工具摩耗は、時間や加工回数に比例して一定速度で進むとは限りません。負荷が高い区間では進行が速まり、低い区間では緩やかになるなど、同じ工具寿命の中でも摩耗速度は変化します。今回は、複数の負荷履歴を持つ96本の工具をSynthetic Dataとして生成し、摩耗の進行をtrajectory bundleとして可視化しました。
この図は何を表しているのか
横方向は正規化した工具寿命の進行、縦方向は累積摩耗量です。一本一本の細いgray lineが一つのtool trajectoryです。
Orangeのsegmentはrelative loadが0.68以上になった区間で、そのlinewidthはその時点のwear rateに対応します。高負荷区間で摩耗速度が上がると、trajectoryの傾きも大きくなります。
3本の濃いmonochrome lineは、Steady low、Variable medium、Burst highの各regimeにおけるmedian trajectoryです。色ではなくline styleでregimeを区別しています。薄いenvelopeは各regimeの10–90%範囲です。
可視化から読み取れること
今回の96 toolsでは、median mean loadがSteady low 0.429、Variable medium 0.552、Burst high 0.530でした。Median final wearはそれぞれ0.100、0.134、0.123です。
High-load区間とlow-load区間のwear-rate ratioはtool単位の中央値で1.71倍でした。図中のorange segmentでtrajectoryの傾きが大きくなる構造と一致しています。
Reference wear 0.11へ到達したtoolの割合はSteady low 12.5%、Variable medium 96.9%、Burst high 90.6%でした。
さらに、各toolの平均負荷を保ったまま時間変動だけを除いたflat-load counterfactualと比較すると、final wearのmedian増分はVariable mediumで0.0018、Burst highで0.0050でした。Burst highはVariable mediumよりmedian mean loadが低いにもかかわらず、時間変動による増分が大きくなっています。
この構造をどう解釈するか
今回のData Generating Processでは、wear rateをrelative loadの非線形項、thermal memory、現在のwear levelによる弱いfeedbackから計算しています。
そのため、負荷が高い区間ではwear rateが増え、さらに高負荷が連続するとthermal memoryによってその影響が少し残ります。一方で、摩耗量そのものは物理的整合性を保つため原則として非減少です。
ここで「摩耗が単調ではない」とは、摩耗量が上下するという意味ではなく、摩耗の進行速度が一定ではないという意味で扱っています。
可視化の仕組み
Steady low、Variable medium、Burst highの3種類のload profileを生成しました。
Steady lowは低負荷で比較的均一、Variable mediumは中程度の負荷が周期的に変動し、Burst highは平均負荷を抑えながら2〜3回の高負荷burstを持ちます。
各toolには感度差とwear-rate noiseを与えています。そのため同じregimeでもtrajectoryは完全には一致せず、一つの太い平均線ではなくbundleとして幅を持ちます。
なぜこの可視化方法を選んだのか
平均摩耗量だけを比較すると、最終的にどの程度摩耗したかは分かります。一方、今回見たいのは「摩耗速度がどこで変わり、その違いがどのような経路として蓄積したか」です。
Tool-wear trajectory bundleでは、多数のtrajectoryを残したまま、局所的な加速区間と全体的な枝分かれを同時に表示できます。高負荷区間をaccentすることで、負荷履歴とtrajectory geometryを直接対応させています。
実データへの応用可能性
実データでは、工具ID、加工時刻、切削負荷、主軸電流、振動、温度、加工条件、摩耗量などがあれば、同様のtrajectory structureを探索できる可能性があります。
たとえば平均負荷が似ている工具でも、一時的な高負荷区間の有無によって摩耗速度の変化位置や最終摩耗が異なっていないかを確認できます。
ただし実際の工具摩耗は材質、加工物、切削速度、送り、冷却、工具形状など多くの因子に依存するため、今回のSynthetic DGPをそのまま物理モデルとして利用することはできません。
データと分析方法
今回はSynthetic Dataを使用しています。Tool数は96、1tool 140観測、総観測数は13,440、負荷regimeは3種類、乱数シードは260927です。
Relative load、thermal memory、tool sensitivity、wear-rate noiseから累積wearを生成しました。さらに各toolの平均負荷を固定したflat-load counterfactualを作り、負荷の時間変動だけを除いた場合と比較しています。
Main Visualizationではlife progressionとcumulative wearをtrajectoryとして描き、高負荷区間をaccent segmentとして重ねています。
このVisualization Studyの限界
今回のwear modelはSynthetic Dataのためのphenomenological modelであり、特定の工具材質や加工条件を再現する物理モデルではありません。
Wear rateの非線形係数、thermal memory、wear feedback、high-load threshold、reference wearは今回のStudy用に設定しています。これらのparameterを変えるとtrajectory bundleの形状も変わります。
また、実データでは摩耗測定errorや工具交換による打ち切り、加工条件の同時変化も存在します。そのためVisualization上のaccent区間だけから高負荷が摩耗を因果的に増加させたと結論することはできません。
今回確認しているのは、負荷履歴によって進行速度が変わるDGPでは、多数のtool wearが単一の平均線ではなく複数のtrajectory pathとして現れるという構造です。
まとめ
今回は、工具摩耗の進行速度が負荷条件によって変化する様子をTool-wear trajectory bundleとして可視化しました。
Synthetic Dataでは、低負荷で比較的均一に進む経路、周期的に速度が変わる経路、高負荷burstによって局所的に加速する経路が同じ図の中に形成されました。
この見方は、最終摩耗量だけではなく、摩耗がどの区間で加速し、どのような経路を通って現在の状態へ到達したかを探索するための一つの方法になります。
