特許 7559719 クーラント状態推測システム、クーラント状態推測方法、プログラム、学習済みモデルおよび機械学習器

(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】2024-09-24

(45)【発行日】2024-10-02

(54)【発明の名称】クーラント状態推測システム、クーラント状態推測方法、プログラム、学習済みモデルおよび機械学習器

(51)【国際特許分類】

   B23Q 11/10 20060101AFI20240925BHJP

   G05B 19/418 20060101ALI20240925BHJP

   B23Q 17/00 20060101ALI20240925BHJP

【ＦＩ】

B23Q11/10 Z

G05B19/418 Z

B23Q17/00 A

【請求項の数】 11

(21)【出願番号】P 2021151042

(22)【出願日】2021-09-16

(65)【公開番号】P2023043415

(43)【公開日】2023-03-29

【審査請求日】2023-10-26

(73)【特許権者】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】於本 傑

【審査官】増山 慎也

(56)【参考文献】

【文献】特開２０２０－１７９４３３（ＪＰ，Ａ）

【文献】特開２０１７－０８７４０３（ＪＰ，Ａ）

【文献】国際公開第２０１８／０６２３１７（ＷＯ，Ａ１）

【文献】特開２００７－１００９６７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２３Ｑ １１／００、１０

Ｂ２３Ｑ １７／００

Ｇ０５Ｂ １９／４１８

Ｇ０６Ｎ ５／０４６

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測システムであって、
前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得部と、
前記加工機の加工条件に関する加工情報を取得する加工情報取得部と、
前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測部と、を備え、
前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである、クーラント状態推測システム。

【請求項2】

前記加工情報は、前記加工機の加工計画に関する加工計画情報を含む情報である、
請求項１に記載のクーラント状態推測システム。

【請求項3】

前記加工情報は、前記加工機を使用する環境に関する環境情報を含む情報である、
請求項１又は２に記載のクーラント状態推測システム。

【請求項4】

請求項１～３のいずれか１項に記載のクーラント状態推測システムであって、
前記推測部により推測された前記測定値の時間的変化に基づいて、前記クーラントの状態を改善する作業計画を決定する作業計画決定部をさらに備えるクーラント状態推測システム。

【請求項5】

前記作業計画決定部は、作業内容と作業時期を決定する、
請求項４に記載のクーラント状態推測システム。

【請求項6】

前記作業計画決定部は、前記加工機の加工計画に基づいて、前記加工機による加工が停止されている期間内に作業時期を決定する、
請求項４又は５に記載のクーラント状態推測システム。

【請求項7】

前記測定値は、前記クーラントの液量、前記クーラントの濃度、前記クーラントの温度、前記クーラントのｐＨ、前記クーラントの硬度の少なくともいずれかを含む、
請求項１～６のいずれか１項に記載のクーラント状態推測システム。

【請求項8】

コンピュータによって、加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測方法であって、
前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得ステップと、
前記加工機の加工条件に関する加工情報を取得する加工情報取得ステップと、
前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測ステップと、を備え、
前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである、クーラント状態推測方法。

【請求項9】

加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測方法を実行するプログラムであって、
前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得ステップと、
前記加工機の加工条件に関する加工情報を取得する加工情報取得ステップと、
前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測ステップと、をコンピュータに実行させるものであって、
前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである、プログラム。

【請求項10】

加工機に用いられるクーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報と、前記加工機の加工条件に関する加工情報から作成される教師データを用いて、前記測定値の時間的変化を学習させた学習済みモデルであって、
前記測定情報と前記加工情報の入力に対し、前記測定情報の測定時刻以後の前記測定値の時間的変化を出力するよう、コンピュータを機能させる学習済みモデル。

【請求項11】

加工機に用いられるクーラントの状態の時間的変化を学習する機械学習器であって、
前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得部と、
前記加工機の加工条件に関する加工情報を取得する加工情報取得部と、
前記測定情報と前記加工情報から作成される教師データに基づいて、前記測定値の時間的変化を学習する学習部と、
を備える機械学習器。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、クーラント状態推測システム、クーラント状態推測方法、プログラム、学習済みモデルおよび機械学習器に関する。

【背景技術】

【0002】

工作機械などの加工機では、加工時や工具の交換時にクーラント（切削油）が供給される。クーラントは、加工機において、加工精度の向上や工具の磨耗の抑制など重要な役割を果たしているため、クーラントの状態を適切に管理する必要がある。

【0003】

そこで、例えば、特許文献１では、加工機に供給されるクーラントを貯留するクーラントタンクに各種センサを設け、クーラントの状態（濃度、硬度など）を継続的に測定することで、クーラントの状態を監視する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１０－１８８４８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ここで、発明者は、このようなクーラントの状態を継続的に測定する技術に関して、以下のような問題点を見出した。
クーラントの状態を精度よく測定するためには、測定する際に、クーラントを攪拌し、クーラントタンク内のクーラントの状態を均一にする必要がある。そのため、上記従来技術のようにクーラントの状態を継続的に測定していても、例えば加工機の停止中など、クーラントが十分に攪拌されていない時間帯においては、クーラントの状態を精度よく測定できず、クーラントの状態を適切に管理することができないという問題点がある。

【0006】

本発明は、このような事情に鑑みてなされてものであって、クーラントが十分に攪拌されていない時間帯においても、クーラントの状態を推測できるクーラント状態推測システム、クーラント状態推測方法、プログラムおよび学習済みモデルと、クーラントの状態の時間的変化を学習できる機械学習器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】

本発明の一態様に係るクーラント状態推測システムは、
加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測システムであって、前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得部と、前記加工機の加工条件に関する加工情報を取得する加工情報取得部と、前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測部と、を備え、前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである。

【0008】

このような構成により、クーラントの状態に関する測定値の時間的変化を推測することができるため、クーラントの状態に関する測定値を継続的に精度よく測定できない場合にも、推測された測定値の時間的変化に基づいてクーラントの状態を適切に管理することができる。

【0009】

上記態様のクーラント状態推測システムにおいて、前記加工情報は、前記加工機の加工計画に関する加工計画情報を含む情報であってもよい。
このような構成により、クーラントの状態に関する測定値の時間的変化に影響を及ぼしうる加工計画を含めて、クーラントの状態に関する測定値の時間的変化を推測することができる。

【0010】

上記態様のクーラント状態推測システムにおいて、前記加工情報は、前記加工機を使用する環境に関する環境情報を含む情報であってもよい。
このような構成により、クーラントの状態に関する測定値の時間的変化に影響を及ぼしうる環境情報を含めて、クーラントの状態に関する測定値の時間的変化を推測することができる。

【0011】

上記態様のクーラント状態推測システムにおいて、前記推測部により推測された前記測定値の時間的変化に基づいて、前記クーラントの状態を改善する作業計画を決定する作業計画決定部をさらに備えるものであってもよい。
このような構成により、クーラントの状態に関する測定値の時間的変化から、クーラントの状態を改善するための適切な作業計画を決定することができる。

【0012】

上記態様のクーラント状態推測システムにおいて、前記作業計画決定部は、作業時期と作業内容を決定するものであってもよい。
このような構成により、クーラントの状態に関する測定値の時間的変化から、クーラントの状態を改善するための適切な作業計画をより詳細に決定することができる。

【0013】

上記態様のクーラント状態推測システムにおいて、前記作業計画決定部は、前記加工機の加工計画に基づいて、前記加工機による加工が停止されている期間内に作業時期を決定するものであってもよい。
このような構成により、加工機による加工が停止されている期間内に作業を行うことで、クーラントを交換する場合にも加工を停止することなく、作業を行うことができる。また、作業後、加工機の稼働までにクーラントの状態を均一にする時間を確保することができる。

【0014】

上記態様のクーラント状態推測システムにおいて、前記測定値は、前記クーラントの液量、前記クーラントの濃度、前記クーラントの温度、前記クーラントのｐＨ、前記クーラントの硬度の少なくともいずれかを含むものであってもよい。
このような構成により、種々のクーラントの状態に関する測定値の時間的変化を推測することができ、これらに起因する悪影響を防止することができる。

【0015】

また、本発明の一態様に係るクーラント状態推測方法は、
コンピュータによって、加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測方法であって、前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得ステップと、前記加工機の加工条件に関する加工情報を取得する加工情報取得ステップと、前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測ステップと、を備え、前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである。

【0016】

また、本発明の一態様に係るプログラムは、
加工機に用いられるクーラントの状態の時間的変化を推測するクーラント状態推測方法を実行するプログラムであって、前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得ステップと、前記加工機の加工条件に関する加工情報を取得する加工情報取得ステップと、前記測定情報と前記加工情報に基づき、学習済みモデルを用いて前記測定情報の測定時刻以後の前記測定値の時間的変化を推測する推測ステップと、をコンピュータに実行させるものであって、前記学習済みモデルは、前記測定情報と前記加工情報から作成される教師データを用いて前記測定値の時間的変化を学習させたものである。

【0017】

また、本発明の一態様に係る学習済みモデルは、
加工機に用いられるクーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報と、前記加工機の加工条件に関する加工情報から作成される教師データを用いて、前記測定値の時間的変化を学習させた学習済みモデルであって、前記測定情報と前記加工情報の入力に対し、前記測定情報の測定時刻以後の前記測定値の時間的変化を出力するよう、コンピュータを機能させるものである。

【0018】

このような構成により、クーラントの状態に関する測定値の時間的変化を推測することができるため、クーラントの状態に関する測定値を継続的に精度よく測定できない場合にも、推測された測定値に基づいてクーラントの状態を適切に管理することができる。

【0019】

また、本発明の一態様に係る機械学習器は、
加工機に用いられるクーラントの状態の時間的変化を学習する機械学習器であって、前記クーラントの状態に関する測定値を、前記測定値の測定時刻と関連付けた測定情報として取得するクーラント状態取得部と、前記加工機の加工条件に関する加工情報を取得する加工情報取得部と、前記測定情報と前記加工情報から作成される教師データに基づいて、前記測定値の時間的変化を学習する学習部と、を備えるものである。

【0020】

このような構成により、クーラントの状態に関する測定値の時間的変化を学習し、該測定値の時間的変化を推測することができる学習済みモデルを生成することができる。

【発明の効果】

【0021】

本発明により、クーラントが十分に攪拌されていない時間帯においても、クーラントの状態を推測できるクーラント状態推測システム、クーラント状態推測方法、プログラムおよび学習済みモデルと、クーラントの状態の時間的変化を学習できる機械学習器を提供することができる。

【図面の簡単な説明】

【0022】

【図1】第１の実施形態にかかるクーラント状態推測システムのハードウェア構成の 概略を示す図である。

【図2】第１の実施形態にかかるクーラント状態推測システムの機能構成を示す図で ある。

【図3】第１の実施形態にかかる機械学習器の機能構成を示す図である。

【図4】第１の実施形態にかかる機械学習に用いられる学習用データセットを示す図 である。

【図5】第１の実施形態にかかる機械学習に用いられるニューラルネットワークを示 す図である。

【図6】第１の実施形態にかかる機械学習に用いられるリカレントニューラルネット ワークを示す図である。

【図7】第１の実施形態にかかる学習処理の流れを示すフロー図である。

【図8】第１の実施形態にかかるクーラント状態推測処理のフロー図である。

【発明を実施するための形態】

【0023】

以下、本発明を適用した具体的な実施形態について、図面を参照しながら詳細に説明する。ただし、本発明が以下の実施形態に限定される訳ではない。また、説明を明確にするため、以下の記載及び図面は、適宜、簡略化されている。

【0024】

＜第１の実施形態＞
まず、第１の実施形態にかかるクーラント状態推測システムについて説明する。図１は、本実施形態にかかるクーラント状態推測システム１００のハードウェア構成の概略を示すブロック図である。

【0025】

図１に示すように、クーラント状態推測システム１００は、パーソナルコンピュータなどの一般的な情報処理装置が有するコンピュータ資源を有している。具体的には、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、ＨＤＤ（Hard Disk Drive）１０４と、通信インターフェース（I／F）１０５と、入出力インターフェース（I／F）１０６と、を備えている。また、これらの各部は、データバス１０７を介して相互に通信可能に接続されている。なお、ここでは、クーラント状態推測システム１００の各部が、加工機２００の制御機能が組み込まれた情報処理装置により実現される例について説明するが、加工機２００の制御機能を有する制御装置とは独立して設けられた情報処理装置により実現されてもよく、また、これらの一部又は全ての機能が、エッジやクラウド等の外部装置において、実現されてもよい。

【0026】

ＣＰＵ１０１は、クーラント状態推測システム１００を統括的に制御するマイクロプロセッサである。具体的には、ＲＯＭ１０２、ＨＤＤ１０４に記憶された本実施形態において実行される各種の制御プログラムを読み出し、ＲＡＭ１０３上に展開されたこれらのプログラムを実行する。ここで、記憶装置として、ＨＤＤ１０４に替えて、または加えて、ＳＳＤ（Solid State Drive）が備えられていてもよい。

【0027】

通信インターフェース１０５は、クーラント状態推測システム１００と外部装置との通信を行う。ここで、通信は、無線有線を問わず、種々の通信技術により実現される。
本実施形態では、例えば、加工機２００の周辺に設けられ、加工機２００が使用される環境に関する環境情報を測定する環境情報センサ２０１から、環境情報を受信する。また、加工機２００と、クーラント供給路２０２およびクーラント回収路２０３を介して接続されたクーラントタンク２０４に設けられ、クーラント２０５の状態に関する測定値を測定するクーラント状態センサ２０６から、クーラント２０５の状態に関する測定値を受信する。

【0028】

入出力インターフェース１０６は、クーラント状態推測システム１００と外部との入出力を行う。例えば、推測されたクーラント２０５の状態に関する情報を表示するディスプレイなどの出力装置や、作業者が使用するための入力装置が備えられている。

【0029】

次に、本実施形態に係るクーラント状態推測システム１００の機能構成を説明する。図２は、本実施形態に係るクーラント状態推測システム１００の機能構成を示すブロック図である。

【0030】

図２に示すように、クーラント状態推測システム１００は、機能構成として、クーラント状態取得部３０１と、環境情報取得部３０２および加工計画情報取得部３０３を含む加工情報取得部３０４と、推測部３０５と、制御部３０６と、加工計画記憶部３０７と、作業計画決定部３０８と、表示部３０９と、を備えている。これらは、ＣＰＵ１０１により、ＲＯＭ１０２などに記憶された各種の制御プログラムが実行されることによって機能する。また、クーラント状態推測システム１００の機能の一部または全ての機能は、ハードウェア回路によって実現されてもよい。

【0031】

クーラント状態取得部３０１は、クーラント２０５の状態に関する測定値を、該測定値を測定した測定時刻と関連付けた測定情報として取得する。具体的には、クーラント２０５の液量、濃度、温度、ｐＨ、硬度などを測定するクーラント状態センサ２０６から、測定結果としての測定値を、該測定値を測定した測定時刻と関連付けた測定情報として取得する。ここで、クーラント状態センサ２０６からは測定値のみを取得し、クーラント状態取得部３０１において、測定時刻との関連付けを行い、測定情報として取得するようにしてもよい。

【0032】

また、これらの測定情報は、クーラントタンク２０４に設けられたクーラント状態センサ２０６から取得されてもよいが、作業者がクーラントタンク２０４から独立した各種センサを用いて、クーラントの状態を測定し、クーラント状態推測システム１００に対して入力することにより取得されてもよい。すなわち、本発明においては、必ずしもクーラントの状態を継続的に測定する必要がないため、クーラントタンク２０４に備え付けのクーラント状態センサ２０６を設けない構成とすることもできる。このような構成により、１つのセンサを複数のクーラントタンク２０４で共有することができるため、コストを削減することができる。

【0033】

加工情報取得部３０４は、加工機２００の加工条件に関する加工情報を取得する。具体的には、環境情報取得部３０２および加工計画情報取得部３０３を備えている。
環境情報取得部３０２は、加工機２００が使用される環境に関する環境情報を取得する。具体的には、加工機２００の周辺に設けられ、加工機２００が使用される環境の温度や湿度などを測定する環境情報センサ２０１から、環境情報を取得する。ここで、これらの環境情報は、環境情報センサ２０１から取得されてもよいが、外部から提供されている気象情報、気象予報情報などを利用し、取得されてもよい。

【0034】

加工計画情報取得部３０３は、加工機２００の加工計画に関する加工計画情報を取得する。具体的には、加工計画記憶部３０７に記憶されている加工機２００の加工計画から、加工機２００が加工する加工部品数や、加工機２００が稼働している時間の割合を指す稼働率、加工機２００が一つの部品を加工するのに要する時間を指すサイクルタイムなどの情報を取得する。ここでは、クーラント状態推測システム１００が加工計画記憶部３０７を備える例について説明したが、エッジやクラウドなどの外部装置において記憶された加工機２００の加工計画から、加工計画情報を取得する構成であってもよい。

【0035】

また、本発明において、加工情報取得部３０４が取得する加工情報は、上記のような環境情報や加工計画情報に限定されず、加工機２００における主軸回転数、切削速度、工具に関する情報など加工条件に関する加工情報を幅広く含むものである。

【0036】

推測部３０５は、クーラント状態取得部３０１により取得された測定情報と、加工情報取得部３０４により取得された加工情報に基づいて、学習済みモデルを用いて該測定情報の測定時刻以後の測定値の時間的変化を推測する。具体的には、測定情報の測定時刻から所定時間経過後の液量、濃度、温度、ｐＨ、硬度などの測定値を推測する。なお、本発明において、測定値の時間的変化とは、測定時刻以後の測定値の連続的な時系列データと、測定時刻から所定時間経過後の１時点における測定値との双方を含むものであり、推測部３０５は、測定時刻から所定時間経過後の１時点における測定値のみを推測する構成であってもよい。ここで、上記の学習済みモデルは、予め、クーラント状態推測システム１００や外部装置において、測定情報と加工情報から作成される教師データを用いて測定値の時間的変化を学習させ、推測部３０５に記憶されたものであるが、具体的な学習の手法については、後に詳述する。

【0037】

制御部３０６は、加工機２００による加工動作を制御する。例えば、加工計画記憶部３０７に記憶されている加工計画に基づいて、加工機２００に設けられたサーボモータなどの駆動を数値制御し、加工動作を制御する。

【0038】

作業計画決定部３０８は、推測部３０５により推測されたクーラント２０５の状態に関する測定値の時間的変化に基づいて、クーラント２０５の状態を改善するための作業計画を決定する。具体的には、推測されたクーラント２０５の状態に関する測定値の時間的変化から、クーラントの補充・交換の必要性を判断し、クーラント２０５の状態を改善するために必要な作業内容や作業時期を決定する。例えば、予めクーラント２０５の状態に関する測定値の正常範囲などをメモリ上に記憶しておき、推測された所定時間経過後の測定値が正常範囲を外れる場合には、所定時間が経過する前のタイミングを作業時期として決定する。

【0039】

また、作業内容については、クーラント２０５を補充することにより、測定値が正常範囲に収まる場合には、測定値を正常範囲に収めるために必要な補充量や補充するクーラント濃度を、推測された測定値を用いて算出し、補充量と補充するクーラント濃度を作業内容として決定する。一方で、クーラント２０５の補充によって、正常範囲に収めることができない場合には、クーラント２０５の交換を作業内容として決定する。その他にも、クーラント２０５の状態を改善するために必要な作業内容を、クーラント２０５の状態に関する測定値の時間的変化と関連付けて、予めテーブルなどでメモリ上に記憶しておき、推測された測定値の時間的変化に基づいて、作業内容を決定する例なども考えられる。この場合、予め実験を行うことや、熟練度の高い作業者へヒアリングを行うことで、クーラント２０５の状態を改善するために必要な作業内容を決定することができる。

【0040】

このように、作業計画決定部３０８は、作業内容、作業時期を決定するが、これらの一方のみを決定する構成であってもよい。すなわち、予め作業時期を作業者が決定し、作業計画決定部３０８に入力しておくことで、該作業時期に実行すべき作業内容を作業計画決定部３０８が決定するものであってもよく、作業計画決定部３０８が、作業が必要となる作業時期のみを決定し、作業者に通知するなどして、作業者が作業内容を決定するものであってもよい。

【0041】

ここで、作業計画決定部３０８は、加工計画記憶部３０７に記憶されている加工機２００の加工計画をさらに用いて、作業時期を決定することもできる。具体的には、推測された所定時間経過後の測定値が正常範囲を外れる場合、所定時間が経過する前であり、かつ、加工機２００による加工が停止されている期間内に作業時期を決定する。

【0042】

ここで、作業内容としてクーラント２０５の交換をする場合は、クーラント２０５を交換している間、加工機２００による加工を停止する必要があり、クーラント２０５を補充する場合にも、補充したクーラント２０５が残存するクーラント２０５と、混ざり合うまで一定期間を要する。したがって、作業時期としては、加工機２００による加工が停止されている期間が好ましい場合があり、作業計画決定部３０８は、加工機２００による加工が停止されている期間内に作業時期を決定することができる。なお、ここでいう、加工が停止されている期間とは、加工機２００の電源が停止されている期間のみではなく、加工機２００の加工条件などを調整するために一時的に加工が停止されている期間も含むものである。

【0043】

表示部３０９は、推測部３０５により推測されたクーラント２０５の状態に関する測定値の時間的変化や、作業計画決定部３０８により決定されたクーラント２０５の状態を改善するために必要な作業計画（作業内容・作業時期）などを表示する。表示部３０９により、表示することによって、作業者に対してこれらの情報を通知することができ、例えば、クーラント２０５の状態に関する測定値の時間的変化を通知した場合には、作業者が必要な作業時期や作業内容を自ら決定し、作業を行うことができる。また、ここでは、クーラント状態推測システム１００が情報処理装置として、表示部３０９を備える例について説明したが、作業者が保有するタブレット端末などに表示部３０９が設けられる構成であってもよい。

【0044】

また、本実施形態においては、推測部３０５により推測されたクーラント２０５の状態に関する測定値の時間的変化や、作業計画決定部３０８により決定されたクーラント２０５の状態を改善するために必要な作業計画（作業内容・作業時期）を、作業者に通知することで所定の作業を行うように指示する構成について説明したが、クーラントタンク２０４に対して、クーラント２０５を自動で供給する図示しないクーラント供給部をさらに設け、作業計画決定部３０８により決定された作業を、クーラント供給部を制御することにより、自動的に実施する構成であってもよい。

【0045】

次に、本実施形態に係る機械学習器４００について説明する。ここでは、機械学習器４００のハードウェア構成についての詳細な説明は省略するが、クーラント状態推測システム１００と同様に、一般的な情報処理装置が有するコンピュータ資源を有している。また、ここでは、機械学習器４００の各部が、クーラント状態推測システム１００とは独立した情報処理装置により実現される例について説明するが、クーラント状態推測システム１００の内部に組み込まれた構成として実現されてもよい。

【0046】

ここで、加工機が多数存在する工場などにおいては、例えば、工場内の各セルに存在する各加工機や各クーラント状態推測システム１００が、ネットワークを介して、フォグサーバに繋がれており、また、セルごとに設けられたフォグサーバは、ネットワークを介して、クラウドサーバに繋がれている。このような構成において、機械学習器４００は、フォグサーバ上に設けられてもよく、クラウドサーバ上に設けられてもよい。このように、サーバ上に機械学習器４００を設けることで、ネットワークを介して、複数のクーラントタンク２０４などから情報を収集し、学習することができる。

【0047】

次に、本実施形態に係る機械学習器４００の機能構成について説明する。図３は、本実施形態に係る機械学習器４００の機能構成を示すブロック図である。

【0048】

機械学習器４００は、クーラント状態取得部３０１と、環境情報取得部３０２および加工計画情報取得部３０３を含む加工情報取得部３０４と、学習部４０１と、を備えている。クーラント状態取得部３０１、環境情報取得部３０２、加工計画情報取得部３０３は、前述したように、それぞれクーラント２０５の状態に関する測定情報、加工機２００が使用される環境に関する環境情報、加工機２００における加工計画情報を取得する。

【0049】

ここで、クーラント２０５の状態の時間的変化に影響を及ぼしうる種々の因子について説明する。クーラントタンク２０４からクーラント供給路２０２を介して加工機２００に供給されたクーラントは、加工機２００において使用され、クーラント回収路２０３を介して、クーラントタンク２０４に戻され、再使用される。その際、加工機２００において使用されたクーラント２０５の一部は、加工機２００で加工されたワークに付着し、加工機２００の外部に持ち出される。また、ワークの成分やワークに付着した不純物などがクーラント２０５に溶け込み、クーラントタンク２０４に回収される。したがって、加工機２００が加工する加工部品数や、加工機２００の稼働率などの加工計画情報が、クーラント２０５の状態の時間的変化に影響を及ぼしうる。

【0050】

また、クーラント２０５は、上記サイクルにおいて、一部が揮発するが、クーラント２０５は、その原液と水が混合された状態で使用されているため、これらの揮発性の差から、揮発によりクーラント２０５の状態（原液と水の割合）が変化する。ここで、それらの揮発量については、加工機２００の周辺の温度や湿度に影響される。よって、加工機を使用する環境に関する環境情報がクーラント２０５の状態の時間的変化に影響を及ぼしうる。

【0051】

したがって、本実施形態において、学習部４０１は、クーラント状態取得部３０１により取得された、クーラント２０５の状態に関する測定値を該測定値の測定時刻と関連付けた測定情報と、加工情報取得部３０４により取得された、加工機２００の加工条件に関する加工情報と、から教師データを作成、記憶し、該教師データに基づいて、クーラントの状態に関する測定値の時間的変化を学習する、いわゆる教師あり学習を行う。なお、教師あり学習とは、教師データ、つまり、ある入力とその入力に対する結果の学習用データセットを学習させ、入力から結果を推定・推測する学習済みモデルを生成するものであり、本発明においては、教師あり学習で用いられる種々の手法を用いることができる。

【0052】

ここでは、ニューラルネットワークを例に挙げ、機械学習器４００によりクーラントの状態に関する測定値の時間的変化を学習する学習フェーズと、学習された学習済みモデルを用いて、クーラント状態推測システム１００によりクーラントの状態に関する測定値の時間的変化を推測する運用フェーズについて説明する。まず、学習フェーズでは、学習用データセットを作成する。

【0053】

図４には、本学習において使用する学習用データセットの例を示している。例えば、入力値として、ｘ1１には、時刻ｔ＝０におけるクーラントの状態に関する測定値を、ｘ２１、ｘ３１、・・・ｘｎ－１１、ｘｎ１には、時刻ｔ＝０から時刻ｔ＝ｔ０における加工機の加工条件に関する加工情報を、クーラント状態取得部３０１、加工情報取得部３０４により、それぞれ取得する。出力値として、ｙｔ０１には、時刻ｔ＝ｔ０におけるクーラントの状態に関する測定値（実測値）をクーラント状態取得部３０１により取得し、Ｎｏ．１の学習用データセットを作成し、記憶する。これらの入力値ｘ１、ｘ２、・・・ｘｎ－１、ｘｎと、出力値ｙｔ０との関係を表すデータをｍ個用意することで、図４に示す学習用データセットが作成される。

【0054】

次に、学習に用いられるニューラルネットワークについて、図５を参照して説明する。図５には、「多入力一出力」の階層型ニューラルネットワークを示す。ここでは、簡略化のため、隠れ層を２層として記述しているが、実際には、より多層化されていることは言うまでもなく、入力層や隠れ層のノード数も、学習用データセットに応じて、任意に変更することが可能である。

【0055】

このようなニューラルネットワークの入力層の各ノードに対して、前述した学習用データセットを使用し、ｘ１、ｘ２、・・・ｘｎ－１、ｘｎの入力値が入力されることで、時刻ｔ＝ｔ０におけるクーラント２０５の状態に関する測定値が出力層から推測値として出力される。そして、該推測値が、学習用データセットとして用意した時刻ｔ＝ｔ０におけるクーラント２０５の状態に関する実測値ｙｔ０と一致するように学習が行われる。具体的には、バックプロパゲーションなどを用いて、これらの値の誤差が予め定めた設定誤差以下に収束するまで学習を行い、ニューラルネットワークの重みやバイアス（以下、まとめて重みという。）が学習される。このようにして、クーラント２０５の状態に関する測定情報と、加工機２００の加工条件に関する加工情報の入力に対して、該測定情報の測定時刻以後の測定値の時間的変化を出力するニューラルネットワーク（学習済みモデル）が生成される。

【0056】

このように重みが学習されたニューラルネットワークは、クーラント状態推測システム１００の推測部３０５に出力され、運用フェーズが実行される。運用フェーズでは、図５に示されるように、学習されたニューラルネットワークの入力層に対して、クーラント状態取得部３０１と加工情報取得部３０４により取得された、ｘ１、ｘ２、・・・ｘｎ－１、ｘｎの入力値が入力され、出力層から、時刻ｔ＝ｔ０におけるクーラントの状態に関する測定値が出力され、時刻ｔ＝ｔ０におけるクーラントの状態に関する測定値を推測することができる。

【0057】

さらに、同様の手法により、時刻ｔ＝ｔ１、ｔ２、・・・ｔｘにおけるクーラント２０５の状態に関する測定値を出力するニューラルネットワークをそれぞれ生成することで、運用フェーズにおいて、図５に示すように、測定値の連続的な時系列データを推測することが可能となる。なお、ここでは、入力値として、クーラント２０５の状態に関する測定値としては、時刻ｔ＝０における測定値のみを与える例について説明したが、クーラントの状態に関する測定値を連続的な時系列データとして取得しておき、入力層に与えることもできる。また、入力値として、環境情報を使用する場合、環境情報センサから取得した時刻ｔ＝０またはその近辺における環境情報（温度、湿度など）のみを与えてもよく、気象予報情報から、時刻ｔ＝０から時刻ｔ＝ｔｎの予報値を時系列データとして取得し、入力層に与えることもできる。

【0058】

ここで、前述したように、推測部３０５が測定値の連続的な時系列データを推測する場合には、図５に示すような単純なニューラルネットワークの代わりに、リカレントニューラルネットワーク（ＲＮＮ）を用いることができる。具体的には、図６に示すように、時刻ｔ＝ｔｎにおける測定値を出力するニューラルネットワークの隠れ層の各ノードの出力を該ニューラルネットワークの次の層の入力のみでなく、時刻ｔ＝ｔｎ＋１における測定値を出力するニューラルネットワークの入力にも使用する。このような構造により、時刻ｔ＝ｔｎ＋１における測定値を出力するニューラルネットワークにおいては、時刻ｔ＝ｔｎおよびそれ以前の情報も踏まえて、時刻ｔ＝ｔｎ＋１における測定値を出力するため、測定値の連続的な時系列データを推測する場合に、より高い精度で測定値の時間的変化を推測することができる。

【0059】

次に、本実施形態にかかる機械学習器４００における学習フェーズの流れ、すなわち、学習方法を説明する。図７は、本実施形態にかかる学習処理のフロー図である。本フローは、例えば、所定量以上の学習用データセットが機械学習器４００に蓄積された状態で開始する。また、前回の学習から、新たに所定量以上の学習用データセットが蓄積された場合に、本学習処理を実行し、再学習するようにしてもよい。

【0060】

まず初めに、ステップ１０１において、機械学習器４００に記憶されている学習用データセットの各データが読みこまれる。
次いで、ステップ１０２において、ニューラルネットワークの入力層、隠れ層、出力層の各ノード数が読み込まれ、ニューラルネットワークが作成される。

【0061】

ステップ１０３では、読み込まれた学習用データセットを用いて、ニューラルネットワークの重みが学習される。具体的には、図４の学習用データセットＮｏ．１の入力値を入力層に入力し、出力されるニューラルネットワークの出力値と、学習用データセットＮｏ．１の出力値の間の誤差が小さくなるようバックプロパゲーションを用いて、ニューラルネットワークの重みの学習が行われる。順次、ｍ番目までの全てのデータについて、学習が行われると、ステップ１０４に進む。

【0062】

ステップ１０４では、ニューラルネットワークにおける出力値と、学習用データセットの出力値との誤差が予め定めた設定誤差以下に収束したか否かが判定され、設定誤差以下に収束したと判定された場合、ステップ１０５に進み、学習されたニューラルネットワークの重みが記憶される。一方、設定誤差以下に収束していないと判定された場合、ステップ１０３において、再度重みが学習され、ニューラルネットワークにおける出力値と、学習用データセットの出力値との誤差が設定誤差以下に収束するまで継続される。

【0063】

次に、本実施形態にかかるクーラント状態推測システム１００における運用フェーズの流れ、すなわち、クーラント状態推測方法を説明する。図８は、本実施形態にかかるクーラント状態推測処理のフロー図である。本フローは、前述した学習処理が完了し、学習済みモデルが推測部３０５に記憶された状態で開始するものであり、例えば、前回の推測から所定時間経過したタイミングや、クーラント２０５の状態に関する測定値が、クーラント状態推測システム１００に入力されたタイミングで開始する。

【0064】

まず初めに、ステップ２０１において、クーラント状態取得部３０１により、クーラント２０５の状態に関する測定値が、該測定値を測定した測定時刻と関連付けられた測定情報として取得される。
次いで、ステップ２０２において、加工情報取得部３０４により、加工機２００の加工条件に関する加工情報が取得される。例えば、環境情報取得部３０２により、加工機２００が使用される環境に関する環境情報が取得され、加工計画情報取得部３０３により、加工機２００における加工計画情報を取得される。ここで、ステップ２０１、２０２については、適宜順序を変更してもよい。

【0065】

次に、ステップ２０３において、推測部３０５により、クーラント状態取得部３０１により取得された測定情報と、加工情報取得部３０４により取得された加工情報に基づいて、前述した学習処理が完了された学習済みモデルを用いて該測定情報の測定時刻以後の測定値の時間的変化が推測される。

【0066】

続いて、ステップ２０４において、ステップ２０３で推測されたクーラント２０５の状態に関する測定値の時間的変化に基づいて、作業計画決定部３０８により、クーラント２０５の状態を改善するための作業が必要か否か判定される。例えば、予めクーラント２０５の状態に関する測定値の正常範囲などをメモリ上に記憶しておき、推測された時間の範囲で測定値が正常範囲を外れる場合には、クーラント２０５の状態を改善するための作業が必要と判断し、ステップ２０５に進む。一方、クーラント２０５の状態を改善するための作業が不要と判定された場合、本フローは終了する。

【0067】

次いで、ステップ２０５において、クーラント２０５の状態に関する測定値の時間的変化に基づいて、作業計画決定部３０８により、クーラント２０５の状態を改善するための作業計画が決定される。具体的には、作業内容や作業時期などが決定され、本フローは終了する。なお、本フローでは省略するが、これらのクーラント２０５の状態に関する測定値の時間的変化に係る情報や、クーラント２０５の状態を改善するための作業に係る情報を表示部３０９に出力するステップを加えてもよく、クーラント２０５を自動で供給する構成を備える場合には、クーラント供給部を制御し、作業計画に基づいて、クーラント２０５の自動供給するステップを加えてもよい。

【0068】

＜その他の実施形態＞
第１の実施形態では、クーラント状態推測システム１００、機械学習器４００がクーラントタンク２０４ごとに設けられている場合を例に挙げて説明したが、これらが複数のクーラントタンク２０４の間で共有されており、複数のクーラントタンク２０４のクーラント２０５の状態の時間的変化を推測、学習するように構成されていてもよい。また、第１の実施形態では、各加工機２００に設けられたクーラントタンク２０４の状態を推測する構成について説明したが、複数のクーラントタンク２０４にクーラント２０５を供給する不図示のサーバータンクに貯留されているクーラント２０５の状態の時間的変化を推測、学習することも可能である。

【0069】

また、本発明において、加工機とは、ワークに所望の機械加工を施すことができ、クーラントを使用するものであればよく、旋盤、ボール盤、フライス盤、放電加工機、レーザ加工機、マシニングセンタなど種々の機械を含むものである。

【0070】

なお、本発明は、上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更を加えることで、様々な態様で実施することができる。

【符号の説明】

【0071】

１００ クーラント状態推測システム
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ ＨＤＤ
１０５ 通信Ｉ／Ｆ
１０６ 入出力Ｉ／Ｆ
１０７ データバス
２００ 加工機
２０１ 環境情報センサ
２０２ クーラント供給路
２０３ クーラント回収路
２０４ クーラントタンク
２０５ クーラント
２０６ クーラント状態センサ
３０１ クーラント状態取得部
３０２ 環境情報取得部
３０３ 加工計画情報取得部
３０４ 加工情報取得部
３０５ 推測部
３０６ 制御部
３０７ 加工計画記憶部
３０８ 作業計画決定部
３０９ 表示部
４００ 機械学習器
４０１ 学習部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】