition unit 12 acquires the product type information and the manufacturing serial number of the workpieces 40 and 41 from the machine tool 20 and the measuring device 30 .
  • the product type/manufacturing serial number acquisition unit 12 outputs the acquired product type information and manufacturing serial number to the section extraction unit 13 and the measurement value acquisition unit 15 . Since the workpieces 40 and 41 to which the same processing is performed have a common type, the product type information indicates that the workpieces 40 and 41 to which the same processing is performed is the processing target to which another processing is performed. Used to distinguish objects.
  • the manufacturing serial number is used for individual identification of the individual workpieces 40 and 41 .
  • the section extraction unit 13 divides the processing period of the acquired transition information into a plurality of sections according to the transition information extraction conditions linked in advance to the product type information, and outputs them to the feature amount calculation unit 14 . In addition, the section extraction unit 13 also divides the transition information about the new workpiece 41 into a plurality of sections according to the transition information extraction conditions linked in advance to the product type information, and outputs the sections to the feature amount calculation unit 14 .
  • the machining period does not have to correspond to all of the machining processes for the workpieces 40 and 41 .
  • the machining process for the workpieces 40 and 41 includes a rough cutting process, a process of forming the inwardly facing surface 401 and the outwardly facing surface 402 using the tool 201, and a process of forming screw holes using another tool.
  • the processing period described above may correspond to the step of forming the inward facing surface 401 and the outward facing surface 402 .
  • the processing period may include the timing at which the workpieces 40 and 41 are processed for the portion to be measured by the measuring device 30 .
  • the section cutout unit 13 cuts out a plurality of sections A1 to A18 included in the processing period.
  • Sections A1 to A18 are obtained by repeating the operation of setting the next section by shifting the section A1, which has a length preset by the user and starting from the processing start point, and shifting this section by a predetermined shift width. and a plurality of sections A2 to A18 to be cut out.
  • the shift width in the example of FIG. 7 is equal to the length of the interval, but the shift width can be shorter or longer than the interval length.
  • the length of the last section A18 may be changed so as to be included in the machining period. It should be noted that the section is set so as to be common to the types of the plurality of workpieces 40 .
  • the feature quantity calculation unit 14 is mainly realized by the processor 51.
  • the feature amount calculation unit 14 calculates a plurality of types of feature amounts from the transition of the state of the machine tool 20 in each section. For example, as shown in FIG. 8, the feature quantity calculation unit 14 calculates the feature quantity of the waveform in section A4 as the feature quantity F1 that is the maximum value, the feature quantity that is the minimum value F2, the feature quantity that is the average value F3, Then, the feature amount F4, which is the median value, is calculated.
  • FIG. 9 illustrates a plurality of types of feature amounts calculated for each of a plurality of sections included in the machining period for each of the plurality of workpieces 40 .
  • the identifier of the first workpiece 40 is indicated as [40-01]
  • the identifier of the second workpiece 40 is indicated as [40-02].
  • the feature amount calculation unit 14 outputs the feature amounts calculated for the plurality of workpieces 40 to the section identification unit 16 .
  • the feature quantity calculation unit 14 outputs the feature quantity calculated for the new workpiece 41 to the prediction unit 18 .
  • the feature amount calculation unit 14 calculates the feature amount from the state transition in each of a plurality of sections included in the machining period based on the transition information acquired for each workpiece in the machining dimension prediction device 10. It corresponds to an example of means.
  • the measured value acquisition unit 15 is mainly realized by the communication unit 56.
  • the measured value acquiring unit 15 acquires the measured values of the dimensions of each of the plurality of processed objects 40 from the measuring device 30, acquires the product type information and the manufacturing serial number from the product type/manufacturing serial number obtaining unit 12, The measurement values acquired for each of the workpieces 40 are output to the section identifying section 16 .
  • the measured value acquiring unit 15 corresponds to an example of a measured value acquiring unit that acquires the measured values of the dimensions of the plurality of processed workpieces 40 in the processing dimension prediction device 10 .
  • the section specifying unit 16 is mainly realized by the processor 51.
  • the section identification unit 16 identifies a plurality of combinations of the types of feature amounts and the sections for which the feature amounts are calculated in descending order of the degree of relevance to the measured value.
  • the degree of association is an index value indicating the degree of association between the calculated feature quantity and the measured value of the machining dimension for each of the plurality of workpieces 40, and is equal to, for example, the magnitude of the correlation coefficient.
  • FIG. 10 exemplifies the magnitude of the correlation coefficient between the feature amount of each type calculated from the state transition in each section and the measured value as the degree of association. In the example of FIG.
  • the combination of section A14 and feature amount F4 and the combination of section A5 and feature amount F3 are identified as two combinations in descending order of relevance and shown in bold.
  • the correlation coefficient is a real number ranging from -1 to 1, and the greater the magnitude of the correlation coefficient, that is, the greater the absolute value of the correlation coefficient, the higher the relevance to the measured value.
  • the number of combinations specified by the section specifying unit 16 is preset by the user.
  • the inward surface 401 shown in FIG. 3 is formed in the first partial period in FIG. 7, and the outward surface 402 shown in FIG. 3 is formed in the second partial period in FIG.
  • the length D2 shown in FIG. 3 is to be measured by the measuring device 30
  • the section obtained by processing the part to be measured in the first partial period and the part to be measured in the second partial period is processed, and the interval is particularly highly related to the measured value. Therefore, when the length D2 is included in the measurement target, it is preferable to specify two sections, and the user may set two or more combinations of the specified sections and feature amounts. Moreover, when only the length D2 is to be measured, the user may set two specified combinations.
  • the section identification unit 16 should identify at least one combination with the highest degree of association.
  • the section identifying unit 16 may identify all combinations for which a degree of association greater than a predetermined threshold value is calculated. When specifying all combinations for which a degree of association greater than the threshold is calculated, combinations with feature quantities having a degree of association that is the second or lower in the same section may be excluded.
  • the section identifying unit 16 outputs the identified combination, the feature amount of the identified section, and the measured value to the learning unit 17 .
  • the section identification unit 16 is an example of section identification means for identifying, from among a plurality of sections, the section for which the feature amount having the highest degree of association indicating the degree of association with the measured value is calculated in the processing dimension prediction device 10 as the specific section. Equivalent to.
  • the learning unit 17 is mainly realized by the processor 51.
  • the learning unit 17 predicts the machining dimension from the feature quantity of the section identified by the section identifying unit 16 from the relationship between the feature quantity of the section and the measured value of the machining dimension. learn a prediction model for For example, when one combination is specified by the section specifying unit 16, the learning unit 17 learns a regression line L10 as shown in FIG. 11 as a prediction model. Also, when two combinations are specified by the section specifying unit 16 as shown in FIG. 10, the learning unit 17 learns a prediction model represented by the following regression equation (1).
  • the learning unit 17 learns the prediction model by regression analysis.
  • the learning unit 17 outputs the learned prediction model to the prediction unit 18 .
  • the prediction model corresponds to an example of a second prediction model for predicting the dimension of the workpiece 40 from the feature amount corresponding to the specific section. It corresponds to an example of learning means for learning.
  • the prediction unit 18 acquires the feature amount calculated from the transition information about the new workpiece 41 from the feature amount calculation unit 14, and determines the interval identified by the interval identification unit 16 from the acquired feature amount.
  • the dimension of the new workpiece 41 is estimated by applying the feature amount to the learned prediction model. For example, the prediction unit 18 obtains the value of the machining dimension corresponding to the feature amount of the new workpiece 41 on the regression line L10 in FIG. 11 as the predicted value. Further, the prediction unit 18 obtains the predicted value B of the machining dimension by substituting the values of F3 A5 and F4 A14 of the new workpiece 41 into the regression equation (1). Then, the prediction unit 18 outputs the prediction result of the machining dimension to the notification unit 19 .
  • the prediction unit 18 calculates the post-machining of the new workpiece based on the feature amount calculated from the state transition in the specific section. It corresponds to an example of prediction means for predicting dimensions, and more specifically, the feature of the type identified by the section identification means, which is calculated from the transition of the state in the specific section identified together with the type of feature amount by the section identification means. This corresponds to an example of predicting means for predicting the post-machining dimensions of the new workpiece 41 based on the amount.
  • the notification unit 19 is mainly realized by the output unit 55.
  • the notification unit 19 determines whether or not the predicted value of the machining dimension predicted by the prediction unit 18 is out of a predetermined allowable range, thereby determining the quality of the new workpiece 41 . Then, when it is determined that the predicted value is out of the allowable range, the notification unit 19 notifies the user that the processing is defective.
  • the notification by the notification unit 19 may be display on the screen of the machining dimension prediction device 10, lighting of an LED, or generation of a buzzer sound.
  • the notification unit 19 may notify the machine tool 20 of the defective machining, display an alarm on the machine tool 20 and stop the machining, or the tool length ( coordinates) may be corrected.
  • the tool length correction is, for example, correcting the coordinates of the tool and the coordinates of the table according to the tool length that has changed due to wear. It is to improve the contact state between 41 and the tool.
  • the notification unit 19 may have a tool length correction unit 191 for executing tool length correction.
  • the tool length correction unit 191 corresponds to an example of correction means for correcting the tool length set in the machine tool for machining the workpiece when the dimension predicted by the prediction means is out of the allowable range.
  • the tool length correction section 191 may be provided outside the notification section 19 , or the machining dimension prediction device 10 may have the tool length correction section 191 instead of the notification section 19 .
  • the notification unit 19 may notify the result of prediction by the prediction unit 18. Specifically, the notification unit 19 may display information indicating the predicted value on the screen.
  • the notification unit 19 corresponds to an example of notification means for notifying that the dimension is out of the allowable range when the dimension predicted by the prediction means is out of the allowable range in the machining dimension prediction device 10. .
  • the reporting unit 19 accumulates the measured value of the machining dimension of the workpiece 40 and the predicted value of the machining dimension of the new workpiece 41, and based on the history of these machining dimensions, The result of predicting the number of times of machining until the tool length changes due to wear and the machined dimensions will be out of the allowable range in the future may be reported. Normally, due to tool wear and deterioration, the error of machining dimensions from design values increases as the number of machining operations increases. Therefore, it is possible to predict to some extent the number of machining operations until the machining dimensions are out of the allowable range.
  • the notification unit 19 may perform regression analysis for predicting future machining dimensions from the history of machining dimensions, or regression analysis for predicting the magnitude of future errors from the history of machining dimension errors. Analysis may be performed.
  • the information to be notified may be the remaining number of machining operations or the length of time until the remaining number of machining operations becomes zero.
  • the notification unit 19 may notify information about the number of remaining machining times.
  • FIG. 12 to 14 show the flow of learning processing, verification processing, and prediction processing executed by the machining dimension prediction device 10.
  • FIG. 12 to 14 show the flow of learning processing, verification processing, and prediction processing executed by the machining dimension prediction device 10.
  • the learning process shown in FIG. 12 is a process for learning a predictive model, and is started when the user executes a specific application installed in the machining dimension predicting device 10.
  • the transition acquisition unit 11 acquires transition information for each of the plurality of workpieces 40 to be processed of the same product type (step S11), and the section extraction unit 13 uses the extraction rule specified in advance for each product type.
  • the state transition indicated by the transition information is divided into a plurality of intervals (step S12).
  • the feature amount calculation unit 14 calculates the feature amount from the state transition in each of the plurality of sections included in the processing period (step S13).
  • the measured value acquisition unit 15 acquires the measured values of the machining dimensions of the plurality of workpieces 40 whose transition information has been acquired in step S11, and uses the manufacturing serial number acquired in step S11. It is associated with the transition information of the workpiece 40 (step S14).
  • the section identification unit 16 identifies a plurality of combinations of the section and the type of the feature amount calculated in step S13 in descending order of the degree of association with the measurement value acquired in step S14 (step S15).
  • the learning unit 17 learns a prediction model for predicting the machining dimension from the feature amount of the section specified in step S15 (step S16), and the learning process ends.
  • the verification process shown in FIG. 13 is a process of verifying the prediction accuracy when using the prediction model learned in the learning process.
  • the transition acquisition unit 11 acquires transition information about a plurality of workpieces 40 different from the learning target, which have undergone machining of the same type as the workpiece 40 collected in step S11 of the learning process. (step S21).
  • the feature amount calculation unit 14 calculates the feature amount from the state transition in each of the plurality of sections set for each product type included in the processing period (step S22 ), the prediction unit 18 uses the prediction model learned in the learning process to predict the machining dimension from the feature amount calculated in step S22 (step S23).
  • the measured value acquisition unit 15 acquires the measured values of the machining dimensions of the plurality of workpieces 40 whose transition information has been acquired in step S21 (step S24), and the prediction unit 18 acquires the The predicted value of the machining dimension is compared with the measured value obtained in step S24 (step S25). For example, the prediction unit 18 records residuals between predicted values and measured values.
  • the prediction unit 18 determines whether the prediction accuracy obtained in step S25 is within a predetermined allowable range (step S26).
  • the determination in step S26 may be a determination as to whether or not the coefficient of determination obtained from the dimension values predicted in the multiple machining and the measured values of the workpiece 40 after adjusting the degrees of freedom are within the allowable range.
  • the notification unit 19 notifies the user of an error indicating that a prediction model with sufficient prediction accuracy was not obtained (step S27). .
  • it is expected that a prediction model with sufficient prediction accuracy will be learned again by causing the user to re-execute the learning process using, for example, new learning target data. If it is determined that the prediction accuracy is within the allowable range (step S26; Yes), and after step S27 is finished, the verification process ends.
  • the prediction process shown in FIG. 14 is a process of predicting machining dimensions of a new workpiece 41 using a prediction model.
  • the transition acquisition unit 11 acquires transition information about the new workpiece 41 (step S31), and the section extraction unit 13 uses the extraction rule specified in advance for each product type.
  • the state transition indicated by the transition information is divided into a plurality of intervals (step S32).
  • the feature amount calculation unit 14 calculates the feature amount of the section specified in step S15 of the learning process among the sections divided in step S32 (step S33).
  • the prediction unit 18 predicts the machining dimensions of the new workpiece 41 using the prediction model verified to have sufficient prediction accuracy in the verification process (step S34).
  • the notification unit 19 acquires and records the predicted new dimensions of the workpiece 41 (step S35).
  • the notification unit 19 may record together the measured value of the workpiece 40 targeted for the learning process and the measured value of the workpiece 40 targeted for the verification process.
  • the notification unit 19 determines whether the dimension predicted in step S34 is outside the allowable range (step S36). When it is determined that the dimension is out of the allowable range (step S36; Yes), the notification unit 19 notifies the user of that fact (step S37). Further, when the tool length is to be corrected, the tool length (coordinates) for keeping the dimensions of the next and subsequent workpieces 41 within the allowable range is transmitted to the machine tool 20 (step S38). When it is determined that the dimension is not out of the allowable range (step S36; No), the notification unit 19 notifies the number of remaining machining operations until the dimension is out of the allowable range based on the recorded history of dimensions (step S39). . After that, the prediction process ends.
  • the section identification unit 16 identifies the section in which the feature value having the highest degree of association is calculated from a plurality of sections, and the prediction unit 18 detects when the new workpiece 41 is processed.
  • the post-machining dimension of the new workpiece 41 is predicted based on the feature amount calculated from the state transition in the section identified by the section identifying unit 16 . That is, the machining dimension is predicted based on the feature amount of the section most relevant to the actual dimension in the machining period. Therefore, the dimensions of the new workpiece 41 machined by the machine tool 20 can be predicted more accurately.
  • the machining dimension prediction device 10 According to the machining dimension prediction device 10 according to the present embodiment, time-series data collected during the machining period for works of the same type machined under the same machining conditions, and dimensions measured after machining. By collecting and registering a certain amount of .
  • the section identifying unit 16 identifies two or more sections in descending order of degree of association.
  • section identifying unit 16 identifies the type of the feature amount with the high degree of association in addition to the section with the high degree of association with the measured value, and the prediction unit 18 newly determines based on the identified type of feature amount.
  • the machining dimensions of the workpiece 41 are measured. As a result, it is possible to predict the machining dimension with high accuracy based on the appropriate type of feature amount.
  • the section identification unit 16 identifies the section with the largest correlation coefficient with the measured value as the section with the highest degree of association.
  • the computational load for calculating the correlation coefficient is relatively light. Therefore, it is possible to lighten the calculation load for identifying the section. In particular, when the number of sections and the number of types of feature amounts increase and the search range for the section identification unit 16 to identify combinations of sections and types of feature amounts increases, the computational load can be reduced. can.
  • the feature amount calculation unit 14 calculates a feature amount each time a section of a predetermined length shifts within the processing period. As a result, it is possible to lighten the calculation load for calculating the feature amount.
  • the processing dimension prediction device 10 also includes a learning unit 17 that learns a prediction model. As a result, it is possible to accurately estimate machining dimensions using a prediction model obtained from a large amount of data.
  • the processing dimension prediction device 10 also includes a notification unit 19 that notifies that the predicted processing dimension is out of the allowable range. As a result, even if the new workpiece 41 is not inspected using the measuring device 30, it is possible to determine whether it is good or bad. Furthermore, tool length correction (coordinates) is performed as the amount of cutting is reduced due to wear, and machining of non-defective products can be continued.
  • the notification unit 19 notifies information regarding the number of machining operations until the machining dimensions deviate from the allowable range in the future. This allows the user to recognize in advance when to replace the tool and prepare a new tool.
  • the feature amount calculator 14 may calculate the feature amount for each section obtained by dividing the processing period.
  • the intervals A1 to A18 illustrated in FIG. 7 may be intervals obtained by equally dividing the machining period into 18 intervals.
  • the number of sections after division may be set in advance, or the processing period may be divided so that the section length approximates a predetermined length. Also in this case, it is possible to lighten the calculation load for calculating the feature amount.
  • Embodiment 2 Next, the second embodiment will be described, focusing on differences from the first embodiment described above. It should be noted that the same or equivalent configurations as those of the first embodiment are denoted by the same reference numerals, and the explanations thereof are omitted or simplified.
  • the present embodiment differs from the first embodiment in that a section for calculating a feature amount is obtained by synthesizing a plurality of partial sections included in the processing period.
  • the sections A1 to A18 shown in FIG. 7 in the first embodiment are treated as partial sections, and the feature amount calculation unit 14 calculates the feature from the waveform of the section obtained by synthesizing the two partial sections. Calculate quantity. More specifically, as shown in FIG. 15, the feature quantities F1 to F4 are calculated from the combined waveform in the section combining the partial sections corresponding to the sections A5 and A14 in the first embodiment. As shown in FIG. 16, the feature amount calculation unit 14 calculates feature amounts for each section that is a combination of all partial sections.
  • the section according to the present embodiment combines one partial section included in the processing period and another partial section starting at the start time later than the end time of the one partial section. equivalent to the period of time obtained by When there are two parts to be measured by the measuring device 30 after being machined by the machine tool 20, like the length D2 in FIG.
  • the feature amount calculated from the synthesized waveform obtained by synthesizing the waveforms of has a higher degree of relevance to the measured value than the feature amount calculated from the individual partial sections. For this reason, it is possible to obtain a more suitable feature amount for predicting the processing dimension.
  • Embodiment 3 Next, the third embodiment will be described, focusing on differences from the first embodiment described above. It should be noted that the same or equivalent configurations as those of the first embodiment are denoted by the same reference numerals, and the explanations thereof are omitted or simplified. Since the processing dimensions are affected by the environmental temperature, for example, rather than using the same prediction model in summer and winter, it is preferable to use a prediction model suitable for summer and a prediction model suitable for winter. In this way, using a prediction model learned from data when a specific condition is satisfied, a form of predicting the machining dimensions of the new workpiece 41 when the condition is satisfied will be described below.
  • the machining dimension prediction device 10 collects a large amount of data. Each piece of data corresponds to transition information and measured values of the workpiece 40 of the same type.
  • the learning unit 17 extracts a data group that satisfies a predetermined condition from among a large amount of data, and cross-validates the extracted data. Specifically, the learning unit 17 divides the extracted information into verification target information for verification processing and learning target information for learning processing, and generates a plurality of prediction models while changing the target group. .
  • the learning unit 17 quantifies and evaluates the prediction accuracy using, for example, the degree of freedom adjusted coefficient of determination, and determines the prediction model with the highest prediction accuracy.
  • the learning unit 17 extracts a data group that satisfies the conditions from the summer period data, and determines the summer prediction model with the highest prediction accuracy. Similarly, the learning unit 17 extracts a data group that satisfies the conditions from the winter period data, and determines the winter forecast model with the highest forecast accuracy. As a result, for example, in processing under environmental conditions such as winter, by selecting a winter prediction model, a prediction model with high prediction accuracy and suitable for winter can be obtained.
  • the processing dimension prediction device 10 also performs data extraction and cross-validation for other conditions, and obtains a prediction model suitable for the other conditions. For example, a prediction model suitable for daytime when the amplitude of ground vibration is large or nighttime when the amplitude of ground vibration is small is obtained. Then, the prediction unit 18 estimates the machining dimensions of the new workpiece 41 using a prediction model suitable for the conditions when the conditions for which the prediction accuracy is verified as shown in FIG. 17 are satisfied.
  • the machining dimension prediction device 10 obtains a prediction model suitable for the conditions. Thereby, it is possible to accurately predict the machining dimensions of the new workpiece 41 when the conditions are satisfied.
  • the learning unit 17 obtains learning target information as a learning target from transition information that satisfies a predetermined condition among transition information acquired for each of a plurality of workpieces, Verification accuracy when using the second prediction model learned from the learning target information is verified by repeatedly extracting the verification target information excluded from the learning target and changing the transition information that is the learning target information.
  • This corresponds to an example of learning means for repeatedly performing verification based on the target information and the measured values of the workpiece corresponding to the transition information, which is the verification target information.
  • the prediction unit 18 corresponds to an example of prediction means for predicting the dimensions of a new workpiece using the second prediction model learned from the learning target information when the above conditions are satisfied.
  • Embodiment 4 Next, the fourth embodiment will be described, focusing on differences from the first embodiment described above. It should be noted that the same or equivalent configurations as those of the first embodiment are denoted by the same reference numerals, and the explanations thereof are omitted or simplified.
  • the present embodiment differs from the first embodiment in that an index value different from the correlation coefficient with the measured value is used as the degree of association.
  • FIG. 18 schematically shows the derivation of the degree of association according to this embodiment.
  • the transition acquisition unit 11 acquires transition information
  • the feature amount calculation unit 14 sets intervals and calculates feature amounts for all types
  • the measurement value acquisition unit 15 acquires measurement values. This is the same as steps S11 to S14 shown in FIG.
  • the section identifying unit 16 learns a measured value prediction model for predicting the measured value, using the section and the feature amounts of the plurality of types as explanatory variables and the measured value as the objective variable. For example, the section identification unit 16 learns a measurement value prediction model using a gradient boosting tree. By learning such a measured value prediction model, the degree of importance with respect to the measured value, that is, the contribution rate to the measured value, is determined for each section and type of feature quantity. Since the degree of importance can be said to be the degree to which the feature amount of each section and each type relates to the measurement value, the section identifying unit 16 identifies the types of sections and feature amounts in descending order of importance. Note that the section identification unit 16 may at least identify the section with the highest importance and the type of feature amount.
  • the section identifying unit 16 uses the feature amounts of the plurality of types as explanatory variables and the measured values as objective variables, and learns the first prediction model for predicting the measured value from the feature amounts of the plurality of types. This corresponds to an example of a section identifying means for identifying the type of feature quantity with the highest degree of importance in the first prediction model obtained as the type of feature quantity with the highest degree of association.
  • the present invention is not limited to this.
  • the types of feature values with high importance are specified, and then the feature values and measured values of the specified types are identified. You may specify the interval where the correlation coefficient of is large.
  • Embodiment 5 Next, the fifth embodiment will be described, focusing on differences from the first embodiment described above. It should be noted that the same or equivalent configurations as those of the first embodiment are denoted by the same reference numerals, and the explanations thereof are omitted or simplified.
  • the present embodiment differs from the first embodiment in that an index value different from the correlation coefficient with the measured value is used as the degree of association.
  • the section specifying unit 16 provides a transition of the state of the machine tool 20 when the workpiece 40 is normally machined, and a state transition of the machine tool 20 when the workpiece 40 is poorly machined.
  • a plurality of sections are identified as sections having a high degree of relevance in descending order of the degree of divergence representing the degree of divergence from the transition of the state of .
  • the degree of divergence for example, the LMP (Localized Matrix Profile) feature amount described in Non-Patent Document 1 is used. The larger the LMP feature amount, the greater the difference in waveform at that time.
  • the degree of deviation is used as the degree of association, it is possible to obtain a highly accurate prediction model by specifying an appropriate section by selecting a section with a high degree of deviation between a defective product and a non-defective product. There is expected.
  • the identification of the section has been described, after identifying the section based on the degree of divergence, the type of feature amount may be identified based on another index value.
  • degree of association different from the correlation coefficient, the degree of importance according to the fourth embodiment, and the degree of divergence according to the fifth embodiment.
  • degree of association a measure of independence between the feature amount and the measured value, or a mutual information amount may be employed.
  • Embodiment 6 Next, the sixth embodiment will be described, focusing on differences from the first embodiment described above. It should be noted that the same or equivalent configurations as those of the first embodiment are denoted by the same reference numerals, and the explanations thereof are omitted or simplified. This embodiment is different from the above-described first embodiment in that sections with variable widths are set.
  • the feature amount calculation unit 14 calculates the feature amount in the section corresponding to the straight line forming the polygonal line L3 that approximates the waveform representing the transition of the state of the machine tool 20.
  • the Ramer-Douglas-Peucker method is used as the method of line approximation.
  • variable-length section suitable for the waveform will be set, and the section with a high degree of relevance to the measured value will be identified.
  • the method of setting variable-width intervals is not limited to polygonal line approximation.
  • the section extraction unit 13 applies a predetermined state transition model to state transitions, predicts transitions of model states behind the waveform, and obtains individual model states. You may set an interval belonging to As the state transition model, for example, the method described in International Publication No. 2020/234961 or a hidden Markov chain can be adopted.
  • the processing dimension prediction device 10 acquires transition information and measured values by communication
  • the processing dimension prediction device 10 acquires data from a location in the auxiliary storage unit 53 or an external server specified by the user. Reading may obtain transition information and measurements.
  • the feature amount is not limited to the example described in the above embodiment, and may be a difference value between the immediately preceding measurement value and the current measurement value, or may be a positional deviation.
  • the feature amount calculation unit 14 calculates the integrated value corresponding to the area between the waveform and the horizontal axis in the section in FIG. 8 and the variance value calculated based on the feature amount F3 as the feature amount. good too.
  • the feature amount calculator 14 may calculate an arithmetic feature amount different from the difference value, the integral value, and the variance value.
  • the method for the section identification unit 16 to identify one type of feature amount from a plurality of types of feature amounts it has been described that the type with the highest degree of association is identified, but the method is not limited to this.
  • a plurality of prediction models are learned using a combination selected by the user from combinations of feature amounts and intervals having a correlation coefficient of 0.4 or more, and in verification processing of the learned prediction models, the remaining The type of feature amount may be selected by adopting the model with the smallest difference in the prediction process.
  • the parts of the workpiece 40 to be measured by the measuring device 30 are one or two parts to be machined by the machine tool 20, but the present invention is not limited to this.
  • the object to be measured is an angle
  • An example in which dimensions are measured using a total of four sites, namely two measurement sites E3 and E4 can be considered. In this example, there are cases where it is preferable to identify four intervals.
  • the functions of the machining dimension prediction device 10 can be realized by dedicated hardware or by a normal computer system.
  • the program P1 executed by the processor 51 is stored in a computer-readable non-temporary recording medium and distributed, and the program P1 is installed in the computer to configure the device that executes the above process. be able to.
  • Examples of such recording media include flexible discs, CD-ROMs (Compact Disc Read-Only Memory), DVDs (Digital Versatile Discs), and MOs (Magneto-Optical Discs).
  • the program P1 may be stored in a disk device of a server device on a communication network typified by the Internet, superimposed on a carrier wave, and downloaded to a computer.
  • the above processing can also be achieved by starting and executing the program P1 while transferring it via a communication network.
  • the above processing can also be achieved by executing all or part of the program P1 on the server device and executing the program while the computer transmits and receives information regarding the processing via a communication network.
  • the functions described above are to be shared by the OS (Operating System) or by cooperation between the OS and the application, only the parts other than the OS may be stored in a medium and distributed. , or you may download it to your computer.
  • the means for realizing the functions of the processing dimension prediction device 10 is not limited to software, and part or all of it may be realized by dedicated hardware including circuits.
  • the present disclosure is suitable for predicting the dimensions of workpieces machined by machine tools.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

加工寸法予測装置（１０）は、工作機械（２０）による加工の開始から終了までの加工期間における工作機械（２０）の状態の推移を示す推移情報を、加工が実施される複数の被加工物それぞれについて取得する推移取得部（１１）と、推移情報に基づいて、加工期間に含まれる複数の区間それぞれにおける状態の推移から特徴量を算出する特徴量算出部（１４）と、加工された複数の被加工物の寸法の測定値を取得する測定値取得部（１５）と、測定値と関連する度合いを示す関連度が最も高い特徴量が算出された区間を、複数の区間から特定区間として特定する区間特定部（１６）と、新たな被加工物が加工されるときに、特定区間における状態の推移から算出される特徴量に基づいて、新たな被加工物の加工後の寸法を予測する予測部（１８）と、を備える。

Description

加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
　本開示は、加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラムに関する。
　ＦＡ（Factory Automation）現場の製造ラインは、工作機械が被加工物に加工を施す工程を含むことが多い。加工された被加工物の寸法が許容範囲に収まっているか否かを確認するためには、加工後に被加工物の寸法を検査すればよいが、全数検査の実施は難しく、時間がかかってしまう。そこで、加工寸法を予測する技術が提案されている（例えば、特許文献１を参照）。
　特許文献１には、予め定められた加工区間において収集された工作機械の駆動状態情報から特徴量を抽出し、この特徴量から加工寸法を予測するための予測モデルを生成する技術について記載されている。この予測モデルを用いれば、加工後に加工寸法を測定しない場合であっても、加工品質の判定或いは正常な加工であったことの診断が可能になる。
特許第６８３３０９０号公報
ZHANG, Jing, et al. Fault Detection and Classification of Time Series Using Localized Matrix Profiles. In: 2019 IEEE International Conference on Prognostics and Health Management (ICPHM). IEEE, 2019. p. 1-7.
　切削工具の切り取り量が一定であって切削にともなって形成される溝幅が均一となる直線溝加工のような場合においては、特許文献１の技術を用いて予測された加工寸法と、実際に測定した加工寸法との誤差は小さい。しかしながら、曲線加工及び部分加工をともなう場合には、切削工具の加工面への当たり角又はＮＣ（Numerical Control）工作機械の曲線補間制御性能に代表される要因により、測定位置に対して切り取り量が一様ではない。これにより、予め定められた加工区間において収集された情報から抽出された特徴量は必ずしも、加工後の検査にて測定される箇所の寸法を十分に説明するデータとはならない。このため、特許文献１に記載の特徴量から加工寸法を予測する予測モデルを学習したときに、この予測モデルにより予測された加工寸法の誤差が大きくなるおそれがある。したがって、工作機械によって加工された被加工物の寸法をより正確に予測する余地がある。
　本開示は、上記実情に鑑みてなされたものであり、工作機械によって加工された被加工物の寸法をより正確に予測することを目的とする。
　上記目的を達成するため、本開示の加工寸法予測装置は、工作機械による加工の開始から終了までの加工期間における工作機械の状態の推移を示す推移情報を、加工が実施される複数の被加工物それぞれについて取得する推移取得手段と、推移情報に基づいて、加工期間に含まれる複数の区間それぞれにおける状態の推移から特徴量を算出する特徴量算出手段と、加工された複数の被加工物の寸法の測定値を取得する測定値取得手段と、測定値と関連する度合いを示す関連度が最も高い特徴量が算出された区間を、複数の区間から特定区間として特定する区間特定手段と、新たな被加工物が加工されるときに、特定区間における状態の推移から算出される特徴量に基づいて、新たな被加工物の加工後の寸法を予測する予測手段と、を備える。
　本開示によれば、区間特定手段は、測定値と関連する度合いを示す関連度が最も高い特徴量が算出された区間を、複数の区間から特定区間として特定し、予測手段は、新たな被加工物が加工されるときに、特定区間における状態の推移から算出される特徴量に基づいて、新たな被加工物の加工後の寸法を予測する。すなわち、加工期間のうちの実寸に最も関連する区間の特徴量に基づいて寸法が予測される。このため、工作機械によって加工された被加工物の寸法をより正確に予測することができる。
実施の形態１に係る加工寸法予測システムの構成を示す図 実施の形態１に係る被加工物の加工例を示す図 実施の形態１に係る加工について説明するための図 実施の形態１に係る加工寸法予測装置のハードウェア構成を示す図 実施の形態１に係る加工寸法予測装置による加工寸法の予測について説明するための図 実施の形態１に係る加工寸法予測装置の機能的な構成を示す図 実施の形態１に係る工作機械の状態の推移の一例を示す図 実施の形態１に係る特徴量の算出について説明するための図 実施の形態１に係る特徴量の算出例を示す図 実施の形態１に係る関連度の算出例を示す図 実施の形態１に係る予測モデルの一例を示す図 実施の形態１に係る学習処理を示すフローチャート 実施の形態１に係る検証処理を示すフローチャート 実施の形態１に係る予測処理を示すフローチャート 実施の形態２に係る特徴量の算出について説明するための図 実施の形態２に係る特徴量の算出例を示す図 実施の形態３に係る予測モデルの学習について説明するための図 実施の形態４に係る重要度について説明するための図 実施の形態５に係る乖離度について説明するための図 実施の形態６に係る区間の設定について説明するための第１の図 実施の形態６に係る区間の設定について説明するための第２の図 変形例に係る測定部位を示す図
　以下、本開示の実施の形態に係る加工寸法の予測について、図面を参照しつつ詳細に説明する。
　実施の形態１．
　本実施の形態に係る加工寸法予測装置１０は、図１に示されるように、被加工物４０に加工を施す工作機械２０、工作機械２０の状態を計測するセンサ２１、並びに、工作機械２０の座標情報及び加工された被加工物４０の寸法の測定値を取得して品質を検査するための測定装置３０とともに、加工寸法予測システム１００を構成する。加工寸法予測システム１００は、工場に設置されるＦＡシステムとしての生産システムの一部に相当する。加工寸法予測システム１００においては、工作機械２０から収集される情報のうちの、特に加工寸法に影響を与える部分を特定することで、加工寸法の予測精度が向上する。なお、加工寸法予測システム１００における予測は、加工寸法を実際に測定することなく当該寸法を推定することを意味する。
　工作機械２０は、例えば、フライス盤、旋盤、ボール盤、マシニングセンター及びターニングセンターに代表されるＮＣ工作機械である。工作機械２０は、予め設定されたＮＣ制御用プログラムを実行することにより、工具を用いて被加工物４０を加工する。工具は、例えば、エンドミル、フェースミル、ドリル、タップ、又はチップである。被加工物４０は、加工の対象となるワークである。加工は、例えば、切削、研削、又は切断である。
　図２，３には、被加工物４０に対する加工の一例が示されている。図２の例では、工作機械２０が、金属の被加工物４０に対して、エンドミルである工具２０１を矢印で示されるように接触させて切削することにより、渦巻き状の翼を形成する。詳細には、工作機械２０は、図３中の太線の矢印で示される方向に工具２０１を移動させることで、太線で示される内向面４０１を形成してから、破線の矢印で示される方向に工具２０１を移動させることで、破線で示される外向面４０２を形成する。このようにして加工された被加工物４０は、スクロールコンプレッサの部品として用いられる。スクロールコンプレッサの翼の寸法は、高精度であることが要求されるため、このような加工時の寸法の予測は、正確である必要がある。
　工作機械２０は、通信線またはアナログ信号線を介して加工寸法予測装置１０に接続され、内蔵のセンサにより周期的に得た工作機械２０自体の状態の推移を示す状態推移情報を、加工寸法予測装置１０に送信する。ここで、工作機械２０の状態の推移は、工具の摩耗状態、被加工物４０の状態、及び、工具と被加工物４０との接触状態に応じて変化する加工に伴う状態推移であって、工作機械２０の状態は、例えば、工具を回転させる主軸モータに流れる電流又はトルクの値、被加工物４０が固定されたテーブルの送り軸のモータに流れる電流又はトルクの値、主軸若しくはテーブルの座標値、又は、工作機械２０における温度若しくは振動強度である。状態推移情報は、加工中にリアルタイムに送信されてもよいし、加工時の計測結果が加工後にまとめて送信されてもよい。
　センサ２１は、工作機械２０の状態を周期的に収集する状態推移情報収集装置であって、既設の工作機械２０に対して事後的に追加される。または、センサ２１は、上述のように工作機械２０の機能の一部として搭載されても良い。センサ２１は、通信線またはアナログ信号線を介して加工寸法予測装置１０に接続され、収集結果を加工寸法予測装置１０に送信する。センサ２１による収集結果には、個々の被加工物４０に対応する製造シリアル番号に代表される個体識別番号が付与される。加工寸法予測装置１０は、この個体識別番号と、工作機械２０から通知される加工の進行状況（状態推移）と、に基づいて、センサ２１による収集結果から、工作機械２０の加工時に対応する部分を抽出する。
　なお、工作機械２０からの収集結果の送信及びセンサ２１からの収集結果の送信の一方を省略して加工寸法予測システム１００を構成してもよい。センサ２１からの計測結果の送信が省略される場合には、センサ２１を省略して加工寸法予測システム１００を構成してもよい。
　測定装置３０は、通信線を介して加工寸法予測装置１０に接続され、加工された被加工物４０の寸法を測定して、測定結果に個体識別番号を付与して加工寸法予測装置１０に送信する。測定装置３０による測定は、加工工程を経た被加工物４０に対する検査工程に相当する。測定装置３０によって測定される寸法は、通常、被加工物４０の工作機械２０によって加工された部位の寸法である。図３の例では、基準面から翼の内向面４０１のうちの特定の位置までの長さＤ１、及び、翼の特定部位の厚さに相当する長さＤ２が測定対象とされる。なお、測定対象は、図３に示される例に限られない。また、測定対象は、１つであってもよいし、３つ以上であってもよい。
　加工寸法予測装置１０は、例えば、ＩＰＣ（Industrial Personal Computer）、ＰＬＣ（Programmable Logic Controller）、その他のＦＡ装置である。加工寸法予測装置１０は、そのハードウェア構成として、図４に示されるように、プロセッサ５１と、主記憶部５２と、補助記憶部５３と、入力部５４と、出力部５５と、通信部５６と、を有する。主記憶部５２、補助記憶部５３、入力部５４、出力部５５及び通信部５６はいずれも、内部バス５７を介してプロセッサ５１に接続される。
　プロセッサ５１は、集積回路であるＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、演算用ＧＰＵ（Graphics Processing Unit）、又はＦＰＵ（Floating Point Unit）を含む。プロセッサ５１は、補助記憶部５３に記憶されるプログラムＰ１を実行することにより、加工寸法予測装置１０の種々の機能を実現して、後述の処理を実行する。
　主記憶部５２は、ＲＡＭ（Random Access Memory）を含む。主記憶部５２には、補助記憶部５３からプログラムＰ１がロードされる。そして、主記憶部５２は、プロセッサ５１の作業領域として用いられる。
　補助記憶部５３は、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）に代表される不揮発性メモリを含む。補助記憶部５３は、プログラムＰ１の他に、プロセッサ５１の処理に用いられる種々のデータを記憶する。補助記憶部５３は、プロセッサ５１の指示に従って、プロセッサ５１によって利用されるデータをプロセッサ５１に供給し、プロセッサ５１から供給されたデータを記憶する。
　入力部５４は、入力キー、ボタン、スイッチ、キーボード、ポインティングデバイス、及びＤＩ接点（フォトカプラ入力）に代表される入力デバイスを含む。入力部５４は、加工寸法予測装置１０のユーザによって入力された情報、その他の外部から提供される情報を取得して、取得した情報をプロセッサ５１に通知する。
　出力部５５は、ＬＥＤ（Light Emitting Diode）、ＬＣＤ（Liquid Crystal Display）、ＤＯ接点（フォトカプラ出力）及びスピーカに代表される出力デバイスを含む。出力部５５は、プロセッサ５１の指示に従って、種々の情報をユーザに提示し、又は外部に出力する。
　通信部５６は、外部の装置と通信するためのネットワークインタフェース回路とアナログ信号回路を有する。通信部５６は、外部から信号を受信して、この信号により示される情報をプロセッサ５１へ出力する。また、通信部５６は、プロセッサ５１から出力された情報を示す信号を外部の装置へ送信し、又はアナログ信号を出力する。
　上述のハードウェア構成が協働することで、加工寸法予測装置１０は、複数の被加工物４０について、測定装置３０から取得した実寸値と、工作機械２０及びセンサ２１から取得した加工時における工作機械２０の状態推移との関係を学習する。また、加工寸法予測装置１０は、図５に示されるように、新たな被加工物４１を加工する際に、工作機械２０及びセンサ２１から通知される工作機械２０の状態推移と、学習した上記関係と、から新たな被加工物４１の加工寸法を予測する。
　詳細には、加工寸法予測装置１０は、図６に示されるように、その機能として、加工開始から終了までの加工期間における工作機械２０の状態の推移を示す推移情報を取得する推移取得部１１と、被加工物４０，４１の品種及び製造シリアル番号を取得する品種・製造シリアル番号取得部１２と、推移取得部１１によって取得された推移情報から複数の区間を切り出す区間切り出し部１３と、区間切り出し部１３によって切り出された区間における状態の推移から特徴量を算出する特徴量算出部１４と、加工された被加工物４０の寸法の測定値を取得する測定値取得部１５と、測定値と関連する度合いが高い特徴量が算出される区間を少なくとも１つ特定する区間特定部１６と、特定された区間の特徴量から寸法を予測するための予測モデルを学習する学習部１７と、新たな被加工物４１に関する推移情報を予測モデルに適用して寸法を予測する予測部１８と、予測結果に基づく良否判定の結果を報知する報知部１９と、を有する。
　推移取得部１１は、主として通信部５６によって実現される。推移取得部１１は、工作機械２０及びセンサ２１の少なくとも一方から、同一の加工が施される被加工物４０，４１それぞれについて推移情報を取得する。例えば、推移取得部１１は、工作機械２０の状態の推移として、図７において線Ｌ１で示されるような加工トルクの時系列波形を示す推移情報を取得する。加工トルクは、工作機械２０の主軸モータの電流値に対応する。推移取得部１１は、加工寸法予測装置１０において、工作機械２０による加工の開始から終了までの加工期間における工作機械２０の状態の推移を示す推移情報を、加工が実施される複数の被加工物４０それぞれについて取得する推移取得手段の一例に相当する。
　品種・製造シリアル番号取得部１２は、主として通信部５６によって実現される。品種・製造シリアル番号取得部１２は、被加工物４０，４１の品種情報及び製造シリアル番号を、工作機械２０及び測定装置３０から取得する。品種・製造シリアル番号取得部１２は、取得した品種情報及び製造シリアル番号を、区間切り出し部１３及び測定値取得部１５に出力する。同一の加工が施される被加工物４０，４１について、その品種は共通するため、品種情報は、同一の加工が施される被加工物４０，４１を、他の加工が施される加工対象物と区別するために利用される。製造シリアル番号は、個々の被加工物４０，４１の個体識別に利用される。
　区間切り出し部１３は、品種情報に予め紐づけられた推移情報切り出し条件にて、取得した推移情報の加工期間を複数の区間に分割し、特徴量算出部１４に出力する。また、区間切り出し部１３は、新たな被加工物４１についての推移情報も、品種情報に予め紐づけられた推移情報切り出し条件にて複数の区間に分割して特徴量算出部１４に出力する。
　なお、加工期間は、被加工物４０，４１に対する加工工程のすべてに対応していなくともよい。例えば、被加工物４０，４１に対する加工工程が、荒削り工程と、工具２０１を用いて内向面４０１及び外向面４０２を形成する工程と、他の工具を用いてネジ穴を形成する工程と、を含む場合において、上述の加工期間は、内向面４０１及び外向面４０２を形成する工程に対応していてもよい。加工期間は、測定装置３０による測定対象となる部位に対する加工が被加工物４０，４１に施されたタイミングを含んでいればよい。
　例えば、区間切り出し部１３は、図７に例示されるように、加工期間に含まれる複数の区間Ａ１～Ａ１８を区間切り出しする。区間Ａ１～Ａ１８は、ユーザにより予め設定された長さの、加工開始時点から始まる区間Ａ１と、この区間を予め定められたシフト幅でシフトさせることで次の区間を設定する操作を繰り返すことにより切り出される複数の区間Ａ２～Ａ１８と、を含む。図７の例におけるシフト幅は、区間の長さに等しいが、シフト幅は区間の長さより短くてもよいし長くてもよい。また、最後の区間Ａ１８については、加工期間に含まれるようにその長さを変更してもよい。なお、区間は、複数の被加工物４０の品種について共通するものとして設定される。
　特徴量算出部１４は、主としてプロセッサ５１によって実現される。特徴量算出部１４は、各区間における工作機械２０の状態の推移から、複数の種別の特徴量を算出する。例えば、特徴量算出部１４は、図８に示されるように、区間Ａ４における波形の特徴量として、最大値である特徴量Ｆ１、最小値である特徴量Ｆ２、平均値である特徴量Ｆ３、及び、中央値である特徴量Ｆ４を算出する。
　図９には、複数の被加工物４０それぞれについて、加工期間に含まれる複数の区間それぞれに関して算出される複数の種別の特徴量が例示されている。図９においては、１番目の被加工物４０の識別子が［４０－０１］として示されており、２番目の被加工物４０の識別子が［４０－０２］として示されている。図６に戻り、特徴量算出部１４は、複数の被加工物４０について算出した特徴量を区間特定部１６に出力する。また、特徴量算出部１４は、新たな被加工物４１について算出した特徴量を予測部１８に出力する。特徴量算出部１４は、加工寸法予測装置１０において、被加工物それぞれについて取得された推移情報に基づいて、加工期間に含まれる複数の区間それぞれにおける状態の推移から特徴量を算出する特徴量算出手段の一例に相当する。
　測定値取得部１５は、主として通信部５６によって実現される。測定値取得部１５は、加工された複数の被加工物４０それぞれの寸法の測定値を測定装置３０から取得し、品種情報と製造シリアル番号を品種・製造シリアル番号取得部１２から取得して、被加工物４０それぞれについて取得した測定値を区間特定部１６に出力する。測定値取得部１５は、加工寸法予測装置１０において、加工された複数の被加工物４０の寸法の測定値を取得する測定値取得手段の一例に相当する。
　区間特定部１６は、主としてプロセッサ５１によって実現される。区間特定部１６は、測定値との関連度が高い順に、特徴量の種別と当該特徴量が算出された区間との組み合わせを複数特定する。関連度は、複数の被加工物４０それぞれについての、算出された特徴量と加工寸法の測定値とが関連する度合いを示す指標値であって、例えば、相関係数の大きさに等しい。図１０には、各区間における状態の推移から算出された各種別の特徴量と、測定値と、の相関係数の大きさが関連度として例示されている。図１０の例では、区間Ａ１４と特徴量Ｆ４の組み合わせ、及び、区間Ａ５及び特徴量Ｆ３の組み合わせが、関連度が高い順に２つの組み合わせとして特定されて太字で示されている。相関係数は、－１から１までの実数値であり、相関係数の大きさ、すなわち相関係数の絶対値が大きいほど、測定値との関連性が高い。
　区間特定部１６によって特定される組み合わせの数は、ユーザによって予め設定される。例えば、図３に示される内向面４０１は、図７中の第１部分期間において形成され、図３に示される外向面４０２は、図７中の第２部分期間において形成される。ここで、図３に示される長さＤ２が測定装置３０による測定対象となる場合には、第１部分期間のうちの測定対象部位を加工した区間と、第２部分期間のうちの測定対象部位を加工した区間とが、特に測定値との関連度が高い区間となる。このため、長さＤ２が測定対象に含まれる場合には、２つの区間を特定することが好ましく、ユーザは、特定される区間と特徴量との組み合わせを２つ以上に設定すればよい。また、長さＤ２のみが測定対象となる場合には、ユーザは、特定される組み合わせを２つに設定すればよい。
　なお、同一の区間については、１つの特徴量との組み合わせが特定されれば、２つ目以降の特徴量との組み合わせを特定対象から除外することが好ましい。すなわち、図１０に示されるように、区間Ａ１４と特徴量Ｆ４との組み合わせが特定されると、同一の区間Ａ１４と特徴量Ｆ３との組み合わせは特定されることなく、他の区間といずれかの特徴量との組み合わせが特定されることが好ましい。
　また、図３に示される長さＤ１が測定対象となる場合には、長さＤ１に対応する測定対象部位を加工した１つの区間が、特に測定値との関連度が高い区間となる。このため、長さＤ１のみが測定対象となる場合には、ユーザは、特定される組み合わせを１つに設定してもよい。すなわち、区間特定部１６は、関連度が最も高い組み合わせを少なくとも１つ特定すればよい。
　区間特定部１６によって特定される組み合わせの数が、測定装置３０による測定の対象となる部位に対する加工のタイミングが属する区間の数に等しい例について説明したが、これには限定されず、異なっていてもよい。例えば、図３に示される長さＤ１，Ｄ２の双方が測定対象となる場合において、区間特定部１６は、３つより少ない組み合わせを特定してもよいし、３つより多い組み合わせを特定してもよい。
　また、区間特定部１６によって特定される組み合わせの数は、予め設定されていなくともよい。例えば、区間特定部１６が、予め定められた閾値より大きい関連度が算出される組み合わせをすべて特定してもよい。閾値より大きい関連度が算出される組み合わせをすべて特定する際に、同一の区間について関連度の大きさが２番目以下の特徴量との組み合わせは、除外されてもよい。
　区間特定部１６は、特定した組み合わせ、特定した区間の特徴量、及び測定値を、学習部１７に出力する。区間特定部１６は、加工寸法予測装置１０において、測定値と関連する度合いを示す関連度が最も高い特徴量が算出された区間を、複数の区間から特定区間として特定する区間特定手段の一例に相当する。
　学習部１７は、主としてプロセッサ５１によって実現される。学習部１７は、複数の被加工物４０について、区間特定部１６によって特定された区間の特徴量と、加工寸法の測定値と、の関係から、当該区間の特徴量から加工寸法を予測するための予測モデルを学習する。例えば、区間特定部１６によって１つの組み合わせが特定された場合において、学習部１７は、図１１に示されるような回帰直線Ｌ１０を予測モデルとして学習する。また、図１０に示されるように区間特定部１６によって２つの組み合わせが特定された場合において、学習部１７は、以下の回帰式（１）で表される予測モデルを学習する。
　Ｂ＝Ｃ１・Ｆ３Ａ５＋Ｃ２・Ｆ４Ａ１４＋Ｃ３・・・（１）
　ここで、Ｂは、加工寸法の予測値を表し、Ｃ１は、第１係数を表し、Ｆ３Ａ５は、区間Ａ５の特徴量Ｆ３を表し、Ｃ２は、第２係数を表し、Ｆ４Ａ１４は、区間Ａ１４の特徴量Ｆ４を表し、Ｃ３は、定数項を表す。このように、学習部１７は、回帰分析により予測モデルを学習する。学習部１７は、学習した予測モデルを予測部１８に出力する。予測モデルは、特定区間に対応する特徴量から被加工物４０の寸法を予測するための第２予測モデルの一例に相当し、学習部１７は、加工寸法予測装置１０において、第２予測モデルを学習する学習手段の一例に相当する。
　予測部１８は、新たな被加工物４１についての推移情報から算出された特徴量を特徴量算出部１４から取得して、取得した特徴量のうちの、区間特定部１６によって特定された区間の特徴量を、学習された予測モデルに適用することで、新たな被加工物４１の寸法を推定する。例えば、予測部１８は、図１１中の回帰直線Ｌ１０上で、新たな被加工物４１の特徴量に対応する加工寸法の値を予測値として得る。また、予測部１８は、上記回帰式（１）に新たな被加工物４１のＦ３Ａ５の値及びＦ４Ａ１４の値を代入することで加工寸法の予測値Ｂを得る。そして、予測部１８は、加工寸法の予測結果を報知部１９に出力する。予測部１８は、加工寸法予測装置１０において、新たな被加工物４１が加工されるときに、特定区間における状態の推移から算出される特徴量に基づいて、新たな被加工物の加工後の寸法を予測する予測手段の一例に相当し、より詳細には、区間特定手段によって特徴量の種別とともに特定された特定区間における状態の推移から算出される、区間特定手段によって特定された種別の特徴量に基づいて、新たな被加工物４１の加工後の寸法を予測する予測手段の一例に相当する。
　報知部１９は、主として出力部５５によって実現される。報知部１９は、予測部１８によって予測された加工寸法の予測値が、予め定められた許容範囲から外れているか否かを判定することにより、新たな被加工物４１の良否判定を実行する。そして、予測値が許容範囲から外れていると判定した場合に、報知部１９は、加工不良である旨をユーザに報知する。報知部１９による報知は、加工寸法予測装置１０の画面への表示、ＬＥＤの点灯、又はブザー音の生成であってもよい。また、報知部１９は、工作機械２０に加工不良の旨を通知して工作機械２０へのアラーム表示とともに加工を停止させてもよいし、予測寸法値を許容範囲内に入れるための工具長（座標）補正をしてもよい。
　工具長補正は、例えば、摩耗により変化した工具長に応じて工具の座標及びテーブルの座標を補正することであって、次回以降の被加工物４１が良品と判定されるように当該被加工物４１と工具との接触状態を改善することである。報知部１９は、工具長補正を実行するための工具長補正部１９１を有してもよい。工具長補正部１９１は、予測手段によって予測された寸法が許容範囲から外れたときに、被加工物を加工する工作機械に設定される工具長を補正する補正手段の一例に相当する。なお、工具長補正部１９１は、報知部１９の外部に設けられてもよいし、加工寸法予測装置１０が、報知部１９に代えて工具長補正部１９１を有してもよい。
　また、報知部１９は、予測部１８による予測結果を報知してもよい。詳細には、報知部１９は、予測値を示す情報を画面に表示してもよい。報知部１９は、加工寸法予測装置１０において、予測手段によって予測された寸法が予め定められた許容範囲から外れたときに、寸法が許容範囲から外れたことを報知する報知手段の一例に相当する。
　また、報知部１９は、被加工物４０の加工寸法の測定値、及び、新たな被加工物４１の加工寸法の予測値を蓄積して、これらの加工寸法の履歴に基づいて、切削工具の摩耗により工具長が変化し、将来において加工寸法が許容範囲から外れるまでの加工回数を予測した結果を報知してもよい。通常、工具の摩耗及び劣化により、加工寸法の設計値からの誤差は、加工回数の増加とともに大きくなる。そのため、加工寸法が許容範囲から外れるまでの加工回数をある程度予測することが可能である。例えば、報知部１９は、加工寸法の履歴から将来における加工寸法を予測するための回帰分析を行ってもよいし、加工寸法の誤差の履歴から将来における当該誤差の大きさを予測するための回帰分析を行ってもよい。報知内容は、残り加工回数であってもよいし、残り加工回数がゼロになるまでの期間長であってもよい。報知部１９は、残り加工回数に関する情報を報知すればよい。
　図１２～１４には、加工寸法予測装置１０によって実行される学習処理、検証処理及び予測処理の流れが示されている。
　図１２に示される学習処理は、予測モデルを学習するための処理であって、ユーザが加工寸法予測装置１０にインストールされた特定のアプリケーションを実行することにより開始される。学習処理では、推移取得部１１が、同一品種の加工が実施される複数の被加工物４０それぞれについて推移情報を取得し（ステップＳ１１）、区間切り出し部１３が、品種別に予め指定された切り出しルールにて、推移情報により示される状態遷移を複数の区間に分割する（ステップＳ１２）。そして、特徴量算出部１４が、加工期間に含まれる複数の区間それぞれにおける状態の推移から特徴量を算出する（ステップＳ１３）。
　次に、測定値取得部１５が、ステップＳ１１にて推移情報が取得された複数の被加工物４０の加工寸法の測定値を取得し、製造シリアル番号を用いて、ステップＳ１１にて取得された被加工物４０の推移情報と紐付ける（ステップＳ１４）。また、区間特定部１６が、ステップＳ１４で取得された測定値との関連度が高い順に、区間と、ステップＳ１３で算出された特徴量の種別と、の複数の組み合わせを特定する（ステップＳ１５）。そして、学習部１７が、ステップＳ１５にて特定された区間の特徴量から加工寸法を予測するための予測モデルを学習して（ステップＳ１６）、学習処理が終了する。
　図１３に示される検証処理は、学習処理において学習された予測モデルを用いたときの予測精度を検証する処理である。検証処理では、推移取得部１１が、学習処理のステップＳ１１にて収集対象とされた被加工物４０と同一品種の加工が実施された、学習対象とは異なる複数の被加工物４０について推移情報を取得する（ステップＳ２１）。
　次に、特徴量算出部１４が、ステップＳ２１で取得された推移情報に基づいて、加工期間に含まれる品種毎に設定された複数の区間それぞれにおける状態の推移から特徴量を算出し（ステップＳ２２）、予測部１８が、学習処理にて学習された予測モデルを用いて、ステップＳ２２で算出された特徴量から加工寸法を予測する（ステップＳ２３）。
　次に、測定値取得部１５が、ステップＳ２１にて推移情報が取得された複数の被加工物４０の加工寸法の測定値を取得し（ステップＳ２４）、予測部１８が、ステップＳ２３で得た加工寸法の予測値とステップＳ２４で得た測定値とを比較する（ステップＳ２５）。例えば、予測部１８は、予測値と測定値との残差を記録する。
　次に、予測部１８は、ステップＳ２５で得た予測精度が予め定められた許容範囲内であるか否かを判定する（ステップＳ２６）。このステップＳ２６の判定は、複数加工にて予測した寸法値とその被加工物４０の測定値から得られる自由度調整済み決定係数が許容範囲内にあるか否かの判定であってもよい。予測精度が許容範囲内にはないと判定された場合（ステップＳ２６；Ｎｏ）、報知部１９が、十分な予測精度の予測モデルが得られなかった旨のエラーをユーザに報知する（ステップＳ２７）。これにより、例えば新たな学習対象データを用いて、ユーザが学習処理を再度実行させることにより、十分な予測精度の予測モデルを改めて学習することが期待される。予測精度が許容範囲内にあると判定された場合（ステップＳ２６；Ｙｅｓ）、及び、ステップＳ２７の終了後に、検証処理が終了する。
　図１４に示される予測処理は、予測モデルを用いて新たな被加工物４１の加工寸法を予測する処理である。予測処理では、推移取得部１１が、新たな被加工物４１について推移情報を取得し（ステップＳ３１）、区間切り出し部１３が、品種別に予め指定された切り出しルールにて、ステップＳ３１で取得された推移情報により示される状態遷移を複数の区間に分割する（ステップＳ３２）。また、特徴量算出部１４が、ステップＳ３２で分割された区間のうち、学習処理のステップＳ１５にて特定された区間の特徴量を算出する（ステップＳ３３）。
　次に、予測部１８が、検証処理において十分な予測精度を有することが検証された予測モデルを用いて、新たな被加工物４１の加工寸法を予測する（ステップＳ３４）。また、報知部１９は、予測された新たな被加工物４１の寸法を取得して記録する（ステップＳ３５）。ここで、報知部１９は、学習処理の対象とされた被加工物４０の測定値、及び、検証処理の対象とされた被加工物４０の測定値を併せて記録してもよい。
　次に、報知部１９は、ステップＳ３４にて予測された寸法が許容範囲外であるか否かを判定する（ステップＳ３６）。寸法が許容範囲外であると判定した場合（ステップＳ３６；Ｙｅｓ）、報知部１９は、その旨をユーザに報知する（ステップＳ３７）。また、工具長補正をするときには、次回以降の被加工物４１について寸法を許容範囲内とするための工具長（座標）を工作機械２０に送信する（ステップＳ３８）。寸法が許容範囲外でないと判定した場合（ステップＳ３６；Ｎｏ）、報知部１９は、記録された寸法の履歴に基づいて、寸法が許容範囲から外れるまでの残り加工回数を報知する（ステップＳ３９）。その後、予測処理が終了する。
　以上、説明したように、区間特定部１６は、関連度が最も高い特徴量が算出された区間を複数の区間から特定し、予測部１８は、新たな被加工物４１が加工されるときに、区間特定部１６によって特定された区間における状態の推移から算出される特徴量に基づいて、新たな被加工物４１の加工後の寸法を予測する。すなわち、加工期間のうちの実寸に最も関連する区間の特徴量に基づいて加工寸法が予測される。このため、工作機械２０によって加工された新たな被加工物４１の寸法をより正確に予測することができる。
　従来、予測精度が悪い場合には、手動にて、特徴量を算出するための区間を変更したり特徴量の種別を変更したりしながら、予測モデルの学習を試行していた。これに対して、本実施の形態に係る加工寸法予測装置１０によれば、同一の加工条件で加工された同一品種のワークについて加工期間において収集した時系列データと、加工後に測定された寸法と、をある程度集めて登録することにより、精度の高い予測モデルの学習と、予測モデルによる予測値に基づく新たな被加工物４１の良否判定が可能となる。
　また、区間特定部１６は、関連度が高い順に２以上の区間を特定する。これにより、工作機械２０によって加工された被加工物４０の２以上の部位が測定装置３０による測定の対象に含まれる場合に、新たな被加工物４１の加工寸法を正確に予測することが期待される。また、一般的に、パラメータ数を多くすることにより予測精度が高くなることが期待される。
　また、区間特定部１６は、測定値との関連度が高い区間に加えて、当該関連度が高い特徴量の種別を特定し、予測部１８は、特定された種別の特徴量に基づいて新たな被加工物４１の加工寸法を測定する。これにより、適当な種別の特徴量に基づいて高精度に加工寸法を予測することができる。
　また、区間特定部１６は、測定値との相関係数の大きさが最も大きい区間を、関連度が最も高い区間として特定する。相関係数の算出にかかる計算負荷は比較的軽い。このため、区間を特定するための演算負荷を軽くすることができる。特に、区間の数と特徴量の種別数が多くなり、区間特定部１６が区間と特徴量の種別との組み合わせを特定するための探索範囲が広くなったときに、演算負荷を軽くすることができる。
　また、特徴量算出部１４は、予め定められた長さの区間が加工期間内でシフトする毎に特徴量を算出する。これにより、特徴量の算出にかかる演算負荷を軽くすることができる。
　また、加工寸法予測装置１０は、予測モデルを学習する学習部１７を備える。これにより、大量のデータから得た予測モデルを用いて、精度よく加工寸法を推定することができる。
　また、加工寸法予測装置１０は、予測された加工寸法が許容範囲から外れたことを報知する報知部１９を備える。これにより、新たな被加工物４１について、測定装置３０を用いた検査をしない場合であっても、良否判定をすることができる。さらに摩耗による切削量削減に伴う工具長補正（座標）をし、良品加工を続けることができる。
　また、報知部１９は、予測された寸法の履歴に基づいて、将来において加工寸法が許容範囲から外れるまでの加工回数に関する情報を報知する。これにより、ユーザは、工具を交換すべきタイミングを事前に認識して新たな工具を準備することができる。
　なお、固定長の区間をシフトしつつ特徴量を算出する例について説明したが、これには限定されない。例えば、特徴量算出部１４は、加工期間を分割して得る区間毎に特徴量を算出してもよい。図７に例示される区間Ａ１～Ａ１８は、加工期間を、１８個の区間に等分割して得る区間であってもよい。加工期間を分割する場合には、分割後の区間数が予め設定されてもよいし、区間長が予め定められた長さに近似するように加工期間が分割されてもよい。この場合にも、特徴量の算出にかかる演算負荷を軽くすることができる。
　実施の形態２．
　続いて、実施の形態２について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。本実施の形態は、加工期間に含まれる複数の部分区間を合成することにより、特徴量を算出するための区間を得る点で、上記実施の形態１とは異なる。
　本実施の形態では、実施の形態１において図７に示される区間Ａ１～Ａ１８を、部分区間として扱い、特徴量算出部１４が、この部分区間を２つ合成することで得る区間の波形から特徴量を算出する。詳細には、図１５に示されるように、実施の形態１における区間Ａ５，Ａ１４に相当する部分区間を組み合わせた区間における、合成された波形から、特徴量Ｆ１～Ｆ４が算出される。特徴量算出部１４は、図１６に示されるように、部分区間のすべての組み合わせである区間それぞれについて、特徴量を算出する。
　以上、説明したように、本実施の形態に係る区間は、加工期間に含まれる一の部分区間と、当該一の部分区間の終了時刻より後の開始時刻から始まる他の部分区間と、を合成して得る期間に相当する。図３中の長さＤ２のように、工作機械２０によって加工されて測定装置３０による測定の対象となる部位が２つである場合には、当該部位が加工されたタイミングを含む２つの部分区間の波形を合成した合成波形から算出される特徴量の方が、個々の部分区間から算出される特徴量よりも、測定値との関連度が高くなる場合がある。このため、加工寸法を予測するための、より適当な特徴量を得ることができる。
　実施の形態３．
　続いて、実施の形態３について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。加工寸法は、環境温度の影響を受けるため、例えば、夏と冬とで同一の予測モデルを用いるよりも、夏季に適した予測モデルと、冬季に適した予測モデルと、を用いることが好ましい。このように、特定の条件が満たされるときのデータから学習された予測モデルを用いて、当該条件が満たされるときの新たな被加工物４１の加工寸法を予測する形態について、以下説明する。
　図１７に示されるように、加工寸法予測装置１０は、大量のデータを収集する。個々のデータは、同一品種の被加工物４０の推移情報及び測定値に相当する。学習部１７は、大量のデータのうちの予め定められた条件を満たすデータ群を抽出し、抽出したデータについて交差検証を実行する。詳細には、学習部１７は、抽出情報から、検証処理の対象とする検証対象情報と、学習処理の対象とする学習対象情報とを分けて、対象群を変更しながら予測モデルを複数生成する。学習部１７は、例えば自由度調整済み決定係数により予測精度を数値化して評価し、最も予測精度が高い予測モデルを決定する。例えば、学習部１７は、夏季期間データから条件を満たすデータ群を抽出し、最も予測精度の高い夏季予測モデルを決定する。同様に、学習部１７は、冬季期間データから条件を満たすデータ群を抽出し、最も予測精度の高い冬季予測モデルを決定する。これにより、例えば冬季という環境条件での加工では、冬季予測モデルを選択することで、予測精度が高く冬季に適した予測モデルを得ることができる。
　さらに、加工寸法予測装置１０は、他の条件についても、データの抽出及び交差検証を実行し、当該他の条件に適した予測モデルを得る。例えば、地面の振動幅が大きい日中、若しくは、振動幅が小さい夜間に適した予測モデルを得る。そして、予測部１８は、新たな被加工物４１について、図１７に示されるように予測精度を検証した条件が満たされるときに、条件に適した予測モデルを用いて、加工寸法を推定する。
　以上、説明したように、加工寸法予測装置１０は、条件に適した予測モデルを得る。これにより、条件が満たされるときに新たな被加工物４１の加工寸法を精度よく予測することができる。
　なお、本実施の形態に係る学習部１７は、複数の被加工物それぞれについて取得された推移情報のうちの予め定められた条件を満たす推移情報からの、学習の対象とする学習対象情報と、学習の対象から除外された検証対象情報と、の抽出を、学習対象情報とされる推移情報を変更しつつ繰り返して、学習対象情報から学習した第２予測モデルを用いるときの予測精度を、検証対象情報、及び、該検証対象情報である推移情報に対応する被加工物の測定値に基づいて繰り返し検証する学習手段の一例に相当する。また、予測部１８は、上記条件が満たされるときに、学習対象情報から学習された第２予測モデルを用いて、新たな被加工物の寸法を予測する予測手段の一例に相当する。
　実施の形態４．
　続いて、実施の形態４について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。本実施の形態は、関連度として、測定値との相関係数とは異なる指標値を用いる点で、上記実施の形態１とは異なる。
　図１８には、本実施の形態に係る関連度の導出について概略的に示されている。図１８に示されるように、推移取得部１１が推移情報を取得し、特徴量算出部１４が区間を設定してすべての種別の特徴量を算出し、測定値取得部１５が測定値を取得するのは、図１２に示されるステップＳ１１～Ｓ１４と同様である。
　次に、区間特定部１６は、区間及び複数の種別の特徴量を説明変数とし、測定値を目的変数として、測定値を予測するための測定値予測モデルを学習する。例えば、区間特定部１６は、勾配ブースティング木により測定値予測モデルを学習する。このような測定値予測モデルを学習すると、測定値に対する重要度、すなわち測定値への寄与率が、区間及び特徴量の種別毎に定まる。この重要度は、各区間及び各種別の特徴量が測定値に関連する度合いといえるため、区間特定部１６は重要度が高い順に、区間及び特徴量の種別を特定する。なお、区間特定部１６は、少なくとも、重要度が最も高い区間及び特徴量の種別を特定すればよい。
　以上、説明したように、関連度として、測定値予測モデルにおける重要度を用いて特徴量の種別を特定する形態においても、加工寸法を高精度に予測するための予測モデルを得ることが期待される。ここで、区間特定部１６は、複数の種別の特徴量を説明変数とし、測定値を目的変数として、複数の種別の特徴量から測定値を予測するための第１予測モデルを学習し、学習した第１予測モデルにおいて最も重要度が高い特徴量の種別を、関連度が最も高い特徴量の種別として特定する区間特定手段の一例に相当する。
　なお、区間と特徴量の種別との双方を説明変数とする例について説明したが、これには限定されない。例えば、加工期間全体から算出される全種別の特徴量を説明変数とし、測定値を目的変数として、重要度が高い特徴量の種別を特定してから、特定した種別の特徴量と測定値との相関係数が大きい区間を特定してもよい。
　実施の形態５．
　続いて、実施の形態５について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。本実施の形態は、関連度として、測定値との相関係数とは異なる指標値を用いる点で、上記実施の形態１とは異なる。
　図１９に示されるように、不良品と判定された被加工物４０の状態の推移と、良品と判定された被加工物４０の状態の推移と、が乖離している区間は、良否判定の基礎となる測定値と関連する度合いが大きいといえる。そこで、本実施の形態に係る区間特定部１６は、被加工物４０が正常に加工されたときの工作機械２０の状態の推移と、被加工物４０の加工が不良であるときの工作機械２０の状態の推移と、の乖離する度合いを表す乖離度が高い順に複数の区間を、関連度が高い区間として特定する。乖離度としては、例えば上述の非特許文献１に記載のＬＭＰ（Localized Matrix Profile）特徴量を用いる。ＬＭＰ特徴量が大きいほど、その時刻において波形の差異が大きくなる。
　以上、説明したように、関連度として乖離度を用いる形態においても、不良品と良品との乖離度が高い区間を選択することにより、適当な区間を特定して高精度な予測モデルを得ることが期待される。なお、区間の特定について説明したが、乖離度に基づく区間の特定の後に、他の指標値に基づいて特徴量の種別を特定してもよい。
　また、相関係数、実施の形態４に係る重要度、及び、実施の形態５に係る乖離度とは異なる関連度を用いることも考えられる。例えば、関連度として、特徴量と測定値との独立性の尺度、或いは相互情報量を採用してもよい。
　実施の形態６．
　続いて、実施の形態６について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。本実施の形態は、可変幅の区間が設定される点で、上記実施の形態１とは異なる。
　本実施の形態に係る特徴量算出部１４は、図２０に示されるように、工作機械２０の状態の推移を表す波形に近似する折れ線Ｌ３を構成する直線に対応する区間における特徴量を算出する。折れ線近似の手法としては、例えば、Ramer-Douglas-Peucker法が採用される。
　これにより、波形に適した可変長の区間を設定し、測定値との関連度が高い区間が特定されることが期待される。
　なお、可変幅の区間を設定する手法は、折れ線近似に限定されない。例えば、図２１に示されるように、区間切り出し部１３は、予め定められた状態遷移モデルを状態の推移に適用して、波形の背後にあるモデル状態の遷移を予測して、個々のモデル状態に属する区間を設定してもよい。状態遷移モデルとしては、例えば、国際公開第２０２０／２３４９６１号に記載の手法、或いは隠れマルコフ連鎖を採用することができる。
　以上、本開示の実施の形態について説明したが、本開示は上記実施の形態によって限定されるものではない。
　例えば、加工寸法予測装置１０が、推移情報及び測定値を通信により取得する例について説明したが、加工寸法予測装置１０は、ユーザにより指定された補助記憶部５３又は外部サーバ内のロケーションからデータを読み込むことにより、推移情報及び測定値を取得してもよい。
　また、工作機械２０の状態が、スカラー値の系列として表されることを想定して説明したが、これには限定されず、ベクトル値の系列として表されてもよい。
　また、特徴量は、上記実施の形態において説明した例に限定されず、直前の計測値と今回の計測値との差分値であってもよいし、位置偏差であってもよい。また、特徴量算出部１４は、図８において区間における波形と横軸との間の面積に相当する積分値、及び、特徴量Ｆ３に基づいて算出される分散値を、特徴量として算出してもよい。さらに、特徴量算出部１４は、差分値、積分値及び分散値とは異なる算術特徴量を算出してもよい。
　また、区間特定部１６が複数の種別の特徴量から一の種別の特徴量を特定する手法に関し、関連度が最も高い種別を特定することを説明したが、これには限定されない。例えば、相関係数である関連度が０．４以上となる特徴量及び区間の組み合わせからユーザによって選択された組み合わせを用いて複数の予測モデルを学習し、学習した予測モデルの検証処理において、残差が最も少ないモデルを予測処理において採用することにより、特徴量の種別を選別してもよい。
　また、測定装置３０による測定の対象となる被加工物４０の部位が、工作機械２０によって加工される１つ又は２つの部位である例について説明したが、これには限定されない。例えば、測定対象が角度である場合において、図２２に示されるように、基準となる方向Ｄ１を規定する２つの測定部位Ｅ１，Ｅ２と、方向Ｄ１とともに角度θを形成する方向Ｄ２を規定する２つの測定部位Ｅ３，Ｅ４と、の合計４つの部位を用いて寸法が測定される例が考えられる。この例においては、４つの区間を特定することが好ましいケースがある。
　また、加工寸法予測装置１０の機能は、専用のハードウェアによっても、また、通常のコンピュータシステムによっても実現することができる。
　例えば、プロセッサ５１によって実行されるプログラムＰ１を、コンピュータ読み取り可能な非一時的な記録媒体に格納して配布し、そのプログラムＰ１をコンピュータにインストールすることにより、上述の処理を実行する装置を構成することができる。このような記録媒体としては、例えばフレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disc Read－Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto－Optical Disc）が考えられる。
　また、プログラムＰ１をインターネットに代表される通信ネットワーク上のサーバ装置が有するディスク装置に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロードするようにしてもよい。
　また、通信ネットワークを介してプログラムＰ１を転送しながら起動実行することによっても、上述の処理を達成することができる。
　さらに、プログラムＰ１の全部又は一部をサーバ装置上で実行させ、その処理に関する情報をコンピュータが通信ネットワークを介して送受信しながらプログラムを実行することによっても、上述の処理を達成することができる。
　なお、上述の機能を、ＯＳ（Operating System）が分担して実現する場合又はＯＳとアプリケーションとの協働により実現する場合には、ＯＳ以外の部分のみを媒体に格納して配布してもよく、また、コンピュータにダウンロードしてもよい。
　また、加工寸法予測装置１０の機能を実現する手段は、ソフトウェアに限られず、その一部又は全部を、回路を含む専用のハードウェアによって実現してもよい。
　本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本開示を説明するためのものであり、本開示の範囲を限定するものではない。つまり、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、本開示の範囲内とみなされる。
　本開示は、工作機械によって加工された被加工物の寸法の予測に適している。
　１００　加工寸法予測システム、　１０　加工寸法予測装置、　１１　推移取得部、　１２　品種・製造シリアル番号取得部、　１３　区間切り出し部、　１４　特徴量算出部、　１５　測定値取得部、　１６　区間特定部、　１７　学習部、　１８　予測部、　１９　報知部、　１９１　工具長補正部、　２０　工作機械、　２０１　工具、　２１　センサ、　３０　測定装置、　４０，４１　被加工物、　４０１　内向面、　４０２　外向面、　５１　プロセッサ、　５２　主記憶部、　５３　補助記憶部、　５４　入力部、　５５　出力部、　５６　通信部、　５７　内部バス、　Ａ１～Ａ１８　区間、　Ｌ１，Ｌ３　線、　Ｌ１０　回帰直線、　Ｐ１　プログラム。

Claims (20)

  1. 　工作機械による加工の開始から終了までの加工期間における前記工作機械の状態の推移を示す推移情報を、前記加工が実施される複数の被加工物それぞれについて取得する推移取得手段と、
    　前記推移情報に基づいて、前記加工期間に含まれる複数の区間それぞれにおける前記状態の推移から特徴量を算出する特徴量算出手段と、
    　加工された前記複数の被加工物の寸法の測定値を取得する測定値取得手段と、
    　前記測定値と関連する度合いを示す関連度が最も高い前記特徴量が算出された前記区間を、前記複数の区間から特定区間として特定する区間特定手段と、
    　新たな被加工物が加工されるときに、前記特定区間における前記状態の推移から算出される前記特徴量に基づいて、前記新たな被加工物の加工後の寸法を予測する予測手段と、
    　を備える加工寸法予測装置。
  2. 　前記区間は、前記加工期間に含まれる一の部分区間と、該一の部分区間の終了時刻より後の開始時刻から始まる他の部分区間と、を合成して得る期間に相当する、
    　請求項１に記載の加工寸法予測装置。
  3. 　前記区間特定手段は、複数の前記区間から、前記関連度が高い順に２以上の前記区間を前記特定区間として特定する、
    　請求項１又は２に記載の加工寸法予測装置。
  4. 　前記特徴量算出手段は、前記推移情報に基づいて、前記加工期間に含まれる前記複数の区間それぞれにおける前記状態の推移から、複数の種別の前記特徴量を算出し、
    　前記区間特定手段は、前記関連度が最も高い前記特徴量の種別及び該特徴量が算出される前記区間としての前記特定区間を特定し、
    　前記予測手段は、前記新たな被加工物が加工されるときに、前記区間特定手段によって前記特徴量の種別とともに特定された前記特定区間における前記状態の推移から算出される、前記区間特定手段によって特定された種別の前記特徴量に基づいて、前記新たな被加工物の加工後の寸法を予測する、
    　請求項１又は２に記載の加工寸法予測装置。
  5. 　前記区間特定手段は、前記関連度が高い順に、前記特定区間と前記特徴量の種別との２以上の組み合わせを特定する、
    　請求項４に記載の加工寸法予測装置。
  6. 　前記区間特定手段は、複数の種別の前記特徴量を説明変数とし、前記測定値を目的変数として、複数の種別の前記特徴量から前記測定値を予測するための第１予測モデルを学習し、学習した前記第１予測モデルにおいて最も重要度が高い前記特徴量の種別を、前記関連度が最も高い前記特徴量の種別として特定する、
    　請求項４又は５に記載の加工寸法予測装置。
  7. 　前記区間特定手段は、前記測定値との相関係数の大きさが最も大きい前記区間を、前記特定区間として特定する、
    　請求項１から６のいずれか一項に記載の加工寸法予測装置。
  8. 　前記区間特定手段は、前記被加工物が正常に加工されたときの前記状態の推移と、前記被加工物の前記加工が不良であるときの前記状態の推移と、の乖離する度合いを表す乖離度が最も高い前記区間を、前記特定区間として特定する、
    　請求項１から６のいずれか一項に記載の加工寸法予測装置。
  9. 　前記特徴量算出手段は、予め定められた長さの前記区間が前記加工期間内でシフトする毎に前記特徴量を算出する、
    　請求項１から８のいずれか一項に記載の加工寸法予測装置。
  10. 　前記特徴量算出手段は、前記加工期間を分割して得る前記区間毎に前記特徴量を算出する、
    　請求項１から８のいずれか一項に記載の加工寸法予測装置。
  11. 　前記特徴量算出手段は、前記状態の推移を表す波形に近似する折れ線を構成する直線に対応する前記区間における前記特徴量を算出する、
    　請求項１から８のいずれか一項に記載の加工寸法予測装置。
  12. 　前記特徴量算出手段は、前記状態の推移に対して予め定められた状態遷移モデルを適用することで予測されたモデル状態の遷移のうちの、前記モデル状態それぞれに属する前記区間における前記状態の推移から前記特徴量を算出する、
    　請求項１から８のいずれか一項に記載の加工寸法予測装置。
  13. 　前記特定区間に対応する前記特徴量から前記被加工物の寸法を予測するための第２予測モデルを学習する学習手段、をさらに備え、
    　前記予測手段は、前記学習手段によって学習された前記第２予測モデルを用いて、前記新たな被加工物の加工後の寸法を予測する、
    　請求項１から１２のいずれか一項に記載の加工寸法予測装置。
  14. 　前記学習手段は、
    　前記複数の被加工物それぞれについて取得された前記推移情報のうちの予め定められた条件を満たす前記推移情報からの、学習の対象とする学習対象情報と、学習の対象から除外された検証対象情報と、の抽出を、前記学習対象情報とされる前記推移情報を変更しつつ繰り返して、
    　前記学習対象情報から学習した前記第２予測モデルを用いるときの予測精度を、前記検証対象情報、及び、該検証対象情報である前記推移情報に対応する前記被加工物の前記測定値に基づいて繰り返し検証し、
    　前記予測手段は、前記条件が満たされるときに、前記学習対象情報から学習された前記第２予測モデルを用いて、前記新たな被加工物の寸法を予測する、
    　請求項１３に記載の加工寸法予測装置。
  15. 　前記予測手段によって予測された寸法が予め定められた許容範囲から外れたときに、寸法が前記許容範囲から外れたことを報知する報知手段、をさらに備える、
    　請求項１から１４のいずれか一項に記載の加工寸法予測装置。
  16. 　前記報知手段は、前記予測手段によって予測された寸法の履歴に基づいて、将来において前記加工が施されたときの寸法が前記許容範囲から外れるまでの加工回数に関する情報を報知する、
    　請求項１５に記載の加工寸法予測装置。
  17. 　前記予測手段によって予測された寸法が前記許容範囲から外れたときに、前記被加工物を加工する前記工作機械に設定される工具長を補正する補正手段、をさらに備える、
    　請求項１５又は１６に記載の加工寸法予測装置。
  18. 　請求項１から１７のいずれか一項に記載の加工寸法予測装置と、
    　前記被加工物の寸法を測定する測定装置と、
    　を備える加工寸法予測システム。
  19. 　工作機械による加工が実施される複数の被加工物それぞれについての、前記加工の開始から終了までの加工期間に含まれる複数の区間それぞれにおける前記工作機械の状態の推移から特徴量を算出し、
    　前記複数の被加工物の寸法の測定値と関連する度合いを示す関連度が最も高い前記特徴量が算出された前記区間を、前記複数の区間から特定し、
    　新たな被加工物が加工されるときに、特定された前記区間における前記状態の推移から算出される前記特徴量に基づいて、前記新たな被加工物の寸法を予測する、
    　ことを含む加工寸法予測方法。
  20. 　コンピュータに、
    　工作機械による加工が実施される複数の被加工物それぞれについての、前記加工の開始から終了までの加工期間に含まれる複数の区間それぞれにおける前記工作機械の状態の推移から特徴量を算出し、
    　前記複数の被加工物の寸法の測定値と関連する度合いを示す関連度が最も高い前記特徴量が算出された前記区間を、前記複数の区間から特定し、
    　新たな被加工物が加工されるときに、特定された前記区間における前記状態の推移から算出される前記特徴量に基づいて、前記新たな被加工物の寸法を予測する、
    　ことを実行させるプログラム。
PCT/JP2021/031649 2021-08-30 2021-08-30 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム WO2023031984A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022503591A JP7051030B1 (ja) 2021-08-30 2021-08-30 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
CN202180098677.1A CN117396305A (zh) 2021-08-30 2021-08-30 加工尺寸预测装置、加工尺寸预测系统、加工尺寸预测方法及程序
PCT/JP2021/031649 WO2023031984A1 (ja) 2021-08-30 2021-08-30 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
DE112021007553.5T DE112021007553T5 (de) 2021-08-30 2021-08-30 Vorrichtung zum Vorhersagen von Bearbeitungsabmessungen, System zum Vorhersagen von Bearbeitungsabmessungen, Verfahren zum Vorhersagen von Bearbeitungsabmessungen und Programm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/031649 WO2023031984A1 (ja) 2021-08-30 2021-08-30 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2023031984A1 true WO2023031984A1 (ja) 2023-03-09

Family

ID=81259450

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/031649 WO2023031984A1 (ja) 2021-08-30 2021-08-30 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム

Country Status (4)

Country Link
JP (1) JP7051030B1 (ja)
CN (1) CN117396305A (ja)
DE (1) DE112021007553T5 (ja)
WO (1) WO2023031984A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020069600A (ja) * 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械
JP2021010980A (ja) * 2019-07-05 2021-02-04 富士通株式会社 研削状態監視方法、研削状態監視プログラムおよび装置
JP2021057030A (ja) * 2019-09-24 2021-04-08 ダイキン工業株式会社 制御システム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3265602B2 (ja) 1991-03-26 2002-03-11 住友金属工業株式会社 ニッケル基耐熱合金
EP2153935B1 (en) * 2007-06-06 2012-08-22 Mitsubishi Electric Corporation Program creation device, numeric control device, and program creation method
JP6469065B2 (ja) * 2016-10-28 2019-02-13 ファナック株式会社 機械学習装置及び加工時間予測装置
JP6822242B2 (ja) * 2017-03-16 2021-01-27 株式会社リコー 診断装置、診断システム、診断方法およびプログラム
JP6693919B2 (ja) * 2017-08-07 2020-05-13 ファナック株式会社 制御装置及び機械学習装置
CN108127481B (zh) * 2017-12-15 2019-11-29 北京理工大学 一种基于侧铣加工的工件表面形貌的预测方法
US11826865B2 (en) * 2018-06-15 2023-11-28 Mitsubishi Electric Corporation Machine tool machining dimensions prediction device, machine tool equipment abnormality determination device, machine tool machining dimensions prediction system, and machine tool machining dimensions prediction method
CN113826128B (zh) 2019-05-20 2023-08-08 三菱电机株式会社 状态推定装置及状态推定方法
JP7464383B2 (ja) * 2019-12-10 2024-04-09 ファナック株式会社 ワークモデルの修正量を学習する機械学習装置、制御装置、加工システム、及び機械学習方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020069600A (ja) * 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械
JP2021010980A (ja) * 2019-07-05 2021-02-04 富士通株式会社 研削状態監視方法、研削状態監視プログラムおよび装置
JP2021057030A (ja) * 2019-09-24 2021-04-08 ダイキン工業株式会社 制御システム

Also Published As

Publication number Publication date
JPWO2023031984A1 (ja) 2023-03-09
CN117396305A (zh) 2024-01-12
JP7051030B1 (ja) 2022-04-08
DE112021007553T5 (de) 2024-05-02

Similar Documents

Publication Publication Date Title
CN108500736B (zh) 工具状态推定装置以及机床
US10493583B2 (en) Detection device, detection method and compensation method for tool wear
JP6898371B2 (ja) 加工条件調整装置及び加工条件調整システム
JP5997330B1 (ja) 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
Shen et al. Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques
Liu et al. Calibration-based tool condition monitoring for repetitive machining operations
US20180181105A1 (en) Tool life estimating device
Ertunc et al. A decision fusion algorithm for tool wear condition monitoring in drilling
US10928783B2 (en) Analysis device and analysis system for ranking predictor performance for determining acceptability of an object to be produced
JP2022103461A (ja) 診断装置、診断方法、プログラムおよび診断システム
JP6752866B2 (ja) 刃具状態検査システム及び方法
JP6673002B2 (ja) 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム
CN112262017A (zh) 工作机械的加工尺寸预测装置、工作机械的加工尺寸预测系统、工作机械的设备异常判定装置、工作机械的加工尺寸预测方法及程序
US20180157241A1 (en) Adjustment system for machining parameter and machining parameter adjustment method
CN109690431B (zh) 用于估计误差传播的方法
Tiwari et al. Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces
CN114789364B (zh) 多指标钻孔质量控制方法及其装置、设备
WO2023031984A1 (ja) 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム
Yuan et al. Online overall equipment effectiveness (OEE) improvement using data analytics techniques for CNC machines
Reñones et al. Experimental analysis of change detection algorithms for multitooth machine tool fault detection
US8346383B2 (en) Method for determining the machining quality of components, particularly for metal cutting by NC machines
CN108537174B (zh) 时变工况条件下旋转机械运行状态在线监测方法及系统
US20220253037A1 (en) Monitoring apparatus for the identification of anomalies and degradation paths in a machine tool
El Ouafi et al. An ANN based multi-sensor integration approach for in-process monitoring of product quality in turning operations
Basova et al. The Cutting Tool Technical State Forecasting During the Technological Production Preparation Stages

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022503591

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21955881

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180098677.1

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 112021007553

Country of ref document: DE