JP7700466B2 - 工具寿命予測システム - Google Patents

Description

本発明は、工具寿命予測システムに関するものである。

機械加工に用いられる工具の寿命の予測は、工具コストの観点から重要である。従来、工具寿命は、工具の個体ばらつきや安全率を考慮して、寿命に到達したと規定する加工回数を予め決めていた。しかし、このような寿命の決定方法では、工具が実際には寿命に到達していない場合にも、寿命に到達したとみなして、工具を交換することが行われていた。

そこで、特許文献１において、工具により加工を行っている場合の加工情報、例えば、主軸装置のモータの駆動電流を用いて、工具寿命を予測することが提案されている。当該予測方法においては、加工情報に基づいて決定された演算モデルを用いて、工具の寿命予測を行っている。また、工具の寿命予測に用いる演算モデルは、例えば、工作物の材質や加工条件等に応じて、複数の演算モデルの中から選択するとされている。

特開２０１９－８２８３６号公報

工具の種類、工作物の材質、加工条件等の要因に応じて、工具が寿命に到達する状態が異なる。従って、工具の種類、工作物の材質、加工条件等の要因に応じた寿命ケース毎に工具の寿命予測に用いる演算モデルを設定することは有効である。

しかし、複数の演算モデルの中から、１つの演算モデルを選択することは容易ではない。例えば、工具、工作物、加工条件等の要因の全てが同一である演算モデルが存在すれば、当該演算モデルを用いることができる。しかし、要因の一部が異なる場合、例えば、工具の種類が異なる場合には、どの演算モデルを選択するべきか容易に決定できない。さらに、仮に、工具、工作物、加工条件等の要因が全て同一であったとしても、工具、工作物、加工機本体等の個体差の影響により、選択された演算モデルが適切ではない場合もある。

また、機械学習を適用する場合において、複数の学習済みモデルの中から１つの学習済みモデルを選択する場合を考える。この場合、複数の学習済みモデルの説明変数が全て同種であるならば、推定フェーズにおける説明変数に基づいて、適用する１つの学習済みモデルを選択することも可能である。

一般に、機械学習における説明変数としての特徴量の選定は、機械学習の推定精度に大きな影響を及ぼす。従って、説明変数としての特徴量は、学習モデル毎に異なる特徴量を用いることが有効な場合がある。しかし、複数の学習済みモデルの説明変数としての特徴量がモデル毎に異なる場合には、複数の学習済みモデルの中から１つの学習済みモデルを選択することは、容易ではない。

本発明は、複数の学習済みモデルから１つの学習済みモデルを選択することなく、複数の学習済みモデルを利用することにより工具の寿命予測を高精度に行うことができる工具寿命予測システムを提供することを目的とする。

工具寿命予測システムは、工具を用いて工作物の機械加工を行う加工機本体と、工作物の加工中に加工機本体における観測可能な状態データを検出する検出器と、検出器により検出された状態データを説明変数とし、１つの工具において寿命に到達するまでの工作物の残加工回数を目的変数とし、説明変数及び目的変数を含む訓練データセットを用いて機械学習を行うことにより生成された寿命予測モデルを、複数の寿命ケース毎に記憶する寿命予測モデル記憶部と、寿命ケース毎における状態データの各々を説明変数とする訓練データセットを用いて機械学習を行うことにより生成されたスコアリングモデルであって状態データのスコア値を出力するスコアリングモデルを、工具の各々によるケースを別々の寿命ケースとした場合に複数の寿命ケース毎に記憶するスコアリングモデル記憶部と、推定フェーズにおける状態データに基づいて、複数の寿命予測モデルの各々により残加工回数予測値を各々出力する残加工回数予測部と、推定フェーズにおける状態データに基づいて、複数のスコアリングモデルの各々によりスコア値を各々出力するスコア値出力部と、複数の残加工回数予測値の各々、及び、複数のスコア値の各々に基づいて、総合残加工回数を演算する総合残加工回数予測部とを備える。

上記工具寿命予測システムによれば、寿命予測モデルとスコアリングモデルとが、寿命ケース毎に対応付けられて記憶されている。スコアリングモデルは、説明変数としての状態データのスコア値を出力する。スコアリングモデルが出力するスコア値は、対応する寿命予測モデルのスコア値、すなわち、当該状態データに対して当該寿命予測モデルがどの程度適合しているかを表す適合度に相当する。例えば、スコア値が大きい場合には、対応する寿命予測モデルの適合度が高いと推定したことになり、スコア値が小さい場合には、対応する寿命予測モデルの適合度が低いと推定したことになる。

そして、総合残加工回数予測部は、複数の残加工回数予測値の各々、及び、複数のスコア値の各々に基づいて、総合残加工回数を演算する。換言すると、総合残加工回数予測部は、スコア値を考慮することで、複数の寿命予測モデルを用いることができる。つまり、総合残加工回数予測部は、複数の寿命予測モデルの中から１つの寿命予測モデルのみを選択する必要がない。このように、総合残加工回数予測部は、複数の寿命予測モデル及び複数のスコア値を用いて総合残加工回数を予測するため、工具の寿命予測を高精度に行うことができる。

工具寿命予測システムの構成を示す図である。 加工機の一例を示す図である。 工具寿命予測システムにおける機械学習を利用した工具寿命予測処理の概要図である。 スコアリングモデルにより出力されるスコア値の説明図である。 工具寿命予測システムの機能ブロック構成を示す図である。 残加工回数算出部における残加工回数の算出を説明する図であると共に、寿命予測用訓練データセットを示す図である。 工具、寿命予測モデル、スコアリングモデルの対応表を示す図である。 寿命予測モデル記憶部に記憶される複数の寿命予測モデル、及び、スコアリングモデル記憶部に記憶される複数のスコアリングモデルを示す図である。

（１．工具寿命予測システムの適用対象の加工機及び工具の種類）
工具寿命予測システムは、工具を用いて工作物の機械加工を行う加工機において、当該工具の寿命を予測する。ここで、工具の寿命とは、工具が完全に使用不可となる状態のみならず、工具の修正を要する状態を含む。例えば、工具の修正とは、工具を再研すること、砥石車のツルーイング、ドレッシング等である。

加工機としては、マシニングセンタ、旋盤、フライス盤、ボーリング盤、歯車加工装置等の切削加工を行う加工機を対象に含む。これらの場合、工具は、切削工具となる。例えば、マシニングセンタにおける工具には、ドリル、フライス工具、ボーリング工具、歯車加工工具、旋削工具等が含まれる。旋盤における工具には、少なくとも旋削工具が含まれ、複合旋盤における工具には、旋削工具の他に、ドリル、フライス工具等、マシニングセンタにおける工具と同様の工具が含まれる。歯車加工装置としては、ギヤスカイビング加工機、ホブ加工機、シェーパ加工機等が含まれ、当該歯車加工装置における工具には、ギヤスカイビング工具、ホブ工具、シェーパ工具等の歯車加工用の工具が含まれる。

また、加工機としては、研削加工を行う研削盤を対象に含む。研削盤における工具には、砥石車が含まれる。また、加工機としては、鍛造加工機、例えば、プレス機、転造機等を対象に含む。プレス機や転造機における工具には、鍛造用パンチ、鍛造用金型等が含まれる。

（２．工具寿命予測システム１の構成の概要）
工具寿命予測システム１の構成の概要について、図１を参照して説明する。工具寿命予測システム１は、加工機１０と、演算装置（２０，３０）とを備える。加工機１０は、１台を対象としてもよいし、図１に示すように複数台を対象としてもよい。本例では、工具寿命予測システム１は、複数台の加工機１０を備える場合を例にあげる。

加工機１０は、少なくとも、工具Ｔを用いて工作物Ｗの機械加工を行う加工機本体１１と、工作物Ｗの加工中に加工機本体１１における観測可能な状態データを検出する検出器１３とを備える。

演算装置（２０，３０）は、検出器１３により検出された状態データを用いて、機械学習を適用することにより、工具Ｔの寿命を予測する。図１においては、演算装置（２０，３０）は、学習処理装置２０と予測演算装置３０とにより構成され、学習処理装置２０と予測演算装置３０とは、独立した構成として示すが、一つの装置とすることもできる。また、演算装置（２０，３０）の一部又は全部は、加工機１０への組込みシステムとすることもできる。

本例では、学習処理装置２０と予測演算装置３０とは、独立した構成である場合を例にあげる。学習処理装置２０は、機械学習における学習フェーズの処理を実行し、予測演算装置３０は、機械学習における推定フェーズの処理を実行する。また、学習処理装置２０は、いわゆるサーバ機能を有しており、複数台の加工機１０と通信可能に接続されている。一方、予測演算装置３０は、各加工機１０に一対一で設けられ、各加工機１０に通信可能に接続されている。つまり、複数台の予測演算装置３０は、いわゆるエッジコンピュータとして機能しており、高速演算処理を実現可能としている。つまり、本例では、工具寿命予測システム１は、１台のサーバ機能を有する学習処理装置２０と、複数台の加工機１０，１０の各々に対応する複数台の予測演算装置３０，３０とを備える。

（３．工具寿命予測システム１の構成の詳細）
工具寿命予測システム１の詳細構成について、図１を参照して、より詳細に説明する。工具寿命予測システム１は、複数台の加工機１０，１０、演算装置の一部として機能する１台の学習処理装置２０、演算装置の他の一部として機能する複数台の予測演算装置３０，３０を備える。

各々の加工機１０は、上述したように、種々の加工機を適用可能である。加工機１０は、工具Ｔを用いて工作物Ｗの機械加工を行う加工機本体１１と、加工機本体１１を制御する制御装置１２と、検出器１３と、インターフェース１４とを備える。

加工機本体１１は、工具Ｔを有し、工作物Ｗを支持し、工具Ｔと工作物Ｗとを相対的に移動させる構成を有する。つまり、加工機本体１１は、構造体及び構造体を駆動する駆動装置等を備える。制御装置１２は、ＣＮＣ装置及びＰＬＣ装置等を含み、プロセッサ、記憶装置等を備えて構成される。制御装置１２は、加工機本体１１における駆動装置等を制御する。インターフェース１４は、加工機本体１１、制御装置１２及び検出器１３と、外部とを通信可能とする機器である。

検出器１３は、工作物Ｗの加工中に加工機本体１１における観測可能な状態データを検出する。検出器１３は、例えば、加工負荷や駆動装置の駆動負荷等に関する時系列の状態データを検出する。検出器１３は、例えば、駆動装置としてのモータの駆動電流データを検出する電流センサ、加工機本体１１の構成部材の振動データを検出する振動センサ、加工中の音データを検出するマイクロフォン等である。つまり、状態データは、例えば、駆動電流データ、振動データ、音データ等である。

学習処理装置２０は、プロセッサ２１、記憶装置２２、インターフェース２３等を備えて構成される。学習処理装置２０は、機械学習における学習フェーズの処理を実行する。また、本例では、学習処理装置２０は、サーバ機能を有しており、複数台の加工機１０と通信可能に接続されている。

学習処理装置２０は、検出器１３により検出された状態データに基づいて、機械学習を行うことにより、工具Ｔの寿命を予測するための寿命予測モデルを生成する。特に、学習処理装置２０は、複数の寿命ケース毎に寿命予測モデルを生成する。つまり、学習処理装置２０は、複数の寿命予測モデルを生成する。

例えば、学習処理装置２０においては、各々の工具Ｔについて寿命予測モデルが生成される。異種の工具Ｔについてはもちろん同種の工具Ｔについても、各々の工具Ｔによる寿命ケースが別々の寿命ケースであるとして、寿命ケース毎の寿命予測モデルが生成される。つまり、同種又は異種に関わらず各々の工具Ｔについて、寿命予測モデルが生成される。このように、学習処理装置２０は、各々の工具Ｔを各々の寿命ケースとして、寿命予測モデルを複数の寿命ケース毎に生成する。

さらに、学習処理装置２０は、検出器１３により検出された寿命ケース毎における状態データに基づいて、機械学習を行うことにより、当該状態データのスコア値を出力するスコアリングモデルを生成する。つまり、学習処理装置２０は、複数の寿命ケース毎にスコアリングモデルを生成する。従って、スコアリングモデルは、寿命予測モデルと同数生成され、各々のスコアリングモデルは、各々の寿命予測モデルに対応する。

ここで、スコア値は、スコアリングモデルに入力された状態データの正常度合を表す数値である。スコア値は、正常度合が高いほど大きな値を示し、正常度合が低いほど小さな値を示す。さらに、スコア値は、スコアリングモデルに入力された状態データについて、正常を表す値に加えて、異常を表す値を示すようにしても良い。例えば、スコア値は、正常を表す値を正値とし、異常を表す値を負値とする。

そして、上述したように、各々のスコアリングモデルは、各々の寿命予測モデルに対応する。従って、スコアリングモデルが大きなスコア値を出力する場合には、当該スコアリングモデルに対応する寿命予測モデルは、入力される状態データに対する適合度が高いことを意味する。反対に、スコアリングモデルが小さなスコア値を出力する場合には、当該スコアリングモデルに対応する寿命予測モデルは、入力される状態データに対する適合度が低いことを意味する。つまり、スコアリングモデルは、入力される状態データが当該スコアリングモデルに対応する寿命予測モデルに適合する度合（適合度）としてのスコア値を出力する。つまり、スコア値は、寿命予測モデルと当該寿命予測モデルに入力される状態データとの適合度を表す。

各々の予測演算装置３０は、プロセッサ３１、記憶装置３２、インターフェース３３等を備えて構成される。予測演算装置３０は、機械学習における推定フェーズの処理を実行する。また、予測演算装置３０は、サーバとしての学習処理装置２０、及び、対応する加工機１０と通信可能に接続されている。

各々の予測演算装置３０は、各々の加工機１０に近接した位置に配置されており、いわゆるエッジコンピュータとして機能する。予測演算装置３０は、学習処理装置２０により生成された複数の寿命予測モデル及び複数のスコアリングモデルを用いて、工作物Ｗの加工中に検出器１３により検出された状態データに基づいて、工具Ｔの寿命を予測する。本例においては、予測演算装置３０は、残加工回数、すなわち、工作物Ｗを加工できる残りの回数を予測する。

工具寿命予測システム１は、さらに、共通表示装置４０、複数の個別表示装置５０を備える。ただし、工具寿命予測システム１は、共通表示装置４０を備えない構成としても良いし、個別表示装置５０を備えない構成としても良い。共通表示装置４０は、学習処理装置２０に対応して配置されている。また、個別表示装置５０は、各々の加工機１０に対応して配置されている。

（４．加工機本体１１の例）
加工機本体１１の一例として、マシニングセンタについて、図２を参照して説明する。なお、加工機本体１１は、上述したように、歯車加工を含む種々の加工を行うことができる加工機は一例であり、他の加工機に適用してもよい。

図２に示すように、マシニングセンタとしての加工機本体１１は、工作物Ｗと工具Ｔの相対的な位置及び姿勢を変化させる駆動軸として、３つの直進軸及び２つの回転軸を有する５軸マシニングセンタの構成を適用する。本例では、加工機本体１１は、直進軸としての直交３軸（Ｘ軸，Ｙ軸，Ｚ軸）、並びに、回転軸としてのＢ軸及びＣｗ軸を有する。Ｂ軸は、Ｙ軸線回りの回転軸であり、Ｃｗ軸は、工作物Ｗの中心軸線回りの回転軸である。

加工機本体１１は、工具Ｔ（回転工具）を支持してＣｔ軸に回転可能であり、且つ、Ｙ軸方向及びＺ軸方向にそれぞれ移動可能な工具主軸６１を備える。さらに、加工機本体１１は、工作物Ｗを支持してＣｗ軸に回転可能であり、且つ、Ｂ軸に回転可能であり、Ｘ軸方向に移動可能な工作物主軸６２を備える。加工機本体１１は、各軸（Ｘ軸、Ｙ軸、Ｚ軸、Ｂ軸、Ｃｗ軸、Ｃｔ軸）を駆動するための駆動装置としてモータを有している。

（５．工具寿命予測処理の概要）
工具寿命予測システム１における工具Ｔの寿命予測処理の概要について図３及び図４を参照して説明する。ここで、以下の説明は、寿命予測処理の概要を把握するために、一例をあげて説明している。従って、寿命予測処理は、以下の説明に限定されるものではない。寿命予測処理は、機械学習を適用しており、学習処理装置２０による学習フェーズ及び予測演算装置３０による推定フェーズを実行する処理である。

図３に示すように、学習処理装置２０による学習フェーズでは、工具Ｔａによる加工中の状態データＤａ、工具Ｔｂによる加工中の状態データＤｂ、工具Ｔｃによる加工中の状態データＤｃを用いる。つまり、工具Ｔａ，Ｔｂ，Ｔｃの各々によるケースを、別々の寿命ケースとする。

まず、学習処理装置２０は、機械学習を行うことにより、寿命予測モデルＭａ１を生成する。寿命予測モデルＭａ１は、工具Ｔａによる加工中の状態データＤａを説明変数とし、当該１つの工具Ｔａが寿命に到達するまでの工作物Ｗの残加工回数を目的変数とし、説明変数及び目的変数を含む寿命予測用訓練データセットを用いて機械学習を行うことにより生成される。つまり、寿命予測モデルＭａ１は、説明変数である状態データＤａが入力された場合に、目的変数である残加工回数予測値Ｎａを出力する学習済みモデルである。

学習処理装置２０は、例えば教師あり学習により、寿命予測モデルＭａ１を生成する。寿命予測モデルＭａ１は、例えば、線形回帰、リッジ回帰、Ｌａｓｓｏ、エラスティックネット、ランダムフォレスト、サポートベクターマシーン等を適用可能である。寿命予測モデルＭａ１は、説明変数である状態データＤａと目的変数である残加工回数との関係を定義することができるモデルであれば良い。

さらに、学習処理装置２０は、状態データＤａを説明変数とするスコアリング用訓練データセットを用いて機械学習を行うことにより、スコアリングモデルＭａ２を生成する。学習処理装置２０は、機械学習を行うことにより、状態データＤａについてのスコア値Ｖａを出力するスコアリングモデルＭａ２を生成する。

学習処理装置２０は、例えば教師なし学習により、スコアリングモデルＭａ２を生成する。スコアリングモデルＭａ２は、例えば、１クラスサポートベクターマシーン（ＳＶＭ）を適用可能である。１クラスＳＶＭは、図４に示すように、正常データを用いて機械学習を行い、正常と異常との境界を設定することができ、正常を表すスコア値と異常を表すスコア値とを異なる値として出力する。１クラスＳＶＭは、例えば、正常の場合に正値にて表されたスコア値を出力し、異常の場合に負値にて表すとするスコア値を出力する。さらに、１クラスＳＶＭは、正常の場合には正常度合を表すスコア値を出力する。正常度合を表すスコア値の各範囲は、図４の破線にて図示する。

なお、スコアリングモデルＭａ２は、１クラスＳＶＭの他に、正常度合を出力することができるモデル、例えば、オートエンコーダ、マハラノビス距離、尤度等を適用可能である。マハラノビス距離は、データの分散に基づき得られる距離の指標である。尤度は、ベイズ推定等で使用される「もっともらしさ」を示す指標である。

ここで、寿命予測モデルＭａ１と、当該寿命予測モデルＭａ１に対応するスコアリングモデルＭａ２とは、同種の特徴量を説明変数とすると良い。同種の特徴量を説明変数とすることで、両モデルＭａ１，Ｍａ２の相関を高くすることができる。ただし、両モデルＭａ１，Ｍａ２の説明変数としての特徴量は、全て同種ではなく、一部異なるようにしても良い。

特徴量は、種々の統計量を適用することができる。例えば、特徴量は、平均、分散、標準偏差、歪度、尖度、最大値、最小値、中央値、第一四分位点、第三四分位点、最大値と最小値の差等の統計量とすることができる。また、特徴量は、状態データを微分したデータに対する上記の統計量、状態データの周波数解析を行ったデータに対する上記の統計量等を含めても良い。

また、学習処理装置２０は、工具Ｔｂに関する状態データＤｂについても同様に、寿命予測モデルＭｂ１及びスコアリングモデルＭｂ２を生成する。さらに、学習処理装置２０は、工具Ｔｃに関する状態データＤｃについても同様に、寿命予測モデルＭｃ１及びスコアリングモデルＭｃ２を生成する。

このように、学習処理装置２０は、工具Ｔａ，Ｔｂ，Ｔｃの各々、すなわち寿命ケース毎に、寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１及びスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２を生成する。

ここで、各々の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１は、状態データＤａ，Ｄｂ，Ｄｃの各々についての異なる特徴量を説明変数とすることができる。つまり、寿命予測モデルＭａ１の説明変数としての特徴量、寿命予測モデルＭｂ１の説明変数としての特徴量、寿命予測モデルＭｃ１の説明変数としての特徴量の少なくとも一部を、異なる種類の特徴量とすることができる。

もちろん、寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１の説明変数を、全て同種の特徴量としても良い。ただし、異なる特徴量を説明変数とすることを許容することにより、各々の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１を良好なモデル、すなわち高精度な予測を行うことができるモデルとすることができる。

次に、予測演算装置３０による推定フェーズでは、新たな工具Ｔｘによる加工中の状態データＤｘを用いる。予測演算装置３０は、工具Ｔｘに関する状態データＤｘを入力データとして、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１を用いて、寿命予測結果としての残加工回数予測値Ｎａ，Ｎｂ，Ｎｃを出力する。例えば、残加工回数予測値Ｎａ，Ｎｂ，Ｎｃは、それぞれ、５００回、４８０回、５１０回とする。

さらに、予測演算装置３０は、工具Ｔｘに関する状態データＤｘを入力データとして、複数のスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２を用いて、スコアリング結果としてスコア値Ｖａ，Ｖｂ，Ｖｃを出力する。例えば、スコア値Ｖａ，Ｖｂ，Ｖｃは、それぞれ、５、４、２とする。

そして、予測演算装置３０は、複数のスコア値Ｖａ，Ｖｂ，Ｖｃの各々を複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃの各々の重みとして、総合残加工回数Ｎｘを演算する。例えば、予測演算装置３０は、複数のスコア値Ｖａ，Ｖｂ，Ｖｃの各々を重みとして、加重平均により総合残加工回数Ｎｘを演算する。この場合、総合残加工回数Ｎｘは、式１により求められる。
Ｎｘ＝５００×５／１１＋４８０×４／１１＋５１０×２／１１＝４９５ （式１）

（６．工具寿命予測システム１の機能ブロック構成）
上述した工具寿命予測処理を実現するための工具寿命予測システム１の機能ブロック構成について、図５－図８を参照して説明する。図５に示すように、工具寿命予測システム１は、検出器１３、カウンタ１２ａ、学習処理装置２０、予測演算装置３０、表示装置４０，５０を備える。

検出器１３は、上述したように、工作物Ｗの加工中に加工機本体１１における観測可能な状態データを検出する。状態データは、例えば、回転工具Ｔを回転駆動するモータにおける駆動負荷データを含む。状態データは、さらに、例えば、工作物Ｗを回転駆動するモータにおける駆動負荷データを含む。駆動負荷データは、モータの駆動電流データに相当する。また、状態データは、振動データ、加工音データ等を含むようにしてもよい。状態データは、１個の工作物Ｗにおける加工開始から加工終了までの時系列データである。

カウンタ１２ａは、加工機１０の制御装置１２に含まれており、工具Ｔ毎に工作物Ｗの加工回数をカウントする。つまり、カウンタ１２ａは、工具Ｔ毎に、工具Ｔの使用開始時からの工作物Ｗの加工数をカウントする。なお、カウンタ１２ａは、制御装置１２の他に、検出器１３自身が備えるようにすることもできる。

学習処理装置２０は、検出器１３により検出された状態データ、及び、カウンタ１２ａによる加工回数に基づいて、工具Ｔの寿命予測を行うための寿命予測モデルを生成する。さらに、学習処理装置２０は、検出器１３により検出された状態データに基づいて、入力された状態データのスコア値を出力するスコアリングモデルを生成する。

学習処理装置２０は、図５に示すように、訓練データセット取得部７１、寿命予測用訓練データセット記憶部７２、スコアリング用訓練データセット記憶部７３、寿命予測モデル生成部７４、スコアリングモデル生成部７５を備える。

訓練データセット取得部７１は、複数個の工具Ｔについて、個々の工具Ｔ毎に機械学習を行うための訓練データセットを取得する。複数個の工具Ｔは、同種の工具Ｔ、異種の工具Ｔ等を含む。同種、異種に関わらず個々の工具Ｔによる寿命ケースが別々の寿命ケースであるとして、個々の工具Ｔ毎に訓練データセットを取得することは、訓練データセットを複数の寿命ケース毎に取得することを意味する。

訓練データセット取得部７１は、状態データ取得部７１ａ、特徴量算出部７１ｂを備える。状態データ取得部７１ａは、工作物Ｗの加工中において、検出器１３により検出された状態データを取得する。状態データ取得部７１ａは、１個の工具Ｔによる１回の加工（例えば１個の工作物Ｗの加工）において、検出器１３の数分の状態データを取得する。

そして、状態データ取得部７１ａは、１個の工具Ｔが寿命に到達するまで、複数回の加工の各々の状態データを取得する。つまり、状態データ取得部７１ａは、１個の工具Ｔに関して、寿命に到達するまでの加工回数分について、複数個の検出器１３の状態データを取得する。そして、状態データ取得部７１ａは、上記の状態データを、複数個の工具Ｔの各々に関して取得する。つまり、状態データ取得部７１ａは、寿命ケース毎に、状態データを取得する。

特徴量算出部７１ｂは、状態データ取得部７１ａにて取得された状態データの複数の特徴量を算出する。特徴量は、上述したように、平均値等である。

訓練データセット取得部７１は、さらに、加工回数取得部７１ｃ、寿命到達情報取得部７１ｄ、残加工回数算出部７１ｅを備える。加工回数取得部７１ｃは、カウンタ１２ａから、個々の工具Ｔにおいて加工開始からの加工回数を取得する。寿命到達情報取得部７１ｄは、作業者が対象の工具Ｔが寿命に到達したか否かを判断し、例えば作業者が入力する。工具Ｔが寿命に到達したか否かの判定は、例えば、工作物Ｗの表面に、ツールマークと称されるキズが形成されたか否かで行うことができる。他に、当該判定は、工作物Ｗの加工精度が著しく低下したか否かによって行うこともできる。また、寿命到達情報取得部７１ｄは、作業者が入力することの他に、検査装置によって判定する場合には検査装置によって入力されるようにしても良い。

残加工回数算出部７１ｅは、加工回数取得部７１ｃが取得した加工回数と、寿命到達情報取得部７１ｄが取得した寿命到達情報とに基づいて、工具Ｔの残加工回数を決定する。残加工回数は、寿命到達時をゼロとして、寿命到達以前に遡りながら昇順増加する。図６の左欄に示すように、加工回数Ｎの時に寿命到達と判定された場合には、図６の右欄に示すように、残加工回数は、寿命到達時がゼロとなり、最初が（Ｎ－１）となる。

寿命予測用訓練データセット記憶部７２は、図６の右欄に示すように、訓練データセット取得部７１によって取得した状態データの特徴量Ｄ（１）～Ｄ（Ｎ）及び残加工回数（Ｎ－１）～（０）を、寿命予測用訓練データセットとして、複数の寿命ケース毎に記憶する。さらに、寿命予測用訓練データセット記憶部７２は、状態データの特徴量Ｄ（１）～Ｄ（Ｎ）と、残加工回数（Ｎ－１）～（０）とを、関連付けて記憶する。図６の右欄に示す内容が、１個の工具Ｔに関する訓練データセットである。そして、寿命予測用訓練データセット記憶部７２には、複数個の工具Ｔの各々、すなわち複数の寿命ケース毎に、訓練データセットが記憶される。

スコアリング用訓練データセット記憶部７３は、訓練データセット取得部７１によって取得した状態データの特徴量Ｄ（１）～Ｄ（Ｎ）を、スコアリング用訓練データセットとして、複数の寿命ケース毎に記憶する。つまり、スコアリング用訓練データセット記憶部７３には、複数個の工具Ｔの各々、すなわち複数の寿命ケース毎に、訓練データセットが記憶される。

なお、寿命予測用訓練データセット記憶部７２とスコアリング用訓練データセット記憶部７３は、便宜上別々に記載したが、一体としても良い。つまり、一体の訓練データセット記憶部が、寿命予測用訓練データセットとして、状態データの特徴量Ｄ（１）～Ｄ（Ｎ）及び残加工回数（Ｎ－１）～（０）を関連付けて記憶し、スコアリング用訓練データセットとして、状態データの特徴量Ｄ（１）～Ｄ（Ｎ）を記憶するようにしても良い。状態データの特徴量Ｄ（１）～Ｄ（Ｎ）は、共通するデータとなる。

寿命予測モデル生成部７４は、寿命予測用訓練データセット記憶部７２に記憶された寿命予測用訓練データセットを用いて機械学習を行う。具体的には、寿命予測モデル生成部７４は、寿命ケース毎に、すなわち個々の工具Ｔ毎に、検出器１３により検出された状態データの特徴量を説明変数とし、残加工回数を目的変数とした機械学習を行う。そして、寿命予測モデル生成部７４は、工具Ｔの寿命を予測するための寿命予測モデルを生成する。

ここで、寿命予測モデルは、寿命ケース毎、すなわち個々の工具Ｔ毎に生成される。従って、寿命予測モデル生成部７４は、複数個の工具Ｔの数分だけ、寿命予測モデルを生成する。つまり、工具Ｔと寿命予測モデルとの対応は、図７に示す通りとなる。例えば、工具Ｔａが、寿命予測モデルＭａ１に対応し、以下、同様の対応となる。

機械学習の手法は、例えば、回帰を用いるとよい。例えば、線形回帰、リッジ回帰、Ｌａｓｓｏ、エラスティックネット、ランダムフォレスト、サポートベクターマシーン等が有用である。特に、これらの手法を用いることによって、複数の特徴量についての影響度を把握することができ、必要に応じて特徴量の選定等に利用することもできる。なお、機械学習の手法としては、回帰以外にも適用可能である。

スコアリングモデル生成部７５は、スコアリング用訓練データセット記憶部７３に記憶されたスコアリング用訓練データセットを用いて機械学習を行う。具体的には、スコアリングモデル生成部７５は、寿命ケース毎に、すなわち個々の工具Ｔ毎に、検出器１３により検出された状態データの特徴量を説明変数とした機械学習を行う。そして、スコアリングモデル生成部７５は、状態データのスコア値を出力するスコアリングモデルを生成する。

ここで、スコアリングモデルは、寿命ケース毎、すなわち個々の工具Ｔ毎に生成される。従って、スコアリングモデル生成部７５は、複数個の工具Ｔの数分だけ、スコアリングモデルを生成する。つまり、工具Ｔとスコアリングモデルとの対応は、図７に示す通りとなる。例えば、工具Ｔａが、スコアリングモデルＭａ２に対応し、以下、同様の対応となる。さらに、図７に示すように、スコアリングモデルは、寿命予測モデルにも対応している。機械学習の手法は、正常度合を出力することができるモデル、例えば、１クラスＳＶＭ、オートエンコーダ、マハラノビス距離、尤度等を用いると良い。

予測演算装置３０は、対応する加工機１０において加工中の状態データに基づいて、加工に用いた工具Ｔの寿命を予測する。予測演算装置３０は、寿命予測モデル記憶部８１、スコアリングモデル記憶部８２、予測用データ取得部８３、残加工回数予測部８４、スコア値出力部８５、総合残加工回数予測部８６、出力部８７を備える。

寿命予測モデル記憶部８１は、図８に示すように、寿命予測モデル生成部７４が生成した複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１，・・・を記憶する。複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１，・・・は、上述したように、寿命ケース毎に対応しており、本例においては、個々の工具Ｔに対応している。

スコアリングモデル記憶部８２は、図８に示すように、スコアリングモデル生成部７５が生成した複数のスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２，・・・を記憶する。複数のスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２，・・・は、上述したように、寿命ケース毎に対応しており、本例においては、個々の工具Ｔに対応しており、且つ、各々の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１，・・・に対応している。

予測用データ取得部８３は、予測対象の工具Ｔｘによる加工中において、予測用データを取得する。予測用データ取得部８３は、状態データ取得部８３ａ、特徴量算出部８３ｂ、加工回数取得部８３ｃを備える。

状態データ取得部８３ａは、予測対象の工具Ｔｘによる工作物Ｗの加工中において、検出器１３により検出された状態データを取得する。ここで、予測対象の工具Ｔｘは、訓練データセット取得部７１において取得する際に用いた工具Ｔの種類と同種でも、異種でも良い。

特徴量算出部８３ｂは、状態データ取得部８３ａにて取得された状態データの特徴量を算出する。ここで、特徴量は、状態データにおける種々の統計量を用いる。そして、特徴量は、訓練データセット取得部７１の特徴量算出部７１ｂにおいて算出する特徴量と同種である。加工回数取得部８３ｃは、カウンタ１２ａから、予測対象の工具Ｔｘにおいて加工開始からの加工回数を取得する。

ここで、状態データ取得部８３ａ及び特徴量算出部８３ｂとは、訓練データセット取得部７１の状態データ取得部７１ａ及び特徴量算出部７１ｂと同様の処理を行う。そして、本例においては、状態データ取得部８３ａ及び特徴量算出部８３ｂとは、訓練データセット取得部７１の状態データ取得部７１ａ及び特徴量算出部７１ｂと別要素として説明した。ただし、訓練データセット取得部７１の各要素７１ａ，７１ｂを、予測用データ取得部８３の各要素８３ａ，８３ｂと兼用とすることも可能である。つまり、学習処理装置２０における要素７１ａ，７１ｂの機能が、予測演算装置３０の一部の機能と兼用される。

残加工回数予測部８４は、予測用データ取得部８３にて取得した対象工具Ｔｘの状態データに基づいて、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１，・・・の各々により、予測対象の工具Ｔｘの残加工回数予測値Ｎａ，Ｎｂ，Ｎｃ，・・・の各々を出力する。具体的には、残加工回数予測部８４は、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１，・・・の各々に対して、特徴量算出部８３ｂにて算出された特徴量の少なくとも一部及び加工回数取得部８３ｃにて取得された加工開始からの加工回数を入力データとすることで、予測対象の工具Ｔｘについて複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃ，・・・を出力する。このように、残加工回数予測部８４は、予測対象の工具Ｔｘが加工可能な工作物Ｗの回数を、複数のパターンについて予測する。

スコア値出力部８５は、予測用データ取得部８３にて取得した対象工具Ｔｘの状態データに基づいて、複数のスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２，・・・の各々によりスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・の各々を出力する。具体的には、スコア値出力部８５は、複数のスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２，・・・の各々に対して、特徴量算出部８３ｂにて算出された特徴量の少なくとも一部を入力データとすることで、対象工具Ｔｘの状態データについてのスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・を出力する。つまり、スコア値出力部８５は、複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃ，・・・の各々に対するスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・を出力する。

総合残加工回数予測部８６は、残加工回数予測部８４により予測された複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃ，・・・の各々、及び、スコア値出力部８５により算出された複数のスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・の各々に基づいて、総合残加工回数Ｎｘを演算する。例えば、総合残加工回数Ｎｘは、複数のスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・の各々を複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃ，・・・の各々の重みとして、加重平均により演算される。総合残加工回数Ｎｘは、加重平均に限らず、複数のスコア値Ｖａ，Ｖｂ，Ｖｃ，・・・を重みとして用いて演算されれば良い。

また、総合残加工回数予測部８６は、複数のスコア値の全てが正常を表す正値の場合には、上記のように、全てのスコア値を用いて加重平均により演算することができる。ただし、複数のスコア値の一部に異常を表す負値が存在する場合には、異なる処理方法とすると良い。例えば、スコア値が異常を表す負値である残加工回数予測値を除外して、残りの残加工回数予測値と、当該残加工回数予測値に対応するスコア値とを用いて、加重平均により総合残加工回数Ｎｘを演算しても良い。また、スコア値の所定数（１以上の数）が異常を表す負値である場合には、対象工具Ｔｘが正常摩耗状態ではなく異常状態であると予測することもできる。対象工具Ｔｘの異常状態とは、例えば、チッピング、欠け等である。

出力部８７は、総合残加工回数予測部８６が予測した予測対象の工具Ｔｘの総合残加工回数Ｎｘを表示装置４０，５０に出力する。この場合、表示装置４０，５０は、総合残加工回数Ｎｘを表示し、作業者は、予測対象の工具Ｔｘの総合残加工回数Ｎｘを把握することができる。さらに、出力部８７は、総合残加工回数Ｎｘの他に、現在の加工回数、寿命予測モデルの各々のスコア値等を表示装置４０，５０に出力することもできる。

また、出力部８７は、予測対象の工具Ｔｘの総合残加工回数Ｎｘを制御装置（制御部）１２に出力し、制御装置１２は、総合残加工回数Ｎｘに基づいて工具交換又は工具修正の動作を実行するようにしても良い。例えば、総合残加工回数Ｎｘが寿命値（例えば、ゼロ）に到達した際に、制御装置１２は、工具交換又は工具修正を実行する。なお、工具交換と工具修正は、工具Ｔの種類に応じて設定されており、工具修正が可能な工具Ｔの場合、工具修正の回数が所定回数に到達した場合には工具交換が行われる。

ここで、工具修正は、加工機本体１１から工具Ｔを取り外して実行されるようにしても良いし、加工機本体１１にて実行されるようにしても良い。例えば、工具Ｔが切削工具である場合には、工具修正は、工具Ｔの再研処理であり、通常、加工機本体１１から工具Ｔを取り外して実行される。また、工具Ｔが砥石車である場合には、工具修正は砥石車のツルーイング又はドレッシングであり、砥石車を備える研削盤にて当該工具修正の処理が実行される。

また、出力部８７は、総合残加工回数Ｎｘに基づいて、工具交換又は工具修正の時期を通知するようにしても良い。例えば、出力部８７は、総合残加工回数Ｎｘが寿命値に到達したタイミングの他に、寿命値に近づいたタイミングにも、通知すると良い。これにより、作業者は、工具交換又は工具修正の準備や、交換すべき工具Ｔの準備等を行うことができる。

工具寿命予測システム１によれば、寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１とスコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２とが、寿命ケース毎に対応付けられて記憶されている。スコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２は、説明変数としての状態データのスコア値Ｖａ，Ｖｂ，Ｖｃを出力する。スコアリングモデルＭａ２，Ｍｂ２，Ｍｃ２が出力するスコア値Ｖａ，Ｖｂ，Ｖｃは、対応する寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１のスコア値、すなわち、当該状態データに対して当該寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１がどの程度適合しているかを表す適合度に相当する。例えば、スコア値Ｖａ，Ｖｂ，Ｖｃが大きい場合には、対応する寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１の適合度が高いと推定したことになり、スコア値Ｖａ，Ｖｂ，Ｖｃが小さい場合には、対応する寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１の適合度が低いと推定したことになる。

そして、総合残加工回数予測部８６は、複数の残加工回数予測値Ｎａ，Ｎｂ，Ｎｃの各々、及び、複数のスコア値Ｖａ，Ｖｂ，Ｖｃの各々に基づいて、総合残加工回数Ｎｘを演算する。換言すると、総合残加工回数予測部８６は、スコア値Ｖａ，Ｖｂ，Ｖｃを考慮することで、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１を用いることができる。つまり、総合残加工回数予測部８６は、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１の中から１つの寿命予測モデルのみを選択する必要がない。このように、総合残加工回数予測部８６は、複数の寿命予測モデルＭａ１，Ｍｂ１，Ｍｃ１及び複数のスコア値Ｖａ，Ｖｂ，Ｖｃを用いて総合残加工回数Ｎｘを予測するため、工具Ｔの寿命予測を高精度に行うことができる。

１：工具寿命予測システム、 １０：加工機、 １１：加工機本体、 １２：制御装置（制御部）、 １３：検出器、 ２０：学習処理装置、 ３０：予測演算装置、 ４０，５０：表示装置、 ７１：訓練データセット取得部、 ７２：寿命予測用訓練データセット記憶部、 ７３：スコアリング用訓練データセット記憶部、 ７４：寿命予測モデル生成部、 ７５：スコアリングモデル生成部、 ８１：寿命予測モデル記憶部、 ８２：スコアリングモデル記憶部、 ８３：予測用データ取得部、 ８４：残加工回数予測部、 ８５：スコア値出力部、 ８６：総合残加工回数予測部、 ８７：出力部、 Ｍａ１，Ｍｂ１，Ｍｃ１：寿命予測モデル、 Ｍａ２，Ｍｂ２，Ｍｃ２：スコアリングモデル、 Ｎａ，Ｎｂ，Ｎｃ：残加工回数予測値、 Ｎｘ：総合残加工回数、 Ｔ：工具、 Ｖａ，Ｖｂ，Ｖｃ：スコア値、 Ｗ：工作物

Claims (10)

1. 工具を用いて工作物の機械加工を行う加工機本体と、
   前記工作物の加工中に前記加工機本体における観測可能な状態データを検出する検出器と、
   前記検出器により検出された前記状態データを説明変数とし、１つの前記工具において寿命に到達するまでの前記工作物の残加工回数を目的変数とし、前記説明変数及び前記目的変数を含む訓練データセットを用いて機械学習を行うことにより生成された寿命予測モデルを、前記工具の各々によるケースを別々の寿命ケースとした場合に複数の前記寿命ケース毎に記憶する寿命予測モデル記憶部と、
   前記寿命ケース毎における前記状態データの各々を説明変数とする訓練データセットを用いて機械学習を行うことにより生成されたスコアリングモデルであって前記状態データのスコア値を出力する前記スコアリングモデルを、複数の前記寿命ケース毎に記憶するスコアリングモデル記憶部と、
   推定フェーズにおける前記状態データに基づいて、複数の前記寿命予測モデルの各々により残加工回数予測値を各々出力する残加工回数予測部と、
   前記推定フェーズにおける前記状態データに基づいて、複数の前記スコアリングモデルの各々によりスコア値を各々出力するスコア値出力部と、
   複数の前記残加工回数予測値の各々、及び、複数の前記スコア値の各々に基づいて、総合残加工回数を演算する総合残加工回数予測部と、
   を備える、工具寿命予測システム。
2. 前記総合残加工回数予測部は、複数の前記スコア値の各々を複数の前記残加工回数予測値の各々の重みとして、加重平均により前記総合残加工回数を演算する、請求項１に記載の工具寿命予測システム。
3. 前記総合残加工回数予測部は、複数の前記スコア値のうち所定数が異常を表す値を示す場合には、前記工具が正常摩耗状態ではなく異常状態であると予測する、請求項１又は２に記載の工具寿命予測システム。
4. 複数の前記寿命予測モデルのうち少なくとも一部は、前記状態データについての異なる特徴量を説明変数とする、請求項１－３の何れか１項に記載の工具寿命予測システム。
5. 前記スコアリングモデルは、対応する前記寿命ケースについての前記寿命予測モデルと同種の特徴量を説明変数とする、請求項４に記載の工具寿命予測システム。
6. 前記スコアリングモデルは、１クラスサポートベクターマシーンであり、正常度合をスコア値として出力するモデルである、請求項１－５の何れか１項に記載の工具寿命予測システム。
7. 前記スコアリングモデルは、さらに、正常を表す前記スコア値と異常を表す前記スコア値とを異なる値として出力するモデルである、請求項６に記載の工具寿命予測システム。
8. 前記工具寿命予測システムは、さらに、
   前記総合残加工回数を表示する表示装置を備える、請求項１－７の何れか１項に記載の工具寿命予測システム。
9. 前記工具寿命予測システムは、さらに、
   前記総合残加工回数に基づいて、工具交換又は工具修正の動作を実行する制御部を備える、請求項１－８の何れか１項に記載の工具寿命予測システム。
10. 前記工具寿命予測システムは、さらに、
    前記総合残加工回数に基づいて、工具交換又は工具修正の時期を通知する出力部を備える、請求項１－９の何れか１項に記載の工具寿命予測システム。

Images