1. はじめに

新一輪の産業革命の核心技術はスマート製造——すなわち、製造業のデジタル化・ネットワーク化・知能化——である。米国のインダストリアル・インターネット、ドイツのインダストリー4.0、および中国の製造業の高品質発展の主要な推進方向として、スマート製造は先進情報技術（特に次世代の人工知能技術）と製造技術を深く統合し、新一輪の産業革命を促進する[1]。

工作機械は製造業における「産業の母機」とされ、そのスマート化の水準はスマート製造の実施に重要な影響を及ぼす。工作機械のスマート化を加速し、そのスマート化水準を向上させることは、工作機械業界が直面する転換・高度化の喫緊の要請であるだけでなく、製造強国を築くための鍵であり基盤でもある[2]。

2017年末、中国工程院はスマート製造の三つの基本パラダイムを提唱した[1]：デジタル化製造、デジタル化・ネットワーク化製造、そしてデジタル化・ネットワーク化・インテリジェント化製造——すなわち次世代のスマート製造であり、これによりスマート製造の発展に向けた共通の理念が確立され、方向性が示された。

スマート製造の三つのパラダイムおよび工作機械の発展過程に照らすと、工作機械が従来の手動操作式工作機械からスマート工作機械へと進化する過程も、同様に三つの段階に区分できる。すなわち、デジタル化＋工作機械（numerical control machine tool、NCMT）、すなわちCNC工作機械；インターネット＋CNC工作機械（smart machine tool、SMT）、すなわちインターネット工作機械；そして新世代の人工知能＋インターネット＋CNC工作機械、すなわちスマート工作機械（intelligent machine tool、IMT）である。

第一段階はNC工作機械である。その主な特徴は、人間と手動工作機械の間にNCシステムを導入し、人的な肉体労働をNCシステムに引き継がせたことである。

第二の段階は「インターネット＋工作機械」である。その主な特徴は、ネットワーク化をはじめとする情報技術とNC工作機械の融合であり、これにより工作機械に感知機能および接続機能が付与され、人間の一部の感知能力や一部の知識に基づく知的作業の一部がNCシステムによって担われるようになる。

第三の段階はスマート工作機械である。その主な特徴は、次世代の人工知能技術がCNC工作機械に統合され、工作機械に学習能力を付与して知識を生成・蓄積できるようにすることである。人間の知識を学習するような頭脳労働は、CNCシステムによって担われるようになる。

工作機械の発展に関する分析に基づき、本論文で検討する研究内容は以下のとおりである。第2章では、工作機械からスマート工作機械への進化過程を詳細に紹介し、第3章では、スマート工作機械の制御原理（主要なキーエンアビリティ技術を含む）、主な特長および四つの機能特性について重点的に論じる。第4章では、スマートCNCシステムおよびスマート工作機械の工業試作機の実践例を具体的に示し、さらにスマート化技術の適用事例を通じて、スマート工作機械およびスマート化技術の実現可能性と有効性を検証する。最後に、第5章において全編を総括する。

 

2. 工作機械からスマート工作機械への進化

手動工作機械（manually operated machine tool、MOMT）は、工作機械の最も初期の形態であり、人間と工作機械との物理的システムの統合である。作業者は脳による感覚と意思決定を通じて両手で工作機械を操作し、部品の加工を実施する。手動工作機械における加工プロセスは、情報の感知・分析・意思決定および操作制御のすべてを人間が行い、典型的な「人－機システム」（human–physical systems、HPS）を構成している[1]。手動工作機械の制御原理の抽象的な説明は、図1に示されている。

 

図1.（a）手動工作機械の制御原理；（b）手動工作機械から構成される「人－機システム」（HPS）[1]。

工作機械は、手動式からスマート工作機械へと発展する過程で、NC工作機械、インターネット＋工作機械、そしてスマート工作機械の3つの段階に分かれます。

 

2.1. デジタル制御工作機械

デジタル制御技術の発展に伴い、手動式工作機械はCNC工作機械へと進化しました。人間と工作機械の間にCNCシステムを導入することで、加工情報がGコードとしてCNCシステムに入力され、CNCシステムが人間に代わって工作機械を操作し、工作機械の運動制御を実現します。

NC工作機械は「人－情報－機械システム」（human-cyber-physical systems、HCPS）[1]であり、すなわち「人」（human）と「機械」（physical）の間に情報システム（cyber system、すなわちNCシステム）が追加されている。NC工作機械の制御原理の抽象的記述は図2に示すとおりである。

 

図2.（a）NC工作機械の制御原理；（b）NC工作機械の「人－情報－機械システム」（HCPS）[1]。

マニュアル式工作機械と比較すると、NC工作機械に生じた本質的な変化は、人間と工作機械の物理的実体の間にNCシステムが追加された点である。NCシステムは、工作機械の加工プロセスにおいて重要な役割を果たす。NCシステムは人的な肉体労働に代わり、工作機械を制御して加工タスクを遂行する。

しかし、NC工作機械はあくまでGコードによって工具とワークの軌跡制御を実現しているにすぎず、切削力、慣性力、摩擦力、振動、熱変形、さらには環境変化といった工作機械の実際の加工状態に関するセンシング機能やフィードバック機能、ならびに学習に基づくモデル構築機能を欠いているため、理論的な加工パスから実際のパスが逸脱するといった問題が生じ、結果として加工精度、表面品質および生産効率に悪影響を及ぼしています。したがって、従来のNC工作機械の知能化レベルは必ずしも高くありません。

 

2.2. インターネット＋工作機械

近年、インターネット＋技術の継続的な進展およびインターネットとNC工作機械の融合的発展に伴い[3,4]、インターネット、モノのインターネット、スマートセンシング技術がNC工作機械の遠隔サービス、状態監視、故障診断、保守管理などの分野へ導入され始め、国内外の工作機械メーカーによって一定の研究と実践が行われている[5,6]。マザック社、オークマ社、DMG-MORI社、ファナック社、瀋陽工作機械株式会社などは、それぞれ独自のインターネット＋工作機械を相次いで市場に投入している[7]。

「インターネット＋センサー」は、インターネット＋工作機械の典型的な特徴であり、主にCNC工作機械の感知能力の不足と情報の接続・相互接続が困難であるという課題を解決します。

CNC工作機械と比較すると、インターネット＋工作機械はセンサーを追加することで加工状態の感知能力を向上させ、産業用インターネットを活用して設備間の接続・相互接続を実現し、工作機械の状態データの収集と集約を可能にします。さらに、収集されたデータを分析・処理することにより、工作機械の加工プロセスに対してリアルタイムまたは非リアルタイムのフィードバック制御を実現します。インターネット＋工作機械の制御原理の抽象的な説明は図3に示されています。

 

図3.（a）インターネット＋工作機械制御の原理；（b）デジタル化・ネットワーク化された製造システム「人－情報－機械システム」[1]。

インターネット＋工作機械は一定の知能化水準を備えており、その主な特徴は以下のとおりである：

（1）ネットワーク化技術とNC工作機械の融合が進んでいる。2006年には、米国機械製造技術協会（AMT）が工作機械設備の相互接続・通信を目的としたMT-Connectプロトコルを提案した[8,9]。2018年には、ドイツ工作機械メーカー協会（VDW）が、通信規格OPC Unified Architecture（UA）に基づく情報モデルを基盤として、ドイツ版のNC工作機械間連携通信プロトコルUmatiを策定した[10]。一方、華中数控は国内のNCシステム企業と共同でNC工作機械間連携通信プロトコルNC-Linkを提案し、製造工程における加工パラメータ、設備状態、業務フロー、マルチメディア間の情報および製造プロセス全体の情報フローの伝送を実現した。

（2）製造システムはプラットフォーム化の方向へと進み始めている。海外企業は相次いでビッグデータ処理向けの技術プラットフォームを投入している。GE社は製造業向けの産業インターネット・プラットフォームであるPredixを発表し[11]、シーメンス社はオープンな産業クラウド・プラットフォームであるMindsphereをリリースした[12]。一方、華中数控は先駆的にCNCシステム向けのクラウドサービスプラットフォームを立ち上げ、CNCシステムの二次開発に向けた標準化された開発手法および加工プロセスモジュールの統合手法を提供している。現在、これらのプラットフォームは主に産業インターネット、ビッグデータ、クラウドコンピューティングといった技術層にとどまっているが、インテリジェント化技術の進展に伴い、それらがスマート工作機械への応用へと展開する可能性と趨勢が見られる。

（3）知能化機能が初歩的に実現されている。海外では、2006年に日本のマザック社が、能動的振動制御、スマート熱バリア、スマート安全バリア、音声による案内といった4つの知能機能を備えたNC工作機械を展示した。また、DMG MORI社はCELOSアプリケーション拡張のオープン環境を導入し、ファナック社はスマート自己適応制御、スマート負荷計、スマート主軸の加減速、スマート熱制御などのスマート工作機械制御技術を開発した。ハイデンハイン社のTNC640 NCシステムには、高速輪郭フライス加工、動的モニタリング、動的高精度などといった知能化機能が搭載されている。国内では、華中数控のHNC-8 NCシステムが、加工パラメータの最適化、誤差補償、工具折損監視、工作機械の健全性保証などの知能化機能を統合している。

「インターネット＋工作機械」はすでに十数年にわたり発展し、一定の研究および実践成果を挙げてきたものの、現時点ではまだ、単純な感知・分析・フィードバック・制御の一部が実現されているにすぎず、人間の知的労働を代替する水準には遠く及んでいない。理論モデルの構築やデータ分析を人間の専門家に過度に依存しているため、工作機械には真のインテリジェンスが欠如しており、その結果、知識の蓄積が困難で遅々として進まず、さらに技術の適応性と有効性も十分でない。その根本的な原因は、工作機械が自律的に学習し、知識を生成する能力において、依然として実質的な飛躍的進展が達成されていないことにある。

 

2.3. スマート工作機械

新世紀に入って以来、モバイルインターネット、ビッグデータ、クラウドコンピューティング、モノのインターネットなどの次世代情報技術は日進月歩で急速に発展し、一挙に飛躍的な進展を遂げました。これらの技術革新は、とりわけ次世代人工知能技術における戦略的ブレークスルーに集約されており、その本質的特徴は、知識の生成・蓄積・活用という能力を備えている点にあります。

次世代の人工知能と先進製造技術が深く融合して生み出された次世代のスマート製造技術は、新たな産業革命の核心的原動力となっており、工作機械がスマート工作機械へと進化し、真のスマート化を実現するための重大なチャンスも提供しています。

スマート工作機械とは、次世代情報技術を基盤とし、次世代の人工知能技術と先進製造技術を深く統合して開発された工作機械である。同機械は、自律的なセンシングおよびネットワーク接続を通じて、工作機械自体、加工プロセス、稼働状態、周辺環境に関する情報を収集し、さらに自律的な学習とモデル構築により知識を生成する。そして、その知識を活用して自律的な最適化と意思決定を行い、自律的な制御と実行を実現することで、加工・製造プロセスを高品質・高効率・安全・信頼性・低消費という複数の目標に沿った最適化運転へと導く。

 

図4. スマート工作機械の定義。

次世代の人工知能技術を活用して工作機械に知識の学習・蓄積・活用能力を付与することで、人間と工作機械との関係は根本的に変化し、従来の「魚を与え続ける」方式から「魚の釣り方を教える」方式への抜本的な転換が実現した[1]。

 

3. 新世代の人工知能に基づくスマート工作機械

 

3.1. スマート工作機械の制御原理

2.3節で示したスマート工作機械の定義に基づき、本稿では、スマート工作機械の自律的センシングと接続、自律的学習とモデリング、自律的最適化と意思決定、ならびに自律的制御と実行に関する原理および実現方案を提案し、図5に示す。

 

図5. スマート工作機械の制御原理。

3.1.1. 自律的な感知と接続

CNCシステムは、CNC装置、サーボドライブ、サーボモータなどの構成要素からなり、工作機械が切削加工などの作業タスクを自動的に実行するための核心的な制御ユニットである。CNC工作機械の運転中に、CNCシステム内部では指令制御信号およびフィードバック信号から構成される大量の原始的な電気制御データが生成される。これらの内部電気制御データは、工作機械の作業タスク（あるいは稼働状態と呼ぶ）および運転状態をリアルタイムで定量的かつ高精度に記述したものである。したがって、CNCシステムは物理空間におけるアクチュエータであると同時に、情報空間におけるセンサでもある。

CNCシステム内部の電気制御データは、センシングの主要なデータ源であり、これには工作機械内部の電気制御に関するリアルタイムデータが含まれます。具体的には、部品加工におけるGコードによる補間のリアルタイムデータ（補間位置、位置追従誤差、送り速度など）や、サーボおよびモータのフィードバックに基づく内部電気制御データ（主軸出力、主軸電流、送り軸電流など）が含まれます（図5参照）。さらに、CNCシステム内部の電気制御データと外部センサーから取得したデータ（温度、振動、ビジョンなど）およびGコードから抽出された加工プロセスデータ（切り幅、切り込み深さ、材料除去率など）を自動的に統合することで、CNC工作機械の自律的なセンシングが実現されます。

スマート工作機械の自律的センシングは、「指令域オシロスコープ」および「指令域分析手法」[3]を用いて、加工状態と機械の状態データとの間の相関関係を確立することにより実現される。さらに、「指令域」ビッグデータ集約手法を活用して加工プロセスデータを収集し、NC-Linkを通じて工作機械同士の相互接続とビッグデータの集約を実現することで、工作機械のライフサイクル全体にわたるビッグデータが構築される。

3.1.2. 自主学習とモデリング

自律学習とモデリングの主な目的は、学習を通じて知識を生成することである。NC加工に関する知識とは、工作機械が加工実践において入力し、それに応答する法則のことである。モデルおよびその内部のパラメータは知識の担い手であり、知識の生成とは、パターンを構築し、モデル内のパラメータを特定するプロセスである。自律的なセンシングと接続によって得られたデータを基に、ビッグデータプラットフォームに統合された次世代の人工知能アルゴリズムライブラリを活用し、学習を通じて知識を生成する。

自律学習およびモデリングの文脈において、知識の生成手法は以下の3種類に分類される。すなわち、物理モデルに基づく工作機械の入力／出力間の因果関係を扱う理論的モデリング、工作機械の作業タスクと運転状態との関連性に着目したビッグデータによるモデリング、ならびに工作機械のビッグデータと理論的モデリングを統合したハイブリッドモデリングである。

自律学習とモデリングにより、工作機械の空間構造モデル、工作機械の運動学モデル、工作機械の幾何誤差モデル、熱誤差モデル、NC加工制御モデル、工作機械の加工プロセスシステムモデル、工作機械の動力学モデルなどを構築することが可能であり、これらのモデルは同一型式の他の工作機械とも共有できる。これらのモデルは工作機械のデジタルツインを構成し、図5に示すとおりである。

3.1.3. 自律的な最適化と意思決定

意思決定の前提は、正確な予測である。工作機械が新たな加工タスクを受け取った際には、前述の工作機械モデルを用いて、その応答を予測する。この予測結果に基づき、品質向上、プロセス最適化、健全性確保、生産管理といった複数の目標に対する反復的最適化を実施し、最適な加工意思決定を導き出す。さらに、最適化および意思決定に関する情報を内包したインテリジェント制御iコードを生成し、これを加工の最適化に活用する。自律的な最適化と意思決定とは、モデルを用いた予測とそれに基づく意思決定の最適化を行い、最終的にiコードを生成するプロセスである。

iコードは、NC工作機械の自律的な最適化および意思決定を実現するための重要な手段である。従来のGコードとは異なり、iコードは指令領域に対応した多目的最適化加工を実現するインテリジェント制御コードであり、特定の工作機械における運動計画、動的精度、加工プロセス、工具管理などに関する多目的最適化制御戦略を精密に記述したもので、製造資源の状態の変化に応じて不断に進化していく。iコードの詳細な原理および概要については、関連特許[13]を参照されたい。

3.1.4. 自律的制御と実行

デュアルコード連携制御技術を活用し、従来のNC加工における幾何軌跡制御に基づくGコード（第1コード）と、複数の加工最適化に関する意思決定情報を含むインテリジェント制御iコード（第2コード）の同期実行を実現することで、Gコードとiコードのデュアルコード連携制御を実現し、スマート工作機械が高品質・高効率・高信頼性・高安全性かつ低消費のNC加工を達成できるようにします。図5に示すとおりです。

 

3.2. スマート工作機械の特徴

CNC工作機械や「インターネット＋工作機械」に比べて、スマート工作機械はハードウェア、ソフトウェア、インタラクション方式、制御指令、知識の獲得などにおいて大きな違いがあり、詳細は表1をご参照ください。

 

表1 数値制御工作機械、インターネット＋工作機械およびスマート工作機械

 

3.3. スマート工作機械の主な知能化機能の特徴

異なるスマート工作機械の機能は千差万別であるが、その追求する目標は一貫している。すなわち、高精度・高効率・安全性と信頼性の向上、そして低消費である。工作機械のスマート化機能もまた、上述の四つの目標に沿って、品質の向上、加工プロセスの最適化、稼働状態の保全、生産管理の四つの大分類に分けられる。

（1）品質の向上：加工精度および表面品質の向上。加工精度の向上は、工作機械の発展を牽引する第一の原動力である。そのため、スマート工作機械には、加工品質の保証・向上機能が備わるべきであり、具体的には、工作機械の空間幾何誤差補償、熱誤差補償、運動軌跡の動的誤差予測と補償、二重デジタル制御による曲面の高精度加工、精度／表面平滑性を優先したNCシステムのパラメータ最適化などの機能が含まれる。

（2）プロセス最適化：加工効率の向上。プロセス最適化とは、工作機械固有の物理特性および切削の動的特性に基づいて加工パラメータを自己適応的に調整することにより、品質優先、効率優先、ならびに工作機械の保護といった特定の目的を達成することを主な目的とする。具体的な機能としては、自己学習・自己成長型の加工プロセスデータベースの構築、プロセスシステムの応答モデルの構築、インテリジェントなプロセス応答予測、切削負荷に基づく加工プロセスパラメータの評価・最適化、加工振動の自動検出および自己適応制御などが挙げられる。

（3）健康保証：設備の健全性と安全性の確保。工作機械の健康保証は、主に工作機械の寿命予測および健康管理の課題を解決し、工作機械の高効率で信頼性の高い運転の実現を目的とする。スマート工作機械には、機械全体および各部品レベルでの健康状態の指示機能に加え、健康保証機能を開発するためのツールキットが備わっている。具体的な機能としては、主軸・送り軸のスマートメンテナンス、工作機械の健康状態の検出と予知保全、工作機械の信頼性に関する統計的評価と予測、保守知識の共有および自己学習などが挙げられる。

（4）生産管理：管理および運用の効率向上。生産管理に係るスマート化機能は、主に工作機械の加工プロセスの最適化と、製造プロセス全体における時間および資源の低消費を実現する。スマート工作機械における生産管理関連のスマート化機能は、主に工作機械の状態監視、スマート生産管理、および工作機械の操作・制御の各カテゴリーに分類される。具体的な機能としては、加工状態（工具折損、切りくずの巻き付き）のスマート判定、工具の摩耗・破損のスマート検出、工具寿命のスマート管理、工具・治具およびワークのID識別と状態のスマート管理、補助装置の低炭素型スマート制御などが挙げられる。

 

4. スマートCNCシステムとスマート工作機械のエンジニアリング実践

HCPSの三元モデル[14]によれば、生産現場におけるNC工作機械においては、工作機械が主体であり、NCシステムが主導的役割を果たし、人間がその支配者である。手動工作機械からNC工作機械へ、さらにスマート工作機械へと移行する過程で、最も大きな変化はNCシステムの役割が一層強化されていく点にある。工作機械のスマート化の程度は、主としてその主導的存在であるNCシステムのスマート化の程度に依存する。したがって、スマート工作機械には、それに相応しいインテリジェントNCシステム（intelligent numerical controller, INC）を装備する必要がある。

 

4.1. スマートCNCシステム

本稿では、スマートCNCシステムの工学試作機である華中9型INCを開発した。その設計案およびプラットフォームアーキテクチャは図6に示すとおりである。INCにおいては、CNC装置、サーボドライブ、モータおよびその他の補助装置がLocalNCを構成し、これがCNC工作機械のローカル部分として機能して、CNC工作機械のリアルタイム制御を実現する。

 

図6. INCシステムのアーキテクチャ。

従来のNCシステムが備えるすべての機能を実現するだけでなく、INCはさらにインテリジェント化に不可欠な最低限のセンシング能力を有し、制御プロセスにおける指令データ、応答データおよび必要な外部センサーデータ（温度、振動、映像信号など）のリアルタイム収集と伝送を実現しなければならない。

INCはNCUC2.0バスを介して、サーボドライブ、スマートモジュール、外部センサーなど多様な情報源からのデータを取得・認識します。さらに、NC-Linkを活用して工作機械、産業用ロボット、AGV搬送車、スマートモジュールなどの各種設備と接続し、ビッグデータを収集してINC-Cloudクラウドプラットフォームに保存します。

INCでは、物理的な工作機械の応答モデルを構築してデジタルツインを形成し、これにより知能化機能を実現することがその主な特徴である。INCのシステムアーキテクチャにおいては、物理的な工作機械とCNCシステムに対応するデジタルツインモデルであるCyber MTおよびCyber NCを構築しており、これらは仮想空間上で実世界のPhysical MTおよびLocal NCの動作原理と応答特性をシミュレートできる。PhysicalとCyberの融合として、INCには従来のCNCの物理的実体に加え、Cyber NCおよびCyber MTも含まれており、これらがINCによる知能化実現の鍵となっている。

 

4.2. スマート工作機械の試作機

INCインテリジェントCNCシステムを基盤とし、S5H精密加工工作機械、BL5-C旋盤、BM8-Hフライス盤を主力機として、本研究で提案する3種類のインテリジェント工作機械の工業試作機を製作した。図7に示すとおり、これらはそれぞれ3つの観点から本論文で提案したインテリジェンス化の実現技術を検証している。

 

図7. INCに基づくスマート工作機械の試作機。（a）S5H精密加工工作機械；（b）BL5-Cスマート旋盤；（c）BM8-Hスマートフライス盤。

S5H精密工作機械は、大理石製のベッドを採用し、ガントリー構造を採用しています。各送り軸にはリニアモータ駆動を採用し、高精度の光格子尺を装備しています。さらに、主軸、ベッド、冷却液のそれぞれに対して恒温制御を行う独立した3系統の温度制御システムを導入しています。主軸およびベッドには計18個の温度センサーを設置し、主軸前端軸受と作業台には合計3個の振動センサーを搭載しています。本機の位置決め精度は1 μm未満、繰り返し位置決め精度は0.5 μm未満です。S5H精密加工工作機械は、Cyber NCとデュアルコード連携制御に基づく金型加工品質最適化技術の検証に使用されています。

BL5-C型旋盤は傾斜床構造を採用しており、工作機械の各部は X 向と Z 送り軸（軸受座、ナット座）、主軸（軸受）、ベッドなど重要な部位に温度センサーを設置して工作機械の温度変化を測定し、主軸（軸受）の筐体には振動センサーを設置して振動周波数を測定する。工作機械 X 向と Z 送り軸に光格子尺を搭載し、完全なクローズドループ制御を実現する。本工作機械の位置決め精度は6 μm未満、繰り返し位置決め精度は3 μm未満、旋削加工後のワークの円筒度は2 μm未満である。BL5-C旋盤は、ビッグデータおよび深層学習に基づく旋削加工の工程パラメータ最適化技術の検証に用いられる。

BM8-Hフライス盤には、各送り軸のスピンドルナット、ベアリングホルダー、モーターマウント部に計9個の温度センサーを設置し、主軸ボックスには4個の温度センサーを搭載して、工作機械の熱変形を監視しています。また、主軸と作業台上にそれぞれ1個ずつ3軸振動センサーを設置し、各送り軸には高精度の光格子尺を装着してフルクローズドループ制御を実現しています。本機の位置決め精度は10 μm未満、繰り返し位置決め精度は8 μm未満です。BM8-Hフライス盤は、動力学と深層学習に基づく工作機械の送りシステムのハイブリッドモデリングおよび誤差補償技術の検証に用いられています。

 

4.3. スマート工作機械の主なインテリジェント化の導入事例

4.3.1. Cyber NC およびデュアルコード連携制御に基づく金型加工品質の最適化

本ケーススタディは、INC社のS5H精密工作機械を用いて実施し、典型的な金型試作部品であるMercedes（図8）を事例として、デジタルツインおよびデュアルコード連携制御技術が曲面加工の表面品質の最適化に及ぼす効果を検証しました。

 

図8. メルセデスの試験片。

S5H精密工作機械の幾何学的・構造的パラメータを基に、NC装置のパラメータレベルにおけるデジタルツインであるCyber NCを構築する。NC装置の物理的実体とCyber NCは補間の観点から完全に等価であり、曲面加工プログラムによって生成される補間命令についても完全に一致している。

実際の加工に先立ち、金型加工用GコードはCyber NC上でシミュレーションおよび最適化が行われます。最適化の目標として、補間軌跡の滑らかさと指令送り速度の横方向における一貫性の確保を掲げ、最適化の反復計算を繰り返して補間軌跡および速度計画指令を継続的に修正し、目標が達成されるまで調整を重ねたうえで、その最適化結果に基づいてiコード指令を生成します。実際の加工では、Gコードと最適化結果を反映したiコードがNCシステム上で同時に実行され、両コードの連携制御により加工が完了します。

最適化前後の効果は図9に示すとおりである。実験の結果、トゥインニングモデルに基づくシミュレーションとデュアルコード連携制御を組み合わせた手法を用いることで、送り速度の横方向の一貫性が顕著に向上し、その結果、部品表面の加工品質が向上することが確認された。観察の結果、最適化後には加工部品の形状特徴がより明瞭になり、一貫性が向上し、元のCADモデルとの一致度も高まっていることが明らかになった[図9（b）]。

 

図9. メルセデス試験片の領域Aにおける最適化前後の比較。（a）送り速度のスペクトル図[15]；（b）加工表面品質。

4.3.2. ビッグデータ学習に基づく旋削加工の工程パラメータ最適化

NC加工においては、加工条件の最適化が極めて重要であり、これにより部品の加工品質、加工効率、工作機械および工具を含む製造資源の寿命などが影響を受ける[16,17]。加工条件の最適化については、現在までに多くの関連研究が行われている。その一つのアプローチとして、工作機械の加工過程における切削力や切削安定性などの理論的モデリングを通じて、加工条件の最適化を実現する方法がある[18]。また、理論的分析に基づくモデリングによる加工条件の最適化に加え、近年ではビッグデータモデルに基づく加工条件の最適化手法も登場している[19,20]。

本ケースは、INC社のBL5-C型インテリジェント工作機械において実施され、CNC加工プロセスデータを活用して工作機械の加工システム応答モデルを構築し、ビッグデータに基づく加工プロセス知識の学習・蓄積・活用手法の実現可能性と有効性を検証した。具体的な手順は以下のとおりである：

（1）当該旋盤の加工システムの応答特性を記述するモデルとしてBPニューラルネットワークを採用し、モデルの入力は切削深さ、切削半径、材料除去量を含む5つの加工パラメータ、出力は主軸出力とし、その構造は図10に示すとおりである。

 

図10. BL5-C旋盤の加工パラメータ——主軸出力応答を表すBPニューラルネットワークモデル。

（2）当該型の旋盤で実際の生産において頻繁に加工される部品を選定し、加工中の指令領域に関するビッグデータを収集する。そのうちの主軸出力データから定常状態のデータを抽出し、これをニューラルネットワークの出力側の学習サンプルとする。さらに、指令領域解析手法を用いて、定常状態のサンプルに対応する切削条件——切込み量、送り速度、材料除去量、主軸回転数、旋回半径など——を抽出し、これをニューラルネットワークの入力側の学習サンプルとする。このようにして定常状態のサンプルを繰り返し抽出しながらニューラルネットワークモデルを学習させると、加工が進行するにつれて、同モデルは加工時の主軸出力を予測する能力を徐々に獲得し、すなわち当該工作機械の旋削における主軸出力をシミュレートするモデルが構築される。

（3）新たな加工対象部品（形状および加工条件が異なる部品）については、実際の加工に先立ち、当該モデルを用いてシミュレーション・反復・最適化を実施する。表2に示す部品について、最大許容主軸出力および出力の変動を制約条件として設定し、加工効率の最適化を行った。最適化前後の送り速度と主軸出力の推移はそれぞれ図11（a）、（b）に示されており、加工時間は表2に示されている。その結果、制約条件を満たす条件下で、最適化後の加工時間が最適化前と比べて27.8％短縮されたことが明らかとなった。

 

表2 最適化結果

 

図11. 最適化前後の結果。（a）送り速度；（b）主軸出力。

4.3.3. 動力学および深層学習に基づく工作機械送りシステムのハイブリッドモデリングと誤差補償

工作機械の送り系統のモデリングは、制御戦略の最適化、パラメータ設定および輪郭誤差の事前補償を実現し、送り系統の動的応答性能を向上させるための基盤である[21,22]。理論的分析に基づき、Erkorkmaz および Altintas [23] は、送り系統に対して数学的・物理的な解析を実施し、不偏最小二乗法と摩擦力モデルを用いて送り系統の動的パラメータ同定および摩擦特性の解析手法を確立することで、送り系統のモデルを構築し、高速送りシステムの設計に指針を与えた。一方、理論的モデリング手法とは異なり、一部の研究者はデータ駆動型のモデリング手法に注目している。Huo および Poo [24] は、分線形自己回帰ニューラルネットワークを用いたモデリング手法を提案し、工作機械の送り系統のモデルを構築した。このモデルを用いれば、入力指令位置から工作機械の実際の応答位置を予測することが可能である。Li ら [25] は、深層信頼ネットワーク（DBN）に基づくデータ駆動型のモデリング手法を提案し、逆間隙誤差の予測モデルを構築した。

本ケーススタディは、INC社製のBM8-H型スマートフライス盤を用いて実施し、ビッグデータと多分野にわたる理論的モデリングを組み合わせた手法により工作機械の送り系統のモデルを構築し、工作機械の送り系統のモデリング手法および当該モデルのシミュレーション結果を活用した補償の実現可能性について検討した。その実施手順は以下のとおりである：

（1）BM8-Hスマートフライス盤を実験対象とし、その X と ワイ 軸ワークテーブルの多分野にわたる理論モデル。このモデルには、サーボドライブ、サーボモータ、およびワークテーブルとその機械的伝達部品が含まれる。なかでも、サーボドライブおよびサーボモータのモデルは、それぞれの設計パラメータを用いて構築されている。機械部分のモデルにおける主要なパラメータは表3に示されている。これらのパラメータを正確に同定するため、感度解析を適用して同定の順序を決定し、感度の低いパラメータからデフォルト値を設定したうえで、感度の高い順に逐次パラメータの同定を行う。パラメータの理論的な分布範囲および同定結果は表3に示されている。

 

表3 識別パラメータおよびその識別範囲

半径50 mm、送り速度3000 mm·minで ^{マイナス1} 円軌跡を用いて本モデルの予測精度を検証した結果は図12（b）に示されており、最大輪郭誤差は10.07 µmであった。

 

図12. （a）円形輪郭の指令輪郭、実際の輪郭、動力学モデルによるシミュレーション結果および混合モデルによる予測輪郭；（b）円形輪郭における動力学モデルのシミュレーション誤差（赤色）、混合モデルの予測誤差（青色）。

（2）予測精度をさらに向上させるため、図13に示すようなハイブリッドモデルを設計する。このモデルは、基礎モデルと偏差モデルの二つの部分から構成されている。基礎モデルとは、（1）の手順で得られた多分野理論モデルである。一方、偏差モデルは6層のニューラルネットワークモデルであり、その入力端には送りシステムの指令シーケンスと多分野理論モデルによるシミュレーション予測シーケンスが接続され、出力端にはシミュレーション予測値と実測値との差分シーケンスが得られる。から X 、軸ワークテーブルが各種輪郭軌跡を走行する際の指令データおよび実測エンコーダーデータからサンプルを抽出し、 X 、 ワイ 各軸の偏差モデルを個別に学習することで、それぞれの偏差モデルを取得することができます。

 

図13. 工作機械の送りシステムの混合モデルの模式図。

そのうち、基礎モデルの主要なモジュールには、APR（自動位置調整器）、ASR（自動速度調整器）、ACR（自動電流調整器）、ならびにモータおよび機械伝動部が含まれる。 r システムコマンドの入力のために、 w 実際の出力のために、 F ₀ 摂動入力として。

（3）輪郭誤差の予測精度は図12（b）に示すとおりで、混合モデルによる予測誤差の最大値は3.21 µmである。これは中程度の精度を要求する工作機械の補償に必要な予測精度要件を満たしている。予測された軌跡に基づく輪郭誤差を用いて円軌道の位置補償を行うと、その効果は図14に示されている。補償前の輪郭誤差は約12.53 µmであったが、補償後には約4.58 µmとなり（63.4%の低減）、この結果から、古典的なマルチドメインモデリングと人工知能における典型的なニューラルネットワークモデルを融合した混合モデリング手法により、工作機械の送り系統の運動制御精度を向上させることができることが示された。

 

図14.（a）円指令輪郭、補償前の実際の輪郭および補償後の実際の輪郭；（b）円輪郭誤差（赤色）と補償後輪郭誤差（青色）。

 

5. まとめと展望

本稿では、次世代の人工知能技術とCNC工作機械との融合・応用について検討し、工作機械が従来のCNC工作機械から「インターネット＋」工作機械を経て「スマート＋」工作機械へと進化する趨勢を分析した。さらに、ビッグデータおよび人工知能技術を活用して、自律的なセンシングと接続、自律的な学習とモデリング、自律的な最適化と意思決定、ならびに自律的な制御と実行を実現する「エンパワーメント」の原理を考察し、工作機械のスマート化の本質は、生産運用過程において自ら知識を生成・蓄積し、それを活用することで高品質・高効率・高信頼性・高安全性・低消費という目標を達成できる点にあることを明らかにした。CNC工作機械にスマート機能を付与するため、本稿では指令領域解析法、ハイブリッド型デジタルツインモデル、およびデュアルコード連携制御の3つのスマート化促進技術を提案し、INC CNCシステムの工学試作機を設計・開発するとともに、3台のスマート工作機械を製作した。これら3台のスマート工作機械を対象として3種類の応用検証を実施した結果、本稿で提案した3つのスマート化促進技術は高い実現可能性と先進性を有しており、曲面加工における表面品質の向上（曲面特徴部における過渡の滑らかさの確保）、加工効率の向上（27.8％の改善）、および送り系統の輪郭誤差の低減（63.4％の低減）といった顕著な効果をもたらすことが示された。

本稿で取り扱う現時点における研究は、スマート工作機械に関する初期的な探求にすぎません。今後さらに深く検討すべき課題としては、加工プロセスから蓄積されるデータから機械学習によるモデリングに適した有効なサンプル（正例および負例）を取得する手法、スマート工作機械の共有・共用・共知を実現するプラットフォーム技術、ならびに工作機械業界のニーズと融合した人工知能技術の生産現場における応用技術が挙げられます。

 

謝辞

本稿の執筆にあたり、中国工程院の周済院士からご指導を賜りましたこと、特に深く御礼申し上げます。本稿は、国家自然科学基金プロジェクト（51675204および51575210）並びに国家科技重大専項04専項課題（2018ZX04035002-002）の支援を受けて完成いたしました。