JP2961622B2 - インテリジェント加工システム - Google Patents

Description

【発明の詳細な説明】 【産業上の利用分野】

本発明は、数値制御工作機械におけるインテリジェン
ト加工システムに関する。

【従来技術】

従来、例えば、数値制御研削盤を用いた研削加工にお
いては、第16図に研削加工における「加工条件」と「加
工結果」とのフローを示したように、与えられる「入力
条件」や「固定条件」に対し、要求される「加工結果」
を満たすように工作物回転数、砥石送り速度などを自動
決定する機能を有するものがある。 上述の加工条件自動決定では、第17図に示したよう
に、与えられる「入力条件」や「固定条件」に対し、そ
れらに応じた固定された係数から成る「内部定数」を適
用し、各種の理論式、実験式に基づく演算処理を行っ
て、加工上設定すべき「設定条件」を自動決定している
（これらの条件を「静的加工条件」と総称する）。 上記「入力条件」は工作物或いは砥石に対応して与え
られ、工作物の項目としては、その材質・寸法・取代・
表面あらさ・寸法精度など、砥石の項目としては、その
種類などがある。又、上記「固定条件」は機械に対応し
て与えられ、その項目としては、砥石周速・ドレッサな
どがある。又、上記「設定条件」の項目としては、加工
順序・回転数・送り速度・取代・ドレッシング条件など
がある。更に、上記「加工結果」の項目としては、時間
・表面あらさ・寸法精度・真円度・焼け・割れ・びびり
などがある。 又、上記「静的加工条件」のうち可変な項目について
は、自動決定後に修正することは可能である（修正され
た条件を「修正加工条件」という）。

【発明が解決しようとする課題】

ところで、研削加工における「加工条件」の最適化に
ついて、さまざまな研究がなされているが、未だ理論的
に充分解明されているとは言えない。 つまり、前述された現状の自動決定の出力は一つの目
安としか認識されておらず、個別の加工に応じて適切な
値に調整するには、作業者の経験や勘などの技能的熟練
度が要求される。 又、現状の自動決定は「加工条件」の修正とは無関係
に、与えられる「入力条件」や「固定条件」が同じであ
れば、常に一定の「設定条件」を出力するオープンルー
プであり、修正（変更）された内容が以後の自動決定に
反映されることはなかった。 又、「修正加工条件」の設定においても、数値制御装
置の支援機能はなく、作業者の経験や勘などの技能的熟
練度が要求される。 更に、研削加工中では、加工状況（砥石の摩耗、機械
の熱変形、工作物材質などの状態）が時々刻々変化し、
しかも、それらは「加工結果」に多大な影響を及ぼして
いる。 即ち、「静的加工条件」或いは「修正加工条件」が加
工開始時には最適な「加工条件」であっても、加工中の
ある時点では加工状況が変化しており、最適な「加工条
件」とならないという問題があった。 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、数値制御工作機械に
よる工作物の加工において、「加工条件」に対して適当
な修正が行われた後では、その修正内容に応じて次回か
らの「加工条件」の決定にフィードバックされ、熟練作
業者でなくても最適な「加工条件」を得ることができる
インテリジェント加工システムを提供することである。 又、数値制御工作機械により工作物を加工したときの
「加工結果」に対する作業者の評価による「加工条件」
の変更要求を満たすように、「静的加工条件」に修正を
加えて自動的に「修正加工条件」が設定できるインテリ
ジェント加工システムを提供することである。 更に、数値制御工作機械により工作物を加工したとき
に、加工状況に変動があっても「加工結果」にバラツキ
を生じることがないインテリジェント加工システムを提
供することである。

【課題を解決するための手段】

上記課題を解決するための発明の構成は、第15図にそ
の概念を示したように、材質、表面あらさ、寸法精度な
どの工作物に関するデータを記憶する属性データ記憶手
段A01と、第１のニューラルネットワークを含み前記属
性データ記憶手段に記憶されたデータに基づき工作物回
転数、工具送り速度などの加工条件を自動決定する加工
条件自動決定手段A02と、前記加工条件自動決定手段に
よって決定された加工条件を作業者の指示に従って修正
し、修正加工条件を得る修正手段A03と、前記加工条件
もしくは修正加工条件に従って工作物の加工を制御する
加工制御手段A04と、前記工作物を加工した加工結果に
基づき前記加工条件を修正して修正加工条件を求める加
工診断手段A05と、前記加工診断手段A05による前記加工
条件の修正に応じて、修正前と同じ入力に対して修正後
の加工条件を得るように前記加工条件自動決定手段A02
の前記第１のニューラルネットワークを学習させる学習
手段A06と、前記工作物を加工したときに生じる火花、
音、力などの瞬時的な加工現象をそれぞれ検出するセン
サA07と、前記センサA07からの入力データを時系列デー
タとして第２のニューラルネットワークに入力し、該第
２のニューラルネットワークからの出力によりある時間
幅で平均化されたその時点における加工状況を把握し前
記加工条件を動的に修正する適応制御手段A08とを備え
たことを特徴とする。

【作用】

属性データ記憶手段A01には材質、表面あらさ、寸法
精度などの工作物に関するデータが記憶されている。 加工条件自動決定手段A02は、第１のニューラルネッ
トワークを含んでおり、属性データ記憶手段A01に記憶
されたデータに基づき、最適と考えられる加工条件を決
定する。このように自動決定された加工条件に対し、作
業者が不満である場合には、修正手段A03により加工条
件の修正が行われる。 自動決定された加工条件もしくは修正手段A03によっ
て修正された加工条件に基づき加工制御手段A04が工作
物の加工を制御するが、この加工の結果は加工診断手段
A05により診断される。そして、診断の結果、加工条件
の修正が必要である場合には加工条件の修正が行われ
る。 このようにして加工条件が修正されると、学習手段A0
6が有効にされ、加工条件を決定する加工条件自動決定
手段A02内の第１のニューラルネットワークのウェイト
が修正され、修正前と同じ入力に対して修正後の加工条
件が得られるようにする。 更に、加工中における加工状態がセンサA07によって
検出され、第２のニューラルネットワークを含む適応制
御手段A08は、前記センサA07から出力される時系列デー
タを第２のニューラルネットワークに入力し第２のニュ
ーラルネットワークの出力に基づいて加工状況を把握
し、加工条件を動的に修正する。

【実施例】

以下、本発明を具体的な実施例に基づいて説明する。 第１図は本発明に係るインテリジェント加工システム
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上に軸
承され、砥石車駆動モータ62によって回転駆動されてい
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。 数値制御装置30は主として、第２図に示したように、
CPU31と制御プログラムを記憶したROM32と入力データな
どを記憶するRAM33とIF（インタフェース）34,35とパル
ス発生回路36とから構成されている。 又、数値制御装置30のCPU31には、テーブル送り用モ
ータ53、砥石台送り用モータ63を駆動する駆動回路DUZ,
DUXに指令パルスを分配するパルス発生回路36が接続さ
れると共に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CRT表示装置23
とが設けられている。 又、数値制御装置30には火花、音、力などの瞬時的な
加工現象を検出する各種のセンサＳからの出力信号がA/
D変換器41及びIF35を介して入力される。 上記RAM33にはNCプログラムを記憶するNCデータ領域3
31と材質、寸法、取代、表面あらさ、寸法精度などの工
作物に関するデータ、工具種類などの工具に関するデー
タ、工具周速、ドレッサなどの機械に関するデータを記
憶して属性データ記憶手段を達成する属性データ領域33
2と工作物回転数、砥石送り速度などの「加工条件」を
記憶する加工条件領域333と加工時間、表面あらさ、寸
法精度、真円度などの「加工結果」を記憶する加工結果
領域334と条件適合ルールを記憶する条件適合ルール領
域335と診断ルールを記憶する診断ルール領域336と時系
列データを記憶する時系列データ領域337と制御ルール
を記憶する制御ルール領域338とが形成されている。 次に、上記構成の加工システムの動作を、第３図に示
した動作機能ブロックダイヤグラムと、CPU31の処理手
順を示した第４図などのフローチャートに基づいて説明
する。 先ず、工作物の材質、寸法などの入力条件データと、
砥石周速などの機械に関する固定条件データとがRAM33
の属性データ領域332に予め入力され、第３図の加工条
件自動決定ブロックFB1は、上記属性データに基づき、
所定の関数式や実験式を用いて標準加工条件を自動決定
する標準加工条件自動決定ブロックFB10と、この標準加
工条件自動決定ブロックFB10によって決定された標準加
工条件をニューラルネットワークを用いて自動的に補正
し、最適な加工条件を導出する条件適合ブロックFB11と
によって構成されている。 この加工条件自動決定ブロックFB1の機能を実現するC
PU31の動作が第４図に示されている。 ステップ100では、キーボード22から入力される入力
・固定条件データが読み取られ、RAM33の属性データ領
域332に記憶される。 本実施例では、入力条件データとして、材質データ
D₁、寸法データD₂、全取代データD₃、表面あらさデータ
D₄、寸法精度データD₅、砥石種類データD₆が入力され、
固定条件データとして、砥石周速データD₇が入力され
る。 次のステップ102では上記の入力・固定条件データ（D
₁〜D₇）及び他の固定条件データから加工条件データの
標準値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。 この標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。 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、入力・固定条件データ
（D₁〜D₇）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図に示した構成
のもので条件適合ルールとしてRAM33の条件適合ルール
領域335に記憶されている。本実施例では、ニューラル
ネットワークは、入力層と中間層と出力層との３層構造
である。 ニューラルネットワークは良く知られたように、第２
層の中間層と第３層の出力層との各素子が次式の演算を
行う素子として定義される。 第ｉ層の第ｊ番目の素子の出力▲Ｏⁱ _j▼は、次式で計
算される。但し、ｉ≧２である。 但し、▲Ｖⁱ _j▼は第ｉ層の第ｊ番目の演算素子のバイ
アス、 は、第ｉ−１層の第ｋ番目の素子と第ｉ層の第ｊ番目の
素子間の結合係数、▲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、 但し、D_jは入力層のｊ番目の素子に入力される入力条
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
した手順で実行される。 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〜D₇を入
力して、次式の積和演算が行われる。 第２層の第ｊ番目の素子に関しては次式で演算され
る。本実施例ではバイアスは零である。 次に、ステップ202において、次式により、（５）式
の入力値の積和関数値のシグモイド関数により、中間層
（第２層）の各素子の出力が演算される。第２層の第ｊ
番目の素子の出力値は次式で演算される。 この出力値▲Ｏ² _j▼は出力層（第３層）の各素子の入
力値となる。 次に、ステップ204において、出力層（第３層）の各
素子の入力値の積和演算が実行される。 次に、ステップ206において、（６）式と同様に、シ
グモイド関数により、出力層の各素子の出力値が演算さ
れる。この出力値は加工条件データの補正量δ_ｊとな
る。 即ち、補正量δ_ｊは次式で求められる。 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標準値V₁〜V₁₁とステップ104で求め
られた補正量δ_１〜δ₁₁との和により、加工条件データ
K₁〜K₁₁が求められる。その加工条件データK₁〜K₁₁は、
RAM33の加工条件領域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
CRT表示装置23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
の修正後の加工条件が修正加工条件として加工条件領域
333に記憶される。又、修正値も後述する学習機能のた
めに記憶される。尚、上記CRT表示装置23、キーボード2
2が修正手段を構成する。 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。 次に、このNCデータに従って、工作物Ｗが試し加工さ
れる。この加工制御は公知の加工システムと同様である
ので詳述しないが、NCデータに従ってパルス発生回路36
にパルス発生指令が出力され、これにより、指令パルス
が駆動回路DUZ,DUXに分配される。この結果、工作物Ｗ
が加工される。工作物Ｗの加工が完了すると、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、仕上表面あ
らさ、仕上寸法精度、仕上真円度、焼け又は割れの程
度、びびりの程度などである。 これらのデータの内、全研削時間はCPU31によって計
測され、その他のデータは作業者によって測定された結
果がキーボード22を介して入力される。 作業者は、上記の加工結果が要求に合っている否かを
判断し、合っていない場合には、第３図に示した加工診
断ブロックFB3に対して、要求条件を入力する。 これに対応し、加工診断ブロックFB3は、第２のニュ
ーラルネットワークを用いて修正量を導出し、加工条件
自動決定ブロックFB1が決定した加工条件（静的加工条
件）を補正する。 この加工診断ブロックFB3に対応するCPU31の動作処理
は第７図に示されており、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の加工結果領域334
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に記憶される。 例えば、表面あららが要求値に合っていない場合、作
業者はキーボード22を用いて表面あらさの変更を指令す
る。これにより、第９図上部に示したように、操作盤20
のCRT表示装置23の画面上には、表面あらさの良悪を示
す長方形のスケールと、そのスケール中を左右に移動
し、表面あらさの程度を示す△印を伴った線状のカーソ
ルが表示される。 そして、現状の表面あらさに対する評価が上記スケー
ル中における現状カーソル位置にて表示される。このカ
ーソル位置は、例えば、良く分かるようにスケール内で
色を変えて表示される。 作業者は、表面あらさに対する変更要求の程度をキー
ボード22のキー操作により上記スケール中における要求
カーソル位置にて設定し表示する。そして、設定された
変更要求をRAM33に記憶する。 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
らのデータもRAM33に記憶される。 加工誤差データは、全研削時間誤差H₁,仕上表面あら
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などである。 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RAM33に記憶され
ている加工誤差データ（H₁〜H₆）を入力させて、第２の
ニューラルネットワークを起動する。 そして、ステップ508において、第２のニューラルネ
ットワークの出力である加工条件データの補正量（δ_１
〜δ₁₁）は、RAM33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図に示した
構成のもので、診断ルールとしてRAM33の診断ルール領
域336に記憶されている。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）に補正量（δ_１〜δ₁₁）が加算されて修正され
た新加工条件データ（K₁〜K₁₁）が求められる。それら
のデータはRAM33の加工条件領域333の内容を書き換えて
記憶される。 このようにして修正された加工条件は、「修正加工条
件」として操作盤20のCRT表示装置23の画面上に表示す
る（第９図左下）。 以上のように、本実施例では、加工条件データの標準
値が第１のニューラルネットワークを持つ条件適合ブロ
ックFB11により修正され、更に、第２のニューラルネッ
トワークを持つ加工診断ブロックFB3を用いて、加工誤
差の考慮された修正が行われる。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、作業
者が直接、加工条件を修正した場合及び第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、試し加工など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。 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。 この学習は、第３図において、学習ブロックFB2とし
て示されている。 結合係数は、第５図に示した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10図のステップ600において、次式により出力層の
各素子の学習信号が演算される。 但し、T_jは出力である補正量δ_ｊに対する教師信号で
あり、ｆ′（ｘ）はシグモイド関数の導関数である。こ
の場合、作業者が指示した修正量、加工診断の結果得ら
れた修正量が教師信号として用いられる。 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。 上記補正量は次式で求められる。 但し、 は、出力層の第ｊ番目の素子と中間層の第ｉ番目の素子
との間の結合係数の第ｔ回目演算の変化量である。 又、 は、その結合係数の前回の補正量である。P,Qは比例定
数である。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ606へ移行して、中間層の各素の結合
係数が補正される。 その結合係数の補正量は出力層の場合と同様に、次式
で求められる。 よって、結合係数は、 により、補正された結合係数が求められる。 次に、ステップ608において、結合係数の補正量が所
定の値以下になったか否かを判定して、結合係数が収束
したか否かが判定される。 結合係数が収束していなければ、ステップ600に戻
り、新たに補正された結合係数を用いて、同様な演算が
繰り返され、結合係数が再度補正される。このような演
算の繰り返しにより、作業者が指示した修正量、もしく
は加工診断により得られた修正量を教師信号とした学習
が完了する。 又、他の入力・固定条件データに対しては、結合係数
が変化したことになるので、他の入力・固定条件データ
に対する学習も実行される。 次に、実際の研削加工状態において、本発明に係るイ
ンテリジェント加工システムが履行する適応制御につい
て述べる。 尚、本実施例では、把握された加工状況に対応して、
動的に修正する「加工条件」の一例として砥石送り速度
について説明する。 この適応制御の機能は第３図において適応制御ブロッ
クFB4として示され、第11図によって詳細に示されてい
るように、センサＳにより、研削力、研削火花、研削音
が一定時間間隔でサンプリングされ、これらのデータが
第３のニューラルネットワークに入力され、検出データ
に基づく加工状況の把握が行われる。その後、この加工
状況のデータがファジィ制御ブロックに入力され、予め
設定された制御ルール（パートナーシップ関数）に従っ
て送り速度が動的に修正される。 上記適応制御は、CPU31が第12図に示された処理を一
定時間間隔で実行することにより達成される。 先ず、ステップ800で各種のセンサＳからの入力デー
タを読み込む。 次にステップ802に移行して、ステップ800で読み込ま
れた入力データを一定時間幅だけ蓄積して時系列データ
を作成する。 次にステップ804に移行して、第３のニューラルネッ
トワークによる加工状況を把握するプログラムを実行す
る。即ち、ステップ802で作成した時系列データを第３
のニューラルネットワークに入力して、第３のニューラ
ルネットワークの出力であるその時の加工状況を得る
（第11図における加工状況の把握）。 この第３のニューラルネットワークは第13図に示され
ており、研削力、研削音、研削火花についての時系列デ
ータが入力データとして与えられている。そして、この
第３のニューラルネットワークの出力として、焼け割れ
の程度、異常摩耗の程度、表面あらさの程度を表す０〜
１の間で変化する値が得られる。この第３のニューラル
ネットワーク内のウェイトづけは、実験的、経験的に得
られた入力と出力との関係に基づいて、前以て学習が実
施されている。 次にステップ806に移行して、ステップ804で把握され
た加工状況を制御ルールに当てはめ、その加工状況に対
応した砥石送り速度を決定する（第11図におけるファジ
ィ制御）。 このファジィ制御の概要を、焼け割れを例にして説明
する。第14図（ａ）が焼け割れの程度と、それが「焼け
割れ小」、「焼け割れ中」、「焼け割れ大」と判断され
る確率を示すグレード値との関係を示したメンバーシッ
プ関数であり、第14図（ｂ）が送り速度の変更率と、送
り速度が「遅い」、「やや遅い」、「普通」、「やや速
い」、「速い」と判断される確率を示すグレード値との
関係を示したメンバーシップ関数である。これらの関数
は制御ルールとしてRAM33の制御ルール領域338に記憶さ
れている。 例えば、第３のニューラルネットワークの出力が焼け
割れ程度が0.6であることを示している場合、第14図
（ａ）のメンバーシップ関数に基づき、「焼け割れ中」
と判断される確率が0.7、「焼け割れ大」と判断される
確率が0.2であることが判定される。 ここで、もし、焼け割れの程度が大の時は送りを遅く
し、もし、焼け割れの程度が中の時は送りをやや遅くす
るということは分かっており、この関係が予め記憶され
ている。このような関係に従って、第14図（ａ）のメン
バーシップ関数と第14図（ｂ）のメンバーシップ関数と
が関係づけられて送り速度変更率が求められる。 即ち、この場合、「焼け割れ中」と判断される確率が
0.7であり、「焼け割れ中」の時、送り速度をやや遅く
することが決められているので、第14図（ｂ）のメンバ
ーシップ関数の「やや遅い」に対応する三角形の領域が
確率0.7の高さで区切られ、それよりも下の領域が選択
される。又、「焼け割れ大」と判断される確率は0.2
で、「焼け割れ大」の時、送り速度を遅くすることが決
められているので、第14図（ｂ）のメンバーシップ関数
の「遅い」に対応する三角形の領域が確率0.2の高さで
区切られ、それよりも下の領域が選択される。そして、
第14図（ｂ）に斜線で示されるように両方の領域が合成
され、その合成された領域の重心Ｇの横方向位置に対応
する送り速度変更率Ｒが選択される。 異常摩耗、表面あらさなどについても同様の処理が行
われ、送り速度変更率が求められる。そして、例えば、
これら３つの変更率の平均値により、送り速度をオーバ
ライド補正する。 これにより、自動決定された加工条件が動的に補正さ
れ、最適な加工が実現される。 尚、上記実施例においては、適用制御ブロックFB4に
より送り速度を動的に修正するようにしているが、適用
制御ブロックFB4によって得られる速度補正値を用い
て、加工条件を自動決定するのに用いられる第１のニュ
ーラルネットワークのウェイトを補正、即ち、第１のニ
ューラルネットワークの学習を行うことも可能である。 この場合、第11図のファジィ制御ブロック（第12図
（ｃ）のステップ806）によって得られた速度修正割合
のデータを補正値として一定時間毎にサンプリングし、
メモリに記憶する。そして、例えば、粗研削時、精研削
時、微研削時における補正値の平均値、好ましくは、各
研削工程の研削開始時を除く比較的安定した期間の平均
補正値を求める。そして、このようにして得られた平均
補正値を教師信号として、第１のニューラルネットワー
クの学習を行う。この学習は、前述した第６図の処理を
実行することで行われる。 このように、適用制御によって得られた修正情報を用
いて加工条件を決定する第１のニューラルネットワーク
のウェイト（結合係数）を補正することにより、更に、
最適な加工条件が得られるようになる。 以上、数値制御研削盤に適用したインテリジェント加
工システムについて述べたが、本発明に係るインテリジ
ェント加工システムはマシニングセンタ用数値制御装置
にも応用できる。

【発明の効果】

本発明においては、加工条件をニューラルネットワー
クを用いて自動決定すると共にこの自動決定された加工
条件を加工前に修正したり、加工結果を診断してその診
断結果に基づいて自動的に修正することができ、更に、
加工条件の修正に応じて、その加工条件を決定するため
の第１のニューラルネットワークのウェイトを修正する
ことにより、修正前と同じ入力に対して修正後の加工条
件を得るようにしたので、加工すべき工作物に応じて自
動決定される加工条件を柔軟に変化させ、幅広い加工範
囲に対応した最適な加工条件が得られるという効果があ
る。 又、加工診断手段により、加工結果の変更要求を支援
することができ、従来、技能的熟練者でなければできな
かった加工条件の修正を誰でも容易に実行でき、作業者
が望む加工結果を実現するための最適な加工条件が自動
的に得られるという効果がある。 更に、適応制御手段により、加工中の外乱、突発的な
加工状況の変化に対してもリアルタイムに加工条件が最
適化され、要求される加工結果が安定して得られるとい
う効果がある。 更に、又、加工条件自動決定手段と加工診断手段と適
応制御手段とが有機的に結合しており、一つの手段にお
いて導き出された好ましい加工条件がその他の手段にお
ける加工条件として設定されて、更に、より好ましい加
工条件となり、最終的に極めて良好な加工結果を得るこ
とができるという効果を有する。

【図面の簡単な説明】

第１図は本発明の具体的な一実施例に係るインテリジェ
ント加工システム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図は同実施例装置の機能をブロックで
表した図。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図は同実施例に係る
加工診断におけるCRT表示装置の画面上の表示を示した
説明図。第10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11図は同実施例に係る
適応制御の概念を示した説明図。第12図は同実施例装置
で使用されているCPUによる適応制御の手順を示したフ
ローチャート。第13図は第３のニューラルネットワーク
の構造を示した構造図。第14図（ａ），（ｂ）はファジ
ィ制御の動作を説明するメンバーシップ関数を示した
図。第15図は本発明の概念を示したブロックダイヤグラ
ム。第16図は従来の研削加工における「加工条件」と
「加工結果」とのフローを示したブロックダイヤグラ
ム。第17図は従来の加工条件自動決定を示した説明図で
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 41……A/D変換器、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、Ｓ……センサ Ｗ……工作物

フロントページの続き (72)発明者 山中 将 愛知県刈谷市朝日町１丁目１番地 豊田 工機株式会社内 (56)参考文献 特開 平４−75848（ＪＰ，Ａ) 特開 平４−75108（ＪＰ，Ａ) 特開 平４−106603（ＪＰ，Ａ) 特開 平３−49845（ＪＰ，Ａ) 特開 平３−49846（ＪＰ，Ａ) 特開 平２−95543（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) G05B 19/4155,19/404

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】材質、表面あらさ、寸法精度などの工作物
   に関するデータを記憶する属性データ記憶手段と、 第１のニューラルネットワークを含み前記属性データ記
   憶手段に記憶されたデータに基づき工作物回転数、工具
   送り速度などの加工条件を自動決定する加工条件自動決
   定手段と、 前記加工条件自動決定手段によって決定された加工条件
   を作業者の指示に従って修正し、修正加工条件を得る修
   正手段と、 前記加工条件もしくは修正加工条件に従って工作物の加
   工を制御する加工制御手段と、 前記工作物を加工した加工結果に基づき前記加工条件を
   修正して修正加工条件を求める加工診断手段と、 前記加工診断手段による前記加工条件の修正に応じて、
   修正前と同じ入力に対して修正後の加工条件を得るよう
   に前記加工条件自動決定手段の前記第１のニューラルネ
   ットワークを学習させる学習手段と、 前記工作物を加工したときに生じる火花、音、力などの
   瞬時的な加工現象をそれぞれ検出するセンサと、 前記センサからの入力データを時系列データとして第２
   のニューラルネットワークに入力し、該第２のニューラ
   ルネットワークからの出力によりある時間幅で平均化さ
   れたその時点における加工状況を把握し前記加工条件を
   動的に修正する適応制御手段と を備えたことを特徴とするインテリジェント加工システ
   ム。