本発明は、診断装置、加工システム、診断方法およびプログラムに関する。The present invention relates to a diagnostic device, a processing system, a diagnostic method, and a program.
従来、加工装置に設けられた加工工具の状態を、当該加工工具を用いた加工作業中に検出する技術が開示されている。Technology has been disclosed in the past for detecting the state of a machining tool installed in a machining device while the tool is being used for machining.
例えば、加工装置を構成する回転軸に取り付けられた加工工具としての工具が、被加工物に対して加工動作を実行中に発した物理量の検出情報を周波数解析した周波数解析結果から、検出情報に係る特徴情報を抽出する技術が知られている（特許文献１参照）。For example, a technique is known in which detection information of physical quantities emitted by a tool attached to a rotating shaft of a processing device while performing a processing operation on a workpiece is frequency-analyzed, and feature information related to the detection information is extracted from the results of the frequency analysis (see Patent Document 1).
しかしながら、従来の技術では、加工工具の種類、被加工物に対する加工の種類等に応じた周波数解析のための抽出区間を特定することは考慮されていないため、加工工具の状態を判定する際に不要な区間の特徴情報まで抽出してしまい、加工工具の状態を判定する際の判定精度を高めることができない、という問題がある。However, conventional technology does not take into consideration the identification of extraction intervals for frequency analysis according to the type of machining tool, the type of machining performed on the workpiece, etc., and therefore ends up extracting feature information from intervals that are not necessary when determining the state of the machining tool, resulting in the problem of being unable to improve the accuracy of determining the state of the machining tool.
本発明は、上記に鑑みてなされたものであって、加工工具の状態を判定する際の判定精度を高めることを目的とする。The present invention was made in consideration of the above, and aims to improve the accuracy of determining the condition of a machining tool.
上述した課題を解決し、目的を達成するために、本発明は、加工装置に設けられた加工工具の被加工物に対する加工動作に伴って時間変化する物理量を、前記加工装置から受信する通信制御部と、前記物理量で示される検出情報に対する周波数解析の結果から、前記検出情報に係る特徴情報を抽出する特徴抽出部と、前記特徴情報に基づいて、前記加工工具の状態を判定する判定部と、を備え、前記特徴抽出部は、前記加工動作を表す加工区間から、前記加工工具の種類を表す工具種別と、前記被加工物に対する加工の種類を表す加工種別と、の少なくとも何れか一方に応じて前記特徴情報を抽出するための抽出区間を特定し、特定した前記抽出区間における前記特徴情報を抽出する、ことを特徴とする。To solve the above-mentioned problems and achieve the objectives, the present invention comprises a communication control unit that receives, from a processing device, physical quantities that change over time in accordance with the processing operation of a processing tool provided on a workpiece; a feature extraction unit that extracts feature information related to the detection information represented by the physical quantities from the results of frequency analysis of the detection information; and a determination unit that determines the state of the processing tool based on the feature information.The feature extraction unit identifies an extraction section from a processing section representing the processing operation for extracting the feature information according to at least one of a tool type representing the type of processing tool and a processing type representing the type of processing performed on the workpiece, and extracts the feature information from the identified extraction section.
本発明によれば、加工工具の状態を判定する際の判定精度を高めることができる、という効果を奏する。The present invention has the effect of improving the accuracy of determining the condition of a machining tool.
以下に添付図面を参照して、診断装置、加工システム、診断方法およびプログラムの実施の形態を詳細に説明する。Embodiments of the diagnostic device, processing system, diagnostic method, and program are described in detail below with reference to the accompanying drawings.
（第１の実施の形態）
図１は、第１の実施の形態にかかる診断装置を適用した加工システムの構成例を示すブロック図である。図１に示すように、本実施の形態にかかる加工システムは、加工装置２００と、診断装置１００と、を含む。(First embodiment)
1 is a block diagram showing an example of the configuration of a processing system to which a diagnostic device according to a first embodiment is applied. As shown in FIG. 1, the processing system according to the present embodiment includes a processing device 200 and a diagnostic device 100.
加工装置２００と診断装置１００とは、どのような接続形態で接続されてもよい。例えば、加工装置２００と診断装置１００とは、専用の接続線、有線ＬＡＮ（ローカルエリアネットワーク）等の有線ネットワーク、無線ネットワーク等により接続される。The processing device 200 and the diagnostic device 100 may be connected in any manner. For example, the processing device 200 and the diagnostic device 100 may be connected via a dedicated connection line, a wired network such as a wired LAN (local area network), a wireless network, etc.
加工装置２００は、機械制御部２０１、工具交換装置２０２、表示部２０３、記憶部２０４、通信制御部２０５、数値制御部２０６、工具情報入力部２０７、警報部２０８、入出力部２０９、工作機械２２０等を備えている。The machining device 200 includes a machine control unit 201, a tool changer 202, a display unit 203, a memory unit 204, a communication control unit 205, a numerical control unit 206, a tool information input unit 207, an alarm unit 208, an input/output unit 209, a machine tool 220, etc.
工作機械２２０は、図１の上下方向に移動可能で駆動部を具備したＺ軸ステージ２２６を有する。Ｚ軸ステージ２２６は、加工装置２００を構成する回転軸の一例である回転主軸２２１を具備する。回転主軸２２１には、加工工具２２３を保持する工具ホルダ２２２が装着されている。工作機械２２０は、回転主軸２２１の下方に、Ｚ軸ステージ２２６に直交する面内の２軸方向に移動可能で駆動部を具備したＸＹ軸ステージ２２５を備える。ＸＹ軸ステージ２２５は、加工工具２２３による加工対象物である被加工物２２４を保持する。The machine tool 220 has a Z-axis stage 226 that is movable in the vertical direction in FIG. 1 and is equipped with a drive unit. The Z-axis stage 226 is equipped with a rotating spindle 221, which is an example of a rotation axis that constitutes the processing device 200. A tool holder 222 that holds a processing tool 223 is attached to the rotating spindle 221. The machine tool 220 has an XY-axis stage 225 below the rotating spindle 221 that is movable in two axial directions in a plane perpendicular to the Z-axis stage 226 and is equipped with a drive unit. The XY-axis stage 225 holds a workpiece 224, which is the object to be processed by the processing tool 223.
数値制御部２０６は、加工装置２００よる加工をコンピュータ数値制御（Computer Numerical Control：ＣＮＣ）により実行する。例えば、数値制御部２０６は、入出力部２０９より加工プログラムを読み込み、主軸回転、各軸ステージの位置を制御するための数値制御データを生成して出力する。また、加工プログラムには、工具交換装置２０２の格納番号が記述されており、数値制御部２０６は、その記述に従って工具交換を行う。The numerical control unit 206 executes machining by the machining device 200 using computer numerical control (CNC). For example, the numerical control unit 206 reads a machining program from the input/output unit 209, and generates and outputs numerical control data for controlling the rotation of the main spindle and the position of each axis stage. The machining program also contains the storage number of the tool changer 202, and the numerical control unit 206 performs tool changes according to this description.
数値制御部２０６は、コンテキスト情報を通信制御部２０５に出力する。コンテキスト情報は、加工装置２００の加工工具２２３の動作を規定する情報であり、当該加工工具２２３の動作の種類毎に複数定められる情報である。本実施の形態では、コンテキスト情報は、例えば、加工装置２００の加工工具２２３を識別する工具情報、回転主軸２２１の回転情報（例えば、回転主軸２２１の回転数である主軸回転数）、Ｚ軸ステージ２２６、ＸＹ軸ステージ２２５の移動情報（移動速度、移動中情報）等を含む。The numerical control unit 206 outputs context information to the communication control unit 205. The context information is information that defines the operation of the machining tool 223 of the machining device 200, and multiple pieces of context information are defined for each type of operation of the machining tool 223. In this embodiment, the context information includes, for example, tool information that identifies the machining tool 223 of the machining device 200, rotation information of the rotating spindle 221 (for example, the spindle rotation speed, which is the rotation speed of the rotating spindle 221), movement information of the Z-axis stage 226 and the XY-axis stage 225 (movement speed, information during movement), etc.
工具情報には、少なくともドリル，タップ，リーマ，エンドミル等の加工工具２２３の工具種別、加工工具２２３の切刃の数等の情報が含まれる。この工具情報は、表示部２０３に表示された情報に従って、工具情報入力部２０７から作業者により入力される。または、工具情報は、当該工具情報のリストファイルを入出力部２０９から読み込んだり、通信制御部２０５を介して図示しない外部コンピュータから情報入力したりすることができる。また、工具情報は、記憶部２０４に記憶しておき、加工プログラムから参照可能としても良い。The tool information includes at least information such as the type of machining tool 223, such as a drill, tap, reamer, or end mill, and the number of cutting edges of the machining tool 223. This tool information is input by the operator via the tool information input unit 207 in accordance with the information displayed on the display unit 203. Alternatively, the tool information can be obtained by reading a list file of the tool information from the input/output unit 209, or by inputting the information from an external computer (not shown) via the communication control unit 205. The tool information may also be stored in the memory unit 204 and made available for reference from the machining program.
また、工具情報には、被加工物２２４に対する加工の種類を表す加工種別が含まれていてもよい。加工種別は、穴開け、ねじ山加工などである。The tool information may also include a processing type that indicates the type of processing performed on the workpiece 224. Processing types include drilling, threading, etc.
数値制御部２０６は、例えば、加工工具２２３の現在の動作を規定するコンテキスト情報を、通信制御部２０５を介して診断装置１００に送信する。数値制御部２０６は、加工プログラムに従って被加工物２２４を加工する際、加工の工程に応じて、加工工具２２３の種類、Ｚ軸ステージ２２６およびＸＹ軸ステージ２２５の位置、回転主軸２２１の回転速度等を制御する。数値制御部２０６は、コンテキスト情報のうち、所定の動作に対応するコンテキスト情報を、通信制御部２０５を介して、診断装置１００に送信する。ここで、所定の動作は、加工工具２２３の動作のうち、予め設定された動作である。本実施の形態では、数値制御部２０６は、加工工具２２３の動作の種類を変更する毎に、変更した動作の種類に対応するコンテキスト情報を、通信制御部２０５を介して診断装置１００に逐次送信する。The numerical control unit 206 transmits, for example, context information defining the current operation of the machining tool 223 to the diagnostic device 100 via the communication control unit 205. When machining the workpiece 224 according to the machining program, the numerical control unit 206 controls the type of machining tool 223, the positions of the Z-axis stage 226 and the XY-axis stage 225, the rotational speed of the rotating spindle 221, and the like depending on the machining process. The numerical control unit 206 transmits, from the context information, context information corresponding to a predetermined operation to the diagnostic device 100 via the communication control unit 205. Here, the predetermined operation is a predetermined operation of the machining tool 223. In this embodiment, each time the numerical control unit 206 changes the type of operation of the machining tool 223, it sequentially transmits context information corresponding to the changed type of operation to the diagnostic device 100 via the communication control unit 205.
通信制御部２０５は、診断装置１００等の外部装置との間の通信を制御する。例えば、通信制御部２０５は、加工工具２２３の現在の動作に対応するコンテキスト情報を診断装置１００に送信する。The communication control unit 205 controls communication with external devices such as the diagnostic device 100. For example, the communication control unit 205 transmits context information corresponding to the current operation of the machining tool 223 to the diagnostic device 100.
物理量情報検出部２２７は、加工工具２２３が被加工物２２４に対して加工動作を実行中に発しかつ時間変化する物理量をアナログ信号として検出するセンサを有する。また、物理量情報検出部２２７は、当該センサにより検出されるアナログ信号を適宜増幅し、任意の周波数領域をカットしたのち、デジタル信号へ変換する機能を有する。そして、物理量情報検出部２２７は、当該デジタル信号を検出情報として診断装置１００に送信する送信部の一例としても機能する。物理量情報検出部２２７が有するセンサの種類、および検出する物理量は、どのようなものであっても良い。例えば、物理量情報検出部２２７が有するセンサは、マイク、加速度センサ、または、ＡＥ（アコースティックエミッション）センサ等であり、それぞれ、音響データ、加速度データ、または、ＡＥ波を示すデータを検出情報として出力する。また、診断装置１００が有する物理量情報検出部２２７の個数は、任意であり、複数でも良い。例えば、診断装置１００は、異なる物理量を検出する複数のセンサを含んでも良い。The physical quantity information detection unit 227 has a sensor that detects, as an analog signal, a time-varying physical quantity emitted by the machining tool 223 while it is performing a machining operation on the workpiece 224. The physical quantity information detection unit 227 also has the function of appropriately amplifying the analog signal detected by the sensor, cutting out any frequency range, and then converting it to a digital signal. The physical quantity information detection unit 227 also functions as an example of a transmission unit that transmits the digital signal to the diagnostic device 100 as detection information. The type of sensor possessed by the physical quantity information detection unit 227 and the physical quantity detected may be any type. For example, the sensor possessed by the physical quantity information detection unit 227 may be a microphone, an acceleration sensor, or an AE (acoustic emission) sensor, each of which outputs acoustic data, acceleration data, or data indicating AE waves as detection information. The diagnostic device 100 may have any number of physical quantity information detection units 227, and may have more than one. For example, the diagnostic device 100 may include multiple sensors that detect different physical quantities.
図１では、物理量情報検出部２２７は、回転主軸２２１を保持する構造物の側面に装着されるセンサと、ＸＹ軸ステージ２２５の側面もしくはバイスを介して装着されているセンサと、を有する。なお、バイスとは万力のようなもので、加工装置２００に取り付けて被加工物２２４を挟むものをいう。センサの設置位置は、出来るだけ切削振動が大きくとれる主軸、加工工具２２３の近辺が望ましい。物理量情報検出部２２７が有するセンサには、加速度センサが内蔵されている。そして、物理量情報検出部２２７は、加工装置２００による加工が開始されると、回転主軸２２１の回転で発生する振動の加速度を検出する。加工装置２００では、加工工具２２３と被加工物２２４とが接触して実切削が開始されると、切削力が発生し、これが加振力となって加工工具２２３と被加工物２２４が加振され、振動が相互に伝搬していく。物理量情報検出部２２７は、この振動の加速度等を検出情報として診断装置１００へ送信する。これにより、診断装置１００の通信制御部１０１は、加工装置２００に設けられた加工工具２２３の被加工物２２４に対する加工動作に伴って時間変化する物理量を、加工装置２００から受信する。In FIG. 1, the physical quantity information detection unit 227 includes a sensor attached to the side of the structure holding the rotating spindle 221, and a sensor attached to the side of the XY-axis stage 225 or via a vise. A vise is a device similar to a vice that is attached to the processing device 200 and clamps the workpiece 224. The sensor should be installed near the spindle and processing tool 223, where cutting vibrations can be minimized. The sensor in the physical quantity information detection unit 227 has a built-in acceleration sensor. When processing by the processing device 200 begins, the physical quantity information detection unit 227 detects the acceleration of vibrations generated by the rotation of the rotating spindle 221. In the processing device 200, when the processing tool 223 and the workpiece 224 come into contact and actual cutting begins, a cutting force is generated, which acts as an excitation force, vibrating the processing tool 223 and the workpiece 224, and the vibrations propagate between them. The physical quantity information detection unit 227 transmits the vibration acceleration and other information as detection information to the diagnostic device 100. As a result, the communication control unit 101 of the diagnostic device 100 receives from the processing device 200 the physical quantities that change over time in accordance with the processing operation of the processing tool 223 provided on the processing device 200 on the workpiece 224.
例えば、加工装置２００は、加工中における、加工工具２２３の切刃の折れ（欠損）、加工工具２２３の切刃のチッピング（工具欠け）等が発生すると、正常加工時に切刃毎に均等だった切削力が不均等になり、発生する振動が変化する。For example, if the cutting edge of the machining tool 223 breaks (breaks) or chips (chips) during machining, the cutting force that was uniform for each cutting edge during normal machining becomes uneven, and the generated vibration changes.
加工工具２２３の損傷は、摩耗型と欠損型とに大別される。欠損型は、基本的に加工工具２２３の脆性破壊または塑性変型で発生する。チッピングは、欠損型の１つであり、加工工具２２３の切り刃に発生する小さな欠けである。チッピングは、複数刃をもつ工具ではある刃が損傷しても残りの刃で加工を補う場合がある。しかしながら、加工品質に影響がない場合でも、加工工具２２３の寿命の観点では残りの刃に負荷が増大するため、チッピングが生じた場合には、即座に加工工具２２３の損傷検出を行いたい、というような要望がある。Damage to the machining tool 223 can be broadly divided into wear type and breakage type. Breakage type damage is basically caused by brittle fracture or plastic deformation of the machining tool 223. Chipping is one type of breakage, and is a small chip that occurs on the cutting edge of the machining tool 223. In tools with multiple blades, even if one blade is damaged by chipping, the remaining blades may be able to compensate for the damage. However, even if the machining quality is not affected, the load on the remaining blades increases from the perspective of the machining tool 223's lifespan, so there is a demand for immediate damage detection of the machining tool 223 when chipping occurs.
診断装置１００は、上述したように、加工装置２００に設けられた加工工具２２３の被加工物２２４に対する加工動作に伴って時間変化する物理量（振動の加速度等）で示される検出情報を通信制御部１０１により受信する。加えて、通信制御部１０１は、加工装置２００との間の通信を制御してコンテキスト情報を加工装置２００から受信する。判定部１０２は、検出情報に係る特徴情報に基づいて、加工工具２２３の状態（例えば、加工工具２２３が正常であるか否か）を判定する。具体的には、判定部１０２は、コンテキスト情報および検出情報を参照して、加工装置２００の加工工具２２３の状態が正常であるか否かを判定する。また、診断装置１００は、加工装置２００の加工工具２２３の状態が異常と診断した場合、通信制御部１０１を介して、加工装置２００にアラート情報を送信する。加工装置２００は、通信制御部２０５によりアラート情報を受信すると、表示部２０３にアラート情報を表示したり、警報部２０８を動作させたりする。警報部２０８は、パトランプ，ブザー，スピーカー等である。また、機械制御部２０１は、加工プログラムに従った加工装置２００の動作に割り込みをかけ、加工装置２００の加工を停止させることが可能である。As described above, the diagnostic device 100 receives, via the communication control unit 101, detection information indicated by a time-varying physical quantity (such as vibration acceleration) associated with the machining operation of the machining tool 223 provided on the processing device 200 on the workpiece 224. In addition, the communication control unit 101 controls communication with the processing device 200 to receive context information from the processing device 200. The determination unit 102 determines the state of the processing tool 223 (e.g., whether the processing tool 223 is normal or not) based on characteristic information related to the detection information. Specifically, the determination unit 102 determines whether the state of the processing tool 223 of the processing device 200 is normal or not by referring to the context information and the detection information. Furthermore, if the diagnostic device 100 diagnoses that the state of the processing tool 223 of the processing device 200 is abnormal, it transmits alert information to the processing device 200 via the communication control unit 101. When the processing device 200 receives alert information via the communication control unit 205, it displays the alert information on the display unit 203 and activates the alarm unit 208. The alarm unit 208 is a patrol lamp, buzzer, speaker, etc. The machine control unit 201 can also interrupt the operation of the processing device 200 in accordance with the processing program and stop processing by the processing device 200.
さらに、診断装置１００は、詳細は後述するが、加工装置２００に設けられた加工工具２２３の種類を表す工具種別と、被加工物２２４に対する加工の種類を表す加工種別と、の少なくとも一方に応じて、加工に伴う加工工具２２３の状態を分析する分析区間を変更する。Furthermore, as will be described in detail below, the diagnostic device 100 changes the analysis section for analyzing the state of the machining tool 223 associated with machining, depending on at least one of the tool type, which indicates the type of machining tool 223 provided on the machining device 200, and the machining type, which indicates the type of machining performed on the workpiece 224.
図２は、加工装置のハードウェア構成の一例を示すブロック図である。図２に示すように、本実施の形態にかかる加工装置２００は、ＣＰＵ（Central Processing Unit）２５１と、ＲＯＭ（Read Only Memory）２５２と、ＲＡＭ（Random Access Memory）２５３と、通信Ｉ／Ｆ（インタフェース）２５４と、駆動制御回路２５５と、モータ２５６と、入出力Ｉ／Ｆ２５７と、入力装置２５８と、ディスプレイ２５９とが、バス２６０で接続された構成となっている。Figure 2 is a block diagram showing an example of the hardware configuration of a processing device. As shown in Figure 2, the processing device 200 according to this embodiment includes a CPU (Central Processing Unit) 251, a ROM (Read Only Memory) 252, a RAM (Random Access Memory) 253, a communication I/F (Interface) 254, a drive control circuit 255, a motor 256, an input/output I/F 257, an input device 258, and a display 259, all connected via a bus 260.
ＣＰＵ２５１は、加工装置２００の全体を制御する。ＣＰＵ２５１は、例えば、ＲＡＭ２５３をワークエリア（作業領域）としてＲＯＭ２５２等に格納されたプログラムを実行することで、加工装置２００全体の動作を制御し、加工装置２００の各種機能を実現する。The CPU 251 controls the entire processing device 200. The CPU 251 controls the operation of the entire processing device 200 and realizes various functions of the processing device 200 by, for example, executing programs stored in the ROM 252 or the like using the RAM 253 as a work area.
通信Ｉ／Ｆ２５４は、診断装置１００等の外部装置と通信するためのインタフェースである。駆動制御回路２５５は、モータ２５６の駆動を制御する回路である。回転主軸２２１、Ｚ軸ステージ２２６、およびＸＹ軸ステージ２２５のそれぞれが、モータ２５６等の駆動部を備えている。センサ２７０は、加工装置２００に取り付けられ、加工装置２００の動作に応じて変化する物理量を電気信号へ変換する。信号変換回路２７１は、センサ２７０から出力される電気信号を所望の大きさに増幅し、かつ当該電気信号に含まれるノイズ成分をカットしてデジタル信号へ変換する。そして、信号変換回路２７１は、当該デジタル信号を、診断装置１００に検出情報として出力する。すなわち、センサ２７０および信号変換回路２７１が、例えば、図１に示す物理量情報検出部２２７に相当する。The communication I/F 254 is an interface for communicating with external devices such as the diagnostic device 100. The drive control circuit 255 is a circuit that controls the drive of the motor 256. The rotating spindle 221, the Z-axis stage 226, and the XY-axis stage 225 each have a drive unit such as the motor 256. The sensor 270 is attached to the processing device 200 and converts a physical quantity that changes in response to the operation of the processing device 200 into an electrical signal. The signal conversion circuit 271 amplifies the electrical signal output from the sensor 270 to a desired level, cuts out noise components contained in the electrical signal, and converts it into a digital signal. The signal conversion circuit 271 then outputs the digital signal to the diagnostic device 100 as detection information. In other words, the sensor 270 and the signal conversion circuit 271 correspond to, for example, the physical quantity information detection unit 227 shown in FIG. 1.
図１に示す数値制御部２０６および通信制御部２０５は、ＣＰＵ２５１がＲＯＭ２５２に記憶されるプログラムを実行すること、すなわち、ソフトウェアにより実現しても良いし、ＩＣ（Integrated Circuit）等のハードウェアにより実現しても良いし、ソフトウェアおよびハードウェアを併用して実現しても良い。The numerical control unit 206 and communication control unit 205 shown in Figure 1 may be realized by the CPU 251 executing a program stored in the ROM 252, i.e., by software, or by hardware such as an IC (Integrated Circuit), or by a combination of software and hardware.
図３は、診断装置のハードウェア構成の一例を示すブロック図である。本実施の形態にかかる診断装置１００は、図３に示すように、ＣＰＵ１５１と、ＲＯＭ１５２と、ＲＡＭ１５３と、通信Ｉ／Ｆ１５４と、補助記憶装置１５５と、入出力Ｉ／Ｆ１５７とが、バス１６０で接続された構成となっている。Figure 3 is a block diagram showing an example of the hardware configuration of a diagnostic device. As shown in Figure 3, the diagnostic device 100 according to this embodiment is configured such that a CPU 151, a ROM 152, a RAM 153, a communication I/F 154, an auxiliary storage device 155, and an input/output I/F 157 are connected via a bus 160.
ＣＰＵ１５１は、診断装置１００の全体を制御する。ＣＰＵ１５１は、例えば、ＲＡＭ１５３をワークエリア（作業領域）としてＲＯＭ１５２等に格納されたプログラムを実行することで、診断装置１００全体の動作を制御し、加工装置２００の診断機能を実現する。The CPU 151 controls the entire diagnostic device 100. For example, the CPU 151 controls the operation of the entire diagnostic device 100 and realizes the diagnostic function of the processing device 200 by executing programs stored in the ROM 152 or the like using the RAM 153 as a work area.
通信Ｉ／Ｆ１５４は、加工装置２００等の外部装置と通信するためのインタフェースである。補助記憶装置１５５は、診断装置１００の設定情報、加工装置２００から受信したコンテキスト情報、物理量情報検出部２２７から出力される検出情報等の各種情報を記憶する。また、補助記憶装置１５５は、加工装置２００の加工工具２２３の状態が正常か否かの判定に用いた各種演算結果を記憶する。補助記憶装置１５５は、ＨＤＤ（Hard Disk Drive）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）またはＳＳＤ（Solid State Drive）等の不揮発性の記憶手段からなる。The communication I/F 154 is an interface for communicating with external devices such as the machining device 200. The auxiliary storage device 155 stores various information such as setting information for the diagnostic device 100, context information received from the machining device 200, and detection information output from the physical quantity information detection unit 227. The auxiliary storage device 155 also stores various calculation results used to determine whether the state of the machining tool 223 of the machining device 200 is normal. The auxiliary storage device 155 is composed of non-volatile storage means such as an HDD (Hard Disk Drive), EEPROM (Electrically Erasable Programmable Read-Only Memory), or SSD (Solid State Drive).
入出力Ｉ／Ｆ１５７は、ディスプレイ１５９に対して、物理量情報検出部２２７から入力される検出情報を順次表示したり、判定部１０２による判定結果を表示したりする。また、入出力Ｉ／Ｆ１５７は、キーボード、マウス等の入力装置１５８を介して、ユーザがディスプレイ１５９を見ながら入力した加工装置２００の診断に必要な設定を受け付ける。The input/output I/F 157 sequentially displays the detection information input from the physical quantity information detection unit 227 on the display 159, and displays the judgment results from the judgment unit 102. The input/output I/F 157 also accepts settings necessary for diagnosing the processing device 200 that are input by the user while looking at the display 159 via an input device 158 such as a keyboard or mouse.
図４は、診断装置の機能構成の一例を示すブロック図である。本実施の形態にかかる診断装置１００は、上述の通信制御部１０１および判定部１０２に加え、記憶部１０３と、生成部１０４と、表示制御部１０５と、表示部１０６と、入力部１０７と、受付部１２０と、特徴抽出部１１０と、を備えている。Figure 4 is a block diagram showing an example of the functional configuration of a diagnostic device. In addition to the communication control unit 101 and determination unit 102 described above, the diagnostic device 100 according to this embodiment also includes a memory unit 103, a generation unit 104, a display control unit 105, a display unit 106, an input unit 107, a reception unit 120, and a feature extraction unit 110.
記憶部１０３は、診断装置１００による診断機能で必要な各種情報を記憶する。記憶部１０３は、例えば、図３に示すＲＡＭ１５３および補助記憶装置１５５等により実現される。例えば、記憶部１０３は、加工装置２００の加工工具２２３の状態の異常の判定に用いる１以上のモデル（以下、学習モデルと言う）を記憶する。ここで、学習モデルは、例えば、加工装置２００の加工工具２２３の状態が正常である場合に物理量情報検出部２２７から出力された検出情報を用いて、学習によって生成される。学習モデルの学習方法、および学習モデルの形式は、どのような方法および形式であってもよい。例えば、学習モデルおよび当該学習モデルの学習方法には、ＧＭＭ（ガウス混合モデル）、ＨＭＭ（隠れマルコフモデル）等の学習モデル、および当該学習モデルに対応するモデル学習方法を適用できる。The memory unit 103 stores various information required for the diagnostic function of the diagnostic device 100. The memory unit 103 is realized, for example, by the RAM 153 and auxiliary storage device 155 shown in FIG. 3. For example, the memory unit 103 stores one or more models (hereinafter referred to as learning models) used to determine whether the state of the machining tool 223 of the processing device 200 is abnormal. Here, the learning model is generated by learning, for example, using detection information output from the physical quantity information detection unit 227 when the state of the machining tool 223 of the processing device 200 is normal. The learning method and format of the learning model may be any method and format. For example, learning models such as GMM (Gaussian Mixture Model) and HMM (Hidden Markov Model), as well as model learning methods corresponding to the learning models, can be applied to the learning model and the learning method for the learning model.
また、記憶部１０３は、加工装置２００の加工工具２２３の正常状態および加工工具２２３の異常状態をルール化して学習モデルとして記憶しても良い。例えば、記憶部１０３が学習モデルとして記憶するルールは、新品の加工工具２２３を取り付けて加工を開始してから最初の１０回の加工は診断のルール決めを行う学習期間とする等である。記憶部１０３が学習モデルとして記憶するルールは、実際の加工とは別に予め決定され、当該決定したルールを学習モデルとして記憶部１０３に記憶されていても良い。The memory unit 103 may also define rules for the normal state and abnormal state of the machining tool 223 of the machining device 200 and store them as a learning model. For example, a rule stored in the memory unit 103 as a learning model may be that the first 10 machining operations after a new machining tool 223 is attached and machining begins are a learning period for determining diagnostic rules. The rules stored in the memory unit 103 as a learning model may be determined in advance separately from actual machining, and the determined rules may be stored in the memory unit 103 as a learning model.
本実施の形態では、記憶部１０３に記憶される学習モデルは、コンテキスト情報毎に生成される。記憶部１０３は、例えば、コンテキスト情報と、当該コンテキスト情報に対応する学習モデルと、を対応付けて記憶する。In this embodiment, the learning model stored in the storage unit 103 is generated for each piece of context information. The storage unit 103 stores, for example, context information and a learning model corresponding to the context information in association with each other.
図５は、診断装置が記憶するコンテキスト情報と学習モデルとの対応の一例を示す図である。Figure 5 shows an example of the correspondence between context information stored in the diagnostic device and a learning model.
図５に示すように、加工工程（加工種別）を識別する番号である加工工程番号毎に、加工工具２２３の工具種別、加工工具２２３のツールナンバー、加工工具２２３の回転数［ｒｐｍ］、加工工具２２３の刃数（Ｚ）、加工工具２２３の高調波次数、加工工程の実加工区間の抽出可否、学習モデルの識別モデルナンバーを対応付けて記憶する。As shown in Figure 5, for each machining process number, which is a number that identifies the machining process (machining type), the tool type of the machining tool 223, the tool number of the machining tool 223, the rotation speed [rpm] of the machining tool 223, the number of blades (Z) of the machining tool 223, the harmonic order of the machining tool 223, whether or not the actual machining section of the machining process can be extracted, and the identification model number of the learning model are associated and stored.
図５に示すように、加工工程４および加工工程５は、加工工具２２３として同じエンドミルを使い、回転数も同じである。一方、加工工程１、加工工程２、および加工工程３は、それぞれ異なった加工工具２２３が用いられ、加工工具２２３が異なった回転数で回転する。本実施の形態では、診断装置１００は、加工工具２２３の回転数と工具種別が異なればそれぞれについて学習モデル（識別モデルナンバーで区別される）を生成して、記憶部１０３に保存する。As shown in Figure 5, machining process 4 and machining process 5 use the same end mill as the machining tool 223 and have the same rotational speed. On the other hand, machining process 1, machining process 2, and machining process 3 each use a different machining tool 223, and the machining tool 223 rotates at a different rotational speed. In this embodiment, if the rotational speed and tool type of the machining tool 223 are different, the diagnostic device 100 generates a learning model (distinguished by an identification model number) for each and stores it in the memory unit 103.
さらに、加工工程４および加工工程５は、加工工具２２３として同じエンドミルを使った同じ部位の連続した加工工程である。しかし、加工工程４および加工工程５は、それぞれ分析条件が異なるので振動強度も異なる。そのため、診断装置１００は、同じ加工工具２２３を同じ回転数で回転させて加工する場合であっても、加工工程毎に別々の学習モデルを生成して、加工装置２００の加工工具２２３の状態が正常であるか否かを判定する。Furthermore, machining process 4 and machining process 5 are consecutive machining processes of the same part using the same end mill as the machining tool 223. However, machining process 4 and machining process 5 have different analysis conditions, and therefore different vibration intensities. Therefore, even when machining is performed using the same machining tool 223 rotated at the same rotation speed, the diagnostic device 100 generates a separate learning model for each machining process and determines whether the condition of the machining tool 223 of the machining device 200 is normal.
図５に示す実加工区間の抽出可否は、加工区間のうち実際に加工している実加工区間のみの抽出可否を、工具種別と加工種別との少なくとも何れか一方に設定する。すなわち、実加工区間の抽出可否は、加工工具２２３毎のみならず、加工工程番号毎に設定可能である。また、実加工区間の抽出可否は、加工工具２２３毎のみならず、加工工具２２３および加工工程番号の組合せ毎にも設定可能である。あるいは、実加工区間の抽出可否は、工具種別毎に一意に設定をしてもよい。例えばタップの場合、切削加工の行きと帰りを等速で行うことが一般的であるため、タップの場合は自動的に実加工区間抽出がＯＮ（実加工区間の抽出可）になる。The ability to extract the actual machining section shown in Figure 5 is set for at least one of the tool type and machining type, which determines whether only the actual machining section in which machining is actually performed can be extracted. In other words, whether to extract the actual machining section can be set not only for each machining tool 223, but also for each machining process number. Also, whether to extract the actual machining section can be set not only for each machining tool 223, but also for each combination of machining tool 223 and machining process number. Alternatively, whether to extract the actual machining section can be set uniquely for each tool type. For example, in the case of tapping, it is common for cutting to be performed at a constant speed on the way there and back, so in the case of tapping, actual machining section extraction is automatically turned ON (extraction of the actual machining section is possible).
また、高調波次数は、加工工具２２３毎に設定可能である。高調波とは、基本波周波数に対する整数倍の周波数成分のことである。高調波次数は、基本波周波数に対する整数倍を表している。In addition, the harmonic order can be set for each machining tool 223. Harmonics are frequency components that are integer multiples of the fundamental frequency. The harmonic order represents an integer multiple of the fundamental frequency.
図４に戻り、通信制御部１０１は、受信部１０１ａと、送信部１０１ｂと、を備えている。受信部１０１ａは、加工装置２００または外部装置から送信された各種情報を受信する。例えば、受信部１０１ａは、加工工具２２３の現在の動作に対応するコンテキスト情報と、物理量情報検出部２２７から出力される検出情報と、を受信する。送信部１０１ｂは、加工装置２００に対して各種情報を送信する。Returning to FIG. 4, the communication control unit 101 includes a receiving unit 101a and a transmitting unit 101b. The receiving unit 101a receives various information transmitted from the processing device 200 or an external device. For example, the receiving unit 101a receives context information corresponding to the current operation of the processing tool 223 and detection information output from the physical quantity information detection unit 227. The transmitting unit 101b transmits various information to the processing device 200.
特徴抽出部１１０は、加工動作に伴って時間変化する物理量で示される検出情報に対する周波数解析の結果から、検出情報に係る特徴情報を抽出する。また、特徴抽出部１１０は、加工動作を表す加工区間から、加工工具２２３の種類を表す工具種別と、被加工物に対する加工の種類を表す加工種別と、の少なくとも何れか一方に応じて特徴情報を抽出するための抽出区間を変更し、変更した抽出区間における特徴情報を抽出する。また、特徴抽出部１１０は、物理量で示される検出情報に対する周波数解析の結果から、検出情報に係る特徴情報を抽出する。また、特徴抽出部１１０は、学習モデルを生成するほか、判定部１０２による判定で用いる特徴情報（特徴量）を検出情報から抽出する。特徴抽出部１１０は、一の加工動作中の検出情報の周波数解析を１フレーム以上行い、フレーム時間変化を特徴情報（特徴量）として抽出する。ここで、特徴情報は、検出情報の特徴を示す情報であれば良い。例えば、検出情報がマイクにより集音された音響データである場合、特徴抽出部１１０は、エネルギー、周波数スペクトル、ＭＦＣＣ（メル周波数ケプストラム係数：Mel-Frequency Cepstrum Coefficients）等の特徴量を、検出情報から抽出する。本実施の形態では、特徴抽出部１１０は、ＢＰＦ（Band Pass Filter）設定部１１１と、周波数シフト推定部１１４と、周波数解析部１１５と、加工中波形抽出部１１６と、区間分別部１１９と、を有する。さらに、ＢＰＦ設定部１１１は、バンド幅設定部１１２と、レンジ設定部１１７と、バンド選択部１１３、固有周波数除外部１１８と、を有する。The feature extraction unit 110 extracts feature information related to the detection information from the results of frequency analysis of the detection information, which is represented by physical quantities that change over time as the machining operation progresses. The feature extraction unit 110 also changes the extraction section for extracting feature information from the machining section representing the machining operation in accordance with at least one of the tool type representing the type of machining tool 223 and the machining type representing the type of machining performed on the workpiece, and extracts feature information from the changed extraction section. The feature extraction unit 110 also extracts feature information related to the detection information from the results of frequency analysis of the detection information represented by physical quantities. The feature extraction unit 110 also generates a learning model and extracts feature information (feature quantities) from the detection information to be used in the judgment by the judgment unit 102. The feature extraction unit 110 performs frequency analysis of the detection information during one or more frames of a machining operation and extracts the change over time as feature information (feature quantities). Here, the feature information may be any information that indicates the characteristics of the detection information. For example, if the detection information is acoustic data collected by a microphone, the feature extraction unit 110 extracts feature quantities such as energy, frequency spectrum, and MFCC (Mel-Frequency Cepstrum Coefficients) from the detection information. In this embodiment, the feature extraction unit 110 includes a BPF (Band Pass Filter) setting unit 111, a frequency shift estimation unit 114, a frequency analysis unit 115, a waveform-in-process extraction unit 116, and a section classification unit 119. Furthermore, the BPF setting unit 111 includes a bandwidth setting unit 112, a range setting unit 117, a band selection unit 113, and a natural frequency exclusion unit 118.
生成部１０４は、加工装置２００の加工工具２２３の状態の正常時の検出情報から抽出された特徴情報を用いた学習により、加工装置２００の加工工具２２３の正常状態を判定するための学習モデルを生成する。ただし、学習モデルを外部装置で生成する場合は、診断装置１００は、生成部１０４を備えていなくても良い。具体的には、学習モデルの生成は外部装置で行い、外部装置で生成した学習モデルを、受信部１０１ａにより受信して、記憶部１０３に記憶しても良い。生成部１０４は、学習モデルが定められていないコンテキスト情報、および当該コンテキスト情報に対応する検出情報が入力された場合に、この検出情報から抽出された特徴情報を用いて、当該コンテキスト情報に対応する学習モデルを生成しても良い。The generation unit 104 generates a learning model for determining the normal state of the machining tool 223 of the machining device 200 by learning using feature information extracted from detection information of the normal state of the machining tool 223 of the machining device 200. However, if the learning model is generated by an external device, the diagnostic device 100 does not need to be equipped with the generation unit 104. Specifically, the learning model may be generated by an external device, and the learning model generated by the external device may be received by the receiving unit 101a and stored in the memory unit 103. When context information for which a learning model has not been defined and detection information corresponding to the context information are input, the generation unit 104 may generate a learning model corresponding to the context information using feature information extracted from the detection information.
判定部１０２は、検出情報から抽出された特徴情報に基づいて、加工装置２００の加工工具２２３の状態（加工工具２２３が正常であるか否か）を判定する。本実施の形態では、判定部１０２は、特徴情報と、当該コンテキスト情報に対応する学習モデルと、を用いて、加工装置２００の加工工具２２３の状態を判定する。例えば、判定部１０２は、特徴抽出部１１０に対して検出情報からの特徴情報の抽出を依頼する。判定部１０２は、検出情報から抽出された特徴情報が正常であることの尤もらしさを示す尤度を、対応する学習モデルを用いて算出する。判定部１０２は、尤度と、予め定められた閾値とを比較する。そして、判定部１０２は、尤度が閾値以上である場合、加工装置２００の加工工具２２３の状態が正常であると判定する。また、判定部１０２は、尤度が閾値未満である場合、加工装置２００の加工工具２２３の状態が異常であると判定する。The determination unit 102 determines the state of the machining tool 223 of the processing device 200 (whether the machining tool 223 is normal or not) based on the feature information extracted from the detection information. In this embodiment, the determination unit 102 determines the state of the machining tool 223 of the processing device 200 using the feature information and a learning model corresponding to the context information. For example, the determination unit 102 requests the feature extraction unit 110 to extract feature information from the detection information. The determination unit 102 calculates a likelihood indicating the likelihood that the feature information extracted from the detection information is normal using the corresponding learning model. The determination unit 102 compares the likelihood with a predetermined threshold. If the likelihood is equal to or greater than the threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is normal. If the likelihood is less than the threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is abnormal.
加工装置２００の加工工具２２３の状態の判定方法は、これに限られるものではなく、特徴情報とモデルとを用いて、加工装置２００の加工工具２２３の状態を判定できる方法であれば、どのような方法であってもよい。例えば、判定部１０２は、尤度を閾値と直接比較する代わりに、尤度の変動を示す値と閾値とを比較して、加工装置２００の加工工具２２３の状態が正常であるか否かを判定しても良い。または、判定部１０２は、尤度の対数をとって符号を反転してゼロ以上となる正の数値であるスコアを算出する。当該スコアは、加工装置２００の加工工具２２３の状態が正常であればゼロに近く、加工装置２００の加工工具２２３の状態の異常度が増せば上昇する。よって、判定部１０２は、当該スコアが、予め定められた閾値に比べて閾値以下あるいは未満であれば、加工装置２００の加工工具２２３の状態が正常と判定し、当該スコアが、閾値以上あるいは超えれば、加工装置２００の加工工具２２３の状態が異常であると判定する。すなわち、判定部１０２は、尤度または当該尤度を用いて演算した値のうち少なくとも一方と、閾値と、を比較することにより、加工装置２００の加工工具２２３の状態を判定する。The method for determining the state of the machining tool 223 of the processing device 200 is not limited to this, and any method may be used as long as it can determine the state of the machining tool 223 of the processing device 200 using feature information and a model. For example, instead of directly comparing the likelihood with a threshold, the determination unit 102 may compare a value indicating the fluctuation in the likelihood with a threshold to determine whether the state of the machining tool 223 of the processing device 200 is normal. Alternatively, the determination unit 102 may take the logarithm of the likelihood, invert the sign, and calculate a score, which is a positive number greater than or equal to zero. The score is close to zero if the state of the machining tool 223 of the processing device 200 is normal, and increases as the degree of abnormality in the state of the machining tool 223 of the processing device 200 increases. Therefore, if the score is less than or equal to a predetermined threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is normal, and if the score is greater than or equal to the threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is abnormal. In other words, the determination unit 102 determines the state of the machining tool 223 of the processing device 200 by comparing at least one of the likelihood or a value calculated using the likelihood with the threshold.
図４に示す各部（通信制御部１０１、判定部１０２、受付部１２０、特徴抽出部１１０、生成部１０４）は、図３に示すＣＰＵ１５１がプログラムを実行すること、すなわち、ソフトウェアにより実現しても良いし、ＩＣ（Integrated Circuit）等のハードウェアにより実現しても良いし、ソフトウェアおよびハードウェアを併用して実現しても良い。The components shown in FIG. 4 (communication control unit 101, determination unit 102, reception unit 120, feature extraction unit 110, and generation unit 104) may be implemented by the CPU 151 shown in FIG. 3 executing a program, i.e., by software, or by hardware such as an IC (Integrated Circuit), or by a combination of software and hardware.
本実施の形態にかかる診断装置１００は、特徴抽出部１１０および受付部１２０に特徴を有する。本実施の形態では、特徴抽出部１１０は、ＢＰＦ（Band Pass Filter）設定部１１１と、周波数シフト推定部１１４と、周波数解析部１１５と、加工中波形抽出部１１６と、区間分別部１１９と、を有する。さらに、ＢＰＦ設定部１１１は、バンド幅設定部１１２と、レンジ設定部１１７と、バンド選択部１１３、固有周波数除外部１１８と、を有する。また、本実施の形態では、診断装置１００は、コンテキスト情報のうち、加工装置２００の動作中あるいはその動作前後に、主軸回転数、工具情報等のコンテキスト情報が必要になるため、受付部１２０は、主軸回転数受付部１２２と、工具情報受付部１２１と、加工工程受付部１２３と、を有する。The diagnostic device 100 according to this embodiment is characterized by a feature extraction unit 110 and a reception unit 120. In this embodiment, the feature extraction unit 110 includes a BPF (Band Pass Filter) setting unit 111, a frequency shift estimation unit 114, a frequency analysis unit 115, a machining waveform extraction unit 116, and a section classification unit 119. Furthermore, the BPF setting unit 111 includes a bandwidth setting unit 112, a range setting unit 117, a band selection unit 113, and a natural frequency exclusion unit 118. In this embodiment, the diagnostic device 100 requires context information such as spindle rotation speed and tool information during operation of the machining device 200 or before and after that operation. Therefore, the reception unit 120 includes a spindle rotation speed reception unit 122, a tool information reception unit 121, and a machining process reception unit 123.
次に、図４を用いて、本実施の形態にかかる診断装置１００の動作について詳しく説明する。Next, the operation of the diagnostic device 100 according to this embodiment will be described in detail using Figure 4.
本実施の形態では、加工装置２００は、物理量情報検出部２２７を回転主軸２２１の近傍に設置し、当該物理量情報検出部２２７が有するセンサ２７０には加速度センサを用いた。物理量情報検出部２２７は、センサ２７０により検出されるアナログ信号を、当該センサ２７０のプリアンプで増幅し、所定の時間間隔でサンプリングし、サンプリングしたアナログ信号を、アナログ／デジタル（Ａ／Ｄ）変換器（信号変換回路２７１）でデジタル信号に変換する。診断装置１００は、物理量情報検出部２２７から出力されるデジタル信号を、受信部１０１ａにより検出情報として受信する。物理量情報検出部２２７から出力されるデジタル信号は、必要に応じて、センサ２７０のキャリブレーション値で加速度の単位に変換されるが、ここでは、これらの処理を省き、センサ２７０の感度、Ａ／Ｄ変換器（信号変換回路２７１）のスペックに依存しない状態での説明とする。したがって、受信部１０１ａは、物理量情報検出部２２７のセンサ２７０により検出される加速度に比例した観測値の時間領域の波形を、検出情報として受信する。In this embodiment, the machining device 200 has a physical quantity information detection unit 227 installed near the rotating main shaft 221, and an acceleration sensor is used as the sensor 270 of the physical quantity information detection unit 227. The physical quantity information detection unit 227 amplifies the analog signal detected by the sensor 270 using a preamplifier of the sensor 270, samples it at predetermined time intervals, and converts the sampled analog signal into a digital signal using an analog-to-digital (A/D) converter (signal conversion circuit 271). The diagnostic device 100 receives the digital signal output from the physical quantity information detection unit 227 as detection information using the receiving unit 101a. The digital signal output from the physical quantity information detection unit 227 is converted into units of acceleration using a calibration value of the sensor 270 as necessary, but this process will be omitted here and the explanation will be given without depending on the sensitivity of the sensor 270 or the specifications of the A/D converter (signal conversion circuit 271). Therefore, the receiving unit 101a receives, as detection information, a time domain waveform of an observation value proportional to the acceleration detected by the sensor 270 of the physical quantity information detection unit 227.
診断装置１００の受付部１２０は、主軸回転数受付部１２２、工具情報受付部１２１、および加工工程受付部１２３から、それぞれのコンテキスト情報を送信するように加工装置２００へリクエストし、それぞれの通信制御部２０５および通信制御部１０１を介してコンテキスト情報の送受信を行う。ここで、コンテキスト情報は、回転情報、加工工程情報、工具情報等を含む。The reception unit 120 of the diagnostic device 100 requests the machining device 200 to transmit the respective context information from the spindle rotation speed reception unit 122, tool information reception unit 121, and machining process reception unit 123, and transmits and receives the context information via the respective communication control units 205 and 101. Here, the context information includes rotation information, machining process information, tool information, etc.
回転情報は、加工装置２００が読み込んだ加工プログラムから設定された主軸回転数、あるいは加工装置２００内の回転速度計で計測した主軸回転数のいずれでも良い。回転情報は、例えば、加工プログラムから設定された７５００［ｒｐｍ］である。加工工程情報は、加工プログラム中に記述された加工工程を識別する番号と、回転主軸２２１、ステージ（ここでは、ＸＹ軸ステージ２２５、Ｚ軸ステージ２２６が該当する）の動作開始および終了に関する情報と、を含む。加工工程情報は、例えば、ＸＹ軸ステージ２２５の回転開始と終了情報である。工具情報は、加工工具２２３の工具種別、加工工具２２３の直径、加工工具２２３の刃数、被加工物２２４に対する加工の種類を表す加工種別等を含む。ただし、工具情報は、加工装置２００からのコンテキスト情報に限定されず、診断装置１００に入力部から入力装置１５８から入力されたコンテキスト情報、補助記憶装置１５５に記憶されたコンテキスト情報、加工装置２００以外の外部装置から受信部１０１ａにより受信したコンテキスト情報等であっても良い。工具情報は、例えば、加工工具２２３の刃数（例えば、４枚）である。The rotation information may be either the spindle rotation speed set from the machining program loaded by the machining device 200, or the spindle rotation speed measured by a tachometer within the machining device 200. The rotation information may be, for example, 7500 rpm set from the machining program. The machining process information includes a number identifying the machining process described in the machining program, and information regarding the start and end of operation of the rotating spindle 221 and stage (here, the XY-axis stage 225 and Z-axis stage 226). The machining process information is, for example, information regarding the start and end of rotation of the XY-axis stage 225. The tool information includes the tool type of the machining tool 223, the diameter of the machining tool 223, the number of blades of the machining tool 223, and the machining type indicating the type of machining performed on the workpiece 224. However, the tool information is not limited to context information from the machining apparatus 200, and may be context information input to the diagnostic apparatus 100 from the input device 158 via an input unit, context information stored in the auxiliary storage device 155, or context information received by the receiving unit 101a from an external device other than the machining apparatus 200. The tool information is, for example, the number of blades of the machining tool 223 (for example, four).
特徴抽出部１１０の加工中波形抽出部１１６は、物理量情報検出部２２７から入力される検出情報（例えば、加速度の波形データである加速度波形データ）から、加工工具２２３の切り込み深さ毎に、ＸＹ軸ステージ２２５の回転運動、当該回転運動の開始、および当該回転運動の終了の３つの加工工程のそれぞれに該当する時間区間の加速度波形データである加工中波形データを抽出する。The machining waveform extraction unit 116 of the feature extraction unit 110 extracts machining waveform data, which is acceleration waveform data for time intervals corresponding to each of the three machining steps: the rotational movement of the XY-axis stage 225, the start of that rotational movement, and the end of that rotational movement, from the detection information (for example, acceleration waveform data, which is acceleration waveform data) input from the physical quantity information detection unit 227, for each cutting depth of the machining tool 223.
周波数解析部１１５は、検出情報を周波数解析する周波数解析部の一例である。周波数解析部１１５は、抽出された加工中波形データのうち、所定のサンプル数の連続する加工中波形データに対して、例えば、ＦＦＴ（Fast Fourier Transform）アルゴリズムを用いて、フーリエ変換を実行する。フーリエ変換を行う加工中波形データのデータ列には、その全てに、当該抽出された加工中波形データを用いても良いし、その一部をゼロに置き換えたものでも良い。The frequency analysis unit 115 is an example of a frequency analysis unit that performs frequency analysis on the detection information. The frequency analysis unit 115 performs a Fourier transform on a predetermined number of consecutive samples of the extracted waveform-in-process data, using, for example, an FFT (Fast Fourier Transform) algorithm. The data string of waveform-in-process data to be Fourier transformed may use the extracted waveform-in-process data in its entirety, or may have some of it replaced with zeros.
ただし、加工中波形抽出部１１６は、信号変換回路２７１によりＡ／Ｄ変換される前の検出情報（加速度波形データ）のサンプリングの時間間隔と、検出情報のデータ長（データ列のデータ数）と、に基づいて、フーリエ変換で分析できる周波数分解能を決定する。ここでは、約５.８［Ｈｚ］の周波数分解能になるように、当該時間間隔および当該データ長の組合せが設定されたことを前提にして実施例を説明する。However, the waveform-in-processing extraction unit 116 determines the frequency resolution that can be analyzed by Fourier transform based on the sampling time interval of the detection information (acceleration waveform data) before it is A/D converted by the signal conversion circuit 271 and the data length of the detection information (the number of data points in the data string). Here, the example will be explained assuming that the combination of the time interval and data length is set to result in a frequency resolution of approximately 5.8 Hz.
図６および図７は、連続切削チッピング無し／有りの場合の診断装置の周波数解析部による周波数解析により求めた平均スペクトルの一例を示す図である。図６および図７に示す平均スペクトルは、タップの加工中波形データの先頭からフーリエ変換して振幅のパワーとし、当該パワーに対して平均化処理を行った平均スペクトルである。また、図６に示す平均スペクトルは、加工工具２２３のチッピングなしの場合の平均スペクトルであり、図７に示す平均スペクトルは加工工具２２３のチッピングありの場合の平均スペクトルである。また、図６および図７においては、周波数が１５０．０［Ｈｚ］以下の平均スペクトルのみを示している。Figures 6 and 7 show examples of average spectra obtained by frequency analysis using the frequency analysis unit of the diagnostic device when continuous cutting chipping is present and absent. The average spectra shown in Figures 6 and 7 are obtained by performing a Fourier transform from the beginning of the waveform data during tap machining to obtain amplitude power, and then averaging this power. The average spectrum shown in Figure 6 is the average spectrum when there is no chipping of the machining tool 223, and the average spectrum shown in Figure 7 is the average spectrum when there is chipping of the machining tool 223. Figures 6 and 7 only show average spectra with frequencies of 150.0 Hz or less.
回転主軸２２１の回転が６００［ｒｐｍ］である場合、当該６００［ｒｐｍ］を周波数に換算すると１０．０［Ｈｚ］となる。この周波数を回転基本周波数と呼び、図６、図７に四角（□）で記したピークに相当する。この場合、加工装置２００に回転基本周波数ごとの切削力が生じ、加工装置２００、被加工物２２４に振動が発生し、その振動が伝搬する。したがって、診断装置１００には、これに応じた加速度波形データが検出情報として入力される。よって、周波数解析部１１５により求められる平均スペクトルは、理想的には、ＴＰＦ、およびその複数の倍音成分に鋭いピークを有するスペクトル構造となる。When the rotational speed of the rotating spindle 221 is 600 rpm, this 600 rpm is converted to a frequency of 10.0 Hz. This frequency is called the fundamental rotational frequency and corresponds to the peak indicated by a square (□) in Figures 6 and 7. In this case, a cutting force for each fundamental rotational frequency is generated in the processing device 200, causing vibrations in the processing device 200 and the workpiece 224, which then propagate. Accordingly, acceleration waveform data corresponding to this is input to the diagnostic device 100 as detection information. Therefore, the average spectrum calculated by the frequency analysis unit 115 ideally has a spectral structure with sharp peaks at the TPF and its multiple harmonic components.
図６および図７は、タップのチッピング無し・有りの平均スペクトルであり、連続切削の一例である。また、平均スペクトルの▽で記したピークが回転周波数の整数倍音以上を示す。それ以外に見えるピークは１つの原因として工具偏心に伴う刃先の振れにより発生する。チッピング有無を比較すると、２０［Ｈｚ］の▽（２次高調波）が図６のチッピング無から図７のチッピング有りによりレベルが大きくなっていることが分かる。Figures 6 and 7 show the average spectra for taps with and without chipping, and are an example of continuous cutting. Furthermore, the peaks marked with a ▽ in the average spectrum indicate frequencies above integer harmonics of the rotational frequency. One cause of the other visible peaks is the runout of the cutting edge due to tool eccentricity. Comparing the cases with and without chipping, it can be seen that the level of the ▽ (second harmonic) at 20 Hz increases from the case without chipping in Figure 6 to the case with chipping in Figure 7.
図６および図７に示す平均スペクトルは、回転周波数および当該回転周波数の倍音成分以外のピークで、パワーが大きくなることが観測される。図６および図７に示す平均スペクトルの□で記したピークは、回転主軸２２１の回転速度に相当する１０．０［Ｈｚ］で、この周波数を回転基本周波数と呼ぶ。また、刃先の損傷もしくはチッピングが発生すると、刃先の振れと同様に、切削力が不均一となり、発生する振動も不均一になり、回転基本周波数のみならず調波成分にも変化が発生する。In the average spectra shown in Figures 6 and 7, it is observed that power increases at peaks other than the rotational frequency and harmonic components of that rotational frequency. The peak marked with a square in the average spectra shown in Figures 6 and 7 is 10.0 Hz, which corresponds to the rotational speed of the rotating spindle 221, and this frequency is called the fundamental rotational frequency. Furthermore, when damage or chipping occurs to the cutting edge, the cutting force becomes uneven, similar to runout of the cutting edge, and the generated vibration also becomes uneven, causing changes not only in the fundamental rotational frequency but also in the harmonic components.
図６および図７はタップによる連続切削の場合であったが、以下では断続切削の例としてエンドミル側面加工の場合の調波についても同様に説明する。断続切削とは、複数刃が独立に被削材に当たる場合をいう。図８および図９は、断続切削チッピング無し／有りの場合の診断装置の周波数解析部による周波数解析により求めたチッピング有無の平均スペクトルの一例を示す図である。図８に示す平均スペクトルは、刃数が２のエンドミルの側面加工のデータ列をフーリエ変換して振幅のパワーとし、当該パワーに対して平均化処理を行った平均スペクトルである。そのため、図８および図９は、周波数が１５００．０［Ｈｚ］以下の平均スペクトルのみを示している。Figures 6 and 7 show the case of continuous cutting with a tap, but below we will similarly explain harmonics in the case of end mill side cutting as an example of intermittent cutting. Intermittent cutting refers to when multiple blades independently contact the workpiece. Figures 8 and 9 show an example of an average spectrum for the presence or absence of chipping obtained through frequency analysis by the frequency analysis unit of a diagnostic device for cases with and without intermittent cutting chipping. The average spectrum shown in Figure 8 is an average spectrum obtained by Fourier transforming a data string from side cutting with an end mill having two blades to obtain amplitude power, and then averaging this power. Therefore, Figures 8 and 9 only show average spectra with frequencies below 1500.0 Hz.
回転主軸２２１の回転が１００００［ｒｐｍ］である場合、当該１００００［ｒｐｍ］を周波数に換算すると１６６．６［Ｈｚ］となる。また、加工工具２２３の一例であるエンドミルの刃数が２枚であるため、加工装置２００では、１６６．６［Ｈｚ］×２＝３３３．３［Ｈｚ］の断続切削が繰り返され、切削力が生じ、加工装置２００、被加工物２２４に振動が発生し、伝搬する。したがって、診断装置１００には、これに応じた加速度波形データが検出情報として入力される。そして、加速度波形データの周波数を、切刃通過周波数（Tool Passing Frequency：ＴＰＦ）と呼ぶ。よって、周波数解析部１１５により求められる平均スペクトルは、理想的には、ＴＰＦ、およびその複数の倍音成分に鋭いピークを有するスペクトル構造となる。When the rotation speed of the rotating spindle 221 is 10,000 rpm, this 10,000 rpm is converted to a frequency of 166.6 Hz. Furthermore, because the end mill, an example of the machining tool 223, has two cutting edges, the machining device 200 repeats intermittent cutting at 166.6 Hz x 2 = 333.3 Hz, generating a cutting force that generates and propagates vibrations in the machining device 200 and the workpiece 224. Therefore, acceleration waveform data corresponding to this is input to the diagnostic device 100 as detection information. The frequency of the acceleration waveform data is called the tool passing frequency (TPF). Therefore, the average spectrum calculated by the frequency analysis unit 115 ideally has a spectral structure with sharp peaks at the TPF and its multiple harmonic components.
図８および図９において、平均スペクトルの▽で記したピークがＴＰＦ、ＴＰＦの２倍音、ＴＰＦの３倍音を示し、大きなパワーを示している。しかし、現実には、加工工具２２３の刃先振れをゼロにすることはできないため、それ以外にもピークは観測される。平均スペクトルの四角（□）で記したピークは、回転主軸２２１の回転速度に相当する１６６．６［Ｈｚ］で、この周波数を回転基本周波数と呼ぶ。図８および図９に示す平均スペクトルの〇で記すピークは、ＴＰＦとその倍音成分から、回転基周波数だけ増減、すなわち変調された成分であり、側帯波と呼ぶ。この側帯波は、ＴＰＦ成分の波形を時系列で見た場合、波形の振幅が刃先の振れによって不均一になり、スペクトルの特徴として現れる。また、刃先の損傷もしくはチッピングが発生すると、刃先の振れと同様に、切削力が不均一となり、発生する振動も不均一になり、同様な側帯波の増大が観測される。In Figures 8 and 9, the peaks marked with a ▽ in the average spectrum represent the TPF, the second harmonic of the TPF, and the third harmonic of the TPF, demonstrating significant power. However, in reality, it is impossible to completely eliminate the runout of the cutting tool 223, so other peaks are observed. The peak marked with a square (□) in the average spectrum is 166.6 Hz, which corresponds to the rotational speed of the rotating spindle 221. This frequency is called the fundamental rotation frequency. The peaks marked with a circle in the average spectrum shown in Figures 8 and 9 are components that are modulated by the fundamental rotation frequency from the TPF and its harmonic components, and are called sidebands. When the waveform of the TPF component is viewed over time, the amplitude of the waveform becomes uneven due to runout of the cutting edge, and this appears as a characteristic of the spectrum. Furthermore, when damage or chipping of the cutting edge occurs, the cutting force becomes uneven, similar to runout of the cutting edge, and the generated vibration also becomes uneven, resulting in a similar increase in sidebands.
図１０は、診断装置における診断処理の流れの一例を示すフローチャートである。加工装置２００の数値制御部２０６は、加工工具２２３の現在の動作を示すコンテキスト情報を、逐次、診断装置１００に送信する。受信部１０１ａは、加工装置２００から送信されたコンテキスト情報を受信する（ステップＳ１０１）。次に、特徴抽出部１１０は、記憶部１０３から、当該受信したコンテキスト情報に対応する学習モデルを読み込む（ステップＳ１０２）。ステップＳ１０２のタイミングは、後述するＢＰＦに従った特徴情報を抽出するステップＳ１０６の前であれば、ステップＳ１０６の直前であっても良い。Figure 10 is a flowchart showing an example of the flow of diagnostic processing in the diagnostic device. The numerical control unit 206 of the machining device 200 sequentially transmits context information indicating the current operation of the machining tool 223 to the diagnostic device 100. The receiving unit 101a receives the context information transmitted from the machining device 200 (step S101). Next, the feature extraction unit 110 reads a learning model corresponding to the received context information from the storage unit 103 (step S102). The timing of step S102 may be immediately before step S106, as long as it is before step S106, in which feature information is extracted according to the BPF described below.
加工装置２００の物理量情報検出部２２７は、加工装置２００の加工時の検出情報を逐次出力する。The physical quantity information detection unit 227 of the processing device 200 sequentially outputs detection information during processing by the processing device 200.
特徴抽出部１１０の加工中波形抽出部１１６は、加工装置２００から受信した検出情報（センサデータ）と加工動作中に関するコンテキスト情報から、加工中波形データを抽出する（ステップＳ１０３）。The in-process waveform extraction unit 116 of the feature extraction unit 110 extracts in-process waveform data from the detection information (sensor data) received from the processing device 200 and context information related to the processing operation (step S103).
次いで、特徴抽出部１１０の区間分別部１１９は、加工装置２００に設けられた加工工具２２３の種類を表す工具種別と、被加工物２２４に対する加工の種類を表す加工種別と、の少なくとも一方に応じて、加工に伴う加工工具２２３の状態を分析する分析区間を、実加工区間と非加工区間とに分ける（分別する）ことによって、実加工区間を、特徴情報を抽出する抽出区間として特定する。Next, the section classification unit 119 of the feature extraction unit 110 divides (classifies) the analysis section, which analyzes the state of the machining tool 223 associated with machining, into an actual machining section and a non-machining section based on at least one of the tool type, which indicates the type of machining tool 223 provided on the machining device 200, and the machining type, which indicates the type of machining performed on the workpiece 224, thereby identifying the actual machining section as the extraction section from which feature information is extracted.
具体的には、特徴抽出部１１０の区間分別部１１９は、抽出した加工中波形データから入り加工区間（抽出区間）を分別する（ステップＳ１０４）。例えば、加工工具２２３としてタップを用いる場合、加工区間の前半（入り加工区間）がねじ山を立てる切削（もしくは塑性変形）加工であり、加工区間の後半（抜き区間）が加工した部分を逆回転させてタップを抜く工程に相当する。すなわち、加工工具２２３としてタップを用いる場合、加工区間の後半は、直接的な加工に寄与しない非加工区間になる。また、区間分別部１１９は、加工装置２００が上述したコンピュータ数値制御により実行する際の加工動作に係る情報に基づいて、加工区間を実加工区間と非加工区間とに分別する。Specifically, the section classification unit 119 of the feature extraction unit 110 classifies the in-machining section (extraction section) from the extracted in-machining waveform data (step S104). For example, when a tap is used as the machining tool 223, the first half of the machining section (in-machining section) is the cutting (or plastic deformation) process that creates a thread, and the second half of the machining section (punching section) corresponds to the process of removing the tap by rotating the machined portion in the reverse direction. In other words, when a tap is used as the machining tool 223, the second half of the machining section is a non-machining section that does not directly contribute to machining. Furthermore, the section classification unit 119 classifies the machining section into an actual machining section and a non-machining section based on information related to the machining operations performed by the machining device 200 using the computer numerical control described above.
次に、周波数解析部１１５は、ＦＦＴアルゴリズム等を使って加工中波形データの周波数解析を行う（ステップＳ１０５）。この周波数解析は、加工中波形データの中から、予め設定したデータサンプル数およびデータ列の開始位置をずらしながら周波数解析を行う。加工中波形データに対する周波数解析の結果は、複数のスペクトルが時系列に並んだ３次元構造のデータとなる。特徴抽出部１１０は、複数のスペクトル、あるいは複数のスペクトルを任意の時間範囲で平均化した平均スペクトルから、回転周波数の基本波もしくは調波周波数である特徴情報を抽出する（ステップＳ１０６）。本実施の形態では、ステップＳ１０２で読み込んだ学習モデルに、ＢＰＦが記録されているので、特徴抽出部１１０は、ＢＰＦを使って、平均スペクトルから特徴情報（回転周波数の基本波もしくは調波周波数）を抽出する。Next, the frequency analysis unit 115 performs frequency analysis of the waveform data being processed using an FFT algorithm or the like (step S105). This frequency analysis is performed by shifting a preset number of data samples and the start position of the data string from the waveform data being processed. The result of the frequency analysis of the waveform data being processed is three-dimensional data in which multiple spectra are arranged in chronological order. The feature extraction unit 110 extracts feature information, which is the fundamental or harmonic frequency of the rotation frequency, from the multiple spectra or an average spectrum obtained by averaging multiple spectra over an arbitrary time range (step S106). In this embodiment, since a BPF is recorded in the learning model loaded in step S102, the feature extraction unit 110 uses the BPF to extract feature information (fundamental or harmonic frequency of the rotation frequency) from the average spectrum.
判定部１０２は、特徴抽出部１１０により抽出された特徴情報と、受信されたコンテキスト情報に対応する学習モデルと、を用いて、加工装置２００の加工工具２２３の状態を判定する（ステップＳ１０７）。これにより、加工工具２２３、加工の種類に応じて抽出された特徴情報、学習モデルを用いて、加工装置２００の加工工具２２３の状態を判定することができるので、マシニングセンタにおいて実施される様々な加工について、加工装置２００の加工工具２２３の状態の異常の発生を高精度に検出して監視することが可能となる。判定部１０２は、表示制御部１０５を介して表示部１０６に、その判定結果を出力する（ステップＳ１０８）。または、判定部１０２は、送信部１０１ｂを介してアラート情報を、加工装置２００または外部装置へ送信する（ステップＳ１０８）。The determination unit 102 determines the state of the machining tool 223 of the processing device 200 using the feature information extracted by the feature extraction unit 110 and a learning model corresponding to the received context information (step S107). This allows the state of the machining tool 223 of the processing device 200 to be determined using the machining tool 223, feature information extracted according to the type of processing, and a learning model, making it possible to detect and monitor abnormalities in the state of the machining tool 223 of the processing device 200 with high accuracy for various types of processing performed in the machining center. The determination unit 102 outputs the determination result to the display unit 106 via the display control unit 105 (step S108). Alternatively, the determination unit 102 transmits alert information to the processing device 200 or an external device via the transmission unit 101b (step S108).
ここで、加工装置２００の加工工具２２３の状態の判定方法について説明する。以下においては、ＣＮＣである数値制御部２０６が搭載された加工装置２００におけるチッピング検出について説明する。ＣＮＣは、機械工作において工具の移動量、移動速度などをコンピュータによって数値制御することである。Here, we will explain how to determine the state of the machining tool 223 of the machining device 200. Below, we will explain chipping detection in a machining device 200 equipped with a numerical control unit 206 that is a CNC. CNC is the use of a computer to numerically control the amount of tool movement, speed, etc. in machining.
図１１は、加工装置２００の加工工具２２３の状態の判定の一例を示す図である。図１１においては、加工工具２２３による加工例として、タップを用いた留め穴加工の場合を示している。Figure 11 is a diagram showing an example of determining the state of the machining tool 223 of the machining device 200. Figure 11 shows a case where a fastening hole is drilled using a tap as an example of machining using the machining tool 223.
ＣＮＣではＮＣプログラムが使われるが、使用頻度の高いいくつかの加工サイクルを１ブロックで指令することができる固定サイクルというものがある。タップ加工においては、固定サイクル命令として、Ｇ８４（タッピング加工：主軸を正転させ切込み、穴底で逆転し逃げる）、Ｇ７４（逆タッピング）が用いられる。CNCs use NC programs, but they also have canned cycles that allow several frequently used machining cycles to be commanded in one block. For tapping, the canned cycle commands used are G84 (tapping: the spindle rotates forward to make a cut, then reverses to release at the bottom of the hole) and G74 (reverse tapping).
図１１（ａ）はタップ加工処理の時間変化を示す図、図１１（ｂ）は図１１（ａ）のタップ加工処理にかかるラダー信号および時間波形を示す図である。Figure 11(a) shows the time evolution of the tapping process, and Figure 11(b) shows the ladder signal and time waveform associated with the tapping process of Figure 11(a).
図１１（ａ）に示すように、タップ加工の場合、加工区間の前半略半分が真の加工部分、後半略半分は抜き区間に相当するため実加工はしていない。そのため、本実施形態においては、特徴抽出部１１０は、加工区間に含まれる、加工工具２２３が被加工物２２４に対して加工動作を行う実加工区間、および加工工具２２３が被加工物２２４に対して加工動作を行わない非加工区間、のうち、特徴情報を抽出する抽出区間として実加工区間における特徴情報を抽出する。具体的には、特徴抽出部１１０の区間分別部１１９は、加工工具２２３の動作を規定するコンテキスト情報、および、加工区間に応じて信号レベルを切り替えて出力するラダー信号、の少なくとも一方に基づいて、加工区間を実加工区間と非加工区間とに分別する。より具体的には、区間分別部１１９は、加工区間のうち前半の略半分の実加工区間を切り出し（分別し）、スコア計算に利用する。例えば、図１１（ｂ）に示すように、加工区間に応じて、信号レベルの“Ｈｉｇｈ”と“Ｌｏｗ”とを切り替えて出力するラダー信号を用いる場合、入り加工区間であるラダー信号の前半の略半分の時間が、実加工区間に相当する。As shown in FIG. 11(a), in the case of tapping, approximately the first half of the machining section corresponds to the actual machining portion, and approximately the second half corresponds to the punching section, so no actual machining is performed. Therefore, in this embodiment, the feature extraction unit 110 extracts feature information from the actual machining section as an extraction section from among the actual machining section, where the machining tool 223 performs machining operations on the workpiece 224, and the non-machining section, where the machining tool 223 does not perform machining operations on the workpiece 224. Specifically, the section classification unit 119 of the feature extraction unit 110 classifies the machining section into an actual machining section and a non-machining section based on at least one of context information that defines the operation of the machining tool 223 and a ladder signal that switches the signal level and outputs depending on the machining section. More specifically, the section classification unit 119 extracts (classifies) the actual machining section, which is approximately the first half of the machining section, and uses it for score calculation. For example, as shown in Figure 11(b), when using a ladder signal that switches between "High" and "Low" signal levels depending on the processing section, approximately half of the first half of the ladder signal, which is the incoming processing section, corresponds to the actual processing section.
判定部１０２は、加工中波形抽出部１１６が切り出した実加工区間において、一加工単位で評価を行い、加工工具２２３の状態診断を行う。より詳細には、判定部１０２は、チッピングが発生していない時の学習モデルからの変化を評価することにより、チッピング検出することが可能である。以下では、加工区間から実加工区間を切り出す手法について説明する。The determination unit 102 evaluates the actual machining section extracted by the in-machining waveform extraction unit 116 on a machining unit basis and diagnoses the state of the machining tool 223. More specifically, the determination unit 102 is able to detect chipping by evaluating changes from the learning model when no chipping occurs. The following describes a method for extracting the actual machining section from the machining section.
本実施形態の加工区間から実加工区間を切り出す手法は、加工装置２００の数値制御部２０６からコンテキスト情報およびラダー信号を受け取れる場合について示すものである。The method of extracting the actual machining section from the machining section in this embodiment is shown for the case where context information and ladder signals can be received from the numerical control unit 206 of the machining device 200.
図１１（ｂ）に示すように、ラダー信号は、例えば、各工具の１加工毎に、加工開始で“Ｈｉｇｈ”レベル、加工終了で“Ｌｏｗ”レベルの２値信号として出力される。このような２値信号により加工区間自体がわかるため、加工中波形抽出部１１６は、実加工区間の切り出しを行うことができる。すなわち、加工中波形抽出部１１６は、判定部１０２が実加工区間と非加工区間とを信号レベルから判定した結果を用いて、実加工区間の切り出しを行う。As shown in Figure 11 (b), the ladder signal is output as a binary signal that is "High" level at the start of machining and "Low" level at the end of machining for each machining operation for each tool. Because the machining section itself can be determined from such a binary signal, the machining waveform extraction unit 116 can extract the actual machining section. In other words, the machining waveform extraction unit 116 extracts the actual machining section using the results of the determination unit 102's determination of the actual machining section and the non-machining section from the signal level.
例えば、加工中波形抽出部１１６は、加工区間のうち実際に加工している実加工区間のみの抽出がＯＮに設定されていることを条件として（図５参照）、固定サイクルで実行した場合、加工区間（＝ラダー信号が“Ｈｉｇｈ”レベルの区間）から前半分を自動的に切り出し、実加工区間を抽出する。For example, when the processing waveform extraction unit 116 is executed in a fixed cycle, it automatically extracts the first half of the processing section (= the section where the ladder signal is at a "High" level) and extracts the actual processing section, provided that the extraction of only the actual processing section within the processing section is set to ON (see Figure 5).
より詳細には、加工区間から実加工区間のみを切り出す方法としては、一旦加工区間を切り出し、ＲＡＭ１５３などの一時記憶装置に保持したうえで、前半分の時間に相当する位置まで切り出すことにより実加工区間を取得する。前半分の時間の取得方法は、該当加工区間のメモリ使用量の半分の位置（もしくはメモリアドレス）から、もしくはラダー信号が“Ｈｉｇｈ”の区間の時間サンプリング数から、前半分のサンプル位置を取得すればよい。More specifically, one method for extracting only the actual machining section from the machining section is to first extract the machining section, store it in a temporary storage device such as RAM 153, and then extract it up to a position corresponding to the first half of the time to obtain the actual machining section. To obtain the first half of the time, the sample position for the first half can be obtained from the position (or memory address) halfway through the memory usage of the machining section, or from the number of time samples for the section where the ladder signal is "High."
一方、加工中波形抽出部１１６は、加工区間のうち実際に加工している実加工区間のみの抽出がＯＦＦに設定されていて（図５参照）、固定サイクルで実行した場合、加工区間（＝ラダー信号が“Ｈｉｇｈ”レベル）を実加工区間として切り出す。On the other hand, when the extraction of only the actual machining section, where machining is actually being performed, is set to OFF in the machining waveform extraction unit 116 (see Figure 5), and the process is executed in a fixed cycle, the machining section (= ladder signal is at "High" level) is extracted as the actual machining section.
なお、固定サイクルを使用しない場合であっても、加工工具２２３の入り区間（実加工区間）と抜き区間（非加工区間）とが同じ速度になる場合には、加工工具２２３の種別に関係なく上述の方法を適用することができる。Even if a fixed cycle is not used, if the entry section (actual machining section) and exit section (non-machining section) of the machining tool 223 are at the same speed, the above method can be applied regardless of the type of machining tool 223.
なお、上記では、タップ加工処理にかかる時間波形に基づいて、実加工区間を抽出したがこれに限るものではない。ここで、図１２は、図１１（ａ）のタップ加工処理にかかるラダー信号、時間波形および周波数波形を示す図である。例えば、加工中波形抽出部１１６は、ラダー信号が“Ｌｏｗ”レベルから“Ｈｉｇｈ”レベルになった部分の変化を検出し、タップ加工処理にかかる時間波形または周波数領域での特定帯域の値変化に基づいてラダー信号の中央付近にある変化を波形変化として抽出する。また、加工中波形抽出部１１６は、実加工区間を抽出、もしくはラダー信号が“Ｈｉｇｈ”レベルから“Ｌｏｗ”レベルになる位置を検出し、タップ加工処理にかかる時間波形または周波数領域での特定帯域の値変化波形変化として抽出する。また、加工中波形抽出部１１６は、該当区間の略半分の長さ位置を計算により抽出することにより実加工区間を抽出するようにしてもよい。While the actual machining interval was extracted based on the time waveform associated with the tapping process in the above example, this is not limiting. Figure 12 shows the ladder signal, time waveform, and frequency waveform associated with the tapping process in Figure 11(a). For example, the machining waveform extraction unit 116 detects a change in the portion where the ladder signal changes from a "low" level to a "high" level, and extracts a change near the center of the ladder signal as a waveform change based on a value change in a specific band in the time waveform or frequency domain associated with the tapping process. The machining waveform extraction unit 116 also extracts the actual machining interval, or detects the position where the ladder signal changes from a "high" level to a "low" level, and extracts this as a value change in a specific band in the time waveform or frequency domain associated with the tapping process. The machining waveform extraction unit 116 may also extract the actual machining interval by calculating a position approximately half the length of the relevant interval.
また、図１１においては、加工工具２２３による加工例として、タップを用いた留め穴加工の場合を示したが、これに限るものではなく、貫通穴に対する加工にも適用できることは言うまでもない。In addition, Figure 11 shows the case of drilling a fastening hole using a tap as an example of machining using the machining tool 223, but it goes without saying that this is not limited to this and can also be applied to drilling a through hole.
また、タップ加工以外の加工例としては、要求される寸法よりわずかに小さい下穴にリーマを通して真円で滑らかな面の穴を得るリーマ加工などが挙げられる。Another example of processing other than tapping is reaming, in which a reamer is passed through a pilot hole slightly smaller than the required dimensions to obtain a perfectly round, smooth-surfaced hole.
次に、図１３を用いて、本実施の形態にかかる診断装置１００によるモデル生成処理の一例について説明する。図１３は、診断装置によるモデル生成処理の流れの一例を示すフローチャートである。本実施の形態では、生成部１０４は、例えば、加工装置２００の診断処理の前に事前にモデル生成処理を実行する。または、上述したように、生成部１０４は、学習モデルが定められていないコンテキスト情報が入力された場合に、モデル生成処理を実行しても良い。また、上述のように学習モデルを外部で生成する場合は、診断装置１００においてモデル生成処理を実行しなくても良い。Next, an example of model generation processing by the diagnostic device 100 according to this embodiment will be described with reference to FIG. 13. FIG. 13 is a flowchart showing an example of the flow of model generation processing by the diagnostic device. In this embodiment, the generation unit 104 executes the model generation processing in advance, for example, before the diagnostic processing of the processing device 200. Alternatively, as described above, the generation unit 104 may execute the model generation processing when context information for which a learning model has not been defined is input. Furthermore, when the learning model is generated externally as described above, the model generation processing does not need to be executed in the diagnostic device 100.
受信部１０１ａは、加工装置２００から送信されたコンテキスト情報を受信する（ステップＳ２０１）。また、受信部１０１ａは、加工装置２００から送信された検出情報（センサデータ）を受信する（ステップＳ２０２）。The receiving unit 101a receives context information transmitted from the processing device 200 (step S201). The receiving unit 101a also receives detection information (sensor data) transmitted from the processing device 200 (step S202).
このように受信されたコンテキスト情報および検出情報が、学習モデルの生成に利用される。本実施の形態では、生成部１０４が、コンテキスト情報毎に、学習モデルを生成するため、検出情報は、対応するコンテキスト情報に関連付けられる必要がある。このため、例えば、受信部１０１ａは、受信した検出情報を、同じタイミングで受信したコンテキスト情報と対応付けて記憶部１０３等に一旦記憶させる。そして、生成部１０４は、記憶部１０３に記憶される検出情報が正常時の情報であることを確認し、正常時の検出情報のみを用いて学習モデルを生成する。すなわち、生成部１０４は、正常であるとラベル付けされた検出情報を用いて学習モデルを生成する。The context information and detection information received in this manner are used to generate a learning model. In this embodiment, the generation unit 104 generates a learning model for each piece of context information, so the detection information needs to be associated with the corresponding context information. For this reason, for example, the receiving unit 101a associates the received detection information with context information received at the same time and temporarily stores it in the storage unit 103 or the like. The generation unit 104 then confirms that the detection information stored in the storage unit 103 is normal information, and generates a learning model using only the detection information during normal times. In other words, the generation unit 104 generates a learning model using detection information labeled as normal.
検出情報が正常であるか否かの確認（ラベル付け）は、検出情報を記憶部１０３等に記憶した後の任意のタイミングで実行しても良いし、加工装置２００を動作させながらリアルタイムに実行しても良い。または、検出情報に対するラベル付けを実行せず、生成部１０４は、検出情報が正常であると仮定して学習モデルを生成しても良い。正常であると仮定した検出情報が実際は異常な検出情報であった場合は、生成された学習モデルでは、加工装置２００の加工工具２２３の状態が正常であるか否かの判定処理が正しく実行されなくなる。よって、加工装置２００の加工工具２２３の状態が異常と判定される頻度等により、異常な検出情報を用いて学習モデルが生成されたか否かを判断でき、誤って生成された学習モデルを削除するなどの対応を取ることができる。または、異常な検出情報を用いて生成された学習モデルを、異常であることを判定する学習モデルとして利用しても良い。Confirming whether the detection information is normal (labeling) may be performed at any time after the detection information is stored in the memory unit 103, etc., or may be performed in real time while the processing device 200 is operating. Alternatively, the generation unit 104 may generate a learning model assuming that the detection information is normal without labeling the detection information. If the detection information assumed to be normal is actually abnormal, the generated learning model will not correctly perform the process of determining whether the state of the processing tool 223 of the processing device 200 is normal. Therefore, it is possible to determine whether a learning model was generated using abnormal detection information based on, for example, the frequency with which the state of the processing tool 223 of the processing device 200 is determined to be abnormal, and take appropriate action such as deleting the erroneously generated learning model. Alternatively, a learning model generated using abnormal detection information may be used as a learning model for determining abnormalities.
特徴抽出部１１０の加工中波形抽出部１１６は、受信された検出情報と、加工動作中のコンテキスト情報と、に基づいて、加工中波形データを抽出する（ステップＳ２０３）。The waveform-in-process extraction unit 116 of the feature extraction unit 110 extracts waveform-in-process data based on the received detection information and context information during the processing operation (step S203).
次いで、特徴抽出部１１０の加工中波形抽出部１１６は、抽出した加工中波形データから入り加工区間を抽出する（ステップＳ２０４）。Next, the in-process waveform extraction unit 116 of the feature extraction unit 110 extracts the in-process section from the extracted in-process waveform data (step S204).
次に、周波数解析部１１５は、ＦＦＴアルゴリズム等を使って、抽出した加工中波形データの周波数解析を行う（ステップＳ２０５）。周波数解析部１１５は、加工中波形データの中から、予め設定したデータサンプル数およびデータ列の開始位置をずらしながら周波数解析を行う。得られた周波数解析の結果は、複数のスペクトルが時系列に並んだ３次元構造のデータとなる。特徴抽出部１１０は、複数のスペクトル、あるいは複数のスペクトルを任意の時間範囲で平均化したスペクトルから、ＢＰＦに従って、特徴情報を抽出する（ステップＳ２０６）。この方法については、後述する。Next, the frequency analysis unit 115 performs frequency analysis on the extracted waveform data being processed using an FFT algorithm or the like (step S205). The frequency analysis unit 115 performs frequency analysis on the waveform data being processed while shifting a preset number of data samples and the start position of the data string. The obtained frequency analysis results in three-dimensional data structure in which multiple spectra are arranged in chronological order. The feature extraction unit 110 extracts feature information from the multiple spectra, or from a spectrum obtained by averaging multiple spectra over an arbitrary time range, according to the BPF (step S206). This method will be described later.
生成部１０４は、同じコンテキスト情報に対応付けられた検出情報から抽出された特徴情報を用いて、このコンテキスト情報に対応する学習モデルを生成する（ステップＳ２０７）。生成部１０４は、生成した学習モデルを記憶部１０３に保存する（ステップＳ２０８）。The generation unit 104 generates a learning model corresponding to the context information using feature information extracted from the detection information associated with the same context information (step S207). The generation unit 104 stores the generated learning model in the storage unit 103 (step S208).
次に、図１４を用いて、本実施の形態にかかる特徴抽出部１１０によるＢＰＦに従った特徴情報の抽出処理の流れの一例について説明する。図１４は、診断装置によるＢＰＦに従った特徴情報の抽出処理の流れの一例を示すフローチャートである。Next, an example of the flow of the feature information extraction process according to the BPF by the feature extraction unit 110 according to this embodiment will be described using Figure 14. Figure 14 is a flowchart showing an example of the flow of the feature information extraction process according to the BPF by the diagnostic device.
ＢＰＦ設定部１１１は、受付部１２０の工具情報受付部１２１および主軸回転数受付部１２２から、切刃の枚数（刃数）Ｚ等の工具情報、および主軸回転数ｒ等の回転情報を受信する（ステップＳ３０１）。そして、ＢＰＦ設定部１１１は、回転基本周波数およびＴＰＦを、式（１）および式（２）を用いて、算出する（ステップＳ３０２）。ここで、主軸回転数ｒは、加工プログラムにより設定される、回転主軸２２１の回転数である。
回転基本周波数［Ｈｚ］＝ｒ［ｒｐｍ］／６０・・・・・（１）
ＴＰＦ＝回転基本周波数［Ｈｚ］×Ｚ［枚］・・・・・・（２）
すなわち、ＢＰＦ設定部１１１は、回転情報を用いて回転基本周波数を算出し、当該回転基本周波数と工具情報が含む刃数とを用いてＴＰＦを算出する。 The BPF setting unit 111 receives tool information such as the number of cutting blades (number of teeth) Z and rotation information such as the spindle rotation speed r from the tool information receiving unit 121 and the spindle rotation speed receiving unit 122 of the receiving unit 120 (step S301). Then, the BPF setting unit 111 calculates the rotation fundamental frequency and the TPF using equations (1) and (2) (step S302). Here, the spindle rotation speed r is the rotation speed of the rotating spindle 221 set by the machining program.
Fundamental rotation frequency [Hz] = r [rpm] / 60 (1)
TPF = rotational fundamental frequency [Hz] × Z [sheets] (2)
That is, the BPF setting unit 111 calculates the fundamental rotation frequency using the rotation information, and calculates the TPF using the fundamental rotation frequency and the number of teeth included in the tool information.
例えば、ＢＰＦ設定部１１１は、連続切削の場合、下記のようにＴＰＦを算出する。連続切削とは、刃部が材料と接触し続ける切削である。一例として、ドリル加工、タップ加工、リーマ加工などが挙げられる。回転基本周波数［Ｈｚ］＝Ｓ［ｒｐｍ］／６０、刃数＝１とする。
ＴＰＦ＝Ｓ／６０［Ｈｚ］×１［枚］＝Ｓ／６０［Ｈｚ］ For example, in the case of continuous cutting, the BPF setting unit 111 calculates the TPF as follows. Continuous cutting is cutting in which the cutting edge continues to contact the material. Examples include drilling, tapping, and reaming. The fundamental rotation frequency [Hz] is set to S [rpm]/60, and the number of blades is set to 1.
TPF=S/60[Hz]×1[sheet]=S/60[Hz]
また、例えば、ＢＰＦ設定部１１１は、断続切削の場合、下記のようにＴＰＦを算出する。断続切削とは、刃部が材料と接触、非接触を繰り返す切削である。一例として、エンドミル側面加工などが挙げられる。回転基本周波数［Ｈｚ］＝Ｓ［ｒｐｍ］／６０、刃数＝Ｚとする。
ＴＰＦ＝Ｓ／６０［Ｈｚ］×Ｚ［枚］＝ＳＺ／６０［Ｈｚ］ Furthermore, for example, in the case of intermittent cutting, the BPF setting unit 111 calculates the TPF as follows. Intermittent cutting is cutting in which the cutting edge repeatedly comes into contact with and out of contact with the material. An example is end mill side machining. The fundamental rotation frequency [Hz] is set to S [rpm]/60, and the number of blades is set to Z.
TPF=S/60[Hz]×Z[sheets]=SZ/60[Hz]
次に、特徴抽出部１１０のＢＰＦ設定部１１１は、回転情報と、工具情報と、周波数範囲と、を用いて、ＢＰＦ中心周波数（中心周波数の一例）を設定（算出）する。本実施の形態では、ＢＰＦ設定部１１１は、式（３）を用いて、当該ＢＰＦ設定部１１１が有するレンジ設定部１１７により設定した周波数範囲（周波数レンジ）にあるＢＰＦ中心周波数を設定する。ここで、レンジ設定部１１７は、着目する周波数範囲を設定する。レンジ設定部１１７は、例えば、下限周波数および上限周波数を設定し、式（３）のＢＰＦ中心周波数がこの範囲に存在するような自然数ｎを算出する。または、自然数ｎは、回転基本周波数［Ｈｚ］の高調波の次数、ＴＰＦの倍音の次数等、周波数の下限および上限が特定できるものであれば良い。すなわち、ＢＰＦ設定部１１１は、回転基本周波数および当該回転基本周波数の整数倍の周波数を、ＢＰＦ中心周波数として設定する。または、ＢＰＦ設定部１１１は、ＴＰＦおよび当該ＴＰＦの整数倍の各々の周波数の側帯波、ＢＰＦ中心周波数として設定しても良い。Next, the BPF setting unit 111 of the feature extraction unit 110 sets (calculates) the BPF center frequency (an example of a center frequency) using the rotation information, tool information, and frequency range. In this embodiment, the BPF setting unit 111 uses equation (3) to set the BPF center frequency within the frequency range set by the range setting unit 117 of the BPF setting unit 111. Here, the range setting unit 117 sets the frequency range of interest. For example, the range setting unit 117 sets a lower limit frequency and an upper limit frequency, and calculates a natural number n such that the BPF center frequency of equation (3) falls within this range. Alternatively, the natural number n may be any number that can identify the lower and upper limits of the frequency, such as the order of a harmonic of the fundamental rotation frequency [Hz] or the order of an overtone of the TPF. In other words, the BPF setting unit 111 sets the fundamental rotation frequency and an integer multiple of the fundamental rotation frequency as the BPF center frequency. Alternatively, the BPF setting unit 111 may set the sidebands of the TPF and the frequencies that are integer multiples of the TPF as the BPF center frequency.
さらに、ＢＰＦ設定部１１１は、ＢＦＰ中心周波数、およびバンド幅設定部１１２で設定したバンド幅［Ｈｚ］とから、ＢＰＦを算出する（ステップＳ３０３）。ここで、バンド幅設定部１１２は、レンジ設定部１１７により設定される周波数範囲で、着目する周波数バンドのバンド幅を設定する。
ＢＰＦ中心周波数＝回転基本周波数［Ｈｚ］×ｎ・・・・（３） Furthermore, the BPF setting unit 111 calculates a BPF from the BPF center frequency and the bandwidth [Hz] set by the bandwidth setting unit 112 (step S303). Here, the bandwidth setting unit 112 sets the bandwidth of the frequency band of interest within the frequency range set by the range setting unit 117.
BPF center frequency = rotation fundamental frequency [Hz] × n (3)
ＢＰＦ設定部１１１は、バンド幅設定部１１２によりバンド幅［Ｈｚ］がｂと設定されると、式（４）を満たすように、ＢＰＦ中心周波数の数だけ、ＢＰＦを算出する。
ＢＰＦ中心周波数－ｂ／２≦ＢＰＦ（ｎ）≦ＢＰＦ中心周波数＋ｂ／２・・・（４） When the bandwidth setting unit 112 sets the bandwidth [Hz] to b, the BPF setting unit 111 calculates the number of BPFs equal to the number of BPF center frequencies so as to satisfy the formula (4).
BPF center frequency - b/2≦BPF(n)≦BPF center frequency +b/2...(4)
次に、バンド選択部１１３（ＢＰＦ選択部の一例）は、複数のＢＰＦの中から、特徴情報の抽出に使用するＢＰＦを選択する（ステップＳ３０４）。バンド選択部１１３は、下記の（ａ）～（ｅ）のいずれかの選択方法により、ＢＰＦを選択する。
（ａ）全選択
（ｂ）ＴＰＦの倍音（ＴＰＦ、２×ＴＰＦ、・・・）およびその側帯波
（ｃ）ＴＰＦの倍音の側帯波のみ
（ｄ）回転基本周波数と、（ｂ）または（ｃ）
（ｅ）インタラクティブに選択 Next, the band selection unit 113 (an example of a BPF selection unit) selects a BPF to be used for extracting feature information from among the plurality of BPFs (step S304). The band selection unit 113 selects a BPF using one of the following selection methods (a) to (e):
(a) Select all (b) Overtones of TPF (TPF, 2xTPF, ...) and their sidebands (c) Sidebands of overtones of TPF only (d) Rotation fundamental frequency and (b) or (c)
(e) Interactive selection
図１５は、診断装置によりＢＰＦの選択方法の一例を説明するための図である。例えば、選択方法（ｅ）によりＢＰＦを選択する場合、表示制御部１０５は、表示部１０６に対して、ＢＰＦ選択画面３００を表示する。ＢＰＦ選択画面３００は、回転基本周波数および刃数が表示されているコンテキスト情報表示部３１０、レンジ設定部１１７により設定するレンジを表示するレンジ表示部３２０、バンド幅設定部１１２により設定するバンド幅を表示するバンド幅表示部３３０、バンド選択部１１３に選択されるバンドを表示するバンド表示部３４０、データ表示部３５０等を含む。Figure 15 is a diagram illustrating an example of a BPF selection method using the diagnostic device. For example, when selecting a BPF using selection method (e), the display control unit 105 displays a BPF selection screen 300 on the display unit 106. The BPF selection screen 300 includes a context information display unit 310 that displays the fundamental rotation frequency and number of blades, a range display unit 320 that displays the range set by the range setting unit 117, a bandwidth display unit 330 that displays the bandwidth set by the bandwidth setting unit 112, a band display unit 340 that displays the band selected by the band selection unit 113, and a data display unit 350.
レンジ表示部３２０では、レンジ設定部１１７により設定するレンジの上限の周波数を表示する。具体的には、レンジ表示部３２０は、上限の周波数を入力可能な周波数入力テキストボックス３２３と、ＴＰＦの倍音次数で上限の周波数を入力する次数入力テキストボックス３２４と、を含む。診断装置１００のユーザは、周波数入力テキストボックス３２３および次数入力テキストボックス３２４に対して、排他的に、上限の周波数を入力可能である。周波数ラジオボタン３２１とＴＰＦ次数ラジオボタン３２２は、周波数入力テキストボックス３２３および次数入力テキストボックス３２４のうち、いずれに上限の周波数を入力するかを排他的に設定可能である。図１５に示すレンジ表示部３２０には、次数入力テキストボックス３２４にＴＰＦ倍音次数が入力され、上限の周波数が２次のＴＰＦ（２×ＴＰＦ）と入力されている。The range display unit 320 displays the upper limit frequency of the range set by the range setting unit 117. Specifically, the range display unit 320 includes a frequency input text box 323 in which the upper limit frequency can be input, and an order input text box 324 in which the upper limit frequency is input in terms of the harmonic order of the TPF. The user of the diagnostic device 100 can input the upper limit frequency exclusively into the frequency input text box 323 and the order input text box 324. The frequency radio button 321 and the TPF order radio button 322 can exclusively set which of the frequency input text box 323 and the order input text box 324 the upper limit frequency will be input into. In the range display unit 320 shown in FIG. 15, the TPF harmonic order is input into the order input text box 324, and the upper limit frequency is input as a second-order TPF (2×TPF).
バンド幅表示部３３０は、バンド幅入力テキストボックス３３１を有する。図１５に示すバンド幅入力テキストボックス３３１には、バンド幅として４０．０［Ｈｚ］が設定されている。データ表示部３５０には、図１３に示すモデル生成処理の学習に使用する加工中波形データを周波数解析して求めた複数のスペクトルを平均化した平均スペクトルであり、正常とラベル付された平均スペクトルが表示されている。データ表示部３５０に表示する平均スペクトルは、擬似的な刃振れさせて加工した試験的な加工中波形データから求め、異常とラベル付けされた平均スペクトルでも良いし、または、正常および異常の両方のラベル付けされた複数の平均スペクトル（図６～９に示す平均スペクトル）でも良い。The bandwidth display unit 330 has a bandwidth input text box 331. The bandwidth input text box 331 shown in Figure 15 has a bandwidth set to 40.0 Hz. The data display unit 350 displays an average spectrum labeled as normal, which is an average of multiple spectra obtained by frequency analysis of the in-machining waveform data used for learning the model generation process shown in Figure 13. The average spectrum displayed in the data display unit 350 may be an average spectrum labeled as abnormal obtained from test in-machining waveform data obtained by machining with simulated blade vibration, or multiple average spectra labeled as both normal and abnormal (the average spectra shown in Figures 6 to 9).
データ表示部３５０には、図１４のステップＳ３０３において算出したＢＰＦを表示するＢＰＦ表示部３５１が含まれる。バンド表示部３４０には、ＢＰＦ表示部３５１に表示されるＢＰＦに対応するように、特徴情報の抽出にＴＰＦを使用することを選択するＴＰＦ選択トグルボタン３４１、特徴情報の抽出に側帯波を使用することを選択する側帯波選択トグルボタン３４２、その他高調波トグルボタン３４３が表示される。ＴＰＦ選択トグルボタン３４１、側帯波選択トグルボタン３４２、およびその他高調波トグルボタン３４３のうち、後述するステップＳ３０６における特徴情報の抽出に使用するものはオンとなり、特徴情報の抽出に用いないものはオフとなる。The data display unit 350 includes a BPF display unit 351 that displays the BPF calculated in step S303 of FIG. 14. The band display unit 340 displays a TPF selection toggle button 341 that selects whether to use a TPF to extract feature information, a sideband selection toggle button 342 that selects whether to use a sideband to extract feature information, and an other harmonics toggle button 343, corresponding to the BPF displayed in the BPF display unit 351. Of the TPF selection toggle button 341, sideband selection toggle button 342, and other harmonics toggle button 343, those that are used to extract feature information in step S306, described below, are turned on, and those that are not used to extract feature information are turned off.
次に、固有周波数除外部１１８は、ＢＰＦ設定部１１１により設定されるＢＰＦから、加工装置２００および加工工具２２３の固有周波数に近いＢＰＦを除外する（ステップＳ３０５）。加工工具２２３、ホルダ、回転主軸２２１等は、その形状・寸法、重量によって固有周波数を有する。この固有周波数の周波数成分は、刃具の損傷、振れ回りによる加工において、加工装置２００の加工工具２２３の状態が、異常状態にあっても、正常状態であっても、他の周波数成分のパワーよりも大きくなる傾向にある。そのため、固有周波数の周波数成分が特徴情報に含まれていると、加工装置２００の加工工具２２３の状態の判定確度が低下する。そこで、入力部１０７から予め固有周波数を入力し、記憶部１０３に記憶しておき、固有周波数除外部１１８が、記憶部１０３から固有周波数を呼び出し、式（４）を用いて算出したＢＰＦの中に、この固有周波数を含んだＢＰＦがあれば、当該ＢＰＦを除外する。Next, the natural frequency exclusion unit 118 excludes BPFs close to the natural frequency of the machining device 200 and the machining tool 223 from the BPFs set by the BPF setting unit 111 (step S305). The machining tool 223, holder, rotating spindle 221, etc. have natural frequencies depending on their shape, dimensions, and weight. The frequency components of these natural frequencies tend to be stronger than the power of other frequency components when the machining tool 223 of the machining device 200 is in an abnormal or normal state due to machining caused by tool damage or whirling. Therefore, if the frequency components of the natural frequency are included in the feature information, the accuracy of determining the state of the machining tool 223 of the machining device 200 decreases. Therefore, the natural frequency is input in advance via the input unit 107 and stored in the memory unit 103. The natural frequency exclusion unit 118 retrieves the natural frequency from the memory unit 103. If a BPF containing this natural frequency is found among the BPFs calculated using equation (4), the BPF is excluded.
図１６は、診断装置において算出した平均スペクトルのＢＰＦ付近の拡大図である。図１６において、実線の平均スペクトルが、正常のラベルが付けられたＢＰＦ（符号３６１で示す）付近の平均スペクトルであり、破線の平均スペクトルが、異常のラベルが付けられたＢＰＦ（符号３６１で示す）付近の平均スペクトルである。Figure 16 is an enlarged view of the BPF vicinity of the average spectrum calculated by the diagnostic device. In Figure 16, the solid line average spectrum is the average spectrum near the BPF (indicated by reference numeral 361) labeled as normal, and the dashed line average spectrum is the average spectrum near the BPF (indicated by reference numeral 361) labeled as abnormal.
図１６が示す平均スペクトルのピークのうち符号３６２で示したピークが、固有周波数である。上述の選択方法（ｅ）によりＢＰＦを選択する場合、ユーザは、ＢＰＦ選択画面５００の側帯波選択トグルボタン３６０をオフにして、選択方法（ｂ），（ｃ）を除外する。または、上述した選択方法（ａ），（ｅ）であれば、自動的に、ＢＰＦから、固有周波数を含んだＢＰＦを除外する。Of the peaks in the average spectrum shown in Figure 16, the peak indicated by reference numeral 362 is the natural frequency. When selecting a BPF using the above-mentioned selection method (e), the user turns off the sideband selection toggle button 360 on the BPF selection screen 500, thereby excluding selection methods (b) and (c). Alternatively, when using the above-mentioned selection methods (a) and (e), BPFs containing the natural frequency are automatically excluded from the BPFs.
特徴抽出部１１０は、フーリエ変換で求めた平均スペクトルのパワーのうち、その中心周波数がＢＰＦの範囲に入っているパワーのみを、当該平均スペクトルの特徴情報として抽出する（ステップＳ３０６）。すなわち、特徴抽出部１１０は、バンド選択部１１３により選択されるＢＰＦを用いて、特徴情報を抽出する。例えば、特徴抽出部１１０は、バンド幅をゼロと設定しておき、式（３）のＢＰＦ中心周波数に最も近いフーリエ変換の中心周波数を選択し、平均スペクトルにおいて、中心周波数に対応するパワーを特徴情報として抽出しても良い。特徴抽出部１１０は、平均スペクトルから特徴情報として抽出した振幅、パワーを、リニアスケール、ログスケール（ｄＢ）等、加工方法、工具種別に応じて最適な値に変換する。The feature extraction unit 110 extracts only the power of the average spectrum obtained by the Fourier transform, whose center frequency falls within the range of the BPF, as feature information of the average spectrum (step S306). That is, the feature extraction unit 110 extracts feature information using the BPF selected by the band selection unit 113. For example, the feature extraction unit 110 may set the bandwidth to zero, select the center frequency of the Fourier transform closest to the BPF center frequency in equation (3), and extract the power corresponding to the center frequency in the average spectrum as feature information. The feature extraction unit 110 converts the amplitude and power extracted as feature information from the average spectrum into optimal values, such as a linear scale or logarithmic scale (dB), depending on the machining method and tool type.
図１０のステップＳ１０５においては、周波数解析部１１５は、図１３のステップＳ２０４と同様に、加工中波形データの中から、予め設定したデータサンプル数およびデータ列の開始位置をずらしながら、ＦＦＴアルゴリズム等を使って当該加工中波形データの周波数解析を行う。これにより、複数のスペクトルＳＰｊ（ｆ）が時系列に並んだ３次元構造のデータ群が得られる。ここで、ｊ（＝１～Ｊ）は、スペクトルの数であり、データ列の開始位置をずらしながら周波数解析を行った個数に相当する。In step S105 of FIG. 10, the frequency analysis unit 115, similar to step S204 of FIG. 13, performs frequency analysis of the waveform data being processed using an FFT algorithm or the like, while shifting a preset number of data samples and the start position of the data sequence from the waveform data being processed. This results in a three-dimensional data group in which multiple spectra SPj(f) are arranged in chronological order. Here, j (= 1 to J) is the number of spectra, and corresponds to the number of spectra for which frequency analysis was performed while shifting the start position of the data sequence.
次に、加工装置２００の加工工具２２３の状態の第１判定方法について説明する。第１判定方法は、ＴＰＦもしくは倍音を閾値比較して、異常判断を行うものである。Next, we will explain the first method for determining the state of the machining tool 223 of the machining device 200. The first method involves comparing the TPF or harmonics with a threshold value to determine whether an abnormality has occurred.
第１判定方法では、まず、特徴抽出部１１０は、複数のスペクトルＳＰｊ（ｆ）の平均スペクトルＳＰ（ｆ）を算出する。次いで、特徴抽出部１１０は、平均スペクトルＳＰ（ｆ）のうち、ＢＰＦ中心周波数に最も近いパワーあるいは振幅を、特徴情報として抽出する。抽出した特徴情報が、ＴＰＦおよびその倍音である場合、判定部１０２は、ＴＰＦおよびその倍音を、当該ＴＰＦおよびその倍音のそれぞれに予め設定した閾値と比較して、当該特徴情報が閾値未満となった場合に、加工装置２００の加工工具２２３の状態が異常であると判定する。また、抽出した特徴情報が、側帯波およびその他の回転基本周波数の高調波である場合、判定部１０２は、側帯波および高調波を、当該側帯波および高調波のそれぞれに予め設定した閾値と比較して、当該特徴情報が閾値を超えた場合、加工装置２００の加工工具２２３の状態が異常であると判定する。または、抽出した特徴情報が、側帯波およびその他の回転基本周波数の高調波である場合、判定部１０２は、特徴情報が閾値を超えた成立率を算出し、当該成立率を、当該成立率に対して予め設定した閾値と比較して、当該成立率が閾値を超えた場合に、加工装置２００の加工工具２２３の状態が異常と判定しても良い。In the first determination method, the feature extraction unit 110 first calculates the average spectrum SP(f) of multiple spectra SPj(f). Next, the feature extraction unit 110 extracts, from the average spectrum SP(f), the power or amplitude closest to the BPF center frequency as feature information. If the extracted feature information is a TPF and its harmonics, the determination unit 102 compares the TPF and its harmonics with predetermined thresholds for the TPF and its harmonics, respectively, and determines that the state of the machining tool 223 of the processing device 200 is abnormal if the feature information is less than the threshold. Furthermore, if the extracted feature information is a sideband wave and other harmonics of the fundamental rotation frequency, the determination unit 102 compares the sideband wave and harmonics with predetermined thresholds for the sideband wave and harmonics, respectively, and determines that the state of the machining tool 223 of the processing device 200 is abnormal if the feature information exceeds the threshold. Alternatively, if the extracted characteristic information is a sideband wave or other harmonics of the fundamental rotation frequency, the determination unit 102 may calculate the rate at which the characteristic information exceeds a threshold, compare this rate with a preset threshold for this rate, and determine that the state of the machining tool 223 of the machining device 200 is abnormal if the rate exceeds the threshold.
次に、加工装置２００の加工工具２２３の状態の第２判定方法について説明する。第２判定方法は、ＴＰＦもしくは倍音を多次元ベクトル化し、１クラスＳＶＭで外れ値を検出して、異常判断を行うものである。Next, we will explain the second method for determining the state of the machining tool 223 of the machining device 200. The second determination method converts the TPF or harmonics into a multidimensional vector, detects outliers using a one-class SVM, and determines whether an abnormality has occurred.
第２判定方法では、特徴抽出部１１０は、第１判定方法と同様にして特徴情報を抽出する。次いで、判定部１０２は、これら多次元の特徴情報で、１クラスＳＶＭの学習を行い、外れ値検出にて、加工装置２００の加工工具２２３の状態が異常であるか否かの判定を行う。In the second determination method, the feature extraction unit 110 extracts feature information in the same manner as in the first determination method. Next, the determination unit 102 performs training of a one-class SVM using this multidimensional feature information and determines whether the condition of the machining tool 223 of the machining device 200 is abnormal through outlier detection.
次に、加工装置２００の加工工具２２３の状態の第３判定方法について説明する。第３判定方法は、ＴＰＦに加え、ＧＭＭ（Gaussian Mixture Model：ガウス混合モデル）、ＨＭＭ（Hidden Markov Model：隠れマルコフ モデル）、機械学習モデル、ＡＩ識別などを用いて異常判断を行うものである。Next, we will explain the third method for determining the state of the machining tool 223 of the machining device 200. The third method determines abnormalities using not only TPF but also GMM (Gaussian Mixture Model), HMM (Hidden Markov Model), machine learning models, AI identification, etc.
第３判定方法では、判定部１０２は、図１３に示すモデル生成処理により生成した学習モデル（加工装置２００の加工工具２２３の状態が正常である場合の学習モデル）を記憶部１０３から読み込む。この学習モデルの実態は、例えば、ＧＭＭ（ガウス混合モデル）のように、確率密度関数Ｐ（Ｘ）であっても良い。ここで、Ｘ（＝｛ｘ１、ｘ２、・・・ｘｎ｝）は、学習モデルの学習時にＢＰＦに従って抽出されるｎ次元の特徴量である。ＢＰＦは、この学習モデルとともに記憶部１０３に記憶されており、図１３のステップＳ１０６では、このＢＰＦを使って、複数のスペクトルＳＰｊ（ｆ）のそれぞれの特徴量を抽出する。In the third determination method, the determination unit 102 reads from the storage unit 103 the learning model generated by the model generation process shown in FIG. 13 (the learning model when the state of the machining tool 223 of the machining device 200 is normal). The actual form of this learning model may be a probability density function P(X), such as a GMM (Gaussian Mixture Model). Here, X (= {x1, x2, ... xn}) is an n-dimensional feature extracted according to the BPF when the learning model is trained. The BPF is stored in the storage unit 103 along with this learning model, and in step S106 of FIG. 13, this BPF is used to extract the feature values of each of the multiple spectra SPj(f).
判定部１０２は、図１３のステップＳ１０７において、確率密度関数Ｐ（Ｘ）に特徴量を入力して求めた尤度が、予め設定した閾値以上であれば、加工装置２００の加工工具２２３の状態が正常と判定し、当該尤度が、閾値未満であれば、加工装置２００の加工工具２２３の状態が異常と判定する。または、判定部１０２は、下記の式（５）に示すように、対数尤度の符号を逆にした値を異常度スコアａｊと定義し、加工装置２００の異常状態が強いと、異常度スコアが上昇するような指標値とし、スペクトルの数ｊ＝１～Ｊだけ、異常度スコアａｊを得る。
ａｊ＝－ｌｏｇ（Ｐ（Ｘｊ））・・・・・（５） 13, if the likelihood obtained by inputting the feature into the probability density function P(X) is equal to or greater than a preset threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is normal, and if the likelihood is less than the threshold, the determination unit 102 determines that the state of the machining tool 223 of the processing device 200 is abnormal. Alternatively, as shown in the following formula (5), the determination unit 102 defines a value obtained by reversing the sign of the log likelihood as the anomaly score aj, sets the anomaly score as an index value such that the anomaly score increases as the abnormal state of the processing device 200 becomes stronger, and obtains the anomaly score aj for the number j=1 to J of spectra.
aj=-log(P(Xj))...(5)
判定部１０２は、異常度スコアａｊのトータルスコアとして、例えば、式（６）に示すように、異常度スコアａｊのうち最大値をとったり、異常度スコアａｊの平均をとったり、工具、加工方法に適した値を選択する。
Ａ＝（Σａｊ）／Ｊ・・・・・（６） The judgment unit 102 selects, as the total score of the abnormality scores aj, for example, the maximum value of the abnormality scores aj, the average of the abnormality scores aj, or a value appropriate for the tool and processing method, as shown in equation (6).
A=(Σaj)/J...(6)
そして、判定部１０２は、異常度スコアａｊを予め設定した閾値と比較し、当該異常度スコアａｊが閾値以上であれば、加工装置２００の加工工具２２３の状態が異常と判定し、異常度スコアａｊが閾値未満であれば、加工装置２００の加工工具２２３の状態が正常と判定する。Then, the determination unit 102 compares the abnormality score aj with a preset threshold value, and if the abnormality score aj is equal to or greater than the threshold value, determines that the state of the machining tool 223 of the processing device 200 is abnormal, and if the abnormality score aj is less than the threshold value, determines that the state of the machining tool 223 of the processing device 200 is normal.
ここで、従来のタップ加工処理にかかる全区間（入り区間＋抜き区間）での加工スコアと、本実施形態のタップ加工処理にかかる全区間（入り区間のみ）での加工スコアと、の比較例について説明する。Here, we will explain a comparison example between the machining score for the entire section (entry section + punching section) of a conventional tapping process and the machining score for the entire section (entry section only) of the tapping process of this embodiment.
図１７は従来のタップ加工処理にかかる全区間（入り区間＋抜き区間）での加工スコア例を示す図、図１８は本実施形態のタップ加工処理にかかる実加工区間（入り区間のみ）での加工スコア例を示す図である。Figure 17 shows an example of a machining score for the entire section (entry section + punching section) in a conventional tapping process, and Figure 18 shows an example of a machining score for the actual machining section (entry section only) in a tapping process according to this embodiment.
図１７に示すように、タップ加工処理にかかる全区間（入り区間＋抜き区間）でスコアを算出した場合、タップ加工において「チッピング有」のスコア値は、０．２～０．６である。一方、図１８に示すように、タップ加工処理にかかる実加工区間（入り区間のみ）でスコアを算出した場合、タップ加工において「チッピング有」のスコア値は、０．８～１．６である。すなわち、タップ加工処理にかかる実加工区間（入り区間のみ）でスコアを算出した場合、タップ加工処理にかかる全区間（入り区間＋抜き区間）でスコアを算出した場合に比べて、スコア値が２倍以上に上昇する。As shown in Figure 17, when the score is calculated for the entire section of the tapping process (entry section + punch section), the score value for "chipping occurs" during tapping is 0.2 to 0.6. On the other hand, as shown in Figure 18, when the score is calculated for the actual machining section of the tapping process (entry section only), the score value for "chipping occurs" during tapping is 0.8 to 1.6. In other words, when the score is calculated for the actual machining section of the tapping process (entry section only), the score value increases by more than double compared to when the score is calculated for the entire section of the tapping process (entry section + punch section).
したがって、図１８に示すように加工区間の前半分に対する波形切り出しを行い、処理を行うことで、図１７に比べて加工工具の状態を判定する際の判定精度の向上と加工工具の状態の検出のための計算量の削減とを実現することが可能となっている。Therefore, by extracting and processing the waveform for the first half of the machining section as shown in Figure 18, it is possible to improve the accuracy of determining the state of the machining tool and reduce the amount of calculation required to detect the state of the machining tool compared to Figure 17.
このように本実施形態によれば、診断装置は、加工装置に設けられた工具の種類を表す工具種別、ワークに対する加工の種類を表す加工種別、の少なくとも一方に応じて、加工に伴う特徴情報を抽出するための抽出区間を変更し、変更した抽出区間における特徴情報を抽出する。これにより、加工時間の一部のみしか加工していない工具種別、加工種別の少なくとも一方においては、直接的な加工に寄与しない非加工区間を排除して加工工具の状態検出を行うため、加工工具の状態を判定する際の判定精度を高めることができる。これにより診断装置はさらに、加工工具の状態の検出のための計算量を削減することができる。すなわち、本実施形態によれば、加工品検品の人的工数および時間的工数を節約することができる。As described above, according to this embodiment, the diagnostic device changes the extraction section for extracting characteristic information associated with machining depending on at least one of the tool type, which indicates the type of tool installed in the machining device, and the machining type, which indicates the type of machining performed on the workpiece, and extracts the characteristic information from the changed extraction section. This allows for detection of the state of the machining tool by excluding non-machining sections that do not directly contribute to machining for at least one of the tool type and machining type that perform machining for only a portion of the machining time, thereby improving the accuracy of determining the state of the machining tool. This also allows the diagnostic device to reduce the amount of calculation required to detect the state of the machining tool. In other words, this embodiment can save on both manpower and time required for inspecting processed products.
なお、本実施形態の診断装置１００の特徴抽出部１１０は、数値制御部２０６からの情報に基づいて実加工区間を検出するようにしたが、これに限るものではない。例えば、特徴抽出部１１０の区間分別部１１９は、加工装置２００の消費電流に基づいて、加工区間を実加工区間と非加工区間とに分別するようにしてもよい。また、例えば、特徴抽出部１１０の区間分別部１１９は、加工工具２２３の被加工物２２４に対する加工動作の際に生じる信号（振動、動力、Acoustic Energy信号など）に基づいて、加工区間を実加工区間と非加工区間とに分ける（分別する）ようにしてもよい。Note that, although the feature extraction unit 110 of the diagnostic device 100 of this embodiment is configured to detect the actual machining section based on information from the numerical control unit 206, this is not limited to this. For example, the section classification unit 119 of the feature extraction unit 110 may be configured to classify the machining section into an actual machining section and a non-machining section based on the current consumption of the machining device 200. Also, for example, the section classification unit 119 of the feature extraction unit 110 may be configured to classify (classify) the machining section into an actual machining section and a non-machining section based on signals (vibration, power, acoustic energy signals, etc.) generated when the machining tool 223 performs a machining operation on the workpiece 224.
（第２の実施の形態）
次に、第２の実施の形態について説明する。第２の実施の形態は、加工装置２００が、加工装置の仕様、加工装置の新旧の型（モデル）等によって、図１１（ｂ）に示したラダー信号を外部に出力できないような場合について説明する。すなわち、第２の実施の形態では、加工装置２００に対して方針上、仕様上の制約がある市場（技術領域）においても、第１の実施の形態と同様の機能を実現可能とする。Second Embodiment
Next, a second embodiment will be described. The second embodiment describes a case in which the processing device 200 cannot output the ladder signal shown in FIG. 11B to the outside due to the specifications of the processing device, the old or new model of the processing device, etc. That is, the second embodiment makes it possible to realize the same functions as the first embodiment even in a market (technical area) where there are policy or specification restrictions on the processing device 200.
上述したように、第２の実施の形態は、加工装置２００は、仕様上または構成上の制約の一つとして、ラダー信号を送信せずコンテキスト情報のみを診断装置１００に対して送信する。以下、第２の実施の形態の説明では、第１の実施の形態と同部分の説明については省略し、第２の実施の形態と異なる箇所について説明する。As described above, in the second embodiment, as a specification or configuration constraint, the processing device 200 does not send ladder signals, but only sends context information to the diagnostic device 100. In the following explanation of the second embodiment, explanations of the same parts as in the first embodiment will be omitted, and only differences from the second embodiment will be explained.
ここで、図１９は第２の実施の形態に係る診断装置が記憶するコンテキスト情報と学習モデルとの対応の別の一例を示す図である。Here, Figure 19 is a diagram showing another example of the correspondence between context information and learning models stored in the diagnostic device according to the second embodiment.
本実施形態の加工区間から実加工区間（抽出区間）を切り出す手法は、加工装置２００の数値制御部２０６からコンテキスト情報のみを受け取れる場合について示すものである。すなわち、図１１（ｂ）に示すラダー信号がない場合に相当する。The method of extracting an actual machining section (extracted section) from a machining section in this embodiment is shown for a case where only context information can be received from the numerical control unit 206 of the machining device 200. In other words, this corresponds to the case where there is no ladder signal as shown in Figure 11(b).
この場合、加工装置２００の数値制御部２０６からラダー信号はもらえないため、加工区間自体が不明である。そのため、加工中波形抽出部１１６は、まず加工区間の加工（切削）信号を分析し、区間推定する必要がある。具体的には、加工中波形抽出部１１６は、実加工区間を表す波形と非加工区間を表す波形とを、物理量の信号レベルから抽出する。In this case, since no ladder signal is received from the numerical control unit 206 of the machining device 200, the machining section itself is unknown. Therefore, the machining waveform extraction unit 116 must first analyze the machining (cutting) signal of the machining section and estimate the section. Specifically, the machining waveform extraction unit 116 extracts a waveform representing the actual machining section and a waveform representing the non-machining section from the signal levels of the physical quantities.
図１９に示す例は、図５に比べて、加工工具２２３の送り距離を示す送り情報と、加工工具２２３の加工深さの距離を示す加工深さ情報と、を含む点で異なっている。The example shown in Figure 19 differs from Figure 5 in that it includes feed information indicating the feed distance of the machining tool 223 and machining depth information indicating the machining depth distance of the machining tool 223.
加工中波形抽出部１１６は、加工信号を分析（スペクトログラムなどの時間周波数分析、時間波形からの分析）することにより、加工区間を推定して切り出す。The processing waveform extraction unit 116 estimates and extracts the processing section by analyzing the processing signal (time-frequency analysis such as spectrogram, analysis from the time waveform).
または、加工中波形抽出部１１６は、加工工具２２３が接触開始区間を検出し、接触開始区間から送り速度Ｆ［ｍｍ／ｍｉｎ］と深さＤ［ｍｍ］から切削時間をＤ／Ｆ［ｍｉｎ］で求める。そして、加工中波形抽出部１１６は、加工終了時間を決定、もしくは加工終了時間の目安として加工（切削）信号を分析し、抽出区間を推定する。また加工中波形抽出部１１６は、終点部分も開始点と同様に信号から検出を行い、抽出区間の推定を行ってもよい。なお、接触開始区間の検出には、周波数領域での例として、切削信号のＳ／６０［Ｈｚ］成分（Ｓは、回転基本周波数）もしくはＴＰＦ成分、その高調波を含めた成分、信号パワーの変化が予め設定された閾値以上、のいずれかの場合に、切削開始時間（接触開始区間）とする方法がある。時間領域（時間波形）の場合は、加工中波形抽出部１１６は、一例として物理量の信号レベルの変化が予め設定された閾値以上の場合で判断してもよい。Alternatively, the machining waveform extraction unit 116 detects the contact start interval of the machining tool 223 and calculates the cutting time D/F [min] from the contact start interval using the feed rate F [mm/min] and depth D [mm]. The machining waveform extraction unit 116 then determines the machining end time, or analyzes the machining (cutting) signal as a guide for the machining end time, and estimates the extraction interval. The machining waveform extraction unit 116 may also detect the end point from the signal in the same way as the start point, and estimate the extraction interval. In the frequency domain, for example, the contact start interval can be determined as the cutting start time (contact start interval) when the S/60 [Hz] component (S is the fundamental rotation frequency) or TPF component of the cutting signal, or a component including its harmonics, or a change in signal power is equal to or greater than a preset threshold. In the time domain (time waveform), the machining waveform extraction unit 116 may determine the contact start interval when a change in the signal level of a physical quantity is equal to or greater than a preset threshold.
以降の処理については、第１の実施の形態で説明したので、説明を省略する。The subsequent processing has been explained in the first embodiment, so further explanation will be omitted.
このように本実施形態によれば、診断装置は、加工装置に設けられた工具の種類を表す工具種別、ワークに対する加工の種類を表す加工種別、の少なくとも一方に応じて、加工に伴う特徴情報を抽出するための抽出区間を変更し、変更した抽出区間における特徴情報を抽出する。これにより、加工時間の一部のみしか加工していない工具種別、加工種別の少なくとも一方においては、直接的な加工に寄与しない非加工区間を排除して加工工具の状態検出を行うため、加工工具の状態を判定する際の判定精度を高めることができる。これにより診断装置はさらに、加工工具の状態の検出のための計算量を削減することができる。すなわち、本実施形態によれば、加工品検品の人的工数および時間的工数を節約することができる。As described above, according to this embodiment, the diagnostic device changes the extraction section for extracting characteristic information associated with machining depending on at least one of the tool type, which indicates the type of tool installed in the machining device, and the machining type, which indicates the type of machining performed on the workpiece, and extracts the characteristic information from the changed extraction section. This allows for detection of the state of the machining tool by excluding non-machining sections that do not directly contribute to machining for at least one of the tool type and machining type that perform machining for only a portion of the machining time, thereby improving the accuracy of determining the state of the machining tool. This also allows the diagnostic device to reduce the amount of calculation required to detect the state of the machining tool. In other words, this embodiment can save on both manpower and time required for inspecting processed products.
なお、本実施形態の診断装置１００で実行されるプログラムは、ＲＯＭ１５２等に予め組み込まれて提供される。本実施形態の診断装置１００で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータ・プログラム・プロダクトとして提供するように構成しても良い。The program executed by the diagnostic device 100 of this embodiment is provided in advance in a ROM 152 or the like. The program executed by the diagnostic device 100 of this embodiment may also be provided as a computer program product by being recorded in an installable or executable file format on a computer-readable recording medium such as a CD-ROM, flexible disk (FD), CD-R, or DVD (Digital Versatile Disk).
さらに、本実施形態の診断装置１００で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の診断装置１００で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。Furthermore, the program executed by the diagnostic device 100 of this embodiment may be stored on a computer connected to a network such as the Internet and provided by being downloaded via the network. Furthermore, the program executed by the diagnostic device 100 of this embodiment may be provided or distributed via a network such as the Internet.
本実施形態の診断装置１００で実行されるプログラムは、上述した各部（通信制御部１０１、判定部１０２、生成部１０４、表示制御部１０５、特徴抽出部１１０、受付部１２０等）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ１５１（プロセッサの一例）が上記ＲＯＭ１５２からプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、各部が主記憶装置上に生成されるようになっている。また、本実施形態の診断装置１００の各ハードウェアを加工装置２００に組み込み、上記プログラムを実行する構成とした、診断機能付き加工装置であっても良い。The program executed by the diagnostic device 100 of this embodiment has a modular configuration including the above-mentioned units (communication control unit 101, determination unit 102, generation unit 104, display control unit 105, feature extraction unit 110, reception unit 120, etc.), and in terms of actual hardware, the CPU 151 (an example of a processor) reads and executes the program from the ROM 152, thereby loading the above-mentioned units into the main memory and generating the units on the main memory. Furthermore, the hardware of the diagnostic device 100 of this embodiment may be incorporated into the processing device 200, which is configured to execute the above-mentioned program, thereby creating a processing device with diagnostic capabilities.
上記で説明した各実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサ、上記で説明した各機能を実行するよう設計されたＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）、従来の回路モジュール等のデバイスを含むものとする。The functions of each of the embodiments described above can be realized by one or more processing circuits. In this specification, the term "processing circuit" includes processors programmed to perform each function by software, such as processors implemented by electronic circuits, as well as devices such as ASICs (Application Specific Integrated Circuits), DSPs (Digital Signal Processors), FPGAs (Field Programmable Gate Arrays), and conventional circuit modules designed to perform each of the functions described above.
各実施形態に記載された装置群は、本明細書に開示された実施形態を実施するための複数のコンピューティング環境のうちの１つを示すものにすぎない。ある実施形態では、診断装置１００は、サーバクラスタといった複数のコンピューティングデバイスを含む。複数のコンピューティングデバイスは、ネットワーク、共有メモリ等を含む任意のタイプの通信リンクを介して互いに通信するように構成されており、本明細書に開示された処理を実施する。The devices described in each embodiment represent only one of several computing environments for implementing the embodiments disclosed herein. In one embodiment, the diagnostic device 100 includes multiple computing devices, such as a server cluster. The multiple computing devices are configured to communicate with each other via any type of communication link, including a network, shared memory, etc., and to perform the processes disclosed herein.
なお、診断装置１００は、通信機能を備えた装置であれば、デスクトップＰＣに限られない。診断装置１００は、例えば、画像形成装置、ＰＪ（Projector：プロジェクタ）、ＩＷＢ（Interactive White Board：相互通信が可能な電子式の黒板機能を有する白板）、デジタルサイネージ等の出力装置、ＨＵＤ（Head Up Display）装置、産業機械、撮像装置、集音装置、医療機器、ネットワーク家電、自動車（Connected Car）、ノートＰＣ（Personal Computer）、携帯電話、スマートフォン、タブレット端末、ゲーム機、ＰＤＡ（Personal Digital Assistant）、デジタルカメラ、ウェアラブルＰＣ等であってもよい。The diagnostic device 100 is not limited to a desktop PC, as long as it has a communication function. The diagnostic device 100 may be, for example, an image forming device, a PJ (Projector), an IWB (Interactive White Board: an electronic whiteboard with intercommunication capabilities), an output device such as digital signage, a HUD (Head Up Display) device, industrial machinery, an imaging device, a sound collection device, medical equipment, a network appliance, an automobile (Connected Car), a notebook PC (Personal Computer), a mobile phone, a smartphone, a tablet terminal, a game console, a PDA (Personal Digital Assistant), a digital camera, a wearable PC, etc.
本発明の態様は、例えば、以下のとおりである。
＜１＞ 加工装置に設けられた加工工具の被加工物に対する加工動作に伴って時間変化する物理量を、前記加工装置から受信する通信制御部と、
前記物理量で示される検出情報に対する周波数解析の結果から、前記検出情報に係る特徴情報を抽出する特徴抽出部と、
前記特徴情報に基づいて、前記加工工具の状態を判定する判定部と、
を備え、
前記特徴抽出部は、前記加工動作を表す加工区間から、前記加工工具の種類を表す工具種別と、前記被加工物に対する加工の種類を表す加工種別と、の少なくとも何れか一方に応じて前記特徴情報を抽出するための抽出区間を変更し、変更した前記抽出区間における前記特徴情報を抽出する、
ことを特徴とする診断装置。
＜２＞ 前記特徴抽出部は、前記加工区間に含まれる、前記加工工具が前記被加工物に対して前記加工動作を行う実加工区間、および前記加工工具が前記被加工物に対して前記加工動作を行わない非加工区間、のうち、前記実加工区間における前記特徴情報を抽出する、
ことを特徴とする＜１＞に記載の診断装置。
＜３＞ 前記加工動作は、前記加工装置においてコンピュータ数値制御（Computer Numerical Control）により実行され、前記特徴抽出部はさらに、前記コンピュータ数値制御による前記加工動作に係る情報に基づいて、前記加工区間を前記実加工区間と前記非加工区間とに分別する区間分別部を備える、
ことを特徴とする＜２＞に記載の診断装置。
＜４＞ 前記区間分別部は、前記加工工具の動作を規定するコンテキスト情報、および、前記加工区間に応じて信号レベルを切り替えて出力するラダー信号、の少なくとも一方に基づいて、前記加工区間を前記実加工区間と前記非加工区間とに分別する、
ことを特徴とする＜３＞に記載の診断装置。
＜５＞ 前記区間分別部は、前記加工区間に応じて前記信号レベルのＨｉｇｈとＬｏｗとを切り替えて出力するラダー信号に基づいて、前記加工区間を、前記実加工区間と前記非加工区間とに分別する、
ことを特徴とする＜４＞に記載の診断装置。
＜６＞ 前記区間分別部は、前記加工装置の消費電流に基づいて、前記加工区間を前記実加工区間と前記非加工区間とに分別する、
ことを特徴とする＜３＞に記載の診断装置。
＜７＞ 前記区間分別部は、前記加工工具の前記被加工物に対する加工動作の際に生じる信号に基づいて、前記加工区間を前記実加工区間と前記非加工区間とに分別する、
ことを特徴とする＜３＞に記載の診断装置。
＜８＞ 前記特徴抽出部はさらに、前記物理量の信号レベルから、前記実加工区間を表す波形と前記非加工区間を表す波形とを抽出する加工中波形抽出部、を備える、
ことを特徴とする＜２＞ないし＜７＞の何れか一に記載の診断装置。
＜９＞ 前記加工中波形抽出部は、前記物理量の信号レベルを時間波形から判断する、
ことを特徴とする＜８＞に記載の診断装置。
＜１０＞ 前記加工中波形抽出部は、前記物理量の信号レベルを周波数領域での特定帯域の値変化を波形変化として抽出する、
ことを特徴とする＜７＞に記載の診断装置。
＜１１＞ 前記特徴抽出部は、一の加工動作中の前記検出情報の周波数解析を１フレーム以上行い、フレーム時間変化を前記特徴情報として抽出する、
ことを特徴とする＜１＞ないし＜１０＞の何れか一に記載の診断装置。
＜１２＞ ＜１＞ないし＜１１＞の何れか一に記載の診断装置と、
前記診断装置の診断対象となる加工工具が設けられる加工装置と、
を備えることを特徴とする加工システム。
＜１３＞ 加工装置に設けられた加工工具の状態を診断する診断装置が実行する診断方法であって、
被加工物に対する加工動作に伴って時間変化する物理量を前記加工装置から受信する通信制御ステップと、
前記物理量で示される検出情報に対する周波数解析の結果から、前記検出情報に係る特徴情報を抽出する特徴抽出ステップと、
前記特徴情報に基づいて、前記加工工具の状態を判定する判定ステップと、
を実行し、
前記特徴抽出ステップは、前記加工動作を表す加工区間から、前記加工工具の種類を表す工具種別と、前記被加工物に対する加工の種類を表す加工種別と、の少なくとも何れか一方に応じて前記特徴情報を抽出するための抽出区間を変更し、変更した前記抽出区間における前記特徴情報を抽出する、
ことを特徴とする診断方法。
＜１４＞ コンピュータを、
加工装置に設けられた加工工具の被加工物に対する加工動作に伴って時間変化する物理量を前記加工装置から受信する通信制御部と、
前記物理量で示される検出情報に対する周波数解析の結果から、前記検出情報に係る特徴情報を抽出する特徴抽出部と、
前記特徴情報に基づいて、前記加工工具の状態を判定する判定部、
として機能させ、
前記特徴抽出部は、前記加工動作を表す加工区間から、前記加工工具の種類を表す工具種別と、前記被加工物に対する加工の種類を表す加工種別と、の少なくとも何れか一方に応じて、前記特徴情報を抽出するための抽出区間を変更し、変更した前記抽出区間における前記特徴情報を抽出する、
プログラム。 For example, aspects of the present invention are as follows.
<1> A communication control unit that receives, from a processing device, a physical quantity that changes over time in accordance with a processing operation of a processing tool provided in the processing device on a workpiece;
a feature extraction unit that extracts feature information related to the detection information from a result of frequency analysis of the detection information represented by the physical quantity;
a determination unit that determines a state of the machining tool based on the characteristic information;
Equipped with
the feature extraction unit changes an extraction section for extracting the feature information from the machining section representing the machining operation in accordance with at least one of a tool type representing the type of the machining tool and a machining type representing the type of machining performed on the workpiece, and extracts the feature information in the changed extraction section.
A diagnostic device characterized by:
<2> The feature extraction unit extracts the feature information in the actual machining section from among an actual machining section in which the machining tool performs the machining operation on the workpiece and a non-machining section in which the machining tool does not perform the machining operation on the workpiece, which are included in the machining section.
The diagnostic device according to <1>,
<3> The machining operation is executed by a computer numerical control in the machining device, and the feature extraction unit further includes a section classification unit that classifies the machining section into the actual machining section and the non-machining section based on information related to the machining operation by the computer numerical control.
The diagnostic device according to <2>,
<4> The section classification unit classifies the machining section into the actual machining section and the non-machining section based on at least one of context information that defines an operation of the machining tool and a ladder signal that switches a signal level and outputs it depending on the machining section.
The diagnostic device according to <3>,
<5> The section classification unit classifies the machining section into the actual machining section and the non-machining section based on a ladder signal that switches between High and Low signal levels and outputs the ladder signal according to the machining section.
The diagnostic device according to <4>,
<6> The section classification unit classifies the machining section into the actual machining section and the non-machining section based on a current consumption of the machining device.
The diagnostic device according to <3>,
<7> The section classification unit classifies the machining section into the actual machining section and the non-machining section based on a signal generated during a machining operation of the machining tool on the workpiece.
The diagnostic device according to <3>,
<8> The feature extraction unit further includes a machining waveform extraction unit that extracts a waveform representing the actual machining section and a waveform representing the non-machining section from a signal level of the physical quantity.
The diagnostic device according to any one of <2> to <7>,
<9> The processing waveform extraction unit determines the signal level of the physical quantity from a time waveform.
The diagnostic device according to <8>,
<10> The processing waveform extraction unit extracts a value change of a specific band in a frequency domain of the signal level of the physical quantity as a waveform change.
The diagnostic device according to <7>,
<11> The feature extraction unit performs frequency analysis of the detection information during one processing operation for one or more frames and extracts a change over time of the frames as the feature information.
The diagnostic device according to any one of <1> to <10>,
<12> The diagnostic device according to any one of <1> to <11>,
a machining device provided with a machining tool to be diagnosed by the diagnostic device;
A processing system comprising:
<13> A diagnostic method executed by a diagnostic device that diagnoses a state of a machining tool provided in a machining device, comprising:
a communication control step of receiving, from the processing device, a physical quantity that changes over time in association with a processing operation on a workpiece;
a feature extraction step of extracting feature information related to the detection information from a result of frequency analysis of the detection information represented by the physical quantity;
a determining step of determining a state of the machining tool based on the characteristic information;
Run
The feature extraction step changes an extraction section for extracting the feature information from the machining section representing the machining operation according to at least one of a tool type representing the type of the machining tool and a machining type representing the type of machining performed on the workpiece, and extracts the feature information in the changed extraction section.
A diagnostic method characterized by:
<14> A computer,
a communication control unit that receives, from the processing device, a physical quantity that changes over time in accordance with a processing operation of a processing tool provided in the processing device on a workpiece;
a feature extraction unit that extracts feature information related to the detection information from a result of frequency analysis of the detection information represented by the physical quantity;
a determination unit that determines a state of the machining tool based on the characteristic information;
It functions as
the feature extraction unit changes an extraction section for extracting the feature information from the machining section representing the machining operation according to at least one of a tool type representing the type of the machining tool and a machining type representing the type of machining performed on the workpiece, and extracts the feature information in the changed extraction section.
program.
１００ 診断装置
１０２ 判定部
１１０ 特徴抽出部
２００ 加工装置
２０６ 数値制御部
２２３ 加工工具
２２４ 被加工物
２２７ 物理量情報検出部 100 Diagnosis device 102 Determination unit 110 Feature extraction unit 200 Machining device 206 Numerical control unit 223 Machining tool 224 Workpiece 227 Physical quantity information detection unit
| Publication Number | Publication Date |
|---|---|
| JP2025145179Atrue JP2025145179A (en) | 2025-10-03 |
| Publication | Publication Date | Title |
|---|---|---|
| US10990085B2 (en) | Machine-tool-state determination system and machine-tool-state determination method | |
| JP7589505B2 (en) | Diagnostic device, diagnostic method, program, and processing system | |
| JP7085370B2 (en) | Diagnostic equipment, diagnostic systems, diagnostic methods and programs | |
| JP2023164467A (en) | Diagnostic device, diagnostic method, program and diagnostic system | |
| US12154590B2 (en) | Data processing method, data processing device, and program | |
| JP7127304B2 (en) | Diagnostic device, diagnostic method and program | |
| JP6882397B2 (en) | Abnormal noise detection system, equipment, method and program | |
| JP7225984B2 (en) | System, Arithmetic Unit, and Program | |
| US8942939B2 (en) | Real-time detection system and the method thereof | |
| JP7377387B1 (en) | Abnormality detection system, device, method and program | |
| US20220364959A1 (en) | Determination apparatus, machining system, determination method, and recording medium | |
| CN114242085A (en) | Fault diagnosis method and device for rotating equipment | |
| JP2008087093A (en) | Abnormality detecting device for machine tool | |
| JP2025145179A (en) | Diagnostic device, processing system, diagnostic method and program | |
| JP6790520B2 (en) | Diagnostic equipment, diagnostic systems, diagnostic methods and programs | |
| JPWO2020157818A1 (en) | Diagnostic device and equipment equipped with it and diagnostic method | |
| JP6822242B2 (en) | Diagnostic equipment, diagnostic systems, diagnostic methods and programs | |
| JP2022145537A (en) | Determination device, determination method, program, and processing system | |
| JP2021086588A (en) | Diagnosis device, diagnosis device control method and program | |
| US20220176509A1 (en) | Method for inspecting normality of a spindle of a machine tool | |
| JP2003057210A (en) | Failure diagnosis method and device | |
| JP2006153760A (en) | Periodic motion body state monitoring method, monitoring device, monitoring system, computer program, and recording medium | |
| WO2021186597A1 (en) | Signal analysis device, signal analysis method and recording medium | |
| JP2025136177A (en) | Abnormality determination device, machining system, program, and abnormality determination method | |
| Ic et al. | Using the audio signal frequencies synthesized from the process to improve the computer-numeric control machining quality in precision manufacturing |