WO2023243043A1 - 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム - Google Patents

異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム Download PDF

Info

Publication number
WO2023243043A1
WO2023243043A1 PCT/JP2022/024155 JP2022024155W WO2023243043A1 WO 2023243043 A1 WO2023243043 A1 WO 2023243043A1 JP 2022024155 W JP2022024155 W JP 2022024155W WO 2023243043 A1 WO2023243043 A1 WO 2023243043A1
Authority
WO
WIPO (PCT)
Prior art keywords
tool
data
abnormality
distance
abnormality detection
Prior art date
Application number
PCT/JP2022/024155
Other languages
English (en)
French (fr)
Inventor
類 岩崎
Original Assignee
住友電気工業株式会社
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 住友電気工業株式会社 filed Critical 住友電気工業株式会社
Priority to JP2022574118A priority Critical patent/JP7302757B1/ja
Priority to PCT/JP2022/024155 priority patent/WO2023243043A1/ja
Publication of WO2023243043A1 publication Critical patent/WO2023243043A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present disclosure relates to an anomaly detection system, an anomaly detection device, an anomaly detection method, and a computer program.
  • Patent Document 1 discloses an abnormality detection device that detects an abnormality in a tool of a machine tool.
  • the abnormality detection device disclosed in Patent Document 1 creates a normal model by learning measurement data of tool vibration information, cutting force information, sound information, spindle load, motor current, and power value using a one-class SVM method. Then, while acquiring measurement data during processing after creating a normal model, it diagnoses whether the measurement data is normal or abnormal based on the normal model.
  • the abnormality detection device further re-diagnoses the measurement data diagnosed as abnormal using a method different from the one-class SVM method such as invariant analysis.
  • An abnormality detection system is an abnormality detection system that detects an abnormality in a tool of a machine tool, and the abnormality detection system detects an abnormality in a tool of a machine tool, the abnormality detection system being an abnormality detection system that detects an abnormality in a tool of a machine tool, wherein the abnormality detection system changes while the machine tool is machining a workpiece with the tool.
  • a sensor provided on the tool that measures a physical quantity, and an abnormality detection device that detects an abnormality in the tool based on measurement data of the sensor, the abnormality detection device detecting a time series measurement of the sensor.
  • a synchronization unit that synchronizes target data that is data with reference data that is a time-series measurement result of the physical quantity when the tool is normal; and the reference data and the target data that are synchronized by the synchronization unit.
  • an abnormality detection section that detects an abnormality in the tool by comparing the distance calculated by the distance calculation section with a threshold value.
  • the present disclosure can be realized not only as an anomaly detection system having the above-mentioned characteristic configuration, but also as an anomaly detection device included in the anomaly detection system, or as a step-by-step implementation of the characteristic processing in the anomaly detection system. It can be realized as an abnormality detection method.
  • the present disclosure can be realized as a computer program that causes a computer to function as an abnormality detection device, or a part or all of the abnormality detection device can be realized as a semiconductor integrated circuit.
  • FIG. 1 is a diagram showing an example of the overall configuration of an abnormality detection system according to an embodiment.
  • FIG. 2A is a diagram showing an example of the configuration of the cutting tool according to the embodiment.
  • FIG. 2B is a diagram showing another example of the configuration of the cutting tool according to the embodiment.
  • FIG. 2C is a diagram showing another example of the configuration of the cutting tool according to the embodiment.
  • FIG. 2D is a diagram showing another example of the configuration of the cutting tool according to the embodiment.
  • FIG. 3 is a diagram showing an example of the configuration of the sensor module according to the embodiment.
  • FIG. 4 is a block diagram showing an example of the hardware configuration of the abnormality detection device according to the embodiment.
  • FIG. 5 is a functional block diagram showing an example of the functions of the abnormality detection device according to the embodiment.
  • FIG. 6 is a graph showing an example of a time-series waveform of distortion of a cutting tool.
  • FIG. 7 is a graph showing an example of reference data.
  • FIG. 8 is a graph showing an example of target data.
  • FIG. 9 is a graph showing an example of measurement results of a strain sensor when a process under the same processing conditions is repeated multiple times.
  • FIG. 10 is a graph showing an example of a first moving average and a second moving average of target data.
  • FIG. 11 is an enlarged graph of the T section in FIG.
  • FIG. 12 is a graph showing an example of the difference in moving averages.
  • FIG. 13 is a graph for explaining an example of determining the cutting period.
  • FIG. 14A is a graph showing an example of cut-out data before correction.
  • FIG. 14A is a graph showing an example of cut-out data before correction.
  • FIG. 14B is a graph showing an example of corrected cutout data.
  • FIG. 15 is a graph for explaining the DTW between the reference data and the cut-out data.
  • FIG. 16A is a graph showing an example of an abnormality degree graph.
  • FIG. 16B is a graph showing another example of the abnormality degree graph.
  • FIG. 17 is a flowchart illustrating an example of abnormality detection processing by the abnormality detection device according to the embodiment.
  • FIG. 18 is a flowchart illustrating an example of synchronization processing.
  • the abnormality detection device disclosed in Patent Document 1 requires a large number of sensors, such as a vibration sensor that measures the vibration of the tool, a cutting dynamometer that measures the cutting force of the tool, and a sound sensor that measures the sound of the tool. Furthermore, machine learning requires acquiring a large amount of measurement data, and even if measurement data for machine learning can be acquired, it is necessary to input the acquired measurement data. In this way, machine learning requires a lot of effort.
  • an abnormality in a tool of a machine tool can be detected without requiring a large number of sensors and a large amount of data.
  • the abnormality detection system is an abnormality detection system that detects an abnormality in a tool of a machine tool, in which the tool changes while the machine tool is processing a workpiece with the tool.
  • a sensor provided on the tool that measures a physical quantity of a synchronization unit that synchronizes target data that is measurement data with reference data that is a time-series measurement result of the physical quantity when the tool is normal; and the reference data and the target that are synchronized by the synchronization unit.
  • the tool includes a distance calculation section that calculates a distance between the tool and the data, and an abnormality detection section that detects an abnormality of the tool by comparing the distance calculated by the distance calculation section with a threshold value.
  • the abnormality detection device further includes a period setting section that sets a target period of the same processing process in the reference data and the target data, and the distance calculation section is configured to set the period setting section.
  • a distance between the reference data and the target data may be calculated.
  • reference data and target data in the same machining process can be compared, and a distance that accurately represents the difference between the current state of the tool and its normal state can be calculated.
  • the machining process may be an intermittent machining process in which cutting and non-cutting of the workpiece are repeated.
  • an intermittent machining process the state of the tool is more likely to be reflected in physical quantities than in a continuous machining process where cutting of the workpiece is performed continuously. Therefore, it is possible to calculate a distance that accurately represents the difference between the current state of the tool and its normal state.
  • the senor may be a strain sensor that measures strain of the tool as the physical quantity.
  • the measured value of the strain sensor shows a high value while the tool is in contact with the workpiece (cutting the workpiece), and shows a high value when the tool is not in contact with the workpiece (cutting the workpiece). shows a low value between (not).
  • the senor may be an acceleration sensor that measures acceleration of the tool as the physical quantity.
  • the measured value of the acceleration sensor repeats high and low values while the tool is vibrating, and shows a low value while the tool is not vibrating. Using measurement data from such an acceleration sensor, abnormalities in the tool can be accurately detected.
  • the abnormality detection device further includes a correction unit that corrects a baseline of the target data, and the distance calculation unit is configured to A distance between the target data whose baseline has been corrected and the reference data may be calculated.
  • the distance between the reference data and the target data is the distance between the time series waveform of the reference data and the time series waveform of the target data. or the difference between the distribution of the reference data and the distribution of the target data. Thereby, it is possible to calculate a distance suitable for abnormality detection according to the measurement data.
  • the anomaly detection system displays a time series graph of the distance between the reference data and the target data calculated by the distance calculation unit.
  • the display device may further include a display device. This allows the user to visually confirm temporal changes in the state of the tool.
  • the abnormality detection device is an abnormality detection device that detects an abnormality in a tool of a machine tool, wherein the tool changes while the machine tool is machining a workpiece with the tool.
  • an acquisition unit that acquires time-series measurement data output from a sensor provided on the tool that measures a physical quantity; target data that is the time-series measurement data acquired by the acquisition unit; and the tool.
  • a synchronization unit that synchronizes with reference data that is a time-series measurement result of the physical quantity during normal times; and a distance that calculates a distance between the reference data synchronized by the synchronization unit and the target data.
  • the tool includes a calculation unit, and an abnormality detection unit that detects an abnormality in the tool by comparing the distance calculated by the distance calculation unit with a threshold value.
  • an abnormality detection unit that detects an abnormality in the tool by comparing the distance calculated by the distance calculation unit with a threshold value.
  • the anomaly detection method according to the present embodiment is an anomaly detection method executed by an anomaly detection device that detects an anomaly in a tool of a machine tool, and the anomaly detection method is an anomaly detection method that is performed by an anomaly detection device that detects an abnormality in a tool of a machine tool, in which the machine tool processes a workpiece with the tool.
  • the computer program according to the present embodiment is a computer program for detecting an abnormality in a tool of a machine tool
  • the computer program is a computer program for detecting an abnormality in a tool of a machine tool.
  • FIG. 1 is a diagram showing an example of the overall configuration of an abnormality detection system according to this embodiment.
  • the abnormality detection system 10 detects abnormalities in the cutting tool 30 of the machine tool 20.
  • Cutting tool 30 is attached to machine tool 20.
  • the machine tool 20 uses a cutting tool 30 to cut a workpiece.
  • “Cutting” here includes “turning” in which a rotating workpiece is cut by the cutting tool 30, and “turning” in which a fixed workpiece is cut by the rotating cutting tool 30. include.
  • the machine tool 20 may be a turning machine such as a lathe, or a turning machine such as a milling machine.
  • the abnormality detection system 10 includes a cutting tool 30, a radio 200, and an abnormality detection device 300.
  • the radio device 200 is connected to the abnormality detection device 300, for example, by wire.
  • Radio device 200 is, for example, an access point.
  • the cutting tool 30 includes a sensor module 100. As described later, the sensor module 100 includes a sensor.
  • the abnormality detection system 10 is not limited to a configuration including one cutting tool 30 but may include a plurality of cutting tools 30.
  • the cutting tool 30 transmits the measurement results of the sensor in the sensor module 100 to the abnormality detection device 300 in time series.
  • the cutting tool 30 wirelessly transmits a wireless signal including a packet storing a measured value to the radio device 200.
  • the radio device 200 acquires a packet included in the radio signal received from the cutting tool 30 and relays it to the abnormality detection device 300.
  • the abnormality detection device 300 When the abnormality detection device 300 receives a sensor packet from the cutting tool 30 via the radio 200, it acquires measurement information from the received sensor packet and processes the acquired measurement information.
  • the cutting tool 30 and the wireless device 200 are, for example, ZigBee based on IEEE 802.15.4, Bluetooth (registered trademark) based on IEEE 802.15.1, and UWB (Ultra Wide Band) based on IEEE 802.15.3a. ) and other communication protocols. Note that communication protocols other than those described above may be used between the cutting tool 30 and the radio device 200.
  • FIG. 2A is a diagram showing an example of the configuration of the cutting tool according to the present embodiment.
  • the turning tool 30A which is an example of the cutting tool 30, is a turning tool used for processing a rotating workpiece, and is attached to a machine tool such as a lathe.
  • the turning tool 30A includes a cutting section 31A and a sensor module 100 provided in the cutting section 31A.
  • a cutting insert 32 having a cutting edge can be attached to the cutting part 31A.
  • the cutting part 31A is a shank that holds the cutting insert 32. That is, the turning tool 30A is a so-called throw-away cutting tool.
  • the cutting portion 31A includes fixing members 33A and 33B.
  • the fixing members 33A and 33B hold the cutting insert 32.
  • the cutting insert 32 has, for example, a polygonal shape such as a triangle, square, rhombus, or pentagon when viewed from above.
  • the cutting insert 32 has a through hole formed in the center of its upper surface, and is fixed to the cutting portion 31A by fixing members 33A and 33B.
  • FIG. 2B is a diagram showing another example of the configuration of the cutting tool according to the present embodiment.
  • the turning tool 30B which is an example of the cutting tool 30, is a turning tool and is attached to a machine tool such as a lathe.
  • the turning tool 30B includes a cutting section 31B and a sensor module 100 provided in the cutting section 31B.
  • the cutting part 31B has a cutting edge 34. That is, the turning tool 30B is a cutting tool or a brazing tool.
  • FIG. 2C is a diagram showing another example of the configuration of the cutting tool according to the present embodiment.
  • FIG. 2C shows a cross-sectional view of the cutting tool.
  • the milling tool 30C which is an example of the cutting tool 30, is a milling tool used for machining a fixed workpiece, and is attached to a machine tool such as a milling machine.
  • the milling tool 30C includes a cutting section 31C and a sensor module 100 provided in the cutting section 31C.
  • a cutting insert 32 having a cutting edge can be attached to the cutting part 31C.
  • the cutting part 31C is a holder that holds the cutting insert 32. That is, the milling tool 30C is a so-called milling cutter.
  • the cutting portion 31C includes a plurality of fixing members 33C.
  • the fixing member 33C holds the cutting insert 32.
  • the cutting insert 32 is fixed to the cutting part 31C by a fixing member 33C.
  • FIG. 2D is a diagram showing another example of the configuration of the cutting tool according to the present embodiment.
  • a milling tool 30D which is an example of the cutting tool 30, is a milling tool and is attached to a machine tool such as a milling machine.
  • the milling tool 30D includes a cutting section 31D and a sensor module 100 provided in the cutting section 31D.
  • the cutting part 31D has a cutting edge 35. That is, the milling tool 30D is an end mill.
  • FIG. 3 is a diagram showing an example of the configuration of the sensor module according to the present embodiment.
  • the sensor module 100 includes a processor 101, a nonvolatile memory 102, a volatile memory 103, a communication interface (I/F) 104, and strain sensors 110A and 110B.
  • the volatile memory 103 is, for example, a volatile memory such as SRAM (Static Random Access Memory) or DRAM (Dynamic Random Access Memory).
  • the nonvolatile memory 102 is, for example, a flash memory, a ROM (Read Only Memory), or the like.
  • the nonvolatile memory 102 stores, for example, a computer program (not shown) and data used to execute the computer program.
  • the computer program is a program for transmitting the measured values of the strain sensors 110A and 110B in time series.
  • the processor 101 is, for example, a CPU (Central Processing Unit). However, the processor 101 is not limited to a CPU.
  • the processor 101 may be a GPU (Graphics Processing Unit). In one specific example, processor 101 is a multi-core GPU.
  • the processor 101 may be, for example, an ASIC (Application Specific Integrated Circuit), or a programmable logic device such as a gate array or an FPGA (Field Programmable Gate Array).
  • the communication I/F 104 is, for example, a communication interface for communication protocols such as ZigBee compliant with IEEE 802.15.4, Bluetooth compliant with IEEE 802.15.1, and UWB compliant with IEEE 802.15.3a.
  • the communication I/F 104 is realized, for example, by a communication circuit such as a communication IC (Integrated Circuit).
  • the sensor module 100 includes a battery 105.
  • the battery 105 supplies power to the processor 101, nonvolatile memory 102, volatile memory 103, communication I/F 104, and strain sensors 110A and 110B.
  • the strain sensors 110A and 110B are provided near the cutting edge of the cutting tool 30, for example. Strain sensors 110A and 110B are attached to cutting tool 30 so as to measure strain in mutually different directions. For example, the strain sensor 110A measures the strain in the longitudinal direction of the cutting tool 30, and the strain sensor 110B measures the strain in the width direction of the cutting tool 30. Hereinafter, the strain sensors 110A and 110B are also collectively referred to as the strain sensor 110. Strain sensor 110 is an example of a sensor. The sensor is driven by power supplied from the battery 105.
  • the sensor module 100 is not limited to a configuration including two strain sensors 110, but may include one or three or more strain sensors 110. Additionally, the sensor module 100 may include other sensors such as an acceleration sensor, a pressure sensor, a sound sensor, and a temperature sensor instead of or in addition to the strain sensor 110.
  • FIG. 4 is a block diagram showing an example of the hardware configuration of the abnormality detection device according to this embodiment.
  • the abnormality detection device 300 includes a processor 301, a nonvolatile memory 302, a volatile memory 303, an input/output interface (I/O) 304, a graphics controller 305, and a display device 306.
  • processor 301 a nonvolatile memory 302
  • volatile memory 303 a volatile memory 303
  • I/O input/output interface
  • graphics controller 305 a graphics controller 305
  • the volatile memory 303 is, for example, a volatile memory such as SRAM or DRAM.
  • the nonvolatile memory 302 is, for example, a flash memory, a hard disk, a ROM, or the like.
  • the nonvolatile memory 302 stores an anomaly detection program 307 that is a computer program and data used to execute the anomaly detection program 307. Each function of the abnormality detection device 300 is realized by the abnormality detection program 307 being executed by the processor 301.
  • the abnormality detection program 307 can be stored in a recording medium such as a flash memory, ROM, or CD-ROM.
  • Standard data 308 is stored in the nonvolatile memory 302.
  • the reference data 308 is data used by the abnormality detection program 307 and is a time series measurement result of distortion of the cutting tool 30 when it is normal.
  • a measurement result database (DB) 309 is provided in the nonvolatile memory 302.
  • the measurement result DB 309 stores measurement results obtained by the strain sensor 110. More specifically, in the measurement result DB 309, measured values of strain output from the strain sensor 110 are accumulated in time series at every fixed sampling period.
  • the reference data 308 is, for example, data created from past measurement results stored in the measurement result DB 309.
  • the processor 301 is, for example, a CPU.
  • Processor 301 may be one or more CPUs. However, the processor 301 is not limited to a CPU.
  • Processor 301 may be a GPU. In one specific example, processor 301 is a multi-core GPU.
  • the processor 301 may be, for example, an ASIC, or a programmable logic device such as a gate array or FPGA. In this case, the ASIC or programmable logic device is configured to be able to execute the same process as the abnormality detection program 307.
  • the I/O 304 is connected to the radio 200.
  • the I/O 304 is, for example, a communication I/F, and can perform communication using a specific communication protocol.
  • I/O 304 includes, for example, an Ethernet interface (“Ethernet” is a registered trademark).
  • the I/O 304 can receive the measurement results of the strain sensor 110 from the cutting tool 30 via the radio 200.
  • the graphics controller 305 is connected to the display device 306 and controls the display on the display device 306.
  • the graphic controller 305 includes, for example, a GPU and a VRAM (Video RAM), holds data to be displayed on the display device 306 in the VRAM, periodically reads one frame worth of video data from the VRAM, and generates a video signal. The generated video signal is output to the display device 306, and the video is displayed on the display device 306.
  • the functionality of graphics controller 305 may be included in processor 301. A part of the volatile memory 303 may be used as a VRAM.
  • the display device 306 includes, for example, a liquid crystal panel or an OEL (organic electroluminescence) panel.
  • the display device 306 can display text or graphic information.
  • FIG. 5 is a functional block diagram showing an example of the functions of the abnormality detection device according to this embodiment.
  • the abnormality detection device 300 has the following functions: an acquisition section 311 , a synchronization section 312 , a period setting section 313 , a correction section 314 , a distance calculation section 315 , an abnormality detection section 316 , and a display control section 317 .
  • the acquisition unit 311 acquires measurement data of the distortion of the cutting tool 30 while the machine tool 20 is machining the workpiece with the cutting tool 30.
  • the measurement data is time series data of measurement values of the strain sensor 110.
  • the distortion of the cutting tool 30 is an example of a physical quantity that changes while the machine tool 20 is machining a workpiece with the cutting tool 30.
  • FIG. 6 is a graph showing an example of a time-series waveform of distortion of a cutting tool.
  • the vertical axis shows distortion
  • the horizontal axis shows time.
  • Cutting a workpiece includes a plurality of steps with different processing conditions. For example, turning a single workpiece using a lathe includes a plurality of outer diameter machining steps and a plurality of inner diameter machining steps.
  • the waveform pattern of the measured value of distortion of the cutting tool 30 changes for each process.
  • a process A, a process B, a process C, a process D, a process E, and a process F are included in the cutting process of one workpiece.
  • Process A is executed in period P1
  • process B is executed in period P2
  • process C is executed in period P3
  • process D is executed in period P4
  • process E is executed in period P5
  • process F is executed in period P6. is executed. Processing conditions for each of process A, process B, process C, process D, process E, and process F are different from each other. Therefore, the distortion waveform patterns in each of Step A, Step B, Step C, Step D, Step E, and Step F are different from each other.
  • the synchronization unit 312 synchronizes the target data, which is the time-series measurement data acquired by the acquisition unit 311, with the reference data 308, which is the time-series measurement result of the distortion of the cutting tool 30 during normal operation. I take the. Since the magnitude of distortion varies depending on the cutting process, abnormalities in the cutting tool 30 cannot be correctly detected unless the measured value of distortion in a specific process is evaluated. The synchronization unit 312 synchronizes the target data and the reference data 308 in order to enable comparison between the target data and the reference data 308 in the same process.
  • FIG. 7 is a graph showing an example of reference data
  • FIG. 8 is a graph showing an example of target data.
  • the vertical axis represents distortion
  • the horizontal axis represents time.
  • the abnormality detection device 300 compares the target data 400 with the reference data 308 and detects an abnormality in the cutting tool 30. Therefore, it is necessary to synchronize the target data 400 and the reference data 308.
  • synchronizing the target data 400 and the reference data 308 means to synchronize the process start time in the target data 400 and the process start time in the reference data 308, and to synchronize the process end time in the target data 400 and the reference data 308. This is to match the end time of the process.
  • FIG. 8 shows target data 400 synchronized with reference data 308 shown in FIG. By synchronizing the target data 400 and the reference data 308 in this way, the waveform of the reference data and the waveform of the target data 400 in the same process can be compared, and abnormalities in the cutting tool 30 can be detected with high precision. can do.
  • FIG. 9 is a graph showing an example of the measurement results of the strain sensor when a process with the same processing conditions is repeated multiple times.
  • measurement results of the strain sensor in three processes, process A1, process A2, and process A3, are shown.
  • Process A1, process A2, and process A3 are processes with the same processing conditions.
  • the waveforms of steps A2 and A3 are shifted due to thermal drift. The waveform shift will be described later.
  • distortion waveform patterns in each process A1, A2, and A3 are obtained.
  • the synchronization unit 312 determines a cutting period that includes one process in the target data 400, and extracts (cuts out) the time-series waveform pattern of the determined cutting period from the target data 400.
  • the cutout period is a period corresponding to a period in which the waveform pattern is shown in the reference data 308.
  • the synchronization unit 312 determines extraction periods P_A1, P_A2, and P_A3 for each of the processes A1, A2, and A3, and extracts time-series waveform patterns for each of the processes A1, A2, and A3 from the target data 400.
  • the synchronization unit 312 calculates a first moving average and a second moving average of the target data 400 in order to determine the extraction period.
  • FIG. 10 is a graph showing an example of the first moving average and the second moving average of the target data 400.
  • the vertical axis shows the moving average value of distortion
  • the horizontal axis shows time.
  • the upper graph shows the first moving average
  • the lower graph shows the second moving average.
  • the first moving average and the second moving average have different numbers of data points for calculating the average value. For example, the number of data points for the first moving average is 100 points, and the number of data points for the second moving average is 200 points.
  • FIG. 11 is an enlarged graph of the T section in FIG. 10.
  • the vertical axis shows the moving average value of distortion
  • the horizontal axis shows time.
  • the black line graph indicates the first moving average
  • the gray line graph indicates the second moving average.
  • the first moving average and the second moving average have different numbers of data points, so the changes in values are different. That is, the first moving average and the second moving average show substantially the same value during the period P_S where the value is generally constant, and show different values from each other during the period P_C where the value is changing.
  • the synchronization unit 312 uses such value changes to identify the point of change in the moving average value, that is, the boundary point between the period P_S and the period P_T.
  • the synchronization unit 312 calculates the absolute value of the difference between the first moving average and the second moving average (hereinafter referred to as "moving average difference").
  • moving average difference In period P_S in FIG. 11, the moving average difference is small, and in period P_T, the moving average difference includes a large value.
  • FIG. 12 is a graph showing an example of the difference in moving averages. In FIG. 12, the vertical axis shows the moving average difference, and the horizontal axis shows time.
  • the synchronization unit 312 compares the moving average difference and a threshold (first threshold), and identifies a time ts0 at which the moving average difference exceeds the first threshold. That is, the synchronization unit 312 compares the moving average difference and the first threshold value in time order from the start time of the moving average difference, and identifies the time ts0 at which the moving average difference exceeds the first threshold value for the first time.
  • the synchronization unit 312 determines a provisional period starting from the specified time ts0.
  • the temporary period is determined using a registration period registered in advance based on the reference data 308. For example, the user registers the period of one specific process included in the reference data 308 as the registration period. Information on the registration period is stored in the nonvolatile memory 302, for example.
  • the synchronization unit 312 determines a period having the same length as the registration period, starting from time ts0, as a provisional period.
  • the synchronization unit 312 compares the moving average difference and the first threshold value in reverse order of time from time te01, which is the end point of the provisional period, and identifies the time te02 at which the moving average difference exceeds the first threshold value for the first time.
  • the synchronization unit 312 determines the period from time ts0 to time te02 as a process period.
  • the synchronization unit 312 determines the cutting period based on the process period.
  • the cutting period is a period for cutting out waveform data from the target data 400.
  • FIG. 13 is a graph for explaining an example of determining the cutting period.
  • the vertical axis shows the moving average difference
  • the horizontal axis shows time.
  • the synchronization unit 312 specifies a time ts1 that is a margin before the time ts0, and specifies a time te1 that is a margin after the time te02.
  • the synchronization unit 312 determines the period from time ts1 to time te1 as the extraction period. Margins are determined based on process duration. For example, the margin is 1/2 the difference between the registration period and the process period. However, the margin may be a predetermined period.
  • the synchronization unit 312 extracts waveform data of the determined extraction period from the target data 400.
  • the extracted waveform data (hereinafter referred to as “extracted data”) is synchronized with reference data 308.
  • the period setting unit 313 sets a target period (hereinafter referred to as a "window") for the same processing process in the reference data 308 and the cutting data.
  • the window will be explained with reference to FIGS. 7 and 8.
  • Window W is a part of the period in one process.
  • the window W is a period common to the reference data 308 and the cutout data.
  • the period setting unit 313 sets a part of the period of the reference data 308 to the window W.
  • the correction unit 314 corrects the baseline of the cutout data.
  • the waveform data of the strain measurements shift due to thermal drift. See FIG. 9.
  • frictional heat is generated in the cutting tool 30.
  • the measurement results of the strain sensor 110 vary due to the influence of heat. This is thermal drift.
  • the distortion waveform shifts due to thermal drift.
  • the correction unit 314 corrects shifts in the distortion waveform due to thermal drift in order to accurately detect abnormalities in the cutting tool 30.
  • the same process is repeated in one cutting process, and due to thermal drift, the distortion waveform pattern in the later processes A2 and A3 is on the positive side compared to the distortion waveform pattern in the previous process A1. shift to. Similarly, due to thermal drift, the distortion waveform pattern in the subsequent step A3 shifts to the positive side with respect to the distortion waveform pattern in the previous step A2.
  • FIG. 14A is a graph showing an example of cut-out data before correction
  • FIG. 14B is a graph showing an example of cut-out data after correction.
  • the vertical axis represents strain
  • the horizontal axis represents time.
  • the black line graph represents the reference data 308, and the gray line graph represents the cutout data 410.
  • the reference data 308 is data after correction. That is, the reference data 308 has been corrected in advance for waveform shifts due to thermal drift.
  • An example of the distance between the reference data 308 and the cut-out data 410A is the distance between the time-series waveform of the reference data 308 and the time-series waveform of the cut-out data 410A.
  • the distance between the reference data 308 and the cut-out data 410A is the DTW (dynamic time warping) between the reference data 308 and the cut-out data 410A.
  • FIG. 15 is a graph for explaining the DTW between the reference data 308 and the cutout data 410A.
  • the vertical axis shows distortion, and the horizontal axis shows time.
  • the upper graph shows the reference data 308, and the lower graph shows the cutout data 410A.
  • the reference data 308 and cutout data 410A are shown in separate coordinate systems for ease of understanding, but in reality, the reference data 308 and cutout data 410A are shown in one common coordinate axis (distortion axis and time axis).
  • the DTW between the waveform of data 308 and the waveform of cutout data 410A is calculated.
  • the distance calculation unit 315 calculates the distance (absolute value of error) between each point of the reference data 308 and each point of the cutout data 410A by round robin, and calculates the minimum value of the calculated distances. is determined as the distance between the reference data 308 and the cutout data 410A. The determined distance is considered as the degree of abnormality of the cutting tool 30.
  • the abnormality detection unit 316 detects an abnormality in the cutting tool 30 by comparing the distance (degree of abnormality) calculated by the distance calculation unit 315 with a threshold (second threshold). Specifically, the abnormality detection unit 316 determines that an abnormality has occurred in the cutting tool 30 when the degree of abnormality exceeds the second threshold, and when the degree of abnormality is below the second threshold, It is determined that no abnormality has occurred in the cutting tool 30 (it is normal).
  • the second threshold value is determined based on the position of the window W. However, the second threshold may be set in advance. For example, the second threshold value is determined by Hotelling's T 2 method. However, the second threshold may be determined using other methods.
  • the period setting unit 313 sets a period slightly shifted from the original window W as a new window W.
  • cutout data 410 is cut out from the target data 400
  • the correction unit 314 corrects the baseline of the cutout data 410
  • the distance calculation unit 315 calculates the distance between the reference data 308 and the cutout data 410A.
  • the abnormality detection unit 316 compares the degree of abnormality with a second threshold value.
  • a period in which abnormality detection is performed in the target data 400 (hereinafter referred to as a "detection target period") is set in advance, and the period setting unit 313 sequentially sets the window W by shifting it by a predetermined time from the start point to the end point of the detection target period. can do. Thereby, the degree of abnormality is calculated sequentially over the entire detection target period, and abnormality detection of the cutting tool 30 is performed.
  • the detection target period is set, for example, as part or all of the extraction period.
  • the display control unit 317 can cause the display device 306 to display a time series graph of the degree of abnormality (hereinafter referred to as the “degree of abnormality graph”) calculated by the distance calculation unit 315.
  • FIG. 16A is a graph showing an example of the abnormality degree graph
  • FIG. 16B is a graph showing another example of the abnormality degree graph.
  • the vertical axis indicates the degree of abnormality
  • the horizontal axis indicates time.
  • FIG. 16A is an abnormality degree graph when the cutting tool 30 is normal
  • FIG. 16B is an abnormality degree graph when the cutting tool 30 is abnormal.
  • FIG. 17 is a flowchart illustrating an example of an abnormality detection process by the abnormality detection device according to the present embodiment.
  • the strain sensor 110 measures the strain of the cutting tool 30.
  • the sensor module 100 wirelessly transmits the measurement results by the strain sensor 110 to the abnormality detection device 300.
  • the abnormality detection device 300 receives the measurement results of distortion, and stores the measurement results in the measurement result DB 309. In this way, time-series measurement data is accumulated in the measurement result DB 309.
  • the processor 301 acquires target data 400, which is measurement data that is a target of abnormality detection, from the measurement result DB (step S101).
  • the processor 301 executes a synchronization process to synchronize the acquired target data 400 and the reference data 308 (step S102).
  • FIG. 18 is a flowchart illustrating an example of synchronization processing.
  • the processor 301 determines a provisional period starting from the specified time ts0 (step S203).
  • the processor 301 compares the moving average difference and the first threshold value in reverse order of time from time te01, which is the end point of the provisional period, and identifies the time te02 at which the moving average difference exceeds the first threshold value for the first time.
  • the processor 301 determines the period from time ts0 to time te02 as a process period (step S204).
  • the processor 301 adds margins before and after the process period and determines the cutting period (step S205).
  • the processor 301 cuts out waveform data (cutout data) of the cutout period from the target data 400 (step S206). With this, the synchronization process ends.
  • the processor 301 sets a window W in the synchronized cutout data 410 and reference data 308 (step S103).
  • the first window W is set at the beginning of the detection target period.
  • the processor 301 calculates the average value of the measured values of the cutout data 410 of the window W, and subtracts the average value from each measured value. As a result, the baseline of the cutout data 410 is corrected (step S104).
  • the processor 301 compares the degree of abnormality and the second threshold (step S106). If the degree of abnormality is less than or equal to the second threshold (NO in step S106), the processor 301 proceeds to step S109.
  • the processor 301 determines that an abnormality in the cutting tool 30 has occurred. That is, the processor 301 detects an abnormality in the cutting tool 30 (step S107).
  • the processor 301 displays the detected abnormality of the cutting tool 30 on the display device 306 (step S108). Thereby, the user is notified of the abnormality detection.
  • the processor 301 determines whether the window W has reached the end of the detection period (step S109). If the window W has not reached the end of the detection target period (NO in step S109), the processor 301 returns to step S103 and sets a new window W to be a period a predetermined time after the window W. The processor 301 executes step S104 and subsequent steps. By sequentially updating the window W, the degree of abnormality is calculated for the entire detection target period, and it is determined whether the cutting tool 30 is abnormal.
  • the processor 301 creates an abnormality degree graph for the detection target period and causes the display device 306 to display the abnormality degree graph (step S110). With this, the abnormality detection process ends.
  • a cutting period is set in the interrupted machining process, and an abnormality of the cutting tool in the interrupted machining process is detected, but the present invention is not limited to this.
  • a cutting period may be set in the continuous machining process, and an abnormality of the cutting tool in the continuous machining process may be detected.
  • a period including one or more interrupted machining steps and one or more continuous machining steps may be set as the cutting period, and an abnormality of the cutting tool during the cutting period may be detected.
  • the distance between the time-series waveform of the reference data and the time-series waveform of the cut-out data (target data) is calculated as the degree of abnormality, but the degree of abnormality is not limited to this.
  • the difference between the distribution of the reference data and the distribution of the cut-out data (target data) may be calculated as the degree of abnormality.
  • the distance between the time-series waveform of the reference data and the time-series waveform of the cut-out data is not limited to DTW. For example, it may be Euclidean distance.
  • the phase of the cut-out data with respect to the time-series waveform may be matched with the phase of the time-series waveform of the reference data.
  • Cross entropy may be calculated as the difference between the distribution of the reference data and the distribution of the cut data, or the density ratio may be estimated.
  • an abnormality in the cutting tool 30 is detected using the measurement data of the distortion of the cutting tool 30 by the distortion sensor 110, but the present invention is not limited thereto.
  • the cutting tool 30 may be provided with an acceleration sensor, and an abnormality in the cutting tool 30 may be detected using the time-series acceleration measured by the acceleration sensor.
  • an acceleration sensor When using an acceleration sensor, the difference between the distribution of acceleration reference data and the distribution of acceleration target data can be calculated as the degree of abnormality.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

異常検知システムは、工作機械が工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサと、前記センサの計測データに基づいて前記工具の異常を検知する異常検知装置と、を備え、前記異常検知装置は、前記センサの時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、を含む。

Description

異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム
　本開示は、異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラムに関する。
　特許文献１には、工作機械の工具の異常を検知する異常検知装置が開示されている。特許文献１に開示された異常検知装置は、工具の振動情報、切削力情報、音情報、主軸負荷、モータ電流、電力値の各測定データを１クラスＳＶＭ法で学習して、正常モデルを作成し、正常モデル作成後の加工時に測定データを取得しながら、正常モデルに基づいて、測定データが正常か異常かを診断する。異常検知装置はさらに、異常と診断された測定データについて、インバリアント解析などの１クラスＳＶＭ法とは異なる方法で再診断を行う。
特開２０１８－０２４０５５号公報
　本開示の一態様に係る異常検知システムは、工作機械の工具の異常を検知する異常検知システムであって、前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサと、前記センサの計測データに基づいて前記工具の異常を検知する異常検知装置と、を備え、前記異常検知装置は、前記センサの時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、を含む。
　本開示は、上記のような特徴的な構成を備える異常検知システムとして実現することができるだけでなく、異常検知システムに含まれる異常検知装置として実現したり、異常検知システムにおける特徴的な処理をステップとする異常検知方法として実現したりすることができる。本開示は、コンピュータを異常検知装置として機能させるコンピュータプログラムとして実現したり、異常検知装置の一部又は全部を半導体集積回路として実現したりすることができる。
図１は、実施形態に係る異常検知システムの全体構成の一例を示す図である。 図２Ａは、実施形態に係る切削工具の構成の一例を示す図である。 図２Ｂは、実施形態に係る切削工具の構成の他の例を示す図である。 図２Ｃは、実施形態に係る切削工具の構成の他の例を示す図である。 図２Ｄは、実施形態に係る切削工具の構成の他の例を示す図である。 図３は、実施形態に係るセンサモジュールの構成の一例を示す図である。 図４は、実施形態に係る異常検知装置のハードウェア構成の一例を示すブロック図である。 図５は、実施形態に係る異常検知装置の機能の一例を示す機能ブロック図である。 図６は、切削工具の歪みの時系列の波形の一例を示すグラフである。 図７は、基準データの一例を示すグラフである。 図８は、対象データの一例を示すグラフである。 図９は、同一の加工条件の工程が複数回繰り返される場合の歪みセンサの計測結果の一例を示すグラフである。 図１０は、対象データの第１移動平均及び第２移動平均の一例を示すグラフである。 図１１は、図１０におけるＴ部を拡大したグラフである。 図１２は、移動平均の差の一例を示すグラフである。 図１３は、切出期間の決定の一例を説明するためのグラフである。 図１４Ａは、補正前の切出データの一例を示すグラフである。 図１４Ｂは、補正後の切出データの一例を示すグラフである。 図１５は、基準データと切出データとの間のＤＴＷを説明するためのグラフである。 図１６Ａは、異常度グラフの一例を示すグラフである。 図１６Ｂは、異常度グラフの他の例を示すグラフである。 図１７は、実施形態に係る異常検知装置による異常検知処理の一例を示すフローチャートである。 図１８は、同期処理の一例を示すフローチャートである。
　＜本開示が解決しようとする課題＞
　特許文献１に開示された異常検知装置では、工具の振動を測定する振動センサ、工具の切削力を測定する切削動力計、工具の音を測定する音センサ等の多数のセンサを必要とする。さらに、機械学習には大量の測定データを取得する必要があり、機械学習のための測定データを取得できたとしても、取得された測定データを入力する必要がある。このように、機械学習には多くの手間を要する。
　＜本開示の効果＞
　本開示によれば、多数のセンサ及び大量のデータを必要とすることなく、工作機械の工具の異常を検知することができる。
　＜本開示の実施形態の概要＞
　以下、本開示の実施形態の概要を列記して説明する。
　（１）　本実施形態に係る異常検知システムは、工作機械の工具の異常を検知する異常検知システムであって、前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサと、前記センサの計測データに基づいて前記工具の異常を検知する異常検知装置と、を備え、前記異常検知装置は、前記センサの時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、を含む。これにより、機械学習を用いた異常判定のように、多数のセンサを必要とせず、機械学習のための大量の計測データを必要としない。基準データと対象データとの同期を取ることにより、工具の現在（異常検知時）の状態と正常時の状態との差異を距離として正確に算出することができ、異常を正確に検知することができる。
　（２）　上記（１）において、前記異常検知装置は、前記基準データと前記対象データとにおいて同一の加工工程の対象期間を設定する期間設定部をさらに含み、前記距離算出部は、前記期間設定部によって設定された前記対象期間において、前記基準データと前記対象データとの間の距離を算出してもよい。これにより、同一の加工工程における基準データと対象データとを比較することができ、工具の現在の状態と正常時の状態との差異を正確に表した距離を算出することができる。
　（３）　上記（２）において、前記加工工程は、前記加工対象物の切削と非切削とを繰り返す断続加工工程であってもよい。断続加工工程では、加工対象物の切削が連続して行われる連続加工工程に比べて工具の状態が物理量に表れやすい。したがって、工具の現在の状態と正常時の状態との差異を正確に表した距離を算出することができる。
　（４）　上記（１）から（３）のいずれか１つにおいて、前記センサは、前記物理量として前記工具の歪みを計測する歪みセンサであってもよい。歪みセンサの計測値は、工具が加工対象物に接触している（加工対象物を切削している）間に高い値を示し、工具が加工対象物に接触していない（加工対象物を切削していない）間に低い値を示す。このような歪みセンサの計測データを用いて、工具の異常を正確に検知することができる。
　（５）　上記（１）から（３）のいずれか１つにおいて、前記センサは、前記物理量として前記工具の加速度を計測する加速度センサであってもよい。加速度センサの計測値は、工具が振動している間に高い値と低い値とを繰り返し、工具が振動していない間に低い値を示す。このような加速度センサの計測データを用いて、工具の異常を正確に検知することができる。
　（６）　上記（１）から（５）のいずれか１つにおいて、前記異常検知装置は、前記対象データのベースラインを補正する補正部をさらに含み、前記距離算出部は、前記補正部によって前記ベースラインを補正された前記対象データと、前記基準データとの間の距離を算出してもよい。これにより、対象データ毎にベースラインが異なっていても、工具の異常を安定して検知することができる。
　（７）　上記（１）から（６）のいずれか１つにおいて、前記基準データと前記対象データとの間の距離は、前記基準データの時系列波形と前記対象データの時系列波形との間の距離、又は、前記基準データの分布と前記対象データの分布との差であってもよい。これにより、計測データに応じて、異常検知に適した距離を算出することができる。
　（８）　上記（１）から（７）のいずれか１つにおいて、前記異常検知システムは、前記距離算出部によって算出された前記基準データと前記対象データとの間の距離の時系列グラフを表示する表示装置をさらに備えてもよい。これにより、ユーザは、工具の状態の時間的な変化を視覚的に確認することができる。
　（９）　本実施形態に係る異常検知装置は、工作機械の工具の異常を検知する異常検知装置であって、前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得する取得部と、前記取得部によって取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、を備える。これにより、機械学習を用いた異常判定のように、多数のセンサを必要とせず、機械学習のための大量の計測データを必要としない。基準データと対象データとの同期を取ることにより、工具の現在（異常検知時）の状態と正常時の状態との差異を距離として正確に算出することができ、異常を正確に検知することができる。
　（１０）　本実施形態に係る異常検知方法は、工作機械の工具の異常を検知する異常検知装置によって実行される異常検知方法であって、前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得するステップと、取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取るステップと、同期が取られた前記基準データと前記対象データとの間の距離を算出するステップと、算出された前記距離と閾値とを比較することによって前記工具の異常を検知するステップと、を含む。これにより、機械学習を用いた異常判定のように、多数のセンサを必要とせず、機械学習のための大量の計測データを必要としない。基準データと対象データとの同期を取ることにより、工具の現在（異常検知時）の状態と正常時の状態との差異を距離として正確に算出することができ、異常を正確に検知することができる。
　（１１）　本実施形態に係るコンピュータプログラムは、工作機械の工具の異常を検知するためのコンピュータプログラムであって、コンピュータに、前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得するステップと、取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取るステップと、同期が取られた前記基準データと前記対象データとの間の距離を算出するステップと、算出された前記距離と閾値とを比較することによって前記工具の異常を検知するステップと、を実行させる。これにより、機械学習を用いた異常判定のように、多数のセンサを必要とせず、機械学習のための大量の計測データを必要としない。基準データと対象データとの同期を取ることにより、工具の現在（異常検知時）の状態と正常時の状態との差異を距離として正確に算出することができ、異常を正確に検知することができる。
　＜本開示の実施形態の詳細＞
　以下、図面を参照しつつ、本発明の実施形態の詳細を説明する。なお、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
［１．異常検知システム］
　図１は、本実施形態に係る異常検知システムの全体構成の一例を示す図である。異常検知システム１０は、工作機械２０の切削工具３０の異常を検知する。切削工具３０は、工作機械２０に取り付けられる。工作機械２０は、切削工具３０を用いて加工対象物を切削加工する。ここでいう「切削加工」は、回転する加工対象物を切削工具３０によって切削する「旋削加工」、及び、固定された加工対象物を、回転する切削工具３０によって切削する「転削加工」を含む。工作機械２０は、旋盤等の旋削機械であってもよく、フライス盤等の転削機械であってもよい。
　異常検知システム１０は、切削工具３０と、無線機２００と、異常検知装置３００とを含む。無線機２００は、異常検知装置３００に例えば有線で接続されている。無線機２００は、たとえばアクセスポイントである。
　切削工具３０は、センサモジュール１００を備える。後述するように、センサモジュール１００は、センサを含む。
　なお、異常検知システム１０は、１つの切削工具３０を備える構成に限らず、複数の切削工具３０を備えてもよい。
　切削工具３０は、センサモジュール１００におけるセンサの計測結果を時系列で異常検知装置３００へ送信する。
　より詳細には、切削工具３０は、計測値を格納したパケットを含む無線信号を無線機２００へ無線送信する。
　無線機２００は、切削工具３０から受信した無線信号に含まれるパケットを取得して異常検知装置３００へ中継する。
　異常検知装置３００は、無線機２００経由で切削工具３０からセンサパケットを受信すると、受信したセンサパケットから計測情報を取得し、取得した計測情報を処理する。
　切削工具３０及び無線機２００は、例えば、ＩＥＥＥ　８０２．１５．４に準拠したＺｉｇＢｅｅ、ＩＥＥＥ　８０２．１５．１に準拠したＢｌｕｅｔｏｏｔｈ（登録商標）及びＩＥＥＥ８０２．１５．３ａに準拠したＵＷＢ（Ｕｌｔｒａ　Ｗｉｄｅ　Ｂａｎｄ）等の通信プロトコルを用いた無線による通信を行う。なお、切削工具３０及び無線機２００間において、上記以外の通信プロトコルが用いられてもよい。
［２．切削工具の具体例］
　図２Ａは、本実施形態に係る切削工具の構成の一例を示す図である。
　切削工具３０の一例である旋削工具３０Ａは、回転する加工対象物の加工に用いられる旋削加工用の工具であり、旋盤等の工作機械に取り付けられる。旋削工具３０Ａは、切削部３１Ａと、切削部３１Ａに設けられたセンサモジュール１００とを含む。
　例えば、切削部３１Ａは、切刃を有する切削インサート３２を取り付け可能である。具体的には、切削部３１Ａは、切削インサート３２を保持するシャンクである。すなわち、旋削工具３０Ａは、いわゆるスローアウェイバイトである。
　より詳細には、切削部３１Ａは、固定用部材３３Ａ，３３Ｂを含む。固定用部材３３Ａ，３３Ｂは、切削インサート３２を保持する。
　切削インサート３２は、例えば、上面視で三角形、正方形、ひし形、及び五角形等の多角形状である。切削インサート３２は、例えば、上面の中央において貫通孔が形成され、固定用部材３３Ａ，３３Ｂにより切削部３１Ａに固定される。
　図２Ｂは、本実施形態に係る切削工具の構成の他の例を示す図である。
　切削工具３０の一例である旋削工具３０Ｂは、旋削加工用の工具であり、旋盤等の工作機械に取り付けられる。旋削工具３０Ｂは、切削部３１Ｂと、切削部３１Ｂに設けられたセンサモジュール１００とを含む。
　例えば、切削部３１Ｂは、切刃３４を有する。すなわち、旋削工具３０Ｂは、むくバイトまたはろう付けバイトである。
　図２Ｃは、本実施形態に係る切削工具の構成の他の例を示す図である。図２Ｃは、切削工具の断面図を示している。
　切削工具３０の一例である転削工具３０Ｃは、固定された加工対象物の加工に用いられる転削加工用の工具であり、フライス盤等の工作機械に取り付けられる。転削工具３０Ｃは、切削部３１Ｃと、切削部３１Ｃに設けられたセンサモジュール１００とを含む。
　例えば、切削部３１Ｃは、切刃を有する切削インサート３２を取り付け可能である。具体的には、切削部３１Ｃは、切削インサート３２を保持するホルダである。すなわち、転削工具３０Ｃは、いわゆるフライスである。
　より詳細には、切削部３１Ｃは、複数の固定用部材３３Ｃを含む。固定用部材３３Ｃは、切削インサート３２を保持する。
　切削インサート３２は、固定用部材３３Ｃにより切削部３１Ｃに固定される。
　図２Ｄは、本実施形態に係る切削工具の構成の他の例を示す図である。
　切削工具３０の一例である転削工具３０Ｄは、転削加工用の工具であり、フライス盤等の工作機械に取り付けられる。転削工具３０Ｄは、切削部３１Ｄと、切削部３１Ｄに設けられたセンサモジュール１００とを含む。
　例えば、切削部３１Ｄは、切刃３５を有する。すなわち、転削工具３０Ｄは、エンドミルである。
［３．センサモジュール］
　図３は、本実施形態に係るセンサモジュールの構成の一例を示す図である。
　センサモジュール１００は、プロセッサ１０１と、不揮発性メモリ１０２と、揮発性メモリ１０３と、通信インタフェース（Ｉ／Ｆ）１０４と、歪みセンサ１１０Ａ，１１０Ｂとを含む。
　揮発性メモリ１０３は、例えばＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリである。不揮発性メモリ１０２は、例えばフラッシュメモリ、ＲＯＭ（Read Only Memory）等の不揮発性メモリである。不揮発性メモリ１０２には、例えば図示しないコンピュータプログラム及び及び当該コンピュータプログラムの実行に使用されるデータが格納される。コンピュータプログラムは、歪みセンサ１１０Ａ，１１０Ｂの計測値を時系列で送信するためのプログラムである。
　プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）である。ただし、プロセッサ１０１は、ＣＰＵに限られない。プロセッサ１０１は、ＧＰＵ（Graphics Processing Unit）であってもよい。具体的な一例では、プロセッサ１０１は、マルチコアＧＰＵである。プロセッサ１０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）であってもよいし、ゲートアレイ、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスであってもよい。
　通信Ｉ／Ｆ１０４は、例えば、ＩＥＥＥ　８０２．１５．４に準拠したＺｉｇＢｅｅ、ＩＥＥＥ　８０２．１５．１に準拠したＢｌｕｅｔｏｏｔｈ及びＩＥＥＥ８０２．１５．３ａに準拠したＵＷＢ等の通信プロトコル用の通信インタフェースである。通信Ｉ／Ｆ１０４は、例えば、通信用ＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の通信回路により実現される。
　センサモジュール１００は、電池１０５を含む。電池１０５は、プロセッサ１０１、不揮発性メモリ１０２、揮発性メモリ１０３、通信Ｉ／Ｆ１０４、及び歪みセンサ１１０Ａ，１１０Ｂに電力を供給する。
　歪みセンサ１１０Ａ，１１０Ｂは、例えば、切削工具３０における切刃の近傍に設けられる。歪みセンサ１１０Ａ及び１１０Ｂは、互いに異なる方向の歪みを計測するように切削工具３０に取り付けられる。例えば、歪みセンサ１１０Ａは、切削工具３０の長手方向の歪みを計測し、歪みセンサ１１０Ｂは、切削工具３０の幅方向の歪みを計測する。以下、歪みセンサ１１０Ａ，１１０Ｂを総称して歪みセンサ１１０ともいう。歪みセンサ１１０は、センサの一例である。センサは、電池１０５から供給される電力により駆動される。
　なお、センサモジュール１００は、２つの歪みセンサ１１０を含む構成に限らず、１つまたは３つ以上の歪みセンサ１１０を含んでもよい。また、センサモジュール１００は、歪みセンサ１１０の代わりに、又は、歪みセンサ１１０に加えて、加速度センサ、圧力センサ、音センサ及び温度センサ等の他のセンサを含んでもよい。
［４．異常検知装置のハードウェア構成］
　図４は、本実施形態に係る異常検知装置のハードウェア構成の一例を示すブロック図である。
　異常検知装置３００は、プロセッサ３０１と、不揮発性メモリ３０２と、揮発性メモリ３０３と、入出力インタフェース（Ｉ／Ｏ）３０４と、グラフィックコントローラ３０５と、表示装置３０６とを含む。
　揮発性メモリ３０３は、例えばＳＲＡＭ、ＤＲＡＭ等の揮発性メモリである。不揮発性メモリ３０２は、例えばフラッシュメモリ、ハードディスク、ＲＯＭ等の不揮発性メモリである。不揮発性メモリ３０２には、コンピュータプログラムである異常検知プログラム３０７及び異常検知プログラム３０７の実行に使用されるデータが格納される。異常検知装置３００の各機能は、異常検知プログラム３０７がプロセッサ３０１によって実行されることで実現される。異常検知プログラム３０７は、フラッシュメモリ、ＲＯＭ、ＣＤ－ＲＯＭなどの記録媒体に記憶させることができる。
　不揮発性メモリ３０２には、基準データ３０８が記憶されている。基準データ３０８は、異常検知プログラム３０７によって使用されるデータであり、切削工具３０の正常時における歪みの時系列の計測結果である。
　不揮発性メモリ３０２には、計測結果データベース（ＤＢ）３０９が設けられている。計測結果ＤＢ３０９は、歪みセンサ１１０による計測結果を格納する。さらに具体的には、計測結果ＤＢ３０９には、一定のサンプリング周期毎に歪みセンサ１１０から出力された歪みの計測値が時系列で蓄積される。基準データ３０８は、例えば、計測結果ＤＢ３０９に格納された過去の計測結果から作成されたデータである。
　プロセッサ３０１は、例えばＣＰＵである。プロセッサ３０１は、１又は複数のＣＰＵであってもよい。ただし、プロセッサ３０１は、ＣＰＵに限られない。プロセッサ３０１は、ＧＰＵであってもよい。具体的な一例では、プロセッサ３０１は、マルチコアＧＰＵである。プロセッサ３０１は、例えば、ＡＳＩＣであってもよいし、ゲートアレイ、ＦＰＧＡ等のプログラマブルロジックデバイスであってもよい。この場合、ＡＳＩＣ又はプログラマブルロジックデバイスは、異常検知プログラム３０７と同様の処理を実行可能に構成される。
　Ｉ／Ｏ３０４は、無線機２００に接続されている。Ｉ／Ｏ３０４は、例えば、通信Ｉ／Ｆであり、特定の通信プロトコルによる通信を行うことが可能である。Ｉ／Ｏ３０４は、例えばイーサネットインタフェース（「イーサネット」は登録商標）を含む。Ｉ／Ｏ３０４は、無線機２００を介して、切削工具３０から歪みセンサ１１０の計測結果を受信することができる。
　グラフィックコントローラ３０５は、表示装置３０６に接続されており、表示装置３０６における表示を制御する。グラフィックコントローラ３０５は、例えば、ＧＰＵ及びＶＲＡＭ（Ｖｉｄｅｏ　ＲＡＭ）を含み、表示装置３０６に表示するデータをＶＲＡＭに保持し、ＶＲＡＭから１フレーム分の映像データを定期的に読み出し、映像信号を生成する。生成された映像信号は表示装置３０６に出力され、表示装置３０６に映像が表示される。グラフィックコントローラ３０５の機能は、プロセッサ３０１に含まれてもよい。揮発性メモリ３０３の一部の領域を、ＶＲＡＭとして利用してもよい。
　表示装置３０６は、例えば液晶パネル又はＯＥＬ（有機エレクトロルミネッセンス）パネルを含む。表示装置３０６は、文字又は図形の情報を表示することができる。
［５．異常検知装置の機能］
　図５は、本実施形態に係る異常検知装置の機能の一例を示す機能ブロック図である。異常検知装置３００は、取得部３１１、同期部３１２、期間設定部３１３、補正部３１４、距離算出部３１５、異常検知部３１６、及び表示制御部３１７の各機能を有する。
　取得部３１１は、工作機械２０が切削工具３０によって加工対象物を加工している間の切削工具３０の歪みの計測データを取得する。計測データは、歪みセンサ１１０の計測値の時系列データである。切削工具３０の歪みは、工作機械２０が切削工具３０によって加工対象物を加工している間に変動する物理量の一例である。
　図６は、切削工具の歪みの時系列の波形の一例を示すグラフである。図６において、縦軸は歪みを示し、横軸は時間を示す。加工対象物の切削加工には、加工条件が異なる複数の工程が含まれる。例えば、１つの加工対象物に対する旋盤による旋削加工には、複数の外径の外径加工工程、及び複数の内径の内径加工工程が含まれる。一連の切削加工において、工程毎に切削工具３０の歪みの計測値の波形パターンは変化する。図６の例では、１つの加工対象物の切削加工において、工程Ａ、工程Ｂ、工程Ｃ、工程Ｄ、工程Ｅ、及び工程Ｆが含まれる。期間Ｐ１に工程Ａが実行され、期間Ｐ２に工程Ｂが実行され、期間Ｐ３に工程Ｃが実行され、期間Ｐ４に工程Ｄが実行され、期間Ｐ５に工程Ｅが実行され、期間Ｐ６に工程Ｆが実行される。工程Ａ、工程Ｂ、工程Ｃ、工程Ｄ、工程Ｅ、及び工程Ｆのそれぞれの加工条件は互いに異なっている。このため、工程Ａ、工程Ｂ、工程Ｃ、工程Ｄ、工程Ｅ、及び工程Ｆのそれぞれにおける歪みの波形パターンは互いに異なっている。
　図５に戻り、同期部３１２は、取得部３１１によって取得された時系列の計測データである対象データと、切削工具３０の正常時における歪みの時系列の計測結果である基準データ３０８との同期を取る。切削加工の工程によって歪みの大きさは異なるため、特定の工程での歪みの計測値を評価しなければ、切削工具３０の異常の検知を正しく行うことができない。同期部３１２は、同一の工程における対象データと基準データ３０８との比較を可能とするために、対象データと基準データ３０８との同期を取る。
　図７は、基準データの一例を示すグラフであり、図８は、対象データの一例を示すグラフである。図７及び図８において、縦軸は歪みを示し、横軸は時間を示す。異常検知装置３００は、対象データ４００を基準データ３０８と比較し、切削工具３０の異常を検知する。このため、対象データ４００と基準データ３０８との同期を取る必要がある。なお、対象データ４００と基準データ３０８との同期を取るとは、対象データ４００における工程の開始時刻と基準データ３０８における工程の開始時期とを合わせ、対象データ４００における工程の終了時刻と基準データ３０８における工程の終了時期とを合わせることである。図８は、図７に示される基準データ３０８と同期が取られた対象データ４００を示している。このように対象データ４００と基準データ３０８との同期を取ることによって、同一の工程における基準データの波形と対象データ４００の波形とを比較することができ、切削工具３０の異常を高精度に検知することができる。
　図９は、同一の加工条件の工程が複数回繰り返される場合の歪みセンサの計測結果の一例を示すグラフである。図９の例では、工程Ａ１、工程Ａ２、及び工程Ａ３の３つの工程における歪みセンサの計測結果が示されている。工程Ａ１、工程Ａ２、及び工程Ａ３は同一の加工条件の工程である。図９では、熱ドリフトによって工程Ａ２及びＡ３の波形がシフトしている。波形シフトについては後述する。図９に示すように、同一の加工条件の工程が複数回繰り返される場合、各工程Ａ１，Ａ２，Ａ３のそれぞれでの歪みの波形パターンが取得される。
　同期部３１２は、対象データ４００における１つの工程を含む切出期間を決定し、決定された切出期間の時系列波形パターンを対象データ４００から抽出する（切り出す）。切出期間は、基準データ３０８において波形パターンを示す期間に対応する期間である。図９の例では、同期部３１２は、工程Ａ１，Ａ２，Ａ３それぞれの切出期間Ｐ＿Ａ１，Ｐ＿Ａ２，Ｐ＿Ａ３を決定し、工程Ａ１，Ａ２，Ａ３それぞれの時系列波形パターンを対象データ４００から切り出す。
　同期部３１２による切出期間の決定について説明する。同期部３１２は、切出期間を決定するために、対象データ４００の第１移動平均と第２移動平均とを算出する。図１０は、対象データ４００の第１移動平均及び第２移動平均の一例を示すグラフである。図１０において、縦軸は歪みの移動平均値を示し、横軸は時間を示す。図１０において、上側のグラフは第１移動平均を示し、下側のグラフは第２移動平均を示す。第１移動平均と第２移動平均は、平均値を算出するためのデータ点数が互いに異なる。例えば、第１移動平均のデータ点数は１００点であり、第２移動平均のデータ点数は２００点である。
　図１１は、図１０におけるＴ部を拡大したグラフである。図１１において、縦軸は歪みの移動平均値を示し、横軸は時間を示す。図１１において、黒の線のグラフは第１移動平均を示し、グレーの線のグラフは第２移動平均を示す。図１１に示すように、第１移動平均と第２移動平均とは、データ点数が相違するため値の変化が相違する。すなわち、第１移動平均と第２移動平均とは、概ね一定値の期間Ｐ＿Ｓにおいては実質的に同一の値を示し、値が変化している期間Ｐ＿Ｃにおいては互いに異なる値を示す。同期部３１２は、このような値の変化を利用して、移動平均の値の変化点、すなわち、期間Ｐ＿Ｓと期間Ｐ＿Ｔとの境界点を特定する。
　具体的な一例では、同期部３１２は、第１移動平均と第２移動平均との差の絶対値（以下、「移動平均の差」という）を算出する。図１１における期間Ｐ＿Ｓでは移動平均の差は小さく、期間Ｐ＿Ｔでは移動平均の差は大きい値を含む。図１２は、移動平均の差の一例を示すグラフである。図１２において、縦軸は移動平均の差を示し、横軸は時間を示す。同期部３１２は、移動平均の差と閾値（第１閾値）とを比較し、移動平均の差が第１閾値を超えた時点ｔｓ０を特定する。すなわち、同期部３１２は、移動平均の差の開始時刻から、時間順に移動平均の差と第１閾値とを比較し、移動平均の差が第１閾値を初めて超えた時点ｔｓ０を特定する。
　同期部３１２は、特定された時点ｔｓ０から始まる仮期間を決定する。仮期間は、基準データ３０８に基づいて予め登録された登録期間を用いて決定される。例えばユーザは、基準データ３０８に含まれる特定の１つの工程の期間を、登録期間として登録する。登録期間の情報は、例えば不揮発性メモリ３０２に格納されている。同期部３１２は、時点ｔｓ０を始点として、登録期間と同じ長さの期間を、仮期間として決定する。
　同期部３１２は、仮期間の終点である時刻ｔｅ０１から、時間の逆順に移動平均の差と第１閾値とを比較し、移動平均の差が第１閾値を初めて超えた時点ｔｅ０２を特定する。同期部３１２は、時点ｔｓ０から時点ｔｅ０２の期間を工程期間として決定する。
　同期部３１２は、工程期間に基づいて、切出期間を決定する。切出期間は、対象データ４００から波形データを切り出すための期間である。図１３は、切出期間の決定の一例を説明するためのグラフである。図１３において、縦軸は移動平均の差を示し、横軸は時間を示す。同期部３１２は、時点ｔｓ０からマージン分前の時点ｔｓ１を特定し、時点ｔｅ０２からマージン分後の時点ｔｅ１を特定する。同期部３１２は、時点ｔｓ１から時点ｔｅ１までの期間を切出期間として決定する。マージンは、工程期間に基づいて定められる。例えば、マージンは、登録期間と工程期間との差の１／２である。ただし、マージンは、予め定められた期間であってもよい。
　上記のような切出期間は、切削工具３０を用いて特定の工程が行われている期間に設定される。具体的な一例では、切出期間は、加工対象物の切削と非切削とを繰り返す断続加工工程に設定される。加工対象物の切削が連続する連続加工工程では、切削工具３０に異常が発生していても、切削工具３０に安定して一定の歪みが生じる。これに対して、断続加工工程では、非切削時には切削工具３０に歪みが生じず、切削時には切削工具３０に歪みが生じる。すなわち、切削工具３０に歪みが生じる状態と生じない状態とが繰り返される。このため、切削工具３０に生じた異常は、例えば、切削工具３０における歪みの変動として表れる。したがって、断続加工工程における歪みの計測結果を用いて、切削工具３０の異常を正確に検知することができる。
　図５に戻り、同期部３１２は、決定された切出期間の波形データを対象データ４００から切り出す。切り出された波形データ（以下、「切出データ」という）は、基準データ３０８と同期が取られている。
　期間設定部３１３は、基準データ３０８と切出データとにおいて同一の加工工程の対象期間（以下、「窓」という）を設定する。図７及び図８を参照し、窓について説明する。窓Ｗは、１つの工程における一部の期間である。窓Ｗは、基準データ３０８及び切出データにおいて共通する期間である。例えば、期間設定部３１３は、基準データ３０８の一部の期間を窓Ｗに設定する。
　図５に戻り、補正部３１４は、切出データのベースラインを補正する。上述したように、歪みの計測値の波形データは、熱ドリフトによってシフトする。図９を参照する。切削加工では切削工具３０に摩擦熱が発生する。歪みセンサ１１０の計測結果は、熱による影響を受けて変動する。これが熱ドリフトである。図９に示すように、熱ドリフトによって、歪み波形はシフトする。補正部３１４は、切削工具３０の異常を正確に検知するために、熱ドリフトによる歪み波形のシフトを補正する。
　図９の例では、１回の切削加工において同じ工程が繰り返し行われ、熱ドリフトによって、後の工程Ａ２及びＡ３の歪みの波形パターンが、先の工程Ａ１の歪みの波形パターンに対して正側にシフトする。同様に、熱ドリフトによって、後の工程Ａ３の歪みの波形パターンが、先の工程Ａ２の歪みの波形パターンに対して正側にシフトする。
　図１４Ａは、補正前の切出データの一例を示すグラフであり、図１４Ｂは、補正後の切出データの一例を示すグラフである。図１４Ａ及び図１４Ｂにおいて、縦軸は歪みを示し、横軸は時間を示す。図１４Ａ及び図１４Ｂにおいて、黒の線のグラフは基準データ３０８を示し、グレーの線のグラフは切出データ４１０を示す。例えば、基準データ３０８は、補正後のデータである。すなわち、基準データ３０８は、熱ドリフトによる波形シフトが予め補正されている。
　具体的な一例では、補正部３１４は、窓Ｗの切出データ４１０の歪み計測値の平均値を算出し、窓Ｗの切出データ４１０の各計測値から平均値を差し引くことによって切出データ４１０のベースラインを補正する。図１４Ｂに示すように、補正後の切出データ４１０Ａのベースラインは、基準データ３０８のベースラインと合致する。なお、基準データ３０８のベースラインは予め補正されていなくてもよい。この場合、補正部３１４が、窓Ｗの基準データ３０８の各計測値から平均値を差し引くことによって、基準データ３０８のベースラインを補正する。
　図５に戻り、距離算出部３１５は、同期部３１２によって同期が取られた基準データ３０８と対象データ４００（切出データ４１０Ａ）との間の距離を算出する。具体的な一例では、距離算出部３１５は、期間設定部３１３によって設定された窓Ｗにおいて、基準データ３０８と切出データ４１０Ａとの間の距離を算出する。距離算出部３１５は、補正部３１４によってベースラインを補正された切出データ４１０Ａと、基準データ３０８との間の距離を算出する。
　基準データ３０８と切出データ４１０Ａとの間の距離の一例は、基準データ３０８の時系列波形と切出データ４１０Ａの時系列波形との間の距離である。さらに具体的な一例では、基準データ３０８と切出データ４１０Ａとの間の距離は、基準データ３０８と切出データ４１０Ａとの間のＤＴＷ（動的時間伸縮）である。
　図１５は、基準データ３０８と切出データ４１０Ａとの間のＤＴＷを説明するためのグラフである。図１５において、縦軸は歪みを示し、横軸は時間を示す。図１５において、上側のグラフは基準データ３０８を示し、下側のグラフは切出データ４１０Ａを示す。図１５では、理解を容易にするために、基準データ３０８と切出データ４１０Ａとを別々の座標系で示しているが、実際には１つの共通の座標軸（歪みの軸及び時間軸）における基準データ３０８の波形と切出データ４１０Ａの波形との間のＤＴＷが算出される。ＤＴＷの算出では、距離算出部３１５は、基準データ３０８の各点と切出データ４１０Ａの各点との距離（誤差の絶対値）を総当たりで算出し、算出された距離のうちの最小値を、基準データ３０８と切出データ４１０Ａとの距離として決定する。決定された距離は、切削工具３０の異常度とされる。
　図５に戻り、異常検知部３１６は、距離算出部３１５によって算出された距離（異常度）と閾値（第２閾値）とを比較することによって切削工具３０の異常を検知する。具体的には、異常検知部３１６は、異常度が第２閾値を超えている場合に、切削工具３０に異常が発生していると判定し、異常度が第２閾値以下である場合に、切削工具３０に異常が発生していない（正常である）と判定する。第２閾値は、窓Ｗの位置に基づいて定められる。ただし、第２閾値は、予め設定されてもよい。例えば、第２閾値は、ホテリングのＴ２法によって定められる。ただし、第２閾値は、他の方法を用いて定められてもよい。
　期間設定部３１３は、１つの窓Ｗについて異常度と第２閾値との比較が行われた場合に、元の窓Ｗから少しずらした期間を新たな窓Ｗとして設定する。新たな窓Ｗにおいて、対象データ４００から切出データ４１０が切り出され、補正部３１４が切出データ４１０のベースラインを補正し、距離算出部３１５が基準データ３０８と切出データ４１０Ａとの距離を算出し、異常検知部３１６が異常度と第２閾値との比較を行う。例えば、対象データ４００において異常検知を行う期間（以下、「検知対象期間」）が予め設定され、期間設定部３１３は、検知対象期間の始点から終点まで、窓Ｗを所定時間ずつずらして順次設定することができる。これにより、検知対象期間の全体において異常度が順次算出され、切削工具３０の異常検知が行われる。検知対象期間は、例えば、切出期間の一部又は全部の期間として設定される。
　表示制御部３１７は、映像信号を表示装置３０６に出力し、表示装置３０６の表示を制御する。異常検知部３１６が切削工具３０の異常を検知した場合、表示制御部３１７は、異常の検知を表示装置３０６に表示させる。これにより、ユーザに異常検知が通知される。
　表示制御部３１７は、距離算出部３１５によって算出された異常度の時系列グラフ（以下、「異常度グラフ」という）を、表示装置３０６に表示させることができる。図１６Ａは、異常度グラフの一例を示すグラフであり、図１６Ｂは、異常度グラフの他の例を示すグラフである。図１６Ａ及び図１６Ｂにおいて、縦軸は異常度を示し、横軸は時間を示す。図１６Ａは、切削工具３０が正常な場合の異常度グラフであり、図１６Ｂは、切削工具３０が異常な場合の異常度グラフである。図１６Ａ及び図１６Ｂに示すような異常度グラフを表示することで、ユーザは、異常度の時間的推移を確認することができる。異常度の時系列グラフを表示することで、切削工具３０が摩耗し、正常な状態から異常な状態に変化した場合に、ユーザはどのように状態が変化したかを確認することができる。
［６．異常検知装置の動作］
　異常検知装置３００のプロセッサ３０１が異常検知プログラム３０７を実行することにより、プロセッサ３０１は、以下に説明する異常検知処理を実行する。図１７は、本実施形態に係る異常検知装置による異常検知処理の一例を示すフローチャートである。
　切削工具３０が使用され、工作機械２０によって加工対象物が切削加工されている間、歪みセンサ１１０が切削工具３０の歪みを計測する。センサモジュール１００は、歪みセンサ１１０による計測結果を無線によって異常検知装置３００へ送信する。異常検知装置３００は、歪みの計測結果を受信し、計測結果ＤＢ３０９に計測結果を格納する。このようにして、時系列の計測データが計測結果ＤＢ３０９に蓄積される。
　プロセッサ３０１は、計測結果ＤＢから、異常検知の対象となる計測データである対象データ４００を取得する（ステップＳ１０１）。
　プロセッサ３０１は、取得した対象データ４００と、基準データ３０８との同期を取る同期処理を実行する（ステップＳ１０２）。
　図１８は、同期処理の一例を示すフローチャートである。
　同期処理において、プロセッサ３０１は、対象データ４００の第１移動平均及び第２移動平均を算出し、移動平均の差を算出する（ステップＳ２０１）。次にプロセッサ３０１は、移動平均の差と第１閾値とを比較し、移動平均の差が第１閾値を超えた時点ｔｓ０を特定する（ステップＳ２０２）。
　プロセッサ３０１は、登録期間を用いて、特定された時点ｔｓ０を始点として仮期間を決定する（ステップＳ２０３）。プロセッサ３０１は、仮期間の終点である時刻ｔｅ０１から、時間の逆順に移動平均の差と第１閾値とを比較し、移動平均の差が第１閾値を初めて超えた時点ｔｅ０２を特定する。プロセッサ３０１は、時点ｔｓ０から時点ｔｅ０２の期間を工程期間として決定する（ステップＳ２０４）。
　プロセッサ３０１は、工程期間の前と後にマージンを追加し、切出期間を決定する（ステップＳ２０５）。プロセッサ３０１は、対象データ４００から切出期間の波形データ（切出データ）を切り出す（ステップＳ２０６）。以上で、同期処理が終了する。
　図１７に戻り、プロセッサ３０１は、同期化された切出データ４１０及び基準データ３０８に窓Ｗを設定する（ステップＳ１０３）。最初の窓Ｗは、検知対象期間の始端に設定される。
　プロセッサ３０１は、窓Ｗの切出データ４１０の計測値の平均値を算出し、各計測値を平均値を差し引く。これによって、切出データ４１０のベースラインが補正される（ステップＳ１０４）。
　プロセッサ３０１は、補正後の切出データ４１０Ａと基準データ３０８との間の距離を、異常度として算出する（ステップＳ１０５）。
　プロセッサ３０１は、異常度と第２閾値とを比較する（ステップＳ１０６）。異常度が第２閾値以下である場合（ステップＳ１０６においてＮＯ）、プロセッサ３０１はステップＳ１０９に進む。
　異常度が第２閾値を超える場合（ステップＳ１０６においてＹＥＳ）、プロセッサ３０１は、切削工具３０の異常が発生したと判断する。すなわち、プロセッサ３０１は、切削工具３０の異常を検知する（ステップＳ１０７）。
　プロセッサ３０１は、切削工具３０の異常検知を表示装置３０６に表示させる（ステップＳ１０８）。これにより、異常検知がユーザに通知される。
　プロセッサ３０１は、窓Ｗが検知対象期間の終端に到達したか否かを判定する（ステップＳ１０９）。窓Ｗが検知対象期間の終端に到達していない場合（ステップＳ１０９においてＮＯ）、プロセッサ３０１は、ステップＳ１０３に戻り、窓Ｗから所定時間後の期間を新たな窓Ｗに設定する。プロセッサ３０１は、ステップＳ１０４以降を実行する。窓Ｗが順次更新されていくことで、検知対象期間の全体において異常度が算出され、切削工具３０が異常か否かが判定される。
　窓Ｗが検知対象期間の終端に到達した場合（ステップＳ１０９においてＹＥＳ）、プロセッサ３０１は、検知対象期間の異常度グラフを作成し、異常度グラフを表示装置３０６に表示させる（ステップＳ１１０）。以上で、異常検知処理が終了する。
　［７．変形例］
　上述した実施形態では、断続加工工程に切出期間を設定し、断続加工工程における切削工具の異常を検知したが、これに限定されない。連続加工工程に切出期間を設定し、連続加工工程における切削工具の異常を検知してもよい。さらに、一又は複数の断続加工工程と、一又は複数の連続加工工程とを含む期間を切出期間として設定し、切出期間における切削工具の異常を検知してもよい。
　上述した実施形態では、異常度として、基準データの時系列波形と切出データ（対象データ）の時系列波形との距離を算出したが、これに限定されない。異常度として、基準データの分布と切出データ（対象データ）の分布との差を算出してもよい。基準データの時系列波形と切出データの時系列波形との距離は、ＤＴＷに限られない。例えば、ユークリッド距離であってもよい。ユークリッド距離を異常度とする場合、切出データの時系列波形との位相を、基準データの時系列波形の位相と合わせてもよい。基準データの分布と切出データの分布との差として、交差エントロピーを算出してもよいし、密度比を推定してもよい。
　上述した実施形態では、歪みセンサ１１０による切削工具３０の歪みの計測データを用いて、切削工具３０の異常を検知したが、これに限定されない。切削工具３０に加速度センサを設け、加速度センサによって計測される時系列の加速度を用いて、切削工具３０の異常を検知してもよい。加速度センサを用いる場合、加速度の基準データの分布と、加速度の対象データの分布との差を異常度として算出することができる。
　［８．補記］
　今回開示された実施の形態はすべての点で例示であって、制限的ではない。本発明の権利範囲は、上述の実施形態ではなく請求の範囲によって示され、請求の範囲と均等の意味及びその範囲内でのすべての変更が含まれる。
　１０　異常検知システム
　２０　工作機械
　３０，３０Ａ，３０Ｂ，３０Ｃ，３０Ｄ　転削工具
　３１Ａ，３１Ｂ，３１Ｃ，３１Ｄ　切削部
　３２　切削インサート
　３３Ａ，３３Ｂ，３３Ｃ　固定用部材
　３４，３５　切刃
　１００　センサモジュール
　１０１　プロセッサ
　１０２　不揮発性メモリ
　１０３　揮発性メモリ
　１０４　通信インタフェース（通信Ｉ／Ｆ）
　１０５　電池
　１１０，１１０Ａ，１１０Ｂ　歪みセンサ
　２００　無線機
　３００　異常検知装置
　３０１　プロセッサ
　３０２　不揮発性メモリ
　３０３　揮発性メモリ
　３０４　入出力インタフェース（Ｉ／Ｏ）
　３０５　グラフィックコントローラ
　３０６　表示装置
　３０７　異常検知プログラム
　３０８　基準データ
　３０９　計測結果ＤＢ
　３１１　取得部
　３１２　同期部
　３１３　期間設定部
　３１４　補正部
　３１５　距離算出部
　３１６　異常検知部
　３１７　表示制御部
　４００　対象データ
　４１０，４１０Ａ　切出データ
　Ａ，Ｂ，Ｃ，Ｄ，Ｅ，Ｆ，Ａ１，Ａ２，Ａ３　工程
　Ｐ１，Ｐ２，Ｐ３，Ｐ４，Ｐ５，Ｐ６，Ｐ＿Ｓ，Ｐ＿Ｃ　期間
　Ｐ＿Ａ１，Ｐ＿Ａ２，Ｐ＿Ａ３　切出期間
　ｔｓ０，ｔｓ１，ｔｅ０１，ｔｅ０２，ｔｅ１　時点
　Ｗ　窓
 

Claims (11)

  1. 　工作機械の工具の異常を検知する異常検知システムであって、
    　前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサと、
    　前記センサの計測データに基づいて前記工具の異常を検知する異常検知装置と、
    　を備え、
    　前記異常検知装置は、
    　前記センサの時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、
    　前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、
    　前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、
    　を含む、
    　異常検知システム。
  2. 　前記異常検知装置は、前記基準データと前記対象データとにおいて同一の加工工程の対象期間を設定する期間設定部をさらに含み、
    　前記距離算出部は、前記期間設定部によって設定された前記対象期間において、前記基準データと前記対象データとの間の距離を算出する、
    　請求項１に記載の異常検知システム。
  3. 　前記加工工程は、前記加工対象物の切削と非切削とを繰り返す断続加工工程である、
    　請求項２に記載の異常検知システム。
  4. 　前記センサは、前記物理量として前記工具の歪みを計測する歪みセンサである、
    　請求項１から請求項３のいずれか１項に記載の異常検知システム。
  5. 　前記センサは、前記物理量として前記工具の加速度を計測する加速度センサである、
    　請求項１から請求項３のいずれか１項に記載の異常検知システム。
  6. 　前記異常検知装置は、前記対象データのベースラインを補正する補正部をさらに含み、
    　前記距離算出部は、前記補正部によって前記ベースラインを補正された前記対象データと、前記基準データとの間の距離を算出する、
    　請求項１から請求項５のいずれか１項に記載の異常検知システム。
  7. 　前記基準データと前記対象データとの間の距離は、前記基準データの時系列波形と前記対象データの時系列波形との間の距離、又は、前記基準データの分布と前記対象データの分布との差である、
    　請求項１から請求項６のいずれか１項に記載の異常検知システム。
  8. 　前記異常検知システムは、前記距離算出部によって算出された前記基準データと前記対象データとの間の距離の時系列グラフを表示する表示装置をさらに備える、
    　請求項１から請求項７のいずれか１項に記載の異常検知システム。
  9. 　工作機械の工具の異常を検知する異常検知装置であって、
    　前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得する取得部と、
    　前記取得部によって取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取る同期部と、
    　前記同期部によって同期が取られた前記基準データと前記対象データとの間の距離を算出する距離算出部と、
    　前記距離算出部によって算出された前記距離と閾値とを比較することによって前記工具の異常を検知する異常検知部と、
    　を備える、
    　異常検知装置。
  10. 　工作機械の工具の異常を検知する異常検知装置によって実行される異常検知方法であって、
    　前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得するステップと、
    　取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取るステップと、
    　同期が取られた前記基準データと前記対象データとの間の距離を算出するステップと、
    　算出された前記距離と閾値とを比較することによって前記工具の異常を検知するステップと、
    　を含む、
    　異常検知方法。
  11. 　工作機械の工具の異常を検知するためのコンピュータプログラムであって、
    　コンピュータに、
    　前記工作機械が前記工具によって加工対象物を加工している間に変動する前記工具の物理量を計測する、前記工具に設けられたセンサから出力された時系列の計測データを取得するステップと、
    　取得された前記時系列の計測データである対象データと、前記工具の正常時における前記物理量の時系列の計測結果である基準データとの同期を取るステップと、
    　同期が取られた前記基準データと前記対象データとの間の距離を算出するステップと、
    　算出された前記距離と閾値とを比較することによって前記工具の異常を検知するステップと、
    　を実行させるための、
    　コンピュータプログラム。
     
PCT/JP2022/024155 2022-06-16 2022-06-16 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム WO2023243043A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022574118A JP7302757B1 (ja) 2022-06-16 2022-06-16 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム
PCT/JP2022/024155 WO2023243043A1 (ja) 2022-06-16 2022-06-16 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/024155 WO2023243043A1 (ja) 2022-06-16 2022-06-16 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム

Publications (1)

Publication Number Publication Date
WO2023243043A1 true WO2023243043A1 (ja) 2023-12-21

Family

ID=86996542

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/024155 WO2023243043A1 (ja) 2022-06-16 2022-06-16 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム

Country Status (2)

Country Link
JP (1) JP7302757B1 (ja)
WO (1) WO2023243043A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015077658A (ja) * 2013-10-17 2015-04-23 株式会社神戸製鋼所 状態計測装置及び状態計測システム
JP2021112800A (ja) * 2020-01-20 2021-08-05 株式会社日立製作所 異常予兆検知システムおよび方法
WO2021261418A1 (ja) * 2020-06-24 2021-12-30 ファナック株式会社 工具診断装置、および工具診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015077658A (ja) * 2013-10-17 2015-04-23 株式会社神戸製鋼所 状態計測装置及び状態計測システム
JP2021112800A (ja) * 2020-01-20 2021-08-05 株式会社日立製作所 異常予兆検知システムおよび方法
WO2021261418A1 (ja) * 2020-06-24 2021-12-30 ファナック株式会社 工具診断装置、および工具診断方法

Also Published As

Publication number Publication date
JPWO2023243043A1 (ja) 2023-12-21
JP7302757B1 (ja) 2023-07-04

Similar Documents

Publication Publication Date Title
JP7276631B1 (ja) 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム
US10010991B2 (en) State measuring device and state measuring system
JP7435576B2 (ja) 切削システム、表示システム、処理装置、処理方法および処理プログラム
US9211624B2 (en) Vibration determination method and vibration determination device
US10890892B2 (en) Abnormality determination apparatus, non-transitory computer readable medium encoded with a program, abnormality determination system and abnormality determination method
WO2019230520A1 (ja) 異常診断システム及び振動センサ
JP7276673B2 (ja) 分析装置、提供装置、判定方法、提供方法、判定プログラムおよび提供プログラム
JP2019096289A (ja) 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム
WO2023243043A1 (ja) 異常検知システム、異常検知装置、異常検知方法、及びコンピュータプログラム
JP6415335B2 (ja) 不具合診断方法及び不具合診断システム
US11249454B2 (en) Thermal displacement correction device considering sensor failure
WO2023067642A1 (ja) 監視装置、監視方法、加工システム、およびプログラム
JP2023060854A (ja) 表示装置、表示方法、加工システム、およびプログラム
JP7036292B1 (ja) 判定装置、切削工具システムおよび判定方法
WO2022239189A1 (ja) 加工条件管理システム、加工制御装置、加工システム、および加工プログラム
JP5019544B2 (ja) 工作機械における変位補正式の生成装置および工作機械における変位補正式の生成方法
JP6950612B2 (ja) センサ、情報処理装置、センサ制御方法、情報処理方法、プログラム、および記録媒体
JP7044209B2 (ja) 切削工具、工具システムおよび切削情報送信方法
JP7456074B1 (ja) 処理システム、処理装置、処理方法および処理プログラム
WO2022054719A1 (ja) 判定装置、切削工具システムおよび判定方法
WO2021241149A1 (ja) 管理装置、表示処理方法および表示処理プログラム
US11156983B2 (en) Noise monitoring device

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022574118

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: 22946860

Country of ref document: EP

Kind code of ref document: A1