JP7364431B2

JP7364431B2 - 機械学習装置、予測装置、及び制御装置

Info

Publication number: JP7364431B2
Application number: JP2019201662A
Authority: JP
Inventors: 大愛佐藤
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2019-11-06
Filing date: 2019-11-06
Publication date: 2023-10-18
Anticipated expiration: 2039-11-06
Also published as: CN112784955A; US20210132553A1; DE102020126518B4; JP2021076977A; US11809146B2; DE102020126518A1

Description

本発明は、機械学習装置、予測装置、及び制御装置に関する。

工作機械において、工具等の可動部の衝突を防ぐために、実行される加工プログラムから算出される先行時間での可動部の位置と、可動部の輪郭及び固定部の輪郭が予め記憶された輪郭モデルとに基づいて干渉チェックをし、干渉すると判定された場合、可動部を減速停止させる、又はアラームを発生させる技術が知られている。例えば、特許文献１参照。

特許第４２２１０１６号

ところで、工作機械には、可動部を手動送り可能なものがある。この場合、加工プログラムが実行されておらず、ユーザがリアルタイムで可動部を動かすため、可動部の未来の位置を予測することが難しい。
この場合に可動部の未来の位置を予測する方法として、手動送りの際にユーザにより操作される手動ハンドルが発生するパルス信号を用いて、現在のパルス信号の状態（すなわち、手動送りの操作）が維持されるという前提に基づき可動部の未来の位置を計算し、干渉チェックを行う方法が考えられる。しかしながら、ユーザが手動ハンドルを連続的に回さない場合や、ワークやテーブル等の干渉物の近くでユーザが手動ハンドルを慎重に回す場合でも、上述の方法では、計算された未来の位置から干渉物と干渉するとみなされてアラームが発生することがある。その結果、アラームが過度に発生してしまうため、ユーザの意図する操作が中断され、作業効率が低下することがある。

そこで、手動送りにおいて過度にアラームを発生させることなく、可動部の衝突を防止することが望まれている。

（１）本開示の機械学習装置の一態様は、手動送り可能な工作機械で行われた任意の手動送り操作における前記手動送り操作時の手動送りパルス波形を含む手動送り状態情報を入力データとして取得する状態観測部と、前記入力データに含まれる前記手動送り状態情報の前記手動送りパルス波形の直後から所定の時間内で前記工作機械の可動部が移動した距離、を示すラベルデータを取得するラベル取得部と、前記状態観測部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、を備える。

（２）本開示の予測装置の一態様は、（１）の機械学習装置により生成された学習済みモデルと、手動送り可能な工作機械に対して現在行われている手動送りの前記手動送り状態情報を入力する入力部と、前記入力部により入力された前記手動送り状態情報を前記学習済みモデルに入力し、前記手動送り状態情報で現在から所定の時間後の前記工作機械の可動部の移動距離を予測する予測部と、を備える。

（３）本開示の制御装置の一態様は、（２）の予測装置を備える。

一態様によれば、手動送りにおいて過度にアラームを発生させることなく、可動部の衝突を防止することができる。

一実施形態に係る工作システムの機能的構成例を示す機能ブロック図である。予測装置の予測処理を説明する一例を示す図である。予測装置の予測処理を説明する一例を示す図である。手動ハンドル操作開始から終了までの１つの手動送り操作における手動送りパルス波形の一例を示す図である。図１の予測装置に提供される学習済みモデルの一例を示す図である。予測部の予測処理を説明する一例を示す図である。予測部の予測処理を説明する一例を示す図である。運用フェーズにおける予測装置の予測処理について説明するフローチャートである。工作システムの構成の一例を示す図である。工作システムの構成の一例を示す図である。工作機械の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。工作機械の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。推定パルス波形を出力する学習済みモデルの一例を示す図である。工作機械の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。工作機械の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。

以下、本開示の一実施形態について、図面を用いて説明する。
＜一実施形態＞
図１は、一実施形態に係る工作システムの機能的構成例を示す機能ブロック図である。図１に示すように、工作システム１は、工作機械１０、予測装置２０、及び機械学習装置３０を有する。

工作機械１０、予測装置２０、及び機械学習装置３０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、工作機械１０、予測装置２０、及び機械学習装置３０は、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、工作機械１０、予測装置２０、及び機械学習装置３０は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。なお、後述するように、予測装置２０は、機械学習装置３０を含むようにしてもよい。また、工作機械１０は、予測装置２０及び機械学習装置３０を含むようにしてもよい。

工作機械１０は、当業者にとって公知の工作機械であり、制御装置１５を組み込んで有する。工作機械１０は、制御装置１５の動作指令に基づいて動作するとともに、工作機械１０に含まれる手動ハンドル（図示しない）が操作されることにより、工具等の可動部を動作させる。なお、後述するように、手動ハンドル（図示しない）が操作され手動送りされる場合、工作機械１０は、工作機械１０の通信部（図示しない）を介して、手動送りが行われている間、手動ハンドル（図示しない）が発生するパルス信号の波形を手動送り状態情報の手動送りパルス波形として予測装置２０にも出力してもよい。また、手動送り状態情報には、ワークやテーブル等の干渉物までの距離、手動送りを行うユーザのユーザ識別情報、手動送りが行われている日付と時刻、及び軸番号が含まれてもよい。さらに、手動送り状態情報には、工作機械１０が設置された場所の温度や湿度等の環境条件が含まれてもよい。

なお、干渉物までの距離（すなわち干渉物の位置）に関する情報は、工作機械１０に含まれるＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）等の記憶部（図示しない）に予め記憶されてもよい。そして、干渉物までの距離は、例えば、ユーザの手動ハンドル（図示しない）の操作に影響を与える。例えば、可動部と干渉物との間の距離が大きい場合、ユーザは可動部を大きく動かすために手動ハンドル（図示しない）を大きく（速く）回転させるため、手動ハンドル（図示しない）は多くのパルス信号を発生させる。一方、可動部と干渉物との間の距離が小さい場合、ユーザは可動部を小さく動かすために手動ハンドル（図示しない）を小さく（ゆっくり）回転させるため、手動ハンドル（図示しない）は少ない数のパルス信号を発生させる。このように、干渉物までの距離と手動送りパルス波形とは密接な関係にあることから、干渉物までの距離は手動送り状態情報に含まれる。

また、手動ハンドル（図示しない）の操作はユーザ毎に異なり、可動部を大きく動かすときと小さく動かすときと、では大きく異なることが多い。このことから、後述する機械学習装置３０においてユーザ毎にパルス波形を学習することで、パルス波形がどう変化するかを予測するために、ユーザ識別情報は手動送り状態情報に含まれる。
また、軸番号は、可動部の移動方向であるＸ軸、Ｙ軸、Ｚ軸等を示す番号である。

制御装置１５は、当業者にとって公知の数値制御装置であり、制御情報に基づいて動作指令を生成し、生成した動作指令を工作機械１０に送信する。これにより、制御装置１５は、工作機械１０の動作を制御する。なお、制御装置１５は、図示しない工作機械１０の通信部を介して、工作機械１０の代わりに手動送り状態情報を予測装置２０に出力してもよい。
また、制御装置１５は、工作機械１０とは独立した装置でもよい。

予測装置２０は、運用フェーズにおいて、工作機械１０において手動送りが行われる場合、工作機械１０から現在行われている手動送り状態情報を取得する。予測装置２０は、取得した手動送り状態情報を、後述する機械学習装置３０から提供された学習済みモデルに入力することで、現在から所定の時間後の工作機械１０の可動部の移動距離を予測することができる。
具体的には、予測装置２０は、例えば、図２Ａに示すように、ユーザＡがｃ曜日の時刻ｈｈ：ｍｍから工作機械１０のＸ軸（例えば、軸番号「１」等）を手動ハンドル（図示しない）で可動部を操作した場合、現在からａ［ｍｓ］前までの手動送りパルス波形、及び現在位置から干渉物までの距離ｓ［ｍｍ］から、図２Ｂに示すように、現在からｂ［ｍｓ］までに可動部が移動する距離Ｄを予測する。
そこで、予測装置２０が距離Ｄを予測するために、後述する機械学習装置３０は、少なくともａ［ｍｓ］の時間の手動送りパルス波形を入力データとし、その波形が出力された直後からｂ［ｍｓ］の時間に工作機械１０の可動部が移動した距離をラベルデータとして取得し、教師データとして利用する。
そこで、予測装置２０を説明する前に、学習済みモデルを生成するための機械学習について説明する。

＜機械学習装置３０＞
機械学習装置３０は、例えば、予め、工作機械１０で行われた任意の手動送り操作における手動送り操作時の手動送りパルス波形、手動送り操作時の干渉物までの距離、手動送り操作を行ったユーザのユーザ識別情報、手動送り操作が行われた日付と時刻、及び手動送り操作で操作された軸番号を含む手動送り状態情報を、入力データとして取得する。
また、機械学習装置３０は、取得された入力データにおける手動送りパルス波形の直後から所定の時間内で工作機械１０の可動部が移動した距離、を示すデータをラベル（正解）として取得する。
機械学習装置３０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置３０は、構築した学習済みモデルを予測装置２０に提供することができる。
機械学習装置３０について、具体的に説明する。

機械学習装置３０は、図１に示すように、状態観測部３０１、ラベル取得部３０２、学習部３０３、及び記憶部３０４を有する。
状態観測部３０１は、学習フェーズにおいて、図示しない通信部を介して、工作機械１０で行われた任意の手動送り操作における手動送り操作時の手動送りパルス波形、手動送り操作時の干渉物までの距離、手動送り操作を行ったユーザのユーザ識別情報、手動送り操作が行われた日付と時刻、及び手動送り操作で操作された軸番号を含む手動送り状態情報を、入力データとして工作機械１０から取得する。
図３は、手動ハンドル（図示しない）操作開始から終了までの１つの手動送り操作における手動送りパルス波形の一例を示す図である。なお、図３の上段及び下段に示す手動送りパルス波形は同じものである。
図３の上段に示すように、状態観測部３０１は、例えば、手動ハンドル（図示しない）操作開始から終了までの手動送りパルス波形を５００ｍｓ等の指定時間（図２Ａのａ［ｍｓ］に相当）毎に区切り、区切られた手動送りパルス波形４０１－４０５を生成する。状態観測部３０１は、生成された手動送りパルス波形４０１－４０５を、手動送り状態情報の図３の手動送り操作時の干渉物までの距離、図３の手動送り操作を行ったユーザのユーザ識別情報、図３の手動送り操作が行われた日付と時刻、及び図３の手動送り操作で操作された軸番号とともに、入力データとして取得する。状態観測部３０１は、取得した入力データを記憶部３０４に記憶する。
なお、指定時間は、５００ｍｓに限定されず、任意の時間に設定されてもよい。

ラベル取得部３０２は、例えば、入力データにおける手動送り状態情報の手動送りパルス波形４０１－４０５の各々の直後から所定の時間内で工作機械１０の可動部が移動した距離を示すデータをラベルデータ（正解データ）として取得する。
具体的には、ラベル取得部３０２は、例えば、図３の下段に示すように、生成された手動送りパルス波形４０１－４０５の各々の直後の時刻ｔ_１－ｔ_５から２００ｍｓ等の指定時間（図２Ｂのｂ［ｍｓ］に相当）内に工作機械１０の可動部が移動した距離（例えば、網掛けで示す領域４１１－４１５のパルスの時間積分の値）を、ラベルデータ（正解データ）として取得する。ラベル取得部３０２は、取得したラベルデータを記憶部３０４に記憶する。
なお、指定時間は、２００ｍｓに限定されず、少なくとも区切られた手動送りパルス波形４０１－４０５の指定時間より短い任意の時間に設定されてもよい。

学習部３０３は、上述の入力データとラベルとの組を訓練データとして受け付ける。学習部３０３は、受け付けた訓練データを用いて、教師あり学習を行うことにより、工作機械１０の可動部の移動距離を予測する学習済みモデル２５０を構築する。
そして、学習部３０３は、構築した学習済みモデル２５０を予測装置２０に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の工作機械１０から訓練データが取得されてもよい。

図４は、図１の予測装置２０に提供される学習済みモデル２５０の一例を示す図である。ここでは、学習済みモデル２５０は、図４に示すように、工作機械１０において現在行われている手動送りの手動送り状態情報を入力層として、当該手動送り状態情報により現在から所定の時間（例えば、２００ｍｓ等）後の工作機械１０の可動部の移動距離の推定値を出力層とする多層ニューラルネットワークを例示する。
ここで、現在行われている手動送りの手動送り状態情報には、当該手動送り操作における手動送りパルス波形、当該手動送り操作時の干渉物までの距離、当該手動送り操作を行っているユーザのユーザ識別情報、当該手動送り操作が行われた日付と時刻、及び当該手動送り操作で操作されている軸番号が含まれる。
なお、現在行われている手動送り状態情報には、工作機械１０が設置された場所の温度や湿度等の環境条件が含まれてもよい。

また、学習部３０３は、学習済みモデル２５０を構築した後に、新たな訓練データを取得した場合には、学習済みモデル２５０に対してさらに教師あり学習を行うことにより、一度構築した学習済みモデル２５０を更新するようにしてもよい。
そうすることで、普段のユーザによる手動ハンドル（図示しない）の操作から訓練データを自動的に得ることができるため、予測の精度を日常的に上げることができる。

上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、工作機械１０において手動送りが行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、工作機械１０において手動送りが行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。

記憶部３０４は、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等であり、状態観測部３０１により取得された入力データ、ラベル取得部３０２により取得されたラベルデータ、及び学習部３０３により構築された学習済みモデル２５０等を記憶する。
以上、予測装置２０が備える学習済みモデル２５０を生成するための機械学習について説明した。
次に、運用フェーズにおける予測装置２０について説明する。

＜運用フェーズにおける予測装置２０＞
図１に示すように、運用フェーズにおける予測装置２０は、入力部２０１、予測部２０２、決定部２０３、通知部２０４、及び記憶部２０５を含んで構成される。
なお、予測装置２０は、図１の機能ブロックの動作を実現するために、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）等の図示しない演算処理装置を備える。また、予測装置２０は、各種の制御用プログラムを格納したＲＯＭやＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。

そして、予測装置２０において、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行なう。この演算結果に基づいて、予測装置２０が各ハードウェアを制御する。これにより、図１の機能ブロックによる処理は実現される。つまり、予測装置２０は、ハードウェアとソフトウェアが協働することにより実現することができる。

入力部２０１は、工作機械１０において現在行われている手動送りの手動送り状態情報を、工作機械１０から入力する。入力部２０１は、入力された手動送り状態情報を予測部２０２に対して出力する。

予測部２０２は、入力部２０１により入力された手動送り状態情報を、図３の学習済みモデル２５０に入力し、現在から所定の時間後の工作機械１０の可動部の移動距離を予測する。
図５Ａ及び図５Ｂは、予測部２０２の予測処理を説明する一例を示す図である。なお、図５Ａ及び図５Ｂに示すパルス波形は、工作機械１０のユーザが月曜日の時刻１０時０分からＸ軸（例えば、軸番号「１」等）を手動ハンドル（図示しない）で操作した場合に、工作機械１０から取得された手動送りパルス波形の一例である。
図５Ａに示すように、予測部２０２は、取得された手動送りパルス波形のうち、現在の時刻から５００ｍｓ前までの手動送りパルス波形を、現在行われている手動送り操作時の干渉物までの距離、当該手動送り操作を行っているユーザのユーザ識別情報、当該手動送り操作が行われている日付と時刻、及び当該手動送り操作で操作されている軸番号「１」とともに、図３の学習済みモデル２５０に入力する。予測部２０２は、図５Ｂに示すように、現在から２００ｍｓ後の時刻の工作機械１０の可動部の移動距離を予測する。
なお、学習済みモデル２５０に入力される手動送りパルス波形の時間の長さは、学習済みモデル２５０の生成に用いられた入力データの手動送りパルス波形の時間間隔、すなわち５００ｍｓに対応させてもよい。学習済みモデル２５０が出力する移動距離の推定値は、学習済みモデル２５０の生成に用いられたラベルデータの距離を工作機械１０の可動部が移動するのにかかった時間、すなわち２００ｍｓに対応してもよい。
また、予測部２０２は、１０ｍｓや５０ｍｓ等の時間間隔の予測周期で移動距離の推定値を予測してもよい。これにより、工作機械１０は、手動送りにおいて衝突を回避することができる。

決定部２０３は、予測部２０２により予測周期毎に予測された移動距離の推定値と干渉物までの距離とに基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定する。
より具体的には、決定部２０３は、移動距離の推定値が干渉物までの距離より短い場合、衝突しないと判定することで、アラームを発生させず、手動送りの運転を続行することを決定する。
一方、決定部２０３は、移動距離の推定値が干渉物までの距離以上の場合、衝突すると判定することで、アラームを発生させ、手動送りの運転を中止させることを決定する。
そうすることで、予測装置２０は、学習済みモデル２５０を用いて予測された移動距離の推定値に基づいて干渉チェックを行うため、ユーザの操作に近い予測をすることができ、アラームの頻度を抑えることができる。

通知部２０４は、決定部２０３により衝突すると判定された場合、工作機械１０及び／又は制御装置１５に含まれる液晶ディスプレイ等の出力装置（図示しない）に、アラーム及び運転中止を出力してもよい。なお、通知部２０４は、スピーカ（図示せず）を介して音声により通知してもよい。

記憶部２０５は、ＲＯＭやＨＤＤ等であり、各種の制御用プログラムとともに、学習済みモデル２５０を記憶してもよい。

＜運用フェーズにおける予測装置２０の予測処理＞
次に、本実施形態に係る予測装置２０の予測処理に係る動作について説明する。
図６は、運用フェーズにおける予測装置２０の予測処理について説明するフローチャートである。ここで示すフローは、予測周期毎に繰り返し実行される。

ステップＳ１１において、入力部２０１は、工作機械１０において現在行われている手動送りの手動送り状態情報を、工作機械１０から入力する。

ステップＳ１２において、予測部２０２は、ステップＳ１１で入力された、現在行われている手動送りの手動送り状態情報を学習済みモデル２５０に入力し、工作機械１０の可動部の移動距離の推定値を予測する。

ステップＳ１３において、決定部２０３は、ステップＳ１２で予測された移動距離の推定値と干渉物までの距離との比較に基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定する。衝突すると判定した場合、処理はステップＳ１４に進み、衝突しないと判定した場合、処理は終了する。

ステップＳ１４において、通知部２０４は、ステップＳ１３で決定されたアラーム及び運転中止を通知する。

以上により、一実施形態に係る予測装置２０は、工作機械１０において現在行われている手動送りの手動送り状態情報を学習済みモデル２５０に入力し、工作機械１０の可動部の移動距離の推定値を予測する。そして、予測装置２０は、予測された移動距離の推定値と干渉物までの距離との比較に基づいて、可動部が干渉物に衝突するか否かを事前に検知することができる。
すなわち、予測装置２０は、学習済みモデル２５０を用いて予測された移動距離の推定値に基づいて干渉チェックを行うため、ユーザの操作に近い予測をすることができ、手動送りにおいて過度にアラームを発生させることなく、可動部の衝突を防止することができる。

以上、一実施形態について説明したが、予測装置２０、及び機械学習装置３０は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。

＜変形例１＞
上述の実施形態では、機械学習装置３０は、工作機械１０、制御装置１５、及び予測装置２０と異なる装置として例示したが、機械学習装置３０の一部又は全部の機能を、工作機械１０、制御装置１５、又は予測装置２０が備えるようにしてもよい。

＜変形例２＞
また例えば、上述の実施形態では、予測装置２０は、工作機械１０や制御装置１５と異なる装置として例示したが、予測装置２０の一部又は全部の機能を、工作機械１０又は制御装置１５が備えるようにしてもよい。
あるいは、予測装置２０の入力部２０１、予測部２０２、決定部２０３、通知部２０４及び記憶部２０５の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、予測装置２０の各機能を実現してもよい。
さらに、予測装置２０は、予測装置２０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。

＜変形例３＞
また例えば、上述の実施形態では、予測装置２０は、機械学習装置３０から提供された学習済みモデル２５０を用いて、１つの工作機械１０から取得した現在行われている手動送りの手動送り状態情報から工作機械１０の可動部の移動距離の推定値を予測したが、これに限定されない。例えば、図７に示すように、サーバ５０は、機械学習装置３０により生成された学習済みモデル２５０を記憶し、ネットワーク６０に接続されたｍ個の予測装置２０Ａ（１）－２０Ａ（ｍ）と学習済みモデル２５０を共有してもよい（ｍは２以上の整数）。これにより、新たな工作機械、及び予測装置が配置されても学習済みモデル２５０を適用することができる。
なお、予測装置２０Ａ（１）－２０Ａ（ｍ）の各々は、工作機械１０Ａ（１）－１０Ａ（ｍ）の各々と接続される。
また、工作機械１０Ａ（１）－１０Ａ（ｍ）の各々は、図１の工作機械１０に対応し、互いに同じ機種の工作機械である。予測装置２０Ａ（１）－２０Ａ（ｍ）の各々は、図１の予測装置２０に対応する。
あるいは、図８に示すように、サーバ５０は、例えば、予測装置２０として動作し、ネットワーク６０に接続された工作機械１０Ａ（１）－１０Ａ（ｍ）の各々に対して、現在行われている手動送りの手動送り状態情報から可動部の移動距離の推定値を予測してもよい。これにより、新たな工作機械が配置されても学習済みモデル２５０を適用することができる。
なお、工作機械１０Ａ（１）－１０Ａ（ｍ）が２以上の複数の異なる機種の場合、機械学習装置３０は機種毎に学習済みモデル２５０を生成し、サーバ５０は生成された機種毎の学習済みモデル２５０を記憶してもよい。

＜変形例４＞
また例えば、上述の実施形態では、工作機械１０は、ユーザによる手動ハンドル（図示しない）の操作に応じて可動部を手動送りしつつ、予測装置２０は、５０ｍｓ等の予測周期毎に工作機械１０の可動部の移動距離の推定値を予測したが、これに限定されない。例えば、工作機械１０は、ユーザによる手動ハンドル（図示しない）の操作が行われても、パルス信号の発生から予測周期分遅らせて可動部を動作させてもよい。すなわち、予測装置２０は、過去の予測の正誤を確認してから工作機械１０に可動部を動作させることで、衝突を防ぐことができる。

図９Ａ及び図９Ｂは、工作機械１０の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。なお、図９Ａ及び図９Ｂに示すパルス波形は、工作機械１０のユーザが月曜日の時刻１０時０分からＸ軸（例えば、軸番号「１」等）を手動ハンドル（図示しない）で操作した場合に、工作機械１０から取得された手動送りパルス波形の一例である。
図９Ａの上段は、予測装置２０が現在の時刻までに工作機械１０から取得した手動送りパルス波形を実線で示す。一方、図９Ａの下段は、現在の時刻までに工作機械１０の可動部が動作した手動送りパルス波形、すなわち図９Ａのパルス波形と比べて予測周期（５０ｍｓ）分遅れた手動送りパルス波形を示す。

具体的には、予測装置２０の決定部２０３は、現在の時刻における可動部の移動距離の推定値Ｄ１が予測された２００ｍｓ前の時刻から現在の時刻までの時間における可動部の実際の移動距離Ｄ２を、図９Ａの上段の実線で示す手動送りパルス波形の時間積分から計算してもよい。決定部２０３は、計算した実際の移動距離Ｄ２と、移動距離の推定値Ｄ１とを比較する。決定部２０３は、移動距離の推定値Ｄ１が実際の移動距離Ｄ２以上の場合、移動距離の推定値Ｄ１が正しいと判定し、移動距離の推定値Ｄ１と干渉物までの距離とに基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定してもよい。
一方、移動距離の推定値Ｄ１が実際の移動距離Ｄ２より小さい場合、決定部２０３は、移動距離の推定値Ｄ１が誤っていると判定する。この場合、決定部２０３は、図９Ｂに示すように、現在のパルス波形が一定のまま続く等とする従来の予測方法により予測される、網掛けで示す移動距離の推定値Ｄ３と干渉物までの距離とに基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定してもよい。

＜変形例５＞
また例えば、上述の実施形態では、学習済みモデル２５０は、予め、工作機械１０で行われた任意の手動送り操作における手動送り操作時の手動送りパルス波形、手動送り操作時の干渉物までの距離、手動送り操作を行ったユーザのユーザ識別情報、手動送り操作が行われた日付と時刻、及び手動送り操作で操作された軸番号を含む手動送り状態情報を入力データとして生成されたが、これに限定されない。例えば、機械学習装置３０は、ユーザ識別情報、手動送り操作が行われた日付と時刻、軸番号に関して訓練データとして入力するのではなく、ユーザ識別情報毎、手動送り操作が行われた曜日毎、手動送り操作が行われた時間帯毎、又は軸番号毎に学習済みモデル２５０を生成してもよい。例えば、ユーザ識別情報毎に学習済みモデル２５０が生成されることで、予測装置２０は、各ユーザにおける工作機械１０の手動ハンドル（図示しない）の操作の癖を考慮して、工作機械１０の可動部の移動距離の推定値を精度良く予測することができる。

＜変形例６＞
また例えば、上述の実施形態では、学習済みモデル２５０は、図４に示すように、現在行われている手動送りの手動送り状態情報が入力されることで、現在から所定の時間（例えば、２００ｍｓ等）後の工作機械１０の可動部の移動距離の推定値を出力したが、これに限定されない。例えば、学習済みモデル２５０は、現在行われている手動送りの手動送り状態情報が入力されることで、現在から所定の時間（例えば、２００ｍｓ等）後の工作機械１０の手動ハンドル（図示しない）が発生させる推定パルス波形を出力してもよい。
図１０は、推定パルス波形を出力する学習済みモデル２５０Ａの一例を示す図である。
図１０の学習済みモデル２５０Ａは、現在行われている手動送りの手動送り状態情報を入力層として、現在から所定の時間（例えば、２００ｍｓ等）後の工作機械１０の手動ハンドル（図示しない）が出力する推定パルス波形を出力層とする多層ニューラルネットワークを例示する。

なお、予測装置２０は、図１０の学習済みモデル２５０Ａを用いて推定パルス波形を予測する場合で、工作機械１０がユーザによる手動ハンドル（図示しない）の操作が行われても、パルス信号の発生から予測周期分遅らせて可動部を動作させる場合、過去の予測の正誤を確認してから工作機械１０に可動部を動作させてもよい。そうすることで、予測装置２０は、工作機械１０の可動部の衝突を防ぐことができる。

図１１Ａ及び図１１Ｂは、工作機械１０の可動部をパルス信号の発生から予測周期分遅らせて動作させる場合の一例を示す図である。なお、図１１Ａ及び図１１Ｂに示すパルス波形は、工作機械１０のユーザが、月曜日の時刻１０時０分からＸ軸（例えば、軸番号「１」等）を手動ハンドル（図示しない）で操作することにより発生した手動送りパルス波形の一例である。
図１１Ａの上段は、予測装置２０が現在の時刻までに工作機械１０から取得した手動送りパルス波形を実線で示す。一方、図１１Ａの下段は、現在の時刻までに工作機械１０の可動部が動作した手動送りパルス波形、すなわち図１１Ａのパルス波形と比べて予測周期（５０ｍｓ）分遅れた手動送りパルス波形を示す。

具体的には、予測装置２０の決定部２０３は、例えば、図１１Ａの上段に示すように、現在の時刻から２００ｍｓ前の時刻で予測された、破線で示す推定パルス波形と、実線で示す実際の手動送りパルス波形とを比較する。決定部２０３は、実際の手動送りパルス波形が推定パルス波形を上回ることが無かった場合、推定パルス波形から予測される可動部の移動距離の推定値と干渉物までの距離とに基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定してもよい。
一方、決定部２０３は、実際の手動送りパルス波形が推定パルス波形を上回ることがあった場合、図１１Ｂに示すように、現在のパルス波形が一定のまま続く等とする従来の予測方法に基づいてパルス波形を推定する。決定部２０３は、推定されたパルス波形から算出される移動距離の推定値と干渉物までの距離とに基づいて、工作機械１０の可動部が干渉物に衝突するか否かを判定してもよい。

なお、一の実施形態における、予測装置２０、及び機械学習装置３０に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。

予測装置２０、及び機械学習装置３０に含まれる各構成部は、電子回路等を含むハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。また、ハードウェアで構成する場合、上記の装置に含まれる各構成部の機能の一部又は全部を、例えば、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（ＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）、ＣＰＬＤ（ＣｏｍｐｌｅｘＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ）等の集積回路（ＩＣ）で構成することができる。

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙｃｏｍｐｕｔｅｒｒｅａｄａｂｌｅｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅｓｔｏｒａｇｅｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（ＰｒｏｇｒａｍｍａｂｌｅＲＯＭ）、ＥＰＲＯＭ（ＥｒａｓａｂｌｅＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙｃｏｍｐｕｔｅｒｒｅａｄａｂｌｅｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。

なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

以上を換言すると、本開示の機械学習装置、予測装置、及び制御装置は、次のような構成を有する各種各様の実施形態を取ることができる。

（１）本開示の機械学習装置３０は、手動送り可能な工作機械１０で行われた任意の手動送り操作における手動送り操作時の手動送りパルス波形を含む手動送り状態情報を入力データとして取得する状態観測部３０１と、入力データに含まれる手動送り状態情報の手動送りパルス波形の直後から所定の時間内で工作機械の可動部が移動した距離、を示すラベルデータを取得するラベル取得部３０２と、状態観測部３０１により取得された入力データと、ラベル取得部３０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル２５０を生成する学習部３０３と、を備える。
この機械学習装置３０によれば、工作機械１０に対して行われる手動送りによる可動部の移動距離の推定値を予測する学習済みモデル２５０を生成することができる。

（２）手動送り状態情報は、手動送り操作時の干渉物までの距離、手動送り操作を行ったユーザのユーザ識別情報、手動送り操作が行われた日付と時刻、及び手動送り操作で操作された軸番号のいずれかを含んでもよい。
そうすることで、機械学習装置３０は、手動送りによる可動部の移動距離の推定値をより正確に予測できる学習済みモデル２５０を生成することができる。

（３）状態観測部３０１は、工作機械１０の機種毎に入力データを取得し、ラベル取得部３０２は、工作機械１０の機種毎にラベルデータを取得し、学習部３０３は、工作機械１０の機種毎の入力データとラベルデータと、を用いて、工作機械１０の機種毎に学習済みモデル２５０を生成してもよい。
そうすることで、工作機械１０の機種に応じた可動部の移動距離の推定値を予測する学習済みモデル２５０を生成することができる。

（４）本開示の予測装置２０は、（１）から（３）のいずれかの機械学習装置３０により生成された学習済みモデル２５０と、手動送り可能な工作機械１０に対して現在行われている手動送りの手動送り状態情報を入力する入力部２０１と、入力部２０１により入力された手動送り状態情報を学習済みモデル２５０に入力し、手動送り状態情報で現在から所定の時間後の工作機械１０の可動部の移動距離を予測する予測部２０２と、を備える。
この予測装置２０によれば、手動送りにおいて過度にアラームを発生させることなく、工作機械１０の可動部の衝突を防止することができる。

（５）予測部２０２は、所定の時間より短い時間間隔で周期的に移動距離を予測してもよい。
そうすることで、確度高く工作機械１０の可動部の衝突を防止することができる。

（６）学習済みモデル２５０を、予測装置２０からネットワーク６０を介してアクセス可能に接続されるサーバ５０に備えてもよい。
そうすることで、新たな工作機械１０、制御装置１５、及び予測装置２０が配置されても学習済みモデル２５０を適用することができる。

（７）（１）から（３）のいずれかの機械学習装置３０を備えてもよい。
そうすることで、上述の（１）から（６）のいずれかと同様の効果を奏することができる。

（８）本開示の制御装置１５は、（４）から（７）の予測装置２０を備える。
この制御装置１５によれば、上述の（４）から（７）のいずれかと同様の効果を奏することができる。

１０工作機械
１５制御装置
２０予測装置
２０１入力部
２０２予測部
２０３決定部
２５０学習済みモデル
３０機械学習装置
３０１状態観測部
３０２ラベル取得部
３０３学習部
５０サーバ

Claims

手動送り可能な工作機械で行われた任意の手動送り操作における前記手動送り操作時の手動送りパルス波形を含む手動送り状態情報を入力データとして取得する状態観測部と、
前記入力データに含まれる前記手動送り状態情報の前記手動送りパルス波形の直後から所定の時間内で前記工作機械の可動部が移動した距離、を示すラベルデータを取得するラベル取得部と、
前記状態観測部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、
を備える機械学習装置。
前記手動送り状態情報は、前記手動送り操作時の干渉物までの距離、前記手動送り操作を行ったユーザのユーザ識別情報、前記手動送り操作が行われた日付と時刻、及び前記手動送り操作で操作された軸番号のいずれかを含む、請求項１に記載の機械学習装置。
前記状態観測部は、前記工作機械の機種毎に前記入力データを取得し、
前記ラベル取得部は、前記工作機械の機種毎に前記ラベルデータを取得し、
前記学習部は、前記工作機械の機種毎の前記入力データと前記ラベルデータと、を用いて、前記工作機械の機種毎に学習済みモデルを生成する、請求項１又は請求項２に記載の機械学習装置。
請求項１から請求項３のいずれか１項に記載の機械学習装置により生成された学習済みモデルと、
手動送り可能な工作機械に対して現在行われている手動送りの前記手動送り状態情報を入力する入力部と、
前記入力部により入力された前記手動送り状態情報を前記学習済みモデルに入力し、前記手動送り状態情報で現在から所定の時間後の前記工作機械の可動部の移動距離を予測する予測部と、
を備える予測装置。
前記予測部は、前記所定の時間より短い時間間隔で周期的に前記移動距離を予測する、請求項４に記載の予測装置。
前記学習済みモデルを、前記予測装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項４又は請求項５に記載の予測装置。
請求項１から請求項３のいずれか１項に記載の機械学習装置を備える、請求項４から請求項６のいずれか１項に記載の予測装置。
請求項４から請求項７のいずれか１項に記載の予測装置を備える、制御装置。