JP2961621B2 - 数値制御装置の加工条件作成機能の学習方法 - Google Patents

Description

【発明の詳細な説明】 【産業上の利用分野】

本発明は、数値制御装置の加工条件データの自動作成
機能の学習方法に関する。

【従来技術】

従来、例えば、工作物の仕上げ径、取代、剛性係数、
部品種別等の固定条件データから、粗研、精研、微研等
の研削モード毎の工作物の回転数、研削開始位置、研削
送り速度、研削後送り停止時間等の加工条件を自動決定
する数値制御装置が知られている。

【発明が解決しようとする課題】

ところが、実際には、自動決定された加工条件データ
が、各種の固定条件データに対して、最適データとなら
ないことが経験的に知られている。 このような場合に、自動決定された加工条件データを
作業者が見て、適正でない場合には、その値を作業者の
経験や勘に基づいて補正したり、実際にその加工条件デ
ータで加工された加工結果を作業者が判断して、経験と
勘によりその加工条件データを補正していた。 固定条件データからどの加工条件データをどのように
補正すれば良いかとか、ある加工条件データで工作物を
加工した場合の加工結果から得られる加工誤差から、ど
の加工条件データをどのように補正すれば良いかは、作
業者の経験と勘によるものであり、必ずしも、いつも正
しい補正が行われるとは限らなかった。 このため、修正された加工条件データで工作物を加工
し、その加工結果に応じて、再度、加工条件データを修
正するという作業を何度も行う必要があった。 更に、折角、作業者が加工条件データを正しく補正し
ても、その時の加工条件データと固定条件データ又は加
工誤差データとの因果関係が、その後の加工条件データ
の補正に反映されないという問題があった。 このため、適正な加工条件データを作成するのに時間
がかかるという問題がある。 本発明は、上記の課題を解決するために成されたもの
であり、その目的とするところは、作業者による加工条
件の補正状態を以後の加工条件データの自動作成に数値
制御装置に負荷をかけずに効率良く行うようにすること
である。

【課題を解決するための手段】

上記課題を解決するための第１の発明の構成は、数値
制御装置における加工状態を制御するための加工条件の
自動作成機能の学習方法において、工作物の仕上げ径、
取代、剛性係数、部品種別等の加工条件データに影響を
与える加工要因に関するデータを入力し、工作物の回転
数、加工開始位置、工具送り速度等の加工条件データの
基準値を予め定められた関数演算によって自動決定する
ステップと、第１のニューラルネットワークにより、加
工要因に関するデータから加工条件データの基準値に対
する第１の補正量を得るステップと、加工条件データの
基準値を第１の補正量で補正して、補正された加工条件
データを求めるステップと、補正された加工条件データ
を評価し、その評価の結果、第１の補正量が修正された
時には、その修正値を第１の教師データとして、その時
の第１のニューラルネットワークに入力された加工要因
に関するデータと共に第１の記憶装置に貯蓄するステッ
プとからなり、各ステップの処理を行う数値制御装置と
は別のコンピュータシステムを用いて、第１の記憶装置
に貯蓄された、加工要因に関するデータと第１の教師デ
ータとに従って、第１のニューラルネットワークの結合
係数を学習することを特徴とする。 また、第２の発明の構成は、請求項１に記載の数値制
御装置の加工条件作成機能の学習方法において、更に、
評価後の加工条件データに従って工作物の加工を行うス
テップと、加工の加工結果に基づき、加工時間誤差、表
面荒さ誤差、仕上げ寸法誤差等の加工誤差データを求め
るステップと、第２のニューラルネットワークにより、
加工誤差データから工作物の加工に用いた加工条件デー
タに対する第２の補正量を得るステップと、工作物の加
工に用いた加工条件データを第２の補正量で補正して、
新加工条件データを求めるステップと、新加工条件デー
タを評価し、その評価の結果、第２の補正量が修正され
た時には、その修正値を第２の教師データして、その時
の第２のニューラルネットワークに入力された加工誤差
データと共に第２の記憶装置に記憶するステップとを有
し、且つ、別のコンピュータシステムを用いて、第２の
記憶装置に記憶された、加工誤差データと第２の教師デ
ータとに従って、第２のニューラルネットワークの結合
係数を学習するようにしたことを特徴とする。

【作用】 加工条件は一度自動決定されたのち、第１のニューラ
ルネットワークにより補正される。加工条件データの補
正量は、加工条件データに影響を与える加工要因に関す
るデータ（例えば、工作物の仕上け径、取代等の固定条
件データや、加工結果から得られる加工誤差データ）を
入力とする第１のニューラルネットワークにより演算さ
れる。ニューラルネットワークは様々な入力に対して適
正な出力が得られるように学習されるので、理論的な解
析の不可能な因果関係によって生じる加工条件データの
補正も可能となる。 一方、ニューラルネットワークの初期学習を完全に行
うことは不可能であるので、実際の様々な加工が行われ
ると、第１のニューラルネットワークの出力する補正量
が、常時、適正であるとは限らない。このような場合
に、補正量が修正されるが、その修正値が第１の教師デ
ータとして、その時の第１のニューラルネットワークの
入力データである加工要因に関するデータと共に第１の
記憶装置に蓄積される。これらのデータは様々な加工が
行われ、第１のニューラルネットワークの出力する補正
量が適正でない毎に累積される。 そして、この蓄積されたデータを用いて、数値制御装
置とは別の装置を用いてオフラインで第１のニューラル
ネットワークが学習される。 これは、加工誤差による加工条件の補正並びに修正に
対しても同様に行われる。即ち、評価後の加工条件デー
タに従って工作物の加工を行い、その加工結果に基づ
き、加工誤差データを求める。加工誤差データを第２の
ニューラルネットワークに入力することにより第２の補
正量を得ることで加工条件を補正し、新加工条件データ
を求める。ニューラルネットワークは様々な入力に対し
て適正な出力が得られるように学習されるので、理論的
な解析の不可能な因果関係によって生じる加工条件デー
タの補正も可能となる。 一方、ニューラルネットワークの初期学習を完全に行
うことは不可能であるので、実際の様々な加工が行われ
ると、第２のニューラルネットワークの出力する補正量
が、常時、適正であるとは限らない。このような場合
に、補正量が修正されるが、その修正値が第２の教師デ
ータとして、その時の第２のニューラルネットワークの
入力データである加工要因に関するデータと共に第２の
記憶装置に蓄積される。これらのデータは様々な加工が
行われ、第２のニューラルネットワークの出力する補正
量が適正でない毎に累積される。 そして、この蓄積されたデータを用いて、数値制御装
置とは別の装置を用いてオフラインで第２のニューラル
ネットワークが学習される。 このようにすることで、数値制御に負荷を掛けること
なく、第１、第２のニューラルネットワークの学習が可
能となる。

【実施例】 以下、本発明を具体的な実施例に基づいて説明する。 （１）研削盤の構成 第１図は本発明に係る加工条件自動決定装置を有した
数値制御研削盤の全体の機械的構成を示した構成図であ
る。 50は研削盤であり、その研削盤50のベッド51の上に
は、そのベッド51に対して褶動するテーブル52が設けら
れている。テーブル52はテーブル送り用モータ53が駆動
されることにより図面の左右方向に移動される。又、テ
ーブル52の上には主軸台54が心押台56が配設されてお
り、主軸台54は主軸55を有し、心押台56は心押軸56を有
している。 工作物Ｗは主軸55及び心押軸57によって軸支され、主
軸55の回転によって回転される。この主軸55の主軸台54
に配設された主軸モータ59によって行われる。 一方、工作物Ｗを研削する砥石車60は砥石台61に設け
られた砥石車駆動モータ62の駆動軸に軸支されている。
又、砥石台61は砥石台送り用モータ63によって図面の垂
直方向に移動制御される。 テーブル送り用モータ53、砥石台送り用モータ63、主
軸モータ59、砥石車駆動モータ62などを駆動制御するた
めに数値制御装置30が設けられている。 （２）数値制御装置の構成 数値制御装置30は主として、第２図に示したように、
CPU31とROM32とRAM33とIF（インタフェース）34とから
構成されている。 RAM33にはNCプログラムを記憶するNCデータ領域331と
仕上げ径、取代、剛性係数、部品種別、荒仕上分割、作
業者名等の固定条件データを記憶する固定条件データ領
域332と工作物回転数、研削開始位置、研削送り速度、
研削後送り停止時間等の加工条件データを記憶する加工
条件データ領域333とニューラルネットワークの演算プ
ログラムを記憶するニューラルネットワーク領域334と
ニューラルネットワークの結合係数を記憶する結合係数
領域335とが設けられている。その他、RAM33には要求さ
れる加工仕様から決定される加工結果の要求値の記憶さ
れた要求値領域336と自動決定された加工条件データの
基準値を記憶する基準値領域337とニューラルネットワ
ークで演算された加工条件データの補正量を記憶する補
正量領域338と加工結果データを記憶する加工結果デー
タ領域339と加工誤差データを記憶する加工誤差データ
領域340が形成されている。更に、RAM33にはニューラル
ネットワークの出力の補正量を修正した場合には、その
修正値、即ち、教師データを記憶する教師データ領域34
1とその教師データに対応させてその時のニューラルネ
ットワークの入力データを記憶する入力データ領域342
とが形成されている。尚、RAM33はバッテリバックアッ
プされており、学習された結合係数が保存されるように
なっている。 又、ROM32にはNCデータに従って数値制御研削盤を作
動させるための制御プログラムを記憶した制御プログラ
ム領域321と加工条件データを決定するメイン自動決定
プログラムの記憶された自動決定プログラム領域322と
が形成されている。 又、数値制御装置30にはIF34を介して操作盤20が取り
付けられている。その操作盤20の操作パネル21上にはデ
ータの入力を行うキーボード22とデータの表示を行うCR
T表示装置23とが設けられている。 更に、数値制御装置30にはIF35を介してFD駆動装置36
が接続されており、記憶媒体であるFD（フレキシブルデ
ィスク）37はそのFD駆動装置36を介して読み書きされ
る。 （３）オフライン学習装置の構成 オフライン学習装置は第３図に示すようにコンピュー
タシステムで構成されている。 CPU40にFD駆動装置41が接続されており、FD37に対す
る入出力が可能なように構成されている。又、CPU40に
は入出力インタフェース42を介してCRT43及びキーボー
ド44が接続されている。さらに、CPUCPU40にはROM45とR
AM46が接続されている。ROM45にはニューラルネットワ
ークを学習させるための学習プログラムを記憶した学習
プログラム領域451が形成されている。又、RAM46にはニ
ューラルネットワークの構造に関するデータを記憶する
ニューラルネットワーク領域461とその結合係数データ
を記憶する結合係数領域462と教師データを記憶する教
師データ領域463と入力データを記憶する入力データ領
域464とが形成されている。 （４）作動 次に、本実施例装置で仕様されているCPU31の処理手
順を、フローチャートに基づいて説明する。 1.本装置の全体の概要的作動 本装置の全体の概要的作動を第13図を参照して説明す
る。 ステップS1では多数の加工種類に対応したニューラル
ネットワークの演算プログラムとその学習済の結合係数
データとを記憶したFD37aから、実際に加工条件データ
を求めるのに使用する第１のニューラルネットワークの
演算プログラムとその結合係数データがRAM33に読み込
まれる。以下、第１のニューラルネットワークの演算プ
ログラムを条件適合エンジンとも言う。 ステップS2では、固定条件データがRAM33に入力され
る。 ステップS3では、固定条件データから加工条件データ
の基準値が自動決定される。 ステップS4では、固定条件データを入力とする第１の
ニューラルネットワークの演算プログラム（条件適合エ
ンジン）により加工条件データの補正量が演算される。 ステップS5では、補正量＋基準値により補正された加
工条件データがCRT23に表示される。 ステップS6では、その加工条件データを作業者の経験
と勘により判断して、適正かどうかが判断される。 適正でない場合には、ステップS7で、加工条件データ
が修正される。ステップS8では、この時の補正量の修正
値は教師データとして、その時の第１のニューラルネッ
トワークの入力である固定条件データ（入力データ）と
共に保存される。 ステップS6で、加工条件データは適正と判断された場
合には、ステップS9において、その加工条件データを用
いて工作物が実際に加工される。 ステップS10では、工作物の仕上寸法等の加工結果が
測定され、その要求値との誤差を示す加工誤差データが
演算される。 ステップS11では、加工誤差データに対して評価が行
われ、適正であれば、ステップS12で加工完了となる。 又、加工結果が適正でない場合には、加工条件データ
を修正する必要がある。 ステップS13では、上記の加工誤差データがRAM33に入
力される。 ステップS14では、FD37bから加工種類に対応した第２
のニューラルネットワークの演算プログラムとその学習
済の結合係数がRAM33に入力される。その第２のニュー
ラルネットワークの演算プログラムは加工診断エンジン
ともいう。 ステップS15では、加工誤差データを入力データとす
る第２のニューラルネットワークが起動されて、加工条
件データの補正量が演算される。 ステップS16では、旧加工条件データ＋補正量にて新
加工条件データが演算され、新加工条件データによる加
工結果に対する影響が予測される。 ステップS6に移行して、加工結果の予測結果から修正
された加工条件データが評価される。 加工条件データが適正でない場合には、ステップS7
で、適正な補正量により加工条件データが修正される。 そして、ステップS8では、その適正な補正量を第２の
ニューラルネットワークに対する教師データとして、そ
の時の加工誤差データ（入力データ）と共に記憶する。 上記のように、実際の加工に際し、第１及び第２のニ
ューラルネットワークが起動され、出力である補正量が
適正でない状態が生じる毎に、その時の教師データと入
力データ（これらのデータを以下「学習データ」とうい
う）が蓄積される。 このよなうな学習データは、ステップS17において、
オフライン学習装置に出力される。 オフライン学習装置では、実際の加工に際し、蓄積さ
れたそれぞれの学習データに基づいて、ステップS18で
条件適合エンジン、ステップS19で加工診断エンジンに
対するそれぞれの学習が行われる。又、ステップS20,S2
1において、ユーザとの対話により、入力データと教示
データを指定しての学習も行われる。 このように学習された結合係数データはFDにニューラ
ルネットワークの演算プログラムと共に更新して記憶さ
れる。 尚、上記の第１のニューラルネットワークの学習にお
いては、補正された加工条件データにおいて、第２のニ
ューラルネットワークによる補正量も考慮した学習が行
われる。即ち、第２のニューラルネットワークにより修
正された加工条件データの基準値に対する偏差を教師デ
ータとして、第１のニューラルネットワークの結合係数
も学習される。従って、第１のニューラルネットワーク
の結合係数には第２のニューラルネットワークによる補
正量も加味されるので、学習が進行した状態では、第１
のニューラルネットワークだけで、最適な加工条件デー
タを求めることが可能となる。即ち、加工誤差データは
次第に小さくなって行き、第２のニューラルネットワー
クによる補正量も次第に減少していく。 尚、実際の加工に際して上記のように学習された第１
及び第２のニューラルネットワークの結合係数データは
FD37に出力されて、FD37に記憶されている対応する結合
係数データが更新される。 上記のように本実施例では、条件適合エンジンと加工
診断エンジンとにより加工条件データが補正される。 2.ニューラルネットワークの演算プログラム及び結合係
数データの入力 第４図は、記憶媒体のFD37から所定のニューラルネッ
トワークの演算プログラム及び結合係数データを入力し
てRAM33に記憶するプログラムのフローチャートを示し
ている。 FD37には加工種類（例えば、エンジンのカムシャフト
の研削等）に応じた第１及び第２のニューラルネットワ
ークの演算プログラム及びそれらの学習済の結合係数が
多数記憶されている。ステップ700では、全てのニュー
ラルネットワーク名称のリストがCRT23に表示される。 ステップ702において、そのリストを見て、作業者は
これから加工しようする加工種類に対応する第１及び第
２のニューラルネットワーク（条件適合エンジン及び加
工診断エンジン）を選択する。 次に、ステップ704において、選択された２つのニュ
ーラルネットワークの演算プログラム及びそれらの結合
係数データが、それぞれ、FD37からRAM33のニューラル
ネットワーク領域334と結合係数領域335の所定領域に記
憶される。 3.固定条件データの入力 第５図は、固定条件データから加工条件データを自動
生成するメインプログラムのフローチャートである。 ステップ100では、キーボード22から入力される固定
条件データが読み取られ、RAM33の固定条件データ領域3
32に記憶される。本実施例では、固定条件データとして
は、仕上げ径データD₁,取代データD₂,剛性係数データ
D₃,部品種類データD₄,荒仕上分割データD₅,A作業者名デ
ータD₆,B作業者名データD₇,C作業者名データD₈である。 4.加工条件データの基準値の演算 次のステップ102では上記の固定条件データ（D₁〜
D₈）及び他の固定条件データから加工条件データの基準
値V₁〜V₁₁が演算される。 本実施例では、加工条件データとしては、粗研回転数
データK₁,精研回転数データK₂,微研回転数データK₃,粗
研開始径データK₄,精研開始径データK₅,微研開始径デー
タK₆,粗研送り速度データK₇,精研送り速度データK₈,微
研送り速度データK₉,粗研後送り停止時間データK₁₀,微
研後送り停止時間データK₁₁とで構成されている。 この基準値の演算は次のようにして行われる。 各研削モード毎の回転数データについては、ある研削
毎の砥石の周速に対して、工作物の周速が、要求される
工作物の表面あらさの関数で予め決定されている。指令
された工作物の表面あらさから、工作物の周速が演算さ
れ、この工作物の周速と工作物の直径とにより工作物の
回転数データが演算される。 各研削モードの送り速度データについては、砥石車の
工作物の１回転当たりの切込量が寸法公差の関数として
予め決定されている。各研削モードの指令された寸法公
差から切込量が演算され、回転数データとから研削送り
速度データが演算される。 各研削モードの研削開始径データは、各研削モード毎
に標準の送り量が設定されており、指令された仕上げ径
とこの送り量との関係により演算される。 研削後送り停止時間データについては、定寸研削か否
かにより、又、工程を分割して研削するか否かにより、
送りを停止させる工作物の回転数が決定される。固定条
件データから、送り停止回転数が決定され、回転数デー
タを用いて、研削後送り停止時間が演算される。 5.第１のニューラルネットワーク（条件適合エンジン）
の構成及び作動 次に、第５図のステップ104において、第１のニュー
ラルネットワークを起動して、固定条件データD₁〜D₈を
入力して、各加工条件データ（K₁〜K₁₁）の各補正量δ
_１〜δ₁₁が演算される。 第１のニューラルネットワークは第６図に示す構成の
ものである。本実施例では、ニューラルネットワーク
は、入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力▲Ｏⁱ _j▼は、次式で計
算される。但し、ｉ≧２である。 但し▲Ｖⁱ _j▼は第ｉ層の第ｊ番目の演算素子のバイア
ス、 は、第ｉ−１層の第ｋ番目の素子と第ｉ層の第ｊ番目の
素子間の結合係数、▲Ｏⁱ _j▼は第１層の第ｊ番目の素子
の出力値を表す。即ち、第１層であるから演算を行うこ
となく、そのまま入力を出力するので、入力層（第１
層）の第ｊ番目の素子の入力値でもある。従って、 但し、D_jは入力層のｊ番目の素子に入力される固定条
件データである。 ニューラルネットワークの具体的な演算は第７図に示
す手順で実行される。 ステップ200において、中間層（第２層）の各素子に
は、入力層（第１層）の各素子からの出力値D₁〜D₈を入
力して、次式の積和演算が行われる。 第２層の第ｊ番目の素子に関しては次式で演算され
る。本実施例ではバイアスは零である。 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 この出力値▲Ｏ² _j▼は出力層（第３層）の各素子の入
力値となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの補正量δ_ｊとな
る。 即ち、補正量δ_ｊは次式で求められる。 6.加工条件データの演算 第５図のステップ106に戻り、ステップ102で求められ
た加工条件データの基準値V₁〜V₁₁とステップ104で求め
られた補正量δ_１〜δ₁₁との和により、加工条件データ
K₁〜K₁₁が求められる。その加工条件データK₁〜K₁₁は、
RAM33の加工条件データ領域333に記憶される。 次に、ステップ108で、その加工条件データK₁〜K₁₁が
CRT23に表示される。 ステップ110において、作業者はその表示結果をみ
て、データの修正が必要と判断すれば、ステップ112に
おいて、修正値がキーボード22から入力され、その修正
された加工条件データは加工条件データ領域333に記憶
される。 次に、ステップ114において、修正値に基づく適正な
補正量が求められ、その補正量は教師データとして教師
データ領域341に記憶される。 次に、ステップ116において、その時の教師データに
対応する第１のニューラルネットワークの入力である固
定条件データが入力データ領域342に教師データと対応
されて記憶される。 次に、ステップ118において、その加工条件データK₁
〜K₁₁を用いてNCデータが演算され、演算されたNCデー
タはRAM33のNCデータ領域331に記憶される。 7.加工誤差データの生成 次に、このNCデータに従って、工作物が試し加工され
る。工作物の加工結果が測定され、加工結果データが得
られる。加工結果データは、例えば、全研削時間，仕上
表面粗さ，仕上寸法精度，仕上真円度，焼け又は割れの
程度、びびりの程度等である。 次に、これらの測定された加工結果データから加工条
件データを修正する手順について説明する。 第８図のステップ500において、上記の測定された加
工結果データが作業者によりキーボード22から入力さ
れ、その入力値はRAM33の加工結果データ領域339に記憶
される。 次に、ステップ502において、加工結果の要求値が同
様に入力され、その値はRAM33の要求値領域336に記憶さ
れる。 次に、ステップ504において、加工結果データの要求
値に対する偏差である加工誤差データが演算され、これ
らのデータはRAM33の加工誤差データ領域340に記憶され
る。 加工誤差データは、全研削時間誤差H₁,仕上表面粗さ
誤差H₂,仕上寸法誤差H₃,仕上真円度誤差H₄,焼け又は割
れの程度誤差H₅,びびりの程度誤差H₆等である。 8.第２ニューラルネットワーク（加工診断エンジン） 次に、ステップ506において、第２のニューラルネッ
トワークの入力層の対応する各素子に加工誤差データ領
域340に記憶されている加工誤差データ（H₁〜H₆）を入
力させて、第２のニューラルネットワークを起動する。 そして、ステップ508において、第２のニューラルネ
ットワークの出力である加工条件データの補正量（δ_１
〜δ₁₁）は、RAM33の補正量領域338に記憶される。 この第２のニューラルネットワークは第９図に示す構
成のものである。本実施例では、第２のニューラルネッ
トワークは、入力層と中間層と出力層との３層構造であ
る。 この第２のニューラルネットワークの各素子の演算機
能は、上記の第１のニューラルネットワークの演算機能
と完全に同一である。 次に、ステップ510において、第１のニューラルネッ
トワークで求められた各旧加工条件データ（K₁〜k₁₁）
に補正量（δ_１〜δ₁₁）が加算されて修正された新加工
条件データ（K₁〜k₁₁）が求められる。それらのデータ
はRAM33の加工条件データ領域333の内容を書き換えて記
憶される。又、その加工条件データはCRT23に表示され
る。 ステップ512において、作業者はその表示結果をみ
て、データの修正が必要と判断すれば、ステップ514に
おいて、修正値がキーボード22から入力され、その修正
された加工条件データは加工条件データ領域333に記憶
される。 次に、ステップ516において、修正値に基づく第２の
ニューラルネットワークの適正な出力（補正量）が求め
られ、その出力は教師データとして教師データ領域341
に記憶される。 次に、ステップ518において、その時の教師データに
対応する第２のニューラルネットワークの入力である加
工誤差データが入力データ領域342に教師データと対応
されて記憶される。 次に、ステップ520において、補正された加工条件デ
ータK₁〜K₁₁を用いてNCデータが演算され、演算されたN
CデータはRAM33のNCデータ領域331に記憶される。 以上のように、本実施例では、加工条件データの基準
値が第１のニューラルネットワークにより補正され、更
に、第２のニューラルネットワークを用いて、加工誤差
の考慮された補正が行われる。従って、より正確な加工
条件データが求められる。 9.学習データの学習装置への出力 第10図のステップ800で示すように、RAM33に記憶され
ている学習データがFD37に出力される。 即ち、教師データ領域341に記憶されている第１及び
第２のニューラルネットワークに対する蓄積された教師
データがFD37に出力される。又、入力データ領域に記憶
されている第１のニューラルネットワークの入力データ
である蓄積された固定条件データと、第２のニューラル
ネットワークの入力データである蓄積された加工誤差デ
ータとがFD37に出力される。 尚、このFD37には、RAM33の結合係数領域335に記憶さ
れている第１及び第２のニューラルネットワークの結合
係数データが記憶されている。 10.学習装置による第１のニューラルネットワークの学
習 学習装置のCPU40は、第11図に示すように、ステップ8
50でFD37から第１及び第２のニューラルネットワークの
学習済の結合係数データを入力し、RAM46の結合係数領
域462にそのデータを記憶する。 又、ステップ852において、FD37から第１及び第２の
ニューラルネットワークの教師データを入力し、RAM46
の教師データ領域463にそのデータを記憶する。 又、ステップ854において、FD37から第１及び第２の
ニューラルネットワークの入力データを入力し、RAM46
の入力データ領域464にそのデータを記憶する。 又、ステップ856において、FD37から第１及び第２の
ニューラルネットワークの演算プログラムをニューラル
ネットワーク領域461に記憶する。 次に、上記の第１のニューラルネットワークの結合係
数の学習手順について説明する。 結合係数は第６図に示すニューラルネットワークにつ
き、良く知られたバックプロパーゲーション法により実
行される。 第12図のステップ600において、次式により出力層の
各素子の学習信号が演算される。 但し、T_jは出力である補正量δ_ｊに対する教師データ
であり、外部から付与される。ｆ′（ｘ）はシグモイド
関数の導関数である。 次に、ステップ602において、中間層の学習信号が次
式で演算される。 次に、ステップ604において、出力層の各素子の結合
係数が補正される。 補正量は次式で求められる。 但し、 は、出力層の第ｊ番目の素子と中間層の第ｉ番目の素子
との間の結合係数の第ｔ回目演算の変化量である。 又、 は、その結合係数の前回の補正量である。P,Qは比例定
数である。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ606へ移行して、中間層の各素の結合
係数が補正される。 その結合係数の補正量は出力層の場合と同様に、次式
で求められる。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ608において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。 結合係数が収束していなければ、ステップ600に戻
り、新たに補正された結合係数を用いて、同様な演算が
繰り返され、結合係数が再度補正される。 更に、この結合係数を用いて、その教師データに対応
する入力データ（固定条件データ）を入力して、第１の
ニューラルネットワークを起動して、その出力（補正
量）を求める。その出力とその教師データとを用いて、
第12図のプログラムを実行して、学習が行われる。そし
て、ある入力データに対して、出力と教師データとの偏
差が許容範囲にはいるまで、上記の学習が繰り返し実行
される。 さらに、上記の学習が他の教師データとそれに対応す
る入力データとに応じて実行される。 そして、蓄積された全ての入力データに対する出力が
全ての教師データに収束するまで、上記の学習が繰り返
し実行される。 尚、第１のニューラルネットワークの教師データは、
第２のニューラルネットワークの補正量を考慮して補正
された加工条件データに対するものである。 従って、学習が進行するにつれて、第１のニューラル
ネットワークだけで、適正な加工条件データの補正量を
求めることができる。 即ち、第２のニューラルネットワークの出力である補
正量は第１のニューラルネットワークの学習が進行する
につれて、零に収束して行く。 11.第２のニューラルネットワークの学習 第２のニューラルネットワークの学習も、実際の使用
に際して蓄積された教師データを用いて、第１のニュー
ラルネットワークの学習と全く同様に行われる。 このようにして、数値制御装置で実際の使用に際し、
蓄積された教師データを用いて、オフライン学習装置の
高速演算能力により、結合係数を学習させることができ
る。この結果、数値制御装置の加工制御に負担をかける
ことなく、精巧な学習が可能となる。 上記の実施例では、加工に必要なニューラルネットワ
ークの演算プログラム及びその結合係数データをFD37か
ら入力し、学習データをFD37に出力するようにしてい
る。しかし、通信回線を介してメインコンピュータから
ニューラルネットワークの演算プログラム及びその係合
係数データを入力したり、学習データをメインコンピュ
ータに出力して、メインコンピュータで結合係数を学習
させるようにしても良い。

【発明の効果】

本発明は、数値制御装置において、自動決定された加
工条件データに対しニューラルネットワークを用いて補
正量を求める時に、その修正が生じた場合に、その時の
適正な補正量を教師データとして蓄積しておき、オフラ
イン学習装置にその教師データを出力して、オフライン
学習装置で精巧な学習を実行し、その学習されたニュー
ラルネットワークを数値制御に再入力するようにしてい
る。 また、これは加工誤差による補正についての修正が生
じた場合についても同様である。 この結果、数値制御装置の加工制御に負荷をかけて加
工制御を中段させるようなことなく、精巧な学習が可能
となる。

【図面の簡単な説明】

第１図は本発明の具体的な一実施例に係る加工条件自動
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。第２図は同実施例装置に係る数値制御装
置及び操作盤の電気的構成を示したブロックダイヤグラ
ム。第３図はオフライン学習装置の構成を示したブロッ
クダイヤグラム。第４図は加工条件自動決定装置で使用
されているCPUによるニューラルネットワークの演算プ
ログラム及びその結合係数データを入力する手順を示し
たフローチャート。第５図は同加工条件自動決定装置で
使用されているCPUによる加工条件データの演算手順を
示したフローチャート。第６図は第１のニューラルネッ
トワークの構造を示した構造図。第７図はその第１のニ
ューラルネットワークによる演算手順を示したフローチ
ャート。第８図は同加工条件自動決定装置で使用されて
いるCPUによる加工誤差データに基づく加工条件データ
の補正手順を示したフローチャート。第９図は第２のニ
ューラルネットワークの構造を示した構造図。第10図は
同加工条件自動決定装置で使用されているCPUによる学
習された結合係数データを記憶媒体に保存する手順を示
したフローチャート。第11図はオフライン学習装置のCP
Uによる学習データの入力手順を示したフローチャー
ト。第12図はオフライン学習装置による第１のニューラ
ルネットワークの学習手順を示したフローチャート。第
13図はシステム全体の作動概念を示したフローチャート
である。 20……操作盤、21……操作パネル 22……キーボード、23……CRT表示装置 30……数値制御装置、31……CPU 32……ROM、33……RAM、50……研削盤 51……ベッド、52……テーブル 54……テーブル送り用モータ、54……主軸台 55……主軸、56……心押台、57……心押軸 59……主軸モータ、60……砥石車、61……砥石台 62……砥石車駆動モータ 63……砥石台送り用モータ、Ｗ……工作物

フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) G05B 19/4155

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】数値制御装置における加工状態を制御する
   ための加工条件の自動作成機能の学習方法において、 工作物の仕上げ径、取代、剛性係数、部品種別等の加工
   条件データに影響を与える加工要因に関するデータを入
   力し、工作物の回転数、加工開始位置、工具送り速度等
   の加工条件データの基準値を予め定められた関数演算に
   よって自動決定するステップと、 第１のニューラルネットワークにより、前記加工要因に
   関するデータから加工条件データの前記基準値に対する
   第１の補正量を得るステップと、 加工条件データの前記基準値を前記第１の補正量で補正
   して、補正された加工条件データを求めるステップと、 前記補正された加工条件データを評価し、その評価の結
   果、前記第１の補正量が修正された時には、その修正値
   を第１の教師データとして、その時の前記第１のニュー
   ラルネットワークに入力された前記加工要因に関するデ
   ータと共に第１の記憶装置に貯蓄するステップと からなり、 前記各ステップの処理を行う数値制御装置とは別のコン
   ピュータシステムを用いて、前記第１の記憶装置に貯蓄
   された、前記加工要因に関するデータと前記第１の教師
   データとに従って、前記第１のニューラルネットワーク
   の結合係数を学習することを特徴とする数値制御装置の
   加工条件作成機能の学習方法。
2. 【請求項２】請求項１に記載の数値制御装置の加工条件
   作成機能の学習方法において、更に、 評価後の加工条件データに従って工作物の加工を行うス
   テップと、 該加工の加工結果に基づき、加工時間誤差、表面荒さ誤
   差、仕上げ寸法誤差等の加工誤差データを求めるステッ
   プと、 第２のニューラルネットワークにより、前記加工誤差デ
   ータから工作物の加工に用いた前記加工条件データに対
   する第２の補正量を得るステップと、 工作物の加工に用いた前記加工条件データを前記第２の
   補正量で補正して、新加工条件データを求めるステップ
   と、 該新加工条件データを評価し、その評価の結果、前記第
   ２の補正量が修正された時には、その修正値を第２の教
   師データして、その時の前記第２のニューラルネットワ
   ークに入力された前記加工誤差データと共に第２の記憶
   装置に記憶するステップと を有し、且つ、 前記別のコンピュータシステムを用いて、前記第２の記
   憶装置に記憶された、前記加工誤差データと前記第２の
   教師データとに従って、前記第２のニューラルネットワ
   ークの結合係数を学習するようにしたこと を特徴とする数値制御装置の加工条件作成機能の学習方
   法。