JPH04135206A - 加工条件自動決定装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

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加工条件自動決定
装置に関する。

【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、工作物の仕上げ径、取代、剛性係数、部品種別等の
入力条件データから、粗研、精研、機器等の研削モード
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。

【発明が解決しようとする課題】

ところが、実際には、自動決定された加工条件データが
、各種の入力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が作業者の
経験や勘、或いは、実際にその加工条件で加工された加
工結果を考慮して補正されているこの理論的に決定し難
い補正量を自動決定するには、入力条件データを入力と
し、補正量を出力とするニューラルネットワークを構築
し、その結合係数を学習させることで、多様な入力条件
データの全ての組合せに対して、最適な補正量を得るこ
とが考えられる。 しかし、研削加工において考え得る全ての入力条件デー
タと考え得る全ての加工条件データとに対してニューラ
ルネットワークを構築すると、結合係数の数がデータ数
の指数関数で増加する。このため、結合係数を記憶する
ための記憶容量及び演算速度が、データ数に対して指数
関数的に増大するという問題がある。 逆に、研削加工の標準モデルを設定し、その標準モデル
での入力条件データと加工条件データとに対応する標準
ニューラルネットワークを構築することが考えられる。 しかしながら、１つの標準モデルで全ての研削加工に対
応させることは不可能である。 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、多種類の加工に対応で
き、しかも、記憶容量や演算時間を増大させることなく
加工条件データの自動決定を行うことである。

【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９図に示す
ように、加工条件データの基準値を演算する基準値演算
手段と、入力条件データの名称を選択的に指定する入力
条件データ指定手段と、加工条件データの名称を選択的
に指定する加工条件データ指定手段と、指定された名称
の入力条件データを入力とし、指定された名称の加工条
件データに対する補正量を出力とするニューラルネット
ワークを形成する形成手段と、そのニューラルネットワ
ークを学習させる学習手段と、実際の加工に際し、入力
条件データをニューラルネットワークに入力させて、実
際の加工条件データに対応する補正量を出力させる制御
手段と、加工条件の基準値をニューラルネットワークの
出力による補正量で補正する補正手段とを設けたことで
ある。

【作用】

入力条件データ指定手段と加工条件データ指定手段とに
より、それぞれ、加工の態様に応じて、必要な入力条件
データの名称と必要な加工条件データとの名称２が指定
される。 ニューラルネットワーク形成手段は、入力条件データ指
定手段により指定された名称の入力条件データを入力と
して、加工条件データ指定手段により指定された名称の
加工条件データの補正量を出力とするニューラルネット
ワークを形成する。 形成されたニューラルネットワークは学習手段により結
合係数が学習され、二二一うルネットワークは所望の結
果が得られる状態となる。 実際の加工においては、現実の入力条件データが選択さ
れた名称に対応してニューラルネットワークに入力され
て、そのニューラルネットワークから加工条件の補正量
が出力される。そして、加工条件データの基準値がその
補正量だけ補正されて、現実の加工条件データが求めら
れる。

【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。 （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のベツド５１の上
には、そのベツド５１に対して摺動するテーブル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は心理軸５７を有している。 工作物Ｗは主軸５５及び心理軸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５５０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と選択的に指定された入力条件データの名称、
例えば、仕上げ径、取代、剛性係数、部品種別、荒仕上
分割、作業者名等を記憶する入力条件データ名称領域３
３２と選択的に指定された加工条件データの名称、例え
ば、工作物回転数、研削開始位置、研削送り速度、研削
後送り停止時間等を記憶する加工条件データ名称領域３
３３とが形成されている。その他、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３３４とが設け
られている。さらに、実際の加工に際し、設定された入
力条件データ名称に対応する具体的な入力条件データ（
数値）が記憶される入力条件データ領域３３５と設定さ
れた加工条件データ名称に対応する具体的な加工条件デ
ータの基準値を記憶する基準値領域３３６、その補正量
を記憶する補正量領域３３７及び最終的な演算結果であ
る加工条件データを記憶する加工条件データ領域３３８
とが形成されている。 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と形成されたニューラルネットワークの演算プロ
グラムを記憶したニューラルネットワーク領域３２３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３２４とが形成され
ている。 又、数値制御装置３０にはＩＦ５４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２
１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。 （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、入力条件データ名称及び加工条件データ名称の指定 第３図は、入力条件データの名称を指定するプログラム
を示したフローチャートである。 ステップ３００において、研削加工において、考え得る
全入力条件データの名称リストがＣＲＴ２３に表示され
る。 又、ステップ３０２において、同様に、研削加工におい
て、考えうる全加工条件データの名称リストがＣＲＴ２
３に入力条件データ名称リストと共に表示される。ＣＲ
Ｔ２３上に表示される名称リストは第８図に示すものど
なる。 作業者はこの入力条件データ及び加工条件データの名称
リストを見て、加工条件データの補正に必要な入力条件
データの名称と、ニューラルネットワークで補正すべき
加工条件データの名称をキーボード２２により指定する
。第８図に示すように、選択された名称は○印が付けら
れる。 次に、ステップ３０４において、キーボード２２により
指定された入力条件データ名称及び加工条件データ名称
が読み取られ、それらのデータ名称は、それぞれ、ＲＡ
Ｍ３３の入力条件データ名称領域３３２及び加工条件デ
ータ名称領域３３３に記憶される。 ２、ニューラルネットワークの形成 衣に、ステップ３０６において、ニューラルネットワー
クの構造が、指定された入力条件データの名称及び指定
された加工条件データの名称に応じて決定される。例え
ば、１つの構造は、指定された全入力条件データを入力
として、指定された全加工条件データの補正量を出力と
する１つのニューラルネットワークである。この時、層
数も選択された入力条件データの名称や加工条件データ
の名称を考慮して決定される。又、選択された全入力条
件データが選択された各加工条件データの補正量に影響
を与えるとは限らない。この場合は、影響を与える加工
条件データ毎に入力条件データを群別化して、それぞれ
のニューラルネットワークを構成しても良い。又、相互
に影響する加工条件データと入力条件データを群別化し
て、その各群に対応するニューラルネットワークを構成
しても良い。又、１つの入力条件データの名称に対して
、複数の入力素子を割当て、１つの加工条件データの補
正量に対して複数の出力素子を割当る構造としても良い
。 第４図に示す選択された入力条件データの名称と加工条
件データの名称に対しては、全てが相互に関係があり、
ニューラルネットワークの構造は単一で３層と決定され
る。 又、ニューラルネットワークの入力層、中間層、出力層
の各素子数が決定される。入力層の素子数は指定された
入力条件データ名称の数となり、出力層の素子数は指定
された加工条件データ名称の数となる。そして、中間層
の素子数は作業者により入力される。 次に、ステップ３０８において、ＲＡＭ３３の結合係数
領域３３４上において、入力層上中間層との間の各素子
の結合係数及び中間層と出力層の各層の結合係数を記憶
すべきアドレスが各素子毎に割当られる。 又、入力条件データ名称領域３３２に記憶されている入
力条件データ名称とニューラルネットワークの入力層の
素子とが対応ずけられ、加工条件データ名称領域３３３
に記憶されている加工条件データ名称とニューラルネッ
トワークの出力層の素子とが対応ずけられる。 このような操作により第４図に示す関係の単一構造のニ
ューラルネットワークが構築される。 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１層の第一」番目の素子の出力Ｏｊは、次式で計算さ
れる。但し、ｌ≧２である。 ＴＪ＝Ｚ　Ｌ　　、　」（Ｌ　　＋ｖ４　　　　　　　
　　　　　　　　　””（２１ｆ（ｘ）＝１／　　（１
＋ｅｘｐ（−ｘ））　　　　　　　　　　　　　　　　
　　　　−４３）但し、Ｖ、は第１層の第ｊ番目の演算
素子のバ第１層の第３番目の素子間の結合係数、ＤＪ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、 ＤＪ＝ＤＪ−（４） 但し、Ｄ、は入力層の１番目の素子に入力される入力条
件データである。 に記憶される。 ３結合係数の学習 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４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ブロバーゲ
ーンヨン法により実行される。 第５図のステップ４００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。 Ｙ、＝（Ｔ、−Δ、）・ｆ’（１，）　　　　　　　　
　　　　　　　　　（５）但し、Ｔ、は入力信号に対し
て第」番目の出力層の素子の望ましい出力（教師信号）
で、外部より付与される。 次に、ステップ４０２において、中間層の学習信号が次
式で演算される。 △ωｒ、　＝　（ｔ）＝Ｐ−ＹＪ−ｆ　（１＋）＋Ｑ・
Δωｉ、　Ｊ　（ｔ−１）よって、結合係数は、 次に、ステップ４０４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。 子と中間層の第１番目の素子との間の結合係数の第を回
目演算の変化量である。 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４０６へ移行して、中間層の容素の結合
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。 により、補正された結合係数が求められる。 次に、ステップ４０８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４００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。 このようなニューラルネットワークの結合係数の学習は
、入力条件データを多様に変化させて、その入力条件デ
ータに対する出力に対する教師信号を用いて、学習が繰
り返し実行される。 このような学習の結果、ＲＡＭ３３の結合係数領域３３
４には、選択された名称の入力条件データに対して、選
択された名称の加工条件データの適性な補正量を出力で
きるニューラルネットワークの結合係数が記憶される。 尚、上記の学習は、ニューラルネットワークが新しく構
築された場合には、当然、行われるが、その他、実際の
加工に際して得られた結果に基づく、学習も色々な加工
が進行するに連れて、随時行われる。 ４、加工時における入力条件データの入力次に、実際の
加工時において、加工条件データを現実に求める場合の
ＣＰＵ３１の処理手順について説明する。 第６図は、具体的に付与された入力条件データから現実
の加圧に使用する具体的な加工条件−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から入力される入
力条件データが読み取られ、ＲＡＭ３３の入力条件デー
タ領域３３２のその名称に対応したアトスレに記憶され
る。本実施例では、入力条件データとしては、仕上げ径
データＤ　１．取代データＤ２．剛性係数データＵｓ、
部品種別データ０６．荒仕上分割データＤｓ、　Ａ作業
者名データ０．、　Ｂ作業者名データＤ、、　Ｃ作業者
名データロ、が選択されたものとしている。 ５、加工条件データの基準値の演算 次のステップ１０２では上記の入力条件データ（０１〜
Ｄｓ）及び他の入力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
ータに１．精研回転数データに麿９機器回転数データＫ
ｓ、粗研開始径データに４．精研開始径データＫｓ、機
器開始径データに６．粗研送り速度データに７．精研送
り速度データＫｍ、機器送り速度データに９．粗研後送
り停止時間データに１゜、機器後送り停止時間データＫ
ｌｌとが選択されたものとしている。 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。 各研削モードの研削送り速度データは、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。入力条件データか
ら、研削後送り停止回転数が決定され、回転数データを
用いて、研削後送り停止時間が演算される。 ６、ニューラルネットワークによる演算次に、ステップ
１０４において、第４図に示すニューラルネットワーク
を起動して、現実の具体的数値である入力条件データＤ
　Ｉ”””　Ｄ−を入力して、各加工条件データ（Ｋ、
〜Ｋｚ）に対する具体的数値である補正量δ１〜δ、が
演算される。 ニューラルネットワークの具体的な演算は第７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り、〜Ｄ、
を入力して、次式の積和演算が行われる第２層の第３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。 Ｉ＝”ｎ　Ｗｉ＋、　；・Ｄｗ　　　　　　　　　　　
　　　””ＣＤ次に、ステップ２０２において、次式に
より、００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３番目の素子の出力値は次式で演算される。 ０２−ｆ（Ｉｉ　＞＝１／　（１＋ｅｘｐ（−１７）　
）　　　　　　　　−ＩＩＺｒこの出力値Ｏｊ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。 Ｉ、−ΣＬ１．・０ｋ０３ 次に、ステップ２０６において、０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
。この出力値は加工茶−件データの補正量δユとなる。 即ち、補正量δ、は次式で求められる。 ステップ１０６では、ステップ１０２で求ぬられた加工
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〜δ、１との和により、加工条件デ
ータに、〜に、が求められる。

【発明の効果】

本発明は、本装置のユーザが加工の態様により、補正す
べき加工条件データの名称と、その補正に使用する入力
条件データの名称とを指定し、その指定に応じて、ニュ
ーラルネットワークを形成するようにしている。従って
、ユーザの使用する加工の態様に応じた、最適なニュー
ラルネットワークが、余剰に記憶容量を増大させること
なく、しかも演算時間を増大させることなく形成される
。よって、短時間で最適な加工条件を効率良く求めるこ
とが可能となる。

【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。第一３図は二−ラルネットワークの形成手順を示し
たフローチャート。第４図は同実施例に係るニューラル
ネットワークの構造を示した構造図。第５図はニューラ
ルネットワークの学習手順を示したフローチャート。第
６図は同実施例装置で使用されているＣＰＵ０主処理手
順を示したフローチャート。第７図はそのニューラルネ
ットワークの演算手順を示したフローチャート。第８図
は入力条件データ名称リスト及び加工条件データ名称リ
ストを示した説明図。第９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−ＣＰ　Ｕ ３２−ＲＯＭ　　３３−ＲＡＭ　　５０　　研削盤５１
　ベツド　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　工作物特許出願人　　
豊田工機株式会社 代　理　人　　弁理士　藤谷　修 第 図 第 図 第 図 第 図 第 図

Claims (1)

1. 【特許請求の範囲】 数値制御工作機械により工作物を加工する場合において
   、工作物の加工を制御するための加工条件データを、工
   作物、工具等に関連する入力条件データから自動決定す
   る装置において、 前記加工条件データの基準値を演算する基準値演算手段
   と、 前記入力条件データの名称を選択的に指定する入力条件
   データ指定手段と、 前記加工条件データの名称を選択的に指定する加工条件
   データ指定手段と、 前記入力条件データ指定手段により指定された名称の入
   力条件データを入力とし、前記加工条件データ指定手段
   により指定された名称の加工条件データに対する補正量
   を出力とするニューラルネットワークを形成する形成手
   段と、 前記形成手段により形成された前記ニューラルネットワ
   ークを学習させる学習手段と、 前記ニューラルネットワークに、実際の加工時の入力条
   件データを入力させて前記加工条件データに対する補正
   量を出力させる制御手段と、前記基準値演算手段により
   演算された前記加工条件の基準値を前記ニューラルネッ
   トワークの出力による補正量で補正する補正手段と、 から成る加工条件自動決定装置。