特許 7487503 びびり予測システム

(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】2024-05-13

(45)【発行日】2024-05-21

(54)【発明の名称】びびり予測システム

(51)【国際特許分類】

   G01H 17/00 20060101AFI20240514BHJP

   G05B 23/02 20060101ALI20240514BHJP

【ＦＩ】

G01H17/00 D

G05B23/02 R

【請求項の数】 11

(21)【出願番号】P 2020045531

(22)【出願日】2020-03-16

(65)【公開番号】P2021148457

(43)【公開日】2021-09-27

【審査請求日】2023-02-17

(73)【特許権者】

【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

(74)【代理人】

【識別番号】110000604

【氏名又は名称】弁理士法人 共立特許事務所

(72)【発明者】

【氏名】増田 祐生

(72)【発明者】

【氏名】河原 徹

(72)【発明者】

【氏名】村上 慎二

(72)【発明者】

【氏名】齋藤 明

【審査官】佐々木 創太郎

(56)【参考文献】

【文献】特開平１１－０１０５３５（ＪＰ，Ａ）

【文献】特開２０２０－０２３０３９（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／００６１７６８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｈ １／００－１７／００

Ｂ２３Ｑ １７／００－２３／００

Ｇ０５Ｂ ２３／００－２３／０２

(57)【特許請求の範囲】

【請求項1】

制御装置の制御による複数の研削工程を経て砥石が工作物に研削加工を行う研削装置と、
前記研削装置による前記研削加工において観測可能な前記砥石の作動状態に関する状態データであって、周波数特性を有する前記状態データを検出し、検出した前記状態データを出力する第一検出器と、
前記研削装置による前記研削加工において発生するびびり振動の大きさに関するびびり関連データを検出し、検出した前記びびり関連データを出力する第二検出器と、
前記状態データを周波数解析することにより複数の周波数成分に分割し、複数の周波数成分のうち、前記研削装置の前記砥石の回転数に対応する砥石回転周波数である特定周波数の振幅を前記状態データの特徴量として抽出する特徴量抽出部と、
前記特徴量抽出部にて抽出された前記状態データの前記特徴量を説明変数とし、前記第二検出器から取得した前記びびり関連データを目的変数とし、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学習済みモデルを記憶する学習済みモデル記憶部と、
前記学習済みモデルと前記状態データとを用いて前記研削装置による前記研削加工において発生する前記びびり振動を評価するための評価値を予測して出力する評価値予測部と、
を備える、びびり予測システム。

【請求項2】

前記状態データは、前記研削装置において前記研削加工に伴って生じる駆動負荷に対応する駆動電流データ、及び、前記研削装置において前記研削加工に伴って生じる振動の大きさを表す振動データのうちの少なくとも一つを含む、請求項１に記載のびびり予測システム。

【請求項3】

前記びびり関連データは、前記研削加工が施された前記工作物の表面粗さに対応して発生する前記びびり振動の加速度データ又は変位データである、請求項１又は２に記載のびびり予測システム。

【請求項4】

前記びびり関連データは、前記工作物の複数個所における前記加速度データ又は前記変位データについて統計演算することによって算出された、前記びびり振動の大きさを表すびびり評価値であり、
前記評価値予測部は、前記学習済みモデルと前記状態データとを用いて予測した推定びびり評価値を出力する、請求項３に記載のびびり予測システム。

【請求項5】

前記工作物が軸線回りの周面を有する場合、
前記びびり評価値は、前記工作物の軸方向にて複数個所における周方向の前記加速度データ又は前記変位データについて統計演算することによって算出される、請求項４に記載のびびり予測システム。

【請求項6】

前記びびり関連データと前記学習済みモデルを用いて予測された前記評価値とを比較することにより、前記学習済みモデルの更新が必要であるか否かを判定する更新判定部を備え、
前記学習済みモデル記憶部は、前記更新判定部の判定に基づいて前記学習済みモデルが更新された場合、更新された前記学習済みモデルを記憶する、請求項１－５のうちの何れか一項に記載のびびり予測システム。

【請求項7】

前記第二検出器は、前記研削装置に一体に、又は、別体に設けられる、請求項１－６のうちの何れか一項に記載のびびり予測システム。

【請求項8】

前記特徴量抽出部は、前記研削工程毎に前記状態データを周波数解析することにより複数の周波数成分に分割し、前記研削工程毎において複数の周波数成分のうち前記特定周波数の振幅を、前記研削工程毎の前記特徴量として抽出し、
前記学習済みモデル記憶部は、前記研削工程毎に抽出された前記状態データの前記特徴量と、前記びびり関連データと、を用いて機械学習を行うことにより生成された前記学習済みモデルを記憶する、請求項１－７のうちの何れか一項に記載のびびり予測システム。

【請求項9】

前記研削工程は、少なくとも、粗研削工程、精研削工程、微研削工程及びスパークアウト工程を含む、請求項８に記載のびびり予測システム。

【請求項10】

前記第一検出器が前記制御装置を介して前記状態データを出力する場合、前記状態データは前記制御装置によって前記研削工程を識別する工程情報が付加されており、
前記工程情報に基づいて、前記状態データを前記研削工程毎に分割する状態データ分割部を備え、
前記特徴量抽出部は、前記状態データ分割部により前記研削工程毎に分割された前記状態データを周波数解析することにより複数の周波数成分に分割し、前記研削工程毎において複数の周波数成分のうち前記特定周波数の振幅を、前記研削工程毎の前記特徴量として抽出する、請求項８又は９に記載のびびり予測システム。

【請求項11】

前記特徴量抽出部にて抽出された前記状態データの前記特徴量を前記説明変数とし、前記第二検出器から取得した前記びびり関連データを前記目的変数とし、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前記学習済みモデルを生成する学習済みモデル生成部を備える、請求項１－１０のうちの何れか一項に記載のびびり予測システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、びびり予測システムに関する。

【背景技術】

【0002】

一般に、工作物に研削加工を施す場合、研削盤の作動に伴う振動や砥石の摩耗等に起因した振動が発生するため、びびり振動（以下、単に「びびり」とも称呼する。）が生じる場合がある。研削加工においてびびりが発生した場合、工作物の表面性状の悪化を引き起こす虞があり、びびりが発生しているか否かを把握することは極めて重要である。このため、従来から特許文献１に開示された技術が知られている。

【0003】

特許文献１には、研削加工中の研削盤の振動について、一定周波数帯域の振動の大きさと一定時間内における振動の変化の度合とを判別基準値と比較することにより、びびり振動の発生の有無を判定する技術が開示されている。これにより、特に、発生初期のびびり振動を検出するようになっている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０００－２３３３６８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に開示された技術では、研削加工中に検出された振動データの解析結果と予め設定された判別基準値に基づいて、びびり振動の大きさを判定する。砥石が工作物を研削加工する際に発生するびびり振動の大きさは、砥石が接触する工作物の研削加工面の状態に応じて変化する。換言すれば、工作物の研削加工面の状態が砥石の作動状態に影響を及ぼすことにより、びびり振動の大きさが変化する。このため、びびり振動の大きさを精度よく予測するためには、砥石が工作物に研削加工を行う際の砥石の作動状態を加味して予測することが必要である。

【0006】

本発明は、研削加工におけるびびり振動を精度よく予測することができるびびり予測システム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】

【0007】

びびり予測システムは、制御装置の制御による複数の研削工程を経て砥石が工作物に研削加工を行う研削装置と、研削装置による研削加工において観測可能な砥石の作動状態に関する状態データであって、周波数特性を有する状態データを検出し、検出した状態データを出力する第一検出器と、研削装置による研削加工において発生するびびり振動の大きさに関するびびり関連データを検出し、検出したびびり関連データを出力する第二検出器と、状態データを周波数解析することにより複数の周波数成分に分割し、複数の周波数成分のうち、研削装置の砥石の回転数に対応する砥石回転周波数である特定周波数の振幅を状態データの特徴量として抽出する特徴量抽出部と、特徴量抽出部にて抽出された状態データの特徴量を説明変数とし、第二検出器から取得したびびり関連データを目的変数とし、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学習済みモデルを記憶する学習済みモデル記憶部と、学習済みモデルと状態データとを用いて研削装置による研削加工において発生するびびり振動を評価するための評価値を予測して出力する評価値予測部と、を備える。

【0008】

これによれば、研削加工における砥石の作動状態に関する状態データの特徴量と、びびり振動の大きさに関するびびり関連データとの相関関係を表す学習済みモデルを用いて、びびり振動を評価するための評価値を予測して出力することができる。従って、予測された評価値に基づくことにより、研削加工において発生するびびり振動を精度よく予測することができる。

【図面の簡単な説明】

【0009】

【図1】びびり予測システムの構成を示す図である。

【図2】研削装置の一例を示す図である。

【図3】第二検出器の一例の機能ブロック構成を示す図である。

【図4】びびり予測システムの機能ブロック構成を示す図である。

【図5】状態データの一例を示す図である。

【図6】図５の状態データから抽出される特徴量を説明するための図である。

【図7】第一別例のびびり予測システムの機能ブロック構成を示す図である。

【図8】図７のモデル更新部の機能ブロック構成を示す図である。

【発明を実施するための形態】

【0010】

（１．びびり予測システムの適用対象の研削装置）
びびり予測システムは、複数の研削工程を経て工作物の研削加工を行う研削装置におけるびびりの発生状態を評価する。研削装置としては、円筒研削盤、カム研削盤、平面研削盤等、種々の構成の研削装置を適用できる。研削装置による研削工程には、粗研削工程、精研削工程、微研削工程、スパークアウト工程等が含まれる。

【0011】

（２．びびり予測システム１の構成の概要）
びびり予測システム１の構成の概要について、図１を参照して説明する。びびり予測システム１は、少なくとも１台の研削装置１０と、１つの演算装置（２０，３０）とを備える。研削装置１０は、１台を対象としても良いし、図１に示すように、複数台を対象としても良い。本例では、びびり予測システム１は、複数台の研削装置１０を備える場合を例に挙げる。

【0012】

研削装置１０は、少なくとも、工作物Ｗの研削加工中において観測可能な状態データを検出する第一検出器１３を備える。演算装置（２０，３０）は、第一検出器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、研削装置１０による研削加工におけるびびりの発生状態、即ち、びびり評価を予測する。

【0013】

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、１つの装置とすることもできる。又、演算装置（２０，３０）の一部又は全部は、研削装置１０への組込みシステムとすることもできる。

【0014】

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挙げる。又、学習処理装置２０は、所謂、サーバ機能を有しており、複数台の研削装置１０と通信可能に接続されている。一方、予測演算装置３０は、各研削装置１０に一対一で設けられ、各研削装置１０に通信可能に接続されている。即ち、複数台の予測演算装置３０は、所謂、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。

【0015】

（３．びびり予測システム１の構成の詳細）
びびり予測システム１の構成について、図１を参照して、より詳細に説明する。びびり予測システム１は、複数台の研削装置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を備える。

【0016】

それぞれの研削装置１０は、砥石Ｔを用いて工作物Ｗの研削加工を行う研削盤１１と、研削盤１１を制御する制御装置１２と、第一検出器１３と、第二検出器１４と、インターフェース１５とを主に備える。制御装置１２は、ＣＮＣ装置及びＰＬＣ装置等を含み、研削盤１１における駆動装置等を制御する。インターフェース１５は、研削盤１１、制御装置１２、第一検出器１３及び第二検出器１４と、外部と通信可能とする機器である。尚、外部には、学習処理装置２０、及び、研削装置１０によって研削加工された工作物Ｗを検査する検査装置２が含まれる。

【0017】

第一検出器１３は、工作物Ｗの研削加工中に研削盤１１における観測可能な研削盤１１の作動状態（加工負荷や駆動装置の駆動負荷等）に関連する状態データを検出する。第一検出器１３は、例えば、砥石Ｔと工作物Ｗとの相対的な位置（又は距離）データを検出する変位センサ、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、加工中の砥石Ｔ及び工作物Ｗの温度データを検出する温度センサ、研削盤１１の構成部材の振動データを検出する振動センサ（加速度センサ）、加工中の音データを検出するマイクロフォン等である。即ち、第一検出器１３が検出する状態データは、例えば、位置データ、駆動電流データ、温度データ、振動データ（加速度データ）、音データ等である。

【0018】

第二検出器１４は、工作物Ｗの加工中又は加工後に研削盤１１における観測可能なびびり振動の大きさに関連するびびり関連データを検出する。第二検出器１４は、例えば、工作物Ｗの加工面における表面粗さを検出する粗さ計、表面粗さに起因する加速度データ又は変位データを検出する加速度センサ又は変位センサ等である。即ち、第二検出器１４が検出するびびり関連データは、びびり振動の大きさに関連する、例えば、表面粗さ（粗さデータ）、加速度データ（振動データ）、変位データ等である。尚、本例においては、第二検出器１４は、研削装置１０に一体に設けられるが、研削装置１０と別体に設けることもできる。

【0019】

そして、第二検出器１４は、評価値として、特に、統計演算したびびり量（以下、「びびり評価値」と称呼する。）を算出して出力する。ここで、第二検出器１４は、第一検出器１３によって検出されたそれぞれの状態データ（駆動電流データや振動データ等）、或いは、別途設けられた加速度センサや変位センサによる検出データを用いて、びびり関連データとして、発生したびびり振動の大きさを表すびびり量を出力することもできる。

【0020】

尚、検査装置２は、第二検出器１４が検出するびびり関連データと同様のデータを検出して出力することができる。即ち、検査装置２は、研削加工において発生したびびり振動の大きさを表すびびり量を検出して出力するができる。

【0021】

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。又、学習処理装置２０は、サーバ機能を有しており、複数台の研削装置１０（例えば、離間した他の工場に設置された研削装置１０を含む。）と通信可能に接続されている。

【0022】

学習処理装置２０は、第一検出器１３により検出された状態データ、第二検出器１４又は／及び検査装置２から出力されたびびり関連データに基づいて、機械学習を行う。そして、学習処理装置２０は、研削加工におけるびびり評価値を予測するための学習済みモデルを生成する。

【0023】

特に、学習処理装置２０は、第一検出器１３から時系列的に出力される状態データのうち、駆動電流データ及び振動データをＦＦＴ（高速フーリエ変換）することにより抽出される砥石回転周波数の振幅を特徴量とする。そして、学習処理装置２０は、抽出された特徴量と、びびり関連データ（具体的には、びびり評価値）とを用いて学習済みモデルを生成する。

【0024】

又、学習処理装置２０は、時系列的に出力される状態データを研削工程毎に分割して特徴量を抽出し、学習済みモデルを生成する。例えば、学習処理装置２０は、研削工程毎の複数の特徴量を抽出し、研削工程毎の複数の特徴量を用いて１つの学習済みモデルを生成する。

【0025】

それぞれの予測演算装置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。又、予測演算装置３０は、サーバとしての学習処理装置２０、及び、対応する研削装置１０と通信可能に接続されている。

【0026】

予測演算装置３０は、それぞれの研削装置１０に近接した位置に配置されており、所謂、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により生成された学習済みモデルを用いて、工作物Ｗの加工中に第一検出器１３によって検出された状態データから抽出された特徴量に基づいて、研削加工におけるびびり評価値を予測する。

【0027】

びびり予測システム１は、更に、共通表示装置４０、複数の個別表示装置５０を備える。但し、びびり予測システム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る。又、個別表示装置５０は、研削装置１０のそれぞれに対応して配置される。

【0028】

（４．研削盤１１の例）
本例の研削盤１１として、図２に示すように、砥石台トラバース型の円筒研削盤６０を例に挙げる。尚、研削盤１１は、テーブルトラバース型を用いることもできる。尚、円筒研削盤６０によって研削加工される工作物Ｗは、軸線回りの周面を有する。

【0029】

円筒研削盤６０は、工作物Ｗを研削するための機械である。円筒研削盤６０は、主として、ベッド６１、主軸台６２、心押台６３、トラバースベース６４、砥石台６５、砥石車６６（砥石Ｔ）、定寸装置６７、砥石車修正装置６８、及び、クーラント装置６９を備える。

【0030】

ベッド６１は、設置面上に固定されている。主軸台６２は、ベッド６１の上面において、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の一端側（図２の左側）に設けられている。主軸台６２は、工作物ＷをＺ軸回りに回転可能に支持する。工作物Ｗは、主軸台６２に設けられたモータ６２ａの駆動により回転される。心押台６３は、ベッド６１の上面において、主軸台６２に対してＺ軸方向に対向する位置、即ち、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の他端側（図２の右側）に設けられている。これにより、工作物Ｗは、主軸台６２及び心押台６３によって回転可能に両端支持される。

【0031】

トラバースベース６４は、ベッド６１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６４は、ベッド６１に設けられたモータ６４ａの駆動により移動する。砥石台６５は、トラバースベース６４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６５は、トラバースベース６４に設けられたモータ６５ａの駆動により移動する。砥石車６６は、砥石台６５に回転可能に支持されている。砥石車６６は、砥石台６５に設けられたモータ６６ａの駆動により回転する。砥石車６６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。

【0032】

定寸装置６７は、工作物Ｗの寸法（径）を測定する。定寸装置６７は、ベッド６１の上面において、Ｚ軸方向に移動可能に設けられている。定寸装置６７は、ベッド６１に設けられた送り機構６７ａによりＺ軸方向の位置が制御される。定寸装置６７は、工作物Ｗの研削加工面に接触する接触部である測定子６７ｂを備える。又、定寸装置６７には、測定子６７ｂを支持するアームに加速度センサ６７ｃが設けられる。

【0033】

加速度センサ６７ｃは、回転する工作物Ｗの研削加工面に測定子６７ｂが接触した状態で検出される加速度を表す加速度データを出力する。尚、加速度センサ６７ｃを用いることに代えて、回転する工作物Ｗの研削加工面に測定子６７ｂが接触した状態で検出される変位（表面粗さに相当）を表す変位データを出力する変位センサを用いることも可能である。

【0034】

砥石車修正装置６８は、砥石車６６の形状を修正する。砥石車修正装置６８は、砥石車６６のツルーイングを行う装置である。砥石車修正装置６８は、ツルーイングに加えて又は代えて、砥石車６６のドレッシングを行う装置としても良い。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６６が摩耗した場合に工作物Ｗの形状に合わせて砥石車６６を成形する作業、偏摩耗による砥石車６６の振れを取り除く作業等である。

【0035】

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。

【0036】

クーラント装置６９は、砥石車６６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６９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。

【0037】

円筒研削盤６０に設けられる制御装置１２は、工作物Ｗの形状、加工条件、砥石車６６の形状、クーラントの供給タイミング情報等の作動指令データに基づいて生成されたＮＣプログラムに基づいて、各駆動装置を制御する。即ち、制御装置１２は、動作指令データを入力し、動作指令データに基づいてＮＣプログラムを生成する。

【0038】

そして、制御装置１２は、ＮＣプログラムに基づいて各モータ６２ａ，６４ａ，６５ａ，６６ａ及びクーラント装置６９等を制御することにより工作物Ｗの研削加工を行う。特に、制御装置１２は、定寸装置６７により測定される工作物Ｗの径に基づいて、工作物Ｗが仕上げ形状となるまで研削加工を行う。又、制御装置１２は、砥石車６６を修正するタイミングにおいて、各モータ６４ａ，６５ａ，６６ａ、及び、砥石車修正装置６８等を制御することにより、砥石車６６の修正（ツルーイング及びドレッシング）を行う。

【0039】

ここで、制御装置１２は、第一検出器１３から時系列的に（連続的に）出力される状態データを学習処理装置２０に出力する。又、制御装置１２は、動作指令データに従って生成されたＮＣプログラムに基づいて時系列的に出力される現在の研削工程、即ち、粗研削工程、精研削工程、微研削工程、及び、スパークアウト工程を識別する工程情報を状態データに紐付けする。

【0040】

（５．第二検出器１４の例）
本例においては、第二検出器１４がびびり評価値を出力するびびり評価装置７０を例に挙げる。尚、第二検出器１４が、変位センサや加速度センサを用いて構成されて、変位データや加速度データ（振動データ）を出力することもできる。

【0041】

びびり評価装置７０は、図３に示すように、実データ取得部７１、変位変換部７２、びびり評価値算出部７３、出力部７４を主に備える。実データ取得部７１は、定寸装置６７に設けられた加速度センサ６７ｃによって検出された加速度データを時系列的に取得する。ここで、実データ取得部７１は、工作物Ｗの軸方向について、複数の異なる軸方向位置にて検出された加速度データを取得する。

【0042】

この場合、定寸装置６７は、測定子６７ｂと工作物Ｗとの接触位置を軸方向に固定した状態で、即ち、接触位置が工作物Ｗの外周を円状に移動するように外周１周分の加速度データを取得する。工作物Ｗの外周１周分の加速度データを取得した後、定寸装置６７は軸方向にて次の軸方向位置に移動し、この軸方向位置即ち次の接触位置が再び工作物Ｗの外周を円状に移動して加速度データを取得する。定寸装置６７がこの動作を繰り返すことにより、実データ取得部７１は、複数の軸方向位置（複数の接触位置）の各々において検出された外周１周分の加速度データを順次取得する。

【0043】

変位変換部７２は、加速度センサ６７ｃから時系列的に取得した加速度データをＦＦＴ（高速フーリエ変換）し、砥石車６６の回転数に対応する回転周波数成分（特定周波数成分）を有する加速度に関するデータを抽出する。そして、変位変換部７２は、抽出した特定周波数成分を有する加速度に関するデータを逆ＦＦＴする。これにより、変位変換部７２は、特定周波数成分を有する定寸装置６７の測定子６７ｂの変位、即ち、工作物Ｗの研削加工面における凹凸（表面粗さ）に関する変位データ（粗さデータ）に変換する。尚、特定周波数成分は、砥石車６６の回転数及び回転数の整数倍の周波数成分である。

【0044】

ここで、円筒研削盤６０は、砥石車６６を回転させながら工作物Ｗを研削加工する。このため、砥石車６６の表面形状は、砥石車６６が回転周期、即ち、回転数毎に転写されて工作物Ｗの研削加工面に現れる。具体的に、砥石車６６の表面に大きく突き出した砥粒が存在する場合、工作物Ｗの研削加工面においては、砥粒と当接する箇所が大きく削り取られた凹部が形成される。この場合、工作物Ｗに形成された凹部は回転方向に等間隔で形成され、工作物Ｗの周方向における凹部の間隔は砥石車６６の回転周期（回転数毎）に一致する。従って、特定周波数成分を有する加速度に関するデータを抽出することにより、砥石車６６の表面状態や砥石車６６のアンバランス状態に起因して発生するびびり振動を抽出することができる。

【0045】

びびり評価値算出部７３は、工作物Ｗの各々の軸方向位置における周方向の粗さデータに基づいて、工作物Ｗのびびり評価値を算出する。工作物Ｗの各々の軸方向位置における周方向のびびり量を算出する。ここで、周方向のびびり量の評価方法としては、例えば、粗さデータの最大値と最小値との差を算出することにより、定量的に数値化することができる。

【0046】

そして、びびり評価値算出部７３は、例えば、統計演算により、工作物Ｗの各々の軸方向位置における周方向のびびり量の平均値やバラつき等を算出する。これにより、出力部７４は、びびり評価値算出部７３がびびり量に関して算出した平均値やバラつき、即ち、基本統計量を工作物Ｗ全体の周方向のびびり評価値として算出する。ここで、びびり評価値算出部７３は、スパークアウト後の最終加工面（研削加工面）のびびり評価値を算出する。尚、びびり評価装置７０は、制御装置１２が状態データに工程情報を紐付けするのと同様に、びびり評価値算出部７３が算出したびびり評価値に工程情報（粗研削工程、精研削工程、微研削工程及びスパークアウト工程等）を紐付けすることも可能である。

【0047】

出力部７４は、びびり評価値算出部７３によって算出されたびびり評価値を出力する。ここで、出力部７４は、びびり評価値を出力することに加え、びびり評価値算出部７３によって付加された付加情報を出力することができる。付加情報としては、工作物Ｗの廃棄判定や工作物Ｗの出来栄えの選別を行うための情報が含まれる。例えば、びびり評価値算出部７３は、周方向のびびり量の平均値やバラつきが大きくびびり評価値が予め設定された閾値よりも大きい場合には、付加情報を付加することができる。

【0048】

又、付加情報としては、砥石車６６のツルーイングの要否判定を行うための情報を含むことができる。研削加工によって砥石車６６の表面が劣化すると、工作物Ｗの軸方向の全領域において周方向のびびり量が増大する。

【0049】

このため、びびり評価値算出部７３は、例えば、工作物Ｗの各々の軸方向位置における周方向のびびり量の平均値が増大した場合や周方向のびびり量のバラつきが増大した場合、ツルーイングの要否判定を行うための付加情報を付加する。尚、びびり量のバラつきの大きさについては、例えば、工作物Ｗの各々の軸方向位置における周方向のびびり量の最大値と最小値との差分や、標準偏差に基づいて、大小を判断することができる。

【0050】

（６．びびり予測システム１の機能ブロック構成）
びびり予測システム１の機能ブロックについて、図４を参照して説明する。びびり予測システム１は、制御装置１２、第一検出器１３、第二検出器１４（びびり評価装置７０）、学習処理装置２０、予測演算装置３０、表示装置４０，５０を備える。

【0051】

第一検出器１３は、上述したように、工作物Ｗの加工中に円筒研削盤６０における観測可能な状態データを検出する。状態データ（駆動電流データ及び振動データ）は、研削工程毎、即ち、粗研削工程、精研削工程、微研削工程及びスパークアウト毎について、１個の工作物Ｗにおける加工開始から加工終了までに検出されて出力される。状態データは、例えば、砥石車６６を回転駆動するモータ６６ａ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６６ａの駆動電流データに相当する。尚、状態データは、位置データ、温度データ、振動データ、加工音データ等のうち、好ましくは、振動データを含むようにしても良い。

【0052】

第二検出器１４即ちびびり評価装置７０は、上述したように、工作物Ｗの加工中に円筒研削盤６０における観測可能なびびり関連データであるびびり評価値を検出（出力）する。びびり評価値は、１つの工作物Ｗの軸方向における複数の位置におけるそれぞれの周方向のびびり量を統計演算することにより算出されるデータである。びびり評価値は、研削工程毎に検出可能であるが、スパークアウト後の最終加工面において算出する（評価する）ことが望ましい。

【0053】

又、円筒研削盤６０の制御装置１２には、カウンタが含まれている。カウンタは、円筒研削盤６０が研削加工した工作物Ｗの加工数をカウントする。本例において、カウンタは、砥石車修正装置６８が砥石車６６をツルーイング又はドレッシングしたときからの工作物Ｗの加工数をカウントする。尚、カウンタは、制御装置１２の他に、第一検出器１３自身が備えるようにしたり、検査装置２が備えるようにしたりすることもできる。

【0054】

学習処理装置２０は、第一検出器１３により検出された状態データ及びびびり評価装置７０（第二検出器１４）から出力されたびびり評価値に基づいて、びびり振動の予測を行うための学習済みモデルを生成する。学習処理装置２０は、訓練データセット取得部８１、訓練データセット記憶部８２、モデル生成部８３を備える。

【0055】

訓練データセット取得部８１は、機械学習を行うための訓練データセットを取得する。訓練データセット取得部８１は、状態データ取得部８１ａ、状態データ分割部８１ｂ、特徴量抽出部８１ｃ、びびり関連データ取得部８１ｄを備える。

【0056】

状態データ取得部８１ａは、工作物Ｗの加工中において、第一検出器１３により検出された状態データ、特に、駆動負荷データである駆動電流データを、制御装置１２を介して時系列的に取得する。尚、状態データ取得部８１ａは、複数の円筒研削盤６０に設けられた各々の第一検出器１３によって検出された状態データ（駆動電流データ）を時系列的に取得する。

【0057】

状態データ分割部８１ｂは、状態データ取得部８１ａが制御装置１２から時系列的に（連続的に）取得している状態データを研削工程毎に分割する。即ち、状態データ分割部８１ｂは、状態データに紐付けされた工程情報に基づき、状態データ取得部８１ａが連続的に取得している状態データを、例えば、粗研削工程、精研削工程、微研削工程及びスパークアウト工程毎に分割する。

【0058】

特徴量抽出部８１ｃは、状態データ分割部８１ｂによって分割された研削工程毎（粗研削工程、精研削工程、微研削工程及びスパークアウト工程等）の状態データについて、円筒研削盤６０の作動状態を反映する特徴量を抽出する。本例において、特徴量抽出部８１ｃは、周波数特性を有する状態データである駆動電流データについて、周波数解析（具体的には、ＦＦＴ（高速フーリエ変換））を行う。これにより、特徴量抽出部８１ｃは、駆動電流データの複数の周波数成分のうち、上述した砥石車６６の回転数に対応する砥石回転周波数即ち特定周波数の振幅を特徴量として抽出する。

【0059】

この場合、砥石回転周波数の振幅（特徴量）は、振幅が大きいほど研削加工に要する駆動電流が大きくなり、例えば、円筒研削盤６０の砥石車６６の摩耗が進んで工作物Ｗの表面性状が悪化する作動状態を反映することができる。一方、砥石回転周波数の振幅（特徴量）は、振幅が小さいほど研削加工に要する駆動電流が小さくなり、例えば、円筒研削盤６０の砥石車６６が工作物Ｗの表面が適切に研削している作動状態を反映することができる。

【0060】

具体的に、特徴量抽出部８１ｃは、図５に示すように、状態データ分割部８１ｂによって分割された駆動電流データについて、周波数解析としてのＦＦＴ（高速フーリエ変換）を行う。これにより、図６に示すように、駆動電流データに含まれる複数の周波数成分の各々の振幅を得ることができる。そして、特徴量抽出部８１ｃは、図６に示す複数の周波数成分の振幅のうち、特定周波数である砥石回転周波数Ｆの振幅Ａを特徴量として抽出する。

【0061】

びびり関連データ取得部８１ｄは、第二検出器１４即ちびびり評価装置７０のびびり評価値算出部７３によって算出されて出力されたびびり評価値を取得する。びびり関連データ取得部８１ｄは、最終加工面（スパークアウト後）のびびり評価値を取得する。尚、必要に応じて、びびり関連データ取得部８１ｄは、研削工程毎のびびり評価値も取得することができる。

【0062】

訓練データセット記憶部８２は、訓練データセット取得部８１によって取得した訓練データセットを記憶する。具体的には、訓練データセット記憶部８２は、特徴量抽出部８１ｃによって抽出された状態データの特徴量、即ち、砥石回転周波数Ｆ（特定回転周波数）の振幅Ａと、びびり関連データ取得部８１ｄによって取得されたびびり評価値とを関連付けて記憶する。

【0063】

モデル生成部８３は、訓練データセット記憶部８２に記憶された訓練データセットを用いて機械学習を行う。具体的には、モデル生成部８３は、特徴量抽出部８１ｃによって抽出された研削工程毎の特徴量である砥石回転周波数Ｆ（特定回転周波数）の振幅Ａを説明変数とし、びびり評価値を目的変数とした機械学習を行う。そして、モデル生成部８３は、研削加工におけるびびり振動を予測するための学習済みモデルを生成する。

【0064】

予測演算装置３０は、対応する円筒研削盤６０において加工中の状態データに基づいて、研削加工におけるびびり振動を評価するための評価値としてびびり評価値を予測する。予測演算装置３０は、モデル記憶部９１、予測用データ取得部９２、評価値予測部９３、出力部９４を備える。

【0065】

モデル記憶部９１は、モデル生成部８３が生成した学習済みモデルを記憶する。予測用データ取得部９２は、予測対象の研削工程における加工中において、予測用データを取得する。予測用データ取得部９２は、状態データ取得部９２ａ、状態データ分割部９２ｂ、特徴量抽出部９２ｃを備える。

【0066】

状態データ取得部９２ａは、予測対象の研削工程における加工中において、第一検出器１３によって検出されて制御装置１２を介して出力された状態データ、特に、駆動負荷データであって駆動電流データを取得する。具体的には、状態データ取得部９２ａは、予測対象の粗研削工程、精研削工程、微研削工程及びスパークアウト工程毎に、工程情報と紐付けされた状態データ（駆動電流データ）を取得する。

【0067】

状態データ分割部９２ｂは、状態データ取得部９２ａによって取得された状態データを研削工程毎に分割する。具体的には、状態データ分割部９２ｂは、状態データに紐付けされた工程情報に基づき、状態データを研削工程毎に分割する。

【0068】

特徴量抽出部９２ｃは、状態データ分割部９２ｂによって研削工程毎に分割された状態データ（駆動電流データ）の特徴量である砥石回転周波数Ｆ（特定回転周波数）の振幅Ａを抽出する。ここで、本例においては、抽出される特徴量は、状態データである駆動電流データについてＦＦＴ（高速フーリエ変換）を行い、砥石回転周波数Ｆにおける波形の振幅Ａである。従って、特徴量抽出部９２ｃによって抽出される特徴量は、訓練データセット取得部８１の特徴量抽出部８１ｃによって抽出される特徴量と同種である。

【0069】

ここで、状態データ取得部９２ａ、状態データ分割部９２ｂ及び特徴量抽出部９２ｃは、訓練データセット取得部８１の状態データ取得部８１ａ、状態データ分割部８１ｂ及び特徴量抽出部８１ｃと同様の処理を行う。尚、本例においては、状態データ取得部９２ａ、状態データ分割部９２ｂ及び特徴量抽出部９２ｃは、訓練データセット取得部８１の状態データ取得部８１ａ、状態データ分割部８１ｂ及び特徴量抽出部８１ｃとは別要素として説明する。

【0070】

但し、訓練データセット取得部８１の各要素８１ａ，８１ｂ，８１ｃを、予測用データ取得部９２の各要素９２ａ，９２ｂ，９２ｃと兼用とすることも可能である。即ち、学習処理装置２０における要素８１ａ，８１ｂ，８１ｃの機能が、予測演算装置３０の一部の機能と兼用される。

【0071】

評価値予測部９３は、モデル記憶部９１に記憶された学習済みモデルを取得する。又、評価値予測部９３は、予測用データ取得部９２によって取得された予測対象の研削工程における特徴量、即ち、特定回転周波数であって砥石回転周波数Ｆの振幅Ａを取得する。これにより、評価値予測部９３は、学習済みモデルと特徴量（砥石回転周波数Ｆの振幅Ａ）とに基づいて、推定びびり評価値を予測する（推定する）。

【0072】

出力部９４は、評価値予測部９３が予測した推定びびり評価値を表示装置４０，５０に出力する。ここで、出力部９４は、例えば、第二検出器１４（びびり評価装置７０）から出力された付加情報、即ち、工作物Ｗの品質（研削表面における表面粗さ等）や、砥石車６６（砥石Ｔ）の摩耗状態も合わせて出力することができる。ここで、砥石車６６（砥石Ｔ）の摩耗状態は、推定びびり評価値が大きくなるほど、摩耗状態が進んでいる（悪化している）と判断することができる。又、出力部９４は、例えば、特徴量抽出部９２ｃによって抽出された特徴量、即ち、砥石回転周波数Ｆの振幅Ａを表示したり、第一検出器１３によって検出された状態データ、即ち、円筒研削盤６０（研削盤１１）の作動に関する各種情報を出力したりすることができる。

【0073】

表示装置４０，５０は、予測演算装置３０の出力部９４から出力された情報を表示する。具体的に、表示装置４０，５０は、予測演算装置３０から出力された推定びびり評価値を表示する。これにより、作業者或いは円筒研削盤６０（研削盤１１）の制御装置１２は、研削工程を経て加工される工作物Ｗの品質を確認することができる。

【0074】

又、表示装置４０，５０は、推定びびり評価値と共に、円筒研削盤６０（研削盤１１）の作動に関する各種情報や砥石車６６の摩耗状態等も表示することができる。これにより、作業者或いは制御装置１２は、研削加工を行っている円筒研削盤６０（研削盤１１）に異常が発生しているか否かを判断することもできる。

【0075】

尚、作業者或いは制御装置１２は、例えば、砥石車６６の摩耗状態が進んで推定びびり評価値が予め設定された基準値よりも大きい場合には、砥石車修正装置６８を作動させることができる。これにより、作業者或いは制御装置１２は、砥石車６６のツルーイングを実施したり、砥石車６６の交換を実施したりすることができる。

【0076】

更に、表示装置４０，５０は、作業者が改善点を把握するために、例えば、研削工程毎に特徴量も表示することができる。これにより、作業者は、研削工程毎の特徴量、即ち、砥石回転周波数（特定回転周波数）の振幅の大きさのうち、改善に有益な特徴量を容易に見つけることができる。

【0077】

（６．第一別例）
上述した本例においては、学習処理装置２０のモデル生成部８３が生成した学習済みモデルは、予測演算装置３０のモデル記憶部９１に記憶されるようにした。ところで、学習済みモデルは、訓練データセット記憶部８２に記憶された訓練データセットを用いた機械学習を行うことにより生成される。従って、訓練データセットの数が増える、換言すれば、機械学習による学習が進むほど、精度の高い学習済みモデルを生成することができるため、学習済みモデルを逐次更新することが好ましい。

【0078】

そこで、第一別例においては、図７に示すように、学習処理装置２０が更新判定部としてのモデル更新部８４を備えるように構成することができる。モデル更新部８４は、図８に詳細に示すように、びびり評価値取得指令部８４ａ、びびり評価値取得部８４ｂ、モデル更新判定部８４ｃ、及び、モデル更新指令部８４ｄを備える。

【0079】

びびり評価値取得指令部８４ａは、所定の頻度、例えば、工作物Ｗの加工数Ｎが基準加工数Ｎ１以上になる度に、第二検出器１４（びびり評価装置７０）からびびり評価値の取得を指令する取得指令情報をびびり評価値取得部８４ｂに出力する。びびり評価値取得部８４ｂは、取得指令情報を取得すると、第二検出器１４（びびり評価装置７０）からびびり評価値を取得する。そして、びびり評価値取得部８４ｂは、取得したびびり評価値をモデル更新判定部８４ｃに出力する。尚、びびり評価装置７０からびびり評価値を取得する場合、びびり評価値取得指令部８４ａがびびり評価装置７０に対して、びびり評価値取得部８４ｂにびびり評価値を出力するように出力指令情報を出力することも可能である。

【0080】

モデル更新判定部８４ｃは、びびり評価値取得部８４ｂから出力されたびびり評価値を取得すると共に、評価値予測部９３によって予測された推定びびり評価値を取得する。モデル更新判定部８４ｃは、定寸装置６７において実測された加速度データに基づいて出力されるびびり評価値と、評価値予測部９３においてモデル記憶部９１に記憶されている学習済みモデルを用いて予測される推定びびり評価値とを比較して差分を算出する。そして、モデル更新判定部８４ｃは、算出した差分の大きさが予め設定された判定値を超えている、即ち、びびり評価値と推定びびり評価値との乖離が大きいか否かを判定する。

【0081】

モデル更新判定部８４ｃは、判定において差分が判定値を超えている（乖離が大きい）場合には、モデル更新指令部８４ｄに対して、学習済みモデルの更新を要求する更新要求情報を出力する。尚、モデル更新判定部８４ｃは、判定において差分が判定値以下（乖離が小さい）場合には、モデル更新指令部８４ｄに更新要求情報を出力しない。

【0082】

モデル更新指令部８４ｄは、モデル更新判定部８４ｃから更新要求情報を取得すると、モデル生成部８３に対し、再び学習済みモデルを生成することを要求する。モデル生成部８３は、モデル更新指令部８４ｄから更新要求情報を取得すると、上述した機械学習と同様に、訓練データセット記憶部８２に記憶された訓練データセットを用いて機械学習を行うことにより、新たな学習済みモデルを生成する。そして、モデル記憶部９１は、新たに生成された学習済みモデルに更新して記憶する。

【0083】

このように、学習済みモデルを更新することにより、学習済みモデルの精度を高めることができ、ひいては、推定びびり評価値を精度よく予測することができる。

【0084】

（７．第二別例）
上述した本例の学習処理装置２０においては、特徴量抽出部８１ｃが第一検出器１３から状態データとして取得した駆動電流データについてＦＦＴを行い、特徴量として特定回転周波数（砥石回転周波数Ｆ）における駆動電流の振幅Ａを抽出するようにした。これに加えて、特徴量抽出部８１ｃが第一検出器１３から研削工程毎の振動データ（加速度データ）を状態データとして取得することも可能である。この場合、振動データ（加速度データ）も周波数特性を有しており、特徴量抽出部８１ｃは、取得した振動データ（加速度データ）について周波数解析（ＦＦＴ）を行い、特徴量として特定回転周波数（砥石回転周波数）における振動（加速度）の振幅を抽出する。

【0085】

そして、訓練データセット記憶部８２は、特徴量抽出部８１ｃによって抽出された砥石回転周波数Ｆ（特定回転周波数）における駆動電流の振幅Ａ、及び、砥石回転周波数（特定回転周波数）における振動（加速度）の振幅と、びびり関連データ（例えば、びびり評価値）とを訓練データセットとして記憶する。これにより、モデル生成部８３は、駆動電流の振幅Ａ及び振動（加速度）の振幅を説明変数とし、びびり関連データ（びびり評価値）を目的変数とする機械学習を行い、学習済みモデルを生成することができる。

【0086】

即ち、この場合には、上述した本例の場合に比べて、説明変数の数を増やして機械学習を行うことができる。このため、モデル生成部８３は、生成精度を高めることができ、その結果、より精度の高い学習済みモデルを生成することができる。

【0087】

（８．第三別例）
上述した本例、第一別例及び第二別例においては、第二検出器１４としてびびり評価装置７０を用い、びびり評価装置７０が工作物Ｗの研削加工中、或いは、加工直後の、所謂、インプロセスによりびびり関連データとしてのびびり評価値を出力するようにした。即ち、上述した本例、第一別例及び第二別例においては、びびり評価装置７０を各々の円筒研削盤６０に設ける、即ち、びびり評価装置７０を研削装置１０の機内に設けるようにした。これにより、機内に第二検出器１４として設けられた各々のびびり評価装置７０は、加工直後のびびり評価値を出力する。尚、びびり評価装置７０は、粗研削工程、精研削工程、微研削工程及びスパークアウト工程の各々についてのびびり評価値を出力することもできる。

【0088】

これに代えて、図１に示すように、研削装置１０の機外であってインラインに設けられた検査装置２として、例えば、びびり評価装置７０を用いることも可能である。この場合、加工後のびびり評価値を機外で評価することができる。

【0089】

具体的に、第三別例においては、図４及び図７において破線により示すように、訓練データセット取得部８１のびびり関連データ取得部８１ｄは、インラインに設けられたびびり評価装置７０からびびり評価値を取得する。従って、この第三別例においても、びびり予測システム１は、上述した本例、第一別例及び第二別例と同様に作動して同様の効果が得られる。

【0090】

（９．その他）
上述した本例、第一別例、第二別例及び第三別例においては、訓練データセット取得部８１のびびり関連データ取得部８１ｄは、第二検出器１４又は検査装置２として用いられたびびり評価装置７０からびびり評価値をびびり関連データとして取得するようにした。しかしながら、第二検出器１４又は検査装置２から出力されるびびり関連データは、びびり評価値に限られるものではなく、例えば、工作物Ｗの研削加工面の表面粗さを直接的に検出した粗さデータや、研削加工面の表面粗さに起因して発生する加速度を直接的に検出した加速度データ、或いは、加速度データから間接的に検出される振動を表す振動データであっても良い。

【0091】

これらの粗さデータや、加速度データ、振動データについては、例えば、工作物Ｗの研削加工面全体について検出された後、統計演算することによって得られる平均値、最大値、最小値、分散値、標準偏差等が評価値として出力される。そして、びびり関連データ取得部８１ｄは、出力された評価値をびびり関連データとして取得して訓練データセット記憶部８２に出力する。これにより、訓練データセット記憶部８２は、評価値が目的変数となる訓練データセットを記憶し、モデル生成部８３は、訓練データセットを用いた機械学習を行うことによって学習済みモデルを生成することができる。

【0092】

又、上述した本例、及び、第一別例から第三別例においては、学習処理装置２０及び予測演算装置３０が研削工程毎、即ち、粗研削工程、精研削工程、微研削工程、スパークアウト工程等に応じた状態データと加工直後のびびり関連データを取得するようにした。そして、予測演算装置３０は、びびり量（例えば、推定びびり評価値）を予測するようにした。

【0093】

しかしながら、状態データについては、必ずしも研削工程毎に分割する必要はない。この場合、学習処理装置２０は、例えば、連続的に（時系列的に）状態データを取得し、任意の時点において取得した複数の工作物Ｗについての状態データと加工直後のびびり関連データを訓練データセットとして学習済みモデルを生成することも可能である。又、予測演算装置３０は、連続的に（時系列的に）状態データを取得し、任意の時点において取得した状態データと学習済みモデルとを用いて、びびり量（例えば、推定びびり評価値）を予測して出力することも可能である。

【0094】

この場合には、研削工程毎の区別がなくなるため、例えば、学習処理装置２０の訓練データセット取得部８１における状態データ分割部８１ｂ及び予測演算装置３０の予測用データ取得部９２における状態データ分割部９２ｂを省略することが可能である。これにより、学習処理装置２０及び予測演算装置３０の構成を簡略化することができる。一方で、研削工程毎の区別がなくなるため、上述した本例等の場合に比べて、学習済みモデルの生成精度及びびびり量（推定びびり評価値）の予測精度が研削工程に応じて若干悪化する虞がある。

【0095】

更に、上述した本例、及び、第一別例から第三別例においては、状態データ分割部８１ｂ及び状態データ分割部９２ｂは、状態データ取得部８１ａ及び状態データ取得部９２ａが取得した状態データを逐次分割するようにした。これに代えて、状態データ分割部８１ｂ及び状態データ分割部９２ｂは、状態データ取得部８１ａ及び状態データ取得部９２ａが全ての研削工程の経過に伴って状態データを取得した後に、工程情報に基づいて状態データを研削工程毎に分割することも可能である。

【符号の説明】

【0096】

１…びびり予測システム、２…検査装置、１０…研削装置、１１…研削盤、１２…制御装置、１３…第一検出器、１４…第二検出器、１５…インターフェース、２０…学習処理装置、２１…プロセッサ、２２…記憶装置、２３…インターフェース、３０…予測演算装置、３１…プロセッサ、３２…記憶装置、３３…インターフェース、４０…共通表示装置、５０…個別表示装置、６０…円筒研削盤、６１…ベッド、６２…主軸台、６２ａ…モータ、６３…心押台、６４…トラバースベース、６４ａ…モータ、６５…砥石台、６５ａ…モータ、６６…砥石車、６６ａ…モータ、６７…定寸装置、６７ａ…送り機構、６７ｂ…測定子、６７ｃ…加速度センサ、６８…砥石車修正装置、６９…クーラント装置、７０…びびり評価装置、７１…実データ取得部、７２…変位変換部、７３…評価値算出部、７４…出力部、８１…訓練データセット取得部、８１ａ…状態データ取得部、８１ｂ…状態データ分割部、８１ｃ…特徴量抽出部、８１ｄ…びびり関連データ取得部、８２…訓練データセット記憶部、８３…モデル生成部、８４…モデル更新部、８４ａ…びびり評価値取得指令部、８４ｂ…びびり評価値取得部、８４ｃ…モデル更新判定部、８４ｄ…モデル更新指令部、９１…モデル記憶部、９２…予測用データ取得部、９２ａ…状態データ取得部、９２ｂ…状態データ分割部、９２ｃ…特徴量抽出部、９３…評価値予測部、９４…出力部、Ａ…振幅（特徴量）、Ｆ…砥石回転周波数（特定回転周波数）、Ｎ…加工数、Ｎ１…基準加工数、Ｔ…砥石、Ｗ…工作物

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】