特許 7661706 工作機械支援装置

(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】2025-04-07

(45)【発行日】2025-04-15

(54)【発明の名称】工作機械支援装置

(51)【国際特許分類】

   G05B 19/18 20060101AFI20250408BHJP

   G05B 19/418 20060101ALI20250408BHJP

   G05B 19/4155 20060101ALI20250408BHJP

【ＦＩ】

G05B19/18 W

G05B19/418 Z

G05B19/4155 V

G05B19/18 X

【請求項の数】 5

(21)【出願番号】P 2021009227

(22)【出願日】2021-01-24

(65)【公開番号】P2022113180

(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２０１９－０６７１３６（ＪＰ，Ａ）

【文献】特開２０１８－０１８５０７（ＪＰ，Ａ）

【文献】特開２０２０－１７７５７９（ＪＰ，Ａ）

【文献】特開平０５－１０４３９５（ＪＰ，Ａ）

【文献】特開２０２０－１４４５５５（ＪＰ，Ａ）

【文献】特開２０１９－１５９５６１（ＪＰ，Ａ）

【文献】特開２０１９－０２０９５９（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１６／００９１３９３（ＵＳ，Ａ１）

【文献】国際公開第２０１９／１６３０８４（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０２１／００１５５５４（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ １９／１８－１９／４１６

Ｇ０５Ｂ ２３／００－２３／０２

Ｇ０５Ｂ １９／４１８

(57)【特許請求の範囲】

【請求項1】

工作機械に設置されたセンサにより検出されたデータを取得するデータ取得部と、
前記センサにより前記データが検出される際に、使用されていた工具の種類、及び、適用されていた加工条件を取得する諸元取得部と、
前記センサにより検出される前記データを説明変数とし、且つ、前記工作機械による加工状況を目的変数とする機械学習の学習済みモデルであって、前記諸元取得部により取得された少なくとも前記工具の種類及び前記加工条件により分類された分類毎に生成された複数の学習済みモデルを記憶するモデル記憶部と、
推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中から、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルを選択するモデル選択部と、
前記推定フェーズにおいて、選択された前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工作機械による推定加工状況を出力する出力部と、を備え、
前記加工状況は、前記工具の消耗度合、又は、前記工具の異常の有無であり、
前記モデル選択部は、前記推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中に、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルが存在しない場合に、類似する前記学習済みモデルを選択し、
前記出力部は、前記推定フェーズにおいて、選択された前記類似する前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工具の消耗度合の推定値を出力し、
前記類似する前記学習済みモデルは、前記工具の種類、又は、前記加工条件の内の一つの項目以外が同じであって、前記一つの項目が最も近い諸元に対応する学習済みモデルである、工作機械支援装置。

【請求項2】

工作機械に設置されたセンサにより検出されたデータを取得するデータ取得部と、
前記センサにより前記データが検出される際に、使用されていた工具の種類、及び、適用されていた加工条件を取得する諸元取得部と、
前記センサにより検出される前記データを説明変数とし、且つ、前記工作機械による加工状況を目的変数とする機械学習の学習済みモデルであって、前記諸元取得部により取得された少なくとも前記工具の種類及び前記加工条件により分類された分類毎に生成された複数の学習済みモデルを記憶するモデル記憶部と、
推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中から、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルを選択するモデル選択部と、
前記推定フェーズにおいて、選択された前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工作機械による推定加工状況を出力する出力部と、を備え、
前記加工状況は、前記工具の消耗度合、又は、前記工具の異常の有無であり、
前記モデル選択部は、前記推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中に、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルが存在しない場合に、前記学習済みモデルを選択せず、
前記出力部は、前記モデル選択部により前記学習済みモデルが選択されなかった場合には、前記学習済みモデルを用いることなく、前記工具による工作物の加工数が所定数に達したか否かにより前記工具の寿命の到達の有無を出力する、工作機械支援装置。

【請求項3】

前記工具は、切削工具であり、
前記加工条件は、切削速度及び送り速度の少なくとも１つを含む、請求項１又は２に記載の工作機械支援装置。

【請求項4】

前記諸元取得部は、さらに、前記センサにより前記データが検出される際の加工対象の工作物の種類を含み、
前記モデル記憶部は、前記諸元取得部により取得された少なくとも前記工具の種類、前記加工条件及び前記工作物の種類により分類された分類毎に生成された前記複数の学習済みモデルを記憶し、
前記モデル選択部は、前記推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中から、前記諸元取得部により取得された前記工具の種類、前記加工条件及び前記工作物の種類により分類された分類に対応する前記学習済みモデルを選択する、請求項１－３の何れか１項に記載の工作機械支援装置。

【請求項5】

前記工作機械は、複数の前記工作機械により構成された生産ラインの１つを構成し、
前記生産ラインは、複数種の工作物を生産可能、又は、複数種の加工種別により工作物を生産可能であり、
前記工作機械は、複数種の工作物又は複数種の加工種別に対応した複数種の工具又は複数種の加工条件により前記工作物を生産する、請求項１－４の何れか１項に記載の工作機械支援装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、工作機械支援装置に関するものである。

【背景技術】

【0002】

特許文献１－３には、工作機械において、工作物の加工品質や工具の異常判定を、機械学習を利用して推定することが記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２０－１３８２７９号公報

【文献】特開２０１９－０６７１３７号公報

【文献】特開２０２０－０２３０４０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

機械学習を利用して高精度に加工品質や工具異常の推定結果を得るためには、工具の種類毎に異なる学習済みモデルを生成しておき、使用していた工具の種類に応じた学習済みモデルを用いて加工品質や工具異常を推定することが求められる。

【0005】

しかしながら、学習済みモデルを工具の種類毎に生成するのみでは、出力される推定結果を推定精度の誤差が生じることがあることが分かった。例えば、同一工具や同一工作物であっても、加工条件や加工材質等が異なれば、加工中に得られるデータの分布や傾向が変化することがある。これらの理由により、推定精度の誤差が生じることがあると考えられる。

【0006】

本発明は、機械学習の推定結果の精度を向上することができる工作機械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】

【0007】

本発明の一態様は、
工作機械に設置されたセンサにより検出されたデータを取得するデータ取得部と、
前記センサにより前記データが検出される際に、使用されていた工具の種類、及び、適用されていた加工条件を取得する諸元取得部と、
前記センサにより検出される前記データを説明変数とし、且つ、前記工作機械による加工状況を目的変数とする機械学習の学習済みモデルであって、前記諸元取得部により取得された少なくとも前記工具の種類及び前記加工条件により分類された分類毎に生成された複数の学習済みモデルを記憶するモデル記憶部と、
推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中から、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルを選択するモデル選択部と、
前記推定フェーズにおいて、選択された前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工作機械による推定加工状況を出力する出力部と、を備え、
前記加工状況は、前記工具の消耗度合、又は、前記工具の異常の有無であり、
前記モデル選択部は、前記推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中に、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルが存在しない場合に、類似する前記学習済みモデルを選択し、
前記出力部は、前記推定フェーズにおいて、選択された前記類似する前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工具の消耗度合の推定値を出力し、
前記類似する前記学習済みモデルは、前記工具の種類、又は、前記加工条件の内の一つの項目以外が同じであって、前記一つの項目が最も近い諸元に対応する学習済みモデルである、工作機械支援装置にある。
本発明の他の態様は、
工作機械に設置されたセンサにより検出されたデータを取得するデータ取得部と、
前記センサにより前記データが検出される際に、使用されていた工具の種類、及び、適用されていた加工条件を取得する諸元取得部と、
前記センサにより検出される前記データを説明変数とし、且つ、前記工作機械による加工状況を目的変数とする機械学習の学習済みモデルであって、前記諸元取得部により取得された少なくとも前記工具の種類及び前記加工条件により分類された分類毎に生成された複数の学習済みモデルを記憶するモデル記憶部と、
推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中から、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルを選択するモデル選択部と、
前記推定フェーズにおいて、選択された前記学習済みモデル及び前記データ取得部により取得された前記データに基づいて、前記工作機械による推定加工状況を出力する出力部と、を備え、
前記加工状況は、前記工具の消耗度合、又は、前記工具の異常の有無であり、
前記モデル選択部は、前記推定フェーズにおいて、前記モデル記憶部に記憶された前記複数の学習済みモデルの中に、前記諸元取得部により取得された前記工具の種類及び前記加工条件により分類された分類に対応する前記学習済みモデルが存在しない場合に、前記学習済みモデルを選択せず、
前記出力部は、前記モデル選択部により前記学習済みモデルが選択されなかった場合には、前記学習済みモデルを用いることなく、前記工具による工作物の加工数が所定数に達したか否かにより前記工具の寿命の到達の有無を出力する、工作機械支援装置にある。

【0008】

上記工作機械支援装置によれば、モデル記憶部に記憶されている複数の学習済みモデルは、工具の種類及び加工条件により分類された分類毎に生成されている。そして、モデル選択部が、推定フェーズにおいて、諸元取得部により取得された工具の種類及び加工条件により分類された分類に対応する学習済みモデルを選択し、出力部が、選択された当該学習済みモデルに基づいて工作機械の推定加工状況を出力する。このように、推定フェーズにて使用する学習済みモデルは、工具の種類のみならず、加工条件を考慮したモデルである。従って、出力部が出力する推定加工状況は、より高精度な結果となる。

【図面の簡単な説明】

【0009】

【図1】工作機械と工作機械支援装置とを含むシステム全体を示す図である。

【図2】工作機械による加工の例を示す図である。

【図3】工作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】工作機械支援装置の機能ブロック図である。

【図5】諸元取得部により取得される諸元と学習済みモデルとの関係を示す図である。

【発明を実施するための形態】

【0010】

（１．工作機械支援装置の概要）
工作機械支援装置は、工作機械に設置されたセンサにより検出されたデータに基づいて、機械学習を利用することにより、工作機械の加工状況を推定する装置である。推定される加工状況は、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。

【0011】

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。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。

【0012】

また、機械学習における学習済みモデルは、多数用意されている。具体的には、機械学習の学習フェーズにおいて、加工に使用されていた工具の種類、適用されていた加工条件、加工対象の工作物の種類等により分類された分類毎に学習済みモデルが生成される。また、機械学習の推定フェーズにおいては、工具の種類、加工条件、工作物の種類等により対応する学習済みモデルを選択し、選択した学習済みモデルを用いて推定加工状況を出力する。

【0013】

特に、工作機械は、複数の工作機械により構成された生産ラインの１つを構成する場合に好適である。生産ラインは、複数種の工作物を生産可能、又は、複数種の加工種別により工作物を生産可能である。いわゆる、当該生産ラインは、多種の加工を実施できる。そして、工作機械は、複数種の工作物又は複数種の加工種別に対応した複数種の工具又は複数種の加工条件により工作物を生産することができる。つまり、生産ラインを構成するそれぞれの工作機械が、複数種の加工を実施できるようになっている。ここでの複数種の加工とは、異なる工具による加工、同一工具による異なる加工条件による加工、異なる工具による異なる加工条件による加工等を含む意味である。

【0014】

（２．支援システム１００の構成）
工作機械１及び工作機械支援装置２（以下、「支援装置」と称する）を含む支援システム１００について、図１を参照して説明する。図１には、説明の容易化のために１台の工作機械１のみを示すが、上述したように、複数台の工作機械１により構成される生産ラインに適用されるのが好適である。

【0015】

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。

【0016】

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。

【0017】

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。

【0018】

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。

【0019】

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。

【0020】

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。

【0021】

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。

【0022】

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。

【0023】

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。

【0024】

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。

【0025】

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。

【0026】

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。

【0027】

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、機械学習により工作機械１の加工状況、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の熱変位量等を推定する。

【0028】

（３．対象の加工方法の例）
支援装置２の説明を容易にするために、工作機械１による加工方法の例について、図２及び図３を参照して説明する。加工方法の例は、図２に示すように、ドリルによる穴あけ加工である。つまり、当該加工方法は、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、支援装置２によ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。

【0029】

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。

【0030】

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。

【0031】

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）。

【0032】

（４．支援装置２の構成）
支援装置２の構成について、図４及び図５を参照して説明する。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データを用いて機械学習により、工作機械１の加工状況、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の熱変位量等を推定する。

【0033】

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。支援装置２は、図４に示すように、データ取得部４１、諸元取得部４２、モデル生成部４３、モデル記憶部４４、モデル選択部４５、出力部４６を備える。

【0034】

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データを取得する。データ取得部４１は、例えば、工作機械１の動作の負荷の時系列データを取得する。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、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、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等を用いることができる。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。

【0035】

また、データ取得部４１は、工作機械１に生じる負荷の時系列データの他に、工作物Ｗに対する工具Ｔの相対位置を表す各移動体の制御位置データを取得しても良い。さらに、データ取得部４１は、加工中における工作物Ｗの形状情報、面性状情報等のデータを取得しても良い。

【0036】

諸元取得部４２は、センサによりデータが検出される際に、使用されていた工具Ｔの種類、適用されていた加工条件、工作物Ｗの種類を含む諸元情報を取得する。工具Ｔの種類は、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、円筒砥石、総形砥石、ネジ切り砥石等の研削工具である。さらに、工具Ｔの種類は、工具Ｔの材質、工具Ｔの形状等により分類しても良い。

【0037】

加工条件は、切削加工においては切削速度、送り速度、切込量等を含み、研削加工においては研削速度、送り速度、切込量等を含む。また、加工条件は、例えば、振止装置の有無や、工作物Ｗを支持する装置の構成等の情報により分類しても良い。工作物Ｗの種類は、工作物Ｗの材質、熱処理の有無、熱処理の種類等の情報により分類される。

【0038】

モデル生成部４３は、機械学習の学習フェーズとして、工具Ｔの種類、加工条件及び工作物Ｗの種類により分類された分類毎に、学習済みモデルを生成する。学習済みモデルは、データ取得部４１により取得したデータを説明変数とし、且つ、工作機械１による加工状況を目的変数とする機械学習モデルである。学習済みモデルに対応する分類は、諸元取得部４２により取得される工具Ｔの種類、加工条件、工作物Ｗの種類により分類される。

【0039】

諸元取得部４２により取得される工具Ｔの種類、加工条件、工作物Ｗの種類による分類と、学習済みモデルとの関係は、図５に示すとおりである。例えば、工具Ｔの種類として、Ｔ１，Ｔ２が存在し、加工条件として、Ｃ１，Ｃ２が存在し、工作物Ｗの種類として、Ｗ１，Ｗ２が存在する。この場合、例えば、工具Ｔの種類Ｔ１、加工条件Ｃ１、工作物Ｗの種類Ｗ１の分類に対応する学習済みモデルはＭ１である。このように、工具Ｔの種類、加工条件、工作物Ｗの種類に応じて、例えば、８種類の学習済みモデルＭ１－Ｍ８が生成される。

【0040】

例えば、図２に示すような穴あけ加工においては、工具Ｔ１がドリル工具であって、加工条件Ｃ１は、範囲Ａ，Ｃにおける第一速度Ｖａ及び第三速度Ｖｃによる穴あけ加工の条件と、範囲Ｂにおける第二速度Ｖｂによる穴あけ加工の条件とが別々に分類される。工作物Ｗの種類は、共通する。この例においては、範囲Ａ，Ｃにおける穴あけ加工に対応する学習済みモデルＭ１、範囲Ｂにおける穴あけ加工に対応する学習済みモデルＭ２が生成される。

【0041】

例えば、学習済みモデルＭ１は、データ取得部４１により、範囲Ａ，Ｃにおける穴あけ加工の際のデータを訓練データセットとして、機械学習により生成される。この場合、学習済みモデルＭ１は、範囲Ａ，Ｃにおける穴あけ加工の際のデータを入力データとした場合に、工作機械１の加工状況、例えば、工作物Ｗの加工品質、工具Ｔの異常の有無、工具Ｔの消耗度合等を出力することができるモデルとなる。他の学習済みモデルＭ２－Ｍ８については、訓練データセットが異なるのみで、同様の処理により生成される。このように、学習済みモデルＭ１－Ｍ８は、工具Ｔの種類のみならず、加工条件や工作物Ｗの種類により分類された分類毎に生成される。

【0042】

モデル記憶部４４は、モデル生成部４３により生成された複数の学習済みモデルＭ１－Ｍ８を記憶する。さらに、モデル記憶部４４は、複数の学習済みモデルＭ１－Ｍ８に対応する諸元の分類と関連付けて記憶されている。

【0043】

モデル選択部４５は、機械学習の推定フェーズにおいて、モデル記憶部４４に記憶された複数の学習済みモデルＭ１－Ｍ８の中から、諸元取得部４２により取得された工具Ｔの種類、加工条件及び工作物Ｗの種類により分類された分類に対応する学習済みモデルを選択する。例えば、図５に示すように、工具Ｔの種類Ｔ１、加工条件Ｃ２、工作物Ｗの種類Ｗ２の場合には、学習済みモデルＭ４が選択される。

【0044】

ここで、機械学習の推定フェーズにおいて、モデル記憶部４４に記憶された複数の学習済みモデルＭ１－Ｍ８の中に、諸元取得部４２により取得された工具Ｔの種類、加工条件及び工作物Ｗの種類により分類された分類に対応する学習済みモデルが存在しない場合がある。

【0045】

この場合、モデル選択部４５は、以下の２通りの手段を取ることができる。１つ目の手段は、類似する学習済みモデルを選択する手段である。例えば、工具Ｔの種類、工作物Ｗの種類が同一であって、加工条件のうち送り速度が異なる場合において、送り速度が最も近い諸元に対応する学習済みモデルが選択される。

【0046】

２つ目の手段は、学習済みモデルを選択しない手段である。学習済みモデルが異なれば、出力される推定加工状況が変化する。つまり、学習済みモデルの選択は、出力される推定加工状況に大きな影響を与える。そこで、学習済みモデルを選択せず、機械学習による出力を得ないこととする。ただし、一度は学習済みモデルを選択しないと決定したとしても、当該情報を蓄積して再度学習を行うことにより、次に同一の諸元が登場した場合には、新たに生成した学習済みモデルが選択されることになる。

【0047】

出力部４６は、機械学習の推定フェーズにおいて、モデル選択部４５により選択された学習済みモデル及びデータ取得部４１により取得されたデータに基づいて、工作機械１による推定加工状況を出力する。つまり、出力部４６は、選択された学習済みモデルを用いて、データ取得部４１により取得されたデータを入力データとすることで、推定加工状況を出力する。なお、入力データは、データ取得部４１により取得されたデータそのものである必要はなく、当該データから抽出された特徴量を用いても良い。

【0048】

例えば、出力部４６は、推定加工状況として、例えば、工作物Ｗの加工品質、工具Ｔの異常の有無、工具Ｔの消耗度合等の推定値を出力する。ここで、上述したように、諸元取得部４２により取得された諸元の分類に対応する学習済みモデルが存在しない場合、モデル選択部４５が類似する学習済みモデルを選択した場合には、出力部４６は当該類似する学習済みモデルを用いて推定加工状況を出力する。

【0049】

一方、モデル選択部４５により学習済みモデルが選択されなかった場合には、出力部４６は、学習済みモデルを用いることなく、他の手段により加工状況を出力すると良い。例えば、加工状況として工具Ｔの消耗度合を出力する場合には、出力部４６は、工具Ｔによる工作物Ｗの加工数が所定数に達したか否かにより工具Ｔの寿命の到達の有無を出力する。このように、機械学習を利用できない場合には、機械学習によらず他の手段により推定加工状況を出力することが選択される。

【0050】

（５．効果）
上記の支援装置２によれば、モデル記憶部４４に記憶されている複数の学習済みモデルＭ１－Ｍ８は、工具Ｔの種類、加工条件、工作物Ｗの種類等により分類された分類毎に生成されている。そして、モデル選択部４５が、推定フェーズにおいて、諸元取得部４２により取得された工具Ｔの種類、加工条件及び工作物Ｗの種類により分類された分類に対応する学習済みモデルを選択し、出力部４６が、選択された当該学習済みモデルに基づいて工作機械１の推定加工状況を出力する。このように、推定フェーズにて使用する学習済みモデルは、工具Ｔの種類のみならず、加工条件や工作物Ｗの種類等を考慮したモデルである。従って、出力部４６が出力する推定加工状況は、より高精度な結果となる。

【符号の説明】

【0051】

１：工作機械、 ２：工作機械支援装置、 １０：ベッド、 ２０：工作物保持装置、 ３０：工具保持装置、 ４１：データ取得部、 ４２：諸元取得部、 ４３：モデル生成部、 ４４：モデル記憶部、 ４５：モデル選択部、 ４６：出力部、 １００：支援システム、 Ｍ１－Ｍ８：学習済みモデル、 Ｔ：工具、 Ｗ：工作物

【図1】

【図2】

【図3】

【図4】

【図5】