JP2021068225A - Ｎｃデータ良否判定装置及び加工装置 - Google Patents

Abstract

【課題】ＮＣデータの良否判定を容易且つ高精度に行えるＮＣデータ良否判定装置、加工装置及び生産システムを提供すること。【解決手段】ＮＣデータ良否判定装置１２は、加工装置１１における３次元曲面加工に関するＮＣデータを記憶するデータ記憶部２１１と、ＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度の関連データを演算して実送り速度画像に変換する画像変換部２１２と、少なくとも実送り速度画像のデータを説明変数データとし、ＮＣデータの良否に関するデータを目的変数データとする訓練データセットに基づいて、機械学習により生成される学習済みモデルを記憶するモデル記憶部２２１と、学習済みモデルに対して新たな実送り速度画像のデータを入力し、入力する新たな実送り速度画像に対応するＮＣデータの良否を判定する良否判定部２２３と、を備える。【選択図】図６

Description

本発明は、ＮＣデータ良否判定装置及び加工装置に関する。

加工装置における加工物の加工では、加工物の加工面に不良が発生した場合、加工不良の発生要因を特定することは容易ではない。そこで、例えば、下記特許文献１には、検査装置による加工物の加工面の検査結果に基づいて、加工不良の発生要因を機械学習を利用して推定する装置が記載されている。

特開２０１８−１８１２１６号公報

マシニングセンタやＮＣフライス盤等の加工装置における金型等の３次元曲面加工では、指令値である数値制御（ＮＣ（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ））データの品質が低下すると加工用工具と加工物の相対的な実送り速度が変動し、加工物の加工面に傷やうねり模様が発生する場合がある。作業者は、ＮＣデータを見てＮＣデータの良否（ＯＫ／ＮＧ）を判断し、否（ＮＧ）であればＮＣデータを作り直し、良（ＯＫ）であれば当該ＮＣデータで加工を行う。

しかし、作業者がＮＣデータそのものを見てもＮＣデータの良否判断は分かりづらい。そこで、上述の実送り速度を可視化することで、作業者の目で否（ＮＧ）の箇所を見分け易くなる。つまり、ＮＣデータに基づいて、工具軌跡を示す線上に所定の間隔で付される点群の各点において、実送り速度を演算して実送り速度画像を表示する。しかし、実送り速度が可視化されているとはいえ、作業者が膨大な点群の中から目で否（ＮＧ）の箇所を探し出す処理は非常に労力を要し、見逃してしまうリスクがあり、また、作業できる人が熟練者に限られてしまう。そこで、当該処理を機械で自動化できればよいが、作業者が画像を見て否（ＮＧ）の箇所と判断する要素の中には、うまく言葉に直せない直観・感性的要素や多数の経験から学んだ経験則要素、多数の因果が絡んだ全体的要素があることもある。これらの要素は、フローや条件分岐などのルールとして表現が困難であり、プログラムとして処理の自動化が難しい。

本発明は、ＮＣデータの良否判定を容易且つ高精度に行えるＮＣデータ良否判定装置及び加工装置を提供することを目的とする。

本発明に係るＮＣデータ良否判定装置は、加工装置における３次元曲面加工に関するＮＣデータを記憶するデータ記憶部と、前記データ記憶部に記憶される前記ＮＣデータに基づいて、前記加工装置における加工用工具と加工物の相対的な実送り速度の関連データを演算して実送り速度画像に変換する画像変換部と、少なくとも前記画像変換部で変換される前記実送り速度画像のデータを説明変数データとし、前記ＮＣデータの良否に関するデータを目的変数データとする訓練データセットに基づいて、機械学習により生成される学習済みモデルを記憶するモデル記憶部と、前記モデル記憶部に記憶される前記学習済みモデルに対して新たな実送り速度画像のデータを入力し、入力する前記新たな実送り速度画像に対応するＮＣデータの良否を判定する良否判定部と、を備える。
本発明に係る加工装置は、上記ＮＣデータ良否判定装置を備え、前記ＮＣデータ良否判定装置で良と判定された前記ＮＣデータに基づいて、前記加工物の加工を行う。

従来は膨大な点群の中から否の箇所を探し出す処理を自動化することは非常に困難であったが、本発明は上記処理の自動化に相性のよい機械学習の技術を活用して実現している。つまり、このＮＣデータ良否判定装置によれば、良否判定部が、新たな加工物を加工する際に用いられるＮＣデータと、モデル記憶部に記憶された学習済みモデルとに基づき、新たに加工物を加工する際に用いられるＮＣデータの良否を予測する。従って、加工物を加工する際に用いられるＮＣデータの良否の判定を容易且つ高精度に予測することができる。

生産システムの構成を示す図である。 ＣＡＭにより作成されるＣＬデータを示す図である。 表示画面に表示される実送り速度画像のデータを示す図である。 図３の３次元の実送り速度画像をＺ方向から見た拡大図である。 図３の３次元の実送り速度画像をＸ方向から見た拡大図である。 ＮＣデータ良否判定装置を示すブロック図である。 ＮＣデータ良否判定装置による学習済みモデルの生成処理を説明するための図である。 ＮＣデータ良否判定装置によるＮＣデータの良否判定処理を説明するための図である。 別形態のＮＣデータ良否判定装置を示すブロック図である。 別形態のＮＣデータ良否判定装置による第２学習済みモデルの生成処理を説明するための図である。 別形態のＮＣデータ良否判定装置によるＮＣデータの修正処理を説明するための図である。

（１．ＮＣデータ良否判定装置１２を備える生産システム１０の構成）
生産システム１０は、複数の加工装置１１と、ＮＣデータ良否判定装置１２とを備える。加工装置１１は、ＮＣデータに基づいて３次元曲面加工が可能な、例えば、マシニングセンタ、ＮＣフライス盤等である。ＮＣデータ良否判定装置１２は、機械学習により加工装置１１における３次元曲面加工に関するＮＣデータの良否（ＯＫ／ＮＧ）を判定する。

ＮＣデータ良否判定装置１２は、複数の加工装置１１と通信可能に設けられる第一サーバ１２１及び第二サーバ１２２を備える。第一サーバ１２１は、機械学習における学習フェーズとして機能する。第二サーバ１２２は、機械学習における推論フェーズとして機能する。但し、第一サーバ１２１と第二サーバ１２２とは、別装置として説明するが、同一装置によって構成することも可能である。また、第一サーバ１２１及び第二サーバ１２２は、クラウド上に形成された仮想サーバであってもよい。

第一サーバ１２１は、取得した説明変数データ及び目的変数データでなる訓練データセットを用いた機械学習により学習済みモデルを生成する。すなわち、第一サーバ１２１は、複数の加工装置１１の各々で用いるＮＣデータに基づいて、得られる訓練データセットを教師データとして取得する。

詳細は後述するが、本例では、説明変数データは、ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータである。また、目的変数データは、ＮＣデータの良否に関するデータである。尚、第一サーバ１２１における機械学習は、教師あり学習の場合を例に挙げて説明するが、他の機械学習アルゴリズムを適用することも可能である。

第一サーバ１２１は、作業者が入力するＮＣデータの良否に関するデータを取得しても良く、また、計測器によって計測された加工物に関するデータから得られるＮＣデータの良否に関するデータを取得するようにしても良い。これにより、第一サーバ１２１は、多量の訓練データセットとする教師あり学習を行うことにより学習済みモデルを生成する。従って、第一サーバ１２１は、学習済みモデルの学習精度を向上させることができ、学習済みモデルの高精度化を図ることができる。

第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを取得する。そして、第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを用いて、複数の加工装置１１の各々で加工を行う際に用いるＮＣデータの良否を判定する。すなわち、第二サーバ１２２は、上記ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータを入力データとし、学習済みモデルを用いて当該ＮＣデータの良否の判定を予測して出力データとして出力する。

なお、第二サーバ１２２によって予測されたＮＣデータの良否の判定は、加工装置１１に送信し、加工装置１１の加工条件を調整することに用いても良い。又、予測されたＮＣデータが否（ＮＧ）であると判定された場合には、加工装置１１が否と判定されたＮＣデータに基づいて加工した加工物の廃棄処理又は選別処理を行うようにしても良い。

ここで、図示を省略するが、複数の加工装置１１の各々に対して、第二サーバ１２２を配置することもできる。即ち、複数の加工装置１１の各々に対して配置された第二サーバ１２２は、第一サーバ１２１により生成された学習済みモデルを用いて、対応する加工装置１１により加工物を加工したときに用いるＮＣデータの良否の判定を予測する。また、生産システム１０は、単体の加工装置１１と、ＮＣデータ良否判定装置１２とにより構成されるようにしても良い。

（２．訓練データセット）
次に、訓練データセットについて説明する。上述のように、訓練データセットは、ＮＣデータから得られる加工装置１１における加工用工具と加工物の相対的な実送り速度画像のデータである説明変数データと、ＮＣデータの良否に関するデータである目的変数データで構成される。

ＮＣデータは、ＣＡＤ(Computer Aided Design)で作成された加工物の形状（３次元モデル）データを入力データとして、ＣＡＭ(Computer Aided Manufacturing)で作成される。具体的には、図２に示すように、ＣＡＭは、加工用工具モデルＴｍの例えば先端部ｔｐの加工物表面Ｗｓにおける工具経路ｔｒのトレランスｔｏに基づいて、ＣＬ(Cutter Location)データｃｌを作成する。なお、ＣＡＭは、工具経路ｔｒにおいて一定間隔でＣＬデータｃｌを作成するようにしてもよい。

そして、ＣＡＭは、ＣＬデータｃｌに対し補間処理、例えば直線補間、円弧補間、ナーブス曲線補間等を行い、ＮＣデータを作成する。このＮＣデータは、工具軌跡のデータ、及び主軸回転数、クーラント供給等の指令データを含む。本例での工具軌跡は、線上に所定の間隔で付される点群で表され、工具軌跡のデータは、点群の各点の座標値のデータ及び速度指令値（暫定的に指令する一定速度）のデータを含む。

ここで、ＮＣデータの品質を加工前に確認するツールとしてＮＣデータ解析装置が開発されている。このＮＣデータ解析装置は、ＮＣデータに基づいて、線上に所定の間隔で付される点群の各点において、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像を表示する。

具体的には、図３に示すように、表示画面ＬＰ（後述する実送り速度画像表示部２１３に備えられる）に表示される実送り速度画像ＶＶのデータとしては、表示画面ＬＰの左側に工具軌跡を示す線Ｌ上に所定の間隔で付される点群Ｐ１−Ｐｎが３次元画像で表示される。そして、表示画面ＬＰの左側に各点Ｐ１，Ｐ２，・・・，Ｐｎの座標値（Ｘ１，Ｙ１，Ｚ１），（Ｘ２，Ｙ１，Ｚ１），・・・，（Ｘｎ，Ｙｎ，Ｚｎ）及び各点Ｐ１，Ｐ２，・・・，Ｐｎでの実送り速度Ｖ１，Ｖ２，・・・，Ｖｎが表で表示される。

すなわち、３次元モデルデータにおける加工位置（各点）Ｐ１，Ｐ２，・・・，Ｐｎと実送り速度Ｖ１，Ｖ２，・・・，Ｖｎとが紐づいている。そして、実送り速度Ｖ１，Ｖ２，・・・，Ｖｎは、所定の閾値以上の場合は高速の実送り速度、所定の閾値未満の場合は低速の実送り速度と規定し、３次元画像の点群において、高速の実送り速度の点は例えば赤色（図では黒色）で表示し、低速の実送り速度の点は例えば白色で表示する。なお、点の色は任意で選択できる。また、実送り速度の高低によって点の色の濃度を変化（濃淡）させるようにしてもよい。また、工具軌跡は、線を除いた点群のみで表示するようにしてもよい。

ＮＣデータの良否のラべリングは、表示画面ＬＰに表示される実送り速度画像ＶＶに基づいて、加工物の加工面不良の発生の有無により行う。具体的には、図３に示すように、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、加工面Ｗｓが平面部Ｗｓｆ１（例えば、一点鎖線で囲まれる部分）に続く円錐台状の凸部Ｗｃのコーナー部Ｗｓｃ１（例えば、二点鎖線で囲まれる部分）である場合は、平面部Ｗｓｆ１からコーナー部Ｗｓｃ１にかけて実送り速度を減速する必要がある。

図３では、コーナー部Ｗｓｃ１より手前の平面部Ｗｓｆ１では高速の実送り速度（黒色（赤色）の点群）であったものが、コーナー部Ｗｓｃ１では低速の実送り速度（白色の点群）に減速しているので問題が無く、加工面不良は発生しないので、ＮＣデータを良（ＯＫ）とラべリングできる。また、コーナー部の曲率の程度によっては、平面部からコーナー部にかけて減速する必要が無い場合もある。この場合は、コーナー部の条件（パラメータ）を調整（ラべリング精度が悪くなる場合もある）することで対応可能となる。

一方、図３に示すように、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、加工面Ｗｓが平面部Ｗｓｆ２（例えば、破線で囲まれる部分）のみである場合は、高速の実送り速度が維持される必要がある。しかし、図３では、平面部Ｗｓｆ２の途中で高速の実送り速度（黒色（赤色）の点群）から低速の実送り速度（白色の点群）に変化している箇所が有るので問題があり、加工面不良が発生するので、ＮＣデータを否（ＮＧ）とラべリングできる。この場合、ＣＡＭに戻って処理をやり直し、さらにはＣＡＤに戻って処理をやり直す。

ただし、ＣＡＭの処理の癖、例えばＣＬデータの折れ角、又は、ＣＡＤで作成された加工物の形状データの粗さから、平面部の途中で高速の実送り速度から低速の実送り速度に変化させる必要があると誤って判断する場合がある。この場合は、平面部の途中で高速の実送り速度（黒色（赤色）の点群）から低速の実送り速度（白色の点群）に変化している箇所でも、ＮＣデータを良（ＯＫ）とラべリングできる。また、ＮＣデータの良否のラべリングは、点群全体でラべリングしてもよく、また、点群の各点でラべリングしてもよい。

また、ＮＣデータの良否のラべリングは、３次元モデルの加工物の形状データから作成したＮＣデータを例に説明したが、３次元モデルの加工物の形状データが無くてもよい。この場合、表示画面ＬＰに表示される実送り速度画像ＶＶにおいて、画像周囲の比較で、平面部で黒色（赤色）の点群の中に白色の点がぽつんと存在する場合は、ＮＣデータを否（ＮＧ）とラべリングする。また、コーナー部で黒色（赤色）の点群の中に白色の点がぽつんと存在する場合は、ＮＣデータを良（ＯＫ）とラべリングする。

学習済みモデルを生成するために、作業者が行うＮＣデータの良否のラべリングにおいては、作業者が表示画面ＬＰに表示される３次元画像で表される実送り速度画像ＶＶを直接見て行う必要がある。しかし、点群の位置によっては当該点群が加工物の陰に隠れて見えない場合がある。

そこで、作業者は、３次元画像で表される実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される実送り速度画像に変換する。これにより、３次元画像で表される実送り速度画像ＶＶでは加工物の陰に隠れて見えない点群も見えるようになり、作業者が行うＮＣデータの良否のラべリング精度を向上できる。この場合、３次元画像で表される実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される実送り速度画像、並びに、所定の方向及び所定の倍率を説明変数データとして用いる。

具体的には、作業者は、図３に示す表示画面ＬＰに表示される３次元画像で表される実送り速度画像ＶＶをＺ方向から５倍に拡大したＸＹ平面の２次元画像で表される実送り速度画像ＶＶｚ（図４参照）を見た場合、凸部Ｗｃのコーナー部Ｗｓｃ２（一点鎖線で囲まれる部分）より手前の平面部Ｗｓｆ３（凸部Ｗｃの頂面であり、点線で囲まれる部分））では高速の実送り速度（黒色（赤色）の点群）となっている。

そして、Ｘ方向から５倍に拡大したＹＺ平面の２次元画像で表される実送り速度画像ＶＶｘ（図５参照）を見た場合、コーナー部Ｗｓｃ２では低速の実送り速度（白色の点群）に減速している。よって、ＮＣデータとしては問題が無く、ＮＣデータを良（ＯＫ）とラべリングできる。このように、全方向の実送り速度画像に問題が無い場合のみ、当該実送り速度画像に対応するＮＣデータを良（ＯＫ）とラべリングし、一つでも実送り速度画像に問題があるときは、当該実送り速度画像に対応するＮＣデータは否（ＮＧ）とラべリングする。なお、上述の所定の方向及び所定の倍率も機械学習させることで、ＮＣデータの良否ラべリングをさらに高精度且つ簡易に行うことができる。

また、ＮＣデータ良否判定部２２３で否（ＮＧ）と判定を下した工具軌跡の座標値を目的変数データとする訓練データセットに基づいて、機械学習により生成された学習済みモデルを学習済みモデル記憶部２２１に記憶するようにしてもよい。これにより、ＮＣデータの良否判定結果に合わせて、否（ＮＧ）と判定を下した工具軌跡の座標値も出力されるので、どの箇所が否（ＮＧ）であったかを即座に発見できる。

（３．ＮＣデータ良否判定装置１２の構成）
次に、図６を参照しながら、ＮＣデータ良否判定装置１２の構成を説明する。図６に示すように、ＮＣデータ良否判定装置１２は、学習フェーズを実行可能な学習処理装置２１０と、推論フェーズを実行可能な良否予測装置２２０とを備える。ここで、学習処理装置２１０は、上述したＮＣデータ良否判定装置１２における第一サーバ１２１に相当する。又、良否予測装置２２０は、上述したＮＣデータ良否判定装置１２における第二サーバ１２２に相当する。

学習処理装置２１０は、ＮＣデータ記憶部２１１（データ記憶部）、実送り速度画像変換部２１２（画像変換部）、実送り速度画像表示部２１３、説明変数データ取得部２１４、目的変数データ取得部２１５、訓練データセット記憶部２１６、学習済みモデル生成部２１７を備える。ＮＣデータ記憶部２１１は、入力される加工装置１１における３次元曲面加工に関するＮＣデータを記憶する。

実送り速度画像変換部２１２は、ＮＣデータ記憶部２１１に記憶されるＮＣデータを読み出し、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する。実送り速度画像表示部２１３は、実送り速度画像変換部２１２で変換した実送り速度画像、すなわち３次元画像で表される加工軌跡上に表示される点群を含む実送り速度画像、及び表で表される点群の座標値と各点での実送り速度を表示装置ＬＰに表示する。

説明変数データ取得部２１４は、実送り速度画像変換部２１２で変換した実送り速度画像のデータを説明変数データとして取得する。目的変数データ取得部２１５は、ＮＣデータの良否に関するデータを目的変数データとして取得する。ＮＣデータの良否に関するデータとしては、後述する良否判定結果出力部２２４から入力するＮＣデータの良否の判定のデータ、及び作業者が３次元画像で表される実送り速度画像を見てＮＣデータの良否を判断したデータがある。

訓練データセット記憶部２１６は、説明変数データ取得部２１４で取得した説明変数データと目的変数データ取得部２１５で取得した目的変数データを訓練データセットとして記憶する。学習済みモデル生成部２１７は、訓練データセット記憶部２１６に記憶される実送り速度画像のデータ及びＮＣデータの良否に関するデータに基づき、紐付けされた実送り速度画像のデータとＮＣデータの良否に関するデータとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１７は、実送り速度画像のデータとＮＣデータの良否に関するデータとに関する学習済みモデルを生成する。

良否予測装置２２０は、学習済みモデル記憶部２２１（モデル記憶部）、加工時説明変数データ取得部２２２、ＮＣデータ良否判定部２２３（良否判定部）、良否判定結果出力部２２４を備える。学習済みモデル記憶部２２１は、学習済みモデル生成部２１７で生成した学習済みモデルを記憶する。加工時説明変数データ取得部２２２は、加工装置１１における加工時の説明変数データ（新たな実送り速度画像のデータ）を取得する。

ＮＣデータ良否判定部２２３は、学習済みモデル記憶部２２１に記憶される学習済みモデルに対して、加工時説明変数データ取得部２２２で取得した加工時の説明変数データを入力し、加工時の説明変数データに対応するＮＣデータの良否を判定する。良否判定結果出力部２２４は、ＮＣデータ良否判定部２２３で判定したＮＣデータの良否判定結果を蓄積データとして目的変数データ取得部２１５に出力する。

また、良否判定結果出力部２２４は、例えば、表示による案内、音声による案内、表示灯によるＮＣデータ良否判定部２２３で判定したＮＣデータの良否の判定結果の案内等を行う。この場合、良否判定結果出力部２２４は、実送り速度画像表示部２１３の表示装置ＬＰに表示による案内を行うようにしても良いし、複数の加工装置１１の各々に設けられた表示装置等に表示による案内を行うようにしても良い。また、良否判定結果出力部２２４は、作業者又は管理者が所有する携帯端末に案内を行うこともできる。

更に、良否判定結果出力部２２４は、ＮＣデータの良否判定結果を加工装置１１に出力して、加工装置１１に対して良否判定結果に応じた処理を実行させることも可能である。例えば、ＮＣデータの良否判定結果において不良であると判定された場合には、良否判定結果出力部２２４は、加工装置１１に対して、不良であると判定された加工物の廃棄処理又は選別処理を実行することが可能である。

作業者は、経験則的に、ＮＣデータから得られる実送り速度画像にどのような特徴（記号化容易な単純な特徴もあれば、言語的に表現困難な複雑な特徴や判断工程の特徴もありうる）が現れたときに、加工物の加工面の不良が発生するかを判断できる。つまり、実送り速度画像の特徴（加工挙動）と加工面不良の発生（加工結果）の間には関係性がある。

しかし、加工挙動と加工結果の間の因果関係は極めて複雑で、また加工挙動を画像化した際にデータは数万のドットからなる変数群となる。このため、加工挙動の画像から加工結果を導く人力による理論化、モデル化、プログラム化は、作業者の認知力の限界や現実的に不可能な検討工数の必要性により極めて困難である。

本実施形態の学習処理装置２１０では、学習済みモデル生成部２１７は、実送り速度画像のデータとＮＣデータの良否に関するデータとを訓練データセットとする機械学習により、少なくとも実送り速度とＮＣデータの良否とに関する学習済みモデルを生成する。又、良否予測装置２２０では、学習済みモデル記憶部２２１は、学習済みモデル生成部２１７が生成した学習済みモデルを記憶する。

そして、ＮＣデータ良否判定部２２３が、新たな加工物を加工する際に用いられるＮＣデータと、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づき、新たに加工物を加工する際に用いられるＮＣデータの良否を予測する。従って、ＮＣデータ良否判定装置１２は、加工物を加工する際に用いられるＮＣデータの良否の判定を容易且つ高精度に予測することができる。

（４．ＮＣデータ良否判定装置１２の処理）
次に、ＮＣデータ良否判定装置１２の処理について説明する。なお、加工装置１１で用いる複数種類のＮＣデータは既にＮＣデータ記憶部２１１に記憶されているものとする。先ず、図７Ａを参照して学習済みモデルの生成処理について説明する。実送り速度画像変換部２１２は、ＮＣデータをＮＣデータ記憶部２１１から読み出す（ステップＳ１）。

そして、実送り速度画像変換部２１２は、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する（ステップＳ２）。実送り速度画像表示部２１３は、実送り速度画像変換部２１２で変換した実送り速度画像を表示画面ＬＰに表示する（ステップＳ３）。説明変数データ取得部２１４は、実送り速度画像変換部２１２で変換した実送り速度画像のデータを説明変数データとして取得する（ステップＳ４）。

目的変数データ取得部２１５は、作業者が表示画面ＬＰに３次元画像で表される実送り速度画像を見てＮＣデータの良否を判断したデータを目的変数データとして取得する（ステップＳ５）。なお、目的変数データ取得部２１５は、良否判定結果出力部２２４から入力するＮＣデータの良否の判定のデータを取得することも可能である。説明変数データ取得部２１４及び目的変数データ取得部２１５は、それぞれ取得した説明変数データ及び目的変数データを訓練データセットとして訓練データセット記憶部２１６に記憶する（ステップＳ６）。

学習済みモデル生成部２１７は、訓練データセット記憶部２１６に記憶される訓練データセットにより機械学習を行い、実送り速度画像のデータとＮＣデータの良否に関するデータとに関する学習済みモデルを生成して学習済みモデル記憶部２２１に記憶する（ステップＳ７）。そして、さらに学習済みモデルを生成するか否かを判断し（ステップＳ８）、学習済みモデルの数が不足している場合には、さらに学習済みモデルを生成する場合はステップＳ１に戻って上述の処理を繰り返し、さらに学習済みモデルを生成しない場合は全ての処理を終了する。

次に、図７Ｂを参照して実際に加工装置１１で用いるＮＣデータの良否判定処理について説明する。実送り速度画像変換部２１２は、実際に加工装置１１で用いるＮＣデータをＮＣデータ記憶部２１１から読み出す（ステップＳ１１）。そして、読み出したＮＣデータに基づいて、加工装置１１における加工用工具と加工物の相対的な実送り速度を演算して実送り速度画像に変換する（ステップＳ１２）。

加工時説明変数データ取得部２２２は、実送り速度画像変換部２１２から加工時の説明変数データとして実送り速度画像を取得する（ステップＳ１３）。ＮＣデータ良否判定部２２３は、学習済みモデル記憶部２２１に記憶される学習済みモデルに対して、加工時説明変数データ取得部２２２で取得した加工時の説明変数データを入力し、加工時の説明変数データに対応するＮＣデータの良否を判定する（ステップＳ１４）。

良否判定結果出力部２２４は、ＮＣデータ良否判定部２２３で判定したＮＣデータの良否判定結果を実送り速度画像表示部２１３に出力する（ステップＳ１５）。実送り速度画像表示部２１３は、表示装置ＬＰにＮＣデータの良否判定結果を表示して案内を行う。そして、実際に加工装置１１で用いるＮＣデータの有無を確認し（ステップＳ１６）、実際に加工装置１１で用いるＮＣデータが有る場合は、ステップＳ１１に戻って上述の処理を繰り返し、実際に加工装置１１で用いるＮＣデータが無い場合は全ての処理を終了する。

（５．別形態のＮＣデータ良否判定装置１３の構成）
次に、図６に対応させて示す図８を参照しながら、別形態のＮＣデータ良否判定装置１３の構成を説明する。なお、図８において、図６に示す構成部と同一の構成部は同一番号を付してその詳細な説明を省略する。図８に示すように、ＮＣデータ良否判定装置１３は、図６に示すＮＣデータ良否判定装置１２に加えて、ＮＣデータ修正装置２３０を備える。

ＮＣデータ修正装置２３０は、ＮＣデータ記憶部２１１に記憶されている不良ＮＣデータ、すなわちＮＣデータ良否判定部２２３で否（ＮＧ）と判定され、良否判定結果出力部２２４から出力される否（ＮＧ）の判定結果に基づいて不良とされたＮＣデータを修正する。このＮＣデータ修正装置２３０は、第２説明変数データ取得部２３１、第２目的変数データ取得部２３２、第２訓練データセット記憶部２３３、第２学習済みモデル生成部２３４、第２学習済みモデル記憶部２３５（第２モデル記憶部）、ＮＣデータ修正部２３６（データ修正部）を備える。

第２説明変数データ取得部２３１は、不良ＮＣデータを第２説明変数データとしてＮＣデータ記憶部２１１から取得する。第２目的変数データ取得部２３２は、不良ＮＣデータに対して修正を加えて良（ＯＫ）と判定された修正ＮＣデータを第２目的変数データとしてＮＣデータ記憶部２１１から取得する。第２訓練データセット記憶部２３３は、第２説明変数データ取得部２３１で取得した第２説明変数データと第２目的変数データ取得部２３２で取得した第２目的変数データを第２訓練データセットとして記憶する。

第２学習済みモデル生成部２３４は、第２訓練データセット記憶部２３３に記憶される不良ＮＣデータ及び修正ＮＣデータに基づき、紐付けされた不良ＮＣデータと修正ＮＣデータとを第２訓練データセットとする機械学習を行う。これにより、第２学習済みモデル生成部２３４は、不良ＮＣデータと修正ＮＣデータとに関する第２学習済みモデルを生成する。

第２学習済みモデル記憶部２３５は、第２学習済みモデル生成部２３４で生成した第２学習済みモデルを記憶する。ＮＣデータ修正部２３６は、第２学習済みモデル記憶部２３５に記憶される第２学習済みモデルに対して、ＮＣデータ記憶部２１１から読み出した新たな不良ＮＣデータを入力し、入力する新たな不良ＮＣデータに対して修正を加えて修正ＮＣデータを得る。

（６．別形態のＮＣデータ良否判定装置１３の処理）
次に、別形態のＮＣデータ良否判定装置１３の処理について説明する。なお、不良ＮＣデータ及び修正ＮＣデータは既にＮＣデータ記憶部２１１に記憶されているものとする。先ず、図９Ａを参照して第２学習済みモデルの生成処理について説明する。第２説明変数データ取得部２３１は、不良ＮＣデータを第２説明変数データとしてＮＣデータ記憶部２１１から取得する（ステップＳ２１）。

第２目的変数データ取得部２３２は、第２説明変数データ取得部２３１で読み出した不良ＮＣデータに対応する修正されたＮＣデータを第２目的変数データとしてＮＣデータ記憶部２１１から取得する（ステップＳ２２）。第２説明変数データ取得部２３１及び第２目的変数データ取得部２３２は、それぞれ取得した第２説明変数データ及び第２目的変数データを第２訓練データセットとして第２訓練データセット記憶部２３３に記憶する（ステップＳ２３）。

第２学習済みモデル生成部２３４は、第２訓練データセット記憶部２３３に記憶される第２訓練データセットにより機械学習を行い、不良ＮＣデータと修正ＮＣデータとに関する第２学習済みモデルを生成して第２学習済みモデル記憶部２３５に記憶する（ステップＳ２４）。そして、さらに第２学習済みモデルを生成するか否かを判断し（ステップＳ２５）、第２学習済みモデルの数が不足している場合には、さらに第２学習済みモデルを生成する場合はステップＳ２１に戻って上述の処理を繰り返し、さらに第２学習済みモデルを生成しない場合は全ての処理を終了する。

次に、図９Ｂを参照してＮＣデータの修正処理について説明する。ＮＣデータ修正部２３６は、第２学習済みモデル記憶部２３５に記憶される第２学習済みモデルに対して、ＮＣデータ記憶部２１１から読み出した新たな不良ＮＣデータを入力する（ステップＳ３１）。そして、入力する新たな不良ＮＣデータに対して修正を加え（ステップＳ３２）、得られた修正ＮＣデータをＮＣデータ記憶部２１１に記憶する（ステップＳ３３）。そして、新たな不良ＮＣデータの有無を確認し（ステップＳ３４）、新たな不良ＮＣデータが有る場合は、ステップＳ３１に戻って上述の処理を繰り返し、新たな不良ＮＣデータが無い場合は全ての処理を終了する。

（７．その他）
上記した実施形態では、表示画面ＬＰに表示される実送り速度画像ＶＶのデータとして、高速の実送り速度の点は赤色（図では黒色）で表示し、低速の実送り速度の点は白色で表示するようにした。しかし、実送り速度の高低によって点の大きさを変化させて表示してもよい。また、工具軌跡の線上に付した点群の代わりに、複数の線分のみで表示してもよく、その場合は実送り速度の高低によって線分の長さを変化させて表示するとともに、線分の開始点及び終了点の各座標値のデータも合わせて表示する。また、実送り速度画像変換部２１２では、実送り速度を演算して実送り速度画像に変換する構成としたが、実送り速度の関連データ、例えば実送り速度の速度変化を表す加速度を演算して実送り速度画像に変換する構成としてもよい。また、本実施形態のＮＣデータ良否判定装置１２，１３は、ＣＮＣ装置に搭載してもよい。

１０：生産システム、 １１：加工装置、 １２，１３：ＮＣデータ良否判定装置、 ２１０：学習処理装置、 ２２０：良否予測装置、 ２３０：ＮＣデータ修正装置、 ２１１：ＮＣデータ記憶部、 ２１２：実送り速度画像変換部、 ２１３：実送り速度画像表示部、 ２１４：説明変数データ取得部、 ２１５：目的変数データ取得部、 ２１６：訓練データセット記憶部、 ２１７：学習済みモデル生成部、 ２２１：学習済みモデル記憶部、 ２２２：加工時説明変数データ取得部、 ２２３：ＮＣデータ良否判定部、 ２２４：良否判定結果出力部、 ２３１：第２説明変数データ取得部、 ２３２：第２目的変数データ取得部、 ２３３：第２訓練データセット記憶部、 ２３４：第２学習済みモデル生成部、 ２３５：第２学習済みモデル記憶部、 ２３６：ＮＣデータ修正部

Claims (13)

1. 加工装置における３次元曲面加工に関するＮＣデータを記憶するデータ記憶部と、
   前記データ記憶部に記憶される前記ＮＣデータに基づいて、前記加工装置における加工用工具と加工物の相対的な実送り速度の関連データを演算して実送り速度画像に変換する画像変換部と、
   少なくとも前記画像変換部で変換される前記実送り速度画像のデータを説明変数データとし、前記ＮＣデータの良否に関するデータを目的変数データとする訓練データセットに基づいて、機械学習により生成される学習済みモデルを記憶するモデル記憶部と、
   前記モデル記憶部に記憶される前記学習済みモデルに対して新たな実送り速度画像のデータを入力し、入力する前記新たな実送り速度画像に対応するＮＣデータの良否を判定する良否判定部と、
   を備える、ＮＣデータ良否判定装置。
2. 前記画像変換部は、前記加工装置における前記加工用工具と前記加工物の相対的な実送り速度を演算して前記実送り速度画像に変換する、請求項１に記載のＮＣデータ良否判定装置。
3. 前記ＮＣデータは、少なくとも前記加工用工具の工具軌跡のデータを含む、請求項１又は２に記載のＮＣデータ良否判定装置。
4. 前記工具軌跡は、点群又は線上に付される点群で表され、前記工具軌跡のデータは、前記点群の各点の座標値を含み、
   前記実送り速度画像は、前記点群の各点での前記実送り速度に対応する点の色又は色の濃淡で表示される、請求項３に記載のＮＣデータ良否判定装置。
5. 前記工具軌跡は、点群又は線上に付される点群で表され、前記工具軌跡のデータは、前記点群の各点の座標値を含み、
   前記実送り速度画像は、前記点群の各点での前記実送り速度に対応する点の大きさで表示される、請求項３に記載のＮＣデータ良否判定装置。
6. 前記工具軌跡は、複数の線分で表され、前記工具軌跡のデータは、前記の線分の開始点及び終了点の各座標値のデータを含み、
   前記実送り速度画像は、前記実送り速度に対応する前記線分の長さで表示される、請求項３に記載のＮＣデータ良否判定装置。
7. 前記モデル記憶部は、前記良否判定部で否と判定を下した前記工具軌跡の座標値を前記目的変数データとする訓練データセットに基づいて、前記機械学習により生成された学習済みモデルを記憶する、請求項３−６の何れか一項に記載のＮＣデータ良否判定装置。
8. 前記モデル記憶部は、３次元画像で表される前記実送り速度画像を所定の方向及び所定の倍率で見た場合の２次元画像で表される前記実送り速度画像、並びに、前記所定の方向及び前記所定の倍率を前記説明変数データとし、前記良否判定部で判定を下した前記２次元画像で表される実送り速度画像に対応するＮＣデータの良否に関するデータを前記目的変数データとする訓練データセットに基づいて、前記機械学習により生成された学習済みモデルを記憶する、請求項１−７の何れか一項に記載のＮＣデータ良否判定装置。
9. 前記良否判定部は、前記所定の方向を変化させて見た場合の各方向の２次元画像を前記新たな実送り速度画像として入力し、入力する全方向の前記新たな実送り速度画像に対応するＮＣデータに問題が無い場合のみ、前記新たな実送り速度画像に対応するＮＣデータを良と判定する、請求項８に記載のＮＣデータ良否判定装置。
10. 前記説明変数データは、前記加工物を表す３次元モデルデータを含み、前記３次元モデルデータにおける加工位置と前記実送り速度とが紐づいている、請求項１−９の何れか一項に記載のＮＣデータ良否判定装置。
11. 前記良否判定部は、前記ＮＣデータの良否を前記ＮＣデータに基づいて加工を行った場合の動作指令に起因する前記加工物の加工面不良の発生の有無で判定する、請求項１−１０の何れか一項に記載のＮＣデータ良否判定装置。
12. 前記ＮＣデータ良否判定装置は、さらに、
    前記良否判定部で否と判定された不良ＮＣデータを説明変数データとし、前記不良ＮＣデータに対して修正を加えて良と判定された修正ＮＣデータを目的変数データとする訓練データセットに基づいて、前記機械学習により生成された第２学習済みモデルを記憶する第２モデル記憶部と、
    前記第２モデル記憶部に記憶される前記第２学習済みモデルに対して新たな不良ＮＣデータを入力し、入力する前記新たな不良ＮＣデータに対して修正を加えて修正ＮＣデータを得るデータ修正部と、
    を備える、請求項１−１１の何れか一項に記載のＮＣデータ良否判定装置。
13. 請求項１−１２の何れか一項に記載のＮＣデータ良否判定装置を備え、
    前記ＮＣデータ良否判定装置で良と判定された前記ＮＣデータに基づいて、前記加工物の加工を行う、加工装置。

Images