JPH1110535A - 砥石寿命判定装置 - Google Patents
砥石寿命判定装置Info
- Publication number
- JPH1110535A JPH1110535A JP16988697A JP16988697A JPH1110535A JP H1110535 A JPH1110535 A JP H1110535A JP 16988697 A JP16988697 A JP 16988697A JP 16988697 A JP16988697 A JP 16988697A JP H1110535 A JPH1110535 A JP H1110535A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- frequency
- envelope
- grinding wheel
- grinding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 230000003746 surface roughness Effects 0.000 claims abstract description 40
- 239000000463 material Substances 0.000 claims abstract description 36
- 230000005236 sound signal Effects 0.000 claims abstract description 36
- 244000145845 chattering Species 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 69
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 17
- 230000000630 rising effect Effects 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 17
- 239000006061 abrasive grain Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 13
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000001902 propagating effect Effects 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000109329 Rosa xanthina Species 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Landscapes
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
(57)【要約】
【課題】 リアルタイムで砥石寿命を判定でき、しかも
被削材の表面粗さを所定の目標値以内とする研削加工に
用いることができる砥石寿命判定装置を提供する。 【解決手段】 周波数解析手段５０により、ＡＥセンサ
１８により検出された超音波の包絡線を表す包絡線信号
ＳENが周波数解析され、ニューラルネットワーク演算手
段５６により、その周波数解析の結果得られた周波数ス
ペクトルに基づいて、研削中の砥石車１０のびびり振動
が推定される。１００ｋHz以上の高い周波数である破砕
音信号の包絡線を表す包絡線信号ＳENが用いられること
によって信号処理が可能な比較的低い周波数とされ、そ
の包絡線信号ＳENの周波数スペクトルに基づいて被削材
１６の表面粗さが大きくなるびびり振動が推定されるの
で、そのびびり振動の推定が高い精度でリアルタイムで
行われ、研削中の砥石車１０の砥石寿命がリアルタイム
で判定される。しかも、びびり振動の推定が高い精度で
行われる結果、被削材１６の表面粗さを所定の目標値以
内とする研削加工に用いることができるようになる。
被削材の表面粗さを所定の目標値以内とする研削加工に
用いることができる砥石寿命判定装置を提供する。 【解決手段】 周波数解析手段５０により、ＡＥセンサ
１８により検出された超音波の包絡線を表す包絡線信号
ＳENが周波数解析され、ニューラルネットワーク演算手
段５６により、その周波数解析の結果得られた周波数ス
ペクトルに基づいて、研削中の砥石車１０のびびり振動
が推定される。１００ｋHz以上の高い周波数である破砕
音信号の包絡線を表す包絡線信号ＳENが用いられること
によって信号処理が可能な比較的低い周波数とされ、そ
の包絡線信号ＳENの周波数スペクトルに基づいて被削材
１６の表面粗さが大きくなるびびり振動が推定されるの
で、そのびびり振動の推定が高い精度でリアルタイムで
行われ、研削中の砥石車１０の砥石寿命がリアルタイム
で判定される。しかも、びびり振動の推定が高い精度で
行われる結果、被削材１６の表面粗さを所定の目標値以
内とする研削加工に用いることができるようになる。
Description
【０００１】
【産業上の利用分野】本発明は、砥石のびびり振動或い
は被削材の表面粗さを推定することに基づいて砥石の寿
命を判定する装置に関するものである。
は被削材の表面粗さを推定することに基づいて砥石の寿
命を判定する装置に関するものである。
【０００２】
【従来の技術】回転する砥石を用いて被削材の表面すな
わち加工面を研削或いは研磨作業する研削盤などにおい
ては、被削材の表面粗さを所定の許容値以下に維持する
ために、被削材の表面粗さを測定し、その被削材の表面
粗さが所定の管理限界値よりも大きくなって砥石寿命
（ドレスインターバル）に到達すると、砥石の目立て作
業すなわちドレッシング作業が実行される。しかし、こ
のような場合では、被削材の表面粗さを一々測定する作
業が必要であるとともに、表面粗さが測定されている間
は、研削作業が中断されねばならないため、近年の自動
化の方向と逆行するという不都合がある。
わち加工面を研削或いは研磨作業する研削盤などにおい
ては、被削材の表面粗さを所定の許容値以下に維持する
ために、被削材の表面粗さを測定し、その被削材の表面
粗さが所定の管理限界値よりも大きくなって砥石寿命
（ドレスインターバル）に到達すると、砥石の目立て作
業すなわちドレッシング作業が実行される。しかし、こ
のような場合では、被削材の表面粗さを一々測定する作
業が必要であるとともに、表面粗さが測定されている間
は、研削作業が中断されねばならないため、近年の自動
化の方向と逆行するという不都合がある。
【０００３】
【発明が解決すべき課題】これに対し、研削作業を一々
中断することなく砥石寿命を判定する方法として、砥石
軸駆動モータの電流値或いは消費電力から砥石寿命を判
定する方法、砥石軸の振動の大きさ等により砥石寿命を
判定する方法、加工音の大きさなどにより砥石寿命を判
定する方法が提案されている。しかしながら、それらの
方法はいずれも被削材の表面粗さとの相関が必ずしも充
分でなく、特に、被削材の表面粗さを比較的小さな目標
値以内とするような比較的精密な研削加工には用いるこ
とができないという欠点があった。
中断することなく砥石寿命を判定する方法として、砥石
軸駆動モータの電流値或いは消費電力から砥石寿命を判
定する方法、砥石軸の振動の大きさ等により砥石寿命を
判定する方法、加工音の大きさなどにより砥石寿命を判
定する方法が提案されている。しかしながら、それらの
方法はいずれも被削材の表面粗さとの相関が必ずしも充
分でなく、特に、被削材の表面粗さを比較的小さな目標
値以内とするような比較的精密な研削加工には用いるこ
とができないという欠点があった。
【０００４】本発明は以上の事情を背景として為された
ものであり、その目的とするところは、リアルタイムで
砥石寿命を判定でき、しかも被削材の表面粗さを所定の
目標値以内とする研削加工に用いることができる砥石寿
命判定装置を提供することにある。
ものであり、その目的とするところは、リアルタイムで
砥石寿命を判定でき、しかも被削材の表面粗さを所定の
目標値以内とする研削加工に用いることができる砥石寿
命判定装置を提供することにある。
【０００５】本発明者等は前記課題を解決するために種
々検討を重ねた結果、砥石による研削は、その砥石の研
削面に露出する多数の砥粒により形成される切れ刃によ
り行われると同時に、被削材との衝突による砥粒の破砕
により切れ刃が次々と再生されることによりその研削が
継続されることから、その砥粒の破砕により放射されて
砥石内を伝播する極めて周波数の高い超音波（アコース
ティックエミッション：ＡＥ）を利用して、切削に関与
して破砕された砥粒数に対応する上記超音波の大きさの
変動が、所定の切削条件下で砥石により研削される被削
材の面粗さに関係する事実を見いだした。本発明はかか
る知見に基づいて為されたものである。
々検討を重ねた結果、砥石による研削は、その砥石の研
削面に露出する多数の砥粒により形成される切れ刃によ
り行われると同時に、被削材との衝突による砥粒の破砕
により切れ刃が次々と再生されることによりその研削が
継続されることから、その砥粒の破砕により放射されて
砥石内を伝播する極めて周波数の高い超音波（アコース
ティックエミッション：ＡＥ）を利用して、切削に関与
して破砕された砥粒数に対応する上記超音波の大きさの
変動が、所定の切削条件下で砥石により研削される被削
材の面粗さに関係する事実を見いだした。本発明はかか
る知見に基づいて為されたものである。
【０００６】
【課題を解決するための第１の手段】すなわち、本第１
発明の要旨とするところは、被削材の研削中に発生する
砥石のびびり振動を推定し、そのびびり振動に基づいて
砥石の寿命を判定する砥石寿命判定装置であって、(a)
前記砥石に含まれる砥粒の破砕に伴って放射されてその
砥石内を伝播する超音波を検出し、その超音波を表す破
砕音信号を出力する破砕音検出装置と、(b) その破砕音
検出装置から出力される破砕音信号の包絡線を表す包絡
線信号を周波数解析して周波数スペクトルを出力する周
波数解析手段と、(c) その周波数解析手段にから出力さ
れる周波数スペクトルであって、前記びびり振動に関連
するピークを含む周波数スペクトルを構成する各周波数
成分を入力信号とし、その入力信号に基づいて前記砥石
のびびり振動を推定するニューラルネットワーク演算手
段とを、含むことにある。
発明の要旨とするところは、被削材の研削中に発生する
砥石のびびり振動を推定し、そのびびり振動に基づいて
砥石の寿命を判定する砥石寿命判定装置であって、(a)
前記砥石に含まれる砥粒の破砕に伴って放射されてその
砥石内を伝播する超音波を検出し、その超音波を表す破
砕音信号を出力する破砕音検出装置と、(b) その破砕音
検出装置から出力される破砕音信号の包絡線を表す包絡
線信号を周波数解析して周波数スペクトルを出力する周
波数解析手段と、(c) その周波数解析手段にから出力さ
れる周波数スペクトルであって、前記びびり振動に関連
するピークを含む周波数スペクトルを構成する各周波数
成分を入力信号とし、その入力信号に基づいて前記砥石
のびびり振動を推定するニューラルネットワーク演算手
段とを、含むことにある。
【０００７】
【第１発明の効果】このようにすれば、破砕音検出装置
により砥石に含まれる砥粒の破砕に伴って放射されて砥
石内を伝播する超音波が検出され、周波数解析手段によ
り、超音波を表す破砕音信号の包絡線を表す包絡線信号
が周波数解析され、ニューラルネットワーク演算手段に
より、その周波数解析の結果得られた周波数スペクトル
に基づいて、上記砥石のびびり振動が推定される。した
がって、本発明によれば、研削中の砥石から発生する超
音波はたとえば１００ｋHz以上の高い周波数であるが、
その超音波を表す破砕音信号の包絡線を表す包絡線信号
が用いられることによって信号処理が可能な比較的低い
周波数とされ、その包絡線信号の周波数スペクトルに基
づいて被削材の表面粗さが大きくなるびびり振動が推定
されるので、そのびびり振動の推定が高い精度でリアル
タイムで行われ、砥石寿命がリアルタイムで判定され
る。しかも、びびり振動の推定が高い精度で行われる結
果、被削材の表面粗さを所定の目標値以内とする研削加
工に用いることができるようになる。
により砥石に含まれる砥粒の破砕に伴って放射されて砥
石内を伝播する超音波が検出され、周波数解析手段によ
り、超音波を表す破砕音信号の包絡線を表す包絡線信号
が周波数解析され、ニューラルネットワーク演算手段に
より、その周波数解析の結果得られた周波数スペクトル
に基づいて、上記砥石のびびり振動が推定される。した
がって、本発明によれば、研削中の砥石から発生する超
音波はたとえば１００ｋHz以上の高い周波数であるが、
その超音波を表す破砕音信号の包絡線を表す包絡線信号
が用いられることによって信号処理が可能な比較的低い
周波数とされ、その包絡線信号の周波数スペクトルに基
づいて被削材の表面粗さが大きくなるびびり振動が推定
されるので、そのびびり振動の推定が高い精度でリアル
タイムで行われ、砥石寿命がリアルタイムで判定され
る。しかも、びびり振動の推定が高い精度で行われる結
果、被削材の表面粗さを所定の目標値以内とする研削加
工に用いることができるようになる。
【０００８】
【課題を解決するための第２の手段】また、本第２発明
の要旨とするところは、研削中の被削材の表面粗さを推
定し、その表面粗さに基づいて砥石の寿命を判定する砥
石寿命判定装置であって、(a) 前記砥石に含まれる砥粒
の破砕に伴って放射されてその砥石内を伝播する超音波
を検出し、その超音波を表す破砕音信号を出力する破砕
音検出装置と、(b) その破砕音検出装置から出力される
破砕音信号の包絡線を表す包絡線信号を発生させる包絡
線信号発生手段と、(c) その包絡線信号発生手段により
発生された包絡線信号からその交流成分の振幅を表す振
幅信号を抽出する振幅信号抽出手段と、(d) 前記包絡線
信号発生手段により発生された包絡線信号からそれを構
成する各周波数成分を表す周波数成分信号を抽出する周
波数成分信号抽出手段と、(e) 前記包絡線信号発生手段
により発生された包絡線信号からその包絡線信号のの強
度を表す強度信号を抽出する強度信号抽出手段と、(f)
前記包絡線信号の交流成分の振幅を表す振幅信号、包絡
線信号の周波数成分を表す周波数成分信号、および包絡
線信号の強度を表す信号強度情報を入力信号とし、その
入力信号に基づいて前記被削材の表面粗さを推定するニ
ューラルネットワーク演算手段とを、含むことにある。
の要旨とするところは、研削中の被削材の表面粗さを推
定し、その表面粗さに基づいて砥石の寿命を判定する砥
石寿命判定装置であって、(a) 前記砥石に含まれる砥粒
の破砕に伴って放射されてその砥石内を伝播する超音波
を検出し、その超音波を表す破砕音信号を出力する破砕
音検出装置と、(b) その破砕音検出装置から出力される
破砕音信号の包絡線を表す包絡線信号を発生させる包絡
線信号発生手段と、(c) その包絡線信号発生手段により
発生された包絡線信号からその交流成分の振幅を表す振
幅信号を抽出する振幅信号抽出手段と、(d) 前記包絡線
信号発生手段により発生された包絡線信号からそれを構
成する各周波数成分を表す周波数成分信号を抽出する周
波数成分信号抽出手段と、(e) 前記包絡線信号発生手段
により発生された包絡線信号からその包絡線信号のの強
度を表す強度信号を抽出する強度信号抽出手段と、(f)
前記包絡線信号の交流成分の振幅を表す振幅信号、包絡
線信号の周波数成分を表す周波数成分信号、および包絡
線信号の強度を表す信号強度情報を入力信号とし、その
入力信号に基づいて前記被削材の表面粗さを推定するニ
ューラルネットワーク演算手段とを、含むことにある。
【０００９】
【第２発明の効果】このようにすれば、破砕音検出装置
により砥石に含まれる砥粒の破砕に伴って放射されて砥
石内を伝播する超音波が検出され、包絡線信号発生手段
により、その破砕音検出装置から出力される破砕音信号
の包絡線を表す包絡線信号が発生させられ、振幅信号抽
出手段により、その包絡線信号発生手段により発生され
た包絡線信号からその交流成分の振幅を表す振幅信号が
抽出され、周波数成分信号抽出手段により、その包絡線
信号発生手段により発生された包絡線信号からそれを構
成する各周波数成分を表す周波数成分信号が抽出され、
強度信号抽出手段により、その包絡線信号発生手段によ
り発生された包絡線信号からその信号強度を表す強度信
号が抽出され、ニューラルネットワーク演算手段によ
り、それら包絡線信号の交流成分の振幅を表す振幅信
号、包絡線信号の周波数成分を表す周波数成分信号、お
よび包絡線信号の強度を表す信号強度情報に基づいて被
削材の表面粗さが推定される。したがって、本発明によ
れば、研削中の砥石から発生する超音波はたとえば１０
０ｋHz以上の高い周波数であるが、包絡線信号発生手段
によりその超音波を表す破砕音信号の包絡線を表す包絡
線信号が発生させられることによって信号処理が可能な
比較的低い周波数とされ、その包絡線信号から得られる
包絡線信号の交流成分の振幅を表す振幅信号、包絡線信
号の周波数成分を表す周波数成分信号、および包絡線信
号の強度を表す信号強度情報に基づいて被削材の表面粗
さが推定されるので、その被削材の表面粗さの推定が高
い精度でリアルタイムで行われ、砥石寿命がリアルタイ
ムで判定される。しかも、びびり振動の推定が高い精度
で行われる結果、被削材の表面粗さを所定の目標値以内
とする研削加工に用いることができるようになる。
により砥石に含まれる砥粒の破砕に伴って放射されて砥
石内を伝播する超音波が検出され、包絡線信号発生手段
により、その破砕音検出装置から出力される破砕音信号
の包絡線を表す包絡線信号が発生させられ、振幅信号抽
出手段により、その包絡線信号発生手段により発生され
た包絡線信号からその交流成分の振幅を表す振幅信号が
抽出され、周波数成分信号抽出手段により、その包絡線
信号発生手段により発生された包絡線信号からそれを構
成する各周波数成分を表す周波数成分信号が抽出され、
強度信号抽出手段により、その包絡線信号発生手段によ
り発生された包絡線信号からその信号強度を表す強度信
号が抽出され、ニューラルネットワーク演算手段によ
り、それら包絡線信号の交流成分の振幅を表す振幅信
号、包絡線信号の周波数成分を表す周波数成分信号、お
よび包絡線信号の強度を表す信号強度情報に基づいて被
削材の表面粗さが推定される。したがって、本発明によ
れば、研削中の砥石から発生する超音波はたとえば１０
０ｋHz以上の高い周波数であるが、包絡線信号発生手段
によりその超音波を表す破砕音信号の包絡線を表す包絡
線信号が発生させられることによって信号処理が可能な
比較的低い周波数とされ、その包絡線信号から得られる
包絡線信号の交流成分の振幅を表す振幅信号、包絡線信
号の周波数成分を表す周波数成分信号、および包絡線信
号の強度を表す信号強度情報に基づいて被削材の表面粗
さが推定されるので、その被削材の表面粗さの推定が高
い精度でリアルタイムで行われ、砥石寿命がリアルタイ
ムで判定される。しかも、びびり振動の推定が高い精度
で行われる結果、被削材の表面粗さを所定の目標値以内
とする研削加工に用いることができるようになる。
【００１０】
【発明の他の態様】ここで、好適には、前記第１発明に
おいて、前記包絡線を表す信号のうち予め設定された第
１の周波数以上の高帯域信号を抽出して前記周波数解析
手段に入力させるハイパスフィルタ手段を含むものであ
る。このようにすれば、たとえば１ＫHz程度の第１の周
波数以上の交流信号が周波数解析されることにより、び
びり振動に関連しない周波数帯の演算が不要となって演
算時間が短縮される利点がある。
おいて、前記包絡線を表す信号のうち予め設定された第
１の周波数以上の高帯域信号を抽出して前記周波数解析
手段に入力させるハイパスフィルタ手段を含むものであ
る。このようにすれば、たとえば１ＫHz程度の第１の周
波数以上の交流信号が周波数解析されることにより、び
びり振動に関連しない周波数帯の演算が不要となって演
算時間が短縮される利点がある。
【００１１】また、好適には、前記周波数解析手段にか
ら出力される周波数スペクトルに含まれ、前記びびり振
動に関連するピークを判定するピーク判定手段と、その
ピーク判定手段によりピークが判定された場合には、前
記周波数解析手段にから出力される周波数スペクトルの
うち、そのピークを中心とする所定幅の周波数帯のスペ
クトル信号を抽出するスペクトル信号抽出手段と、その
スペクトル信号抽出手段により抽出されたスペクトル信
号の大きさをその最大値を基準として標準化し、それら
標準化されたスペクトル信号を前記ニューラルネットワ
ーク演算手段へ入力させるスペクトル信号標準化手段と
を、含むものである。このようにすれば、砥石の切り込
み設定値に関連する破砕音信号の信号レベルの変化に拘
わらず、上記ピークを中心とするスペクトルパターンが
明確に得られるので、びびり判定精度が高められる。
ら出力される周波数スペクトルに含まれ、前記びびり振
動に関連するピークを判定するピーク判定手段と、その
ピーク判定手段によりピークが判定された場合には、前
記周波数解析手段にから出力される周波数スペクトルの
うち、そのピークを中心とする所定幅の周波数帯のスペ
クトル信号を抽出するスペクトル信号抽出手段と、その
スペクトル信号抽出手段により抽出されたスペクトル信
号の大きさをその最大値を基準として標準化し、それら
標準化されたスペクトル信号を前記ニューラルネットワ
ーク演算手段へ入力させるスペクトル信号標準化手段と
を、含むものである。このようにすれば、砥石の切り込
み設定値に関連する破砕音信号の信号レベルの変化に拘
わらず、上記ピークを中心とするスペクトルパターンが
明確に得られるので、びびり判定精度が高められる。
【００１２】また、好適には、前記包絡線を表す信号の
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出するローパスフィルタ手
段を含み、前記ニューラルネットワーク演算手段は、そ
の第２の周波数以下の低帯域信号を入力信号とするもの
である。このようにすれば、その第２の周波数以下の低
帯域信号が逐次入力されることにより、破砕音信号の強
度の時間変化の情報がニューラルネットワーク演算手段
に入力されるので、切れ込み深さが変化してもびびり推
定精度が高められる。
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出するローパスフィルタ手
段を含み、前記ニューラルネットワーク演算手段は、そ
の第２の周波数以下の低帯域信号を入力信号とするもの
である。このようにすれば、その第２の周波数以下の低
帯域信号が逐次入力されることにより、破砕音信号の強
度の時間変化の情報がニューラルネットワーク演算手段
に入力されるので、切れ込み深さが変化してもびびり推
定精度が高められる。
【００１３】また、好適には、前記破砕音検出装置から
出力される破砕音信号のピーク値を結ぶ包絡線を表す信
号から、その破砕音信号検出装置と前記砥石の研削点と
の距離の周期的変化に対応する周波数成分を除去する帯
域信号除去フィルタ手段を含むものである。このように
すれば、破砕音検出装置が砥石内の１または２以上のヶ
所に設けられている場合にその破砕音検出装置と前記砥
石の研削点との距離の周期的変化に対応する周波数成分
の信号が破砕音信号に含まれることが好適に防止され
て、推定精度が高められる。
出力される破砕音信号のピーク値を結ぶ包絡線を表す信
号から、その破砕音信号検出装置と前記砥石の研削点と
の距離の周期的変化に対応する周波数成分を除去する帯
域信号除去フィルタ手段を含むものである。このように
すれば、破砕音検出装置が砥石内の１または２以上のヶ
所に設けられている場合にその破砕音検出装置と前記砥
石の研削点との距離の周期的変化に対応する周波数成分
の信号が破砕音信号に含まれることが好適に防止され
て、推定精度が高められる。
【００１４】また、前記第２発明において、好適には、
前記包絡線を表す信号のうち予め設定された第１の周波
数以上の高帯域信号を抽出して前記周波数解析手段に入
力させるハイパスフィルタ手段を含み、前記振幅信号抽
出手段は、そのハイパスフィルタ手段により抽出された
高帯域信号から包絡線信号の交流成分の振幅を表す振幅
信号を抽出する。このようにすれば、たとえば１ＫHz程
度の第１の周波数以上の交流信号から振幅信号が抽出さ
れることにより、表面粗さに関連しない周波数帯の演算
が不要となって演算時間が短縮される利点がある。
前記包絡線を表す信号のうち予め設定された第１の周波
数以上の高帯域信号を抽出して前記周波数解析手段に入
力させるハイパスフィルタ手段を含み、前記振幅信号抽
出手段は、そのハイパスフィルタ手段により抽出された
高帯域信号から包絡線信号の交流成分の振幅を表す振幅
信号を抽出する。このようにすれば、たとえば１ＫHz程
度の第１の周波数以上の交流信号から振幅信号が抽出さ
れることにより、表面粗さに関連しない周波数帯の演算
が不要となって演算時間が短縮される利点がある。
【００１５】また、好適には、前記包絡線を表す信号の
うち予め設定された第１の周波数以上の高帯域信号を抽
出して前記周波数成分信号抽出析手段に入力させるハイ
パスフィルタ手段を含み、その周波数成分信号抽出手段
は、包絡線信号からそのハイパスフィルタ手段により抽
出された高帯域信号の周波数スペクトルを所定時間毎に
逐次算出し、該周波数スペクトルに含まれるピークを中
心とする所定の周波数帯域の信号強度と該所定の周波数
帯域外の信号強度との比を表す信号強度比を前記周波数
成分信号として出力するものである。このようにすれ
ば、包絡線信号のうちたとえば１ＫHz程度の第１の周波
数以上の交流信号である高帯域信号から、それに含まれ
るピークを中心とする所定の周波数帯域の信号強度とそ
の所定の周波数帯域毎の信号強度との比を表す信号強度
比が算出されることにより、被削材の表面粗さ関連しな
い周波数帯の演算が不要となって演算時間が短縮される
利点がある。
うち予め設定された第１の周波数以上の高帯域信号を抽
出して前記周波数成分信号抽出析手段に入力させるハイ
パスフィルタ手段を含み、その周波数成分信号抽出手段
は、包絡線信号からそのハイパスフィルタ手段により抽
出された高帯域信号の周波数スペクトルを所定時間毎に
逐次算出し、該周波数スペクトルに含まれるピークを中
心とする所定の周波数帯域の信号強度と該所定の周波数
帯域外の信号強度との比を表す信号強度比を前記周波数
成分信号として出力するものである。このようにすれ
ば、包絡線信号のうちたとえば１ＫHz程度の第１の周波
数以上の交流信号である高帯域信号から、それに含まれ
るピークを中心とする所定の周波数帯域の信号強度とそ
の所定の周波数帯域毎の信号強度との比を表す信号強度
比が算出されることにより、被削材の表面粗さ関連しな
い周波数帯の演算が不要となって演算時間が短縮される
利点がある。
【００１６】また、好適には、前記包絡線を表す信号の
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出して前記強度信号抽出手
段に入力させるローパスフィルタ手段を含み、その強度
信号抽出手段は、そのローパスフィルタ手段により抽出
された包絡線信号の第２の周波数以下の低帯域信号強度
の平均値を所定時間毎に逐次算出し、その平均値を前記
強度信号として出力するものである。このようにすれ
ば、包絡線信号のうち直流成分を含むたとえば１０Hz程
度の第１の周波数以下の低帯域信号は破砕信号の実効値
に対応することから、その低帯域信号からその強度が所
定時間毎に算出されるので、研削中において研削に関与
する砥粒数およびその時間的変化に関連した情報が得ら
れる利点がある。
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出して前記強度信号抽出手
段に入力させるローパスフィルタ手段を含み、その強度
信号抽出手段は、そのローパスフィルタ手段により抽出
された包絡線信号の第２の周波数以下の低帯域信号強度
の平均値を所定時間毎に逐次算出し、その平均値を前記
強度信号として出力するものである。このようにすれ
ば、包絡線信号のうち直流成分を含むたとえば１０Hz程
度の第１の周波数以下の低帯域信号は破砕信号の実効値
に対応することから、その低帯域信号からその強度が所
定時間毎に算出されるので、研削中において研削に関与
する砥粒数およびその時間的変化に関連した情報が得ら
れる利点がある。
【００１７】また、好適には、前記包絡線を表す信号の
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出するローパスフィルタ手
段と、そのローパスフィルタ手段により上記包絡線信号
の所定周波数以下の低帯域から抽出された強度信号に基
づいて、その強度信号の時間的変化の特徴値を算出する
強度信号変化特徴値算出手段とを含み、前記ニューラル
ネットワーク演算手段は、その強度信号変化特徴値算出
手段により算出された特徴値を入力信号とするものであ
る。このようにすれば、包絡線信号のうち直流成分を含
むたとえば１０Hz程度の第１の周波数以下の強度信号の
強度の時間的変化の特徴値から、研削中において研削に
関与する砥粒数の時間的変化に関連した情報が得られる
利点がある。
うち前記第１の周波数よりも低く予め設定された第２の
周波数以下の低帯域信号を抽出するローパスフィルタ手
段と、そのローパスフィルタ手段により上記包絡線信号
の所定周波数以下の低帯域から抽出された強度信号に基
づいて、その強度信号の時間的変化の特徴値を算出する
強度信号変化特徴値算出手段とを含み、前記ニューラル
ネットワーク演算手段は、その強度信号変化特徴値算出
手段により算出された特徴値を入力信号とするものであ
る。このようにすれば、包絡線信号のうち直流成分を含
むたとえば１０Hz程度の第１の周波数以下の強度信号の
強度の時間的変化の特徴値から、研削中において研削に
関与する砥粒数の時間的変化に関連した情報が得られる
利点がある。
【００１８】また、好適には、上記強度信号変化特徴値
算出手段は、前記砥石の研削期間内における前記強度信
号の大きさの傾きを算出するものである。また、上記強
度信号変化特徴値算出手段は、前記砥石の研削期間内に
おける前記強度信号の大きさのばらつきを示す値を算出
するものである。また、上記強度信号変化特徴値算出手
段は、前記砥石の研削開始時における前記強度信号の立
ち上がり区間の面積を算出するものである。また、上記
強度信号変化特徴値算出手段は、前記砥石の研削開始時
における前記強度信号の立ち上がり区間の時定数を算出
するものである。また、上記強度信号変化特徴値算出手
段は、前記砥石の研削終末時における前記強度信号の立
ち下がり区間の面積を算出するものである。さらに、上
記強度信号変化特徴値算出手段は、前記砥石の研削終末
時における前記強度信号の立ち下がり区間の時定数を算
出するものである。
算出手段は、前記砥石の研削期間内における前記強度信
号の大きさの傾きを算出するものである。また、上記強
度信号変化特徴値算出手段は、前記砥石の研削期間内に
おける前記強度信号の大きさのばらつきを示す値を算出
するものである。また、上記強度信号変化特徴値算出手
段は、前記砥石の研削開始時における前記強度信号の立
ち上がり区間の面積を算出するものである。また、上記
強度信号変化特徴値算出手段は、前記砥石の研削開始時
における前記強度信号の立ち上がり区間の時定数を算出
するものである。また、上記強度信号変化特徴値算出手
段は、前記砥石の研削終末時における前記強度信号の立
ち下がり区間の面積を算出するものである。さらに、上
記強度信号変化特徴値算出手段は、前記砥石の研削終末
時における前記強度信号の立ち下がり区間の時定数を算
出するものである。
【００１９】また、好適には、前記破砕音検出装置から
出力される破砕音信号のピーク値を結ぶ包絡線を表す信
号から、その破砕音信号検出装置と前記砥石の研削点と
の距離の周期的変化に対応する周波数成分を除去する帯
域信号除去フィルタ手段を含むものである。このように
すれば、破砕音検出装置が砥石内の１または２以上のヶ
所に設けられている場合でも、その破砕音検出装置と前
記砥石の研削点との距離の周期的変化に対応する周波数
成分の信号が破砕音信号に含まれることが避けられない
が、上記によりそれが除去されて、推定精度が高められ
る。
出力される破砕音信号のピーク値を結ぶ包絡線を表す信
号から、その破砕音信号検出装置と前記砥石の研削点と
の距離の周期的変化に対応する周波数成分を除去する帯
域信号除去フィルタ手段を含むものである。このように
すれば、破砕音検出装置が砥石内の１または２以上のヶ
所に設けられている場合でも、その破砕音検出装置と前
記砥石の研削点との距離の周期的変化に対応する周波数
成分の信号が破砕音信号に含まれることが避けられない
が、上記によりそれが除去されて、推定精度が高められ
る。
【００２０】
【発明の好適な実施の形態】以下、本発明の一実施例の
砥石寿命判定装置を図面に基づいて詳細に説明する。
砥石寿命判定装置を図面に基づいて詳細に説明する。
【００２１】図１は、研削盤に設けられた砥石寿命判定
装置８を示している。図１において、砥石車１０は、Ｗ
Ａ砥粒、ＧＣ砥粒、セラミックス砥粒などの一般砥粒
や、ＣＢＮ砥粒、ダイヤモンド砥粒などの超砥粒を含む
砥石部１２をドラム状のコアすなわち本体１４の外周面
に備えて図示しない駆動モータにより回転駆動される回
転軸に固定されるものであり、たとえば８０ｍ／秒以上
の比較的高い周速で回転駆動され、たとえば研削盤にお
いて往復移動させられる長方形の被削材１６の表面を研
削する。上記砥石車１０の本体１４内には、砥石部１２
に含まれる砥粒の破砕時に発生し且つ砥石部１２内を伝
播する極めて周波数の高い超音波である破砕音（アコー
スティックエミッション：ＡＥ）を砥石部１２の内側か
ら検出し、その破砕音を表すＡＥ信号ＳAEを出力するＡ
Ｅセンサ１８、このＡＥセンサ１８から出力されるＡＥ
信号ＳAEを増幅し且つ必要に応じて数乃至数十ＫHz以下
のノイズをカットするプリアンプ２０、そのプリアンプ
２０から出力されるＡＥ信号ＳAEの包絡線を表す包絡線
信号ＳENを発生させ且つそれを出力する包絡線発生回路
２２、その包絡線発生回路２２から出力された包絡線信
号ＳENを空中線を介して送信する送信回路２４、および
図示しない電源などをその内部に備えている。
装置８を示している。図１において、砥石車１０は、Ｗ
Ａ砥粒、ＧＣ砥粒、セラミックス砥粒などの一般砥粒
や、ＣＢＮ砥粒、ダイヤモンド砥粒などの超砥粒を含む
砥石部１２をドラム状のコアすなわち本体１４の外周面
に備えて図示しない駆動モータにより回転駆動される回
転軸に固定されるものであり、たとえば８０ｍ／秒以上
の比較的高い周速で回転駆動され、たとえば研削盤にお
いて往復移動させられる長方形の被削材１６の表面を研
削する。上記砥石車１０の本体１４内には、砥石部１２
に含まれる砥粒の破砕時に発生し且つ砥石部１２内を伝
播する極めて周波数の高い超音波である破砕音（アコー
スティックエミッション：ＡＥ）を砥石部１２の内側か
ら検出し、その破砕音を表すＡＥ信号ＳAEを出力するＡ
Ｅセンサ１８、このＡＥセンサ１８から出力されるＡＥ
信号ＳAEを増幅し且つ必要に応じて数乃至数十ＫHz以下
のノイズをカットするプリアンプ２０、そのプリアンプ
２０から出力されるＡＥ信号ＳAEの包絡線を表す包絡線
信号ＳENを発生させ且つそれを出力する包絡線発生回路
２２、その包絡線発生回路２２から出力された包絡線信
号ＳENを空中線を介して送信する送信回路２４、および
図示しない電源などをその内部に備えている。
【００２２】上記超音波は、砥粒の亀裂の発生や成長を
生じるときに材料内部に蓄えられたエネルギの一部を弾
性波の形で発生する５０ｋHz〜２ＭHzの帯域の弾性波で
あり、研削中に発生するビビリやたたき、あるいは目詰
まり時の振動（１０Hz〜１ｋHz）とは明確に相違する。
上記ＡＥセンサ１８は、５０ｋHz〜２ＭHzの帯域の振動
を充分に検出できる周波数特定を備えたものであり、圧
電素子などにより構成される。
生じるときに材料内部に蓄えられたエネルギの一部を弾
性波の形で発生する５０ｋHz〜２ＭHzの帯域の弾性波で
あり、研削中に発生するビビリやたたき、あるいは目詰
まり時の振動（１０Hz〜１ｋHz）とは明確に相違する。
上記ＡＥセンサ１８は、５０ｋHz〜２ＭHzの帯域の振動
を充分に検出できる周波数特定を備えたものであり、圧
電素子などにより構成される。
【００２３】図２は、上記プリアンプ２０の具体的な構
成例を示している。この場合のプリアンプ２０は、オペ
アンプＯＰ1 、抵抗器Ｒ1 、Ｒ2 、Ｒ3 、コンデンサＣ
1 を備えて構成され、１／（２πＲ2 Ｃ1 ）で定まる下
限カットアウト周波数ｆo 以上の周波数成分を通過さ
せ、且つゲイン〔＝（１＋Ｒ3 ／Ｒ2 ) 、但しＲ1 ＝Ｒ
3 〕で信号増幅を行うことにより、１００ｋHz以下の低
域のノイズをＡＥ信号Ｓ AEから除去し且つ信号を明確と
するものである。図３は、上記プリアンプ２０の濾波特
性であって、１００ｋHz乃至２ＭHzの信号を通過させる
ことを示している。
成例を示している。この場合のプリアンプ２０は、オペ
アンプＯＰ1 、抵抗器Ｒ1 、Ｒ2 、Ｒ3 、コンデンサＣ
1 を備えて構成され、１／（２πＲ2 Ｃ1 ）で定まる下
限カットアウト周波数ｆo 以上の周波数成分を通過さ
せ、且つゲイン〔＝（１＋Ｒ3 ／Ｒ2 ) 、但しＲ1 ＝Ｒ
3 〕で信号増幅を行うことにより、１００ｋHz以下の低
域のノイズをＡＥ信号Ｓ AEから除去し且つ信号を明確と
するものである。図３は、上記プリアンプ２０の濾波特
性であって、１００ｋHz乃至２ＭHzの信号を通過させる
ことを示している。
【００２４】図４は、包絡線発生手段として機能する上
記包絡線発生回路２２の具体的な構成例を示している。
この場合の包絡線発生回路２２は、ダイオードＤ1 を備
えた整流回路と、コンデンサＣ2 および抵抗体Ｒ4 を備
えた包絡線形成回路とから構成されている。図５の(a)
、(b) 、(c) は、包絡線発生回路２２に入力されたＡ
Ｅ信号ＳAEの波形、そのＡＥ信号ＳAEが上記整流回路に
より半波整流された波形、上記包絡線形成回路によりそ
の半波整流されて連なる個々の波形からそれらのピーク
値を連続的に結ぶ包絡線を示すように整形された波形す
なわち包絡線信号ＳENをそれぞれ示している。
記包絡線発生回路２２の具体的な構成例を示している。
この場合の包絡線発生回路２２は、ダイオードＤ1 を備
えた整流回路と、コンデンサＣ2 および抵抗体Ｒ4 を備
えた包絡線形成回路とから構成されている。図５の(a)
、(b) 、(c) は、包絡線発生回路２２に入力されたＡ
Ｅ信号ＳAEの波形、そのＡＥ信号ＳAEが上記整流回路に
より半波整流された波形、上記包絡線形成回路によりそ
の半波整流されて連なる個々の波形からそれらのピーク
値を連続的に結ぶ包絡線を示すように整形された波形す
なわち包絡線信号ＳENをそれぞれ示している。
【００２５】位置固定に設けられた受信回路２６は、上
記送信回路２４から送信された電波を受けるアンテナ２
８を備え、その送信回路２４から送信されたＡＥ信号Ｓ
AEを受信してハイパスフィルタ３０およびローパスフィ
ルタ３２へ供給する。ハイパスフィルタ３０は、たとえ
ば図６に示す濾波特性を備え、上記包絡線信号ＳENか
ら、砥石車１０の回転周波数よりも充分に高い周波数範
囲、たとえば１ｋHz程度の第１の周波数ｆ1 以上の周波
数範囲、好適には１乃至２０ｋHzの周波数範囲の比較的
高い周波数成分を弁別し、帯域カットフィルタ３４およ
びＡ／Ｄ変換器３６を介して、演算制御装置３８へ高周
波成分信号ＳENHFとして出力する。
記送信回路２４から送信された電波を受けるアンテナ２
８を備え、その送信回路２４から送信されたＡＥ信号Ｓ
AEを受信してハイパスフィルタ３０およびローパスフィ
ルタ３２へ供給する。ハイパスフィルタ３０は、たとえ
ば図６に示す濾波特性を備え、上記包絡線信号ＳENか
ら、砥石車１０の回転周波数よりも充分に高い周波数範
囲、たとえば１ｋHz程度の第１の周波数ｆ1 以上の周波
数範囲、好適には１乃至２０ｋHzの周波数範囲の比較的
高い周波数成分を弁別し、帯域カットフィルタ３４およ
びＡ／Ｄ変換器３６を介して、演算制御装置３８へ高周
波成分信号ＳENHFとして出力する。
【００２６】上記帯域カットフィルタ３４は、上記砥石
車１０の回転周波数にＡＥセンサ１８の取り付け個数を
掛けた周波数、すなわち砥石車１０と共に回転するＡＥ
センサ１８と砥石部１２の研削点（被切材１６と接触す
る部分）との間の距離の変化に対応する周波数ｆW 、す
なわちその距離の変化に起因してＡＥ信号ＳAE或いは包
絡線信号ＳENに含まれるうねりの周波数ｆW を中心とす
るノイズを除去するためのノッチフィルタであって、た
とえば図７に示す濾波特性を備え、上記うねりとして表
れるノイズを高周波成分信号ＳENHFから除去する。
車１０の回転周波数にＡＥセンサ１８の取り付け個数を
掛けた周波数、すなわち砥石車１０と共に回転するＡＥ
センサ１８と砥石部１２の研削点（被切材１６と接触す
る部分）との間の距離の変化に対応する周波数ｆW 、す
なわちその距離の変化に起因してＡＥ信号ＳAE或いは包
絡線信号ＳENに含まれるうねりの周波数ｆW を中心とす
るノイズを除去するためのノッチフィルタであって、た
とえば図７に示す濾波特性を備え、上記うねりとして表
れるノイズを高周波成分信号ＳENHFから除去する。
【００２７】また、上記ローパスフィルタ３２は、たと
えば図８に示す濾波特性を備え、上記包絡線信号ＳENか
ら、砥石車１０の回転周波数よりも充分に低く第１の周
波数ｆ1 や上記周波数ｆW よりも充分に低く設定された
周波数範囲、たとえば１０Hz程度の第２の周波数ｆ2 以
下の周波数範囲であってＤＣ成分を含む極めて低い周波
数成分を弁別し、Ａ／Ｄ変換器３６を介して演算制御装
置３８へ低周波成分信号ＳENLFとして出力する。この低
周波成分信号ＳENLFは、前記ＡＥ信号ＳAEの包絡線の面
積に対応するものであるから、実質的にＡＥ信号ＳAEの
強度すなわち実効値を表している。
えば図８に示す濾波特性を備え、上記包絡線信号ＳENか
ら、砥石車１０の回転周波数よりも充分に低く第１の周
波数ｆ1 や上記周波数ｆW よりも充分に低く設定された
周波数範囲、たとえば１０Hz程度の第２の周波数ｆ2 以
下の周波数範囲であってＤＣ成分を含む極めて低い周波
数成分を弁別し、Ａ／Ｄ変換器３６を介して演算制御装
置３８へ低周波成分信号ＳENLFとして出力する。この低
周波成分信号ＳENLFは、前記ＡＥ信号ＳAEの包絡線の面
積に対応するものであるから、実質的にＡＥ信号ＳAEの
強度すなわち実効値を表している。
【００２８】演算制御装置３８は、ＣＰＵ、ＲＡＭ、Ｒ
ＯＭ、インターフェースなどを含む所謂マイクロコンピ
ュータであって、予めＲＯＭなどに記憶されたプログラ
ムに従って入力信号を処理するとともに、砥石車１０の
状態が予め設定された砥石寿命すなわちドレスインター
バルへ到達したことを判定し、たとえば砥石寿命を光学
的、記号的、或いは音声的に出力したり、或いは砥石車
１０を回転駆動する駆動モータを停止させる停止信号を
出力したりするための画像出力装置、プリンター、音声
出力装置、或いは出力インターフェースなどである出力
装置４０を駆動する。
ＯＭ、インターフェースなどを含む所謂マイクロコンピ
ュータであって、予めＲＯＭなどに記憶されたプログラ
ムに従って入力信号を処理するとともに、砥石車１０の
状態が予め設定された砥石寿命すなわちドレスインター
バルへ到達したことを判定し、たとえば砥石寿命を光学
的、記号的、或いは音声的に出力したり、或いは砥石車
１０を回転駆動する駆動モータを停止させる停止信号を
出力したりするための画像出力装置、プリンター、音声
出力装置、或いは出力インターフェースなどである出力
装置４０を駆動する。
【００２９】図９は、上記演算制御装置３８の機能を説
明する機能ブロック線図である。図において、周波数解
析手段５０は、ハイパスフィルタ３０から出力された包
絡線信号ＳENの１ｋHz以上の信号成分である高周波成分
信号ＳENHFの周波数解析を、たとえば高速フーリエ変換
演算或いはウェーブレット変換演算を用いて所定のサン
プリング周期毎に実行し、たとえば図１０に示すような
周波数スペクトルを表す信号を出力する。ピーク判定手
段５２は、周波数解析手段５０から出力された周波数ス
ペクトルに含まれるピークを判定する。
明する機能ブロック線図である。図において、周波数解
析手段５０は、ハイパスフィルタ３０から出力された包
絡線信号ＳENの１ｋHz以上の信号成分である高周波成分
信号ＳENHFの周波数解析を、たとえば高速フーリエ変換
演算或いはウェーブレット変換演算を用いて所定のサン
プリング周期毎に実行し、たとえば図１０に示すような
周波数スペクトルを表す信号を出力する。ピーク判定手
段５２は、周波数解析手段５０から出力された周波数ス
ペクトルに含まれるピークを判定する。
【００３０】高周波成分正規化手段５４は、上記周波数
スペクトルから上記ピーク判定手段５２により判定され
た最大ピークを中心として予め設定された周波数幅、た
とえば最大ピークに対応する周波数値ｆP を中心とした
上下５００Hz幅すなわち合計１ｋHz幅の信号を抽出し、
たとえばその周波数幅内の最大値を「１」として相対的
に大きさを標準化するとともに、上記周波数幅内の予め
設定された周波数区分毎に、その周波数区分に対応する
周波数スペクトル成分の大きさ表す信号を、ニューラル
ネットワーク演算手段５６の入力層の各神経細胞要素
（ニューロン）Ｘ i へそれぞれ出力する。
スペクトルから上記ピーク判定手段５２により判定され
た最大ピークを中心として予め設定された周波数幅、た
とえば最大ピークに対応する周波数値ｆP を中心とした
上下５００Hz幅すなわち合計１ｋHz幅の信号を抽出し、
たとえばその周波数幅内の最大値を「１」として相対的
に大きさを標準化するとともに、上記周波数幅内の予め
設定された周波数区分毎に、その周波数区分に対応する
周波数スペクトル成分の大きさ表す信号を、ニューラル
ネットワーク演算手段５６の入力層の各神経細胞要素
（ニューロン）Ｘ i へそれぞれ出力する。
【００３１】また、記憶手段５８は、前記ローパスフィ
ルタ３２から出力された、包絡線信号ＳENの１０Hz以下
の信号成分である低周波成分信号ＳENLFを、たとえば前
記ＲＡＭ内の所定の領域において時系列的に逐次記憶
し、図１１に示すような、それまでに記憶された低周波
成分信号ＳENLFを出力する。低周波成分正規化手段６０
は、記憶手段５８から出力されたそれまでの各低周波成
分信号ＳENLFの大きさを時間軸上にプロットすることに
より、時間ｔの経過とともに変化する低周波成分信号Ｓ
ENLFの時間関数を、予め設定された時間幅たとえば数ミ
リ秒毎に区分し、たとえばその低周波成分信号ＳENLFの
最大値を「１」として相対的に大きさを標準化するとと
もに、上記予め設定された時間区分毎に、その時間区分
に対応する低周波成分信号ＳENLFの大きさ表す信号を、
ニューラルネットワーク演算手段５６の入力層の各神経
細胞要素（ニューロン）Ｘi へそれぞれ出力する。
ルタ３２から出力された、包絡線信号ＳENの１０Hz以下
の信号成分である低周波成分信号ＳENLFを、たとえば前
記ＲＡＭ内の所定の領域において時系列的に逐次記憶
し、図１１に示すような、それまでに記憶された低周波
成分信号ＳENLFを出力する。低周波成分正規化手段６０
は、記憶手段５８から出力されたそれまでの各低周波成
分信号ＳENLFの大きさを時間軸上にプロットすることに
より、時間ｔの経過とともに変化する低周波成分信号Ｓ
ENLFの時間関数を、予め設定された時間幅たとえば数ミ
リ秒毎に区分し、たとえばその低周波成分信号ＳENLFの
最大値を「１」として相対的に大きさを標準化するとと
もに、上記予め設定された時間区分毎に、その時間区分
に対応する低周波成分信号ＳENLFの大きさ表す信号を、
ニューラルネットワーク演算手段５６の入力層の各神経
細胞要素（ニューロン）Ｘi へそれぞれ出力する。
【００３２】上記ニューラルネットワーク演算手段５６
に備えられたニューラルネットワークＮＮは、３層構造
であって、ｒ個の神経細胞要素（ニューロン）Ｘi （Ｘ
1 〜Ｘr ）から構成された入力層と、ｓ個の神経細胞要
素Ｙj （Ｙ1 〜Ｙs ）から構成された中間層と、ｔ個の
神経細胞要素Ｚk （Ｚ1 〜Ｚt ）から構成された出力層
とから構成された３層構造の階層型である。そして、上
記入力層から出力層へ向かって神経細胞要素の状態を伝
達するために、結合係数（重み）ＷXij を有して上記ｒ
個の神経細胞要素Ｘi とｓ個の神経細胞要素Ｙj とをそ
れぞれ結合する伝達要素ＤXij と、結合係数（重み）Ｗ
Yjk を有してｓ個の神経細胞要素Ｙj とｔ個の神経細胞
要素Ｚk とをそれぞれ結合する伝達要素ＤYjk が設けら
れている。
に備えられたニューラルネットワークＮＮは、３層構造
であって、ｒ個の神経細胞要素（ニューロン）Ｘi （Ｘ
1 〜Ｘr ）から構成された入力層と、ｓ個の神経細胞要
素Ｙj （Ｙ1 〜Ｙs ）から構成された中間層と、ｔ個の
神経細胞要素Ｚk （Ｚ1 〜Ｚt ）から構成された出力層
とから構成された３層構造の階層型である。そして、上
記入力層から出力層へ向かって神経細胞要素の状態を伝
達するために、結合係数（重み）ＷXij を有して上記ｒ
個の神経細胞要素Ｘi とｓ個の神経細胞要素Ｙj とをそ
れぞれ結合する伝達要素ＤXij と、結合係数（重み）Ｗ
Yjk を有してｓ個の神経細胞要素Ｙj とｔ個の神経細胞
要素Ｚk とをそれぞれ結合する伝達要素ＤYjk が設けら
れている。
【００３３】上記ニューラルネットワークＮＮは、その
結合係数（重み）ＷXij 、結合係数（重み）ＷYjk を所
謂誤差逆伝搬学習アルゴリズムによって学習させられた
パターン連想型のシステムである。その学習は、研削実
験によって予め完了させられているので、本実施例の砥
石寿命判定装置８の組み立て時には、上記結合係数（重
み）ＷXij 、結合係数（重み）ＷYjk は固定値が与えら
れている。
結合係数（重み）ＷXij 、結合係数（重み）ＷYjk を所
謂誤差逆伝搬学習アルゴリズムによって学習させられた
パターン連想型のシステムである。その学習は、研削実
験によって予め完了させられているので、本実施例の砥
石寿命判定装置８の組み立て時には、上記結合係数（重
み）ＷXij 、結合係数（重み）ＷYjk は固定値が与えら
れている。
【００３４】図９に示したように、本実施例のニューラ
ルネットワークＮＮの出力層の数ｔは１であり、運転指
向の推定結果は、その一つの神経細胞要素Ｚ1 の出力値
ＮＮ OUT に基づいて決定される。たとえば、出力値ＮＮ
DRVOUTが「０」に近いほど砥石寿命が未だ残されている
状態すなわちびびり振動の無い状態を示し、「１」に近
いほど砥石寿命に到達した状態すなわちびびり振動の有
る状態を示すようにされる。
ルネットワークＮＮの出力層の数ｔは１であり、運転指
向の推定結果は、その一つの神経細胞要素Ｚ1 の出力値
ＮＮ OUT に基づいて決定される。たとえば、出力値ＮＮ
DRVOUTが「０」に近いほど砥石寿命が未だ残されている
状態すなわちびびり振動の無い状態を示し、「１」に近
いほど砥石寿命に到達した状態すなわちびびり振動の有
る状態を示すようにされる。
【００３５】砥石寿命判定手段６２は、上記のようにニ
ューラルネットワークＮＮを備えたニューラルネットワ
ーク演算手段５６からの出力信号の大きさが予め設定さ
れた判断基準値を越えたか否かを判断し、越えたと判断
された場合には、研削中の砥石車１０がそのびびり振動
によって被削材１６の研削面の表面粗さが予め設定され
た加工基準公差の上限値を越えたと推定されるので、砥
石寿命であることを示す砥石寿命信号ＳLLを出力装置４
０へ出力し、砥石寿命であることを示す画像、音声を出
力装置４０から出力させるか、或いは砥石車１０を回転
駆動する駆動モータを停止させる停止信号を出力させ
る。
ューラルネットワークＮＮを備えたニューラルネットワ
ーク演算手段５６からの出力信号の大きさが予め設定さ
れた判断基準値を越えたか否かを判断し、越えたと判断
された場合には、研削中の砥石車１０がそのびびり振動
によって被削材１６の研削面の表面粗さが予め設定され
た加工基準公差の上限値を越えたと推定されるので、砥
石寿命であることを示す砥石寿命信号ＳLLを出力装置４
０へ出力し、砥石寿命であることを示す画像、音声を出
力装置４０から出力させるか、或いは砥石車１０を回転
駆動する駆動モータを停止させる停止信号を出力させ
る。
【００３６】以上のようにして構成された砥石寿命判定
装置８によれば、ＡＥセンサ１８により砥石部１２に含
まれる砥粒の破砕に伴って放射されて砥石部１２内を伝
播する超音波が検出され、周波数解析手段５０により、
その超音波を表す破砕音信号の包絡線を表す包絡線信号
ＳENが周波数解析され、ニューラルネットワーク演算手
段５６により、その周波数解析の結果得られた周波数ス
ペクトルに基づいて、研削中の砥石車１０のびびり振動
が推定される。したがって、本実施例によれば、研削中
の砥石から発生する超音波はたとえば１００ｋHz以上の
高い周波数であるが、その超音波を表す破砕音信号の包
絡線を表す包絡線信号ＳENが用いられることによって信
号処理が可能な比較的低い周波数とされ、その包絡線信
号ＳENの周波数スペクトルに基づいて被削材１６の表面
粗さが大きくなるびびり振動が推定されるので、そのび
びり振動の推定が高い精度でリアルタイムで行われ、研
削中の砥石車１０の砥石寿命がリアルタイムで判定され
る。しかも、びびり振動の推定が高い精度で行われる結
果、被削材１６の表面粗さを所定の目標値以内とする研
削加工に用いることができるようになる。
装置８によれば、ＡＥセンサ１８により砥石部１２に含
まれる砥粒の破砕に伴って放射されて砥石部１２内を伝
播する超音波が検出され、周波数解析手段５０により、
その超音波を表す破砕音信号の包絡線を表す包絡線信号
ＳENが周波数解析され、ニューラルネットワーク演算手
段５６により、その周波数解析の結果得られた周波数ス
ペクトルに基づいて、研削中の砥石車１０のびびり振動
が推定される。したがって、本実施例によれば、研削中
の砥石から発生する超音波はたとえば１００ｋHz以上の
高い周波数であるが、その超音波を表す破砕音信号の包
絡線を表す包絡線信号ＳENが用いられることによって信
号処理が可能な比較的低い周波数とされ、その包絡線信
号ＳENの周波数スペクトルに基づいて被削材１６の表面
粗さが大きくなるびびり振動が推定されるので、そのび
びり振動の推定が高い精度でリアルタイムで行われ、研
削中の砥石車１０の砥石寿命がリアルタイムで判定され
る。しかも、びびり振動の推定が高い精度で行われる結
果、被削材１６の表面粗さを所定の目標値以内とする研
削加工に用いることができるようになる。
【００３７】また、本実施例によれば、前記包絡線信号
ＳENのうち予め設定された第１の周波数（１ｋHz）ｆ1
以上の信号を抽出して周波数解析手段５０に入力させる
ハイパスフィルタ３０を含むものであることから、たと
えば１ＫHz程度の第１の周波数ｆ1 以上の交流信号が周
波数解析されることにより、びびり振動に関連しない周
波数帯の演算が不要となって演算時間が短縮される利点
がある。
ＳENのうち予め設定された第１の周波数（１ｋHz）ｆ1
以上の信号を抽出して周波数解析手段５０に入力させる
ハイパスフィルタ３０を含むものであることから、たと
えば１ＫHz程度の第１の周波数ｆ1 以上の交流信号が周
波数解析されることにより、びびり振動に関連しない周
波数帯の演算が不要となって演算時間が短縮される利点
がある。
【００３８】また、本実施例によれば、周波数解析手段
５０にから出力される周波数スペクトルに含まれ、前記
びびり振動に関連する最大ピークを判定するピーク判定
手段５２と、そのピーク判定手段５２により最大ピーク
が判定された場合には、上記周波数解析手段５０にから
出力される周波数スペクトルのうち、そのピークを中心
とする所定幅の周波数帯のスペクトル信号を抽出するス
ペクトル信号抽出手段（高周波成分正規化手段５４）
と、そのスペクトル信号抽出手段５４により抽出された
スペクトル信号の大きさをその最大値を基準として標準
化し、それら標準化されたスペクトル信号を前記ニュー
ラルネットワーク演算手段へ入力させる高周波成分正規
化手段５４とを、含むものであることから、砥石の切り
込み設定値に関連する破砕音信号の信号レベルの変化に
拘わらず、上記ピークを中心とするスペクトルパターン
が明確に得られるので、びびり判定精度が高められる。
５０にから出力される周波数スペクトルに含まれ、前記
びびり振動に関連する最大ピークを判定するピーク判定
手段５２と、そのピーク判定手段５２により最大ピーク
が判定された場合には、上記周波数解析手段５０にから
出力される周波数スペクトルのうち、そのピークを中心
とする所定幅の周波数帯のスペクトル信号を抽出するス
ペクトル信号抽出手段（高周波成分正規化手段５４）
と、そのスペクトル信号抽出手段５４により抽出された
スペクトル信号の大きさをその最大値を基準として標準
化し、それら標準化されたスペクトル信号を前記ニュー
ラルネットワーク演算手段へ入力させる高周波成分正規
化手段５４とを、含むものであることから、砥石の切り
込み設定値に関連する破砕音信号の信号レベルの変化に
拘わらず、上記ピークを中心とするスペクトルパターン
が明確に得られるので、びびり判定精度が高められる。
【００３９】また、本実施例によれば、前記包絡線信号
ＳENのうち予め設定された第２の周波数（１０Hz）ｆ2
以下の信号を抽出するローパスフィルタ３２を含み、前
記ニューラルネットワーク演算手段５６は、その第２の
周波数以下の信号を入力信号とするものであることか
ら、その第２の周波数ｆ2 以下の信号が逐次入力される
ことにより、破砕音信号の強度の時間変化の情報がニュ
ーラルネットワーク演算手段に入力されるので、本発明
者等の実験によれば、切れ込み深さの変化などに拘わら
ず、びびり推定精度が一層高められることが確認され
た。
ＳENのうち予め設定された第２の周波数（１０Hz）ｆ2
以下の信号を抽出するローパスフィルタ３２を含み、前
記ニューラルネットワーク演算手段５６は、その第２の
周波数以下の信号を入力信号とするものであることか
ら、その第２の周波数ｆ2 以下の信号が逐次入力される
ことにより、破砕音信号の強度の時間変化の情報がニュ
ーラルネットワーク演算手段に入力されるので、本発明
者等の実験によれば、切れ込み深さの変化などに拘わら
ず、びびり推定精度が一層高められることが確認され
た。
【００４０】また、本実施例によれば、ＡＥセンサ１８
から出力される破砕音信号ＳAEのピーク値を結ぶ包絡線
信号ＳENから、そのＡＥセンサ１８と砥石車１０の研削
点との距離の周期的変化に対応する周波数成分を除去す
る帯域カットフィルタ３４を含むものであることから、
ＡＥセンサ１８が砥石車１０の適数ヶ所に設けられてい
る場合にそのＡＥセンサ１８と砥石車１０の研削点との
距離の周期的変化に対応する周波数成分の信号が破砕音
信号に含まれることが好適に防止されて、推定精度が高
められる。
から出力される破砕音信号ＳAEのピーク値を結ぶ包絡線
信号ＳENから、そのＡＥセンサ１８と砥石車１０の研削
点との距離の周期的変化に対応する周波数成分を除去す
る帯域カットフィルタ３４を含むものであることから、
ＡＥセンサ１８が砥石車１０の適数ヶ所に設けられてい
る場合にそのＡＥセンサ１８と砥石車１０の研削点との
距離の周期的変化に対応する周波数成分の信号が破砕音
信号に含まれることが好適に防止されて、推定精度が高
められる。
【００４１】次に、本発明の他の実施例を説明する。な
お、以下の説明において前述の実施例と共通する部分に
は同一の符号を付して説明を省略する。
お、以下の説明において前述の実施例と共通する部分に
は同一の符号を付して説明を省略する。
【００４２】図１２は、前記演算制御装置３８の他の構
成および作動例を説明する機能ブロック線図である。図
において、周波数成分信号抽出手段７０は、周波数解析
手段５０から出力された高周波成分信号ＳENHFの周波数
スペクトルの周波数成分の構成に関する情報を抽出す
る。たとえば周波数成分信号抽出手段７０は、上記周波
数スペクトルにおいて、ピーク判定手段５２により判定
された最大ピークに対応する周波数値ｆP を中心とする
所定の周波数帯、たとえばその周波数値ｆP の上下５０
０Hzの範囲内を設定し、その範囲内における周波数領域
情報としてたとえば上記最大ピークの面積比Ｒf を、前
述のニューラルネットワーク演算手段５６と同様に構成
されたニューラルネットワーク演算手段７２へ出力す
る。すなわち周波数成分信号抽出手段７０では、図１３
に示すように、上記周波数値ｆP の上下５００Hzの範囲
内において最大ピーク部分の面積をＳP 、その他の部分
の面積をＳS （＝ＳS1＋ＳS2）としたとき、それらの面
積ＳP およびＳS から、最大ピークの面積比Ｒf 〔＝Ｓ
P ／（ＳS ＋ＳP ）〕が算出される。それら面積ＳS 、
ＳP はそれに対応する周波数帯の信号強度を表すもので
あるから、上記周波数成分信号抽出手段７０は強度比算
出手段と称されてもよい。
成および作動例を説明する機能ブロック線図である。図
において、周波数成分信号抽出手段７０は、周波数解析
手段５０から出力された高周波成分信号ＳENHFの周波数
スペクトルの周波数成分の構成に関する情報を抽出す
る。たとえば周波数成分信号抽出手段７０は、上記周波
数スペクトルにおいて、ピーク判定手段５２により判定
された最大ピークに対応する周波数値ｆP を中心とする
所定の周波数帯、たとえばその周波数値ｆP の上下５０
０Hzの範囲内を設定し、その範囲内における周波数領域
情報としてたとえば上記最大ピークの面積比Ｒf を、前
述のニューラルネットワーク演算手段５６と同様に構成
されたニューラルネットワーク演算手段７２へ出力す
る。すなわち周波数成分信号抽出手段７０では、図１３
に示すように、上記周波数値ｆP の上下５００Hzの範囲
内において最大ピーク部分の面積をＳP 、その他の部分
の面積をＳS （＝ＳS1＋ＳS2）としたとき、それらの面
積ＳP およびＳS から、最大ピークの面積比Ｒf 〔＝Ｓ
P ／（ＳS ＋ＳP ）〕が算出される。それら面積ＳS 、
ＳP はそれに対応する周波数帯の信号強度を表すもので
あるから、上記周波数成分信号抽出手段７０は強度比算
出手段と称されてもよい。
【００４３】振幅信号抽出手段７４は、所定区間毎に、
ハイパスフィルター３０により包絡線信号ＳENから抽出
された第１の周波数（たとえば１ｋHz）ｆ1 以上の高周
波成分信号ＳENHF（図１４に示す）からＡＥ信号ＳAEの
変動状態を示す振幅値に関連する統計値ＳENHFAM、たと
えば振幅平均値、振幅値標準偏差、或いは最大振幅と最
小振幅との差を算出し、ニューラルネットワーク演算手
段７２へ出力する。この振幅統計値ＳENHFAMは、ＡＥ信
号ＳAEの変動状態を示している。
ハイパスフィルター３０により包絡線信号ＳENから抽出
された第１の周波数（たとえば１ｋHz）ｆ1 以上の高周
波成分信号ＳENHF（図１４に示す）からＡＥ信号ＳAEの
変動状態を示す振幅値に関連する統計値ＳENHFAM、たと
えば振幅平均値、振幅値標準偏差、或いは最大振幅と最
小振幅との差を算出し、ニューラルネットワーク演算手
段７２へ出力する。この振幅統計値ＳENHFAMは、ＡＥ信
号ＳAEの変動状態を示している。
【００４４】信号強度抽出手段７６は、ローパスフィル
ター３２により抽出された包絡線信号ＳENの第２の周波
数（たとえば１０Hz）ｆ2 以下の低帯域信号ＳENLFの定
常域レベルにおける平均値を所定時間毎に逐次算出し、
その平均値ＳENLFAVを低帯域信号ＳENLFの信号強度とし
てニューラルネットワーク演算手段７２へ逐次出力す
る。包絡線信号ＳENから弁別された低帯域信号ＳENLFは
ＡＥ信号ＳAEの実効値に対応するものであるから、その
低帯域信号ＳENLFの所定区間内の平均値或いは移動平均
値は、包絡線信号ＳENの信号強度を逐次示すのである。
上記低帯域信号Ｓ ENLFの定常域レベルとは、図１５の中
間区間に示すように、研削の立ち上がり部分、研削の終
了或いは研削能率の低下部分を除いた研削の進行中の区
間において、低帯域信号ＳENLFの大きさが定常的に略同
様となる状態を意味している。
ター３２により抽出された包絡線信号ＳENの第２の周波
数（たとえば１０Hz）ｆ2 以下の低帯域信号ＳENLFの定
常域レベルにおける平均値を所定時間毎に逐次算出し、
その平均値ＳENLFAVを低帯域信号ＳENLFの信号強度とし
てニューラルネットワーク演算手段７２へ逐次出力す
る。包絡線信号ＳENから弁別された低帯域信号ＳENLFは
ＡＥ信号ＳAEの実効値に対応するものであるから、その
低帯域信号ＳENLFの所定区間内の平均値或いは移動平均
値は、包絡線信号ＳENの信号強度を逐次示すのである。
上記低帯域信号Ｓ ENLFの定常域レベルとは、図１５の中
間区間に示すように、研削の立ち上がり部分、研削の終
了或いは研削能率の低下部分を除いた研削の進行中の区
間において、低帯域信号ＳENLFの大きさが定常的に略同
様となる状態を意味している。
【００４５】定常時傾斜値算出手段７８は、低帯域信号
ＳENLFの定常域レベルにおけるその低帯域信号ＳENLFの
傾き、傾斜値、時間変化値、或いは変化速度を比較的短
く設定された所定の区間毎に逐次算出し、その傾斜値Ｓ
ENLFSLを低帯域信号変化特徴値としてニューラルネット
ワーク演算手段７２へ逐次出力する。定常時ばらつき算
出手段７９は、上記低帯域信号ＳENLFの定常域レベルに
おけるその低帯域信号ＳENLFのばらつきを示す値、たと
えば定常域における低帯域信号ＳENLFの平均値に対する
最大値および最小値の幅、定常域における低帯域信号Ｓ
ENLFの回帰直線に対する分散値σ2 、或いは標準偏差σ
などを算出し、そのばらつきを示す値を低帯域信号変化
特徴値としてニューラルネットワーク演算手段７２へ逐
次出力する。
ＳENLFの定常域レベルにおけるその低帯域信号ＳENLFの
傾き、傾斜値、時間変化値、或いは変化速度を比較的短
く設定された所定の区間毎に逐次算出し、その傾斜値Ｓ
ENLFSLを低帯域信号変化特徴値としてニューラルネット
ワーク演算手段７２へ逐次出力する。定常時ばらつき算
出手段７９は、上記低帯域信号ＳENLFの定常域レベルに
おけるその低帯域信号ＳENLFのばらつきを示す値、たと
えば定常域における低帯域信号ＳENLFの平均値に対する
最大値および最小値の幅、定常域における低帯域信号Ｓ
ENLFの回帰直線に対する分散値σ2 、或いは標準偏差σ
などを算出し、そのばらつきを示す値を低帯域信号変化
特徴値としてニューラルネットワーク演算手段７２へ逐
次出力する。
【００４６】立上区間面積算出手段８０は、砥石車１０
の研削開始時における低帯域信号Ｓ ENLFの立ち上がり区
間の面積ＳUPを、その低帯域信号ＳENLFに基づいて算出
し、その立ち上がり区間の面積ＳUPを低帯域信号変化特
徴値としてニューラルネットワーク演算手段７２へ逐次
出力する。また、立上区間時定数算出手段８２は、砥石
車１０の研削開始時における低帯域信号ＳENLFの立ち上
がり区間においてその低帯域信号ＳENLFの立ち上がり曲
線の時定数ＴＣUPを、その低帯域信号ＳENLFに基づいて
算出し、その立ち上がり区間の時定数ＴＣUPを低帯域信
号変化特徴値としてニューラルネットワーク演算手段７
２へ逐次出力する。
の研削開始時における低帯域信号Ｓ ENLFの立ち上がり区
間の面積ＳUPを、その低帯域信号ＳENLFに基づいて算出
し、その立ち上がり区間の面積ＳUPを低帯域信号変化特
徴値としてニューラルネットワーク演算手段７２へ逐次
出力する。また、立上区間時定数算出手段８２は、砥石
車１０の研削開始時における低帯域信号ＳENLFの立ち上
がり区間においてその低帯域信号ＳENLFの立ち上がり曲
線の時定数ＴＣUPを、その低帯域信号ＳENLFに基づいて
算出し、その立ち上がり区間の時定数ＴＣUPを低帯域信
号変化特徴値としてニューラルネットワーク演算手段７
２へ逐次出力する。
【００４７】また、立下区間面積算出手段８４は、砥石
車１０の研削終了区間或いは研削能率低下区間における
低帯域信号ＳENLFの面積ＳDNを、その低帯域信号ＳENLF
に基づいて算出し、その立ち下がり区間の面積ＳDNを低
帯域信号変化特徴値としてニューラルネットワーク演算
手段７２へ逐次出力する。また、立下区間時定数算出手
段８６は、砥石車１０の研削終了区間或いは研削能率低
下区間においてその低帯域信号ＳENLFの立ち下がり曲線
の時定数ＴＣDNを、その低帯域信号ＳENLFに基づいて算
出し、その立ち下がり区間の時定数ＴＣDNを低帯域信号
変化特徴値としてニューラルネットワーク演算手段７２
へ逐次出力する。上記定常時傾斜値算出手段７８、定常
時ばらつき算出手段７９、立上区間面積算出手段８０、
立上区間時定数算出手段８２、立下区間面積算出手段８
４、および立下区間時定数算出手段８６は、低帯域信号
ＳENLFの時間変化の特徴を表す特徴値を算出する低帯域
信号変化特徴値算出手段として機能している。
車１０の研削終了区間或いは研削能率低下区間における
低帯域信号ＳENLFの面積ＳDNを、その低帯域信号ＳENLF
に基づいて算出し、その立ち下がり区間の面積ＳDNを低
帯域信号変化特徴値としてニューラルネットワーク演算
手段７２へ逐次出力する。また、立下区間時定数算出手
段８６は、砥石車１０の研削終了区間或いは研削能率低
下区間においてその低帯域信号ＳENLFの立ち下がり曲線
の時定数ＴＣDNを、その低帯域信号ＳENLFに基づいて算
出し、その立ち下がり区間の時定数ＴＣDNを低帯域信号
変化特徴値としてニューラルネットワーク演算手段７２
へ逐次出力する。上記定常時傾斜値算出手段７８、定常
時ばらつき算出手段７９、立上区間面積算出手段８０、
立上区間時定数算出手段８２、立下区間面積算出手段８
４、および立下区間時定数算出手段８６は、低帯域信号
ＳENLFの時間変化の特徴を表す特徴値を算出する低帯域
信号変化特徴値算出手段として機能している。
【００４８】ニューラルネットワーク演算手段７２は、
前記ニューラルネットワーク演算手段５６と同様の階層
型に構成されたニューラルネットワークＮＮを備えたも
のであり、そのニューラルネットワークＮＮは、その結
合係数（重み）ＷXij 、結合係数（重み）ＷYjk を所謂
誤差逆伝搬学習アルゴリズムによって学習させられたパ
ターン連想型のシステムである。その学習は、研削実験
によって予め完了させられているので、本実施例の砥石
寿命判定装置８の組み立て時には、上記結合係数（重
み）ＷXij 、結合係数（重み）ＷYjk は固定値が与えら
れている。本実施例のニューラルネットワークＮＮの出
力層の数ｔも１であり、運転指向の推定結果は、その一
つの神経細胞要素Ｚ1 の出力値ＮＮOUT に基づいて決定
される。たとえば、出力値ＮＮDRVOUTが「０」に近いほ
ど砥石寿命が未だ残されている状態すなわち比削材１６
の表面粗さが小さい状態を示し、「１」に近いほど比削
材１６の表面粗さが大きくい状態、すなわい表面粗さの
管理限界値を越えた状態を示すようにされる。
前記ニューラルネットワーク演算手段５６と同様の階層
型に構成されたニューラルネットワークＮＮを備えたも
のであり、そのニューラルネットワークＮＮは、その結
合係数（重み）ＷXij 、結合係数（重み）ＷYjk を所謂
誤差逆伝搬学習アルゴリズムによって学習させられたパ
ターン連想型のシステムである。その学習は、研削実験
によって予め完了させられているので、本実施例の砥石
寿命判定装置８の組み立て時には、上記結合係数（重
み）ＷXij 、結合係数（重み）ＷYjk は固定値が与えら
れている。本実施例のニューラルネットワークＮＮの出
力層の数ｔも１であり、運転指向の推定結果は、その一
つの神経細胞要素Ｚ1 の出力値ＮＮOUT に基づいて決定
される。たとえば、出力値ＮＮDRVOUTが「０」に近いほ
ど砥石寿命が未だ残されている状態すなわち比削材１６
の表面粗さが小さい状態を示し、「１」に近いほど比削
材１６の表面粗さが大きくい状態、すなわい表面粗さの
管理限界値を越えた状態を示すようにされる。
【００４９】砥石寿命判定手段８８は、上記のようにニ
ューラルネットワークＮＮを備えたニューラルネットワ
ーク演算手段７２からの出力信号の大きさが予め設定さ
れた判断基準値を越えたか否かを判断し、越えたと判断
された場合には、研削中の砥石車１０による比削材１６
の表面粗さが予め設定された加工基準公差の上限値を越
えたと推定されるので、砥石寿命であることを示す砥石
寿命信号ＳLLを出力装置４０へ出力し、砥石寿命である
ことを示す画像、音声を出力装置４０から出力させる
か、或いは砥石車１０を回転駆動する駆動モータを停止
させる停止信号を出力させる。
ューラルネットワークＮＮを備えたニューラルネットワ
ーク演算手段７２からの出力信号の大きさが予め設定さ
れた判断基準値を越えたか否かを判断し、越えたと判断
された場合には、研削中の砥石車１０による比削材１６
の表面粗さが予め設定された加工基準公差の上限値を越
えたと推定されるので、砥石寿命であることを示す砥石
寿命信号ＳLLを出力装置４０へ出力し、砥石寿命である
ことを示す画像、音声を出力装置４０から出力させる
か、或いは砥石車１０を回転駆動する駆動モータを停止
させる停止信号を出力させる。
【００５０】上述のように、本実施例の砥石寿命判定装
置８によれば、破砕音検出装置として機能するＡＥセン
サ１８により砥石部１２に含まれる砥粒の破砕に伴って
放射されて砥石内を伝播する超音波が検出され、周波数
解析手段５０により、超音波を表す破砕音信号ＳAEの包
絡線を表す包絡線信号ＳENが周波数解析され、ニューラ
ルネットワーク演算手段７２により、その周波数解析の
結果得られた周波数スペクトルに基づいて、砥石車１０
により研削加工される被削材１６の表面粗さが推定され
る。したがって、本実施例によれば、研削中に砥石部１
２から発生する超音波はたとえば１００ｋHz以上の高い
周波数であるが、その超音波を表す破砕音信号ＳAEの包
絡線を表す包絡線信号ＳENが用いられることによって信
号処理が可能な比較的低い周波数とされ、その包絡線信
号ＳENの周波数スペクトルに基づいて被削材１６の表面
粗さが推定されるので、その表面粗さの推定が高い精度
でリアルタイムで行われ、砥石寿命がリアルタイムで判
定される。しかも、被削材１６の表面粗さの推定が高い
精度で行われる結果、被削材１６の表面粗さを所定の目
標値以内とする研削加工に用いることができるようにな
る。
置８によれば、破砕音検出装置として機能するＡＥセン
サ１８により砥石部１２に含まれる砥粒の破砕に伴って
放射されて砥石内を伝播する超音波が検出され、周波数
解析手段５０により、超音波を表す破砕音信号ＳAEの包
絡線を表す包絡線信号ＳENが周波数解析され、ニューラ
ルネットワーク演算手段７２により、その周波数解析の
結果得られた周波数スペクトルに基づいて、砥石車１０
により研削加工される被削材１６の表面粗さが推定され
る。したがって、本実施例によれば、研削中に砥石部１
２から発生する超音波はたとえば１００ｋHz以上の高い
周波数であるが、その超音波を表す破砕音信号ＳAEの包
絡線を表す包絡線信号ＳENが用いられることによって信
号処理が可能な比較的低い周波数とされ、その包絡線信
号ＳENの周波数スペクトルに基づいて被削材１６の表面
粗さが推定されるので、その表面粗さの推定が高い精度
でリアルタイムで行われ、砥石寿命がリアルタイムで判
定される。しかも、被削材１６の表面粗さの推定が高い
精度で行われる結果、被削材１６の表面粗さを所定の目
標値以内とする研削加工に用いることができるようにな
る。
【００５１】また、本実施例では、包絡線信号ＳENのう
ち予め設定された第１の周波数ｆ1以上の高帯域信号Ｓ
ENHFを抽出して周波数解析手段５０に入力させるハイパ
スフィルター３０が設けられ、振幅信号抽出手段７４
は、そのハイパスフィルター３０により抽出された高帯
域信号ＳENHFから包絡線信号ＳENの交流成分の振幅を表
す振幅信号を抽出することから、たとえば１ＫHz程度の
第１の周波数ｆ1 以上の交流信号から振幅信号ＳENHFAM
が抽出されることにより、表面粗さに関連しない周波数
帯の演算が不要となって演算時間が短縮される利点があ
る。
ち予め設定された第１の周波数ｆ1以上の高帯域信号Ｓ
ENHFを抽出して周波数解析手段５０に入力させるハイパ
スフィルター３０が設けられ、振幅信号抽出手段７４
は、そのハイパスフィルター３０により抽出された高帯
域信号ＳENHFから包絡線信号ＳENの交流成分の振幅を表
す振幅信号を抽出することから、たとえば１ＫHz程度の
第１の周波数ｆ1 以上の交流信号から振幅信号ＳENHFAM
が抽出されることにより、表面粗さに関連しない周波数
帯の演算が不要となって演算時間が短縮される利点があ
る。
【００５２】また、本実施例では、包絡線信号ＳENのう
ち予め設定された第１の周波数ｆ1以上の高帯域信号Ｓ
ENHFを抽出して周波数成分信号抽出析手段７０に入力さ
せるハイパスフィルター３０が設けられ、その周波数成
分信号抽出手段７０は、そのハイパスフィルター３０に
より抽出された包絡線信号ＳENの周波数スペクトルを所
定時間毎に逐次算出し、その周波数スペクトルに含まれ
るピークを中心とする所定の周波数帯域の信号強度と該
所定の周波数帯域外の信号強度との比を表す信号強度比
Ｒf を周波数成分信号として出力するものである。この
ため、包絡線信号ＳENのうちたとえば１ＫHz程度の第１
の周波数ｆ1 以上の交流信号から、それに含まれるピー
クを中心とする所定の周波数帯域の信号強度（ＳP ）と
該所定の周波数帯域毎の信号強度（Ｓ1 ＋Ｓ2 ）との比
を表す信号強度比Ｒf が算出されることにより、被削材
１６の表面粗さに関連しない周波数帯の演算が不要とな
って演算時間が短縮される利点がある。
ち予め設定された第１の周波数ｆ1以上の高帯域信号Ｓ
ENHFを抽出して周波数成分信号抽出析手段７０に入力さ
せるハイパスフィルター３０が設けられ、その周波数成
分信号抽出手段７０は、そのハイパスフィルター３０に
より抽出された包絡線信号ＳENの周波数スペクトルを所
定時間毎に逐次算出し、その周波数スペクトルに含まれ
るピークを中心とする所定の周波数帯域の信号強度と該
所定の周波数帯域外の信号強度との比を表す信号強度比
Ｒf を周波数成分信号として出力するものである。この
ため、包絡線信号ＳENのうちたとえば１ＫHz程度の第１
の周波数ｆ1 以上の交流信号から、それに含まれるピー
クを中心とする所定の周波数帯域の信号強度（ＳP ）と
該所定の周波数帯域毎の信号強度（Ｓ1 ＋Ｓ2 ）との比
を表す信号強度比Ｒf が算出されることにより、被削材
１６の表面粗さに関連しない周波数帯の演算が不要とな
って演算時間が短縮される利点がある。
【００５３】また、本実施例では、包絡線信号ＳENのう
ち予め設定された第２の周波数ｆ2以下の低帯域信号Ｓ
ENLFを抽出して強度信号抽出手段７６に入力させるロー
パスフィルター３２が設けられ、その強度信号抽出手段
７６は、そのローパスフィルター３２により抽出された
包絡線信号ＳENの第２の周波数ｆ2 以下の低帯域信号Ｓ
ENLFの強度の平均値を所定時間毎に逐次算出し、その平
均値を前記強度信号Ｓ ENLFAVとして出力するものであ
る。このため、包絡線信号ＳENのうち直流成分を含むた
とえば１０Hz程度の第２の周波数ｆ2 以下の低帯域信号
ＳENLFは破砕信号の実効値に対応することから、その低
帯域信号ＳENLFからその強度が所定時間毎に算出される
ので、研削中において研削に関与する砥粒数およびその
時間的変化に関連した情報が得られ、前記ニューラルネ
ットワーク演算手段７２へ入力される利点がある。
ち予め設定された第２の周波数ｆ2以下の低帯域信号Ｓ
ENLFを抽出して強度信号抽出手段７６に入力させるロー
パスフィルター３２が設けられ、その強度信号抽出手段
７６は、そのローパスフィルター３２により抽出された
包絡線信号ＳENの第２の周波数ｆ2 以下の低帯域信号Ｓ
ENLFの強度の平均値を所定時間毎に逐次算出し、その平
均値を前記強度信号Ｓ ENLFAVとして出力するものであ
る。このため、包絡線信号ＳENのうち直流成分を含むた
とえば１０Hz程度の第２の周波数ｆ2 以下の低帯域信号
ＳENLFは破砕信号の実効値に対応することから、その低
帯域信号ＳENLFからその強度が所定時間毎に算出される
ので、研削中において研削に関与する砥粒数およびその
時間的変化に関連した情報が得られ、前記ニューラルネ
ットワーク演算手段７２へ入力される利点がある。
【００５４】また、本実施例では、包絡線信号ＳENのう
ち予め設定された第２の周波数ｆ2以下の信号を抽出す
るローパスフィルター３２が設けられ、そのローパスフ
ィルター３２により包絡線信号ＳENの第２の周波数ｆ2
以下の低帯域から抽出された低帯域信号ＳENLFに基づい
て、その低帯域信号ＳENLFの時間的変化の特徴値を算出
する低帯域信号変化特徴値算出手段（７８、８０、８
２、８４、８６）とを含み、前記ニューラルネットワー
ク演算手段７２は、その低帯域信号変化特徴値算出手段
により算出された特徴値を入力信号とするものである。
このため、包絡線信号ＳENのうち直流成分を含むたとえ
ば１０Hz程度の第２の周波数ｆ2 以下の低帯域信号Ｓ
ENLFの強度の時間的変化の特徴値から、研削中において
研削に関与する砥粒数の時間的変化に関連した情報が得
られる利点がある。
ち予め設定された第２の周波数ｆ2以下の信号を抽出す
るローパスフィルター３２が設けられ、そのローパスフ
ィルター３２により包絡線信号ＳENの第２の周波数ｆ2
以下の低帯域から抽出された低帯域信号ＳENLFに基づい
て、その低帯域信号ＳENLFの時間的変化の特徴値を算出
する低帯域信号変化特徴値算出手段（７８、８０、８
２、８４、８６）とを含み、前記ニューラルネットワー
ク演算手段７２は、その低帯域信号変化特徴値算出手段
により算出された特徴値を入力信号とするものである。
このため、包絡線信号ＳENのうち直流成分を含むたとえ
ば１０Hz程度の第２の周波数ｆ2 以下の低帯域信号Ｓ
ENLFの強度の時間的変化の特徴値から、研削中において
研削に関与する砥粒数の時間的変化に関連した情報が得
られる利点がある。
【００５５】また、本実施例では、低帯域信号ＳENLFの
定常域レベルにおけるその低帯域信号ＳENLFの傾き、傾
斜値、時間変化値、或いは変化速度を比較的短く設定さ
れた所定の区間毎に逐次算出し、その傾斜値ＳENLFSLを
低帯域信号変化特徴値としてニューラルネットワーク演
算手段７２へ逐次出力する定常時傾斜値算出手段７８
と、上記低帯域信号ＳENLFの定常域レベルにおけるその
低帯域信号ＳENLFのばらつきを示す値を算出し、そのば
らつきを示す値を低帯域信号変化特徴値としてニューラ
ルネットワーク演算手段７２へ逐次出力する定常時ばら
つき算出手段７９と、砥石車１０の研削開始時における
低帯域信号ＳENLFの立ち上がり区間の面積ＳUPを、その
低帯域信号ＳENLFに基づいて算出し、その立ち上がり区
間の面積Ｓ UPを低帯域信号変化特徴値としてニューラル
ネットワーク演算手段７２へ逐次出力する立上区間面積
算出手段８０と、砥石車１０の研削開始時における低帯
域信号ＳENLFの立ち上がり区間においてその低帯域信号
ＳENLFの立ち上がり曲線の時定数ＴＣUPを、その低帯域
信号ＳENLFに基づいて算出し、その立ち上がり区間の時
定数ＴＣUPを低帯域信号変化特徴値としてニューラルネ
ットワーク演算手段７２へ逐次出力する立上区間時定数
算出手段８２と、砥石車１０の研削終了区間或いは研削
能率低下区間における低帯域信号ＳENLFの面積ＳDNを、
その低帯域信号ＳENLFに基づいて算出し、その立ち下が
り区間の面積ＳDNを低帯域信号変化特徴値としてニュー
ラルネットワーク演算手段７２へ逐次出力する立下区間
面積算出手段８４と、砥石車１０の研削終了区間或いは
研削能率低下区間においてその低帯域信号ＳENLFの立ち
下がり曲線の時定数ＴＣDNを、その低帯域信号ＳENLFに
基づいて算出し、その立ち下がり区間の時定数ＴＣDNを
低帯域信号変化特徴値としてニューラルネットワーク演
算手段７２へ逐次出力する立下区間時定数算出手段８６
とが、低帯域信号ＳENLFの時間変化の特徴を表す特徴値
を算出する低帯域信号変化特徴値算出手段として設けら
れているので、低帯域信号ＳENLFの時間変化に関する情
報がニューラルネットワーク演算手段７２へ入力され、
推定精度が高められる利点がある。
定常域レベルにおけるその低帯域信号ＳENLFの傾き、傾
斜値、時間変化値、或いは変化速度を比較的短く設定さ
れた所定の区間毎に逐次算出し、その傾斜値ＳENLFSLを
低帯域信号変化特徴値としてニューラルネットワーク演
算手段７２へ逐次出力する定常時傾斜値算出手段７８
と、上記低帯域信号ＳENLFの定常域レベルにおけるその
低帯域信号ＳENLFのばらつきを示す値を算出し、そのば
らつきを示す値を低帯域信号変化特徴値としてニューラ
ルネットワーク演算手段７２へ逐次出力する定常時ばら
つき算出手段７９と、砥石車１０の研削開始時における
低帯域信号ＳENLFの立ち上がり区間の面積ＳUPを、その
低帯域信号ＳENLFに基づいて算出し、その立ち上がり区
間の面積Ｓ UPを低帯域信号変化特徴値としてニューラル
ネットワーク演算手段７２へ逐次出力する立上区間面積
算出手段８０と、砥石車１０の研削開始時における低帯
域信号ＳENLFの立ち上がり区間においてその低帯域信号
ＳENLFの立ち上がり曲線の時定数ＴＣUPを、その低帯域
信号ＳENLFに基づいて算出し、その立ち上がり区間の時
定数ＴＣUPを低帯域信号変化特徴値としてニューラルネ
ットワーク演算手段７２へ逐次出力する立上区間時定数
算出手段８２と、砥石車１０の研削終了区間或いは研削
能率低下区間における低帯域信号ＳENLFの面積ＳDNを、
その低帯域信号ＳENLFに基づいて算出し、その立ち下が
り区間の面積ＳDNを低帯域信号変化特徴値としてニュー
ラルネットワーク演算手段７２へ逐次出力する立下区間
面積算出手段８４と、砥石車１０の研削終了区間或いは
研削能率低下区間においてその低帯域信号ＳENLFの立ち
下がり曲線の時定数ＴＣDNを、その低帯域信号ＳENLFに
基づいて算出し、その立ち下がり区間の時定数ＴＣDNを
低帯域信号変化特徴値としてニューラルネットワーク演
算手段７２へ逐次出力する立下区間時定数算出手段８６
とが、低帯域信号ＳENLFの時間変化の特徴を表す特徴値
を算出する低帯域信号変化特徴値算出手段として設けら
れているので、低帯域信号ＳENLFの時間変化に関する情
報がニューラルネットワーク演算手段７２へ入力され、
推定精度が高められる利点がある。
【００５６】また、本実施例においても、ＡＥセンサ１
８から出力される破砕音信号ＳAEのピーク値を結ぶ包絡
線を表す包絡線信号ＳENから、そのＡＥセンサ１８と砥
石車１０あるいはその砥石部１２の研削点（被削材１６
との接触点）との距離の周期的変化に対応する周波数成
分を除去する帯域カットフィルタ３４が設けられている
ことから、ＡＥセンサ１８と砥石車１０の研削点との距
離の周期的変化に対応する周波数成分の信号が破砕音信
号ＳAEに含まれることが好適に防止されて、推定精度が
高められる。
８から出力される破砕音信号ＳAEのピーク値を結ぶ包絡
線を表す包絡線信号ＳENから、そのＡＥセンサ１８と砥
石車１０あるいはその砥石部１２の研削点（被削材１６
との接触点）との距離の周期的変化に対応する周波数成
分を除去する帯域カットフィルタ３４が設けられている
ことから、ＡＥセンサ１８と砥石車１０の研削点との距
離の周期的変化に対応する周波数成分の信号が破砕音信
号ＳAEに含まれることが好適に防止されて、推定精度が
高められる。
【００５７】図１６は、有線による信号伝送システムを
採用するために、ＡＥセンサ１８、プリアンプ２０、包
絡線処理回路２２、ハイパスフィルター３０、ローパス
フィルター３２が電線を介して接続された実施例を示し
ている。本実施例の被切削材９０は、円筒状であって、
その内周面がモータ９２によって回転駆動される砥石軸
９４の軸端に固定された砥石車９６によってその内周面
が研削されるようになっている。この砥石車９２内に設
けられたＡＥセンサ１８は、リード線９８およびスリッ
プリング装置１００を介してプリアンプ２０と接続され
ており、ＡＥセンサ１８から出力された破砕音信号ＳAE
が位置固定のプリアンプ２０へ入力されるようになって
いる。
採用するために、ＡＥセンサ１８、プリアンプ２０、包
絡線処理回路２２、ハイパスフィルター３０、ローパス
フィルター３２が電線を介して接続された実施例を示し
ている。本実施例の被切削材９０は、円筒状であって、
その内周面がモータ９２によって回転駆動される砥石軸
９４の軸端に固定された砥石車９６によってその内周面
が研削されるようになっている。この砥石車９２内に設
けられたＡＥセンサ１８は、リード線９８およびスリッ
プリング装置１００を介してプリアンプ２０と接続され
ており、ＡＥセンサ１８から出力された破砕音信号ＳAE
が位置固定のプリアンプ２０へ入力されるようになって
いる。
【００５８】以上、本発明の一実施例を図面に基づいて
説明したが、本発明はその他の態様においても適用され
る。
説明したが、本発明はその他の態様においても適用され
る。
【００５９】たとえば、前述の実施例において、砥石車
１０、９２内には１個のＡＥセンサ１８が設けられてい
たが、２以上のＡＥセンサ１８が等角度間隔に設けられ
ていてもよい。この場合には、帯域カットフィルター３
４のカット中心周波数がＡＥセンサ１８の個数に相当す
る倍数とされる。
１０、９２内には１個のＡＥセンサ１８が設けられてい
たが、２以上のＡＥセンサ１８が等角度間隔に設けられ
ていてもよい。この場合には、帯域カットフィルター３
４のカット中心周波数がＡＥセンサ１８の個数に相当す
る倍数とされる。
【００６０】また、前述の実施例の砥石車１０は円筒状
であったが、カップ状などの他の形状であってもよい
し、前述の実施例の砥石車１０の本体１４内には、回転
不釣合自動修正機構、振動検出機構、温度検出機構など
が必要に応じて設けられ得る。
であったが、カップ状などの他の形状であってもよい
し、前述の実施例の砥石車１０の本体１４内には、回転
不釣合自動修正機構、振動検出機構、温度検出機構など
が必要に応じて設けられ得る。
【００６１】また、前述の図１の実施例では、砥石車１
０内にプリアンプ２０、包絡線処理回路２２が設けられ
ていたが、それらプリアンプ２０、包絡線処理回路２２
砥石車１０の外において位置固定に設けられていてもよ
いし、反対に、ハイパスフィルター３０、ローパスフィ
ルター３２、演算制御装置３８が砥石車１０内に設けら
れても差し支えない。
０内にプリアンプ２０、包絡線処理回路２２が設けられ
ていたが、それらプリアンプ２０、包絡線処理回路２２
砥石車１０の外において位置固定に設けられていてもよ
いし、反対に、ハイパスフィルター３０、ローパスフィ
ルター３２、演算制御装置３８が砥石車１０内に設けら
れても差し支えない。
【００６２】また、前述の実施例の実施例では、ハイパ
スフィルター３０およびローパスフィルター３２は演算
制御装置３８の外に設けられていたが、演算制御装置３
８内に設けられてもよいし、ソフト処理によってハイパ
スフィルター機能およびローパスフィルター機能が備え
られてもよい。
スフィルター３０およびローパスフィルター３２は演算
制御装置３８の外に設けられていたが、演算制御装置３
８内に設けられてもよいし、ソフト処理によってハイパ
スフィルター機能およびローパスフィルター機能が備え
られてもよい。
【００６３】また、前述の実施例の包絡線処理回路２２
では、半波整流が行われていたが、全波整流であっても
よい。
では、半波整流が行われていたが、全波整流であっても
よい。
【００６４】また、前述の実施例では、ハイパスフィル
ター３０が設けられていたが、記憶容量や処理時間に余
裕があれば、必ずしも必要がない。
ター３０が設けられていたが、記憶容量や処理時間に余
裕があれば、必ずしも必要がない。
【００６５】また、前述の図９の実施例では、高周波成
分正規化手段５４および低周波成分正規化手段６０が設
けられていたが、必ずしも必要がない。
分正規化手段５４および低周波成分正規化手段６０が設
けられていたが、必ずしも必要がない。
【００６６】また、前述の図１２の実施例では、立上区
間面積算出手段８０、立上区間時定数算出手段８２、立
下区間面積算出手段８４、および立下区間時定数算出手
段８６が、低帯域信号ＳENLFの時間変化の特徴を表す特
徴値を算出する低帯域信号変化特徴値算出手段として設
けられていたが、それら４つのうちのいずれか１つが設
けられていれば、低帯域信号ＳENLFの時間変化の特徴が
ニューラルネットワーク演算手段７２へ入力される。
間面積算出手段８０、立上区間時定数算出手段８２、立
下区間面積算出手段８４、および立下区間時定数算出手
段８６が、低帯域信号ＳENLFの時間変化の特徴を表す特
徴値を算出する低帯域信号変化特徴値算出手段として設
けられていたが、それら４つのうちのいずれか１つが設
けられていれば、低帯域信号ＳENLFの時間変化の特徴が
ニューラルネットワーク演算手段７２へ入力される。
【００６７】また、前述の図１および図１６の実施例
は、平面研削或いは内周研削であったが、センタレス研
削などの他の研削加工であっても差し支えない。
は、平面研削或いは内周研削であったが、センタレス研
削などの他の研削加工であっても差し支えない。
【００６８】なお、上述したのはあくまでも本発明の一
実施例であり、本発明はその主旨を逸脱しない範囲にお
いて種々変更が加えられ得るものである。
実施例であり、本発明はその主旨を逸脱しない範囲にお
いて種々変更が加えられ得るものである。
【図１】本発明の一実施例の砥石寿命推定装置の主要構
成を説明する図である。
成を説明する図である。
【図２】図１のプリアンプの回路構成例を説明する図で
ある。
ある。
【図３】図２のプリアンプの濾波特性を説明する周波数
特性図である。
特性図である。
【図４】図１の包絡線処理回路の回路構成例を説明する
図である。
図である。
【図５】図１の包絡線処理回路に入力されるＡＥ信号Ｓ
AE、その包絡線処理回路内で半波整流された波形、その
包絡線処理回路内で半波整流された波形から発生させら
れた包絡線をそれぞれ示す図である。
AE、その包絡線処理回路内で半波整流された波形、その
包絡線処理回路内で半波整流された波形から発生させら
れた包絡線をそれぞれ示す図である。
【図６】図１のハイパスフィルターの濾波特性を説明す
る周波数特性図である。
る周波数特性図である。
【図７】図１の帯域カットフィルターの濾波特性を説明
する周波数特性図である。
する周波数特性図である。
【図８】図１のローパスフィルターの濾波特性を説明す
る周波数特性図である。
る周波数特性図である。
【図９】図１の演算制御装置の制御機能および作動を説
明する機能ブロック線図である。
明する機能ブロック線図である。
【図１０】図９の周波数解析手段から出力された周波数
スペクトルを示す図である。
スペクトルを示す図である。
【図１１】図９のローパスフィルターから出力された低
周波成分信号ＳENLFの信号レベルの時間変化を示す図で
ある。
周波成分信号ＳENLFの信号レベルの時間変化を示す図で
ある。
【図１２】本発明の他の実施例における演算制御装置の
制御機能および作動を説明する機能ブロック線図であ
る。
制御機能および作動を説明する機能ブロック線図であ
る。
【図１３】図１２の実施例における周波数解析手段から
出力された周波数スペクトルを示す図である。
出力された周波数スペクトルを示す図である。
【図１４】図１２の実施例における高周波成分信号Ｓ
ENHFの波形を示す図である。
ENHFの波形を示す図である。
【図１５】図１２の実施例におけるローパスフィルター
から出力された低周波成分信号Ｓ ENLFの信号レベルの時
間変化を示す図である。
から出力された低周波成分信号Ｓ ENLFの信号レベルの時
間変化を示す図である。
【図１６】本発明の他の実施例における砥石車およびそ
れに設けられたＡＥセンサを示す図である。
れに設けられたＡＥセンサを示す図である。
１０、９６：砥石車 １６、９０：被削材 １８：ＡＥセンサ（破砕音検出装置） ２２：包絡線発生回路（包絡線発生手段） ３０：ハイパスフィルタ（ハイパスフィルタ手段） ３２：ローパスフィルタ（ローパスフィルタ手段） ３４：帯域カットフィルタ（帯域信号除去フィルタ手
段） ５０：周波数解析手段 ５２：ピーク判定手段 ５４：高周波数成分正規化手段 ５６、７２：ニューラルネットワーク演算手段 ５８：記憶手段 ６０：低周波数成分正規化手段 ７０：周波数成分信号抽出手段 ７４：振幅信号抽出手段 ７６：強度信号抽出手段
段） ５０：周波数解析手段 ５２：ピーク判定手段 ５４：高周波数成分正規化手段 ５６、７２：ニューラルネットワーク演算手段 ５８：記憶手段 ６０：低周波数成分正規化手段 ７０：周波数成分信号抽出手段 ７４：振幅信号抽出手段 ７６：強度信号抽出手段
Claims (17)
- 【請求項１】 被削材の研削中に発生する砥石のびびり
振動を推定し、該びびり振動に基づいて該砥石の寿命を
判定する砥石寿命判定装置であって、 前記砥石に含まれる砥粒の破砕に伴って放射されて該砥
石内を伝播する超音波を検出し、該超音波を表す破砕音
信号を出力する破砕音検出装置と、 該破砕音検出装置から出力される破砕音信号の包絡線を
表す包絡線信号を周波数解析して周波数スペクトルを出
力する周波数解析手段と、 該周波数解析手段にから出力される周波数スペクトルで
あって、前記びびり振動に関連するピークを含む周波数
スペクトルを構成する各周波数成分を入力信号とし、該
入力信号に基づいて前記砥石のびびり振動を推定するニ
ューラルネットワーク演算手段とを、含むことを特徴と
する砥石寿命判定装置。 - 【請求項２】 前記包絡線を表す信号のうち予め設定さ
れた第１の周波数以上の信号を抽出して前記周波数解析
手段に入力させるハイパスフィルタ手段を含むものであ
る請求項１の砥石寿命判定装置。 - 【請求項３】 前記周波数解析手段にから出力される周
波数スペクトルに含まれる、前記びびり振動に関連する
ピークを判定するピーク判定手段と、 該ピーク判定手段によりピークが判定された場合には、
前記周波数解析手段にから出力される周波数スペクトル
のうち、該ピークを中心とする所定幅の周波数帯のスペ
クトル信号を抽出するスペクトル信号抽出手段と、 該スペクトル信号抽出手段により抽出されたスペクトル
信号の大きさをその最大値を基準として標準化し、それ
ら標準化されたスペクトル信号を前記ニューラルネット
ワーク演算手段へ入力させるスペクトル信号標準化手段
とを、含むものである請求項１または２の砥石寿命判定
装置。 - 【請求項４】 前記包絡線を表す信号のうち前記第２の
周波数よりも低く予め設定された第２の周波数以下の信
号を抽出するローパスフィルタ手段を含み、前記ニュー
ラルネットワーク演算手段は、該第２の周波数以下の信
号を入力信号とするものである請求項２または３の砥石
寿命判定装置。 - 【請求項５】 前記破砕音検出装置から出力される破砕
音信号のピーク値を結ぶ包絡線を表す信号から、該破砕
音信号検出装置と前記砥石の研削点との距離の周期的変
化に対応する周波数成分を除去する帯域信号除去フィル
タ手段を含むものである請求項１乃至４のいずれかに記
載の砥石寿命判定装置。 - 【請求項６】 研削中の被削材の表面粗さを推定し、該
表面粗さに基づいて砥石の寿命を判定する砥石寿命判定
装置であって、 前記砥石に含まれる砥粒の破砕に伴って放射されて該砥
石内を伝播する超音波を検出し、該超音波を表す破砕音
信号を出力する破砕音検出装置と、 該破砕音検出装置から出力される破砕音信号の包絡線を
表す包絡線信号を発生させる包絡線信号発生手段と、 該包絡線信号発生手段により発生された包絡線信号から
その交流成分の振幅を表す振幅信号を抽出する振幅信号
抽出手段と、 前記包絡線信号発生手段により発生された包絡線信号か
らそれを構成する各周波数成分を表す周波数成分信号を
抽出する周波数成分信号抽出手段と、 前記包絡線信号発生手段により発生された包絡線信号か
らその信号強度を表す強度信号を抽出する強度信号抽出
手段と前記包絡線信号の交流成分の振幅を表す振幅信
号、該包絡線信号の周波数成分を表す周波数成分信号、
および該包絡線信号の強度を表す信号強度情報を入力信
号とし、該入力信号に基づいて前記被削材の表面粗さを
推定するニューラルネットワーク演算手段とを、含むこ
とを特徴とする砥石寿命判定装置。 - 【請求項７】 前記包絡線を表す信号のうち予め設定さ
れた第１の周波数以上の信号を抽出して前記振幅信号抽
出析手段に入力させるハイパスフィルタ手段を含み、該
振幅信号抽出手段は、該ハイパスフィルタ手段により抽
出された包絡線信号の振幅の統計値を所定時間毎に逐次
算出し、該統計値を前記振幅信号として出力するもので
ある請求項６の砥石寿命判定装置。 - 【請求項８】 前記包絡線を表す信号のうち予め設定さ
れた第１の周波数以上の信号を抽出して前記周波数成分
信号抽出析手段に入力させるハイパスフィルタ手段を含
み、該周波数成分信号抽出手段は、該ハイパスフィルタ
手段により抽出された包絡線信号の周波数スペクトルを
所定時間毎に逐次算出し、該周波数スペクトルに含まれ
るピークを中心とする所定の周波数帯域の信号強度と該
所定の周波数帯域外の信号強度との比を表す信号強度比
を前記周波数成分信号として出力するものである請求項
６の砥石寿命判定装置。 - 【請求項９】 前記包絡線を表す信号のうち前記第１の
周波数よりも低く予め設定された第２の周波数以下の信
号を抽出して前記強度信号抽出手段に入力させるローパ
スフィルタ手段を含み、該強度信号抽出手段は、該ロー
パスフィルタ手段により抽出された包絡線信号の第２の
周波数以下の低帯域信号強度の平均値を所定時間毎に逐
次算出し、該平均値を前記強度信号として出力するもの
である請求項７または８の砥石寿命判定装置。 - 【請求項１０】 前記包絡線を表す信号のうち予め設定
された第２の周波数以下の信号を抽出するローパスフィ
ルタ手段を含み、前記強度信号抽出手段により前記包絡
線信号の所定周波数以下の低帯域から抽出された強度信
号に基づいて、その強度信号の時間的変化の特徴値を算
出する強度信号変化特徴値算出手段を含み、前記ニュー
ラルネットワーク演算手段は、該強度信号変化特徴値算
出手段により算出された特徴値を入力信号とするもので
ある請求項６の砥石寿命判定装置。 - 【請求項１１】 前記強度信号変化特徴値算出手段は、
前記砥石の研削期間内における前記強度信号の大きさの
傾きを算出するものである請求項１０の砥石寿命判定装
置。 - 【請求項１２】 前記強度信号変化特徴値算出手段は、
前記砥石の研削期間内における前記強度信号の大きさの
ばらつきを示す値を算出するものである請求項１０の砥
石寿命判定装置。 - 【請求項１３】 前記強度信号変化特徴値算出手段は、
前記砥石の研削開始時における前記強度信号の立ち上が
り区間の面積を算出するものである請求項１０の砥石寿
命判定装置。 - 【請求項１４】 前記強度信号変化特徴値算出手段は、
前記砥石の研削開始時における前記強度信号の立ち上が
り区間の時定数を算出するものである請求項１０の砥石
寿命判定装置。 - 【請求項１５】 前記強度信号変化特徴値算出手段は、
前記砥石の研削終末時における前記強度信号の立ち下が
り区間の面積を算出するものである請求項１０の砥石寿
命判定装置。 - 【請求項１６】 前記強度信号変化特徴値算出手段は、
前記砥石の研削終末時における前記強度信号の立ち下が
り区間の時定数を算出するものである請求項１０の砥石
寿命判定装置。 - 【請求項１７】 前記破砕音検出装置から出力される破
砕音信号のピーク値を結ぶ包絡線を表す信号から、該破
砕音信号検出装置と前記砥石の研削点との距離の周期的
変化に対応する周波数成分を除去する帯域信号除去フィ
ルタ手段を含むものである請求項６乃至１５のいずれか
に記載の砥石寿命判定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16988697A JP3439324B2 (ja) | 1997-06-26 | 1997-06-26 | 砥石寿命判定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16988697A JP3439324B2 (ja) | 1997-06-26 | 1997-06-26 | 砥石寿命判定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1110535A true JPH1110535A (ja) | 1999-01-19 |
| JP3439324B2 JP3439324B2 (ja) | 2003-08-25 |
Family
ID=15894788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16988697A Expired - Fee Related JP3439324B2 (ja) | 1997-06-26 | 1997-06-26 | 砥石寿命判定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3439324B2 (ja) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005216294A (ja) * | 2004-01-13 | 2005-08-11 | Crf Soc Consortile Per Azioni | 工業プロセス、特にレーザ溶接プロセスの品質制御方法 |
| JP2008254080A (ja) * | 2007-04-02 | 2008-10-23 | Mitsubishi Electric Corp | 加工工具寿命検出方法及び加工工具寿命検出装置 |
| WO2010116825A1 (ja) * | 2009-04-10 | 2010-10-14 | エヌティーエンジニアリング株式会社 | 作業機械のびびり抑制方法及び装置 |
| US7869896B2 (en) | 2006-08-24 | 2011-01-11 | Jtekt Corporation | Tangential grinding resistance measuring method and apparatus, and applications thereof to grinding condition decision and wheel life judgment |
| JP2011161520A (ja) * | 2010-02-04 | 2011-08-25 | Koyo Electronics Ind Co Ltd | センタレス研削盤 |
| JP2012196740A (ja) * | 2011-03-22 | 2012-10-18 | Tokyo Seimitsu Co Ltd | 定寸装置 |
| JP2012206230A (ja) * | 2011-03-30 | 2012-10-25 | Brother Industries Ltd | 加工びびり振動検出装置、及び工作機械 |
| TWI381904B (zh) * | 2009-12-03 | 2013-01-11 | Nat Univ Chung Cheng | The method of detecting the grinding characteristics and service life of the polishing pad |
| CN103116032A (zh) * | 2013-01-18 | 2013-05-22 | 北京金风科创风电设备有限公司 | 用于获取风力发电机组的转速的方法和设备 |
| JP2015000436A (ja) * | 2013-06-12 | 2015-01-05 | 株式会社東京精密 | ウエハ面取り装置 |
| JP2016064458A (ja) * | 2014-09-24 | 2016-04-28 | 株式会社ワークス | 自動研削加工装置 |
| JP2017202632A (ja) * | 2016-05-12 | 2017-11-16 | ファナック株式会社 | 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 |
| KR20180036199A (ko) * | 2016-09-30 | 2018-04-09 | 화천기공 주식회사 | 가공 정밀도 향상을 위한 공작 기계의 채터 검출방법 |
| JP2018094686A (ja) * | 2016-12-14 | 2018-06-21 | ファナック株式会社 | 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法 |
| JP2019030963A (ja) * | 2018-11-19 | 2019-02-28 | 株式会社東京精密 | ウエハ面取り装置 |
| WO2019077949A1 (ja) * | 2017-10-17 | 2019-04-25 | オムロン株式会社 | 研削加工装置 |
| JP2021133454A (ja) * | 2020-02-26 | 2021-09-13 | 株式会社ナガセインテグレックス | 回転切削工具の加工によるワークの面粗度予測方法及び面粗度予測装置 |
| JP2021148457A (ja) * | 2020-03-16 | 2021-09-27 | 株式会社ジェイテクト | びびり予測システム |
| JP2021166045A (ja) * | 2020-04-07 | 2021-10-14 | ジー・エフ マシーニング ソリューションズ アー・ゲーGF Machining Solutions AG | 機械加工操作の状態を予測する方法 |
| JP2022527942A (ja) * | 2019-03-29 | 2022-06-07 | サンーゴバン アブレイシブズ，インコーポレイティド | 性能研削ソリューション |
| CN114714200A (zh) * | 2022-05-07 | 2022-07-08 | 哈尔滨工业大学 | 一种基于声波分析的半球谐振子磨削工艺优化方法 |
| WO2022186988A1 (en) * | 2021-03-03 | 2022-09-09 | Applied Materials, Inc. | In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring |
| JP2022147692A (ja) * | 2021-03-23 | 2022-10-06 | 株式会社ジェイテクト | 加工状態推定方法及び加工状態推定システム |
| JP2022147691A (ja) * | 2021-03-23 | 2022-10-06 | 株式会社ジェイテクト | 加工状態推定方法及び加工状態推定システム |
| CN118893519A (zh) * | 2024-10-08 | 2024-11-05 | 江苏纳派电气科技有限公司 | 电气配件毛刺磨削控制系统 |
| US12226876B2 (en) | 2019-04-03 | 2025-02-18 | Saint-Gobain Abrasives, Inc. | Abrasive article, abrasive system and method for using and forming same |
| WO2025205763A1 (ja) * | 2024-03-29 | 2025-10-02 | 株式会社東京精密 | 研削性能判定装置及び研削性能判定方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109605133A (zh) * | 2018-11-22 | 2019-04-12 | 国网天津市电力公司电力科学研究院 | 一种适用于塔材组织的现场智能打磨方法 |
-
1997
- 1997-06-26 JP JP16988697A patent/JP3439324B2/ja not_active Expired - Fee Related
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005216294A (ja) * | 2004-01-13 | 2005-08-11 | Crf Soc Consortile Per Azioni | 工業プロセス、特にレーザ溶接プロセスの品質制御方法 |
| US7869896B2 (en) | 2006-08-24 | 2011-01-11 | Jtekt Corporation | Tangential grinding resistance measuring method and apparatus, and applications thereof to grinding condition decision and wheel life judgment |
| JP2008254080A (ja) * | 2007-04-02 | 2008-10-23 | Mitsubishi Electric Corp | 加工工具寿命検出方法及び加工工具寿命検出装置 |
| WO2010116825A1 (ja) * | 2009-04-10 | 2010-10-14 | エヌティーエンジニアリング株式会社 | 作業機械のびびり抑制方法及び装置 |
| CN102387892A (zh) * | 2009-04-10 | 2012-03-21 | 日本Nt工程技术株式会社 | 作业机械的颤振抑制方法以及装置 |
| TWI381904B (zh) * | 2009-12-03 | 2013-01-11 | Nat Univ Chung Cheng | The method of detecting the grinding characteristics and service life of the polishing pad |
| JP2011161520A (ja) * | 2010-02-04 | 2011-08-25 | Koyo Electronics Ind Co Ltd | センタレス研削盤 |
| JP2012196740A (ja) * | 2011-03-22 | 2012-10-18 | Tokyo Seimitsu Co Ltd | 定寸装置 |
| JP2012206230A (ja) * | 2011-03-30 | 2012-10-25 | Brother Industries Ltd | 加工びびり振動検出装置、及び工作機械 |
| CN103116032A (zh) * | 2013-01-18 | 2013-05-22 | 北京金风科创风电设备有限公司 | 用于获取风力发电机组的转速的方法和设备 |
| JP2015000436A (ja) * | 2013-06-12 | 2015-01-05 | 株式会社東京精密 | ウエハ面取り装置 |
| JP2016064458A (ja) * | 2014-09-24 | 2016-04-28 | 株式会社ワークス | 自動研削加工装置 |
| JP2017202632A (ja) * | 2016-05-12 | 2017-11-16 | ファナック株式会社 | 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 |
| US10562217B2 (en) | 2016-05-12 | 2020-02-18 | Fanuc Corporation | Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine |
| KR20180036199A (ko) * | 2016-09-30 | 2018-04-09 | 화천기공 주식회사 | 가공 정밀도 향상을 위한 공작 기계의 채터 검출방법 |
| JP2018094686A (ja) * | 2016-12-14 | 2018-06-21 | ファナック株式会社 | 工作機械における工具のビビり発生の予兆を検知する機械学習装置、ｃｎｃ装置および機械学習方法 |
| US10496055B2 (en) | 2016-12-14 | 2019-12-03 | Fanuc Corporation | Machine learning device, CNC device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool |
| WO2019077949A1 (ja) * | 2017-10-17 | 2019-04-25 | オムロン株式会社 | 研削加工装置 |
| JP2019030963A (ja) * | 2018-11-19 | 2019-02-28 | 株式会社東京精密 | ウエハ面取り装置 |
| JP2022527942A (ja) * | 2019-03-29 | 2022-06-07 | サンーゴバン アブレイシブズ，インコーポレイティド | 性能研削ソリューション |
| US12330265B2 (en) | 2019-03-29 | 2025-06-17 | Saint-Gobain Abrasives, Inc. | Performance grinding solutions |
| US12226876B2 (en) | 2019-04-03 | 2025-02-18 | Saint-Gobain Abrasives, Inc. | Abrasive article, abrasive system and method for using and forming same |
| JP2021133454A (ja) * | 2020-02-26 | 2021-09-13 | 株式会社ナガセインテグレックス | 回転切削工具の加工によるワークの面粗度予測方法及び面粗度予測装置 |
| JP2021148457A (ja) * | 2020-03-16 | 2021-09-27 | 株式会社ジェイテクト | びびり予測システム |
| JP2021166045A (ja) * | 2020-04-07 | 2021-10-14 | ジー・エフ マシーニング ソリューションズ アー・ゲーGF Machining Solutions AG | 機械加工操作の状態を予測する方法 |
| TWI873407B (zh) * | 2021-03-03 | 2025-02-21 | 美商應用材料股份有限公司 | 訓練用於攝譜監測的神經網路的方法以及化學機械拋光系統 |
| WO2022186988A1 (en) * | 2021-03-03 | 2022-09-09 | Applied Materials, Inc. | In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring |
| US12504364B2 (en) | 2021-03-03 | 2025-12-23 | Applied Materials, Inc. | In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring |
| JP2022147691A (ja) * | 2021-03-23 | 2022-10-06 | 株式会社ジェイテクト | 加工状態推定方法及び加工状態推定システム |
| JP2022147692A (ja) * | 2021-03-23 | 2022-10-06 | 株式会社ジェイテクト | 加工状態推定方法及び加工状態推定システム |
| CN114714200B (zh) * | 2022-05-07 | 2023-05-30 | 哈尔滨工业大学 | 一种基于声波分析的半球谐振子磨削工艺优化方法 |
| CN114714200A (zh) * | 2022-05-07 | 2022-07-08 | 哈尔滨工业大学 | 一种基于声波分析的半球谐振子磨削工艺优化方法 |
| WO2025205763A1 (ja) * | 2024-03-29 | 2025-10-02 | 株式会社東京精密 | 研削性能判定装置及び研削性能判定方法 |
| CN118893519A (zh) * | 2024-10-08 | 2024-11-05 | 江苏纳派电气科技有限公司 | 电气配件毛刺磨削控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3439324B2 (ja) | 2003-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3439324B2 (ja) | 砥石寿命判定装置 | |
| US6602109B1 (en) | Grinding wheel system | |
| Moia et al. | Tool condition monitoring of aluminum oxide grinding wheel in dressing operation using acoustic emission and neural networks | |
| Arun et al. | Tool condition monitoring of cylindrical grinding process using acoustic emission sensor | |
| EP1108501B1 (en) | Apparatus and method for in-situ endpoint detection and monitoring for chemical mechanical polishing operations | |
| Webster et al. | Raw acoustic emission signal analysis of grinding process | |
| JP5031170B2 (ja) | 内蔵光学センサを備えた研磨パッド | |
| Lopes et al. | An efficient short-time Fourier transform algorithm for grinding wheel condition monitoring through acoustic emission | |
| EP0738561A1 (en) | Apparatus and method for in-situ endpoint detection and monitoring for chemical mechanical polishing operations | |
| US5044125A (en) | Method and apparatus for controlling grinding processes | |
| Liao et al. | Grinding wheel condition monitoring with boosted minimum distance classifiers | |
| Nascimento Lopes et al. | Digital signal processing of acoustic emission signals using power spectral density and counts statistic applied to single‐point dressing operation | |
| JPH097985A6 (ja) | ケミカルメカニカルポリシングの操作をインシチュウでモニタするための装置及び方法 | |
| JP2000233369A (ja) | 研削状態監視装置およびドレッシング状態監視装置 | |
| US7163435B2 (en) | Real time monitoring of CMP pad conditioning process | |
| Lopes et al. | Monitoring the cutting condition of structurally distinct aluminum oxide grinding wheels using acoustic emission signals and the Hinkley criterion | |
| CN111015370B (zh) | 基于热力耦合的磨削监控方法 | |
| JP7413109B2 (ja) | 研削加工不具合予知装置 | |
| CN110605663A (zh) | 基于时间常数的切入式磨削砂轮钝化预测方法 | |
| Lin et al. | Machine learning-based wheel monitoring for sapphire wafers | |
| JPH0929630A (ja) | 表面研削方法 | |
| JP3249111B2 (ja) | 工具寿命の感知装置 | |
| Lin et al. | Time-series forecast-based endpoint thickness compensation for thinning of sapphire wafer | |
| JP7814247B2 (ja) | 研削砥石の上すべり検出方法および装置 | |
| Lin | Diamond Wheel Condition Detection for Thinning of Sapphire Wafer Using Acoustic Emission and Vibration Signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080613 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090613 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100613 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100613 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110613 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110613 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120613 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120613 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130613 Year of fee payment: 10 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |