特許 7585069 機械学習装置、バリ高さ推論装置、推論装置、機械学習方法、バリ高さ推論方法、推論方法、機械学習プログラム、バリ高さ推論プログラム、及び、推論プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-08

(45)【発行日】2024-11-18

(54)【発明の名称】機械学習装置、バリ高さ推論装置、推論装置、機械学習方法、バリ高さ推論方法、推論方法、機械学習プログラム、バリ高さ推論プログラム、及び、推論プログラム

(51)【国際特許分類】

   B21J 5/00 20060101AFI20241111BHJP

   G06N 20/00 20190101ALI20241111BHJP

【ＦＩ】

B21J5/00 Z

G06N20/00

【請求項の数】 15

(21)【出願番号】P 2021015810

(22)【出願日】2021-02-03

(65)【公開番号】P2022118946

(43)【公開日】2022-08-16

【審査請求日】2023-12-08

(73)【特許権者】

【識別番号】000154794

【氏名又は名称】株式会社放電精密加工研究所

(74)【代理人】

【識別番号】100139103

【弁理士】

【氏名又は名称】小山 卓志

(74)【代理人】

【識別番号】100214260

【弁理士】

【氏名又は名称】相羽 昌孝

(72)【発明者】

【氏名】村田 力

(72)【発明者】

【氏名】稲田 篤盛

【審査官】石田 宏之

(56)【参考文献】

【文献】特開２０１３－１２３７１９（ＪＰ，Ａ）

【文献】特開２０２０－１９９７０６（ＪＰ，Ａ）

【文献】特開２００２－３２１０３２（ＪＰ，Ａ）

【文献】特開２００７－２８３３８５（ＪＰ，Ａ）

【文献】特開２０１０－０２３１０３（ＪＰ，Ａ）

【文献】米国特許第０８７８１９８２（ＵＳ，Ｂ１）

【文献】米国特許出願公開第２０２０／０３９４５３６（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２１Ｊ ５／００

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

スライドを下降させて金型によって被加工材をプレスすることにより加工品を成形するプレス加工機における前記加工品のバリ高さを推論するための学習モデルを生成する機械学習装置であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、又は、前記金型のデータ、のうち少なくとも１つ、並びに、前記金型のショット数、を入力データとし、前記加工品のバリ高さを出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学習用データを複数組記憶する学習用データ記憶部と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える、
機械学習装置。

【請求項2】

前記入力データに含まれる前記被加工材のデータは、前記被加工材の材料名とその特性に関するデータである、
請求項１に記載の機械学習装置。

【請求項3】

前記被加工材の特性に関するデータは、
前記被加工材の厚みに関するデータ、
前記被加工材の硬度に関するデータ
前記被加工材の引っ張り強さに関するデータ、
又は、
前記被加工材の変形率に関するデータ、
のうち、少なくとも１つである、
請求項２に記載の機械学習装置。

【請求項4】

前記入力データに含まれる前記潤滑材のデータは、前記潤滑材の材料名とその特性のデータである、
請求項１乃至請求項３のいずれか一項に記載の機械学習装置。

【請求項5】

前記潤滑材の特性に関するデータは、
前記潤滑材の粘度に関するデータ、
又は、
前記潤滑材の摩擦係数に関するデータ、
のうち、少なくとも１つである、
請求項４に記載の機械学習装置。

【請求項6】

前記入力データに含まれる前記金型のデータは、前記金型の材料名とその特性のデータである、
請求項１乃至請求項５のいずれか一項に記載の機械学習装置。

【請求項7】

前記金型の特性に関するデータは、
前記金型の硬度に関するデータ、
前記金型の耐摩耗性に関するデータ、
又は、
前記金型の表面処理の種類に関するデータ、
のうち、少なくとも１つである、
請求項６に記載の機械学習装置。

【請求項8】

請求項１乃至請求項７のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、プレス加工装置における前記加工品のバリ高さを推論するバリ高さ推論装置であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、前記金型のデータ、及び、前記金型のショット数を含む入力データを取得する入力データ取得部と、
前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前記加工品のバリ高さを推論する推論部と、
を備える、
バリ高さ推論装置。

【請求項9】

スライドを下降させて金型によって被加工材をプレスすることにより加工品を成形するプレス加工機における前記加工品のバリ高さを推論する推論装置であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、前記金型のデータ、及び、前記金型のショット数を含む入力データを取得する入力データを取得する処理と、
前記入力データが入力されると、前記加工品のバリ高さを推論する処理と、
を実行する、
推論装置。

【請求項10】

スライドを下降させて金型によって被加工材をプレスすることにより加工品を成形するプレス加工機における前記加工品のバリ高さを推論するための学習モデルを生成する機械学習方法であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、又は、前記金型のデータ、のうち少なくとも１つ、並びに、前記金型のショット数、を入力データとし、前記加工品のバリ高さのデータを出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに機械学習部で学習させる機械学習工程と、
前記機械学習部により学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、
を備える、
機械学習方法。

【請求項11】

請求項１乃至請求項７のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、スライドを下降させて金型によって被加工材をプレスすることにより加工品を成形するプレス加工機における前記加工品のバリ高さを推論するバリ高さ推論方法であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、又は、前記金型のデータ、のうち少なくとも１つ、並びに、前記金型のショット数、を含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程により取得された前記入力データを前記学習モデルに入力し、前記加工品のバリ高さを推論する推論工程と、
を備える、
バリ高さ推論方法。

【請求項12】

スライドを下降させて金型によって被加工材をプレスすることにより加工品を成形するプレス加工機における前記加工品のバリ高さを推論する推論方法であって、
前記被加工材のデータ、前記被加工材と前記金型の間を潤滑する潤滑材のデータ、又は、前記金型のデータ、のうち少なくとも１つ、並びに、前記金型のショット数、を含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程にて前記入力データを取得すると、前記加工品のバリ高さを推論する推論工程と、
を実行する、
推論方法。

【請求項13】

コンピュータに、請求項１０に記載の機械学習方法が備える各工程を実行させるための、
機械学習プログラム。

【請求項14】

コンピュータに、請求項１１に記載のバリ高さ推論方法が備える各工程を実行させるための、
バリ高さ推論プログラム。

【請求項15】

コンピュータに、請求項１２に記載の推論方法が備える各工程を実行させるための、
推論プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置、バリ高さ推論装置、推論装置、機械学習方法、バリ高さ推論方法、推論方法、機械学習プログラム、バリ高さ推論プログラム、及び、推論プログラムに関する。

【背景技術】

【0002】

従来、プレス加工で使用する金型の寿命予測をショット数によって算出する技術が開示されている（特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１０─３２１７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

プレス装置は、ショット数を重ねるほど金型等が劣化し、バリを発生させるおそれがある。従来、使用者は、ショット数に対してバリがどの程度発生するのか、経験によってある程度把握していた。しかしながら、金型、潤滑材等の使用状況に応じてバリの発生具合は異なり、経験のみによって精度良く把握することは困難であった。

【0005】

本発明は、上述した課題に鑑み、ショット数とバリ高さとの関係を、作業者の経験に依存することなく求めることを可能とする機械学習装置、バリ高さ推論装置、推論装置、機械学習方法、バリ高さ推論方法、推論方法、機械学習プログラム、バリ高さ推論プログラム、及び、推論プログラ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】

【0006】

上記目的を達成するために、本発明の態様に係る機械学習装置は、
流体供給先に流体を移送するポンプを備える流体供給装置における前記ポンプの２次圧力を設定するための学習モデルを生成する機械学習装置であって、
前記流体供給先の高さのデータ、前記流体供給先で要求される流体圧力のデータ、前記流体供給先までの流体圧力損失のデータ、及び、前記流体供給先の流体供給状態のデータ、を入力データとし、前記ポンプの設定２次圧力のデータを出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学習用データを複数組記憶する学習用データ記憶部と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記出力データとの相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える。

【発明の効果】

【0007】

本発明の機械学習装置、バリ高さ推論装置、推論装置、機械学習方法、バリ高さ推論方法、推論方法、機械学習プログラム、バリ高さ推論プログラム、及び、推論プログラムによれば、作業者の経験に依存することもなく、バリ高さを推論することが可能な学習モデルを提供することができる。

【図面の簡単な説明】

【0008】

【図1】本実施形態に係る機械学習装置を適用するプレス加工機の一例を示す。

【図2】本実施形態に係る機械学習装置を適用するプレス加工機のシステム構成の一例を示す。

【図3】本実施形態に係る機械学習装置のブロック図の一例を示す。

【図4】本実施形態に係る機械学習装置で使用されるニューラルネットワークモデルの一例を示す模式図である。

【図5】本実施形態に係る機械学習装置による機械学習方法の一例を示すフローチャートである。

【図6】本実施形態に係るバリ高さ推論装置のブロック図の一例を示す。

【図7】本実施形態に係るバリ高さ推論装置によるバリ高さ推論方法の一例を示すフローチャートである。

【発明を実施するための形態】

【0009】

図１は、本実施形態に係る機械学習装置を適用するプレス加工機の一例を示す。

【0010】

プレス加工機Ｐは、ベッド１、支柱２、クラウン３、目盛柱４、スライド１１、駆動部としてのモータ１２、動力伝達部としてのボールネジ１３、位置検出部１４及び連結部１８を、少なくとも備え、電動のモータ１２によってスライド１１を上下動させて材料を加工する。

【0011】

ベッド１は、プレス加工機Ｐを地面に載置するための基台となる部材である。支柱２は、ベッド１から上方に向かって延びる柱である。本実施形態の支柱２は４本あり、ベッド１の４隅にそれぞれ設置される。クラウン３は、支柱２の上方に設置され、モータ１２を載置する。ベッド１、支柱２及びクラウン３は、プレス加工機Ｐの枠体を形成する。なお、支柱２は４本に限らず、少なくとも２本以上有し、クラウン３を支えられればよい。また、柱状のものに限らず、どのような形状でもよい。

【0012】

スライド１１は、支柱２に対して移動可能に取り付けられる。本実施形態のスライド１１は、４本の支柱２に対して４隅が移動可能となるように設置される。

【0013】

モータ１２は、クラウン３の上に載置され、ボールネジ１３を駆動する。ボールネジ１３は、クラウン３を貫通してモータ１２の駆動力をスライダ１１に伝達する。ボールネジ１３は、連結部１８を介してスライド１１に取り付けられる。ボールネジ１３は、モータ１２の発生する駆動力をスライド１１に伝達する。

【0014】

本実施形態のモータ１２及びボールネジ１３は、クラウン３及びスライド１１の４隅に対応してそれぞれ４つ設置される。４つのモータ１２及びボールネジ１３は、それぞれ独立して作動することができる。なお、モータ１２は、それぞれ４つに限らず、少なくとも２つ以上あればよい。

【0015】

位置検出部１４は、目盛柱４を読み取り、スライド１１がベッド１に対して位置する実位置を測定するリニア・スケール等が好ましい。本実施形態の位置検出部１４は、スライド１１の４隅に対応して４つ設置される。なお、位置検出部１４は、少なくとも２つ以上あればよい。

【0016】

目盛柱４は、一方をベッド１に、他方をクラウン３に鉛直方向に取り付けられる。本実施形態では、スライド１１の外側の４隅に取り付けられる。

【0017】

上型部５は、スライド１１によって移動する。下型部６は、ベッド１に載せられている。

【0018】

なお、プレス加工機Ｐは、本実施形態の構造に限らず、汎用のプレス機でよい。また、上型部５を固定させ、下方からスライドを上昇させ、下型部６を移動させてもよい。

【0019】

図２は、本実施形態に係る機械学習装置を適用するプレス加工機Ｐのシステム構成の一例を示す。

【0020】

プレス加工機Ｐは、操作者によって操作される操作盤７と、操作盤７からの指令に応じて第１軸～第４軸のモータ１２ａ～１２ｄを駆動制御する制御部２０と、それぞれのモータ１２ａ～１２ｄに供給するスライド１１の移動段階ごとの駆動エネルギーに関する情報を予め記憶する記憶部２１と、を有する。なお、第１軸～第４軸は、ボールネジ１３の軸に対応する。また、記憶部２１は、制御部２０に含まれてもよい。

【0021】

さらに、プレス加工機Ｐは、各軸に対応して、制御部２０から信号を受けてモータ１２ａ～１２ｄを駆動制御するサーボアンプ１６ａ～１６ｄと、モータ１２の回転数を検出するエンコーダ１５ａ～１５ｄと、各軸にかかる荷重を検出する歪みゲージ又はモータの実トルクを検出するトルクセンサ等の荷重検出部１７ａ～１７ｄと、各軸に対応するスライド１１の位置を検出する位置検出部１４ａ～１４ｄと、を有する。なお、荷重検出部１７は、総荷重を検出するロードセル等でもよい。総荷重を検出する荷重検出部１７の場合、各軸の位置検出部１４ａ～１４ｄと対応して各軸に異なる荷重を分割したり、軸の数に対応して等しく荷重を分割してもよい。

【0022】

制御部２０は、各軸に対応するサーボアンプ１６ａ～１６ｄに指令値を送る指令部２０ａと、位置検出部１４ａ～１４ｄの検出値から指令値を演算する演算部２０ｂと、を有する。記憶部２１は、荷重補償を行う際に荷重を位置情報に変換するためのテーブル又は演算式等を記憶する。なお、操作盤７、制御部２０又は記憶部２１は、プレス加工機Ｐとは別体に設置してもよい。また、プレス動作に関するシステム構成は、汎用の構成でもよい。

【0023】

図３は、本実施形態に係る機械学習装置４０のブロック図の一例を示す。

【0024】

プレス加工機Ｐは、今後、この機械学習装置４０で学習したデータを実際に使用するものでよく、実際に使用するものと同じ構造を模擬した試験装置等でもよい。

【0025】

プレス加工機Ｐの制御部２０は、１つ又は複数の演算処理装置（ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ等）で構成されるとよい。制御部２０は、例えば、ＣＰＵ（Central Processing Unit）を中心とした回路基板、又は専用の回路基板などを用いればよい。なお、制御部２０は、図示しない電力線を介して商用電源からの電力が供給される。制御部２０は、プレス加工機Ｐとは別に設置してもよい。

【0026】

プレス加工機Ｐの記憶部２１は、各種のデータ及びプログラムを記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモリ等）とで構成されるとよい。例えば、記憶部２１は、プレス加工機Ｐで用いられる被加工材のデータ、潤滑材のデータ、金型のデータ、パンチとダイのデータ等のうち少なくとも１つを記憶する。記憶部２１は、制御部２０内に含まれてもよい。また、プレス加工機Ｐとは別に設置してもよい。

【0027】

入力部３０は、被加工材データ取得部３１、潤滑材データ取得部３２、金型データ取得部３３のうち少なくとも１つ、ショット数取得部３４及びバリ高さ取得部３５を有する。入力部３０は、センサ等によって自動的に入力する構成でよく、使用者が入力する構成でもよい。

【0028】

被加工材のデータは、材料名とその特性等でよい。被加工材の材料は、鉄鋼、特殊鋼、非鉄金属、非金属等に分けるとよい。例えば、鉄鋼では熱間圧延鋼板又は冷間圧延鋼板等、特殊鋼としては合金鋼又はステンレス等の特殊用途綱等、非鉄金属ではアルミニウム合金、銅合金、チタン又はマグネシウム等を記憶するとよい。非金属は、樹脂又はセラミック等でよい。複数の名称を有する材料は、統一した名称を決定すると好ましい。被加工材の特性は、厚み、硬度、引張り強さ、変形率等でよい。

【0029】

潤滑材のデータは、材料名とその特性等でよい。潤滑材の材料は、油性タイプ、水溶性タイプ又は固体潤滑剤分散タイプ等に分けるとよい。潤滑材の特性は、温度や湿度等に応じた粘度又は摩擦係数等でよい。

【0030】

金型のデータは、材料名とその特性等でよい。金型の材料は、ＪＩＳ鋼種、マルテンサイト系ステンレス鋼、非鉄金属、複合材料、超硬合金等に分けるとよい。金型の特性は、硬度、耐摩耗性、表面処理の種類等でよい。

【0031】

被加工材のデータ、潤滑材のデータ及び金型のデータは、予め記憶部２１に記憶しておいてもよい。被加工材データ取得部３１、潤滑材データ取得部３２及び金型データ取得部３３は、データを取得する際に記憶部２１に記憶したデータから選択すればよい。選択は、自動的に選択する構成でよく、使用者が選択する構成でもよい。

【0032】

ショット数取得部３４は、プレス加工機Ｐのスライド１１が下降し、被加工材を加工する回数を取得する。ショット数は、スライド１１の位置、速度又は加速度等を計測することからカウントすればよい。

【0033】

バリ高さ取得部３５は、加工品を測定することからバリ高さを得る。ここで、バリ高さとは、設計上の寸法に対して加工品の突出した部分の高さをいう。加工品のバリ高さは、センサ等によって自動的に測定してもよく、使用者が測定してもよい。バリ高さ取得部３５は、全てのショットに対する加工品のバリを測定する必要はない。例えば、ショット数が1000回、2000回等の区切りをつけて測定し、、その間のショット数のバリ高さは演算によって求めてもよい。

【0034】

入力部３０への入力を手動で行う場合、作業者用端末８を使用してもよい。作業者用端末８は、ネットワーク９を介して入力部３０及び機械学習装置４０と接続される。また、作業者用端末８は、プレス加工機Pと接続されてもよい。作業者用端末８は、汎用品でよく、プロセッサ、メモリ、入力デバイス、表示デバイス、ストレージ装置、通信インターフェース、外部機器インターフェース、入出力デバイスインターフェース、及び、メディア入出力部等を備える。なお、上記の構成要素は、作業者用端末８が使用される用途に応じて適宜省略されてもよい。

【0035】

機械学習装置４０は、学習用データ取得部４００と、学習用データ記憶部４０１と、機械学習部４０２と、学習済みモデル記憶部４０３とを備える。機械学習装置４は、例えば、コンピュータ等で構成される。その場合、学習用データ取得部４００は、通信インターフェース又は入出力デバイス等で構成され、機械学習部４０２は、プロセッサ等で構成され、学習用データ記憶部４０１及び学習済みモデル記憶部４０３は、ストレージ等で構成される。

【0036】

学習用データ取得部４００は、各種の外部装置とネットワーク９等を介して接続され、入力データを少なくとも含む学習用データを取得するインタフェースユニットである。外部装置は、例えば、プレス加工機Ｐに接続された入力部３０、模擬した試験装置等に設けられた入力部、及び、作業者が使用する作業者用端末８等である。

【0037】

学習用データ記憶部４０１は、学習用データ取得部４００で取得した学習用データを１又は複数組記憶するデータベースである。なお、学習用データ記憶部４０１を構成するデータベースの具体的な構成は適宜設計すればよい。

【0038】

機械学習部４０２は、学習用データ記憶部４０１に記憶された学習用データを用いて機械学習を実施する。すなわち、機械学習部４０２は、学習モデル６０に学習用データを複数組入力することで、学習用データに含まれる入力データとプレス加工機Ｐの設定データとの相関関係を学習モデル６０に学習させることで、学習済みの学習モデル６０を生成する。本実施形態では、機械学習部４０２による教師あり学習の具体的な手法として、ニューラルネットワークを採用する場合について説明する。

【0039】

学習済みモデル記憶部４０３は、機械学習部４０２により生成された学習済みの学習モデル６０を記憶するデータベースである。学習済みモデル記憶部４０３に記憶された学習済みの学習モデル６０は、任意の通信網や記録媒体等を介して実システムに提供される。なお、図３では、学習用データ記憶部４０１と、学習済みモデル記憶部４０３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。

【0040】

学習用データは、入力データとして、被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数を含む。ショット数は、被加工材データ取得部３１、潤滑材データ取得部３２又は金型データ取得部３３が取得したデータに変更があった時からカウントすると好ましい。機械学習として「教師あり学習」を採用する場合、学習用データは、入力データに対応付けられた出力データとして、加工品のバリ高さデータをさらに含む。出力データは、教師あり学習において、例えば、教師データや正解ラベルと称される。

【0041】

したがって、本実施形態に係る学習用データは、被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数を含む入力データと、加工品のバリ高さデータを含む出力データとが対応付けられて構成される。

【0042】

ここで、学習用データに含まれる入力データ（被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数）と、加工品のバリ高さデータの相関関係について説明する。

【0043】

加工品のバリ高さは、被加工材の材料名とその特性、潤滑材の材料名とその特性、又は金型の材料名とその特性のうちの少なくとも１つによって、ほぼ決定する。しかしながら、ショット数によって、加工品のバリ高さは、時々刻々変化する。そこで、学習用データが、入力データとして、ショット数を測定することで、加工品のバリ高さを推論することが可能となる。

【0044】

学習用データ取得部４００は、上記の学習用データを取得する場合、記憶部２１に記憶された被加工材の材料名とその特性、潤滑材の材料名とその特性、又は金型の材料名とその特性のうちの少なくとも１つ、並びに、ショット数を入力データとする。

【0045】

作業者は、加工品のバリ高さを求め、作業者用端末８に入力すると、学習用データ取得部４００は、作業者用端末８にて入力された設定値を出力データ（教師データ）として、作業者用端末８から取得する。そして、学習用データ取得部４００は、これらの入力データと出力データとを対応付けられることで一の学習用データを構成し、学習用データ記憶部４０１に記憶する。

【0046】

図４は、本実施形態に係る機械学習装置４０で使用されるニューラルネットワークモデルの一例を示す模式図である。

【0047】

学習モデル６０は、図４に示すニューラルネットワークモデルとして構成される。ニューラルネットワークモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。

【0048】

入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データのそれぞれが対応付けられる。なお、入力層に入力する前の入力データに対して所定の前処理を施しもよいし、出力層から出力された後の出力データに対して所定の後処理を施しもてもよい。

【0049】

第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものでもよいし、第１中間層のみを隠れ層とするものでもよい。また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、各層のニューロンの間を接続するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付けられる。

【0050】

ニューラルネットワークモデルは、学習用データを用いて、当該学習用データに含まれる入力データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該学習用データに含まれる出力データ（教師データ）とを比較することで、入力データと出力データとの相関関係を学習する。

【0051】

具体的には、入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが入力される。そして、出力層の各ニューロンの値は、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するシナプスに対応付けられた重みｗｉとの乗算値の数列の和として算出する処理を、入力層以外の全てのニューロンに対して行うことで算出される。

【0052】

そして、推論結果として出力層の各ニューロンに出力された値（ｚ１～ｚｏ）と、学習用データに含まれる出力データのそれぞれに対応する教師データの値（ｔ１～ｔｏ）とをそれぞれ比較して誤差を求め、その誤差が小さくなるように、各シナプスに対応付けられた重みｗｉを調整する処理（バックプロバケーション）が実施される。

【0053】

上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さくなること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みのニューラルネットワークモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として生成される。

【0054】

図５は、本実施形態に係る機械学習装置４０による機械学習方法の一例を示すフローチャートである。

【0055】

まず、ステップＳ１１において、学習用データ取得部４００は、機械学習を開始するための事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学習用データ記憶部４０１に記憶する。ここで準備する学習用データの数については、最終的に得られる学習モデル６０に求められる推論精度を考慮して設定すればよい。

【0056】

学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、特定のプレス加工機Ｐや試験装置における加工品のバリ高さを推論する場合において、所定のショット数における測定値を、バリ高さ取得部３５を用いて取得するとともに、作業者が作業者用端末８を用いて、これらの測定値に対応付ける形で結果を入力することで、学習データを構成する入力データと出力データとを準備する。そして、このような作業を繰り返すことで学習用データを複数組準備することが可能である。

【0057】

次に、ステップＳ１２において、機械学習部４０２は、機械学習を開始すべく、学習前の学習モデル６０を準備する。ここで準備する学習前の学習モデル６０は、図４に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。入力層の各ニューロンには、学習用データに含まれる入力データとしての、被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数、のそれぞれが対応付けられる。出力層の各ニューロンには、加工品のバリ高さが対応付けられる。

【0058】

次に、ステップＳ１３において、機械学習部４０２は、学習用データ記憶部４０１に記憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。

【0059】

次に、ステップＳ１４において、機械学習部４０２は、一の学習用データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル６０の入力層に入力する。その結果、学習モデル６０の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル６０によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データに含まれる出力データ（教師データ）とは異なる情報を示す。

【0060】

次に、ステップＳ１５において、機械学習部４０２は、ステップＳ１２において取得された一の学習用データに含まれる出力データ（教師データ）と、ステップＳ１３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。これにより、機械学習部４０２は、入力データと出力データとの相関関係を学習モデル６０に学習させる。

【0061】

次に、ステップＳ１６において、機械学習部４０２は、機械学習を継続する必要があるか否かを、例えば、出力データと教師データとの誤差や、学習用データ記憶部４０１内に記憶された未学習の学習用データの残数に基づいて判定する。

【0062】

ステップＳ１６において、機械学習部４０２が機械学習を継続すると判定した場合（ステップＳ１６でＮｏ）、ステップＳ１３に戻り、学習中の学習モデル６０に対してステップＳ１３～Ｓ１５の工程を未学習の学習用データを用いて複数回実施する。一方、ステップＳ１６において、機械学習部４０２が機械学習を終了すると判定した場合（ステップＳ１６でＹｅｓ）、ステップＳ１７に進む。

【0063】

そして、ステップＳ１７において、機械学習部４０２は、各シナプスに対応付けられた重みが調整されることで生成された学習済みの学習モデル６０を学習済みモデル記憶部４３に記憶し、図５に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１１が学習用データ記憶工程、ステップＳ１２～Ｓ１６が機械学習工程、ステップＳ１７が学習済みモデル記憶工程に相当する。

【0064】

以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、学習用データに含まれる入力データとしての記憶部２１に記憶された被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数、から、加工品のバリ高さを推論することが可能な学習モデルを提供することができる。

【0065】

図６は、本実施形態に係るバリ高さ推論装置５０のブロック図の一例を示す。

【0066】

バリ高さ推論装置５０は、入力データ取得部５００と、推論部５０１と、学習済みモデル記憶部５０２と、出力処理部５０３とを備える。バリ高さ推論装置５０は、例えば、コンピュータ等で構成される。その場合、入力データ取得部５００は、通信インターフェース又は入出力デバイス等で構成され、推論部５０１及び出力処理部５０３は、プロセッサ等で構成され、学習済みモデル記憶部５０２は、ストレージ等で構成される。なお、バリ高さ推論装置５０は、プレス加工機Ｐに組み込まれていてもよいし、プレス加工機Ｐの上位の管理装置（例えば、設備のコントローラ、複数の設備を管理する設備管理システム等）に組み込まれていてもよい。

【0067】

入力データ取得部５００は、流体供給装置１に設けられた記憶部２１及び入力部３０に接続され、記憶部２１に記憶された入力データ（被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ、並びに、ショット数）を取得するインタフェースユニットである。

【0068】

推論部５０１は、入力データ取得部５００により取得された入力データを学習モデルに入力し、加工品のバリ高さの情報を推論する推論処理を行う。推論処理には、機械学習装置４０及び機械学習方法にて教師あり学習が実施された学習済みの学習モデルが用いられる。

【0069】

推論部５０１は、学習モデルを用いた推論処理を行う機能のみならず、推論処理の前処理として、入力データ取得部５００により取得された入力データを所望の形式等に調整して学習モデルに入力する前処理機能や、推論処理の後処理として、学習モデルから出力された出力データの値に所定の論理式や計算式を適用することで、加工品のバリ高さを最終的に推論する後処理機能をも含んでいる。なお、推論部５０１の推論結果は、学習済みモデル記憶部５０２や他の記憶装置（不図示）に記憶することが好ましく、過去の推論結果は、例えば、学習モデル６０の推論精度の更なる向上のため、オンライン学習や再学習に用いられる学習用データとして利用することが可能である。

【0070】

学習済みモデル記憶部５０２は、推論部５０１の推論処理にて用いられる学習済みの学習モデル６０を記憶するデータベースである。なお、学習済みモデル記憶部５０２に記憶される学習モデル６０の数は１つに限定されない。例えば、入力データの数が異なる、又は、機械学習の手法が異なる複数の学習モデル６０が記憶され、選択的に利用可能としてもよい。

【0071】

出力処理部５０３は、推論部５０１の推論結果、すなわち、加工品のバリ高さを出力する処理を行う。具体的な出力手段は、種々の手段を採用することが可能である。出力処理部５０３は、例えば、加工品のバリ高さを、表示や音で作業者に報知したり、加工品のバリ高さを履歴として、例えば、流体供給装置１又は流体供給装置１の上位の管理装置（不図示）に送信し、流体供給装置１の管理装置の記憶部に記憶したり、モータ１２の駆動制御に利用してもよい。

【0072】

図７は、本実施形態に係るバリ高さ推論装置５によるバリ高さ推論方法の一例を示すフローチャートである。

【0073】

まず、ステップＳ２１において、入力データ取得部５００が、記憶部２１に記憶された入力データ（被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ）並びに、測定されたショット数を取得する。

【0074】

次に、ステップＳ２２において、推論部５０１は、入力データに前処理を施して学習モデル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得する。

【0075】

次に、ステップＳ２３において、推論部５０１は、加工品のバリ高さを推論する。

【0076】

以上のように、本実施形態に係るバリ高さ推論装置５０及びバリ高さ推論方法によれば、作業者の経験に依存することなく、加工品のバリ高さを推論することができる。

【0077】

本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

【0078】

上記実施形態では、機械学習部４０２による機械学習の具体的な手法として、ニューラルネットワークをそれぞれ採用した場合について説明したが、機械学習部４０２は、任意の他の機械学習の手法を採用してもよい。他の機械学習の手法としては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。

【0079】

本発明は、汎用のコンピュータに、上記実施形態に係る機械学習方法が備える各工程を実行させるためのプログラム（機械学習プログラム）の態様で提供することもできる。また、本発明は、汎用のコンピュータに、上記実施形態に係るバリ高さ推論方法が備える各工程を実行させるためのプログラム（バリ高さ推論プログラム）の態様で提供することもできる。

【0080】

本発明は、上記実施形態に係るバリ高さ推論装置５０（バリ高さ推論方法又はバリ高さ推論プログラム）の態様によるもののみならず、バリ高さを推論するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、記憶部２１に記憶された入力データ（被加工材データ、潤滑材データ又は金型データのうち少なくとも１つ）並びに、測定されたショット数を含む入力データを取得する入力データ取得処理（入力データ取得工程）と、入力データ取得処理にて入力データを取得すると、加工品のバリ高さの推論情報を推論する推論処理（推論工程）とを含む。

【0081】

推論装置（推論方法又は推論プログラム）の態様で提供することで、バリ高さ推論装置５０を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）がバリ高さの推論を推論する際、上記実施形態に係る機械学習装置４及び機械学習方法により生成された学習済みの学習モデル６を用いて、バリ高さ推論装置５０の推論部５０１が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

【符号の説明】

【0082】

Ｐ…プレス加工機
２０…制御部、２１…記憶部、
３０…入力部、３１…被加工材データ取得部、３２…潤滑剤データ取得部、３３…金型データ取得部、３４…ショット数取得部、３５…バリ高さ取得部、
４０…機械学習装置、５０…バリ高さ推論装置、６０…学習モデル、
４００…学習用データ取得部、４０１…学習用データ記憶部、４０２…機械学習部、４０３…モデル記憶部、
５００…入力データ取得部、５０１…推論部、５０２…モデル記憶部、５０３…出力処理部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】