JP7395954B2 - NC data quality judgment device and processing device - Google Patents
NC data quality judgment device and processing device Download PDFInfo
- Publication number
- JP7395954B2 JP7395954B2 JP2019193584A JP2019193584A JP7395954B2 JP 7395954 B2 JP7395954 B2 JP 7395954B2 JP 2019193584 A JP2019193584 A JP 2019193584A JP 2019193584 A JP2019193584 A JP 2019193584A JP 7395954 B2 JP7395954 B2 JP 7395954B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- actual feed
- feed speed
- quality determination
- image
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims description 73
- 238000003754 machining Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 26
- 230000002950 deficient Effects 0.000 claims description 25
- 238000013500 data storage Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 230000007547 defect Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000011960 computer-aided design Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
Landscapes
- Numerical Control (AREA)
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。 The present invention relates to an NC data quality determination device and processing device.
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。
When processing a workpiece using a processing device, if a defect occurs on the machined surface of the workpiece, it is not easy to identify the cause of the processing defect. Therefore, for example,
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。 When processing three-dimensional curved surfaces such as molds using processing equipment such as machining centers and NC milling machines, if the quality of numerical control (NC) data, which is the command value, deteriorates, the relative actual feed of the processing tool and the workpiece The speed may fluctuate and scratches or undulations may occur on the machined surface of the workpiece. The operator looks at the NC data and determines whether the NC data is good or bad (OK/NG). If it is not good (NG), the operator recreates the NC data, and if it is good (OK), the operator performs processing using the NC data.
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。 However, it is difficult for an operator to judge whether the NC data is good or bad even by looking at the NC data itself. Therefore, by visualizing the above-mentioned actual feed speed, it becomes easier for the operator to visually identify the NG points. That is, based on the NC data, the actual feed rate is calculated at each point of a group of points placed at predetermined intervals on a line indicating the tool trajectory, and an actual feed rate image is displayed. However, even though the actual feed speed is visualized, it is very labor-intensive for the operator to visually search for points that are rejected from a huge point cloud, and there is a risk of them being overlooked. In addition, the number of people who can perform the work is limited to those who are experts. Therefore, it would be good if the process could be automated by a machine, but some of the factors that operators judge by looking at the image and rejecting it are intuitive and emotional factors that cannot be easily expressed in words, as well as learning from numerous experiences. However, there may also be an element of heuristics or an overall element involving many causes and effects. These elements are difficult to express as rules such as flows and conditional branches, and it is difficult to automate processing as a program.
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。 An object of the present invention is to provide an NC data quality determination device and a processing device that can easily and highly accurately determine the quality of NC data.
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。
The NC data quality determination device according to the present invention includes a data storage unit that stores NC data related to three-dimensional curved surface processing in a processing device, and a data storage unit that stores NC data related to three-dimensional curved surface processing in a processing device, and a an image converter that calculates data related to the relative actual feedrates of the tool and the workpiece and converts the data into an actual feedrate image; and at least the data of the actual feedrate image converted by the image converter as explanatory variable data. and a model storage unit that stores a trained model generated by machine learning based on a training data set in which data regarding the quality of the NC data is used as objective variable data; The present invention includes a quality determination unit that inputs data of a new actual feed speed image to the model and determines whether the NC data corresponding to the new input actual feed speed image is good or bad.
A processing apparatus according to the present invention includes the NC data quality determination device, and processes the workpiece based on the NC data determined to be good by the NC data quality determination device.
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。 In the past, it was extremely difficult to automate the process of finding negative points from a huge point cloud, but the present invention achieves this by utilizing machine learning technology that is compatible with automating the above process. There is. In other words, according to this NC data quality determination device, the quality determination unit creates a new workpiece based on the NC data used when processing a new workpiece and the learned model stored in the model storage unit. Predict the quality of NC data used when processing. Therefore, it is possible to easily and accurately predict whether the NC data used when processing the workpiece is good or bad.
(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。
(1. Configuration of
The
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。
The NC data
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。
The
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。
Although details will be described later, in this example, the explanatory variable data is data of an image of the relative actual feed speed of the machining tool and workpiece in the
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。
The
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。
The
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。
Note that the judgment of the quality of the NC data predicted by the
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。
Here, although not shown, the
(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。
(2. Training dataset)
Next, the training data set will be explained. As described above, the training data set includes explanatory variable data, which is image data of the relative actual feed speed of the machining tool and workpiece in the
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。 The NC data is created using CAM (Computer Aided Manufacturing) using shape (three-dimensional model) data of a workpiece created using CAD (Computer Aided Design) as input data. Specifically, as shown in FIG. 2, the CAM creates CL (Cutter Location) data cl based on the tolerance to of the tool path tr on the workpiece surface Ws of the tip end tp of the machining tool model Tm. do. Note that the CAM may create the CL data cl at regular intervals on the tool path tr.
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。 Then, the CAM performs interpolation processing, such as linear interpolation, circular interpolation, and nervous curve interpolation, on the CL data cl to create NC data. This NC data includes tool path data and command data such as spindle rotation speed and coolant supply. The tool trajectory in this example is represented by a group of points attached at predetermined intervals on a line, and the data of the tool trajectory includes data on the coordinate values of each point in the point group and speed command value (temporarily commanded constant value). speed).
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。
Here, an NC data analysis device has been developed as a tool for checking the quality of NC data before processing. This NC data analysis device calculates the relative actual feed rate of the machining tool and workpiece in the
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。
Specifically, as shown in FIG. 3, the data of the actual feed speed image VV displayed on the display screen LP (included in the actual feed speed
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。 That is, the machining positions (points) P1, P2, . . . , Pn in the three-dimensional model data are linked to the actual feed speeds V1, V2, . Then, the actual feed speeds V1, V2, ..., Vn are defined as high speed actual feed speeds when they are equal to or higher than a predetermined threshold, and low speed actual feed speeds when less than the predetermined threshold. In the group, points with a high actual feed rate are displayed in red (black in the figure), for example, and points with a low actual feed rate are displayed in white, for example. Note that the color of the dots can be selected arbitrarily. Further, the density of the color of the point may be changed (shaded) depending on the actual feed speed. Further, the tool trajectory may be displayed only as a group of points excluding lines.
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。 Labeling of the quality of the NC data is performed based on the actual feed speed image VV displayed on the display screen LP, depending on the presence or absence of defects on the machined surface of the workpiece. Specifically, as shown in FIG. 3, in the actual feed speed image VV displayed on the display screen LP, the machining surface Ws has a truncated cone-shaped convexity that continues to the flat part Wsf1 (for example, the part surrounded by a dashed-dotted line). In the case of the corner portion Wsc1 of the portion Wc (for example, the portion surrounded by the two-dot chain line), it is necessary to reduce the actual feed speed from the flat portion Wsf1 to the corner portion Wsc1.
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。 In FIG. 3, the high actual feed rate (black (red) dots) is achieved in the plane portion Wsf1 before the corner portion Wsc1, but the actual feed rate is low (white dots) in the corner portion Wsc1. Since the speed is reduced, there is no problem and no machined surface defects occur, so the NC data can be labeled as OK. Further, depending on the degree of curvature of the corner portion, there may be no need to reduce the speed from the plane portion to the corner portion. This case can be handled by adjusting the conditions (parameters) of the corner portion (labeling accuracy may deteriorate).
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。 On the other hand, as shown in FIG. 3, in the actual feed speed image VV displayed on the display screen LP, if the machining surface Ws is only the flat part Wsf2 (for example, the part surrounded by a broken line), the high actual feed speed needs to be maintained. However, in FIG. 3, there is a problem because there is a part in the middle of the flat part Wsf2 where the high actual feed rate (black (red) point group) changes to the low actual feed rate (white point group). , a machined surface defect occurs, so the NC data can be labeled as NG. In this case, the process returns to the CAM and is re-processed, and then returns to the CAD and the process is re-performed.
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。 However, due to the peculiarities of CAM processing, such as the bending angle of CL data or the roughness of the shape data of the workpiece created with CAD, the actual feed rate changes from high to low in the middle of the flat part. You may mistakenly decide that it is necessary to do so. In this case, even if the actual feed rate changes from a high actual feed rate (black (red) dots) to a low actual feed rate (white dots) in the middle of the flat part, the NC data can be marked as OK. It can be labeled as Furthermore, the quality of the NC data may be labeled by labeling the entire point group, or by labeling each point of the point group.
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。 Further, although the labeling of NC data as to whether it is good or bad has been explained using the NC data created from the shape data of the workpiece of the three-dimensional model as an example, the shape data of the workpiece of the three-dimensional model may not be present. In this case, in the actual feed speed image VV displayed on the display screen LP, if there is a lone white point among the black (red) point group on a flat surface when comparing the surroundings of the image, the NC data is rejected. Label it as (NG). Furthermore, if there is a lone white point in a group of black (red) points at a corner, the NC data is labeled as OK.
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。 When labeling NC data to determine whether it is good or bad in order to generate a trained model, the worker directly looks at the actual feed speed image VV represented by a three-dimensional image displayed on the display screen LP. There is a need to do. However, depending on the position of the point group, the point group may be hidden behind the workpiece and cannot be seen.
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。 Therefore, the operator converts the actual feed speed image represented by a three-dimensional image into an actual feed speed image represented by a two-dimensional image when viewed in a predetermined direction and at a predetermined magnification. As a result, in the actual feed speed image VV represented as a three-dimensional image, a group of points that are hidden behind the workpiece can be seen, and the accuracy of the labeling performed by the operator to determine whether the NC data is good or bad can be improved. In this case, the actual feed speed image represented as a two-dimensional image when the actual feed speed image represented as a three-dimensional image is viewed in a predetermined direction and a predetermined magnification, as well as the predetermined direction and predetermined magnification are explained. Used as variable data.
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。 Specifically, the operator is shown a two-dimensional image of the XY plane that is obtained by enlarging the actual feed speed image VV, which is represented by a three-dimensional image displayed on the display screen LP shown in FIG. 3, five times from the Z direction. When looking at the actual feed speed image VVz (see FIG. 4), the flat portion Wsf3 (the top surface of the convex portion Wc, surrounded by the dotted line) is located in front of the corner portion Wsc2 (the portion surrounded by the dashed line) of the convex portion Wc. The actual feed rate (black (red) dots) is high in the part shown).
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。 When looking at the actual feed speed image VVx (see FIG. 5), which is represented by a two-dimensional image of the YZ plane expanded five times from the X direction, the low actual feed speed (white point group) is observed at the corner Wsc2. is slowing down. Therefore, there is no problem with the NC data, and the NC data can be labeled as OK. In this way, only when there is no problem with the actual feed speed image in all directions, the NC data corresponding to the actual feed speed image is labeled as OK, and if there is a problem with even one of the actual feed speed images. In this case, the NC data corresponding to the actual feed speed image is labeled as NG. Note that by also performing machine learning on the above-mentioned predetermined direction and predetermined magnification, it is possible to perform quality labeling of NC data with higher accuracy and more easily.
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。
In addition, the learned model generated by machine learning is stored in the learned model memory based on the training data set in which the coordinate values of the tool trajectory judged as NG by the NC data
(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。
(3. Configuration of NC data quality determination device 12)
Next, the configuration of the NC data
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。
The
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。
The actual feed rate
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。
The explanatory variable
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。
The training data
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。
The
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。
The NC data
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。
Further, the quality determination
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。
Further, the quality determination
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。 As a rule of thumb, workers can determine what features (simple features that are easy to encode, complex features that are difficult to express verbally, and features of the judgment process) are included in the actual feed speed image obtained from NC data. When this occurs, it can be determined whether a defect will occur on the machined surface of the workpiece. In other words, there is a relationship between the characteristics of the actual feed speed image (machining behavior) and the occurrence of machined surface defects (machining results).
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。 However, the causal relationship between machining behavior and machining results is extremely complex, and when machining behavior is visualized, the data becomes a variable group consisting of tens of thousands of dots. For this reason, human theorizing, modeling, and programming to derive machining results from images of machining behavior are extremely difficult due to limitations in the cognitive ability of workers and the need for a realistically impossible number of study steps.
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。
In the
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。
Then, when the NC data
(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)。
(4. Processing of NC data quality determination device 12)
Next, the processing of the NC data
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)。
Then, the actual feed rate
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)。
The objective variable
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。
The trained
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)。
Next, a process for determining the quality of NC data actually used in the
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)。
The machining explanatory variable
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。
The quality determination
(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。
(5. Configuration of another form of NC data quality determination device 13)
Next, the configuration of another form of NC data
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。
The NC
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。
The second explanatory variable
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。
Based on the defective NC data and corrected NC data stored in the second training data
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。
The second trained model storage unit 235 stores the second trained model generated by the second trained
(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)。
(6. Processing of another form of NC data quality determination device 13)
Next, processing of another form of NC data
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)。
The second objective variable data acquisition unit 232 acquires the corrected NC data corresponding to the defective NC data read out by the second explanatory variable
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。
The second trained
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。
Next, NC data correction processing will be described with reference to FIG. 9B. The NC
(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。
(7. Others)
In the embodiment described above, as data of the actual feed speed image VV displayed on the display screen LP, points with high actual feed speeds are displayed in red (black in the figure), and points with low actual feed speeds are displayed in white. Now displayed. However, the size of the dots may be changed and displayed depending on the actual feed rate. Also, instead of a group of points attached to the line of the tool path, only multiple line segments may be displayed. In that case, the length of the line segment is changed depending on the actual feed rate, and the line The data for each coordinate value of the starting point and ending point of the minute is also displayed. Furthermore, although the actual feed speed
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 10: Production system, 11: Processing device, 12, 13: NC data quality determination device, 210: Learning processing device, 220: Quality prediction device, 230: NC data correction device, 211: NC data storage unit, 212: Actual feed Speed image conversion unit, 213: Actual feed speed image display unit, 214: Explanatory variable data acquisition unit, 215: Objective variable data acquisition unit, 216: Training dataset storage unit, 217: Learned model generation unit, 221: Learned Model storage unit, 222: Machining explanatory variable data acquisition unit, 223: NC data quality determination unit, 224: Quality determination result output unit, 231: Second explanatory variable data acquisition unit, 232: Second objective variable data acquisition unit, 233: Second training data set storage unit, 234: Second learned model generation unit, 235: Second learned model storage unit, 236: NC data correction unit
Claims (13)
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。 a data storage unit that stores NC data regarding three-dimensional curved surface processing in the processing device;
an image conversion unit that calculates data related to a relative actual feed rate of a machining tool and a workpiece in the machining device based on the NC data stored in the data storage unit, and converts the data into an actual feed rate image; ,
A trained data set generated by machine learning based on a training data set in which at least data of the actual feed speed image converted by the image conversion unit is used as explanatory variable data, and data regarding the quality of the NC data is used as objective variable data. a model storage unit that stores the model;
a quality determination unit that inputs data of a new actual feed speed image to the learned model stored in the model storage unit and determines whether NC data corresponding to the input new actual feed speed image is good or bad; ,
An NC data quality determination device comprising:
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。 The tool trajectory is represented by a point group or a point group attached on a line, and the tool trajectory data includes coordinate values of each point of the point group,
4. The NC data quality determination apparatus according to claim 3, wherein the actual feed speed image is displayed in a color or a shade of color of a point corresponding to the actual feed speed at each point of the point group.
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。 The tool trajectory is represented by a point group or a point group attached on a line, and the tool trajectory data includes coordinate values of each point of the point group,
4. The NC data quality determination device according to claim 3, wherein the actual feed speed image is displayed with a point size corresponding to the actual feed speed at each point of the point group.
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。 The tool trajectory is represented by a plurality of line segments, and the data of the tool trajectory includes data of each coordinate value of a start point and an end point of the line segment,
4. The NC data quality determination device according to claim 3, wherein the actual feed speed image is displayed with the length of the line segment corresponding to the actual feed speed.
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。 The NC data quality determination device further includes:
Based on a training data set in which the defective NC data judged as bad by the pass/fail judgment unit is used as explanatory variable data, and the corrected NC data that is judged to be good after correction to the bad NC data is used as objective variable data. , a second model storage unit that stores a second learned model generated by the machine learning;
data correction to obtain corrected NC data by inputting new defective NC data to the second trained model stored in the second model storage unit and making corrections to the input new defective NC data; Department and
The NC data quality determination device according to any one of claims 1 to 11, comprising:
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。 comprising the NC data quality determination device according to any one of claims 1 to 12,
A processing device that processes the workpiece based on the NC data determined to be good by the NC data quality determination device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019193584A JP7395954B2 (en) | 2019-10-24 | 2019-10-24 | NC data quality judgment device and processing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019193584A JP7395954B2 (en) | 2019-10-24 | 2019-10-24 | NC data quality judgment device and processing device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021068225A JP2021068225A (en) | 2021-04-30 |
JP7395954B2 true JP7395954B2 (en) | 2023-12-12 |
Family
ID=75638487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019193584A Active JP7395954B2 (en) | 2019-10-24 | 2019-10-24 | NC data quality judgment device and processing device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7395954B2 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013045332A (en) | 2011-08-25 | 2013-03-04 | Fanuc Ltd | Tool locus display device with display part of acceleration or jerk at tool tip point |
WO2016174716A1 (en) | 2015-04-27 | 2016-11-03 | 三菱電機株式会社 | Numerical control device |
JP2018181217A (en) | 2017-04-20 | 2018-11-15 | ファナック株式会社 | Acceleration/deceleration control apparatus |
JP2018181216A (en) | 2017-04-20 | 2018-11-15 | ファナック株式会社 | Processing defective factor estimation device |
JP2019032649A (en) | 2017-08-07 | 2019-02-28 | ファナック株式会社 | Control device and machine learning device |
-
2019
- 2019-10-24 JP JP2019193584A patent/JP7395954B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013045332A (en) | 2011-08-25 | 2013-03-04 | Fanuc Ltd | Tool locus display device with display part of acceleration or jerk at tool tip point |
WO2016174716A1 (en) | 2015-04-27 | 2016-11-03 | 三菱電機株式会社 | Numerical control device |
JP2018181217A (en) | 2017-04-20 | 2018-11-15 | ファナック株式会社 | Acceleration/deceleration control apparatus |
JP2018181216A (en) | 2017-04-20 | 2018-11-15 | ファナック株式会社 | Processing defective factor estimation device |
JP2019032649A (en) | 2017-08-07 | 2019-02-28 | ファナック株式会社 | Control device and machine learning device |
Also Published As
Publication number | Publication date |
---|---|
JP2021068225A (en) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5100249B2 (en) | Information processing method, information processing apparatus, and program | |
CN108723889B (en) | Acceleration/deceleration control device | |
US20150026107A1 (en) | System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor | |
EP3325226B1 (en) | Method and apparatus of scheduling welding operations | |
CN104793560A (en) | Method and system for generating a trajectory | |
TWI673620B (en) | Simulation method for milling by use of dynamic position error | |
JPWO2014091543A1 (en) | NC program search method, NC program search device, NC program creation method, and NC program creation device | |
JP5197640B2 (en) | Machining simulation apparatus and numerical control apparatus | |
Pai et al. | Virtual planning, control, and machining for a modular-based automated factory operation in an augmented reality environment | |
Azamfirei et al. | Multi-layer quality inspection system framework for industry 4.0 | |
CN111353241A (en) | G code-based mathematical modeling method and application | |
US20220080545A1 (en) | Even out wearing of machine components during machining | |
JP2019117477A (en) | Link information generation device, link information generation method, and link information generation program | |
JP7126360B2 (en) | Method and apparatus for generating toolpaths | |
JP5610883B2 (en) | Processing simulation apparatus and method | |
CN114186298B (en) | Intelligent mechanical part manufacturing and operating method and system | |
Brecher et al. | Evaluation of toolpath quality: User-assisted CAM for complex milling processes | |
JP6337619B2 (en) | Surface shape evaluation method and surface shape evaluation system | |
JP7395954B2 (en) | NC data quality judgment device and processing device | |
KR101405039B1 (en) | Manufacturing process automation method and system | |
Cheung et al. | A framework of a virtual machining and inspection system for diamond turning of precision optics | |
CN111598364B (en) | Digital process arrangement system for mechanical parts | |
Huang et al. | Edge computing-based virtual measuring machine for process-parallel prediction of workpiece quality in metal cutting | |
TW202333014A (en) | Systems and methods for manufacturing processes | |
Lee et al. | Development of a virtual machining and inspection system for ultra-precision diamond turning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220915 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231025 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231031 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231113 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7395954 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |