CN111624951A - 加工条件调整装置以及加工条件调整系统 - Google Patents

加工条件调整装置以及加工条件调整系统 Download PDF

Info

Publication number
CN111624951A
CN111624951A CN202010128177.5A CN202010128177A CN111624951A CN 111624951 A CN111624951 A CN 111624951A CN 202010128177 A CN202010128177 A CN 202010128177A CN 111624951 A CN111624951 A CN 111624951A
Authority
CN
China
Prior art keywords
machining
data
condition
learning
unit
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
Application number
CN202010128177.5A
Other languages
English (en)
Other versions
CN111624951B (zh
Inventor
角田宽英
白石亘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN111624951A publication Critical patent/CN111624951A/zh
Application granted granted Critical
Publication of CN111624951B publication Critical patent/CN111624951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33037—Learn parameters of network offline, not while controlling system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种加工条件调整装置以及加工条件调整系统。该加工条件调整装置具备：数据取得部，其取得至少1个以上的表示包含机床的加工种类的加工状态的数据；优先条件存储部，其存储将加工种类与优先条件关联起来的优先条件数据；预处理部，其制作用于机器学习的数据；以及机器学习装置，其执行与机床进行的加工的加工条件和加工参数中的至少某一个有关的机器学习的处理，机器学习装置具备：学习模型存储部，其存储对每个加工种类生成的多个学习模型；以及学习模型选择部，其根据加工种类选择学习模型。

Description

加工条件调整装置以及加工条件调整系统
技术领域
本发明涉及加工条件调整装置以及加工条件调整系统。
背景技术
存在通过机器学习进行注射成形机的成形条件的最佳化的现有技术(例如，日本特开2017-030152号公报等)。注射成形机的情况下，在制作出新成形品的金属模具时，需要在该金属模具中设定最佳的成形条件，在日本特开2017-030152号公报等中公开的现有技术中，可以通过使用机器学习器调整为适应于每个金属模具的成形条件。
加工中心等这样的进行切削加工的机床的情况下，对1个工件进行加工时，像粗加工、钻孔加工、攻丝加工、精加工等这样进行多种加工。在该情况下，对每个加工种类所要求的事项不同。例如，一般在粗加工中，要求高循环时间、加工效率，但允许少量的误差。在精加工中，即使某种程度地牺牲循环时间，也要求形状精度。
这样，在机床进行的加工中，对各个加工种类要求的事项不同。此外，如何进行最佳化，有时也根据作业者而不同。并且，根据用于加工的机床的设置环境等原因，最佳设定也有所不同。
发明内容
因此，本发明的目的在于，提供一种考虑根据机床进行的工件加工的种类要求的事项，调整加工条件和加工参数中的至少某一个的加工条件调整装置以及加工条件调整系统。
本发明的一个方式的加工条件调整装置调整对工件进行加工的机床的加工条件和加工参数中的至少某一个，该加工条件调整装置具备：数据取得部，其取得至少1个以上的加工状态的数据，上述加工状态包括上述机床的加工种类；优先条件存储部，其存储将上述机床的加工种类与该加工种类的优先条件关联起来的优先条件数据；预处理部，其根据上述数据取得部取得的数据、与该数据所包含的加工种类对应的存储于上述优先条件存储部的优先条件，制作用于机器学习的数据；以及机器学习装置，其根据上述预处理部制作的数据，执行上述机床进行上述工件的加工的环境下的、与上述机床进行的加工的加工条件和加工参数中的至少某一个有关的机器学习的处理，上述机器学习装置具备：学习模型存储部，其存储针对上述机床的每个加工种类生成的多个学习模型；以及学习模型选择部，其根据上述预处理部制作的数据所包含的加工种类，从存储于上述学习模型存储部的多个学习模型中选择在上述机器学习的处理中所使用的学习模型。
本发明的另一方式是加工条件调整系统，其是多个装置经由网络相互连接而得的系统，上述多个装置至少包括具备学习部的加工条件调整装置。
根据本发明的一个方式，根据机床进行的工件加工的种类，能够考虑每个加工种类要求的事项来进行加工条件的调整。
附图说明
根据参照附图的以下的实施例的说明，使本发明的上述以及其他目的和特征变得更加明确。
图1是一实施方式的加工条件调整装置的概要性硬件结构图。
图2是第1实施方式的加工条件调整装置的概要性功能框图。
图3是说明优先条件数据的图。
图4是第2实施方式的加工条件调整装置的概要性功能框图。
图5是第3实施方式的加工条件调整装置的概要性功能框图。
图6是第4实施方式的加工条件调整装置的概要性功能框图。
图7是第5实施方式的加工条件调整装置的概要性功能框图。
图8是表示包含云服务器、雾计算机、边缘计算机的3层结构的系统的例子的图。
图9是安装于计算机的方式下的加工条件调整装置的概要性硬件结构图。
图10是第6实施方式的加工条件调整系统的概要性结构图。
图11是第7实施方式的加工条件调整系统的概要性结构图。
图12是第8实施方式的加工条件调整系统的概要性结构图。
具体实施方式
以下，与附图一起说明本发明的实施方式。
图1是表示一实施方式的具备机器学习装置的加工条件调整装置的主要部分的概要性硬件结构图。本实施方式的加工条件调整装置1例如能够安装在对机床进行控制的控制装置上。此外，本实施方式的加工条件调整装置1例如能够安装为与对机床进行控制的控制装置并设的个人计算机、经由有线/无线的网络与该控制装置连接的管理装置、边缘计算机、雾计算机、云服务器等计算机。在本实施方式中示出了将加工条件调整装置1安装在对机床进行控制的控制装置上的例子。
本实施方式的加工条件调整装置1具备的CPU11是对加工条件调整装置1进行整体控制的处理器。CPU11经由总线20读出存储在ROM12中的系统程序，并按照该系统程序对加工条件调整装置1的整体进行控制。RAM 13中临时存储临时的计算数据、显示数据、操作者经由未图示的输入部输入的各种数据等。
非易失性存储器14构成为，例如通过未图示的电池进行备份等，即使加工条件调整装置1的电源被断开也保持存储状态的存储器。在非易失性存储器14中存储有经由接口15从外部设备72读入的程序、经由显示器/MDI单元70输入的程序。在非易失性存储器14中存储有从加工条件调整装置1的各部、机床、传感器3等取得的各种数据(例如，工具的种类等与工具有关的信息、主轴转速、进给速度、切入量等与切削条件有关的信息、工件材质、工件形状等与工件有关的信息、被各电动机消耗的电力、通过传感器3测定出的加工后的工件各部的尺寸值、表面质量、机床各部的温度等)。存储于非易失性存储器14的程序、各种数据也可以在执行程序时、利用数据时在RAM13中被展开。此外，在ROM12中预先写入有公知的解析程序等各种系统程序(包括用于控制与后述的机器学习装置100的数据交换的系统程序)。
接口15连接加工条件调整装置1与适配器等外部设备72。从外部设备72读入程序、各种参数等。此外，可以将在加工条件调整装置1内编辑后的程序、各种参数等经由外部设备72存储在外部存储单元中。PMC(可编程机床控制器)16通过内置于加工条件调整装置1内的序列程序，在与机床、机器人、安装于该机床、该机器人的传感器3等这样的装置间经由I/O单元17进行信号的输入输出并进行控制。
加工条件调整装置1与在机床加工工件时所使用的接触/非接触距离传感器、拍摄装置、表面粗糙度测量仪等传感器3连接。传感器3用于测量通过机床进行加工后的工件各部的与设计数据的误差、表面精度等。
显示器/MDI单元70是具备显示器、键盘等的手动数据输入装置。接口18接受来自显示器/MDI单元70的键盘的指令、数据并传送给CPU11。接口19与操作盘71连接，该操作盘71具备手动驱动各轴时所使用的手动脉冲发生器等。
用于控制机床的各轴的轴控制电路30接受来自CPU11的轴的移动指令量，并将轴的指令输出到伺服放大器40。伺服放大器40接受该指令，驱动使机床所具备的轴移动的伺服电动机50。轴的伺服电动机50内置有位置/速度检测器，向轴控制电路30反馈来自该位置/速度检测器的位置/速度反馈信号，并进行位置/速度的反馈控制。另外，在图1的硬件结构图中仅示出了各1个轴控制电路30、伺服放大器40、伺服电动机50，但实际上按照成为控制对象的机床所具备的轴的数量准备(例如，若是具备3个直线轴的机床则准备3个，若是5轴加工机则准备5个)。
主轴控制电路60接受向机床的主轴的主轴旋转指令，并向主轴放大器61输出主轴速度信号。主轴放大器61接受该主轴速度信号，使主轴的主轴电动机62以所指示的旋转速度旋转，并驱动工具。主轴电动机62与位置编码器63耦合，位置编码器63与主轴的旋转同步地输出反馈脉冲，通过CPU11读取该反馈脉冲。
接口21连接加工条件调整装置1与机器学习装置100。机器学习装置100具备对机器学习装置100整体进行控制的处理器101、存储有系统程序等的ROM102、用于进行与机器学习有关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测经由接口21可通过加工条件调整装置1取得的各信息(例如，工具的种类等与工具有关的信息、主轴转速、进给速度、切入量等与切削条件有关的信息、工件材质、工件形状等与工件有关的信息、被各电动机消耗的电力、通过传感器3测定出的加工后的工件各部的尺寸值、表面质量、机床各部的温度等)。此外，加工条件调整装置1接受从机器学习装置100输出的信息，进行机床的控制、向显示器/MDI单元70的显示、经由未图示的网络针对其他装置的信息的发送等。
图2是第1实施方式的加工条件调整装置1和机器学习装置100的概要性功能框图。本实施方式的加工条件调整装置1具备在机器学习装置100进行强化学习时用于进行必要的学习的结构。通过图1所示的加工条件调整装置1具备的CPU11以及机器学习装置100的处理器101执行各个系统程序，控制加工条件调整装置1以及机器学习装置100的各部的动作，来实现图2所示的各功能模块。
本实施方式的加工条件调整装置1具备控制部32、加工种类判别部33、数据取得部34、预处理部36、优先条件设定部37，加工条件调整装置1具备的机器学习装置100具备学习模型选择部105、学习部110、决策部122。此外，在图1所示的非易失性存储器14上设有存储从机床2、传感器3等取得的数据的取得数据存储部52、存储由优先条件设定部37设定的优先条件数据的优先条件存储部56。在图1所示的机器学习装置100的非易失性存储器104上设有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。
图1所示的加工条件调整装置1具备的CPU11执行从ROM12读出的系统程序，主要通过CPU11进行的使用RAM13、非易失性存储器14的运算处理、经由轴控制电路30、主轴控制电路60以及PMC16的机床2以及传感器3的控制处理，来进行控制部32对机床2的控制。控制部32根据存储在图1所示的非易失性存储器14中的控制用程序54，控制机床2的加工动作以及传感器3的测量动作。控制部32具备通过控制用程序54在每个控制周期对驱动机床2所具备的各轴的伺服电动机50(图1)、主轴电动机62(图1)输出移动指令这样的为了控制机床2的各部所需要的一般的用于控制的功能。此外，控制部32对传感器3输出指令以便进行测量动作。并且，控制部32从机床2和传感器3接受与机床2的加工状态以及加工结果有关的数据，并输出到数据取得部34。控制部32从机床2和传感器3取得并输出到数据取得部34的数据，例如可以列举工具的种类等与工具有关的信息、主轴转速、进给速度、切入量等与加工条件有关的信息、与加工参数有关的数据、工件材质、工件形状等与工件有关的信息、被各电动机消耗的电力、机床各部的温度等信息、加工后的工件各部的尺寸、表面精度等与加工结果有关的信息等。
从机器学习装置100输出了加工条件和加工参数中的至少某一个的情况下，控制部32代替通过控制用程序54等指示的加工条件、加工参数，而使用从机器学习装置100输出的加工条件、加工参数来控制机床2的加工动作。
通过图1所示的加工条件调整装置1具备的CPU11执行从ROM12读出的系统程序、主要由CPU11使用RAM13、非易失性存储器14进行运算处理，来进行加工种类判别部33的加工种类的判定。加工种类判别部33根据来自控制部32的指令，判定在机床2中进行的加工的加工种类。加工种类判别部33例如也可以对控制部32当前执行的控制用程序54进行解析，根据当前进行的指令、在该指令的前后执行的指令等来判定当前进行的加工的加工种类。在该情况下，例如也可以根据当前使用的工具的种类(使用攻丝工具时为攻丝加工、使用钻孔工具时为钻孔加工等)、加工条件(指令中的控制代码、切入量为预定的阈值以上时为粗加工、小于阈值时为精加工等)、控制用程序54内的注解等，判定加工种类。此外，也可以预先将用于加工种类的判定的代码嵌入到控制用程序54内，通过读取该代码来判定加工种类。并且，也可以按加工种类准备不同的控制用程序54，或对与控制用程序54对应的CAD/CAM数据等进行解析，判定当前进行的加工的加工种类。
通过图1所示的加工条件调整装置1具备的CPU11执行从ROM12读出的系统程序、主要由CPU11使用RAM13、非易失性存储器14进行运算处理，来进行数据取得部34的数据的取得。数据取得部34将从控制部32输入的与机床2的加工状态以及加工结果有关的数据、作业者从显示器/MDI单元70输入的与加工结果有关的数据、加工种类判别部33判定的加工种类等存储于取得数据存储部52。数据取得部34将从控制部32输入的与机床2的加工状态以及加工结果有关的数据、作业者输入的与加工结果有关的数据、加工种类判别部33判定的加工种类等关联起来，作为取得数据而存储到取得数据存储部52中。
通过图1所示的加工条件调整装置1具备的CPU11执行从ROM12读出的系统程序、主要由CPU11进行的使用了RAM13、非易失性存储器14的运算处理、经由接口18的显示器/MDI单元70等的控制处理，来进行优先条件设定部37的设定。优先条件设定部37接受工件加工中的每个加工种类的优先条件并存储在优先条件存储部56中。优先条件设定部37例如对显示器/MDI单元70显示用于设定每个加工种类的优先条件的UI画面，取得通过作业者经由该UI画面的操作所设定的每个加工种类的优先条件，制作将加工种类与优先条件关联起来的数据即优先条件数据，并存储到优先条件存储部56中。
图3表示存储在优先条件存储部56中的优先条件数据的例子。可以将加工种类定义为例如粗加工、精加工、形状加工等这样的进行预定目的的加工的加工工序。此外，例如也可以通过“高循环时间”(加工时间循环时间的缩短)、“节能”(消耗电力、切削液消耗量、空气消耗量，润滑油消耗量的降低等)、“高品质加工”(表面质量的提高、条纹的减少等)、“加工精度”(加工精度的提高)、“机床的部件寿命的延长”(进给轴、轴承等部件的磨损的抑制、过度负荷的抑制等)、“工具寿命延长”(工具的磨损、折损的抑制、过度的应力负荷的抑制等)、“周边设备的寿命延长”(必要最低限度的速度、动作频率、动作次数设定等)、“机床的最大峰值功率的降低”、“加工品的良品率上升”、“切屑形状、大小的最佳化”、“从机床以及周边设备产生的振动、噪音、电磁噪声、发热的降低”、“机床发热的抑制”等这样的加工所要求的要求事项来定义优先条件。在这样构成的情况下，对各个要求事项预先定义条件式并存储于优先条件存储部56，在进行与各个要求事项有关的判定的情况下，只要参照该条件式即可，其中，条件式定义了具体的加工条件或针对加工参数、测定数据、与加工结果有关的数据等的具体的条件。另外，作为优先条件，例如也可以像“间距间误差＜Errpit”等那样直接定义针对加工条件或加工参数、测定数据、与加工结果有关的数据等的条件式。
优先条件数据也可以是对一个加工种类关联了多个优先条件的数据。此外，优先条件数据还可以是在多个优先条件间赋予了优先顺序的数据。例如，在图3的例子中，对“精加工”的加工种类关联有“形状精度”和“循环时间”这2个优先条件，指定了“形状精度”的条件更优先于“循环时间”。另外，优先条件之间的优先顺序也可以通过权重等进行定义，在该情况下，也可以用数值指定权重或使用图表等来指定权重。另外，优先条件设定部37除了经由显示器/MDI单元70的优先条件的设定外，还可以使控制用程序54定义每个加工种类的优先条件，并设定从该控制用程序54读入的每个加工种类的优先条件。优先条件设定部37还可以从经由未图示的网络连接的其他装置等取得并设定每个加工种类的优先条件。
通过图1所示的加工条件调整装置1具备的CPU11执行从ROM12读出的系统程序、主要由CPU11使用RAM13、非易失性存储器14进行运算处理，来进行预处理部36的预处理。预处理部36根据数据取得部34取得的数据、存储于优先条件存储部56的优先条件数据，制作在机器学习装置100的机器学习中所使用的学习数据。预处理部36制作将数据取得部34取得(并且存储于取得数据存储部52)的数据变换(数值化、采样等)为在机器学习装置100中处理的统一的形式的学习数据，并将所制作的学习数据与加工种类一起输出到机器学习装置100。例如，预处理部36在机器学习装置100进行强化学习的情况下，制作该学习中的预定形式的状态数据S以及判定数据D的组作为学习数据。
作为本实施方式的预处理部36制作的状态数据S，至少包括工具数据S1和加工条件数据S2或加工参数数据S3中的某一个，其中，上述工具数据S1包括与机床2加工工件时使用的工具有关的信息，上述加工条件数据S2包括与机床2加工工件的加工条件有关的信息，上述加工参数数据S3包括与机床2进行的工件加工关联的参数信息。
将工具数据S1定义为表示机床2加工工件时所使用的工具的种类、工具的材质的数据列。关于工具的种类，例如也可以像切削工具、铣削工具、钻孔工具等这样根据工具的形状、加工时的使用方法进行分类，并用能够唯一地识别的数值进行表示。此外，关于工具的材质，例如也可以用能够分别唯一地识别的数值表示像高速钢、硬质合金等这样的工具材质。取得作业者对加工条件调整装置1、机床2设定的与工具有关的信息，并根据取得的与工具有关的信息制作工具数据S1即可。
将加工条件数据S2定义为以在机床2加工工件时设定或指示的主轴转速、进给速度、切入量等加工条件为要素的数据列。对于主轴转速、进给速度、切入量等，使用将各个加工条件的值用预定的单位表示的数值即可。各个加工条件的值通过控制用程序54被指示，或被设定为控制用的默认值，因此取得它们来制作即可。
将加工参数数据S3定义为以在机床2加工工件时参照的机械的控制参数为要素的数据列。控制参数是用于控制机床2的电动机的控制时间常数等参数、与周边设备等的控制有关的参数等。加工参数数据S3只要取得加工时设定的参数即可。
作为本实施方式的预处理部36制作的判定数据D，可以使用取得上述的状态数据S的加工状态下的、与该加工状态的加工种类相关联的优先条件有关的从机床2和传感器3取得的数据。例如，将图3示例的优先条件数据存储于优先条件存储部56的情况下，根据从钻孔加工中的机床2(以及传感器3)取得的数据制作状态数据S时，预处理部36根据与间距间误差有关的数据制作对应于状态数据S的判定数据D。此外，根据从形状加工中的机床2(以及传感器3)取得的数据制作状态数据S的情况下，预处理部36根据用于判定通过传感器3测量的表面质量等的数据，制作对应于状态数据S的判定数据D。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM13、非易失性存储器104进行运算处理，来进行学习模型选择部105的学习模型的选择。本实施方式的学习模型选择部105从学习模型存储部130选择与从预处理部36输入的加工种类对应的学习模型，并将所选择的学习模型使用于学习部110的学习以及决策部122的决策。学习模型选择部105在学习模型存储部130中未存储有与从预处理部36输入的加工种类对应的学习模型的情况下，也可以新生成与该加工种类对应的初始化的学习模型，并存储于学习模型存储部130。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM13、非易失性存储器104进行运算处理，来进行学习部110的学习。本实施方式的学习部110进行使用了预处理部36制作的学习数据的机器学习。学习部110通过公知的强化学习的方法，更新学习模型选择部105选择的学习模型，并将更新后的学习模型存储于学习模型存储部130，以便学习针对机床2的加工状态以及加工结果的、加工条件和加工参数的至少某一个的调整行为。强化学习是如下的方法：试错地反复进行观测学习对象所在的环境的当前状态(即输入)，并且在当前状态下执行预定的行为(即输出)并针对该行为给出某种回报的循环，将回报的总计最大化的方案(在本申请的机器学习装置100中为加工条件和加工参数中的至少某一个的调整行为)作为最佳解而进行学习。作为学习部110进行的强化学习的方法，列举了Q学习等。
在学习部110进行的Q学习中，根据存储于优先条件存储部56中的与加工种类相关联的优先条件来决定回报R即可。例如，将图3示例的优先条件数据存储于优先条件存储部56的情况下，成为当前学习的对象的状态数据S是基于进行钻孔加工的过程中取得的数据的状态数据的情况下，作为判定数据的间距间误差小于存储在优先条件存储部56中的阈值Errpit时设为正的回报R，为阈值Errpit以上时设为负的回报R。在用作判定数据的数据可以作为表示预定程度的数据来处理的情况下，回报R也可以根据该程度的大小，成为更大的正的回报R或负的回报R。例如在上述的间距间误差的例子中，也可以根据间距间误差从阈值Errpit偏离多少来变更正负的回报的大小。
在优先条件存储部56中与加工种类对应地设有多个优先条件的情况下，也可以使用组合这些优先条件而得的公式来计算出回报R。例如，将图3示例的优先条件数据存储于优先条件存储部56的情况下，成为当前学习的对象的状态数据S是基于进行精加工的过程中取得的数据的状态数据时，预先定义使用了与形状精度有关的数据、与循环时间有关的数据的预定的回报计算式，使用该回报计算式计算出回报R即可。此时，在各优先条件间设定了优先级的情况下，根据该优先级变更回报计算中支配性的数据即可。例如，在图3的例子中进行形状加工的情况下，也可以在将回报计算式定义为R＝b1×f(x)(x为与形状精度有关的数据)+b2×g(y)(y为与循环时间有关的数据)等(另外，f(x)、g(y)为预定的回报计算用的函数)的基础上，以预定的基准调整系数b1、b2以使b1＞b2。
学习部110也可以构成为，将神经网络用作价值函数Q(学习模型)，将状态变量S和行为a作为神经网络的输入，输出该状态下的该行为a的价值(结果y)。在这样构成的情况下，作为学习模型也可以使用具备输入层、中间层、输出层这三层的神经网络。作为学习模型，也可以构成为通过利用使用了构成三层以上的层的神经网络的、所谓的深度学习方法，来进行更有效的学习以及推理。学习部110更新后的学习模型被存储于设置在非易失性存储器104上的学习模型存储部130，在决策部122进行的加工条件和加工参数中的至少某一个的调整行为的决定中被使用。
学习部110在学习阶段成为必须的结构，但在学习部110完成加工条件和加工参数中的至少某一个的调整行为的学习后并不是必须的结构。例如，将完成了学习的机器学习装置100发货给顾客等情况下，也可以卸下学习部110后进行发货。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM103、非易失性存储器104进行运算处理，来进行决策部122的决策。决策部122根据从预处理部36输入的状态数据S，求出使用了学习模型选择部105选择的学习模型的加工条件和加工参数中的至少一个的调整行为的最佳解，并输出所求出的加工条件和加工参数中的至少某一个的调整行为。在本实施方式的决策部122中，对于通过学习部110的强化学习更新后(决定了参数)的学习模型，将从预处理部36输入的状态数据S(工具数据S1、加工条件数据S2、加工参数数据S3)和加工条件和加工参数中的至少某一个的调整行为(进给速度的调整、主轴转速的调整等的组合、参数的设定变更)作为输入数据而进行输入，由此计算出在当前状态下采取该行为时的回报。针对当前可取得的加工条件和加工参数中的至少某一个的调整行为，进行决策部122的回报的计算，比较计算出的多个回报来决定计算出最大回报的加工条件和加工参数中的至少某一个的调整行为作为最佳解。决策部122决定的加工条件和加工参数中的至少某一个的调整行为的最佳解被输入到控制部32，在实际加工中的加工条件和加工参数中的至少某一个的决定中被使用。除此之外，调整行为的最佳解例如也可以被显示输出到显示器/MDI单元70，或者经由未图示的有线/无线网络被发送输出到雾计算机、云计算机等而被利用。
在加工条件调整装置1中，在机床2加工工件时，可以根据作业者的请求事项适当地调整加工条件和加工参数中的至少某一个。
作为本实施方式的加工条件调整装置1的变形例，预处理部36除了工具数据S1、加工条件数据S2、加工参数数据S3之外，还可以制作表示与通过机床2加工的工件有关的信息的工件数据S4作为状态数据。将工件数据S4定义为表示通过机床2加工的工件的材质的数据列。关于工件的材质，例如也可以用能够分别唯一地识别的数值表示例如铝、铁等这样的工件材质。也可以根据作业者对加工条件调整装置1、机床2设定的与工件有关的信息等制作工件数据S4。
图4是第2实施方式的加工条件调整装置1和机器学习装置100的概要性功能框图。本实施方式的加工条件调整装置1具备在机器学习装置100进行监督学习时用于进行必要的学习的结构。通过图1所示的加工条件调整装置1具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，控制加工条件调整装置1以及机器学习装置100的各部的动作，来进行图4所示的各功能模块的功能。
本实施方式的加工条件调整装置1具备控制部32、加工种类判别部33、数据取得部34、预处理部36、优先条件设定部37，加工条件调整装置1具备的机器学习装置100具备学习模型选择部105、学习部110。此外，在图1所示的非易失性存储器14上设有存储从机床2、传感器3等取得的数据的取得数据存储部52、存储由优先条件设定部37设定的优先条件数据的优先条件存储部56。在图1所示的机器学习装置100的非易失性存储器104上设有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105具备与第1实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105同样的功能。
本实施方式的预处理部36根据数据取得部34取得的数据、存储于优先条件存储部56的优先条件数据，制作在机器学习装置100的机器学习中所使用的学习数据。预处理部36制作将数据取得部34取得(并且存储于取得数据存储部52)的数据变换(数值化、采样等)为在机器学习装置100中处理的统一的形式的学习数据，并与加工种类一起将所制作的学习数据输出到机器学习装置100。例如，预处理部36在机器学习装置100进行监督学习的情况下，制作该学习中的预定形式的状态数据S以及标签数据L的组作为学习数据。
本实施方式的预处理部36仅根据数据取得部34取得(并且，存储在取得数据存储部52中)的数据中的、满足与取得各个取得数据的状态下的加工种类相关联的优先条件的取得数据，制作状态数据S以及标签数据L的组作为学习数据。例如，将图3示例的优先条件数据存储于优先条件存储部56的情况下，针对进行钻孔加工的过程中取得的数据，仅根据间距间误差小于阈值Errpit的数据，制作状态数据S以及标签数据L的组作为学习数据，并输出到机器学习装置100。预处理部36向机器学习装置100输出的数据仅是根据在各个加工种类中满足优先条件的情况下取得的数据制作的学习数据。因此，使用该学习数据进行学习而得的学习模型输出用于进行满足优先条件的加工的加工条件和加工参数中的至少某一个。
作为本实施方式的预处理部36制作的状态数据S，至少包括工具数据S1，该工具数据S1包含与机床2加工工件时所使用的工具有关的信息。将工具数据S1定义为表示机床2加工工件时所使用的工具的种类、工具的材质的数据列。关于工具的种类，例如也可以像切削工具、铣削工具、钻孔工具等这样根据工具的形状、加工时的使用方法进行分类，并分别用能够唯一识别的数值进行表示。此外，对于工具的材质，例如也可以分别用能够唯一识别的数值表示像高速钢、硬质合金等这样的工具材质。取得作业者对加工条件调整装置1、机床2设定的与工具有关的信息，并根据取得的与工具有关的信息制作工具数据S1即可。
作为本实施方式的预处理部36制作的标签数据L，至少包括加工条件标签数据L1或加工参数标签数据L2中的某一个，其中，加工条件标签数据L1将取得状态数据S的加工状态下的、机床2加工工件时的加工条件有关的信息设为标签，加工参数标签数据L2包括与机床2进行的工件加工关联的参数信息。
将加工条件标签数据L1定义为以在机床2加工工件时设定或指示的主轴转速、进给速度、切入量等加工条件为要素的数据列。对于主轴转速、进给速度、切入量等，使用将各个加工条件的值用预定的单位表示的数值即可。各个加工条件的值通过控制用程序54被指示，或被设定为控制用默认值，因此取得它们来制作即可。
将加工参数标签数据L2定义为以在机床2加工工件时参照的机械的控制参数为要素的数据列。控制参数是用于控制机床2的电动机的控制时间常数等参数、与周边设备等的控制有关的参数等。加工参数标签数据L2只要取得加工时设定的参数即可。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM13、非易失性存储器104进行运算处理，来进行本实施方式的学习部110的学习。本实施方式的学习部110进行使用预处理部36制作的学习数据的机器学习。学习部110通过公知的监督学习的方法，更新学习模型选择部105选择的学习模型，并将更新后的学习模型存储于学习模型存储部130，以便学习针对机床2的加工状态的、满足优先条件的加工条件和加工参数的至少某一个。作为学习部110进行的监督学习的方法，列举了多层感知(multilayer perceptron)法，循环神经网络(recurrent neural network)法，长短期记忆(Long Short-Term Memory)法，卷积神经网络(convolutional neuralnetwork)法等。
对于机床2的加工状态，本实施方式的学习部110更新学习模型以便与满足加工种类所对应的优先条件的加工条件和加工参数中的至少某一个关联起来进行学习。这样由本实施方式的学习部110生成的学习模型，在给出了机床2的加工状态时，能够用于推定满足加工种类所对应的优先条件的加工条件和加工参数中的至少某一个。
学习部110在学习阶段是必须的结构，但在学习部110完成满足加工种类所对应的优先条件的加工条件和加工参数中的至少某一个的学习后并不是必须的结构。例如，将完成了学习的机器学习装置100发货给顾客等情况下，也可以卸下学习部110后进行发货。
具备上述结构的本实施方式的加工条件调整装置1生成多个将满足各个加工种类所对应的优先条件的加工条件和加工参数中的至少某一个与机床2的加工状态关联起来学习而得的学习模型。然后，后述的推定部120使用这样生成的多个学习模型，为了能够根据从机床2取得的状态数据S，决定所取得的状态下的加工种类所对应的更适当的加工条件和加工参数中的至少某一个而进行必要的推定处理。
作为本实施方式的加工条件调整装置1的变形例，预处理部36除了工具数据S1之外，还可以制作表示与通过机床2加工的工件有关的信息的工件数据S4作为状态数据。工件数据S4被定义为表示通过机床2加工的工件的材质的数据列。关于工件的材质，也可以分别用能够唯一识别的数值表示例如铝、铁等这样的工件材质。也可以根据作业者对加工条件调整装置1、机床2设定的与工件有关的信息，制作工件数据S4。
图5是第3实施方式的加工条件调整装置1和机器学习装置100的概要性功能框图。本实施方式的加工条件调整装置1具备在机器学习装置100推定各个机床进行的加工的加工条件和加工参数中的至少一个的情况下用于进行必要的推定的结构。通过图1所示的加工条件调整装置1具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，控制加工条件调整装置1以及机器学习装置100的各部的动作，来实现图5所示的各功能模块。
本实施方式的加工条件调整装置1具备控制部32、加工种类判别部33、数据取得部34、预处理部36、优先条件设定部37，加工条件调整装置1具备的机器学习装置100具备学习模型选择部105、推定部120。此外，在图1所示的非易失性存储器14上设有存储从机床2、传感器3等取得的数据的取得数据存储部52、存储由优先条件设定部37设定的优先条件数据的优先条件存储部56。在图1所示的机器学习装置100的非易失性存储器104上设有存储通过在第2实施方式中说明的学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105具备与第1实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105同样的功能。
本实施方式的预处理部36在使用了机器学习装置100的学习模型的满足优先条件的加工条件和加工参数中的至少某一个的推定阶段，根据数据取得部34取得的数据、存储于优先条件存储部56的优先条件数据，变换(数值化、采样等)为在机器学习装置100中处理的统一的形式。根据变换后的数据制作用于机器学习装置100的推定的预定形式的状态数据S，将制作的状态数据S与加工种类一起输出给机器学习装置100。例如，预处理部36根据数据取得部34取得的数据，制作工具数据S1。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM103、非易失性存储器104进行运算处理，来进行推定部120的推定。推定部120根据预处理部36制作的状态数据S，使用学习模型选择部105选择的学习模型，进行满足优先条件的加工条件和加工参数中的至少某一个的推定。在本实施方式的推定部120中，对学习部110生成的(决定了参数的)学习模型，输入从预处理部36输入的状态数据S，由此推定并输出满足与加工种类关联起来的优先条件的加工条件和加工参数中的至少某一个。将推定部120推定出的结果输出到控制部32。
具备上述结构的本实施方式的加工条件调整装置1推定满足与各个加工种类对应的优先条件的加工条件和加工参数中的至少某一个，并根据推定出的加工条件和加工参数中的至少某一个控制机床2进行的工件的加工动作。
作为本实施方式的加工条件调整装置1的变形例，预处理部36除了工具数据S1之外，还可以制作表示与通过机床2加工的工件有关的信息的工件数据S4作为状态数据。工件数据S4被定义为表示通过机床2加工的工件的材质的数据列。关于工件的材质，例如也可以分别用能够唯一识别的数值表示例如铝、铁等这样的工件材质。也可以根据作业者对加工条件调整装置1、机床2设定的与工件有关的信息，制作工件数据S4。
图6是第4实施方式的加工条件调整装置1和机器学习装置100的概要性功能框图。本实施方式的加工条件调整装置1具备在机器学习装置100进行无监督学习时用于进行必要的学习的结构。通过图1所示的加工条件调整装置1具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，控制加工条件调整装置1以及机器学习装置100的各部的动作，来实现图6所示的各功能模块。
本实施方式的加工条件调整装置1具备控制部32、加工种类判别部33、数据取得部34、预处理部36、优先条件设定部37，加工条件调整装置1具备的机器学习装置100具备学习模型选择部105、学习部110。此外，在图1所示的非易失性存储器14上设有存储从机床2、传感器3等取得的数据的取得数据存储部52、存储由优先条件设定部37设定的优先条件数据的优先条件存储部56。在图1所示的机器学习装置100的非易失性存储器104上设有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105具备与第1实施方式的加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105同样的功能。
本实施方式的预处理部36根据数据取得部34取得的数据、存储于优先条件存储部56的优先条件数据，制作在机器学习装置100的机器学习中所使用的学习数据。预处理部36制作将数据取得部34取得并存储于取得数据存储部52的数据变换(数值化、采样等)为在机器学习装置100中处理的统一的形式的学习数据，并与加工种类一起将所制作的学习数据输出到机器学习装置100。例如，预处理部36在机器学习装置100进行无监督学习的情况下，制作该学习中的预定形式的状态数据S作为学习数据。
本实施方式的预处理部36仅根据数据取得部34取得(并且存储在取得数据存储部52中)的数据中的、满足取得各个取得数据的状态下的与加工种类相关联的优先条件的取得数据，制作状态数据S作为学习数据。例如，将图3示例的优先条件数据存储于优先条件存储部56的情况下，针对进行钻孔加工的过程中取得的数据，仅根据间距间误差小于阈值Errpit的数据制作状态数据S作为学习数据，并输出到机器学习装置100。预处理部36向机器学习装置100输出的学习数据仅是根据在各个加工种类中满足优先条件的情况下取得的数据制作的学习数据。因此，使用该学习数据进行学习而得的学习模型表示用于进行满足优先条件的加工的加工条件和加工参数中的至少某一个的分布。
作为本实施方式的预处理部36制作的状态数据S，至少包括工具数据S1以及加工条件数据S2或加工参数数据S3中的至少一个，其中，工具数据S1包含与机床2加工工件时所使用的工具有关的信息，加工条件数据S2包括与机床2加工工件时的加工条件有关的信息，加工参数数据S3包括与机床2进行的工件加工相关联的参数信息。
将工具数据S1定义为表示机床2加工工件时所使用的工具的种类、工具的材质的数据列。关于工具的种类，例如也可以像切削工具、铣削工具、钻孔工具等这样根据工具的形状、加工时的使用方法进行分类，并分别用能够唯一识别的数值进行表示。此外，对于工具的材质，例如也可以分别用能够唯一识别的数值表示像高速钢、硬质合金等这样的工具材质。取得作业者对加工条件调整装置1、机床2设定的与工具有关的信息，并根据取得的与工具有关的信息制作工具数据S1即可。
将加工条件数据S2定义为以在机床2加工工件时设定或指示的主轴转速、进给速度、切入量等加工条件为要素的数据列。对于主轴转速、进给速度、切入量等，使用将各个加工条件的值以预定的单位表示的数值即可。各个加工条件的值通过控制用程序54被指示或被设定为控制用默认值，因此取得它们并制作即可。
将加工参数数据S3定义为以在机床2加工工件时参照的机械的控制参数为要素的数据列。控制参数是用于控制机床2的电动机的控制时间常数等参数、与周边设备等的控制有关的参数等。加工参数数据S3只要取得加工时所设定的参数即可。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM13、非易失性存储器104进行运算处理，来进行本实施方式的学习部110的学习。本实施方式的学习部110进行使用了预处理部36制作的学习数据的机器学习。学习部110通过公知的无监督学习的方法，更新学习模型选择部105选择的学习模型，并将更新后的学习模型存储于学习模型存储部130，以便学习机床2的加工中的满足优先条件的加工条件和加工参数的至少某一个的分布。作为学习部110进行的无监督学习的方法，例如列举了自编码器(auto encoder)法、K-means法等。
本实施方式的学习部110更新学习模型，以便学习机床2的加工中的满足与加工种类对应的优先条件的加工条件和加工参数中的至少某一个的分布。这样，由本实施方式的学习部110生成的学习模型在机床2的加工中能够用于推定满足与加工种类对应的优先顺序的加工条件和加工参数中的至少某一个。
另外，学习部110在学习阶段是必须的结构，但在学习部110完成满足加工种类所对应的优先条件的加工条件和加工参数中的至少某一个的分布的学习后并不是必须的结构。例如，将完成了学习的机器学习装置100发货给顾客等情况下，也可以卸下学习部110后进行发货。
具备上述结构的本实施方式的加工条件调整装置1生成多个学习了满足各个加工种类所对应的优先条件的加工条件和加工参数中的至少某一个的分布而得的学习模型。然后，后述的推定部120使用这样生成的多个学习模型，为了能够根据从机床2取得的状态数据S决定所取得的状态下的加工种类所对应的更适当的加工条件和加工参数中的至少某一个，可以进行必要的推定处理。
作为本实施方式的加工条件调整装置1的变形例，预处理部36除了工具数据S1、加工条件数据S2、加工参数数据S3之外，还可以制作表示与通过机床2加工的工件有关的信息的工件数据S4作为状态数据。工件数据S4被定义为表示通过机床2加工的工件的材质的数据列。关于工件的材质，例如也可以分别用能够唯一识别的数值表示例如铝、铁等这样的工件材质。也可以根据作业者对加工条件调整装置1、机床2设定的与工件有关的信息等，制作工件数据S4。
图7是第5实施方式的加工条件调整装置1和机器学习装置100的概要性功能框图。本实施方式的加工条件调整装置1具备在机器学习装置100推定各个机床进行的加工的加工条件和加工参数中的至少某一个的情况下必要的结构。通过图1所示的加工条件调整装置1具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，控制加工条件调整装置1以及机器学习装置100的各部的动作，来实现图7所示的各功能模块的功能。
本实施方式的加工条件调整装置1具备控制部32、加工种类判别部33、数据取得部34、预处理部36、优先条件设定部37，加工条件调整装置1具备的机器学习装置100具备学习模型选择部105、推定部120。此外，在图1所示的非易失性存储器14上设有存储从机床2、传感器3等取得的数据的取得数据存储部52、存储由优先条件设定部37设定的优先条件数据的优先条件存储部56。在图1所示的机器学习装置100的非易失性存储器104上设有存储通过在第2实施方式中说明的学习部110的机器学习构筑的学习模型的学习模型存储部130。
本实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105具备与第1实施方式的控制部32、加工种类判别部33、数据取得部34、优先条件设定部37、学习模型选择部105同样的功能。
本实施方式的预处理部36在使用机器学习装置100的学习模型推定满足优先条件的加工条件和加工参数中的至少某一个的阶段，根据数据取得部34取得的数据、存储于优先条件存储部56的优先条件数据，变换(数值化、采样等)为在机器学习装置100中处理的统一的形式。根据变换后的数据制作在机器学习装置100的推定中所使用的预定形式的状态数据S，将制作的状态数据S与加工种类一起输出到机器学习装置100。例如，预处理部36根据数据取得部34取得的数据制作工具数据S1以及加工条件数据S2或加工参数数据S3中的至少某一个。
通过图1所示的加工条件调整装置1具备的处理器101执行从ROM12读出的系统程序、主要由处理器101使用RAM13、非易失性存储器104进行运算处理，来进行推定部120的推定。推定部120根据预处理部36制作的状态数据S，使用学习模型选择部105选择的学习模型推定满足优先条件的加工条件和加工参数中的至少某一个。在本实施方式的推定部120中，根据由学习部110生成的学习模型所包含的数据的分布中的、从预处理部36输入的状态数据S的位置，推定并输出满足优先条件的加工条件和加工参数中的至少某一个。将推定部120推定出的结果输出到控制部32。
推定部120例如计算出由学习部110生成的学习模型所包含的数据的分布中的各个数据集合(聚类)与从预处理部36输入的状态数据S的位置的距离，在从预处理部36输入的状态数据S的位置与最近位置处的数据集合Cln的距离为预先决定的预定的阈值Distth1以下的情况下，推定为当前的加工条件或加工参数满足当前的加工种类中的优先条件。此外，推定部120例如在从预处理部36输入的状态数据S的位置与最近位置处的数据集合Cln的距离比预先决定的预定的阈值Distth1大的情况下，因当前的加工条件和加工参数中的至少某一个为原因，推定为不满足当前的加工种类中的优先条件。然后，推定部120在从预处理部36输入的状态数据S中，按照预先决定的预定的规则对1个或多个加工条件或加工参数进行调整，以使与数据集合Cln的距离成为预先决定的预定的阈值Distth1以下。预先决定的用于调整的规则，例如也可以是固定地调整预定的加工条件或预定的加工参数的规则。也可以是以最少的调整量调整为与数据集合Cln的距离成为预先决定的预定的阈值Distth1以下的规则。此外，也可以是将预定的加工条件或预定的加工参数从调整对象排除的规则。这样，推定部120根据当前的状态数据S和学习模型，推定并输出满足优先条件的加工条件和加工参数中的至少某一个。
另外，推定部120在从预处理部36输入的状态数据S的位置与位于最近的数据集合Cln的距离比预先决定的预定的阈值Distth2大的情况下(阈值Distth2＞阈值Distth1)，也可以输出停止加工的指令。此外，比预先决定的预定的阈值Distth3大的情况下(阈值Distth3＞阈值Distth2)，也可以输出紧急停止的指令。这样，在进行了从正常的动作大幅度偏离的动作的情况下，能够推定为异常的加工状态，并催促作业者注意。
具备上述结构的本实施方式的加工条件调整装置1推定满足与各个加工种类对应的优先条件的加工条件和加工参数中的至少某一个，并根据推定出的加工条件和加工参数中的至少某一个控制机床2进行的工件的加工动作。
作为本实施方式的加工条件调整装置1的变形例，预处理部36除了工具数据S1、加工条件数据S2、加工参数数据S3之外，还可以制作表示与通过机床2加工的工件有关的信息的工件数据S4作为状态数据。工件数据S4被定义为表示通过机床2加工的工件的材质的数据列。关于工件的材质，例如也可以分别用能够唯一识别的数值表示例如铝、铁等这样的工件材质。也可以根据作业者对加工条件调整装置1、机床2设定的与工件有关的信息等，制作工件数据S4。
在以下的第6～8实施方式中说明了将第1～5实施方式的加工条件调整装置1安装为经由有线/无线的网络与包含云服务器、主机计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相互连接而成的系统的一部分的实施方式。如图8所示例的那样，在以下的第6～8实施方式中，假设了多个装置的每一个与网络连接的状态下理论上分为包含云服务器6等的层、包含雾计算机7等的层、包含边缘计算机8(单元9所包含的机器人控制器、控制装置等)等的层这3层而构成的系统。在这样的系统中，本发明的一个方式的加工条件调整装置1也可以安装在云服务器6、雾计算机7、边缘计算机8中的某一个上。加工条件调整装置1能够在与多个装置的各个间经由网络相互共享机器学习涉及的处理中所使用的数据并进行分散学习，或将所生成的学习模型收集到雾计算机7、云服务器6来进行大规模的解析，更或者进行所生成的学习模型的相互再利用等。在图8示例的系统中，在各地的工厂分别设有多个单元9，以预定的单位(以工厂为单位、以相同制造商的多个工厂为单位等)由上位层的雾计算机7管理各个单元9。并且，可以将这些雾计算机7收集、解析后的数据通过更上位层的云服务器6进行收集、解析等，并将作为其结果而得到的信息灵活运用于各个边缘计算机8中的控制等。
图9是在云服务器、雾计算机等计算机上安装有加工条件调整装置时的概要性硬件结构图。
本实施方式的安装于计算机的加工条件调整装置1’具备的CPU311是对加工条件调整装置1’进行整体控制的处理器。CPU311经由总线320读出存储在ROM312中的系统程序，并按照该系统程序对加工条件调整装置1’的整体进行控制。RAM313中临时存储有临时的计算数据、显示数据、操作者经由未图示的输入部输入的各种数据等。
非易失性存储器314构成为例如通过未图示的电池进行备份等，即使加工条件调整装置1’的电源被断开也保持存储状态的存储器。非易失性存储器314中存储有经由输入装置371输入的程序、经由加工条件调整装置1’的各部或网络5从机床2’(以及传感器3)等取得的各种数据。存储在非易失性存储器314中的程序、各种数据也可以在执行时/利用时在RAM313被展开。此外，在ROM312中预先写入有公知的解析程序等各种系统程序(包括用于控制与后述的机器学习装置100的数据交换的系统程序)。
加工条件调整装置1’经由接口319与有线/无线的网络5连接。网络5至少与1个机床2’(具备控制装置的机床)、其他加工条件调整装置1、边缘计算机8、雾计算机7、云服务器6等连接，在与加工条件调整装置1’间相互地进行数据的交换。
将读入到存储器上的各数据、作为执行程序等的结果而得的数据等经由接口317输出并显示于显示装置370。此外，由键盘、指点设备等构成的输入装置371将基于作业者的操作的指令、数据等经由接口318传送给CPU311。
接口321连接加工条件调整装置1’与机器学习装置100。对于机器学习装置100，具备与在图1中说明的结构同样的结构。
这样，在云服务器、雾计算机等计算机上安装加工条件调整装置1’的情况下，对于加工条件调整装置1’具备的功能而言，除了来自机床2’以及传感器3的信息的取得、调整针对机床2的加工条件的指令经由网络5进行交换这一点之外，与在第1～第3实施方式中说明的功能相同。此时，机床2’具备控制装置，因此加工条件调整装置1’具备的控制部32不进行机床2’的控制，而从机床2’具备的控制装置取得与该机床2’的加工状态有关的信息。此外，加工条件调整装置1’具备的控制部32经由机床2’具备的控制装置进行传感器3的间接控制，并且经由机床2’具备的控制装置取得传感器3的测量值。
图10是具备加工条件调整装置1’的第6实施方式的加工条件调整系统的概要性结构图。加工条件调整系统500具备多个加工条件调整装置1、1’、多个机床2’、以及将这些加工条件调整装置1、1’、机床2’相互连接的网络5。
在加工条件调整系统500中，具备机器学习装置100的加工条件调整装置1’使用学习部110的学习结果，根据机床2’的加工状态决定满足优先条件的加工条件。此外，至少一个加工条件调整装置1’根据其他多个加工条件调整装置1、1’分别取得的状态数据S以及标签数据L或判定数据D，学习全部加工条件调整装置1、1’共通的满足与机床2、2’的加工状态对应的优先条件的加工条件，并由全部的加工条件调整装置1、1’共享该学习结果。因此，根据加工条件调整系统500，能够以更多样的数据集合(包含状态数据S以及标签数据L或判定数据D)为输入，提高学习的速度、可靠性。
图11是将机器学习装置和加工条件调整装置安装在不同装置上的第7实施方式的系统的概要性结构图。加工条件调整系统500’具备安装为云服务器、主机计算机、雾计算机等计算机的一部分的至少一台机器学习装置100(在图11中示出了安装为雾计算机7的一部分的例子)、多个加工条件调整装置1”、将这些加工条件调整装置1”与计算机相互连接的网络5。另外，计算机的硬件结构与图9所示的加工条件调整装置1’的概要性硬件结构同样地，将CPU311、RAM313、非易失性存储器314等一般的计算机所具备的硬件经由总线320连接而构成。
具有上述结构的加工条件调整系统500’根据机器学习装置100针对多个加工条件调整装置1”的每一个得到的状态数据S以及标签数据L或判定数据D，学习全部的加工条件调整装置1”共通的与机床2的加工状态对应的满足优先条件的加工条件。并且，能够使用该学习结果进行各个机床2的加工条件的调整。根据加工条件调整系统500’的结构，多个加工条件调整装置1”的每一个不论所在的场所、时期，都可以在必要时将必要数量的加工条件调整装置1”连接至机器学习装置100。
图12是具备机器学习装置100’和加工条件调整装置1的第8实施方式的加工条件调整系统500”的概要性结构图。加工条件调整系统500”具备安装在边缘计算机或雾计算机、主机计算机、云服务器等计算机上的至少1台机器学习装置100’(在图12中示出了安装为雾计算机7的一部分的例子)、多个加工条件调整装置1、将这些加工条件调整装置1与计算机相互连接的有线/无线的网络5。
在具有上述结构的加工条件调整系统500”中，具备机器学习装置100’的雾计算机7从各个加工条件调整装置1取得作为该加工条件调整装置1具备的机器学习装置100的机器学习的结果而得到的学习模型。并且，雾计算机7具备的机器学习装置100’进行基于这些学习模型的知识的最佳化、高效化的处理，由此新生成最佳化或高效化的学习模型，并对各个加工条件调整装置1发布所生成的学习模型。
作为机器学习装置100’进行的学习模型的最佳化或高效化的例子，列举了根据从各加工条件调整装置1取得的多个学习模型生成蒸馏模型的例子。在该情况下，本实施例的机器学习装置100’制作对学习模型输入的输入数据，并使用作为将该输入数据输入到各个学习模型的结果而得的输出，从1开始进行学习，由此新生成作为学习模型的蒸馏模型。如上述中说明的那样，这样生成的蒸馏模型经由外部存储介质、网络5发布给加工条件调整装置1或其他计算机而被灵活运用。
作为机器学习装置100’进行的学习模型的最佳化或高效化的其他例子，考虑在针对从各加工条件调整装置1取得的多个学习模型进行蒸馏的过程中，将针对输入数据的各学习模型的输出数据的分布通过一般统计方法进行解析，提取出输入数据与输出数据的组的偏移值，使用除去该偏移值外的输入数据与输出数据的组来进行蒸馏。经过这样的过程，可以从根据各个学习模型得到的输入数据与输出数据的组排除例外的推定结果，使用排除了例外的推定结果后的输入数据与输出数据的组来生成蒸馏模型。这样生成的蒸馏模型，相比通过多个加工条件调整装置1生成的学习模型，能够作为更通用的学习模型而灵活运用。
另外，也可以适当导入其他一般的学习模型的最佳化或高效化的方法(解析各学习模型，根据该解析结果将学习模型的超参数进行最佳化等)。
在本实施例的加工条件调整系统500”中，例如将机器学习装置100’配置于对作为边缘计算机的多个加工条件调整装置1设置的雾计算机7上，将在各个加工条件调整装置1中生成的学习模型集中存储到雾计算机7上，进行基于所存储的多个学习模型的最佳化或高效化后，可以进行根据需要再次对各加工条件调整装置1发布最佳化或高效化后的学习模型的运用。
此外，在本实施例的加工条件调整系统500”中，例如可以将集中存储于雾计算机7上的学习模型、在雾计算机7上被最佳化或高效化的学习模型进一步集中到上位的主机计算机、云服务器上，使用集中在服务器上的这些学习模型进行工厂、加工条件调整装置1的制造商的智力作业的应用。作为应用例，有上位服务器中的更通用的学习模型的构筑以及再发布、基于学习模型的解析结果的维护作业的辅助、各个加工条件调整装置1的性能等的分析、开发新机械中的应用等。
以上，对本发明的实施方式进行了说明，但本发明并不限定于上述的实施方式的例子，通过加以适当的变更，能够以各种方式实施。
例如，在上述的实施方式中将加工条件调整装置1和机器学习装置100作为具有不同的CPU(处理器)的装置而进行了说明，但机器学习装置100也可以通过加工条件调整装置具备的CPU11和存储在ROM12中的系统程序来实现。

Claims (10)

1.一种加工条件调整装置，其调整对工件进行加工的机床的加工条件，其特征在于，上述加工条件调整装置具备：
数据取得部，其取得至少1个以上的表示加工状态的数据，上述加工状态包括上述机床的加工种类；
优先条件存储部，其存储将上述机床的加工种类与该加工种类的优先条件关联起来的优先条件数据；
预处理部，其根据上述数据取得部取得的数据、与该数据所包含的加工种类对应的存储于上述优先条件存储部的优先条件，制作用于机器学习的数据；以及
机器学习装置，其根据上述预处理部制作的数据，执行上述机床进行上述工件的加工的环境下的、与上述机床进行的加工的加工条件和加工参数的至少某一个有关的机器学习的处理，
上述机器学习装置具备：
学习模型存储部，其存储针对上述机床的每个加工种类生成的多个学习模型；以及
学习模型选择部，其根据上述预处理部制作的数据所包含的加工种类，从存储于上述学习模型存储部的多个学习模型中选择在上述机器学习的处理中所使用的学习模型。
2.根据权利要求1所述的加工条件调整装置，其特征在于，
上述预处理部根据上述数据取得部取得的数据，制作基于与该数据所包含的加工种类对应的存储于上述优先条件存储部的优先条件的判定数据和至少包含工具数据以及加工条件数据或加工参数数据中的至少某一个的状态数据，作为用于上述机器学习装置的强化学习的数据，其中，上述工具数据包括与上述机床进行的上述工件的加工中所使用的工具有关的信息，上述加工条件数据包括与上述机床进行的上述工件的加工中的加工条件有关的信息，上述加工参数数据包括与上述机床进行的上述工件的加工中的加工参数有关的信息，
上述机器学习装置具备：
学习部，其根据上述状态数据和上述判定数据，生成将上述机床的加工状态与满足上述优先条件的加工条件和加工参数中的至少某一个的调整行为关联起来的学习模型；以及
决策部，其根据上述状态数据，使用上述学习部生成的学习模型，决定满足上述优先条件的加工条件和加工参数中的至少某一个，
根据上述决策部决定的满足上述优先条件的加工条件和加工参数中的至少某一个，控制上述机床。
3.根据权利要求1所述的加工条件调整装置，其特征在于，
上述预处理部仅根据上述数据取得部取得的数据中的、满足与该数据所包含的加工种类对应的存储于上述优先条件存储部的优先条件的数据，制作包含与上述机床进行的上述工件的加工中所使用的工具有关的信息的工具数据的状态数据、至少包括以上述加工条件为标签的加工条件标签数据或以上述加工参数为标签的加工参数标签数据中的至少某一个的标签数据，作为在上述机器学习装置的监督学习中所使用的数据，
上述机器学习装置具备：学习部，其根据上述状态数据和上述标签数据，生成将上述机床的加工状态与满足上述优先条件的加工条件和加工参数中的至少某一个关联起来的学习模型。
4.根据权利要求1所述的加工条件调整装置，其特征在于，
上述预处理部根据上述数据取得部取得的数据，制作至少包含工具数据的状态数据作为在上述机器学习装置的推定中所使用的数据，其中，上述工具数据包括与上述机床进行的上述工件的加工中所使用的工具有关的信息，
上述机器学习装置具备：推定部，其根据上述状态数据，使用上述学习模型选择部所选择的学习模型，推定满足上述优先条件的加工条件和加工参数中的至少某一个，
存储于上述学习模型存储部的学习模型是将上述机床的加工状态与满足上述优先条件的加工条件和加工参数中的至少某一个关联起来的学习模型，
根据上述推定部推定的满足上述优先条件的加工条件和加工参数中的至少某一个，控制上述机床。
5.根据权利要求1所述的加工条件调整装置，其特征在于，
上述预处理部仅根据上述数据取得部取得的数据中的、满足与该数据所包含的加工种类对应的存储于上述优先条件存储部的优先条件的数据，制作至少包括工具数据和加工条件数据或加工参数数据中的至少某一个的状态数据，作为在上述机器学习装置的无监督学习中所使用的数据，其中，上述工具数据包括与上述机床进行的上述工件的加工中所使用的工具有关的信息，上述加工条件数据包括与上述机床进行的上述工件的加工中的加工条件有关的信息，加工参数数据包括与上述机床进行的上述工件的加工中的加工参数有关的信息，
上述机器学习装置具备：学习部，其根据上述状态数据，生成表示上述机床进行的加工中的满足上述优先条件的加工条件和加工参数中的至少某一个的分布的学习模型。
6.根据权利要求1所述的加工条件调整装置，其特征在于，
上述预处理部根据上述数据取得部取得的数据，制作至少包括工具数据和加工条件数据或加工参数数据的状态数据，作为在上述机器学习装置的推定中所使用的数据，其中，上述工具数据包括与上述机床进行的上述工件的加工中所使用的工具有关的信息，加工条件数据包括与上述机床进行的上述工件的加工中的加工条件有关的信息，加工参数数据包括与上述机床进行的上述工件的加工中的加工参数有关的信息，
上述机器学习装置具备：推定部，其根据上述状态数据与上述学习模型选择部所选择的学习模型的关系，推定满足上述优先条件的加工条件和加工参数中的至少某一个，
存储于上述学习模型存储部的学习模型是表示上述机床进行的加工中的满足上述优先条件的加工条件和加工参数中的至少某一个的分布的学习模型，
根据上述推定部推定的满足上述优先条件的加工条件和加工参数中的至少某一个，控制上述机床。
7.一种加工条件调整系统，其是经由网络将多个装置相互连接而得的系统，其特征在于，
上述多个装置至少包括权利要求1～6中的至少某一项所述的加工条件调整装置即第1加工条件调整装置。
8.根据权利要求7所述的加工条件调整系统，其特征在于，
上述多个装置包括具备机器学习装置的计算机，
上述计算机取得上述第1加工条件调整装置的至少一个上述学习模型，
上述计算机具备的机器学习装置进行基于所取得的上述学习模型的最佳化或高效化。
9.根据权利要求7所述的加工条件调整系统，其特征在于，
上述多个装置包括与上述第1加工条件调整装置不同的第2加工条件调整装置，
与上述第2加工条件调整装置共享上述第1加工条件调整装置的学习结果。
10.根据权利要求7所述的加工条件调整系统，其特征在于，
上述多个装置包括与上述第1加工条件调整装置不同的第2加工条件调整装置，
在上述第2加工条件调整装置中观测到的数据能够经由上述网络利用于上述第1加工条件调整装置的学习。
CN202010128177.5A 2019-02-28 2020-02-28 加工条件调整装置以及加工条件调整系统 Active CN111624951B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019035779A JP6898371B2 (ja) 2019-02-28 2019-02-28 加工条件調整装置及び加工条件調整システム
JP2019-035779 2019-02-28

Publications (2)

Publication Number Publication Date
CN111624951A true CN111624951A (zh) 2020-09-04
CN111624951B CN111624951B (zh) 2024-04-23

Family

ID=72046471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010128177.5A Active CN111624951B (zh) 2019-02-28 2020-02-28 加工条件调整装置以及加工条件调整系统

Country Status (4)

Country Link
US (1) US11481630B2 (zh)
JP (1) JP6898371B2 (zh)
CN (1) CN111624951B (zh)
DE (1) DE102020001169A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112809479A (zh) * 2021-01-18 2021-05-18 广东钶锐锶数控技术有限公司 一种磨削加工的加工方法和加工装置
CN114580489A (zh) * 2021-10-27 2022-06-03 南京工业大学 一种基于K-means算法的数控磨齿机直线轴辨识测点选择方法
TWI818369B (zh) * 2021-07-01 2023-10-11 日商三菱電機股份有限公司 遷移學習裝置以及遷移學習方法
CN117193165A (zh) * 2023-08-28 2023-12-08 江苏大钢智能装备有限公司 一种数控机床数据采集系统及方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6777696B2 (ja) * 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
JP6940542B2 (ja) * 2019-03-14 2021-09-29 ファナック株式会社 把持力調整装置及び把持力調整システム
WO2021085522A1 (ja) * 2019-10-30 2021-05-06 Ａｌｉｔｅｃｓ株式会社 処理条件推定装置、方法及びプログラム
JP7383982B2 (ja) * 2019-10-30 2023-11-21 株式会社ジェイテクト 工具寿命予測システム
US20210092069A1 (en) * 2020-12-10 2021-03-25 Intel Corporation Accelerating multi-node performance of machine learning workloads
KR20220095286A (ko) * 2020-12-29 2022-07-07 현대자동차주식회사 차량의 최적 속도 결정 장치 및 방법
CN113065630B (zh) * 2021-03-23 2023-04-07 重庆大学 用于砂带磨削加工的工艺参数优化方法
WO2022224459A1 (ja) * 2021-04-23 2022-10-27 Ｈｉｌｌｔｏｐ株式会社 加工制御情報生成装置、加工制御情報生成方法およびプログラム
US20220390918A1 (en) * 2021-06-07 2022-12-08 Protolabs, Inc. Methods and systems for selection of manufacturing orientation using machine learning
CN115660312B (zh) * 2022-09-06 2023-12-22 北京百度网讯科技有限公司 参数调整方法、装置、电子设备及存储介质
JP7415097B1 (ja) 2023-06-20 2024-01-16 三菱電機株式会社 制御装置、レーザ加工システム、およびレーザ加工方法
JP7562175B1 (ja) 2023-06-26 2024-10-07 アルム株式会社 情報処理装置、情報処理方法およびプログラム
CN117094543B (zh) * 2023-07-24 2024-10-01 无锡市华德尔自动化控制技术有限公司 一种面向远程数据库读取控制的开槽机应用方法及系统
CN117389209A (zh) * 2023-09-06 2024-01-12 苏州数设科技有限公司 目标补偿值确定方法、装置、电子设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6445545A (en) * 1987-08-17 1989-02-20 Toyoda Machine Works Ltd Automatic tool selector of machine tool
CN1737716A (zh) * 2000-10-26 2006-02-22 西铁城时计株式会社 加工程序的自动生成方法及其装置
CN101770222A (zh) * 2010-03-09 2010-07-07 江南大学 数控机床刀具的在线管理方法
CN106483934A (zh) * 2015-08-27 2017-03-08 发那科株式会社 数值控制装置
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
CN107797516A (zh) * 2016-09-06 2018-03-13 发那科株式会社 数值控制装置
CN108227482A (zh) * 2016-12-14 2018-06-29 发那科株式会社 控制系统以及机器学习装置
CN108723889A (zh) * 2017-04-20 2018-11-02 发那科株式会社 加减速控制装置
KR20190001371A (ko) * 2017-06-27 2019-01-04 현대위아 주식회사 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법
US20190034803A1 (en) * 2017-07-25 2019-01-31 Fanuc Corporation Information processing apparatus

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11156672A (ja) 1997-08-25 1999-06-15 Yoshiaki Kakino 数値制御装置及びこれを備えた工作機械
JP2010042499A (ja) * 2008-07-18 2010-02-25 Mitsubishi Electric Corp 加工条件探索装置
JP6346128B2 (ja) 2015-07-28 2018-06-20 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP6487475B2 (ja) * 2017-02-24 2019-03-20 ファナック株式会社 工具状態推定装置及び工作機械
JP6659652B2 (ja) * 2017-10-31 2020-03-04 ファナック株式会社 加工条件調整装置及び機械学習装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6445545A (en) * 1987-08-17 1989-02-20 Toyoda Machine Works Ltd Automatic tool selector of machine tool
CN1737716A (zh) * 2000-10-26 2006-02-22 西铁城时计株式会社 加工程序的自动生成方法及其装置
CN101770222A (zh) * 2010-03-09 2010-07-07 江南大学 数控机床刀具的在线管理方法
CN106483934A (zh) * 2015-08-27 2017-03-08 发那科株式会社 数值控制装置
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
CN107797516A (zh) * 2016-09-06 2018-03-13 发那科株式会社 数值控制装置
CN108227482A (zh) * 2016-12-14 2018-06-29 发那科株式会社 控制系统以及机器学习装置
CN108723889A (zh) * 2017-04-20 2018-11-02 发那科株式会社 加减速控制装置
KR20190001371A (ko) * 2017-06-27 2019-01-04 현대위아 주식회사 Ｎｃ 데이터를 이용한 가공 공정 판별 시스템 및 그 방법
US20190034803A1 (en) * 2017-07-25 2019-01-31 Fanuc Corporation Information processing apparatus

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩至骏等: "加工中心工艺参数智能生成系统的研究", 清华大学学报(自然科学版), no. 02, pages 31 - 34 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112809479A (zh) * 2021-01-18 2021-05-18 广东钶锐锶数控技术有限公司 一种磨削加工的加工方法和加工装置
CN112809479B (zh) * 2021-01-18 2023-08-15 广东钶锐锶数控技术股份有限公司 一种磨削加工的加工方法和加工装置
TWI818369B (zh) * 2021-07-01 2023-10-11 日商三菱電機股份有限公司 遷移學習裝置以及遷移學習方法
CN114580489A (zh) * 2021-10-27 2022-06-03 南京工业大学 一种基于K-means算法的数控磨齿机直线轴辨识测点选择方法
CN114580489B (zh) * 2021-10-27 2023-12-08 南京工业大学 一种基于K-means算法的数控磨齿机直线轴辨识测点选择方法
CN117193165A (zh) * 2023-08-28 2023-12-08 江苏大钢智能装备有限公司 一种数控机床数据采集系统及方法

Also Published As

Publication number Publication date
CN111624951B (zh) 2024-04-23
DE102020001169A1 (de) 2020-09-03
JP6898371B2 (ja) 2021-07-07
US11481630B2 (en) 2022-10-25
JP2020138279A (ja) 2020-09-03
US20200279158A1 (en) 2020-09-03

Similar Documents

Publication Publication Date Title
CN111624951B (zh) 加工条件调整装置以及加工条件调整系统
CN108500736B (zh) 工具状态推定装置以及机床
CN111687652B (zh) 握持力调整装置以及握持力调整系统
CN111158313B (zh) 数控机床能耗建模与加工过程优化的方法
CN112262017B (zh) 工作机械的加工尺寸预测装置、系统及方法、工作机械的设备异常判定装置及记录介质
JP6863930B2 (ja) 寿命予測装置及び機械学習装置
CN110704974A (zh) 基于数字孪生驱动的工艺模型的建模与使用方法
CN203894596U (zh) 数控机床加工状态多参数在线主动监控系统
CN101477351B (zh) 具有三级加工自优化功能的智能数控方法
JP2019139755A (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
CN103823409A (zh) 数控机床加工状态多参数在线主动监控系统及其实现方法
JP7053518B2 (ja) 切削液量調整装置及び切削液量調整システム
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
JP7101131B2 (ja) 数値制御システム
CN110174871B (zh) 控制装置、机器学习装置以及系统
CN109690431B (zh) 用于估计误差传播的方法
Brecher et al. Evaluation of toolpath quality: User-assisted CAM for complex milling processes
Djurdjanovic et al. Process and operations control in modern manufacturing
Larshin et al. Intelligent Numerical Control of Profile Grinding
Hoang et al. Self-adjusting on-line cutting condition for high-speed milling process
KR20210100399A (ko) 인공 지능을 이용한 가공품질 예측 시스템 및 방법
CN108693841B (zh) 制造系统以及制造方法
Moreira et al. Sustainable machining process: qualitative analysis and energy efficiency optimization
EP3651081B1 (en) Tuning of axis control of multi-axis machines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant