特許 7015807 研削状態監視方法、研削状態監視プログラムおよび研削状態監視装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-01-26

(45)【発行日】2022-02-03

(54)【発明の名称】研削状態監視方法、研削状態監視プログラムおよび研削状態監視装置

(51)【国際特許分類】

   B24B 49/16 20060101AFI20220127BHJP

   B24B 19/12 20060101ALI20220127BHJP

   G05B 19/4155 20060101ALI20220127BHJP

【ＦＩ】

B24B49/16

B24B19/12 C

G05B19/4155 V

【請求項の数】 20

(21)【出願番号】P 2019126531

(22)【出願日】2019-07-05

(65)【公開番号】P2021010980

(43)【公開日】2021-02-04

【審査請求日】2021-04-12

【早期審査対象出願】

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(73)【特許権者】

【識別番号】000005348

【氏名又は名称】株式会社ＳＵＢＡＲＵ

(74)【代理人】

【識別番号】110002147

【氏名又は名称】特許業務法人酒井国際特許事務所

(72)【発明者】

【氏名】山本 達也

(72)【発明者】

【氏名】大庭 卓

(72)【発明者】

【氏名】田島 滉太

(72)【発明者】

【氏名】若杉 諒介

(72)【発明者】

【氏名】石脇 健太

【審査官】須中 栄治

(56)【参考文献】

【文献】特開２０１７－０９７８３９（ＪＰ，Ａ）

【文献】特開２０１８－１０６５６２（ＪＰ，Ａ）

【文献】特開２０１８－００１３０１（ＪＰ，Ａ）

【文献】特許第５９８５１２４（ＪＰ，Ｂ１）

【文献】特開２０００－２８８８９５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２４Ｂ１／００－１／０４

Ｂ２４Ｂ９／００－１９／２８

Ｂ２４Ｂ４１／００－５１／００

Ｇ０５Ｂ１９／１８－１９／４１６

Ｇ０５Ｂ１９／４２－１９／４６

(57)【特許請求の範囲】

【請求項1】

コンピュータが、
研削砥石を用いて、円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの動力値の推移を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得し、
前記第１情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第１動力値を特定し、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成する
処理を実行することを特徴とする研削状態監視方法。

【請求項2】

コンピュータが、
研削砥石を用いて、複数の研削対象物の研削を行ったときの動力値の推移を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得し、
前記第１情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第１動力値を特定し、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成する、
処理を実行し、
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視方法。

【請求項3】

前記第１情報に基づいて、前記研削砥石が前記複数の研削対象物の研削を行わない状態における前記動力値である第２動力値を特定し、
前記第１動力値から、前記第２動力値を除外した第３動力値を算出する、処理を前記コンピュータが実行し、
前記品質予測モデルを生成する処理において前記コンピュータは、前記第３動力値と前記第２情報とに基づいて、前記品質予測モデルを生成することを特徴とする請求項１又は２に記載の研削状態監視方法。

【請求項4】

前記第１情報に基づき、研削の仕上げを行う状態における前記動力値である第４動力値を特定する、処理を前記コンピュータが実行し、
前記品質予測モデルを生成する処理において前記コンピュータは、前記第４動力値と前記第２情報とに基づいて、前記品質予測モデルを生成することを特徴とする請求項１乃至３何れか一項に記載の研削状態監視方法。

【請求項5】

前記品質予測モデルを生成する処理において前記コンピュータは、前記第１動力値の最小値、最大値及び平均値のうち少なくとも一つを説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成することを特徴とする請求項１乃至４何れか一項に記載の研削状態監視方法。

【請求項6】

前記品質予測モデルを生成する処理において前記コンピュータは、前記第１動力値および前記研削砥石の径を説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成することを特徴とする請求項１乃至５何れか一項に記載の研削状態監視方法。

【請求項7】

前記品質予測モデルを生成する処理において前記コンピュータは、前記第１動力値および前記研削対象物の前記ベース円の径を説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成することを特徴とする請求項２に記載の研削状態監視方法。

【請求項8】

前記品質予測モデルを生成する処理において前記コンピュータは、前記第１動力値および前記研削対象物の回転数を説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成することを特徴とする請求項１乃至７何れか一項に記載の研削状態監視方法。

【請求項9】

前記動力値は、前記研削砥石の駆動に要する電流値であることを特徴とする請求項１乃至８何れか一項に記載の研削状態監視方法。

【請求項10】

コンピュータに、
研削砥石を用いて、円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの動力値を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得し、
前記第１情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第１動力値を特定し、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成する
処理を実行させることを特徴とする研削状態監視プログラム。

【請求項11】

コンピュータに、
研削砥石を用いて、複数の研削対象物の研削を行ったときの動力値の推移を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得し、
前記第１情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第１動力値を特定し、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成する、
処理を実行させ、
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視プログラム。

【請求項12】

前記品質予測モデルを生成する処理において、前記第１動力値および前記研削対象物の前記ベース円の径を説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成する処理をコンピュータに実行させることを特徴とする請求項１１に記載の研削状態監視プログラム。

【請求項13】

前記品質予測モデルを生成する処理において、前記第１動力値および前記研削対象物の回転数を説明変数、前記第２情報を目的変数として、前記品質予測モデルを生成する処理をコンピュータに実行させることを特徴とする請求項１０乃至１２何れか一項に記載の研削状態監視プログラム。

【請求項14】

前記動力値は、前記研削砥石の駆動に要する電流値であることを特徴とする請求項１０乃至１３何れか一項に記載の研削状態監視プログラム。

【請求項15】

研削砥石を用いて複数の研削対象物の研削を行う研削加工機と、
円筒状であって互いに共通する形状を有する共通部分を有する複数の研削対象物の研削を行ったときの前記研削加工機の動力値の推移を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得する取得部と、
前記第１情報に基づき、前記複数の研削対象物の前記共通部分を研削したときの前記動力値である第１動力値を特定する特定部と、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成するモデル生成部と
を有することを特徴とする研削状態監視装置。

【請求項16】

研削砥石を用いて複数の研削対象物の研削を行う研削加工機と、
前記複数の研削対象物の研削を行ったときの前記研削加工機の動力値の推移を示す第１情報と、前記複数の研削対象物の品質を示す第２情報とを取得する取得部と、
前記第１情報に基づき、前記複数の研削対象物間で共通する形状を有する共通部分を研削したときの前記動力値である第１動力値を特定する特定部と、
前記第１動力値と前記第２情報とに基づいて、品質予測モデルを生成するモデル生成部と
を有し、
前記複数の研削対象物の各々はカムシャフトであり、前記共通部分は前記カムシャフトのベース円の部分であることを特徴とする研削状態監視装置。

【請求項17】

前記動力値は、前記研削砥石の駆動に要する電流値であることを特徴とする請求項１５または１６に記載の研削状態監視装置。

【請求項18】

前記複数の研削対象物は、形状が互いに相違する非共通部分を更に有することを特徴とする請求項１又は２に記載の研削状態監視方法。

【請求項19】

前記複数の研削対象物は、形状が互いに相違する非共通部分を更に有することを特徴とする請求項１０又は１１に記載の研削状態監視プログラム。

【請求項20】

前記複数の研削対象物は、形状が互いに相違する非共通部分を更に有することを特徴とする請求項１５または１６に記載の研削状態監視装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、研削状態監視方法、研削状態監視プログラムおよび装置に関する。

【背景技術】

【0002】

自動車などの製造業では、研削砥石を高速で回転させ、カムシャフトなどの研削対象物を示すワークを研削する研削加工を行うことにより、品質を一定に保つことが行われている。研削を繰り返すことで、研削砥石の目潰れやバランスが低下し、研削されたワークの品質の低下に繋がることから、品質を一定に保つために、研削砥石のドレッシングが定期的に行われる。

【0003】

一般的に、研削砥石のドレスタイミングは、作業員の経験や作業員の試行錯誤により、ある一定の研削回数で設定されている。近年では、研削砥石を回転させる回転用モータの負荷電流値が閾値を越えた場合に、切れ味低下など研削砥石の状態が悪化したと判定し、ドレッシングを行う技術が知られている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０００－２６３４３７号公報

【文献】特開２００９－００６４５６号公報

【文献】特開昭５１－０５００８３号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、各ワークの研削表面が同じ状態であっても、研削砥石を回転させる研削時の負荷電流値はばらつきをもつため、研削砥石の表面の粗さを精度よく予測することが難しい。

【0006】

なお、ドレスタイミングの判定が不正確になると、品質が低下していない研削砥石をドレッシングしたり、品質が低下した研削砥石で研削加工を継続して行う状態が発生する。この結果、不要なドレッシングに伴うドレッシングのコスト増大や研削砥石の寿命の低下や、研削されたワークの品質低下にも繋がる。

【0007】

一つの側面では、研削品質の予測精度を向上させることができる研削状態監視方法、研削状態監視プログラムおよび装置を提供することを目的とする。

【課題を解決するための手段】

【0008】

第１の案では、研削状態監視方法は、コンピュータが、研削砥石を用いて研削対象物の研削を行ったときの前記研削砥石を駆動させた動力値の推移と研削対象物の品質を示す情報とを取得する処理を実行する。研削状態監視方法は、コンピュータが、前記動力値の推移から、前記研削砥石が研削対象とする複数の研削対象物の共通部分を研削したときの動力値である共通部分の動力値を抽出する処理を実行する。研削状態監視方法は、コンピュータが、前記共通部分の動力値と前記研削対象物の品質を示す情報とに基づくデータを用いて、研削状態を予測する品質予測モデルを生成する処理を実行する。

【発明の効果】

【0009】

一実施形態によれば、研削品質の予測精度を向上させることができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施例１にかかる研削装置の全体構成を説明する図である。

【図2】図２は、実施例１にかかる研削品質予測装置を説明する図である。

【図3】図３は、実施例１にかかる研削品質予測装置の機能構成を示す機能ブロック図である。

【図4】図４は、研削データの一例を説明する図である。

【図5】図５は、動力値の推移データを説明する図である。

【図6】図６は、学習用のデータの一例を説明する図である。

【図7】図７は、ベース円を研削するタイミングの特定を説明する図である。

【図8】図８は、各プロセスの判定を説明する図である。

【図9】図９は、ベース円の研削時の動力値を用いた学習用のデータの生成例を説明する図である。

【図10】図１０は、精研プロセスと微研プロセスの動力値を用いた学習用のデータの生成例を説明する図である。

【図11】図１１は、空研プロセス時の動力値を除外した学習用のデータの生成例を説明する図である。

【図12】図１２は、品質予測モデルの学習を説明する図である。

【図13】図１３は、学習処理の流れを示すフローチャートである。

【図14】図１４は、予測処理の流れを示すフローチャートである。

【図15】図１５は、研削砥石の直径を学習用のデータに利用する例を説明する図である。

【図16】図１６は、カムシャフトの直径や回転数を学習用のデータに利用する例を説明する図である。

【図17】図１７は、ハードウェア構成例を説明する図である。

【発明を実施するための形態】

【0011】

以下に、本願の開示する研削状態監視方法、研削状態監視プログラムおよび装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

【実施例1】

【0012】

［全体構成］
図１は、実施例１にかかる研削装置の全体構成を説明する図である。図１に示すように、研削装置は、研削加工機１と研削品質予測装置１０とがネットワークＮを介して相互に通信可能に接続される。なお、ネットワークＮは、有線や無線を問わず、インターネットや専用線などの各種通信網を採用することができる。

【0013】

研削加工機１は、研削対象であるワークの研削を実行して、所望の品質のワークを生成する装置である。具体的には、研削加工機１は、研削砥石２を駆動させて、ワークの一例であるカムシャフト３の研削を実行する。また、研削加工機１は、ドレス装置４を用いて研削砥石２のドレッシングを定期的に行うことで、品質を保証する。

【0014】

研削品質予測装置１０は、研削加工機１の研削過程や研削対象物の品質を示す情報を取得し、研削品質の予測を行うコンピュータ装置の一例である。具体的には、研削品質予測装置１０は、研削砥石２を駆動や回転させる動力値を示す砥石軸動力値（以下では、単に動力値と記載する場合がある）と、研削後のカムシャフト３の品質との関係性を入力として品質予測モデルを学習する。その後、研削品質予測装置１０は、学習後の品質予測モデルを用いて研削砥石２の状態を予測して、ドレッシングタイミングの指標をユーザ等に出力する。

【0015】

一般的に、研削加工を実施する場合、被研削物の仕様情報は研削加工機１へプログラミングされている。そして、加工する前に研削加工機は被研削物の型式を確認し、それぞれに合わせた仕様に合わせた加工を実施する。例えば、カムシャフト３を研削する場合、カムシャフト３に記載された型式情報を事前に読み取り、読み込んだ仕様になるよう、研削加工を実施する。カムシャフト３の断面を図１に示す。研削加工中は、カムシャフト３は加工機にクランプして固定され、回転動作を実行する。回転動作するカムシャフト３に対して、研削砥石２はアプローチする。アプローチは、研削プロセスに従い、切り込み量を一定に保ちながら、カムシャフト３へアプローチし、研削を実施する。研削砥石２は、カムシャフトベース円（図１のカムシャフト３の太線の箇所）、トップ、リフト部の形状に合わせながら座標を制御しながら研削を実施する。

【0016】

このように、研削加工機１では、１種類のカムシャフト３に対してのみ連続的に研削を行うわけでなく、型式などの研削条件が異なるカムシャフト３に対して研削を行う。また、各型式により研削砥石２の動力値が異なることから、型式ごとに品質予測モデルを学習することも考えられる。しかし、型式は、膨大な数となるので、すべての研削条件に対応した品質予測モデルを学習することは、現実的ではない。

【0017】

そこで、実施例１の研削品質予測装置１０は、型式に依存せず、同形状であることが多いカムシャフト３のベース円部分の研削に着目する。つまり、研削品質予測装置１０は、各カムシャフト３の研削品質を示す情報から、ベース円部分を研削したときの動力値を学習用のデータに用いることで、型式に依存しない品質予測モデルを生成する。

【0018】

［研削品質予測装置１０の説明］
図２は、実施例１にかかる研削品質予測装置１０を説明する図である。図２に示すように、研削品質予測装置１０は、学習フェーズと予測フェーズとを実行する。なお、実施例１では、研削品質予測装置１０が両方のフェーズを実行する例で説明するが、これに限定されるものではなく、各フェーズを別々の装置で実行することもできる。

【0019】

図２に示すように、学習フェーズでは、研削品質予測装置１０は、研削加工機１から取得した設備データに含まれる砥石動力値の推移と、品質データである研削後のカムシャフト３の粗さ品質値とを取得する。そして、研削品質予測装置１０は、砥石動力値からベース円部分を研削時の砥石動力値を抽出する。その後、研削品質予測装置１０は、ベース円部分の砥石動力値と対応する粗さ品質値とを学習用のデータに用いて機械学習を実行して、品質予測モデルを生成する。

【0020】

予測フェーズでは、研削品質予測装置１０は、研削加工機１から取得した砥石動力値のうち、学習時と同条件であるベース円部分の砥石動力値を抽出する。そして、研削品質予測装置１０は、抽出した砥石動力値を、学習済みの品質予測モデルに入力する。その後、研削品質予測装置１０は、学習済みの品質予測モデルの出力結果として、粗さ品質予測値を取得する。

【0021】

このように、実施例１にかかる研削品質予測装置１０は、様々な型式のカムシャフト３それぞれに対して研削砥石２で研削を行ったときの各砥石動力値の推移と、各カムシャフト３の研削品質を示す情報とを取得する。そして、研削品質予測装置１０は、各砥石動力値の推移から、各カムシャフト３の共通部分を研削したときの動力値である部分動力値を抽出する。その後、研削品質予測装置１０は、部分動力値と研削品質を示す情報とに基づく学習用のデータを用いて、研削状態を予測する品質予測モデルを生成するので、研削品質の予測精度を向上させることができる。

【0022】

また、ユーザは、品質予測モデルの予測結果に基づき、研削砥石２の状態を把握することができるので、適切なタイミングで研削砥石２のドレッシングを行うことができる。

【0023】

［機能構成］
図３は、実施例１にかかる研削品質予測装置１０の機能構成を示す機能ブロック図である。図３に示すように、研削品質予測装置１０は、通信部１１、記憶部１２、制御部２０を有する。

【0024】

通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、研削加工機１から動力値に関する各種データを受信し、管理者などのユーザが利用する端末に予測結果を出力する。

【0025】

記憶部１２は、各種データや制御部２０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。この記憶部１２は、研削データ１３、学習用のデータ１４、予測対象データ１５、予測結果１６を記憶する。

【0026】

研削データ１３は、研削砥石２を駆動させたときの設備データと、そのときの研削により生成されたカムシャフト３の品質データとを対応付けて記憶する。具体的には、研削データ１３は、研削が完了したカムシャフトごとの設備データと品質データである。図４は、研削データ１３の一例を説明する図である。図４に示すように、研削データ１３は、設備データとしての動力値と、品質データとしての粗さ品質値とを対応付けて記憶する。

【0027】

ここで記憶される動力値は、カムシャフト３を研削したときの一連の研削処理における動力値の推移データであり、粗さ品質値は、研削完了後のカムシャフト３の算術平均粗さ（Ｒａ値）である。図４の例では、研削完了時のカムシャフト３の品質が「Ｒ値」であり、その時の動力値の推移が「ｘ０，ｘ１，ｘ２・・・」であったことを示す。なお、動力値は、研削加工機１のモータ等をモニタリングすることで取得することができ、粗さ品質値は、ユーザによって測定された値などが設定される。

【0028】

次に、設備データに設定される動力値の推移データについて説明する。図５は、動力値の推移データを説明する図である。図５に示すように、動力値の推移データは、研削開始から研削終了までに、研削砥石２を駆動および回転させるために出力された動力値の時間遷移を示したデータである。なお、図５の縦軸が動力値（Ａ：アンペア）、横軸が時間である。

【0029】

学習用のデータ１４は、品質予測モデルを学習するために利用されるデータであって、説明変数と目的変数から構成される複数のデータである。図６は、学習用のデータ１４の一例を説明する図である。図６に示すように、学習用のデータ１４は、「説明変数（動力値）、目的変数（粗さ品質値）」を対応付けたデータである。ここで、説明変数は、研削データ１３の設備データから抽出されたデータであり、目的変数は、研削データ１３の品質データから抽出されたデータである。図６の例では、説明変数が（ｘ，ｙ，ｚ・・・）、目的変数が（Ｒ）である学習用のデータを示している。

【0030】

予測対象データ１５は、品質の予測に使用するデータである。具体的には、予測対象データ１５は、後述する予測処理部４０により抽出された、状態を予測したい研削砥石２によりあるカムシャフト３のベース円を研削したときの動力値である。この予測対象データ１５は、学習済みの品質予測対象モデルに入力される。

【0031】

予測結果１６は、予測対象データ１５を学習済みの品質予測対象モデルに入力して得られた、学習済みの品質予測対象モデルからの出力結果である。例えば、予測結果１６は、算術平均粗さ（Ｒａ値）などが該当する。

【0032】

制御部２０は、研削品質予測装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、学習処理部３０と予測処理部４０を有する。なお、学習処理部３０と予測処理部４０は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。

【0033】

学習処理部３０は、研削結果取得部３１、データ生成部３２、学習部３３を有し、学習用のデータの生成や品質予測モデルの学習を実行する処理部である。

【0034】

研削結果取得部３１は、研削加工機１等から、各カムシャフト３の研削品質を示す情報を取得する処理部である。例えば、研削結果取得部３１は、カムシャフト３の研削の開始から終了まで、研削加工機１が研削砥石２を駆動させるモータをモニタリングし、研削時に発生した動力値を取得して、動力値の推移データを生成する。そして、研削結果取得部３１は、その時のカムシャフト３のＲａ値をユーザ等の入力により取得し、動力値の推移データとＲａ値とを対応付けて、記憶部１２に研削データ１３として格納する。このようにして、研削結果取得部３１は、カムシャフト３の研削が終了するたびに、研削データ１３を生成する。

【0035】

なお、ここでは、研削結果取得部３１が研削データを生成する例を説明したが、これに限定されるものではない。例えば、管理者などのユーザが動力値の推移データとＲａ値とを対応付けを生成し、そのデータを研削データ１３として用いることもできる。

【0036】

データ生成部３２は、研削データ１３から学習対象とする特徴量を抽出して、学習用のデータ１４を生成し、記憶部１２に格納する処理部である。具体的には、データ生成部３２は、研削データ１３からベース円を研削するタイミングを特定し、そのタイミングの動力値を用いて学習用のデータ１４を生成する。また、研削加工機１により研削処理は、様々なプロセスを経て、カムシャフト３の研削を実行することから、特定のプロセス時の動力値を用いることで、学習精度を向上させることができる。そこで、ここでは、ベース円研削時の特定、プロセスの特定、学習用のデータの生成を順に説明する。

【0037】

（１．ベース円研削時の特定）
まず、図７を用いて、ベース円研削時の特定について説明する。図７は、ベース円を研削するタイミングの特定を説明する図である。データ生成部３２は、研削加工機１から研削砥石２の座標（切込座標）を取得することにより、研削砥石２が研削するために、カムシャフト３へ切り込むタイミングを特定できる。

【0038】

研削工程において、研削処理が開始されると、カムシャフト３も回転し始める。そして、研削砥石２は、カムシャフト３のベース円が研削位置に到達したときにベース円に対する研削を実行し、ベース円が研削位置から外れるとベース円以外の研削を行う。

【0039】

例えば、図７に示すように、研削砥石２は、時間ｔ０で研削処理が開始されると、接触するカムシャフト３のトップ部分から研削を開始し、時間ｔ５でカムシャフト３のベース円が研削位置に到達すると、ベース円の研削を実行する。そして、研削砥石２は、カムシャフト３のベース円が研削位置に位置する時間ｔ８まで研削し、その後はベース円以外の部分の研削を実行する。つまり、研削砥石２は、時間ｔ５から時間ｔ８までの間だけ、カムシャフト３のベース円を研削する。

【0040】

ここで、研削開始時に、研削砥石２がカムシャフト３のトップ部分を研削する位置を基準とすると、研削砥石２の座標を示す砥石切込軸座標は、基準位置より低い位置（ｘ軸、ｙ軸、ｚ軸の値が小さい）となる。つまり、カムシャフト３のベース円に対して研削を行う時間ｔ５から時間ｔ８までの間、低い位置となる。したがって、図７に示すように、砥石切込軸座標（研削砥石２の位置）は、カムシャフト３のベース円を研削している間だけ小さい値（低い位置）となり、それ以外のタイミングは大きな値（高い位置）となり、研削処理の間、この遷移を繰り返す。

【0041】

したがって、データ生成部３２は、研削処理における砥石切込軸座標をモニタリングし、砥石切込軸座標が大きい値から小さい値へ繰り返す周期を特定し、その周期内の小さい位置（低い位置）をベース円の研削タイミングと特定する。

【0042】

なお、ここでは、一例として、基準位置がカムシャフト３よりも高い位置を例にして説明したが、逆の位置関係の場合には、上記周期も逆になるので、ベース円の研削タイミングも高い位置となる。

【0043】

（２．各プロセスの特定）
次に、図８を用いて、研削処理で発生する各プロセスの特定について説明する。一般的に、研削処理で発生する各プロセスは、空研プロセス、粗研プロセス、仕上げプロセス、スパークアウトプロセスに区別され、この順でプロセスが遷移する。

【0044】

例えば、空研プロセスは、研削対象物へアプローチする工程であり、カムシャフト３の研削を行わないプロセスである。粗研プロセスは、空研プロセスの次のプロセスであり、目標の品質に向かって全体的に粗い研削を実行する工程である。仕上げプロセスは、粗研プロセスの次の工程であり、目標の品質に向かって精密に研削を実行する工程であり、精研プロセスと微研プロセス等の各工程を有する。なお、仕上げプロセスの各状態の研削が研削品質に大きな影響を与える。スパークアウトプロセスは、切込量が０で、ひずみを取る工程である。

【0045】

例えば、データ生成部３２は、研削砥石２がカムシャフト３を研削するために切り込むときの切込み量により、研削データ１３等から各プロセスを判定することができる。図８は、各プロセスの判定を説明する図である。図８には、研削の開始から終了までの砥石軸動力（動力値）の遷移と、砥石軸座標（研削砥石２位置）の遷移とが図示されている。

【0046】

図８に示すように、データ生成部３２は、砥石切込軸座標の周期を特定し、各周期で閾値以下の座標値をベース円研削タイミングと特定する。図８の例では、データ生成部３２は、周期Ｆの場合、Ｑをベース円研削タイミングと特定する。そして、データ生成部３２は、各周期のベース円研削タイミングにおける最小値と最大値の差を切り込み量として算出し、この切り込み量の大きさに基づき各プロセスを特定する。

【0047】

例えば、プロセスの初期段階程、研削砥石２がカムシャフト３へ切り込む量も大きくなる。なお、空研プロセス時も、カムシャフト３への切込を行うものの研削は行わない。これらを考慮して、閾値を設定することで、切り込み量の大きさに基づき各プロセスを特定することができる。

【0048】

具体例を挙げると、データ生成部３２は、切り込み量が第１の閾値以上であれば空研プロセス、第１の閾値未満かつ第２の閾値以上であれば粗研プロセス、第２の閾値未満かつ０以上であれば仕上げプロセス、０であればスパークアウトプロセスと判定する。なお、各閾値の関係は、第１の閾値＞第２の閾値＞０であり、値は仕様等により任意に設定することができる。また、閾値をより細分化することにより、仕上げプロセスに含まれる精研プロセスおよび微研プロセスを区別することができ、その場合には、精研の切り込み量が微研の切り込み量より大きいとして判定する。

【0049】

このようにして、データ生成部３２は、研削砥石２の座標からベース円の研削タイミングを抽出し、ベース円の研削タイミング時の切り込み量と各閾値とを比較して、各プロセスのタイミングを特定する。図８の例では、データ生成部３２は、研削開始から時間Ｔ１までを空研プロセス、時間Ｔ１か時間Ｔ２までを粗研プロセス、時間Ｔ２から時間Ｔ３までを精研プロセス、時間Ｔ３から時間Ｔ４までを微研プロセス、時間Ｔ４から時間Ｔ５までをスパークアウトプロセスと特定する。なお、実施例１では、図面上において空研のようにプロセスを略して表記する。

【0050】

（３．学習用のデータの生成）
次に、学習用のデータの生成について具体的に説明する。学習用のデータの生成は、ベース円の研削時の動力値を用いた手法、ベース円の研削時のうち仕上げプロセスの動力値のみを用いた手法、ベース円の研削時の動力値から空研プロセス時の動力値を除外する手法、またこれらの組み合わせにより生成することができる。ここでは、それぞれの手法について具体的に説明する。

【0051】

（３－１．ベース円の研削時の動力値を用いた手法）
まず、図９を用いて、ベース円の研削時の動力値を用いた手法について説明する。ここでは、カムシャフト３の型式に依存せず、被研削物の仕様と研削条件が共通のタイミングの動力値を特徴量として抽出することで、学習精度を向上させることができる例を説明する。

【0052】

図９は、ベース円の研削時の動力値を用いた学習用のデータの生成例を説明する図である。図９に示すように、データ生成部３２は、上述した手法により、研削データからベース円研削時（Ａ１からＡｎ（ｎは自然数））および各プロセスのタイミングを特定する。

【0053】

続いて、データ生成部３２は、ベース円研削時（Ａ１からＡｎ）に対応する動力値の範囲（Ａ１´，Ａ２´，・・・，Ａｎ´）を特定する。そして、データ生成部３２は、特定した各動力値を用いて学習用のデータを生成する。

【0054】

例えば、データ生成部３２は、ベース円研削時Ａ１に対応する動力値の範囲Ａ１´から最小値１、平均値１、最大値１を算出し、ベース円研削時Ａ２に対応する動力値の範囲Ａ２´から最小値２、平均値２、最大値２を算出する。このようにして、データ生成部３２は、各動力値の範囲（Ａ１´，Ａ２´，・・・，Ａｎ´）に対応する最小値、平均値、最大値を算出する。その後、データ生成部３２は、算出した各値を並べた［最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，・・・，最小値ｎ，平均値ｎ，最大値ｎ］に、元となった研削データに対応付けられる品質データ［Ｒ］とを組み合わせた学習用のデータを生成する。

【0055】

すなわち、データ生成部３２は、［説明変数，目的変数］＝［（最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，・・・，最小値ｎ，平均値ｎ，最大値ｎ），Ｒ］とする学習用のデータ１４を生成して記憶部１２に格納する。このようにして、データ生成部３２は、収集された各研削データ１３のそれぞれから、学習用のデータ１４を生成することができるので、型式に依存せず、学習精度を向上させることができる。

【0056】

（３－２．仕上げプロセスの動力値を用いた手法）
次に、仕上げプロセスの動力値を用いた手法について説明する。ここでは、研削品質への影響が大きい仕上げプロセスの動力値を抽出することで、研削砥石２の品質を正確に判断できる例を説明する。

【0057】

図１０は、精研プロセスと微研プロセスの動力値を用いた学習用のデータの生成例を説明する図である。図１０に示すように、データ生成部３２は、上述した手法により、ベース円研削時のうち仕上げプロセス（Ｂ１，Ｂ２，Ｂ３）を特定する。

【0058】

続いて、データ生成部３２は、仕上げプロセス（Ｂ１，Ｂ２，Ｂ３）に対応する動力値の範囲（Ｂ１´，Ｂ２´，Ｂ３´）を特定する。そして、データ生成部３２は、特定した各動力値を用いて学習用のデータを生成する。

【0059】

例えば、データ生成部３２は、仕上げプロセス時Ｂ１に対応する動力値の範囲Ｂ１´から最小値１、平均値１、最大値１を算出する。同様に、データ生成部３２は、仕上げプロセス時Ｂ２に対応する動力値の範囲Ｂ２´から最小値２、平均値２、最大値２を算出する。また、データ生成部３２は、仕上げプロセス時Ｂ３に対応する動力値の範囲Ｂ３´から最小値３、平均値３、最大値３を算出する。

【0060】

その後、データ生成部３２は、算出した各値を並べた［最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，最小値３，平均値３，最大値３］に、元となった研削データに対応付けられる品質データ［Ｒ］とを組み合わせた学習用のデータを生成する。

【0061】

すなわち、データ生成部３２は、［説明変数，目的変数］＝［（最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，最小値３，平均値３，最大値３），Ｒ］とする学習用のデータを生成して、学習用のデータ１４として記憶部１２に格納する。このようにして、データ生成部３２は、収集された各研削データ１３のそれぞれから、学習用のデータ１４を生成するので、最も品質に影響を与える仕上げプロセスの特徴量によってモデルを学習することができ、学習精度をさらに向上させることができる。

【0062】

（３－３．空研時の動力値を除外する手法）
次に、図１１を用いて、空研時の動力値を除外する手法について説明する。上述した砥石軸動力値は、砥石を回転させるための電流値（Ａ）である。通常、研削加工においては、加工中の研削砥石２の回転数を一定にする制御を実施する。そして、何らかの影響により研削砥石２の回転数が落ちそうになる際に、砥石軸動力値を増加させ、設定された回転数へ戻す制御が実行される。すなわち、砥石軸動力値は研削砥石２の回転成分に対する抵抗要素として考えることができる。

【0063】

研削砥石２の回転数が変化する要素は、大きく二つある。（１）研削砥石２とワークが接触する際の抵抗要素、（２）研削砥石２を回転させる際の抵抗要素である。研削加工におけるワーク品質は、砥石表面の状態の品質であり、研削中の研削抵抗が大きく寄与することが知られている。しかし、単に研削加工中の砥石軸動力値を取得するだけでは、研削砥石２を回転させる際の抵抗要素が含まれる。そのため、空研プロセス時の砥石軸動力値を取得し、研削加工中の砥石軸動力値から、空研時の砥石軸動力値を差し引くことで、研削砥石２とワークが接触する際の抵抗要素のみ抽出することが可能となる。そこで、ここでは、空研プロセス時の砥石軸動力値を除外した砥石軸動力値を抽出することで、研削品質に大きく寄与する特徴量を学習し、研削品質を保証する例を説明する。

【0064】

図１１は、空研プロセス時の動力値を除外した学習用のデータの生成例を説明する図である。図１１に示すように、データ生成部３２は、上述した手法により、研削データから空研プロセス時と仕上げプロセス（精研、微研）のタイミングを特定する。

【0065】

続いて、データ生成部３２は、空研プロセス時のタイミング（Ｃ１からＣｎ）に対応する動力値の範囲（Ｃ１´，・・・，Ｃｎ´）を特定する。同様に、データ生成部３２は、仕上げプロセス（Ｂ１，Ｂ２，Ｂ３）に対応する動力値の範囲（Ｂ１´，Ｂ２´，Ｂ３´）を特定する。そして、データ生成部３２は、仕上げプロセス時の動力値から、空研プロセス時の動力値を減算した値を用いて学習用のデータを生成する。

【0066】

例えば、データ生成部３２は、動力値の範囲Ｃ１´から最小値１、平均値１、最大値１を算出し、動力値の範囲Ｃ２´から最小値２、平均値２、最大値２を算出する。このようにして、データ生成部３２は、各動力値の範囲（Ｃ１´，・・・，Ｃｎ´）に対応する最小値、平均値、最大値を算出する。続いて、データ生成部３２は、各空研プロセス時の動力値の範囲（Ｃ１´，・・・，Ｃｎ´）から算出された各最小値、各平均値、各最大値を用いて、最小値の平均値（ｘａ）と平均値の平均値（ｙａ）と最大値の平均値（ｚａ）を算出する。

【0067】

そして、データ生成部３２は、仕上げプロセス時Ｂ１，Ｂ２，Ｂ３それぞれに対応する動力値の範囲から［最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，最小値３，平均値３，最大値３］を算出する。その後、データ生成部３２は、仕上げプロセス時の動力値［最小値１，平均値１，最大値１，最小値２，平均値２，最大値２，最小値３，平均値３，最大値３］から、最小値の平均値（ｘａ）と平均値の平均値（ｙａ）と最大値の平均値（ｚａ）を減算した動力値［最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ］を算出する。

【0068】

その後、データ生成部３２は、算出された動力値と元となった研削データに対応付けられる品質データ［Ｒ］とを組み合わせて、学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ），Ｒ］を生成する。

【0069】

このようにして、データ生成部３２は、最も品質に影響を与える仕上げプロセスの状態から、品質への影響が小さい空研プロセスの状態を除外した上でモデルを学習することができ、学習精度をさらに向上させることができる。

【0070】

（３－４．組み合わせ）
なお、上述した３－１から３－３の手法は、それぞれを独立して実行することもでき、任意に組み合わせることもできる。また、３－３の手法では、仕上げプロセスの動力値から空研プロセス時の動力時を除外する例を説明したが、３－１で得られたベース円研削時の各動力時から空研プロセス時の動力値を除外することもできる。

【0071】

図３に戻り、学習部３３は、学習用のデータ１４を用いて、品質予測モデルを生成する処理部である。図１２は、品質予測モデルの生成を説明する図である。図１２に示すように、学習部３３は、ニューラルネットワークなどを用いた品質予測モデルに学習用のデータ１４を入力し、品質予測モデルの出力結果を取得する。そして、学習部３３は、品質予測モデルの出力結果と学習用のデータの目的変数との誤差を算出し、この誤差が最小化するように品質予測モデルを生成する。

【0072】

例えば、学習部３３は、学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ），Ｒ］のうち、説明変数（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ）を品質予測モデルに入力して出力値を取得する。そして、学習部３３は、学習用のデータの目的変数（Ｒ）と出力値との誤差が小さくなるように、品質予測モデルを学習する。

【0073】

そして、学習部３３は、学習が完了すると、学習済みの品質予測モデルを学習結果として記憶部１２に格納する。なお、学習を完了するタイミングは、所定時間経過後、所定数の学習用のデータによる学習完了後、誤差が閾値以下となったときなど、任意に設定することができる。

【0074】

予測処理部４０は、取得部４１、抽出部４２、予測部４３を有し、学習済みの品質予測モデルを用いて、研削加工機１による研削の品質を予測する処理部である。

【0075】

取得部４１は、予測対象のデータを取得する処理部である。例えば、取得部４１は、品質予測モデルの完了後に、研削加工機１によって研削されたときの動力値を含む研削データを取得して、抽出部４２に出力する。

【0076】

抽出部４２は、予測対象の研削データから予測対象とする特徴量を抽出する処理部である。具体的には、抽出部４２は、データ生成部３２が学習用のデータを生成したときと同じ手法を用いて、予測対象の研削データから品質予測モデルに入力する特徴量（予測対象データ１５）を生成して、記憶部１２に格納する。

【0077】

例えば、抽出部４２は、データ生成部３２が上記３－１手法を用いて学習用のデータを生成した場合、同様の手法により、予測対象の研削データからベース円研削時の動力値を、予測対象データ１５として抽出する。また、抽出部４２は、データ生成部３２が上記３－３手法を用いて学習用のデータを生成した場合、同様の手法により、予測対象の研削データから仕上げプロセス時の動力値と空研時の動力値を抽出し、仕上げプロセス時の動力値から空研時の動力値を除外した予測対象データ１５を抽出する。

【0078】

予測部４３は、抽出部４２により抽出された予測対象データ１５と、学習済みの品質予測対象モデルとを用いて、研削加工機１による研削の品質を予測する処理部である。例えば、予測部４３は、記憶部１２から、学習済みの品質予測対象モデルを取得する。そして、予測部４３は、抽出部４２により抽出された予測対象データ１５を、学習済みの品質予測対象モデルに入力して出力を取得する。

【0079】

その後、予測部４３は、品質予測対象モデルからの出力を、予測結果として記憶部１２に格納したり、ディスプレイ等に表示したり、管理者などのユーザ端末に送信したりする。このように、予測処理部４０は、予測対象データ１５が発生して、記憶部１２に格納するたびに、予測を繰り返して実行する。

【0080】

［処理の流れ］
次に、研削品質予測装置１０が実行する各処理について説明する。ここでは、一例として、上記３－３の手法を用いた場合の学習処理と予測処理のそれぞれの流れについて説明する。

【0081】

（学習処理の流れ）
図１３は、学習処理の流れを示すフローチャートである。図１３に示すように、学習処理部３０は、学習処理の開始がユーザ等により指示されるまで待機し（Ｓ１０１）、処理開始が指示されると（Ｓ１０１：Ｙｅｓ）、記憶部１２から研削データ１３を取得する（Ｓ１０２）。

【0082】

続いて、学習処理部３０は、研削データ１３から動力値のデータを抽出し（Ｓ１０３）、抽出した動力値のデータから、ベース円研削タイミングおよび各プロセスを特定する（Ｓ１０４）。

【0083】

そして、学習処理部３０は、空研プロセスのおけるベース円研削時の動力値を抽出し（Ｓ１０５）、空研プロセスの動力値の平均値を算出する（Ｓ１０６）。また、学習処理部３０は、仕上げプロセスのおけるベース円研削時の動力値を抽出し（Ｓ１０７）、仕上げプロセスのおけるベース円研削時の動力値から空研プロセスの動力値の平均値を減算する（Ｓ１０８）。

【0084】

その後、学習処理部３０は、Ｓ１０７で得られた動力値と、研削データに含まれる品質データとを対応付けた学習用のデータを生成する（Ｓ１０９）。ここで、学習用のデータの生成を継続する場合（Ｓ１１０：Ｎｏ）、Ｓ１０２以降を繰り返す。

【0085】

一方、学習用のデータの生成が完了すると（Ｓ１１０：Ｙｅｓ）、学習処理部３０は、生成された学習用のデータを用いて品質予測モデルを学習し（Ｓ１１１）、学習が完了すると、学習結果を記憶部１２に格納する（Ｓ１１２）。

【0086】

（予測処理の流れ）
図１４は、予測処理の流れを示すフローチャートである。図１４に示すように、予測処理部４０は、予測処理の開始がユーザ等により指示されるまで待機し（Ｓ２０１）、処理開始が指示されると（Ｓ２０１：Ｙｅｓ）、記憶部１２から、学習済みの品質予測モデルを取得する（Ｓ２０２）。

【0087】

続いて、予測処理部４０は、記憶部１２や研削加工機１から予測対象の研削データを取得し（Ｓ２０３）、予測対象の研削データから、ベース円研削タイミングおよび各プロセスを特定する（Ｓ２０４）。

【0088】

そして、予測処理部４０は、空研プロセスのおけるベース円研削時の動力値を抽出し（Ｓ２０５）、空研プロセスの動力値の平均値を算出する（Ｓ２０６）。また、予測処理部４０は、仕上げプロセスのおけるベース円研削時の動力値を抽出し（Ｓ２０７）、仕上げプロセスの動力値から空研プロセスの動力値の平均値を減算して、予測対象データ１５を生成する（Ｓ２０８）。

【0089】

その後、予測処理部４０は、生成された予測対象データ１５を、学習済みの品質予測モデルに入力し（Ｓ２０９）、品質予測モデルの出力結果を取得して出力する（Ｓ２１０）。

【0090】

そして、予測処理部４０は、予測を継続する場合（Ｓ２１１：Ｎｏ）、Ｓ２０３以降が繰り返され、予測を終了する指示等を受け付けると（Ｓ２１１：Ｙｅｓ）、予測処理を終了する。

【0091】

［効果］
上述したように、研削品質予測装置１０は、複数のカムシャフト３それぞれに対して研削砥石２で研削を行ったときの研削砥石２を駆動させた各動力値の推移と、複数のカムシャフト３それぞれの研削品質を示す情報とを取得する。研削品質予測装置１０は、各動力値の推移から、複数のカムシャフト３の共通部分であるベース円を研削したときの動力値である動力値を抽出する。その後、研削品質予測装置１０は、抽出された動力値と研削品質を示す情報とに基づくデータを用いて、研削状態を予測する品質予測モデルを生成することができる。

【0092】

この結果、研削品質予測装置１０は、カムシャフト３の型式等に依存しない予測モデルを学習することができるので、研削品質の予測精度を向上させることができる。また、研削品質予測装置１０は、研削後のカムシャフト３の品質を予測することができるので、結果として、カムシャフト３を研削した研削砥石２の状態を予測することもできる。また、研削砥石２の状態を予測するができるので、管理者に依存することなく、ドレスタイミングを判定する共通の指標を提供することができる。また、ドレスタイミングを適切に判定することができるので、無用なドレッシングを抑制することができるとともに、品質保証の格上げも図ることができる。

【0093】

また、研削品質予測装置１０は、研削への影響が小さく空研プロセスの動力値を除外した特徴量を用いて、品質予測モデルを学習するので、品質予測モデルの予測精度を向上させることができる。また、研削品質予測装置１０は、品質への影響が大きい仕上げプロセスの動力値を特徴量として、品質予測モデルを学習するので、研削砥石２の品質を正確に判断できる予測結果を取得することができる。

【実施例2】

【0094】

ところで、実施例１で説明した学習用のデータ以外にも、研削の品質に影響を与える他の要素を説明変数に組み込むことで、予測精度の向上を図ることができる。そこで、実施例２では、新たな特徴量を説明変数の組み込むことで、学習用のデータの次元を増やして、品質予測モデルの学習を行う例を説明する。なお、ここでは、上記３－３の手法を採用した例で説明する。

【0095】

［研削砥石２の直径］
例えば、データ生成部３２は、研削砥石２の直径を説明変数に組み込むことができる。図１５は、研削砥石２の直径を学習用のデータに利用する例を説明する図である。図１５に示すように、研削砥石２の直径が大きい場合、カムシャフト３と接する面積が大きくなるので、研削抵抗が大きくなる。つまり、研削砥石２の直径が動力値の大きさに影響し、動力値の大きさがカムシャフト３の研削に大きな影響を与えることから、研削砥石２の直径を特徴量に用いて学習を行うことで、予測精度の向上が図れる。

【0096】

したがって、データ生成部３２は、上記３－３で手法された学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ），Ｒ］の説明変数に研削砥石の直径を追加する。

【0097】

すなわち、データ生成部３２は、学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ，研削砥石２の直径），Ｒ］を用いて、品質予測モデルの学習を実行する。

【0098】

［カムシャフト３の情報］
例えば、カムシャフト３の直径が異なる場合や、研削時のワーク回転数が異なる場合も研削条件が異なるため、研削品質を示す情報に影響を与える。したがって、データ生成部３２は、研削時のカムシャフト３の直径や回転数も追加した学習用のデータを生成することで、学習精度を向上し、予測精度の向上も実現する。図１６は、カムシャフト３の直径や回転数を学習用のデータに利用する例を説明する図である。

【0099】

図１６の（ａ）に示すように、データ生成部３２は、学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ，カムシャフト３の直径），Ｒ］を用いて、品質予測モデルの学習を実行する。

【0100】

また、図１６の（ｂ）に示すように、データ生成部３２は、学習用のデータ［（最小値１－ｘａ，平均値１－ｙａ，最大値１－ｚａ，最小値２－ｘａ，平均値２－ｙａ，最大値２－ｚａ，最小値３－ｘａ，平均値３－ｙａ，最大値３－ｚａ，カムシャフト３の回転数），Ｒ］を用いて、品質予測モデルの学習を実行する。

【0101】

なお、カムシャフト３のベース円の直径や研削砥石２の回転数を、説明変数に追加した学習用のデータを生成することで、予測精度の高い品質予測モデルを生成することもできる。

【実施例3】

【0102】

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

【0103】

［データや数値等］
上記実施例で用いたデータ例、数値例、表示例、閾値等は、あくまで一例であり、任意に変更することができる。また、プロセスの細分化も一例であり、任意に変更することができる。また、カムシャフト３に限らず、複数の型式において共通部分がある他のワークに対しても同様に処理することができる。

【0104】

［学習用のデータ］
上記実施例では、該当プロセス内のベース円研削時の動力値の最小値、平均値、最大値を学習用のデータに利用する例を説明したが、これに限定されるものではない。例えば、最小値、平均値、最大値のいずれか一つを用いてもよく、任意の２つを用いてもよく、分散値などを用いることもできる。また、カムシャフト３の直径や回転数、研削砥石２の直径等は、研削加工機１から取得することもでき、管理者等の入力により取得することもできる。

【0105】

［学習モデル］
上記実施例では、学習モデルとして、ニューラルネットワーク、サポートベクターマシン、ロジスティック回帰モデルなど様々な機械学習を採用することができる。

【0106】

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

【0107】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

【0108】

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

【0109】

［ハードウェア］
図１７は、ハードウェア構成例を説明する図である。図１７に示すように、研削品質予測装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１７に示した各部は、バス等で相互に接続される。

【0110】

通信装置１０ａは、ネットワークインタフェースカードなどであり、他の装置との通信を行う。ＨＤＤ１０ｂは、図３に示した機能を動作させるプログラムやＤＢを記憶する。

【0111】

プロセッサ１０ｄは、図３に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図３等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、研削品質予測装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、学習処理部３０と予測処理部４０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、学習処理部３０と予測処理部４０等と同様の処理を実行するプロセスを実行する。

【0112】

このように、研削品質予測装置１０は、プログラムを読み出して実行することで研削予測方法を実行する情報処理装置として動作する。また、研削品質予測装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、研削品質予測装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

【符号の説明】

【0113】

１０ 研削品質予測装置
１１ 通信部
１２ 記憶部
１３ 研削データ
１４ 学習用のデータ
１５ 予測対象データ
１６ 予測結果
２０ 制御部
３０ 学習処理部
３１ 研削結果取得部
３２ データ生成部
３３ 学習部
４０ 予測処理部
４１ 取得部
４２ 抽出部
４３ 予測部

【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】

【図14】

【図15】

【図16】

【図17】