An Intelligent CNC Machine Tool Based on Random Forests Parameters Prediction Model

現代の製造業の世界において、デジタル設計から金属やプラスチックの物理的な部品への道のりは、CNC（コンピュータ数値制御）として知られる特定の種類の自動化機械に大きく依存しています。これらの機械は産業界の主力であり、人間の手には真似できない精度で複雑な形状を削り出すことができます。これらを動作させるためには、エンジニアはGコードと呼ばれる一連の指示書を作成しなければなりません。この指示書は、切削工具をどのように動かすか、どのくらいの速さで回転させるか、そして材料にどの程度の深さで食い込ませるかを機械に正確に伝えます。何十年もの間、これらの送り速度（スピード・アンド・フィード）の設定は、高度なスキルを持つ専門家のみに許された業務でした。これらのスペシャリストは、機械がどのように振る舞うべきかを決定するために、長年の経験と一般的な経験則に頼ってきました。この手法は機能してはいるものの、時間がかかり、一貫性に欠け、単にオペレーターごとに習慣が異なるという理由だけで、同じ作業であっても機械ごとに異なる設定が使用されることがよくあります。製品がより複雑になり、生産サイクルが短縮されるにつれ、業界は、人間の専門知識から得られる品質を損なうことなく、これらのセットアップをより迅速かつ信頼性の高いものにする方法を模索しています。

クロアチアのプーラ大学の研究チームは、人間の経験と自動化された効率性の間の溝を埋めるための新しい方法を提案しました。専門家や機械を置き換えようとするのではなく、彼らは工場現場そのものから学習するシステムを開発しました。研究者たちは、ワークショップ内にある3台の異なるフライス盤からデータを収集し、過去に成功した251件の加工操作を分析しました。彼らはコンピュータプログラムを構築し、これらの過去のジョブのGコードファイルを読み取って、どのような切削が行われたか、どのような材料が使用されたか、そしてどのようなサイズの工具が関与したかを特定しました。これらの記録を研究することで、彼らは新しい未テストのプログラムを見た際に、過去にうまくいった実績に基づいて最適な送り速度と送り量を提案できるデジタルモデルを作成しました。このアプローチは、新しいハードウェアや高価なセンサーを必要としません。単に、オペレーターがすでに作成し、テスト済みのプログラムの中にすでに存在する情報を使用しているだけです。

彼らの手法の核となるのは、ランダムフォレストと呼ばれる一種のコンピュータ学習です。それぞれが異なる視点を持つ専門家のグループを想像してください。彼らは問題に対する最善の答えに投票します。この場合、「専門家」とは、過去のジョブのデータを分析する数学的な決定木のことです。研究者たちは、4つの主要な情報をシステムに投入しました：使用されている特定の機械、切削される材料の種類、実行されている操作の種類、および切削工具の直径です。その後、システムは4つの重要な設定、すなわち、工具を回転させる速度、機械を移動させる速度、切、および切削の深さを予測することを学習しました。研究は、穴あけ、平面加工、輪郭切削、ポケット加工（中ぐり）という4つの一般的なフライス加工の種類に焦点を当てました。彼らは、エンジニアリングプラスチック、具体的にはポリプロピレンと2種類のポリエチレンを用いた部品を用いてこのシステムをテストしました。

結果は、システムが驚くほどの正確さでワークショップの隠れたパターンを学習できることを示しました。モデルは、機械の識別自体が、工具の回転速度を決定する上で最も重要な要因であることを発見しました。これは、機械によってパワーレベルや機械的限界が異なるため、理にかなっています。堅牢で重厚な機械は、軽量な機械よりも高い速度を扱うことができます。工具のサイズは、機械の移動速度と切削の深さを決定する支配的な要因でした。また、操作の種類もすべての予測において重要な役割を果たしました。興味深いことに、切削されている特定のプラスチックの種類は、ほとんどの設定においてほとんど影響を与えませんでした。これは、この文脈においては、機械の能力や工具のサイズの方が材料よりもはるかに影響力が大きいことを示唆しています。システムは特に切削幅の予測に優れており、元の成功したプログラムで使用されていた値とほぼ完全に一致しました。切削の深さについては確信が持てない部分がありましたが、これは理解できることです。なぜなら、深さは一度に除去すべき材料の量に依存することが多く、その詳細はコードだけからは必ずしも明確ではないからです。

最も示唆に富む発見の一つは、人間の習慣がプロセスにいかに影響を与えるかということでした。研究者たちは、異なるオペレーターが同じ機械を使用して同じ材料を切削する場合でも、送り速度や送り量を非常に異なる選択をしていることがよくあることに気づきました。あるオペレーターは攻撃的で、機械を限界まで押し込み、別のオペレーターは保守的で、スピードよりも安全を優先します。これらの個人的な好みは、従来のルールでは捉えきれない幅広いデータを生み出します。しかし、新しいシステムは、この多様な人間の経験を単一の、一貫した推奨事項へと合成することができました。それは単一の「正解」を強制するのではなく、ショップの集合的な履歴に基づいた、最も可能性の高い最適な設定を提案します。研究者たちは、このモデルを2段階のワークフローに統合しました。まず、システムは新しいGコードプログラムを分析し、改善されたパラメータを提案します。次に、これらの提案を人間のオペレーターに提示し、オペレーターは助言を承認、拒否、または修正する全権限を保持します。これにより、最終的な決定が人間の手に残ることが保証され、オペレーターの判断を尊重しつつ、データに基づいた出発点を提供することができます。

この研究は、機械学習モデルが製造現場に蓄積された知識を効果的に抽出し、新しい状況に適用できることを裏付けています。3台の異なる機械における251件の操作を分析することで、研究者たちは、特に主軸回転数と切削幅において、高い信頼性を持って加工パラメータを予測できることを実証しました。システムは、機械の識別と工具の直径がこれらの決定の主要な推進力であることを特定することに成功しました。このモデルは、特に切削の深さが曖昧な場合において、人間の直感に代わる完璧な置き換えにはなり得ませんが、セットアップ時間を短縮し、生産の品質を標準化するための強力なツールとなります。このアプローチはハードウェアの改造を必要とせず、工場がすでに使用している既存のソフトウェアとともに動作します。製造業がより柔軟で自動化されたシステムへと移行する中で、この手法は、過去の成功を活用して将来のパフォーマンスを向上させ、経験豊富なオペレーターの知恵が保存され、生産ライン全体で共有されることを確実にするための実用的な方法を提供します。