CN117500635A - 加工条件探索装置及加工条件探索方法 - Google Patents
加工条件探索装置及加工条件探索方法 Download PDFInfo
- Publication number
- CN117500635A CN117500635A CN202180099531.9A CN202180099531A CN117500635A CN 117500635 A CN117500635 A CN 117500635A CN 202180099531 A CN202180099531 A CN 202180099531A CN 117500635 A CN117500635 A CN 117500635A
- Authority
- CN
- China
- Prior art keywords
- processing
- evaluation value
- machining
- unit
- determination 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 664
- 238000000034 method Methods 0.000 title claims description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 550
- 238000003754 machining Methods 0.000 claims abstract description 412
- 239000000725 suspension Substances 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 72
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 102100035353 Cyclin-dependent kinase 2-associated protein 1 Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
具有:加工结果收集部(12),其对加工结果信息进行收集;评价值取得部(13),其对针对实施后的加工的暂定评价值进行计算;收敛判定部(14),其在暂定评价值没有收敛的情况下,对推定收敛值进行推定;停止判定部(15),其在暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止加工进行判定;评价决定部(16),其在中止加工的情况下,将推定收敛值决定为评价值,在不中止加工的情况下,在暂定评价值收敛后,将暂定评价值的收敛值决定为评价值;以及探索结束判定部(113),其在结束探索的情况下决定最佳的加工条件,在不结束探索的情况下生成接下来应该试行的加工条件,直至判定为结束探索为止,重复进行由上述加工结果收集部(12)、评价值取得部(13)、收敛判定部(14)、停止判定部(15)、评价决定部(16)、探索结束判定部(113)的各处理。
Description
技术领域
本发明涉及对加工条件进行探索的加工条件探索装置及加工条件探索方法。
背景技术
一般来说,在工业用途所使用的加工机中能够对多个控制参数进行设定。加工机的加工结果依赖于多个控制参数各自的参数值的组合即加工条件。即,为了得到期望的加工结果,需要在加工机中对适当的加工条件进行设定。
但是,控制参数存在多个,且各控制参数的参数值是连续值或者能够通过多档进行设定。因此,假设如果人试图选择出实际使加工机实施加工而得到期望的加工结果那样的加工条件,则需要花费庞大的时间。例如,在钣金激光加工机的情况下,作为对加工结果的影响度大的主要的控制参数,可以举出激光输出、切断速度、光束直径、焦点位置、气体压力这5个。各个控制参数从多档的值中对1个进行选择。在这里,例如如果关于5个控制参数分别从10档的值进行了选择,则总组合数成为105种。此时,如果设为为了试行1个加工条件需要5分钟,则为了试行105种加工条件需要大约347天。
因此,以往已知下述技术,即,基于通过设想的控制参数的组合的加工条件之中的生成的试行的几个加工条件使加工机实施加工而得到的加工结果,对与加工条件相对应的评价值进行计算,基于计算出的评价值和与该评价值相对应的加工条件,使用高斯过程回归,对与没有试行的加工条件相对应的评价值进行预测,基于计算出的评价值和预测出的评价值,从庞大的组合数的加工条件中对最佳的加工条件进行探索(例如,专利文献1)。作为为了对与没有试行的加工条件相对应的评价值进行预测而使用高斯过程回归的方法,例如举出下述方法,即,使用假定针对加工条件的评价值是按照特定分布的概率变量而生成的概率模型。
专利文献1:国际公开第2020/261572号
发明内容
在通过某加工条件使加工机实施加工的情况下得到的加工结果,有时在加工进行的过程中振动性地变化。例如,作为加工结果而得到的加工速度如果长时间观察则看起来等速行进,但在短时间观察时则振动性地变化。如果加工结果振动性地变化,则与该加工结果相对应的评价值也振动性地变化。
在以专利文献1所公开的技术为代表的最佳的加工条件的探索技术中,针对试行的全部加工条件,分别在直至加工结果的振动性的变化稳定为止的一定程度的时间使加工机持续实施加工,等待加工结果的振动性的变化稳定,对与加工条件相对应的评价值进行计算。
因此,在上述探索技术中,为了对与试行的加工条件相对应的评价值进行计算而需要时间,其结果,存在下述课题,即,直至探索出最佳的加工条件为止需要时间。
本发明就是为了解决上述课题而提出的,其目的在于提供在对最佳的加工条件进行探索时,与关于试行的全部加工条件,直至加工结果的振动性的变化稳定为止使加工机实施该加工条件下的加工的现有技术相比,能够缩短能够探索出最佳的加工条件为止的时间的加工条件探索装置及加工条件探索方法。
本发明所涉及的加工条件探索装置具有:加工条件计算部,其生成由能够设定于加工机的多个控制参数构成的加工条件;实际加工指令部,其使加工机按照由加工条件计算部生成的加工条件而实施加工;加工结果收集部,其对表示实际加工指令部使加工机实施的加工的加工结果的加工结果信息进行收集;评价值取得部,其基于由加工结果收集部收集到的加工结果信息,对针对实施后的加工的暂定评价值进行计算;收敛判定部,其基于由评价值取得部计算出的时间序列的暂定评价值对暂定评价值是否收敛进行判定,在判定为暂定评价值没有收敛的情况下,对成为暂定评价值的收敛目标的推定收敛值进行推定;停止判定部,其在收敛判定部判定为暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定;评价决定部,其在停止判定部判定为中止试行中的加工条件下的加工的情况下,使实际加工指令部结束按照针对加工机的加工条件进行的加工,并且将由收敛判定部推定出的推定收敛值决定为按照加工条件实施的加工的评价值,在停止判定部判定为不中止试行中的加工条件下的加工的情况下,在收敛判定部判定为暂定评价值收敛后,将暂定评价值的收敛值决定为评价值;预测部,其基于由评价决定部决定出的评价值和与评价值相对应的加工条件,对与未试行的加工条件相对应的评价值的预测值进行预测;以及探索结束判定部,其对是否结束加工条件的探索进行判定,在结束探索的情况下,基于由评价决定部决定出的评价值及由预测部预测出的评价值而决定最佳的加工条件,在不结束探索的情况下,使加工条件计算部基于预测部预测出的预测值而生成接下来应该试行的加工条件,直至通过探索结束判定部判定为结束探索为止,重复进行加工条件计算部、实际加工指令部、加工结果收集部、评价值取得部、收敛判定部、停止判定部、评价决定部、预测部、探索结束判定部的各处理。
发明的效果
根据本发明,在对最佳的加工条件进行探索时,与关于试行的全部加工条件,直至加工结果的振动性的变化稳定为止使加工机实施该加工条件下的加工的现有技术相比,能够缩短能够探索出最佳的加工条件为止的时间。
附图说明
图1是表示实施方式1所涉及的加工条件探索装置的结构例的图。
图2是用于说明实施方式1所涉及的加工条件探索装置的动作的流程图。
图3是在实施方式1中,停止判定部通过四分位范围内的暂定评价值之中的最大的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定的方法例的示意图。
图4是在实施方式1中,停止判定部通过暂定评价值的平均值
±κσ的区间所包含的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定的方法例的示意图。
图5是概念性地表示实施方式1中的评价值的预测值和表示不可靠性的指标之间的关系的图形。
图6A及图6B是表示对在现有的最佳加工条件的探索技术中直至探索出最佳加工条件为止的时间和直至通过实施方式1所涉及的加工条件探索装置探索出最佳加工条件为止的时间进行比较得到的结果的一个例子的图形。
图7是用于说明在实施方式1中,停止判定部基于试行完成的加工条件及与该加工条件相对应的评价值而对可变中止用阈值进行设定的方法的一个例子的图。
图8A及图8B是表示实施方式1所涉及的加工条件探索装置的硬件结构的一个例子的图。
具体实施方式
实施方式1.
图1是表示实施方式1所涉及的加工条件探索装置1的结构例的图。
实施方式1所涉及的加工条件探索装置1与加工机2及显示部3连接。加工条件探索装置1从能够设定于加工机2的许多加工条件对最佳的加工条件(以下称为“最佳加工条件”)进行探索。最佳加工条件例如是会得到满足加工的要求规格的加工结果的加工条件。另外,显示部3按照来自加工作业者等用户的要求,对由加工条件探索装置1探索出的加工条件等进行显示。例如,显示部3对设定于加工机2的加工条件和按照该加工条件由加工机2实施的加工的评价值进行显示。另外,例如显示部3对加工机2没有实施的加工条件和设想按照该加工条件由加工机2实施了加工的情况下的该加工的评价值的预测值进行显示。另外,例如对通过加工条件探索装置1进行的探索的探索结果即最佳加工条件进行显示。此外,在图1中,显示部3设置于加工条件探索装置1及加工机2的外部,但这只不过是一个例子。显示部3例如也可以设置于加工条件探索装置1,也可以设置于加工机2。
加工机2是按照加工条件而实施加工的工业用装置。加工机2例如通过将不需要的部分去除,从而将作为被加工物的工作物制作为期望的形状。另外,加工机2例如也能够进行附加加工。下面,将工作物称为工件。工件的材料例如是金属。此外,这只不过是一个例子,工件的材料并不限定于金属。工件的材料例如可以是陶瓷、玻璃或者木材。
在加工机2例如存在激光加工机、放电加工机、切削加工机、磨削加工机、电解加工机、超声波加工机、电子束加工机或者附加加工机。在下面的实施方式1中,作为一个例子,加工机2设为激光加工机。此外,这只不过是一个例子,在实施方式1中,加工机2也可以是激光加工机以外的加工机。
加工机2能够进行用于将工件设为期望形状的通常加工,并且能够对工件进行实验用的加工。
在实验用的加工中,实施方式1所涉及的加工条件探索装置1生成试行用的加工条件,按照该加工条件,使加工机2实施实验用的加工。加工机2按照上述加工条件,对工件实施事先设定出的实验用的加工。
在这里,加工条件由加工机2的控制中使用的多个控制参数的组合构成。控制参数例如是激光输出、切断速度、光束直径、焦点位置、气体压力。加工条件所包含的各控制参数能够进行调整。例如,在激光加工机的加工中能够调整的控制参数存在5个,在能够通过10档对各控制参数的值进行选择的情况下,由各控制参数的组合构成的加工条件存在105=100000种。
加工条件探索装置1生成如上所述庞大数量的组合的加工条件之中的用于探索的试行的加工条件,使加工机2实施实验用的加工。如果加工机2按照加工条件而实施实验用的加工,则加工条件探索装置1从加工机2对表示加工结果的信息(以下称为“加工结果信息”)进行收集。加工结果信息例如是表示加工中的加工机2的状态的信息、表示加工中的工件的状态的信息或者表示加工后的工件的状态的信息。在加工结果信息中还包含加工机2进行加工时所伴随的加工条件的信息。
例如,加工机2具有对在加工中发出的声音、光或者加工速度进行检测的传感器,加工条件探索装置1从该传感器对加工结果信息进行收集。例如,传感器可以是取得对加工后的工件进行拍摄得到的图像的拍摄装置,或者对工件的切剖面的凹凸进行测量的测量器。另外,传感器可以设置于加工机2以外的场所。加工条件探索装置1只要能够对加工结果信息进行收集即可。
加工条件探索装置1基于实施了按照加工条件的加工而收集到的加工结果信息,决定按照该加工条件实施的加工的评价值。而且,加工条件探索装置1基于加工条件和评价值的组合,一边对与未试行的加工条件相对应的评价值进行预测,一边对最佳加工条件进行探索。关于加工条件探索装置1对最佳加工条件进行探索的方法的详细内容在后面记述。
在这里,如上所述,在通过某加工条件使加工机2实施了加工的情况下得到的加工结果,有时在加工进行的过程中振动性地变化。如果加工结果振动性地变化,则基于该加工结果进行计算的与该加工结果相对应的评价值也振动性地变化。假设加工条件探索装置1针对试行的全部加工条件,在按照各加工条件的加工的加工结果的振动性的变化稳定为止的一定程度的时间使加工机2实施加工,如果等待加工结果的振动性的变化稳定,则对与各加工条件相对应的评价值进行计算需要时间。
因此,实施方式1所涉及的加工条件探索装置1关于在直至加工结果的振动性的变化稳定为止的过程中计算出的评价值,即使是振动性的变化稳定前的评价值,如果是设想为在对最佳的加工条件进行探索时没有影响的评价值,则在最佳的加工条件的探索时也会采用该评价值,而将按照试行中的加工条件的实验中的加工中止,对用于探索的加工条件进行切换。由此,实施方式1所涉及的加工条件探索装置1能够缩短直至能够探索出最佳的加工条件为止的时间。
对实施方式1所涉及的加工条件探索装置1的详细的结构例进行说明。
加工条件探索装置1具有探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17。另外,加工条件探索装置1具有加工结果存储部18A、评价值存储部18B、收敛结果存储部18C、停止判定存储部18D、探索结果存储部18E、预测结果存储部18F及不可靠性存储部18G。此外,存储部18A~18G的全部或者其一部分也可以设置于与加工条件探索装置1分体地设置的外部装置。
探索加工条件生成部11生成实验用的实际加工所使用的加工条件,使加工机2实施按照生成的加工条件进行的加工。即,探索加工条件生成部11在将构成加工条件的控制参数设为维度的多维空间中,生成通过实际加工进行探索的加工条件。如图1所示,探索加工条件生成部11具有加工条件计算部111、实际加工指令部112及探索结束判定部113。
探索加工条件生成部11的加工条件计算部111生成由能够设定于加工机2的多个控制参数构成的加工条件。详细地说,加工条件计算部111生成实验用的加工所使用的加工条件。例如,加工条件计算部111从加工机2的多个控制参数及这些控制参数可取得的值的范围的组合对与加工内容相对应的组合进行选择,根据选择出的组合而生成加工条件。控制参数例如是激光输出、切断速度、光束直径、焦点位置、气体压力。
加工条件计算部111将生成的加工条件输出至实际加工指令部112。
实际加工指令部112使加工机2实施按照由加工条件计算部111生成的加工条件的加工。此外,实际加工指令部112使加工机2持续实施按照由加工条件计算部111生成的加工条件的加工。详细地说,实际加工指令部112生成按照从加工条件计算部111输出的加工条件用于使加工机2动作的指令,将生成的指令向加工机2输出。加工机2基于从实际加工指令部112输出的指令,实施按照加工条件的加工。
另外,实际加工指令部112在从评价决定部16输出了使试行中的加工条件下的加工结束的指示(以下称为“加工结束指示”)的情况下,使当前对加工机2实施的实验用的加工结束。关于评价决定部16的详细内容在后面记述。
探索结束判定部113基于在预测结果存储部18F或者不可靠性存储部18G中存储的信息,对是否结束加工条件的探索进行判定。
探索结束判定部113在判定为无需追加地进行加工条件的探索的情况下,基于由评价决定部16决定出的评价值,决定最佳的加工条件。具体地说,探索结束判定部113将在探索结果存储部18E中存储的评价值之中的与最高的评价值相对应的加工条件设为最佳加工条件。关于评价决定部16的详细内容在后面记述。
另外,探索结束判定部113在判定为需要追加地进行加工条件的探索的情况下,使加工条件计算部111生成接下来应该试行的用于探索的加工条件。
加工结果收集部12从加工机2对表示按照加工条件实施的加工的加工结果的加工结果信息进行收集。
加工结果收集部12在由实际加工指令部112每次实施加工时对加工结果进行收集。如上所述,实际加工指令部112使按照加工条件的加工持续实施。在加工机2实施加工的期间,实施多个步骤的加工。因此,在加工机2按照某加工条件而实施实验用的加工时,对多个加工结果信息进行收集。
加工结果收集部12使收集到的加工结果信息存储于加工结果存储部18A。加工结果收集部12使加工结果信息例如与该加工结果信息的取得时刻相关联地存储于加工结果存储部18A。
加工结果存储部18A按照时间序列对加工结果信息进行存储。
评价值取得部13基于由加工结果收集部12收集到的加工结果信息,对针对由加工机2实施的加工的评价值进行计算。在实施方式1中,将评价值取得部13基于加工结果信息而计算的评价值还称为“暂定评价值”。评价值取得部13针对每个加工结果信息对暂定评价值进行计算。即,评价值取得部13针对加工的每个步骤对暂定评价值进行计算。此外,评价值取得部13从加工结果存储部18A取得由加工结果收集部12收集到的加工结果信息。
在实施方式1中,评价值是表示加工的合格与否的值,定义为是其值越大则表示是越好的加工的值。评价值例如通过0至1为止的值表示。在该情况下,在进行了最好的加工的情况下评价值成为1,在进行了最差的加工的情况下的评价值成为0。
评价值取得部13使将加工结果信息的取得时刻、加工条件和计算出的暂定评价值相关联的信息(以下称为“暂定评价值信息”)存储于评价值存储部18B。此外,在这里,在暂定评价值信息中,设为加工结果信息的取得时刻与加工条件及暂定评价值相关联,但这只不过是一个例子。例如,在暂定评价值信息中,暂定评价值的计算时刻和加工条件及暂定用价值可以相关联。
评价值存储部18B按照时间序列对暂定评价值信息进行存储。
收敛判定部14基于由评价值取得部13计算出的时间序列的暂定评价值,对暂定评价值是否收敛进行判定。在实施方式1中,“收敛”是指值的振动性的变化消失。收敛判定部14针对每个加工条件,进行暂定评价值是否收敛的判定。此外,收敛判定部14取得根据在评价值存储部18B中存储的暂定评价值信息而由评价值取得部13计算出的时间序列的暂定评价值。
收敛判定部14在判定为暂定评价值收敛的情况下,使将加工结果信息的取得时刻、暂定评价值收敛这一主旨的信息、加工条件、暂定评价值和暂定评价值的收敛值相关联的信息作为收敛判定后信息而存储于收敛结果存储部18C。也可以取代加工结果信息的取得时刻,而是与暂定评价值的计算时刻相关联。收敛判定部14例如将最新的暂定评价值设为暂定评价值的收敛值。此外,这只不过是一个例子,例如预先决定出定义了基于时间序列的暂定评价值如何对暂定评价值的收敛值进行计算的信息(以下称为“收敛值计算用信息”),收敛判定部14可以按照收敛值计算用信息对暂定评价值的收敛值进行计算。
另一方面,收敛判定部14在判定为暂定评价值没有收敛的情况下,对成为暂定评价值的收敛目标的值(以下称为“推定收敛值”)进行推定。而且,收敛判定部14使将加工结果信息的取得时刻、暂定评价值没有收敛这一主旨的信息、加工条件、暂定评价值和推定收敛值相关联的信息,作为收敛判定后信息而存储于收敛结果存储部18C。也可以取代加工结果信息的取得时刻,而是与暂定评价值的计算时刻相关联。
停止判定部15在收敛判定部14判定为暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。停止判定部15针对每个加工条件,进行是否中止试行中的加工条件下的加工的判定。此外,停止判定部15根据在收敛结果存储部18C中存储的收敛判定后信息对由收敛判定部14判定为暂定评价值没有收敛进行判定即可。停止判定部15也可以从收敛判定部14直接取得判定为暂定评价值没有收敛这一主旨的信息。此外,在图1中,省略了从收敛判定部14向停止判定部15的箭头。
停止判定部15使将是否中止试行中的加工条件下的加工的判定结果(以下称为“中止判定结果”)和从收敛判定部14输出的最新的收敛判定后信息相关联的信息(以下称为“中止判定后信息”)存储于停止判定存储部18D。
停止判定存储部18D对中止判定后信息进行存储。
评价决定部16在停止判定部15判定为中止试行中的加工条件下的加工的情况下,实际加工指令部112使按照针对加工机2的加工条件的加工结束,并且将由收敛判定部14推定出的推定收敛值决定为按照加工条件实施的加工的评价值。评价决定部16在停止判定部15判定为不中止试行中的加工条件下的加工的情况下,在收敛判定部14判定为暂定评价值收敛后,将暂定评价值的收敛值决定为按照加工条件实施的加工的评价值。此外,评价决定部16针对每个加工条件,决定针对按照加工条件实施的加工的评价值。
评价决定部16只要根据在停止判定存储部18D中存储的中止判定后信息对停止判定部15是否判定为中止试行中的加工条件下的加工、由收敛判定部14推定出的推定收敛值或者暂定评价值的收敛值进行确定即可。例如,评价决定部16可以从停止判定部15直接取得中止判定后信息。此外,在图1中,省略了从停止判定部15向评价决定部16的箭头。
评价决定部16使加工条件和评价值的组合作为探索结果而存储于探索结果存储部18E。
探索结果存储部18E对探索结果进行存储。
机器学习部17使用在探索结果存储部18E中存储的探索结果,对与未试行(没有实施加工)的加工条件相对应的加工的评价值进行预测。另外,机器学习部17对针对评价值的预测值的不可靠性,即,预测的偏离难易度进行计算。
机器学习部17具有预测部171及不可靠性评价部172。
预测部171基于由评价决定部16决定的评价值和与该评价值相对应的加工条件,对与未试行的加工条件相对应的评价值进行预测。预测部171从在探索结果存储部18E中存储的探索结果取得由评价决定部16决定的评价值和与该评价值相对应的加工条件即可。
预测部171使将通过预测得到的评价值的预测值与加工条件相关联的信息(以下称为“预测结果信息”)存储于预测结果存储部18F。预测结果信息是未试行的加工条件和与其相对应的评价值的预测值相关联的信息。
预测结果存储部18F对预测结果信息进行存储。
不可靠性评价部172对表示通过预测部171进行的评价值的预测的不可靠性的指标进行计算。不可靠性评价部172使用在探索结果存储部18E中存储的探索结果,对针对评价值的预测值的不可靠性,即,表示预测的偏离难易度的指标进行计算。不可靠性评价部172使将计算出的指标的值与加工条件相关联的信息(以下称为“不可靠性信息”)存储于不可靠性存储部18G。不可靠性信息是未试行的加工条件和表示与其相对应的评价值的预测的不可靠性的指标值相关联的信息。
不可靠性存储部18G对不可靠性信息进行存储。
接下来,对实施方式1所涉及的加工条件探索装置1的动作进行说明。
图2是用于说明实施方式1所涉及的加工条件探索装置1的动作的流程图。
如果加工条件探索处理开始,则首先,探索加工条件生成部11的加工条件计算部111生成初始加工条件(步骤ST1)。加工条件计算部111从能够作为加工条件而设定的全部组合中,对预先确定的数量的加工条件进行选择而作为初始加工条件,由此生成初始加工条件。作为通过加工条件计算部111实施的初始加工条件的选择方法,例如举出实验计划法、最佳计划法、最佳计划法或者随机采样。另外,在用户根据过去的利用实绩等而找到了认为是最佳的加工条件的情况下,加工条件计算部111可以将从用户输入的加工条件用作初始加工条件。此外,这些方法只不过是一个例子,加工条件计算部111可以使用任意的方法而生成初始加工条件。
例如,构成加工条件的控制参数存在5个,如果针对每个控制参数从10档的值对设定于加工机2的值进行选择,则加工条件的总组合数存在105=100000种。加工条件计算部111从该组合中,例如对10种加工条件进行选择而作为初始加工条件。此外,构成加工条件的控制参数的数量、针对每个控制参数能够设定的档的数量或者作为初始加工条件进行选择的加工条件的数量并不限定于这些。根据控制参数,能够设定的档的数量可以不同。
接下来,加工条件探索装置1从由加工条件计算部111生成的初始加工条件中对1个初始加工条件进行选择,通过选择出的初始加工条件使加工机2实施加工(步骤ST2)。详细地说,加工条件计算部111从初始加工条件中对1个进行选择,将选择出的初始加工条件输出至探索加工条件生成部11的实际加工指令部112。实际加工指令部112基于从加工条件计算部111输出的初始加工条件而生成用于使加工机2动作的指令,将生成的指令向加工机2输出。由此,加工机2实施基于由加工条件计算部111选择出的初始加工条件的加工。实施方式1所涉及的加工条件探索装置1如上所述,首先使加工机2实施基于初始加工条件的加工。下面,将基于初始加工条件的加工也称为“初始加工”。
加工结果收集部12从加工机2对表示按照初始加工条件实施的初始加工的加工结果的加工结果信息进行收集(步骤ST3)。
加工结果收集部12使收集到的加工结果信息存储于加工结果存储部18A。
评价值取得部13基于由加工结果收集部12收集到的加工结果信息,对针对在步骤ST2由加工机2按照初始加工条件实施的加工的暂定评价值进行计算(步骤ST4)。
评价值取得部13使将加工结果信息的取得时刻、加工条件在这里为初始加工条件和计算出的暂定评价值相关联的暂定评价值信息存储于评价值存储部18B。
收敛判定部14基于由评价值取得部13计算出的时间序列的暂定评价值,对暂定评价值是否收敛进行判定。收敛判定部14在判定为暂定评价值收敛的情况下,使将加工结果信息的取得时刻、暂定评价值收敛这一主旨的信息、加工条件在这里为初始加工条件、暂定评价值和暂定评价值的收敛值相关联的收敛判定后信息存储于收敛结果存储部18C。另一方面,收敛判定部14在判定为暂定评价值没有收敛的情况下,对推定收敛值进行推定,使将加工结果信息的取得时刻、暂定评价值没有收敛这一主旨的信息、加工条件在这里为初始加工条件、暂定评价值和推定收敛值相关联的收敛判定后信息存储于收敛结果存储部18C(步骤ST5)。
在这里,关于步骤ST5中的通过收敛判定部14基于时间序列的暂定评价值进行的暂定评价值是否收敛的判定方法、及判定为暂定评价值没有收敛的情况下的推定收敛值的推定方法,举出具体例而进行说明。
收敛判定部14例如基于时间序列的暂定评价值的波动程度,进行暂定评价值是否收敛的判定及判定推定收敛值的推定。
如果举出具体例,则例如收敛判定部14根据时间序列的暂定评价值而求出暂定评价值的四分位范围。而且,收敛判定部14基于暂定评价值的四分位范围处于何种值的范围,对暂定评价值是否收敛进行判定。例如预先决定出判定为暂定评价值收敛的情况下的值的范围(以下称为“第1收敛判定用范围”)。如果暂定评价值的四分位范围落在第1收敛判定用范围内,则收敛判定部14判定为暂定评价值收敛。如果暂定评价值的四分位范围不落在第1收敛判定用范围内,则收敛判定部14判定为暂定评价值没有收敛。
收敛判定部14如果判定为暂定评价值没有收敛,则接下来根据通过时间序列的暂定评价值而求出的暂定评价值的四分位范围,对推定收敛值进行推定。例如,收敛判定部14将暂定评价值的四分位范围的中央值推定为推定收敛值。
如果举出其他具体例,则例如收敛判定部14可以将时间序列的暂定评价值视作特定的分布而对该分布进行推定,基于暂定评价值的分布之中的暂定评价值的平均值±κσ的区间的值为何种值,对暂定评价值是否收敛进行判定。例如预先决定出判定为暂定评价值收敛的情况下的值的范围(以下称为“第2收敛判定用范围”)。如果暂定评价值的分布之中的暂定评价值的平均值±κσ的区间的值处于第2收敛判定用范围内,则收敛判定部14判定为暂定评价值收敛。如果暂定评价值的分布之中的暂定评价值的平均值±κσ的区间的值不落在第2收敛判定用范围内,则收敛判定部14判定为暂定评价值没有收敛。
收敛判定部14如果判定为暂定评价值没有收敛,则接下来根据通过时间序列的暂定评价值而推定出的分布,对推定收敛值进行推定。例如,收敛判定部14将暂定评价值的平均值推定为推定收敛值。
另外,例如收敛判定部14可以将时间序列的评价值作为输入而对推定收敛值进行输出,基于训练好的模型(以下称为“第1机器学习模型”)对推定收敛值进行推定。收敛判定部14将时间序列的暂定评价值输入至第1机器学习模型而得到推定收敛值。
另外,例如第1机器学习模型可以是在推定收敛值的基础上,还对与暂定评价值的波动程度相关的信息进行输出的模型。收敛判定部14可以基于与将时间序列的暂定评价值输入至第1机器学习模型而得到的暂定评价值的波动程度相关的信息,对暂定评价值是否收敛进行判定。
停止判定部15在收敛判定部14判定为暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止试行中的初始加工条件下的加工进行判定(步骤ST6)。
在这里,关于通过停止判定部15进行的在暂定评价值收敛前是否中止试行中的加工条件下的加工的判定方法,举出具体例而进行说明。
停止判定部15例如通过由评价值取得部13进行计算而在评价值存储部18B中存储的时间序列的暂定评价值的波动程度和阈值(以下称为“中止用阈值”)的比较,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。
中止用阈值例如预先由用户指定,存储于停止判定部15。例如,用户预先将在不超过其值的情况下成为中止试行中的加工条件下的加工的中止基准的评价值(以下称为“基准评价值”)指定为中止用阈值。用户例如与加工机2所要求的要求性能相应地对基准评价值进行设定。
如果举出具体例,则例如在收敛判定部14根据时间序列的暂定评价值而求出暂定评价值的四分位范围的情况下,停止判定部15通过四分位范围内的暂定评价值之中的最大的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定。在该情况下,如果四分位范围内的暂定评价值之中的最大的暂定评价值小于中止用阈值,则停止判定部15判定为中止试行中的加工条件下的加工。另一方面,如果四分位范围内的暂定评价值之中的最大的暂定评价值大于或等于中止用阈值,则停止判定部15判定为使试行中的加工条件下的加工继续。
图3是在实施方式1中,停止判定部15通过四分位范围内的暂定评价值之中的最大的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定的方法例的示意图。
图3的横轴示出实施了按照某加工条件的加工的时间宽度,图3的纵轴示出评价值(暂定评价值)。图3的黑圆点所示的点示出基于按照加工条件实施的加工的加工结果而计算出的暂定评价值。此外,在图3中,为了容易理解,图示出暂定评价值不断收敛的情形。在图3中,201a、201b及201c示出了暂定评价值的四分位范围。
在t1时间经过时刻,暂定评价值的四分位范围是201a所示的范围,在t2时间经过时刻,暂定评价值的四分位范围是201b所示的范围。关于201a及201b所示的四分位范围,四分位范围内的暂定评价值之中的最大的暂定评价值大于或等于中止用阈值。由此,在该情况下,停止判定部15判定为使试行中的加工条件下的加工继续。
如果t3时间经过,则暂定评价值的四分位范围成为201c所示的范围,四分位范围内的暂定评价值之中的最大的暂定评价值小于中止用阈值。在该情况下,停止判定部15判定为中止试行中的加工条件下的加工。
如果举出其他具体例,则例如在收敛判定部14推定出时间序列的暂定评价值的分布的情况下,停止判定部15可以通过暂定评价值的平均值±κσ的区间所包含的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定。在该情况下,如果暂定评价值的平均值±κσ的区间所包含的暂定评价值全部小于中止用阈值,则停止判定部15判定为中止试行中的加工条件下的加工。另一方面,如果暂定评价值的平均值±κσ的区间所包含的暂定评价值全部不小于中止用阈值,则停止判定部15判定为使试行中的加工条件下的加工继续。
图4是在实施方式1中,停止判定部15通过暂定评价值的平均值±κσ的区间所包含的暂定评价值和中止用阈值的比较,对是否中止试行中的加工条件下的加工进行判定的方法例的示意图。
图4的横轴示出实施了按照某加工条件的加工的时间宽度,图4的纵轴示出评价值(暂定评价值)。图4的黑圆点所示的点示出基于按照加工条件实施的加工的加工结果而计算出的暂定评价值。此外,在图4中,为了容易理解,图示出暂定评价值不断收敛的情形。在图4中,301a、301b及301c示出了暂定评价值的平均值±κσ的区间所包含的暂定评价值之中的最大的暂定评价值。
在t4时间经过时刻,暂定评价值的平均值±κσ的区间所包含的暂定评价值之中的最大的暂定评价值是301a所示的值,在t5时间时刻,暂定评价值的平均值±κσ的区间所包含的暂定评价值之中的最大的暂定评价值是301b所示的值。301a所示的值及301b所示的值都大于或等于中止用阈值。即,包含301a所示的值的暂定评价值的平均值±κσ的区间所包含的全部暂定评价值不小于中止用阈值。另外,包含301b所示的值的暂定评价值的平均值±κσ的区间所包含的全部暂定评价值不小于中止用阈值。由此,在该情况下,停止判定部15判定为使试行中的加工条件下的加工继续。
如果t6时间经过,则暂定评价值的平均值±κσ的区间所包含的暂定评价值之中的最大的暂定评价值成为301c所示的值。301c所示的值小于中止用阈值。即,包含301c所示的值的暂定评价值的平均值±κσ的区间内的全部暂定评价值小于中止用阈值。在该情况下,停止判定部15判定为中止试行中的加工条件下的加工。
另外,例如停止判定部15基于将时间序列的评价值作为输入,对表示是否使加工停止的信息进行输出的训练好的模型(以下称为“第2机器学习模型”),也能够对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。停止判定部15将由评价值取得部13计算出的时间序列的暂定评价值输入至第2机器学习模型而得到表示是否使加工停止的信息。此外,停止判定部15例如从在收敛结果存储部18C中存储的收敛判定后信息取得由评价值取得部13计算出的时间序列的暂定评价值即可。
即使暂定评价值没有收敛,在观察时间序列的暂定评价值的波动程度时,如果暂定评价值大致落在低值的范围内,则即使在该情况下仍使加工机2继续加工,也得不到高的暂定评价值,换言之,设想到得到的评价值低。因此,停止判定部15例如通过上述这样的方法,在根据时间序列的暂定评价值的波动程度而判定为暂定评价值落在大致低值的范围内的情况下,即使在暂定评价值收敛前,也判定为中止试行中的加工条件下的加工。
停止判定部15使将中止判定结果和从收敛判定部14输出的最新的收敛判定后信息相关联的中止判定后信息存储于停止判定存储部18D。
评价决定部16在停止判定部15判定为在暂定评价值收敛前中止试行中的初始加工条件下的加工的情况下(在步骤ST6的“YES”的情况下),使实际加工指令部112结束按照针对加工机2的初始加工条件的加工。具体地说,评价决定部16对实际加工指令部112输出加工结束指示。如果从评价决定部16输出了加工结束指示,则实际加工指令部112使当前加工机2所实施的按照通过步骤ST1生成的初始加工条件的加工结束。另外,评价决定部16将由收敛判定部14推定出的推定收敛值决定为按照初始加工条件实施的加工的评价值。而且,评价决定部16使加工条件和评价值的组合作为探索结果而存储于探索结果存储部18E(步骤ST8)。详细地说,评价决定部16使初始加工条件和评价值、在这里为推定收敛值的组合作为探索结果而存储于探索结果存储部18E。
评价决定部16在停止判定部15判定为不中止试行中的初始加工条件下的加工的情况下(在步骤ST6的“NO”的情况下),收敛判定部14对暂定评价值是否判定为收敛进行判定(步骤ST7)。在收敛判定部14判定为暂定评价值没有收敛的情况下(在步骤ST7的“NO”的情况下),加工条件探索装置1的动作返回至步骤ST2的处理。如果收敛判定部14判定为暂定评价值收敛(在步骤ST7的“YES”的情况下),评价决定部16将暂定评价值的收敛值决定为评价值。而且,评价决定部16使加工条件和评价值的组合作为探索结果而存储于探索结果存储部18E(步骤ST8)。详细地说,评价决定部16使初始加工条件和评价值、在这里为暂定评价值的收敛值的组合作为探索结果而存储于探索结果存储部18E。
加工条件计算部111关于作为初始加工条件而选择出的全部加工条件,对初始加工是否结束进行确认(步骤ST9)。
在存在初始加工没有结束的初始加工条件的情况下(在步骤ST9的“NO”的情况下),关于初始加工没有结束的初始加工条件,从步骤ST1至步骤ST8为止的处理依次被实施。在第2次及其以后的步骤ST1中,加工条件计算部111对没有通过至此为止的步骤ST1选择的初始加工条件进行选择。由此,在探索结果存储部18E中,对将全部初始加工条件(例如,10种初始加工条件)和评价值的组合相关联的探索结果进行存储。
机器学习部17的预测部171例如如果按照10种初始加工条件的初始加工结束,则使用在探索结果存储部18E中存储的探索结果(加工条件及与其相对应的评价值),换言之,基于由评价决定部16决定的评价值和与该评价值相对应的加工条件,对与未试行的加工条件相对应的评价值进行预测(步骤ST10)。关于被实施了加工的试行完成的加工条件,通过上述步骤ST8而决定出评价值。另一方面,被实施了加工的加工条件是全部加工条件的组合的一部分。例如,加工条件的全部组合为100000种,在生成了10种初始加工条件的情况下,在初始加工结束后,未试行的加工条件为99990种。因此,在该情况下,预测部171对99990个评价值的预测值进行计算。此外,如后面所述,在步骤ST15~步骤ST22中也进行加工条件的选择、加工的实施、加工结果的收集、暂定评价值的计算、该暂定评价值的收敛值的预测、在暂定评价值的收敛前是否中止加工的判定及评价值的决定,在步骤ST22的处理后实施步骤ST10的处理。在经由步骤ST15~步骤ST22的处理而实施了步骤ST10的情况下,通过步骤ST15设定出的加工条件从未试行的加工条件被排除。
作为预测部171对与未试行的加工条件相对应的评价值的预测值进行计算的方法,即,与未试行的加工条件相对应的评价值的预测方法的一个例子,举出使用高斯过程回归的方法。在预测部171使用高斯过程回归而对与未试行的加工条件相对应的评价值进行预测的情况下,进行如下所述的计算。使用高斯过程回归的方法是下述方法的一个例子,即,使用假定针对加工条件的评价值是按照特定分布的概率变量而生成的针对评价值的加工条件的概率模型的方法。如果将观测值的数量,即,进行加工而计算出评价值的加工条件的数量设为N,将格拉姆矩阵设为CN,将在探索结果存储部18E中存储的各加工条件下的该控制参数的值设为x1~xN,则针对未试行的加工条件xN+1的评价值的预测值m(xN+1)能够通过以下的式(1)进行计算。K如以下的式(2)所示,是将探索完成的加工条件x1、···、xN各自和xN+1设为自变量时的核函数的值排列而成的矢量。此外,上标的T表示转置,上标的-1表示逆矩阵。
m(xN+1)=kT· (CN -1) ·t· · · (1)
此外,在这里,对预测部171进行使用了高斯过程回归的预测的例子进行了说明,但预测部171所使用的评价值的预测方法并不限定于此。例如,预测部171可以使用如决策树、线性回归、提升方法、神经网络这样的有教师学习对评价值进行预测。
预测部171如果预测出与未试行的加工条件相对应的评价值,则对评价值的预测值进行存储(步骤ST11)。详细地说,预测部171使将通过步骤ST10预测出的评价值的预测值和加工条件相关联的预测结果信息存储于预测结果存储部18F。
另外,机器学习部17的不可靠性评价部172使用在探索结果存储部18E中存储的探索结果,对表示针对与未试行的加工条件相对应的评价值的预测的不可靠性的指标进行计算(步骤ST12)。作为表示不可靠性的指标的一个例子,举出使用作为概率模型的一个例子的高斯过程回归而计算的标准偏差。在不可靠性评价部172使用高斯过程回归而输出表示不可靠性的指标的情况下,例如进行如下所述的计算。将观测值的数量,即,进行加工而计算出评价值的加工条件的数量设为N,将格拉姆矩阵设为CN,将在探索结果存储部18E中存储的加工条件排列的矢量设为k,将在未试行的加工条件xN+1彼此的核的值加上预测模型的精度参数而得到的标量值设为c。此时,如果将构成加工条件的控制参数中的1个设为xi(i为自然数),将在探索结果存储部18E中存储的各加工条件中的该控制参数的值设为x1~xN,则表示针对未试行的加工条件xN+1的评价值的预测所对应的不可靠性的指标即标准偏差σ(xN+1)能够通过以下的式(3)进行计算。此外,在式(3)中,求出了方差σ2(xN+1),但通过对方差的平方根进行计算,从而能够求出标准偏差σ(xN+1)。
σ2(xN+1)=c-kT· (CN -1) ·k· · · (3)
此外,在这里,说明了不可靠性评价部172使用高斯过程回归对表示针对预测的不可靠性的指标进行计算的例子,但表示不可靠性的指标的计算方法并不限定于此。例如,不可靠性评价部172也可以使用密度推定、混合密度网络这样的方法对上述指标进行计算。
在这里,对实施方式1中的评价值的预测值及该预测值的不可靠性进行说明。
图5是概念性地表示实施方式1中的评价值的预测值和表示不可靠性的指标之间的关系的图形。
在图5中示出了使用高斯过程回归对预测值和表示不可靠性的指标进行计算的例子。图5的横轴示出作为加工条件的控制参数的值x,图5的纵轴示出评价值。图5的黑圆点所示的点示出基于使用了初始加工条件的实际加工而计算出的评价值(以下,也称为实际加工的评价值)。在使用了高斯过程回归的预测中,设为评价值按照高斯分布而对评价值进行预测。因此,如果将评价值的预测值设为高斯分布的平均m(x),将表示预测的不可靠性的指标设为高斯分布的标准偏差σ(x),则实际的评价值以大约95%的概率进入大于或等于m(x)-2σ(x)且小于或等于m(x)+2σ(x)的范围的情况被统计性地示出。在图5中,实线所示的曲线示出评价值的预测值即m(x)。另外,在图5中,虚线所示的曲线示出m(x)-2σ(x)的曲线及m(x)+2σ(x)的曲线。
如图5所示,在与实际加工的评价值接近的部位处表示不可靠性的指标变小,在从实际加工的评价值远离的部位处表示不可靠性的指标变大。
返回至图2的流程图所示的加工条件探索装置1的动作的说明。
不可靠性评价部172对表示预测值的不可靠性的指标进行存储(步骤ST13)。详细地说,不可靠性评价部172使将计算出的指标的值与加工条件相关联的不可靠性信息存储于不可靠性存储部18G。
探索加工条件生成部11的探索结束判定部113使用在预测结果存储部18F中存储的加工条件的评价值的预测值、及在不可靠性存储部18G中存储的表示评价值的预测值的不可靠性的指标,对是否结束加工条件的探索进行判定(步骤ST14)。例如,探索结束判定部113将在不可靠性存储部18G中存储的、表示至此为止探索出的全部加工条件的评价值的预测的不可靠性的指标的值与阈值相比较,在该指标的值小于或等于阈值的情况下,判断为探索出最佳的加工条件,结束加工条件的探索。
例如,探索结束判定部113使用加工条件x、针对该加工条件x的评价值的预测值m(x)及表示该评价值的预测的不可靠性的指标(标准偏差)σ(x),由此能够判断为m(x)+κσ(x)的值变得越大,则对加工条件进行探索的价值越高。此外,κ是在对加工条件进行探索前决定的参数。κ的值越小,则对评价值的预测值越高的加工条件进行选择,κ的值越大,则对使评价值的预测大幅地偏离的可能性越高的加工条件进行选择。κ的值可以持续使用相同值,也可以在中途改变值。
在判定为结束加工条件的探索的情况下(在步骤ST14的“YES”的情况下),探索结束判定部113将与在探索结果存储部18E中存储的全部加工条件的评价值之中的最高的评价值相关联的加工条件决定为最佳加工条件。探索结束判定部113例如对最佳加工条件进行提取,将提取出的加工条件输出至实际加工指令部112。实际加工指令部112将包含从探索结束判定部113输出的加工条件的指令输出至加工机2,将该加工条件设定于加工机2。由此,实际加工指令部112使加工机2实施按照设定出的加工条件的通常的加工。此外,这只不过是一个例子,例如探索结束判定部113也可以使决定出的最佳加工条件存储于未图示的存储部。
在判定为不结束加工条件的探索的情况下,换言之,在判定为需要追加地进行加工条件的探索的情况下(在步骤ST14的“NO”的情况下),探索结束判定部113向加工条件计算部111指示生成接下来应该试行的加工条件。
加工条件计算部111在从探索结束判定部113被指示生成接下来应该试行的加工条件的情况下,使用在预测结果存储部18F中存储的加工条件的评价值的预测值,生成接下来应该试行的加工条件(步骤ST15)。具体地说,加工条件计算部111从全部加工条件中对接下来应该试行的加工条件,即,新的加工条件进行选择。由加工条件计算部111生成的接下来应该试行的加工条件输出至实际加工指令部112
实际加工指令部112将包含通过步骤ST15由加工条件计算部111生成的接下来应该试行的加工条件的指令输出至加工机2,通过该加工条件使加工机2实施加工(步骤ST16)。在通过加工机2进行的加工中,加工结果收集部12对加工结果信息进行收集(步骤ST17)。评价值取得部13对针对通过步骤ST16实施的加工的暂定评价值进行计算(步骤ST18)。收敛判定部14基于时间序列的暂定评价值的波动程度,进行暂定评价值是否收敛的判定及推定收敛值的推定(步骤ST19)。停止判定部15对是否中止试行中的加工条件下的加工进行判定(步骤ST20)。评价决定部16在停止判定部15判定为中止试行中的加工条件下的加工的情况下,将推定收敛值决定为评价值,在停止判定部15判定为不中止试行中的加工条件下的加工的情况下,在收敛判定部14判定为暂定评价值收敛(步骤ST21)后,将暂定评价值的收敛值决定为评价值。而且,评价决定部16使探索结果进行存储(步骤ST22)。接下来,跳转至步骤ST10及步骤ST12的处理,执行前述的处理。
显示部3对在上述处理的过程中得到的信息、处理的结果所得到的最佳加工条件等进行显示。例如,显示部3对在通过加工条件探索装置1进行的加工条件的探索中得到的加工条件及与该加工条件相对应的评价值进行显示。另外,显示部3对加工条件及与该加工条件相对应的评价值的预测值进行显示。另外,显示部3对探索结果的最佳加工条件进行显示。即,显示部3对从探索结果存储部18E读出的加工条件及与该加工条件相对应的评价值、从预测结果存储部18F读出的加工条件及与该加工条件相对应的评价值的预测值、或者从加工条件计算部111输出的探索结果的最佳加工条件之中的至少一个进行显示。由此,用户通过参照在显示部3显示出的信息,从而能够对加工条件的探索状况及探索结果进行识别。
如上所述,加工条件探索装置1基于按照生成的加工条件使加工机2实施加工而收集到的加工结果信息,对针对实施的加工的暂定评价值进行计算。加工条件探索装置1基于计算出的时间序列的暂定评价值,对暂定评价值是否收敛进行判定,在判定为暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。加工条件探索装置1例如通过时间序列的暂定评价值的波动程度(例如,暂定评价值的四分位范围或者暂定评价值的分布)和中止用阈值的比较,在判定为即使仍使加工继续也得不到高的评价值,换言之,得到的评价值低的情况下,判定为在暂定评价值收敛前中止试行中的加工条件下的加工。在得到的评价值低的情况下,该评价值设想为是在对最佳加工条件进行探索时没有影响的评价值。加工条件探索装置1如果在暂定评价值收敛前中止试行中的加工条件下的加工,则将推定收敛值设为与试行中的加工条件相对应的评价值。加工条件探索装置1如果预测出评价值的预测值,则对是否结束加工条件的探索进行判定,在结束加工条件的探索的情况下,基于决定出的评价值和评价值的预测值而决定最佳加工条件,在不结束加工条件的探索的情况下,生成接下来试行的加工条件。加工条件探索装置1直至判定为结束加工条件的探索为止,重复上述处理。由此,加工条件探索装置1决定最佳加工条件。
在现有的最佳加工条件的探索技术中,针对试行的全部加工条件,分别在直至加工结果的振动性的变化稳定为止的一定程度的时间使加工机2实施加工,等待加工结果的振动性的变化稳定,计算出与加工条件相对应的评价值。因此,现有的最佳加工条件的探索技术直至能够探索出最佳加工条件为止的时间效率差。
与此相对,实施方式1所涉及的加工条件探索装置1如上所述,在对评价值进行计算时,在判定为即使仍使加工继续也得不到高的评价值的情况下,在评价值(暂定评价值)收敛前中止试行中的加工条件下的加工,将推定收敛值设为与试行中的加工条件相对应的评价值。由此,加工条件探索装置1关于按照判定为得不到高的评价值的某加工条件进行的加工,能够将直至其加工的加工结果收敛为止的时间之中的、从中止的时刻至加工结果收敛为止之间的时间省略。即,加工条件探索装置1能够以上述省略的时间量将直至探索出最佳加工条件为止所需的全部时间缩短。
图6A及图6B是表示对在现有的最佳加工条件的探索技术中直至探索出最佳加工条件为止的时间、和直至通过实施方式1所涉及的加工条件探索装置1探索出最佳加工条件为止的时间进行比较得到的结果的一个例子的图形。
图6A是表示在现有的最佳加工条件的探索技术中,直至探索出最佳加工条件为止的评价值的图形,图6B是表示直至通过实施方式1所涉及的加工条件探索装置1探索出最佳加工条件为止的评价值的图形。
在图6A及图6B中,黑圆点所示的点示出了基于直至加工结果收敛为止所实施的实际加工的加工结果而计算出的评价值。在图6B中,白圈所示的点示出了基于在加工结果收敛前中止的实际加工的加工结果而计算出的推定收敛值。
此外,图6A及图6B是针对相同的加工机2,探索出了会得到相同希望的加工结果的最佳加工条件的结果。
在现有的最佳加工条件的探索技术中,如图6A所示,与评价值的好与差无关地,直至加工结果、换言之评价值收敛为止继续加工,因此直至探索出最佳加工条件为止需要时间。在图6A所示的例子中,直至探索出最佳加工条件为止需要21分钟。
与此相对,在实施方式1所涉及的加工条件探索装置1中,如图6B所示,在预想出加工结果、换言之评价值低的情况下中止加工,因此能够以短时间对最佳加工条件进行探索。在图6B所示的例子中,以14分钟探索出最佳加工条件。在实施方式1所涉及的加工条件探索装置1中直至探索出最佳加工条件为止需要的时间与通过图6A所示的现有的最佳加工条件的探索技术直至探索出最佳加工条件为止需要的时间相比缩短了7分钟。
此外,在以上的实施方式1中,在加工条件探索装置1中,停止判定部15在判定暂定评价值收敛前是否中止试行中的加工条件下的加工时所使用的中止用阈值是预先由用户指定出的基准评价值。即,中止用阈值设为是固定的值。而且,停止判定部15通过时间序列的暂定评价值的波动程度和中止用阈值的比较而在对暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。但是,这只不过是一个例子。
例如,停止判定部15也能够基于试行完成的加工条件及与该加工条件相对应的评价值对中止用阈值进行设定。试行完成的加工条件及与该加工条件相对应的评价值作为探索结果而由评价决定部16存储于探索结果存储部18E。将停止判定部15基于决定完成的评价值而设定的中止用阈值也称为“可变中止用阈值”。此外,在该情况下,停止判定部15如果设定出可变中止用阈值,则例如通过由收敛判定部14推定出的推定收敛值和可变中止用阈值的比较,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定。由收敛判定部14推定出的推定收敛值是在收敛结果存储部18C中存储的最新的收敛判定后信息中的推定收敛值。
详细地说,停止判定部15例如基于试行完成的加工条件及与该加工条件相对应的评价值,按照预先设定的条件(以下称为“可变中止用阈值设定条件”)对可变中止用阈值进行设定。
在可变中止用阈值设定条件中,例如设定有下面的<条件(1)>、<条件(2)>或者<条件(3)>那样的条件。
<条件(1)>
在试行次数小于X次的情况下将用于不中止加工的值设为可变中止用阈值,在试行次数大于或等于X次的情况下,将与试行完成的全部加工条件相对应的各评价值之中的第X位的评价值设为可变中止用阈值
<条件(2)>
将与试行完成的全部加工条件相对应的各评价值之中的上位Y位的评价值设为可变中止用阈值
<条件(3)>
将与试行完成的全部加工条件相对应的各评价值之中的上位Z%的评价值之中的最下位的评价值设为可变中止用阈值
此外,<条件(1)>、<条件(2)>或者<条件(3)>中的X、Y或者Z的值能够适当设定。
另外,在<条件(1)>中,“用于不中止加工的值”例如设为“0”。此外,这只不过是一个例子,在“用于不中止加工的值”中设定不超过可设想的推定收敛值的值即可。
在这里,图7是用于说明在实施方式1中,停止判定部15基于试行完成的加工条件及与该加工条件相对应的评价值而对可变中止用阈值进行设定的方法的一个例子的图。
图7是用于说明停止判定部15基于试行完成的加工条件及与该加工条件相对应的评价值,按照上述<条件(1)>的可变中止用阈值设定条件而设定出可变中止用阈值的情况下的可变中止用阈值的设定方法的一个例子的图。在图7中,作为一个例子,将<条件(1)>中的X设为“5”。
图7的横轴示出加工条件的试行次数。试行次数是试行完成的加工条件的数量。图7的纵轴示出与各加工条件相对应的评价值。此外,在加工条件处于试行中时,图7的纵轴的评价值为推定收敛值。在图7中黑圆点所示的点是与各加工条件相对应的评价值或者推定收敛值。
为了便于说明,在图7中,设为试行了9次加工条件,但例如当前设为处于第6个加工条件的试行中。即,在该情况下,在图7中,与第6次试行相对应的评价值是推定收敛值。
在该情况下,根据图7,在结束了5次试行的时刻,与该试行了5次的试行完成的加工条件相对应的各评价值之中的第5位的评价值是与第3次试行的加工条件相对应的评价值。因此,停止判定部15将与第3次试行的加工条件相对应的评价值设定为可变中止用阈值。此外,针对试行中的加工条件,换言之,第6次试行的加工条件的推定收敛值小于该可变中止用阈值,因此停止判定部15判定为中止试行中的加工条件下的加工。
另外,例如设为当前处于第9个加工条件的试行中。即,在该情况下,在图7中,与第9次试行相对应的评价值是推定收敛值。
在该情况下,根据图7,在结束了8次试行的时刻,与该试行了8次的试行完成的加工条件相对应的各评价值之中的第5位的评价值是与第4次试行的加工条件相对应的评价值。因此,停止判定部15将与第4次试行的加工条件相对应的评价值设定为可变中止用阈值。此外,针对试行中的加工条件,换言之,第9次试行的加工条件的推定收敛值小于该可变中止用阈值,因此停止判定部15判定为中止试行中的加工条件下的加工。
如上所述,停止判定部15能够将对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定时所使用的基准,换言之,中止用阈值进行变更。
例如,在中止用阈值过高的情况下,加工条件探索装置1会在应该等待加工结果的收敛的加工的加工条件为止的中途中止,预测出的评价值的预测值的偏差有可能变大。其结果,加工条件探索装置1有可能无法探索出最佳加工条件。相反地,例如在中止用阈值过低的情况下,加工条件探索装置1直至在暂定评价值的收敛前判定为中止与不高的评价值相对应的加工条件下的加工为止需要时间,或者,有可能直至该暂定评价值收敛为止不中止加工而等待。其结果,加工条件探索装置1有可能直至能够探索出最佳加工条件需要时间。
在加工条件探索装置1中,停止判定部15能够对中止用阈值进行变更,由此加工条件探索装置1具有能够对最佳加工条件进行探索的可能性,并且能够缩短直至探索出该最佳加工条件为止的时间。
此外,在该情况下,关于使用图2的流程图而说明的加工条件探索装置1的动作,在步骤ST5和步骤ST6之间及步骤ST19和步骤ST20之间,追加进行停止判定部15对可变中止用阈值进行设定的处理的步骤。
实现加工条件探索装置1的功能的硬件结构如下所述。
加工条件探索装置1中的探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的功能通过处理电路而实现。即,加工条件探索装置1具有执行图2的步骤ST1至步骤ST22为止的处理的处理电路。处理电路可以是专用的硬件,也可以是执行在存储器中存储的程序的CPU(CentralProcessing Unit)。
图8A是表示实现加工条件探索装置1的功能的硬件结构的框图。并且,图8B是表示执行实现加工条件探索装置1的功能的软件的硬件结构的框图。在图8A及图8B中,输入接口装置102对从加工机2向加工条件探索装置1输出的加工结果信息进行中继,对从各存储部18A~18G向加工条件探索装置1输出的存储信息进行中继。输出接口装置103对从加工条件探索装置1向显示部3输出的信息,或者从加工条件探索装置1向各存储部18A~18G输出的信息进行中继。
在处理电路是图8A所示的专用硬件的处理电路101的情况下,处理电路101例如是单一电路、复合电路、被程序化的处理器、被并行程序化的处理器、ASIC(ApplicationSpecific Integrated Circuit)、FPGA(Field-Programmable Gate Array)或者它们的组合。加工条件探索装置1中的探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的功能可以通过不同的处理电路实现,也可以将这些功能汇总而通过1个处理电路实现。
在处理电路是图4B所示的处理器104的情况下,加工条件探索装置1中的探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的功能通过软件、固件或者软件和固件的组合而实现。此外,软件或者固件记述为程序而存储于存储器105。
处理器104将在存储器105中存储的程序读出而执行,由此实现加工条件探索装置1中的探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的功能。例如,加工条件探索装置1具有存储器105,该存储器105在由处理器104执行时,用于对图2所示的流程图中的步骤ST1至步骤ST22为止的处理最终得以执行的程序进行存储。这些程序使计算机执行探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的处理的顺序或者方法。存储器105可以是存储有使计算机作为探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17起作用的程序的计算机可读存储介质。
存储器105例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically-EPROM)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘、DVD等。
加工条件探索装置1中的探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17的功能的一部分通过专用硬件而实现,一部分也可以通过软件或者固件而实现。例如,探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15及评价决定部16通过作为专用硬件的处理电路101而实现其功能,机器学习部17通过由处理器104将在存储器105中存储的程序读出而执行,从而实现其功能。如上所述,处理电路能够通过硬件、软件、固件或者它们的组合而实现上述功能。
另外,在以上的实施方式1中,加工条件探索装置1例如可以搭载于加工机2,也可以设置于经由网络而与加工机2连接的服务器。例如,探索加工条件生成部11、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16及机器学习部17之中的一部分可以搭载于加工机2,其他设置于服务器。
如以上所述,实施方式1所涉及的加工条件探索装置1具有:加工条件计算部111,其生成由能够设定于加工机2的多个控制参数构成的加工条件;实际加工指令部112,其使加工机2按照由加工条件计算部111生成的加工条件而实施加工;加工结果收集部12,其对表示实际加工指令部112使加工机2实施的加工的加工结果的加工结果信息进行收集;评价值取得部13,其基于由加工结果收集部12收集到的加工结果信息,对针对实施的加工的暂定评价值进行计算;收敛判定部14,其基于由评价值取得部13计算出的时间序列的暂定评价值对暂定评价值是否收敛进行判定,在判定为暂定评价值没有收敛的情况下,对成为暂定评价值的收敛目标的推定收敛值进行推定;停止判定部15,其在收敛判定部14判定为暂定评价值没有收敛的情况下,对在暂定评价值收敛前是否中止试行中的加工条件下的加工进行判定;评价决定部16,其在停止判定部15判定为中止试行中的加工条件下的加工的情况下,使实际加工指令部112结束按照针对加工机2的加工条件的加工,并且将由收敛判定部14推定出的推定收敛值决定为按照加工条件实施的加工的评价值,在停止判定部15判定为不中止试行中的加工条件下的加工的情况下,在收敛判定部14判定为暂定评价值收敛后,将暂定评价值的收敛值决定为评价值;以及探索结束判定部113,其对是否结束加工条件的探索进行判定,在结束探索的情况下,基于由评价决定部16决定出的评价值而决定最佳的加工条件,在不结束探索的情况下,使加工条件计算部111基于由预测部171预测出的预测值,为了接下来试行而生成加工条件,直至通过探索结束判定部113判定为结束探索为止,重复进行加工条件计算部111、实际加工指令部112、加工结果收集部12、评价值取得部13、收敛判定部14、停止判定部15、评价决定部16、预测部171、探索结束判定部113的各处理。由此,加工条件探索装置1在对最佳的加工条件进行探索时,与关于试行的全部加工条件,直至加工结果的振动性的变化稳定为止使加工机2实施该加工条件下的加工的现有技术相比,能够缩短直至探索出最佳的加工条件为止的时间。
此外,能够进行实施方式的任意的结构要素的变形或者实施方式的任意的结构要素的省略。
工业实用性
本发明所涉及的加工条件探索装置例如能够利用于激光加工机的加工条件的探索。
标号的说明
1加工条件探索装置,2加工机,3显示部,11探索加工条件生成部,111加工条件计算部,112实际加工指令部,113探索结束判定部,12加工结果收集部,13评价值取得部,14收敛判定部,15停止判定部,16评价决定部,17机器学习部,171预测部,172不可靠性评价部,18A加工结果存储部,18B评价值存储部,18C收敛结果存储部,18D停止判定存储部,18E探索结果存储部,18F预测结果存储部,18G不可靠性存储部,101处理电路,102输入接口装置,103输出接口装置,104处理器,105存储器。
Claims (11)
1.一种加工条件探索装置,其具有:
加工条件计算部,其生成由能够设定于加工机的多个控制参数构成的加工条件;
实际加工指令部,其使所述加工机按照由所述加工条件计算部生成的所述加工条件而实施加工;
加工结果收集部,其对表示所述实际加工指令部使所述加工机实施的所述加工的加工结果的加工结果信息进行收集;
评价值取得部,其基于由所述加工结果收集部收集到的所述加工结果信息,对针对实施后的所述加工的暂定评价值进行计算;
收敛判定部,其基于由所述评价值取得部计算出的时间序列的所述暂定评价值对所述暂定评价值是否收敛进行判定,在判定为所述暂定评价值没有收敛的情况下,对成为所述暂定评价值的收敛目标的推定收敛值进行推定;
停止判定部,其在所述收敛判定部判定为所述暂定评价值没有收敛的情况下,对在所述暂定评价值收敛前是否中止试行中的所述加工条件下的所述加工进行判定;
评价决定部,其在所述停止判定部判定为中止试行中的所述加工条件下的所述加工的情况下,使所述实际加工指令部结束按照针对所述加工机的所述加工条件进行的所述加工,并且将由所述收敛判定部推定出的所述推定收敛值决定为按照所述加工条件实施的所述加工的评价值,在所述停止判定部判定为不中止试行中的所述加工条件下的所述加工的情况下,在所述收敛判定部判定为所述暂定评价值收敛后,将所述暂定评价值的收敛值决定为所述评价值;
预测部,其基于由所述评价决定部决定出的所述评价值和与所述评价值相对应的所述加工条件,对与未试行的所述加工条件相对应的所述评价值的预测值进行预测;以及
探索结束判定部,其对是否结束所述加工条件的探索进行判定,在结束所述探索的情况下,基于由所述评价决定部决定出的所述评价值及由所述预测部预测出的所述评价值而决定最佳的所述加工条件,在不结束所述探索的情况下,使所述加工条件计算部基于所述预测部预测出的所述预测值而生成接下来应该试行的所述加工条件,
直至通过所述探索结束判定部判定为结束所述探索为止,重复进行由所述加工条件计算部、所述实际加工指令部、所述加工结果收集部、所述评价值取得部、所述收敛判定部、所述停止判定部、所述评价决定部、所述预测部、所述探索结束判定部的各处理。
2.根据权利要求1所述的加工条件探索装置,其特征在于,
所述收敛判定部基于由所述评价值取得部计算出的时间序列的所述暂定评价值的波动程度,对所述推定收敛值进行推定。
3.根据权利要求1所述的加工条件探索装置,其特征在于,
所述收敛判定部基于由所述评价值取得部计算出的时间序列的所述暂定评价值和将时间序列的所述评价值作为输入而对所述推定收敛值进行输出的第1机器学习模型,对所述推定收敛值进行推定。
4.根据权利要求1所述的加工条件探索装置,其特征在于,
所述停止判定部通过由所述评价值取得部计算出的时间序列的所述暂定评价值的波动程度和中止用阈值的比较,对在所述暂定评价值收敛前是否中止试行中的所述加工条件下的所述加工进行判定。
5.根据权利要求4所述的加工条件探索装置,其特征在于,
所述停止判定部基于试行完成的所述加工条件及与该加工条件相对应的所述评价值对可变中止用阈值进行设定,通过由所述收敛判定部推定出的所述推定收敛值和设定出的所述可变中止用阈值的比较,对在所述暂定评价值收敛前是否中止试行中的所述加工条件下的所述加工进行判定。
6.根据权利要求1所述的加工条件探索装置,其特征在于,
所述停止判定部基于由所述评价值取得部计算出的时间序列的所述暂定评价值和将时间序列的所述评价值设为输入而对表示是否使加工停止的信息进行输出的第2机器学习模型,对在所述暂定评价值收敛前是否中止试行中的所述加工条件下的所述加工进行判定。
7.根据权利要求1所述的加工条件探索装置,其特征在于,
具有不可靠性评价部,该不可靠性评价部对表示通过所述预测部进行的预测的不可靠性的指标进行计算,
所述加工条件计算部基于由所述预测部预测出的所述评价值的所述预测值和表示预测的不可靠性的所述指标,生成接下来应该试行的所述加工条件。
8.根据权利要求7所述的加工条件探索装置,其特征在于,
所述探索结束判定部使用所述评价值的所述预测值及表示所述评价值的不可靠性的所述指标,对是否结束所述加工条件的所述探索进行判定,在判定为结束所述加工条件的所述探索的情况下,将与由所述评价决定部决定出的所述评价值之中的成为最高的所述评价值相对应的所述加工条件设为所述最佳的所述加工条件。
9.根据权利要求7所述的加工条件探索装置,其特征在于,
所述预测部使用假定为针对所述加工条件的所述评价值是按照特定分布的概率变量而生成的针对评价值的所述加工条件的概率模型对所述预测值进行预测,
所述不可靠性评价部使用所述概率模型对表示所述预测的不可靠性的所述指标进行计算。
10.根据权利要求1所述的加工条件探索装置,其特征在于,
具有显示部,该显示部对所述加工条件及与该加工条件相对应的所述评价值、所述加工条件及与该加工条件相对应的所述评价值的所述预测值、或者探索结果的所述加工条件之中的至少一个进行显示。
11.一种加工条件探索方法,其具有下述步骤:
加工条件计算部生成由能够设定于加工机的多个控制参数构成的加工条件;
实际加工指令部使所述加工机按照由所述加工条件计算部生成的所述加工条件而实施加工;
加工结果收集部对表示所述实际加工指令部使所述加工机实施的所述加工的加工结果的加工结果信息进行收集;
评价值取得部基于由所述加工结果收集部收集到的所述加工结果信息,对针对实施后的所述加工的暂定评价值进行计算;
收敛判定部基于由所述评价值取得部计算出的时间序列的所述暂定评价值对所述暂定评价值是否收敛进行判定,在判定为所述暂定评价值没有收敛的情况下,对成为所述暂定评价值的收敛目标的推定收敛值进行推定;
停止判定部在所述收敛判定部判定为所述暂定评价值没有收敛的情况下,对在所述暂定评价值收敛前是否中止试行中的所述加工条件下的所述加工进行判定;
评价决定部在所述停止判定部判定为中止试行中的所述加工条件下的所述加工的情况下,使所述实际加工指令部结束按照针对所述加工机的所述加工条件进行的所述加工,并且将由所述收敛判定部推定出的所述推定收敛值决定为按照所述加工条件实施的所述加工的评价值,在所述停止判定部判定为不中止试行中的所述加工条件下的所述加工的情况下,在所述收敛判定部判定为所述暂定评价值收敛后,将所述暂定评价值的收敛值决定为所述评价值;
预测部基于由所述评价决定部决定出的所述评价值和与所述评价值相对应的所述加工条件,对与未试行的所述加工条件相对应的所述评价值的预测值进行预测;以及
探索结束判定部对是否结束所述加工条件的探索进行判定,在结束所述探索的情况下,基于由所述评价决定部决定出的所述评价值及由所述预测部预测出的所述评价值而决定最佳的所述加工条件,在不结束所述探索的情况下,使所述加工条件计算部基于所述预测部预测出的所述预测值而生成接下来应该试行的所述加工条件,
直至通过所述探索结束判定部判定为结束所述探索为止,重复进行所述加工条件计算部、所述实际加工指令部、所述加工结果收集部、所述评价值取得部、所述收敛判定部、所述停止判定部、所述评价决定部、所述预测部、所述探索结束判定部的各处理。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/025722 WO2023281681A1 (ja) | 2021-07-08 | 2021-07-08 | 加工条件探索装置および加工条件探索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117500635A true CN117500635A (zh) | 2024-02-02 |
Family
ID=82652267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180099531.9A Pending CN117500635A (zh) | 2021-07-08 | 2021-07-08 | 加工条件探索装置及加工条件探索方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240094688A1 (zh) |
JP (1) | JP7109689B1 (zh) |
CN (1) | CN117500635A (zh) |
DE (1) | DE112021007612T5 (zh) |
TW (1) | TW202302269A (zh) |
WO (1) | WO2023281681A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003162706A (ja) * | 2001-11-27 | 2003-06-06 | Matsushita Electric Works Ltd | 遺伝的アルゴリズムを用いた最適化装置およびその方法 |
JP4795282B2 (ja) * | 2006-07-11 | 2011-10-19 | 三菱電機株式会社 | 加工条件探索装置 |
JP2010042499A (ja) * | 2008-07-18 | 2010-02-25 | Mitsubishi Electric Corp | 加工条件探索装置 |
WO2015013283A2 (en) * | 2013-07-22 | 2015-01-29 | Texas State University | Autonomous performance optimization in robotic assembly process |
JP7121506B2 (ja) * | 2018-03-14 | 2022-08-18 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
KR102422358B1 (ko) * | 2019-06-28 | 2022-07-18 | 미쓰비시덴키 가부시키가이샤 | 가공 조건 탐색 장치 및 가공 조건 탐색 방법 |
-
2021
- 2021-07-08 DE DE112021007612.4T patent/DE112021007612T5/de active Pending
- 2021-07-08 JP JP2021569281A patent/JP7109689B1/ja active Active
- 2021-07-08 CN CN202180099531.9A patent/CN117500635A/zh active Pending
- 2021-07-08 WO PCT/JP2021/025722 patent/WO2023281681A1/ja active Application Filing
- 2021-11-23 TW TW110143466A patent/TW202302269A/zh unknown
-
2023
- 2023-11-29 US US18/522,354 patent/US20240094688A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202302269A (zh) | 2023-01-16 |
JPWO2023281681A1 (zh) | 2023-01-12 |
WO2023281681A1 (ja) | 2023-01-12 |
DE112021007612T5 (de) | 2024-03-14 |
JP7109689B1 (ja) | 2022-07-29 |
US20240094688A1 (en) | 2024-03-21 |
KR20240005995A (ko) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5734086B2 (ja) | 加工条件探索装置 | |
WO2021186521A1 (ja) | 加工条件探索装置および加工条件探索方法 | |
CN114025912B (zh) | 加工条件搜索装置以及加工条件搜索方法 | |
WO2002052365A2 (en) | Model predictive control (mpc) system using doe based model | |
CN110991495B (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
CN110549005A (zh) | 加工条件调整装置以及机器学习装置 | |
US11619926B2 (en) | Information processing device, program, process treatment executing device, and information processing system | |
WO2006137120A1 (ja) | 加工工程生成装置 | |
CN115511398B (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
JP2017017782A (ja) | 評価関数によって制御ゲインをオンラインで最適化する機能を有するサーボ制御装置 | |
KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
JP6815368B2 (ja) | 異常検知装置、異常検知方法、制御プログラム、および記録媒体 | |
CN117500635A (zh) | 加工条件探索装置及加工条件探索方法 | |
CN117348525A (zh) | 一种基于ug软件的模具2d加工评估方法及系统 | |
KR102677644B1 (ko) | 가공 조건 탐색 장치 및 가공 조건 탐색 방법 | |
CN110893515A (zh) | 加工条件调整装置以及机器学习装置 | |
Wu et al. | A monitoring method for surface roughness of γ-TiAl alloy based on deep learning of time–frequency diagram | |
JP2020027386A (ja) | 異常判定装置、異常判定システムおよび異常判定方法 | |
US20240045387A1 (en) | Transfer learning device and transfer learning method | |
EP4299290A1 (en) | Method for developing additive manufacturing technology and 3d additive manufacturing system | |
Ali et al. | Flank wear modeling of a tungsten carbide tip using the GMDH method in turning operation | |
KR102500441B1 (ko) | 가공품 형상 분석 기반의 지능형 가공 제어 장치 및 방법 | |
CN115310365A (zh) | 一种基于多角度的激光控制方法及相关装置 | |
CN114442482A (zh) | 利用人工智能来求取激光焊接的能量输入的方法和设备 | |
KR20230093892A (ko) | 공작기계 공작물의 재질 판별 장치 및 그 방법 |
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 |