WO2021029037A1 - 機械学習装置、データ処理システム及び機械学習方法 - Google Patents

機械学習装置、データ処理システム及び機械学習方法 Download PDF

Info

Publication number
WO2021029037A1
WO2021029037A1 PCT/JP2019/031946 JP2019031946W WO2021029037A1 WO 2021029037 A1 WO2021029037 A1 WO 2021029037A1 JP 2019031946 W JP2019031946 W JP 2019031946W WO 2021029037 A1 WO2021029037 A1 WO 2021029037A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
work
machining
learning
unit
Prior art date
Application number
PCT/JP2019/031946
Other languages
English (en)
French (fr)
Inventor
直仁 深沢
啓志 坂口
慶子 平中
鈴木　拓也
リセラン コランタン
ベガ ヒューゴ ビジャヌア
Original Assignee
駿河精機株式会社
株式会社クロスコンパス
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 駿河精機株式会社, 株式会社クロスコンパス filed Critical 駿河精機株式会社
Priority to PCT/JP2019/031946 priority Critical patent/WO2021029037A1/ja
Publication of WO2021029037A1 publication Critical patent/WO2021029037A1/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
    • 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
    • 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 invention infers the intermediate machining work data and its generation order obtained each time one of the machining performed to obtain the finished work from the raw work is performed from the raw work data and the finished work data. It relates to a machine learning device and a machine learning method for obtaining a trained model, and a data processing system using this trained model.
  • NC Genetic Control
  • CAD / CAM systems have become widespread in order to simplify the process from component design to actual machining. ing.
  • the operator processes what kind of processing on the unprocessed work made of block material or the like.
  • Design a series of processes composed of information such as what order and what kind of tool should be used to manufacture the mechanical parts in the CAD data.
  • an NC code for operating the NC machine tool is generated based on the machining profile consisting of the designed process and the accompanying setting information (specifically, tool path, tool machining start position information, etc.). Is common.
  • Patent Document 1 provides information on the work before machining and machining in order to support the process design by the operator. It describes what automatically identifies the tool to be used from the information of the later work, the material information of the work, and the information of the machining stage.
  • an object of the present invention is to provide a machine learning device, a data processing system, and a machine learning method for automating at least a part of process design based on the shape data of a work.
  • the machine learning device is machined a plurality of times using a machine tool MC (see, for example, FIG. 4), for example, as shown in FIG.
  • the three-dimensional raw work data showing the shape of the previous raw work and the shape of the intermediate work obtained each time one of a plurality of times of machining using the machine tool MC are performed are shown.
  • the learning data set storage unit 12 that stores a plurality of sets of learning data sets including the generation order data of a plurality of intermediate processed work data; by inputting a plurality of sets of the learning data sets, the unprocessed Learning to learn a learning model that infers each shape of the one or a plurality of intermediate machine tools showing the process from the raw work to the obtained of the completed work from the work data and the completed work data and the generation order thereof.
  • It includes a unit 13; and a trained model storage unit 14 that stores the learning model learned by the learning unit 13.
  • the machine learning device is the machine learning device according to the first aspect of the present invention, in which the raw work data, the one or more intermediate work data, and the processing are performed.
  • Post-work data is composed of point group data.
  • point cloud data which is an intermediate format of three-dimensional CAD data, and data of raw workpiece data and completed workpiece data created by a designer or the like. Regardless of the format, 3D CAD data can be used for machine learning.
  • the data processing system has, for example, as shown in FIG. 5, a three-dimensional shape showing the shape of an unprocessed work before being machined a plurality of times using a machine tool MC.
  • Data acquisition unit (I / F unit) that acquires unprocessed work data and three-dimensional completed work data showing the shape of the completed work after all the machining using the machine learning machine MC has been performed a plurality of times. 21 and; By inputting the raw work data and the completed work data acquired by the data acquisition unit 21 into the trained model generated by the machine learning device according to the first or second aspect. It includes an inference unit 22 for inferring each shape of a plurality of intermediate workpieces showing the process from the raw workpiece to the finished workpiece and the order of formation thereof.
  • the machine learning method according to the fourth aspect of the present invention is, for example, as shown in FIG. 3, a machine learning method using a computer: before a plurality of times of machining using the machine tool MC are performed. Three-dimensional raw work data showing the shape of the raw work and the shape of the intermediate machined work obtained each time one of a plurality of times of machining using the machine tool MC is performed 3 are shown.
  • step S14 to learn a learning model for inferring each shape of the one or more intermediate workpieces and its generation order showing the process from the raw workpiece to the finished workpiece; the learned learning. Includes steps S16 and; to store the model.
  • the shape data of one or more intermediate machined workpieces in three dimensions and the generation order data thereof are inferred from the shape data of the three-dimensional raw workpiece and the shape data of the completed three-dimensional workpiece.
  • a machine learning device and a machine learning method capable of generating a trained model capable of generating a trained model can be provided.
  • the shape of the work in progress that is generated each time one machining is automatically specified by a computer can be specified in chronological order.
  • FIG. 1 is a schematic block diagram of a machine learning device according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing an example of a neural network model for supervised learning implemented in the machine learning device according to the embodiment of the present invention.
  • FIG. 3 is a flowchart showing a machine learning method according to an embodiment of the present invention.
  • FIG. 4 is a schematic explanatory view showing a network system including a server device as a data processing system according to an embodiment of the present invention.
  • FIG. 5 is a schematic block diagram of a server device and a CAD / CAM system as a data processing system according to an embodiment of the present invention.
  • FIG. 6 is a flowchart showing the operation of the CAD / CAM system according to the embodiment of the present invention.
  • FIG. 1 is a schematic block diagram of a machine learning device according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing an example of a neural network model for supervised learning implemented in the machine learning device according to
  • FIG. 7 is a schematic block diagram of a server device as a data processing system according to another embodiment of the present invention.
  • FIG. 8 is a flowchart showing a machine learning method for obtaining a second trained model according to another embodiment of the present invention.
  • FIG. 9 is a flowchart showing a series of processing processes executed in the server device according to another embodiment of the present invention.
  • FIG. 10 is an explanatory diagram schematically showing various data generated in the server device according to another embodiment of the present invention.
  • the present invention is a part of the process design performed by the operator described above, particularly information on an unprocessed work before being processed a plurality of times and information on a finished work which is a machine part completed as a product by being processed a plurality of times.
  • the purpose is to automatically perform the work of specifying the process from the unprocessed work to the obtained finished work.
  • the process from the unprocessed work to the acquisition of the finished work is the shape of the work in progress (hereinafter referred to as "intermediate work") obtained each time one processing is performed and the order of its generation. Is.
  • one or more intermediate machined works particularly from the three-dimensional shape data of the unprocessed work and the finished work.
  • a machine learning device and a machine learning method for obtaining an inference model capable of specifying the shape and its generation order, and a data processing system using this inference model will be described.
  • FIG. 1 is a schematic block diagram of a machine learning device according to an embodiment of the present invention.
  • the machine learning device 10 includes a learning data set acquisition unit 11, a learning data set storage unit 12, a learning unit 13, and a trained model storage unit 14. I have.
  • the learning data set acquisition unit 11 comprises a plurality of learning (training) data sets transmitted or input by one or more terminal devices PC1 and PC2 composed of, for example, computers connected via a network NW. It is an interface unit that acquires data.
  • the data acquired by the learning data set acquisition unit 11 according to the present embodiment is composed of four types of data. That is, it is composed of three-dimensional shape data (specifically, three-dimensional (3D) CAD data), and a predetermined (for example, simple) processing is performed on the block material before processing or the block material prepared in advance.
  • a machine part that is composed of raw work data representing the blank material after being applied and three-dimensional shape data, and is a product after the raw work has been machined multiple times using a machine tool.
  • the raw work data, completed work data, one or more intermediate processing work data, and the generation order data of the intermediate processing work data acquired by the learning data set acquisition unit 11 are obtained in advance or in the learning data set acquisition unit 11. After being retrieved, they are associated with each other as a single training dataset. These data are transmitted directly from the designer's terminal device PC1 or via a predetermined application, for example, for raw work data and completed work data, and one or more intermediate processed work data and their generation order.
  • the data can be created by the operator of the CAD / CAM system based on the two data transmitted by the terminal device PC1 of the designer, and can be transmitted from the terminal device PC2 of this operator.
  • the method of acquiring these four types of data is not limited to the above method, and for example, all four types of data are transmitted from a single terminal device, or a data server separately provided for collecting data, etc.
  • Various changes are possible, such as obtaining via.
  • the network NW in the present embodiment includes not only an Internet line but also an intranet line, a simple communication cable for directly connecting to a terminal device, and wireless communication.
  • the unprocessed work data, the completed work data, and the intermediate processed work data are composed of three-dimensional shape data.
  • 3D-CAD data which is well known as 3D shape data
  • 3D shape data has become the mainstream data format in recent years in the field of mechanical design in place of 2D (2D) -CAD data, and while it is easy to collect data, 3D -Because there are multiple types of CAD data and the amount of data is large, care must be taken when applying it to machine learning.
  • the present inventors have studied a method of applying 3D-CAD data composed of various data formats to machine learning, and these 3D-CAD data are also three-dimensional shape data and 3D-CAD.
  • a neural network model which will be described later, is converted and unified into point group (point cloud) data (for example, STL (Statard Triangled Language) format) known as one of the intermediate formats of data, and the point information constituting this point group data is converted and unified. It was decided to use it as parameter information to be input to.
  • point group point cloud
  • STL Standard Triangled Language
  • the intermediate machining work data is also composed of three-dimensional shape data, when the trained model obtained after machine learning is applied to the data processing system, the intermediate machining work data as the inference result is also a point cloud. It will be composed of data.
  • the point cloud data is an intermediate format of 3D-CAD data, and is data in which points represented by Cartesian coordinates (XYZ coordinates) that can specify a three-dimensional shape using the data are collected.
  • the generation order data is for specifying the order in which one or more intermediate machining work data generated each time the machining is performed to obtain a finished work from the raw work.
  • the data format is not limited at all, and for example, it can be realized only by adding a serial number to each one or a plurality of intermediate machining work data.
  • the learning data set storage unit 12 is a database for storing raw work data, completed work data, and one or more intermediate processed work data acquired by the learning data set acquisition unit 11 in units of learning data sets. Is. For convenience of explanation, the learning data set storage unit 12 is described as a storage unit different from the learned model storage unit 14 described later, but these are configured by a single storage medium (database). You may be.
  • the learning unit 13 executes machine learning using a plurality of learning data sets stored in the learning data set storage unit 12 and generates a trained model.
  • supervised learning using a neural network is adopted as a specific method of machine learning.
  • the specific method of machine learning is not limited to this, and other learning methods may be adopted as long as the correlation between input and output can be learned from the training data set. It is possible. For example, ensemble learning (random forest, boosting, etc.) can also be used.
  • FIG. 2 is a diagram showing an example of a neural network model for supervised learning implemented in the machine learning device according to the embodiment of the present invention.
  • the neural network in the neural network model shown in FIG. 2 includes l neurons (x1 to xl) in the input layer, m neurons (y11 to y1 m) in the first intermediate layer, and n neurons in the second intermediate layer. It is composed of neurons (y21 to y2n) and o neurons (z1 to zo) in the output layer.
  • the first intermediate layer and the second intermediate layer are also called hidden layers, and the neural network may have a plurality of hidden layers in addition to the first intermediate layer and the second intermediate layer. Alternatively, only the first intermediate layer may be used as the hidden layer.
  • nodes connecting the neurons between the layers are stretched between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer.
  • a weight wi (i is a natural number) is associated with each node.
  • the neural network in the neural network model learns the correlation between the raw work data and the completed work data and one or a plurality of intermediate processed work data by using the learning data set.
  • the neurons in the input layer are associated with each of the raw work data and the completed work data as state variables, and the value of the neuron in the output layer is calculated by the calculation method of the output value of a general neural network.
  • the method of calculating the output value of a general neural network referred to here is to set the value of the output side neuron to the value of the input side neuron connected to the neuron, and the output side neuron and the input side neuron.
  • the learning is terminated and the neural network model (of the neural network model) All the weights wi) associated with each of the nodes are stored in the trained model storage unit 14 as a trained model.
  • the trained model storage unit 14 is a database for storing the trained model generated by the learning unit 13.
  • the trained model stored in the trained model storage unit 14 is applied to the actual system via a communication means such as the Internet or a storage medium, if requested.
  • the specific application mode of the trained model to the actual system (data processing system) will be described in detail later.
  • FIG. 3 is a flowchart showing a machine learning method according to an embodiment of the present invention.
  • This machine learning method is realized by using a computer, but various computers can be applied.
  • a computer constituting a CAD / CAM system, a server device arranged on a network, or the like.
  • a computer for example, an arithmetic unit composed of at least a CPU or the like, a storage device composed of a volatile or non-volatile memory or the like, a communication device for communicating with a network or other devices, and the like. Those including a bus connecting each of these devices can be adopted.
  • the machine learning method shown below can be carried out mainly in the learning unit 13 of the machine learning device 10 described above.
  • the steps corresponding to the processes performed by the learning data set acquisition unit 11 and the learning data set storage unit 12 of the machine learning device that is, described above in advance. Perform the steps to prepare multiple training datasets.
  • This training data set is composed of raw work data, one or more intermediate processing work data, completed work data, and generation order data associated with each other, and each training data set is the content of the constituent data. Is different. It is preferable to prepare as many training data sets as possible here in consideration of the inference accuracy of the trained model obtained after the training process. Then, the plurality of learning data sets prepared here are stored in the learning data set storage unit 12.
  • a pre-learning model having weights of initial values is prepared (step S11).
  • one learning data set is selected from the plurality of learning data sets stored in the learning data set storage unit 12 (step S12).
  • the output layer by inputting the raw work data and the completed work data in the learning data set acquired in step S12 into the input layer (see FIG. 2) of the pre-learning model, the output layer (see FIG. 2). ), A value indicating one or more intermediate machining work data and its generation order data is output (step S13).
  • step S13 Since one or more intermediate machining work data and its generation order data as control data output to the output layer in step S13 are generated by the pre-learning model, the desired result is in most cases. It will be different. Therefore, next, machine learning is performed using the control information constituting the teacher data included in the learning data set acquired in step S12 and the control information output to the output layer in step S13 (step). S14).
  • the machine learning performed here is to compare the control information constituting the teacher data with the control information output to the output layer, detect an error between the two, and obtain an output layer that reduces this error. Refers to the process of adjusting the weight associated with each node in the pre-learning model.
  • step S14 When machine learning is performed in step S14, whether or not it is necessary to continue machine learning is determined based on, for example, the remaining number of unlearned learning data sets stored in the learning data set storage unit 12. (Step S15). Then, when the machine learning is continued (No in step S15), the process returns to step S12, and when the machine learning is finished (Yes in step S15), the process proceeds to step S16.
  • the steps S12 to S14 are carried out a plurality of times using the unlearned learning data set, and are usually finally generated in proportion to the number of times. The accuracy of the trained model is high.
  • the neural network generated by adjusting the weights associated with each node by a series of steps is stored in the trained model storage unit 14 as a trained model (step S16), and a series of trains. End the learning process of.
  • the trained model stored here is applied to and used in various data processing systems, and the details thereof will be described later.
  • one neural network in order to generate one trained model, one neural network (pre-learning model) is repeatedly executed a plurality of times of machine learning processing.
  • a plurality of trained models that have undergone machine learning a predetermined number of times are stored as one candidate in a plurality of trained model storage units 14, and data sets for validation are input to the plurality of trained model groups.
  • the output layer may be generated, the accuracy of the control data specified in the output layer may be weighed, and one of the best trained models to be applied to the data processing system may be selected. ..
  • the validity judgment data set may be any data set that is similar to the learning data set used for learning and is not used for learning.
  • raw work data and completed work composed of three-dimensional shape data (3D-CAD data or point group data).
  • one or more intermediate machining work data which is also composed of three-dimensional shape data (point group data) and is generated every time a plurality of machining required to obtain a completed work from an unprocessed work is performed, It is possible to generate a trained model capable of outputting a value indicating the generation order data of the one or a plurality of intermediate machining work data.
  • FIG. 4 is a schematic explanatory view showing a network system including a server device as a data processing system according to an embodiment of the present invention.
  • the server device 20 is adopted as the data processing system.
  • the learned model described above is applied to the server device 20, and data processing is mainly executed based on a request from the CAD / CAM system 30.
  • the CAD / CAM system 30 makes a request for data processing to the data processing system, but it is structurally possible to perform the same data processing for a request from other than the CAD / CAM system 30. it is obvious. The details will be described below.
  • the server device 20 is composed of a GPU (Graphics Processing Unit) server or the like, and when raw work data and finished work data are input from the outside, it is the result of a series of machining for obtaining the finished work from the raw work. It is possible to output one or more intermediate machining work data showing the shape of the work and its generation order data.
  • GPU Graphics Processing Unit
  • FIG. 5 is a schematic block diagram of a server device and a CAD / CAM system as a data processing system according to an embodiment of the present invention.
  • the server device 20 mainly includes an I / F unit (data acquisition unit) 21, an inference unit 22, and a trained model storage unit 26.
  • the I / F unit 21 receives data transmission / reception, specifically input data consisting of raw work data and completed work data, and transmits output data consisting of one or more intermediate processed work data and its generation order data. It is a thing.
  • the input data is transmitted from the CAD / CAM system 30, the output data is returned to the CAD / CAM system 30, and the data is transmitted / received via the network NW.
  • the source of the input data may be a communicable device other than the CAD / CAM system 30, such as the designer's terminal device PC1 or another terminal device.
  • the inference unit 22 determines the shape of the work generated each time a series of machining for obtaining the finished work from the raw work is executed based on the raw work data and the finished work data received by the I / F unit 21. It infers one or more intermediate machining work data and its generation order data shown. For this inference, learning is performed through the machine learning method described above, and the trained model stored in the trained model storage unit 26 described later is used. This trained model is stored in the output layer by inputting the coordinate data of each point of the raw work data and the completed work data composed of the point cloud data into the input layer of the trained model and executing the inference. It is possible to output one or more intermediate machining work data composed of point cloud data and a value indicating the generation order data of the intermediate machining work data.
  • the one or more intermediate machining work data and its generation order data output here are returned to the CAD / CAM system 30 via the I / F unit 21.
  • the processing performed to obtain the completed work from the unprocessed work is performed only once.
  • intermediate machining work data is not required, so it is preferable to take separate measures.
  • the inference unit 22 outputs the completed work data instead of the intermediate work data, so that it can be understood that the intermediate work does not exist. It is advisable to train the trained model in advance for this correspondence.
  • the trained model storage unit 26 is composed of a database capable of storing various information including the trained model referred to in the inference unit 22.
  • the server device 20 as a data processing system exists alone on the network NW as in the present embodiment, the CAD / CAM system 30 that transmits the raw work data and the completed work data is Not limited to one. Therefore, a plurality of trained models are stored in the trained model storage unit 26, and the inference unit 22 transmits raw work data and completed work data for each CAD / CAM system 30 or CAD / CAM. It is preferable that different trained models can be referred to based on the instruction from the system 30 side because more accurate inference can be realized.
  • FIG. 5 shows, as a specific work, a case where a fixture (completed work) used for fixing an object at a predetermined position is manufactured from a metal block material (raw work).
  • the input data transmitted from the CAD / CAM system 30 includes raw work data composed of three-dimensional shape data (3D-CAD data) indicating the block material and a fixture as a mechanical part to be manufactured. It is composed of completed work data composed of the three-dimensional shape data (3D-CAD data) shown.
  • the output data for this input data is a list of three-dimensional shape data (point cloud data) of a plurality of (4 in FIG. 5) intermediate machining work data arranged in order according to the generation order. It is composed of the format of.
  • the format of the output data is not limited to this, and for example, the output data may be formed by using one or more intermediate processing work data and its generation order data as separate data, or one or more.
  • the output data may be formed by using one or more intermediate processing work data and its generation order data as separate data, or one or more.
  • a series of three-dimensional shape data including the raw work data and the completed work data acquired from the CAD / CAM system 30 as input data are arranged according to the generation order and output. It may be output as data.
  • the inference unit 22 includes a preprocessing unit for executing predetermined data processing for inputting each parameter of input data into the input layer of the trained model, and a preprocessing unit.
  • the data output to the output layer of the trained model is output in the desired format, that is, the three-dimensional shape data that constitutes one or more intermediate machining work data as described above and the data that indicates the generation order thereof. It can be provided with a post-processing unit for executing data processing for data format.
  • Optimal output data can be generated by extracting each intermediate processing work data and converting the data format in these pre-processing units and post-processing units.
  • the trained model storage unit 26 stores the input data received by the I / F unit 21, one or more intermediate processing work data as the inference result of the inference unit 22, and the generation order data thereof. It may be used as a training data set for further improving the accuracy of the trained model stored in the data set to realize so-called online learning.
  • a specific method of this utilization for example, a method similar to the method described in the above-mentioned machine learning device and machine learning method may be adopted.
  • the CAD / CAM system 30 is for creating an NC code for operating a predetermined NC machine tool, for example, a machining center MC, based on 3D-CAD data or the like created by the designer's terminal device PC1. It is a thing.
  • the CAD / CAM system 30 mainly includes an I / F unit 31 and an NC code generation unit 32.
  • the I / F unit 31 acquires raw work data and completed work data transmitted from the designer's terminal device PC1 and the like, and one or more intermediate processed work data transmitted from the server device 20 and their generation order. It is for acquiring data. In addition, the I / F unit 31 can also transmit the acquired raw work data and completed work data to the server device 20. In the present embodiment, data transmission / reception is performed via the network NW.
  • the NC code generation unit 32 includes raw work data, completed work data, one or more intermediate processed work data and information on the generation order thereof, which are transmitted and acquired from the terminal device PC1 and the server device 20 of the designer, and if necessary.
  • the NC code for operating the machining center MC is generated based on various information additionally input by the operator. By inputting and executing the NC code generated here to the machining center MC, the machining work of the block material or the blank material is started.
  • FIG. 6 is a flowchart showing the operation of the CAD / CAM system according to the embodiment of the present invention.
  • the raw work data and the completed work data transmitted from the terminal device PC1 of the designer are acquired (step S21).
  • the acquired raw work is specified.
  • the data and the completed work data are transmitted to the server device 20 (step S22).
  • the server device 20 that has received the raw work data and the completed work data executes inference using a specific trained model, and a value indicating one or more intermediate processed work data as the inference result and its generation order data.
  • One or a plurality of intermediate machining work data and its generation order data as output output data are returned to the CAD / CAM system 30, and the CAD / CAM system 30 acquires the output data (step S23). Then, the process design by the operator is executed by using the obtained raw work data, completed work data, one or more intermediate work data, and its generation order data, and an NC code is generated (step S24). ..
  • the one or more intermediate machining work data included in the output data acquired by the CAD / CAM system 30 is composed of point cloud data, but other data formats such as 3D-CAD data are required as needed. It is also possible to convert to. Well-known conversion software or the like may be used for this conversion.
  • the raw work data and the completed work data are transmitted from the terminal device PC1 of the designer to the CAD / CAM system 30, and the CAD / CAM system 30 receives the received raw work data and the completed work data.
  • the server device 20 is not set together with one or more intermediate processed work data and its generation order data.
  • the machined work data and the completed work data may be transmitted to the CAD / CAM system 30.
  • the embodiment of the data processing system according to the present embodiment is not limited to the server device 20 described above.
  • the function of the data processing system is built in the specific CAD / CAM system 30, and the CAD / The mode may be such that inference or the like is executed in the CAM system 30.
  • the shapes of one or more intermediate workpieces are formed from only the raw workpiece data and the completed workpiece data. And its generation order will be automatically specified. Therefore, a part of the process design by the operator can be automated, and the man-hours for the process design can be significantly reduced. Further, by automatically specifying the shape of one or a plurality of intermediate workpieces and the order of formation thereof, it is possible to suppress the variation in the finished product due to the difference in the experience value of each operator. Further, by specifying the shapes of one or a plurality of intermediate workpieces, it becomes possible to easily generate a code path that is performed separately from the process design when creating the NC code.
  • the operator can recognize the shape of the workpiece in the process of machining in the machining process design for creating the NC code in chronological order. ..
  • the operator who has acquired this information then refers to the raw work data and the first generated intermediate work data, and then refers to the raw work in order to obtain the first generated intermediate work.
  • a plurality of types of work required to obtain a finished work from the unmachined work and the tools used for them are time-series.
  • FIG. 7 is a schematic block diagram of a server device as a data processing system according to another embodiment of the present invention.
  • the server device 20A includes an I / F unit 21, an inference unit 22A, a first trained model storage unit 26, and a second trained model storage unit 27. And at least include.
  • the inference unit 22A in the above configuration has a first inference unit 23, an alignment unit 24, and a second inference unit 25 as specific configurations for inferring a plurality of processing information sets and their execution orders. including.
  • the first inference unit 23 and the first trained model storage unit 26 are the same as the inference unit 22 and the trained model storage unit 26 shown in the above embodiment.
  • the I / F unit 21 according to the present embodiment is also the same as the I / F unit 21 according to the one embodiment. Therefore, the configuration of the data processing system according to the present embodiment, which is not included in the data processing system according to the above one embodiment, will be described below.
  • the alignment unit 24 aligns the acquired data according to a predetermined rule. Specifically, the input data acquired by the I / F unit 21, the one or more intermediate machining work data generated by the first inference unit 23, and the generation order data thereof (hereinafter, these two types of data are collectively referred to as “). When “intermediate machining data” (see FIG. 10) is acquired, the raw work data, the completed work data, and one or more intermediate machining work data in these data are matched to the generation order. It is arranged in chronological order. The reason why the input data and the intermediate processing data are arranged in chronological order in this way is to facilitate inference in the second inference unit 25, which will be described later.
  • a plurality of aligned work data are further aligned with each other.
  • a plurality of process data are created, each of which is a pre-machining work data and a post-machining work data for one machining.
  • the alignment unit 24 is described as a unit different from the other units, but the present invention is not limited to such a form.
  • the function of the alignment unit 24 can be realized in the form of a part of the post-processing unit of the first inference unit 23 or a part of the pre-processing unit of the second inference unit 25 described later.
  • the second inference unit 25 sequentially (or collectively) acquires a plurality of process data created by the alignment unit 24, the second inference unit 25 processes the work data based on the pre-machining work data and the post-machining work data constituting each process data. It infers one type of machining required to obtain a post-machining work from the pre-work and the tools required for that machining. For this inference, a second trained model stored in the second trained model storage unit 27, which will be described later, is used. Further, in the present embodiment, the one machining type obtained here and the tools used for the machining are associated with each other to form one machining information set.
  • the acquired plurality of machining information sets are further associated with the process sequence and then transmitted to the I / F unit 21 as output data (see FIG. 10) in a state of being arranged in a table format, for example. ..
  • the details of the second trained model will be described later.
  • the machining information set generated by the second inference unit 25 is composed of one machining type data required to obtain a post-machining work from a pre-machining work and tool data required for the machining.
  • the machining type data is the type of machining (performed by the machining center MC), for example, “drilling", “counterbore”, “flat cutting”, “grooving”, “turning”, “tapping”, etc.
  • It is data composed of information indicating a processing method such as "grinding”. This data may be composed only of information indicating a processing method, but it is more preferable that the data is in a format including detailed information related to processing such as its specific dimensions and processing shape.
  • the tool data includes the tools provided in the machining center MC, for example, “drill”, “flat milling cutter”, “front milling cutter (face mill)”, “end mill”, “boring”, “reamer”, “tap”, “tap”, “ It is data composed of information indicating the name of a tool such as "milling cutter”.
  • This data may be composed only of the name of the tool, but it is more preferable that the data is in a format including information such as specific dimensions thereof.
  • the data format of each of the above data is not particularly limited, and any format may be used as long as the type of machining or the tool can be specified (for example, a text format).
  • the input / output in the second inference unit 25 is separated from the part in which the inference is executed using the second trained model.
  • the preprocessing unit is for converting and unifying the data format of process data, adjusting the number of data to be input to the input layer of the second trained model, and the like.
  • the post-processing unit aligns the data output to the output layer of the second trained model according to the execution order of the processing specified in the alignment unit 24, or generates the above-mentioned tabular output data. It is for converting the format as much as possible.
  • the second trained model storage unit 27 is composed of a database capable of storing the second trained model referred to in the second inference unit 25.
  • a plurality of the first trained model and the second trained model are stored in advance in the first trained model storage unit 26 and the second trained model storage unit 27, and are appropriately selected and used. can do. Further, in FIG. 7, the first trained model storage unit 26 and the second trained model storage unit 27 are described as separate units for convenience of explanation, but a single storage medium (database). ) Can be configured.
  • FIG. 8 is a flowchart showing a machine learning method for obtaining a second trained model according to another embodiment of the present invention.
  • the second trained model is created by using the trained model according to one embodiment, that is, the same machine learning method as the first trained model in the present embodiment. .. Therefore, in the following description, the same items as the machine learning method for creating the trained model according to the embodiment are omitted, and the machine learning method for creating the trained model according to the embodiment is omitted. The explanation will focus on the points that are different from.
  • a plurality of second training data sets for generating the second trained model are prepared (step S31).
  • This second learning data set is composed of four types of data. That is, in order to obtain pre-machining work data showing the shape of the work before one machining, post-machining work data showing the shape of the work after one machining, and post-machining work from this pre-machining work. It is composed of one machining type data required for the machining and tool data required for the machining.
  • As the second training data set it is necessary to prepare a plurality of data sets composed of different data so that the second trained model obtained after machine learning has the desired inference accuracy.
  • the pre-training model is next prepared (step S32).
  • the pre-learning model prepared here may have the same format as that prepared in step S11.
  • one learning data set is selected from the plurality of second learning data sets prepared in step S31 (step S33).
  • the pre-processed work data and the post-processed work data in the learning data set acquired in step S33 are input to the neurons of the input layer of the pre-learning model as state variables, and one process is performed on the neurons of the output layer.
  • a value indicating the type of the above and the tool used for the machining thereof is output (step S34).
  • step S35 Machine learning (for example, backpropagation) is performed using one type of machining data and tool data used for the machining as control information (step S35).
  • step S36 it is specified whether or not it is necessary to continue machine learning
  • step S36 machine learning is continued
  • step S37 the steps S33 to S35 are performed a plurality of times using the unlearned second learning data set.
  • the weight wi associated with each node is adjusted through a series of steps, and the generated neural network is used as the second trained model in the second trained model storage unit 27. It is stored (step S37), and a series of learning processes is completed.
  • the second inference unit 25 is the pre-processing work data that constitutes the process data from the rearranging unit 24. And when the post-machining work data is acquired, it becomes possible to output one machining type data and tool data required for the machining.
  • FIG. 9 is a flowchart showing a series of processing processes executed in the server device according to another embodiment of the present invention.
  • FIG. 10 is an explanatory diagram schematically showing various data generated in the server device according to another embodiment of the present invention.
  • the arrows in FIG. 10 indicate the flow of data in the server device 20A, and each arrow is given a code for each step shown in FIG. 9 in parentheses.
  • each data shown in FIG. 10 is used, as a specific example, when fixing an object at a predetermined position as a completed work from an unprocessed work composed of a block material, as in the case shown in FIG. It is intended for the case of manufacturing a fixture to be used.
  • the data processing process starts a series of processes by acquiring the input data transmitted together with the data processing request in the I / F unit 21 (step S41).
  • the I / F unit 21 transmits the input data to the first inference unit 23 (step S42).
  • the first inference unit 23 When the input data is acquired by the first inference unit 23, the first inference unit 23 performs inference based on the input data and generates intermediate processing data (step S43).
  • the intermediate processing data As a method of generating the intermediate processing data, when the first inference unit 23 first acquires the input data, the raw work data constituting the input data (in the specific example shown in FIG. 10, the 3D-CAD data of the block material) ) And the completed work data (3D-CAD data of the fixture in the specific example shown in FIG. 10) are recognized. When these work data are 3D-CAD data, they are converted into point cloud data in the preprocessing unit. Next, the raw work data composed of the point cloud data and the point information included in the completed work data are input to the input layer of the first trained model stored in the first trained model storage unit 26.
  • a value indicating one or a plurality of intermediate machining work data and its generation order data is output to the output layer of the first trained model.
  • the post-processing unit of the first inference unit 23 specifies one or more intermediate processing work data and its generation order data from these values, and intermediate processing that puts them together. Generate data.
  • intermediate machining work data composed of point cloud data (hereinafter, these four intermediate machining work data are sequentially referred to as “intermediate machining work”.
  • Data 1 ”to“ intermediate machining work data 4 ” are specified, and tabular intermediate machining data is generated in which these four data are arranged in ascending order from top to bottom according to the generation order.
  • the first inference unit 23 transmits the generated intermediate processing data and the acquired input data to the alignment unit 24 (step S44).
  • the first inference unit 23 transmits the input data to the alignment unit 24, but the present invention is not limited to this, and for example, the transmission of the input data to the alignment unit 24 is I /.
  • the F unit 21 may perform this.
  • the alignment unit 24 that has acquired the intermediate machining data and the input data aligns each work data constituting these data according to the execution order of a series of machining (step S45).
  • the fifth process data composed of the intermediate processed work data 4 and the completed work data A total of five process data up to are generated.
  • a value indicating one machining type and the tool used for the machining is output to the output layer of the second trained model in which the point information is input.
  • the post-processing unit of the second inference unit 25 specifies the information about one machining type and the tool used for the machining from the value of the output layer, and then determines the predetermined format. For example, it is converted into text format information, and one machining information set is generated by associating the one machining type and the tools used for the machining with each other. Then, this one processing information set is temporarily stored in, for example, a storage medium (not shown).
  • steps S47 and S48 described above are executed according to the order of the aligned processes by the number of process data (n) generated by the alignment unit 24 (steps S49 and S50).
  • the processes of steps S47 and S48 are executed for the first process data, and a machining information set composed of "machine type: drilling, tool: drill” is output.
  • a machining information set consisting of "type: flat mill, tool: end mill” is sequentially output and temporarily stored.
  • the post-processing unit of the second inference unit 25 includes a plurality of temporarily stored machining information sets and their execution. Output data composed of the sequence is generated (step S51).
  • the process numbers are shown in ascending order in the left column, and the text information of the processing information set corresponding to the process numbers is described on the right side of the process numbers to generate tabular output data.
  • the generated output data is transmitted to the I / F unit 21 (step S52), and the I / F unit 21 transmits the generated output data to a predetermined destination, for example, the CAD / CAM system 30 that has made the data processing request. This completes a series of processes.
  • step S46 is executed by the alignment unit 24, but the process can also be executed by the preprocessing unit of the second inference unit 25.
  • inference for each process data is realized by sequentially transmitting n process data generated by the alignment unit 24 to the second inference unit 25.
  • the data may be transmitted collectively, and the data input operation may be controlled so that the preprocessing unit of the second inference unit 25 can sequentially perform inference for each process data.
  • the I / F unit 21 is supposed to send only the generated output data to a predetermined destination, it is preferable to send intermediate processing data in addition to this.
  • the destination of the output data is the CAD / CAM system 30
  • the intermediate processing data is also transmitted in addition to the output data, the code path creation performed to create the NC code after the process design, etc. This is because there is a possibility that the work can be performed efficiently.
  • the completed work can be obtained from the raw work. It is possible to acquire output data in which a plurality of types of machining required for the above and the tools used for them are specified in time series. Therefore, when manufacturing a predetermined work using an NC machine tool, almost all of the process design for creating the NC code necessary for operating the NC machine tool can be automated, and the operator can perform the process design. The number of steps required can be reduced to virtually zero. In addition, by automatically identifying a series of processes, it is possible to suppress variations in product performance due to differences in the experience values of each operator.
  • the data processing system of the present invention can be provided to the user in various forms.
  • the above-mentioned data processing function may be packaged and stored in a terminal device or a CAD / CAM system so that it can be used locally, or a series of functions may be provided in the form of a web application. It may be.
  • Machine learning device 11 Learning data set acquisition unit 12 Learning data set storage unit 13 Learning unit 14 Learned model storage unit 20, 20A Server device (data processing system) 21 I / F unit (data acquisition unit) 22, 22A Inference unit 23 First inference unit 24 Alignment unit 25 Second inference unit 26 (1st) trained model storage unit 27 Second trained model storage unit 30 CAD / CAM system 31 I / F unit 32 NC code generation unit MC machining center (machine tool) PC1 Designer's terminal device PC2 Operator's terminal device NW network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Numerical Control (AREA)

Abstract

３次元の未加工ワークデータと、３次元の１乃至複数個の中間加工ワークデータと、３次元の完成ワークデータと、１乃至複数個の中間加工ワークデータの生成順序データと、を含む学習用データセットを複数組記憶する学習用データセット記憶ユニット１２と；学習用データセットを複数組入力することで、未加工ワークデータと完成ワークデータとから、未加工ワークから完成ワークを得るまでの過程を示す複数個の中間加工ワークの各形状及びその生成順序を推論する学習モデルを学習する学習ユニット１３と；学習ユニット１３によって学習された学習モデルを記憶する学習済モデル記憶ユニット１４と；を含む機械学習装置、対応する機械学習方法及びデータ処理システムを提供する。これにより、ワークの形状データに基づく工程設計の少なくとも一部を自動化するための機械学習装置、データ処理システム及び機械学習方法を提供することができる。

Description

機械学習装置、データ処理システム及び機械学習方法
　本発明は、未加工ワークデータと完成ワークデータとから未加工ワークから完成ワークを得るために行われる加工のうちの１つの加工が行われるごとに得られる中間加工ワークデータ及びその生成順序を推論する学習済モデルを得るための機械学習装置及び機械学習方法、並びにこの学習済モデルを利用したデータ処理システムに関するものである。
　マシニングセンタや複合加工機等のＮＣ（Ｎｕｍｅｒｉｃａｌ　Ｃｏｎｔｒｏｌ）工作機械を用いて機械部品を製造する際、部品の設計から実際の加工に至るまでの工程を簡易にするためにＣＡＤ／ＣＡＭシステムが広く普及している。このＣＡＤ／ＣＡＭシステムにおいては、設計者が作成した３次元又は２次元のＣＡＤデータを元に、オペレータ（加工技術者）が、ブロック材等からなる未加工ワークに対してどのような種類の加工をどのような順序で、且つどのような工具を用いて実行すればＣＡＤデータにある機械部品を製造できるかといった情報から構成された一連の工程を設計する。そして、この設計された工程及び付随する設定情報（具体的には、ツールパスや工具の加工開始位置情報等）からなる加工プロファイルに基づいて、ＮＣ工作機械を動作させるためのＮＣコードを生成するのが一般的である。
　オペレータによって設計される工程は、製品となる機械部品の出来に大きな影響を与える。具体的に言えば、例えば実施される加工の種類や工具が同一であったとしても、その順序が異なるだけで、バリや膨みの発生等の不具合が生じるか否かの結果が異なるといった事象が起こり得る。したがって、この工程設計の精度はオペレータの長年の経験（暗黙知を含む）に依存する部分が少なくない。そこで、このようなオペレータの経験に依存して製品の出来が異なり得る状況を改善する手法として、例えば特許文献１には、オペレータによる工程設計をサポートすべく、加工前のワークの情報と、加工後のワークの情報と、ワークの材質情報と、加工段階の情報とから、使用する工具を自動的に特定するものが記載されている。
国際公開第９４／０８７５１号
　上記特許文献１に記載のもののように、オペレータによる工程設計を部分的にサポートできる技術は既にいくつか存在しているものの、本技術分野において、加工プロファイル生成時におけるオペレータの経験に基づく判断をコンピュータで代用できる領域をより広げたいという要求は、依然として高い。
　本発明は上述の点に鑑み、ワークの形状データに基づく工程設計の少なくとも一部を自動化するための機械学習装置、データ処理システム及び機械学習方法を提供することを目的とする。
　上記目的を達成するために、本発明の第１の態様に係る機械学習装置は、例えば図１に示すように、工作機械ＭＣ（例えば図４参照。）を用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械ＭＣを用いた複数回の加工のうちの１つの加工が行われるごとに得られる中間加工ワークの形状を示した３次元の１乃至複数個の中間加工ワークデータと、前記工作機械ＭＣを用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータと、前記１乃至複数個の中間加工ワークデータの生成順序データと、を含む学習用データセットを複数組記憶する学習用データセット記憶ユニット１２と；前記学習用データセットを複数組入力することで、前記未加工ワークデータと前記完成ワークデータとから、前記未加工ワークから前記完成ワークを得るまでの過程を示す前記１乃至複数個の中間加工ワークの各形状及びその生成順序を推論する学習モデルを学習する学習ユニット１３と；前記学習ユニット１３によって学習された前記学習モデルを記憶する学習済モデル記憶ユニット１４と；を含む。
　このように構成すると、３次元の未加工ワークデータ及び完成ワークデータのみから３次元の１乃至複数個の中間加工ワークデータ及びその生成順序を推論することが可能な学習済モデルを生成することができ、この学習済モデルを利用することで工作機械を用いた加工における工程設計の一部を自動化することができる。
　また、本発明の第２の態様に係る機械学習装置は、上記本発明の第１の態様に係る機械学習装置において、前記未加工ワークデータと前記１乃至複数個の中間加工ワークデータと前記加工後ワークデータとは、点群データで構成される。
　このように構成すると、各種ワークの形状を示すデータを、３次元のＣＡＤデータの中間フォーマットである点群データで取り扱うことにより、設計者等により作成される未加工ワークデータ及び完成ワークデータのデータ形式を問わず、３次元のＣＡＤデータを機械学習に利用することができるようになる。
　また、本発明の第３の態様に係るデータ処理システムは、例えば図５に示すように、工作機械ＭＣを用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械ＭＣを用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータとを取得するデータ取得ユニット（Ｉ／Ｆユニット）２１と；上記第１又は第２の態様に係る機械学習装置によって生成された学習済モデルに、前記データ取得ユニット２１が取得した前記未加工ワークデータと前記完成ワークデータとを入力することで、前記未加工ワークから前記完成ワークを得るまでの過程を示す複数個の中間加工ワークの各形状及びその生成順序を推論する推論ユニット２２と；を含む。
　このように構成すると、このデータ処理システムを利用することで、工作機械を用いた加工における工程設計の一部を自動化することができる。
　また、本発明の第４の態様に係る機械学習方法は、例えば図３に示すように、コンピュータを用いた機械学習方法であって：工作機械ＭＣを用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械ＭＣを用いた複数回の加工のうちの１つの加工が行われるごとに得られる中間加工ワークの形状を示した３次元の１乃至複数個の中間加工ワークデータと、前記工作機械ＭＣを用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータと、前記１乃至複数個の中間加工ワークデータの生成順序データと、を含む学習用データセットを複数組記憶するステップと；前記学習用データセットを複数組入力することで、前記未加工ワークデータと前記完成ワークデータとから、前記未加工ワークから前記完成ワークを得るまでの過程を示す前記１乃至複数個の中間加工ワークの各形状及びその生成順序を推論する学習モデルを学習するステップＳ１４と；学習された前記学習モデルを記憶するステップＳ１６と；を含む。
　このように構成すると、３次元の未加工ワークデータ及び完成ワークデータのみから３次元の１乃至複数個の中間加工ワークデータ及びその生成順序を推論することが可能な学習済モデルを生成することができ、この学習済モデルを利用することで工作機械を用いた加工における工程設計の一部を自動化することができる。
　本発明によれば、３次元の未加工ワークの形状データと３次元の完成ワークの形状データとから、３次元の１乃至複数個の中間加工ワークの形状データ及びその生成順序データを推論することが可能な学習済モデルを生成することができる機械学習装置及び機械学習方法が提供できる。これにより、例えば工作機械を用いた加工の工程設計を行うに際し、コンピュータにより自動で、１つの加工を行う毎に生成される加工途中のワークの形状を時系列で特定できるようになる。
図１は、本発明の一実施の形態に係る機械学習装置の概略ブロック図である。 図２は、本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。 図３は、本発明の一実施の形態に係る機械学習方法を示すフローチャートである。 図４は、本発明の一実施の形態に係るデータ処理システムとしてのサーバ装置を含むネットワークシステムを示す概略説明図である。 図５は、本発明の一実施の形態に係るデータ処理システムとしてのサーバ装置及びＣＡＤ／ＣＡＭシステムの概略ブロック図である。 図６は、本発明の一実施の形態に係るＣＡＤ／ＣＡＭシステムの動作を示すフローチャートである。 図７は、本発明の他の実施の形態に係るデータ処理システムとしてのサーバ装置の概略ブロック図である。 図８は、本発明の他の実施の形態に係る第２の学習済モデルを得るための機械学習方法を示すフローチャートである。 図９は、本発明の他の実施の形態に係るサーバ装置内で実行される一連の処理プロセスを示すフローチャートである。 図１０は、本発明の他の実施の形態に係るサーバ装置内で生成される各種データを模式的に示した説明図である。
　本発明は以下の詳細な説明によりさらに完全に理解できるであろう。本願のさらなる応用範囲は、以下の詳細な説明により明らかとなろう。しかしながら、詳細な説明及び特定の実例は、本発明の望ましい実施の形態であり、説明の目的のためにのみ記載されているものである。この詳細な説明から、種々の変更、改変が、本発明の精神と範囲内で、当業者にとって明らかであるからである。
　出願人は、記載された実施の形態のいずれをも公衆に献上する意図はなく、開示された改変、代替案のうち、特許請求の範囲内に文言上含まれないかもしれないものも、均等論下での発明の一部とする。
　以下、図面を参照して本発明を実施するための実施の形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については周知技術によるものとする。
　本発明は、上述したオペレータが行う工程設計の一部、特に複数回の加工が行われる前の未加工ワークの情報と複数回の加工が行われ製品として完成した機械部品である完成ワークの情報とに基づき、未加工ワークから完成ワークを得るに至るまでの経緯を特定する作業を自動的に行うことを目的としたものである。ここでいう未加工ワークから完成ワークを得るに至るまでの経緯とは、１つの加工が行われる毎に得られる加工途中のワーク（以下、「中間加工ワーク」という。）の形状及びその生成順序である。本発明の一実施の形態として、以下には先ず、ＣＡＤ／ＣＡＭシステムで設計される工程情報のうち、特に未加工ワーク及び完成ワークの３次元の形状データから、１乃至複数個の中間加工ワークの形状及びその生成順序を特定することが可能な推論モデルを得るための機械学習装置及び機械学習方法並びにこの推論モデルを用いたデータ処理システムについて説明を行う。
＜機械学習装置＞
　図１は、本発明の一実施の形態に係る機械学習装置の概略ブロック図である。本実施の形態に係る機械学習装置１０は、図１に示すように、学習用データセット取得ユニット１１と、学習用データセット記憶ユニット１２と、学習ユニット１３と、学習済モデル記憶ユニット１４とを備えている。
　学習用データセット取得ユニット１１は、例えばネットワークＮＷを介して接続されたコンピュータ等からなる一乃至複数の端末装置ＰＣ１、ＰＣ２により送信あるいは入力された、学習（トレーニング）用データセットを構成する複数のデータを取得するインタフェースユニットである。本実施の形態に係るこの学習用データセット取得ユニット１１において取得するデータは、４種類のデータで構成される。すなわち、３次元の形状データ（詳しくは、３次元（３Ｄ）のＣＡＤデータ）で構成され、加工を行う前のブロック材、あるいは予め準備された、ブロック材に所定の（例えば簡単な）加工を施した後のブランク材を表す未加工ワークデータと、同じく３次元の形状データで構成され、未加工ワークに対して工作機械を用いた複数回の加工を行った後の製品である機械部品としてのワークを表す完成ワークデータと、未加工ワークから完成ワークを得るために行われた複数回の加工の度に生成される１乃至複数個の中間加工ワークデータと、この一乃至複数の中間加工ワークデータの生成される時系列の順序を示す生成順序データとで構成される。
　この学習用データセット取得ユニット１１が取得する未加工ワークデータ、完成ワークデータ、１乃至複数個の中間加工ワークデータ及び中間加工ワークデータの生成順序データは、事前にあるいは学習用データセット取得ユニット１１が取得した後に、一の学習用データセットとして互いに関連付けられる。これらのデータは、例えば未加工ワークデータ及び完成ワークデータについては、設計者の端末装置ＰＣ１から直接、あるいは所定のアプリケーション等を介して送信され、１乃至複数個の中間加工ワークデータ及びその生成順序データについては、設計者の端末装置ＰＣ１が送信した２つのデータに基づいて、ＣＡＤ／ＣＡＭシステムのオペレータが作成し、このオペレータの端末装置ＰＣ２から送信されるものとすることができる。なお、これら４種類のデータの取得方法は上記の方法に限定されず、例えば単一の端末装置から４種類すべてのデータが送信される、あるいはデータを収集するために別途設けられたデータサーバ等を介して取得するといった種々の変更が可能である。また、本実施の形態におけるネットワークＮＷには、インターネット回線のみならず、イントラネット回線や、端末装置等に直接接続するための単なる通信ケーブルや無線通信をも含まれる。
　ここで、未加工ワークデータ、完成ワークデータ及び中間加工ワークデータが、３次元の形状データで構成されていることは、特に留意すべき事項である。３次元の形状データとして周知の３Ｄ－ＣＡＤデータは、一般に、機械設計の分野において近年２Ｄ（２次元）－ＣＡＤデータに代わって主流のデータ形式となっており、データを収集しやすい反面、３Ｄ－ＣＡＤデータにはそのデータ形式が複数種類存在し、またそのデータ量が多いこと等から、機械学習に適用する際は注意が必要である。本発明者らは、種々のデータ形式で構成された３Ｄ－ＣＡＤデータを機械学習に適用する方法について検討し、これらの３Ｄ－ＣＡＤデータを、同じく３次元の形状データであって且つ３Ｄ－ＣＡＤデータの中間フォーマットの１つとして知られる点群（ポイントクラウド）データ（例えば、ＳＴＬ（Ｓｔａｎｄａｒｄ　Ｔｒｉａｎｇｕｌａｔｅｄ　Ｌａｎｇｕａｇｅ）形式）に変換・統一し、この点群データを構成する点情報を、後述するニューラルネットワークモデルに入力すべきパラメータ情報として利用することとした。これにより、本発明では、未加工ワークデータ、完成ワークデータ及び中間加工ワークデータとして３次元の形状データを利用することが可能となっている。また、中間加工ワークデータも３次元の形状データで構成されることから、機械学習後に得られた学習済モデルをデータ処理システムに適用した際には、推論結果としての中間加工ワークデータも点群データで構成されることとなる。したがって、オペレータ等は、複雑なデータ変換等をほとんど要することなく、簡単に中間加工ワークの形状等を理解することができる。なお、取得した３Ｄ－ＣＡＤデータのデータ形式を点群データに変換・統一するに際しては、機械学習装置１０内に図示しないデータ変換ユニットを採用して逐次変換するようにしてもよいし、データ送信者側で事前に統一するようルールを設ける等してもよい。点群データは３Ｄ－ＣＡＤデータの中間フォーマットであり、また、当該データを用いて３次元の形状を特定可能な直交座標（ＸＹＺ座標）で示される点が集合したデータである。
　生成順序データは、未加工ワークから完成ワークを得るために実施される加工の度に生成される１乃至複数個の中間加工ワークデータの生成される順序を特定するためのものである。そのデータ形式は何ら限定されず、例えば１乃至複数個の中間加工ワークデータ毎に通し番号を付加するのみでも実現できる。
　学習用データセット記憶ユニット１２は、学習用データセット取得ユニット１１で取得した未加工ワークデータ、完成ワークデータ及び１乃至複数個の中間加工ワークデータを、学習用データセット単位で記憶するためのデータベースである。なお、説明の都合上、この学習用データセット記憶ユニット１２は後述する学習済モデル記憶ユニット１４とは別の記憶ユニットとして記載しているが、これらは単一の記憶媒体（データベース）によって構成されていてもよい。
　学習ユニット１３は、学習用データセット記憶ユニット１２に記憶された複数の学習用データセットを用いて機械学習を実行し、学習済モデルを生成するものである。本実施の形態においては、以下に説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。
　図２は、本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。図２に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。
　また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。
　本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセットを用いて、未加工ワークデータ及び完成ワークデータと、１乃至複数個の中間加工ワークデータとの相関関係を学習する。具体的には、状態変数としての未加工ワークデータ及び完成ワークデータのそれぞれについて入力層のニューロンを対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法で算出する。ここでいう一般的なニューラルネットワークの出力値の算出方法とは、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法である。なお、状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。例えば、状態変数としての未加工ワークデータ及び完成ワークデータを入力層のニューロンに入力するに際しては、点群データを構成する直交座標で構成された各点に関する情報を入力層にそれぞれ入力することができる。
　そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値、すなわち本実施の形態においては、１乃至複数個の中間加工ワークデータ（の直交座標で構成された各点に関する情報で構成された点群データ）と、学習用データセットの一部を構成する、同じく１乃至複数個の中間加工ワークデータ（の点群データ）ｔ１～ｔｏとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロバケーション）ことを反復する。
　そして、上述した一連の工程を所定回数反復実施すること、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習済モデルとして学習済モデル記憶ユニット１４に記憶する。
　学習済モデル記憶ユニット１４は、学習ユニット１３で生成された学習済モデルを記憶するためのデータベースである。この学習済モデル記憶ユニット１４に記憶された学習済モデルは、要求に応じて、インターネット等の通信手段や記憶媒体を介して実システムへ適用される。実システム（データ処理システム）に対する学習済モデルの具体的な適用態様については、後に詳述する。
＜機械学習方法＞
　上述の機械学習装置１０に関連して、本発明は、機械学習方法をも提供する。図３は、本発明の一実施の形態に係る機械学習方法を示すフローチャートである。この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えばＣＡＤ／ＣＡＭシステムを構成するコンピュータ、あるいはネットワーク上に配されたサーバ装置等を挙げることができる。また、このコンピュータの構成については、例えば、少なくともＣＰＵ等からなる演算装置と、揮発性又は不揮発性のメモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。以下に示す機械学習方法は、上述した機械学習装置１０の主に学習ユニット１３において実施できることは、当業者であれば容易に理解できるであろう。
　以下に示す一連の学習プロセスを実行する準備として、初めに、上記機械学習装置の学習用データセット取得ユニット１１及び学習用データセット記憶ユニット１２が実施する処理に対応するステップ、すなわち事前に上述した学習用データセットを複数個準備するステップを実行する。この学習用データセットは、互いに関連付けられた、未加工ワークデータ、１乃至複数個の中間加工ワークデータ、完成ワークデータ及び生成順序データで構成され、各学習用データセットは、構成するデータの内容が異なったものである。ここで準備する学習用データセットの数については、学習プロセス後に得られる学習済モデルの推論精度を考慮して、できるだけ多く準備すると好ましい。そして、ここで準備された複数個の学習用データセットは、学習用データセット記憶ユニット１２に記憶される。
　本発明に係る機械学習方法としての教師あり学習を実行する場合には、先ず、初期値の重みを備えた学習前モデルを準備する（ステップＳ１１）。次いで、学習用データセット記憶ユニット１２内に記憶されている複数個の学習用データセットの中から一の学習用データセットを選定する（ステップＳ１２）。そして、このステップＳ１２で取得した学習用データセット内の、未加工ワークデータと完成ワークデータとを学習前モデルの入力層（図２参照。）に入力することで、出力層（図２参照。）に１乃至複数個の中間加工ワークデータ及びその生成順序データを示す値を出力する（ステップＳ１３）。
　上記ステップＳ１３において出力層に出力された制御用データとしての１乃至複数個の中間加工ワークデータ及びその生成順序データは、学習前モデルによって生成されたものであるため、ほとんどの場合望ましい結果とは異なるものとなる。そこで、次に、ステップＳ１２において取得された学習用データセットに含まれた教師データを構成する制御情報とステップＳ１３において出力層に出力された制御情報とを用いて、機械学習を実施する（ステップＳ１４）。ここで行う機械学習とは、教師データを構成する制御情報と出力層に出力された制御情報とを比較し、両者の誤差を検出し、この誤差が小さくなるような出力層が得られるよう、学習前モデル内の各ノードに対応付けられた重みを調整する処理を指す。
　ステップＳ１４において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット１２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１５）。そして機械学習を継続する場合（ステップＳ１５でＮｏ）にはステップＳ１２に戻り、機械学習を終了する場合（ステップＳ１５でＹｅｓ）には、ステップＳ１６に移る。上記機械学習を継続する場合には、ステップＳ１２～Ｓ１４の工程を未学習の学習用データセットを用いて複数回実施することとなり、通常は、その回数に比例して、最終的に生成される学習済モデルの精度は高くなる。
　機械学習を終了する場合には、各ノードに対応付けられた重みが一連の工程によって調整され生成されたニューラルネットワークを学習済モデルとして、学習済モデル記憶ユニット１４に記憶し（ステップＳ１６）、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、種々のデータ処理システムに適用され使用されるものであるが、その詳細は後述する。
　上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つのニューラルネットワーク（学習前モデル）に対して複数回の機械学習処理を繰り返し実行することでその精度を向上させ、データ処理システムに適用する学習済モデルを生成するものを説示しているが、本発明はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個学習済モデル記憶ユニット１４に格納しておき、この複数個の学習済モデル群に妥当性判断用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された制御データの精度を比較検討して、データ処理システムに適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていないものであればよい。
　以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、３次元の形状データ（３Ｄ－ＣＡＤデータ又は点群データ）で構成された未加工ワークデータ及び完成ワークデータから、同じく３次元の形状データ（点群データ）で構成され未加工ワークから完成ワークを得るために必要な複数の加工を実施する毎に生成される１乃至複数の中間加工ワークデータと、この１乃至複数の中間加工ワークデータの生成順序データを示す値を出力することが可能な学習済モデルを生成することができる。
＜データ処理システム＞
　次に、図４を参照して、上述した機械学習装置及び機械学習方法によって生成された学習済モデルの適用例を説示する。図４は、本発明の一実施の形態に係るデータ処理システムとしてのサーバ装置を含むネットワークシステムを示す概略説明図である。本実施の形態では、データ処理システムとして、サーバ装置２０を採用している。そして、このサーバ装置２０には上述した学習済モデルが適用されており、主にＣＡＤ／ＣＡＭシステム３０からの要求に基づいてデータ処理を実行するものである。なお、ここではデータ処理システムに対するデータ処理の要求をＣＡＤ／ＣＡＭシステム３０が行うものとしているが、ＣＡＤ／ＣＡＭシステム３０以外からの要求に対しても同様のデータ処理を行うことができることは構造上明らかである。以下にその詳細を説明する。
　サーバ装置２０は、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）サーバ等で構成され、外部から未加工ワークデータ及び完成ワークデータが入力されると、未加工ワークから完成ワークを得るための一連の加工の結果としてのワークの形状を示す１乃至複数個の中間加工ワークデータ及びその生成順序データを出力できるものである。
　図５は、本発明の一実施の形態に係るデータ処理システムとしてのサーバ装置及びＣＡＤ／ＣＡＭシステムの概略ブロック図である。サーバ装置２０は、図５に示すように、主に、Ｉ／Ｆユニット（データ取得ユニット）２１と、推論ユニット２２と、学習済モデル格納ユニット２６とを含むものである。
　Ｉ／Ｆユニット２１は、データの送受信、詳しくは未加工ワークデータ及び完成ワークデータからなる入力データを受信し、１乃至複数個の中間加工ワークデータ及びその生成順序データからなる出力データを送信するものである。本実施の形態においては、入力データはＣＡＤ／ＣＡＭシステム３０から送信され、出力データはＣＡＤ／ＣＡＭシステム３０へ返信され、データの送受信はネットワークＮＷを介して行われる。なお、入力データの送信元はＣＡＤ／ＣＡＭシステム３０以外の通信可能な装置、例えば設計者の端末装置ＰＣ１や他の端末装置等であってもよい。
　推論ユニット２２は、Ｉ／Ｆユニット２１で受信した未加工ワークデータ及び完成ワークデータに基づいて、未加工ワークから完成ワークを得るための一連の加工を実行する毎に生成されるワークの形状を示す１乃至複数個の中間加工ワークデータ及びその生成順序データを推論するものである。この推論には上述した機械学習方法を経て学習がなされ、後述する学習済モデル格納ユニット２６内に格納された学習済モデルが用いられる。この学習済モデルは、例えば点群データで構成された未加工ワークデータ及び完成ワークデータの各点の座標データをそれぞれ学習済モデルの入力層に入力して推論を実行することで、出力層に点群データで構成された１乃至複数個の中間加工ワークデータ及びこの中間加工ワークデータの生成順序データを示す値を出力することができる。ここで出力された１乃至複数個の中間加工ワークデータ及びその生成順序データは、Ｉ／Ｆユニット２１を介してＣＡＤ／ＣＡＭシステム３０に返される。なお、入力データによっては、未加工ワークから完成ワークを得るために行われる加工が１回のみの場合がある。このような場合中間加工ワークデータは必要ないため、別途の対応を行うと好ましい。具体的には、例えば推論ユニット２２から中間加工ワークデータに代えて完成ワークデータを出力する等、中間加工ワークが存在しないことが理解できるような対応を行う。当該対応は、学習済モデルに予め学習させておくとよい。
　学習済モデル格納ユニット２６は、上記推論ユニット２２において参照される学習済モデルを含む各種情報を格納可能なデータベースで構成される。本実施の形態のように、データ処理システムとしてのサーバ装置２０がネットワークＮＷ上に単体で存在している場合にあっては、未加工ワークデータ及び完成ワークデータを送信するＣＡＤ／ＣＡＭシステム３０は１つに限定されない。したがって、この学習済モデル格納ユニット２６内に学習済モデルを複数個格納しておき、推論ユニット２２において、未加工ワークデータ及び完成ワークデータを送信するＣＡＤ／ＣＡＭシステム３０毎に、あるいはＣＡＤ／ＣＡＭシステム３０側からの指示に基づいて異なる学習済モデルを参照できるようにすると、より高精度の推論を実現でき好ましい。
　図５では、具体的なワークとして、金属製のブロック材（未加工ワーク）から対象物を所定の位置に固定する際に用いられる固定具（完成ワーク）を製造する場合を想定したものが示されている。すなわち、ＣＡＤ／ＣＡＭシステム３０から送信される入力データは、ブロック材を示した３次元の形状データ（３Ｄ－ＣＡＤデータ）で構成される未加工ワークデータと、製造したい機械部品としての固定具を示した３次元の形状データ（３Ｄ－ＣＡＤデータ）で構成される完成ワークデータとから構成されている。そして、この入力データに対する出力データは、その生成順序に沿って順番に整列された、複数個（図５においては４個）の中間加工ワークデータの３次元の形状データ（点群データ）の一覧の形式で構成されている。なお、出力データの形式についてはこれに限定されず、例えば１乃至複数個の中間加工ワークデータとその生成順序データとを別々のデータとして出力データを形成してもよいし、１乃至複数個の中間加工ワークデータに加えて、入力データとしてＣＡＤ／ＣＡＭシステム３０から取得した未加工ワークデータ及び完成ワークデータを含めた一連の３次元の形状データをその生成順序に沿って整列させたものを出力データとして出力してもよい。
　また、図５には図示を省略しているが、推論ユニット２２は、学習済モデルの入力層に入力データの各パラメータを入力するための所定のデータ処理を実行するための前処理ユニットと、学習済モデルの出力層に出力されたデータを所望の形式、すなわち上述したような１乃至複数個の中間加工ワークデータを構成する３次元の形状データ及びその生成順序を示すデータで構成された出力データの形式とするためのデータ処理を実行するための後処理ユニットとを備えることができる。これら前処理ユニット及び後処理ユニットで各中間加工ワークデータの抽出やデータ形式の変換等を行うことで、最適な出力データを生成することができるようになっている。また、このサーバ装置２０において、Ｉ／Ｆユニット２１で受信した入力データと推論ユニット２２の推論結果としての１乃至複数個の中間加工ワークデータ及びその生成順序データとを、学習済モデル格納ユニット２６内に格納された学習済モデルの更なる精度向上のための学習用データセットとして利用し、いわゆるオンライン学習を実現してもよい。この利用の具体的な方法については、例えば上述した機械学習装置及び機械学習方法において説明した方法と同様の方法を採用すればよい。
　次に、ＣＡＤ／ＣＡＭシステム３０は、設計者の端末装置ＰＣ１にて作成された３Ｄ－ＣＡＤデータ等に基づき、所定のＮＣ工作機械、例えばマシニングセンタＭＣを動作させるためのＮＣコードを作成するためのものである。このＣＡＤ／ＣＡＭシステム３０は主に、Ｉ／Ｆユニット３１と、ＮＣコード生成ユニット３２と、を含むものである。
　Ｉ／Ｆユニット３１は、設計者の端末装置ＰＣ１等から送信される未加工ワークデータ及び完成ワークデータを取得したり、サーバ装置２０から送信された１乃至複数の中間加工ワークデータ及びその生成順序データを取得したりするためのものである。また、このＩ／Ｆユニット３１は、取得した未加工ワークデータ及び完成ワークデータをサーバ装置２０に送信することもできる。本実施の形態においては、データの送受信はネットワークＮＷを介して行われる。
　ＮＣコード生成ユニット３２は、設計者の端末装置ＰＣ１及びサーバ装置２０から送信され取得した未加工ワークデータ、完成ワークデータ、１乃至複数の中間加工ワークデータ及びその生成順序の情報と、必要に応じてオペレータにより追加で入力等される各種情報に基づいて、マシニングセンタＭＣを動作させるＮＣコードを生成するものである。ここで生成されたＮＣコードをマシニングセンタＭＣに入力・実行することによって、ブロック材又はブランク材の加工作業が開始される。
　次に、図６を参照して、データ処理システムとしてのサーバ装置２０を利用した、ＣＡＤ／ＣＡＭシステム３０によるＮＣコード生成プロセスを説明する。
　図６は、本発明の一実施の形態に係るＣＡＤ／ＣＡＭシステムの動作を示すフローチャートである。ＣＡＤ／ＣＡＭシステム３０においてＮＣコードを生成する際は、先ず、設計者の端末装置ＰＣ１から送信される未加工ワークデータ及び完成ワークデータを取得する（ステップＳ２１）。そして次に、未加工ワークから完成ワークを得るために行われる加工のうちの１つの加工が行われるごとに得られる中間加工ワークデータ及びその生成順序データを特定するために、取得した未加工ワークデータ及び完成ワークデータをサーバ装置２０へ送信する（ステップＳ２２）。未加工ワークデータ及び完成ワークデータを受信したサーバ装置２０は、特定の学習済モデルを用いて推論を実行し、推論結果としての１乃至複数個の中間加工ワークデータ及びその生成順序データを示す値を出力する。出力された出力データとしての１乃至複数個の中間加工ワークデータ及びその生成順序データはＣＡＤ／ＣＡＭシステム３０に返信され、ＣＡＤ／ＣＡＭシステム３０はその出力データを取得する（ステップＳ２３）。そして、入手した未加工ワークデータ、完成ワークデータ、１乃至複数個の中間加工ワークデータ及びその生成順序データを利用して、オペレータによる工程設計が実行され、ＮＣコードが生成される（ステップＳ２４）。なお、ＣＡＤ／ＣＡＭシステム３０が取得する出力データに含まれる１乃至複数個の中間加工ワークデータは、点群データで構成されているが、必要に応じて他のデータ形式、例えば３Ｄ－ＣＡＤデータに変換することも可能である。この変換には、周知の変換ソフト等を用いればよい。
　上記実施の形態では、未加工ワークデータ及び完成ワークデータは、設計者の端末装置ＰＣ１からＣＡＤ／ＣＡＭシステム３０に送信され、ＣＡＤ／ＣＡＭシステム３０がこの受信した未加工ワークデータ及び完成ワークデータをサーバ装置２０に送信するものとしたが、本発明はこれに限定されない。例えば、未加工ワークデータ及び完成ワークデータを設計者の端末装置ＰＣ１からサーバ装置２０へ直接送信するように設定し、サーバ装置２０が１乃至複数個の中間加工ワークデータ及びその生成順序データと共に未加工ワークデータ及び完成ワークデータをＣＡＤ／ＣＡＭシステム３０へ送信するようにしてもよい。また、本実施の形態に係るデータ処理システムの実施の態様は、上述したサーバ装置２０に限定されるものではなく、例えば、データ処理システムの機能が特定のＣＡＤ／ＣＡＭシステム３０に内蔵され、ＣＡＤ／ＣＡＭシステム３０内で推論等を実行する態様としてもよい。
　以上説明した通り、本実施の形態に係るデータ処理システムを用いることにより、ＣＡＤ／ＣＡＭシステム３０におけるＮＣコード作成に際し、未加工ワークデータ及び完成ワークデータのみから１乃至複数個の中間加工ワークの形状及びその生成順序が自動的に特定されるようになる。したがって、オペレータによる工程設計の一部を自動化することができ、工程設計の工数を大幅に削減することができるようになる。また、１乃至複数個の中間加工ワークの形状及びその生成順序が自動的に特定されることで、各オペレータの経験値の差に起因する製品の出来栄えのバラつきを抑えることができる。さらに、１乃至複数個の中間加工ワークの形状が特定されることで、ＮＣコードを作成する際に工程設計とは別に行われるコードパスの生成を簡単に実施することができるようになる。
＜他の実施の形態＞
　上述の通り、本願の一実施の形態に係るデータ処理システムを採用すれば、オペレータは、ＮＣコードを作成するための加工の工程設計における加工途中のワークの形状が時系列で認識できるようになる。これらの情報を取得したオペレータは、次に、未加工ワークデータと１番目に生成される中間加工ワークデータを参照し、当該１番目に生成される中間加工ワークを得るために未加工ワークに対して実施する加工の種類及びその加工に用いる工具を特定する。そして、同様の特定作業を生成された中間加工ワークデータ及び完成ワークデータの数だけ実施することで、未加工ワークから完成ワークを得るために必要な複数の加工の種類及びそれに用いる工具を時系列で特定し、これにより一連の工程設計が完了することとなる。したがって、本願の一実施の形態に示したデータ処理システムは、オペレータが工程設計に要する工数を大幅に削減していることが理解できる。他方、このデータ処理システムを採用しても、オペレータには加工の種類及び工具を特定するという作業が残っており、工程設計において自動化できる余地は依然残されているといえる。そこで、以下には、本願の一実施の形態に示したデータ処理システムを応用し、上述した一連の工程設計の作成作業のほとんど全てを自動化することを可能としたデータ処理システムを、本願の他の実施の形態として説明する。
　図７は、本発明の他の実施の形態に係るデータ処理システムとしてのサーバ装置の概略ブロック図である。本実施の形態に係るサーバ装置２０Ａは、図７に示すように、Ｉ／Ｆユニット２１と、推論ユニット２２Ａと、第１の学習済モデル格納ユニット２６と、第２の学習済モデル格納ユニット２７と、を少なくとも含む。また、上記構成のうちの推論ユニット２２Ａは、複数の加工情報セット及びそれらの実行順序を推論するための具体的な構成として、第１の推論ユニット２３、整列ユニット２４及び第２の推論ユニット２５を含む。これらの構成のうち、第１の推論ユニット２３及び第１の学習済モデル格納ユニット２６が、上記一実施の形態に示した推論ユニット２２及び学習済モデル格納ユニット２６と同様のものである。また、本実施の形態に係るＩ／Ｆユニット２１も、上記一実施の形態に係るＩ／Ｆユニット２１と同様のものである。そこで、以下には本実施の形態に係るデータ処理システムのうち上記一実施の形態に係るデータ処理システムにはない構成について説明を行う。
　整列ユニット２４は、取得したデータを所定のルールに沿って整列させるものである。詳しくは、Ｉ／Ｆユニット２１が取得した入力データと、第１の推論ユニット２３が生成した１乃至複数個の中間加工ワークデータ及びその生成順序データ（以下、この２種類のデータをまとめて「中間加工データ」（図１０参照。）という。）とを取得すると、これらのデータ内の、未加工ワークデータ、完成ワークデータ及び１乃至複数個の中間加工ワークデータとを、その生成順序に合わせて時系列に整列させるものである。このように、入力データ及び中間加工データを時系列で整列させるのは、後述する第２の推論ユニット２５における推論を円滑に行うためである。そして、本実施の形態に係る整列ユニット２４においては、後述する第２の推論ユニット２５における処理を円滑に実行するために、さらに、整列させた複数の各ワークデータを、互いに隣接するワークデータ同士をセットにし、それぞれを一の加工に対する加工前ワークデータ及び加工後ワークデータとした複数個の工程データ（図１０参照。）を作成する。なお、本実施の形態においては整列ユニット２４を他のユニットとは別のユニットとして説示しているが、このような形式に限定されるものではない。例えば、この整列ユニット２４の機能を第１の推論ユニット２３の後処理ユニットの一部や、後述する第２の推論ユニット２５の前処理ユニットの一部の形式で実現することも可能である。
　第２の推論ユニット２５は、整列ユニット２４で作成された複数個の工程データを順次（あるいは一括で）取得すると、各工程データを構成する加工前ワークデータ及び加工後ワークデータに基づいて、加工前ワークから加工後ワークを得るために必要な一の加工の種類とその加工に必要な工具を推論するものである。この推論には後述する第２の学習済モデル格納ユニット２７内に格納された第２の学習済モデルが用いられる。また、本実施の形態においては、ここで得られた一の加工の種類及びその加工に用いられる工具は、互いに関連付けられて一の加工情報セットを構成する。そして、取得された複数の加工情報セットは、その工程順序に更に関連付けられた後、例えば表形式に整えられた状態で、出力データ（図１０参照。）としてＩ／Ｆユニット２１に送信される。第２の学習済モデルの詳細については後述する。
　この第２の推論ユニット２５で生成される加工情報セットは、上述した通り、加工前ワークから加工後ワークを得るために必要な一の加工の種類データとその加工に必要な工具データとで構成される。ここで、加工の種類データとは、（マシニングセンタＭＣで行う）加工の種類、詳しくは例えば「穴あけ」、「座ぐり」、「平削り」、「溝削り」、「旋削」、「タッピング」、「研削」といった加工の手法を示す情報で構成されたデータである。本データは、加工の手法を示す情報のみで構成されていてもよいが、その具体的な寸法や加工形状等の加工に関連した詳細情報をも含んだ形式のデータであるとより好ましい。また、工具データは、マシニングセンタＭＣが備える工具、詳しくは例えば「ドリル」、「平フライス」、「正面フライス（フェイスミル）」、「エンドミル」、「ボーリング」、「リーマ」、「タップ」、「砥石」といった工具の名前を示す情報で構成されたデータである。本データは、工具の名前のみで構成されていてもよいが、その具体的な寸法等の情報をも含んだ形式のデータであるとより好ましい。上記各データにおいてそのデータ形式は特に限定されず、加工の種類又は工具が特定できるものであればどのような形式のものであっても（例えばテキスト形式等であっても）よい。
　また、第２の推論ユニット２５においても、第１の推論ユニット２３と同様に、第２の学習済モデルを用いて推論を実行する部分とは別に、この第２の推論ユニット２５における入出力の情報を調整するための図示しない前処理ユニット及び後処理ユニットを含んでいる。このうち、前処理ユニットは、工程データのデータ形式の変換・統一や、第２の学習済モデルの入力層に入力するデータ数の調整等を行うためのものである。また、後処理ユニットは、第２の学習済モデルの出力層に出力されたデータを整列ユニット２４において特定された加工の実行順序に合わせて整列させたり、上述した表形式の出力データを生成すべくその形式を変換したりするためのものである。
　第２の学習済モデル格納ユニット２７は、第２の推論ユニット２５において参照される第２の学習済モデルを格納可能なデータベースで構成される。第１の学習済モデル及び第２の学習済モデルは、事前に第１の学習済モデル格納ユニット２６及び第２の学習済モデル格納ユニット２７内に複数個格納しておき、適宜選定して利用することができる。また、図７においては、第１の学習済モデル格納ユニット２６と第２の学習済モデル格納ユニット２７とは、説明の都合上別個のユニットとして記載しているが、単一の記憶媒体（データベース）で構成することができる。
　次に、第２の推論ユニット２５で使用される第２の学習済モデルがどのように作成されたものであるかについて、簡単に説明を行う。図８は、本発明の他の実施の形態に係る第２の学習済モデルを得るための機械学習方法を示すフローチャートである。この第２の学習済モデルは、図８に示すように、一実施の形態に係る学習済モデル、すなわち本実施の形態における第１の学習済モデルと同様の機械学習方法を用いて作成される。そこで、以下の説明においては、一実施の形態に係る学習済モデルを作成する機械学習方法と同様の事項についてはその説明を省略し、一実施の形態に係る学習済モデル作成時の機械学習方法とは異なる点を中心に説明を行うものとする。
　初めに、第２の学習済モデルを生成するための第２の学習用データセットを複数個準備する（ステップＳ３１）。この第２の学習用データセットは、４種類のデータで構成される。すなわち、一の加工を行う前のワークの形状を示す加工前ワークデータと、一の加工を行った後のワークの形状を示す加工後ワークデータと、この加工前ワークから加工後ワークを得るために必要な一の加工の種類データと、その加工に必要な工具データとで構成される。第２の学習用データセットは、機械学習後に得られる第２の学習済モデルが所望の推論精度を有するものとなるよう、異なるデータで構成されたものを複数個準備する必要がある。
　第２の学習用データセットの準備が完了すると、次に、学習前モデルを準備する（ステップＳ３２）。ここで準備する学習前モデルはステップＳ１１において準備されたものと同様の形式のものであって良い。次に、ステップＳ３１で準備された複数個の第２の学習用データセットの中から一の学習用データセットを選定する（ステップＳ３３）。そして、このステップＳ３３で取得した学習用データセット内の、加工前ワークデータと加工後ワークデータとを状態変数として、学習前モデルの入力層のニューロンに入力し、出力層のニューロンに一の加工の種類及びその加工に用いられる工具を示す値を出力する（ステップＳ３４）。
　次に、ステップＳ３３において取得された学習用データセットに含まれる、教師データを構成する制御情報としての一の加工の種類データ及びその加工に用いられる工具データと、ステップＳ３４において出力層に出力された制御情報としての一の加工の種類データ及びその加工に用いられる工具データとを用いて、機械学習（例えばバックプロパゲーション）を実施する（ステップＳ３５）。このステップＳ３５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを特定し（ステップＳ３６）、機械学習を継続する場合（ステップＳ３６でＮｏ）にはステップＳ３３に戻り、機械学習を終了する場合（ステップＳ３６でＹｅｓ）にはステップＳ３７に移る。上記機械学習を継続する場合には、ステップＳ３３～Ｓ３５の工程を未学習の第２の学習用データセットを用いて複数回実施する。機械学習を終了する場合には、各ノードに対応付けられた重みｗｉが一連のステップを経て調整され生成されたニューラルネットワークを第２の学習済モデルとして、第２の学習済モデル格納ユニット２７に格納し（ステップＳ３７）、一連の学習プロセスを終了する。
　このようにして第２の学習済モデル格納ユニット２７内に格納された第２の学習済モデルを用いることにより、第２の推論ユニット２５は、整理ユニット２４から工程データを構成する加工前ワークデータ及び加工後ワークデータを取得すると、一の加工の種類データ及びその加工に必要な工具データを出力することができるようになる。
　以下に、上述した方法により得られた第１及び第２の学習済モデルを用いた推論ユニットを含むサーバ装置２０Ａによるデータ処理プロセスについて説明する。図９は、本発明の他の実施の形態に係るサーバ装置内で実行される一連の処理プロセスを示すフローチャートである。また、図１０は、本発明の他の実施の形態に係るサーバ装置内で生成される各種データを模式的に示した説明図である。なお、図１０中の矢印はサーバ装置２０Ａ内のデータの流れを示したものであり、各矢印には、対応する図９に示す各ステップの符号がカッコ書きで付与されている。また、この図１０に示す各データは、図５に示す場合と同様に、具体例として、ブロック材で構成された未加工ワークから、完成ワークとして対象物を所定の位置に固定する際に用いられる固定具を製造する場合を想定したものである。
　本データ処理プロセスは、図９に示すように、Ｉ／Ｆユニット２１においてデータ処理要求と共に送信される入力データを取得する（ステップＳ４１）ことで一連のプロセスが開始される。入力データを取得すると、Ｉ／Ｆユニット２１は、この入力データを第１の推論ユニット２３に送信する（ステップＳ４２）。
　第１の推論ユニット２３において入力データを取得すると、第１の推論ユニット２３は、この入力データに基づいて推論を実施して中間加工データを生成する（ステップＳ４３）。この中間加工データの生成方法として、第１の推論ユニット２３は先ず、入力データを取得すると、この入力データを構成する未加工ワークデータ（図１０に示す具体例においてはブロック材の３Ｄ－ＣＡＤデータ）及び完成ワークデータ（図１０に示す具体例においては固定具の３Ｄ－ＣＡＤデータ）のデータ形式を認識する。そしてこれらのワークデータが３Ｄ－ＣＡＤデータである場合には、前処理ユニットにおいて点群データに変換する。次に、点群データで構成される未加工ワークデータ及び完成ワークデータに含まれる点情報を、第１の学習済モデル格納ユニット２６に格納された一の第１の学習済モデルの入力層に入力することで、この第１の学習済モデルの出力層に１乃至複数個の中間加工ワークデータ及びその生成順序データを示す値を出力する。出力層の値が得られると、第１の推論ユニット２３の後処理ユニットで、これらの値から１乃至複数個の中間加工ワークデータ及びその生成順序データを特定し、且つこれらをまとめた中間加工データを生成する。図１０に示す具体例においては、第１の推論ユニット２３による推論の結果、点群データで構成された４つの中間加工ワークデータ（以下、この４つの中間加工ワークデータをそれぞれ順に「中間加工ワークデータ１」～「中間加工ワークデータ４」という。）が特定され、この４つのデータがその生成順序に合わせて上から下へ昇順に整列された表形式の中間加工データが生成されている。
　第１の推論ユニット２３において中間加工データが作成されると、次に第１の推論ユニット２３が、生成した中間加工データ及び取得した入力データを整列ユニット２４に送信する（ステップＳ４４）。なお、本実施の形態においては、整列ユニット２４への入力データの送信を第１の推論ユニット２３が行っているが、これに限定されず、例えば整列ユニット２４への入力データの送信をＩ／Ｆユニット２１が行うようにしてもよい。
　中間加工データ及び入力データを取得した整列ユニット２４は、これらのデータを構成する各ワークデータを、一連の加工の実行順序に合わせて整列させる（ステップＳ４５）。次いで、整列ユニット２４は、整列させたワークデータの隣接するもの同士をセットにして、ｎ（ｎ＝自然数）個の工程データを生成する（ステップＳ４６）。ここで生成される工程データは、一の加工を行う前後のワークの形状を示した２つのワークデータで構成されるため、これらのワークデータはそれぞれ加工前ワークデータ及び加工後ワークデータでもある。図１０に示す具体例においては、未加工ワークデータと中間加工ワークデータ１とで構成された第１の工程データから、中間加工ワークデータ４と完成ワークデータとで構成された第５の工程データまでの計５つの工程データが生成されている。
　ｎ個の工程データを生成した後、整列ユニット２４は、第２の推論ユニット２５に対し生成した工程データを順次送信する。詳しくは、第ｍ（ｍ＝１、２、・・・、ｎ）の工程データを第２の推論ユニット２５に送信する（ステップＳ４７）。そして、この第ｍの工程データを受信した第２の推論ユニット２５は、この第ｍの工程データに対応する加工情報セットを出力する（ステップＳ４８）。この加工情報セットの出力方法として、第２の推論ユニット２５は、受信した第ｍの工程データを構成する加工前ワークデータ及び加工後ワークデータに含まれる各点の情報を、第２の学習済モデル格納ユニット２７に格納された一の第２の学習済モデルの入力層に入力する。これにより、点情報が入力された第２の学習済モデルの出力層には、一の加工の種類及びその加工に用いられる工具を示す値が出力される。出力層の値が得られると、第２の推論ユニット２５の後処理ユニットにて、出力層の値から一の加工の種類及びその加工に用いられる工具に関する情報を特定した上で、所定の形式、例えばテキスト形式の情報に変換し、この一の加工の種類及びその加工に用いられる工具を互いに関連付けて一の加工情報セットを生成する。そして、この一の加工情報セットは、例えば図示しない記憶媒体に一時的に格納する。
　上述したステップＳ４７及びステップＳ４８の処理は、整列ユニット２４にて生成された工程データの数（ｎ個）だけ、整列された工程の順序に従って実行される（ステップＳ４９及びステップＳ５０）。図１０に示す具体例においては、第１の工程データに対してステップＳ４７及びステップＳ４８の処理が実行され、「加工の種類：穴あけ、工具：ドリル」で構成された加工情報セットが出力され、以下同様に、第２の工程データに対応する「加工の種類：穴あけ、工具：ドリル」で構成された加工情報セット、第３の工程データに対応する「加工の種類：平面ミル、工具：正面フライス」で構成された加工情報セット、第４の工程データに対応する「加工の種類：平面ミル、工具：正面フライス」で構成された加工情報セット及び第５の工程データに対応する「加工の種類：平面ミル、工具：エンドミル」で構成された加工情報セットが順次出力され、一時的に格納される。
　すべての工程データに対応する加工情報セットが出力されると（ステップＳ５０でＹｅｓ）、第２の推論ユニット２５の後処理ユニットは、一時的に格納した複数個の加工情報セットと、これらの実行順序とで構成される出力データを生成する（ステップＳ５１）。図１０に示す具体例においては、左列に工程の番号を昇順で示し工程番号に対応する加工情報セットのテキスト情報をこの工程番号の右側に記載した表形式の出力データを生成している。
　そして最後に、生成された出力データをＩ／Ｆユニット２１に送信し（ステップＳ５２）、Ｉ／Ｆユニット２１が所定の送付先、例えばデータ処理要求を行ったＣＡＤ／ＣＡＭシステム３０等に送信することで、一連のプロセスを完了する。
　なお、上述したデータ処理プロセスは、その機能を維持し得る範囲において種々変更することができる。具体的に言えば、例えば上記プロセスでは、ステップＳ４６に示す処理を整列ユニット２４にて実行しているが、当該処理を第２の推論ユニット２５の前処理ユニットにて実行することもできる。また、同じく上記プロセスでは、整列ユニット２４で生成されたｎ個の工程データを順次第２の推論ユニット２５に送信することで工程データごとの推論を実現しているが、例えば、ｎ個の工程データの送信は一括して行い、第２の推論ユニット２５の前処理ユニットにて工程データごとの推論を順次行えるようデータの入力操作を制御するようにしてもよい。
　また、Ｉ／Ｆユニット２１は生成された出力データのみを所定の送付先に送付するものとしたが、これに加えて中間加工データを送信すると好ましい。これは、例えば出力データの送付先がＣＡＤ／ＣＡＭシステム３０である場合、出力データに加えて中間加工データも送信しておくと、工程設計後にＮＣコードを作成するために行われるコードパス作成等の作業を効率よく行えるようになる可能性があるためである。
　以上説明したように、本実施の形態に係るデータ処理システムとしてのサーバ装置２０Ａに、未加工ワークデータと完成ワークデータで構成された入力データを送信すれば、未加工ワークから完成ワークを得るために必要な複数の加工の種類及びそれに用いる工具を時系列で特定した出力データを取得することができる。したがって、所定のワークをＮＣ工作機械を用いて製造する際、ＮＣ工作機械を動作させるために必要なＮＣコードを作成するための工程設計のほとんど全てを自動化することができ、オペレータが工程設計に要する工数を実質的にゼロにすることができる。また、一連の工程が自動的に特定されることで、各オペレータの経験値の差に起因する製品の出来栄えのバラつきを抑えることができる。
　本発明のデータ処理システムは、種々の形態でユーザに提供することができる。例えば、上述したデータ処理機能をパッケージ化して、端末装置やＣＡＤ／ＣＡＭシステム内に格納し、ローカルで利用することができるようにしてもよいし、一連の機能をウェブアプリケーションの形態で提供するようにしてもよい。
　本発明は上述した実施の形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
　本明細書中で引用する刊行物、特許出願及び特許を含むすべての文献を、各文献を個々に具体的に示し、参照して組み込むのと、また、その内容のすべてをここで述べるのと同じ限度で、ここで参照して組み込む。
　本発明の説明に関連して（特に以下の請求項に関連して）用いられる名詞及び同様な指示語の使用は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、単数及び複数の両方に及ぶものと解釈される。語句「備える」、「有する」、「含む」及び「包含する」は、特に断りのない限り、オープンエンドターム（すなわち「～を含むが限らない」という意味）として解釈される。本明細書中の数値範囲の具陳は、本明細書中で特に指摘しない限り、単にその範囲内に該当する各値を個々に言及するための略記法としての役割を果たすことだけを意図しており、各値は、本明細書中で個々に列挙されたかのように、明細書に組み込まれる。本明細書中で説明されるすべての方法は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、あらゆる適切な順番で行うことができる。本明細書中で使用するあらゆる例又は例示的な言い回し（例えば「など」）は、特に主張しない限り、単に本発明をよりよく説明することだけを意図し、本発明の範囲に対する制限を設けるものではない。明細書中のいかなる言い回しも、請求項に記載されていない要素を、本発明の実施に不可欠であるものとして示すものとは解釈されないものとする。
　本明細書中では、本発明を実施するため本発明者が知っている最良の形態を含め、本発明の好ましい実施の形態について説明している。当業者にとっては、上記説明を読めば、これらの好ましい実施の形態の変形が明らかとなろう。本発明者は、熟練者が適宜このような変形を適用することを期待しており、本明細書中で具体的に説明される以外の方法で本発明が実施されることを予定している。したがって本発明は、準拠法で許されているように、本明細書に添付された請求項に記載の内容の修正及び均等物をすべて含む。さらに、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、すべての変形における上記要素のいずれの組合せも本発明に包含される。
１０　機械学習装置
１１　学習用データセット取得ユニット
１２　学習用データセット記憶ユニット
１３　学習ユニット
１４　学習済モデル記憶ユニット
２０、２０Ａ　サーバ装置（データ処理システム）
２１　Ｉ／Ｆユニット（データ取得ユニット）
２２、２２Ａ　推論ユニット
２３　第１の推論ユニット
２４　整列ユニット
２５第２の推論ユニット
２６　（第１の）学習済モデル格納ユニット
２７　第２の学習済モデル格納ユニット
３０　ＣＡＤ／ＣＡＭシステム
３１　Ｉ／Ｆユニット
３２　ＮＣコード生成ユニット
ＭＣ　マシニングセンタ（工作機械）
ＰＣ１　設計者の端末装置
ＰＣ２　オペレータの端末装置
ＮＷ　ネットワーク
 

Claims (4)

  1. 　工作機械を用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械を用いた複数回の加工のうちの１つの加工が行われるごとに得られる中間加工ワークの形状を示した３次元の１乃至複数個の中間加工ワークデータと、前記工作機械を用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータと、前記１乃至複数個の中間加工ワークデータの生成順序データと、を備える学習用データセットを複数組記憶する学習用データセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記未加工ワークデータと前記完成ワークデータとから、前記未加工ワークから前記完成ワークを得るまでの過程を示す前記１乃至複数個の中間加工ワークの各形状及びその生成順序を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  2. 　前記未加工ワークデータと前記１乃至複数個の中間加工ワークデータと前記加工後ワークデータとは、点群データで構成される、
    　請求項１に記載の機械学習装置。
  3. 　工作機械を用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械を用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータとを取得するデータ取得ユニットと；
    　請求項１又は請求項２に記載の機械学習装置によって生成された学習済モデルに、前記データ取得ユニットが取得した前記未加工ワークデータと前記完成ワークデータとを入力することで、前記未加工ワークから前記完成ワークを得るまでの過程を示す複数個の中間加工ワークの各形状及びその生成順序を推論する推論ユニットと；を備える、
    　データ処理システム。
  4. 　コンピュータを用いた機械学習方法であって：
    　工作機械を用いた複数回の加工が行われる前の未加工ワークの形状を示した３次元の未加工ワークデータと、前記工作機械を用いた複数回の加工のうちの１つの加工が行われるごとに得られる中間加工ワークの形状を示した３次元の１乃至複数個の中間加工ワークデータと、前記工作機械を用いた複数回の加工が全て行われた後の完成ワークの形状を示した３次元の完成ワークデータと、前記１乃至複数個の中間加工ワークデータの生成順序データと、を備える学習用データセットを複数組記憶するステップと；
    　前記学習用データセットを複数組入力することで、前記未加工ワークデータと前記完成ワークデータとから、前記未加工ワークから前記完成ワークを得るまでの過程を示す前記１乃至複数個の中間加工ワークの各形状及びその生成順序を推論する学習モデルを学習するステップと；
    　学習された前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
     
PCT/JP2019/031946 2019-08-14 2019-08-14 機械学習装置、データ処理システム及び機械学習方法 WO2021029037A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/031946 WO2021029037A1 (ja) 2019-08-14 2019-08-14 機械学習装置、データ処理システム及び機械学習方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/031946 WO2021029037A1 (ja) 2019-08-14 2019-08-14 機械学習装置、データ処理システム及び機械学習方法

Publications (1)

Publication Number Publication Date
WO2021029037A1 true WO2021029037A1 (ja) 2021-02-18

Family

ID=74570953

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/031946 WO2021029037A1 (ja) 2019-08-14 2019-08-14 機械学習装置、データ処理システム及び機械学習方法

Country Status (1)

Country Link
WO (1) WO2021029037A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000084794A (ja) * 1998-09-14 2000-03-28 Makino Milling Mach Co Ltd 加工処理装置
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
JP3312154B2 (ja) * 1992-10-09 2002-08-05 オムロン株式会社 加工情報決定システムおよび方法，ならびに加工工程情報決定システムおよび方法
JP2014006813A (ja) * 2012-06-26 2014-01-16 Honda Motor Co Ltd 性能予測装置、性能予測方法、及びプログラム
WO2014045383A1 (ja) * 2012-09-21 2014-03-27 株式会社日立製作所 加工工程決定方法および加工工程設計装置
WO2018123116A1 (ja) * 2016-12-26 2018-07-05 三菱電機株式会社 加工工程生成装置、加工工程生成方法およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3312154B2 (ja) * 1992-10-09 2002-08-05 オムロン株式会社 加工情報決定システムおよび方法，ならびに加工工程情報決定システムおよび方法
JP2000084794A (ja) * 1998-09-14 2000-03-28 Makino Milling Mach Co Ltd 加工処理装置
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
JP2014006813A (ja) * 2012-06-26 2014-01-16 Honda Motor Co Ltd 性能予測装置、性能予測方法、及びプログラム
WO2014045383A1 (ja) * 2012-09-21 2014-03-27 株式会社日立製作所 加工工程決定方法および加工工程設計装置
WO2018123116A1 (ja) * 2016-12-26 2018-07-05 三菱電機株式会社 加工工程生成装置、加工工程生成方法およびプログラム

Similar Documents

Publication Publication Date Title
US7933679B1 (en) Method for analyzing and optimizing a machining process
CN100414463C (zh) 用于支持金属板加工的集成支持系统
Nau et al. AI Planning Versus Manufacturing-Operation Planning: A Case Study.
CN106875094A (zh) 一种基于多色集合遗传算法的多目标车间调度方法
JP4512754B2 (ja) 工程設計支援システム及び工程設計支援方法
US20170329315A1 (en) Information processing apparatus for processing machining information between plurality of manufacturing cells
CN109933923A (zh) 一种基于数字孪生的机电装备精益设计方法
CN113168564A (zh) 用于生成人工智能模型的方法和系统
WO2021029036A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
CN100565535C (zh) 柔性分布式制造方法及其系统
Kholopov et al. Application of the digital twin concept to solve the monitoring task of machine-building technological process
JP6502976B2 (ja) 数値制御装置
CN110580019B (zh) 一种面向边缘计算的设备调取方法与装置
EP4121825A1 (de) Computerimplementiertes verfahren zum erstellen von steuerungsdatensätzen, cad-cam-system und fertigungsanlage
WO2021029037A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
Vishnu et al. A data-driven digital twin framework for key performance indicators in CNC machining processes
WO2021029038A1 (ja) データ処理システム
Illgen et al. Simulation based production support system in the field of steel construction for large offshore structures
Wang et al. Optimization of the tool selection based on big data
Dodok et al. Application of strategy manager tools for optimized NC programming
JP5763352B2 (ja) Ｎｃプログラム作成装置
Amaitik Neural network approach to cutting tools selection
CN105631079B (zh) 一种可配置的分段式生产任务排程方法
Igari et al. Customization of a micro process planning system for an actual machine tool based on updating a machining database and generating a database oriented planning algorithm
CN117171591B (zh) 一种数控机床故障相关关系动态变化分析方法

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: 19941635

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19941635

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP