特許 7585807 機械現象評価支援装置

(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】2024-11-11

(45)【発行日】2024-11-19

(54)【発明の名称】機械現象評価支援装置

(51)【国際特許分類】

   B23Q 17/09 20060101AFI20241112BHJP

   G05B 23/02 20060101ALI20241112BHJP

【ＦＩ】

B23Q17/09 A

G05B23/02 G

【請求項の数】 4

(21)【出願番号】P 2021009226

(22)【出願日】2021-01-24

(65)【公開番号】P2022113179

(43)【公開日】2022-08-04

【審査請求日】2023-12-13

(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】石榑 祐貴

(72)【発明者】

【氏名】栗栖 章

【審査官】中川 康文

(56)【参考文献】

【文献】特開２０２０－０６４４８１（ＪＰ，Ａ）

【文献】特開２０１９－１４９０４１（ＪＰ，Ａ）

【文献】特開２０２０－２０３３５６（ＪＰ，Ａ）

【文献】特開２０２０－１２３４０９（ＪＰ，Ａ）

【文献】特開２０１３－００８１１１（ＪＰ，Ａ）

【文献】特開２００６－０８２１５４（ＪＰ，Ａ）

【文献】特開２０００－２８５３７２（ＪＰ，Ａ）

【文献】特開昭５９－１０２５５９（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／０２５０５８５（ＵＳ，Ａ１）

【文献】米国特許第０６２３３４９７（ＵＳ，Ｂ１）

【文献】国際公開第２０１８／２０７３５０（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２３Ｑ １７／００－２３／００

Ｇ０５Ｂ １９／１８－１９／４１６

Ｇ０５Ｂ ２３／００－２３／０２

(57)【特許請求の範囲】

【請求項1】

機械に設置されたセンサにより検出された前記機械の動作の負荷の時系列データを取得する時系列データ取得部と、
第一軸に前記負荷の階級とし且つ前記第一軸に直交する第二軸に前記負荷の前記時系列データにおける度数とする度数分布を生成する度数分布生成部と、
前記度数分布のピークにおける前記負荷の階級を抽出するピーク階級抽出部と、
前記ピーク階級抽出部により抽出されたピーク階級に基づいて、前記負荷の前記時系列データを区分するための負荷閾値を設定する負荷閾値設定部と、
前記負荷閾値によって前記負荷の前記時系列データを分割した複数の分割時系列データを生成する分割時系列データ生成部と、
前記複数の分割時系列データのそれぞれについての特徴量を決定する特徴量決定部と、
前記特徴量を説明変数とし且つ前記機械の現象を目的変数とする機械学習モデルであって、前記複数の分割時系列データのそれぞれについての学習済みモデルを生成するモデル生成部と、
を備える、機械現象評価支援装置。

【請求項2】

前記機械の動作は、工作機械による加工動作であり、
前記負荷は、前記加工動作において前記工作機械に生じる負荷である、請求項１に記載の機械現象評価支援装置。

【請求項3】

前記目的変数である前記機械の前記現象は、前記工作機械により加工される工作物の加工品質、前記工作機械の故障の有無、前記工作機械の劣化状態、前記工作機械の熱変位量の少なくとも１つである、請求項２に記載の機械現象評価支援装置。

【請求項4】

前記時系列データ取得部が取得する前記負荷の前記時系列データは、前記工作機械の制御プログラムによる制御データと非同期のデータである、請求項２又は３に記載の機械現象評価支援装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械現象評価支援装置に関するものである。

【背景技術】

【0002】

特許文献１には、工作機械の工具の異常を、機械学習を用いて検出する装置が記載されている。具体的には、工具に関係する検出データとして、振動情報、切削力情報、音情報、主軸負荷、モータ電流、電力値等を取得し、正常な状態において加工中に検出したデータを用いて機械学習で学習した正常モデルを作成し、正常モデル作成後の加工中の検出データと正常モデルとを用いて当該検出データが正常か異常かを診断する。

【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】

【発明が解決しようとする課題】

【0004】

上述した検出データを機械学習に用いるためには、加工中における検出データを抽出する必要がある。仮に、非加工時における検出データが含まれている場合には、機械学習における結果に影響を及ぼし、機械学習による精度が低下する原因となる。

【0005】

検出器により検出される検出データは、加工中におけるデータのみならず、非加工時におけるデータも含まれている。例えば、検出データと工具位置データとをサンプリング時刻毎に関連付けて取得し、加工プログラムを参照することにより工具位置データから加工中の検出データを抽出する。

【0006】

しかし、検出データと工具位置データとの関連付けは、両データを同期して取得することが必要となる。仮に、両データが同期していない場合には、抽出される検出データに、非加工時におけるデータが含まれる可能性がある。しかしながら、工具位置データの取得周期を例えばミリ秒単位等の短周期とする場合、他の全ての検出データを工具位置データと同期をとることは容易ではない。

【0007】

さらに、工具位置データから加工中の検出データを抽出する際に、加工プログラムを参照しているため、加工プログラムを把握する必要がある。しかし、加工プログラムが変更されると、工具位置データにおいてどのデータが加工中であるかを把握することが容易ではない。

【0008】

本発明は、検出データが工具位置データと同期していない場合や、加工プログラムを把握しない場合であっても、機械学習に用いる加工中のデータを高精度に抽出して、高精度な機械学習を利用することができる機械現象評価支援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】

【0009】

（機械現象評価支援装置）
機械現象評価支援装置は、機械に設置されたセンサにより検出された機械の動作の負荷の時系列データを取得する時系列データ取得部と、第一軸に負荷の階級とし且つ第一軸に直交する第二軸に負荷の時系列データにおける度数とする度数分布を生成する度数分布生成部と、度数分布のピークにおける負荷の階級を抽出するピーク階級抽出部と、ピーク階級抽出部により抽出されたピーク階級に基づいて、負荷の時系列データを区分するための負荷閾値を設定する負荷閾値設定部と、負荷閾値によって負荷の時系列データを分割した複数の分割時系列データを生成する分割時系列データ生成部と、複数の分割時系列データのそれぞれについての特徴量を決定する特徴量決定部と、特徴量を説明変数とし且つ機械の現象を目的変数とする機械学習モデルであって、複数の分割時系列データのそれぞれについての学習済みモデルを生成するモデル生成部とを備える。

【0010】

度数分布から得られるピーク階級に基づいて負荷の時系列データを分割して、複数の分割時系列データが生成される。複数の分割時系列データのそれぞれについての学習済みモデルが生成される。つまり、複数の学習済みモデルを生成するための複数の分割時系列データは、負荷の時系列データのみを取得すれば良い。

【0011】

換言すると、複数の分割時系列データを生成するためには、負荷の時系列データに同期した機械の位置データを取得する必要がない。さらに、複数の分割時系列データを生成するためには、加工プログラム等の機械の制御データを把握する必要もない。このように、負荷の時系列データのみを取得しさえすれば、所望のタイミングにおける複数の分割時系列データを取得することができる。そして、取得した複数の分割時系列データを用いて機械学習を行うことで、高精度な複数の学習済みモデルを生成することができる。

【図面の簡単な説明】

【0014】

【図1】対象の機械と機械現象評価支援装置とを含むシステム全体を示す図である。

【図2】対象の機械による加工の例を示す図である。

【図3】対象の機械による加工方法の例を示すフローチャートである。

【図4】対象の機械における負荷の時系列データを示すグラフである。

【図5】第一例の機械現象評価支援装置の機能ブロック図である。

【図6】負荷の時系列データとその度数分布、並びに、複数の分割時系列データを示す図である。

【図7】第二例の機械現象評価支援装置の機能ブロック図である。

【図8】負荷の時系列データ、及び、複数の分割時系列データを示すグラフである。

【発明を実施するための形態】

【0015】

（１．機械現象評価支援装置の概要）
機械現象評価支援装置（以下、「評価支援装置」と称する）は、工作機械、組立装置及び搬送装置等の生産機械、自動車及び電車等の車両、風力発電装置等の機械を対象として、当該対象の機械における各種現象を評価するための装置である。

【0016】

例えば、工作機械を対象とする場合において、評価支援装置により評価される現象は、工作機械により加工される工作物の加工品質、工作機械の故障の有無、工作機械の劣化状態、工作機械の熱変位量等である。工作物の加工品質は、工作物の形状精度、工作物の寸法精度、工作物の面性状、工作物の加工変質層の有無、工作物の表面のキズの有無等を含む。

【0017】

工作機械の故障の有無及び工作機械の劣化状態は、工作機械を構成する部品の故障の有無及び劣化状態を含む。部品の故障の有無及び劣化状態は、例えば、工具の折損や欠け等による異常の有無（故障の有無に相当）、工具の摩耗等による消耗度合（劣化状態に相当）、軸受の劣化状態等を含む。工作機械の熱変位量は、工作機械の構成部材の熱変位に伴う工具と工作物との相対位置のずれ量や、工作機械の構成部材単体での熱変位量等を含む。

【0018】

また、組立装置や搬送装置を対象とする場合において、評価支援装置により評価される現象は、組立装置により組み立てられる工作物の組立精度、搬送装置により搬送される対象物の搬送状態等である。また、車両や風力発電装置等を対象とする場合において、評価支援装置により評価される現象は、自動車や風力発電装置等の各機能の動作性能、自動車や風力発電装置等を構成する部品の故障の有無及び劣化状態等である。

【0019】

評価支援装置は、対象の機械の現象を評価するために、対象の機械に設置されたセンサにより検出された機械の動作の負荷を取得する。そして、評価支援装置は、当該機械の動作の負荷に基づいて機械学習により対象の機械の現象を評価する。

【0020】

ここで、機械学習により対象の機械の現象を評価するため、利用するデータの種類を多数用意することが好適である。そこで、対象の機械に複数のセンサを設置し、複数のセンサにより検出された機械の動作の負荷を検出すると良い。

【0021】

例えば、工作機械を対象とする場合において、機械の動作は、工作機械による加工動作であり、機械の動作の負荷は、加工動作において工作機械に生じる負荷である。例えば、当該負荷は、工作物を支持する部材に生じる負荷、工作物を加工する工具に生じる負荷、工作物又は工具を移動させる部材に生じる負荷等とすることができる。また、当該負荷は、対象の部材に生じる力を検出する力センサ、駆動装置の駆動電流、対象の部材に生じる振動等である。

【0022】

また、風力発電装置を対象とする場合において、機械の動作は、例えば、当該装置を構成する風力タービンの回転動作であり、機械の動作の負荷は、風力タービンの回転において生じる負荷である。例えば、当該負荷は、風力タービンに生じる振動等とすることができる。

【0023】

（２．評価支援システム１００の構成）
対象の機械としての工作機械１及び評価支援装置２を含む評価支援システム１００について、図１を参照して説明する。本例では、対象の機械として、工作機械１を例にあげる。ただし、対象の機械は、上述したように、工作機械の他の機械を適用することができる。

【0024】

工作機械１は、工作物Ｗを加工する機械であって、切削加工、研削加工等、種々の加工を行う。本例では、工作機械１は、図１に示すように、切削加工を行うマシニングセンタを例にあげる。

【0025】

図１に示す工作機械１は、工具Ｔと工作物Ｗとを相対的に移動させることにより、工具Ｔによって工作物Ｗを加工する装置である。また、工作機械１は、工具交換可能に構成されており、装着された工具Ｔに応じた加工が可能である。例えば、交換可能な工具Ｔとしては、エンドミル、フライス工具、ドリル、旋削工具、ネジ切り工具、歯形創成工具等の切削工具、及び、研削工具等である。なお、図１において、工具交換装置及び工具Ｔを保管する工具マガジンは、図示しない。また、本例では、工作機械１は、横形マシニングセンタを基本構成とする。ただし、工作機械１は、立形マシニングセンタ等、他の構成を適用することができる。

【0026】

図１に示すように、工作機械１は、例えば、相互に直交する３つの直進軸（Ｘ軸，Ｙ軸，Ｚ軸）を駆動軸として有する。ここで、工具Ｔの回転軸線（工具主軸の回転軸線に等しい）の方向をＺ軸方向と定義し、Ｚ軸方向に直交する２軸をＸ軸方向及びＹ軸方向と定義する。図１においては、水平方向をＸ軸方向とし、鉛直方向をＹ軸方向とする。さらに、工作機械１は、さらに、工具Ｔと工作物Ｗとの相対姿勢を変更するための２つの回転軸（Ａ軸及びＢ軸）を駆動軸として有する。また、工作機械１は、工具Ｔを回転するための回転軸としてのＣｔ軸を有する。

【0027】

つまり、工作機械１は、自由曲面を加工可能な５軸加工機（工具主軸（Ｃｔ軸）を考慮すると６軸加工機となる）である。ここで、工作機械１は、Ａ軸（基準状態においてＸ軸回りの回転軸）及びＢ軸（基準状態においてＹ軸回りの回転軸）を有する構成に代えて、Ｃｗ軸（基準状態においてＺ軸回りの回転軸）及びＢ軸を有する構成としても良いし、Ａ軸及びＣｗ軸を有する構成としても良い。

【0028】

工作機械１において、工具Ｔと工作物Ｗとを相対的に移動させる構成は、適宜選択可能である。本例では、工作機械１は、工具ＴをＹ軸方向及びＺ軸方向に直動可能とし、工作物ＷをＸ軸方向に直動可能とし、さらに工作物ＷをＡ軸回転及びＢ軸回転可能とする。また、工具Ｔは、Ｃｔ軸回転可能である。

【0029】

工作機械１は、ベッド１０と、工作物保持装置２０と、工具保持装置３０とを備える。ベッド１０は、略矩形状等の任意の形状に形成されており、床面に設置される。工作物保持装置２０は、工作物Ｗをベッド１０に対して、Ｘ軸方向に直動可能とし、Ａ軸回転及びＢ軸回転可能とする。工作物保持装置２０は、Ｘ軸移動テーブル２１と、Ｂ軸回転テーブル２２と、工作物主軸装置２３とを主に備える。

【0030】

Ｘ軸移動テーブル２１は、ベッド１０に対してＸ軸方向に移動可能に設けられる。具体的に、ベッド１０には、Ｘ軸方向（図１前後方向）へ延びる一対のＸ軸ガイドレールが設けられ、Ｘ軸移動テーブル２１は、図示しないリニアモータ又はボールねじ機構等の駆動装置によって駆動されることにより、一対のＸ軸ガイドレールに案内されながらＸ軸方向へ往復移動する。

【0031】

Ｂ軸回転テーブル２２は、Ｘ軸移動テーブル２１の上面に設置され、Ｘ軸移動テーブル２１と一体的にＸ軸方向へ往復移動する。また、Ｂ軸回転テーブル２２は、Ｘ軸移動テーブル２１に対し、Ｂ軸回転可能に設けられる。Ｂ軸回転テーブル２２には、図示しない回転モータが収納され、Ｂ軸回転テーブル２２は、回転モータに駆動されることでＢ軸回転可能となる。

【0032】

工作物主軸装置２３は、Ｂ軸回転テーブル２２に設置され、Ｂ軸回転テーブル２２と一体的にＢ軸回転する。工作物主軸装置２３は、工作物ＷをＡ軸回転可能に支持する。工作物主軸装置２３は、工作物Ｗを回転させる回転モータ（図示せず）を備える。このようにして、工作物保持装置２０は、工作物Ｗを、ベッド１０に対して、Ｘ軸方向へ移動可能とし、且つ、Ａ軸回転及びＢ軸回転可能とする。

【0033】

工具保持装置３０は、コラム３１と、サドル３２と、工具主軸装置３３とを主に備える。コラム３１は、ベッド１０に対してＺ軸方向に移動可能に設けられる。具体的に、ベッド１０には、Ｚ軸方向（図１左右方向）へ延びる一対のＺ軸ガイドレールが設けられ、コラム３１は、図示しないリニアモータ又はボールねじ機構等の駆動装置によって駆動されることにより、一対のＺ軸ガイドレールに案内されながらＺ軸方向へ往復移動する。

【0034】

サドル３２は、コラム３１における工作物Ｗ側の側面（図１の左側面）であって、Ｚ軸方向に直交する平面に平行な側面に配置される。このコラム３１の側面には、Ｙ軸方向（図１の上下方向）へ延びる一対のＹ軸ガイドレールが設けられ、サドル３２は、図示しないリニアモータ又はボールねじ機構等の駆動装置に駆動されることで、Ｙ軸方向へ往復移動する。

【0035】

工具主軸装置３３は、サドル３２に設置されると共に、サドル３２と一体的にＹ軸方向へ移動する。工具主軸装置３３は、工具ＴをＣｔ軸回転可能に支持する。工具主軸装置３３は、工具Ｔを回転させる回転モータ（図示せず）を備える。このように、工具保持装置３０は、工具Ｔを、ベッド１０に対して、Ｙ軸方向及びＺ軸方向に移動可能とし、且つ、Ｃｔ軸回転可能に保持する。

【0036】

評価支援装置２は、工作機械１に設置されたセンサに接続されており、当該センサにより検出されたデータを取得し、機械学習により機械の現象、例えば、工作物Ｗの加工品質、工具Ｔの異常（故障）の有無、工具Ｔの消耗度合、工作機械１の熱変位量等を評価する。

【0037】

（３．対象の加工方法の例）
評価支援装置２により機械の現象を評価する対象の加工方法について、図２及び図３を参照して説明する。対象の加工方法は、図２に示すように、ドリルによる穴あけ加工とする。つまり、対象の加工方法は、工作機械１の工具Ｔとしてドリルを用いて、工作物Ｗに穴あけ加工（切削加工）を行う場合である。ただし、評価支援装置２により機械の現象を評価する対象の加工方法は、穴あけ加工に限られるものではなく、他の加工方法にも適用可能である。

【0038】

ここで、本例は、穴あけ加工の途中で、送り速度を変化させる場合とする。図２において、加工初期の範囲Ａでは、工具Ｔの送り速度を第一速度Ｖａとし、加工中期の範囲Ｂでは、工具Ｔの送り速度を第二速度Ｖｂとし、加工終期の範囲Ｃでは、工具Ｔの送り速度を第三速度Ｖｃとする。ここで、第一速度Ｖａと第三速度Ｖｃは、同一とし、第二速度Ｖｂは、第一速度Ｖａ及び第三速度Ｖｃよりも高速としている。つまり、加工開始直後は、ゆっくり加工を行い、安定した後に高速加工を行い、加工終了深さに近づく前に速度を遅くする。

【0039】

より詳細には、図３に示すように、まず早送り動作により工具Ｔを工作物Ｗに接近させ、工具Ｔを工作物Ｗの穴あけ位置へ移動させる（Ｓ１）。続いて、工具Ｔを第一速度Ｖａにて移動させながら、工作物Ｗに対して穴あけ加工を行う（Ｓ２）。このときの穴あけ加工の範囲は、図２の加工初期の範囲Ａである。

【0040】

続いて、工具Ｔを一時停止した直後に、工具Ｔを第一速度Ｖａより高速の第二速度Ｖｂにて移動させながら、工作物Ｗに対してさらに穴あけ加工を行う（Ｓ３）。このときの穴あけ加工の範囲は、図２の加工中期の範囲Ｂである。続いて、工具Ｔを第二速度Ｖｂより低速の第三速度Ｖｃに変更して、工作物Ｗに対してさらに穴あけ加工を行う（Ｓ４）。このときの穴あけ加工の範囲は、図２の加工終期の範囲Ｃである。続いて、工具Ｔを加工済みの穴から脱出させて（Ｓ５）、工具Ｔを早送り動作により工作物Ｗから退避させる（Ｓ６）。

【0041】

（４．負荷の挙動）
図２及び図３に示す加工方法において工作機械１に生じる負荷の挙動について、図４を参照して説明する。ここで、工作機械１に生じる負荷は、例えば、工具主軸装置３３に設置された力センサにより検出される力とする。ただし、当該負荷は、工具主軸装置３３におけるモータに設置された電流センサの電流値としても良いし、工具主軸装置３３に設置された振動センサにより検出される振動の大きさとしても良い。また、当該負荷は、工作物Ｗを支持する部材に設置された振動センサにより検出される振動の大きさ、当該部材に設置された力センサにより検出される力としても良い。

【0042】

ここで、図４において、Ｓ１－Ｓ６は、図３のフローチャートのＳ１－Ｓ６に対応する。つまり、早送り接近（Ｓ１）においては、負荷は非常に小さな値を示す。第一速度Ｖａでの穴あけ加工（Ｓ２）において、負荷が大きくなっている。第二速度Ｖｂでの穴あけ加工（Ｓ３）においては、負荷がさらに大きくなっている。第三速度Ｖｃでの穴あけ加工（Ｓ４）においては、負荷が減少している。そして、穴からの脱出（Ｓ５）、及び、早送り退避（Ｓ６）では、負荷は非常に小さな値を示す。

【0043】

つまり、加工中であるＳ２，Ｓ３，Ｓ４における負荷は、非加工中であるＳ１，Ｓ５，Ｓ６に比べて、大きくなっている。さらに、加工中のうち、相対的に高速である第二速度Ｖｂでの穴あけ加工（Ｓ３）における負荷は、相対的に低速である第一速度Ｖａ及び第三速度Ｖｃでの穴あけ加工（Ｓ２，Ｓ４）に比べて、大きくなっている。

【0044】

（５．第一例の評価支援装置２の構成）
第一例の評価支援装置２の構成について、図５及び図６を参照して説明する。評価支援装置２は、工作機械１に設置されたセンサにより検出された工作機械１に生じる負荷データを用いて機械学習により、工作物Ｗの加工品質、工具Ｔの異常（故障）の有無、工具Ｔの消耗度合、工作機械１の熱変位量等を評価する。

【0045】

評価支援装置２は、工作機械１に設置されたセンサにより検出された負荷データのみを用いて評価する。ここで、図４に示すように、負荷データは、加工中のデータ（Ｓ２－Ｓ４）と非加工中のデータ（Ｓ１，Ｓ５－Ｓ６）が混在している。さらに、図４に示すように、加工中であっても加工条件が異なれば、負荷の大きさが異なる。

【0046】

そこで、評価支援装置２は、負荷データ自身を用いて、負荷データにおいて加工中におけるデータを抽出する処理を行う。さらに、評価支援装置２は、負荷データ自身を用いて、加工中において加工条件の異なるデータを分類する処理を行う。

【0047】

評価支援装置２は、プロセッサ、記憶装置、インターフェース等を備えて構成される。評価支援装置２は、図５に示すように、時系列データ取得部４１、データ前処理部４２、特徴量決定部４３、モデル生成部４４、モデル記憶部４５、判定部４６を備える。

【0048】

時系列データ取得部４１は、工作機械１に設置されたセンサにより検出された工作機械１の動作の負荷の時系列データＤを取得する。例えば、時系列データ取得部４１は、図４に示すような、工具主軸装置３３（図１に示す）に設置された力センサにより検出される力に関する時系列データＤ等である。負荷の時系列データＤには、加工中のデータのみならず、非加工中のデータが含まれている。また、時系列データ取得部４１が取得する負荷の時系列データＤは、工作機械１の制御プログラムによる制御データと非同期のデータである。なお、負荷の時系列データＤは、制御データと同期したデータとしても良いが、積極的に同期させたデータである必要はない。

【0049】

データ前処理部４２は、負荷の時系列データＤを機械学習における説明変数データとするために、負荷の時系列データＤから必要な範囲を抽出した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成する。本例では、データ前処理部４２は、負荷の時系列データＤから、加工中に対応する分割時系列データＤａ，Ｄｂ，Ｄｃを抽出する。さらに、データ前処理部４２は、加工中のうち、第一速度Ｖａ（第三速度Ｖｃと同様）での穴あけ加工（Ｓ２，Ｓ４）に対応する分割時系列データＤａ，Ｄｃと、第二速度Ｖｂでの穴あけ加工（Ｓ３）に対応する分割時系列データＤｂとを抽出する。つまり、データ前処理部４２は、負荷の時系列データＤから、機械学習に用いる複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成する。

【0050】

本例におけるデータ前処理部４２は、度数分布生成部４２ａ、ピーク階級抽出部４２ｂ、負荷閾値設定部４２ｃ、分割時系列データ生成部４２ｄを備える。度数分布生成部４２ａは、図６の右欄に示すように、第一軸（縦軸）に負荷の階級とし、且つ、第一軸に直交する第二軸（横軸）に負荷の時系列データＤにおける度数とする度数分布を生成する。図６の右欄には、度数分布の例として、ヒストグラムを図示する。ただし、度数分布としては、ヒストグラムの他に、負荷の階級における度数を点としてプロットした折れ線グラフとしても良いし、各階級における度数の点を接続する近似曲線により示しても良い。

【0051】

ピーク階級抽出部４２ｂは、度数分布生成部４２ａにより生成された度数分布のピークにおける負荷の階級を抽出する。本例では、図６の右欄に示すように、度数分布は、３つのピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３を有する。ピーク階級Ｐｅ１は、主に、非加工中（Ｓ１，Ｓ５－Ｓ６）における負荷のデータに対応する。ピーク階級Ｐｅ２は、主に、第一速度Ｖａでの穴あけ加工（Ｓ２）、及び、第三速度Ｖｃでの穴あけ加工（Ｓ４）における負荷のデータに対応する。ピーク階級Ｐｅ３は、主に、第二速度Ｖｂでの穴あけ加工（Ｓ３）における負荷のデータに対応する。

【0052】

負荷閾値設定部４２ｃは、図６に示すように、ピーク階級抽出部４２ｂにより抽出されたピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３に基づいて、負荷の時系列データＤを区分するための負荷閾値Ｔｈ１，Ｔｈ２，Ｔｈ３を設定する。負荷閾値Ｔｈ１，Ｔｈ２，Ｔｈ３は、ピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３そのものの値ではなく、ピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３よりも少し大きな値に設定されている。

【0053】

例えば、負荷閾値Ｔｈ１，Ｔｈ２，Ｔｈ３は、ピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３より大きな値であって、ピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３の度数の例えば１０％以下に達した値等とする。ピーク階級Ｐｅ１のように、ピーク階級Ｐｅ１付近の分布における裾幅が狭い場合には、負荷閾値Ｔｈ１は、ピーク階級Ｐｅ１に非常に近い値となる。ピーク階級Ｐｅ２においても裾幅が狭いので、負荷閾値Ｔｈ２は、ピーク階級Ｐｅ２に近い値となる。一方、ピーク階級Ｐｅ３のように、ピーク階級Ｐｅ３付近の分布における裾幅が広い場合には、負荷閾値Ｔｈ３は、ピーク階級Ｐｅ３よりも離れた値となる。なお、負荷閾値Ｔｈ１，Ｔｈ２，Ｔｈ３を設定するための度数の割合は、１０％に限られず、任意の値とすることができる。

【0054】

分割時系列データ生成部４２ｄは、負荷閾値Ｔｈ１，ＴＨ２，Ｔｈ３によって負荷の時系列データＤを分割した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成する。分割時系列データ生成部４２ｄは、まず、負荷の時系列データＤにおいて、負荷閾値Ｔｈ１，Ｔｈ２，Ｔｈ３との交点を抽出する。続いて、負荷の時系列データＤを交点で区分する。

【0055】

図６においては、負荷の時系列データＤの期間を、期間Ｐ１，Ｐ２，Ｐ３，Ｐ４，Ｐ５に区分する。期間Ｐ１は、負荷閾値Ｔｈ１に到達するまでの期間である。期間Ｐ２は、負荷閾値Ｔｈ１に到達したときから、負荷閾値Ｔｈ２に到達するまでの期間である。期間Ｐ３は、負荷閾値Ｔｈ２に到達したときから、再び負荷閾値Ｔｈ２に到達するまでの期間である。期間Ｐ４は、再び負荷閾値Ｔｈ２に到達したときから、負荷閾値Ｔｈ１に到達するまでの期間である。期間Ｐ５は、負荷閾値Ｔｈ１に到達したとき以降の期間である。

【0056】

負荷の時系列データＤのうち期間Ｐ１，Ｐ５は、負荷閾値Ｔｈ１よりも小さいデータであり、非加工中であると判定される。負荷の時系列データＤのうち期間Ｐ２，Ｐ３，Ｐ４は、加工中であると判定される。そして、負荷の時系列データＤのうち期間Ｐ２，Ｐ３，Ｐ４のそれぞれのデータを、分割時系列データＤａ，Ｄｂ，Ｄｃとして生成する。

【0057】

期間Ｐ２における分割時系列データＤａは、第一速度Ｖａでの穴あけ加工（Ｓ２）に概ね対応する。期間Ｐ３における分割時系列データＤｂは、第二速度Ｖｂでの穴あけ加工（Ｓ３）に概ね対応する。期間Ｐ４における分割時系列データＤｃは、第三速度Ｖｃでの穴あけ加工（Ｓ４）に概ね対応する。

【0058】

特徴量決定部４３は、複数の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれについての特徴量を決定する。特徴量は、例えば、最大値、平均値、中央値、標準偏差、分散、第一四分位、第三四分位等から、任意に選択すれば良い。

【0059】

モデル生成部４４は、機械学習の学習フェーズとして、複数の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれについての学習済みモデルＭａ，Ｍｂ，Ｍｃを生成する。学習済みモデルＭａ，Ｍｂ，Ｍｃは、複数の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれの特徴量を説明変数とし、且つ、工作機械１の現象を目的変数とする機械学習モデルである。

【0060】

目的変数である工作機械１の現象は、工作機械１により加工される工作物Ｗの加工品質、工作機械１の故障の有無、工作機械１の劣化状態、工作機械１の熱変位量の少なくとも１つである。工作機械１の故障の有無は、例えば、工具Ｔの異常の有無を含む。工作機械１の劣化状態は、例えば、工具Ｔの消耗度合を含む。

【0061】

例えば、モデル生成部４４は、加工品質が良好な工作物Ｗを加工したときの負荷の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれを訓練データセットとして、機械学習により学習済みモデルを生成する。この場合の学習済みモデルは、負荷の分割時系列データＤａ，Ｄｂ，Ｄｃを入力データとした場合に、工作物Ｗの加工品質が良好であるか不良であるかを出力することができるモデルとなる。また、当該学習済みモデルは、工作物Ｗの加工品質が良好である程度、又は、不良である程度を出力することもできる。例えば、良好と不良の境界からの距離に応じて、良好である程度や不良である程度を出力する。

【0062】

また、モデル生成部４４は、工具Ｔが正常である場合の負荷の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれを訓練データとして、機械学習により学習済みモデルを生成する。この場合の学習済みモデルは、負荷の分割時系列データＤａ，Ｄｂ，Ｄｃを入力データとした場合に、工具Ｔが正常であるか異常であるかを出力することができるモデルとなる。また、当該学習済みモデルは、工具Ｔが正常である程度、又は、異常である程度を出力することもできる。例えば、正常と異常の境界からの距離に応じて、正常である程度や異常である程度を出力する。

【0063】

なお、モデル生成部４４は、負荷の分割時系列データＤａに対応する学習済みモデルＭａと、負荷の分割時系列データＤｃに対応する学習済みモデルＭｃとを別々に生成した。ここで、第一速度Ｖａと第三速度Ｖｃとは同一速度であるため、分割時系列データＤａ，Ｄｃを訓練データセットとして、１つの学習済みモデルを生成するようにしても良い。

【0064】

モデル記憶部４５は、モデル生成部４４により生成された複数の学習済みモデルＭａ，Ｍｂ，Ｍｃを記憶する。モデル記憶部４５は、学習済みモデルＭａを第一速度Ｖａでの穴あけ加工（Ｓ２）の情報と関連付けて記憶する。モデル記憶部４５は、学習済みモデルＭｂを第二速度Ｖｂでの穴あけ加工（Ｓ３）の情報と関連付けて記憶する。モデル記憶部４５は、学習済みモデルＭｃを第三速度Ｖｃでの穴あけ加工（Ｓ４）の情報と関連付けて記憶する。

【0065】

判定部４６は、学習済みモデルＭａ，Ｍｂ，Ｍｃの生成後において、機械学習の推定フェーズとして、時系列データ取得部４１により取得された負荷の時系列データＤ、及び、モデル記憶部４５に記憶された学習済みモデルＭａ，Ｍｂ，Ｍｃに基づいて、工作機械１の現象を評価する。

【0066】

特に、本例では、判定部４６は、学習済みモデルＭａを用いて、データ前処理部４２により生成された分割時系列データＤａを入力データとして、工作機械１の現象を評価する。また、判定部４６は、学習済みモデルＭｂを用いて、データ前処理部４２により生成された分割時系列データＤｂを入力データとして、工作機械１の現象を評価する。また、判定部４６は、学習済みモデルＭｃを用いて、データ前処理部４２により生成された分割時系列データＤｃを入力データとして、工作機械１の現象を評価する。

【0067】

判定部４６は、工作物Ｗの加工品質、工具Ｔや工作機械１を構成する他の部品の故障の有無、工具Ｔや工作機械１を構成する他の部品の劣化状態、工作機械１の熱変位量の少なくとも１つを評価する。

【0068】

上述した評価支援装置２によれば、度数分布から得られるピーク階級Ｐｅ１，Ｐｅ２，Ｐｅ３に基づいて負荷の時系列データＤを分割して、複数の分割時系列データＤａ，Ｄｂ，Ｄｃが生成される。複数の分割時系列データＤａ，Ｄｂ，Ｄｃのそれぞれについての学習済みモデルＭａ，Ｍｂ，Ｍｃが生成される。つまり、複数の学習済みモデルＭａ，Ｍｂ，Ｍｃを生成するための複数の分割時系列データＤａ、Ｄｂ，Ｄｃは、負荷の時系列データＤのみを取得すれば良い。

【0069】

換言すると、複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成するためには、負荷の時系列データＤに同期した工作機械１の位置データ等を取得する必要がない。さらに、複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成するためには、加工プログラム等の工作機械１の制御データを把握する必要もない。このように、負荷の時系列データＤのみを取得しさえすれば、所望のタイミングにおける複数の分割時系列データＤａ，Ｄｂ，Ｄｃを取得することができる。そして、取得した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを用いて機械学習を行うことで、高精度な複数の学習済みモデルＭａ，Ｍｂ，Ｍｃを生成することができる。そして、当該学習済みモデルＭａ，Ｍｂ，Ｍｃを用いることで、高精度に工作機械１の現象を評価することができる。
（６．第二例の評価支援装置２の構成）
第二例の評価支援装置２の構成について、図７及び図８を参照して説明する。第二例の評価支援装置２は、第一例の評価支援装置２に対して、データ前処理部５２が相違する。

【0070】

データ前処理部５２は、第一例のデータ前処理部４２と同様に、負荷の時系列データＤから必要な範囲を抽出した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成する。データ前処理部５２は、図７に示すように、傾き変化点抽出部５２ａ、及び、分割時系列データ生成部５２ｂを備える。

【0071】

傾き変化点抽出部５２ａは、負荷の時系列データＤにおける傾き変化点Ｃａ，Ｃｂ，Ｃｃ，Ｃｄを抽出する。分割時系列データ生成部５２ｂは、傾き変化点Ｃａ，Ｃｂ，Ｃｃ，Ｃｄによって負荷の時系列データＤを分割した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを生成する。分割時系列データ生成部５２ｂは、まず、負荷の時系列データＤを、傾き変化点Ｃａ，Ｃｂ，Ｃｃ，Ｃｄで区分する。

【0072】

図８において、負荷の時系列データＤの期間を、期間Ｐ１１，Ｐ１２，Ｐ１３，Ｐ１４，Ｐ１５に区分する。期間Ｐ１１は、傾き変化点Ｃａに到達するまでの期間である。期間Ｐ１２は、傾き変化点Ｃａに到達したときから、傾き変化点Ｃｂに到達するまでの期間である。期間Ｐ１３は、傾き変化点Ｃｂに到達したときから、傾き変化点Ｃｃに到達するまでの期間である。期間Ｐ１４は、傾き変化点Ｃｃに到達したときから、傾き変化点Ｃｄに到達するまでの期間である。期間Ｐ１５は、傾き変化点Ｃｄに到達したとき以降の期間である。

【0073】

負荷の時系列データＤのうち期間Ｐ１１，Ｐ１５は、小さい負荷データであり、非加工中であると判定される。負荷の時系列データＤのうち期間Ｐ１２，Ｐ１３，Ｐ１４は、加工中であると判定される。そして、負荷の時系列データＤのうち期間Ｐ１２，Ｐ１３，Ｐ１４のそれぞれのデータを、分割時系列データＤａ，Ｄｂ，Ｄｃとして生成する。

【0074】

期間Ｐ１２における分割時系列データＤａは、第一速度Ｖａでの穴あけ加工（Ｓ２）に概ね対応する。期間Ｐ１３における分割時系列データＤｂは、第二速度Ｖｂでの穴あけ加工（Ｓ３）に概ね対応する。期間Ｐ１４における分割時系列データＤｃは、第三速度Ｖｃでの穴あけ加工（Ｓ４）に概ね対応する。

【0075】

第二例の評価支援装置２において、特徴量決定部４３、モデル生成部４４、モデル記憶部４５及び判定部４６は、第一例と実質同一である。つまり、第二例の評価支援装置２は、分割時系列データ生成部５２ｂにより生成された複数の分割時系列データＤａ，Ｄｂ，Ｄｃに基づいて、複数の学習済みモデルＭａ，Ｍｂ，Ｍｃを生成する。また、第二例の評価支援装置２は、生成した学習済みモデルＭａ，Ｍｂ，Ｍｃを用いて、分割時系列データ生成部５２ｂにより生成された複数の分割時系列データＤａ，Ｄｂ，Ｄｃを入力データとして、工作機械１の現象を評価する。

【0076】

第二例の評価支援装置２において、負荷の時系列データＤのみを取得しさえすれば、所望のタイミングにおける複数の分割時系列データＤａ，Ｄｂ，Ｄｃを取得することができる。そして、取得した複数の分割時系列データＤａ，Ｄｂ，Ｄｃを用いて機械学習を行うことで、高精度な複数の学習済みモデルＭａ，Ｍｂ，Ｍｃを生成することができる。そして、当該学習済みモデルＭａ，Ｍｂ，Ｍｃを用いることで、高精度に工作機械１の現象を評価することができる。

【符号の説明】

【0077】

１：工作機械、 ２：機械現象評価支援装置、 ２０：工作物保持装置、 ３０：工具保持装置、 ４１：時系列データ取得部、 ４２：データ前処理部、 ４２ａ：度数分布生成部、 ４２ｂ：ピーク階級抽出部、 ４２ｃ：負荷閾値設定部、 ４２ｄ：分割時系列データ生成部、 ４３：特徴量決定部、 ４４：モデル生成部、 ４５：モデル記憶部、 ４６：判定部、 ５２：データ前処理部、 ５２ａ：傾き変化点抽出部、 ５２ｂ：分割時系列データ生成部、 １００：評価支援システム、 Ｃａ，Ｃｂ，Ｃｃ，Ｃｄ：傾き変化点、 Ｄ：負荷の時系列データ、 Ｄａ，Ｄｂ，Ｄｃ：分割時系列データ、 Ｍａ，Ｍｂ，Ｍｃ：学習済みモデル、 Ｐｅ１，Ｐｅ２，Ｐｅ３：ピーク階級、 Ｔ：工具、 Ｔｈ１，ＴＨ２，Ｔｈ３：負荷閾値、 Ｖａ：第一速度、 Ｖｂ：第二速度、 Ｖｃ：第三速度、 Ｗ：工作物

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】