WO2020170786A1 - 工具選定方法及び装置、並びに、工具経路生成方法 - Google Patents

工具選定方法及び装置、並びに、工具経路生成方法 Download PDF

Info

Publication number
WO2020170786A1
WO2020170786A1 PCT/JP2020/003987 JP2020003987W WO2020170786A1 WO 2020170786 A1 WO2020170786 A1 WO 2020170786A1 JP 2020003987 W JP2020003987 W JP 2020003987W WO 2020170786 A1 WO2020170786 A1 WO 2020170786A1
Authority
WO
WIPO (PCT)
Prior art keywords
tool
workpiece
machining
target workpiece
main
Prior art date
Application number
PCT/JP2020/003987
Other languages
English (en)
French (fr)
Inventor
圭一 中本
理愛 井元
勝彦 武井
真二 猪狩
Original Assignee
株式会社牧野フライス製作所
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 株式会社牧野フライス製作所 filed Critical 株式会社牧野フライス製作所
Priority to EP20759419.3A priority Critical patent/EP3929678A4/en
Priority to CN202080014232.6A priority patent/CN113424117A/zh
Priority to US17/432,797 priority patent/US20220128964A1/en
Priority to KR1020217022698A priority patent/KR20210104131A/ko
Publication of WO2020170786A1 publication Critical patent/WO2020170786A1/ja

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40937—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of machining or material parameters, pocket machining
    • G05B19/40938—Tool management
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
    • G05B19/40931—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of geometry
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35167—Automatic toolpath generation and tool selection
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39271—Ann artificial neural network, ffw-nn, feedforward neural network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present application relates to a tool selection method and device, and a tool path generation method.
  • the processing-related information generation device of Patent Document 1 analyzes the data of the processing model of a certain process, and extracts the R dimension of the intersecting portion with respect to two surfaces that intersect each other. Of the extracted R dimensions, the minimum R dimension is determined, and based on the determined R dimension, the tool diameter that can be used in the process (below the minimum R dimension) is determined. The database is searched based on the information including the determined tool diameter, and the tools usable in the process are extracted.
  • the processing information creation device of Patent Document 2 uses a CAD to calculate the amount of uncut portion that occurs in an L-shaped portion or groove when a certain tool is used for a work having an L-shaped portion or groove. Data is obtained from the simulation and a mathematical model of the uncut amount is created. A machining case having a degree and a constant close to the degree and the constant of the obtained mathematical model is retrieved from the machining case database. A tool that is close to the tool information of the retrieved machining example is retrieved from the tool database.
  • a tool is selected based on the smallest R dimension among the extracted R dimensions.
  • the processing time may be long. Therefore, for some users, the selected tool may not always meet the user's intention (eg, short machining time, low cost, etc.).
  • the tool is selected based on the uncut amount obtained from the simulation.
  • the selected tool may not always meet the user's intention only by considering the uncut amount.
  • the algorithm used for searching the processing case database is fixed, and it may take time and skill to change the algorithm.
  • One aspect of the present disclosure is a tool selection method for selecting a tool used to machine a workpiece having a plurality of machining surfaces, based on the shapes of a plurality of machining surfaces for each of a plurality of known workpieces. It is a step of calculating one or a plurality of feature amounts, and for each of a plurality of known workpieces, it is selected in advance from a tool list including a plurality of tools as being suitable for machining a plurality of machined surfaces.
  • One major tool that has been assigned is assigned, and for a plurality of known workpieces, a feature quantity is input and machine learning is performed using the main tool as an output.
  • a tool selection method comprising: a step of calculating and a step of selecting a main tool for a target workpiece from a tool list based on a result of machine learning, using a feature amount of the target workpiece as an input. is there.
  • a main tool is assigned to each of a plurality of known workpieces used for machine learning.
  • the primary tool is preselected as suitable for machining multiple work surfaces on each work piece.
  • “Suitable for processing a plurality of processing surfaces” can be determined by a user from various viewpoints (for example, at least one of processing time, cost and accuracy). Therefore, in the tool selection method according to the aspect of the present disclosure, the user performs machine learning on a plurality of known workpieces to which the main tool is assigned from the above viewpoint by an expert of the company, for example. It is possible to select a main tool for the target workpiece according to the user's intention.
  • the feature amount may include at least one of an area and an area ratio regarding a plurality of processed surfaces.
  • Such a feature amount is at least an area ratio represented by the ratio of the total area of the machining surfaces that can or cannot be machined by the tools in the tool list on the plurality of machining surfaces to the total area of the plurality of machining surfaces.
  • the area ratio may be calculated for all or some of the plurality of tools, and the calculated area ratio may be used for the machine learning as a separate feature amount.
  • the plurality of tools may be a plurality of ball end mills having different diameters, and the area ratio is less than or less than or equal to a radius of a ball end mill on a plurality of work surfaces with respect to a total area of the plurality of work surfaces. It may be represented by the ratio of the total area of concave surfaces having a radius of curvature.
  • the tool selection method further comprises the step of selecting a secondary tool capable of processing a portion having a minimum radius of curvature in the target workpiece, which is different from the main tool and cannot be processed by the main tool, with respect to the target workpiece. Good.
  • a secondary tool capable of processing a portion having a minimum radius of curvature in the target workpiece, which is different from the main tool and cannot be processed by the main tool, with respect to the target workpiece. Good.
  • Another aspect of the present disclosure is a tool path generation method for generating a tool path in NC machining for a workpiece having a plurality of machining surfaces, which is a main tool of a target workpiece selected by the above-described tool selection method. And a method for generating a tool path for a secondary tool. With this tool path generation method, it is possible to efficiently machine a workpiece, as in the above-described tool selection method.
  • Yet another aspect of the present disclosure is a tool selection device that selects a tool used to machine a workpiece having a plurality of machining surfaces, and a processor and a memory that stores a tool list including the plurality of tools. And a processor for calculating a feature amount based on the shapes of a plurality of machining surfaces for each of a plurality of known workpieces, and a tool list for each of the plurality of known workpieces.
  • One main tool pre-selected as suitable for machining a plurality of machined surfaces is assigned from among the above, and the machine uses the feature quantity as an input and the main tool as an output for a plurality of known workpieces.
  • the target workpiece is selected based on the results of machine learning by performing learning, calculating the feature amount for the target workpiece, and using the feature amount of the target workpiece as input.
  • a tool selecting device configured to perform selecting a main tool against.
  • FIG. 1 is a schematic diagram illustrating a method and apparatus of the present disclosure.
  • FIG. 2A is a front view showing an example of the processed product.
  • FIG. 2B is a plan view showing an example of the processed product. It is a flowchart which shows machine learning.
  • FIG. 4A shows a machined surface that can be machined with a large-diameter tool.
  • FIG. 4B shows a machined surface that can be machined with a small diameter tool. It is a flowchart which shows selection of a tool with respect to a target workpiece, and generation of a tool path.
  • FIG. 6A shows the surface on which the tool path of the large diameter tool is generated.
  • FIG. 6B shows a surface on which the tool path of the small diameter tool is generated.
  • FIG. 1 is a schematic diagram showing the method and apparatus of the present disclosure.
  • the method of the present disclosure is implemented in a system 100 including a CAD (Computer Aided Design) system 50, a device 10 for selecting a tool, and a machine tool 70.
  • the device 10 also generates a tool path based on the selected tool. Therefore, it should be noted that the device 10 may be referred to as a “tool selection device” or a “tool path generation device”.
  • System 100 may include other components.
  • the CAD system 50 creates CAD data of a work piece.
  • the workpiece represented by CAD data has a target shape after being machined by a tool.
  • the CAD data 51 of “known workpiece” (which may be referred to as teacher data in the following) that serves as teacher data when the apparatus 10 performs machine learning, and a main tool based on the result of machine learning.
  • CAD data 52 of the "target workpiece” for which is selected is created.
  • the "known work (teacher data)" may be a work actually made in the past using a certain main tool, or is made only as electronic data, and the operator (for example, an expert) Person) P may be a work piece to which a main tool is assigned.
  • CAD data includes shape data such as vertices, edges, and faces included in the workpiece.
  • the CAD data can be defined in an XYZ axis coordinate system, which is a three-dimensional orthogonal coordinate system, for example.
  • CAD data may be defined in other coordinate systems.
  • the work piece includes a plurality of work surfaces surrounded (or divided) by character lines.
  • the CAD data includes various geometric information (eg, type of machining surface (eg, plane, convex surface, concave surface, etc.), area, curvature, etc.) for each of a plurality of machining surfaces.
  • the CAD data may include other geometric information.
  • FIG. 2(a) is a front view showing an example of a workpiece
  • FIG. 2(b) is a plan view showing an example of the workpiece.
  • the work piece 40 can be a variety of objects.
  • the workpiece 40 is a mold
  • the processing target is the design surface of the mold.
  • the design surfaces are the surfaces 41, 42, 43 and the corners 44, 45, and the surfaces 46, 47 are not included in the processing target.
  • the design surface of the mold can be represented by a plurality of surfaces, each of which is smoothly connected.
  • the workpiece 40 has a simplified shape for the sake of explanation, but in the design surface of the actual die, since a high-quality and smooth surface is required to be processed, the detailed shape of the CAD is not omitted. Data is prepared. In particular, there is a physical limit to the minimum size of the cutting edge of the tool, so the inward corners of the workpiece are not bent at right angles, but a corner R of a size that can be actually machined by the tool is set. And is represented as a shape smoothly connected by a curved surface. In addition, a curved shape having various curvatures or a curved surface with varying curvatures is smoothly connected to a shape other than the inward-facing corners to express a design shape that causes a beautiful appearance.
  • the plurality of processed surfaces of the design surface of the mold may include, for example, a flat surface, a convex surface, and a concave surface.
  • the “convex surface” can mean a convex curved surface having a certain radius of curvature.
  • the surface 42 is a convex curved surface in a plan view, as shown in FIG.
  • the corner 44 is a convex curved surface in both the front view and the plan view, as shown in FIGS. Therefore, the surface 42 and the corner 44 are classified as “convex”.
  • the “concave surface” can mean a concave curved surface having a certain radius of curvature.
  • the corner 45 is a concave curved surface when viewed from the front, as shown in FIG. Therefore, the corner 45 is classified as “concave”.
  • the corner 45 is a convex curved surface in a plan view as shown in FIG. 2B, but when a certain surface is a concave curved surface in any of the viewpoints, the surface is Note that it can be classified as "concave”.
  • a curved surface in which a positive curvature and a negative curvature coexist as represented by a saddle-shaped curved surface having a saddle point, is classified as a “concave surface”.
  • the surfaces 41 and 43 are classified into "plane”.
  • the operator P assigns one main tool PT to the known CAD data 51 of the workpiece from a tool list including a plurality of tools usable by the machine tool 70.
  • the CAD data 51 of each known workpiece and the information about the main tool PT are associated with each other and stored in the storage device 1 (details described later) of the device 10 as teacher data. To be done.
  • the main tool PT is assigned to the workpiece by the operator P from the tool list as being suitable for machining a plurality of machining surfaces included in a workpiece.
  • the operator (especially skilled person) P uses various factors (for example, at least one of machining time, cost and accuracy) based on various factors such as know-how, experience and policy of the workplace. It can be considered that one main tool can be selected for the work piece in consideration of one). For example, a small-diameter tool can process various shapes, but may require a long time for processing. Therefore, selecting a small diameter tool as the main tool can lead to an increase in machining time. Also, for example, some small diameter tools can be infrequently used and expensive.
  • the operator focuses on the processing time and selects a main tool that can avoid an increase in the processing time while maintaining a certain degree of accuracy. May do. Further, in another embodiment, the operator may focus on the cost and select a main tool that can avoid the high cost while maintaining a certain degree of accuracy. Further, in still another embodiment, the operator may focus on accuracy and select a main tool that can realize highly accurate machining.
  • the CAD data 52 of the target workpiece is input to, for example, the processor 2 of the device 10 (details will be described later).
  • the CAD data 52 of the target workpiece may be stored in the storage device 1.
  • the device 10 includes a storage device 1 and a processor 2, and these constituent elements are connected to each other via a bus (not shown) or the like.
  • the device 10 includes other components such as a ROM (read only memory), a RAM (random access memory), an input device and/or an output device (for example, a mouse, a keyboard, a liquid crystal display, and/or a touch panel). be able to.
  • the device 10 can be, for example, a computer, a server, a tablet, or the like.
  • the storage device 1 may be one or a plurality of hard disk drives or the like.
  • the storage device 1 stores the teacher data input from the CAD system 50. Further, the storage device 1 stores a tool list including a plurality of tools that can be used by the machine tool 70. The information of each tool in the tool list can include various information about the tool, such as the tool number, the diameter of the tool, the material of the tool, and the price of the tool. Further, the storage device 1 can store various programs used by the processor 2. The storage device 1 may store other data.
  • the processor 2 may be, for example, one or a plurality of CPUs (Central Processing Unit) or the like.
  • the processor 2 can have a processing unit configured to execute the processing shown below, and each processing unit can be realized by a program stored in the storage device 1, for example.
  • the processor 2 can include, for example, a feature amount calculation unit 21, an inference unit 22, a secondary tool selection unit 23, and a tool path generation unit 24.
  • the processor 2 may further include another processing unit for executing another process.
  • the feature amount calculation unit 21 is configured to calculate a feature amount for the CAD data 51 of each teacher data and the CAD data 52 of the target workpiece.
  • the inference unit 22 is configured to perform machine learning on a plurality of teacher data. For machine learning, for example, a neural network can be used.
  • the inference unit 22 is also configured to select a main tool for the target workpiece based on the result of machine learning for the target workpiece.
  • the secondary tool selection unit 23 is configured to select a secondary tool for the target workpiece.
  • the tool path generation unit 24 is configured to generate a tool path for each of the selected main tool and secondary tool (the above processing will be described in detail later).
  • a CAM Computer Aided Manufacture
  • the tool path generated by the device 10 is converted into NC data and input to the machine tool 70.
  • the machine tool 70 can be various machine tools that perform NC processing based on NC data.
  • the CAD system 50 and device 10 described above may be configured as separate devices or may be incorporated into the same device (eg, CAD software and/or CAM software may be incorporated into device 10). ..
  • FIG. 3 is a flowchart showing machine learning.
  • the processor 2 acquires data for each of the plurality of teacher data from the storage device 1 (step S100).
  • the data to be acquired includes, for example, the shape data of each teacher data, the geometric information of each of a plurality of machining surfaces, and the information about the main tool (for example, the diameter of the tool).
  • the processor 2 inputs the acquired data to the feature amount calculation unit 21 and calculates one or a plurality of feature amounts for each of the plurality of teacher data (step S102).
  • the feature amount calculated in step S102 can be various geometric information based on the shapes of the plurality of processed surfaces.
  • the feature amount may include at least one of an area and an area ratio regarding a plurality of processed surfaces.
  • the feature amount is (1)
  • a first area ratio P1 i represented by the ratio of the total area of the machining surfaces that cannot be machined by a tool having a tool list on the plurality of machining surfaces to the total area of the plurality of machining surfaces Can be included at least.
  • the first area ratio P1 i is a total area of concave surfaces having a radius of curvature equal to or less than (or less than) a radius of a tool in a tool list in a plurality of machining surfaces with respect to a total area of a plurality of machining surfaces.
  • FIG. 4(a) shows a machined surface that can be machined with a large-diameter tool
  • FIG. 4(b) shows a machined surface that can be machined with a small-diameter tool.
  • the tool can be, for example, ball end mills T1, T2,... Ti (only ball end mills T1, T2 are shown in FIGS. 4A and 4B).
  • the tool may be other than a ball end mill.
  • the work piece 40 is the same as the work piece 40 of FIG. 2 described above.
  • FIG. 4A the surface that can be processed by the large diameter ball end mill T1 is hatched
  • FIG. 4B the surface that can be processed by the small diameter ball end mill T2 is hatched.
  • a concave surface having a radius of curvature equal to or less than the radius D/2 of a certain ball end mill T is set to be “unprocessable” by the ball end mill T.
  • the radius of curvature of the corner 45 of the design surface (the surfaces 41, 42, 43 and the corners 44, 45) is equal to or less than the radius D1/2 of the ball end mill T1.
  • the corner 45 cannot be processed by the ball end mill T1.
  • First area ratio P1 1 of workpiece 40 (area of corner 45)/(total area of surfaces 41, 42, 43 and corners 44, 45) Is.
  • the first area ratio P1 2 0 of the workpiece 40.
  • the first area ratio P1 i is calculated for all or some of the ball end mills T1, T2... Ti. For example, for ball end mills with a minimum radius D/2, or for some small diameter ball end mills, the first area ratio P1 i has not been calculated, as these may not be suitable for the main tool. Good.
  • the calculated first area ratio P1 i is used for machine learning as a separate feature amount.
  • first area ratio P1 1 if there are few concave surfaces that cannot be processed by the ball end mill T1 (that is, if there are many concave surfaces that can be processed by the ball end mill T1), processing time and/or cost is reduced. From a point of view, it may be efficient to machine most of the work piece 40 with the ball end mill T1 or a larger diameter ball end mill. In this case, a ball end mill T1 or a larger diameter ball end mill may be suitable for the primary tool.
  • the ball end mill T1 has many “unprocessable” concave surfaces (that is, if the ball end mill T1 has few “machinable” concave surfaces), then the ball end mill T1 will not work in terms of processing time and/or cost. Machining the majority of the work piece 40 can be inefficient. In this case, a ball end mill having a smaller diameter than the ball end mill T1 may be suitable for the main tool.
  • a skilled person can make the above determination based on know-how and experience by observing the workpiece 40. Therefore, it is considered that the know-how and experience of the expert can be taken into consideration by using the first area ratio P1 1 as an input for machine learning.
  • a concave surface having a radius of curvature D/2 "or less" of a ball end mill T is set to be unworkable by the ball end mill T, but the radius D/2 "less than”.
  • a concave surface having a radius of curvature of "" may be set as unworkable.
  • the first area ratio P1 i is represented by the ratio of the area that cannot be processed by a tool to the total area of the plurality of processed surfaces.
  • P1 i may be represented by the ratio of the area “machinable” by a tool to the total area of a plurality of machining surfaces. As described above, the same determination can be made by the ratio of the processable area.
  • the feature amount calculated in step S102 may further include other geometric information.
  • the feature amount is (2) The second area ratio P2 represented by the ratio of the total area of the convex surfaces having the radius of curvature equal to or less than (or less than) the radius of the tool in the tool list in the plurality of processing surfaces to the total area of the plurality of processing surfaces. i , (3) Total area P3 of a plurality of processed surfaces (4) Minimum value P4 of radius of curvature of concave surface (5) Minimum value P5 of radius of curvature of convex surface May be further included.
  • the second area ratio P2 i is calculated for all or some of the tools in the tool list having different diameters, while the values P3, P4, P5 are one for a workpiece. Only calculated.
  • the feature amount may include other geometric information based on the shapes of the plurality of machined surfaces other than the above P1 i , P2 i , P3, P4, and P5.
  • the processor 2 inputs the calculated feature amount of a plurality of teacher data and information (for example, diameter) regarding the main tool into the inference unit 22, inputs the feature amount, and outputs information regarding the main tool as output.
  • Machine learning is executed (step S104). With the above, a series of operations is completed. The above steps may be repeated until a desired convergence result is obtained.
  • FIG. 5 is a flowchart showing selection of a tool and generation of a tool path for a target workpiece.
  • the processor 2 acquires the CAD data 52 of the target workpiece created by the CAD system 50 (step S200).
  • the acquired CAD data includes shape data of the target workpiece and geometric information of each of the plurality of processed surfaces.
  • the processor 2 inputs the acquired CAD data 52 to the feature amount calculation unit 21 and calculates the feature amount of the target workpiece (step S202).
  • the feature amount calculated in step S202 can be the same as the one calculated for the plurality of teacher data in step S102.
  • the processor 2 inputs the calculated feature amount of the target workpiece to the inference unit 22 and selects a main tool for the target workpiece from the tool list based on the result of the machine learning. (Step S204).
  • the processor 2 transmits information about the selected main tool (for example, the tool number and/or the diameter of the tool) to the display unit.
  • the display unit displays information on the selected main tool (step S206). Thereby, the operator P can examine whether or not the selected main tool is suitable for machining the target workpiece.
  • the processor 2 receives an input from the operator P as to whether or not the main tool needs to be changed (step S208). Specifically, when the operator P determines that the selected main tool is not suitable for machining the target workpiece, the operator P inputs the change command via the input device to Can be changed.
  • the processor 2 saves the main tool of the selected target workpiece in the storage device 1 together with the CAD data 52 (step S210).
  • the CAD data 52 and the main tool of the target workpiece newly stored in the storage device 1 may be used as one of the teacher data.
  • step S208 When there is an input indicating that the change is necessary in step S208, the processor 2 changes the main tool based on the change command input from the operator P (step S212), and proceeds to step S210 to change.
  • the main tool of the target workpiece thus obtained is stored in the storage device 1 together with the CAD data 52.
  • the processor 2 inputs the acquired CAD data 52 to the secondary tool selection unit 23 and selects a secondary tool from the tool list for the target workpiece (step S214).
  • the processor 2 can select, as the secondary tool, a tool that can machine a portion (for example, a concave surface) having the smallest radius of curvature in the target workpiece that cannot be machined by the main tool.
  • the processor 2 may select a tool having a radius smaller than the minimum radius of curvature in the target workpiece as the secondary tool.
  • the processor 2 may select the tool having the largest radius from the plurality of tools that satisfy the condition as the secondary tool.
  • the processor 2 displays the maximum tool radius existing in the tool catalog or the like on the display within a range not exceeding the minimum radius of curvature in the target workpiece, The operator P is notified and the replenishment of a tool having a radius smaller than the minimum radius of curvature in the target workpiece is prompted.
  • the processor 2 inputs the selected main tool and secondary tool to the tool path generation unit 24, and generates a tool path for the main tool and the secondary tool of the target workpiece (step S216).
  • the processor 2 can generate a tool path using a CAM system.
  • FIG. 6 shows the surface on which the tool path of the large diameter tool is generated
  • (b) of FIG. 6 shows the surface on which the tool path of the small diameter tool is generated.
  • the work piece 40 and the ball end mills T1 and T2 are the same as those shown in FIG. 4 above.
  • the large diameter ball end mill T1 is selected as the main tool
  • the small diameter ball end mill T2 is selected as the secondary tool for the target workpiece 40.
  • FIG. 6A the surface of the ball end mill T1 on which the tool path is generated is hatched
  • FIG. 6B the surface of the ball end mill T2 on which the tool path is generated is hatched. Has been done.
  • the corner 45 cannot be machined by the ball end mill T1 as described above. Therefore, the tool path of the ball end mill T1 selected as the main tool is generated for the machined surface other than the corner 45 (that is, the surfaces 41, 42, 43 and the corner 44).
  • a scanning line path (a path in which the tool T processes the processing surface so as to fill the region while following the processing surface) may be generated for the surfaces 41 and 43.
  • a contour line path (a path in which the tool T processes the processing surface by the contour line motion) may be generated for the surface 42.
  • a path along the surface (a path by which the tool T processes the machining surface by an operation along the boundary line of the machining surface) may be generated for the corner 44.
  • a tool path of the ball end mill T2 selected as a secondary tool is generated for the corner 45.
  • a path along the surface may be generated.
  • the generated tool path can be transmitted to the NC device of the machine tool 70.
  • the main tool PT is assigned to each of a plurality of known workpieces used for machine learning.
  • the main tool PT is preselected as suitable for machining a plurality of machined surfaces of each workpiece. “Suitable for processing a plurality of processing surfaces” is determined by the user from various viewpoints. Therefore, in this tool selection method, the user performs machine learning on a plurality of known workpieces to which the main tool PT is assigned by an expert of the company, for example, so that the target workpiece can be processed according to the user's intention.
  • the main tool PT along can be selected.
  • the feature amount includes at least one of the area P3 and the area ratios P1 i and P2 i related to the plurality of machined surfaces.
  • the feature amount is a first area ratio P1 represented by a ratio of an area that can be processed or cannot be processed by a tool having a tool list on the plurality of processing surfaces to the total area of the plurality of processing surfaces.
  • i is included at least, the first area ratio P1 i is calculated for all or some of the plurality of tools T1, T2... Ti, and the calculated first area ratio P1 i is a distinct feature. Used as a quantity in machine learning.
  • the plurality of tools are a plurality of ball end mills T1, T2,... Ti having different diameters
  • the first area ratio P1 i is in the plurality of machined surfaces with respect to the total area of the plurality of machined surfaces. It is represented by the ratio of the area of a concave surface having a radius of curvature equal to or less than the radius of a ball end mill Ti.
  • the tool selection method processes a part (corner) 45 having a minimum radius of curvature in the target workpiece 40, which is different from the main tool T1 and cannot be processed by the main tool T1, with respect to the target workpiece 40. It further comprises the step of selecting a possible secondary tool T2.
  • the tool path generation method includes a step of generating a tool path for the main tool T1 and the secondary tool T2 of the target workpiece 40 selected by the tool selection method described above. Therefore, it is possible to machine the workpiece 40 with the main tool T1 according to the user's intention and machine the part 45 that cannot be machined with the main tool T1 with the secondary tool T2. Therefore, the workpiece 40 can be efficiently processed.
  • a neural network is used for machine learning.
  • other methods eg, decision tree method
  • step S214 of selecting the secondary tool is executed after the step S204 of selecting the main tool (see FIG. 5).
  • step S214 may be executed before step S204.
  • the main tools were estimated using a device similar to device 10 above. Specifically, in this example, a neural network was used for machine learning, and a multi-layer perceptron (MLP) and a back propagation (BP) were used. The network structure shown in FIG. 7 was used. The conditions used for the network are shown in Table 1 below.
  • the CAD software used to create the shape data of the workpiece is NX manufactured by Siemens Co., and in system development, API (Application Programming Interface) of NX was used and C# was used as a programming language.
  • 34 models of past process design cases including the 4 models shown in FIGS. 8 to 11 were used.
  • a concave surface having twice the radius of curvature of 4 mm or less (that is, a concave surface having a radius of curvature D/2 (2 mm) or less of the ball end mill T1) is It is represented as “D ⁇ 4 mm (D/2 ⁇ 2 mm)”.
  • the performance of the neural network as described above was evaluated using the Leave-One-Out method. Specifically, out of all the 34 models described above, one model was used as an evaluation model, and the remaining 33 models were evaluated for the performance of the neural network that executed the machine learning. This was repeated for the number of models (34 times). The evaluation results are shown in Table 2 below.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Numerical Control (AREA)

Abstract

工具選定方法は、複数の既知の加工物の各々について、複数の加工面の形状に基づく特徴量を算出するステップであって、複数の既知の加工物の各々には、複数の工具を含む工具リストの中から、複数の加工面を加工するのに適するとして予め選定された１つの主要工具が割り当てられている、ステップと、複数の既知のワークについて、特徴量を入力とし主要工具を出力として機械学習を実行するステップと、対象加工物に対して、特徴量を算出するステップと、対象加工物の特徴量を入力として用いて、機械学習の結果に基づいて工具リストの中から対象加工物に対して主要工具を選定するステップと、を備える。

Description

工具選定方法及び装置、並びに、工具経路生成方法
　本願は、工具選定方法及び装置、並びに、工具経路生成方法に関する。
　工作機械の技術分野では、加工に使用される工具を選定するための様々な技術が提案されている。例えば、特許文献１の加工関連情報生成装置は、ある工程の加工モデルのデータを解析して、相互に交差する２面について交差部のＲ寸法を抽出する。抽出されたＲ寸法のうち、最小のＲ寸法が決定され、決定されたＲ寸法に基づいて、その工程で使用可能な工具直径（最小のＲ寸法以下）が決定される。決定された工具直径を含む情報に基づいてデータベースが検索され、その工程で使用可能な工具が抽出される。
　また、例えば、特許文献２の加工情報作成装置は、Ｌ字部又は溝等を有するワークに対して、ある特定の工具を使用したときにＬ字部又は溝に発生する削り残し量を、ＣＡＤデータを用いてシミュレーションから得て、さらに、当該削り残し量の数式モデルを作成する。得られた数式モデルの次数及び定数に近い次数及び定数を有する加工事例が、加工事例データベースから検索される。検索された加工事例の工具情報に近い工具が、工具データベースから検索される。
特開２００２－１８９５１０号公報 特許第４２７２２０６号公報
　特許文献１の装置では、抽出されたＲ寸法のうち、最小のＲ寸法に基づいて工具が選定される。この場合、最小のＲ寸法に対応する小さな直径を有する工具で加工物を加工するため、加工時間が長くなるおそれがある。そのため、いくつかのユーザーにとっては、選定された工具が必ずしもユーザーの意向（例えば、短加工時間、低コスト等）に沿わない可能性がある。また、特許文献１の装置では、交差部毎に、抽出されたＲ寸法に基づいて工具を選定することも考えられる。この場合、工具本数が増加し、工具交換時間及び工具コストが増加する可能性がある。
　また、特許文献２の装置では、シミュレーションから得られた削り残し量に基づいて工具が選定される。しかしながら、削り残し量のみを考慮するだけでは、選定された工具が必ずしもユーザーの意向に沿わない可能性がある。また、加工事例データベースの検索に使用されるアルゴリズムが固定的であり、アルゴリズムを変更するには手間及びスキルが必要とされる可能性がある。
　本発明は、ユーザーの意図に沿った工具を選定することが可能な工具選定方法及び装置を提供することを目的とする。本発明はまた、そのように選定された工具の移動経路を生成するための工具経路生成方法を提供することを目的とする。
　本開示の一態様は、複数の加工面を有する加工物を加工するために使用される工具を選定する工具選定方法において、複数の既知の加工物の各々について、複数の加工面の形状に基づく１つ又は複数の特徴量を算出するステップであって、複数の既知の加工物の各々には、複数の工具を含む工具リストの中から、複数の加工面を加工するのに適するとして予め選定された１つの主要工具が割り当てられている、ステップと、複数の既知のワークについて、特徴量を入力とし主要工具を出力として機械学習を実行するステップと、対象加工物に対して、特徴量を算出するステップと、対象加工物の特徴量を入力として用いて、機械学習の結果に基づいて工具リストの中から対象加工物に対して主要工具を選定するステップと、を備える、工具選定方法である。
　この工具選定方法では、機械学習に用いられる複数の既知の加工物の各々について、主要工具が割り当てられている。主要工具は、各加工物が有する複数の加工面を加工するのに適しているとして予め選定される。「複数の加工面を加工するのに適している」とは、ユーザーによって、様々な観点から決定されることができる（例えば、加工時間、コスト及び精度のうちの少なくとも１つ）。したがって、本開示の一態様に係る工具選定方法では、ユーザーは、例えば自社の熟練者によって上記のような観点で主要工具が割り当てられた複数の既知の加工物について機械学習を実行することで、対象加工物に対して、ユーザーの意図に沿った主要工具を選定することができる。
　特徴量は、複数の加工面に関する面積及び面積比のうちの少なくとも１つを含んでもよい。このような特徴量は、複数の加工面の総面積に対する、複数の加工面において工具リストのある工具によって加工可能な又は加工不可能な加工面の合計面積の比率によって表される面積比を少なくとも含んでもよく、面積比は、複数の工具の全て又はいくつかについて算出され、算出された面積比が、別個の特徴量として前記機械学習に用いられてもよい。主要工具を選定する場合、熟練者であれば、各工具について、加工物の中のどれだけの領域がその工具によって加工可能か又は加工不可能かを高く考慮すると考えられる。したがって、各工具の面積比を別個に入力として機械学習に用いることによって、高精度な機械学習を実行し得る。
　例えば、複数の工具は、互いに異なる直径を有する複数のボールエンドミルであってもよく、面積比は、複数の加工面の総面積に対する、複数の加工面においてあるボールエンドミルの半径以下の又は未満の曲率半径を有する凹面の合計面積の比率によって表されてもよい。
　工具選定方法は、対象加工物に対して、主要工具とは異なり且つ主要工具では加工できない対象加工物の中の最小曲率半径を有する部位を加工可能な二次工具を選定するステップを更に備えてもよい。この場合、ユーザーの意向に沿った主要工具で加工物を加工しつつ、主要工具では加工できない部位を二次工具で加工することができる。したがって、効率よく加工物を加工することができる。
　本開示の他の態様は、複数の加工面を有する加工物に対してＮＣ加工における工具経路を生成するための工具経路生成方法において、上記の工具選定方法によって選定された対象加工物の主要工具及び二次工具について、工具経路を生成するステップを備える、工具経路生成方法である。この工具経路生成方法では、上記の工具選定方法と同様、効率よく加工物を加工することができる。
　本開示の更に他の態様は、複数の加工面を有する加工物を加工するために使用される工具を選定する工具選定装置であって、プロセッサと、複数の工具を含む工具リストを記憶する記憶装置と、を備え、プロセッサが、複数の既知の加工物の各々について、複数の加工面の形状に基づく特徴量を算出することであって、複数の既知の加工物の各々には、工具リストの中から、複数の加工面を加工するのに適するとして予め選定された１つの主要工具が割り当てられている、ことと、複数の既知のワークについて、特徴量を入力とし主要工具を出力として機械学習を実行することと、対象加工物に対して、特徴量を算出することと、対象加工物の特徴量を入力として用いて、機械学習の結果に基づいて工具リストの中から対象加工物に対して主要工具を選定することと、を実行するように構成されている、工具選定装置である。
　この工具経路生成装置では、上記の工具選定方法と同様に、対象加工物に対して、ユーザーの意図に沿った主要工具を選定することができる。
　本開示の一態様によれば、ユーザーの意図に沿った工具を選定することができる。
本開示の方法及び装置を示す概略図である。 図２の（ａ）は加工物の例を示す正面図である。図２の（ｂ）は加工物の例を示す平面図である。 機械学習を示すフローチャートである。 図４の（ａ）は大径工具で加工可能な加工面を示している。図４の（ｂ）は小径工具で加工可能な加工面を示している。 対象加工物に対する工具の選定及び工具経路の生成を示すフローチャートである。 図６の（ａ）は大径工具の工具経路が生成される面を示している。図６の（ｂ）は小径工具の工具経路が生成される面を示している。 ネットワーク構造を示す概略図である。 加工物の例を示す斜視図である。 加工物の例を示す斜視図である。 加工物の例を示す斜視図である。 加工物の例を示す斜視図である。
　以下、添付図面を参照して、実施形態に係る工具選定方法及び装置、並びに、工具経路生成方法を説明する。同様な又は対応する要素には同一の符号を付し、重複する説明は省略する。
　図１は、本開示の方法及び装置を示す概略図である。本開示の方法は、ＣＡＤ（Computer Aided Design）システム５０、工具を選定するための装置１０、及び、工作機械７０を含むシステム１００内で実施される。以下で詳述するように、本実施形態では、装置１０は、選定された工具に基づいて工具経路も生成する。したがって、装置１０は、「工具選定装置」とも「工具経路生成装置」とも称され得ることに留意されたい。システム１００は、その他の構成要素を含んでもよい。
　ＣＡＤシステム５０では、加工物のＣＡＤデータが作成される。ＣＡＤデータで表される加工物は、工具によって加工された後の目標形状を有する。ＣＡＤシステム５０では、装置１０が機械学習を行う際に教師データとなる「既知の加工物」（以下では、教師データとも称され得る）のＣＡＤデータ５１と、機械学習の結果に基づいて主要工具が選定される「対象加工物」のＣＡＤデータ５２と、が作成される。なお、「既知の加工物（教師データ）」は、ある主要工具を使用して実際に過去に作製された加工物であってもよく、又は、電子データとしてのみ作成され、オペレータ（例えば、熟練者）Ｐによって主要工具が割り当てられた加工物であってもよい。
　ＣＡＤデータは、加工物に含まれる頂点、辺、及び、面などの形状データを含んでいる。ＣＡＤデータは、例えば、３次元直交座標系であるＸＹＺ軸座標系で定義されることができる。ＣＡＤデータは、その他の座標系で定義されてもよい。加工物は、キャラクタラインによって囲まれた（又は分割された）複数の加工面を含んでいる。ＣＡＤデータは、複数の加工面の各々について、様々な幾何情報（例えば、加工面のタイプ（例えば、平面、凸面、及び、凹面　等）、面積、及び、曲率　等）を含んでいる。ＣＡＤデータは、その他の幾何情報を含んでもよい。
　図２の（ａ）は加工物の例を示す正面図であり、図２の（ｂ）は加工物の例を示す平面図である。加工物４０は、様々な物体であり得る。本実施形態では、加工物４０は金型であり、加工対象は金型の意匠面である。具体的には、加工物４０の面のうち、意匠面は面４１，４２，４３及びコーナ４４、４５であり、面４６，４７は加工対象に含まれない。一般的に、金型の意匠面は、それぞれの面が滑らかに連結された複数の面によって表され得る。加工物４０は、説明のために単純化された形状であるが、実際の金型の意匠面では、高品位で滑らかな面の加工が要求されるため、細部の形状まで省略されていないＣＡＤデータが準備される。特に、工具の刃先先端の最低サイズには物理的な限界があるため、加工物の内側向きの角部は、直角に折れ曲がった形状にされず、工具で実際に加工できるサイズのコーナＲが設定され、曲面で滑らかに連結された形状として表される。また、内側向きの角部以外では、様々な曲率の曲面や曲率が変化する曲面を滑らかに連結した形状にすることで、美感を起こさせる意匠形状を表現する。そのため、金型の意匠面の複数の加工面は、例えば、平面、凸面、及び、凹面を含み得る。「凸面」とは、ある曲率半径を有する凸状の曲面を意味することができる。例えば、面４２は、図２の（ｂ）に示されるように、平面視において凸状の曲面である。また、コーナ４４は、図２の（ａ）（ｂ）に示されるように、正面視及び平面視の双方において凸状の曲面である。したがって、面４２及びコーナ４４は、「凸面」に分類される。「凹面」とは、ある曲率半径を有する凹状の曲面を意味することができる。例えば、コーナ４５は、図２の（ａ）に示されるように、正面視において凹状の曲面である。したがって、コーナ４５は、「凹面」に分類される。なお、コーナ４５は、図２の（ｂ）に示されるように、平面視においては凸状の曲面であるが、ある面がいずれかの視点において凹状の曲面である場合には、その面は「凹面」に分類され得ることに留意されたい。本実施形態では、鞍点を有する鞍型曲面に代表されるように正の曲率と負の曲率とが共存する曲面は、「凹面」に分類される。面４１，４３は、「平面」に分類される。
　図１に戻り、既知の加工物のＣＡＤデータ５１には、オペレータＰによって、工作機械７０で使用可能な複数の工具を含む工具リストの中から、１つの主要工具ＰＴが割り当てられる。各既知の加工物のＣＡＤデータ５１及び主要工具ＰＴに関する情報（例えば、工具番号及び／又は工具の直径等）は、互いに関連付けられ、教師データとして装置１０の記憶装置１（詳しくは後述）に保存される。
　主要工具ＰＴは、ある加工物に含まれる複数の加工面を加工するのに適するとして、工具リストの中から、オペレータＰによってその加工物に割り当てられる。主要工具ＰＴを割り当てる際に、オペレータ（特に、熟練者）Ｐは、ノウハウ、経験及び職場の方針等の様々な要因に基づいて、様々な観点（例えば、加工時間、コスト及び精度のうちの少なくとも１つ）を総合的に考慮して、加工物に対して１つの主要工具を選定することができると考えられ得る。例えば、小径工具は、様々な形状を加工可能であるが、加工に長時間を必要とする可能性がある。したがって、小径工具を主要工具として選定することは、加工時間の増加につながり得る。また、例えば、いくつかの小径工具は、頻繁には使用されず高価であり得る。したがって、このような小径工具を主要工具として選定することは、コスト高に繋がり得る。以上のような工具の様々な特徴を考慮して、ある実施形態では、オペレータは、加工時間に着目して、ある程度の精度を維持しつつ、加工時間の増加を避けることができる主要工具を選定するかもしれない。また、他の実施形態では、オペレータは、コストに着目して、ある程度の精度を維持しつつ、コスト高を避けることができる主要工具を選定するかもしれない。また、更に他の実施形態では、オペレータは、精度に着目して、高精度な加工を実現できる主要工具を選定するかもしれない。
　対象加工物のＣＡＤデータ５２は、例えば、装置１０のプロセッサ２（詳しくは後述）に入力される。対象加工物のＣＡＤデータ５２は、記憶装置１に保存されてもよい。
　装置１０は、記憶装置１と、プロセッサ２と、を備えており、これらの構成要素は、バス（不図示）等を介して互いに接続されている。装置１０は、ＲＯＭ（read only memory）、ＲＡＭ（random access memory）、入力装置及び／又は出力装置（例えば、マウス、キーボード、液晶ディスプレイ、及び／又、タッチパネル等）など、他の構成要素を備えることができる。装置１０は、例えば、コンピュータ、サーバー、又は、タブレット等であることができる。
　記憶装置１は、１つ又は複数のハードディスクドライブ等であり得る。記憶装置１は、ＣＡＤシステム５０から入力された教師データを記憶する。また、記憶装置１は、工作機械７０で使用可能な複数の工具を含む工具リストを記憶する。工具リストの各工具の情報は、例えば、工具番号、工具の直径、工具材質、及び、工具の価格等、工具に関する様々な情報を含むことができる。また、記憶装置１は、プロセッサ２で用いられる様々なプログラムを記憶することができる。記憶装置１は、その他のデータを記憶してもよい。
　プロセッサ２は、例えば、１つ又は複数のＣＰＵ（Central Processing unit）等であり得る。プロセッサ２は、以下に示される処理を実行するように構成された処理部を有することができ、各処理部は、例えば記憶装置１に記憶されたプログラムによって実現されることができる。
　プロセッサ２は、例えば、特徴量算出部２１、推論部２２、二次工具選定部２３、及び、工具経路生成部２４を有することができる。プロセッサ２は、他の処理を実行するための他の処理部を更に有していてもよい。特徴量算出部２１は、各教師データのＣＡＤデータ５１及び対象加工物のＣＡＤデータ５２について、特徴量を算出するように構成されている。推論部２２は、複数の教師データについて機械学習を行うように構成されている。機械学習には、例えば、ニューラルネットワークを用いることができる。推論部２２はまた、対象加工物について、機械学習の結果に基づいて、対象加工物に対して主要工具を選定するように構成されている。二次工具選定部２３は、対象加工物について、二次工具を選定するように構成されている。工具経路生成部２４は、選定された主要工具及び二次工具の各々について、工具経路を生成するように構成されている（以上の処理について、詳しくは後述）。工具経路の生成については、ＣＡＭ（Computer Aided Manufacture）システムが用いられてもよい。
　装置１０で生成された工具経路は、ＮＣデータに変換されて、工作機械７０に入力される。工作機械７０は、ＮＣデータに基づいてＮＣ加工を行う様々な工作機械であることができる。上記のＣＡＤシステム５０及び装置１０は、別々の装置として構成されてもよいし、同じ装置に組み込まれてもよい（例えば、ＣＡＤソフトウェア及び／又はＣＡＭソフトウェアが、装置１０に組み込まれてもよい）。
　次に、装置１０で実行される動作について説明する。
　まず、装置１０で実行される機械学習について説明する。図３は、機械学習を示すフローチャートである。
　プロセッサ２は、記憶装置１から、複数の教師データの各々についてデータを取得する（ステップＳ１００）。取得するデータには、例えば、各教師データの形状データ、複数の加工面の各々の幾何情報、及び、主要工具に関する情報（例えば、工具の直径）が含まれる。続いて、プロセッサ２は、取得したデータを特徴量算出部２１に入力して、複数の教師データの各々について１つ又は複数の特徴量を算出する（ステップＳ１０２）。
　ステップＳ１０２において算出される特徴量は、複数の加工面の形状に基づく様々な幾何学的情報であることができる。例えば、特徴量は、複数の加工面に関する面積及び面積比のうちの少なくとも１つを含んでもよい。具体的には、特徴量は、
　（１）複数の加工面の総面積に対する、複数の加工面において工具リストのある工具によって加工不可能な加工面の合計面積の比率によって表される第１の面積比Ｐ１i
　を少なくとも含むことができる。添え字ｉ（ｉ＝１，２，３・・・）は工具番号を示しており、第１の面積比Ｐ１iは、工具リストの中の互いに異なる直径を有する複数の工具の全て又はいくつかについて算出されることができる。別の観点からは、第１の面積比Ｐ１iは、複数の加工面の総面積に対する、複数の加工面において工具リストのある工具の半径以下（又は未満）の曲率半径を有する凹面の合計面積の比率、とも称され得る。
　図４の（ａ）は大径工具で加工可能な加工面を示しており、図４の（ｂ）は小径工具で加工可能な加工面を示している。本実施形態では、工具は、例えば、ボールエンドミルＴ１，Ｔ２・・・Ｔｉであることができる（図４の（ａ）（ｂ）では、ボールエンドミルＴ１，Ｔ２のみが示されている）。工具は、ボールエンドミル以外であってもよい。加工物４０は、上記の図２の加工物４０と同じである。図４の（ａ）では、大径のボールエンドミルＴ１で加工可能な面にハッチングが付されており、図４の（ｂ）では、小径のボールエンドミルＴ２で加工可能な面にハッチングが付されている。本実施形態では、あるボールエンドミルＴの半径Ｄ／２以下の曲率半径を有する凹面が、ボールエンドミルＴで「加工不可能」であると設定されている。
　具体的には、図４の（ａ）では、意匠面（面４１，４２，４３及びコーナ４４、４５）のうち、コーナ４５の曲率半径がボールエンドミルＴ１の半径Ｄ１／２以下であるため、コーナ４５がボールエンドミルＴ１で加工不可能である。このため、
　　　加工物４０の第１の面積比Ｐ１1＝（コーナ４５の面積）／（面４１，４２，４３及びコーナ４４、４５の面積の合計）
　である。
　また、図４の（ｂ）では、コーナ４５の曲率半径がボールエンドミルＴ２の半径Ｄ２／２よりも大きいため、全ての加工面がボールエンドミルＴ２で加工可能である。したがって、加工物４０は、ボールエンドミルＴ２で加工不可能である面を含まない。したがって、加工物４０の第１の面積比Ｐ１2＝０である。第１の面積比Ｐ１iは、ボールエンドミルＴ１，Ｔ２・・・Ｔｉの全て又はいくつかについて算出される。例えば、最小の半径Ｄ／２を有するボールエンドミル、又は、いくつかの小径のボールエンドミルについては、これらは主要工具には適さないかもしれないとして、第１の面積比Ｐ１iが計算されなくてもよい。算出された第１の面積比Ｐ１iは、別個の特徴量として機械学習に用いられる。
　上記の第１の面積比Ｐ１1に関して、ボールエンドミルＴ１で「加工不可能」な凹面が少なければ（すなわち、ボールエンドミルＴ１で「加工可能」な凹面が多ければ）、加工時間及び／又はコストの観点から、ボールエンドミルＴ１又はさらに大径のボールエンドミルで加工物４０の大部分を加工することが、効率的であり得る。この場合、ボールエンドミルＴ１又はさらに大径のボールエンドミルが、主要工具に適しているかもしれない。対照的に、ボールエンドミルＴ１で「加工不可能」な凹面が多ければ（すなわち、ボールエンドミルＴ１で「加工可能」な凹面が少なければ）、加工時間及び／又はコストの観点から、ボールエンドミルＴ１で加工物４０の大部分を加工することは、非効率的であり得る。この場合、ボールエンドミルＴ１よりも小径のボールエンドミルが、主要工具に適しているかもしれない。熟練者は、工具を選定する場合、加工物４０を観察することによって、ノウハウ及び経験に基づいて上記のような判断を下し得る。したがって、第１の面積比Ｐ１1を機械学習の入力として用いることによって、熟練者のノウハウ及び経験を考慮することができると考えられる。
　なお、上記の実施形態では、あるボールエンドミルＴの半径Ｄ／２「以下」の曲率半径を有する凹面が、ボールエンドミルＴで加工不可能であると設定されているが、半径Ｄ／２「未満」の曲率半径を有する凹面が、加工不可能であると設定されてもよい。また、上記の実施形態では、第１の面積比Ｐ１iは、複数の加工面の総面積に対する、ある工具によって「加工不可能」な面積の比率によって表されているが、第１の面積比Ｐ１iは、複数の加工面の総面積に対する、ある工具によって「加工可能」な面積の比率によって表されてもよい。上記のように、加工可能な面積の比率によっても、同様な判断が可能である。
　ステップＳ１０２において算出される特徴量は、他の幾何学的情報を更に含んでもよい。例えば、特徴量は、
　（２）複数の加工面の総面積に対する、複数の加工面において工具リストのある工具の半径以下（又は未満）の曲率半径を有する凸面の合計面積の比率によって表される第２の面積比Ｐ２i、
　（３）複数の加工面の総面積Ｐ３
　（４）凹面の曲率半径の最小値Ｐ４
　（５）凸面の曲率半径の最小値Ｐ５
　を更に含んでもよい。第２の面積比Ｐ２iは、工具リストの中の互いに異なる直径を有する複数の工具の全て又はいくつかについて算出される一方で、値Ｐ３，Ｐ４，Ｐ５は、ある加工物に対して１つのみ算出される。熟練者は、工具を選定する場合、上記のような特徴量Ｐ２i，Ｐ３，Ｐ４，Ｐ５も考慮し得ると考えられる。特徴量は、上記のＰ１i，Ｐ２i，Ｐ３，Ｐ４，Ｐ５以外の複数の加工面の形状に基づく他の幾何学的情報を含んでもよい。
　図３に戻り、プロセッサ２は、複数の教師データの算出された特徴量及び主要工具に関する情報（例えば、直径）を推論部２２に入力して、特徴量を入力とし主要工具に関する情報を出力として機械学習を実行する（ステップＳ１０４）。以上により、一連の動作が終了する。なお、以上のステップは、所望の収束結果が得られるまで繰り返されてもよい。
　次に、装置１０で実行される対象加工物に対する工具の選定について説明する。図５は、対象加工物に対する工具の選定及び工具経路の生成を示すフローチャートである。
　プロセッサ２は、ＣＡＤシステム５０で作成された対象加工物のＣＡＤデータ５２を取得する（ステップＳ２００）。取得されるＣＡＤデータには、対象加工物の形状データ及び複数の加工面の各々の幾何情報が含まれる。
　続いて、プロセッサ２は、取得したＣＡＤデータ５２を特徴量算出部２１に入力して、対象加工物について特徴量を算出する（ステップＳ２０２）。ステップＳ２０２で算出される特徴量は、上記のステップＳ１０２で複数の教師データについて算出されたものと同じであることができる。続いて、プロセッサ２は、算出された対象加工物の特徴量を推論部２２に入力して、上記の機械学習の結果に基づいて、工具リストの中から対象加工物に対して主要工具を選定する（ステップＳ２０４）。プロセッサ２は、選定された主要工具に関する情報（例えば、工具番号及び／又は工具の直径　等）を表示部に送信する。
　続いて、表示部は、選定された主要工具に関する情報を表示する（ステップＳ２０６）。これによって、オペレータＰは、選定された主要工具が対象加工物の加工に適しているか否かを検討することができる。
　続いて、プロセッサ２は、オペレータＰから、主要工具の変更が必要か否かの入力を受け付ける（ステップＳ２０８）。具体的には、オペレータＰは、選定された主要工具が対象加工物の加工に適していないと判断した場合には、オペレータＰは、入力装置を介して変更命令を入力することによって、主要工具を変更することができる。
　ステップＳ２０８において変更が必要ではないことを示す入力があった場合には、プロセッサ２は、選定された対象加工物の主要工具をＣＡＤデータ５２と共に記憶装置１に保存する（ステップＳ２１０）。次回に行われる機械学習では、記憶装置１に新たに保存された対象加工物のＣＡＤデータ５２及び主要工具が、教師データの１つとして用いられてもよい。
　ステップＳ２０８において変更が必要であることを示す入力があった場合には、プロセッサ２は、オペレータＰから入力される変更命令に基づいて主要工具を変更し（ステップＳ２１２）、ステップＳ２１０に進み、変更された対象加工物の主要工具をＣＡＤデータ５２と共に記憶装置１に保存する。
　ステップＳ２１０に続いて、プロセッサ２は、取得したＣＡＤデータ５２を二次工具選定部２３に入力して、対象加工物について工具リストの中から二次工具を選定する（ステップＳ２１４）。例えば、プロセッサ２は、主要工具では加工できない対象加工物の中の最小曲率半径を有する部位（例えば、凹面）を加工可能な工具を、二次工具として選定することができる。具体的には、プロセッサ２は、対象加工物の中の最小曲率半径よりも小さい半径を有する工具を二次工具として選定してもよい。工具リストが条件を満たす複数の工具を含む場合、プロセッサ２は、条件を満たす複数の工具の中から最大の半径を有する工具を二次工具として選定してもよい。工具リストが条件を満たす工具を含まない場合、プロセッサ２は、対象加工物の中の最小曲率半径を超えない範囲で、工具カタログ等に存在する最大の工具の半径をディスプレイに表示することで、オペレータＰに通知し、対象加工物の中の最小曲率半径よりも小さい半径を有する工具の補充を促す。
　続いて、プロセッサ２は、選定された主要工具及び二次工具を工具経路生成部２４に入力して、対象加工物の主要工具及び二次工具について、工具経路を生成する（ステップＳ２１６）。例えば、プロセッサ２は、ＣＡＭシステムを用いて工具経路を生成することができる。
　図６の（ａ）は大径工具の工具経路が生成される面を示しており、図６の（ｂ）は小径工具の工具経路が生成される面を示している。加工物４０及びボールエンドミルＴ１，Ｔ２は、上記の図４に示されたものと同じである。図６の（ａ）（ｂ）の例では、対象加工物４０に対して、大径のボールエンドミルＴ１が主要工具として選定され、小径のボールエンドミルＴ２が二次工具として選定されている。図６の（ａ）では、ボールエンドミルＴ１の工具経路が生成される面にハッチングが付されており、図６の（ｂ）では、ボールエンドミルＴ２の工具経路が生成される面にハッチングが付されている。
　図６の（ａ）を参照して、加工物４０においては、上記のように、コーナ４５はボールエンドミルＴ１では加工不可能である。このため、コーナ４５以外の加工面（すなわち、面４１，４２，４３及びコーナ４４）に対して、主要工具として選定されたボールエンドミルＴ１の工具経路が生成される。例えば、面４１，４３に対しては、走査線経路（工具Ｔが、加工面を倣いながら領域を埋めるように加工面を加工するような経路）が生成されてもよい。また、例えば、面４２に対しては、等高線経路（工具Ｔが、加工面を等高線動作で加工するような経路）が生成されてもよい。また、例えば、コーナ４４に対しては、面沿い経路（工具Ｔが、加工面の境界線に沿った動作で加工面を加工するような経路）が生成されてもよい。
　図６の（ｂ）を参照して、コーナ４５に対しては、二次工具として選定されたボールエンドミルＴ２の工具経路が生成される。例えば、コーナ４５に対しては、面沿い経路が生成されてもよい。
　図５に戻り、以上により一連の動作が終了する。生成された工具経路は、工作機械７０のＮＣ装置に送信されることができる。
　以上のような実施形態に係る工具選定方法では、機械学習に用いられる複数の既知の加工物の各々について、主要工具ＰＴが割り当てられている。主要工具ＰＴは、各加工物が有する複数の加工面を加工するのに適しているとして予め選定される。「複数の加工面を加工するのに適している」とは、ユーザーによって、様々な観点から決定される。したがって、この工具選定方法では、ユーザーは、例えば自社の熟練者によって主要工具ＰＴが割り当てられた複数の既知の加工物について機械学習を実行することで、対象加工物に対して、ユーザーの意図に沿った主要工具ＰＴを選定することができる。
　また、実施形態に係る工具選定方法では、特徴量は、複数の加工面に関する面積Ｐ３及び面積比Ｐ１i，Ｐ２iのうちの少なくとも１つを含んでいる。具体的には、特徴量は、複数の加工面の総面積に対する、複数の加工面において工具リストのある工具によって加工可能な又は加工不可能な面積の比率によって表される第１の面積比Ｐ１iを少なくとも含んでおり、第１の面積比Ｐ１iは、複数の工具Ｔ１，Ｔ２・・・Ｔｉの全て又はいくつかについて算出され、算出された第１の面積比Ｐ１iは、別個の特徴量として機械学習に用いられている。主要工具を選定する場合、熟練者であれば、各工具Ｔｉについて、加工物の中のどれだけの領域がその工具Ｔｉによって加工可能か又は加工不可能かを高く考慮すると考えられる。したがって、各工具の第１の面積比Ｐ１iを別個に入力として機械学習に用いることによって、高精度な機械学習を実行し得る。
　一例では、複数の工具は、互いに異なる直径を有する複数のボールエンドミルＴ１，Ｔ２・・・Ｔｉであり、第１の面積比Ｐ１iは、複数の加工面の総面積に対する、複数の加工面においてあるボールエンドミルＴｉの半径以下の曲率半径を有する凹面の面積の比率によって表されている。
　また、実施形態に係る工具選定方法は、対象加工物４０に対して、主要工具Ｔ１とは異なり且つ主要工具Ｔ１では加工できない対象加工物４０中の最小曲率半径を有する部位（コーナ）４５を加工可能な二次工具Ｔ２を選定するステップを更に備えている。また、実施形態に係る工具経路生成方法は、上記の工具選定方法によって選定された対象加工物４０の主要工具Ｔ１及び二次工具Ｔ２について、工具経路を生成するステップを備える。したがって、ユーザーの意向に沿った主要工具Ｔ１で加工物４０を加工しつつ、主要工具Ｔ１では加工できない部位４５を二次工具Ｔ２で加工することができる。したがって、効率よく加工物４０を加工することができる。
　工具選定方法及び装置、並びに、工具経路生成方法の実施形態の実施形態について説明したが、本発明は上記の実施形態に限定されない。当業者であれば、上記の実施形態の様々な変形が可能であることを理解するだろう。また、当業者であれば、上記の方法は、上記の順番で実施される必要はなく、矛盾が生じない限り、他の順番で実施可能であることを理解するだろう。
　例えば、上記の実施形態では、機械学習にニューラルネットワークが用いられている。しかしながら、他の実施形態では、機械学習に他の方法（例えば、決定木法等）が用いられてもよい。
　また、例えば、上記の実施形態では、二次工具を選定するステップＳ２１４は、主要工具を選定するステップＳ２０４よりも後に実行されている（図５参照）。しかしながら、ステップＳ２１４は、ステップＳ２０４よりも前に実行されてもよい。
　上記の装置１０と同様な装置を用いて主要工具を推定した。具体的には、本実施例では、機械学習にニューラルネットワークを用い、多層パーセプトロン（ＭＬＰ）及びバックプロバゲーション（ＢＰ）を用いた。図７に示されるネットワーク構造を使用した。ネットワークに用いた条件を以下の表１に示す。加工物の形状データを作成するのに使用されたＣＡＤソフトウェアは、Ｓｉｅｍｅｎｓ社のＮＸであり、システム開発ではＮＸのＡＰＩ（Application Programming Interface）を使用してプログラム言語にＣ＃を用いた。
Figure JPOXMLDOC01-appb-T000001
　教師データとして、図８～図１１に示される４モデルを含む、過去の工程設計事例の３４モデルを用いた。３４モデルの各々には、熟練者によって、それぞれ直径Ｄ＝４ｍｍ，６ｍｍ，８ｍｍ（半径Ｄ／２＝２ｍｍ，３ｍｍ，４ｍｍ）を有する３つのボールエンドミルＴ１，Ｔ２，Ｔ３のうちの１つが割り当てられている（なお、工具リストは、それぞれ直径Ｄ＝２ｍｍ，４ｍｍ，６ｍｍ，８ｍｍを有する４つのボールエンドミルを含むことが想定されており、直径Ｄ＝２ｍｍを有するボールエンドミルは、二次工具として選定されたことを付記しておく）。
　機械学習の入力として算出された特徴量は、以下の９つである。（１）～（６）に関して、例えば、（１）では、曲率半径の２倍が４ｍｍ以下である凹面（すなわち、ボールエンドミルＴ１の半径Ｄ／２（２ｍｍ）以下の曲率半径を有する凹面）が「Ｄ≦４ｍｍ（Ｄ／２≦２ｍｍ）」として表されている。
　（１）複数の加工面の総面積に対する、Ｄ≦４ｍｍ（Ｄ／２≦２ｍｍ）の凹面（ボールエンドミルＴ１の半径Ｄ／２（２ｍｍ）以下の曲率半径を有する凹面）の合計面積の比率Ｐ１1
　（２）複数の加工面の総面積に対する、Ｄ≦６ｍｍ（Ｄ／２≦３ｍｍ）の凹面（ボールエンドミルＴ２の半径Ｄ／２（３ｍｍ）以下の曲率半径を有する凹面）の合計面積の比率Ｐ１2
　（３）複数の加工面の総面積に対する、Ｄ≦８ｍｍ（Ｄ／２≦４ｍｍ）の凹面（ボールエンドミルＴ３の半径Ｄ／２（４ｍｍ）以下の曲率半径を有する凹面）の合計面積の比率Ｐ１3
　（４）複数の加工面の総面積に対する、Ｄ≦４ｍｍ（Ｄ／２≦２ｍｍ）の凸面（ボールエンドミルＴ１の半径Ｄ／２（２ｍｍ）以下の曲率半径を有する凸面）の合計面積の比率Ｐ２1
　（５）複数の加工面の総面積に対する、Ｄ≦６ｍｍ（Ｄ／２≦３ｍｍ）の凸面（ボールエンドミルＴ２の半径Ｄ／２（３ｍｍ）以下の曲率半径を有する凸面）の合計面積の比率Ｐ２2
　（６）複数の加工面の総面積に対する、Ｄ≦８ｍｍ（Ｄ／２≦４ｍｍ）の凸面（ボールエンドミルＴ３の半径Ｄ／２（４ｍｍ）以下の曲率半径を有する凸面）の合計面積の比率Ｐ２3
　（７）複数の加工面の総面積Ｐ３
　（８）凹面の曲率半径の最小値Ｐ４
　（９）凸面の曲率半径の最小値Ｐ５
　出力は、ボールエンドミルＴ１が選定される可能性、ボールエンドミルＴ２が選定される可能性、及び、ボールエンドミルＴ３が選定される可能性の３つであり、最も高い可能性を有する工具が、主要工具として選定された。
　上記のようなニューラルネットワークの性能を、Ｌｅａｖｅ－Ｏｎｅ－Ｏｕｔ法を用いて評価した。具体的には、上記の全３４モデルのうち、１モデルが評価用モデルとして使用され、残りの３３モデルについて機械学習を実行したニューラルネットワークの性能が評価された。これがモデルの数（３４回）だけ繰り返された。評価結果を以下の表２に示す。
Figure JPOXMLDOC01-appb-T000002
　表２に示されるように、多くのモデルにおいて、ニューラルネットワークによる推論結果と過去の工程設計事例のデータとが一致した（８モデルにおいて推論結果及び過去の事例データの双方がＤ＝４ｍｍ（Ｔ１）であり、１６モデルにおいて推論結果及び過去の事例データの双方がＤ＝６ｍｍ（Ｔ２）であり、９モデルにおいて推論結果及び過去の事例データの双方がＤ＝８ｍｍ（Ｔ３）である）。１モデルにおいてのみ、ニューラルネットワークによる推論結果（Ｄ＝６ｍｍ（Ｔ２））と過去の事例データ（Ｄ＝８ｍｍ（Ｔ３））とが異なった。したがって、正解率はおよそ９７．１％であった。以上の結果から、上記の装置は、熟練者のノウハウ及び経験を考慮した主要工具を選定可能であることがわかった。
　１　　　　　　　　　　　　　　　　記憶装置
　２　　　　　　　　　　　　　　　　プロセッサ
　１０　　　　　　　　　　　　　　　工具選定装置
　４０　　　　　　　　　　　　　　　加工物
　４１，４２，４３，４４，４５　　　加工面
　Ｄ／２　　　　　　　　　　　　　　工具の半径
　Ｐ１i，Ｐ２i，Ｐ３，Ｐ４，Ｐ５　　特徴量
　ＰＴ　　　　　　　　　　　　　　　主要工具
　Ｔ　　　　　　　　　　　　　　　　工具

Claims (7)

  1. 　複数の加工面を有する加工物を加工するために使用される工具を選定する工具選定方法において、
    　複数の既知の加工物の各々について、複数の加工面の形状に基づく１つ又は複数の特徴量を算出するステップであって、前記複数の既知の加工物の各々には、複数の工具を含む工具リストの中から、前記複数の加工面を加工するのに適するとして予め選定された１つの主要工具が割り当てられている、ステップと、
    　前記複数の既知のワークについて、前記特徴量を入力とし前記主要工具を出力として機械学習を実行するステップと、
    　対象加工物に対して、前記特徴量を算出するステップと、
    　前記対象加工物の前記特徴量を入力として用いて、前記機械学習の結果に基づいて前記工具リストの中から前記対象加工物に対して主要工具を選定するステップと、
    　を備えることを特徴とする、工具選定方法。
  2. 　前記特徴量は、前記複数の加工面に関する面積及び面積比のうちの少なくとも１つを含む、請求項１に記載の工具選定方法。
  3. 　前記特徴量は、
    　　前記複数の加工面の総面積に対する、前記複数の加工面において前記工具リストのある工具によって加工可能な又は加工不可能な加工面の合計面積の比率によって表される面積比、
    　を少なくとも含み、
    　前記面積比は、前記複数の工具の全て又はいくつかについて算出され、算出された前記面積比が、別個の特徴量として前記機械学習に用いられる、請求項２に記載の工具選定方法。
  4. 　前記複数の工具は、互いに異なる直径を有する複数のボールエンドミルであり、
    　前記面積比は、前記複数の加工面の総面積に対する、前記複数の加工面においてあるボールエンドミルの半径以下の又は未満の曲率半径を有する凹面の合計面積の比率によって表される、請求項３に記載の工具選定方法。
  5. 　前記対象加工物に対して、前記主要工具とは異なり且つ前記主要工具では加工できない前記対象加工物の中の最小曲率半径を有する部位を加工可能な二次工具を選定するステップを更に備える、請求項１に記載の工具選定方法。
  6. 　複数の加工面を有する加工物に対してＮＣ加工における工具経路を生成するための工具経路生成方法において、
    　請求項５に記載の工具選定方法によって選定された対象加工物の主要工具及び二次工具について、工具経路を生成するステップを備える、工具経路生成方法。
  7. 　複数の加工面を有する加工物を加工するために使用される工具を選定する工具選定装置であって、
    　プロセッサと、
    　複数の工具を含む工具リストを記憶する記憶装置と、
    　を備え、
    　前記プロセッサが、
    　複数の既知の加工物の各々について、複数の加工面の形状に基づく特徴量を算出することであって、前記複数の既知の加工物の各々には、前記工具リストの中から、前記複数の加工面を加工するのに適するとして予め選定された１つの主要工具が割り当てられている、ことと、
    　前記複数の既知のワークについて、前記特徴量を入力とし前記主要工具を出力として機械学習を実行することと、
    　対象加工物に対して、前記特徴量を算出することと、
    　前記対象加工物の前記特徴量を入力として用いて、前記機械学習の結果に基づいて前記工具リストの中から前記対象加工物に対して主要工具を選定することと、
    　を実行するように構成されている、工具選定装置。
PCT/JP2020/003987 2019-02-21 2020-02-03 工具選定方法及び装置、並びに、工具経路生成方法 WO2020170786A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP20759419.3A EP3929678A4 (en) 2019-02-21 2020-02-03 TOOL SELECTION METHOD, DEVICE AND METHOD FOR TOOLWAY PRODUCTION
CN202080014232.6A CN113424117A (zh) 2019-02-21 2020-02-03 刀具选定方法及装置，以及刀具路径生成方法
US17/432,797 US20220128964A1 (en) 2019-02-21 2020-02-03 Tool selection method, device, and tool path generation method
KR1020217022698A KR20210104131A (ko) 2019-02-21 2020-02-03 공구 선정 방법 및 장치, 및, 공구 경로 생성 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-029786 2019-02-21
JP2019029786A JP7221725B2 (ja) 2019-02-21 2019-02-21 工具選定方法及び装置、並びに、工具経路生成方法

Publications (1)

Publication Number Publication Date
WO2020170786A1 true WO2020170786A1 (ja) 2020-08-27

Family

ID=72143390

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/003987 WO2020170786A1 (ja) 2019-02-21 2020-02-03 工具選定方法及び装置、並びに、工具経路生成方法

Country Status (6)

Country Link
US (1) US20220128964A1 (ja)
EP (1) EP3929678A4 (ja)
JP (1) JP7221725B2 (ja)
KR (1) KR20210104131A (ja)
CN (1) CN113424117A (ja)
WO (1) WO2020170786A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685877A (zh) * 2023-01-05 2023-02-03 日照福瑞德科技有限公司 一种玻璃镜片智能加工的控制方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03294147A (ja) * 1990-04-12 1991-12-25 Toshiba Mach Co Ltd 工具選定システム
WO1994008751A1 (en) * 1992-10-09 1994-04-28 Omron Corporation Machining information determining system and method, and machining process information determining system and method
JPH07185997A (ja) * 1993-12-28 1995-07-25 Mazda Motor Corp 加工工具制御装置及び該加工工具の制御データ作成方法
JP2001047340A (ja) * 1999-08-10 2001-02-20 Toshiba Corp 機械加工の最適化システムと方法、およびプログラム記録媒体
JP2002189510A (ja) 2000-12-22 2002-07-05 Mori Seiki Co Ltd 加工関連情報生成装置、及びこれを備えた数値制御装置
JP4272206B2 (ja) 2003-10-23 2009-06-03 富士通株式会社 加工情報作成装置、プログラム及び加工情報作成方法
US7933679B1 (en) * 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
JP2017109277A (ja) * 2015-12-17 2017-06-22 貴浩 土井 切削工具選択システム及び切削工具選択方法
JP2018041208A (ja) * 2016-09-06 2018-03-15 ファナック株式会社 数値制御装置
JP2018094673A (ja) * 2016-12-13 2018-06-21 ローランドディー．ジー．株式会社 加工システム及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5249135A (en) * 1988-07-04 1993-09-28 Mitsubishi Denki K.K. Automatic design processing system for creating design processes for machining of parts
JP2005334987A (ja) * 2004-05-25 2005-12-08 Fujitsu Ltd 平面加工工具選択装置及び平面加工工具選択方法
KR101715195B1 (ko) * 2012-03-30 2017-03-10 마키노 밀링 머신 주식회사 워크의 가공방법, 공작기계, 공구경로 생성장치 및 공구경로 생성 프로그램
KR101928419B1 (ko) * 2014-10-29 2018-12-12 마키노 밀링 머신 주식회사 공구경로의 생성방법 및 공작기계
CN104317249B (zh) * 2014-11-03 2017-02-01 南京航空航天大学 基于特征的板类零件槽特征自动分组加工方法
TWI562870B (en) * 2014-12-30 2016-12-21 Tongtai Machine & Tool Co Ltd Method for determining processing parameters of ball end mill in cutting process

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03294147A (ja) * 1990-04-12 1991-12-25 Toshiba Mach Co Ltd 工具選定システム
WO1994008751A1 (en) * 1992-10-09 1994-04-28 Omron Corporation Machining information determining system and method, and machining process information determining system and method
JPH07185997A (ja) * 1993-12-28 1995-07-25 Mazda Motor Corp 加工工具制御装置及び該加工工具の制御データ作成方法
JP2001047340A (ja) * 1999-08-10 2001-02-20 Toshiba Corp 機械加工の最適化システムと方法、およびプログラム記録媒体
JP2002189510A (ja) 2000-12-22 2002-07-05 Mori Seiki Co Ltd 加工関連情報生成装置、及びこれを備えた数値制御装置
JP4272206B2 (ja) 2003-10-23 2009-06-03 富士通株式会社 加工情報作成装置、プログラム及び加工情報作成方法
US7933679B1 (en) * 2007-10-23 2011-04-26 Cessna Aircraft Company Method for analyzing and optimizing a machining process
JP2017109277A (ja) * 2015-12-17 2017-06-22 貴浩 土井 切削工具選択システム及び切削工具選択方法
JP2018041208A (ja) * 2016-09-06 2018-03-15 ファナック株式会社 数値制御装置
JP2018094673A (ja) * 2016-12-13 2018-06-21 ローランドディー．ジー．株式会社 加工システム及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3929678A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685877A (zh) * 2023-01-05 2023-02-03 日照福瑞德科技有限公司 一种玻璃镜片智能加工的控制方法及系统
CN115685877B (zh) * 2023-01-05 2023-04-07 日照福瑞德科技有限公司 一种玻璃镜片智能加工的控制方法及系统

Also Published As

Publication number Publication date
EP3929678A4 (en) 2022-11-09
JP7221725B2 (ja) 2023-02-14
EP3929678A1 (en) 2021-12-29
US20220128964A1 (en) 2022-04-28
KR20210104131A (ko) 2021-08-24
CN113424117A (zh) 2021-09-21
JP2020131384A (ja) 2020-08-31

Similar Documents

Publication Publication Date Title
US11429076B2 (en) Automatic strategy determination for computer aided manufacturing
JP7049807B2 (ja) パラメトリックビュー関数に基づくデータベースの照会
Imani et al. Geometric simulation of ball-end milling operations
WO2019167650A1 (ja) 工具経路を生成するための方法及び装置
US11593533B2 (en) Techniques for visualizing and exploring large-scale generative design datasets
WO2020170786A1 (ja) 工具選定方法及び装置、並びに、工具経路生成方法
KR101095268B1 (ko) 수치 제어 장치
Kukreja et al. An efficient iso-scallop toolpath planning strategy using voxel-based computer aided design model
WO2008107859A1 (en) Process for the automatic calculus of the convex or concave hull of an arbitrary set of points
Kudabalage et al. Postprocessor for five-axis machining of STL surfaces based on Nagata interpolation and optimization of rotation angles
Kayacan et al. Process planning system for prismatic parts
Molina-Carmona et al. Morphological offset computing for contour pocketing
JP6636001B2 (ja) 画像処理装置、画像処理方法およびプログラム
WO2014050246A1 (ja) 加工システム及び数値制御データ生成装置及び数値制御データ生成方法
WO2021033490A1 (ja) 加工条件を決定するための方法及び装置
WO2019171599A1 (ja) 工具経路生成方法
Bey et al. A new approach for finishing free-form surfaces based on local shapes
EP4239584A1 (en) Shape analysis apparatus, shape analysis method, and non-transitory computer-readable recording medium for shape analysis
JP7081503B2 (ja) 設計装置
Fountas et al. Intelligent CNC tool path optimization for sculptured surface machining through a virus-evolutionary genetic algorithm
US10762718B2 (en) System and method for determining minimal negative distance between two objects
Shen Investigation on a Novel Length-Based Local Linear Subdivision Strategy for Triangular Meshes
Ding et al. Optimal cutter selection for complex three-axis NC mould machining
Lehtinen Automatic Label Placement for Technical Drawings
Formánek et al. Pythagorean triples for linear approximations of probabilistic production streams

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20759419

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20217022698

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020759419

Country of ref document: EP

Effective date: 20210921