JP2880569B2 - 加工条件自動作成機能を有する数値制御装置 - Google Patents
加工条件自動作成機能を有する数値制御装置Info
- Publication number
- JP2880569B2 JP2880569B2 JP2259222A JP25922290A JP2880569B2 JP 2880569 B2 JP2880569 B2 JP 2880569B2 JP 2259222 A JP2259222 A JP 2259222A JP 25922290 A JP25922290 A JP 25922290A JP 2880569 B2 JP2880569 B2 JP 2880569B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- data
- condition data
- processing
- coupling coefficient
- 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.)
- Expired - Fee Related
Links
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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
Landscapes
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Numerical Control (AREA)
Description
本発明は、加工条件データの自動作成機能を有した数
値制御装置に関する。
値制御装置に関する。
従来、例えば、数値制御研削盤を用いた研削加工にお
いて、工作物の仕上げ径、取代、部品種別等の固定条件
データから、粗研、精研、微研等の研削モード毎の工作
物の回転数、研削開始位置、研削送り速度、研削後送り
停止時間等の加工条件をコンピュータにより自動決定す
る装置が知られている。
いて、工作物の仕上げ径、取代、部品種別等の固定条件
データから、粗研、精研、微研等の研削モード毎の工作
物の回転数、研削開始位置、研削送り速度、研削後送り
停止時間等の加工条件をコンピュータにより自動決定す
る装置が知られている。
ところが、実際には、自動決定された加工条件データ
が、各種の固定条件データに対して、最適データとなら
ないことが経験的に知られている。 このような場合に、自動決定された加工条件データを
作業者が見て、適正でない場合には、その値を作業者の
経験や勘に基づいて補正したり、実際にその加工条件デ
ータで加工された加工結果を作業者が判断して、経験と
勘によりその加工条件データを補正していた。 固定条件データからどの加工条件データをどのように
補正すれば良いかとか、ある加工条件データで工作物を
加工した場合の加工結果から得られる加工誤差から、ど
の加工条件データをどのように補正すれば良いかは、作
業者の経験と勘によるものであり、必ずしも、いつも正
しい補正が行われるとは限らなかった。 このため、修正された加工条件データで工作物を加工
し、その加工結果に応じて、再度、加工条件データを修
正するという作業を何度も行う必要があった。 更に、折角、作業者が加工条件データを正しく補正し
ても、その時の加工条件データと固定条件データ又は加
工誤差データとの因果関係が、その後の加工条件データ
の補正に反映されないという問題があった。 このため、適正な加工条件データを作成するのに時間
がかかるという問題がある。 又、加工条件データを固定条件データや加工誤差デー
タによりどのように補正するかは、工作物の種類や加工
種類に応じて異なる。このため、数値制御装置に多様な
加工種類に対応する自動作成手段を設ける必要があり、
記憶装置の容量が膨大になるという問題がある。 本発明は、上記の課題を解決するために成されたもの
であり、その目的とするところは、多様な加工種類に対
して加工条件データの自動作成を可能とし、又、記憶容
量の効率化を図ることである。
が、各種の固定条件データに対して、最適データとなら
ないことが経験的に知られている。 このような場合に、自動決定された加工条件データを
作業者が見て、適正でない場合には、その値を作業者の
経験や勘に基づいて補正したり、実際にその加工条件デ
ータで加工された加工結果を作業者が判断して、経験と
勘によりその加工条件データを補正していた。 固定条件データからどの加工条件データをどのように
補正すれば良いかとか、ある加工条件データで工作物を
加工した場合の加工結果から得られる加工誤差から、ど
の加工条件データをどのように補正すれば良いかは、作
業者の経験と勘によるものであり、必ずしも、いつも正
しい補正が行われるとは限らなかった。 このため、修正された加工条件データで工作物を加工
し、その加工結果に応じて、再度、加工条件データを修
正するという作業を何度も行う必要があった。 更に、折角、作業者が加工条件データを正しく補正し
ても、その時の加工条件データと固定条件データ又は加
工誤差データとの因果関係が、その後の加工条件データ
の補正に反映されないという問題があった。 このため、適正な加工条件データを作成するのに時間
がかかるという問題がある。 又、加工条件データを固定条件データや加工誤差デー
タによりどのように補正するかは、工作物の種類や加工
種類に応じて異なる。このため、数値制御装置に多様な
加工種類に対応する自動作成手段を設ける必要があり、
記憶装置の容量が膨大になるという問題がある。 本発明は、上記の課題を解決するために成されたもの
であり、その目的とするところは、多様な加工種類に対
して加工条件データの自動作成を可能とし、又、記憶容
量の効率化を図ることである。
上記課題を解決するための発明の構成は、第12図に示
すように、加工種類に応じた構造のニューラルネットワ
ークの演算プログラム及び学習された結合係数データを
それぞれの加工種類に対応して記憶した記憶媒体から加
工に必要なニューラルネットワークの演算プログラム及
びそのニューラルネットワークの結合係数データのみを
選択的に入力する入力手段と、その演算プログラムを記
憶するニューラルネットワーク記憶手段と、その結合係
数データを記憶する結合係数データ記憶手段と、入力条
件データを記憶する入力条件データ記憶手段と、入力条
件データをニューラルネットワークに入力してニューラ
ルネットワークを起動し、加工条件データを求める制御
手段とを備えたことである。
すように、加工種類に応じた構造のニューラルネットワ
ークの演算プログラム及び学習された結合係数データを
それぞれの加工種類に対応して記憶した記憶媒体から加
工に必要なニューラルネットワークの演算プログラム及
びそのニューラルネットワークの結合係数データのみを
選択的に入力する入力手段と、その演算プログラムを記
憶するニューラルネットワーク記憶手段と、その結合係
数データを記憶する結合係数データ記憶手段と、入力条
件データを記憶する入力条件データ記憶手段と、入力条
件データをニューラルネットワークに入力してニューラ
ルネットワークを起動し、加工条件データを求める制御
手段とを備えたことである。
【作用】 現実の加工種類に応じたニューラルネットワークの演
算プログラムと結合係数データが、多数の加工種類に応
じてそれらを記憶した記憶媒体から選択的に入力され
る。そして、その入力された構造のニューラルネットワ
ークによって、入力条件データから加工条件データが決
定される。 尚、ニューラルネットワークへ入力される入力条件デ
ータは、工作物の仕上径や取代、工具回転数等の要求値
又は固定されたデータ（固定条件データ）と、加工条件
データを用いて実際に工作物を加工した時に、加工結果
と要求値との誤差（加工誤差データ）等である。 ニューラルネットワークの結合係数は既に学習された
ものが記憶媒体に記憶されている。従って、ユーザは新
規に学習させることなくそのニューラルネートワークを
用いることができる。 又、ユーザがそのニューラルネットワークを用いて加
工条件データの補正を行う時、そのデータが適正でない
場合が生じた場合には、それらのデータを用いてニュー
ラルネットワークの結合係数を補正することもできる。
又、その学習された結合係数を記憶媒体に出力して、記
憶されている結合係数データを更新することもできる。
算プログラムと結合係数データが、多数の加工種類に応
じてそれらを記憶した記憶媒体から選択的に入力され
る。そして、その入力された構造のニューラルネットワ
ークによって、入力条件データから加工条件データが決
定される。 尚、ニューラルネットワークへ入力される入力条件デ
ータは、工作物の仕上径や取代、工具回転数等の要求値
又は固定されたデータ（固定条件データ）と、加工条件
データを用いて実際に工作物を加工した時に、加工結果
と要求値との誤差（加工誤差データ）等である。 ニューラルネットワークの結合係数は既に学習された
ものが記憶媒体に記憶されている。従って、ユーザは新
規に学習させることなくそのニューラルネートワークを
用いることができる。 又、ユーザがそのニューラルネットワークを用いて加
工条件データの補正を行う時、そのデータが適正でない
場合が生じた場合には、それらのデータを用いてニュー
ラルネットワークの結合係数を補正することもできる。
又、その学習された結合係数を記憶媒体に出力して、記
憶されている結合係数データを更新することもできる。
以下、本発明を具体的な実施例に基づいて説明する。 （１）研削盤の構成 第１図は本発明に係る加工条件自動決定装置を有した
数値制御研削盤の全体の機械的構成を示した構成図であ
る。 50は研削盤であり、その研削盤50のベッド51の上に
は、そのベッド51に対して褶動するテーブル52が設けら
れている。テーブル52はテーブル送り用モータ53が駆動
されることにより図面の左右方向に移動される。又、テ
ーブル52の上には主軸台54と心押台56が配設されてお
り、主軸台54は主軸55を有し、心押台56は心押軸57を有
している。 工作物Ｗは主軸55及び心押軸57によって軸支され、主
軸55の回転によって回転される。この主軸55の回転は主
軸台54に配設された主軸モータ59によって行われる。 一方、工作物Ｗを研削する砥石車60は砥石台61に設け
られた砥石車駆動モータ62の駆動軸に軸支されている。
又、砥石台61は砥石台送り用モータ63によって図面の垂
直方向に移動制御される。 テーブル送り用モータ53、砥石台送り用モータ63、主
軸モータ59、砥石車駆動モータ62などを駆動制御するた
めに数値制御装置30が設けられている。 （２）数値制御装置の構成 数値制御装置30は主として、第２図に示したように、
CPU31とROM32とRAM33とIF（インタフェース）34とから
構成されている。 RAM33にはNCプログラムを記憶するNCデータ領域331と
仕上げ径、取代、剛性係数、部品種別、荒仕上分割、作
業者名等の固定条件データを記憶する固定条件データ領
域332と工作物回転数、研削開始位置、研削送り速度、
研削後送り停止時間等の加工条件データを記憶する加工
条件データ領域333とニューラルネットワークの演算プ
ログラムを記憶するニューラルネットワーク領域334と
ニューラルネットワークの結合係数を記憶する結合係数
領域335とが設けられている。その他、RAM33には要求さ
れる加工仕様から決定される加工結果の要求値の記憶さ
れた要求値領域336と自動決定された加工条件データの
基準値を記憶する基準値領域337とニューラルネットワ
ークで演算された加工条件データの補正量を記憶する補
正量領域338と加工結果データを記憶する加工結果デー
タ領域339と加工誤差データを記憶する加工誤差データ
領域340が形成されている。尚、RAM33はバッテリバック
アップされており、学習された結合係数が保存されるよ
うになっている。 又、ROM32にはNCデータに従って数値制御研削盤を作
動させるための制御プログラムを記憶した制御プログラ
ム領域321と加工条件データを決定するメイン自動決定
プログラムの記憶された自動決定プログラム領域322と
ニューラルネットワークの結合係数を学習させるプログ
ラムを記憶した学習プログラム領域323とが形成されて
いる。 又、数値制御装置30にはIF34を介して操作盤20が取り
付けられている。その操作盤20の操作パネル21上にはデ
ータの入力を行うキーボード22とデータの表示を行うCR
T表示装置23とが設けられている。 更に、数値制御装置30にはIF35を介してFD駆動装置36
が接続されており、記憶媒体であるFD（フレキシブルデ
ィスク）37はそのFD駆動装置36を介して読み書きされ
る。 （３）作動 次に、本実施例装置で使用されているCPU31の処理手
順を、フローチャートに基づいて説明する。 1.本装置の全体の概要的作動 本装置の全体の概要的作動を第11図を参照して説明す
る。 ステップS1では多数の加工種類に対応したニューラル
ネットワークの演算プログラムとその学習済の結合係数
データとを記憶したFD37aから、実際に加工条件データ
を求めるのに使用する第１のニューラルネートワークの
演算プログラムとその結合係数データがRAM33に読み込
まれる。 以下、第１のニューラルネットワークの演算プログラ
ムを条件適合エンジンとも言う。 ステップS2では、固定条件データがRAM33に入力され
る。 ステップS3では、固定条件データから加工条件データ
の基準値が自動決定される。 ステップS4では、固定条件データを入力とする第１の
ニューラルネットワークの演算プログラム（条件適合エ
ンジン）により加工条件データの補正量が演算される。 ステップS5では、補正量＋基準値により補正された加
工条件データがCRT23に表示される。 ステップS6では、その加工条件データを作業者の経験
と勘により判断して、適正かどうかが判断される。 適正でない場合には、ステップS7で、加工条件データ
が修正される。 又、ステップS8では、修正された補正量を教師信号と
して上記の第１のニューラルネットワークの結合係数が
学習される。 学習と加工条件データの演算が繰り返し行われること
で、ステップS6で、加工条件データは適正と判断され
る。尚、第１のニューラルネットワークは学習済の形態
で供給されているので、たいていの場合には、一度の演
算で、適正な加工条件データが得られる。 ステップS9では、その加工条件データを用いて工作物
が実際に加工される。 ステップS10では、工作物の仕上寸法等の加工結果が
測定され、その要求値との誤差を示す加工誤差データが
演算される。 ステップS11では、加工誤差データに対して評価が行
われ、適正であれば、ステップS12で加工完了となる。 又、加工結果が適正でない場合には、加工条件データ
を修正する必要がある。 ステップS13では、上記の加工誤差データがRAM33に入
力される。 ステップS14では、FD37bから加工種類に対応した第２
のニューラルネットワークの演算プログラムとその学習
済の結合係数がRAM33に入力される。その第２のニュー
ラルネットワークの演算プログラムは加工診断エンジン
ともいう。 ステップS15では、加工誤差データを入力とする第２
のニューラルネットワークが起動されて、加工条件デー
タの補正量が演算される。 ステップS16では、旧加工条件データ＋補正量にて新
加工条件データが演算され、新加工条件データによる加
工結果に対する影響が予測される。 ステップS17では、加工結果の予測結果から修正され
た加工条件データが評価される。 加工条件データが適正でない場合には、ステップS18
で、適正な補正量を教師信号として、第２のニューラル
ネットワークの結合係数が学習される。 学習と加工条件データの演算が繰り返し行われること
で、ステップS17で、加工条件データは適正と判断され
る。尚、第２のニューラルネットワークは学習済の形態
で供給されているので、たいていの場合には、一度の演
算で、適正な加工条件データが得られる。 そして、ステップS6に戻り、補正された加工条件デー
タにおいて、第２のニューラルネットワークによる補正
量が大きい場合には、ステップS8において、その加工条
件データの基準値に対する偏差を教師信号として、第１
のニューラルネットワークの結合係数も学習される。従
って、第１のニューラルネットワークの結合係数には第
２のニューラルネットワークによる補正量も学習が進行
するに連れて次第に加味されてくるので、学習が進行し
た状態では、第１のニューラルネットワークだけで、最
適な加工条件データを求めることが可能となる。即ち、
加工誤差データは次第に小さくなって行き、第２のニュ
ーラルネットワークによる補正量も次第に減少してい
く。 尚、実際の加工に際して上記のように学習された第１
及び第２のニューラルネットワークの結合係数データは
FD37a,37bに出力されて、FD37a,37bに記憶されている対
応する結合係数データが更新される。 上記のように本実施例では、条件適合エンジンと加工
診断エンジンとにより加工条件データが補正される。 2.ニューラルネットワークの演算プログラム及び結合係
数データの入力 第３図は、記憶媒体のFD37から所定のニューラルネッ
トワークの演算プログラム及び結合係数データを入力し
てRAM33に記憶するプログラムのフローチャートを示し
ている。 FD37には加工種類（例えば、エンジンのカムシャフト
の研削等）に応じた第１及び第２のニューラルネットワ
ークの演算プログラム及びそれらの学習済の結合係数が
多数記憶されている。 ステップ700では、全てのニューラルネットワーク名
称のリストがCRT23に表示される。 ステップ702において、そのリストを見て、作業者は
これから加工しようとする加工種類に対応する第１及び
第２のニューラルネットワーク（条件適合エンジン及び
加工診断エンジン）を選択する。 次に、ステップ704において、選択された２つのニュ
ーラルネットワークの演算プログラム及びそれらの結合
係数データが、それぞれ、FD37からRAM33のニューラル
ネットワーク領域334と結合係数領域335の所定領域に記
憶される。 3.固定条件データの入力 第４図は、固定条件データから加工条件データを自動
生成するメインプログラムのフローチャートである。 ステップ100では、キーボード22から入力される固定
条件データが読み取られ、RAM33の固定条件データ領域3
32に記憶される。本実施例では、固定条件データとして
は、仕上げ径データD1,取代データD2,剛性係数データ
D3,部品種別データD4,荒仕上分割データD5,A作業者名デ
ータD6,B作業者名データD7,C作業者名データD8である。 4.加工条件データの基準値の演算 次のステップ102では上記の固定条件データ（D1〜
D8）及び他の固定条件データから加工条件データの基準
値V1〜V11が演算される。 本実施例では、加工条件データとしては、粗研回転数
データK1,精研回転数データK2,微研回転数データK3,粗
研開始径データK4,精研開始径データK5,微研開始径デー
タK6,粗研送り速度データK7,精研送り速度データK8,微
研送り速度データK9,粗研後送り停止時間データK10,微
研後送り停止時間データK11とで構成されている。 この基準値の演算は次のようにして行われる。 各研削モード毎の回転数データについては、ある研削
時の砥石の周速に対して、工作物の周速が、要求される
工作物の表面あらさの関数で予め決定されている。指令
された工作物の表面あらさから、工作物の周速が演算さ
れ、この工作物の周速と工作物の直径とにより工作物の
回転数データが演算される。 各研削モードの送り速度データについては、砥石車の
工作物の１回転当たりの切込量が寸法公差の関数として
予め決定されている。各研削モードの指令された寸法公
差から切込量が演算され、回転数データとから研削送り
速度データが演算される。 各研削モードの研削開始径データは、各研削モード毎
に標準の送り量が設定されており、指令された仕上げ径
とこの送り量との関係により演算される。 研削後送り停止時間データについては、定寸研削か否
かにより、又、工程を分割して研削するか否かにより、
送りを停止させる工作物の回転数が決定される。固定条
件データから、送り停止回転数が決定され、回転数デー
タを用いて、送り停止時間が演算される。 5.第１のニューラルネットワーク（条件適合エンジン）
の構成及び作動 次に、第４図のステップ104において、第１のニュー
ラルネットワークを起動して、固定条件データD1〜D8を
入力して、各加工条件データ（K1〜K11）の各補正量δ
１〜δ11が演算される。 第１のニューラルネットワークは第５図に示す構成の
ものである。本実施例では、ニューラルネットワーク
は、入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力▲Ｏi j▼は、次式で計
算される。但し、ｉ≧２である。 ▲Ｏi j▼＝ｆ（▲Ｉi j▼） ……（１） ｆ（ｘ）＝1/｛１＋exp（−ｘ）｝ ……（３） 但し、▲Ｖi j▼は第ｉ層の第ｊ番目の演算素子のバイ
アス、▲Ｗi-1,i k,j▼は、第ｉ−１層の第ｋ番目の素子
と第ｉ層の第ｊ番目の素子間の結合係数、▲Ｏ1 j▼は第
１層の第ｊ番目の素子の出力値を表す。即ち、第１層で
あるから演算を行うことなく、そのまま入力を出力する
ので、入力層（第１層）の第ｊ番目の素子の入力値でも
ある。従って、 ▲Ｏ1 j▼＝Dj ……（４） 但し、Djは入力層のｊ番目の素子に入力される固定条
件データである。 ニューラルネットワークの具体的な演算は第６図に示
す手順で実行される。 ステップ200において、中間層（第２層）の各素子に
は、入力層（第１層）の各素子からの出力値D1〜D8を入
力して、次式の積和演算が行われる。 第２層の第ｊ番目の素子に関しては次式で演算され
る。本実施例ではバイアスは零である。 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 ▲Ｏ2 j▼＝ｆ（▲Ｉ2 j▼）＝1/｛１＋exp（−▲Ｉ
2 j▼）｝ ……（６） この出力値▲Ｏ2 j▼は出力層（第３層）の各素子の入
力値となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの補正量δｊとな
る。 即ち、補正量δｊは次式で求められる。 δｊ＝ｆ（▲Ｉ3 j▼）＝1/｛１＋exp（▲−Ｉ
3 j▼）｝ ……（８） 6.加工条件データの演算 第４図のステップ106に戻り、ステップ102で求められ
た加工条件データの基準値V1〜V11とステップ104で求め
られた補正量δ１〜δ11との和により、加工条件データ
K1〜K11が求められる。その加工条件データK1〜K11は、
RAM33の加工条件データ領域333に記憶される。 次に、ステップ108で、その加工条件データK1〜K11が
CRT23に表示され、作業者はその表示結果をみて、必要
ならば、修正値をキーボード22から入力し、その値は加
工条件データ領域333に記憶される。 次に、ステップ110において、その加工条件データK1
〜K11を用いてNCデータが演算され、演算されたNCデー
タはRAM33のNCデータ領域331に記憶される。 7.加工誤差データの生成 次に、このNCデータに従って、工作物が試し加工され
る。工作物の加工結果が測定され、加工結果データが得
られる。加工結果データは、例えば、全研削時間、仕上
表面粗さ，仕上寸法精度，仕上真円度，焼け又は割れの
程度、びびりの程度等である。 次に、これらの測定された加工結果データから加工条
件データを修正する手順について説明する。 第７図のステップ500において、上記の測定された加
工結果データが作業者によりキーボード22から入力さ
れ、その入力値はRAM33の加工結果データ領域339に記憶
される。 次に、ステップ502において、加工結果の要求値が同
様に入力され、その値はRAM33の要求値領域336に記憶さ
れる。 次に、ステップ504において、加工結果データの要求
値に対する偏差である加工誤差データが演算され、これ
らのデータはRAM33の加工誤差データ領域340に記憶され
る。 加工誤差データは、全研削時間誤差H1,仕上表面粗さ
誤差H2,仕上寸法誤差H3,仕上真円度誤差H4,焼け又は割
れの程度誤差H5,びびりの程度誤差H6等である。 8.第２ニューラルネットワーク（加工診断エンジン） 次に、ステップ506において、第２のニューラルネッ
トワークの入力層の対応する各素子に加工誤差データ領
域340に記憶されている加工誤差データ（H1〜H6）を入
力させて、第２のニューラルネットワークを起動する。 そして、ステップ508において、第２のニューラルネ
ットワークの出力である加工条件データの補正量（δ１
〜δ11）は、RAM33の補正量領域338に記憶される。 この第２のニューラルネットワークは第８図に示す構
成のものである。本実施例では、第２のニューラルネッ
トワークは、入力層と中間層と出力層との３層構造であ
る。 この第２のニューラルネットワークの各素子の演算機
能は、上記の第１のニューラルネットワークの演算機能
と完全に同一である。 次に、ステップ510において、各旧加工条件データ（K
1〜k11）は補正量（δ１〜δ11）が加算されて修正され
た新加工条件データ（K1〜k11）が求められる。それら
のデータはRAM33の加工条件データ領域333の内容を書き
換えて記憶される。 以上のように、本実施例では、加工条件データの基準
値が第１のニューラルネットワークにより補正され、更
に、第２のニューラルネットワークを用いて、加工誤差
の考慮された補正が行われる。従って、より正確な加工
条件データが求められる。 更に、第１のニューラルネットワークの学習を、第２
のニューラルネットワークによる補正量が大きい場合に
も、行うことで、学習の進行に連れて、第１のニューラ
ルネットワークだけで、適性な加工条件データの補正量
を決定することができる。即ち、第１のニューラルネッ
トワークの学習が進行すれば、第２のニューラルネット
ワークによる補正量が少なくなり、試し加工等を必要と
することなく、加工条件データを求めることが可能とな
る。 9.第１のニューラルネットワークの学習 次に、上記の第１のニューラルネットワークの結合係
数の学習手順について説明する。 次に、このニューラルネットワークの結合係数の学習
方法について説明する。結合係数は第５図に示すニュー
ラルネットワークにつき、良く知られたバックプロパー
ゲーション法により実行される。 この学習は、既に学習済の結合係数について、更に、
使用時に学習させる必要が生じた時に実行される。即
ち、第１のニューラルネットワークの出力する補正量が
適性でない場合と、第１のニューラルネットワークで補
正された加工条件データで加工した時に加工誤差が大き
くなった時、換言すれば、第２のニューラルネットワー
クの出力する補正量が大きい場合である。 第９図のステップ600において、次式により出力層の
各素子の学習信号が演算される。 ▲Ｙ3 j▼＝（Tj−δｊ）・ｆ′（▲Ｉ3 j▼） ……（９） 但し、Tjは出力である補正量δｊに対する教師信号で
あり、ｆ′（ｘ）はシグモイド関数の導関数である。 次に、ステップ602において、中間層の学習信号が次
式で演算される。 次に、ステップ604において、出力層の各素子の結合
係数が補正される。 補正量は次式で求められる。 ▲Δω2,3 i,j▼(t)=P・▲Ｙ3 j▼・f(▲Ｉ2 i▼)+Q・▲Δ
ω2,3 i,j▼(t-1) ……（11） 但し、▲Δω2,3 i,j▼（ｔ）は、出力層の第ｊ番目の
素子と中間層の第ｉ番目の素子との間の結合係数の第ｔ
回目演算の変化量である。 又、▲Δω2,3 i,j▼（ｔ−１）は、その結合係数の前
回の補正量である。P,Qは比例定数である。 よって、結合係数は、 ▲Ｗ2,3 i,j▼＋▲Δω2,3 i,j▼（ｔ）→▲Ｗ2,3 i,j▼ ……（12） により、補正された結合係数が求められる。 次に、ステップ606へ移行して、中間層の各素の結合
係数が補正される。 その結合係数の補正量は出力層の場合と同様に、次式
で求められる。 ▲Δω1,2 i,j▼(t)=P・▲Ｙ2 j▼・f(▲Ｉ1 i▼)+Q・▲Δ
ω1,2 i,j▼(t-1) ……（13） よって、結合係数は、 ▲Ｗ1,2 i,j▼＋▲Δω1,2 i,j▼（ｔ）→▲Ｗ1,2 i,j▼ ……（14） により、補正された結合係数が求められる。 次に、ステップ608において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。 結合係数が収束していなければ、ステップ600に戻
り、新たに補正された結合係数を用いて、同様な演算が
繰り返され、結合係数が再度補正される。このような演
算の繰り返しにより、ある教師信号に対する学習が完了
する。 10.第２のニューラルネットワークの学習 加工誤差データを入力とする第２のニューラルネット
ワークについても、出力である加工条件データの補正量
が適正でない場合に、その補正量に対する教師信号を用
いて、必要に応じて、学習が行われる。 11.学習された結合係数データの退避 第10図のステップ800で示すように、RAM33の結合係数
領域335に記憶されている第１及び第２のニューラルネ
ットワークの結合係数データは、FD37において、その結
合係数データが記憶されていた領域を書き換えて、最新
に学習された結合係数データが保存される。これによ
り、次回に同一種類の加工を行う場合に、正確な加工条
件データが迅速に生成されることになり、更に、使い勝
手の良いニューラルネットワークとなる。 上記の実施例では、加工に必要なニューラルネットワ
ークの演算プログラム及びその結合係数データをFD37か
ら入力するようにしているが、通信回線を介してメイン
コンピュータから数値制御装置に入力するようにしても
良い。即ち、マシニングセンタ、通信回線で親コンピュ
ータに接続された数値制御装置にも応用できる。
数値制御研削盤の全体の機械的構成を示した構成図であ
る。 50は研削盤であり、その研削盤50のベッド51の上に
は、そのベッド51に対して褶動するテーブル52が設けら
れている。テーブル52はテーブル送り用モータ53が駆動
されることにより図面の左右方向に移動される。又、テ
ーブル52の上には主軸台54と心押台56が配設されてお
り、主軸台54は主軸55を有し、心押台56は心押軸57を有
している。 工作物Ｗは主軸55及び心押軸57によって軸支され、主
軸55の回転によって回転される。この主軸55の回転は主
軸台54に配設された主軸モータ59によって行われる。 一方、工作物Ｗを研削する砥石車60は砥石台61に設け
られた砥石車駆動モータ62の駆動軸に軸支されている。
又、砥石台61は砥石台送り用モータ63によって図面の垂
直方向に移動制御される。 テーブル送り用モータ53、砥石台送り用モータ63、主
軸モータ59、砥石車駆動モータ62などを駆動制御するた
めに数値制御装置30が設けられている。 （２）数値制御装置の構成 数値制御装置30は主として、第２図に示したように、
CPU31とROM32とRAM33とIF（インタフェース）34とから
構成されている。 RAM33にはNCプログラムを記憶するNCデータ領域331と
仕上げ径、取代、剛性係数、部品種別、荒仕上分割、作
業者名等の固定条件データを記憶する固定条件データ領
域332と工作物回転数、研削開始位置、研削送り速度、
研削後送り停止時間等の加工条件データを記憶する加工
条件データ領域333とニューラルネットワークの演算プ
ログラムを記憶するニューラルネットワーク領域334と
ニューラルネットワークの結合係数を記憶する結合係数
領域335とが設けられている。その他、RAM33には要求さ
れる加工仕様から決定される加工結果の要求値の記憶さ
れた要求値領域336と自動決定された加工条件データの
基準値を記憶する基準値領域337とニューラルネットワ
ークで演算された加工条件データの補正量を記憶する補
正量領域338と加工結果データを記憶する加工結果デー
タ領域339と加工誤差データを記憶する加工誤差データ
領域340が形成されている。尚、RAM33はバッテリバック
アップされており、学習された結合係数が保存されるよ
うになっている。 又、ROM32にはNCデータに従って数値制御研削盤を作
動させるための制御プログラムを記憶した制御プログラ
ム領域321と加工条件データを決定するメイン自動決定
プログラムの記憶された自動決定プログラム領域322と
ニューラルネットワークの結合係数を学習させるプログ
ラムを記憶した学習プログラム領域323とが形成されて
いる。 又、数値制御装置30にはIF34を介して操作盤20が取り
付けられている。その操作盤20の操作パネル21上にはデ
ータの入力を行うキーボード22とデータの表示を行うCR
T表示装置23とが設けられている。 更に、数値制御装置30にはIF35を介してFD駆動装置36
が接続されており、記憶媒体であるFD（フレキシブルデ
ィスク）37はそのFD駆動装置36を介して読み書きされ
る。 （３）作動 次に、本実施例装置で使用されているCPU31の処理手
順を、フローチャートに基づいて説明する。 1.本装置の全体の概要的作動 本装置の全体の概要的作動を第11図を参照して説明す
る。 ステップS1では多数の加工種類に対応したニューラル
ネットワークの演算プログラムとその学習済の結合係数
データとを記憶したFD37aから、実際に加工条件データ
を求めるのに使用する第１のニューラルネートワークの
演算プログラムとその結合係数データがRAM33に読み込
まれる。 以下、第１のニューラルネットワークの演算プログラ
ムを条件適合エンジンとも言う。 ステップS2では、固定条件データがRAM33に入力され
る。 ステップS3では、固定条件データから加工条件データ
の基準値が自動決定される。 ステップS4では、固定条件データを入力とする第１の
ニューラルネットワークの演算プログラム（条件適合エ
ンジン）により加工条件データの補正量が演算される。 ステップS5では、補正量＋基準値により補正された加
工条件データがCRT23に表示される。 ステップS6では、その加工条件データを作業者の経験
と勘により判断して、適正かどうかが判断される。 適正でない場合には、ステップS7で、加工条件データ
が修正される。 又、ステップS8では、修正された補正量を教師信号と
して上記の第１のニューラルネットワークの結合係数が
学習される。 学習と加工条件データの演算が繰り返し行われること
で、ステップS6で、加工条件データは適正と判断され
る。尚、第１のニューラルネットワークは学習済の形態
で供給されているので、たいていの場合には、一度の演
算で、適正な加工条件データが得られる。 ステップS9では、その加工条件データを用いて工作物
が実際に加工される。 ステップS10では、工作物の仕上寸法等の加工結果が
測定され、その要求値との誤差を示す加工誤差データが
演算される。 ステップS11では、加工誤差データに対して評価が行
われ、適正であれば、ステップS12で加工完了となる。 又、加工結果が適正でない場合には、加工条件データ
を修正する必要がある。 ステップS13では、上記の加工誤差データがRAM33に入
力される。 ステップS14では、FD37bから加工種類に対応した第２
のニューラルネットワークの演算プログラムとその学習
済の結合係数がRAM33に入力される。その第２のニュー
ラルネットワークの演算プログラムは加工診断エンジン
ともいう。 ステップS15では、加工誤差データを入力とする第２
のニューラルネットワークが起動されて、加工条件デー
タの補正量が演算される。 ステップS16では、旧加工条件データ＋補正量にて新
加工条件データが演算され、新加工条件データによる加
工結果に対する影響が予測される。 ステップS17では、加工結果の予測結果から修正され
た加工条件データが評価される。 加工条件データが適正でない場合には、ステップS18
で、適正な補正量を教師信号として、第２のニューラル
ネットワークの結合係数が学習される。 学習と加工条件データの演算が繰り返し行われること
で、ステップS17で、加工条件データは適正と判断され
る。尚、第２のニューラルネットワークは学習済の形態
で供給されているので、たいていの場合には、一度の演
算で、適正な加工条件データが得られる。 そして、ステップS6に戻り、補正された加工条件デー
タにおいて、第２のニューラルネットワークによる補正
量が大きい場合には、ステップS8において、その加工条
件データの基準値に対する偏差を教師信号として、第１
のニューラルネットワークの結合係数も学習される。従
って、第１のニューラルネットワークの結合係数には第
２のニューラルネットワークによる補正量も学習が進行
するに連れて次第に加味されてくるので、学習が進行し
た状態では、第１のニューラルネットワークだけで、最
適な加工条件データを求めることが可能となる。即ち、
加工誤差データは次第に小さくなって行き、第２のニュ
ーラルネットワークによる補正量も次第に減少してい
く。 尚、実際の加工に際して上記のように学習された第１
及び第２のニューラルネットワークの結合係数データは
FD37a,37bに出力されて、FD37a,37bに記憶されている対
応する結合係数データが更新される。 上記のように本実施例では、条件適合エンジンと加工
診断エンジンとにより加工条件データが補正される。 2.ニューラルネットワークの演算プログラム及び結合係
数データの入力 第３図は、記憶媒体のFD37から所定のニューラルネッ
トワークの演算プログラム及び結合係数データを入力し
てRAM33に記憶するプログラムのフローチャートを示し
ている。 FD37には加工種類（例えば、エンジンのカムシャフト
の研削等）に応じた第１及び第２のニューラルネットワ
ークの演算プログラム及びそれらの学習済の結合係数が
多数記憶されている。 ステップ700では、全てのニューラルネットワーク名
称のリストがCRT23に表示される。 ステップ702において、そのリストを見て、作業者は
これから加工しようとする加工種類に対応する第１及び
第２のニューラルネットワーク（条件適合エンジン及び
加工診断エンジン）を選択する。 次に、ステップ704において、選択された２つのニュ
ーラルネットワークの演算プログラム及びそれらの結合
係数データが、それぞれ、FD37からRAM33のニューラル
ネットワーク領域334と結合係数領域335の所定領域に記
憶される。 3.固定条件データの入力 第４図は、固定条件データから加工条件データを自動
生成するメインプログラムのフローチャートである。 ステップ100では、キーボード22から入力される固定
条件データが読み取られ、RAM33の固定条件データ領域3
32に記憶される。本実施例では、固定条件データとして
は、仕上げ径データD1,取代データD2,剛性係数データ
D3,部品種別データD4,荒仕上分割データD5,A作業者名デ
ータD6,B作業者名データD7,C作業者名データD8である。 4.加工条件データの基準値の演算 次のステップ102では上記の固定条件データ（D1〜
D8）及び他の固定条件データから加工条件データの基準
値V1〜V11が演算される。 本実施例では、加工条件データとしては、粗研回転数
データK1,精研回転数データK2,微研回転数データK3,粗
研開始径データK4,精研開始径データK5,微研開始径デー
タK6,粗研送り速度データK7,精研送り速度データK8,微
研送り速度データK9,粗研後送り停止時間データK10,微
研後送り停止時間データK11とで構成されている。 この基準値の演算は次のようにして行われる。 各研削モード毎の回転数データについては、ある研削
時の砥石の周速に対して、工作物の周速が、要求される
工作物の表面あらさの関数で予め決定されている。指令
された工作物の表面あらさから、工作物の周速が演算さ
れ、この工作物の周速と工作物の直径とにより工作物の
回転数データが演算される。 各研削モードの送り速度データについては、砥石車の
工作物の１回転当たりの切込量が寸法公差の関数として
予め決定されている。各研削モードの指令された寸法公
差から切込量が演算され、回転数データとから研削送り
速度データが演算される。 各研削モードの研削開始径データは、各研削モード毎
に標準の送り量が設定されており、指令された仕上げ径
とこの送り量との関係により演算される。 研削後送り停止時間データについては、定寸研削か否
かにより、又、工程を分割して研削するか否かにより、
送りを停止させる工作物の回転数が決定される。固定条
件データから、送り停止回転数が決定され、回転数デー
タを用いて、送り停止時間が演算される。 5.第１のニューラルネットワーク（条件適合エンジン）
の構成及び作動 次に、第４図のステップ104において、第１のニュー
ラルネットワークを起動して、固定条件データD1〜D8を
入力して、各加工条件データ（K1〜K11）の各補正量δ
１〜δ11が演算される。 第１のニューラルネットワークは第５図に示す構成の
ものである。本実施例では、ニューラルネットワーク
は、入力層と中間層と出力層との３層構造である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力▲Ｏi j▼は、次式で計
算される。但し、ｉ≧２である。 ▲Ｏi j▼＝ｆ（▲Ｉi j▼） ……（１） ｆ（ｘ）＝1/｛１＋exp（−ｘ）｝ ……（３） 但し、▲Ｖi j▼は第ｉ層の第ｊ番目の演算素子のバイ
アス、▲Ｗi-1,i k,j▼は、第ｉ−１層の第ｋ番目の素子
と第ｉ層の第ｊ番目の素子間の結合係数、▲Ｏ1 j▼は第
１層の第ｊ番目の素子の出力値を表す。即ち、第１層で
あるから演算を行うことなく、そのまま入力を出力する
ので、入力層（第１層）の第ｊ番目の素子の入力値でも
ある。従って、 ▲Ｏ1 j▼＝Dj ……（４） 但し、Djは入力層のｊ番目の素子に入力される固定条
件データである。 ニューラルネットワークの具体的な演算は第６図に示
す手順で実行される。 ステップ200において、中間層（第２層）の各素子に
は、入力層（第１層）の各素子からの出力値D1〜D8を入
力して、次式の積和演算が行われる。 第２層の第ｊ番目の素子に関しては次式で演算され
る。本実施例ではバイアスは零である。 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 ▲Ｏ2 j▼＝ｆ（▲Ｉ2 j▼）＝1/｛１＋exp（−▲Ｉ
2 j▼）｝ ……（６） この出力値▲Ｏ2 j▼は出力層（第３層）の各素子の入
力値となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの補正量δｊとな
る。 即ち、補正量δｊは次式で求められる。 δｊ＝ｆ（▲Ｉ3 j▼）＝1/｛１＋exp（▲−Ｉ
3 j▼）｝ ……（８） 6.加工条件データの演算 第４図のステップ106に戻り、ステップ102で求められ
た加工条件データの基準値V1〜V11とステップ104で求め
られた補正量δ１〜δ11との和により、加工条件データ
K1〜K11が求められる。その加工条件データK1〜K11は、
RAM33の加工条件データ領域333に記憶される。 次に、ステップ108で、その加工条件データK1〜K11が
CRT23に表示され、作業者はその表示結果をみて、必要
ならば、修正値をキーボード22から入力し、その値は加
工条件データ領域333に記憶される。 次に、ステップ110において、その加工条件データK1
〜K11を用いてNCデータが演算され、演算されたNCデー
タはRAM33のNCデータ領域331に記憶される。 7.加工誤差データの生成 次に、このNCデータに従って、工作物が試し加工され
る。工作物の加工結果が測定され、加工結果データが得
られる。加工結果データは、例えば、全研削時間、仕上
表面粗さ，仕上寸法精度，仕上真円度，焼け又は割れの
程度、びびりの程度等である。 次に、これらの測定された加工結果データから加工条
件データを修正する手順について説明する。 第７図のステップ500において、上記の測定された加
工結果データが作業者によりキーボード22から入力さ
れ、その入力値はRAM33の加工結果データ領域339に記憶
される。 次に、ステップ502において、加工結果の要求値が同
様に入力され、その値はRAM33の要求値領域336に記憶さ
れる。 次に、ステップ504において、加工結果データの要求
値に対する偏差である加工誤差データが演算され、これ
らのデータはRAM33の加工誤差データ領域340に記憶され
る。 加工誤差データは、全研削時間誤差H1,仕上表面粗さ
誤差H2,仕上寸法誤差H3,仕上真円度誤差H4,焼け又は割
れの程度誤差H5,びびりの程度誤差H6等である。 8.第２ニューラルネットワーク（加工診断エンジン） 次に、ステップ506において、第２のニューラルネッ
トワークの入力層の対応する各素子に加工誤差データ領
域340に記憶されている加工誤差データ（H1〜H6）を入
力させて、第２のニューラルネットワークを起動する。 そして、ステップ508において、第２のニューラルネ
ットワークの出力である加工条件データの補正量（δ１
〜δ11）は、RAM33の補正量領域338に記憶される。 この第２のニューラルネットワークは第８図に示す構
成のものである。本実施例では、第２のニューラルネッ
トワークは、入力層と中間層と出力層との３層構造であ
る。 この第２のニューラルネットワークの各素子の演算機
能は、上記の第１のニューラルネットワークの演算機能
と完全に同一である。 次に、ステップ510において、各旧加工条件データ（K
1〜k11）は補正量（δ１〜δ11）が加算されて修正され
た新加工条件データ（K1〜k11）が求められる。それら
のデータはRAM33の加工条件データ領域333の内容を書き
換えて記憶される。 以上のように、本実施例では、加工条件データの基準
値が第１のニューラルネットワークにより補正され、更
に、第２のニューラルネットワークを用いて、加工誤差
の考慮された補正が行われる。従って、より正確な加工
条件データが求められる。 更に、第１のニューラルネットワークの学習を、第２
のニューラルネットワークによる補正量が大きい場合に
も、行うことで、学習の進行に連れて、第１のニューラ
ルネットワークだけで、適性な加工条件データの補正量
を決定することができる。即ち、第１のニューラルネッ
トワークの学習が進行すれば、第２のニューラルネット
ワークによる補正量が少なくなり、試し加工等を必要と
することなく、加工条件データを求めることが可能とな
る。 9.第１のニューラルネットワークの学習 次に、上記の第１のニューラルネットワークの結合係
数の学習手順について説明する。 次に、このニューラルネットワークの結合係数の学習
方法について説明する。結合係数は第５図に示すニュー
ラルネットワークにつき、良く知られたバックプロパー
ゲーション法により実行される。 この学習は、既に学習済の結合係数について、更に、
使用時に学習させる必要が生じた時に実行される。即
ち、第１のニューラルネットワークの出力する補正量が
適性でない場合と、第１のニューラルネットワークで補
正された加工条件データで加工した時に加工誤差が大き
くなった時、換言すれば、第２のニューラルネットワー
クの出力する補正量が大きい場合である。 第９図のステップ600において、次式により出力層の
各素子の学習信号が演算される。 ▲Ｙ3 j▼＝（Tj−δｊ）・ｆ′（▲Ｉ3 j▼） ……（９） 但し、Tjは出力である補正量δｊに対する教師信号で
あり、ｆ′（ｘ）はシグモイド関数の導関数である。 次に、ステップ602において、中間層の学習信号が次
式で演算される。 次に、ステップ604において、出力層の各素子の結合
係数が補正される。 補正量は次式で求められる。 ▲Δω2,3 i,j▼(t)=P・▲Ｙ3 j▼・f(▲Ｉ2 i▼)+Q・▲Δ
ω2,3 i,j▼(t-1) ……（11） 但し、▲Δω2,3 i,j▼（ｔ）は、出力層の第ｊ番目の
素子と中間層の第ｉ番目の素子との間の結合係数の第ｔ
回目演算の変化量である。 又、▲Δω2,3 i,j▼（ｔ−１）は、その結合係数の前
回の補正量である。P,Qは比例定数である。 よって、結合係数は、 ▲Ｗ2,3 i,j▼＋▲Δω2,3 i,j▼（ｔ）→▲Ｗ2,3 i,j▼ ……（12） により、補正された結合係数が求められる。 次に、ステップ606へ移行して、中間層の各素の結合
係数が補正される。 その結合係数の補正量は出力層の場合と同様に、次式
で求められる。 ▲Δω1,2 i,j▼(t)=P・▲Ｙ2 j▼・f(▲Ｉ1 i▼)+Q・▲Δ
ω1,2 i,j▼(t-1) ……（13） よって、結合係数は、 ▲Ｗ1,2 i,j▼＋▲Δω1,2 i,j▼（ｔ）→▲Ｗ1,2 i,j▼ ……（14） により、補正された結合係数が求められる。 次に、ステップ608において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。 結合係数が収束していなければ、ステップ600に戻
り、新たに補正された結合係数を用いて、同様な演算が
繰り返され、結合係数が再度補正される。このような演
算の繰り返しにより、ある教師信号に対する学習が完了
する。 10.第２のニューラルネットワークの学習 加工誤差データを入力とする第２のニューラルネット
ワークについても、出力である加工条件データの補正量
が適正でない場合に、その補正量に対する教師信号を用
いて、必要に応じて、学習が行われる。 11.学習された結合係数データの退避 第10図のステップ800で示すように、RAM33の結合係数
領域335に記憶されている第１及び第２のニューラルネ
ットワークの結合係数データは、FD37において、その結
合係数データが記憶されていた領域を書き換えて、最新
に学習された結合係数データが保存される。これによ
り、次回に同一種類の加工を行う場合に、正確な加工条
件データが迅速に生成されることになり、更に、使い勝
手の良いニューラルネットワークとなる。 上記の実施例では、加工に必要なニューラルネットワ
ークの演算プログラム及びその結合係数データをFD37か
ら入力するようにしているが、通信回線を介してメイン
コンピュータから数値制御装置に入力するようにしても
良い。即ち、マシニングセンタ、通信回線で親コンピュ
ータに接続された数値制御装置にも応用できる。
本発明は、現実の加工種類に応じたニューラルネット
ワークの演算プログラムと結合係数データを、多数の加
工種類に応じてそれらを記憶した記憶媒体から選択的に
入力して、そのニューラルネットワークを用いて、加工
条件データを求めるようにしている。従って、多様な加
工種類にも、数値制御装置の記憶容量を増加させること
なく、正確な加工条件データを求めることが可能とな
る。又、ニューラルネットワークは加工種類に対応した
最適な構造に設計できるので、加工条件データの補正が
より正確に迅速に行われる。又、本発明は、記憶媒体に
より、加工種類に応じた多くの既に学習済のニューラル
ネットワークライブラリーが供給されるので、ユーザは
初期学習をさせる必要がない一方、実際の使用時におい
て、学習させた結果は記憶媒体に保存できるので、使い
勝手の極めて優れたシステムとなる。
ワークの演算プログラムと結合係数データを、多数の加
工種類に応じてそれらを記憶した記憶媒体から選択的に
入力して、そのニューラルネットワークを用いて、加工
条件データを求めるようにしている。従って、多様な加
工種類にも、数値制御装置の記憶容量を増加させること
なく、正確な加工条件データを求めることが可能とな
る。又、ニューラルネットワークは加工種類に対応した
最適な構造に設計できるので、加工条件データの補正が
より正確に迅速に行われる。又、本発明は、記憶媒体に
より、加工種類に応じた多くの既に学習済のニューラル
ネットワークライブラリーが供給されるので、ユーザは
初期学習をさせる必要がない一方、実際の使用時におい
て、学習させた結果は記憶媒体に保存できるので、使い
勝手の極めて優れたシステムとなる。
第１図は本発明の具体的な一実施例に係る加工条件自動
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。第２図は同実施例装置に係る数値制御装
置及び操作盤の電気的構成を示したブロックダイヤグラ
ム。第３図は同実施例装置で使用されているCPUによる
ニューラルネットワークの演算プログラム及びその結合
係数データを入力する手順を示したフローチャート。第
４図は同実施例装置で使用されているCPUによる加工条
件データの演算手順を示したフローチャート。第５図は
同実施例に係る第１のニューラルネットワークの構造を
示した構造図。第６図はその第１のニューラルネットワ
ークによる演算手順を示したフローチャート。第７図は
同実施例装置で使用されているCPUによる加工誤差デー
タに基づく加工条件データの補正手順を示したフローチ
ャート。第８図は第２のニューラルネットワークの構造
を示した構造図。第９図は第１のニューラルネットワー
クの学習手順を示したフローチャート。第10図は同実施
例装置で使用されているCPUによる学習された結合係数
データを記憶媒体に保存する手順を示したフローチャー
ト。第11図は本装置の全体の作動概念を示したフローチ
ャート。第12図は本発明の概念を示したブロックダイヤ
グラムである。 20……操作盤、21……操作パネル 22……キーボード、23……CRT表示装置 30……数値制御装置、31……CPU 32……ROM、33……RAM、50……研削盤 51……ベッド、52……テーブル 53……テーブル送り用モータ、54……主軸台 55……主軸、56……心押台、57……心押軸 59……主軸モータ、60……砥石車、61……砥石台 62……砥石車駆動モータ 63……砥石台送り用モータ、Ｗ……工作物
決定装置を有した数値制御研削盤の全体の機械的構成を
示した構成図。第２図は同実施例装置に係る数値制御装
置及び操作盤の電気的構成を示したブロックダイヤグラ
ム。第３図は同実施例装置で使用されているCPUによる
ニューラルネットワークの演算プログラム及びその結合
係数データを入力する手順を示したフローチャート。第
４図は同実施例装置で使用されているCPUによる加工条
件データの演算手順を示したフローチャート。第５図は
同実施例に係る第１のニューラルネットワークの構造を
示した構造図。第６図はその第１のニューラルネットワ
ークによる演算手順を示したフローチャート。第７図は
同実施例装置で使用されているCPUによる加工誤差デー
タに基づく加工条件データの補正手順を示したフローチ
ャート。第８図は第２のニューラルネットワークの構造
を示した構造図。第９図は第１のニューラルネットワー
クの学習手順を示したフローチャート。第10図は同実施
例装置で使用されているCPUによる学習された結合係数
データを記憶媒体に保存する手順を示したフローチャー
ト。第11図は本装置の全体の作動概念を示したフローチ
ャート。第12図は本発明の概念を示したブロックダイヤ
グラムである。 20……操作盤、21……操作パネル 22……キーボード、23……CRT表示装置 30……数値制御装置、31……CPU 32……ROM、33……RAM、50……研削盤 51……ベッド、52……テーブル 53……テーブル送り用モータ、54……主軸台 55……主軸、56……心押台、57……心押軸 59……主軸モータ、60……砥石車、61……砥石台 62……砥石車駆動モータ 63……砥石台送り用モータ、Ｗ……工作物
フロントページの続き (56)参考文献 特開 平３−49845（ＪＰ，Ａ) 特開 平３−49846（ＪＰ，Ａ) 特開 平２−95543（ＪＰ，Ａ) 特開 平１−188249（ＪＰ，Ａ) 特開 平２−64735（ＪＰ，Ａ) (58)調査した分野(Int.Cl.6，ＤＢ名) G05B 19/18 G05B 13/02
Claims (1)
- 【請求項１】加工状態を制御するための加工条件データ
の自動作成機能を有する数値制御装置において、 加工種類に応じた構造のニューラルネットワークの演算
プログラム及びそのニューラルネットワークの学習され
た結合係数データをそれぞれの加工種類に対応して記憶
した記憶媒体から加工に必要なニューラルネットワーク
の演算プログラム及びそのニューラルネットワークの結
合係数データのみを選択的に入力する入力手段と、 入力されたニューラルネットワークの演算プログラムを
記憶するニューラルネットワーク記憶手段と、 入力された結合係数データを記憶する結合係数データ記
憶手段と、 ニューラルネットワークに対する入力である入力条件デ
ータを記憶する入力条件データ記憶手段と、 前記入力条件データ記憶手段に記憶されている前記入力
条件データを前記ニューラルネットワークに入力して、
前記ニューラルネットワークの演算プログラム及び前記
結合係数データに従って、ニューラルネットワークを起
動し、前記加工条件データを求める制御手段と、 を備えた加工条件自動作成機能を有する数値制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2259222A JP2880569B2 (ja) | 1990-09-27 | 1990-09-27 | 加工条件自動作成機能を有する数値制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2259222A JP2880569B2 (ja) | 1990-09-27 | 1990-09-27 | 加工条件自動作成機能を有する数値制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04135204A JPH04135204A (ja) | 1992-05-08 |
| JP2880569B2 true JP2880569B2 (ja) | 1999-04-12 |
Family
ID=17331102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2259222A Expired - Fee Related JP2880569B2 (ja) | 1990-09-27 | 1990-09-27 | 加工条件自動作成機能を有する数値制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2880569B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10921789B2 (en) | 2017-03-08 | 2021-02-16 | Fanuc Corporation | Finish-machining amount prediction apparatus and machine learning device |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1994008751A1 (en) * | 1992-10-09 | 1994-04-28 | Omron Corporation | Machining information determining system and method, and machining process information determining system and method |
-
1990
- 1990-09-27 JP JP2259222A patent/JP2880569B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10921789B2 (en) | 2017-03-08 | 2021-02-16 | Fanuc Corporation | Finish-machining amount prediction apparatus and machine learning device |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04135204A (ja) | 1992-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2961622B2 (ja) | インテリジェント加工システム | |
| JP4531023B2 (ja) | クランクシャフトの加工方法、クランクシャフトの加工装置、制御装置およびプログラム | |
| CN107664985B (zh) | Cad/cam-cnc集成系统 | |
| JP2961621B2 (ja) | 数値制御装置の加工条件作成機能の学習方法 | |
| US6298279B1 (en) | CAD/CAM apparatus and machining apparatus for processing position/force information | |
| JP3086794B2 (ja) | 数値制御研削盤 | |
| JP2941032B2 (ja) | 加工条件自動作成機能を有する数値制御装置 | |
| JP2004030421A (ja) | Ｎｃ工作機械 | |
| JP2880569B2 (ja) | 加工条件自動作成機能を有する数値制御装置 | |
| JP3086699B2 (ja) | 数値制御研削盤 | |
| JP2941030B2 (ja) | 加工条件自動修正装置 | |
| EP0310671B1 (en) | Numerical control method capable of variably setting positioning precision | |
| JPH04135206A (ja) | 加工条件自動決定装置 | |
| JP2950929B2 (ja) | 加工条件自動決定装置 | |
| JP3159889B2 (ja) | カム研削盤 | |
| JPH06119031A (ja) | 削り残し部加工のｎｃデータ作成方法 | |
| JP3120263B2 (ja) | 対向主軸旋盤における加工プログラム作成方法 | |
| JP3045603B2 (ja) | 数値制御装置 | |
| JP2661942B2 (ja) | Ｎｃデータ作成装置 | |
| JP2880567B2 (ja) | 加工診断装置 | |
| JPH05212652A (ja) | オンマシン計測装置を搭載した精密加工機 | |
| JPH0622777B2 (ja) | 自動加工機における切削条件設定装置 | |
| CN117600919A (zh) | 一种模糊自适应的恒力打磨方法、系统和装置 | |
| JPH0220620A (ja) | 曲げ加工機のｎｃ装置 | |
| JP2534417Y2 (ja) | 形状データ入力装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080129 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090129 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100129 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |