JP7846842B2

JP7846842B2 - 側フライス加工における工具とプロセスパラメータの統合最適化及び省エネ予測方法

Info

Publication number: JP7846842B2
Application number: JP2024202589A
Authority: JP
Inventors: 賈順; 呉冰瑩; 王尚; 馬楽; 李淑宇; 李安邦; 張国強; 楊揚; 張▲じん▼▲いぇん▼; 蘇昇師
Original assignee: 山東科技大学
Priority date: 2024-07-12
Filing date: 2024-11-20
Publication date: 2026-04-16
Anticipated expiration: 2044-11-20
Also published as: CN118466223A; GB202511301D0; GB2700990A; JP2026012010A; CN118466223B

Description

本発明は、数値制御加工分野に関し、特に側フライス加工における工具パラメータとプロセスパラメータの統合最適化及び省エネ予測方法に関する。

現代製造業において、数値制御加工技術は、すでに生産効率と製品品質を向上させる重要な手段となっている。側フライス加工は、よく見られる数値制御加工形式として、金型、航空宇宙、自動車及び他の機械部品の製造に広く応用されている。その加工品質と効率は、機器の性能に依存するだけでなく、工具パラメータとプロセスパラメータにも密接に関連している。

従来の側フライス加工において、工具パラメータとプロセスパラメータの最適化は、一般的には経験と試行錯誤方法に依存しており、これは、時間と労力がかかるだけでなく、リソースの浪費と生産効率の低下にもつながる可能性がある。近年、コンピュータ技術と人工知能技術の発展に伴い、数値シミュレーションと機械学習に基づく最適化方法は、製造分野に徐々に応用されている。これらの方法は、数学モデルとアルゴリズムを確立することにより、複雑な加工過程をシミュレートし、最適化することによって、理論的指導と技術的サポートを提供する。しかしながら、現在の多くの研究は、主に段階的な最適化方法を採用しており、一部は、工具パラメータの最適化に焦点を当てており、別の部分は、プロセスパラメータの最適化に焦点を当てており、工具パラメータとプロセスパラメータの統合最適化方法が不足している。グリーン製造理念の提案と普及に伴い、製造企業は、ますます省エネと汚染物質の排出削減と持続可能な発展を重視している。このような背景の下で、どのように科学的な方法で側フライス加工の工具パラメータとプロセスパラメータとを統合的に最適化し、最適化結果を実際の生産に応用して、効果的な省エネ予測と制御を実現するかは、依然として早急な解決が待たれる問題である。

従来の技術に存在する問題に対して、本発明は、側フライス加工における工具パラメータとプロセスパラメータの統合最適化及び省エネ予測方法を提案しており、工具パラメータとプロセスパラメータとを統合的に最適化することにより、側フライス加工過程の省エネと効率向上を実現し、現代製造業の高効率、良質、グリーン生産に対する需要を満たす。

側フライス加工における工具パラメータとプロセスパラメータの統合最適化及び省エネ予測方法であって、以下のステップを含み、
ステップ１：側フライス加工における工具パラメータとプロセスパラメータの統合最適化変数を決定し、ここで、工具パラメータの統合最適化変数は、工具直径ｄと、工具歯数ｚと、工具材料Ｍとを含み、プロセスパラメータの統合最適化変数は、主軸回転数ｎと、送り速度Ｆ_ｖと、フライス削り幅ａ_ｅと、フライス削り深さａ_ｐとを含む。

ステップ２：側フライス加工における工具パラメータとプロセスパラメータの統合最適化ターゲット：単位体積当たりの切削エネルギー消費Ｅ_cutting、加工表面粗さＲ_ａ、単位体積当たりの切削時間Ｔ_cuttingを決定する。

ステップ３：側フライス加工における工具パラメータとプロセスパラメータの統合最適化拘束条件を決定し、工具パラメータの統合最適化拘束条件は、工具直径拘束と、工具歯数拘束と、工具材料拘束とを含み、プロセスパラメータの統合最適化拘束条件は、主軸回転数拘束と、送り速度拘束と、フライス削り幅拘束と、フライス削り深さ拘束とを含む。

ステップ４：側フライス加工における工具パラメータとプロセスパラメータの統合最適化マルチターゲット関数モデルを確立する。

ステップ５：マルチターゲット関数モデルに対して正規化と重み付け化処理を行う。

ステップ６：マルチターゲット関数モデルの最適化の解を求める。

ステップ７：ステップ６において最適化の解を求めて得られた工具パラメータとプロセスパラメータに基づいて省エネ効果を予測する。

好ましくは、ステップ２において、単位体積当たりの切削エネルギー消費Ｅ_cuttingの最適化ターゲットの関数モデルは、
である。

式において、Ｅ_cuttingは、単位体積当たりの切削エネルギー消費であり、単位Ｊ／ｍｍ^３であり、Ｐ_cuttingは、フライス削りパワーであり、単位Ｗであり、ＭＲＲは、材料除去率であり、単位ｍｍ^３／ｓである。

加工表面粗さＲ_ａの最適化ターゲットの関数モデルは、
である。

式において、Ｒ_ａは、加工表面粗さであり、単位μmであり、Ｋは、式の補正係数であり、Ｃ_Ｆは、切削力係数であり、その値は、ワーク材料、切削工具（種類、材質）、加工方法（例：フライス加工、旋削加工）などの要素に依存し、α１は、主軸回転数ｎの指数項であり、ｆ_Ｚは、歯当たりの送り量であり、β１は、歯当たりの送り量の指数項であり、γ１は、フライス削り幅ａ_ｅの指数項であり、δ１は、フライス削り深さａ_ｐの指数項であり、ε１は、工具直径ｄの指数項であり、ζ１は、工具歯数ｚの指数項であり、η１は、切削力係数Ｃ_Ｆの指数項であり、且つ実験データのフィッティングによって得られる。

単位体積当たりの切削時Ｔ_cuttingの最適化ターゲットの関数モデルは、
である。

式において、Ｔ_cuttingは、単位体積当たりの切削時間であり、単位ｓ／ｍｍ^３である。

好ましくは、フライス削りパワーＰ_cutting関数モデルは、多項式回帰モデル
を用いて表される。

式において、Ａは、主軸回転数ｎの係数項であり、α２は、主軸回転数ｎの指数項であり、Ｂは、歯当たりの送り量ｆ_Ｚの係数項であり、β２は、歯当たりの送り量の指数項であり、Ｃは、フライス削り幅の係数項であり、γ２は、フライス削り幅ａ_ｅの指数項であり、Ｄは、フライス削り深さａ_ｐの係数項であり、δ２は、フライス削り深さａ_ｐの指数項であり、Ｅは、工具直径ｄの係数項であり、ε２は、工具直径ｄの指数項であり、Ｆは、工具歯数ｚの係数項であり、ζ２は、工具歯数ｚの指数項であり、Ｇは、切削力係数Ｃ_Ｆの係数項であり、η２は、切削力係数Ｃ_Ｆの指数項であり、Ｈは、式の定数項である。Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇ、α２、β２、γ２、δ２、ε２、ζ２、η２は、実験データのフィッティングによって得られる。

好ましくは、工具直径拘束は、
である。

式において、ｄ_１,ｄ_２,・・・,ｄ_ｎは、それぞれ工具メーカが提供するオプションの工具直径である。

工具歯数拘束は、
である。

式において、ｚ_１,ｚ_２,・・・,ｚ_ｎは、それぞれ工具メーカが提供するオプションの工具歯数である。

工具材料拘束は、
である。

式において、Ｃ_Ｆ１,Ｃ_Ｆ２,・・・,Ｃ_Ｆｎは、それぞれ工具メーカが提供するオプションの工具材料に対応する切削力係数である。

主軸回転数拘束は、
である。

式において、ｎ_ｍｉｎ、ｎ_ｍａｘは、それぞれ工具メーカが推奨する最小主軸回転数と最大主軸回転数である。

送り速度拘束は、
である。

式において、Ｆ_{ｖ＿ｍｉｎ}、Ｆ_{ｖ＿ｍａｎ}は、それぞれ工具メーカが推奨する最小送り速度と最大送り速度である。

フライス削り幅拘束は、
である。

式において、ａ_{ｅ＿ｍｉｎ}、ａ_{ｅ＿ｍａｘ}は、それぞれ工具メーカが推奨する最小フライス削り幅と最大フライス削り幅である。

フライス削り深さ拘束は、
である。

式において、ａ_{ｐ＿ｍｉｎ}、ａ_{ｐ＿ｍａｘ}は、それぞれ工具メーカが推奨する最小フライス削り深さと最大フライス削り深さである。

好ましくは、ステップ４における側フライス加工における工具パラメータとプロセスパラメータの統合最適化マルチターゲット関数モデルは、
である。

好ましくは、マルチターゲット関数モデルの正規化処理方法は、ターゲット関数の値を（０，１）の区間内にマッピングすることであり、具体的な正規化過程は、以下の式
で行なわれる。

式において、ｆ^* _iは、正規化後の関数表現式を表し、ｆ_ｉは、ｉ番目の関数値を表し、ｆ_{ｉ＿ｍａｘ}とｆ_{ｉ＿ｍｉｎ}とは、それぞれ区間内のｉ番目の関数の最大値と最小値を表す。

マルチターゲット関数モデルの重み付け化処理方法は、ターゲット関数の重要程度に応じて異なる重み係数を設定することである。重み付け後の関数モデルは、
である。

式において、ｃ_１、ｃ_２、ｃ_３は、それぞれ三つの最適化ターゲット関数の重み係数である。

好ましくは、ステップ６におけるマルチターゲット関数モデルの解を求め方法は、ブラックホール－連続アリコロニーアルゴリズムを採用する。

好ましくは、ステップ７は、具体的に以下のとおりであり、ステップ６において最適化の解を求めて得られた工具パラメータとプロセスパラメータ値(ｄ，ｚ，Ｍ，ｎ，Ｆ_ｖ，ａ_ｅ，ａ_ｐ)を、単位体積当たりの切削エネルギー消費Ｅ_cutting関数モデル、加工表面粗さＲ_ａ関数モデル、単位体積当たりの切削時間Ｔ_cutting関数モデルに代入し、経験加工方案と比較することで省エネ効果を予測可能である。

本発明は、以下の有益な効果を有する。

従来の側フライス加工において、工具パラメータとプロセスパラメータの最適化研究は、主に段階的な最適化方法を採用しており、両方を統合的に最適化する研究が不足している。本発明は、工具パラメータとプロセスパラメータとを全体としてグローバルパラメータ最適化を行う統合最適化方法により、最適化結果がより現実的な意義を有する。なお、段階的な最適化と比べて、工具パラメータとプロセスパラメータとを統合的に最適化することにより、潜在的な最適化空間をより全面的に掘り起こし、より好ましい加工方案を実現し、さらに省エネと汚染物質の排出削減を促進し、グリーン製造の要求により適合することができる。

図１は側フライス加工概略図である。図２は本発明方法のフローチャートである。図３はブラックホール－連続アリコロニーアルゴリズムのマルチターゲット関数モデルに基づいて最適化の解を求めるフローチャートである。

以下では、図面と実施例を結び付けながら、本出願の具体的な実施の形態をさらに詳細に記述する。
実施例１、本実施例は、ＶＭＣ６５０Ｌ型高速立形マシニングセンターがある直方体ワークを側フライスすることを例にして、加工中の工具パラメータとプロセスパラメータとを統合的に最適化し、最適化結果に基づいて省エネ予測を行う。側フライス加工概略図は、図１に示すように、図には、工具１とワーク２とが含まれている。

加工過程において、工具材料、直径、歯数などのパラメータの異なる組み合わせに応じて、異なる型番の工具を選択することができ、具体的な詳細パラメータ情報は、表１に示すとおりである。

図１～図２と結び付けて、本実施例を詳細に紹介し、側フライス加工における工具パラメータとプロセスパラメータの統合最適化及び省エネ予測方法であって、以下のステップを含み、
ステップ１：側フライス加工における工具パラメータとプロセスパラメータの統合最適化変数を決定し、ここで、工具パラメータの統合最適化変数は、工具直径ｄと、工具歯数ｚと、工具材料Ｍとを含み、プロセスパラメータの統合最適化変数は、主軸回転数ｎと、送り速度Ｆ_ｖと、フライス削り幅ａ_ｅと、フライス削り深さａ_ｐとを含む。

単位体積当たりの切削エネルギー消費Ｅ_cuttingの最適化ターゲットの関数モデルは、
である。

フライス削りパワーＰ_cutting関数モデルは、多項式回帰モデル
を用いて表される。

式において、Ｒ_ａは、加工表面粗さであり、単位μmであり、Ｋは、式の補正係数であり、Ｃ_Ｆは、切削力係数であり、その値は、ワーク材料に依存し、α１は、主軸回転数ｎの指数項であり、ｆ_Ｚは、歯当たりの送り量であり、β１は、歯当たりの送り量の指数項であり、γ１は、フライス削り幅ａ_ｅの指数項であり、δ１は、フライス削り深さａ_ｐの指数項であり、ε１は、工具直径ｄの指数項であり、ζ１は、工具歯数ｚの指数項であり、は、切削力係数であり、η１は、切削力係数Ｃ_Ｆの指数項であり、且つ実験データのフィッティングによって得られる。

単位体積当たりの切削時間Ｔ_cuttingの最適化ターゲットの関数モデルは、
である。

各ターゲット関数モデルにおける係数を得るために、本実施例は、タグチ直交テーブルＬ２７（３^７）を採用して実験を設計すると、係数をフィッティングするために必要な実験データが得られ、実験結果は、表２に示すとおりである。

表２に示す実験結果に基づいて、非線形多項式フィッティングを行い、フィッティングにより得られるフライス削りパワーＰ_cutting関数モデルは、
である。

そのため、単位体積当たりの切削エネルギー消費Ｅ_cutting最適化ターゲットの関数モデルはさらに、
に表されてもよい。

フィッティングにより得られる加工表面粗さＲ_ａ最適化ターゲットの関数モデルは、
である。

工具直径拘束は、
である。

工具歯数拘束は、
である。

工具材料拘束は、
である。

主軸回転数拘束は、
である。

送り速度拘束は、
である。

フライス削り幅拘束は、
である。

フライス削り深さ拘束は、
である。

ここで、切削力係数Ｃ_Ｆは、『工具メーカーが提供する切削用量資料／業界切削データハンドブック』に基づいて取得され、硬質合金、コバルト含有高速鋼、高速鋼の三種類の材料の工具にそれぞれ対応する切削力係数は、１．０７、１．１２と１．１３であり、フライス削り幅ａ_ｅの値は、一般的には工具直径の１０分の１以下であり、フライス削り深さａ_ｐの値は、一般的には工具直径の１．５倍以下であるため、本実施例の具体的な拘束条件は、
である。

本実施例では、側フライス加工における工具パラメータとプロセスパラメータの統合最適化マルチターゲット関数モデルは、
である。

ここで、マルチターゲット関数モデルの正規化処理方法は、ターゲット関数の値を（０，１）の区間内にマッピングすることであり、このように異なるターゲット関数の次元影響を除去し、それらを同一のスケール下で比較させることができ、具体的な正規化過程は、以下の式
で行なわれてもよい。

マルチターゲット関数モデルの重み付け化処理方法は、ターゲット関数の重要程度に応じて異なる重み係数を設定することであり、重み係数が大きいほど、あるターゲットが強調され、本実施例では、単位体積当たりの切削エネルギー消費の重みは、１／３であり、加工表面粗さの重みは、１／３であり、単位体積当たりの切削時間の重みは、１／３である。

そのため、本実施例では、重み付け後の関数モデルは、
である。

ステップ６：マルチターゲット関数モデルの最適化の解を求める。本実施例では、マルチターゲット関数モデルの解を求め方法は、ブラックホール－連続アリコロニーアルゴリズムを採用し、ブラックホール－連続アリコロニーアルゴリズムのマルチターゲット関数モデルに基づいて最適化の解を求めるフローチャートは、図３に示すように、既存のプログラム開発言語を採用して最適化プログラムを書き、コンピュータは、既存のオペレーティングシステムを使用し、プロセッサは、クアッドコアＩｎｔｅｌＣｏｒｅＣＰＵであり、メモリは、８ＧＢである。

本実施例では、最適化の解を求めて得られた工具パラメータとプロセスパラメータは、
（ｄ＝１４、ｚ＝４、Ｍ＝硬質合金、ｎ＝６０００、Ｆ_ｖ＝７４０、ａ_ｅ＝１．０、ａ_ｐ＝１５）である。

本実施例では、ステップ６において最適化の解を求めて得られた工具パラメータとプロセスパラメータ値を、単位体積当たりの切削エネルギー消費Ｅ_cutting関数モデル、加工表面粗さＲ_ａ関数モデル、単位体積当たりの切削時間Ｔ_cutting関数モデルに代入し、経験加工方案と比較することで省エネ効果を予測可能であり、例えば表３に示すとおりである。

表３から分かるように、最適化方案は、経験方案と比べて、単位体積当たりの切削エネルギー消費を２２．１４０Ｊ／ｍｍ^３から７．３６７Ｊ／ｍｍ^３に低減させ、１４．７７３Ｊ／ｍｍ^３の省エネを実現し、なお、表からさらに分かるように、加工表面粗さを１．６０１μｍから０．２１７μｍに低減させ、単位体積当たりの切削時間を０．０１７１ｓ／ｍｍ^３から０．００５４ｓ／ｍｍ^３に低減させ、グリーン、良質、高効率の生産需要を実現した。
上述したのは本発明の好適な実施形態を示したものに過ぎず、指摘すべきことは、本技術分野の当業者にとって、本発明の技術原理から逸脱しない限り、さらに幾つかの改善及び置換を行うことができることであり、これらの改善及び置換も本発明の保護範囲に入っていると見なされるべきである。

１工具、２ワーク

Claims

側フライス加工における工具とプロセスパラメータの統合最適化及び省エネ予測方法であって、以下のステップを含み、
ステップ１：側フライス加工における工具パラメータとプロセスパラメータの統合最適化変数を決定し、
ここで、工具パラメータの統合最適化変数は、工具直径ｄと、工具歯数ｚと、工具材料Ｍとを含み、
プロセスパラメータの統合最適化変数は、主軸回転数ｎと、送り速度Ｆ_ｖと、フライス削り幅ａ_ｅと、フライス削り深さａ_ｐとを含み、
ステップ２：側フライス加工における工具パラメータとプロセスパラメータの統合最適化ターゲット：単位体積当たりの切削エネルギー消費Ｅ_cutting、加工表面粗さＲ_ａ、単位体積当たりの切削時間Ｔ_cuttingを決定し、
ステップ３：側フライス加工における工具パラメータとプロセスパラメータの統合最適化拘束条件を決定し、工具パラメータの統合最適化拘束条件は、工具直径拘束と、工具歯数拘束と、工具材料拘束とを含み、プロセスパラメータの統合最適化拘束条件は、主軸回転数拘束と、送り速度拘束と、フライス削り幅拘束と、フライス削り深さ拘束とを含み、
ステップ４：側フライス加工における工具パラメータとプロセスパラメータの統合最適化マルチターゲット関数モデルを確立し、
ステップ５：マルチターゲット関数モデルに対して正規化と重み付け化処理を行い、
ステップ６：マルチターゲット関数モデルの最適化の解を求め、
ステップ７：ステップ６において最適化の解を求めて得られた工具パラメータとプロセスパラメータに基づいて省エネ効果を予測し、
ステップ２において、単位体積当たりの切削エネルギー消費Ｅ_cuttingの最適化ターゲットの関数モデルは、
であり、式において、Ｅ_cuttingは、単位体積当たりの切削エネルギー消費であり、単位Ｊ／ｍｍ^３であり、Ｐ_cuttingは、フライス削りパワーであり、単位Ｗであり、ＭＲＲは、材料除去率であり、単位ｍｍ^３／ｓであり、
加工表面粗さＲ_ａの最適化ターゲットの関数モデルは、
であり、式において、Ｒ_ａは、加工表面粗さであり、単位μmであり、Ｋは、式の補正係数であり、Ｃ_Ｆは、切削力係数であり、その値は、切削工具の材質に依存し、
α１は、主軸回転数ｎの指数項であり、ｆ_Ｚは、歯当たりの送り量であり、β１は、歯当たりの送り量の指数項であり、γ１は、フライス削り幅ａ_ｅの指数項であり、δ１は、フライス削り深さａ_ｐの指数項であり、ε１は、工具直径ｄの指数項であり、ζ１は、工具歯数ｚの指数項であり、η１は、切削力係数Ｃ_Ｆの指数項であり、
単位体積当たりの切削時間Ｔ_cuttingの最適化ターゲットの関数モデルは、
であり、式において、Ｔ_cuttingは、単位体積当たりの切削時間であり、単位ｓ／ｍｍ^３であり、
フライス削りパワーＰ_cutting関数モデルは、多項式回帰モデル
を用いてあらわされ、式において、Ａは、主軸回転数ｎの係数項であり、α２は、主軸回転数ｎの指数項であり、Ｂは、歯当たりの送り量ｆ_Ｚの係数項であり、β２は、歯当たりの送り量の指数項であり、Ｃは、フライス削り幅の係数項であり、γ２は、フライス削り幅ａ_ｅの指数項であり、Ｄは、フライス削り深さａ_ｐの係数項であり、δ２は、フライス削り深さａ_ｐの指数項であり、Ｅは、工具直径ｄの係数項であり、ε２は、工具直径ｄの指数項であり、Ｆは、工具歯数ｚの係数項であり、ζ２は、工具歯数ｚの指数項であり、Ｇは、切削力係数Ｃ_Ｆの係数項であり、η２は、切削力係数Ｃ_Ｆの指数項であり、Ｈは、式の定数項であり、
工具直径拘束は、
であり、式において、ｄ_１,ｄ_２,・・・,ｄ_ｎは、それぞれ工具メーカが提供するオプションの工具直径であり、
工具歯数拘束は、
であり、式において、ｚ_１,ｚ_２,・・・,ｚ_ｎは、それぞれ工具メーカが提供するオプションの工具歯数であり、
工具材料拘束は、
であり、式において、Ｃ_Ｆ１,Ｃ_Ｆ２,・・・,Ｃ_Ｆｎは、それぞれ工具メーカが提供するオプションの工具材料に対応する切削力係数であり、
主軸回転数拘束は、
であり、式において、ｎ_ｍｉｎ、ｎ_ｍａｘは、それぞれ工具メーカが推奨する最小主軸回転数と最大主軸回転数であり、
送り速度拘束は、
であり、式において、Ｆ_{ｖ＿ｍｉｎ}、Ｆ_{ｖ＿ｍａｎ}は、それぞれ工具メーカが推奨する最小送り速度と最大送り速度であり、
フライス削り幅拘束は、
であり、式において、ａ_{ｅ＿ｍｉｎ}、ａ_{ｅ＿ｍａｘ}は、それぞれ工具メーカが推奨する最小フライス削り幅と最大フライス削り幅であり、
フライス削り深さ拘束は、
であり、式において、ａ_{ｐ＿ｍｉｎ}、ａ_{ｐ＿ｍａｘ}は、それぞれ工具メーカが推奨する最小フライス削り深さと最大フライス削り深さであり、
ステップ４における側フライス加工における工具パラメータとプロセスパラメータの統合最適化マルチターゲット関数モデルは、
であり、マルチターゲット関数モデルの正規化処理方法は、ターゲット関数の値を（０，１）の区間内にマッピングすることであり、具体的な正規化過程は、以下の式
で行なわれ、式において、ｆ^* _iは、正規化後の関数表現式を表し、ｆ_ｉは、ｉ番目の関数値を表し、ｆ_{ｉ＿ｍａｘ}とｆ_{ｉ＿ｍｉｎ}とは、それぞれ区間内のｉ番目の関数の最大値と最小値を表し、
マルチターゲット関数モデルの重み付け化処理方法は、ターゲット関数の重要程度に応じて異なる重み係数を設定することであり、重み付け後の関数モデルは、
であり、式において、ｃ_１、ｃ_２、ｃ_３は、それぞれ三つの最適化ターゲット関数の重み係数である、ことを特徴とする側フライス加工における工具とプロセスパラメータの統合最適化及び省エネ予測方法。
ステップ６におけるマルチターゲット関数モデルの解を求め方法は、ブラックホール－連続アリコロニーアルゴリズムを採用する、ことを特徴とする請求項１に記載の側フライス加工における工具とプロセスパラメータの統合最適化及び省エネ予測方法。
ステップ７は、具体的に以下のとおりであり、
ステップ６において最適化の解を求めて得られた工具パラメータとプロセスパラメータ値(ｄ，ｚ，Ｍ，ｎ，Ｆ_ｖ，ａ_ｅ，ａ_ｐ)を、単位体積当たりの切削エネルギー消費Ｅ_cutting関数モデル、加工表面粗さＲ_ａ関数モデル、単位体積当たりの切削時間Ｔ_cutting関数モデルに代入し、経験加工方案と比較することで省エネ効果を予測可能である、ことを特徴とする請求項１に記載の側フライス加工における工具とプロセスパラメータの統合最適化及び省エネ予測方法。