特許 7276631 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

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2023-05-10

(45)【発行日】2023-05-18

(54)【発明の名称】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

(51)【国際特許分類】

   B23Q 17/09 20060101AFI20230511BHJP

   G05B 19/18 20060101ALI20230511BHJP

   G05B 19/4155 20060101ALI20230511BHJP

【ＦＩ】

B23Q17/09 C

G05B19/18 X

G05B19/4155 V

【請求項の数】 13

(21)【出願番号】P 2022576538

(86)(22)【出願日】2022-08-08

(86)【国際出願番号】 JP2022030298

【審査請求日】2022-12-21

【早期審査対象出願】

(73)【特許権者】

【識別番号】000002130

【氏名又は名称】住友電気工業株式会社

(74)【代理人】

【識別番号】110000280

【氏名又は名称】弁理士法人サンクレスト国際特許事務所

(72)【発明者】

【氏名】岩崎 類

【審査官】城野 祐希

(56)【参考文献】

【文献】特開２０２２－０２０７２２（ＪＰ，Ａ）

【文献】国際公開第２０２１／１５７５１８（ＷＯ，Ａ１）

【文献】特許第７０３６２９２（ＪＰ，Ｂ１）

【文献】特開２０１８－０２４０５５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２１／０２６０７７７（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２３Ｑ １７／０９

Ｇ０５Ｂ １９／１８

Ｇ０５Ｂ １９／４１５５

(57)【特許請求の範囲】

【請求項1】

工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサと、
前記歪み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、
前記歪みセンサの計測データに基づく対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、
前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、
前記異常検知部による検知結果を出力する出力部と、
を含み、
前記機械学習済みモデルは、前記工具による加工初期から異常発生点より前の学習期間における前記歪みセンサの計測データである学習データを用いて構築される、
異常検知システム。

【請求項2】

前記歪みセンサは、前記工具に取り付けられている、
請求項１に記載の異常検知システム。

【請求項3】

前記工具は、旋削工具または転削工具を含む切削工具であり、
前記切削工具は、前記歪みセンサと、前記歪みセンサの計測データを無線送信する無線通信部とを備える、
請求項２に記載の異常検知システム。

【請求項4】

前記分類部は、１クラス分類を行う１クラス分類部であり、
前記異常検知部は、前記１クラス分類において生成される異常度に基づいて、前記工具の異常を検知する、
請求項１に記載の異常検知システム。

【請求項5】

前記異常検知部は、前記異常度を複数の閾値と比較することにより前記対象データの多クラス分類を行い、前記多クラス分類の結果に基づいて前記工具の異常を検知する、
請求項４に記載の異常検知システム。

【請求項6】

前記異常検知部は、前記異常度を第１閾値及び第２閾値と比較することにより、前記対象データを正常状態、異常直前状態、及び異常状態に分類する、
請求項５に記載の異常検知システム。

【請求項7】

前記出力部は、前記異常検知部によって前記対象データが異常状態に分類された場合に、前記工具が異常であることを通知するための情報を出力する、
請求項６に記載の異常検知システム。

【請求項8】

前記出力部は、前記異常検知部によって前記対象データが異常直前状態に分類された場合に、前記工具の異常発生が予測されることを通知するための情報を出力する、
請求項６に記載の異常検知システム。

【請求項9】

前記対象データを正常状態と異常直前状態との間で区別するための第１閾値は、前記工具が異常となる直前の前記歪みセンサによる計測データに基づく対象データに基づいて決定される、
請求項６に記載の異常検知システム。

【請求項10】

前記異常検知装置は、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における前記工具の歪みの計測データに基づいて、前記工具の異常を検知する、
請求項１から請求項９のいずれか１項に記載の異常検知システム。

【請求項11】

工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象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対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、
前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、
前記異常検知部による検知結果を出力する出力部と、
を備え、
前記機械学習済みモデルは、前記工具による加工初期から異常発生点より前の学習期間における前記歪みセンサの計測データである学習データを用いて構築される、
異常検知装置。

【請求項12】

工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象データを取得するステップと、
取得された前記対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部によって前記対象データを分類するステップと、
前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知するステップと、
前記工具の異常の検知結果を出力するステップと、
を含み、
前記機械学習済みモデルは、前記工具による加工初期から異常発生点より前の学習期間における前記歪みセンサの計測データである学習データを用いて構築される、
異常検知方法。

【請求項13】

工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象データを取得するステップと、
取得された前記対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部を用いて前記対象データを分類するステップと、
前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知するステップと、
前記工具の異常の検知結果を出力するステップと、
を実行させ、
前記機械学習済みモデルは、前記工具による加工初期から異常発生点より前の学習期間における前記歪みセンサの計測データである学習データを用いて構築される、
コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

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。

【背景技術】

【0002】

特許文献１には、工作機械に取り付けられた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。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１８－０２４０５５号公報

【発明の概要】

【0004】

本開示の一態様に係る異常検知システムは、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサと、前記歪み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、前記歪みセンサの計測データに基づく対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、前記異常検知部による検知結果を出力する出力部と、を含む。

【0005】

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。

【図面の簡単な説明】

【0006】

【図1】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】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】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】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】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】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】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】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】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】図７は、断続加工工程に用いられる加工対象物の一例を示す図である。

【図8A】図８Ａは、断続加工工程における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8B】図８Ｂは、断続加工工程における切削工具の歪みの時系列の波形の他の例を示すグラフである。

【図9】図９は、１クラス分類器の学習期間の一例を説明するためのグラフである。

【図10】図１０は、局所外れ値因子の概要を模式的に示した図である。

【図11】図１１は、異常通知画面の一例を示す図である。

【図12】図１２は、異常予測画面の一例を示す図である。

【図13】図１３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14】図１４は、対象データの分類処理の一例を示すフローチャートである。

【図15】図１５は、多クラス分類器の学習期間の一例を説明するためのグラフである。

【発明を実施するための形態】

【0007】

＜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を用いているが、振動センサは工具から離れた主軸の振動を計測するため、工具の異常を検知するために有用な振動情報を正確に得ることが難しい。

【0008】

＜本開示の効果＞
本開示によれば、工作機械に取り付けられた工具の状態を正確に反映した情報を用いて工具の異常を検知することができる。

【0009】

＜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。

【0010】

（１） 本実施形態に係る異常検知システムは、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサと、前記歪み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、前記歪みセンサの計測データに基づく対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、前記異常検知部による検知結果を出力する出力部と、を含む。これにより、工具の状態を正確に反映した情報である工具の歪みを用いて工具の異常を検知することができる。

【0011】

（２） 上記（１）において、前記歪みセンサは、前記工具に取り付けられていてもよい。これにより、歪みセンサによって工具の歪みを直接計測することができる。

【0012】

（３） 上記（２）において、前記工具は、旋削工具または転削工具を含む切削工具であり、前記歪みセンサと、前記歪みセンサの計測データを無線送信する無線通信部とが前記切削工具に取り付けられていてもよい。これにより、工具自体が回転しない旋削工具または工具自体が回転する転削工具に歪みセンサが取り付けられ、無線によって計測データを送信することができる。

【0013】

（４） 上記（１）から（３）のいずれか１つにおいて、前記分類部は、１クラス分類を行う１クラス分類部であり、前記異常検知部は、前記１クラス分類において生成される異常度に基づいて、前記工具の異常を検知してもよい。これにより、教師なし学習によって構築される１クラス分類部を用いて、工具の異常を検知することができる。

【0014】

（５） 上記（４）において、前記異常検知部は、前記異常度を複数の閾値と比較することにより前記対象データの多クラス分類を行い、前記多クラス分類の結果に基づいて前記工具の異常を検知してもよい。これにより、対象データの多クラス分類の結果を用いて、工具の異常を正確に検知することができる。

【0015】

（６） 上記（５）において、前記異常検知部は、前記異常度を第１閾値及び第２閾値と比較することにより、前記対象データを正常状態、異常直前状態、及び異常状態に分類してもよい。これにより、異常度を用いて対象データを細かく分類することができる。

【0016】

（７） 上記（６）において、前記出力部は、前記異常検知部によって前記対象データが異常状態に分類された場合に、前記工具が異常であることを通知するための情報を出力してもよい。これにより、ユーザに工具の異常を通知することができる。

【0017】

（８） 上記（６）において、前記出力部は、前記異常検知部によって前記対象データが異常直前状態に分類された場合に、前記工具の異常発生が予測されることを通知するための情報を出力してもよい。これにより、ユーザに工具の異常発生が予測されることを通知することができる。

【0018】

（９） 上記（６）から（８）のいずれか１つにおいて、前記対象データを正常状態と異常直前状態との間で区別するための第１閾値は、前記工具が異常となる直前の前記歪みセンサによる計測データに基づく対象データに基づいて決定されてもよい。これにより、実測されたデータに基づいて決定された第１閾値によって、工具が正常状態であるか異常直前の状態であるかを正確に区別することができる。

【0019】

（１０） 上記（１）から（９）のいずれか１つにおいて、前記異常検知装置は、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における前記工具の歪みの計測データに基づいて、前記工具の異常を検知してもよい。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歪みに表れやすい。したがって、工具の異常を正確に検知することができる。

【0020】

（１１） 本実施形態に係る異常検知装置は、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象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対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、前記異常検知部による検知結果を出力する出力部と、を備える。これにより、工具の状態を正確に反映した情報である工具の歪みを用いて工具の異常を検知することができる。

【0021】

（１２） 本実施形態に係る異常検知方法は、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象データを取得するステップと、取得された前記対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部によって前記対象データを分類するステップと、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知するステップと、前記工具の異常の検知結果を出力するステップと、を含む。これにより、工具の状態を正確に反映した情報である工具の歪みを用いて工具の異常を検知することができる。

【0022】

（１３） 本実施形態に係るコンピュータプログラムは、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサから出力された計測データに基づく対象データを取得するステップと、取得された前記対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部を用いて前記対象データを分類するステップと、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知するステップと、前記工具の異常の検知結果を出力するステップと、を実行させる。これにより、工具の状態を正確に反映した情報である工具の歪みを用いて工具の異常を検知することができる。

【0023】

＜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。

【0024】

［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。

【0025】

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。

【0026】

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。

【0027】

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。

【0028】

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。

【0029】

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。

【0030】

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。

【0031】

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。

【0032】

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（登録商標）、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。

【0033】

［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。

【0034】

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。

【0035】

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。

【0036】

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。

【0037】

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。

【0038】

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。

【0039】

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。

【0040】

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。

【0041】

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。

【0042】

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。

【0043】

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。

【0044】

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。

【0045】

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。

【0046】

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。

【0047】

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。

【0048】

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。

【0049】

［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。

【0050】

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。

【0051】

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。

【0052】

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。

【0053】

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。

【0054】

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。

【0055】

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。

【0056】

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。

【0057】

［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。

【0058】

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。

【0059】

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。

【0060】

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。

【0061】

不揮発性メモリ３０２には、分類器３１０が格納されている。分類器３１０は、機械学習済みモデルであり、分類部の一例である。分類器３１０については後述する。

【0062】

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。

【0063】

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。

【0064】

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。

【0065】

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。

【0066】

［５．異常検知装置の機能］
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。異常検知装置３００は、分類器３１０と、入力部３１１と、異常検知部３１３と、出力部３１４との各機能を有する。

【0067】

入力部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に切削工具３０に発生する歪みの計測データを取得する。入力部３１１は、計測結果ＤＢ３０９から歪みの計測データを受け付ける。計測データは、歪みセンサ１１０の計測値のデータであり、例えば、歪みの計測値の時系列データである。

【0068】

分類器３１０は、機械学習済みモデルである。分類器３１０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に基づく対象データを入力とし、対象データの分類結果を出力とする。

【0069】

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。

【0070】

異常検知装置３００は、上記のような複数の工程から選択された１つの工程（以下、「対象工程」ともいう）の計測データを解析し、切削工具３０の異常を検知する。具体的な一例では、対象工程は、加工対象物の切削と非切削とを繰り返す断続加工工程である。

【0071】

図７は、断続加工工程に用いられる加工対象物の一例を示す図である。加工対象物４００は、円柱の外周に、軸方向に延びる複数の溝４０１を有する。つまり、加工対象物４００において、周方向に、円弧面４０２と溝４０１とが交互に並ぶ。このような加工対象物４００の外径加工工程では、加工対象物４００が周方向（矢印方向）に回転し、切削工具３０が加工対象物４００の外周面を加工する。切削工具３０の切刃は、円弧面４０２への接触（切削）と、溝４０１への通過（非切削）とを繰り返す。

【0072】

図８Ａは、断続加工工程における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り、図８Ｂは、断続加工工程における切削工具の歪みの時系列の波形の他の例を示すグラフである。図８Ａは、計測時間が１４秒のグラフであり、図８Ｂは、計測時間が１．５秒のグラフである。図８Ａ及び図８Ｂにおいて、縦軸は歪みを示し、横軸は時間を示す。図８Ｂの時間軸のスケール（単位時間に対応する長さ）は、図８Ａの時間軸のスケールよりも大きい。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。特に図８Ｂに示されるように、断続加工工程における切削工具の歪みの計測結果では、高値（切削）と低値（非切削）とが交互に繰り返される。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。

【0073】

図５に戻り、対象データは、例えば切削工具３０の歪みの計測値の特徴量を含む特徴データである。異常検知装置３００は、変換部３１２の機能をさらに有する。変換部３１２は、歪みの計測値を特徴量に変換し、対象データを生成する。

【0074】

歪みの特徴量は、例えば、歪みの計測値の移動平均値である。歪みの特徴量の他の例は、歪みの計測値の移動標準偏差である。歪みの特徴量のさらに他の例は、歪みの計測値のパーセンタイルの差であり、具体的な一例では、９５パーセンタイルと５パーセンタイルとの差である。歪みの特徴量のさらに他の例は、歪みの計測値をバンドパスフィルターでフィルタリングした後の値のＲＭＳ（二乗平均平方根）である。

【0075】

対象データは、切削工具３０の歪みの計測データ（いわゆる生データ）であってもよい。この場合、変換部３１２は省略されてもよい。

【0076】

分類器３１０は、１クラス分類器（１クラス分類部）である。１クラス分類器である分類器３１０は、教師なし学習によって構築される。

【0077】

図９は、１クラス分類器の学習期間の一例を説明するためのグラフである。図９において、縦軸は歪みを示し、横軸は時間を示す。図９において、「異常」と示した時点（以下、「異常発生点」という）で切削工具３０の異常が発生している。図９のグラフでは、加工初期から異常発生点より前では切削工具３０が正常である。学習期間は、切削工具３０が正常な期間に設定される。すなわち、分類器３１０の学習では、計測結果ＤＢ３０９に格納された計測データのうち、学習期間における計測データが学習データとして用いられる。これにより、分類器３１０は、切削工具３０が正常な場合の計測データ（以下、「正常時データ」ともいう）の特徴を捉え、正常時データの特徴とは異なる特徴を有する、切削工具３０が異常な場合の計測データ（以下、「異常時データ」ともいう）を、正常時データと区別することができる。

【0078】

例えば、分類器３１０は、局所外れ値因子（ＬＯＦ）である。以下、局所外れ値因子の分類器３１０を説明する。

【0079】

図１０は、局所外れ値因子の概要を模式的に示した図である。ＬＯＦは、データの集合から外れ値を検知する外れ値検知アルゴリズムの１つである。ＬＯＦでは、各点についてｋ個の近傍点との距離から局所密度（図中破線の円で示す）を算出し、注目点Ａと近傍群との局所密度を比較して、注目点の局所密度が低い場合は注目点が異常値（外れ値）であると判断する。

【0080】

ＬＯＦを具体的に説明する。ｋ－ｄｉｓｔａｎｃｅ（Ａ）を、点Ａからｋ番目の近傍点までの距離とし、Ｎ_ｋ（Ａ）を、ｋ最近傍点の集合とする。点Ａの点Ｂからの到達可能性距離reachability-distance_k(A,B)は式（１）によって定義される。

【数1】

【0081】

点Ａの局所到達可能性密度ｌｒｄ_ｋ（Ａ）は式（２）によって定義される。

【数2】

【0082】

さらに点ＡのＬＯＦは式（３）によって定義される。

【数3】

【0083】

算出されたＬＯＦは、注目点Ａの局所密度と、近傍点の局所密度との等しさの程度を示している。ＬＯＦが低いほど注目点Ａの局所密度は高く、注目点Ａは正常データである可能性が高い。ＬＯＦが高いほど注目度Ａの局所密度は低く、注目点Ａは異常データである可能性が高い。つまり、ＬＯＦは外れ値スコアであり、異常度の一例である。

【0084】

分類器３１０は、ＬＯＦに限られない。分類器３１０は、ＬＯＦ以外の１クラス分類器であってもよい。例えば、分類器３１０は、Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔであってもよい。分類器３１０のさらに他の例は、１クラスＳＶＭである。

【0085】

図５に戻り、異常検知部３１３は、分類器３１０による対象データの分類結果に基づいて、切削工具３０の異常を検知する。具体的には、異常検知部３１３は、分類器３１０による１クラス分類において生成される異常度に基づいて、切削工具３０の異常を検知する。

【0086】

さらに具体的には、異常検知部３１３は、異常度を複数の閾値と比較することにより対象データの多クラス分類を行い、多クラス分類の結果に基づいて切削工具３０の異常を検知する。

【0087】

具体的な一例では、異常検知部３１３は、異常度を第１閾値及び第２閾値と比較することにより、対象データを正常状態、異常直前状態、及び異常状態に分類する。第１閾値は、正常クラスと、異常直前クラス及び異常クラスの集合とに対象データを区別するために用いられる。正常クラスは、切削工具３０が正常である対象データのクラスであり、異常クラスは、切削工具３０が異常である対象データのクラスであり、異常直前クラスは、切削工具３０が異常直前である対象データのクラスである。ここでいう正常状態とは、切削工具３０によって正常に加工対象物を加工することができる状態であり、このまま切削工具３０を使用し続けてもしばらく異常にはならない状態である。異常状態とは、切削工具３０によって正常に加工対象物を加工することができない状態である。異常直前状態とは、切削工具３０の正常状態と異常状態との間の中間状態であり、切削工具３０によって正常に加工対象物を加工することができるが、このまま切削工具３０を使用し続ければまもなく異常になる状態である。

【0088】

第１閾値は、第２閾値よりも小さい値である。異常度（ＬＯＦ）が第１閾値以下である場合、対象データは正常クラスに属する。異常度が第１閾値より大きい場合、対象データは異常直前クラス又は異常クラスに属する。異常度が第２閾値以下である場合、対象データは正常クラス又は異常直前クラスに属する。異常度が第２閾値より大きい場合、対象データは異常クラスに属する。すなわち、異常度が第１閾値より大きく第２閾値以下である場合、対象データは異常直前クラスに属する。

【0089】

分類器３１０がＬＯＦである場合、例えば第１閾値は１であり、第２閾値は１より大きい値、例えば１．２５である。

【0090】

異常検知部３１３は、異常度が第２閾値より大きい場合、切削工具３０の異常を検知する。異常検知部３１３は、異常度が第１閾値より大きく第２閾値以下である場合、切削工具３０が異常直前状態であると判断することができる。すなわち、異常検知部３１３は、切削工具３０の異常発生を予測することができる。

【0091】

出力部３１４は、異常検知部３１３による切削工具３０の異常の検知結果を出力する。具体的な一例では、異常検知部３１３が切削工具３０の異常を検知した場合、出力部３１４は異常の発生をユーザに通知するための情報を出力する。例えば、出力部３１４は、切削工具３０の異常の発生を通知するための画面（以下、「異常通知画面」ともいう）を、表示装置３０６に表示させる。図１１は、異常通知画面の一例を示す図である。異常通知画面５００は、切削工具３０の異常の発生を通知するための文字、図形、色彩又はこれらの組み合わせを含む。図１１の例では、異常通知画面５００は、「工具に異常が発生しました。」の文字を含む。これにより、ユーザに切削工具３０の異常を通知することができる。

【0092】

他の例では、異常検知部３１３が切削工具３０の異常発生を予測した場合、出力部３１４は、異常発生が予測されることをユーザに通知するための情報を出力する。例えば、出力部３１４は、切削工具３０の異常発生が予測されることを通知するための画面を、表示装置３０６に表示させる。図１２は、異常予測画面の一例を示す図である。異常予測画面５１０は、切削工具３０の異常発生が予測されることを通知するための文字、図形、色彩又はこれらの組み合わせを含む。図１２の例では、異常予測画面５１０は、「まもなく工具に異常が発生します。」の文字を含む。これにより、ユーザに切削工具３０の異常発生が予測されることを通知することができる。

【0093】

［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１３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。

【0094】

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、計測データが計測結果ＤＢ３０９に蓄積される。

【0095】

プロセッサ３０１は、計測結果ＤＢから、切削工具３０の歪みの計測データを取得する（ステップＳ１０１）。

【0096】

対象データが特徴データである場合、プロセッサ３０１は、取得された計測データの計測値から特徴量を算出し、特徴データを生成する（ステップＳ１０２）。ただし、対象データが計測データである場合、ステップＳ１０２は省略することができる。

【0097】

次にプロセッサ３０１は、分類器３１０による対象データの分類処理（１クラス分類）を実行する（ステップＳ１０３）。

【0098】

図１４は、対象データの分類処理の一例を示すフローチャートである。図１４では、ＬＯＦによる分類処理が示される。

【0099】

プロセッサ３０１は、上述した式（１）によって、到達可能性距離を算出する（ステップＳ２０１）。

【0100】

プロセッサ３０１は、上述した式（２）によって、局所到達可能性密度を算出する（ステップＳ２０２）。

【0101】

プロセッサ３０１は、上述した式（３）によって、ＬＯＦ（異常度）を算出する（ステップＳ２０３）。

【0102】

プロセッサ３０１は、ＬＯＦによって対象データを分類する（ステップＳ２０３）。つまり、対象データが外れ値（異常値）であるか否かを判定する。ただし、異常度に基づく多クラス分類を行う場合、ステップＳ２０４の結果は使用されない。この場合、ステップＳ２０４は省略してもよい。以上で、分類処理が終了する。

【0103】

図１３に戻り、プロセッサ３０１は、分類器３１０により算出された異常度を用いて、対象データを多クラス分類する（ステップＳ１０４）。つまり、プロセッサ３０１は、異常度を第１閾値及び第２期視位置と比較し、対象データを正常クラス、異常直前クラス、及び異常クラスに分類する。

【0104】

プロセッサ３０１は、分類結果が異常クラスであるか否かを判定する（ステップＳ１０５）。分類結果が異常クラスである場合（ステップＳ１０５においてＹＥＳ）、つまり、切削工具３０の異常が検知された場合、プロセッサ３０１は異常通知画面５００を表示装置３０６に表示させる（ステップＳ１０７）。

【0105】

分類結果が異常クラスでない場合（ステップＳ１０５においてＮＯ）、プロセッサ３０１は、分類結果が異常直前クラスであるか否かを判定する（ステップＳ１０６）。分類結果が異常直前クラスである場合（ステップＳ１０６においてＹＥＳ）、つまり、切削工具３０の異常発生が予測された場合、プロセッサ３０１は異常予測画面５１０を表示装置３０６に表示させる（ステップＳ１０７）。

【0106】

表示装置３０６に異常通知画面５００又は異常予測画面５１０が表示されると、異常検知処理が終了する。分類結果が正常クラスである場合（ステップＳ１０６においてＮＯ）、プロセッサ３０１は異常検知処理を終了する。

【0107】

［７．変形例］
対象データは、切削工具３０の歪みの計測データに基づくデータ（特徴データ又は計測データ。以下、「歪みデータ」ともいう）だけでなく、切削工具３０の加速度の計測データに基づくデータ（特徴データ又は計測データ。以下、「加速度データ」ともいう）を含んでもよい。すなわち、対象データは、同時刻における歪みデータと加速度データとの組み合わせであってもよい。切削工具３０の加速度は、例えば、工作機械２０の主軸に取り付けられた加速度センサ（図示せず）によって計測される。

【0108】

変換部３１２は、歪みの特徴データだけでなく、加速度の特徴データを生成してもよい。加速度の特徴量は、例えば、加速度の計測値のＲＭＳである。加速度の特徴量の他の例は、加速度の計測値の移動標準偏差である。加速度の特徴量のさらに他の例は、加速度の計測値のパーセンタイルであり、具体的な例では、９５パーセンタイル又は５パーセンタイルである。加速度の特徴量のさらに他の例は、加速度の計測値のパーセンタイルの差であり、具体的な一例では、９５パーセンタイルと５パーセンタイルとの差である。加速度の特徴量のさらに他の例は、加速度の計測値をバンドパスフィルターでフィルタリングした後の値のＲＭＳである。加速度の特徴量のさらに他の例は、加速度の時系列計測値の尖度である。加速度の特徴量のさらに他の例は、加速度の時系列計測値の歪度である。

【0109】

上述した実施形態では、分類器３１０を１クラス分類器としたが、これに限定されない。分類器３１０は多クラス分類器であってもよい。

【0110】

多クラス分類器である分類器３１０は、対象データの多クラス分類を行う。具体的な一例では、分類器３１０は、正常クラスと、異常直前クラスと、異常クラスとに対象データを分類する。多クラス分類器である分類器３１０は、教師あり学習によって構築される。

【0111】

図１５は、多クラス分類器の学習期間の一例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。多クラス分類器の学習には、切削工具３０が正常状態であるときの計測データと、切削工具３０が異常直前状態であるときの計測データと、切削工具３０が異常状態であるときの計測データとが用いられる。学習期間は、切削工具３０が正常状態である期間（正常期間）と、切削工具３０が異常直前状態である期間（異常直前期間）と、切削工具３０が異常状態である期間（異常期間）とに設定される。すなわち、分類器３１０の学習では、計測結果ＤＢ３０９に格納された計測データのうち、正常期間、異常直前期間、及び異常期間における計測データ（又は特徴データ）が学習データとして用いられる。これにより、分類器３１０は、切削工具３０が正常状態である場合の計測データ（正常時データ）の特徴と、切削工具３０が異常直前状態である場合の計測データ（以下、「異常直前データ」ともいう）の特徴と、切削工具３０が異常状態である場合の計測データ（異常時データ）の特徴とをそれぞれ捉え、正常時データ、異常直前データ、及び異常データを区別することができる。

【0112】

上述した実施形態では、１クラス分類器によって算出された異常度を用いて対象データの多クラス分類を行ったが、これに限定されない。１クラス分類器である分類器３１０が外れ値（異常データ）を検知することで、切削工具３０の異常を検知してもよい。

【0113】

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。

【0114】

［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。

【符号の説明】

【0115】

１０ 異常検知システム
２０ 工作機械
３０ 切削工具
３０Ａ，３０Ｂ 旋削工具
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
３１０ 分類器（分類部）
３１１ 入力部
３１２ 変換部
３１３ 異常検知部
３１４ 出力部
４００ 加工対象物
４０１ 溝
４０２ 円弧面
５００ 異常通知画面
５１０ 異常予測画面
Ａ，Ｂ，Ｃ，Ｄ，Ｅ，Ｆ 工程
Ｐ１，Ｐ２，Ｐ３，Ｐ４，Ｐ５，Ｐ６ 期間

【要約】

異常検知システムは、工作機械に取り付けられた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前記工具に発生する歪みを計測する歪みセンサと、前記歪み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、前記歪みセンサの計測データに基づく対象データを入力とし、前記対象データの分類結果を出力とする機械学習済みモデルである分類部と、前記分類部による前記対象データの分類結果に基づいて、前記工具の異常を検知する異常検知部と、前記異常検知部による検知結果を出力する出力部と、を含む。

【図1】

【図2A】

【図2B】

【図2C】

【図2D】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8A】

【図8B】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】