JP4301278B2 - 工作機械の加工寸法予測装置 - Google Patents

Description

本発明は、モータのような駆動源を備える駆動装置により回転駆動される工具を備えた工作機械において、ワークを加工する前に、工具の取付状態に応じた加工寸法を予測する工作機械の加工寸法予測装置に関するものである。

従来から、数値制御工作機械の自動工具交換装置において、工具交換アームの交換動作の異常を監視する装置が提案されている（たとえば、特許文献１参照）。この装置は、工具交換アームの交換動作中の各位置における駆動モータのトルク波形パターンを検出し、工具交換アームの正常運転時における駆動モータのトルク波形パターンと比較して、工具交換動作の異常を検出するものである。トルク波形パターンの比較には、工具交換アームの交換動作中の同一位置でのトルク値の誤差量を求め、この誤差量が許容範囲内か否かによって工具交換動作について異常の有無を判断している。

特許文献１に記載された装置は、工具交換アームの製作誤差に起因する工具交換動作の異常の有無を監視することによって、工作機械やワークの損傷を未然に防ぐという技術的課題を解決している。特許文献１には、工具マガジンに保管されている複数個の工具について工具の重量差を考慮し、交換する工具に合わせたトルク波形パターンを記憶させておき、工具交換時には交換する工具に合わせたトルク波形パターンを用いることも記載されている。
特開平１１−３３３６５７号公報

ところで、特許文献１に記載された技術は、自動工具交換装置の異常の有無を検出するものであり、自動工具交換装置が正常に動作していれば、駆動装置に対して工具が正常に取り付けられるとみなしている。しかしながら、工具が駆動装置に正常に取り付けられワークの加工に支障をきたさない場合であっても、軸心のずれ、工具の傾き、工具の摩耗や欠けなどによって加工寸法には若干の誤差が生じることがある。誤差の範囲は公差として規定されているから、加工寸法が公差の範囲内であれば問題はないが、加工寸法が公差の範囲を超えていると不良品になる。加工寸法はワークの加工後にしか知ることができないからワークに無駄が生じる。

本発明は上記事由に鑑みて為されたものであり、その目的は、ワークの加工前に加工寸法を予測することにより、加工寸法が公差を超えることによるワークの無駄を低減させる工作機械の加工寸法予測装置を提供することにある。

請求項１の発明は、駆動装置により回転駆動される工具を備えた工作機械において駆動装置から発生する振動を検出する振動センサと、振動センサの出力である対象信号から複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量のカテゴリを分類する競合学習型ニューラルネットワークと、工具を駆動装置に取り付けた状態で空転させたときの対象信号の特徴量と学習済みの競合学習型ニューラルネットワークにおいて発火したニューロンの重みベクトルとのユークリッド距離をワークの加工寸法に換算する換算部と、換算部で得られたワークの加工寸法を予測値として出力する出力部とを備え、競合学習型ニューラルネットワークを学習させる学習データは工具を駆動装置に正常に取り付けた状態で空転させたときの対象信号の特徴量を用いており、換算部には、学習後の競合学習型ニューラルネットワークに学習データを再度入力し、発火したニューロンの重みベクトルと当該学習データとのユークリッド距離が、当該学習データが得られたときの工具でワークを加工した加工寸法に対応付けて登録されることを特徴とする。

請求項２の発明では、請求項１の発明において、前記工作機械は工具マガジンに保管された複数個の工具を指示された順序で自動的に交換する構成であって、前記ニューラルネットワークは工具別の学習データを用いて学習され、前記換算部は、工作機械において工具を交換する指示に同期してユークリッド距離と加工寸法との対応関係を変更することを特徴とする。

請求項３の発明では、請求項１または請求項２の発明において、前記出力部は、前記換算部で求めた加工寸法が規定した閾値を超えているときには駆動装置への工具の取付状態に不具合があると判定することを特徴とする。

請求項１の発明の構成によれば、工具を駆動装置に取り付けた状態で空転させたときに振動センサから得られる出力の特徴量の分布と、当該工具でワークを加工したときの加工寸法の分布とに相関があることに着目して、振動センサの出力の特徴量を用いて加工寸法を予測するから、ワークを加工する前に加工寸法を予測することにより、工具の取付状態によって加工精度の低い加工がなされるのを防止することができ、結果的に不良品の発生を未然に防止することができる。

請求項２の発明の構成によれば、工具の種類が異なる場合でも、各工具ごとに加工寸法を予測することができるから、マシニングセンタのように多数個の工具を自動的に交換して加工工作を行う場合でも、各工具毎の加工寸法を予測してワークが無駄に加工されるのを防止することができる。

請求項３の発明の構成によれば、加工寸法を予測するだけではなく、工具の取付状態の不具合も検出することができる。

以下に説明する実施形態は、工作機械として、マシニングセンタやターニングセンタのように、工具マガジンに保持された複数個の工具から使用する工具をプログラムに従って自動的に選択し、選択した工具を駆動装置に自動的に装着するものを想定するが、単機能の工作機械であっても駆動装置がモータのような駆動源を持ち、工具を回転駆動するものであれば、本発明の技術思想は適用可能である。駆動装置としては、モータを駆動源に用いるものであればよく、駆動源と工具との間にギアボックスやベルトなどの適宜の伝達機構を設けてあってもよい。以下では、駆動装置としてハウジングを備えるスピンドルを想定する。

本実施形態で説明する工作機械の加工寸法予測装置は、図１に示すように、教師なしの競合学習型ニューラルネットワーク（以下、とくに必要がなければ単に「ニューラルネット」と呼ぶ）１を用いている。競合学習型ニューラルネットワークは、学習の際にカテゴリ毎の学習データを用いて学習させるだけでよく、一旦学習した後も追加学習によって学習を強化させることが可能である。

ニューラルネット１は、図２に示すように、それぞれ入力層１１と出力層１２との２層からなり、出力層１２の各ニューロンＮ２が入力層１１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１は、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。

ニューラルネット１の動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から生成した複数のパラメータからなる特徴量（検査データ）のカテゴリを分類する。

入力層１１のニューロンＮ１と出力層１２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１に入力することによりニューラルネット１を学習させ、入力層１１の各ニューロンＮ１と出力層１２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層１２の各ニューロンＮ２には、入力層１１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層１１のニューロンＮ１と同数の要素を持ち、入力層１１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。

一方、検査モードでは、カテゴリを判定すべき検査データをニューラルネット１の入力層１１に与えると、出力層１２のニューロンＮ２のうち、重みベクトルと検査データとのユークリッド距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層１２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって検査データのカテゴリを知ることができる。

出力層１２のニューロンＮ２には、たとえば６×６個の領域を有する２次元のクラスタリングマップ４の各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタリングマップ４の各領域に学習データのカテゴリを対応付けておけば、検査データにより発火したニューロンＮ２に対応するカテゴリをクラスタリングマップ４により知ることができる。クラスタリングマップ４はニューラルネット１による分類結果を出力する出力部として機能する。

クラスタリングマップ４の各領域（実質的には出力層１２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１を出力層１２から入力層１１に向かって逆向きに動作させて出力層１２の各ニューロンＮ２ごとに入力層１１に与えたデータを推定し、推定したデータとのユークリッド距離がもっとも近い学習データのカテゴリを、出力層１２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層１２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとのユークリッド距離が最小である学習データのカテゴリを用いる。これにより、出力層１２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。

各カテゴリについて多数個（たとえば、１５０個）の学習データを与えることにより、類似度の高いカテゴリがクラスタリングマップ４上で近い位置に配置される。つまり、出力層１２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタリングマップ４上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。

なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来の意味のクラスタリングマップ４であるが、本実施形態では学習前であってもクラスタリングマップ４と呼んでとくに区別しない。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部５に格納されており、必要に応じて学習データ記憶部５から読み出されてニューラルネット１に与えられる。

ところで、ニューラルネット１で検出しようとする情報は、駆動装置Ｘに対する工具Ｙの装着状態であって、最終的には加工寸法を予測するから、駆動装置Ｘへの工具Ｙの取付状態は正常状態であることが前提になる。そこで、カテゴリとしては正常状態のみを検出することができればよく、正常状態以外は異常状態と判断すればよい。また、駆動装置Ｘには複数個の工具Ｙを取り換えて装着するから、工具Ｙごとに正常状態を検出する必要がある。

駆動装置Ｘに対して工具Ｙの装着状態を判定するために、駆動装置Ｘに密着するように取り付けた振動センサ２の出力を検査すべき対象信号として用いる。振動センサ２としては加速度ピックアップを用いており、振動センサ２は、図３に示すように、駆動装置Ｘのハウジング１３の外側面に密着させる形で取り付けられる。振動センサ２を駆動装置Ｘに取り付けるにあたっては、駆動装置Ｘの動作を妨げず、かつ駆動装置Ｘの動作によって取付状態の変化しないことが要求される。したがって、接着ないし溶着によって振動センサ２を駆動装置Ｘのハウジング１３に固着する。また、振動センサ２の着脱を可能とするために、振動センサ２を着脱可能に結合する保持具をハウジング１３に固着する構成を採用してもよい。

振動センサ２から出力される電気信号は対象信号として特徴抽出部３に与えられ、特徴抽出部３では対象信号について複数のパラメータを持つ特徴量を抽出する。特徴量は対象信号において着目する属性に応じて適宜に取り出すことができるが、本実施形態では対象信号の周波数成分（周波数帯域ごとのパワー）に着目している。駆動装置Ｘはスピンドルであるから振動センサ２の出力は周期性を有しているが、振動センサ２の出力について時間軸上のどの部位から特徴量を抽出するかによって抽出される特徴量が変化するから、特徴抽出部３では特徴量を抽出する前に、振動センサ２の出力から特徴量を抽出する部位を揃えるための前処理が必要である。

そこで、特徴抽出部３では、駆動装置Ｘの動作に同期したタイミング信号（トリガ信号）を用いたり、対象信号の波形の特徴（たとえば、ひとまとまりの対象信号の開始点と終了点）を用いたりすることによって、振動センサ２から出力された対象信号について時間軸方向の着目部分の切り出し（セグメンテーション）を行う。ここに、セグメンテーションの際に、１周期の対象信号から１区間分だけ信号を取り出すのではなく、適宜の単位時間ごとの複数区間に分割してもよい。特徴抽出部３では、区間ごとに複数個のパラメータからなる１セットの特徴量を抽出する。

上述の前処理を行うために、特徴抽出部３は振動センサ２から与えられる対象信号を一時的に記憶するバッファを備える。また、特徴抽出部３の前処理では、必要に応じて周波数帯域を制限するなどしてノイズを低減させる。さらに、振動センサ２から出力される対象信号をデジタル信号に変換する機能も備える。

特徴抽出部３において周波数成分を抽出するには、ＦＦＴ（高速フーリエ変換）の技術、あるいは多数個のバンドパスフィルタからなるフィルタバンクを用いる。どの周波数を特徴量に用いるかは、対象とする駆動装置Ｘや工具Ｙに応じて適宜に選択される。特徴抽出部３から得られた特徴量は、学習モードの前に学習データを収集する際には学習データ記憶部５に格納され、検査モードの際には特徴量の抽出のたびにニューラルネット１に与えられ、特徴量を検査データとしてニューラルネット１が検査データのカテゴリを分類する。

学習データ記憶部５に格納されているデータをデータセットと呼ぶこととし、データセットに含まれる各データは駆動装置Ｘに工具Ｙが正常に取り付けられた状態に対応しているものとする。つまり、学習データ記憶部５には正常状態のカテゴリのデータのデータセットが格納されている。データセットを構成するデータの個数は学習データ記憶部５に格納可能な範囲内で任意であるが、上述のようにニューラルネット１の学習には１５０個程度のデータを用いるのが望ましい。

学習データ記憶部５には、正常状態のカテゴリを対応付けたデータセットのみが格納されているから、ニューラルネット１を学習モードとして学習データ記憶部５に格納された各データセットで学習を行うとニューラルネット１は正常状態のみの学習を行うことになる。言い換えると、クラスタリングマップ４のカテゴリは正常状態のみであるから、上述のように学習後に逆向きに動作させてカテゴリを設定する作業は省略することができる。

ところで、本発明は、駆動装置Ｘへの工具Ｙの取付状態が正常であるときに加工寸法を予測することが目的であるから、学習データを得るために用いた対象信号と加工寸法とを対応付ける必要がある。そのため、学習データを得るために用いた対象信号が得られたときの状態でワークを実際に加工し、このときの加工寸法を実測して各学習データに対応付ける。得られた加工寸法の実測値はキーボードなどの別途の装置を用いて学習データ記憶部５に登録する。

上述のように学習を行えば、出力層１２の各ニューロンＮ２には、それぞれ入力層１１の各ニューロンＮ１との重み係数を要素とする重みベクトルが設定される。したがって、ニューラルネット１を検査モードとして１つのカテゴリの学習データを与えると、当該カテゴリに相当するニューロンＮ２が発火する。

ニューラルネット１の学習後には、学習モードを終了して換算部６へのデータの登録を行う。すなわち、ニューラルネット１に学習データを再度入力し、ニューラルネット１の出力総１２において発火したニューロンＮ２の重みベクトルと与えた学習データとのユークリッド距離を求める。発火したニューロンＮ２の重みベクトルは、学習データの分布の中心付近の特徴量に対応しており、求めたユークリッド距離が大きくなるほど特徴量の帰属度が低下すると言える。つまり、発火したニューロンＮ２の重みベクトルとのユークリッド距離が小さいほど加工寸法は真値に近く、ユークリッド距離が大きくなるほど加工寸法の真値からのずれが大きくなると予想される。もっとも、この関係は駆動装置Ｘ、工具Ｙ、ワークの種類によって異なるが、工具Ｙとしてドリルビットを用いる場合には、ほぼ線形関係になるという知見が得られている。

そこで、上述のように学習データから求めたユークリッド距離と、当該学習データに対応する加工寸法の実測値との組から両者の対応関係を求める。対応関係は関数で表すことができると予測されるときには最小二乗法などを適用して自動的に演算し換算部６に登録することができる。また、対応関係を関数で表すことができない場合には適宜の規則（複数区間に分けて、区間ごとに平均値を適用するなど）を用いてデータテーブルの形で換算部６に登録する。

学習モードによりニューラルネット１の学習を行い、上述のようにしてユークリッド距離と加工寸法との対応関係を換算部６に登録した後に、ニューラルネット１を検査モードとして検査データを与えると、検査データが駆動装置Ｘへの工具Ｙの装着状態に応じた加工寸法を換算部６で求めることができる。この加工寸法は出力部７に付設したディスプレイ装置などを通して利用者に示される。

ここで、駆動装置Ｘへの工具Ｙの装着状態が正常ではない場合には、正常のカテゴリに属していないニューロンＮ２が検査データによって発火するから、異常と判断することができる。また、上述のように換算部６において加工寸法を予測しているから、予測した加工寸法が規定の閾値（たとえば、設定した公差）を超えている場合には、検査データによって正常のカテゴリに属するニューロンＮ２が発火した場合でも、取付状態の異常と判断することができる。このような異常の判断は出力部７において行う。したがって、異常と判断したときはディスプレイ装置に表示される。異常を報知する手段として、出力部７においてランプを点灯させたり警報音を発生させたりしてもよい。

ニューラルネット１、特徴抽出部３、クラスタリングマップ４、学習データ記憶部５、換算部６、出力部７（ディスプレイ装置、ランプなどを除く）は１つの筐体１４に収納され、振動センサ２とは別に配置される。筐体１４と振動センサ２とはセンサ線１５を介して接続される。センサ線１５は振動センサ２に付設されており、筐体１４に対してはコネクタなどによって着脱可能に接続される。また、センサ線１５を通して対象信号に雑音成分が混入しないように、センサ線１５にはシールド線を用いることが望ましい。

実際に使用するにあたっては、工具Ｙを駆動装置Ｘに取り付けた状態で、ワークを加工する前に駆動装置Ｘを空転させ、このときに得られる振動センサ２の出力を対象信号に用いる。検査データだけではなく学習データも同様である。検査モードにおいて、空転時に工具Ｙの装着状態が異常であることが検出されるか、予測される加工寸法が閾値を超えると判断されたときには、ワークに工具Ｙが接触する前に駆動装置Ｘを停止させるとともに異常を通知する。

上述したように空転時における振動センサ２の出力を用いて工具Ｙによるワークの加工寸法を予測するから、加工寸法が規定した閾値を超えると予測される場合や駆動装置Ｘへの工具Ｙの取付状態に不具合がある場合には、ワークに工具Ｙが接触する前に駆動装置Ｘを停止させることが可能になる。

図４に示すように、工具マガジン１６に複数種類の工具Ｙが保管されており、あらかじめ設定されたプログラムの指示に従って、工具交換アーム１７によって駆動装置４に装着される工具Ｙを順に取り換える場合には、学習データ記憶部５に格納する学習データのデータセットを工具Ｙごとに設けておき、工具Ｙごとの学習データによってニューラルネット１を学習させる。このように学習させたニューラルネット１では、クラスタリングマップ４において、複数種類の工具Ｙについて正常状態のカテゴリを対応付けた領域が生じるから、工具Ｙごとに加工寸法を予測することが必要である。

どの工具Ｙが駆動装置４に装着されるかはプログラムによって既知であるから、判定部としてクラスタリングマップ４に加えてプログラムの指示によりクラスタリングマップ４の領域を選択する領域選択部８を設けている。領域選択部８では、工具Ｙごとにクラスタリングマップ４のどの領域を正常状態として用いるかを選択し、ニューラルネット１に与えた検査データに対して、クラスタリングマップ４において選択した領域のニューロンＮ２を用いて加工寸法を予測することになる。

なお、上述の例では、振動センサ２の出力を対象信号に用いているが、駆動装置Ｘの駆動源がモータである場合には、モータの負荷電流を対象信号に用いることが可能であり、モータがサーボ制御されている場合にはモータに設けたエンコーダの出力を対象信号に用いてもよい。

本発明の実施形態１を示すブロック図である。 同上に用いるニューラルネットの概略構成図である。 同上の概略構成図である。 同上の概略構成図である。

符号の説明

１ ニューラルネット（競合学習型ニューラルネットワーク）
２ 振動センサ
３ 特徴抽出部
４ クラスタリングマップ（判定部）
５ 学習データ記憶部
６ 換算部
７ 出力部
８ 領域選択部
１１ 入力層
１２ 出力層
１３ ハウジング
１４ 筐体
１５ センサ線
１６ 工具マガジン
１７ 工具交換アーム
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 駆動装置

Claims (3)

1. 駆動装置により回転駆動される工具を備えた工作機械において駆動装置から発生する振動を検出する振動センサと、振動センサの出力である対象信号から複数のパラメータからなる特徴量を抽出する特徴抽出部と、特徴抽出部により抽出した特徴量のカテゴリを分類する競合学習型ニューラルネットワークと、工具を駆動装置に取り付けた状態で空転させたときの対象信号の特徴量と学習済みの競合学習型ニューラルネットワークにおいて発火したニューロンの重みベクトルとのユークリッド距離をワークの加工寸法に換算する換算部と、換算部で得られたワークの加工寸法を予測値として出力する出力部とを備え、競合学習型ニューラルネットワークを学習させる学習データは工具を駆動装置に正常に取り付けた状態で空転させたときの対象信号の特徴量を用いており、換算部には、学習後の競合学習型ニューラルネットワークに学習データを再度入力し、発火したニューロンの重みベクトルと当該学習データとのユークリッド距離が、当該学習データが得られたときの工具でワークを加工した加工寸法に対応付けて登録されることを特徴とする工作機械の加工寸法予測装置。
2. 前記工作機械は工具マガジンに保管された複数個の工具を指示された順序で自動的に交換する構成であって、前記ニューラルネットワークは工具別の学習データを用いて学習され、前記換算部は、工作機械において工具を交換する指示に同期してユークリッド距離と加工寸法との対応関係を変更することを特徴とする請求項１記載の工作機械の加工寸法予測装置。
3. 前記出力部は、前記換算部で求めた加工寸法が規定した閾値を超えているときには駆動装置への工具の取付状態に不具合があると判定することを特徴とする請求項１または請求項２記載の工作機械の加工寸法予測装置。

Images