特開 2024-73875 表面粗さ推定システムおよび加工システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024073875

(43)【公開日】2024-05-30

(54)【発明の名称】表面粗さ推定システムおよび加工システム

(51)【国際特許分類】

   B24B 49/16 20060101AFI20240523BHJP

   B24B 41/06 20120101ALI20240523BHJP

   B24B 19/12 20060101ALI20240523BHJP

   B24B 49/10 20060101ALI20240523BHJP

【ＦＩ】

B24B49/16

B24B41/06 J

B24B19/12

B24B49/10

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022184837

(22)【出願日】2022-11-18

(71)【出願人】

【識別番号】000001247

【氏名又は名称】株式会社ジェイテクト

(74)【代理人】

【識別番号】110000648

【氏名又は名称】弁理士法人あいち国際特許事務所

(72)【発明者】

【氏名】楊 樹安

(72)【発明者】

【氏名】米津 寿宏

【テーマコード（参考）】

3C034

3C049

【Ｆターム（参考）】

3C034AA13

3C034BB77

3C034BB92

3C034CA24

3C034CB20

3C034DD20

3C049AA03

3C049AC02

3C049BA09

3C049CA01

3C049CB01

(57)【要約】

【課題】工作物を研削加工する研削装置において、加工部位の表面粗さの推定の計算負荷を低減して早期に推定結果を取得できる表面粗さ推定システムを提供する。
【解決手段】表面粗さ推定システム３ｂは、工作物の複数の加工部位のうち高剛性部位の研削加工時の機械状態データから抽出した特徴量を説明変数とするとともに高剛性部位の表面粗さデータを目的変数とする高剛性部位学習済みモデル４４１と、高剛性部位の研削加工時の機械状態データから抽出した特徴量を説明変数とするとともに低剛性部位の表面粗さデータを目的変数とする低剛性部位学習済みモデル４４２を記憶している。そして、低剛性部位よりも高剛性部位を優先して研削加工を行う研削装置において、高剛性部位の特徴量を高剛性部位学習済みモデル４４１に入力して高剛性部位の表面粗さを推定し、高剛性部位の特徴量を低剛性部位学習済みモデル４４２に入力して低剛性部位の表面粗さを推定する。
【選択図】図４

【特許請求の範囲】

【請求項1】

工作物における複数の加工部位を砥石により研削加工する際に、上記複数の加工部位のうち研削加工時に付与される加工力による上記工作物の撓み量が相対的に小さい高剛性部位の研削加工を、上記撓み量が相対的に大きい低剛性部位の研削加工よりも優先して行う研削装置において、上記複数の加工部位における表面粗さを推定する表面粗さ推定システムであって、
上記高剛性部位を研削加工したときの上記研削装置における機械状態データを取得する機械状態データ取得部と、
取得された上記機械状態データから特徴量を抽出する特徴量抽出部と、
上記高剛性部位の表面粗さを推定するための高剛性部位学習済みモデルと、上記低剛性部位の表面粗さを推定するための低剛性部位学習済みモデルとが記憶された学習済みモデル記憶部と、
上記特徴量抽出部により抽出された上記高剛性部位における上記特徴量を、上記高剛性部位学習済みモデルに入力して、上記高剛性部位の表面粗さを推定する高剛性部位表面粗さ推定部と、
上記特徴量抽出部により抽出された上記高剛性部位における上記特徴量を、上記低剛性部位学習済みモデルに入力して、上記低剛性部位の表面粗さを推定する低剛性部位表面粗さ推定部と、
を備え、
上記高剛性部位学習済みモデルは、上記高剛性部位を研削加工したときに上記研削装置から取得された機械状態データから抽出した特徴量を説明変数とし、研削加工後に取得された上記高剛性部位の表面粗さデータを目的変数とした機械学習により作成されており、
上記低剛性部位学習済みモデルは、上記高剛性部位を研削加工したときに上記研削装置から取得された機械状態データから抽出した特徴量を説明変数とし、研削加工後に取得された上記低剛性部位の表面粗さデータを目的変数とした機械学習により作成されている、表面粗さ推定システム。

【請求項2】

上記工作物は、１つ又は複数の支持位置で支持されており、
上記高剛性部位と該高剛性部位に最も近い上記支持位置との距離は、上記低剛性部位と該低剛性部位に最も近い上記支持位置との距離よりも小さい、請求項１に記載の表面粗さ推定システム。

【請求項3】

上記工作物は円柱状又は円筒状をなしており、
上記支持位置は、上記工作物Ｗにおける第１端部と、該第１端部と反対側に位置する第２端部とを含んでおり、
上記複数の加工部位は、上記第１端部から上記第２端部に向かう方向に配列しており、
上記複数の加工部位のうち、上記配列方向において、少なくとも両端に位置する上記加工部位は上記高剛性部位に含まれる、請求項２に記載の表面粗さ推定システム。

【請求項4】

上記研削装置は、上記工作物における上記第１端部と上記第２端部の間に位置する中間位置を支持するレスト装置を有しており、
上記複数の加工部位のうち、上記配列方向において、上記レスト装置と隣り合う加工部位は上記高剛性部位に含まれる、請求項３に記載の表面粗さ推定システム。

【請求項5】

上記機械状態データは、上記研削装置における上記砥石を回転駆動させる駆動装置の動力データであり、
上記特徴量は、上記動力データの最大値又は標準偏差を含む、請求項１～４のいずれか一項に記載の表面粗さ推定システム。

【請求項6】

上記機械状態データは、上記研削装置における上記工作物を支持する支持装置の振動データであり、
上記特徴量は、上記振動データの砥石回転周波数の整数倍の振幅を含む、請求項１～４のいずれか一項に記載の表面粗さ推定システム。

【請求項7】

上記工作物を研削加工する加工工程は、相対的に研削能率が高い荒加工工程と相対的に研削能率が低い仕上げ加工工程とを含み、
上記機械状態データ取得部は、上記荒加工工程における上記機械状態データを取得する、請求項１又は２に記載の表面粗さ推定システム。

【請求項8】

上記工作物は、カムシャフト又はクランクシャフトである、請求項１～４のいずれか一項に記載の表面粗さ推定システム。

【請求項9】

請求項１～４のいずれか一項に記載の上記表面粗さ推定システム及び上記研削装置と、
上記高剛性部位表面粗さ推定部の推定結果と上記低剛性部位表面粗さ推定部の推定結果とに基づいて、上記研削装置における研削条件を調整する研削条件調整部と、を備える、研削加工システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、表面粗さ推定システムおよび加工システムに関する。

【背景技術】

【0002】

従来、研削装置における工作物の研削品質を向上するために、加工後の工作物の表面粗さが所定値範囲内となるように研削条件を調整することが行われている。例えば、特許文献１に開示の構成では、研削部位に関する実測データと工作物における研削品質（例えば、加工部位の表面粗さ）との関係を機械学習させて作成した学習済みモデルを使用して研削品質を推定することで、研削品質の向上に利用する構成が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－２３０４０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に開示の構成では、工作物が複数の加工部位を有する場合、学習済みモデルを用いてすべての加工部位の表面粗さを推定するには計算負荷が高くなり、推定結果が得られるまでに時間がかかる。そして、工作物の研削加工を順次行う際には、次の工作物の研削加工を開始するまでに推定結果が得られず、当該推定結果を次の工作物の研削加工に反映できないことがあり、推定結果に基づいて研削品質の向上を図るには改善の余地がある。また、当該推定結果を次の工作物の加工に反映させるために、次の加工を待つことも考えられるが、この場合は、工作物のサイクルタイムが長くなるため、好ましくない。以上から、加工部位の表面粗さの推定の計算負荷を低減して早期に推定結果を取得できることが望まれる。

【0005】

本発明は、かかる課題に鑑みてなされたものであり、工作物を研削加工する研削装置において、加工部位の表面粗さの推定の計算負荷を低減して早期に推定結果を取得できる表面粗さ推定システムを提供しようとするものである。

【課題を解決するための手段】

【0006】

本発明の一態様は、工作物における複数の加工部位を砥石により研削加工する際に、上記複数の加工部位のうち研削加工時に付与される加工力による上記工作物の撓み量が相対的に小さい高剛性部位の研削加工を、上記撓み量が相対的に大きい低剛性部位の研削加工よりも優先して行う研削装置において、上記複数の加工部位における表面粗さを推定する表面粗さ推定システムであって、
上記高剛性部位を研削加工したときの上記研削装置における機械状態データを取得する機械状態データ取得部と、
取得された上記機械状態データから特徴量を抽出する特徴量抽出部と、
上記高剛性部位の表面粗さを推定するための高剛性部位学習済みモデルと、上記低剛性部位の表面粗さを推定するための低剛性部位学習済みモデルとが記憶された学習済みモデル記憶部と、
上記特徴量抽出部により抽出された上記高剛性部位における上記特徴量を、上記高剛性部位学習済みモデルに入力して、上記高剛性部位の表面粗さを推定する高剛性部位表面粗さ推定部と、
上記特徴量抽出部により抽出された上記高剛性部位における上記特徴量を、上記低剛性部位学習済みモデルに入力して、上記低剛性部位の表面粗さを推定する低剛性部位表面粗さ推定部と、
を備え、
上記高剛性部位学習済みモデルは、上記高剛性部位を研削加工したときに上記研削装置から取得された機械状態データから抽出した特徴量を説明変数とし、研削加工後に取得された上記高剛性部位の表面粗さデータを目的変数とした機械学習により作成されており、
上記低剛性部位学習済みモデルは、上記高剛性部位を研削加工したときに上記研削装置から取得された機械状態データから抽出した特徴量を説明変数とし、研削加工後に取得された上記低剛性部位の表面粗さデータを目的変数とした機械学習により作成されている、表面粗さ推定システムにある。

【発明の効果】

【0007】

本発明の一態様によれば、上記研削装置では、工作物の複数の加工部位のうち高剛性部位の研削加工を、低剛性部位の研削加工よりも優先して行う。そのため、高剛性部位の研削加工時の機械状態データは、低剛性部位の研削加工を行う前に取得することができる。そして、低剛性部位の表面粗さを推定するための低剛性部位学習済みモデルは、説明変数として高剛性部位を研削加工したときの機械状態データに基づく特徴量を入力することにより、目的変数である低剛性部位の表面粗さの推定結果を得ることができる。従って、低剛性部位の研削加工時の機械状態データを取得することなく、低剛性部位の表面粗さを推定できる。これにより、低剛性部位の研削加工時の機械状態データの演算処理が不要となるため、計算負荷を大幅に低減でき、早期に推定結果を取得できる。

【0008】

そして、低剛性部位の研削加工の実行中に、既に取得された高剛性部位の研削加工時の機械状態データを、高剛性部位学習済みモデル及び低剛性部位学習済みモデルに入力することにより、高剛性部位及び低剛性部位の加工後の表面粗さの推定を行うこととすれば、工作物の加工を順次行う場合であっても、次回の工作物の加工開始までに今回の工作物における高剛性部位及び低剛性部位の両方における表面粗さの推定結果を得ることができ、今回の加工工程の完了を待つことなく、今回の推定結果を次回の工作物の加工に反映させることができる。その結果、研削加工の品質向上に寄与できる。

【0009】

ここで、研削加工時における工作物の加工部位の剛性は、その工作物上の位置、工作物の形状、工作物の支持態様などに起因して加工部位ごとに異なる。そして、剛性の低い部位では、研削加工が開始して加工力が高まるにつれて工作物が砥石の押し付け方向に撓んで砥石から逃げるように変形するが、研削加工の加工力が低くなったり研削加工を終了するときには、当該撓みが元に戻ろうとして砥石の押し付け方向に逆らって砥石に押し付けられるため、意図しない研削加工が生じたりする流れ込み現象が発生する場合がある。そして、剛性の低い部位では当該流れ込み現象により加工態様が複雑となるため、研削加工時の機械状態データに基づいて表面粗さを高精度に推定することが難しい。一方、剛性の高い部位では、剛性の低い部位比べて流れ込みが生じにくいため、研削加工時の機械状態データに基づいて表面粗さを高精度に推定しやすい。

【0010】

かかる観点から、上記本発明の一態様では、そして、低剛性部位の表面粗さを推定するための学習済みモデルとして、高剛性部位の研削加工時の機械状態データに基づく特徴量を説明変数とする学習済みモデルを用いることにより、低剛性部位の研削加工時の機械状態データは使用しないようにすることで、推定精度の維持と計算負荷の低減との両立が図られている。

【0011】

以上のごとく、上記態様によれば、工作物を研削加工する研削装置において、加工部位の表面粗さの推定の計算負荷を低減して早期に推定結果を取得できる表面粗さ推定システムを提供することができる。

【図面の簡単な説明】

【0012】

【図1】実施形態１の加工システムの構成を示す概念図。

【図2】実施形態１の工作物が加工装置の支持された状態を示す一部拡大平面図。

【図3】図２において、工作物が変形した状態を示す一部拡大平面図。

【図4】実施形態１の表面粗さ推定システムの構成を示すブロック図。

【図5】工作物の各円板部の剛性値の関係を示す図。

【図6】実施形態１の学習済みモデルの作成工程を示すフロー図。

【図7】実施形態１の学習済みモデルの作成工程の概念図。

【図8】実施形態１の表面粗さの推定と条件調整のフロー図。

【図9】実施形態１の表面粗さの推定精度の検証結果を表す図。

【図10】変形形態１の学習済みモデルの作成工程の概念図。

【図11】実施形態１の表面粗さの推定精度の検証結果を表す図。

【図12】変形形態２の加工システムの構成を示す概念図。

【図13】変形形態２の学習済みモデルの作成工程の概念図。

【発明を実施するための形態】

【0013】

（実施形態１）
１．加工システム１の構成
実施形態１における加工システム１の構成について図１を参照して説明する。加工システム１は、研削加工を行う研削装置を対象とする。加工システム１は、研削装置としての研削盤２と、処理部３とを備える。

【0014】

処理部３は、研削盤２を制御する制御装置３ａ、および、工作物Ｗの加工部位Ｗ１～９の表面粗さを推定する表面粗さ推定システム３ｂを備える。制御装置３ａは、研削盤２を制御することにより、研削加工を制御することができる。表面粗さ推定システム３ｂは、研削加工を行う際の研削盤２における機械状態データを入力してシミュレーションを行うことにより、研削加工後の加工部位Ｗ１～９の表面粗さを推定する処理を行う。

【0015】

表面粗さ推定システム３ｂは、研削盤２とは独立したシミュレーション装置として機能させることもできるし、研削盤２と連動して動作するシミュレーション装置として機能させることもできる。前者の場合には、例えば、実際の工作物Ｗの研削加工を行うことなく、最適な研削加工条件を決定することができる。後者の場合には、表面粗さ推定システム３ｂは、研削盤２による工作物Ｗの研削加工と並行して処理することにより、例えば、研削加工条件を補正したり、各種制御に影響を及ぼすように動作したりすることができる。また、表面粗さ推定システム３ｂは、研削盤２および制御装置３ａの組込みシステムとすることもできる。

【0016】

２．研削装置（研削盤）２
研削装置２について、図１を参照して説明する。本形態においては、研削装置２として研削盤を例に説明する。研削盤２は、中心線Ｃを中心にして、加工対象である工作物Ｗを回転させ、回転体である工具（砥石）としての砥石車１６を回転させ、かつ、砥石車１６を工作物Ｗに対して工作物Ｗの軸線に交差する方向に相対的に接近させることにより、工作物Ｗの外周面または内周面を研削する。研削盤２は、テーブルトラバース型の研削盤、砥石台トラバース型の研削盤などを適用可能である。また、研削盤２は、円筒研削盤、カム研削盤等を適用可能である。

【0017】

本形態においては、工作物Ｗは、例えば、軸状に形成された部材とし、工作物Ｗの外周面が加工部位である場合を例にあげる。ただし、工作物Ｗの形状は、軸状に限られず、内周面を有する筒状など、任意の形状とすることができる。工作物Ｗが筒状である場合は工作物Ｗの内周面を加工部位とすることができる。

【0018】

本形態においては、研削盤２は、砥石台トラバース型のカム研削盤を例にあげる。ただし、研削盤２は、テーブルトラバース型を適用することもできる。研削盤２は、主として、ベッド１１、主軸台１２、心押台１３、トラバースベース１４、砥石台１５、砥石車１６、定寸装置１７、砥石車修正装置１８及びクーラント装置１９を備える。

【0019】

ベッド１１は、設置面上に固定されている。主軸台１２は、ベッド１１の上面において、Ｘ軸方向の手前側（図１の下側）且つＺ軸方向の一端側（図１の左側）に設けられている。主軸台１２は、工作物Ｗを、中心線Ｃを中心としてＺ軸回りに回転可能に支持する。工作物Ｗは、主軸台１２に設けられたモータ１２ａの駆動により回転される。心押台１３は、ベッド１１の上面において、主軸台１２に対してＺ軸方向に対向する位置、すなわち、Ｘ軸方向の手前側（図１の下側）且つＺ軸方向の他端側（図１の右側）に設けられている。つまり、主軸台１２および心押台１３が、工作物Ｗを回転可能に両端支持する。なお、心押台１３には、検出部２０として心押台１３の振動を検出する振動センサ２１が取り付けられている。振動センサ２１は加速度センサにより構成できる。

【0020】

図１に示すように、トラバースベース１４は、ベッド１１の上面において、Ｚ軸方向に移動可能に設けられている。トラバースベース１４は、ベッド１１に設けられたモータ１４ａの駆動により移動する。砥石台１５は、トラバースベース１４の上面において、Ｘ軸方向に移動可能に設けられている。砥石台１５は、トラバースベース１４に設けられたモータ１５ａの駆動により移動する。砥石車１６は、砥石台１５に回転可能に支持されている。砥石車１６は、砥石台１５に設けられたモータ１６ａの駆動により回転する。砥石車１６は、複数の砥粒をボンド材により固定されて構成されている。検出部２０として、モータ１６ａの駆動の動力データを検出するセンサ２２が設けられている。

【0021】

定寸装置１７は、ベッド１１の上面に設けられ、工作物Ｗの寸法（径）を測定する。定寸装置１７は、例えば、工作物Ｗの外周面に接触可能な一対の接触子を備えており、工作物Ｗへの接触部位における外径寸法を計測する。

【0022】

砥石車修正装置１８は、砥石車１６の形状を修正する。砥石車修正装置１８は、砥石車１６のツルーイングを行う装置である。砥石車修正装置１８は、ツルーイングに加えて、または、ツルーイングに代えて、砥石車１６のドレッシングを行う装置としてもよい。さらに、砥石車修正装置１８は、砥石車１６の寸法（径）を測定する機能も有する。

【0023】

ここで、ツルーイングは、形直し作業であり、研削によって砥石車１６が摩耗した場合に工作物Ｗの形状に合わせて砥石車１６を成形する作業、片摩耗によって砥石車１６の振れを取り除く作業等である。ドレッシングは、目直し（目立て）作業であり、砥粒の突き出し量を調整したり、砥粒の切れ刃を創成したりする作業である。ドレッシングは、目つぶれ、目詰まり、目こぼれ等を修正する作業であって、通常ツルーイング後に行われる。

【0024】

クーラント装置１９は、クーラントノズルから砥石車１６による工作物Ｗの研削点にクーラントを供給する。クーラント装置１９は、回収したクーラントを、所定温度に冷却して、再度研削点に供給する。クーラント装置１９は、クーラントの流量や供給タイミングの調整が可能となっている。なお、図１において、符号１９はクーラントノズルの位置を図示する。

【0025】

３．工作物Ｗ
工作物Ｗの例について図２を参照して説明する。図２に示すように、工作物Ｗは、Ｚ軸方向に長軸な円柱状をなす軸部３０と、軸部３０に配置された複数（本形態では９つ）の円板部３１～３９と、を備える。複数の円板部３１～３９は、図２において、軸部３０の第１端部３０ａから反対側の第２端部３０ｂに向かって配列しており、第１端部３０ａ側から順に、第１円板部３１、第２円板部３２、第３円板部３３、第４円板部３４、第５円板部３５、第６円板部３６、第７円板部３７、第８円板部３８、第９円板部３９とする。複数の円板部３１～３９は同一形状を有しており、軸部３０の中心線Ｃと同軸上に配置されている。

【0026】

複数の円板部３１～３９において、砥石車１６と接触して砥石車１６によって研削される部分（外周面）が加工部位となる。図２においては、第５円板部３５の外周面に砥石車１６が接触している状態が記載されている。ただし、加工部位の数は限定されず、１つの工作物Ｗが３個以上の加工部位を備えていればよい。

【0027】

次に、工作物Ｗにおける複数の円板部３１～３９のうちの１つの外周面が砥石車１６によって研削される場合について図３を参照して説明する。図３においては、第５円板部３５が研削される場合を図示する。図３において破線で示すように、工作物Ｗの第５円板部３５は、砥石車１６にＸ軸方向から所定加工力Ｆで押圧されることにより、Ｘ軸方向についてδｘだけ撓み変形する。ただし、図３においては、撓み変形量を強調して記載している。

【0028】

工作物Ｗは、工作物Ｗの軸方向において、主軸台１２と心押台１３とに挟持されており、第１端部３０ａとその反対側の第２端部３０ｂとが工作物Ｗの支持位置となる。そのため、工作物Ｗのうち、支持位置である第１端部３０ａに近い位置に位置する第１円板部３１及び第２円板部３２は撓み変形しにくい。同様に支持位置である第２端部３０ｂに近い位置に位置する第８円板部３８及び第９円板部３９も撓み変形しにくい。一方、第１端部３０ａ及び第２端部３０ｂから遠い位置、すなわち、軸部３０の中央寄りの位置に位置する第３～第７円板部３３～３７は、撓み変形しやすい。換言すると、第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９の剛性値は、第３～第７円板部３３～３７の剛性値よりも大きい。剛性値は、対象の円板部を所定加工力Ｆで押圧した場合に、対象の円板部の撓み量δｘである場合において、加工力Ｆを変形量δｘで除した商をいう。つまり、剛性値が大きいほど撓み量δｘが小さくなり、剛性値が小さいほど撓み量δｘが大きくなる。

【0029】

第１～第９円板部３１～３９の剛性値は、工作物Ｗの材質および形状等の影響を受ける。また、第１～第９円板部３１～３９の剛性値は、工作物Ｗにおける支持位置の影響を受ける。図３に示すように、第１円板部３１及び第２円板部３２は、工作物Ｗの第１端部３０ａ寄りに位置しており、工作物Ｗを支持する主軸台１２に近いため相対的に剛性値が大きくなる。同様に、第８円板部３８及び第９円板部３９は、工作物Ｗの第２端部３０ｂ寄りに位置しており、工作物Ｗを支持する心押台１３に近いため相対的に剛性値が大きくなる。一方、第３～第７円板部３３～３７は、工作物Ｗの中央寄りに位置しており、主軸台１２および心押台１３から遠いため、第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９よりも剛性値が小さくなる。

【0030】

したがって、本実施形態では、第１～第９円板部３１～３９の剛性値は、例えば、図５のように例示でき、加工部位としての第１～第９円板部３１～３９のうち、第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９は高剛性部位とし、第３～第７円板部３３～３７は低剛性部位とすることができる。なお、図５に示すように、第１円板部３１に比べて第２円板部３２の剛性値が低いことから第２円板部３２を低剛性部位に含むこととしてもよい。同様に、第９円板部３９に比べて第８円板部３８の剛性値が低いことから第８円板部３８も低剛性部位に含むこととしてもよい。

【0031】

さらに、第１～第９円板部３１～３９の剛性値は、工作物Ｗを支持する構造（センタ、チャックなど）の影響を受ける。さらに、第１～第９円板部３１～３９の剛性値は、研削盤２の剛性の影響を受ける。研削盤２の剛性としては、主軸台１２の剛性、心押台１３の剛性、砥石車１６の剛性、ベッド１１等の剛性の影響を受ける。また、工作物Ｗに対してレスト（図示せず）を接触させる場合には、レストの剛性の影響も受ける。

【0032】

なお、高剛性部位（第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９）と、低剛性部位（第３～第７円板部３３～３７）と、工作物Ｗの支持位置３０ａ、３０ｂとの位置関係は、高剛性部位（第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９）は、低剛性部位（第３～第７円板部３３～３７）に比べて、工作物Ｗの支持位置に近い位置にあるものとなっている。

【0033】

より詳細には、図２に示すように、例えば、高剛性部位である第１円板部３１と第１円板部３１に最も近い支持位置である第１端部３０ａとの距離Ｌａは、低剛性部位である第３円板部３３と第３円板部３３に最も近い支持位置である第１端部３０ａとの距離Ｌｂよりも短くなっている。また、同様に、高剛性部位である第９円板部３９と第９円板部３９に最も近い支持位置である第２端部３０ｂとの距離Ｌｃは、低剛性部位である第７円板部３７と第７円板部３７に最も近い支持位置である第２端部３０ｂとの距離Ｌｄよりも短くなっている。このような位置関係は、すべての高剛性部位（第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９）とすべての低剛性部位（第３～第７円板部３３～３７）との間で成立する。

【0034】

４．制御装置３ａの構成
制御装置３ａは、加工制御を実行するＣＮＣ（Computer Numerical Control）装置およびＰＬＣ（Programmable Logic Controller）装置である。つまり、制御装置３ａは、研削加工プログラムおよび定寸装置１７による計測結果に基づいて、移動装置としてのベッド１１に設けられたモータ１４ａ及びトラバースベース１４に設けられたモータ１５ａを駆動して、トラバースベース１４の位置制御を行う。つまり、制御装置３ａは、トラバースベース１４の位置制御を行うことで、工作物Ｗと砥石車１６とを相対的に接近および離間させる。さらに、制御装置３ａは、主軸台１２に設けられたモータ１２ａ及び砥石台１５に設けられたモータ１６ａを駆動して、工作物Ｗの回転制御および砥石車１６の回転制御を行う。

【0035】

制御装置３ａは予め設定された加工条件に基づいた加工工程を実施して工作物Ｗの研削加工を行う。工作物Ｗの加工工程は、荒加工工程と仕上げ加工工程とを含むことができる。荒加工工程は、相対的に研削盤２の砥石車１６による研削能率が高く設定された工程であり、仕上げ加工工程は荒加工工程よりも研削能率が低く設定された工程である。荒加工工程の実施後に仕上げ加工工程を実施する。なお、仕上げ加工工程は、研削能率の異なる複数の工程を含んでいてもよく、また、研削加工により工作物Ｗに生じた撓みを開放するために実質的に研削能率がゼロであるスパークアウト工程を含んでいてもよい。

【0036】

本実施形態では、工作物Ｗにおける高剛性部位３１、３２、３８、３９の加工工程（荒加工工程及び仕上げ加工工程）の実施後に、低剛性部位３３～３７の加工工程を実施する。高剛性部位３１、３２、３８、３９における加工順は限定されないが、工作物Ｗの第１端部３０ａに近い側から順に、高剛性部位３１、高剛性部位３２、高剛性部位３８、高剛性部位３９の順に行うことができる。また、低剛性部位３３～３７における加工順も限定されないが、工作物Ｗの第１端部３０ａに近い側から順に行うことができる。

【0037】

５．表面粗さ推定システム３ｂの構成
表面粗さ推定システム３ｂの構成について図４を参照して説明する。表面粗さ推定システム３ｂは、所定のプログラムを実施可能な図示しない演算装置と記憶装置とにより構成される。表面粗さ推定システム３ｂは、学習処理装置４と推定処理装置５を備える。

【0038】

６．学習処理装置４の構成
学習処理装置４は、高剛性部位学習済みモデル４４１及び低剛性部位学習済みモデル４４２を作成する。学習処理装置４は、訓練データ取得部４１、表面粗さ取得部４２、特徴量抽出部４３、モデル作成部４４を備える。本実施形態では、訓練データ取得部４１は、加工部位である第１～第９円板部３１～３９の表面粗さが判明している複数の学習用の工作物Ｗについて、訓練データとして研削盤２で加工部位を研削加工したときの機械状態データを取得する。機械状態データは、砥石を回転駆動させるモータ１６ａの動力データである砥石軸動力データ、工作物を支持する支持装置の振動データ、ＡＥセンサやマイクロフォンで取得した研削盤２における音データ、熱流センサで取得した工作物Ｗの熱データなどを例示できる。本実施形態では、訓練データ取得部４１は、機械状態データとして砥石軸動力データを取得する。

【0039】

訓練データ取得部４１は、工作物Ｗの加工部位のうち高剛性部位の訓練データのみを取得する。本実施形態では、図７（ｂ）に示す連続データであるセンサ出力から、図７（ｃ）に示すように、高剛性部位である第１円板部３１、第２円板部３２、第８円板部３８及び第９円板部３９に対応する動力データを切り出して取得する。これを複数の学習用の工作物Ｗにおいて繰り返し行い、高剛性部位ごとに対応する動力データを蓄積する。

【0040】

表面粗さ取得部４２は、高剛性部位及び低剛性部位を含む全ての加工部位の表面粗さを取得する。当該表面粗さは実測値であってもよいし、実測値に替えて加工部位の加工前後の画像を取得し画像処理により算出した値であってもよいし、定寸装置１７の検出データに基づいて算出した表面粗さの値であってもよい。また、その他の手法で取得した予測値を訓練データとして用いてもよい。なお、訓練データとして予測値を用いる場合は、学習済みモデルの信頼を担保するために十分に信頼性の高い予測値であることが好ましい。

【0041】

特徴量抽出部４３は訓練データ取得部４１で取得した訓練データと表面粗さ取得部４２で取得した表面粗さとから特徴量を抽出する。説明変数としての特徴量は、砥石軸動力データの最大値や標準偏差、振動データの砥石回転周波数のＮ倍の振幅とすることができ、目的変数としての特徴量は表面粗さとする。

【0042】

モデル作成部４４は、特徴量抽出部４３により抽出された特徴量に基づいて機械学習をし、学習済みモデルを作製する。学習済みモデルは、加工部位ごとに作成する。すなわち、図７（ａ）～（ｅ）に示すように、第１～第９学習済みモデルＭ１～Ｍ９が作成される。第１～第９学習済みモデルＭ１～Ｍ９の作成については後に詳述する。作成された第１～第９学習済みモデルＭ１～Ｍ９は、後述する学習済みモデル記憶部５３に記憶される。

【0043】

６．学習済みモデルの作成
学習済みモデルの作成について、図６を用いて説明する。まず、図６に示すステップＳ１において、モデル作成用の工作物Ｗを開始し、訓練データ取得部４１により高剛性部位３１、３２、３８、３９における機械状態データを取得する。本実施形態では、図７（ａ）～（ｃ）に示すように、工作物Ｗの高剛性部位３１、３２、３８、３９の砥石軸動力データを取得する。そして、図６に示すステップＳ２において、表面粗さ取得部４２により、加工終了後の工作物Ｗのすべての加工部位３１～３９の表面粗さを取得する。

【0044】

その後、ステップＳ３において、特徴量抽出部４３により、訓練データ取得部４１により特徴量を抽出する（図７（ｄ）参照）。本実施形態では、荒加工における砥石軸動力データの最大値とする。

【0045】

そして、図６に示すステップＳ４において、モデル作成部４４により、図７（ｅ）に示す高剛性部位学習済みモデル４４１と低剛性部位学習済みモデル４４２を機械学習により作成する。高剛性部位学習済みモデル４４１は、加工部位のうち高剛性部位３１、３２、３８、３９における学習済みモデルＭ１、Ｍ２、Ｍ８、Ｍ９を含む。第１円板部３１における第１学習済みモデルＭ１は、第１円板部３１における動力データの特徴量を説明変数とし、第１円板部３１の表面粗さを目的変数とする学習モデルである。

【0046】

同様に、他の高剛性部位である第２円板部３２における第２学習済みモデルＭ２は、第２円板部３２における動力データの特徴量を説明変数とし、第２円板部３２の表面粗さを目的変数とする学習モデルである。また、高剛性部位である第８円板部３８における第８学習済みモデルＭ８は、第８円板部３８における動力データの特徴量を説明変数とし、第８円板部３８の表面粗さを目的変数とする学習モデルである。また、高剛性部位である第９円板部３９における第９学習済みモデルＭ９は、第９円板部３９における動力データの特徴量を説明変数とし、第９円板部３９の表面粗さを目的変数とする学習モデルである。

【0047】

次に、低剛性部位学習済みモデル４４２は、低剛性部位３３、３４、３５、３６、３７における学習済みモデルＭ３、Ｍ４、Ｍ５、Ｍ６、Ｍ７を含む。図７（ｅ）に示すように、第３円板部３３における第３学習済みモデルＭ３は、第２円板部３２における動力データの特徴量を説明変数とし、第３円板部３３の表面粗さを目的変数とする学習モデルである。また、低剛性部位である第４円板部３４における第４学習済みモデルＭ４は、第２円板部３２における動力データの特徴量を説明変数とし、第４円板部３４の表面粗さを目的変数とする学習モデルである。すなわち、第２、第３及び第４学習済みモデルＭ２、Ｍ３、Ｍ４はいずれも第２円板部３２における動力データの特徴量を共通の説明変数としている。

【0048】

一方、低剛性部位である第５円板部３５における第５学習済みモデルＭ５は、第８円板部３８における動力データの特徴量を説明変数とし、第５円板部３５の表面粗さを目的変数とする学習モデルである。また、低剛性部位である第６円板部３６における第６学習済みモデルＭ６は、第８円板部３８における動力データの特徴量を説明変数とし、第６円板部３６の表面粗さを目的変数とする学習モデルである。また、低剛性部位である第７円板部３７における第７学習済みモデルＭ７は、第８円板部３８における動力データの特徴量を説明変数とし、第７円板部３７の表面粗さを目的変数とする学習モデルである。すなわち、第５、第６、第７及び第８学習済みモデルＭ５、Ｍ６、Ｍ７、Ｍ８はいずれも第８円板部３８における動力データの特徴量を共通の説明変数としている。

【0049】

そして、図６に示すステップＳ５において、高剛性部位学習済みモデル４４１と低剛性部位学習済みモデル４４２を、図４に示す後述する学習済みモデル記憶部５３に格納する。

【0050】

７．推定処理装置５の構成
推定処理装置５は、図４に示すように、機械状態データ取得部５１、特徴量抽出部５２、学習済みモデル記憶部５３、高剛性部位表面粗さ推定部５４、低剛性部位表面粗さ推定部５５、推定結果表示部５６、研削条件調整部５７を備える。

【0051】

機械状態データ取得部５１は、工作物Ｗの加工部位のうち高剛性部位３１、３２、３８、３９の機械状態データを取得する。機械状態データは、上述の訓練データ取得部４１の取得する機械状態データと同一である。

【0052】

特徴量抽出部５２は、機械状態データ取得部５１により取得された機械状態データから特徴量を抽出する。特徴量抽出部５２により抽出する特徴量は、学習処理装置４において、機械状態データから抽出した特徴量と同種のものとする。学習済みモデル記憶部５３は、上述の高剛性部位学習済みモデル４４１と低剛性部位学習済みモデル４４２を記憶する。

【0053】

高剛性部位表面粗さ推定部５４は、後に詳述するように、特徴量抽出部５２により抽出された高剛性部位３１、３２、３８、３９における特徴量を説明変数として、高剛性部位学習済みモデル４４１（Ｍ１、Ｍ２、Ｍ８、Ｍ９）を用いて目的変数としての高剛性部位３１、３２、３８、３９の表面粗さを推定する。

【0054】

低剛性部位表面粗さ推定部５５は、後に詳述するように、特徴量抽出部５２により抽出された高剛性部位３１、３２、３８、３９における特徴量を説明変数として、低剛性部位学習済みモデル４４２（Ｍ３～Ｍ７）を用いて目的変数としての低剛性部位３３～３７の表面粗さを推定する。

【0055】

推定結果表示部５６は、高剛性部位表面粗さ推定部５４及び低剛性部位表面粗さ推定部５５の推定結果を表示する。研削条件調整部５７は、高剛性部位表面粗さ推定部５４及び低剛性部位表面粗さ推定部５５の推定結果に基づいて、次回以降の工作物Ｗの加工条件を調整する。

【0056】

８．表面粗さの推定
以下に、工作物Ｗの加工部位３１～３９における研削加工後の表面粗さの推定について、図８を参照して説明する。まず、図８に示すステップＳ１１において、工作物Ｗの高剛性部位３１、３２、３８、３９の研削加工を行う。そして、ステップＳ１２において、機械状態データ取得部５１により、高剛性部位３１、３２、３８、３９の荒加工工程における機械状態データを取得する。本実施形態では、上述の通り、機械状態データは砥石軸動力データである。その後、ステップＳ１３において、特徴量抽出部５２により、特徴量として機械状態データ取得部５１が取得した砥石軸動力データの最大値を抽出する。

【0057】

次いで、ステップＳ１４において、特徴量抽出部５２により抽出した特徴量を説明変数として高剛性部位学習済みモデル４４１（Ｍ１、Ｍ２、Ｍ８、Ｍ９）に入力して目的変数である高剛性部位３１、３２、３８、３９の表面粗さを推定する。より詳細には、第１円板部３１の機械状態データに基づく特徴量を第１学習済みモデルＭ１に入力して、第１円板部３１の表面粗さの推定結果を得る。また、同様に第２円板部３２の機械状態データに基づく特徴量を第２学習済みモデルＭ２に入力して、第２円板部３２の表面粗さの推定結果を得る。また、同様に第８円板部３８の機械状態データに基づく特徴量を第８学習済みモデルＭ８に入力して、第８円板部３８の表面粗さの推定結果を得る。また、同様に第９円板部３９の機械状態データに基づく特徴量を第９学習済みモデルＭ９に入力して、第９円板部３９の表面粗さの推定結果を得る。

【0058】

また、上記ステップＳ１４と並行してステップＳ１５において、特徴量抽出部５２により抽出した特徴量を説明変数として低剛性部位学習済みモデル４４２（Ｍ３～Ｍ７）に入力して目的変数である低剛性部位３３～３７の表面粗さを推定する。より詳細には、第２円板部３２の機械状態データに基づく特徴量を第３学習済みモデルＭ３に入力して、第３円板部３３の表面粗さの推定結果を得る。また、同様に第２円板部３２の機械状態データに基づく特徴量を第４学習済みモデルＭ４に入力して、第４円板部３４の表面粗さの推定結果を得る。

【0059】

さらに、第８円板部３８の機械状態データに基づく特徴量を第５学習済みモデルＭ５に入力して、第５円板部３５の表面粗さの推定結果を得る。また、同様に第８円板部３８の機械状態データに基づく特徴量を第６学習済みモデルＭ６に入力して、第６円板部３６の表面粗さの推定結果を得る。また、同様に第８円板部３８の機械状態データに基づく特徴量を第７学習済みモデルＭ７に入力して、第７円板部３７の表面粗さの推定結果を得る。

【0060】

その後、ステップＳ１６において、ステップＳ１４及びステップＳ１５で得られた第１～第９円板部３１～３９の表面粗さの推定結果を推定結果表示部５６に出力して表示する。さらに、ステップＳ１７において、研削条件調整部５７により当該推定結果に基づいて研削条件の調整を行う。そして、当該表面粗さの推定及び研削条件の調整のフローを終了する。

【0061】

９．推定結果の検証
本実施形態１の表面粗さの推定結果と、表面粗さの実測値とを比較して推定精度の検証を行い、その結果を図９に示した。なお、比較形態として、低剛性部位学習済みモデル４４２（Ｍ３～Ｍ７）についても、高剛性部位学習済みモデル４４１（Ｍ１、Ｍ２、Ｍ８、Ｍ９）と同様に、当該低剛性部位３３～３７の機械情報データから抽出したそれぞれの特徴量を用いて、それぞれの低剛性部位学習済みモデルＭ３～Ｍ７を作成して表面粗さの推定を行い、実測値と比較して推定精度を算出した。

【0062】

なお、当該検証において、実測値と推定結果の相関係数（０～１良い）を推定精度として評価する。なお、高剛性部位３１、３２、３８、３９については、実施形態１と比較形態とは同一の学習済みモデルに基づいた推定結果であるため、推定精度は同一となっている。

【0063】

図９に示すように、低剛性部位３３、３４において実施形態１の推定精度は比較形態に対して向上しており、低剛性部位３５～３７においても実施形態１の推定精度は比較形態と同等か若干向上していた。そのため、実施形態１の推定精度は、比較形態に比べて同程度以上であることが検証できた。

【0064】

１０．実施形態１における作用効果
本実施形態１によれば、研削盤２では、工作物Ｗの複数の加工部位３１～３９のうち高剛性部位３１、３２、３８、３９の研削加工を、低剛性部位３３～３７の研削加工よりも優先して行う。そのため、高剛性部位３１、３２、３８、３９の研削加工時の機械状態データは、低剛性部位３３～３７の研削加工を行う前に取得することができる。そして、低剛性部位３３～３７の表面粗さを推定するための低剛性部位学習済みモデル４４２は、説明変数として高剛性部位３１、３２、３８、３９を研削加工したときの機械状態データに基づく特徴量を入力することにより、目的変数である低剛性部位３３～３７の表面粗さの推定結果を得ることができる。従って、低剛性部位３３～３７の研削加工時の機械状態データを取得することなく、低剛性部位３３～３７の表面粗さを推定できる。これにより、低剛性部位３３～３７の研削加工時の機械状態データの演算処理が不要となるため、計算負荷を大幅に低減でき、早期に推定結果を取得できる。

【0065】

そして、低剛性部位３３～３７の研削加工の実行中に、既に取得された高剛性部位３１、３２、３８、３９の研削加工時の機械状態データを、高剛性部位学習済みモデル４４１及び低剛性部位学習済みモデル４４２に入力することにより、高剛性部位３１、３２、３８、３９及び低剛性部位３３～３７の加工後の表面粗さの推定を行うことにより、工作物Ｗの加工を順次行う場合に、次回の工作物Ｗの加工開始までに今回の工作物Ｗにおける高剛性部位３１、３２、３８、３９及び低剛性部位３３～３７の両方における表面粗さの推定結果を得ることができ、今回の加工工程の完了を待つことなく、今回の推定結果を次回の工作物Ｗの加工に反映させることができる。その結果、研削加工の品質向上に寄与できる。

【0066】

さらに、加工部位３１～３９のうち、高剛性部位３１、３２、３８、３９は相対的に剛性が高いため、研削加工中に生じる撓みに起因する流れ込み現象が生じにくい。そのため、研削加工時の機械状態データに基づいて表面粗さを高精度に推定しやすい。そして、低剛性部位３３～３７の表面粗さを推定するための学習済みモデルＭ３～Ｍ７として、高剛性部位３１、３２、３８、３９の研削加工時の機械状態データに基づく特徴量を説明変数とする学習済みモデルを用いることにより、低剛性部位３３～３７の研削加工時の機械状態データは使用しないようにすることで、推定精度の維持と計算負荷の低減との両立が図られている。

【0067】

また、本実施形態１では、工作物Ｗは、１つ又は複数の支持位置で支持されており、高剛性部位３１、３２、３８、３９とこれに最も近い支持位置３０ａ、３０ｂとの距離は、低剛性部位３３～３７とこれに最も近い支持位置３０ａ、３０ｂとの距離よりも短い。これにより、すべての高剛性部位３１、３２、３８、３９が、すべての低剛性部位３３～３７よりも少なくとも一つの支持位置３０ａ、３０ｂに近い位置あり、高剛性部位３１、３２、３８、３９は低剛性部位３３～３７よりも剛性が高いこととなる。

【0068】

また、本実施形態１では、工作物Ｗは円柱状又は円筒状をなしており、工作物Ｗの支持位置は、工作物Ｗにおける第１端部３０ａと、第１端部３０ａと反対側に位置する第２端部３０ｂとを含んでいる。そして、複数の加工部位３１～３９は、第１端部３０ａから第２端部３０ｂに向かう方向に配列しており、複数の加工部位３１～３９のうち、配列方向において、少なくとも両端に位置する第１加工部位３１及び第９加工部位３９は高剛性部位に含まれる。当該第１加工部位３１及び第９加工部位３９は、工作物Ｗの支持位置３０ａ、３０ｂに十分近いため、複数の加工部位３１～３９の中で相対的に高い剛性を有することとなる。

【0069】

また、本実施形態１では、機械状態データは、研削盤２における砥石車１６を回転駆動させる駆動装置の動力データであり、特徴量は、当該動力データの最大値を含む。動力データの最大値は加工状態と密接に関係しており、表面粗さへの影響が大きいため、これを特徴量として抽出することで、表面粗さの推定精度の向上を図ることができる。

【0070】

また、本実施形態１では、工作物Ｗを研削加工する加工工程は、相対的に研削能率が高い荒加工工程と相対的に研削能率が低い仕上げ加工工程とを含む。そして、機械状態データ取得部５１は、荒加工工程における機械状態データを取得する。加工部位３１～３９の表面粗さは研削能率の高い荒加工工程での研削加工の影響が受けやすいため、荒加工工程における機械状態データを用いることにより、表面粗さの推定精度の向上を図ることができる。

【0071】

また、本実施形態１では、工作物Ｗは、カムシャフトであるが、クランクシャフトとしてもよい。いずれの場合も本実施形態１の表面粗さ推定システム３ｂにより加工部位３１～３９の表面粗さを高精度に推定できる。

【0072】

また、本実施形態１の加工システム１は、表面粗さ推定システム３ｂ及び研削盤２と、高剛性部位表面粗さ推定部５４の推定結果と低剛性部位表面粗さ推定部５５の推定結果とに基づいて、研削盤２における研削条件を調整する研削条件調整部５７とを備える。これにより、加工部位３１～３９の表面粗さが良好となるように、研削盤２における研削条件を調整することができる。

【0073】

なお、本実施形態１では、一方の支持位置３０ａに近い側から２つの円板部３１、３２と、他方の支持位置３０ｂに近い側から２つの円板部３８、３９を高剛性部位とし、その他の円板部３３～３７を低剛性部位としたが、これに限定されず、演算負荷と表面粗さの推定精度とのバランスを考慮して高剛性部位及び低剛性部位を設定することができる。例えば、演算負荷をより低減したい場合は、一方の支持位置３０ａに最も近い円板部３１と、他方の支持位置３０ｂに最も近い円板部３９を高剛性部位とし、その他の円板部３２～３８を低剛性部位としてもよい。

【0074】

（変形形態１）
なお、本実施形態１では、機械状態データとして砥石軸動力データを取得することとしたが、これに替えて、振動センサ２１により取得した振動データを用いてもよい。この変形形態１の場合、学習済みモデルの作成において、図１０（ａ）に示すように、振動センサ２１に近い支持位置である第２端部３０ｂに最も近い加工部位である第９円板部３９のみを高剛性部位とし、その他の加工部位を低剛性部位３１～３８としている。

【0075】

そして、図１０（ｂ）～（ｅ）に示すように、機械状態データである振動データから第９円板部３９の研削加工に対応したデータを切り出し、特徴量を抽出し、図１０（ｅ）に示すように、すべての加工部位において、説明変数を第９円板部３９の研削加工時の機械状態データに基づく特徴量とし、目的変数を各加工部位３１～３９の表面粗さとした第１～第９学習済みモデルＭ１～Ｍ９を作成する。なお、当該変形形態では、特徴量は、振動データの砥石回転周波数の整数倍（５～１００倍、好ましくは８～２０倍）としている。そして、当該変形形態では、高剛性部位学習済みモデル４４１には第９学習済みモデルＭ９が含まれ、低剛性部位学習済みモデル４４２には第１～第８学習済みモデルＭ１～Ｍ８が含まれる。

【0076】

当該変形形態１での表面粗さの推定結果と、表面粗さの実測値とを比較して推定精度の検証を行い、その結果を図１１に示した。なお、比較形態は実施形態１の場合の検証と同様とし、推定精度も同様の方法で算出した。当該変形形態１においても比較形態の場合に比べて、同等の推定精度が得られることが検証できた。そして、当該変形形態１においても実施形態１の場合と同等の作用効果を奏する。

【0077】

（変形形態２）
本実施形態１の場合に替えて、図１２に示す変形形態２では、研削盤２がレスト装置６を備えている。レスト装置６は、工作物Ｗの中央位置にある第５円板部３５における砥石車１６と反対側部に接して工作物Ｗを滑り支持するように、研削盤２のベッド１１に設けられている。レスト装置６は、工作物Ｗが加工の際に砥石車１６から離れるように変形することを防止する。

【0078】

レスト装置６により工作物Ｗが支持されることで、工作物Ｗの両端３０ａ、３０ｂに加え、第５円板部３５の位置も支持位置となる。そのため、図１３（ａ）に示すように第５円板部３５は工作物Ｗにおいて高剛性部位となる。この変形形態２の場合、学習済みモデルの作成において、図１３（ａ）～（ｅ）に示すように、第３学習済みモデルＭ３は、実施形態１の場合と同様に、第２加工部位３２の機械状態データに基づく特徴量を説明変数とする学習モデルとし、第７学習済みモデルＭ７も、実施形態１の場合と同様に、第８加工部位３８の機械状態データに基づく特徴量を説明変数とする学習モデルとする。

【0079】

一方、第５学習済みモデルＭ５は、実施形態１の場合に替えて、第５学習済みモデルＭ５を第５加工部位３５の機械状態データに基づく特徴量を説明変数とする学習モデルとし、第４加工部位３４及び第６加工部位３６の学習済みモデルＭ４、Ｍ６も第５加工部位３５の機械状態データに基づく特徴量を説明変数とする学習モデルとする。その他の構成は実施形態１の場合と同様である。

【0080】

そして、図１２に示すレスト装置６を備える変形形態２の場合であっても、実施形態１の場合と同等の作用効果を奏することができる。

【0081】

以上のごとく、上記実施態様１及び変形形態１、２によれば、工作物Ｗを研削加工する研削装置２において、加工部位３１～３９の表面粗さの推定の計算負荷を低減して早期に推定結果を取得できる表面粗さ推定システム３ｂを提供することができる。

【符号の説明】

【0082】

１ 加工システム
２ 研削装置（研削盤）
３ｂ 推定システム
６ レスト装置
１６ 砥石車
２０ 検出部
２１ 振動センサ
２２ センサ
３０ａ 第１端部（支持位置）
３０ｂ 第２端部（支持位置）
３１、３２、３８、３９ 高剛性部位
３３～３７ 低剛性部位
４４１ 高剛性部位学習済みモデル
４４２ 低剛性部位学習済みモデル
５１ 機械状態データ取得部
５２ 特徴量抽出部
５３ モデル記憶部
５４ 高剛性部位表面粗さ推定部
５５ 低剛性部位表面粗さ推定部
５７ 研削条件調整部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】