JPH11320261A - ワ―クの特性の特質に関する指標を提供する装置及び方法 - Google Patents

ワ―クの特性の特質に関する指標を提供する装置及び方法

Info

Publication number
JPH11320261A
JPH11320261A JP11111300A JP11130099A JPH11320261A JP H11320261 A JPH11320261 A JP H11320261A JP 11111300 A JP11111300 A JP 11111300A JP 11130099 A JP11130099 A JP 11130099A JP H11320261 A JPH11320261 A JP H11320261A
Authority
JP
Japan
Prior art keywords
characteristic
signal
generating
machining process
signal indicative
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.)
Pending
Application number
JP11111300A
Other languages
English (en)
Inventor
Evelitsa E Higuerey
イー．ヒギュレイ エヴェリッサ
Aaron L Schweizerhof
エル．シュウェイザーホフ アーロン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Raytheon Technologies Corp
Original Assignee
United Technologies Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by United Technologies Corp filed Critical United Technologies Corp
Publication of JPH11320261A publication Critical patent/JPH11320261A/ja
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/14—Electric circuits specially adapted therefor, e.g. power supply
    • B23H7/20—Electric circuits specially adapted therefor, e.g. power supply for programme-control, e.g. adaptive
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H9/00—Machining specially adapted for treating particular metal objects or for obtaining special effects or results on metal objects
    • B23H9/10—Working turbine blades or nozzles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H9/00—Machining specially adapted for treating particular metal objects or for obtaining special effects or results on metal objects
    • B23H9/14—Making holes
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Thermal Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
  • General Factory Administration (AREA)

Abstract

(57)【要約】 【課題】 １つまたはそれ以上の処理パラメータに関す
る１つまたはそれ以上の計測した特性に基づいて、モデ
ルを使用して確率的機械加工処理によって形成される製
品の特性に関する特質予測を行う。 【解決手段】 確率的機械加工処理によって製造される
製品の特性に関する特質の指標を提供する装置は、確率
的機械加工処理に関連する少なくとも１つのパラメータ
を検出する少なくとも１つのセンサ（９４，９６，９
８）を含み、これらのセンサは、これらの処理パラメー
タを示す少なくとも１つの計測信号（１０４，１３０，
１３２）を提供する。該装置は、更に、該処理パラメー
タと製造される製品の特質との関係を示すモデル（２８
０）を有する信号プロセッサ（１４０）を含み、このモ
デルを用いて製品特性に関する特質予測を示す信号を生
成する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、放電加工などの確
率的機械加工処理により製造された製品の特性に関する
特質を予測することに関し、特に、機械加工処理で使用
される複数の処理パラメータの１つまたはそれ以上の測
定値に基づいてこの特質を予測することに関する。
【０００２】
【従来の技術】放電加工（ＥＤＭ）は、例えば、タービ
ンエアフォイルなどのガスタービンエンジン部材を含む
種々の金属部材の製造で使用される。ＥＤＭは、ワーク
から材料を除去するために電極と導電性のワークとの間
での高エネルギ放電即ちスパークを利用する。電極は、
ワークに近接して配置され、僅かな距離即ち間隙によっ
てワークから分離される。電極とワークとの間の間隙
は、誘電流体媒体で満たされる。電極とワークとの間に
は、特定の値の電圧差が加えられる。加えられた電圧
は、誘電流体をイオン化して分解する。誘電流体が分解
されると、電極、ワーク、及び誘電媒体を通じて電流が
流れ始める。この電流は、ワークの表面で熱を発生させ
る。この熱は、ワークの材料温度を大きく上昇させてワ
ーク材料を局部的に溶解させる。電圧差が減少される
と、誘電媒体が非イオン化して電流が停止する。熱が発
生しなくなり、電極及びワークがある程度冷却される。
融解材料は、誘電媒体によってワーク部分から流される
に従って凝固し、ワークにクレータを残す。このクレー
タは、通常電極に対応する形状を有する。ワークは、電
極と相補的な形状に形成される。通常“オン／オフ”サ
イクルと呼ばれるこの工程即ちサイクルは、材料が完全
に除去されるまで繰り返される。
【０００３】ＥＤＭは、炭化物や超硬合金を含む導電性
の材料に複雑な形状の機械加工を行うのに特に有効であ
る。通常、従来の処理を用いてこれらの材料を機械加工
することは非常に困難である。例えば、壊れやすいワー
クは、ＥＤＭを用いて変形することなく機械加工するこ
とができる。また、ＥＤＭの後は、従来の仕上げ作業が
通常必要とされない。一般にワイヤＥＤＭと呼ばれるＥ
ＤＭ処理の一種は、ワークに複雑な形状を機械加工する
のに小さなワイヤを使用する。一般にプランジＥＤＭと
呼ばれる他の種類のＥＤＭ処理は、ワークに溝もしくは
孔を機械加工する長い電極を使用する。この処理によっ
て、ガスタービンエンジンなどの金属物体に小さな深い
孔などを形成することができる。
【０００４】ＥＤＭは、数年にわたって使用されている
とはいえ、確率的な処理であり、ＥＤＭがワークから金
属を除去する上述のメカニズムは、複雑であるとともに
まだ研究中である。ＥＤＭ処理の複雑さの一因は、数多
くの要素が処理の結果に影響を及ぼすことである。これ
らの要素には、処理パラメータ、機械加工の環境的な条
件、及びワーク、電極、誘電媒体の特性が含まれる。処
理が適切かどうかは、機械加工の結果が、寸法的、幾何
学的、及び機能的な切断に関する必要条件や表面仕上げ
及び硬さに関する必要条件にどの程度近いかによって決
まってくる。
【０００５】重要なＥＤＭ処理パラメータには、ピーク
電流、オン／オフサイクル、電圧、極性、及びフラッシ
ング条件が含まれる。これらのパラメータは、通常、
（例えば、表面仕上げ、鋳造層状態、硬さ及び応力など
の）ワークの所望の出力特性に基づいて最適化する必要
がある。環境的な条件には、温度及び湿度が含まれる。
【０００６】重要なＥＤＭワーク及び電極の特性には、
導電性、融点、硬さ、及び寸法的な精度が含まれる。比
較的低い導電性を有するワークでは、加熱度が増すの
で、より早い速度で材料が除去される。ワークの融点が
比較的低いと、溶解のために要求されるエネルギが低く
なる。電極の導電率及び融点が比較的高いことは、多く
の場合、電極の摩耗率を低減するとともに材料の除去速
度を加速するのに理想的である。
【０００７】誘電媒体の特性には、その絶縁耐力、粘
性、及び流量が含まれる。その絶縁耐力は、ＥＤＭ中に
流体をイオン化するのに必要な電圧の値を表す。絶縁耐
力が高いと、流体蒸発率が低くなり、イオン化／非イオ
ン化処理が速くなる。誘電媒体の粘性は、デブリを押し
流す能力や熱を分散させる能力に影響を与える。粘性が
比較的低いと、フラッシング能力が向上し、熱の分散が
より効果的になる。適切な流量は、融解粒子（即ちデブ
リ）をワーク部分から除去するとともに冷却及び切削処
理を補助するために必要である。ワーク部分のデブリ
は、ワークからエネルギをそらして材料除去率に影響を
及ぼすので有害である。更に、ワーク部分のデブリは、
切削サイクルを中断させるとともにワーク表面を傷つけ
るアーキングを引き起こすおそれがある。また、更に、
このようなデブリは、処理能力を不規則で制御しにくい
ものとし、不完全な機械加工及び工具やワークの損傷に
つながるおそれもある。
【０００８】ＥＤＭ処理を複雑にしている他の要因は、
上記の要素の間での複雑な相互作用である。例えば、間
隙の寸法が大きすぎる場合には、誘電媒体はイオン化せ
ず、ＥＤＭを行うことができないおそれがある。他方、
間隙が小さすぎれば、部材及び工具は互いに溶接されて
しまい得る。通常、電極とワークとの間隙を一定に保つ
ためにサーボ機構が使用される。サーボ機構の効果は、
ＥＤＭパラメータの選択及びその最適化、ワーク／ツー
リング／誘電流体の変化、及び設備保全の有効性によっ
て決まってくる。誘電流体が汚染されるかもしくはフラ
ッシング状態が不十分であれば、アーキング、電極の速
い摩耗、及び材料の不十分な除去などの望ましくない状
態が生じ得る。
【０００９】更に他の要因は、上記の各パラメータ及び
特性の変動性である。このような変動には、ある日から
翌日にかけて連続した処理の間でＥＤＭ処理中に起こる
変動やワーク／電極／誘電体の変動が含まれる。これら
の変動のいくつかは、時間や使用によるものであり、一
方、供給業者や製造の公差に関するものもある。ワー
ク、誘電流体、及びツーリングの特性は、それぞれの製
造処理の安定性によってランダムに変化しうる要素であ
る。
【００１０】このような変動性は、最終的にＥＤＭ処理
において非常に重要となる。この変動性が予測不可能な
ために、最初にＥＤＭ処理パラメータを選択する場合に
考慮されないことが多い。とにかく、この変動性を実際
的な方法で制御することは、多くの場合かなり困難であ
るかもしくは不可能である。最終製品の全体的な品質
は、多くの場合、オフラインの調整または処理後の段階
においてランダムに導入された変動または不確定性に対
してどのように対処したかによって決まってくる。しか
し、オフラインの調整は、通常、いくつかの不良品を製
造した後に初めて行われる。
【００１１】また、更に、ヒューマンファクタがある。
例えば、この処理では、ワーク及び電極をそれぞれの固
定具に設置するオペレータが必要となり得る。これらの
部材が誤って設置されると、ワークに対して電極が（位
置または角度に関して）誤って配置されるおそれがあ
る。この誤った配置は、不適切な機械加工を引き起こす
おそれがある。
【００１２】ＥＤＭ処理固有の性質が確率的でかつ動的
であるので、いつでも所望の品質で製品を製造すること
は難しい。このため、通常、処理の終わりに製品の品質
を点検する事後検査が必要となる。この事後製品検査の
段階は、時間及びコストがかかるとともに、主観的でか
つ不正確となり得る。
【００１３】上記の問題のいくつかを明確にするため
に、ガスタービンエンジン部材に冷却流路即ち孔を機械
加工する処理を検証することが有益である。一般のガス
タービンエンジンは、コンプレッサ、燃焼器、及びター
ビンを有する。コンプレッサ及びタービンは、それぞれ
複数の回転ブレード及び固定ベーンを含む。エンジン
は、高い性能及び効率を得るために、多くの場合約２７
５０度Ｆ（１５０８度Ｃ）を大きく超える高温で動作す
る。しかし、このような高温に直接さらされると、例え
ばブレードやベーンなどのタービン部材には、有害な影
響が及ぼされるとともに変形するおそれが生じ、極端な
場合には部材が溶解してしまう。
【００１４】エンジンを高温で運転しながらブレード及
びベーンの温度を設計限度内に保つために冷却技術が開
発された。例えば、高温にさらされるブレードやベーン
は、通常、これらを通じて冷却流体が流れ得るように中
空となっている。更に、エンジン部材の外側面は、通
常、エンジンのコンプレッサセクションからの冷却空気
によってフィルム冷却される。冷却空気は、通常、部材
を通じて流れ、部材の外側壁に形成された一連の小さな
流路または孔（即ち冷却孔）から流出する。フィルム冷
却は、他の適切な冷却技術よりも必要とする冷却空気量
が少なく、よって、ガスタービンエンジンの運転効率に
及ぼす影響が少ない。
【００１５】ガスタービンエンジン部材の冷却孔は、通
常、ＥＤＭ処理、レーザ処理、もしくはこれらの組み合
わせなどの複雑な機械加工処理を利用して形成される。
冷却孔の２つの重要な特質は、ブレークスルー及び空気
流量である。ブレークスルーは、冷却流路が部材の外側
壁を完全に貫通する状態である。空気流量は、これらの
流路の質量流量を定める測度であり、無次元空気流量圧
力比として表すことができる。
【００１６】例えば、ブレークスルーや空気流量の特質
などの機械加工された流路の品質は、上記で説明した各
要因を含む種々の要因によって影響を受け得る。１つの
要因は、ワークの変動である。例えば、壁の厚みが部材
によって大きく異なると、サイクル時間、空気流量、及
びブレークスルー条件が異なってしまうおそれがある。
更に、壁が厚いと、電極の摩耗や先細りがより多く引き
起こされ、流路の開口部断面が先細となってしまうとと
もに空気流量特性が高くなってしまう。
【００１７】電極の変動も、部材の最終品質特性に直接
影響がある。電極の不純物は、高温条件の下で結晶粒組
織を溶解または破壊するおそれがある。ＥＤＭの最終特
性は、電極の特質を反映するので、このような欠陥は、
不完全なブレークスルー及び他の流路との間での空気流
量の変動につながり得る。
【００１８】更に、汚染されたつまり品質が悪い誘電媒
体は、金属除去率に直接影響がある。誘電媒体の品質が
低いと、金属除去率が低くなってしまい、不完全なブレ
ークスルーや空気流量の変動を含む処理の失敗のおそれ
が高くなる。
【００１９】従って、従来は、機械加工した孔のブレー
クスルーや空気流量特性を確認するために、ワークを機
械加工後に手作業で検査しなければならない。ブレーク
スルーの検査は、ピンゲージを用いて手作業で各開口部
を調べてブレークスルーが完全かどうかを確認すること
を伴う。空気流量の検査は、ワークを洗浄し、特定の開
口部にワックスを施し、ワックスを施していない開口部
の空気流量を検査することを含む。通常、検査後にワッ
クスを取り除くために、ワークを熱する。
【００２０】ＥＤＭを用いて機械加工した部材は、検査
なしで高品質の特性を有し得るが、特性の品質を知る必
要がある場合には、上述した従来の方法の１つまたはそ
れ以上によって特性を検査する必要がある。しかし、こ
のような手作業の検査方法は、時間及びコストがかかる
とともに、ヒューマンエラーを受けやすい。従って、ブ
レークスルー及び空気流量を確認するよりよい方法が求
められている。
【００２１】通常のスパークを有害なアークから区別す
るために、ＥＤＭ電圧及び電流の波形の調査を容易にす
る最新式の監視システムの開発が長い間行われてきた。
他の研究では、間隙の電圧信号を調査するために発火遅
延時間が監視された。また、処理パラメータを制御する
ために数多くの制御システムが開発された。これらのシ
ステムのほとんどは、特に、材料の除去率を最大にする
とともに有害なアーキングを減少させ、かつ処理の安定
度を高めることに焦点を合わせている。しかし、上記シ
ステムは、いずれも製品の検査、特性に関する特質の予
測、または処理の終了時に確実に製品の品質を得る補助
を行うことができない。
【００２２】スケイリクに付与された米国特許第５，２
８２，２６１号は、ニューラルネットワークを用いた処
理計測及び制御システムを開示している。このシステム
では、制御装置へのセンサもしくは実験の入力の代わり
にニューラルネットワークからのリアルタイムの出力デ
ータを利用し、ネットワークは、既に利用可能なセンサ
の測定値を入力として使用して製品特性の予測値を出力
として生成することができる。センサ及び研究の履歴を
ニューラルネットワークに提供するために、以前のデー
タベースを利用することもできる。スケイリクは、多く
の製品の重要な製品特性が、処理の処理条件ではなく製
品の最終用途に関連することを開示している。しかし、
スケイリクは、処理で生じる特性の品質を予測するＥＤ
Ｍ処理とともに使用可能なシステムは開示していない。
【００２３】レイトマン等に付与された米国特許第５，
６５４，９０３号は、製造処理中の製品特性の状態を監
視する方法及び装置を開示している。このシステムは、
時間を関数とした製造処理の識別特性と製品特性との関
係に基づいてトレーニングしたインテリジェントシステ
ムを使用する。しかし、レイトマン等は、製品品質を予
測するためにＥＤＭ処理とともに使用されるシステムは
開示していない。
【００２４】カネコ等に付与された米国特許第５，４２
８，２０１号は、放電加工を制御する方法及び装置を開
示している。カネコ等は、参照サーボ供給電圧に基づい
て電極とワークとの間の機械加工の間隙を実質的に一定
の値に保つことを開示している。放電の安定性の計算に
は、ファジーロジックまたはニューラルネットワークが
開示されている。カネコ等は、従来の方法は、ワークの
機械加工面積、機械加工深度、要求される寸法精度、及
び所望の表面粗さなどの必要条件に従って、オペレータ
がオンもしくはオフの回数などの機械加工条件を設定す
る必要があったと開示している。しかし、この方法で
は、実際に製品の品質を予測するのではなく、放電加工
の条件を制御しようとしている。
【００２５】アケムラに付与された米国特許第５，５７
１，４２６号は、放電加工条件を確認する方法及び放電
加工制御装置を開示している。この方法は、所定の機械
加工パラメータのセットを設定し、各機械加工パラメー
タのセットに対して、ＥＤＭ中の電流、深度、規定に比
べて小さい電極寸法、との間の関係を示す機械加工デー
タセットを設定し、特定の所定機械加工パラメータのセ
ットに従って上記セットから２つのセットを選択し、ワ
ークを規定の形状及び寸法に機械加工するための機械加
工深度値及び対応する電流値を含む機械加工条件データ
を予測すると同時に生成することを開示している。しか
し、この方法は、実際に製品の品質を予測するのではな
く、機械加工深度に応じて最大機械加工電流を減少させ
ることにより粗面加工の時間を最小とする放電加工条件
を求めることを主眼とする。
【００２６】また、従来技術において、パルス幅、２つ
のパルス間の時間、ワイヤの機械的張力、及びワイヤ供
給速度に基づいて表面粗さと表面うねりを予測するニュ
ーラルネットワークモデルを使用することは周知であ
る。スペディング，ティー．エイ．等による１９９７年
発行の材料処理技術ジャーナル第６９号、１８〜２８
頁、“ワイヤＥＤＭ処理のモデリングの研究”及びスペ
ディング，ティー．エイ．等による１９９７年発行の精
密工学第２０号、５〜１５頁、“ワイヤ放電加工処理の
パラメータ最適化及び表面の特性付け”を参照された
い。
【００２７】
【発明が解決しようとする課題】このようなモデルは、
処理パラメータの組み合わせの最適化即ち特定の結果を
得るために目標値を選択するために提案されている。処
理性能の計測に影響を及ぼし得る（ワークの材料及び寸
法、切削電圧、発火パルス電流、及び誘電体を含む）他
の要因は、固定される（即ち一定に保たれる）。今後の
研究では、ワイヤ、ワーク材料、及びワーク高さなど、
より多くのを要因を処理入力として考慮することが提案
されている。しかし、これらのモデルが製品の品質を予
測でき得ることは提案されていない。
【００２８】本発明の目的は、１つまたはそれ以上の処
理パラメータに関する１つまたはそれ以上の計測した特
質に基づいて、モデルを使用して確率的機械加工処理に
よって形成される製品の特性に関する特質の予測を行う
ことである。
【００２９】本発明の１つの実施例の目的は、１つまた
はそれ以上の処理パラメータに関する１つまたはそれ以
上の計測した特質を、ＥＤＭ処理でトレーニングした適
応ニューラルネットワークで利用して、ＥＤＭ処理で形
成される製品の特性に関する特質の予測を行うことであ
る。
【００３０】本発明の１つの実施例の他の目的は、ＥＤ
Ｍ処理に関連する１つまたはそれ以上のパラメータ特性
に基づいて、ＥＤＭ処理で形成される製品の特性に関す
る特質を予測するために利用できる人工的なニューラル
ネットワークのモデルを提供することである。
【００３１】本発明の１つの実施例のまた他の目的は、
ＥＤＭ処理の終了後に冷却孔の検査を手作業で行う必要
性をなくすために、ＥＤＭ処理によって形成される冷却
孔のブレークスルー及び空気流量の特質を予測すること
である。
【００３２】本発明の１つの実施例の更に他の目的は、
ＥＤＭ処理によって生じる特性の品質を予測するモデル
を提供することであり、このモデルは、処理、ワーク、
工具、及び誘電媒体の変動性に対する補償を含む。
【００３３】
【課題を解決するための手段】本発明では、確率的機械
加工処理によって製造される製品の特性に関する特質の
指標を提供する装置は、確率的機械加工処理に関連する
少なくとも１つのパラメータを検出する少なくとも１つ
のセンサを含むとともにこのパラメータを示す少なくと
も１つの計測信号を提供し、更に、確率的機械加工処理
に関連する少なくとも１つのパラメータと製造される製
品の特質との対応関係を示すモデルを有する信号プロセ
ッサを含み、このモデルを用いて製品特性に関する特質
予測を示す信号を生成する。
【００３４】本発明では、処理パラメータの特質を監視
するとともに、望ましくはインテリジェントモデルを使
用してこの処理で生じる特性の特徴を予測する。このモ
デルは、実際の処理の入力及び出力に関するデータセッ
トを使用して形成されることが望ましい。このようなモ
デルは、処理のランダム性及び予測不能な性質に関して
学習するとともに望ましくない一時的な処理状態に対し
て反動することができる。従って、本発明は、確率的機
械加工処理とともに用いられる従来のシステムと異な
り、予測不能なワークや工具の変動にもかかわらず、結
果として生じる特性の特質を予測することができる。よ
って、本発明は、機械加工後の従来の検査の必要性を軽
減もしくはなくすことができ、これにより、時間及びコ
ストを削減することができる。本発明の１つの実施例で
は、機械加工後の手作業による従来の検査に比べて、ガ
スタービンエンジン部材の冷却流路の空気流量及びブレ
ークスルーの特質をより正確に示すことができる。
【００３５】ニューラルネットワークモデルは周知であ
るが、これまでは、ＥＤＭ処理などの確率的機械加工処
理の完全なモデルを作成することは無理かもしれないと
思われてきた。どのように複雑化しても全ての処理をモ
デル化することが必ずしも可能ではない、つまり、処理
パラメータと処理出力との間の関係を求めることは必ず
しもできないと思われてきた。また、モデルへの入力パ
ラメータは、慎重に選択される必要があると思われてき
た。しかし、インテリジェントモデルは、ＥＤＭなどの
確率的機械加工処理を完全にモデル化することができる
とともに、周知の処理パラメータと処理出力との間に適
切な関係が存在し、かつこれらの関係を確認するための
効率的な方法において、可能な限り大きい実際的な割合
の処理モデルからの処理入力及び出力を含む実際のデー
タを有するデータセットを使用することができるという
ことが確認された。
【００３６】本発明の上記及びその他の目的、特徴、及
び利点は、以下の実施形態の詳細な説明及び添付された
図面によってより明らかとなる。
【００３７】
【発明の実施の形態】本発明は、処理によって生じる特
性（ａｔｔｒｉｂｕｔｅ）に関する特質（ｃｈａｒａｃ
ｔｅｒｉｓｔｉｃ）についての予測を提供することに関
する。これを達成するために、本発明のいくつかの実施
例では、人工的なニューラルネットワークを利用し得る
が、本発明はこの利用に限定されるものではない。
【００３８】本発明は、図１Ａ，図１Ｂに示したタイプ
のガスタービンエンジンブレードに対して行われるＥＤ
Ｍ処理によって生じる冷却流路のブレークスルー及び空
気流量の特質を予測するために使用される好適実施例に
関して説明していく。タービンブレード４０は、エアフ
ォイル４２、プラットフォーム４４、及び根部４６を有
する。エアフォイル４２は、外側面４８、内部空洞部５
０、及び内部空洞部５０を囲む内側面５２（図１Ｂ参
照）を有する。このエアフォイル４２は、更に、内部空
洞部５０と流体的に連通可能な１つまたはそれ以上の列
５６として設けることができる複数の流路５４を含む。
根部４６は、ブレードの内部を通じて内部空洞部５０と
流体的に連通した入口部分６０を有するチャネル５８
（図１Ａ参照）を含む。
【００３９】チャネル５８（図１Ａ参照）、空洞部５
０、及び流路５４によって、冷却空気の流路６２の一部
が形成される。チャネル５８（図１Ａ参照）は、入口６
０を通じて冷却空気を受け入れる。この冷却空気は、エ
アフォイルの内部空洞部５０に流入し、続いて、フィル
ム冷却を提供するように複数の流路５４からエアフォイ
ル４２の外側面４８にわたって流出する。
【００４０】流路５４は、冷却空気の流路６２の一部で
あるので、各流路５４が完全なブレークスルー特質を有
する即ち内部面５２（図１Ｂ参照）を通じて貫通するこ
と、及び適切な空気流量を可能とする特質を有すること
が重要である。
【００４１】次に図２を参照すると、タービンブレード
４０に流路５４（図１Ａ，図１Ｂ参照）の列５６（図１
Ａ参照）を機械加工するためのＥＤＭシステム７０は、
フレーム７２、電極サブシステム７４、ブレード４０
（即ちワーク）を配置するための固定具７６、及び誘電
体サブシステム７８を含む。電極サブシステム７４は、
電極工具８０、電極保持具８２、機械ヘッド部８４、接
続部材８５、及びサーボ機構８６を含む。以下で電極８
０と呼ばれる電極工具８０は、電極８０として図示され
る一列に整列された複数の電極を含むことができる。電
極８０は、電極保持具８２に固定されており、電極保持
具８２は、機械ヘッド部８４に取り付けられている。接
続部材８５は、機械ヘッド部８４をサーボ機構８６に接
続する。サーボ機構８６は、機械ヘッド部８４を作動
し、ブレードエアフォイル４２に近づけるもしくは遠ざ
けるように電極８０を移動させることで電極８０とワー
ク即ちエアフォイルとの間の間隙８８を狭めるもしくは
広げる。誘電体サブシステム７８は、誘電媒体９０と誘
電体貯蔵／濾過システム９２とを含む。
【００４２】ＥＤＭシステム７０は、更に、センサ９
４，９６，９８として以下で示される１つまたはそれ以
上のセンサと、システム制御装置／生成装置１００と、
を含む。センサ９４，９６，９８は、ＥＤＭ処理中に１
つまたはそれ以上の処理パラメータの特質を検出すると
ともに、この値を示す１つまたはそれ以上の測定信号を
信号線１０４，１０６，１０８で送信して提供する。シ
ステム制御装置／生成装置１００は、信号線１０４，１
０６，１０８を通じて送信される測定信号を受信して制
御及び出力の信号を生成し、これらの信号は、ＥＤＭ処
理用にそれぞれ信号線１１０及び出力導線１１２を通じ
て送信される。
【００４３】センサ９４，９６，９８は、変位センサ９
４、電流センサ９６、及び電圧センサ９８を含むことが
望ましい。変位センサ９４は、フレーム７２に取り付け
られて接続ケーブル１１４を通じて機械ヘッド部８４の
位置を検出することができる。この変位センサ９４は、
電極９２の位置と基準位置（図示省略）との間の変位を
検出し、この変位を示す信号を線１０４を通じて提供す
る。この信号は、図では“変位”として示されている。
エアフォイル４２と基準位置（図示省略）との相対位置
は、ＥＤＭ処理において一定に保たれることが望ましい
ので、上記信号は、エアフォイル４２と電極８０との間
の距離即ち間隙８８の大きさも示す。出力導線１１２と
接続して設けられた電流センサ９６は、電極サブシステ
ム７４に送信された電流を検出し、対応する信号を線１
０６に提供する。本明細書では、この電流を間隙電流と
呼ぶ。電流センサは、間隙電流に比例する変位電圧を生
ずる電流分岐回路１２０と、電圧センサ１２２と、を含
むことができる。電圧センサ９６は、電極とワークとの
電圧の値をそれぞれ示す信号を信号線１２４，１２６を
通じて受信し、本発明で間隙電圧と呼ばれる上記電圧の
変位を示す信号を線１０８を通じて提供する。電圧セン
サ９８，１２２は、単一の共用電圧メータ（図示省略）
を含むこともできる。
【００４４】本実施例では、電流センサ９６，電圧セン
サ９８，及びシステム制御装置／生成装置は、内部の信
号へのアクセスを制限する共用の囲壁（図示省略）内に
配置される。線１０６，１０８上の電流及び電圧のセン
サ９６，９８からの測定値信号には、囲壁の外側から直
接アクセスすることができない。システム制御装置／生
成装置１００は、線１０６，１０８上の電流及び電圧信
号をそれぞれ示す信号を信号線１３０，１３２を通じて
提供する。これらの信号は、図では“電流”及び“電
圧”と示される。
【００４５】ＥＤＭシステム７０は、所定の深度に到達
して流路が完成するまでエアフォイル４２に機械加工を
施す。機械加工の間、ＥＤＭシステム７０は、オン／オ
フサイクルを使用する。通常、サイクルの“オン”部分
と“オフ”部分との持続時間は、エアフォイルに対する
電極の位置によって決まる。例えば、第一の“オン”持
続時間及び第一の“オフ”持続時間は、第一のスパーク
の開始から電極８０が所定の第一の深度に到達するまで
用いることができる。また、第二の“オン”持続時間及
び第二の“オフ”持続時間は、電極８０が所定の第二の
深度に到達するまで用いることができ、第三の“オン”
持続時間及び第三の“オフ”持続時間は、ブレークスル
ーから所定の第三の深度まで用いることができる。この
処理の間、“変位”，“電圧”及び“電流”信号は、そ
れぞれ電極の変位、間隙電流、及び間隙電圧に関する処
理パラメータを提供する。
【００４６】ＥＤＭシステム７０は、更に、ＥＤＭ処理
で生じる特性の１つまたはそれ以上の特質を予測するの
に使用される信号プロセッサ１４０を含む。予測は、１
つまたはそれ以上のＥＤＭ処理パラメータの特質を示す
１つまたはそれ以上の測定値信号に基づいて行われる。
例えば、好適実施例では、信号プロセッサ１４０は、信
号線１０４，１３０，１３２を通じてそれぞれ“変
位”，“電流”及び“電圧”信号を受信し、信号プロセ
ッサ１４０は、流路のブレークスルー及び空気流量の特
質を示す信号を提供する。これらの信号は、それぞれ信
号線１４２，１４４上の“ブレークスルー”及び“空気
流量”信号として図示されている。
【００４７】次に、図３を参照すると、好適実施例で
は、信号プロセッサ１４０は、入力部１５０、中央演算
処理装置（ＣＰＵ）及びメモリ部１５２、出力部１５
４、及び信号プロセッサ１４０の他の各部分への接続部
１５８（図３参照）を含むバス１５６（図３参照）を有
する。このような実施例では、信号プロセッサ１４０
は、汎用コンピュータ、例えば、ＩＢＭ互換機であって
もよく、入力部１５０は、信号処理回路及びアナログか
らデジタル（Ａ／Ｄ）への変換回路を有するデータ収集
ボードであってもよい。他の実施例では、信号プロセッ
サ１４０をシステム制御装置／生成装置１００（図２参
照）と組み合わせることもできる。
【００４８】続いて、図４を参照すると、信号プロセッ
サ１４０の入力部１５０は、信号処理回路１６０とＡ／
Ｄ変換器１６２を有し得る。信号処理回路１６０は、例
えば、“変位”，“電流”及び“電圧”の信号などの測
定された処理パラメータ信号を受信し、これらの信号を
処理するとともにノイズを取り除き、信号線１６４，１
６６，１６８を通じて３つの処理された処理パラメータ
信号を提供する。Ａ／Ｄ変換器は、上記３つの処理され
た処理パラメータ信号を実質的に周期的な間隔で受信
し、その値を示す３つのデジタル処理パラメータ信号を
線１７０，１７２，１７４を通じてそれぞれ生成する。
【００４９】信号プロセッサ１４０は、更に、メモリ及
びＣＰＵ部分１５２で格納及び実行されるプログラム１
８０を含むことができる。このプログラム１８０は、ソ
フトウエアもしくはファームウエア内の連続したモジュ
ールを含み得る。これらのモジュールの１つは、信号解
析器１８２を含むことが望ましい。信号解析器１８２
は、古典的な信号処理原理を用いて、各デジタル処理パ
ラメータ信号の値に対応する単純化した表示を提供する
１つまたはそれ以上の信号を処理中に（処理時間にわた
って）生成する。
【００５０】図５を参照すると、好適実施例では、信号
解析器１８２は、ブロック１８４，１８６，１８８とし
てそれぞれ示される線形回帰解析を各デジタル処理パラ
メータ信号について行う。各回帰解析に基づいて、信号
解析器１８２は、対となった信号を線１９０，１９２；
１９４，１９６；及び１９８，２００を通じて提供する
ことができる。これらの信号は、３つの対となった“傾
き”及び“切片”信号として図示される。各対の“傾
き”信号は、デジタル処理パラメータ信号の値の時間中
の変化（傾き）を示し、各対の“切片”信号は、時間中
のデジタル処理パラメータ信号の初期値（ｙ切片）を示
す。しかし、信号解析器１８２は、線形回帰解析を実行
するだけでなく、特定値の選択、特定時間における値の
選択、平均化、１次もしくは多次数のカーブフィットな
どを含む一方でこれらに限定されることがない適切な解
析を行うことができる。
【００５１】図６〜図８を参照すると、３つのグラフ２
１０（図６参照），２１２（図７参照），２１４（図８
参照）が、信号解析器１８２（図４，図５参照）へ提供
される処理パラメータ信号の特質と、望ましくはＥＤＭ
処理中に信号解析器１８２（図４，図５参照）によって
生成される信号を示している。第一のグラフ２１０（図
６参照）は、代表的なＥＤＭ処理における時間当たりの
間隙電流の値を実線で示した第一の線２１６と、これに
対応する信号解析器１８２（図４，図５参照）によって
生成された傾き及び切片を破線で示した第二の線２１８
と、を含む。第二のグラフ２１２（図７参照）は、ＥＤ
Ｍ処理における時間当たりの間隙電流の値を実線で示し
た第一の線２２０と、これに対応する信号解析器１８２
（図４，図５参照）によって生成された傾き及び切片を
破線で示した第二の線２２２を含む。また、第三のグラ
フ２１４（図８参照）は、ＥＤＭ処理における時間当た
りの変位値を実線で示した第一の線２２４と、これに対
応する信号解析器１８２（図４，図５参照）によって生
成された傾き及び切片を破線で示した第二の線２２６を
含む。線２１６（図６参照），２２０（図７参照），２
２４（図８参照）から、間隙にわたる電圧及び電流は、
ＥＤＭ処理を通して変動し、電極がワークに対して非線
形の動作で近づくことがわかる。図６〜図８の信号と同
様の信号が機械加工される各ワークについて生成され
る。
【００５２】次に、図９及び図１０では、上記のデータ
を他の方法で示している。例えば、グラフ２３０（図９
参照）は、二つの線２３２，２３４を含み、各線は、正
規化及び微分後の上記の電圧データ及び電流データをそ
れぞれ示す。他方のグラフ２３６は、上記変位データを
Δｄの増分変化によって表した線２３８を含む。
【００５３】図６〜図１０で示されるデータは、ブレー
クスルーが完全であり、かつ正規化した空気流量圧力比
（“ＡＦＰＲ”）が０．８２８である流路が形成される
ＥＤＭ処理中の処理パラメータの値を示している。線２
１６（図６参照），２３２（図９参照）によって示され
る傾向によると、流体をイオン化するとともに第一のス
パークを誘起するためには、初期段階で比較的大きな電
圧変化が必要である。電極がワーク内に滑らかに移動す
るのに従って、変位の増分が大きく、かつ変動性が増し
た変位傾向（図１０の線２３８参照）が生じる。線２３
２，２３４（図９参照）が示すように、電圧及び電流の
スパイキング（ｓｐｉｋｉｎｇ）は、金属の除去量が増
すに従ってより明らかとなる。線２３４（図９参照）
は、ＥＤＭでブレークスルーを達成するには、電極がワ
ーク内に挿入され得る最大深度に達するのに従って変動
を増加させることが必要となることを示している。この
段階では、電極８０は、後退するとともにゆっくりと短
縮する（図１０の線２３８参照）。
【００５４】図１１〜図１４には、処理パラメータとそ
の結果生じる特性の特質との関係を更に示す４つのグラ
フ２５０，２５２，２５４，２５６が示されている。第
一のグラフ２５０（図１１参照）は、ブレークスルーが
完全で、かつ正規化したＡＦＰＲが０．６４７である流
路を生じるＥＤＭ処理における電圧及び電流のデータを
示す２つの線２５８，２６０を含む。第二のグラフ２５
２（図１２参照）は、この処理の変位データを示した線
２６２を含む。第三のグラフ２５４（図１３参照）は、
ブレークスルーが不完全であり、かつ正規化したＡＦＰ
Ｒが０．７０９である流路を生じるＥＤＭ処理の電圧及
び電流データを示す２つの線２６４，２６６を含む。第
四のグラフ２５６（図１４参照）は、この処理の変位デ
ータを示す線２６８を含む。
【００５５】不完全なブレークスルーは、ＥＤＭシステ
ムが処理中のいくつかの変動を補償しない場合に起こり
得る。不完全なブレークスルーサイクルは、通常、処理
中に生じる変動を補償するために比較的大きい変位の増
分及び高いエネルギレベルを伴う。このことは、特にＥ
ＤＭサイクルの終わりの方に示されている。変動は、ワ
ーク、電極、誘電流体、ＥＤＭ工具、処理技術、及び環
境を含むがこれらの領域に限定されない多数の領域に起
因し得る。このような変動を、特定して一時的にシステ
ムから取り除くことはできるが、絶えず再発するおそれ
がある。
【００５６】図４を再び参照すると、信号プロセッサ１
４０内のプログラム１８０は、更に、本明細書で処理モ
デル２８０と呼ぶ他のモジュールを含む。処理モデル２
８０は、信号解析器１８２が生成する信号を受信すると
ともに、これに応答してＥＤＭ処理で生じる特性の予測
される１つまたはそれ以上の特質を示す１つまたはそれ
以上の予測信号を提供することが望ましい。例えば、好
適実施例において、処理モデル２８０は、機械加工され
る流路の品質を示す２つの予測信号を提供し、一方の信
号は、ブレークスルー特質に関し、他方の信号は、空気
流量特質に関する。
【００５７】処理モデル２８０は、望ましくは１つまた
はそれ以上のトレーニングしたニューラルネットワーク
を含むインテリジェントモデルであることが望ましい
が、応答局面法（ｒｅｓｐｏｎｓｅ ｓｕｒｆａｃｅ
ｍｅｔｈｏｄｏｌｏｇｙ）（ＲＳＭ）モデルを含むがこ
れに限定されない他の適切なモデルを使用してもよい。
次に図１５を参照すると、処理モデル２８０は、２つの
ニューラルネットワーク２８６，２８８を含むことがで
き、一方は、ブレークスルー、他方は、空気流量をそれ
ぞれ予測するためのものである。
【００５８】図１６では、ニューラルネットワーク３０
０が、入力ニューロン３０２を含む複数のニューロンつ
まり基本処理要素を有している。入力ニューロン３０２
は、単にネットワークの入力信号３０４を受信するため
のアイソレーションバッファであってもよい。入力ニュ
ーロンの出力は、接続リンク３０６を介して複数の第二
レベルニューロン３１０の入力の選択されたものに接続
される。各リンク３０６は、リンク３０６を介して伝達
される信号を積算するための重み係数３０８と関連づけ
られている。各ニューロンは、更に、バイアス入力３１
２を有することができる。ニューロンへの集合的な入力
は、接続リンク３０６を介して重み付けされた全ての入
力信号の和３１４に、バイアス入力３１２があればこの
入力を足したものである。各ニューロンは、活性化関数
３１６即ち転送関数と関連づけられており、出力信号を
生成するために集合的な入力信号をこの関数に提供す
る。活性化関数３１６は、非線形であってもよい。重み
及びバイアスは、トレーニング段階においてネットワー
クがいくつかの所望の反応を示すように調整することが
できるパラメータである。第二レベルのニューロン３１
０の出力は、更に、それ自体が、対応する重み係数３２
２を含む他の接続リンク３２０のセットを介して、１つ
もしくはそれ以上の対応する第三レベルのニューロン３
２４の入力へ接続され得る。この場合には、第二のニュ
ーロンは、多くの場合“隠し”ニューロンと呼ばれる。
第三レベルのニューロンの出力を、ネットワーク全体の
出力として提供することができ、この場合には、これら
のニューロンは“出力ニューロン”と呼ばれるか、もし
くは、更に他のニューロン層（図示省略）に接続され得
る。また、更に、いくつかのニューラルネットワーク構
成では、いくつかのニューロンの出力が前のレベルの入
力にフィードバック（図示省略）される。
【００５９】接続リンクと関連づけられる重みが可変で
あれば、ネットワークに“学習”する能力を与えること
ができる。また、学習プロセスについてオフラインでシ
ミュレーションを行い、接続リンクの重みが決定した後
にバードウエアチップ（図示省略）、ファームウエア、
ソフトウエア、または他のメモリに転送することができ
る。
【００６０】層の数、ニューロンの数、及び活性化関数
は、正確度などに関してモデルを最適化するために選択
することが望ましい。１つの実施例では、各ニューラル
ネットワーク２８６，２８８（図１５参照）は、６個の
入力ニューロンを含む入力層と、２０個のニューロンを
含む一層の隠し層と、１個のニューロンを含む出力層
と、を含むフィードフォワードネットワークを有する。
対照的に、ブレークスルーの予測のための単一のニュー
ラルネットワークを含んだ実施例は、二層のネットワー
クに比べて結果が劣った。しかしながら、上記２つのネ
ットワーク２８６，２８８（図１５参照）は、同様の構
成を有する必要はない。
【００６１】活性化関数３１６は、活性化関数３１６の
範囲と目標値の範囲とに基づいて選択されることが望ま
しい。ブレークスルー特性（図１５参照）を予測するた
めのニューラルネットワーク２８６は、隠し層及び出力
層の両方で論理計算Ｓ字状（二進Ｓ字状（ｂｉｎａｒｙ
ｓｉｇｍｏｉｄ））活性化関数（ｌｏｇｉｓｔｉｃｓ
ｉｇｍｏｉｄ ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏ
ｎ）を利用する。論理計算Ｓ字状活性化関数は、両極性
の目標出力値を有する用途で有用である。ブレークスル
ーは、０と１との間の値によって特徴づけられ、０は全
て完全なブレークスルー状態を示し、１は全て不完全な
ブレークスルー状態を示す。空気流量特性を予測するニ
ューラルネットワーク２８８（図１５参照）は、隠し層
で正接Ｓ字状活性化関数（ｔａｎ−ｓｉｇｍｏｉｄ ａ
ｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ）を用い、出力
層で線形の活性化関数を用いる。
【００６２】ニューラルネットワーク２８６，２８８
（図１５参照）は、通常、ＥＤＭ処理における１つまた
はそれ以上の処理パラメータの特質に基づいてＥＤＭ処
理によって生じる特性の特質を予め予測するように調整
される。この調整は、一般にトレーニングと呼ばれる。
次に、図１７を参照すると、トレーニングプロセスが示
されており、このプロセスは、ニューラルネットワーク
２８６，２８８（図１５参照）に複数のトレーニングデ
ータセット４００を供給することを含むことが望まし
い。これらのトレーニングデータセットは、トレーニン
グベクトル（もしくはパターン）及び関連する目標出力
と呼ばれることもある。複数のトレーニングデータセッ
ト４００は、トレーニングデータセットのトレーニング
グループ４０２と、トレーニングデータセットのトレー
ニング−試験グループ４０４に分けることができる。
【００６３】各トレーニングデータセットは、通常、特
定の処理中に収集された処理パラメータデータとこの処
理によって生じた特性データとを含む。この処理パラメ
ータデータは、モデル２８０（図４，図１５）に入力す
るためのものである。特性データとは、モデルの目標出
力即ち所望の出力である。処理パラメータデータは、予
測の基となる処理パラメータ特質を示すことが望まし
く、特性データは、予測される特性の特質を示すことが
望ましい。好適実施例では、例示的なトレーニングデー
タセット４０６が、間隙電圧傾き４１０及びｙ切片４１
２、間隙電流傾き４１４及びｙ切片４１６、電極変位傾
き３１８及びｙ切片４２０、及び結果として生じるブレ
ークスルーまたは空気流量の特質４２２を含む。
【００６４】トレーニングデータセット４００は、例え
ばブレークスルーが完全である合格特性を生じる処理を
示すセットと、例えばブレークスルーが不完全である不
合格特性を生じる処理を示すセットと、を両方含む必要
がある。トレーニングデータセット４００は、できるだ
け多くの実際的な処理パラメータと結果的な特性とのモ
デルを含むとともに、理想的にはＥＤＭ処理に影響を与
える係数の変動値の全範囲を示すことが望ましい。変動
する範囲のモデルを示すトレーニングデータを使用する
ことで、モデルの可能な範囲にわたって特性に関する特
質をより正確に予測し得るモデルを得ることができる。
トレーニングは、逆方向伝達（ｂａｃｋｐｒｏｐａｇａ
ｔｉｏｎ）ステップを含むことが望ましく、このステッ
プは、モデルが特性の特質を予測する正確性を効果的に
高める。
【００６５】各トレーニングデータセットの平均二乗誤
差を最小とするために、一般に、マルチ層のフィードフ
ォワードニューラルネットワークに対して監視された逆
方向伝達トレーニング技術が使用される。トレーニング
データセットのトレーニンググループ４０２は、ネット
ワーク２８６，２８８（図１５参照）が、パターンを連
想、パターンを分類、及び二乗誤差の和の最小化を通じ
て関数に近似することができるまでそのトレーニングの
ために使用されることが望ましい。ニューラルネットワ
ークの最小二乗誤差を用いて、実際のデータのシミュレ
ーションを行うモデルの有効性を判断することができ
る。トレーニングが行われたネットワークが、ネットワ
ークをトレーニングするのに用いられたデータに十分対
応するようになると、トレーニングデータセットのトレ
ーニング−試験グループと最小二乗誤差の和の計算とを
用いてニューラルネットワークの一般化能力を判定する
ことができる。トレーニングは、トレーニング−試験グ
ループの誤差が減少する限り続けられることが望まし
く、誤差が増加し始めたら終了される。この時点で、ネ
ットワークモデルが、データセットを記憶し始めるとと
もにその一般化能力が低下し始める。
【００６６】トレーニングの速度は、ネットワークの学
習能力を向上させるのを補助し得る重み及びバイアスの
初期設定技術を用いて向上させることができる。初期設
定が大きすぎる場合には、ユニット間の重み及びバイア
スの更新はゼロであってもよい。２つのユニット間の重
み及びバイアス値の更新は、上側ユニットの活性化関数
及び下側ユニットの活性化関数によって決まる。従っ
て、活性化関数の活性化及び導関数の値がゼロとなる重
み及びバイアスの初期設定を避けることが推奨される。
しかし、初期設定が小さすぎる場合には、隠しユニット
もしくは出力ユニットへの総入力は、ゼロに近くなり、
学習がかなり遅くなってしまう。重みは、活性化関数及
び目標値を用いてランダムに初期化されることが望まし
い。
【００６７】ニューラルネットワークモデル２８６，２
８８（図１５参照）は、一般に、ヒューリスティックス
（ｈｅｕｒｉｓｔｉｃｓ）や、モーメンタム（ｍｏｍｅ
ｎｔｕｍ）、適応学習速度（ａｄａｐｔｉｖｅ ｌｅａ
ｒｎｉｎｇ ｒａｔｅ）、レベンバーグ−マクアルド技
術（Ｌｅｖｅｎｂｅｒｇ−Ｍａｑｕａｒｄｔ ｔｅｃｈ
ｎｉｑｕｅｓ）を含むより強力な最適化方法を用いて最
適化することができる。モーメンタムは、誤差面の詳細
に対する逆方向伝達の感度を低下させることにより、ネ
ットワークが（小さい誤差を更に低下させるのではな
く）より速く誤差の解を低下させることに集中すること
を可能とする。適応学習は、大きな学習ステップを維持
することによりネットワーク学習を安定した状態に維持
することで、トレーニング段階を速める。レベンバーグ
−マクアルド技術は、ニュートンの方法と近似した方法
を用いてネットワークトレーニング効率を最適化する。
【００６８】モーメンタムネットワークの逆方向伝達
は、通常、いくつかのトレーニングデータ点が過半数の
データ点と大きく異なる時に使用される。トレーニング
は、増分逆方向伝達から始めることができ、最終的な集
中段階で共役勾配に基づく逆方向伝達に切り換えること
ができる。
【００６９】ハイブリッド学習アルゴリズムとも呼ばれ
るレベンバーグ−マクアルド更新ルールを、トレーニン
グ中にネットワークを最適化するために使用した。トレ
ーニングは、増分逆方向伝達から始められ、最終的な集
中段階で共役勾配に基づく逆方向伝達に切り換えられる
ことが望ましい。このルールは、ガウス−ニュートン法
に近似することで、以下のように、時間経過に従ってζ
が減少するのに従って更に迅速で最小誤差に近いより正
確な結果を得ることができる。
【００７０】
【数１】
【００７１】ブレークスルー特性を予測するためのニュ
ーラルネットワーク２８６（図１５参照）では、ネット
ワークの学習率、モーメンタム、二乗誤差の和、層数
が、ネットワーク処理の学習及び品質の予測に関する能
力に直接影響を与えた。この実施例では、学習率は５，
モーメンタムは０．９５がそれぞれ最適な値であること
が確認された。（ζinitial＝１００，ζmax＝１Ｅ１
０，ζ+＝１０，ζ-＝０．１，最小傾き＝１Ｅ−１２を
使用した）レベンバーグ−マクアルドアルゴリズムを、
１００％の時間にわたってＥＤＭ品質特性に関して一般
化するネットワークの能力を高めるために使用した。勾
配降下とガウス−ニュートン技術との組み合わせを用い
てブレークスルー予測で必要となる全ての重み及びバイ
アスを計算した。
【００７２】空気流量特性を予測するためのニューラル
ネットワーク２８８（図１５参照）では、ネットワーク
の学習率及びモーメンタムがネットワークの学習及び空
気流量予測の能力に与える影響は小さかった。この実施
例では、０．０１の学習率、０．８５のモーメンタムを
使用した。しかし、二乗誤差の和は、ネットワークのパ
ターン記憶能力を向上させた。（ζinitial＝０．００
１，ζmax＝１Ｅ１０，ζ+＝１０，ζ-＝０．１，最小
傾き＝０．０００１を使用した）レベンバーグ−マクア
ルドアルゴリズムを使用することで、ネットワークの一
般化能力を高めることができた。また、ガウス−ニュー
トン技術を用いてモデルの重み及びバイアスを定めるこ
とで、ネットワークの誤差領域を７．８％から２．３％
へと減少させることができた。
【００７３】図１８及び図１９を参照すると、２つのグ
ラフ５００（図１８参照），５０２（図１６参照）が、
ブレークスルーを予測するネットワーク２８６用のトレ
ーニング済データ点、及び試験データ点をそれぞれ示し
ている。トレーニング済データ点を示したグラフ５００
（図１８参照）は、ネットワークの学習能力を表してい
る。このグラフ５００（図１８参照）は、目標出力を示
した実線５０４とニューラルネットワークの予測を示し
た複数の円５０６とを含む。試験データ点を示したグラ
フ５０２（図１９参照）は、ネットワークの一般化能力
を表す。グラフ５０２（図１９参照）は、目標出力を示
した実線５０８とニューラルネットワークの予測を示し
た複数の円５１０とを含む。これらのグラフが示すよう
に、ネットワークは、全てのトレーニング及び試験デー
タ点に関して１００％の時間にわたってＥＤＭのブレー
クスルーを予測する。
【００７４】次に、図２０,図２１を参照すると、２つ
のグラフ５２０（図２０参照），５２２（図２１参照）
が、空気流量を予測するネットワーク２８８の正規化し
たＡＦＰＲトレーニング済データ点及び試験データ点を
それぞれ示している。トレーニング済みデータ点を示す
グラフ５２０（図２０参照）は、ネットワークの学習能
力を表している。このグラフ５２０（図２０参照）は、
目標出力を示す実線５２４と、ニューラルネットワーク
の予測を示す複数の円で囲んだ点５２８を有する（線５
２４と実質的に一致する）実線５２６とを含む。グラフ
５２０で表されるように、ネットワークの予測は、目標
出力とぴったりと一致する。試験データ点を示すグラフ
５２２（図２１参照）は、ネットワークの一般化能力を
表す。このグラフ５２２（図２１参照）は、目標出力を
示す実線５３０とニューラルネットワークの予測を示す
複数の円で囲まれた点５３４を有する実線５３２とを含
む。グラフ５２２（図２１参照）が示すように、ネット
ワークは、１００％の時間にわたって空気流量の予測を
行っている。更に、二方向の矢印５３６によって示され
る最大誤差は、たった２．３％である。誤差領域がたっ
た２．３％なので、このモデルは、ヒューマンエラーを
受けやすい従来のオフライン空気流量計測技術により提
供される予測に比べて正確な予測を提供することができ
る。
【００７５】続いて図２２〜図２５を参照すると、４つ
の図表５５０（図２２参照），５５２（図２３参照），
５５４（図２４参照），５５６（図２５参照）が示され
ており、これらの図表は、ブレークスルー特性を予測す
るニューラルネットワーク２８６（図１５参照）用の所
望の重み及びバイアスを示す数値データを提供している
が、他の重み及びバイアスも使用可能である。図表５５
０（図２２参照）は、入力ニューロンと隠しニューロン
との間の接続リンクに関連する重みを示す数値データを
提供する。図表５５２（図２３参照）は、隠しニューロ
ンと関連するバイアスを示す数値データを提供する。ま
た、図表５５４（図２４参照）は、隠しニューロンと出
力ニューロンとの間の接続リンクに関連する重みを示す
数値データを提供し、図表５５６（図２５参照）は、出
力ニューロンと関連するバイアスを示す数値データを提
供する。
【００７６】図２６〜図２９を参照すると、４つの図表
５６０（図２６参照），５６２（図２７参照），５６４
（図２８参照），５６６（図２９参照）が示されてお
り、これらの図表は、空気流量特性を予測するニューラ
ルネットワーク２８８（図１５参照）用の所望の重み及
びバイアスを示す数値データを提供しているが、他の重
み及びバイアスも使用可能である。図表５６０（図２６
参照）は、入力ニューロンと隠しニューロンとの間の接
続リンクに関連する重みを示す数値データを提供する。
図表５６２（図２７参照）は、隠しニューロンと関連す
るバイアスを示す数値データを提供する。また、図表５
６４（図２８参照）は、隠しニューロンと出力ニューロ
ンとの間の接続リンクに関連する重みを示す数値データ
を提供し、図表５６６（図２９参照）は、出力ニューロ
ンと関連するバイアスを示す数値データを提供する。
【００７７】好適実施例では、６ヶ月間にわたって収集
されたデータセットを用いてモデルのトレーニングを行
った。ＥＤＭにおける可能な全ての処理モデルをより大
きな割合で含むように１年または２年間にわたって収集
したデータセットを用いれば、更によい結果を得ること
ができる。他の品質特質などの他の特質は、必要性に応
じてトレーニング中に組込むことができる。他の実施例
では、モデルをトレーニング、再トレーニング、または
時間に応じて適応する適応型モデルを使用することがで
きる。
【００７８】好適実施例では、処理モデル２８０へ送信
され、かつトレーニングデータ信号を含む各入力信号の
値は、モデルへの入力前にその信号の予測最大値に応じ
て正規化される。よって、処理モデル２８０への各入力
信号の値は、０と１との間の範囲内となる。正規化する
ことで、正規化しない場合に比べてモデルがより速く集
中するように補助することができる。従って、処理モデ
ル２８０の出力信号の値も、０から１の範囲内となる。
処理モデルのこれらの出力信号は、その信号の予想最大
値に応じて非正規化することができる。
【００７９】本発明は、処理によって生じる特性に関す
る特質を予測することができる。従って、本発明は、事
後検査を減少させるまたはなくすとともに、このような
検査に関連するコスト、労働、材料、及び空間を減少さ
せるまたはなくすことができる可能性を提供する。更
に、本発明は、品質の計測に関するより強力で信頼性の
高い方法を採用しており、製品の品質に関する問題点の
よりよい制御及び追跡が可能となっている。
【００８０】更に、品質特性をリアルタイムで確認する
ことができるので、欠陥を防止するとともに製造におい
て製品の品質特性を確実に得るのを補助するために、モ
デルをインテリジェント制御装置に組込むことができ
る。本発明では、特性に関する特質の予測を行う前に処
理が終了している必要はない。処理の直後に予測を行う
ことができるが、処理の終了直後に予測を行う必要は必
ずしもない。
【００８１】開示された実施例の信号プロセッサは、プ
ログラムされたハードウエアを含み、即ちコンピュータ
のソフトウエアを用いて実行されるが、ハードワイヤー
ドハードウエア構成、集積回路様式で製造したハードウ
エア、ファームウエア、及びこれらの組み合わせを含む
他の形態で構成してもよい。更に、開示された実施例
は、定期的にサンプリングした信号を有するデジタルシ
ステムを含むが、連続的な信号を有するアナログシステ
ムもしくはデジタル及びアナログのシステムの組み合わ
せに本発明を組入れることもできる。更に、信号プロセ
ッサは、好適実施例で説明した具体的な特徴の全てまた
はこれらの組み合わせを含むことができるが、上記特徴
を全く含まなくてもよい。
【００８２】本発明は、ＥＤＭシステムで使用される好
適実施例に関して開示されているが、本発明は、確率的
機械加工処理を含むがこれに限定されないどのような処
理ともともに使用することもできる。従って、本発明
は、ＥＤＭによって生じるブレードもしくは他のガスタ
ービンエンジン部材に関する他の特性に関する特質予測
を行うために使用することもできる。更に、本発明の好
適実施例では、一列の全流路のブレークスルー特性を示
す１つの信号を提供し、一列の全流路の空気流量特性を
示す１つの信号を提供するが、一列の全流路よりも少な
い流路のブレークスルー及び空気流量特性を示す信号、
もしくは所望であれば個々の流路に関する信号を有する
実施例も本発明に含まれる。
【００８３】好適実施例では、ブレークスルー及び空気
流量を予測するためにそれぞれ２つの別個のモデルが使
用されているが、必ずしも２つのモデルを使用する必要
はない。更に、当業者であれば理解されるように、好適
実施例のセンサは、変位、電圧、及び電流を検出する
が、他のセンサもしくはセンサの組み合わせによって製
品の特性の特質予測を行うための適切なパラメータ特性
を測定することができる。好適実施例では、ＥＤＭシス
テム制御装置／生成装置によって間隙電圧及び電流の信
号を提供しているが、信号プロセッサを直接センサと接
続させることができるので、本発明では、ＥＤＭシステ
ム制御装置／生成装置は必ずしも必要ではない。
【００８４】好適実施例に関して本発明を説明してきた
が、この説明は限定的に解釈されることを意図したもの
ではない。本明細書を参照することによって、本発明の
他の実施例とともに好適実施例の種々の改良は、付随す
る請求項に記載した本発明の趣旨から離れない範囲で当
業者に明らかとなる。従って、付随する請求項は、本発
明の真の範囲内であるこのような全ての改良もしくは実
施例を含むものである。
【図面の簡単な説明】
【図１】図１Ａは、複数の冷却流路を含むエアフォイル
を有するガスタービンエンジンブレードの部分側面図で
ある。図１Ｂは、流路及び内部空洞を示した図１Ａのブ
レードのエアフォイルのＩＢ−ＩＢ線の方向からの断面
図である。
【図２】図１のブレードにエアフォイル冷却流路を機械
加工し、かつ本発明を実行し得る機械的／電気的混成Ｅ
ＤＭシステムの説明図である。
【図３】図２のＥＤＭシステムの一部である信号プロセ
ッサのより詳細な説明図である。
【図４】図２のＥＤＭシステムの一部である信号プロセ
ッサの機能ブロック図である。
【図５】本発明の好適実施例で使用される信号モデルと
処理モデルとを様式化及び単純化した説明図である。
【図６】ＥＤＭ処理中の間隙電圧の値を示したグラフで
ある。
【図７】図６のＥＤＭ処理中の間隙電流パラメータの値
を示したグラフである。
【図８】図６のＥＤＭ処理中の電極変位パラメータの値
を示したグラフである。
【図９】図６及び図７の間隙電圧及び間隙電流のパラメ
ータの値を正規化及び微分して示したグラフである。
【図１０】図８の電極変位パラメータの増分変化の値を
示したグラフである。
【図１１】ブレークスルーが完全である流路を形成する
ＥＤＭ処理の間隙電圧及び間隙電流のパラメータの値を
正規化及び微分して示したグラフである。
【図１２】図１１のＥＤＭ処理の電極変位パラメータの
増分変化の値を示したグラフである。
【図１３】ブレークスルーが不完全である流路を形成す
るＥＤＭ処理の間隙電圧及び間隙電流のパラメータの値
を正規化及び微分して示したグラフである。
【図１４】図１３のＥＤＭ処理の電極変位パラメータの
増分変化の値を示したグラフである。
【図１５】ブレークスルー及び空気流量のそれぞれに対
応する２つのニューラルネットワークを有する処理モデ
ルの機能ブロック図である。
【図１６】入力層、隠し層、及び出力層を含むニューラ
ルネットワークの一部を単純化して示した説明図であ
る。
【図１７】図１５の処理モデルのトレーニングに使用さ
れる複数のトレーニングデータセットの説明図である。
【図１８】流路のブレークスルー特性予測用のニューラ
ルネットワークモデルのトレーニングのために使用され
るデータ点を示したグラフである。
【図１９】流路のブレークスルー特性予測用のニューラ
ルネットワークモデルを点検するために使用される試験
用データ点を示したグラフである。
【図２０】流路の空気流量特性予測用のニューラルネッ
トワークモデルのトレーニングのために使用されるデー
タ点を示したグラフである。
【図２１】流路の空気流量特性予測用のニューラルネッ
トワークモデルを点検するために使用される試験用デー
タ点を示したグラフである。
【図２２】ブレークスルー特性を予測するニューラルネ
ットワークにおける入力ニューロンと隠しニューロンと
の間の接続リンクに関連する重みを示す数値データを表
した図表である。
【図２３】ブレークスルー特性を予測するニューラルネ
ットワークにおける隠しニューロンに関連するバイアス
を示す数値データを表した図表である。
【図２４】ブレークスルー特性を予測するニューラルネ
ットワークにおける隠しニューロンと出力ニューロンと
の間の接続リンクに関連する重みを示す数値データを表
した図表である。
【図２５】ブレークスルー特性を予測するニューラルネ
ットワークにおける出力ニューロンに関連するバイアス
を示す数値データを表した図表である。
【図２６】空気流量特性を予測するニューラルネットワ
ークにおける入力ニューロンと隠しニューロンとの間の
接続リンクに関連する重みを示す数値データを表した図
表である。
【図２７】空気流量特性を予測するニューラルネットワ
ークにおける隠しニューロンに関連するバイアスを示す
数値データを表した図表である。
【図２８】空気流量特性を予測するニューラルネットワ
ークにおける隠しニューロンと出力ニューロンとの間の
接続リンクに関連する重みを示す数値データを表した図
表である。
【図２９】空気流量特性を予測するニューラルネットワ
ークにおける出力ニューロンに関連するバイアスを示す
数値データを表した図表である。
【符号の説明】
４０…タービンブレード ４２…エアフォイル ７０…ＥＤＭシステム ７２…フレーム ７４…電極サブシステム ７６…固定具 ７８…誘電体サブシステム ８０…電極工具 ８２…電極保持具 ８４…機械ヘッド部 ８５…接続部材 ８６…サーボ機構 ８８…エアフォイルとの間の間隙 ９０…誘電媒体 ９２…誘電体貯蔵／濾過システム ９４，９６，９８…センサ １００…システム制御装置／生成装置 １０４，１０６，１０８，１１０…信号線 １１２…出力導線 １１４…接続ケーブル １２０…電流分岐回路 １２２…電圧センサ １２４，１２６，１３０，１３２…信号線 １４０…信号プロセッサ １４２，１４４…信号線
───────────────────────────────────────────────────── フロントページの続き (72)発明者 アーロン エル．シュウェイザーホフ アメリカ合衆国，コネチカット，ミドルタ ウン，タウン ブロック 8223

Claims (22)

    【特許請求の範囲】
  1. 【請求項１】 ワークの特性の特質に関する指標を提供
    する装置であって、この特性は、確率的機械加工処理に
    より生じたものであり、 前記確率的機械加工処理に関連する少なくとも１つのパ
    ラメータの特質を検出するとともにこれを示す少なくと
    も１つの測定値信号を提供する少なくとも１つのセンサ
    と、 前記少なくとも１つの測定値信号に応答して、前記ワー
    クの特性の特質を示す信号を生成する信号処理手段と、
    を含むことを特徴とするワークの特性の特質に関する指
    標を提供する装置。
  2. 【請求項２】 前記信号処理手段は、ワークの特性の特
    質を示す前記信号を生成するためのトレーニングした人
    工ニューラルネットワークを含むことを特徴とする請求
    項１記載の装置。
  3. 【請求項３】 前記信号処理手段は、 前記少なくとも１つの測定値信号に応答して、前記確率
    的機械加工処理における該少なくとも１つの測定値信号
    の値に一致する線を示す少なくとも１つの解析信号を生
    成する信号解析手段と、 前記少なくとも１つの解析信号に応答して、前記少なく
    とも１つの測定値信号の値に一致した線とこの結果生じ
    る特性の特質との間の所定の対応関係に従って、ワーク
    の特性の特質を示す信号を生成するモデル手段と、を含
    むことを特徴とする請求項１記載の装置。
  4. 【請求項４】 前記少なくとも１つの解析信号は、前記
    確率的機械加工処理における前記少なくとも１つの測定
    値信号の値に関して、傾きを示す信号と切片を示す信号
    とを含むことを特徴とする請求項３記載の装置。
  5. 【請求項５】 前記確率的機械加工処理は、放電加工処
    理であり、前記少なくとも１つのセンサは、前記放電加
    工処理に関連する少なくとも１つのパラメータの特質を
    検出してこれを示す少なくとも１つの測定値信号を提供
    する少なくとも１つのセンサを含み、前記信号処理手段
    は、前記放電加工処理の前記少なくとも１つのパラメー
    タの特質とこの結果生じるワークの特性の特質との間の
    所定の対応関係に従って、前記ワークの特性の特質を示
    す信号を生成する手段を含むことを特徴とする請求項１
    記載の装置。
  6. 【請求項６】 前記少なくとも１つの処理パラメータ
    は、電極と前記ワークとの間の電圧差と、該電極と該ワ
    ークとの間の電流と、を含むことを特徴とする請求項５
    記載の装置。
  7. 【請求項７】 前記少なくとも１つの処理パラメータ
    は、さらに、前記電極と前記ワークとの間の距離を含む
    ことを特徴とする請求項６記載の装置。
  8. 【請求項８】 前記特性は、少なくとも１つの流路に関
    し、前記信号処理手段は、前記放電加工処理の前記少な
    くとも１つのパラメータの特質とこの結果生じる少なく
    とも１つの流路の特質との間の所定の対応関係に従っ
    て、特性の特質を示す信号を生成する手段を含むことを
    特徴とする請求項１記載の装置。
  9. 【請求項９】 前記特性の特質を示す信号は、前記少な
    くとも１つの流路のブレークスルー状態を示す信号を含
    むことを特徴とする請求項８記載の装置。
  10. 【請求項１０】 前記特性の特質を示す信号は、前記少
    なくとも１つの流路の空気流量測定値を示す信号を含む
    ことを特徴とする請求項８記載の装置。
  11. 【請求項１１】 前記特性は、少なくとも１つの流路に
    関し、前記信号処理手段は、前記放電加工処理の前記少
    なくとも１つのパラメータの特質とこの結果生じる少な
    くとも１つの流路の特質との間の所定の対応関係に従っ
    て、特性の特質を示す信号を生成する手段を含むことを
    特徴とする請求項７記載の装置。
  12. 【請求項１２】 ワークの特性の特質に関する指標を提
    供するための方法であって、この特性は、確率的機械加
    工処理により生じたものであり、 前記確率的機械加工処理に関連する少なくとも１つのパ
    ラメータの特質を検出するとともに、これを示す少なく
    とも１つの測定値信号を提供する検出ステップと、 前記少なくとも１つの測定値信号に応答して、前記ワー
    クの前記特性の特質を示す信号を生成する生成ステップ
    と、を含むことを特徴とするワークの特性の特質に関す
    る指標を提供するための方法。
  13. 【請求項１３】 前記生成ステップは、人工ニューラル
    ネットワークのトレーニングを行うことを含むことを特
    徴とする請求項１２記載の方法。
  14. 【請求項１４】 前記生成ステップは、 前記確率的機械加工処理における前記少なくとも１つの
    測定値信号の値に一致する線を示す少なくとも１つの解
    析信号を生成し、 前記少なくとも１つの測定値信号の値に一致する線とこ
    の結果生じる特性の特質との間の所定の対応関係に従っ
    て、前記ワークの前記特性の特質を示す信号を生成する
    ことを含むことを特徴とする請求項２記載の方法。
  15. 【請求項１５】 前記特性の特質を示す信号を生成する
    ステップは、前記確率的機械加工処理における前記少な
    くとも１つの測定値信号の値に関して、傾きを示す信号
    と切片を示す信号とを生成することを含むことを特徴と
    する請求項１４記載の方法。
  16. 【請求項１６】 前記確率的機械加工処理は、放電加工
    処理であり、前記検出ステップは、前記放電加工処理に
    関連する少なくとも１つのパラメータの特質を検出して
    これを示す少なくとも１つの測定値信号を提供すること
    を含み、前記生成ステップは、前記放電加工処理の前記
    少なくとも１つのパラメータの特質とこの結果生じるワ
    ークの特性の特質との間の所定の対応関係に従って、前
    記特性の特質を示す信号を生成することを含むことを特
    徴とする請求項１２記載の方法。
  17. 【請求項１７】 前記検出ステップは、電極と前記ワー
    クとの間の電圧差を検出することと、該電極と該ワーク
    との間の電流を検出することと、を含むことを特徴とす
    る請求項１６記載の方法。
  18. 【請求項１８】 前記検出ステップは、さらに、前記電
    極と前記ワークとの間の距離を検出することを含むこと
    を特徴とする請求項１７記載の方法。
  19. 【請求項１９】 前記特質は、少なくとも１つの流路に
    関し、前記生成ステップは、前記放電加工処理の前記少
    なくとも１つのパラメータの特質とこの結果生じる少な
    くとも１つの流路の特質との間の所定の対応関係に従っ
    て、前記特性の特質を示す信号を生成することを含むこ
    とを特徴とする請求項１２記載の方法。
  20. 【請求項２０】 前記特性の特質を示す信号を生成する
    ステップは、前記少なくとも１つの流路のブレークスル
    ー状態を示す信号を生成することを含むことを特徴とす
    る請求項１９記載の方法。
  21. 【請求項２１】 前記特性の特質を示す信号を生成する
    ステップは、前記少なくとも１つの流路の空気流量測定
    値を示す信号を生成することを含むことを特徴とする請
    求項１９記載の方法。
  22. 【請求項２２】 前記特性は、少なくとも１つの流路に
    関し、前記生成ステップは、前記放電加工処理の前記少
    なくとも１つのパラメータの特質とこの結果生じる少な
    くとも１つの流路の特質との間の所定の対応関係に従っ
    て、前記特性の特質を示す信号を生成することを含むこ
    とを特徴とする請求項１８記載の方法。
JP11111300A 1998-04-17 1999-04-19 ワ―クの特性の特質に関する指標を提供する装置及び方法 Pending JPH11320261A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US09/061,644 US6850874B1 (en) 1998-04-17 1998-04-17 Method and apparatus for predicting a characteristic of a product attribute formed by a machining process using a model of the process
US09/061644 1998-04-17

Publications (1)

Publication Number Publication Date
JPH11320261A true JPH11320261A (ja) 1999-11-24

Family

ID=22037148

Family Applications (1)

Application Number Title Priority Date Filing Date
JP11111300A Pending JPH11320261A (ja) 1998-04-17 1999-04-19 ワ―クの特性の特質に関する指標を提供する装置及び方法

Country Status (8)

Country Link
US (1) US6850874B1 (ja)
EP (1) EP0950934B1 (ja)
JP (1) JPH11320261A (ja)
DE (1) DE69928162T2 (ja)
IL (1) IL129488A (ja)
RU (1) RU2220030C2 (ja)
SG (1) SG80026A1 (ja)
UA (1) UA62942C2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101733457A (zh) * 2009-12-08 2010-06-16 刘绪昌 一种哨片专用模具的加工工艺

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE521759C2 (sv) * 2000-11-09 2003-12-02 Volvo Aero Corp Förfarande för framställning av ett blad till en gasturbinkomponent samt framställning av en gasturbinkomponent
EP1585613A1 (en) * 2002-09-13 2005-10-19 Tamicare Ltd. Laser modification of complex objects
EP1636738A2 (en) * 2003-05-23 2006-03-22 Computer Associates Think, Inc. Adaptive learning enhancement to auotmated model maintenance
US7191161B1 (en) * 2003-07-31 2007-03-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques
US7107187B1 (en) * 2003-11-12 2006-09-12 Sprint Communications Company L.P. Method for modeling system performance
US7272529B2 (en) * 2005-07-08 2007-09-18 Honeywell International, Inc. Dual wall turbine blade ultrasonic wall thickness measurement technique
US8002168B2 (en) * 2005-09-06 2011-08-23 Volvo Aero Corporation Method of producing an engine wall structure
US20080234850A1 (en) * 2007-03-19 2008-09-25 Bowling William C Model based definition installation and assembly drawing process
US9336628B2 (en) * 2008-05-08 2016-05-10 United Technologies Corporation Systems and methods involving surface fitting
US10189100B2 (en) 2008-07-29 2019-01-29 Pratt & Whitney Canada Corp. Method for wire electro-discharge machining a part
JP2010044101A (ja) * 2008-08-08 2010-02-25 Toshiba Corp パターン予測方法、プログラム及び装置
US9687926B2 (en) * 2009-04-03 2017-06-27 United Technologies Corporation Trailing edge machining of a workpiece
US8925201B2 (en) * 2009-06-29 2015-01-06 Pratt & Whitney Canada Corp. Method and apparatus for providing rotor discs
US8645306B2 (en) * 2010-07-02 2014-02-04 Idexx Laboratories, Inc. Automated calibration method and system for a diagnostic analyzer
US8710392B2 (en) 2011-06-29 2014-04-29 United Technologies Corporation Electric discharge machining hole drilling
US8631577B2 (en) 2011-07-22 2014-01-21 Pratt & Whitney Canada Corp. Method of fabricating integrally bladed rotor and stator vane assembly
US8904636B2 (en) 2011-07-22 2014-12-09 Pratt & Whitney Canada Corp. Method of fabricating integrally bladed rotor using surface positioning in relation to surface priority
US8844132B2 (en) 2011-07-22 2014-09-30 Pratt & Whitney Canada Corp. Method of machining using an automatic tool path generator adapted to individual blade surfaces on an integrally bladed rotor
US8788083B2 (en) 2011-07-22 2014-07-22 Pratt & Whitney Canada Corp. Compensation for process variables in a numerically-controlled machining operation
US9188504B2 (en) 2012-10-31 2015-11-17 General Electric Company Methods for testing turbine blades
US8720526B1 (en) 2012-11-13 2014-05-13 Siemens Energy, Inc. Process for forming a long gas turbine engine blade having a main wall with a thin portion near a tip
KR20180085165A (ko) * 2017-01-18 2018-07-26 삼성전자주식회사 배터리 관리 방법 및 장치
JP6680714B2 (ja) * 2017-03-30 2020-04-15 ファナック株式会社 ワイヤ放電加工機の制御装置及び機械学習装置
US10902089B2 (en) 2017-05-22 2021-01-26 United States Of America As Represented By The Secretary Of The Air Force Method for predicting stochastic output performance or scaling stochastic inputs
US10953483B2 (en) * 2017-11-15 2021-03-23 General Electric Company Tool electrode for and methods of electrical discharge machining
JP6655589B2 (ja) * 2017-11-29 2020-02-26 三菱重工業株式会社 計測システム、加工システム、計測方法及びプログラム
EP3539705A1 (en) 2018-03-14 2019-09-18 AQ Anton Kft. System and method for control of an edm drilling process
DE102018210894A1 (de) * 2018-07-03 2020-01-09 Siemens Aktiengesellschaft Entwurf und Herstellung einer Strömungsmaschinenschaufel
US20200317370A1 (en) * 2019-04-05 2020-10-08 United Technologies Corporation Aircraft component repair system and process
EP4338849A3 (de) * 2019-05-09 2024-05-15 Dürr Systems AG Verfahren zur kontrolle und nachbehandlung von werkstücken, kontrollanlage und behandlungsanlage
DE112020002294A5 (de) 2019-05-09 2022-03-03 Dürr Systems Ag Analyseverfahren und Vorrichtungen hierzu
US11338381B2 (en) * 2019-07-26 2022-05-24 Pratt & Whitney Canada Corp. Method and system for wire electro-discharge machining a component
DE102020201599A1 (de) 2020-02-10 2021-08-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Einrichtung zum Bestimmen einer Performanceeigenschaft eines Produkts
CN113909600B (zh) * 2021-10-09 2024-07-23 中国航发北京航空材料研究院 一种涡轮叶片电火花加工气膜孔的质量评价方法
CN113868725B (zh) * 2021-11-30 2022-04-05 徐工集团工程机械股份有限公司 基于结构化知识的三维工艺规程引导式方法及系统
GB2628359A (en) * 2023-03-21 2024-09-25 Rolls Royce Plc System and method for determining the characteristics of a machining process
CN118046052B (zh) * 2024-04-16 2024-07-16 成都和鸿科技股份有限公司 一种涡轮叶片表面加工槽的定位方法

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3860779A (en) * 1972-03-22 1975-01-14 Charmilles Sa Ateliers Method and apparatus for positioning an electrode-tool relative to a workpiece in electrical discharge machining
DE2965743D1 (en) 1978-09-26 1983-07-28 Nat Res Dev Arc monitor for electrical discharge machining
US4510365A (en) * 1982-05-06 1985-04-09 Raycon Corporation Electronic depth controller for EDM apparatus
US4725705A (en) * 1985-09-27 1988-02-16 Ex-Cell-O Corporation Method and apparatus for electric discharge machining with adaptive feedback for dimensional control
JPH07100262B2 (ja) * 1988-10-07 1995-11-01 三菱電機株式会社 放電加工終了判定方法及びその装置
US5294308A (en) 1989-04-12 1994-03-15 Shizuoka Seiko Co., Ltd. Method of predicting a short circuit in an electrolytic finishing system
US5010224A (en) * 1989-06-12 1991-04-23 Lucas Industries, Plc Very small orifice manufacturing system
US5181177A (en) * 1989-06-13 1993-01-19 Raycon Corporation Method and apparatus for non-contact machining with dynamic feedback control
US5062066A (en) 1989-08-17 1991-10-29 Nabisco Brands, Inc. Model referenced control of a food treatment device
JPH04122545A (ja) * 1990-05-24 1992-04-23 Mitsubishi Electric Corp 機械加工における工程設計処理方法
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US5282261A (en) 1990-08-03 1994-01-25 E. I. Du Pont De Nemours And Co., Inc. Neural network process measurement and control
US5034106A (en) 1990-08-16 1991-07-23 General Motors Corporation Electrolytic drilling
JPH05165842A (ja) 1991-12-13 1993-07-02 Toyota Central Res & Dev Lab Inc 工程時間の見積り装置
US5496984A (en) * 1992-01-07 1996-03-05 Mitsubishi Denki Kabushiki Kaisha Electrical discharge machine and machining method therefor
US5360957A (en) * 1992-06-11 1994-11-01 General Electric Company Controlled apparatus for electrical discharge machining
US5286947A (en) 1992-09-08 1994-02-15 General Electric Company Apparatus and method for monitoring material removal from a workpiece
US5664066A (en) 1992-11-09 1997-09-02 The United States Of America As Represented By The United States Department Of Energy Intelligent system for automatic feature detection and selection or identification
JP3547151B2 (ja) 1992-12-03 2004-07-28 株式会社ソディック 放電加工制御方法及び放電加工機用制御装置
US5653894A (en) 1992-12-14 1997-08-05 Lucent Technologies Inc. Active neural network determination of endpoint in a plasma etch process
NZ261119A (en) 1993-01-28 1997-08-22 Shell Int Research Neural network image processing for physical property prediction
US5388186A (en) 1993-02-01 1995-02-07 At&T Corp. Differential process controller using artificial neural networks
US5399229A (en) 1993-05-13 1995-03-21 Texas Instruments Incorporated System and method for monitoring and evaluating semiconductor wafer fabrication
JPH0775937A (ja) * 1993-09-07 1995-03-20 Sodick Co Ltd 工作機械及びその制御方法
JPH07175876A (ja) 1993-10-12 1995-07-14 At & T Corp ニューラルネットワークを用いたプロセスのフィードバックの制御方法とその装置
JP3231521B2 (ja) 1993-10-21 2001-11-26 株式会社ソディック 放電加工の加工設定データ決定装置と方法
US5526293A (en) 1993-12-17 1996-06-11 Texas Instruments Inc. System and method for controlling semiconductor wafer processing
JP3338153B2 (ja) 1993-12-22 2002-10-28 株式会社ソディック 放電加工条件決定方法及び放電加工制御装置
JPH07295619A (ja) * 1994-04-25 1995-11-10 Mitsubishi Electric Corp 工作機械の数値制御装置
DE19512291C2 (de) 1995-04-05 1998-08-27 Behrens Arno Prof Dr Ing Verfahren und Schaltung zur Überwachung und Vorhersage des Verlaufs eines Funkenerodierprozesses
US5654903A (en) 1995-11-07 1997-08-05 Lucent Technologies Inc. Method and apparatus for real time monitoring of wafer attributes in a plasma etch process

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101733457A (zh) * 2009-12-08 2010-06-16 刘绪昌 一种哨片专用模具的加工工艺

Also Published As

Publication number Publication date
SG80026A1 (en) 2001-04-17
US6850874B1 (en) 2005-02-01
DE69928162T2 (de) 2006-08-10
EP0950934A1 (en) 1999-10-20
EP0950934B1 (en) 2005-11-09
IL129488A0 (en) 2000-02-29
RU2220030C2 (ru) 2003-12-27
IL129488A (en) 2002-07-25
UA62942C2 (en) 2004-01-15
DE69928162D1 (de) 2005-12-15

Similar Documents

Publication Publication Date Title
JPH11320261A (ja) ワ―クの特性の特質に関する指標を提供する装置及び方法
Manoj et al. Examination of machining parameters and prediction of cutting velocity and surface roughness using RSM and ANN using WEDM of Altemp HX
Sharma et al. Cutting tool wear estimation for turning
Sharma et al. Enhancing EDM performance characteristics of Inconel 625 superalloy using response surface methodology and ANFIS integrated approach
Ubaid et al. Optimization of electro discharge machining process parameters with fuzzy logic for stainless steel 304 (ASTM A240)
Abhilash et al. ANFIS modelling of mean gap voltage variation to predict wire breakages during wire EDM of Inconel 718
JP2006024195A (ja) 生産工程の品質予測システムおよびその方法
Vrabeľ et al. Surface roughness prediction using artificial neural networks when drilling Udimet 720
Azadi Moghaddam et al. Modeling and optimization of the electrical discharge machining process based on a combined artificial neural network and particle swarm optimization algorithm
Belloufi et al. Experimental and predictive study by multi-output fuzzy model of electrical discharge machining performances
Yeo et al. Tool condition monitoring using reflectance of chip surface and neural network
Wang et al. Artificial Intelligence for advanced non-conventional machining processes
Abed et al. [Retracted] Enhancement Modelling Based on Electrical Discharge Machining Successive Discharges
Majumder et al. Application of MOORA to optimize WEDM process parameters: a multi-criteria decision making approach
Wilkinson et al. Tool wear prediction from acoustic emission and surface characteristics via an artificial neural network
Kumanan et al. Prediction of multi performance characteristics of wire EDM process using grey ANFIS
Velpula et al. Prediction of electric discharge machining process parameters using artificial neural network
Sahu et al. Investigation of Machinability Characteristics of EDMed Inconel 825 Alloy under Multidimensional Parametric Modeling by Using Holistic Grey‐PCA Statistical Models
Akar et al. A study on the μwire-EDM of Ni55. 8Ti shape memory superalloy: an experimental investigation and a hybrid ANN/PSO approach for optimization
Panda et al. Monitoring of drill flank wear using fuzzy back-propagation neural network
Kumar et al. An ANFIS modelling and genetic algorithm-based optimization of through-hole electrical discharge drilling of Inconel-825 alloy
JP2004093567A (ja) 機械または設備の運転条件の評価方法
Rodic et al. Application of ANFIS for modeling and predicting the EDM surface roughness
Küpper et al. Data-driven model for process evaluation in wire EDM
Pandey Computer aided genetic algorithm based optimization of electrical discharge drilling in titanium alloy (grade-5) sheet

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20060410

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20090324

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20090818