2022 Fiscal Year Annual Research Report
Development of grinding wheel surface analysis system enabling on-board measurement using deep learning (CNN)
| Project/Area Number |
20K04205
|
|---|
| Research Institution | Sasebo National College of Technology |
|---|
Principal Investigator |
川下 智幸 佐世保工業高等専門学校, 電子制御工学科, 教授 (00270380)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
坂口 彰浩 佐世保工業高等専門学校, 電子制御工学科, 教授 (00332099)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 砥粒加工 / 研削加工 / 砥面画像 / 画像解析 / ディープラーニング / 深層学習 / 機械学習 / 畳み込みニューラルネットワーク |
|---|
| Outline of Annual Research Achievements |
ダイヤモンド砥石を用い，工作物として超鋼合金を対象に，ドレッシング後から研削加工を実施した．その加工過程においては，砥石作業面の画像（全周同一位置）を機上計測により取得し，砥面の変化形態について解析を行った．解析には，畳み込みニューラルネットワーク（以下，CNNと記す）と呼ばれる深層学習（ＡＩ）の代表的な手法の1つを用いた．CNNでは，砥面状態を①ドレッシング直後，②砥粒切れ刃摩耗面増大切れ刃，③砥粒切り刃が極端に集中している領域，④砥粒切れ刃が極端に少ない領域の４分類にわける学習器を構築した．その学習器では，各分類状況の画像をそれぞれ1000枚程度準備して機械学習を行い，評価したところ85～90％程度の高い精度で構築することができた．その後，その学習器を用いて砥石作業面全域を解析対象として，研削過程における砥面画像の変化状況について解析を行った．その結果，ドレッシング後から研削が進む過程において，4つに分類した砥面状態の占める割合は変化していることがわかった．特に，③砥粒切り刃が極端に集中している領域は，さらに研削を進めると，脱落が発生する割合が極めて高く，その後はその領域で，新しい砥粒切れ刃の生成が確認された.砥石の結合剤はレジンボンドであるが，最外周面に砥粒切れ刃が多数揃った場合は，集中する負荷と結合剤の保持力の関係で脱落が発生し，新たな砥粒切れ刃の生成につながっていると推察している．このことから，砥石全周域において，③砥粒切り刃が極端に集中している領域の占める割合が一定の場合は安定的な研削が維持できており，その割合が不均一になった場合は，再ドレッシングのタイミングなるのではないかと考えている．2021年度はＣＢＮ砥石を，2022年度はダイヤモンド砥石を測定対象として検証を行ったが，両タイプの砥石でもディープラーニング（CNN）を用いた解析が有効であることが分かった．
|
Research Products
(4 results)
